CN117786445B - 一种自动化摇纱机运行数据智能处理方法 - Google Patents
一种自动化摇纱机运行数据智能处理方法 Download PDFInfo
- Publication number
- CN117786445B CN117786445B CN202410206299.XA CN202410206299A CN117786445B CN 117786445 B CN117786445 B CN 117786445B CN 202410206299 A CN202410206299 A CN 202410206299A CN 117786445 B CN117786445 B CN 117786445B
- Authority
- CN
- China
- Prior art keywords
- sampling
- sampling time
- detected
- value
- moment
- 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
- 238000003672 processing method Methods 0.000 title claims abstract description 10
- 238000005070 sampling Methods 0.000 claims abstract description 795
- 230000002159 abnormal effect Effects 0.000 claims abstract description 35
- 230000000875 corresponding effect Effects 0.000 claims description 129
- 238000000034 method Methods 0.000 claims description 59
- 238000013507 mapping Methods 0.000 claims description 16
- 238000007621 cluster analysis Methods 0.000 claims description 15
- 238000010606 normalization Methods 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 6
- 230000002596 correlated effect Effects 0.000 claims description 6
- 238000001514 detection method Methods 0.000 abstract description 5
- 238000004458 analytical method Methods 0.000 description 11
- 230000035945 sensitivity Effects 0.000 description 5
- 239000004753 textile Substances 0.000 description 5
- 238000012544 monitoring process Methods 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000012937 correction Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000010521 absorption reaction Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明涉及数据聚类技术领域,具体涉及一种自动化摇纱机运行数据智能处理方法。获取自动化摇纱机的振动数据和湿度数据;结合相邻采样时刻,分析振动数据和湿度数据的变化情况和差异情况,获取特征程度值;考虑待测采样时刻与类簇中的对比采样时刻、以及聚类中心的振动数据的数值分布,特征程度值之间的差异,获取待测采样时刻与聚类中心的相关值;结合与聚类中心的特征程度值之间的差异,获得待测采样时刻与聚类中心的匹配程度,根据匹配程度对待测采样时刻聚类并判断其是否为异常采样时刻。由于匹配程度结合了多种特征,因此依据匹配程度完成聚类会更加的准确,同时提高异常数据检测的准确性。
Description
技术领域
本发明涉及数据聚类技术领域,具体涉及一种自动化摇纱机运行数据智能处理方法。
背景技术
自动化摇纱机是纺织行业中的重要设备,其运行状态的稳定性和效率直接影响到纺织品的品质和生产效率。在自动化摇纱机的运行过程中,对其振动数据进行检测是评估其运行状态的重要手段。
现有技术在对摇纱机的运行数据进行监测时,通常采用对数据进行聚类的方法获取异常数据;但是由于摇纱机的工作环境湿度较大,振动传感器元件会吸湿,导致其质量或刚度发生变化,降低对数据的灵敏度,从而导致最终聚类结果不准确,影响对异常数据判断的准确性。
发明内容
为了解决摇纱机的工作环境湿度较大,振动传感器元件会吸湿,导致其质量或刚度发生变化,降低对数据的灵敏度,从而导致最终聚类结果不准确,影响对异常数据判断的准确性的技术问题,本发明的目的在于提供一种自动化摇纱机运行数据智能处理方法,所采用的技术方案具体如下:
基于预设采样时段获取自动化摇纱机的振动数据和湿度数据;
根据每个采样时刻与相邻采样时刻对应的振动数值和湿度数值的变化情况以及差异情况,获得每个采样时刻的特征程度值;
初始化聚类中心采样时刻以及对比采样时刻,依次将除聚类中心采样时刻外其他的每一个采样时刻作为待测采样时刻,所述对比采样时刻为所述聚类中心采样时刻对应的聚类簇中的采样时刻;根据待测采样时刻、每个聚类中心采样时刻及对应的对比采样时刻的振动数值的分布、以及待测采样时刻与每个聚类中心采样时刻的特征程度值的差异,获得待测采样时刻与每个聚类中心采样时刻的匹配程度,根据待测采样时刻与所有聚类中心采样时刻的匹配程度,获取待测采样时刻的聚类结果并更新聚类中心采样时刻的对比采样时刻;
根据所述待测采样时刻的聚类结果判断待测采样时刻是否为异常采样时刻。
进一步地,所述根据每个采样时刻与相邻采样时刻对应的振动数值和湿度数值的变化情况以及差异情况,获得每个采样时刻的特征程度值,包括:
根据预设采样时段的振动数据,获取振动曲线;根据预设采样时段的湿度数据,获取湿度曲线;
将每个采样时刻对应的振动曲线中振动数值的斜率作为振动趋势值,将每个采样时刻对应的湿度曲线中湿度数值的斜率作为湿度趋势值,将每个采样时刻的所述振动趋势值和所述湿度趋势值的差异作为每个采样时刻的湿度影响因子;
将与每个采样时刻相邻的预设参考数量个采样时刻作为参考时刻,根据每个采样时刻与对应的参考时刻的湿度影响因子的差异,获得每个采样时刻的湿度影响值;根据每个采样时刻以及对应参考时刻的振动数值和湿度数值的变化相关情况,获得每个采样时刻的振动数值和湿度数值的变化相关性;根据每个采样时刻对应的湿度影响值和变化相关性获得初始特征值,所述湿度影响值和所述初始特征值呈负相关,所述变化相关性与所述初始特征值呈正相关;
计算每个采样时刻的振动数值与对应所有参考时刻的振动数值均值之间的差异,得到差异特征值;根据每个采样时刻的初始特征值和所述差异特征值获得每个采样时刻的特征程度值,所述初始特征值与所述特征程度值呈正相关,所述差异特征值与所述特征程度值呈负相关。
