CN112579580A - 一种基于工业大数据预测的预报警方法 - Google Patents

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

一种基于工业大数据预测的预报警方法

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；

4)定义GM(1，1)灰差分方程式

a为发展灰数，b为内生控制灰数，即

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：

把式(7)和式(8)求出的a与b之值代入式(9)中，从而求出预测值

5)根据式(9)得到在训练样本基础上的预测值，之后对λ进行动态调整，则计算出的预测值

是含有λ变量的动态结果，使用相对误差检验模型的预测精度，相对预测误差的计算公式为：

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，…，X_n)，第i个粒子表示一个D维向量Xi＝(x_i1，x_i2，x_i3，…，x_id)^T，第i个粒子的速度为V_i＝(V_i1，V_i2，V_i3，…，V_id)^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；P_i.j和P_g.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：

v_i.j(t+1)＝wv_i.j(t)+c₁r₁(p_i.j-x_i.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p_best的模型，去除全局最优g_best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；f_avg和f_min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

上式中，l_i(x)为n次插值基函数，

为了探索g_best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g_best(X₀)本身，另外两个点分别为g_best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)＝g_best(j) (16)

x₁(j)＝g_best(j)+delta

x₂(j)＝g_best(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X_max和最小值X_min，速度为(X_max-X_min)/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p_best，其中，p_best最佳的全体过程最优为g_best；

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p_best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p_best的位置和速度的适应值，否则保留历史p_best；对比粒子群中每个p_best及到当前迭代的整体最佳的g_best的适应值，如果存在比g_best的适应值更优的p_best，则更新g_best的位置及相应的适应度，否则保留历史g_best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g_best的维度为D的分量进行拉格朗日的插值计算，取g_best(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g_best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g_best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；

4)定义GM(1，1)灰差分方程式

a为发展灰数，b为内生控制灰数，即

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：

把式(7)和式(8)求出的a与b之值代入式(9)中，从而求出预测值

5)根据式(9)得到在训练样本基础上的预测值，之后对λ进行动态调整，则计算出的预测值

是含有λ变量的动态结果，使用相对误差检验模型的预测精度，相对预测误差的计算公式为：

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，…，X_n )，第i个粒子表示一个D维向量Xi＝(x_i1，x_i2，x_i3，…，x_id)^T，第i个粒子的速度为V_i＝(V_i1，V_i2，V_i3，…，V_id)^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；P_i.j和P_g.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：

v_i.j(t+1)＝wv_i.j(t)+c₁r₁(p_i.j-x_i.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p_best的模型，去除全局最优g_best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；f_avg和f_min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

上式中，l_i(x)为n次插值基函数，

为了探索g_best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g_best(X₀)本身，另外两个点分别为g_best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)＝g_best(j) (16)

x₁(j)＝g_best(j)+delta

x₂(j)＝g_best(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X_max和最小值X_min，速度为(X_max-X_min)/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p_best，其中，p_best最佳的全体过程最优为g_best；

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p_best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p_best的位置和速度的适应值，否则保留历史p_best；对比粒子群中每个p_best及到当前迭代的整体最佳的g_best的适应值，如果存在比g_best的适应值更优的p_best，则更新g_best的位置及相应的适应度，否则保留历史g_best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g_best的维度为D的分量进行拉格朗日的插值计算，取g_best(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g_best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g_best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；

4)定义GM(1，1)灰差分方程式

a为发展灰数，b为内生控制灰数，即

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：

把式(7)和式(8)求出的a与b之值代入式(9)中，从而求出预测值

5)根据式(9)得到在训练样本基础上的预测值，之后对λ进行动态调整，则计算出的预测值

是含有λ变量的动态结果，使用相对误差检验模型的预测精度，相对预测误差的计算公式为：

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，…，X_n )，第i个粒子表示一个D维向量Xi＝(x_i1，x_i2，x_i3，…，x_id)^T，第i个粒子的速度为V_i＝(V_i1，V_i2，V_i3，…，V_id)^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；P_i.j和P_g.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：

v_i，j(t+1)＝wv_i，j(t)+c₁r₁(p_i，j-x_i，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p_best的模型，去除全局最优g_best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；f_avg和f_min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

上式中，l_i(x)为n次插值基函数，

为了探索g_best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g_best(X₀)本身，另外两个点分别为g_best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)＝g_best(j) (16)

x₁(j)＝g_best(j)+delta

x₂(j)＝g_best(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X_max和最小值X_min，速度为(X_max-X_min)/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p_best，其中，p_best最佳的全体过程最优为g_best；

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p_best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p_best的位置和速度的适应值，否则保留历史p_best；对比粒子群中每个p_best及到当前迭代的整体最佳的g_best的适应值，如果存在比g_best的适应值更优的p_best，则更新g_best的位置及相应的适应度，否则保留历史g_best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g_best的维度为D的分量进行拉格朗日的插值计算，取g_best(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g_best即为λ的最优值，代入式(9)中得到预测数据。

Images