CN111077404B - 扰动源定位方法 - Google Patents
扰动源定位方法 Download PDFInfo
- Publication number
- CN111077404B CN111077404B CN201811492521.8A CN201811492521A CN111077404B CN 111077404 B CN111077404 B CN 111077404B CN 201811492521 A CN201811492521 A CN 201811492521A CN 111077404 B CN111077404 B CN 111077404B
- Authority
- CN
- China
- Prior art keywords
- node
- group
- nodes
- oscillation
- groups
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0221—Preprocessing measurements, e.g. data collection rate adjustment; Standardization of measurements; Time series or signal analysis, e.g. frequency analysis or wavelets; Trustworthiness of measurements; Indexes therefor; Measurements using easily measured parameters to estimate parameters difficult to measure; Virtual sensor creation; De-noising; Sensor fusion; Unconventional preprocessing inherently present in specific fault detection methods like PCA-based methods
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/08—Locating faults in cables, transmission lines, or networks
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0243—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model
- G05B23/0245—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model based on a qualitative model, e.g. rule based; if-then decisions
- G05B23/0248—Causal models, e.g. fault tree; digraphs; qualitative physics
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Automation & Control Theory (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Position Fixing By Use Of Radio Waves (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本公开提出一种扰动源定位方法,用于从***的多个节点中定位扰动源,其包括以下步骤:基于振荡特征将所述多个节点分为多个节点群组;基于同调振荡成分的先后顺序建立所述多个节点群组的群间因果关系;基于所述群间因果关系从所述多个节点群组中挑选至少一个候选群组;以及在每一个候选群组内定位出至少一扰动源节点。
Description
技术领域
本公开是有关于一种扰动源定位方法,且特别是有关于一种可定位出至少一个扰动源的扰动源定位方法。
背景技术
在厂房中阀件发生故障、控制器参数调校不当或外部形成的扰动都有可能造成厂房中回路的振荡。厂房中回路数量众多,当其中一个回路发生回路振荡,通过回路与回路间互相传递,回路振荡可能影响整个厂房,而引发全厂回路振荡。若全厂回路振荡发生,将影响厂房器械运作不良甚至是机组跳车,导致生产产品质下降以及能源耗用增加。
为了避免发生全厂回路振荡,必须找出引发回路振荡的扰动源。然而,现今厂房中回路数量庞大,检测回路扰动肇因必须耗费大量人力与时间,尤其是,当多重扰动源同时发生,各回路相互影响之下,诊断扰动源会更加困难。基此,如何快速且准确的诊断回路扰动源,降低检测振荡肇因所需的人力与时间成本为本领域急需解决的课题。
发明内容
有鉴于此,本公开实施例提供一种扰动源定位方法,能够减轻运算负担并且定位出多个扰动源。
本公开实施例的扰动源定位方法用于从***的多个节点中定位扰动源。所述扰动源定位方法包括以下步骤:基于振荡特征将所述多个节点分为多个节点群组;基于同调振荡成分的先后顺序建立所述多个节点群组的群间因果关系;基于所述群间因果关系从所述多个节点群组中挑选至少一个候选群组;以及在每一个候选群组内定位出至少一扰动源节点。
