[發明專利]一種連續型運行監測數據模擬發生方法及裝置

有效

• 申請號: 201911180122.2
• 申請日: 2019-11-27
• 公開（公告）號: CN110796243B
• 公開（公告）日: 2023-04-07
• 發明（設計）人: 張可;柴毅;張龍;劉超;宋鑫
• 申請（專利權）人: 重慶大學
• 主分類號: G06N3/048
• 分類號: G06N3/048;G06N3/08
• 代理公司: 重慶市嘉允啟行專利代理事務所(普通合伙) 50243
• 代理人: 胡柯

1.一種連續型運行監測數據模擬發生方法，其特征在于，具體步驟如下：

1)采集待模擬實際系統的運行監測數據，分類形成樣本信號數據池；

2)根據步驟1)中所述樣本信號數據池，分別生成正常運行數據模擬規則庫和異常工況數據模擬規則庫；

3)根據步驟2)中所述正常運行數據模擬規則庫，生成自定義正常運行數據模擬規則庫；根據步驟2)中所述異常工況數據模擬規則庫，生成自定義異常工況數據模擬規則庫；

4)結合正常運行數據模擬規則庫和異常工況數據模擬規則庫生成完整模擬數據；結合自定義正常運行數據模擬規則庫和自定義異常工況數據模擬規則庫生成完整自定義模擬數據；

步驟1)中所述分類形成樣本信號數據池的具體方法如下：

1-1)對實際系統所產生的監測數據進行劃分，根據監測數據的類型、功能、產生條件、機理的差異將數據源劃分成多種類別數據池；

1-2)設置實際系統監測對象的數據采樣周期；

1-3)將步驟1-1)中所述多種類別數據池內的數據劃分為正常數據和異常工況數據，并存入到正/異常數據池中；

1-4)將步驟1-3)中所述正/異常數據池內的數據，劃分為測試數據和訓練數據；

生成正常運行數據模擬規則庫的具體方法如下：

2-1-1)提取步驟1-4)中正常數據池內的訓練數據；

2-1-2)根據訓練數據的類型、產生條件、關聯參數、信號周期、幅值范圍、產生頻率、噪聲范圍、噪聲頻率因素確定訓練樣本的結構，即輸入和輸出個數；

2-1-3)根據RBF人工神經網絡學習、回歸、擬合方式對訓練數據進行處理，得到針對不同正常運行監測數據的神經網絡模型、關系表達式和正常運行數據模擬規則庫；

步驟2-1-3)具體為，針對建立RBF神經網絡模型，首先根據訓練樣本結構得到輸入向量M和目標向量N，并輸入測試樣本M_test和目標測試樣本N_test；之后采用函數newrbe創建RBF神經網絡模型，并由系統設定隱含層數目，相關函數為：

SPREAD＝1；

net＝newrbe(P,T,SPREAD)；

y＝sim(net,P_test)；

生成異常工況數據模擬規則庫的具體方法如下：

2-2-1)提取步驟1-4)中異常數據池內的訓練數據；

2-2-2)記錄每次異常的頻率、持續周期、殘差幅值、是否允許復合參數；

2-2-3)通過異常工況數據分析模塊調用異常工況分析算法庫，按照實際系統中不同類別數據所發生異常的類型，對異常工況所產生數據進行分類，確定訓練樣本的結構，即輸入和輸出個數；

2-2-4)按類別對異常工況數據進行整合、分析、處理，得到異常工況數據模擬規則庫；

步驟2-2-4)得到異常工況數據模擬規則庫的具體方法為：根據步驟2-2-3)中分類后的異常工況數據，分別進行RBF神經網絡建模，首先由訓練樣本結構得到輸入向量M和目標向量N，并輸入測試樣本M_test和目標測試樣本N_test；之后采用函數newrbe創建RBF神經網絡模型，并由系統設定隱含層數目，相關函數為：

SPREAD＝1；

net＝newrbe(P,T,SPREAD)；

y＝sim(net,P_test)；

步驟3)中所述生成自定義正常運行數據模擬規則庫和自定義異常工況數據模擬規則庫的具體方法為：

將正常運行數據模擬規則庫和異常工況數據模擬規則庫作為參考規則庫，調整步驟2-1-3)和2-2-4)中神經網絡模型中各神經元的權重和偏置，以適應自定義操作對輸出數據的調整，從而建立出自定義正常運行數據模擬規則庫，具體方法為：首先將輸入節點的變量數值規定于(-1,1)之間；各輸入節點權重及隱藏層與輸出層神經元的偏置初始化設置為(-1,1)的隨機數，并根據輸入信號計算出各神經元輸出信號；由輸出信號計算出與真值的差值，以及各隱藏層和輸出層神經元的差值；然后通過二分法依次對各神經元權重和偏置進行更新優化，得到更近似于最優解的值；

將正常運行數據模擬規則庫和異常工況數據模擬規則庫不作參考映射，由實際工況和樣本數據得到輸入向量M，輸入向量M的各個輸入量的權重均為(-1,1)之間的隨機數，記錄與此對應的輸出值，由此重復現實世界無法復現的信號并產生非實際生產下的自定義數據，用于自定義補充自定義正常運行數據模擬規則庫和自定義異常工況數據模擬規則庫。