[发明专利]一种面向百万千瓦超超临界机组制粉系统报警管理的因果网络构建方法有效
申请号: | 202010269592.2 | 申请日: | 2020-04-08 |
公开(公告)号: | CN111445674B | 公开(公告)日: | 2021-09-14 |
发明(设计)人: | 孟瑜炜;王豆;张震伟;郭鼎;田畅;赵春晖 | 申请(专利权)人: | 浙江浙能技术研究院有限公司;浙江大学 |
主分类号: | G08B21/18 | 分类号: | G08B21/18;G06F30/18;G06F17/16;G06Q50/04 |
代理公司: | 杭州九洲专利事务所有限公司 33101 | 代理人: | 张羽振 |
地址: | 311121 浙江省杭州市余*** | 国省代码: | 浙江;33 |
权利要求书: | 查看更多 | 说明书: | 查看更多 |
摘要: | |||
搜索关键词: | 一种 面向 百万 千瓦 临界 机组 制粉 系统 报警 管理 因果 网络 构建 方法 | ||
1.一种面向百万千瓦超超临界机组制粉系统报警管理的因果网络构建方法,其特征在于,包括以下步骤:
步骤1、根据制粉系统结构进行分布式划分,划分出各个子设备变量组;每个子设备变量组包括该设备的可测变量;设每个子设备包含J个可测变量,每次采样得到一个1×J的向量,采样M次后得到一个正常过程下的二维设备变量矩阵Xdi(M×J),其中i表示第i个子设备,i=1,2,……n,n为子设备个数;
步骤2、数据预处理:对同一属性的冗余变量取均值代表该属性的数据,所述冗余变量包含在J个可测变量中;经过数据预处理后的若干设备的二维设备变量矩阵记为Xdi(M×N),N为预处理后的可测变量个数;
步骤3、粗糙图构建:对每个子设备单独进行建模,子设备中的可测变量作为构建图的节点,构建一个全连接无向图:
P={xi,xj} (1)
上式中,i≠j;设定阈值为ε;
初始化N×N的邻接矩阵Ad以及权值矩阵Aw为零矩阵,设V={x1,x2,...,xN}为全连接无向图P网络模型的节点全集,其中xi为设备变量矩阵Xdi(M×N)中的第i个变量;对每一对节点变量xi,xj∈V,i≠j,使用CCM算法计算每一对节点变量间的收敛交叉映射能力:
对于一对节点变量xi,xj,假设其长度为L,利用时延坐标状态空间重构对流形Mxi进行重构,在t时刻的重构流形坐标为:
Mxi(t)=xi(t),xi(t-τ),xi(t-2τ),...,xi(t-(E-1)τ) (2)
上式中,t为时间,E为流形Mxi的维度,τ为时间间隔;
从流形Mxi中找到距离Mxi(t)最近的E+1个点Mxi,t={Mxi(t1),...,Mxi(tE+1)};
通过流形Mxi的值估计Mxj,表示为计算公式如下:
上式(3)至上式(5)中,xj为节点变量,为流形Mxj的估计值,d[x(s),x(t)]表示计算欧氏距离,ωi为估计值与原始序列的相关系数;
计算得到的估计值与原始序列xj的相关系数的收敛值代表xi,xj的收敛交叉映射能力;每一对节点流形估计值与原始序列的相关系数的收敛值越大,这对节点相互的收敛交叉映射能力越好;
步骤3.1、如果xi的收敛交叉映射值收敛于一个大于阈值ε的值,而xj的收敛交叉映射值不收敛于一个大于阈值ε的值,则连接节点xi,xj的方向为xi→xj,并且令adi,j=1,adj,i=0;反之连接节点xi,xj的方向为xj→xi,并且令adi,j=0,adj,i=1;其中i,j分别代表邻接矩阵Ad的行数和列数;
步骤3.2、如果xi和xj的收敛交叉映射值都不能收敛于一个大于阈值ε的值,则xi和xj二者之间不存在因果关系,删除节点xi和xj之间的连接,并且令adi,j=0,adj,i=0;
