CN113486074A - 相关过程参量延迟时间的获取方法 - Google Patents
相关过程参量延迟时间的获取方法 Download PDFInfo
- Publication number
- CN113486074A CN113486074A CN202110611468.4A CN202110611468A CN113486074A CN 113486074 A CN113486074 A CN 113486074A CN 202110611468 A CN202110611468 A CN 202110611468A CN 113486074 A CN113486074 A CN 113486074A
- Authority
- CN
- China
- Prior art keywords
- process parameter
- parameter
- correlation coefficient
- historical data
- correlation
- 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 350
- 239000011159 matrix material Substances 0.000 claims abstract description 80
- 239000013598 vector Substances 0.000 claims description 34
- 238000009826 distribution Methods 0.000 claims description 24
- 238000012216 screening Methods 0.000 claims description 12
- 238000006073 displacement reaction Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000004445 quantitative analysis Methods 0.000 abstract description 2
- 238000004519 manufacturing process Methods 0.000 description 9
- 238000003745 diagnosis Methods 0.000 description 7
- 238000007619 statistical method Methods 0.000 description 3
- 238000009776 industrial production Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 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
- G06F16/24—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
- 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
- G06F16/2457—Query processing with adaptation to user needs
-
- 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
- G06F16/2462—Approximate or statistical queries
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
Abstract
本发明提供了一种相关过程参量延迟时间的获取方法,该方法包括:采集第一过程参量A、第二过程参量B以及代表总体工况的工况参量C的平均值历史数据,将参量A和参量B划分为相应的段数;分别对第一过程参量A的历史数据段和第二过程参量B的历史数据段进行分组并设置滑动窗口移位数;利用滑动窗口法计算获取第一过程参量A和第二过程参量B的相关系数矩阵;根据第一过程参量A和第二过程参量B的相关系数矩阵,统计第一过程参量A和第二过程参量B的最大相关系数所在的位置并计算获取第一过程参量A和第二过程参量B在工况参量C下的延迟时间。应用本发明的技术方案,以解决现有技术中缺乏对过程参量的相关性进行定量分析的技术问题。
Description
技术领域
本发明涉及工业生产技术领域,尤其涉及一种相关过程参量延迟时间的获取方法。
背景技术
工业生产过程中需要对大量的过程参量进行监控,由于生产工艺机理或是一些潜在的未知因素导致许多参量间存在一定的相关性,这些相关性不单单局限于简单的线性相关,还可能是某种函数形式上的非线性复相关,亦或是一定时间延迟下的相关。现代工业生产数据库中保存了大量的过程参量历史数据,然而目前未能够对过程参量的相关性进行定量分析,因此难以用于指导过程建模、控制系统设计、故障预警与诊断等方面。
发明内容
本发明提供了一种相关过程参量延迟时间的获取方法,能够解决现有技术中缺乏对过程参量的相关性进行定量分析的技术问题。
