CN110930012B - 基于敏感性分析及改进阴性选择法的能耗异常定位方法 - Google Patents

基于敏感性分析及改进阴性选择法的能耗异常定位方法 Download PDF

Info

Publication number
CN110930012B
CN110930012B CN201911122366.5A CN201911122366A CN110930012B CN 110930012 B CN110930012 B CN 110930012B CN 201911122366 A CN201911122366 A CN 201911122366A CN 110930012 B CN110930012 B CN 110930012B
Authority
CN
China
Prior art keywords
energy consumption
classifier
data
consumption data
fit
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201911122366.5A
Other languages
English (en)
Other versions
CN110930012A (zh
Inventor
徐康康
杨海东
印四华
朱成就
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangdong University of Technology
Original Assignee
Guangdong University of Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Guangdong University of Technology filed Critical Guangdong University of Technology
Priority to CN201911122366.5A priority Critical patent/CN110930012B/zh
Publication of CN110930012A publication Critical patent/CN110930012A/zh
Application granted granted Critical
Publication of CN110930012B publication Critical patent/CN110930012B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G07—CHECKING-DEVICES
    • G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
    • G07C3/00—Registering or indicating the condition or the working of machines or other apparatus, other than vehicles
    • G07C3/005—Registering or indicating the condition or the working of machines or other apparatus, other than vehicles during manufacturing process
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/80—Management or planning
    • Y02P90/82—Energy audits or management systems therefor

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Development Economics (AREA)
  • Data Mining & Analysis (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Economics (AREA)
  • Educational Administration (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Game Theory and Decision Science (AREA)
  • Manufacturing & Machinery (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

本发明公开了一种基于敏感性分析及改进阴性选择法的能耗异常定位方法，通过采集液压机各能耗影响因素下的能耗数据，并采用全局敏感性分析法对能耗影响因素进行定量分析，计算出液压机能耗的主要影响因素；对异常的能耗数据按主要影响因素设置对应的标签，并进行数据预处理；采用训练集能耗数据激活相匹配的检测器并对检测器进行对应异常模式的标记，生成分类器集；异常模式对应于不同的能耗主要影响因素；采用模拟退火算法优化分类器集；利用优化后的分类器集对测试集的能耗数据进行能耗异常定位。本发明不仅能检测出能耗数据中是否存在模式异常，同时可识别模式异常的类型，从而实现能耗异常的定位功能。

