CN107423414B - 一种基于信息传递模型的流程工业复杂机电***故障溯源方法 - Google Patents

Abstract

本发明公开了一种基于信息传递模型的流程工业复杂机电***故障溯源方法，以海量高维***运行状态监测数据为基础，采用数据分析的方法，以不同监测变量间的信息传递关系作为***信息模型耦合关系的测度，综合考虑流程工业反馈控制对***故障溯源过程的影响，发明了***故障过程识别方法和溯源方法，本发明能够从任意异常信息监测点追溯***故障的唯一根事件，且故障溯源过程不依赖***物理拓扑先验知识，本发明中部分处理过程可以直接应用于流程工业复杂机电***信息建模，追溯***故障原因，提高企业的数字化监控水平，辅助科学维修维护。

Description

一种基于信息传递模型的流程工业复杂机电***故障溯源 方法

技术领域

本发明属于数据驱动的***故障溯源领域，涉及一种工业生产***故障溯源方法，具体涉及一种基于信息传递模型的流程工业复杂机电***故障溯源方法。

背景技术

以能源重化工为代表的流程工业生产***是一个由诸多离散的大型动力机械装备、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分布式复杂机电***，具有耦合度高、工艺过程复杂、控制要求精细的特征，***中的各功能之间彼此耦合、协作。任何功能单元中任何部件的失效都将导致功能部件的故障，并由于耦合而传播、放大到其他功能单元，甚至导致整个生产***运行状态的异常或波动。因此，流程工业复杂机电***故障原因的快速识别和定位对于帮助企业采取直接和正确的维修手段以防止由于故障传播而引发更大的事故具有重要的积极作用。

故障溯源技术源于故障诊断，前者侧重于从***角度分析不同功能组件之间的状态关系变化，侧重于根事件或原因的扩散和发展，试图从***状态角度追溯故障原因。故障溯源技术需要回答和解决三个问题：(1)不同功能组件间的状态变化关系是什么？(2)故障传播过程是什么？(3)如何识别故障的根事件或本质原因？近年来，经有一些故障溯源方法被提出和应用，在这些方法中，由于符号图方法在刻画不同***状态间关系和保持信息的能力，被认为是识别异常根本原因的有效手段。M.Iri等在化工领域定义了符号有向图(Signed Directed Graph,SDG)，并使用深度优先策略实现了不完全样本条件下的基本搜索；T.Umeda等提出了多水平符号有向图刻画时序因果和分析动力学过程，但是计算过程的复杂性和计算资源的高占用率限制了上述方法在实际中的应用。不同于前面介绍的SDG方法，M.A.Kramer等提出了基于SDG前置分析的专家***规则，并应用这些规则进行化工厂的在线故障诊断，但是该方法无法避免规则***的问题。C.C.Chang等提出了基于***状态和故障传播路径删除非潜在根节点的方法优化SDG模型；Huang提出了基于多因素关系的集成SDG和故障图故障溯源方法。

毫无疑问，上述基于SDG的知识库规则的发展是故障溯源领域的一大进步，但是这些规则来源于肤浅的专家知识，很难揭示故障的深层次原因，也很难满足完备性的需求，急需能够满足实际需求的流程工业复杂机电***故障溯源新方法。

发明内容

为了解决现有技术中的问题，本发明公开了一种基于信息传递模型的流程工业复杂机电***故障溯源方法，有效解决了流程工业复杂机电***故障溯源难题，提高企业的数字化监控水平，便于辅助科学维修维护。

为了实现以上目的，本发明所采用的技术方案为：包括以下步骤：

1)收集流程工业复杂机电***的运行状态历史监测数据，建立高维原始数据集，并根据原始数据集定义复杂机电***的信息传递模型的基本结构；

2)根据步骤1)的原始数据集和定义的信息传递模型的基本结构，以传递信息量作为***耦合关系的度量，采用基于二进制编码和十进制解码相结合的符号传递熵方法，分析计算***监测变量间的耦合关系，构建复杂机电***信息传递模型，得到监测变量耦合关系权重区间[S_min,S_max]；