本发明提供了一种相关过程参量延迟时间的获取方法,相关过程参量延迟时间的获取方法包括:从实时数据库中采集第一过程参量A、第二过程参量B以及代表总体工况的工况参量C的平均值历史数据,将第一过程参量A和第二过程参量B均根据工况参量C的数值区间划分为相应的段数;从分段后的第一过程参量A的平均值历史数据中选择所需的第一过程参量A的历史数据段,从分段后的第二过程参量B的平均值历史数据中选择所需的第二过程参量B的历史数据段,分别对第一过程参量A的历史数据段和第二过程参量B的历史数据段进行分组并设置滑动窗口移位数;基于滑动窗口移位数,利用滑动窗口法计算获取第一过程参量A和第二过程参量B的相关系数矩阵;根据第一过程参量A和第二过程参量B的相关系数矩阵,统计第一过程参量A和第二过程参量B的最大相关系数所在的位置并计算获取第一过程参量A和第二过程参量B在工况参量C下的延迟时间。
进一步地,分别对第一过程参量A的历史数据段和第二过程参量B的历史数据段进行分组具体包括:将第一过程参量A的历史数据段分为N个第一过程历史分段An,各个第一过程历史分段均为长度为T=T_load1/(N×s)的向量;将第二过程参量B的历史数据段分为N个第二过程历史分段Bn,各个第二过程历史分段均为长度为T=T_load2/(N×s)的向量;其中,n=1,2,...,N,T_load1为第一过程参量A的历史数据段的时间长度,s为历史数据段的时间间隔,T_load2为第二过程参量B的历史数据段的时间长度。
进一步地,基于滑动窗口移位数,利用滑动窗口法计算获取第一过程参量A和第二过程参量B的相关系数矩阵具体包括:将第二过程历史分段Bn作为滑动窗口,将第二过程历史分段Bn按照时间方向向过去时刻移动滑动窗口移位数个时刻,计算第一过程历史分段An和第二过程历史分段Bn在重叠时刻上的相关系数矩阵R[n,-Shift];将第二过程历史分段Bn向未来方向逐次移动一个时刻,计算每次移动后的第一过程历史分段An和第二过程历史分段Bn在重叠时刻上对应的相关系数矩阵R[n,m],根据相关系数矩阵R[n,-Shift]和多个相关系数矩阵R[n,m]获取第一相关系数矩阵;重复上述过程,依次获取剩余其他多个第一过程历史分段和多个第二过程历史分段的第二相关系数矩阵、第三相关系数矩阵...第N相关系数矩阵,根据第一相关系数矩阵、第二相关系数矩阵、第三相关系数矩阵...第N相关系数矩阵获取第一过程参量A和第二过程参量B的相关系数矩阵R[N,m],其中,m∈[-Shift+1,Shift]。
进一步地,统计第一过程参量A和第二过程参量B的最大相关系数所在的位置具体包括:设置第一过程参量A和第二过程参量B的相关性筛选阈值;对相关系数矩阵R[N,m]中的每个元素取绝对值,如果任一元素小于相关性筛选阈值,将任一元素置零以获取筛选后的相关系数矩阵RS[N,m];统计筛选后的相关系数矩阵RS[N,m]中每一行出现最大相关系数绝对值的位置以获取频数分布向量Fm;若频数分布向量Fm的全部非零列的累计频数小于总频数N的1/3倍,则认为参量A和B之间不存在明显的相关关系;若频数分布向量Fm的任一时刻的累计频数大于总频数N的1/3倍,选取频数分布向量Fm中的最大累计频数所对应的位移量即可获取第一过程参量A和第二过程参量B的最大相关系数所在的位置。
进一步地,第一过程参量A和第二过程参量B在工况参量C下的延迟时间t可根据t=mmax×s,mmax为最大累计频数所对应的位移量。
进一步地,相关系数矩阵可采用简单相关系数法、余弦系数法或非线性复相关系数法计算获取。
进一步地,滑动窗口移位数shift可根据shift=Dmax/s来获取,其中,Dmax为最大可能延迟时间。
进一步地,最大可能延迟时间Dmax需满足Dmax/s<<T。
应用本发明的技术方案,提供了一种相关过程参量延迟时间的获取方法,该方法从历史数据库中利用统计方法搜索存在相关关系的两参量并计算其延迟时间,其可针对生产过程数据库中的历史数据直接自动计算,通过筛选不同延迟时间下的相关关系,且能够区分工况下,从这些数据中挖掘出过程参量的这些相关性,其结果可以应用于过程建模、控制系统设计、故障预警与诊断等方面,提高控制系统设计效率以及故障预警与诊断的准确度。
附图说明
所包括的附图用来提供对本发明实施例的进一步的理解,其构成了说明书的一部分,用于例示本发明的实施例,并与文字描述一起来阐释本发明的原理。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示出了根据本发明的具体实施例提供的相关过程参量延迟时间的获取方法的流程图。
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。下面将结合本发明实施例中的附图,对本发明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发明一部分实施例,而不是全部的实施例。以下对至少一个示例性实施例的描述实际上仅仅是说明性的,决不作为对本发明及其应用或使用的任何限制。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本申请的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