Description

基于敏感性分析及改进阴性选择法的能耗异常定位方法
技术领域
本发明涉及液压机的能耗异常定位技术领域，尤其涉及基于敏感性分析及改进阴性选择法的能耗异常定位方法。
背景技术
在液压机的操作中存在大量的异常能量消耗，这导致大量的能量损失，降低了机械能的效率，增加了维护成本，甚至导致停机和难以估计的安全事故。液压机的生产条件复杂，长期满负荷运行。因此，异常能耗的概率很高，但是难以确定导致异常能耗的液压挤压部件。当液压机的能耗出现异常时，将导致大量的能量损失，降低了机械能的效率，甚至导致停机和无法计算的安全事故，从而影响整个生产线的正常生产过程。许多学者对液压机及其生产过程的节能优化进行了大量的研究，但主要集中在液压系统、液压控制、生产过程、原料、热力学等方面的节能优化。然而，目前研究液压机的能耗异常定位，以实现节能的研究非常少。
由于机器学习具有很强的适应能力，模型的训练过程完全是数据驱动的近年来，在应用机器学习技术提高故障诊断的准确性方面已经做了大量的工作。Daisy等人提出了一种配电网单相接地故障定位的组合方法，采用基于阻抗的故障定位算法找出可能的故障位置。Liu等人研究了具有专家知识但不完整数据的太阳能辅助热泵(SAHP)系统中的故障诊断问题。Liu等人提出了一种基于递归神经网络(RNN)的自动编码器形式的轴承故障诊断方法，充分利用了RNN在捕获时间序列数据的时间相关性方面的突出优势，具有很强的鲁棒性和较高的分类精度。为了克服从环境噪声提取有用信息的困难，提高故障诊断的准确性，小波变换(WT)、独立分量分析(ICA)和经验模态分解(EMD)已经成为时域和频域特征分析的综合技术。其中，小波变换是最常用的方法，包括轴承故障检测和诊断、特征提取和振动信号分析。Brkovic等人采用小波变换的方法对振动信号进行分析，提出了滚动轴承早期故障检测与诊断的新技术。Ameid等人使用离散小波变换(DWT)来分析传输系统中的几个机械和电学量，实现当转子速度连续变化时在转子断条中检测到故障。Wang等人提出了一种稀疏制导经验小波变换，可自动建立用于滚动轴承故障诊断的经验小波变换的Fourier段，以用于检测单、多轴铁路轴承的缺陷。小波变换在信号处理过程中具有可控的时间-频率分辨率，可以很好地反映信号的局部特性。然而以上的研究内容主要是关于机器的故障诊断，而关于液压机的能耗异常定位，以实现节能的研究非常少。
发明内容
本发明为解决液压机的异常内耗难以准确定位的问题，提供了基于敏感性分析及改进阴性选择法的能耗异常定位方法。
为实现以上发明目的，而采用的技术手段是：
基于敏感性分析及改进阴性选择法的能耗异常定位方法，包括以下步骤：
S1.采集液压机各能耗影响因素下的能耗数据，并采用全局敏感性分析法对能耗影响因素进行定量分析，计算出液压机能耗的主要影响因素；
S2.对异常的能耗数据按所述主要影响因素设置对应的标签，并进行数据预处理；预处理后的能耗数据划分为训练集和测试集；
S3.基于所述训练集能耗数据匹配相应的分类器从而生成包括不同异常模式的分类器集；所述异常模式对应于不同的能耗主要影响因素；
S4.采用模拟退火算法优化分类器集；
S5.利用优化后的分类器集对测试集的能耗数据进行能耗异常定位。
优选的，步骤S1中所述的采用全局敏感性分析法对能耗影响因素进行定量分析，计算出液压机能耗的主要影响因素具体包括以下步骤：
给定各能耗影响因素的变化区间和概率分布，将采集得到的能耗数据输入液压机的能耗模型并采用全局敏感性分析法计算相应的敏感性指数：
其中液压机的能耗模型表达为Y＝f(X)，X＝f(x1,x2,...,xp)为能耗模型的输入；
定义P维单元空间Ωp作为输入X的空间域，则f(x)分解为2n个递增项之和：
Figure BDA0002275786580000021
式中：f0为常量，f0以外的项对其所包含的任一变量的积分一定为零，即：
Figure BDA0002275786580000022
式中：1≤i1≤i2≤...≤is≤p，iw∈{i1,i2,...,iw}；
对于函数
Figure BDA0002275786580000031
用多重积分以及输出Y在不同条件下的期望求解，求解方程如下：
Figure BDA0002275786580000032
Figure BDA0002275786580000033
Figure BDA0002275786580000034
式中：X～i为X中除xi以外的所有变量，E(...)表示期望，
Figure BDA0002275786580000035
表示在变量xi不变而其他变量发生改变时输出Y的期望；
f(X)的总方差V为：
Figure BDA0002275786580000036
偏方差由各项加数项求得，计算公式如下：
Figure BDA0002275786580000037
式中：1≤i1≤i2≤...≤is≤p，且s＝1,2,...,p；
偏方差与函数项
Figure BDA0002275786580000038
的关系为：
Figure BDA0002275786580000039
Figure BDA00022757865800000310
式中：
Figure BDA00022757865800000311
表示变量xi不变而其他变量发生改变时输出Y的偏方差；
输出Y的总体方差由所有偏方差之和构成：
Figure BDA00022757865800000312
