專利名稱：基于多元概率模型的設(shè)備狀態(tài)綜合動(dòng)態(tài)報(bào)警方法
技術(shù)領(lǐng)域：
本發(fā)明屬于機(jī)械設(shè)備狀態(tài)監(jiān)測(cè)與故障診斷技術(shù)領(lǐng)域，涉及一種機(jī)械設(shè)備運(yùn)行監(jiān)測(cè)
與報(bào)警設(shè)置技術(shù)，具體涉及一種基于多元概率模型的設(shè)備狀態(tài)綜合動(dòng)態(tài)報(bào)警方法。
背景技術(shù)：
報(bào)警技術(shù)是設(shè)備狀態(tài)監(jiān)測(cè)和故障診斷的核心技術(shù)之一，在監(jiān)測(cè)診斷技術(shù)向企業(yè)推 廣以及推動(dòng)預(yù)知維修體制發(fā)展變革的過程中都發(fā)揮著極其重要的作用。從預(yù)防事故的角度 來講，機(jī)械設(shè)備運(yùn)行狀態(tài)的報(bào)警比故障診斷更為迫切和有效。 目前常用的報(bào)警方法有1)越限報(bào)警方法，對(duì)設(shè)備的某些關(guān)鍵參數(shù)進(jìn)行實(shí)時(shí)監(jiān) 測(cè)，一旦發(fā)現(xiàn)參數(shù)超越了預(yù)先設(shè)定的閾值，立即報(bào)警或采取措施，該閾值根據(jù)某一標(biāo)準(zhǔn)或操 作人員的經(jīng)驗(yàn)設(shè)定，是一個(gè)靜態(tài)的值；2)趨勢(shì)報(bào)警方法，即對(duì)設(shè)備的關(guān)鍵參數(shù)實(shí)時(shí)采樣和 分析，根據(jù)故障前兆期參數(shù)的變化特點(diǎn)，對(duì)故障發(fā)生前信號(hào)變化的梯度進(jìn)行分析，判斷設(shè)備 是否可能會(huì)出現(xiàn)故障。上述兩種報(bào)警方法過于絕對(duì)化，沒有充分考慮設(shè)備外在和內(nèi)在因素 的影響。而設(shè)備的實(shí)際運(yùn)行狀態(tài)與工作環(huán)境、負(fù)載和人為操作等因素密切相關(guān)，這些因素發(fā) 生變化均會(huì)引起報(bào)警閾值的變化；3)基于知識(shí)的智能報(bào)警方法，通過一組訓(xùn)練樣本對(duì)設(shè)計(jì) 好的神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練學(xué)習(xí)，學(xué)習(xí)好的神經(jīng)網(wǎng)絡(luò)能很好地把握相應(yīng)的判定準(zhǔn)則，對(duì)實(shí)際的 觀察樣本進(jìn)行分類判定，網(wǎng)絡(luò)輸出1時(shí)進(jìn)行報(bào)警，網(wǎng)絡(luò)輸出0時(shí)不報(bào)警?；谥R(shí)的智能報(bào) 警方法，能自適應(yīng)地判斷設(shè)備狀態(tài)，劃定動(dòng)態(tài)報(bào)警線，以數(shù)據(jù)中蘊(yùn)含的深層次知識(shí)為報(bào)警規(guī) 則，判斷設(shè)備狀態(tài)，但該報(bào)警方法的計(jì)算量太大，同時(shí)需要大量的樣本訓(xùn)練，難以實(shí)現(xiàn)實(shí)時(shí) 監(jiān)測(cè)。另外，現(xiàn)有的報(bào)警方法多是單測(cè)點(diǎn)監(jiān)測(cè)設(shè)備的狀態(tài)，而不是從整體上把握設(shè)備狀態(tài)。

發(fā)明內(nèi)容
