CN117007135B - 一种基于物联网数据的液压风扇自动组装线监测系统 - Google Patents

Abstract

本申请涉及数据处理领域，提供一种基于物联网数据的液压风扇自动组装线监测系统，包括：数据采集模块、数据处理模块以及异常监测模块，数据采集模块利用定位传感器采集得到第一数据序列，以及利用压力传感器采集得到第二数据序列；数据处理模块用于确定所述第一数据序列中的可疑数据点以及所述可疑数据点的异常状态得分，利用所述第二数据序列确定所述可疑数据点的异常情况置信度；异常监测模块用于利用孤立森林算法基于所述可疑数据点的异常状态得分值和所述可疑数据点的异常情况置信度确定所述可疑数据点的最终异常得分，并基于所述可疑数据点的最终异常得分确定所述可疑数据点是否异常。

Description

一种基于物联网数据的液压风扇自动组装线监测系统

技术领域

本申请涉及数据处理领域，特别是涉及一种基于物联网数据的液压风扇自动组装线监测系统。

背景技术

随着计算机技术的发展，计算机硬件的散热需求逐渐增加，仅一台家用计算机就可能用得上三到四个液压散热风扇，因此，液压散热风扇的质量也逐渐成为了人们的关注重点。目前随着自动化生产线技术与设备的高速发展，液压散热风扇的生产流程也逐渐实现了自动化、智能化，液压风扇从配件到成品，只需要通过自动组装线便可完成。然而自动组装线流程复杂，其中某一个流程中出现问题都可能影响整个组装线的工作效率，其中流程的开端送料推料过程则很大程度上影响了整个组装线的工作周期。送料推料若产生物料空缺、堆积等情况则会打乱生产线中的工作周期，有可能会造成后续部分流程的工件空缺或装配错误，影响组装效率。

目前对液压风扇自动组装线的送料推料的监测大多是对入料口进行物料间隔识别，利用异常检测算法对即将进入组装线的物料进行间隔检测，进而获取整体的工作周期。然而这种办法并不能排除设备数据获取的误差，仅通过获取一种数据难以说明异常状态的真实性，最后导致对组装线送料推料流程的异常判别产生误判。

发明内容

本发明提供一种基于物联网数据的液压风扇自动组装线监测系统，通过定位传感器和压力传感器采集多个维度的数据，从多个维度进行组装线的监测，提高压风扇自动组装线监测过程中的监测准确性。

第一方面，本申请提供一种基于物联网数据的液压风扇自动组装线监测系统，包括：

数据采集模块，利用定位传感器采集得到第一数据序列，以及利用压力传感器采集得到第二数据序列；其中，所述第一数据序列中的第一数据点表征定位传感器与反射物体的距离，所述第二数据序列中的第二数据点表征送料装置承受的压力；

数据处理模块，用于确定所述第一数据序列中的可疑数据点以及所述可疑数据点的异常状态得分，利用所述第二数据序列确定所述可疑数据点的异常情况置信度；

异常监测模块，用于利用孤立森林算法基于所述可疑数据点的异常状态得分值和所述可疑数据点的异常情况置信度确定所述可疑数据点的最终异常得分，并基于所述可疑数据点的最终异常得分确定所述可疑数据点是否异常。

在一可选实施例中，所述异常监测模块还用于：

基于所述可疑数据点的异常状态得分值和所述可疑数据点的异常情况置信度确定所述可疑数据点的异常状态得分贡献因子；利用孤立森林算法基于所述可疑数据点的异常状态得分贡献因子确定所述可疑数据点的最终异常得分。

在一可选实施例中，数据处理模块包括：

可疑数据点确定模块，用于将所述第一数据序列划分为多个子序列，计算所述子序列的周期性脱离系数，基于所述子序列的周期性脱离系数确定所述子序列是否为可疑子序列，所述可疑子序列中的数据点为所述可疑数据点；

第一计算模块，用于计算所述可疑子序列对应的距离均值，基于所述距离均值将所述可疑子序列中的可疑数据点分为第一类型可疑数据点和第二类型可疑数据点，计算所述第一类型可疑数据点的第一横向距离密度和所述第二类型可疑数据点的第二横向距离密度，利用异常检测算法基于所述第一横向距离密度和所述第二横向距离密度确定所述第一类型可疑数据点和所述第二类型可疑数据点的异常状态得分，从而得到所述可疑数据点的异常状态得分；