除非另外具体说明,否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本发明的范围。同时,应当明白,为了便于描述,附图中所示出的各个部分的尺寸并不是按照实际的比例关系绘制的。对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论,但在适当情况下,所述技术、方法和设备应当被视为授权说明书的一部分。在这里示出和讨论的所有示例中,任何具体值应被解释为仅仅是示例性的,而不是作为限制。因此,示例性实施例的其它示例可以具有不同的值。应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步讨论。
如图1所示,根据本发明的具体实施例提供了一种相关过程参量延迟时间的获取方法,该相关过程参量延迟时间的获取方法包括:从实时数据库中采集第一过程参量A、第二过程参量B以及代表总体工况的工况参量C的平均值历史数据,将第一过程参量A和第二过程参量B均根据工况参量C的数值区间划分为相应的段数;从分段后的第一过程参量A的平均值历史数据中选择所需的第一过程参量A的历史数据段,从分段后的第二过程参量B的平均值历史数据中选择所需的第二过程参量B的历史数据段,分别对第一过程参量A的历史数据段和第二过程参量B的历史数据段进行分组并设置滑动窗口移位数;基于滑动窗口移位数,利用滑动窗口法计算获取第一过程参量A和第二过程参量B的相关系数矩阵;根据第一过程参量A和第二过程参量B的相关系数矩阵,统计第一过程参量A和第二过程参量B的最大相关系数所在的位置并计算获取第一过程参量A和第二过程参量B在工况参量C下的延迟时间。
应用此种配置方式,提供了一种相关过程参量延迟时间的获取方法,该方法从历史数据库中利用统计方法搜索存在相关关系的两参量并计算其延迟时间,其可针对生产过程数据库中的历史数据直接自动计算,通过筛选不同延迟时间下的相关关系,且能够区分工况下,从这些数据中挖掘出过程参量的这些相关性,其结果可以应用于过程建模、控制系统设计、故障预警与诊断等方面,提高控制系统设计效率以及故障预警与诊断的准确度。
在本发明中,为了获取相关过程参量延迟时间,首先需要获取待计算延迟时间的两过程参量的历史数据。具体地,从实时数据库中采集第一过程参量A、第二过程参量B以及代表总体工况的工况参量C的平均值历史数据,将第一过程参量A和第二过程参量B均根据工况参量C的数值区间划分为相应的段数。具体地,在本发明中,从生产过程的实时数据库中采集第一过程参量A、第二过程参量B以及代表总体工况的工况参量C的平均值历史数据,例如以1秒为间隔时间的平均值,总长度为10天的历史数据,注意历史数据必须为等间隔的平均值数据,不能直接采集自例外报告数据,如实时数据库只提供例外报告数据,可采用线性插值方法将其转化成等间隔的平均值数据。将得到的数据根据工况参量C的数值区间划分为相应的段数(每段的长度不必相等,具体划分方法可以参考Excel中的数据筛选功能),并分别对每段按照下面的方法计算参量A和B的延迟时间。
作为本发明的一个具体实施例,应用场景为发电厂检温水,将第一位置的温度点作为第一过程参量A,第二位置的温度点作为第二过程参量B,锅炉负荷作为工况参量C,锅炉负荷可分为高负荷和低负荷,在本实施例中,分别从实时数据库中采集第一位置的温度点、第二位置的温度点以及锅炉负荷的平均值历史数据,然后根据锅炉负荷的高负荷和低负荷将第一位置的温度点的平均值历史数据分为两段,将第二位置的温度点的平均值历史数据分为两段。
进一步地,在将第一过程参量A和第二过程参量B均根据工况参量C的数值区间划分为相应的段数之后,即可从分段后的第一过程参量A的平均值历史数据中选择所需的第一过程参量A的历史数据段,从分段后的第二过程参量B的平均值历史数据中选择所需的第二过程参量B的历史数据段,分别对第一过程参量A的历史数据段和第二过程参量B的历史数据段进行分组并设置滑动窗口移位数。
在本发明中,分别对第一过程参量A的历史数据段和第二过程参量B的历史数据段进行分组具体包括:将第一过程参量A的历史数据段(时间长度为T_load,间隔为s的历史数据)分为N个第一过程历史分段An,各个第一过程历史分段均为长度为T=T_load1/(N×s)的向量;将第二过程参量B的历史数据段(时间长度为T_load,间隔为s)的历史数据分为N个第二过程历史分段Bn,各个第二过程历史分段均为长度为T=T_load2/(N×s)的向量;其中,n=1,2,...,N,N不小于500,T_load1为第一过程参量A的历史数据段的时间长度,s为历史数据段的时间间隔,T_load2为第二过程参量B的历史数据段的时间长度。其中,对每一对An,Bn,根据人为经验给出A、B两参量的最大可能延迟时间Dmax(人为经验不足时可设置一较大的数值,但应满足Dmax/s<<T),设置其滑动窗口移位数shift=Dmax/s。
作为本发明的一个具体实施例,在发电厂检温水的应用场景中,当对高负荷的工况感兴趣时,可选择高负荷所对应的第一过程历史分段和第二过程历史分段,并对高负荷所对应的第一过程历史分段和第二过程历史分段进行分组以及滑动窗口设置。当对低负荷的工况感兴趣时,可选择低负荷所对应的第一过程历史分段和第二过程历史分段,并对低负荷所对应的第一过程历史分段和第二过程历史分段进行分组以及滑动窗口设置。当同时对高负荷和低负荷的工况均感兴趣时,可分别选择高负荷所对应的第一过程历史分段和第二过程历史分段以及低负荷所对应的第一过程历史分段和第二过程历史分段,并对高负荷所对应的第一过程历史分段和第二过程历史分段进行分组以及滑动窗口设置以及对低负荷所对应的第一过程历史分段和第二过程历史分段进行分组以及滑动窗口设置。
