[發(fā)明專利]一種基于k鄰域非線性狀態(tài)估計算法的數(shù)據(jù)治理方法

在審

• 申請?zhí)枺?/td>: 201910381021.5
• 申請日: 2019-05-08
• 公開（公告）號: CN110162743A
• 公開（公告）日: 2019-08-23
• 發(fā)明（設(shè)計）人: 孫力勇
• 申請（專利權(quán)）人: 孫力勇
• 主分類號: G06F17/16
• 分類號: G06F17/16;G06F17/18
• 代理公司: 遼寧沈陽國興知識產(chǎn)權(quán)代理有限公司 21100
• 代理人: 何學(xué)軍

1.一種基于k鄰域非線性狀態(tài)估計算法的數(shù)據(jù)治理方法，其特征是：包括以下步驟：

步驟1：生成歷史觀測向量集合D；

步驟2：數(shù)據(jù)歸一化處理；

步驟3：過程記憶矩陣的構(gòu)造；

步驟4：數(shù)學(xué)模型和計算過程；

步驟1：生成歷史觀測向量集合D。

2.根據(jù)權(quán)利要求1所述的一種基于k鄰域非線性狀態(tài)估計算法的數(shù)據(jù)治理方法，其特征是：所述生成歷史觀測向量集合D，用來生成歷史觀測向量集合K的歷史數(shù)據(jù)應(yīng)該滿足以下要求：

(1)涵蓋了一段足夠長的運行時間；

(2)每組數(shù)據(jù)都表達了目標(biāo)對象的一個正常狀態(tài)；

(3)滿足每一組采樣值中各個變量的同時性，必須是同一時刻的采樣值；

其中，m表示某個對象的m個正常數(shù)據(jù)，表示某段時間有m個時刻對設(shè)備采樣；n表示某個對象有n個相關(guān)數(shù)據(jù)，表示某時刻對設(shè)備采樣，反應(yīng)設(shè)備狀態(tài)的n個不同但相關(guān)的指標(biāo)，比如溫度、轉(zhuǎn)速等；x表示一個采樣數(shù)據(jù)，比如x_i(j)表示j時刻第i個測點的數(shù)值。

3.根據(jù)權(quán)利要求1所述的一種基于k鄰域非線性狀態(tài)估計算法的數(shù)據(jù)治理方法，其特征是：所述數(shù)據(jù)歸一化處理，是在選用數(shù)據(jù)庫中實時數(shù)據(jù)構(gòu)造過程記憶矩陣和預(yù)測輸出時，對各個測點的測量值根據(jù)各自的極值進行歸一化處理，使實際測量值映射到[0 1]區(qū)間。

4.根據(jù)權(quán)利要求1所述的一種基于k鄰域非線性狀態(tài)估計算法的數(shù)據(jù)治理方法，其特征是：所述過程記憶矩陣的構(gòu)造，對于過程每一個相關(guān)測點，將[0 1]之間等分為h份，以1/h為步距從集合K中查找出若干個觀測向量加入矩陣D中。

5.根據(jù)權(quán)利要求1所述的一種基于k鄰域非線性狀態(tài)估計算法的數(shù)據(jù)治理方法，其特征是：所述數(shù)學(xué)模型和計算過程，假設(shè)某一過程或設(shè)備共有n個相互關(guān)聯(lián)的變量，設(shè)在某一時刻i，觀測到的n個變量記為觀測向量，即：

X(i)＝[x₁ x₂ … x_n]^T (1)

其中，n表示設(shè)備有n個觀測點；x表示觀測數(shù)據(jù)；T表示矩陣轉(zhuǎn)置，比如X(i)表示列向量，表示i時刻有n個觀測的的數(shù)據(jù)。

6.根據(jù)權(quán)利要求1所述的一種基于k鄰域非線性狀態(tài)估計算法的數(shù)據(jù)治理方法，其特征是：所述過程記憶矩陣的構(gòu)造是Nonlinear State Estimate Technology建模的第一個步驟，在該過程或設(shè)備正常工作的時段內(nèi)，在不同運行工況下，采集m個歷史觀測向量，組成過程記憶矩陣為：

其中，m表示表示某段時間有m個時刻對設(shè)備采樣；n表示表示某時刻對設(shè)備采樣，反應(yīng)設(shè)備狀態(tài)的n個不同但相關(guān)的指標(biāo)；x表示觀測數(shù)據(jù)；

過程記憶矩陣中的每一列觀測向量代表設(shè)備的一個正常工作狀態(tài)，經(jīng)過合理選擇的過程記憶矩陣中的m個歷史觀測向量所張成的子空間用D代表，能夠代表過程或設(shè)備正常運行的整個動態(tài)過程；因此，過程記憶矩陣的構(gòu)造實質(zhì)就是對過程或設(shè)備正常運行特性的學(xué)習(xí)和記憶過程；

Nonlinear State Estimate Technology的輸入為某一時刻過程或設(shè)備的觀測向量Xobs，模型的輸出為對該輸入的預(yù)測向量Xest；對任何一個輸入觀測向量Xobs，NonlinearState Estimate Technology生成一個m維的權(quán)值向量為：

W＝[w ₁w₂ … w_m]^T (3)

其中，W表示權(quán)值向量；m表示權(quán)值向量的維度，對應(yīng)m個時刻的觀測向量；T表示轉(zhuǎn)置；

使得：

X_est＝DW＝w₁·X(1)+w₂·X(2)+…w_m·X(m) (4)

其中，DW表示其中D為過程記憶矩陣；DW為兩向量相乘；W表示權(quán)值向量；X表示過程記憶矩陣中的列向量；m表示向量維度；

即Nonlinear State Estimate Technology模型的預(yù)測輸出為過程記憶矩陣中m個觀測向量的線性組合；權(quán)值向量W采用以下方法確定；構(gòu)造Nonlinear State EstimateTechnology模型輸入和輸出預(yù)測向量的殘差為：

ε＝X_obs-X_est (5)

其中，Xobs表示觀測向量，Xest表示模型的輸出向量；

對殘差進行極小化，求得權(quán)值向量W[11,14]為：

其中，D表示過程記憶矩陣，W表示權(quán)值向量，X_obs表示觀測向量,T表示矩陣轉(zhuǎn)置；為非線性運算符，用來替代普通矩陣運算中的乘法運算；非線性運算符有多種選擇，選取為兩向量間的Euclidean距離，即：

其中，X表示示例矩陣，Y表示示例矩陣,i表示矩陣中元素序號,x表示X矩陣中的元素,y表示Y矩陣中的元素；

該非線性運算符具有直觀的物理意義，當(dāng)兩向量相同或相似時，距離為0或接近0；兩向量差異越大，其非線性運算的結(jié)果越大；式(6)中的權(quán)值向量W反映了Nonlinear StateEstimate Technology模型輸入觀測向量與過程記憶矩陣中各向量的相似性；該非線性運算符具有直觀的物理意義，當(dāng)兩向量相同或相似時，距離為0或接近0；兩向量差異越大，其非線性運算的結(jié)果越大；式(6)中的權(quán)值向量W反映了Nonlinear State EstimateTechnology模型輸入觀測向量與過程記憶矩陣中各向量的相似性；

將式(6)代入式(4)中，Nonlinear State Estimate Technology模型對過程或設(shè)備預(yù)測的最終結(jié)果為：

其中，Xest表示模型的輸出向量；Xobs表示觀測向量；D表示過程記憶矩陣；T表示矩陣轉(zhuǎn)置；表示為非線性運算符，用來替代普通矩陣運算中的乘法運算；

當(dāng)過程數(shù)據(jù)正常時，Nonlinear State Estimate Technology的新輸入觀測向量位于過程記憶矩陣所代表的正常工作空間內(nèi)，與D矩陣中的某些歷史觀測向量距離較近，相應(yīng)其Nonlinear State Estimate Technology的預(yù)測值Xest具有很高的精度；當(dāng)過程或設(shè)備工作狀態(tài)發(fā)生變化出現(xiàn)故障隱患時，由于動態(tài)特性的改變，輸入觀測向量將偏離正常工作空間，通過D矩陣中歷史觀測向量的組合無法構(gòu)造其對應(yīng)的精確預(yù)測值，導(dǎo)致預(yù)測精度下降，殘差增大。