【技术实现步骤摘要】
本专利技术涉及安全领域的系统故障演化分析，特别是涉及系统故障过程分解和子演化过程确定，提供了一种系统故障演化过程的分解方法。
技术介绍
1、系统功能性是系统存在的标志。系统是为了在预定条件下完成预定功能，而在该过程中多因素影响下系统完成预定功能的能力必然是变化的。作者将该变化过程称为系统故障演化过程。因此系统故障演化过程是系统表征存在意义的有效途径。由于系统故障演化过程在结构和层次上的复杂性，使得演化过程本身具有复杂性。另一方面由于系统内在结构和元件特征以及外部环境因素的变化，使得系统在外部环境变化中内在特征的响应也不同。例如系统安全研究领域，在一定范围内变化的环境因素中，系统总是呈现出几种固定的故障模式和特征。可以预见系统故障演化过程也存在着几种明显的子演化过程。子演化过程代表了更为基本的演化规律和特征，这些子演化过程综合形成了变化更为多样的总演化过程。因此确定总演化过程中的子演化过程是必要的。另外研究演化过程的基础数据也是面临的问题之一。一般情况下在某时刻对演化过程进行测量得到的所有因素值所构成的向量可作为一个对象。那么研究总演化和子演化过程都需要基于这些对象构成的时序故障数据。这时需要考虑的问题是对象是否能表征所有的演化状态，特别是在非线性映射条件下。如果这些对象能描述演化过程，那么就可基于对象集合实现演化过程的分解。
2、关于各类演化过程和影响演化的相关研究不多，主要原因在于演化的复杂性和描述方法欠缺。但由于系统故障演化过程是系统的固有属性，因此相关研究也在逐渐增加。这些成果在各自领域对相关系统的故障过程、失
3、如何能够提供一种有效的系统故障演化过程的分解方法，能够将总演化过程分解为多个子演化过程，从而代表更为具体和具有规律性的变化特征，是研究系统故障演化过程的有效路径之一，成为目前亟需解决的技术问题。
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特征数据提取方法，以解决现有技术中缺少可靠有效的系统故障演化过程的分解方法的问题。
2、本专利技术提供了一种系统故障演化过程的分解方法，为研究系统故障演化过程中蕴含的多种演化特征，对演化过程的分解进行了研究，提出了基于srkda的演化过程分解方法；分解演化过程本质上是对象与系统功能状态对应关系的确定，各对象集合都对应了各自的子演化过程；对象标签矩阵须满足标签值的均匀分布特征；使用srkda算法确定了最大准确度和最优对象标签集合，最终实现了演化过程的分解；用于系统故障演化过程的分解。
3、首先描述系统故障演化过程分解的基本思想。设影响演化过程的因素集合为f＝{f1,…,fm}，m＝1,…,m，fm∈f，m是因素数量。在n个时刻测量形成的对象集合为o＝{o1,…,on}，n＝1,…,n，on∈o，n是对象数。子演化过程的集合为e＝{e1,...,eq}，eq∈e，q＝1,...,q，q是子演化数量。
4、设因素值向量表示对象on时刻的系统功能状态，即对象on是所有因素值组成的向量，是对象on在因素fm下的因素值。虽然系统故障演化过程是多种内在与外在作用的综合表现，但不同的内外相互作用能形成几个主要的子演化特征。根本性的原因在于，系统内在特征取决于构成元件的特征和组成系统的结构；外在特征是因素变化，即因素值变化。系统演化和功能变化是内在特征对外在特征的响应，即使在外在特征相同时也会由于系统的内在特征，即组成和结构的不同产生不同的响应结果。不同时刻的响应结果不同，即对象特征不同，那么相同特征的对象形成一种子演化过程。确定所有对象的不同特征，相同特征的对象形成集合，那么各集合都对应了各自的子演化过程，从而实现系统故障演化过程的分解。
5、表示子演化过程e1为由n1个对象组成，即n1,…,nq分别代表了各子演化过程蕴含的对象数量。演化过程分解为q个子演化过程，各演化过程在不同时刻发挥的作用不同。认为总演化过程是不同时刻子演化过程的连接。子演化过程的性质如式(1)所示。
6、e1∪e2∪…∪eq＝o，ei∩ej＝φ，i,j＝1,…q,i≠j (1)
7、式(1)是演化过程分解方法的形式，其本质是各因素值变化与演化结果的对应关系，即因素值变化是否能表示演化结果，系统功能状态。
8、关于对象集合的演化可表示性论证：
