CN115358293A - 一种降低系统偏差对评估结果干扰的组合方法 - Google Patents
一种降低系统偏差对评估结果干扰的组合方法 Download PDFInfo
- Publication number
- CN115358293A CN115358293A CN202210889479.3A CN202210889479A CN115358293A CN 115358293 A CN115358293 A CN 115358293A CN 202210889479 A CN202210889479 A CN 202210889479A CN 115358293 A CN115358293 A CN 115358293A
- Authority
- CN
- China
- Prior art keywords
- model
- variable
- value
- data
- variables
- 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
- 238000011156 evaluation Methods 0.000 title claims abstract description 46
- 238000000034 method Methods 0.000 title claims abstract description 34
- 230000004044 response Effects 0.000 claims abstract description 42
- 101150097388 rgy gene Proteins 0.000 claims abstract description 21
- 239000011159 matrix material Substances 0.000 claims abstract description 20
- 238000013210 evaluation model Methods 0.000 claims abstract description 19
- 230000002159 abnormal effect Effects 0.000 claims abstract description 18
- 238000013499 data model Methods 0.000 claims abstract description 17
- 230000036541 health Effects 0.000 claims abstract description 17
- 230000008859 change Effects 0.000 claims description 19
- 238000005070 sampling Methods 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 8
- 238000009826 distribution Methods 0.000 claims description 7
- 238000012417 linear regression Methods 0.000 claims description 7
- 230000010355 oscillation Effects 0.000 claims description 7
- 238000012512 characterization method Methods 0.000 claims description 4
- 230000006870 function Effects 0.000 claims description 4
- 230000002547 anomalous effect Effects 0.000 claims description 3
- 238000005096 rolling process Methods 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims description 2
- 230000008030 elimination Effects 0.000 claims 1
- 238000003379 elimination reaction Methods 0.000 claims 1
- 238000004519 manufacturing process Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 7
- 239000004568 cement Substances 0.000 description 5
- 238000012544 monitoring process Methods 0.000 description 5
- 230000009467 reduction Effects 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 4
