一种多参数检测设备的运行状态检测方法及系统与流程
本技术属于设备运行状态监测,具体是一种多参数检测设备的运行状态检测方法及系统。
背景技术:
1、多参数设备的运行状态检测通常依赖于对设备多个运行参数的采集与分析。目前,相关技术中的状态检测手段主要采用单一参数阈值比较或简单多参数罗列监测的方式。单一参数阈值比较仅关注各参数是否超出预设的固定上下限,无法反映参数之间的关联关系;简单多参数罗列监测虽然同时采集多个参数,但各参数仍被独立处理,参数之间的耦合信息未被有效利用。
2、在实际运行中,多参数设备的各运行参数之间存在有向的非线性耦合关系,例如电气参数的变化会驱动热学参数的响应,机械参数的异常可能通过耦合网络传递并影响通信参数;当设备出现早期微弱异常时,单个参数的偏离幅度往往较小,尚未达到固定阈值,但参数之间的耦合拓扑结构可能已经发生可感知的变化;由于现有技术未能充分利用参数间的有向非线性耦合关系,且判断标准静态化,无法适应设备运行状态的动态变化,导致误报率较高、早期微弱异常难以有效识别。
技术实现思路
1、本技术提供一种多参数检测设备的运行状态检测方法及系统,解决了现有技术存在的多参数设备早期微弱异常难以有效识别且误报率较高的问题,本技术通过多参数检测设备的运行状态检测方法以及系统,基于时变概率基准量化各参数的个体异常概率,同时基于参数间的有向非线性耦合强度构建时变耦合网络,根据网络拓扑特征的变化生成耦合异常指数,再将最大个体异常概率与耦合异常指数进行非线性聚合得到综合异常指数,实现兼顾检测效率与精度的运行状态检测。
2、为达到上述目的,本技术采用如下技术方案:
3、第一方面,提供一种多参数检测设备的运行状态检测方法,包括:
4、基于被测设备的多个运行参数的当前观测值,利用各参数对应的时变概率基准,计算各参数的个体异常概率;
5、基于所述多个运行参数之间的有向非线性耦合强度确定时变耦合网络,提取所述时变耦合网络的网络拓扑特征,基于所述网络拓扑特征生成耦合异常指数;
6、将所述多个运行参数中最大的个体异常概率与所述耦合异常指数进行非线性聚合,生成综合异常指数;
7、根据所述综合异常指数判断所述被测设备的运行状态。
8、上述方案中,各参数的个体异常概率基于时变概率基准计算,而非依赖固定阈值,因此能够自适应跟踪设备参数的缓慢漂移和工况变化;同时,耦合异常指数基于参数间的有向非线性耦合强度生成的时变耦合网络的拓扑特征确定,能够捕捉参数间耦合关系的方向性、强度及动态演化;综合异常指数通过非线性聚合方式将个体异常与耦合异常协同判定,当耦合拓扑已发生异常而个体参数偏离尚不明显时,综合异常指数即可显著抬高,从而降低误报率并提高早期微弱异常的识别能力。
9、结合上述第一方面,在一种可能的实现方式中,基于被测设备的多个运行参数的当前观测值,利用各参数对应的时变概率基准,计算各参数的个体异常概率,包括:
10、基于第一滑动时间窗口内的历史正常运行数据,更新各参数的概率分布参数;基于当前观测值在对应概率分布中的位置,采用双边计算方式得到各参数的个体异常概率;其中,所述双边计算方式对参数偏高和参数偏低赋予相互一致的异常度量。
11、上述方案中,概率分布参数基于第一滑动时间窗口内的历史正常运行数据持续更新,使概率基准能够跟随设备运行状态的变化而动态调整;双边计算方式同时覆盖参数偏高和参数偏低两种异常方向,避免单向检测造成的漏检。
12、结合上述第一方面,在一种可能的实现方式中,基于所述多个运行参数之间的有向非线性耦合强度确定时变耦合网络,提取所述时变耦合网络的网络拓扑特征,基于所述网络拓扑特征生成耦合异常指数,包括:
13、采用传递熵量化所述多个运行参数中各参数对之间的有向非线性耦合强度;以所述多个运行参数为节点,以传递熵值为边权重,得到所述时变耦合网络;提取所述时变耦合网络的网络拓扑特征;基于所述网络拓扑特征生成耦合异常指数。
