CN113988173A - 基于定性趋势分析和五状态贝叶斯网络的故障诊断方法、系统、设备及存储介质 - Google Patents

基于定性趋势分析和五状态贝叶斯网络的故障诊断方法、系统、设备及存储介质 Download PDF

Info

Publication number
CN113988173A
CN113988173A CN202111250910.1A CN202111250910A CN113988173A CN 113988173 A CN113988173 A CN 113988173A CN 202111250910 A CN202111250910 A CN 202111250910A CN 113988173 A CN113988173 A CN 113988173A
Authority
CN
China
Prior art keywords
variable
state
bayesian network
trend
linear segments
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202111250910.1A
Other languages
English (en)
Inventor
吴昊
傅望安
高建忠
任鑫
武青
祝金涛
吕亮
朱俊杰
苏人奇
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Huaneng Clean Energy Research Institute
Clean Energy Branch of Huaneng Zhejiang Energy Development Co Ltd
Original Assignee
Huaneng Clean Energy Research Institute
Clean Energy Branch of Huaneng Zhejiang Energy Development Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Huaneng Clean Energy Research Institute, Clean Energy Branch of Huaneng Zhejiang Energy Development Co Ltd filed Critical Huaneng Clean Energy Research Institute
Priority to CN202111250910.1A priority Critical patent/CN113988173A/zh
Publication of CN113988173A publication Critical patent/CN113988173A/zh
Priority to PCT/CN2022/098676 priority patent/WO2023071220A1/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/29—Graphical models, e.g. Bayesian networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Test And Diagnosis Of Digital Computers (AREA)

Abstract

本发明公开了一种基于定性趋势分析和五状态贝叶斯网络的故障诊断方法、系统、设备及存储介质，旨在解决现有技术中故障诊断方法仅有正常和异常两种状况，且仅用两种状态无法详细描述变量变化趋势及变量之间正反作用的影响关系的缺陷性技术问题。本发明在多变量时序系统中进行故障推理诊断，首先定义多变量时间窗口数据和两个线性片段并获取最佳分割点，根据最佳分割点求解两段线性片段，再对后一段线性片段采用正常、上升、下降、正步和负步五种状态进行描述，根据变量的因果关系构建因果关系网络，实时利用定性趋势分析方法判断每个变量的状态，利用五状态贝叶斯网络进行推理诊断，判断当前系统发生故障的根本原因和故障传播路径。

