CN115327979A - 基于高斯建模及线性贝叶斯估计的状态监测方法及组件 - Google Patents

Abstract

本申请涉及数据处理技术领域，公开了一种基于高斯建模及线性贝叶斯估计的状态监测方法、装置、设备及存储介质，包括高斯建模先验推断和线性贝叶斯重构两个阶段，主要以待监测机电设备正常运行状态下的历史监测数据为基础重构出该机电设备在正常运行状态下的理论监测数据，理论监测数据和采集到的实时监测数据之间的偏差程度能够反映机电设备当下是否处于劣化状态。无需以劣化状态下的监测数据作为训练集，基于无监督学习方式，有效解决了在无设备劣化和故障数据训练的前提下，早期劣化检测模型难以构建的问题，同时基于线性贝叶斯框架，可解释性强，鲁棒性和性能较高，适用于各类机电设备。

Description

基于高斯建模及线性贝叶斯估计的状态监测方法及组件

技术领域

本发明涉及数据处理技术领域，特别涉及一种基于高斯建模及线性贝叶斯估计的状态监测方法、装置、设备及存储介质。

背景技术

随着物联网技术、高精度传感器的发展和应用，机电设备的早期劣化预警逐渐成为可能。实现机电设备的早期劣化预警的关键就是对机电设备的运行监测参数的异常进行判别，并据此对机电设备的劣化等级做出预警，从而减少设备非安全状态下的运行时间，避免因设备劣化带来的经济损失和安全风险。

目前，大多利用人工智能技术来实现机电设备早期劣化预警，包括采集设备劣化数据和设备正常运行数据、建立分类模型或采用自编码结构的神经网络、基于网络重建误差实现设备的劣化预警。上述方法一方面过度依赖劣化数据的积累，导致方法鲁棒性低，灵活性差；另一方面由于自编码神经网络类算法的可解释性差，训练难度大，导致劣化预警准确率较低。

因此，上述技术问题亟待本领域技术人员解决。

发明内容

有鉴于此，本发明的目的在于提供一种基于高斯建模及线性贝叶斯估计的方法、装置、设备及存储介质，无需以劣化状态下的监测数据作为训练集，无监督学习方式下概率重构模型的鲁棒性和性能较高。其具体方案如下：

本申请的第一方面提供了一种基于高斯建模及线性贝叶斯估计的状态监测方法，包括：

获取待监测机电设备正常运行状态下运行参数的历史监测数据，并根据全部所述历史监测数据确定出目标运行参数，得到与所述目标运行参数对应的目标历史监测数据；

通过对所述待监测机电设备的正常运行状态进行多模态概率建模的方式构建所述待监测机电设备的概率重构模型，并基于所述目标历史监测数据利用所述概率重构模型重构出所述待监测机电设备的所述目标运行参数的理论监测数据；

采集所述待监测机电设备的所述目标运行参数的实时监测数据，并根据所述实时监测数据与所述理论监测数据的偏差程度确定所述待监测机电设备的劣化状态。

可选的，所述根据全部所述历史监测数据确定出目标运行参数，包括：

通过箱形图上下四分位法对全部所述历史监测数据中的异常值进行剔除，并通过Z-score标准化方法对剔除后的所述历史监测数据进行归一化处理；

通过皮尔逊相关系数法对归一化处理后的所述历史监测数据进行分析，并根据分析结果从全部所述运行参数中筛选出所述目标运行参数。

可选的，所述通过对所述待监测机电设备的正常运行状态进行多模态概率建模的方式基于所述目标历史监测数据构建所述待监测机电设备的概率重构模型，包括：

通过对预设高斯混合模型进行高斯分布建模的方式得到所述待监测机电设备的正常运行状态的高斯混合模型，并根据所述高斯混合模型对预设线性贝叶斯模型进行训练得到所述概率重构模型。

可选的，所述通过对预设高斯混合模型进行高斯分布建模的方式得到所述待监测机电设备的正常运行状态的高斯混合模型，包括：

设置初始高斯模型分量的数量为S；其中，先验高斯混合分布选择最优分量S_opt(S_opt<<S)时的集中程度系数α符合狄利克雷分布；

采用无限狄利克雷分布过程对预设高斯混合模型进行概率建模，基本概率分布模型形式为：

其中，C(α)为狄利克雷分布的归一化系数，π_s、m_s、δ_s分别为第s个高斯分量概率、分布参数均值、协方差；

对具有各向同性性质的狄利克雷分布过程中的所述预设高斯混合模型进行拟合操作，使得各高斯分量所有方向上方差均相同且协方差矩阵为对角形式；

利用变分贝叶斯推断方式对所述预设高斯混合模型进行迭代训练直至变分下界收敛并近似后验分布。

可选的，所述根据所述高斯混合模型对预设线性贝叶斯模型进行训练得到所述概率重构模型，包括：

基于线性贝叶斯框架建立所述待监测机电设备的实际监测值y和理论监测值x的概率映射关系，所述概率映射关系为：

y＝x+ζ

其中，

表示t时刻所述待监测机电设备的第d个所述目标运行参数的实时监测数据，

为通过概率重构关系映射得到的对应参数在正常运行状态下的理论值，ζ为引入的未知高斯随机向量，服从ζ～N(0,Λ)分布，Λ被限制为对角协方差矩阵形式，用来拟合x和y之间所可能存在的任意偏差；

根据所述高斯混合模型及所述概率映射关系得到各个高斯分量s对应的y的概率分布及联合概率分布分别为：

p(y|s,Λ)＝p(x|s)+p(ζ)＝N(m_s,δ_s+Λ_s)

确定在y下需要重构的x的后验分布为Q_s(x)：

Q_s(x)＝p(x|y,s,Λ)～N(m_x|y,s,Λ,δ_x|y,s,Λ)

其中，m_s和δ_s对应于所述高斯混合模型第s个分量的分布参数；τ为方差修正系数，取1e-6，避免奇异矩阵情况；m_x|y,s,Λ和δ_x|y,s,Λ是后验分布Q_s(x)的均值和协方差；Q_s(x)＝p(x|y,s,Λ)为所述概率重构模型。

可选的，所述基于所述目标历史监测数据利用所述概率重构模型重构出所述待监测机电设备的所述目标运行参数的理论监测数据，包括：

将所述目标历史监测数据输入所述概率重构模型，以采用期望最大算法和最大后验估计算法计算所述待监测机电设备的所述目标运行参数的所述理论监测数据。

可选的，所述根据所述实时监测数据与所述理论监测数据的偏差程度确定所述待监测机电设备的劣化状态，包括：

根据所述理论监测数据确定第一预设值、第二预设值和第三预设值；其中，所述第一预设值、所述第二预设值和所述第三预设值之间线性相关且逐渐增大；

如果偏差值小于所述第一预设值，则判定所述待监测机电设备处于正常运行状态；

如果偏差值在所述第一预设值和所述第二预设值之间，则判定所述待监测机电设备处于低风险运行状态；

如果偏差值在所述第二预设值和第三预设值之间且持续时间超过第一时间阈值，则判定所述待监测机电设备处于中风险运行状态；

如果偏差值大于所述第三预设值且持续时间超过第二时间阈值，则判定所述待监测机电设备处于劣化状态；其中，所述第二时间阈值大于所述第一时间阈值。

本申请的第二方面提供了一种基于高斯建模及线性贝叶斯估计的状态监测装置，包括：

获取模块，用于获取待监测机电设备正常运行状态下运行参数的历史监测数据，并根据全部所述历史监测数据确定出目标运行参数，得到与所述目标运行参数对应的目标历史监测数据；

模型构建模块，用于通过对所述待监测机电设备的正常运行状态进行多模态概率建模的方式构建所述待监测机电设备的概率重构模型，并基于所述目标历史监测数据利用所述概率重构模型重构出所述待监测机电设备的所述目标运行参数的理论监测数据；

状态确定模块，用于采集所述待监测机电设备的所述目标运行参数的实时监测数据，并根据所述实时监测数据与所述理论监测数据的偏差程度确定所述待监测机电设备的劣化状态。

本申请的第三方面提供了一种电子设备，所述电子设备包括处理器和存储器；其中所述存储器用于存储计算机程序，所述计算机程序由所述处理器加载并执行以实现前述基于高斯建模及线性贝叶斯估计的状态监测方法。

本申请的第四方面提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机可执行指令，所述计算机可执行指令被处理器加载并执行时，实现前述基于高斯建模及线性贝叶斯估计的状态监测方法。

本申请中，先获取待监测机电设备正常运行状态下运行参数的历史监测数据，并根据全部所述历史监测数据确定出目标运行参数，得到与所述目标运行参数对应的目标历史监测数据；然后通过对所述待监测机电设备的正常运行状态进行多模态高斯概率建模的方式构建所述待监测机电设备的概率重构模型，并基于所述目标历史监测数据利用所述概率重构模型依据贝叶斯估计重构出所述待监测机电设备的所述目标运行参数的理论监测数据；最后采集所述待监测机电设备的所述目标运行参数的实时监测数据，并根据所述实时监测数据与所述理论监测数据的偏差程度确定所述待监测机电设备的劣化状态。可见，本申请主要以待监测机电设备正常运行状态下的历史监测数据为基础重构出该机电设备在正常运行状态下的理论监测数据，理论监测数据和采集到的实时监测数据之间的偏差程度能够反映机电设备当下是否处于劣化状态。无需以劣化状态下的监测数据作为训练集，基于无监督学习方式，有效解决了在无设备劣化和故障数据训练的前提下，早期劣化检测模型难以构建的问题，同时基于线性贝叶斯框架，可解释性强，鲁棒性和性能较高，适用于各类机电设备。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。