- 230000015556 catabolic process Effects 0.000 description 4
- 238000006731 degradation reaction Methods 0.000 description 4
- 239000002994 raw material Substances 0.000 description 4
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000000873 masking effect Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000004379 similarity theory Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
- 238000005303 weighing Methods 0.000 description 1
Images
Classifications
-
- 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
- G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
-
- 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
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/04—Manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Operations Research (AREA)
- Business, Economics & Management (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Human Resources & Organizations (AREA)
- Evolutionary Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Manufacturing & Machinery (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Computing Systems (AREA)
- Feedback Control In General (AREA)
Abstract
本发明公开了一种降低系统偏差对评估结果干扰的组合方法,步骤包括:将模型评估对象的所有测点划分成两个子集CV和MV;计算集合CV和MV内各元素的相关性矩阵rCVMV;定义是cvn变量与集合MV内所有变量的相关性矩阵,计算cvn与的历史全部残差 遍历集合CV内所有元素,得到所有被控变量对操控变量MV正常响应时的历史残差topRCV,使用topRCV历史数据进行评估模型建模,输入topRCV当前数据组,将该状态组值和设备正常运行数据模型中每个状态点的数值组进行比较计算,找出与该状态组值最相似的一组数据模型特征组值,即cvn的响应误差预测值将和cvn的响应误差实际值比较,得出cvn误差的预测残差当的绝对值有增大的趋势时,表征cvn对其相关MV的响应出现持续异常的现象,此时引起评估模型的健康度HPI趋势下降。
Description
技术领域
本发明涉及水泥生产控制领域,特别是一种降低系统偏差对评估结果干扰的组合方法。
背景技术
在生产控制领域,mυ变量是指可以操作的变量。cυ变量是指通过操控可操作的变量mυ间接影响的相关不可操控的变量,称作被控变量。
水泥生产属于生产粗放型,并且自动化程度较低的行业。很多情况下,如避峰生产、计划减产、设备运维等都会导致人为干预,采取调整mυ变量的方案实现生产控制目的,因此人为操作对水泥生产运行的干扰程度非常大。
评估系统是一种利用工厂布设的测点传感器,获取正常运行数据,通过相似度理论进行数据挖掘,从而建立各设备、工艺段的监测模型。应用在水泥行业时,评估系统往往会产生频繁的误报警。这些误报警中大多是人为操作引起的,主要表现在当人为调整操作变量mυ时,存在较大幅度的变化,这种变化通常会引起与之关联的cυ变量产生巨大的连锁反应。由于这种变化不属于评估对象正常生产模式,因此会导致评估系统健康度HPI值陡然降低,触发预警。
专利CN102270271A《基于相似度曲线的设备故障早期预警及优化的方法和系统》权利要求1中的生成步骤,提出了对设备在线运行时的每个运行时刻采样形成状态组值,再将该状态组值和设备正常运行数据模型中每个状态点的数值组进行比较计算,找出与该状态组值最相似的一组数据模型特征组值,两组数据的距离度量形成相似度曲线。
将上述专利技术应用在水泥行业的实践中,出现了以下几个问题:
1.设备在线运行时的每个运行时刻采样形成的状态组值中,存在人为操作MV变量引起的与之关联的cυ变量产生巨大的偏离,导致在数据模型中与之最相似的一组数据模型特征值,两者的相似度超出阈值范围,从而引起人为操作的误报警现象。
2.设备在线运行时的每个运行时刻采样形成的状态组值中,存在人为操作MV变量引起的与之关联的cυ变量产生轻微偏离,导致在数据模型中与之最相似的一组数据模型特征值,两者的相似度产生阈值范围内的偏差,这种偏差虽然不会引起人为操作的误报警,但是会导致得出的评估结果可信度不高。
3.在设备正常运行时,被控变量cυ对操控变量mυ响应存在偏差,在一定范围内,这种偏差属于正常的传递误差,理论上不应该引起设备模型健康度的下降亦或震荡变化。
4.同时,针对被控变量cυ对操控变量mυ响应偏差,当偏差有持续变大或者超出一定范围时,设备模型应该进行提前预警,而专利CN102270271A忽略了这一点。
发明内容
针对现有技术中存在的问题,本发明提供了一种可以识别人为操作引起的误报警并且屏蔽;模型健康度值不受人为操作mυ变量的影响;减少设备传递误差导致的模型健康度下降亦或震荡变化;识别监测模型的被控变量cυ对操控变量mυ响应偏差的持续劣化现象并提前预警的降低人为操作对评估系统有效性干扰的方法。
本发明的目的通过以下技术方案实现。
一种降低系统偏差对评估结果干扰的组合方法,步骤包括:
1)将模型评估对象的所有测点划分成两个子集:CV和MV,CV是评估对象的全部被控变量集合,MV是评估对象的全部操作变量集合;
CV={cυ1,cυ2,…,cυn},其中cυn是评估对象第n个被控变量;
MV={mυ1,mυ2,…,mυn},其中mυn是评估对象第n个操控变量;
2)计算集合CV和MV内各元素的相关性矩阵rCVMV:
其中,SCVMV表示集合CV内所有元素和集合MV内所有元素的样本协方差矩阵,SCV表示CV内每个元素的样本标准差矩阵,SMV表示MV每个元素的样本标准差矩阵;
使用历史数据,根据上述多元线性回归方程,计算模型R2,若模型R2大于表明评估对象内部cυ变量对mυ变量具有响应规律模式,进入步骤4);否则表明了通过建模和模型误差的方式屏蔽人为操作干扰随机性太强,利用量化有无人为操控变量时,MV方差变化率绝对值的均值的变化异常方案解决人为操作干扰问题;
6)使用topRCV历史数据进行评估模型建模,模型学习的数据模式是基于评估对象所有CV对MV的正常响应误差;topRCV是评估对象历史运行数据模型中每个状态点的数值组,根据数据分布的概率密度,进行均衡采样,按照“相似不重复”的原则,得到覆盖评估模型全部工况的状态点组;
7)输入topRCV当前数据组,将该状态组值和设备正常运行数据模型中每个状态点的数值组进行比较计算,找出与该状态组值最相似的一组数据模型特征组值,即cυn的误差值两组数据的距离度量形成相似度曲线,即模型健康度HPI。
所述步骤1)中在设备启停机前后,剔除建模对象历史数据中启机后和停机前k段时间的数据。
所述步骤3)中量化有无人为操控变量时,方差变化率绝对值的均值的变化异常方案具体方法如下:
A)根据建模对象所属工艺单元,选择该工艺单元相关的MV操控变量一年的数据,得到MV矩阵,MV=[mυ1 mυ2 … mυn];
B)将时间窗长win,间隔t分钟的采集频率,换算成采样点数量为wint,wint=win/t;计算间隔wint内MV各变量的方差MVυar,MVυar=[mυ1υar mυ2υar … mυnυar],
计算MVυar内各元素mυnυar相邻两点的斜率mυnυars,得到集合MVυars,
MVυars=[mυ1υars mυ2υors … mυnυars];
定义MVυars是mυ变量在win时间内的相邻两点方差变化的斜率,其数值大小反映了mυ的震荡趋势,在人为操作mυ时,其数值会瞬间增大,为了增加结果的鲁棒性,引入MVυars的均值。
C)计算间隔wint内mυnυars的均值mυnυarsm,形成集合MVυarsm,
MVυarsm=[mυ1υarsm mυ2υarsm … mυnυarsm]
定义MVυarsm是mυ变量在2个win时间内的相邻两点方差变化的斜率的均值;
D)初始化mυn变量在时间窗长win内,方差的斜率的均值的阈值TmVnυarsm=100,删除mυn中Tmυnυarsm>100的时间段,得到去除人为操作的mυn变量nυnNormal;
计算mυnNormal在滚动时间窗wint内的方差mυnNormalVar,
mυnNormalVar的均值
上述是mυn的整体方差,而mυnNprmalVarM是mυn的滑动窗长wint内的所有方差均值,当mυnNormalVarM大于时,表示通过Tmυnυarsm阈值限定后,在某些滑动窗长wint内仍存在异常值,使得局部方差和整体方差有差异,因此需要减少Tmυnυarsm值,进一步排除异常数据,所以有:
F)循环步骤E),直至nυnNormalVarMean≤TmυnNormalVarMean;
G)循环步骤D)-F),直至集合MV内所有变量都遍历结束,得到所有mυ变量的方差的斜率的均值的阈值TMVυarsm