进一步地,所述根据每个采样时刻与对应的参考时刻的湿度影响因子的差异,获得每个采样时刻的湿度影响值,包括:
将每个采样时刻的湿度影响因子与对应的所有参考时刻的湿度影响因子均值的差异,作为每个采样时刻的湿度影响值。
进一步地,所述根据每个采样时刻以及对应参考时刻的振动数值和湿度数值的变化相关情况,获得每个采样时刻的振动数值和湿度数值的变化相关性,包括:
在每个采样时刻对应的所有参考时刻中,统计大于每个采样时刻振动数值的参考时刻的个数,作为第一数量;统计大于每个采样时刻湿度数值的参考时刻的个数,作为第二数量;将每个采样时刻对应的所述第一数量的值和所述第二数量的值的差异作为每个采样时刻的振动数值和湿度数值的变化相关性。
进一步地,所述根据待测采样时刻、每个聚类中心采样时刻及对应的对比采样时刻的振动数值的分布、以及待测采样时刻与每个聚类中心采样时刻的特征程度值的差异,获得待测采样时刻与每个聚类中心采样时刻的匹配程度,根据待测采样时刻与所有聚类中心采样时刻的匹配程度,获取待测采样时刻的聚类结果并更新聚类中心采样时刻的对比采样时刻,过程包括:
在获取第一个待测采样时刻的聚类结果并更新聚类中心采样时刻的对比采样时刻的过程中:
每个聚类中心采样时刻对应的聚类簇中包含的对比采样时刻的个数均为0,根据第一匹配程度计算过程获得第一个待测采样时刻与每个聚类中心采样时刻的匹配程度;根据第一个待测采样时刻对应的所有匹配程度按照聚类分析过程对所述第一个待测采样时刻进行聚类分析;
所述第一匹配程度计算过程包括:根据待测采样时刻与每个聚类中心采样时刻的振动数值的数值分布,以及待测采样时刻与每个聚类中心采样时刻的特征程度值的差异,获得待测采样时刻与每个聚类中心采样时刻的匹配程度;
所述聚类分析过程包括:设置预设匹配阈值,将待测采样时刻与每个聚类中心的匹配程度与所述预设匹配阈值进行比较,若存在待测采样时刻对应的匹配程度大于或等于所述预设匹配阈值,则将待测采样时刻分类到最大匹配程度对应的聚类中心采样时刻所属的聚类簇中,并将所述待测采样时刻作为对应聚类簇内的一个对比采样时刻;若待测采样时刻对应的所有匹配程度均小于所述预设匹配阈值,则所述待测采样时刻不属于任何一个聚类簇;
对于除所述第一个待测采样时之外的其他各个待测采样时刻,定义为其他待测采样时刻,在依次获取各其他待测采样时刻的聚类结果并更新聚类中心采样时刻的对比采样时刻的过程中:
在计算其他待测采样时刻与每个聚类中心采样时刻的匹配程度时,若聚类中心采样时刻对应的聚类簇中包含的对比采样时刻的个数为0,则根据所述第一匹配程度计算过程得到其他待测采样时刻与对应聚类中心采样时刻的匹配程度;若聚类中心采样时刻中存在对比采样时刻,则根据其他待测采样时刻、对应聚类中心采样时刻及对应的对比采样时刻的振动数值的分布、以及其他待测采样时刻与对应聚类中心采样时刻的特征程度值的差异,获得其他待测采样时刻与对应聚类中心采样时刻的匹配程度;根据其他待测采样时刻对应的所有匹配程度按照聚类分析过程对所述其他待测采样时刻进行聚类分析。
进一步地,所述第一匹配程度计算过程,包括:
计算待测采样时刻与每个聚类中心采样时刻之间振动数值差异与时刻差异的比值,得到待测采样时刻的振幅时刻变化率;
将待测采样时刻的振幅时刻变化率和预设第一常数的差异,与待测采样时刻和每个聚类中心采样时刻之间特征程度值的差异相乘后进行负相关映射并归一化,得到待测采样时刻与每个聚类中心采样时刻的相关值;
将待测采样时刻与每个聚类中心采样时刻的相关值与预设第二常数的差异作为相关差异值;
将待测采样时刻与每个聚类中心采样时刻之间特征程度值的差异与所述相关差异值的乘积进行负相关映射并归一化后的值,作为待测采样时刻与每个聚类中心采样时刻的匹配程度。
进一步地,所述若聚类中心采样时刻中存在对比采样时刻,则根据其他待测采样时刻、对应聚类中心采样时刻及对应的对比采样时刻的振动数值的分布、以及其他待测采样时刻与对应聚类中心采样时刻的特征程度值的差异,获得其他待测采样时刻与对应聚类中心采样时刻的匹配程度,包括:
计算其他待测采样时刻与所述聚类中心采样时刻之间振动数值差异与时刻差异的比值,得到其他待测采样时刻的振幅时刻变化率;计算每个对比采样时刻与对应聚类中心采样时刻之间振动数值差异与时刻差异的比值,得到每个对比采样时刻的振幅时刻变化率;
将其他待测采样时刻的振幅时刻变化率和所有对比采样时刻的振幅时刻变化率均值的差异,与其他待测采样时刻和所述聚类中心采样时刻之间特征程度值的差异相乘后进行负相关映射并归一化,得到其他待测采样时刻与所述聚类中心采样时刻的相关值;
计算所有对比采样时刻与对应聚类中心采样时刻的相关值的均值,作为相关程度值;将其他待测采样时刻与所述聚类中心采样时刻的相关值与所述相关程度值的差异作为相关差异值;
将其他待测采样时刻与所述聚类中心采样时刻之间特征程度值的差异与所述相关差异值的乘积进行负相关映射并归一化后的值,作为其他待测采样时刻与所述聚类中心采样时刻的匹配程度。
进一步地,所述根据所述待测采样时刻的聚类结果判断待测采样时刻是否为异常采样时刻,包括:
若所述待测采样时刻不属于任何一个聚类簇,则所述待测采样时刻为异常采样时刻,且对应的振动数据为异常数据;
若所述待测采样时刻被作为对比采样时刻,则所述待测采样时刻为正常采样时刻,且对应的振动数据为正常数据。
进一步地,所述将与每个采样时刻相邻的预设参考数量个采样时刻作为参考时刻,包括:
所述预设参考数量取值为10,参考时刻的分布为每个采样时刻左右两侧各5个,若某侧不够5个,则在另一侧补够总数10个。
进一步地,所述预设匹配阈值取值为0.8。
本发明具有如下有益效果:
由于自动化摇纱机所处工作环境湿度较大,振动部件吸湿会降低其对数据的灵敏度,从而影响异常数据监测结果的准确性,故本发明实施例针对该情况,首先获取了自动化摇纱机的振动数据和湿度数据;进而对每个采样时刻,结合其相邻采样时刻,分析振动数值和湿度数值的变化情况以及差异情况,获取每个采样时刻的特征程度值,特征程度值可以准确的表征出每个采样时刻自身振动数据的变化情况以及振动数据受湿度的影响情况,故后续基于特征程度值对采样时刻进行聚类以及异常分析会更加的准确;在对采样时刻进行聚类之前,可先初始化聚类中心采样时刻以及对比采样时刻,由于仅分析每个采样时刻与聚类中心采样时刻的匹配情况来作为对其分类的依据不够准确,故本发明考虑类簇中其他采样时刻,即对比采样时刻、每个待分类的采样时刻以及聚类中心采样时刻的振动数值的分布,待分类的采样时刻与聚类中心采样时刻的特征程度值的差异,获取每个采样时刻与每个聚类中心采样时刻的匹配程度,最后在根据匹配程度确定待测采样时刻所属的聚类簇时,获取聚类结果的同时可以更新聚类簇的对比采样时刻并且根据聚类结果判断待测采样时刻是否为异常采样时刻。由于匹配程度结合了多种特征,因此依据匹配程度判断待测采样时刻应该分到哪个聚类簇中会更加的准确,从而提高对异常数据检测的准确性。
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为本发明一个实施例所提供的一种自动化摇纱机运行数据智能处理方法流程图。
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自动化摇纱机运行数据智能处理方法,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自动化摇纱机运行数据智能处理方法的具体方案。
请参阅图1,其示出了本发明一个实施例提供的一种自动化摇纱机运行数据智能处理方法的方法流程图,该方法包括以下步骤:
步骤S1:基于预设采样时段获取自动化摇纱机的振动数据和湿度数据。
自动化摇纱机是纺织行业中的重要设备,其运行状态的稳定性和效率直接影响到纺织品的品质和生产效率。在自动化摇纱机的运行过程中,对其振动数据进行检测是评估其运行状态的重要手段。过大的振动数据会导致摇纱机的零部件磨损加剧,甚至引发零件断裂或损坏,从而影响设备的正常运行。这种情况不仅会降低设备的寿命,增加维修成本,而且还会影响生产线的稳定性和效率,给纺织企业带来巨大的经济损失。
然而,由于摇纱机的所处的工作环境湿度较大,振动传感器元件会吸湿,导致其质量或刚度发生变化。这种变化会降低传感器对数据的灵敏度,湿度对振动传感器原件的影响会导致最终的振动数据聚类结果的不准确,进一步影响对异常数据的判断。因此,如何在这种湿度较大的环境中准确、有效地监测摇纱机的运行数据,是一个需要解决的问题。
本发明实施例通过对自动化摇纱机的振动数据和湿度数据进行同步分析,从而提高后续聚类结果的准确性,进而提高最终异常监测结果的准确度。首先,需基于预设采样时段获取自动化摇纱机的运行数据,运行数据包括振动数据和湿度数据,在对振动数据以及湿度数据进行采集时,可使用安装在自动化摇纱机某个位置的振动传感器以及高精度湿度传感器对数据进行采样和记录,其中,采样时段为10分钟,采样频率可设置为每秒一次。需要说明的是,具体的振动数据和湿度数据的采集方法、采样时段以及采样频率均可根据实际情况进行调整,在此不做限定;其中,本发明实施例中由于振动数据和湿度数据同时进行采集,且时段频率均相同,故可以认为一个采样时刻同时拥有振动数值和湿度数值两个数据值。
至此,获取到了自动化摇纱机的振动数据和湿度数据,可将其用于后续的分析过程中。
步骤S2:根据每个采样时刻与相邻采样时刻对应的振动数值和湿度数值的变化情况以及差异情况,获得每个采样时刻的特征程度值。
在获取到自动化摇纱机的振动数据和湿度数据之后,由于本发明实施例需考虑湿度对振动的影响,所以可以基于采样时刻的振动数值和湿度数值的变化趋势、湿度数据和振动数据的变化同步性,以及差异情况,获得每个采样时刻的特征程度值,特征程度值可表征出湿度对振动数值的影响情况以及每个采样时刻的振动数值的变化情况。
优选地,本发明一个实施例中,根据每个采样时刻与相邻采样时刻对应的振动数值和湿度数值的变化情况以及差异情况,获得每个采样时刻的特征程度值,包括:
首先可根据预设采样时段的振动数据,获取振动曲线,同时根据预设采样时段的湿度数据,获取湿度曲线;然后分析每个采样时刻处的振动数值和湿度数值的变化趋势,鉴于斜率信息可以在一定程度上表征出数据的变化趋势,故获取每个采样时刻处振动数值的斜率,将该斜率作为振动趋势值,获取每个采样时刻处湿度数值的斜率,并将其作为湿度趋势值,然后将振动趋势值和湿度趋势值进行结合,即将振动趋势值和湿度趋势值的差异作为湿度影响因子。湿度影响因子包含了振动数据和湿度数据的变化趋势,因此将其作为后续获取湿度影响值的指标,会更加的准确。
由于单独分析每个采样时刻的湿度影响因子会具有片面性,故本发明实施例将与每个采样时刻相邻的预设参考数量个采样时刻作为参考时刻,并且预设参考数量设置为10,然后分析每个采样时刻与对应的参考时刻的湿度影响因子之间的变化情况,获得每个采样时刻的湿度影响值,具体为:获取每个采样时刻对应的所有参考时刻的湿度影响因子的均值,然后计算每个采样时刻的湿度影响因子与对应的该均值之间的差异,得到每个采样时刻的湿度影响值。
湿度影响值反映的是每个采样时刻的振动数值和湿度数值之间的变化趋势,接着可继续分析振动数据与湿度数据的变化同步性,也即变化相关情况。通过每个采样时刻以及对应参考时刻的振动数值和湿度数值的变化相关情况,可以获得每个采样时刻的振动数据和湿度数据的变化相关性,具体获取方法为:在每个采样时刻对应的所有参考时刻中,统计大于每个采样时刻振动数值的参考时刻的个数,作为第一数量;统计大于每个采样时刻湿度数值的参考时刻的个数,作为第二数量;然后将第一数量的值和第二数量的值的差异作为每个采样时刻振动数值和湿度数值的变化相关性。
最后可根据每个采样时刻对应的湿度影响值和变化相关性获得初始特征值,并且湿度影响值与初始特征值呈负相关,变化相关性与初始特征值呈正相关。初始特征值的公式模型具体可以例如为:
其中,表示第/>个采样时刻的初始特征值,/>表示第/>个采样时刻的振动趋势值,/>表示第/>个采样时刻的湿度趋势值,/>表示第/>个采样时刻的第/>个参考时刻的振动趋势值,/>表示第/>个采样时刻的第/>个参考时刻的湿度趋势值,/>表示第/>个采样时刻的参考时刻的总数,/>表示第/>个采样时刻对应的第一数量,/>表示第/>个采样时刻对应的第二数量,/>表示以自然常数/>为底的指数函数,/>表示归一化函数。
在初始特征值的公式模型中,获取每个采样时刻对应的所有参考时刻的湿度影响因子的均值,即/>,湿度影响因子可表征出湿度数据与振动数据变化趋势的差异情况,该值越小,说明湿度数据与振动数据变化越相关,那么即可视为湿度数据对振动数据的影响越大,同时,所有参考时刻的湿度影响因子的均值可表征与每个采样时刻相邻的预设参考数量个采样时刻的振动数据与湿度数据变化趋势的一般情况,故将每个采样时刻的湿度影响因子与对应的该均值求差异,获得湿度影响值,湿度影响值越大可说明该采样时刻的振动数据受湿度数据影响的程度相较于其相邻的参考时刻而言,更加突出或更加明显,那么该采样时刻的初始特征应该越小,同理,分析每个采样时刻的振动数据和湿度数据的变化相关情况,同样是基于每个采样时刻对应的参考时刻进行分析,根据第一数量和第二数量的差异,获得变化相关性/>,可以在一定程度上表征出采样时刻附近的参考时刻的振动数据与湿度数据变化的密切性,若该值越小,那么说明振动数据与湿度数据的变化相关程度越大,说明该采样时刻的振动数据受湿度影响越大,那么该采样时刻的初始特征同样应该越小,故将湿度影响值进行负相关映射并归一化后的值与变化相关性归一化后的值相结合,二者相乘后的值作为采样时刻的初始特征值,当湿度影响值/>越大时,同时变化相关性/>越小时,采样时刻的初始特征值越小。
需要说明的是,斜率的计算方法为本领域技术人员熟知的操作过程,在此不做赘述,并且最后一个采样时刻的斜率在本发明该实施例中设置为与其前一个采样时刻的斜率相同;预设参考数量设置为10,即参考时刻可设置为每个采样时刻左右两侧各5个,若某侧不够5个,则在另一侧补够总数10个即可。
接着可根据每个采样时刻的振动数据与其相邻采样时刻的振动数据的波动特征,结合每个采样时刻的初始特征值,获得每个采样时刻的特征程度值,特征程度值可更加准确的反映出每个采样时刻的振动数据的具体变化情况。
计算每个采样时刻的振动数值与其对应所有参考时刻的振动数值均值之间的差异,得到差异特征值。差异特征值可表征出每个采样时刻的振动数值与其相邻的采样时刻的振动数值波动的整体情况的偏离程度。
然后根据每个采样时刻的初始特征值和获得的差异特征值计算每个采样时刻的特征程度值,并且初始特征值与特征程度值呈正相关,差异特征值与特征程度值呈负相关。特征程度值的公式模型具体可以例如为:
其中,表示第/>个采样时刻的特征程度值,/>表示第/>个采样时刻的振动数据的幅值,/>表示第/>个采样时刻的初始特征值,/>表示第/>个采样时刻的第/>个参考时刻的振动数据的幅值,/>表示第/>个采样时刻的参考时刻的总数,/>表示预设参数。
在特征程度值的公式模型中,计算采样时刻对应的所有参考时刻的振动数值均值,该均值可以表征出采样时刻的相邻采样时刻的振动程度的一般情况,故计算每个采样时刻与对应的该均值的差异,得到差异特征值/>,差异特征值反映了采样时刻的振动与其对应的参考时刻的振动一般水平的偏差情况,差异特征值越大,说明该采样时刻的振动数据不具备其相邻的多个采样时刻的振动的一般特征,那么该采样时刻的特征程度值就应该偏小;同时,将差异特征值与采样时刻的初始特征值相结合,也即结合了采样时刻的振动情况和振动受湿度影响的情况,对差异特征值进行负相关映射,实现逻辑关系矫正后与初始特征值相乘,得到采样时刻的特征程度值。需要说明的是,预设参数/>的作用为防止分母为0,在此可取值为0.001,具体数值可根据实施场景进行调整,在此不做限定。
至此,通过分析每个采样时刻以及其对应的参考时刻的振动数据和湿度数据,获取到了每个采样时刻的特征程度值,特征程度值不仅可以表征出采样时刻的振动数据的相关信息,并且还可反映出振动数据受湿度数据的影响情况,故在后续的分析过程中利用特征程度值进行聚类分析,可以获取到更加准确的聚类结果,并提高异常数据的判断准确性。
步骤S3:初始化聚类中心采样时刻以及对比采样时刻,依次将除聚类中心采样时刻外其他的每一个采样时刻作为待测采样时刻,对比采样时刻为聚类中心采样时刻对应的聚类簇中的采样时刻;根据待测采样时刻、每个聚类中心采样时刻及对应的对比采样时刻的振动数值的分布、以及待测采样时刻与每个聚类中心采样时刻的特征程度值的差异,获得待测采样时刻与每个聚类中心采样时刻的匹配程度,根据待测采样时刻与所有聚类中心采样时刻的匹配程度,获取待测采样时刻的聚类结果并更新聚类中心采样时刻的对比采样时刻。
本发明实施例解决的问题为在湿度影响的情况下,提高自动摇纱机运行数据的聚类准确度,进而提高最终的异常数据判断的准确性,所以在获取到可以衡量各个采样时刻的振动数据变化情况以及振动数据受湿度影响的特征程度值之后,可基于此对采样时刻进行聚类分析,首先需确定聚类中心,也即初始化聚类中心采样时刻以及对比采样时刻,其中,对比采样时刻为每个聚类中心采样时刻对应的聚类簇中的采样时刻;本发明该实施例中随机选取预设数量个采样时刻作为聚类中心采样时刻,并且后续的聚类过程为依次判断与每个采样时刻最匹配的聚类中心采样时刻,从而完成对每个采样时刻的聚类过程,为了便于解释和说明,依次将除聚类中心外其他的每一个采样时刻作为待测采样时刻,通过对待测采样时刻的聚类分析,用以解释说明整个过程。需要说明的是,预设数量可取值为8,具体数值可根据实施场景进行调整,在此不做限定。
由于仅仅通过将待测采样时刻与聚类中心的特征程度值的差异作为聚类时的依据会不够准确,因为并没有考虑聚类簇中其他采样时刻与待测采样时刻的相似情况,所以在对待测采样时刻进行聚类时会出现聚类不准确的问题,故在本发明该实施例中,分析待测采样时刻、每个聚类中心采样时刻及其对应的对比采样时刻的振动数据的数据分布情况,结合特征程度值的差异,计算待测采样时刻与每个聚类中心采样时刻的匹配程度,从而根据待测采样时刻与所有聚类中心采样时刻的匹配程度,对待测采样时刻进行聚类分析,获得聚类结果并更新聚类中心采样时刻的对比采样时刻。
优选地,本发明一个实施例中,根据待测采样时刻、每个聚类中心采样时刻及对应的对比采样时刻的振动数值的分布、以及待测采样时刻与每个聚类中心采样时刻的特征程度值的差异,获得待测采样时刻与每个聚类中心采样时刻的匹配程度,根据待测采样时刻与所有聚类中心采样时刻的匹配程度,获取待测采样时刻的聚类结果并更新聚类中心采样时刻的对比采样时刻,过程包括:
在获取第一个待测采样时刻的聚类结果并更新聚类中心采样时刻的对比采样时刻的过程中:
此时,每个聚类中心采样时刻对应的聚类簇中的对比采样时刻的个数均为0,所以在对第一个待测采样时刻进行聚类时,只需根据第一匹配程度计算过程获得第一个待测采样时刻与每个聚类中心采样时刻的匹配程度即可,第一匹配程度计算过程包括:根据待测采样时刻与每个聚类中心采样时刻的振动数值的数值分布,以及待测采样时刻与每个聚类中心采样时刻的特征程度值的差异,获得待测采样时刻与每个聚类中心采样时刻的匹配程度。第一匹配程度计算过程具体为:
首先计算待测采样时刻与每个聚类中心采样时刻之间的振动数值差异与时刻差异的比值,得到待测采样时刻的振幅时刻变化率。然后将待测采样时刻的振幅时刻变化率和预设第一常数的差异,与待测采样时刻和每个聚类中心采样时刻之间特征程度值的差异相乘后进行负相关映射并归一化,得到待测采样时刻与每个聚类中心采样时刻的相关值。最后将待测采样时刻与每个聚类中心采样时刻的相关值与预设第二常数的差异作为相关差异值;将待测采样时刻与每个聚类中心采样时刻之间特征程度值的差异与相关差异值的乘积进行负相关映射并归一化后的值,作为待测采样时刻与每个聚类中心采样时刻的匹配程度。
根据上述过程可以获得第一个待测采样时刻与每个聚类中心采样时刻的匹配程度,从而完成第一个待测采样时刻的聚类分析过程。
其中,聚类分析过程包括:设置预设匹配阈值,预设匹配阈值可设置为0.8,然后将第一个待测采样时刻与每个聚类中心的匹配程度与预设匹配阈值进行比较,若存在第一个待测采样时刻对应的匹配程度大于或等于预设匹配阈值,则将第一个待测采样时刻分类到最大匹配程度对应的聚类中心采样时刻所属的聚类簇中,并将第一个待测采样时刻作为该聚类簇内的一个对比采样时刻;若待测采样时刻对应的所有匹配程度均小于预设匹配阈值,则第一个待测采样时刻不属于任何一个聚类簇。
此时可继续对其他待测采样时刻进行聚类过程的分析,在本发明该实施例中将除第一个待测采样时刻之外的其他各个待测采样时刻定义为其他采样时刻,在依次获取各其他待测采样时刻的聚类结果并更新聚类中心采样时刻的对比采样时刻的过程中:
由于此前的待测采样时刻已经完成了聚类,那么在获取其他待测采样时刻与每个聚类中心采样时刻的匹配程度时,需先判断聚类中心采样时刻对应的聚类簇中是否存在对比采样时刻。若聚类中心采样时刻对应的聚类簇中不包含对比采样时刻,那么在计算其他待测采样时刻与该聚类中心采样时刻的匹配程度时,则可根据第一匹配程度计算过程得到其他待测采样时刻与对应聚类中心采样时刻的匹配程度。若此前有待测采样时刻已经变成了对比采样时刻,那么在计算其他待测采样时刻与对比采样时刻所属的聚类中心采样时刻的匹配程度时,由于此时的聚类中心采样时刻对应的聚类簇中包含了对比采样时刻,所以需根据其他待测采样时刻、对应聚类中心采样时刻及对应的对比采样时刻的振动数值的分布、以及其他待测采样时刻与对应聚类中心采样时刻的特征程度值的差异,获得其他待测采样时刻与对应聚类中心采样时刻的匹配程度。最后根据聚类中心采样时刻所对应的聚类簇中是否存在对比采样时刻,也即根据不同的匹配程度获取方法可以获取到其他待测采样时刻与所有聚类中心采样时刻的匹配程度;然后根据其他待测采样时刻对应的所有匹配程度进行聚类分析,完成其他待测采样时刻的聚类分析过程。
