[發明專利]基于多元概率模型的設備狀態綜合動態報警方法

有效

• 申請號: 200910219087.0
• 申請日: 2009-11-20
• 公開（公告）號: CN101718634A
• 公開（公告）日: 2010-06-02
• 發明（設計）人: 徐光華;華成;張慶;楊凱
• 申請（專利權）人: 西安交通大學
• 主分類號: G01M19/00
• 分類號: G01M19/00;G06N7/00
• 代理公司: 西安智大知識產權代理事務所 61215
• 代理人: 賈玉健

1.基于多元概率模型的設備狀態綜合動態報警方法，通過高斯核函數的 多元樣本數據向一維條件概率密度的映射，利用3σ方法獲得處于聚類邊界樣 本點分布的等高線映射，將樣本邊界點的等高線包絡形成的復雜曲面作為報 警線，通過判斷新數據與報警線的位置關系來識別異常數據，實現報警，其 特征在于，該方法按以下步驟進行：

步驟1：以相同采樣間隔同時采集反映設備運行狀態的至少一個測點的 特征參數，獲得一組反映設備運行狀態的多元歷史數據作為樣本；

步驟2：將步驟1獲得的多元歷史數據以列向量形式表示，即在第m次 觀測獲得的多元數據表示為列向量

式中，l為測點數；m＝1，2…，N，N為樣本點數；T代表轉置運算；

步驟3：將步驟2得到的列向量，采用下式計算高維空間的歐式距離：

dis(Xi,Xj)=(Xi-Xj)T(Xi-Xj)]]>

式中，dis(X_i，X_j)為多元數據X_i和X_j在高維空間中的歐式距離；X_i為第i 次觀測獲得的多元數據；X_j為第j次觀測獲得的多元數據；

則，樣本內數據之間的最小平均距離為：

d=1NΣi,j=1Nmin dis(Xi,Xj)]]>

式中，d為最小平均距離；N樣本點數；

步驟4：根據步驟3得到的樣本內數據之間的最小平均距離，通過以下 經驗公式計算平滑因子σ：σ＝g·d，

式中，σ為平滑因子；g為經驗公式系數，一般取1.1～1.4；

步驟5：以步驟1中的樣本數據為中心，以步驟4計算的平滑因子σ為 標準偏差，利用多元高斯核函數

f(x)=1(2π)p/2σp1NΣi=1Nexp(-(X-Xi)T(X-Xi)2σ2)]]>

式中，f(x)為在已知數據序列X_i條件下的概率密度函數，表示在已知時 間序列X_k條件下，抽樣點y_i的條件概率，p為向量X_i的維數；

計算原始數據序列中的每個多元數據的高斯密度曲線，然后對所有曲線 求和來逼近原始樣本數據的概率密度曲線

步驟6：根據步驟5計算的原始樣本數據的概率密度曲線，由處于分布 邊界樣本點的概率密度分布的等高線的映射，經過包絡形成曲面，該曲面為 報警線；

步驟7：采集新的多元數據，并得到新的列向量Y＝[y₁，y₂…，y_l]^T，分別計 算采集的多元數據與原始樣本點間的距離dis(Y，X_j)：

dis(Y,Xj)=(Y-Xj)T(Y-Xj)]]>

依據拉依達準則進行判斷：

若dis(Y，X_j)≤3σ，則新數據屬于已有類別，并用該觀測數據更新原 始樣本數據序列，并重復步驟2、步驟3、步驟4、步驟5和步驟6，實現報 警線的動態調整；

若dis(Y，X_j)＞3σ，則判斷新數據不屬于已有類別，產生報警，并依 據該新數據重新建立一個新的類別，重復步驟2、步驟3、步驟4、步驟5 和步驟6，計算該新類別的邊界線；

步驟8：隨著觀測數據的不斷增加動態調整報警模型，建立設備狀態的 自適應報警線。

2.按照權利要求1所述的報警方法，其特征在于，所述步驟3中在計算 平滑因子時，對原始樣本數據序列中的相同數據進行預處理，該預處理是將 原始樣本數據序列中相同數據點間的最小平均距離設定為無窮大。