基于上述,本公开实施例所提出的扰动源定位方法,先将***中的多个节点依其振荡特征进行分群,根据两两群组的同调振荡成分的先后顺序来建立各个群组间的因果关系,进而识别出可能包括扰动根源的候选群组。随后,再针对每一个候选群组来识别出群内的扰动源节点。据此,可以识别出***中的多个扰动源。此外,当***庞大时也能够减少运算的复杂度,并且有效的降低检测振荡扰动根源所需的人力与时间。
为让本公开的上述特征和优点能更明显易懂,下文特举实施例,并配合所附附图作详细说明如下。
附图说明
图1绘示本公开一实施例的扰动源定位方法的流程图。
图2绘示本公开一实施例的基于振荡特征将***的多个节点分为多个群组的流程图。
图3绘示本公开一实施例的基于同调振荡成分的先后顺序建立多个节点群组的群间因果关系的流程图。
图4绘示本公开一实施例的同调性的示意图。
图5绘示本公开一实施例的交叉频谱相位的示意图。
图6绘示本公开一实施例的***的示意图。
图7绘示本公开一实施例的原始信号的示意图。
图8绘示本公开一实施例的信号频谱的示意图。
图9绘示本公开一实施例的节点群组的分群结果示意图。
图10绘示本公开一实施例的群间因果关系的示意图。
具体实施方式
本公开实施例所提出的扰动源定位方法采用机器学习的方式,先将***(例如,厂区)内数量庞大的节点(例如,控制回路)进行分群,然后进一步分析各个节点群组之间的因果关系(例如,振荡传递关系),以找出可能存在扰动源的候选群组。随后,再针对候选群组进行流程分析,便能够定位出每一个候选群组之中可能的扰动源。如此一来,能够减少运算负担并且同时定位出多个扰动源。
本公开的扰动源定位方法适用于计算装置。计算装置例如是个人电脑(personalcomputer,PC)、工作站(work station)、伺服器(server)、笔记型电脑(notebook)、个人数字助理(personal digital assistant,PDA)、智能型手机(smart phone)、平板电脑(tablet PC)等具有运算能力的电子装置,本公开并不在此限。在本实施例中,计算装置可执行以软件或固件形式来实作的程序码,进而执行本公开的扰动源定位方法,以从包括多个节点的***中定位扰动源。以下将搭配附图举实施例说明本公开的扰动源定位方法的详细流程。
图1绘示本公开一实施例的扰动源定位方法的流程图。
请参照图1,扰动源定位方法用于从***的多个节点中定位扰动源,其步骤包括S110至S140。步骤S110基于振荡特征将节点分为多个节点群组;之后,在步骤S120中,基于同调振荡成分的先后顺序建立节点群组的群间因果关系;接着,于步骤S130中基于群间因果关系从节点群组中挑选至少一候选群组;最后,在步骤S140中,在每一候选群组内定位出至少一扰动源节点。
在步骤S110中,计算装置会基于振荡特征将***的多个节点分为多个节点群组。具体而言,原始信号例如是来自节点在时域中的振荡信号,而振荡特征例如是原始信号中与振荡相关的特征,例如主要频率(main frequency)等,本公开不在此限。因此,计算装置例如会先收集***多个节点的多个原始信号,提取原始信号中与振荡相关的特征作为振荡特征,然后基于振荡特征来将节点进行分组,例如将原始信号中具有相同的主要频率的节点分至同一个节点群组等,本公开并不在此限。
图2绘示本公开一实施例的基于振荡特征将***的多个节点分为多个群组的流程图。
请参照图2,在一些实施例中,步骤S110包括步骤S111至步骤S115。首先,步骤S111取得节点的多个信号频谱,并在步骤S113中,提取各信号频谱的特征信息,最后在步骤S115中,基于特征信息将节点分为节点群组。
在步骤S111中,计算装置会取得***中多个节点的多个信号频谱。在一些实施例中,计算装置可以在收集了***多个节点的原始信号后,以傅立叶转换(FourierTransform)来将各个节点的原始信号(例如,时域信号)转换为信号频谱。然而,本公开并不限于此,所属领域普通技术人员当可依其需求来使用其他的转换方式来将原始信号转换为信号频谱。
在步骤S113中,计算装置会提取各个信号频谱的特征信息。在一些实施例中,计算装置可以利用线性降维(linear dimensionality reduction)或非线性降维(nonlineardimensionality reduction)的方式来提取各个信号频谱的特征信息。详细来说,线性降维例如包括主成分分析(Principle Component Analysis,PCA),而非线性降维例如包括核主成分分析(kernel PCA)、多维标度(Multi-Dimensional Scaling,MDS)、局部线性嵌入(Locally Linear Embedding,LLE)以及t分布随机近邻嵌入(t-distributed StochasticNeighbor Embedding,t-SNE)等,但本公开不限于此。值得一提的是,采用不同的方式来提取信号频谱时所得到的特征信息也会不同,因此本公开并不在此限制特征信息的具体内容。此外,所属领域普通技术人员当可从相关文献中取得关于上述各种线性降维与非线性降维方式的介绍,在此不再赘述。