图1为本申请提供的一种基于高斯建模及线性贝叶斯估计的状态监测方法流程图；

图2为本申请提供的一种具体的机电设备劣化状态监测方法过程图；

图3为本申请提供的一种训练集上的模型重构效果图；

图4为本申请提供的一种测试集上的模型重构效果图；

图5为本申请提供的一种基于LSTM自编码器算法的测试集效果图；

图6为本申请提供的一种基于高斯建模及线性贝叶斯估计的状态监测装置结构示意图；

图7为本申请提供的一种基于高斯建模及线性贝叶斯估计的状态监测电子设备结构图。

具体实施方式

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，都属于本发明保护的范围。

现有的利用人工智能技术来实现机电设备早期劣化预警的方法过度依赖劣化数据的积累，导致方法鲁棒性低，灵活性差，且由于自编码神经网络类算法的可解释性差，训练难度大，导致劣化预警准确率较低。针对上述技术缺陷，本申请提供一种基于高斯建模及线性贝叶斯估计的状态监测方案，无需以劣化状态下的监测数据作为训练集，无监督学习方式下概率重构模型的鲁棒性和性能较高。

图1为本申请实施例提供的一种基于高斯建模及线性贝叶斯估计的状态监测方法流程图。参见图1所示，该基于高斯建模及线性贝叶斯估计的状态监测方法包括：

S11：获取待监测机电设备正常运行状态下运行参数的历史监测数据，并根据全部所述历史监测数据确定出目标运行参数，得到与所述目标运行参数对应的目标历史监测数据。

本实施例中，首先获取待监测机电设备正常运行状态下运行参数的历史监测数据。所述历史监测数据为历史时间上能够反映该机电设备运行参数的数据，可以用传感器采集得到。需要说明的是，仅采集所述待监测机电设备在历史时段内正常运行的数据，且尽可能涵盖各类正常机电设备运行模式和工况状态，不包括任何机电设备在逐渐出现劣化或出现故障情况下的数据。

本实施例中，将采集到的所述历史监测数据表示为TS＝{TSⁱ|i＝1,2,3,...,N}，是N个多维时间序列数据的集合，且TSⁱ满足：

TSⁱ都是一个形状为(L_i,M)的二维矩阵,L_i表示采集的第i个时间序列数据长度，M是特征维度，即该机电设备上运行参数的维度，如轴向振动、电机电流、发电机有功功率等。

本实施例中，在获取到所述历史监测数据之后，根据全部所述历史监测数据确定出目标运行参数，得到与所述目标运行参数对应的目标历史监测数据。也即为了使最终的监测结果更加准确，需要对所述历史监测数据进行预处理和关键特征提取。具体的，先通过箱形图上下四分位法对全部所述历史监测数据中的异常值进行剔除，然后通过Z-score标准化方法对剔除后的所述历史监测数据进行归一化处理。Z-score标准化公式为：

其中，x_d表示机电设备第d个监测参数数据，μ_d和σ_d分别代表对应该参数均值和方差。

最后通过皮尔逊相关系数法(Pearson相关系数法)对归一化处理后的所述历史监测数据进行分析，并根据分析结果从全部所述运行参数中筛选出所述目标运行参数。具体的，采用Pearson相关系数法进行关键特征提取时，先分析该机电设备所有监测参数之间的关系，筛选相关性系数大于0.6的监测参数作为建模重要特征。可以理解，所述目标运行参数为能够代表机电设备正常运行状态的最重要的特征。当然，其他的异常值剔除方法及归一方法也能达到本实施例的技术效果。

S12：通过对所述待监测机电设备的正常运行状态进行多模态高斯概率建模的方式构建所述待监测机电设备的概率重构模型，并基于所述目标历史监测数据利用所述概率重构模型依据贝叶斯估计重构出所述待监测机电设备的所述目标运行参数的理论监测数据。

本实施例中，重构所述理论监测数据的关键步骤为多模态概率建模和概率重构模型构建。关于多模态概率建模，可以通过对预设高斯混合模型进行高斯分布建模的方式得到所述待监测机电设备的正常运行状态的高斯混合模型，也即基于高斯混合模型GMM先验推断的过程。关于概率重构模型，可以根据所述高斯混合模型对预设线性贝叶斯模型进行训练得到所述概率重构模型，也即基于线性贝叶斯重构的过程。

对于第一个阶段，首先设置初始高斯模型分量的数量为S，其中，先验高斯混合分布选择最优分量S_opt(S_opt<<S)时的集中程度系数α符合狄利克雷分布(Dirichlet分布)。然后采用无限狄利克雷分布过程对预设高斯混合模型进行概率建模，基本概率分布模型形式为：

其中，C(α)为狄利克雷分布的归一化系数，π_s、m_s、δ_s分别为第s个高斯分量概率、分布参数均值、协方差。

对具有各向同性性质的狄利克雷分布过程中的所述预设高斯混合模型进行拟合操作，使得各高斯分量所有方向上方差均相同且协方差矩阵为对角形式。利用变分贝叶斯推断方式对所述预设高斯混合模型进行迭代训练直至变分下界收敛并近似后验分布。

