基於多元概率模型的設備狀態綜合動態報警方法
2023-09-18 15:54:45 2
專利名稱：基於多元概率模型的設備狀態綜合動態報警方法
技術領域：
本發明屬於機械設備狀態監測與故障診斷技術領域，涉及一種機械設備運行監測
與報警設置技術，具體涉及一種基於多元概率模型的設備狀態綜合動態報警方法。
背景技術：
報警技術是設備狀態監測和故障診斷的核心技術之一，在監測診斷技術向企業推 廣以及推動預知維修體制發展變革的過程中都發揮著極其重要的作用。從預防事故的角度 來講，機械設備運行狀態的報警比故障診斷更為迫切和有效。 目前常用的報警方法有1)越限報警方法，對設備的某些關鍵參數進行實時監 測，一旦發現參數超越了預先設定的閾值，立即報警或採取措施，該閾值根據某一標準或操 作人員的經驗設定，是一個靜態的值；2)趨勢報警方法，即對設備的關鍵參數實時採樣和 分析，根據故障前兆期參數的變化特點，對故障發生前信號變化的梯度進行分析，判斷設備 是否可能會出現故障。上述兩種報警方法過於絕對化，沒有充分考慮設備外在和內在因素 的影響。而設備的實際運行狀態與工作環境、負載和人為操作等因素密切相關，這些因素髮 生變化均會引起報警閾值的變化；3)基於知識的智能報警方法，通過一組訓練樣本對設計 好的神經網絡進行訓練學習，學習好的神經網絡能很好地把握相應的判定準則，對實際的 觀察樣本進行分類判定，網絡輸出1時進行報警，網絡輸出0時不報警。基於知識的智能報 警方法，能自適應地判斷設備狀態，劃定動態報警線，以數據中蘊含的深層次知識為報警規 則，判斷設備狀態，但該報警方法的計算量太大，同時需要大量的樣本訓練，難以實現實時 監測。另外，現有的報警方法多是單測點監測設備的狀態，而不是從整體上把握設備狀態。
發明內容
為了克服上述現有技術的缺點，本發明的目的是提供一種基於多元概率模型的設 備狀態綜合動態報警方法，能對設備進行實時監測，從整體上把握設備的狀態，計算量較 小，並不需要進行樣本訓練。 本發明所採用的技術方案是，基於多元概率模型的設備狀態綜合動態報警方法， 通過高斯核函數的多元樣本數據向一維條件概率密度的映射，利用3o方法獲得處於聚 類邊界樣本點分布的等高線映射，將樣本邊界點的等高線包絡形成的複雜曲面作為報警 線，通過判斷新數據與報警線的位置關係來識別異常數據，實現報警，該方法按以下步驟進 行 步驟1 :以相同採樣間隔同時採集反映設備運行狀態的至少一個測點的特徵參 數，獲得一組反映設備運行狀態的多元歷史數據作為樣本； 步驟2:將步驟l獲得的多元歷史數據以列向量形式表示，即在第m次觀測獲得的 多元數據表示為列向量X,，, K《x;'…，xr]7 ， 式中，1為測點數；m = 1，2…，N， N為樣本點數；T代表轉置運算；
步驟3 :將步驟2得到的列向量，採用下式計算高維空間的歐式距離
tfo(Xi，Xj)—(Xi -Xjf(Xi _Xj) 式中，dis(Xi， Xj)為多元數據Xi和Xj在高維空間中的歐式距離；Xi為第i次觀測 獲得的多元數據；Xj為第j次觀測獲得的多元數據；
貝U，樣本內數據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樣本點數； 步驟4:根據步驟3得到的樣本內數據之間的最小平均距離，通過以下經驗公式計 算平滑因子o :o = g d， 式中，o為平滑因子；g為經驗公式係數，一般取1. 1 1.4 ; 步驟5 :以步驟l中的樣本數據為中心，以步驟4計算的平滑因子o為標準偏差， 利用多元高斯核函數 ~^~丄|>鄧(-(X_Xi):(X-Xi)) 式中，f (x)為在已知數據序列&條件下的概率密度函數，表示在已知時間序列Xk 條件下，抽樣點yi的條件概率； 計算原始數據序列中的每個多元數據的高斯密度曲線，然後對所有曲線求和來逼 近原始樣本數據的概率密度曲線 步驟6 :根據步驟5計算的原始樣本數據的概率密度曲線，由處於分布邊界樣本點 的概率密度分布的等高線的映射，經過包絡形成曲面，該曲面為報警線；
