多变量因果驱动的复杂机电系统服役安全态势评估方法技术方案

本发明专利技术公开了多变量因果驱动的复杂机电系统服役安全态势评估方法，属于复杂机电系统服役过程状态评估领域，首先，提取复杂机电系统服役过程中的状态监测数据，对其进行预处理，利用GPDC方法计算监测变量之间的因果测度值，构建能够反映系统状态演化过程的因果网络拓扑模型；基于所建立的因果网络模型，提取其平均路径长度、聚类系数和网络结构熵三个维度的特征；根据所提取的三个特征的异常波动信息，对系统的异常状态空间进行重构，并将三个维度上的异常超限指标进行归一化，利用归一化的异常指数对复杂机电系统服役状态进行有效评估。

Multi variable causal driven safety situation assessment method for complex electromechanical system in service

【技术实现步骤摘要】
多变量因果驱动的复杂机电系统服役安全态势评估方法
本专利技术涉及复杂机电系统状态评估领域，具体涉及一种多变量因果驱动的复杂机电系统服役安全态势评估方法。
技术介绍
流程工业生产过程复杂，各个部件之间高度关联耦合，是一类典型的复杂机电系统。为了保证流程工业生产系统的正常运行，通常会在系统中安装大量的工业仪表和传感器来对系统的运行状态进行实时监测和控制，这些监测数据蕴含了流程工业生产系统丰富的状态和工况信息，可以用其对系统的服役状态进行评估。但是复杂机电系统规模庞大，传统的以系统单一监测指标为主的状态评估方法无法从全局的角度对系统的服役状态进行有效的表征，导致管理人员对系统的运行状态把握不准确，做出一些过调度或调度不及时的操作，造成系统的停车或爆炸等事故，从而给企业带来严重的经济损失。为了解决复杂机电系统的状态评估问题，赵科等针对断路器实际运行过程中故障类型复杂，基于单一信号的断路器状态评估方法在评估过程中可能出现误判的情况，提出了一种基于不同信号特征融合的断路器状态评估方法，解决了断路器在复杂故障前提下的状态评估问题；梁广辉等针对飞机液压系统的实际使用工况难以评估的难题，提出一种基于非对称贴近度的多级模糊综合评判方法；李康等针对机械设备状态评估过程中缺乏能够有效捕捉设备状态演化过程中评估指标的问题，提出了一种利用多种特征信息的旋转机械设备状态评估方法，利用自组织神经网络和小波包实现设备运行状态的特征映射和信息获取，建立了一个统一的状态评估指标，实现了设备不同阶段运行性能的有效评估。这些研究针对不同的复杂机电设备状态评估问题提出了相应的融合特征评估指标，实现了相关设备运行状态的有效评估。但是这些评估方法针对的是含有少量监测指标的复杂装备，对于含有大量监测数据的流程工业生产系统，尚缺乏有效的状态评估方法，现有方法无法实现有效数据分析。需要从数据之间关联分析的角度对数据之间的因果关系进行分析，建立能够反映系统运行状态的网络模型，通过融合反映系统网络模型拓扑结构的多元特征，来对复杂机电系统服役过程的异常状态进行有效评估。
技术实现思路
本专利技术的目的在于提供多变量因果驱动的复杂机电系统服役安全态势评估方法，以克服现有状态评估方法无法对监测变量较多的复杂机电系统异常状态演化过程进行有效表征的现状。为达到上述目的，本专利技术采用如下技术方案：多变量因果驱动的复杂机电系统服役安全态势评估方法，包括以下步骤：步骤1)、获取复杂机电系统多个监测变量的状态监测时间序列数据，对获取到的状态监测时间序列数据进行小波降噪处理；步骤2)、利用广义偏定向相干性法计算降噪后任意两个监测变量的时间序列数据之间的因果测度值，形成任意两个监测变量间因果关系测度矩阵；步骤3)、对任意两个监测变量间的因果关系进行简化处理，消除任意两个监测变量间双向信息传递的同质部分得到任意两个监测变量间的净因果，形成简化后的