CN111080074B - 基于网络多特征关联的***服役安全态势要素获取方法 - Google Patents

基于网络多特征关联的***服役安全态势要素获取方法 Download PDF

Info

Publication number
CN111080074B
CN111080074B CN201911151341.8A CN201911151341A CN111080074B CN 111080074 B CN111080074 B CN 111080074B CN 201911151341 A CN201911151341 A CN 201911151341A CN 111080074 B CN111080074 B CN 111080074B
Authority
CN
China
Prior art keywords
network
situation
service
node
nodes
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
Application number
CN201911151341.8A
Other languages
English (en)
Other versions
CN111080074A (zh
Inventor
谢军太
高建民
高智勇
陈琨
王荣喜
王伟
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Xian Jiaotong University
Original Assignee
Xian Jiaotong University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Xian Jiaotong University filed Critical Xian Jiaotong University
Priority to CN201911151341.8A priority Critical patent/CN111080074B/zh
Publication of CN111080074A publication Critical patent/CN111080074A/zh
Application granted granted Critical
Publication of CN111080074B publication Critical patent/CN111080074B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0633—Workflow analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0635—Risk analysis of enterprise or organisation activities
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]

Landscapes

  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Engineering & Computer Science (AREA)
  • Strategic Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Economics (AREA)
  • Operations Research (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Marketing (AREA)
  • Educational Administration (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Testing And Monitoring For Control Systems (AREA)
  • Alarm Systems (AREA)

Abstract

本发明公开了基于网络多特征关联的***服役安全态势要素获取方法，属于复杂机电***服役安全分析领域，首先利用表征网络节点特征的点强度和最短路径长度等提取***的局部态势特征；在此基础上利用与其节点特征紧密关联的网络结构熵，网络效率等网络多维特征的定量描述用于实际复杂机电***服役安全的全局态势特征提取；最后，依据特征异常信息，利用多维特征的关联性和互补性，进行反向推理获取影响***安全服役的态势要素，包括***风险节点和风险路径等，形成清晰展现***服役安全态势的风险传递网络，为***的服役安全管控提供决策依据。

