CN110263811A - 一种基于数据融合的设备运行状态监测方法及*** - Google Patents

Abstract

本发明公开了一种基于数据融合的设备运行状态监测方法和***，包括：收集设备传感器的信号；其中，所述信号包括设备基本信息、健康状态、通讯状态、行为动作、设备参数以及环境条件；预处理设备传感器的信号，定义设备的状态数据；将定义好的设备运行状态数据输入到GMM模型，输出设备运行状态特征及状态特征的分布；分析设备运行状态特征及其分布，输出设备的异常状态时段。能够解决现有技术中针对信号特征具有非线性、异构、冗余、尺度差异大的特点的设备无法取得良好监测效果的问题。

Description

一种基于数据融合的设备运行状态监测方法及***

技术领域

本发明涉及工业过程的设备监测领域，尤其涉及一种基于数据融合的设备运行状态监测***及方法。

背景技术

近年来随着微机电***技术、无线通信技术、传感器技术的迅速发展，传感器网络具有构建快速、部署方便等优点，可完成大范围、多模式信息采集和对象的自动监测。另外，机械设备日趋大型化和集成化，工作状态变化频繁以及其他设备干扰严重，使得振动信号具有很强的非线性、非高斯和动态性，抽取的信号特征也具有非线性、异构、冗余、尺度差异大等特性，现有的检测分析方法监测性能不理想，且对非线性、非高斯、多模态进行设备运行监测诊断的研究还比较少。

发明内容

针对上述问题，本发明的目的在于提供一种基于数据融合和概率聚类的方法，通过传感器数据获取设备的运行状态数据，通过模型获得设备运行状态特征及状态特征的分布，从而发现设备运行中的异常状态，以解决现有技术中针对信号特征具有非线性、异构、冗余、尺度差异大的特点的设备无法取得良好监测效果的问题。

本发明实施例提供了一种基于数据融合的设备运行状态监测方法，其特征在于，包括：

收集设备传感器的信号；其中，所述信号包括设备基本信息、健康状态、通讯状态、行为动作、设备参数以及环境条件；

预处理设备传感器的信号，定义设备的状态数据；

将定义好的设备运行状态数据输入到GMM模型，输出设备运行状态特征及状态特征的分布；

分析设备运行状态特征及其分布，输出设备的异常状态时段。

具体地，所述预处理设备传感器的信号，定义设备的状态数据的具体实现方法为：

将任一时刻设备所有的运行状态传感器的当前时刻值进行归一化处理，计算归一化结果；其中，归一化结果＝(当前时刻值-历史最小值)/(历史最大值-历史最小值)；

将任一时刻设备所有的运行状态传感器的归一化结果的组合作为当前时刻设备的状态数据。

优选地，上述预处理操作还包括数据清洗。

具体地，将定义好的设备运行状态数据输入到GMM模型，输出设备运行状态特征及状态特征的分布的具体实现方法为：

1)数据集分割：

定义函数split_dataset(A,n)，

其中，输入为数据集A，子模型数量为n，对于数据集A，随机选取其预设比例的长度的数据集并输出，输出为自数据集集合[A_1,A_2,…，A_n]；

2)生成模型：

定义函数cluster_action(A_i,stop_weight)，

其中输入为数据集A_i，中止***权重stop_weight；

将数据集A_i输入到标准GMM模型，得到概率分布M_i；

输出对A_i、M_i的预测值，当预测值为0时，将数据集A_i归为A_i0，当预测值为1时，将数据集A_i归为A_i1；当A_i0的权重大于中止***权重stop_weight时，将A_i0聚类到概率分布M_i的左节点；当A_i1的权重大于中止***权重stop_weight时，将A_i1聚类到概率分布M_i的右节点；

输出最终的概率分布M_i；其中，A_i0的权重计算方式为数据集A_i的最大值减去最小值；

3)预测信息：

定义函数predict_action(T):

其中，输入为预测数据T，对于每一个M_i，计算数据所属的状态特征编号[result]_i，以及某个数据属于该状态特征的概率[score]_i；

输出最终结果为result＝[[result]_1,[result]_2,…,[result]_n],[[score]_1,[score]_2,…,[score]_n]。

具体地，所述分析设备运行状态特征及其分布，输出设备的异常状态时段的具体实现方法为：

以设备历史数据的ID为横轴，以数据所属的状态特征编号为纵轴，快速定位出设备状态呈现明显异常的时段。

优选地，在输出设备的异常状态时段之后，还包括：

显示异常信息，并将所述信息发送到相关管理人员的通讯设备。

优选地，在输出设备的异常状态时段之后，还包括：

将所述异常的时段信息发送到一个或多个处理器，所述处理器确定用于相应设备的维修动作建议。

本发明实施例提供了一种基于数据融合的设备运行状态监测***，其特征在于，包括：

信号收集模块，用于收集设备传感器的信号；其中，所述信号包括设备基本信息、健康状态、通讯状态、行为动作、设备参数以及环境条件；

预处理模块，用于预处理设备传感器的信号，定义设备的状态数据；

设备运行状态监测模块，用于将定义好的设备运行状态数据输入到GMM模型，输出设备运行状态特征及状态特征的分布；

设备异常输出模块，用于分析设备运行状态特征及其分布，输出设备的异常状态时段。

附图说明

为了更清楚地说明本发明的技术方案，下面将对实施方式中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本发明第一实施例提供的一种基于数据融合的设备运行状态监测方法的示意图；

图2是本发明第二实施例提供的一种基于数据融合的设备运行状态监测***的示意图；

图3是本发明第一实施例提供的设备运行状态监测结果的示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

为了便于清楚描述本发明实施例的技术方案，在本发明的实施例中，采用了“第一”、“第二”等字样对功能或作用基本相同的相同项或相似项进行区分，本领域技术人员可理解“第一”、“第二”等字样并不对数量和执行次序进行限定。

本发明实施例提供了一种基于数据融合的设备运行状态监测方法，请参阅图1，在本实施例中，

S101，收集设备传感器的信号；其中，所述信号包括设备基本信息、健康状态、通讯状态、行为动作、设备参数以及环境条件；

实际工业过程中，所述传感器信号根据实际情况收集，以上述信号为例：

基本信息指铭牌信息，用于快速识别设备，包括装置型号、装置描述、生成厂商、端口数量、硬件版本、固件版本、软件版本、IP地址以及MAC地址等；

健康状态，包括：电源、CPU、软件、内存、存储、时钟等；

通讯状态包括：端口、光功率、流量以及业务状态等；

行为动作包括：实时记录以及实时监测；

设备参数包括设备参数以及参数状态；

环境条件包括恶劣条件以及常规条件。

设备的一般传感器包括：在线式红外热成像仪，可见光视频监测设备，振动测量仪、超声波测厚仪、便携式硬度计、气体检测仪、电机故障诊断仪表、热工/校验/电气测量仪表等。

对于多种数据建立多层次操作，对于多源数据采集层，可以对多个数据源进行数据采集；数据接口层，连接于多源数据采集层，对应多种数据类型而分别设有多个数据接口，并利用相应数据类型的数据接口接收多源数据；大数据融合管理层，分别对数据接口层接收的数据进行分别存储、大数据计算分析等。

优选地，所述数据接口层包括有用于传输关系型数据的SQOOP接口、用于传输实时数据流的JMS接口和用于传输常规数据的FTP接口；

所述大数据融合管理层包括有数据仓库工具Hive、Hbase数据库、SQL大数据查询工具Impala和Hadoop资源管理器YARN；

还包括有大规模流式数据处理框架Spark Streaming、用于从R语言中使用ApacheSpark的语言包Spark R、机器学习算法库MLlib、用于执行图并行计算的Spark GraphX和Python编程环境。

优选地，还包括开源算法库，如时空地理分析模块，影响范围分析模块，图计算分析模块，关联关系分析模块；

优选地，所述模型访问接口层包括有：Java数据库连接接口JDBC，用于执行SQL语句；开放数据库连接ODBC，用于支持SQL语言；Spark SQL，用于实现对结构化数据的计算；HUE接口，用于实现Hadoop生态***的开发和调试。

上述多层次的操作使得设备管理人员能够灵活准确的处理各类型信号数据，并便捷的采用已有统计分析工具进行快速建模，生成简单或复杂的分析结果。

S102，预处理设备传感器的信号，定义设备的状态数据；

具体实现方法为：

将任一时刻设备所有的运行状态传感器的当前时刻值进行归一化处理，计算归一化结果；其中，归一化结果＝(当前时刻值-历史最小值)/(历史最大值-历史最小值)；

将任一时刻设备所有的运行状态传感器的归一化结果的组合作为当前时刻设备的状态数据。

归一化的结果按照预设的规则存储为数组、矩阵信息等，便于各个模型采纳使用。

优选地，在归一化之前根据实际情况进行数据清洗处理。

S103，将定义好的设备运行状态数据输入到GMM模型，输出设备运行状态特征及状态特征的分布；

具体实现方法为：

1)数据集分割：

定义函数split_dataset(A,n)，

其中，输入为数据集A，子模型数量为n，对于数据集A，随机选取其预设比例的长度的数据集并输出，输出为自数据集集合[A_1,A_2,…，A_n]；

2)生成模型：

定义函数cluster_action(A_i,stop_weight)，

其中输入为数据集A_i，中止***权重stop_weight；

将数据集A_i输入到标准GMM模型，得到概率分布M_i；

输出对A_i、M_i的预测值，当预测值为0时，将数据集A_i归为A_i0，当预测值为1时，将数据集A_i归为A_i1；当A_i0的权重大于中止***权重stop_weight时，将A_i0聚类到概率分布M_i的左节点；当A_i1的权重大于中止***权重stop_weight时，将A_i1聚类到概率分布M_i的右节点；

