一种连续型运行监测数据模拟发生方法及装置制造方法及图纸

一种连续型运行监测数据模拟发生方法及装置，通过对实际系统对象各类运行监测信号的拟合或学习、产生可编程并行和串行连续型型数据，通过编程接口在其中加入各种异常数据或故障数据，也可根据用户自定义算法仿真和重复现实世界无法复现的连续型信号，并具备多路信号同/异步输入/出的功能，工作人员根据需要选择采用完整模拟数据或完整自定义模拟数据。本发明专利技术通过测试系统对样本信号的响应，实现对系统对象运行的分析、调试、检测、故障诊断等功能。

A method and device of continuous operation monitoring data simulation

【技术实现步骤摘要】
一种连续型运行监测数据模拟发生方法及装置
本专利技术涉及工业过程测试与信号模拟
，特别是一种连续型运行监测数据模拟发生方法。
技术介绍
大型装备及系统和工业过程会产生海量的运行数据，这些数据蕴含了对象整体运行状况，人们可以通过测试分析来发现其中的具体工况。但随着系统对象复杂程度和规模的增长，运行监测数据呈数量级增长，纯粹的实物分析其测试结果的精度和时效性难以得到保障。考虑到大量的运行监测数据是以连续型有界数据的形式呈现，能够模拟连续型的系统对象运行输出数据的发生方法及其承载装置将有助于人们对于测试分析方法深入分析，进而提升对于整体系统对象工况的认识能力。
技术实现思路
本专利技术的其中一个目的就是提供一种连续型运行监测数据模拟发生方法。本专利技术的该目的是通过这样的技术方案实现的，具体步骤如下：1)采集待模拟实际系统的运行监测数据，分类形成样本信号数据池；2)根据步骤1)中所述样本信号数据池，分别生成正常运行数据模拟规则库和异常工况数据模拟规则库；3)根据步骤2)中所述正常运行数据模拟规则库，生成自定义正常运行数据模拟规则库；根据步骤2)中所述异常工况数据模块规则库，生成自定义异常工况数据模拟规则库；4)结合正常运行数据模拟规则库和异常工况数据模拟规则库生成完整模拟数据；结合自定义正常运行数据模拟规则库和自定义异常工况数据模拟规则库生成完整自定义模拟数据。进一步，步骤1)中所述分类形成样本信号数据池的具体方法如下：1-1)对实际系统所产生的监测数据进行划分，根据监测数据的类型、功能、产生条件、机理的差异将数据源划分成多种类别数据池；1-2)设置实际系统监测对象的数据采样周期；1-3)将步骤1-1)中所述多种类别数据池内的数据划分为正常数据和异常工况数据，并存入到正/异常数据池中；1-4)将步骤1-3)中所述正/异常数据池内的数据，划分为测试数据和训练数据。进一步，步骤1-3)中所述划分为正常数据和异常工况数据的具体方法为：将同种时间条件下的大量输出结果作为数据集，求其平均值λ和标准差σ，根据工况和执行标准的差异，人为对数据标准差添加影响因子γ，将判断异常数据的标准差设定为α＝σ+γ，针对每个数据χ，若(χ－λ)2>α2，则判断为异常数据。进一步，生成正常运行数据模拟规则库的具体方法如下：2-1-1)提取步骤1-4)中正常数据池内的训练数据；2-1-2)根据训练数据的类型、产生条件、关联参数、信号周期、幅值范围、产生频率、噪声范围、噪声频率因素确定训练样本的结构，即输入和输出个数；2-1-3)根据RBF人工神经网络学习、回归、拟合方式对训练数据进行处理，得到针对不同正常运行监测数据的神经网络模型、关系表达式和正常运行数据模拟规则库；步骤2-1-3)具体为，针对建立RBF神经网络模型，首先根据训练样本结构得到输入向量M和目标向量N，并输入测试样本M_test和目标测试样本N_test；之后采用函数newrbe创建RBF神经网络模型，并由系统设定隐含层数目，相关函数为：SPREAD＝1；net＝newrbe(P,T,SPREAD)；y＝sim(net,P_test)。