Description

基于网络多特征关联的***服役安全态势要素获取方法
技术领域
本发明涉及复杂机电***服役安全分析领域，具体涉及基于网络多特征关联的***服役安全态势要素获取方法。
背景技术
流程工业生产***含有多道工序和复杂加工单元，产品的生产需要经过多次的化学反应和物理处理过程才能完成，生产装置庞大复杂，而且需要各种辅助***，生产过程通过各种控制器、塔、槽、罐、泵等以管道或电路相通，中间经过了物质、能量和信息的交换，各变量间以复杂的方式耦合，形成了一类具有复杂结构和功能的复杂机电***。由于流程工业生产***的复杂性，导致***及子***的故障可能从低层次***故障向较高层次***进行纵向传播，也可以通过同一层次不同子***间的耦合作用进行横向传播。现代流程工业生产***日趋大型化和复杂化，进一步加剧了***服役风险和故障隐患的检测和辨识难度，因此，通过有效的决策模型从不精确的、多源异类信息中获取影响***安全服役的关键因素，对流程工业复杂机电***服役安全管控显得尤为重要。***服役安全态势要素提取是通过对***产生的各类数据进行处理，发现***的异常信息，并由此推理得到影响***安全的关键要素。由于态势要素提取所依赖的基础数据往往具有高维、海量、冗余和强噪声的特点，这对态势要素提取方法提出了很大的挑战，态势要素提取质量不好，往往会对***决策产生直接的影响，影响态势评估和预测结果的准确度。因此，为了增强态势要素的提取能力，亟需研究更为精确的***服役安全态势要素提取方法。在复杂机电***态势要素提取方面，郭忠文等针对网络安全态势感知中态势要素获取困难问题，给出一种基于粒子群优化的网络安全态势要素获取模型。李方伟等针对无线传感器网络中感知节点处理能力较差，获取网络安全态势要素困难的问题，提出一种基于增强型概率神经网络的层次化框架态势要素方法。朱江等针对大规模网络态势要素获取时间复杂度较高和攻击样本不平衡导致小类样本分类精度不高的问题，提出了一种基于深度自编码网络的态势要素获取机制。赵冬梅等为了提高网络安全态势要素提取的质量与效率，提出一种基于并行约简的网络安全态势要素提取方法。易飞等针对网络安全态势要素提取不全面和不准确问题，提出一种基于遗传进化算法的进化神经网络模型的网络安全态势要素提取方法。这些研究针对于计算机网络安全等研究对象进行研究，取得了较好的研究成果，但是关于复杂机电***的态势要素提取的研究尚属起步阶段，相关研究方法还是比较匮乏，尚未有效方法解决关于复杂机电***的态势要素提取问题。
发明内容
本发明的目的在于提供基于网络多特征关联的***服役安全态势要素获取方法，针对复杂机电***服役安全态势要素提取的难点问题，应用***多维特征之间的本质关联性及其推理实现了***服役安全态势要素提取。
为达到上述目的，本发明采用如下技术方案：
基于网络多特征关联的***服役安全态势要素获取方法，包括以下步骤：
步骤1)、选取需要分析的复杂机电***的监测目标的变量集，通过需要分析的复杂机电***的DCS监测***从变量集中获取复杂机电***样本的多维监测序列；
步骤2)、以多维监测序列中的监测变量为节点、有向耦合关系为边、有向耦合系数的大小为边的权重建立能够表征***底层交互动态的有向加权网络模型；
步骤3)、通过有向加权网络模型的网络节点的多维特征的描述方法提取复杂机电***的局部态势特征；
步骤4)、通过有向加权网络模型的网络整体特征的描述方法提取复杂机电***的全局态势特征；
步骤5)、从有向加权网络模型中获取多维态势特征，应用可拓距离方法，计算获取的多维态势特征与复杂机电***正常服役安全特征空间的可拓距离，形成反映复杂机电***当前服役安全态势的监测曲线，通过多维态势特征可拓转化曲线的变动情况对***的服役安全态势的局部和全局态势特征同时开展多维度监测；
步骤6)、选择监测中异常窗口附近的窗口作为进一步分析的对象，建立***服役安全态势特征与***异常或故障风险节点及其传播路径之间的映射关系，通过服役安全态势特征映射异常节点及其传播路径。
进一步的，多维监测序列采样频率需要依据采样成本和监测精度进行设定，并设定样本的长度，从***运行过程历史数据中获取监测数据集。
进一步的，步骤3)中的网络节点的多维特征包括点强度及强度分布、节点之间的最短路径长度以及节点聚类系数。
进一步的，对于有向加权网络中节点i的点强度包括入强度
Figure GDA0002362932560000031
和出强度
Figure GDA0002362932560000032
其定义如下：
Figure GDA0002362932560000033
Figure GDA0002362932560000034
入强度
Figure GDA0002362932560000041
表示与节点i连接的边指向节点i的权重之和，出强度
Figure GDA0002362932560000042
是指节点i指向与节点i连接节点的边的权重之和，wij是从节点i到节点j的权重；有向加权网络的点强度为：
Figure GDA0002362932560000043
节点强度Si是指与节点i连接的边的权重之和，aij为节点i和节点j之间的邻接矩阵。
进一步的，对局部态势特征提取方法，包括以下步骤：