取得信号频谱的特征信息后,在步骤S115中,计算装置会基于所取得的特征信息将***中的多个节点分为多个节点群组。在一些实施例中,基于特征信息,计算装置可以采用机器学***均(k-means)、K中心点(k-medoids)、模糊C均值(fuzzy c-means)演算法等,阶层式分群法例如包括聚合式(agglomerative)与***式(divisive)演算法等,以密度为基础的分群法例如包括具有噪声的基于密度的分群法(Density-Based Spatial Clustering ofApplications withNoise,DBSCAN)等,而网络分群法例如包括自我组织映射(Self-Organizing Map,SOM)等方法。然而,只要能够根据振荡特征或特征信息来将多个节点进行分组,本公开并不在此限制将节点进行分组时所采用的具体演算法。
值得一提的是,本公开并不在此限制多个节点群组的群组数量。在一些实施例中,群组数量例如可利用戴维森堡丁指数(Davies-Bouldin Index,DBI)来进行评估,但本公开不限于此。
请参照图1,在步骤S120中,计算装置会基于同调振荡成分的先后顺序建立多个节点群组的群间因果关系。具体而言,一个振荡成分例如是振荡信号中某一个频率的分量,同调振荡成分例如是两个振荡信号所共有的某一个频率的分量,而同调振荡成分的先后顺序则例如是两个振荡信号分别的两个同调振荡成分的发生时间顺序。因此,从同调振荡成分的先后顺序可以看出振荡的传递方向,而群间因果关系即是用以表示各个节点群组之间的振荡传递方向。
值得一提的是,由于同一个节点群组中的多个节点具有相同或类似的振荡特征或特征信息,因此计算装置会先基于每一个节点群组中的多个节点的多个原始信号,来产生每一个节点群组的代表信号,然后再依此代表信号来决定各个节点群组的振荡成分。在一些实施例中,计算装置例如会从节点群组中随机选出其中一个节点的振荡信号作为代表信号。在一些实施例中,计算装置例如会计算节点群组中所有节点的振荡信号的平均值作为代表信号。然而,本公开并不限于此。
举例而言,假设第一节点群组的代表信号OS(t)可表示为:
OS(t)=sin(2π×5×t)+sin(2π×12×t)+noise,
其中noise是用以表示噪声。由此可见,振荡信号OS(t)包括两个频率为5赫兹、12赫兹的两个振荡成分。假设第二节点群组的代表信号OS’(t)可表示为:
OS’(t)=sin(2π×5×(t-t0))+noise,
可见振荡信号OS’(t)也包括频率为5赫兹的振荡成分。因此,代表信号OS(t)与OS’(t)的同调振荡成分即是频率为5赫兹的振荡成分。
此外,由于第一节点群组的代表信号OS(t)中频率为5赫兹的振荡成分的发生时间早于(例如,早t0秒)第二节点群组的代表信号OS’(t)中频率为5赫兹的振荡成分。因此,第一节点群组与第二节点群组之间的振荡是由第一节点群组传向第二节点群组,而上述的振荡传递方向即为第一节点群组与第二节点群组之间的群间因果关系。在一些实施例中,由于***的振荡传递速度相当快,因此两个节点群组的两个同调振荡成分的发生时间差小于此同调振荡成分的半周期(以5赫兹的同调振荡成分为例,t-0<0.1秒),但本公开并不限于此。
图3绘示本公开一实施例的基于同调振荡成分的先后顺序建立多个节点群组的群间因果关系的流程图。
请参照图3,在一些实施例中,步骤S120包括步骤S121与步骤S123。步骤S121计算节点群组中两两之间的同调性(coherence),以找出至少一个相关群组对以及各相关群组对的同调振荡成分。接着,步骤S123计算每一相关群组对的交叉频谱(cross spectrum),以判断每一相关群组对中两个节点群组的同调振荡成分的先后顺序。
在步骤S121中,计算装置会计算多个节点群组中两两之间的同调性,以找出多个相关群组对以及各个相关群组对的同调振荡成分。一般来说,同调性又称作幅度平方相干性(Magnitude Squared Coherence,MSC)。在一些实施例中,计算装置例如可以根据每一个节点群组的代表信号来计算两两节点群组之间的同调性,并且设定阀值来判断及找出两两节点群组之间是否具有同调振荡成分。倘若两个节点群组之间存在同调振荡成分,则此两个节点群组为相关群组对,表示此两个节点群组之间存在群间因果关系。值得一提的,所属领域普通技术人员当可从相关文献中得知计算两个信号间同调性的方式,故在此不再赘述。
值得一提的是,本公开并不在此限制上述阀值的设定方式。在一些实施例中,计算装置例如会设定固定的阀值。在另一些实施例中,计算装置例如会根据其所计算的同调性来设定阀值。
图4绘示本公开一实施例的同调性的示意图。
请参照图4,计算装置在计算两个节点群组之间的同调性后,例如可得到图4所示的信息,其中包括每个频率成分的同调性(幅度平方相干性),而同调性是介于0和1之间。举例而言,计算装置设定阀值为0.9,若存在特定频率成分的同调性大于此阀值,则视为两个节点群组之间存在同调振荡成分,而此同调振荡成分即为上述的特定频率的振荡成分。以图4所示的信息为例,由于5赫兹的频率成分的同调性为1,表示两个节点群组之间存在同调振荡成分。换言之,此两个节点群组为相关群组对,并且分别具有5赫兹的振荡成分(即,同调振荡成分)。
请参照图3,在步骤S123中,计算装置会计算每一个相关群组对的交叉频谱,以判断每一个相关群组对中两个节点群组的同调振荡成分的先后顺序。具体而言,从两个信号的交叉频谱相位可以看出两个信号在每个频率成分的相位延迟,因此在步骤S121中找到两个节点群组的两个代表信号的同调振荡成分后,便能够从两个代表信号的交叉频谱中看出同调振荡成分的先后顺序。