对于第二个阶段，首先基于线性贝叶斯框架建立所述待监测机电设备的实际监测值y和理论监测值x的概率映射关系，所述概率映射关系为：

y＝x+ζ

其中，

表示t时刻所述待监测机电设备的第d个所述目标运行参数的实时监测数据，

为通过概率重构关系映射得到的对应参数在正常运行状态下的理论值，ζ为引入的未知高斯随机向量，服从ζ～N(0,Λ)分布，Λ被限制为对角协方差矩阵形式，用来拟合x和y之间所可能存在的任意偏差。

然后根据所述高斯混合模型及所述概率映射关系得到各个高斯分量s对应的y的概率分布及联合概率分布分别为：

p(y|s,Λ)＝p(x|s)+p(ζ)＝N(m_s,δ_s+Λ_s)

确定在y下需要重构的x的后验分布为Q_s(x)：

Q_s(x)＝p(x|y,s,Λ)～N(m_x|y,s,Λ,δ_x|y,s,Λ)

其中，m_s和δ_s对应于所述高斯混合模型第s个分量的分布参数；τ为方差修正系数，取1e-6，避免奇异矩阵情况；m_x|y,s,Λ和δ_x|y,s,Λ是后验分布Q_s(x)的均值和协方差；Q_s(x)＝p(x|y,s,Λ)为所述概率重构模型。

在此基础上，将所述目标历史监测数据输入所述概率重构模型，以采用期望最大算法(EM算法)和最大后验估计算法计算所述待监测机电设备的所述目标运行参数的所述理论监测数据。模型实时输入机电设备当前运行状态的实际监测参数y，第l-1次EM算法迭代过程下：

(1)E-steps：依据已训练的GMM模型，给定高斯分量s，计算概率重构模型中后验分布Q_s(x)＝p(x|y,s,Λ^l-1)的分布参数值

和

以及计算y的后验概率p(s|y,Λ^l-1),则重构得到的x为所有GMM高斯分量估计的后验分布期望：

(2)M-steps：以最小化均方误差准则为目标，根据y在不同GMM高斯分量下的后验概率和后验分布的均值和协方差，通过极大化对数似然函数L(Λ^l-1,Λ^l)，更新偏差参数Λ^l：

L(Λ^l-1,Λ^l)＝E[log(P(x,y|Λ))|y,Λ^l-1]

迭代E-steps和M-steps重复交替K次，直至对数似然函数值以及更新的模型参数Λ不再变化，即判断为算法收敛。

在步骤(2)中，计算y的后验概率是指通过最大后验估计推断y属于GMM每个高斯分量的似然概率大小，包括：

依据贝叶斯理论，利用已训练Dirichlet过程GMM的高斯混合分布先验p(x|s,m,δ)以及分量分布先验p(s),能够推断得到第l-1迭代次数下y的后验概率p(s|y,Λ^l-1)满足：

在步骤(2)中，更新偏差参数Λ^l是指利用极大化似然函数得到的模型参数更新公式来计算Λ^l，包括：

由于后验概率p(s|y,Λ)、联合概率分布p(x,y|s,Λ)和GMM模型的高斯混合分布p(x|s,m,δ)已知，基于贝叶斯准则易得到p(y|x,s,Λ)～N(x,Λ^-1)。给定高斯分量s并引入x的后验分布Q_s(x)，利用最大似然估计和Jensen不等式能够得到非完整数据的似然函数期望下界L_bound(Λ)：

为极大化似然函数下界，需要函数对偏差参数求导

等于0，因此，当前迭代次数下最终得到的Λ^l更新值等于所有GMM高斯分量下计算得到的加权

之和，Λ^l参数更新公式为：

S13：采集所述待监测机电设备的所述目标运行参数的实时监测数据，并根据所述实时监测数据与所述理论监测数据的偏差程度确定所述待监测机电设备的劣化状态。

本实施例中，根据该机电设备的实际实时监测数据和重构出的理论监测数据的偏差程度和持续时间，实现早期劣化预警并自适应评估机电设备劣化等级。首先根据所述理论监测数据确定第一预设值、第二预设值和第三预设值；其中，所述第一预设值、所述第二预设值和所述第三预设值之间线性相关且逐渐增大。在此基础上进行状态判断：如果偏差值小于所述第一预设值，则判定所述待监测机电设备处于正常运行状态；如果偏差值在所述第一预设值和所述第二预设值之间，则判定所述待监测机电设备处于低风险运行状态；如果偏差值在所述第二预设值和第三预设值之间且持续时间超过第一时间阈值，则判定所述待监测机电设备处于中风险运行状态；如果偏差值大于所述第三预设值且持续时间超过第二时间阈值，则判定所述待监测机电设备处于劣化状态；其中，所述第二时间阈值大于所述第一时间阈值。

为了验证上述预警方法的有效性，本实施例利用异常运行状态下的监测数据作为验证集，利用已训练的GMM，通过概率重构模型，计算验证集数据上所述待监测机电设备的监测数据的方差Λ_val，选取其中99％分位点的

