[發(fā)明專利]數(shù)據(jù)驅(qū)動(dòng)的流程工業(yè)狀態(tài)感知網(wǎng)絡(luò)關(guān)鍵節(jié)點(diǎn)篩選方法

有效

• 申請(qǐng)?zhí)枺?/td>: 202010774423.4
• 申請(qǐng)日: 2020-08-04
• 公開（公告）號(hào): CN112116198B
• 公開（公告）日: 2023-06-20
• 發(fā)明（設(shè)計(jì)）人: 高智勇;王偉;高建民;謝軍太;黃婧
• 申請(qǐng)（專利權(quán)）人: 西安交通大學(xué)
• 主分類號(hào): G06F17/00
• 分類號(hào): G06F17/00;G06Q10/06;G06F30/18
• 代理公司: 西安通大專利代理有限責(zé)任公司 61200
• 代理人: 李鵬威

1.數(shù)據(jù)驅(qū)動(dòng)的流程工業(yè)狀態(tài)感知網(wǎng)絡(luò)關(guān)鍵節(jié)點(diǎn)篩選方法，其特征在于，包括以下步驟：

步驟1)、獲取復(fù)雜機(jī)電系統(tǒng)多個(gè)監(jiān)測(cè)變量的狀態(tài)監(jiān)測(cè)時(shí)間序列數(shù)據(jù)，依次采用小波降噪和min-max標(biāo)準(zhǔn)化方法對(duì)狀態(tài)監(jiān)測(cè)時(shí)間序列數(shù)據(jù)進(jìn)行降噪和歸一化處理；

步驟2)、用Copula-Granger方法分析步驟1)中降噪、歸一化后各狀態(tài)監(jiān)測(cè)時(shí)間序列數(shù)據(jù)之間的因果關(guān)系，得到各變量之間的因果關(guān)系矩陣，并將各變量自相關(guān)系數(shù)置0；

步驟3)、生成一個(gè)均值為0，方差為1的高斯噪聲，用Copula-Granger方法分析步驟1)中降噪、歸一化后各狀態(tài)監(jiān)測(cè)時(shí)間序列數(shù)據(jù)跟高斯噪聲之間的因果關(guān)系，以各監(jiān)測(cè)變量跟高斯噪聲之間因果關(guān)系的1.5倍值為閾值對(duì)步驟2)得到的因果關(guān)系矩陣進(jìn)行簡(jiǎn)化；

步驟4)、以各監(jiān)測(cè)變量為節(jié)點(diǎn)，各監(jiān)測(cè)變量之間的因果關(guān)系值為邊權(quán)構(gòu)建反映各監(jiān)測(cè)變量之間信息交互模式的因果關(guān)系網(wǎng)絡(luò)模型；

步驟5)、用Leader?Rank算法計(jì)算步驟4)得到的因果關(guān)系網(wǎng)絡(luò)模型各節(jié)點(diǎn)的LR值，對(duì)各節(jié)點(diǎn)進(jìn)行排名，根據(jù)排名結(jié)果，以預(yù)設(shè)比例差劃分節(jié)點(diǎn)集，獲取多組關(guān)鍵節(jié)點(diǎn)集合；

步驟6)、分別用得到的多組關(guān)鍵節(jié)點(diǎn)集合對(duì)復(fù)雜機(jī)電系統(tǒng)狀態(tài)進(jìn)行評(píng)估，計(jì)算各組關(guān)鍵節(jié)點(diǎn)集合對(duì)系統(tǒng)狀態(tài)的評(píng)估結(jié)果跟所有節(jié)點(diǎn)對(duì)系統(tǒng)狀態(tài)評(píng)估結(jié)果的絕對(duì)百分比誤差MAPE和輪廓相似度CS，綜合考慮多指標(biāo)加權(quán)綜合指數(shù)MCI和關(guān)鍵節(jié)點(diǎn)數(shù)量得到最佳的關(guān)鍵節(jié)點(diǎn)比例，從而篩選出滿足系統(tǒng)狀態(tài)評(píng)估要求的關(guān)鍵節(jié)點(diǎn)。

