基于高斯建模及线性贝叶斯估计的状态监测方法及组件技术

本申请涉及数据处理技术领域，公开了一种基于高斯建模及线性贝叶斯估计的状态监测方法、装置、设备及存储介质，包括高斯建模先验推断和线性贝叶斯重构两个阶段，主要以待监测机电设备正常运行状态下的历史监测数据为基础重构出该机电设备在正常运行状态下的理论监测数据，理论监测数据和采集到的实时监测数据之间的偏差程度能够反映机电设备当下是否处于劣化状态。无需以劣化状态下的监测数据作为训练集，基于无监督学习方式，有效解决了在无设备劣化和故障数据训练的前提下，早期劣化检测模型难以构建的问题，同时基于线性贝叶斯框架，可解释性强，鲁棒性和性能较高，适用于各类机电设备。机电设备。机电设备。

【技术实现步骤摘要】
基于高斯建模及线性贝叶斯估计的状态监测方法及组件


[0001]本专利技术涉及数据处理
，特别涉及一种基于高斯建模及线性贝叶斯估计的状态监测方法、装置、设备及存储介质。

技术介绍

[0002]随着物联网技术、高精度传感器的发展和应用，机电设备的早期劣化预警逐渐成为可能。实现机电设备的早期劣化预警的关键就是对机电设备的运行监测参数的异常进行判别，并据此对机电设备的劣化等级做出预警，从而减少设备非安全状态下的运行时间，避免因设备劣化带来的经济损失和安全风险。
[0003]目前，大多利用人工智能技术来实现机电设备早期劣化预警，包括采集设备劣化数据和设备正常运行数据、建立分类模型或采用自编码结构的神经网络、基于网络重建误差实现设备的劣化预警。上述方法一方面过度依赖劣化数据的积累，导致方法鲁棒性低，灵活性差；另一方面由于自编码神经网络类算法的可解释性差，训练难度大，导致劣化预警准确率较低。
[0004]因此，上述技术问题亟待本领域技术人员解决。

