CN115265723A - 基于数据处理的涡街流量计异常监测方法及系统 - Google Patents

基于数据处理的涡街流量计异常监测方法及系统 Download PDF

Info

Publication number
CN115265723A
CN115265723A CN202211190557.7A CN202211190557A CN115265723A CN 115265723 A CN115265723 A CN 115265723A CN 202211190557 A CN202211190557 A CN 202211190557A CN 115265723 A CN115265723 A CN 115265723A
Authority
CN
China
Prior art keywords
elements
abnormal
vectors
data matrix
column
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
Application number
CN202211190557.7A
Other languages
English (en)
Other versions
CN115265723B (zh
Inventor
张佳丽
苏年朋
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.)
Nantong Youlai Information Technology Co ltd
Original Assignee
Nantong Youlai Information Technology Co ltd
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 Nantong Youlai Information Technology Co ltd filed Critical Nantong Youlai Information Technology Co ltd
Priority to CN202211190557.7A priority Critical patent/CN115265723B/zh
Publication of CN115265723A publication Critical patent/CN115265723A/zh
Application granted granted Critical
Publication of CN115265723B publication Critical patent/CN115265723B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01F—MEASURING VOLUME, VOLUME FLOW, MASS FLOW OR LIQUID LEVEL; METERING BY VOLUME
    • G01F25/00—Testing or calibration of apparatus for measuring volume, volume flow or liquid level or for metering by volume
    • G01F25/10—Testing or calibration of apparatus for measuring volume, volume flow or liquid level or for metering by volume of flowmeters

Landscapes

  • Physics & Mathematics (AREA)
  • Fluid Mechanics (AREA)
  • General Physics & Mathematics (AREA)
  • Complex Calculations (AREA)

Abstract

本发明涉及数据处理领域，具体涉及一种基于数据处理的涡街流量计异常监测方法及系统。获取涡街流量计输出的流量数据构建解耦数据矩阵；计算每个元素的波动系数；将每列向量中波动系数连续大于阈值多个元素标记为疑似异常元素；计算疑似异常元素置信度；获取每列向量中波动系数大于阈值的单个元素，计算单个元素与相邻元素结构相似度；将结构相似度大于阈值的元素标记为近似异常元素，计算近似异常元素的置信度；根据每个元素的标记类别设置窗口进行去噪，根据去噪后元素的置信度值对涡街流量计进行监测。本发明通过构造解耦数据矩阵对数据进行筛选，并对不同的数据自适应去噪，从而进行异常数据监测，提高了异常监测的准确度。

Description

基于数据处理的涡街流量计异常监测方法及系统
技术领域
本发明涉及数据处理领域，具体涉及一种基于数据处理的涡街流量计异常监测方法及系统。
背景技术
涡街流量计主要用于工业管道介质流体的流量测量，是一种比较理想的测量仪器，可以用于气体、液体、蒸气等多种介质，由于涡街流量计属于流体振动型流量计，故其对管道的振动非常敏感，且由于涡街流量计的流量信号的量纲是毫伏级、微安级甚至更小，在强振动干扰条件下，这些微弱的信号传送到仪表的检测放大器后会存在很多干扰噪声，仪器可能会将这些问题导致的数据失真误认为是异常数据发出错误的异常报警，因此对传送的信号数据进行处理非常重要。
目前对于传输信号的处理主要是从数字信号处理的角度出发，如采用固定滤波器和固定阈值的窗口比较器对信号频率进行捕捉，但是该方法需要一直将带通滤波器的中心频率调整到当前涡街频率附近，效率较低且技术复杂性较高，使该方法在实际应用中较为困难；现有技术中还存在采用数字化频谱分析的方法对信号的频率进行跟踪，但是数字化频谱分析无法同时兼顾信号数据的准确度和实时性，在实际使用时只能增加带通滤波器提高信号数据监测的准确性，增加了技术的复杂度。
发明内容
为了解决现有技术中对涡街流量计的信号处理存在复杂度较高，效率低下的问题，本发明提供一种基于数据处理的涡街流量计异常监测方法，包括：获取涡街流量计输出的流量数据构建解耦数据矩阵；计算解耦数据矩阵中每个元素的波动系数；将每列向量中波动系数连续大于阈值多个元素标记为疑似异常元素；计算疑似异常元素置信度；获取每列向量中波动系数大于阈值的单个元素，计算单个元素与相邻元素结构相似度；将结构相似度大于阈值的元素标记为近似异常元素，计算近似异常元素的置信度；根据每个元素的标记类别设置窗口进行去噪，根据去噪后元素的置信度值对涡街流量计进行监测。
本发明通过构造解耦数据矩阵对信号数据的局部变化和长期趋势发展进行解耦处理，然后对数据进行正常数据、噪声数据和异常数据的初步筛选，进而对于不同的数据采用局部自适应去噪操作，能够消除数据中的白噪声，最后对过滤噪声的解耦数据矩阵进行异常数据监测，采用的技术手段简单，且能够精准、高效的过滤出涡街流量计的异常数据，保证了对涡街流量计的监测准确度。
本发明采用如下技术方案：一种基于数据处理的涡街流量计异常监测方法，包括：
获取涡街流量计输出的流量数据，根据流量数据构建解耦数据矩阵。
计算解耦数据矩阵中每个元素的波动系数，将每一列向量中波动系数连续大于第一阈值的多个元素标记为疑似异常元素。
根据解耦数据矩阵的每列向量中疑似异常元素的个数计算每列向量中疑似异常元素的置信度；
获取解耦数据矩阵的每列向量中波动系数大于阈值的单个元素，根据该单个元素与其相邻元素的波动系数计算该单个元素与其相邻元素的结构相似度。
当单个元素与其相邻元素的结构相似度小于第二阈值时，将该单个元素标记为噪声元素。
当单个元素与其相邻元素的结构相似度大于第二阈值时，将大于第二阈值的所有元素标记为近似异常元素，根据每列向量中所有近似异常元素的个数计算近似异常元素的置信度。
根据解耦数据矩阵的每列向量中，每个噪声元素相邻两个元素的均值对每个噪声元素的元素值进行替换。
根据每列向量中疑似异常元素/近似异常元素的置信度设置对应的窗口对该疑似异常元素/近似异常元素进行去噪，得到去噪后每列向量中的元素值。
获取去噪后解耦数据矩阵中所有元素的置信度值，根据去噪后解耦数据矩阵中所有元素的置信度值对涡街流量计进行监测。
进一步的，一种基于数据处理的涡街流量计异常监测方法，计算解耦数据矩阵中每个元素的波动系数的方法为：
获取解耦数据矩阵中每行向量的所有元素值；
根据每行向量中每个元素与其相邻两个元素值计算解耦数据矩阵的每行向量中所有元素的波动系数。
进一步的，一种基于数据处理的涡街流量计异常监测方法，获取解耦数据矩阵的每列向量中波动系数大于第一阈值的单个元素的方法为：
依次对解耦数据矩阵的每列向量中的元素根据其波动系数进行遍历，获取每列向量中元素的波动系数大于第一阈值，且该元素相邻元素的波动系数均小于第一阈值的元素，得到解耦数据矩阵的每列向量中波动系数大于第一阈值的单个元素。
进一步的，一种基于数据处理的涡街流量计异常监测方法，计算该单个元素与其相邻元素的结构相似度的方法为：
根据解耦数据矩阵的每列向量中波动系数大于第一阈值的单个元素与其相邻元素的波动系数计算该单个元素与其相邻元素之间的结构相似度，表达式为：
Figure 554959DEST_PATH_IMAGE002
其中，
Figure DEST_PATH_IMAGE003
表示结构相似度，
Figure 125617DEST_PATH_IMAGE004
表示解耦数据矩阵的每列向量中波动系数大于阈值的第m个单个元素，
Figure DEST_PATH_IMAGE005
表示对应列向量中第m个单个元素的相邻元素。
进一步的，一种基于数据处理的涡街流量计异常监测方法，将解耦数据矩阵的每一列向量中结构相似度大于第二阈值的所有元素标记为近似异常元素的方法为：