进一步，所述方法还包括有步骤5)对比完整模拟数据和样本信号数据池的数据，优化完整模拟数据发生规则，其具体方法如下：2-2-1)提取步骤1-4)中异常数据池内的训练数据；2-2-2)记录每次异常的频率、持续周期、残差幅值、是否允许复合参数；2-2-3)通过异常工况数据分析模块调用异常工况分析算法库，按照实际系统中不同类别数据所发生异常的类型，对异常工况所产生数据进行分类，确定训练样本的结构，即输入和输出个数；2-2-4)按类别对异常工况数据进行整合、分析、处理，得到异常工况数据模拟规则库；步骤2-2-4)得到异常工况数据模拟规则库的具体方法为：根据步骤2-2-3)中分类后的异常工况数据，分别进行RBF神经网络建模，首先由训练样本结构得到输入向量M和目标向量N，并输入测试样本M_test和目标测试样本N_test；之后采用函数newrbe创建RBF神经网络模型，并由系统设定隐含层数目，相关函数为：SPREAD＝1；net＝newrbe(P,T,SPREAD)；y＝sim(net,P_test)。进一步，步骤3)中所述生成自定义正常运行数据模拟规则库和自定义异常工况数据模拟规则库的具体方法为：将正常运行数据模拟规则库和异常工况数据模拟规则库作为参考规则库，调整步骤2-1-3)和2-1-4)中神经网络模型中各神经元的权重和偏置，以适应自定义操作对输出数据的调整，从而建立出自定义正常运行数据模拟规则库，具体方法为：首先将输入节点的变量数值规定于(-1,1)之间；各输入节点权重及隐藏层与输出层神经元的偏置初始化设置为(-1,1)的随机数，并根据输入信号计算出各神经元输出信号；由输出信号计算出与真值的差值，以及各隐藏层和输出层神经元的差值；然后通过二分法依次对各神经元权重和偏置进行更新优化，得到更近似于最优解的值；将正常运行数据模拟规则库和异常工况数据模拟规则库不作参考映射，由实际工况和样本数据得到输入向量M，输入向量M的各个输入量的权重均为(-1,1)之间的随机数，记录于此对应的输出值，由此重复现实世界无法复现的信号并产生非实际生产下的自定义数据，用于自定义补充自定义正常运行数据模拟规则库和自定义异常工况数据模拟规则库。进一步，步骤4)中所述结合正常运行数据模拟规则库和异常工况数据模拟规则库生成完整模拟数据的具体方法为：通过正常运行数据模拟规则库生成处于正常工况下的模拟数据，并根据系统模拟和人为主动控制的要求向模拟出的正常数据间隔性或连续性地插入异常工况数据模拟规则库模拟出的异常数据，生成完整模拟数据；步骤4)中所述结合自定义正常运行数据模拟规则库和自定义异常工况数据模拟规则库生成完整自定义模拟数据的具体方法为：为生成非实际生产下的自定义数据为重复现实世界无法复现的信号，通过自定义正常运行数据模拟规则库生成处于正常工况下的模拟数据，并根据系统模拟和人为主动控制的要求向模拟出的正常数据间隔性或连续性地插入自定义异常工况数据模拟规则库生成的模拟数据，生成完整自定义模拟数据。进一步，步骤5)中所述对比完整模拟数据和样本信号数据池的数据，优化完整模拟数据发生规则的具体方法如下：5-1)提取步骤1-4)中其中一个正/异常数据池内的测试数据；5-2)将测试数据与之相关联的各参数及条件设置到装置中；5-3)该类测试数据与对应模拟数据进行比较，泛化误差；对数据集中共有的M个数据，将其随机分成N份，每次选取其中1份作为测试数据，其余N-1份为训练数据进行交叉训练，得到所有样本数据与模拟数据的误差，最后求平均；5-4)神经网络算法选择具有最小泛化误差的模型作为本次训练的模型，将该模型继续作为训练模型；将泛本文档来自技高网...

