一種基于數據和模型融合的預警方法技術

本發明專利技術公開的一種基于數據和模型融合的預警方法，依次通過數據采集、特征提取、建立正常狀態標準、跟蹤特征變量退化軌跡、基于數據驅動的預測模型及連續循環更新預測模型參數這些步驟，實現系統運行退化趨勢的可靠預測，本發明專利技術的預警方法不依賴于系統數學模型和先驗知識，僅依靠歷史運行數據和實時數據就能預測系統未來一段時間的變化趨勢，在系統異常變化初期就能預測到短期內可能發生的故障，以便工作人員及時排除潛在風險，有效避免事故發生，提高系統運行的安全性和可靠性，同時也能減少經濟損失和環境污染。

An early warning method based on data and model fusion

The invention discloses a method of data fusion and early warning based on model, followed by the data acquisition, feature extraction, the establishment of normal state standards, tracking feature variable degradation path prediction model, data driven and continuously update the prediction model parameters based on these steps, a reliable prediction of operating systems to achieve the degradation trend of the early warning method of the invention do not depend on the mathematical model and prior knowledge, only rely on the trend of history data and real-time data can predict the future for a period of time, detect faults may occur in the short term the abnormal changes in the system initial stage can pre to staff promptly eliminate potential risks, effectively avoid the accidents and improve the safety and reliability of the system the operation, but also can reduce the economic loss and environmental pollution.