进一步地,在本发明中,在从分段后的第一过程参量A的平均值历史数据中选择所需的第一过程参量A的历史数据段,从分段后的第二过程参量B的平均值历史数据中选择所需的第二过程参量B的历史数据段,分别对第一过程参量A的历史数据段和第二过程参量B的历史数据段进行分组并设置滑动窗口移位数之后,即可基于滑动窗口移位数,利用滑动窗口法计算获取第一过程参量A和第二过程参量B的相关系数矩阵。
其中,在本发明中,基于滑动窗口移位数,利用滑动窗口法计算获取第一过程参量A和第二过程参量B的相关系数矩阵具体包括:将第二过程历史分段Bn作为滑动窗口,将第二过程历史分段Bn按照时间方向向过去时刻移动滑动窗口移位数个时刻,计算第一过程历史分段An和第二过程历史分段Bn在重叠时刻上的相关系数矩阵R[n,-Shift];将第二过程历史分段Bn向未来方向逐次移动一个时刻,计算每次移动后的第一过程历史分段An和第二过程历史分段Bn在重叠时刻上对应的相关系数矩阵R[n,m],根据相关系数矩阵R[n,-Shift]和多个相关系数矩阵R[n,m]获取第一相关系数矩阵;重复上述过程,依次获取剩余其他多个第一过程历史分段和多个第二过程历史分段的第二相关系数矩阵、第三相关系数矩阵...第N相关系数矩阵,根据第一相关系数矩阵、第二相关系数矩阵、第三相关系数矩阵...第N相关系数矩阵获取第一过程参量A和第二过程参量B的相关系数矩阵R[N,m],其中,m∈[-Shift+1,Shift]。
作为本发明的一个具体实施例,滑动窗口位移数shift为60秒,为了获取相关系数矩阵R[N,m],首先从N个第二过程历史分段Bn中选取其中一个向量Bn,将该第二过程历史分段Bn作为滑动窗口,将其按照时间方向向过去时刻移动60各时刻(每个时刻即为间隔1秒),计算在该时刻下第一过程历史分段An和第二过程历史分段Bn在重叠时刻上的相关系数矩阵R[n,-60];然后将第二过程历史分段Bn向未来方向移动一个时刻,计算在该时刻下第一过程历史分段An和第二过程历史分段Bn在重叠时刻上的相关系数矩阵R[n,-59];将第二过程历史分段Bn向未来方向移动二个时刻,计算在该时刻下第一过程历史分段An和第二过程历史分段Bn在重叠时刻上的相关系数矩阵R[n,-58];重复上述过程,直至依次获得相关系数矩阵R[n,-57]、R[n,-56]...R[n,60],将相关系数矩阵R[n,-59]、R[n,-59]、R[n,-58]、R[n,-57]、R[n,-56]...R[n,60]共同组成第一相关系数矩阵;接着,改变n的数值,从N个第二过程历史分段Bn中选取另一个向量Bn,重复上述过程,获取第二相关系数矩阵;重复上述过程,依次获取剩余其他多个第一过程历史分段和多个第二过程历史分段的第三相关系数矩阵...第N相关系数矩阵,根据第一相关系数矩阵、第二相关系数矩阵、第三相关系数矩阵...第N相关系数矩阵获取第一过程参量A和第二过程参量B的相关系数矩阵R[N,m]。该过程中的相关系数可以根据第一过程参量A和第二过程参量B的关系选择任意一种相关系数计算方法,简单相关系数法(又名皮尔森相关系数)、余弦系数法或非线性复相关系数法。
进一步地,在本发明中,在利用滑动窗口法计算获取了第一过程参量A和第二过程参量B的相关系数矩阵之后,即可根据第一过程参量A和第二过程参量B的相关系数矩阵,统计第一过程参量A和第二过程参量B的最大相关系数所在的位置并计算获取第一过程参量A和第二过程参量B在工况参量C下的延迟时间。
在本发明中,统计第一过程参量A和第二过程参量B的最大相关系数所在的位置具体包括:设置第一过程参量A和第二过程参量B的相关性筛选阈值;对相关系数矩阵R[N,m]中的每个元素取绝对值,如果任一元素小于相关性筛选阈值,将任一元素置零以获取筛选后的相关系数矩阵RS[N,m];统计筛选后的相关系数矩阵RS[N,m]中每一行出现最大相关系数绝对值的位置以获取频数分布向量Fm;若频数分布向量Fm的全部非零列的累计频数小于总频数N的1/3倍,则认为参量A和B之间不存在明显的相关关系;若频数分布向量Fm的任一时刻的累计频数大于总频数N的1/3倍,选取频数分布向量Fm中的最大累计频数所对应的位移量即可获取第一过程参量A和第二过程参量B的最大相关系数所在的位置。第一过程参量A和第二过程参量B在工况参量C下的延迟时间t可根据t=mmax×s,mmax为最大累计频数所对应的位移量。
