一種基于改進(jìn)動態(tài)可見圖的過程故障監(jiān)測方法
【專利摘要】本發(fā)明提供了一種基于改進(jìn)動態(tài)可見圖的過程故障監(jiān)測方法，本發(fā)明借助復(fù)雜網(wǎng)絡(luò)理論，提出一種改進(jìn)的動態(tài)可見圖算法，在此算法的基礎(chǔ)上，把時間序列數(shù)據(jù)映射到復(fù)雜網(wǎng)絡(luò)結(jié)構(gòu)，通過網(wǎng)絡(luò)特性區(qū)分與識別不同變量的時間序列數(shù)據(jù)，并判斷生產(chǎn)數(shù)據(jù)是否發(fā)生故障，通過該方法可以降低故障誤報(bào)率和漏報(bào)率，而且可以更早地監(jiān)測到故障發(fā)生，更有利于復(fù)雜工業(yè)過程的實(shí)時監(jiān)測。
【專利說明】-種基于改進(jìn)動態(tài)可見圖的過程故障監(jiān)測方法

【技術(shù)領(lǐng)域】
[OOOU 本發(fā)明設(shè)及故障識別領(lǐng)域，特別設(shè)及到一種基于改進(jìn)動態(tài)可見圖（MDVG)的過程 故障監(jiān)測方法。

【背景技術(shù)】
[0002] 目前，信息技術(shù)的飛速發(fā)展為獲取和處理海量數(shù)據(jù)提供了極大便利，復(fù)雜網(wǎng)絡(luò)作 為一個新興的研究領(lǐng)域，引起了眾多學(xué)科的廣泛關(guān)注。近年來，從各個領(lǐng)域復(fù)雜系統(tǒng)產(chǎn)生的 數(shù)據(jù)中提取相關(guān)的信息，利用網(wǎng)絡(luò)知識描述和分析系統(tǒng)的屬性狀態(tài)，已經(jīng)取得了大量成果。 其中，將時序數(shù)據(jù)映射到復(fù)雜網(wǎng)絡(luò)中，應(yīng)用豐富先進(jìn)的復(fù)雜網(wǎng)絡(luò)分析方法來分析復(fù)雜的時 序數(shù)據(jù)，尤為引人注目。
[0003] 不同于相對傳統(tǒng)的基于距離和基于相關(guān)系數(shù)的網(wǎng)絡(luò)構(gòu)造方法，Lacasa等創(chuàng)造性地 提出了一種可見算法，即自然可見圖（natural visibility graph，NVG)。將時序數(shù)據(jù)中的 每個數(shù)據(jù)對應(yīng)成復(fù)雜網(wǎng)絡(luò)的節(jié)點(diǎn)，對于每個節(jié)點(diǎn)，如果其它的節(jié)點(diǎn)滿足其可見條件，則兩個 節(jié)點(diǎn)相連，并形成可見圖。構(gòu)造的網(wǎng)絡(luò)繼承了原序列在其結(jié)構(gòu)上的屬性特征，如周期、隨機(jī)、 分形序列可W分別轉(zhuǎn)化為規(guī)則、隨機(jī)和無標(biāo)度網(wǎng)絡(luò)。
[0004] 隨后，F(xiàn)ioriti 等提出了水平可見圖化orizontal visibility graph，HVG)算法， 計(jì)算從多個時間序列得到的HVG相關(guān)鄰接矩陣的最大特征值來區(qū)分序列混濁和隨機(jī)性。 HVG與NVG只是在可見條件的判定上略有不同，HVG是NVG的一個子圖，它們將一組時序數(shù) 據(jù)轉(zhuǎn)化成唯一的網(wǎng)絡(luò)結(jié)構(gòu)。使用NVG和HVG算法可W描述和探討與各種現(xiàn)象有關(guān)的復(fù)雜結(jié) 構(gòu)的時間序列，如流量波動、股票指數(shù)、屯、跳動態(tài)、隨機(jī)和混濁序列等等。
[0005] 在NVG算法的基礎(chǔ)上，Bezsu化OV等提出了動態(tài)可見圖（dynamical visibility graph, DVG)算法，通過引入"視角"參數(shù)，改變可見條件，進(jìn)而影響網(wǎng)絡(luò)結(jié)構(gòu)變化，把一個時 間序列轉(zhuǎn)化成一組網(wǎng)絡(luò)，每個DVG都是NVG的一個子圖。同時，通過節(jié)點(diǎn)相對平均度、相對 平均連接長度W及非連通集團(tuán)數(shù)=個網(wǎng)絡(luò)特性，提供了一種新的動態(tài)維度來區(qū)分、識別和 詳細(xì)描述各種時間序列
