TWI686615B - 擾動源定位方法 - Google Patents
擾動源定位方法 Download PDFInfo
- Publication number
- TWI686615B TWI686615B TW107137239A TW107137239A TWI686615B TW I686615 B TWI686615 B TW I686615B TW 107137239 A TW107137239 A TW 107137239A TW 107137239 A TW107137239 A TW 107137239A TW I686615 B TWI686615 B TW I686615B
- Authority
- TW
- Taiwan
- Prior art keywords
- node
- nodes
- group
- disturbance source
- node groups
- Prior art date
Links
Images
Classifications
-
- 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
- G05B23/0221—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
- 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
本揭露提出一種用於從系統的多個節點中定位擾動源的擾動源定位方法,包括以下步驟:基於震盪特徵將所述多個節點分為多個節點群組;基於同調震盪成分的先後順序建立所述多個節點群組的群間因果關係;基於所述群間因果關係從所述多個節點群組中挑選至少一個候選群組;以及在每一個候選群組內定位出至少一擾動源節點。
Description
本揭露是有關於一種擾動源定位方法,且特別是有關於一種可定位出至少一個擾動源的擾動源定位方法。
在廠房中閥件發生故障、控制器參數調校不當或外部形成的擾動都有可能造成廠房中迴路的震盪。廠房中迴路數量眾多,當其中一個迴路發生迴路震盪,透過迴路與迴路間互相傳遞,迴路震盪可能影響整個廠房,而引發全廠迴路震盪。若全廠迴路震盪發生,將影響廠房器械運作不良甚至是機組跳車,導致生產產品質下降以及能源耗用增加。
為了避免發生全廠迴路震盪,必須找出引發迴路震盪的擾動源。然而,現今廠房中迴路數量龐大,檢測迴路擾動肇因必須耗費大量人力與時間,尤其是,當多重擾動源同時發生,各迴路相互影響之下,診斷擾動源會更加困難。基此,如何快速且準確的診斷迴路擾動源,降低檢測震盪肇因所需的人力與時間成本為本領域急需解決的課題。
有鑑於此,本揭露實施例提供一種擾動源定位方法,能夠減輕運算負擔並且定位出多個擾動源。
本揭露實施例的擾動源定位方法用於從系統的多個節點中定位擾動源。所述擾動源定位方法包括以下步驟:基於震盪特徵將所述多個節點分為多個節點群組;基於同調震盪成分的先後順序建立所述多個節點群組的群間因果關係;基於所述群間因果關係從所述多個節點群組中挑選至少一個候選群組;以及在每一個候選群組內定位出至少一擾動源節點。
基於上述,本揭露實施例所提出的擾動源定位方法,先將系統中的多個節點依其震盪特徵進行分群,根據兩兩群組的同調震盪成分的先後順序來建立各個群組間的因果關係,進而識別出可能包括擾動根源的候選群組。隨後,再針對每一個候選群組來識別出群內的擾動源節點。據此,可以識別出系統中的多個擾動源。此外,當系統龐大時也能夠減少運算的複雜度,並且有效的降低檢測震盪擾動根源所需的人力與時間。
為讓本揭露的上述特徵和優點能更明顯易懂,下文特舉實施例,並配合所附圖式作詳細說明如下。
本揭露實施例所提出的擾動源定位方法採用機器學習的方式,先將系統(例如,廠區)內數量龐大的節點(例如,控制迴路)進行分群,然後進一步分析各個節點群組之間的因果關係(例如,震盪傳遞關係),以找出可能存在擾動源的候選群組。隨後,再針對候選群組進行流程分析,便能夠定位出每一個候選群組之中可能的擾動源。如此一來,能夠減少運算負擔並且同時定位出多個擾動源。
本揭露的擾動源定位方法適用於計算裝置。計算裝置例如是個人電腦(personal computer,PC)、工作站(work station)、伺服器(server)、筆記型電腦(notebook)、個人數位助理(personal digital assistant,PDA)、智慧型手機(smart phone)、平板電腦(tablet PC)等具有運算能力的電子裝置,本揭露並不在此限。在本實施例中,計算裝置可執行以軟體或韌體形式來實作的程式碼,進而執行本揭露的擾動源定位方法,以從包括多個節點的系統中定位擾動源。以下將搭配圖式舉實施例說明本揭露的擾動源定位方法的詳細流程。
