CN117149584A - 基于大数据的多试样标距标记设备的运行监管系统 - Google Patents
基于大数据的多试样标距标记设备的运行监管系统 Download PDFInfo
- Publication number
- CN117149584A CN117149584A CN202311423064.8A CN202311423064A CN117149584A CN 117149584 A CN117149584 A CN 117149584A CN 202311423064 A CN202311423064 A CN 202311423064A CN 117149584 A CN117149584 A CN 117149584A
- Authority
- CN
- China
- Prior art keywords
- data
- algorithm
- representing
- equipment
- model
- 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.)
- Pending
Links
- 238000012544 monitoring process Methods 0.000 claims abstract description 40
- 238000007405 data analysis Methods 0.000 claims abstract description 20
- 238000000034 method Methods 0.000 claims abstract description 20
- 230000008569 process Effects 0.000 claims abstract description 17
- 238000005457 optimization Methods 0.000 claims abstract description 15
- 238000001514 detection method Methods 0.000 claims abstract description 14
- 238000004458 analytical method Methods 0.000 claims abstract description 13
- 230000000694 effects Effects 0.000 claims abstract description 10
- 230000002159 abnormal effect Effects 0.000 claims description 33
- 230000000007 visual effect Effects 0.000 claims description 10
- 238000012360 testing method Methods 0.000 claims description 8
- 238000003648 Ljung–Box test Methods 0.000 claims description 6
- 238000013500 data storage Methods 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 6
- 230000005856 abnormality Effects 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000004140 cleaning Methods 0.000 claims description 5
- 230000006872 improvement Effects 0.000 description 9
- 230000008859 change Effects 0.000 description 2
- 238000009499 grossing Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/30—Monitoring
- G06F11/3003—Monitoring arrangements specially adapted to the computing system or computing system component being monitored
- G06F11/302—Monitoring arrangements specially adapted to the computing system or computing system component being monitored where the computing system component is a software system