步驟7 :採集新的多元數據，並得到新的列向量Y = [yi， y2 ，yjT，分別計算採集 的多元數據與原始樣本點間的距離dis(Y， Xj): 必(J， Xj) = ^/(7-Xj)r(7—Xj) 依據拉依達準則進行判斷 若dis(Y， Xj)《3o ，則新數據屬於已有類別，並用該觀測數據更新原始樣本數據
序列，並重複步驟2、步驟3、步驟4、步驟5和步驟6，實現報警線的動態調整； 若dis(Y，Xj) >3o ，則判斷新數據不屬於已有類別，產生報警，並依據該新數據重
新建立一個新的類別，重複步驟2、步驟3、步驟4、步驟5和步驟6，計算該新類別的邊界線； 步驟8 :隨著觀測數據的不斷增加動態調整報警模型，建立設備狀態的自適應報警線。 所述步驟3中在計算平滑因子時，對原始樣本數據序列中的相同數據進行預處 理，該預處理是將原始樣本數據序列中相同數據點間的最小平均距離設定為無窮大。
本發明報警方法與傳統方法相比，具有以下優勢 1.充分利用實時採集的設備多測點運行數據，構建了一種客觀描述設備運行狀態 的綜合動態監測模型。 2.撇開傳統的按照各種通用標準對現場設備運行狀態的劃分依據，從設備各自的
發展歷程尋找規律，通過融合設備多測點運行的信息，實現對設備狀態的綜合評判。 3.通過一個自適應的過程建立報警線，該報警線可以根據現場狀態動態地進行調整，並表現為正常狀態下的穩定性；過渡狀態下的包容性，避免了誤報現象；故障狀態下 的敏感性，防止了漏報現象。
圖1是採用本發明報警方法對設備綜合動態進行監測報警的流程圖。
圖2是採用本發明報警方法監測設備綜合動態過程中計算平滑因子時對相同數
據進行處理的流程圖。 圖3是採用本發明報警方法監測設備綜合動態時對設備狀態進行判斷的流程圖。
圖4是二維向量的概率密度曲線和相應的報警線圖；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的報警線圖。
圖5是二維向量報警線的形成圖。 圖6是二維向量的概率密度曲線和相應的報警線仿真圖。
圖7是ZHS-5型多功能轉子衝擊試驗的報警效果圖。
具體實施例方式
下面結合附圖和具體實施方式
對本發明進行詳細說明。 本發明報警方法充分考慮整體設備狀態的發展歷程，從設備的多測點運行歷史數 據中提取經驗知識，動態界定設備正常狀態下的特徵參數變化範圍，作為個性化的異常狀 態判別依據，通過動態自適應的數據模型來自動處理分析現場設備的狀態數據，實現具備 更高使用價值和特色的異常報警。 如圖1所示，本發明報警方法具體按以下步驟進行 步驟1 :以相同採樣間隔同時採集反映設備運行狀態的至少一個測點的特徵參 數，獲得一組反映設備運行狀態的多元歷史數據作為樣本； 步驟2:將步驟l獲得的多元歷史數據以列向量形式表示，即在第m次觀測獲得的
多元數據表示為列向量X,，, ^x「《…，x「:r ， 式中，1為測點數；m = 1，2…，N， N為樣本點數；T代表轉置運算。
步驟3 :將步驟2得到的列向量，採用下式計算高維空間的歐式距離 式中，dis (Xi， Xj)為多元數據&和Xj在高維空間中的歐式距離為第i次觀測 獲得的多元數據；Xj為第j次觀測獲得的多元數據。
貝U，樣本內數據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樣本點數。 步驟4 :根據步驟3得到的樣本內數據之間的最小平均距離，通過以下經驗公式計 算平滑因子o = g d， 式中，o為平滑因子；g為經驗公式係數，取1. 1 1.4 ; 步驟5 :以步驟1中的樣本數據為中心，以步驟4計算的平滑因子o為標準偏差， ^fo(Xi，Xj)^V(Xi —X/(Xj _Xj)利用多元高斯核函數formula see original document page 7 式中，f (x)為在已知數據序列&條件下的概率密度函數，表示在已知時間序列Xk 條件下，抽樣點yi的條件概率 計算原始數據序列中的每個多元數據的高斯密度曲線，然後對所有曲線求和來逼 近原始樣本數據的概率密度曲線 步驟6 :根據步驟5計算的原始樣本數據的概率密度曲線，報警線就是由處於分布 邊界樣本點概率密度的等高線的映射，並經過包絡形成的曲面； 步驟7 :採集新的多元數據，並得到新的列向量Y = [yi， y2*"， yjT，分別計算採集 的多元數據與原始樣本點間的距離dis(Y， Xj): formula see original document page 7