输出最终的概率分布M_i；其中，A_i0的权重计算方式为数据集A_i的最大值减去最小值；

3)预测信息：

定义函数predict_action(T):

其中，输入为预测数据T，对于每一个M_i，计算数据所属的状态特征编号[result]_i，以及某个数据属于该状态特征的概率[score]_i；

输出最终结果为result＝[[result]_1,[result]_2,…,[result]_n],[[score]_1,[score]_2,…,[score]_n]。

其中，标准GMM模型作为一个流行的算法，高斯混合模型(Gaussian MixtureModel)，就是假设数据服从Mixture Gaussian Distribution，换句话说，数据可以看作是从数个Gaussian Distribution中生成出来的。实际上，从中心极限定理可以看出，Gaussian分布这个假设其实是比较合理的，除此之外，Gaussian分布在计算上也有一些很好的性质。另外，Mixture Model本身其实也是可以变得任意复杂的，通过增加Model的个数，我们可以任意地逼近任何连续的概率密分布。

每个GMM由个Gaussian分布组成，每个Gaussian称为一个“Component”，这些Component线性加成在一起就组成了GMM的概率密度函数：

根据上面的式子，如果我们要从GMM的分布中随机地取一个点的话，实际上可以分为两步：首先随机地在这个Component之中选一个，每个Component被选中的概率实际上就是它的系数，选中了Component之后，再单独地考虑从这个Component的分布中选取一个点就可以了──这里已经回到了普通的Gaussian分布，转化为了已知的问题。

采用GMM来做clustering，对于已有的数据，假定它们是由GMM生成出来的，那么我们只要根据数据推出GMM的概率分布来就可以了，然后GMM的个Component实际上就对应了个cluster了。根据数据来推算概率密度通常被称作density estimation，特别地，当我们在已知(或假定)了概率密度函数的形式，而要估计其中的参数的过程被称作“参数估计”。

现在假设有个数据点，并假设它们服从某个分布(记作)，现在要确定里面的一些参数的值，例如，在GMM中就需要确定、和这些参数。找到这样一组参数，它所确定的概率分布生成这些给定的数据点的概率最大，而这个概率实际上就等于，就把这个乘积称作似然函数(Likelihood Function)。通常单个点的概率都很小，许多很小的数字相乘起来在计算机里很容易造成浮点数下溢，因此通常会对其取对数，把乘积变成加和，得到log-likelihood function。接下来只要将这个函数最大化(通常的做法是求导并令导数等于零，然后解方程)，亦即找到这样一组参数值，它让似然函数取得最大值，此时就认为这是最合适的参数，这样就完成了参数估计的过程。

下面来看一看GMM的log-likelihood function：

由于在对数函数里面又有加和，没法直接用求导解方程的办法直接求得最大值。为了解决这个问题，采取之前从GMM中随机选点的办法：分成两步，

估计数据由每个Component生成的概率(并不是每个Component被选中的概率)：对于每个数据来说，它由第个Component生成的概率为

由于式子里的和也是需要估计的值，采用迭代法，在计算的时候假定和均已知，将取上一次迭代所得的值(或者初始值)。

估计每个Component的参数：现在假设上一步中得到的就是正确的“数据由Component生成的概率”，亦可以当做该Component在生成这个数据上所做的贡献，或者说，可以看作这个值其中有这部分是由Component所生成的。集中考虑所有的数据点，现在实际上可以看作Component生成了这些点。由于每个Component都是一个标准的Gaussian分布，可以很容易分布求出最大似然所对应的参数值：