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B21/00—Measuring arrangements or details thereof, where the measuring technique is not covered by the other groups of this subclass, unspecified or not relevant
- G01B21/02—Measuring arrangements or details thereof, where the measuring technique is not covered by the other groups of this subclass, unspecified or not relevant for measuring length, width, or thickness
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/30—Monitoring
- G06F11/3058—Monitoring arrangements for monitoring environmental properties or parameters of the computing system or of the computing system component, e.g. monitoring of power, currents, temperature, humidity, position, vibrations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/30—Monitoring
- G06F11/3065—Monitoring arrangements determined by the means or processing involved in reporting the monitored data
- G06F11/3072—Monitoring arrangements determined by the means or processing involved in reporting the monitored data where the reporting involves data filtering, e.g. pattern matching, time or event triggered, adaptive or policy-based reporting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/30—Monitoring
- G06F11/32—Monitoring with visual or acoustical indication of the functioning of the machine
- G06F11/324—Display of status information
- G06F11/327—Alarm or error message display
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/21—Design, administration or maintenance of databases
- G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Quality & Reliability (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明涉及一种运行监管系统，具体地说，涉及一种基于大数据的多试样标距标记设备的运行监管系统，其包括数据采集单元，数据采集单元用于对标距标记设备运行过程中的监测数据进行采集；数据分析单元基于大数据预测模型通过异常检测算法对采集的监测数据进行对比分析，用于检测设备运行过程中是否存在异常数据；数据优化单元基于反馈控制系统，根据数据分析单元的分析结果对设备参数进行修正；通过实时监测模块监测数据分析单元的数据，由调节控制模块调整设备的参数，使设备运行参数回到设定的目标范围内。通过调优算法对残差检验算法进行优化，提高对滞后阶数的选择精度，以改进自回归预测算法模型的拟合效果和预测精度。
Description
技术领域
本发明涉及一种运行监管系统，具体地说，涉及一种基于大数据的多试样标距标记设备的运行监管系统。
背景技术
多试样标距标记设备的运行监管系统用于监控、管理和控制多试样标距设备运行，多试样标距设备可能是指用于在一次测试中同时测量多个样本之间的距离的设备，用于测量多个样本之间的距离、位置或者其他相关参数，通过监测和分析多试样标距设备的运行数据，提供性能优化建议和指导，以提高设备的工作效率和性能。
