CN117992859B - 配备scada系统的机电装备早期故障预警与辨识方法及装置 - Google Patents
配备scada系统的机电装备早期故障预警与辨识方法及装置 Download PDFInfo
- Publication number
- CN117992859B CN117992859B CN202410400068.2A CN202410400068A CN117992859B CN 117992859 B CN117992859 B CN 117992859B CN 202410400068 A CN202410400068 A CN 202410400068A CN 117992859 B CN117992859 B CN 117992859B
- Authority
- CN
- China
- Prior art keywords
- matrix
- data matrix
- dynamic network
- time window
- covariance matrix
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 67
- 239000011159 matrix material Substances 0.000 claims abstract description 247
- 238000005259 measurement Methods 0.000 claims abstract description 65
- 238000005070 sampling Methods 0.000 claims abstract description 49
- 238000011156 evaluation Methods 0.000 claims abstract description 48
- 239000013598 vector Substances 0.000 claims abstract description 43
- 238000013139 quantization Methods 0.000 claims abstract description 37
- 230000036541 health Effects 0.000 claims abstract description 31
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 27
- 238000012216 screening Methods 0.000 claims abstract description 12
- 238000004364 calculation method Methods 0.000 claims abstract description 6
- 238000013507 mapping Methods 0.000 claims abstract description 6
- 238000012544 monitoring process Methods 0.000 claims description 18
- 238000004590 computer program Methods 0.000 claims description 10
- 230000008878 coupling Effects 0.000 claims description 9
- 238000010168 coupling process Methods 0.000 claims description 9
- 238000005859 coupling reaction Methods 0.000 claims description 9
- 238000013528 artificial neural network Methods 0.000 claims description 8
- 230000004044 response Effects 0.000 claims description 8
- 230000007704 transition Effects 0.000 claims description 6
- 238000004458 analytical method Methods 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 3
- 238000009434 installation Methods 0.000 claims description 2
- 230000007787 long-term memory Effects 0.000 claims description 2
- 230000006403 short-term memory Effects 0.000 claims description 2
- 238000012545 processing Methods 0.000 abstract description 11
- 230000015654 memory Effects 0.000 description 10
- 238000010586 diagram Methods 0.000 description 8
- 230000008859 change Effects 0.000 description 7
- 238000004891 communication Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 238000012423 maintenance Methods 0.000 description 5
- 239000003550 marker Substances 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000012360 testing method Methods 0.000 description 5
- 230000007547 defect Effects 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000007613 environmental effect Effects 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000007667 floating Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/211—Selection of the most significant subset of features