作为本发明的一个具体实施例,针对相关系数矩阵R[N,m],根据生产过程中对第一过程参量A和第二过程参量B的相关性强弱要求设置相关性筛选阈值Rt(如Rt=0.5,当相关性小于Rt时认为参量A与B不存在明显的相关关系),对其进行相关性强弱的过滤。1)对相关系数矩阵R[n,m]中每个元素取绝对值;2)如果某一元素小于Rt,则将其置零,得到筛选后的相关系数矩阵RS[N,m]]。统计RS[n,m]中每一行(即固定n)出现最大相关系数绝对值的位置,可以得到N组历史数据中出现最大相关系数所在位置的频数分布向量Fm,在本实施例中,假如第一行第四列在第一行中的相关系数最大,则记录第一行第四列的数据和位置;第二行第三列在第二行中的相关系数最大,则记录第二行第三列的数据和位置;依此类推,直至完成第N行最大相关系数的记录;根据每一行的最大相关系数的所在位置以及数值大小获取频数分布向量Fm。针对频数分布向量Fm,依次统计各列的累计频数,任一列的累计频数具体是指求取在任一列中出现最大相关系数的总个数。若频数分布向量Fm的全部非零列的累计频数小于总频数N的1/3倍,则认为参量A和B之间不存在明显的相关关系;若频数分布向量Fm中存在多个列的累计频数大于总频数N的1/3倍,从多个列的累计频数中选择累计频数最大的,选取频数分布向量Fm中的最大累计频数所对应的位移量mmax即可得到第一过程参量A和第二过程参量B在工况C下的延迟时间t=mmax×s。其中mmax的正负表示了第一过程参量A和第二过程参量B的延迟方向,即当mmax为正值时,表示第二过程参量B超前于第一过程参量A,反之当mmax为负值时,表示第二过程参量B滞后于第一过程参量A。
为了对本发明有进一步地了解,下面结合图1对本发明所提供的相关过程参量延迟时间的获取方法进行详细说明。
如图1所示,根据本发明的具体实施例提供了一种相关过程参量延迟时间的获取方法,该方法具体包括如下步骤。
步骤一,从生产过程的实时数据库中采集第一过程参量A、第二过程参量B以及代表总体工况的工况参量C的平均值历史数据,例如以1秒为间隔时间的平均值,总长度为10天的历史数据,注意历史数据必须为等间隔的平均值数据,不能直接采集自例外报告数据,如实时数据库只提供例外报告数据,可采用线性插值方法将其转化成等间隔的平均值数据。将得到的数据根据工况参量C的数值区间划分为相应的段数(每段的长度不必相等,具体划分方法可以参考Excel中的数据筛选功能)。
步骤二,将第一过程参量A的历史数据段(时间长度为T_load,间隔为s的历史数据)分为N个第一过程历史分段An,各个第一过程历史分段均为长度为T=T_load1/(N×s)的向量;将第二过程参量B的历史数据段(时间长度为T_load,间隔为s)的历史数据分为N个第二过程历史分段Bn,各个第二过程历史分段均为长度为T=T_load2/(N×s)的向量;其中,n=1,2,...,N,N不小于500,T_load1为第一过程参量A的历史数据段的时间长度,s为历史数据段的时间间隔,T_load2为第二过程参量B的历史数据段的时间长度。其中,对每一对An,Bn,根据人为经验给出A、B两参量的最大可能延迟时间Dmax(人为经验不足时可设置一较大的数值,但应满足Dmax/s<<T),设置其滑动窗口移位数shift=Dmax/s。
步骤三,将第二过程历史分段Bn作为滑动窗口,将第二过程历史分段Bn按照时间方向向过去时刻移动滑动窗口移位数个时刻,计算第一过程历史分段An和第二过程历史分段Bn在重叠时刻上的相关系数矩阵R[n,-Shift];将第二过程历史分段Bn向未来方向逐次移动一个时刻,计算每次移动后的第一过程历史分段An和第二过程历史分段Bn在重叠时刻上对应的相关系数矩阵R[n,m],根据相关系数矩阵R[n,-Shift]和多个相关系数矩阵R[n,m]获取第一相关系数矩阵;重复上述过程,依次获取剩余其他多个第一过程历史分段和多个第二过程历史分段的第二相关系数矩阵、第三相关系数矩阵...第N相关系数矩阵,根据第一相关系数矩阵、第二相关系数矩阵、第三相关系数矩阵...第N相关系数矩阵获取第一过程参量A和第二过程参量B的相关系数矩阵R[N,m],其中,m∈[-Shift+1,Shift]。
步骤四,针对相关系数矩阵R[N,m],根据生产过程中对第一过程参量A和第二过程参量B的相关性强弱要求设置相关性筛选阈值Rt(如Rt=0.5,当相关性小于Rt时认为参量A与B不存在明显的相关关系),对其进行相关性强弱的过滤。1)对相关系数矩阵R[n,m]中每个元素取绝对值;2)如果某一元素小于Rt,则将其置零,得到筛选后的相关系数矩阵RS[N,m]]。统计RS[n,m]中每一行(即固定n)出现最大相关系数绝对值的位置,可以得到N组历史数据中出现最大相关系数所在位置的频数分布向量Fm,在本实施例中,假如第一行第四列在第一行中的相关系数最大,则记录第一行第四列的数据;第二行第三列在第二行中的相关系数最大,则记录第二行第三列的数据;依次类推,直至完成第N行最大相关系数的记录;根据每一行的最大相关系数的所在位置以及数值大小获取频数分布向量Fm。针对频数分布向量Fm,依次统计各列的累计频数,任一列的累计频数具体是指求取在任一列中出现相关系数的总个数。若频数分布向量Fm的全部非零列的累计频数小于总频数N的1/3倍,则认为参量A和B之间不存在明显的相关关系;若频数分布向量Fm中存在多个列的累计频数大于总频数N的1/3倍,从多个列的累计频数中选择累计频数最大的,选取频数分布向量Fm中的最大累计频数所对应的位移量mmax即可得到第一过程参量A和第二过程参量B在工况C下的延迟时间t=mmax×s。其中mmax的正负表示了第一过程参量A和第二过程参量B的延迟方向,即当mmax为正值时,表示第二过程参量B超前于第一过程参量A,反之当mmax为负值时,表示第二过程参量B滞后于第一过程参量A。