【技术保护点】
1.一种连续型运行监测数据模拟发生方法，其特征在于，具体步骤如下：/n1)采集待模拟实际系统的运行监测数据，分类形成样本信号数据池；/n2)根据步骤1)中所述样本信号数据池，分别生成正常运行数据模拟规则库和异常工况数据模拟规则库；/n3)根据步骤2)中所述正常运行数据模拟规则库，生成自定义正常运行数据模拟规则库；根据步骤2)中所述异常工况数据模块规则库，生成自定义异常工况数据模拟规则库；/n4)结合正常运行数据模拟规则库和异常工况数据模拟规则库生成完整模拟数据；结合自定义正常运行数据模拟规则库和自定义异常工况数据模拟规则库生成完整自定义模拟数据。/n

【技术特征摘要】
1.一种连续型运行监测数据模拟发生方法，其特征在于，具体步骤如下：
1)采集待模拟实际系统的运行监测数据，分类形成样本信号数据池；
2)根据步骤1)中所述样本信号数据池，分别生成正常运行数据模拟规则库和异常工况数据模拟规则库；
3)根据步骤2)中所述正常运行数据模拟规则库，生成自定义正常运行数据模拟规则库；根据步骤2)中所述异常工况数据模块规则库，生成自定义异常工况数据模拟规则库；
4)结合正常运行数据模拟规则库和异常工况数据模拟规则库生成完整模拟数据；结合自定义正常运行数据模拟规则库和自定义异常工况数据模拟规则库生成完整自定义模拟数据。


2.如权利要求1所述的连续型运行监测数据模拟发生方法，其特征在于，步骤1)中所述分类形成样本信号数据池的具体方法如下：
1-1)对实际系统所产生的监测数据进行划分，根据监测数据的类型、功能、产生条件、机理的差异将数据源划分成多种类别数据池；
1-2)设置实际系统监测对象的数据采样周期；
1-3)将步骤1-1)中所述多种类别数据池内的数据划分为正常数据和异常工况数据，并存入到正/异常数据池中；
1-4)将步骤1-3)中所述正/异常数据池内的数据，划分为测试数据和训练数据。


3.如权利要求2所述的连续型运行监测数据模拟发生方法，其特征在于，步骤1-3)中所述划分为正常数据和异常工况数据的具体方法为：将同种时间条件下的大量输出结果作为数据集，求其平均值λ和标准差σ，根据工况和执行标准的差异，人为对数据标准差添加影响因子γ，将判断异常数据的标准差设定为α＝σ+γ，针对每个数据χ，若(χ－λ)2>α2，则判断为异常数据。


4.如权利要求2所述的连续型运行监测数据模拟发生方法，其特征在于，生成正常运行数据模拟规则库的具体方法如下：
2-1-1)提取步骤1-4)中正常数据池内的训练数据；
2-1-2)根据训练数据的类型、产生条件、关联参数、信号周期、幅值范围、产生频率、噪声范围、噪声频率因素确定训练样本的结构，即输入和输出个数；
2-1-3)根据RBF人工神经网络学习、回归、拟合方式对训练数据进行处理，得到针对不同正常运行监测数据的神经网络模型、关系表达式和正常运行数据模拟规则库；
步骤2-1-3)具体为，针对建立RBF神经网络模型，首先根据训练样本结构得到输入向量M和目标向量N，并输入测试样本M_test和目标测试样本N_test；之后采用函数newrbe创建RBF神经网络模型，并由系统设定隐含层数目，相关函数为：
SPREAD＝1；
net＝newrbe(P,T,SPREAD)；
y＝sim(net,P_test)。


5.如权利要求2所述的连续型运行监测数据模拟发生方法，其特征在于，所述方法还包括有步骤5)对比完整模拟数据和样本信号数据池的数据，优化完整模拟数据发生规则，其具体方法如下：
2-2-1)提取步骤1-4)中异常数据池内的训练数据；
2-2-2)记录每次异常的频率、持续周期、残差幅值、是否允许复合参数；
2-2-3)通过异常工况数据分析模块调用异常工况分析算法库，按照实际系统中不同类别数据所发生异常的类型，对异常工况所产生数据进行分类，确定训练样本的结构，即输入和输出个数；
2-2-4)按类别对异常工况数据进行整合、分析、处理，得到异常工况数据模拟规则库；
步骤2-2-4)得到异常工况数据模拟规则库的具体方法为：根据步骤2-2-3)中分类后的异常工况数据，分别进行RBF神经网络建模，首先由训练样本结构得到输入向量M和目标向量N，并输入测试样本M_test和目标测试样本N_test；之后采用函数newrbe创建RBF神经网络模型，并由系统设定隐含层数目，相关函数为：
SPREAD＝1；
net＝newrbe(P,T,SPREAD)；
y＝sim(net,P_test)。


6.如权利要求5所述的连续型运行监测数据模拟发生方法，其特征在于，步骤3)中所述生成自定义正常运行数据模拟...

【专利技术属性】
技术研发人员：张可，柴毅，张龙，刘超，宋鑫，
申请(专利权)人：重庆大学，
类型：发明
国别省市：重庆;50