任意两个监测变量间因果关系测度矩阵，以任意两个监测变量之间的净因果作为网络拓扑结构的构建依据；步骤4)、以监测变量为节点，以简化后的任意两个监测变量间因果关系测度矩阵中的测度值为边权，构建反映系统运行状态的因果网络模型；步骤5)、根据所建立的因果网络模型，提取因果网络模型中的三个维度特征值；步骤6)、将获取的三个维度特征值与安全阈值空间对比，得到三个维度特征超出安全阈值空间的异常波动信息，根据异常波动信息对系统的异常状态空间进行重构，并将三个维度特征上的异常超限指标归一化，将各维度上归一化后的异常限度进行组合，得到系统的异常状态指数PASI，如果异常指数大于设定阈值，则系统出现异常，否则系统正常。进一步的，步骤2)利用广义偏定向相干性法计算任意两个监测变量之间的因果测度值具体包括以下步骤：(1)对于一组同时观测到的L长度的时间序列，将其用p阶的多变量自回归模型进行表示：式中，M表示时间序列的个数，n＝1,...,L为变量的长度，[w1…wM]T＝w，是一个不相关的白噪声向量，其协方差矩阵为∧＝diag(λi2)，矩阵Ar是一个M×M的系数矩阵，可以将其表示为：式中r＝1,…,p；实值参数表示滞后阶次为r时，时间序列k和i之间的关联影响关系；(2)对多变量自回归模型的最佳阶数p，采用Schwarz的贝叶斯准则进行估计；(3)对于步骤(1)中得到的系数矩阵Ar进行傅里叶变换得到矩阵A(f)：在频率f处，第j个变量对第i个变量的GPDC测度为：式中，矩阵的一个元素，xij(f)监测变量xj对监测变量xi的因果测度值。进一步的，步骤2)中形成的监测变量间因果关系测度矩阵是一个包含各变量间因果测度的n×n维的满秩矩阵，具体形式如下：式中，每个元素cij代表变量i和变量j之间的因果测度关系。进一步的，步骤3)中对各变量间的因果关系进行简化，去除变量间定向信息流的同质部分的方式为计算两变量之间的净因果作为网络拓扑结构的构建依据，监测变量j对监测变量的i净因果为：cnetij＝cij-cji式中：净因果cnetij的正负代表了系统因果网络模型中，变量i与变量j之间的因果方向；当cnetij值为正时，因果方向为从变量j到变量i；反之，因果方向为从i到j；cnetij的绝对值为边的权重。进一步的，三个维度特征值的安全阈值空间由系统正常运行状态下监测数据进行因果网络建模，构成安全阈值空间Di：Di＝Dimax-Dimin式中，i表示特征维度，Dimax表示正常运行状态下第i维度特征的上极限值，Dimin表示正常运行状态下第i维度特征的下极限值。进一步的，对于系统异常状态空间的重构，需要对系统异常状态下实时运行监测数据进行因果网络模型构建，分别提取该网络中三个维度特征的度量参数Ti，定义Ei为其超出安全阈值空间Di的程度，采用如下公式进行计算：根据得到的各维度度量参数超出安全阈值空间Di程度的指标Ei来计算出每个维度上的特征度量超出安全阈值的程度si：si＝Ei/Di对各维度上的特征异常限度进行组合，成系统的异常向量S：S＝[s1,s2,…s3]求取异常向量S的模PASI＝|S|，即为系统的异常指数，即：当系统服役状态处于正常阶段时，异常指数PASI值为0，当其处于异常阶段时，其异常指数PASI值大于0，且异常程度越严重，PASI值越高。进一步的，三个维度特征值包括平均路径长度、聚类系数以及网络结构熵。进一步的，平均路径长度特征提取，通过计算两节点间边权的倒数作为相邻两节点之间的距离；计算节点i到节点j所经过的最短距离为两节点之间的最短路径dij；网络的平均路径长度L为所有节点对之间的最短路径的平均值，即：式中，N表示因果网络中的节点总数。进一步的，聚类系数特征提取，通过计算网络中的节点i与该节点所在网络中其它节点的连通情况，聚类系数Ci定义为存在实际连接节点i的邻接点与本文档来自技高网...

【技术保护点】
1.多变量因果驱动的复杂机电系统服役安全态势评估方法，其特征在于，包括以下步骤：/n步骤1)、获取复杂机电系统多个监测变量的状态监测时间序列数据，对获取到的状态监测时间序列数据进行小波降噪处理；/n步骤2)、利用广义偏定向相干性法计算降噪后任意两个监测变量的时间序列数据之间的因果测度值，形成任意两个监测变量间因果关系测度矩阵；/n步骤3)、对任意两个监测变量间的因果关系进行简化处理，消除任意两个监测变量间双向信息传递的同质部分得到任意两个监测变量间的净因果，形成简化后的任意两个监测变量间因果关系测度矩阵，以任意两个监测变量之间的净因果作为网络拓扑结构的构建依据；/n步骤4)、以监测变量为节点，以简化后的任意两个监测变量间因果关系测度矩阵中的测度值为边权，构建反映系统运行状态的因果网络模型；/n步骤5)、根据所建立的因果网络模型，提取因果网络模型中的三个维度特征值；/n步骤6)、将获取的三个维度特征值与安全阈值空间对比，得到三个维度特征超出安全阈值空间的异常波动信息，根据异常波动信息对系统的异常状态空间进行重构，并将三个维度特征上的异常超限指标归一化，将各维度上归一化后的异常限度进行组合，得到系统服役异常状态指数PASI，如果异常指数大于设定阈值，则系统出现异常，否则系统正常。/n...

【技术特征摘要】
1.多变量因果驱动的复杂机电系统服役安全态势评估方法，其特征在于，包括以下步骤：
步骤1)、获取复杂机电系统多个监测变量的状态监测时间序列数据，对获取到的状态监测时间序列数据进行小波降噪处理；
步骤2)、利用广义偏定向相干性法计算降噪后任意两个监测变量的时间序列数据之间的因果测度值，形成任意两个监测变量间因果关系测度矩阵；
步骤3)、对任意两个监测变量间的因果关系进行简化处理，消除任意两个监测变量间双向信息传递的同质部分得到任意两个监测变量间的净因果，形成简化后的任意两个监测变量间因果关系测度矩阵，以任意两个监测变量之间的净因果作为网络拓扑结构的构建依据；
步骤4)、以监测变量为节点，以简化后的任意两个监测变量间因果关系测度矩阵中的测度值为边权，构建反映系统运行状态的因果网络模型；
步骤5)、根据所建立的因果网络模型，提取因果网络模型中的三个维度特征值；
步骤6)、将获取的三个维度特征值与安全阈值空间对比，得到三个维度特征超出安全阈值空间的异常波动信息，根据异常波动信息对系统的异常状态空间进行重构，并将三个维度特征上的异常超限指标归一化，将各维度上归一化后的异常限度进行组合，得到系统服役异常状态指数PASI，如果异常指数大于设定阈值，则系统出现异常，否则系统正常。


2.根据权利要求1所述的多变量因果驱动的复杂机电系统服役安全态势评估方法，其特征在于，步骤2)利用广义偏定向相干性法计算任意两个监测变量之间的因果测度值具体包括以下步骤：
(1)对于一组同时观测到的L长度的时间序列，将其用p阶的多变量自回归模型进行表示：



式中，M表示时间序列的个数，n＝1,...,L为变量的长度，[w1…wM]T＝w，是一个不相关的白噪声向量，其协方差矩阵为∧＝diag(λi2)，矩阵Ar是一个M×M的系数矩阵，可以将其表示为：



式中r＝1,…,p；实值参数表示滞后阶次为r时，时间序列k和i之间的关联影响关系；
(2)对多变量自回归模型的最佳阶数p，采用Schwarz的贝叶斯准则进行估计；
(3)对于步骤(1)中得到的系数矩阵Ar进行傅里叶变换得到矩阵A(f)：



在频率f处，第j个变量对第i个变量的GPDC测度为：



式中，矩阵的一个元素，xij(f)监测变量xj对监测变量xi的因果测度值。


3.根据权利要求2所述的多变量因果驱动的复杂机电系统服役安全态势评估方法，其特征在于，步骤2)中形成的监测变量间因果关系测度矩阵是一个包含各变量间因果测度的n×n维的满秩矩阵，具体形式如下：



式中，每个元素cij代表变量i和变量j之间的因果测度关系。


4.根据权利要求1所述的多变量因果驱动的复杂机电系统服役安全态势评估方法，其特征在于，步骤3)中对各变量间的因果关系进行简化，去除变量间定向信息流的同质部分的方式为计算两变量之间的净因果作为网络拓扑结构的构建依据，监测变量j对监测变量的i净因果为：
cnetij＝cij-cji
式中：净因果...

【专利技术属性】
技术研发人员：谢军太，高建民，高智勇，陈琨，王荣喜，王伟，
申请(专利权)人：西安交通大学，
类型：发明
国别省市：陕西;61