[发明专利]一种基于改进动态可见图的过程故障监测方法

说明书

技术领域

本发明涉及故障识别领域，特别涉及到一种基于改进动态可见图(MDVG)的过程故障监测方法。

背景技术

目前，信息技术的飞速发展为获取和处理海量数据提供了极大便利，复杂网络作为一个新兴的研究领域，引起了众多学科的广泛关注。近年来，从各个领域复杂系统产生的数据中提取相关的信息，利用网络知识描述和分析系统的属性状态，已经取得了大量成果。其中，将时序数据映射到复杂网络中，应用丰富先进的复杂网络分析方法来分析复杂的时序数据，尤为引人注目。

不同于相对传统的基于距离和基于相关系数的网络构造方法，Lacasa等创造性地提出了一种可见算法，即自然可见图(natural visibility graph，NVG)。将时序数据中的每个数据对应成复杂网络的节点，对于每个节点，如果其它的节点满足其可见条件，则两个节点相连，并形成可见图。构造的网络继承了原序列在其结构上的属性特征，如周期、随机、分形序列可以分别转化为规则、随机和无标度网络。

随后，Fioriti等提出了水平可见图(horizontal visibility graph，HVG)算法，计算从多个时间序列得到的HVG相关邻接矩阵的最大特征值来区分序列混沌和随机性。HVG与NVG只是在可见条件的判定上略有不同，HVG是NVG的一个子图，它们将一组时序数据转化成唯一的网络结构。使用NVG和HVG算法可以描述和探讨与各种现象有关的复杂结构的时间序列，如流量波动、股票指数、心跳动态、随机和混沌序列等等。

在NVG算法的基础上，Bezsudnov等提出了动态可见图(dynamical visibility graph，DVG)算法，通过引入“视角”参数，改变可见条件，进而影响网络结构变化，把一个时间序列转化成一组网络，每个DVG都是NVG的一个子图。同时，通过节点相对平均度、相对平均连接长度以及非连通集团数三个网络特性，提供了一种新的动态维度来区分、识别和详细描述各种时间序列

另一方面，过程监测方法主要可以分为三类：基于模型的方法，基于知识的方法和基于数据的方法。相较于前两种较为传统的方法，基于数据的过程监测方法由于不需要过程模型而得到广泛应用，特别是在那些模型和专家知识在实际中难以建立和获取的复杂工业过程或系统中，比如化工过程。由于分布式控制系统在现代工业过程中的广泛利用，大量数据可以被记录并采集。过程数据通常具有高维、非线性、时变、多模态、自相关等特点，现有的基于数据的过程监测方法很难完全处理。

因此，有必要研究出一种全新的基于数据的过程检测方法，从而解决现有技术的上述缺陷。

发明内容

为了解决上述问题，本发明提出了一种基于改进动态可见图(MDVG)的过程故障监测方法。

本发明提供了一种基于改进动态可见图的过程故障监测方法，本发明借助复杂网络理论，提出一种改进的动态可见图算法，在此算法的基础上，把时间序列数据映射到复杂网络结构，通过网络特性区分与识别不同变量的时间序列数据，并判断生产数据是否发生故障，通过该方法可以降低故障误报率和漏报率，而且可以更早地监测到故障发生，更有利于复杂工业过程的实时监测。

本发明请求保护一种基于改进动态可见图的过程故障监测方法，该方法包括如下步骤：

S101，确定监测变量，将各个变量的历史数据按一定移动窗格长度分别归一化后，利用MDVG算法映射到一个复杂网络中；

利用MDVG算法映射到复杂网络的过程如下：

考虑一组时序数据中的任意两个数据(t_i,x_i)和(t_k,x_k)，i<k，对于它们之间的所有数据(t_j,x_j)，i<j<k，如果满足可见条件