步骤3.3、如果xi和xj的收敛交叉映射值都收敛于一个大于阈值ε的值,则进一步分析变量间的因果方向,将xi,xj作为待定节点放入待定集合T:
T={xi,xj},i,j∈N (6)
步骤4、精细图构建:确定变量之间存在的时间延迟范围[-Δt,Δt],对待定集合T中的每一对节点xi,xj∈T使用CCM算法计算不同时滞下的收敛交叉映射能力,比较不同时滞下的收敛交叉映射能力;然后根据最优交叉映射对应的时滞确定两个变量的因果关系方向;得到因果网络图G=(V,Ad);
步骤4.1、如果最优收敛交叉映射能力对应的时滞为负,则表示xj的未来值更能准确的反映xi的过去值,存在从xi到xj的因果关系;连接节点xi,xj,方向为xi→xj,令邻接矩阵Ad的第i行和第j列的元素adi,j=1;
步骤4.2、如果最优收敛交叉映射能力对应的时滞为正,则表示xi的未来值更能准确的反映xj的过去值,存在从xj到xi的因果关系;连接节点xi,xj,方向为xj→xi,令邻接矩阵Ad的第j行和第i列的元素adj,i=1;
步骤5、因果网络图的修剪:
步骤5.1、将所有构成间接因果关系的节点以及其间的连接关系看作一个子图;使用遍历的方法,从一个节点开始,搜索传递因果链;将每个传递因果链看作一个子图gm,记录子图节点集vm和邻接表adm;遍历步骤4)得到的因果网络图G中所有N个节点,找出因果网络图G=(V,Ad)中所有存在潜在间接因果关系的子图,放入待定子图集合GT:
GT={g1,g2,...gm} (7)
上式中,gm代表子图:
gm=vm,adm (8)
上式中,vm为子图gm中的节点集合,adm为子图gm的邻接表;
步骤5.2、对待定子图集合GT的所有子图,使用扩展的CCM方法判断是否存在间接因果关系:若存在间接因果关系,则删除因果网络图G中对应的连接关系;得到简化后的因果网络图G=(V,Ad),作为因果网络的最终结构;使用扩展的CCM方法判断是否存在间接因果关系的方式为:
对每个待定子图集合GT中的子图gm,计算节点间的收敛交叉映射能力,记为其中L为gm的节点个数;确定变量之间存在的时间延迟范围[-Δt,Δt],对每个待定子图集合GT中的子图gm,计算节点间不同时滞下的收敛交叉映射能力,由最优交叉映射对应的时滞确定两个节点间时滞关系,记为所述代表gm起始和终点节点间的时滞关系,代表gm起始和终点节点间的收敛交叉映射能力,当和满足下式(10)时,gm中存在间接因果关系;
步骤6、因果网络参数的确定:对简化后的因果网络图G中的一对连通节点,从整个时间序列中随机选择m个长度为T的时间段使用CCM算法计算收敛交叉映射能力,从m个计算得到的收敛交叉映射能力估计值中,由核密度估计取给定置信水平下的置信区间作为网络参数,将网络参数赋值给权矩阵Aw;
更新整个权值矩阵后,得到最终的因果网络图模型:
CN=(V,Ad,Aw) (9)
所述因果网络参数为有向图G中边的权值,在正常的运行条件下,变量之间的收敛交叉映射值在因果网络参数范围内波动。
该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于浙江浙能技术研究院有限公司;浙江大学,未经浙江浙能技术研究院有限公司;浙江大学许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服】
本文链接:http://www.vipzhuanli.com/pat/books/202010269592.2/1.html,转载请声明来源钻瓜专利网。
- 上一篇:一种鲜茶叶分级筛选装置
- 下一篇:一种搬运码垛功能的工业机器人