圖1繪示本揭露一實施例的擾動源定位方法的流程圖。
請參照圖1,擾動源定位方法係用於從系統的多個節點中定位擾動源,其步驟包括S110至S140。步驟S110係基於震盪特徵將節點分為多個節點群組;之後,在步驟S120中,基於同調震盪成分的先後順序建立節點群組的群間因果關係;接著,於步驟S130中基於群間因果關係從節點群組中挑選至少一候選群組;最後,在步驟S140中,在每一候選群組內定位出至少一擾動源節點。
在步驟S110中,計算裝置會基於震盪特徵將系統的多個節點分為多個節點群組。具體而言,原始訊號例如是來自節點在時域中的震盪訊號,而震盪特徵例如是原始訊號中與震盪相關的特徵,例如主要頻率(main frequency)等,本揭露不在此限。因此,計算裝置例如會先收集系統多個節點的多個原始訊號,萃取原始訊號中與震盪相關的特徵作為震盪特徵,然後基於震盪特徵來將節點進行分組,例如將原始訊號中具有相同的主要頻率的節點分至同一個節點群組等,本揭露並不在此限。
圖2繪示本揭露一實施例的基於震盪特徵將系統的多個節點分為多個群組的流程圖。
請參照圖2,在一些實施例中,步驟S110包括步驟S111至步驟S115。首先,步驟S111係取得節點的多個訊號頻譜,並在步驟S113中,萃取各訊號頻譜的特徵資訊,最後在步驟S115中,基於特徵資訊將節點分為節點群組。
在步驟S111中,計算裝置會取得系統中多個節點的多個訊號頻譜。在一些實施例中,計算裝置可以在收集了系統多個節點的原始訊號後,以傅立葉轉換(Fourier Transform)來將各個節點的原始訊號(例如,時域訊號)轉換為訊號頻譜。然而,本揭露並不限於此,所屬領域具備通常知識者當可依其需求來使用其他的轉換方式來將原始訊號轉換為訊號頻譜。
在步驟S113中,計算裝置會萃取各個訊號頻譜的特徵資訊。在一些實施例中,計算裝置可以利用線性降維(linear dimensionality reduction)或非線性降維(nonlinear dimensionality reduction)的方式來萃取各個訊號頻譜的特徵資訊。詳細來說,線性降維例如包括主成分分析(Principle Component Analysis,PCA),而非線性降維例如包括核主成分分析(kernel PCA)、多維標度(Multi-Dimensional Scaling,MDS)、局部線性嵌入(Locally Linear Embedding,LLE)以及t分佈隨機近鄰嵌入(t-distributed Stochastic Neighbor Embedding,t-SNE)等,但本揭露不限於此。值得一提的是,採用不同的方式來萃取訊號頻譜時所得到的特徵資訊也會不同,因此本揭露並不在此限制特徵資訊的具體內容。此外,所屬領域具備通常知識者當可從相關文獻中取得關於上述各種線性降維與非線性降維方式的介紹,在此不再贅述。
取得訊號頻譜的特徵資訊後,在步驟S115中,計算裝置會基於所取得的特徵資訊將系統中的多個節點分為多個節點群組。在一些實施例中,基於特徵資訊,計算裝置可以採用機器學習法(machine learning)來將節點進行分組。詳細來說,機器學習領域中分組的方式包括分割式分群法(partitional clustering)、階層式分群法(hierarchical clustering)、以密度為基礎的分群法(density-based clustering)以及網路分群法(network clusterinig)等,其中分割式分群法例如包括K平均(k-means、K中心點(k-medoids)、模糊C均值(fuzzy c-means)演算法等,階層式分群法例如包括聚合式(agglomerative)與***式(divisive)演算法等,以密度為基礎的分群法例如包括具有雜訊的基於密度的分群法(Density-Based Spatial Clustering of Applications with Noise, DBSCAN)等,而網路分群法例如包括自我組織映射(Self-Organizing Map,SOM)等方法。然而,只要能夠根據震盪特徵或特徵資訊來將多個節點進行分組,本揭露並不在此限制將節點進行分組時所採用的具體演算法。
值得一提的是,本揭露並不在此限制多個節點群組的群組數量。在一些實施例中,群組數量例如可利用戴維森堡丁指數(Davies-Bouldin Index,DBI)來進行評估,但本揭露不限於此。
