CN115798167A - 用于淀粉葡萄糖生产工艺的设备异常报警方法及装置 - Google Patents
用于淀粉葡萄糖生产工艺的设备异常报警方法及装置 Download PDFInfo
- Publication number
- CN115798167A CN115798167A CN202310011077.8A CN202310011077A CN115798167A CN 115798167 A CN115798167 A CN 115798167A CN 202310011077 A CN202310011077 A CN 202310011077A CN 115798167 A CN115798167 A CN 115798167A
- Authority
- CN
- China
- Prior art keywords
- target sensor
- sensor
- gaussian model
- value
- sample data
- 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
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Investigating Or Analyzing Materials By The Use Of Electric Means (AREA)
- Complex Calculations (AREA)
Abstract
本发明涉及信号报警领域,具体涉及用于淀粉葡萄糖生产工艺的设备异常报警方法及装置,包括:获取各个时刻对应的样本数据;获取目标传感器在各个时刻对应的关联序列,得到目标传感器的关联矩阵;根据目标传感器的关联矩阵得到目标传感器的第一主成分方向,进而得到目标传感器的各个投影值;获取目标传感器的第一高斯模型与第二高斯模型;根据目标传感器的第一高斯模型与第二高斯模型之间的差异程度、横向分布特征以及纵向分布特征得到目标传感器的异常程度值,进而得到各个传感器的异常程度值;根据各个传感器的异常程度值进行生产设备异常报警。本发明可以在保留传感器数据之间关联性的基础上,确定设备异常原因,保证报警装置的准确、可靠。
Description
技术领域
本发明涉及信号报警领域,具体涉及用于淀粉葡萄糖生产工艺的设备异常报警方法及装置。
背景技术
在淀粉葡萄糖生产工艺,需要利用闪蒸器,使淀粉内的水分发生闪蒸发,在进行干燥的同时实现了降温,得到具有一定形状的,多孔结构的淀粉葡萄糖产品。但闪蒸器在使用过程中可能会发生设备异常,比如闪蒸器系统发生漏气或者堵塞,导致烘干冷却效果较差,进而导致淀粉葡萄糖生产系统不能得到预期的葡萄糖结晶体。
由于闪蒸器内部的压力或预期效果,与闪蒸器内部的空气流量、进出口温度和加料量具有关联性。但是如果直接对多维数据进行时序数据的异常检测,会丢失数据之间的关联关系,只能得到综合异常检测结果,也就无法确定具体的故障原因,导致最终检测效果不佳。因此如何在保留传感器数据之间的关联性特征的基础上,确定设备异常原因的方法是非常重要的。
发明内容
本发明提供用于淀粉葡萄糖生产工艺的设备异常报警方法及装置,以解决现有的问题。
本发明的用于淀粉葡萄糖生产工艺的设备异常报警方法及装置采用如下技术方案:
本发明一个实施例提供了用于淀粉葡萄糖生产工艺的设备异常报警方法,该方法包括以下步骤:
获取生产设备在各个时刻使用各个传感器采集到的数据,各个时刻不同传感器采集到的数据构成了各个时刻对应的样本数据;
以任意一个传感器为目标传感器,根据各个时刻对应的样本数据以及目标传感器对应时刻采集的数据,得到目标传感器在各个时刻对应的关联序列;目标传感器的所有关联序列构成了目标传感器的关联矩阵;根据目标传感器的关联矩阵得到目标传感器的第一主成分方向;根据目标传感器的各个关联序列以及目标传感器的第一主成分方向得到目标传感器的各个投影值;
设置时间窗口,将时间窗口内各个样本数据对应的投影值划分成目标传感器的第一样本数据与第二样本数据;根据第一样本数据与第二样本数据得到目标传感器的第一高斯模型与第二高斯模型,所述第一高斯模型与第二高斯模型上各个点的横坐标对应投影值的大小,各个点的纵坐标对应投影值分别在第一样本数据与第二样本数据中的出现概率;根据目标传感器的第一高斯模型与第二高斯模型得到目标传感器对应的横向分布特征;根据目标传感器在第一样本数据中各个投影值以及各个投影值的出现概率得到目标传感器的第一高斯模型的不契合度;获取目标传感器的第二高斯模型的不契合度;根据目标传感器的第一高斯模型的不契合度与第二高斯模型的不契合度得到目标传感器对应的纵向分布特征;根据目标传感器的第一高斯模型与第二高斯模型之间的差异程度、横向分布特征以及纵向分布特征得到目标传感器的异常程度值;以各个传感器分别为目标传感器,得到各个传感器的异常程度值;
根据各个传感器的异常程度值进行生产设备异常报警。
优选的,所述目标传感器在各个时刻对应的关联序列的获取步骤包括:
以目标传感器在各个时刻采集的数据为基准值,计算各个时刻对应的样本数据中的各个传感器采集的数据与基准值之间的比值,将所得比值作为各个传感器的相对数据值,各个传感器的相对数据值构成了目标传感器在各个时刻对应的关联序列。