3)故障溯源：

3.1)识别***故障发展过程，确定***运行状态从正常到故障的开始时间点t_start和截止时间点t_end；

3.2)计算t_start～t_end时间段内监测变量间的信息传递量和传递方向，确定***异常状态变量耦合关系；

3.3)从监测变量任意选取一点作为溯源起始点p_s，寻找t_start～t_end时间段内所有信息流向p_s的监测变量构成集合S_{Trace_Temp}，对比t_start～t_end时间段内S_{Trace_Temp}内任意元素e_i到p_s的信息传递量

与步骤2)中监测变量耦合关系权重区间[S_min,S_max]，若

则从S_{Trace_Temp}中删除e_i，得到更新后的元素集合S_{Trace_Temp}'；重复以上步骤直至

则最后一个使S_{Trace_Temp}'非空的元素即为故障根事件，完成故障溯源。

所述步骤1)包括以下步骤：

1.1)对复杂机电***的n个传感器以相同的采样频率从历史监测数据中抽取数据，获得n维的监测时间序列矩阵D，作为原始数据集：

其中：X_i是矩阵中第i个样本点；d_i,j是第i个样本点中的第j个属性值，矩阵中每一列是一个特定监测变量的监测时间序列；

1.2)对于原始数据集D，定义其代表的***信息传递模型的基本结构为：

IM＝(V,A_W,A_R)

其中：V＝{node₁,node₂,…,node_n}是信息传递模型中检测变量集合；A_W是信息传递模型关系权重结构体矩阵；A_R是信息传递模型关系矩阵；A_W和A_R是一一对应的n×n矩阵。

所述步骤2)包括以下步骤：

2.1)对监测时间序列进行符号化操作，确定最优化的符号个数s_optimization；

2.2)分别采用Cao方法和互信息法确定每一个监测变量的相空间重构参数：嵌入维数m和延迟时间τ，得到通过每一个监测变量重构的相空间X：

其中：N_m＝N-(m-1)τ是重构相空间中相点个数；

2.3)根据步骤2.1)中最优化的符号个数，对步骤2.2)相空间中的每一个相点进行符号化操作：

其中：s_optimization为最优符号个数；p(x)为x的概率值；min为序列最小值；

2.4)对每一个符号化后的相点值进行二进制编码；

2.5)拼接每一个相点中每一个维度的二进制编码，采用位权法对拼接的二进制编码进行十进制转换；

2.6)计算监测变量间特定时间段传递熵，得到特定时间段内监测时间序列间的信息传递量：

其中：

为从监测时间序列J到I的信息传递量；δ为二者间的时间延迟；

通过改变式中

和

位置计算得到；

2.7)将特定时间段内监测时间序列间的信息传递量填入信息传递模型的基本结构中，得到监测时间序列间的信息传递方向和强度，作为监测变量间的耦合关系；

2.8)根据监测变量间的耦合关系构建复杂机电***信息传递模型，得到监测变量耦合关系权重区间[S_min,S_max]。

所述步骤2.1)包括：

2.1.1)选择任意两个监测时间序列I和J，分别对每一个监测时间序列进行核密度估计操作，获得每一个监测时间序列的监测值的概率密度分布，绘制每一个监测时间序列的概率密度分布曲线；

2.1.2)选择符号个数s_number，将步骤2.1.1)中的概率密度曲线按照累积概率分成s_number等份；

2.1.3)对监测时间序列I和J中的监测值，按照下述公式进行符号化操作：

其中：I_k为时间序列I的第k个监测值；p(x)为x的概率值；s_number为符号个数；min为序列最小值；

2.1.4)选取不同的符号个数s_number，重复步骤2.1.2)和2.1.3)，通过计算不同符号个数下符号化序列的信噪比和信息熵，绘制符号化序列信噪比、信息熵随符号个数的变化曲线，以最大信噪比和最小信息丢失为优化条件，寻找最优符号个数s_optimization。

所述步骤2.8)包括：

2.8.1)计算监测时间序列I和J的平均周期t_I和t_J；

2.8.2)采用滑动窗口法，按照窗口大小size＝max(t_I,t_J)，滑动步长Internal＝0.2×size的参数设置对监测时间序列I和J分别从前往后和从后往前进行划分，得到N_{size,internal}个数据片段；

2.8.3)对步骤2.8.2)获得的每一个数据片段，按照步骤2.6)和步骤2.7)计算和确定各自的耦合关系，得到不同片段的耦合关系集合；

2.8.4)对步骤2.8.3)获得的耦合关系，按照方向进行分组；

2.8.5)对步骤2.8.4)获得的每一组耦合关系强度值进行概率密度估计，并按照概率值进行降序排列；

2.8.6)设定一个累积概率阈值P_threshold，对步骤2.8.5)得到的降序概率值序列进行累积操作，直到累计概率值第一次大于P_threshold，得到参与累积概率预算的概率值对应的耦合关系强度值集合S；

2.8.7)以步骤2.8.6)得到的S最小值和最大值作为监测变量耦合关系权重区间，得到监测变量耦合关系权重区间[S_min,S_max]，该权重区间可以保证该区间内耦合关系强度值的累积概率不小于P_threshold。

所述步骤2.4)中采用

位二进制数进行二进制编码。

所述步骤3.1)包括：

3.1.1)从***运行状态历史监测数据中，分别提取***正常运行状态和故障运行状态下的监测数据集Q₀和Q₁，两个数据集的维度分别为M₀和M₁；

3.1.2)计算转换关系T＝(Q^TQ)^-1Q^Ts_off，其中：Q＝[Q₀；Q₁]；s_off＝[s₀,s₁]^T，s₀是1×M₀的0向量，s₁是1×M₁的1向量；

3.1.3)从***运行状态历史监测数据中任意抽取一段从正常状态到异常状态的长度为L的监测数据Q_Test，计算Q_TestT得到一个L×1反映各个时刻***运行状态的指数矩阵；

3.1.4)根据步骤3.1.3)计算结果，确定***运行状态从正常到故障的开始时间点t_start和截止时间点t_end。

与现有技术相比，本发明采用数据驱动的方式进行故障原因追溯，以信息流动和流动变化反映***故障传播和***运行状态变化；在溯源过程中不需要***物理拓扑结构的先验知识；溯源过程统一采用变量间的传递信息量作为信息测度和溯源依据；采用基于二进制编码和十进制解码相结合的符号传递熵方法计算变量间耦合关系，抗噪能力更强，信息丢失更少；综合考虑流程工业复杂机电***由于反馈控制而引起的信息传递关系波动，提出了***信息模型的权重区间；提出了***故障发展过程识别方法；提出了***故障溯源过程，有效解决了流程工业复杂机电***故障溯源难题。本发明能够根据流程工业复杂机电***监测数据，从***任意异常监测点追溯***故障唯一原因，同时，本发明中的部分处理过程为流程工业复杂机电***信息建模提供支持，追溯***故障原因，提高企业的数字化监控水平，辅助科学维修维护。

附图说明

图1为本发明的方法流程图；

图2为本发明的基于概率密度分布的符号化过程示意图；

图3为本发明的***故障发展过程识别方法示意图；

图4为本发明的不同数据片段变量信息传递关系波动示意图。

具体实施方式

下面结合具体的实施例和说明书附图对本发明作进一步的解释说明。

参见图1，本发明具体包括以下步骤：

1)故障溯源准备步骤。收集流程工业复杂机电***运行状态历史监测数据，建立高维原始数据集；根据原始数据集定义复杂机电***信息传递模型基本结构；

1.1)原始数据收集。对复杂机电***n个传感器以相同的采样频率从历史监测数据中抽取数据，步骤1)获得一个n维的监测时间序列矩阵D：

其中：X_i是矩阵中第i个样本点；d_i,j是第i个样本点中的第j个属性值。矩阵中每一列是一个特定监测变量的观测时间序列。

1.2)定义***信息传递模型基本结构。对于一个给定的历史监测数据集D，定义其代表的***信息传递模型为：

IM＝(V,A_W,A_R)。

其中：V＝{node₁,node₂,…,node_n}是信息传递模型中信息结点集合；A_W是信息传递模型关系权重结构体矩阵；A_R是信息传递模型关系矩阵；A_W和A_R是一一对应的n×n矩阵。

2)信息传递模型建模步骤。依据步骤1)的原始数据集和定义的信息模型基本结构，以传递信息量作为***耦合关系的度量，采用符号传递熵方法，分析计算***监测变量间的耦合关系，构建复杂机电***信息传递模型，参见图2，流程工业复杂机电***信息建模过程包含以下步骤；

2.1)确定最优符号化过程符号个数。

2.1.1)基于核密度估计的概率密度计算。选择任意两个监测时间序列I和J，分别对每一个监测序列进行核密度估计操作，获得每一个序列监测值的概率密度分布，绘制每一个监测时间序列的概率密度分布曲线；

2.1.2)概率密度区间划分。选择符号个数s_number，将步骤2.1.1)中的概率密度曲线按照累积概率分成s_number等份；

2.1.3)符号化操作。对时间序列I和J中的监测值，按照下述方式进行符号化操作：

其中：I_k为时间序列I的第k个监测值；p(x)为x的概率值；s_number为符号个数；min为序列最小值。

2.1.4)确定最优符号个数。本步骤选取不同的符号个数s_number，重复步骤2.1.2)和2.1.3)；通过计算不同符号个数下符号化序列的信噪比和信息熵，绘制符号化序列信噪比、信息熵随符号个数的变化曲线，以最大信噪比和最小信息丢失为优化条件，寻找最优符号个数s_optimization。

2.2)相空间重构。分别采用Cao方法和互信息法确定每一个监测变量的相空间重构参数：嵌入维数m和延迟时间τ，本步骤将得到通过每一个监测序列重构的相空间X:

其中：N_m＝N-(m-1)τ是重构相空间中相点个数。

2.3)重构相点符号化。根据步骤2.1)中优化的符号个数，对步骤2.2)相空间中的每一个相点，按照下式进行符号化操作：

其中：s_optimization为最优符号个数；p(x)为x的概率值；min为序列最小值。

2.4)符号化序列的二进制编码。使用

位二进制数，对2.3)中每一个符号化后的相点值进行二进制编码。

表示向上取整操作。例如3位二进制数可以表示8个独立的符号(000～0,001～1,010～2，以此类推)。

2.5)二进制编码序列的十进制转化。拼接2.4)中每一个相点中每一个维度的二进制编码(如符号化序列3,5,7,4→011,101,111,110→011101111110)，采用位权法对拼接的二进制编码进行十进制转换(如011101111110→1918)。

2.6)监测变量间特定时间段传递熵计算。按照下式，分别计算特定时间段内时间序列I和J间的信息传递量：

其中：

为从序列J到I的信息传递量；δ为二者间的时间延迟；

可通过改变式中

和

位置计算得到。

2.7)特定时间段内监测变量间的耦合关系确定。将2.6)计算得到的信息传递值填入步骤1)的A_R和A_W矩阵，A_Ri,j,A_Rj,i∈A_R，如果A_Wi,j-A_Wj,i＞0，则，信息传递方向为i→j，表示信息从i传向j，用符号“+”表示信息的正向传递，反之，用“—”表示信息从j传向i；信息传递强度用