9、在上述二维条件下表示系统故障演化过程，是通过时序故障数据形成的对象集合完成的，而不直接使用系统功能状态。这种情况是常见的，特别是在安全科学领域的很多工作都是基于上述对象集合完成的。例如系统安全评价，一般是以多个时刻的所有属性或因素值为研究基础，判断或预测现在或未来的系统安全状态；或对系统运行时的信号进行采集，得到时序故障数据进行系统状态判断。那么使用时序故障数据的对象集合作为基础数据的条件是因素值对于系统状态的区分能力必须大于系统状态的数量。这归结为一种映射，输入是各因素值，输出是系统功能状态。对象因素值向量与功能状态是全对应的，且不同对象对应相同状态，但一个对象不能对应不同状态。如下通过线性映射和非线性映射关系来证明对象集合对演化的可表示性。
10、设对象on对应的因素值向量为线性映射的必要性证明：演化过程的所有测量时刻得到的对象为对应的系统功能状态为α＝[α1,…,αn]。如果他们构成的方程组有解，则α由o1,…,on线性表示，向量组o1,o2,…,on与o1,o2,…,on,α等价。前者是系数矩阵，后者是增广矩阵，它们的秩相同。充分性证明：若系数矩阵与增广矩阵有相同的秩，设秩是r。o1,…,on的极大线性无关组由r个向量组成；o1,…,on，α的极大线性无关组也是由这个r个向量组成，所以α由这r个向量表示。对于任意α，总能找到o1,…,on与其对应，所以所有对象在线性条件下能表征系统功能状态。
11、非线性映射不能通过上述矩阵形式来证明，这里使用srkda(spectralregression kernel discriminant analysis)算法进行非线性映射说明。非线性映射把映射到高维空间，设去中心化后基于kda(kernel discriminant analysis)算法求解，wy＝λy，kβ＝y，k是半正定对称矩阵；β是与y对应的系数，w和y基于lda(linear discriminantanalysis)求解。β＝(k+εi)-1y，其获得方法类似于srda(spectral regressiondiscriminant analysis)中的方法。
12、设srkda的高维投影矩阵为d＜m；把中的样本投影到低维空间rd。v是的线性组合，β＝[β1,…,βγ]t是组合系数，则设本文档来自技高网...
【技术保护点】
1.一种系统故障演化过程的分解方法，其特征在于，为研究系统故障演化过程中蕴含的多种演化特征，对演化过程的分解进行了研究，提出了基于SRKDA的演化过程分解方法；分解演化过程本质上是对象与系统功能状态对应关系的确定，各对象集合都对应了各自的子演化过程；对象标签矩阵须满足标签值的均匀分布特征；使用SRKDA算法确定了最大准确度和最优对象标签集合，最终实现了演化过程的分解；用于系统故障演化过程的分解；
2.根据权利要求1所述的系统故障演化过程的分解方法，其特征在于，用于对电气系统故障演化过程进行分解，所述电气系统故障演化受6个因素影响，包括电压f1，值域[12,15]V；电流f2，值域[0.7,0.85]mA；温度f3，值域[11,24]℃；湿度f4，值域[77,94]％；气压f5，值域[100,105]KPa；振动f6，值域[185,236]Hz，F＝{f1,f2,f3,f4,f5,f6}；设Q＝3，有3个子演化过程，E＝{e1,e2,e3}；对演化测量100次，间隔相同形成对象集合O＝{o1,…,o100}，获取各对象的不同因素值变化示意图，根据各对象的不同因素值变化示
...【技术特征摘要】
1.一种系统故障演化过程的分解方法，其特征在于，为研究系统故障演化过程中蕴含的多种演化特征，对演化过程的分解进行了研究，提出了基于srkda的演化过程分解方法；分解演化过程本质上是对象与系统功能状态对应关系的确定，各对象集合都对应了各自的子演化过程；对象标签矩阵须满足标签值的均匀分布特征；使用srkda算法确定了最大准确度和最优对象标签集合，最终实现了演化过程的分解；用于系统故障演化过程的分解；
2.根据权利要求1所述的系统故障演化过程的分解方法，其特征在于，用于对电气系统故障演化过程进行分解，所述电气系...
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。