优选的,所述目标传感器的各个投影值的获取方法为:
将目标传感器的各个关联序列在目标传感器的第一主成分方向上进行投影,将所得各个投影点到原点之间的距离作为目标传感器的各个投影值。
优选的,所述目标传感器对应的横向分布特征的获取方法为:
将第一高斯模型的方差作为第一方差,将第二高斯模型的方差作为第二方差;将第一方差与第二方差中的最大值作为目标传感器对应的横向分布特征。
优选的,所述目标传感器的第一高斯模型的不契合度的获取方法包括:
将目标传感器在第一样本数据中所的各个投影值代入第一高斯模型中,得到各个投影值对应的预估值;计算各个投影值的出现概率与对应预估值之间差值的绝对值,将所得各个绝对值的平均值作为目标传感器的第一高斯模型的不契合度。
优选的,所述目标传感器对应的纵向分布特征的获取方法为:
将目标传感器的第一高斯模型的不契合度与第二高斯模型的不契合度之间的最大值作为目标传感器对应的纵向分布特征。
本发明的另一个实施例提供了用于淀粉葡萄糖生产工艺的设备异常报警装置,该装置包括数据采集模块、投影值获取模块模块、异常程度值计算模块以及异常报警模块,其中:
数据采集模块,用以获取生产设备在各个时刻使用各个传感器采集到的数据,各个时刻不同传感器采集到的数据构成了各个时刻对应的样本数据;
投影值获取模块,以任意一个传感器为目标传感器,根据各个时刻对应的样本数据以及目标传感器对应时刻采集的数据,得到目标传感器在各个时刻对应的关联序列;目标传感器的所有关联序列构成了目标传感器的关联矩阵;根据目标传感器的关联矩阵得到目标传感器的第一主成分方向;根据目标传感器的各个关联序列以及目标传感器的第一主成分方向得到目标传感器的各个投影值;
异常程度值计算模块,用以设置时间窗口,将时间窗口内各个样本数据对应的投影值划分成目标传感器的第一样本数据与第二样本数据;根据第一样本数据与第二样本数据得到目标传感器的第一高斯模型与第二高斯模型,所述第一高斯模型与第二高斯模型上各个点的横坐标对应投影值的大小,各个点的纵坐标对应投影值分别在第一样本数据与第二样本数据中的出现概率;根据目标传感器的第一高斯模型与第二高斯模型得到目标传感器对应的横向分布特征;根据目标传感器在第一样本数据中各个投影值以及各个投影值的出现概率得到目标传感器的第一高斯模型的不契合度;获取目标传感器的第二高斯模型的不契合度;根据目标传感器的第一高斯模型的不契合度与第二高斯模型的不契合度得到目标传感器对应的纵向分布特征;根据目标传感器的第一高斯模型与第二高斯模型之间的差异程度、横向分布特征以及纵向分布特征得到目标传感器的异常程度值;以各个传感器分别为目标传感器,得到各个传感器的异常程度值;
异常报警模块,用以根据各个传感器的异常程度值进行生产设备异常报警。
本发明的有益效果是:首先获取各个时刻使用不同传感器采集的样本数据,以任意一个传感器为目标传感器,根据各个时刻的样本数据获取目标传感器的各个关联序列,根据正常传感器之间存在较为稳定的关联关系,而异常传感器与其他正常传感器之间的稳定关联关系被破坏的特点,通过对目标传感器的各个关联序列对目标传感器进行异常分析,可以放大异常传感器对样本数据的影响程度,并通过对目标传感器的关联矩阵进行主成分分析,得到目标传感器对应的各个投影值,通过投影值将不同时刻不同传感器采集到的数据进行融合,从而避免传统主成分分析方法丢失数据之间关联性的现象出现,保证异常分析结果的可靠性;
然后对目标传感器在当前时刻对应的时间窗口进行划分,根据划分后所得各个区域对应的高斯模型内部投影值的横向分布特征以及纵向分布特征判断各个投影点是否符合高斯分布,从而得到时间窗口内的局部特征信息,然后根据各个高斯模型之间的差异程度表征时间窗口内的整体特征信息,通过结合时间窗口内的局部特征信息以及整体特征信息得到更加准确的异常程度值,进而得到更加准确的异常分析结果;本发明还可以根据不同传感器的异常分析结果,确定生产设备发生异常时的传感器,从而保证报警装置的准确、可靠。
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为本发明的用于淀粉葡萄糖生产工艺的设备异常报警方法的步骤流程图;
图2为本发明的用于淀粉葡萄糖生产工艺的设备异常报警装置的模块示意图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明提出的用于淀粉葡萄糖生产工艺的设备异常报警方法及装置,其具体实施方式、结构、特征及其功效,详细说明如下。在下述说明中,不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外,一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的用于淀粉葡萄糖生产工艺的设备异常报警方法的具体方案。
请参阅图1,其示出了本发明一个实施例提供的用于淀粉葡萄糖生产工艺的设备异常报警方法的步骤流程图,该方法包括以下步骤:
步骤S001:获取生产设备在各个时刻使用各个传感器采集到的数据,得到各个时刻对应的样本数据。