当该单个元素与其相邻元素的结构相似度大于第二阈值时，计算该相邻元素与其相邻的下一个元素之间的结构相似度，直至相邻两两元素之间的结构相似度小于第二阈值；
将得到的每一列向量中结构相似度大于阈值的所有元素标记为近似异常元素。
进一步的，一种基于数据处理的涡街流量计异常监测方法，对每个噪声元素值进行替换之后，还包括：
将解耦数据矩阵的每一列向量中的其余元素标记为正常元素，所述正常元素为波动系数小于第一阈值的元素；
以每个正常元素为中心设置长度为M的窗口，将窗口内所有元素的中值作为每个正常元素的值。
进一步的，一种基于数据处理的涡街流量计异常监测方法，对疑似异常元素/近似异常元素进行去噪的方法为：
以每个疑似异常元素/近似异常元素为中心，根据每个疑似异常元素/近似异常元素对应的置信度值设置过滤窗口的大小，将该疑似异常元素/近似异常元素的波动系数与过滤窗口内所有元素波动系数之和的比值作为该元素的值。
进一步的，本发明还提出了一种基于数据处理的涡街流量计异常监测系统，包括数据采集模块、异常元素筛选模块、异常元素去噪模块以及流量监测模块；
数据采集模块，用于获取涡街流量计输出的流量数据，根据流量数据构建解耦数据矩阵；
异常元素筛选模块，包括：计算解耦数据矩阵中每个元素的波动系数，将每一列向量中波动系数连续大于第一阈值的多个元素标记为疑似异常元素；根据解耦数据矩阵的每列向量中疑似异常元素的个数计算每列向量中疑似异常元素的置信度；
获取解耦数据矩阵的每列向量中波动系数大于阈值的单个元素，根据该单个元素与其相邻元素的波动系数计算该单个元素与其相邻元素的结构相似度；
当单个元素与其相邻元素的结构相似度小于第二阈值时，将该单个元素标记为噪声元素；
当单个元素与其相邻元素的结构相似度大于第二阈值时，将大于第二阈值的所有元素标记为近似异常元素，根据每列向量中所有近似异常元素的个数计算近似异常元素的置信度；
异常元素去噪模块，根据解耦数据矩阵的每列向量中，每个噪声元素相邻两个元素的均值对每个噪声元素的元素值进行替换；
根据每列向量中疑似异常元素/近似异常元素的置信度设置对应的窗口对该疑似异常元素/近似异常元素进行去噪，得到去噪后每列向量中的元素值；
流量监测模块，获取去噪后解耦数据矩阵中所有元素的置信度值，根据去噪后解耦数据矩阵中所有元素的置信度值对涡街流量计进行监测。
本发明的有益效果是：本发明通过构造解耦数据矩阵对信号数据的局部变化和长期趋势发展进行解耦处理，然后对数据进行正常数据、噪声数据和异常数据的初步筛选，进而对于不同的数据采用局部自适应去噪操作，能够消除数据中的白噪声，最后对过滤噪声的解耦数据矩阵进行异常数据监测，采用的技术手段简单，且能够精准、高效的过滤出涡街流量计的异常数据，保证了对涡街流量计的监测准确度。
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附图作简单地介绍，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性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例的一种基于数据处理的涡街流量计异常监测方法结构示意图；
图2为本发明实施例一种基于数据处理的涡街流量计异常监测系统的流程示意图。
具体实施方式
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。基于本发明中的实施例，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，都属于本发明保护的范围。
如图1所示，给出了本发明实施例的一种基于数据处理的涡街流量计异常监测方法结构示意图，包括：
101.获取涡街流量计输出的流量数据，根据流量数据构建解耦数据矩阵。
本发明首先获取涡街流量计的流量输出数据
Figure 148062DEST_PATH_IMAGE006
（
Figure 349236DEST_PATH_IMAGE008
），采用对应的数据采集传感器对标准电流输出数据进行实时采集，具体做法是设置采集数据的时间间隔
Figure DEST_PATH_IMAGE009
，在
Figure 86992DEST_PATH_IMAGE010
时段内采集
Figure DEST_PATH_IMAGE011
/
Figure 258079DEST_PATH_IMAGE012
个数据，以便检测涡街流量计的工作状态和运行情况，由此得到涡街流量计的流量输出数据
Figure DEST_PATH_IMAGE013
。
本发明通过构造解耦数据矩阵对信号数据的局部变化和长期趋势发展进行解耦，表现为解耦数据矩阵
Figure 400610DEST_PATH_IMAGE014
列向量只反映数据的局部变化特点，行向量只反映数据长期趋势发展特点。
基于涡街流量计输出
Figure 303844DEST_PATH_IMAGE013
解耦数据矩阵
