CN117171604B - 基于传感器的保温板生产线异常监测系统 - Google Patents

Abstract

本发明涉及数据异常监测技术领域，具体涉及一种基于传感器的保温板生产线异常监测系统。该系统包括保温板生产线数据获取模块，用于获取多维数据；维度数据分类模块，用于提取多维数据的第一主成分；分析单维数据与第一主成分的相关情况，将单维数据分为两个集合；影响因子获取模块，用于分析集合中单维数据与第一主成分之间的差异以及集合中单维数据之间的差异并与单维数据自身特征结合，获得影响因子；异常监测模块，用于根据影响因子对数据中的采样点进行聚类，获得聚类结果；根据聚类结果之间的差异获得监测结果。由于影响因子综合了单维数据的信息以及主成分数据的信息，因此获得的聚类结果就更加准确，提高了异常监测结果的准确性。

Description

基于传感器的保温板生产线异常监测系统

技术领域

本发明涉及数据异常监测技术领域，具体涉及一种基于传感器的保温板生产线异常监测系统。

背景技术

保温板是用于建筑、工业设备等领域的重要材料，生产质量直接影响到保温板的使用效果和寿命，而在生产过程中，异常监测系统可以及时监测到异常情况，或提前预警潜在的故障，帮助生产者快速发现并处理生产过程中的故障和异常情况，迅速采取措施，减少停机时间和不正常损失，从而提高生产效率。

异常监测系统需要通过对生产线的实时多维数据进行分析，从而实现异常监测；而现有技术在实现生产线的异常监测的过程中，通常依据实时多维数据降维后的主成分为依据对数据进行聚类分析的方法，但是仅通过分析主成分进行聚类会造成聚类依据单一，导致聚类结果不准确，从而降低最终异常监测结果的准确性。

发明内容

为了解决现有技术仅通过分析主成分进行聚类会造成聚类依据单一，导致聚类结果不准确，从而降低最终异常监测结果的准确性的技术问题，本发明的目的在于提供一种基于传感器的保温板生产线异常监测系统，所采用的技术方案具体如下：

本发明提出了一种基于传感器的保温板生产线异常监测系统，所述系统包括：

保温板生产线数据获取模块，用于基于预设采样时段获取监测数据，所述监测数据包括实时多维数据和正常的历史多维数据；

维度数据分类模块，用于将所述历史多维数据和实时多维数据中任意一个作为待分析数据；基于主成分分析方法获取所述待分析数据的第一主成分；根据所述待分析数据中每个单维数据与所述第一主成分之间的相关情况对待分析数据中所有单维数据进行分类，获得积极维度集合和消极维度集合；

影响因子获取模块，用于将所述积极维度集合和消极维度集合中任意一个作为待分析集合；根据所述待分析集合中每个单维数据与所述第一主成分之间的差异获得单维数据对应的影响值；根据所述待分析集合中所有单维数据之间的差异获得每个单维数据的趋势归属值；根据待分析集合中每个单维数据和对应的影响值以及趋势归属值，获得待分析集合的影响因子；

异常监测模块，用于依次根据历史多维数据和实时多维数据对应的影响因子对数据中的所有采样点进行聚类，分别获得对应的聚类结果；根据两个所述聚类结果之间的差异进行异常监测，获得监测结果。

进一步地，所述根据所述待分析数据中每个单维数据与所述第一主成分之间的相关情况对所有单维数据进行分类，获得积极维度集合和消极维度集合，包括：

基于皮尔逊计算方法依次获取待分析数据中每个单维数据与所述第一主成分之间的皮尔逊相关系数，当所述皮尔逊相关系数大于或等于0时，单维数据属于积极维度集合，当所述皮尔逊相关系数小于0时，单维数据属于消极维度集合。

进一步地，所述影响值的获取方法包括：

将所述待分析集合中每个单维数据的所有采样点的数据值的均值作为第一均值特征，将单维数据的每个采样点的数据值与所述第一均值特征的比值作为第一标准值；

将所述第一主成分的所有采样点的数据值的均值作为第二均值特征，将第一主成分的每个采样点的数据值与所述第二均值特征的比值作为第二标准值；

将所述第一标准值与第二标准值的差异进行负相关映射并归一化，获得相近值；将所有采样点的相近值的均值作为单维数据对应的所述影响值。

进一步地，所述趋势归属值的获取方法包括：

将每个单维数据中所有采样点的第一标准值的均值作为单维数据对应的平均标准值；

将所述待分析集合中任意一个维度的数据作为待测数据；

将所述待分析集合中除所述待测数据外所有维度的数据的平均标准值的均值作为整体均值；

将待测数据对应的平均标准值与所述整体均值的差异进行负相关映射并归一化后，作为待测数据的所述趋势归属值。

进一步地，所述影响因子的获取方法包括：

根据每个单维数据的采样点的时刻与数据值组成矩阵，获得单维数据对应的矩阵的特征值；

根据每个单维数据的趋势归属值以及对应的影响值对对应的特征值进行修正，获得特征修正值；

基于所述待分析集合中所有单维数据的特征修正值的累计解释方差，获得待分析集合的主成分，将所有主成分作为影响因子。

进一步地，所述根据每个单维数据的趋势归属值以及对应的影响值对对应的特征值进行修正，获得特征修正值，包括：

将每个单维数据的趋势归属值与对应的影响值的乘积作为修正因子；

将每个单维数据对应的修正因子依次与对应的特征值相乘，获得特征修正值。

进一步地，所述依次根据历史多维数据和实时多维数据对应的影响因子对采样点进行聚类，分别获得对应的聚类结果，包括：

将积极维度集合的影响因子作为积极因子，将消极维度集合的影响因子作为消极因子；

将积极因子的数值为横轴，消极因子的数值为纵轴，建立二维坐标系；

将历史多维数据中的每个积极因子分别和对应的所有消极因子组合，获得每个时刻对应的影响因子数据对；将实时多维数据中的每个积极因子分别和对应的所有消极因子组合，获得每个时刻对应的影响因子数据对；

分别将历史多维数据和实时多维数据对应的所有影响因子数据对映射到二维坐标系中：

基于K-means聚类算法根据预设K值和历史多维数据的所有影响因子数据对对采样点进行聚类分析，获得聚类结果；

基于K-means聚类算法利用K值迭代根据实时多维数据的所有影响因子数据对对采样点进行聚类分析，直至聚类簇不再更新，获得聚类结果。

进一步地，所述根据两个所述聚类结果之间的差异进行异常监测，获得监测结果，包括：

将历史多维数据的聚类结果中最大的聚类簇作为标准聚类簇，将所述标准聚类簇的聚类中心作为标准中心，将所述标准聚类簇中所有数据点到所述聚类中心的距离的平均值作为标准平均距离；

将实时多维数据的聚类结果中最大的聚类簇作为待测聚类簇，将所述待测聚类簇的聚类中心作为待测中心，将所述待测聚类簇中所有数据点到所述待测中心的距离的平均值作为待测平均距离；

根据所述标准中心和所述标准平均距离确定标准范围，根据所述待测中心和所述待测平均距离确定待测范围；

当所述待测范围在所述标准范围之内时，实时多维数据正常，保温板生产线未出现异常；当所述待测范围不在所述标准范围之内时，实时多维数据异常，保温板生产线出现异常。

进一步地，所述根据所述标准中心和所述标准平均距离确定标准范围，根据所述待测中心和所述待测平均距离确定待测范围，包括：

以所述标准中心为圆心，所述标准平均距离为半径，获得标准范围；

以所述待测中心为圆心，所述待测平均距离为半径，获得待测范围。

进一步地，所述预设K值设置为5。

本发明具有如下有益效果：

本发明首先基于预设采样时段获得实时多维数据和正常的历史多维数据，正常的历史多维数据可以作为标准数据，便于后续通过分析实时多维数据与其的差异实现异常监测；进一步地，以实时多维数据和历史多维数据中的任意一个作为待分析数据，通过提取待分析数据的第一主成分，然后分析待分析数据中每个单维数据与第一主成分之间的相关情况，将所有单维数据进行分类，获得积极维度集合和消极维度集合，进而再对每个类别中的数据进一步地分析，从而能够更加全面的分析数据，提高异常监测结果的精度：将两个集合中的任意一个作为待分析集合，基于待分析集合中每个单维数据与第一主成分之间的差异获得单维数据相对于第一主成分的影响值，影响值表征了单维数据与第一主成分之间的近似程度，反映了单维数据为待分析集合的主成分的可能性；然后基于待分析集合中所有单维数据之间的差异获得每个单维数据的趋势归属值，趋势归属值表征了每个单维数据对于待分析集合中所有维度的趋势归属程度，也可反映出每个单维数据为待分析集合的主成分的可能性；进一步地，将影响值与趋势归属值综合，并与单维数据自身特征进行结合，获得待分析集合的影响因子；影响因子综合了单维数据的信息以及主成分数据的信息，因此后续基于影响因子分别对历史多维数据和实时多维数据对应的采样点进行聚类时，即可获得更加准确的聚类结果，从而根据两个聚类结果之间的差异获取异常监测的监测结果也就更加的准确。

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是本发明一个实施例所提供的一种基于传感器的保温板生产线异常监测系统的系统框图。

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一种基于传感器的保温板生产线异常监测系统，其具体实施方式、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”指的不一定是同一实施例。此外，一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。

下面结合附图具体的说明本发明所提供的一种基于传感器的保温板生产线异常监测系统的具体方案。

请参阅图1，其示出了本发明一个实施例提供的一种基于传感器的保温板生产线异常监测系统的系统框图，该系统包括：保温板生产线数据获取模块101，维度数据分类模块102，影响因子获取模块103，异常监测模块104。

保温板生产线数据获取模块101，用于基于预设采样时段获取监测数据，监测数据包括实时多维数据和正常的历史多维数据。

由于保温板生产线的异常监测可以帮助生产者及时发现并处理生产过程中的故障和异常情况，减少不正常损失从而提高生产效率，因此保温板生产线的异常监测的准确度极为重要，故本发明实施例基于对保温板生产线的监测数据的分析，提高生产线的异常监测结果的准确度。

异常监测主要目的在于监测实时数据是否出现异常，因此根据安装于生产线上的多个传感器基于预设采样时段获取监测数据，该监测数据包括实时多维数据和正常的历史多维数据。其中，正常的历史多维数据作为标准数据，可视为利用其构建对照模型，多维数据具体可以包括：温度、压力、湿度、流量等。需要说明的是，在本发明实施例中采样的时间间隔设置为1秒，预设采样时段可以设置为1个小时，即对每个单维数据进行多时刻采样，每个时刻则代表一个采样点；采样时段和采集数据的设备皆可根据具体实施场景进行调整，在此不做限定；本发明实施例中所讨论的异常情况不包括生产线中某些设备停止工作的情况，原因在于设备出现停止工作的情况通常更容易被人工察觉，而数据出现细微异常是人工所不易察觉到的，因此本发明实施例中所有单维数据不会出现数据值全部为0的情况。

至此，可以获取到实时多维数据和正常的历史多维数据，用于进行后续的分析处理。

维度数据分类模块102，用于将历史多维数据和实时多维数据中任意一个作为待分析数据；基于主成分分析方法获取待分析数据的第一主成分；根据待分析数据中每个单维数据与第一主成分之间的相关情况对待分析数据中所有单维数据进行分类，获得积极维度集合和消极维度集合。

在获取到实时多维数据和历史多维数据之后，为了便于后续的解释以及说明，在本发明实施例中将历史多维数据和实时多维数据中的任意一个作为待分析数据，通过对待分析数据进行维度数据分类模块102的说明从而解释该模块的整个过程。

由于在保温板生产线的多维数据中，所有传感器设备所监测获得的数据都会存在一定的关联，包括正向关联和负向关联，因此在本发明实施例中，首先基于主成分分析方法获取待分析数据中的第一主成分，即最大的主成分，然后根据待分析数据中每个单维数据与第一主成分之间的相关情况获取积极维度和消极维度。需要说明的是，主成分分析方法为本领域技术人员熟知的技术手段，在此不做赘述；同时，第一主成分中包含的采样点可以和单维数据中的采样点一一对应。

优选地，本发明一个实施例中，根据待分析数据中每个单维数据与所述第一主成分之间的相关情况对所有单维数据进行分类，获得积极维度集合和消极维度集合，包括：

基于皮尔逊计算方法依次获取待分析数据中每个单维数据与第一主成分之间的皮尔逊相关系数，当皮尔逊相关系数大于或等于0时，说明该维度的数据受到生产线影响的变化情况与第一主成分的变化情况相同，即产生了积极影响，则该单维数据属于积极维度集合，而当所述皮尔逊相关系数小于0时，说明该维度的数据受到生产线影响的变化情况与第一主成分的变化情况相反，即产生了消极影响，则该单维数据属于消极维度集合。

至此，基于上述分析方法可以分别对历史多维数据和实时多维数据获得具有积极影响的积极维度集合和具有消极影响的消极维度集合；本发明实施例不是只考虑主成分数据，而是通过分析单维数据与主成分数据之间的相关情况划分类别后进行进一步地分析，从而能够更加全面对数据进行处理，提高后续结果的准确度。

影响因子获取模块103，用于将积极维度集合和消极维度集合中任意一个作为待分析集合；根据待分析集合中每个单维数据与第一主成分之间的差异获得单维数据对应的影响值；根据待分析集合中所有单维数据之间的差异获得每个单维数据的趋势归属值；根据待分析集合中每个单维数据和对应的影响值以及趋势归属值，获得待分析集合的影响因子。

为了便于后续的解释以及说明，在本发明实施例中将积极维度集合和消极维度集合中的任意一个集合作为待分析集合，通过对待分析集合进行影响因子获取模块103的说明从而解释该模块的整个过程。

在获取待分析集合的影响因子的过程中，若仅考虑数据值的整体波动趋势，而不考虑不同维度的数据与第一主成分的相关情况之间的隶属性，那么可能会存在某个维度中的数据与第一主成分之间的相关性较大，但每个时刻的数据却与第一主成分的数据的相关性偏离较大，由此会造成影响因子的获取存在一定的误差，因此，本发明实施例首先通过分析待分析集合中每个单维数据与第一主成分之间的差异获得单维数据对应的影响值。

优选地，本发明一个实施例中影响值的获取方法包括：

将待分析集合中每个单维数据的所有采样点的数据值的均值作为第一均值特征，将单维数据的每个采样点的数据值与第一均值特征的比值作为第一标准值；

然后将第一主成分的所有采样点的数据值的均值作为第二均值特征，将第一主成分的每个采样点的数据值与第二均值特征的比值作为第二标准值；

最后将第一标准值与第二标准值的差异进行负相关映射并归一化，获得标准差异值；将所有采样点的标准差异值的均值作为单维数据对应的影响值。影响值的公式模型具体可以例如为：

其中，表示待分析集合中第/>个单维数据与第一主成分的影响值，/>表示数据值，/>表示待分析集合中第/>个单维数据的第/>个采样点的数据值，/>表示待分析集合中第/>个单维数据的所有采样点的数据值的均值，/>表示第一主成分，/>表示第一主成分的第/>个采样点的数据值，/>表示第一主成分的所有采样点的数据值的均值，/>表示采样点的总数，/>表示以自然常数/>为底的指数函数。

在影响值的公式模型中，获取第一标准值与第二标准值/>的差异，当该差异的值越小时，则说明第/>个采样点的数据值在第/>个单维数据与第一主成分之间的差异越小，那么即可视为第/>个采样点的数据值在第/>个单维数据中越近似于多维数据的整体成分，因此将该差异进行负相关映射并归一化实现逻辑关系矫正，此时该差异越小，负相关映射并归一化后的相近值/>就越大，那么最后将所有采样点的相近值的均值作为该单维数据的影响值也就越大。

在根据待分析集合中每个单维数据与第一主成分之间的关系获得单维数据对应的影响值之后，由于待分析集合中的多维度数据是根据每个单维数据与第一主成分之间的相关情况获得的，因此待分析集合中大部分的单维数据都具有较为相似的特点，但是为了后续获取的待分析集合的影响因子能够更加的准确，故本发明实施例通过对待分析集合中所有单维数据之间的差异进行分析，从而获得每个单维数据相对于所属集合的趋势归属值。

优选地，本发明一个实施例中趋势归属值的获取方法包括：

首先将每个单维数据中所有采样点的第一标准值的均值作为单维数据对应的平均标准值；

然后为了便于解释和说明，将待分析集合中任意一个维度的数据作为待测数据；

将待分析集合中除待测数据外所有维度的数据的平均标准值的均值作为整体均值；

最后将待测数据对应的平均标准值与整体均值的差异进行负相关映射并归一化后，作为待测数据的趋势归属值。以第个单维数据作为待测数据为例，趋势归属值的公式模型具体可以例如为：

其中，表示待分析集合中第/>个单维数据的趋势归属值，/>表示数据值，/>表示待分析集合中第/>个单维数据的第/>个采样点的数据值，/>表示待分析集合中第/>个单维数据的所有采样点的数据值的均值，/>表示采样点的总数，/>表示待分析集合中包含的多维数据的维数，/>表示待分析集合中除待测数据外的第/>个单维数据的第/>个采样点的数据值，/>表示待分析集合中除待测数据外的第/>个单维数据的所有采样点的数据值的均值，/>表示以自然常数/>为底的指数函数。

在趋势归属值的公式模型中，将每个单维数据中所有采样点的第一标准值的均值作为单维数据对应的平均标准值，然后以待分析集合中任意一个单维数据作为待测数据，然后获取待分析集合中除待测数据外其他所有维度的数据的平均标准值的均值，将其作为整体均值，整体均值可以视为表征待分析集合中多维数据的整体趋向；故分析待测数据的平均标准值和该整体均值之间的差异，当该差异值越小时，即说明待测数据与所属集合中多维数据的整体趋向越一致，也即表示趋势归属值越大，因此将该差异进行负相关映射并归一化完成逻辑关系矫正，即可获得趋势归属值。

基于上述分析可知，单维数据对应的影响值可以反映出单维数据与第一主成分，也即多维数据的整体成分之间的关系，同时，单维数据对应的趋势归属值可以反映出单维数据与所属集合中的多维数据的整体趋向之间的关系，因此可以将单维数据对应的影响值以及趋势归属值结合到待分析集合的影响因子的获取过程中，主要目的在于可以修正影响因子的获取过程，从而实现提高获取精度的作用。

优选地，本发明一个实施例中影响因子的获取方法包括：

根据每个单维数据的时刻与数据值组成矩阵，获得该单维数据对应的矩阵的特征值；

然后根据每个单维数据的趋势归属值以及对应的影响值对该单维数据对应的特征值进行修正，获得特征修正值；

基于待分析集合中所有单维数据的特征修正值的累计解释方差，获得待分析集合的主成分，将所有主成分作为影响因子。需要说明的是，矩阵的特征值的获取方法以及通过累计解释方差获取主成分的方法皆为本领域技术人员熟知的技术手段，在此不做赘述；同时，每个影响因子本质为主成分数据，因此每个影响因子的采样点可以和单维数据的采样点一一对应；根据每个单维数据的时刻与数据值组成矩阵的方法可以为：将时刻和对应的数据值组成数据对，然后将所有数据对转化为二维数据，进而可通过Python中的库函数或其他方法实现将二维数据转化为矩阵，根据一维数据获得矩阵的方法也为本领域技术人员熟知的技术手段，在此不再过多赘述。

优选地，本发明一个实施例中根据每个单维数据的趋势归属值以及对应的影响值对对应的特征值进行修正，获得特征修正值，包括：

将每个单维数据的趋势归属值与对应的影响值的乘积作为修正因子；

将每个单维数据对应的修正因子依次与对应的特征值相乘，获得特征修正值。以第个单维数据对应的第/>个特征值为例，特征修正值的公式模型为：

其中，表示第/>个单维数据对应的第/>个特征值对应的特征修正值，/>表示待分析集合中第/>个单维数据的趋势归属值，/>表示待分析集合中第/>个单维数据与第一主成分的影响值，/>表示第/>个单维数据对应的第/>个特征值。

在特征修正值的公式模型中，当单维数据对应的趋势归属值和影响值都越大时，说明该单维数据越可能是所述集合中的主成分，因此将二者的乘积作为修正因子，然后与该单维数据对应的特征值相乘，获得修正后的特征值，即特征修正值。

至此，可以基于上述方法分别获得积极维度集合的影响因子和消极维度集合的影响因子，便于后续过程的分析。

异常监测模块104，用于依次根据历史多维数据和实时多维数据对应的影响因子对数据中的所有采样点进行聚类，分别获得对应的聚类结果；根据两个聚类结果之间的差异进行异常监测，获得监测结果。

基于上述过程可以分别获得历史多维数据和实时多维数据的两个集合的影响因子集合；因此可根据影响因子构建异常监测模型。

由于影响因子集合中有多个影响因子，所以相当于每个时刻有多个影响因子，也即每个采样点对应着多个影响因子的数据值，本发明实施例通过根据影响因子对采样点进行聚类，然后通过聚类结果实现异常监测。

优选地，本发明一个实施例中依次根据历史多维数据和实时多维数据对应的影响因子对采样点进行聚类，分别获得对应的聚类结果，包括：

首先将积极维度集合的影响因子作为积极因子，将消极维度集合的影响因子作为消极因子；由于若生产线的监测数据属于正常情况时，那么在每一个时刻，也即每一个采样点对应的数据的积极影响和消极影响的比例应该在一定的范围之内，那么在基于积极因子和消极因子构建的聚类空间中，每个采样点的对应的数据对应该会在一个聚类簇之中，因此，根据积极因子和消极因子对采样点进行聚类分析。

将积极因子的数值为横轴，消极因子的数值为纵轴，建立二维坐标系；

将历史多维数据中的每个积极因子分别和对应的所有消极因子组合，获得每个时刻对应的影响因子数据对；将实时多维数据中的每个积极因子分别和对应的所有消极因子组合，获得每个时刻对应的影响因子数据对；

分别将历史多维数据和实时多维数据对应的所有影响因子数据对映射到二维坐标系中：

基于K-means聚类算法根据预设K值和历史多维数据对应的所有影响因子数据对对采样点进行聚类分析，获得聚类结果；

基于K-means聚类算法利用K值迭代根据实时多维数据对应的所有影响因子数据对对采样点进行聚类分析，直至聚类簇不再更新时，获得聚类结果。需要说明的是，在此对影响因子数据对的获取方法进行举例说明，假设实时多维数据的积极因子分别记为1、2、3，消极因子分别记为4、5，那么积极因子和消极因子的组合结果即为：（1，4）、（1，5）、（2，4）、（2，5）、（3，4）、（3，5），也即每个采样点都有6个影响因子数据对；K-means聚类算法为本领域技术人员熟知的技术手段，在此不做赘述；在利用K值迭代时，K值从1开始，依次为1、2、3…等。

优选地，在本发明一个实施例中预设K值设置为5。

由于历史多维数据为正常数据，因此可将历史多维数据的聚类结果作为标准参考，通过将实时多维数据的聚类结果与其进行比较，从而获得异常监测结果。

优选地，本发明一个实施例中根据两个聚类结果之间的差异进行异常监测，获得监测结果，包括：

首先将历史多维数据的聚类结果中最大的聚类簇作为标准聚类簇，将标准聚类簇的聚类中心作为标准中心，将标准聚类簇中所有数据点到该聚类中心的距离的平均值作为标准平均距离；然后将实时多维数据的聚类结果中最大的聚类簇作为待测聚类簇，将待测聚类簇的聚类中心作为待测中心，将待测聚类簇中所有数据点到待测中心的距离的平均值作为待测平均距离；可以根据标准中心和标准平均距离确定标准范围，可以根据待测中心和待测平均距离确定待测范围；当待测范围在标准范围之内时，则视为实时多维数据正常，保温板生产线未出现异常；当待测范围不在标准范围之内时，则视为实时多维数据异常，保温板生产线出现异常。需要说明的是，由于标准范围是根据标准中心和标准平均距离确定的，因此标准范围在二维坐标系中可以有确定的位置，待测范围同理，因此本发明实施例中的判断条件：待测范围在标准范围之内可视为标准范围包含了整个待测范围；待测范围不在标准范围之内可视为二者有交集但不是包含关系或者二者的交集为空集或者待测范围包含了标准范围。

优选地，本发明一个实施例中根据标准中心和标准平均距离确定标准范围，根据待测中心和待测平均距离确定待测范围，包括：

将标准中心作为圆心，标准平均距离作为半径，以该圆心和半径即可确定一个圆形区域，将获得的圆形区域作为标准范围；

同理，待测范围的获取方法同样是将待测中心作为圆心，以待测平均距离作为半径，以该圆心和半径确定一个圆形区域，将该圆形区域作为待测范围。

综上所述，本发明实施例首先基于预设采样时段获得监测数据，包括实时多维数据和正常的历史多维数据，对保温板生产线进行异常监测，通常是监测实时多维数据是否发生异常，但是本发明获取正常的历史多维数据用于作为参考，便于能够更加方便地监测实时多维数据地异常情况；进一步地，本发明实施例分别获取历史多维数据和实时多维数据的第一主成分，然后将每个多维数据中地每个单维数据与对应的第一主成分进行比较，分析之间的相关情况，从而对单维数据进行分类，至此，分别获得了实时多维数据和历史多维数据的两个维度集合，即积极维度集合和消极维度集合；本发明实施例不是仅分析主成分从而确定实时多维数据是否异常，而是在对单维数据完成分类之后，进一步对各个集合进行分析，分析集合中每个单维数据与对应的第一主成分之间的差异获得影响值用于表征单维数据可能为所属集合的主成分的可能性，分析集合中所有单维数据之间的差异从而获得每个单维数据的趋势归属值用于表征单维数据对于所属集合的归属程度，侧面也反映出单维数据为所属集合的主成分的可能性；进一步地，在获取到单维数据对应的矩阵的特征值之后，通过影响值以及趋势归属值对单维数据的特征值进行修正，并且利用累计解释方差的方法获得每个集合的主成分，该主成分即可作为影响因子；将积极维度集合的影响因子作为积极因子，消极维度集合的影响因子作为消极因子；然后可基于K-means聚类算法根据积极因子和消极因子对采样点进行聚类，然后将历史多维数据的聚类结果中的参数作为标准参数，将实时多维数据的聚类结果中的参数作为待测参数，最后分析待测参数与标准参数之间的差异即可获得实时多维数据的异常监测结果。本发明实施例不仅分析了多维数据的主成分数据，并且还对每个单维数据与主成分数据之间的关系进行了分析，因此在聚类时即可获得更加准确的聚类结果，故能够有效提高异常监测结果的准确度。

需要说明的是：上述本发明实施例先后顺序仅仅为了描述，不代表实施例的优劣。在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。

以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.一种基于传感器的保温板生产线异常监测系统，其特征在于，所述系统包括：

保温板生产线数据获取模块，用于基于预设采样时段获取监测数据，所述监测数据包括实时多维数据和正常的历史多维数据；

维度数据分类模块，用于将所述历史多维数据和实时多维数据中任意一个作为待分析数据；基于主成分分析方法获取所述待分析数据的第一主成分；根据所述待分析数据中每个单维数据与所述第一主成分之间的相关情况对待分析数据中所有单维数据进行分类，获得积极维度集合和消极维度集合；

影响因子获取模块，用于将所述积极维度集合和消极维度集合中任意一个作为待分析集合；根据所述待分析集合中每个单维数据与所述第一主成分之间的差异获得单维数据对应的影响值；根据所述待分析集合中所有单维数据之间的差异获得每个单维数据的趋势归属值；根据待分析集合中每个单维数据和对应的影响值以及趋势归属值，获得待分析集合的影响因子；

异常监测模块，用于依次根据历史多维数据和实时多维数据对应的影响因子对数据中的所有采样点进行聚类，分别获得对应的聚类结果；根据两个所述聚类结果之间的差异进行异常监测，获得监测结果；

所述影响值的获取方法包括：

将所述待分析集合中每个单维数据的所有采样点的数据值的均值作为第一均值特征，将单维数据的每个采样点的数据值与所述第一均值特征的比值作为第一标准值；

将所述第一主成分的所有采样点的数据值的均值作为第二均值特征，将第一主成分的每个采样点的数据值与所述第二均值特征的比值作为第二标准值；

将所述第一标准值与第二标准值的差异进行负相关映射并归一化，获得相近值；将所有采样点的相近值的均值作为单维数据对应的所述影响值；

所述趋势归属值的获取方法包括：

将每个单维数据中所有采样点的第一标准值的均值作为单维数据对应的平均标准值；

将所述待分析集合中任意一个维度的数据作为待测数据；

将所述待分析集合中除所述待测数据外所有维度的数据的平均标准值的均值作为整体均值；

将待测数据对应的平均标准值与所述整体均值的差异进行负相关映射并归一化后，作为待测数据的所述趋势归属值。

2.根据权利要求1所述的一种基于传感器的保温板生产线异常监测系统，其特征在于，所述根据所述待分析数据中每个单维数据与所述第一主成分之间的相关情况对所有单维数据进行分类，获得积极维度集合和消极维度集合，包括：

基于皮尔逊计算方法依次获取待分析数据中每个单维数据与所述第一主成分之间的皮尔逊相关系数，当所述皮尔逊相关系数大于或等于0时，单维数据属于积极维度集合，当所述皮尔逊相关系数小于0时，单维数据属于消极维度集合。

3.根据权利要求1所述的一种基于传感器的保温板生产线异常监测系统，其特征在于，所述影响因子的获取方法包括：

根据每个单维数据的采样点的时刻与数据值组成矩阵，获得单维数据对应的矩阵的特征值；

根据每个单维数据的趋势归属值以及对应的影响值对对应的特征值进行修正，获得特征修正值；

基于所述待分析集合中所有单维数据的特征修正值的累计解释方差，获得待分析集合的主成分，将所有主成分作为所述影响因子。

4.根据权利要求3所述的一种基于传感器的保温板生产线异常监测系统，其特征在于，所述根据每个单维数据的趋势归属值以及对应的影响值对对应的特征值进行修正，获得特征修正值，包括：

将每个单维数据的趋势归属值与对应的影响值的乘积作为修正因子；

将每个单维数据对应的修正因子依次与对应的特征值相乘，获得特征修正值。

5.根据权利要求1所述的一种基于传感器的保温板生产线异常监测系统，其特征在于，所述依次根据历史多维数据和实时多维数据对应的影响因子对采样点进行聚类，分别获得对应的聚类结果，包括：

将积极维度集合的影响因子作为积极因子，将消极维度集合的影响因子作为消极因子；

将积极因子的数值为横轴，消极因子的数值为纵轴，建立二维坐标系；

将历史多维数据中的每个积极因子分别和对应的所有消极因子组合，获得每个时刻对应的影响因子数据对；将实时多维数据中的每个积极因子分别和对应的所有消极因子组合，获得每个时刻对应的影响因子数据对；

分别将历史多维数据和实时多维数据对应的所有影响因子数据对映射到二维坐标系中：

基于K-means聚类算法根据预设K值和历史多维数据的所有影响因子数据对对采样点进行聚类分析，获得聚类结果；

基于K-means聚类算法利用K值迭代根据实时多维数据的所有影响因子数据对对采样点进行聚类分析，直至聚类簇不再更新，获得聚类结果。

6.根据权利要求1所述的一种基于传感器的保温板生产线异常监测系统，其特征在于，所述根据两个所述聚类结果之间的差异进行异常监测，获得监测结果，包括：

将历史多维数据的聚类结果中最大的聚类簇作为标准聚类簇，将所述标准聚类簇的聚类中心作为标准中心，将所述标准聚类簇中所有数据点到所述聚类中心的距离的平均值作为标准平均距离；

将实时多维数据的聚类结果中最大的聚类簇作为待测聚类簇，将所述待测聚类簇的聚类中心作为待测中心，将所述待测聚类簇中所有数据点到所述待测中心的距离的平均值作为待测平均距离；

根据所述标准中心和所述标准平均距离确定标准范围，根据所述待测中心和所述待测平均距离确定待测范围；

当所述待测范围在所述标准范围之内时，实时多维数据正常，保温板生产线未出现异常；当所述待测范围不在所述标准范围之内时，实时多维数据异常，保温板生产线出现异常。

7.根据权利要求6所述的一种基于传感器的保温板生产线异常监测系统，其特征在于，所述根据所述标准中心和所述标准平均距离确定标准范围，根据所述待测中心和所述待测平均距离确定待测范围，包括：

以所述标准中心为圆心，所述标准平均距离为半径，获得标准范围；

以所述待测中心为圆心，所述待测平均距离为半径，获得待测范围。

8.根据权利要求5所述的一种基于传感器的保温板生产线异常监测系统，其特征在于，所述预设K值设置为5。