(1)基于点强度的***服役安全态势局部特征提取，对***不同服役状态下的有向加权网络，分别计算其每个节点的点强度特征均值，并将其标准差标注在柱状图上部反映***局部态势特征；
(2)基于最短路径长度的压缩机组服役安全态势特征提取，选择点强度值较大的节点作为源节点，其他节点作为目标节点，计算其最短路径长度的变化情况进行***局部特征提取。
进一步的，步骤4)中的网络整体特征包括网络结构熵NSEn和网络效率NEff。
进一步的，对于***服役安全的全局态势特征提取方法，包括以下两个步骤：
(1)利用网络结构熵NSEn计算公式和网络效率NEff计算公式分别得到***不同服役状态下的网络特征提取曲线；
(2)通过***处于正常状态时的***NSEn特征和***NEff特征，分别提取其阈值范围，作为***服役异常的判别依据；
(3)通过***处于故障状态下的***NSEn特征和***NEff特征，分别比较不同故障在***服役演化过程中的差异，进而提取***服役安全态势特征。
进一步的，网络结构熵NSEn为网络整体的特征描述方法，当网络为纯规则网络时Ii＝1/N,(i＝1,2,…,N)，E达到最大值Emax＝log2N；当网络为星形网络时，E达到的最小值Emin＝[log24(N-1)]/2；
将网络结构熵NSEn归一化表示为标准网络结构熵
Figure GDA0002362932560000051
则该值
Figure GDA0002362932560000052
其表达式为：
Figure GDA0002362932560000053
节点的重要度Ii和网络结构熵E的计算公式分别如下式所示：
Figure GDA0002362932560000054
Figure GDA0002362932560000055
式中：si——第i个节点的点强度；sk——每一节点处的点强度。
进一步的，网络效率NEff用来衡量网络节点之间的交互效率，对于基于多变量耦合关系所建立的有向加权网络来说，其效率E(G)表达式为：
Figure GDA0002362932560000056
dij为节点i到节点j的之间的距离；dij为从节点j到节点i之间的距离，w为节点之间的连接权重，N为有向加权网络中所包含变量的个数，G代表有向加权网络。
进一步的，从***网络模型中提取多维态势特征集合Fnet＝{f1,f2,…,fi,…,fn}；fi是网络节点多维特征中的某一态势特征；通过计算当前***态势特征fi超出***安全服役的态势特征阈值空间的比例，即相对可拓距离，从而可以确定***当前服役安全异常度指标，如下式所示：
Figure GDA0002362932560000061
式中：Ai——***第i维态势特征的转换后的异常度；Vi——与之相应特征的安全阈值区间。
与现有技术相比，本发明具有以下有益的技术效果：
本发明基于多特征关联的***服役安全态势要素提取方法，针对复杂机电***服役安全态势要素提取的难点问题，应用***多维特征之间的本质关联性及其推理实现了***服役安全态势要素提取，首先，将网络点强度和最短路径长度用于提取反映***服役安全的局部态势特征，并通过网络结构熵和网络效率的网络整体参数实现***服役安全的全局态势特征提取，实现***服役安全态势的多维特征描述；其次，从多维特征之间的本质关联性和互补性出发，通过多维态势特征与之相应的服役安全阈值之间的相对可拓距离转化，形成反映***局部异常和全局异常的***多维实时异常检测；并通过***多维异常检测结果之间的关联推理，提取反映***态势要素构成的风险传递网络，为复杂机电***运行决策提供全面的信息，从而为实现***服役安全的精准管控提供可靠依据。
进一步的，本方法能够可靠的提取反映***整体服役动态演化过程的***异常或风险传递网络。
进一步的，网络节点强度同时考虑节点之间的连接以及它们之间的权重，是节点近邻连接和权重的综合度量，将网络结构熵NSEn归一化表示，消除节点数目对网络结构熵的影响。
附图说明
图1为复杂机电***的服役安全态势要素提取流程图。
图2为***不同服役状态下的各节点的点强度对比图。
图3为***不同服役状态下的各节点之间的最大权重路径对比图，图3a、图3b、图3c和图3d分别为窗口1、窗口30、窗口60、窗口90获取的***不同服役状态下各节点对之间的最大权重路径长度。
图4为***网络结构熵NSEn特征曲线图。
图5为***网络效率NEff特征曲线曲线图。
图6为不同特征下压缩机组服役安全态势特征的异常度对比图。
图7为基于节点点强度测度的***异常风险节点数目变化趋势图。
图8为基于最大权重路径长度测度的***异常风险路径数目变化趋势图。
图9为不同滑动窗口下的***风险节点异常演化过程图，图9a、图9b、图9c、图9d分别为滑动窗口14、滑动窗口15、滑动窗口16、滑动窗口17下的***风险节点异常图。
图10为不同滑动窗口下***服役异常风险路径的演化过程图，图10a、图10b、图10c、图10d分别为滑动窗口14、滑动窗口15、滑动窗口16、滑动窗口17下***服役异常风险路径图。
图11为不同窗口***的服役异常风险传递网络推理图，图11a、图11b、图11c、图11d分别为窗口14、窗口15、窗口16、窗口17下***的服役异常风险传递网络图。
具体实施方式
下面结合附图对本发明做进一步详细描述：
本发明基于网络多特征关联的***服役安全态势要素获取方法，该方法首先将用于复杂机电***服役交互网络的节点(或局部)特征提取，节点(或局部)特征包括点强度(Strength，S)及其分布和网络最短路径长度(Shortest Path Length，SPL)；在此基础上利用与其节点特征紧密关联的网络多维特征的定量描述(网络结构熵(Network StructureEntropy，NSEn)和网络效率(Network Efficiency，NEff))用于实际复杂机电***服役安全的全局态势特征提取，并通过网络拓扑多维特征之间的本质关联性及其推理，获取引发态势事件的关键要素，该方法实现了从整体和局部之间的联动关系中形成对态势事件完整认识，从而以更好的辅助***进行科学调度和维修决策。
基于多特征关联的***服役安全态势要素提取方法，具体包括以下步骤：
步骤1)、选取需要分析的复杂机电***的监测目标的变量集，通过需要分析的复杂机电***的DCS监测***从变量集中获取复杂机电***样本的多维监测序列；
步骤2)、以多维监测序列中的监测变量为节点、有向耦合关系为边、有向耦合系数的大小为边的权重建立能够表征***底层交互动态的有向加权网络模型；
步骤3)、通过有向加权网络模型的网络节点的多维特征的描述方法提取***的局部态势特征；
步骤4)、通过有向加权网络模型的网络整体特征描述方法提取***的全局态势特征；
步骤5)、从有向加权网络模型中获取多维态势特征，应用可拓距离方法，计算获取的多维态势特征与复杂机电***正常服役安全特征空间的可拓距离，形成反映复杂机电***当前服役安全态势的监测曲线，通过多维态势特征可拓转化曲线的变动情况对***的服役安全态势的局部和全局态势特征同时开展多维度监测；
步骤6)、选择监测中异常窗口附近的窗口作为进一步分析的对象，建立***服役安全态势特征与***异常或故障风险节点及其传播路径之间的映射关系，通过服役安全态势特征映射异常节点及其传播路径。
多维监测序列采样频率需要依据采样成本和监测精度进行设定，并设定样本的长度，从***运行过程历史数据中获取监测数据集。
对于能够表征***底层交互动态的有向加权网络模型的构建，需要利用***监测变量的正常数据和***不同故障状态下的数据分别构建信息传递网络模型。
对***服役安全的局部态势特征提取方法，主要包括以下步骤：
(1)基于点强度的***服役安全态势局部特征提取，对***不同服役状态下的有向加权网络，分别计算其每个节点的点强度特征均值，并将其标准差标注在柱状图上部反映***局部态势特征；
(2)基于最短路径长度的压缩机组服役安全态势特征提取，选择点强度值较大的节点作为源节点，其他节点作为目标节点，计算其最短路径长度的变化情况，用该特征进行***局部特征提取。
对***服役安全的全局态势特征提取方法，主要包括以下步骤：
(1)利用网络结构熵NSEn计算公式和网络效率NEff计算公式分别得到***不同服役状态下的网络特征提取曲线；
(2)通过***处于正常状态时的***NSEn特征和***NEff特征，分别提取其阈值范围，作为***服役异常的判别依据；
(3)通过***处于故障状态下的***NSEn特征和***NEff特征，分别比较不同故障在***服役演化过程中的差异，进而提取***服役安全态势特征。
从***网络模型中提取多维态势特征集合Fnet＝{f1,f2,…,fi,…,fn}中，fi可以是***节点多维特征中的某一维特征，这些网络特征都可以作为***服役安全态势的某一统计维度的特征参数，其特征值的度量空间可能存在差异性，必须在其服役安全特征阈值的基础上，进行适当的转化才能使得各个指标之间具有可比性。
计算当前***态势特征fi超出***安全服役的态势特征阈值空间的比例，即相对可拓距离，从而可以确定***当前服役安全异常度指标，如下式所示：
Figure GDA0002362932560000101
式中：Ai——***第i维态势特征的转换后的异常度；Vi——与之相应特征的安全阈值区间。
转化后的特征可以从不同维度定量表达态势事件引起***节点或***整体的异常程度。据此不仅可以评价不同维度下的态势特征对故障敏感表征能力，而且也可以在同一维度下针对不同故障严重程度进行对比，进而为***服役安全态势要素提取提供可靠依据。
本发明基于多特征关联的***服役安全态势要素提取方法，针对复杂机电***服役安全态势要素提取的难点问题，应用***多维特征之间的本质关联性及其推理实现了***服役安全态势要素提取。首先，将网络点强度、最短路径长度等用于提取反映***服役安全的局部态势特征，并通过网络结构熵、网络效率等网络整体参数用于***服役安全的全局态势特征提取，实现***服役安全态势的多维特征描述；其次，从多维特征之间的本质关联性和互补性出发，通过多维态势特征与之相应的服役安全阈值之间的相对可拓距离转化，形成反映***局部异常和全局异常的***多维实时异常检测；并通过***多维异常检测结果之间的关联推理，提取反映***态势要素构成的风险传递网络。
进一步的，通过应用某化工企业压缩机组的实际服役监测数据对该方法进行验证表明，本方法可以较为可靠的提取反映***整体服役动态演化过程的***异常或风险传递网络，为复杂机电***运行决策提供全面的信息，从而为实现***服役安全的精准管控提供可靠依据。
