本發(fā)明屬于安全監(jiān)控技術(shù)領(lǐng)域，特別涉及一種基于數(shù)據(jù)驅(qū)動(dòng)的報(bào)警根源尋找方法。

背景技術(shù)：

由于對(duì)工業(yè)系統(tǒng)安全性和可靠性要求的不斷提高，在線、實(shí)時(shí)地對(duì)系統(tǒng)運(yùn)行過(guò)程進(jìn)行監(jiān)控成為現(xiàn)代工業(yè)系統(tǒng)中必不可少的關(guān)鍵環(huán)節(jié)?？紤]到難以獲取系統(tǒng)精確的數(shù)學(xué)模型和先驗(yàn)知識(shí)以及工業(yè)系統(tǒng)產(chǎn)生大量歷史運(yùn)行數(shù)據(jù)等情況，基于數(shù)據(jù)驅(qū)動(dòng)的過(guò)程監(jiān)控成為現(xiàn)代工業(yè)安全監(jiān)控的主流技術(shù)。在故障發(fā)生后發(fā)出警報(bào)能幫助工作人員及時(shí)判斷系統(tǒng)運(yùn)行情況，但該方法不能確定警報(bào)發(fā)生原因。報(bào)警根源尋找方法就能夠在警報(bào)發(fā)生時(shí)明確報(bào)警原因，因而受到了普遍重視。

報(bào)警根源尋找方法通過(guò)一系列措施準(zhǔn)確定位故障，輔助工作人員及時(shí)隔離并排除故障。經(jīng)過(guò)多年的發(fā)展，人們已經(jīng)提出了多種報(bào)警根源尋找技術(shù)，主要分為三大類：

1)符號(hào)有向圖方法，依賴于系統(tǒng)的物理模型和先驗(yàn)知識(shí)；

2)Granger因果分析方法，是基于預(yù)測(cè)的因果關(guān)系；

3)轉(zhuǎn)變熵(transfer entropy，TE)方法。

前兩種方法都只適用于線性系統(tǒng)，通過(guò)構(gòu)建模型來(lái)獲取變量之間的關(guān)系，并不適用于大型復(fù)雜系統(tǒng)。最后一種方法主要通過(guò)計(jì)算過(guò)程變量的概率密度函數(shù)來(lái)獲取變量之間的因果關(guān)系，能夠應(yīng)用于復(fù)雜的非線性系統(tǒng)，實(shí)用性更強(qiáng)。該類方法的不足在于對(duì)建模數(shù)據(jù)的數(shù)量具有較高的要求，而現(xiàn)代工業(yè)系統(tǒng)產(chǎn)生海量數(shù)據(jù)的特點(diǎn)正好彌補(bǔ)這一不足。

因此，本發(fā)明人考慮利用轉(zhuǎn)變熵方法確定變量間的因果關(guān)系，為尋找報(bào)警根源奠定堅(jiān)實(shí)的基礎(chǔ)。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明的目的在于提供一種基于數(shù)據(jù)驅(qū)動(dòng)的報(bào)警根源尋找方法，不依賴于系統(tǒng)物理模型和先驗(yàn)知識(shí)，僅依靠過(guò)程測(cè)量變量就能獲得因果關(guān)系，就可在報(bào)警發(fā)出初期就能尋找根源，以便及時(shí)隔離和排除故障，減少甚至避免事故發(fā)生，提高系統(tǒng)運(yùn)行的安全性和可靠性。

為了實(shí)現(xiàn)上述目的，本發(fā)明采用如下技術(shù)方案：

一種基于數(shù)據(jù)驅(qū)動(dòng)的報(bào)警根源尋找方法，包括以下步驟：

步驟一：檢測(cè)工業(yè)系統(tǒng)的工作數(shù)據(jù)并獲得觀測(cè)變量，并將d個(gè)觀測(cè)變量存儲(chǔ)到數(shù)據(jù)矩陣X中，檢查數(shù)據(jù)的時(shí)間平穩(wěn)性并對(duì)數(shù)據(jù)進(jìn)行預(yù)處理；

