CN112579580A - 一种基于工业大数据预测的预报警方法 - Google Patents
一种基于工业大数据预测的预报警方法 Download PDFInfo
- Publication number
- CN112579580A CN112579580A CN202011351978.4A CN202011351978A CN112579580A CN 112579580 A CN112579580 A CN 112579580A CN 202011351978 A CN202011351978 A CN 202011351978A CN 112579580 A CN112579580 A CN 112579580A
- Authority
- CN
- China
- Prior art keywords
- data
- value
- particle
- formula
- optimal
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 59
- 239000002245 particle Substances 0.000 claims abstract description 93
- 238000005457 optimization Methods 0.000 claims abstract description 13
- 238000013500 data storage Methods 0.000 claims abstract description 10
- 238000004140 cleaning Methods 0.000 claims abstract description 5
- 238000003860 storage Methods 0.000 claims abstract description 4
- 230000006870 function Effects 0.000 claims description 24
- 230000003044 adaptive effect Effects 0.000 claims description 21
- 230000008569 process Effects 0.000 claims description 14
- 238000009825 accumulation Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 5
- 238000004458 analytical method Methods 0.000 claims description 4
- 230000006978 adaptation Effects 0.000 claims description 3
- 238000013459 approach Methods 0.000 claims description 3
- 125000004432 carbon atom Chemical group C* 0.000 claims description 3
- 230000008859 change Effects 0.000 claims description 3
- 238000006073 displacement reaction Methods 0.000 claims description 3
- 230000006872 improvement Effects 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 238000012804 iterative process Methods 0.000 claims description 2
- 238000012423 maintenance Methods 0.000 abstract description 3
- 238000011161 development Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012824 chemical production Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000013277 forecasting method Methods 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/21—Design, administration or maintenance of databases
- G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2465—Query processing support for facilitating data mining operations in structured databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- 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
- G06Q10/20—Administration of product repair or maintenance
-
- 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
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Quality & Reliability (AREA)
- Databases & Information Systems (AREA)
- Entrepreneurship & Innovation (AREA)
- Tourism & Hospitality (AREA)
- Operations Research (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Game Theory and Decision Science (AREA)
- Computational Linguistics (AREA)
- Development Economics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Educational Administration (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Fuzzy Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于工业大数据预测的预报警方法,包括以下步骤:S1、通过OPC服务器采集工厂控制系统中的数据,并将采集到的数据传送至数据存储服务器存储;S2、对存储在数据存储服务器中的数据进行清洗处理;S3、构建粒子群优化灰色模型,通过构建的粒子群优化灰色模型预测工业大数据;S4、将预测得到的工业大数据与报警值进行对比产生报警点,并通过OPC服务器反馈至工厂控制系统。本发明能快速判断出快要发生故障的位置,然后通过报警提示的方式,告知操作或者维修人员提前进行调整或维护,做到故障提前预知,并进行及时处理,达到防患于未然的目的。
Description
技术领域
本发明涉及工业大数据预测的技术领域,尤其涉及到一种基于工业大数据预测的预报警方法。
背景技术
社会经济的不断发展带动了工业产业的快速发展,使得国家在工业的投资不断加大,但由于设备大型化,工业流程连续性要求高、要控制的工业参数增多,而且条件苛刻,要求显示操作集中等,化工安全生产问题不断出现。工业属于高危行业,工厂因安全事故造成的损失较大,安全生产已经被社会广泛关注。新时代背景下,企业更应该减少工业安全事故的发生概率。由于在紧急事故情况下,操作人员会难以找寻出故障根源,从而无法短时间内消除故障。传统的检测方法效率低、故障位置判断准确度差,且在紧急时刻分析处理耗时长会导致一定风险。
发明内容
本发明的目的在于克服现有技术的不足,提供一种基于工业大数据预测的预报警方法,能避免当工业生产装置出现紧急故障时,人为无法在短时间内定位故障区段。该方法可以判断某一位置快要发生故障的情况下,通过报警提示的方式,告知操作或者维修人员提前进行调整或维护,做到提前定位故障位置,并进行及时处理,达到防患于未然的目的,提高故障处理效率。
为实现上述目的,本发明所提供的技术方案为:
一种基于工业大数据预测的预报警方法,包括以下步骤:
S1、通过OPC服务器采集工厂控制系统中的数据,并将采集到的数据传送至数据存储服务器存储;
S2、对存储在数据存储服务器中的数据进行清洗处理;
S3、构建粒子群优化灰色模型,通过构建的粒子群优化灰色模型预测工业大数据;
S4、将预测得到的工业大数据与报警值进行对比产生报警点,并通过OPC服务器反馈至工厂控制系统。
进一步地,所述步骤S2对存储在数据存储服务器中的数据进行清洗处理,具体包括:
数据预处理:查看元数据,包括字段解释、数据来源、代码表在内的描述的数据信息;
去除内容重复的数据:对重复数据进行舍弃,保证数据的单一性;
去除数据类型错误的数据:对数据类型有错误的数据进行舍弃,保证数据的正确性;
去除不需要的数据:对于无报警值的数据进行舍弃,保证数据的准确性。
进一步地,所述步骤S3包括:
构造改进的灰色非线性模型,然后利用粒子群算法对改进的灰色非线性模型中的动态调整值进行寻找最优解,最后再次对粒子群算法通过拉格朗日插值法进行优化,寻找全局最佳点。
进一步地,所述步骤S3的具体过程如下:
1)选取x(0)={x(0)(1),x(0)(2),…,x(0)(n)}为n个元素的原始数据序列,X(0)的一阶累加生成数列为x(1)={x(1)(1),x(1)(2),…,x(1)(n)},其定义如下:
上式中,AGO表示指累加生成;
2)定义x(1)(k)的灰导数为:
d(k)=x(1)(k)-x(1)(k-1)=x(0)(k) (2)
3)令Z(1)为数列X(1)的均值数列,即:
z(1)(k)=λx(1)(k)+λx(1)(k-1)(k=2,3,…,n) (3)
上式中,λ为分辨率系数;
根据差分方程的求解原理,运用最小二乘法,把式(4)转化为:
上式中,
把式(6)展开,求得参数a与b的估计值,具体为:
由式(10)可知,e(k)为包含λ的一元非线性函数,因此,最小化预测模型误差的问题转化为求取e(k)最小值,这里λ的取值满足:0≤λ≤1;为了保持λ的适用性和普遍性,假如需要预测十个节点数据,则把式(10)进行误差累加和处理,并保持累加和最小,具体计算公式为:
上式中,0≤λ≤1,由式(11)可知,以λ为变量的J(λ)函数为在限定条件下的一元非线性函数;
上式(11)的函数具有显著的非线性特征,采用粒子群算法搜索λ的最优值,在数值预测过程中,不断地根据前面若干个样本动态调整λ值,并依次把最优的λ代入式(9)中预测下一个数据,使预测结果逼近实际值;
6)初始化粒子群,粒子群为由n个粒子组成的种群X=(X1,X2,X3,…,Xn),第i个粒子表示一个D维向量Xi=(xi1,xi2,xi3,…,xid)T,第i个粒子的速度为Vi=(Vi1,Vi2,Vi3,…,Vid)T,则粒子t时刻更新各微粒的速度和位置的方程为:
上式中,j=1,2,…,d;Pi.j和Pg.j分别为第i个粒子在第t代所经历的个体最优和全局最优位置;t为当前迭代次数;ω为惯性权重系数,用于表示收敛速度;c1和c2为学习因子,用于调节迭代的步距;r1和r2为0~1之间均匀分布的随机数;
7)引入拉格朗日插值局部搜索的方法,利用拉格朗日插值粒子群算法,在初期有较大的搜索空间,后期能够帮助加速收敛,具有较高的鲁棒性;
在迭代初期,防止粒子陷入局部收敛及在迭代后期缩小搜索范围,加速收敛速度;粒子迭代公式为:
vi.j(t+1)=wvi.j(t)+c1r1(pi.j-xi.j(t)) (13)
上式相对于PSO算法,只保留迭代过程中自身的惯性权重及个体最优pbest的模型,去除全局最优gbest的学习模块;为了平衡PSO算法的全局搜索能力和局部改良能力,在上式中页加入自适应的惯性权重ω,即
上式中,f为粒子实时的目标函数值;favg和fmin分别为当前所有粒子的平均值和最小目标值;对上式分析知,惯性权重随着粒子目标函数值的变化而变化;惯性权重ω为最重要的参数,增大ω的值能提高全部搜索能力,减少其值可加强局部搜索的能力;
为了提高局部搜索寻优的能力,采用拉格朗日的插值法,找到平面上多个已知多项式函数的点;根据已知所确定的约束条件,来预知未知的信息,进而来求得最优解;
引入拉格朗日线插值法,n阶拉格朗日插值公式为
为了探索gbest第j维的更优位置,选取3个点来生成信息及每个形式的拉格朗日插值,一个点为gbest(X0)本身,另外两个点分别为gbest附近随机的扰动来作为拉格朗日的插值,关系式为
delta=rand*η*v(i,j)
x0(j)=gbest(j) (16)
x1(j)=gbest(j)+delta
x2(j)=gbest(j)-delta (17)
式(16)中,v(i,j)为每次迭代具有最佳适应度的粒子速度;η为系数,设置η=0.5/N,N为粒子群大小;在第j维空间中,3个点通过拉格朗日插值方法生成抛物线且去掉最小的点。
进一步地,所述步骤S3中,利用粒子群算法对改进的灰色非线性模型中的动态调整值进行寻找最优解,最后再次对粒子群算法通过拉格朗日插值法进行优化,寻找全局最佳点的具体过程如下:
S01:设定初始种群的参数,种群个体数目n、惯性权重ω、学习因子c1以及迭代的步数,各粒子各个维度的位移和速度的更新;惯性权重初始位置设置为种群个体的最大值Xmax和最小值Xmin,速度为(Xmax-Xmin)/n,计算出各个位置的适应值;
S02:随机初始化粒子群粒子的初始位置和速度,各个粒子初始适应值相当于过程最佳pbest,其中,pbest最佳的全体过程最优为gbest;
S03:按照式(12)更新相应的位置和速度,并计算其相应的适应值;
S04:前后对比更新后的每个粒子和其pbest的适应值,如果更新后的粒子具有更佳适应值,则用更新后的pbest的位置和速度的适应值,否则保留历史pbest;对比粒子群中每个pbest及到当前迭代的整体最佳的gbest的适应值,如果存在比gbest的适应值更优的pbest,则更新gbest的位置及相应的适应度,否则保留历史gbest信息;
S05:当迭代次数达到一定的次数时,则分别以全局最佳点gbest的维度为D的分量进行拉格朗日的插值计算,取gbest(X0)点,依据式(17)来获取扰动的插值点,进而计算相应的适应值,利用X0及扰动的两点进行插值,来获得其最小值的点以及计算相应的适应值,如果此点的值比X0的适应值更佳,则更新gbest的信息;
S06:判断是否达到设置的最大迭代次数,如果达到次数则结束,否则返回步骤S02;
S07:将得到的gbest即为λ的最优值,代入式(9)中得到预测数据。
与现有技术相比,本方案原理及优点如下:
本方案通过工业大数据,构造改进的灰色非线性模型,然后利用粒子群算法对改进的灰色非线性模型中的动态调整值进行寻找最优解,最后再次对粒子群算法通过拉格朗日插值法进行优化,寻找全局最佳点。
本方案能快速判断出快要发生故障的位置,然后通过报警提示的方式,告知操作或者维修人员提前进行调整或维护,做到故障提前预知,并进行及时处理,达到防患于未然的目的。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的服务作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明一种基于工业大数据预测的预报警方法的原理流程图;
图2为本发明一种基于工业大数据预测的预报警方法中数据清洗的示意图;
图3为本发明一种基于工业大数据预测的预报警方法中利用拉格朗日插值的粒子群算法流程图;
图4为本发明一种基于工业大数据预测的预报警方法中灰色预测优化算法流程示意图。
具体实施方式
下面结合具体实施例对本发明作进一步说明:
如图1所示,本发明实施例所述的一种基于工业大数据预测的预报警方法,包括如下具体步骤:
S1、通过OPC服务器采集工厂控制系统中的数据,并将采集到的数据传送至数据存储服务器存储;
S2、如图2所示,对存储在数据存储服务器中的数据进行清洗处理:
数据预处理:查看元数据,包括字段解释、数据来源、代码表在内的描述的数据信息;
去除内容重复的数据:对重复数据进行舍弃,保证数据的单一性;
去除数据类型错误的数据:对数据类型有错误的数据进行舍弃,保证数据的正确性;
去除不需要的数据:对于无报警值的数据进行舍弃,保证数据的准确性。
S3、构建粒子群优化灰色模型,通过构建的粒子群优化灰色模型预测工业大数据;
本步骤包括构造改进的灰色非线性模型,然后利用粒子群算法对改进的灰色非线性模型中的动态调整值进行寻找最优解,最后再次对粒子群算法通过拉格朗日插值法进行优化,寻找全局最佳点。
如图4所示,具体的过程如下:
1)选取x(0)={x(0)(1),x(0)(2),…,x(0)(n)}为n个元素的原始数据序列,x(0)的一阶累加生成数列为x(1)={x(1)(1),x(1)(2),…,x(1)(n)},其定义如下:
上式中,AGO表示指累加生成;
2)定义x(1)(k)的灰导数为:
d(k)=x(1)(k)-x(1)(k-1)=x(0)(k) (2)
3)令Z(1)为数列X(1)的均值数列,即:
z(1)(k)=λx(1)(k)+λx(1)(k-1)(k=2,3,…,n) (3)
上式中,λ为分辨率系数;
根据差分方程的求解原理,运用最小二乘法,把式(4)转化为:
上式中,
把式(6)展开,求得参数a与b的估计值,具体为:
由式(10)可知,e(k)为包含λ的一元非线性函数,因此,最小化预测模型误差的问题转化为求取e(k)最小值,这里λ的取值满足:0≤λ≤1;为了保持λ的适用性和普遍性,假如需要预测十个节点数据,则把式(10)进行误差累加和处理,并保持累加和最小,具体计算公式为:
上式中,0≤λ≤1,由式(11)可知,以λ为变量的J(λ)函数为在限定条件下的一元非线性函数;
上式(11)的函数具有显著的非线性特征,采用粒子群算法搜索λ的最优值,在数值预测过程中,不断地根据前面若干个样本动态调整λ值,并依次把最优的λ代入式(9)中预测下一个数据,使预测结果逼近实际值;
6)初始化粒子群,粒子群为由n个粒子组成的种群X=(X1,X2,X3,…,Xn ),第i个粒子表示一个D维向量Xi=(xi1,xi2,xi3,…,xid)T,第i个粒子的速度为Vi=(Vi1,Vi2,Vi3,…,Vid)T,则粒子t时刻更新各微粒的速度和位置的方程为:
上式中,j=1,2,…,d;Pi.j和Pg.j分别为第i个粒子在第t代所经历的个体最优和全局最优位置;t为当前迭代次数;ω为惯性权重系数,用于表示收敛速度;c1和c2为学习因子,用于调节迭代的步距;r1和r2为0~1之间均匀分布的随机数;
7)引入拉格朗日插值局部搜索的方法,利用拉格朗日插值粒子群算法,在初期有较大的搜索空间,后期能够帮助加速收敛,具有较高的鲁棒性;
在迭代初期,防止粒子陷入局部收敛及在迭代后期缩小搜索范围,加速收敛速度;粒子迭代公式为:
vi.j(t+1)=wvi.j(t)+c1r1(pi.j-xi.j(t)) (13)
上式相对于粒子群算法,只保留迭代过程中自身的惯性权重及个体最优pbest的模型,去除全局最优gbest的学习模块;为了平衡粒子群算法的全局搜索能力和局部改良能力,在上式中页加入自适应的惯性权重ω,即
上式中,f为粒子实时的目标函数值;favg和fmin分别为当前所有粒子的平均值和最小目标值;对上式分析知,惯性权重随着粒子目标函数值的变化而变化;惯性权重ω为最重要的参数,增大ω的值能提高全部搜索能力,减少其值可加强局部搜索的能力;
为了提高局部搜索寻优的能力,采用拉格朗日的插值法,找到平面上多个已知多项式函数的点;根据已知所确定的约束条件,来预知未知的信息,进而来求得最优解;
引入拉格朗日线插值法,n阶拉格朗日插值公式为
为了探索gbest第j维的更优位置,选取3个点来生成信息及每个形式的拉格朗日插值,一个点为gbest(X0)本身,另外两个点分别为gbest附近随机的扰动来作为拉格朗日的插值,关系式为:
delta=rand*η*v(i,j)
x0(j)=gbest(j) (16)
x1(j)=gbest(j)+delta
x2(j)=gbest(j)-delta (17)
式(16)中,v(i,j)为每次迭代具有最佳适应度的粒子速度;η为系数,设置η=0.5/N,N为粒子群大小;在第j维空间中,3个点通过拉格朗日插值方法生成抛物线且去掉最小的点。
上述中,如图3所示,利用粒子群算法对改进的灰色非线性模型中的动态调整值进行寻找最优解,最后再次对粒子群算法通过拉格朗日插值法进行优化,寻找全局最佳点的具体过程如下:
S01:设定初始种群的参数,种群个体数目n、惯性权重ω、学习因子c1以及迭代的步数,各粒子各个维度的位移和速度的更新;惯性权重初始位置设置为种群个体的最大值Xmax和最小值Xmin,速度为(Xmax-Xmin)/n,计算出各个位置的适应值;
S02:随机初始化粒子群粒子的初始位置和速度,各个粒子初始适应值相当于过程最佳pbest,其中,pbest最佳的全体过程最优为gbest;
S03:按照式(12)更新相应的位置和速度,并计算其相应的适应值;
S04:前后对比更新后的每个粒子和其pbest的适应值,如果更新后的粒子具有更佳适应值,则用更新后的pbest的位置和速度的适应值,否则保留历史pbest;对比粒子群中每个pbest及到当前迭代的整体最佳的gbest的适应值,如果存在比gbest的适应值更优的pbest,则更新gbest的位置及相应的适应度,否则保留历史gbest信息;
S05:当迭代次数达到一定的次数时,则分别以全局最佳点gbest的维度为D的分量进行拉格朗日的插值计算,取gbest(X0)点,依据式(17)来获取扰动的插值点,进而计算相应的适应值,利用X0及扰动的两点进行插值,来获得其最小值的点以及计算相应的适应值,如果此点的值比X0的适应值更佳,则更新gbest的信息;
S06:判断是否达到设置的最大迭代次数,如果达到次数则结束,否则返回步骤S02;
S07:将得到的gbest即为λ的最优值,代入式(9)中得到预测数据。
S4、将预测得到的工业大数据与报警值进行对比产生报警点,并通过OPC服务器反馈至工厂控制系统。
以上所述之实施例子只为本发明之较佳实施例,并非以此限制本发明的实施范围,故凡依本发明之形状、原理所作的变化,均应涵盖在本发明的保护范围内。
Claims (5)
1.一种基于工业大数据预测的预报警方法,其特征在于,包括以下步骤:
S1、通过OPC服务器采集工厂控制系统中的数据,并将采集到的数据传送至数据存储服务器存储;
S2、对存储在数据存储服务器中的数据进行清洗处理;
S3、构建粒子群优化灰色模型,通过构建的粒子群优化灰色模型预测工业大数据;
S4、将预测得到的工业大数据与报警值进行对比产生报警点,并通过OPC服务器反馈至工厂控制系统。
2.根据权利要求1所述的一种基于工业大数据预测的预报警方法,其特征在于,所述步骤S2对存储在数据存储服务器中的数据进行清洗处理,具体包括:
数据预处理:查看元数据,包括字段解释、数据来源、代码表在内的描述的数据信息;
去除内容重复的数据:对重复数据进行舍弃,保证数据的单一性;
去除数据类型错误的数据:对数据类型有错误的数据进行舍弃,保证数据的正确性;
去除不需要的数据:对于无报警值的数据进行舍弃,保证数据的准确性。
3.根据权利要求1所述的一种基于工业大数据预测的预报警方法,其特征在于,所述步骤S3包括:
构造改进的灰色非线性模型,然后利用粒子群算法对改进的灰色非线性模型中的动态调整值进行寻找最优解,最后再次对粒子群算法通过拉格朗日插值法进行优化,寻找全局最佳点。
4.根据权利要求3所述的一种基于工业大数据预测的预报警方法,其特征在于,所述步骤S3的具体过程如下:
1)选取x(0)={x(0)(1),x(0)(2),…,x(0)(n)}为n个元素的原始数据序列,X(0)的一阶累加生成数列为x(1)={x(1)(1),x(1)(2),…,x(1)(n)},其定义如下:
上式中,AGO表示指累加生成;
2)定义X(1)(k)的灰导数为:
d(k)=x(1)(k)-x(1)(k-1)=x(0)(k) (2)
3)令Z(1)为数列X(1)的均值数列,即:
z(1)(k)=λx(1)(k)+λx(1)(k-1) (k=2,3,…,n) (3)
上式中,λ为分辨率系数;
根据差分方程的求解原理,运用最小二乘法,把式(4)转化为:
上式中,
把式(6)展开,求得参数a与b的估计值,具体为:
由式(10)可知,e(k)为包含λ的一元非线性函数,因此,最小化预测模型误差的问题转化为求取e(k)最小值,这里λ的取值满足:0≤λ≤1;为了保持λ的适用性和普遍性,假如需要预测十个节点数据,则把式(10)进行误差累加和处理,并保持累加和最小,具体计算公式为:
上式中,0≤λ≤1,由式(11)可知,以λ为变量的J(λ)函数为在限定条件下的一元非线性函数;
上式(11)的函数具有显著的非线性特征,采用粒子群算法搜索λ的最优值,在数值预测过程中,不断地根据前面若干个样本动态调整λ值,并依次把最优的λ代入式(9)中预测下一个数据,使预测结果逼近实际值;
6)初始化粒子群,粒子群为由n个粒子组成的种群X=(X1,X2,X3,…,Xn ),第i个粒子表示一个D维向量Xi=(xi1,xi2,xi3,…,xid)T,第i个粒子的速度为Vi=(Vi1,Vi2,Vi3,…,Vid)T,则粒子t时刻更新各微粒的速度和位置的方程为:
上式中,j=1,2,…,d;Pi.j和Pg.j分别为第i个粒子在第t代所经历的个体最优和全局最优位置;t为当前迭代次数;ω为惯性权重系数,用于表示收敛速度;c1和c2为学习因子,用于调节迭代的步距;r1和r2为0~1之间均匀分布的随机数;
7)引入拉格朗日插值局部搜索的方法,利用拉格朗日插值粒子群算法,在初期有较大的搜索空间,后期能够帮助加速收敛,具有较高的鲁棒性;
在迭代初期,防止粒子陷入局部收敛及在迭代后期缩小搜索范围,加速收敛速度;粒子迭代公式为:
vi,j(t+1)=wvi,j(t)+c1r1(pi,j-xi,j(t)) (13)
上式相对于粒子群算法,只保留迭代过程中自身的惯性权重及个体最优pbest的模型,去除全局最优gbest的学习模块;为了平衡粒子群算法的全局搜索能力和局部改良能力,在上式中页加入自适应的惯性权重ω,即
上式中,f为粒子实时的目标函数值;favg和fmin分别为当前所有粒子的平均值和最小目标值;对上式分析知,惯性权重随着粒子目标函数值的变化而变化;惯性权重ω为最重要的参数,增大ω的值能提高全部搜索能力,减少其值可加强局部搜索的能力;
为了提高局部搜索寻优的能力,采用拉格朗日的插值法,找到平面上多个已知多项式函数的点;根据已知所确定的约束条件,来预知未知的信息,进而来求得最优解;
引入拉格朗日线插值法,n阶拉格朗日插值公式为
为了探索gbest第j维的更优位置,选取3个点来生成信息及每个形式的拉格朗日插值,一个点为gbest(X0)本身,另外两个点分别为gbest附近随机的扰动来作为拉格朗日的插值,关系式为:
delta=rand*η*v(i,j)
x0(j)=gbest(j) (16)
x1(j)=gbest(j)+delta
x2(j)=gbest(j)-delta (17)
式(16)中,v(i,j)为每次迭代具有最佳适应度的粒子速度;η为系数,设置η=0.5/N,N为粒子群大小;在第j维空间中,3个点通过拉格朗日插值方法生成抛物线且去掉最小的点。
5.根据权利要求4所述的一种基于工业大数据预测的预报警方法,其特征在于,所述步骤S3中,利用粒子群算法对改进的灰色非线性模型中的动态调整值进行寻找最优解,最后再次对粒子群算法通过拉格朗日插值法进行优化,寻找全局最佳点的具体过程如下:
S01:设定初始种群的参数,种群个体数目n、惯性权重ω、学习因子c1以及迭代的步数,各粒子各个维度的位移和速度的更新;惯性权重初始位置设置为种群个体的最大值Xmax和最小值Xmin,速度为(Xmax-Xmin)/n,计算出各个位置的适应值;
S02:随机初始化粒子群粒子的初始位置和速度,各个粒子初始适应值相当于过程最佳pbest,其中,pbest最佳的全体过程最优为gbest;
S03:按照式(12)更新相应的位置和速度,并计算其相应的适应值;