Figure 436885DEST_PATH_IMAGE014
：
Figure 270717DEST_PATH_IMAGE016
式中，P为数据窗口的长度，即在长度为P的数据窗口长度中分析数据局部变化的特点，本发明设置
Figure DEST_PATH_IMAGE017
，解耦数据矩阵
Figure 563027DEST_PATH_IMAGE014
的列数为
Figure 401277DEST_PATH_IMAGE018
，反映了数据长期趋势发展情况。
102.计算解耦数据矩阵中每个元素的波动系数，将每一列向量中波动系数连续大于阈值的多个元素标记为疑似异常元素。
计算解耦数据矩阵中每个元素的波动系数的方法为：
获取解耦数据矩阵中每行向量的所有元素值；
根据每行向量中每个元素与其相邻两个元素值计算解耦数据矩阵的每行向量中所有元素的波动系数。
首先本发明对解耦数据矩阵
Figure 490456DEST_PATH_IMAGE014
的行向量进行分析，异常数据相对于噪声数据来说由于系统的物理惯性表现出一种时间上的积累，例如设置的阻尼时间远高于采样间隔
Figure 206608DEST_PATH_IMAGE012
（阻尼时间一般为秒级的），由此分别对解耦数据矩阵
Figure 589310DEST_PATH_IMAGE014
的
Figure DEST_PATH_IMAGE019
行向量
Figure 808849DEST_PATH_IMAGE020
，，
Figure DEST_PATH_IMAGE021
，
Figure 385324DEST_PATH_IMAGE022
，
Figure DEST_PATH_IMAGE023
中的每个元素求解其波动系数
Figure 498642DEST_PATH_IMAGE005
，对于行向量
Figure 405025DEST_PATH_IMAGE020
，对于其第
Figure 289804DEST_PATH_IMAGE024
个元素
Figure DEST_PATH_IMAGE025
，得到其前一个和后一个元素
Figure 979674DEST_PATH_IMAGE026
和
Figure DEST_PATH_IMAGE027
，得到元素
Figure 395218DEST_PATH_IMAGE025
的波动系数，表达式为：
Figure DEST_PATH_IMAGE029
采用相同方法对
Figure 188731DEST_PATH_IMAGE030
，
Figure 808193DEST_PATH_IMAGE021
，
Figure 624840DEST_PATH_IMAGE022
，
Figure 17644DEST_PATH_IMAGE023
中的每个元素求解波动系数。将行向量
Figure 757673DEST_PATH_IMAGE020
，
Figure 485720DEST_PATH_IMAGE030
，
Figure 524083DEST_PATH_IMAGE021
，
Figure 923841DEST_PATH_IMAGE022
，
Figure 456060DEST_PATH_IMAGE023
中每个元素计算其对应的波动系数，将波动系数
Figure DEST_PATH_IMAGE031
的元素标记为疑似异常元素。对于出现疑似异常元素的元素位置进行行扩展，提取行向量
Figure 447018DEST_PATH_IMAGE020
，，
Figure 536459DEST_PATH_IMAGE021
，
Figure 412011DEST_PATH_IMAGE022
，
Figure 769043DEST_PATH_IMAGE023
相同位置元素的波动系数，即提取每一列向量中元素的波动系数，对每一列向量
Figure 163859DEST_PATH_IMAGE019
个波动系数进行相关性检测。
由于噪声为随机独立出现，没有相关关系，而异常数据的出现呈现时间的连贯性，且不同数据间具有联系，即呈现出相关关系，所以以此为依据继续对疑似异常数据进行分析，在达到排除其中的噪声数据的前提下，同时得到异常数据的辐射范围。
本发明中获取
Figure 130809DEST_PATH_IMAGE019
个波动系数中大于
Figure 75632DEST_PATH_IMAGE032
的元素，当存在连续两个以上元素的波动系数大于0.2，则将所有元素标记为疑似异常元素，个数越多证明为异常数据的可能性越大。
103.根据解耦数据矩阵的每列向量中疑似异常元素的个数计算每列向量中疑似异常元素的置信度。
根据每一列向量中疑似异常元素的个数计算其置信度
Figure DEST_PATH_IMAGE033
，其中
Figure 175918DEST_PATH_IMAGE034
为P个波动系数中连续大于
Figure 478986DEST_PATH_IMAGE032
的个数，也为异常的辐射范围，并用疑似异常元素的置信度
Figure DEST_PATH_IMAGE035
