申请/专利权人：广东电网有限责任公司

申请日：2024-03-12

公开（公告）日：2024-05-10

公开（公告）号：CN117874437B

主分类号：G06F18/10

分类号：G06F18/10;G06F18/2131;G06F18/241;G06F18/27;G06N20/20;G06N5/01;G06Q10/0635;G06F123/02

优先权：

专利状态码：有效-授权

法律状态：2024.05.10#授权;2024.04.30#实质审查的生效;2024.04.12#公开

摘要：本申请提供一种基于时间序列分析的事故趋势识别方法，包括：对生产线上的历史安全事故数据进行去噪处理，提取时间点，排除偶发性干扰因素对事故分析的干扰；根据频域分析得到的周期性规律，通过季节性自回归积分滑动平均模型，对历史安全事故记录进行季节性趋势分析；根据季节性趋势利用随机森林算法进行特征学习，从非线性和非平稳时间序列中识别和提取事故演变特征；识别和量化生产线上的对偶环节在事故发生时的敏感性和脆弱性的差异性，预测不同生产线环节在事故发生时的反应；预测不同生产线环节在事故发生时的反应，模拟应急响应策略，调整生产线应急响应策略。

主权项：1.一种基于时间序列分析的事故趋势识别方法，其特征在于，所述方法包括：对生产线上的历史安全事故数据进行去噪处理，提取时间点，排除偶发性干扰因素对事故分析的干扰；通过傅里叶变换和小波变换方法分析经过去噪处理的生产线上的历史安全事故数据，提取和识别频域特性，获取周期性规律；根据频域分析得到的周期性规律，通过季节性自回归积分滑动平均模型，对历史安全事故记录进行季节性趋势分析；根据季节性趋势利用随机森林算法进行特征学习，从非线性和非平稳时间序列中识别和提取事故演变特征；根据事故演变特征识别结果，采用故障树分析方法，对生产线上的对偶环节和依赖关系进行分析，识别影响事故发生的内部机制和关键因素；根据对偶环节和依赖关系识别结果，模拟生产线的运行行为，分析生产线上的对偶环节在事故发生时的敏感性和脆弱性；识别和量化生产线上的对偶环节在事故发生时的敏感性和脆弱性的差异性，预测不同生产线环节在事故发生时的反应；预测不同生产线环节在事故发生时的反应，模拟应急响应策略，调整生产线应急响应策略；其中，所述对生产线上的历史安全事故数据进行去噪处理，提取时间点，排除偶发性干扰因素对事故分析的干扰，包括:使用小波变换对生产线上的历史安全事故数据进行处理，选择小波基函数，对生产线上的历史安全事故数据进行小波分解，根据预设的阈值去除噪声成分，重构生产线上的历史安全事故数据；初始化卡尔曼滤波器的参数，采用卡尔曼滤波对生产线上的历史安全事故，通过新的生产线上的历史安全事故数据更新状态估计；对去噪后的生产线上的历史安全事故数据进行特征提取，包括温度和压力物理参数，通过主成分分析，确定与事故发生关联的参数；对与事故发生关联的参数进行分析，识别与正常模式不一致的时间点；对识别出的时间点数据进行因果关系分析，根据格兰杰因果性检验，确定与事故出现并与事故有直接的关联的因素；根据与事故出现并与事故有直接的关联的因素，分析数据集，识别数据集中的异常点，排除偶发性干扰因素；其中，所述通过傅里叶变换和小波变换方法分析经过去噪处理的生产线上的历史安全事故数据，提取和识别频域特性，获取周期性规律，包括:对去噪后的生产线上的历史安全事故数据应用快速傅里叶变换，将时域信号转换为频域信号，获得信号的频谱分布；根据信号的频谱分布，使用频谱峰值检测方法识别频率成分及幅值；根据识别的频谱成分的频率范围，调整傅里叶变换的参数，包括窗口大小和重叠区域；选择母小波函数，对傅里叶变换未能解析的信号部分进行小波变换，提取信号的时间局部特性，得到时间频率分布图；根据时间频率分布图，识别瞬态事件和非平稳信号特性，分析事故发生前后的信号异常变化；结合傅里叶变换和小波变换的结果，提取频域特性，包括主频率、能量分布和时间频率局部变化特征；对提取的频域特性进行模式匹配，与经过去噪处理的生产线上的历史安全事故数据的频域特性进行对比，判断当前事故数据是否与已知的事故特征模式相匹配；采用支持向量机算法，对模式匹配结果进行分析，判断事故数据中的周期性规律和模式；其中，所述根据频域分析得到的周期性规律，通过季节性自回归积分滑动平均模型，对历史安全事故记录进行季节性趋势分析，包括:根据频域分析得到的周期性规律，设定季节性自回归积分滑动平均SARIMA模型中的季节周期参数S；采用单位根检验，对生产线上的历史安全事故数据进行平稳性检验，判断是否需要进行差分以及差分的次数，确定季节性自回归积分滑动平均SARIMA模型中的非季节性差分参数d和季节性差分参数D；利用自相关函数ACF和偏自相关函数PACF对生产线上的历史安全事故数据进行分析，确定季节性自回归积分滑动平均SARIMA模型中的非季节性自回归参数p和季节性自回归参数P，以及非季节性滑动平均参数q和季节性滑动平均参数Q；采用最大似然估计法对季节性自回归积分滑动平均SARIMA模型中的所有参数进行估计，得到季节性自回归积分滑动平均SARIMA模型的初步形态；通过交叉验证和赤池信息准则AIC评判标准对季节性自回归积分滑动平均SARIMA模型进行优化，选择参数组合；使用优化后的季节性自回归积分滑动平均SARIMA模型对生产线上的历史安全事故数据进行拟合，分析季节性趋势，提取季节性成分；利用拟合得到的季节性自回归积分滑动平均SARIMA模型对阈值时间范围内的安全事故发生趋势进行预测；其中，所述根据季节性趋势利用随机森林算法进行特征学习，从非线性和非平稳时间序列中识别和提取事故演变特征，包括:使用STL季节性分解方法对生产线的历史安全事故数据趋势分量的提取和季节性分量的识别，以及残差分量的获取处理，将生产线上的历史安全事故数据中的季节性趋势和周期性规律显式分离；根据STL季节性分解方法的结果，计算滞后特征，分析阈值时间窗口内的数据点对当前观测值的影响；采用滑动窗口方法，提取移动平均特征，包括标准偏差和变异系数，获取时间序列的局部动态变化信息，包括确定窗口大小和步长，计算每个窗口内的统计量；对时间戳进行解析，提取时间特征，包括小时、工作日、周末和季节性指标，获取经过特征工程处理的数据集；将经过特征工程处理的数据集输入随机森林模型进行训练，随机森林模型通过内部决策树投票机制学习特征与事故演变的关联性；利用训练好的随机森林模型分析非线性和非平稳时间序列数据，识别模式和趋势，对特征重要性进行度量，对所有特征进行评分和排名，确定影响事故演变的驱动因素；筛选重要性排名高于排名阈值的特征，将特征与季节性趋势之间的关联进行分析，识别在不同季节下对事故演变具有影响的特征；计算特征间的相关性，分析特征交互作用对事故演变的影响，获取事故演变特征；采用交叉验证方法对随机森林模型进行测试，通过模型的准确率、召回率和F1得分指标评估模型性能，根据评估结果调整模型参数，优化模型性能；其中，所述根据事故演变特征识别结果，采用故障树分析方法，对生产线上的对偶环节和依赖关系进行分析，识别影响事故发生的内部机制和关键因素，包括:获取生产线的实时运行状态，包括设备性能数据、故障记录和操作日志；整理和分类获取的数据，分成对应的事故顶事件和中间事件以及基本事件，确保数据的逻辑结构；构建故障树模型，将事故顶事件与中间事件和基本事件通过逻辑门连接，形成逻辑结构图；获取生产线的配置信息，标记生产线中存在的对偶环节，分析对偶环节之间的相互影响以及对顶事件的影响，在故障树模型中标注结构元素，确定故障树模型中的环节；分析生产线中的资源共享和控制命令依赖信息，获取依赖关系数据，确定事故传播的路径；对于故障树中标识的基本事件，进行概率分析，得到每个基本事件发生的概率；根据基本事件的概率，计算中间事件及顶事件发生的概率，确定路径和最小割集；若故障树模型显示某一基本事件的概率对顶事件影响度高于影响阈值，评估该基本事件概率变化对顶事件概率的影响；还包括：根据生产线中对偶环节的运行数据评估，确定环节间交互作用系数并计算累积应力响应，监控整体应力状况，具体包括：定义累积应力响应计算公式；其中Scumulative表示系统级累积应力响应，Ai代表第i个对偶环节自身的应力响应，Bij是第i和第j个环节间的交互作用系数，Cj是第j个环节的影响因子；获取生产线中对偶环节的运行数据进行，包括操作压力、温度和振动频率；对每个对偶环节进行单独的应力响应评估，并根据应力响应评估与其他环节的相互作用确定交互作用系数Bij；应用公式计算系统级累积应力响应Scumulative，量化对偶环节间交互作用下的整体应力水平；根据累积应力响应的计算结果，监控生产线的应力状况；其中，所述根据对偶环节和依赖关系识别结果，模拟生产线的运行行为，分析生产线上的对偶环节在事故发生时的敏感性和脆弱性，包括:获取生产线的系统结构信息，包括对偶环节的位置和配置，获得系统结构数据；通过生产线的系统结构数据分析，建立对偶环节间连接关系的数据模型，确定连接关系模型；根据连接关系模型，输入每个环节的参数，包括容量、速率、延迟和故障率进行动态模拟，生成模拟数据；进行资源分配分析，识别资源制约点和优化点，确定资源分配结果；根据资源分配结果，调整模拟参数，确保模拟结果反映实际生产运作状态，获取调整后的模拟数据；通过调整后的模拟数据，设定模拟中的控制策略，包括调度算法和库存管理规则，确保模拟中的控制策略能在模拟环境中实现；输入依赖关系数据，模拟对偶环节间的物料流、信息流和能量交换场景，预测对偶环节间的敏感点和影响链路，获取模拟的依赖性数据；根据外部扰动因素，包括市场需求和供应链状况，调整模拟参数，模拟市场需求和供应链状况变化对生产线运行的影响，确定外部因素对模拟的影响；进行敏感性分析，确定对生产线稳定性影响度高于影响阈值的对偶环节和参数，确定敏感性分析结果；通过模拟不同参数变化的场景，判断对偶环节在面对变化时的适应能力，获得适应能力判断结果；执行脆弱性评估，模拟故障和扰动场景，包括设备故障和物料短缺，分析对生产线效率和恢复时间的影响；根据评估结果，确定生产线中的脆弱环节，确定脆弱环节的位置；还包括：根据对偶环节性能变化与时间延迟数据，评估生产线中的交互敏感性分数，具体包括：进行对偶环节间敏感性的评估和优化，定义敏感性量化公式；其中，Si，j来表示两个对偶环节i和j之间的交互敏感性，其中S是敏感性分数；ΔPi和ΔPj分别表示环节i和j在特定扰动下的性能变化，ΔTi，j表示两环节之间的时间延迟变化，α和β是权重因子，表示调整性能变化和时间延迟对敏感性评分的影响；获取对偶环节在不同条件下的性能数据和时间延迟数据；根据生产线特性和业务需求，设定α和β值；通过获取的数据，在模拟环境中执行动态模拟，模拟不同的扰动场景；在模拟过程中应用Si，j公式，计算并记录不同对偶环节组合在扰动下的敏感性分数；对计算结果进行分析，识别敏感性分数高于分数阈值的对偶环节组合；其中，所述识别和量化生产线上的对偶环节在事故发生时的敏感性和脆弱性的差异性，预测不同生产线环节在事故发生时的反应，包括:根据敏感性分析结果，对生产线上的对偶环节在事故发生时的敏感性进行量化，得到敏感性得分；对生产线上的对偶环节在事故发生时的脆弱性进行量化评估，包括故障率、恢复能力和故障影响范围，得到脆弱性得分；通过敏感性得分和脆弱性得分，对生产线上的对偶环节进行敏感性得分和脆弱性得分的排序；根据敏感性得分和脆弱性得分的排序，评估生产线上的对偶环节在面对事故时的风险水平，获取关键度，识别关键度高于关键阈值的环节；区分和量化对偶环节间的差异；构建仿真模型，模拟不同事故场景下的生产线响应，分析系统结构和运行状态对事故的反应，获取仿真结果数据；采用遗传算法，根据敏感性得分和脆弱性得分模拟不同事故场景下对偶环节的反应；输入量化的敏感性得分和脆弱性得分，并设置不同的事故场景参数，包括设备故障和供应链中断；获取和分析对偶环节在模拟事故中的反应数据，包括对偶环节间的差异反应。

全文数据：

权利要求：

百度查询： 广东电网有限责任公司 一种基于时间序列分析的事故趋势识别方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD