CN113191477A - 碱式电解槽的温度传感器故障诊断方法与装置 - Google Patents
碱式电解槽的温度传感器故障诊断方法与装置 Download PDFInfo
- Publication number
- CN113191477A CN113191477A CN202110130793.9A CN202110130793A CN113191477A CN 113191477 A CN113191477 A CN 113191477A CN 202110130793 A CN202110130793 A CN 202110130793A CN 113191477 A CN113191477 A CN 113191477A
- Authority
- CN
- China
- Prior art keywords
- temperature sensor
- electrolytic cell
- fault
- population
- modal
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 50
- 238000003745 diagnosis Methods 0.000 title claims abstract description 36
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 54
- 238000012216 screening Methods 0.000 claims abstract description 29
- 238000009826 distribution Methods 0.000 claims abstract description 14
- 241000254158 Lampyridae Species 0.000 claims description 36
- 239000002245 particle Substances 0.000 claims description 32
- 238000000354 decomposition reaction Methods 0.000 claims description 19
- 238000003860 storage Methods 0.000 claims description 18
- 238000010276 construction Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 11
- 238000005457 optimization Methods 0.000 description 11
- 230000006870 function Effects 0.000 description 10
- 238000004590 computer program Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 6
- 230000000694 effects Effects 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 238000006243 chemical reaction Methods 0.000 description 3
- 238000011478 gradient descent method Methods 0.000 description 3
- 230000006978 adaptation Effects 0.000 description 2
- 239000003513 alkali Substances 0.000 description 2
- 230000002708 enhancing effect Effects 0.000 description 2
- 238000013508 migration Methods 0.000 description 2
- 230000005012 migration Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000002028 premature Effects 0.000 description 2
- 241001391944 Commicarpus scandens Species 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 239000000758 substrate Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Images
Classifications
-
- 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
- G01—MEASURING; TESTING