- G06F18/2113—Selection of the most significant subset of features by ranking or filtering the set of features, e.g. using a measure of variance or of feature cross-correlation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Analysis (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- Mathematical Optimization (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computational Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Pure & Applied Mathematics (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Algebra (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种配备SCADA系统的机电装备早期故障预警与辨识方法及装置，涉及数据处理领域，包括：将SCADA系统遴选的变量映射为动态网络的节点，并构建对应的健康状态理论预测模型，将前一个采样周期的实测数据矩阵并输入健康状态理论预测模型，得到当前采样周期的参考数据矩阵；分别构建实测数据矩阵的协方差矩阵和参考数据矩阵的协方差矩阵并分别进行特征分解，根据分解得到的最大特征值所对应的特征向量及其元素排名筛选出动态网络的关键节点，分别计算实测数据矩阵与参照数据矩阵在每个时间窗口的动态网络的量化指标，再计算系统评估指标，基于系统评估指标及其对应的关键节点生成预警信号并确定故障类型，解决计算成本高、泛化能力差问题。
Description
技术领域
本发明涉及数据处理领域，具体涉及一种配备SCADA系统的机电装备早期故障预警与辨识方法及装置。
背景技术
随着工业自动化的深入发展，对复杂机电装备的稳定和高效运行的需求日益增强。这些设备通常由多种机械、电气和控制部件组成，构成了一个多维时变的复杂系统。在这些系统中，各部件或子系统之间存在复杂的相互耦合关系，任何一个部件的故障都可能影响整个系统的正常运行，严重的故障甚至可能对整个生产过程或服务的稳定性造成重大影响。因此，对于这些复杂的机电装备而言，有效的故障预警技术不仅可以降低运维成本，减少紧急维修的需求，而且通过有效的预测性维护，延长设备的使用寿命，保证生产安全和效率。因此，对复杂的机电装备实施故障预警技术具有极其重要的研究和应用价值。
目前大部分复杂的机电装备均配备了数据采集与监视控制系统 （SupervisoryControl And Data Acquisition，即SCADA系统），基于SCADA系统对复杂的机电装备早期缺陷预警及辨识已成为一种有效手段。针对配备SCADA系统的复杂的机电装备的缺陷预警方法主要分为两大类：基于机理模型和基于数据驱动模型的方法。由于这些设备内部物理部件的故障类型与其外部可观测故障特征量之间存在复杂的映射关系，传统的基于机理模型的预警方法面临着难以建立精确数学模型的问题。同时，基于数据驱动的故障预警方法在实际应用中也遇到多个挑战。例如，获取足够多且具有代表性的故障样本数据通常是困难的，这影响了模型的训练效果。此外，不同设备在制造工艺、安装环境、使用年限和运行状态上的差异限制了基于历史数据建立的模型的鲁棒性。同时，人工智能方法需要大量的数据和计算资源，这增加了成本并对硬件设备提出了更高的实时运算要求。并且目前复杂的机电装备的故障诊断预警方法还存在共通的问题：设备状态监测数据具有全局化、多元化的特点，并且各部件之间存在复杂的耦合关系，虽然上述方法在处理特定部件故障时效果显著，但是在整体设备的故障预警方面则显得力不从心，如何有效融合多元数据成为一个重要的难题。
为描述多变量复杂系统的临界相变动态特性，有学者提出的动态网络标志物(Dynamical Network Marker ,DNM)这一概念，并在复杂的机电装备故障诊断领域证明了所提方法的有效性。方瑞明等人率先将DNM应用在风电机组早期缺陷预警方面，并取得良好效果。但该方法需要使用聚类算法或其他启发式程序对网络关键节点进行筛选，计算成本高，泛化能力差。
发明内容
本申请的目的在于针对上述提到的技术问题提出一种配备SCADA系统的机电装备早期故障预警与辨识方法及装置。
第一方面，本发明提供了一种配备SCADA系统的机电装备早期故障预警与辨识方法，包括以下步骤：
从机电装备的SCADA系统的各主要监测项目中遴选出与其运行状态密切相关且有复杂耦合关系的变量，将其映射为动态网络的节点；
针对动态网络的每个节点构建健康状态理论预测模型，获取机电装备处于健康状态时的SCADA系统在前一个采样周期内的各采样时间采集到的每个节点的实测历史数据并构建成前一个采样周期的实测数据矩阵，将前一个采样周期的实测数据矩阵输入健康状态理论预测模型，得到当前采样周期的参考数据矩阵；
分别构建当前采样周期内划分的每个时间窗口的实测数据矩阵的协方差矩阵和参考数据矩阵的协方差矩阵并分别进行特征分解，计算分解后得到的特征值及其对应的特征向量，根据最大特征值所对应的特征向量及其元素排名筛选出动态网络的关键节点；
基于动态网络的关键节点分别计算实测数据矩阵与参照数据矩阵在每个时间窗口的动态网络的量化指标，根据实测数据矩阵与参照数据矩阵在每个时间窗口的动态网络的量化指标计算在每个时间窗口的系统评估指标，基于系统评估指标及其对应的动态网络的关键节点生成预警信号并确定故障类型。
作为优选，健康状态理论预测模型包括经训练的长短时记忆神经网络。
作为优选，实测历史数据为经过归一化处理后的数据。
作为优选，实测数据矩阵的协方差矩阵表示为：
；
参考数据矩阵的协方差矩阵表示为：
；
其中，和分别表示实测数据矩阵A和参考数据矩阵B中的元素，对应的值为第i个和第 j个变量的协方差。
作为优选，计算分解后得到的特征值及其对应的特征向量，根据最大特征值所对应的特征向量及其元素排名筛选出动态网络的关键节点，具体包括：
实测数据矩阵的协方差矩阵和参考数据矩阵的协方差矩阵均可表示变量的N个观测值组成的样本协方差矩阵，将样本协方差矩阵进行特征分解，如下式所示：
；
其中，是对角矩阵，包含样本协方差矩阵C的特征值；是正交矩阵，包含样本协方差矩阵C的特征向量，；
样本协方差矩阵在时间窗口t处的第i行第j列的元素表示为：
；
其中，，是样本协方差矩阵C中的变量和的协方差，表示最大特征值，和分别是变量和在时间窗口t的样本协方差矩阵中最大特征值对应的特征向量的第i个元素和第j个元素；比较最大特征值对应的特征向量中的n个元素，选择数值排名前h个元素所对应的变量为动态网络的关键节点，其索引标记的集合定义为，h的值被设置为满足且，其中，表示变量在临界转变时间窗口t’的样本协方差矩阵中最大特征值对应的特征向量的第i个元素，P值是[0,1]的正实数，是中所有元素数量的上界。
作为优选，基于动态网络的关键节点分别计算实测数据矩阵与参照数据矩阵在每个时间窗口的动态网络的量化指标，根据实测数据矩阵与参照数据矩阵在每个时间窗口的动态网络的量化指标计算在每个时间窗口的系统评估指标，具体包括：
采用下式分别计算实测数据矩阵在时间窗口t的动态网络的量化指标和参照数据矩阵在时间窗口t的动态网络的量化指标：
；
；
其中，表示实测数据矩阵的协方差矩阵特征在时间窗口t处的第i行第j列的元素，hA为实测数据矩阵的协方差矩阵特征分解后得到的最大特征值对应的特征向量中的排名前hA个元素，其对应的动态网络的关键节点的索引标记的集合为，表示参考数据矩阵的协方差矩阵特征在时间窗口t处的第i行第j列的元素，hB为参考数据矩阵的协方差矩阵特征分解后得到的最大特征值对应的特征向量中的排名前hB个元素，其对应的动态网络的关键节点的索引标记的集合为；