所述的工作數(shù)據(jù)包括反應(yīng)系統(tǒng)運(yùn)行情況的參數(shù)；

步驟二：對(duì)模型參數(shù)進(jìn)行初始化，并利用Cao準(zhǔn)則或者Ragwitz準(zhǔn)則優(yōu)化模型參數(shù)；

步驟三：計(jì)算轉(zhuǎn)變熵矩陣P，包括：

A、選取變量：從數(shù)據(jù)矩陣X中任取兩個(gè)變量，標(biāo)記為x、y，共d(d-1)/2種組合；

B、計(jì)算兩個(gè)變量間的轉(zhuǎn)變熵：

其中，是聯(lián)合概率密度函數(shù)，f(·|·)是條件概率密度函數(shù)，w是隨機(jī)向量假設(shè)w的元素是w₁,w₂,…,w_s，∫(·)dw是和分別是x和y歷史測(cè)量值的嵌入向量，k₁和l₁分別是y和x的嵌入維數(shù)，h₁是預(yù)測(cè)范圍；

C、計(jì)算標(biāo)準(zhǔn)轉(zhuǎn)變熵：

其中，H表示熵,是條件熵；且T_x→y≠T_y→x；

如果大于規(guī)定閾值，則判定兩個(gè)變量x、y具有因果關(guān)系；

D、重復(fù)步驟B、C直至計(jì)算d(d-1)，將d(d-1)/2種組合的變量標(biāo)準(zhǔn)轉(zhuǎn)變熵計(jì)算出來(lái)，存入矩陣P中，然后將具有因果關(guān)系的變量用流向圖表示；

步驟四：基于信息流向圖中變量因果關(guān)系計(jì)算標(biāo)準(zhǔn)直接轉(zhuǎn)變熵：

從矩陣P任取x、y、z3個(gè)具有因果關(guān)系的變量，其中z是中間變量，判斷x和y的直接因果關(guān)系，包括：

1)、計(jì)算直接轉(zhuǎn)變熵：

其中，v表示隨機(jī)向量預(yù)測(cè)范圍h＝max(h₁,h₃)，嵌入向量是z的歷史值，能夠?yàn)閕+h時(shí)刻的預(yù)測(cè)y提供有效信息，是x的歷史值，若h＝h₁，則若h＝h₃，則且計(jì)算T_x→z時(shí)，l₂和m₁是x和z的嵌入維數(shù)，h₂是預(yù)測(cè)范圍，τ₂是時(shí)間間隔；計(jì)算T_z→y時(shí)，k₂和m₂是y和z的嵌入維數(shù)，h₃是預(yù)測(cè)范圍，τ₃是時(shí)間間隔；

2)、計(jì)算標(biāo)準(zhǔn)直接轉(zhuǎn)變熵：

如果大于規(guī)定閾值，則說(shuō)明x和y有直接的因果關(guān)系；

對(duì)步驟三信息流向圖中的變量進(jìn)行上述1)和2)兩步計(jì)算，驗(yàn)證變量因果關(guān)系的真假性；

步驟五，根據(jù)步驟四的驗(yàn)證結(jié)果建立變量直接因果關(guān)系圖。

步驟一中，用增廣的富勒檢驗(yàn)方法對(duì)數(shù)據(jù)進(jìn)行時(shí)間平穩(wěn)性檢查。

所述步驟一對(duì)數(shù)據(jù)進(jìn)行預(yù)處理包括：利用濾波等方法處理數(shù)據(jù)噪聲。

步驟四中，從矩陣P任取x、y、z3個(gè)具有因果關(guān)系的變量，其中變量z可以為空，x、y為相鄰變量。

采用上述方案后，本發(fā)明具有以下優(yōu)點(diǎn)：僅利用反映系統(tǒng)運(yùn)行的海量數(shù)據(jù)建立模型，不依賴于系統(tǒng)的物理模型和先驗(yàn)知識(shí)，限制條件少，適用性強(qiáng)；此外，在報(bào)警初期進(jìn)行故障定位，能夠快速排出故障，減少重大事故發(fā)生，提高系統(tǒng)的安全性和可靠性，提高經(jīng)濟(jì)效益。