其中,聚类分析过程包括:设置预设匹配阈值,预设匹配阈值可设置为0.8,然后将其他待测采样时刻与每个聚类中心的匹配程度与预设匹配阈值进行比较,若存在其他待测采样时刻对应的匹配程度大于或等于预设匹配阈值,则将其他待测采样时刻分类到最大匹配程度对应的聚类中心采样时刻所属的聚类簇中,并将其他待测采样时刻作为对应聚类簇内的一个对比采样时刻;若其他待测采样时刻对应的所有匹配程度均小于预设匹配阈值,则其他待测采样时刻不属于任何一个聚类簇。
在进行上述操作之后,可以获得所有待测采样时刻的聚类结果。
待测采样时刻以采样时刻为例,不存在对比采样时刻的聚类中心采样时刻以采样时刻/>为例,存在对比采样时刻的聚类中心采样时刻以采样时刻/>为例,待测采样时刻与不存在对比采样时刻的聚类中心采样时刻的相关值的公式模型、待测采样时刻与存在对比采样时刻的聚类中心采样时刻的相关值的公式模型具体可以例如为:
其中,表示待测采样时刻/>和聚类中心采样时刻/>的相关值,/>表示待测采样时刻/>和聚类中心采样时刻/>的相关值,/>表示待测采样时刻/>和聚类中心采样时刻/>之间的振动数值差异,/>表示待测采样时刻/>和聚类中心采样时刻/>之间的时刻差异,/>表示待测采样时刻/>和聚类中心采样时刻/>之间的振动数值差异,/>表示待测采样时刻/>和聚类中心采样时刻/>之间的时刻差异,/>表示待测采样时刻/>的特征程度值,/>表示聚类中心采样时刻/>的特征程度值,/>表示聚类中心采样时刻/>的特征程度值,/>表示聚类中心采样时刻/>对应的第/>个对比采样时刻与聚类中心采样时刻/>之间的振动数据幅值差异,/>表示聚类中心采样时刻/>对应的第/>个对比采样时刻与聚类中心采样时刻/>之间的时刻差异,/>表示聚类中心采样时刻/>对应的对比采样时刻总数,/>表示以自然常数/>为底的指数函数,/>表示预设第一常数。
在相关值的公式模型中,若聚类中心采样时刻对应的聚类簇中存在对比采样时刻,则计算所有对比采样时刻的振幅时刻变化率的均值,振幅时刻变化率可以表征出采样时刻与聚类中心采样时刻两个采样时刻之间的振动特性以及动态响应情况,由于对比采样时刻为聚类中心采样时刻对应的聚类簇中的采样时刻,故所有对比采样时刻的振幅时刻变化率的均值可以反映出聚类中心采样时刻对应的聚类簇中的采样时刻的振动特性以及动态响应情况的整体水平,所以计算待测采样时刻的振幅时刻变化率与该均值的差异/>,该值越小,说明待测采样时刻与聚类中心采样时刻之间的振动特性和动态响应情况与聚类中心采样时刻对应的聚类簇中所有对比采样时刻对应的整体水平越接近,那么待测采样时刻与聚类中心采样时刻的相关值就应该越大;同理,若待测采样时刻与聚类中心采样时刻的特征程度值的差异/>也越小时,也可说明待测采样时刻与聚类中心采样时刻的相似程度越高,那么相关值就应该越大,故将二者相乘,并将相乘后的值进行负相关映射并归一化,完成逻辑关系矫正,得到待测采样时刻与聚类中心采样时刻的相关值。对比采样时刻为聚类中心采样时刻对应的聚类簇中的采样时刻,所以当某个聚类中心采样时刻对应的聚类簇中并不存在对比采样时刻时,那么在此时计算待测采样时刻与该聚类中心采样时刻的相关值时,计算待测采样时刻的振幅时刻变化率与预设第一常数的差异,即/>,然后同理,将该差异与/>相乘后进行负相关映射并归一化,得到待测采样时刻与不存在对比采样时刻的聚类中心采样时刻的相关值。需要说明的是,在本发明该实施例中,将预设第一常数/>设置为0即可,具体数值可根据实施场景进行调整,在此不做限定。同时,在本发明其他实施例中,若聚类中心采样时刻不存在对比采样时刻时,也可直接将待测采样时刻与该聚类中心采样时刻的特征程度值的差异进行负相关映射并归一化后的值作为相关值。
待测采样时刻以采样时刻为例,不存在对比采样时刻的聚类中心采样时刻以采样时刻/>为例,存在对比采样时刻的聚类中心采样时刻以采样时刻/>为例,待测采样时刻与不存在对比采样时刻的聚类中心采样时刻的匹配程度的公式模型,即第一匹配程度的计算公式、待测采样时刻与存在对比采样时刻的聚类中心采样时刻的匹配程度的公式模型具体可以例如为:
其中,表示待测采样时刻/>和聚类中心采样时刻/>的匹配程度,/>表示待测采样时刻/>和聚类中心采样时刻/>的匹配程度,/>表示待测采样时刻/>的特征程度值,/>表示聚类中心采样时刻/>的特征程度值,/>表示聚类中心采样时刻/>的特征程度值,/>表示待测采样时刻/>和聚类中心采样时刻/>的相关值,/>表示待测采样时刻/>和聚类中心采样时刻/>的相关值,/>表示聚类中心采样时刻/>对应的第/>个对比采样时刻与聚类中心采样时刻/>之间的相关值,/>表示聚类中心采样时刻/>对应的对比采样时刻的总数,/>表示预设第二常数,/>表示以自然常数/>为底的指数函数。
在匹配程度的公式模型中,若聚类中心采样时刻存在对比采样时刻,那么获取所有对比采样时刻与该聚类中心采样时刻的相关值的均值,作为相关程度值,相关程度指表征了该聚类中心采样时刻对应的聚类簇中所有采样时刻与聚类中心采样时刻的相关情况的整体水平,所以在对待测采样时刻进行匹配程度的计算时,获取待测采样时刻与该聚类中心采样时刻的相关值与该相关程度指的差异,作为相关差异值,相关差异值越大,则说明待测采样时刻与该聚类中心采样时刻的相关值相较于该聚类中心采样时刻对应的聚类簇中其他采样时刻与该聚类中心采样时刻的相关值的整体水平而言,偏差较大,那么待测采样时刻分到这个聚类中心采样时刻对应的聚类簇中,就不合适,反之,若相关差异值越小,说明待测采样时刻分到这个聚类中心采样时刻对应的聚类簇中就越合适,也即匹配程度越高;同理,计算待测采样时刻与该聚类中心采样时刻之间的特征程度值的差异,若该差异越小,说明待测采样时刻与该聚类中心采样时刻的振动数据的变化情况以及振动数据受湿度影响的程度都较为相似,那么待测采样时刻分到这个聚类中心采样时刻对应的聚类簇中就越合适,所以将该差异与相关差异值相乘后的值,进行负相关映射并归一化,实现逻辑关系矫正,获得待测采样时刻与这个聚类中心采样时刻的匹配程度。若聚类中心采样时刻中不存在对比采样时刻,那么在计算相关差异值时,将待测采样时刻与该聚类中心采样时刻的相关值与预设第二常数的差异作为相关差异值,即/>,然后将相关差异值与/>相乘后进行负相关映射并归一化,得到待测采样时刻与该聚类中心采样时刻的匹配程度。需要说明的是,在本发明该实施例中,将预设第二常数/>设置为0即可,具体数值可根据实施场景进行调整,在此不做限定。同时,在本发明其他实施例中,若聚类中心采样时刻不存在对比采样时刻时,也可直接将待测采样时刻与该聚类中心采样时刻的特征程度值的差异进行负相关映射并归一化后的值作为匹配程度。
至此,获取到了待测采样时刻与所有聚类中心采样时刻的匹配程度以及待测采样时刻的聚类结果之后,在后续过程中,可对聚类结果进行进一步的分析,从而判断待测采样时刻是否为异常采样时刻。
步骤S4:根据待测采样时刻的聚类结果判断待测采样时刻是否为异常采样时刻。
在获取到待测采样时刻的聚类结果之后,可对待测采样时刻的聚类结果进行分析,确定其是否为异常采样时刻。
优选地,本发明一个实施例中,根据待测采样时刻的聚类结果判断待测采样时刻是否为异常采样时刻,包括:
由于聚类簇是数据集中相似样本的集合,遵循相似的分布规律,因此如果待测采样时刻不属于任何一个聚类簇,那么说明其与数据集中其他样本在特征上存在明显差异,异常采样时刻通常代表数据集中的异常值或离群点,故此时待测采样时刻即可作为异常采样时刻,且其对应的振动数据就为异常数据。
反之,若待测采样时刻被作为对比采样时刻,那么说明其可以被聚类到某个聚类簇中,那么则认为待测采样时刻为正常采样时刻,且其对应的振动数据为正常数据。
至此,可以通过上述方法可对除聚类中心外的所有采样时刻进行聚类分析,并判断其是否为异常采样时刻。
综上所述,由于自动化摇纱机所处工作环境湿度较大,振动部件吸湿会降低其对数据的灵敏度,从而影响异常数据监测结果的准确性,故本发明实施例针对该情况,首先获取了自动化摇纱机的振动数据和湿度数据;进而对每个采样时刻,结合其相邻采样时刻,分析振动数值和湿度数值的变化情况以及差异情况,获取每个采样时刻的特征程度值,特征程度值可以准确的表征出每个采样时刻自身振动数据的变化情况以及振动数据受湿度的影响情况,故后续基于特征程度值对采样时刻进行聚类以及异常分析会更加的准确;在对采样时刻进行聚类之前,可先初始化聚类中心采样时刻以及对比采样时刻,由于仅分析每个采样时刻与聚类中心采样时刻的匹配情况来作为对其分类的依据不够准确,故本发明考虑类簇中其他采样时刻,即对比采样时刻、每个待分类的采样时刻以及聚类中心采样时刻的振动数值的分布,待分类的采样时刻与聚类中心采样时刻的特征程度值的差异,获取每个采样时刻与每个聚类中心采样时刻的匹配程度,最后在根据匹配程度确定待测采样时刻所属的聚类簇时,获取聚类结果的同时可以更新聚类簇的对比采样时刻并且根据聚类结果判断待测采样时刻是否为异常采样时刻。由于匹配程度结合了多种特征,因此依据匹配程度判断待测采样时刻应该分到哪个聚类簇中会更加的准确,从而提高对异常数据检测的准确性。
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。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。
Claims (7)
1.一种自动化摇纱机运行数据智能处理方法,其特征在于,所述方法包括:
基于预设采样时段获取自动化摇纱机的振动数据和湿度数据;
根据每个采样时刻与相邻采样时刻对应的振动数值和湿度数值的变化情况以及差异情况,获得每个采样时刻的特征程度值;
初始化聚类中心采样时刻以及对比采样时刻,依次将除聚类中心采样时刻外其他的每一个采样时刻作为待测采样时刻,所述对比采样时刻为所述聚类中心采样时刻对应的聚类簇中的采样时刻;根据待测采样时刻、每个聚类中心采样时刻及对应的对比采样时刻的振动数值的分布、以及待测采样时刻与每个聚类中心采样时刻的特征程度值的差异,获得待测采样时刻与每个聚类中心采样时刻的匹配程度,根据待测采样时刻与所有聚类中心采样时刻的匹配程度,获取待测采样时刻的聚类结果并更新聚类中心采样时刻的对比采样时刻;
根据所述待测采样时刻的聚类结果判断待测采样时刻是否为异常采样时刻;
所述根据待测采样时刻、每个聚类中心采样时刻及对应的对比采样时刻的振动数值的分布、以及待测采样时刻与每个聚类中心采样时刻的特征程度值的差异,获得待测采样时刻与每个聚类中心采样时刻的匹配程度,根据待测采样时刻与所有聚类中心采样时刻的匹配程度,获取待测采样时刻的聚类结果并更新聚类中心采样时刻的对比采样时刻,过程包括:
在获取第一个待测采样时刻的聚类结果并更新聚类中心采样时刻的对比采样时刻的过程中:
每个聚类中心采样时刻对应的聚类簇中包含的对比采样时刻的个数均为0,根据第一匹配程度计算过程获得第一个待测采样时刻与每个聚类中心采样时刻的匹配程度;根据第一个待测采样时刻对应的所有匹配程度按照聚类分析过程对所述第一个待测采样时刻进行聚类分析;
所述第一匹配程度计算过程包括:根据待测采样时刻与每个聚类中心采样时刻的振动数值的数值分布,以及待测采样时刻与每个聚类中心采样时刻的特征程度值的差异,获得待测采样时刻与每个聚类中心采样时刻的匹配程度;
所述聚类分析过程包括:设置预设匹配阈值,将待测采样时刻与每个聚类中心的匹配程度与所述预设匹配阈值进行比较,若存在待测采样时刻对应的匹配程度大于或等于所述预设匹配阈值,则将待测采样时刻分类到最大匹配程度对应的聚类中心采样时刻所属的聚类簇中,并将所述待测采样时刻作为对应聚类簇内的一个对比采样时刻;若待测采样时刻对应的所有匹配程度均小于所述预设匹配阈值,则所述待测采样时刻不属于任何一个聚类簇;
对于除所述第一个待测采样时之外的其他各个待测采样时刻,定义为其他待测采样时刻,在依次获取各其他待测采样时刻的聚类结果并更新聚类中心采样时刻的对比采样时刻的过程中:
在计算其他待测采样时刻与每个聚类中心采样时刻的匹配程度时,若聚类中心采样时刻对应的聚类簇中包含的对比采样时刻的个数为0,则根据所述第一匹配程度计算过程得到其他待测采样时刻与对应聚类中心采样时刻的匹配程度;若聚类中心采样时刻中存在对比采样时刻,则根据其他待测采样时刻、对应聚类中心采样时刻及对应的对比采样时刻的振动数值的分布、以及其他待测采样时刻与对应聚类中心采样时刻的特征程度值的差异,获得其他待测采样时刻与对应聚类中心采样时刻的匹配程度;根据其他待测采样时刻对应的所有匹配程度按照聚类分析过程对所述其他待测采样时刻进行聚类分析;
所述第一匹配程度计算过程,包括:
计算待测采样时刻与每个聚类中心采样时刻之间振动数值差异与时刻差异的比值,得到待测采样时刻的振幅时刻变化率;
将待测采样时刻的振幅时刻变化率和预设第一常数的差异,与待测采样时刻和每个聚类中心采样时刻之间特征程度值的差异相乘后进行负相关映射并归一化,得到待测采样时刻与每个聚类中心采样时刻的相关值;
将待测采样时刻与每个聚类中心采样时刻的相关值与预设第二常数的差异作为相关差异值;
将待测采样时刻与每个聚类中心采样时刻之间特征程度值的差异与所述相关差异值的乘积进行负相关映射并归一化后的值,作为待测采样时刻与每个聚类中心采样时刻的匹配程度;
所述若聚类中心采样时刻中存在对比采样时刻,则根据其他待测采样时刻、对应聚类中心采样时刻及对应的对比采样时刻的振动数值的分布、以及其他待测采样时刻与对应聚类中心采样时刻的特征程度值的差异,获得其他待测采样时刻与对应聚类中心采样时刻的匹配程度,包括:
计算其他待测采样时刻与所述聚类中心采样时刻之间振动数值差异与时刻差异的比值,得到其他待测采样时刻的振幅时刻变化率;计算每个对比采样时刻与对应聚类中心采样时刻之间振动数值差异与时刻差异的比值,得到每个对比采样时刻的振幅时刻变化率;
将其他待测采样时刻的振幅时刻变化率和所有对比采样时刻的振幅时刻变化率均值的差异,与其他待测采样时刻和所述聚类中心采样时刻之间特征程度值的差异相乘后进行负相关映射并归一化,得到其他待测采样时刻与所述聚类中心采样时刻的相关值;
计算所有对比采样时刻与对应聚类中心采样时刻的相关值的均值,作为相关程度值;将其他待测采样时刻与所述聚类中心采样时刻的相关值与所述相关程度值的差异作为相关差异值;
将其他待测采样时刻与所述聚类中心采样时刻之间特征程度值的差异与所述相关差异值的乘积进行负相关映射并归一化后的值,作为其他待测采样时刻与所述聚类中心采样时刻的匹配程度。
2.根据权利要求1所述的一种自动化摇纱机运行数据智能处理方法,其特征在于,所述根据每个采样时刻与相邻采样时刻对应的振动数值和湿度数值的变化情况以及差异情况,获得每个采样时刻的特征程度值,包括:
根据预设采样时段的振动数据,获取振动曲线;根据预设采样时段的湿度数据,获取湿度曲线;
将每个采样时刻对应的振动曲线中振动数值的斜率作为振动趋势值,将每个采样时刻对应的湿度曲线中湿度数值的斜率作为湿度趋势值,将每个采样时刻的所述振动趋势值和所述湿度趋势值的差异作为每个采样时刻的湿度影响因子;
将与每个采样时刻相邻的预设参考数量个采样时刻作为参考时刻,根据每个采样时刻与对应的参考时刻的湿度影响因子的差异,获得每个采样时刻的湿度影响值;根据每个采样时刻以及对应参考时刻的振动数值和湿度数值的变化相关情况,获得每个采样时刻的振动数值和湿度数值的变化相关性;根据每个采样时刻对应的湿度影响值和变化相关性获得初始特征值,所述湿度影响值和所述初始特征值呈负相关,所述变化相关性与所述初始特征值呈正相关;
计算每个采样时刻的振动数值与对应所有参考时刻的振动数值均值之间的差异,得到差异特征值;根据每个采样时刻的初始特征值和所述差异特征值获得每个采样时刻的特征程度值,所述初始特征值与所述特征程度值呈正相关,所述差异特征值与所述特征程度值呈负相关。
3.根据权利要求2所述的一种自动化摇纱机运行数据智能处理方法,其特征在于,所述根据每个采样时刻与对应的参考时刻的湿度影响因子的差异,获得每个采样时刻的湿度影响值,包括:
将每个采样时刻的湿度影响因子与对应的所有参考时刻的湿度影响因子均值的差异,作为每个采样时刻的湿度影响值。
4.根据权利要求2所述的一种自动化摇纱机运行数据智能处理方法,其特征在于,所述根据每个采样时刻以及对应参考时刻的振动数值和湿度数值的变化相关情况,获得每个采样时刻的振动数值和湿度数值的变化相关性,包括:
在每个采样时刻对应的所有参考时刻中,统计大于每个采样时刻振动数值的参考时刻的个数,作为第一数量;统计大于每个采样时刻湿度数值的参考时刻的个数,作为第二数量;将每个采样时刻对应的所述第一数量的值和所述第二数量的值的差异作为每个采样时刻的振动数值和湿度数值的变化相关性。
5.根据权利要求1所述的一种自动化摇纱机运行数据智能处理方法,其特征在于,所述根据所述待测采样时刻的聚类结果判断待测采样时刻是否为异常采样时刻,包括:
若所述待测采样时刻不属于任何一个聚类簇,则所述待测采样时刻为异常采样时刻,且对应的振动数据为异常数据;
若所述待测采样时刻被作为对比采样时刻,则所述待测采样时刻为正常采样时刻,且对应的振动数据为正常数据。
6.根据权利要求2所述的一种自动化摇纱机运行数据智能处理方法,其特征在于,所述将与每个采样时刻相邻的预设参考数量个采样时刻作为参考时刻,包括:
所述预设参考数量取值为10,参考时刻的分布为每个采样时刻左右两侧各5个,若某侧不够5个,则在另一侧补够总数10个。
7.根据权利要求1所述的一种自动化摇纱机运行数据智能处理方法,其特征在于,所述预设匹配阈值取值为0.8。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410206299.XA CN117786445B (zh) | 2024-02-26 | 2024-02-26 | 一种自动化摇纱机运行数据智能处理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410206299.XA CN117786445B (zh) | 2024-02-26 | 2024-02-26 | 一种自动化摇纱机运行数据智能处理方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117786445A CN117786445A (zh) | 2024-03-29 |
CN117786445B true CN117786445B (zh) | 2024-05-10 |
Family
ID=90401996
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410206299.XA Active CN117786445B (zh) | 2024-02-26 | 2024-02-26 | 一种自动化摇纱机运行数据智能处理方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117786445B (zh) |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2015108990A (ja) * | 2013-12-05 | 2015-06-11 | 株式会社日立ソリューションズ | 異常検出装置及び異常検出方法 |
CN110674864A (zh) * | 2019-09-20 | 2020-01-10 | 国网上海市电力公司 | 一种含同步相量量测装置的风电异常数据辨识方法 |
CN110741388A (zh) * | 2019-08-14 | 2020-01-31 | 东莞理工学院 | 对抗样本检测方法、装置、计算设备及计算机存储介质 |
WO2021027344A1 (zh) * | 2019-08-15 | 2021-02-18 | 深圳市商汤科技有限公司 | 图像处理方法及装置、电子设备和存储介质 |
CN112416996A (zh) * | 2020-10-14 | 2021-02-26 | 国电大渡河沙坪水电建设有限公司 | 振动区确定方法及装置 |
WO2022252505A1 (zh) * | 2021-06-02 | 2022-12-08 | 杭州安脉盛智能技术有限公司 | 一种基于多指标集群分析的设备状态监测方法 |
CN116186634A (zh) * | 2023-04-26 | 2023-05-30 | 青岛新航农高科产业发展有限公司 | 一种建筑工程施工数据智能管理系统 |
KR20230125116A (ko) * | 2022-02-20 | 2023-08-29 | 임창현 | 머신러닝 클러스터링 알고리즘과 통계적 기법을 이용해 고장 데이터가 부재한 시스템의 결함 탐지 및 고장 진단 예측 방법 |
CN117332283A (zh) * | 2023-12-01 | 2024-01-02 | 山东康源堂药业股份有限公司 | 一种中药材生长信息采集分析方法及系统 |
CN117390591A (zh) * | 2023-12-11 | 2024-01-12 | 华洋通信科技股份有限公司 | 基于电参量分析的输煤皮带采样机运行监测方法及系统 |
CN117408423A (zh) * | 2023-10-26 | 2024-01-16 | 广东电网有限责任公司 | 一种光伏场景划分方法及系统 |
CN117476247A (zh) * | 2023-12-27 | 2024-01-30 | 杭州深麻智能科技有限公司 | 一种疾病多模态数据智能分析方法 |
CN117540325A (zh) * | 2024-01-05 | 2024-02-09 | 杭银消费金融股份有限公司 | 基于数据变化量捕获的业务数据库异常检测方法及系统 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
ES2938909T3 (es) * | 2018-12-20 | 2023-04-17 | Suez Int | Un procedimiento mejorado para evaluar el estado de la tubería |
TWI732324B (zh) * | 2019-10-24 | 2021-07-01 | 國立中正大學 | 工具機健康狀態監測方法 |
US11630428B2 (en) * | 2021-08-06 | 2023-04-18 | Trimble Inc. | Real-time analysis of vibration samples for operating environment classification and anomaly detection |
-
2024
- 2024-02-26 CN CN202410206299.XA patent/CN117786445B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2015108990A (ja) * | 2013-12-05 | 2015-06-11 | 株式会社日立ソリューションズ | 異常検出装置及び異常検出方法 |
CN110741388A (zh) * | 2019-08-14 | 2020-01-31 | 东莞理工学院 | 对抗样本检测方法、装置、计算设备及计算机存储介质 |
WO2021027344A1 (zh) * | 2019-08-15 | 2021-02-18 | 深圳市商汤科技有限公司 | 图像处理方法及装置、电子设备和存储介质 |
CN110674864A (zh) * | 2019-09-20 | 2020-01-10 | 国网上海市电力公司 | 一种含同步相量量测装置的风电异常数据辨识方法 |
CN112416996A (zh) * | 2020-10-14 | 2021-02-26 | 国电大渡河沙坪水电建设有限公司 | 振动区确定方法及装置 |
WO2022252505A1 (zh) * | 2021-06-02 | 2022-12-08 | 杭州安脉盛智能技术有限公司 | 一种基于多指标集群分析的设备状态监测方法 |
KR20230125116A (ko) * | 2022-02-20 | 2023-08-29 | 임창현 | 머신러닝 클러스터링 알고리즘과 통계적 기법을 이용해 고장 데이터가 부재한 시스템의 결함 탐지 및 고장 진단 예측 방법 |
CN116186634A (zh) * | 2023-04-26 | 2023-05-30 | 青岛新航农高科产业发展有限公司 | 一种建筑工程施工数据智能管理系统 |
CN117408423A (zh) * | 2023-10-26 | 2024-01-16 | 广东电网有限责任公司 | 一种光伏场景划分方法及系统 |
CN117332283A (zh) * | 2023-12-01 | 2024-01-02 | 山东康源堂药业股份有限公司 | 一种中药材生长信息采集分析方法及系统 |
CN117390591A (zh) * | 2023-12-11 | 2024-01-12 | 华洋通信科技股份有限公司 | 基于电参量分析的输煤皮带采样机运行监测方法及系统 |
CN117476247A (zh) * | 2023-12-27 | 2024-01-30 | 杭州深麻智能科技有限公司 | 一种疾病多模态数据智能分析方法 |
CN117540325A (zh) * | 2024-01-05 | 2024-02-09 | 杭银消费金融股份有限公司 | 基于数据变化量捕获的业务数据库异常检测方法及系统 |
Non-Patent Citations (4)
Title |
---|
分布式聚类在农场环境数据异常检测中的应用;邓丽;庞洪霖;王灵;费敏锐;;系统仿真学报;20171208(第12期);正文 * |
基于影像分割的树木特征点提取方法研究;韩旭;韩笑;冯仲科;孙一权;闫飞;曹孟磊;;林业调查规划;20110815(第04期);正文 * |
基于随机矩阵理论的电子式互感器误差状态相关性分析方法;胡琛;张竹;焦洋;李红斌;陈刚;;电力自动化设备;20180903(第09期);正文 * |
波形特征的高斯混合模型锋电位分类算法;万红;张超;刘新玉;尚志刚;;中国生物医学工程学报;20160820(第04期);正文 * |
Also Published As
Publication number | Publication date |
---|---|
CN117786445A (zh) | 2024-03-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115982602B (zh) | 一种光伏变压器电故障检测方法 | |
CN117196353B (zh) | 基于大数据的环境污染评估与监测方法及系统 | |
CN109726364A (zh) | 用电量异常检测方法、装置、终端及计算机可读存储介质 | |
CN113579851B (zh) | 一种基于自适应分段pca的非平稳钻削过程监测方法 | |
CN117171604B (zh) | 基于传感器的保温板生产线异常监测系统 | |
CN114004306A (zh) | 一种基于物联网多维度数据的设备故障评估系统及其方法 | |
CN111898443A (zh) | 一种fdm型3d打印机送丝机构流量监测方法 | |
CN113918642A (zh) | 一种基于电力物联网设备的数据过滤监测预警方法 | |
CN116066343A (zh) | 一种输油泵机组故障模型的智能预警方法及系统 | |
CN116523913B (zh) | 一种丝杆质量智能检测方法 | |
CN116975771A (zh) | 一种用于电机生产的异常自动识别方法及系统 | |
CN116485277A (zh) | 一种基于大数据特征分析的服装工厂智能管理系统 | |
CN115860579A (zh) | 一种用于面粉加工的生产质量监测系统 | |
CN117540325B (zh) | 基于数据变化量捕获的业务数据库异常检测方法及系统 | |
CN117786445B (zh) | 一种自动化摇纱机运行数据智能处理方法 | |
CN113837591A (zh) | 一种面向多工况运行条件的装备健康评估方法 | |
CN115828114A (zh) | 一种铝型材挤压机能耗异常检测方法 | |
CN115659271A (zh) | 传感器异常检测方法、模型训练方法、系统、设备及介质 | |
CN101532237B (zh) | 用uster指标对亚麻纱线质量进行定性评价的方法 | |
CN113673551B (zh) | 一种电力计量不良数据辨识方法及系统 | |
CN117149557A (zh) | 一种用于计算机软件测试日志数据的高效存储方法 | |
CN115511106B (zh) | 基于时序数据生成训练数据的方法、设备和可读存储介质 | |
CN117171670B (zh) | 一种纺织品生产过程故障监测方法、装置及系统 | |
CN117829381B (zh) | 基于物联网的农业大棚数据优化采集系统 | |
CN112699609B (zh) | 一种基于振动数据的柴油机可靠性模型构建方法 |
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 |