[发明专利]基于多元概率模型的设备状态综合动态报警方法

摘要

基于多元概率模型的设备状态综合动态报警方法，以设备运行过程中表征个体设备状态的多元参数作为目标样本集，通过高斯核函数实现多元样本数据向一维条件概率密度的映射，并利用3σ方法获得处于聚类边界样本点分布的等高线映射，报警线就是由这些边界点的等高线包络形成的复杂曲面，并随着监测数据的不断更新，动态调整报警模型，从而实现随设备状态的变化报警线的自适应调整。本发明方法从设备自身的发展历程中寻找规律，将现场常规设备状态划分为三个等级：即正常状态、过度状态异常、和故障状态，并分别研究了针对每种状态报警阈值变化范围，为综合评判设备状态奠定了基础。

主权项

1.基于多元概率模型的设备状态综合动态报警方法，通过高斯核函数的多元样本数据向一维条件概率密度的映射，利用3σ方法获得处于聚类边界样本点分布的等高线映射，将样本边界点的等高线包络形成的复杂曲面作为报警线，通过判断新数据与报警线的位置关系来识别异常数据，实现报警，其特征在于，该方法按以下步骤进行：步骤1：以相同采样间隔同时采集反映设备运行状态的至少一个测点的特征参数，获得一组反映设备运行状态的多元历史数据作为样本；步骤2：将步骤1获得的多元历史数据以列向量形式表示，即在第m次观测获得的多元数据表示为列向量式中，l为测点数；m＝1，2…，N，N为样本点数；T代表转置运算；步骤3：将步骤2得到的列向量，采用下式计算高维空间的欧式距离：dis(Xi,Xj)=(Xi-Xj)T(Xi-Xj)]]>式中，dis(X_i，X_j)为多元数据X_i和X_j在高维空间中的欧式距离；X_i为第i次观测获得的多元数据；X_j为第j次观测获得的多元数据；则，样本内数据之间的最小平均距离为：d=1NΣi,j=1Nmindis(Xi,Xj)]]>式中，d为最小平均距离；N样本点数；步骤4：根据步骤3得到的样本内数据之间的最小平均距离，通过以下经验公式计算平滑因子σ：σ＝g·d，式中，σ为平滑因子；g为经验公式系数，一般取1.1～1.4；步骤5：以步骤1中的样本数据为中心，以步骤4计算的平滑因子σ为标准偏差，利用多元高斯核函数f(x)=1(2π)p/2σp1NΣi=1Nexp(-(X-Xi)T(X-Xi)2σ2)]]>式中，f(x)为在已知数据序列X_i条件下的概率密度函数，表示在已知时间序列X_k条件下，抽样点y_i的条件概率；计算原始数据序列中的每个多元数据的高斯密度曲线，然后对所有曲线求和来逼近原始样本数据的概率密度曲线步骤6：根据步骤5计算的原始样本数据的概率密度曲线，由处于分布边界样本点的概率密度分布的等高线的映射，经过包络形成曲面，该曲面为报警线；步骤7：采集新的多元数据，并得到新的列向量Y＝[y₁，y₂…，y_l]^T，分别计算采集的多元数据与原始样本点间的距离dis(Y，X_j)：dis(Y,Xj)=(Y-Xj)T(Y-Xj)]]>依据拉依达准则进行判断：若dis(Y，X_j)≤3σ，则新数据属于已有类别，并用该观测数据更新原始样本数据序列，并重复步骤2、步骤3、步骤4、步骤5和步骤6，实现报警线的动态调整；若dis(Y，X_j)＞3σ，则判断新数据不属于已有类别，产生报警，并依据该新数据重新建立一个新的类别，重复步骤2、步骤3、步骤4、步骤5和步骤6，计算该新类别的边界线；步骤8：随着观测数据的不断增加动态调整报警模型，建立设备状态的自适应报警线。