14、上述方案中,传递熵具有非对称性,能够揭示参数间耦合的方向,且基于信息论能够捕捉任意形式的非线性依赖,从而更准确地反映参数间耦合关系的方向性和强度。
15、结合上述第一方面,在一种可能的实现方式中,将所述多个运行参数中最大的个体异常概率与所述耦合异常指数进行非线性聚合,生成综合异常指数,包括:
16、以所述多个运行参数中最大的个体异常概率为基础项,以所述耦合异常指数对应的单调递减函数为惩罚项,通过乘法型非线性融合生成所述综合异常指数;其中,所述综合异常指数随所述耦合异常指数增大而增大。
17、上述方案中,乘法型非线性融合避免了加权求和的主观性,耦合异常指数越大,惩罚项越小,综合异常指数越趋向于异常极端,实现了个体异常与耦合异常的协同判定。
18、结合上述第一方面,在一种可能的实现方式中,更新各参数的概率分布参数,包括:
19、将各参数对应的概率分布设为高斯分布,概率分布参数通过极大似然估计进行实时更新;
20、对于第i个参数,其概率密度函数为:
21、;
22、其中,i为运行参数的编号,为第i个参数的观测值,为所述第一滑动时间窗口内的第i个参数的样本均值,为所述第一滑动时间窗口内的第i个参数的样本方差;
23、基于当前观测值在对应概率分布中的位置,采用双边计算方式得到各参数的个体异常概率,包括:
24、计算当前观测值的累积分布函数值:
25、;
26、其中,为积分变量;
27、根据所述累积分布函数值计算第i个参数的个体异常概率:
28、;
29、其中,为第i个参数在时刻t的个体异常概率,为第i个参数当前观测值的累积分布函数值,为取最小值运算。
30、上述方案中,高斯分布作为概率分布的具体形式,参数估计计算量小、实时性好;双边计算方式通过累积分布函数值将观测值映射到[0,1]区间的异常概率,当观测值偏高或偏低时,个体异常概率均趋近于1,实现对双向异常的等效度量。
31、结合上述第一方面,在一种可能的实现方式中,提取所述时变耦合网络的网络拓扑特征,包括:
32、从所述时变耦合网络提取网络耦合密度、全局传递效率和整体不平衡度中的至少一个拓扑特征;
33、将提取的拓扑特征组合为拓扑特征向量;
34、基于所述网络拓扑特征生成耦合异常指数,包括:
35、获取基准拓扑特征向量;计算当前拓扑特征向量与所述基准拓扑特征向量之间的偏离度,以及当前拓扑特征向量随时间的变化率;
36、按乘法型非线性结构生成所述耦合异常指数:
37、;
38、其中,为时刻t的耦合异常指数,为所述偏离度,为所述变化率,为被测设备的历史正常运行总时长,为变化率调节系数,为敏感度系数,为双曲正切函数。
39、上述方案中,网络耦合密度、全局传递效率和整体不平衡度分别从耦合的数量、质量和方向结构三个维度刻画耦合网络的拓扑特征;耦合异常指数采用偏离度与变化率增强项的乘法型非线性结构,仅有偏离而无变化可能是缓慢退化,仅有变化而无偏离可能是正常工况切换,二者同时存在时才构成强异常信号。
40、结合上述第一方面,在一种可能的实现方式中,通过乘法型非线性融合生成所述综合异常指数,包括:将所述多个运行参数中最大的个体异常概率记为,将所述耦合异常指数记为;
41、生成所述综合异常指数:
42、;
43、其中,为时刻t的综合异常指数,为所述多个运行参数中最大的个体异常概率,为所述耦合异常指数,为以自然常数e为底的指数函数。
44、上述方案中,项将耦合异常指数映射为(0,1]范围内的惩罚系数,耦合异常指数越大,惩罚系数越小,综合异常指数越接近于1;当最大个体异常概率为0且耦合异常指数为0时,综合异常指数为0,表示无异常;当最大个体异常概率为1时,综合异常指数为1,表示综合异常达到最大。
