知识与数据驱动的大规模工业系统分布式状态监测方法技术方案

本发明专利技术公开了一种知识与数据驱动的大规模工业系统分布式状态监测方法。首先，基于系统拓扑知识建立大规模工业系统的有向图模型，并根据复杂网络的社区分团方法将有向图模型分解成多个独立的子系统。其次，考虑系统的动态性，利用各子系统之间的通信信息，在每个子系统中分别建立典型变量分析模型进行故障检测，然后将所有子系统的检测结果通过贝叶斯推理融合成最终的全局检测结果。最后，针对检测出的故障，利用分布式贡献图分析方法确定故障负责变量，并通过有向图推理法进行故障溯源，定位故障发生的根源。本发明专利技术结合系统知识与数据，实现了对大规模工业系统的分布式状态监测，提高了故障检测的准确度，验证了故障溯源的可行性。

【技术实现步骤摘要】
知识与数据驱动的大规模工业系统分布式状态监测方法
本专利技术属于工业系统故障诊断
，具体涉及了一种知识与数据驱动的大规模工业系统分布式状态监测方法。
技术介绍
以智能制造为主导方向的工业自动化发展迅速，现代工业系统逐渐形成以大型集散控制系统为核心，配备了大量直接用于测量的传感器，间接检测的软测量设备和结构复杂的控制回路，不断朝着复杂化、信息化和智能化的方向发展。在此背景下，大规模工业系统的数量逐年增加，逐渐成为了现代工业系统中的主角，也受到了各界广泛的关注。工业系统的生产安全问题一直是企业生产中关注的重点，故障诊断技术也在过去几十年中得到了迅速地发展，为企业安全生产提供了保障。但是对于大规模系统来说，其具有结构复杂建模难度大，工作系统中的变量众多且变量间关系复杂，数据容量大、类型多和采样率多等特点。传统工业系统的集中式监测方法在大规模工业系统上既面临着检测准确度的问题，也存在计算复杂度的压力，因此这也给大规模工业系统的故障诊断带来了很大的挑战。针对大规模工业系统的复杂特点和故障诊断所面临的挑战，前人已经做了相应的研究和探讨，许多分级或分块的监测算法被提出，这些方法的基本思想是首先将系统分解成多个不同的子系统，然后在不同的子系统中分别建立监测模型，最后将所有子系统的监测结果融合形成全局监测结果。在这种监测框架下，大规模系统的监测问题可以分解为几个部分：系统分解、子系统监测模型的建立、决策融合、故障诊断和传播路径分析等。但是，现有的方法仍然存在以下几点问题：一是未能充分利用现有的机理知识。对于大规模工业系统来说，设备间的耦合关系，物料连接信息传递等系统知识总是可得的，但是纯数据驱动的方法常常忽略了对这些知识的使用，从而会降低监测的准确度和可解释性；二是未能充分挖掘系统的动态信息，工业系统中的变量总是具有自相关性的，即动态信息，但是常用的监测模型例如主成分分析法(PCA)、偏最小二乘法(PLS)等常常忽略这一系统特性，从而导致监测性能的下降；三是未能充分考虑子系统间的通信信息，现有方法往往只关注于子系统内部的变量变化，而没有考虑到子系统之间的信息交流，但是实际上子系统间的变量也存在耦合关系，未能将这些信息同时纳入监测范围会导致信息的损失，影响子系统内部的监测性能；四是现有数据驱动的故障诊断方法大都是基于变量之间的相关性而非因果关系，因此在故障变量隔离和传播路径的分析上通常受蔓延现象的影响，导致对故障原因的判断出现偏差。
技术实现思路
本专利技术的目的在于克服上述现有方法的不足，结合系统先验知识和数据，基于有向图分解和分布式典型变量分析方法，实现对大规模工业系统的分布式故障检测与诊断。本专利技术的目的通过以下技术方案实现：一种知识与数据驱动的大规模工业系统分布式状态监测方法，其步骤如下：S1、针对待监测的工业系统，根据系统知识建立大规模系统的有向图模型，并将有向图分解成多个子系统；S2、在每个子系统中分别建立典型变量分析模型，所有子系统的检测结果通过贝叶斯推理进行融合，形成全局故障检测结果；S3、通过分布式贡献图方法确定故障负责变量，并根据有向图推理法定位故障根源。