值作为该机电设备在正常运行过程中各类运行参数最大可能满足的偏差分布的方差大小。计算实际监测数据y与重构的理论监测数据x之间的偏差大小。如果

机电设备处于正常运行状态；

机电设备处于低风险、稳定的运行状态，无劣化风险；

且持续时间超过5分钟，机电设备处于中风险的运行状态，机电设备有逐渐劣化趋势；

且持续时间超过10分钟，机电设备处于高风险的运行状态，机电设备有明显劣化迹象，出现故障。

可见，本申请实施例先获取待监测机电设备正常运行状态下运行参数的历史监测数据，并根据全部所述历史监测数据确定出目标运行参数，得到与所述目标运行参数对应的目标历史监测数据；然后通过对所述待监测机电设备的正常运行状态进行多模态高斯概率建模的方式构建所述待监测机电设备的概率重构模型，并基于所述目标历史监测数据利用所述概率重构模型依据贝叶斯估计重构出所述待监测机电设备的所述目标运行参数的理论监测数据；最后采集所述待监测机电设备的所述目标运行参数的实时监测数据，并根据所述实时监测数据与所述理论监测数据的偏差程度确定所述待监测机电设备的劣化状态。本申请实施例主要以待监测机电设备正常运行状态下的历史监测数据为基础重构出该机电设备在正常运行状态下的理论监测数据，理论监测数据和采集到的实时监测数据之间的偏差程度能够反映机电设备当下是否处于劣化状态。无需以劣化状态下的监测数据作为训练集，基于无监督学习方式，有效解决了在无设备劣化和故障数据训练的前提下，早期劣化检测模型难以构建的问题，同时基于线性贝叶斯框架，可解释性强，鲁棒性和性能较高，适用于各类机电设备。

本实施例以某电厂1号一次风机设备为例，对上述基于高斯建模及线性贝叶斯估计的状态监测方案进行具体说明，整体过程如图2所示。

(1)采集机电设备历史正常运行状态的监测数据。相关的传感器运行参数包括发电机有功功率、轴承温度、轴承振动、油温、压力等，一次风机在运行过程中不同传感器会采集各类运行参数在连续时段内的时间序列数据。由专家经验选取能够反映在历史不同时段内设备正常运行状态的多维时间序列数据集合，最终采集的一次风机设备在稳定工况下的运行参数数据如下表所示，数据采样间隔为60s：

时间	发电机有功功率	前轴承温度	...	轴承Y向振动
					2019/11/23 6:54	500	52	...	2.5
2019/11/23 6:55	600	53	...	2.6
					...			...
2019/7/24 0:47	600	0	...	2.8
					2019/7/24 0:48	700	65	...	2.9
...			...

(2)对运行参数的监测数据进行预处理和关键特征提取。首先剔除监测数据上的异常值。采集的监测数据中会存在由于传感器损坏、数据采集中断或其他原因导致的异常数据，因此，对于每个监测参数数据需采用箱型图上下四分位法分别筛除(如上表中的前轴承温度参数存在异常值0)。然后对监测数据标准化。上表中各监测数据量纲不一致，会影响后续GMM概率建模的精度，同时也不利于概率重构模型的计算，采用Z-score标准化分别对各监测参数进行归一化。最后进行关键特征提取，与一次风机设备相关的运行参数数量较多，通过Pearson相关系数法对上表中的各类运行参数进行特征筛选，分析并确定能够代表一次风机设备正常运行状态的15个重要特征。因此，最终得到经数据处理和关键特征提取的上表数据，进一步可以将该数据集以0.8:0.2的比例分别划分为训练集和验证集。

(3)对该机电设备正常运行状态进行多模态概率建模。初始设置GMM的高斯分量为20，对训练集数据拟合Dirichlet过程GMM模型，学习正常设备状态下的复杂运行模式，得到已训练的Dirichlet过程GMM模型最优高斯分量个数为5，每个分量都通过先验推断确定了对应的高斯分布参数值m_s,δ_s。

(4)构建该机电设备监测数据的概率重构模型。基于训练好的GMM模型，对于每个高斯分量s都要分别建立一个概率重构模型，后续采用EM算法和最大后验估计的重构过程需要每次更新迭代计算每个概率重构模型中后验分布Q_s(x)的分布参数m_x|y,s,Λ和δ_x|y,s,Λ。鉴于偏差Λ和GMM模型都具有对角协方差矩阵形式，概率重构模型会针对每个设备监测参数分别计算均值和方差，以适应真实的机电设备状态监测场景中要识别每个设备监测参数所可能存在的异常情况。

(5)基于贝叶斯估计，重构出该机电设备的理论监测数据。采用已训练的GMM模型预测每一时刻监测参数数据所隶属于的高斯分布类别，然后进一步通过参数更新公式计算偏差值作为EM算法迭代估计时的偏差初值Λ_init。此外，为提高在线的贝叶斯重构效率，设置最大迭代次数为50次，似然函数值变化低于0.001作为收敛阈值；同时在迭代计算每个概率重构模型时仅考虑对重构过程有重要影响的分量类别，即首次EM迭代要对y的后验概率作排序，选择累积p(s|y,Λ^l-1)概率超过95％的前q个高斯分量参与后续迭代计算。在采集的该一次风机数据上，EM算法选择的分量个数q＝3。

