CN115854490B - 一种用于除湿机状态监控的分析方法与系统 - Google Patents
一种用于除湿机状态监控的分析方法与系统 Download PDFInfo
- Publication number
- CN115854490B CN115854490B CN202310152518.6A CN202310152518A CN115854490B CN 115854490 B CN115854490 B CN 115854490B CN 202310152518 A CN202310152518 A CN 202310152518A CN 115854490 B CN115854490 B CN 115854490B
- Authority
- CN
- China
- Prior art keywords
- state
- state parameters
- time sequence
- sequence data
- category
- 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.)
- Active
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
- Y02B—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO BUILDINGS, e.g. HOUSING, HOUSE APPLIANCES OR RELATED END-USER APPLICATIONS
- Y02B30/00—Energy efficient heating, ventilation or air conditioning [HVAC]
- Y02B30/70—Efficient control or regulation technologies, e.g. for control of refrigerant flow, motor or heating
Abstract
本发明公开了一种用于除湿机状态监控的分析方法与系统,属于数据处理技术领域;包括以下步骤:获取除湿机在运行时的多个不同状态参数的时序数据;获取多个类别的状态参数;根据每个类别的状态参数筛选模型从每个类别的所有状态参数中筛选出多个优选状态参数;根据每个优选状态参数对应时序数据的分布以及时序数据中值的大小获取每个优选状态参数的特征值;根据所有优选状态参数的特征值判断除湿机运行是否异常。本发明有效分析状态参数之间相似程度以及状态参数的影响度,可实现除湿机异常状况的识别,进而实现对除湿机状况的智能监控。
Description
技术领域
本发明涉及数据处理技术领域,具体涉及一种用于除湿机状态监控的分析方法与系统。
背景技术
除湿机的用处较为广泛,小到家庭室内环境湿度的适宜控制,大到工业上以及变电站等领域依靠除湿器来控制环境的湿度。除湿机经过长期的使用后,机组内的电气线路和控制元件都会有不同程度的老化,严重的会对机组和人体造成伤害;其中,除湿机工作过程中的相关状态参数有很多,比如包括除湿机工作功率、除湿量、制冷剂注入量、循环风量、设备噪音、振动频率等等;每一个状态参数的数据的变化都会反映除湿机运行是否正常,但是各个状态参数的数据反映除湿机运行是否正常的程度是不同的,很难从单个状态参数来整体反映除湿机运行是否正常。目前,为了能够及时发现除湿机运行是否正常,现有技术中,所采用的除湿机状态告警方法,主要是通过除湿机上的传感器传输的数据,有针对性的对除湿机的电路进行检查,更换老化的元件,补充制冷剂,防止元件老化对机器和人体产生危害等,以便使除湿机保持在良好的工作状态。但是,仅是通过传输的数据与预设的标准数据进行对比进行判断,若传输的数据中并非是重要的状态参数的数据,对传输的每个数据进行判断的话,大大延长了对除湿机运行状态的判断时间,使得状态的判断不具有实时性,导致除湿机状态监控不够准确。
发明内容
为了解决现有技术中仅是通过传输的数据与预设的标准数据进行对比进行判断,若传输的数据中并非是重要的状态参数的数据,对传输的每个数据进行判断的话,大大延长了对除湿机运行状态的判断时间,使得状态的判断不具有实时性,导致除湿机状态监控不够准确的问题,本发明提供一种用于除湿机状态监控的分析方法与系统,该方法有效分析状态参数之间相似程度以及状态参数的影响度,获取优选状态参数,基于优选状态参数对除湿机状况进行检测,可提高系统检测计算量,降低数据冗余性,提高除湿机状态检测精度,可实现除湿机异常状况的识别,进而实现对除湿机状况的智能监控。