进一步地，所述S1中，有向图模型的节点表示系统变量，节点间的有向边表示变量之间的因果关系，并且该模型是根据系统知识建立的。进一步地，所述S1中，有向图模型通过复杂网络中的基于模块度的快速展开算法分解成多个子系统，具体步骤为：S11、将有向图模型中的每个节点当作一个子系统，得到与节点数相同的子系统数；S12、计算将节点i划分到相邻节点所在子系统的模块度增益，最大增益表示最好的划分结果；只有当增益为正时，才进行划分，否则节点将保持在原先的子系统中；S13、对有向图模型中的所有节点重复S12，直到模块度的值不再增加；S14、将经过步骤S13得到的子系统当作一个新的节点，构造一个新的有向图模型；S15、不断重复S11～S14，直到有向图结构不再变化以及模块度的值达到最大，大规模系统中的所有变量被划分到了不同的子系统中，最终获得有向图的分解结果。进一步地，所述模块度Q的计算公式为：其中：Ai,j表示节点i和节点j之间边的权重，ki＝∑jAi,j表示与节点i相连的边的权重的总和，kj表示与节点j相连的边的权重的总和，表示有向图中所有边的权重和，ci和cj分别表示节点i和节点j所在的子系统；δ(ci,cj)是一个二值函数，当ci和cj在同一个子系统时等于1，否则等于0。进一步地，所述S2中，在每个子系统中建立典型变量分析模型来获取系统的动态性，进而实现故障检测，具体步骤为：S21、假设第b个子系统t时刻的输入数据为t时刻的输出数据为mu,b和my,b分别表示输入变量的数目和输出变量的数目；根据输入输出数据时间序列分别构造过去信息向量pb(t)和未来信息向量fb(t)：pb(t)＝[yb(t-1)T,yb(t-2)T,…,yb(t-l)T,ub(t-1)T,ub(t-2)T,…,ub(t-l)T]Tfb(t)＝[yb(t)T,yb(t+1)T,…,yb(t+h)T]T式中：l表示过去信息向量中的时间滞后；h表示未来信息向量中的时间滞后；上标T表示转置；S22、计算过去信息向量和未来信息向量的协方差矩阵分别为Σpp,b＝E(pb(t)pb(t)T)、Σff,b＝E(fb(t)fb(t)T)和Σpf,b＝E(pb(t)fb(t)T)，典型变量分析模型通过最大化典型变量cb(t)＝Jbpb(t)和db(t)＝Lbfb(t)之间的相关性，从而获得代表过去信息向量pb(t)和未来信息向量fb(t)线性组合的投影矩阵Jb和Lb；S23、通过奇异值分解来获得具有最大相关性的典型变量：式中：Ub和Vb均为酉矩阵；进而求得投影矩阵和S24、假设第b个子系统状态空间模型的阶次为sb，得到状态子空间向量和残差子空间向量其中：和分别为t时刻的状态子空间向量和残差子空间向量矩阵是矩阵Jb的前sb行，矩阵是矩阵Jb除前sb行之外的剩余行，矩阵是矩阵Ub的前sb列，矩阵是矩阵Ub除前sb列之外的剩余列；S25、根据HotellingT2检验，在状态子空间和残差子空间内分别构造T2统计量为和式中：和分别为t时刻的T2统计量和S26、在给定置信水平α下，状态空间控制限和残差空间控制限满足如下F分布：式中：n为典型变量分析模型的训练数据集样本数，Fα(sb,n-sb)和Fα(eb,n-eb)分别是状态空间和残差空间所满足的F分布。进一步地，在对子系统进行监测时，根据拓扑连接知识获取子系统间的通信信息，将子系统内变量的本地信息与子系统间的通信信息同时纳入典型变量分析模型中。进一步地，所述S2中，所有子系统的检测结果通过贝叶斯推理法融合形成全局监测结果和其具体计算公式为：...

【技术保护点】
1.一种知识与数据驱动的大规模工业系统分布式状态监测方法，其特征在于，步骤如下：/nS1、针对待监测的工业系统，根据系统知识建立大规模系统的有向图模型，并将有向图分解成多个子系统；/nS2、在每个子系统中分别建立典型变量分析模型，所有子系统的检测结果通过贝叶斯推理进行融合，形成全局故障检测结果；/nS3、通过分布式贡献图方法确定故障负责变量，并根据有向图推理法定位故障根源。/n