表示。

2.8)参见图4，监测变量耦合关系与权重确定。

2.8.1)计算时间序列I和J的平均周期t_I和t_J；

2.8.2)采用滑动窗口法，按照窗口大小size＝max(t_I,t_J)，滑动步长Internal＝0.2×size的参数设置对原始监测时间序列I和J分别从前往后和从后往前进行划分，得到N_{size,internal}个数据片段；

2.8.3)对步骤2.8.2)获得的每一个数据片段，按照步骤2.6)和步骤2.7)计算和确定各自的耦合关系，得到不同片段的耦合关系集合；

2.8.4)对步骤2.8.3)获得的耦合关系，按照方向(正向和反向)进行分组；

2.8.5)对步骤2.8.4)获得的每一组耦合关系强度值进行概率密度估计，并按照概率值进行降序排列；

2.8.6)设定一个累积概率阈值P_threshold，对步骤2.8.5)得到的降序概率值序列进行累积操作，直到累计概率值第一次大于P_threshold，得到参与累积概率预算的概率值对应的耦合关系强度值集合S；

2.8.7)确定监测变量耦合关系与权重。以步骤2.8.6)得到的S最小值和最大值作为监测变量耦合关系权重区间，得到监测变量耦合关系权重区间[S_min,S_max]，形如下表所示(表中编号代表***监测变量编号)。该权重区间可以保证该区间内耦合关系强度值的累积概率不小于P_threshold。

3)故障溯源步骤。参见图3，实现***故障发展过程识别；确定***异常状态下的信息传递关系；根据步骤2)中获得的***固有信息传递关系，确定故障传播路径并完成***故障溯源。

3.1)***故障发展过程识别。

3.1.1)从***运行状态历史监测数据中，分别提取***正常运行状态和故障运行状态下的监测数据集Q₀和Q₁，两个数据集的维度分别为M₀和M₁；

3.1.2)计算转换关系T＝(Q^TQ)^-1Q^Ts_off。其中：Q＝[Q₀；Q₁]；s_off＝[s₀,s₁]^T，s₀是1×M₀的0向量，s₁是1×M₁的1向量；

3.1.3)从***运行状态历史监测数据中任意抽取一段从正常状态到异常状态的长度为L的监测数据Q_Test，计算Q_TestT得到一个L×1反映各个时刻***运行状态的指数矩阵；

3.1.4)根据步骤3.1.3)计算结果，确定***运行状态从正常到故障的开始时间点t_start和截止时间点t_end。

3.2)***异常状态变量耦合关系确定。按照步骤2.1)～2.7)计算t_start～t_end时间段内变量间的信息传递量和传递方向；

3.3)故障传播路径确定。

3.3.1)从***监测变量中任意选取一点作为溯源起始点p_s；

3.3.2)按照信息流动的相反方向，寻找t_start～t_end时间段内所有信息流向p_s的监测变量，构成集合S_{Trace_Temp}；

3.3.3)对比t_start～t_end时间段内S_{Trace_Temp}内任意元素e_i到p_s的信息传递量与步骤2.8.7)获得的对应耦合关系的权重区间值，若

则从S_{Trace_Temp}中删除e_i，得到更新后的元素集合S_{Trace_Temp}'；

3.3.4)若

重复步骤3.3.3)和3.3.4)；若

步骤3.3)结束；

3.4)故障原因确定。步骤3.3)中从p_s开始的溯源过程中集合S_{Trace_Temp}'的变化及时故障的传播过程，传播过程中最后一个非空S_{Trace_Temp}'中的元素即是故障根事件。如：故障传播过程是：

则故障溯源结果是2号变量。

本发明以信息理论为基础，以***不同监测变量间的固有信息传递关系为依据，提出了一种基于信息模型的流程工业复杂机电***故障溯源新方法。该方法结合实际化工***的控制特点，综合考虑***反馈机制对***信息传递的影响，提出了基于耦合关系分析的流程工业复杂机电***信息建模方法；提出了基于性能劣化思想的***状态变化过程识别方法；提出了基于***固有信息传递关系的故障溯源过程。