為了克服上述現(xiàn)有技術(shù)的缺點(diǎn)，本發(fā)明的目的是提供一種基于多元概率模型的設(shè) 備狀態(tài)綜合動(dòng)態(tài)報(bào)警方法，能對(duì)設(shè)備進(jìn)行實(shí)時(shí)監(jiān)測(cè)，從整體上把握設(shè)備的狀態(tài)，計(jì)算量較 小，并不需要進(jìn)行樣本訓(xùn)練。 本發(fā)明所采用的技術(shù)方案是，基于多元概率模型的設(shè)備狀態(tài)綜合動(dòng)態(tài)報(bào)警方法， 通過高斯核函數(shù)的多元樣本數(shù)據(jù)向一維條件概率密度的映射，利用3o方法獲得處于聚 類邊界樣本點(diǎn)分布的等高線映射，將樣本邊界點(diǎn)的等高線包絡(luò)形成的復(fù)雜曲面作為報(bào)警 線，通過判斷新數(shù)據(jù)與報(bào)警線的位置關(guān)系來識(shí)別異常數(shù)據(jù)，實(shí)現(xiàn)報(bào)警，該方法按以下步驟進(jìn) 行 步驟1 :以相同采樣間隔同時(shí)采集反映設(shè)備運(yùn)行狀態(tài)的至少一個(gè)測(cè)點(diǎn)的特征參 數(shù)，獲得一組反映設(shè)備運(yùn)行狀態(tài)的多元?dú)v史數(shù)據(jù)作為樣本； 步驟2:將步驟l獲得的多元?dú)v史數(shù)據(jù)以列向量形式表示，即在第m次觀測(cè)獲得的 多元數(shù)據(jù)表示為列向量X,，, K《x;'…，xr]7 ， 式中，1為測(cè)點(diǎn)數(shù)；m = 1，2…，N， N為樣本點(diǎn)數(shù)；T代表轉(zhuǎn)置運(yùn)算；
步驟3 :將步驟2得到的列向量，采用下式計(jì)算高維空間的歐式距離
tfo(Xi，Xj)—(Xi -Xjf(Xi _Xj) 式中，dis(Xi， Xj)為多元數(shù)據(jù)Xi和Xj在高維空間中的歐式距離；Xi為第i次觀測(cè) 獲得的多元數(shù)據(jù)；Xj為第j次觀測(cè)獲得的多元數(shù)據(jù)；
貝U，樣本內(nèi)數(shù)據(jù)之間的最小平均距離為 1 w^ = — y1 min cfo(Xj ， X j) 《 式中，d為最小平均距離；N樣本點(diǎn)數(shù)； 步驟4:根據(jù)步驟3得到的樣本內(nèi)數(shù)據(jù)之間的最小平均距離，通過以下經(jīng)驗(yàn)公式計(jì) 算平滑因子o :o = g d， 式中，o為平滑因子；g為經(jīng)驗(yàn)公式系數(shù)，一般取1. 1 1.4 ; 步驟5 :以步驟l中的樣本數(shù)據(jù)為中心，以步驟4計(jì)算的平滑因子o為標(biāo)準(zhǔn)偏差， 利用多元高斯核函數(shù) ~^~丄|>鄧(-(X_Xi):(X-Xi)) 式中，f (x)為在已知數(shù)據(jù)序列&條件下的概率密度函數(shù)，表示在已知時(shí)間序列Xk 條件下，抽樣點(diǎn)yi的條件概率； 計(jì)算原始數(shù)據(jù)序列中的每個(gè)多元數(shù)據(jù)的高斯密度曲線，然后對(duì)所有曲線求和來逼 近原始樣本數(shù)據(jù)的概率密度曲線 步驟6 :根據(jù)步驟5計(jì)算的原始樣本數(shù)據(jù)的概率密度曲線，由處于分布邊界樣本點(diǎn) 的概率密度分布的等高線的映射，經(jīng)過包絡(luò)形成曲面，該曲面為報(bào)警線；
步驟7 :采集新的多元數(shù)據(jù)，并得到新的列向量Y = [yi， y2 ，yjT，分別計(jì)算采集 的多元數(shù)據(jù)與原始樣本點(diǎn)間的距離dis(Y， Xj): 必(J， Xj) = ^/(7-Xj)r(7—Xj) 依據(jù)拉依達(dá)準(zhǔn)則進(jìn)行判斷 若dis(Y， Xj)《3o ，則新數(shù)據(jù)屬于已有類別，并用該觀測(cè)數(shù)據(jù)更新原始樣本數(shù)據(jù)
序列，并重復(fù)步驟2、步驟3、步驟4、步驟5和步驟6，實(shí)現(xiàn)報(bào)警線的動(dòng)態(tài)調(diào)整； 若dis(Y，Xj) >3o ，則判斷新數(shù)據(jù)不屬于已有類別，產(chǎn)生報(bào)警，并依據(jù)該新數(shù)據(jù)重
