[发明专利]一种连续型运行监测数据模拟发生方法及装置

权利要求书

1.一种连续型运行监测数据模拟发生方法，其特征在于，具体步骤如下：

1)采集待模拟实际系统的运行监测数据，分类形成样本信号数据池；

2)根据步骤1)中所述样本信号数据池，分别生成正常运行数据模拟规则库和异常工况数据模拟规则库；

3)根据步骤2)中所述正常运行数据模拟规则库，生成自定义正常运行数据模拟规则库；根据步骤2)中所述异常工况数据模拟规则库，生成自定义异常工况数据模拟规则库；

4)结合正常运行数据模拟规则库和异常工况数据模拟规则库生成完整模拟数据；结合自定义正常运行数据模拟规则库和自定义异常工况数据模拟规则库生成完整自定义模拟数据；

步骤1)中所述分类形成样本信号数据池的具体方法如下：

1-1)对实际系统所产生的监测数据进行划分，根据监测数据的类型、功能、产生条件、机理的差异将数据源划分成多种类别数据池；

1-2)设置实际系统监测对象的数据采样周期；

1-3)将步骤1-1)中所述多种类别数据池内的数据划分为正常数据和异常工况数据，并存入到正/异常数据池中；

1-4)将步骤1-3)中所述正/异常数据池内的数据，划分为测试数据和训练数据；

生成正常运行数据模拟规则库的具体方法如下：

2-1-1)提取步骤1-4)中正常数据池内的训练数据；

2-1-2)根据训练数据的类型、产生条件、关联参数、信号周期、幅值范围、产生频率、噪声范围、噪声频率因素确定训练样本的结构，即输入和输出个数；

2-1-3)根据RBF人工神经网络学习、回归、拟合方式对训练数据进行处理，得到针对不同正常运行监测数据的神经网络模型、关系表达式和正常运行数据模拟规则库；

步骤2-1-3)具体为，针对建立RBF神经网络模型，首先根据训练样本结构得到输入向量M和目标向量N，并输入测试样本M_test和目标测试样本N_test；之后采用函数newrbe创建RBF神经网络模型，并由系统设定隐含层数目，相关函数为：

SPREAD＝1；

net＝newrbe(P,T,SPREAD)；

y＝sim(net,P_test)；

生成异常工况数据模拟规则库的具体方法如下：

2-2-1)提取步骤1-4)中异常数据池内的训练数据；

2-2-2)记录每次异常的频率、持续周期、残差幅值、是否允许复合参数；

2-2-3)通过异常工况数据分析模块调用异常工况分析算法库，按照实际系统中不同类别数据所发生异常的类型，对异常工况所产生数据进行分类，确定训练样本的结构，即输入和输出个数；

2-2-4)按类别对异常工况数据进行整合、分析、处理，得到异常工况数据模拟规则库；

步骤2-2-4)得到异常工况数据模拟规则库的具体方法为：根据步骤2-2-3)中分类后的异常工况数据，分别进行RBF神经网络建模，首先由训练样本结构得到输入向量M和目标向量N，并输入测试样本M_test和目标测试样本N_test；之后采用函数newrbe创建RBF神经网络模型，并由系统设定隐含层数目，相关函数为：

SPREAD＝1；

net＝newrbe(P,T,SPREAD)；

y＝sim(net,P_test)；

步骤3)中所述生成自定义正常运行数据模拟规则库和自定义异常工况数据模拟规则库的具体方法为：

将正常运行数据模拟规则库和异常工况数据模拟规则库作为参考规则库，调整步骤2-1-3)和2-2-4)中神经网络模型中各神经元的权重和偏置，以适应自定义操作对输出数据的调整，从而建立出自定义正常运行数据模拟规则库，具体方法为：首先将输入节点的变量数值规定于(-1,1)之间；各输入节点权重及隐藏层与输出层神经元的偏置初始化设置为(-1,1)的随机数，并根据输入信号计算出各神经元输出信号；由输出信号计算出与真值的差值，以及各隐藏层和输出层神经元的差值；然后通过二分法依次对各神经元权重和偏置进行更新优化，得到更近似于最优解的值；

将正常运行数据模拟规则库和异常工况数据模拟规则库不作参考映射，由实际工况和样本数据得到输入向量M，输入向量M的各个输入量的权重均为(-1,1)之间的随机数，记录与此对应的输出值，由此重复现实世界无法复现的信号并产生非实际生产下的自定义数据，用于自定义补充自定义正常运行数据模拟规则库和自定义异常工况数据模拟规则库。