本发明第一个目的是提供一种用于除湿机状态监控的分析方法,包括以下步骤:
获取除湿机在运行时的多个不同状态参数的时序数据;
根据不同状态参数的时序数据中两两状态参数的时序数据获取两两状态参数之间的相似度;将不同状态参数按照两两状态参数之间的相似度进行分类获取多个类别的状态参数;
根据每个类别中每个状态参数对应除湿机历史运行时的时序数据,构建每个类别状态参数的第一筛选指标;根据每个类别中两两状态参数之间的相似度构建每个类别状态参数的第二筛选指标;根据每个类别状态参数的第一筛选指标和第二筛选指标构建每个类别的状态参数筛选模型;根据每个类别的状态参数筛选模型从每个类别的所有状态参数中筛选出多个优选状态参数;
根据每个优选状态参数对应时序数据的分布以及时序数据中值的大小获取每个优选状态参数的特征值;根据所有优选状态参数的特征值判断除湿机运行是否异常。
在一实施例中,所述每个类别状态参数的第一筛选指标是按照以下步骤构建的:
从除湿机历史运行时的时序数据中,获取每个状态参数由同一异常因素下导致除湿机运行异常时的多组第一时序数据;并获取每个状态参数由不同异常因素下导致除湿机运行异常时的多组第二时序数据;
获取每个类别中每个状态参数对应的所有两两第一时序数据之间的皮尔逊系数,以及所有两两第二时序数据之间的欧式距离;
将1减去所有两两第一时序数据之间的皮尔逊系数的均值与所有两两第二时序数据之间的欧式距离的均值的乘积进行负相关映射并归一化的值,作为每个类别状态参数的第一筛选指标。
在一实施例中,所述每个类别状态参数的第二筛选指标是按照以下步骤构建的:
根据每个类别中两两状态参数之间的相似度获取每个类别中所有两两状态参数之间的相似度的均值;
根据每个类别中所有两两状态参数之间的相似度的均值构建每个类别状态参数的第二筛选指标。
在一实施例中,所述每个优选状态参数的特征值是按照以下步骤获取:
将每个优选状态参数的时序数据的方差与时序数据中最大值与最小值的差值的乘积作为每个优选状态参数的特征值。
在一实施例中,所述除湿机运行是否异常是按照以下步骤进行判断:
将所有优选状态参数的特征值进行求和作为除湿机运行异常指标;
当除湿机运行异常指标大于异常阈值时,则除湿机运行存在异常。
在一实施例中,所述两两状态参数之间的相似度是按照以下步骤获取:
分别获取不同状态参数的时序数据中两两状态参数的时序数据之间的皮尔逊系数和欧式距离;
将两两状态参数的时序数据之间的皮尔逊系数的绝对值,与1加两两状态参数的时序数据之间的欧式距离的比值作为两两状态参数之间的相似度。
在一实施例中,所述获取多个类别的状态参数是按照以下步骤获取:
根据两两状态参数之间的相似度获取每个状态参数与其相似度最大的状态参数作为同一类别组;依次获取多个类别组;再将包含有相同的状态参数的类别组进行合并,获取多个类别的状态参数。
本发明第二个目的是提供的一种用于除湿机状态监控的分析系统,包括:
数据采集模块,用于获取除湿机在运行时的多个不同状态参数的时序数据;
数据分类模块,用于根据不同状态参数的时序数据中两两状态参数的时序数据获取两两状态参数之间的相似度;将不同状态参数按照两两状态参数之间的相似度进行分类获取多个类别的状态参数;
数据处理模块,用于根据每个类别中每个状态参数对应除湿机历史运行时的时序数据,构建每个类别状态参数的第一筛选指标;根据每个类别中两两状态参数之间的相似度构建每个类别状态参数的第二筛选指标;根据每个类别状态参数的第一筛选指标和第二筛选指标构建每个类别的状态参数筛选模型;根据每个类别的状态参数筛选模型从每个类别的所有状态参数中筛选出多个优选状态参数;
异常判断模块,用于根据每个优选状态参数对应时序数据的分布以及时序数据中值的大小获取每个优选状态参数的特征值;根据所有优选状态参数的特征值判断除湿机运行是否异常。
本发明的有益效果是:本发明提供的一种用于除湿机状态监控的分析方法,该方法通过计算两两状态参数之间的相似度,将不同状态参数进行划分成多个类别的状态参数;便于对每个类别中不同状态参数的筛选;再通过每个类别状态参数的第一筛选指标和第二筛选指标构建每个类别的状态参数筛选模型,从每个类别的所有状态参数中筛选出多个优选状态参数;以保留对除湿机运行状态检测影响度最大所对应的状态参数,既保证检测精度同时又可以降低系统计算量,降低数据的冗余度,提高除湿机状态检测精度;随后通过根据每个优选状态参数对应时序数据的分布以及时序数据中值的大小对除湿机运行过程中各个优选状态参数特征进行提取,用于对异常状况进行检测识别,实现除湿机状态的智能监控,且避免了对每个状态参数对应的特征值进行提取,减少了不必要的运算,从而实现了对除湿机状态的监控的实时性,大大提升了对除湿机状态的监控的效率。