本实施例以淀粉葡萄糖生产过程中的闪蒸器设备进行分析,在闪蒸器设备的进口处以及出口处分别安装一个温度传感器,得到闪蒸器设备的进口温度以及出口温度,用以检测闪蒸器设备的冷却效果;在闪蒸器设备内部安装空气流量计,得到闪蒸器设备内部的压力值;并在加料处转动位置上安装速度检测器,用以获取闪蒸器设备添加物料的加料速度,即本实施例中涉及到的传感器包括温度传感器、空气流量计以及速度检测器三种类型,共包括四个传感器,包括两个温度传感器、一个空气流量计以及一个速度检测器;其中所有传感器与闪蒸器设备报警设备通过无线的形式进行连接,实现各种传感器检测数据进行实时传送。
本实施例需要将所有传感器的采样频率进行对齐,即间隔固定的时间进行一次数据采样,实施者可根据具体实施场景对间隔时间进行调整,本实施例设置的间隔时间为0.1s,每次采样时,所有传感器采集到的数据构成了一个样本数据,由此得到各个时刻对应的样本数据,其中第j个时刻采集得到的所有传感器数据称为第j个样本数据。
步骤S002:获取目标传感器在各个时刻对应的关联序列,得到目标传感器的关联矩阵;根据目标传感器的关联矩阵得到目标传感器的第一主成分方向,进而得到目标传感器的各个投影值。
由于多个传感器采集的数据为多维数据,直接对其进行异常检测时难度较大,因此往往是采用数据降维的方法,其中在将多维数据降到低维数据时,一般采用PCA算法进行数据降维,在PCA算法进行降维时,会先对数据进行均值归一化,又叫标准化,以消除数据之间的量纲差异,但是现有的PCA算法本质上是将许多相关性很高的变量转化为个数较少,能解释大部分原始数据且彼此互相独立的几个新的变量,因此现有的PCA算法会导致采集得到的传感器数据之间的关联性发生丢失,并且在常规的PCA算法进行降维数据分析时,是根据不同传感器数据的特征进行降维,进而通过降维后所得数据之间的差异,找到降维后所得数据中异常值,但是不能确定具体哪一个特征数据异常所导致的设备异常,因此本实施例获取各个传感器采集的数据值与传感器采集的数据值之间的关联关系,得到各个传感器对应的各个关联序列,以便在通过PCA算法进行异常检测时能够得到各个传感器的异常数据。
以第i个传感器为例,即以第i个传感器为目标传感器,由于传感器采集的数据值只能反映数据值之间的关联关系,无法表征不同传感器之间的关联关系,因此本实施例首先根据第i个传感器与不同传感器采集的数据值之间的差异构建第i个传感器的关联数据,但是由于不同传感器数据之间的量纲存在差异,因此在获取第i个传感器与不同传感器采集的数据值之间的差异时不能直接对不同传感器采集的数据值进行做差,本实施例首先对第i个传感器进行相对化处理,即以第j个样本数据中第i个传感器对应的数据值为基准值,将第j个样本数据中其他传感器采集的数据值与基准值之间的比值作为其他传感器数据的相对化处理结果,其中第j个样本数据中第i个传感器对应的相对化处理结果为1,将第j个样本数据中各个传感器对应的相对化处理结果记为各个传感器的相对数据值。
然后计算第j个样本数据中第i个传感器对应的相对数据值与所有传感器的相对数据值之间的差值,所得各个差值构成了第i个传感器的第j个关联序列,其中该第j个关联序列中的第k个元素为第i个传感器与第k个传感器对应的相对数据值之间的差值,则第i个传感器的第j个关联序列中包含的元素个数等于传感器的总个数。记闪蒸器设备上安装的传感器个数为N,则第i个传感器的第j个关联序列中包含的元素个数也为N;
同理,根据第i个传感器对各个样本数据进行相对化处理,得到第i个传感器的各个关联序列,第i个传感器的所有关联序列构成了第i个传感器的关联矩阵,然后利用PCA算法对所得第i个传感器的关联矩阵进行主成分分析,由于各个关联序列都是N维的,可以将第i个传感器的关联矩阵看作是若干个N维点的集合,因此对第i个传感器的关联矩阵进行主成分分析可以得到N个主成分方向,每个主成分方向均为一个单位向量,选取最大特征值所对应的主成分方向,作为第i个传感器的第一主成分方向,将各个关联序列在所得第一主成分方向上进行投影,此时,所得投影点也是一个N维点,将所得投影点到原点的距离作为各个关联序列的投影值,其中,原点是指各个维度上的值均为0的N维点,则各个投影值即为第i个传感器对各个样本数据进行数据融合后所得的融合结果。
重复上述方法,得到各个传感器的各个关联序列以及各个关联序列的投影值;其中,对于一个传感器,每个采集时刻对应一个样本数据,每个样本数据对应该传感器的一个关联序列,每个关联序列对应一个投影值,每个投影值均为一个融合结果。
步骤S003:根据目标传感器的第一高斯模型与第二高斯模型之间的差异程度、横向分布特征以及纵向分布特征得到目标传感器的异常程度值,进而得到各个传感器的异常程度值。
当闪蒸器设备运行正常时,所有传感器采集的数据均为正常数据,不同传感器之间的相对关系是稳定的,即对于同一个传感器,对不同时刻采集得到的样本数据进行数据融合得到的投影值之间的差异较小;而当闪蒸器设备运行发生异常时,闪蒸器设备的某一传感器采集的数据则会发生异常,本实施例将该传感器称为异常传感器,此时该异常传感器采集的数据与其他传感器采集的数据之间稳定的关联关系会被破坏,而其他正常传感器采集的数据之间仍然存在较为稳定的关联关系;
也就是说,由于各个传感器的关联序列都是对各个样本数据进行相对化处理后得到的,因此当第i个传感器为异常传感器时,其在异常发生时以及异常发生后采集到的都是异常数据,使得在异常发生时以及异常发生后得到的样本数据都是以第i个传感器采集的异常数据为基准值进行相对化处理的,进而放大该异常传感器的影响程度,使该传感器在异常发生时以及异常发生后所采集的样本数据对应关联序列的投影值会与正常时刻对应关联序列的投影值之间发生较大差异;但是其他传感器仍为正常传感器,根据这些正常传感器对各个样本数据进行相对化处理时,即使第i个传感器为异常传感器,由于此时第i个传感器采集的异常数据只为整个样本数据中的一个数据,因此当第i个传感器为异常传感器时,该异常传感器采集的异常数据对其他正常传感器对应的各个关联序列影响较小。
所以随着不断对闪蒸器设备进行数据采样,得到会得到越来越多的样本数据,设定时间滑窗,用于获取各个传感器在不同时刻对应融合结果的变化,其中设T为时间窗口的长度,本实施例中设置T=100,即每个时间窗口内包含100个采样时刻,对应包含100个样本数据,实施者可根据具体实施场景对时间窗口的长度进行调整;其中,设当前时刻为第t个时刻,则当前时刻对应的时间窗口内所包含的样本数据为从第t-(T-1)个时刻到第t个时刻之间的时间段内,各个传感器在不同时刻采集的样本数据。
根据各个传感器在各个时间窗口内的所有样本数据对应投影值的变化,得到各个传感器的异常程度值,由于当第i个传感器为正常运行时,该传感器在不同时刻采集的数据值差异较小,不同时刻对应的投影值也差异较小,因此在第t个时刻对应的时间窗口中,第i个传感器对应的投影值分布较为集中,符合高斯分布的特征,但是由于该时间窗口对应的投影值数量较多,因此本实施例首先将其平均分为两部分,根据各个高斯模型内部数据的分布特征以及拟合结果的不契合度对该时间窗口中样本数据的异常程度进行初步判断,要保证第i个传感器始终保持正常运行,还需要根据不同高斯模型之间的差异情况,表征第i个传感器在该时间窗口内的整体差异情况,从而对该时间窗口中样本数据的异常程度进一步判断;
其中在获取第t个时刻时第i个传感器的异常程度值时,首先对第t个时刻对应的时间窗口平均分为两份,前个样本数据对应的投影值为第一样本数据,后个样本数据对应的投影值为第二样本数据,使用EM算法分别对第一样本数据与第二样本数据中的各个投影值以及各个投影值出现的次数进行单高斯模型拟合,得到两个单高斯模型,将所得两个单高斯模型分别记为第一高斯模型与第二高斯模型,则第一高斯模型中的各个点的横坐标对应投影值的大小,各个点的纵坐标对应投影值在第一样本数据中的出现概率;第二高斯模型中的各个点的横坐标对应投影值的大小,各个点的纵坐标对应投影值在第二样本数据中的出现概率;将第一高斯模型对应的方差记为第一方差,将第二高斯模型对应的方差记为第二方差;
当第一方差的值越大,表示对应的第一高斯模型分布越广,对应第一样本数据中包含的投影值之间差异越大,此时该第一样本数据属于异常数据的可能性就越大;当第二方差越大,表示第二高斯模型分布越广,对应该第二样本数据属于异常数据的可能性就越大,本实施例从第一方差与第二方差中选取最大值,用以表征第t个时刻对应的时间窗口内所有样本数据对应投影值的横向分布特征;
为第一高斯模型的不契合度,其计算方式为,将第一样本数据中的各个投影值代入第一高斯模型中,通过第一高斯模型得到各个投影值对应的预估值,计算各个投影值在第一样本数据中的出现概率与对应的预估值之间差值的绝对值,将所得所有绝对值的平均值作为第一高斯模型的不契合度。的值越大,表示第一样本数据对应的投影值与根据第一高斯模型得到的预估值之间的差异越大,对应第一样本数据对应的各个投影值与各个投影值出现的次数越不符合高斯分布,此时该第一样本数据为异常数据的可能性就越大。
同理,第二高斯模型的不契合度越大,对应第二样本数据为异常数据的可能性越大,因此本实施例同样从第一高斯模型的不契合度与第二高斯模型的不契合度中选取最大值,用以表征第t个时刻对应的时间窗口内所有样本数据对应的投影值的纵向分布特征;
由于上述方法是对时间窗口内的单个高斯模型进行分析的,并未考虑不同单高斯模型之间的差异情况,不能排除因将时间窗口的前半部分与后半部分存在投影值差异较大的情况,因此要想保证第i个传感器一直是正常运行的,还需要根据第一高斯模型与第二高斯模型之间的差异情况,对第i个传感器在第t个时刻是否出现了异常进行进一步判断,本实施例使用计算第一高斯模型与第二高斯模型之间的KL散度,用以表征第一高斯模型与第二高斯模型之间的差异程度,该值越大,表示这两个高斯分布之间的差异越大,对应的第t个时刻时第i个传感器越可能发生了异常;该值越小,表示这两个高斯分布之间的差异越小,对应的第t个时刻时第i个传感器越发生异常的可能性越小。
重复上述方法,以各个传感器为目标传感器,得到各个传感器的异常程度值。
本实施例首先根据各个传感器在当前时刻对应的时间窗口内,首先对时间窗口进行划分,根据划分后所得各个区域对应的高斯模型内部投影值的横向分布特征以及纵向分布特征判断各个投影点是否符合高斯分布,从而得到时间窗口内的局部特征信息,然后根据各个高斯模型之间的差异程度表征时间窗口内的整体特征信息,通过结合时间窗口内的局部特征信息以及整体特征信息得到更加准确的异常程度值,进而得到更加准确的异常分析结果。
步骤S004:根据各个传感器的异常程度值进行生产设备异常报警。
设定异常程度阈值r,当时,表示当前闪蒸器设备内的第i个传感器采集的数据出现了异常,控制预警装置发出警报,同时,指明当前闪蒸器设备中第i个传感器所检测设备异常,便于快速检修。其中本实施例中设值r=7,该值可由实施者可根据具体实施场景进行调整,以其他传感器分别为目标传感器,对其他传感器采集到的数据进行处理及异常报警。
其中对于第i个传感器,如果当前时间窗口内的采样数据均为异常数据时,时间窗口内第一高斯模型与第二高斯模型之间的差异可能较小,使得当前时刻的异常程度值可能较小,为了避免此类现象的发生,本实施例在检测到异常数据开始,保持开始检测出异常数据时对应时间窗口的前半部分数据不变,对后续采集到的样本数据只更新时间窗口的后半部分数据,使得能够一直处于预警状态。
通过以上步骤,完成对淀粉葡萄糖生产工艺设备的异常报警。
本发明的另一个实施例提供了用于淀粉葡萄糖生产工艺的设备异常报警装置,如图2所示,该装置包括以下模块:
数据采集模块,用以获取生产设备在各个时刻使用各个传感器采集到的数据,各个时刻不同传感器采集到的数据构成了各个时刻对应的样本数据;
投影值获取模块,以任意一个传感器为目标传感器,根据各个时刻对应的样本数据以及目标传感器对应时刻采集的数据,得到目标传感器在各个时刻对应的关联序列;目标传感器的所有关联序列构成了目标传感器的关联矩阵;根据目标传感器的关联矩阵得到目标传感器的第一主成分方向;根据目标传感器的各个关联序列以及目标传感器的第一主成分方向得到目标传感器的各个投影值;
异常程度值计算模块,用以设置时间窗口,将时间窗口内各个样本数据对应的投影值划分成目标传感器的第一样本数据与第二样本数据;根据第一样本数据与第二样本数据得到目标传感器的第一高斯模型与第二高斯模型,所述第一高斯模型与第二高斯模型上各个点的横坐标对应投影值的大小,各个点的纵坐标对应投影值分别在第一样本数据与第二样本数据中的出现概率;根据目标传感器的第一高斯模型与第二高斯模型得到目标传感器对应的横向分布特征;根据目标传感器在第一样本数据中各个投影值以及各个投影值的出现概率得到目标传感器的第一高斯模型的不契合度;获取目标传感器的第二高斯模型的不契合度;根据目标传感器的第一高斯模型的不契合度与第二高斯模型的不契合度得到目标传感器对应的纵向分布特征;根据目标传感器的第一高斯模型与第二高斯模型之间的差异程度、横向分布特征以及纵向分布特征得到目标传感器的异常程度值;以各个传感器分别为目标传感器,得到各个传感器的异常程度值;
异常报警模块,用以根据各个传感器的异常程度值进行生产设备异常报警。
本实施例首先获取各个时刻使用不同传感器采集的样本数据,以任意一个传感器为目标传感器,根据各个时刻的样本数据获取目标传感器的各个关联序列,根据正常传感器之间存在较为稳定的关联关系,而异常传感器与其他正常传感器之间的稳定关联关系被破坏的特点,通过对目标传感器的各个关联序列对目标传感器进行异常分析,可以放大异常传感器对样本数据的影响程度,并通过对目标传感器的关联矩阵进行主成分分析,得到目标传感器对应的各个投影值,通过投影值将不同时刻不同传感器采集到的数据进行融合,避免传统主成分分析方法丢失数据之间关联性的现象出现,保证异常分析结果的可靠性;
然后对目标传感器在当前时刻对应的时间窗口进行划分,根据划分后所得各个区域对应的高斯模型内部投影值的横向分布特征以及纵向分布特征判断各个投影点是否符合高斯分布,从而得到时间窗口内的局部特征信息,然后根据各个高斯模型之间的差异程度表征时间窗口内的整体特征信息,通过结合时间窗口内的局部特征信息以及整体特征信息得到更加准确的异常程度值,进而得到更加准确的异常分析结果;本实施例还可以根据不同传感器的异常分析结果,确定生产设备发生异常时的传感器,从而保证报警装置的准确、可靠。
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 (7)
1.用于淀粉葡萄糖生产工艺的设备异常报警方法,其特征在于,该方法包括以下步骤:
获取生产设备在各个时刻使用各个传感器采集到的数据,各个时刻不同传感器采集到的数据构成了各个时刻对应的样本数据;
以任意一个传感器为目标传感器,根据各个时刻对应的样本数据以及目标传感器对应时刻采集的数据,得到目标传感器在各个时刻对应的关联序列;目标传感器的所有关联序列构成了目标传感器的关联矩阵;根据目标传感器的关联矩阵得到目标传感器的第一主成分方向;根据目标传感器的各个关联序列以及目标传感器的第一主成分方向得到目标传感器的各个投影值;
设置时间窗口,将时间窗口内各个样本数据对应的投影值划分成目标传感器的第一样本数据与第二样本数据;根据第一样本数据与第二样本数据得到目标传感器的第一高斯模型与第二高斯模型,所述第一高斯模型与第二高斯模型上各个点的横坐标对应投影值的大小,各个点的纵坐标对应投影值分别在第一样本数据与第二样本数据中的出现概率;根据目标传感器的第一高斯模型与第二高斯模型得到目标传感器对应的横向分布特征;根据目标传感器在第一样本数据中各个投影值以及各个投影值的出现概率得到目标传感器的第一高斯模型的不契合度;获取目标传感器的第二高斯模型的不契合度;根据目标传感器的第一高斯模型的不契合度与第二高斯模型的不契合度得到目标传感器对应的纵向分布特征;根据目标传感器的第一高斯模型与第二高斯模型之间的差异程度、横向分布特征以及纵向分布特征得到目标传感器的异常程度值;以各个传感器分别为目标传感器,得到各个传感器的异常程度值;