[0006] 另一方面，過程監(jiān)測方法主要可W分為=類：基于模型的方法，基于知識的方法和 基于數(shù)據(jù)的方法。相較于前兩種較為傳統(tǒng)的方法，基于數(shù)據(jù)的過程監(jiān)測方法由于不需要過 程模型而得到廣泛應(yīng)用，特別是在那些模型和專家知識在實(shí)際中難W建立和獲取的復(fù)雜工 業(yè)過程或系統(tǒng)中，比如化工過程。由于分布式控制系統(tǒng)在現(xiàn)代工業(yè)過程中的廣泛利用，大量 數(shù)據(jù)可W被記錄并采集。過程數(shù)據(jù)通常具有高維、非線性、時變、多模態(tài)、自相關(guān)等特點(diǎn)，現(xiàn) 有的基于數(shù)據(jù)的過程監(jiān)測方法很難完全處理。
[0007] 因此，有必要研究出一種全新的基于數(shù)據(jù)的過程檢測方法，從而解決現(xiàn)有技術(shù)的 上述缺陷。


【發(fā)明內(nèi)容】

[000引為了解決上述問題，本發(fā)明提出了一種基于改進(jìn)動態(tài)可見圖（MDVG)的過程故障 監(jiān)測方法。
[0009] 本發(fā)明提供了一種基于改進(jìn)動態(tài)可見圖的過程故障監(jiān)測方法，本發(fā)明借助復(fù)雜網(wǎng) 絡(luò)理論，提出一種改進(jìn)的動態(tài)可見圖算法，在此算法的基礎(chǔ)上，把時間序列數(shù)據(jù)映射到復(fù)雜 網(wǎng)絡(luò)結(jié)構(gòu)，通過網(wǎng)絡(luò)特性區(qū)分與識別不同變量的時間序列數(shù)據(jù)，并判斷生產(chǎn)數(shù)據(jù)是否發(fā)生 故障，通過該方法可W降低故障誤報(bào)率和漏報(bào)率，而且可W更早地監(jiān)測到故障發(fā)生，更有利 于復(fù)雜工業(yè)過程的實(shí)時監(jiān)測。
[0010] 本發(fā)明請求保護(hù)一種基于改進(jìn)動態(tài)可見圖的過程故障監(jiān)測方法，該方法包括如下 步驟：
[0011] S101，確定監(jiān)測變量，將各個變量的歷史數(shù)據(jù)按一定移動窗格長度分別歸一化后， 利用MDVG算法映射到一個復(fù)雜網(wǎng)絡(luò)中；
[001引利用MDVG算法映射到復(fù)雜網(wǎng)絡(luò)的過程如下：
[0013] 考慮一組時序數(shù)據(jù)中的任意兩個數(shù)據(jù)也，Xi)和（tk，Xk)，i<k，對于它們之間的所 有數(shù)據(jù)（tj.，Xj.)，i<j<k，如果滿足可見條件
[0014] (U / \ 又 -X
[00巧] ?(/')< a";'= at.cUin --*// 口）
[0016] 那么，認(rèn)為該兩個數(shù)據(jù)映射的節(jié)點(diǎn)在網(wǎng)絡(luò)中可見并連接，
[0017] 通過公式（1)和做計(jì)算，確定該時序數(shù)據(jù)在視角a和時間間隔常數(shù)h下對應(yīng)的 唯一的網(wǎng)絡(luò)結(jié)構(gòu)。
[001引 S102,計(jì)算映射的網(wǎng)絡(luò)的S個特性參數(shù)K(a)、A(a)、Q(a)，并確定監(jiān)測指標(biāo)及 相應(yīng)的闊值。
[0019] 刻畫MDVG( a )的S個重要特性參數(shù)如下；
[0020] (1)節(jié)點(diǎn)相對平均度K(a);
[0021] K{a) =、!、 (4)
[0022] 其中，哀和^分別為視角a和JT下的網(wǎng)絡(luò)節(jié)點(diǎn)的平均度。
[0023] (2)相對平均連接長度A ( a );