新建立一個(gè)新的類別，重復(fù)步驟2、步驟3、步驟4、步驟5和步驟6，計(jì)算該新類別的邊界線； 步驟8 :隨著觀測(cè)數(shù)據(jù)的不斷增加動(dòng)態(tài)調(diào)整報(bào)警模型，建立設(shè)備狀態(tài)的自適應(yīng)報(bào)警線。 所述步驟3中在計(jì)算平滑因子時(shí)，對(duì)原始樣本數(shù)據(jù)序列中的相同數(shù)據(jù)進(jìn)行預(yù)處 理，該預(yù)處理是將原始樣本數(shù)據(jù)序列中相同數(shù)據(jù)點(diǎn)間的最小平均距離設(shè)定為無窮大。
本發(fā)明報(bào)警方法與傳統(tǒng)方法相比，具有以下優(yōu)勢(shì) 1.充分利用實(shí)時(shí)采集的設(shè)備多測(cè)點(diǎn)運(yùn)行數(shù)據(jù)，構(gòu)建了一種客觀描述設(shè)備運(yùn)行狀態(tài) 的綜合動(dòng)態(tài)監(jiān)測(cè)模型。 2.撇開傳統(tǒng)的按照各種通用標(biāo)準(zhǔn)對(duì)現(xiàn)場(chǎng)設(shè)備運(yùn)行狀態(tài)的劃分依據(jù)，從設(shè)備各自的
發(fā)展歷程尋找規(guī)律，通過融合設(shè)備多測(cè)點(diǎn)運(yùn)行的信息，實(shí)現(xiàn)對(duì)設(shè)備狀態(tài)的綜合評(píng)判。 3.通過一個(gè)自適應(yīng)的過程建立報(bào)警線，該報(bào)警線可以根據(jù)現(xiàn)場(chǎng)狀態(tài)動(dòng)態(tài)地進(jìn)行調(diào)整，并表現(xiàn)為正常狀態(tài)下的穩(wěn)定性；過渡狀態(tài)下的包容性，避免了誤報(bào)現(xiàn)象；故障狀態(tài)下 的敏感性，防止了漏報(bào)現(xiàn)象。


圖1是采用本發(fā)明報(bào)警方法對(duì)設(shè)備綜合動(dòng)態(tài)進(jìn)行監(jiān)測(cè)報(bào)警的流程圖。
圖2是采用本發(fā)明報(bào)警方法監(jiān)測(cè)設(shè)備綜合動(dòng)態(tài)過程中計(jì)算平滑因子時(shí)對(duì)相同數(shù)
據(jù)進(jìn)行處理的流程圖。 圖3是采用本發(fā)明報(bào)警方法監(jiān)測(cè)設(shè)備綜合動(dòng)態(tài)時(shí)對(duì)設(shè)備狀態(tài)進(jìn)行判斷的流程圖。
圖4是二維向量的概率密度曲線和相應(yīng)的報(bào)警線圖；其中，a是二維向量的概率密 度曲線圖，b是與a的概率密度曲線相應(yīng)的報(bào)警線圖。
圖5是二維向量報(bào)警線的形成圖。 圖6是二維向量的概率密度曲線和相應(yīng)的報(bào)警線仿真圖。
圖7是ZHS-5型多功能轉(zhuǎn)子沖擊試驗(yàn)的報(bào)警效果圖。
具體實(shí)施例方式
下面結(jié)合附圖和具體實(shí)施方式
對(duì)本發(fā)明進(jìn)行詳細(xì)說明。 本發(fā)明報(bào)警方法充分考慮整體設(shè)備狀態(tài)的發(fā)展歷程，從設(shè)備的多測(cè)點(diǎn)運(yùn)行歷史數(shù) 據(jù)中提取經(jīng)驗(yàn)知識(shí)，動(dòng)態(tài)界定設(shè)備正常狀態(tài)下的特征參數(shù)變化范圍，作為個(gè)性化的異常狀 態(tài)判別依據(jù)，通過動(dòng)態(tài)自適應(yīng)的數(shù)據(jù)模型來自動(dòng)處理分析現(xiàn)場(chǎng)設(shè)備的狀態(tài)數(shù)據(jù)，實(shí)現(xiàn)具備 更高使用價(jià)值和特色的異常報(bào)警。 如圖1所示，本發(fā)明報(bào)警方法具體按以下步驟進(jìn)行 步驟1 :以相同采樣間隔同時(shí)采集反映設(shè)備運(yùn)行狀態(tài)的至少一個(gè)測(cè)點(diǎn)的特征參 數(shù)，獲得一組反映設(shè)備運(yùn)行狀態(tài)的多元?dú)v史數(shù)據(jù)作為樣本； 步驟2:將步驟l獲得的多元?dú)v史數(shù)據(jù)以列向量形式表示，即在第m次觀測(cè)獲得的