现有的多试样标距标记设备的运行监管系统，由于监管系统的数据预测精度不可靠，导致错误的分析和决策的问题，同时，当运行监管系统出现异常时，需要人工干预，实现设备参数的调整，因此，需要设计基于大数据的多试样标距标记设备的运行监管系统。
发明内容
本发明的目的在于提供基于大数据的多试样标距标记设备的运行监管系统，以解决上述背景技术中提出的由于监管系统的数据预测精度不可靠，导致错误的分析和决策的问题。
为实现上述目的，本发明目的在于提供了基于大数据的多试样标距标记设备的运行监管系统，包括：
数据采集单元，所述数据采集单元用于对标距标记设备运行过程中的监测数据进行采集；
数据分析单元，所述数据分析单元基于大数据预测模型通过异常检测算法对采集的监测数据进行对比分析，用于检测设备运行过程中是否存在异常数据；
数据优化单元，所述数据优化单元基于反馈控制系统，根据数据分析单元的分析结果对设备参数进行修正；其中，所述反馈控制系统包括实时监测模块和调节控制模块，通过实时监测模块监测数据分析单元的数据，由调节控制模块调整设备的参数，使设备运行参数回到设定的目标范围内；
所述实时监测模块用于监测数据分析单元中的异常数据，并将异常数据信息传送至调节控制模块；调节控制模块用于调节设备的运行参数，并定位异常数据的来源，根据异常数据的来源定位多试样标距标记设备的故障点，根据异常数据包含的参数信息，通过调节控制模块调节多试样标距标记设备的运行参数，使设备运行参数回到设定的目标范围内；
数据预警单元，所述数据预警单元基于大数据预测模型分析的结果，用于监控设备的运行状况，并提供实时预警。
作为本技术方案的进一步改进，所述数据采集单元包括传感器和数据存储模块，其中，所述传感器用于采集设备运行过程中的设备数据信息，所述数据存储模块用于将传感器采集的数据进行存储。
作为本技术方案的进一步改进，所述数据分析单元包括数据库、数据预处理模块、数据预测模块和数据对比模块；其中：
所述数据库用于储存多试样标距标记设备在运行过程中的历史数据，其中，所述数据库还包括对比数据库和异常数据库；
所述数据预处理模块用于对传感器采集的数据中的重复数据和噪声数据进行数据清洗；数据清洗方法为对重复数据和噪声数据进行平滑处理；平滑处理的具体算法公式为：
；
其中，为平滑系数，用于控制当前数据点与前一个数据的权衡因子，且；表示第i个原始数据，即当前原始数据；表示上一个平滑数据；表示
第i个平滑数据，即平滑后的监测数据；
所述数据预测模块基于对比数据库通过大数据预测模型对当前数据进行预测；
所述数据对比模块基于异常检测算法对传感器监测的数据进行对比分析，用于分析监测的数据是否存在异常。
作为本技术方案的进一步改进，所述大数据预测模型基于自回归预测算法模型，其具体算法步骤包括：
S1、基于对比数据库中多试样标距标记设备的历史数据，并确保数据为时间序列数据；
S2、通过ADF检验来确定时间序列数据的稳定性，并通过差分操作将不稳定数据转变为平稳的时间序列；
S3、确定自回归预测算法模型的阶数、、，根据确定的阶数，拟合自回归预测算
法模型；
S4、对拟合的自回归预测算法模型进行诊断，检查残差序列是否满足白噪声序列的特征，通过残差检验算法对拟合的自回归预测算法模型进行检验，检查残差序列是否满足白噪声序列的特征，确保模型的拟合效果；
S5、通过自回归预测算法模型对未来时间点的时间序列数据进行预测。
作为本技术方案的进一步改进，所述S2中，ADF检验的回归方程如下：
；
其中，表示时间序列数据在时间点的取值；表示上一时间序列数据在时间
点的取值；表示的一阶差分；表示在时间点和之间的一阶差分；分别是回归系数；表示白噪声误差项，用于表示当前时间点的观测值与
模型预测值之间的差异；
差分操作的具体算法公式如下：
；
其中，表示当前时间点的数据与上一个时间点的数据之间的差值；表
示时间序列数据在时间点的值；表示时间序列数据在上一个时间点的值。
作为本技术方案的进一步改进，所述S3中，所述自回归预测算法模型的具体算法公式为：
；
其中，为时间序列数据在当前时间点的预测值；为时间序列的均值；为自回
归模型的阶数；为自回归系数；为自回归模型的阶数，为移动平均系数；表示时刻
的白噪声误差项；表示时间序列中观测值的滞后期数，代表一个索引变量，用于表示序列
中的滞后阶数；表示时刻的白噪声误差项。
作为本技术方案的进一步改进，所述S4中，残差检验算法基于Ljung-Box检验算法并通过调优算法对其进行优化，Ljung-Box检验算法的公式为：
；
其中，表示Ljung-Box统计量；表示时间序列数据中监测值的数量；表示滞后
阶数；表示自相关系数；
对Ljung-Box检验算法通过调优算法，来确定最佳的滞后阶数h，以改进模型的拟合效果和预测精度，具体调优算法公式为：
；
其中，代表平方误差；表示监测值的数量；表示实际监测值；表示实际监
测值对应的预测值；平方误差的值越小，表示模型的预测效果越好，与真实观测值之间
的差异越小；
通过调优算法来选择最佳的滞后阶数h，具体算法公式为：
；
其中，表示滞后阶数特征；表示滞后阶数；表示对应的值；
使用调优算法来选择最佳的滞后阶数，根据不同的滞后阶数计算平方误差，选择