下面結(jié)合附圖對(duì)本發(fā)明做進(jìn)一步的說(shuō)明。

附圖說(shuō)明

圖1為本發(fā)明基于數(shù)據(jù)驅(qū)動(dòng)的報(bào)警根源尋找方法的流程圖。

圖2為變量x、y和z的關(guān)系圖。

圖3為變量x、y和z的信息流向圖，其中z到y(tǒng)有直接的因果關(guān)系。

圖4為變量x、y和z的信息流向圖，其中z到y(tǒng)沒(méi)有因果關(guān)系。

圖5為基于標(biāo)準(zhǔn)轉(zhuǎn)變熵的信息流向圖。

圖6為標(biāo)準(zhǔn)直接轉(zhuǎn)變熵的計(jì)算步驟。

圖7為基于標(biāo)準(zhǔn)直接轉(zhuǎn)變熵的信息流向圖。

具體實(shí)施方式

實(shí)施例一

結(jié)合圖1說(shuō)明本具體實(shí)施方式，本發(fā)明實(shí)施例一揭示的一種基于數(shù)據(jù)驅(qū)動(dòng)的報(bào)警根源尋找方法，是按以下步驟進(jìn)行的：

步驟一：檢測(cè)工業(yè)系統(tǒng)的工作數(shù)據(jù)并獲得觀測(cè)變量，并將d個(gè)觀測(cè)變量存儲(chǔ)到數(shù)據(jù)矩陣X中，此實(shí)施例利用了增廣的富勒檢驗(yàn)方法檢查數(shù)據(jù)的時(shí)間平穩(wěn)性，并對(duì)數(shù)據(jù)進(jìn)行預(yù)處理，預(yù)處理包括利用濾波等方法處理數(shù)據(jù)噪聲；其中工作數(shù)據(jù)包括反應(yīng)系統(tǒng)運(yùn)行情況的參數(shù)，例如溫度、壓力、水位等；

步驟二：對(duì)模型參數(shù)進(jìn)行初始化，并利用Cao準(zhǔn)則優(yōu)化模型參數(shù)；模型是指建立變量因果關(guān)系的模型，模型參數(shù)就是建立模型需要的一些設(shè)置參數(shù)，預(yù)處理后的工作數(shù)據(jù)是模型的輸入；

步驟三：計(jì)算轉(zhuǎn)變熵矩陣P：

A、從數(shù)據(jù)矩陣X中取3個(gè)變量，標(biāo)記為x、y、z，計(jì)算任意兩個(gè)變量間的標(biāo)準(zhǔn)轉(zhuǎn)變熵值(normalized TE,NTE)，共d(d-1)/2種組合；

以這3個(gè)變量為例說(shuō)明標(biāo)準(zhǔn)直接轉(zhuǎn)變熵的計(jì)算方法；

B、計(jì)算x到y(tǒng)的TE值：

其中，是聯(lián)合概率密度函數(shù)，f(·|·)是條件概率密度函數(shù)，w是隨機(jī)向量假設(shè)w的元素是w₁,w₂,...,w_s，∫(·)dw是和分別是x和y歷史測(cè)量值的嵌入向量，k₁和l₁分別是y和x的維數(shù)，h₁是預(yù)測(cè)范圍；

如果T_x→y＝0，說(shuō)明x和y沒(méi)有因果關(guān)系；

C、計(jì)算x到y(tǒng)的NTE：

其中，是條件熵；

H表示熵；

D、計(jì)算x到z的TE值：

其中，和是時(shí)間間隔τ₂的嵌入向量，η是隨機(jī)向量h₂是預(yù)測(cè)范圍；

如果T_x→z＝0，說(shuō)明x和z沒(méi)有因果關(guān)系；

E、計(jì)算x到z的NTE值：

F、計(jì)算z到y(tǒng)的TE值：

其中，和是時(shí)間間隔τ₃的嵌入向量，是隨機(jī)向量h₃是預(yù)測(cè)范圍；

如果T_z→y＝0，說(shuō)明z和y沒(méi)有因果關(guān)系；

G、計(jì)算z到y(tǒng)的NTE值：

對(duì)數(shù)據(jù)矩陣X的任意兩個(gè)變量都進(jìn)行TE值的計(jì)算，并將該TE值存儲(chǔ)到d×d的矩陣P中；

矩陣P的對(duì)角線元素是變量本身的轉(zhuǎn)變熵，其值為NA；

當(dāng)NTE值大于規(guī)定的閾值時(shí)，判定兩個(gè)變量具有因果關(guān)系，描述基于NTE的信息流向圖；

需要說(shuō)明的是，通常利用高斯核函數(shù)估計(jì)概率密度函數(shù)

