首页 > 编程语言 >NSET or MSET算法--原理解析

NSET or MSET算法--原理解析

时间:2024-11-04 16:45:17浏览次数:6  
标签:... 状态 -- 矩阵 NSET MSET 数据 DT

1.背景

  1. NSET/MSET是一种非线性的多元预测诊断技术,广泛应用于系统状态估计、故障诊断和预测等领域;相比于传统的线性模型和方法,NSET/MSET能够更好地处理非线性系统,并提供更准确的预测和诊断能力。
  2. 在早期,MSET融合了模式识别技术和序贯概率比检验方法,主要应用于核电厂信号验证、仪表精度监控以及组件运行失常等监控场景的研究工作。

2.应用

  1. 工业监控:MSET可用于监测和预测工业设备的状态和性能。通过分析传感器数据和监测参数,MSET可以实时监测设备的运行状态,及时检测异常情况,预测设备故障,并提供预警和维修建议。
  2. 电力系统:MSET可以用于电力系统的状态估计和故障检测。它可以通过分析电力系统中的电流、电压、频率等参数,实时监测电力系统的运行状态,检测潜在的故障或异常情况,并提供故障诊断和恢复策略。

3.概念原理

3.1流程简介

非线性状态估计(NSET)方法是将当前运行数据和已生成的历史运行状态进行对比,计算并比较多状态变量之间的相似度,从而进行故障预警的方法。

3.2流程图

在这里插入图片描述

3.3逐步解析

1)观测矩阵

观测矩阵形象的表示就是一组多变量多步时间数据,其中有m个时间状态,每个时间状态有n个变量数据。
( x 11 x 12 . . . x 1 m x 21 x 22 . . . x 2 m . . . . . . . . . . . . x n 1 x n 2 . . . x n m ) \begin{equation} %开始数学环境 \left( %左括号 \begin{array}{ccc} %该矩阵一共3列,每一列都居中放置 x11 & x12 & ... & x1m\\ %第一行元素 x21 & x22 & ... & x2m\\ %第二行元素 ... & ... & ... & ...\\ xn1 & xn2 & ... & xnm\\ %第二行元素 \end{array} \right) %右括号 \end{equation} ​x11x21...xn1​x12x22...xn2​............​x1mx2m...xnm​ ​​​

2)训练数据

训练数据K包含系统全范围的动态参数,涵盖的面一定要全,包含了开始运行、运行平稳、运行结束等阶段数据,而且一定不能包含故障数据。
K = [ X ( t 1 + i ) , X ( t 2 + i ) , X ( t k + i ) ] K=[X(t_{1+i}),X(t_{2+i}),X(t_{k+i})] K=[X(t1+i​),X(t2+i​),X(tk+i​)]

3)记忆矩阵

从训练数据中抽取一部分代表性数据,可以组成过程记忆矩阵D,过程记忆矩阵大小为nXd,其中d表示为包含状态的数量,n表示为了观测参数的维度。
( x 1 ( t 1 ) . . . x 1 ( t d ) . . . . . . . . . x n ( t 1 ) . . . x n ( t d ) ) \begin{equation} %开始数学环境 \left( %左括号 \begin{array}{ccc} %该矩阵一共3列,每一列都居中放置 x_1(t_1) & ... & x_1(t_d)\\ %第一行元素 ... & ... & ...\\ %第二行元素 x_n(t_1) & ... & x_n(t_d)\\ %第二行元素 \end{array} \right) %右括号 \end{equation} ​x1​(t1​)...xn​(t1​)​.........​x1​(td​)...xn​(td​)​ ​​​

4)剩余训练数据

训练数据中除去记忆矩阵的剩余部分,将会组成剩余训练数据L

5)当前系统估计矩阵

Xobs是当前系统观测矩阵,如果想要求当前系统的估计矩阵,那么就需要使用观测矩阵乘以某个大小相同的权重矩阵,即:
X e s t = D ⋅ W X_{est}=D·W Xest​=D⋅W
权值矩阵W为表征状态估计和过程记忆矩阵间相似性测度的大小,为了让Xobs和Xest的残差值最小化,进行求解

6)求解过程

目标函数: m i n ϵ 2 = m i n [ ( X o b s − D ⋅ W ) T ⋅ ( X o b s − D ⋅ W ) ] 目标函数:min\epsilon^2=min[(X_{obs}-D·W)^T·(X_{obs}-D·W)] 目标函数:minϵ2=min[(Xobs​−D⋅W)T⋅(Xobs​−D⋅W)]
最小二乘解: W = ( D T ⋅ D ) − 1 ⋅ ( D T ⋅ D o b s ) 最小二乘解:W=(D^T·D)^{-1}·(D^T·D_{obs}) 最小二乘解:W=(DT⋅D)−1⋅(DT⋅Dobs​)
大多数系统的状态数据间都会存在一定的相关性,数据之间的相关性会导致矩阵不可逆,限制了权值的求取。NSET方法利用基于相似性原理的相似性运算符代替点积,通过计算数据状态间的相似程度来表征其权值,解决数据相关所造成的矩阵不可逆。
相似性运算符号: ⊗ 相似性运算符号:\otimes 相似性运算符号:⊗
W = ( D T ⊗ D ) − 1 ⋅ ( D T ⊗ D o b s ) W=(D^T\otimes D)^{-1}·(D^T\otimes D_{obs}) W=(DT⊗D)−1⋅(DT⊗Dobs​)
最终,系统当前的状态估计矩阵与观测矩阵关系如下结果:
X e s t = D ⋅ ( D T ⊗ D ) − 1 ⋅ ( D T ⊗ D o b s ) X_{est}=D·(D^T \otimes D)^{-1}·(D^T\otimes D_{obs}) Xest​=D⋅(DT⊗D)−1⋅(DT⊗Dobs​)

标签:...,状态,--,矩阵,NSET,MSET,数据,DT
From: https://blog.csdn.net/zkw54334/article/details/143476545

相关文章

  • 国标GB28181-2022平台EasyGBS国标GB28181设备管理软件:GB28181标准下的视频监控集成与
    随着信息技术的飞速发展,视频监控领域正经历从传统安防向智能化、网络化安防的深刻转变。在这一变革中,国标GB28181-2022平台EasyGBS作为一款基于GB28181标准的视频监控集成与管理平台,凭借其卓越的性能、高度的灵活性和用户友好的设计,广泛应用于智慧城市、智慧园区、智慧交通、智......
  • 国标GB28181公网平台EasyGBS国标GB28181软件构建标准化视频监控网络
    在当今的数字化时代,视频监控已成为公共安全、企事业单位等领域不可或缺的一部分。为了规范这一领域的信息传输、交换和控制,我国推出了GB/T28181标准,并在此基础上,国标GB28181公网平台EasyGBS以其丰富的视频能力和灵活的部署方式,为视频监控领域带来了诸多创新和便利。国标GB/T2......
  • 从安装到实战:Spring Boot与kafka终极整合指南
    docker环境下部署kafka前置条件ApacheKafka自2.8.0版本开始引入了不依赖Zookeeper的“KafkaRaftMetadataMode”,本文章依然使用Zookeeper作为集群管理的插件。#拉去zookeeper镜像dockerpullwurstmeister/zookeeper#运行zookeeper容器dockerrun-d--na......
  • VMware虚拟机磁盘扩展
    在VMware虚拟机中增加/dev/mapper/centos-root文件系统磁盘空间,通常涉及几个关键步骤:扩展虚拟机硬盘、在Linux操作系统中识别新空间、调整分区和逻辑卷,以及扩展文件系统。以下是一个详细的指南:一、扩展虚拟机硬盘关闭虚拟机:在VMware中,首先确保虚拟机已关闭,因为扩展硬盘空间通常......
  • falsk之闪现
    一、闪现的用途在Flask中,“闪现消息”(FlashMessages)是一种用于在不同请求之间传递一次性消息的机制。这在Web应用中非常实用,特别是在需要向用户展示短暂的通知、错误消息或者确认信息时。1、闪现的用途用户反馈:在用户提交表单后,告诉用户操作成功或失败,比如“提交成功”......
  • 《图解设计模式》 第一部分,适应设计模式
    第一章Iterator模式--一个一个遍历为什么要使用Iterator模式?正常遍历我们使用for循环即可,为什么要在集合引入Iterator这个角色呢?egwhile(it.hasNext()){Bookbook=(Book)it.next();System.out.println(book.getName());}这里的while循环并不依赖于Boo......
  • TL431
      浅谈一下TL431的工作原理和用法-CSDN博客......