【技术实现步骤摘要】
本专利技术涉及系统故障演化过程分析，特别是涉及系统故障演化过程中事件的重要性确定，提供了一种系统故障演化过程中事件重要性确定方法。
技术介绍
1、各类系统的目标是完成预定功能，而在实现功能的过程中系统必然经历很多事件。例如三级往复式压缩机的第一级故障过程，当进气阀泄露时，会导致在气阀关闭时，高压气体回流到进气腔内，对气阀温度造成较大影响，同时会对流量产生影响，这就导致了进气阀泄露。那么压缩机系统的功能性在上述过程中出现了问题，使系统功能状态出现变化。将上述过程定义为系统故障演化过程，即在多因素下系统实现预定功能的能力变化过程。而上述演化过程的描述可抽象为演化经历的事件。这些经历事件是构成系统故障演化过程的核心要素，是演化过程存在的实体。不同事件将产生不同的作用使系统故障演化过程向不同方向发展。当然除经历事件外系统故障演化过程还具有影响因素、逻辑关系和演化条件等组成部分。在这些要素作用下经历事件变化更为多样，其状态和作用，以及最终导致的系统故障演化结果都是不同的，即经历事件的重要性不同。因此研究事件重要性对系统故障演化过程的分析、预测、预警和干预具有重要意义。
2、对于系统故障演化和经历事件及其重要性的相关研究正在逐渐增加。这些成果在不同领域的系统中发挥了积极作用。由于不同系统的数据类型、故障特点和经历事件各不相同，导致了很多方法缺乏通用性。任何系统都具有系统故障演化过程，其是表征系统功能性变化的基本现象和属性。对系统故障演化过程在若干时刻进行测量，能得到这些时刻的所有因素值。这些因素值标定了该时刻的系统功能状态，实例
3、因此，亟需提供一种系统故障演化过程中事件重要性确定方法，用于研究系统故障演化过程。
技术实现思路
1、本专利技术的目的在于提供一种系统故障演化过程中事件重要性确定方法，以解决现有技术中缺少能够有效可靠地确定事件重要性的方法的问题。
2、本专利技术在系统故障演化过程中等间隔时刻对系统功能状态进行测量，得到实例化的对象集合。将这些对象绘制于因素空间中，为体现近邻对象的相关性使用局部敏感分析法对对象作用进行了研究。最终确定了对象的绝对和相对作用，以及对应的事件状态和事件作用重要性排序。为系统故障演化过程研究提供了经历事件重要性分析方法。
3、本专利技术提供了一种系统故障演化过程中事件重要性确定方法，为研究系统故障演化过程中各事件对演化产生的作用，提出了一种mkmeans-lsda算法进行分析；事件是演化过程的核心；演化过程中测量时刻的事件实例化为对象；因素空间中的对象分布是实现研究的基础；以mkmeans对对象分类得到各对象分类标签；再根据分类标签和对象分布的局部敏感性，判断对象对演化过程的绝对作用和相对作用；最终得到事件状态和作用重要性排序；用于确定故障过程中的重要事件，从而实施系统故障演化过程干预；
4、以各事件被测量时得到的所有因素值构成的对象集合为基础，确定事件的状态重要性和作用重要性；以所有对象在因素空间中的分布为切入点，研究对象关系和近邻对象相似性，体现演化过程局部对象对演化的影响；因为后继对象的出现将导致其对演化整体影响减弱，因此使用局部敏感的分析方法；以因素空间中对象分布的局部敏感特征确定各对象的重要性；最终得到事件状态和事件作用重要性排序；
5、方法主要基于multidimensional-k-means算法，简写为mkmeans；以及局部敏感判别分析算法locality sensitive discriminant analysis,lsda；如下给出具体分析步骤；
6、1)建立基础数据矩阵γm×n
7、对系统故障演化过程的描述是通过对等间隔时刻测量得到的对象集合实现的，各对象是该时刻所有因素值构成的向量。因此设影响演化过程的因素集合为f＝{f1,…,fm}，fm∈f，m＝1,…,m，m是因素数量。设对演化过程测量n次得到的对象集合为o＝{o1,...,on}，on∈o，n＝1,...,n，n是对象数量。对象on是因素值组成的向量，是对象on在因素fm下的因素值。形成的基础数据矩阵为γ，是m×n的矩阵，各列均表示一个对象，各行均表示一个因素，如表1所示。
8、表1基础数据矩阵γ
9、
10、