S04:前后对比更新后的每个粒子和其pbest的适应值,如果更新后的粒子具有更佳适应值,则用更新后的pbest的位置和速度的适应值,否则保留历史pbest;对比粒子群中每个pbest及到当前迭代的整体最佳的gbest的适应值,如果存在比gbest的适应值更优的pbest,则更新gbest的位置及相应的适应度,否则保留历史gbest信息;
S05:当迭代次数达到一定的次数时,则分别以全局最佳点gbest的维度为D的分量进行拉格朗日的插值计算,取gbest(X0)点,依据式(17)来获取扰动的插值点,进而计算相应的适应值,利用X0及扰动的两点进行插值,来获得其最小值的点以及计算相应的适应值,如果此点的值比X0的适应值更佳,则更新gbest的信息;
S06:判断是否达到设置的最大迭代次数,如果达到次数则结束,否则返回步骤S02;
S07:将得到的gbest即为λ的最优值,代入式(9)中得到预测数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011351978.4A CN112579580B (zh) | 2020-11-26 | 2020-11-26 | 一种基于工业大数据预测的预报警方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011351978.4A CN112579580B (zh) | 2020-11-26 | 2020-11-26 | 一种基于工业大数据预测的预报警方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112579580A true CN112579580A (zh) | 2021-03-30 |
CN112579580B CN112579580B (zh) | 2022-07-05 |
Family
ID=75123782
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011351978.4A Expired - Fee Related CN112579580B (zh) | 2020-11-26 | 2020-11-26 | 一种基于工业大数据预测的预报警方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112579580B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115938031A (zh) * | 2022-12-02 | 2023-04-07 | 深圳市鼎山科技有限公司 | 一种基于大数据的数据识别管理系统及方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102200759A (zh) * | 2011-05-28 | 2011-09-28 | 东华大学 | 一种非线性核化自适应预测方法 |
CN106126961A (zh) * | 2016-07-28 | 2016-11-16 | 上海交通大学 | 灰色粒子群卫星钟差自适应预测方法及系统 |
CN107292448A (zh) * | 2017-07-17 | 2017-10-24 | 广东电网有限责任公司中山供电局 | 一种电网台风抢修工程的力能组织预测方法 |
CN108898257A (zh) * | 2018-07-05 | 2018-11-27 | 上海海事大学 | 一种基于粒子群优化的灰色预测方法 |
CN110703088A (zh) * | 2019-06-24 | 2020-01-17 | 青岛鹏海软件有限公司 | 智能电机管理系统 |
CN111444953A (zh) * | 2020-03-24 | 2020-07-24 | 东南大学 | 一种基于改进粒子群优化算法的传感器故障监测方法 |
-
2020
- 2020-11-26 CN CN202011351978.4A patent/CN112579580B/zh not_active Expired - Fee Related
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102200759A (zh) * | 2011-05-28 | 2011-09-28 | 东华大学 | 一种非线性核化自适应预测方法 |
CN106126961A (zh) * | 2016-07-28 | 2016-11-16 | 上海交通大学 | 灰色粒子群卫星钟差自适应预测方法及系统 |
CN107292448A (zh) * | 2017-07-17 | 2017-10-24 | 广东电网有限责任公司中山供电局 | 一种电网台风抢修工程的力能组织预测方法 |