(6)根据该机电设备的实际监测数据和重构出的监测数据的偏差程度和持续时间，实现早期劣化预警并自适应评估机电设备劣化等级。利用概率重构模型计算验证集上该一次风机各重要监测参数所满足的偏差阈值大小，进一步确定四类设备劣化等级的推荐参考值，并结合相关专家经验和指导合理调整阈值，从而实现设备的自适应风险评估和早期劣化预警。

在此基础上，额外采集了该台一次风机设备在2021年5月20日至6月3日有异常运行情况的数据作为测试集，数据处理方式同上表，其中轴承X/Y向振动参数会持续出现较大的突变值。最终输出的模型重构结果如图3和图4所示。在具有设备正常运行状态的训练数据上，轴承X和Y向振动参数的重构值与实际值曲线完全吻合，几乎无偏差；而当设备的运行状态出现异常时，两类振动参数值有逐渐偏离正常设备运行参数范围的迹象，X/Y向振动分别由原约3.1mm/s、1.8mm/s上涨至最大4mm/s、2.6mm/s，模型仅会重构其合理的正常期望值，造成实际值和预测值之间的偏差非常大，从而实现设备异常的准确识别。

图5为采用自编码器算法的预测效果图，可以明显看出基于神经网络降维的数据重构方法在设备运行异常检测上的应用效果并不好，对异常的X/Y向振动值识别不够精准，正常状态值的重构误差同样较大，可能受其他相关参数以及神经网络训练过拟合的影响。而本实施例的方法预测较为稳定，可以在X/Y向振动值有较大变化值的情况下进行连续越界报警，模型具备良好的预警性能，切实捕捉到了X/Y向振动值所出现的设备异常趋势。

参见图6所示，本申请实施例还相应公开了一种基于高斯建模及线性贝叶斯估计的状态监测装置，包括：

获取模块11，用于获取待监测机电设备正常运行状态下运行参数的历史监测数据，并根据全部所述历史监测数据确定出目标运行参数，得到与所述目标运行参数对应的目标历史监测数据；

模型构建模块12，用于通过对所述待监测机电设备的正常运行状态进行多模态高斯概率建模的方式构建所述待监测机电设备的概率重构模型，并基于所述目标历史监测数据利用所述概率重构模型依据贝叶斯估计重构出所述待监测机电设备的所述目标运行参数的理论监测数据；

状态确定模块13，用于采集所述待监测机电设备的所述目标运行参数的实时监测数据，并根据所述实时监测数据与所述理论监测数据的偏差程度确定所述待监测机电设备的劣化状态。

可见，本申请实施例先获取待监测机电设备正常运行状态下运行参数的历史监测数据，并根据全部所述历史监测数据确定出目标运行参数，得到与所述目标运行参数对应的目标历史监测数据；然后通过对所述待监测机电设备的正常运行状态进行多模态高斯概率建模的方式构建所述待监测机电设备的概率重构模型，并基于所述目标历史监测数据利用所述概率重构模型依据贝叶斯估计重构出所述待监测机电设备的所述目标运行参数的理论监测数据；最后采集所述待监测机电设备的所述目标运行参数的实时监测数据，并根据所述实时监测数据与所述理论监测数据的偏差程度确定所述待监测机电设备的劣化状态。本申请实施例主要以待监测机电设备正常运行状态下的历史监测数据为基础重构出该机电设备在正常运行状态下的理论监测数据，理论监测数据和采集到的实时监测数据之间的偏差程度能够反映机电设备当下是否处于劣化状态。无需以劣化状态下的监测数据作为训练集，基于无监督学习方式，有效解决了在无设备劣化和故障数据训练的前提下，早期劣化检测模型难以构建的问题，同时基于线性贝叶斯框架，可解释性强，鲁棒性和性能较高，适用于各类机电设备。

