[發明專利]知識與數據驅動的大規模工業系統分布式狀態監測方法

有效

• 申請號: 202110565642.6
• 申請日: 2021-05-24
• 公開（公告）號: CN113110402B
• 公開（公告）日: 2022-04-01
• 發明（設計）人: 宋春躍;吳煒強;徐祖華
• 申請（專利權）人: 浙江大學
• 主分類號: G05B23/02
• 分類號: G05B23/02
• 代理公司: 杭州求是專利事務所有限公司 33200
• 代理人: 傅朝棟;張法高

1.一種知識與數據驅動的大規模工業系統分布式狀態監測方法，其特征在于，步驟如下：

S1、針對待監測的工業系統，根據系統知識建立大規模系統的有向圖模型，并將有向圖分解成多個子系統；

S2、在每個子系統中分別建立典型變量分析模型，所有子系統的檢測結果通過貝葉斯推理進行融合，形成全局故障檢測結果；

S3、通過分布式貢獻圖方法確定故障負責變量，并根據有向圖推理法定位故障根源；

所述S1中，有向圖模型通過復雜網絡中的基于模塊度的快速展開算法分解成多個子系統，具體步驟為：

S11、將有向圖模型中的每個節點當作一個子系統，得到與節點數相同的子系統數；

S12、計算將節點i劃分到相鄰節點所在子系統的模塊度增益，最大增益表示最好的劃分結果；只有當增益為正時，才進行劃分，否則節點將保持在原先的子系統中；

S13、對有向圖模型中的所有節點重復S12，直到模塊度的值不再增加；

S14、將經過步驟S13得到的子系統當作一個新的節點，構造一個新的有向圖模型；

S15、不斷重復S11～S14，直到有向圖結構不再變化以及模塊度的值達到最大，大規模系統中的所有變量被劃分到了不同的子系統中，最終獲得有向圖的分解結果；

所述S2中，在每個子系統中建立典型變量分析模型來獲取系統的動態性，進而實現故障檢測，具體步驟為：

S21、假設第b個子系統t時刻的輸入數據為t時刻的輸出數據為m_u,b和m_y,b分別表示輸入變量的數目和輸出變量的數目；根據輸入輸出數據時間序列分別構造過去信息向量p_b(t)和未來信息向量f_b(t)：

p_b(t)＝[y_b(t-1)^T,y_b(t-2)^T,…,y_b(t-l)^T,u_b(t-1)^T,u_b(t-2)^T,…,u_b(t-l)^T]^T

f_b(t)＝[y_b(t)^T,y_b(t+1)^T,…,y_b(t+h)^T]^T

式中：l表示過去信息向量中的時間滯后；h表示未來信息向量中的時間滯后；上標T表示轉置；

S22、計算過去信息向量和未來信息向量的協方差矩陣分別為Σ_pp,b＝E(p_b(t)p_b(t)^T)、Σ_ff,b＝E(f_b(t)f_b(t)^T)和Σ_pf,b＝E(p_b(t)f_b(t)^T)，典型變量分析模型通過最大化典型變量c_b(t)＝J_bp_b(t)和d_b(t)＝L_bf_b(t)之間的相關性，從而獲得代表過去信息向量p_b(t)和未來信息向量f_b(t)線性組合的投影矩陣J_b和L_b；

S23、通過奇異值分解來獲得具有最大相關性的典型變量：

式中：U_b和V_b均為酉矩陣；

進而求得投影矩陣和

S24、假設第b個子系統狀態空間模型的階次為s_b，得到狀態子空間向量和殘差子空間向量

其中：和分別為t時刻的狀態子空間向量和殘差子空間向量矩陣是矩陣J_b的前s_b行，矩陣是矩陣J_b除前s_b行之外的剩余行，矩陣是矩陣U_b的前s_b列，矩陣是矩陣U_b除前s_b列之外的剩余列；

S25、根據Hotelling T²檢驗，在狀態子空間和殘差子空間內分別構造T²統計量為和

式中：和分別為t時刻的T²統計量和

S26、在給定置信水平α下，狀態空間控制限和殘差空間控制限滿足如下F分布：

式中：n為典型變量分析模型的訓練數據集樣本數，F_α(s_b,n-s_b)和F_α(e_b,n-e_b)分別是狀態空間和殘差空間所滿足的F分布；

所述S3中，通過分布式貢獻圖方法確定故障負責變量，并根據有向圖推理法定位故障根源包括兩個步驟：

S31、基于分布式典型變量分析模型的故障貢獻分析：針對所有發生故障的樣本，計算所有發生故障的子系統內變量的狀態空間貢獻、殘差空間貢獻，并由此計算組合貢獻值，然后根據組合貢獻值的大小確定故障負責變量集合；

S32、基于有向圖推理的故障溯源：針對所有故障負責變量，通過系統知識確定它們之間的因果關系，構造故障有向圖，然后通過有向圖推理法確定故障傳播路徑和根源。