CN117571107B - 一种智能化无人值守地磅异常监测系统 - Google Patents
一种智能化无人值守地磅异常监测系统 Download PDFInfo
- Publication number
- CN117571107B CN117571107B CN202410050584.7A CN202410050584A CN117571107B CN 117571107 B CN117571107 B CN 117571107B CN 202410050584 A CN202410050584 A CN 202410050584A CN 117571107 B CN117571107 B CN 117571107B
- Authority
- CN
- China
- Prior art keywords
- measurement data
- data sequence
- cluster
- sequences
- data sequences
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 44
- 238000005259 measurement Methods 0.000 claims abstract description 346
- 230000002159 abnormal effect Effects 0.000 claims abstract description 88
- 238000005070 sampling Methods 0.000 claims abstract description 38
- 238000005303 weighing Methods 0.000 claims abstract description 35
- 230000005856 abnormality Effects 0.000 claims description 38
- 238000004364 calculation method Methods 0.000 claims description 14
- 238000004422 calculation algorithm Methods 0.000 claims description 12
- 238000000034 method Methods 0.000 claims description 12
- 238000010606 normalization Methods 0.000 claims description 10
- 238000012360 testing method Methods 0.000 abstract description 2
- 238000011056 performance test Methods 0.000 abstract 1
- 238000009825 accumulation Methods 0.000 description 12
- 230000008859 change Effects 0.000 description 10
- 230000000694 effects Effects 0.000 description 8
- 230000010355 oscillation Effects 0.000 description 3
- 230000002776 aggregation Effects 0.000 description 2
- 238000004220 aggregation Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000002411 adverse Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 229920001971 elastomer Polymers 0.000 description 1
- 239000000806 elastomer Substances 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000004377 microelectronic Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008569 process Effects 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
- G06F18/23—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
- G01—MEASURING; TESTING
- G01G—WEIGHING
- G01G23/00—Auxiliary devices for weighing apparatus
- G01G23/01—Testing or calibrating of weighing apparatus
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
Abstract
本发明涉及电性能测试技术领域,具体涉及一种智能化无人值守地磅异常监测系统,包括数据获取模块、异常置信程度获取模块和异常识别结果获取模块,三个模块相互配合,通过获取单个称重设备的各个采样周期的测量数据序列,确定每个所述测量数据序列对应的异常置信程度,进而根据任意两个测量数据序列之间的异常置信程度差异,以及任意两个测量数据序列之间的差异,确定任意两个测量数据序列之间的度量距离;根据度量距离,对测量数据序列进行二次聚类,得到各个第二聚类簇,并根据第二聚类簇的所述测量数据序列的占比,确定测量数据序列的异常识别结果。本发明通过电性能测试,可以有效提高测量数据序列的异常识别准确性。
Description
技术领域
本发明涉及电性能测试技术领域,具体涉及一种智能化无人值守地磅异常监测系统。
背景技术
无人值守地磅系统是一种基于称重技术、计算机、微电子、网络技术于一体的高科技产品,具有能够实现车辆自动出入管理、自动称重数据判断采集、数据共享、远程传输,能有效防止作弊等多种功能。无人值守地磅主要利用地磅的称重传感器的应变电测原理进行称重,测量结果的准确程度取决于传感器电流输出信号的精准度。但随着地磅使用年限的增加以及超重车辆对称重传感器中弹性体的不利影响,导致地磅称重传感器容易发生机械结构上的变形等问题,进而导致采集到的电数据无法准确核算过磅车辆的质量信息。因此,通常需要对无人值守地磅进行异常监测,如可以对无人值守地磅中的称重传感器进行电流测量数据监测,以及时更换损坏的称重传感器结构部件,从而保证无人值守地磅系统的智能化运行。
现有技术中,可以采用OPTICS(Ordering points to identify the clusteringstructure)聚类算法对无人值守地磅中称重传感器的电流测量数据进行聚类分析,从而获取异常电流测量数据,最终实现无人值守地磅的异常状态监测。由于在采用OPTICS聚类算法对电流测量数据进行聚类分析时,是仅以不同电流测量数据之间的分布差异作为度量距离,而由于地磅称重传感器弹性体和机械结构上的变形,不同载荷所对应的称重传感器的电流数据存在不同的影响程度,从而导致不同电流测量数据之间的度量距离不够准确,难以实现异常电流测量数据的精确提取,从而降低了无人值守地磅的异常状态监测准确性。
发明内容
本发明的目的在于提供一种智能化无人值守地磅异常监测系统,用于解决现有无人值守地磅异常监测过程中由于不同电流测量数据之间的度量距离不够准确,从而降低了异常状态监测准确性的问题。
为解决上述技术问题,本发明提供了一种智能化无人值守地磅异常监测系统,包括:
数据获取模块,用于:获取单个称重设备的各个采样周期的测量数据序列;
分布显著程度获取模块,用于:根据每个所述测量数据序列中各个测量数据的大小分布,对所述测量数据序列进行初聚类,得到各个第一聚类簇;根据所述第一聚类簇中每个所述测量数据序列与其他所述测量数据序列之间的差异,确定每个所述测量数据序列对应的分布显著程度;
异常置信程度获取模块,用于:根据所述第一聚类簇中每个所述测量数据序列与其采样时刻前的各个所述测量数据序列之间的分布显著程度的差异,确定每个所述测量数据序列对应的异常程度;并根据每个所述测量数据序列及其采样时刻前的各个邻近所述测量数据序列之间的测量数据差异、异常程度差异以及采样时刻差异,确定每个所述测量数据序列对应的异常置信程度;
异常识别结果获取模块,用于:根据任意两个所述测量数据序列之间的异常置信程度差异,以及任意两个所述测量数据序列之间的差异,确定任意两个所述测量数据序列之间的度量距离;根据所述度量距离,对所述测量数据序列进行二次聚类,得到各个第二聚类簇,并根据所述第二聚类簇的所述测量数据序列的占比,确定所述测量数据序列的异常识别结果。
进一步的,确定每个所述测量数据序列对应的分布显著程度,包括:
确定所述第一聚类簇中每个所述测量数据序列中各个测量数据的平均值和方差,得到所述第一聚类簇中每个所述测量数据序列的平均测量数据和测量数据方差;
对所述第一聚类簇中每个所述测量数据序列对应的平均测量数据进行归一化处理,得到所述第一聚类簇中每个所述测量数据序列对应的平均测量数据归一化值;
将所述第一聚类簇中每个所述测量数据序列对应的平均测量数据归一化值作为第一坐标值,并将测量数据方差作为第二坐标值,将第一坐标值和第二坐标值构成的坐标点确定为所述第一聚类簇中每个所述测量数据序列对应的样本点;
根据所述第一聚类簇中每个所述测量数据序列与其他所述测量数据序列之间的差异,以及每个所述测量数据序列对应的样本点与其他所述测量数据序列对应的样本点之间的距离,确定每个所述测量数据序列对应的分布显著程度。
进一步的,确定每个所述测量数据序列对应的分布显著程度,对应的计算公式为:
;
其中,表示所述第一聚类簇中第r个所述测量数据序列对应的分布显著程度;/>表示所述第一聚类簇中第r个所述测量数据序列对应的样本点;/>表示所述第一聚类簇中除了第r个所述测量数据序列外的其余第i个所述测量数据序列对应的样本点;/>表示样本点/>和/>之间的欧氏距离;/>表示所述第一聚类簇中第r个所述测量数据序列与除了第r个所述测量数据序列外的其余第i个所述测量数据序列之间的动态时间规整距离;n表示所述第一聚类簇中所述测量数据序列的总数目;/>表示正参数。
进一步的,确定每个所述测量数据序列对应的异常程度,包括:
计算所述第一聚类簇中每个所述测量数据序列的采样时刻前的各个所述测量数据序列对应的分布显著程度的平均值,从而得到所述第一聚类簇中每个所述测量数据序列对应的分布显著程度均值;
将所述第一聚类簇中每个所述测量数据序列的分布显著程度与对应的分布显著程度均值的差值,确定为所述第一聚类簇中每个所述测量数据序列的对应的异常程度。
进一步的,确定每个所述测量数据序列对应的异常置信程度,对应的计算公式为:
;
其中,表示第/>个所述测量数据序列对应的异常置信程度;/>表示第/>个所述测量数据序列对应的异常程度;/>表示第/>个所述测量数据序列中所有测量数据的平均值;/>表示第/>个所述测量数据序列的采样时刻前的第/>个邻近所述测量数据序列对应的异常程度;/>表示第/>个所述测量数据序列的采样时刻前的第/>个邻近所述测量数据序列中所有测量数据的平均值;/>表示第/>个所述测量数据序列的采样时刻前的邻近所述测量数据序列的总数量;/>表示第/>个所述测量数据序列与其采样时刻前的第/>个邻近所述测量数据序列之间的时间间隔。
进一步的,确定任意两个所述测量数据序列之间的度量距离,对应的计算公式为:
;
其中,表示第/>个所述测量数据序列和第/>个所述测量数据序列之间的度量距离;/>表示权重系数;/>表示第/>个所述测量数据序列对应的异常置信程度;/>第/>个所述测量数据序列对应的异常置信程度;/>表示第/>个所述测量数据序列对应的样本点和第/>个所述测量数据序列对应的样本点之间的欧氏距离;/>表示归一化函数;| |表示取绝对值符号。
进一步的,对所述测量数据序列进行初聚类,得到各个第一聚类簇,包括:
根据各个所述测量数据序列对应的平均测量数据,对各个所述测量数据序列进行密度聚类,得到各个第一聚类簇。
进一步的,确定所述测量数据序列的异常识别结果,包括:
判断每个所述第二聚类簇的所述测量数据序列的占比是否小于设定占比阈值,若小于设定占比阈值,则将对应的第二聚类簇确定为异常聚类簇,并将异常聚类簇中的所有测量数据序列确定为异常监测数据;否则,则将对应的第二聚类簇确定为正常聚类簇,并将正常聚类簇中的所有测量数据序列确定为正常监测数据。
进一步的,利用OPTICS聚类算法对所述测量数据序列进行二次聚类,得到各个第二聚类簇。
进一步的,第一坐标值为横坐标值,所述第二坐标值为纵坐标值。
本发明具有如下有益效果:对于单个称重设备的各个采样周期的测量数据序列,由于不同载荷对测量数据序列的影响不同,因此对测量数据序列进行聚类,将近似载荷下的测量数据序列聚类到一个聚类簇,从而得到各个第一聚类簇。在近似载荷下的每个第一聚类簇中,通过对每个测量数据序列与其他测量数据序列之间的差异进行分析,以对不同测量数据序列的数据变化趋势和分布特征差异进行衡量,从而可以确定每个测量数据序列的分布显著程度。由于地磅称重传感器弹性体和机械结构上的变形,导致测量数据存在较大的误差累积影响时,在近似载荷下的每个第一聚类簇中分布显著程度会随着时间的变化表现出分布显著程度变大的趋势,且某个分布显著程度相对其前面的分布显著程度变大的程度越高,则说明对应分布显著程度对应的测量数据序列的异常程度越高,由此可以确定每个测量数据序列对应的异常程度。由于异常程度反映了测量数据序列在其第一聚类簇所表示的负荷下的误差累积程度,而对于不同载荷下的所有测量数据序列而言,其在时序分布上的异常程度的变化一致性,则表示了不同载荷下的测量数据序列均存在误差累积效应,但其误差累积效应在不同的载荷下的表现不同,即不同测量数据序列的异常程度在不同载荷下的置信度不同。因此,通过将每个测量数据序列的异常程度与其时序上多个邻近测量数据序列进行比较,可以确定每个测量数据序列的异常置信度高低,但是对于不同载荷下的所有测量数据序列而言,其异常程度会受到载荷本身的影响,因此可以结合测量数据序列本身的测量数据大小来消除载荷不同所带来的影响,同时考虑到时序上相差越近,则邻近测量数据序列的可参考程度越高,因此再结合测量数据序列与其每个邻近测量数据序列的采样时刻差异,最终确定每个测量数据序列对应的异常置信程度。基于任意两个测量数据序列本身的差异,并结合异常置信程度差异,对任意两个测量数据序列之间的距离进行精准度量,并基于该度量距离,对所有测量数据序列进行二次聚类,得到各个第二聚类簇。由于通过结合异常置信程度差异,对任意两个测量数据序列之间的距离进行精准度量,会将异常的测量数据序列呈现出小的聚集态,因此,基于第二聚类簇的测量数据序列的占比情况,即可确定测量数据序列的异常识别结果。由于本发明充分考虑了由于地磅称重传感器弹性体和机械结构上的变形,所存在的不同载荷的异常数据的异常显著程度,从而确定每个测量数据序列对应的异常置信程度,由此对任意两个测量数据序列之间的距离进行精准度量,从而提高了聚类所得第二聚类簇的准确性,进而提高了无人值守地磅异常监测准确性。
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为本发明实施例的智能化无人值守地磅异常监测系统的结构示意图;
图2为本发明实施例的智能化无人值守地磅异常监测系统所实现方法的流程图。
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技术方案的具体实施方式、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。另外,本文所涉及公式中的所有参数或者指标均为归一化之后的消除了量纲影响的数值。
为了解决现有无人值守地磅异常监测过程中由于不同电流测量数据之间的度量距离不够准确,从而降低了异常状态监测准确性的问题,本实施例提供了一种智能化无人值守地磅异常监测系统,该系统实质上是一种软件系统,该软件系统由各个实现对应功能的模块构成,其对应的结构示意图如图1所示。该系统的核心在于实现一种智能化无人值守地磅异常监测方法,该系统中的各个模块对应方法中的各个步骤,该方法对应的流程图如图2所示。下面结合该方法中的具体步骤,对该系统的各个模块进行详细介绍。
数据获取模块,用于:获取单个称重设备的各个采样周期的测量数据序列。
为了对单个称重设备进行异常监测,这里的称重设备是指无人值守地磅,设置电流传感器测量地磅称重传感器电路的电变量数据,从而得到无人值守地磅的各个采样周期的测量数据序列,即:当无人值守地磅每次进行称重作业时,其称重传感器中会产生震荡电流,通过设置的电流传感器对该震荡电流进行数据采样,采样周期为一次称重作业的持续时间,即称重传感器电路中的震荡电流从产生时刻到小时时刻之间的时间段,在采样周期内采样频率为1次/s,由此一个采样周期内的采样电流数据按照采样时刻先后顺序进行排列组成一个测量数据序列。在无人值守地磅工作过程中,获取其在过去一段时间内的每个采样周期的测量数据序列,从而最终得到多个采样周期获得多个测量数据序列。
分布显著程度获取模块,用于:根据每个所述测量数据序列中各个测量数据的大小分布,对所述测量数据序列进行初聚类,得到各个第一聚类簇;根据所述第一聚类簇中每个所述测量数据序列与其他所述测量数据序列之间的差异,确定每个所述测量数据序列对应的分布显著程度。
对于单个测量数据序列而言,测量数据变化主要受到称重作业时所受载荷大小及称重传感器的误差影响,由于地磅称重传感器弹性体和机械结构上的变形,会使得同载荷下的测量数据的波动特征显著增加,即在载荷影响的基础上测量数据发生较大的波动,且随着时序变化形成误差累积效应,因此不同载荷的异常数据的异常显著程度不同。此时,在采用OPTICS聚类算法对不同测量数据序列进行聚类划分时,仅考虑不同电流测量数据之间的分布差异进行距离度量,难以实现称重传感器的电流测量数据的异常数据的精确提取。
