CN116662729B - 一种低硼硅玻璃上料控制数据智能监测方法 - Google Patents
一种低硼硅玻璃上料控制数据智能监测方法 Download PDFInfo
- Publication number
- CN116662729B CN116662729B CN202310960915.6A CN202310960915A CN116662729B CN 116662729 B CN116662729 B CN 116662729B CN 202310960915 A CN202310960915 A CN 202310960915A CN 116662729 B CN116662729 B CN 116662729B
- Authority
- CN
- China
- Prior art keywords
- fluctuation
- data
- feeding
- modifier
- matrix
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 106
- 238000000034 method Methods 0.000 title claims abstract description 39
- 239000005388 borosilicate glass Substances 0.000 title claims abstract description 21
- 239000011159 matrix material Substances 0.000 claims abstract description 82
- 239000003607 modifier Substances 0.000 claims abstract description 77
- 230000002159 abnormal effect Effects 0.000 claims abstract description 39
- 239000011521 glass Substances 0.000 claims abstract description 33
- 230000005856 abnormality Effects 0.000 claims abstract description 21
- 238000001514 detection method Methods 0.000 claims abstract description 13
- 230000008569 process Effects 0.000 claims abstract description 13
- 238000012545 processing Methods 0.000 claims abstract description 12
- 239000006060 molten glass Substances 0.000 claims abstract description 11
- 230000009466 transformation Effects 0.000 claims description 22
- 239000003795 chemical substances by application Substances 0.000 claims description 15
- 238000012937 correction Methods 0.000 claims description 15
- 238000001228 spectrum Methods 0.000 claims description 13
- 230000003595 spectral effect Effects 0.000 claims description 6
- 230000002068 genetic effect Effects 0.000 description 9
- 230000001419 dependent effect Effects 0.000 description 6
- 239000000463 material Substances 0.000 description 4
- 238000002844 melting Methods 0.000 description 4
- 230000008018 melting Effects 0.000 description 4
- 239000000126 substance Substances 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 3
- 239000000203 mixture Substances 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 239000000156 glass melt Substances 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000035772 mutation Effects 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 229910000831 Steel Inorganic materials 0.000 description 1
- 239000002253 acid Substances 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 239000000155 melt Substances 0.000 description 1
- 229910044991 metal oxide Inorganic materials 0.000 description 1
- 150000004706 metal oxides Chemical class 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000035939 shock Effects 0.000 description 1
- 239000010959 steel Substances 0.000 description 1
- 238000005496 tempering Methods 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
-
- 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
- G06F17/14—Fourier, Walsh or analogous domain transformations, e.g. Laplace, Hilbert, Karhunen-Loeve, transforms
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- 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
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Pure & Applied Mathematics (AREA)
- Computational Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Algebra (AREA)
- Biophysics (AREA)
- Databases & Information Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Pathology (AREA)
- Immunology (AREA)
- Biochemistry (AREA)
- Analytical Chemistry (AREA)
- Chemical & Material Sciences (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Physiology (AREA)
- Genetics & Genomics (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Control Of Non-Electrical Variables (AREA)
- Glass Melting And Manufacturing (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本申请涉及数据处理领域，提供一种低硼硅玻璃上料控制数据智能监测方法，包括：采集玻璃上料过程中溶体玻璃内部修正剂数据，基于采集的数据得到修正剂添加比例异常监测矩阵；计算异常监测矩阵中每一行数据对应的投料比例的波动性；基于波动性计算各个修正剂类别的投料标准差异指数和波动能量特征，波动能量特征表征异常波动在预设频率范围内波动性的能量集中程度；基于投料标准差异指数和波动能量特征对初始区间划分值进行处理，从而确定最终区间划分值，利用HBOS异常检测算法基于最终区间划分值进行监测。该方法能够自适应地调整划分区间的个数，可以在保证算法效率的同时提高算法的准确性。
Description
技术领域
本申请涉及数据处理领域，特别是涉及一种低硼硅玻璃上料控制数据智能监测方法。
背景技术
低硼硅玻璃是一种特殊的玻璃材料，具有低热膨胀系数、高抗热震性能、高化学稳定性等特点，广泛应用于光学、电子、航空航天等领域。在低硼硅玻璃的生产过程中，上料控制是一个关键环节，影响着产品的质量和产能。低硼硅玻璃上料是指在玻璃熔体中添加一定量的上料(也叫修正剂)，以调整玻璃的化学成分和性能。如降钢度上料、改善耐酸上料、改善机械强度上料等，其主要是指添加一些特定的金属氧化物，通过调整玻璃的化学成分，改善玻璃的性能，满足不同的技术要求。
传统的低硼硅玻璃上料控制方式主要依靠经验和手工操作，存在人为因素干扰大、精度低、效率低等问题。随着物联网、大数据、人工智能等技术的快速发展，目前都会通过全自动玻璃上料机进行上料，玻璃自动上料机一般用于将固态玻璃上料到玻璃加工设备中，如玻璃熔炉、玻璃钢化炉等。在使用自动上料机上料之前，需要先将固态玻璃加热到其熔点以上，使其变成熔融状态，然后再将其上料到玻璃加工设备中，让其与其他材料融合。玻璃熔炉内一般都有设置温度、液位、熔体成分、气泡和涡流等传感器，通过这些传感器的数据智能监测成为了解决上述问题的有效手段。然而在玻璃生产过程中，如果上料控制数据出现异常，可能会导致玻璃熔融不均匀、温度过高或过低等问题，进而引发生产事故，造成经济损失和安全风险。而使用HBOS异常检测算法时，如果划分区间过多，会导致算法的效率降低；如果划分区间过少，会导致算法的准确性下降。