[0024] 八片）=[化 （5)
[0025] 其中，[和分別為視角a和31下的網(wǎng)絡(luò)的平均連接長度。
[0026] 做非連通集團(tuán)數(shù)Q( a)諾一組按序排列的節(jié)點(diǎn)，它們之間每個節(jié)點(diǎn)至少存在一 對連接關(guān)系，并且每個節(jié)點(diǎn)與非組內(nèi)的任何節(jié)點(diǎn)都不存在連接關(guān)系，則該組節(jié)點(diǎn)構(gòu)成一個 非連通集團(tuán)。每個網(wǎng)絡(luò)中非連通集團(tuán)的數(shù)量即為非連通集團(tuán)數(shù)。
[0027] S103,實(shí)施在線過程監(jiān)測，采用與歷史數(shù)據(jù)相同的移動窗格長度，監(jiān)測各個變量的 當(dāng)前數(shù)據(jù)，計(jì)算當(dāng)前數(shù)據(jù)的監(jiān)測指標(biāo)；
[002引 S104,判斷當(dāng)前數(shù)據(jù)的監(jiān)測指標(biāo)是否超出闊值，如果超出，系統(tǒng)
[0029] 發(fā)出警報(bào)，W便操作人員及時查找和確定故障原因。
[0030] 進(jìn)一步的，時間間隔常數(shù)h可W通過粒子群優(yōu)化算法確定，使得K( a )、A ( a )、 Q( a )的眾數(shù)出現(xiàn)次數(shù)的均值最小，問題的數(shù)學(xué)模型表示為：
[003U min J(h) = (MK(a(h))+MA(a(h))+MQ(u(h)))/3 (6)
[00對其中，1""、14<"為<"分別為1(((1)、^0)、9(0)眾數(shù)的出現(xiàn)次數(shù)。
[003引進(jìn)一步的，h = 0. 15是一個可W獲得高區(qū)分度MDVG特性的較好普適值，可W作為 運(yùn)算的參考值。

【專利附圖】

【附圖說明】
[0034] 圖1為可見圖算法圖例；
[0035] 圖2為根據(jù)本發(fā)明實(shí)施例的基于MDVG的過程故障監(jiān)測方法；
[0036] 圖3為實(shí)施例中的TE過程；
[0037] 圖4為TE過程節(jié)點(diǎn)相對平均度；
[003引圖5為TE過程相對平均連接長度；
[0039] 圖6為TE過程非連通集團(tuán)數(shù)；
[0040] 圖7為TE過程非連通集團(tuán)數(shù)局部放大圖；
[0041] 圖8為DVG-Q (85〇)對故障3的過程監(jiān)測；
[004引 圖9為MDVG-Q化50)對故障3的過程監(jiān)測；
[00創(chuàng)圖10為LKPCA-T2對故障3的過程監(jiān)測；
[0044] 圖11為LKPCA-Q對故障3的過程監(jiān)測。

【具體實(shí)施方式】
[0045] 下面結(jié)合附圖和實(shí)施例，對本發(fā)明的【具體實(shí)施方式】作進(jìn)一步詳細(xì)描述。W下實(shí)施 例用于說明本發(fā)明，但不用來限制本發(fā)明的范圍。
[0046] 本發(fā)明的基于MDVG的過程故障監(jiān)測方法，包括如下步驟：
[0047] S101，確定監(jiān)測變量，將各個變量的歷史數(shù)據(jù)按一定移動窗格長度分別歸一化后， 利用MDVG算法映射到一個復(fù)雜網(wǎng)絡(luò)中。
[0048] 傳統(tǒng)的DVG對時序數(shù)據(jù)映射到復(fù)雜網(wǎng)絡(luò)的過程一般如下；
[0049] 考慮一組時序數(shù)據(jù)中的任意兩個數(shù)據(jù)也，Xi)和（tk，Xk)，i<k，對于它們之間的所 有數(shù)據(jù)（tj.，Xj.)，K j<k，如果滿足NVG可見條件 t. - t-
[0050] <x, (1) ti
[(X)日1] 臥及視角a的限定
[0052] ? < ?。= arcton 爭^ (2) tk_t;'