第二计算模块，基于所述可疑数据点从所述第二数据序列中确定判别数据序列，利用所述判别数据序列确定所述可疑数据点的异常情况置信度。

在一可选实施例中，所述可疑数据点确定模块还用于：

计算所述子序列中距离与时间的皮尔逊相关系数，基于当前子序列对应的皮尔选相关系数与除当前子序列外其余子序列对应的皮尔逊相关系数的比值确定所述当前子序列的周期性脱离系数，从而计算得到所有子序列的周期性脱离系数；如果所述子序列的周期性脱离系数大于第一阈值，则确定所述子序列为可疑子序列。

在一可选实施例中，所述第一计算模块还用于：

将大于所述距离均值的可疑数据点确定为第一类型可疑数据点，以及将小于所述距离均值的可疑数据点确定为第二类型可疑数据点；基于当前第一类型可疑数据点与相邻的第一类型可疑数据点之间的横向距离和所述可疑子序列中所有可疑数据点之间的横向距离之和的比值确定当前第一类型可疑数据点的第一横向距离密度；基于当前第二类型可疑数据点与相邻的第二类型可疑数据点之间的横向距离和所述可疑子序列中所有可疑数据点之间的横向距离之和的比值确定当前第二类型可疑数据点的第二横向距离密度。

在一可选实施例中，所述第二计算模块还用于：

确定所述可疑数据点对应的分段时间，将第二数据序列中分段时间之间的第二数据点作为所述判别数据序列，计算所述判别数据序列对应的压力均值，基于所述压力均值确定第一类型压力点和第二类型压力点，基于所述第一类型压力点和所述第二类型压力点确定所述可疑数据点的异常情况置信度。

在一可选实施例中，所述第二计算模块还用于：

将判别数据序列中大于所述压力均值的第二数据点确定为第一类型压力点；

基于第g个第一类型压力点与第g+1个第一类型压力点的横向距离、第g-1个第一类型压力点与第g个第一类型压力点的横向距离、所有第一类型压力点的横向距离均值、第j个第一类型压力点与第j+1个第一类型压力点的纵向距离、第j-1个第一类型压力点与第j个第一类型压力点的纵向距离、所有第一类型压力点的纵向距离均值计算得到所述可疑数据点的异常情况置信度；

其中，第g个第一类型压力点与第g+1个第一类型压力点相邻，第g-1个第一类型压力点与第g个第一类型压力点相邻，第j个第一类型压力点与第j+1个第一类型压力点相邻，第j-1个第一类型压力点与第j个第一类型压力点相邻。

在一可选实施例中，所述第二计算模块还用于：

利用如下公式计算所述可疑数据点的异常情况置信度：

；

其中，表示第E个可疑数据点的异常情况置信度，/>表示判别数据序列中第g个第一类型压力点与第g+1个第一类型压力点的横向距离，/>表示判别数据序列中第g-1个第一类型压力点与第g个第一类型压力点的横向距离，/>表示判别数据序列中所有第一类型压力点的横向距离均值，/>表示判别数据序列中相邻两个第一类型压力点的横向距离的总数，/>表示判别数据序列中第j个第一类型压力点与第j+1个第一类型压力点的纵向距离，/>表示判别数据序列中第j-1个第一类型压力点与第j个第一类型压力点的纵向距离，/>表示判别数据序列中所有第一类型压力点的纵向距离均值，/>表示判别数据序列中相邻两个第一类型压力点的纵向距离的总数。

在一可选实施例中，所述异常监测模块还用于：

利用如下公式确定所述可疑数据点的最终异常得分：

；

其中，为表示n个第一数据点中第/>个可疑数据点的最终异常得分，/>表示第/>个可疑数据点的异常状态得分贡献因子，/>是第/>个可疑数据点在孤立森林算法的孤立树上的路径，/>是第/>个可疑数据点在孤立森林算法的所有孤立树上的路径的均值, />是修正值。