- G01K—MEASURING TEMPERATURE; MEASURING QUANTITY OF HEAT; THERMALLY-SENSITIVE ELEMENTS NOT OTHERWISE PROVIDED FOR
- G01K15/00—Testing or calibrating of thermometers
- G01K15/007—Testing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computational Linguistics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Fuel Cell (AREA)
Abstract
本申请提供了一种碱式电解槽的温度传感器故障诊断方法与装置。该方法包括获取碱式电解槽的温度传感器的历史时序数据；使用CEEMDAN算法对历史时序数据进行分解，得到模态分量集合；从模态分量集合中筛选出预定模态分量；计算预定模态分量对应的多个尺度方差排列熵，多个尺度方差排列熵用于表征预定模态分量的宏观分布信息与局部排列信息；将多个尺度方差排列熵构建成一个特征向量；基于特征向量对碱式电解槽的温度传感器的故障进行诊断。实现了对碱式电解槽的温度传感器故障的精确诊断。
Description
技术领域
本申请涉及温度传感器故障诊断领域，具体而言，涉及一种碱式电解槽的温度传感器故障诊断方法、装置、计算机可读存储介质与处理器。
背景技术
碱式电解槽的温度传感器处于强碱和复杂的电磁环境，工况环境恶劣，导致其易发生故障。故障传感器采集的数据可靠性低，造成温度控制系统控制性能下降甚至失效，进而降低电解槽的安全性与经济性。采用多传感器进行测量、或定期更换传感器会降低电解槽经济性，增加电解槽结构的复杂性和维护时间。因此从温度传感器的历史输出数据中提取故障信号以便及时的对其进行故障诊断，具有非常大的现实意义。
陈寅生等首先获取了气体传感器的历史时序数据，对其进行经验模态分解，获得一组模态函数。计算每个模态函数的样本熵，将其作为气体传感器的故障特征，使用SRC分类器对特征分类，获取传感器故障状态。
现有技术中的方案主要有以下三个缺点：
一、在历史时序数据的排列信息提取时，提取信息维度单一，造成传感器误诊断问题。造成缺点的原因是在进行信息提取时所用的样本熵只具有单一时间尺度，无法获得数据宏观分布信息和数据的局部排列信息；
二、诊断模型的自适应能力弱，原因在于小波分解的小波基函数一旦确定，就使得模型转换特性固定，经验模态分解存在模态混叠问题，从而导致模型自适应弱。
三、特征分类器难以适应工业界大规模数据场景，可移植性差。其原因在于为适应不同场景分类器需要进行人工调参，分类器不能分布式运行，不支持在Hadoop等分布式环境上运行。
发明内容
本申请的主要目的在于提供一种碱式电解槽的温度传感器故障诊断方法、装置、计算机可读存储介质与处理器，以解决现有技术中碱式电解槽的温度传感器故障诊断方法提取信息维度单一，造成传感器误诊断的问题。
为了实现上述目的，根据本申请的一个方面，提供了一种碱式电解槽的温度传感器故障诊断方法，包括：获取碱式电解槽的温度传感器的历史时序数据；使用CEEMDAN算法对所述历史时序数据进行分解，得到模态分量集合；从所述模态分量集合中筛选出预定模态分量；计算所述预定模态分量对应的多个尺度方差排列熵，所述多个尺度方差排列熵用于表征所述预定模态分量的宏观分布信息与局部排列信息；将多个尺度方差排列熵构建成一个特征向量；基于所述特征向量对所述碱式电解槽的温度传感器的故障进行诊断。
进一步地，从所述模态分量集合中筛选出预定模态分量，包括：使用峭度和方差两个指标，从所述模态分量集合中筛选出所述预定模态分量。
进一步地，基于所述特征向量对所述碱式电解槽的温度传感器的故障进行诊断，包括：将所述特征向量输入至XGBoost分类器，所述XGBoost分类器输出所述特征向量对应的所述历史时序数据的故障类型。
进一步地，所述方法还包括：对所述XGBoost分类器进行优化。
进一步地，对所述XGBoost分类器进行优化，包括：对萤火虫算法进行改进，得到改进的萤火虫算法；采用所述改进的萤火虫算法对所述XGBoost分类器的超参数进行优化，得到优化的超参数。
进一步地，对萤火虫算法进行改进，包括：生成萤火虫种群，所述萤火虫种群包括普通种群和精英种群，所述精英种群由所述普通种群中的一部分精英个体组成；对所述普通种群进行第一预定次迭代；在迭代完成后，对粒子进行适应度排序，得到粒子序列；从所述粒子序列中筛选出适应度最高的所述粒子；将适应度最高的所述粒子输入至所述精英种群中，得到更新后的精英种群；对更新后的精英种群进行第二预定次迭代，得到预定精英种群；用所述预定精英种群中的粒子替换掉普通种群中诊断正确率较低的粒子。
根据本申请的另一个方面，提供了一种碱式电解槽的温度传感器故障诊断装置，包括：获取单元，用于获取碱式电解槽的温度传感器的历史时序数据；分解单元，用于使用CEEMDAN算法对所述历史时序数据进行分解，得到模态分量集合；筛选单元，用于从所述模态分量集合中筛选出预定模态分量；计算单元，用于计算所述预定模态分量对应的多个尺度方差排列熵，所述多个尺度方差排列熵用于表征所述预定模态分量的宏观分布信息与局部排列信息；构建单元，用于将多个尺度方差排列熵构建成一个特征向量；诊断单元，用于基于所述特征向量对所述碱式电解槽的温度传感器的故障进行诊断。
