CN117390591A - 基于电参量分析的输煤皮带采样机运行监测方法及系统 - Google Patents
基于电参量分析的输煤皮带采样机运行监测方法及系统 Download PDFInfo
- Publication number
- CN117390591A CN117390591A CN202311684982.6A CN202311684982A CN117390591A CN 117390591 A CN117390591 A CN 117390591A CN 202311684982 A CN202311684982 A CN 202311684982A CN 117390591 A CN117390591 A CN 117390591A
- Authority
- CN
- China
- Prior art keywords
- data
- sequence
- index
- current
- interval
- 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
- 238000000034 method Methods 0.000 title claims abstract description 68
- 239000003245 coal Substances 0.000 title claims abstract description 65
- 238000012544 monitoring process Methods 0.000 title claims abstract description 34
- 238000004458 analytical method Methods 0.000 title claims abstract description 30
- 238000005070 sampling Methods 0.000 title claims abstract description 26
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 53
- 230000035772 mutation Effects 0.000 claims abstract description 39
- 230000008859 change Effects 0.000 claims abstract description 27
- 238000012937 correction Methods 0.000 claims abstract description 24
- 238000001514 detection method Methods 0.000 claims abstract description 14
- 230000000875 corresponding effect Effects 0.000 claims description 19
- 238000004364 calculation method Methods 0.000 claims description 12
- 238000009826 distribution Methods 0.000 claims description 10
- 230000006870 function Effects 0.000 claims description 10
- 230000002596 correlated effect Effects 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 6
- 230000005236 sound signal Effects 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 description 14
- 239000011159 matrix material Substances 0.000 description 7
- 230000000694 effects Effects 0.000 description 4
- 238000005259 measurement Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000001174 ascending effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 230000017105 transposition Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/27—Regression, e.g. linear or logistic regression
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/29—Graphical models, e.g. Bayesian networks
- G06F18/295—Markov models or related models, e.g. semi-Markov models; Markov random fields; Networks embedding Markov models
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2123/00—Data types
- G06F2123/02—Data types in the time domain, e.g. time-series data
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Complex Calculations (AREA)
Abstract
本发明涉及煤采样机运行监测技术领域，具体涉及基于电参量分析的输煤皮带采样机运行监测方法及系统，具体包括：根据输煤皮带采样机数据序列之间的变化特征，结合贝叶斯突变检测算法，构建各个分序列之间的区间相似关联指数，再基于马尔科夫聚类算法，分别考虑序列整体特征和相同区间的局部特征，综合得到滑动窗口修正指数，根据所得电流数据序列中各时刻数据的滑动窗口修正指数，结合Lowess算法的原始滑动窗口大小，实现输煤皮带采样机电参量数据曲线的拟合，避免Lowess算法不适当的窗口大小可能会导致拟合曲线误差较大、精度较低的问题，提高输煤皮带采样机运行监测的准确度。
Description
技术领域
本发明涉及煤采样机运行监测技术领域，具体涉及基于电参量分析的输煤皮带采样机运行监测方法及系统。
背景技术
输煤皮带采样机是一种将煤炭样本从输煤皮带上进行采样操作的设备，在生产过程中，对煤的质量和成分进行采样化验，是保证生产的重要手段，采样越正规，化验的可靠性越高，越可以确保生产出高质量的煤炭产品。同时采样机运行的电参量可以提供实时的电流和电压数据，从而连续对输煤皮带采样机的运行状态进行监测，而且有助于了解采样机的负载情况和功率需求，及时检测采样机的运行状态，防止损失扩大。
由于煤炭工业采样环境复杂多变，在采样机运行过程中，导致测量所得的电参量可能具有较大误差。通过局部加权回归Lowess（Locally Weighted ScatterplotSmoothing）算法，根据每个数据点附近的局部特征进行加权拟合，用来捕捉数据之间的非线性关系，可以排除采样机不良因素的干扰，获取准确的电参量拟合值，对实测电参量进行修正，但是Lowess算法需要预先设置窗口大小，不适当的窗口大小可能会导致算法效果较差、精度较低的问题。
综上所述，本发明通过相关传感器采集数据，根据输煤皮带采样机数据的一级序列之间的变化特征，结合贝叶斯突变检测算法，构建各个分序列之间的区间相似关联指数，再基于马尔科夫聚类算法，分别考虑序列整体特征和相同区间的局部特征，综合得到滑动窗口修正指数，根据所得电流数据的一级序列中各时刻数据的滑动窗口修正指数，结合Lowess算法的原始滑动窗口大小，实现输煤皮带采样机电参量数据曲线的拟合，提高输煤皮带采样机运行监测精度。
发明内容
为了解决上述技术问题，本发明的目的在于提供基于电参量分析的输煤皮带采样机运行监测方法及系统，所采用的技术方案具体如下：
第一方面，本发明实施例提供了基于电参量分析的输煤皮带采样机运行监测方法，该方法包括以下步骤：
采集输煤皮带采样机数据，包括电参量：电流、电压数据，与非电参量：温度、湿度、音频信号、振动信号及速率数据；将各类数据组成的序列作为各类数据的一级序列；
在各一级序列中，根据各数据与附近数据的一阶差分之间的差异得到各数据的局部变化突兀系数；根据贝叶斯突变检测算法及局部变化突兀系数得到各数据的贝叶斯突变概率；
将各一级序列进行等分得到各分序列；将电流及各非电变量的所有分序列进行两两配对得到各组分序列；根据各一级序列中每个数据的出现频率及贝叶斯突变概率得到各组分序列的区间相似距离；根据区间相似距离得到各组分序列的区间相似关联指数；根据区间相似关联指数及马尔科夫聚类算法得到电流高相关聚类集合；根据电流高相关聚类集合中各组分序列的区间相似关联指数得到各非电参量的每个分序列的区间综合影响指数；根据区间综合影响指数得到各电流数据的滑动窗口修正指数；
根据滑动窗口修正指数得到各时刻电流数据的综合滑动窗口大小；通过各电流数据对应时刻的综合滑动窗口大小结合局部加权回归Lowess算法得到电流数据拟合曲线；获取电压数据拟合曲线；结合电流、电压拟合曲线获取功率拟合曲线，对采样机运行功率进行修正。
优选的，所述根据各数据与附近数据的一阶差分之间的差异得到各数据的局部变化突兀系数，具体包括：
计算各时刻数据的一阶差分值作为各时刻的偏差幅值；计算所有所述一阶差分值的均值；将所述均值作为最新时刻的偏差幅值；
在第时刻到第/>时刻中，计算第i时刻与其他各时刻的偏差幅值的差值绝对值；计算所有所述差值绝对值的平均值；将所述平均值作为第i时刻数据的局部变化突兀系数；其中当第/>到第/>时刻的偏差幅值不能全部获取时，则通过能获取到的所有偏差幅值的均值进行填充。
优选的，所述根据贝叶斯突变检测算法及局部变化突兀系数得到各数据的贝叶斯突变概率，具体为：将所有时刻数据的局部变化突兀系数组成的序列作为局部变化突兀序列；通过贝叶斯突变检测算法获取局部变化突兀序列中各数据的贝叶斯突变概率。
优选的，所述根据各一级序列中每个数据的出现频率及贝叶斯突变概率得到各组分序列的区间相似距离，具体包括：
将各一级序列中每个数据的出现频率作为各数据的频率；将各分序列中所有数据的频率组成的概率分布图作为分序列的概率分布图；计算各组分序列概率分布图之间的Wasserstein距离；计算各组分序列中相同时刻对应数据的贝叶斯突变概率的差值绝对值；计算所有所述差值绝对值的平均值；计算所述Wasserstein距离与所述平均值的和值；将所述和值作为各组分序列的区间相似距离。
优选的，所述根据区间相似距离得到各组分序列的区间相似关联指数，具体包括：
计算各分序列的对应最小时刻之间的差值绝对值；计算以自然常数为底数、以所述差值绝对值为指数的指数函数的计算结果，记为第一指数；计算以自然常数为底数、以各组分序列的区间相似距离的相反数为指数的指数函数的计算结果，记为第二指数；
对于各组分序列，两个分序列若属于同类数据的一级序列，则将倍的第一指数作为两个分序列的相似关联权重；若不属于同类数据的一级序列，则将/>倍的第一指数作为两个分序列的相似关联权重；其中/>、/>为预设倍数，/>；
获取所有所述相似关联权重的最大值；计算各组分序列的相似关联权重与所述最大值的比值；计算第二指数与所述比值的乘积；将所述乘积作为各组分序列的区间相似关联指数。
优选的，所述根据区间相似关联指数及马尔科夫聚类算法得到电流高相关聚类集合，具体为：
将各分序列作为各节点、将区间相似关联指数作为对应节点之间连线权重构建无向图；通过马尔科夫聚类算法对无向图中节点进行聚类得到各聚类簇；获取各聚类簇中电流的分序列的数量；将所述数量大于等于划分阈值的聚类簇作为高相似聚类簇；将所有高相似聚类簇中元素组成的集合作为电流高相关聚类集合；其中划分阈值通过大津法对各聚类簇中所述数量划分获取。
优选的，所述根据电流高相关聚类集合中各组分序列的区间相似关联指数得到各非电参量的每个分序列的区间综合影响指数，具体包括：
温度数据的各分序列的区间综合影响指数的表达式为：
；
式中，/>为温度数据的第/>个分序列的区间综合影响指数，/>为温度数据对电流数据的序列初始影响指数，/>、分别为温度、电流数据的第/>个分序列，/>为分序列/>与/>之间的区间相似关联指数，M为非电参量数据种类数，/>为第m种非电参量的第/>个分序列，/>、/>分别为所有电流高相似关联聚类簇中属于温度、电流的分序列的数量，/>为电流高相似关联聚类簇中第y个电流的分序列与第/>个温度的分序列之间的区间相似关联指数，为所有电流高相似关联聚类簇中属于第m种非电参量的分序列的数量，/>为电流高相似关联聚类簇中第m种非电参量的第y个分序列；
采用温度数据各分序列的区间综合影响指数的计算方法，计算其他各非电参量每个分序列的区间综合影响指数。
优选的，所述根据区间综合影响指数得到各电流数据的滑动窗口修正指数，表达式为：
；
式中，/>为电流的第/>个分序列中第j个数据的滑动窗口修正指数，/>为以e为底的指数函数，/>为电流的第/>个分序列的电流区间窗口趋减指数，/>为电流的第/>个分序列中第j个数据，/>为数据/>对应的贝叶斯突变概率值，/>为所有电流数据中最大贝叶斯突变概率值，/>为归一化函数，、/>分别为第/>个非电参量数据的第/>个、第/>个分序列的区间综合影响指数，，r为电流或各非电参量的分序列的数量。
优选的，所述根据滑动窗口修正指数得到各时刻电流数据的综合滑动窗口大小，具体包括：
预设调整参数；计算调整参数与各电流数据的滑动窗口修正指数的和值；计算所述和值与原始滑动窗口大小的乘积；将所述乘积作为各时刻电流数据的综合滑动窗口大小。
第二方面，本发明实施例还提供了基于电参量分析的输煤皮带采样机运行监测系统，包括存储器、处理器以及存储在所述存储器中并在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述任意一项所述方法的步骤。
本发明实施例至少具有如下有益效果：
本发明提出一种基于电参量分析的输煤皮带采样机运行监测方法及系统，根据采集数据序列之间的变化特征，同时按照时序区间将各个数据序列划分为多个分序列，结合贝叶斯突变检测算法和Wasserstein距离，综合构建各个分序列之间的区间相似关联指数，反应不同分序列之间的相似关联程度，综合考虑分序列对应的数据变化特征和原始数据序列特征，提高后续Lowess算法滑动窗口判断的准确性；基于马尔科夫聚类算法和大津法，分别考虑序列整体特征和不同种类数据序列相同区间的局部特征，精确获取每个时刻测量数据对电参量数据拟合结果的影响程度，综合得到滑动窗口修正指数，以此自适应获取Lowess算法中的综合滑动窗口大小，实现电参量数据曲线的拟合，避免Lowess算法不适当的窗口大小可能会导致拟合曲线误差较大、精度较低的问题，提高输煤皮带采样机运行监测的准确度。
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为本发明一个实施例提供的基于电参量分析的输煤皮带采样机运行监测方法的步骤流程图；
图2为基于电参量分析的输煤皮带采样机运行监测方法的实施步骤图。
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电参量分析的输煤皮带采样机运行监测方法及系统，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，一个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电参量分析的输煤皮带采样机运行监测方法及系统的具体方案。
请参阅图1，其示出了本发明一个实施例提供的基于电参量分析的输煤皮带采样机运行监测方法的步骤流程图，该方法包括以下步骤：
步骤S001，通过相关传感器采集数据。
在输煤皮带采样机中，分别在采样机所在电路布置电流表、电压表，同时在采样机的机体外壳上放置温度传感器、湿度传感器、声传感器、振动传感器，在输煤皮带动轮驱动轴上安装编码器转速传感器，实现对输煤皮带采样机的相关数据进行采集，具体为在采样机运行期间每个采集时刻采集电流、电压、温度、湿度、音频信号、振动信号、速率数据，一个采集时刻的间隔是t秒，采集序列的时间长度是N分钟，需要说明的是，t、N的值实施者可自行设定本实施例将t、N的值分别设定为、/>。由于采样机周围环境的复杂性，采集数据中可能会存在缺失的现象，本实施例采用均值填充法对缺失值进行填充，同时为了防止不同种类的数据量纲的不同，影响后续分析，采用Z-Score方法对填充后的数据进行标准化处理，均值填充法、Z-Score标准化都为公知技术，具体过程不再赘述。
将所有标准化后的电流数据按时间升序组成的序列作为电流数据的一级序列，获取标准化后其它不同种类数据的一级序列，分别记为电参量数据矩阵和非电参量数据矩阵/>，其中/>、/>分别是采样机的电流、电压数据的一级序列，/>依次分别是温度、湿度、音频信号、振动信号、速率数据的一级序列，式中T表示矩阵的转置。
步骤S002，根据输煤皮带采样机数据之间的变化特征，结合贝叶斯突变检测算法，构建各个分序列之间的区间相似关联指数，再基于马尔科夫聚类算法，分别考虑序列整体特征和相同区间的局部特征，综合得到滑动窗口修正指数。
由于输煤皮带采样机所处的工业环境通常较为复杂多变，在采样机的运行过程中，湿度、温度、声音、振动等因素可能都会对输煤皮带采样机测量所得电流、电压信息产生较大的影响。同时输煤皮带采样机的功率数据是电流和电压数据的乘积，若电流、电压数据误差较大，则计算采样机功率时，会导致误差放大，使采样机计算所得的功率数据与实际运行功率数据偏差较大，无法对输煤皮带采样机进行准确监测。因此，本实施例的目的是获取非电参量数据矩阵中各行数据的一级序列对电参量数据（电流、电压）的关联程度，对电参量进行数据拟合结果的关联程度越小，该行数据的一级序列在进行曲线拟合时权重越小，即采用局部加权回归Lowess算法时，滑动窗口越大，越能通过与不同时刻的测量数据进行比较，综合评估数据序列的误差程度，使所得电参量数据曲线拟合与实际情况误差越小，进行输煤皮带采样机运行监测效果越好。
基于上述分析，以电流数据为例，计算任意一个种类数据的一级序列中每个数据的局部变化突兀系数，具体方法如下：计算电流数据的一级序列中第i时刻数据与第时刻数据差值的绝对值，将上述差值的绝对值记为第i时刻电流的偏差幅值，其中由于数据序列在计算过程中存在端点问题，若计算过程中缺少最新时刻的数据值，则采用所有电流数据偏差幅值的均值进行填充，使得/>(n为每个一级序列中数据的数量，由上述数据采集过程可知本实施例中/>)。
将电流数据的一级序列中各个时刻数据对应的偏差幅值，按照数据下标从小到大的顺序进行排序，组成的序列作为电流的偏差幅值序列。考虑到一级序列的局部特征，对偏差幅值序列中每个时刻的数据都构建一个长度为7的二级差异序列，其中二级差异序列是偏差幅值序列的子序列，具体为以第i时刻数据的偏差幅值为中心数据元素，向下标较小的方向选取/>个临近数据的偏差幅值，向下标较大的方向再选取/>个临近数据的偏差幅值，即取第/>时刻到第/>时刻中数据的偏差幅值数据，需要说明的是，u的值实施者可自行设定，本实施例中/>，若某时刻对应的二级差异序列内的元素个数小于，即小于7个，则将二级差异序列内已有的偏差幅值数据的均值插入即可。根据上述所得每个时刻数据的二级差异序列，计算每个时刻数据的局部变化突兀系数，表达式为：
式中，/>为电流数据一级序列中第i时刻数据的局部变化突兀系数，/>为电流数据一级序列中第i个时刻数据的二级差异序列中心元素的偏差幅值，/>为第i个时刻对应的二级差异序列中第q个数据的偏差幅值，，/>为二级差异序列中元素的个数，本实施例中/>。当中心数据元素与二级差异序列中其它非中心数据元素相差越大，即/>越大，说明中心数据元素在局部特征上的差异越大，变化的越突兀，则局部变化突兀系数/>越大。通过每个时刻电流数据的局部变化突兀系数的获取方式计算其它各类数据中每个时刻数据的局部变化突兀系数。
至此，任意一个种类的数据的一级序列中每个时刻数据都具有一个局部变化突兀系数，按照下标从小到大的顺序组成序列，将组成的序列确定为局部变化突兀序列。采用贝叶斯突变检测算法，使用贝叶斯推断方法估计贝叶斯突变检测模型的相关参数，输入为所得局部变化突兀序列，输出为序列中各个时刻数据的贝叶斯突变概率。贝叶斯突变检测算法为公知技术，具体过程不再赘述。由于本实施例局部加权回归Lowess算法中是根据每个数据点的局部特征进行加权拟合，采用整个序列进行分析、计算存在误差较大的情况，而数据点的窗口大小并不确定，因此将采集的数据中各种数据的一级序列都等分成r个分序列，需要说明的是，r的值实施者可自行设定，本实施例将r的值设定为30，将每个分序列作为每个分序列，即本实施例中对每种数据的一级序列均每隔1分钟划分一次得到每种数据的30个分序列，共可划分得到210个分序列。
本实施例的目的是采用局部加权回归Lowess算法得到准确的拟合电流、电压曲线，从而获取输煤皮带采样机运行的功率数据拟合曲线，实现采样机的运行监测。因此，本实施例首先根据电参量数据矩阵中的电流数据的一级序列和非电参量数据矩阵/>，对电参量数据和非电参量数据进行分析，获取输煤皮带采样机运行时的电流拟合曲线。将电流数据的一级序列/>和非电参量数据矩阵/>都记为电流拟合相关数据的一级序列。基于上述分析，可得电流拟合相关数据的一级序列可划分为180个分序列，将其任意进行两两配对得到各组分序列，根据每个数据出现的频率率及每个数据的贝叶斯突变概率分析分序列之间的相似性，构建各组分序列的区间相似距离，表达式为：
式中，/>为第a组分序列的区间相似距离；/>为计算Wasserstein距离函数；/>、/>分别为第a组分序列中两个分序列/>、/>的概率分布图，具体为：在不同种类数据的一级序列中计算每个数据在所属一级序列中相对出现的频率作为每个数据的频率，将各个分序列中所有数据的频率组成的概率分布作为各个分序列的概率分布；/>表示计算两个分序列/>、/>的概率分布之间的Wasserstein距离，Wasserstein距离为知技术，具体过程不再赘述；/>、/>分别为两个分序列/>、/>中第x时刻数据的贝叶斯突变概率；/>为分序列/>或/>中所有数据元素的个数，本实施例中/>。当两个分序列之间的概率分布越相似，即/>越小，则两个分序列对应的原始数据的一级序列可能越相似，同时当两个分序列相同位置的数据元素贝叶斯突变概率值相差越小，即/>越小，说明两个分序列数据元素变化越同步，则两个分序列越相似、同步关联程度越高，即第a组分序列的区间相似距离/>越小。
由于计算时两个分序列可能属于同类或者不同种类数据的一级序列，不同序列之间的区间相似距离应当赋予不同权重，因此构建各组三级期间序列的区间相似关联指数，表达式为：
；
式中，为第a组分序列的区间相似关联指数，/>为第a组分序列的区间相似距离，/>为第a组分序列的相似关联权重，/>为电流拟合相关数据的所有组分序列的相似关联权重的最大值，/>、/>为预设倍数，/>，需要说明的是，/>、/>的值实施者可自行设定，本实施例将/>、/>的值分别设定为/>、/>，/>、/>分别为第a组分序列中两个分序列/>、/>的最小时刻值。其中/>为第一指数，/>为第二指数。
当两个分序列中各自的最小时刻值相差越小，即越小，则两个分序列在时间上越接近，分序列越可能具有影响关系，同时当两个数据的一级序列属于同种数据的一级序列，则两个分序列之间的关联性越强，相似关联权重越大。
当两个分序列之间的相似关联权重越大，则两个分序列在时间上距离越近，可能属于同种数据的一级序列，分序列越可能具有影响关系，同时当两个分序列对应的原始数据的一级序列可能越相似、数据元素变化越同步，即越大，则两个分序列之间影响程度越高，两个分序列之间越相似、关联，即区间相似关联指数越大。
根据上述步骤，可得电流拟合相关数据的一级序列中任意两个不相同分序列之间的区间相似关联指数，将每个分序列作为无向图的节点，其中无向图为公知技术，具体过程不再赘述，将各个分序列之间的区间相似关联指数作为节点之间连线的权重。采用马尔科夫聚类算法，将所得无向图作为输入，根据无向图中各节点之间连线的权重进行聚类，将各个分序列划分到不同聚类簇中，输出为马尔科夫聚类算法后聚类簇的数量K，即各个分序列划分到K个类别中，马尔科夫聚类算法为公知技术，具体过程不再赘述。统计马尔科夫聚类各个聚类簇中电流数据的分序列的数量，电流数据分序列的数量越多，说明聚类簇中非电参量数据分序列与电流数据的相似关联程度越高，因此采用大津法，根据电流数据分序列的数量确定划分阈值，大津法为公知技术，具体过程不再赘述，将大于等于划分阈值的聚类簇作为高相似聚类簇，将所有高相似聚类簇中元素组成的集合作为电流高相关聚类集合，将小于划分阈值的各聚类簇中元素组成的集合作为电流低相关聚类集合。统计电流高相关聚类集合中电流数据分序列的数量，记为，同时统计集合中属于第m种非电参量数据分序列的数量，记为/>。
由于本实施例需要先通过局部加权回归Lowess算法，根据非电参量数据的一级序列对电参量电流数据的一级序列进行曲线拟合，因此应当根据马尔科夫聚类算法聚类的结果，分别从序列整体特征考虑每种非电参量数据序列对电参量电流数据序列进行曲线拟合的影响程度，作为序列初始影响指数，以及从局部特征考虑相同时序区间下，不同种类的非电参量数据分序列对电流数据分序列的影响程度，对序列初始影响指数进行修正，获取较为准确的区间综合影响指数/>，以温度为例，表达式为：
；
式中，/>为温度数据的第/>个分序列的区间综合影响指数，/>为温度数据对电流数据的序列初始影响指数，/>、/>分别为温度、电流数据的第/>个分序列，/>为分序列/>与/>之间的区间相似关联指数，M为非电参量数据种类数，本实施例中/>，/>为第m种非电参量的第/>个分序列，为所有电流高相似关联聚类簇中属于温度的分序列的数量，/>为所有电流高相似关联聚类簇中属于电流的分序列的数量，/>为电流高相似关联聚类簇中第y个电流的分序列与第/>个温度的分序列之间的区间相似关联指数，/>为所有电流高相似关联聚类簇中属于第m种非电参量的分序列的数量，/>为电流高相似关联聚类簇中第m种非电参量的第y个分序列。通过温度数据的每个分序列的区间综合影响指数的获取方式计算其它每类非电参量数据的每个分序列的区间综合影响指数。
当非电参量数据分序列与电流数据分序列的区间相似关联指数越大，即越大，则非电参量数据的一级序列与电流数据的一级序列越相似，关联程度越高，则从序列整体特征上非电参量数据的一级序列发生变化时对电流数据的一级序列的影响程度越高，即序列初始影响指数/>越大。
当相同时序区间下，非电参量数据分序列与电流数据分序列的区间相似关联指数越小，即越小，则从区间局部特征上非电参量数据的一级序列发生变化时对电流数据的一级序列的影响程度越低，同时从序列整体特征上非电参量数据的一级序列发生变化时对电流数据的一级序列的影响程度也越低，即/>越低，综合说明非电参量数据的一级序列对输煤皮带采样机运行电流拟合结果的影响程度越小，即区间综合影响指数越小。
本实施例采用的局部加权回归Lowess算法中每个数据的一级序列的数据点都对应一个各自的滑动窗口。同时在电流数据的一级序列中数据点对应的贝叶斯突变概率越大，说明该数据点越可能是数据的一级序列中的突变点，为了获取较为准确的电流数据拟合曲线，应当基于更多的局部特征，采用较大的Lowess算法滑动窗口。基于上述分析，构建各时刻电流数据的滑动窗口修正指数，表达式为：
；
式中，/>为电流的第/>个分序列中第j个数据的滑动窗口修正指数，/>为以e为底的指数函数，/>为电流的第/>个分序列的电流区间窗口趋减指数，/>为电流的第/>个分序列中第j个数据，/>为数据/>对应的贝叶斯突变概率值，/>为所有电流数据中最大贝叶斯突变概率值，/>为归一化函数，、/>分别为第/>个非电参量数据的第/>个、第/>个分序列的区间综合影响指数，，r为电流或各非电参量的分序列的数量，本实施例中/>。
当第个分序列与其它分序列的区间窗口趋减指数相比越大，即/>越大，说明第/>个分序列中，非电参量数据的一级序列对输煤皮带采样机运行电流拟合结果的影响程度越大，为了避免Lowess算法的滑动窗口中具有较多的异常值，对电流数据拟合产生较大的影响，越应当减少滑动窗口的大小，即电流区间窗口趋减指数/>越大。
当非电参量数据对输煤皮带采样机运行电流拟合结果的影响程度越大，即越小，则Lowess算法越应该采用较小的滑动窗口，以此防止Lowess算法拟合时滑动窗口内出现对拟合结果影响较大的异常值，同时此时刻的贝叶斯突变概率值越小，即/>越大，则此时刻的电流数据较为稳定，不必采用较大的滑动窗口增大算法计算量，则应当对该时刻数据选取较小的滑动窗口，滑动窗口修正指数越小。
步骤S003，根据所得各时刻电流数据的滑动窗口修正指数，结合Lowess算法的原始滑动窗口大小，实现输煤皮带采样机电参量数据曲线的拟合。
根据上述步骤所得每个电流数据的滑动窗口修正指数，结合Lowess算法的原始滑动窗口大小，构建各个时刻电流数据的综合滑动窗口大小/>：
式中，/>为第/>时刻电流数据的综合滑动窗口大小，为Lowess算法的原始滑动窗口大小，取经验值为/>，n为每个一级序列中数据的数量，/>为调整参数，需要说明的是，/>的值实施者可自行设定，本实施例将/>的值设定为0.5。
根据各个时刻电流数据的综合滑动窗口大小，调用编程语言(例如：Python等)中的statsmodels模块实现局部加权回归Lowess算法，获取输煤皮带采样机的运行电流数据拟合曲线，同时通过电流数据拟合曲线的获取方法得到输煤皮带采样机的运行电压数据拟合曲线。最后，将所得相同时刻的拟合电流值乘以拟合电压值，获取输煤皮带采样机的运行功率数据拟合曲线，利用所获拟合功率曲线对输煤皮带采样机的运行功率数据进行修正，避免采样机运行功率与运行功率数据拟合曲线偏差过大，完成输煤皮带采样机的运行监测。上述过程的实施步骤图如图2所示。
基于与上述方法相同的发明构思，本发明实施例还提供了基于电参量分析的输煤皮带采样机运行监测系统，包括存储器、处理器以及存储在所述存储器中并在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述基于电参量分析的输煤皮带采样机运行监测方法中任意一项所述方法的步骤。
综上所述，本发明实施例提供了基于电参量分析的输煤皮带采样机运行监测方法及系统，根据采集数据序列之间的变化特征，同时按照时序区间将各个数据序列划分为多个分序列，结合贝叶斯突变检测算法和Wasserstein距离，综合构建各个分序列之间的区间相似关联指数，反应不同分序列之间的相似关联程度，综合考虑分序列对应的数据变化特征和原始数据序列特征，提高后续Lowess算法滑动窗口判断的准确性；基于马尔科夫聚类算法和大津法，分别考虑序列整体特征和不同种类数据序列相同区间的局部特征，精确获取每个时刻测量数据对电参量数据拟合结果的影响程度，综合得到滑动窗口修正指数，以此自适应获取Lowess算法中的综合滑动窗口大小，实现电参量数据曲线的拟合，避免Lowess算法不适当的窗口大小可能会导致拟合曲线误差较大、精度较低的问题，提高输煤皮带采样机运行监测的准确度。
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。且上述对本说明书特定实施例进行了描述。另外，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 (10)
1.基于电参量分析的输煤皮带采样机运行监测方法，其特征在于，该方法包括以下步骤：
采集输煤皮带采样机数据，包括电参量：电流、电压数据，与非电参量：温度、湿度、音频信号、振动信号及速率数据；将各类数据组成的序列作为各类数据的一级序列；
在各一级序列中，根据各数据与附近数据的一阶差分之间的差异得到各数据的局部变化突兀系数；根据贝叶斯突变检测算法及局部变化突兀系数得到各数据的贝叶斯突变概率；
将各一级序列进行等分得到各分序列；将电流及各非电变量的所有分序列进行两两配对得到各组分序列；根据各一级序列中每个数据的出现频率及贝叶斯突变概率得到各组分序列的区间相似距离；根据区间相似距离得到各组分序列的区间相似关联指数；根据区间相似关联指数及马尔科夫聚类算法得到电流高相关聚类集合；根据电流高相关聚类集合中各组分序列的区间相似关联指数得到各非电参量的每个分序列的区间综合影响指数；根据区间综合影响指数得到各电流数据的滑动窗口修正指数；
根据滑动窗口修正指数得到各时刻电流数据的综合滑动窗口大小；通过各电流数据对应时刻的综合滑动窗口大小结合局部加权回归Lowess算法得到电流数据拟合曲线；获取电压数据拟合曲线；结合电流、电压拟合曲线获取功率拟合曲线，对采样机运行功率进行修正。
2.如权利要求1所述的基于电参量分析的输煤皮带采样机运行监测方法，其特征在于，所述根据各数据与附近数据的一阶差分之间的差异得到各数据的局部变化突兀系数，具体包括：
计算各时刻数据的一阶差分值作为各时刻的偏差幅值；计算所有所述一阶差分值的均值；将所述均值作为最新时刻的偏差幅值；
在第时刻到第/>时刻中，计算第i时刻与其他各时刻的偏差幅值的差值绝对值；计算所有所述差值绝对值的平均值；将所述平均值作为第i时刻数据的局部变化突兀系数；其中当第/>到第/>时刻的偏差幅值不能全部获取时，则通过能获取到的所有偏差幅值的均值进行填充。
3.如权利要求1所述的基于电参量分析的输煤皮带采样机运行监测方法，其特征在于，所述根据贝叶斯突变检测算法及局部变化突兀系数得到各数据的贝叶斯突变概率，具体为：将所有时刻数据的局部变化突兀系数组成的序列作为局部变化突兀序列；通过贝叶斯突变检测算法获取局部变化突兀序列中各数据的贝叶斯突变概率。
4.如权利要求1所述的基于电参量分析的输煤皮带采样机运行监测方法，其特征在于，所述根据各一级序列中每个数据的出现频率及贝叶斯突变概率得到各组分序列的区间相似距离，具体包括：
将各一级序列中每个数据的出现频率作为各数据的频率；将各分序列中所有数据的频率组成的概率分布图作为分序列的概率分布图；计算各组分序列概率分布图之间的Wasserstein距离；计算各组分序列中相同时刻对应数据的贝叶斯突变概率的差值绝对值；计算所有所述差值绝对值的平均值；计算所述Wasserstein距离与所述平均值的和值；将所述和值作为各组分序列的区间相似距离。
5.如权利要求1所述的基于电参量分析的输煤皮带采样机运行监测方法，其特征在于，所述根据区间相似距离得到各组分序列的区间相似关联指数，具体包括：
计算各分序列的对应最小时刻之间的差值绝对值；计算以自然常数为底数、以所述差值绝对值为指数的指数函数的计算结果，记为第一指数；计算以自然常数为底数、以各组分序列的区间相似距离的相反数为指数的指数函数的计算结果，记为第二指数；
对于各组分序列，两个分序列若属于同类数据的一级序列，则将倍的第一指数作为两个分序列的相似关联权重；若不属于同类数据的一级序列，则将/>倍的第一指数作为两个分序列的相似关联权重；其中/>、/>为预设倍数，/>；
获取所有所述相似关联权重的最大值；计算各组分序列的相似关联权重与所述最大值的比值；计算第二指数与所述比值的乘积；将所述乘积作为各组分序列的区间相似关联指数。
6.如权利要求1所述的基于电参量分析的输煤皮带采样机运行监测方法，其特征在于，所述根据区间相似关联指数及马尔科夫聚类算法得到电流高相关聚类集合，具体为：
将各分序列作为各节点、将区间相似关联指数作为对应节点之间连线权重构建无向图；通过马尔科夫聚类算法对无向图中节点进行聚类得到各聚类簇；获取各聚类簇中电流的分序列的数量；将所述数量大于等于划分阈值的聚类簇作为高相似聚类簇；将所有高相似聚类簇中元素组成的集合作为电流高相关聚类集合；其中划分阈值通过大津法对各聚类簇中所述数量划分获取。
7.如权利要求1所述的基于电参量分析的输煤皮带采样机运行监测方法，其特征在于，所述根据电流高相关聚类集合中各组分序列的区间相似关联指数得到各非电参量的每个分序列的区间综合影响指数，具体包括：
温度数据的各分序列的区间综合影响指数的表达式为：
；
式中，/>为温度数据的第/>个分序列的区间综合影响指数，/>为温度数据对电流数据的序列初始影响指数，/>、/>分别为温度、电流数据的第/>个分序列，/>为分序列/>与/>之间的区间相似关联指数，M为非电参量数据种类数，/>为第m种非电参量的第/>个分序列，/>、/>分别为所有电流高相似关联聚类簇中属于温度、电流的分序列的数量，/>为电流高相似关联聚类簇中第y个电流的分序列与第/>个温度的分序列之间的区间相似关联指数，/>为所有电流高相似关联聚类簇中属于第m种非电参量的分序列的数量，/>为电流高相似关联聚类簇中第m种非电参量的第y个分序列；
采用温度数据各分序列的区间综合影响指数的计算方法，计算其他各非电参量每个分序列的区间综合影响指数。
8.如权利要求1所述的基于电参量分析的输煤皮带采样机运行监测方法，其特征在于，所述根据区间综合影响指数得到各电流数据的滑动窗口修正指数，表达式为：
；
式中，/>电流的第/>个分序列中第j个数据的滑动窗口修正指数，/>为以e为底的指数函数，/>为电流的第/>个分序列的电流区间窗口趋减指数，/>为电流的第/>个分序列中第j个数据，/>为数据/>对应的贝叶斯突变概率值，/>为所有电流数据中最大贝叶斯突变概率值，/>为归一化函数，/>、分别为第/>个非电参量数据的第/>个、第/>个分序列的区间综合影响指数，/>，r为电流或各非电参量的分序列的数量。
9.如权利要求1所述的基于电参量分析的输煤皮带采样机运行监测方法，其特征在于，所述根据滑动窗口修正指数得到各时刻电流数据的综合滑动窗口大小，具体包括：
预设调整参数；计算调整参数与各电流数据的滑动窗口修正指数的和值；计算所述和值与原始滑动窗口大小的乘积；将所述乘积作为各时刻电流数据的综合滑动窗口大小。
10.基于电参量分析的输煤皮带采样机运行监测系统，包括存储器、处理器以及存储在所述存储器中并在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1-9任意一项方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311684982.6A CN117390591B (zh) | 2023-12-11 | 2023-12-11 | 基于电参量分析的输煤皮带采样机运行监测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311684982.6A CN117390591B (zh) | 2023-12-11 | 2023-12-11 | 基于电参量分析的输煤皮带采样机运行监测方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117390591A true CN117390591A (zh) | 2024-01-12 |
| CN117390591B CN117390591B (zh) | 2024-03-26 |
Family
ID=89465094
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311684982.6A Active CN117390591B (zh) | 2023-12-11 | 2023-12-11 | 基于电参量分析的输煤皮带采样机运行监测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117390591B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117786445A (zh) * | 2024-02-26 | 2024-03-29 | 山东盈动智能科技有限公司 | 一种自动化摇纱机运行数据智能处理方法 |
| CN117786445B (zh) * | 2024-02-26 | 2024-05-10 | 山东盈动智能科技有限公司 | 一种自动化摇纱机运行数据智能处理方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116953488A (zh) * | 2023-09-19 | 2023-10-27 | 深圳市东陆科技有限公司 | 一种用于集成光电芯片的监测方法 |
| CN117007979A (zh) * | 2023-10-07 | 2023-11-07 | 深圳市众航物联网有限公司 | 基于数据驱动的电源输出掉电异常预警方法 |
| CN117196353A (zh) * | 2023-11-07 | 2023-12-08 | 山东省济宁生态环境监测中心(山东省南四湖东平湖流域生态环境监测中心) | 基于大数据的环境污染评估与监测方法及系统 |
-
2023
- 2023-12-11 CN CN202311684982.6A patent/CN117390591B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116953488A (zh) * | 2023-09-19 | 2023-10-27 | 深圳市东陆科技有限公司 | 一种用于集成光电芯片的监测方法 |
| CN117007979A (zh) * | 2023-10-07 | 2023-11-07 | 深圳市众航物联网有限公司 | 基于数据驱动的电源输出掉电异常预警方法 |
| CN117196353A (zh) * | 2023-11-07 | 2023-12-08 | 山东省济宁生态环境监测中心(山东省南四湖东平湖流域生态环境监测中心) | 基于大数据的环境污染评估与监测方法及系统 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117786445A (zh) * | 2024-02-26 | 2024-03-29 | 山东盈动智能科技有限公司 | 一种自动化摇纱机运行数据智能处理方法 |
| CN117786445B (zh) * | 2024-02-26 | 2024-05-10 | 山东盈动智能科技有限公司 | 一种自动化摇纱机运行数据智能处理方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117390591B (zh) | 2024-03-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111695598B (zh) | 一种基于生成对抗网络的监测数据异常诊断方法 | |
| CN111562108A (zh) | 一种基于cnn和fcmc的滚动轴承智能故障诊断方法 | |
| CN111353482A (zh) | 一种基于lstm的疲劳因子隐性异常检测及故障诊断方法 | |
| CN110008253B (zh) | 一种工业数据关联规则挖掘及异常工况预测方法 | |
| WO1999027466A2 (en) | System and method for intelligent quality control of a process | |
| CN115902647B (zh) | 一种电池状态智能监测方法 | |
| CN111122162B (zh) | 基于欧氏距离多尺度模糊样本熵的工业系统故障检测方法 | |
| CN116881745B (zh) | 基于大数据的压力变送器异常监测方法 | |
| CN110738346A (zh) | 一种基于威布尔分布的批次电能表可靠度预测方法 | |
| CN116380445B (zh) | 基于振动波形的设备状态诊断方法及相关装置 | |
| CN111860839A (zh) | 基于多信号融合及Adam优化算法的岸桥故障监测方法 | |
| CN111504647A (zh) | 基于ar-mset的滚动轴承的性能退化评估方法 | |
| CN117074961A (zh) | 一种变分自编码器动力电池异常检测方法、系统、装置及存储介质 | |
| CN113858566B (zh) | 一种基于机器学习的注塑机能耗预测方法及系统 | |
| CN104376078A (zh) | 一种基于知识熵的异常数据检测方法 | |
| CN113424119A (zh) | 作业效率评价方法、作业效率评价装置以及程序 | |
| CN117390591B (zh) | 基于电参量分析的输煤皮带采样机运行监测方法及系统 | |
| JP2002090266A (ja) | 余寿命予測装置 | |
| CN109190301B (zh) | 一种变工况下回转支承高精度寿命预测方法 | |
| CN116644348A (zh) | 基于传递式对抗迁移的跨机械部件故障诊断方法及装置 | |
| CN115203905A (zh) | 一种融合专家经验及智能算法的设备健康评估方法 | |
| CN115219907A (zh) | 一种锂电池soc估计方法、系统、介质、设备及终端 | |
| CN114090949A (zh) | 一种鲁棒的振动信号特征值计算方法 | |
| CN112069621A (zh) | 基于线性可靠度指标的滚动轴承剩余使用寿命的预测方法 | |
| CN116510223B (zh) | 基于物联网的自识别消防泵电参数巡检监测系统 |
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 |