1.一种配备SCADA系统的机电装备早期故障预警与辨识方法,其特征在于,包括以下步骤:从机电装备的SCADA系统的各主要监测项目中遴选出与其运行状态密切相关且有复杂耦合关系的变量,将其映射为动态网络的节点;
针对所述动态网络的每个节点构建健康状态理论预测模型,获取所述机电装备处于健康状态时的SCADA系统在前一个采样周期内的各采样时间采集到的每个节点的实测历史数据并构建成前一个采样周期的实测数据矩阵,将前一个采样周期的所述实测数据矩阵输入所述健康状态理论预测模型,得到当前采样周期的参考数据矩阵;
分别构建当前采样周期内划分的每个时间窗口的所述实测数据矩阵的协方差矩阵和参考数据矩阵的协方差矩阵并分别进行特征分解,计算分解后得到的特征值及其对应的特征向量,根据最大特征值所对应的特征向量及其元素排名筛选出所述动态网络的关键节点,具体包括:所述实测数据矩阵的协方差矩阵和所述参考数据矩阵的协方差矩阵均可表示变量其中,
所述样本协方差矩阵在时间窗口t处的第i行第j列的元素表示为:其中,
基于所述动态网络的关键节点分别计算所述实测数据矩阵与参照数据矩阵在每个时间窗口的动态网络的量化指标,根据所述实测数据矩阵与参照数据矩阵在每个时间窗口的动态网络的量化指标计算在每个时间窗口的系统评估指标,具体包括:采用下式分别计算所述实测数据矩阵在时间窗口t的动态网络的量化指标其中,
采用下式计算时间窗口t的系统评估指标:
其中,
响应于确定所述系统评估指标大于阈值,则生成所述预警信号,并根据对应时间窗口的响应于确定所述系统评估指标小于或等于阈值,则确定所述机电装备处于健康状态。
2.根据权利要求1所述的配备SCADA系统的机电装备早期故障预警与辨识方法,其特征在于,所述健康状态理论预测模型包括经训练的长短时记忆神经网络。
3.根据权利要求1所述的配备SCADA系统的机电装备早期故障预警与辨识方法,其特征在于,所述实测历史数据为经过归一化处理后的数据。
4.根据权利要求1所述的配备SCADA系统的机电装备早期故障预警与辨识方法,其特征在于,所述实测数据矩阵的协方差矩阵表示为:所述参考数据矩阵的协方差矩阵表示为:
其中,
5.一种配备SCADA系统的机电装备早期故障预警与辨识装置,其特征在于,包括:动态网络构建模块,被配置为从机电装备的SCADA系统的各主要监测项目中遴选出与其运行状态密切相关且有复杂耦合关系的变量,将其映射为动态网络的节点;
理论预测模块,被配置为针对所述动态网络的每个节点构建健康状态理论预测模型,获取所述机电装备处于健康状态时的SCADA系统在前一个采样周期内的各采样时间采集到的每个节点的实测历史数据并构建成前一个采样周期的实测数据矩阵,将前一个采样周期的所述实测数据矩阵输入所述健康状态理论预测模型,得到当前采样周期的参考数据矩阵;
关键节点筛选模块,被配置为分别构建当前采样周期内划分的每个时间窗口的所述实测数据矩阵的协方差矩阵和参考数据矩阵的协方差矩阵并分别进行特征分解,计算分解后得到的特征值及其对应的特征向量,根据最大特征值所对应的特征向量及其元素排名筛选出所述动态网络的关键节点,具体包括:所述实测数据矩阵的协方差矩阵和所述参考数据矩阵的协方差矩阵均可表示变量其中,
所述样本协方差矩阵在时间窗口t处的第i行第j列的元素表示为:其中,
故障分析模块,被配置为基于所述动态网络的关键节点分别计算所述实测数据矩阵与参照数据矩阵在每个时间窗口的动态网络的量化指标,根据所述实测数据矩阵与参照数据矩阵在每个时间窗口的动态网络的量化指标计算在每个时间窗口的系统评估指标,具体包括:采用下式分别计算所述实测数据矩阵在时间窗口t的动态网络的量化指标其中,
采用下式计算时间窗口t的系统评估指标:
其中,
响应于确定所述系统评估指标大于阈值,则生成所述预警信号,并根据对应时间窗口的响应于确定所述系统评估指标小于或等于阈值,则确定所述机电装备处于健康状态。
6.一种电子设备,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-4中任一所述的方法。
7.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1-4中任一所述的方法。