本發(fā)明涉及燃?xì)廨啓C(jī)故障診斷技術(shù)領(lǐng)域，具體涉及基于傳感器關(guān)聯(lián)網(wǎng)絡(luò)的燃?xì)廨啓C(jī)異常檢測(cè)與故障診斷算法。

背景技術(shù)：
：

大型燃?xì)廨啓C(jī)這類復(fù)雜的工業(yè)系統(tǒng)的結(jié)構(gòu)和功能復(fù)雜，工作環(huán)境惡劣且工況多變，是故障多發(fā)系統(tǒng)，并且在結(jié)構(gòu)上通常由多級(jí)子系統(tǒng)和輔助系統(tǒng)組成，各級(jí)子系統(tǒng)在控制流程的作用下實(shí)現(xiàn)了由物質(zhì)流引導(dǎo)的能量流和信息流的傳遞過程，通過安裝在結(jié)構(gòu)上的成百上千甚至上萬個(gè)傳感器可以實(shí)現(xiàn)其運(yùn)行狀態(tài)的監(jiān)測(cè)。當(dāng)系統(tǒng)發(fā)生故障時(shí)，故障效果將會(huì)沿著信息傳遞方向擴(kuò)散，并導(dǎo)致眾多傳感器的狀態(tài)相繼出現(xiàn)異常而報(bào)警。在無法確認(rèn)故障源的情況下，操作人員很難制定合理的解決方案，從而導(dǎo)致故障的進(jìn)一步擴(kuò)大，威脅生產(chǎn)安全。

傳統(tǒng)的基于定量模型以及規(guī)則的故障診斷方法由于知識(shí)表示能力的限制使得其很難從整體上描述系統(tǒng)運(yùn)行的完整狀態(tài)，只適用于解決局部故障的診斷問題。因此，對(duì)大型燃?xì)廨啓C(jī)進(jìn)行完整的狀態(tài)監(jiān)測(cè)，從而實(shí)現(xiàn)準(zhǔn)確的異常檢測(cè)和故障診斷具有重要的意義。

技術(shù)實(shí)現(xiàn)要素：
：

本發(fā)明的目的是提供一種基于傳感器關(guān)聯(lián)網(wǎng)絡(luò)的燃?xì)廨啓C(jī)異常檢測(cè)與故障診斷算法，改善傳統(tǒng)的基于定量模型以及規(guī)則的診斷方法只適用于解決局部故障的局限，提高了對(duì)大型燃?xì)廨啓C(jī)的故障診斷能力。

本發(fā)明采用的技術(shù)方案為：一種基于傳感器關(guān)聯(lián)網(wǎng)絡(luò)的燃?xì)廨啓C(jī)異常檢測(cè)與故障診斷算法，診斷算法步驟如下：

步驟一：信號(hào)預(yù)處理，將通過傳感器測(cè)點(diǎn)測(cè)量到的燃?xì)廨啓C(jī)運(yùn)行數(shù)據(jù)時(shí)間序列分為連續(xù)的周期類型、趨勢(shì)類型信號(hào)以及離散的指令信號(hào)，并對(duì)不同類型的信號(hào)采用相應(yīng)的特征提取方法獲得能夠準(zhǔn)確描述信號(hào)行為的特征；

步驟二：對(duì)預(yù)處理后的測(cè)點(diǎn)集合中的任意兩個(gè)傳感器測(cè)點(diǎn)之間的相關(guān)性進(jìn)行評(píng)價(jià)，并利用得到的相關(guān)性指標(biāo)和測(cè)點(diǎn)集合構(gòu)建燃?xì)廨啓C(jī)的傳感器關(guān)聯(lián)網(wǎng)絡(luò)模型；

步驟三：對(duì)得到的燃?xì)廨啓C(jī)傳感器關(guān)聯(lián)網(wǎng)絡(luò)模型進(jìn)行分層聚類，并利用矩陣的形式表示分層聚類后的傳感器關(guān)聯(lián)網(wǎng)絡(luò)模型，將連續(xù)兩個(gè)測(cè)量到的燃?xì)廨啓C(jī)運(yùn)行數(shù)據(jù)時(shí)間序列對(duì)應(yīng)的矩陣進(jìn)行矩陣差計(jì)算，形成一個(gè)殘差矩陣；