进一步地，所述筛选单元还用于使用峭度和方差两个指标，从所述模态分量集合中筛选出所述预定模态分量。
根据本申请的又一个方面，提供了一种计算机可读存储介质，所述计算机可读存储介质包括存储的程序，其中，在所述程序运行时控制所述计算机可读存储介质所在设备执行任意一种所述的碱式电解槽的温度传感器故障诊断方法。
根据本申请的再一个方面，提供了一种处理器，所述处理器用于运行程序，其中，所述程序运行时执行任意一种所述的碱式电解槽的温度传感器故障诊断方法。
应用本申请的技术方案，通过获取碱式电解槽的温度传感器的历史时序数据，然后使用CEEMDAN算法对历史时序数据进行分解，得到模态分量集合，再从模态分量集合中选择出预定模态分量，再计算预定模态分量对应的多个尺度方差排列熵，进而将多个尺度方差排列熵构建成一个特征向量，进而基于特征向量对碱式电解槽的温度传感器的故障进行诊断，实现了对碱式电解槽的温度传感器故障的精确诊断。
附图说明
构成本申请的一部分的说明书附图用来提供对本申请的进一步理解，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1示出了根据本申请的实施例的碱式电解槽的温度传感器故障诊断方法流程图；
图2示出了根据本申请的实施例的使用CEEMDAN算法对历史时序数据进行分解的效果图；
图3示出了根据本申请的实施例的模态分量方差峭度图；
图4示出了根据本申请的实施例的碱式电解槽的温度传感器故障诊断装置示意图。
具体实施方式
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分的实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本申请保护的范围。
需要说明的是，本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
应该理解的是，当元件(诸如层、膜、区域、或衬底)描述为在另一元件“上”时，该元件可直接在该另一元件上，或者也可存在中间元件。而且，在说明书以及权利要求书中，当描述有元件“连接”至另一元件时，该元件可“直接连接”至该另一元件，或者通过第三元件“连接”至该另一元件。
为了便于描述，以下对本申请实施例涉及的部分名词或术语进行说明：
EEMD算法：通过加入噪声来减小EMD的模态效应，CEEMDAN算法通过加入自适应的噪声来进一步减小模态效应，而且具有更好的收敛性。
XGBoost：全称是eXtreme Gradient Boosting，它是经过优化的分布式梯度提升库，旨在高效、灵活且可移植。在工业界大规模数据方面，XGBoost的分布式版本有广泛的可移植性，支持在Kubernetes、Hadoop、SGE、MPI、Dask等各个分布式环境上运行，使得它可以很好地解决工业界大规模数据的问题。
根据本申请的实施例，提供了一种碱式电解槽的温度传感器故障诊断方法。
图1是根据本申请实施例的碱式电解槽的温度传感器故障诊断方法的流程图。如图1所示，该方法包括以下步骤：
步骤S101，获取碱式电解槽的温度传感器的历史时序数据；
步骤S102，使用CEEMDAN算法对上述历史时序数据进行分解，得到模态分量集合；
步骤S103，从上述模态分量集合中筛选出预定模态分量；
步骤S104，计算上述预定模态分量对应的多个尺度方差排列熵，上述多个尺度方差排列熵用于表征上述预定模态分量的宏观分布信息与局部排列信息；
步骤S105，将多个尺度方差排列熵构建成一个特征向量；
步骤S106，基于上述特征向量对上述碱式电解槽的温度传感器的故障进行诊断。
具体地，上述预定模态分量可以为高频模态分量、中高频模态分量、中低频模态分量和低频模态分量。图2示出了采用CEEMDAN算法对历史时序数据进行分解的效果图。
具体地，由于现有的诊断模型的自适应能力弱，原因在于小波分解的小波基函数一旦确定，就使得模型转换特性固定，经验模态分解存在模态混叠问题，从而导致模型自适应弱。引入CEEMADN分解技术对历史时序数据进行自适应分解，可以降低分解误差，解决模态混叠问题，提高模型自适应性。
具体地，根据多尺度方差排列熵确定上述预定模态分量的宏观分布信息与局部排列信息，解决了在进行信息提取时所用的样本熵只具有单一时间尺度，无法获得数据宏观分布信息和数据的局部排列信息的问题,，提升诊断正确率。
一种具体的实施方式中，首先获取5000个长度为100的历史时序数据，并对其进行故障标记，然后对每一个长度为100的历史时序数据，分多个尺度求取方差排列熵，比如将长度为100的数据分成100份算方差排列熵，就是尺度为1的排列熵；然后再每两个算一组，分成50组，对每一组求平均值，生成长度为50的时序数据，再对这个生成的长度为50的时序数据求方差排列熵，这就是尺度为2的方差排列熵，依此顺序求尺度3，4....10的方差排列熵，这10个尺度的方差排列熵构成一个10维度的特征向量。