請參照圖1,在步驟S120中,計算裝置會基於同調震盪成分的先後順序建立多個節點群組的群間因果關係。具體而言,一個震盪成分例如是震盪訊號中某一個頻率的分量,同調震盪成分例如是兩個震盪訊號所共有的某一個頻率的分量,而同調震盪成分的先後順序則例如是兩個震盪訊號分別的兩個同調震盪成分的發生時間順序。因此,從同調震盪成分的先後順序可以看出震盪的傳遞方向,而群間因果關係即是用以表示各個節點群組之間的震盪傳遞方向。
值得一提的是,由於同一個節點群組中的多個節點具有相同或類似的震盪特徵或特徵資訊,因此計算裝置會先基於每一個節點群組中的多個節點的多個原始訊號,來產生每一個節點群組的代表訊號,然後再依此代表訊號來決定各個節點群組的震盪成分。在一些實施例中,計算裝置例如會從節點群組中隨機選出其中一個節點的震盪訊號作為代表訊號。在一些實施例中,計算裝置例如會計算節點群組中所有節點的震盪訊號的平均值作為代表訊號。然而,本揭露並不限於此。
舉例而言,假設第一節點群組的代表訊號OS (t)可表示為: OS(t) = sin(2π×5×t) + sin(2π×12×t) + noise
其中noise是用以表示雜訊。由此可見,震盪訊號OS(t)包括兩個頻率為5赫茲、12赫茲的兩個震盪成分。假設第二節點群組的代表訊號OS’(t)可表示為: OS’(t) = sin(2π×5×(t-t
0)) + noise
可見震盪訊號OS’(t)也包括頻率為5赫茲的震盪成分。因此,代表訊號OS(t)與OS’(t)的同調震盪成分即是頻率為5赫茲的震盪成分。
此外,由於第一節點群組的代表訊號OS(t) 中頻率為5赫茲的震盪成分的發生時間早於(例如,早t
0秒)第二節點群組的代表訊號OS’(t) 中頻率為5赫茲的震盪成分。因此,第一節點群組與第二節點群組之間的震盪是由第一節點群組傳向第二節點群組,而上述的震盪傳遞方向即為第一節點群組與第二節點群組之間的群間因果關係。在一些實施例中,由於系統的震盪傳遞速度相當快,因此兩個節點群組的兩個同調震盪成分的發生時間差小於此同調震盪成分的半週期(以5赫茲的同調震盪成分為例,t
0< 0.1秒),但本揭露並不限於此。
圖3繪示本揭露一實施例的基於同調震盪成分的先後順序建立多個節點群組的群間因果關係的流程圖。
請參照圖3,在一些實施例中,步驟S120包括步驟S121與S123。步驟S121係計算節點群組中兩兩之間的同調性(coherence),以找出至少一個相關群組對以及各相關群組對的同調震盪成分。接著,步驟S123係計算每一相關群組對的交叉頻譜(cross spectrum),以判斷每一相關群組對中兩個節點群組的同調震盪成分的先後順序。
在步驟S121中,計算裝置會計算多個節點群組中兩兩之間的同調性,以找出多個相關群組對以及各個相關群組對的同調震盪成分。一般來說,同調性又稱作幅度平方相干性(Magnitude Squared Coherence,MSC)。在一些實施例中,計算裝置例如可以根據每一個節點群組的代表訊號來計算兩兩節點群組之間的同調性,並且設定閥值來判斷及找出兩兩節點群組之間是否具有同調震盪成分。倘若兩個節點群組之間存在同調震盪成分,則此兩個節點群組為相關群組對,表示此兩個節點群組之間存在群間因果關係。值得一提的,所屬領域具備通常知識者當可從相關文獻中得知計算兩個訊號間同調性的方式,故在此不再贅述。
值得一提的是,本揭露並不在此限制上述閥值的設定方式。在一些實施例中,計算裝置例如會設定固定的閥值。在另一些實施例中,計算裝置例如會根據其所計算的同調性來設定閥值。
圖4繪示本揭露一實施例的同調性的示意圖。
請參照圖4,計算裝置在計算兩個節點群組之間的同調性後,例如可得到圖4所示的資訊,其中包括每個頻率成分的同調性(幅度平方相干性),而同調性是介於0和1之間。舉例而言,計算裝置設定閥值為0.9,若存在特定頻率成分的同調性大於此閥值,則視為兩個節點群組之間存在同調震盪成分,而此同調震盪成分即為上述的特定頻率的震盪成分。以圖4所示的資訊為例,由於5赫茲的頻率成分的同調性為1,表示兩個節點群組之間存在同調震盪成分。換言之,此兩個節點群組為相關群組對,並且分別具有5赫茲的震盪成分(即,同調震盪成分)。
請參照圖3,在步驟S123中,計算裝置會計算每一個相關群組對的交叉頻譜,以判斷每一個相關群組對中兩個節點群組的同調震盪成分的先後順序。具體而言,從兩個訊號的交叉頻譜相位可以看出兩個訊號在每個頻率成分的相位延遲,因此在步驟S121中找到兩個節點群組的兩個代表訊號的同調震盪成分後,便能夠從兩個代表訊號的交叉頻譜中看出同調震盪成分的先後順序。
圖5繪示本揭露一實施例的交叉頻譜相位的示意圖。