TMVυarsm=[Tmυ1υarsm Tnυ2υarsm …Tmυnυarsm]
H)评估模型预警联合判断。当评估模型产生预警时,判断预警模型的所有mυ变量在时间窗长win内,方差的斜率的均值MVυarsm是否小于TMVυarsm,如果成立,则正常预警;否则不进行预警,以此屏蔽人为操作引起的误报警。
相比于现有技术,本发明的优点在于:1.识别人为操作引起的误报警并且屏蔽;2.模型健康度值不受人为操作mυ变量的影响;3.减少设备传递误差导致的模型健康度下降亦或震荡变化;4.识别监测模型的被控变量cυ对操控变量mυ响应偏差的持续劣化现象并提前预警。
附图说明
图1为斗提总电流和喂料称总喂料量曲线拟合图。
图2为斗提总电流和喂料称总喂料量预测残差异常标记图。
图3为剔除异常残差后的斗提总电流和喂料称总喂料量散点图。
图4为本发明有效识别出人为操作引起的误报警并且屏蔽示意图。
图5为本发明模型健康度值更加稳定,不受人为操作mυ变量的影响示意图。
图6为本发明识别监测模型的被控变量cυ对操控变量mυ响应偏差的持续劣化现象并提前预警示意图。
具体实施方式
下面结合说明书附图和具体的实施例,对本发明作详细描述。
本发明提供了两种解决方案,方案二是对方案一的补充,在方案一技术条件满足的前提下,优先使用方案一。方案一主要思想是通过分析cυ对mυ的响应状态,屏蔽人为操作引起的预警。的具体方法如下:
步骤1:将模型评估对象的所有测点划分成两个子集:CV和MV,CV是评估对象的全部被控变量集合,MV是评估对象的全部操作变量集合。
CV={cυ1,cυ2,…,cυn},其中cυn是评估对象第n个被控变量;
MV={mυ1,mυ2,…,mυn},其中mυn是评估对象第n个操控变量;
需要注意的是,在设备启停机前后,cυ对mυ的响应过程与正常运行时有较大的差别,因此使用该方法前,需要剔除建模对象历史数据中启机后和停机前k段时间的数据;
步骤2:为了得到评估对象CV和MV集合内各个元素的相关性,找出引起cυ变化的mυ变量,建立低误差的回归函数,需要计算集合CV和MV内各元素的相关性矩阵rCVMV
其中,SCVMV表示集合CV内所有元素和集合MV内所有元素的样本协方差矩阵,SCV表示CV内每个元素的样本标准差矩阵,SMV表示MV每个元素的样本标准差矩阵。
使用历史数据,根据上述多元线性回归方程,计算模型R2,若模型R2大于表明评估对象内部cυ变量对mυ变量具有响应规律模式,进入步骤4;否则表明了通过建模和模型误差的方式屏蔽人为操作干扰随机性太强,选用方案二解决人为操作干扰问题。
步骤6:使用topRCV历史数据进行评估模型建模,模型学习的数据模式是基于评估对象所有CV对MV的正常响应误差。topRCV是评估对象历史运行数据模型中每个状态点的数值组,根据数据分布的概率密度,进行均衡采样,按照“相似不重复”的原则,得到覆盖评估模型全部工况的状态点组。此外,使用topRCV集合内cυn的历史误差的上限作为测点cυn预警阈值,其中若超出阈值表征cυn对其相关MV变量的异常响应,此时评估系统对cυn测点进行预警。
步骤7:输入topRCV当前数据组,将该状态组值和设备正常运行数据模型中每个状态点的数值组进行比较计算,找出与该状态组值最相似的一组数据模型特征组值,即cυn的误差值两组数据的距离度量形成相似度曲线,即模型健康度HPI。
方案二的具体方法如下:
分析工厂历史数据时发现:当人为操控变量时,一段时间内的MV方差变化率对比无人为操控状态下,两者绝对值的均值有较大差异。量化并捕捉这一变化异常即可屏蔽人为操控引起的误报警。具体方法如下:
步骤1:根据建模对象所属工艺单元,选择该工艺单元相关的MV操控变量一年的数据,得到MV矩阵,MV=[mυ1 mυ2 … mυn];
步骤2:将时间窗长min,间隔t分钟的采集频率,换算成采样点数量为wint,wint=win/t;计算间隔wint内MV各变量的方差MVυar,MVυar=[mυ1υar mυ2υar … mυnυar],
计算MVυar内各元素mυnυar相邻两点的斜率mυnυars,得到集合MVυars,
MVυars=[mυ1υars mυ2υars … mυnυars];
定义MVυars是mυ变量在win时间内的相邻两点方差变化的斜率,其数值大小反映了mυ的震荡趋势,在人为操作mυ时,其数值会瞬间增大。为了增加结果的鲁棒性,引入MVυars的均值。
步骤3:计算间隔wint内mυnυars的均值mυnυarsm,形成集合MVυarsm,
MVυarsm=[mυ1υarsm mυ2υarsm … mυnυarsm]
定义MVυarsm是mυ变量在2个win时间内的相邻两点方差变化的斜率的均值。相较于集合MVυars,虽然判断人为操作mυ变量的灵敏性有所降低,但是增加了稳定性,降低了误判断比例。
步骤4:初始化mυn变量在时间窗长win内,方差的斜率的均值的阈值Tmυnυarsm=100,删除mυn中Tmυnυarsm>100的时间段,得到去除人为操作的mυn变量mυnNormal。
计算mυnNormal在滚动时间窗wint内的方差mυnNormalVar,
mυnNormalVar的均值
上述是mυn的整体方差,而mυnNormalVarM是mυn的滑动窗长wint内的所有方差均值,当mυnNormalVarM大于时,表示通过Tmυnυarsm阈值限定后,在某些滑动窗长wint内仍存在异常值,使得局部方差和整体方差有差异。因此需要减少Tmυnυarsm值,进一步排除异常数据,所以有:
步骤6:循环步骤5,直至mυnNormalVarMean≤TmυnNormalVarMean。
步骤7:循环步骤4、5、6,直至集合MV内所有变量都遍历结束。得到所有mυ变量的方差的斜率的均值的阈值TMVυarsm
TMVυarsm=[Tmυ1υarsm Tmυ2υarsm … Tmυnυarsm]
步骤8:评估模型预警联合判断。当评估模型产生预警时,判断预警模型的所有mυ变量在时间窗长win内,方差的斜率的均值MVυarsm是否小于TMVυarsm,如果成立,则正常预警;否则不进行预警,以此屏蔽人为操作引起的误报警。
实施例
以生料入窑系统评估模型为例,生料入窑系统包含生料小仓仓重、喂料斗提总电流、喂料称总喂料量、库荷及预热器斜槽风机(电流)、入预热器回转锁风阀(电流)测点。
去除建模对象启停机前后1小时内的数据,得到去停机后的数据,将以上测点划分为MV、CV两种,MV={喂料称总喂料量},
CV={生料小仓仓重,喂料斗提总电流,库荷及预热器斜槽风机(电流),入预热器回转锁风阀(电流)}以喂料斗提总电流这个CV为例,计算其与MV={喂料称总喂料量}相关性,得到两者相关系数r=0.84,大于阈值0.5,属于较强相关。遂选择喂料称总喂料量作为喂料斗提总电流的影响变量。
建立喂料斗提总电流和喂料称总喂料量的多元线性回归方程,通过最小二乘法求解得到下述方程:
将以上结果曲线绘制成散点图和曲线拟合图,如图1所示:
计算喂料斗提总电流对喂料称总喂料量的响应误差,即:
对斗提总电流预测值和实际值的残差进行密度聚类,超参eps等于1,min_samples等于3,根据密度分布去除残差较大的总体总电流离群点。结果图2所示,图中使用除蓝色以外的其他颜色标记出了残差较大的离群点。
关于斗提总电流对喂料称总喂料量的正常响应误差.剔除异常残差后的斗提总电流和喂料称总喂料模型预测残差范围在[-7.5,7.5]范围内,如图3所示,。
利用上述方案,本发明有效识别出人为操作引起的误报警并且屏蔽,如图4所示:
图中1、2、3、4、5处的HPI下降,源于MV:喂料称总喂料量人为操作引起的,在IEM触发预警时,当前MV变量的方差的斜率的均值超出阈值93.5,模型屏蔽预警。
模型健康度值更加稳定,不受人为操作mυ变量的影响,如图5所示。
图中两个健康度HPI曲线分别用cυ测点数值以及cυ测点对mυ测点的响应误差建模。由图中可知,第二条曲线使用cυ测点对mυ测点的响应误差建模,得到的曲线不受人为操作mυ变量的影响,更加稳定。
减少设备传递误差导致的模型健康度下降亦或震荡变化;
4.识别监测模型的被控变量cυ对操控变量mυ响应偏差的持续劣化现象并提前预警,如图6所示。
Claims (5)
1.一种降低系统偏差对评估结果干扰的组合方法,其特征在于步骤包括:
1)将模型评估对象的所有测点划分成两个子集:CV和MV,CV是评估对象的全部被控变量集合,MV是评估对象的全部操作变量集合;
CV={cv1,cv2,…,cvn},其中cvn是评估对象第n个被控变量;
MV={mv1,mv2,…,mvn},其中mvn是评估对象第n个操控变量;
2)计算集合CV和MV内各元素的相关性矩阵rCVMV:
其中,SCVMV表示集合CV内所有元素和集合MV内所有元素的样本协方差矩阵,SCV表示CV内每个元素的样本标准差矩阵,SMV表示MV每个元素的样本标准差矩阵;
使用历史数据,根据上述多元线性回归方程,计算模型R2,若模型R2大于表明评估对象内部cv变量对mv变量具有响应规律模式,进入步骤4);否则表明了通过建模和模型误差的方式屏蔽人为操作干扰随机性太强,利用量化有无人为操控变量时,MV方差变化率绝对值的均值的变化异常方案解决人为操作干扰问题;
6)使用topRCV历史数据进行评估模型建模,模型学习的数据模式是基于评估对象所有CV对MV的正常响应误差;topRCV是评估对象历史运行数据模型中每个状态点的数值组,根据数据分布的概率密度,进行均衡采样,按照“相似不重复”的原则,得到覆盖评估模型全部工况的状态点组;
7)输入topRCV当前数据组,将该状态组值和设备正常运行数据模型中每个状态点的数值组进行比较计算,找出与该状态组值最相似的一组数据模型特征组值,即cvn的误差值两组数据的距离度量形成相似度曲线,即模型健康度HPI。
2.根据权利要求1所述的一种降低系统偏差对评估结果干扰的组合方法,其特征在于所述步骤1)中在设备启停机前后,剔除建模对象历史数据中启机后和停机前k段时间的数据。
5.根据权利要求1所述的一种降低系统偏差对评估结果干扰的组合方法,其特征在于所述步骤3)中量化有无人为操控变量时,方差变化率绝对值的均值的变化异常方案具体方法如下:
A)根据建模对象所属工艺单元,选择该工艺单元相关的MV操控变量一年的数据,得到MV矩阵,MV=[mv1 mv2 … mvn];
B)将时间窗长win,间隔t分钟的采集频率,换算成采样点数量为wint,wini=win/t;计算间隔wint内MV各变量的方差MVvar,MVvar=[mv1var mv2var … mvnvar],
计算MVvar内各元素mvnvar相邻两点的斜率mvnvars,得到集合MVvars,
MVvars=[mv1vars mv2vars … mvnvars];
定义MVvars是mv变量在win时间内的相邻两点方差变化的斜率,其数值大小反映了mv的震荡趋势,在人为操作mv时,其数值会瞬间增大,为了增加结果的鲁棒性,引入Mvvars的均值。
C)计算间隔wint内mvnvars的均值mvnvarsm,形成集合MVvarsm,
MVvarsm=[mv1varsm mv2varsm ··· mvnvarsm]
定义MVvarsm是mv变量在2个win时间内的相邻两点方差变化的斜率的均值;
D)初始化mvn变量在时间窗长win内,方差的斜率的均值的阈值Tmvnvarsm=100,删除mvn中Tmvnvarsm>100的时间段,得到去除人为操作的mvn变量mvnNormal;
计算mvnNormal在滚动时间窗wint内的方差mvnNormalVar,
mvnNormalVar的均值
上述是mvn的整体方差,而mvnNormalVarM是mvn的滑动窗长wint内的所有方差均值,当mvnNormalVarM大于时,表示通过Tmvnvarsm阈值限定后,在某些滑动窗长wint内仍存在异常值,使得局部方差和整体方差有差异,因此需要减少Tmvnvarsm值,进一步排除异常数据,所以有:
F)循环步骤E),直至mvnNormalVarMean≤TmvnNormalVarMean;
G)循环步骤D)-F),直至集合MV内所有变量都遍历结束,得到所有mv变量的方差的斜率的均值的阈值TMVvarsm
TMVvarsm=[Tmv1varsm Tmv2varsm … Tmvnvarsm]
H)评估模型预警联合判断。当评估模型产生预警时,判断预警模型的所有mv变量在时间窗长win内,方差的斜率的均值MVvarsm是否小于TMVvarsm,如果成立,则正常预警;否则不进行预警,以此屏蔽人为操作引起的误报警。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210889479.3A CN115358293A (zh) | 2022-07-27 | 2022-07-27 | 一种降低系统偏差对评估结果干扰的组合方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210889479.3A CN115358293A (zh) | 2022-07-27 | 2022-07-27 | 一种降低系统偏差对评估结果干扰的组合方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115358293A true CN115358293A (zh) | 2022-11-18 |
Family
ID=84032222
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210889479.3A Pending CN115358293A (zh) | 2022-07-27 | 2022-07-27 | 一种降低系统偏差对评估结果干扰的组合方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115358293A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116302848A (zh) * | 2023-05-19 | 2023-06-23 | 杭州安脉盛智能技术有限公司 | 一种评估值被带偏的检测方法、装置、电子设备及介质 |
CN117932523A (zh) * | 2024-03-25 | 2024-04-26 | 山东诚祥建设集团股份有限公司 | 一种建筑工程施工数据处理方法及系统 |
-
2022
- 2022-07-27 CN CN202210889479.3A patent/CN115358293A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116302848A (zh) * | 2023-05-19 | 2023-06-23 | 杭州安脉盛智能技术有限公司 | 一种评估值被带偏的检测方法、装置、电子设备及介质 |
CN116302848B (zh) * | 2023-05-19 | 2023-09-01 | 杭州安脉盛智能技术有限公司 | 一种评估值被带偏的检测方法、装置、电子设备及介质 |