根据各个传感器的异常程度值进行生产设备异常报警。
2.根据权利要求1所述的用于淀粉葡萄糖生产工艺的设备异常报警方法,其特征在于,所述目标传感器在各个时刻对应的关联序列的获取步骤包括:
以目标传感器在各个时刻采集的数据为基准值,计算各个时刻对应的样本数据中的各个传感器采集的数据与基准值之间的比值,将所得比值作为各个传感器的相对数据值,各个传感器的相对数据值构成了目标传感器在各个时刻对应的关联序列。
3.根据权利要求1所述的用于淀粉葡萄糖生产工艺的设备异常报警方法,其特征在于,所述目标传感器的各个投影值的获取方法为:
将目标传感器的各个关联序列在目标传感器的第一主成分方向上进行投影,将所得各个投影点到原点之间的距离作为目标传感器的各个投影值。
4.根据权利要求1所述的用于淀粉葡萄糖生产工艺的设备异常报警方法,其特征在于,所述目标传感器对应的横向分布特征的获取方法为:
将第一高斯模型的方差作为第一方差,将第二高斯模型的方差作为第二方差;将第一方差与第二方差中的最大值作为目标传感器对应的横向分布特征。
5.根据权利要求1所述的用于淀粉葡萄糖生产工艺的设备异常报警方法,其特征在于,所述目标传感器的第一高斯模型的不契合度的获取方法包括:
将目标传感器在第一样本数据中所的各个投影值代入第一高斯模型中,得到各个投影值对应的预估值;计算各个投影值的出现概率与对应预估值之间差值的绝对值,将所得各个绝对值的平均值作为目标传感器的第一高斯模型的不契合度。
6.根据权利要求1所述的用于淀粉葡萄糖生产工艺的设备异常报警方法,其特征在于,所述目标传感器对应的纵向分布特征的获取方法为:
将目标传感器的第一高斯模型的不契合度与第二高斯模型的不契合度之间的最大值作为目标传感器对应的纵向分布特征。
7.用于淀粉葡萄糖生产工艺的设备异常报警装置,其特征在于,该装置包括以下模块:
数据采集模块,用以获取生产设备在各个时刻使用各个传感器采集到的数据,各个时刻不同传感器采集到的数据构成了各个时刻对应的样本数据;
投影值获取模块,以任意一个传感器为目标传感器,根据各个时刻对应的样本数据以及目标传感器对应时刻采集的数据,得到目标传感器在各个时刻对应的关联序列;目标传感器的所有关联序列构成了目标传感器的关联矩阵;根据目标传感器的关联矩阵得到目标传感器的第一主成分方向;根据目标传感器的各个关联序列以及目标传感器的第一主成分方向得到目标传感器的各个投影值;
异常程度值计算模块,用以设置时间窗口,将时间窗口内各个样本数据对应的投影值划分成目标传感器的第一样本数据与第二样本数据;根据第一样本数据与第二样本数据得到目标传感器的第一高斯模型与第二高斯模型,所述第一高斯模型与第二高斯模型上各个点的横坐标对应投影值的大小,各个点的纵坐标对应投影值分别在第一样本数据与第二样本数据中的出现概率;根据目标传感器的第一高斯模型与第二高斯模型得到目标传感器对应的横向分布特征;根据目标传感器在第一样本数据中各个投影值以及各个投影值的出现概率得到目标传感器的第一高斯模型的不契合度;获取目标传感器的第二高斯模型的不契合度;根据目标传感器的第一高斯模型的不契合度与第二高斯模型的不契合度得到目标传感器对应的纵向分布特征;根据目标传感器的第一高斯模型与第二高斯模型之间的差异程度、横向分布特征以及纵向分布特征得到目标传感器的异常程度值;以各个传感器分别为目标传感器,得到各个传感器的异常程度值;
异常报警模块,用以根据各个传感器的异常程度值进行生产设备异常报警。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310011077.8A CN115798167B (zh) | 2023-01-05 | 2023-01-05 | 用于淀粉葡萄糖生产工艺的设备异常报警方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310011077.8A CN115798167B (zh) | 2023-01-05 | 2023-01-05 | 用于淀粉葡萄糖生产工艺的设备异常报警方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115798167A true CN115798167A (zh) | 2023-03-14 |
CN115798167B CN115798167B (zh) | 2023-04-21 |
Family
ID=85428575
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310011077.8A Active CN115798167B (zh) | 2023-01-05 | 2023-01-05 | 用于淀粉葡萄糖生产工艺的设备异常报警方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115798167B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118094442A (zh) * | 2024-04-23 | 2024-05-28 | 华科五洲(天津)海洋工程有限公司 | 自升式平台的传感数据模拟方法、装置、服务器及介质 |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104933440A (zh) * | 2015-06-09 | 2015-09-23 | 河海大学 | 一种基于PCA技术的AdaBoost优化方法 |
