一种基于自组织特征映射的机电系统服役动态标记方法技术方案

本发明专利技术公开了基于自组织特征映射网络的复杂机电系统服役过程动态标记方法，通过系统多变量耦合关系网络的构建、网络特征提取、状态标记知识库的被动更新和主动更新过程，不断对状态标记模型进行训练修正，最终对系统运行过程中服役质量状态的演变过程进行详细划分，建立符合系统状态及性能动态演化过程的状态标记知识库，实现了服役质量状态动态标记模型的动态调整，使其更加符合复杂机电系统实际服役过程中状态的演化规律，本发明专利技术能够标记出系统运行过程中出现的多种状态，对系统运行过程中服役质量状态的演变过程进行详细划分，最终建立符合系统状态及性能动态演化过程的状态标记知识库，为后续进行服役质量状态辨识和预测预警的研究提供依据。

【技术实现步骤摘要】
一种基于自组织特征映射的机电系统服役动态标记方法
本技术涉及复杂机电系统的服役质量状态动态标记
，具体涉及一种基于自组织特征映射的机电系统服役动态标记方法。
技术介绍
以能源重化工系统为代表的复杂机电系统是一个由诸多大型动力机械装备、化工装备，通过能量、流体、电力、控制信号等多介质网络耦合而成的机电系统，具有耦合度高、工艺过程复杂、控制要求精细的特征。随着企业数据采集能力的不断提高和企业工业大数据环境的不断完善，从数据出发分析、评估和预测系统状态成为了可能。当今工业领域，数据就是资源，数据就是财富。建立复杂机电系统状态知识库，对以数据驱动的方式研究复杂机电系统状态演变规律具有重要意义。但是传统分类方法往往以大量样本数据为基础进行有监督训练，需要有足够的分类类别数据为分类训练过程提供支持，在训练过程中通过不断对模型参数进行修正，最终建立符合精度的分类模型，显然传统分类方法无法对缺少状态分类数据的复杂机电系统状态进行动态标记。
技术实现思路
本专利技术的目的在于提供一种基于自组织特征映射的机电系统服役动态标记方法，以克服现有技术的不足。为达到上述目的，本专利技术采用如下技术方案：一种基于自组织特征映射的机电系统服役动态标记方法，包括以下步骤：步骤1)、构建耦合关系网络：选取多变量复杂机电系统中一定长度的n维时间序列X,X＝{x1,x2,x3,…,xn}，分别计算两两变量之间的DCCA标度指数DCCA(x1,x1),DCCA(x1,x2),…,DCCA(xn,xn)；按照计算出的DCCA标度指数下标进行排列，最终形成n×n的DCCA标度指数对称方阵D，矩阵中共有N＝n2个节点，节点值dij为变量xi与变量xj的DCCA标度指数：步骤2)、对步骤1)中得到的耦合关系网络进行特征提取，选取网络结构熵和网络效率作为特征变量；步骤3)、根据系统某平稳运行状态对应的网络特征初始化SOM神经网络，对耦合关系网络状态进行被动更新；步骤4)、针对在状态被动更新过程中生成的状态标记知识库，统计计算距系统在被动更新过程中上一次出现该状态的时间，对被动更新后的耦合关系网络状态进行主动更新。进一步的，步骤1)中，首先对原始数据进行归一化和降噪处理的数据预处理，对经过数据预处理过程之后的多变量时间序列通过FFT算法计算其拟周期，选定窗口宽度T，选择各变量中最大拟周期作为窗口宽度及其步长进行滑动的多维时间序列两两进行DCCA分析，得出多个DCCA标度系数对称矩阵，完成耦合关系网络的构建。进一步的，步骤2)中，网络结构熵H采用复杂网络的标准结构熵：其中，ki为第i个节点的度，P(ki)为第i个节点的度分布，N为网络节点的总数。进一步的，步骤2)中，网络效率E：其中N为网络节点数目，G为网络，包含N个节点和节点之间的连边，dij为网络任意两个节点i和j之间最短路径长度。进一步的，步骤3)中，以系统某平稳运行状态对应的网络特征初始化SOM神经网络，并对该序列进行标记作为状态标记知识库的初始状态，将连续工业数据对应的网络特征使用动态标记方法进行状态标记，若符合已有SOM神经网络聚类阈值，则对应状态标记知识库中已有状态标签，若超出已有SOM神经网络聚类阈值，则进行进一步判断。进一步的，判断不满足已有标记条件的数据是否满足新状态创建条件，若满足则创建新状态并在状态标记库中为该数据其设置新的状态标签ynew，利用新的标记数据集在已有聚类中心的基础上重新训练状态标记模型；得出状态标记结果并保存，并在此过程中通过不断训练对动态标记模型参数进行优化调整；整个流程按照时间顺序依次循环进行，不断丰富和完善系统历史状态标记知识库。进一步的，针对在状态被动更新过程中生成的状态标记知识库，统计计算距系统在被动更新过程中上一次出现该状态的时间，判断该时间是否超出所设定的时间阈值，若超出时间阈值，则将该状态标签及其所对应数据从训练集中剔除并重新训练标记模型，若没有超出时间阈值，则重新统计计算距系统在被动更新过程中上一次出现该状态的时间。与现有技术相比，本专利技术具有以下有益的技术效果：本专利技术公开了基于自组织特征映射网络的复杂机电系统服役过程动态标记方法，通过系统多变量耦合关系网络的构建、网络特征提取、状态标记知识库的被动更新和主动更新过程，不断对状态标记模型进行训练修正，最终对系统运行过程中服役质量状态的演变过程进行详细划分，建立符合系统状态及性能动态演化过程的状态标记知识库，实现了服役质量状态动态标记模型的动态调整，使其更加符合复杂机电系统实际服役过程中状态的演化规律，本专利技术能够标记出系统运行过程中出现的多种状态，对系统运行过程中服役质量状态的演变过程进行详细划分，最终建立符合系统状态及性能动态演化过程的状态标记知识库，为后续进行服役质量状态辨识和预测预警的研究提供依据。附图说明图1为状态被动更新过程流程图。图2为状态主动更新过程流程图。图3为系统服役状态演化的网络效率特征曲线。图4为系统服役状态演化的网络效率特征曲线。图5为复杂机电系统服役状态的动态演化特征散点图，(a)为散点图的3维视角，(b)为(a)的正视图，(c)为(a)的正视图。图6为复杂机电系统服役过程的的动态标记结果。具体实施方式下面结合附图对本专利技术做进一步详细描述：一种基于自组织特征映射的机电系统服役动态标记方法，对于一个由多种介质耦合而成的多变量复杂机电系统，系统状态的变化往往反映在变量间耦合关系的变化，通过系统多变量耦合关系网络的构建、网络特征提取、状态标记知识库的被动更新和主动更新过程，不断对状态标记模型进行训练修正，最终对系统运行过程中服役质量状态的演变过程进行详细划分，建立符合系统状态及性能动态演化过程的状态标记知识库；具体方法包括以下步骤：步骤1)、耦合关系网络构建：通过消除趋势相关分析方法(DetrendedCross-CorrelationAnalysis,简称DCCA)可定量描述两序列间的耦合强度。对于多变量复杂机电系统来说，选取一定长度的n维时间序列X,X＝{x1,x2,x3,…,xn}，分别计算两两变量之间的DCCA标度指数DCCA(x1,x1),DCCA(x1,x2),…,DCCA(xn,xn)；按照计算出的DCCA标度指数下标进行排列，最终形成一个形如下式的n×n的DCCA标度指数对称方阵D，矩阵中共有N＝n2个节点，节点值dij为变量xi与变量xj的DCCA标度指数；步骤2)、网络特征提取：为了进一步揭示系统状态演变过程，对耦合关系网络进行特征提取，此处选取网络结构熵和网络效率作为特征变量；1)、网络结构熵现实中复杂网络往往具有一些特点：少量具有高连通度的节点(中枢节点)和大多数具有低连通度的节点，即无标度性(幂率特性)。熵，热力学中表征物质状态的参量之一，其物理意义是体系混乱程度的度量。而对应于系统来说，基于度分布的复杂网络结构熵可以简洁地度量复杂网络的序状态；采用复杂网络的标准结构熵H，其表达式为其中，ki为第i个节点的度分布，P(ki)为第i个节点的度分布概率，N为网络节点的总数；2)、网络效率网络效率E用来衡量网络节点交换信息的效率。网络通过网络各节点之间的边传递信息，因而网络效率E与节点间距离dij成反比，为了反应网络中所有节点间最短距离对网络效率产生的影响本文档来自技高网...