技术实现思路

[0005]有鉴于此，本专利技术的目的在于提供一种基于高斯建模及线性贝叶斯估计的方法、装置、设备及存储介质，无需以劣化状态下的监测数据作为训练集，无监督学习方式下概率重构模型的鲁棒性和性能较高。其具体方案如下：
[0006]本申请的第一方面提供了一种基于高斯建模及线性贝叶斯估计的状态监测方法，包括：
[0007]获取待监测机电设备正常运行状态下运行参数的历史监测数据，并根据全部所述历史监测数据确定出目标运行参数，得到与所述目标运行参数对应的目标历史监测数据；
[0008]通过对所述待监测机电设备的正常运行状态进行多模态概率建模的方式构建所述待监测机电设备的概率重构模型，并基于所述目标历史监测数据利用所述概率重构模型重构出所述待监测机电设备的所述目标运行参数的理论监测数据；
[0009]采集所述待监测机电设备的所述目标运行参数的实时监测数据，并根据所述实时监测数据与所述理论监测数据的偏差程度确定所述待监测机电设备的劣化状态。
[0010]可选的，所述根据全部所述历史监测数据确定出目标运行参数，包括：
[0011]通过箱形图上下四分位法对全部所述历史监测数据中的异常值进行剔除，并通过Z
‑
score标准化方法对剔除后的所述历史监测数据进行归一化处理；
[0012]通过皮尔逊相关系数法对归一化处理后的所述历史监测数据进行分析，并根据分析结果从全部所述运行参数中筛选出所述目标运行参数。
[0013]可选的，所述通过对所述待监测机电设备的正常运行状态进行多模态概率建模的方式基于所述目标历史监测数据构建所述待监测机电设备的概率重构模型，包括：
[0014]通过对预设高斯混合模型进行高斯分布建模的方式得到所述待监测机电设备的正常运行状态的高斯混合模型，并根据所述高斯混合模型对预设线性贝叶斯模型进行训练得到所述概率重构模型。
[0015]可选的，所述通过对预设高斯混合模型进行高斯分布建模的方式得到所述待监测机电设备的正常运行状态的高斯混合模型，包括：
[0016]设置初始高斯模型分量的数量为S；其中，先验高斯混合分布选择最优分量S
opt
(S
opt
<<S)时的集中程度系数α符合狄利克雷分布；
[0017]采用无限狄利克雷分布过程对预设高斯混合模型进行概率建模，基本概率分布模型形式为：
[0018][0019][0020]其中，C(α)为狄利克雷分布的归一化系数，π
s
、m
s
、δ
s
分别为第s个高斯分量概率、分布参数均值、协方差；
[0021]对具有各向同性性质的狄利克雷分布过程中的所述预设高斯混合模型进行拟合操作，使得各高斯分量所有方向上方差均相同且协方差矩阵为对角形式；
[0022]利用变分贝叶斯推断方式对所述预设高斯混合模型进行迭代训练直至变分下界收敛并近似后验分布。
[0023]可选的，所述根据所述高斯混合模型对预设线性贝叶斯模型进行训练得到所述概率重构模型，包括：
[0024]基于线性贝叶斯框架建立所述待监测机电设备的实际监测值y和理论监测值x的概率映射关系，所述概率映射关系为：
[0025]y＝x+ζ
[0026]其中，表示t时刻所述待监测机电设备的第d个所述目标运行参数的实时监测数据，为通过概率重构关系映射得到的对应参数在正常运行状态下的理论值，ζ为引入的未知高斯随机向量，服从ζ～N(0,Λ)分布，Λ被限制为对角协方差矩阵形式，用来拟合x和y之间所可能存在的任意偏差；
[0027]根据所述高斯混合模型及所述概率映射关系得到各个高斯分量s对应的y的概率分布及联合概率分布分别为：
[0028]p(y|s,Λ)＝p(x|s)+p(ζ)＝N(m
s
,δ
s
+Λ
s
)
[0029][0030]确定在y下需要重构的x的后验分布为Q
s
(x)：
[0031]Q
s
(x)＝p(x|y,s,Λ)～N(m
x|y,s,Λ
,δ
x|y,s,Λ
)
[0032][0033][0034]其中，m
s
和δ
s
对应于所述高斯混合模型第s个分量的分布参数；τ为方差修正系数，取1e
‑
6，避免奇异矩阵情况；m
x|y,s,Λ
和δ
x|y,s,Λ
是后验分布Q
s
(x)的均值和协方差；Q
s
(x)＝p(x|y,s,Λ)为所述概率重构模型。
[0035]可选的，所述基于所述目标历史监测数据利用所述概率重构模型重构出所述待监测机电设备的所述目标运行参数的理论监测数据，包括：
[0036]将所述目标历史监测数据输入所述概率重构模型，以采用期望最大算法和最大后验估计算法计算所述待监测机电设备的所述目标运行参数的所述理论监测数据。