11、因此基础数据矩阵是描述系统故障演化过程的基础，是因素和对象构成的二维矩阵。
12、2)mkmeans对象分类
13、由于事件对系统故障演化过程的作用主要体现在事件发生的时刻，即事件发生期间的局部演化阶段。如果等间隔时刻测量得到对象，那么一个对象可能只影响该对象近邻的一些对象。那么与该对象相似的对象所在的演化阶段就可使用该对象进行表示。在演化过程中的多个对象就会聚类到一些关键的对象集合中。因此上述问题的关键是在因素空间中对对象进行聚类分析，以因素空间中对象之间的欧氏距离判断相关性，距离越大相关性越弱。这里使用多维k-means方法进行聚类分析。
14、设分类数量为k，k值根据实际情况确定，太大和太小都是不适当的。设mkmeans()为分类函数，如式(1)所示。
15、[ok]＝mkmeans(γ,k) (1)
16、该函数的输入为分类数量k和基础数据矩阵γ；输出为ok，是分类后的各类对象集合的集合。ok＝{o1,...,ok}，ok∈ok为第k类对象的集合，k＝1,…,k。nk为第k类对象数。上述过程实现了所有对象的分类标记。
17、3)确定对象分类标签数组l1×n
18、确定对象分类中各对象所在类别标签，以对象被测量时刻为顺序，构建所有对象的标签数组，如式(2)所示。
19、l1×n＝[kn＝k|on∈ok,k＝1,...,k,n＝1,...,n] (2)
20、l是n为数组，代表了各对象的分类标签。如表1最后一行就是l，是对象局部敏感判别分析的关键数据。
21、4)对基础数据矩阵进行归一化
22、考虑到在因素空间中对对象进行分析。各对象值域变化范围不同，造成了演化过程中测量时刻的事件作用大小和方向不同。必须考虑各因素的值域变化范围，他们应该具有相同尺度；另外也需要对构建的向量有统一度量。因此γm×n中各对象的各因素值的归一化应落在[0,1]范围内，如式(3)所示。归一化后的基础数据矩阵为单元值如式(4)所示。
23、γ(m,:):[min(γ(m,n)|n＝1,...,n),max(γ(m,n)|n＝1,…,n)]m＝1,…,m→[0,1] (3)
24、本文档来自技高网...
【技术保护点】
1.一种系统故障演化过程中事件重要性确定方法，其特征在于，为研究系统故障演化过程中各事件对演化产生的作用，提出了一种MKmeans-LSDA算法进行分析；事件是演化过程的核心；演化过程中测量时刻的事件实例化为对象；因素空间中的对象分布是实现研究的基础；以MKmeans对对象分类得到各对象分类标签；再根据分类标签和对象分布的局部敏感性，判断对象对演化过程的绝对作用和相对作用；最终得到事件状态和作用重要性排序；用于确定故障过程中的重要事件，从而实施系统故障演化过程干预；
2.根据权利要求1所述的系统故障演化过程中事件重要性确定方法，其特征在于，用于分析电气系统的故障演化过程，所述电气系统的故障演化与6个因素相关，F＝{f1,f2,f3,f4,f5,f6}；其中因素f1为电压，值域为[12,15]V；f2为电流，值域为[0.7,0.85]mA；f3为温度，值域为[11,24]℃；f4为湿度，值域为[77,94]％；f5为气压，值域为[100,105]KPa；f6为振动，值域为[185,236]Hz；对该电气系统故障演化过程进行研究，在某段时间内进行100次测量，测量的时间间
...【技术特征摘要】
1.一种系统故障演化过程中事件重要性确定方法，其特征在于，为研究系统故障演化过程中各事件对演化产生的作用，提出了一种mkmeans-lsda算法进行分析；事件是演化过程的核心；演化过程中测量时刻的事件实例化为对象；因素空间中的对象分布是实现研究的基础；以mkmeans对对象分类得到各对象分类标签；再根据分类标签和对象分布的局部敏感性，判断对象对演化过程的绝对作用和相对作用；最终得到事件状态和作用重要性排序；用于确定故障过程中的重要事件，从而实施系统故障演化过程干预；
2.根据权利要求1所述的系统故障演化过程中事件重要性确定方法，其特征在于，用于分析电气系...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。