实施例：
实例选择表1中与汽轮机故障具有明确关系社团中的18个监测变量作为***网络建模的基础。本实例所选用的数据集来源于企业DCS***监控数据集，该***的采样频率为1/60HZ。本实例选择压缩机组汽轮机从正常服役到异常、故障和停车前等不同阶段连续5个月采集的样本对本方法进行验证：
步骤一：基于点强度和最大权重路径***服役安全的局部态势特征提取
对***不同服役状态下的有向加权网络，分别计算其每个节点的点强度特征均值，并将其标准差标注在柱状图上部反映***局部态势特征；选择点强度值较大的节点作为源节点，其他节点作为目标节点，计算其最短路径长度的变化情况，用该特征进行***局部特征提取。
步骤二：基NSEn和NEff的***服役安全的全局态势特征提取
利用网络结构熵NSEn计算公式和网络效率NEff计算公式分别得到***不同服役状态下的网络特征提取曲线；通过***处于正常状态时的***NSEn特征和***NEff特征，分别提取其阈值范围，作为***服役异常的判别依据；通过***处于故障状态下的***NSEn特征和***NEff特征，分别比较不同故障在***服役演化过程中的差异，进而提取***服役安全态势特征。
步骤三：***发生异常风险节点及风险路径统计
根据提取的***点强度和最短路径长度特征，对***异常风险点和风险路径数目进行统计。通过观察***在不同滑动窗口下的风险点演化过程，结合异常出现的时间，对***风险节点和风险路径的搜索。
步骤四：***服役安全态势要素的提取
应用可拓距离方法，计算当前态势多维特征值与相应的***正常服役安全特征空间的可拓距离，据此形成反映***当前服役安全态势的监测曲线，通过多维态势特征可拓转化曲线的变动情况对***的服役安全态势的局部和全局态势特征同时开展多维度监测。选择异常窗口附近的窗口作为进一步分析的对象，建立***服役安全态势特征与***异常或故障风险节点及其传播路径之间的映射关系，通过态势特征进一步反向推理获取异常节点及其传播路径。
1.***故障描述和特征变量的选择
为了对方法的有效性进行验证，此处以汽轮机热阱换热器结垢故障对发明所述的态势特征提取方法进行验证和说明。该事故为压缩机组汽轮机冷凝器结垢，主要原因是***在连续服役过程中，汽轮机出口冷凝器结垢，导致其换热性能下降，最为显著的特征是汽轮机出口压力升高，冷凝器的液位控制频繁。这一事件严重时将危及机组的整体运行安全。
本实例中所用到的变量及其描述见表1。所选的变量及其说明来看，实例中所用的变量既包括工艺变量也包括设备监测量，这是因为设备监测量与工艺变量之间往往存在一定的关联性，工艺变量可以在一定程度上反映设备的服役状态，设备监测变量也在一定程度可以反映工艺的调整和波动情况，这样的变量选择构成较为全面，对于分析***服役异常或故障的产生机理具有一定的优势。
表1压缩机组汽轮机所在社团的监测变量
Figure GDA0002362932560000131
2.基于点强度和最大权重路径***服役安全的局部态势特征提取
此处利用压缩机组汽轮机在正常和异常服役阶段的监测数据构建***交互网络模型，分别获取机组在整个服役过程中的局部态势特征变化，***处于不同服役状态(以滑动窗口1，30，60，90为例，滑动窗口1为正常状态)的点强度和最大权重路径分别如图2和图3所示。
图2所示的不同服役状态下各节点的点强度对比来看，***同一状态下的各节点的点强度差异性较大，表明***不同节点对***的重要性是不一致的；从不同窗口下获取的代表***不同服役状态下的点强度的对比来看，各状态下***同一节点处点强度相差很大。而且与窗口1所示的***服役正常状态相比，***处于不同异常程度时各状态的其大部分节点的点强度S值均有减小的趋势，表明随着***服役性能的下降，各节点处的信息传递总体处于减弱的状态，***出现事故的可能性增加。
图3所示的***在不同服役状态下***不同节点对之间的最大权重路径长度对比来看，同一状态下的各节点之间的信息传递效率的差异性较大，表明***不同节点对之间所反映***的信息传递效率是不一致的；图3a、图3b、图3c和图3d分别为窗口1、窗口30、窗口60、窗口90获取的***不同服役状态下各节点对之间的最大权重路径长度，由图3a、图3b、图3c和图3d的对比来看，各状态下***同一对节点之间的最大权重路径长度差异性较为明显。而且与窗口1所示的***服役正常状态相比，***处于不同故障程度时各状态的其大部分节点的最大权重路径长度均有减小的趋势，表明随着***服役故障程度的加深，各节点对之间的效率总体处于减弱的状态，***出现事故的可能性增加。
3.基NSEn和NEff的***服役安全的全局态势特征提取
利用压缩机组在正常和异常服役阶段的监测数据构建***网络模型，分别获取机组在整个服役过程中的全局态势特征，包括网络结构熵NSEn特征和网络效率NEff特征，分别如图4和图5所示。
图4和图5所示的***网络演化特征NSEn和NEff特征曲线的基本趋势具有一定的一致性，表明这两种特征在***服役安全态势表征方面具有有效性和内在关联性。将这两种特征曲线利用正常样本获取相应的特征阈值区间，通过式(11)进行相对可拓距离转化，两种特征作进一步比较如图6所示。
Figure GDA0002362932560000141
从图6所示的两条特征转化曲线的局部细节来看，两种特征具有较大差异性，表明两种特征单独用于表征***服役状态演化过程存在局限性和不完整性。故需要利用多维特征之间的关联性和互补性，对复杂机电***的服役安全态势要素进行提取。
4.***异常风险节点及风险路径统计
基于***点强度和最短路径长度特征，对***异常风险点和风险路径数目进行统计，图7和图8分别为基于节点点强度测度的***异常风险节点数目变化趋势和基于最大权重路径长度测度的***异常风险路径数目变化趋势。
通过对比发现，图7和图8曲线的基本趋势特征是一致的，这表明节点的点强度特征和最大权重路径长度特征在表征***节点特征方面具有一致性，可以用于直观的表征***的全局特征。从异常出现的时间来看，***在第16个滑动窗口风险节点和风险路径数目都得到大幅度的提升，故可以在第15个窗口到第16个窗口之间进行风险节点和风险路径的搜索，以实现***基本态势要素的提取。
5.基于点强度特征的***异常节点提取
基于点强度理论，获取***从正常到异常状态转换过程中的异常风险节点如图9所示，图9a、图9b、图9c和图9d分别为滑动窗口14、滑动窗口15、滑动窗口16、滑动窗口17下的***风险节点异常图。当节点的点强度可拓距离大于零，该节点的强度异常度处于零线以上，则说明该节点属于风险节点；反之若柱状图中节点的点强度可拓距离小于零，该节点的强度异常度值处于零线以下，则说明该节点不是风险节点。柱状图中柱的高度代表相应节点的点强度与该节点的点强度阈值空间的相对可拓距离。
从图9可以发现，***在异常发生之前异常节点数为零，而在***整体异常发生后，***节点异常度大幅度的提高，异常点增加，这一过程体现了***异常累积效应，最终导致了***的整体异常发生，这与实际***服役态势异常演化过程十分吻合。
6.基于节点之间最短路径长度的***异常风险路径提取
利用表1中的监测变量的正常数据和***不同故障状态下的数据信息传递网络模型，得到***从正常到异常状态的转换过程中***的异常风险路径的分布情况如图10所示。从图10a至图10d中所示的不同滑动窗口下***服役异常风险路径演化过程来看，热度图方块颜色越接近色条上部，则表示该节点对之间的最大风险权重路径值越大，反之若热度图方块颜色越接近色条下部，则表示该节点对之间的最大风险权重路径值越小。为了凸显异常风险路径，并便于异常风险路径的观察和搜索，将处于安全阈值空间的点置为零，即将相对可拓距离值在-1和0之间，将具有异常的节点之间的最大权重距离凸显出来。
对比图10所示的(a)～(d)四张不同窗口下的***风险路径不难发现，随着***服役性能的持续恶化，其风险路径异常度持续增加。图10(a)和(b)中***在异常发生之初时其节点之间的最短路径长度异常值较小(数据量级为10-16)；然而在图10(c)和(d)中***整体异常发生后，节点之间的最短路径长度异常值大幅度的提升(最大值均大于1)，这一过程体现了***异常累积效应，最终导致了***的整体异常发生，这与实际***的态势异常演化过程基本吻合。
各滑动窗口中的风险节点及风险路径的统计如表2所示。为了进一步挖掘风险路径，分别对产生故障的窗口14～17处的风险路径提取列表，如表3、表4、表5和表6所示，可以看出这些风险传递路径长短不一，而且具有冗余性，需要在此基础上进一步精炼和提纯。此处采用可达性分析，对风险路径进行归并，获取能够本质上体现***服役安全态势要素的风险节点和风险传递路径形成的态势要素网络。
表2故障产生附近窗口的风险节点及风险路径的数目统计
Figure GDA0002362932560000161
表3窗口14处的风险路径的详情
Figure GDA0002362932560000171
表4窗口15处的风险路径的详情
Figure GDA0002362932560000172
表5窗口16处的风险路径的详情
Figure GDA0002362932560000173
表6窗口17处的风险路径的详情
Figure GDA0002362932560000181
从图11(a)-(d)中所反映的汽轮机风险要素网络来看，各个风险传递网络中节点4(汽轮机抽汽压力)均为前置异常节点，表明汽轮机结垢故障发生时，汽轮机抽汽压力对汽轮机运行具有重要的调控作用；而且当***整体异常前后，节点3(汽轮机排汽压力)变为异常点，因而可以较为可靠的确定引起***故障的原因，主要是压缩机组排汽压力变化而引起的，而从实际故障来看是由于压缩机组汽轮机出口换热器结垢，造成排汽压力的升高，真空度的下降，液位控制频繁，同时也会通过复杂的故障风险链路传递关系，引起汽轮机转子支撑轴承部件发热等现象。这些耦合作用的最终结果，将会引起控制***的频繁调控，严重时则需要人为控制干预。因此，***实时态势要素提取的风险传递网络对于实际复杂机电***的服役安全管控具有一定的指导意义。
综上所述，本发明所公开的基于多特征关联的***服役安全态势要素提取方法，通过对***局部特征与全局特征的关联，进而获取***服役的风险节点和风险路径，并通过网络拓扑多维特征之间的本质关联性及其推理，获取引发态势事件的关键要素，从整体到局部之间的联动关系中获得影响***服役安全的态势要素，从而为***科学调度和精准维修提供决策依据。

Claims (5)

1.基于网络多特征关联的***服役安全态势要素获取方法，其特征在于，包括以下步骤：
步骤1)、选取需要分析的复杂机电***的监测目标的变量集，通过需要分析的复杂机电***的DCS监测***从变量集中获取复杂机电***样本的多维监测序列；
步骤2)、以多维监测序列中的监测变量为节点、有向耦合关系为边、有向耦合系数的大小为边的权重建立能够表征***底层交互动态的有向加权网络模型；
步骤3)、通过有向加权网络模型的网络节点的多维特征的描述方法提取复杂机电***的局部态势特征；网络节点的多维特征包括点强度及强度分布、节点之间的最短路径长度以及节点聚类系数；
对于有向加权网络中节点i的点强度包括入强度
Figure FDA0003658002990000011
和出强度
Figure FDA0003658002990000012
其定义如下：
Figure FDA0003658002990000013
Figure FDA0003658002990000014
入强度
Figure FDA0003658002990000015
表示与节点i连接的边指向节点i的权重之和，出强度
Figure FDA0003658002990000016
是指节点i指向与节点i连接节点的边的权重之和，wij是从节点i到节点j的权重；有向加权网络的点强度为：
Figure FDA0003658002990000017
节点强度Si是指与节点i连接的边的权重之和，aij为节点i和节点j之间的邻接矩阵；
对局部态势特征提取方法，包括以下步骤：
(1)基于点强度的***服役安全态势局部特征提取，对***不同服役状态下的有向加权网络，分别计算每个节点的点强度特征均值，并将标准差标注在柱状图上部反映***局部态势特征；
(2)基于最短路径长度的压缩机组服役安全态势特征提取，选择点强度值较大的节点作为源节点，其他节点作为目标节点，计算其最短路径长度的变化情况进行***局部特征提取；
步骤4)、通过有向加权网络模型的网络整体特征的描述方法提取复杂机电***的全局态势特征；网络整体特征包括网络结构熵NSEn和网络效率Neff；
对于***服役安全的全局态势特征提取方法，包括以下步骤：
(1)利用网络结构熵NSEn计算公式和网络效率NEff计算公式分别得到***不同服役状态下的网络特征提取曲线；
(2)通过***处于正常状态时的***NSEn特征和***NEff特征，分别提取其阈值范围，作为***服役异常的判别依据；
(3)通过***处于故障状态下的***NSEn特征和***NEff特征，分别比较不同故障在***服役演化过程中的差异，进而提取***服役安全态势特征；
步骤5)、从有向加权网络模型中获取多维态势特征，应用可拓距离方法，计算获取的多维态势特征与复杂机电***正常服役安全特征空间的可拓距离，形成反映复杂机电***当前服役安全态势的监测曲线，通过多维态势特征可拓转化曲线的变动情况对***的服役安全态势的局部和全局态势特征同时开展多维度监测；
步骤6)、选择监测中异常窗口附近的窗口作为进一步分析的对象，建立***服役安全态势特征与***异常或故障风险节点及其传播路径之间的映射关系，通过服役安全态势特征映射异常节点及其传播路径。
2.根据权利要求1所述的基于网络多特征关联的***服役安全态势要素获取方法，其特征在于，多维监测序列采样频率依据采样成本和监测精度进行设定，并设定样本的长度，从***运行过程历史数据中获取监测数据集。
3.根据权利要求1所述的基于网络多特征关联的***服役安全态势要素获取方法，其特征在于，网络结构熵NSEn为网络整体的特征描述方法，当网络为纯规则网络时Ii＝1/N,(i＝1,2,…,N)，E达到最大值Emax＝log2N；当网络为星形网络时，E达到的最小值Emin＝[log24(N-1)]/2；
将网络结构熵NSEn归一化表示为标准网络结构熵
Figure FDA0003658002990000031
则
Figure FDA0003658002990000032
其表达式为：
Figure FDA0003658002990000033
节点的重要度Ii和网络结构熵E的计算公式分别如下式所示：
Figure FDA0003658002990000034
Figure FDA0003658002990000035
式中：si——第i个节点的点强度；sk——每一节点处的点强度。
4.根据权利要求1所述的基于网络多特征关联的***服役安全态势要素获取方法，其特征在于，网络效率NEff用来衡量网络节点之间的交互效率，对于基于多变量耦合关系所建立的有向加权网络来说，其效率E(G)表达式为：
Figure FDA0003658002990000036
dij为节点i到节点j的之间的距离；w为节点之间的连接权重，N为有向加权网络中所包含变量的个数，G代表有向加权网络。
5.根据权利要求1所述的基于网络多特征关联的***服役安全态势要素获取方法，其特征在于，从***网络模型中提取多维态势特征集合Fnet＝{f1,f2,…,fi,…,fn}；fi是网络节点多维特征中的某一态势特征；通过计算当前***态势特征fi超出***安全服役的态势特征阈值空间的比例，即相对可拓距离，从而可以确定***当前服役安全异常度指标，如下式所示：
Figure FDA0003658002990000041
式中：Ai——***第i维态势特征的转换后的异常度；Vi——与之相应特征的安全阈值区间。
CN201911151341.8A 2019-11-21 2019-11-21 基于网络多特征关联的***服役安全态势要素获取方法 Active CN111080074B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911151341.8A CN111080074B (zh) 2019-11-21 2019-11-21 基于网络多特征关联的***服役安全态势要素获取方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911151341.8A CN111080074B (zh) 2019-11-21 2019-11-21 基于网络多特征关联的***服役安全态势要素获取方法

Publications (2)

Publication Number Publication Date
CN111080074A CN111080074A (zh) 2020-04-28
CN111080074B true CN111080074B (zh) 2022-07-12

Family

ID=70311685

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911151341.8A Active CN111080074B (zh) 2019-11-21 2019-11-21 基于网络多特征关联的***服役安全态势要素获取方法

Country Status (1)

Country Link
CN (1) CN111080074B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111666142B (zh) * 2020-06-12 2022-04-05 中国空间技术研究院 一种快速分组光子强度关联方法
CN111784719B (zh) * 2020-06-18 2024-03-22 杭州安恒信息技术股份有限公司 基于图片分析态势感知页面热点分布准确性的方法和装置
CN112003733B (zh) * 2020-07-28 2021-04-02 广东际洲科技股份有限公司 一种智慧园区物联网综合管理方法及管理平台
CN113225226B (zh) * 2021-04-30 2022-10-21 上海爱数信息技术股份有限公司 一种基于信息熵的云原生***观测方法及***
CN114331222B (zh) * 2022-03-03 2022-05-27 常州市瑞德信息科技有限公司 烟花爆竹生产环境下的风险监测预警通信交互方法及***

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108061827A (zh) * 2017-11-21 2018-05-22 中国人民解放军陆军工程大学 无人机电磁安全态势监测方法、终端设备及***
CN108763729A (zh) * 2018-05-24 2018-11-06 西安交通大学 基于网络结构熵的流程工业机电***耦合状态评估方法
CN109040027A (zh) * 2018-07-12 2018-12-18 北京理工大学 基于灰色模型的网络脆弱性节点的主动预测方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8694635B1 (en) * 2013-05-31 2014-04-08 Linkedin Corporation Time series technique for analyzing performance in an online professional network
US9887984B2 (en) * 2014-10-24 2018-02-06 Temporal Defense Systems, Llc Autonomous system for secure electric system access
US10489752B2 (en) * 2016-08-26 2019-11-26 General Electric Company Failure mode ranking in an asset management system

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108061827A (zh) * 2017-11-21 2018-05-22 中国人民解放军陆军工程大学 无人机电磁安全态势监测方法、终端设备及***
CN108763729A (zh) * 2018-05-24 2018-11-06 西安交通大学 基于网络结构熵的流程工业机电***耦合状态评估方法
CN109040027A (zh) * 2018-07-12 2018-12-18 北京理工大学 基于灰色模型的网络脆弱性节点的主动预测方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
Condition Monitoring System of Electromechanical Equipment Based on Fiber Bragg Grating Sensors and Artificial Neural Network;Xinyue Chen;《 2018 IEEE 18th International Conference on Communication Technology (ICCT)》;20190103;第548-551页 *
Mechanical Systems and Signal Processing;Rongxi Wang，et al.;《Mechanical Systems and Signal Processing 101 (2018)》;20180215;第101卷;第121-139页 *
基于网络特性的分布式复杂机电***脆弱性分析;高建民，等;《计算机集成制造***》;20090430;第15卷(第4期);第791-796页 *
基于隐马尔可夫模型的网络安全态势评估;方研等;《计算机应用与软件》;20131215(第12期);全文 *

Also Published As

Publication number Publication date
CN111080074A (zh) 2020-04-28

Similar Documents

Publication Publication Date Title
CN111080074B (zh) 基于网络多特征关联的***服役安全态势要素获取方法
CN111275288B (zh) 基于XGBoost的多维数据异常检测方法与装置
CN110895526A (zh) 一种大气监测***中数据异常的修正方法
Deng et al. Modified kernel principal component analysis using double-weighted local outlier factor and its application to nonlinear process monitoring
CN111008363B (zh) 多变量因果驱动的复杂机电***服役安全态势评估方法
CN108627720B (zh) 一种基于贝叶斯算法的电力设备状态监测方法
CN112101480A (zh) 一种多变量聚类与融合的时间序列组合预测方法
CN105607631B (zh) 间歇过程弱故障模型控制限建立方法及弱故障监测方法
CN111209934B (zh) 风机故障预报警方法及***
CN111931834B (zh) 基于孤立森林算法的铝型材挤压过程流数据异常检测方法、设备及存储介质
CN112446597B (zh) 贮箱质量评估方法、***、存储介质、计算机设备及应用
Shi et al. Improving power grid monitoring data quality: An efficient machine learning framework for missing data prediction
CN113627735B (zh) 工程建设项目安全风险的预警方法及***
CN112904810B (zh) 基于有效特征选择的流程工业非线性过程监测方法
CN111582406A (zh) 一种电力设备状态监测数据聚类方法和***
CN112598144A (zh) 基于相关性分析的cnn-lstm突发故障预警方法
CN114757269A (zh) 一种基于局部子空间-邻域保持嵌入的复杂过程精细化故障检测方法
CN116011825A (zh) 一种配电电缆线路运行风险多维度评价方法
CN105718733B (zh) 基于模糊贴近度和粒子滤波的故障预报方法
CN117076869B (zh) 旋转机械时频域融合故障诊断方法及***
Oprime et al. X-bar control chart design with asymmetric control limits and triple sampling
WO2024082643A1 (zh) 一种压力机边缘控制设备及控制方法
CN108827905B (zh) 一种基于局部加权Lasso的近红外模型在线更新方法
CN111507374A (zh) 一种基于随机矩阵理论的电网海量数据异常检测方法
Zhang et al. Data-manifold-based monitoring and anomaly diagnosis for manufacturing process

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