【技術實現步驟摘要】
一種基于數據和模型融合的預警方法
本專利技術屬于安全監控
，特別涉及一種基于數據和模型融合的預警方法。
技術介紹
隨著工業機器/設備系統日益大型化和復雜化，人們對系統運行的安全性和可靠性要求也越來越高。由于典型工業設備系統通常具有非線性、強耦合、大時滯、參數分布等特性，一旦系統某個部件發生故障，可能引起其他部件的故障，甚至會造成系統癱瘓或重大事故等問題。針對這一問題，研究學者提出了基于數據驅動的故障診斷技術和報警技術，能及時檢測診斷故障、確定故障發生位置并通知工作人員，但故障已經發生，工作人員可能沒有足夠的時間排除故障。因此，故障診斷和報警技術已經不能滿足系統安全性和可靠性要求。于是，研究學者提出預警技術的概念。預警技術就是利用歷史運行數據和實時運行數據預測系統退化趨勢，在故障發生前進行報警，從而最大程度上減少損失。傳統的基于數據驅動的預測技術具有一定的局限性，預測精度嚴重依賴于訓練數據的充分性和代表性，預測偏差會隨著預測步長的增加而動態增加，而恰當的濾波技術可以提高預測精度。同時，傳統的粒子濾波預測方法局限性在于預測模型參數不能更新。因此，本專利技術人考慮將基于數據驅動的預測方法和粒子濾波方法融合，提出一種基于數據和模型融合的預警方法，克服傳統兩種方法的缺點，實現良好的預測效果。
技術實現思路
本專利技術的目的在于提供一種基于數據和模型融合的預警方法，克服傳統預警方法偏差動態增加和精度低的缺點，實現良好的預測效果。為了實現上述目的，本專利技術采用如下技術方案：一種基于數據和模型融合的預警方法，包括以下步驟：步驟一，采集系統過程運行數據，并進行特征選擇與提取；步驟二，根據特征變量確定系統的正常狀態基準，通過狀態監控跟蹤這些特征變量的退化軌跡，并判斷是否有異常發生；若異常發生，則繼續跟蹤特征變量退化軌跡，并進行狀態估計或者參數辨識，將特征變量對代入基于數據的預測模型中進行在線訓練，更新預測模型，然后返回步驟一；若無異常發生，表明特征變量的退化軌跡達到預先設定閾值，發出警報表明已檢測到故障，此時觸發預測程序，預測狀態或者估計剩余使用壽命，繼續進行步驟三；步驟三，對歷史數據庫中的數據進行離線訓練，得到最基本的預測訓練模型，結合當前狀態和預測模型的參數進行在線訓練，利用基于數據的預測方法得到預測值，預測值計算公式如下：Yk＝f(U1:q,Y1:k-1)+εk(1)其中，k-1表示該時刻觸發預測程序，Yk是k步的預測值，Y1:k-1是到k-1步的系統歷史數據，U1:q是系統輸入，q是輸入變量維數，f(·)是非線性預測函數，εk是表示預測不確定性的噪聲；步驟四，將含有未知模型參數的預測模型嵌入到粒子濾波學習結構中，結構描述如下：Xk＝g(Xk-1)+wk(2)其中，g:Rn→Rn是系統狀態轉移函數，Xk∈Rn是不可觀測狀態向量，wk∈Rn是時間獨立的噪聲，在每個離散時間時刻，觀測值Yk∈Rp是通過觀測得到的值，觀測值Yk與不可觀測狀態向量Xk相關，且兩者關系如下：Yk＝h(Xk)+vk(3)其中，h:Rn→Rp是測量函數，vk∈Rp是時間獨立的噪聲，p是輸出變量維數；步驟五，通過粒子濾波更新模型參數Xk，得到RUL或者能反應系統運行狀態的變化趨勢的預測指標。步驟一所述的特征選擇與提取是：根據系統的應用環境選擇相應的算法從過程運行數據選擇和提取所需特征。所述算法為基于最小二乘的特征選擇與提取方法或基于神經網絡的特征選擇方法。步驟二所述基于數據驅動的預測模型采用的預測方法是：根據數據特點以及系統對時間的要求來選擇相應算法，算法可以是神經網絡、支持向量機、ELM算法、Markov或相應改進算法。步驟三的在線訓練算法選擇遞歸Levenberg-Marquardt學習算法。步驟四中將含有未知模型參數的預測模型嵌入到粒子濾波學習結構中，包括：粒子濾波利用來自預測模型的預測量f(U1:q,Y1:k-1)，通過Bayesian學習方法不斷循環地更新預測模型參數，具體如下：設Xk有初始密度p(X0)，p(Xk|Xk-1)是概率轉移函數，狀態Xk的推理特性依賴于邊緣濾波密度p(Xk|Y1:k)，在k-1時刻獲取p(Xk|Yk-1)，則第k步狀態的先驗密度可利用轉移密度p(Xk|Xk-1)估計：p(Xk|Y1:k-1)＝∫p(Xk|Xk-1)p(Xk-1|Y1:k-1)dXk-1(4)相應地，通過Bayesian理論計算邊緣濾波密度：其中，標準常數計算為：p(Yk|Y1:k-1)＝∫p(Yk|Xk)p(Xk|Y1:k-1)dXk(6)上述公式(4)-(6)為Bayesian遞歸狀態估計問題的形式解；粒子濾波通過MonteCarlo仿真實現遞歸Bayesian濾波；以一組隨機樣本(粒子)表示后驗密度,相應的權重為則：其中，M是粒子數目，權重可以利用具有重要性密度的抽樣循環更新，且有：當重要性密度由p(Xk|Xk-1)逼近時：在應用中，每個單獨步驟應用重復采樣。采用上述方案后，本專利技術有益效果是：通過數據驅動的方法預測系統未來時間的變化趨勢，有效避免系統異常狀況的出現，提高系統運行的安全性和可靠性，同時也能減少人員傷亡、經濟損失和環境污染等。下面結合附圖對本專利技術做進一步的說明。附圖說明圖1為本專利技術一種基于數據和模型融合的預警方法的流程圖。具體實施方式本實施例揭示的一種基于數據和模型融合的預警方法，包括以下步驟：步驟一，采集系統過程運行數據，并進行特征選擇與提取；所述的特征選擇與提取是：根據系統的應用環境選擇相應的算法從過程運行數據選擇和提取所需特征。相應的算法為基于最小二乘的特征選擇與提取方法或基于神經網絡的特征選擇方法。步驟二，根據特征變量確定系統的正常狀態基準，通過狀態監控跟蹤這些特征變量的退化軌跡，并判斷是否有異常發生；若異常發生，則繼續跟蹤特征變量退化軌跡，并進行狀態估計或者參數辨識，將特征變量對代入基于數據的預測模型中進行在線訓練，更新預測模型，然后返回步驟一；基于數據驅動的預測模型采用的預測方法是：根據數據特點以及系統對時間的要求來選擇相應算法，算法可以是神經網絡、支持向量機、ELM算法、Markov或相應改進算法。若無異常發生，表明特征變量的退化軌跡達到預先設定閾值，發出警報表明已檢測到故障，此時觸發預測程序，預測狀態或者估計剩余使用壽命，繼續進行步驟三；步驟三，對歷史數據庫中的數據進行離線訓練，得到最基本的預測訓練模型，結合當前狀態和預測模型的參數進行在線訓練，在線訓練算法選擇遞歸Levenberg-Marquardt學習算法，利用基于數據的預測方法得到預測值，預測值計算公式如下：Yk＝f(U1:q,Y1:k-1)+εk(1)其中，k-1表示該時刻觸發預測程序，Yk是k步的預測值，Y1:k-1是到k-1步的系統歷史數據，U1:q是系統輸入，q是輸入變量維數，f(·)是非線性預測函數，εk是表示預測不確定性的噪聲；步驟四，將含有未知模型參數的預測模型嵌入到粒子濾波學習結構中，結構描述如下：Xk＝g(Xk-1)+wk(2)其中，g:Rn→Rn是系統狀態轉移函數，Xk∈Rn是不可觀測狀態向量，wk∈Rn是時間獨立的噪聲，在每個離散時間時刻，觀測值Yk∈Rp是通過觀測得到的值，觀測值Yk與不可觀測狀態向量Xk相關，且兩者關系如下：Y本文檔來自技高網...