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为本发明的一种用于除湿机状态监控的分析方法的实施例总体步骤的流程示意图。
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。
本发明提供的一种用于除湿机状态监控的分析方法与系统,基于多维度数据分析,对除湿机的工作状态进行分析,提取运行数据的特征指标,对于异常数据进行检测识别,实现对除湿机工作状态的智能监控。
本发明提供的一种用于除湿机状态监控的分析方法,参见图1所示,包括以下步骤:
S1、获取除湿机在运行时的多个不同状态参数的时序数据。
在本实施例中,通过数据采集传感器或者检测仪获取除湿机工作运行过程中各个状态参数的实时数据,用于对除湿机的实时状态进行检测。
其中,本实施例旨在对除湿机的运行状态进行监控,以便对除湿机工作过程中的异常状况进行预先识别,避免除湿机长时间低效率工作等问题。对除湿机状况进行监控,除湿机工作过程中的相关状态参数有很多,包括但不限于除湿机工作功率、除湿量、制冷剂注入量、循环风量、设备噪音、振动频率等等,本实施例中将有限个除湿机状态监控的相关状态参数数量记为n。然后通过相应类型的传感器或者对应的数据检测仪可获取每个状态参数的时序数据,作为后续分析除湿机工作状况的基础数据。需要说明的是,数据检测仪以及传感器类型的选取操作者可根据实际情况自行选取。本实施例中设置状态参数的时序数据长度m=200,每隔10min进行一次数据采集,在此需要说明,时序数据的长度m以及间隔时段操作者也可自行定义。
S2、获取多个类别的状态参数;
根据不同状态参数的时序数据中两两状态参数的时序数据获取两两状态参数之间的相似度;将不同状态参数按照两两状态参数之间的相似度进行分类获取多个类别的状态参数。
其中,所述两两状态参数之间的相似度是按照以下步骤获取:
分别获取不同状态参数的时序数据中两两状态参数的时序数据之间的皮尔逊系数和欧式距离;
将两两状态参数的时序数据之间的皮尔逊系数的绝对值,与1加两两状态参数的时序数据之间的欧式距离的比值作为两两状态参数之间的相似度。
所述将不同状态参数按照两两状态参数之间的相似度进行分类,包括:
根据两两状态参数之间的相似度获取每个状态参数与其相似度最大的状态参数作为同一类别组;依次获取多个类别组;再将包含有相同的状态参数的类别组进行合并,获取多个类别的状态参数。
在本实施例中,为了便于对多个不同状态参数的时序数据进行分析,则通过建立状态参数异常检测模型,对除湿机多维状态参数的时序数据进行检测分析,提取数据特征指标,以便对异常数据进行检测。
具体的,将多个不同状态参数的时序数据称作为多维状态参数的时序数据,本实施例将基于多维状态参数的时序数据对除湿机的运行状况进行监控,实现对异常状况的检测识别。因此,为便于系统分析,本实施例将基于所采集的各个时序数据进行参数矩阵的构建,参数矩阵用于对该时段所采集的数据进行表征,提高状态参数数据状况分析速度,其中参数矩阵中每列数据表示一个状态参数的时序数据,同时,为避免各个状态参数不同量纲之间的影响,本实施例将对数据分析数据库进行归一化处理,归一化后的数据库不存在量纲不同的问题,便于后续分析。所述参数矩阵具体为:
式中, K即为参数矩阵;K11、K21 ...Km1表示第1个状态参数所对应的归一化时序数据;K1n、K2n ...Kmn表示第n个状态参数所对应的归一化时序数据;其中,K11表示第1个状态参数在第1时刻所对应的归一化的数据;K21表示第1个状态参数在第2时刻所对应的归一化的数据;Km1表示第1个状态参数在第m时刻所对应的归一化的数据;K1n表示第n个状态参数在第2时刻所对应的归一化的数据;K2n表示第n个状态参数在第2时刻所对应的归一化的数据;Kmn表示在第m时刻的第n个状态参数所对应归一化的数据。
在本实施例中,为提高除湿机运行状况检测精度,基于所述参数矩阵对除湿机的运行状况进行分析,对不同状态参数进行类别划分,具体如下:
首先,本实施例基于参数矩阵K,对于各状态参数进行分析,为提高除湿机运行状况检测精度,避免数据分析的冗余度,本实施例将对多维状态参数进行参数选取,对于n个状态参数,本实施例将首先分析状态参数之间的相似度,构建相似度模型如下:
式中,hij为状态参数i和j之间的相似度,即为两两状态参数之间的相似度,其中,i表示第i个状态参数;j表示第j个状态参数;rij为状态参数i和j对应的时序数据的皮尔逊系数,也即第i个状态参数对应参数矩阵中第i列与第j个状态参数对应参数矩阵中第j列之间的皮尔逊系数;rij皮尔逊系数的绝对值,其绝对值越大,状态参数之间的相关程度越高;dij为状态参数i和j对应时序数据的欧式距离,并对相似度模型进行归一化处理,保证函数值处于(0,1);hij越大,则对应两两状态参数i和j之间的相似程度越大,也即对于除湿机状态进行检测时,这两个状态参数的冗余度也越高。需要说明的是,在计算两个状态参数的时序数据之间的欧式距离时,每个状态参数的时序数据是一个序列,也就是计算两个序列的欧式距离,则两个时序序列的欧式距离与相似度成反比,也就欧式距离越大,两个时序数据对应的状态参数越不相似。
其次,根据两两状态参数之间的相似度,即为参数矩阵中两列之间的相似度,i=1,2,…n,j=1,2,…n,n表示状态参数的数量;将所有的相似度值构成一个相似度集合,以便后续分析,在此需要说明,所述相似度集合中,基于所获取的状态参数相似度,本实施例根据两两状态参数之间的相似度对所有状态参数进行划分;主要根据两两状态参数之间的相似度获取每个状态参数与其相似度最大的状态参数作为同一类别组;依次获取多个类别组;再将包含有相同的状态参数的类别组进行合并,获取多个类别的状态参数。
具体的,根据两两状态参数之间的相似度对所有状态参数进行划分,基于参数矩阵进行分析,也就是将参数矩阵中的列时序数据进行分组划分,即将每列时序数据对应的状态参数进行分组划分。计算相似度主要是基于状态参数的时序数据进行计算的,因此直接可以分析两列时序数据之间的相似性进行分析。在本实施例中,每列时序数据都可以与任一列时序数据获取n个相似度值,将列向量与其相似度最大的列作为同一个类别组;如,以第1列为例,计算其相关的n个相似度h1t,t=1,2,…n,其中,t表示第t列时序数据,除去自相关相似度之外,将第1列与剩下n-1个对应状态参数的相似度中相似度最大对应的第x列作为同一个类别,组成一个类别组(1,x),依次得到n个类别组;将n个类别组中,只要类别组内包含有相同的列时,则将两个类别组进行合并,比如:(1,x)和(7,x)两个类别组中都有x列,那么将两个类别组合并得到新的类别组为(1,x,7),依次进行类别组的合并,直到所有的类别组之间都不包含相同的列为止,即将每列时序数据对应的状态参数划分为多个类别的状态参数。需要说明的是,在计算两两状态参数之间相似度的时,可以不用计算同一个列自己的自相关相似度。至此,获取多个类别的状态参数。
S3、从每个类别的所有状态参数中筛选出多个优选状态参数。
根据每个类别中每个状态参数对应除湿机历史运行时的时序数据,构建每个类别状态参数的第一筛选指标;根据每个类别中两两状态参数之间的相似度构建每个类别状态参数的第二筛选指标;根据每个类别状态参数的第一筛选指标和第二筛选指标构建每个类别的状态参数筛选模型;根据每个类别的状态参数筛选模型从每个类别的所有状态参数中筛选出多个优选状态参数。
需要说明的是,通过对所有状态参数进行类别划分之后,即可得到每个类别所对应的状态参数,为提高除湿机运行状态检测精度,本实施例将对每个类别内所包含的各状态参数中进行筛选,以保留对除湿机运行状态检测影响度最大所对应的状态参数,既保证检测精度同时又可以降低系统计算量,降低数据的冗余度,所述状态参数的筛选具体如下:
首先,对于类别内的状态参数,以任意一个类别为例,考虑到在对除湿机进行运行状况检测过程中,在除湿机由于同一异常因素下发生多次运行异常时,影响度较大的状态参数的时序数据之间的关联度应该较高,也即具有一定的稳固度,同时影响度较大的状态参数也应当满足具有较强的差异性,也即除湿机在发生不同异常因素引起的运行异常时,则影响度较大的状态参数的时序数据之间的差异度应该较大,在不同异常因素时状态参数对应的时序数据具有一定的差异度。为此,构建类内状态参数第一筛选指标,具体所述每个类别状态参数的第一筛选指标是按照以下步骤构建的:
从除湿机历史运行时的时序数据中,获取每个状态参数由同一异常因素下导致除湿机运行异常时的多组第一时序数据;并获取每个状态参数由不同异常因素下导致除湿机运行异常时的多组第二时序数据;
获取每个类别中每个状态参数对应的所有两两第一时序数据之间的皮尔逊系数,以及所有两两第二时序数据之间的欧式距离;
将1减去所有两两第一时序数据之间的皮尔逊系数的均值与所有两两第二时序数据之间的欧式距离的均值的乘积进行负相关映射并归一化的值,作为每个类别状态参数的第一筛选指标。
在本实施例中,以状态参数z为例,来构建状态参数的第一筛选指标,具体第一筛选指标公式如下:
式中,通过从除湿机历史运行时的时序数据中,人为选取w1次由于同一异常因素下导致除湿机运行异常时状态参数z的时序数据,可得到w1次同一异常因素下导致除湿机运行异常时状态参数z的w1个时序数据,在此需要说明时序数据的长度同样为m,获取方法与步骤S1相同;本实施例中,w1=10,获取任意两个时序数据之间的皮尔逊系数,最后计算所得到的所有皮尔逊系数均值,记为;
同样的,通过从除湿机历史运行时的时序数据中,人为选取w2次不同异常因素下导致除湿机运行异常时状态参数z所对应的w2个时序数据,本实施例中w2=10,操作者可自行选取,并计算任意两个时序数据之间的欧式距离,最后计算所得到所有欧式距离的均值,记为;
exp()表示以自然常数为底的指数函数;J1z表示状态参数z的第一筛选指标;需要说明的是,P2越大,则状态参数z具有较高的稳固性,影响度越大;越大,也即状态参数z在不同异常因素下除湿机运行异常时,时序数据之间的区分性较高,能够有效区分不同的异常因素,因此状态参数的影响度也较高;在此需要说明,第一筛选指标为正相关函数;
其次,为提高状态参数的筛选精度,以得到真正对除湿机运行状态检测有影响的状态参数,本实施例将进一步对类内状态参数进行分析,筛选出类别划分过程中影响度较高的状态参数,同样以状态参数z为例:若其与所在类别内的其他状态参数的相似度均值较高,则认为该状态参数在该类别内的影响度较高,该状态参数具有较高的分类能力。具体所述每个类别状态参数的第二筛选指标是按照以下步骤构建的:
根据每个类别中两两状态参数之间的相似度获取每个类别中所有两两状态参数之间的相似度的均值;
根据每个类别中所有两两状态参数之间的相似度的均值构建每个类别状态参数的第二筛选指标。
在本实施例中,以状态参数z为例,构建第二筛选指标,具体第二筛选指标公式如下:
式中,为状态参数z所在类别中与其他状态参数之间的相似度的均值;类内相似度均值越大,类间相似度均值越小,则状态参数z的分类能力越强,类别划分能力越强,也即该状态参数的分类精度越高;a、b分别为大于零的模型参数,a为模型扩展因子,b为偏置参数,操作者可根据实际情况自行设定,本实施例将其设置为a=2,b=5;状态参数所对应的类内相似度均值越大,也即该状态参数发生变化时对其他状态参数的影响较大,则状态参数的重要程度越高;J2z表示状态参数z的第二筛选指标,第二筛选指标越大越认为该状态参数发生变化时对其他的参数的影响较大,则此该状态参数的重要程度越高;在此需要说明第二筛选指标模型为正相关函数。
然后,根据每个类别状态参数的第一筛选指标和第二筛选指标构建每个类别的状态参数筛选模型;
在本实施例中,还是以状态参数z为例,构建状态参数z筛选模型,具体如下:
式中,J1z表示状态参数z的第一筛选指标;J2z表示状态参数z的第二筛选指标;α、β为权值因子,是根据历史数据进行设置的,操作者自行设定,本实施例中设置为α=0.6、β=0.4,Jz为状态参数z的综合筛选指标,综合筛选指标的值越大,则该状态参数在除湿机运行状态检测过程中越重要,对状态参数筛选模型进行归一化处理,保持函数值处于(0,1),依次获取每个状态参数的综合筛选指标。
最后,获取状态参数的综合筛选指标之后,根据每个类别的状态参数筛选模型从每个类别的所有状态参数中筛选出多个优选状态参数;具体的,本实施例将设置筛选指标阈值为0.5,其中筛选指标阈值操作者可行设定,综合筛选指标高于筛选指标阈值的状态参数保留,其他状态参数舍弃,至此即可完成除湿机运行状态检测过程中状态参数的筛选,将所有保留的状态参数均记为优选状态参数。
S4、根据每个优选状态参数对应时序数据的分布以及时序数据中值的大小获取每个优选状态参数的特征值;根据所有优选状态参数的特征值判断除湿机运行是否异常。
其中,所述每个优选状态参数的特征值是按照以下步骤获取:
将每个优选状态参数的时序数据的方差与时序数据中最大值与最小值的差值的乘积作为每个优选状态参数的特征值。
在本实施例中,基于优选状态参数的时序数据,即可得到优化后的参数矩阵,记为优化参数矩阵,所述优化参数矩阵中每列仅为优选状态参数的时序数据,基于优化参数矩阵,本实施例将对除湿机运行过程中优选状态参数特征进行提取,以便对优选状态参数的异常状况进行分析,所述优选状态参数特征提取具体为:对于优化参数矩阵,本实施例将对每列时序数据进行分析,也即对每个优选状态参数的时序数据的动态指标σ,σ为时序数据的方差,用于对数据的动态波动状况进行表征;进一步提取每个优选状态参数的时序数据的局部强度指标E,E为对应时序数据中的最大值与最小值的差值,用于对状态参数的数据变化范围进行分析;然后构建状态参数特征提取模型如下:
式中,v为每个优选状态参数的特征值;σ表示每个优选状态参数的时序数据的方差;E表示每个优选状态参数的时序数据中最大值与最小值的差值;需要说明的是,通过对每个优选状态参数的时序数据的动态指标以及结合局部强度指标整体来反映优选状态参数的特征,说明波动性越大,波动幅度越大,则特征值越大,数据越异常;反之,波动越小,则时序数据中的最大值与最小值的差值也越小,说明状态参数的异常特征不明显。
再根据所有优选状态参数的特征值判断除湿机运行是否异常,其中,所述除湿机运行是否异常是按照以下步骤进行判断:
将所有优选状态参数的特征值进行求和作为除湿机运行异常指标;
当除湿机运行异常指标大于异常阈值时,则除湿机运行存在异常。
在本实施例中,基于对状态参数时序数据的分析以及优选状态参数特征提取结果,实现除湿机运行状态的自动监控,以便及时进行预警提示。根据S3即可得到优化参数矩阵中每个优选状态参数的特征,基于特征本实施例将构建除湿机运行异常指标,以便对除湿机的运行状况进行智能监控。所述除湿机运行异常指标计算公式如下:
式中,F为优化参数矩阵中的列数,也就表示优选状态参数的数量;vf表示第f个优选状态参数的特征值;U为除湿机运行异常指标,将所有优选状态参数的特征值进行加和,对其进行归一化处理,作为除湿机运行异常指标;当所述除湿机运行异常指标高于异常阈值0.4时,则除湿机运行存在异常,系统将做出预警,提示相关检修人员对除湿机状况进行检修,及时更换相应的零部件,以避免除湿机的低效率运行,耗能且安全性低。其中,异常阈值是根据历史数据设置,操作者可根据实际情况进行设置。至此,即可根据本实施例提供的用于除湿机状态监控的分析方法对除湿机异常状况进行智能检测预警,实现除湿机状况的监控。
本发明还提供了一种用于除湿机状态监控的分析系统,包括:
数据采集模块,用于获取除湿机在运行时的多个不同状态参数的时序数据;
数据分类模块,用于根据不同状态参数的时序数据中两两状态参数的时序数据获取两两状态参数之间的相似度;将不同状态参数按照两两状态参数之间的相似度进行分类获取多个类别的状态参数;
数据处理模块,用于根据每个类别中每个状态参数对应除湿机历史运行时的时序数据,构建每个类别状态参数的第一筛选指标;根据每个类别中两两状态参数之间的相似度构建每个类别状态参数的第二筛选指标;根据每个类别状态参数的第一筛选指标和第二筛选指标构建每个类别的状态参数筛选模型;根据每个类别的状态参数筛选模型从每个类别的所有状态参数中筛选出多个优选状态参数;
异常判断模块,用于根据每个优选状态参数对应时序数据的分布以及时序数据中值的大小获取每个优选状态参数的特征值;根据所有优选状态参数的特征值判断除湿机运行是否异常。
以上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 (6)
1.一种用于除湿机状态监控的分析方法,其特征在于,包括以下步骤:
获取除湿机在运行时的多个不同状态参数的时序数据;
根据不同状态参数的时序数据中两两状态参数的时序数据获取两两状态参数之间的相似度;将不同状态参数按照两两状态参数之间的相似度进行分类获取多个类别的状态参数;
根据每个类别中每个状态参数对应除湿机历史运行时的时序数据,构建每个类别状态参数的第一筛选指标;根据每个类别中两两状态参数之间的相似度构建每个类别状态参数的第二筛选指标;根据每个类别状态参数的第一筛选指标和第二筛选指标构建每个类别的状态参数筛选模型;根据每个类别的状态参数筛选模型从每个类别的所有状态参数中筛选出多个优选状态参数;
根据每个优选状态参数对应时序数据的分布以及时序数据中值的大小获取每个优选状态参数的特征值;根据所有优选状态参数的特征值判断除湿机运行是否异常;
所述每个类别状态参数的第一筛选指标是按照以下步骤构建的:
从除湿机历史运行时的时序数据中,获取每个状态参数由同一异常因素下导致除湿机运行异常时的多组第一时序数据;并获取每个状态参数由不同异常因素下导致除湿机运行异常时的多组第二时序数据;
获取每个类别中每个状态参数对应的所有两两第一时序数据之间的皮尔逊系数,以及所有两两第二时序数据之间的欧式距离;
将1减去所有两两第一时序数据之间的皮尔逊系数的均值与所有两两第二时序数据之间的欧式距离的均值的乘积进行负相关映射并归一化的值,作为每个类别状态参数的第一筛选指标;
所述每个类别状态参数的第二筛选指标是按照以下步骤构建的:
根据每个类别中两两状态参数之间的相似度获取每个类别中所有两两状态参数之间的相似度的均值;
根据每个类别中所有两两状态参数之间的相似度的均值构建每个类别状态参数的第二筛选指标;
2.根据权利要求1所述的用于除湿机状态监控的分析方法,其特征在于,所述每个优选状态参数的特征值是按照以下步骤获取:
将每个优选状态参数的时序数据的方差与时序数据中最大值与最小值的差值的乘积作为每个优选状态参数的特征值。
3.根据权利要求1所述的用于除湿机状态监控的分析方法,其特征在于,所述除湿机运行是否异常是按照以下步骤进行判断:
将所有优选状态参数的特征值进行求和作为除湿机运行异常指标;
当除湿机运行异常指标大于异常阈值时,则除湿机运行存在异常。
4.根据权利要求1所述的用于除湿机状态监控的分析方法,其特征在于,所述两两状态参数之间的相似度是按照以下步骤获取:
分别获取不同状态参数的时序数据中两两状态参数的时序数据之间的皮尔逊系数和欧式距离;
将两两状态参数的时序数据之间的皮尔逊系数的绝对值,与1加两两状态参数的时序数据之间的欧式距离的比值作为两两状态参数之间的相似度。
5.根据权利要求1所述的用于除湿机状态监控的分析方法,其特征在于,所述获取多个类别的状态参数是按照以下步骤获取:
根据两两状态参数之间的相似度获取每个状态参数与其相似度最大的状态参数作为同一类别组;依次获取多个类别组;再将包含有相同的状态参数的类别组进行合并,获取多个类别的状态参数。
6.一种用于除湿机状态监控的分析系统,其特征在于,包括:
数据采集模块,用于获取除湿机在运行时的多个不同状态参数的时序数据;
数据分类模块,用于根据不同状态参数的时序数据中两两状态参数的时序数据获取两两状态参数之间的相似度;将不同状态参数按照两两状态参数之间的相似度进行分类获取多个类别的状态参数;
数据处理模块,用于根据每个类别中每个状态参数对应除湿机历史运行时的时序数据,构建每个类别状态参数的第一筛选指标;根据每个类别中两两状态参数之间的相似度构建每个类别状态参数的第二筛选指标;根据每个类别状态参数的第一筛选指标和第二筛选指标构建每个类别的状态参数筛选模型;根据每个类别的状态参数筛选模型从每个类别的所有状态参数中筛选出多个优选状态参数;
其中,所述每个类别状态参数的第一筛选指标是按照以下步骤构建的:
从除湿机历史运行时的时序数据中,获取每个状态参数由同一异常因素下导致除湿机运行异常时的多组第一时序数据;并获取每个状态参数由不同异常因素下导致除湿机运行异常时的多组第二时序数据;
获取每个类别中每个状态参数对应的所有两两第一时序数据之间的皮尔逊系数,以及所有两两第二时序数据之间的欧式距离;
将1减去所有两两第一时序数据之间的皮尔逊系数的均值与所有两两第二时序数据之间的欧式距离的均值的乘积进行负相关映射并归一化的值,作为每个类别状态参数的第一筛选指标;
所述每个类别状态参数的第二筛选指标是按照以下步骤构建的:
根据每个类别中两两状态参数之间的相似度获取每个类别中所有两两状态参数之间的相似度的均值;
根据每个类别中所有两两状态参数之间的相似度的均值构建每个类别状态参数的第二筛选指标;
异常判断模块,用于根据每个优选状态参数对应时序数据的分布以及时序数据中值的大小获取每个优选状态参数的特征值;根据所有优选状态参数的特征值判断除湿机运行是否异常。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310152518.6A CN115854490B (zh) | 2023-02-23 | 2023-02-23 | 一种用于除湿机状态监控的分析方法与系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310152518.6A CN115854490B (zh) | 2023-02-23 | 2023-02-23 | 一种用于除湿机状态监控的分析方法与系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115854490A CN115854490A (zh) | 2023-03-28 |
CN115854490B true CN115854490B (zh) | 2023-05-23 |
Family
ID=85658700
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310152518.6A Active CN115854490B (zh) | 2023-02-23 | 2023-02-23 | 一种用于除湿机状态监控的分析方法与系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115854490B (zh) |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP4726081B2 (ja) * | 2006-12-19 | 2011-07-20 | 株式会社長府製作所 | 空気調和機 |
JP6679980B2 (ja) * | 2016-02-25 | 2020-04-15 | 中国電力株式会社 | 電力需要予測装置、及び電力需要予測方法 |
CN110009063A (zh) * | 2019-04-25 | 2019-07-12 | 刘陈荣 | 一种螺栓拧紧检测方法、装置、系统及存储介质 |
CN110336534B (zh) * | 2019-07-15 | 2022-05-03 | 龙源(北京)太阳能技术有限公司 | 一种基于光伏阵列电气参数时间序列特征提取的故障诊断方法 |
CN114297264A (zh) * | 2021-12-30 | 2022-04-08 | 中冶赛迪重庆信息技术有限公司 | 一种时序信号异常片段检测方法及系统 |
CN114418144B (zh) * | 2022-01-06 | 2022-09-27 | 合肥工业大学 | 一种除湿机故障分析方法及系统 |
-
2023
- 2023-02-23 CN CN202310152518.6A patent/CN115854490B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN115854490A (zh) | 2023-03-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108388860B (zh) | 一种基于功率熵谱-随机森林的航空发动机滚动轴承故障诊断方法 | |
US6088658A (en) | Statistical pattern analysis methods of partial discharge measurements in high voltage insulation | |
US8682824B2 (en) | Method and device for monitoring the state of a facility | |
CN108956111B (zh) | 一种机械部件的异常状态检测方法及检测系统 | |
CN110990393A (zh) | 一种行业企业数据异常行为的大数据识别方法 | |
CN115409131B (zh) | 基于spc过程管控系统的生产线异常检测方法 | |
CN116975771B (zh) | 一种用于电机生产的异常自动识别方法及系统 | |
CN113579851B (zh) | 一种基于自适应分段pca的非平稳钻削过程监测方法 | |
CN117171604B (zh) | 基于传感器的保温板生产线异常监测系统 | |
CN114004306A (zh) | 一种基于物联网多维度数据的设备故障评估系统及其方法 | |
CN115858794B (zh) | 用于网络运行安全监测的异常日志数据识别方法 | |
CN110580492A (zh) | 一种基于小幅波动检测的轨道电路故障前兆发现方法 | |
CN115860579B (zh) | 一种用于面粉加工的生产质量监测系统 | |
CN112330095A (zh) | 一种基于决策树算法的质量管理方法 | |
CN109299201B (zh) | 基于两阶段聚类的电厂生产子系统异常监测方法及装置 | |
CN115854490B (zh) | 一种用于除湿机状态监控的分析方法与系统 | |
CN116912061A (zh) | 基于大数据的土壤生态环境监测管理方法及系统 | |
CN117113135A (zh) | 一种可对异常数据整理分类的碳排放异常监测分析系统 | |
CN115034094B (zh) | 一种金属加工机床运行状态预测方法及系统 | |
CN116502043A (zh) | 一种基于孤立森林算法的精轧电机状态分析方法 | |
CN115659271A (zh) | 传感器异常检测方法、模型训练方法、系统、设备及介质 | |
CN114490829A (zh) | 一种故障识别方法、装置、设备及存储介质 | |
CN117572837B (zh) | 一种智慧电厂ai主动运维方法及系统 | |
CN115902476A (zh) | 一种多维度变压器故障诊断和状态评估系统和方法 | |
CN116551467B (zh) | 基于物联网监控数据的刀具磨损状态识别方法 |
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 |