45、结合上述第一方面,在一种可能的实现方式中,在生成所述综合异常指数之后,所述方法还包括:
46、当所述综合异常指数低于第一预设阈值时,判定所述被测设备运行状态为正常;
47、当所述综合异常指数介于所述第一预设阈值与第二预设阈值之间时,对所述被测设备进行精细分类诊断;
48、当所述综合异常指数大于或等于所述第二预设阈值时,对所述被测设备进行趋势预测诊断;
49、将不同诊断层的输出通过贝叶斯规则进行融合,得到综合诊断结果。
50、上述方案中,根据综合异常指数所处的阈值区间触发不同深度的诊断流程,在正常状态下快速筛查以节省计算资源,在异常状态下逐步深入诊断以提高精度,并通过贝叶斯规则融合各层输出,兼顾检测效率与诊断准确性。
51、第二方面,本技术提供一种多参数检测设备的运行状态检测系统,包括:
52、概率化表征模块,用于基于被测设备的多个运行参数的当前观测值,利用各参数对应的时变概率基准,计算各参数的个体异常概率;
53、耦合分析模块,用于基于所述多个运行参数之间的有向非线性耦合强度确定时变耦合网络,提取所述时变耦合网络的网络拓扑特征,基于所述网络拓扑特征生成耦合异常指数;
54、综合诊断模块,用于将所述多个运行参数中最大的个体异常概率与所述耦合异常指数进行非线性聚合,生成综合异常指数,并根据所述综合异常指数判断所述被测设备的运行状态。
55、上述系统中,概率化表征模块、耦合分析模块和综合诊断模块分别承载时变概率基准计算、有向耦合网络分析和非线性聚合判断的功能,三个模块协同工作,实现与上述方法相同的检测效果。
56、结合上述第二方面,在一种可能的实现方式中,所述系统还包括自适应更新模块,用于在连续多个采样周期内所述综合异常指数低于预设正常阈值时,更新概率分布参数、基准拓扑特征和诊断模型。
57、上述方案中,自适应更新模块在设备持续正常运行期间自动触发更新,使概率分布参数、基准拓扑特征和诊断模型能够持续适应设备个体特性的变化,保持检测精度。
58、本技术提供一种多参数检测设备的运行状态检测方法及系统,能够通过时变概率基准替代固定阈值,各参数的概率分布参数基于第一滑动时间窗口内的历史正常运行数据持续更新,能够自适应跟踪设备参数的缓慢漂移和工况变化,克服了传统静态阈值法在设备运行状态动态变化时误报率高的缺陷。
59、通过传递熵量化参数间的有向非线性耦合强度,构建时变有向加权耦合网络并提取网络拓扑特征,能够深入挖掘参数间的非线性有向耦合关系,捕捉早期微弱异常在耦合拓扑层面的可感知变化,弥补了单一参数阈值比较在早期异常识别方面的不足。
60、通过将最大个体异常概率与耦合异常指数进行乘法型非线性聚合,实现了个体异常与耦合异常的协同判定,当个体参数偏离尚不明显但耦合拓扑已发生异常时,综合异常指数即可显著抬高,从而在降低误报率的同时提高早期微弱异常的识别能力。
61、通过根据综合异常指数触发分层递进式状态诊断,在正常状态下快速筛查,在异常状态下逐步深入诊断,并通过贝叶斯规则融合各层输出,兼顾了检测效率与诊断精度。
62、应当理解的是,本技术中对技术特征、技术方案、有益效果或类似语言的描述并不是暗示在任意的单个实施例中可以实现所有的特点和优点。相反,可以理解的是对于特征或有益效果的描述意味着在至少一个实施例中包括特定的技术特征、技术方案或有益效果。因此,本说明书中对于技术特征、技术方案或有益效果的描述并不一定是指相同的实施例。进而,还可以任何适当的方式组合本实施例中所描述的技术特征、技术方案和有益效果。本领域技术人员将会理解,无需特定实施例的一个或多个特定的技术特征、技术方案或有益效果即可实现实施例。在其他实施例中,还可在没有体现所有实施例的特定实施例中识别出额外的技术特征和有益效果。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com