采用下式计算时间窗口t的系统评估指标：
；
其中，表示系统评估指标；是实测数据矩阵的协方差矩阵使用元素集计算在时间窗口t的动态网络的量化指标，元素集是从实测数据矩阵的协方差矩阵的最大特征值对应的特征向量中的所有元素中随机选取的，元素集的个数与集合的个数一致，是参考数据矩阵的协方差矩阵使用元素集计算在时间窗口t的动态网络的量化指标，元素集是从参考数据矩阵的协方差矩阵的最大特征值对应的特征向量中的所有元素中随机选取的，元素集的个数与集合的个数一致。
作为优选，基于系统评估指标及其对应的动态网络的关键节点生成预警信号并确定故障类型，具体包括：
响应于确定系统评估指标大于阈值，则生成预警信号，并根据对应时间窗口的集合中索引标识对应的关键节点分析得到对应的故障类型；
响应于确定系统评估指标小于或等于阈值，则确定机电装备处于健康状态。
第二方面，本发明提供了一种配备SCADA系统的机电装备早期故障预警与辨识装置，包括：
动态网络构建模块，被配置为从机电装备的SCADA系统的各主要监测项目中遴选出与其运行状态密切相关且有复杂耦合关系的变量，将其映射为动态网络的节点；
理论预测模块，被配置为针对动态网络的每个节点构建健康状态理论预测模型，获取机电装备处于健康状态时的SCADA系统在前一个采样周期内的各采样时间采集到的每个节点的实测历史数据并构建成前一个采样周期的实测数据矩阵，将前一个采样周期的实测数据矩阵输入健康状态理论预测模型，得到当前采样周期的参考数据矩阵；
关键节点筛选模块，被配置为分别构建当前采样周期内划分的每个时间窗口的实测数据矩阵的协方差矩阵和参考数据矩阵的协方差矩阵并分别进行特征分解，计算分解后得到的特征值及其对应的特征向量，根据最大特征值所对应的特征向量及其元素排名筛选出动态网络的关键节点；
故障分析模块，被配置为基于动态网络的关键节点分别计算实测数据矩阵与参照数据矩阵在每个时间窗口的动态网络的量化指标，根据实测数据矩阵与参照数据矩阵在每个时间窗口的动态网络的量化指标计算在每个时间窗口的系统评估指标，基于系统评估指标及其对应的动态网络的关键节点生成预警信号并确定故障类型。
第三方面，本发明提供了一种电子设备，包括一个或多个处理器；存储装置，用于存储一个或多个程序，当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现如第一方面中任一实现方式描述的方法。
第四方面，本发明提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如第一方面中任一实现方式描述的方法。
相比于现有技术，本发明具有以下有益效果：
（1）本发明提出的配备SCADA系统的机电装备早期故障预警与辨识方法通过基于神经网络对的健康状态理论预测模型预测的方式动态地预测出参考数据矩阵，相比于传统动态网络标志物选取固定的参考对象，更适合应用于部分在变化较大的复杂环境下运行的机电装备，具有更强的鲁棒性。
（2）本发明提出的配备SCADA系统的机电装备早期故障预警与辨识方法采用基于样本协方差矩阵的动态网络标志物方法，从统计学的角度出发根据对特征向量中的元素的排名筛选动态网络的关键节点，其结果更能理解系统的行为变化，解决传统动态网络标志物方法筛选关键网络需要有较为完善的先验知识，且筛选动态网络的关键节点的算法针对不同应用场景需要有特殊的调整，泛化能力有限等问题。
（3）本发明提出的配备SCADA系统的机电装备早期故障预警与辨识方法通过比较不同特征向量中的元素，可以识别出在系统行为中扮演着关键角色的变量，据此确定出动态网络的关键特征，因此可以作为进一步辨识设备故障原因的参考依据。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简要介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本申请的一个实施例可以应用于其中的示例性装置架构图；
图2为本申请的实施例的配备SCADA系统的机电装备早期故障预警与辨识方法的流程示意图；
图3为本申请的实施例的配备SCADA系统的机电装备早期故障预警与辨识方法中遴选的复杂机电装备SCADA系统的连续监测项目；
图4为本申请的实施例1的机电装备在健康状态下微风情况下采用配备SCADA系统的机电装备早期故障预警与辨识方法的计算得到的结果图；
图5为本申请的实施例1的机电装备在健康状态下强风情况下采用配备SCADA系统的机电装备早期故障预警与辨识方法的计算得到的结果图；
图6为本申请的实施例1的机电装备在健康状态下大风情况下采用配备SCADA系统的机电装备早期故障预警与辨识方法计算得到的结果图；
图7为本申请的实施例2的机电装备在故障前后采用配备SCADA系统的机电装备早期故障预警与辨识方法计算得到的结果图；
图8为本申请的实施例2的机电装备在故障预警点采用配备SCADA系统的机电装备早期故障预警与辨识方法计算得到的特征向量的元素值的排行图；
图9为本申请的实施例的配备SCADA系统的机电装备早期故障预警与辨识装置的示意图；
图10是适于用来实现本申请实施例的电子设备的计算机装置的结构示意图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步地详细描述，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它实施例，都属于本发明保护的范围。
图1示出了可以应用本申请实施例的配备SCADA系统的机电装备早期故障预警与辨识方法或配备SCADA系统的机电装备早期故障预警与辨识装置的示例性装置架构100。
如图1所示，装置架构100可以包括终端设备一101、终端设备二102、终端设备三103，网络104和服务器105。网络104用以在终端设备一101、终端设备二102、终端设备三103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备一101、终端设备二102、终端设备三103通过网络104与服务器105交互，以接收或发送消息等。终端设备一101、终端设备二102、终端设备三103上可以安装有各种应用，例如数据处理类应用、文件处理类应用等。
终端设备一101、终端设备二102、终端设备三103可以是硬件，也可以是软件。当终端设备一101、终端设备二102、终端设备三103为硬件时，可以是各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。当终端设备一101、终端设备二102、终端设备三103为软件时，可以安装在上述所列举的电子设备中。其可以实现成多个软件或软件模块（例如用来提供分布式服务的软件或软件模块），也可以实现成单个软件或软件模块。在此不做具体限定。
服务器105可以是提供各种服务的服务器，例如对终端设备一101、终端设备二102、终端设备三103上传的文件或数据进行处理的后台数据处理服务器。后台数据处理服务器可以对获取的文件或数据进行处理，生成处理结果。
需要说明的是，本申请实施例所提供的配备SCADA系统的机电装备早期故障预警与辨识方法可以由服务器105执行，也可以由终端设备一101、终端设备二102、终端设备三103执行，相应地，配备SCADA系统的机电装备早期故障预警与辨识装置可以设置于服务器105中，也可以设置于终端设备一101、终端设备二102、终端设备三103中。
