[发明专利]知识与数据驱动的大规模工业系统分布式状态监测方法

权利要求书

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；

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；

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m_u,b和m_y,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p_b(t)和未来信息向量f_b(t)：

p_b(t)＝[y_b(t-1)^T,y_b(t-2)^T,…,y_b(t-l)^T,u_b(t-1)^T,u_b(t-2)^T,…,u_b(t-l)^T]^T

f_b(t)＝[y_b(t)^T,y_b(t+1)^T,…,y_b(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Σ_pp,b＝E(p_b(t)p_b(t)^T)、Σ_ff,b＝E(f_b(t)f_b(t)^T)和Σ_pf,b＝E(p_b(t)f_b(t)^T)，典型变量分析模型通过最大化典型变量c_b(t)＝J_bp_b(t)和d_b(t)＝L_bf_b(t)之间的相关性，从而获得代表过去信息向量p_b(t)和未来信息向量f_b(t)线性组合的投影矩阵J_b和L_b；

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：U_b和V_b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s_b，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J_b的前s_b行，矩阵是矩阵J_b除前s_b行之外的剩余行，矩阵是矩阵U_b的前s_b列，矩阵是矩阵U_b除前s_b列之外的剩余列；

S25、根据Hotelling T²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，F_α(s_b,n-s_b)和F_α(e_b,n-e_b)分别是状态空间和残差空间所满足的F分布；

所述S3中，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包括两个步骤：

S31、基于分布式典型变量分析模型的故障贡献分析：针对所有发生故障的样本，计算所有发生故障的子系统内变量的状态空间贡献、残差空间贡献，并由此计算组合贡献值，然后根据组合贡献值的大小确定故障负责变量集合；

S32、基于有向图推理的故障溯源：针对所有故障负责变量，通过系统知识确定它们之间的因果关系，构造故障有向图，然后通过有向图推理法确定故障传播路径和根源。