[0037]可选的，所述根据所述实时监测数据与所述理论监测数据的偏差程度确定所述待监测机电设备的劣化状态，包括：
[0038]根据所述理论监测数据确定第一预设值、第二预设值和第三预设值；其中，所述第一预设值、所述第二预设值和所述第三预设值之间线性相关且逐渐增大；
[0039]如果偏差值小于所述第一预设值，则判定所述待监测机电设备处于正常运行状态；
[0040]如果偏差值在所述第一预设值和所述第二预设值之间，则判定所述待监测机电设备处于低风险运行状态；
[0041]如果偏差值在所述第二预设值和第三预设值之间且持续时间超过第一时间阈值，则判定所述待监测机电设备处于中风险运行状态；
[0042]如果偏差值大于所述第三预设值且持续时间超过第二时间阈值，则判定所述待监测机电设本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于高斯建模及线性贝叶斯估计的状态监测方法，其特征在于，包括：获取待监测机电设备正常运行状态下运行参数的历史监测数据，并根据全部所述历史监测数据确定出目标运行参数，得到与所述目标运行参数对应的目标历史监测数据；通过对所述待监测机电设备的正常运行状态进行多模态高斯概率建模的方式构建所述待监测机电设备的概率重构模型，并基于所述目标历史监测数据利用所述概率重构模型依据贝叶斯估计重构出所述待监测机电设备的所述目标运行参数的理论监测数据；采集所述待监测机电设备的所述目标运行参数的实时监测数据，并根据所述实时监测数据与所述理论监测数据的偏差程度确定所述待监测机电设备的劣化状态。2.根据权利要求1所述的基于高斯建模及线性贝叶斯估计的状态监测方法，其特征在于，所述根据全部所述历史监测数据确定出目标运行参数，包括：通过箱形图上下四分位法对全部所述历史监测数据中的异常值进行剔除，并通过Z
‑
score标准化方法对剔除后的所述历史监测数据进行归一化处理；通过皮尔逊相关系数法对归一化处理后的所述历史监测数据进行分析，并根据分析结果从全部所述运行参数中筛选出所述目标运行参数。3.根据权利要求1所述的基于高斯建模及线性贝叶斯估计的状态监测方法，其特征在于，所述通过对所述待监测机电设备的正常运行状态进行多模态高斯概率建模的方式基于所述目标历史监测数据构建所述待监测机电设备的概率重构模型，包括：通过对预设高斯混合模型进行高斯分布建模的方式得到所述待监测机电设备的正常运行状态的高斯混合模型，并根据所述高斯混合模型对预设线性贝叶斯模型进行训练得到所述概率重构模型。4.根据权利要求3所述的基于高斯建模及线性贝叶斯估计的状态监测方法，其特征在于，所述通过对预设高斯混合模型进行高斯分布建模的方式得到所述待监测机电设备的正常运行状态的高斯混合模型，包括：设置初始高斯模型分量的数量为S；其中，先验高斯混合分布选择最优分量S
opt
(S
opt
<<S)时的集中程度系数α符合狄利克雷分布；采用无限狄利克雷分布过程对预设高斯混合模型进行概率建模，基本概率分布模型形式为：式为：其中，C(α)为狄利克雷分布的归一化系数，π
s
、m
s
、δ
s
分别为第s个高斯分量概率、分布参数均值、协方差；对具有各向同性性质的狄利克雷分布过程中的所述预设高斯混合模型进行拟合操作，使得各高斯分量所有方向上方差均相同且协方差矩阵为对角形式；利用变分贝叶斯推断方式对所述预设高斯混合模型进行迭代训练直至变分下界收敛并近似后验分布。5.根据权利要求3所述的基于高斯建模及线性贝叶斯估计的状态监测方法，其特征在
于，所述根据所述高斯混合模型对预设线性贝叶斯模型进行训练得到所述概率重构模型，包括：基于线性贝叶斯框架建立所述待监测机电设备的实际监测值y和理论监测值x的概率映射关系，所述概率映射关系为：y＝x+ζ其中，表示t时刻所述待监测机电设备的第d个所述目标运行参数的实时监测数据，为通过概率重构关系映射得到的对应参数在正常运行状态下的理论值，ζ为引入的未知高斯随机向量，服从ζ～N(0,Λ)分布，Λ被限制为对角协方差矩阵形式，用来拟合x和y之间所可能存在的任意偏差；根据所述高斯混合模型及所述概率映射关系得到各个高斯分量s对应的y的概率分布及联合概率分布分别为：p...

【专利技术属性】
技术研发人员：张平，李彦民，史恒惠，陈丹峰，赵楠，魏小庆，尚彤，赵永强，
申请(专利权)人：河南中能智慧大数据科技有限公司，
类型：发明
国别省市：