CN117892248A - 一种烧结烟气内循环过程中异常数据监测方法 - Google Patents
一种烧结烟气内循环过程中异常数据监测方法 Download PDFInfo
- Publication number
- CN117892248A CN117892248A CN202410296086.0A CN202410296086A CN117892248A CN 117892248 A CN117892248 A CN 117892248A CN 202410296086 A CN202410296086 A CN 202410296086A CN 117892248 A CN117892248 A CN 117892248A
- Authority
- CN
- China
- Prior art keywords
- flue gas
- sintering flue
- monitoring data
- gas monitoring
- recording
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 282
- 238000005245 sintering Methods 0.000 title claims abstract description 263
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 title claims abstract description 254
- 239000003546 flue gas Substances 0.000 title claims abstract description 252
- 238000000034 method Methods 0.000 title claims abstract description 100
- 230000008569 process Effects 0.000 title claims abstract description 38
- 230000002159 abnormal effect Effects 0.000 title claims abstract description 35
- 238000012937 correction Methods 0.000 claims abstract description 46
- 230000002776 aggregation Effects 0.000 claims abstract description 19
- 238000004220 aggregation Methods 0.000 claims abstract description 19
- 239000000306 component Substances 0.000 claims description 234
- 230000008859 change Effects 0.000 claims description 40
- 108010015046 cell aggregation factors Proteins 0.000 claims description 13
- 238000010606 normalization Methods 0.000 claims description 11
- 238000000513 principal component analysis Methods 0.000 claims description 9
- 239000008358 core component Substances 0.000 claims description 3
- 238000012847 principal component analysis method Methods 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 abstract description 3
- 230000000875 corresponding effect Effects 0.000 description 14
- 238000009826 distribution Methods 0.000 description 8
- 239000000126 substance Substances 0.000 description 7
- 239000007789 gas Substances 0.000 description 5
- 239000000446 fuel Substances 0.000 description 4
- 239000000463 material Substances 0.000 description 4
- MWUXSHHQAYIFBG-UHFFFAOYSA-N Nitric oxide Chemical compound O=[N] MWUXSHHQAYIFBG-UHFFFAOYSA-N 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000007613 environmental effect Effects 0.000 description 3
- 230000009467 reduction Effects 0.000 description 3
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 2