应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。在所处理的数据不需要从远程获取的情况下，上述装置架构可以不包括网络，而只需服务器或终端设备。
图2示出了本申请的实施例提供的一种配备SCADA系统的机电装备早期故障预警与辨识方法，包括以下步骤：
S1，从机电装备的SCADA系统的各主要监测项目中遴选出与其运行状态密切相关且有复杂耦合关系的变量，将其映射为动态网络的节点。
具体的，本申请的实施例的机电装备为一台配备SCADA系统的型号为GE1.5SLE的风电机组，该风电机组的额定容量为1.5MW，其SCADA系统的采样频率为1次/分钟。SCADA系统的监测范围涵盖47个连续监测项目如图3所示，包括4项气象信息、38项风电机组各子系统或部件的运行状况信息，涉及角度、压力、温度、速度（包括转速和风速）、振动和电因素等多种信号类型。以MATLAB为工作平台对本申请的实施例进行仿真说明。本申请的实施例遴选了29个具有较强相互关联的变量，作为本申请的实施例的动态网络的样本数据，所选的项目名称见表1。
表1选取的29项SCADA连续监测项目；
S2，针对动态网络的每个节点构建健康状态理论预测模型，获取机电装备处于健康状态时的SCADA系统在前一个采样周期内各采样时间采集到的每个节点的实测历史数据并构建成前一个采样周期的实测数据矩阵，将前一个采样周期的实测数据矩阵输入健康状态理论预测模型，得到当前采样周期的参考数据矩阵。
在具体的实施例中，健康状态理论预测模型包括经训练的长短时记忆神经网络。
在具体的实施例中，实测历史数据为经过归一化处理后的数据。
具体的，利用SCADA系统采集的该机电装备的每个节点处于健康状态时的历史样本数据，对历史样本数据进行归一化处理，采用归一化处理后的历史样本数据训练长短时记忆神经网络，得到经训练的长短时记忆神经网络，即为健康状态理论预测模型。长短时记忆神经网络属于现有的网络模型，其具体结构在此不再赘述。对经过遴选的SCADA系统所监测项目处于健康状态时的历史样本数据，应用具有回归预测能力的长短时记忆神经网络，依次训练动态网络的每个节点的健康状态理论预测模型，再将前一个采样周期的实测数据矩阵输入训练好的健康状态理论预测模型中，得到其预测出的当前采样周期的参考数据矩阵。由此构建的参考数据矩阵与实测数据矩阵在时间序列上可以相互对应。
当前采样周期内的实测数据矩阵对应的起始时间点为t0，时间点的总数为n。以在起始时间点t0之前的前一个采样周期（包含m个时间点，m大于或等于n）的实测数据矩阵作为输入，通过健康状态理论预测模型预测得到参考数据矩阵，该参考数据矩阵中的元素为未来（n个时间点）的数据。因此在时序上从起始时间点t0开始、长度为n的当前采样周期内的参考数据矩阵和实测数据矩阵可以相互对应。
S3，分别构建当前采样周期内划分的每个时间窗口的实测数据矩阵的协方差矩阵和参考数据矩阵的协方差矩阵并分别进行特征分解，计算分解后得到的特征值及其对应的特征向量，根据最大特征值所对应的特征向量及其元素排名筛选出动态网络的关键节点。
在具体的实施例中，实测数据矩阵的协方差矩阵表示为：
；
参考数据矩阵的协方差矩阵表示为：
；
其中，和分别表示实测数据矩阵A和参考数据矩阵B中的元素，对应的值为第i个和第 j个变量的协方差。
在具体的实施例中，计算分解后得到的特征值及其对应的特征向量，根据最大特征值所对应的特征向量及其元素排名筛选出动态网络的关键节点，具体包括：
实测数据矩阵的协方差矩阵和参考数据矩阵的协方差矩阵均可表示变量的N个数值组成的样本协方差矩阵，将样本协方差矩阵进行特征分解，如下式所示：
；
其中，是对角矩阵，包含样本协方差矩阵C的特征值；是正交矩阵，包含样本协方差矩阵C的特征向量，；
样本协方差矩阵在时间窗口t处的第i行第j列的元素表示为：
；
其中，，是样本协方差矩阵C中的变量和的协方差，表示最大特征值，和分别是变量和在时间窗口t的样本协方差矩阵中最大特征值对应的特征向量的第i个元素和第j个元素；比较最大特征值对应的特征向量中的n个元素，选择数值排名前h个元素所对应的变量为动态网络的关键节点，其索引标记的集合定义为，h的值被设置为满足且，其中，表示变量在临界转变时间窗口t’的样本协方差矩阵中最大特征值对应的特征向量的第i个元素，P值是[0,1]的正实数，是中所有元素数量的上界。
具体的，经过筛选的实测数据矩阵A和经过预测得到的参考数据矩阵B具有相同的结构，即，其中，实测数据矩阵A和参考数据矩阵B中的数据均为时序样本数据，N对应于时序样本数据的时间点的数量，n代表变量的维度。为了更精确地分析时序样本数据的变化趋势，选取合适的K，将时序样本数据划分为N/K个独立的时间窗口，计算每个时间窗口的实测数据矩阵A和参考数据矩阵B的协方差矩阵。
以下是关于协方差矩阵的解释：
对于两个随机变量X和Y，它们的协方差定义为：
；
其中，和是每个变量的观测值，和 是它们的平均值，M是样本的数量。
协方差衡量的是两个变量随着其它变量的变化而变化的趋势。
协方差矩阵是将协方差概念扩展到多个变量的情况。对于一个有n个变量的数据集，协方差矩阵是一个的方阵，其中每个元素代表一对变量间的协方差。协方差矩阵通常表示为：
；
在协方差矩阵中，对角线上的元素是每个变量和自己的方差，非对角元素是不同变量之间的协方差。通过如上方式构建实测数据矩阵A和参考数据矩阵B的协方差矩阵在每个时间窗口的协方差矩阵。
进一步的，将构建的时序样本数据的样本协方差矩阵进行特征分解，分解后得到特征值和其对应的特征向量，根据最大特征值对应的特征向量中的元素排名筛选动态网络的关键节点。表示变量的N个观测值组成的样本协方差矩阵，其可以用特征值和对应的特征向量表示。特征向量中包含n个元素，协方差矩阵可以被分解成特征值和其对应的特征向量，每个特征向量都对应着实测数据矩阵A和参考数据矩阵B中的变量，比较最大特征值对应的特征向量中的n个元素，数值排名前h个元素被选为动态网络的关键节点，实测数据矩阵A和参考数据矩阵B分别具有其对应的动态网络的关键节点。接近临界转变时段时，通常的元素都会变得非零，排名靠前的数值表现出更加剧烈的变化，因此可以反应出与系统状态转变具有强烈的相关性的特征，故选择最大特征值对应的特征向量中的元素来筛选动态网络的关键节点。
S4，基于动态网络的关键节点分别计算实测数据矩阵与参照数据矩阵在每个时间窗口的动态网络的量化指标，根据实测数据矩阵与参照数据矩阵在每个时间窗口的动态网络的量化指标计算在每个时间窗口的系统评估指标，基于系统评估指标及其对应的动态网络的关键节点生成预警信号并确定故障类型。
在具体的实施例中，基于动态网络的关键节点分别计算实测数据矩阵与参照数据矩阵在每个时间窗口的动态网络的量化指标，根据实测数据矩阵与参照数据矩阵在每个时间窗口的动态网络的量化指标计算在每个时间窗口的系统评估指标，具体包括：
采用下式分别计算实测数据矩阵在时间窗口t的动态网络的量化指标和参照数据矩阵在时间窗口t的动态网络的量化指标：
；
；
其中，表示实测数据矩阵的协方差矩阵特征在时间窗口t处的第i行第j列的元素，hA为实测数据矩阵的协方差矩阵特征分解后得到的最大特征值对应的特征向量中的排名前hA个元素，其对应的动态网络的关键节点的索引标记的集合为，表示参考数据矩阵的协方差矩阵特征在时间窗口t处的第i行第j列的元素，hB为参考数据矩阵的协方差矩阵特征分解后得到的最大特征值对应的特征向量中的排名前hB个元素，其对应的动态网络的关键节点的索引标记的集合为；
