基于隐半马尔科夫模型的设备状态动态自适应报警方法

摘要

本发明公开了一种基于隐半马尔科夫模型的设备状态动态自适应报警方法，其特征在于：通过对历史数据和设备运行数据建立HSMM模型，并定义性能退化指标DI，求出DI曲线，通过极限误差法将DI分成若干阶段，并求出DI的上下报警阈值。通过这样的方式，运用HSMM建模所需历史数据较少，建模方便，同时，能动态获取设备运行的报警阈值，报警灵活准确。

主权项

一种基于隐半马尔科夫模型的设备状态动态自适应报警方法，其特征在于包含以下步骤：A.根据设备历史数据，以相同时间长度将数据分成若干段，对每段提取特征信息作为观测值，作为隐半马尔科夫模型训练和状态识别的观测序列，观察序列组数为K组；B.基于Baum‑Welch算法训练隐半马尔科夫模型，分别建立设备正常状态和各级退化状态的隐半马尔科夫模型；C.基于库尔‑莱贝尔信息距离定义每个退化状态相对于正常状态的偏离程度，作为设备的性能退化指标DI；D.设定观测序列的最小长度N，设备运行一段时间，设备正常状态的DI满足N的时候，计算DI的平均值和标准差，从而通过极限误差法原理得到正常状态报警线的上下阈值；E.随着设备运行的时间推移，不断得到新的DI值，若新的DI值落在正常状态报警线的上下阈值内，则将新的DI值加入到正常的DI序列，重新计算DI序列的平均值和标准差；F.当有连续K个DI值落在正常状态报警线的上下阈值外时，设备偏离正常状态，进入退化阶段一，触发一级报警；然后退化阶段一的DI序列长度达到N时，按照步骤D和步骤E的方法得到新的DI并计算其平均值和标准差，确定退化阶段一的报警线的上下阈值；当有连续K个 DI值落在退化阶段一的上下阈值外时，设备偏离退化状态一，进入退化状态二，触发二级报警；G.随着新的DI值的不断调整，设备运行状态按照步骤F的规律进入退化状态三、退化状态四直至退化状态M，退化状态M为根据历史数据得出的设备运行需要维修的阶段；H.当DI值进入到退化阶段M时，进行报警，提醒工作人员按照实际情况进行检修或停机等处理。