[发明专利]一种基于自组织特征映射的机电系统服役动态标记方法

说明书

本发明公开了基于自组织特征映射网络的复杂机电系统服役过程动态标记方法，通过系统多变量耦合关系网络的构建、网络特征提取、状态标记知识库的被动更新和主动更新过程，不断对状态标记模型进行训练修正，最终对系统运行过程中服役质量状态的演变过程进行详细划分，建立符合系统状态及性能动态演化过程的状态标记知识库，实现了服役质量状态动态标记模型的动态调整，使其更加符合复杂机电系统实际服役过程中状态的演化规律，本发明能够标记出系统运行过程中出现的多种状态，对系统运行过程中服役质量状态的演变过程进行详细划分，最终建立符合系统状态及性能动态演化过程的状态标记知识库，为后续进行服役质量状态辨识和预测预警的研究提供依据。

技术领域

本技术涉及复杂机电系统的服役质量状态动态标记技术领域，具体涉及一种基于自组织特征映射的机电系统服役动态标记方法。

背景技术

以能源重化工系统为代表的复杂机电系统是一个由诸多大型动力机械装备、化工装备，通过能量、流体、电力、控制信号等多介质网络耦合而成的机电系统，具有耦合度高、工艺过程复杂、控制要求精细的特征。随着企业数据采集能力的不断提高和企业工业大数据环境的不断完善，从数据出发分析、评估和预测系统状态成为了可能。当今工业领域，数据就是资源，数据就是财富。建立复杂机电系统状态知识库，对以数据驱动的方式研究复杂机电系统状态演变规律具有重要意义。但是传统分类方法往往以大量样本数据为基础进行有监督训练，需要有足够的分类类别数据为分类训练过程提供支持，在训练过程中通过不断对模型参数进行修正，最终建立符合精度的分类模型，显然传统分类方法无法对缺少状态分类数据的复杂机电系统状态进行动态标记。

发明内容

本发明的目的在于提供一种基于自组织特征映射的机电系统服役动态标记方法，以克服现有技术的不足。

为达到上述目的，本发明采用如下技术方案：

一种基于自组织特征映射的机电系统服役动态标记方法，包括以下步骤：

步骤1)、构建耦合关系网络：

选取多变量复杂机电系统中一定长度的n维时间序列X,X＝{x₁,x₂,x₃,…,x_n}，分别计算两两变量之间的DCCA标度指数DCCA(x₁,x₁),DCCA(x₁,x₂),…,DCCA(x_n,x_n)；按照计算出的DCCA标度指数下标进行排列，最终形成n×n的DCCA标度指数对称方阵D，矩阵中共有N＝n²个节点，节点值d_ij为变量x_i与变量x_j的DCCA标度指数：

步骤2)、对步骤1)中得到的耦合关系网络进行特征提取，选取网络结构熵和网络效率作为特征变量；

步骤3)、根据系统某平稳运行状态对应的网络特征初始化SOM神经网络，对耦合关系网络状态进行被动更新；

步骤4)、针对在状态被动更新过程中生成的状态标记知识库，统计计算距系统在被动更新过程中上一次出现该状态的时间，对被动更新后的耦合关系网络状态进行主动更新。

进一步的，步骤1)中，首先对原始数据进行归一化和降噪处理的数据预处理，对经过数据预处理过程之后的多变量时间序列通过FFT算法计算其拟周期，选定窗口宽度T，选择各变量中最大拟周期作为窗口宽度及其步长进行滑动的多维时间序列两两进行DCCA分析，得出多个DCCA标度系数对称矩阵，完成耦合关系网络的构建。

进一步的，步骤2)中，网络结构熵H采用复杂网络的标准结构熵：