多元數(shù)據(jù)表示為列向量X,，, ^x「《…，x「:r ， 式中，1為測(cè)點(diǎn)數(shù)；m = 1，2…，N， N為樣本點(diǎn)數(shù)；T代表轉(zhuǎn)置運(yùn)算。
步驟3 :將步驟2得到的列向量，采用下式計(jì)算高維空間的歐式距離 式中，dis (Xi， Xj)為多元數(shù)據(jù)&和Xj在高維空間中的歐式距離為第i次觀測(cè) 獲得的多元數(shù)據(jù)；Xj為第j次觀測(cè)獲得的多元數(shù)據(jù)。
貝U，樣本內(nèi)數(shù)據(jù)之間的最小平均距離為" : I] min cfe(Xi ， X j) 式中，d為最小平均距離；N樣本點(diǎn)數(shù)。 步驟4 :根據(jù)步驟3得到的樣本內(nèi)數(shù)據(jù)之間的最小平均距離，通過以下經(jīng)驗(yàn)公式計(jì) 算平滑因子o = g d， 式中，o為平滑因子；g為經(jīng)驗(yàn)公式系數(shù)，取1. 1 1.4 ; 步驟5 :以步驟1中的樣本數(shù)據(jù)為中心，以步驟4計(jì)算的平滑因子o為標(biāo)準(zhǔn)偏差， ^fo(Xi，Xj)^V(Xi —X/(Xj _Xj)利用多元高斯核函數(shù)<formula>formula see original document page 7</formula> 式中，f (x)為在已知數(shù)據(jù)序列&條件下的概率密度函數(shù)，表示在已知時(shí)間序列Xk 條件下，抽樣點(diǎn)yi的條件概率 計(jì)算原始數(shù)據(jù)序列中的每個(gè)多元數(shù)據(jù)的高斯密度曲線，然后對(duì)所有曲線求和來逼 近原始樣本數(shù)據(jù)的概率密度曲線 步驟6 :根據(jù)步驟5計(jì)算的原始樣本數(shù)據(jù)的概率密度曲線，報(bào)警線就是由處于分布 邊界樣本點(diǎn)概率密度的等高線的映射，并經(jīng)過包絡(luò)形成的曲面； 步驟7 :采集新的多元數(shù)據(jù)，并得到新的列向量Y = [yi， y2*"， yjT，分別計(jì)算采集 的多元數(shù)據(jù)與原始樣本點(diǎn)間的距離dis(Y， Xj): <formula>formula see original document page 7</formula>
依據(jù)拉依達(dá)準(zhǔn)則進(jìn)行判斷 若dis(Y， Xj)《3o ，則新數(shù)據(jù)屬于已有類別，進(jìn)一步判斷該新數(shù)據(jù)與歷史數(shù)據(jù)是 否存在相同的數(shù)據(jù)點(diǎn)，由于平滑因子通過樣本間的最小平均距離計(jì)算，而相同數(shù)據(jù)點(diǎn)對(duì)平 滑因子的計(jì)算產(chǎn)生較大影響，因此，在計(jì)算平滑因子時(shí)，采用如圖2所示的方法，設(shè)定一個(gè) 閾值e ，當(dāng)dis(Y，Xj)《e時(shí)，將新數(shù)據(jù)點(diǎn)Y和樣本點(diǎn)Xj間的最小平均距離設(shè)定為無窮大， 從而消除了相同數(shù)據(jù)點(diǎn)對(duì)計(jì)算平滑因子的影響；而當(dāng)dis(Y， Xj) > e時(shí)，直接用該新數(shù)據(jù) 更新原始樣本數(shù)據(jù)序列，并重復(fù)步驟2、步驟3、步驟4、步驟5和步驟6，實(shí)現(xiàn)報(bào)警線的動(dòng)態(tài) 