CN117932523A (zh) * | 2024-03-25 | 2024-04-26 | 山东诚祥建设集团股份有限公司 | 一种建筑工程施工数据处理方法及系统 |
CN117932523B (zh) * | 2024-03-25 | 2024-06-04 | 山东诚祥建设集团股份有限公司 | 一种建筑工程施工数据处理方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115358293A (zh) | 一种降低系统偏差对评估结果干扰的组合方法 | |
CN109614576B (zh) | 基于多维高斯分布与趋势分段的变压器异常检测方法 | |
CN112232447B (zh) | 一种电力设备状态监测数据的完整样本集的构建方法 | |
CN112348237B (zh) | 一种动态钻井数据异常趋势检测方法 | |
CN112284440B (zh) | 一种传感器数据偏差自适应修正方法 | |
CN110348150B (zh) | 一种基于相关概率模型的故障检测方法 | |
CN110879580B (zh) | 一种面向大范围非平稳瞬变连续过程的分析和监测方法 | |
Rotem et al. | Ethylene compressor monitoring using model‐based PCA | |
CN116757534A (zh) | 一种基于神经训练网络的智能冰箱可靠性分析方法 | |
Zhang et al. | A fault early warning method for auxiliary equipment based on multivariate state estimation technique and sliding window similarity | |
CN112287988A (zh) | 一种水污染源在线监测数据异常的识别方法 | |
CN116772285B (zh) | 一种智能楼宇供暖负载安全实时监控方法 | |
CN117193222A (zh) | 一种基于工业物联网和大数据的智能质量控制系统及其控制方法 | |
CN115047839B (zh) | 一种甲醇制烯烃工业过程的故障监测方法和系统 | |
CN112066724A (zh) | 一种基于自适应主元分析的辊道窑能耗异常检测方法 | |
CN115496188A (zh) | 一种基于深度学习卷积神经网络的磨煤机故障预警方法 | |
CN116677570A (zh) | 基于海上风电机组机舱温度监测的故障预警方法及系统 | |
CN113011648B (zh) | 隧道瓦斯涌出浓度预测方法及系统 | |
CN107220705B (zh) | 常减压装置常压塔顶干点预测方法 | |
CN116602435A (zh) | 一种基于机器学习的制丝单机内烟丝水分变化分析方法 | |
Tao et al. | A supervised multisegment probability density analysis method for incipient fault detection of quality indicator | |
CN111913463B (zh) | 一种核电厂化学容积控制系统状态监测方法 | |
Kolokas et al. | Anomaly detection in aluminium production with unsupervised machine learning classifiers | |
CN115240428B (zh) | 隧道运营异常的检测方法、装置、电子设备与存储介质 | |
KR102564668B1 (ko) | 솔라 및 반도체 장비의 센서 데이터를 이용하는 통합 솔루션 관리 장치 및 그 방법 |
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 | ||
TA01 | Transfer of patent application right | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20230815 Address after: No. 320 and 436 Pingtang East Road, Puxing Street, Xinjin District, Chengdu City, Sichuan Province, 611400 Applicant after: Sinoma Intelligent Technology (Chengdu) Co.,Ltd. Address before: 303 Hanzhongmen street, Gulou District, Nanjing City, Jiangsu Province Applicant before: NANJING KISEN INTERNATIONAL ENGINEERING Co.,Ltd. |