[0053] 那么，認(rèn)為該兩個數(shù)據(jù)映射的節(jié)點(diǎn)在網(wǎng)絡(luò)中可見并連接。例如圖1所示，線1屬于 所有圖--NVG、DVG(a = 90。）、HVG，線2屬于NVG和HVG但不屬于DVG(a = 90。），線 3屬于NVG和DVG( a = 90° )但不屬于HVG。
[0054] 在傳統(tǒng)DVG對時序數(shù)據(jù)映射到復(fù)雜網(wǎng)絡(luò)的過程中，并沒有考慮時間間隔與數(shù)值大 小的關(guān)系對構(gòu)造網(wǎng)絡(luò)產(chǎn)生的影響，可能導(dǎo)致同組數(shù)據(jù)在不同視角下、不同數(shù)據(jù)在同一視角 下的網(wǎng)絡(luò)結(jié)構(gòu)差異不大，對進(jìn)一步的分析帶來阻礙。
[005引 為此，本發(fā)明提出的改進(jìn)的動態(tài)可見圖（modified dynamical visibility graph, MDVG)算法，在滿足公式（1)的前提下，引入時間間隔常數(shù)h進(jìn)一步限定視角，優(yōu)化 DVG算法中的公式（2); / \ - JC
[0化6] a(/;)<a,, =arctan -~'-'^h (3)
[0057] 通過公式（1)和做計(jì)算，確定該時序數(shù)據(jù)在視角a和時間間隔常數(shù)h下對應(yīng)的 唯一的網(wǎng)絡(luò)結(jié)構(gòu)。
[0化引時間間隔常數(shù)h可W采用兩種方式獲得：
[0化9] 1.時間間隔常數(shù)h通過粒子群優(yōu)化算法確定，使得K(a)、A (a)、Q(a)的眾數(shù) 出現(xiàn)次數(shù)的均值最小，問題的數(shù)學(xué)模型表示為：
[0060] min J(h) = (M"。肋)+MA(a(h))+MQ(。肋)）/3 (6)
[0061] 其中，1""、14<"、10<"分別為1(((1)、^〇)、9(〇)眾數(shù)的出現(xiàn)次數(shù)。
[0062] 眾數(shù)是一組數(shù)據(jù)中出現(xiàn)次數(shù)最多的數(shù)值，眾數(shù)的出現(xiàn)次數(shù)越少，說明隨著視角的 變化，MDVG特性越不會集中于某一特定值，從一個特定時間序列可W獲得更豐富的信息來 進(jìn)行處理分析，更易于與其它時間序列區(qū)別開來。
[0063] 2.通過不同類型不同長度數(shù)據(jù)多次運(yùn)算取平均值發(fā)現(xiàn)，h = 0. 15是一個可W獲得 高區(qū)分度MDVG特性的較好普適值，可W作為運(yùn)算的參考值。
[0064] S102,計(jì)算映射的網(wǎng)絡(luò)的S個特性參數(shù)K( a )、A ( a )、Q( a )，并確定監(jiān)測指標(biāo)及 相應(yīng)的闊值。
[0065] 亥畫MDVG( a )的；個重要特性參數(shù)如下；
[0066] (1)節(jié)點(diǎn)相對平均度K ( a );
[0067] K{'a) = W、 (4)
[0068] 其中，忘和^分別為視角a和31下的網(wǎng)絡(luò)節(jié)點(diǎn)的平均度。
[0069] (2)相對平均連接長度A (曰）：
[0070] 二 IM-- 口）
[0071] 其中，[和分別為視角a和n下的網(wǎng)絡(luò)的平均連接長度。
[007引 做非連通集團(tuán)數(shù)Q( a)諾一組按序排列的節(jié)點(diǎn)，它們之間每個節(jié)點(diǎn)至少存在一 對連接關(guān)系，并且每個節(jié)點(diǎn)與非組內(nèi)的任何節(jié)點(diǎn)都不存在連接關(guān)系，則該組節(jié)點(diǎn)構(gòu)成一個 非連通集團(tuán)。每個網(wǎng)絡(luò)中非連通集團(tuán)的數(shù)量即為非連通集團(tuán)數(shù)。
[0073] 監(jiān)測指標(biāo)可W包括上述=個特性參數(shù)的最值、均值或特定視角下的值，在本步驟 中可W確定監(jiān)測指標(biāo)的闊值，在該闊值范圍內(nèi)，監(jiān)測指標(biāo)算正常。
[0074] S103,實(shí)施在線過程監(jiān)測，采用與歷史數(shù)據(jù)相同的移動窗格長度，監(jiān)測各個變量的 當(dāng)前數(shù)據(jù)，計(jì)算當(dāng)前數(shù)據(jù)的監(jiān)測指標(biāo)。
[0075] 監(jiān)測指標(biāo)與步驟S102的一致，可W包括上述=個特性的最值、均值或特定視角下 的值，=個特性的計(jì)算方式如上所示。
[0076] S104,判斷當(dāng)前數(shù)據(jù)的監(jiān)測指標(biāo)是否超出闊值，如果超出，系統(tǒng)發(fā)出警報(bào)，W便操 作人員及時查找和確定故障原因。
[0077] 下面通過一個實(shí)施例對本申請的方法作進(jìn)一步的描述。
[007引 TE(Tennessee Eastman)過程模型是對一家化工廠的真實(shí)仿真程序，在控制和監(jiān) 測研究中廣泛用于標(biāo)準(zhǔn)測試，其流程如圖6所示。TE過程包括5個主要單元，即反應(yīng)器，冷 凝器，壓縮機(jī)，分離塔和汽提塔，通過4個反應(yīng)產(chǎn)生2個產(chǎn)物，同時生成總共8個成分的惰性 氣體和副產(chǎn)品，分別記為A、B、C、D、E、F、G和H。整個系統(tǒng)包括12個操作變量和41個過程 變量（包括22個直接測量變量和19個分析變量），預(yù)設(shè)了 20個過程故障（其中，故障1-8 類型為階躍變化，故障9-12為隨機(jī)變化，故障13為緩慢漂移，故障14、15為閥口粘滯，故障 16-20為未知）。由于MDVG過程監(jiān)測方法僅基于過程數(shù)據(jù)，所W可W不必預(yù)先了解該過程 的數(shù)學(xué)模型。
[0079] 選取22個直接測量變量作為監(jiān)測變量，移動窗格長度為50,采樣間隔0. 03h，將該 1100個采樣數(shù)據(jù)按變量分別歸一化處理，利用MDVG算法映射成一個擁有1100個節(jié)點(diǎn)的復(fù) 雜網(wǎng)絡(luò)，然后計(jì)算該網(wǎng)絡(luò)的相關(guān)特性值。選取四類不同的故障數(shù)據(jù)和正常數(shù)據(jù)進(jìn)行分析和 比較，每類各取5組不同窗格的數(shù)據(jù)W降低隨機(jī)性，計(jì)算結(jié)果如圖3、圖4、圖5所示。
[0080] 從圖3、圖4、圖5可W看出，同一顏色的線聚集在一起，不同顏色的線有一定區(qū)分， 說明MDVG算法可W較好地將不同類數(shù)據(jù)進(jìn)行區(qū)分，而同類數(shù)據(jù)間的特性差別基本不大。
[0081] 通過比較正常數(shù)據(jù)和各類故障數(shù)據(jù)之間的相關(guān)特性可W發(fā)現(xiàn)，非連通集團(tuán)數(shù)的區(qū) 分效果相對最優(yōu)，易于量化，如圖6所示，可選取視角a =65°時MDVG非連通集團(tuán)數(shù)Q( a =65° )作為監(jiān)測指標(biāo)對TE過程進(jìn)行在線過程監(jiān)測，監(jiān)測闊值上下限分別為540和520， 也就是說，當(dāng)數(shù)據(jù)的Q(a =65° )值在520至540之間時，我們認(rèn)為過程處于正常狀態(tài)，否 則過程發(fā)生故障。
[00間故障3是流量2中D溫度引起的隨機(jī)變化，屬于較難檢測出的故障，具有一定的代 表性，下面對它進(jìn)行詳細(xì)分析。采集300組數(shù)據(jù)，從第101組引入故障3,比較DVG、MDVG方法 和目前相對比較先進(jìn)的局部核主元分析（local kernel principal components analysis， LKPCA)方法的在線監(jiān)測結(jié)果。各監(jiān)測方法的運(yùn)行結(jié)果如表1所示。
