CN116502169A - 一种基于数据检测的离心脱水机工作状态检测方法 - Google Patents
一种基于数据检测的离心脱水机工作状态检测方法 Download PDFInfo
- Publication number
- CN116502169A CN116502169A CN202310768118.8A CN202310768118A CN116502169A CN 116502169 A CN116502169 A CN 116502169A CN 202310768118 A CN202310768118 A CN 202310768118A CN 116502169 A CN116502169 A CN 116502169A
- Authority
- CN
- China
- Prior art keywords
- abnormal
- cluster
- detection
- data
- determining
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 207
- 230000002159 abnormal effect Effects 0.000 claims abstract description 151
- 238000000034 method Methods 0.000 claims abstract description 47
- 239000011159 matrix material Substances 0.000 claims abstract description 21
- 230000005856 abnormality Effects 0.000 claims description 20
- 230000018044 dehydration Effects 0.000 claims description 17
- 238000006297 dehydration reaction Methods 0.000 claims description 17
- 230000035772 mutation Effects 0.000 claims description 9
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 abstract description 3
- 238000012545 processing Methods 0.000 abstract description 2
- 208000005156 Dehydration Diseases 0.000 description 16
- 239000004973 liquid crystal related substance Substances 0.000 description 10
- 239000000463 material Substances 0.000 description 7
- 238000010586 diagram Methods 0.000 description 5
- 241000287196 Asthenes Species 0.000 description 4
- 239000007788 liquid Substances 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 2
- 241001048891 Jatropha curcas Species 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000004062 sedimentation Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- 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
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Centrifugal Separators (AREA)
- Harvester Elements (AREA)
Abstract
本发明公开了一种基于数据检测的离心脱水机工作状态检测方法，属于数字数据处理技术领域，该方法包括：将离心脱水机的多维度运行数据进行聚类获得聚类簇，并获取检测级序列；基于多维度检测数据及检测级序列确定异常簇；构建类间差值矩阵和特征值序列，并确定异常决策指数；确定各个运行时刻的状态决策指数，并基于状态决策指数确定异常运行时刻；将异常运行时刻及工作阶段确定为离心脱水机工作状态检测结果。如此，对多维度检测数据聚类分析获得异常簇，基于异常簇的类间差异确定异常时刻并确定异常的工作阶段，提高了提高异常数据检测的准确性和降低对工作状态检测的干扰。
Description
技术领域
本发明涉及数字数据处理技术领域，尤其涉及一种基于数据检测的离心脱水机工作状态检测方法。
背景技术
离心脱水机是利用内筒转动等离心方式产生的离心力将物件含有的水分甩出去的一种设备。离心脱水机分为过滤式和沉降式两大类，其中过滤式主要用于粗颗粒物料的脱水，而沉降式主要用于细颗粒物料的脱水。
当物料通过进料管或者进料口等进料装置进入离心脱水机后，一般通过对离心脱水机上关键设备的数据检测评估离心脱水机的工作状态是否正常，例如油压、油位、油温是否处于正常范围内、运行过程中设备使用是否出现异响、电机温度是否过高等。离心脱水机在不同工作状态下多个部件的实时状态都有可能发生变化，难以直接判断离心脱水机当前处于哪一种工作状态，因此需要对多种检测数据进行分析从而实现离心脱水机工作状态的检测，现阶段对离心脱水机检测数据的常见处理方法包括局部异常因子（Local OutlierFactor, LOF）检测算法、对点排序聚类(Ordering Points to identify the clusteringstructure,OPTICS)算法、k均值等异常数据检测算法，其中LOF检测算法的计算量过大且近邻域的大小难以确定；OPTICS聚类算法面对多密度分布的检测数据时适用性较低；k均值的检测精度依赖于初始中心点的选取。因此，需要一种能准确识别出异常检测数据和对应工作阶段的离心脱水机工作状态检测的方法。
发明内容
本发明提供一种基于数据检测的离心脱水机工作状态检测方法，旨在提高异常数据检测的准确性和降低对工作状态检测的干扰。
为实现上述目的，本发明提供一种基于数据检测的离心脱水机工作状态检测方法，所述方法包括：
将离心脱水机每个运行时刻的多维度运行数据进行聚类，获得若干个聚类簇，并获取聚类簇中每个维度的检测级序列；
基于聚类簇内的多维度检测数据及每个维度的检测级序列确定包含异常检测数据的异常簇；
基于所述异常簇中各个运行时刻的多维度运行数据构建类间差值矩阵和特征值序列，并确定各个运行时刻的异常决策指数；
基于同维度差异值和所述异常决策指数确定各个运行时刻的状态决策指数，并基于所述状态决策指数确定异常运行时刻；
将所述异常运行时刻及所述异常运行时刻离心脱水机所处的工作阶段确定为离心脱水机工作状态检测结果；
计算异常运行时刻对应的异常簇与标准聚类簇之间的雅卡尔系数，基于所述雅卡尔系数确定所述异常运行时刻离心脱水机所处的工作阶段。
可选地，所述将离心脱水机每个运行时刻的多维度运行数据进行聚类，获得若干个聚类簇，并获取聚类簇中每个维度的检测级序列包括：
利用传感器采集离心脱水机每个运行时刻的多维度运行数据，通过均值填充法对所述多维度检测数据进行预处理，获得多个运行时刻的检测数据；
通过K-shape聚类算法对多个运行时刻的检测数据进行聚类，获得若干个聚类簇；
对各个聚类簇中的检测数据按维度进行取值统计，获得每个维度的检测级序列。
可选地，所述基于聚类簇内的多维度检测数据及每个维度的检测级序列确定包含异常检测数据的异常簇包括：
基于聚类簇内各个维度检测数据的分布方差及各个检测级序列之间的第一DTW距离确定各个聚类簇的分布异常度；
根据各个聚类簇的分布异常度确定包含异常检测数据的异常簇。
可选地，所述基于聚类簇内各个维度检测数据的分布方差及各个检测级序列之间的第一DTW距离确定各个聚类簇的分布异常度；
基于聚类簇内各个维度检测数据的分布方差计算对应维度检测数据的稳定指数；
计算聚类簇内各个检测级序列之间的第一DTW距离，基于稳定指数、第一DTW距离计算各个聚类簇的簇间差异度；
根据所述簇间差异度确定各个聚类簇的分布异常度。
可选地，所述根据各个聚类簇的分布异常度确定包含异常检测数据的异常簇包括：
将各个聚类簇的分布异常度进行正向排序，基于排序结果计算相邻分布异常度的异常度差值，基于所述异常度差值计算聚类簇的突变程度；
基于所述突变程度确定对应聚类簇的奇异系数；
将奇异系数大于0的聚类簇确定为包含异常检测数据的异常簇。
可选地，所述基于所述异常簇中各个运行时刻的多维度运行数据构建类间差值矩阵和特征值序列，并确定各个运行时刻的异常决策指数包括：
将所述异常簇中各个运行时刻的多维度运行数据进行排序，获得各个维度的类内差值序列，将同一时刻各个维度的类内差值序列组成类间差值矩阵；
获取所述类间差值矩阵的特征值，将获得的特征值从小到大顺序排列获得各个时刻的特征值序列；
计算特征值序列之间的皮尔逊相关系数，基于所述皮尔逊相关系数和类内差值序列的均值确定运行时刻之间的维度偏差指数；
基于所述维度偏差指数确定运行时刻的异常决策指数。
可选地，所述基于同维度差异值和所述异常决策指数确定各个运行时刻的状态决策指数，并基于所述状态决策指数确定异常运行时刻包括：
基于聚类簇的个数、类内差值序列之间的第二DTW距离确定各个运行时刻的同维度差异值；
基于所述同维度差异值和异常决策指数确定各个运行时刻的状态决策指数；
将各个运行时刻的状态决策指数分别与阈值进行比较，基于比较结果确定异常运行时刻，其中所述阈值是状态决策指数中的最大状态决策指数与指定值的乘积。
可选地，所述将所述异常运行时刻及所述异常运行时刻离心脱水机所处的工作阶段确定为离心脱水机工作状态检测结果之前，还包括：
获取离心脱水机的正常多维检测数据，基于所述正常多维检测数据确定离心机脱水各个工作阶段的标准聚类簇；
计算异常运行时刻对应的异常簇与标准聚类簇之间的雅卡尔系数，基于所述雅卡尔系数确定所述异常运行时刻离心脱水机所处的工作阶段。
相比现有技术，本发明提出的一种基于数据检测的离心脱水机工作状态检测方法，该方法包括：将离心脱水机每个运行时刻的多维度运行数据进行聚类，获得若干个聚类簇，并获取聚类簇中每个维度的检测级序列；基于聚类簇内的多维度检测数据及每个维度的检测级序列确定包含异常检测数据的异常簇；基于所述异常簇中各个运行时刻的多维度运行数据构建类间差值矩阵和特征值序列，并确定各个运行时刻的异常决策指数；基于同维度差异值和所述异常决策指数确定各个运行时刻的状态决策指数，并基于所述状态决策指数确定异常运行时刻；将所述异常运行时刻及所述异常运行时刻离心脱水机所处的工作阶段确定为离心脱水机工作状态检测结果；计算异常运行时刻对应的异常簇与标准聚类簇之间的雅卡尔系数，基于所述雅卡尔系数确定所述异常运行时刻离心脱水机所处的工作阶段。如此，对多维度检测数据聚类分析获得异常簇，基于异常簇的类间差异确定异常时刻并确定异常的工作阶段，提高了提高异常数据检测的准确性和降低对工作状态检测的干扰。
附图说明
图1是本发明基于数据检测的离心脱水机工作状态检测方法第一实施例的流程示意图；
图2是本发明基于数据检测的离心脱水机工作状态检测方法第一实施例的细化流程示意图；
图3是本发明基于数据检测的离心脱水机工作状态检测方法第一实施例的又一细化流程示意图；
图4是本发明基于数据检测的离心脱水机工作状态检测方法第一实施例的一场景示意图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
请参照图1，图1是本发明基于数据检测的离心脱水机工作状态检测方法第一实施例的流程示意图。
如图1所示，本发明第一实施例提出一种基于数据检测的离心脱水机工作状态检测方法，所述方法包括：
步骤S101，将离心脱水机每个运行时刻的多维度运行数据进行聚类，获得若干个聚类簇，并获取聚类簇中每个维度的检测级序列；
随着物料脱水时间的不同，离心脱水机将处于不同的工作状态中，在不同的工作状态下，同一维度的检测数据也会随着变化。例如在物料刚进入离心脱水机时，脱水机的转速较慢，产生的热量较低，此时离心脱水机处于物料脱水的起始阶段；随着轴承转速加大，电机的功率增大，采集的电压电流数据也会随之增大，此时热量逐渐增加，温度逐渐上升。除此之外，离心脱水机内的压力需要维持在一定的数值，目的是保证内部的液体能够正常流动。因此当离心脱水机发生高温或者高压等异常时，并不是每个运行时刻的多维检测数据都会发生改变。如此，需要将各个维度的检测数据综合考虑才能更加准确地识别出异常检测数据。
具体地，步骤S101包括：
利用传感器采集离心脱水机每个运行时刻的多维度运行数据，通过均值填充法对所述多维度检测数据进行预处理，获得多个运行时刻的检测数据；通过K-shape聚类算法对多个运行时刻的检测数据进行聚类，获得若干个聚类簇；对各个聚类簇中的检测数据按维度进行取值统计，获得每个维度的检测级序列。
离心脱水机上设置的传感器包括转速传感器、温度传感器、压力传感器、电流传感器、电压传感器等，基于这些传感器能获得对应的检测数据。本实施例中，多维度检测数据包括轴承转速、温度、压力以及电机的电流和电压。
为避免多维检测数据采集或传输过程中数据丢失影响后续的离心脱水机状态识别结果，本实施例利用均值填充法对多维运行数据进行预处理。本实施例缺失值用对应维度的平均值来填补，均值填充为公知技术，具体过程不再赘述。
将每个运行时刻的多维检测数据组成各个运行时刻的数据序列，本实施例将运行时刻的个数表示为M，则有M个运行时刻的检测数据。本发明利用K-shape聚类算法将M个运行时刻的数据序列进行聚类，得到K个聚类簇。K-Shape聚类算法是一种用于时间序列数据聚类的算法，具有尺度不变性和平移不变性，因此适用于聚类各个运行时刻的多维运行数据。本实施例按K-shape聚类算法的公知步骤对多个运行时刻的检测数据进行聚类，具体过程不再赘述。
对于任意一个聚类簇，聚类簇中的检测数据与其他聚类簇中同一维度检测数据越相似，则说明这个聚类簇越稳定；除此之外，如果某个维度的检测数据在绝大多数聚类簇之间的相似度都较大，则该维度的检测数据具有更加稳定的数据分布结构，这种具有稳定分布结构的检测数据在数据序列聚类过程中的分类能力较差，对离心脱水机的工装状态检测能力也会相对较弱，因为当离心脱水机发生工作状态的转换时，由于时滞性的原因这类检测数据不会同步发生变化。
对于任意一个聚类簇中包含的检测数据序列，将同一维度中的检测数据进行取值统计，将取值相等的检测数据作为同一检测数据级，例如对于聚类簇i，簇内部分样本点的电压数据为(2,3,7,7,7,5)，则对应的检测数据级为（2,3,5,7），将聚类簇中的电压数据的检测数据级从小到大组成的序列记为电压检测级序列。依次获得每个聚类簇中的检测数据进行取值统计，获得每个维度的检测级序列。如此，对于每个聚类簇都有n个检测级序列，n表示检测数据的维度数量。
步骤S102，基于聚类簇内的多维度检测数据及每个维度的检测级序列确定包含异常检测数据的异常簇；
具体地，参照图2，图2是本发明基于数据检测的离心脱水机工作状态检测方法第一实施例的细化流程示意图，如图2所示，所述步骤S102包括：
步骤S1021，基于聚类簇内各个维度检测数据的分布方差及各个检测级序列之间的第一DTW距离确定各个聚类簇的分布异常度/>；
首先，基于聚类簇内各个维度检测数据的分布方差计算对应维度检测数据的稳定指数；
将第a维度检测数据的温度指数表示为，则：
其中，K表示聚类簇的总数量，表示分布方差，/>是聚类簇i所有维度检测数据分布方差的最大值，/>是聚类簇i中第a维度检测数据的分布方差。/>的值越大，表示第a维检测数据的数据稳定性就越高。
然后，计算聚类簇内各个检测级序列之间的第一DTW距离，基于稳定指数、第一DTW距离计算各个聚类簇的簇间差异度/>；
将聚类簇i与其它聚类簇的簇间差异度表示为，则：
其中，n是采集的检测数据的维度数量，n大小取经验值4；、/>分别是聚类簇i、聚类簇j中第a维检测数据的检测级序列；/>是调参因子，/>的作用是防止分母为0，/>的大小取经验值0.01；/>是检测级序列/>、/>之间的第一DTW距离，DTW（DynamicTime Warping，动态时间归整）距离为公知技术，具体过程不再赘述。/>的值越大，聚类簇i与其它聚类簇中的检测数据的分布差异越大。
再根据所述簇间差异度确定各个聚类簇的分布异常度/>。
将聚类簇i的分布异常度表示为，则有：
其中，是K个聚类簇对应簇间差异度的最小值。
分布异常度反映了每个聚类簇中包含离心脱水机异常检测数据的可能性。维度检测数据的数据结构性越稳定，不同运行时刻的采集数据大小更为接近，在聚类簇中的分布方差越小。若/>的值越大，/>的值越大，则聚类簇i与其余聚类簇中的检测数据的分布差异越大，同一维度的检测数据取值范围的差异也越大；不同聚类簇对应的检测级序列的差异越大，/>的值就越大，/>的值也越大；对应/>的值也越大，聚类簇i中的检测数据与其余聚类簇中的检测数据分布差异越大，包含异常工作状态的运行数据的概率越高。分布异常度/>考虑了多个维度的检测数据对离心脱水机工装状态分类能力不同的因素，可以利用检测数据分布结构的稳定性和每个维度检测级序列提高后续聚类簇中检测数据异常程度的评估精度。
步骤S1022，根据各个聚类簇的分布异常度确定包含异常检测数据的异常簇；
首先，将各个聚类簇的分布异常度进行正向排序，基于排序结果计算相邻分布异常度的异常度差值/>，基于所述异常度差值计算聚类簇的突变程度；
然后，基于所述突变程度确定对应聚类簇的奇异系数/>；
最后，将奇异系数大于0的聚类簇确定为包含异常检测数据的异常簇。
将各个聚类簇的分布异常度按照从小到大的方式进行正向排序，将排序结果中相邻两个分布异常度/>的差值作为异常度差值/>，根据异常度差值/>得到每个聚类簇的突变程度，将突变程度表示为/>，将聚类簇的奇异系数表示为/>，则：
其中，是聚类簇i的突变程度，/>是排序结果中分布异常度/>与前一个分布异常度的异常度差值，/>是异常度差值绝对值的均值，/>是聚类簇i中数据序列的数量，/>是K个聚类簇中数据序列个数的均值。/>是判断阈值，/>的大小取经验值2。
遍历K个聚类簇，分别计算每个聚类簇的奇异系数，将奇异系数大于0的聚类簇确认为包含异常检测数据的异常簇。至此，得到可能存在异常检测数据的异常簇。
假设聚类簇i是异常簇，对于聚类簇i中的运行时刻A，如果运行时刻A是离心脱水机异常运行状态对应的检测数据，聚类簇i内运行时刻A的多维度检测数据与其余运行时刻监测数据的方差会相对较大，由于离心脱水机处于异常运行状态时并不是瞬时的，即会在连续时间的正常运行状态后由于液位过量、液位不足或者压力异常等原因进入异常运行状态。除此之外，运行时刻A与其余聚类簇中同一维度检测数据的差异将会大于与聚类簇i中同一维度检测数据的差异。
步骤S103，基于所述异常簇中各个运行时刻的多维度运行数据构建类间差值矩阵和特征值序列，并确定各个运行时刻的异常决策指数；
具体地，参照图3，图3是本发明基于数据检测的离心脱水机工作状态检测方法第一实施例的又一细化流程示意图，如图3所示，所述步骤S103包括：
步骤S1031，将所述异常簇中各个运行时刻的多维度运行数据进行排序，获得各个维度的类内差值序列，将同一时刻各个维度的类内差值序列组成类间差值矩阵；
对于运行时刻A，分别计算运行时刻A的多维度检测数据与聚类簇i内其余维度的检测数据的差值，将差值按照从大到小的顺序排序，得到每个维度的类内差值序列，多个维度的类内差值序列组成运行时刻A的类间差值矩阵，如图4所示，图4是本发明基于数据检测的离心脱水机工作状态检测方法第一实施例的一场景示意图。如图4所示，各个维度的差值从小到大依次排列，形成各个维度的类内差值序列。
步骤S1032，获取所述类间差值矩阵的特征值，将获得的特征值从小到大顺序排列获得各个时刻的特征值序列；
获取类间差值矩阵的特征值，并将所有的特征值按照从小到大的顺序进行排列组成特征值序列，将运行时刻A的类间差值矩阵对应的特征值序列记为。其中，类间差值矩阵的特征值可以基于乘幂法、反幂法、QR算法或者Givens-Householder变换等公知技术实现。
步骤S1033，计算特征值序列之间的皮尔逊相关系数，基于所述皮尔逊相关系数和类内差值序列的均值确定运行时刻之间的维度偏差指数/>；
将运行时刻A、运行时刻B之间的维度偏差指数表示为，则：
其中，、/>分别是运行时刻A、运行时刻B的类间差值矩阵的特征值序列，/>、分别是运行时刻A、运行时刻B对应a维度监测数据的类内差值序列中各个差值的均值，是特征值序列之间的皮尔逊相关系数。/>的值越大，运行时刻A、B之间的多维检测数据的偏差越小。皮尔逊相关系数( Pearson correlation coefficient）是用于度量两个变量之间的相关（线性相关），其值介于-1与1之间。本实施例基于皮尔逊相关系数计算的公知方法计算特征值序列之间的皮尔逊相关系数。
步骤S1034，基于所述维度偏差指数确定运行时刻的异常决策指数。
运行时刻A的异常决策指数表示为，则：
其中，是运行时刻A的异常信息熵，/>是运行时刻A所在聚类簇i内运行时刻数量，/>是维度偏差指数/>出现的概率，/>的大小等于/>出现的次数与/>的比值。其中，维度偏差指数/>出现的次数通过统计获得：计算出任意两个运行时刻的维度偏差指数后，统计每个维度偏差指数/>出现的次数。/>的值越大，说明运行时刻A与聚类簇i中涉及的其余运行时刻之间的多维检测数据的偏差都不相同的概率越高。
异常决策指数反映了每个运行时刻包含离心脱水机异常检测数据的概率。同一聚类簇内，运行时刻A、B之间的多维检测数据的差异越小，对应的类内差值矩阵中相同检测数据越多，特征序列/>越相似，/>的值越大，/>的值越小；运行时刻A与聚类簇i所有运行时刻多维检测数据之间的偏差相似度越低，运行时刻A与聚类簇i内其余运行时刻的差异越不相同，/>的值越小，/>的值越大；即/>的值越大，同一聚类簇内运行时刻A的检测数据与其余运行时刻的检测数据区分性越明显，越有可能是异常工作状态下产生的运行数据。
步骤S104，基于同维度差异值和所述异常决策指数确定各个运行时刻的状态决策指数，并基于所述状态决策指数确定异常运行时刻；
基于聚类簇的个数、类内差值序列之间的第二DTW距离确定各个运行时刻的同维度差异值；基于所述同维度差异值和异常决策指数确定各个运行时刻的状态决策指数；将各个运行时刻的状态决策指数分别与阈值进行比较，基于比较结果确定异常运行时刻，其中所述阈值是状态决策指数中的最大状态决策指数与指定值的乘积。
将运行时刻A的同维度差异值表示为，状态决策指数表示为/>，则：
其中，是聚类簇j中运行时刻的数量，/>是聚类簇i内A运行时刻第a维度检测数据的类内差值序列，/>聚类簇j中的第L个运行时刻第a维度检测数据的类内差值序列，是类内差值序列/>、类内差值序列/>的第二DTW距离。状态决策指数/>的值越大，运行时刻A的多维检测数据与簇内运行时刻的偏差越大，与簇外运行时刻在相同维度的检测数据差异也越大。
如此，基于每个运行时刻的类内差值矩阵、其它聚类簇各个运行时刻的同维度差异值对运行时刻的状态决策指数进行评估，如此筛选出来的异常检测数据能够避免瞬时噪声或者额外加料等脱水操作对运行过程中工作状态检测的干扰。
本实施例获取所有异常簇中每个运行时刻的状态决策指数，将状态决策指数的最大值记为，分别对比所有异常簇中每个运行时刻的状态决策指数与/>的大小，将状态决策指数大于/>的运行时刻是由离心脱水机异常工作状态对应的异常运行时刻。如此可得到M个运行时刻中的异常运行时刻。
步骤S105，将所述异常运行时刻及所述异常运行时刻离心脱水机所处的工作阶段确定为离心脱水机工作状态检测结果。
步骤S105之前还包括：
获取离心脱水机的正常多维检测数据，基于所述正常多维检测数据确定离心机脱水各个工作阶段的标准聚类簇；
计算异常运行时刻对应的异常簇与标准聚类簇之间的雅卡尔系数，基于所述雅卡尔系数确定所述异常运行时刻离心脱水机所处的工作阶段。
预先利用相同传感器获取离心脱水机在若干个正常、完整脱水流程中的多维检测数据，并根据物料脱水时间将每个完整的脱水流程分为初始脱水阶段、稳定脱水阶段、快速脱水阶段、脱水末尾阶段四个工作阶段。其次利用K-shape聚类算法，将每个正常、完整的脱水流程中的正常多维检测数据划分成不同的聚类簇，并对每个脱水流程的聚类结果进行标记。根据每个聚类簇中聚类中心点检测数据对应的运行时间与这四个工作阶段对应的时间范围的时间差，将聚类簇标记为时间差最小的脱水阶段。对每个聚类簇进行相同的标记，如此可获得四个工作阶段的标准聚类簇。如此，根据四个工作阶段的正常多维检测数据获得了四个标准聚类簇。
确定异常运行时刻所在的异常簇，分别计算异常簇与四个工作阶段的标准聚类簇的雅卡尔Jaccard系数，雅卡尔Jaccard系数为公知技术，具体过程不再赘述，将获得的雅卡尔系数进行排序，获得雅卡尔系数最大值对应的最大雅卡尔系数，将最大雅卡尔系数对应标准聚类簇的工作阶段确定为异常运行时刻所在异常簇对应的离心脱水机工作阶段。将异常运行时刻以及异常运行时刻离心脱水机所处的工作阶段确定为离心脱水机工作状态检测结果。
本实施例通过上述方案，将离心脱水机每个运行时刻的多维度运行数据进行聚类，获得若干个聚类簇，并获取聚类簇中每个维度的检测级序列；基于聚类簇内的多维度检测数据及每个维度的检测级序列确定包含异常检测数据的异常簇；基于所述异常簇中各个运行时刻的多维度运行数据构建类间差值矩阵和特征值序列，并确定各个运行时刻的异常决策指数；基于同维度差异值和所述异常决策指数确定各个运行时刻的状态决策指数，并基于所述状态决策指数确定异常运行时刻；将所述异常运行时刻及所述异常运行时刻离心脱水机所处的工作阶段确定为离心脱水机工作状态检测结果；计算异常运行时刻对应的异常簇与标准聚类簇之间的雅卡尔系数，基于所述雅卡尔系数确定所述异常运行时刻离心脱水机所处的工作阶段。如此，对多维度检测数据聚类分析获得异常簇，基于异常簇的类间差异确定异常时刻并确定异常的工作阶段，提高了提高异常数据检测的准确性和降低对工作状态检测的干扰。
以上所述仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或流程变换，或直接或间接运用在其它相关的技术领域，均同理包括在本发明的专利保护范围内。
Claims (8)
1.一种基于数据检测的离心脱水机工作状态检测方法，其特征在于，所述方法包括：
将离心脱水机每个运行时刻的多维度运行数据进行聚类，获得若干个聚类簇，并获取聚类簇中每个维度的检测级序列；
基于聚类簇内的多维度检测数据及每个维度的检测级序列确定包含异常检测数据的异常簇；
基于所述异常簇中各个运行时刻的多维度运行数据构建类间差值矩阵和特征值序列，并确定各个运行时刻的异常决策指数；
基于同维度差异值和所述异常决策指数确定各个运行时刻的状态决策指数，并基于所述状态决策指数确定异常运行时刻；
将所述异常运行时刻及所述异常运行时刻离心脱水机所处的工作阶段确定为离心脱水机工作状态检测结果。
2.根据权利要求1所述的一种基于数据检测的离心脱水机工作状态检测方法，其特征在于，所述将离心脱水机每个运行时刻的多维度运行数据进行聚类，获得若干个聚类簇，并获取聚类簇中每个维度的检测级序列包括：
利用传感器采集离心脱水机每个运行时刻的多维度运行数据，通过均值填充法对所述多维度检测数据进行预处理，获得多个运行时刻的检测数据；
通过K-shape聚类算法对多个运行时刻的检测数据进行聚类，获得若干个聚类簇；
对各个聚类簇中的检测数据按维度进行取值统计，获得每个维度的检测级序列。
3.根据权利要求1所述的一种基于数据检测的离心脱水机工作状态检测方法，其特征在于，所述基于聚类簇内的多维度检测数据及每个维度的检测级序列确定包含异常检测数据的异常簇包括：
基于聚类簇内各个维度检测数据的分布方差及各个检测级序列之间的第一DTW距离确定各个聚类簇的分布异常度；
根据各个聚类簇的分布异常度确定包含异常检测数据的异常簇。
4.根据权利要求3所述的一种基于数据检测的离心脱水机工作状态检测方法，其特征在于，所述基于聚类簇内各个维度检测数据的分布方差及各个检测级序列之间的第一DTW距离确定各个聚类簇的分布异常度；
基于聚类簇内各个维度检测数据的分布方差计算对应维度检测数据的稳定指数；
计算聚类簇内各个检测级序列之间的第一DTW距离，基于稳定指数、第一DTW距离计算各个聚类簇的簇间差异度；
根据所述簇间差异度确定各个聚类簇的分布异常度。
5.根据权利要求3所述的一种基于数据检测的离心脱水机工作状态检测方法，其特征在于，所述根据各个聚类簇的分布异常度确定包含异常检测数据的异常簇包括：
将各个聚类簇的分布异常度进行正向排序，基于排序结果计算相邻分布异常度的异常度差值，基于所述异常度差值计算聚类簇的突变程度；
基于所述突变程度确定对应聚类簇的奇异系数；
将奇异系数大于0的聚类簇确定为包含异常检测数据的异常簇。
6.根据权利要求1所述的一种基于数据检测的离心脱水机工作状态检测方法，其特征在于，所述基于所述异常簇中各个运行时刻的多维度运行数据构建类间差值矩阵和特征值序列，并确定各个运行时刻的异常决策指数包括：
将所述异常簇中各个运行时刻的多维度运行数据进行排序，获得各个维度的类内差值序列，将同一时刻各个维度的类内差值序列组成类间差值矩阵；
获取所述类间差值矩阵的特征值，将获得的特征值从小到大顺序排列获得各个时刻的特征值序列；
计算特征值序列之间的皮尔逊相关系数，基于所述皮尔逊相关系数和类内差值序列的均值确定运行时刻之间的维度偏差指数；
基于所述维度偏差指数确定运行时刻的异常决策指数。
7.根据权利要求1所述的一种基于数据检测的离心脱水机工作状态检测方法，其特征在于，所述基于同维度差异值和所述异常决策指数确定各个运行时刻的状态决策指数，并基于所述状态决策指数确定异常运行时刻包括：
基于聚类簇的个数、类内差值序列之间的第二DTW距离确定各个运行时刻的同维度差异值；
基于所述同维度差异值和异常决策指数确定各个运行时刻的状态决策指数；
将各个运行时刻的状态决策指数分别与阈值进行比较，基于比较结果确定异常运行时刻，其中所述阈值是状态决策指数中的最大状态决策指数与指定值的乘积。
8.根据权利要求1所述的一种基于数据检测的离心脱水机工作状态检测方法，其特征在于，所述将所述异常运行时刻及所述异常运行时刻离心脱水机所处的工作阶段确定为离心脱水机工作状态检测结果之前，还包括：
获取离心脱水机的正常多维检测数据，基于所述正常多维检测数据确定离心机脱水各个工作阶段的标准聚类簇；
计算异常运行时刻对应的异常簇与标准聚类簇之间的雅卡尔系数，基于所述雅卡尔系数确定所述异常运行时刻离心脱水机所处的工作阶段。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310768118.8A CN116502169B (zh) | 2023-06-28 | 2023-06-28 | 一种基于数据检测的离心脱水机工作状态检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310768118.8A CN116502169B (zh) | 2023-06-28 | 2023-06-28 | 一种基于数据检测的离心脱水机工作状态检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116502169A true CN116502169A (zh) | 2023-07-28 |
| CN116502169B CN116502169B (zh) | 2023-08-22 |
Family
ID=87316981
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310768118.8A Active CN116502169B (zh) | 2023-06-28 | 2023-06-28 | 一种基于数据检测的离心脱水机工作状态检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116502169B (zh) |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116705180A (zh) * | 2023-08-08 | 2023-09-05 | 山东北国发展集团有限公司 | 基于多维数据分析的n2o催化分解监测方法及系统 |
| CN116756595A (zh) * | 2023-08-23 | 2023-09-15 | 深圳市森瑞普电子有限公司 | 一种导电滑环故障数据采集监测方法 |
| CN116749812A (zh) * | 2023-08-14 | 2023-09-15 | 南通百仕灵新能源科技有限公司 | 一种新能源充电设备的自适应充电方法 |
| CN116821834A (zh) * | 2023-08-29 | 2023-09-29 | 浙江北岛科技有限公司 | 基于内嵌传感器的真空断路器检修管理系统 |
| CN116821833A (zh) * | 2023-08-29 | 2023-09-29 | 好林(威海)新材料有限公司 | 一种机器滤布粘连的数据异常检测方法 |
| CN116861370A (zh) * | 2023-09-05 | 2023-10-10 | 山东千颐科技有限公司 | 用于井下防爆胶轮车的运动数据处理方法 |
| CN117056913A (zh) * | 2023-10-10 | 2023-11-14 | 北京点聚信息技术有限公司 | 一种电子印章授权智能管理方法 |
| CN117195018A (zh) * | 2023-11-03 | 2023-12-08 | 南通银河水泵有限公司 | 基于多传感器的矿用水泵智能监测系统 |
| CN117584991A (zh) * | 2024-01-17 | 2024-02-23 | 上海伯镭智能科技有限公司 | 一种矿区无人驾驶车外人员安全保护方法及系统 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106254153A (zh) * | 2016-09-19 | 2016-12-21 | 腾讯科技（深圳）有限公司 | 一种网络异常监控方法和装置 |
| CN107682319A (zh) * | 2017-09-13 | 2018-02-09 | 桂林电子科技大学 | 一种基于增强型角度异常因子的数据流异常检测及多重验证的方法 |
| CN111401582A (zh) * | 2020-03-12 | 2020-07-10 | 中交疏浚技术装备国家工程研究中心有限公司 | 一种生活污水处理设施异常识别方法及监控平台 |
| CN112101765A (zh) * | 2020-09-08 | 2020-12-18 | 国网山东省电力公司菏泽供电公司 | 一种配电网运行指标数据异常数据处理方法及系统 |
| EP4160453A1 (en) * | 2021-10-04 | 2023-04-05 | Bull SAS | Method and system for detecting outliers in processes |
-
2023
- 2023-06-28 CN CN202310768118.8A patent/CN116502169B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106254153A (zh) * | 2016-09-19 | 2016-12-21 | 腾讯科技（深圳）有限公司 | 一种网络异常监控方法和装置 |
| CN107682319A (zh) * | 2017-09-13 | 2018-02-09 | 桂林电子科技大学 | 一种基于增强型角度异常因子的数据流异常检测及多重验证的方法 |
| CN111401582A (zh) * | 2020-03-12 | 2020-07-10 | 中交疏浚技术装备国家工程研究中心有限公司 | 一种生活污水处理设施异常识别方法及监控平台 |
| CN112101765A (zh) * | 2020-09-08 | 2020-12-18 | 国网山东省电力公司菏泽供电公司 | 一种配电网运行指标数据异常数据处理方法及系统 |
| EP4160453A1 (en) * | 2021-10-04 | 2023-04-05 | Bull SAS | Method and system for detecting outliers in processes |
Cited By (18)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116705180A (zh) * | 2023-08-08 | 2023-09-05 | 山东北国发展集团有限公司 | 基于多维数据分析的n2o催化分解监测方法及系统 |
| CN116705180B (zh) * | 2023-08-08 | 2023-10-31 | 山东北国发展集团有限公司 | 基于多维数据分析的n2o催化分解监测方法及系统 |
| CN116749812B (zh) * | 2023-08-14 | 2023-10-20 | 南通百仕灵新能源科技有限公司 | 一种新能源充电设备的自适应充电方法 |
| CN116749812A (zh) * | 2023-08-14 | 2023-09-15 | 南通百仕灵新能源科技有限公司 | 一种新能源充电设备的自适应充电方法 |
| CN116756595A (zh) * | 2023-08-23 | 2023-09-15 | 深圳市森瑞普电子有限公司 | 一种导电滑环故障数据采集监测方法 |
| CN116756595B (zh) * | 2023-08-23 | 2023-12-01 | 深圳市森瑞普电子有限公司 | 一种导电滑环故障数据采集监测方法 |
| CN116821833A (zh) * | 2023-08-29 | 2023-09-29 | 好林(威海)新材料有限公司 | 一种机器滤布粘连的数据异常检测方法 |
| CN116821833B (zh) * | 2023-08-29 | 2023-11-14 | 好林(威海)新材料有限公司 | 一种机器滤布粘连的数据异常检测方法 |
| CN116821834B (zh) * | 2023-08-29 | 2023-11-24 | 浙江北岛科技有限公司 | 基于内嵌传感器的真空断路器检修管理系统 |
| CN116821834A (zh) * | 2023-08-29 | 2023-09-29 | 浙江北岛科技有限公司 | 基于内嵌传感器的真空断路器检修管理系统 |
| CN116861370A (zh) * | 2023-09-05 | 2023-10-10 | 山东千颐科技有限公司 | 用于井下防爆胶轮车的运动数据处理方法 |
| CN116861370B (zh) * | 2023-09-05 | 2023-12-01 | 山东千颐科技有限公司 | 用于井下防爆胶轮车的运动数据处理方法 |
| CN117056913A (zh) * | 2023-10-10 | 2023-11-14 | 北京点聚信息技术有限公司 | 一种电子印章授权智能管理方法 |
| CN117056913B (zh) * | 2023-10-10 | 2023-12-22 | 北京点聚信息技术有限公司 | 一种电子印章授权智能管理方法 |
| CN117195018A (zh) * | 2023-11-03 | 2023-12-08 | 南通银河水泵有限公司 | 基于多传感器的矿用水泵智能监测系统 |
| CN117195018B (zh) * | 2023-11-03 | 2024-03-05 | 南通银河水泵有限公司 | 基于多传感器的矿用水泵智能监测系统 |
| CN117584991A (zh) * | 2024-01-17 | 2024-02-23 | 上海伯镭智能科技有限公司 | 一种矿区无人驾驶车外人员安全保护方法及系统 |
| CN117584991B (zh) * | 2024-01-17 | 2024-03-22 | 上海伯镭智能科技有限公司 | 一种矿区无人驾驶车外人员安全保护方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116502169B (zh) | 2023-08-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116502169B (zh) | 一种基于数据检测的离心脱水机工作状态检测方法 | |
| Wang et al. | Data-driven prognostic method based on self-supervised learning approaches for fault detection | |
| CN110849626B (zh) | 一种自适应稀疏压缩自编码的滚动轴承故障诊断系统 | |
| Li et al. | A rolling bearing fault diagnosis strategy based on improved multiscale permutation entropy and least squares SVM | |
| Zheng et al. | A rolling bearing fault diagnosis method based on multi-scale fuzzy entropy and variable predictive model-based class discrimination | |
| CN109460618A (zh) | 一种滚动轴承剩余寿命在线预测方法及系统 | |
| CN110895526A (zh) | 一种大气监测系统中数据异常的修正方法 | |
| CN111562108A (zh) | 一种基于cnn和fcmc的滚动轴承智能故障诊断方法 | |
| Sikder et al. | Fault diagnosis of motor bearing using ensemble learning algorithm with FFT-based preprocessing | |
| Khan et al. | System design for early fault diagnosis of machines using vibration features | |
| CN113918642A (zh) | 一种基于电力物联网设备的数据过滤监测预警方法 | |
| CN110956331A (zh) | 数字工厂运营状态预测方法、系统、装置 | |
| CN117093947B (zh) | 一种发电柴油机运行异常监测方法及系统 | |
| CN116235148A (zh) | 干泵宕机的预警方法、装置、电子设备、存储介质及程序 | |
| CN110826600B (zh) | 基于自适应共振网络在线增量学习的发动机喘振预测方法 | |
| Ou et al. | Fault diagnosis of roller bearings based on Laplacian energy feature extraction of path graphs | |
| CN112270203A (zh) | 一种基于熵权法的风机特征优选方法 | |
| Razavi-Far et al. | One-class classifiers for detecting faults in induction motors | |
| Borhana et al. | Fault detection of bearing using support vector machine-SVM | |
| Jazizadeh et al. | Self-configuring event detection for electricity disaggregation | |
| Chu et al. | Steel surface defects recognition based on multi-label classifier with hyper-sphere support vector machine | |
| CN110033082B (zh) | 一种识别ai设备中深度学习模型的方法 | |
| Sharmila et al. | A two-step unsupervised learning approach to diagnose machine fault using big data | |
| As | Comparisons of MFDFA, EMD and WT by neural network, Mahalanobis distance and SVM in fault diagnosis of gearboxes | |
| Yang et al. | Sparse filtering based intelligent fault diagnosis using IPSO-SVM |
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 |