图5绘示本公开一实施例的交叉频谱相位的示意图。
请参照图5,计算装置在计算一个相关群组对的交叉频谱后,例如可得到图5所示的信息,其中包括相关群组对中第一节点群组与第二节点群组的两个代表信号在每个频率成分的相位延迟,因此只要从中查找两个代表信号的同调振荡成分的相位延迟,便能够得知第一节点群组与第二节点群组的群间因果关系。举例来说,若相关群组对的第一节点群组与第二节点群组之间的同调振荡成分为5赫兹的振荡成分,则从图5中在5赫兹的振荡成分所对应的负值之交叉频谱相位可以看出,第一节点群组的代表信号中5赫兹的振荡成分是落后于第二节点群组的代表信号中5赫兹的振荡成分。因此,计算装置从交叉频谱中可以得知,振荡是从第二节点群组传递至第一节点群组。
请参照图1,在步骤S130中,计算装置会基于群间因果关系从多个节点群组中挑选出至少一个候选群组。具体来说,在建立了多个节点群组之间的群间因果关系后,便能够看出振荡是从哪些节点群组传递至哪些节点群组,因此也就能够判断哪些节点群组中可能存在扰动源,并且将可能存在扰动源的节点群组挑选为候选群组。
在一些实施例中,计算装置例如会基于群间因果关系,根据预设规则来从多个节点群组中挑选出至少一个候选群组。详细来说,上述的预设规则例如包括:若某个节点群组并未接收来自其他节点群组的振荡,则将此节点群组挑选为候选群组;以及若某个节点群组所输出的振荡频率数量大于其所接收的振荡频率数量,则将此节点群组挑选为候选群组。
更明确地说,若某个节点群组没有传递振荡至其他节点群组也没有从其他节点群组接收振荡,表示其与其他节点群组之间可能不存在上下游关系,故无法排除其中存在扰动源的可能性,因此将其挑选为候选群组;若某个节点群组只有传递振荡至其他节点群组但没有从其他节点群组接收振荡,表示其中的某个节点可能产生了振荡,因此将其挑选为候选群组;若某个节点群组所输出的振荡频率数量大于其所接收的振荡频率数量,则表示某些振荡频率可能是从此节点群组中产生的,因此将其挑选为候选群组。值得一提的是,在两个节点群组间的振荡传输方向可以从步骤S120中所建立的群间因果关系得知,而在两个节点群组间传输的振荡频率可以从此两个节点群组的同调振荡成分得知。
在步骤S140中,计算装置在每一个候选群组内定位出扰动源节点。具体来说,当候选群组内只包括一个节点时,则计算装置会将此节点定位为扰动源节点。另一方面,当候选群组内包括多个节点,则计算装置例如会对候选群组中的多个节点进行流程分析(processanalysis),以定位候选群组所包括的节点的其中之一为扰动源节点。在一些实施例中,计算装置例如会对候选群组中的多个节点进行以拓朴为基础(topology based)的流程分析方法,其中以拓朴为基础的流程分析方法例如包括格兰杰因果关系检验法(Grangercausality test)、熵转移法(transfer entropy)、贝氏网络法(Bayesian network)以及交互关联法(cross-correlation)等等,但本公开并不限于此。由于每一个候选群组中的节点数量远小于***中的总节点数量,因此对每一个候选群组进行流程分析的运算负担将远小于对整个***进行流程分析的运算负担。
在一些实施例中,计算装置也可例如是计算候选群组中两两节点的同调性以及交叉频谱,以找出候选群组中多个节点的振荡传递方向,并由此找出扰动源节点。值得一提的,由于利用同调性以及交叉频谱找出候选群组中多个节点的振荡传递方向也就找出了多个节点之间的因果关系,因此这样的方法也可以视为是以拓朴为基础的流程分析方法之一。
在一些实施例中,计算装置也可例如是综合上述多种流程分析方法来从候选群组中定位出扰动源节点。本公开并不在此限制从每一个候选群组中定位出扰动源节点的具体方法,所属领域普通技术人员当可依其需求来进行实作。
根据以上段落所介绍的扰动源定位方法的流程,计算装置能够从包括多个节点的***中定位出至少一个扰动源节点。以下将搭配附图来举例说明上述流程的具体作法。
图6绘示本公开一实施例的***的示意图。
请参照图6,***10例如包括多个节点N1至N7。举例而言,***10例如是工厂,而多个节点N1至N7例如是工厂中的多个控制回路。值得一提的是,为了说明上的简洁,本公开实施例是以7个节点作为范例来进行说明,但所属领域普通技术人员应当理解本公开并不限于上述范例,亦即,本公开并不限制***内的节点数量。
图7绘示本公开一实施例的原始信号的示意图;图8绘示本公开一实施例的信号频谱的示意图。
请参照图7与图8,计算装置会分别取得多个控制回路(即节点N1至N7)的原始信号R1至R7,并且以傅立叶转换来将原始信号R1至R7转换为信号频谱S1至S7。举例来说,各个节点N1至N7的原始信号R1至R7例如是工厂中每一个控制回路在每一个时间点的输出量,而原始信号R1至R7的振荡例如表示每一个控制回路的输出量随着时间而振荡,但本公开并不限于此。
图9绘示本公开一实施例的节点群组的分群结果示意图。
经由前述的分群过程,计算装置例如会使用主成分分析来提取信号频谱S1至S7的特征信息,并且以k-means演算法来根据信号频谱S1至S7的特征信息将节点N1至N7分为多个节点群组C1至C5。节点群组C1包括节点N1,从信号频谱S1可以看出原始信号R1包括频率为5赫兹与12赫兹的两个振荡成分。节点群组C2包括节点N3与节点N5,从信号频谱S3与信号频谱S5可以看出原始信号R3与原始信号R5皆包括频率为2赫兹的振荡成分。节点群组C3包括节点N7,从信号频谱S7可以看出原始信号R7包括频率为2赫兹、5赫兹、10赫兹与12赫兹的四个振荡成分。节点群组C4包括节点N4与节点N6,从信号频谱S4与信号频谱S6可以看出原始信号R4与原始信号R6皆包括频率为5赫兹、10赫兹与12赫兹的三个振荡成分。节点群组C5包括节点N2,从信号频谱S2可以看出原始信号R2包括频率为10赫兹的振荡成分。由此可知,属于同一个节点群组的节点具有相同频率的振荡成分。
在区分出五个节点群组C1至C5后,计算装置例如分别取原始信号S1作为节点群组C1的代表信号;取原始信号S3作为节点群组C2的代表信号;取原始信号S7作为节点群组C3的代表信号;取原始信号S4作为节点群组C4的代表信号;以及取原始信号S2作为节点群组C5的代表信号。
随后,计算装置例如会基于上述的代表信号来计算两两节点群组之间的同调性,以找出多个相关群组对以及各个相关群组对的同调振荡成分,然后计算每一个相关群组对的交叉频谱,以判断每一个相关群组对中同调振荡成分的先后顺序。上述的计算结果例如可以下表一来表示:
表一
以表一第一列第三栏的“@5Hz(+0.011)”来说,“@5Hz”例如是表示节点群组C1与节点群组C3之间具有5赫兹同调振荡成分,而“(+0.011)”中的正号例如表示节点群组C1的5赫兹的同调振荡成分是领先于节点群组C3的5赫兹的同调振荡成分,因此5赫兹的振荡是从节点群组C1传递至节点群组C3;以表一第四列第一栏的“@5Hz(-0.0047)”来说,“@5Hz”例如是表示节点群组C4与节点群组C1之间具有5赫兹同调振荡成分,而“(-0.0047)”中的负号例如表示节点群组C4的5赫兹的同调振荡成分是落后于节点群组C1的5赫兹的同调振荡成分,因此5赫兹的振荡是从节点群组C1传递至节点群组C4,以此类推。
图10绘示本公开一实施例的群间因果关系的示意图。
根据上述表一所示的计算结果,计算装置例如可以建立出如图10所示的群间因果关系,其中箭头例如是用以表示振荡传递方向。根据图10所示的群间因果关系,计算装置例如会根据前述段落所介绍的预设规则来从节点群组C1至节点群组C5中选出至少一个候选群组。
请参照图10,由于节点群组C1、节点群组C2与节点群组C5皆符合“某个节点群组并未接收来自其他节点群组的振荡,则将此节点群组挑选为候选群组”的条件。因此,计算装置会选择节点群组C1、节点群组C2与节点群组C5作为候选群组。
最后,计算装置会分别从节点群组C1、节点群组C2与节点群组C5中定位一个扰动源节点。由于节点群组C1与节点群组C5都只包括一个节点,因此计算装置会直接将节点群组C1中的节点N1以及节点群组C5中的节点N2定位为扰动源节点。另一方面,计算装置例如采用格兰杰因果关系检验法来建立节点群组C2中的节点N3与节点N5之间的拓扑关系,并据以将节点N3定位为扰动源节点。
据此,计算装置便会从***10的七个节点N1至N7中定位出三个节点N1、N2、N3作为可能的扰动源。举例而言,计算装置利用本公开实施例所提出的方法定位出工厂中的三个控制回路(即,三个节点N1、N2、N3)为可能的扰动源。如此一来,操作人员可以仅针对计算装置所定位出的三个设备进行检测,以找出实际的扰动源并进行对应的处理,节省了大量的人力与时间。
值得一提的是,上述的实施例仅是示范性的对本公开所提出的扰动源定位方法进行说明,而本公开并不限于上述实施例的内容。
综上所述,本公开实施例所提出的扰动源定位方法,先将***中的多个节点依其振荡特征进行分群,根据两两群组的同调振荡成分的先后顺序来建立各个群组间的因果关系,进而识别出可能包括扰动根源的候选群组。随后,再针对每一个候选群组来识别出群内的扰动源节点。据此,可以识别出***中的多个扰动源。此外,当***庞大时也能够减少运算的复杂度,并且有效的降低检测振荡扰动根源所需的人力与时间。
虽然本公开已以实施例公开如上,但其并非用以限定本公开,任何所属技术领域中普通技术人员,在不脱离本公开的精神和范围内,可作些许的更动与润饰,故本公开的保护范围当以权利要求范围为准。
Claims (8)
1.一种扰动源定位方法,用于从***的多个节点中定位扰动源,所述扰动源定位方法包括:
基于振荡特征将该些节点分为多个节点群组,其中基于该振荡特征将该些节点分为该些节点群组的步骤包括:
取得该些节点的多个信号频谱;
提取各该信号频谱的特征信息;以及
基于该特征信息将该些节点分为该些节点群组;
基于同调振荡成分的先后顺序建立该些节点群组的群间因果关系,其中基于该振荡成分的该先后顺序建立该些节点群组的该群间因果关系的步骤包括:
计算该些节点群组中两两之间的同调性(coherence),以找出至少一相关群组对以及各该至少一相关群组对的该同调振荡成分;以及
计算每一该至少一相关群组对的交叉频谱(cross spectrum),以判断每一该至少一相关群组对中的该些节点群组的该同调振荡成分的该先后顺序;
基于该群间因果关系从该些节点群组中挑选至少一候选群组;以及
在每一该候选群组内定位出至少一扰动源节点。
2.如权利要求1所述的扰动源定位方法,其中取得该些节点的该些信号频谱的步骤包括:
收集该些节点的多笔原始信号,其中该些原始信号为时域信号;以及
将该些原始信号转换为该些信号频谱。
3.如权利要求1所述的扰动源定位方法,其中提取各该信号频谱的该特征信息的步骤包括:
利用线性降维(linear dimensionality reduction)或非线性降维(nonlineardimensionality reduction)来提取各该信号频谱的该特征信息。
4.如权利要求1所述的扰动源定位方法,其中基于该特征信息将该些节点分为该些节点群组的步骤包括:
基于该特征信息利用机器学习法(machine learning)将该些节点分为该些节点群组。
5.如权利要求1所述的扰动源定位方法,其中基于该同调振荡成分的该先后顺序建立该些节点群组的该群间因果关系的步骤包括:
基于每一该节点群组中该些节点的多个原始信号,产生每一该节点群组的代表信号。
6.如权利要求1所述的扰动源定位方法,其中基于该群间因果关系从该些节点群组中挑选该至少一候选群组的步骤包括:
基于该群间因果关系,根据预设规则从该些节点群组中挑选该至少一候选群组,其中该预设规则包括:
若该些节点群组的其中之一并未接收来自其他节点群组的振荡,则将该些节点群组的该其中之一挑选为该候选群组;以及
若该些节点群组的其中之一所输出的振荡频率数量大于其所接收的振荡频率数量,则将该些节点群组的该其中之一挑选为该候选群组。
7.如权利要求1所述的扰动源定位方法,其中在每一该候选群组内定位出该至少一扰动源节点的步骤包括:
若该候选群组中包括单一个节点,则将该候选群组所包括的该节点定位为该至少一扰动源节点;以及
若该候选群组中包括多个节点,则对该候选群组所包括的该些节点进行一流程分析,以定位该候选群组所包括的该些节点的其中之一为该至少一扰动源节点。
8.如权利要求7所述的扰动源定位方法,其中该流程分析包括以拓朴为基础(topology-based)的流程分析。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW107137239A TWI686615B (zh) | 2018-10-22 | 2018-10-22 | 擾動源定位方法 |
TW107137239 | 2018-10-22 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111077404A CN111077404A (zh) | 2020-04-28 |
CN111077404B true CN111077404B (zh) | 2022-10-04 |
Family
ID=70280550
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811492521.8A Active CN111077404B (zh) | 2018-10-22 | 2018-12-07 | 扰动源定位方法 |
Country Status (3)
Country | Link |
---|---|
US (1) | US11340601B2 (zh) |
CN (1) | CN111077404B (zh) |
TW (1) | TWI686615B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI686615B (zh) | 2018-10-22 | 2020-03-01 | 財團法人工業技術研究院 | 擾動源定位方法 |
CN115015697B (zh) * | 2022-08-09 | 2022-10-11 | 中国电力科学研究院有限公司 | 一种新能源的宽频振荡扰动源定位方法及*** |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102411118A (zh) * | 2011-12-01 | 2012-04-11 | 武汉华中电力电网技术有限公司 | 一种区域互联电网强迫功率振荡扰动源位置判断方法 |
CN102520708A (zh) * | 2011-10-16 | 2012-06-27 | 华东理工大学 | 一种新型过程工业多回路振荡的波动源定位方法 |
Family Cites Families (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5719788A (en) * | 1995-04-18 | 1998-02-17 | The Regents Of The University Of California | Automatic detection of excessively oscillatory feedback control loops. |
US5768121A (en) * | 1995-05-24 | 1998-06-16 | Johnson Service Company | Adaptive flow controller for use with a flow control system |
US8509926B2 (en) * | 2005-12-05 | 2013-08-13 | Fisher-Rosemount Systems, Inc. | Self-diagnostic process control loop for a process plant |