對(duì)單變量概率密度函數(shù)可以用下列公式計(jì)算

其中，N是樣本數(shù)，γ是減少概率密度函數(shù)估計(jì)的帶寬，c＝(4/3)^1/5≈1.06；

對(duì)d維多變量情形，概率密度函數(shù)估計(jì)可以用下列公式計(jì)算

其中，s＝1,…,d；

步驟四：計(jì)算標(biāo)準(zhǔn)直接轉(zhuǎn)變熵值(normalized direct TE,NDTE)：

A：計(jì)算直接轉(zhuǎn)變熵(direct TE,DTE)：

如圖2所示，x引起z和y的變化，為了判斷x和y是否具有直接因果關(guān)系，定義DTE：

其中，v表示隨機(jī)向量預(yù)測(cè)范圍h＝max(h₁,h₃)，嵌入向量是z的歷史值，能夠?yàn)閕+h時(shí)刻的預(yù)測(cè)y提供有效信息，是x的歷史值，若h＝h₁，則若h＝h₃，則

B、計(jì)算NDTE：

如果DTE_x→y＝0，則x和y沒(méi)有直接的因果關(guān)系；

如果大于規(guī)定閾值，則x和y有直接的因果關(guān)系；

接下來(lái)需要判斷z到y(tǒng)因果關(guān)系的真假性；

z到y(tǒng)的DTE值計(jì)算為：

其中，υ表示隨機(jī)向量預(yù)測(cè)范圍h＝max(h₁,h₃)，嵌入向量是z的歷史值，能夠?yàn)閕+h時(shí)刻的預(yù)測(cè)y提供有效信息，是x的歷史值，若h＝h₁，則若h＝h₃，則

z到y(tǒng)的NDTE值計(jì)算為

如果NDTE_z→y大于規(guī)定閾值，表示z到y(tǒng)具有因果關(guān)系，如圖3所示；否則，z到y(tǒng)不具有因果關(guān)系，如圖4所示；

步驟五：對(duì)確認(rèn)有因果關(guān)系的變量進(jìn)行NDTE的計(jì)算，驗(yàn)證兩個(gè)變量之間的直接因果關(guān)系，篩選出直接因果關(guān)系的變量，以建立直接因果關(guān)系圖，即確定信息流向圖。

實(shí)施例二：本實(shí)施方式與具體實(shí)施方式一不同的是：步驟二采用Ragwitz準(zhǔn)則優(yōu)化參數(shù)。

具體實(shí)施例：本具體實(shí)施例的基于數(shù)據(jù)驅(qū)動(dòng)的報(bào)警根源尋找方法，用于一家石油公司的煙氣脫硫過(guò)程(flue gas desulfurization，F(xiàn)GD)變量因果關(guān)系進(jìn)行仿真，具體步驟如下；

步驟一，以FDG過(guò)程為例，選取反應(yīng)池、水槽1和水槽2的液位以及泵2和3的流速為變量，分別記為y₁、y₂、y₃y₄、y₅，采集3544組數(shù)據(jù)，數(shù)據(jù)具有時(shí)間平穩(wěn)性，并對(duì)數(shù)據(jù)進(jìn)行預(yù)處理；

步驟二，模型參數(shù)初始化，并利用Cao準(zhǔn)則對(duì)參數(shù)進(jìn)行優(yōu)化；

步驟三，計(jì)算變量間的TE值和NTE值，見表1；

表1

選取0.02作為閾值，基于標(biāo)準(zhǔn)轉(zhuǎn)變熵的信息流向路徑如圖5所示；

步驟四，計(jì)算FDG部分過(guò)程的DTE和NDTE值，見表2；

表2

如果NDTE值過(guò)小，則判定變量沒(méi)有直接因果關(guān)系，根據(jù)直接轉(zhuǎn)變熵計(jì)算結(jié)果獲取信息流向圖的步驟如圖6所示；

步驟五，得到FDG過(guò)程的信息流向圖如圖7所示。

上述說(shuō)明示出并描述了本發(fā)明的優(yōu)選實(shí)施例，應(yīng)當(dāng)理解本發(fā)明并非局限于本文所披露的形式，不應(yīng)看作是對(duì)其他實(shí)施例的排除，而可用于各種其他組合、修改和環(huán)境，并能夠在本文發(fā)明構(gòu)想范圍內(nèi)，通過(guò)上述教導(dǎo)或相關(guān)領(lǐng)域的技術(shù)或知識(shí)進(jìn)行改動(dòng)。而本領(lǐng)域人員所進(jìn)行的改動(dòng)和變化不脫離本發(fā)明的精神和范圍，則都應(yīng)在本發(fā)明所附權(quán)利要求的保護(hù)范圍內(nèi)。