調(diào)整； 若dis(Y， Xj) > 3o ，則判斷新數(shù)據(jù)不屬于已有類別，產(chǎn)生報(bào)警；并如圖3所示依 據(jù)該新數(shù)據(jù)重新建立一個(gè)新的類別，重復(fù)步驟2、步驟3、步驟4、步驟5和步驟6，計(jì)算新該 類的邊界線； 在設(shè)備狀態(tài)判斷流程中，只有數(shù)據(jù)正常時(shí)，會(huì)不斷更新正常類別的概率密度函數(shù)， 形成正常數(shù)據(jù)允許的范圍，即正常類的邊界。當(dāng)出現(xiàn)一個(gè)故障數(shù)據(jù)時(shí)，由于故障數(shù)據(jù)超過了 正常類邊界，此時(shí)，會(huì)創(chuàng)建一個(gè)新的故障類，并構(gòu)建該故障類的概率密度函數(shù)，后續(xù)的故障 數(shù)據(jù)會(huì)不斷更新這個(gè)函數(shù)，逐漸形成故障類的邊界。 如圖4a和圖4b所示，是正常和故障運(yùn)行數(shù)據(jù)的二維向量概率模型和相應(yīng)的報(bào)警 線。從圖中可以看出，正常運(yùn)行狀態(tài)下的設(shè)備狀態(tài)概率模型是在小范圍內(nèi)的概率分布函 數(shù)。該概率分布函數(shù)的樣本點(diǎn)比較集中，因此概率模型在歷史數(shù)據(jù)平均值附近的概率達(dá)到 最大，而對(duì)一些離均值較遠(yuǎn)的值，概率則較小。所構(gòu)建的概率模型曲線類似一個(gè)中心在均值 附近的高斯函數(shù)；當(dāng)設(shè)備運(yùn)行數(shù)據(jù)中出現(xiàn)故障數(shù)據(jù)時(shí)，這時(shí)的概率模型將發(fā)生較大的變化。 即在正常概率模型外又出現(xiàn)了一個(gè)概率模型(故障概率模型)，兩個(gè)模型之間距離較遠(yuǎn)，界 限明顯。 如圖5所示，該圖是5個(gè)二維樣本點(diǎn)通過高斯核函數(shù)計(jì)算得到的概率密度曲線的 等高線在二維平面上的映射。由分布在邊界的樣本點(diǎn)的等高線包絡(luò)形成的復(fù)雜曲面構(gòu)成報(bào) 警線。 為了驗(yàn)證模型的有效性，隨機(jī)產(chǎn)生一組由正常數(shù)據(jù)和故障數(shù)據(jù)組成的數(shù)據(jù)組，該 組數(shù)據(jù)組包含15個(gè)點(diǎn)，前10個(gè)為正常數(shù)據(jù)，后5個(gè)為故障數(shù)據(jù)。如圖6所示，該組數(shù)據(jù)形成的二維向量的概率密度曲線和相應(yīng)的報(bào)警線仿真圖，由圖可見，該組數(shù)據(jù)的整體概率分 布非常清晰地分為兩個(gè)峰，代表了由兩部分?jǐn)?shù)據(jù)分別形成的概率分布。因?yàn)樵紨?shù)據(jù)符合 均勻分布，因此概率分布非常接近于正態(tài)分布。由于數(shù)據(jù)屬于兩個(gè)類別，可以認(rèn)定出現(xiàn)了故 障，在概率密度函數(shù)形成的過程中，還發(fā)出報(bào)警信號(hào)。 步驟8 :隨著觀測(cè)數(shù)據(jù)的不斷增加動(dòng)態(tài)調(diào)整報(bào)警模型，建立設(shè)備狀態(tài)的自適應(yīng)報(bào) 警線。 以京儀北方測(cè)振分公司生產(chǎn)的ZHS-5型多功能轉(zhuǎn)子試驗(yàn)臺(tái)為對(duì)象。對(duì)本發(fā)明方 法進(jìn)行實(shí)驗(yàn)驗(yàn)證，該試驗(yàn)臺(tái)有四組轉(zhuǎn)子，每組配有水平和垂直方向的渦流傳感器，精度為 8V/mm。為了直觀獲得概率密度函數(shù)，通過采集其中一個(gè)截面的兩路位移信號(hào)，采樣頻率為 2KHZ，每次每個(gè)測(cè)點(diǎn)采集256個(gè)點(diǎn)，分別計(jì)算兩個(gè)方向的平均值。