[发明专利]一种工况状态建模与修正模型方法

说明书

本发明涉及一种工况状态建模与修正模型方法，收集数据，按照时间顺序排列，形成时间序列数据集；对时间序列数据集进行预处理；将预处理后的时间序列数据集进行聚类，计算聚类的中心点数据集，生成工况数据集和工况过程数据集；对于工况过程数据集，统计工况转移概率，形成工况转移概率模型数据集；收集数据，检测并处理所述数据；逐段计算工况状态转移模式并处理。本发明基于统计建模方法，并且引入专家先验知识，逐步修正所建立的模型，使模型范围覆盖整个系统工况状态，解决机理分析建模方法和基于统计建模方法覆盖率低的问题，可以作为异常工况诊断方法的输入，可以有效地提高异常诊断的准确率。

技术领域

本发明涉及计算机科学技术领域，具体地说是一种工况状态建模与修正模型方法。

背景技术

在过去的几十年中，维护功能变得越来越重要。意想不到的停机时间对维护功能的影响可能是很大的，将导致运转中断与生产力损失，甚至导致生产事故的发生。在有限的维护资源和人员情况下，及时维护是很难达到的。异常诊断方法的效率高低往往取决于诊断模型的优良。建立数学模型的方法大致可分为两类，机理分析建模方法、统计建模方法。

机理分析建模方法是指从过程机理出发，遵循生产过程中的物理、化学规律建立关键变量与其他可测变量之间的数学方程，经推导建立起来的描述过程的方程组的数学模型。这种建模的好处就是可以很清楚地展示系统的内在结构和联系，反映了实际过程的本质。但是此方法建模难度大、周期长，且模型中众多的结构参数和物性参数难于求取，方法的应用受到限制。

基于统计建模方法是指将系统看作黑箱，不分析其内部机理，而只根据研究对象中的输入输出数据之间的相互关系直接建模，模型的在线校正能力强，并能适用于高度非线性和严重不确定系统，从而为解决复杂系统过程参数的模型问题提供了一条有效途径。但基于统计建模方法具有一定的局限性。对复杂非线性过程，样本数据通常只包括某些区域，无法覆盖整个区域。扩大样本数据集的范围又会导致模型复杂，求解难度增大。

发明内容

针对现有技术的不足，本发明提供一种工况状态建模与修正模型方法，在基于统计建模方法上，引入专家先验知识，能够解决现有统计模型无法覆盖整个区域的问题。

本发明为实现上述目的所采用的技术方案是：

一种工况状态建模与修正模型方法，包括以下步骤：

步骤1：收集数据，按照时间顺序排列，形成时间序列数据集；

步骤2：对时间序列数据集进行预处理；

步骤3：将预处理后的时间序列数据集进行聚类，计算聚类的中心点数据集，生成工况数据集和工况过程数据集；

步骤4：对于工况过程数据集，统计工况转移概率，形成工况转移概率模型数据集；

步骤5：收集数据，检测并处理所述数据；

步骤6：逐段计算工况状态转移模式并处理。

所述步骤1包括：

对收集的数据(x₁，x₂，...，x_m)标记时间序列标签，形成时间序列数据集(t_i，x_i1，x_i2，...，x_im)；其中m表示参数数量，t_i表示时间序列标签并且是递增的，x表示不同的参数。

所述步骤2包括：