CN108435819A - 一种铝型材挤压机能耗异常检测方法 - Google Patents

Abstract

一种铝型材挤压机能耗异常检测方法，包括以下步骤：步骤A：数据采集，用于采集铝型材挤压机能耗数据；步骤B：数据预处理，将能源数据库中铝型材挤压机能耗数据进行预处理；步骤C：建立能耗数据模式异常检测模型；步骤D：根据能耗数据模式异常检测模型制定能耗曲线样本，并利用小波神经网络对铝型材挤压机能耗进行异常定位。本发明提出一种铝型材挤压机能耗异常检测方法，实现及时检测到挤压机异常并精准定位能耗异常部位，从而确保生产的顺利进行和产品的合格率。

Description

一种铝型材挤压机能耗异常检测方法

技术领域

本发明涉及挤压机能耗检测技术领域，尤其涉及一种铝型材挤压机能耗异常检测方法。

背景技术

铝型材清洁生产(资源消耗、节能潜力、废物产量等)是贯穿铝型材整个生产过程的全新战略。挤压机作为铝型材生产的核心设备，集机械、电气、液压和计算机于一体，结构复杂、能量消耗大，其运行状况直接决定了型材品质和能源消耗。在实际生产过程中，挤压机运行工况复杂且长期处于满负荷运行状态，这导致其能耗发生异常的概率较大且异常原因难以确定。在挤压机能耗发生异常时及时检测并精准定位能耗异常部位，不仅能保证生产的顺利进行和产品的合格率，而且能大大降低能耗。

发明内容

本发明的目的在于提出一种铝型材挤压机能耗异常检测方法，实现及时检测到挤压机异常并精准定位能耗异常部位，从而确保生产的顺利进行和产品的合格率。

为达此目的，本发明采用以下技术方案：

一种铝型材挤压机能耗异常检测方法，包括以下步骤：

步骤A：数据采集，用于采集铝型材挤压机能耗数据，并将铝型材挤压机能耗数据存储到能源数据库；

步骤B：数据预处理，将能源数据库中铝型材挤压机能耗数据进行预处理，包括填补缺失数据和数据平滑处理；

步骤C：建立能耗数据模式异常检测模型，包括利用能源数据库的铝型材挤压机能耗数据建立时间序列X＝<x₁，x₂，...x_n>，并提取时间序列X的子序列的特征值，并将时间序列的子序列映射到特征空间在特征空间中检测铝型材挤压机能耗数据的异常模式；

所述特征值包括高度h、均值方差σ和标准差s；

时间序列X₁＝<x_i1，x_i2，...x_im>是时间序列X＝<x₁，x₂，...x_n>的子序列，其中n表示时间序列X＝<x₁，x₂，...x_n>的长度，m表示子序列X₁＝<x_i1，x_i2，...x_im>的长度，x₁，x₂，...x_n表示铝型材挤压机的能耗数据；

步骤D：根据能耗数据模式异常检测模型制定能耗曲线样本，并利用小波神经网络对铝型材挤压机能耗进行异常定位，包括以下步骤：

小波包分解，计算能量值，维数约简，输入输出层参数设定，中间层数目设定，神经网络学习训练，测试样本输入和定位能耗异常。

优选的，建立能耗数据模式异常检测模型包括以下具体步骤：

步骤C1：给时间序列X＝<x₁，x₂，...x_n>加滑动窗口，记为F_i，其中i表示第几个滑动窗口，且令i＝1；

步骤C2：计算步骤C1中的F_i的边缘权重因子，从而提取出每个子序列X₁＝<x_i1，x_i2，...x_im>的上下边界值，计算公式如下：

其中m表示W(i)的窗口宽度，即子序列X1＝<x_i1，x_i2，...x_im>的长度；x_max/x_min表示每一个窗口中的最大或最小序列值；

步骤C3：提取出子序列X₁＝<x_i1，x_i2，...x_im>的特征值，并对其进行归一化处理，归一化处理公式如下：

其中，x_max/x_min表示每一个窗口中的最大或最小序列值；

步骤C4：计算子序列X₁＝<x_i1，x_i2，...x_im>的k-MLOF值，当k-MLOF值较大时，表示该子序列为异常模式的可能性最大，记录k-MLOF值较大的子序列。

优选的，计算子序列X₁＝<x_i1，x_i2，...x_im>的k-MLOF值，包括使用公式进行计算，公式如下：

其中，

k-MLh^*(c_i)、k-MLσ^*(c_i)、k-MLs^*(c_i)分别表示特征空间中的高度、均值、方差和标准差的k平均距离。

优选的，所述小波包分解包括使用小波包分解技术对能耗曲线样本进行3层小波分解，得到8个频段信息；

所述计算能量值包括重构小波包系数，计算每个频带的能量值，并做归一化处理，得到归一化后的能量值向量T′＝[E′₀，E′₁，E′₂，E′₃，E′₄，E′₅，E′₆，E′₇]；其中E′₀-E′₇分别表示第几个小波节点的能量值向量；

所述维数约简包括使用PCA降维方法，对能量值向量T′进行降维处理，得到降维后的神经网络输入

所述输入输出层参数设定包括以为输入向量，以一个三维神经元节点表示模型输出；

所述中间层数目设定包括根据输入层的神经元个数，计算出中间层m1的范围，计算公式如下：

k代表样本总数目，m为输入层单元数，m1代表中间层单元数，

i∈Z⁺，i∈[0，m]，当i＞m₁，

n代表输出层单元数，α∈Z⁺，α∈[1，10]；

m₁≥log₂m，m为输入层单元数。

所述神经网络学习训练包括确定网络传递函数，设置神经网络训练参数，然后将输入到神经网络学习训练中；

所述定位能耗异常包括根据输出向量找到输出向量与能耗异常类型的对应关系，从而对能耗异常进行定位处理。

附图说明

图1是本发明的铝型材挤压机能耗异常检测流程图。

具体实施方式

下面结合附图并通过具体实施方式来进一步说明本发明的技术方案。

本实施例的一种铝型材挤压机能耗异常检测方法，如图1所示，包括以下步骤：

步骤A：数据采集，用于采集铝型材挤压机能耗数据，并将铝型材挤压机能耗数据存储到能源数据库；

数据采集包括使用智能电表、设备集中器和采集前置机进行数据采集，智能电表根据上层应用发送的采集指令对挤压机生产过程中的耗电量进行实时采集，各电表采集到的数据通过设备集中器如串口服务器等合并融合后传送到采集前置机，最后以一定的数据结构存储到能源管理系统数据库中供不同的应用服务调用。

步骤B：数据预处理，将能源数据库中铝型材挤压机能耗数据进行预处理，包括填补缺失数据和数据平滑处理；

在数据采集和传输的过程中，由于设备损坏、智能仪表测量误差以及外界干扰等因素的影响，使得数据库中存在很多杂乱无章的病态数据，在利用采集到的数据进行异常检测研究前，若不进行相关处理，不仅效率低下，而且会严重影响本方法的准确性和可靠性。

步骤C：建立能耗数据模式异常检测模型，包括利用能源数据库的铝型材挤压机能耗数据建立时间序列X＝<x₁，x₂，...x_n>，并提取时间序列X的子序列的特征值，并将时间序列的子序列映射到特征空间在特征空间中检测铝型材挤压机能耗数据的异常模式；

所述特征值包括高度h、均值方差σ和标准差s；

时间序列X₁＝<x_i1，x_i2，...x_im>是时间序列X＝<x₁，x₂，...x_n>的子序列，其中n表示时间序列X＝<x₁，x₂，...x_n>的长度，m表示子序列X₁＝<x_i1，x_i2，...x_im>的长度，x₁，x₂，...x_n表示铝型材挤压机的能耗数据；

模式异常是指一段时间序列的特征形态不同于其他经常出现的特征形态，通过模式异常检测，可以检测到点异常检测无法检测到的异常情况。采用特征提取的方式最终可以提高异常检测的效率和准确率。

在挤压机能耗时序数据中，为了全面表示时间序列的模式特征，有必要提取每一个子序列的特征值：高度、均值、方差和标准差，以这些特征值来衡量一段时间序列的特征，在将时间序列子序列一一映射到特征空间后，在该特征空间中检测挤压机能耗数据的异常模式。

优选的，建立能耗数据模式异常检测模型包括以下具体步骤：

步骤C1：给时间序列X＝<x₁，x₂，...x_n>加滑动窗口，记为F_i，其中i表示第几个滑动窗口，且令i＝1；

步骤C2：计算步骤C1中的F_i的边缘权重因子，从而提取出每个子序列X₁＝<x_i1，x_i2，...x_im>的上下边界值，计算公式如下：

其中m表示W(i)的窗口宽度，即子序列X₁＝<x_i1，x_i2，...x_im>的长度；x_max/a_min表示每一个窗口中的最大或最小序列值；

步骤C3：提取出子序列X₁＝<x_i1，x_i2，...x_im>的特征值，并对其进行归一化处理，归一化处理公式如下：

其中，x_max/x_min表示每一个窗口中的最大或最小序列值；

步骤C4：计算子序列X₁＝<x_i1，x_i2，...x_im>的k-MLOF值，当k-MLOF值较大时，表示该子序列为异常模式的可能性最大，记录k-MLOF值较大的子序列。

优选的，计算子序列X₁＝<x_i1，x_i2，...x_im>的k-MLOF值，包括使用公式进行计算，公式如下：

其中，

k-MLh^*(c_i)、k-MLσ^*(ci)、k-MLs^*(c_i)分别表示特征空间中的高度、均值、方差和标准差的k平均距离。

挤压机在运行过程中，不同组件出现问题时产生的机理不一样，对能耗产生的影响也不一样。因此，其能耗曲线中含有很多潜在有用的信息，通过对能耗曲线进行特征提取，可以有效实现挤压机异常定位。

步骤D：根据能耗数据模式异常检测模型制定能耗曲线样本，并利用小波神经网络对铝型材挤压机能耗进行异常定位，包括以下步骤：

小波包分解，计算能量值，维数约简，输入输出层参数设定，中间层数目设定，神经网络学习训练，测试样本输入和定位能耗异常。

优选的，所述小波包分解包括使用小波包分解技术对能耗曲线样本进行3层小波分解，得到8个频段信息；

所述计算能量值包括重构小波包系数，计算每个频带的能量值，并做归一化处理，得到归一化后的能量值向量T＇＝[E＇₀，E＇₁，E＇₂，E＇₃，E＇₄，E＇₅，E＇₆，E＇₇]；其中E′₀-E′₇分别表示第几个小波节点的能量值向量；

所述维数约简包括使用PCA降维方法，对能量值向量T′进行降维处理，得到降维后的神经网络输入

所述输入输出层参数设定包括以为输入向量，以一个三维神经元节点表示模型输出；

所述中间层数目设定包括根据输入层的神经元个数，计算出中间层m1的范围，计算公式如下：

k代表样本总数目，m为输入层单元数，m1代表中间层单元数，

i∈Z⁺，i∈[0，m]，当i＞m₁，

n代表输出层单元数，α∈Z⁺，α∈[1，10]；

m₁≥log₂m，m为输入层单元数。

所述神经网络学习训练包括确定网络传递函数，设置神经网络训练参数，如动量因子、学习速率、精度、步长等。然后将输入到神经网络学习训练中；在训练过程中反复对连接权值进行修改调整，使各参数均达到符合的要求。

所述定位能耗异常包括根据输出向量找到输出向量与能耗异常类型的对应关系，从而对能耗异常进行定位处理。

以上结合具体实施例描述了本发明的技术原理。这些描述只是为了解释本发明的原理，而不能以任何方式解释为对本发明保护范围的限制。基于此处的解释，本领域的技术人员不需要付出创造性的劳动即可联想到本发明的其它具体实施方式，这些方式都将落入本发明的保护范围之内。

Claims (4)

1.一种铝型材挤压机能耗异常检测方法，其特征在于：包括以下步骤：

步骤A：数据采集，用于采集铝型材挤压机能耗数据，并将铝型材挤压机能耗数据存储到能源数据库；

步骤B：数据预处理，将能源数据库中铝型材挤压机能耗数据进行预处理，包括填补缺失数据和数据平滑处理；

步骤C：建立能耗数据模式异常检测模型，包括利用能源数据库的铝型材挤压机能耗数据建立时间序列X＝<x₁，x₂，...x_n>，并提取时间序列X的子序列的特征值，并将时间序列的子序列映射到特征空间在特征空间中检测铝型材挤压机能耗数据的异常模式；

所述特征值包括高度h、均值方差σ和标准差s；

时间序列X₁＝<x_i1，x_i2，...x_im>是时间序列X＝<x₁，x₂，...x_n>的子序列，其中n表示时间序列X＝<x₁，x₂，...x_n>的长度，m表示子序列X₁＝<x_i1，x_i2，...x_im>的长度，x₁，x₂，...x_n表示铝型材挤压机的能耗数据；

步骤D：根据能耗数据模式异常检测模型制定能耗曲线样本，并利用小波神经网络对铝型材挤压机能耗进行异常定位，包括以下步骤：

小波包分解，计算能量值，维数约简，输入输出层参数设定，中间层数目设定，神经网络学习训练，测试样本输入和定位能耗异常。

2.根据权利要求1所述一种铝型材挤压机能耗异常检测方法，其特征在于：

建立能耗数据模式异常检测模型包括以下具体步骤：

步骤C1：给时间序列X＝<x₁，x₂，...x_n>加滑动窗口，记为F_i，其中i表示第几个滑动窗口，且令i＝1；

步骤C2：计算步骤C1中的F_i的边缘权重因子，从而提取出每个子序列X₁＝<x_i1，x_i2，...x_im>的上下边界值，计算公式如下：

其中m表示W(i)的窗口宽度，即子序列X₁＝<x_i1，x_i2，...x_im>的长度；

x_max/x_min表示每一个窗口中的最大或最小序列值；

步骤C3：提取出子序列X₁＝<x_i1，x_i2，...x_im>的特征值，并对其进行归一化处理，归一化处理公式如下：

其中，x_max/x_min表示每一个窗口中的最大或最小序列值；

步骤C4：计算子序列X₁＝<x_i1，x_i2，...x_im>的k-MLOF值，当k-MLOF值较大时，表示该子序列为异常模式的可能性最大，记录k-MLOF值较大的子序列。

3.根据权利要求2所述一种铝型材挤压机能耗异常检测方法，其特征在于：

计算子序列X₁＝<x_i1，x_i2，...x_im>的k-MLOF值，包括使用公式进行计算，公式如下：

其中，

k-MLh^*(c_i)、k-MLσ^*(c_i)、k-MLs^*(c_i)分别表示特征空间和的高度、均值、方差和标准差的k平均距离。

4.根据权利要求1所述一种铝型材挤压机能耗异常检测方法，其特征在于：所述小波包分解包括使用小波包分解技术对能耗曲线样本进行3层小波分解，得到8个频段信息；

所述计算能量值包括重构小波包系数，计算每个频带的能量值，并做归一化处理，得到归一化后的能量值向量T′＝[E′₀，E′₁，E′₂，E′₃，E′₄，E′₅，E′₆，E′₇]；其中E′₀-E′₇分别表示第几个小波节点的能量值向量；

所述维数约简包括使用PCA降维方法，对能量值向量T′进行降维处理，得到降维后的神经网络输入

所述输入输出层参数设定包括以为输入向量，以一个三维神经元节点表示模型输出；

所述中间层数目设定包括根据输入层的神经元个数，计算出中间层m1的范围，计算公式如下：

k代表样本总数目，m为输入层单元数，m1代表中间层单元数，i∈Z⁺，i∈[0，m]，当i＞m₁，

n代表输出层单元数，α∈Z⁺，α∈[1，10]；

m₁≥log₂ m，m为输入层单元数；

所述神经网络学习训练包括确定网络传递函数，设置神经网络训练参数，然后将输入到神经网络学习训练中；

所述定位能耗异常包括根据输出向量找到输出向量与能耗异常类型的对应关系，从而对能耗异常进行定位处理。