发明内容
本发明提供一种低硼硅玻璃上料控制数据智能监测方法，该方法能够自适应地调整划分区间的个数，可以在保证算法效率的同时提高算法的准确性。
第一方面，本申请提供一种低硼硅玻璃上料控制数据智能监测方法，包括：
采集玻璃上料过程中溶体玻璃内部修正剂数据，基于采集的数据得到修正剂添加比例异常监测矩阵，所述异常监测矩阵大小为m×n，其中n表示每个修正剂类别采集的数据的长度，m表示修正剂类别数量，所述异常监测矩阵中的数据点表示类别m在时刻n对应的添加比例；
计算所述异常监测矩阵中每一行数据对应的投料比例的波动性；
基于所述波动性计算各个修正剂类别的投料标准差异指数和波动能量特征，波动能量特征表征异常波动在预设频率范围内波动性的能量集中程度；
基于所述投料标准差异指数和所述波动能量特征对初始区间划分值进行处理，从而确定最终区间划分值，利用HBOS异常检测算法基于最终区间划分值进行监测。
可选的，计算所述异常监测矩阵中每一行数据对应的投料比例的波动性，包括：
计算所述异常监测矩阵的每一行中每一数据与该修正剂类别对应的标准值之间的差值的平均值，将计算得到的平均值作为对应行的投料比例的波动性。
可选的，基于所述波动性计算各个修正剂类别的投料标准差异指数，包括：
基于所述异常监测矩阵的每一行数据对应的投料比例的波动性对整体波动性的贡献确定各个修正剂类别的投料标准差异指数；
其中，如果所述异常监测矩阵中波动性最大值和最小值的差值大于第一预设值，则整体波动性取决于所述异常监测矩阵中波动性最大值；
如果所述异常监测矩阵中波动性最大值和最小值的差值大于第二预设值，则整体波动性取决于所述异常监测矩阵中波动性最小值；所述第一预设值大于所述第二预设值；
如果所述异常监测矩阵中每一行数据对应的投料比例的波动性的值接近于波动性最大值时，则整体波动性取决于所述异常监测矩阵中波动性最大值；
如果所述异常监测矩阵中每一行数据对应的投料比例的波动性的值接近于波动性最小值时，则整体波动性取决于所述异常监测矩阵中波动性最小值；
其中，所述异常监测矩阵中波动性最大值和最小值是通过遗传算法确定的。
可选的，利用如下公式计算各个修正剂类别的投料标准差异指数：
其中，m表示修正剂类别数量，即异常监测矩阵的行数，表示异常监测矩阵的第i行数据的波动性，/>表示所述异常监测矩阵中波动性最小值，/>表示所述异常监测矩阵中波动性最大值。
可选的，基于所述波动性计算各个修正剂类别的波动能量特征，包括：
对所述异常监测矩阵中数据的波动性进行傅里叶变换，得到变换结果，所述变换结果表征数据在预设频率范围内的整体波动频率特征；
基于变换结果计算波动性在预设频率范围内的频谱密度；
基于波动性在预设频率范围内的频谱密度计算异常波动在所述预设频率范围内所占的能量占总能量的波动能量特征。
可选的，利用如下公式对所述异常监测矩阵中数据的波动性进行傅里叶变换，得到变换结果，所述变换结果表征数据在预设频率范围内的整体波动频率特征：
其中，和/>为预设频率范围的上下界，/>是角频率，表示单位时间内的角度变化量，/>表示波动性随时间的变化，/>为虚部单位，/>表示数据在预设频率范围内的整体波动频率特征。
可选的，利用如下公式基于波动性在预设频率范围内的频谱密度计算异常波动在所述预设频率范围内所占的能量占总能量的波动能量特征：
其中，和/>为所有数据中预设频率范围的最大值和最小值，/>和/>为预设频率范围的上下界，其中，波动能量特征/>越高，在预设频率范围内波动性的能量相对于整个频谱能量更集中，波动的异常程度高，波动能量特征/>较低，则表示在预设频率范围内波动性的能量在整个频谱中更均匀地分布，波动的异常程度更低。
可选的，基于所述投料标准差异指数和所述波动能量特征对初始区间划分值进行处理，从而确定最终区间划分值，包括：
利用如下公式计算得到最终区间划分值：
其中，为初始区间划分值，/>为一个调整系数，/>为投料标准差异指数，/>为波动能量特征，/>表示向上取整函数，/>表示最终区间划分值。
可选的，利用HBOS异常检测算法基于最终区间划分值进行监测，包括：
利用HBOS异常检测算法基于最终区间划分值计算每一类别的修正剂投料比例，如果修正剂投料比例大于预设值，则认为修正剂投料比例异常。
可选的，采集玻璃上料过程中溶体玻璃内部修正剂数据，基于采集的数据得到修正剂添加比例异常监测矩阵，包括：
采集玻璃上料过程中溶体玻璃内部修正剂数据，得到修正剂数据矩阵；
对修正剂数据矩阵进行归一化处理；
将经过归一化处理后的修正剂数据矩阵中每一行的各个数据除以该数据对应列上所有数据的和，进而得到异常监测矩阵。
本申请的有益效果，区别于现有技术，本申请的一种低硼硅玻璃上料控制数据智能监测方法，包括：采集玻璃上料过程中溶体玻璃内部修正剂数据，基于采集的数据得到修正剂添加比例异常监测矩阵，所述异常监测矩阵大小为m×n，其中n表示每个修正剂类别采集的数据的长度，m表示修正剂类别数量，所述异常监测矩阵中的数据点表示类别m在时刻n对应的添加比例；计算所述异常监测矩阵中每一行数据对应的投料比例的波动性；基于所述波动性计算各个修正剂类别的投料标准差异指数和波动能量特征，波动能量特征表征异常波动在预设频率范围内波动性的能量集中程度；基于所述投料标准差异指数和所述波动能量特征对初始区间划分值进行处理，从而确定最终区间划分值，利用HBOS异常检测算法基于最终区间划分值进行监测。该方法能够自适应地调整划分区间的个数，可以在保证算法效率的同时提高算法的准确性。
附图说明
图1为本发明提出的一种低硼硅玻璃上料控制数据智能监测方法的一实施例的流程示意图；
图2为计算各个修正剂类别的波动能量特征的一实施例的流程示意图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本申请的一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。
本发明通过光谱传感对上料成分进行采集，并求取每个不同种类修正剂的占比，将其列为矩阵，根据标准的各种修正剂的上料比例，对不同时刻内求取到的上料比例检测其对于标准上料比例的波动，得到每种修正剂相对于标准比例的异常突出幅度，使用经过修改的遗传算法求取出波动幅度最大的修正剂种类和波动幅度最小的修正剂种类，当幅度最大的修正剂种类和波动幅度最小的修正剂种类差异较大时，数据整体的波动性会根据幅度最大值和波动幅度最小值得大小而改变，需将幅度最大值和波动幅度最小值分类讨论，得出所有修正剂整体的投料比例对于标准投料比例的差异性。并考虑其比例变化波动的频率关系，对HBOS的划分区间个数进行自适应的改进。可以提高监测效率、适应不同投料种类的比例分布，降低成本，使监测更加的准确。下面结合附图和实施例对本申请进行详细的说明。
请参见图1，图1为本发明提出的一种低硼硅玻璃上料控制数据智能监测方法的一实施例的流程示意图，具体包括：
步骤S11：采集玻璃上料过程中溶体玻璃内部修正剂数据，基于采集的数据得到修正剂添加比例异常监测矩阵。
首先使用对应的光谱传感器对监控参数进行实时采集，获取在玻璃上料时玻璃熔体内部成分监控类别的数据序列，将其作为监测上料异常检测的基础数据。其中熔体内部的类别有很多，包括但不限于、/>、/>等化学成分上料，在本发明中修正剂类别设为/>，通过对应的光谱传感器采集，传感器的类型和型号实施者可自行选取。每间隔时间/>时刻对熔体玻璃内部修正剂进行数据采集，每次采集的数据长度记为/>，时间间隔/>和数据长度/>由实施者根据实际情况进行确定，在本发明中/>和/>分别设置为/>，/>。可以获取到监测玻璃上料过程中内部修正剂的数据数列，作为监测修正剂添加异常检测的基础数据。
采集玻璃上料过程中溶体玻璃内部修正剂数据，得到修正剂数据矩阵。为避免添加修正剂不同的影响，对修正剂数据矩阵进行归一化处理，便于后续分析。将经过归一化处理后的修正剂数据矩阵中每一行的各个数据除以该数据对应列上所有数据的和，进而得到异常监测矩阵。具体的，所述异常监测矩阵大小为m×n，其中n表示每个修正剂类别采集的数据的长度，m表示修正剂类别数量，所述异常监测矩阵中的数据点表示类别m在时刻n对应的添加比例。具体的，异常监测矩阵记为：
其中，为修正剂监测时，修正剂类别m在时刻n对应的添加比例，/>为/>的玻璃上料异常监测矩阵，方便后续对全自动上料过程中监控各种修正剂类别的比例状况进行分析。
步骤S12：计算所述异常监测矩阵中每一行数据对应的投料比例的波动性。
具体的，对上述得到的异常监测矩阵，以每一行为个体，每个个体表示一组的数据，对异常监测矩阵进行遗传算法计算所有修正剂中投料比例波动最小和投料比例波动最大的修正剂种类。
在一具体实施例中，计算所述异常监测矩阵的每一行中每一数据与该修正剂类别对应的标准值之间的差值的平均值，将计算得到的平均值作为对应行的投料比例的波动性。
具体的，将每一行的数据直接作为一个个体的编码，对每一行的数据进行实时编码，将得到的数据作为初始种群，初始种群为，计算每一行的适应度，对该修正剂的标准投放比例设定为遗传算法的适应函数，即：
其中，为每一个个体的适应函数，同时/>也代表了每一行数据对应的投料比例的波动性，/>表示异常监测矩阵的每一行中第/>个数据与标准值之间的差值的绝对值，/>表示标准值，/>表示每一行数据的个数。此公式可以代表机器在不同时刻投料的比例关于标准比例/>的波动性。
步骤S13：基于所述波动性计算各个修正剂类别的投料标准差异指数和波动能量特征，波动能量特征表征异常波动在预设频率范围内波动性的能量集中程度。
具体的，首先介绍基于所述波动性计算各个修正剂类别的投料标准差异指数。
根据上述公式对所有修正剂类别的适应度即波动性进行计算。根据轮盘赌选择个体，由于传统的遗传算法会将个体经过交叉和变异进行修改以得到适应度最优的个体。而在本发明中，原始的数据代表了每种修正剂的不同投放比例，极为重要。在进行遗传算法过程中，由于个体的数据顺序和大小不能发生改变，所以取消遗传算法的变异操作，不对个体进行变异，之后修改交叉操作，在交叉时，只交换两个个体的序号，而不交换两个个体的数据，以保证交叉后个体数据的顺序和大小不发生改变。根据交叉结果更新种群，进行迭代，达到最大进化代数时停止迭代。搜索最优个体，在最后一代种群/>中,适应度最高的个体/>对应的行序号k即为要找的行。即适应度越高的行其波动性越大，所以经过上述操作得到的最优种群即为波动性最大的行。之后对原始数据重新进行遗传算法，修改适应度为计算每个个体的适应度最小化值，其余操作不变，可以获得机器在不同时刻投料/>的比例关于标准比例/>的波动性最小的行。以此通过遗传算法可以确定异常监测矩阵中波动性最大值/>和最小值/>。
进一步基于所述波动性计算各个修正剂类别的投料标准差异指数。具体的，基于所述异常监测矩阵的每一行数据对应的投料比例的波动性对整体波动性的贡献确定各个修正剂类别的投料标准差异指数。
假设m个修正剂的规定投放标准比例为，对应的波动性分别为，根据波动性的最大值/>和最小值/>构建原数据整体的投料标准差异指数/>：
其中，m表示修正剂类别数量，即异常监测矩阵的行数，表示异常监测矩阵的第i行数据的波动性，/>表示所述异常监测矩阵中波动性最小值，/>表示所述异常监测矩阵中波动性最大值。
上述公式中，投料标准差异指数考虑每个数据组的波动性对整体波动性的贡献。具体的，如果所述异常监测矩阵中波动性最大值/>和最小值/>的差值大于第一预设值，则整体波动性取决于所述异常监测矩阵中波动性最大值/>；如果所述异常监测矩阵中波动性最大值/>和最小值/>的差值大于第二预设值，则整体波动性取决于所述异常监测矩阵中波动性最小值/>；所述第一预设值大于所述第二预设值。
如果所述异常监测矩阵中每一行数据对应的投料比例的波动性的值接近于波动性最大值/>时，则整体波动性取决于所述异常监测矩阵中波动性最大值/>；如果所述异常监测矩阵中每一行数据对应的投料比例的波动性/>的值接近于波动性最小值/>时，则整体波动性取决于所述异常监测矩阵中波动性最小值/>。
进一步的，本实施例还需要基于所述波动性计算各个修正剂类别的波动能量特征，具体请结合图2，包括：
步骤S21：对所述异常监测矩阵中数据的波动性进行傅里叶变换，得到变换结果，所述变换结果表征数据在预设频率范围内的整体波动频率特征。
由于全自动玻璃上料机的精度问题、使用时间以及机器寿命等问题，在对低硼硅玻璃进行上料时可能会出现导致上料比例出现频率变化的情况，导致玻璃上料的量不稳定，从而影响到上料比例的准确性。对每组数据的波动性进行傅里叶变换，使其展现数据组的整体波动频率特征。具体的，利用如下公式对所述异常监测矩阵中数据的波动性进行傅里叶变换，得到变换结果，所述变换结果表征数据在预设频率范围内的整体波动频率特征：
其中，和/>为预设频率范围的上下界，/>和/>的设定使用者可以根据具体应用场景和需要进行选择，如数据的采样率和全自动玻璃上料机的具体精度差异等。/>是角频率，表示单位时间内的角度变化量，取值范围是/>，/>表示波动性随时间的变化，/>为虚部单位，/>表示变换结果，即数据在预设频率范围内的整体波动频率特征。
步骤S22：基于变换结果计算波动性在预设频率范围内的频谱密度。
进一步的，基于变换结果，可以得到波动性在频率范围内的频谱密度，即在该频率范围内波动性的频率分布情况，频谱密度/>为：
步骤S23：基于波动性在预设频率范围内的频谱密度计算异常波动在所述预设频率范围内所占的能量占总能量的波动能量特征。
在预设频率范围内，计算频谱密度/>在该预设频率范围内的能量占总能量的比例，则相对于标准比例，异常波动在该范围所占的能量占总能量的波动能量特征/>为：
其中，和/>为所有数据中预设频率范围的最大值和最小值，/>和/>为预设频率范围的上下界，其中，/>提供了异常波动在特定频率范围内波动性的能量集中程度，波动能量特征/>越高，在预设频率范围内波动性的能量相对于整个频谱能量更集中，波动的异常程度高，这可能表明在该频率范围内存在显著的波动或周期性成分，波动的异常程度更高。波动能量特征/>较低，则表示在预设频率范围内波动性的能量在整个频谱中更均匀地分布，波动的异常程度更低。
步骤S14：基于所述投料标准差异指数和所述波动能量特征对初始区间划分值进行处理，从而确定最终区间划分值，利用HBOS异常检测算法基于最终区间划分值进行监测。
具体的，基于所述投料标准差异指数和所述波动能量特征对初始区间划分值进行处理，从而确定最终区间划分值，包括：
利用如下公式计算得到最终区间划分值：
其中，为初始区间划分值，/>为一个调整系数，用于控制划分区间的大小，经验值为4，/>为投料标准差异指数，/>为波动能量特征，/>表示向上取整函数，/>表示最终区间划分值。
该公式根据数据组的波动能量特征和投料标准差异指数自适应地调整划分区间的个数，数据组的波动能量较高时，划分区间应该相应地扩大，以便更好地覆盖数据的变化范围；反之，当数据组的波动能量较低时，划分区间应该相应地缩小，以便更好地捕捉数据的细节。同理，当投料标准差异指数越大，代表出现与标准投料比例的差异越大，划分区间应该相应地扩大，以便更好地覆盖数据，反之划分区间应该越小。此方法可以根据其大小自适应地调整划分区间的个数。
利用HBOS异常检测算法基于最终区间划分值计算每一类别的修正剂投料比例，如果修正剂投料比例大于预设值，则认为修正剂投料比例异常。具体的，以作为自适应区间个数，使用HBOS异常检测算法得到修正剂添加比例异常监测矩阵内各投料种类的HBOS值。对于每个修正剂种类的投料比例（包含异常数据），计算其在每个特征上的得分，并将所有得分相加得到总得分，对总得分进行归一化处理，得到一个0到1之间的得分，得分数值记为r，当投料比例对应的/>（/>为值域系数，为一常数，经验值为0.6，实施者可根据需要自行设置）时，则认为该投料比例为异常比例，否则认为该投料比例为在正常浮动范围内变化的投料比例。