其中，并且也顺理成章地可以估计为。

重复迭代前面两步，直到似然函数的值收敛为止。

由此可知，通过改进GMM模型可以得到设备每个运行状态特征的观察概率，即输出的是设备运行状态特征的概率分布。

S104，分析设备运行状态特征及其分布，输出设备的异常状态时段。

由图3可知，其中一种实现办法为，以设备历史数据的ID为横轴，以数据所属的状态特征编号为纵轴，快速定位出设备状态呈现明显异常的时段，图3中异常的时段如黑框所示。

对于本领域技术人员，任何一种通过当前设备状态特征分布与历史设备状态特征比对的方法均适用于分析出异常状态时段结果。

优选地，在输出设备的异常状态时段之后，还包括：

显示异常信息，并将所述信息发送到相关管理人员的通讯设备。

优选地，在输出设备的异常状态时段之后，还包括：

将所述异常的时段信息发送到一个或多个处理器，所述处理器确定用于相应设备的维修动作建议。

本发明实施例提供了一种基于数据融合的设备运行状态监测***，包括：

信号收集模块，用于收集设备传感器的信号；其中，所述信号包括设备基本信息、健康状态、通讯状态、行为动作、设备参数以及环境条件；

预处理模块，用于预处理设备传感器的信号，定义设备的状态数据；

设备运行状态监测模块，用于将定义好的设备运行状态数据输入到GMM模型，输出设备运行状态特征及状态特征的分布；

设备异常输出模块，用于分析设备运行状态特征及其分布，输出设备的异常状态时段。

本发明技术方案中上述模块均是常用的硬件处理装置，如MCU、CPU、FPGA、图像处理器GPU等。

以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围。

Claims (7)

1.一种基于数据融合的设备运行状态监测方法，其特征在于，包括：

收集设备传感器的信号；其中，所述信号包括设备基本信息、健康状态、通讯状态、行为动作、设备参数以及环境条件；

预处理设备传感器的信号，定义设备的状态数据；

将定义好的设备运行状态数据输入到GMM模型，输出设备运行状态特征及状态特征的分布；

分析设备运行状态特征及其分布，输出设备的异常状态时段。

2.根据权利要求1所述的设备运行状态监测方法，其特征在于，

所述预处理设备传感器的信号，定义设备的状态数据的具体实现方法为：

将任一时刻设备所有的运行状态传感器的当前时刻值进行归一化处理，计算归一化结果；其中，归一化结果＝(当前时刻值-历史最小值)/(历史最大值-历史最小值)；

将任一时刻设备所有的运行状态传感器的归一化结果的组合作为当前时刻设备的状态数据。

3.根据权利要求1所述的设备运行状态监测方法，其特征在于，

将定义好的设备运行状态数据输入到GMM模型，输出设备运行状态特征及状态特征的分布的具体实现方法为：

1)数据集分割：

定义函数split_dataset(A,n)，

其中，输入为数据集A，子模型数量为n，对于数据集A，随机选取其预设比例的长度的数据集并输出，输出为自数据集集合[A_1,A_2,…，A_n]；

2)生成模型：

定义函数cluster_action(A_i,stop_weight)，

其中输入为数据集A_i，中止***权重stop_weight；

将数据集A_i输入到标准GMM模型，得到概率分布M_i；

输出对A_i、M_i的预测值，当预测值为0时，将数据集A_i归为A_i0，当预测值为1时，将数据集A_i归为A_i1；当A_i0的权重大于中止***权重stop_weight时，将A_i0聚类到概率分布M_i的左节点；当A_i1的权重大于中止***权重stop_weight时，将A_i1聚类到概率分布M_i的右节点；

输出最终的概率分布M_i；其中，A_i0的权重计算方式为数据集A_i的最大值减去最小值；

3)预测信息：

定义函数predict_action(T):

其中，输入为预测数据T，对于每一个M_i，计算数据所属的状态特征编号[result]_i，以及某个数据属于该状态特征的概率[score]_i；

输出最终结果为result＝[[result]_1,[result]_2,…,[result]_n],[[score]_1,[score]_2,…,[score]_n]。

4.根据权利要求3所述的设备运行状态监测方法，其特征在于，

所述分析设备运行状态特征及其分布，输出设备的异常状态时段的具体实现方法为：

以设备历史数据的ID为横轴，以数据所属的状态特征编号为纵轴，快速定位出设备状态呈现明显异常的时段。

5.根据权利要求1所述的设备运行状态监测方法，其特征在于，在输出设备的异常状态时段之后，还包括：

显示异常信息，并将所述信息发送到相关管理人员的通讯设备。

6.根据权利要求1所述的设备运行状态监测方法，其特征在于，在输出设备的异常状态时段之后，还包括：

将所述异常的时段信息发送到一个或多个处理器，所述处理器确定用于相应设备的维修动作建议。

7.一种基于数据融合的设备运行状态监测***，其特征在于，包括：

信号收集模块，用于收集设备传感器的信号；其中，所述信号包括设备基本信息、健康状态、通讯状态、行为动作、设备参数以及环境条件；

预处理模块，用于预处理设备传感器的信号，定义设备的状态数据；

设备运行状态监测模块，用于将定义好的设备运行状态数据输入到GMM模型，输出设备运行状态特征及状态特征的分布；

设备异常输出模块，用于分析设备运行状态特征及其分布，输出设备的异常状态时段。