【技术保护点】
1.一种基于自组织特征映射的机电系统服役动态标记方法，其特征在于，包括以下步骤：步骤1)、构建耦合关系网络：选取多变量复杂机电系统中一定长度的n维时间序列X,X＝{x1,x2,x3,…,xn}，分别计算两两变量之间的DCCA标度指数DCCA(x1,x1),DCCA(x1,x2),…,DCCA(xn,xn)；按照计算出的DCCA标度指数下标进行排列，最终形成n×n的DCCA标度指数对称方阵D，矩阵中共有N＝n2个节点，节点值dij为变量xi与变量xj的DCCA标度指数：

【技术特征摘要】
1.一种基于自组织特征映射的机电系统服役动态标记方法，其特征在于，包括以下步骤：步骤1)、构建耦合关系网络：选取多变量复杂机电系统中一定长度的n维时间序列X,X＝{x1,x2,x3,…,xn}，分别计算两两变量之间的DCCA标度指数DCCA(x1,x1),DCCA(x1,x2),…,DCCA(xn,xn)；按照计算出的DCCA标度指数下标进行排列，最终形成n×n的DCCA标度指数对称方阵D，矩阵中共有N＝n2个节点，节点值dij为变量xi与变量xj的DCCA标度指数：步骤2)、对步骤1)中得到的耦合关系网络进行特征提取，选取网络结构熵和网络效率作为特征变量；步骤3)、根据系统某平稳运行状态对应的网络特征初始化SOM神经网络，对耦合关系网络状态进行被动更新；步骤4)、针对在状态被动更新过程中生成的状态标记知识库，统计计算距系统在被动更新过程中上一次出现该状态的时间，对被动更新后的耦合关系网络状态进行主动更新。2.根据权利要求1所述的一种基于自组织特征映射的机电系统服役动态标记方法，其特征在于，步骤1)中，首先对原始数据进行归一化和降噪处理的数据预处理，对经过数据预处理过程之后的多变量时间序列通过FFT算法计算其拟周期，选定窗口宽度T，选择各变量中最大拟周期作为窗口宽度及其步长进行滑动的多维时间序列两两进行DCCA分析，得出多个DCCA标度系数对称矩阵，完成耦合关系网络的构建。3.根据权利要求1所述的一种基于自组织特征映射的机电系统服役动态标记方法，其特征在于，步骤2)中，网络结构熵H采用复杂网络的标准结构熵：其中，ki为第i个节点的度分布，P(ki)为第i个节点的度分布概率...

【专利技术属性】
技术研发人员：高建民，谢军太，高智勇，姜洪权，吕晓喆，王荣喜，
申请(专利权)人：西安交通大学，
类型：发明
国别省市：陕西,61