在一可选实施例中，所述异常监测模块还用于：

在所述可疑数据点的最终异常得分大于第二阈值时，确定所述可疑数据点为异常数据点。

本申请的有益效果，区别于现有技术，本申请的基于物联网数据的液压风扇自动组装线监测系统，包括：数据采集模块、数据处理模块以及异常监测模块，数据采集模块利用定位传感器采集得到第一数据序列，以及利用压力传感器采集得到第二数据序列；其中，所述第一数据序列中的第一数据点表征定位传感器与反射物体的距离，所述第二数据序列中的第二数据点表征送料装置承受的压力；数据处理模块用于确定所述第一数据序列中的可疑数据点以及所述可疑数据点的异常状态得分，利用所述第二数据序列确定所述可疑数据点的异常情况置信度；异常监测模块用于利用孤立森林算法基于所述可疑数据点的异常状态得分值和所述可疑数据点的异常情况置信度确定所述可疑数据点的最终异常得分，并基于所述可疑数据点的最终异常得分确定所述可疑数据点是否异常。通过定位传感器和压力传感器采集多个维度的数据，从多个维度进行组装线的监测，提高压风扇自动组装线监测过程中的监测准确性。

附图说明

图1为本发明基于物联网数据的液压风扇自动组装线监测系统的一实施例的结构示意图；

图2为图1中数据处理模块的一实施例的结构示意图。

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。

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为本发明基于物联网数据的液压风扇自动组装线监测系统的一实施例的结构示意图，具体包括：数据采集模块11、数据处理模块12以及异常监测模块13。

其中，数据采集模块11利用定位传感器采集得到第一数据序列，以及利用压力传感器采集得到第二数据序列；其中，所述第一数据序列中的第一数据点表征定位传感器与反射物体的距离，所述第二数据序列中的第二数据点表征送料装置承受的压力。

具体的，在液压风扇自动组装线的进料口上方设置激光定位传感器，每间隔时间T进行一次数据采集，数据采集长度为n，记录每次采集到的数据为第一数据点，采集到的n个第一数据点组成第一数据序列，记为。在液压风扇配件的推料设备上设置压力传感器，每间隔时间T进行一次数据采集，数据采集长度为n，记录每次采集到的数据为第二数据点，采集到的n个第二数据点组成第二数据序列，记为/>。在本发明中设置T=0.1S，n=500，实施者可根据实际生产情况进行调整，具体不做限定。由于传感器在采集和传输数据的过程中可能会产生数据缺失和产生噪声的情况，本发明采用均值数据填充法对缺失数据进行填补，并采用小波变换的方法对数据进行噪声去除。最后将预处理完成的第一数据序列记录为/>、第二数据序列记为/>。

在整个液压风扇装配流程当中，整个设备的工作流程都是成周期性的，液压风扇的各种配件会根据特定的时间间隔送往不同的装配流程中，然后完成相关配件的装配。其中，前期送料推料流程的周期准确程度间接影响了整个装配流程的效率。具体表现为，正常情况下在送料推料流程中，送料装置从配件库中提取配件，并放置到推料设备中，推料设备通过固定的周期对配件进行推送，推送至装配传送带上，传送带再依据相关的周期进行配件运输。然而，由于送料装置从配件库中提取配件时，存在送料速度过快而上一推料并未推出的情况，以及送料装置提取配件时未提取成功但推料装置依然推出的情况，当出现送料装置配件提取失败时，在推料装置中则会导致配件存在空缺的情况，出现送料装置配件提取过快时，则会使得推料装置中存在多个配件的堆积情况，最终影响整个生产流程的周期，导致后续部分流程配件空缺或装配错误，影响组装线效率。

本发明通过在进料口上方设置激光定位器，反应物料的推送情况。激光定位器的主要工作原理是利用激光发射器发射一束可见激光，在激光接触物体反射后再利用激光接收装置接收，最后再计算出射和入射的时间差，进而判断激光定位器与所射物体的距离。当进料传送带上没有配件时，激光出射点和反射点存在一个固定的距离，而当液压风扇配件经过激光时，则激光出射点和反射点之间的距离变小。由于配件都是经过固定的周期送进下一个装配流程中的，所以最后激光定位器所采集到的数据应该是从最初无配件的较长距离转变成存在配件的较短距离，再变回没有配件的较长距离，以此往复，最后距离呈周期性变化。而当配件的运输出现配件空缺时，则激光定位器的较长距离延续时间变长，直至下一个配件抵达才会变为较短距离，此时距离周期发生变化，当配件堆积运输时，则激光定位器的较短距离延续时间变长，直至无配件时才会变为较长距离，距离周期同样发生变化。基于此，本申请利用压力传感器采集每次激光感应到的距离，得到第一数据点，从而得到第一数据序列。