根据求得的偏方差，计算敏感性指数
Figure BDA00022757865800000313
Figure BDA00022757865800000314
Figure BDA00022757865800000315
Figure BDA0002275786580000041
式中：Si为一阶敏感性指数，Sij为xi与xj的二阶敏感性指数，S1,2,...,k称为k阶敏感性指数；
则将f(x)分解为2n个递增项之和的表达式变形为：
Figure BDA0002275786580000042
由上式得知所有敏感性指数之和为1，将单个变量xi的总敏感性指数定义为STi，计算公式为：
Figure BDA0002275786580000043
Figure BDA0002275786580000044
S1,2,...,n为n阶敏感性系数；STi为变量xi的总敏感性系数，表示xi单独变化以及xi与其他变量相互作用对输出产生影响的总和。
优选的，步骤S2中所述的进行数据预处理具体为：对所述能耗数据的时间序列按时间轴进行加窗处理，并且移动窗口以提取实值特征向量作为样本数据，逐行对所述样本数据进行标准化处理，将每一行样本数据分别标准化到区间[ymin,ymax]内；
标准化处理的计算公式为：
Figure BDA0002275786580000045
其中ymin表示标准化区间的最小值，ymax表示标准化区间的最大值，xmin表示每一行样本数据的最小值，xmax表示每一行样本数据的最大值。
优选的，所述步骤S3的具体步骤包括：
S31.采用训练集能耗数据随机生成分类器的自我集S；
S32.随机生成分类器；
S33.所述分类器与自我集进行匹配，若匹配成功则删除该分类器，并返回步骤S32；若匹配不成功，则作为新的分类器接受；
S34.检验是否生成预设数量的分类器，若是则结束，输出覆盖非我空间的分类器集C＝{C1,C2,...,Cn}；若否则返回步骤S33；
其中自我集元素s＝(cs,rs)；分类器集元素c＝(cc,rc)；cs∈Rn，cc∈Rn为中心；rs∈Rn，rc∈Rn为半径；维数n由能耗数据加窗处理的窗口宽度决定；
所述分类器的数目为：
Nc＝[Ltc×Rn]
其中，Nc为随机生成的分类器数目，Ltc为训练集长度，Rn为随机数，[]为取整函数；
所述分类器的阈值为：
Tc＝Itc×Rn
其中，Tc为随机生成的分类器阈值，Itc为分类器的初始化阈值。
优选的，所述步骤S3还包括以下步骤：对分类器集中标记有两种或以上异常模式的分类器进行清除，使得各个分类器均只对应一种异常模式。
优选的，步骤S4所述采用模拟退火算法优化分类器集时采用的目标函数为：
fFit＝1-Ncdo/Ntc
其中Fit是适应度，Ncdo是与测试集的能耗数据相匹配的分类器数目，Ntc是测试集的数据数目；当适应度Fit最小时，所对应的分类器x是最优的。
优选的，所述步骤S4的具体步骤包括：
S41.设置控制参数，包括初始温度T0、终止温度Tend、温度衰减系数α、各温度下的迭代次数M；随机生成M组分类器集，并且计算相应的适应度Fit；求出M个适应度Fit中的最小值，该最小值对应于最优的分类器集C，即为初始解；
S42.对于各组分类器，分别执行以下步骤：
S421.更新初始解C以生成新的解C′；
S422.计算所述目标函数的增量ΔfFit＝fFit′-fFit；
S423.基于Metropolis接受准则，如果ΔfFit＜0，则接受新解fFit′作为当前解；否则判断概率exp(-ΔfFit/T)是否大于(0,1)区间的随机数，若是则接受新解fFit′作为当前解，若否则新解fFit′被拒绝，保留当前解；
S424.搜索得到其余地方存在的最优解；
S425.进行降温：采用的降温方式是T(t+1)＝α*T(t)；其中，温度衰减系数α是小于1的正常数，t是降温的次数；
S426.若T＜Tend，则模拟退火算法结束；否则返回执行步骤S421。
S43.经过步骤S42完成所有分类器的优化，得到优化后的分类器集C。
优选的，所述步骤S5具体为：将测试集的能耗数据与优化后的分类器集C进行匹配，当分类器集C中的分类器i被激活时，则认为能耗数据是异常的，将其标记为i；若分类器集C中的所有分类器均未被激活，则认为能耗数据是正常的，将其标记为0。
优选的，所述分类器与训练集或测试集的能耗数据的匹配过程中，采用欧式距离作为匹配规则，即：
若n维空间上的两个实向量为x＝(x1,x2,...,xn),y＝(y1,y2,...,yn)，则x与y之间的欧式距离为：
Figure BDA0002275786580000061
即在匹配过程中，若分类器与某一能耗数据的欧式距离小于给定阈值，则该分类器与这个能耗数据相匹配且该分类器被激活。
与现有技术相比，本发明技术方案的有益效果是：
本发明方法利用全局敏感性分析可定量地分析液压机能耗的影响因素，并通过对阴性选择算法的检测阶段进行改进从而使得本方法在能耗异常定位时，不仅能检测出能耗数据中是否存在模式异常，同时可识别模式异常的类型，从而实现能耗异常的定位功能。本发明的能耗定位方法对于液压机异常能耗的定位精度高及效率均有所提高，以便操作人员及时采取措施，避免能耗的损失，提高机械效率。
附图说明
图1为本发明方法的总流程图。
图2为本发明方法中步骤S3的流程图。
图3为本发明方法中步骤S5的流程图。
图4为实施例2中能耗影响因素的敏感性指数对比直方图。