对异常的辐射范围中的所有疑似异常元素在解耦数据矩阵
Figure 307133DEST_PATH_IMAGE014
中的位置进行标注“异常置信度
Figure 108778DEST_PATH_IMAGE035
，当前波动系数
Figure 378085DEST_PATH_IMAGE005
”。
1041.获取解耦数据矩阵的每列向量中波动系数大于阈值的单个元素，根据该单个元素与其相邻元素的波动系数计算该单个元素与其相邻元素的结构相似度。
如果只有单个元素的波动系数大于
Figure 85010DEST_PATH_IMAGE032
，由于异常数据可能会出现瞬态特性，我们需要对其近邻数据进行判定，异常数据的瞬态特性区别于孤立噪声数据的地方是：虽然异常数据与其近邻的数据相比，其临近的数据呈现衰减的特性，即其近邻的数据与正常的数据差距相对于异常数据与正常的数据差距小，导致近邻的数据的波动系数小于
Figure 105181DEST_PATH_IMAGE032
，但是其近邻的数据的波动系数与异常数据的波动系数的结构相似度较高（临近的数据的波动系数略小于
Figure 922964DEST_PATH_IMAGE032
），而孤立噪声数据的近邻数据是正常数据，其波动系数远小于
Figure DEST_PATH_IMAGE037
，即与孤立噪声数据的波动系数相比结构相似度较低。
获取解耦数据矩阵的每列向量中波动系数大于阈值的单个元素的方法为：
依次对解耦数据矩阵的每列向量中的元素根据其波动系数进行遍历，获取每列向量中元素的波动系数大于阈值，且该元素相邻元素的波动系数均小于阈值的元素，得到解耦数据矩阵的每列向量中波动系数大于阈值的单个元素。
计算该单个元素与其相邻元素的结构相似度的方法为：
根据解耦数据矩阵的每列向量中波动系数大于阈值的单个元素与其相邻元素的波动系数计算该单个元素与其相邻元素之间的结构相似度，表达式为：
Figure 138788DEST_PATH_IMAGE038
其中，
Figure 16615DEST_PATH_IMAGE003
表示结构相似度，
Figure 288196DEST_PATH_IMAGE004
表示解耦数据矩阵的每列向量中波动系数大于阈值的第m个单个元素，
Figure 348818DEST_PATH_IMAGE005
表示对应列向量中第m个单个元素的相邻元素。
1042.将解耦数据矩阵的每一列向量中结构相似度大于阈值的所有元素标记为近似异常元素，根据每列向量中所有近似异常元素的个数计算近似异常元素的置信度。
本发明将解耦数据矩阵的每一列向量中结构相似度
Figure 389455DEST_PATH_IMAGE003
大于
Figure DEST_PATH_IMAGE039
的元素位置标记近似异常元素的所有元素标记为近似异常元素的方法为：
当该单个元素与其相邻元素的结构相似度大于阈值时，计算该相邻元素与其相邻的下一个元素之间的结构相似度，直至相邻两两元素之间的结构相似度小于阈值；
将得到的每一列向量中结构相似度大于阈值的所有元素标记为近似异常元素。
将解耦数据矩阵的每一列向量中结构相似度大于阈值的所有元素标记为近似异常元素之后，还包括：
当解耦数据矩阵的每一列向量中单个元素与其相邻元素的结构相似度小于阈值时，将该单个元素标记为噪声元素，即如果疑似异常元素的近邻数据中没有找到近似异常元素，则
Figure DEST_PATH_IMAGE041
，则异常数据置信度
Figure 592510DEST_PATH_IMAGE035
=0，对该单个元素所在解耦数据矩阵
Figure 289071DEST_PATH_IMAGE014
中的位置进行标注“噪声”。
将解耦数据矩阵的每一列向量中元素的波动系数小于阈值，且与相邻元素之间结构相似度小于阈值的其余元素标记为正常元素。
将近似异常元素的个数
Figure 418963DEST_PATH_IMAGE042
作为异常的辐射范围，则近似一场数据的置信度
Figure DEST_PATH_IMAGE043
，并用近似异常元素的置信度
Figure 110844DEST_PATH_IMAGE035
对异常的辐射范围中的所有近似异常元素所在解耦数据矩阵
Figure 799315DEST_PATH_IMAGE014
中的位置进行标注“异常置信度
Figure 544023DEST_PATH_IMAGE035
，当前波动系数
Figure 241721DEST_PATH_IMAGE005
”。
105.根据每列向量中每个元素的标记类别设置窗口进行去噪，得到去噪后每列向量中的元素值。
由于在得到涡街流量计的流量输出数据
Figure 460213DEST_PATH_IMAGE013
的过程中会伴随着随机的白噪声，没有任何可以利用的动态规律且与数据杂糅在一起。因此需要对流量输出数据进行全局去噪操作。
对解耦数据矩阵
Figure 555470DEST_PATH_IMAGE014
的列向量进行局部自适应去噪操作，设置自适应过滤窗口
