CN116881829A - 一种基于ssa与lstm网络的风速异常波动检测方法 - Google Patents

Abstract

本发明提供一种基于SSA与LSTM网络的风速异常波动检测方法，涉及矿井通风技术领域；通过将传感器监测数据进行分解、重构去除因湍流脉动产生的数据噪声，然后对LSTM进行参数优化，利用优化后的LSTM模型对预处理数据进行预测并得到重构风速；最后以对数概率密度函数计算监测风速与重构风速的异常分数，通过计算训练集数据样本的异常分数设定阈值对监测风速进行异常检测；为监测监控数据中的异常波动识别提供了技术支持，对提高传感器监测监控数据的可信度和应用性具有重大意义。

Description

一种基于SSA与LSTM网络的风速异常波动检测方法

技术领域

本发明涉及矿井通风技术领域，尤其涉及一种基于SSA与LSTM网络的风速异常波动检测方法。

背景技术

风门开闭会引起通风系统及关联巷道风流发生波动。当风门处于静止状态(保持关闭或保持敞开)，即无扰动条件下，风速传感器监测数据在湍流脉动作用下呈现无周期、非线性的小幅度波动。而在风门开闭过程中，关联巷道风速传感器监测数据会出现短时异常波动。由于湍流脉动的作用，风速传感器监测数据存在大量噪声，以人工监测为主的传统统计方法无法精确检测风速传感器监测数据中的异常波动，存在漏报率和误报率高的问题，给预警与控制带来较大困难，因此需尽早检测风速异常波动。

矿井中巷道的风流是一个动态流动过程，当矿井通风系统出现故障或巷道中出现矿车、罐笼等或其他打破这种动态平衡的状况发生时，会出现风量不足以及其他异常情况，监测器所监测到的数据会出现异常波动，所述监测器收集到的巷道风速湍流数据是一种无周期、非线性的时间序列数据。目前异常检测与识别在电能质量信号、语音信号等领域研究、应用较为广泛，常采用神经网络人工智能方法对出现的异常进行检测与识别。

目前奇异谱分析法能对非线性非平稳的时间序列数据进行噪声抑制。对于这种异常数据波动现象，可利用机器学习和神经网络的检测方法实现数据异常检测和识别，其中长短期记忆神经网络(LSTM)对此方面有着优越的性能，解决了数据的长期依赖性问题，相比于递归神经网络(RNN)，LSTM可有效解决因数据量过大而产生的梯度消失或梯度爆炸问题。因此提出一种结合奇异谱分析法与LSTM结合的方法进行风速异常波动检测是有必要的。

发明内容

针对上述技术问题，本发明提供一种基于SSA与LSTM网络的风速异常波动检测方法，该方法能够对于风门开闭、罐笼、矿车运行等产生的短时风速波动进行有效监测，还能对智能矿山中风流进行实时监测。

为实现上述目的，本发明采用的技术方案为：

一种基于SSA与LSTM网络的风速异常波动检测方法，包括以下步骤：

步骤1：收集风速传感器监测的风速数据，将所得数据利用奇异谱分析法SSA分解为趋势分量、周期分量和噪声分量，再重构趋势分量和周期分量，以达到降噪的目的；

步骤1.1：分别收集有风门开闭时和无风门开闭时的风速波动数据，将无风门开闭的风速数据视为无扰动数据；将有风门开闭的风速数据视为有扰动数据；

步骤1.2：对采集的风速数据进行降噪；

将长度为N的一维原始数据[x₁,x₂…x_N]以长度为L的时间窗口进行映射，形成K个长度为L的向量，其中K＝N-L+1，组成的轨迹矩阵如下：

步骤1.3：对得到的轨迹矩阵进行奇异值分解SVD：

式中，d为非零奇异值的数量，d＝rank(x)≤min(L,K)；λ₁,λ₂,λ₃,…,λ_d是按降序排列的轨迹矩阵X的奇异值，U_i、V_i表示X的左右奇异向量；

步骤1.4：为去除数据中多余的噪点，将轨迹矩阵X看做由有用信号S和噪声E之和组成，即X＝S+E，则S为去除噪声数据E后的有效数据；并且认为前r个奇异值对应的信号组成的数据为该部分数据为有用信号，d-r所对应的信号认定为噪声成分；

步骤1.5：利用对角平均化将步骤1.4所述有用信号组成的矩阵转化成所需的长度为N的序列RC，令Y∈R_L×K代表分组后得到的任一矩阵，y_ij(1≤i≤L,1≤j≤K)为矩阵中的各元素；设L^*＝min(L,K)，K^*＝max(L,K)，当L＜K时，否则，/>那么通过对角平均化将矩阵Y变换成所需的长度为N的序列/>相关计算公式如下：

式中，为第k个经对角平均化转化的序列，/>为矩阵中的各元素；

步骤2：构建LSTM风速重构模型，将步骤1降噪后的无扰动数据作为训练集对模型进行训练，有扰动数据作为测试集实现对各时间点的风速数据进行预测，并得到各个时间点所组成的无扰动数据预测数据集和有扰动数据预测数据集；

步骤2.1：输入层对步骤1降噪后的时间序列数据进行预处理，然后将其划分为训练集和测试集，将所得的训练集和测试集作为输入；

步骤2.2：基于训练集数据对隐藏层进行训练，通过Adam优化算法对LSTM神经网络权值进行更新，不断调整网络层数得到拟合效果最好的最优网络结构，并添加Dropout层防止过拟合；

步骤2.3：输出层根据隐藏层中训练的模型对输入数据进行预测，输出所预测的风速数据；

步骤3：计算t-1时刻之前的历史数据对t时刻风速预测值与t时刻实际风速的差值，将该误差的对数概率密度函数值作为异常分数，通过对整体数据的异常分数进行数据划分，然后设定阈值来划分异常波动区间；

步骤3.1：计算t-1时刻之前的历史数据对t时刻风速预测值与t时刻实际风速的差值；

y_t＝|x_t-x′_t|

式中，x_t为t时刻的实际风速，x_t′为基于t-1之前的历史数据对t时刻的风速预测值，y_t为t时刻的预测误差；

步骤3.2：计算该差值的对数概率密度并作为异常分数，设定阈值τ用于判定异常风速，由于训练集为无异常扰动数据，因此异常检测阈值选定为训练集中异常分数最高值；所述异常分数为：

式中，μ表示数据样本风速均值，σ表示数据样本风速标准差；

步骤3.3：对步骤3.2所计算异常分数数据集进行异常检测，由于对数概率密度函数所计算的数值越小，表示该点所对应的数据波动越强，将无扰动异常分数数据集中最小异常分数τ作为阈值对有扰动异常分数数据集进行异常划分，则有扰动异常分数数据集中小于τ所对应的原始风速数据波动幅度已大于无扰动数据集中波动幅度最大的风速值；即将有扰动异常分数数据集中小于阈值部分为异常波动段或风门开闭阶段。

采用上述技术方案所产生的有益效果在于：

本发明提供一种基于SSA与LSTM网络的风速异常波动检测方法，该方法基于风速传感器的监测数据，通过LSTM对数据进行重构和异常检测，可有效对因风门开闭、罐笼、矿车运行等产生的短时异常风速波动进行识别，有效解决了漏报率和误报率高的问题，提高了煤矿预警与控制的可靠性。

附图说明

图1为本发明实例中的一种基于SSA与LSTM网络的风速异常波动检测方法的流程图。

图2为本发明实例中风速监测器监测无扰动数据曲线图。

图3为本发明实例中风速传感器监测无扰动数据分解为趋势分量、周期分量和噪声分量和趋势分量与周期分量重构图。

图4为本发明实例中风速传感器监测无扰动数据残差、异常分数图。

图5为本发明实例中风速传感器监测有扰动数据曲线图。

图6为本发明实例中风速传感器监测有扰动数据分解为趋势分量、周期分量和噪声分量和趋势分量与周期分量重构图。

图7为本发明实例中风速传感器监测有扰动数据残差、异常分数图。

图8为本发明实例中风速传感器监测有扰动数据异常检测图。

具体实施方式

下面结合附图和具体实施实例对发明做进一步说明：

一种基于SSA与LSTM网络的风速异常波动检测方法，如附图1所示，包括以下步骤：

步骤1：收集风速传感器监测的风速数据，将所得数据利用奇异谱分析法SSA分解为趋势分量、周期分量和噪声分量，再重构趋势分量和周期分量，以达到降噪的目的；

步骤1.1：分别收集不同时间节点、不通风速下有风门开闭时和无风门开闭时的风速波动数据，将无风门开闭的风速数据视为无扰动数据；将有风门开闭的风速数据视为有扰动数据；如图2、图5所示，图2为无扰动风速波动数据，图5为风门开闭数据即有扰动风速波动数据。

步骤1.2：对采集的风速数据进行降噪；

将长度为N的一维原始数据[x₁,x₂…x_N]以长度为L的时间窗口进行映射，形成K个长度为L的向量，其中K＝N-L+1，组成的轨迹矩阵如下：

步骤1.3：对得到的轨迹矩阵进行奇异值分解SVD：

式中，d为非零奇异值的数量，d＝rank(x)≤min(L,K)；λ₁,λ₂,λ₃,…,λ_d是按降序排列的轨迹矩阵X的奇异值，U_i、V_i表示X的左右奇异向量；

步骤1.4：为去除数据中多余的噪点，将轨迹矩阵X看做由有用信号S和噪声E之和组成，即X＝S+E，则S为去除噪声数据E后的有效数据；并且认为前r个奇异值对应的信号组成的数据贡献率占数据的主要成分，则可认定为该部分数据为有用信号，d-r所对应的信号认定为噪声成分；因此，选择合适的r值即可实现数据和噪声分离的效果。

步骤1.5：利用对角平均化将步骤1.4所述有用信号组成的矩阵转化成所需的长度为N的序列RC，令Y∈R_L×K代表分组后得到的任一矩阵，y_ij(1≤i≤L,1≤j≤K)为矩阵中的各元素；设L^*＝min(L,K)，K^*＝max(L,K)，当L＜K时，否则，/>那么通过对角平均化将矩阵Y变换成所需的长度为N的序列/>相关计算公式如下：

式中，为第k个经对角平均化转化的序列，/>为矩阵中的各元素；

如图3、图6所示：图3中a为无扰动风速波动数据分解后的趋势分量；图3中b为无扰动风速波动数据分解后的周期分量；图3中c为无扰动风速波动数据分解后的噪声分量；图3中d为无扰动风速波动数据降噪后的风速波动重构曲线；图6中a为有扰动风速波动数据分解后的趋势分量；图6中b为有扰动风速波动数据分解后的周期分量；图6中c为有扰动风速波动数据分解后的噪声分量；图6中d为无有扰动风速波动数据降噪后的风速波动重构曲线。

步骤2：构建LSTM风速重构模型，将步骤1降噪后的无扰动数据作为训练集对模型进行训练，有扰动数据作为测试集实现对各时间点的风速数据进行预测，并得到各个时间点所组成的无扰动数据预测数据集和有扰动数据预测数据集；

步骤2.1：输入层对步骤1降噪后的时间序列数据进行预处理，然后将其划分为训练集和测试集，将所得的训练集和测试集作为输入；

步骤2.2：基于训练集数据对隐藏层进行训练，通过Adam优化算法对LSTM神经网络权值进行更新，不断调整网络层数得到拟合效果最好的最优网络结构，并添加Dropout层防止过拟合；

步骤2.3：输出层根据隐藏层中训练的模型对输入数据进行预测，输出所预测的风速数据；

步骤3：计算t-1时刻之前的历史数据对t时刻风速预测值与t时刻实际风速的差值，将该误差的对数概率密度函数值作为异常分数，通过对整体数据的异常分数进行数据划分，然后设定阈值来划分异常波动区间；

步骤3.1：计算t-1时刻之前的历史数据对t时刻风速预测值与t时刻实际风速的差值；

y_t＝|x_t-x′_t|

式中，x_t为t时刻的实际风速，x_t′为基于t-1之前的历史数据对t时刻的风速预测值，y_t为t时刻的预测误差；

步骤3.2：计算该差值的对数概率密度并作为异常分数，设定阈值τ用于判定异常风速，由于训练集为无异常扰动数据，因此异常检测阈值选定为训练集中异常分数最高值；所述异常分数为：

式中，μ表示数据样本风速均值，σ表示数据样本风速标准差；

计算结果示例如图4、图7所示：图4中a为无扰动风速波动去噪数据与LSTM预测数据的残差示意图；图4中b为用对数概率密度函数计算无扰动风速波动数据所得的异常分数示意图；图7中a为有扰动风速波动去噪数据与LSTM预测数据的残差示意图；图7中b为用对数概率密度函数计算有扰动风速波动数据所得的异常分数示意图。

步骤3.3：对步骤3.2所计算异常分数数据集进行异常检测，由于对数概率密度函数所计算的数值越小，表示该点所对应的数据波动越强，因此将无扰动异常分数数据集中最小异常分数值作为阈值τ对有扰动异常分数数据集进行异常划分，则有扰动异常分数数据集中小于τ所对应的原始风速数据波动幅度已大于无扰动数据集中波动幅度最大的风速值；即将有扰动异常分数数据集中小于阈值部分为异常波动段或风门开闭阶段。如图8所示，阴影部分即为检测出的异常波动段(风门开闭阶段)。

Claims (4)

1.一种基于SSA与LSTM网络的风速异常波动检测方法，其特征在于，包括以下步骤：

步骤1：收集风速传感器监测的风速数据，将所得数据利用奇异谱分析法SSA分解为趋势分量、周期分量和噪声分量，再重构趋势分量和周期分量，以达到降噪的目的；

步骤2：构建LSTM风速重构模型，将步骤1降噪后的无扰动数据作为训练集对模型进行训练，有扰动数据作为测试集实现对各时间点的风速数据进行预测，并得到各个时间点所组成的无扰动数据预测数据集和有扰动数据预测数据集；

步骤3：计算t-1时刻之前的历史数据对t时刻风速预测值与t时刻实际风速的差值，将该误差的对数概率密度函数值作为异常分数，通过对整体数据的异常分数进行数据划分，然后设定阈值来划分异常波动区间。

2.根据权利要求1所述的一种基于SSA与LSTM网络的风速异常波动检测方法，其特征在于，所述步骤1具体为：

步骤1.1：分别收集有风门开闭时和无风门开闭时的风速波动数据，将无风门开闭的风速数据视为无扰动数据；将有风门开闭的风速数据视为有扰动数据；

步骤1.2：对采集的风速数据进行降噪；

将长度为N的一维原始数据[x₁,x₂…x_N]以长度为L的时间窗口进行映射，形成K个长度为L的向量，其中K＝N-L+1，组成的轨迹矩阵如下：

步骤1.3：对得到的轨迹矩阵进行奇异值分解SVD：

式中，d为非零奇异值的数量，d＝rank(x)≤min(L,K)；λ₁,λ₂,λ₃,…,λ_d是按降序排列的轨迹矩阵X的奇异值，U_i、V_i表示X的左右奇异向量；

步骤1.4：为去除数据中多余的噪点，将轨迹矩阵X看做由有用信号S和噪声E之和组成，即X＝S+E，则S为去除噪声数据E后的有效数据；并且认为前r个奇异值对应的信号组成的数据为该部分数据为有用信号，d-r所对应的信号认定为噪声成分；

步骤1.5：利用对角平均化将步骤1.4所述有用信号组成的矩阵转化成所需的长度为N的序列RC，令Y∈R_L×K代表分组后得到的任一矩阵，y_ij(1≤i≤L,1≤j≤K)为矩阵中的各元素；设L^*＝min(L,K)，K^*＝max(L,K)，当L＜K时，否则，/>那么通过对角平均化将矩阵Y变换成所需的长度为N的序列/>相关计算公式如下：

式中，为第k个经对角平均化转化的序列，/>为矩阵中的各元素。

3.根据权利要求1所述的一种基于SSA与LSTM网络的风速异常波动检测方法，其特征在于，所述步骤2具体为：

步骤2.1：输入层对步骤1降噪后的时间序列数据进行预处理，然后将其划分为训练集和测试集，将所得的训练集和测试集作为输入；

步骤2.2：基于训练集数据对隐藏层进行训练，通过Adam优化算法对LSTM神经网络权值进行更新，不断调整网络层数得到拟合效果最好的最优网络结构，并添加Dropout层防止过拟合；

步骤2.3：输出层根据隐藏层中训练的模型对输入数据进行预测，输出所预测的风速数据。

4.根据权利要求1所述的一种基于SSA与LSTM网络的风速异常波动检测方法，其特征在于，所述步骤3具体为：

步骤3.1：计算t-1时刻之前的历史数据对t时刻风速预测值与t时刻实际风速的差值；

y_t＝|x_t-x′_t|

式中，x_t为t时刻的实际风速，x′_t为基于t-1之前的历史数据对t时刻的风速预测值，y_t为t时刻的预测误差；

步骤3.2：计算该差值的对数概率密度并作为异常分数，设定阈值τ用于判定异常风速，由于训练集为无异常扰动数据，因此异常检测阈值选定为训练集中异常分数最高值；所述异常分数为：

式中，μ表示数据样本风速均值，σ表示数据样本风速标准差；

步骤3.3：对步骤3.2所计算异常分数数据集进行异常检测，由于对数概率密度函数所计算的数值越小，表示该点所对应的数据波动越强，将无扰动异常分数数据集中最小异常分数τ作为阈值对有扰动异常分数数据集进行异常划分，则有扰动异常分数数据集中小于τ所对应的原始风速数据波动幅度已大于无扰动数据集中波动幅度最大的风速值；即将有扰动异常分数数据集中小于阈值部分为异常波动段或风门开闭阶段。