在一些具体实施例中，所述获取模块11，具体包括：

预处理单元，用于通过箱形图上下四分位法对全部所述历史监测数据中的异常值进行剔除，并通过Z-score标准化方法对剔除后的所述历史监测数据进行归一化处理；

特征筛选单元，用于通过皮尔逊相关系数法对归一化处理后的所述历史监测数据进行分析，并根据分析结果从全部所述运行参数中筛选出所述目标运行参数。

在一些具体实施例中，所述模型构建模块12，具体包括：

第一构建单元，用于通过对预设高斯混合模型进行高斯分布建模的方式得到所述待监测机电设备的正常运行状态的高斯混合模型；

第二构建单元，用于根据所述高斯混合模型对预设线性贝叶斯模型进行训练得到所述概率重构模型；

数据重构单元，用于将所述目标历史监测数据输入所述概率重构模型，以采用期望最大算法和最大后验估计算法计算所述待监测机电设备的所述目标运行参数的所述理论监测数据。

在一些具体实施例中，所述状态确定模块13，具体包括：

确定单元，用于根据所述理论监测数据确定第一预设值、第二预设值和第三预设值；其中，所述第一预设值、所述第二预设值和所述第三预设值之间线性相关且逐渐增大；

第一判定单元，用于如果偏差值小于所述第一预设值，则判定所述待监测机电设备处于正常运行状态；

第二判定单元，用于如果偏差值在所述第一预设值和所述第二预设值之间，则判定所述待监测机电设备处于低风险运行状态；

第三判定单元，用于如果偏差值在所述第二预设值和第三预设值之间且持续时间超过第一时间阈值，则判定所述待监测机电设备处于中风险运行状态；

第四判定单元，用于如果偏差值大于所述第三预设值且持续时间超过第二时间阈值，则判定所述待监测机电设备处于劣化状态；其中，所述第二时间阈值大于所述第一时间阈值。

进一步的，本申请实施例还提供了一种电子设备。图7是根据一示例性实施例示出的电子设备20结构图，图中的内容不能认为是对本申请的使用范围的任何限制。

图7为本申请实施例提供的一种电子设备20的结构示意图。该电子设备20，具体可以包括：至少一个处理器21、至少一个存储器22、电源23、通信接口24、输入输出接口25和通信总线26。其中，所述存储器22用于存储计算机程序，所述计算机程序由所述处理器21加载并执行，以实现前述任一实施例公开的基于高斯建模及线性贝叶斯估计的状态监测方法中的相关步骤。

本实施例中，电源23用于为电子设备20上的各硬件设备提供工作电压；通信接口24能够为电子设备20创建与外界设备之间的数据传输通道，其所遵循的通信协议是能够适用于本申请技术方案的任意通信协议，在此不对其进行具体限定；输入输出接口25，用于获取外界输入数据或向外界输出数据，其具体的接口类型可以根据具体应用需要进行选取，在此不进行具体限定。

另外，存储器22作为资源存储的载体，可以是只读存储器、随机存储器、磁盘或者光盘等，其上所存储的资源可以包括操作系统221、计算机程序222及数据223等，存储方式可以是短暂存储或者永久存储。

其中，操作系统221用于管理与控制电子设备20上的各硬件设备以及计算机程序222，以实现处理器21对存储器22中海量数据223的运算与处理，其可以是Windows Server、Netware、Unix、Linux等。计算机程序222除了包括能够用于完成前述任一实施例公开的由电子设备20执行的基于高斯建模及线性贝叶斯估计的状态监测方法的计算机程序之外，还可以进一步包括能够用于完成其他特定工作的计算机程序。数据223可以包括电子设备20收集到的监测数据。

进一步的，本申请实施例还公开了一种存储介质，所述存储介质中存储有计算机程序，所述计算机程序被处理器加载并执行时，实现前述任一实施例公开的基于高斯建模及线性贝叶斯估计的状态监测方法步骤。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其它实施例的不同之处，各个实施例之间相同或相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个…”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

以上对本发明所提供的基于高斯建模及线性贝叶斯估计的状态监测方法、装置、设备及存储介质进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。

Claims (10)

1.一种基于高斯建模及线性贝叶斯估计的状态监测方法，其特征在于，包括：

获取待监测机电设备正常运行状态下运行参数的历史监测数据，并根据全部所述历史监测数据确定出目标运行参数，得到与所述目标运行参数对应的目标历史监测数据；

通过对所述待监测机电设备的正常运行状态进行多模态高斯概率建模的方式构建所述待监测机电设备的概率重构模型，并基于所述目标历史监测数据利用所述概率重构模型依据贝叶斯估计重构出所述待监测机电设备的所述目标运行参数的理论监测数据；

采集所述待监测机电设备的所述目标运行参数的实时监测数据，并根据所述实时监测数据与所述理论监测数据的偏差程度确定所述待监测机电设备的劣化状态。

2.根据权利要求1所述的基于高斯建模及线性贝叶斯估计的状态监测方法，其特征在于，所述根据全部所述历史监测数据确定出目标运行参数，包括：

通过箱形图上下四分位法对全部所述历史监测数据中的异常值进行剔除，并通过Z-score标准化方法对剔除后的所述历史监测数据进行归一化处理；

通过皮尔逊相关系数法对归一化处理后的所述历史监测数据进行分析，并根据分析结果从全部所述运行参数中筛选出所述目标运行参数。

3.根据权利要求1所述的基于高斯建模及线性贝叶斯估计的状态监测方法，其特征在于，所述通过对所述待监测机电设备的正常运行状态进行多模态高斯概率建模的方式基于所述目标历史监测数据构建所述待监测机电设备的概率重构模型，包括：

通过对预设高斯混合模型进行高斯分布建模的方式得到所述待监测机电设备的正常运行状态的高斯混合模型，并根据所述高斯混合模型对预设线性贝叶斯模型进行训练得到所述概率重构模型。

4.根据权利要求3所述的基于高斯建模及线性贝叶斯估计的状态监测方法，其特征在于，所述通过对预设高斯混合模型进行高斯分布建模的方式得到所述待监测机电设备的正常运行状态的高斯混合模型，包括：

