[發明專利]一種基于間隙度量的動態模式識別方法及裝置

有效

• 申請號: 201810766015.7
• 申請日: 2018-07-12
• 公開（公告）號: CN109063277B
• 公開（公告）日: 2022-12-20
• 發明（設計）人: 陳丹鳳;王聰;文成林
• 申請（專利權）人: 佛山科學技術學院
• 主分類號: G06F30/20
• 分類號: G06F30/20;G06N3/04;G06F119/14
• 代理公司: 廣州嘉權專利商標事務所有限公司 44205
• 代理人: 王國標

本公開提供一種基于間隙度量的動態模式識別方法及裝置，在確保系統不確定項能夠被局部準確辨識的前提下，從系統拓撲結構的角度構建一種新的動力學度量模型，用于度量不同系統或同一系統在不同工況下的動態差異，以此完善現有基于模型的故障診斷方法，該方法及裝置將不受系統量綱的影響，根據系統間拓撲結構的相對變化情況判別系統的相似誤差。本公開所提出的基于間隙度量的相似度量模型，能夠準確度量不同系統之間的動力學差異，該模型的有效性和可行性效果很好。該度量方法能進一步用于動力系統的故障診斷、模式識別、系統分類、以及分岔和混沌預測等實際問題中。

技術領域

本公開涉及系統故障診斷領域，具體涉及一種基于間隙度量的動態模式識別方法及裝置。

背景技術

隨著科技的發展和進步，實際系統，如工業大系統、化工系統、機械系統等的規模不斷擴大，復雜性及非線性性也日益提高，如何提高系統的安全性和可靠性顯得尤為重要。而對系統運行過程中故障的提前預警或及時診斷是提高系統安全性和可靠性的有效途徑之一，也將關乎整個系統的命運，因為系統一旦發生故障，將造成巨大財產損失，在某些特殊行業，系統故障甚至會帶來災難性后果。

對于任何實際系統，如工業大系統、化工系統、機械系統等，對系統運行過程中故障的提前預警或及時診斷關乎整個系統的命運，也是企業維修部門關注的重點事項之一。故障診斷技術在過去的幾十年里發展迅速，并取得了豐富的研究成果。隨著故障診斷方法的不斷出現，專家學者們對故障診斷方法進行了分類，其中故障診斷方法大致可分為如下三類：1)基于解析模型的方法，2)基于信號處理的方法；3)基于知識的方法。而基于解析模型的方法是最早投入研究，也是研究最深入的一類方法。這類方法最初主要針對線性系統提出，但實際應用系統都是非線性的，為此學者們針對非線性系統提出了一些類基于解析模型的故障診斷方法。

在現有的諸多故障診斷方法中，基于模型的故障診斷方法是重要方法之一。而這類方法所面臨的實際問題主要有兩個方面：一是考慮到系統本身的結構復雜以及所處環境的不確定性等因素，很難建立準確的系統模型，因此需要通過系統建模或辨識方法來處理系統的不確定項；二是對于不同系統或同一系統在受到不同程度擾動或干擾后，如何準確度量系統之間的相似度，或者如何準確刻畫擾動對系統動力學的影響，這是準確判斷系統在某種擾動下發生故障與否的關鍵。

在現有基于模型的故障診斷方法中，大多以系統之間的狀態誤差為對象，并基于范數來構建殘差度量模型，這種方法的不足之處在于：1)范數誘導的度量模型無法排除量綱的影響；2)狀態信息只是系統的一種表現形式，而狀態信息本身不足以揭示系統內部的動態變化過程或規律，從而狀態誤差也就無法準確揭示系統之間的本質差異。例如，兩個病人表現出來的征兆都是頭痛發燒，但單從頭痛發燒這種狀態還不能說明引起發燒的病因，也就無法從本質上對這兩個患者做區分，必須進一步結合血樣、尿樣等檢驗數據，從內部動態信息上找出病因，進而對兩位患者對癥下藥。而上述兩點不足，恰恰是決定故障診斷方法準確性和有效性的關鍵。

近幾十年來，基于神經網絡的系統辨識或建模方法受到學術界的青睞。而基于神經網絡的系統辨識方法對神經網絡的輸入信息有一定的要求，即要求系統輸入使得神經網絡滿足持續激勵條件，現有對持續激勵條件的研究和證明都在相對嚴格或者理想的前提下完成，而實際應用中這些前提條件卻很難滿足。為此，近十年，有學者針對動態環境下系統知識的獲取、表達和再利用等一些列問題提出了確定學習方法，真正意義上完成了適用于大多數實際系統的持續激勵條件的證明，實現了系統未知參數的收斂，從而獲得了系統未知動力學信息的獲取和表達。

而針對系統動態差異的度量問題，現有大多數方法都是基于系統狀態誤差的范數度量方法，而基于范數的度量方法很難排除量綱差異，也不足以揭示系統誤差的動態變化過程。結構穩定作為非線性系統的一個重要概念，給出了非線性系統與其受擾系統之間拓撲結構不變的定性分析工具。但對于結構穩定的研究，目前主要集中在定性分析和應用上，對其定量的計算和分析還是一個難題。

發明內容