CN108898257A (zh) * | 2018-07-05 | 2018-11-27 | 上海海事大学 | 一种基于粒子群优化的灰色预测方法 |
CN110703088A (zh) * | 2019-06-24 | 2020-01-17 | 青岛鹏海软件有限公司 | 智能电机管理系统 |
CN111444953A (zh) * | 2020-03-24 | 2020-07-24 | 东南大学 | 一种基于改进粒子群优化算法的传感器故障监测方法 |
Non-Patent Citations (1)
Title |
---|
杨胡萍: "粒子群优化的灰色模型在中长期负荷预测中的应用", 《电测与仪表》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115938031A (zh) * | 2022-12-02 | 2023-04-07 | 深圳市鼎山科技有限公司 | 一种基于大数据的数据识别管理系统及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112579580B (zh) | 2022-07-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110322048B (zh) | 一种生产物流输送装备故障预警方法 | |
CN107967542B (zh) | 一种基于长短期记忆网络的售电量预测方法 | |
CN110163429B (zh) | 一种基于相似日优化筛选的短期负荷预测方法 | |
CN113762329A (zh) | 一种大型轧机状态预测模型的构建方法及构建系统 | |
CN111638707B (zh) | 基于som聚类和mpca的间歇过程故障监测方法 | |
CN110708318A (zh) | 基于改进的径向基神经网络算法的网络异常流量预测方法 | |
Shi et al. | Improving power grid monitoring data quality: An efficient machine learning framework for missing data prediction | |
CN116448419A (zh) | 基于深度模型高维参数多目标高效寻优的零样本轴承故障诊断方法 | |
CN112363896A (zh) | 日志异常检测系统 | |
CN111723982A (zh) | 基于灰色-马尔可夫链的中长期电力负荷组合预测方法 | |
Liu et al. | Grey-based approach for estimating software reliability under nonhomogeneous Poisson process | |
CN115688581A (zh) | 油气集输站设备参数预警方法、系统、电子设备及介质 | |
CN116861256A (zh) | 一种固废焚烧过程的炉温预测方法、系统、设备及介质 | |
CN112579580B (zh) | 一种基于工业大数据预测的预报警方法 | |
CN110348005B (zh) | 配网设备状态数据处理方法、装置、计算机设备及介质 | |
CN116522065A (zh) | 一种基于深度学习的磨煤机健康度评估方法 | |
CN115935285A (zh) | 基于掩码图神经网络模型的多元时间序列异常检测方法和系统 | |
CN115577290A (zh) | 一种基于深度学习的配网故障分类及源定位方法 | |
CN112836570B (zh) | 一种利用高斯噪声的设备异常检测方法 | |
Luo et al. | Data-based fault-tolerant control of the semiconductor manufacturing process based on k-nearest neighbor nonparametric regression | |
CN112816211A (zh) | 一种基于pso-bp算法的带式输送机故障诊断的方法 | |
CN111813631A (zh) | 一种面向云数据中心的资源态势可视化与分析方法 | |
CN116595883B (zh) | 数值反应堆实时在线系统状态修正方法 | |
CN112988529A (zh) | 一种基于机器学习进行数据库系统性能预测的方法及系统 | |
CN116681266B (zh) | 一种镜面放电加工机的生产调度方法及系统 |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20220705 |