Figure 23360DEST_PATH_IMAGE044
（
Figure DEST_PATH_IMAGE045
行
Figure DEST_PATH_IMAGE047
列）。
根据每列向量中每个元素的标记类别设置窗口进行去噪，得到去噪后每列向量中的元素值的方法为：
以每个正常元素为中心设置长度
Figure 413497DEST_PATH_IMAGE048
的窗口，将窗口内所有元素的中值作为每个正常元素的值。
以每个噪声元素为中心，采用过滤模板
Figure DEST_PATH_IMAGE049
，即对于噪声元素，采用其邻近的两个数据的均值来代替孤立噪声数据位置的数据值。
对于异常数据，为了使得过滤后异常数据仍保持过滤前的数据波形，不影响后续异常监测和判断，本发明采用加权过滤窗口，根据数据及其窗口内的数据的异常数据置信度来设置窗口对应位置的权重，确保噪声过滤后，异常数据不失真，根据异常数据标注的异常数据置信度
Figure 283233DEST_PATH_IMAGE035
，设置三级过滤窗口大小（异常数据置信度
Figure 611708DEST_PATH_IMAGE035
越大，异常辐射范围越大需要使用更大的过滤窗口）。
本发明当置信度
Figure 504578DEST_PATH_IMAGE035
分别在
Figure 809657DEST_PATH_IMAGE050
，
Figure 32435DEST_PATH_IMAGE052
和
Figure DEST_PATH_IMAGE053
三个区间的时候采用过滤窗口，窗口长度
Figure 561505DEST_PATH_IMAGE054
，
Figure 239873DEST_PATH_IMAGE048
和
Figure DEST_PATH_IMAGE055
。
以每个疑似异常元素/近似异常元素为中心，根据每个疑似异常元素/近似异常元素对应的置信度值设置过滤窗口的大小，根据该元素的波动系数与过滤窗口内所有元素波动系数之和的比值作为该元素的值。
106.获取去噪后解耦数据矩阵中所有元素的置信度值，根据去噪后解耦数据矩阵中所有元素的置信度值对涡街流量计进行监测。
对于去噪后的解耦数据矩阵
Figure 145381DEST_PATH_IMAGE014
，采用步骤二的方法更新去噪后的解耦数据矩阵
Figure 222665DEST_PATH_IMAGE014
中每个数据的波动系数，同时对每个数据更新其异常置信度，设置异常置信度阈值
Figure 594741DEST_PATH_IMAGE056
，如果去噪后的解耦数据矩阵
Figure 524520DEST_PATH_IMAGE014
中存在异常值置信度
Figure 672867DEST_PATH_IMAGE035
大于
Figure DEST_PATH_IMAGE057
的数据，则通过涡街流量计的报警器进行异常报警，实现对涡街流量计的较为精准的异常监测。
如图2所示，给出了本发明实施例一种基于数据处理的涡街流量计异常监测系统的流程示意图，包括数据采集模块、异常元素筛选模块、异常元素去噪模块以及流量监测模块；
数据采集模块，用于获取涡街流量计输出的流量数据，根据流量数据构建解耦数据矩阵；
异常元素筛选模块，包括：计算解耦数据矩阵中每个元素的波动系数，将每一列向量中波动系数连续大于第一阈值的多个元素标记为疑似异常元素；根据解耦数据矩阵的每列向量中疑似异常元素的个数计算每列向量中疑似异常元素的置信度；
获取解耦数据矩阵的每列向量中波动系数大于阈值的单个元素，根据该单个元素与其相邻元素的波动系数计算该单个元素与其相邻元素的结构相似度；
当单个元素与其相邻元素的结构相似度小于第二阈值时，将该单个元素标记为噪声元素；
当单个元素与其相邻元素的结构相似度大于第二阈值时，将大于第二阈值的所有元素标记为近似异常元素，根据每列向量中所有近似异常元素的个数计算近似异常元素的置信度；
异常元素去噪模块，根据解耦数据矩阵的每列向量中，每个噪声元素相邻两个元素的均值对每个噪声元素的元素值进行替换；
根据每列向量中疑似异常元素/近似异常元素的置信度设置对应的窗口对该疑似异常元素/近似异常元素进行去噪，得到去噪后每列向量中的元素值；
流量监测模块，获取去噪后解耦数据矩阵中所有元素的置信度值，根据去噪后解耦数据矩阵中所有元素的置信度值对涡街流量计进行监测。
本发明通过构造解耦数据矩阵对信号数据的局部变化和长期趋势发展进行解耦处理，然后对数据进行正常数据、噪声数据和异常数据的初步筛选，进而对于不同的数据采用局部自适应去噪操作，能够消除数据中的白噪声，最后对过滤噪声的解耦数据矩阵进行异常数据监测，采用的技术手段简单，且能够精准、高效的过滤出涡街流量计的异常数据，保证了对涡街流量计的监测准确度。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，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)