US20080167842A1 (en) | 2007-01-04 | 2008-07-10 | Honeywell International Inc. | Method and system for detecting, analyzing and subsequently recognizing abnormal events |
US8046090B2 (en) | 2007-01-31 | 2011-10-25 | Honeywell International Inc. | Apparatus and method for automated closed-loop identification of an industrial process in a process control system |
JP4450029B2 (ja) * | 2007-07-24 | 2010-04-14 | セイコーエプソン株式会社 | 発振駆動回路、発振駆動装置、物理量測定回路、物理量測定装置および電子機器 |
WO2013041440A1 (en) | 2011-09-20 | 2013-03-28 | Abb Technology Ag | System and method for plant wide asset management |
CN102944798B (zh) * | 2012-11-29 | 2015-05-20 | 武汉华中电力电网技术有限公司 | 一种负阻尼低频振荡与强迫功率振荡判别方法 |
US10282676B2 (en) | 2014-10-06 | 2019-05-07 | Fisher-Rosemount Systems, Inc. | Automatic signal processing-based learning in a process plant |
CN103178519B (zh) | 2013-03-06 | 2015-09-30 | 中国南方电网有限责任公司 | 基于scada数据实时定位电力***功率振荡扰动源的方法 |
CN103913632B (zh) * | 2013-12-26 | 2016-10-05 | 南方电网科学研究院有限责任公司 | 一种基于振荡分量功率方向的低频同步振荡源识别方法 |
CN104269866B (zh) * | 2014-06-19 | 2016-09-07 | 国网宁夏电力公司 | 基于起振特性的强迫振荡扰动源识别和解列方法 |
WO2016138750A1 (zh) * | 2015-03-04 | 2016-09-09 | 江苏省电力公司常州供电公司 | 一种电能质量扰动源定位***及定位方法 |
CN105119286B (zh) * | 2015-10-08 | 2017-05-17 | 南京南瑞继保电气有限公司 | 一种次同步振荡源定位方法及装置 |
CN105738772A (zh) * | 2016-04-18 | 2016-07-06 | 东南大学 | 基于功率及频率波动相位的强迫扰动源定位方法 |
TWI608365B (zh) * | 2016-09-23 | 2017-12-11 | 財團法人工業技術研究院 | 擾動源追溯方法 |
US10739396B2 (en) * | 2016-10-03 | 2020-08-11 | General Electric Technology Gmbh | Enhanced disturbance management of a power grid system |
CN106340889B (zh) * | 2016-10-11 | 2018-10-23 | 河海大学 | 基于起振分析的振荡甄别与扰动源定位方法 |
CN106647691B (zh) | 2016-11-08 | 2022-04-15 | 浙江大学 | 一种工业过程多回路振荡提取与检测方法 |
TWI686615B (zh) | 2018-10-22 | 2020-03-01 | 財團法人工業技術研究院 | 擾動源定位方法 |
-
2018
- 2018-10-22 TW TW107137239A patent/TWI686615B/zh active
- 2018-12-07 CN CN201811492521.8A patent/CN111077404B/zh active Active
-
2019
- 2019-10-02 US US16/590,385 patent/US11340601B2/en active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102520708A (zh) * | 2011-10-16 | 2012-06-27 | 华东理工大学 | 一种新型过程工业多回路振荡的波动源定位方法 |
CN102411118A (zh) * | 2011-12-01 | 2012-04-11 | 武汉华中电力电网技术有限公司 | 一种区域互联电网强迫功率振荡扰动源位置判断方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111077404A (zh) | 2020-04-28 |
US20200125082A1 (en) | 2020-04-23 |
TW202016560A (zh) | 2020-05-01 |