采用下式计算时间窗口t的系统评估指标：
；
其中，表示系统评估指标；是实测数据矩阵的协方差矩阵使用元素集计算在时间窗口t的动态网络的量化指标，元素集是从实测数据矩阵的协方差矩阵的最大特征值对应的特征向量中的所有元素中随机选取的，元素集的个数与集合的个数一致，是参考数据矩阵的协方差矩阵使用元素集计算在时间窗口t的动态网络的量化指标，元素集是从参考数据矩阵的协方差矩阵的最大特征值对应的特征向量中的所有元素中随机选取的，元素集的个数与集合的个数一致。
在具体的实施例中，基于系统评估指标及其对应的动态网络的关键节点生成预警信号并确定故障类型，具体包括：
响应于确定系统评估指标大于阈值，则生成预警信号，并根据对应时间窗口的集合中索引标识对应的关键节点分析得到对应的故障类型；
响应于确定系统评估指标小于或等于阈值，则确定机电装备处于健康状态。
具体的，分别在实测数据矩阵A对应的动态网络的关键节点和参考数据矩阵B对应的动态网络的关键节点的基础上计算实测数据矩阵在时间窗口t的动态网络的量化指标和参照数据矩阵在时间窗口t的动态网络的量化指标。根据和计算系统评估指标，基于设定的标阈值判断是否发生故障，以及根据关键节点辨识故障类型。在具体的实施例中，该阈值可根据实验将机电装备在健康状态计算得出的最大结果设置为阈值。如果某个时间窗口的系统评估指标超出阈值，就发出预警信号，并且根据此时集合中索引标识对应的关键节点辨识故障类型及原因。
以上步骤S1-S4并不一定代表步骤之间的顺序，而是步骤符号表示，步骤间的顺序可调整。
下面通过具体的实施例进一步说明本申请的实施例的技术方案。
实施例1
本申请的实施例1对应为正常情况。对风电机组的健康状态下的实测历史数据进行分析。为了验证本申请的实施例提出的配备SCADA系统的机电装备早期故障预警与辨识方法在不同运行环境下的表现效果，本实施例选取了三段不同风速下，风电机组处于健康状态的实测历史数据运用本申请的实施例提出的配备SCADA系统的机电装备早期故障预警与辨识方法进行了测试分析。该测试数据分别是来自东北某风电场：
1、1A15号风电机在2012年10月2日0:00~3:00，三个小时内的（180个）样本监测数据，此时段内环境风速保持在3.4~5.4m/s，达到3级微风。
2、1A11号风电机在2012年4月4日4:00~7:00，三个小时的样本监测数据，此时段内环境风速保持在10.8~13.8m/s，达到6级强风。
3、1A11号风电机在2012年4月7日14:00~17:00，三个小时的样本监测数据，此时段内环境风速保持在17.2~20.7m/s，达到8级大风。
在不同风速情况下的测试结果如图4-6所示。在微风情况下系统的系统评估指标保持在0上下浮动，强风情况下系统的系统评估指标可以保持在6以内；大风情况下，系统评估指标波动略大，但是稳定在10以内。其结果表明风电机组处于健康状态时，虽然三个时段的运行环境存在差异，但系统评估指标的波动可以基本稳定在10以内。故而可以划定系统评估指标的阈值为10，如果系统评估指标超过阈值，则表明风电机处于临界工作状态，即可发出预警信号；如果系统评估指标没超过阈值，则表明风机处于稳定的运行状态。
实施例2
本申请的实施例2对应为风电机组的齿轮箱系统故障。该风电机组于2012年1月22日2时41分因故障发生计划外停机。经维护人员确认，该故障点为WT的驱动控制系统控制器输入模板功能失效，判断为齿轮箱故障，后续维修并更换元件导致停机约9个小时。本实施例选取了一段风电机组故障状态前后监测的实测历史数据用于测试，即故障停机前后60分钟的相关监测项目数据作为实测历史数据。测试结果如图7所示。由图7可以看出动态网络的统评估指标从第1个时间窗口开始稳定增长，在第5个时间窗口时超出了设定的阈值，表明系统到达处于临界状态，发出预警信号。在第8个时间窗口达到顶峰，并且在超过阈值后仍然保持了6个时间窗口。故障报警发生在第13个时间窗口，在此之后进入故障停机状态，统评估指标回到平稳，保持在0左右。验证结果表明，在统评估指标的阈值设定为10的情况下，本申请的实施例提出的配备SCADA系统的机电装备早期故障预警与辨识方法能够在故障发生前8个时间窗口（约40分钟）发出预警信号。因此，统评估指标的变化确实能够作为提前指示故障发生的指标，实现提前预警。进一步分析故障预警点的最大特征值对应的特征向量。根据上述基于样本协方差矩阵的动态网络标志物理论，最大特征值对应的特征向量中的元素能与原始监测指标相对应，对特征向量中的元素降序排列，可以选定排名前几位的元素作为动态网络的关键节点。如图8所示，其中监测变量：齿轮箱输入轴1温度、齿轮箱输入轴2温度、齿轮箱油温以及主轴齿轮箱侧轴承温度成为排名前4的变量，可以将其选定为动态网络的关键节点。从上述故障分析可以得出，在第5个时间窗口形成的动态网络的关键节点能够正确指示出风机齿轮箱系统存在故障，与检修的结果一致。可见，本申请的实施例提出的配备SCADA系统的机电装备早期故障预警与辨识方法能够较全面地把握风电机组的运行状态的演变过程，在机电装备的各种复杂运行环境中均能保持较强的鲁棒性，对机电装备的健康状态劣化的临界点进行及时探测，最终起到在机电装备出现早期缺陷时及时发出预警信号，避免事故发生的作用。
进一步参考图9，作为对上述各图所示方法的实现，本申请提供了一种配备SCADA系统的机电装备早期故障预警与辨识装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。
本申请实施例提供了一种配备SCADA系统的机电装备早期故障预警与辨识装置，包括：
动态网络构建模块1，被配置为从机电装备的SCADA系统的各主要监测项目中遴选出与其运行状态密切相关且有复杂耦合关系的变量，将其映射为动态网络的节点；
理论预测模块2，被配置为针对动态网络的每个节点构建健康状态理论预测模型，获取机电装备处于健康状态时的SCADA系统在前一个采样周期内的各采样时间采集到的每个节点的实测历史数据并构建成前一个采样周期的实测数据矩阵，将前一个采样周期的实测数据矩阵输入健康状态理论预测模型，得到当前采样周期的参考数据矩阵；
关键节点筛选模块3，被配置为分别构建当前采样周期内划分的每个时间窗口的实测数据矩阵的协方差矩阵和参考数据矩阵的协方差矩阵并分别进行特征分解，计算分解后得到的特征值及其对应的特征向量，根据最大特征值所对应的特征向量及其元素排名筛选出动态网络的关键节点；
故障分析模块4，被配置为基于动态网络的关键节点分别计算实测数据矩阵与参照数据矩阵在每个时间窗口的动态网络的量化指标，根据实测数据矩阵与参照数据矩阵在每个时间窗口的动态网络的量化指标计算在每个时间窗口的系统评估指标，基于系统评估指标及其对应的动态网络的关键节点生成预警信号并确定故障类型。
下面参考图10，其示出了适于用来实现本申请实施例的电子设备（例如图1所示的服务器或终端设备）的计算机装置1000的结构示意图。图10示出的电子设备仅仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。
如图10所示，计算机装置1000包括中央处理单元（CPU）1001和图形处理器（GPU）1002，其可以根据存储在只读存储器（ROM）1003中的程序或者从存储部分1009加载到随机访问存储器（RAM）1004中的程序而执行各种适当的动作和处理。在RAM 1004中，还存储有计算机装置1000操作所需的各种程序和数据。CPU 1001、GPU1002、ROM 1003以及RAM 1004通过总线1005彼此相连。输入/输出（I/O）接口1006也连接至总线1005。
以下部件连接至I/O接口1006：包括键盘、鼠标等的输入部分1007；包括诸如、液晶显示器（LCD）等以及扬声器等的输出部分1008；包括硬盘等的存储部分1009；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分1010。通信部分1010经由诸如因特网的网络执行通信处理。驱动器1011也可以根据需要连接至I/O接口1006。可拆卸介质1012，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器1011上，以便于从其上读出的计算机程序根据需要被安装入存储部分1009。
特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分1010从网络上被下载和安装，和/或从可拆卸介质1012被安装。在该计算机程序被中央处理单元（CPU）1001和图形处理器（GPU）1002执行时，执行本申请的方法中限定的上述功能。
需要说明的是，本申请所述的计算机可读介质可以是计算机可读信号介质或者计算机可读介质或者是上述两者的任意组合。计算机可读介质例如可以是——但不限于——电、磁、光、电磁、红外线或半导体的装置、装置或器件，或者任意以上的组合。计算机可读介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器（RAM）、只读存储器（ROM）、可擦式可编程只读存储器（EPROM或闪存）、光纤、便携式紧凑磁盘只读存储器（CD-ROM）、光存储器件、磁存储器件或者上述的任意合适的组合。在本申请中，计算机可读介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行装置、装置或者器件使用或者与其结合使用。而在本申请中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行装置、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、RF等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本申请的操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，也可以连接到外部计算机（例如利用因特网服务提供商来通过因特网连接）。
附图中的流程图和框图，图示了按照本申请各种实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，该模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的装置来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本申请实施例中所涉及到的模块可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的模块也可以设置在处理器中。
作为另一方面，本申请还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：从机电装备的SCADA系统的各主要监测项目中遴选出与其运行状态密切相关且有复杂耦合关系的变量，将其映射为动态网络的节点；针对动态网络的每个节点构建健康状态理论预测模型，获取机电装备处于健康状态时的SCADA系统在前一个采样周期内的各采样时间采集到的每个节点的实测历史数据并构建成前一个采样周期的实测数据矩阵，将前一个采样周期的实测数据矩阵输入健康状态理论预测模型，得到当前采样周期的参考数据矩阵；分别构建当前采样周期内划分的每个时间窗口的实测数据矩阵的协方差矩阵和参考数据矩阵的协方差矩阵并分别进行特征分解，计算分解后得到的特征值及其对应的特征向量，根据最大特征值所对应的特征向量及其元素排名筛选出动态网络的关键节点；基于动态网络的关键节点分别计算实测数据矩阵与参照数据矩阵在每个时间窗口的动态网络的量化指标，根据实测数据矩阵与参照数据矩阵在每个时间窗口的动态网络的量化指标计算在每个时间窗口的系统评估指标，基于系统评估指标及其对应的动态网络的关键节点生成预警信号并确定故障类型。
以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本申请中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的（但不限于）具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (7)
1.一种配备SCADA系统的机电装备早期故障预警与辨识方法，其特征在于，包括以下步骤：
从机电装备的SCADA系统的各主要监测项目中遴选出与其运行状态密切相关且有复杂耦合关系的变量，将其映射为动态网络的节点；
针对所述动态网络的每个节点构建健康状态理论预测模型，获取所述机电装备处于健康状态时的SCADA系统在前一个采样周期内的各采样时间采集到的每个节点的实测历史数据并构建成前一个采样周期的实测数据矩阵，将前一个采样周期的所述实测数据矩阵输入所述健康状态理论预测模型，得到当前采样周期的参考数据矩阵；
分别构建当前采样周期内划分的每个时间窗口的所述实测数据矩阵的协方差矩阵和参考数据矩阵的协方差矩阵并分别进行特征分解，计算分解后得到的特征值及其对应的特征向量，根据最大特征值所对应的特征向量及其元素排名筛选出所述动态网络的关键节点，具体包括：
所述实测数据矩阵的协方差矩阵和所述参考数据矩阵的协方差矩阵均可表示变量的N个观测值组成的样本协方差矩阵，将所述样本协方差矩阵进行特征分解，如下式所示：
；
其中，是对角矩阵，包含样本协方差矩阵C的特征值；是正交矩阵，包含样本协方差矩阵C的特征向量，；
所述样本协方差矩阵在时间窗口t处的第i行第j列的元素表示为：
；
其中，，是样本协方差矩阵C中的变量和的协方差，表示最大特征值，和分别是变量和在时间窗口t的样本协方差矩阵中最大特征值对应的特征向量的第i个元素和第j个元素；比较所述最大特征值对应的特征向量中的n个元素，选择数值排名前h个元素所对应的变量为所述动态网络的关键节点，其索引标记的集合定义为，h的值被设置为满足且，其中，表示变量在临界转变时间窗口t’的样本协方差矩阵中最大特征值对应的特征向量的第i个元素，P值是[0,1]的正实数，是中所有元素数量的上界；
基于所述动态网络的关键节点分别计算所述实测数据矩阵与参照数据矩阵在每个时间窗口的动态网络的量化指标，根据所述实测数据矩阵与参照数据矩阵在每个时间窗口的动态网络的量化指标计算在每个时间窗口的系统评估指标，具体包括：
采用下式分别计算所述实测数据矩阵在时间窗口t的动态网络的量化指标和所述参照数据矩阵在时间窗口t的动态网络的量化指标：
；
；