1.一种基于数据处理的涡街流量计异常监测方法，其特征在于，包括：
获取涡街流量计输出的流量数据，根据流量数据构建解耦数据矩阵；
计算解耦数据矩阵中每个元素的波动系数，将每一列向量中波动系数连续大于第一阈值的多个元素标记为疑似异常元素；
根据解耦数据矩阵的每列向量中疑似异常元素的个数计算每列向量中疑似异常元素的置信度；
获取解耦数据矩阵的每列向量中波动系数大于阈值的单个元素，根据该单个元素与其相邻元素的波动系数计算该单个元素与其相邻元素的结构相似度；
当单个元素与其相邻元素的结构相似度小于第二阈值时，将该单个元素标记为噪声元素；
当单个元素与其相邻元素的结构相似度大于第二阈值时，将大于第二阈值的所有元素标记为近似异常元素，根据每列向量中所有近似异常元素的个数计算近似异常元素的置信度；
根据解耦数据矩阵的每列向量中，每个噪声元素相邻两个元素的均值对每个噪声元素的元素值进行替换；
根据每列向量中疑似异常元素/近似异常元素的置信度设置对应的窗口对该疑似异常元素/近似异常元素进行去噪，得到去噪后每列向量中的元素值；
获取去噪后解耦数据矩阵中所有元素的置信度值，根据去噪后解耦数据矩阵中所有元素的置信度值对涡街流量计进行监测。
2.根据权利要求1所述的一种基于数据处理的涡街流量计异常监测方法，其特征在于，计算解耦数据矩阵中每个元素的波动系数的方法为：
获取解耦数据矩阵中每行向量的所有元素值；
根据每行向量中每个元素与其相邻两个元素值计算解耦数据矩阵的每行向量中所有元素的波动系数。
3.根据权利要求1所述的一种基于数据处理的涡街流量计异常监测方法，其特征在于，获取解耦数据矩阵的每列向量中波动系数大于第一阈值的单个元素的方法为：
依次对解耦数据矩阵的每列向量中的元素根据其波动系数进行遍历，获取每列向量中元素的波动系数大于第一阈值，且该元素相邻元素的波动系数均小于第一阈值的元素，得到解耦数据矩阵的每列向量中波动系数大于第一阈值的单个元素。
4.根据权利要求1所述的一种基于数据处理的涡街流量计异常监测方法，其特征在于，计算该单个元素与其相邻元素的结构相似度的方法为：
根据解耦数据矩阵的每列向量中波动系数大于第一阈值的单个元素与其相邻元素的波动系数计算该单个元素与其相邻元素之间的结构相似度，表达式为：
Figure 468853DEST_PATH_IMAGE001
其中，
Figure 120414DEST_PATH_IMAGE002
表示结构相似度，
Figure 837835DEST_PATH_IMAGE003
表示解耦数据矩阵的每列向量中波动系数大于阈值的第m个单个元素，
Figure 669262DEST_PATH_IMAGE004
表示对应列向量中第m个单个元素的相邻元素。
5.根据权利要求4所述的一种基于数据处理的涡街流量计异常监测方法，其特征在于，将解耦数据矩阵的每一列向量中结构相似度大于第二阈值的所有元素标记为近似异常元素的方法为：
当该单个元素与其相邻元素的结构相似度大于第二阈值时，计算该相邻元素与其相邻的下一个元素之间的结构相似度，直至相邻两两元素之间的结构相似度小于第二阈值；
将得到的每一列向量中结构相似度大于阈值的所有元素标记为近似异常元素。
6.根据权利要求1所述的一种基于数据处理的涡街流量计异常监测方法，其特征在于，根据解耦数据矩阵的每列向量中，每个噪声元素相邻两个元素的均值对每个噪声元素值进行替换之后，还包括：
将解耦数据矩阵的每一列向量中的其余元素标记为正常元素，所述正常元素为波动系数小于第一阈值的元素；
以每个正常元素为中心设置长度为M的窗口，将窗口内所有元素的中值作为每个正常元素的值。
7.根据权利要求1所述的一种基于数据处理的涡街流量计异常监测方法，其特征在于，对疑似异常元素/近似异常元素进行去噪的方法为：
以每个疑似异常元素/近似异常元素为中心，根据每个疑似异常元素/近似异常元素对应的置信度值设置过滤窗口的大小，将该疑似异常元素/近似异常元素的波动系数与过滤窗口内所有元素波动系数之和的比值作为该元素的值。
8.一种基于数据处理的涡街流量计异常监测系统，其特征在于，包括数据采集模块、异常元素筛选模块、异常元素去噪模块以及流量监测模块；
数据采集模块，用于获取涡街流量计输出的流量数据，根据流量数据构建解耦数据矩阵；
异常元素筛选模块，包括：计算解耦数据矩阵中每个元素的波动系数，将每一列向量中波动系数连续大于第一阈值的多个元素标记为疑似异常元素；根据解耦数据矩阵的每列向量中疑似异常元素的个数计算每列向量中疑似异常元素的置信度；
获取解耦数据矩阵的每列向量中波动系数大于阈值的单个元素，根据该单个元素与其相邻元素的波动系数计算该单个元素与其相邻元素的结构相似度；
当单个元素与其相邻元素的结构相似度小于第二阈值时，将该单个元素标记为噪声元素；
当单个元素与其相邻元素的结构相似度大于第二阈值时，将大于第二阈值的所有元素标记为近似异常元素，根据每列向量中所有近似异常元素的个数计算近似异常元素的置信度；
异常元素去噪模块，根据解耦数据矩阵的每列向量中，每个噪声元素相邻两个元素的均值对每个噪声元素的元素值进行替换；
根据每列向量中疑似异常元素/近似异常元素的置信度设置对应的窗口对该疑似异常元素/近似异常元素进行去噪，得到去噪后每列向量中的元素值；
流量监测模块，获取去噪后解耦数据矩阵中所有元素的置信度值，根据去噪后解耦数据矩阵中所有元素的置信度值对涡街流量计进行监测。
CN202211190557.7A 2022-09-28 2022-09-28 基于数据处理的涡街流量计异常监测方法及系统 Active CN115265723B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211190557.7A CN115265723B (zh) 2022-09-28 2022-09-28 基于数据处理的涡街流量计异常监测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211190557.7A CN115265723B (zh) 2022-09-28 2022-09-28 基于数据处理的涡街流量计异常监测方法及系统