依據拉依達準則進行判斷 若dis(Y， Xj)《3o ，則新數據屬於已有類別，進一步判斷該新數據與歷史數據是 否存在相同的數據點，由於平滑因子通過樣本間的最小平均距離計算，而相同數據點對平 滑因子的計算產生較大影響，因此，在計算平滑因子時，採用如圖2所示的方法，設定一個 閾值e ，當dis(Y，Xj)《e時，將新數據點Y和樣本點Xj間的最小平均距離設定為無窮大， 從而消除了相同數據點對計算平滑因子的影響；而當dis(Y， Xj) > e時，直接用該新數據 更新原始樣本數據序列，並重複步驟2、步驟3、步驟4、步驟5和步驟6，實現報警線的動態 調整； 若dis(Y， Xj) > 3o ，則判斷新數據不屬於已有類別，產生報警；並如圖3所示依 據該新數據重新建立一個新的類別，重複步驟2、步驟3、步驟4、步驟5和步驟6，計算新該 類的邊界線； 在設備狀態判斷流程中，只有數據正常時，會不斷更新正常類別的概率密度函數， 形成正常數據允許的範圍，即正常類的邊界。當出現一個故障數據時，由於故障數據超過了 正常類邊界，此時，會創建一個新的故障類，並構建該故障類的概率密度函數，後續的故障 數據會不斷更新這個函數，逐漸形成故障類的邊界。 如圖4a和圖4b所示，是正常和故障運行數據的二維向量概率模型和相應的報警 線。從圖中可以看出，正常運行狀態下的設備狀態概率模型是在小範圍內的概率分布函 數。該概率分布函數的樣本點比較集中，因此概率模型在歷史數據平均值附近的概率達到 最大，而對一些離均值較遠的值，概率則較小。所構建的概率模型曲線類似一個中心在均值 附近的高斯函數；當設備運行數據中出現故障數據時，這時的概率模型將發生較大的變化。 即在正常概率模型外又出現了一個概率模型(故障概率模型)，兩個模型之間距離較遠，界 限明顯。 如圖5所示，該圖是5個二維樣本點通過高斯核函數計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的等高線包絡形成的複雜曲面構成報 警線。 為了驗證模型的有效性，隨機產生一組由正常數據和故障數據組成的數據組，該 組數據組包含15個點，前10個為正常數據，後5個為故障數據。如圖6所示，該組數據形成的二維向量的概率密度曲線和相應的報警線仿真圖，由圖可見，該組數據的整體概率分 布非常清晰地分為兩個峰，代表了由兩部分數據分別形成的概率分布。因為原始數據符合 均勻分布，因此概率分布非常接近於正態分布。由於數據屬於兩個類別，可以認定出現了故 障，在概率密度函數形成的過程中，還發出報警信號。 步驟8 :隨著觀測數據的不斷增加動態調整報警模型，建立設備狀態的自適應報 警線。 以京儀北方測振分公司生產的ZHS-5型多功能轉子試驗臺為對象。對本發明方 法進行實驗驗證，該試驗臺有四組轉子，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，通過採集其中一個截面的兩路位移信號，採樣頻率為 2KHZ，每次每個測點採集256個點，分別計算兩個方向的平均值。開始時轉子平穩運行，得 到的是正常的數據，隨後給轉子衝擊，使振動增大，得到故障數據點。如圖7a所示，是採集 2個數據點時概率密度曲線和報警線變化圖；採集到第20個點的時候衝擊轉子，產生故障 數據，如圖7b所示，是採集22個數據點時概率密度曲線和報警線變化圖，可以看出明顯的 產生了雙峰，分別代表正常類和故障類。 本發明方法將Parzen窗非參數估計與狀態報警技術相結合，提出了一種自適應 設置動態報警線的方法，其物理意義是當設備一直平穩運行時，所確定的報警線指明了設 備正常運行的範圍，超出這一範圍則說明設備已經偏離其正常狀態，設備現場監測人員應 該加強對設備的監測頻度。將設備多個測點的信息綜合起來設置動態報警線來判斷設備運 行情況，避免了以設備單測點信息構建動態報警線的缺陷。