上述方案中，通过获取碱式电解槽的温度传感器的历史时序数据，然后使用CEEMDAN算法对历史时序数据进行分解，得到模态分量集合，再从模态分量集合中选择出预定模态分量，再计算预定模态分量对应的多个尺度方差排列熵，进而将多个尺度方差排列熵构建成一个特征向量，进而基于特征向量对碱式电解槽的温度传感器的故障进行诊断，实现了对碱式电解槽的温度传感器故障的精确诊断。
需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
本申请的一种实施例中，从上述模态分量集合中筛选出预定模态分量，包括：使用峭度和方差两个指标，从上述模态分量集合中筛选出上述预定模态分量。图3(a)示出了IMF分量的峭度，图3(b)示出了IMF分量的方差，由于方差和峭度对冲击信号和偏差信号十分敏感，所以本发明使用峭度和方差两个指标从上述模态分量集合中筛选出上述预定模态分量。目的是数据降噪和找到含最多故障信息的模态分量。
本申请的一种实施例中，基于上述特征向量对上述碱式电解槽的温度传感器的故障进行诊断，包括：将上述特征向量输入至XGBoost分类器，上述XGBoost分类器输出上述特征向量对应的上述历史时序数据的故障类型。即XGBoost分类器实现了对历史时序数据的故障类型进行分类。由于现有的特征分类器难以适应工业界大规模数据场景，因此本发明采用XGBoost分类器以适应大数据场景。
本申请的一种实施例中，上述方法还包括：对上述XGBoost分类器进行优化。对XGBoost分类器进行优化后，可以实现对历史时序数据的故障类型的更精确的分类。
本申请的一种实施例中，对上述XGBoost分类器进行优化，包括：对萤火虫算法进行改进，得到改进的萤火虫算法；采用改进的萤火虫算法对上述XGBoost分类器的超参数进行优化，得到优化的超参数。由于现有的特征分类器可移植性差。其原因在于为适应不同场景分类器需要进行人工调参，分类器不能分布式运行，不支持在Hadoop等分布式环境上运行。因此本发明采用XGBoost分类器以适应大数据场景，采用改进的改进的萤火虫算法对分类器进行自动化调参，以实现自动化部署，增强XGBoost分类器的可移植性。将改进的萤火虫算法用于优化XGBoost分类器的超参数，可以有效地提升诊断的正确率，实现XGBoost的自动调参。
本申请的一种实施例中，使用训练数据对优化后的XGBoost分类器进行训练，使用测试数据对优化后的XGBoost分类器进行测试。
本申请的一种实施例中，对萤火虫算法进行改进，包括：生成萤火虫种群，上述萤火虫种群包括普通种群和精英种群，上述精英种群由上述普通种群中的一部分精英个体组成；对上述普通种群进行第一预定次迭代；在迭代完成后，对粒子进行适应度排序，得到粒子序列；从上述粒子序列中筛选出适应度最高的上述粒子；将适应度最高的上述粒子输入至上述精英种群中，得到更新后的精英种群；对更新后的精英种群进行第二预定次迭代，得到预定精英种群；用上述预定精英种群中的粒子替换掉普通种群中诊断正确率较低的粒子。改进的萤火虫算法，采用多种群策略提高种群多样性，防止算法陷入早熟收敛。精英种群采用梯度下降法进行局部寻优，加强了算法局部搜索能力。精英种群向普通种群进行良种迁移，保证算法收敛到全局最优解，增强了算法的全局搜索能力。且改进的萤火虫算法具有更优越的收敛性和稳定性，能跳出局部最优。
本申请实施例还提供了一种碱式电解槽的温度传感器故障诊断装置，需要说明的是，本申请实施例的碱式电解槽的温度传感器故障诊断装置可以用于执行本申请实施例所提供的用于碱式电解槽的温度传感器故障诊断方法。以下对本申请实施例提供的碱式电解槽的温度传感器故障诊断装置进行介绍。
图4是根据本申请实施例的碱式电解槽的温度传感器故障诊断装置的示意图。如图4所示，该装置包括：
获取单元10，用于获取碱式电解槽的温度传感器的历史时序数据；
分解单元20，用于使用CEEMDAN算法对上述历史时序数据进行分解，得到模态分量集合；
筛选单元30，用于从上述模态分量集合中筛选出预定模态分量；
计算单元40，用于计算上述预定模态分量对应的多个尺度方差排列熵，上述多个尺度方差排列熵用于表征上述预定模态分量的宏观分布信息与局部排列信息；
构建单元50，用于将多个尺度方差排列熵构建成一个特征向量；
诊断单元60，用于基于上述特征向量对上述碱式电解槽的温度传感器的故障进行诊断。
具体地，上述预定模态分量可以为高频模态分量、中高频模态分量、中低频模态分量和低频模态分量。图2示出了采用CEEMDAN算法对历史时序数据进行分解的效果图。
具体地，由于现有的诊断模型的自适应能力弱，原因在于小波分解的小波基函数一旦确定，就使得模型转换特性固定，经验模态分解存在模态混叠问题，从而导致模型自适应弱。引入CEEMADN分解技术对历史时序数据进行自适应分解，可以降低分解误差，解决模态混叠问题，提高模型自适应性。
具体地，根据多尺度方差排列熵确定上述预定模态分量的宏观分布信息与局部排列信息，解决了在进行信息提取时所用的样本熵只具有单一时间尺度，无法获得数据宏观分布信息和数据的局部排列信息的问题,，提升诊断正确率。
上述方案中，通过获取单元获取碱式电解槽的温度传感器的历史时序数据，使用分解单元CEEMDAN算法对历史时序数据进行分解，得到模态分量集合，筛选单元从模态分量集合中选择出预定模态分量，计算单元计算预定模态分量对应的多个尺度方差排列熵，构建单元将多个尺度方差排列熵构建成一个特征向量，进而诊断单元基于特征向量对碱式电解槽的温度传感器的故障进行诊断，实现了对碱式电解槽的温度传感器故障的精确诊断。
本申请的一种实施例中，上述筛选单元还用于使用峭度和方差两个指标，从上述模态分量集合中筛选出上述预定模态分量。图3(a)示出了IMF分量的峭度，图3(b)示出了IMF分量的方差，由于方差和峭度对冲击信号和偏差信号十分敏感，所以本发明使用峭度和方差两个指标从上述模态分量集合中筛选出上述预定模态分量。目的是数据降噪和找到含最多故障信息的模态分量。
本申请的一种实施例中，诊断单元还用于将上述特征向量输入至XGBoost分类器，上述XGBoost分类器输出上述特征向量对应的上述历史时序数据的故障类型。即XGBoost分类器实现了对历史时序数据的故障类型进行分类。由于现有的特征分类器难以适应工业界大规模数据场景，因此本发明采用XGBoost分类器以适应大数据场景。
本申请的一种实施例中，上述装置还包括优化单元，优化单元用于对上述XGBoost分类器进行优化。对XGBoost分类器进行优化后，可以实现对历史时序数据的故障类型的更精确的分类。
本申请的一种实施例中，优化单元包括第一优化模块和第二优化模块，第一优化模块用于对萤火虫算法进行改进，得到改进的萤火虫算法；第二优化模块用于采用改进的萤火虫算法对上述XGBoost分类器的超参数进行优化，得到优化的超参数。由于现有的特征分类器可移植性差。其原因在于为适应不同场景分类器需要进行人工调参，分类器不能分布式运行，不支持在Hadoop等分布式环境上运行。因此本发明采用XGBoost分类器以适应大数据场景，采用改进的改进的萤火虫算法对分类器进行自动化调参，以实现自动化部署，增强XGBoost分类器的可移植性。将改进的萤火虫算法用于优化XGBoost分类器的超参数，可以有效地提升诊断的正确率，实现XGBoost的自动调参。
本申请的一种实施例中，第一优化模块包括生成子模块、第一迭代子模块、排序子模块、筛选子模块、更新子模块、第二迭代子模块和替换子模块，生成子模块用于生成萤火虫种群，上述萤火虫种群包括普通种群和精英种群，上述精英种群由上述普通种群中的一部分精英个体组成；第一迭代子模块用于对上述普通种群进行第一预定次迭代；排序子模块用于在迭代完成后，对粒子进行适应度排序，得到粒子序列；筛选子模块用于从上述粒子序列中筛选出适应度最高的上述粒子；更新子模块用于将适应度最高的上述粒子输入至上述精英种群中，得到更新后的精英种群；第二迭代子模块用于对更新后的精英种群进行第二预定次迭代，得到预定精英种群；替换子模块用于用上述预定精英种群中的粒子替换掉普通种群中诊断正确率较低的粒子。改进的萤火虫算法，采用多种群策略提高种群多样性，防止算法陷入早熟收敛。精英种群采用梯度下降法进行局部寻优，加强了算法局部搜索能力。精英种群向普通种群进行良种迁移，保证算法收敛到全局最优解，增强了算法的全局搜索能力。且改进的萤火虫算法具有更优越的收敛性和稳定性，能跳出局部最优。
上述碱式电解槽的温度传感器故障诊断装置包括处理器和存储器，上述获取单元、分解单元、筛选单元、计算单元、构建单元和诊断单元等均作为程序单元存储在存储器中，由处理器执行存储在存储器中的上述程序单元来实现相应的功能。
处理器中包含内核，由内核去存储器中调取相应的程序单元。内核可以设置一个或以上，通过调整内核参数来解决碱式电解槽的温度传感器故障诊断方法提取信息维度单一，造成传感器误诊断的问题。
存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)，存储器包括至少一个存储芯片。
本发明实施例提供了一种计算机可读存储介质，上述计算机可读存储介质包括存储的程序，其中，在上述程序运行时控制上述计算机可读存储介质所在设备执行上述碱式电解槽的温度传感器故障诊断方法。
本发明实施例提供了一种处理器，上述处理器用于运行程序，其中，上述程序运行时执行上述碱式电解槽的温度传感器故障诊断方法。
本发明实施例提供了一种设备，设备包括处理器、存储器及存储在存储器上并可在处理器上运行的程序，处理器执行程序时实现至少以下步骤：
步骤S101，获取碱式电解槽的温度传感器的历史时序数据；
步骤S102，使用CEEMDAN算法对上述历史时序数据进行分解，得到模态分量集合；
步骤S103，从上述模态分量集合中筛选出预定模态分量；
步骤S104，计算上述预定模态分量对应的多个尺度方差排列熵，上述多个尺度方差排列熵用于表征上述预定模态分量的宏观分布信息与局部排列信息；
步骤S105，将多个尺度方差排列熵构建成一个特征向量；
步骤S106，基于上述特征向量对上述碱式电解槽的温度传感器的故障进行诊断。
本文中的设备可以是服务器、PC、PAD、手机等。
本申请还提供了一种计算机程序产品，当在数据处理设备上执行时，适于执行初始化有至少如下方法步骤的程序：
步骤S101，获取碱式电解槽的温度传感器的历史时序数据；
步骤S102，使用CEEMDAN算法对上述历史时序数据进行分解，得到模态分量集合；
步骤S103，从上述模态分量集合中筛选出预定模态分量；
步骤S104，计算上述预定模态分量对应的多个尺度方差排列熵，上述多个尺度方差排列熵用于表征上述预定模态分量的宏观分布信息与局部排列信息；
步骤S105，将多个尺度方差排列熵构建成一个特征向量；
步骤S106，基于上述特征向量对上述碱式电解槽的温度传感器的故障进行诊断。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。存储器是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
实施例
本实施例涉及一种具体的优化萤火虫算法的方法。
为了提升萤火虫算法的寻优能力，防止陷入局部最优，对萤火虫算法进行改进。首先采用协同进化框架，设立4个萤火虫种群，包含一个精英种群A和三个普通种群B、C、D。精英种群由普通种群选取的一部比例的精英个体组成，采用梯度下降法进行局部寻优。普通种群采用α＝0.97^(400*i/iter)(iter＝20)进行广度寻优。普通种群迭代20次后，对粒子进行适应度排序，选取一定比例的适应度最高的粒子，输入到精英种群中，精英种群再进行排序，去除多余的粒子。使用轮盘赌的方式对普通种群一定比例的末尾粒子进行替换，直至迭代完成。
从以上的描述中，可以看出，本申请上述的实施例实现了如下技术效果：
1)、本申请的碱式电解槽的温度传感器故障诊断方法，通过获取碱式电解槽的温度传感器的历史时序数据，然后使用CEEMDAN算法对历史时序数据进行分解，得到模态分量集合，再从模态分量集合中选择出预定模态分量，再计算预定模态分量对应的多个尺度方差排列熵，进而将多个尺度方差排列熵构建成一个特征向量，进而基于特征向量对碱式电解槽的温度传感器的故障进行诊断，实现了对碱式电解槽的温度传感器故障的精确诊断。
2)、本申请的碱式电解槽的温度传感器故障诊断装置，通过获取单元获取碱式电解槽的温度传感器的历史时序数据，使用分解单元CEEMDAN算法对历史时序数据进行分解，得到模态分量集合，筛选单元从模态分量集合中选择出预定模态分量，计算单元计算预定模态分量对应的多个尺度方差排列熵，构建单元将多个尺度方差排列熵构建成一个特征向量，进而诊断单元基于特征向量对碱式电解槽的温度传感器的故障进行诊断，实现了对碱式电解槽的温度传感器故障的精确诊断。
以上所述仅为本申请的优选实施例而已，并不用于限制本申请，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。
Claims (10)
1.一种碱式电解槽的温度传感器故障诊断方法，其特征在于，包括：
获取碱式电解槽的温度传感器的历史时序数据；
使用CEEMDAN算法对所述历史时序数据进行分解，得到模态分量集合；
从所述模态分量集合中筛选出预定模态分量；
计算所述预定模态分量对应的多个尺度方差排列熵，所述多个尺度方差排列熵用于表征所述预定模态分量的宏观分布信息与局部排列信息；
将多个尺度方差排列熵构建成一个特征向量；
基于所述特征向量对所述碱式电解槽的温度传感器的故障进行诊断。
2.根据权利要求1所述的方法，其特征在于，从所述模态分量集合中筛选出预定模态分量，包括：
使用峭度和方差两个指标，从所述模态分量集合中筛选出所述预定模态分量。
3.根据权利要求1所述的方法，其特征在于，基于所述特征向量对所述碱式电解槽的温度传感器的故障进行诊断，包括：
将所述特征向量输入至XGBoost分类器，所述XGBoost分类器输出所述特征向量对应的所述历史时序数据的故障类型。
4.根据权利要求3所述的方法，其特征在于，所述方法还包括：
对所述XGBoost分类器进行优化。
5.根据权利要求4所述的方法，其特征在于，对所述XGBoost分类器进行优化，包括：
对萤火虫算法进行改进，得到改进的萤火虫算法；
采用所述改进的萤火虫算法对所述XGBoost分类器的超参数进行优化，得到优化的超参数。
6.根据权利要求5所述的方法，其特征在于，对萤火虫算法进行改进，包括：
生成萤火虫种群，所述萤火虫种群包括普通种群和精英种群，所述精英种群由所述普通种群中的一部分精英个体组成；
对所述普通种群进行第一预定次迭代；
在迭代完成后，对粒子进行适应度排序，得到粒子序列；
从所述粒子序列中筛选出适应度最高的所述粒子；
将适应度最高的所述粒子输入至所述精英种群中，得到更新后的精英种群；
对更新后的精英种群进行第二预定次迭代，得到预定精英种群；
用所述预定精英种群中的粒子替换掉普通种群中诊断正确率较低的粒子。
7.一种碱式电解槽的温度传感器故障诊断装置，其特征在于，包括：
获取单元，用于获取碱式电解槽的温度传感器的历史时序数据；
分解单元，用于使用CEEMDAN算法对所述历史时序数据进行分解，得到模态分量集合；
筛选单元，用于从所述模态分量集合中筛选出预定模态分量；
计算单元，用于计算所述预定模态分量对应的多个尺度方差排列熵，所述多个尺度方差排列熵用于表征所述预定模态分量的宏观分布信息与局部排列信息；
构建单元，用于将多个尺度方差排列熵构建成一个特征向量；
诊断单元，用于基于所述特征向量对所述碱式电解槽的温度传感器的故障进行诊断。
8.根据权利要求7所述的装置，其特征在于，所述筛选单元还用于使用峭度和方差两个指标，从所述模态分量集合中筛选出所述预定模态分量。
9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质包括存储的程序，其中，在所述程序运行时控制所述计算机可读存储介质所在设备执行权利要求1至6中任意一项所述的碱式电解槽的温度传感器故障诊断方法。
10.一种处理器，其特征在于，所述处理器用于运行程序，其中，所述程序运行时执行权利要求1至6中任意一项所述的碱式电解槽的温度传感器故障诊断方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110130793.9A CN113191477A (zh) | 2021-01-29 | 2021-01-29 | 碱式电解槽的温度传感器故障诊断方法与装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110130793.9A CN113191477A (zh) | 2021-01-29 | 2021-01-29 | 碱式电解槽的温度传感器故障诊断方法与装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113191477A true CN113191477A (zh) | 2021-07-30 |
Family
ID=76972751
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110130793.9A Pending CN113191477A (zh) | 2021-01-29 | 2021-01-29 | 碱式电解槽的温度传感器故障诊断方法与装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113191477A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114383648A (zh) * | 2021-12-10 | 2022-04-22 | 国家能源集团岳阳发电有限公司 | 一种温度仪表故障诊断方法及装置 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105608271A (zh) * | 2015-12-21 | 2016-05-25 | 武汉大学 | 一种基于分解与优化的短期风速时序预测方法 |
| CN106599495A (zh) * | 2016-12-20 | 2017-04-26 | 湖北文理学院 | 基于萤火虫算法优化bp神经网络的最佳滑移率识别方法 |
| CN110084316A (zh) * | 2019-05-06 | 2019-08-02 | 安徽工业大学 | 一种基于精细时移多尺度排列熵与萤火虫算法优化支持向量机的故障诊断方法 |
| CN110111015A (zh) * | 2019-05-13 | 2019-08-09 | 中南大学 | 一种基于变分模态分解多尺度排列熵的电能质量分析方法 |
| CN111428418A (zh) * | 2020-02-28 | 2020-07-17 | 贵州大学 | 一种轴承故障的诊断方法、装置、计算机设备和存储介质 |
-
2021
- 2021-01-29 CN CN202110130793.9A patent/CN113191477A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105608271A (zh) * | 2015-12-21 | 2016-05-25 | 武汉大学 | 一种基于分解与优化的短期风速时序预测方法 |
| CN106599495A (zh) * | 2016-12-20 | 2017-04-26 | 湖北文理学院 | 基于萤火虫算法优化bp神经网络的最佳滑移率识别方法 |
| CN110084316A (zh) * | 2019-05-06 | 2019-08-02 | 安徽工业大学 | 一种基于精细时移多尺度排列熵与萤火虫算法优化支持向量机的故障诊断方法 |
| CN110111015A (zh) * | 2019-05-13 | 2019-08-09 | 中南大学 | 一种基于变分模态分解多尺度排列熵的电能质量分析方法 |
| CN111428418A (zh) * | 2020-02-28 | 2020-07-17 | 贵州大学 | 一种轴承故障的诊断方法、装置、计算机设备和存储介质 |
Non-Patent Citations (1)
| Title |
|---|