综上所述,本发明提供了一种相关过程参量延迟时间的获取方法,该方法可从历史数据库中利用统计方法搜索存在相关关系的两参量并计算其延迟时间。该方法可以针对生产过程数据库中的历史数据直接自动计算,通过设定一定的阈值筛选不同延迟时间下的相关关系,且能够区分工况下,其结果可以应用于过程建模、控制系统设计、故障预警与诊断等方面,提高控制系统设计效率以及故障预警与诊断的准确度。
为了便于描述,在这里可以使用空间相对术语,如“在......之上”、“在......上方”、“在......上表面”、“上面的”等,用来描述如在图中所示的一个器件或特征与其他器件或特征的空间位置关系。应当理解的是,空间相对术语旨在包含除了器件在图中所描述的方位之外的在使用或操作中的不同方位。例如,如果附图中的器件被倒置,则描述为“在其他器件或构造上方”或“在其他器件或构造之上”的器件之后将被定位为“在其他器件或构造下方”或“在其他器件或构造之下”。因而,示例性术语“在......上方”可以包括“在......上方”和“在......下方”两种方位。该器件也可以其他不同方式定位(旋转90度或处于其他方位),并且对这里所使用的空间相对描述作出相应解释。
此外,需要说明的是,使用“第一”、“第二”等词语来限定零部件,仅仅是为了便于对相应零部件进行区别,如没有另行声明,上述词语并没有特殊含义,因此不能理解为对本发明保护范围的限制。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (8)
1.一种相关过程参量延迟时间的获取方法,其特征在于,所述相关过程参量延迟时间的获取方法包括:
从实时数据库中采集第一过程参量A、第二过程参量B以及代表总体工况的工况参量C的平均值历史数据,将所述第一过程参量A和所述第二过程参量B均根据所述工况参量C的数值区间划分为相应的段数;
从分段后的所述第一过程参量A的平均值历史数据中选择所需的第一过程参量A的历史数据段,从分段后的所述第二过程参量B的平均值历史数据中选择所需的第二过程参量B的历史数据段,分别对所述第一过程参量A的历史数据段和所述第二过程参量B的历史数据段进行分组并设置滑动窗口移位数;
基于所述滑动窗口移位数,利用滑动窗口法计算获取所述第一过程参量A和所述第二过程参量B的相关系数矩阵;
根据所述第一过程参量A和所述第二过程参量B的相关系数矩阵,统计所述第一过程参量A和所述第二过程参量B的最大相关系数所在的位置并计算获取所述第一过程参量A和第二过程参量B在所述工况参量C下的延迟时间。
2.根据权利要求1所述的相关过程参量延迟时间的获取方法,其特征在于,分别对所述第一过程参量A的历史数据段和所述第二过程参量B的历史数据段进行分组具体包括:将所述第一过程参量A的历史数据段分为N个第一过程历史分段An,各个所述第一过程历史分段均为长度为T=T_load1/(N×s)的向量;将所述第二过程参量B的历史数据段分为N个第二过程历史分段Bn,各个所述第二过程历史分段均为长度为T=T_load2/(N×s)的向量;其中,n=1,2,...,N,T_load1为所述第一过程参量A的历史数据段的时间长度,s为历史数据段的时间间隔,T_load2为所述第二过程参量B的历史数据段的时间长度。
3.根据权利要求2所述的相关过程参量延迟时间的获取方法,其特征在于,基于所述滑动窗口移位数,利用滑动窗口法计算获取所述第一过程参量A和所述第二过程参量B的相关系数矩阵具体包括:
将所述第二过程历史分段Bn作为滑动窗口,将所述第二过程历史分段Bn按照时间方向向过去时刻移动滑动窗口移位数个时刻,计算所述第一过程历史分段An和所述第二过程历史分段Bn在重叠时刻上的相关系数矩阵R[n,-Shift];
将所述第二过程历史分段Bn向未来方向逐次移动一个时刻,计算每次移动后的所述第一过程历史分段An和所述第二过程历史分段Bn在重叠时刻上对应的相关系数矩阵R[n,m],根据相关系数矩阵R[n,-Shift]和多个相关系数矩阵R[n,m]获取第一相关系数矩阵;
重复上述过程,依次获取剩余其他多个第一过程历史分段和多个第二过程历史分段的第二相关系数矩阵、第三相关系数矩阵...第N相关系数矩阵,根据所述第一相关系数矩阵、所述第二相关系数矩阵、所述第三相关系数矩阵...所述第N相关系数矩阵获取所述第一过程参量A和所述第二过程参量B的相关系数矩阵R[N,m],其中,m∈[-Shift+1,Shift]。
4.根据权利要求3所述的相关过程参量延迟时间的获取方法,其特征在于,统计所述第一过程参量A和所述第二过程参量B的最大相关系数所在的位置具体包括:
设置所述第一过程参量A和所述第二过程参量B的相关性筛选阈值;
对所述相关系数矩阵R[N,m]中的每个元素取绝对值,如果任一所述元素小于相关性筛选阈值,将任一所述元素置零以获取筛选后的相关系数矩阵RS[N,m];
统计所述筛选后的相关系数矩阵RS[N,m]中每一行出现最大相关系数绝对值的位置以获取频数分布向量Fm;
若所述频数分布向量Fm的全部非零列的累计频数小于总频数N的1/3倍,则认为参量A和B之间不存在明显的相关关系;若所述频数分布向量Fm的任一时刻的累计频数大于总频数N的1/3倍,选取所述频数分布向量Fm中的最大累计频数所对应的位移量即可获取所述第一过程参量A和所述第二过程参量B的最大相关系数所在的位置。