其中，表示所述实测数据矩阵的协方差矩阵特征在时间窗口t处的第i行第j列的元素，hA为所述实测数据矩阵的协方差矩阵特征分解后得到的所述最大特征值对应的特征向量中的排名前hA个元素，其对应的动态网络的关键节点的索引标记的集合为，表示所述参考数据矩阵的协方差矩阵特征在时间窗口t处的第i行第j列的元素，hB为所述参考数据矩阵的协方差矩阵特征分解后得到的所述最大特征值对应的特征向量中的排名前hB个元素，其对应的动态网络的关键节点的索引标记的集合为；
采用下式计算时间窗口t的系统评估指标：
；
其中，表示系统评估指标；是所述实测数据矩阵的协方差矩阵使用元素集计算在时间窗口t的动态网络的量化指标，元素集是从所述实测数据矩阵的协方差矩阵的最大特征值对应的特征向量中的所有元素中随机选取的，元素集的个数与集合的个数一致，是所述参考数据矩阵的协方差矩阵使用元素集计算在时间窗口t的动态网络的量化指标，元素集是从所述参考数据矩阵的协方差矩阵的最大特征值对应的特征向量中的所有元素中随机选取的，元素集的个数与集合的个数一致；基于所述系统评估指标及其对应的所述动态网络的关键节点生成预警信号并确定故障类型，具体包括：
响应于确定所述系统评估指标大于阈值，则生成所述预警信号，并根据对应时间窗口的集合中索引标识对应的关键节点分析得到对应的故障类型；
响应于确定所述系统评估指标小于或等于阈值，则确定所述机电装备处于健康状态。
2.根据权利要求1所述的配备SCADA系统的机电装备早期故障预警与辨识方法，其特征在于，所述健康状态理论预测模型包括经训练的长短时记忆神经网络。
3.根据权利要求1所述的配备SCADA系统的机电装备早期故障预警与辨识方法，其特征在于，所述实测历史数据为经过归一化处理后的数据。
4.根据权利要求1所述的配备SCADA系统的机电装备早期故障预警与辨识方法，其特征在于，所述实测数据矩阵的协方差矩阵表示为：
；
所述参考数据矩阵的协方差矩阵表示为：
；
其中，和分别表示实测数据矩阵A和参考数据矩阵B中的元素，对应的值为第i个和第 j个变量的协方差。
5.一种配备SCADA系统的机电装备早期故障预警与辨识装置，其特征在于，包括：
动态网络构建模块，被配置为从机电装备的SCADA系统的各主要监测项目中遴选出与其运行状态密切相关且有复杂耦合关系的变量，将其映射为动态网络的节点；
理论预测模块，被配置为针对所述动态网络的每个节点构建健康状态理论预测模型，获取所述机电装备处于健康状态时的SCADA系统在前一个采样周期内的各采样时间采集到的每个节点的实测历史数据并构建成前一个采样周期的实测数据矩阵，将前一个采样周期的所述实测数据矩阵输入所述健康状态理论预测模型，得到当前采样周期的参考数据矩阵；
关键节点筛选模块，被配置为分别构建当前采样周期内划分的每个时间窗口的所述实测数据矩阵的协方差矩阵和参考数据矩阵的协方差矩阵并分别进行特征分解，计算分解后得到的特征值及其对应的特征向量，根据最大特征值所对应的特征向量及其元素排名筛选出所述动态网络的关键节点，具体包括：
所述实测数据矩阵的协方差矩阵和所述参考数据矩阵的协方差矩阵均可表示变量的N个观测值组成的样本协方差矩阵，将所述样本协方差矩阵进行特征分解，如下式所示：
；
其中，是对角矩阵，包含样本协方差矩阵C的特征值；是正交矩阵，包含样本协方差矩阵C的特征向量，；
所述样本协方差矩阵在时间窗口t处的第i行第j列的元素表示为：
；
其中，，是样本协方差矩阵C中的变量和的协方差，表示最大特征值，和分别是变量和在时间窗口t的样本协方差矩阵中最大特征值对应的特征向量的第i个元素和第j个元素；比较所述最大特征值对应的特征向量中的n个元素，选择数值排名前h个元素所对应的变量为所述动态网络的关键节点，其索引标记的集合定义为，h的值被设置为满足且，其中，表示变量在临界转变时间窗口t’的样本协方差矩阵中最大特征值对应的特征向量的第i个元素，P值是[0,1]的正实数，是中所有元素数量的上界；
故障分析模块，被配置为基于所述动态网络的关键节点分别计算所述实测数据矩阵与参照数据矩阵在每个时间窗口的动态网络的量化指标，根据所述实测数据矩阵与参照数据矩阵在每个时间窗口的动态网络的量化指标计算在每个时间窗口的系统评估指标，具体包括：
采用下式分别计算所述实测数据矩阵在时间窗口t的动态网络的量化指标和所述参照数据矩阵在时间窗口t的动态网络的量化指标：
；
；
其中，表示所述实测数据矩阵的协方差矩阵特征在时间窗口t处的第i行第j列的元素，hA为所述实测数据矩阵的协方差矩阵特征分解后得到的所述最大特征值对应的特征向量中的排名前hA个元素，其对应的动态网络的关键节点的索引标记的集合为，表示所述参考数据矩阵的协方差矩阵特征在时间窗口t处的第i行第j列的元素，hB为所述参考数据矩阵的协方差矩阵特征分解后得到的所述最大特征值对应的特征向量中的排名前hB个元素，其对应的动态网络的关键节点的索引标记的集合为；
采用下式计算时间窗口t的系统评估指标：
；
其中，表示系统评估指标；是所述实测数据矩阵的协方差矩阵使用元素集计算在时间窗口t的动态网络的量化指标，元素集是从所述实测数据矩阵的协方差矩阵的最大特征值对应的特征向量中的所有元素中随机选取的，元素集的个数与集合的个数一致，是所述参考数据矩阵的协方差矩阵使用元素集计算在时间窗口t的动态网络的量化指标，元素集是从所述参考数据矩阵的协方差矩阵的最大特征值对应的特征向量中的所有元素中随机选取的，元素集的个数与集合的个数一致；基于所述系统评估指标及其对应的所述动态网络的关键节点生成预警信号并确定故障类型，具体包括：
响应于确定所述系统评估指标大于阈值，则生成所述预警信号，并根据对应时间窗口的集合中索引标识对应的关键节点分析得到对应的故障类型；
响应于确定所述系统评估指标小于或等于阈值，则确定所述机电装备处于健康状态。
6.一种电子设备，包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-4中任一所述的方法。
7.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-4中任一所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410400068.2A CN117992859B (zh) | 2024-04-03 | 2024-04-03 | 配备scada系统的机电装备早期故障预警与辨识方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410400068.2A CN117992859B (zh) | 2024-04-03 | 2024-04-03 | 配备scada系统的机电装备早期故障预警与辨识方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117992859A CN117992859A (zh) | 2024-05-07 |
| CN117992859B true CN117992859B (zh) | 2024-06-07 |
Family
ID=90900942