【技術保護點】
一種基于數據和模型融合的預警方法，其特征在于，包括以下步驟：步驟一，采集系統過程運行數據，并進行特征選擇與提取；步驟二，根據特征變量確定系統的正常狀態基準，通過狀態監控跟蹤這些特征變量的退化軌跡，并判斷是否有異常發生；若異常發生，則繼續跟蹤特征變量退化軌跡，并進行狀態估計或者參數辨識，將特征變量對代入基于數據的預測模型進行在線訓練，更新預測模型，然后返回步驟一；若無異常發生，表明特征變量的退化軌跡達到預先設定閾值，發出警報表明已檢測到故障，此時觸發預測程序，預測狀態或者估計剩余使用壽命，繼續進行步驟三；步驟三，對歷史數據庫中的數據進行離線訓練，得到最基本的預測訓練模型，結合當前狀態和預測模型的參數進行在線訓練，利用基于數據的預測方法得到預測值，預測值計算公式如下：Y

【技術特征摘要】
1.一種基于數據和模型融合的預警方法，其特征在于，包括以下步驟：步驟一，采集系統過程運行數據，并進行特征選擇與提取；步驟二，根據特征變量確定系統的正常狀態基準，通過狀態監控跟蹤這些特征變量的退化軌跡，并判斷是否有異常發生；若異常發生，則繼續跟蹤特征變量退化軌跡，并進行狀態估計或者參數辨識，將特征變量對代入基于數據的預測模型進行在線訓練，更新預測模型，然后返回步驟一；若無異常發生，表明特征變量的退化軌跡達到預先設定閾值，發出警報表明已檢測到故障，此時觸發預測程序，預測狀態或者估計剩余使用壽命，繼續進行步驟三；步驟三，對歷史數據庫中的數據進行離線訓練，得到最基本的預測訓練模型，結合當前狀態和預測模型的參數進行在線訓練，利用基于數據的預測方法得到預測值，預測值計算公式如下：Yk＝f(U1:q,Y1:k-1)+εk(1)其中，k-1表示該時刻觸發預測程序，Yk是k步的預測值，Y1:k-1是到k-1步的系統歷史數據，U1:q是系統輸入，q是輸入變量維數，f(·)是非線性預測函數，εk是表示預測不確定性的噪聲；步驟四，將含有未知模型參數的預測模型嵌入到粒子濾波學習結構中，結構描述如下：Xk＝g(Xk-1)+wk(2)其中，g:Rn→Rn是系統狀態轉移函數，Xk∈Rn是不可觀測狀態向量，wk∈Rn是時間獨立的噪聲，在每個離散時間時刻，觀測值Yk∈Rp是通過觀測得到的值，觀測值Yk與不可觀測狀態向量Xk相關，且兩者關系如下：Yk＝h(Xk)+vk(3)其中，h:Rn→Rp是測量函數，vk∈Rp是時間獨立的噪聲，p是輸出變量維數；步驟五，通過粒子濾波更新模型參數Xk，得到RUL或者能反應系統運行狀態的變化趨勢的預測指標。2.如權利要求1所述的一種基于數據和模型融合的預警方法，其特征在于：步驟一所述的特征選擇與提取是：根據系統的應用環境選擇相應的算法從過程運行數據選擇和提取所需特征，算法可以是基于最小二乘的特征選擇與提取方法或基于神經網絡的特征選擇方法。3.如權利要求1所述的一種基于數據和模型融合的預警方法，其特征在于：步驟二所述基于數據驅動的預測模型采用的預測方法是：根據數據特點以及系統對時間的要求來選擇相應算法，算法可以是神...

【專利技術屬性】
技術研發人員：陳豪，張景欣，蔡品隆，王耀宗，張丹，
申請(專利權)人：泉州裝備制造研究所，
類型：發明
國別省市：福建,35