Description

基于定性趋势分析和五状态贝叶斯网络的故障诊断方法、系 统、设备及存储介质
技术领域
本发明属于故障诊断领域，涉及一种基于定性趋势分析和五状态贝叶斯网络的故障诊断方法、系统、设备及存储介质。
背景技术
多变量时序系统发生故障时，经常会有多个变量发生异常偏离，工作人员很难根据经验快速判断故障的根本原因。故障推理诊断的目的是根据异常变量的变化趋势，推理诊断出导致系统发生故障的根本原因，并给出故障传播路径。故障推理诊断的结果对于工作人员了解系统状态与故障类型有着重要的指导意义，也能够辅助工作人员根据识别与诊断结果对操作变量进行手动调整，使系统尽快调整到其正常状态，避免更加严重的事故发生。
现有故障推理诊断方法通常是只将变量判断成正常和异常变量，每个变量的状态数为2，并不能反映每个变量的变化趋势。变量的变化趋势对于工作人员了解系统状态同样有着重要作用。
其他的贝叶斯网络故障诊断方法通常只有2种状态(正常、异常)，实际情况下，仅用两种状态无法详细描述变量的变化趋势，以及变量之间的正反作用的影响关系。例如，对于一个正作用的影响关系，当原因变量上升时结果变量随之上升，当原因变量下降时结果变量随之下降；对于一个反作用的影响关系，当原因变量上升时结果变量随之下降，当原因变量下降时结果变量随之上升。
发明内容
为了克服上述现有技术的缺点，本发明的目的在于提供一种基于定性趋势分析和五状态贝叶斯网络的故障诊断方法、系统、设备及存储介质，旨在解决现有技术中故障诊断方法仅有正常和异常两种状况，且仅用两种状态无法详细描述变量变化趋势及变量之间正反作用的影响关系的缺陷性技术问题。
为了达到上述目的，本发明采用以下技术方案予以实现：
本发明提出一种基于定性趋势分析和五状态贝叶斯网络的故障诊断方法，包括：
将多变量时序数据整理成多变量时间窗口数据；
通过多变量时间窗口数据寻找最佳的分割点来获取两个线性片段，对线性片段采用五种趋势状态进行描述；
构建变量因果关系网络，并根据变量的因果关系网络，构建五种状态的贝叶斯网络，计算五种状态的贝叶斯网络中节点状态之间的条件概率信息；
利用条件概率信息对变量的实际趋势状态进行诊断，获取故障产生原因及故障传播途径。
优选地，多变量时序数据有两个维度：一个变量维度，表示每一个变量；一个时间维度，表示每一个采样点；
将多变量时序数据整理成固定定时间长度的多变量时间窗口数据，其中，L为10min～10h。
优选地，两个线性片段的表达式如公式(1)和公式(2)所示：
Figure BDA0003322472050000021
Figure BDA0003322472050000022
其中，i表示多变量时间窗口数据内的采样时刻，
Figure BDA0003322472050000023
和
Figure BDA0003322472050000024
分别表示两个线性片段的开始时刻；
Figure BDA0003322472050000025
和
Figure BDA0003322472050000026
分别表示两个线性片段中变量在
Figure BDA0003322472050000027
和
Figure BDA0003322472050000028
时刻的测量值；p1和p2是两个线性片段的斜率；
使用最小二乘法进行拟合得到两个线性片段的斜率p1和p2，两个线性片段的斜率p1和p2的计算方法如公式(3)和公式(4)所示：
Figure BDA0003322472050000031
Figure BDA0003322472050000032
其中，tk表示两个线性片段的分割点，tk＝5,6,…,L–5；1～tk为前一段片段，tk+1～L为后一段片段；
Figure BDA0003322472050000033
和
Figure BDA0003322472050000034
分别表示两个线性片段内采样时刻的平均值，
Figure BDA0003322472050000035
和
Figure BDA0003322472050000036
分别表示两个线性片段内测量值的平均值。
优选地，采用遍历法寻找分割点
Figure BDA0003322472050000037
分割点
Figure BDA0003322472050000038
的计算公式如公式(5)所示：
Figure BDA0003322472050000039
将预测值
Figure BDA00033224720500000310
和
Figure BDA00033224720500000311
和测量值y1和y2差值的绝对值之和作为拟合误差，通过寻找最小拟合误差作为两个线性片段的分割点
Figure BDA00033224720500000312
优选地，对后一段片段用正常、上升、下降、正步和负步来描述；
当|p|≤pth且|Id|＞htc且id>0，后一段片段为正步；
当|p|≤pth且|Id|＞htc且Id＜0，后一段片段为负步；
当|p|≤pth且|Id|≤htc，后一段片段为不变；
当|p|＞pth且p＞0，后一段片段为上升；
当|p|＞pth且p＜0，后一段片段为下降；
其中，Id表示前后两个线性片段连接点的差值；pth用来与变量线性片段的变化斜率p进行比较，判断线性片段趋势是否不变；htc用来与变量前后两个线性片段连接点的差值Id进行比较，判断后一段线性片段趋势在不变时是否有阶跃变化。
优选地，在变量因果关系网络中，每个节点表示变量，用单向箭头表示变量之间的因果关系，原因节点指向结果节点，表示原因变量的异常可能导致结果变量的异常；
根据变量因果关系网络，构建五状态贝叶斯网络，通过条件概率表示系统的变量信息流向关系，其定义如公式(6)所示：
G＝(V,E,Ψ) (6)
计算五状态贝叶斯网络中节点状态之间的条件概率信息：根据各个变量的变化趋势状态，采用最大似然估计方法计算五状态贝叶斯网络中节点状态之间的条件概率信息。
优选地，利用条件概率信息对变量的实际趋势状态进行诊断：
将每个变量的趋势状态更新到构建的五状态贝叶斯网络中；
根据每个变量的实际趋势状态，通过贝叶斯公式进行推理诊断，如公式(7)所示：
Figure BDA0003322472050000041
贝叶斯推断从实时偏离程度最大的非正常变量开始，将该变量设置为对应异常状态为100％，并计算其原因变量的各状态概率；
找到与实际异常状态最匹配且异常概率最大的变量作为其异常原因；
依次沿着因果关系从下游向上游逐步寻找发生故障的异常节点，一直找到当前节点没有父节点，或者当前节点上游所有原因节点都正常为止；
最终停止的异常变量即为导致系统故障的根原因变量，并给出故障从上游到下游的传播路径。
本发明提出的一种基于定性趋势分析和五状态贝叶斯网络的故障诊断方法的系统，包括：
多变量时间窗口数据获取模块，所述多变量时间窗口数据获取模块用于将多变量时序数据整理成多变量时间窗口数据；
线性片段获取模块，所述线性片段获取模块用于通过多变量时间窗口数据寻找最佳的分割点来获取两个线性片段，对线性片段采用五种趋势状态进行描述；
贝叶斯网络构建模块，所述贝叶斯网络构建模块用于构建变量因果关系网络，并根据变量的因果关系网络，构建五种状态的贝叶斯网络，计算五种状态的贝叶斯网络中节点状态之间的条件概率信息；
故障产生原因及故障传播途径获取模块，所述故障产生原因及故障传播途径获取模块用于利用条件概率信息对变量的实际趋势状态进行诊断，获取故障产生原因及故障传播途径。
一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行计算机程序时实现基于定性趋势分析和五状态贝叶斯网络的故障诊断方法的步骤。
一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现基于定性趋势分析和五状态贝叶斯网络的故障诊断方法的步骤。
与现有技术相比，本发明具有以下有益效果：
本发明提供了一种基于定性趋势分析和五状态贝叶斯网络的故障诊断方法，通过定义两个线性片段，结合多变量时间窗口数据计算出两个线性片段的最佳分割点，通过最佳分割点能够求解出两个线性片段，再对求解的后一段线性片段采用5种变化趋势进行描述，将5种变化趋势送入构建好的贝叶斯网络中，利用贝叶斯网络中节点状态之间的条件概率信息来判断故障产生的原因及传播的途径。本发明提出五状态贝叶斯网络方法，结合每个变量的趋势状态信息，进行实时推理诊断，最终找到导致当前系统发生故障的根本原因和故障传播路径。
进一步地，在多变量时间窗口数据中，时间后段的变化趋势对于当前系统的故障诊断更加重要，因此我们将数据划分为两个线性片段进行拟合，从而提取到更准确的时间后段的变化趋势状态。
本发明提出的基于定性趋势分析和五状态贝叶斯网络的故障诊断方法的系统，采用模块化思想来实现故障产生原因及故障传播途径，使各个模块之间相互独立，便于实现对各个模块的统一管理。
附图说明
图1为本发明故障诊断方法流程图；
图2为本发明进行故障诊断建模和在线诊断流程图；
图3为本发明用于描述线性片段的五种趋势图；
图4为本发明线性片段的变化趋势分析图；
图5为本发明构建变量因果关系网络图；
图6为本发明故障诊断结果图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
下面结合附图对本发明做进一步详细描述：
我们的方法包括三个部分：(1)提出两段定性趋势分析方法实时判断每个变量的状态，通过5种状态来描述(正常、上升、下降、正步、负步)；(2)根据变量的因果关系构建因果关系网络；(3)提出五状态贝叶斯网络进行推理诊断，判断当前系统发生故障的根本原因和故障传播路径。
本发明提出的一种基于定性趋势分析和五状态贝叶斯网络的故障推理诊断方法，如图1所示，包括：
将多变量时序数据整理成多变量时间窗口数据；
通过多变量时间窗口数据寻找最佳的分割点来获取两个线性片段，对线性片段采用五种趋势状态进行描述；
构建变量因果关系网络，并根据变量的因果关系网络，构建五种状态的贝叶斯网络，计算五种状态的贝叶斯网络中节点状态之间的条件概率信息；
利用条件概率信息对变量的实际趋势状态进行诊断，获取故障产生原因及故障传播途径。
一种基于定性趋势分析和五状态贝叶斯网络的故障诊断方法，如图2所示，具体实现步骤如下：
步骤S01：离线建模阶段，针对一个多变量时序系统，从历史数据库中收集一段时间的多变量时序数据，作为离线建模阶段用到的历史数据。历史数据有两个维度，一个变量维度，表示每一个变量；一个时间维度，表示每一个采样点。
步骤S02：将历史数据整理成固定时间长度(L＝10分钟-10小时)的多变量时间窗口数据。
用两段定性趋势分析方法确定每个变量的趋势状态，如步骤S03-步骤S05所示。
步骤S03：两段定性趋势分析方法需要用两个线性片段来拟合时间窗口数据，定义线性片段用下列公式表示，两个线性片段的表达式如公式(1)和公式(2)所示：
Figure BDA0003322472050000081
Figure BDA0003322472050000082
其中，i表示多变量时间窗口数据内的采样时刻，
Figure BDA0003322472050000083
和
Figure BDA0003322472050000084
分别表示两个线性片段的开始时刻；
Figure BDA0003322472050000085
和
Figure BDA0003322472050000086
分别表示两个线性片段中变量在
Figure BDA0003322472050000087
和
Figure BDA0003322472050000088
时刻的测量值；p1和p2是两个线性片段的斜率。
使用最小二乘法进行拟合得到两个线性片段的斜率p1和p2，两个线性片段的斜率p1和p2的计算方法如公式(3)和公式(4)所示：
Figure BDA0003322472050000089
Figure BDA00033224720500000810
其中，tk表示两个线性片段的分割点，tk＝5,6,…,L–5；1～tk为前一段片段，tk+1～L为后一段片段；
Figure BDA00033224720500000811
和
Figure BDA00033224720500000812
分别表示两个线性片段内采样时刻的平均值，
Figure BDA00033224720500000813
和
Figure BDA00033224720500000814
分别表示两个线性片段内测量值的平均值。
优选地，在多变量时间窗口数据中，时间后段的变化趋势对于当前系统的故障诊断更加重要，因此我们将数据划分为两个线性片段进行拟合，从而提取到更准确的时间后段的变化趋势状态。
步骤S04：趋势提取采用遍历法寻找分割点
Figure BDA00033224720500000815
两个线性片段分别用最小二乘法拟合两个一元线性方程y1(i)和y2(i)，分割点
Figure BDA00033224720500000816
的计算公式如公式(5)所示：
Figure BDA00033224720500000817
将预测值
Figure BDA00033224720500000818
和
Figure BDA00033224720500000819
和测量值y1和y2差值的绝对值之和作为拟合误差，通过寻找最小拟合误差作为两个线性片段的分割点
Figure BDA00033224720500000820
步骤S05：得到两个线性片段后，需要用正常、上升、下降、正步、负步来描述后一段片段，如图3所示。
当|p|≤pth且|Id|＞htc且Id>0，后一段片段为正步；
当|p|≤pth且|Id|＞htc且Id＜0，后一段片段为负步；
当|p|≤pth且|Id|≤htc，后一段片段为不变；
当|p|＞pth且p＞0，后一段片段为上升；
当|p|＞pth且p＜0，后一段片段为下降；
其中，Id表示前后两个线性片段连接点的差值；pth用来与变量线性片段的变化斜率p进行比较，判断线性片段趋势是否不变；htc用来与变量前后两个线性片段连接点的差值Id进行比较，判断后一段线性片段趋势在不变时是否有阶跃变化。利用图4所示规则对变量的趋势进行分类。
步骤S06：根据专家经验知识构建变量因果关系网络，采用模块化方式将复杂的工艺级流程分解成多个简单的设备级单元，然后对每个变量节点分析其发生异常时，可能导致其他哪些变量发生异常。一个变量因果关系网络如图5所示，每个节点表示一个变量，用单向箭头表示变量之间的因果关系，原因节点指向结果节点，表示原因变量的异常可能导致结果变量的异常。
步骤S07：根据步骤S06中的变量因果关系网络，构建五状态贝叶斯网络G，该网络中每个变量节点的趋势状态包括5种：正常、上升、下降、正步和负步。贝叶斯网络模型G以变量V为节点、以变量E之间的因果关系为边，每个变量都有5种状态Ψ∈{正常、上升、下降、正步、负步}，通过条件概率表示复杂系统的变量信息流向关系，其定义如公式(6)所示：
G＝(V,E,Ψ) (6)
步骤S08：利用历史数据各个变量的变化趋势状态，采用最大似然估计方法计算五状态贝叶斯网络中节点状态之间的条件概率信息。由于节点取值为离散值，最大似然估计可以分为两步：
(1)统计条件概率表中每个情况出现的频率，例如对于一个变量关系x→y中的一种情况(y＝"上升"|x＝"上升")，需要统计数据中x＝"上升"的次数和当x＝"上升"时y＝"上升"的次数；
(2)将统计得到的频率转化为概率，例如对于一个变量关系x→y中的一种情况(y＝"上升"|x＝"上升")，可以按照公式计算其概率参数。
Figure BDA0003322472050000101
实时应用阶段，首先将实时数据整理成固定时间长度(L＝10min～10h)的多变量时间窗口数据，按照步骤S02-S05同样采用两段定性趋势分析方法确定每个变量的趋势状态。
将每个变量的趋势状态更新到构建的五状态贝叶斯网络中，根据每个变量的实际趋势状态，利用步骤S08中得到的条件概率信息，通过贝叶斯公式进行推理诊断：
(1)将每个变量的趋势状态更新到构建的五状态贝叶斯网络中；
(2)根据每个变量的实际趋势状态，通过贝叶斯公式进行推理诊断。例如对于一个变量关系x→y，要计算当y＝"上升"时x＝"上升"的概率，可以按照如下贝叶斯公式进行计算，如公式(8)所示：
Figure BDA0003322472050000102
贝叶斯推断从实时偏离程度最大的非正常变量开始，将该变量设置为对应异常状态为100％，并计算其原因变量的各状态概率；
(3)找到与实际异常状态最匹配且异常概率最大的变量作为其异常原因；
(4)依次沿着因果关系从下游向上游逐步寻找发生故障的异常节点，一直找到当前节点没有父节点，或者当前节点上游所有原因节点都正常为止。
(5)最终停止的异常变量即导致系统故障的根原因变量，并给出故障从上游到下游的传播路径。
如图6所示，变量1表示故障原因(黄色表示原因)，并能够以图的方式给出故障传播路径，每个变量可以用不同的颜色表示其异常状态(红色表示上升或正步，蓝色表示下降或负步)。
本发明提出的基于定性趋势分析和五状态贝叶斯网络的故障诊断方法的系统，包括：
多变量时间窗口数据获取模块，所述多变量时间窗口数据获取模块用于将多变量时序数据整理成多变量时间窗口数据；
线性片段获取模块，所述线性片段获取模块用于通过多变量时间窗口数据寻找最佳的分割点来获取两个线性片段，对线性片段采用五种趋势状态进行描述；
贝叶斯网络构建模块，所述贝叶斯网络构建模块用于构建变量因果关系网络，并根据变量的因果关系网络，构建五种状态的贝叶斯网络，计算五种状态的贝叶斯网络中节点状态之间的条件概率信息；
故障产生原因及故障传播途径获取模块，所述故障产生原因及故障传播途径获取模块用于利用条件概率信息对变量的实际趋势状态进行诊断，获取故障产生原因及故障传播途径。
具体的，所述线性片段获取模块用于通过多变量时间窗口数据寻找最佳的分割点来获取两个线性片段，并对后一段线性片段采用五种趋势状态进行描述。
本发明一实施例提供的终端设备，该实施例的终端设备包括：处理器、存储器以及存储在所述存储器中并可在所述处理器上运行的计算机程序。所述处理器执行所述计算机程序时实现上述各个方法实施例中的步骤。或者，所述处理器执行所述计算机程序时实现上述各装置实施例中各模块/单元的功能。
所述计算机程序可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器中，并由所述处理器执行，以完成本发明。
所述终端设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述终端设备可包括，但不仅限于，处理器、存储器。
所述处理器可以是中央处理单元(CentralProcessingUnit，CPU)，还可以是其他通用处理器、数字信号处理器(DigitalSignalProcessor，DSP)、专用集成电路(ApplicationSpecificIntegratedCircuit，ASIC)、现成可编程门阵列(Field-ProgrammableGateArray，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。
所述存储器可用于存储所述计算机程序和/或模块，所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块，以及调用存储在存储器内的数据，实现所述终端设备的各种功能。
所述终端设备集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-OnlyMemory)、随机存取存储器(RAM，RandomAccessMemory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。
以上内容仅为说明本发明的技术思想，不能以此限定本发明的保护范围，凡是按照本发明提出的技术思想，在技术方案基础上所做的任何改动，均落入本发明权利要求书的保护范围之内。

Claims (10)

1.一种基于定性趋势分析和五状态贝叶斯网络的故障诊断方法，其特征在于，包括：
将多变量时序数据整理成多变量时间窗口数据；
通过多变量时间窗口数据寻找最佳的分割点来获取两个线性片段，对线性片段采用五种趋势状态进行描述；
构建变量因果关系网络，并根据变量的因果关系网络，构建五种状态的贝叶斯网络，计算五种状态的贝叶斯网络中节点状态之间的条件概率信息；
利用条件概率信息对变量的实际趋势状态进行诊断，获取故障产生原因及故障传播途径。
2.根据权利要求1所述的基于定性趋势分析和五状态贝叶斯网络的故障诊断方法，其特征在于，多变量时序数据有两个维度：一个变量维度，表示每一个变量；一个时间维度，表示每一个采样点；
将多变量时序数据整理成固定定时间长度的多变量时间窗口数据，其中，L为10min～10h。
3.根据权利要求1所述的基于定性趋势分析和五状态贝叶斯网络的故障诊断方法，其特征在于，两个线性片段的表达式如公式(1)和公式(2)所示：
Figure FDA0003322472040000011
Figure FDA0003322472040000012
其中，i表示多变量时间窗口数据内的采样时刻，
Figure FDA0003322472040000013
和
Figure FDA0003322472040000014
分别表示两个线性片段的开始时刻；
Figure FDA0003322472040000015
和
Figure FDA0003322472040000016
分别表示两个线性片段中变量在
Figure FDA0003322472040000017
和
Figure FDA0003322472040000018
时刻的测量值；p1和p2是两个线性片段的斜率；
使用最小二乘法进行拟合得到两个线性片段的斜率p1和p2，两个线性片段的斜率p1和p2的计算方法如公式(3)和公式(4)所示：
Figure FDA0003322472040000019
Figure FDA0003322472040000021
其中，tk表示两个线性片段的分割点，tk＝5,6,…,L–5；1～tk为前一段片段，tk+1～L为后一段片段；
Figure FDA0003322472040000022
和
Figure FDA0003322472040000023
分别表示两个线性片段内采样时刻的平均值，
Figure FDA0003322472040000024
和
Figure FDA0003322472040000025
分别表示两个线性片段内测量值的平均值。
4.根据权利要求3所述的基于定性趋势分析和五状态贝叶斯网络的故障诊断方法，其特征在于，采用遍历法寻找分割点
Figure FDA0003322472040000026
分割点
Figure FDA0003322472040000027
的计算公式如公式(5)所示：
Figure FDA0003322472040000028
将预测值
Figure FDA0003322472040000029
和
Figure FDA00033224720400000210
和测量值y1和y2差值的绝对值之和作为拟合误差，通过寻找最小拟合误差作为两个线性片段的分割点
Figure FDA00033224720400000211
5.根据权利要求3所述的基于定性趋势分析和五状态贝叶斯网络的故障诊断方法，其特征在于，对后一段片段用正常、上升、下降、正步和负步来描述；
当|p|≤pth且|Id|＞htc且Id>0，后一段片段为正步；
当|p|≤pth且|Id|＞htc且Id＜0，后一段片段为负步；
当|p|≤pth且|Id|≤htc，后一段片段为不变；
当|p|＞pth且p＞0，后一段片段为上升；
当|p|＞pth且p＜0，后一段片段为下降；
其中，Id表示前后两个线性片段连接点的差值；pth用来与变量线性片段的变化斜率p进行比较，判断线性片段趋势是否不变；htc用来与变量前后两个线性片段连接点的差值Id进行比较，判断后一段线性片段趋势在不变时是否有阶跃变化。
