CN117879769B - 一种隧道衬砌台车云平台系统数据推送及传输方法 - Google Patents
一种隧道衬砌台车云平台系统数据推送及传输方法 Download PDFInfo
- Publication number
- CN117879769B CN117879769B CN202410269738.1A CN202410269738A CN117879769B CN 117879769 B CN117879769 B CN 117879769B CN 202410269738 A CN202410269738 A CN 202410269738A CN 117879769 B CN117879769 B CN 117879769B
- Authority
- CN
- China
- Prior art keywords
- parameter data
- data
- personal
- points
- parameter
- 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
- 238000000034 method Methods 0.000 title claims abstract description 63
- 230000002159 abnormal effect Effects 0.000 claims abstract description 78
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 claims abstract description 31
- 230000005540 biological transmission Effects 0.000 claims abstract description 25
- 239000004568 cement Substances 0.000 claims abstract description 19
- 238000002955 isolation Methods 0.000 claims description 14
- 238000010606 normalization Methods 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 11
- 238000000513 principal component analysis Methods 0.000 claims description 8
- 230000005856 abnormality Effects 0.000 description 12
- 238000004458 analytical method Methods 0.000 description 8
- 238000004364 calculation method Methods 0.000 description 5
- 238000012512 characterization method Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 230000035945 sensitivity Effects 0.000 description 2
- 239000000758 substrate Substances 0.000 description 2
- 230000002547 anomalous effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000003313 weakening effect Effects 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
Abstract
本发明涉及数据传输技术领域,具体涉及一种隧道衬砌台车云平台系统数据推送及传输方法,包括:采集台车水泥灌注的各个参数数据,获取参数数据的参数数据段;获取参数数据的波动因子;根据波动因子获取不同参数数据的参数数据段的异常相关性;根据异常相关性得到参数数据与其他参数数据的异常关联性;获取参数数据的数据点的局部范围;根据局部范围和异常关联性参数数据的误差因子;获取优化后的ARIMA模型;根据优化后的ARIMA模型对每个参数数据进行优化传输。本发明对ARIMA模型进行优化,最终根据优化后的ARIMA模型对每个参数数据进行优化传输,提高数据采集端的数据采集回报率和传输准确性。
Description
技术领域
本发明涉及数据传输技术领域,具体涉及一种隧道衬砌台车云平台系统数据推送及传输方法。
背景技术
隧道衬砌台车云平台系统中较为重要的系统便是台车灌注系统,该系统是一种用于监控具体台车灌注过程的设备,它可以实时监测台车灌注的流量、温度、压力等参数,并根据设定的阈值进行报警和控制,该系统可以帮助操作人员及时发现异常情况,从而保证台车在运行过程中的安全性和稳定性。由于采集的数据适用于进行预警评估的,因此采集的数据如何准确又高效的传输至控制系统是至关重要的,通常采用预测传输方式,即通过预测算法预先对接下来的数据进行预测,然后采集到实际数据后,只需要传输差值即可,该传输方式极大程度降低了传输的数据量,进而提高了传输效率。
常规对于当前场景数据进行时序预测通常采用ARIMA算法,但常规ARIMA预测算法通常采用无差别的误差模型,通过统计拟合前后数据之间的误差作为调整模型参数的依据。但在当前场景中,由于预测传输的目的是为了降低计算量,从而提高传输效率,因此通常并不对数据进行去噪,而是直接进行预测处理,但对应的,在当前场景中,其存在的异常信息例如剧烈波动并伴随着整体趋势发生变化时,其对应存在的噪声也表现为随机波动,但区别在于,前者在参与ARIMA预测时,其对于整体趋势的预测以及改变都是具有较高预测价值的,而后者则不具备预测价值,且还会扰乱并丢失本身的实际趋势信息,因此往往会导致预测结果在某些时候与实际差异较大,进而导致基于预测传输的效果不佳。
发明内容
为解决上述问题,本发明提供一种隧道衬砌台车云平台系统数据推送及传输方法。
本发明的一种隧道衬砌台车云平台系统数据推送及传输方法采用如下技术方案:
本发明一个实施例提供了一种隧道衬砌台车云平台系统数据推送及传输方法,该方法包括以下步骤:
采集台车水泥灌注最近一天内的各个参数数据,所述参数数据包含若干数据点;
根据预设窗口对每个参数数据进行划分,得到每个参数数据的若干参数数据段;根据参数数据段内极值点的幅值和相邻极值点的时序跨度,所述时序跨度用于描述时间持续的长度,得到每个参数数据的波动因子;根据波动因子和参数数据的参数数据段,得到不同参数数据的参数数据段之间的异常相关性;
根据异常相关性得到每个参数数据与其他参数数据的异常关联性;获取每个参数数据的每个数据点的局部范围;根据局部范围和异常关联性得到每个参数数据的每个数据点的异常孤立因子;
根据异常孤立因子得到每个参数数据的误差因子;根据误差因子对ARIMA算法的预测模型的预测参数进行自动调优,得到优化后的ARIMA模型;根据优化后的ARIMA模型对每个参数数据进行优化传输。
进一步地,所述根据预设窗口对每个参数数据进行划分,得到每个参数数据的若干参数数据段,包括的具体步骤如下:
预设一个时序跨度为分钟的窗口,记为预设窗口,/>为预设的一个第一数值;将任意一个参数数据,记为目标参数数据;根据预设窗口对目标参数数据进行等长划分,得到目标参数数据的若干参数数据段。
进一步地,所述得到每个参数数据的波动因子,包括的具体步骤如下:
式中,为第/>个参数数据的第/>个参数数据段中第/>个极值点的幅值,/>为第个参数数据的第/>个参数数据段中所有极值点的幅值的平均值,/>为第/>个参数数据的第个参数数据段中极值点的个数;/>为第/>个参数数据的第/>个参数数据段中第/>个极值点与左侧相邻极值点的时序跨度;/>为/>函数;/>为第/>个参数数据的参数数据段的个数,/>为预设窗口的时序跨度;/>为第/>个参数数据的第/>个参数数据段的主成分斜率;/>为取绝对值,/>为第/>个参数数据的波动程度;
获取每个参数数据的波动程度,将所有参数数据的波动程度进行线性归一化处理,得到的结果,作为每个参数数据的波动因子。
进一步地,所述第个参数数据的第/>个参数数据段的主成分斜率的具体获取方法如下:
对第个参数数据的第/>个参数数据段中所有数据点进行主成分分析,获取特征值最大的主成分方向,记为第/>个参数数据的第/>个参数数据段的第一主成分方向,将第一主成分方向的斜率,作为第/>个参数数据的第/>个参数数据段的主成分斜率。
进一步地,所述根据波动因子和参数数据的参数数据段,得到不同参数数据的参数数据段之间的异常相关性,包括的具体步骤如下:
将第个参数数据的第/>个参数数据段的第一主成分方向对应的直线,记为第一直线,将第/>个参数数据的第/>个参数数据段中每个数据点的幅值减去其在第一直线上对应的值,构成一条残差曲线,记为第/>个参数数据的第/>个参数数据段的波动曲线;
式中,为第/>个参数数据的第/>个参数数据段的主成分斜率,/>为第/>个参数数据的第/>个参数数据段的波动曲线中所有值的标准差,/>为第/>个参数数据的第/>个参数数据段的波动曲线中所有值的标准差,/>为第/>个参数数据的波动因子,/>为第/>个参数数据的波动因子,/>为第/>个参数数据的第/>个参数数据段与第/>个参数数据的第/>个参数数据段的异常相关性。
进一步地,所述根据异常相关性得到每个参数数据与其他参数数据的异常关联性,包括的具体步骤如下:
将第个参数数据的第/>个参数数据段、第/>个参数数据段、第/>个参数数据段、第/>个参数数据段及第/>个参数数据段构成的集合,记为第/>个参数数据的第个参数数据段集合;获取第/>个参数数据的第/>个参数数据段与第/>个参数数据的第/>个参数数据段集合中每个参数数据段的异常相关性,将异常相关性的最大值在第/>个参数数据的第/>个参数数据段集合中对应的参数数据段,记为第/>个参数数据的第/>个参数数据段的目标参数数据段;
将第个参数数据的第/>个参数数据段与所述目标参数数据段的异常相关性,记为第/>个参数数据的第/>个参数数据段的第一参数,/>,/>为第/>个参数数据的参数数据段的个数,将第/>个参数数据的第/>个参数数据段的次序值与所述目标参数数据段对应的次序值的差值绝对值的反比例归一化值,与第/>个参数数据的第/>个参数数据段的第一参数的乘积,记为第/>个参数数据的第/>个参数数据段的第二参数,将第/>个参数数据的所有参数数据段的第二参数的均值,作为第/>个参数数据与第/>个参数数据的异常关联性。
进一步地,所述获取每个参数数据的每个数据点的局部范围,包括的具体步骤如下:
将第个参数数据的第/>个数据点、第/>个参数数据的第/>个数据点左侧相邻的/>个数据点及第/>个参数数据的第/>个数据点右侧相邻的/>个数据点构成的范围,作为第/>个参数数据的第/>个数据点的局部范围,/>为预设的一个第二数值。
进一步地,所述根据局部范围和异常关联性得到每个参数数据的每个数据点的异常孤立因子,包括的具体步骤如下:
式中,为参数数据的个数,/>为第/>个参数数据的第/>个数据点的局部范围的波动曲线中所有值的标准差;/>为第/>个参数数据的第/>个数据点的局部范围的波动曲线中所有值的标准差,/>为第/>个参数数据与第/>个参数数据的异常关联性,/>为函数;/>为第/>个参数数据的第/>个数据点的局部范围的第二主成分方向的斜率,为取绝对值,/>为第/>个参数数据的第/>个数据点的局部范围的第二主成分方向的斜率,为第/>个参数数据的第/>个数据点的第一异常孤立因子;
获取第个参数数据的每个数据点的第一异常孤立因子,将第/>个参数数据的所有数据点的第一异常孤立因子进行线性归一化处理,得到的结果,作为第/>个参数数据的每个数据点的异常孤立因子。
进一步地,所述第个参数数据的第/>个数据点的局部范围的波动曲线中所有值的标准差和第/>个参数数据的第/>个数据点的局部范围的第二主成分方向的具体获取方法如下:
对第个参数数据的第/>个数据点的局部范围内所有数据点进行主成分分析,获取特征值最大的主成分方向,记为第/>个参数数据的第/>个数据点的局部范围的第二主成分方向,将第/>个参数数据的第/>个数据点的局部范围的第二主成分方向对应的直线,记为第二直线,将第/>个参数数据的第/>个数据点的局部范围内每个数据点的幅值减去其在第二直线上对应的值,构成一条残差曲线,记为第/>个参数数据的第/>个数据点的局部范围的波动曲线,获取第/>个参数数据的第/>个数据点的局部范围的波动曲线中所有值的标准差。
进一步地,所述根据异常孤立因子得到每个参数数据的误差因子,包括的具体步骤如下:
通过ARIMA算法对第个参数数据进行拟合,得到一条拟合曲线,记为目标拟合曲线,将第/>个参数数据的第/>个数据点的幅值减去目标拟合曲线中对应的值,得到的差值,记为第/>个参数数据的第/>个数据点的第一差值;将1减去第/>个参数数据的第/>个数据点的异常孤立因子得到的差值的平方值,记为第/>个参数数据的第/>个数据点的第三参数,将第/>个参数数据的第/>个数据点的第一差值与第三参数的乘积的平方,记为第/>个参数数据的第/>个数据点的第四参数,将第/>个参数数据中所有数据点的第四参数的均值的开平方值,作为第/>个参数数据的误差因子。
本发明的技术方案的有益效果是:本发明在采集到台车水泥灌注的各个参数数据后,通过分析每个参数数据的参数数据段内极值点的幅值和相邻极值点的时序跨度,得到每个参数数据的波动因子,而后基于波动因子和参数数据的参数数据段,获取到不同参数数据的参数数据段的异常相关性,基于参数数据的每个数据点的孤立异常,并结合异常相关性作为约束,得到参数数据的每个数据点的异常孤立因子,并基于异常孤立因子得到每个参数数据的误差因子,对ARIMA模型进行优化,最终根据优化后的ARIMA模型对每个参数数据进行优化传输,在优化传输时,基于经验阈值进行对应的误差报错,从而反馈回数据采集端进行再次重新采集并传输,提高数据采集端的数据采集回报率,从而提高传输准确性,并减小传输时的数据量,从而极大程度提高了ARIMA模型在当前场景下对噪声数据的鲁棒性,进而提高了预测结果的同时,也提高了后续预测传输的效果。
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为本发明一个实施例所提供的一种隧道衬砌台车云平台系统数据推送及传输方法的步骤流程图;
图2为本发明一个实施例所提供的对台车水泥灌注的多种参数数据进行预测传输的特征关系流程图。
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隧道衬砌台车云平台系统数据推送及传输方法,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,一个或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的一种隧道衬砌台车云平台系统数据推送及传输方法的具体方案。
请参阅图1和图2,其示出了本发明一个实施例提供的一种隧道衬砌台车云平台系统数据推送及传输方法的步骤流程图和对台车水泥灌注的多种参数数据进行预测传输的特征关系流程图,该方法包括以下步骤:
步骤S001、采集台车水泥灌注最近一天内的各个参数数据。
需要说明的是,本实施例的目的是,通过对采集的台车水泥灌注系统的各项监测数据进行孤立异常分析,从而进行ARIMA模型预测优化,并基于优化后的预测模型对数据采集端的数据进行误差报告,从而对误差较大数据进行重复采集,并进行预测传输;在开始分析之前,首先需要采集数据。
具体的,通过台车水泥灌注系统的各个传感器采集台车水泥灌注最近24小时内的各个参数数据,采集时间间隔均设置为1分钟,各个参数数据包括但不限于台车灌注时的流量数据、温度数据及压力数据,对各项参数数据进行标准化处理,目的是消除不同量级之间的差异,本实施例中将标准化处理之后的流量数据、温度数据及压力数据,仍记为流量数据、温度数据及压力数据,后续无特殊说明,参数数据(流量数据、温度数据及压力数据)指代经过标准化处理之后的参数数据。
需要说明的是,对各项参数数据进行标准化处理为现有方法,本实施例不再赘述;参数数据为二维数据,参数数据包含若干数据点,参数数据的横轴为时间,纵轴为对应的参数幅值,例如流量值、温度值或压力值,即每个数据点对应一个时间和一个参数幅值。
至此,得到台车水泥灌注最近一天内的各个参数数据。
步骤S002、根据预设窗口对每个参数数据进行划分,得到每个参数数据的若干参数数据段;根据参数数据段内极值点的幅值和相邻极值点的时序跨度,得到每个参数数据的波动因子;根据波动因子和参数数据的参数数据段,得到不同参数数据的参数数据段之间的异常相关性。
需要说明的是,在水泥灌注系统中,当部分参数之间存在异常时,其表现通常不是单一的,例如当环境温度或湿度发生变化时,对应的水泥浆体的粘密度也会发生改变,或当设备存在振动异常时,其通常表现为压力持续变化的同时,流量也不稳定。且通常存在实际异常时,通常不是单独的数据波动,而是伴随着整体幅值的改变,而上述提到的特征在随机的噪声波动中是完全不具备的,因此下方思路整体都是基于水泥灌注系统中采集的多项参数之间的关联性作为依据,从而对异常数据进行含噪的判断。
需要说明的是,虽然参数之间存在一定的差异,但该差异并不是所有参数都有相关性,例如当温度或湿度发生改变时,其压力数据通常不会发生变化,流量也不会,且不同的参数由于其参数性质的差异,不同的参数出现波动的难易度不同,例如压力数据的数据曲线中更容易出现波动,而在温度数据中却不容易出现较高的波动。对于这个情况在进行同时序下的异常共性分析时就需要进行对应的约束。
具体的,根据预设窗口对每个参数数据进行划分,得到每个参数数据的若干参数数据段,具体如下:
预设一个时序跨度为分钟的窗口,记为预设窗口,/>为预设的一个第一数值,本实施例以/>进行叙述;将任意一个参数数据,记为目标参数数据;根据预设窗口对目标参数数据进行等长划分,得到目标参数数据的若干参数数据段;需要说明的是,若根据预设窗口对目标参数数据进行等长划分时,划分到最后一个数据段不足/>分钟,则直接将该数据段作为一个参数数据段。
进一步地,根据参数数据段内极值点的幅值和相邻极值点的时序跨度,得到每个参数数据的波动因子,具体如下:
式中,为第/>个参数数据的第/>个参数数据段中第/>个极值点的幅值,/>为第个参数数据的第/>个参数数据段中所有极值点的幅值的平均值,/>为第/>个参数数据的第个参数数据段中极值点的个数;需要说明的是,获取参数数据段中的极值点为现有方法,本实施不再赘述;/>为第/>个参数数据的第/>个参数数据段中第/>个极值点与左侧相邻极值点的时序跨度;/>为/>函数,用于归一化,归一化的对象为第/>个参数数据段中所有极值点的/>;/>为第/>个参数数据的参数数据段的个数,/>为预设窗口的时序跨度,即/>;/>为第/>个参数数据的第/>个参数数据段的主成分斜率,/>的具体获取方法如下:对第/>个参数数据的第/>个参数数据段中所有数据点进行主成分分析,获取特征值最大的主成分方向,记为第/>个参数数据的第/>个参数数据段的第一主成分方向,将第一主成分方向的斜率,作为第/>个参数数据的第/>个参数数据段的主成分斜率,即/>;需要说明的是,对第/>个参数数据的第/>个参数数据段中所有数据点进行主成分分析,获取特征值最大的主成分方向为主成分分析的现有方法,本实施例不再赘述;/>为取绝对值,/>为第/>个参数数据的波动程度。
获取每个参数数据的波动程度,将所有参数数据的波动程度进行线性归一化处理,得到的结果,作为每个参数数据的波动因子。
需要说明的是,通过计算参数数据段内的极值点的幅值差异,差异越大,参数数据段内出现的波动越强,同时由于当前的波动更趋向异常数据的波动表现,因此认为连续紧密的波动关注度更高,所以时序跨度越小,对应的越紧密,的值越大,则权重越高,并通过统计整个参数数据中多个参数数据段的波动异常,认为每一参数数据段内的主成分方向越倾斜,即斜率的绝对值越高,其内部存在的异常或危险状态越严重,进一步的给予权重。最终对整体进行线性归一化,得到波动因子,该特征越大,则表征相对于其余参数数据,当前第/>个参数数据在出现整体异常时,其伴随的波动相对更严重,后续当该参数数据在参与水泥罐车整体监测,参数之间同时序下的异常分析时,认为该参数的波动敏感度相对越小。
进一步地,根据波动因子和参数数据的参数数据段,得到不同参数数据的参数数据段之间的异常相关性,具体如下:
将第个参数数据的第/>个参数数据段的第一主成分方向对应的直线,记为第一直线,将第/>个参数数据的第/>个参数数据段中每个数据点的幅值减去其在第一直线上对应的值,构成一条残差曲线,记为第/>个参数数据的第/>个参数数据段的波动曲线。
式中,为第/>个参数数据的第/>个参数数据段的主成分斜率,/>为第/>个参数数据的第/>个参数数据段的主成分斜率;需要说明的是,第/>个参数数据和第/>个参数数据不是同一个参数数据;/>为取绝对值,/>为第/>个参数数据的第/>个参数数据段的波动曲线中所有值的标准差,/>为第/>个参数数据的第/>个参数数据段的波动曲线中所有值的标准差,/>为第/>个参数数据的波动因子,/>为第/>个参数数据的波动因子,/>为/>函数,用于归一化,/>为第/>个参数数据的第/>个参数数据段与第/>个参数数据的第/>个参数数据段的异常相关性,/>归一化的对象为第/>个参数数据的波动因子与其他所有参数数据的波动因子的波动因子相加值,归一化的对象为第/>个参数数据的第/>个参数数据段与其他所有参数数据的第/>个参数数据段的。
需要说明的是,通过计算第个参数数据和第/>个参数数据在同时序下两个参数数据段之间的异常差异,认为/>越小,则同样差异程度下的波动程度越接近。越小,其整体的异常程度越接近,/>加绝对值的目的是因为,不同参数其异常表现并不相同,可能增加可能减少,但整体幅值存在变化趋势时,则一定存在异常情况,因此这里直接用绝对值作为差异计算单位,对水泥罐体不同参数之间差异进行分析时,只有异常状态下存在一定的关联性,因此通过/>,作为两个参数数据在同时序下两个参数数据段的异常表现,且基于上述得到的波动因子,认为/>越大,则对于参数数据段内的波动的敏感度相对较低一些,因此对异常相关性进行对应的削弱,最终当/>越大,则表示第/>个参数数据的第/>个参数数据段与第/>个参数数据的第/>个参数数据段在存在异常时越相关,即异常相关性。
至此,得到不同参数数据的参数数据段的异常相关性。
步骤S003、根据异常相关性得到每个参数数据与其他参数数据的异常关联性;获取每个参数数据的每个数据点的局部范围;根据局部范围和异常关联性得到每个参数数据的每个数据点的异常孤立因子。
需要说明的是,当某一参数数据出现异常,进而导致其余参数数据出现异常时,可能存在延迟,即可能某一参数数据先发生,另一参数数据再发生,因此还需要进一步分析每个参数数据与其余参数数据的关联性。
具体的,根据异常相关性得到每个参数数据与其他参数数据的异常关联性,具体如下:
将第个参数数据的第/>个参数数据段、第/>个参数数据段、第/>个参数数据段、第/>个参数数据段及第/>个参数数据段构成的集合,记为第/>个参数数据的参数数据段集合;获取第/>个参数数据的第/>个参数数据段与第/>个参数数据的参数数据段集合中每个参数数据段的异常相关性,将异常相关性的最大值在第/>个参数数据的参数数据段集合中对应的参数数据段,记为目标参数数据段;需要说明的是,若第/>个参数数据的第/>个参数数据段在第/>个参数数据的左侧,则第/>个参数数据的参数数据段集合中参数数据段会超过第/>个参数数据的范围,则以实际存在的参数数据段构成参数数据段集合。
式中,为第/>个参数数据的参数数据段的个数,/>为第/>个参数数据的第/>个参数数据段与第/>个参数数据的参数数据段集合中参数数据段的异常相关性的最大值,/>为第/>个参数数据的第/>个参数数据段的次序值与目标参数数据段对应的次序值的差值绝对值;需要说明的是,第/>个参数数据段的次序值即为/>,目标参数数据段对应的次序值为目标参数数据段在第/>个参数数据对应的参数数据段的次序值;/>为以自然常数为底的指数函数,本实施例采用/>模型来呈现反比例关系及归一化处理,/>为模型的输入,实施者可根据具体实施情况设置反比例函数及归一化函数;/>为第/>个参数数据与第/>个参数数据的异常关联性;需要说明的是,此处计算的/>,是以第/>个参数数据为主体,第/>个参数数据为次体分析的,若要获取第/>个参数数据与第/>个参数数据的异常关联性,利用上述步骤S003中的方法重新获取异常关联性,即以第/>个参数数据为主体,第/>个参数数据为次体分析。
需要说明的是,可以反映第/>个参数数据的第/>个参数数据段与目标参数数据的距离,该距离越大,认为影响存在延迟,异常关联性越小,因此通过指数函数呈现反比例关系,并通过对应参数数据段的异常相关性的最大值/>对参数数据的异常关联性进行约束,当/>越大,则表征当第/>个参数数据发生异常时,其对应的同时序下的第/>个参数数据容易出现异常,在参与后续分析时,第/>个参数数据相比其他参数数据的权重相对更高。
进一步地,获取每个参数数据的每个数据点的局部范围,具体如下:
将第个参数数据的第/>个数据点、第/>个参数数据的第/>个数据点左侧相邻的/>个数据点及第/>个参数数据的第/>个数据点右侧相邻的/>个数据点构成的范围,作为第/>个参数数据的第/>个数据点的局部范围,/>为预设的一个第二数值,本实施例以进行叙述;需要说明的是,例如第/>个参数数据的第/>个数据点为第/>个数据点,则第/>个参数数据的第/>个数据点的局部范围包含第/>个参数数据的第/>个数据点到第个数据点;若第/>个参数数据的第/>个数据点位于第/>个参数数据的左侧,则第/>个数据点的局部范围会超过第/>个参数数据的范围,则以实际存在的参数数据段构成局部范围。
进一步地,根据局部范围和异常关联性得到每个参数数据的每个数据点的异常孤立因子,具体如下:
式中,为参数数据的个数,/>为第/>个参数数据的第/>个数据点的局部范围的波动曲线中所有值的标准差,/>的具体获取方法如下:对第/>个参数数据的第/>个数据点的局部范围内所有数据点进行主成分分析,获取特征值最大的主成分方向,记为第/>个参数数据的第/>个数据点的局部范围的第二主成分方向,将第/>个参数数据的第/>个数据点的局部范围的第二主成分方向对应的直线,记为第二直线,将第/>个参数数据的第/>个数据点的局部范围内每个数据点的幅值减去其在第二直线上对应的值,构成一条残差曲线,记为第/>个参数数据的第/>个数据点的局部范围的波动曲线,将波动曲线中所有值的标准差,记为/>;/>为第/>个参数数据的第/>个数据点的局部范围的波动曲线中所有值的标准差,/>为第/>个参数数据与第/>个参数数据的异常关联性,/>为/>函数,用于归一化;为第/>个参数数据的第/>个数据点的局部范围的第二主成分方向的斜率,/>为取绝对值,为第/>个参数数据的第/>个数据点的局部范围的第二主成分方向的斜率,/>为第/>个参数数据的第/>个数据点的第一异常孤立因子;/>归一化的对象为所有参数数据的异常关联性;/>归一化的对象为第/>个参数数据和第/>个参数数据的所有。
获取第个参数数据的每个数据点的第一异常孤立因子,将第/>个参数数据的所有数据点的第一异常孤立因子进行线性归一化处理,得到的结果,作为第/>个参数数据的每个数据点的异常孤立因子。
需要说明的是,表征第/>个参数数据的第/>个数据点的局部范围内的异常表现,将归一化后的/>作为权重,异常关联性越强,则表征当水泥灌注检测的第/>个参数数据出现异常时,第/>个参数数据相比于其余参数数据更易表征为异常状态,因此权重更高。表示局部范围的第二主成分方向的斜率变化,第二主成分方向斜率越大,且越接近,此时第/>个参数数据和第/>个参数数据都更容易表现为异常,最终得到数据点的异常孤立因子。
至此,得到每个参数数据的每个数据点的异常孤立因子。
步骤S004、根据异常孤立因子得到每个参数数据的误差因子,根据误差因子对ARIMA算法的预测模型的预测参数进行自动调优,得到优化后的ARIMA模型,根据优化后的ARIMA模型对每个参数数据进行优化传输。
需要说明的是,在ARIMA算法中,是通过对原数据进行拟合,并计算拟合前后的误差即均方误差模型,并通过梯度下降法根据误差进行自动调优,从而以最小误差对应的误差作为最优模型。因此通过对误差模型进行优化,基于每一数据点得到的孤立异常因子,认为孤立异常因子越高,则此时当前数据可能受噪声干扰越严重,对应的其参与预测时的置信度越低,因此该数据点参与误差模型时,其实际表现的误差大小需要采用更高的约束。
具体的,根据异常孤立因子得到每个参数数据的误差因子,具体如下:
式中,的具体获取方法如下:通过ARIMA算法对第/>个参数数据进行拟合,得到一条拟合曲线,记为目标拟合曲线,将第/>个参数数据的第/>个数据点的幅值减去目标拟合曲线中对应的值,得到的差值,记为/>;/>为第/>个参数数据的第/>个数据点的异常孤立因子,为第/>个参数数据中数据点的个数,/>为第/>个参数数据的误差因子。
进一步地,根据误差因子对ARIMA算法的预测模型的预测参数进行自动调优,得到优化后的ARIMA模型;需要说明的是,根据误差因子对ARIMA算法的预测模型的预测参数进行自动调优,得到优化后的ARIMA模型为ARIMA算法的现有方法,本实施例不再赘述。
进一步地,根据优化后的ARIMA模型对每个参数数据进行优化传输,具体如下:
根据优化后的ARIMA模型的获取第个参数数据在最终时刻的下一个时刻的预测幅值,获取第/>个参数数据在最终时刻的下一个时刻的实际幅值,将该预测幅值与该实际幅值的差值绝对值,记为该实际幅值对应的第一误差,预设一个第一阈值,本实施例以第一阈值为10进行叙述,若第一误差小于或等于第一阈值,则将该实际幅值进行传输,并获取新的实际幅值和新的预测幅值对应的第一误差,并与第一阈值进行比较,判断是否传输,直至没有采集新的实际幅值;若第一误差大于第一阈值,进行误差报错,将该实际幅值舍去,重新采集一个实际幅值,记为第一实际幅值,且第一实际幅值对应的第一误差小于或等于第一阈值,将第一实际幅值进行传输,直至没有采集新的幅值。
至此,通过优化后的ARIMA模型对台车水泥灌注的各种参数的参数数据通过云平台进行预测传输,完成隧道衬砌台车云平台系统数据传输。
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)
1.一种隧道衬砌台车云平台系统数据推送及传输方法,其特征在于,该方法包括以下步骤:
采集台车水泥灌注最近一天内的各个参数数据,所述参数数据包含若干数据点;
根据预设窗口对每个参数数据进行划分,得到每个参数数据的若干参数数据段;根据参数数据段内极值点的幅值和相邻极值点的时序跨度,所述时序跨度用于描述时间持续的长度,得到每个参数数据的波动因子;根据波动因子和参数数据的参数数据段,得到不同参数数据的参数数据段之间的异常相关性;
根据异常相关性得到每个参数数据与其他参数数据的异常关联性;获取每个参数数据的每个数据点的局部范围;根据局部范围和异常关联性得到每个参数数据的每个数据点的异常孤立因子;
根据异常孤立因子得到每个参数数据的误差因子;根据误差因子对ARIMA算法的预测模型的预测参数进行自动调优,得到优化后的ARIMA模型;根据优化后的ARIMA模型对每个参数数据进行优化传输;
所述根据异常相关性得到每个参数数据与其他参数数据的异常关联性,包括的具体步骤如下:
将第个参数数据的第/>个参数数据段、第/>个参数数据段、第/>个参数数据段、第/>个参数数据段及第/>个参数数据段构成的集合,记为第/>个参数数据的第/>个参数数据段集合;获取第/>个参数数据的第/>个参数数据段与第/>个参数数据的第/>个参数数据段集合中每个参数数据段的异常相关性,将异常相关性的最大值在第/>个参数数据的第/>个参数数据段集合中对应的参数数据段,记为第/>个参数数据的第/>个参数数据段的目标参数数据段;
将第个参数数据的第/>个参数数据段与所述目标参数数据段的异常相关性,记为第/>个参数数据的第/>个参数数据段的第一参数,/>,/>为第/>个参数数据的参数数据段的个数,将第/>个参数数据的第/>个参数数据段的次序值与所述目标参数数据段对应的次序值的差值绝对值的反比例归一化值,与第/>个参数数据的第/>个参数数据段的第一参数的乘积,记为第/>个参数数据的第/>个参数数据段的第二参数,将第/>个参数数据的所有参数数据段的第二参数的均值,作为第/>个参数数据与第/>个参数数据的异常关联性。
2.根据权利要求1所述一种隧道衬砌台车云平台系统数据推送及传输方法,其特征在于,所述根据预设窗口对每个参数数据进行划分,得到每个参数数据的若干参数数据段,包括的具体步骤如下:
预设一个时序跨度为分钟的窗口,记为预设窗口,/>为预设的一个第一数值;将任意一个参数数据,记为目标参数数据;根据预设窗口对目标参数数据进行等长划分,得到目标参数数据的若干参数数据段。
3.根据权利要求1所述一种隧道衬砌台车云平台系统数据推送及传输方法,其特征在于,所述得到每个参数数据的波动因子,包括的具体步骤如下:
式中,为第/>个参数数据的第/>个参数数据段中第/>个极值点的幅值,/>为第/>个参数数据的第/>个参数数据段中所有极值点的幅值的平均值,/>为第/>个参数数据的第/>个参数数据段中极值点的个数;/>为第/>个参数数据的第/>个参数数据段中第/>个极值点与左侧相邻极值点的时序跨度;/>为/>函数;/>为第/>个参数数据的参数数据段的个数,/>为预设窗口的时序跨度;/>为第/>个参数数据的第/>个参数数据段的主成分斜率;/>为取绝对值,/>为第/>个参数数据的波动程度;
获取每个参数数据的波动程度,将所有参数数据的波动程度进行线性归一化处理,得到的结果,作为每个参数数据的波动因子。
4.根据权利要求3所述一种隧道衬砌台车云平台系统数据推送及传输方法,其特征在于,所述第个参数数据的第/>个参数数据段的主成分斜率的具体获取方法如下:
对第个参数数据的第/>个参数数据段中所有数据点进行主成分分析,获取特征值最大的主成分方向,记为第/>个参数数据的第/>个参数数据段的第一主成分方向,将第一主成分方向的斜率,作为第/>个参数数据的第/>个参数数据段的主成分斜率。
5.根据权利要求4所述一种隧道衬砌台车云平台系统数据推送及传输方法,其特征在于,所述根据波动因子和参数数据的参数数据段,得到不同参数数据的参数数据段之间的异常相关性,包括的具体步骤如下:
将第个参数数据的第/>个参数数据段的第一主成分方向对应的直线,记为第一直线,将第/>个参数数据的第/>个参数数据段中每个数据点的幅值减去其在第一直线上对应的值,构成一条残差曲线,记为第/>个参数数据的第/>个参数数据段的波动曲线;
式中,为第/>个参数数据的第/>个参数数据段的主成分斜率,/>为第/>个参数数据的第/>个参数数据段的波动曲线中所有值的标准差,/>为第/>个参数数据的第/>个参数数据段的波动曲线中所有值的标准差,/>为第/>个参数数据的波动因子,/>为第/>个参数数据的波动因子,/>为第/>个参数数据的第/>个参数数据段与第/>个参数数据的第/>个参数数据段的异常相关性。
6.根据权利要求1所述一种隧道衬砌台车云平台系统数据推送及传输方法,其特征在于,所述获取每个参数数据的每个数据点的局部范围,包括的具体步骤如下:
将第个参数数据的第/>个数据点、第/>个参数数据的第/>个数据点左侧相邻的/>个数据点及第/>个参数数据的第/>个数据点右侧相邻的/>个数据点构成的范围,作为第/>个参数数据的第/>个数据点的局部范围,/>为预设的一个第二数值。
7.根据权利要求1所述一种隧道衬砌台车云平台系统数据推送及传输方法,其特征在于,所述根据局部范围和异常关联性得到每个参数数据的每个数据点的异常孤立因子,包括的具体步骤如下:
式中,为参数数据的个数,/>为第/>个参数数据的第/>个数据点的局部范围的波动曲线中所有值的标准差;/>为第/>个参数数据的第/>个数据点的局部范围的波动曲线中所有值的标准差,/>为第/>个参数数据与第/>个参数数据的异常关联性,/>为函数;/>为第/>个参数数据的第/>个数据点的局部范围的第二主成分方向的斜率,/>为取绝对值,/>为第/>个参数数据的第/>个数据点的局部范围的第二主成分方向的斜率,/>为第/>个参数数据的第/>个数据点的第一异常孤立因子;
获取第个参数数据的每个数据点的第一异常孤立因子,将第/>个参数数据的所有数据点的第一异常孤立因子进行线性归一化处理,得到的结果,作为第/>个参数数据的每个数据点的异常孤立因子。
8.根据权利要求7所述一种隧道衬砌台车云平台系统数据推送及传输方法,其特征在于,所述第个参数数据的第/>个数据点的局部范围的波动曲线中所有值的标准差和第/>个参数数据的第/>个数据点的局部范围的第二主成分方向的具体获取方法如下:
对第个参数数据的第/>个数据点的局部范围内所有数据点进行主成分分析,获取特征值最大的主成分方向,记为第/>个参数数据的第/>个数据点的局部范围的第二主成分方向,将第/>个参数数据的第/>个数据点的局部范围的第二主成分方向对应的直线,记为第二直线,将第/>个参数数据的第/>个数据点的局部范围内每个数据点的幅值减去其在第二直线上对应的值,构成一条残差曲线,记为第/>个参数数据的第/>个数据点的局部范围的波动曲线,获取第/>个参数数据的第/>个数据点的局部范围的波动曲线中所有值的标准差。
9.根据权利要求1所述一种隧道衬砌台车云平台系统数据推送及传输方法,其特征在于,所述根据异常孤立因子得到每个参数数据的误差因子,包括的具体步骤如下:
通过ARIMA算法对第个参数数据进行拟合,得到一条拟合曲线,记为目标拟合曲线,将第/>个参数数据的第/>个数据点的幅值减去目标拟合曲线中对应的值,得到的差值,记为第/>个参数数据的第/>个数据点的第一差值;将1减去第/>个参数数据的第/>个数据点的异常孤立因子得到的差值的平方值,记为第/>个参数数据的第/>个数据点的第三参数,将第/>个参数数据的第/>个数据点的第一差值与第三参数的乘积的平方,记为第/>个参数数据的第/>个数据点的第四参数,将第/>个参数数据中所有数据点的第四参数的均值的开平方值,作为第/>个参数数据的误差因子。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410269738.1A CN117879769B (zh) | 2024-03-11 | 2024-03-11 | 一种隧道衬砌台车云平台系统数据推送及传输方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410269738.1A CN117879769B (zh) | 2024-03-11 | 2024-03-11 | 一种隧道衬砌台车云平台系统数据推送及传输方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117879769A CN117879769A (zh) | 2024-04-12 |
CN117879769B true CN117879769B (zh) | 2024-05-28 |
Family
ID=90594899
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410269738.1A Active CN117879769B (zh) | 2024-03-11 | 2024-03-11 | 一种隧道衬砌台车云平台系统数据推送及传输方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117879769B (zh) |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105631218A (zh) * | 2015-12-30 | 2016-06-01 | 电子科技大学 | 基于idtcm的遥感地表温度时间归一化方法 |
CN106089328A (zh) * | 2016-08-10 | 2016-11-09 | 西安热工研究院有限公司 | 基于dcs数据挖掘的汽轮机调门流量特性曲线辨识方法 |
CN112506687A (zh) * | 2020-11-24 | 2021-03-16 | 四川长虹电器股份有限公司 | 基于多周期分段滑动窗口标准差的故障诊断方法 |
CN113006769A (zh) * | 2021-03-17 | 2021-06-22 | 中国石油大学(华东) | 一种复杂压力体系地层智能压井方法及装置 |
CN114580477A (zh) * | 2022-03-03 | 2022-06-03 | 电子科技大学 | 一种基于多时间序列融合的可穿戴动态呼吸率估测系统 |
CN115834642A (zh) * | 2023-02-14 | 2023-03-21 | 成都主干智慧云信息技术有限公司 | 基于物联网技术的智慧小蚕共育室数据传输方法 |
CN117093879A (zh) * | 2023-10-19 | 2023-11-21 | 无锡尚航数据有限公司 | 一种数据中心智能化运营管理方法及系统 |
WO2023250514A2 (en) * | 2022-06-24 | 2023-12-28 | University Of Pittsburgh - Of The Commonwealth System Of Higher Education | Devices, systems and method for analysis and characterization of surface topography |
CN117540238A (zh) * | 2024-01-05 | 2024-02-09 | 长春同泰企业管理服务有限责任公司 | 一种工业数字化信息采集装置用数据安全管理方法 |
CN117556714A (zh) * | 2024-01-12 | 2024-02-13 | 济南海德热工有限公司 | 一种用于铝金属冶炼的预热管路温度数据异常分析方法 |
CN117613881A (zh) * | 2023-11-27 | 2024-02-27 | 国网上海市电力公司 | 一种基于主成分分析法的新能源场站谐波责任划分方法 |
CN117633696A (zh) * | 2024-01-26 | 2024-03-01 | 深圳市智德森水务科技有限公司 | 一种基于bim模型的水利工程施工监测方法及系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090249129A1 (en) * | 2007-10-12 | 2009-10-01 | David Femia | Systems and Methods for Managing Multi-Component Systems in an Infrastructure |
-
2024
- 2024-03-11 CN CN202410269738.1A patent/CN117879769B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105631218A (zh) * | 2015-12-30 | 2016-06-01 | 电子科技大学 | 基于idtcm的遥感地表温度时间归一化方法 |
CN106089328A (zh) * | 2016-08-10 | 2016-11-09 | 西安热工研究院有限公司 | 基于dcs数据挖掘的汽轮机调门流量特性曲线辨识方法 |
CN112506687A (zh) * | 2020-11-24 | 2021-03-16 | 四川长虹电器股份有限公司 | 基于多周期分段滑动窗口标准差的故障诊断方法 |
CN113006769A (zh) * | 2021-03-17 | 2021-06-22 | 中国石油大学(华东) | 一种复杂压力体系地层智能压井方法及装置 |
CN114580477A (zh) * | 2022-03-03 | 2022-06-03 | 电子科技大学 | 一种基于多时间序列融合的可穿戴动态呼吸率估测系统 |
WO2023250514A2 (en) * | 2022-06-24 | 2023-12-28 | University Of Pittsburgh - Of The Commonwealth System Of Higher Education | Devices, systems and method for analysis and characterization of surface topography |
CN115834642A (zh) * | 2023-02-14 | 2023-03-21 | 成都主干智慧云信息技术有限公司 | 基于物联网技术的智慧小蚕共育室数据传输方法 |
CN117093879A (zh) * | 2023-10-19 | 2023-11-21 | 无锡尚航数据有限公司 | 一种数据中心智能化运营管理方法及系统 |
CN117613881A (zh) * | 2023-11-27 | 2024-02-27 | 国网上海市电力公司 | 一种基于主成分分析法的新能源场站谐波责任划分方法 |
CN117540238A (zh) * | 2024-01-05 | 2024-02-09 | 长春同泰企业管理服务有限责任公司 | 一种工业数字化信息采集装置用数据安全管理方法 |
CN117556714A (zh) * | 2024-01-12 | 2024-02-13 | 济南海德热工有限公司 | 一种用于铝金属冶炼的预热管路温度数据异常分析方法 |
CN117633696A (zh) * | 2024-01-26 | 2024-03-01 | 深圳市智德森水务科技有限公司 | 一种基于bim模型的水利工程施工监测方法及系统 |
Non-Patent Citations (3)
Title |
---|
基于局部极差变化率的风电功率波动定量刻画;杨茂;杨春霖;李大勇;苏欣;;电力自动化设备;20180703(第07期);全文 * |
泾河流域植被覆盖动态变化特征及其与降雨的关系;陈操操;谢高地;甄霖;耿艳辉;冷允法;;生态学报;20080315(第03期);全文 * |
考虑时序特征的污染物数据异常检测及恢复;陆秋琴;王璐;黄光球;安全与环境学报;20221018;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN117879769A (zh) | 2024-04-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN117093879B (zh) | 一种数据中心智能化运营管理方法及系统 | |
CN105242534B (zh) | 基于遥测参数且关联于对卫星控制行为的卫星状态监测方法 | |
CN109602062B (zh) | 基于数字物理模型的松散回潮自适应水分控制方法及系统 | |
CN109409713B (zh) | 基于贝叶斯模型和三倍标准差准则的道路网络评估方法 | |
CN112365029B (zh) | 用于空调负荷预测的缺失值处理方法及空调负荷预测系统 | |
CN109365769B (zh) | 一种基于混合模型判断的结晶器漏钢预报方法 | |
CN104181883A (zh) | 实时数据采集系统的异常数据实时处理方法 | |
EP2561411A1 (en) | A method and system for updating a model in a model predictive controller | |
CN106292563A (zh) | 一种工业固废综合利用产业链风险监控管理系统 | |
CN114881269B (zh) | 一种用于物料输送管路的异常检测方法及装置 | |
CN112787878B (zh) | 一种网络指标的预测方法及电子设备 | |
CN117879769B (zh) | 一种隧道衬砌台车云平台系统数据推送及传输方法 | |
CN116839656A (zh) | 一种用于工业互联网的工业现场监测系统及检测方法 | |
CN104778340A (zh) | 一种基于增强型粒子滤波的轴承寿命预测方法 | |
CN114254833A (zh) | 基于多元线性回归和气象数据的水库水位预测及调度方法 | |
CN117057608A (zh) | 企业安全生产风险预警系统 | |
CN116772285A (zh) | 一种智能楼宇供暖负载安全实时监控方法 | |
CN104407256B (zh) | 一种处理量测断面时延的电力系统动态状态更新方法 | |
CN115358293A (zh) | 一种降低系统偏差对评估结果干扰的组合方法 | |
CN104200269A (zh) | 一种基于在线学习最小嵌入维网络的实时故障诊断方法 | |
CN111966966B (zh) | 一种传感器测量误差模型参数可行域分析方法及系统 | |
CN113221248A (zh) | 一种基于pf-garch模型的船舶系统设备状态参数预测方法 | |
CN117575291B (zh) | 基于边缘参数熵的联邦学习的数据协同管理方法 | |
Qiu et al. | CPS attack detection of ships using particle filter | |
Zhang et al. | A new fusion structure model for real-time urban traffic state estimation by multisource traffic data fusion |
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 |