CN117195018A - 基于多传感器的矿用水泵智能监测系统 - Google Patents

Abstract

本申请涉及数据处理领域，提供一种基于多传感器的矿用水泵智能监测系统，包括：数据获取模块，用于获取水泵各个维度的参数，得到每一维度对应的数据序列；概率分析模块，用于计算每一数据序列中各数据点对应的异常影响因子和各数据点对应的运行稳定度，并基于各数据点对应的异常影响因子和各数据点对应的运行稳定度计算各数据点的聚类概率；数据聚类模块，基于各数据点的聚类概率确定聚类中心点，利用迭代自组织聚类算法基于所述聚类中心点对所有数据序列进行聚类，得到多个聚类簇；异常分析模块，基于所述聚类簇确定所述矿用水泵是否异常。该系统基于数据的聚类概率选取聚类中心点，提高了ISODATA算法检测异常数据的准确性。

Description

基于多传感器的矿用水泵智能监测系统

技术领域

本申请涉及数据处理领域，特别是涉及一种基于多传感器的矿用水泵智能监测系统。

背景技术

矿用水泵是专门用于矿山行业的水泵，主要应用于矿井排水、输送含有煤尘、泥浆等杂质的水以及供水等方面。其特点是流量大、扬程高、耐磨损、结构坚固，能够适应矿山环境。由于矿用水泵长期在粉尘和杂物较多的环境中进行工作，会出现因轴承的润滑不良、过载、材料疲劳、靠垫片堵塞等问题，这些问题会导致轴承逐渐损坏直至失效。因此需要对矿用水泵进行实时的监测，来帮助工作人员掌握轴承的运行状况，并及时发现轴承的故障，进行修复或更换，以延长设备的使用寿命。

迭代自组织聚类（ISODATA）算法因具有较好的自适应性、鲁棒性和高效性的优点，适用于高维数据的异常数据检测，但是该算法中的初始聚类中心是随机选取的，而随机选择可能会导致初始聚类中心的选取质量较差，造成对高维数据进行数据异常值检测时的检测效果较差。

发明内容

本发明提供一种基于多传感器的矿用水泵智能监测系统，该系统基于数据的聚类概率选取聚类中心点，提高了ISODATA算法检测异常数据的准确性。

第一方面，本申请提供一种基于多传感器的矿用水泵智能监测系统，包括：

数据获取模块，用于获取矿用水泵轴承各个维度的参数，得到每一维度对应的数据序列；

概率分析模块，用于计算每一数据序列中各数据点对应的异常影响因子和各数据点对应的运行稳定度，并基于各数据点对应的异常影响因子和各数据点对应的运行稳定度计算各数据点的聚类概率；

数据聚类模块，用于基于各数据点的聚类概率确定聚类中心点，利用迭代自组织聚类算法基于所述聚类中心点对所有数据序列进行聚类，得到多个聚类簇；

异常分析模块，用于基于所述聚类簇确定所述矿用水泵是否异常。

在一可选实施例中，所述概率分析模块包括：

第一计算模块，用于从数据序列中选取部分数据点，以选取的部分数据点为依据，计算数据序列中各数据点对应的异常影响因子；

第二计算模块，用于将数据序列划分为多个数据段，每一数据段表示一个短时运行区间，基于每一数据段中数据点确定每一数据段对应的运行稳定度，其中，每一数据段对应的运行稳定度为所述数据段内数据点对应的运行稳定度；

第三计算模块，用于基于各数据点对应的异常影响因子和各数据点对应的运行稳定度计算各数据点的聚类概率。

在一可选实施例中，所述第一计算模块包括：

波动程度计算模块，用于选取当前数据点、数据序列中位于当前数据点之前的第一预设数量的数据点和位于当前数据点之后的第二预设数量的数据点作为局部时间片段，基于所述局部时间片段中各数据点确定当前数据点的局部波动程度，从而确定数据序列中各数据点的局部波动程度；

稳定系数计算模块，用于从数据序列中选取当前数据点的参考数据点，并基于所述参考数据点确定当前数据点的局部稳定系数，从而确定数据序列中各数据点的局部稳定系数；其中，所述参考数据点为数据序列中与当前数据点距离最小的第三预设数量的数据点；

异常影响因子计算模块，用于基于数据序列中各数据点的局部波动程度和数据序列中各数据点的局部稳定系数确定数据序列中各数据点对应的异常影响因子。

在一可选实施例中，波动程度计算模块还用于：

计算所述局部时间片段中数据点的最大值和最小值的差值，得到所述局部时间片段中数据点的极差；

计算所述局部时间片段中每一数据点与当前数据点之间的差值之和，与第一预设数量和第二预设数量之和的比值，从而得到所述局部时间片段中其余数据点与当前数据点的离散程度；

基于所述局部时间片段中数据点的极差，和所述局部时间片段中其余数据点与当前数据点的离散程度的乘积确定当前数据点的局部波动程度。

在一可选实施例中，稳定系数计算模块还用于：

基于当前数据点与参考数据点之间的信息熵、当前数据点与参考数据点之间的距离均值、当前数据点与每一参考数据点之间的距离以及第三预设数量确定当前数据点的局部稳定系数。

在一可选实施例中，所述第二计算模块还用于：

基于当前数据段中后第四预设数量的数据点的均值、位于当前数据段后的数据段中前第五预设数量的数据点的均值的差值的绝对值确定第一稳定度影响因子；

基于当前数据段的信息熵和除当前数据段之外的其余数据段的信息熵之间的差值之和，和其余数据段的数量的比值确定第二稳定度影响因子；

基于所述第一稳定度影响因子和所述第二稳定度影响因子计算当前数据段对应的运行稳定度，从而确定每一数据段对应的运行稳定度。

在一可选实施例中，所述第三计算模块用于计算各数据点对应的异常影响因子和各数据点对应的运行稳定度之间的乘积，并对计算得到的乘积进行归一化，从而得到各数据点的聚类概率。

在一可选实施例中，所述数据聚类模块依据各数据点的聚类概率从大到小依次确定第六预设数量的数据点作为所述聚类中心点。

在一可选实施例中，所述异常分析模块用于：

计算当前聚类簇与其余聚类簇之间的类间方差，得到当前聚类簇的类间差异值，以及计算当前聚类簇与其余聚类簇之间的类间方差的均值，得到类间差异值均值；

基于当前聚类簇的类间差异值和类间差异值均值计算当前聚类簇的异常检测因子；

如果当前聚类簇的异常检测因子大于阈值，则确定当前聚类簇为异常聚类簇，矿用水泵异常。

本申请的有益效果，区别于现有技术，本申请的基于多传感器的矿用水泵智能监测系统，包括：数据获取模块，用于获取水泵各个维度的参数，得到每一维度对应的数据序列；概率分析模块，用于计算每一数据序列中各数据点对应的异常影响因子和各数据点对应的运行稳定度，并基于各数据点对应的异常影响因子和各数据点对应的运行稳定度计算各数据点的聚类概率；数据聚类模块，基于各数据点的聚类概率确定聚类中心点，利用迭代自组织聚类算法基于所述聚类中心点对所有数据序列进行聚类，得到多个聚类簇；异常分析模块，基于所述聚类簇确定所述矿用水泵是否异常。该系统基于数据的聚类概率选取聚类中心点，提高了ISODATA算法检测异常数据的准确性。

附图说明

图1为本发明基于多传感器的矿用水泵智能监测系统的一实施例的结构示意图；

图2为图1中概率分析模块的一实施例的结构示意图；

图3为图2中第一计算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是本申请基于多传感器的矿用水泵智能监测系统的一实施例的结构示意图，具体包括：数据获取模块11、概率分析模块12、数据聚类模块13以及异常分析模块14。

其中，数据获取模块11用于获取矿用水泵轴承各个维度的参数，得到每一维度对应的数据序列。具体的，用于监测矿用水泵的轴承的工作状态的相关运行数据有很多，实施者可自行设定所监测的矿用水泵的轴承的运行数据，包括但不限于轴承的转速、温度、振动、压力、音频等运行数据，实施者可根据相应的传感器来采集对应的运行数据。本发明中监测的运行数据为轴承的转速、温度、振动等运行数据，可使用转速、温度、振动传感器进行数据采集，本发明中的每个传感器采集的数据量记为，相邻两次采集的时间间隔记为/>，具体每个传感器采集的数据量/>以及间隔/>由实施者自行定义，本发明中设置为/>，。

至此，可得到用于监测矿用水泵的轴承的相关数据序列，即转速数据序列、温度数据序列/>、振动数据序列/>。对得到的相关数据序列分别进行归一化的去量纲处理，得到数据序列/>，/>分别对应于转速、温度、振动数据序列进行归一化后的结果序列，用于对矿用水泵的轴承进行异常监测。

概率分析模块12用于计算每一数据序列中各数据点对应的异常影响因子和各数据点对应的运行稳定度，并基于各数据点对应的异常影响因子和各数据点对应的运行稳定度计算各数据点的聚类概率。

在一具体实施例中，请结合图2，所述概率分析模块12包括：第一计算模块121、第二计算模块122以及第三计算模块123。

其中，第一计算模块121用于从数据序列中选取部分数据点，以选取的部分数据点为依据，计算数据序列中各数据点对应的异常影响因子。具体的，请结合图3，所述第一计算模块121包括：波动程度计算模块1211、稳定系数计算模块1212、异常影响因子计算模块1213。

波动程度计算模块1211用于选取当前数据点、数据序列中位于当前数据点之前的第一预设数量的数据点和位于当前数据点之后的第二预设数量的数据点作为局部时间片段，基于所述局部时间片段中各数据点确定当前数据点的局部波动程度，从而确定数据序列中各数据点的局部波动程度。在一具体实施例中，波动程度计算模块1211用于计算所述局部时间片段中数据点的最大值和最小值的差值，得到所述局部时间片段中数据点的极差。计算所述局部时间片段中每一数据点与当前数据点之间的差值之和，与第一预设数量和第二预设数量之和的比值，从而得到所述局部时间片段中其余数据点与当前数据点的离散程度。基于所述局部时间片段中数据点的极差，和所述局部时间片段中其余数据点与当前数据点的离散程度的乘积确定当前数据点的局部波动程度。

具体的，在矿用水泵的某一个运行状态下，其轴承在正常运行时的运行数据，如转速、温度、压力、震动等数据，一般表现为一个稳定的状态或在一个较小范围内进行波动，而超过了这个范围就说明轴承可能出现了故障问题，需要及时进行处理。因此本发明将对各个数据序列进行分析，来自适应的设置迭代自组织聚类（ISODATA）算法中的初始聚类中心点，以免初始聚类中心的随机性影响后续对矿用水泵的轴承的运行数据的异常数据检测。

具体的，根据水泵的运行状态和各个数据序列的分布情况来获取各个数据点被选择为聚类中心点的聚类概率。首先根据数据序列内数据点的分布特点来构建水泵轴承异常影响因子。

具体的，以数据序列为例，对于数据序列/>中的数据点/>，设置一个局部时间片段，局部时间片段的长度/>，/>为第一预设数量、/>为第二预设数量，分别取经验值为10、10，以数据点/>和数据点/>的前/>个时刻的数据点和后/>个时刻的数据点来构成数据点/>的局部时间片段，基于局部时间片段得到数据点/>的局部波动程度，水泵轴承局部波动程度/>的计算方法如下所示：

上式中：表示数据序列/>中的数据点/>的局部波动程度；/>、/>分别表示数据点/>所在局部时间片段中数据点的最大值和最小值，/>表示局部时间片段中数据点/>的极差。/>表示数据点/>所在局部时间片段中除数据点/>之外数据点的个数，即第一预设数量和第二预设数量之和，/>表示数据点/>所在局部时间片段中第/>个数据点。/>表示局部时间片段中其余数据点与当前数据点/>的离散程度。

数据点所在的局部时间片段中数据点的极差越大，表示数据点间的波动范围越大，则水泵轴承局部波动程度/>的值越大；数据点/>所在的局部时间片段中其余数据点与数据点/>的离散程度越大，表示数据点间的波动越剧烈，则水泵轴承局部波动程度/>的值越大。

具体的，数据序列对应于水泵轴承的转速数据序列，其数据点的局部波动是由于轴承磨损弯曲、转动部分的零件松动或者是水泵处于运行状态切换时间内等原因造成的。对于轴承温度数据序列/>中数据点的局部波动是由于轴承的润滑不良、轴承已损坏以及水泵处于运行状态切换时间内等原因造成的。而轴承振动数据序列/>中数据点的局部波动是由于轴承定位装置松动、轴承因磨损而导致支撑刚度下降等原因造成的。则数据点的水泵轴承局部波动程度/>的值越大，表示该数据点所在的局部时间片段中数据点的分布越不规律，该数据点与其余数据点的相似度越小，则该数据点越疑似为异常数据点，即在局部范围内该数据点越不可能被选择为聚类中心点。

稳定系数计算模块1212用于从数据序列中选取当前数据点的参考数据点，并基于所述参考数据点确定当前数据点的局部稳定系数，从而确定数据序列中各数据点的局部稳定系数；其中，所述参考数据点为数据序列中与当前数据点距离最小的第三预设数量的数据点。在一具体实施例中，稳定系数计算模块1212还用于：基于当前数据点与参考数据点之间的信息熵、当前数据点与参考数据点之间的距离均值、当前数据点与每一参考数据点之间的距离以及第三预设数量确定当前数据点的局部稳定系数。

具体的，计算数据序列中的其余数据点与数据点/>之间差值的绝对值，作为其余数据点与数据点/>之间的距离/>，选取其中与数据点/>之间的距离最小的第三预设数量/>个数据点，将这/>个数据点记为数据点/>的参考数据点，/>取经验值为15，计算数据点的局部稳定系数/>，水泵轴承局部稳定系数/>的计算方法为：

上式中：表示数据序列/>中的数据点/>的局部稳定系数；/>表示数据点/>与其/>个参考数据点之间的信息熵，并且/>的最小值为0；/>表示数据点/>的参考数据点的个数；/> 表示数据点/>与第/>个参考数据点之间的距离；/>表示数据点/>与其之间的距离的均值；/>表示取最大值。数据点/>的/>个参考数据点与数据点/>的距离越接近，信息熵的值越小，表示数据点/>在局部范围内数值越稳定，即局部稳定系数/>的值越大。

当矿用水泵的轴承出现故障时，转速、温度、振动等数据在从轴承发生故障的时刻起会出现不同程度的局部不稳定波动，因此在一个数据的采集周期内，数据点的水泵轴承局部稳定系数的值是较小的，/>的值越大表示该数据点与其局部范围内的数据点之间的相似度越低，即该数据点越疑似异常数据点，则该数据点越不可能被选择为聚类中心点。

异常影响因子计算模块1213用于基于数据序列中各数据点的局部波动程度和数据序列中各数据点的局部稳定系数确定数据序列中各数据点对应的异常影响因子。进一步的，根据数据序列中的数据点/>的局部波动程度/>和局部稳定系数/>，得到数据点/>的异常影响因子/>，异常影响因子/>的计算方法如下所示：

上式中：表示数据序列/>中的数据点/>的异常影响因子。局部波动程度/>的值越大，局部稳定系数/>的值越小，表示该数据点与周围数据点越不相似，则该数据点的异常影响因子/>的值越大，即该数据点越不可能被选择为聚类中心点。

其次，根据各个数据序列整体的分布特征以及对水泵可能存在的运行状态进行分析来获取水泵运行稳定度。本申请设置第二计算模块122，第二计算模块122用于将数据序列划分为多个数据段，每一数据段表示一个短时运行区间，基于每一数据段中数据点确定每一数据段对应的运行稳定度，其中，每一数据段对应的运行稳定度为所述数据段内数据点对应的运行稳定度。

水泵在不同运行状态下的数据分布特征是不同的，则不同的数据序列对不同运行状态下水泵的关联程度是不同的。具体的，当水泵处于运行状态切换时间内时，转速数据会在极短的时间内发生跳跃性变化，并在之后保持较稳定的波动；温度数据会在较长的时间内发生缓慢的递增变化；而振动数据受影响较小。则转速数据序列能够实时的反映出水泵是否发生运行状态的改变，即转速数据序列对水泵运行状态的关联度最高，因此可通过转速数据序列来判断水泵是否发生运行状态的改变。

具体的，对转速数据序列中的数据点按照数据点的采集时刻进行时间区间的均等划分，划分成/>个区间，其中/>取经验值为5，则得到的每个时间区间均能表示水泵的短时运行状态，并将这些时间区间记为数据段，每一个数据段表示一个水泵短时运行区间。

在一具体实施例中，第二计算模块122基于当前数据段中后第四预设数量的数据点的均值、位于当前数据段后的数据段中前第五预设数量的数据点的均值的差值的绝对值确定第一稳定度影响因子。具体的，第个数据段的第一稳定度影响因子/>的计算方式为：

其中，表示第/>个数据段后/>个数据点的均值，/>表示第四预设数量，/>表示位于第/>个数据段后的第/>个数据段中前/>个数据点的均值，/>表示第五预设数量。在一具体实施例中，/>和/>均为数据段的/>的数据点。

进一步的，第二计算模块122基于当前数据段的信息熵和除当前数据段之外的其余数据段的信息熵之间的差值之和，和其余数据段的数量的比值确定第二稳定度影响因子。具体的，第个数据段的第二稳定度影响因子/>的计算方式为：

其中，表示第/>个数据段的信息熵；/>表示第/>个数据段之外的第/>个数据段的信息熵；/>表示第/>个数据段与其余数据段的信息熵差值之和，/>表示数据段的数量，/>表示除第/>个数据段之外的其余数据段的数量。

进一步的，第二计算模块122基于所述第一稳定度影响因子和所述第二稳定度影响因子计算当前数据段对应的运行稳定度，从而确定每一数据段对应的运行稳定度。具体的，第个数据段对应的运行稳定度/>的计算方式为：

需要说明的是，当前数据段的信息熵与其他数据段的信息熵的差异越大，表示在当前数据段内发生水泵运行状态改变的可能性越高，则当前数据段的第二稳定度影响因子的值越大，即当前数据段的水泵运行稳定度/>的值越小；若在当前数据段的端点时刻附近发生水泵运行状态的改变，表示相邻两个当前数据段的相邻时刻附近的数据点差异越大，则当前数据段的第一稳定度影响因子/>的值越大，即当前数据段的水泵运行稳定度/>的值越小。水泵运行稳定度/>的值越大，表示当前数据段的水泵运行越稳定，即越不可能发生水泵运行状态的改变，则当前数据段所对应时刻的水泵相关数据序列中的数据点被选为聚类中心点的可能性越高。

第三计算模块123用于基于各数据点对应的异常影响因子和各数据点对应的运行稳定度计算各数据点的聚类概率。在一具体实施例中，所述第三计算模块123用于计算各数据点对应的异常影响因子和各数据点对应的运行稳定度之间的乘积，并对计算得到的乘积进行归一化，从而得到各数据点的聚类概率。

具体的，以数据序列中的数据点/>为例，数据点/>的聚类概率/>的计算方法如下所示：

上式中：表示数据点/>的异常影响因子；/>表示数据点/>的所对应数据段的运行稳定度。/>为归一化函数，作用为对括号内的数值进行归一化。数据点/>的聚类概率/>的值越大，表示该数据点被选择为聚类中心点的概率越大。

数据聚类模块13用于基于各数据点的聚类概率确定聚类中心点，利用迭代自组织聚类算法基于所述聚类中心点对所有数据序列进行聚类，得到多个聚类簇。在一实施例中，所述数据聚类模块13依据各数据点的聚类概率从大到小依次确定第六预设数量的数据点作为所述聚类中心点。

具体的，计算每个数据序列中各个数据点的聚类概率，并利用迭代自组织聚类（ISODATA）算法对数据序列/>进行聚类，得到/>个聚类簇。迭代自组织聚类（ISODATA）算法中的预期的类数/>，聚类中心点的个数/>(/>可以不等于c)，每一类中允许的最少样本数目/>，每个类簇内样本距离分布的标准差上限/>(大于标准差上限/>就分裂)，两个聚类中心间的最小距离下限/>(若小于此数，这两类应合并)， 在每次迭代中最多可以进行“合并”操作的次数/>, 允许的最多迭代次数/>,分别取经验值为/>，/>，/>，/>，，/>，/>。其中聚类中心点的选取方法为：根据数据序列中各个数据点的聚类概率/>的值，按照聚类概率/>的值从大到小依次进行聚类中心点的选取，即聚类概率/>数值最大的数据点作为第一个聚类中心点，聚类概率/>数值第二大的数据点作为第二个聚类中心点，依次往下选取。

通过上述选取聚类中心点的方式确定聚类中心点，基于聚类中心点进行聚类，得到个聚类簇。

异常分析模块14用于基于所述聚类簇确定所述矿用水泵是否异常。在一具体实施例中，异常分析模块14用于：计算当前聚类簇与其余聚类簇之间的类间方差，得到当前聚类簇的类间差异值，以及计算当前聚类簇与其余聚类簇之间的类间方差的均值，得到类间差异值均值；基于当前聚类簇的类间差异值和类间差异值均值计算当前聚类簇的异常检测因子。

具体的，第个聚类簇的异常检测因子/>的计算方式为：

上式中：表示第/>个聚类簇的异常检测因子；/>表示第/>个聚类簇的类间差异值；/>表示所有聚类簇的类间差异值/>的均值，记为标准类间差异值；/>为归一化函数，作用为对括号内的数值进行归一化。聚类簇的类间差异值与标准类间差异值之间的差越大，表示该聚类簇与其它聚类簇之间越不相似，即该聚类簇中的数据点越异常，则轴承异常检测因子/>的值越大。

如果当前聚类簇的异常检测因子大于阈值，则确定当前聚类簇为异常聚类簇，矿用水泵异常。具体的，设置一个异常阈值，/>取经验值为0.4。将异常检测因子/>的聚类簇中的数据点进行标记，并发出警报，提醒工作人员对矿用水泵的轴承进行检修。

本发明提出基于多传感器的矿用水泵智能监测系统，针对迭代自组织聚类（ISODATA）算法检测数据异常值时，因初始聚类中心的随机选取而影响异常检测结果的问题，基于矿用水泵的轴承的各个相关运行数据在轴承正常运行时的分布特点，对各个相关运行数据序列内数据的数值分布和时间分布的情况进行分析，并结合各个相关运行数据之间的分布情况来构建出各个数据点的聚类概率，将数据点的聚类概率作为ISODATA算法中初始聚类中心点的选择标准，并对矿用水泵的轴承的相关运行数据进行后续的异常数据检测，提高了ISODATA算法检测异常数据的准确性。

以上仅为本申请的实施方式，并非因此限制本申请的专利范围，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专利保护范围内。

Claims (9)

1.一种基于多传感器的矿用水泵智能监测系统，其特征在于，包括：

数据获取模块，用于获取矿用水泵轴承各个维度的参数，得到每一维度对应的数据序列；

概率分析模块，用于计算每一数据序列中各数据点对应的异常影响因子和各数据点对应的运行稳定度，并基于各数据点对应的异常影响因子和各数据点对应的运行稳定度计算各数据点的聚类概率；

数据聚类模块，用于基于各数据点的聚类概率确定聚类中心点，利用迭代自组织聚类算法基于所述聚类中心点对所有数据序列进行聚类，得到多个聚类簇；

异常分析模块，用于基于所述聚类簇确定所述矿用水泵是否异常。

2.根据权利要求1所述的基于多传感器的矿用水泵智能监测系统，其特征在于，所述概率分析模块包括：

第一计算模块，用于从数据序列中选取部分数据点，以选取的部分数据点为依据，计算数据序列中各数据点对应的异常影响因子；

第二计算模块，用于将数据序列划分为多个数据段，每一数据段表示一个短时运行区间，基于每一数据段中数据点确定每一数据段对应的运行稳定度，其中，每一数据段对应的运行稳定度为所述数据段内数据点对应的运行稳定度；

第三计算模块，用于基于各数据点对应的异常影响因子和各数据点对应的运行稳定度计算各数据点的聚类概率。

3.根据权利要求2所述的基于多传感器的矿用水泵智能监测系统，其特征在于，所述第一计算模块包括：

波动程度计算模块，用于选取当前数据点、数据序列中位于当前数据点之前的第一预设数量的数据点和位于当前数据点之后的第二预设数量的数据点作为局部时间片段，基于所述局部时间片段中各数据点确定当前数据点的局部波动程度，从而确定数据序列中各数据点的局部波动程度；

稳定系数计算模块，用于从数据序列中选取当前数据点的参考数据点，并基于所述参考数据点确定当前数据点的局部稳定系数，从而确定数据序列中各数据点的局部稳定系数；其中，所述参考数据点为数据序列中与当前数据点距离最小的第三预设数量的数据点；

异常影响因子计算模块，用于基于数据序列中各数据点的局部波动程度和数据序列中各数据点的局部稳定系数确定数据序列中各数据点对应的异常影响因子。

4.根据权利要求3所述的基于多传感器的矿用水泵智能监测系统，其特征在于，波动程度计算模块还用于：

计算所述局部时间片段中数据点的最大值和最小值的差值，得到所述局部时间片段中数据点的极差；

计算所述局部时间片段中每一数据点与当前数据点之间的差值之和，与第一预设数量和第二预设数量之和的比值，从而得到所述局部时间片段中其余数据点与当前数据点的离散程度；

基于所述局部时间片段中数据点的极差，和所述局部时间片段中其余数据点与当前数据点的离散程度的乘积确定当前数据点的局部波动程度。

5.根据权利要求3所述的基于多传感器的矿用水泵智能监测系统，其特征在于，稳定系数计算模块还用于：

基于当前数据点与参考数据点之间的信息熵、当前数据点与参考数据点之间的距离均值、当前数据点与每一参考数据点之间的距离以及第三预设数量确定当前数据点的局部稳定系数。

6.根据权利要求2所述的基于多传感器的矿用水泵智能监测系统，其特征在于，所述第二计算模块还用于：

基于当前数据段中后第四预设数量的数据点的均值、位于当前数据段后的数据段中前第五预设数量的数据点的均值的差值的绝对值确定第一稳定度影响因子；

基于当前数据段的信息熵和除当前数据段之外的其余数据段的信息熵之间的差值之和，和其余数据段的数量的比值确定第二稳定度影响因子；

基于所述第一稳定度影响因子和所述第二稳定度影响因子计算当前数据段对应的运行稳定度，从而确定每一数据段对应的运行稳定度。

7.根据权利要求2所述的基于多传感器的矿用水泵智能监测系统，其特征在于，所述第三计算模块用于计算各数据点对应的异常影响因子和各数据点对应的运行稳定度之间的乘积，并对计算得到的乘积进行归一化，从而得到各数据点的聚类概率。

8.根据权利要求1所述的基于多传感器的矿用水泵智能监测系统，其特征在于，所述数据聚类模块依据各数据点的聚类概率从大到小依次确定第六预设数量的数据点作为所述聚类中心点。

9.根据权利要求1所述的基于多传感器的矿用水泵智能监测系统，其特征在于，所述异常分析模块用于：

计算当前聚类簇与其余聚类簇之间的类间方差，得到当前聚类簇的类间差异值，以及计算当前聚类簇与其余聚类簇之间的类间方差的均值，得到类间差异值均值；

基于当前聚类簇的类间差异值和类间差异值均值计算当前聚类簇的异常检测因子；

如果当前聚类簇的异常检测因子大于阈值，则确定当前聚类簇为异常聚类簇，矿用水泵异常。