使平方误差最小的滞后阶数作为最佳的滞后阶数，从而优化Ljung-Box检验算法，并提高对
滞后阶数的选择精度。
作为本技术方案的进一步改进，所述异常检测算法具体算法公式为：
；
其中，表示均值，表示监测值的数量；表示监测值；表示第个监测值；
标准差的计算公式为：
；
对于每个监测值，计算其与均值之间的偏差：
。
作为本技术方案的进一步改进，所述实时监测模块用于监测数据分析单元（2）中的异常数据，并将异常数据信息传送至调节控制模块；
调节控制模块用于调节设备的运行参数，并定位异常数据的来源，根据异常数据的来源定位多试样标距标记设备的故障点，根据异常数据包含的参数信息，通过调节控制模块调节多试样标距标记设备的运行参数，使设备运行参数回到设定的目标范围内。
作为本技术方案的进一步改进，所述数据预警单元包括声光报警模块，所述声光报警模块用于接收大数据预测模型分析得到的异常信号，并对异常信号通过声光信号的形式进行报警提示。
与现有技术相比，本发明的有益效果：
1、该基于大数据的多试样标距标记设备的运行监管系统中，基于对比数据库通过大数据预测模型对当前数据进行预测，基于大数据预测模型通过异常检测算法对采集的监测数据进行对比分析，检测设备运行过程中的是否存在异常数据，并通过数据优化单元自动调整设备的参数，使设备运行参数回到设定的目标范围内；并将数据库分为对比数据库和异常数据库，异常数据库用于存储异常数据，将异常数据单独分类存储，避免其污染整个数据库。
2、该基于大数据的多试样标距标记设备的运行监管系统中，通过调优算法对残差检验算法进行优化，提高对滞后阶数的选择精度，以改进自回归预测算法模型的拟合效果和预测精度。
附图说明
图1为本发明的整体流程框图。
图中各个标号意义为：
1、数据采集单元；2、数据分析单元；3、数据优化单元；4、数据预警单元。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整的描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。
实施例
请参阅图1所示，提供了一种基于大数据的多试样标距标记设备的运行监管系统，包括数据采集单元1，数据采集单元1用于对标距标记设备运行过程中的监测数据进行采集；监测数据包括设备的温度、压力、速度以及设备的位置信息；数据采集单元1包括传感器和数据存储模块，其中，传感器用于采集设备运行过程中的设备数据信息，数据存储模块用于将传感器采集的数据进行存储；传感器包括温度传感器、压力传感器、速度传感器和位置传感器；设备数据包括温度数据、压力数据、速度数据和位置数据。
还包括数据分析单元2，数据分析单元2基于大数据预测模型通过异常检测算法对采集的监测数据进行对比分析，用于检测设备运行过程中是否存在异常数据；数据分析单元2包括数据库、数据预处理模块、数据预测模块和数据对比模块；其中：
数据库用于储存多试样标距标记设备在运行过程中的历史数据，其中，所述数据库还包括对比数据库和异常数据库；所述对比数据库用于存储正常的历史数据，所述传感器采集的数据与对比数据库中的数据进行对比，用于分析数据的异常情况；所述异常数据库用于存储异常数据，将异常数据单独分类存储，避免其污染整个数据库；
所述数据预处理模块用于对传感器采集的数据中的重复数据和噪声数据进行数据清洗；数据清洗方法为对重复数据和噪声数据进行平滑处理；平滑处理的具体算法公式为：
；
其中，为平滑系数，用于控制当前数据点与前一个数据的权衡因子，且；表示第i个原始数据，即当前原始数据；表示上一个平滑数据；表示
第i个平滑数据，即平滑后的监测数据；
所述数据预测模块基于对比数据库通过大数据预测模型对当前数据进行预测；
所述数据对比模块基于异常检测算法对传感器监测的数据进行对比分析，用于分析监测的数据是否存在异常；所述异常检测算法具体算法公式为：
；
其中，表示均值，表示监测值的数量；表示监测值；表示第个监测值；
标准差的计算公式为：
；
对于每个监测值，计算其与均值之间的偏差：
。
通过比较监测值与其均值之间的偏差来识别异常值，较大的偏差通常被视为异常
值；如果偏差超出了某个阈值范围，优选的，偏差的阈值范围为：3倍标准差，则将其判定
为异常值。
还包括数据优化单元3，数据优化单元3基于反馈控制系统根据数据分析单元2的分析结果，对设备参数进行修正；其中，反馈控制系统包括实时监测模块和调节控制模块，通过实时监测模块监测数据分析单元2的数据，由调节控制模块调整设备的参数，使设备运行参数回到设定的目标范围内；
还包括数据预警单元4，数据预警单元4基于大数据预测模型分析的结果，用于监控设备的运行状况，并提供实时预警；数据预警单元4包括声光报警模块，声光报警模块包括内置的报警音响设备和LED指示灯，声光报警模块用于接收大数据预测模型分析得到的异常信号，并对异常信号通过声光信号的形式进行报警提示。
所述大数据预测模型基于自回归预测算法模型，其具体算法步骤包括：
S1、基于对比数据库中多试样标距标记设备的历史数据，并确保数据为时间序列数据；
S2、通过ADF检验来确定时间序列数据的稳定性，并通过差分操作，差分操作用于处理非平稳时间序列数据，使其转变为平稳时间序列，将不稳定数据转变为平稳的时间序列； ADF检验的回归方程如下：
；
其中，表示时间序列数据在时间点的取值；表示上一时间序列数据在时间
点的取值；表示的一阶差分；表示在时间点和之间的一阶差分，即
在时间点和之间的变化量；表示时间滞后阶数，滞后阶数指的是当前时间点与过去
的时间点之间的间隔数；分别是回归系数；表示白噪声误差项，用于表示
当前时间点的观测值与模型预测值之间的差异；
差分操作的具体算法公式如下：
；
其中，表示当前时间点的数据与上一个时间点的数据之间的差值，即相
邻两个时间点之间的变化量；表示时间序列数据在时间点的值；表示时间序列数据
在上一个时间点的值。
S3、确定自回归预测算法模型的阶数、、，根据确定的阶数，拟合自回归预测算
法模型，拟合自回归预测算法模型即根据已有的时间序列数据建立自回归预测算法模型，
并使用该模型对时间序列数据进行预测；自回归预测算法模型是自回归模型和移动平均模
型的组合，根据时间序列的过去值（即对比数据库中的历史数据）来预测未来的值；所述自
回归预测算法模型的具体算法公式为：
；
其中，为时间序列数据在当前时间点的预测值；为时间序列的均值；为自回
归模型的阶数；为自回归系数，表示当前观测值与过去各个时间点观测值之间的权重；
为自回归模型的阶数，为移动平均系数，表示当前观测值与过去各个时间点误差项之间
的权重；表示时刻的白噪声误差项；表示时间序列中观测值的滞后期数，用于表示序列
中的滞后阶数；表示时刻的白噪声误差项。
S4、对拟合的自回归预测算法模型进行诊断，检查残差序列是否满足白噪声序列的特征，通过残差检验算法对拟合的自回归预测算法模型进行检验，检查残差序列是否满足白噪声序列的特征，残差检验算法是一种常用的时间序列模型诊断方法，用于检验残差序列是否存在自相关性，确保模型的拟合效果；所述S4中，残差检验算法基于Ljung-Box检验算法并通过调优算法对其进行优化，Ljung-Box检验算法的公式为：
；
其中，表示Ljung-Box统计量，用于检验时间序列的残差序列是否存在自相关
性；表示时间序列数据中监测值的数量；表示滞后阶数；表示自相关系数，表示残差序
列在滞后时刻的自相关系数；
利用决策树算法来确定最佳的滞后阶数h可以帮助优化Ljung-Box检验算法，从而提高对残差序列的自相关性检验的精度和准确性，对Ljung-Box检验算法通过调优算法，来确定最佳的滞后阶数h，以改进模型的拟合效果和预测精度，具体调优算法公式为：
；
其中，代表平方误差，平方误差用于衡量模型预测值与真实值之间的差异程
度；表示监测值的数量；表示实际监测值；表示实际监测值对应的预测值；平方误差的值越小，表示模型的预测效果越好，与真实观测值之间的差异越小；
通过调优算法来选择最佳的滞后阶数h，具体算法公式为：
；
其中，表示滞后阶数特征；表示滞后阶数；表示对应的值；根据特征来预
测目标变量；
使用调优算法来选择最佳的滞后阶数，根据不同的滞后阶数计算平方误差，选择
使平方误差最小的滞后阶数作为最佳的滞后阶数，从而优化Ljung-Box检验算法，并提高对
滞后阶数的选择精度。
具体的，通过Ljung-Box检验算法判断残差序列是否符合白噪声序列的特征，其具体判断步骤如下：
在执行Ljung-Box检验算法进行检验时，计算统计量的值，并与相应的临界值进
行比较，如果计算得到的统计量的值小于临界值，表明残差序列不存在自相关性，支持原
假设；如果统计量的值大于临界值，则可以拒绝原假设，即残差序列存在自相关性。临界
值基于所设定的显著性水平和自由度来确定，在进行假设检验时，显著性水平是在进行统
计推断时所设定的阈值，阈值优选为0.05，表示对犯错误的容忍度，即对错误拒绝原假设的
风险；自由度取决于样本量和考虑的滞后阶数，表示用于估计参数的独立信息的数量；
如果残差序列符合白噪声序列的特征，说明模型已经能够较好地解释时间序列数据中的系统性变动，而残差的随机波动部分已经没有了明显的内在规律。这意味着已经从原始时间序列中提取了大部分的结构性信息，模型的拟合效果比较好，可以更可靠地用于预测未来的数据走势。
S5、通过自回归预测算法模型对未来时间点的时间序列数据进行预测；对比数据库中的数据通过大数据预测模型生成预测数据，将预测数据作为判断监测数据是否异常的标准值；因此，需要保障自回归预测算法模型预测的预测精度。
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的仅为本发明的优选例，并不用来限制本发明，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (10)
1.一种基于大数据的多试样标距标记设备的运行监管系统，其特征在于：包括：
数据采集单元（1），所述数据采集单元（1）用于对标距标记设备运行过程中的监测数据进行采集；
数据分析单元（2），所述数据分析单元（2）基于大数据预测模型通过异常检测算法对采集的监测数据进行对比分析，用于检测设备运行过程中是否存在异常数据；
数据优化单元（3），所述数据优化单元（3）基于反馈控制系统，根据数据分析单元（2）的分析结果对设备参数进行修正；其中，所述反馈控制系统包括实时监测模块和调节控制模块，通过实时监测模块监测数据分析单元（2）的数据，由调节控制模块调整设备的参数，使设备运行参数回到设定的目标范围内；
数据预警单元（4），所述数据预警单元（4）基于大数据预测模型分析的结果，用于监控设备的运行状况，并提供实时预警。
2.根据权利要求1所述的基于大数据的多试样标距标记设备的运行监管系统，其特征在于：所述数据采集单元（1）包括传感器和数据存储模块，其中，所述传感器用于采集设备运行过程中的设备数据信息，所述数据存储模块用于将传感器采集的数据进行存储。
3.根据权利要求1所述的基于大数据的多试样标距标记设备的运行监管系统，其特征在于：所述数据分析单元（2）包括数据库、数据预处理模块、数据预测模块和数据对比模块；其中：
所述数据库用于储存多试样标距标记设备在运行过程中的历史数据，其中，所述数据库还包括对比数据库和异常数据库；
所述数据预处理模块用于对传感器采集的数据中的重复数据和噪声数据进行数据清洗；
所述数据预测模块基于对比数据库通过大数据预测模型对当前数据进行预测；
所述数据对比模块基于异常检测算法对传感器监测的数据进行对比分析，用于分析监测的数据是否存在异常。
4.根据权利要求3所述的基于大数据的多试样标距标记设备的运行监管系统，其特征在于：所述大数据预测模型基于自回归预测算法模型，其具体算法步骤包括：
S1、基于对比数据库中多试样标距标记设备的历史数据，并确保数据为时间序列数据；
S2、通过ADF检验来确定时间序列数据的稳定性，并通过差分操作将不稳定数据转变为平稳的时间序列；
S3、确定自回归预测算法模型的阶数、/>、/>，根据确定的阶数，拟合自回归预测算法模型；
S4、对拟合的自回归预测算法模型进行诊断，通过残差检验算法对拟合的自回归预测算法模型进行检验，检查残差序列是否满足白噪声序列的特征，确保模型的拟合效果；
S5、通过自回归预测算法模型对未来时间点的时间序列数据进行预测。
5.根据权利要求4所述的基于大数据的多试样标距标记设备的运行监管系统，其特征在于：所述S2中，ADF检验的回归方程如下：
；
其中，表示时间序列数据在时间点/>的取值；/>表示上一时间序列数据在时间点/>的取值；/>表示/>的一阶差分；/>表示/>在时间点/>和/>之间的一阶差分；分别是回归系数；/>表示白噪声误差项，用于表示当前时间点/>的观测值与模型预测值之间的差异；
差分操作的具体算法公式如下：
；
其中，表示当前时间点/>的数据与上一个时间点/>的数据之间的差值；/>表示时间序列数据在时间点/>的值；/>表示时间序列数据在上一个时间点/>的值。
6.根据权利要求5所述的基于大数据的多试样标距标记设备的运行监管系统，其特征在于：所述S3中，所述自回归预测算法模型的具体算法公式为：
；
其中，为时间序列数据在当前时间点/>的预测值；/>为时间序列的均值；/>为自回归模型的阶数；/>为自回归系数；/>为自回归模型的阶数，/>为移动平均系数；/>表示/>时刻的白噪声误差项；/>表示时间序列中观测值的滞后期数；/>表示/>时刻的白噪声误差项。
7.根据权利要求6所述的基于大数据的多试样标距标记设备的运行监管系统，其特征在于：所述S4中，残差检验算法基于Ljung-Box检验算法并通过调优算法对其进行优化，Ljung-Box检验算法的公式为：
；
其中，表示Ljung-Box统计量，/>表示时间序列数据中监测值的数量；/>表示滞后阶数；表示自相关系数；
对Ljung-Box检验算法通过调优算法，来确定最佳的滞后阶数h，以改进模型的拟合效果和预测精度，具体调优算法公式为：
；
其中，代表平方误差；/>表示监测值的数量；/>表示实际监测值；/>表示实际监测值对应的预测值；
通过调优算法来选择最佳的滞后阶数h，具体算法公式为：
；
其中，表示滞后阶数特征；/>表示对应的/>值；/>表示滞后阶数；
使用调优算法来选择最佳的滞后阶数，根据不同的滞后阶数计算平方误差，选择使平方误差最小的滞后阶数作为最佳的滞后阶数，从而优化Ljung-Box检验算法，并提高对滞后阶数的选择精度。
8.根据权利要求3所述的基于大数据的多试样标距标记设备的运行监管系统，其特征在于：所述异常检测算法具体算法公式为：
；
其中，表示均值；/>表示监测值的数量；/>表示监测值；/>表示第/>个监测值；
标准差的计算公式为：
；
对于每个监测值，计算其与均值之间的偏差/>：
。
9.根据权利要求1所述的基于大数据的多试样标距标记设备的运行监管系统，其特征在于：所述实时监测模块用于监测数据分析单元（2）中的异常数据，并将异常数据信息传送至调节控制模块；
调节控制模块用于调节设备的运行参数，并定位异常数据的来源，根据异常数据的来源定位多试样标距标记设备的故障点，根据异常数据包含的参数信息，通过调节控制模块调节多试样标距标记设备的运行参数，使设备运行参数回到设定的目标范围内。