5.根据权利要求4所述的相关过程参量延迟时间的获取方法,其特征在于,所述第一过程参量A和第二过程参量B在所述工况参量C下的延迟时间t可根据t=mmax×s,mmax为最大累计频数所对应的位移量。
6.根据权利要求1至5中任一项所述的相关过程参量延迟时间的获取方法,其特征在于,所述相关系数矩阵可采用简单相关系数法、余弦系数法或非线性复相关系数法计算获取。
7.根据权利要求6所述的相关过程参量延迟时间的获取方法,其特征在于,所述滑动窗口移位数shift可根据shift=Dmax/s来获取,其中,Dmax为最大可能延迟时间。
8.根据权利要求7所述的相关过程参量延迟时间的获取方法,其特征在于,所述最大可能延迟时间Dmax需满足Dmax/s<<T。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110611468.4A CN113486074B (zh) | 2021-06-02 | 2021-06-02 | 相关过程参量延迟时间的获取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110611468.4A CN113486074B (zh) | 2021-06-02 | 2021-06-02 | 相关过程参量延迟时间的获取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113486074A true CN113486074A (zh) | 2021-10-08 |
CN113486074B CN113486074B (zh) | 2023-11-03 |
Family
ID=77934202
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110611468.4A Active CN113486074B (zh) | 2021-06-02 | 2021-06-02 | 相关过程参量延迟时间的获取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113486074B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110386768A (zh) * | 2019-08-28 | 2019-10-29 | 燕山大学 | 水泥烧成过程中能耗动态实时控制方法 |
CN110648480A (zh) * | 2019-10-12 | 2020-01-03 | 山东科技大学 | 一种基于变化速率的单变量报警系统及方法 |
CN111210125A (zh) * | 2019-12-27 | 2020-05-29 | 安徽大学 | 一种基于历史信息指导的多目标工件批调度方法及装置 |
CN111275579A (zh) * | 2020-02-21 | 2020-06-12 | 浙江大学 | 基于皮尔森相关系数和移动平均法的供热系统热延迟时间辨识方法 |
CN112270449A (zh) * | 2020-11-04 | 2021-01-26 | 国网(苏州)城市能源研究院有限责任公司 | 基于时间相关性的工业系统时延确定及受控量预测方法 |
CN112699547A (zh) * | 2020-12-25 | 2021-04-23 | 朗坤智慧科技股份有限公司 | 基于5g网络的滑动窗口式多元时间序列缺失值填充方法 |
-
2021
- 2021-06-02 CN CN202110611468.4A patent/CN113486074B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110386768A (zh) * | 2019-08-28 | 2019-10-29 | 燕山大学 | 水泥烧成过程中能耗动态实时控制方法 |
CN110648480A (zh) * | 2019-10-12 | 2020-01-03 | 山东科技大学 | 一种基于变化速率的单变量报警系统及方法 |
CN111210125A (zh) * | 2019-12-27 | 2020-05-29 | 安徽大学 | 一种基于历史信息指导的多目标工件批调度方法及装置 |
CN111275579A (zh) * | 2020-02-21 | 2020-06-12 | 浙江大学 | 基于皮尔森相关系数和移动平均法的供热系统热延迟时间辨识方法 |
CN112270449A (zh) * | 2020-11-04 | 2021-01-26 | 国网(苏州)城市能源研究院有限责任公司 | 基于时间相关性的工业系统时延确定及受控量预测方法 |
CN112699547A (zh) * | 2020-12-25 | 2021-04-23 | 朗坤智慧科技股份有限公司 | 基于5g网络的滑动窗口式多元时间序列缺失值填充方法 |
Non-Patent Citations (2)
Title |
---|
BO YANG等: "A similarity elastic window based approach to process dynamic time delay analysis", 《CHEMOMETRICS AND INTELLIGENT LABORATORY SYSTEMS》 * |
