CN117556274A - 一种热管背板的温度数据异常分析方法 - Google Patents
一种热管背板的温度数据异常分析方法 Download PDFInfo
- Publication number
- CN117556274A CN117556274A CN202410037917.2A CN202410037917A CN117556274A CN 117556274 A CN117556274 A CN 117556274A CN 202410037917 A CN202410037917 A CN 202410037917A CN 117556274 A CN117556274 A CN 117556274A
- Authority
- CN
- China
- Prior art keywords
- data
- temperature
- time sequence
- heat pipe
- local window
- 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
- 238000004458 analytical method Methods 0.000 title claims abstract description 30
- 238000005457 optimization Methods 0.000 claims abstract description 34
- 238000012545 processing Methods 0.000 claims abstract description 12
- 238000000034 method Methods 0.000 claims description 39
- 238000005070 sampling Methods 0.000 claims description 15
- 238000010606 normalization Methods 0.000 claims description 14
- 230000005856 abnormality Effects 0.000 claims description 7
- 230000008569 process Effects 0.000 description 22
- 230000002159 abnormal effect Effects 0.000 description 13
- 230000017525 heat dissipation Effects 0.000 description 11
- 230000008859 change Effects 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 5
- 238000012544 monitoring process Methods 0.000 description 5
- 238000005259 measurement Methods 0.000 description 3
- 230000009467 reduction Effects 0.000 description 3
- 230000033228 biological regulation Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000000191 radiation effect Effects 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01K—MEASURING TEMPERATURE; MEASURING QUANTITY OF HEAT; THERMALLY-SENSITIVE ELEMENTS NOT OTHERWISE PROVIDED FOR
- G01K13/00—Thermometers specially adapted for specific purposes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- 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)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Analysis (AREA)
- Evolutionary Biology (AREA)
- Mathematical Physics (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Mathematics (AREA)
- Mathematical Optimization (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- Artificial Intelligence (AREA)
- Algebra (AREA)
- Evolutionary Computation (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Measuring Temperature Or Quantity Of Heat (AREA)
Abstract
本发明涉及电子数据处理领域,尤其涉及一种热管背板的温度数据异常分析方法,该方法针对热管背板的任一热管区域,根据热传导方向获取前温度传感器的第一温度时序数据和后温度传感器的第二温度时序数据;针对第二温度时序数据中的任一数据,根据数据的局部窗口的每个数据与第一温度时序数据中相同位置的数据之间的差异,获取数据的局部窗口中每个数据的距离优化因子;根据数据的局部窗口中的每个数据的距离优化因子,确定第一温度时序数据中与数据相匹配的数据,组成一组数据对;根据所有数据对获取滞后时间时序数据,根据滞后时间时序数据进行热管区域的温度异常分析,提高了对热管背板进行温度异常分析的准确性。
Description
技术领域
本发明涉及电子数据处理领域,尤其涉及一种热管背板的温度数据异常分析方法。
背景技术
在数据中心设备的热管背板空调散热系统中,需要通过热管来进行热量的传导,而对于热管背板的散热过程,通过在热管背板上安装多个温度传感器,利用温度传感器采集热管的温度数据,将每个温度传感器采集到的温度数据都与预设的温度阈值进行对比,根据对比结果确定每个温度传感器采集到的温度数据是否异常,进而能够确定热管背板的温度异常分析结果,实现对热管背板空调散热系统的散热效果进行监测的目的,在出现散热异常时及时进行预警,从而避免因热管背板空调散热系统的工作异常导致数据中心设备的异常运行。但是,在确定热管背板的温度异常分析结果的过程中,还需要检测热管背板的热传导异常,也即是热管背板的热管区段是否存在热传导异常。
现有技术中,针对于热管的热传导异常检测,通过热管的热传导方向上的相邻温度传感器之间的温度变化量进行对比分析,根据对比分析结果对热管的热传导过程进行异常分析。具体的,由于在两个相邻温度传感器之间的热传导过程中,存在温度时序数据的滞后关系,而这个滞后关系代表着热管的温度传导时间,因此,对于热管的热传导状态能够通过两个相邻温度传感器采集到的温度时序数据之间的时序滞后关系进行热传导异常评估,从而能够对热管背板散热过程中的每一个热管区段的热传导状态进行异常检测。但是,在通过两个相邻温度传感器采集到的温度时序数据之间的时序滞后关系进行热传导异常评估的过程中,存在着热量损失,使得在热传导过程中,前一个温度传感器的温度时序数据的数值偏高,后一个温度传感器的温度时序数据就会存在热传导过程中的热量损失而导致数值相对变小的情况,进而导致两个相邻温度传感器采集到的温度时序数据之间的时序滞后关系出现偏差,无法对热管背板的温度异常变化进行准确评估。
因此,如何准确分析两个相邻温度传感器采集到的温度时序数据之间的时序滞后关系,以提高热管背板的温度异常分析结果成为亟需解决的问题。
发明内容
有鉴于此,本发明实施例提供了一种热管背板的温度数据异常分析方法,以解决如何准确分析两个相邻温度传感器采集到的温度时序数据之间的时序滞后关系,以提高热管背板的温度异常分析结果的问题。
本发明实施例中提供了一种热管背板的温度数据异常分析方法,该温度数据异常分析方法包括以下步骤:
针对热管背板的任一热管区域,确定所述热管区域的热传导方向,针对所述热管区域中任一两个相邻的温度传感器,根据所述热传导方向将所述两个相邻的温度传感器划分为前温度传感器和后温度传感器,获取所述前温度传感器的第一温度时序数据和所述后温度传感器的第二温度时序数据;
以所述第二温度时序数据中的任一数据为窗口中心,构建得到所述第二温度时序数据中的每个数据的局部窗口,针对所述第二温度时序数据中的任一数据,根据所述数据的局部窗口的每个数据与所述第一温度时序数据中相同位置的数据之间的差异,获取所述数据的局部窗口中每个数据的距离优化因子;
根据所述数据的局部窗口中的每个数据的距离优化因子,获取所述数据分别与所述第一温度时序数据中的每个数据之间的数据点距离,根据所述数据点距离确定所述第一温度时序数据中与所述数据相匹配的数据,组成一组数据对;
获取所述第一温度时序数据和所述第二温度时序数据之间的所有数据对,根据所述所有数据对中每个数据的采样时间,获取滞后时间时序数据,根据所述滞后时间时序数据进行所述热管区域的温度异常分析。
进一步的,所述根据所述数据的局部窗口的每个数据与所述第一温度时序数据中相同位置的数据之间的差异,获取所述数据的局部窗口中每个数据的距离优化因子,包括:
统计所述数据的局部窗口中数据下降所对应的数据数量,将所述数据数量的相反数作为底数为预设值的指数,得到对应的指数函数结果,获取常数1与所述指数函数结果之间的相减结果;
将所述数据的局部窗口中的任一数据作为邻域数据,获取所述邻域数据的局部窗口作为目标局部窗口,确定所述目标局部窗口中的第i个数据在所述第二温度时序数据中的位置,在所述第一温度时序数据中获取与所述位置相同的位置处的数据作为目标数据,计算所述目标数据与所述第i个数据之间的数据差值绝对值;
将所述目标局部窗口中的每个数据所对应的数据差值绝对值进行相加,得到对应的相加结果,对所述相加结果进行归一化处理,得到对应的归一化处理结果;
获取所述相减结果和所述归一化处理结果之间的乘积,将常数1与所述乘积之间的加和结果作为所述邻域数据的距离优化因子。
进一步的,所述根据所述数据的局部窗口中的每个数据的距离优化因子,获取所述数据分别与所述第一温度时序数据中的每个数据之间的数据点距离,包括:
取所述第一温度时序数据中的任一数据作为候选数据,将所述候选数据的局部窗口作为候选局部窗口,分别计算所述候选局部窗口与所述数据的局部窗口之间每个相同位置处的两个数据的差值绝对值;
将所述数据的局部窗口中的每个数据的距离优化因子作为权重,对所有的差值绝对值进行加权求和,得到加权求和结果,获取所述局部窗口或所述候选局部窗口所包含的数据总数量,将所述加权求和结果与所述数据总数量之间的比值作为所述数据与所述候选数据之间的数据点距离。
进一步的,所述根据所述数据点距离确定所述第一温度时序数据中与所述数据相匹配的数据,组成一组数据对,包括:
获取所述数据点距离中最小的数据点距离,将所述最小的数据点距离所对应的属于所述第一温度时序数据的数据作为与所述数据相匹配的数据,将所述数据和所述与所述数据相匹配的数据组成一组数据对。
进一步的,所述根据所述所有数据对中每个数据的采样时间,获取滞后时间时序数据,包括:
针对任一数据对,根据所述数据对中每个数据的采样时间,计算对应的时间间隔;
针对所述第二温度时序数据中的任一数据,根据所述数据的局部窗口中的每个数据对应的时间间隔,计算平均时间间隔,将所述平均时间间隔作为所述数据的滞后时间;
获取所述第二温度时序数据中的每个数据的滞后时间,将所有滞后时间组成滞后时间时序数据。
进一步的,所述根据所述滞后时间时序数据进行所述热管区域的温度异常分析,包括:
利用基于连通性的离群因子算法获取所述滞后时间时序数据中的每个数据点的COF离群因子,根据所述滞后时间时序数据中的每个数据点的COF离群因子进行所述热管区域的温度异常分析。
进一步的,所述根据所述滞后时间时序数据中的每个数据点的COF离群因子进行所述热管区域的温度异常分析,包括:
对所述滞后时间时序数据中的每个数据点的COF离群因子进行线性归一化处理,得到所述滞后时间时序数据中的每个数据点的离群程度;
针对所述滞后时间时序数据中的任一数据点,若所述数据点的离群程度大于预设的离群程度阈值,则确定所述热管区域出现温度异常。
本发明实施例与现有技术相比存在的有益效果是:
本发明针对热管背板的任一热管区域,确定所述热管区域的热传导方向,针对所述热管区域中任一两个相邻的温度传感器,根据所述热传导方向将所述两个相邻的温度传感器中划分为前温度传感器和后温度传感器,获取所述前温度传感器的第一温度时序数据和所述后温度传感器的第二温度时序数据;以所述第二温度时序数据中的任一数据为窗口中心,构建得到所述第二温度时序数据中的每个数据的局部窗口,针对所述第二温度时序数据中的任一数据,根据所述数据的局部窗口的每个数据与所述第一温度时序数据中相同位置的数据之间的差异,获取所述数据的局部窗口中每个数据的距离优化因子;根据所述数据的局部窗口中的每个数据的距离优化因子,获取所述数据分别与所述第一温度时序数据中的每个数据之间的数据点距离,根据所述数据点距离确定所述第一温度时序数据中与所述数据相匹配的数据,组成一组数据对;获取所述第一温度时序数据和所述第二温度时序数据之间的所有数据对,根据所述所有数据对中每个数据的采样时间,获取滞后时间时序数据,根据所述滞后时间时序数据进行所述热管区域的温度异常分析。其中,通过对热传导方向上的两个相邻温度传感器之间的温度时序数据之间的数据匹配,根据温度时序数据的温度变化信息对数据匹配过程中的匹配路径进行优化,使得两个温度时序数据之间的时间滞后对应关系更加严谨,从而避免了热管背板的热传导过程中温度衰减导致的时间滞后对应关系出现错误,从而能够提高了根据两个温度时序数据之间的时间滞后对应关系对热管背板进行温度异常分析的准确性。
附图说明
为了更清楚地说明本发明实施例中的技术方案,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性的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例一提供的一种热管背板的温度数据异常分析的方法流程图;
图2是本发明实施例一所提供的一种关于两个局部窗口之间的相同位置的示意图。
具体实施方式
下面详细描述本公开的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,旨在用于解释本公开,而不能理解为对本公开的限制。
需要说明的是,本公开的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本公开的实施例能够以除了在这里图示或描述的那些以外的顺序实施。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。
本申请技术方案中对数据的获取、存储、使用、处理等均符合国家法律法规的相关规定。为了说明本发明的技术方案,下面通过具体实施例来进行说明。
本发明所针对的具体场景为:在对热管背板的温度数据监测过程中,通过相邻温度传感器之间的温度时序数据,获取滞后时间时序数据,以对热管的热传导过程进行异常监测,从而实现对热管背板进行散热效果监测的目的。
参见图1,是本发明实施例一提供的一种热管背板的温度数据异常分析方法的方法流程图,如图1所示,该温度数据异常分析方法可以包括:
步骤S101,针对热管背板的任一热管区域,确定热管区域的热传导方向,针对热管区域中任一两个相邻的温度传感器,根据热传导方向将两个相邻的温度传感器划分为前温度传感器和后温度传感器,获取前温度传感器的第一温度时序数据和后温度传感器的第二温度时序数据。
在热管背板空调散热系统中,需要通过多个温度传感器来进行热管背板的温度监测,本发明实施例中,在热管背板的不同位置处都安装一个温度传感器,值得说明的是,由于热管背板包括多个热管,且每个热管所在的区域为一个热管区域,因此, 针对任一热管区域,沿着该热管区域的热传导方向安装至少两个温度传感器。
由于本发明实施例是通过监测任一热管区域的热传导异常,来确定热管背板的温度异常,因此,本发明实施例中,以热管背板中的一个热管区域为例进行热传导异常分析,具体参见下文。
针对热管背板的任一热管区域,首先确定该热管区域的热传导方向,沿着热传导方向将该热管区域中的温度传感器从前往后排序,因此,针对热管区域中任一两个相邻的温度传感器,根据热传导方向将两个相邻的温度传感器划分为前温度传感器和后温度传感器,进而根据预设的采样频率,分别获取前温度传感器的第一温度时序数据和后温度传感器的第二温度时序数据。
需要说明的是,前温度传感器相对于后温度传感器存在滞后关系,也即是在热传导过程中,第一温度时序数据中所包含的温度数据会在前温度传感器上进行响应,而经过热传导之后才会在后温度传感器上响应,进而利用后温度传感器采集得到第二温度时序数据。第一温度时序数据的长度和第二温度时序数据的长度相等。
步骤S102,以第二温度时序数据中的任一数据为窗口中心,构建得到第二温度时序数据中的每个数据的局部窗口,针对第二温度时序数据中的任一数据,根据数据的局部窗口的每个数据与第一温度时序数据中相同位置的数据之间的差异,获取数据的局部窗口中每个数据的距离优化因子。
本发明实施例中,在得到了第一温度时序数据和第二温度时序数据之后,需要通过设定局部窗口来进行时序数据的分割,从而通过局部窗口之间的数据对应关系进行两个时序数据之间的任一局部窗口之间的对应关系来进行滞后时间的评估。
首先,以第二温度时序数据中的任一数据为窗口中心,构建该数据的局部窗口,且设置局部窗口的长度为11,进而得到第二温度时序数据中的每个数据的局部窗口。需要说明的是,针对第二温度时序数据中的第一个数据或最后一个数据,以第一个数据或最后一个数据为窗口中心构建其局部窗口时,存在窗口中心的一侧没有数据,则此时可通过补零操作构建长度为11的局部窗口。
然后,针对第二温度时序数据中的任一数据,在通过所述数据的局部窗口在第一温度时序数据中确定与所述数据相匹配的数据(温度相近邻的数据)时,由于存在着温度数值在热传导过程中的衰减,如果所述数据的局部窗口中呈现温度上升的趋势,那么尽管出现衰减也可以正确的通过距离确定相匹配的数据,但是如果所述数据的局部窗口中出现温度下降的情况,那么温度衰减之后的所述数据就会出现偏后的匹配过程,而这部分匹配过程出现的滞后时间的变化即为温度衰减造成的滞后时间错误识别,因此,在确定第一温度时序数据中相匹配的数据之前,对所述数据的局部窗口中的每个数据在参与后续基于距离获取相匹配的数据时进行权重的分配,则所述数据的局部窗口中的每个数据的权重的获取方法为:
统计所述数据的局部窗口中数据下降所对应的数据数量,将所述数据数量的相反数作为底数为预设值的指数,得到对应的指数函数结果,获取常数1与所述指数函数结果之间的相减结果;
将所述数据的局部窗口中的任一数据作为邻域数据,获取所述邻域数据的局部窗口作为目标局部窗口,确定所述目标局部窗口中的第i个数据在所述第二温度时序数据中的位置,在所述第一温度时序数据中获取与所述位置相同的位置处的数据作为目标数据,计算所述目标数据与所述第i个数据之间的数据差值绝对值;
将所述目标局部窗口中的每个数据所对应的数据差值绝对值进行相加,得到对应的相加结果,对所述相加结果进行归一化处理,得到对应的归一化处理结果;
获取所述相减结果和所述归一化处理结果之间的乘积,将常数1与所述乘积之间的加和结果作为所述邻域数据的距离优化因子。
在一实施方式中,针对第二温度时序数据中第t个数据的局部窗口中的第q个数据(也即是第t个数据的第q个邻域数据)的距离优化因子的计算表达式为:
其中,表示第二温度时序数据中第t个数据的局部窗口中的第q个数据的距离优化因子,/>表示第二温度时序数据中第t个数据的局部窗口中数据下降所对应的数据数量,e表示自然常数,/>表示归一化函数,/>表示第二温度时序数据中第t个数据的局部窗口中的第q个数据的局部窗口,/>表示第二温度时序数据中第t个数据的局部窗口中的第q个数据的局部窗口的第i个数据,/>表示第一温度时序数据中与数据/>在第二温度时序数据中的位置相同所对应的数据,| |表示绝对值符号,1表示常数。
其中,第二温度时序数据中第t个数据的局部窗口中数据下降所对应的数据数量的获取方法为:针对第二温度时序数据中第t个数据的局部窗口中的第i个数据,若第i个数据小于第i-1个数据,则确定第i个数据属于数据下降,则遍历第t个数据的局部窗口中的所有数据,统计数据下降的数据数量作为第二温度时序数据中第t个数据的局部窗口中数据下降所对应的数据数量。
需要说明的是,在热管背板空调散热系统开始工作之前,两个温度传感器所采集到的温度数据都为0,而当热管背板空调散热系统开始工作时,前温度传感器采集到的温度数据开始变化,随后后温度传感器开始采集到温度数据,因此对于前后温度传感器所采集的温度数据属于相匹配关系,也即是对应关系,而这两个温度传感器采集的温度数据之间的时间间隔属于热传导时间,也可称为前温度传感器相对于后温度传感器的滞后时间。在热管背板空调散热系统的运行过程中出现热管运行的温度衰减时,第二温度时序数据中的温度数据相较于第一温度时序数据中对应的数据会存在数值偏低的情况,所以在第二温度时序数据中出现温度数据的数值降低时,则说明在后续距离度量的过程中第二温度时序数据中第t个数据更容易在第一温度时序数据中匹配到理想情况下偏后的数据,因此,需要通过局部数据匹配时连续对应的数据之间的数据差异进行第二温度时序数据中第t个数据在距离度量中的优化,故,在距离优化因子的计算表达式中,首先通过表征出现温度数值下降趋势程度,也就是在第二温度时序数据中第t个数据对应的局部窗口中出现下降趋势的数据数量,当下降趋势的数据数量越多,则说明在后续距离度量过程中越需要通过局部窗口中每个数据在其顺位对应的数据之间的温度数值差异进行距离补偿;之后通过第二温度时序数据中第t个数据的局部窗口的第q个数据自身的局部窗口中第i个数据与其在前置匹配的顺位对应数据(第一温度时序数据中与数据/>在第二温度时序数据中的位置相同所对应的数据)之间的数值差异进行累加,并根据第q个数据自身的局部窗口中所有数据的数值差异和进行线性归一化,从而获取到第二温度时序数据中第t个数据的局部窗口中的第q个数据的距离优化因子。
至此,根据距离优化因子的获取方法,能够获取第二温度时序数据中第t个数据的局部窗口中的每个数据的距离优化因子。
步骤S103,根据数据的局部窗口中的每个数据的距离优化因子,获取数据分别与第一温度时序数据中的每个数据之间的数据点距离,根据数据点距离确定第一温度时序数据中与数据相匹配的数据,组成一组数据对。
本发明实施例中,在得到第二温度时序数据中任一数据的局部窗口中的每个数据的距离优化因子之后,首先,根据数据的局部窗口中的每个数据的距离优化因子,获取数据分别与第一温度时序数据中的每个数据之间的数据点距离,然后,根据数据点距离确定第一温度时序数据中与数据相匹配的数据,组成一组数据对,进而将第一温度时序数据和第二温度时序数据中数据进行两两匹配,从而能够在第一温度时序数据中得到与第二温度时序数据中每个数据相匹配的匹配数据。
优选的,所述根据所述数据的局部窗口中的每个数据的距离优化因子,获取所述数据分别与所述第一温度时序数据中的每个数据之间的数据点距离,包括:
取所述第一温度时序数据中的任一数据作为候选数据,将所述候选数据的局部窗口作为候选局部窗口,分别计算所述候选局部窗口与所述数据的局部窗口之间每个相同位置处的两个数据的差值绝对值;
将所述数据的局部窗口中的每个数据的距离优化因子作为权重,对所有的差值绝对值进行加权求和,得到加权求和结果,获取所述局部窗口或所述候选局部窗口所包含的数据总数量,将所述加权求和结果与所述数据总数量之间的比值作为所述数据与所述候选数据之间的数据点距离。
需要说明的是,所述候选局部窗口与所述数据的局部窗口之间每个相同位置处的两个数据是指所述候选局部窗口中的第i个数据和所述数据的局部窗口中的第i个数据,举例说明:参见图2,其为本发明实施例所提供的一种关于两个局部窗口之间的相同位置的示意图,图2中局部窗口和候选局部窗口的长度都为12,则局部窗口的第一个小矩形框和候选局部窗口中的第一个小矩形框组成第一相同位置,局部窗口的第二个小矩形框和候选局部窗口中的第二个小矩形框组成第二相同位置,依次类推,局部窗口的最后一个小矩形框和候选局部窗口中的最后一个小矩形框组成最后相同位置。
在一实施方式中,第二温度时序数据中的任一数据与第一温度时序数据中的任一数据之间的数据点距离的计算表达式为:
其中,表示第二温度时序数据中的第t个数据与第一温度时序数据中的第m个数据之间的数据点距离,/>表示第二温度时序数据中的第t个数据的局部窗口中所包含的数据总数量,/>表示第二温度时序数据中第t个数据的局部窗口中的第q个数据的距离优化因子,/>表示第二温度时序数据中第t个数据的局部窗口中的第q个数据,/>表示第一温度时序数据中的第m个数据的局部窗口中的第q个数据,| |表示绝对值符号。
需要说明的是,在第二温度时序数据中第t个数据的局部窗口中,通过局部窗口之间的距离进行第t个数据在第一温度时序数据中每个数据之间的距离计算,在距离计算的过程中,将第t个数据的局部窗口中的第q个数据的距离优化因子作为权重,对第二温度时序数据中第t个数据的局部窗口的第q个数据和第一温度时序数据中的第m个数据的局部窗口中的第q个数据之间的数据差值绝对值进行优化,从而能够消除热管热传导过程中温度衰减影响的准确距离关系。
优选的,所述根据所述数据点距离确定所述第一温度时序数据中与所述数据相匹配的数据,组成一组数据对,包括:
获取所述数据点距离中最小的数据点距离,将所述最小的数据点距离所对应的属于所述第一温度时序数据的数据作为与所述数据相匹配的数据,将所述数据和所述与所述数据相匹配的数据组成一组数据对。
在一实施方式中,根据上述数据点距离的获取方法,能够获取第二温度时序数据中第t个数据分别与第一温度时序数据中的每个数据之间的数据点距离,然后,将最小的数据点距离所对应的属于第一温度时序数据中的数据作为与第t个数据相匹配的数据,并将所述相匹配的数据和第t个数据组成一组数据对。
步骤S104,获取第一温度时序数据和第二温度时序数据之间的所有数据对,根据所有数据对中每个数据的采样时间,获取滞后时间时序数据,根据滞后时间时序数据进行热管区域的温度异常分析。
本发明实施例中,根据步骤S102和步骤S103的方法,能够将第一温度时序数据和第二温度时序数据之间进行两两数据匹配,组成若干个数据对,因此,在得到第一温度时序数据和第二温度时序数据之间的所有数据对之后,首先根据所有数据对中每个数据的采样时间,获取滞后时间时序数据。
优选的,所述根据所述所有数据对中每个数据的采样时间,获取滞后时间时序数据,包括:
针对任一数据对,根据所述数据对中每个数据的采样时间,计算对应的时间间隔;
针对所述第二温度时序数据中的任一数据,根据所述数据的局部窗口中的每个数据对应的时间间隔,计算平均时间间隔,将所述平均时间间隔作为所述数据的滞后时间;
获取所述第二温度时序数据中的每个数据的滞后时间,将所有滞后时间组成滞后时间时序数据。
本发明实施例中,由于第一温度时序数据和第二温度时序数据中的每个数据在进行温度采集时,都有一个采样时间,因此,针对第一温度时序数据和第二温度时序数据所匹配的任一数据对,根据该数据对中每个数据的采样时间,计算该数据对的时间间隔,一个数据对有一个时间间隔。
以第二温度时序数据中的第j个数据为例,由于第j个数据的局部窗口的每个数据都对应一个时间间隔,因此,根据第j个数据的局部窗口中的每个数据对应的时间间隔,计算平均时间间隔,并将平均时间间隔作为第j个数据的滞后时间。同理,能够获取第二温度时序数据中每个数据的滞后时间,从而将第二温度时序数据中所有数据的滞后时间组成滞后时间时序数据。
进一步的,在得到第一温度时序数据和第二温度时序数据之间的滞后时间时序数据之后,根据滞后时间时序数据进行热管区域的温度异常分析。由于每个数据点所对应的滞后时间在局部范围中应该是相同的,而在长时序数据中滞后时间为增长的,因此,整个滞后时间时序数据在热管背板的正常运行过程中会是一个平稳的时序数据,故,可以通过滞后时间时序数据中的滞后时间的变化率进行热传导异常检测。
优选的,所述根据所述滞后时间时序数据进行所述热管区域的温度异常分析,包括:
利用基于连通性的离群因子算法获取所述滞后时间时序数据中的每个数据点的COF离群因子,根据所述滞后时间时序数据中的每个数据点的COF离群因子进行所述热管区域的温度异常分析。
需要说明的是,基于连通性的离群因子算法是现有技术,本发明实施例中不再赘述。
优选的,所述根据所述滞后时间时序数据中的每个数据点的COF离群因子进行所述热管区域的温度异常分析,包括:
对所述滞后时间时序数据中的每个数据点的COF离群因子进行线性归一化处理,得到所述滞后时间时序数据中的每个数据点的离群程度;
针对所述滞后时间时序数据中的任一数据点,若所述数据点的离群程度大于预设的离群程度阈值,则确定所述热管区域出现温度异常。
本发明实施例中将对滞后时间时序数据中的每个数据点的COF离群因子进行线性归一化处理,得到的归一化处理结果作为滞后时间时序数据中的每个数据点的离群程度。设置离群程度阈值为0.7,离群程度阈值不做限制,实施者可根据自身实施场景设置,当任一时刻下的滞后时间数据的离群程度大于0.7,则说明该时刻检测到了热管区域的热传导异常,进而能够确定热管背板的温度数据出现了异常。其中,线性归一化处理方法为现有技术,此处不再赘述。
综上所述,本发明实施例针对热管背板的任一热管区域,确定热管区域的热传导方向,针对热管区域中任一两个相邻的温度传感器,根据热传导方向将两个相邻的温度传感器划分为前温度传感器和后温度传感器,获取前温度传感器的第一温度时序数据和后温度传感器的第二温度时序数据;以第二温度时序数据中的任一数据为窗口中心,构建得到第二温度时序数据中的每个数据的局部窗口,针对第二温度时序数据中的任一数据,根据数据的局部窗口的每个数据与第一温度时序数据中相同位置的数据之间的差异,获取数据的局部窗口中每个数据的距离优化因子;根据数据的局部窗口中的每个数据的距离优化因子,获取数据分别与第一温度时序数据中的每个数据之间的数据点距离,根据数据点距离确定第一温度时序数据中与数据相匹配的数据,组成一组数据对;获取第一温度时序数据和第二温度时序数据之间的所有数据对,根据所有数据对中每个数据的采样时间,获取滞后时间时序数据,根据滞后时间时序数据进行热管区域的温度异常分析。其中,通过对热传导方向上的两个相邻温度传感器之间的温度时序数据之间的数据匹配,根据温度时序数据的温度变化信息对数据匹配过程中的匹配路径进行优化,使得两个温度时序数据之间的时间滞后对应关系更加严谨,从而避免了热管背板的热传导过程中温度衰减导致的时间滞后对应关系出现错误,从而能够提高了根据两个温度时序数据之间的时间滞后对应关系对热管背板进行温度异常分析的准确性。
以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围,均应包含在本发明的保护范围之内。
Claims (7)
1.一种热管背板的温度数据异常分析方法,其特征在于,所述温度数据异常分析方法包括:
针对热管背板的任一热管区域,确定所述热管区域的热传导方向,针对所述热管区域中任一两个相邻的温度传感器,根据所述热传导方向将所述两个相邻的温度传感器划分为前温度传感器和后温度传感器,获取所述前温度传感器的第一温度时序数据和所述后温度传感器的第二温度时序数据;
以所述第二温度时序数据中的任一数据为窗口中心,构建得到所述第二温度时序数据中的每个数据的局部窗口,针对所述第二温度时序数据中的任一数据,根据所述数据的局部窗口的每个数据与所述第一温度时序数据中相同位置的数据之间的差异,获取所述数据的局部窗口中每个数据的距离优化因子;
根据所述数据的局部窗口中的每个数据的距离优化因子,获取所述数据分别与所述第一温度时序数据中的每个数据之间的数据点距离,根据所述数据点距离确定所述第一温度时序数据中与所述数据相匹配的数据,组成一组数据对;
获取所述第一温度时序数据和所述第二温度时序数据之间的所有数据对,根据所述所有数据对中每个数据的采样时间,获取滞后时间时序数据,根据所述滞后时间时序数据进行所述热管区域的温度异常分析。
2.根据权利要求1所述的温度数据异常分析方法,其特征在于,所述根据所述数据的局部窗口的每个数据与所述第一温度时序数据中相同位置的数据之间的差异,获取所述数据的局部窗口中每个数据的距离优化因子,包括:
统计所述数据的局部窗口中数据下降所对应的数据数量,将所述数据数量的相反数作为底数为预设值的指数,得到对应的指数函数结果,获取常数1与所述指数函数结果之间的相减结果;
将所述数据的局部窗口中的任一数据作为邻域数据,获取所述邻域数据的局部窗口作为目标局部窗口,确定所述目标局部窗口中的第i个数据在所述第二温度时序数据中的位置,在所述第一温度时序数据中获取与所述位置相同的位置处的数据作为目标数据,计算所述目标数据与所述第i个数据之间的数据差值绝对值;
将所述目标局部窗口中的每个数据所对应的数据差值绝对值进行相加,得到对应的相加结果,对所述相加结果进行归一化处理,得到对应的归一化处理结果;
获取所述相减结果和所述归一化处理结果之间的乘积,将常数1与所述乘积之间的加和结果作为所述邻域数据的距离优化因子。
3.根据权利要求1所述的温度数据异常分析方法,其特征在于,所述根据所述数据的局部窗口中的每个数据的距离优化因子,获取所述数据分别与所述第一温度时序数据中的每个数据之间的数据点距离,包括:
取所述第一温度时序数据中的任一数据作为候选数据,将所述候选数据的局部窗口作为候选局部窗口,分别计算所述候选局部窗口与所述数据的局部窗口之间每个相同位置处的两个数据的差值绝对值;
将所述数据的局部窗口中的每个数据的距离优化因子作为权重,对所有的差值绝对值进行加权求和,得到加权求和结果,获取所述局部窗口或所述候选局部窗口所包含的数据总数量,将所述加权求和结果与所述数据总数量之间的比值作为所述数据与所述候选数据之间的数据点距离。
4.根据权利要求1所述的温度数据异常分析方法,其特征在于,所述根据所述数据点距离确定所述第一温度时序数据中与所述数据相匹配的数据,组成一组数据对,包括:
获取所述数据点距离中最小的数据点距离,将所述最小的数据点距离所对应的属于所述第一温度时序数据的数据作为与所述数据相匹配的数据,将所述数据和所述与所述数据相匹配的数据组成一组数据对。
5.根据权利要求1所述的温度数据异常分析方法,其特征在于,所述根据所述所有数据对中每个数据的采样时间,获取滞后时间时序数据,包括:
针对任一数据对,根据所述数据对中每个数据的采样时间,计算对应的时间间隔;
针对所述第二温度时序数据中的任一数据,根据所述数据的局部窗口中的每个数据对应的时间间隔,计算平均时间间隔,将所述平均时间间隔作为所述数据的滞后时间;
获取所述第二温度时序数据中的每个数据的滞后时间,将所有滞后时间组成滞后时间时序数据。
6.根据权利要求1所述的温度数据异常分析方法,其特征在于,所述根据所述滞后时间时序数据进行所述热管区域的温度异常分析,包括:
利用基于连通性的离群因子算法获取所述滞后时间时序数据中的每个数据点的COF离群因子,根据所述滞后时间时序数据中的每个数据点的COF离群因子进行所述热管区域的温度异常分析。
7.根据权利要求6所述的温度数据异常分析方法,其特征在于,所述根据所述滞后时间时序数据中的每个数据点的COF离群因子进行所述热管区域的温度异常分析,包括:
对所述滞后时间时序数据中的每个数据点的COF离群因子进行线性归一化处理,得到所述滞后时间时序数据中的每个数据点的离群程度;
针对所述滞后时间时序数据中的任一数据点,若所述数据点的离群程度大于预设的离群程度阈值,则确定所述热管区域出现温度异常。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410037917.2A CN117556274B (zh) | 2024-01-11 | 2024-01-11 | 一种热管背板的温度数据异常分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410037917.2A CN117556274B (zh) | 2024-01-11 | 2024-01-11 | 一种热管背板的温度数据异常分析方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117556274A true CN117556274A (zh) | 2024-02-13 |
CN117556274B CN117556274B (zh) | 2024-03-15 |
Family
ID=89820803
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410037917.2A Active CN117556274B (zh) | 2024-01-11 | 2024-01-11 | 一种热管背板的温度数据异常分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117556274B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2009123151A1 (ja) * | 2008-03-31 | 2009-10-08 | 三菱化学株式会社 | プレート式反応器、その製作方法、及びプレート式反応器を用いる反応生成物の製造方法 |
JP2010149018A (ja) * | 2008-12-24 | 2010-07-08 | Mitsubishi Chemicals Corp | プレート式反応器、その製作方法、及び該反応器を用いる反応生成物の製造方法 |
US20160265800A1 (en) * | 2013-04-26 | 2016-09-15 | Google Inc. | Facilitating ambient temperature measurement accuracy in an hvac controller having internal heat-generating components |
CN114065627A (zh) * | 2021-11-16 | 2022-02-18 | 北京百度网讯科技有限公司 | 温度异常检测方法、装置、电子设备和介质 |
US20220196583A1 (en) * | 2020-12-23 | 2022-06-23 | Richard A Clemenzi | Advanced Ground Thermal Conductivity Testing |
CN115018315A (zh) * | 2022-05-31 | 2022-09-06 | 河北建筑工程学院 | 一种供热异常的检测方法、装置、电子设备及存储介质 |
WO2023155967A1 (en) * | 2022-02-16 | 2023-08-24 | Eaton Intelligent Power Limited | Thermal anomaly management |
CN116840605A (zh) * | 2023-08-28 | 2023-10-03 | 北京英沣特能源技术有限公司 | 一种高效制冷机房能效预测方法 |
CN117235655A (zh) * | 2023-11-15 | 2023-12-15 | 北明天时能源科技(北京)有限公司 | 基于联邦学习的智慧供热异常工况识别方法及系统 |
-
2024
- 2024-01-11 CN CN202410037917.2A patent/CN117556274B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2009123151A1 (ja) * | 2008-03-31 | 2009-10-08 | 三菱化学株式会社 | プレート式反応器、その製作方法、及びプレート式反応器を用いる反応生成物の製造方法 |
JP2010149018A (ja) * | 2008-12-24 | 2010-07-08 | Mitsubishi Chemicals Corp | プレート式反応器、その製作方法、及び該反応器を用いる反応生成物の製造方法 |
US20160265800A1 (en) * | 2013-04-26 | 2016-09-15 | Google Inc. | Facilitating ambient temperature measurement accuracy in an hvac controller having internal heat-generating components |
US20220196583A1 (en) * | 2020-12-23 | 2022-06-23 | Richard A Clemenzi | Advanced Ground Thermal Conductivity Testing |
CN114065627A (zh) * | 2021-11-16 | 2022-02-18 | 北京百度网讯科技有限公司 | 温度异常检测方法、装置、电子设备和介质 |
WO2023155967A1 (en) * | 2022-02-16 | 2023-08-24 | Eaton Intelligent Power Limited | Thermal anomaly management |
CN115018315A (zh) * | 2022-05-31 | 2022-09-06 | 河北建筑工程学院 | 一种供热异常的检测方法、装置、电子设备及存储介质 |
CN116840605A (zh) * | 2023-08-28 | 2023-10-03 | 北京英沣特能源技术有限公司 | 一种高效制冷机房能效预测方法 |
CN117235655A (zh) * | 2023-11-15 | 2023-12-15 | 北明天时能源科技(北京)有限公司 | 基于联邦学习的智慧供热异常工况识别方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN117556274B (zh) | 2024-03-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10977568B2 (en) | Information processing apparatus, diagnosis method, and program | |
CN116304898B (zh) | 基于机器学习的传感器数据智能存储系统 | |
US20150219530A1 (en) | Systems and methods for event detection and diagnosis | |
KR101538843B1 (ko) | 제조 설비의 센서 데이터를 활용한 수율 분석 시스템 및 방법 | |
CN108956111B (zh) | 一种机械部件的异常状态检测方法及检测系统 | |
KR102169452B1 (ko) | IoT 기상환경 수집 데이터의 안정성 확보 방법 | |
CN117556714B (zh) | 一种用于铝金属冶炼的预热管路温度数据异常分析方法 | |
CN109446189A (zh) | 一种工业参数离群点检测系统及方法 | |
CN117290802B (zh) | 一种基于数据处理的主机电源运行监测方法 | |
CN114490156A (zh) | 一种时间序列数据异常标记方法 | |
CN114297264B (zh) | 一种时序信号异常片段检测方法及系统 | |
CN109844779B (zh) | 用于分析测量-良率相关性的方法和系统 | |
CN113757093A (zh) | 一种闪蒸汽压缩机组故障诊断方法 | |
CN117349778A (zh) | 一种基于物联网的用电设备在线实时监测系统 | |
CN117541626B (zh) | 基于深度学习的遥感影像变化检测方法 | |
CN117289778B (zh) | 一种工控主机电源健康状态的实时监测方法 | |
CN117314020A (zh) | 一种浮游生物的湿地碳汇数据监测系统 | |
CN117556274B (zh) | 一种热管背板的温度数据异常分析方法 | |
CN117556108A (zh) | 一种基于数据分析的油渣分离效率异常检测方法 | |
CN112949735A (zh) | 一种基于离群数据挖掘的液态危化品挥发浓度异常发现方法 | |
CN116510223A (zh) | 基于物联网的自识别消防泵电参数巡检监测系统 | |
CN108536777B (zh) | 一种数据处理方法、服务器集群及数据处理装置 | |
CN114944208B (zh) | 质量控制方法、装置、电子设备及存储介质 | |
JP4948238B2 (ja) | 分布解析方法および装置、異常設備推定方法および装置、上記分布解析方法または異常設備推定方法をコンピュータに実行させるためのプログラム、並びに上記プログラムを記録したコンピュータ読み取り可能な記録媒体 | |
CN117473345B (zh) | 基于数据分析的法兰锻造缺陷检测方法 |
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 |