CN105764162A (zh) * | 2016-05-10 | 2016-07-13 | 江苏大学 | 一种基于多属性关联的无线传感器网络异常事件检测方法 |
US20170147941A1 (en) * | 2015-11-23 | 2017-05-25 | Alexander Bauer | Subspace projection of multi-dimensional unsupervised machine learning models |
CN107133654A (zh) * | 2017-05-25 | 2017-09-05 | 大连理工大学 | 一种监控视频异常事件检测的方法 |
CN108680174A (zh) * | 2018-05-10 | 2018-10-19 | 长安大学 | 一种基于机器学习算法改进地图匹配异常点的方法 |
JP2020091669A (ja) * | 2018-12-06 | 2020-06-11 | 株式会社日立製作所 | 状態変化検出システム |
CN111737909A (zh) * | 2020-06-10 | 2020-10-02 | 哈尔滨工业大学 | 基于时空图卷积网络的结构健康监测数据异常识别方法 |
CN113361944A (zh) * | 2021-06-21 | 2021-09-07 | 鑫安利中(北京)科技有限公司 | 基于物联网和人工智能的安全生产指标异常快速感知方法 |
CN113539885A (zh) * | 2020-04-13 | 2021-10-22 | 佳能株式会社 | 信息处理装置、检测方法、基板处理系统及物品的制造方法 |
US11225259B1 (en) * | 2020-07-28 | 2022-01-18 | International Business Machines Corporation | Fair anomaly detection and localization |
US20220159021A1 (en) * | 2020-11-18 | 2022-05-19 | Foundation Of Soongsil University-Industry Cooperation | Anomaly detection method based on iot and apparatus thereof |
CN114756114A (zh) * | 2022-04-07 | 2022-07-15 | 北京邮电大学 | 一种可穿戴设备节能方法及设备 |
CN114757087A (zh) * | 2022-03-04 | 2022-07-15 | 上海航天壹亘智能科技有限公司 | 一种基于动态主成分分析与lstm的刀具磨损预测方法 |
CN114881167A (zh) * | 2022-05-24 | 2022-08-09 | 北京百度网讯科技有限公司 | 异常检测方法、装置、电子设备和介质 |
-
2023
- 2023-01-05 CN CN202310011077.8A patent/CN115798167B/zh active Active
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104933440A (zh) * | 2015-06-09 | 2015-09-23 | 河海大学 | 一种基于PCA技术的AdaBoost优化方法 |
US20170147941A1 (en) * | 2015-11-23 | 2017-05-25 | Alexander Bauer | Subspace projection of multi-dimensional unsupervised machine learning models |
CN105764162A (zh) * | 2016-05-10 | 2016-07-13 | 江苏大学 | 一种基于多属性关联的无线传感器网络异常事件检测方法 |
CN107133654A (zh) * | 2017-05-25 | 2017-09-05 | 大连理工大学 | 一种监控视频异常事件检测的方法 |
CN108680174A (zh) * | 2018-05-10 | 2018-10-19 | 长安大学 | 一种基于机器学习算法改进地图匹配异常点的方法 |
JP2020091669A (ja) * | 2018-12-06 | 2020-06-11 | 株式会社日立製作所 | 状態変化検出システム |
CN113539885A (zh) * | 2020-04-13 | 2021-10-22 | 佳能株式会社 | 信息处理装置、检测方法、基板处理系统及物品的制造方法 |
CN111737909A (zh) * | 2020-06-10 | 2020-10-02 | 哈尔滨工业大学 | 基于时空图卷积网络的结构健康监测数据异常识别方法 |
US11225259B1 (en) * | 2020-07-28 | 2022-01-18 | International Business Machines Corporation | Fair anomaly detection and localization |
US20220159021A1 (en) * | 2020-11-18 | 2022-05-19 | Foundation Of Soongsil University-Industry Cooperation | Anomaly detection method based on iot and apparatus thereof |
CN113361944A (zh) * | 2021-06-21 | 2021-09-07 | 鑫安利中(北京)科技有限公司 | 基于物联网和人工智能的安全生产指标异常快速感知方法 |
CN114757087A (zh) * | 2022-03-04 | 2022-07-15 | 上海航天壹亘智能科技有限公司 | 一种基于动态主成分分析与lstm的刀具磨损预测方法 |
CN114756114A (zh) * | 2022-04-07 | 2022-07-15 | 北京邮电大学 | 一种可穿戴设备节能方法及设备 |
CN114881167A (zh) * | 2022-05-24 | 2022-08-09 | 北京百度网讯科技有限公司 | 异常检测方法、装置、电子设备和介质 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118094442A (zh) * | 2024-04-23 | 2024-05-28 | 华科五洲(天津)海洋工程有限公司 | 自升式平台的传感数据模拟方法、装置、服务器及介质 |
Also Published As
Publication number | Publication date |
---|---|
CN115798167B (zh) | 2023-04-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN117093879B (zh) | 一种数据中心智能化运营管理方法及系统 | |
CN110895526A (zh) | 一种大气监测系统中数据异常的修正方法 | |
CN110348150B (zh) | 一种基于相关概率模型的故障检测方法 | |
CN116304898B (zh) | 基于机器学习的传感器数据智能存储系统 | |
CN112284440B (zh) | 一种传感器数据偏差自适应修正方法 | |
CN116881745B (zh) | 基于大数据的压力变送器异常监测方法 | |
CN115798167A (zh) | 用于淀粉葡萄糖生产工艺的设备异常报警方法及装置 | |
CN111694913B (zh) | 一种基于卷积自编码器的船舶ais轨迹聚类方法和装置 | |
CN115290316B (zh) | 一种偏心旋转阀故障诊断方法 | |
TWI752638B (zh) | 行駛監控方法及系統 | |
CN116684878B (zh) | 一种5g信息传输数据安全监测系统 | |
CN112968931A (zh) | 一种基于多传感器的农作物环境温度数据融合系统及方法 | |
CN111580498A (zh) | 一种基于随机森林的飞机环控系统气冷设备鲁棒故障诊断方法 | |
CN114492629A (zh) | 异常检测方法、装置、电子设备及存储介质 | |
KR101876185B1 (ko) | 조기경보시스템에서 외부 영향을 고려한 최신 데이터 학습 방법 및 그 시스템 | |
CN116627116B (zh) | 一种流程工业故障定位方法、系统及电子设备 | |
CN117093947A (zh) | 一种发电柴油机运行异常监测方法及系统 | |
CN116720150A (zh) | 一种机械制冷系统故障诊断方法及系统 | |
CN112416661B (zh) | 基于压缩感知的多指标时间序列异常检测方法和装置 | |
CN113836813B (zh) | 一种基于数据分析的高炉风口漏水检测方法 | |
CN111207881B (zh) | 水压监测系统 | |
CN117990041B (zh) | 一种无线无源的形变监测方法 | |
CN117851907B (zh) | 一种基于物联网技术的水闸渗流监测方法 | |
CN117835197B (zh) | 基于5g信息的气象信息服务系统和方法 | |
CN116824867B (zh) | 一种多源公路设施数据信号优化收集处理方法 |
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 |