正常情况下推料装置是按照既定的周期对配件进行推送，所以设置在推料装置上的压力传感器采集的正常第二数据点应该为推料满压与空力之间的相互变化。对于空缺情况而言，可能是由于送料装置的空送导致推料装置中该时刻并无相关配件，最后推料装置空推，推料装置上的压力传感器采集数据为连续的空力。而对于堆积情况而言，可能是由于送料装置在送料过程中周期发生变化，导致配件送达推料装置中时，上一配件尚未被推出，最后导致两个配件都存在同一推送周期中，最后推料装置将它们推出，压力传感器接收到比单个配件更高的压力值。压力传感器采集送料装置承受的压力，得到第二数据点，从而得到第二数据序列。

数据处理模块12用于确定所述第一数据序列中的可疑数据点以及所述可疑数据点的异常状态得分，利用所述第二数据序列确定所述可疑数据点的异常情况置信度。

在一实施例中，请结合图2，数据处理模块12包括可疑数据点确定模块121、第一计算模块122以及第二计算模块123。

在一具体实施例中，可疑数据点确定模块121用于将所述第一数据序列划分为多个子序列，计算所述子序列的周期性脱离系数，基于所述子序列的周期性脱离系数确定所述子序列是否为可疑子序列，所述可疑子序列中的数据点为所述可疑数据点。具体的，正常情况下，第一数据序列呈周期性变化，而当出现异常时则异常时刻的周期性发生改变，设第一数据序列的周期为W，长度为n，将第一数据序列分割成个子序列。

进一步的，计算所述子序列中距离与时间的皮尔逊相关系数，基于当前子序列对应的皮尔选相关系数与除当前子序列外其余子序列对应的皮尔逊相关系数的比值确定所述当前子序列的周期性脱离系数。在一实施例中，利用如下公式计算当前子序列的周期性脱离系数：

；

式中，为第一数据序列中第i个子序列的周期性脱离系数，/>为第一数据序列中第i个子序列的皮尔逊相关系数，/>为第一数据序列中第j个子序列的皮尔逊相关系数，m为第一数据序列中除第i个子序列以外的其余子序列的总数。

当第i个子序列的周期性脱离系数越大，说明第i个子序列与其他子序列的皮尔逊相关系数比值越远离1，该第i个子序列的皮尔逊相关系数与其他子序列的皮尔逊相关系数差距越大，该第i个子序列越可能不呈周期性，第i个子序列中越可能存在异常情况。当第i个子序列的周期性脱离系数越小，说明第i个子序列与其他子序列的皮尔逊相关系数比值越接近1，该第i个子序列的皮尔逊先关系数与其他子序列的皮尔逊相关系数差距越小，该第i个子序列越可能呈周期性，第i个子序列中出现异常情况的可能性较小。

需要特别说明的是，子序列的皮尔逊相关系数不与自身做比较，只与其他子序列比较。最后将周期性脱离系数归一化至[0,1]之间，如果所述子序列的周期性脱离系数大于第一阈值K（K经验值取0.2）时，判断该子序列为可疑子序列。

经过上述计算后，将第一数据序列中可疑子序列区分出来，这些子序列中可能存在异常情况，也即可疑子序列中的第一数据点为可疑数据点。对于周期发生变化的情况具体表现为两种：空缺、堆积。空缺即为在推料过程中缺少某一个或某几个配件，导致在激光定位器定位时出现持续的较长距离数据；堆积即为推料过程中由于配件过多而导致配件多个被一次推出，导致出现持续的较短距离数据。基于上述两种情况，对可疑子序列中的可疑数据点进行区分。