[0083] 表1各種監(jiān)測方法的運(yùn)行結(jié)果
[0084]

【權(quán)利要求】
1. 一種基于改進(jìn)動態(tài)可見圖的過程故障監(jiān)測方法，其特征在于，該方法包括如下步 驟： S101，確定監(jiān)測變量，將各個變量的歷史數(shù)據(jù)按一定移動窗格長度分別歸一化后，利用MDVG算法映射到一個復(fù)雜網(wǎng)絡(luò)中； 利用MDVG算法映射到復(fù)雜網(wǎng)絡(luò)的過程如下： 考慮一組時序數(shù)據(jù)中的任意兩個數(shù)據(jù)Xi)和（tk，xk)，i〈k，對于它們之間的所有數(shù) 據(jù)（tpXp，i〈j〈k，如果滿足可見條件
那么，認(rèn)為這兩個數(shù)據(jù)映射的節(jié)點(diǎn)在網(wǎng)絡(luò)中可見并連接， 通過公式（1)和（3)計(jì)算，確定該時序數(shù)據(jù)在視角a和時間間隔常數(shù)h下對應(yīng)的唯一 的網(wǎng)絡(luò)結(jié)構(gòu)。 5102, 計(jì)算映射的網(wǎng)絡(luò)的三個特性參數(shù)K(a)、A(a)、Q(a)，并確定監(jiān)測指標(biāo)及相應(yīng) 的閾值。 刻畫MDVG(a)的三個重要特性參數(shù)如下： (1) 節(jié)點(diǎn)相對平均度K(a):
其中，€和&分別為視角a和Ji下的網(wǎng)絡(luò)節(jié)點(diǎn)的平均度。 (2) 相對平均連接長度A(a):
其中，I和I分別為視角a和下的網(wǎng)絡(luò)的平均連接長度。 ⑶非連通集團(tuán)數(shù)Q(a):若一組按序排列的節(jié)點(diǎn)，它們之間每個節(jié)點(diǎn)至少存在一對連 接關(guān)系，并且每個節(jié)點(diǎn)與非組內(nèi)的任何節(jié)點(diǎn)都不存在連接關(guān)系，則這組節(jié)點(diǎn)構(gòu)成一個非連 通集團(tuán)，每個網(wǎng)絡(luò)中非連通集團(tuán)的數(shù)量即為非連通集團(tuán)數(shù)。 5103, 實(shí)施在線過程監(jiān)測，采用與歷史數(shù)據(jù)相同的移動窗格長度，監(jiān)測各個變量的當(dāng)前 數(shù)據(jù)，計(jì)算當(dāng)前數(shù)據(jù)的監(jiān)測指標(biāo)； 5104, 判斷當(dāng)前數(shù)據(jù)的監(jiān)測指標(biāo)是否超出閾值，如果超出，系統(tǒng)發(fā)出警報(bào)，以便操作人 員及時查找和確定故障原因。
2. 如權(quán)利要求1所述的方法，其特征在于，時間間隔常數(shù)h可以通過粒子群優(yōu)化算法確 定，使得K(a)、A(a)、Q(a)的眾數(shù)出現(xiàn)次數(shù)的均值最小，問題的數(shù)學(xué)模型表示為： minj(h) = (MK(a(h))+MA(a(h))+MQ(a(h)))/3 (6) 其中，]\^)、]\^(。)、]\^ )分別為1(((1)、人（(1)、〇((1)眾數(shù)的出現(xiàn)次數(shù)。
3. 如權(quán)利要求1所述的方法，其特征在于，h= 0. 15是一個可以獲得高區(qū)分度MDVG特 性的較好普適值，可以作為運(yùn)算的參考值。
4. 如權(quán)利要求1所述的方法，其特征在于，步驟S103的監(jiān)測指標(biāo)與步驟S102當(dāng)中的監(jiān) 測指標(biāo)一致，可以包括上述三個特性參數(shù)的最值、均值或特定視角下的值。
【文檔編號】G05B23/02GK104503441SQ201410806907
【公開日】2015年4月8日 申請日期:2014年12月22日 優(yōu)先權(quán)日:2014年12月22日
【發(fā)明者】耿志強(qiáng), 王尊, 朱群雄, 韓永明, 徐圓 申請人:北京化工大學(xué)