由于是因为不同载荷的异常数据的异常显著程度不同,导致仅考虑不同电流测量数据之间的分布差异进行距离度量时,存在度量距离不够准确的情况,因此可以通过对不同测量数据序列进行分析,以衡量不同测量数据序列对应的不同异常情况,以此对不同电流测量数据之间的度量距离进行修正,从而实现OPTICS聚类算法的调整,最终实现无人值守地磅称重传感器的电数据异常监测,从而实现损坏称重传感器结构部件的及时更换,保障无人值守地磅系统的智能化运行。
为了衡量不同测量数据序列对应的不同异常情况, 本实施例首先根据每个测量数据序列中各个测量数据的大小分布,确定每个测量数据序列中各个测量数据的平均值,该平均值也称为平均测量数据,该平均测量数据可以表征测量数据序列中测量数据的平均分布情况。然后根据各个测量数据序列对应的平均测量数据,对各个测量数据序列进行密度聚类,得到各个第一聚类簇。对于任意一个第一聚类簇,其簇内的所有测量数据序列可以视为是近似载荷下的测量数据序列的集合。
在任意一个第一聚类簇中,确定每个测量数据序列中各个测量数据的方差,该方差也称为测量数据方差,将该测量数据方差作为对应测量数据序列的另一特征。然后对每个测量数据序列对应的平均测量数据进行归一化处理,使其归一化处理后的取值范围为0-1,从而得到平均测量数据归一化值。对每个测量数据序列对应的平均测量数据进行归一化处理的具体方法可以根据需要进行选择,此处不做限定。将每个测量数据序列对应的平均测量数据归一化值作为第一坐标值,并将测量数据方差作为第二坐标值,将第一坐标值和第二坐标值构成的坐标点确定为对应测量数据序列对应的样本点。其中,第一坐标值是指横坐标值,第二坐标值是指纵坐标值。当然,作为其他的实施方式,第一坐标值可以是纵坐标值,第二坐标值可以是横坐标值。按照这种方式,可以确定每个第一聚类簇中的各个样本点,这些样本点构成了每个第一聚类簇的二维样本空间。
在任意一个第一聚类簇中,任意样本点与其余样本点的测量数据序列的变化趋势越相似,且样本点与其余样本点的测量数据序列的分布特征越不同,即样本点与其余样本点之间的距离越大,则说明对应样本点的分布显著程度越大,由此可以确定样本点的测量数据序列的分布显著程度。
优选的,在本实施例中,确定每个测量数据序列对应的分布显著程度,对应的计算公式为:
;
其中,表示所述第一聚类簇中第r个所述测量数据序列对应的分布显著程度;/>表示所述第一聚类簇中第r个所述测量数据序列对应的样本点;/>表示所述第一聚类簇中除了第r个所述测量数据序列外的其余第i个所述测量数据序列对应的样本点;/>表示样本点/>和/>之间的欧氏距离;/>表示所述第一聚类簇中第r个所述测量数据序列与除了第r个所述测量数据序列外的其余第i个所述测量数据序列之间的动态时间规整距离;n表示所述第一聚类簇中所述测量数据序列的总数目;/>表示正参数,用于防止分母为零,本实施例设置/>。
在上述的分布显著程度的计算公式中,当第一聚类簇中第r个测量数据序列与其他测量数据序列的动态时间规整距离越小,则说明第r个测量数据序列与其他测量数据序列的变化趋势越相似,此时第r个测量数据序列的分布越显著,则对应的分布显著程度的取值就越大。同时,当第一聚类簇中第r个测量数据序列与其他测量数据序列对应的样本点之间的距离越大时,说明第r个测量数据序列与其他测量数据序列之间的平均测量数据和测量数据方差相差较大,第r个测量数据序列与其他测量数据序列的分布特征越不同,此时第r个测量数据序列的分布越显著,则对应的分布显著程度的取值也就越大。
按照上述方式,通过将每个测量数据序列与其所在第一聚类簇中其他测量数据序列之间的动态时间规整距离以及对应样本点的欧式距离进行分析,可以确定每个测量数据序列对应的分布显著程度。
异常置信程度获取模块,用于:根据所述第一聚类簇中每个所述测量数据序列与其采样时刻前的各个所述测量数据序列之间的分布显著程度的差异,确定每个所述测量数据序列对应的异常程度;并根据每个所述测量数据序列及其采样时刻前的各个邻近所述测量数据序列之间的测量数据差异、异常程度差异以及采样时刻差异,确定每个所述测量数据序列对应的异常置信程度。
对于每个第一聚类簇,将该簇中所有测量数据序列的分布显著程度,按照所有测量数据序列采样周期中的中点时刻从前往后的顺序进行排列,从而得到分布显著程度序列。当由于地磅称重传感器弹性体和机械结构上的变形,导致电流测量数据存在较大的误差累积影响时,此时分布显著程度序列会随着时间的变化表现出分布显著程度变大的趋势,且每个分布显著程度相对其前面的分布显著程度变大的程度越高,则说明对应分布显著程度对应的测量数据序列的异常程度越高,由此可以确定每个测量数据序列对应的异常程度。
优选的,在本实施例中,确定每个测量数据序列对应的异常程度,对应的计算公式为:
;
其中,表示所述第一聚类簇中第/>个所述测量数据序列对应的异常程度;/>表示所述第一聚类簇中第/>个所述测量数据序列对应的分布显著程度;/>表示所述第一聚类簇中第/>个所述测量数据序列的采样时刻前的第/>个所述测量数据序列对应的分布显著程度。
在上述的异常程度的计算公式中,当第个测量数据序列对应的分布显著程度与其前面的各个测量数据序列对应的分布显著程度均值的差异越大,表明第/>个测量数据序列对应的误差累积影响的程度越大,此时异常程度的取值就越大。
应当理解的是,对于分布显著程度序列中第一个分布显著程度所对应的测量数据序列,由于其前面不存在测量数据序列,此时在确定分布显著程度序列中其他各个分布显著程度所对应的测量数据序列的异常程度之后,利用插值算法插值确定该分布显著程度序列中第一个分布显著程度所对应的测量数据序列的异常程度。
通过上述方式,可以确定每个测量数据序列对应的异常程度,该异常程度反映的是近似载荷下的测量数据序列在其第一聚类簇所表示的载荷下的误差累计的程度,而对于不同载荷下的所有测量数据序列而言,其在时序分布上的异常程度的变化一致性,表明地磅称重作业在不同载荷下都存在称重传感器的误差累积效应,但其误差累积效应在不同的载荷下的表现不同,即不同数据的异常程度在不同载荷下的置信度不同。由此,可以根据每个测量数据序列及其采样时刻前的各个邻近所述测量数据序列之间的测量数据差异、异常程度差异以及采样时刻差异,确定每个测量数据序列对应的异常置信程度。
优选的,在本实施例中,确定每个所述测量数据序列对应的异常置信程度,对应的计算公式为:
;
其中,表示第/>个所述测量数据序列对应的异常置信程度;/>表示第/>个所述测量数据序列对应的异常程度;/>表示第/>个所述测量数据序列中所有测量数据的平均值;/>表示第/>个所述测量数据序列的采样时刻前的第/>个邻近所述测量数据序列对应的异常程度;/>表示第/>个所述测量数据序列的采样时刻前的第/>个邻近所述测量数据序列中所有测量数据的平均值;/>表示第/>个所述测量数据序列的采样时刻前的邻近所述测量数据序列的总数量;/>表示第/>个所述测量数据序列与其采样时刻前的第/>个邻近所述测量数据序列之间的时间间隔。
在上述的异常置信程度的计算公式中,通过计算每个测量数据序列对应的异常程度与其所有测量数据的平均值的比值,从而得到每个测量数据序列对应的消除载荷影响的异常程度。然后通过计算每个测量数据序列与其时序左邻域上k个邻近测量数据序列对应的消除载荷影响的异常程度之间的平均差值,并利用该平均差值来表征每个测量数据序列的异常可信程度,差值越大,则说明当前测量数据序列的异常程度在考虑当前载荷的误差累积的影响下,依旧表现的显著,此时对应的异常可信程度就越高。同时利用每个测量数据序列与其时序左邻域上k个邻近测量数据序列之间的时间间隔的倒数作为k个邻近测量数据序列对应的影响权重,当时间间隔越大时,则表明对应邻近测量数据序列对最终得到的异常可信程度的影响越小,最终得到每个测量数据序列对应的异常置信程度。
应当理解的是,对于前k个测量数据序列,由于时序左邻域上不存在或者不够k个邻近测量数据序列,此时无法按照上述方式来确定其对应的异常置信程度,本实施例是将第k+1测量数据序列对应的异常置信程度直接赋值给前k个测量数据序列,从而得到前k个测量数据序列对应的异常置信程度。
异常识别结果获取模块,用于:根据任意两个所述测量数据序列之间的异常置信程度差异,以及任意两个所述测量数据序列之间的差异,确定任意两个所述测量数据序列之间的度量距离;根据所述度量距离,对所述测量数据序列进行二次聚类,得到各个第二聚类簇,并根据所述第二聚类簇的所述测量数据序列的占比,确定所述测量数据序列的异常识别结果。
为了克服现有OPTICS聚类算法中仅以不同电流测量数据之间的分布差异作为度量距离,由于度量距离不准确,导致聚类结果不合理,从而导致测量数据序列的异常识别结果不可靠,最终降低了异常状态监测准确性的问题,本实施例根据不同测量数据序列之间的差异,同时通过考虑不同测量数据序列对应的不同异常情况,即结合不同测量数据序列之间的异常置信程度差异,实现OPTICS聚类算法中不同测量数据序列之间的度量距离的优化调整,最终可以准确确定任意两个测量数据序列之间的度量距离。
优选的,在本实施例中,确定任意两个测量数据序列之间的度量距离,对应的计算公式为:
;
其中,表示第/>个所述测量数据序列和第/>个所述测量数据序列之间的度量距离;/>表示权重系数,本实施例设置/>;/>表示第/>个所述测量数据序列对应的异常置信程度;/>第/>个所述测量数据序列对应的异常置信程度;/>表示第/>个所述测量数据序列对应的样本点和第/>个所述测量数据序列对应的样本点之间的欧氏距离;表示归一化函数;| |表示取绝对值符号。
在上述的度量距离的计算公式中,通过利用测量数据序列的误差累积程度差异对于度量距离影响程度的权值系数,来分别对任意两个测量数据序列之间的异常置信程度差异,以及对应两个样本点之间的位置差异进行综合考量,由于充分考虑了地磅称重传感器弹性体和机械结构上的变形对不同载荷对应的测量数据序列的影响程度,从而可以准确确定不同测量数据序列之间的度量距离,有效提高了OPTICS聚类算法中基于该度量距离对测量数据序列进行聚类的准确性。
基于上述所确定的任意两个测量数据序列之间的度量距离,利用OPTICS聚类算法对所有测量数据序列进行分类,从而得到各个第二聚类簇,各个第二聚类簇即为最终的聚类结果。对每个第二聚类簇中所有测量数据序列的数量进行最大最小归一化,从而得到每个第二聚类簇的测量数据序列的占比,即:将每个第二聚类簇中所有测量数据序列的数量减去所有第二聚类簇对应的数量中的最小值,得到第一差值,将该第一差值作为分子,同时计算所有第二聚类簇对应的数量中最大值和最小值的差值,得到第二差值,将第二差值作为分母,分子和分母的比值即为每个第二聚类簇的测量数据序列的占比。
由于大部分的测量数据序列会在正常范围内波动,而超出正常范围的为异常数据,异常数据通常为少数。上述通过对OPTICS聚类算法中不同测量数据序列之间的度量距离进行改进,会将异常的测量数据序列呈现出小的聚集态。因此,判断每个第二聚类簇的测量数据序列的占比是否小于设定占比阈值,若小于设定占比阈值,则将对应的第二聚类簇确定为异常聚类簇,并将异常聚类簇中的所有测量数据序列确定为异常监测数据;否则,则将对应的第二聚类簇确定为正常聚类簇,并将正常聚类簇中的所有测量数据序列确定为正常监测数据。其中,设定占比阈值的取值范围为01~0.2,本实施例将该设定占比阈值的取值设置为0.15。
通过上述方式,可以确定无人值守地磅在过去一段时间内的多个测量数据序列中的异常监测数据和正常监测数据,后续可以基于这些异常监测数据和正常监测数据,来确定无人值守地磅本身的工作状态。例如,考虑到由于载荷的影响,会在正常监测数据对应的正常聚类簇附近分布异常聚类簇,可以确定距离每个异常聚类簇的质心最近的正常聚类簇,此时一个正常聚类簇可能对应一个或多个异常聚类簇,这些聚类簇内的各个测量数据序列的测量数据均值可以组成一个异常测量数据变化区间,此时一个正常聚类簇可能对应一个异常测量数据变化区。由于一个正常聚类簇对应一种近似载荷,因此此时一种近似载荷对应一个异常测量数据变化区。确定每个异常测量数据变化区所对应的正常聚类簇中是否存在测量数据序列中的测量数值位于该异常测量数据变化区内,若存在,则认为此时地磅测量数据受到机械结构的影响过大,应当更换损坏称重传感器结构部件,从而实现无人值守地磅本身的工作状态监测。
应当理解的是,本实施例所提供技术方案的重点在于实现无人值守地磅在过去一段时间内的多个测量数据序列中的异常监测数据和正常监测数据的识别,在该识别结果的基础上,上述步骤仅仅是给出了一个基于这些异常监测数据和正常监测数据,来确定无人值守地磅本身的工作状态的具体实施方式,但并不仅局限于该具体实施方式。例如,基于该识别结果,还可确定异常监测数据对应的测量数据序列在所有测量数据序列中的占比,当占比超过预先设定的占比阈值时,则说明无人值守地磅可能发生故障,此时需要对无人值守地磅进行检修。
需要说明的是:以上所述实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,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申请各实施例技术方案的精神和范围,均应包含在本申请的保护范围之内。
Claims (5)
1.一种智能化无人值守地磅异常监测系统,其特征在于,包括:
数据获取模块,用于:获取单个称重设备的各个采样周期的测量数据序列;
分布显著程度获取模块,用于:根据每个所述测量数据序列中各个测量数据的大小分布,对所述测量数据序列进行初聚类,得到各个第一聚类簇;根据所述第一聚类簇中每个所述测量数据序列与其他所述测量数据序列之间的差异,确定每个所述测量数据序列对应的分布显著程度;
异常置信程度获取模块,用于:根据所述第一聚类簇中每个所述测量数据序列与其采样时刻前的各个所述测量数据序列之间的分布显著程度的差异,确定每个所述测量数据序列对应的异常程度;并根据每个所述测量数据序列及其采样时刻前的各个邻近所述测量数据序列之间的测量数据差异、异常程度差异以及采样时刻差异,确定每个所述测量数据序列对应的异常置信程度;
异常识别结果获取模块,用于:根据任意两个所述测量数据序列之间的异常置信程度差异,以及任意两个所述测量数据序列之间的差异,确定任意两个所述测量数据序列之间的度量距离;根据所述度量距离,对所述测量数据序列进行二次聚类,得到各个第二聚类簇,并根据所述第二聚类簇的所述测量数据序列的占比,确定所述测量数据序列的异常识别结果;
确定每个所述测量数据序列对应的分布显著程度,包括:
确定所述第一聚类簇中每个所述测量数据序列中各个测量数据的平均值和方差,得到所述第一聚类簇中每个所述测量数据序列的平均测量数据和测量数据方差;
对所述第一聚类簇中每个所述测量数据序列对应的平均测量数据进行归一化处理,得到所述第一聚类簇中每个所述测量数据序列对应的平均测量数据归一化值;
将所述第一聚类簇中每个所述测量数据序列对应的平均测量数据归一化值作为第一坐标值,并将测量数据方差作为第二坐标值,将第一坐标值和第二坐标值构成的坐标点确定为所述第一聚类簇中每个所述测量数据序列对应的样本点;
根据所述第一聚类簇中每个所述测量数据序列与其他所述测量数据序列之间的差异,以及每个所述测量数据序列对应的样本点与其他所述测量数据序列对应的样本点之间的距离,确定每个所述测量数据序列对应的分布显著程度;
确定每个所述测量数据序列对应的分布显著程度,对应的计算公式为:
;
其中,表示所述第一聚类簇中第r个所述测量数据序列对应的分布显著程度;/>表示所述第一聚类簇中第r个所述测量数据序列对应的样本点;/>表示所述第一聚类簇中除了第r个所述测量数据序列外的其余第i个所述测量数据序列对应的样本点;/>表示样本点和/>之间的欧氏距离;/>表示所述第一聚类簇中第r个所述测量数据序列与除了第r个所述测量数据序列外的其余第i个所述测量数据序列之间的动态时间规整距离;n表示所述第一聚类簇中所述测量数据序列的总数目;/>表示正参数;
确定每个所述测量数据序列对应的异常程度,包括:
计算所述第一聚类簇中每个所述测量数据序列的采样时刻前的各个所述测量数据序列对应的分布显著程度的平均值,从而得到所述第一聚类簇中每个所述测量数据序列对应的分布显著程度均值;
将所述第一聚类簇中每个所述测量数据序列的分布显著程度与对应的分布显著程度均值的差值,确定为所述第一聚类簇中每个所述测量数据序列的对应的异常程度;
确定每个所述测量数据序列对应的异常置信程度,对应的计算公式为:
;
其中,表示第/>个所述测量数据序列对应的异常置信程度;/>表示第/>个所述测量数据序列对应的异常程度;/>表示第/>个所述测量数据序列中所有测量数据的平均值;表示第/>个所述测量数据序列的采样时刻前的第/>个邻近所述测量数据序列对应的异常程度;/>表示第/>个所述测量数据序列的采样时刻前的第/>个邻近所述测量数据序列中所有测量数据的平均值;/>表示第/>个所述测量数据序列的采样时刻前的邻近所述测量数据序列的总数量;/>表示第/>个所述测量数据序列与其采样时刻前的第/>个邻近所述测量数据序列之间的时间间隔;
确定任意两个所述测量数据序列之间的度量距离,对应的计算公式为:
;
其中,表示第/>个所述测量数据序列和第/>个所述测量数据序列之间的度量距离;表示权重系数;/>表示第/>个所述测量数据序列对应的异常置信程度;/>第/>个所述测量数据序列对应的异常置信程度;/>表示第/>个所述测量数据序列对应的样本点和第个所述测量数据序列对应的样本点之间的欧氏距离;/>表示归一化函数;| |表示取绝对值符号。
2.根据权利要求1所述的一种智能化无人值守地磅异常监测系统,其特征在于,对所述测量数据序列进行初聚类,得到各个第一聚类簇,包括:
根据各个所述测量数据序列对应的平均测量数据,对各个所述测量数据序列进行密度聚类,得到各个第一聚类簇。
3.根据权利要求1所述的一种智能化无人值守地磅异常监测系统,其特征在于,确定所述测量数据序列的异常识别结果,包括:
判断每个所述第二聚类簇的所述测量数据序列的占比是否小于设定占比阈值,若小于设定占比阈值,则将对应的第二聚类簇确定为异常聚类簇,并将异常聚类簇中的所有测量数据序列确定为异常监测数据;否则,则将对应的第二聚类簇确定为正常聚类簇,并将正常聚类簇中的所有测量数据序列确定为正常监测数据。
4.根据权利要求1所述的一种智能化无人值守地磅异常监测系统,其特征在于,利用OPTICS聚类算法对所述测量数据序列进行二次聚类,得到各个第二聚类簇。
5.根据权利要求1所述的一种智能化无人值守地磅异常监测系统,其特征在于,第一坐标值为横坐标值,所述第二坐标值为纵坐标值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410050584.7A CN117571107B (zh) | 2024-01-15 | 2024-01-15 | 一种智能化无人值守地磅异常监测系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410050584.7A CN117571107B (zh) | 2024-01-15 | 2024-01-15 | 一种智能化无人值守地磅异常监测系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117571107A CN117571107A (zh) | 2024-02-20 |
CN117571107B true CN117571107B (zh) | 2024-03-15 |
Family
ID=89884772
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410050584.7A Active CN117571107B (zh) | 2024-01-15 | 2024-01-15 | 一种智能化无人值守地磅异常监测系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117571107B (zh) |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102103009A (zh) * | 2009-12-22 | 2011-06-22 | 常州机械电子工程研究所 | 串联式集装箱车辆动态分箱计重系统及计重方法 |
CN103984758A (zh) * | 2014-05-30 | 2014-08-13 | 中国科学院遥感与数字地球研究所 | 根据云像元数量分治的遥感图像时间序列聚类方法 |
EP3364157A1 (en) * | 2017-02-16 | 2018-08-22 | Fundación Tecnalia Research & Innovation | Method and system of outlier detection in energy metering data |
CN111598129A (zh) * | 2020-04-11 | 2020-08-28 | 中国地质大学(武汉) | 基于动态时间规整的钻进过程数据异常判别与校正的方法 |
CN112070109A (zh) * | 2020-07-21 | 2020-12-11 | 广东工业大学 | 一种基于改进密度峰值聚类的马蹄窑能耗异常检测方法 |
CN112330045A (zh) * | 2020-09-02 | 2021-02-05 | 国网冀北电力有限公司承德供电公司 | 一种基于K-medoids聚类分析方法的输电网线损评估与降损方法 |
CN113033284A (zh) * | 2020-12-22 | 2021-06-25 | 迪比(重庆)智能科技研究院有限公司 | 一种基于卷积神经网络的车辆实时超载检测方法 |
CN113204914A (zh) * | 2021-04-12 | 2021-08-03 | 哈尔滨工业大学 | 一种基于多架次飞行数据表征建模的飞行数据异常判读方法 |
CN113340392A (zh) * | 2021-07-21 | 2021-09-03 | 清华大学 | 基于加速度传感器的车辆载重检测方法及装置 |
CN114399674A (zh) * | 2022-01-21 | 2022-04-26 | 岭南师范学院 | 一种基于高光谱图像技术的贝类毒素无损快速检测方法及系统 |
CN114627286A (zh) * | 2021-12-13 | 2022-06-14 | 南京理工大学 | 基于PSPNet和改进YOLOv4的地磅人员入侵的检测方法 |
CN116127343A (zh) * | 2022-11-25 | 2023-05-16 | 国网江苏省电力有限公司南京供电分公司 | 基于电压序列相似性的户变关系与相别识别方法及系统 |
CN116342597A (zh) * | 2023-05-29 | 2023-06-27 | 深圳市民达科技有限公司 | 一种汽车配件表面电镀加工缺陷检测方法和系统 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR102203900B1 (ko) * | 2018-11-14 | 2021-01-15 | 주식회사 이모션 | 식용 가금류의 평균중량 산출 및 출하관리 시스템, 이를 이용한 출하관리 방법 |
EP4160342A1 (en) * | 2020-05-29 | 2023-04-05 | Daicel Corporation | Abnormal modulation cause identification device, abnormal modulation cause identification method, and abnormal modulation cause identification program |
-
2024
- 2024-01-15 CN CN202410050584.7A patent/CN117571107B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102103009A (zh) * | 2009-12-22 | 2011-06-22 | 常州机械电子工程研究所 | 串联式集装箱车辆动态分箱计重系统及计重方法 |
CN103984758A (zh) * | 2014-05-30 | 2014-08-13 | 中国科学院遥感与数字地球研究所 | 根据云像元数量分治的遥感图像时间序列聚类方法 |
EP3364157A1 (en) * | 2017-02-16 | 2018-08-22 | Fundación Tecnalia Research & Innovation | Method and system of outlier detection in energy metering data |
CN111598129A (zh) * | 2020-04-11 | 2020-08-28 | 中国地质大学(武汉) | 基于动态时间规整的钻进过程数据异常判别与校正的方法 |
CN112070109A (zh) * | 2020-07-21 | 2020-12-11 | 广东工业大学 | 一种基于改进密度峰值聚类的马蹄窑能耗异常检测方法 |
CN112330045A (zh) * | 2020-09-02 | 2021-02-05 | 国网冀北电力有限公司承德供电公司 | 一种基于K-medoids聚类分析方法的输电网线损评估与降损方法 |
CN113033284A (zh) * | 2020-12-22 | 2021-06-25 | 迪比(重庆)智能科技研究院有限公司 | 一种基于卷积神经网络的车辆实时超载检测方法 |
CN113204914A (zh) * | 2021-04-12 | 2021-08-03 | 哈尔滨工业大学 | 一种基于多架次飞行数据表征建模的飞行数据异常判读方法 |
CN113340392A (zh) * | 2021-07-21 | 2021-09-03 | 清华大学 | 基于加速度传感器的车辆载重检测方法及装置 |
CN114627286A (zh) * | 2021-12-13 | 2022-06-14 | 南京理工大学 | 基于PSPNet和改进YOLOv4的地磅人员入侵的检测方法 |
CN114399674A (zh) * | 2022-01-21 | 2022-04-26 | 岭南师范学院 | 一种基于高光谱图像技术的贝类毒素无损快速检测方法及系统 |
CN116127343A (zh) * | 2022-11-25 | 2023-05-16 | 国网江苏省电力有限公司南京供电分公司 | 基于电压序列相似性的户变关系与相别识别方法及系统 |
CN116342597A (zh) * | 2023-05-29 | 2023-06-27 | 深圳市民达科技有限公司 | 一种汽车配件表面电镀加工缺陷检测方法和系统 |
Non-Patent Citations (3)
Title |
---|
吕成岭 ; 彭力 ; 张立位 ; .一种基于快速特征选择的故障诊断方法.计算机工程与应用.2010,(14),全文. * |
毛文涛 ; 蒋梦雪 ; 李源 ; 张仕光 ; .基于异常序列剔除的多变量时间序列结构化预测.自动化学报.2017,(04),全文. * |
邵开霞 ; 陈淡泊 ; 周晓峰 ; .基于改进的K-means聚类方法的多站数据关联异常检测.微型电脑应用.2016,(11),全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN117571107A (zh) | 2024-02-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116879662B (zh) | 基于数据分析的变压器故障检测方法 | |
CN117093879B (zh) | 一种数据中心智能化运营管理方法及系统 | |
CN117196353B (zh) | 基于大数据的环境污染评估与监测方法及系统 | |
CN115982602B (zh) | 一种光伏变压器电故障检测方法 | |
CN117421610B (zh) | 一种用于电能表运行状态预警的数据异常分析方法 | |
CN116955895B (zh) | 一种变压器运行异常监测方法及系统 | |
CN117349781A (zh) | 一种变压器故障智能诊断方法及系统 | |
CN112651849B (zh) | 基于不平衡数据集的电压监测异常数据识别方法及系统 | |
CN115902647A (zh) | 一种电池状态智能监测方法 | |
CN114464906A (zh) | 动力电池预警方法和装置 | |
CN113203954A (zh) | 一种基于时频图像处理的电池故障诊断方法 | |
CN117150244B (zh) | 基于电参数分析的智能配电柜状态监测方法及系统 | |
CN115098285A (zh) | 基于大数据的传感器检测数据分析系统及方法 | |
CN117571107B (zh) | 一种智能化无人值守地磅异常监测系统 | |
CN112009252A (zh) | 一种动力电池系统故障诊断及容错控制方法 | |
CN111474476A (zh) | 一种电机故障预测方法 | |
CN116127604A (zh) | 一种汽车防撞数据处理方法及系统 | |
JP7435071B2 (ja) | 診断装置、診断方法およびプログラム | |
CN113591984A (zh) | 设备运行事件的检测方法、装置、电子设备和存储介质 | |
CN117648587B (zh) | 一种电机堵转高灵敏度检测方法 | |
CN112880726A (zh) | 基于变分模态分解样本熵的传感器故障诊断方法和装置 | |
CN116821834B (zh) | 基于内嵌传感器的真空断路器检修管理系统 | |
CN117406158B (zh) | 一种锂离子电池短路测试仪校准方法及装置 | |
CN117874687B (zh) | 一种工业平板电脑的数据交互方法 | |
CN117572159B (zh) | 基于大数据分析的电力故障检测方法及系统 |
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 |