2.根據(jù)權(quán)利要求1所述的數(shù)據(jù)驅(qū)動(dòng)的流程工業(yè)狀態(tài)感知網(wǎng)絡(luò)關(guān)鍵節(jié)點(diǎn)篩選方法，其特征在于，步驟1)利用min-max標(biāo)準(zhǔn)化方法對(duì)數(shù)據(jù)進(jìn)行歸一化處理是通過對(duì)每個(gè)變量時(shí)間序列x₁，x₂，…x_n進(jìn)行如下變換：

得到時(shí)間序列y₁，y₂，…y_n即為標(biāo)準(zhǔn)化之后的時(shí)間序列，其中y_n∈[0，1]。

3.根據(jù)權(quán)利要求1所述的數(shù)據(jù)驅(qū)動(dòng)的流程工業(yè)狀態(tài)感知網(wǎng)絡(luò)關(guān)鍵節(jié)點(diǎn)篩選方法，其特征在于，步驟2)用Copula-Granger方法分析監(jiān)測(cè)數(shù)據(jù)預(yù)處理后各變量之間的因果關(guān)系包括以下步驟：

(1)獲取變量X和變量Y的狀態(tài)監(jiān)測(cè)數(shù)據(jù)和其中m、n分別表示變量X和變量Y的延遲維數(shù)；

(2)根據(jù)變量X和Y的監(jiān)測(cè)數(shù)據(jù)，通過核函數(shù)估計(jì)方法計(jì)算變量X和Y的邊緣分布和

(3)基于(2)中計(jì)算出來的邊緣分布，采用秩統(tǒng)計(jì)的方法估計(jì)經(jīng)驗(yàn)Copula密度函數(shù)連續(xù)二元聯(lián)合分布F(x，y)的Copula密度函數(shù)估計(jì)過程如下：

其中表示服從連續(xù)二元聯(lián)合分布F(x，y)的K個(gè)樣本，x_(i)和y_(j)代表在各自一元樣本中的次序統(tǒng)計(jì)量，1≤i，j≤K；

(4)將Bernstein逼近法應(yīng)用于Copula密度函數(shù)的最優(yōu)估計(jì)，優(yōu)化(3)中的Copula密度函數(shù)估計(jì)，Bernstein多項(xiàng)式逼近的表達(dá)式如下：

其中，u_k＝F(x_k，y_k)，u₁，…，u_k為通過樣本計(jì)算得到的k維均勻隨機(jī)變量，m_j表示Copula概率密度函數(shù)的大小，0≤v_j≤m_j；

(5)對(duì)經(jīng)過(4)的最優(yōu)估計(jì)得到的Copula密度函數(shù)取對(duì)數(shù)，計(jì)算樣本的期望，得到監(jiān)測(cè)變量間的因果關(guān)系：

4.根據(jù)權(quán)利要求1所述的數(shù)據(jù)驅(qū)動(dòng)的流程工業(yè)狀態(tài)感知網(wǎng)絡(luò)關(guān)鍵節(jié)點(diǎn)篩選方法，其特征在于，所述步驟3)中簡(jiǎn)化后的因果關(guān)系矩陣是一個(gè)對(duì)角線全部為0的n×n維矩陣，如下所示：

式中，每個(gè)元素c_ij代表變量i和變量j之間的因果關(guān)系值。

5.根據(jù)權(quán)利要求1所述的數(shù)據(jù)驅(qū)動(dòng)的流程工業(yè)狀態(tài)感知網(wǎng)絡(luò)關(guān)鍵節(jié)點(diǎn)篩選方法，其特征在于，步驟4)中建立的因果網(wǎng)絡(luò)模型是一個(gè)有向加權(quán)網(wǎng)絡(luò)，其方向根據(jù)因果關(guān)系確定，c_ij代表從變量i指向變量j間的有向連接。