Publications (2)

Publication Number Publication Date
CN115265723A true CN115265723A (zh) 2022-11-01
CN115265723B CN115265723B (zh) 2022-12-13

Family

ID=83757173

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211190557.7A Active CN115265723B (zh) 2022-09-28 2022-09-28 基于数据处理的涡街流量计异常监测方法及系统

Country Status (1)

Country Link
CN (1) CN115265723B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116342170A (zh) * 2023-05-26 2023-06-27 苏州极易科技股份有限公司 一种基于销售数据的监测处理终端和监测方法
CN116441031A (zh) * 2023-06-20 2023-07-18 广东绿富域资源再生科技有限公司 一种焚烧垃圾炉渣的智能化破碎系统
CN116701848A (zh) * 2023-08-09 2023-09-05 江苏盖亚环境科技股份有限公司 一种一体化装备连续探测数据处理系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101644590A (zh) * 2009-09-08 2010-02-10 合肥工业大学 基于单传感器的抗强干扰的涡街流量计数字信号处理系统
CN105737909A (zh) * 2016-02-23 2016-07-06 合肥工业大学 基于卡尔曼滤波的涡街流量计抗瞬态冲击干扰的信号处理方法和系统
CN109545238A (zh) * 2018-12-11 2019-03-29 珠海市微半导体有限公司 一种基于清洁机器人的语音去噪装置及机器人
CN111133447A (zh) * 2018-02-18 2020-05-08 辉达公司 适于自主驾驶的对象检测和检测置信度
CN114691753A (zh) * 2022-03-18 2022-07-01 长沙理工大学 一种基于矩阵填充的快速多元时序异常检测方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101644590A (zh) * 2009-09-08 2010-02-10 合肥工业大学 基于单传感器的抗强干扰的涡街流量计数字信号处理系统
CN105737909A (zh) * 2016-02-23 2016-07-06 合肥工业大学 基于卡尔曼滤波的涡街流量计抗瞬态冲击干扰的信号处理方法和系统
WO2017143649A1 (zh) * 2016-02-23 2017-08-31 合肥工业大学 基于卡尔曼滤波的涡街流量计抗瞬态冲击干扰的信号处理方法和系统
CN111133447A (zh) * 2018-02-18 2020-05-08 辉达公司 适于自主驾驶的对象检测和检测置信度
CN109545238A (zh) * 2018-12-11 2019-03-29 珠海市微半导体有限公司 一种基于清洁机器人的语音去噪装置及机器人
CN114691753A (zh) * 2022-03-18 2022-07-01 长沙理工大学 一种基于矩阵填充的快速多元时序异常检测方法

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116342170A (zh) * 2023-05-26 2023-06-27 苏州极易科技股份有限公司 一种基于销售数据的监测处理终端和监测方法
CN116441031A (zh) * 2023-06-20 2023-07-18 广东绿富域资源再生科技有限公司 一种焚烧垃圾炉渣的智能化破碎系统
CN116441031B (zh) * 2023-06-20 2023-08-25 广东绿富域资源再生科技有限公司 一种焚烧垃圾炉渣的智能化破碎系统
CN116701848A (zh) * 2023-08-09 2023-09-05 江苏盖亚环境科技股份有限公司 一种一体化装备连续探测数据处理系统
CN116701848B (zh) * 2023-08-09 2023-12-08 江苏盖亚环境科技股份有限公司 一种一体化装备连续探测数据处理系统

Also Published As

Publication number Publication date
CN115265723B (zh) 2022-12-13

Similar Documents

Publication Publication Date Title
CN115265723B (zh) 基于数据处理的涡街流量计异常监测方法及系统
CN109633633B (zh) 一种基于分段分类增强处理的生命信号增强方法
CA2931624A1 (en) Systems and methods for event detection and diagnosis
Zhan et al. Adaptive autoregressive modeling of non-stationary vibration signals under distinct gear states. Part 1: modeling
CN106247173B (zh) 管道泄漏检测的方法及装置
CN105223482A (zh) 局部放电特高频信号波形的小波分解二值去噪方法
CN114781467A (zh) 一种基于振动相似度的故障检测方法及装置
CN113901379B (zh) 一种边缘端的实时数据动态在线快速处理方法
CN113670616B (zh) 一种轴承性能退化状态检测方法及系统
CN117213569A (zh) 一种超声波流量检测方法
CN112033656A (zh) 一种基于宽带谱处理的机械系统故障检测方法
CN116242443A (zh) 一种超声波计量仪表的动态计量方法
CN116962669A (zh) 一种监控设备用异物清除系统
CN111982248B (zh) 一种改进的传感器动态数据融合方法
CN112558159B (zh) 一种声波测井初至拾取方法
US6813588B1 (en) Control system and method for detecting plugging in differential pressure cells
CN116364108A (zh) 变压器声纹检测方法及装置、电子设备、存储介质
CN114614825B (zh) 一种低成本高速脉冲信号数据采样和峰值检测方法
CN113537156B (zh) 一种基于区间标准差结合频谱分析的振动数据清洗方法
CN114486252B (zh) 一种矢量模极大值包络的滚动轴承故障诊断方法
CN115481662A (zh) 一种旋转机械设备早期故障诊断方法
CN110470396B (zh) 光谱平滑降噪的处理方法
CN116150644A (zh) 一种基于图像模块匹配的射频频谱信号探测方法
CN112104340A (zh) 一种基于HMM模型和Kalman滤波技术的开关量输入模块BIT降虚警方法
CN110007342A (zh) 一种用于低信噪比地震信号的时频域直接拾取初至方法及系统

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