8
權利要求
基於多元概率模型的設備狀態綜合動態報警方法，通過高斯核函數的多元樣本數據向一維條件概率密度的映射，利用3σ方法獲得處於聚類邊界樣本點分布的等高線映射，將樣本邊界點的等高線包絡形成的複雜曲面作為報警線，通過判斷新數據與報警線的位置關係來識別異常數據，實現報警，其特徵在於，該方法按以下步驟進行步驟1以相同採樣間隔同時採集反映設備運行狀態的至少一個測點的特徵參數，獲得一組反映設備運行狀態的多元歷史數據作為樣本；步驟2將步驟1獲得的多元歷史數據以列向量形式表示，即在第m次觀測獲得的多元數據表示為列向量式中，l為測點數；m＝1，2…，N，N為樣本點數；T代表轉置運算；步驟3將步驟2得到的列向量，採用下式計算高維空間的歐式距離 dis ( Xi , Xj )= ( Xi - Xj )T ( X i- X j) 式中，dis(Xi，Xj)為多元數據Xi和Xj在高維空間中的歐式距離；Xi為第i次觀測獲得的多元數據；Xj為第j次觀測獲得的多元數據；則，樣本內數據之間的最小平均距離為 d= 1 N i,j=1 Nmindis ( X i , Xj ) 式中，d為最小平均距離；N樣本點數；步驟4根據步驟3得到的樣本內數據之間的最小平均距離，通過以下經驗公式計算平滑因子σσ＝g·d，式中，σ為平滑因子；g為經驗公式係數，一般取1.1～1.4；步驟5以步驟1中的樣本數據為中心，以步驟4計算的平滑因子σ為標準偏差，利用多元高斯核函數 f ( x )= 1 (2) p/2 p 1 N i=1 Nexp ( - ( X - Xi )T (X- X i) 2 2 ) 式中，f(x)為在已知數據序列Xi條件下的概率密度函數，表示在已知時間序列Xk條件下，抽樣點yi的條件概率；計算原始數據序列中的每個多元數據的高斯密度曲線，然後對所有曲線求和來逼近原始樣本數據的概率密度曲線步驟6根據步驟5計算的原始樣本數據的概率密度曲線，由處於分布邊界樣本點的概率密度分布的等高線的映射，經過包絡形成曲面，該曲面為報警線；步驟7採集新的多元數據，並得到新的列向量Y＝[y1，y2…，yl]T，分別計算採集的多元數據與原始樣本點間的距離dis(Y，Xj) dis ( Y , Xj )= ( Y - Xj )T (Y- X j) 依據拉依達準則進行判斷若dis(Y，Xj)≤3σ，則新數據屬於已有類別，並用該觀測數據更新原始樣本數據序列，並重複步驟2、步驟3、步驟4、步驟5和步驟6，實現報警線的動態調整；若dis(Y，Xj)＞3σ，則判斷新數據不屬於已有類別，產生報警，並依據該新數據重新建立一個新的類別，重複步驟2、步驟3、步驟4、步驟5和步驟6，計算該新類別的邊界線；步驟8隨著觀測數據的不斷增加動態調整報警模型，建立設備狀態的自適應報警線。F2009102190870C0000011.tif
2.按照權利要求1所述的報警方法，其特徵在於，所述步驟3中在計算平滑因子時，對 原始樣本數據序列中的相同數據進行預處理，該預處理是將原始樣本數據序列中相同數據 點間的最小平均距離設定為無窮大。
全文摘要
基於多元概率模型的設備狀態綜合動態報警方法，以設備運行過程中表徵個體設備狀態的多元參數作為目標樣本集，通過高斯核函數實現多元樣本數據向一維條件概率密度的映射，並利用3σ方法獲得處於聚類邊界樣本點分布的等高線映射，報警線就是由這些邊界點的等高線包絡形成的複雜曲面，並隨著監測數據的不斷更新，動態調整報警模型，從而實現隨設備狀態的變化報警線的自適應調整。本發明方法從設備自身的發展歷程中尋找規律，將現場常規設備狀態劃分為三個等級即正常狀態、過度狀態異常、和故障狀態，並分別研究了針對每種狀態報警閾值變化範圍，為綜合評判設備狀態奠定了基礎。
文檔編號G01M99/00GK101718634SQ20091021908
公開日2010年6月2日 申請日期2009年11月20日 優先權日2009年11月20日
發明者華成, 張慶, 徐光華, 楊凱 申請人:西安交通大學