张雷: "基于数据驱动的复杂工业过程软测量方法研究与应用", 《中国博士学位论文全文数据库 (工程科技Ⅰ辑)》 * |
Also Published As
Publication number | Publication date |
---|---|
CN113486074B (zh) | 2023-11-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zheng et al. | Long short-term memory network for remaining useful life estimation | |
DE102016008987B4 (de) | Maschinenlernverfahren und Maschinenlernvorrichtung zum Lernen von Fehlerbedingungen, und Fehlervorhersagevorrichtung und Fehlervorhersagesystem, das die Maschinenlernvorrichtung einschließt | |
EP2797034B1 (en) | Event analyzer and computer-readable storage medium | |
CN109084980A (zh) | 基于均等分割的轴承故障预测方法及装置 | |
EP3289420A1 (en) | Computer system and method for causality analysis using hybrid first-principles and inferential model | |
CN110674752A (zh) | 一种基于隐马尔可夫模型的刀具磨损状态识别与预测方法 | |
DE102011102034A1 (de) | Online-Abbgleich eines prozessanalytischen Modells mit effektivem Prozessbetrieb | |
CN110609524A (zh) | 一种工业设备剩余寿命预测模型及其构建方法和应用 | |
CN108595803B (zh) | 基于递归神经网络的页岩气井生产压力预测方法 | |
US20150012250A1 (en) | Clustering based continuous performance prediction and monitoring for semiconductor manufacturing processes using nonparametric bayesian models | |
EP4291957A1 (de) | Vorhersagemodell zum vorhersagen von produktqualitätsparameterwerten | |
EP3665536A1 (de) | Ursachenbestimmung von anomalieereignissen | |
CN114015825A (zh) | 基于注意力机制的高炉热负荷异常状态监测方法 | |
CN113486074A (zh) | 相关过程参量延迟时间的获取方法 | |
KR20210126378A (ko) | 슬라이딩 윈도우 기법을 이용한 제조설비의 실시간 다변량 이상감지 시스템 | |
CN110738403A (zh) | 一种数据处理方法、设备及计算机存储介质 | |
CN115795350A (zh) | 一种血流变测试杯生产过程中异常数据信息处理方法 | |
TWI639908B (zh) | 製程偵錯與診斷方法 | |
Prashar et al. | Plant disease detection using deep learning (convolutional neural networks) | |
JP4910757B2 (ja) | プロセスデータ予測システム及びそれを用いたプロセス管理装置 | |
CN115358137A (zh) | 一种基于cnn-gru算法的轴承金属温度预测方法 | |
Rao et al. | A hybrid Markov system dynamics approach for availability analysis of degraded systems | |
CN113971489A (zh) | 一种基于混合神经网络的剩余使用寿命预测方法及系统 | |
EP3121672B1 (de) | Diagnoseeinrichtung und verfahren zur überwachung des betriebs eines regelkreises | |
CN113255207A (zh) | 基于迭代多输出-马尔科夫链的空分系统氩馏分变量多步预测方法 |
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 |