| 程军圣 等: "局部特征尺度分解方法及其应用", 湖南大学出版社, pages: 4 - 6 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114383648A (zh) * | 2021-12-10 | 2022-04-22 | 国家能源集团岳阳发电有限公司 | 一种温度仪表故障诊断方法及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Wei et al. | LSTM-autoencoder-based anomaly detection for indoor air quality time-series data | |
| US20210342699A1 (en) | Cooperative execution of a genetic algorithm with an efficient training algorithm for data-driven model creation | |
| Xu et al. | PHM-oriented integrated fusion prognostics for aircraft engines based on sensor data | |
| CN110703057B (zh) | 基于数据增强和神经网络的电力设备局部放电诊断方法 | |
| US11892826B2 (en) | Anomaly detection system | |
| JP2021057042A (ja) | 製品の分類システムおよび製品の分類方法 | |
| CN108563548A (zh) | 异常检测方法及装置 | |
| JP2020126021A (ja) | 異常音検知装置および異常音検知方法 | |
| KR20140144282A (ko) | 일반화된 그리고 견고한 예측 모델들의 생성을 위한 증가된 신호 대 잡음비 | |
| Arunadevi et al. | A study of classification algorithms using Rapidminer | |
| Pak et al. | An empirical study on software defect prediction using over-sampling by SMOTE | |
| CN110377472B (zh) | 定位芯片运行错误的方法及装置 | |
| US20240095535A1 (en) | Executing a genetic algorithm on a low-power controller | |
| CN111080168B (zh) | 一种基于胶囊网络的电力通信网络设备可靠性评估方法 | |
| CN114219306A (zh) | 用于建立焊接质量检测模型的方法、设备、介质及程序产品 | |
| Ekundayo | Wrapper feature selection based heterogeneous classifiers for software defect prediction | |
| Kim et al. | Locally most powerful bayesian test for out-of-distribution detection using deep generative models | |
| CN113191477A (zh) | 碱式电解槽的温度传感器故障诊断方法与装置 | |
| CN113780160B (zh) | 一种电能质量扰动信号分类方法和系统 | |
| US20220217062A1 (en) | Apparatus and method for monitoring network | |
| Pandit et al. | A deep introduction to ai based software defect prediction (SDP) and its current challenges | |
| Tangrand | Some new contributions to neural networks and wavelets with applications | |
| CN112380763A (zh) | 一种基于数据挖掘的堆内构件可靠性分析系统及方法 | |
| Yang et al. | High-performance computing based big data analytics for smart manufacturing | |
| CN113448821A (zh) | 一种识别工程缺陷的方法和装置 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210730 |
|
| RJ01 | Rejection of invention patent application after publication |