請參照圖5,計算裝置在計算一個相關群組對的交叉頻譜後,例如可得到圖5所示的資訊,其中包括相關群組對中第一節點群組與第二節點群組的兩個代表訊號在每個頻率成分的相位延遲,因此只要從中查找兩個代表訊號的同調震盪成分的相位延遲,便能夠得知第一節點群組與第二節點群組的群間因果關係。舉例來說,若相關群組對的第一節點群組與第二節點群組之間的同調震盪成分為5赫茲的震盪成分,則從圖5中在5赫茲的震盪成分所對應的負值之交叉頻譜相位可以看出,第一節點群組的代表訊號中5赫茲的震盪成分是落後於第二節點群組的代表訊號中5赫茲的震盪成分。因此,計算裝置從交叉頻譜中可以得知,震盪是從第二節點群組傳遞至第一節點群組。
請參照圖1,在步驟S130中,計算裝置會基於群間因果關係從多個節點群組中挑選出至少一個候選群組。具體來說,在建立了多個節點群組之間的群間因果關係後,便能夠看出震盪是從哪些節點群組傳遞至哪些節點群組,因此也就能夠判斷哪些節點群組中可能存在擾動源,並且將可能存在擾動源的節點群組挑選為候選群組。
在一些實施例中,計算裝置例如會基於群間因果關係,根據預設規則來從多個節點群組中挑選出至少一個候選群組。詳細來說,上述的預設規則例如包括:若某個節點群組並未接收來自其他節點群組的震盪,則將此節點群組挑選為候選群組;以及若某個節點群組所輸出的震盪頻率數量大於其所接收的震盪頻率數量,則將此節點群組挑選為候選群組。
更明確地說,若某個節點群組沒有傳遞震盪至其他節點群組也沒有從其他節點群組接收震盪,表示其與其他節點群組之間可能不存在上下游關係,故無法排除其中存在擾動源的可能性,因此將其挑選為候選群組;若某個節點群組只有傳遞震盪至其他節點群組但沒有從其他節點群組接收震盪,表示其中的某個節點可能產生了震盪,因此將其挑選為候選群組;若某個節點群組所輸出的震盪頻率數量大於其所接收的震盪頻率數量,則表示某些震盪頻率可能是從此節點群組中產生的,因此將其挑選為候選群組。值得一提的是,在兩個節點群組間的震盪傳輸方向可以從步驟S120中所建立的群間因果關係得知,而在兩個節點群組間傳輸的震盪頻率可以從此兩個節點群組的同調震盪成分得知。
在步驟S140中,計算裝置在每一個候選群組內定位出擾動源節點。具體來說,當候選群組內只包括一個節點時,則計算裝置會將此節點定位為擾動源節點。另一方面,當候選群組內包括多個節點,則計算裝置例如會對候選群組中的多個節點進行流程分析(process analysis),以定位候選群組所包括的節點的其中之一為擾動源節點。在一些實施例中,計算裝置例如會對候選群組中的多個節點進行以拓樸為基礎(topology based)的流程分析方法,其中以拓樸為基礎的流程分析方法例如包括格蘭傑因果關係檢驗法(Granger causality test)、熵轉移法(transfer entropy)、貝氏網路法(Bayesian network)以及交互關聯法(cross-correlation)等等,但本揭露並不限於此。由於每一個候選群組中的節點數量遠小於系統中的總節點數量,因此對每一個候選群組進行流程分析的運算負擔將遠小於對整個系統進行流程分析的運算負擔。
在一些實施例中,計算裝置也可例如是計算候選群組中兩兩節點的同調性以及交叉頻譜,以找出候選群組中多個節點的震盪傳遞方向,並藉此找出擾動源節點。值得一提的,由於利用同調性以及交叉頻譜找出候選群組中多個節點的震盪傳遞方向也就找出了多個節點之間的因果關係,因此這樣的方法也可以視為是以拓樸為基礎的流程分析方法之一。
在一些實施例中,計算裝置也可例如是綜合上述多種流程分析方法來從候選群組中定位出擾動源節點。本揭露並不在此限制從每一個候選群組中定位出擾動源節點的具體方法,所屬領域具備通常知識者當可依其需求來進行實作。
根據以上段落所介紹的擾動源定位方法的流程,計算裝置能夠從包括多個節點的系統中定位出至少一個擾動源節點。以下將搭配圖式來舉例說明上述流程的具體作法。
圖6繪示本揭露一實施例的系統的示意圖。
請參照圖6,系統10例如包括多個節點N1至N7。舉例而言,系統10例如是工廠,而多個節點N1至N7例如是工廠中的多個控制迴路。值得一提的是,為了說明上的簡潔,本揭露實施例是以7個節點作為範例來進行說明,但所屬領域具備通常知識者應當理解本揭露並不限於上述範例,亦即,本揭露並不限制系統內的節點數量。
圖7繪示本揭露一實施例的原始訊號的示意圖;圖8繪示本揭露一實施例的訊號頻譜的示意圖。
請參照圖7與圖8,計算裝置會分別取得多個控制迴路(即節點N1至N7)的原始訊號R1至R7,並且以傅立葉轉換來將原始訊號R1至R7轉換為訊號頻譜S1至S7。舉例來說,各個節點N1至N7的原始訊號R1至R7例如是工廠中每一個控制迴路在每一個時間點的輸出量,而原始訊號R1至R7的震盪例如表示每一個控制迴路的輸出量隨著時間而震盪,但本揭露並不限於此。
圖9繪示本揭露一實施例的節點群組的分群結果示意圖。
經由前述的分群過程,計算裝置例如會使用主成分分析來提取訊號頻譜S1至S7的特徵資訊,並且以k-means演算法來根據訊號頻譜S1至S7的特徵資訊將節點N1至N7分為多個節點群組C1至C5。節點群組C1包括節點N1,從訊號頻譜S1可以看出原始訊號R1包括頻率為5赫茲與12赫茲的兩個震盪成分。節點群組C2包括節點N3與N5,從訊號頻譜S3與S5可以看出原始訊號R3與R5皆包括頻率為2赫茲的震盪成分。節點群組C3包括節點N7,從訊號頻譜S7可以看出原始訊號R7包括頻率為2赫茲、5赫茲、10赫茲與12赫茲的四個震盪成分。節點群組C4包括節點N4與N6,從訊號頻譜S4與S6可以看出原始訊號R4與R6皆包括頻率為5赫茲、10赫茲與12赫茲的三個震盪成分。節點群組C5包括節點N2,從訊號頻譜S2可以看出原始訊號R2包括頻率為10赫茲的震盪成分。由此可知,屬於同一個節點群組的節點具有相同頻率的震盪成分。
在區分出五個節點群組C1至C5後,計算裝置例如分別取原始訊號S1作為節點群組C1的代表訊號;取原始訊號S3作為節點群組C2的代表訊號;取原始訊號S7作為節點群組C3的代表訊號;取原始訊號S4作為節點群組C4的代表訊號;以及取原始訊號S2作為節點群組C5的代表訊號。
隨後,計算裝置例如會基於上述的代表訊號來計算兩兩節點群組之間的同調性,以找出多個相關群組對以及各個相關群組對的同調震盪成分,然後計算每一個相關群組對的交叉頻譜,以判斷每一個相關群組對中同調震盪成分的先後順序。上述的計算結果例如可以下表一來表示: 表一
以表一第一列第三欄的「@5Hz(+0.011)」來說,「@5Hz」例如是表示節點群組C1與節點群組C3之間具有5赫茲同調震盪成分,而「(+0.011)」中的正號例如表示節點群組C1的5赫茲的同調震盪成分是領先於節點群組C3的5赫茲的同調震盪成分,因此5赫茲的震盪是從節點群組C1傳遞至節點群組C3;以表一第四列第一欄的「@5Hz(-0.0047)」來說,「@5Hz」例如是表示節點群組C4與節點群組C1之間具有5赫茲同調震盪成分,而「(-0.0047)」中的負號例如表示節點群組C4的5赫茲的同調震盪成分是落後於節點群組C1的5赫茲的同調震盪成分,因此5赫茲的震盪是從節點群組C1傳遞至節點群組C4,以此類推。
圖10繪示本揭露一實施例的群間因果關係的示意圖。
根據上述表一所示的計算結果,計算裝置例如可以建立出如圖10所示的群間因果關係,其中箭頭例如是用以表示震盪傳遞方向。根據圖10所示的群間因果關係,計算裝置例如會根據前述段落所介紹的預設規則來從節點群組C1至C5中選出至少一個候選群組。
請參照圖10,由於節點群組C1、C2與C5皆符合「某個節點群組並未接收來自其他節點群組的震盪,則將此節點群組挑選為候選群組」的條件。因此,計算裝置會選擇節點群組C1、C2與C5作為候選群組。
最後,計算裝置會分別從節點群組C1、C2與C5中定位一個擾動源節點。由於節點群組C1與C5都只包括一個節點,因此計算裝置會直接將節點群組C1中的節點N1以及節點群組C5中的節點N2定位為擾動源節點。另一方面,計算裝置例如採用格蘭傑因果關係檢驗法來建立節點群組C2中的節點N3與N5之間的拓墣關係,並據以將節點N3定位為擾動源節點。
據此,計算裝置便會從系統10的七個節點N1至N7中定位出三個節點N1、N2、N3作為可能的擾動源。舉例而言,計算裝置利用本揭露實施例所提出的方法定位出工廠中的三個控制迴路(即,三個節點N1、N2、N3)為可能的擾動源。如此一來,操作人員可以僅針對計算裝置所定位出的三個設備進行檢測,以找出實際的擾動源並進行對應的處理,節省了大量的人力與時間。
值得一提的是,上述的實施例僅是示範性的對本揭露所提出的擾動源定位方法進行說明,而本揭露並不限於上述實施例的內容。
綜上所述,本揭露實施例所提出的擾動源定位方法,先將系統中的多個節點依其震盪特徵進行分群,根據兩兩群組的同調震盪成分的先後順序來建立各個群組間的因果關係,進而識別出可能包括擾動根源的候選群組。隨後,再針對每一個候選群組來識別出群內的擾動源節點。據此,可以識別出系統中的多個擾動源。此外,當系統龐大時也能夠減少運算的複雜度,並且有效的降低檢測震盪擾動根源所需的人力與時間。
雖然本揭露已以實施例揭露如上,然其並非用以限定本揭露,任何所屬技術領域中具有通常知識者,在不脫離本揭露的精神和範圍內,當可作些許的更動與潤飾,故本揭露的保護範圍當視後附的申請專利範圍所界定者為準。
10:系統
C1~C5:節點群組
N1~N7:節點
R1~R7:原始訊號
S1~S7:訊號頻譜
S110、S111、S113、S115、S120、S121、S123、S130、S140:擾動源定位方法的步驟
圖1繪示本揭露一實施例的擾動源定位方法的流程圖。 圖2繪示本揭露一實施例的基於震盪特徵將系統的多個節點分為多個群組的流程圖。 圖3繪示本揭露一實施例的基於同調震盪成分的先後順序建立多個節點群組的群間因果關係的流程圖。 圖4繪示本揭露一實施例的同調性的示意圖。 圖5繪示本揭露一實施例的交叉頻譜相位的示意圖。 圖6繪示本揭露一實施例的系統的示意圖。 圖7繪示本揭露一實施例的原始訊號的示意圖。 圖8繪示本揭露一實施例的訊號頻譜的示意圖。 圖9繪示本揭露一實施例的節點群組的分群結果示意圖。 圖10繪示本揭露一實施例的群間因果關係的示意圖。
S110、S120、S130、S140:擾動源定位方法的步驟
Claims (10)
- 一種擾動源定位方法,用於從系統的多個節點中定位擾動源,所述擾動源定位方法包括:基於該些節點的震盪特徵將該些節點分為多個節點群組;基於同調震盪成分發生時間的先後順序建立該些節點群組的群間因果關係;基於該群間因果關係判斷存在擾動源的可能性,以從該些節點群組中挑選至少一候選群組;以及在每一該候選群組內定位出至少一擾動源節點。
- 如申請專利範圍第1項所述的擾動源定位方法,其中基於該些節點的該震盪特徵將該些節點分為該些節點群組的步驟包括:取得該些節點的多個訊號頻譜;萃取各該訊號頻譜的特徵資訊;以及基於該特徵資訊將該些節點分為該些節點群組。
- 如申請專利範圍第2項所述的擾動源定位方法,其中取得該些節點的該些訊號頻譜的步驟包括:收集該些節點的多筆原始訊號,其中該些原始訊號為時域訊號;以及將該些原始訊號轉換為該些訊號頻譜。
- 如申請專利範圍第2項所述的擾動源定位方法,其中萃取各該訊號頻譜的該特徵資訊的步驟包括: 利用線性降維(linear dimensionality reduction)或非線性降維(nonlinear dimensionality reduction)來萃取各該訊號頻譜的該特徵資訊。
- 如申請專利範圍第2項所述的擾動源定位方法,其中基於該特徵資訊將該些節點分為該些節點群組的步驟包括:基於該特徵資訊利用機器學習法(machine learning)將該些節點分為該些節點群組。
- 如申請專利範圍第1項所述的擾動源定位方法,其中基於該同調震盪成分發生時間的該先後順序建立該些節點群組的該群間因果關係的步驟包括:計算該些節點群組中兩兩之間的同調性(coherence),以找出至少一相關群組對以及各該至少一相關群組對的該同調震盪成分;以及計算每一該至少一相關群組對的交叉頻譜(cross spectrum),以判斷每一該至少一相關群組對中的該些節點群組的該同調震盪成分的該先後順序。
- 如申請專利範圍第6項所述的擾動源定位方法,其中基於該同調震盪成分發生時間的該先後順序建立該些節點群組的該群間因果關係的步驟更包括:基於每一該節點群組中該些節點的多個原始訊號,產生每一該節點群組的代表訊號。
- 如申請專利範圍第1項或第6項所述的擾動源定位方法,其中基於該群間因果關係判斷存在擾動源的可能性,以從該些節點群組中挑選該至少一候選群組的步驟包括:基於該群間因果關係,根據預設規則從該些節點群組中挑選該至少一候選群組,其中該預設規則包括:若該些節點群組的其中之一並未接收來自其他節點群組的震盪,則將該些節點群組的該其中之一挑選為該候選群組;以及若該些節點群組的其中之一所輸出的震盪頻率數量大於其所接收的震盪頻率數量,則將該些節點群組的該其中之一挑選為該候選群組。
- 如申請專利範圍第1項所述的擾動源定位方法,其中在每一該候選群組內定位出該至少一擾動源節點的步驟包括:若該候選群組中包括單一個節點,則將該候選群組所包括的該節點定位為該至少一擾動源節點;以及若該候選群組中包括多個節點,則對該候選群組所包括的該些節點進行一流程分析,以定位該候選群組所包括的該些節點的其中之一為該至少一擾動源節點。
- 如申請專利範圍第9項所述的擾動源定位方法,其中該流程分析包括以拓樸為基礎(topology-based)的流程分析。
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW107137239A TWI686615B (zh) | 2018-10-22 | 2018-10-22 | 擾動源定位方法 |
CN201811492521.8A CN111077404B (zh) | 2018-10-22 | 2018-12-07 | 扰动源定位方法 |