本发明以海量高维***运行状态监测数据(DCS数据、SCADA数据等)为基础，采用数据分析的方法，以不同监测变量间的信息传递关系作为***信息模型耦合关系的测度，综合考虑流程工业反馈控制对***故障溯源过程的影响，发明了***故障过程识别方法和溯源方法，本发明能够从任意异常信息监测点追溯***故障的唯一根事件，且故障溯源过程不依赖***物理拓扑先验知识，本发明中部分处理过程可以直接应用于流程工业复杂机电***信息建模，追溯***故障原因，提高企业的数字化监控水平，辅助科学维修维护。

Claims (4)

1.一种基于信息传递模型的流程工业复杂机电***故障溯源方法，其特征在于，包括以下步骤：

1)收集流程工业复杂机电***的运行状态历史监测数据，建立高维原始数据集，并根据原始数据集定义复杂机电***的信息传递模型的基本结构；

2)根据步骤1)的原始数据集和定义的信息传递模型的基本结构，以传递信息量作为***耦合关系的度量，采用基于二进制编码和十进制解码相结合的符号传递熵方法，分析计算***监测变量间的耦合关系，构建复杂机电***信息传递模型，得到监测变量耦合关系权重区间[S_min,S_max]；

3)故障溯源：

3.1)识别***故障发展过程，确定***运行状态从正常到故障的开始时间点t_start和截止时间点t_end；

3.2)计算t_start～t_end时间段内监测变量间的信息传递量和传递方向，确定***异常状态变量耦合关系；

3.3)从监测变量任意选取一点作为溯源起始点p_s，寻找t_start～t_end时间段内所有信息流向p_s的监测变量构成集合S_{Trace_Temp}，对比t_start～t_end时间段内S_{Trace_Temp}内任意元素e_i到p_s的信息传递量

与步骤2)中监测变量耦合关系权重区间[S_min,S_max]，若

则从S_{Trace_Temp}中删除e_i，得到更新后的元素集合S_{Trace_Temp}'；重复以上步骤直至

则最后一个使S_{Trace_Temp}'非空的元素即为故障根事件，完成故障溯源；

所述步骤2)包括以下步骤：

2.1)对监测时间序列进行符号化操作，确定最优化的符号个数s_optimization；

2.2)分别采用Cao方法和互信息法确定每一个监测变量的相空间重构参数：嵌入维数m和延迟时间τ，得到通过每一个监测变量重构的相空间X：

其中：N_m＝N-(m-1)τ是重构相空间中相点个数；

2.3)根据步骤2.1)中最优化的符号个数，对步骤2.2)相空间中的每一个相点进行符号化操作：

其中：s_optimization为最优符号个数；p(x)为x的概率值；min为序列最小值；

2.4)对每一个符号化后的相点值进行二进制编码；

2.5)拼接每一个相点中每一个维度的二进制编码，采用位权法对拼接的二进制编码进行十进制转换；

2.6)计算监测变量间特定时间段传递熵，得到特定时间段内监测时间序列间的信息传递量：

其中：

为从监测时间序列J到I的信息传递量；δ为二者间的时间延迟；

通过改变式中

和

位置计算得到；

2.7)将特定时间段内监测时间序列间的信息传递量填入信息传递模型的基本结构中，得到监测时间序列间的信息传递方向和强度，作为监测变量间的耦合关系；

2.8)根据监测变量间的耦合关系构建复杂机电***信息传递模型，得到监测变量耦合关系权重区间[S_min,S_max]；

所述步骤2.1)包括：

2.1.1)选择任意两个监测时间序列I和J，分别对每一个监测时间序列进行核密度估计操作，获得每一个监测时间序列的监测值的概率密度分布，绘制每一个监测时间序列的概率密度分布曲线；

2.1.2)选择符号个数s_number，将步骤2.1.1)中的概率密度曲线按照累积概率分成s_number等份；

2.1.3)对监测时间序列I和J中的监测值，按照下述公式进行符号化操作：

其中：I_k为时间序列I的第k个监测值；p(x)为x的概率值；s_number为符号个数；min为序列最小值；

2.1.4)选取不同的符号个数s_number，重复步骤2.1.2)和2.1.3)，通过计算不同符号个数下符号化序列的信噪比和信息熵，绘制符号化序列信噪比、信息熵随符号个数的变化曲线，以最大信噪比和最小信息丢失为优化条件，寻找最优符号个数s_optimization；

所述步骤2.8)包括：

2.8.1)计算监测时间序列I和J的平均周期t_I和t_J；

2.8.2)采用滑动窗口法，按照窗口大小size＝max(t_I,t_J)，滑动步长Internal＝0.2×size的参数设置对监测时间序列I和J分别从前往后和从后往前进行划分，得到N_{size,internal}个数据片段；

2.8.3)对步骤2.8.2)获得的每一个数据片段，按照步骤2.6)和步骤2.7)计算和确定各自的耦合关系，得到不同片段的耦合关系集合；

2.8.4)对步骤2.8.3)获得的耦合关系，按照方向进行分组；

2.8.5)对步骤2.8.4)获得的每一组耦合关系强度值进行概率密度估计，并按照概率值进行降序排列；

2.8.6)设定一个累积概率阈值P_threshold，对步骤2.8.5)得到的降序概率值序列进行累积操作，直到累计概率值第一次大于P_threshold，得到参与累积概率预算的概率值对应的耦合关系强度值集合S；

2.8.7)以步骤2.8.6)得到的S最小值和最大值作为监测变量耦合关系权重区间，得到监测变量耦合关系权重区间[S_min,S_max]，该权重区间可以保证该区间内耦合关系强度值的累积概率不小于P_threshold。

2.根据权利要求1所述的一种基于信息传递模型的流程工业复杂机电***故障溯源方法，其特征在于，所述步骤1)包括以下步骤：

1.1)对复杂机电***的n个传感器以相同的采样频率从历史监测数据中抽取数据，获得n维的监测时间序列矩阵D，作为原始数据集：

其中：X_i是矩阵中第i个样本点；d_i,j是第i个样本点中的第j个属性值，矩阵中每一列是一个特定监测变量的监测时间序列；

1.2)对于原始数据集D，定义其代表的***信息传递模型的基本结构为：

IM＝(V,A_W,A_R)

其中：V＝{node₁,node₂,…,node_n}是信息传递模型中检测变量集合；A_W是信息传递模型关系权重结构体矩阵；A_R是信息传递模型关系矩阵；A_W和A_R是一一对应的n×n矩阵。

3.根据权利要求1所述的一种基于信息传递模型的流程工业复杂机电***故障溯源方法，其特征在于，所述步骤2.4)中采用

位二进制数进行二进制编码。

4.根据权利要求1所述的一种基于信息传递模型的流程工业复杂机电***故障溯源方法，其特征在于，所述步骤3.1)包括：

3.1.1)从***运行状态历史监测数据中，分别提取***正常运行状态和故障运行状态下的监测数据集Q₀和Q₁，两个数据集的维度分别为M₀和M₁；

3.1.2)计算转换关系T＝(Q^TQ)^-1Q^Ts_off，其中：Q＝[Q₀；Q₁]；s_off＝[s₀,s₁]^T，s₀是1×M₀的0向量，s₁是1×M₁的1向量；

3.1.3)从***运行状态历史监测数据中任意抽取一段从正常状态到异常状态的长度为L的监测数据Q_Test，计算Q_TestT得到一个L×1反映各个时刻***运行状态的指数矩阵；

3.1.4)根据步骤3.1.3)计算结果，确定***运行状态从正常到故障的开始时间点t_start和截止时间点t_end。

Images