6.根据权利要求1所述的基于定性趋势分析和五状态贝叶斯网络的故障诊断方法，其特征在于，在变量因果关系网络中，每个节点表示变量，用单向箭头表示变量之间的因果关系，原因节点指向结果节点，表示原因变量的异常可能导致结果变量的异常；
根据变量因果关系网络，构建五状态贝叶斯网络，通过条件概率表示系统的变量信息流向关系，其定义如公式(6)所示：
G＝(V,E,Ψ) (6)
计算五状态贝叶斯网络中节点状态之间的条件概率信息：根据各个变量的变化趋势状态，采用最大似然估计方法计算五状态贝叶斯网络中节点状态之间的条件概率信息。
7.根据权利要求6所述的基于定性趋势分析和五状态贝叶斯网络的故障诊断方法，其特征在于，利用条件概率信息对变量的实际趋势状态进行诊断：
将每个变量的趋势状态更新到构建的五状态贝叶斯网络中；
根据每个变量的实际趋势状态，通过贝叶斯公式进行推理诊断，如公式(7)所示：
Figure FDA0003322472040000031
贝叶斯推断从实时偏离程度最大的非正常变量开始，将该变量设置为对应异常状态为100％，并计算其原因变量的各状态概率；
找到与实际异常状态最匹配且异常概率最大的变量作为其异常原因；
依次沿着因果关系从下游向上游逐步寻找发生故障的异常节点，一直找到当前节点没有父节点，或者当前节点上游所有原因节点都正常为止；
最终停止的异常变量即为导致系统故障的根原因变量，并给出故障从上游到下游的传播路径。
8.采用权利要求1～7中任意一项所述的基于定性趋势分析和五状态贝叶斯网络的故障诊断方法的系统，其特征在于，包括：
多变量时间窗口数据获取模块，所述多变量时间窗口数据获取模块用于将多变量时序数据整理成多变量时间窗口数据；
线性片段获取模块，所述线性片段获取模块用于通过多变量时间窗口数据寻找最佳的分割点来获取两个线性片段，对线性片段采用五种趋势状态进行描述；
贝叶斯网络构建模块，所述贝叶斯网络构建模块用于构建变量因果关系网络，并根据变量的因果关系网络，构建五种状态的贝叶斯网络，计算五种状态的贝叶斯网络中节点状态之间的条件概率信息；
故障产生原因及故障传播途径获取模块，所述故障产生原因及故障传播途径获取模块用于利用条件概率信息对变量的实际趋势状态进行诊断，获取故障产生原因及故障传播途径。
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行计算机程序时实现权利要求1至7中任意一项所述的基于定性趋势分析和五状态贝叶斯网络的故障诊断方法的步骤。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任意一项所述的基于定性趋势分析和五状态贝叶斯网络的故障诊断方法的步骤。
CN202111250910.1A 2021-10-26 2021-10-26 基于定性趋势分析和五状态贝叶斯网络的故障诊断方法、系统、设备及存储介质 Pending CN113988173A (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202111250910.1A CN113988173A (zh) 2021-10-26 2021-10-26 基于定性趋势分析和五状态贝叶斯网络的故障诊断方法、系统、设备及存储介质
PCT/CN2022/098676 WO2023071220A1 (zh) 2021-10-26 2022-06-14 基于定性趋势分析和五状态贝叶斯网络的故障诊断方法、系统、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111250910.1A CN113988173A (zh) 2021-10-26 2021-10-26 基于定性趋势分析和五状态贝叶斯网络的故障诊断方法、系统、设备及存储介质