【技术特征摘要】
1.一种知识与数据驱动的大规模工业系统分布式状态监测方法，其特征在于，步骤如下：
S1、针对待监测的工业系统，根据系统知识建立大规模系统的有向图模型，并将有向图分解成多个子系统；
S2、在每个子系统中分别建立典型变量分析模型，所有子系统的检测结果通过贝叶斯推理进行融合，形成全局故障检测结果；
S3、通过分布式贡献图方法确定故障负责变量，并根据有向图推理法定位故障根源。


2.根据权利要求1所述的一种知识与数据驱动的大规模工业系统分布式状态监测方法，其特征在于：所述S1中，有向图模型的节点表示系统变量，节点间的有向边表示变量之间的因果关系，并且该模型是根据系统知识建立的。


3.根据权利要求1所述的一种知识与数据驱动的大规模工业系统分布式状态监测方法，其特征在于：所述S1中，有向图模型通过复杂网络中的基于模块度的快速展开算法分解成多个子系统，具体步骤为：
S11、将有向图模型中的每个节点当作一个子系统，得到与节点数相同的子系统数；
S12、计算将节点i划分到相邻节点所在子系统的模块度增益，最大增益表示最好的划分结果；只有当增益为正时，才进行划分，否则节点将保持在原先的子系统中；
S13、对有向图模型中的所有节点重复S12，直到模块度的值不再增加；
S14、将经过步骤S13得到的子系统当作一个新的节点，构造一个新的有向图模型；
S15、不断重复S11～S14，直到有向图结构不再变化以及模块度的值达到最大，大规模系统中的所有变量被划分到了不同的子系统中，最终获得有向图的分解结果。


4.根据权利要求3所述的一种知识与数据驱动的大规模工业系统分布式状态监测方法，其特征在于：所述模块度Q的计算公式为：



其中：Ai,j表示节点i和节点j之间边的权重，ki＝∑jAi,j表示与节点i相连的边的权重的总和，kj表示与节点j相连的边的权重的总和，表示有向图中所有边的权重和，ci和cj分别表示节点i和节点j所在的子系统；δ(ci,cj)是一个二值函数，当ci和cj在同一个子系统时等于1，否则等于0。


5.根据权利要求1所述的一种知识与数据驱动的大规模工业系统分布式状态监测方法，其特征在于：所述S2中，在每个子系统中建立典型变量分析模型来获取系统的动态性，进而实现故障检测，具体步骤为：
S21、假设第b个子系统t时刻的输入数据为t时刻的输出数据为mu,b和my,b分别表示输入变量的数目和输出变量的数目；根据输入输出数据时间序列分别构造过去信息向量pb(t)和未来信息向量fb(t)：
pb(t)＝[yb(t-1)T,yb(t-2)T,…,yb(t-l)T,ub(t-1)T,ub(t-2)T,…,ub(t-l)T]T
fb(t)＝[yb(t)T,yb(t+1)T,…,yb(t+h)T]T
式中：l表示过去信息向量中的时间滞后；h表示未来信息向量中的时间滞后；上标T表示转置；
S22、计算过去信息向量和未来信息向量的协方差矩阵分别为Σpp,b＝E(pb(t)pb(t)T)、Σff,b＝E(fb(t)fb(t)T)和Σpf,b＝E(pb(t)fb(t)T)，典型变量分析模型通过最大化典型变量cb(t)＝Jbpb(t)和db(t)＝Lbfb(t)之间的相关性，从而获得代表过去信息向量pb(t)和未来信息向量fb(t)线性组合的投影矩阵Jb和Lb；
S23、通过奇异值分解来获得具有最大相关性的典型变量：



式中：Ub和Vb均为酉矩阵；
进而求得投影矩阵和
S24、假设第b个子系统状态空间模型的阶次为sb，得到状态子空间向量和残差子空间向量






其中：和分别为t时刻的状态子空间向量和残差子空间向量矩阵是矩阵Jb的前sb行，矩阵是矩阵Jb除前sb行之外的剩余行，矩阵是矩阵Ub的前sb列，矩阵是矩阵Ub除前sb列之外的剩余列；
S25、根据HotellingT2检验，在状态子空间和残差子空间内分别构造T2统计量为和






式中：和分别为t时刻的T2统计量和
S26、在给定置信水平α下，状态空间控制限和残差空间控制限满足如下F分布：






式中：n为典型变量分析模型的训练数据集样本数，Fα(sb,n-sb...

【专利技术属性】
技术研发人员：宋春跃，吴炜强，徐祖华，
申请(专利权)人：浙江大学，
类型：发明
国别省市：浙江;33