[发明专利]一种面向自动化设备的行为监测与异常诊断方法

权利要求书

1.一种面向自动化设备的行为监测与异常诊断方法，其特征在于：包括以下步骤：

步骤1：构建自动化设备行为状态模型；

所述步骤1中的EBSM模型构建方法如下：

构建模型前给予定义如下：

设备行为状态模型,表示为四元组〈State,Action,Transition,s₀〉,其中,

State＝{state₁,state₂,…,state_n},state_i，1≤i≤n表示设备状态,State为设备状态集合；

Action＝{action₁,action₂,…,action_m},action_i，1≤i≤m表示设备动作,Action为设备动作集合；

Transition＝{transition₁,transition₂,…,transition_l},transition_i，1≤i≤l表示设备状态转换,Transition为状态转换集合；

s₀表示设备的初始状态.

首先，依据需要监测的具体自动化设备的工作原理和组成结构，分析得出自动化设备所包含的模块，考察设备的运行周期，识别设备各个模块相对稳定的状态以及引起状态转换的动作；

其次，分析识别各模块状态需要的设备状态参数数据，在自动化设备的相应位置上安装数据采集设备包括传感器，实时获取各个采集设备的数据，利用获取的数据识别出各模块状态，从而定义设备所处的状态；

然后，分析自动化设备控制部分的动作指令以及其对应的设备动作，通过捕获控制部分发出的指令消息，转换为相应的设备动作定义；

最后，根据获取的动作和状态数据，对自动化设备进行动态训练，建立自动化设备的行为状态模型；

对设备进行动态训练，生成EBSM的算法：

构建EBSM算法的基本过程如下:

首先初始化EBSM模型，获取其初始状态s₀，将s₀添加到EBSM模型中；然后获取动作序列集合中的一个动作序列作为当前单次训练的对象，对每个动作序列的训练过程是:

首先将EBSM模型的初始状态设置成当前状态currentstate；

然后依次获取动作序列中的动作，即截获控制部分的动作指令，根据获取的状态数据识别设备状态，并与currentstate做比较，直到产生新的状态nextstate并记录其时间；

然后判断当前的EBSM模型中是否存在该新状态,若不存在就将新状态添加到EBSM模型中，然后根据动作和新状态以及对应的时间产生状态转换，判断EBSM中是否存在该状态转换，若不存在则将该状态转换添加到EBSM中，若存在则更新该状态转换的时间阈值，然后将该状态转换添加到当前状态的状态转换路径path中；

最后,将产生的新状态设置成当前状态，获取下一个动作，依次循环,直到训练完该次动作序列,保存所有状态的path，重复执行步骤，对每个动作序列进行训练,直到遇到训练结束条件或用户发出的结束训练指令，根据训练得到的可信动作、状态和状态转换生成EBSM模型；

步骤2：当设备处于可信状态s₀时，截获一个动作act，时间为t₀；

步骤3：依次进行原子动作判定、原子状态判定、状态转换判定以及状态转换序列判定来对设备行为状态进行异常诊断。