具体的，第一计算模块122用于计算所述可疑子序列对应的距离均值，基于所述距离均值将所述可疑子序列中的可疑数据点分为第一类型可疑数据点和第二类型可疑数据点。具体的，将大于所述距离均值的可疑数据点确定为第一类型可疑数据点，以及将小于所述距离均值的可疑数据点确定为第二类型可疑数据点。可以理解的，大于距离均值的可疑数据点为较长距离数据，即可能出现空缺情况；小于距离均值的可疑数据点为较短距离数据，即可能出现堆积情况。

第一计算模块122计算所述第一类型可疑数据点的第一横向距离密度和所述第二类型可疑数据点的第二横向距离密度。具体的，计算每一个第一类型可疑数据点与相邻的第一类型可疑数据点之间的横向距离，记作；计算每一个第二类型可疑数据点与相邻的第二类型可疑数据点之间的横向距离，记作e。以可疑子序列中可疑数据点的时间间隔为横坐标，距离为纵坐标，构建坐标系，计算可疑子序列中所有可疑数据点之间的横向距离之和，记为V。可以理解的，当出现空缺情况时，出现连续较长距离，而较长距离在可疑子序列中表现为高值，连续较长距离即为连续第一类型可疑数据点，此时第一类型可疑数据点的横向距离变短；同理当出现堆积情况时，出现连续较短距离，较短距离在可疑子序列中表现为低值，连续较短距离即为连续第二类型可疑数据点，此时第二类型可疑数据点的横向距离变短。

基于上述分析，本申请基于当前第一类型可疑数据点与相邻的第一类型可疑数据点之间的横向距离和所述可疑子序列中所有可疑数据点之间的横向距离之和的比值确定当前第一类型可疑数据点的第一横向距离密度。具体的，当前第一类型可疑数据点的第一横向距离密度的计算方式为：

；

其中，表示第i个第一类型可疑数据点的第一横向距离密度，/>表示第i个第一类型可疑数据点与相邻的第一类型可疑数据点之间的横向距离，/>表示可疑子序列中所有可疑数据点之间的横向距离之和。当出现连续第一类型可疑数据点时，该第一类型可疑数据点的横向距离密度较小。

基于当前第二类型可疑数据点与相邻的第二类型可疑数据点之间的横向距离和所述可疑子序列中所有可疑数据点之间的横向距离之和的比值确定当前第二类型可疑数据点的第二横向距离密度。具体的，当前第二类型可疑数据点的第二横向距离密度的计算方式为：

；

其中，表示第i个第二类型可疑数据点的第二横向距离密度，/>表示第i个第二类型可疑数据点与相邻的第二类型可疑数据点之间的横向距离，/>表示可疑子序列中所有可疑数据点之间的横向距离之和。当出现连续第二类型可疑数据点时，该第二类型可疑数据点的横向距离密度较小。

利用异常检测算法基于所述第一横向距离密度和所述第二横向距离密度确定所述第一类型可疑数据点和所述第二类型可疑数据点的异常状态得分，从而得到所述可疑数据点的异常状态得分。具体的，将第一横向距离密度和所述第二横向距离密度作为LOF异常检测算法的输入，获取每个第一类型可疑数据点和第二类型可疑数据点的异常状态得分，第i个可疑数据点（第一类型可疑数据点或第二类型可疑数据点）的异常状态得分记作，当第一类型可疑数据点的异常状态得分越高时，说明该可疑子序列中的该第一类型可疑数据点对应的时刻存在推料空缺情况；当第二类型可疑数据点的异常状态得分越高时，说明该可疑子序列中的该第二类型可疑数据点对应的时刻存在推料堆积的情况。

为了提高异常情况判别的真实性，本申请还设置第二计算模块123，第二计算模块123基于所述可疑数据点从所述第二数据序列中确定判别数据序列，利用所述判别数据序列确定所述可疑数据点的异常情况置信度。具体的，利用第二计算模块123确定所述可疑数据点对应的分段时间，将第二数据序列中分段时间之间的第二数据点作为所述判别数据序列。具体的，由于推料装置与激光定位器的流程存在一定的时间差异，所以当激光定位数据出现异常时，推料装置的异常应该发生在激光定位数据出现异常时刻之前。以可疑子序列中某一个可疑数据点对应的时间作为分段时间，把第二数据序列中该时刻以前的数据作为该可疑数据点的判别数据序列。举例说明：若可疑数据点对应的时间为5，则第二数据序列中取出的判别数据序列即为， />， />，/>。通过该方法可以从第二数据序列中获取每一个可疑数据点对应的判别数据序列，基于该判别数据序列确定对应的可疑数据点的异常情况置信度。

具体的，当出现空缺情况时，推料装置中的压力会出现连续空力情况，即推料装置的空缺时刻前后都是空力，数据值出现连续为0的情况；而对于堆积情况而言，推料装置压力传感器在某次推料过程中产生了极高值，则推料时刻压力数据与相邻的压力数据差距。

基于上述分析，计算所述判别数据序列对应的压力均值，基于所述压力均值确定第一类型压力点和第二类型压力点。具体的，将判别数据序列中压力大于压力均值的第二数据点确定为第一类型压力点，第一类型压力点为高压力点；压力小于所述压力均值的第二数据点确定为第二类型压力点，第二类型压力点为空力点。

基于所述第一类型压力点和所述第二类型压力点确定所述可疑数据点的异常情况置信度。具体的，以判别数据序列中第二数据点的时间间隔为横坐标，压力传感器获取的压力数据为纵坐标，构建坐标系。基于该坐标系，可以确定计算得到所述可疑数据点的异常情况置信度。具体的，根据建立的坐标系，基于第g个第一类型压力点与第g+1个第一类型压力点的横向距离、第g-1个第一类型压力点与第g个第一类型压力点的横向距离、所有第一类型压力点的横向距离均值、第j个第一类型压力点与第j+1个第一类型压力点的纵向距离、第j-1个第一类型压力点与第j个第一类型压力点的纵向距离、所有第一类型压力点的纵向距离均值计算得到所述可疑数据点的异常情况置信度。需要说明的是，第g个第一类型压力点与第g+1个第一类型压力点相邻，第g-1个第一类型压力点与第g个第一类型压力点相邻，第j个第一类型压力点与第j+1个第一类型压力点相邻，第j-1个第一类型压力点与第j个第一类型压力点相邻。

在一具体实施例中，第二计算模块123用于利用如下公式计算所述可疑数据点的异常情况置信度：

；

其中，表示第E个可疑数据点的异常情况置信度，/>表示判别数据序列中第g个第一类型压力点与第g+1个第一类型压力点的横向距离，/>表示判别数据序列中第g-1个第一类型压力点与第g个第一类型压力点的横向距离，/>表示判别数据序列中所有第一类型压力点的横向距离均值，/>表示判别数据序列中相邻两个第一类型压力点的横向距离的总数，/>表示判别数据序列中第j个第一类型压力点与第j+1个第一类型压力点的纵向距离，/>表示判别数据序列中第j-1个第一类型压力点与第j个第一类型压力点的纵向距离，/>表示判别数据序列中所有第一类型压力点的纵向距离均值，/>表示判别数据序列中相邻两个第一类型压力点的纵向距离的总数。当BLS的值越大，说明该可疑数据点的异常情况较为真实，可信度较高，当BLS的值越小，说明该可疑数据点的异常情况较为虚假，可信度较低。

进一步的，本申请的异常监测模块13用于利用孤立森林算法基于所述可疑数据点的异常状态得分值和所述可疑数据点的异常情况置信度确定所述可疑数据点的最终异常得分，并基于所述可疑数据点的最终异常得分确定所述可疑数据点是否异常。具体的，异常监测模块13基于所述可疑数据点的异常状态得分值和所述可疑数据点的异常情况置信度确定所述可疑数据点的异常状态得分贡献因子。在一实施例中，可疑数据点的异常状态得分贡献因子的计算方式为：

；

其中为第i个可疑数据点的异常状态得分贡献因子，/>为第i个可疑数据点的异常状态得分，/>为第i个可疑数据点的异常状况置信度。当/>的值越大，说明第i个可疑数据点属于异常状态的可能性越大；当/>的值越小，说明第i个可疑数据属于异常状态的可能性越小。

利用孤立森林算法基于所述可疑数据点的异常状态得分贡献因子确定所述可疑数据点的最终异常得分。具体的，将上述计算得到的可疑数据点的异常状态得分贡献因子进行归一化，使其值域处于[0，1]之间，然后利用孤立森林算法确定所述可疑数据点的最终异常得分。在一实施例中，所述异常监测模块13利用如下公式确定所述可疑数据点的最终异常得分：

；

其中，为表示n个第一数据点中第/>个可疑数据点的最终异常得分，/>表示第/>个可疑数据点的异常状态得分贡献因子，/>是第/>个可疑数据点在孤立森林算法的孤立树上的路径，/>是第/>个可疑数据点在孤立森林算法的所有孤立树上的路径的均值, />是修正值。

进一步的，在所述可疑数据点的最终异常得分大于第二阈值时，异常监测模块13确定所述可疑数据点为异常数据点。

上述描述的方式基于周期性脱离系数挑选了第一数据序列中的可疑数据点进行计算，最终确定可疑数据点的异常状态得分贡献因子，并基于异常状态得分贡献因子结合孤立森林算法确定所述可疑数据点的最终异常得分，从而确定可疑数据点是否为异常数据点。该方法可以减少计算量。

在本申请的另一实施例中，为了提高算法的准确性，除了利用上述方式计算可疑数据点的最终异常得分之外，还可以利用相同的方法计算周期性脱离系数小于第一阈值的正常数据点的异常状态得分贡献因子，并基于异常状态得分贡献因子结合孤立森林算法确定正常数据点的最终异常得分，从而进一步判断正常数据点中是否存在异常数据点。该方法对所有的第一数据点进行计算，可以准确的将所有的异常数据点挑选出来，提高算法的准确性。

在一实施例中，如果最终异常得分小于第二阈值，则确定数据点为异常数据点。其中，第二阈值可以设置为0.7。

本发明在入料口设置激光定位器并在推料装置上设置压力传感器，对激光定位数据进行周期性判断，再对存在异常情况的数据结合推料装置的压力数据讨论其异常的真实性，最后通过改进孤立森林算法的异常得分，进而准确判别液压风扇自动组装线送料推料流程中的异常情况。从多个维度进行组装线的监测，提高压风扇自动组装线监测过程中的监测准确性。

以上仅为本申请的实施方式，并非因此限制本申请的范围，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保护范围内。

Claims (6)

1.一种基于物联网数据的液压风扇自动组装线监测系统，其特征在于，包括：

数据采集模块，利用定位传感器采集得到第一数据序列，以及利用压力传感器采集得到第二数据序列；其中，所述第一数据序列中的第一数据点表征定位传感器与反射物体的距离，所述第二数据序列中的第二数据点表征送料装置承受的压力；

数据处理模块，用于确定所述第一数据序列中的可疑数据点以及所述可疑数据点的异常状态得分，利用所述第二数据序列确定所述可疑数据点的异常情况置信度；

异常监测模块，用于利用孤立森林算法基于所述可疑数据点的异常状态得分值和所述可疑数据点的异常情况置信度确定所述可疑数据点的最终异常得分，并基于所述可疑数据点的最终异常得分确定所述可疑数据点是否异常；

所述异常监测模块还用于：

基于所述可疑数据点的异常状态得分值和所述可疑数据点的异常情况置信度确定所述可疑数据点的异常状态得分贡献因子；利用孤立森林算法基于所述可疑数据点的异常状态得分贡献因子确定所述可疑数据点的最终异常得分；

数据处理模块包括：

可疑数据点确定模块，用于将所述第一数据序列划分为多个子序列，计算所述子序列的周期性脱离系数，基于所述子序列的周期性脱离系数确定所述子序列是否为可疑子序列，所述可疑子序列中的数据点为所述可疑数据点；

第一计算模块，用于计算所述可疑子序列对应的距离均值，基于所述距离均值将所述可疑子序列中的可疑数据点分为第一类型可疑数据点和第二类型可疑数据点，计算所述第一类型可疑数据点的第一横向距离密度和所述第二类型可疑数据点的第二横向距离密度，利用异常检测算法基于所述第一横向距离密度和所述第二横向距离密度确定所述第一类型可疑数据点和所述第二类型可疑数据点的异常状态得分，从而得到所述可疑数据点的异常状态得分；

第二计算模块，基于所述可疑数据点从所述第二数据序列中确定判别数据序列，利用所述判别数据序列确定所述可疑数据点的异常情况置信度；

所述第二计算模块还用于：

确定所述可疑数据点对应的分段时间，将第二数据序列中分段时间之间的第二数据点作为所述判别数据序列，计算所述判别数据序列对应的压力均值，基于所述压力均值确定第一类型压力点和第二类型压力点，基于所述第一类型压力点和所述第二类型压力点确定所述可疑数据点的异常情况置信度；

所述异常监测模块还用于：

利用如下公式确定所述可疑数据点的最终异常得分：

其中，为表示n个第一数据点中第/>个可疑数据点的最终异常得分，/>表示第个可疑数据点的异常状态得分贡献因子，/>是第/>个可疑数据点在孤立森林算法的孤立树上的路径，/>是第/>个可疑数据点在孤立森林算法的所有孤立树上的路径的均值, />是修正值。

2.根据权利要求1所述的一种基于物联网数据的液压风扇自动组装线监测系统，其特征在于，所述可疑数据点确定模块还用于：

计算所述子序列中距离与时间的皮尔逊相关系数，基于当前子序列对应的皮尔选相关系数与除当前子序列外其余子序列对应的皮尔逊相关系数的比值确定所述当前子序列的周期性脱离系数，从而计算得到所有子序列的周期性脱离系数；如果所述子序列的周期性脱离系数大于第一阈值，则确定所述子序列为可疑子序列。

3.根据权利要求1所述的一种基于物联网数据的液压风扇自动组装线监测系统，其特征在于，所述第一计算模块还用于：

将大于所述距离均值的可疑数据点确定为第一类型可疑数据点，以及将小于所述距离均值的可疑数据点确定为第二类型可疑数据点；基于当前第一类型可疑数据点与相邻的第一类型可疑数据点之间的横向距离和所述可疑子序列中所有可疑数据点之间的横向距离之和的比值确定当前第一类型可疑数据点的第一横向距离密度；基于当前第二类型可疑数据点与相邻的第二类型可疑数据点之间的横向距离和所述可疑子序列中所有可疑数据点之间的横向距离之和的比值确定当前第二类型可疑数据点的第二横向距离密度。

4.根据权利要求1所述的一种基于物联网数据的液压风扇自动组装线监测系统，其特征在于，所述第二计算模块还用于：

将判别数据序列中大于所述压力均值的第二数据点确定为第一类型压力点；

基于第g个第一类型压力点与第g+1个第一类型压力点的横向距离、第g-1个第一类型压力点与第g个第一类型压力点的横向距离、所有第一类型压力点的横向距离均值、第j个第一类型压力点与第j+1个第一类型压力点的纵向距离、第j-1个第一类型压力点与第j个第一类型压力点的纵向距离、所有第一类型压力点的纵向距离均值计算得到所述可疑数据点的异常情况置信度；

其中，第g个第一类型压力点与第g+1个第一类型压力点相邻，第g-1个第一类型压力点与第g个第一类型压力点相邻，第j个第一类型压力点与第j+1个第一类型压力点相邻，第j-1个第一类型压力点与第j个第一类型压力点相邻。

5.根据权利要求4所述的一种基于物联网数据的液压风扇自动组装线监测系统，其特征在于，所述第二计算模块还用于：

利用如下公式计算所述可疑数据点的异常情况置信度：

；

其中，表示第E个可疑数据点的异常情况置信度，/>表示判别数据序列中第g个第一类型压力点与第g+1个第一类型压力点的横向距离，/>表示判别数据序列中第g-1个第一类型压力点与第g个第一类型压力点的横向距离，/>表示判别数据序列中所有第一类型压力点的横向距离均值，/>表示判别数据序列中相邻两个第一类型压力点的横向距离的总数，/>表示判别数据序列中第j个第一类型压力点与第j+1个第一类型压力点的纵向距离，/>表示判别数据序列中第j-1个第一类型压力点与第j个第一类型压力点的纵向距离，/>表示判别数据序列中所有第一类型压力点的纵向距离均值，/>表示判别数据序列中相邻两个第一类型压力点的纵向距离的总数。

6.根据权利要求1所述的一种基于物联网数据的液压风扇自动组装线监测系统，其特征在于，所述异常监测模块还用于：

在所述可疑数据点的最终异常得分大于第二阈值时，确定所述可疑数据点为异常数据点。