US16/590,385 US11340601B2 (en) | 2018-10-22 | 2019-10-02 | Disturbance source positioning method |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW107137239A TWI686615B (zh) | 2018-10-22 | 2018-10-22 | 擾動源定位方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
TWI686615B true TWI686615B (zh) | 2020-03-01 |
TW202016560A TW202016560A (zh) | 2020-05-01 |
Family
ID=70280550
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW107137239A TWI686615B (zh) | 2018-10-22 | 2018-10-22 | 擾動源定位方法 |
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 (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140324369A1 (en) * | 2011-12-01 | 2014-10-30 | State Grid Corporation Of China | Method for determining position of forced power oscillation disturbance source in regional interconnected power grid |
CN104269866A (zh) * | 2014-06-19 | 2015-01-07 | 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 |
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 |
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 |
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 |
Family Cites Families (17)
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 |
CN102520708B (zh) * | 2011-10-16 | 2014-05-14 | 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 |
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 |
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 |
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 (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140324369A1 (en) * | 2011-12-01 | 2014-10-30 | State Grid Corporation Of China | Method for determining position of forced power oscillation disturbance source in regional interconnected power grid |
CN104269866A (zh) * | 2014-06-19 | 2015-01-07 | 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 |
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 |
Also Published As
Publication number | Publication date |
---|---|
CN111077404B (zh) | 2022-10-04 |
TW202016560A (zh) | 2020-05-01 |