US11340601B2 (en) | 2022-05-24 |
TWI686615B (zh) | 2020-03-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Talagala et al. | Meta-learning how to forecast time series | |
JP7353238B2 (ja) | 高次元センサデータにおける異常事象の自動化された根本原因分析を実行する方法及びシステム | |
CN111077404B (zh) | 扰动源定位方法 | |
Wang et al. | Fault detection and identification using a Kullback-Leibler divergence based multi-block principal component analysis and Bayesian inference | |
Tang et al. | A distributed and scalable approach to semi-intrusive load monitoring | |
JP2015109028A (ja) | データ関連性解析システムおよび方法 | |
Tang et al. | Online coherency analysis of synchronous generators in a power system | |
US20160282821A1 (en) | Management of complex physical systems using time series segmentation to determine behavior switching | |
Han et al. | Generating uncertain networks based on historical network snapshots | |
Rizvi et al. | Synchrophasor based ZIP parameters tracking using ML with adaptive window and data anomalies | |
Xu et al. | An improved SMURF scheme for cleaning RFID data | |
US10320636B2 (en) | State information completion using context graphs | |
JP6615892B2 (ja) | 物理システムの経時変化プロファイリングエンジン | |
US11636377B1 (en) | Artificial intelligence system incorporating automatic model updates based on change point detection using time series decomposing and clustering | |
TW202122943A (zh) | 擾動源定位方法 | |
CN115664976A (zh) | 一种基于网络广义能量和信息熵的关键节点识别方法 | |
GB2587767A (en) | Network performance assessment without topological information | |
Wu et al. | Mining geographic episode association patterns of abnormal events in global earth science data | |
Saxena et al. | Degree ranking using local information | |
Asmai et al. | An intelligent crisis-mapping framework for flood prediction | |
Georgoulas et al. | Random hyperplane projection using derived dimensions | |
Zhuo et al. | F-measure: A forecasting-led time series distance measure in large-scale forecasting of video services performance | |
Rodrigues et al. | L2GClust: Local-to-global clustering of stream sources | |
Bai et al. | Cost-effective synchrophasor data source authentication based on multiscale adaptive coupling correlation detrended analysis | |
JP2019091354A (ja) | 抽出装置、抽出方法、及び抽出プログラム |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |