CN117435873B - 一种基于智能喷雾降尘的数据管理方法 - Google Patents
一种基于智能喷雾降尘的数据管理方法 Download PDFInfo
- Publication number
- CN117435873B CN117435873B CN202311763819.9A CN202311763819A CN117435873B CN 117435873 B CN117435873 B CN 117435873B CN 202311763819 A CN202311763819 A CN 202311763819A CN 117435873 B CN117435873 B CN 117435873B
- Authority
- CN
- China
- Prior art keywords
- data
- sequence
- difference
- class
- historical
- 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.)
- Active
Links
- 239000000428 dust Substances 0.000 title claims abstract description 54
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000013523 data management Methods 0.000 title claims abstract description 23
- 238000005507 spraying Methods 0.000 title description 5
- 238000009826 distribution Methods 0.000 claims abstract description 61
- 239000007921 spray Substances 0.000 claims abstract description 26
- 230000005856 abnormality Effects 0.000 claims abstract description 24
- 230000000737 periodic effect Effects 0.000 claims description 27
- 238000004364 calculation method Methods 0.000 claims description 10
- 238000009776 industrial production Methods 0.000 claims description 8
- 230000011218 segmentation Effects 0.000 claims description 4
- 230000000694 effects Effects 0.000 abstract description 11
- 230000008859 change Effects 0.000 description 22
- 238000004519 manufacturing process Methods 0.000 description 8
- 230000007774 longterm Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 241001465754 Metazoa Species 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000033228 biological regulation Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000007306 functionalization reaction Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
- G06F18/15—Statistical pre-processing, e.g. techniques for normalisation or restoring missing data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- 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)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Probability & Statistics with Applications (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及数据处理技术领域,具体涉及一种基于智能喷雾降尘的数据管理方法,包括:获取历史数据序列和差值序列,分别将两序列划分为若干个数据序列段和数据类,计算数据类的时间分布特征,再结合数据序列段的数量,确定当前时刻对应的历史数据的可参考性,获取参考差值序列,计算差值序列中数据的趋势异常性和出现概率,结合参考差值序列中的数据值,确定数据的噪声影响程度,再结合序数值以及当前时刻对应的历史数据的可参考性,确定当前时刻对应的遗忘因子调整系数,从而确定当前时刻对应的遗忘因子,使用递归最小二乘算法,得到当前时刻上去噪后的数据。本发明通过自适应遗忘因子可以控制旧数据的遗忘速度,从而提高去噪效果。
Description
技术领域
本发明涉及数据处理技术领域,具体涉及一种基于智能喷雾降尘的数据管理方法。
背景技术
智能喷雾降尘技术是一种利用喷雾系统对空气中的粉尘进行控制和减少的方法,它在工业、道路建设、采石场、城市环境和农业等领域中发挥着重要的作用,并且可以有效降低空气中的颗粒物浓度,改善环境质量,并保护人员和动物的健康。
智能喷雾降尘技术需要根据实时采集的灰尘浓度数据分析,合理的调整喷雾的强度和频率,减少电力和水资源的消耗,提高能源利用效率和降低运行成本。但由于传感器本身可能存在一定的误差或不确定性,以及对采集到的原始数据进行信号处理和滤波时,可能会引入一定的误差,导致采集的灰尘浓度数据存在一定的噪声,影响后续数据分析的准确性,导致喷雾降尘的调控不合理。
递归最小二乘算法是一种常用的自适应滤波算法,它能够根据输入数据的特征动态地调整滤波器系数,以适应数据和噪声的变化。递归最小二乘算法还考虑了历史数据,并通过最小化误差来更新滤波器系数,因此它能够有效地抑制噪声,达到较好的去噪效果。
现有的问题:灰尘浓度数据的变化趋势会受到环境温、湿度以及风速和风向的影响,导致噪声检测困难,并且递归最小二乘算法中,较大的遗忘因子可以使滤波器能够快速适应数据的变化,但可能会忽略掉某些长期趋势或重要信息,导致丢失有效数据,而较小的遗忘因子,对于平滑数据具有较好的效果,但可能会导致算法对噪声过于敏感,无法快速适应数据的变化。
发明内容
本发明提供一种基于智能喷雾降尘的数据管理方法,以解决现有的问题。
本发明的一种基于智能喷雾降尘的数据管理方法采用如下技术方案:
本发明一个实施例提供了一种基于智能喷雾降尘的数据管理方法,该方法包括以下步骤:
使用传感器实时采集工业生产过程中的灰尘浓度数据,得到当前时刻对应的历史数据序列;根据历史数据序列中相邻数据的差异,得到差值序列,并将差值序列划分为若干个数据类;
将历史数据序列划分成若干个数据序列段,根据每一种数据类中的数据对应在历史数据序列中的数据分布,得到每一种数据类的周期分布特征;
根据每一种数据类的周期分布特征和数据数量以及序数值,确定每一种数据类的时间分布特征;根据所有数据类的时间分布特征和数据数量以及历史数据序列划分的数据序列段的数量,确定当前时刻对应的历史数据的可参考性;
获取参考数据序列,根据参考数据序列中相邻数据的差异,得到参考差值序列;根据差值序列中数据之间的差异,确定差值序列中每一个数据的趋势异常性和出现概率;根据差值序列中每一个数据的趋势异常性和出现概率以及参考差值序列中的数据值,确定差值序列中每一个数据的噪声影响程度;根据差值序列中所有数据的噪声影响程度和序数值以及当前时刻对应的历史数据的可参考性,确定当前时刻对应的遗忘因子调整系数;
根据当前时刻对应的遗忘因子调整系数,确定当前时刻对应的遗忘因子;根据当前时刻对应的遗忘因子,使用递归最小二乘算法进行去噪处理,得到当前时刻上去噪后的数据;根据实时采集的所有时刻上去噪后的数据,构成去噪后的灰尘浓度时序数据序列;将去噪后的灰尘浓度时序数据序列存储到数据库中。
进一步地,所述根据历史数据序列中相邻数据的差异,得到差值序列,并将差值序列划分为若干个数据类,包括的具体步骤如下:
依次计算历史数据序列中前一个数据减去后一个数据的差值,得到差值序列;
将差值序列中数据值相同的数据划分为一种数据类。
进一步地,所述将历史数据序列划分成若干个数据序列段,根据每一种数据类中的数据对应在历史数据序列中的数据分布,得到每一种数据类的周期分布特征,包括的具体步骤如下:
使用最小二乘法对历史数据序列中的数据进行曲线拟合,得到拟合曲线;将拟合曲线上波谷点对应在历史数据序列中的数据,记为分割数据;根据历史数据序列中的分割数据,将历史数据序列划分成若干个数据序列段;
取差值序列中任意一种数据类,将所述数据类中的数据对应在历史数据序列中的数据,记为历史数据序列中的参考数据;将历史数据序列中的参考数据所处的不同数据序列段的数量,记为所述数据类的周期分布特征。
进一步地,所述根据每一种数据类的周期分布特征和数据数量以及序数值,确定每一种数据类的时间分布特征,包括的具体步骤如下:
若数据类中的数据数量大于预设的数量阈值,根据数据类中所有数据的序数值中最大序数值减去最小序数值的差值、数据类的周期分布特征,确定数据类的周期性特征;
根据数据类的周期性特征、数据类中所有数据的序数值中的最大序数值,确定数据类的时间分布特征;
若数据类中的数据数量小于等于预设的数量阈值,将数据类的时间分布特征设置为预设的时间分布特征。
进一步地,所述根据数据类的周期性特征、数据类中所有数据的序数值中的最大序数值,确定数据类的时间分布特征对应的具体计算公式为:
其中为差值序列/>中第i种数据类的时间分布特征,/>和/>分别为差值序列/>中第i种数据类中所有数据的序数值中的最大序数值和最小序数值,/>为差值序列/>中划分的第i种数据类的周期分布特征,D为历史数据序列/>划分的数据序列段的数量,n-1为差值序列/>中的数据数量,/>为差值序列/>中划分的第i种数据类的周期性特征。
进一步地,所述根据所有数据类的时间分布特征和数据数量以及历史数据序列划分的数据序列段的数量,确定当前时刻对应的历史数据的可参考性,包括的具体步骤如下:
将差值序列中每一种数据类的时间分布特征与所有数据类的时间分布特征之和的商值,记为每一种数据类中的数据数量的权值;
计算所有数据类中的数据数量的权值与所有数据类中的数据数量的乘积之和,将所述乘积之和的归一化值,记为历史数据的可参考性的校正系数;
将历史数据的可参考性的校正系数与历史数据序列划分的数据序列段的数量的乘积,记为当前时刻对应的历史数据的可参考性。
进一步地,所述获取参考数据序列,根据参考数据序列中相邻数据的差异,得到参考差值序列,包括的具体步骤如下:
使用传感器采集历史数据序列对应的相同采集时间、频率和地点的风速数据序列,记为历史数据序列的参考数据序列;
依次计算参考数据序列中前一个数据减去后一个数据的差值,得到参考差值序列。
进一步地,所述根据差值序列中数据之间的差异,确定差值序列中每一个数据的趋势异常性和出现概率;根据差值序列中每一个数据的趋势异常性和出现概率以及参考差值序列中的数据值,确定差值序列中每一个数据的噪声影响程度,包括的具体步骤如下:
取差值序列中任意一个数据,将所述数据的数据值在差值序列中出现的次数除以差值序列中的数据数量,记为所述数据的出现概率;
将所述数据的绝对值分别与其相邻数据的绝对值之差,记为所述数据的趋势差值;将所述数据所有的趋势差值的绝对值中的最小值,记为所述数据的趋势异常性;
根据所述数据的出现概率、所述数据对应在参考差值序列中的数据值,确定所述数据为噪声的可能性;
根据所述数据为噪声的可能性与所述数据的趋势异常性,确定所述数据的噪声影响程度。
进一步地,所述根据所述数据为噪声的可能性与所述数据的趋势异常性,确定所述数据的噪声影响程度对应的具体计算公式为:
其中为差值序列/>中第j个数据的噪声影响程度,/>为差值序列/>中第j个数据的趋势异常性,/>为参考差值序列/>中第j个数据值,/>为参考差值序列/>中的最大值,/>为差值序列/>中第j个数据的出现概率,/>为以自然常数为底的指数函数,/>为差值序列/>中第j个数据为噪声的可能性。
进一步地,所述根据差值序列中所有数据的噪声影响程度和序数值以及当前时刻对应的历史数据的可参考性,确定当前时刻对应的遗忘因子调整系数对应的具体计算公式为:
其中Q为当前时刻对应的遗忘因子调整系数,C为当前时刻对应的历史数据的可参考性,为差值序列/>中第j个数据的序数值,/>为差值序列/>中第j个数据的噪声影响程度,为差值序列/>中所有数据的噪声影响程度之和,n-1为差值序列/>中的数据数量,/>为以自然常数为底的指数函数。
本发明的技术方案的有益效果是:
本发明实施例中,根据历史数据序列中相邻数据的差异,得到差值序列,并将差值序列划分为若干个数据类,再将历史数据序列划分成若干个数据序列段,根据每一种数据类中的数据对应在历史数据序列中的数据分布,得到每一种数据类的周期分布特征,从而结合每一种数据类的数据数量和序数值,确定每一种数据类的时间分布特征,再结合历史数据序列划分的数据序列段的数量,确定当前时刻对应的历史数据的可参考性。考虑到历史数据中噪声的影响,故需要进一步计算噪声校正因子,先获取参考数据序列,根据参考数据序列中相邻数据的差异,得到参考差值序列;根据差值序列中数据之间的差异,确定差值序列中每一个数据的趋势异常性和出现概率,从而结合参考差值序列中的数据值,确定差值序列中每一个数据的噪声影响程度,再结合序数值以及当前时刻对应的历史数据的可参考性,确定当前时刻对应的遗忘因子调整系数,从而确定当前时刻对应的遗忘因子,使用递归最小二乘算法进行去噪处理,得到当前时刻上去噪后的数据,根据实时采集的所有时刻上去噪后的数据,构成去噪后的灰尘浓度时序数据序列,将去噪后的灰尘浓度时序数据序列存储到数据库中,完成智能喷雾降尘的数据管理。若临近当前时刻的历史数据的可参考性越强、噪声影响越小时,选取较大的遗忘因子,使算法更加关注最近的数据,从而快速适应数据的变化,若当前时刻的长期历史数据的可参考性越强、最近数据的噪声影响较大时,选取较小的遗忘因子,使算法会更多地考虑长期的历史数据,可以帮助保留长期趋势,对于平滑数据具有较好的效果。由此通过自适应遗忘因子可以更快地适应新的数据样本,控制旧数据的遗忘速度,从而提高去噪效果。
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为本发明一种基于智能喷雾降尘的数据管理方法的步骤流程图。
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一种基于智能喷雾降尘的数据管理方法,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一种基于智能喷雾降尘的数据管理方法的具体方案。
请参阅图1,其示出了本发明一个实施例提供的一种基于智能喷雾降尘的数据管理方法的步骤流程图,该方法包括以下步骤:
步骤S001:使用传感器实时采集工业生产过程中的灰尘浓度数据,得到当前时刻对应的历史数据序列;根据历史数据序列中相邻数据的差异,得到差值序列,并将差值序列划分为若干个数据类。
已知智能喷雾降尘技术应用领域广泛,本实施例以工业生产环境中的灰尘浓度数据为例,进行数据去噪处理。在工业生产线附近任意一个区域,使用传感器实时采集工业生产过程中的灰尘浓度数据,得到灰尘浓度时序数据序列,在已经采集到的灰尘浓度时序数据序列中,依次获取当前时刻之前的n个数据,记为当前时刻对应的历史数据,按照时间顺序排序,得到当前时刻对应的历史数据序列,其中n为当前时刻对应的历史数据数量,/>为当前时刻对应的第n个历史数据值。本实施例中以n等于100为例进行叙述,其它实施方式中可设置为其它值,本实施例不进行限定。所需说明的是,不考虑传感器刚开始采集的n个数据的噪声问题,由此使得准备去噪的当前时刻数据之前必然存在n个历史数据。
由于工业生产过程中,灰尘浓度会随着生产线上的生产活动变化而变化,当生产线上的产量较大时,灰尘浓度增长较快,而当生产线上的产量较小时,灰尘浓度增长较慢。且当灰尘浓度超过设定的阈值时,会启动喷雾降尘,令灰尘浓度显著下降,当停止喷雾降尘,灰尘浓度又会逐渐增长。由此可知工业生产过程中,灰尘浓度的数据变化呈周期性波动。
依次计算历史数据序列中前一个数据减去后一个数据的差值,得到差值序列,其中/>为历史数据序列/>中第n-1个数据减去第n个数据的差值。所需说明的是,差值序列/>中的数据表示了历史数据序列/>中相邻数据的变化趋势。将差值序列/>中数据值相同的数据划分为一种数据类。
步骤S002:将历史数据序列划分成若干个数据序列段,根据每一种数据类中的数据对应在历史数据序列中的数据分布,得到每一种数据类的周期分布特征。
再使用最小二乘法对历史数据序列中的数据进行曲线拟合,将拟合曲线上波谷点对应在历史数据序列/>中的数据,记为分割数据。根据历史数据序列/>中的分割数据,将历史数据序列/>划分成若干个数据序列段。所需说明的是,使用最小二乘法进行曲线拟合,会平滑数据序列中的较小数据波动。其中最小二乘法为公知技术,具体方法在此不做介绍。
取差值序列中任意一种数据类为例,将差值序列/>中该数据类中的数据对应在历史数据序列/>中的数据,记为历史数据序列/>中的参考数据,将历史数据序列/>中的参考数据所处的不同数据序列段的数量,记为差值序列/>中该数据类的周期分布特征。
按照上述方式,得到差值序列中每一种数据类的周期分布特征。
步骤S003:根据每一种数据类的周期分布特征和数据数量以及序数值,确定每一种数据类的时间分布特征;根据所有数据类的时间分布特征和数据数量以及历史数据序列划分的数据序列段的数量,确定当前时刻对应的历史数据的可参考性。
由此可知当前时刻对应的历史数据的可参考性C的计算公式为:
当时,/>的获取方式如下:
当时,/>的获取方式如下:
其中C为当前时刻对应的历史数据的可参考性,D为历史数据序列划分的数据序列段的数量,m为差值序列/>中划分的数据类的数量,n-1为差值序列/>中的数据数量,/>为差值序列/>中划分的第i种数据类中的数据数量,/>为设定的数量阈值,/>和/>分别为差值序列/>中第i种数据类中所有数据的序数值中的最大序数值和最小序数值,/>为差值序列/>中第i种数据类的时间分布特征,/>为差值序列/>中所有数据类的时间分布特征之和,/>为设定的时间分布特征,/>为差值序列/>中划分的第i种数据类的周期分布特征。本实施例设定,/>为例进行叙述,其它实施方式中可设置为其它值,本实施例不进行限定。
所需说明的是:已知数据周期性变化的频率较高时,递归最小二乘算法需要较小的遗忘因子,使滤波器能够更好地跟踪和捕捉这些短期的变化,且允许滤波器较长时间保留历史数据的权重,以适应快速的周期性变化,而数据周期性变化的频率较低时,需要较大的遗忘因子,使滤波器更快地适应新的输入数据。因此D越大,当前时刻对应的历史数据中保留时间较长的数据的可参考性越大,进一步分别各周期之间数据变化趋势的相似性,其越相似,越需要考虑长时间的历史数据,故需要越小的遗忘因子,当差值序列中划分的第i种数据类中的数据数量/>小于等于设定的数量阈值/>时,说明该数据变化趋势无相似性,因此令其时间分布特征/>为设定的时间分布特征/>。当差值序列/>中划分的第i种数据类中的数据数量/>大于设定的数量阈值/>时,/>越大,说明同一数据变化趋势在时间上的分布越广泛,而/>越大,说明越多的周期内存在相同的数据变化趋势,因此用归一化的/>为的调整值,两者乘积/>为差值序列/>中划分的第i种数据类的周期性特征,其值越大,该数据类的可参考性越大,需要越小的遗忘因子,且当/>越大时,说明距离当前时刻较远的数据变化趋势与距离当前时刻较近的数据变化趋势越相似,即用归一化的/>为/>的调整值,两者乘积为差值序列/>中第i种数据类的时间分布特征,其值越大,该数据类的可参考性越大,需要越小的遗忘因子。当相同数据变化趋势的数量越多时,该数据变化趋势越可信,因此用归一化的/>为/>的权值,以其加权平均的归一化值为历史数据的可参考性的校正系数,至此用/>和D的乘积,为当前时刻对应的历史数据的可参考性,其值越大,需要越小的遗忘因子。
步骤S004:获取参考数据序列,根据参考数据序列中相邻数据的差异,得到参考差值序列;根据差值序列中数据之间的差异,确定差值序列中每一个数据的趋势异常性和出现概率;根据差值序列中每一个数据的趋势异常性和出现概率以及参考差值序列中的数据值,确定差值序列中每一个数据的噪声影响程度;根据差值序列中所有数据的噪声影响程度和序数值以及当前时刻对应的历史数据的可参考性,确定当前时刻对应的遗忘因子调整系数。
由于噪声数据出现时间和大小的随机性,会影响数据变化趋势分析的准确性,从而导致当前时刻对应的历史数据的可参考性分析不准确。因此需要进一步分析当前时刻对应的历史数据中噪声数据的多少和大小,得到合适的遗忘因子,保障递归最小二乘算法的去噪效果。
已知历史数据序列中的数据变化趋势,会受到生产线上的产量变化、噪声、风速、温度、湿度等因素的影响。但一般生产线上的产量会长时间保持不变,且温度、湿度变化缓慢,对数据变化趋势的相似性影响较小。而风速变化与噪声一样,具体出现时间和大小随机,且变化迅速,对数据变化趋势的相似性影响较大。因此本实施例,使用传感器采集历史数据序列/>对应的同采集地点、同采集时间和频率的风速数据序列,记为历史数据序列/>的参考数据序列。所需说明的是,历史数据序列与其参考数据序列中的数据一一对应。
依次计算参考数据序列中前一个数据减去后一个数据的差值,得到参考差值序列,其中n为当前时刻对应的历史数据数量,并且n也为参考数据序列中的数据数量,/>为参考数据序列中第n-1个数据减去第n个数据的差值。并且参考差值序列/>与差值序列/>中的数据一一对应。
由于风速变化、噪声具体出现时间和大小随机,且变化迅速的特征,故差值序列中受风速变化或者噪声影响的数据往往具有唯一性,即该数据在差值序列/>中出现的次数较小。且该数据与其相邻的数据差异较大。由此取差值序列/>中任意一个数据为例,将该数据的数据值在差值序列/>中出现的次数除以差值序列/>中的数据数量n-1的商,记为该数据的出现概率,故出现概率越大,该数据越唯一。再将该数据的绝对值分别与其相邻数据的绝对值之差,记为该数据的趋势差值,将该数据所有的趋势差值的绝对值中的最小值,记为该数据的趋势异常性,故趋势异常性越大,该数据为噪声时的噪声大小越大。
按照上述方式,得到差值序列中每一个数据的趋势异常性和出现概率。
由此可知当前时刻对应的遗忘因子调整系数Q的计算公式为:
其中Q为当前时刻对应的遗忘因子调整系数,C为当前时刻对应的历史数据的可参考性,为差值序列/>中第j个数据的序数值,/>为差值序列/>中第j个数据的噪声影响程度,为差值序列/>中所有数据的噪声影响程度之和,/>为差值序列/>中第j个数据的趋势异常性,/>为差值序列/>中第j个数据的出现概率,/>为参考差值序列/>中第j个数据值,/>为参考差值序列/>中的最大值,n-1为差值序列/>中的数据数量,并且n-1也为参考差值序列/>中的数据数量,/>为以自然常数为底的指数函数,本实施例以/>来呈现反比例关系及归一化处理,实施者可根据实际情况设置反比例函数及归一化函数。
所需说明的是:当历史数据中的噪声数据越多越大,且越靠近当前时刻时,需要较小的遗忘因子,用以考虑到长期的历史数据,保障滤波器的去噪效果。已知越小,该数据的唯一性越大,而/>越小,说明该数据的唯一性是由风速变化的可能性越小,因此用归一化的为/>的调整值,两者乘积的反比例的归一化值/>为差值序列/>中第j个数据为噪声的可能性,其值越大,为噪声的可能性越大。且/>越大时,该数据为噪声时的噪声大小越大,因此用/>与/>的乘积,为差值序列/>中第j个数据的噪声影响程度/>。而当噪声数据越接近当前时刻时,说明当前时刻的临近历史数据越不可信,需要较小的遗忘因子,因此用归一化的/>为/>的权值,加权平均的归一化值/>为当前时刻对应的历史数据的噪声校正因子。至此用/>和C的乘积的反比例的归一化值,为当前时刻对应的遗忘因子调整系数,其值越大,需要越大的遗忘因子。
步骤S005:根据当前时刻对应的遗忘因子调整系数,确定当前时刻对应的遗忘因子;根据当前时刻对应的遗忘因子,使用递归最小二乘算法进行去噪处理,得到当前时刻上去噪后的数据;根据实时采集的所有时刻上去噪后的数据,构成去噪后的灰尘浓度时序数据序列;将去噪后的灰尘浓度时序数据序列存储到数据库中。
本实施例设定递归最小二乘算法中的遗忘因子的取值范围为[0.2,0.8],以此为例进行叙述,其它实施方式中可设置为其它值,本实施例不进行限定。由此可知当前时刻对应的遗忘因子K的计算公式为:
其中K为当前时刻对应的遗忘因子,Q为当前时刻对应的遗忘因子调整系数。
根据当前时刻对应的遗忘因子,使用递归最小二乘算法进行去噪处理,得到当前时刻上去噪后的数据。
按照上述数据采集方式,得到当前时刻的下一时刻对应的历史数据序列。根据当前时刻的下一时刻对应的历史数据序列,按照上述遗忘因子求取方式,得到当前时刻的下一时刻对应的遗忘因子,根据当前时刻的下一时刻对应的遗忘因子,使用递归最小二乘算法进行去噪处理,得到当前时刻的下一时刻上去噪后的数据,以此类推,得到实时采集的每一时刻上去噪后的数据。根据实时采集的所有时刻上去噪后的数据,构成去噪后的灰尘浓度时序数据序列。其中递归最小二乘算法为公知技术,具体方法在此不做介绍。
最后将去噪后的灰尘浓度时序数据序列存储到数据库中,完成智能喷雾降尘的数据管理。
至此,本发明完成。
综上所述,在本发明实施例中,根据历史数据序列中相邻数据的差异,得到差值序列,并将差值序列划分为若干个数据类,再将历史数据序列划分成若干个数据序列段,根据每一种数据类中的数据对应在历史数据序列中的数据分布,得到每一种数据类的周期分布特征,从而结合每一种数据类的数据数量和序数值,确定每一种数据类的时间分布特征,再结合历史数据序列划分的数据序列段的数量,确定当前时刻对应的历史数据的可参考性。获取参考数据序列,根据参考数据序列中相邻数据的差异,得到参考差值序列;根据差值序列中数据之间的差异,确定差值序列中每一个数据的趋势异常性和出现概率,从而结合参考差值序列中的数据值,确定差值序列中每一个数据的噪声影响程度,再结合序数值以及当前时刻对应的历史数据的可参考性,确定当前时刻对应的遗忘因子调整系数,从而确定当前时刻对应的遗忘因子,使用递归最小二乘算法进行去噪处理,得到当前时刻上去噪后的数据,根据实时采集的所有时刻上去噪后的数据,构成去噪后的灰尘浓度时序数据序列,将去噪后的灰尘浓度时序数据序列存储到数据库中,完成智能喷雾降尘的数据管理。本发明通过自适应遗忘因子可以更快地适应新的数据样本,控制旧数据的遗忘速度,从而提高去噪效果。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,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 (9)
1.一种基于智能喷雾降尘的数据管理方法,其特征在于,该方法包括以下步骤:
使用传感器实时采集工业生产过程中的灰尘浓度数据,得到当前时刻对应的历史数据序列;根据历史数据序列中相邻数据的差异,得到差值序列,并将差值序列划分为若干个数据类;
将历史数据序列划分成若干个数据序列段,根据每一种数据类中的数据对应在历史数据序列中的数据分布,得到每一种数据类的周期分布特征;
根据每一种数据类的周期分布特征和数据数量以及序数值,确定每一种数据类的时间分布特征;根据所有数据类的时间分布特征和数据数量以及历史数据序列划分的数据序列段的数量,确定当前时刻对应的历史数据的可参考性;
获取参考数据序列,根据参考数据序列中相邻数据的差异,得到参考差值序列;根据差值序列中数据之间的差异,确定差值序列中每一个数据的趋势异常性和出现概率;根据差值序列中每一个数据的趋势异常性和出现概率以及参考差值序列中的数据值,确定差值序列中每一个数据的噪声影响程度;根据差值序列中所有数据的噪声影响程度和序数值以及当前时刻对应的历史数据的可参考性,确定当前时刻对应的遗忘因子调整系数;
根据当前时刻对应的遗忘因子调整系数,确定当前时刻对应的遗忘因子;根据当前时刻对应的遗忘因子,使用递归最小二乘算法进行去噪处理,得到当前时刻上去噪后的数据;根据实时采集的所有时刻上去噪后的数据,构成去噪后的灰尘浓度时序数据序列;将去噪后的灰尘浓度时序数据序列存储到数据库中;
所述根据差值序列中所有数据的噪声影响程度和序数值以及当前时刻对应的历史数据的可参考性,确定当前时刻对应的遗忘因子调整系数对应的具体计算公式为:
其中Q为当前时刻对应的遗忘因子调整系数,C为当前时刻对应的历史数据的可参考性,为差值序列/>中第j个数据的序数值,/>为差值序列/>中第j个数据的噪声影响程度,为差值序列/>中所有数据的噪声影响程度之和,n-1为差值序列/>中的数据数量,/>为以自然常数为底的指数函数。
2.根据权利要求1所述一种基于智能喷雾降尘的数据管理方法,其特征在于,所述根据历史数据序列中相邻数据的差异,得到差值序列,并将差值序列划分为若干个数据类,包括的具体步骤如下:
依次计算历史数据序列中前一个数据减去后一个数据的差值,得到差值序列;
将差值序列中数据值相同的数据划分为一种数据类。
3.根据权利要求1所述一种基于智能喷雾降尘的数据管理方法,其特征在于,所述将历史数据序列划分成若干个数据序列段,根据每一种数据类中的数据对应在历史数据序列中的数据分布,得到每一种数据类的周期分布特征,包括的具体步骤如下:
使用最小二乘法对历史数据序列中的数据进行曲线拟合,得到拟合曲线;将拟合曲线上波谷点对应在历史数据序列中的数据,记为分割数据;根据历史数据序列中的分割数据,将历史数据序列划分成若干个数据序列段;
取差值序列中任意一种数据类,将所述数据类中的数据对应在历史数据序列中的数据,记为历史数据序列中的参考数据;将历史数据序列中的参考数据所处的不同数据序列段的数量,记为所述数据类的周期分布特征。
4.根据权利要求1所述一种基于智能喷雾降尘的数据管理方法,其特征在于,所述根据每一种数据类的周期分布特征和数据数量以及序数值,确定每一种数据类的时间分布特征,包括的具体步骤如下:
若数据类中的数据数量大于预设的数量阈值,根据数据类中所有数据的序数值中最大序数值减去最小序数值的差值、数据类的周期分布特征,确定数据类的周期性特征;
根据数据类的周期性特征、数据类中所有数据的序数值中的最大序数值,确定数据类的时间分布特征;
若数据类中的数据数量小于等于预设的数量阈值,将数据类的时间分布特征设置为预设的时间分布特征。
5.根据权利要求4所述一种基于智能喷雾降尘的数据管理方法,其特征在于,所述根据数据类的周期性特征、数据类中所有数据的序数值中的最大序数值,确定数据类的时间分布特征对应的具体计算公式为:
其中为差值序列/>中第i种数据类的时间分布特征,/>和/>分别为差值序列/>中第i种数据类中所有数据的序数值中的最大序数值和最小序数值,/>为差值序列/>中划分的第i种数据类的周期分布特征,D为历史数据序列/>划分的数据序列段的数量,n-1为差值序列/>中的数据数量,/>为差值序列/>中划分的第i种数据类的周期性特征。
6.根据权利要求1所述一种基于智能喷雾降尘的数据管理方法,其特征在于,所述根据所有数据类的时间分布特征和数据数量以及历史数据序列划分的数据序列段的数量,确定当前时刻对应的历史数据的可参考性,包括的具体步骤如下:
将差值序列中每一种数据类的时间分布特征与所有数据类的时间分布特征之和的商值,记为每一种数据类中的数据数量的权值;
计算所有数据类中的数据数量的权值与所有数据类中的数据数量的乘积之和,将所述乘积之和的归一化值,记为历史数据的可参考性的校正系数;
将历史数据的可参考性的校正系数与历史数据序列划分的数据序列段的数量的乘积,记为当前时刻对应的历史数据的可参考性。
7.根据权利要求1所述一种基于智能喷雾降尘的数据管理方法,其特征在于,所述获取参考数据序列,根据参考数据序列中相邻数据的差异,得到参考差值序列,包括的具体步骤如下:
使用传感器采集历史数据序列对应的相同采集时间、频率和地点的风速数据序列,记为历史数据序列的参考数据序列;
依次计算参考数据序列中前一个数据减去后一个数据的差值,得到参考差值序列。
8.根据权利要求1所述一种基于智能喷雾降尘的数据管理方法,其特征在于,所述根据差值序列中数据之间的差异,确定差值序列中每一个数据的趋势异常性和出现概率;根据差值序列中每一个数据的趋势异常性和出现概率以及参考差值序列中的数据值,确定差值序列中每一个数据的噪声影响程度,包括的具体步骤如下:
取差值序列中任意一个数据,将所述数据的数据值在差值序列中出现的次数除以差值序列中的数据数量,记为所述数据的出现概率;
将所述数据的绝对值分别与其相邻数据的绝对值之差,记为所述数据的趋势差值;将所述数据所有的趋势差值的绝对值中的最小值,记为所述数据的趋势异常性;
根据所述数据的出现概率、所述数据对应在参考差值序列中的数据值,确定所述数据为噪声的可能性;
根据所述数据为噪声的可能性与所述数据的趋势异常性,确定所述数据的噪声影响程度。
9.根据权利要求8所述一种基于智能喷雾降尘的数据管理方法,其特征在于,所述根据所述数据为噪声的可能性与所述数据的趋势异常性,确定所述数据的噪声影响程度对应的具体计算公式为:
其中为差值序列/>中第j个数据的噪声影响程度,/>为差值序列/>中第j个数据的趋势异常性,/>为参考差值序列/>中第j个数据值,/>为参考差值序列/>中的最大值,/>为差值序列/>中第j个数据的出现概率,/>为以自然常数为底的指数函数,/>为差值序列/>中第j个数据为噪声的可能性。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311763819.9A CN117435873B (zh) | 2023-12-21 | 2023-12-21 | 一种基于智能喷雾降尘的数据管理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311763819.9A CN117435873B (zh) | 2023-12-21 | 2023-12-21 | 一种基于智能喷雾降尘的数据管理方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117435873A CN117435873A (zh) | 2024-01-23 |
CN117435873B true CN117435873B (zh) | 2024-03-08 |
Family
ID=89558658
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311763819.9A Active CN117435873B (zh) | 2023-12-21 | 2023-12-21 | 一种基于智能喷雾降尘的数据管理方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117435873B (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106920014A (zh) * | 2017-03-16 | 2017-07-04 | 广东工业大学 | 一种短时负荷预测方法及装置 |
WO2020063689A1 (zh) * | 2018-09-25 | 2020-04-02 | 新智数字科技有限公司 | 一种电力系统热负荷预测的方法和装置 |
CN111046485A (zh) * | 2019-11-12 | 2020-04-21 | 西北工业大学 | 一种递归最小二乘法估计无人艇横摇运动响应函数的方法 |
CN111323705A (zh) * | 2020-03-19 | 2020-06-23 | 山东大学 | 基于鲁棒递归最小二乘的电池参数辨识方法及系统 |
CN114582312A (zh) * | 2022-02-14 | 2022-06-03 | 中国科学院声学研究所 | 一种车内抗干扰自适应路噪主动控制方法及控制系统 |
CN115343570A (zh) * | 2022-07-21 | 2022-11-15 | 国网湖北省电力有限公司电力科学研究院 | 基于可变遗忘因子递归最小二乘算法的电网阻抗在线辨识方法及装置 |
CN115659070A (zh) * | 2022-12-28 | 2023-01-31 | 鸿基骏业环保科技有限公司 | 一种基于nb-iot智能水表的水流量数据传输方法 |
CN116611674A (zh) * | 2023-07-20 | 2023-08-18 | 中建五局第三建设有限公司 | 一种建筑供给水智能调度运行方法 |
CN116756493A (zh) * | 2023-08-15 | 2023-09-15 | 湖南湘江智慧科技股份有限公司 | 一种安消防集指平台数据管理方法 |
CN117251995A (zh) * | 2023-09-12 | 2023-12-19 | 云南电网有限责任公司 | 基于可变遗忘因子最小二乘法的双馈风机惯量评估方法 |
-
2023
- 2023-12-21 CN CN202311763819.9A patent/CN117435873B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106920014A (zh) * | 2017-03-16 | 2017-07-04 | 广东工业大学 | 一种短时负荷预测方法及装置 |
WO2020063689A1 (zh) * | 2018-09-25 | 2020-04-02 | 新智数字科技有限公司 | 一种电力系统热负荷预测的方法和装置 |
CN111046485A (zh) * | 2019-11-12 | 2020-04-21 | 西北工业大学 | 一种递归最小二乘法估计无人艇横摇运动响应函数的方法 |
CN111323705A (zh) * | 2020-03-19 | 2020-06-23 | 山东大学 | 基于鲁棒递归最小二乘的电池参数辨识方法及系统 |
CN114582312A (zh) * | 2022-02-14 | 2022-06-03 | 中国科学院声学研究所 | 一种车内抗干扰自适应路噪主动控制方法及控制系统 |
CN115343570A (zh) * | 2022-07-21 | 2022-11-15 | 国网湖北省电力有限公司电力科学研究院 | 基于可变遗忘因子递归最小二乘算法的电网阻抗在线辨识方法及装置 |
CN115659070A (zh) * | 2022-12-28 | 2023-01-31 | 鸿基骏业环保科技有限公司 | 一种基于nb-iot智能水表的水流量数据传输方法 |
CN116611674A (zh) * | 2023-07-20 | 2023-08-18 | 中建五局第三建设有限公司 | 一种建筑供给水智能调度运行方法 |
CN116756493A (zh) * | 2023-08-15 | 2023-09-15 | 湖南湘江智慧科技股份有限公司 | 一种安消防集指平台数据管理方法 |
CN117251995A (zh) * | 2023-09-12 | 2023-12-19 | 云南电网有限责任公司 | 基于可变遗忘因子最小二乘法的双馈风机惯量评估方法 |
Non-Patent Citations (2)
Title |
---|
基于可变遗忘因子广义RLS算法的频率估计;陈涵;刘会金;李大路;代静;;电力自动化设备;20080710(第07期);全文 * |
陈涵 ; 刘会金 ; 李大路 ; 代静 ; .基于可变遗忘因子广义RLS算法的频率估计.电力自动化设备.2008,(第07期),全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN117435873A (zh) | 2024-01-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107092582B (zh) | 一种基于残差后验的异常值在线检测及置信度评估方法 | |
CN110889085A (zh) | 基于复杂网络多元在线回归的废水智能监控方法及系统 | |
CN115933787B (zh) | 基于室内环境监测的室内多末端智能控制系统 | |
CN113095550B (zh) | 基于变分递归网络和自注意力机制的空气质量预测方法 | |
CN111079989A (zh) | 一种基于dwt-pca-lstm的供水公司供水量预测装置 | |
CN115962551B (zh) | 用于楼宇自动控制的智能空调控制系统和方法 | |
CN117574061B (zh) | 一种pm2.5和臭氧污染协同防控的预测方法及系统 | |
CN116541732B (zh) | 基于超声波数据与最优化算法的气象监测系统 | |
CN113705877A (zh) | 基于深度学习模型的实时月径流预报方法 | |
CN112288597A (zh) | 一种基于层次聚类和直方图算法的能耗在线异常检测方法 | |
CN113449919B (zh) | 一种基于特征和趋势感知的用电量预测方法及系统 | |
CN115526298A (zh) | 一种高鲁棒性的大气污染物浓度综合预测方法 | |
CN112508299A (zh) | 一种电力负荷预测方法、装置、终端设备及存储介质 | |
CN115659665A (zh) | 一种基于野马优化算法的电压暂降源信号降噪与识别的方法 | |
CN113536696A (zh) | Sto-tcn热误差预测模型建模方法及其迁移学习方法 | |
CN112508437A (zh) | 一种微气候环境下风速预报的时序相似误差订正方法 | |
CN116451594A (zh) | 覆冰预测模型的训练方法、预测方法、装置和电子设备 | |
CN117435873B (zh) | 一种基于智能喷雾降尘的数据管理方法 | |
CN117434153B (zh) | 基于超声波技术的道路无损检测方法及系统 | |
CN107808209B (zh) | 基于加权kNN距离的风电场异常数据辨识方法 | |
CN117072338B (zh) | 柴油发动机自适应喷油控制策略系统及优化方法 | |
CN113221352A (zh) | 基于数字孪生的复杂装备健康管理方法及系统 | |
CN117195747A (zh) | 一种磁性材料烘干用均匀热分布优化方法 | |
CN106814608B (zh) | 基于后验概率分布的预测控制自适应滤波算法 | |
Oo et al. | Cloud and IoT based temperature prediction system for a greenhouse using multivariate convolutional long short term memory network |
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 |