US20200125082A1 (en) | 2020-04-23 |
CN111077404A (zh) | 2020-04-28 |
US11340601B2 (en) | 2022-05-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
MY195917A (en) | Blockchain-Based Data Processing Method And Device | |
Kiveris et al. | Connected components in mapreduce and beyond | |
US20170277997A1 (en) | Invariants Modeling and Detection for Heterogeneous Logs | |
TWI686615B (zh) | 擾動源定位方法 | |
JP2021002335A (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 | |
WO2014132612A1 (ja) | システム分析装置、及び、システム分析方法 | |
JPWO2013105164A1 (ja) | 異常信号判定装置、異常信号判定方法、および異常信号判定プログラム | |
Wang et al. | Fault detection and identification using a Kullback-Leibler divergence based multi-block principal component analysis and Bayesian inference | |
TW201631502A (zh) | 用於圖樣匹配與關係探索之系統及方法 | |
CN103500168A (zh) | 一种基于拓扑势的重叠复杂网络社区发现方法及*** | |
WO2021184367A1 (zh) | 基于度分布生成模型的社交网络图生成方法 | |
Chen et al. | Topology identification of complex networks from noisy time series using ROC curve analysis | |
Rassam et al. | One-class principal component classifier for anomaly detection in wireless sensor network | |
Han et al. | Generating uncertain networks based on historical network snapshots | |
CN111162945B (zh) | 一种告警关联关系的确定方法、装置、设备及存储介质 | |
US20180176108A1 (en) | State information completion using context graphs | |
Fan et al. | An improved collaborative filtering recommendation algorithm based on reliability | |
TW202122943A (zh) | 擾動源定位方法 | |
CN104539731B (zh) | 一种基于社会网络节点寻优的可信服务扩散方法及装置 | |
Chen et al. | A dual-view network for fault diagnosis in rotating machinery using unbalanced data | |
Hao et al. | cSketch: a novel framework for capturing cliques from big graph | |
Rodrigues et al. | L2GClust: Local-to-global clustering of stream sources | |
Gabel et al. | Latent fault detection with unbalanced workloads | |
JP2018190281A (ja) | データ処理装置、データ処理方法およびプログラム | |
Li et al. | Heterogeneous platform-aware workload feature recognition for edge intelligence |