開始時(shí)轉(zhuǎn)子平穩(wěn)運(yùn)行，得 到的是正常的數(shù)據(jù)，隨后給轉(zhuǎn)子沖擊，使振動(dòng)增大，得到故障數(shù)據(jù)點(diǎn)。如圖7a所示，是采集 2個(gè)數(shù)據(jù)點(diǎn)時(shí)概率密度曲線和報(bào)警線變化圖；采集到第20個(gè)點(diǎn)的時(shí)候沖擊轉(zhuǎn)子，產(chǎn)生故障 數(shù)據(jù)，如圖7b所示，是采集22個(gè)數(shù)據(jù)點(diǎn)時(shí)概率密度曲線和報(bào)警線變化圖，可以看出明顯的 產(chǎn)生了雙峰，分別代表正常類和故障類。 本發(fā)明方法將Parzen窗非參數(shù)估計(jì)與狀態(tài)報(bào)警技術(shù)相結(jié)合，提出了一種自適應(yīng) 設(shè)置動(dòng)態(tài)報(bào)警線的方法，其物理意義是當(dāng)設(shè)備一直平穩(wěn)運(yùn)行時(shí)，所確定的報(bào)警線指明了設(shè) 備正常運(yùn)行的范圍，超出這一范圍則說明設(shè)備已經(jīng)偏離其正常狀態(tài)，設(shè)備現(xiàn)場(chǎng)監(jiān)測(cè)人員應(yīng) 該加強(qiáng)對(duì)設(shè)備的監(jiān)測(cè)頻度。將設(shè)備多個(gè)測(cè)點(diǎn)的信息綜合起來設(shè)置動(dòng)態(tài)報(bào)警線來判斷設(shè)備運(yùn) 行情況，避免了以設(shè)備單測(cè)點(diǎn)信息構(gòu)建動(dòng)態(tài)報(bào)警線的缺陷。
8
權(quán)利要求
基于多元概率模型的設(shè)備狀態(tài)綜合動(dòng)態(tài)報(bào)警方法，通過高斯核函數(shù)的多元樣本數(shù)據(jù)向一維條件概率密度的映射，利用3σ方法獲得處于聚類邊界樣本點(diǎn)分布的等高線映射，將樣本邊界點(diǎn)的等高線包絡(luò)形成的復(fù)雜曲面作為報(bào)警線，通過判斷新數(shù)據(jù)與報(bào)警線的位置關(guān)系來識(shí)別異常數(shù)據(jù)，實(shí)現(xiàn)報(bào)警，其特征在于，該方法按以下步驟進(jìn)行步驟1以相同采樣間隔同時(shí)采集反映設(shè)備運(yùn)行狀態(tài)的至少一個(gè)測(cè)點(diǎn)的特征參數(shù)，獲得一組反映設(shè)備運(yùn)行狀態(tài)的多元?dú)v史數(shù)據(jù)作為樣本；步驟2將步驟1獲得的多元?dú)v史數(shù)據(jù)以列向量形式表示，即在第m次觀測(cè)獲得的多元數(shù)據(jù)表示為列向量式中，l為測(cè)點(diǎn)數(shù)；m＝1，2…，N，N為樣本點(diǎn)數(shù)；T代表轉(zhuǎn)置運(yùn)算；步驟3將步驟2得到的列向量，采用下式計(jì)算高維空間的歐式距離 <mrow><mi>dis</mi><mrow> <mo>(</mo> <msub><mi>X</mi><mi>i</mi> </msub> <mo>,</mo> <msub><mi>X</mi><mi>j</mi> </msub> <mo>)</mo></mrow><mo>=</mo><msqrt> <msup><mrow> <mo>(</mo> <msub><mi>X</mi><mi>i</mi> </msub> <mo>-</mo> <msub><mi>X</mi><mi>j</mi> </msub> <mo>)</mo></mrow><mi>T</mi> </msup> <mrow><mo>(</mo><msub> <mi>X</mi> <mi>i</mi></msub><mo>-</mo><msub> <mi>X</mi> <mi>j</mi></msub><mo>)</mo> </mrow></msqrt> </mrow>式中，dis(Xi，Xj)為多元數(shù)據(jù)Xi和Xj在高維空間中的歐式距離；Xi為第i次觀測(cè)獲得的多元數(shù)據(jù)；Xj為第j次觀測(cè)獲得的多元數(shù)據(jù)；則，樣本內(nèi)數(shù)據(jù)之間的最小平均距離為 <mrow><mi>d</mi><mo>=</mo><mfrac> <mn>1</mn> <mi>N</mi></mfrac><munderover> <mi>&Sigma;</mi> <mrow><mi>i</mi><mo>,</mo><mi>j</mi><mo>=</mo><mn>1</mn> </mrow> <mi>N</mi></munderover><mi>min</mi><mi>dis</mi><mrow> <mo>(</mo> <msub><mi>X</mi><mrow> <mi>i</mi> <mo>,</mo></mrow> </msub> <msub><mi>X</mi><mi>j</mi> </msub> <mo>)</mo></mrow> </mrow>式中，d為最小平均距離；N樣本點(diǎn)數(shù)；步驟4根據(jù)步驟3得到的樣本內(nèi)數(shù)據(jù)之間的最小平均距離，通過以下經(jīng)驗(yàn)公式計(jì)算平滑因子σσ＝g·d，式中，σ為平滑因子；g為經(jīng)驗(yàn)公式系數(shù)，一般取1.1～1.4；步驟5以步驟1中的樣本數(shù)據(jù)為中心，以步驟4計(jì)算的平滑因子σ為標(biāo)準(zhǔn)偏差，利用多元高斯核函數(shù) <mrow><mi>f</mi><mrow> <mo>(</mo> <mi>x</mi> <mo>)</mo></mrow><mo>=</mo><mfrac> <mn>1</mn> <mrow><msup> <mrow><mo>(</mo><mn>2</mn><mi>&pi;</mi><mo>)</mo> </mrow> <mrow><mi>p</mi><mo>/</mo><mn>2</mn> </mrow></msup><msup> <mi>&sigma;</mi> <mi>p</mi></msup> </mrow></mfrac><mfrac> <mn>1</mn> <mi>N</mi></mfrac><munderover> <mi>&Sigma;</mi> <mrow><mi>i</mi><mo>=</mo><mn>1</mn> </mrow> <mi>N</mi></munderover><mi>exp</mi><mrow> <mo>(</mo> <mfrac><mrow> <mo>-</mo> <msup><mrow> <mo>(</mo> <mi>X</mi> <mo>-</mo> <msub><mi>X</mi><mi>i</mi> </msub> <mo>)</mo></mrow><mi>T</mi> </msup> <mrow><mo>(</mo><mi>X</mi><mo>-</mo><msub> <mi>X</mi> <mi>i</mi></msub><mo>)</mo> </mrow></mrow><mrow> <mn>2</mn> <msup><mi>&sigma;</mi><mn>2</mn> </msup></mrow> </mfrac> <mo>)</mo></mrow> </mrow>式中，f(x)為在已知數(shù)據(jù)序列Xi條件下的概率密度函數(shù)，表示在已知時(shí)間序列Xk條件下，抽樣點(diǎn)yi的條件概率；計(jì)算原始數(shù)據(jù)序列中的每個(gè)多元數(shù)據(jù)的高斯密度曲線，然后對(duì)所有曲線求和來逼近原始樣本數(shù)據(jù)的概率密度曲線步驟6根據(jù)步驟5計(jì)算的原始樣本數(shù)據(jù)的概率密度曲線，由處于分布邊界樣本點(diǎn)的概率密度分布的等高線的映射，經(jīng)過包絡(luò)形成曲面，該曲面為報(bào)警