设置初始高斯模型分量的数量为S；其中，先验高斯混合分布选择最优分量S_opt(S_opt<<S)时的集中程度系数α符合狄利克雷分布；

采用无限狄利克雷分布过程对预设高斯混合模型进行概率建模，基本概率分布模型形式为：

其中，C(α)为狄利克雷分布的归一化系数，π_s、m_s、δ_s分别为第s个高斯分量概率、分布参数均值、协方差；

对具有各向同性性质的狄利克雷分布过程中的所述预设高斯混合模型进行拟合操作，使得各高斯分量所有方向上方差均相同且协方差矩阵为对角形式；

利用变分贝叶斯推断方式对所述预设高斯混合模型进行迭代训练直至变分下界收敛并近似后验分布。

5.根据权利要求3所述的基于高斯建模及线性贝叶斯估计的状态监测方法，其特征在于，所述根据所述高斯混合模型对预设线性贝叶斯模型进行训练得到所述概率重构模型，包括：

基于线性贝叶斯框架建立所述待监测机电设备的实际监测值y和理论监测值x的概率映射关系，所述概率映射关系为：

y＝x+ζ

其中，

表示t时刻所述待监测机电设备的第d个所述目标运行参数的实时监测数据，

为通过概率重构关系映射得到的对应参数在正常运行状态下的理论值，ζ为引入的未知高斯随机向量，服从ζ～N(0,Λ)分布，Λ被限制为对角协方差矩阵形式，用来拟合x和y之间所可能存在的任意偏差；

根据所述高斯混合模型及所述概率映射关系得到各个高斯分量s对应的y的概率分布及联合概率分布分别为：

p(y|s,Λ)＝p(x|s)+p(ζ)＝N(m_s,δ_s+Λ_s)

确定在y下需要重构的x的后验分布为Q_s(x)：

Q_s(x)＝p(x|y,s,Λ)～N(m_x|y,s,Λ,δ_x|y,s,Λ)

其中，m_s和δ_s对应于所述高斯混合模型第s个分量的分布参数；τ为方差修正系数，取1e-6，避免奇异矩阵情况；m_x|y,s,Λ和δ_x|y,s,Λ是后验分布Q_s(x)的均值和协方差；Q_s(x)＝p(x|y,s,Λ)为所述概率重构模型。

6.根据权利要求5所述的基于高斯建模及线性贝叶斯估计的状态监测方法，其特征在于，所述基于所述目标历史监测数据利用所述概率重构模型重构出所述待监测机电设备的所述目标运行参数的理论监测数据，包括：

将所述目标历史监测数据输入所述概率重构模型，以采用期望最大算法和最大后验估计算法计算所述待监测机电设备的所述目标运行参数的所述理论监测数据。

7.根据权利要求1至6任一项所述的基于高斯建模及线性贝叶斯估计的状态监测方法，其特征在于，所述根据所述实时监测数据与所述理论监测数据的偏差程度确定所述待监测机电设备的劣化状态，包括：

根据所述理论监测数据确定第一预设值、第二预设值和第三预设值；其中，所述第一预设值、所述第二预设值和所述第三预设值之间线性相关且逐渐增大；

如果偏差值小于所述第一预设值，则判定所述待监测机电设备处于正常运行状态；

如果偏差值在所述第一预设值和所述第二预设值之间，则判定所述待监测机电设备处于低风险运行状态；

如果偏差值在所述第二预设值和第三预设值之间且持续时间超过第一时间阈值，则判定所述待监测机电设备处于中风险运行状态；

如果偏差值大于所述第三预设值且持续时间超过第二时间阈值，则判定所述待监测机电设备处于劣化状态；其中，所述第二时间阈值大于所述第一时间阈值。

8.一种基于高斯建模及线性贝叶斯估计的状态监测装置，其特征在于，包括：

获取模块，用于获取待监测机电设备正常运行状态下运行参数的历史监测数据，并根据全部所述历史监测数据确定出目标运行参数，得到与所述目标运行参数对应的目标历史监测数据；

模型构建模块，用于通过对所述待监测机电设备的正常运行状态进行多模态高斯概率建模的方式构建所述待监测机电设备的概率重构模型，并基于所述目标历史监测数据利用所述概率重构模型依据贝叶斯估计重构出所述待监测机电设备的所述目标运行参数的理论监测数据；

状态确定模块，用于采集所述待监测机电设备的所述目标运行参数的实时监测数据，并根据所述实时监测数据与所述理论监测数据的偏差程度确定所述待监测机电设备的劣化状态。

9.一种电子设备，其特征在于，所述电子设备包括处理器和存储器；其中所述存储器用于存储计算机程序，所述计算机程序由所述处理器加载并执行以实现如权利要求1至7任一项所述的基于高斯建模及线性贝叶斯估计的状态监测方法。

10.一种计算机可读存储介质，其特征在于，用于存储计算机可执行指令，所述计算机可执行指令被处理器加载并执行时，实现如权利要求1至7任一项所述的基于高斯建模及线性贝叶斯估计的状态监测方法。

Images