图5为实施例2中阴性选择算法的适应度示意图。
图6为实施例2中本发明改进阴性选择算法的适应度示意图。
图7为实施例2中训练集数据在阴性选择算法下能耗异常定位结果图。
图8为实施例2中训练集数据在本发明方法下的能耗异常定位结果图。
图9为实施例2中测试集数据在阴性选择算法下的能耗异常定位结果图。
图10为实施例2中测试集数据在本发明方法下的能耗异常定位结果图。
具体实施方式
附图仅用于示例性说明，不能理解为对本专利的限制；
为了更好说明本实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；
对于本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。
下面结合附图和实施例对本发明的技术方案做进一步的说明。
实施例1
本实施例1提供了一种基于敏感性分析及改进阴性选择法的能耗异常定位方法，如图1所示，包括以下步骤：
S1.采集液压机各能耗影响因素下的能耗数据，并采用全局敏感性分析法对能耗影响因素进行定量分析，计算出液压机能耗的主要影响因素；具体包括以下步骤：
给定各能耗影响因素的变化区间和概率分布，将采集得到的能耗数据输入液压机的能耗模型并采用全局敏感性分析法计算相应的敏感性指数：
其中液压机的能耗模型表达为Y＝f(X)，X＝f(x1,x2,...,xp)为能耗模型的输入；
定义P维单元空间Ωp作为输入X的空间域，则f(x)分解为2n个递增项之和：
Figure BDA0002275786580000071
式中：f0为常量，f0以外的项对其所包含的任一变量的积分一定为零，即：
Figure BDA0002275786580000072
式中：1≤i1≤i2≤...≤is≤p，iw∈{i1,i2,...,iw}；
对于函数
Figure BDA0002275786580000073
用多重积分以及输出Y在不同条件下的期望求解，求解方程如下：
Figure BDA0002275786580000081
Figure BDA0002275786580000082
Figure BDA0002275786580000083
式中：X～i为X中除xi以外的所有变量，E(...)表示期望，
Figure BDA0002275786580000084
表示在变量xi不变而其他变量发生改变时输出Y的期望，依次类推可求出更高阶项；
f(X)的总方差V为：
Figure BDA0002275786580000085
偏方差由各项加数项求得，计算公式如下：
Figure BDA0002275786580000086
式中：1≤i1≤i2≤...≤is≤p，且s＝1,2,...,p；
偏方差与函数项
Figure BDA0002275786580000087
的关系为：
Vi＝V(fi(xi))＝Vxi[EX～i(Y|xi)]
Figure BDA0002275786580000088
式中：
Figure BDA0002275786580000089
表示变量xi不变而其他变量发生改变时输出Y的偏方差，同理可求出其他各阶的偏方差；
输出Y的总体方差由所有偏方差之和构成：
Figure BDA00022757865800000810
根据求得的偏方差，计算敏感性指数
Figure BDA00022757865800000811
Figure BDA00022757865800000812
Figure BDA00022757865800000813
Figure BDA0002275786580000091
式中：Si为一阶敏感性指数，Sij为xi与xj的二阶敏感性指数，S1,2,...,k称为k阶敏感性指数；
则将f(x)分解为2n个递增项之和的表达式变形为：
Figure BDA0002275786580000092
由上式得知所有敏感性指数之和为1，将单个变量xi的总敏感性指数定义为STi，计算公式为：
Figure BDA0002275786580000093
Figure BDA0002275786580000094
Si为一阶敏感性指数或变量的主效应；Sij为二阶敏感性系数表示xi与xj相互作用对输出产生的影响；依此类推，S1,2,...,n为n阶敏感性系数；STi为变量xi的总敏感性系数，表示xi单独变化以及xi与其他变量相互作用对输出产生影响的总和，又称为变量xi的全效应。
S2.对异常的能耗数据按所述主要影响因素设置对应的标签，并进行数据预处理；即对所述能耗数据的时间序列按时间轴进行加窗处理，并且移动窗口以提取实值特征向量作为样本数据，逐行对所述样本数据进行标准化处理，将每一行样本数据分别标准化到区间[ymin,ymax]内；
标准化处理的计算公式为：
Figure BDA0002275786580000095
其中ymin表示标准化区间的最小值，ymax表示标准化区间的最大值，xmin表示每一行样本数据的最小值，xmax表示每一行样本数据的最大值；
预处理后的能耗数据划分为训练集和测试集。
S3.基于所述训练集能耗数据匹配相应的分类器从而生成包括不同异常模式的分类器集；所述异常模式对应于不同的能耗主要影响因素；
传统的阴性选择算法在异常模式的检测过程中，可以通过抗原(即含有模式异常的能耗数据)的刺激作用，采用检测器来判断是否存在模式异常。但是，仅仅依靠检测器无法判断异常模式的具体类型。为了解决这个问题，本实施例对被不同类型的异常模式样本激活的检测器进行标记，即得到了各种类型模式异常的分类器；该步骤首先随机生成分类器的自我集S，然后开始生成覆盖非我空间的分类器集C＝{C1,C2,...,Cn}，如图2所示，具体步骤包括：