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410400068.2A Active CN117992859B (zh) | 2024-04-03 | 2024-04-03 | 配备scada系统的机电装备早期故障预警与辨识方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117992859B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118134466B (zh) * | 2024-05-08 | 2024-07-09 | 国网上海市电力公司 | 一种基于业务场景的变电站设备故障排查方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2013061853A (ja) * | 2011-09-14 | 2013-04-04 | Toshiba Corp | プロセス監視・診断・支援装置 |
| CN114139638A (zh) * | 2021-12-03 | 2022-03-04 | 中国电建集团贵州电力设计研究院有限公司 | 一种考虑多变量相关性的风机叶片覆冰故障诊断方法 |
| CN116383636A (zh) * | 2023-03-30 | 2023-07-04 | 武汉理工大学 | 一种基于pca与lstm融合算法的磨煤机故障预警方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP6763910B2 (ja) * | 2018-05-30 | 2020-09-30 | 横河電機株式会社 | 異常検出装置、異常検出方法、異常検出プログラム及び記録媒体 |
-
2024
- 2024-04-03 CN CN202410400068.2A patent/CN117992859B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2013061853A (ja) * | 2011-09-14 | 2013-04-04 | Toshiba Corp | プロセス監視・診断・支援装置 |
| CN114139638A (zh) * | 2021-12-03 | 2022-03-04 | 中国电建集团贵州电力设计研究院有限公司 | 一种考虑多变量相关性的风机叶片覆冰故障诊断方法 |
| CN116383636A (zh) * | 2023-03-30 | 2023-07-04 | 武汉理工大学 | 一种基于pca与lstm融合算法的磨煤机故障预警方法 |
Non-Patent Citations (1)
| Title |
|---|
| 基于神经网络的风力机偏航系统故障诊断技术研究;邓子豪;《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》;20230115;全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117992859A (zh) | 2024-05-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Shamayleh et al. | IoT based predictive maintenance management of medical equipment | |
| CN117992859B (zh) | 配备scada系统的机电装备早期故障预警与辨识方法及装置 | |
| US11835030B2 (en) | Methods and systems for predicting risk of observable damage in wind turbine gearbox components | |
| Tsui et al. | Prognostics and health management: A review on data driven approaches | |
| Li et al. | Multi-sensor data-driven remaining useful life prediction of semi-observable systems | |
| US20130060524A1 (en) | Machine Anomaly Detection and Diagnosis Incorporating Operational Data | |
| Haghshenas et al. | Predictive digital twin for offshore wind farms | |
| Welte et al. | Models for lifetime estimation: an overview with focus on applications to wind turbines | |
| JP2006500694A (ja) | 複数のシステムを含む技術的設備、特に発電所設備、を監視するための装置および方法 | |
| JP2022534070A (ja) | グラディエントベースのセンサ識別を利用した障害予測 | |
| Mathew et al. | Regression kernel for prognostics with support vector machines | |
| CN114254904B (zh) | 一种风电机组机舱运行健康度评价方法及装置 | |
| CN117422447A (zh) | 变压器维护策略生成方法、系统、电子设备及存储介质 | |
| CN117171657A (zh) | 风力发电设备故障诊断方法、装置、电子设备及存储介质 | |
| CN118035731A (zh) | 用电安全监测预警方法及服务系统 | |
| Hu et al. | Mutual information-based feature disentangled network for anomaly detection under variable working conditions | |
| Akcan et al. | A new approach for remaining useful life prediction of bearings using 1D-ternary patterns with LSTM | |
| CN116467575A (zh) | 一种滚珠丝杠副系统的实时数据监测系统及方法设计 | |
| CN115456041A (zh) | 设备故障预警方法及装置、计算设备和存储介质 | |
| Peng et al. | Regime-Switching Model With Adaptive Adjustments for Degradation Prognosis | |
| CN115456168A (zh) | 强化学习模型的训练方法、能耗确定方法和装置 | |
| Abdulrahim et al. | IoT Based Predictive Maintenance Management of Medical Equipment | |
| CN117992762B (zh) | 一种水冷式汽轮发电机定子绕组过热预警方法及装置 | |
| CN117763313B (zh) | 基于时间网络流熵法的风力发电机预警和辨识方法及装置 | |
| CN118091406B (zh) | 电机检测修复方法、装置、电子设备及存储介质 |
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 | ||
| GR01 | Patent grant |