当全自动玻璃上料机出现上料比例异常时，说明机器出现故障或者工作人员操作不当，及时产生警报，提醒工作人员对机器进行排查，保证玻璃上料的准确性，避免产生损失。
本发明的一种低硼硅玻璃上料控制数据智能监测方法，通过结合投料比例数据对于标准比例的波动幅度，以及其频率特征对划分区间个数进行自适应的改进，当数据分布比较均匀时，使用较少的区间个数可以减少计算量，提高监测效率；而当数据分布不均时，使用较多的区间个数可以更准确地反映数据分布情况，提高监测效果。并且在修正剂的种类和比例不同情况下，最优的区间数量也不同。通过自适应更改区间的数量，可以适应不同数据分布情况，提高监测的适应性。对修正剂种类投料的占比监测更加的准确，使自动投料的监测更加自动化，降低其成本。
以上仅为本申请的实施方式，并非因此限制本申请的专利范围，凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本申请的专利保护范围内。
Claims (6)
1.一种低硼硅玻璃上料控制数据智能监测方法，其特征在于，包括：
采集玻璃上料过程中溶体玻璃内部修正剂数据，基于采集的数据得到修正剂添加比例异常监测矩阵，所述异常监测矩阵大小为m×n，其中n表示每个修正剂类别采集的数据的长度，m表示修正剂类别数量，所述异常监测矩阵中的数据点表示类别m在时刻n对应的添加比例；
计算所述异常监测矩阵中每一行数据对应的投料比例的波动性；
基于所述波动性计算各个修正剂类别的投料标准差异指数和波动能量特征，波动能量特征表征异常波动在预设频率范围内波动性的能量集中程度；
基于所述投料标准差异指数和所述波动能量特征对初始区间划分值进行处理，从而确定最终区间划分值，利用HBOS异常检测算法基于最终区间划分值进行监测；
基于所述波动性计算各个修正剂类别的投料标准差异指数，包括：
基于所述异常监测矩阵的每一行数据对应的投料比例的波动性对整体波动性的贡献确定各个修正剂类别的投料标准差异指数；
利用如下公式计算各个修正剂类别的投料标准差异指数：
其中，m表示修正剂类别数量，即异常监测矩阵的行数，表示异常监测矩阵的第i行数据的波动性，/>表示所述异常监测矩阵中波动性最小值，/>表示所述异常监测矩阵中波动性最大值；
基于所述波动性计算各个修正剂类别的波动能量特征，包括：
对所述异常监测矩阵中数据的波动性进行傅里叶变换，得到变换结果，所述变换结果表征数据在预设频率范围内的整体波动频率特征；
基于变换结果计算波动性在预设频率范围内的频谱密度；
基于波动性在预设频率范围内的频谱密度计算异常波动在所述预设频率范围内所占的能量占总能量的波动能量特征；
基于所述投料标准差异指数和所述波动能量特征对初始区间划分值进行处理，从而确定最终区间划分值，包括：
利用如下公式计算得到最终区间划分值：
其中，为初始区间划分值，/>为一个调整系数，/>为投料标准差异指数，/>为波动能量特征，/>表示向上取整函数，/>表示最终区间划分值。
2.根据权利要求1所述的一种低硼硅玻璃上料控制数据智能监测方法，其特征在于，计算所述异常监测矩阵中每一行数据对应的投料比例的波动性，包括：
计算所述异常监测矩阵的每一行中每一数据与该修正剂类别对应的标准值之间的差值的平均值，将计算得到的平均值作为对应行的投料比例的波动性。
3.根据权利要求1所述的一种低硼硅玻璃上料控制数据智能监测方法，其特征在于，利用如下公式对所述异常监测矩阵中数据的波动性进行傅里叶变换，得到变换结果，所述变换结果表征数据在预设频率范围内的整体波动频率特征：
其中，和/>为预设频率范围的上下界，/>是角频率，表示单位时间内的角度变化量，表示波动性随时间的变化，/>为虚部单位，/>表示数据在预设频率范围内的整体波动频率特征。
4.根据权利要求1所述的一种低硼硅玻璃上料控制数据智能监测方法，其特征在于，利用如下公式基于波动性在预设频率范围内的频谱密度计算异常波动在所述预设频率范围内所占的能量占总能量的波动能量特征：
其中，和/>为所有数据中预设频率范围的最大值和最小值，/>和/>为预设频率范围的上下界，/>为频谱密度。
5.根据权利要求1所述的一种低硼硅玻璃上料控制数据智能监测方法，其特征在于，利用HBOS异常检测算法基于最终区间划分值进行监测，包括：
利用HBOS异常检测算法基于最终区间划分值计算每一类别的修正剂投料比例，如果修正剂投料比例大于预设值，则认为修正剂投料比例异常。
6.根据权利要求1所述的一种低硼硅玻璃上料控制数据智能监测方法，其特征在于，采集玻璃上料过程中溶体玻璃内部修正剂数据，基于采集的数据得到修正剂添加比例异常监测矩阵，包括：
采集玻璃上料过程中溶体玻璃内部修正剂数据，得到修正剂数据矩阵；
对修正剂数据矩阵进行归一化处理；
将经过归一化处理后的修正剂数据矩阵中每一行的各个数据除以该数据对应列上所有数据的和，进而得到异常监测矩阵。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310960915.6A CN116662729B (zh) | 2023-08-02 | 2023-08-02 | 一种低硼硅玻璃上料控制数据智能监测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310960915.6A CN116662729B (zh) | 2023-08-02 | 2023-08-02 | 一种低硼硅玻璃上料控制数据智能监测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116662729A CN116662729A (zh) | 2023-08-29 |
| CN116662729B true CN116662729B (zh) | 2023-10-31 |
Family
ID=87721085
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310960915.6A Active CN116662729B (zh) | 2023-08-02 | 2023-08-02 | 一种低硼硅玻璃上料控制数据智能监测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116662729B (zh) |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104865313A (zh) * | 2015-05-12 | 2015-08-26 | 福建星网锐捷通讯股份有限公司 | 一种基于声谱条纹检测玻璃破碎的检测方法及装置 |
| CN110519637A (zh) * | 2019-08-27 | 2019-11-29 | 西北工业大学 | 基于音频视频监控结合的异常监测方法 |
| CN111459778A (zh) * | 2020-03-12 | 2020-07-28 | 平安科技（深圳）有限公司 | 运维系统异常指标检测模型优化方法、装置及存储介质 |
| CN115021679A (zh) * | 2022-08-09 | 2022-09-06 | 国网山西省电力公司大同供电公司 | 一种基于多维离群点检测的光伏设备故障检测方法 |
| CN115590505A (zh) * | 2022-12-15 | 2023-01-13 | 楠楠聚智信息科技有限责任公司（Cn） | 一种智能运动监测装置数据异常分析方法 |
| CN115797355A (zh) * | 2023-02-09 | 2023-03-14 | 江苏惠汕新能源集团有限公司 | 太阳能光伏发电装置故障检测方法及系统 |
| CN116089846A (zh) * | 2023-04-03 | 2023-05-09 | 北京智蚁杨帆科技有限公司 | 一种基于数据聚类的新能源结算数据异常检测与预警方法 |
| CN116184347A (zh) * | 2022-12-29 | 2023-05-30 | 北京理工大学 | 基于距离选通与子空间投影的机载雷达折叠杂波抑制方法 |
| CN116226700A (zh) * | 2023-03-15 | 2023-06-06 | 重庆邮电大学 | 一种基于时间序列聚类的流量异常检测方法 |
| WO2023108315A1 (zh) * | 2021-12-13 | 2023-06-22 | 中国科学院深圳先进技术研究院 | 基于步可穿戴传感器的步态分析与异常检测方法 |
| CN116400126A (zh) * | 2023-06-08 | 2023-07-07 | 广东佰林电气设备厂有限公司 | 一种具有数据处理系统的低压电力箱 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107425906B (zh) * | 2017-07-25 | 2019-09-27 | 电子科技大学 | 面向地下管网安全监测的分布式光纤传感信号处理方法 |
-
2023
- 2023-08-02 CN CN202310960915.6A patent/CN116662729B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104865313A (zh) * | 2015-05-12 | 2015-08-26 | 福建星网锐捷通讯股份有限公司 | 一种基于声谱条纹检测玻璃破碎的检测方法及装置 |
| CN110519637A (zh) * | 2019-08-27 | 2019-11-29 | 西北工业大学 | 基于音频视频监控结合的异常监测方法 |
| CN111459778A (zh) * | 2020-03-12 | 2020-07-28 | 平安科技（深圳）有限公司 | 运维系统异常指标检测模型优化方法、装置及存储介质 |
| WO2023108315A1 (zh) * | 2021-12-13 | 2023-06-22 | 中国科学院深圳先进技术研究院 | 基于步可穿戴传感器的步态分析与异常检测方法 |
| CN115021679A (zh) * | 2022-08-09 | 2022-09-06 | 国网山西省电力公司大同供电公司 | 一种基于多维离群点检测的光伏设备故障检测方法 |
| CN115590505A (zh) * | 2022-12-15 | 2023-01-13 | 楠楠聚智信息科技有限责任公司（Cn） | 一种智能运动监测装置数据异常分析方法 |
| CN116184347A (zh) * | 2022-12-29 | 2023-05-30 | 北京理工大学 | 基于距离选通与子空间投影的机载雷达折叠杂波抑制方法 |
| CN115797355A (zh) * | 2023-02-09 | 2023-03-14 | 江苏惠汕新能源集团有限公司 | 太阳能光伏发电装置故障检测方法及系统 |
| CN116226700A (zh) * | 2023-03-15 | 2023-06-06 | 重庆邮电大学 | 一种基于时间序列聚类的流量异常检测方法 |
| CN116089846A (zh) * | 2023-04-03 | 2023-05-09 | 北京智蚁杨帆科技有限公司 | 一种基于数据聚类的新能源结算数据异常检测与预警方法 |
| CN116400126A (zh) * | 2023-06-08 | 2023-07-07 | 广东佰林电气设备厂有限公司 | 一种具有数据处理系统的低压电力箱 |
Non-Patent Citations (2)
| Title |
|---|
| Multi-step histogram based outlier scores for unsupervised anomaly detection: ArcelorMittal engineering dataset case of study;Ignacio Aguilera-Martos等;scienceDirect;全文 * |
| 一种基于运动相似熵的人群异常行为检测;李斐;陈恳;李萌;郭春梅;;电信科学(05期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116662729A (zh) | 2023-08-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| AU2010249160B2 (en) | On-line optimization of induration of wet iron ore pellets on a moving grate | |
| CN105806715B (zh) | 一种高温蠕变变形预测方法 | |
| CN114471418B (zh) | 一种连续式造粒反应釜的釜内温度控制方法、系统和介质 | |
| CN113344439A (zh) | 一种晶体生长控制方法、装置、系统及可读存储介质 | |
| JP2007052739A (ja) | モデル生成方法、状態予測方法、状態調整方法、モデル生成装置、状態予測装置、及び状態調整システム | |
| CN116662729B (zh) | 一种低硼硅玻璃上料控制数据智能监测方法 | |
| JP5003362B2 (ja) | 製品品質の制御方法及び制御装置 | |
| CN101423348A (zh) | 水泥回转窑烧成工况综合识别方法 | |
| CN105385843B (zh) | 一种基于段末温度的热轧板坯加热控制方法 | |
| CN115852138A (zh) | 一种热处理加工自动化控制系统 | |
| CN114819391A (zh) | 基于历史数据集时间跨度优化的光伏发电功率预测方法 | |
| CN117494531B (zh) | 一种基于有限元和XGBoost算法的中碳钢脱碳深度预测方法 | |
| CN117311170B (zh) | 自适应控制的镍铌合金熔炼设备多参数调整方法及系统 | |
| CN104200119A (zh) | 基于罗茨鼓风机风压的煤粉输送量软仪表 | |
| JP2010141042A (ja) | プロセス処理装置の制御システム、プロセス処理装置の制御方法、プロセス処理装置の制御プログラム、および、プログラム記録媒体 | |
| CN117558374A (zh) | 一种材料热变形本构模型的参数确定方法及装置 | |
| CN117054734B (zh) | 一种铜板熔炼能耗的监测方法及系统 | |
| CN115034370B (zh) | 基于bp网络模型预测高炉炉缸活性的方法 | |
| CN117130265B (zh) | 一种保健品运输环境自适应控制方法及系统 | |
| CN117778710A (zh) | 一种基于多目标优化模型的烧结终点智控方法 | |
| CN116720138A (zh) | 一种化工塔设备在线hazop量化分析及风险预测方法 | |
| CN117930911A (zh) | 用于制备丁二酸反应的温度控制系统 | |
| CN117352075A (zh) | 一种评价高炉顶温与下料匹配性的方法 | |
| CN117798186A (zh) | 一种厚板精轧机首道次辊缝零点修正方法 | |
| CN117870346A (zh) | 一种烘干系统去除原煤水分控制方法及系统 |
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 |