CN116992083A - 一种焚烧炉运行异常状态数据清洗方法 - Google Patents
一种焚烧炉运行异常状态数据清洗方法 Download PDFInfo
- Publication number
- CN116992083A CN116992083A CN202311243419.5A CN202311243419A CN116992083A CN 116992083 A CN116992083 A CN 116992083A CN 202311243419 A CN202311243419 A CN 202311243419A CN 116992083 A CN116992083 A CN 116992083A
- Authority
- CN
- China
- Prior art keywords
- target
- harmful gas
- gas concentration
- temperature
- section
- 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
- 238000000034 method Methods 0.000 title claims abstract description 62
- 238000004140 cleaning Methods 0.000 title claims abstract description 54
- 230000002159 abnormal effect Effects 0.000 title claims abstract description 30
- 238000009826 distribution Methods 0.000 claims abstract description 55
- 238000012216 screening Methods 0.000 claims abstract description 39
- 230000000875 corresponding effect Effects 0.000 claims description 613
- 238000012937 correction Methods 0.000 claims description 32
- 230000011218 segmentation Effects 0.000 claims description 17
- 230000005856 abnormality Effects 0.000 claims description 14
- 230000002596 correlated effect Effects 0.000 claims description 11
- 238000009499 grossing Methods 0.000 claims description 5
- 238000010606 normalization Methods 0.000 claims description 5
- 238000012163 sequencing technique Methods 0.000 claims description 2
- 230000000694 effects Effects 0.000 abstract description 9
- 238000012545 processing Methods 0.000 abstract description 4
- 239000007789 gas Substances 0.000 description 573
- QGZKDVFQNNGYKY-UHFFFAOYSA-N Ammonia Chemical compound N QGZKDVFQNNGYKY-UHFFFAOYSA-N 0.000 description 10
- 230000008859 change Effects 0.000 description 6
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 description 5
- RWSOTUBLDIXVET-UHFFFAOYSA-N Dihydrogen sulfide Chemical compound S RWSOTUBLDIXVET-UHFFFAOYSA-N 0.000 description 5
- 229910021529 ammonia Inorganic materials 0.000 description 5
- 229910002091 carbon monoxide Inorganic materials 0.000 description 5
- 229910000037 hydrogen sulfide Inorganic materials 0.000 description 5
- 230000006872 improvement Effects 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 239000002912 waste gas Substances 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000000903 blocking effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000001186 cumulative effect Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000002485 combustion reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000007306 functionalization reaction Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005120 petroleum cracking Methods 0.000 description 1
- 238000000746 purification Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F23—COMBUSTION APPARATUS; COMBUSTION PROCESSES
- F23G—CREMATION FURNACES; CONSUMING WASTE PRODUCTS BY COMBUSTION
- F23G5/00—Incineration of waste; Incinerator constructions; Details, accessories or control therefor
- F23G5/50—Control or safety arrangements
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
Landscapes
- Engineering & Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Mechanical Engineering (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Treating Waste Gases (AREA)
- Incineration Of Waste (AREA)
Abstract
本发明涉及电数字数据处理技术领域,具体涉及一种焚烧炉运行异常状态数据清洗方法,该方法包括:通过传感器,获取目标焚烧炉内的每个目标空间对应的目标温度集合和目标有害气体浓度集合;对目标温度集合和目标有害气体浓度集合进行分段;筛选出有害气体浓度分段对应的参考温度分段集合;确定有害气体浓度分段与参考温度分段之间的目标分布趋势相似性;筛选出有害气体浓度分段对应的目标有害气体浓度组集合;确定有害气体浓度分段对应的目标噪声异常差异;分别确定有害气体浓度分段和温度分段对应的目标窗口尺寸;根据对应的目标窗口尺寸,通过移动平均法,分别对有害气体浓度分段和温度分段进行数据清洗。本发明提高了数据清洗效果。
Description
技术领域
本发明涉及电数字数据处理技术领域,具体涉及一种焚烧炉运行异常状态数据清洗方法。
背景技术
大多涉及到化工类型的生产项目,例如石油裂解等项目,往往会在生产中产生大量含有有害的可燃气体,往往采用密闭的废气焚烧炉,对有害的可燃气体进行净化,具体可以包括:通过管道,将生产出的废气输进焚烧炉内,通过高温燃烧将废气中包含的有害的可燃气体焚烧掉,从而实现气体净化。在焚烧炉运行过程中,往往通过监测焚烧炉内的温度和有害气体浓度的变化,实现对焚烧炉运行状态的监测。其中,有害气体浓度是有害的可燃气体的浓度。由于多种因素的影响,可能导致某个时刻采集温度或有害气体浓度的传感器接触不良,从而导致采集的温度或有害气体浓度是不准确的异常数据,表现为噪声数据,因此为了提高焚烧炉运行状态监测的准确度,往往需要对采集的温度和有害气体浓度进行数据清洗。目前,对数据进行清洗时,通常采用的方式为:根据预设窗口尺寸,通过移动平均法,对数据进行清洗。其中,预设窗口尺寸可以表征参与每次移动平均时元素的个数。
然而,当根据预设窗口尺寸,通过移动平均法,对采集的温度和有害气体浓度进行数据清洗时,经常会存在如下技术问题:
由于参与移动平均法的预设窗口尺寸往往是基于人为经验设置的,得到的设置结果往往受到人为主观因素的影响,因此,得到的设置结果往往并不准确,从而往往导致对采集的温度和有害气体浓度进行数据清洗的清洗效果较差。
发明内容
本发明的内容部分用于以简要的形式介绍构思,这些构思将在后面的具体实施方式部分被详细描述。本发明的内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征,也不旨在用于限制所要求的保护的技术方案的范围。
为了解决对采集的温度和有害气体浓度进行数据清洗的清洗效果较差的技术问题,本发明提出了一种焚烧炉运行异常状态数据清洗方法。
本发明提供了一种焚烧炉运行异常状态数据清洗方法,该方法包括:
获取目标焚烧炉内的每个目标空间对应的目标温度集合和目标有害气体浓度集合;
分别对每个目标空间对应的目标温度集合和目标有害气体浓度集合进行分段,得到每个目标空间对应的温度分段集合和有害气体浓度分段集合;
从所述温度分段集合中筛选出所述有害气体浓度分段集合中的每个有害气体浓度分段对应的参考温度分段集合;
确定每个有害气体浓度分段与其对应的参考温度分段集合中的每个参考温度分段之间的目标分布趋势相似性;
根据每个有害气体浓度分段内的各个目标有害气体浓度对应的采集时间,从获取的所有目标有害气体浓度中筛选出每个有害气体浓度分段对应的目标有害气体浓度组集合;
根据每个有害气体浓度分段对应的目标有害气体浓度组集合,确定每个有害气体浓度分段对应的目标噪声异常差异;
根据预设窗口尺寸、每个有害气体浓度分段与其对应的参考温度分段集合中的各个参考温度分段之间的目标分布趋势相似性、以及每个有害气体浓度分段对应的目标噪声异常差异,确定每个有害气体浓度分段对应的目标窗口尺寸,并确定每个温度分段对应的目标窗口尺寸;
根据对应的目标窗口尺寸,通过移动平均法,分别对每个有害气体浓度分段和每个温度分段进行数据清洗。
可选地,所述分别对每个目标空间对应的目标温度集合和目标有害气体浓度集合进行分段,得到每个目标空间对应的温度分段集合和有害气体浓度分段集合,包括:
根据目标温度和目标有害气体浓度对应的采集时间,分别对所述目标空间对应的目标温度集合和目标有害气体浓度集合进行排序,得到所述目标空间对应的目标温度序列和目标有害气体浓度序列;
分别对所述目标空间对应的目标温度序列和目标有害气体浓度序列中的各个元素进行移动平均,得到所述目标空间对应的平滑温度序列和平滑浓度序列;
从所述目标空间对应的平滑温度序列中筛选出极大值和极小值,作为端点温度,并将所述目标空间对应的平滑温度序列中的第一个平滑温度和最后一个平滑温度,确定为端点温度,得到所述目标空间对应的端点温度序列;
从所述目标空间对应的平滑浓度序列中筛选出极大值和极小值,作为端点浓度,并将所述目标空间对应的平滑浓度序列中的第一个平滑浓度和最后一个平滑浓度,确定为端点浓度,得到所述目标空间对应的端点浓度序列;
以所述目标空间对应的端点温度序列中的每个端点温度对应的时刻为分割点,对所述目标空间对应的目标温度序列进行分割,得到所述目标空间对应的温度分段集合;
以所述目标空间对应的端点浓度序列中的每个端点浓度对应的时刻为分割点,对所述目标空间对应的目标有害气体浓度序列进行分割,得到所述目标空间对应的有害气体浓度分段集合。
可选地,所述从所述温度分段集合中筛选出所述有害气体浓度分段集合中的每个有害气体浓度分段对应的参考温度分段集合,包括:
将所述温度分段集合中每个温度分段中的第一个目标温度对应的采集时间,确定为所述温度分段对应的采集代表时间;
将所述有害气体浓度分段中的第一个目标有害气体浓度对应的采集时间,确定为所述有害气体浓度分段对应的采集代表时间;
从所述温度分段集合中筛选出对应的采集代表时间晚于所述有害气体浓度分段对应的采集代表时间,并且对应的采集代表时间与所述有害气体浓度分段对应的采集代表时间的差值的绝对值小于预设时间跨度的温度分段,作为候选温度分段,得到所述有害气体浓度分段对应的候选温度分段集合;
将所述有害气体浓度分段中的最后一个目标有害气体浓度与第一个目标有害气体浓度的差值,确定为所述有害气体浓度分段对应的趋势特征指标;
将每个候选温度分段中的最后一个目标温度与第一个目标温度的差值,确定为所述候选温度分段对应的趋势特征指标;
从所述候选温度分段集合中筛选出对应的趋势特征指标与所述有害气体浓度分段对应的趋势特征指标的正负性相同的候选温度分段,作为参考温度分段,得到所述有害气体浓度分段对应的参考温度分段集合。
可选地,所述确定每个有害气体浓度分段与其对应的参考温度分段集合中的每个参考温度分段之间的目标分布趋势相似性,包括:
对所述有害气体浓度分段中的每个目标有害气体浓度进行归一化,确定所述目标有害气体浓度对应的标准浓度,得到所述有害气体浓度分段对应的标准浓度分段;
对所述参考温度分段中的每个目标温度进行归一化,确定所述目标温度对应的标准温度,得到所述参考温度分段对应的标准温度分段;
确定所述标准浓度分段中的每个标准浓度与所述标准温度分段中的每个标准温度之间的目标修正距离指标;
根据所述标准浓度分段中的各个标准浓度与所述标准温度分段中的各个标准温度之间的目标修正距离指标,确定所述有害气体浓度分段与所述参考温度分段之间的目标分布趋势相似性,其中,目标修正距离指标与目标分布趋势相似性呈负相关。
可选地,所述确定所述标准浓度分段中的每个标准浓度与所述标准温度分段中的每个标准温度之间的目标修正距离指标对应的公式为:
其中,是第i个目标空间对应的有害气体浓度分段集合中,第j个有害气
体浓度分段对应的标准浓度分段中第h个标准浓度,与第j个有害气体浓度分段对应的参考
温度分段集合中,第a个参考温度分段对应的标准温度分段中,第个标准温度之间的目标
修正距离指标;i是目标空间的序号;j是第i个目标空间对应的有害气体浓度分段集合中有
害气体浓度分段的序号;h是第j个有害气体浓度分段对应的标准浓度分段中标准浓度的序
号;a是第j个有害气体浓度分段对应的参考温度分段集合中参考温度分段的序号;是第a
个参考温度分段对应的标准温度分段中标准温度的序号;是第i个目标空间对应的
有害气体浓度分段集合中,第j个有害气体浓度分段对应的标准浓度分段中第h个标准浓
度,与第j个有害气体浓度分段对应的参考温度分段集合中,第a个参考温度分段对应的标
准温度分段中,第个标准温度之间的欧氏距离;是第i个目标空间对应的有害气
体浓度分段集合中,第j个有害气体浓度分段对应的标准浓度分段中第h个标准浓度,与第j
个有害气体浓度分段对应的参考温度分段集合中,第a个参考温度分段对应的标准温度分
段中,第个标准温度之间的第一修正权重;是取最小值函数;是
第h-1个标准浓度与第个标准温度之间的目标修正距离指标;是第h-1
个标准浓度与第个标准温度之间的目标修正距离指标;是第h个标准浓度与
第个标准温度之间的目标修正距离指标;是归一化函数;是取绝对值
函数;是第i个目标空间对应的有害气体浓度分段集合中,第j个有害气体浓度分段
对应的标准浓度分段中的第h个标准浓度;是第i个目标空间对应的有害气体浓度分
段集合中,第j个有害气体浓度分段对应的标准浓度分段中第h个标准浓度对应的平滑标准
浓度;平滑标准浓度是进行移动平均后的标准浓度;是第i个目标空间对应的有害气
体浓度分段集合中,第j个有害气体浓度分段对应的参考温度分段集合中,第a个参考温度
分段对应的标准温度分段中的第个标准温度;是第i个目标空间对应的有害气体
浓度分段集合中,第j个有害气体浓度分段对应的参考温度分段集合中,第a个参考温度分
段对应的标准温度分段中,第个标准温度对应的平滑标准温度;平滑标准温度是进行移
动平均后的标准温度。
可选地,所述根据每个有害气体浓度分段内的各个目标有害气体浓度对应的采集时间,从获取的所有目标有害气体浓度中筛选出每个有害气体浓度分段对应的目标有害气体浓度组集合,包括:
对于所述有害气体浓度分段内的每个目标有害气体浓度,从获取的所有目标有害气体浓度中筛选出对应的采集时间与所述目标有害气体浓度对应的采集时间相同的目标有害气体浓度,组成所述目标有害气体浓度对应的目标有害气体浓度组;
将所述有害气体浓度分段内的各个目标有害气体浓度对应的目标有害气体浓度组,组合为所述有害气体浓度分段对应的目标有害气体浓度组集合。
可选地,所述根据每个有害气体浓度分段对应的目标有害气体浓度组集合,确定每个有害气体浓度分段对应的目标噪声异常差异,包括:
从所述有害气体浓度分段中筛选出每个目标有害气体浓度对应的其他气体浓度集合;
对于每个目标有害气体浓度与其对应的其他气体浓度集合中的每个其他气体浓度,确定所述目标有害气体浓度对应的目标有害气体浓度组与所述其他气体浓度对应的目标有害气体浓度组之间的相似性的平方,作为所述目标有害气体浓度与所述其他气体浓度之间的目标相似性;
对于每个目标有害气体浓度,根据所述目标有害气体浓度与其对应的其他气体浓度集合中的各个其他气体浓度之间的目标相似性,确定所述目标有害气体浓度对应的整体相似性,其中,目标相似性与整体相似性呈正相关;
根据所述有害气体浓度分段中的各个目标有害气体浓度对应的整体相似性,确定所述有害气体浓度分段对应的目标噪声异常差异,其中,整体相似性与目标噪声异常差异呈负相关。
可选地,所述根据预设窗口尺寸、每个有害气体浓度分段与其对应的参考温度分段集合中的各个参考温度分段之间的目标分布趋势相似性、以及每个有害气体浓度分段对应的目标噪声异常差异,确定每个有害气体浓度分段对应的目标窗口尺寸,包括:
根据所述有害气体浓度分段与其对应的参考温度分段集合中的每个参考温度分段之间的目标分布趋势相似性、以及所述有害气体浓度分段对应的目标噪声异常差异,确定所述有害气体浓度分段与所述参考温度分段之间的参考匹配度,其中,目标分布趋势相似性与参考匹配度呈正相关,目标噪声异常差异与参考匹配度呈负相关;
从所述有害气体浓度分段与其对应的参考温度分段集合中的各个参考温度分段之间的参考匹配度中筛选出最大的参考匹配度,作为所述有害气体浓度分段对应的目标匹配度;
根据所述有害气体浓度分段对应的目标匹配度,确定所述有害气体浓度分段对应的噪声异常程度,其中,目标匹配度与噪声异常程度呈负相关;
根据所述有害气体浓度分段对应的噪声异常程度和预设窗口尺寸,确定所述有害气体浓度分段对应的目标窗口尺寸,其中,噪声异常程度和预设窗口尺寸均与目标窗口尺寸呈正相关。
可选地,所述确定每个温度分段对应的目标窗口尺寸,包括:
从所述温度分段所属温度分段集合对应的目标空间对应的有害气体浓度分段集合中筛选出所述温度分段对应的参考浓度分段集合;
确定所述温度分段与其对应的参考浓度分段集合中的每个参考浓度分段之间的目标分布趋势相似性;
根据所述温度分段内的各个目标温度对应的采集时间,从获取的所有目标温度中筛选出所述温度分段对应的目标温度组集合;
根据所述温度分段对应的目标温度组集合,确定所述温度分段对应的目标噪声异常差异;
根据预设窗口尺寸、所述温度分段与其对应的参考浓度分段集合中的各个参考浓度分段之间的目标分布趋势相似性、以及所述温度分段对应的目标噪声异常差异,确定所述温度分段对应的目标窗口尺寸。
可选地,所述从所述温度分段所属温度分段集合对应的目标空间对应的有害气体浓度分段集合中筛选出所述温度分段对应的参考浓度分段集合,包括:
将所述温度分段中的第一个目标温度对应的采集时间,确定为所述温度分段对应的采集代表时间;
将每个有害气体浓度分段中的第一个目标有害气体浓度对应的采集时间,确定为所述有害气体浓度分段对应的采集代表时间;
从所述有害气体浓度分段集合中筛选出对应的采集代表时间早于所述温度分段对应的采集代表时间,并且对应的采集代表时间与所述温度分段对应的采集代表时间的差值的绝对值小于预设时间跨度的有害气体浓度分段,作为候选浓度分段,得到所述温度分段对应的候选浓度分段集合;
将每个有害气体浓度分段中的最后一个目标有害气体浓度与第一个目标有害气体浓度的差值,确定为所述有害气体浓度分段对应的趋势特征指标;
将所述温度分段中的最后一个目标温度与第一个目标温度的差值,确定为所述温度分段对应的趋势特征指标;
从所述候选浓度分段集合中筛选出对应的趋势特征指标与所述温度分段对应的趋势特征指标的正负性相同的候选浓度分段,作为参考浓度分段,得到所述温度分段对应的参考浓度分段集合。
本发明具有如下有益效果:
本发明的一种焚烧炉运行异常状态数据清洗方法,通过对目标温度集合和目标有害气体浓度集合进行数据处理,解决了对采集的温度和有害气体浓度进行数据清洗的清洗效果较差的技术问题,提高了对采集的温度和有害气体浓度进行数据清洗的清洗效果。首先,分别对获取的每个目标空间对应的目标温度集合和目标有害气体浓度集合进行分段,可以便于后续对每个有害气体浓度分段和每个温度分段精确地进行数据清洗。然后,由于目标焚烧炉内的温度往往随着目标有害气体浓度的增加而升高,即当有害气体浓度分段中越不存在噪声数据时,有害气体浓度分段与参考温度分段之间的分布趋势越相似。当有害气体浓度分段与参考温度分段之间的分布趋势越不相似时,往往说明气体浓度分段内的噪声异常越大,对有害气体浓度分段进行移动平均的窗口尺寸往往需要的越大,即有害气体浓度分段对应的目标窗口尺寸越大。因此,确定每个有害气体浓度分段与其对应的参考温度分段集合中的每个参考温度分段之间的目标分布趋势相似性,可以便于后续确定有害气体浓度分段中的噪声情况,从而可以便于后续确定有害气体浓度分段对应的目标窗口尺寸。之后,由于有害气体浓度分段对应的目标窗口尺寸的大小往往与有害气体浓度分段内的数据噪声程度有关,因此确定有害气体浓度分段对应的目标噪声异常差异,可以便于后续精确地确定有害气体浓度分段对应的目标窗口尺寸。而后,综合考虑预设窗口尺寸、每个有害气体浓度分段与其对应的参考温度分段集合中的各个参考温度分段之间的目标分布趋势相似性、以及每个有害气体浓度分段对应的目标噪声异常差异,可以提高每个有害气体浓度分段对应的目标窗口尺寸确定的准确度。其次,确定每个有害气体浓度分段和每个温度分段对应的目标窗口尺寸,可以便于后续对每个有害气体浓度分段和每个温度分段精确地进行数据清洗。最后,根据对应的目标窗口尺寸,通过移动平均法,分别对每个有害气体浓度分段和每个温度分段进行数据清洗,实现了对目标温度和目标有害气体浓度的数据清洗。相较于直接通过人工的方式设置预设窗口尺寸,本发明自适应地确定了每个有害气体浓度分段和每个温度分段对应的目标窗口尺寸,提高了窗口尺寸确定的准确度,从而提高了数据清洗效果。
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和优点,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的介绍,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它附图。
图1为本发明的一种焚烧炉运行异常状态数据清洗方法的流程图;
图2为本发明的目标空间示意图。
其中,附图标记包括:第一矩形201、第一线段202、第二线段203、第二矩形204、第三矩形205和第四矩形206。
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技术方案的具体实施方式、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”指的不一定是同一个实施例。此外,一个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。
本发明提供了一种焚烧炉运行异常状态数据清洗方法,该方法包括以下步骤:
获取目标焚烧炉内的每个目标空间对应的目标温度集合和目标有害气体浓度集合;
分别对每个目标空间对应的目标温度集合和目标有害气体浓度集合进行分段,得到每个目标空间对应的温度分段集合和有害气体浓度分段集合;
从温度分段集合中筛选出有害气体浓度分段集合中的每个有害气体浓度分段对应的参考温度分段集合;
确定每个有害气体浓度分段与其对应的参考温度分段集合中的每个参考温度分段之间的目标分布趋势相似性;
根据每个有害气体浓度分段内的各个目标有害气体浓度对应的采集时间,从获取的所有目标有害气体浓度中筛选出每个有害气体浓度分段对应的目标有害气体浓度组集合;
根据每个有害气体浓度分段对应的目标有害气体浓度组集合,确定每个有害气体浓度分段对应的目标噪声异常差异;
根据预设窗口尺寸、每个有害气体浓度分段与其对应的参考温度分段集合中的各个参考温度分段之间的目标分布趋势相似性、以及每个有害气体浓度分段对应的目标噪声异常差异,确定每个有害气体浓度分段对应的目标窗口尺寸,并确定每个温度分段对应的目标窗口尺寸;
根据对应的目标窗口尺寸,通过移动平均法,分别对每个有害气体浓度分段和每个温度分段进行数据清洗。
下面对上述各个步骤进行详细展开:
参考图1,示出了根据本发明的一种焚烧炉运行异常状态数据清洗方法的一些实施例的流程。该焚烧炉运行异常状态数据清洗方法,包括以下步骤:
步骤S1,获取目标焚烧炉内的每个目标空间对应的目标温度集合和目标有害气体浓度集合。
在一些实施例中,可以获取目标焚烧炉内的每个目标空间对应的目标温度集合和目标有害气体浓度集合。
其中,目标焚烧炉可以是对有害的可燃气体进行净化的焚烧炉。例如,有害的可燃气体可以是但不限于:一氧化碳、氨气和硫化氢。目标空间可以是通过安装在目标焚烧炉内的挡板,而阻隔形成的空间。如图2所示,第一矩形201可以表征目标焚烧炉的俯视图。第一线段202和第二线段203可以表征不同位置处的挡板。通过安装在目标焚烧炉内的挡板,而阻隔形成的空间可以包括:第二矩形204表征的空间、第三矩形205表征的空间和第四矩形206表征的空间。因此该目标焚烧炉内可以包括3个目标空间,分别可以为:第二矩形204表征的空间、第三矩形205表征的空间和第四矩形206表征的空间。目标空间对应的目标温度集合中的目标温度可以是通过安装在该目标空间内的温度传感器,采集的不同时刻下的温度。将需要目标焚烧炉进行净化的每种有害的可燃气体,记为目标气体。目标空间对应的目标有害气体浓度集合中的目标有害气体浓度可以是通过安装在该目标空间内的多个对应传感器,在不同时刻下,采集的各种目标气体浓度的总和。目标气体浓度可以是该目标气体在目标焚烧炉内所有气体的占比。
需要说明的是,获取目标焚烧炉内的每个目标空间对应的目标温度集合和目标有害气体浓度集合,可以便于后续对目标温度集合和目标有害气体浓度集合进行数据清洗。
作为示例,本步骤可以包括以下步骤:
第一步,获取目标焚烧炉内的每个目标空间对应的目标温度集合。
例如,通过安装在每个目标空间内的温度传感器,在预设时间段内每隔预设时长,采集一次该目标空间内的温度,作为目标温度,得到该目标空间对应的目标温度集合。其中,每个目标空间内可以安装一个温度传感器。预设时间段可以是预先设置的时间段。比如,预设时间段的开始时间可以是2023年08月06日09时00分00秒。预设时间段的结束时间可以是2023年08月06日18时00分00秒。预设时长可以是预先设置的时长。比如,预设时长可以是1秒。
第二步,获取目标焚烧炉内的每个目标空间对应的目标有害气体浓度集合。
例如,若需要目标焚烧炉进行净化的有害的可燃气体包括:一氧化碳、氨气和硫化氢,则通过安装在每个目标空间内的多个对应传感器,在预设时间段内每隔预设时长,采集一次该目标空间内的一氧化碳浓度、氨气浓度和硫化氢浓度,并计算该次采集的一氧化碳浓度、氨气浓度和硫化氢浓度的总和,作为目标有害气体浓度,得到该目标空间对应的目标有害气体浓度集合。其中,此时目标空间内的多个对应传感器可以分别为:一氧化碳浓度传感器、氨气浓度传感器和硫化氢浓度传感器。此时目标空间内可以安装一氧化碳浓度传感器、氨气浓度传感器和硫化氢浓度传感器各一个。
步骤S2,分别对每个目标空间对应的目标温度集合和目标有害气体浓度集合进行分段,得到每个目标空间对应的温度分段集合和有害气体浓度分段集合。
在一些实施例中,可以分别对每个目标空间对应的目标温度集合和目标有害气体浓度集合进行分段,得到每个目标空间对应的温度分段集合和有害气体浓度分段集合。
需要说明的是,分别对每个目标空间对应的目标温度集合和目标有害气体浓度集合进行分段,可以便于后续对得到的每个目标空间对应的温度分段集合中的每个温度分段和有害气体浓度分段集合中的每个有害气体浓度分段进行精确分析,以便于后续对每个有害气体浓度分段和每个温度分段精确地进行数据清洗。
作为示例,本步骤可以包括以下步骤:
第一步,根据目标温度和目标有害气体浓度对应的采集时间,分别对上述目标空间对应的目标温度集合和目标有害气体浓度集合进行排序,得到上述目标空间对应的目标温度序列和目标有害气体浓度序列。
例如,首先,可以根据目标温度对应的采集时间,按照从早到晚的顺序,对目标空间对应的目标温度集合中的目标温度进行排序,将排序后的目标温度集合,作为该目标空间对应的目标温度序列。接着,可以根据目标有害气体浓度对应的采集时间,按照从早到晚的顺序,对目标空间对应的目标有害气体浓度集合中的目标有害气体浓度进行排序,将排序后的目标有害气体浓度集合,作为该目标空间对应的目标有害气体浓度序列。
第二步,分别对上述目标空间对应的目标温度序列和目标有害气体浓度序列中的各个元素进行移动平均,得到上述目标空间对应的平滑温度序列和平滑浓度序列。
例如,首先,可以根据目标空间对应的目标温度序列,通过移动平均法,确定该目标温度序列中的每个目标温度对应的采集时间时的预测温度,作为平滑温度,得到目标空间对应的平滑温度序列。其中,预测温度可以是通过移动平均法,预测的温度。移动平均法可以是但不限于:简单移动平均法和加权移动平均法。接着,可以根据目标空间对应的目标有害气体浓度序列,通过移动平均法,确定该目标有害气体浓度序列中的每个目标有害气体浓度对应的采集时间时的预测浓度,作为平滑浓度,得到目标空间对应的平滑浓度序列。其中,预测浓度可以是通过移动平均法,预测的浓度。
比如,若某个目标温度对应的采集时间为2023年08月06日11时03分06秒,预设时长为1秒,预设窗口尺寸为3,则根据预设窗口尺寸,通过简单移动平均法,确定2023年08月06日11时03分06秒时的预测温度可以为:2023年08月06日11时03分03秒、2023年08月06日11时03分04秒和2023年08月06日11时03分05秒对应的目标温度的均值。该均值可以作为采集时间为2023年08月06日11时03分06秒的目标温度对应的平滑温度。其中,预设窗口尺寸可以是预先设置的尺寸。预设窗口尺寸可以表征参与每次移动平均时元素的个数。
第三步,从上述目标空间对应的平滑温度序列中筛选出极大值和极小值,作为端点温度,并将上述目标空间对应的平滑温度序列中的第一个平滑温度和最后一个平滑温度,确定为端点温度,得到上述目标空间对应的端点温度序列。
例如,可以从目标空间对应的平滑温度序列中筛选出所有极大值和所有极小值,并将筛选出的每个极大值和每个极小值,分别作为端点温度,将目标空间对应的平滑温度序列中的第一个平滑温度和最后一个平滑温度,分别确定为端点温度,并根据端点温度对应的采集时间,按照从早到晚的顺序,对这次得到的所有端点温度进行排序,得到该目标空间对应的端点温度序列。
第四步,从上述目标空间对应的平滑浓度序列中筛选出极大值和极小值,作为端点浓度,并将上述目标空间对应的平滑浓度序列中的第一个平滑浓度和最后一个平滑浓度,确定为端点浓度,得到上述目标空间对应的端点浓度序列。
例如,可以从目标空间对应的平滑浓度序列中筛选出所有极大值和所有极小值,并将筛选出的每个极大值和每个极小值,分别作为端点浓度,将目标空间对应的平滑浓度序列中的第一个平滑浓度和最后一个平滑浓度,分别确定为端点浓度,并根据端点浓度对应的采集时间,按照从早到晚的顺序,对这次得到的所有端点浓度进行排序,得到该目标空间对应的端点浓度序列。
第五步,以上述目标空间对应的端点温度序列中的每个端点温度对应的时刻为分割点,对上述目标空间对应的目标温度序列进行分割,得到上述目标空间对应的温度分段集合。
例如,若某个目标空间对应的端点温度序列中的各个端点温度对应的时刻分别为11时03分01秒、11时03分02秒、11时03分06秒和11时03分10秒,该目标空间对应的目标温度序列包括的第一目标温度、第二目标温度、第三目标温度、第四目标温度、第五目标温度、第六目标温度、第七目标温度、第八目标温度、第九目标温度和第十目标温度对应的采集时间分别为11时03分01秒、11时03分02秒、11时03分03秒、11时03分04秒、11时03分05秒、11时03分06秒、11时03分07秒、11时03分08秒、11时03分09秒和11时03分10秒,则目标空间对应的温度分段集合可以包括3个温度分段,分别可以为{第一目标温度,第二目标温度}、{第三目标温度,第四目标温度,第五目标温度,第六目标温度}和{第七目标温度,第八目标温度,第九目标温度,第十目标温度}。
第六步,以上述目标空间对应的端点浓度序列中的每个端点浓度对应的时刻为分割点,对上述目标空间对应的目标有害气体浓度序列进行分割,得到上述目标空间对应的有害气体浓度分段集合。
步骤S3,从温度分段集合中筛选出有害气体浓度分段集合中的每个有害气体浓度分段对应的参考温度分段集合。
在一些实施例中,可以从上述温度分段集合中筛选出上述有害气体浓度分段集合中的每个有害气体浓度分段对应的参考温度分段集合,其中,此时的温度分段集合和有害气体浓度分段集合可以是在同一个目标空间内采集的。
需要说明的是,从上述温度分段集合中筛选出上述有害气体浓度分段集合中的每个有害气体浓度分段对应的参考温度分段集合,可以便于后续分析有害气体浓度分段的分布情况。
作为示例,本步骤可以包括以下步骤:
第一步,将上述温度分段集合中每个温度分段中的第一个目标温度对应的采集时间,确定为上述温度分段对应的采集代表时间。
例如,若某个温度分段中的第一个目标温度对应的采集时间为2023年08月06日11时03分03秒,则该温度分段对应的采集代表时间为2023年08月06日11时03分03秒。
第二步,将上述有害气体浓度分段中的第一个目标有害气体浓度对应的采集时间,确定为上述有害气体浓度分段对应的采集代表时间。
第三步,从上述温度分段集合中筛选出对应的采集代表时间晚于上述有害气体浓度分段对应的采集代表时间,并且对应的采集代表时间与上述有害气体浓度分段对应的采集代表时间的差值的绝对值小于预设时间跨度的温度分段,作为候选温度分段,得到上述有害气体浓度分段对应的候选温度分段集合。
其中,预设时间跨度可以是预先设置的时间跨度。比如,预设时间跨度可以是1小时。
例如,若某个目标空间对应的温度分段集合包括:第一温度分段、第二温度分段和第三温度分段,第一温度分段、第二温度分段和第三温度分段对应的采集代表时间分别为11时06分01秒、11时04分05秒和11时03分8秒,该目标空间对应的有害气体浓度分段集合中的某个有害气体浓度分段对应的采集代表时间为11时06分03秒,预设时间跨度是4秒,则该有害气体浓度分段对应的候选温度分段集合可以包括:第二温度分段。
需要说明的是,温度分段对应的采集代表时间晚于有害气体浓度分段对应的采集代表时间,并且温度分段与有害气体浓度分段之间的时间跨度越小,往往说明温度分段内的目标温度越可能受到有害气体浓度分段的影响,往往说明在不存在噪声数据的情况下,温度分段与有害气体浓度分段之间数据分布越相近。因此确定有害气体浓度分段对应的候选温度分段集合,可以便于后续判断有害气体浓度分段内的噪声异常情况。
第四步,将上述有害气体浓度分段中的最后一个目标有害气体浓度与第一个目标有害气体浓度的差值,确定为上述有害气体浓度分段对应的趋势特征指标。
例如,可以将有害气体浓度分段中的最后一个目标有害气体浓度与第一个目标有害气体浓度的差值,确定为该有害气体浓度分段对应的趋势特征指标。
第五步,将每个候选温度分段中的最后一个目标温度与第一个目标温度的差值,确定为上述候选温度分段对应的趋势特征指标。
例如,可以将候选温度分段中的最后一个目标温度与第一个目标温度的差值,确定为该候选温度分段对应的趋势特征指标。
第六步,从上述候选温度分段集合中筛选出对应的趋势特征指标与上述有害气体浓度分段对应的趋势特征指标的正负性相同的候选温度分段,作为参考温度分段,得到上述有害气体浓度分段对应的参考温度分段集合。
其中,正负性可以是正、负或0。
例如,若某个有害气体浓度分段对应的候选温度分段集合包括:第一候选温度分段、第二候选温度分段和第三候选温度分段,第一候选温度分段、第二候选温度分段和第三候选温度分段对应的趋势特征指标分别为正数、负数和0,即第一候选温度分段、第二候选温度分段和第三候选温度分段对应的趋势特征指标的正负性分别为正、负和0;该有害气体浓度分段对应的趋势特征指标为正数,其对应的趋势特征指标的正负性为正,则该有害气体浓度分段对应的参考温度分段集合可以包括:第一候选温度分段。
需要说明的是,由于目标有害气体浓度是目标焚烧炉内某个时刻下某个目标空间内有害的可燃气体的总浓度,所以目标有害气体浓度越高,往往说明可燃气体的浓度越高,往往说明该目标空间内的可燃气体越充分,往往说明该目标空间内正在燃烧的可燃气体越多,往往说明该目标空间内的温度越高。因此目标空间内的目标有害气体浓度的变化和目标温度的变化往往比较相似,并且目标温度往往随着目标有害气体浓度的变化而变化。因此确定与有害气体浓度分段分布趋势初步相同的候选温度分段,可以便于后续只需对有害气体浓度分段于参考温度分段进行分布趋势相似情况分析,可以在一定程度上减少计算量,从而提高数据处理效率。
步骤S4,确定每个有害气体浓度分段与其对应的参考温度分段集合中的每个参考温度分段之间的目标分布趋势相似性。
在一些实施例中,可以确定每个有害气体浓度分段与其对应的参考温度分段集合中的每个参考温度分段之间的目标分布趋势相似性。
需要说明的是,由于目标焚烧炉内的温度往往随着目标有害气体浓度的增加而升高,即当有害气体浓度分段中越不存在噪声数据时,往往说明有害气体浓度分段与参考温度分段之间的分布趋势越相似。当有害气体浓度分段与参考温度分段之间的分布趋势越不相似时,往往说明气体浓度分段内的噪声异常越大,对有害气体浓度分段进行移动平均的窗口尺寸往往需要的越大,即有害气体浓度分段对应的目标窗口尺寸越大。因此,确定每个有害气体浓度分段与其对应的参考温度分段集合中的每个参考温度分段之间的目标分布趋势相似性,可以便于后续确定有害气体浓度分段中的噪声情况,从而可以便于后续确定有害气体浓度分段对应的目标窗口尺寸。
作为示例,本步骤可以包括以下步骤:
第一步,对上述有害气体浓度分段中的每个目标有害气体浓度进行归一化,确定上述目标有害气体浓度对应的标准浓度,得到上述有害气体浓度分段对应的标准浓度分段。
例如,可以对有害气体浓度分段中的每个目标有害气体浓度进行归一化,并将进行归一化后的目标有害气体浓度,作为标准浓度,将归一化完成的有害气体浓度分段,作为标准浓度分段。
第二步,对上述参考温度分段中的每个目标温度进行归一化,确定上述目标温度对应的标准温度,得到上述参考温度分段对应的标准温度分段。
例如,可以对参考温度分段中的每个目标温度进行归一化,并将进行归一化后的目标温度,作为标准温度,将归一化完成的参考温度分段,作为标准温度分段。
第三步,确定上述标准浓度分段中的每个标准浓度与上述标准温度分段中的每个标准温度之间的目标修正距离指标对应的公式可以为:
其中,是第i个目标空间对应的有害气体浓度分段集合中,第j个有害气
体浓度分段对应的标准浓度分段中第h个标准浓度,与第j个有害气体浓度分段对应的参考
温度分段集合中,第a个参考温度分段对应的标准温度分段中,第个标准温度之间的目标
修正距离指标;也就是第h个标准浓度与第个标准温度之间的目标修正距离指标。i是目
标空间的序号。j是第i个目标空间对应的有害气体浓度分段集合中有害气体浓度分段的序
号。h是第j个有害气体浓度分段对应的标准浓度分段中标准浓度的序号。a是第j个有害气
体浓度分段对应的参考温度分段集合中参考温度分段的序号。是第a个参考温度分段对
应的标准温度分段中标准温度的序号。是第i个目标空间对应的有害气体浓度分段
集合中,第j个有害气体浓度分段对应的标准浓度分段中第h个标准浓度,与第j个有害气体
浓度分段对应的参考温度分段集合中,第a个参考温度分段对应的标准温度分段中,第个
标准温度之间的欧氏距离;也就是第h个标准浓度与第个标准温度之间的欧氏距离。是第i个目标空间对应的有害气体浓度分段集合中,第j个有害气体浓度分段对应
的标准浓度分段中第h个标准浓度,与第j个有害气体浓度分段对应的参考温度分段集合
中,第a个参考温度分段对应的标准温度分段中,第个标准温度之间的第一修正权重;主
要用于修正。是取最小值函数。是第h-1个标准浓度与第个标准温度之间的目标修正距离指标。是第h-1个标准浓度与第个标
准温度之间的目标修正距离指标。是第h个标准浓度与第个标准温度之
间的目标修正距离指标。是归一化函数。是取绝对值函数。是第i个目
标空间对应的有害气体浓度分段集合中,第j个有害气体浓度分段对应的标准浓度分段中
的第h个标准浓度。是第i个目标空间对应的有害气体浓度分段集合中,第j个有害气
体浓度分段对应的标准浓度分段中第h个标准浓度对应的平滑标准浓度;平滑标准浓度是
进行移动平均后的标准浓度,如,平滑标准浓度可以是通过移动平均法,预测的标准浓度。是第i个目标空间对应的有害气体浓度分段集合中,第j个有害气体浓度分段对应的
参考温度分段集合中,第a个参考温度分段对应的标准温度分段中的第个标准温度。是第i个目标空间对应的有害气体浓度分段集合中,第j个有害气体浓度分段对应的
参考温度分段集合中,第a个参考温度分段对应的标准温度分段中,第个标准温度对应的
平滑标准温度;平滑标准温度是进行移动平均后的标准温度。如,平滑标准温度可以是通过
移动平均法,预测的标准温度。
需要说明的是,平滑标准温度和平滑标准浓度的确定方式相同,以平滑标准浓度的确定方式为例,若某个标准浓度对应的采集时间为2023年08月06日11时03分06秒,预设时长为1秒,预设窗口尺寸为3,则根据预设窗口尺寸,通过简单移动平均法,确定2023年08月06日11时03分06秒时的预测标准浓度可以为:2023年08月06日11时03分03秒、2023年08月06日11时03分04秒和2023年08月06日11时03分05秒对应的标准浓度的均值。该均值可以作为采集时间为2023年08月06日11时03分06秒的标准浓度对应的平滑标准浓度。其中,预设窗口尺寸可以是预先设置的尺寸。预设窗口尺寸可以表征参与每次移动平均时元素的个数。
其次,这里目标修正距离指标对应的公式主要是对DTW(Dynamic Time Warping,
动态时间归整)算法进行了改进,其改进点在于用修正了,即对DTW算法中
的每个欧氏距离做了修正。相较于改进前的DTW算法,这里改进后的DTW算法,使确定的标准
浓度与标准温度之间的距离更加精确,从而可以提高后续标准浓度分段和标准温度分段之
间的相似性确定的准确度。
继续,当越大时,往往说明第h个标准浓度与其进行移动平均
后浓度之间的差异越大;往往说明第h个标准浓度本身波动程度或平滑后丢失的数据特征
越大;往往说明无论是噪声还是本身数据特征,都存在较高的不稳定的情况,此时第h个标
准浓度的参考度相对较低,往往说明第h个标准浓度对相似度计算的价值越低,由于当越小时,往往说明第h个标准浓度与第个标准温度之间的累加距离越小,往往说
明第h个标准浓度与第个标准温度之间的越相似,因此,此时可以通过调大第h个标准浓
度与第个标准温度之间距离,用于调低第h个标准浓度与第个标准温度之间的相似度。
当越大时,往往说明第个标准温度与其进行移动平均后温度之间的
差异越大;往往说明第个标准温度本身波动程度或平滑后丢失的数据特征越大;往往说
明第个标准温度对相似度计算的价值越低,因此,此时可以通过调大第h个标准浓度与第个标准温度之间的距离,用于调低第h个标准浓度与第个标准温度之间的相似度。故可
以用对进行修正,通过对每项距离指标进行修正,可以提高后续有害气体
浓度分段与参考温度分段之间的相似性确定的准确度。
第四步,根据上述标准浓度分段中的各个标准浓度与上述标准温度分段中的各个标准温度之间的目标修正距离指标,确定上述有害气体浓度分段与上述参考温度分段之间的目标分布趋势相似性。
其中,目标修正距离指标可以与目标分布趋势相似性呈负相关。
例如,确定每个有害气体浓度分段与其对应的参考温度分段集合中的每个参考温度分段之间的目标分布趋势相似性对应的公式可以为:
其中,是第i个目标空间对应的有害气体浓度分段集合中,第j个有害气体浓
度分段与其对应的参考温度分段集合中第a个参考温度分段之间的目标分布趋势相似性。是第i个目标空间对应的有害气体浓度分段集合中,第j个有害气体浓度分段对
应的标准浓度分段中第h个标准浓度,与第j个有害气体浓度分段对应的参考温度分段集合
中,第a个参考温度分段对应的标准温度分段中,第个标准温度之间的目标修正距离指
标。是第i个目标空间对应的有害气体浓度分段集合中,第j个有害气体浓度分段对应的
标准浓度分段中标准浓度的数量。是第i个目标空间对应的有害气体浓度分段集合
中,第j个有害气体浓度分段对应的参考温度分段集合中,第a个参考温度分段对应的标准
温度分段中标准温度的数量。是以自然常数为底的指数函数。与呈
负相关。i是目标空间的序号。j是第i个目标空间对应的有害气体浓度分段集合中有害气体
浓度分段的序号。h是第j个有害气体浓度分段对应的标准浓度分段中标准浓度的序号。a是
第j个有害气体浓度分段对应的参考温度分段集合中参考温度分段的序号。是第a个参考
温度分段对应的标准温度分段中标准温度的序号。
需要说明的是,当越大时,往往说明第h个标准浓度与第个标准温度之
间的修正累加距离越大,往往说明第h个标准浓度与第个标准温度之间的越不相似。因此
当越大时,往往说明第j个有害气体浓度分段与第a个参考温度分段之间越相似,往往
说明第j个有害气体浓度分段中越未产生较多的噪声数据,往往说明越需要为第j个有害气
体浓度分段设置较小的窗口尺寸。
步骤S5,根据每个有害气体浓度分段内的各个目标有害气体浓度对应的采集时间,从获取的所有目标有害气体浓度中筛选出每个有害气体浓度分段对应的目标有害气体浓度组集合。
在一些实施例中,可以根据每个有害气体浓度分段内的各个目标有害气体浓度对应的采集时间,从获取的所有目标有害气体浓度中筛选出每个有害气体浓度分段对应的目标有害气体浓度组集合,其中,获取的所有目标有害气体浓度可以是所有目标空间对应的目标有害气体浓度集合中的所有目标有害气体浓度。
需要说明的是,综合考虑有害气体浓度分段内的各个目标有害气体浓度对应的采集时间,可以提高每个有害气体浓度分段对应的目标有害气体浓度组集合筛选的准确度。
作为示例,本步骤可以包括以下步骤:
第一步,对于上述有害气体浓度分段内的每个目标有害气体浓度,从获取的所有目标有害气体浓度中筛选出对应的采集时间与上述目标有害气体浓度对应的采集时间相同的目标有害气体浓度,组成上述目标有害气体浓度对应的目标有害气体浓度组。
其中,目标有害气体浓度组中的目标有害气体浓度可以是有序的。如,可以根据采集目标有害气体浓度的传感器所在的目标空间的位置,按照从左到右的顺序,对筛选出的对应的采集时间与该目标有害气体浓度对应的采集时间相同的目标有害气体浓度进行排序,得到目标有害气体浓度组。
例如,若某个目标有害气体浓度对应的采集时间为2023年08月06日11时03分06秒,则该目标有害气体浓度对应的目标有害气体浓度组可以包括:采集时间为2023年08月06日11时03分06秒的所有目标有害气体浓度。可以根据采集目标有害气体浓度的传感器所在的目标空间,按照从左到右的顺序,对采集时间为2023年08月06日11时03分06秒的所有目标有害气体浓度进行排序,得到该目标有害气体浓度对应的目标有害气体浓度组。
第二步,将上述有害气体浓度分段内的各个目标有害气体浓度对应的目标有害气体浓度组,组合为上述有害气体浓度分段对应的目标有害气体浓度组集合。
其中,有害气体浓度分段对应的目标有害气体浓度组集合可以包括:该有害气体浓度分段内的各个目标有害气体浓度对应的目标有害气体浓度组。
步骤S6,根据每个有害气体浓度分段对应的目标有害气体浓度组集合,确定每个有害气体浓度分段对应的目标噪声异常差异。
在一些实施例中,可以根据每个有害气体浓度分段对应的目标有害气体浓度组集合,确定每个有害气体浓度分段对应的目标噪声异常差异。
需要说明的是,综合考虑每个有害气体浓度分段对应的目标有害气体浓度组集合,可以提高每个有害气体浓度分段对应的目标噪声异常差异确定的准确度。其次,由于有害气体浓度分段对应的目标窗口尺寸的大小往往与有害气体浓度分段内的数据噪声程度有关,因此确定有害气体浓度分段对应的目标噪声异常差异,可以便于后续精确地确定有害气体浓度分段对应的目标窗口尺寸。
作为示例,本步骤可以包括以下步骤:
第一步,从上述有害气体浓度分段中筛选出每个目标有害气体浓度对应的其他气体浓度集合。
其中,目标有害气体浓度对应的其他气体浓度集合可以包括:有害气体浓度分段中除了该目标有害气体浓度之外的目标有害气体浓度。
例如,有害气体浓度分段中的第一个目标有害气体浓度对应的其他气体浓度集合可以包括:该有害气体浓度分段中除了第一个目标有害气体浓度之外的目标有害气体浓度。
第二步,对于每个目标有害气体浓度与其对应的其他气体浓度集合中的每个其他气体浓度,确定上述目标有害气体浓度对应的目标有害气体浓度组与上述其他气体浓度对应的目标有害气体浓度组之间的相似性的平方,作为上述目标有害气体浓度与上述其他气体浓度之间的目标相似性。
例如,对于每个目标有害气体浓度与每个其他气体浓度,可以通过DTW算法,确定该目标有害气体浓度对应的目标有害气体浓度组与该其他气体浓度对应的目标有害气体浓度组之间的相似性。
第三步,对于每个目标有害气体浓度,根据上述目标有害气体浓度与其对应的其他气体浓度集合中的各个其他气体浓度之间的目标相似性,确定上述目标有害气体浓度对应的整体相似性。
其中,目标相似性可以与整体相似性呈正相关。
第四步,根据上述有害气体浓度分段中的各个目标有害气体浓度对应的整体相似性,确定上述有害气体浓度分段对应的目标噪声异常差异。
其中,整体相似性可以与目标噪声异常差异呈负相关。
例如,确定有害气体浓度分段对应的目标噪声异常差异对应的公式可以为:
其中,是第i个目标空间对应的有害气体浓度分段集合中,第j个有害气体浓
度分段对应的目标噪声异常差异。是归一化函数,可以实现归一化。是第i
个目标空间对应的有害气体浓度分段集合中,第j个有害气体浓度分段中,第b个目标有害
气体浓度对应的目标有害气体浓度组。是第i个目标空间对应的有害气体浓度分段集
合中,第j个有害气体浓度分段中,第b个目标有害气体浓度对应的其他气体浓度集合中,第
c个其他气体浓度对应的目标有害气体浓度组。是通过DTW算法,确定
的和之间的相似性。是第i个目标空间对应的有害气体浓度分段集合中,第j
个有害气体浓度分段中目标有害气体浓度的数量。是第i个目标空间对应的有害气体
浓度分段集合中,第j个有害气体浓度分段中,第b个目标有害气体浓度对应的其他气体浓
度集合中其他气体浓度的数量。是第i个目标空间对应的有害气
体浓度分段集合中,第j个有害气体浓度分段中,第b个目标有害气体浓度,与第b个目标有
害气体浓度对应的其他气体浓度集合中,第c个其他气体浓度之间的目标相似性。是第i个目标空间对应的有害气体浓度分段集合中,第j
个有害气体浓度分段中,第b个目标有害气体浓度对应的整体相似性。可以表征第i个
目标空间对应的有害气体浓度分段集合中,第j个有害气体浓度分段与各个其他气体浓度
之间的相似程度。与呈负相关。与呈正相关。i是目标空间的
序号。j是第i个目标空间对应的有害气体浓度分段集合中有害气体浓度分段的序号。b是第
j个有害气体浓度分段中目标有害气体浓度的序号。c是第b个目标有害气体浓度对应的其
他气体浓度集合中其他气体浓度的序号。
需要说明的是,有害的可燃气体在各个目标空间内流动,同一时刻下的各个目标
有害气体浓度可以表征浓度变化过程,即同一时刻下的各个目标有害气体浓度可以表征有
害的可燃气体的流动分布,当各个时刻下的流动分布越相似,即各个目标有害气体浓度组
之间越相似时,往往说明目标有害气体浓度中的噪声程度越小。当越小时,往往说明第
j个有害气体浓度分段中的各个目标有害气体浓度对应目标有害气体浓度组与其对应的其
他气体浓度集合中各个其他气体浓度对应的目标有害气体浓度组之间越不相似,往往说明
第j个有害气体浓度分段分布越紊乱,往往说明第j个有害气体浓度分段中可能存在越多的
噪声数据。因此,当越大时,往往说明第j个有害气体浓度分段中可能存在越多的噪声
数据,往往说明越需要为第j个有害气体浓度分段设置较大的窗口尺寸。
步骤S7,根据预设窗口尺寸、每个有害气体浓度分段与其对应的参考温度分段集合中的各个参考温度分段之间的目标分布趋势相似性、以及每个有害气体浓度分段对应的目标噪声异常差异,确定每个有害气体浓度分段对应的目标窗口尺寸,并确定每个温度分段对应的目标窗口尺寸。
在一些实施例中,可以根据预设窗口尺寸、每个有害气体浓度分段与其对应的参考温度分段集合中的各个参考温度分段之间的目标分布趋势相似性、以及每个有害气体浓度分段对应的目标噪声异常差异,确定每个有害气体浓度分段对应的目标窗口尺寸,并确定每个温度分段对应的目标窗口尺寸。
其中,预设窗口尺寸可以是预先设置的尺寸。预设窗口尺寸可以表征参与每次移动平均时元素的个数。目标窗口尺寸可以是自适应修正后的预设窗口尺寸。
需要说明的是,综合考虑预设窗口尺寸、每个有害气体浓度分段与其对应的参考温度分段集合中的各个参考温度分段之间的目标分布趋势相似性、以及每个有害气体浓度分段对应的目标噪声异常差异,可以提高每个有害气体浓度分段对应的目标窗口尺寸确定的准确度。其次,确定每个有害气体浓度分段和每个温度分段对应的目标窗口尺寸,可以便于后续对每个有害气体浓度分段和每个温度分段精确地进行数据清洗。
作为示例,本步骤可以包括以下步骤:
第一步,根据上述有害气体浓度分段与其对应的参考温度分段集合中的每个参考温度分段之间的目标分布趋势相似性、以及上述有害气体浓度分段对应的目标噪声异常差异,确定上述有害气体浓度分段与上述参考温度分段之间的参考匹配度。
其中,目标分布趋势相似性可以与参考匹配度呈正相关。目标噪声异常差异可以与参考匹配度呈负相关。
例如,确定有害气体浓度分段与参考温度分段之间的参考匹配度对应的公式可以为:
其中,是第i个目标空间对应的有害气体浓度分段集合中,第j个有害气体浓
度分段与其对应的参考温度分段集合中第a个参考温度分段之间的参考匹配度;其值的取
值范围可以为[0,1]。是第i个目标空间对应的有害气体浓度分段集合中,第j个有害气
体浓度分段对应的目标噪声异常差异。是第i个目标空间对应的有害气体浓度分段集
合中,第j个有害气体浓度分段与其对应的参考温度分段集合中第a个参考温度分段之间的
目标分布趋势相似性。与呈负相关。与呈正相关。i是目标空间的序号。
j是第i个目标空间对应的有害气体浓度分段集合中有害气体浓度分段的序号。a是第j个有
害气体浓度分段对应的参考温度分段集合中参考温度分段的序号。
需要说明的是,当越大时,往往说明第j个有害气体浓度分段中可能存在越多
的噪声数据,往往说明越需要为第j个有害气体浓度分段设置较大的窗口尺寸。当越大
时,往往说明第j个有害气体浓度分段与第a个参考温度分段之间越相似,往往说明第j个有
害气体浓度分段中越未产生较多的噪声数据,往往说明越需要为第j个有害气体浓度分段
设置较小的窗口尺寸。因此当越大时,往往说明第j个有害气体浓度分段与第a个参考
温度分段之间越匹配,往往说明越需要为第j个有害气体浓度分段设置较小的窗口尺寸。
第二步,从上述有害气体浓度分段与其对应的参考温度分段集合中的各个参考温度分段之间的参考匹配度中筛选出最大的参考匹配度,作为上述有害气体浓度分段对应的目标匹配度。
第三步,根据上述有害气体浓度分段对应的目标匹配度,确定上述有害气体浓度分段对应的噪声异常程度。
其中,目标匹配度可以与噪声异常程度呈负相关。
第四步,根据上述有害气体浓度分段对应的噪声异常程度和预设窗口尺寸,确定上述有害气体浓度分段对应的目标窗口尺寸。
其中,噪声异常程度和预设窗口尺寸均可以与目标窗口尺寸呈正相关。
例如,确定有害气体浓度分段对应的目标窗口尺寸对应的公式可以为:
其中,是第i个目标空间对应的有害气体浓度分段集合中,第j个有害气体浓度
分段对应的目标窗口尺寸。L是预设窗口尺寸。是第i个目标空间对应的有害气体浓度
分段集合中,第j个有害气体浓度分段对应的目标匹配度。是第i个目标空间对应
的有害气体浓度分段集合中,第j个有害气体浓度分段对应的噪声异常程度。与呈负相关。L和均与呈正相关。i是目标空间的序号。j是第i个目标空
间对应的有害气体浓度分段集合中有害气体浓度分段的序号。
需要说明的是,当越大时,往往说明越需要为第j个有害气体浓度分段设置较
小的窗口尺寸。因此可以用对第j个有害气体浓度分段的预设窗口尺寸进行修正。
第五步,从上述温度分段所属温度分段集合对应的目标空间对应的有害气体浓度分段集合中筛选出上述温度分段对应的参考浓度分段集合,其中,此时的温度分段集合和有害气体浓度分段集合可以是在同一个目标空间内采集的。
例如,从上述温度分段所属温度分段集合对应的目标空间对应的有害气体浓度分段集合中筛选出上述温度分段对应的参考浓度分段集合可以包括以下子步骤:
第一子步骤,将上述温度分段中的第一个目标温度对应的采集时间,确定为上述温度分段对应的采集代表时间。
第二子步骤,将每个有害气体浓度分段中的第一个目标有害气体浓度对应的采集时间,确定为上述有害气体浓度分段对应的采集代表时间。
第三子步骤,从上述有害气体浓度分段集合中筛选出对应的采集代表时间早于上述温度分段对应的采集代表时间,并且对应的采集代表时间与上述温度分段对应的采集代表时间的差值的绝对值小于预设时间跨度的有害气体浓度分段,作为候选浓度分段,得到上述温度分段对应的候选浓度分段集合,其中,此时的有害气体浓度分段集合和温度分段可以是在同一个目标空间内采集的。
第四子步骤,将每个有害气体浓度分段中的最后一个目标有害气体浓度与第一个目标有害气体浓度的差值,确定为上述有害气体浓度分段对应的趋势特征指标。
第五子步骤,将上述温度分段中的最后一个目标温度与第一个目标温度的差值,确定为上述温度分段对应的趋势特征指标。
第六子步骤,从上述候选浓度分段集合中筛选出对应的趋势特征指标与上述温度分段对应的趋势特征指标的正负性相同的候选浓度分段,作为参考浓度分段,得到上述温度分段对应的参考浓度分段集合,其中,此时的候选浓度分段集合和温度分段可以是在同一个目标空间内采集的。
第六步,确定上述温度分段与其对应的参考浓度分段集合中的每个参考浓度分段之间的目标分布趋势相似性。
例如,可以参考步骤S4确定目标分布趋势相似性的方式,确定温度分段与参考浓度分段之间的目标分布趋势相似性,具体为:可以将温度分段与参考浓度分段分别作为参考温度分段与有害气体浓度分段,执行步骤S4,得到的目标分布趋势相似性,即为温度分段与参考浓度分段之间的目标分布趋势相似性。
第七步,根据上述温度分段内的各个目标温度对应的采集时间,从获取的所有目标温度中筛选出上述温度分段对应的目标温度组集合可以包括以下子步骤:
第一子步骤,对于温度分段内的每个目标温度,从获取的所有目标温度中筛选出对应的采集时间与该目标温度对应的采集时间相同的目标温度,组成该目标温度对应的目标温度组。
其中,目标温度组中的目标温度可以是有序的。如,可以根据采集目标温度的传感器所在的目标空间,按照从左到右的顺序,对筛选出的对应的采集时间与该目标温度对应的采集时间相同的目标温度进行排序,得到目标温度组。
例如,若某个目标温度对应的采集时间为2023年08月06日11时03分06秒,则该目标温度对应的目标温度组可以包括:采集时间为2023年08月06日11时03分06秒的所有目标温度。可以根据采集目标温度的传感器所在的目标空间的位置,按照从左到右的顺序,对采集时间为2023年08月06日11时03分06秒的所有目标温度进行排序,得到该目标温度对应的目标温度组。
第二子步骤,将温度分段内的各个目标温度对应的目标温度组,组合为该温度分段对应的目标温度组集合。
其中,温度分段对应的目标温度组集合可以包括:该温度分段内的各个目标温度对应的目标温度组。
第八步,根据上述温度分段对应的目标温度组集合,确定上述温度分段对应的目标噪声异常差异。
例如,可以参考步骤S6确定目标噪声异常差异的方式,确定温度分段对应的目标噪声异常差异,具体为:可以将温度分段和目标温度组集合分别作为有害气体浓度分段和目标有害气体浓度组集合,执行步骤S6,得到的目标噪声异常差异,即为温度分段对应的目标噪声异常差异。
第九步,根据预设窗口尺寸、上述温度分段与其对应的参考浓度分段集合中的各个参考浓度分段之间的目标分布趋势相似性、以及上述温度分段对应的目标噪声异常差异,确定上述温度分段对应的目标窗口尺寸。
例如,可以参考步骤S7确定有害气体浓度分段对应的目标窗口尺寸的方式,确定温度分段对应的目标窗口尺寸,具体为:可以将温度分段和参考浓度分段集合,分别作为有害气体浓度分段和参考温度分段集合,执行步骤S7包括的作为示例包括的第一步至第四步,得到的目标窗口尺寸,即为温度分段对应的目标窗口尺寸。
需要说明的是,可以基于确定有害气体浓度分段对应的目标窗口尺寸的相同思想,确定温度分段对应的目标窗口尺寸。其次,若某个有害气体浓度分段对应的参考温度分段集合中参考温度分段的数量为0,从而无法计算其对应的目标窗口尺寸,则后续可以基于预设窗口尺寸,对该有害气体浓度分段进行数据清洗。
步骤S8,根据对应的目标窗口尺寸,通过移动平均法,分别对每个有害气体浓度分段和每个温度分段进行数据清洗。
在一些实施例中,可以根据对应的目标窗口尺寸,通过移动平均法,分别对每个有害气体浓度分段和每个温度分段进行数据清洗。
需要说明的是,根据对应的目标窗口尺寸,通过移动平均法,分别对每个有害气体浓度分段和每个温度分段进行数据清洗,实现了对目标温度和目标有害气体浓度的数据清洗。
作为示例,首先,可以根据有害气体浓度分段对应的目标窗口尺寸,通过移动平均法,对该有害气体浓度分段进行数据清洗。即,可以根据有害气体浓度分段对应的目标窗口尺寸,通过移动平均法,对该有害气体浓度分段中的各个目标有害气体浓度进行移动平均,以实现对该有害气体浓度分段的数据清洗。接着,可以根据温度分段对应的目标窗口尺寸,通过移动平均法,对该温度分段进行数据清洗。即,可以根据温度分段对应的目标窗口尺寸,通过移动平均法,对该温度分段中的各个目标温度进行移动平均,以实现对该温度分段的数据清洗。
综上,相较于直接通过人工的方式设置预设窗口尺寸,本发明自适应地确定了每个有害气体浓度分段和每个温度分段对应的目标窗口尺寸,提高了窗口尺寸确定的准确度,从而提高了数据清洗效果。
以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围,均应包含在本发明的保护范围之内。
Claims (10)
1.一种焚烧炉运行异常状态数据清洗方法,其特征在于,包括以下步骤:
获取目标焚烧炉内的每个目标空间对应的目标温度集合和目标有害气体浓度集合;
分别对每个目标空间对应的目标温度集合和目标有害气体浓度集合进行分段,得到每个目标空间对应的温度分段集合和有害气体浓度分段集合;
从所述温度分段集合中筛选出所述有害气体浓度分段集合中的每个有害气体浓度分段对应的参考温度分段集合;
确定每个有害气体浓度分段与其对应的参考温度分段集合中的每个参考温度分段之间的目标分布趋势相似性;
根据每个有害气体浓度分段内的各个目标有害气体浓度对应的采集时间,从获取的所有目标有害气体浓度中筛选出每个有害气体浓度分段对应的目标有害气体浓度组集合;
根据每个有害气体浓度分段对应的目标有害气体浓度组集合,确定每个有害气体浓度分段对应的目标噪声异常差异;
根据预设窗口尺寸、每个有害气体浓度分段与其对应的参考温度分段集合中的各个参考温度分段之间的目标分布趋势相似性、以及每个有害气体浓度分段对应的目标噪声异常差异,确定每个有害气体浓度分段对应的目标窗口尺寸,并确定每个温度分段对应的目标窗口尺寸;
根据对应的目标窗口尺寸,通过移动平均法,分别对每个有害气体浓度分段和每个温度分段进行数据清洗。
2.根据权利要求1所述的一种焚烧炉运行异常状态数据清洗方法,其特征在于,所述分别对每个目标空间对应的目标温度集合和目标有害气体浓度集合进行分段,得到每个目标空间对应的温度分段集合和有害气体浓度分段集合,包括:
根据目标温度和目标有害气体浓度对应的采集时间,分别对所述目标空间对应的目标温度集合和目标有害气体浓度集合进行排序,得到所述目标空间对应的目标温度序列和目标有害气体浓度序列;
分别对所述目标空间对应的目标温度序列和目标有害气体浓度序列中的各个元素进行移动平均,得到所述目标空间对应的平滑温度序列和平滑浓度序列;
从所述目标空间对应的平滑温度序列中筛选出极大值和极小值,作为端点温度,并将所述目标空间对应的平滑温度序列中的第一个平滑温度和最后一个平滑温度,确定为端点温度,得到所述目标空间对应的端点温度序列;
从所述目标空间对应的平滑浓度序列中筛选出极大值和极小值,作为端点浓度,并将所述目标空间对应的平滑浓度序列中的第一个平滑浓度和最后一个平滑浓度,确定为端点浓度,得到所述目标空间对应的端点浓度序列;
以所述目标空间对应的端点温度序列中的每个端点温度对应的时刻为分割点,对所述目标空间对应的目标温度序列进行分割,得到所述目标空间对应的温度分段集合;
以所述目标空间对应的端点浓度序列中的每个端点浓度对应的时刻为分割点,对所述目标空间对应的目标有害气体浓度序列进行分割,得到所述目标空间对应的有害气体浓度分段集合。
3.根据权利要求1所述的一种焚烧炉运行异常状态数据清洗方法,其特征在于,所述从所述温度分段集合中筛选出所述有害气体浓度分段集合中的每个有害气体浓度分段对应的参考温度分段集合,包括:
将所述温度分段集合中每个温度分段中的第一个目标温度对应的采集时间,确定为所述温度分段对应的采集代表时间;
将所述有害气体浓度分段中的第一个目标有害气体浓度对应的采集时间,确定为所述有害气体浓度分段对应的采集代表时间;
从所述温度分段集合中筛选出对应的采集代表时间晚于所述有害气体浓度分段对应的采集代表时间,并且对应的采集代表时间与所述有害气体浓度分段对应的采集代表时间的差值的绝对值小于预设时间跨度的温度分段,作为候选温度分段,得到所述有害气体浓度分段对应的候选温度分段集合;
将所述有害气体浓度分段中的最后一个目标有害气体浓度与第一个目标有害气体浓度的差值,确定为所述有害气体浓度分段对应的趋势特征指标;
将每个候选温度分段中的最后一个目标温度与第一个目标温度的差值,确定为所述候选温度分段对应的趋势特征指标;
从所述候选温度分段集合中筛选出对应的趋势特征指标与所述有害气体浓度分段对应的趋势特征指标的正负性相同的候选温度分段,作为参考温度分段,得到所述有害气体浓度分段对应的参考温度分段集合。
4.根据权利要求1所述的一种焚烧炉运行异常状态数据清洗方法,其特征在于,所述确定每个有害气体浓度分段与其对应的参考温度分段集合中的每个参考温度分段之间的目标分布趋势相似性,包括:
对所述有害气体浓度分段中的每个目标有害气体浓度进行归一化,确定所述目标有害气体浓度对应的标准浓度,得到所述有害气体浓度分段对应的标准浓度分段;
对所述参考温度分段中的每个目标温度进行归一化,确定所述目标温度对应的标准温度,得到所述参考温度分段对应的标准温度分段;
确定所述标准浓度分段中的每个标准浓度与所述标准温度分段中的每个标准温度之间的目标修正距离指标;
根据所述标准浓度分段中的各个标准浓度与所述标准温度分段中的各个标准温度之间的目标修正距离指标,确定所述有害气体浓度分段与所述参考温度分段之间的目标分布趋势相似性,其中,目标修正距离指标与目标分布趋势相似性呈负相关。
5.根据权利要求4所述的一种焚烧炉运行异常状态数据清洗方法,其特征在于,所述确定所述标准浓度分段中的每个标准浓度与所述标准温度分段中的每个标准温度之间的目标修正距离指标对应的公式为:
其中,是第i个目标空间对应的有害气体浓度分段集合中,第j个有害气体浓度分段对应的标准浓度分段中第h个标准浓度,与第j个有害气体浓度分段对应的参考温度分段集合中,第a个参考温度分段对应的标准温度分段中,第/>个标准温度之间的目标修正距离指标;i是目标空间的序号;j是第i个目标空间对应的有害气体浓度分段集合中有害气体浓度分段的序号;h是第j个有害气体浓度分段对应的标准浓度分段中标准浓度的序号;a是第j个有害气体浓度分段对应的参考温度分段集合中参考温度分段的序号;/>是第a个参考温度分段对应的标准温度分段中标准温度的序号;/>是第i个目标空间对应的有害气体浓度分段集合中,第j个有害气体浓度分段对应的标准浓度分段中第h个标准浓度,与第j个有害气体浓度分段对应的参考温度分段集合中,第a个参考温度分段对应的标准温度分段中,第/>个标准温度之间的欧氏距离;/>是第i个目标空间对应的有害气体浓度分段集合中,第j个有害气体浓度分段对应的标准浓度分段中第h个标准浓度,与第j个有害气体浓度分段对应的参考温度分段集合中,第a个参考温度分段对应的标准温度分段中,第个标准温度之间的第一修正权重;/>是取最小值函数;/>是第h-1个标准浓度与第/>个标准温度之间的目标修正距离指标;/>是第h-1个标准浓度与第/>个标准温度之间的目标修正距离指标;/>是第h个标准浓度与第/>个标准温度之间的目标修正距离指标;/>是归一化函数;/>是取绝对值函数;是第i个目标空间对应的有害气体浓度分段集合中,第j个有害气体浓度分段对应的标准浓度分段中的第h个标准浓度;/>是第i个目标空间对应的有害气体浓度分段集合中,第j个有害气体浓度分段对应的标准浓度分段中第h个标准浓度对应的平滑标准浓度;平滑标准浓度是进行移动平均后的标准浓度;/>是第i个目标空间对应的有害气体浓度分段集合中,第j个有害气体浓度分段对应的参考温度分段集合中,第a个参考温度分段对应的标准温度分段中的第/>个标准温度;/>是第i个目标空间对应的有害气体浓度分段集合中,第j个有害气体浓度分段对应的参考温度分段集合中,第a个参考温度分段对应的标准温度分段中,第/>个标准温度对应的平滑标准温度;平滑标准温度是进行移动平均后的标准温度。
6.根据权利要求1所述的一种焚烧炉运行异常状态数据清洗方法,其特征在于,所述根据每个有害气体浓度分段内的各个目标有害气体浓度对应的采集时间,从获取的所有目标有害气体浓度中筛选出每个有害气体浓度分段对应的目标有害气体浓度组集合,包括:
对于所述有害气体浓度分段内的每个目标有害气体浓度,从获取的所有目标有害气体浓度中筛选出对应的采集时间与所述目标有害气体浓度对应的采集时间相同的目标有害气体浓度,组成所述目标有害气体浓度对应的目标有害气体浓度组;
将所述有害气体浓度分段内的各个目标有害气体浓度对应的目标有害气体浓度组,组合为所述有害气体浓度分段对应的目标有害气体浓度组集合。
7.根据权利要求6所述的一种焚烧炉运行异常状态数据清洗方法,其特征在于,所述根据每个有害气体浓度分段对应的目标有害气体浓度组集合,确定每个有害气体浓度分段对应的目标噪声异常差异,包括:
从所述有害气体浓度分段中筛选出每个目标有害气体浓度对应的其他气体浓度集合;
对于每个目标有害气体浓度与其对应的其他气体浓度集合中的每个其他气体浓度,确定所述目标有害气体浓度对应的目标有害气体浓度组与所述其他气体浓度对应的目标有害气体浓度组之间的相似性的平方,作为所述目标有害气体浓度与所述其他气体浓度之间的目标相似性;
对于每个目标有害气体浓度,根据所述目标有害气体浓度与其对应的其他气体浓度集合中的各个其他气体浓度之间的目标相似性,确定所述目标有害气体浓度对应的整体相似性,其中,目标相似性与整体相似性呈正相关;
根据所述有害气体浓度分段中的各个目标有害气体浓度对应的整体相似性,确定所述有害气体浓度分段对应的目标噪声异常差异,其中,整体相似性与目标噪声异常差异呈负相关。
8.根据权利要求1所述的一种焚烧炉运行异常状态数据清洗方法,其特征在于,所述根据预设窗口尺寸、每个有害气体浓度分段与其对应的参考温度分段集合中的各个参考温度分段之间的目标分布趋势相似性、以及每个有害气体浓度分段对应的目标噪声异常差异,确定每个有害气体浓度分段对应的目标窗口尺寸,包括:
根据所述有害气体浓度分段与其对应的参考温度分段集合中的每个参考温度分段之间的目标分布趋势相似性、以及所述有害气体浓度分段对应的目标噪声异常差异,确定所述有害气体浓度分段与所述参考温度分段之间的参考匹配度,其中,目标分布趋势相似性与参考匹配度呈正相关,目标噪声异常差异与参考匹配度呈负相关;
从所述有害气体浓度分段与其对应的参考温度分段集合中的各个参考温度分段之间的参考匹配度中筛选出最大的参考匹配度,作为所述有害气体浓度分段对应的目标匹配度;
根据所述有害气体浓度分段对应的目标匹配度,确定所述有害气体浓度分段对应的噪声异常程度,其中,目标匹配度与噪声异常程度呈负相关;
根据所述有害气体浓度分段对应的噪声异常程度和预设窗口尺寸,确定所述有害气体浓度分段对应的目标窗口尺寸,其中,噪声异常程度和预设窗口尺寸均与目标窗口尺寸呈正相关。
9.根据权利要求1所述的一种焚烧炉运行异常状态数据清洗方法,其特征在于,所述确定每个温度分段对应的目标窗口尺寸,包括:
从所述温度分段所属温度分段集合对应的目标空间对应的有害气体浓度分段集合中筛选出所述温度分段对应的参考浓度分段集合;
确定所述温度分段与其对应的参考浓度分段集合中的每个参考浓度分段之间的目标分布趋势相似性;
根据所述温度分段内的各个目标温度对应的采集时间,从获取的所有目标温度中筛选出所述温度分段对应的目标温度组集合;
根据所述温度分段对应的目标温度组集合,确定所述温度分段对应的目标噪声异常差异;
根据预设窗口尺寸、所述温度分段与其对应的参考浓度分段集合中的各个参考浓度分段之间的目标分布趋势相似性、以及所述温度分段对应的目标噪声异常差异,确定所述温度分段对应的目标窗口尺寸。
10.根据权利要求9所述的一种焚烧炉运行异常状态数据清洗方法,其特征在于,所述从所述温度分段所属温度分段集合对应的目标空间对应的有害气体浓度分段集合中筛选出所述温度分段对应的参考浓度分段集合,包括:
将所述温度分段中的第一个目标温度对应的采集时间,确定为所述温度分段对应的采集代表时间;
将每个有害气体浓度分段中的第一个目标有害气体浓度对应的采集时间,确定为所述有害气体浓度分段对应的采集代表时间;
从所述有害气体浓度分段集合中筛选出对应的采集代表时间早于所述温度分段对应的采集代表时间,并且对应的采集代表时间与所述温度分段对应的采集代表时间的差值的绝对值小于预设时间跨度的有害气体浓度分段,作为候选浓度分段,得到所述温度分段对应的候选浓度分段集合;
将每个有害气体浓度分段中的最后一个目标有害气体浓度与第一个目标有害气体浓度的差值,确定为所述有害气体浓度分段对应的趋势特征指标;
将所述温度分段中的最后一个目标温度与第一个目标温度的差值,确定为所述温度分段对应的趋势特征指标;
从所述候选浓度分段集合中筛选出对应的趋势特征指标与所述温度分段对应的趋势特征指标的正负性相同的候选浓度分段,作为参考浓度分段,得到所述温度分段对应的参考浓度分段集合。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311243419.5A CN116992083B (zh) | 2023-09-26 | 2023-09-26 | 一种焚烧炉运行异常状态数据清洗方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311243419.5A CN116992083B (zh) | 2023-09-26 | 2023-09-26 | 一种焚烧炉运行异常状态数据清洗方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116992083A true CN116992083A (zh) | 2023-11-03 |
CN116992083B CN116992083B (zh) | 2023-12-12 |
Family
ID=88532416
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311243419.5A Active CN116992083B (zh) | 2023-09-26 | 2023-09-26 | 一种焚烧炉运行异常状态数据清洗方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116992083B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113934714A (zh) * | 2021-09-14 | 2022-01-14 | 杭州电子科技大学 | 一种基于概率密度聚类的数据清洗方法及装置 |
CN115795380A (zh) * | 2022-11-25 | 2023-03-14 | 北京工业大学 | 一种基于孤立森林和加权随机森林的烟气制酸数据清洗及优化方法 |
-
2023
- 2023-09-26 CN CN202311243419.5A patent/CN116992083B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113934714A (zh) * | 2021-09-14 | 2022-01-14 | 杭州电子科技大学 | 一种基于概率密度聚类的数据清洗方法及装置 |
CN115795380A (zh) * | 2022-11-25 | 2023-03-14 | 北京工业大学 | 一种基于孤立森林和加权随机森林的烟气制酸数据清洗及优化方法 |
Also Published As
Publication number | Publication date |
---|---|
CN116992083B (zh) | 2023-12-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Garvin et al. | Interactive analysis and assessment of single-cell copy-number variations | |
CN109740648B (zh) | 电力负荷异常数据识别方法、装置和计算机设备 | |
CN110852515B (zh) | 基于混合长短时记忆神经网络的水质指标预测方法 | |
CN105279391A (zh) | 一种宏基因组16S rRNA的高通量测序数据处理及分析流程控制方法 | |
Martinelli et al. | Cooperative classifiers for reconfigurable sensor arrays | |
CN110020475B (zh) | 一种交通流预测的马尔科夫粒子滤波方法 | |
CN112289391B (zh) | 一种基于机器学习的阳极铝箔性能预测系统 | |
CN112151118B (zh) | 一种多时间序列肠道菌群数据分析流程控制方法 | |
Andrews et al. | Using the NANA toolkit at home to predict older adults’ future depression | |
CN115659255A (zh) | 一种基于时频域建模与特征选择的路灯故障诊断方法 | |
CN117312997A (zh) | 一种电力管理系统智能诊断方法及系统 | |
CN114757413A (zh) | 一种基于时序数列分析耦合神经网络预测的不良数据辨识方法 | |
CN112906738A (zh) | 一种水质检测及处理方法 | |
CN116992083B (zh) | 一种焚烧炉运行异常状态数据清洗方法 | |
CN116992391A (zh) | 一种硬碳工艺环保监测数据采集处理方法 | |
Banupriya et al. | Robust Optimization of electroencephalograph (EEG) signals for epilepsy seizure prediction by utilizing VSPO genetic algorithms with SVM and machine learning methods | |
Netzer et al. | Evaluating Performance and Interpretability of Machine Learning Methods for Predicting Delirium in Gerontopsychiatric Patients. | |
CN115659195B (zh) | 一种大气污染在线识别方法 | |
CN116779172A (zh) | 一种基于集成学习的肺癌疾病负担风险预警方法 | |
Devarapalli et al. | Identification of AIDS disease severity based on computational intelligence techniques using clonal selection algorithm | |
CN109003681B (zh) | 一种基于指数加权移动平均的症状相关性预警方法 | |
AlEisa et al. | K-mer spectrum-based error correction algorithm for next-generation sequencing data | |
CN117688311B (zh) | 一种难降解含盐废水深度处理实时监测方法及系统 | |
Kerandel et al. | Method for automatically processing outliers of a quantitative variable | |
Qian et al. | Assessing the Impact of the COVID-19 Pandemic on Electricity Consumption: A Machine Learning Approach |
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 | ||
CP03 | Change of name, title or address |
Address after: No. 1398 Qinan Road, Yangcheng Science and Technology Industrial Park, Xiangcheng District, Suzhou City, Jiangsu Province, China Patentee after: Suzhou Cohen New Energy Technology Co.,Ltd. Country or region after: China Address before: 215138 buildings 3 and 4, 289 Fengyang Road, Dalou village, Yangchenghu Town, Xiangcheng District, Suzhou City, Jiangsu Province Patentee before: SUZHOU KEER POEN MACHINERY TECHNOLOGY Co.,Ltd. Country or region before: China |
|
CP03 | Change of name, title or address |