步驟四：利用信息熵指標(biāo)對(duì)最小粒度子類分別對(duì)應(yīng)的殘差矩陣的結(jié)構(gòu)分布進(jìn)行評(píng)價(jià)，并通過與經(jīng)驗(yàn)閾值的比較判斷殘差是否超限，如果超限，則說明該子類對(duì)應(yīng)的功能集合出現(xiàn)異常，如果沒有超限，則說明系統(tǒng)工作在容忍范圍內(nèi)；

步驟五：計(jì)算各層中所有子類的信息熵，計(jì)算所有信息熵指標(biāo)超限子類的超類的信息熵指標(biāo)，直到遇到信息熵指標(biāo)不超限的子類，則具有信息熵指標(biāo)超限的最大子類即為當(dāng)前故障效果的影響范圍。

所述的步驟一中對(duì)周期類型的指令信號(hào)首先進(jìn)行FFT變換得到相應(yīng)的頻域信號(hào)，并保證得到的頻域信號(hào)采樣點(diǎn)數(shù)與時(shí)域信號(hào)采樣點(diǎn)數(shù)相同；然后，對(duì)趨勢(shì)類型的信號(hào)用其變化率代表其變化特征；最后，根據(jù)指令信號(hào)對(duì)不同工作模式下的測(cè)量信號(hào)進(jìn)行劃分。

所述的步驟二中的相關(guān)性指標(biāo)首先選用最大互信息系數(shù)(MIC)為評(píng)價(jià)指標(biāo)，對(duì)任意兩個(gè)傳感器測(cè)點(diǎn)的時(shí)間序列之間的相關(guān)性進(jìn)行評(píng)價(jià)；然后，保留所有相關(guān)性評(píng)價(jià)指標(biāo)中大于0.3的指標(biāo)，并將小于等于0.3相關(guān)性評(píng)價(jià)指標(biāo)置為0；最后，對(duì)由所有的傳感器測(cè)點(diǎn)以及各個(gè)測(cè)點(diǎn)之間的相關(guān)性評(píng)價(jià)指標(biāo)構(gòu)成的傳感器網(wǎng)絡(luò)以“Modularity”為指標(biāo)采用“Fast Unfolding算法”進(jìn)行聚類。

所述的步驟三中對(duì)傳感器關(guān)聯(lián)網(wǎng)絡(luò)模型進(jìn)行分層聚類時(shí)首先燃?xì)廨啓C(jī)中構(gòu)成子系統(tǒng)的最小部件數(shù)應(yīng)不大于作為聚類尺寸；然后，分層聚類的層數(shù)應(yīng)不小于需要分析的最小粒度燃?xì)廨啓C(jī)子系統(tǒng)或部件所在層數(shù)一致。

所述的步驟四和步驟五中利用殘差矩陣信息熵的推理過程：首先，計(jì)算最頂層所有最小粒度子類對(duì)應(yīng)的殘差矩陣的信息熵指標(biāo)，判斷該指標(biāo)是否超限，若未超限，則該子類代表的功能集合工作在可容忍范圍內(nèi)，若超限，則說明該子類代表的功能集合發(fā)生異常；然后，計(jì)算包含信息熵指標(biāo)超限子類的超類的信息熵指標(biāo)，判斷該指標(biāo)是否超限，若超限，則遞歸執(zhí)行本步驟；最后，找到具有信息熵超限的最大子類，則該子類為異常效果影響的最大范圍。

本發(fā)明的有益效果是：可用于實(shí)現(xiàn)對(duì)大型燃?xì)廨啓C(jī)完整運(yùn)行狀態(tài)的異常監(jiān)測(cè)，特別適用于傳感器測(cè)點(diǎn)信息非常豐富的情況，與現(xiàn)有技術(shù)相比的優(yōu)點(diǎn)在于：能夠利用系統(tǒng)的整體運(yùn)行信息盡可能完備地描述系統(tǒng)的運(yùn)行特征，從而實(shí)現(xiàn)對(duì)大型燃?xì)廨啓C(jī)這類系統(tǒng)的系統(tǒng)更加準(zhǔn)確地異常檢測(cè)與故障診斷任務(wù)。

附圖說明：

圖1是本發(fā)明流程結(jié)構(gòu)示意圖。

具體實(shí)施方式：

參照?qǐng)D1，一種基于傳感器關(guān)聯(lián)網(wǎng)絡(luò)的燃?xì)廨啓C(jī)異常檢測(cè)與故障診斷算法，診斷算法步驟如下：

步驟一：信號(hào)預(yù)處理，將通過傳感器測(cè)點(diǎn)測(cè)量到的燃?xì)廨啓C(jī)運(yùn)行數(shù)據(jù)時(shí)間序列分為連續(xù)的周期類型、趨勢(shì)類型信號(hào)以及離散的指令信號(hào)，并對(duì)不同類型的信號(hào)采用相應(yīng)的特征提取方法獲得能夠準(zhǔn)確描述信號(hào)行為的特征；

步驟二：對(duì)預(yù)處理后的測(cè)點(diǎn)集合中的任意兩個(gè)傳感器測(cè)點(diǎn)之間的相關(guān)性進(jìn)行評(píng)價(jià)，并利用得到的相關(guān)性指標(biāo)和測(cè)點(diǎn)集合構(gòu)建燃?xì)廨啓C(jī)的傳感器關(guān)聯(lián)網(wǎng)絡(luò)模型；

步驟三：對(duì)得到的燃?xì)廨啓C(jī)傳感器關(guān)聯(lián)網(wǎng)絡(luò)模型進(jìn)行分層聚類，并利用矩陣的形式表示分層聚類后的傳感器關(guān)聯(lián)網(wǎng)絡(luò)模型，將連續(xù)兩個(gè)測(cè)量到的燃?xì)廨啓C(jī)運(yùn)行數(shù)據(jù)時(shí)間序列對(duì)應(yīng)的矩陣進(jìn)行矩陣差計(jì)算，形成一個(gè)殘差矩陣；

步驟四：利用信息熵指標(biāo)對(duì)最小粒度子類分別對(duì)應(yīng)的殘差矩陣的結(jié)構(gòu)分布進(jìn)行評(píng)價(jià)，并通過與經(jīng)驗(yàn)閾值的比較判斷殘差是否超限，如果超限，則說明該子類對(duì)應(yīng)的功能集合出現(xiàn)異常，如果沒有超限，則說明系統(tǒng)工作在容忍范圍內(nèi)；

步驟五：計(jì)算各層中所有子類的信息熵，計(jì)算所有信息熵指標(biāo)超限子類的超類的信息熵指標(biāo)，直到遇到信息熵指標(biāo)不超限的子類，則具有信息熵指標(biāo)超限的最大子類即為當(dāng)前故障效果的影響范圍。

所述的步驟一中對(duì)周期類型的指令信號(hào)首先進(jìn)行FFT變換得到相應(yīng)的頻域信號(hào)，并保證得到的頻域信號(hào)采樣點(diǎn)數(shù)與時(shí)域信號(hào)采樣點(diǎn)數(shù)相同；然后，對(duì)趨勢(shì)類型的信號(hào)用其變化率代表其變化特征；最后，根據(jù)指令信號(hào)對(duì)不同工作模式下的測(cè)量信號(hào)進(jìn)行劃分。

所述的步驟二中的相關(guān)性指標(biāo)首先選用最大互信息系數(shù)(MIC)為評(píng)價(jià)指標(biāo)，對(duì)任意兩個(gè)傳感器測(cè)點(diǎn)的時(shí)間序列之間的相關(guān)性進(jìn)行評(píng)價(jià)；然后，保留所有相關(guān)性評(píng)價(jià)指標(biāo)中大于0.3的指標(biāo)，并將小于等于0.3相關(guān)性評(píng)價(jià)指標(biāo)置為0；最后，對(duì)由所有的傳感器測(cè)點(diǎn)以及各個(gè)測(cè)點(diǎn)之間的相關(guān)性評(píng)價(jià)指標(biāo)構(gòu)成的傳感器網(wǎng)絡(luò)以“Modularity”為指標(biāo)采用“Fast Unfolding算法”進(jìn)行聚類。

所述的步驟三中對(duì)傳感器關(guān)聯(lián)網(wǎng)絡(luò)模型進(jìn)行分層聚類時(shí)首先燃?xì)廨啓C(jī)中構(gòu)成子系統(tǒng)的最小部件數(shù)應(yīng)不大于作為聚類尺寸；然后，分層聚類的層數(shù)應(yīng)不小于需要分析的最小粒度燃?xì)廨啓C(jī)子系統(tǒng)或部件所在層數(shù)一致。

所述的步驟四和步驟五中利用殘差矩陣信息熵的推理過程：首先，計(jì)算最頂層所有最小粒度子類對(duì)應(yīng)的殘差矩陣的信息熵指標(biāo)，判斷該指標(biāo)是否超限，若未超限，則該子類代表的功能集合工作在可容忍范圍內(nèi)，若超限，則說明該子類代表的功能集合發(fā)生異常；然后，計(jì)算包含信息熵指標(biāo)超限子類的超類的信息熵指標(biāo)，判斷該指標(biāo)是否超限，若超限，則遞歸執(zhí)行本步驟；最后，找到具有信息熵超限的最大子類，則該子類為異常效果影響的最大范圍。

首先在建立傳感器關(guān)聯(lián)網(wǎng)絡(luò)模型時(shí)，利用布置在燃?xì)廨啓C(jī)各部件上的傳感器采集到系統(tǒng)的運(yùn)行時(shí)數(shù)據(jù)，并根據(jù)數(shù)據(jù)時(shí)間序列所描述的燃?xì)廨啓C(jī)特征屬性類型將時(shí)域內(nèi)的周期信號(hào)轉(zhuǎn)換為頻域信號(hào)并保持其采樣點(diǎn)數(shù)不變；利用相關(guān)性評(píng)價(jià)指標(biāo)獲得任意兩個(gè)傳感器測(cè)點(diǎn)之間的相關(guān)程度指標(biāo)；將該指標(biāo)作為圖的邊、將傳感器測(cè)點(diǎn)作為圖節(jié)點(diǎn)，形成傳感器關(guān)聯(lián)網(wǎng)絡(luò)模型。

然后，根據(jù)得到的傳感器之間的相關(guān)程度指標(biāo)對(duì)傳感器關(guān)聯(lián)網(wǎng)絡(luò)模型進(jìn)行分層聚類，以每個(gè)層次中的各個(gè)子類表征大型燃?xì)廨啓C(jī)中不同粒度子系統(tǒng)或部件的功能模式。

最后，將利用燃?xì)廨啓C(jī)運(yùn)行時(shí)相鄰兩個(gè)時(shí)間序列得到的傳感器關(guān)聯(lián)網(wǎng)絡(luò)圖對(duì)應(yīng)的矩陣進(jìn)行求差運(yùn)算，得到描述傳感器關(guān)聯(lián)關(guān)系在這兩段時(shí)間內(nèi)的改變情況的殘差矩陣；利用信息熵指標(biāo)對(duì)各層子類分別對(duì)應(yīng)的殘差矩陣的結(jié)構(gòu)分布進(jìn)行評(píng)價(jià)，并通過與經(jīng)驗(yàn)閾值的比較判斷殘差是否超限，從而實(shí)現(xiàn)燃?xì)廨啓C(jī)運(yùn)行狀態(tài)多層次、多粒度的異常檢測(cè)與故障診斷。

綜上所述，本基于傳感器關(guān)聯(lián)網(wǎng)絡(luò)的燃?xì)廨啓C(jī)異常檢測(cè)與故障診斷算法，可用于實(shí)現(xiàn)對(duì)大型燃?xì)廨啓C(jī)完整運(yùn)行狀態(tài)的異常監(jiān)測(cè)，特別適用于傳感器測(cè)點(diǎn)信息非常豐富的情況，與現(xiàn)有技術(shù)相比的優(yōu)點(diǎn)在于：能夠利用系統(tǒng)的整體運(yùn)行信息盡可能完備地描述系統(tǒng)的運(yùn)行特征，從而實(shí)現(xiàn)對(duì)大型燃?xì)廨啓C(jī)這類系統(tǒng)的系統(tǒng)更加準(zhǔn)確地異常檢測(cè)與故障診斷任務(wù)。