Publications (1)

Publication Number Publication Date
CN113988173A true CN113988173A (zh) 2022-01-28

Family

ID=79741963

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111250910.1A Pending CN113988173A (zh) 2021-10-26 2021-10-26 基于定性趋势分析和五状态贝叶斯网络的故障诊断方法、系统、设备及存储介质

Country Status (2)

Country Link
CN (1) CN113988173A (zh)
WO (1) WO2023071220A1 (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023071220A1 (zh) * 2021-10-26 2023-05-04 中国华能集团清洁能源技术研究院有限公司 基于定性趋势分析和五状态贝叶斯网络的故障诊断方法、系统、设备及存储介质

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6076083A (en) * 1995-08-20 2000-06-13 Baker; Michelle Diagnostic system utilizing a Bayesian network model having link weights updated experimentally
CN111255674B (zh) * 2020-01-21 2022-08-09 武汉瑞莱保科技有限公司 一种用于检测旋转机械设备状态的系统及检测方法
CN113988173A (zh) * 2021-10-26 2022-01-28 中国华能集团清洁能源技术研究院有限公司 基于定性趋势分析和五状态贝叶斯网络的故障诊断方法、系统、设备及存储介质

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023071220A1 (zh) * 2021-10-26 2023-05-04 中国华能集团清洁能源技术研究院有限公司 基于定性趋势分析和五状态贝叶斯网络的故障诊断方法、系统、设备及存储介质

Also Published As

Publication number Publication date
WO2023071220A1 (zh) 2023-05-04

Similar Documents

Publication Publication Date Title
CN112232447B (zh) 一种电力设备状态监测数据的完整样本集的构建方法
CN110335168B (zh) 基于gru优化用电信息采集终端故障预测模型的方法及系统
CN116559598B (zh) 一种智慧配电网故障定位方法及系统
CN113556258A (zh) 一种异常检测方法及装置
US11775375B2 (en) Automated incident detection and root cause analysis
CN114978956B (zh) 智慧城市网络设备性能异常突变点检测方法及装置
CN111738520A (zh) 一种融合孤立森林与长短期记忆网络的系统负载预测方法
US20210065021A1 (en) Working condition state modeling and model correcting method
CN112598172A (zh) 一种风电机组轴承温度预警方法
CN115454778A (zh) 大规模云网络环境下的时序指标异常智能监控系统
CN116680113B (zh) 一种设备检测实施控制系统
CN112578213A (zh) 轨道电源屏的故障预测方法及装置
CN111984705A (zh) 一种电能质量监测装置的精度评估管理方法和装置
CN114090393B (zh) 一种告警级别的确定方法、装置及设备
CN113988173A (zh) 基于定性趋势分析和五状态贝叶斯网络的故障诊断方法、系统、设备及存储介质
CN117421994A (zh) 一种边缘应用健康度的监测方法和监测系统
CN117034149A (zh) 故障处理策略确定方法、装置、电子设备和存储介质
CN110837953A (zh) 一种自动化异常实体定位分析方法
CN116151799A (zh) 一种基于bp神经网络的配电线路多工况故障率快速评估方法
CN115766513A (zh) 一种异常检测方法和装置
CN115456092A (zh) 电力系统异常数据实时监测方法
CN114881112A (zh) 一种系统异常检测方法、装置、设备及介质
CN110083508B (zh) 一种数据监控方法及装置
CN113095608A (zh) 指标分析方法、装置、设备及存储介质
Ivakin et al. Method for overcoming the heteroscedasticity of statistical values of indicators when assessing the quality of IETMs with elements of artificial intelligence

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination