基于数据挖掘的故障诊断算法

Important Systems'' security is vital to ecnomic development, and the fault detection and diagnosis (FDD) method is the basement for safety of systems. The structure of system tends to become more and more complex, also, the storeage of accumulated sensory data keeps increasing with exponential rate. To achieve an effective and fully monitoring to such a system, Huge amounts of data needed to be processed. In this project, we try to get useful patterns for fault detection and diagonsis through related data mining algorithm, which is related with the operation process; constructing their statistical model with the consideration of maintaining experiences. Then, the fault subspace is collected, and build relationship between the subspace and sensory input with the learning algorithm. Based on that, the fault detection algorithm is supposed to build to monitoring the possible incoming fault and isolating the fault which already happen. Also, by endowing the semantic meaning to the undering pattern, a user-friendly interface could be built, which will facilitate the better maintance and smoothing future operations.

重大系统的安全运营对国民经济建设意义巨大，而故障诊断是建立安全系统的核心支撑技术。而现在的系统日趋复杂，与之相关的数据也以指数的趋势在增长，为了对复杂系统进行全面而有效的监测，需要发展能够有效处理海量的传感器数据的故障诊断算法。在本项目中，试图对光源运行的物理数据库中通过数据挖掘算法发现和运维相关的数据模式，结合运行的实际经验，建立统计模型，提取发生故障的状态空间子集，确立一种故障原因的发现算法进而建立多层次的监控模型，并能够预测可能潜在的故障；并根据上海光源的运维实际需要，建立界面友好的基于Web的故障分析与预测综合平台来保证上海光源的更为顺畅的运行。

经过三年的对上海光源运行的物理数据的分析，发现通过对温度相关的Process Variable作为整个束线状态变化的枢纽，通过温度的变化，可以把加速器的状态，真空和水流的变化串联起来。而通过对温度类的数据的三年来的分析，发展出通过用ARMA(1)的时间序列模型能够很好的表征绝大部分温度模式的Process Variable的变化; 在数据挖掘中，我们发现温度的时间序列模型发生变化时，可以通过修正该段时间的均值来继续用ARMA(1)模型来描述这个Process Variable. 根据这个特性，温度的完全可以通过带有一个参数的ARMA(1)模型来描述，而这个参数可以看做是这个Process Varible的状态。根据特定温度Process Variable状态的变化的时间，我们通过常见模式关联的挖掘(可以通过Apriori 算法或FP-growth)，找到对应的状态变化的概率矩阵。.这个概率矩阵是建立线站运行的知识集合，初始集合通过对历史数据的分析和挖掘得到。而对实时动态我们通过流数据分析，将最新的知识和已有知识结合起来。在此基础上，我们建立一个类似马尔科夫链的模型，用以来分析目前状态变化的原因。这些知识数据都存储在关系型数据库上，这方便建立基于HTTP通讯协议的查询和潜在用户的交互。..然而，在数据分析过程中，我们也发现目前所收集到的数据也并不完备，对用户和系统交互的数据没有任何存储，这妨碍我们分析用户行为的错误导致的系统错误的模式；同时，对加速器的数据也没有收集好，这是我们下一步想要完善系统的方法。尽管如此，当前的数据知识能够检测出一部分系统错误。因此，到达了部分项目立项的目标。同时，在这个项目中，我们完善了线站的数据分析流程，升级了相关的传感器和探测器