S31.采用训练集能耗数据随机生成分类器的自我集S；
S32.随机生成分类器；
S33.所述分类器与自我集进行匹配，若匹配成功则删除该分类器，并返回步骤S32；若匹配不成功，则作为新的分类器接受；
S34.检验是否生成预设数量的分类器，若是则结束，输出覆盖非我空间的分类器集C＝{C1,C2,...,Cn}；若否则返回步骤S33；
其中自我集元素s＝(cs,rs)；分类器集元素c＝(cc,rc)；cs∈Rn，cc∈Rn为中心；rs∈Rn，rc∈Rn为半径；维数n由能耗数据加窗处理的窗口宽度决定；
所述分类器的数目为：
Nc＝[Ltc×Rn]
其中，Nc为随机生成的分类器数目，Ltc为训练集长度，Rn为随机数，[]为取整函数；
所述分类器的阈值为：
Tc＝Itc×Rn
其中，Tc为随机生成的分类器阈值，Itc为分类器的初始化阈值。
对以上生成的分类器集中标记有两种或以上异常模式的分类器进行清除，使得各个分类器均只对应一种异常模式。
S4.采用模拟退火算法优化分类器集；本实施例采用模拟退火算法优化分类器的分布，以提高诊断精度。初始优化目标是：在保证分类器集尽可能小地覆盖自我空间的前提下，扩大分类器集对非我空间的覆盖，在该过程中分类器数目不变。适应度是表征分类器对测试集覆盖程度的指标。因此，将初始优化目标转化为适应度函数的最小值优化目标；即将适应度函数作为优化分类器集的模拟退火算法的目标函数：
fFit＝1-Ncdo/Ntc
其中Fit是适应度，Ncdo是与测试集的能耗数据相匹配的分类器数目，Ntc是测试集的数据数目；当适应度Fit最小时，所对应的分类器x是最优的。
基于上述的目标函数及其优化目标，采用模拟退火算法优化分类器集的具体步骤包括：
S41.设置控制参数，包括初始温度T0、终止温度Tend、温度衰减系数α、各温度下的迭代次数M；随机生成M组分类器集，并且计算相应的适应度Fit；求出M个适应度Fit中的最小值，该最小值对应于最优的分类器集C，即为初始解；
S42.对于各组分类器，分别执行以下步骤：
S421.更新初始解C以生成新的解C′；其目的是使用随机数在其余地方搜索最优解，即搜索其余的可能存在的最优解；
S422.计算所述目标函数的增量ΔfFit＝fFit′-fFit；
S423.基于Metropolis接受准则，模拟退火算法接受新解的概率为：
Figure BDA0002275786580000111
即如果ΔfFit＜0，则接受新解fFit′作为当前解；否则判断概率exp(-ΔfFit/T)是否大于(0,1)区间的随机数，若是则接受新解fFit′作为当前解，若否则新解fFit′被拒绝，保留当前解；
S424.搜索得到其余地方存在的最优解，即搜索其余的可能存在的最优解；
S425.进行降温：采用的降温方式是T(t+1)＝α*T(t)；其中，温度衰减系数α是略小于1的正常数，t是降温的次数；
S426.若T＜Tend，则模拟退火算法结束；否则返回执行步骤S421；
S5.利用优化后的分类器集对测试集的能耗数据进行能耗异常定位，即将测试集的能耗数据与优化后的分类器集C进行匹配，如图3所示，当分类器集C中的分类器i被激活时，则认为能耗数据是异常的，将其标记为i；若分类器集C中的所有分类器均未被激活，则认为能耗数据是正常的，将其标记为0。
需要说明的是，在本发明方法中，共有三个函数需要对分类器与训练集或测试集的能耗数据进行匹配，第一个是步骤S3中将分类器与训练集能耗数据进行匹配，以产生新的分类器；第二个是步骤S4中将分类器与测试集的能耗数据进行匹配，以计算适应度；第三个是步骤S5中将优化后的分类器与测试集的能耗数据进行匹配，以进行能耗异常定位。
以上的匹配过程中均采用欧式距离作为匹配规则，即：
若n维空间上的两个实向量为x＝(x1,x2,...,xn),y＝(y1,y2,...,yn)，则x与y之间的欧式距离为：
Figure BDA0002275786580000121
即在匹配过程中，若分类器与某一能耗数据的欧式距离小于给定阈值，则该分类器与这个能耗数据相匹配且该分类器被激活。
实施例2
为验证实施例1提出的能耗异常定位方法的有效性，本实施例2采用某铝型材企业挤压车间SY-1000Ton挤出机的能耗数据进行验证。
一、采集液压机各能耗影响因素下的能耗数据，并采用全局敏感性分析法对能耗影响因素进行定量分析，计算出液压机能耗的主要影响因素。
从能源管理系统数据库中采集2019年5-6月挤压铝型材每吨能耗数据及主要能耗因素。验证采用的仿真实验运行环境为：Win10系统，Intel Core i7，CPU3.60GHz，内存8.0GB，MATLAB R2018a。
采用全局敏感性分析法对能耗影响因素进行定量分析时需给定各能耗影响因素的变化区间和概率分布，在本实施例中假定参数的概率分布均为均匀分布，所选取参数具体情况如表1所示。
参数 描述 数据范围 概率分布
挤压温度 挤压过程铝棒温度 430～540℃ 均匀分布
挤压时间 挤压一段铝棒所 10～35s 均匀分布
挤压速度 挤压机主缸速度 0～12.6mm/s 均匀分布
挤压压力 挤压筒闭锁压力 800～1000T 均匀分布
环境温度 车间环境的温度 15～35℃ 均匀分布
挤压机年限 设备的使用年限 1～10年 均匀分布
