[发明专利]一种基于数据驱动的报警根源寻找方法

说明书

技术领域

本发明属于安全监控技术领域，特别涉及一种基于数据驱动的报警根源寻找方法。

背景技术

由于对工业系统安全性和可靠性要求的不断提高，在线、实时地对系统运行过程进行监控成为现代工业系统中必不可少的关键环节。考虑到难以获取系统精确的数学模型和先验知识以及工业系统产生大量历史运行数据等情况，基于数据驱动的过程监控成为现代工业安全监控的主流技术。在故障发生后发出警报能帮助工作人员及时判断系统运行情况，但该方法不能确定警报发生原因。报警根源寻找方法就能够在警报发生时明确报警原因，因而受到了普遍重视。

报警根源寻找方法通过一系列措施准确定位故障，辅助工作人员及时隔离并排除故障。经过多年的发展，人们已经提出了多种报警根源寻找技术，主要分为三大类：

1)符号有向图方法，依赖于系统的物理模型和先验知识；

2)Granger因果分析方法，是基于预测的因果关系；

3)转变熵(transfer entropy，TE)方法。

前两种方法都只适用于线性系统，通过构建模型来获取变量之间的关系，并不适用于大型复杂系统。最后一种方法主要通过计算过程变量的概率密度函数来获取变量之间的因果关系，能够应用于复杂的非线性系统，实用性更强。该类方法的不足在于对建模数据的数量具有较高的要求，而现代工业系统产生海量数据的特点正好弥补这一不足。

因此，本发明人考虑利用转变熵方法确定变量间的因果关系，为寻找报警根源奠定坚实的基础。

发明内容

本发明的目的在于提供一种基于数据驱动的报警根源寻找方法，不依赖于系统物理模型和先验知识，仅依靠过程测量变量就能获得因果关系，就可在报警发出初期就能寻找根源，以便及时隔离和排除故障，减少甚至避免事故发生，提高系统运行的安全性和可靠性。

为了实现上述目的，本发明采用如下技术方案：

一种基于数据驱动的报警根源寻找方法，包括以下步骤：

步骤一：检测工业系统的工作数据并获得观测变量，并将d个观测变量存储到数据矩阵X中，检查数据的时间平稳性并对数据进行预处理；

所述的工作数据包括反应系统运行情况的参数；

步骤二：对模型参数进行初始化，并利用Cao准则或者Ragwitz准则优化模型参数；

步骤三：计算转变熵矩阵P，包括：

A、选取变量：从数据矩阵X中任取两个变量，标记为x、y，共d(d-1)/2种组合；

B、计算两个变量间的转变熵：

其中，是联合概率密度函数，f(·|·)是条件概率密度函数，w是随机向量假设w的元素是w₁,w₂,…,w_s，∫(·)dw是和分别是x和y历史测量值的嵌入向量，k₁和l₁分别是y和x的嵌入维数，h₁是预测范围；

C、计算标准转变熵：

其中，H表示熵,是条件熵；且T_x→y≠T_y→x；

如果大于规定阈值，则判定两个变量x、y具有因果关系；

D、重复步骤B、C直至计算d(d-1)，将d(d-1)/2种组合的变量标准转变熵计算出来，存入矩阵P中，然后将具有因果关系的变量用流向图表示；

步骤四：基于信息流向图中变量因果关系计算标准直接转变熵：

从矩阵P任取x、y、z3个具有因果关系的变量，其中z是中间变量，判断x和y的直接因果关系，包括：

1)、计算直接转变熵：

其中，v表示随机向量预测范围h＝max(h₁,h₃)，嵌入向量是z的历史值，能够为i+h时刻的预测y提供有效信息，是x的历史值，若h＝h₁，则若h＝h₃，则且计算T_x→z时，l₂和m₁是x和z的嵌入维数，h₂是预测范围，τ₂是时间间隔；计算T_z→y时，k₂和m₂是y和z的嵌入维数，h₃是预测范围，τ₃是时间间隔；

2)、计算标准直接转变熵：