10.根据权利要求1所述的基于大数据的多试样标距标记设备的运行监管系统，其特征在于：所述数据预警单元（4）包括声光报警模块，所述声光报警模块用于接收大数据预测模型分析得到的异常信号，并对异常信号通过声光信号的形式进行报警提示。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311423064.8A CN117149584A (zh) | 2023-10-31 | 2023-10-31 | 基于大数据的多试样标距标记设备的运行监管系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311423064.8A CN117149584A (zh) | 2023-10-31 | 2023-10-31 | 基于大数据的多试样标距标记设备的运行监管系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117149584A true CN117149584A (zh) | 2023-12-01 |
Family
ID=88899193
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311423064.8A Pending CN117149584A (zh) | 2023-10-31 | 2023-10-31 | 基于大数据的多试样标距标记设备的运行监管系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117149584A (zh) |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108052528A (zh) * | 2017-11-09 | 2018-05-18 | 华中科技大学 | 一种存储设备时序分类预警方法 |
| CN108536652A (zh) * | 2018-03-15 | 2018-09-14 | 浙江大学 | 一种基于arma模型的短期车辆使用量预测方法 |
| CN108564229A (zh) * | 2018-04-26 | 2018-09-21 | 广东省广业科技集团有限公司 | 一种基于arima模型的工业污水进水量预测的方法 |
| WO2022057260A1 (zh) * | 2020-09-15 | 2022-03-24 | 浙江大学 | 一种工业控制系统通信网络异常分类方法 |
| CN114662803A (zh) * | 2022-05-23 | 2022-06-24 | 成都普惠道智慧能源科技有限公司 | 一种分布式能源仓储安全监控方法及物联网系统 |
| CN114757413A (zh) * | 2022-04-11 | 2022-07-15 | 重庆远达烟气治理特许经营有限公司 | 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 |
| CN116611552A (zh) * | 2023-05-12 | 2023-08-18 | 中国人民解放军92493部队试验训练总体研究所 | 一种基于目标监测数据的船舶交通流量预测方法及系统 |
| CN116628633A (zh) * | 2023-07-26 | 2023-08-22 | 青岛中微创芯电子有限公司 | 一种igbt实时监测与使用寿命预测评估方法 |
| CN116955092A (zh) * | 2023-09-20 | 2023-10-27 | 山东小萌信息科技有限公司 | 基于数据分析的多媒体系统监控方法及系统 |
-
2023
- 2023-10-31 CN CN202311423064.8A patent/CN117149584A/zh active Pending
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108052528A (zh) * | 2017-11-09 | 2018-05-18 | 华中科技大学 | 一种存储设备时序分类预警方法 |
| CN108536652A (zh) * | 2018-03-15 | 2018-09-14 | 浙江大学 | 一种基于arma模型的短期车辆使用量预测方法 |
| CN108564229A (zh) * | 2018-04-26 | 2018-09-21 | 广东省广业科技集团有限公司 | 一种基于arima模型的工业污水进水量预测的方法 |
| WO2022057260A1 (zh) * | 2020-09-15 | 2022-03-24 | 浙江大学 | 一种工业控制系统通信网络异常分类方法 |
| CN114757413A (zh) * | 2022-04-11 | 2022-07-15 | 重庆远达烟气治理特许经营有限公司 | 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 |
| CN114662803A (zh) * | 2022-05-23 | 2022-06-24 | 成都普惠道智慧能源科技有限公司 | 一种分布式能源仓储安全监控方法及物联网系统 |
| CN116611552A (zh) * | 2023-05-12 | 2023-08-18 | 中国人民解放军92493部队试验训练总体研究所 | 一种基于目标监测数据的船舶交通流量预测方法及系统 |
| CN116628633A (zh) * | 2023-07-26 | 2023-08-22 | 青岛中微创芯电子有限公司 | 一种igbt实时监测与使用寿命预测评估方法 |
| CN116955092A (zh) * | 2023-09-20 | 2023-10-27 | 山东小萌信息科技有限公司 | 基于数据分析的多媒体系统监控方法及系统 |
Non-Patent Citations (1)
| Title |
|---|
| 张菊，闫长旺，白茹: ""一元时间序列的分析方法及其应用"，《金融计量学》", 30 November 2021, 山东人民出版社, pages: 153 - 157 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR102618023B1 (ko) | 고장유형에 따른 패턴 분석을 통한 고장 예지 진단시스템 및 방법 | |
| KR101948604B1 (ko) | 센서 군집화 기반의 설비 건강 모니터링 방법 및 장치 | |
| US7275018B2 (en) | Method of condition monitoring | |
| GB2379752A (en) | Root cause analysis under conditions of uncertainty | |
| CN112414694B (zh) | 基于多元状态估计技术的设备多级异常状态识别方法及装置 | |
| CN117542169B (zh) | 基于大数据分析的自动化设备温度异常预警方法 | |
| US12007745B2 (en) | Apparatus for predicting equipment damage | |
| US11200790B2 (en) | Method for pre-detecting abnormality sign of nuclear power plant device including processor for determining device importance and warning validity, and system therefor | |
| CN117453962B (zh) | 测量仪的数据存储方法及系统 | |
| CN111813644B (zh) | 系统性能的评价方法、装置、电子设备和计算机可读介质 | |
| CN118211082B (zh) | 基于数据分析的油液滤芯剩余寿命预测方法及系统 | |
| CN111191855B (zh) | 一种基于管网多元水质时序数据的水质异常事件识别预警方法 | |
| CN116337135A (zh) | 一种仪表故障诊断方法、系统、电子设备及可读存储介质 | |
| CN117804971A (zh) | 一种基于自适应趋势分析的油品智能监测判断方法及系统 | |
| CN118134116A (zh) | 一种基于大数据分析的电缆及通道的状态监测评估方法 | |
| KR102351538B1 (ko) | 패턴 학습 및 진단 알고리즘을 이용한 자동화 설비의 고장 예측 시스템 및 그 방법 | |
| CN117129698B (zh) | 全自动凝血测试仪的异常报警与重测系统及方法 | |
| CN117824588A (zh) | 一种建筑安全监测倾斜传感器采样优化与预警方法 | |
| CN117149584A (zh) | 基于大数据的多试样标距标记设备的运行监管系统 | |
| CN117969774B (zh) | 一种自动化燕窝检测与分级系统 | |
| CN118499233B (zh) | 一种真空泵故障报警方法及系统 | |
| CN118623941A (zh) | 基于传感器的冷却液状态监测预警系统 | |
| CN114386730A (zh) | 一种燃烧稳定性评价方法及系统 | |
| CN114943175A (zh) | 一种电厂设备测点健康基准值的预测方法及系统 | |
| CN118643266A (zh) | 一种房屋建设用支撑装置 |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20231201 |