工人工龄 操作人员工作工龄 1～8年 均匀分布
表1挤压机的能耗影响因素及其概率分布
在表1的基础上，对各能耗影响因素进行采样，采样次数为32768次，将采样数据输入液压机的能耗模型，利用Matlab软件根据模型计算出采样点下的模型输出响应结果，最后采用全局敏感性分析法计算各能耗影响因素的一阶全局敏感性指数(Si)与总体全局敏感性指数(Stot)，结果如表2所示。
能耗影响因素 <![CDATA[一阶敏感性指数(S<sub>i</sub>)]]> <![CDATA[总体敏感性指数(S<sub>tot</sub>)]]>
挤压温度 0.065156 0.067625
挤压时间 0.118915 0.121357
挤压速度 0.502174 0.249181
挤压压力 0.006773 0.008132
环境温度 0.138133 0.140561
挤压机年限 0.005655 0.008076
工人工龄 0.009703 0.013207
表2挤压机能耗影响因素对总能耗的一阶与总体敏感性指数
为了更直观地表示能耗影响因素对总能耗的敏感度大小，绘制敏感性指数直方图如图4所示。
从表2可以看出，对于液压机能耗，挤压压力的一阶敏感性指数及总体全局敏感性指数最大，说明挤压压力对液压机能耗有着决定性的影响。因此，根据对液压机能耗影响大小，将能耗影响因素排序为：挤压压力、挤压速度、挤压时间、挤压温度、环境温度、挤压机年限和工人工龄。其中，挤压压力、挤压速度、挤压时间是本实施例中液压机能耗的主要影响因素。
二、对异常的能耗数据按所述主要影响因素设置对应的标签，并进行数据预处理；预处理后的能耗数据划分为训练集和测试集。
在模拟实验中使用的能耗数据如表3所示。如果将滑动窗口宽度设置为20，移动步长设置为1，则每组数据包含20个数据。
Figure BDA0002275786580000131
表3能耗数据表
异常模式类型 正常数据 机械系统异常 超长待机 不完全挤压 总数
训练集(组) 1701 701 701 701 3804
测试集(组) 201 201 201 201 804
表4训练集和测试集数据表
三、采用训练集能耗数据激活相匹配的检测器并对检测器进行对应异常模式的标记，生成分类器集；所述异常模式对应于不同的能耗主要影响因素。
在本实施例中，生成分类器的参数设置如表5所示，所选择的训练集数据如表4所示，从而获得分类器的自我集S，然后生成覆盖非我空间的分类器集。根据分类器的数目计算公式将分类器Nc更新为Nc′，根据分类器的阈值计算公式将分类器阈值Tc更新为Tc′。
Figure BDA0002275786580000141
表5生成分类器的参数设置
四、采用模拟退火算法优化分类器集。
在本实施例中，控制参数的设置如表6所示。
<![CDATA[初始温度T<sub>0</sub>]]> <![CDATA[终止温度T<sub>end</sub>]]> 温度衰减系数α 各温度下的迭代次数M
3000 100 0.9 4
表6分类器优化的参数设置
图5和6分别展示了阴性选择算法在这两个条件下的适应度：(1)分类器没有被优化。(2)采用模拟退火算法进行分类优化。由本实施例的计算结果表明，在分类器不优化的条件下，负选择算法的适应度在(0.05,0.50)区间内。当采用模拟退火算法对分类器进行优化时，负选择算法的适应度在(0.02,0.06)范围内。适应度是表征分类器对测试集覆盖面的指标，它的值越小，表明分类器对测试集的覆盖面越大，诊断效果越好。由此得出，模拟退火算法对分类器的优化具有良好的效果，降低了适应度的值，提高了分类器对测试集的覆盖面，因而大大提高了诊断精度。
五、利用优化后的分类器集对能耗数据进行能耗异常定位。
本实施例使用如上述的表2所示的训练集和测试集数据。将预处理后的能耗数据与优化后的分类器集C进行匹配，当分类器集C中的分类器i被激活时，则认为能耗数据是异常的，将其标记为i；若分类器集C中的所有分类器均未被激活，则认为能耗数据是正常的，将其标记为0。在仿真实验中，训练集数据的定位结果如图7和8所示，测试集数据的定位结果如图9和10，其中正常数据被标记为1。
六、对比试验。
为了验证本发明提出的改进阴性选择算法的性能，采用了训练集数据和测试集数据进行仿真，如上述的表4所示。表7给出了本发明改进阴性选择算法、传统阴性选择算法、BP神经网络和RBF神经网络的定位结果。其中，定位精度被定义为正确诊断个数与能耗数据异常总数之比。由仿真结果可以看出，改进阴性选择算法的定位精度高于95％，与传统的智能算法相比有很大的提高。因此，它更适合生产过程中能耗的异常诊断。以上结果证明了本发明提出的方法在能耗定位中的有效性。另外，BP神经网络是一种模拟生物神经网络的智能算法，适合在训练样本充足的情况下进行异常诊断。
算法名称 训练集的定位精度 测试集的定位精度(％)
改进阴性选择算法 97.23 97.27
传统阴性选择算法 87.2 88.18
BP神经网络 66.77 73.13
RBF神经网络 76.47 83.33
表7能耗异常的定位结果
附图中描述位置关系的用语仅用于示例性说明，不能理解为对本专利的限制；
显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所述领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。

Claims (4)

1.基于敏感性分析及改进阴性选择法的能耗异常定位方法，其特征在于，包括以下步骤：
S1.采集液压机各能耗影响因素下的能耗数据，并采用全局敏感性分析法对能耗影响因素进行定量分析，计算出液压机能耗的主要影响因素；
S2.对异常的能耗数据按所述主要影响因素设置对应的标签，并进行数据预处理；预处理后的能耗数据划分为训练集和测试集；
S3.基于所述训练集能耗数据匹配相应的分类器从而生成包括不同异常模式的分类器集；所述异常模式对应于不同的能耗主要影响因素；
S4.采用模拟退火算法优化分类器集；
S5.利用优化后的分类器集对测试集的能耗数据进行能耗异常定位；
步骤S1中所述的采用全局敏感性分析法对能耗影响因素进行定量分析，计算出液压机能耗的主要影响因素具体包括以下步骤：
给定各能耗影响因素的变化区间和概率分布，将采集得到的能耗数据输入液压机的能耗模型并采用全局敏感性分析法计算相应的敏感性指数：
其中液压机的能耗模型表达为Y＝f(X)，X＝f(x1,x2,...,xp)为能耗模型的输入；
定义P维单元空间Ωp作为输入X的空间域，则f(x)分解为2n个递增项之和：
Figure FDA0004040160350000011
式中：f0为常量，f0以外的项对其所包含的任一变量的积分一定为零，即：
Figure FDA0004040160350000012
式中：1≤i1≤i2≤...≤is≤p，iw∈{i1,i2,...,iw}；
对于函数
Figure FDA0004040160350000013
用多重积分以及输出Y在不同条件下的期望求解，求解方程如下：
Figure FDA0004040160350000014
Figure FDA0004040160350000021
Figure FDA0004040160350000022
式中：X～i为X中除xi以外的所有变量，E(...)表示期望，
Figure FDA00040401603500000214
表示在变量xi不变而其他变量发生改变时输出Y的期望；
f(X)的总方差V为：
Figure FDA0004040160350000023
偏方差由各项加数项求得，计算公式如下：
Figure FDA0004040160350000024
式中：1≤i1≤i2≤...≤is≤p，且s＝1,2,...,p；
偏方差与函数项
Figure FDA0004040160350000025
的关系为：
Figure FDA0004040160350000026
Figure FDA0004040160350000027
式中：
Figure FDA0004040160350000028
表示变量xi不变而其他变量发生改变时输出Y的偏方差；
输出Y的总体方差由所有偏方差之和构成：
Figure FDA0004040160350000029
根据求得的偏方差，计算敏感性指数
Figure FDA00040401603500000210
Figure FDA00040401603500000211
Figure FDA00040401603500000212
Figure FDA00040401603500000213
式中：Si为一阶敏感性指数，Sij为xi与xj的二阶敏感性指数，S1,2,...,k称为k阶敏感性指数；
则将f(x)分解为2n个递增项之和的表达式变形为：
Figure FDA0004040160350000031
由上式得知所有敏感性指数之和为1，将单个变量xi的总敏感性指数定义为STi，计算公式为：
Figure FDA0004040160350000032
Figure FDA0004040160350000033
S1,2,...,n为n阶敏感性系数；STi为变量xi的总敏感性系数，表示xi单独变化以及xi与其他变量相互作用对输出产生影响的总和；
所述步骤S3的具体步骤包括：
S31.采用训练集能耗数据随机生成分类器的自我集S；
S32.随机生成分类器；
S33.所述分类器与自我集进行匹配，若匹配成功则删除该分类器，并返回步骤S32；若匹配不成功，则作为新的分类器接受；
S34.检验是否生成预设数量的分类器，若是则结束，输出覆盖非我空间的分类器集C＝{C1,C2,...,Cn}；若否则返回步骤S33；
其中自我集元素s＝(cs,rs)；分类器集元素c＝(cc,rc)；cs∈Rn，cc∈Rn为中心；rs∈Rn，rc∈Rn为半径；维数n由能耗数据加窗处理的窗口宽度决定；
所述分类器的数目为：
Nc＝[Ltc×Rn]
其中，Nc为随机生成的分类器数目，Ltc为训练集长度，Rn为随机数，[]为取整函数；
所述分类器的阈值为：
Tc＝Itc×Rn
其中，Tc为随机生成的分类器阈值，Itc为分类器的初始化阈值；
步骤S4所述采用模拟退火算法优化分类器集时采用的目标函数为：
fFit＝1-Ncdo/Ntc
其中Fit是适应度，Ncdo是与测试集的能耗数据相匹配的分类器数目，Ntc是测试集的数据数目；当适应度Fit最小时，所对应的分类器x是最优的；
所述步骤S4的具体步骤包括：
S41.设置控制参数，包括初始温度T0、终止温度Tend、温度衰减系数α、各温度下的迭代次数M；随机生成M组分类器集，并且计算相应的适应度Fit；求出M个适应度Fit中的最小值，该最小值对应于最优的分类器集C，即为初始解；
S42.对于各组分类器，分别执行以下步骤：
S421.更新初始解C以生成新的解C′；
S422.计算所述目标函数的增量ΔfFit＝fFit′-fFit；
S423.基于Metropolis接受准则，如果ΔfFit＜0，则接受新解fFit′作为当前解；否则判断概率exp(-ΔfFit/T)是否大于(0,1)区间的随机数，若是则接受新解fFit′作为当前解，若否则新解fFit′被拒绝，保留当前解；
S424.搜索得到其余地方存在的最优解；
S425.进行降温：采用的降温方式是T(t+1)＝α*T(t)；其中，温度衰减系数α是小于1的正常数，t是降温的次数；
S426.若T＜Tend，则模拟退火算法结束；否则返回执行步骤S421；
S43.经过步骤S42完成所有分类器的优化，得到优化后的分类器集C；
所述步骤S5具体为：将测试集的能耗数据与优化后的分类器集C进行匹配，当分类器集C中的分类器i被激活时，则认为能耗数据是异常的，将其标记为i；若分类器集C中的所有分类器均未被激活，则认为能耗数据是正常的，将其标记为0。
2.根据权利要求1所述的能耗异常定位方法，其特征在于，步骤S2中所述的进行数据预处理具体为：对所述能耗数据的时间序列按时间轴进行加窗处理，并且移动窗口以提取实值特征向量作为样本数据，逐行对所述样本数据进行标准化处理，将每一行样本数据分别标准化到区间[ymin,ymax]内从而完成数据预处理；
标准化处理的计算公式为：
Figure FDA0004040160350000041
其中ymin表示标准化区间的最小值，ymax表示标准化区间的最大值，xmin表示每一行样本数据的最小值，xmax表示每一行样本数据的最大值。
3.根据权利要求1所述的能耗异常定位方法，其特征在于，所述步骤S3还包括以下步骤：对分类器集中标记有两种或以上异常模式的分类器进行清除，使得各个分类器均只对应一种异常模式。
4.根据权利要求1所述的能耗异常定位方法，其特征在于，所述分类器与训练集或测试集的能耗数据的匹配过程中，采用欧式距离作为匹配规则，即：
若n维空间上的两个实向量为x＝(x1,x2,...,xn),y＝(y1,y2,...,yn)，则x与y之间的欧式距离为：
Figure FDA0004040160350000051
即在匹配过程中，若分类器与某一能耗数据的欧式距离小于给定阈值，则该分类器与这个能耗数据相匹配且该分类器被激活。
CN201911122366.5A 2019-11-15 2019-11-15 基于敏感性分析及改进阴性选择法的能耗异常定位方法 Active CN110930012B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911122366.5A CN110930012B (zh) 2019-11-15 2019-11-15 基于敏感性分析及改进阴性选择法的能耗异常定位方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911122366.5A CN110930012B (zh) 2019-11-15 2019-11-15 基于敏感性分析及改进阴性选择法的能耗异常定位方法

Publications (2)

Publication Number Publication Date
CN110930012A CN110930012A (zh) 2020-03-27
CN110930012B true CN110930012B (zh) 2023-04-07

Family

ID=69853106

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911122366.5A Active CN110930012B (zh) 2019-11-15 2019-11-15 基于敏感性分析及改进阴性选择法的能耗异常定位方法

Country Status (1)

Country Link
CN (1) CN110930012B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110286325B (zh) * 2019-07-29 2021-07-20 四川嘉垭汽车科技有限公司 一种锂离子电池的局部敏感度分析方法
CN111931834B (zh) * 2020-07-31 2023-05-02 广东工业大学 基于孤立森林算法的铝型材挤压过程流数据异常检测方法、设备及存储介质

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104808638A (zh) * 2015-04-29 2015-07-29 中山大学 互补型dmg的热功转换与优化调度辅助决策系统及方法
CN107133372A (zh) * 2016-02-26 2017-09-05 中国移动通信集团公司 一种移动通信基站能耗标杆场景化评估方法及装置
CN109934334A (zh) * 2019-03-04 2019-06-25 三峡大学 一种基于扰动的叶绿素a含量相关因子敏感性分析方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8571922B2 (en) * 2011-04-21 2013-10-29 Efficiency3 Corp. Method, technology, and system for displaying, measuring, assessing, and improving the operating and financial performance of metered energy and water consuming systems

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104808638A (zh) * 2015-04-29 2015-07-29 中山大学 互补型dmg的热功转换与优化调度辅助决策系统及方法
CN107133372A (zh) * 2016-02-26 2017-09-05 中国移动通信集团公司 一种移动通信基站能耗标杆场景化评估方法及装置
CN109934334A (zh) * 2019-03-04 2019-06-25 三峡大学 一种基于扰动的叶绿素a含量相关因子敏感性分析方法

Also Published As

Publication number Publication date
CN110930012A (zh) 2020-03-27

Similar Documents

Publication Publication Date Title
CN111651937B (zh) 变工况下类内自适应轴承故障诊断方法
Islam et al. Automated bearing fault diagnosis scheme using 2D representation of wavelet packet transform and deep convolutional neural network
Xu et al. A novel multi-scale CNN and attention mechanism method with multi-sensor signal for remaining useful life prediction
CN111505424A (zh) 一种基于深度卷积神经网络的大型实验装置电力设备故障诊断方法
CN112257530B (zh) 基于盲信号分离和支持向量机的滚动轴承故障诊断方法
CN113469060A (zh) 多传感器融合卷积神经网络航空发动机轴承故障诊断方法
CN103291600B (zh) 一种基于emd-ar和mts的液压泵故障诊断方法
Liang et al. Data-driven anomaly diagnosis for machining processes
CN111562108A (zh) 一种基于cnn和fcmc的滚动轴承智能故障诊断方法
CN112766182B (zh) 一种拉削刀具磨损状态识别方法
Jin et al. A multi-scale convolutional neural network for bearing compound fault diagnosis under various noise conditions
CN110930012B (zh) 基于敏感性分析及改进阴性选择法的能耗异常定位方法
Gong et al. A fast anomaly diagnosis approach based on modified CNN and multisensor data fusion
CN110928237B (zh) 一种基于振动信号的数控加工中心颤振在线辨识方法
CN114417699A (zh) 泵阀故障检测方法
CN114429152A (zh) 基于动态指数对抗性自适应的滚动轴承故障诊断方法
Qiu et al. A piecewise method for bearing remaining useful life estimation using temporal convolutional networks
CN111340110A (zh) 一种基于工业过程运行状态趋势分析的故障预警方法
CN116070527B (zh) 基于退化模型的铣削刀具剩余寿命预测方法
CN108803555B (zh) 一种基于性能监测数据的亚健康在线识别和诊断方法
CN116735170A (zh) 一种基于自注意力多尺度特征提取的智能故障诊断方法
Xu et al. Global attention mechanism based deep learning for remaining useful life prediction of aero-engine
Li et al. Knowledge enhanced ensemble method for remaining useful life prediction under variable working conditions
CN114492614A (zh) 一种基于集成学习的带钢热轧过程故障分类方法及装置
CN116714437B (zh) 基于大数据的氢燃料电池汽车安全监控系统及监控方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant