CN117235462A - 基于时序数据分析的袋式包装机故障智能预测方法 - Google Patents
基于时序数据分析的袋式包装机故障智能预测方法 Download PDFInfo
- Publication number
- CN117235462A CN117235462A CN202311482243.9A CN202311482243A CN117235462A CN 117235462 A CN117235462 A CN 117235462A CN 202311482243 A CN202311482243 A CN 202311482243A CN 117235462 A CN117235462 A CN 117235462A
- Authority
- CN
- China
- Prior art keywords
- subsequence
- sequence
- sub
- compared
- trend
- 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
- 238000004806 packaging method and process Methods 0.000 title claims abstract description 78
- 238000000034 method Methods 0.000 title claims abstract description 44
- 238000007405 data analysis Methods 0.000 title claims abstract description 20
- 238000005457 optimization Methods 0.000 claims abstract description 66
- 230000011218 segmentation Effects 0.000 claims abstract description 16
- 238000004891 communication Methods 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 10
- 239000011159 matrix material Substances 0.000 claims description 9
- 230000002159 abnormal effect Effects 0.000 claims description 5
- 230000007704 transition Effects 0.000 claims description 4
- 238000001514 detection method Methods 0.000 claims description 3
- 238000011897 real-time detection Methods 0.000 claims description 2
- 230000007613 environmental effect Effects 0.000 abstract description 12
- 238000005259 measurement Methods 0.000 description 16
- 230000000694 effects Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000033228 biological regulation Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及设备故障预测技术领域,具体涉及基于时序数据分析的袋式包装机故障智能预测方法,包括:采集袋式包装机温度时序序列;根据预设长度对袋式包装机温度时序数据进行划分,得到若干个子序列;获取每一子序列的若干个待对比子序列,获取每一子序列与每一子序列的待对比子序列的距离优化度量;完成FLOSS时序模态分割,根据FLOSS时序模态分割结果进行袋式包装机故障智能预警。本发明根据环境温度不同状态在温度时序数据中变化的差异,使得具有相同环境状态的子序列划分为相同的长子序列,并根据不同的环境状态训练不同的隐马尔可夫模型,从而更准确地进行袋式包装机故障的智能预测。
Description
技术领域
本发明涉及设备故障预测技术领域,具体涉及基于时序数据分析的袋式包装机故障智能预测方法。
背景技术
在袋式包装机的运行过程中需要对袋式包装机运行过程中的温度时序数据进行分析并进行故障智能预测,从而对袋式包装机的运行参数进行实时调控,保证袋式包装机的稳定运行。在现有的时间序列预测方法中,可以通过隐马尔可夫模型对袋式包装机运行过程中的时序数据进行建模,并进行数据隐含状态的预测。但是由于袋式包装机温度异常的原因众多,对于不同的原因,在隐马尔可夫模型中就对应着不同的隐含状态。为了保证对于袋式包装机的故障智能预测准确。针对于多隐含状态的数据就需要将时序数据进行分割,形成多个子序列,对于每一个子序列进行单独的隐马尔可夫建模,在预测时,根据实时数据点所属的状态选用不同的模型对其进行预测。
在现有的对时间序列数据进行模态分割方法中,多使用时间序列分割方法进行时间序列的模态划分,在这个过程中对于不同的子序列长度规定是敏感的,不同的子序列长度设定会带来不同的模态分割结果。从而导致袋式包装机故障的智能预测的准确性与可靠性不足。
发明内容
本发明提供基于时序数据分析的袋式包装机故障智能预测方法,以解决现有技术中对袋式包装机故障的智能预测的准确性与可靠性不足的问题。
本发明的基于时序数据分析的袋式包装机故障智能预测方法采用如下技术方案:
本发明一个实施例提供了基于时序数据分析的袋式包装机故障智能预测方法,该方法包括以下步骤:
采集袋式包装机温度时序序列;
根据预设长度对袋式包装机温度时序数据进行划分,得到若干个子序列,获取两个子序列间的初始距离优化因子;
获取每一子序列的若干个待对比子序列,并得到每一子序列与每一子序列的待对比子序列的距离优化度量,根据距离优化度量完成时序模态分割得到不同模态的子序列,利用隐马尔可夫模型预测不同模态的子序列中下一个数据点的状态,根据下一个数据点的状态进行故障预警,所述状态包括袋式包装机的正常状态、袋式包装机的偏离状态、袋式包装机的异常状态。
优选的,所述得到每一子序列与每一子序列的待对比子序列的距离优化度量,包括的具体步骤如下:
根据每一子序列与每一子序列的每一待对比子序列之间的子序列的初始距离优化因子的差异,获取每一子序列与每一待对比子序列的改进距离优化因子,根据每一子序列与每一子序列的待对比子序列的数值变化趋势差异获取每一子序列与每一子序列的待对比子序列的趋势相似程度,根据每一子序列与每一子序列的待对比子序列的改进距离优化因子与趋势相似程度获取每一子序列与每一子序列的待对比子序列的距离优化度量。
优选的,所述根据每一子序列与每一子序列的每一待对比子序列之间的子序列的初始距离优化因子的差异,获取每一子序列与每一待对比子序列的改进距离优化因子,计算公式如下:
其中,表示第/>个子序列到第/>个子序列的第/>个待对比子序列之间子序列的个数,/>表示第/>个子序列与第/>个子序列的第/>个待对比子序列之间的初始距离优化因子,/>表示第/>个子序列与第/>个子序列的第/>个待对比子序列之间的初始距离优化因子,/>表示第/>个子序列的待对比子序列的个数,/>表示自然常数。
优选的,所述根据每一子序列与每一子序列的待对比子序列的数值变化趋势差异获取每一子序列与每一子序列的待对比子序列的趋势相似程度,包括的具体步骤如下:
获取每一子序列的趋势方向变化点及每一趋势方向变化点的变化方向,根据每一子序列中趋势变化点的序号值及变化方向的差异获取每一子序列与每一子序列的待对比子序列的趋势相同个数,根据每一子序列的趋势方向变化点个数及每一子序列与每一子序列的待对比子序列的趋势相同个数获取每一子序列与每一子序列的待对比子序列的趋势相似程度。
优选的,所述获取每一子序列的趋势方向变化点及每一趋势方向变化点的变化方向,包括的具体步骤如下:
记任意一子序列为目标子序列,记目标子序列中任意一数据点为目标数据点,按照目标子序列顺序,将目标数据点的前一个数据点记为第一待判断数据点,将第一待判断数据点的前一个数据点记为第二待判断数据点,获取第一待判断数据点与目标数据点的差值,记为目标数据点的变化差值,获取第二待判断数据点与第一待判断数据点的差值,记为目标数据点的对比差值,若变化差值与对比差值数值正负不同时,将目标数据点记为趋势方向变化点,当趋势变化方向点的变化差值为正数时,记趋势方向变化点的变化方向为降低方向,当趋势变化方向点的变化差值为负数时,记趋势方向变化点的变化方向为增加方向。
优选的,所述根据每一子序列中趋势变化点的序号值及变化方向的差异获取每一子序列与每一子序列的待对比子序列的趋势相同个数,包括的具体步骤如下:
记任意一子序列为目标子序列,获取目标子序列中趋势方向变化点的个数及每一趋势变化方向点的序号值,记目标子序列的任意一待对比子序列为关注子序列,获取目标子序列与关注子序列中相同序号值的趋势变化方向点,记为待判断趋势变化方向点对,获取变化方向相同的待判趋势变化方向点对的个数,记为目标子序列与关注子序列的趋势相同个数。
优选的,所述根据每一子序列的趋势方向变化点个数及每一子序列与每一子序列的待对比子序列的趋势相同个数获取每一子序列与每一子序列的待对比子序列的趋势相似程度,计算公式如下:
其中,表示第/>个子序列与第/>个子序列的第/>个待对比子序列的趋势相似程度,/>表示第/>个子序列与第/>个子序列的第/>个待对比子序列的趋势相同个数,/>表示第/>个子序列与第/>个子序列的第/>个待对比子序列的趋势相同个数,/>表示第/>个子序列的趋势方向变化点的个数,/>表示以自然常数e为底的指数函数。
优选的,所述根据每一子序列与每一子序列的待对比子序列的改进距离优化因子与趋势相似程度获取每一子序列与每一子序列的待对比子序列的距离优化度量,包括的具体步骤如下:
将每一子序列中所有数据点与按照子序列顺序下一数据点的欧式距离的和记为每一子序列的连通距离;
其中,表示第/>个子序列与第/>个子序列的第/>个待对比子序列的距离优化度量,表示第/>个子序列与第/>个子序列的第/>个待对比子序列的趋势相似程度,/>表示第/>个子序列与第/>个子序列的第/>个待对比子序列的改进距离优化因子,/>表示第/>个子序列与第/>个子序列的第/>个待对比子序列的欧式距离,/>表示第/>个子序列的连通距离,/>表示第/>个子序列的连通距离,/>表示取绝对值。
优选的,所述根据距离优化度量完成时序模态分割得到不同模态的子序列,利用隐马尔可夫模型预测不同模态的子序列中下一个数据点的状态,根据下一个数据点的状态进行故障预警,包括的具体步骤如下:
将时序模态分割结果记为不同模态子序列,获取每一模态子序列的隐马尔可夫模型的初始状态概率矩阵与状态概率转移矩阵,得到若干个隐马尔科夫模型,根据实时检测得到的数据点的所在的子序列的最近邻子序列所在的模态选取对应的隐马尔可夫模型进行实时预测,根据实际检测得到的数据点的状态与预测得到的下一数据点的状态进行袋式包装机故障智能预警,完成故障预测。
本发明的技术方案的有益效果是:本发明通过袋式包装机温度时序数据中的子序列波动强度差异对过程中对子序列之间的距离计算进行优化,相较于传统的欧氏距离衡量,本发明可以根据环境温度不同状态在温度时序数据中变化的差异,使得具有相同环境状态的子序列划分为相同的长子序列,并根据不同的环境温度状态训练不同的隐马尔可夫模型,从而更准确地进行袋式包装机故障的智能预测。同时本发明通过袋式包装机温度时序数据中固定长度子序列之间的时间距离进行距离衡量限制,相较于传统的/>过程中全局寻找最近邻子序列,可以在最近邻子序列寻找的过程中着重于在附近区域进行寻找,从而保证获取到同一种数据模态的子序列,进而将这些不同模态的子序列进行区分。本发明能够降低时序数据模态分割对初始子序列长度的敏感性,使得对于不同的初始子序列长度都可以获取到更具有鲁棒性的袋式包装机温度时序数据的模态划分结果,从而提升袋式包装机故障的智能预测的准确性与可靠性。
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,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地介绍,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他的附图。
图1为本发明基于时序数据分析的袋式包装机故障智能预测方法的步骤流程图。
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基于时序数据分析的袋式包装机故障智能预测方法,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基于时序数据分析的袋式包装机故障智能预测方法的具体方案。
请参阅图1,其示出了本发明一个实施例提供的基于时序数据分析的袋式包装机故障智能预测方法的步骤流程图,该方法包括以下步骤:
步骤S001、采集袋式包装机温度时序数据。
对于需要进行故障智能预测的袋式包装机,根据袋式包装机中的温度传感器采集袋式包装机运行过程中的温度时序数据记为袋式包装机温度时序数据;需要说明的是,开始采集的起始点与终止点由具体实施者进行设置,传感器采集的时间间隔由所使用的温度传感器进行设定。
至此,得到袋式包装机温度时序数据。
步骤S002、对袋式包装机温度时序数据进行划分,得到若干个子序列,获取两个子序列间的初始距离优化因子。
需要说明的是,获取到袋式包装机温度时序数据后,由于需要将不同环境温度状态的子序列进行划分,在本实施例场景中这些不同温度异常的原因在时序数据中可以通过温度时序数据整体的趋势变化差异进行衡量,在环境温度高时,时序数据中会出现整体增高,此时对于袋式包装机正常工作的数据中,温度时序数据中数据的变化强度就会下降(由于温度的基数升高,所以当出现较强的波动时就会出现袋式包装机的工作异常)。所以可以通过对于袋式包装机温度时序数据中固定长度子序列的温度变化强度分析对的最近邻关系判断中进行距离优化。从而准确进行模态分割。
进一步需要说明的是,由于是通过时序数据中的每一个子序列在整个时序数据中确定与其距离最小的子序列,并以此形成最近邻关系,最近邻关系即为对于袋式包装机的一个温度采样点的局部子序列在整个袋式包装机的温度监测时序数据中具有最相似的温度变化情况的子序列,当袋式包装机的温度具有相似的变化时,对于全部最近邻子序列(最相似温度变化关系)的对应关系进行分析即可划分出袋式包装机温度监测数据的环境变化。在固定长度的子序列之间的欧氏距离衡量中,因为存在着环境温度较低的子序列与环境温度较高的子序列形成最近邻子序列的情况,所以需要根据子序列中温度变化强度的差异对欧氏距离进行优化,传统的距离衡量方式根据两个子序列中数据点的欧式距离进行计算,此时无法获取两个子序列的温度变化差异,为了将温度变化差异较大的子序列之间距离拉大,从而使得具有相同的温度变化强度并且温度数值相近的子序列被判断为邻近子序列,根据固定长度的子序列局部波动差异获取两个子序列间的初始距离优化因子。
设定过程中的初始子序列长度/>,所述的初始子序列长度就是对于袋式包装机的温度检测时序数据进行划分度量的最小单位。本实施例设定初始子序列长度/>,即通过袋式包装机的一个温度采样点的局部/>个数据点进行局部温度趋势变化的分析。按照初始子序列长度/>对袋式包装机温度时序数据进行划分,得到若干个子序列。
记任意一子序列为目标子序列,获取目标子序列中相邻两个数据点的欧式距离的均值,记为目标子序列的数据波动程度,记除目标子序列外的任意一子序列为对比子序列,将对比子序列与目标子序列的数据波动程度的差值的绝对值记为对比子序列与目标子序列的初始距离优化因子;需要说明的是,对每一子序列的数据波动程度进行线性归一化处理,由于当环境温度较低时,会出现较大的数据点间的温度变化,进而若子序列中数据点间的平均欧式距离越大,则该子序列中的数据点所对应的环境温度越低,根据子序列中数据点间的平均欧式距离得到子序列的数据波动程度,表征每一子序列的温度变化差异;进而初始距离优化因子使得温度波动差异较小时,子序列间的距离较小,温度变化差异越大时,子序列间的距离越大。
需要说明的是,本实施例中两个数据点的欧式距离是指将两个数据点的采集时间差的平方和与两个数据点的数值差的平方和相加进而开方得到的数值;根据子序列之间的数据波动差异即温度变化强度差异获取子序列之间的距离优化度量,相较于传统的通过欧氏距离进行子序列之间的距离计算可以将子序列的不同模态进行区分,使得子序列中温度变化强度差异高的子序列之间的距离更大,而温度变化强度差异小的子序列之间的距离更小,从而保证后续的模态分割准确。
至此,得到两个子序列间的初始距离优化因子。
步骤S003、获取每一子序列的若干个待对比子序列,根据每一子序列与每一子序列的每一待对比子序列之间的子序列的初始距离优化因子的差异,获取每一子序列与每一待对比子序列的改进距离优化因子,获取每一子序列与每一子序列的待对比子序列的趋势相似程度,根据每一子序列与每一子序列的待对比子序列的改进距离优化因子与趋势相似程度获取每一子序列与每一子序列的待对比子序列的距离优化度量。
需要说明的是,在获取到子序列之间的距离优化因子后,即可以在过程中对于子序列之间的距离衡量进行优化;但是对于子序列中出现的环境状态变化时,会出现单趋势方向的变化,也就是袋式包装机的温度只有上升或是下降;这种变化中,单方向上升温度变化子序列也会寻找单方向温度上升的子序列,这样就会导致对于模态发生变化的子序列会寻找另外一个相同变化的子序列(所述的模态变化即为袋式包装机所处的环境温度状态);但是在实际的判断中,对于模态变化位置的子序列,更倾向于去寻找与其相应的反方向趋势的子序列作为其最近邻子序列,这样在/>曲线中,通过曲线的极小值就可以更准确地对不同模态的子序列进行划分,进而通过数据点的趋势变化关系进行针对于模态变化位置子序列的进一步初始距离优化因子的校正。
记任意一子序列为目标子序列,将按照温度历史时序数据顺序,目标子序列的右侧的子序列记为目标子序列的待对比子序列。
进一步需要说明的是,获取第个子序列的最近邻子序列时,以第/>个子序列的第/>个待对比子序列为例,对于第/>个子序列与第/>个子序列的第/>个待对比子序列的距离衡量的同时,通过两个子序列之间存在的子序列的初始距离优化因子的差异进行初始距离优化因子的校正获取改进距离优化因子。
具体的,以第个子序列与第/>个子序列的第/>个待对比子序列为例,获取第/>个子序列与第/>个子序列的第/>个待对比子序列的改进距离优化因子/>的计算方法为:
其中,表示第/>个子序列到第/>个子序列的第/>个待对比子序列之间子序列的个数,/>表示第/>个子序列与第/>个子序列的第/>个待对比子序列之间的初始距离优化因子,/>表示第/>个子序列与第/>个子序列的第/>个待对比子序列之间的初始距离优化因子,/>表示第/>个子序列的待对比子序列的个数,/>表示自然常数。
第个子序列与第/>个子序列的第/>个待对比子序列之间的距离,可以通过两个子序列之间的子序列的温度变化强度的差异进行衡量,当两个子序列之间的子序列的温度变化强度出现了强烈的变化时(强烈变化指的是袋式包装机的温度时序数据中,一个数据点与另一个数据点的子序列之间的路径距离差异的大小。路径距离越大则说明袋式包装机的温度变化越明显,在袋式包装机的运行过程中,也就对应着环境温度较低,所以会出现温度变化距离,当环境温度高的时候,袋式包装机的温度变化会减小),则说明第/>个子序列的最近邻子序列的寻找过程中可能出现了子序列模态的变化那么就需要对于此时的第/>个子序列与第/>个子序列的第/>个待对比子序列之间的距离进行加大;而如果两个子序列之间的子序列的温度变化强度的变化波动较小,则说明子序列还在一个安全的范围进行最近邻子序列的判断,所以可以正常进行距离计算;同时由于并不是一旦存在剧烈变化就是错误的最近邻判断,所以可以通过/>带有正负号的变化情况进行累加,从而通过包括两个子序列之间所有的子序列的温度变化强度的衡量进行距离的优化,从而消除子序列之间的噪声影响,保证最近邻子序列的准确性。并通过第/>个子序列与第/>个子序列的第/>个待对比子序列之间的子序列数量进行时间距离的衡量,使得随着两个子序列之间的距离越远,二者的距离衡量也越大,保证不会出现子序列之间距离过远的情况。
至此,得到每一子序列与每一子序列的待对比子序列的改进距离优化因子。
进一步需要说明的是,由于根据改进距离优化因子对两个子序列之间进行距离度量时是通过两个子序列之间所有子序列的温度变化强度差异进行累加判断,进而解决由于最近邻子序列是在整个序列中进行衡量,那么就会出现第一个环境温度较高的状态在最近邻子序列的寻找中找到的是另外一段环境温度较高的状态的问题;同时在此基础上还需要进行距离度量方式的判断,当子序列内部的数据点变化趋势整体相反时,则需要通过子序列中数据点之间的连通距离进行子序列间距离的衡量来替代传统的欧氏距离衡量。
记任意一子序列为目标子序列,记目标子序列中任意一数据点为目标数据点,将按照目标子序列顺序,目标数据点的前一个数据点记为第一待判断数据点,将第一待判断数据点的前一个数据点记为第二待判断数据点,获取第一待判断数据点与目标数据点的差值,记为目标数据点的变化差值,获取第二待判断数据点与第一待判断数据点的差值,记为目标数据点的对比差值,若变化差值与对比差值数值正负不同时,将目标数据点记为趋势方向变化点,当趋势变化方向点的变化差值为正数时,记趋势方向变化点的变化方向为降低方向,当趋势变化方向点的变化差值为负数时,记趋势方向变化点的变化方向为增加方向;需要说明的是,若第一待判断数据点与目标数据点的差值为0即当第一待判断数据点与目标数据点的数值相等时,不进行后续比较判断,即此时目标数据点不为趋势方向变化点。
至此,得到每一子序列的趋势方向变化点及每一趋势方向变化点的变化方向。
获取目标子序列中趋势方向变化点的个数及每一趋势变化方向点的序号值即所在位置,记目标子序列的任意一待对比子序列为关注子序列,获取目标子序列与关注子序列中相同序号值的趋势变化方向点,记为待判断趋势变化方向点对,获取变化方向相同的待判趋势变化方向点对的个数,记为目标子序列与关注子序列的趋势相同个数。
至此,得到每一子序列与每一子序列的待对比子序列的趋势相同个数。
具体的,以第个子序列与第/>个子序列的第/>个待对比子序列为例,获取第/>个子序列与第/>个子序列的第/>个待对比子序列的趋势相似程度/>的计算方法为:
其中,表示第/>个子序列与第/>个子序列的第/>个待对比子序列的趋势相同个数,/>表示第/>个子序列与第/>个子序列的第/>个待对比子序列的趋势相同个数,/>表示第/>个子序列的趋势方向变化点的个数,/>表示以自然常数e为底的指数函数。
至此,得到每一子序列与每一子序列的待对比子序列的趋势相似程度。
进一步的,根据趋势相似程度获取距离的优化度量,将每一子序列中所有数据点与按照子序列顺序下一数据点的欧式距离的和记为每一子序列的连通距离。
具体的,以第个子序列与第/>个子序列的第/>个待对比子序列为例,获取第/>个子序列与第/>个子序列的第/>个待对比子序列的距离优化度量/>的计算方法为:
其中,表示第/>个子序列与第/>个子序列的第/>个待对比子序列的趋势相似程度,/>表示第/>个子序列与第/>个子序列的第/>个待对比子序列的改进距离优化因子,/>表示第/>个子序列与第/>个子序列的第/>个待对比子序列的欧式距离,/>表示第/>个子序列的连通距离,/>表示第/>个子序列的连通距离,/>表示取绝对值;需要说明的是,第/>个子序列与第/>个子序列的第/>个待对比子序列的欧式距离为第/>个子序列与第/>个子序列的第/>个待对比子序列的传统距离即两个序列中相同序号的数据点的欧式距离的和。
进一步需要说明的是,对于第个子序列与第/>个子序列的第/>个待对比子序列的距离优化衡量首先通过趋势相似程度进行子序列之间的趋势相似性判断,若两个子序列的相同位置下,趋势方向变化点的变化方向相同的越多,则可以更多地通过两个子序列之间的欧氏距离进行子序列之间的距离衡量;并且在欧氏距离的衡量过程中,通过第/>个子序列与第/>个子序列的第/>个待对比子序列的之间的温度变化强度对于子序列之间的模态变化的评估进行距离调整;从而促使第/>个子序列与第/>个子序列的第/>个待对比子序列之间的时间间隔越长,温度强度变化的差异越高,则两个子序列之间的距离优化衡量则越高;而当第/>个子序列与第/>个子序列的第/>个待对比子序列之间的趋势相似性低时,则更倾向于通过子序列之间的连通距离差异进行距离度量,从而使得对于环境温度上升的子序列可以找到一个对应的环境温度下降的子序列作为最近邻子序列。
至此,得到每一子序列与每一子序列的待对比子序列的距离优化度量。
步骤S004、根据距离优化度量完成FLOSS时序模态分割并根据FLOSS时序模态分割结果进行袋式包装机故障智能预警。
每一子序列与每一子序列的待对比子序列的距离优化度量进行袋式包装机温度时序数据的,并获取/>过程中的/>曲线,获取到/>曲线的极小值点即袋式包装机温度时序数据中的环境温度状态变化点,根据所有极小值点将袋式包装机温度时序数据进行分割,得到分割后的若干个子序列获取每一子序列的数据均值记为温度均值,根据子序列的温度均值的差异对子序列进行划分,记子序列个数为/>,将温度均值按照由大到小的顺序进行排列,得到温度均值序列,将温度均值序列中前/>的子序列作为环境温度较高的环境状态,将温度均值序列中/>至/>的子序列作为环境温度在中间的正常状态,其余的子序列作为环境温度较低的状态;需要说明的是,获取/>过程中的/>曲线为现有技术,本实施例不再过多赘述,/>表示向下取整。
至此,根据距离优化度量对过程进行优化,获取/>曲线,完成/>时序模态分割。
在获取到历史时序数据中的不同模态子序列之后,对于不同模态的子序列获取隐马尔可夫模型的初始状态概率矩阵与状态概率转移矩阵,对历史数据点进行状态标注,其中正常状态为,偏离状态为/>,异常状态为/>。从而获取到多个隐马尔可夫模型。在流式时序模态分割的过程中,通过实时检测到的数据点的固定长度子序列的最近邻子序列所在的模态选取对应的隐马尔可夫模型进行实时预测,通过当前数据点的状态与预测的下一个数据点的状态进行袋式包装机故障智能预警,完成故障预测;需要说明的是,获取隐马尔可夫模型的初始状态概率矩阵与状态概率转移矩阵为现有技术,本实施例不再过多赘述。
至此,完成袋式包装机故障的智能预测。
Claims (9)
1.基于时序数据分析的袋式包装机故障智能预测方法,其特征在于,该方法包括以下步骤:
采集袋式包装机温度时序序列;
根据预设长度对袋式包装机温度时序数据进行划分,得到若干个子序列,获取两个子序列间的初始距离优化因子;
获取每一子序列的若干个待对比子序列,并得到每一子序列与每一子序列的待对比子序列的距离优化度量,根据距离优化度量完成时序模态分割得到不同模态的子序列,利用隐马尔可夫模型预测不同模态的子序列中下一个数据点的状态,根据下一个数据点的状态进行故障预警,所述状态包括袋式包装机的正常状态、袋式包装机的偏离状态、袋式包装机的异常状态。
2.根据权利要求1所述基于时序数据分析的袋式包装机故障智能预测方法,其特征在于,所述得到每一子序列与每一子序列的待对比子序列的距离优化度量,包括的具体步骤如下:
根据每一子序列与每一子序列的每一待对比子序列之间的子序列的初始距离优化因子的差异,获取每一子序列与每一待对比子序列的改进距离优化因子,根据每一子序列与每一子序列的待对比子序列的数值变化趋势差异获取每一子序列与每一子序列的待对比子序列的趋势相似程度,根据每一子序列与每一子序列的待对比子序列的改进距离优化因子与趋势相似程度获取每一子序列与每一子序列的待对比子序列的距离优化度量。
3.根据权利要求2所述基于时序数据分析的袋式包装机故障智能预测方法,其特征在于,所述根据每一子序列与每一子序列的每一待对比子序列之间的子序列的初始距离优化因子的差异,获取每一子序列与每一待对比子序列的改进距离优化因子,计算公式如下:
其中,表示第/>个子序列到第/>个子序列的第/>个待对比子序列之间子序列的个数,表示第/>个子序列与第/>个子序列的第/>个待对比子序列之间的初始距离优化因子,/>表示第/>个子序列与第/>个子序列的第/>个待对比子序列之间的初始距离优化因子,/>表示第/>个子序列的待对比子序列的个数,/>表示自然常数,/>表示第/>个子序列到第/>个子序列的第/>个待对比子序列之间的改进距离优化因子。
4.根据权利要求2所述基于时序数据分析的袋式包装机故障智能预测方法,其特征在于,所述根据每一子序列与每一子序列的待对比子序列的数值变化趋势差异获取每一子序列与每一子序列的待对比子序列的趋势相似程度,包括的具体步骤如下:
获取每一子序列的趋势方向变化点及每一趋势方向变化点的变化方向,根据每一子序列中趋势变化点的序号值及变化方向的差异获取每一子序列与每一子序列的待对比子序列的趋势相同个数,根据每一子序列的趋势方向变化点个数及每一子序列与每一子序列的待对比子序列的趋势相同个数获取每一子序列与每一子序列的待对比子序列的趋势相似程度。
5.根据权利要求4所述基于时序数据分析的袋式包装机故障智能预测方法,其特征在于,所述获取每一子序列的趋势方向变化点及每一趋势方向变化点的变化方向,包括的具体步骤如下:
记任意一子序列为目标子序列,记目标子序列中任意一数据点为目标数据点,按照目标子序列顺序,将目标数据点的前一个数据点记为第一待判断数据点,将第一待判断数据点的前一个数据点记为第二待判断数据点,获取第一待判断数据点与目标数据点的差值,记为目标数据点的变化差值,获取第二待判断数据点与第一待判断数据点的差值,记为目标数据点的对比差值,若变化差值与对比差值数值正负不同时,将目标数据点记为趋势方向变化点,当趋势变化方向点的变化差值为正数时,记趋势方向变化点的变化方向为降低方向,当趋势变化方向点的变化差值为负数时,记趋势方向变化点的变化方向为增加方向。
6.根据权利要求5所述基于时序数据分析的袋式包装机故障智能预测方法,其特征在于,所述根据每一子序列中趋势变化点的序号值及变化方向的差异获取每一子序列与每一子序列的待对比子序列的趋势相同个数,包括的具体步骤如下:
获取目标子序列中趋势方向变化点的个数及每一趋势变化方向点的序号值,记目标子序列的任意一待对比子序列为关注子序列,获取目标子序列与关注子序列中相同序号值的趋势变化方向点,记为待判断趋势变化方向点对,获取变化方向相同的待判趋势变化方向点对的个数,记为目标子序列与关注子序列的趋势相同个数。
7.根据权利要求4所述基于时序数据分析的袋式包装机故障智能预测方法,其特征在于,所述根据每一子序列的趋势方向变化点个数及每一子序列与每一子序列的待对比子序列的趋势相同个数获取每一子序列与每一子序列的待对比子序列的趋势相似程度,计算公式如下:
其中,表示第/>个子序列与第/>个子序列的第/>个待对比子序列的趋势相似程度,/>表示第/>个子序列与第/>个子序列的第/>个待对比子序列的趋势相同个数,/>表示第/>个子序列与第/>个子序列的第/>个待对比子序列的趋势相同个数,/>表示第/>个子序列的趋势方向变化点的个数,/>表示以自然常数e为底的指数函数。
8.根据权利要求2所述基于时序数据分析的袋式包装机故障智能预测方法,其特征在于,所述根据每一子序列与每一子序列的待对比子序列的改进距离优化因子与趋势相似程度获取每一子序列与每一子序列的待对比子序列的距离优化度量,包括的具体步骤如下:
将每一子序列中所有数据点与按照子序列顺序下一数据点的欧式距离的和记为每一子序列的连通距离;
其中,表示第/>个子序列与第/>个子序列的第/>个待对比子序列的距离优化度量,/>表示第/>个子序列与第/>个子序列的第/>个待对比子序列的趋势相似程度,/>表示第/>个子序列与第/>个子序列的第/>个待对比子序列的改进距离优化因子,/>表示第/>个子序列与第个子序列的第/>个待对比子序列的欧式距离,/>表示第/>个子序列的连通距离,/>表示第/>个子序列的连通距离,/>表示取绝对值。
9.根据权利要求1所述基于时序数据分析的袋式包装机故障智能预测方法,其特征在于,所述根据距离优化度量完成时序模态分割得到不同模态的子序列,利用隐马尔可夫模型预测不同模态的子序列中下一个数据点的状态,根据下一个数据点的状态进行故障预警,包括的具体步骤如下:
将时序模态分割结果记为不同模态子序列,获取每一模态子序列的隐马尔可夫模型的初始状态概率矩阵与状态概率转移矩阵,得到若干个隐马尔科夫模型,根据实时检测得到的数据点的所在的子序列的最近邻子序列所在的模态选取对应的隐马尔可夫模型进行实时预测,根据实际检测得到的数据点的状态与预测得到的下一数据点的状态进行袋式包装机故障智能预警,完成故障预测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311482243.9A CN117235462B (zh) | 2023-11-09 | 2023-11-09 | 基于时序数据分析的袋式包装机故障智能预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311482243.9A CN117235462B (zh) | 2023-11-09 | 2023-11-09 | 基于时序数据分析的袋式包装机故障智能预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117235462A true CN117235462A (zh) | 2023-12-15 |
CN117235462B CN117235462B (zh) | 2024-02-13 |
Family
ID=89095109
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311482243.9A Active CN117235462B (zh) | 2023-11-09 | 2023-11-09 | 基于时序数据分析的袋式包装机故障智能预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117235462B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117422345A (zh) * | 2023-12-18 | 2024-01-19 | 泰安金冠宏食品科技有限公司 | 一种油渣分离质量评估方法及系统 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113780295A (zh) * | 2021-09-13 | 2021-12-10 | 东北大学 | 一种基于lac-floss算法和ier算法的时间序列分割方法 |
CN115766504A (zh) * | 2022-11-15 | 2023-03-07 | 杭州电子科技大学 | 一种周期时间序列异常检测方法 |
CN115800306A (zh) * | 2023-02-06 | 2023-03-14 | 华南理工大学 | 考虑风机故障的风光储无功补偿方法、装置及介质 |
CN116090916A (zh) * | 2023-04-10 | 2023-05-09 | 淄博海草软件服务有限公司 | 一种企业内部采购资金核算预警系统 |
CN116258281A (zh) * | 2023-05-12 | 2023-06-13 | 欣灵电气股份有限公司 | 基于云平台管理的物联网消防监测及调控系统 |
CN116341770A (zh) * | 2023-05-30 | 2023-06-27 | 无锡兴达泡塑新材料股份有限公司 | 基于聚苯乙烯生产数据的生产能力预测方法及系统 |
CN116343953A (zh) * | 2023-05-30 | 2023-06-27 | 苏州绿华科技有限公司 | 基于人工智能的智慧社区管理系统 |
-
2023
- 2023-11-09 CN CN202311482243.9A patent/CN117235462B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113780295A (zh) * | 2021-09-13 | 2021-12-10 | 东北大学 | 一种基于lac-floss算法和ier算法的时间序列分割方法 |
CN115766504A (zh) * | 2022-11-15 | 2023-03-07 | 杭州电子科技大学 | 一种周期时间序列异常检测方法 |
CN115800306A (zh) * | 2023-02-06 | 2023-03-14 | 华南理工大学 | 考虑风机故障的风光储无功补偿方法、装置及介质 |
CN116090916A (zh) * | 2023-04-10 | 2023-05-09 | 淄博海草软件服务有限公司 | 一种企业内部采购资金核算预警系统 |
CN116258281A (zh) * | 2023-05-12 | 2023-06-13 | 欣灵电气股份有限公司 | 基于云平台管理的物联网消防监测及调控系统 |
CN116341770A (zh) * | 2023-05-30 | 2023-06-27 | 无锡兴达泡塑新材料股份有限公司 | 基于聚苯乙烯生产数据的生产能力预测方法及系统 |
CN116343953A (zh) * | 2023-05-30 | 2023-06-27 | 苏州绿华科技有限公司 | 基于人工智能的智慧社区管理系统 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117422345A (zh) * | 2023-12-18 | 2024-01-19 | 泰安金冠宏食品科技有限公司 | 一种油渣分离质量评估方法及系统 |
CN117422345B (zh) * | 2023-12-18 | 2024-03-12 | 泰安金冠宏食品科技有限公司 | 一种油渣分离质量评估方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN117235462B (zh) | 2024-02-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN117235462B (zh) | 基于时序数据分析的袋式包装机故障智能预测方法 | |
CN116484307B (zh) | 基于云计算智能戒指远程控制方法 | |
CN116304898B (zh) | 基于机器学习的传感器数据智能存储系统 | |
CN114167838B (zh) | 一种伺服系统多尺度健康评估与故障预测方法 | |
CN115982602B (zh) | 一种光伏变压器电故障检测方法 | |
CN116628616B (zh) | 一种大功率充电能源的数据处理方法及系统 | |
CN112700039B (zh) | 一种火电厂负荷运行数据的稳态检测与提取方法 | |
CN112418517B (zh) | 一种用于冻害短临预警的预测方法 | |
CN105389648A (zh) | 一种常减压装置稳态工况的判别方法 | |
CN116955895A (zh) | 一种变压器运行异常监测方法及系统 | |
CN115877363B (zh) | 一种机器人避障评估方法 | |
CN117829381B (zh) | 基于物联网的农业大棚数据优化采集系统 | |
CN117129904B (zh) | 一种基于数据分析的工业电源快速切换监测方法 | |
CN117517596B (zh) | 基于物联网的可燃及有毒有害气体实时监测方法及系统 | |
CN116804412B (zh) | 一种液压系统的监测数据处理方法 | |
CN117150244A (zh) | 基于电参数分析的智能配电柜状态监测方法及系统 | |
CN116510223B (zh) | 基于物联网的自识别消防泵电参数巡检监测系统 | |
CN115656764B (zh) | 一种用于发光二极管的照明质量检测方法 | |
CN112199362B (zh) | 一种mes背景下的数据库数据缺失的填补方法及系统 | |
CN118098695B (zh) | 一种基于温度传感器监测并具有自动预警功能的智能电缆 | |
CN118501720B (zh) | 一种基于大数据分析的锂电池异常检测系统 | |
CN118296557B (zh) | 基于分布式传感单元的水生态智能监测方法与系统 | |
CN117931897B (zh) | 一种加热装置温度数据运行监测方法 | |
CN118294786B (zh) | 基于人工智能的芯片检测方法及系统 | |
CN117406007B (zh) | 一种充电桩充电数据检测方法及系统 |
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 |