線；步驟7采集新的多元數(shù)據(jù)，并得到新的列向量Y＝[y1，y2…，yl]T，分別計(jì)算采集的多元數(shù)據(jù)與原始樣本點(diǎn)間的距離dis(Y，Xj) <mrow><mi>dis</mi><mrow> <mo>(</mo> <mi>Y</mi> <mo>,</mo> <msub><mi>X</mi><mi>j</mi> </msub> <mo>)</mo></mrow><mo>=</mo><msqrt> <msup><mrow> <mo>(</mo> <mi>Y</mi> <mo>-</mo> <msub><mi>X</mi><mi>j</mi> </msub> <mo>)</mo></mrow><mi>T</mi> </msup> <mrow><mo>(</mo><mi>Y</mi><mo>-</mo><msub> <mi>X</mi> <mi>j</mi></msub><mo>)</mo> </mrow></msqrt> </mrow>依據(jù)拉依達(dá)準(zhǔn)則進(jìn)行判斷若dis(Y，Xj)≤3σ，則新數(shù)據(jù)屬于已有類別，并用該觀測(cè)數(shù)據(jù)更新原始樣本數(shù)據(jù)序列，并重復(fù)步驟2、步驟3、步驟4、步驟5和步驟6，實(shí)現(xiàn)報(bào)警線的動(dòng)態(tài)調(diào)整；若dis(Y，Xj)＞3σ，則判斷新數(shù)據(jù)不屬于已有類別，產(chǎn)生報(bào)警，并依據(jù)該新數(shù)據(jù)重新建立一個(gè)新的類別，重復(fù)步驟2、步驟3、步驟4、步驟5和步驟6，計(jì)算該新類別的邊界線；步驟8隨著觀測(cè)數(shù)據(jù)的不斷增加動(dòng)態(tài)調(diào)整報(bào)警模型，建立設(shè)備狀態(tài)的自適應(yīng)報(bào)警線。F2009102190870C0000011.tif
2.按照權(quán)利要求1所述的報(bào)警方法，其特征在于，所述步驟3中在計(jì)算平滑因子時(shí)，對(duì) 原始樣本數(shù)據(jù)序列中的相同數(shù)據(jù)進(jìn)行預(yù)處理，該預(yù)處理是將原始樣本數(shù)據(jù)序列中相同數(shù)據(jù) 點(diǎn)間的最小平均距離設(shè)定為無窮大。
全文摘要
基于多元概率模型的設(shè)備狀態(tài)綜合動(dòng)態(tài)報(bào)警方法，以設(shè)備運(yùn)行過程中表征個(gè)體設(shè)備狀態(tài)的多元參數(shù)作為目標(biāo)樣本集，通過高斯核函數(shù)實(shí)現(xiàn)多元樣本數(shù)據(jù)向一維條件概率密度的映射，并利用3σ方法獲得處于聚類邊界樣本點(diǎn)分布的等高線映射，報(bào)警線就是由這些邊界點(diǎn)的等高線包絡(luò)形成的復(fù)雜曲面，并隨著監(jiān)測(cè)數(shù)據(jù)的不斷更新，動(dòng)態(tài)調(diào)整報(bào)警模型，從而實(shí)現(xiàn)隨設(shè)備狀態(tài)的變化報(bào)警線的自適應(yīng)調(diào)整。本發(fā)明方法從設(shè)備自身的發(fā)展歷程中尋找規(guī)律，將現(xiàn)場(chǎng)常規(guī)設(shè)備狀態(tài)劃分為三個(gè)等級(jí)即正常狀態(tài)、過度狀態(tài)異常、和故障狀態(tài)，并分別研究了針對(duì)每種狀態(tài)報(bào)警閾值變化范圍，為綜合評(píng)判設(shè)備狀態(tài)奠定了基礎(chǔ)。
文檔編號(hào)G01M99/00GK101718634SQ20091021908
公開日2010年6月2日 申請(qǐng)日期2009年11月20日 優(yōu)先權(quán)日2009年11月20日
發(fā)明者華成, 張慶, 徐光華, 楊凱 申請(qǐng)人:西安交通大學(xué)