- RAHZWNYVWXNFOC-UHFFFAOYSA-N Sulphur dioxide Chemical compound O=S=O RAHZWNYVWXNFOC-UHFFFAOYSA-N 0.000 description 2
- 238000004134 energy conservation Methods 0.000 description 2
- 238000004064 recycling Methods 0.000 description 2
- 230000002411 adverse Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 229910052742 iron Inorganic materials 0.000 description 1
- 238000004519 manufacturing process 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
Landscapes
- Manufacture And Refinement Of Metals (AREA)
Abstract
本发明涉及数据处理技术领域,具体涉及一种烧结烟气内循环过程中异常数据监测方法,包括:采集若干维度种类的烧结烟气监控数据序列;根据同一记录时间在主要受环境影响的烧结烟气监控数据序列之间互相影响的情况,得到每个记录时间的综合分量参考程度;根据不同记录时间之间烧结烟气监控数据的差异情况,每个记录时间在所有烧结烟气监控数据序列中的数据聚集情况,以及每个记录时间的综合分量参考程度,得到每个记录时间的修正参数;根据每个记录时间的修正参数对烧结烟气监控数据进行异常监测。本发明降低了监测结果存在的误差,提高了异常监测的效率,提高了节能效率。
Description
技术领域
本发明涉及数据处理技术领域,具体涉及一种烧结烟气内循环过程中异常数据监测方法。
背景技术
烧结烟气的循环过程是一种工业过程,通过对铁矿烧结过程中产生的烟气进行再利用,以达到节能减排的目的;而为了持续保持节能减排的效果,需要对烧结烟气在循环过程内的监控数据进行监测。
传统方法通常利用LOF(Local Outlier Factor)局部离群因子算法对循环过程内的监控数据进行监测;但烧结机对不同种类的矿石、燃料以及辅助材料进行烧结的过程中,会产生不同的气体和化学物质,导致不同维度下的监控数据相较于对应维度下的正常数据的分布密度不同,而传统的LOF局部离群因子算法通常人为统一预设参数k的数值,来分析每个监控数据计算局部离群因子时所考虑的邻居数量,增大了监测结果存在的误差,降低了异常监测的效率,降低了节能效率。
发明内容
本发明提供一种烧结烟气内循环过程中异常数据监测方法,以解决现有的问题:烧结机对不同种类的矿石、燃料以及辅助材料进行烧结的过程中会产生不同的气体和化学物质,导致不同维度下的监控数据相较于对应维度下的正常数据的分布密度不同,传统的LOF局部离群因子的参数k无法根据不同维度下监控数据的分布密度,自适应调整参数k。
本发明的一种烧结烟气内循环过程中异常数据监测方法采用如下技术方案:
包括以下步骤:
采集若干维度种类的烧结烟气监控数据序列,所述烧结烟气监控数据序列包含多个烧结烟气监控数据,每个烧结烟气监控数据对应一个记录时间;
根据同一记录时间在主要受环境影响的烧结烟气监控数据序列之间互相影响的情况,得到每个记录时间的综合分量参考程度;
根据不同记录时间之间烧结烟气监控数据的差异情况,每个记录时间在所有烧结烟气监控数据序列中的数据聚集情况,以及每个记录时间的综合分量参考程度,得到每个记录时间的修正参数;
根据每个记录时间的修正参数对烧结烟气监控数据进行异常监测。
优选的,所述根据同一记录时间在主要受环境影响的烧结烟气监控数据序列之间互相影响的情况,得到每个记录时间的综合分量参考程度,包括的具体方法为:
根据所有维度种类的烧结烟气监控数据序列,得到若干核心主成分分量;
获取每个烧结烟气监控数据的前置数据变化趋势因子以及后置数据变化趋势因子;
对于任意一个记录时间在任意一个核心主成分分量中的烧结烟气监控数据,根据烧结烟气监控数据的前置数据变化趋势因子与后置数据变化趋势因子之间的差异,得到记录时间在核心主成分分量中烧结烟气监控数据的初始参考程度;
获取记录时间在每个核心主成分分量中的关联修正程度;
对于第个核心主成分分量,将记录时间在第/>个核心主成分分量中烧结烟气监控数据的初始参考程度、记录时间在第/>个核心主成分分量中的关联修正程度以及第/>个核心主成分分量的方差贡献率这三者的乘积,记为记录时间在第/>个核心主成分分量的第一乘积;将记录时间在所有核心主成分分量的第一乘积的均值记为记录时间的综合分量参考因子;将所有的综合分量参考因子进行线性归一化,将归一化后的综合分量参考因子记为综合分量参考程度。
优选的,所述根据所有维度种类的烧结烟气监控数据序列,得到若干核心主成分分量,包括的具体方法为:
将所有维度种类的烧结烟气监控数据序列输入PCA主成分分析法,得到若干主成分分量,将每个主成分分量按照方差贡献率从小到大的顺序进行排序,将排序后的序列记为主成分分量序列;预设一个主成分分量比例系数,将主成分分量序列中所有主成分分量的数量记为第一数量,将第一数量与/>的乘积记为第二乘积,将第二乘积的向上取整结果记为主成分分析数量/>;将主成分分量序列中前/>个主成分分量构成的序列记为核心主成分分量序列,将核心成分分量序列中的每个主成分分量记为核心主成分分量。
优选的,所述获取每个烧结烟气监控数据的前置数据变化趋势因子以及后置数据变化趋势因子,包括的具体方法为:
获取所有核心主成分分量的一阶差分值;将任意一个核心主成分分量内任意一个记录时间的烧结烟气监控数据记为目标烧结烟气监控数据,预设一个烧结烟气监控数据的参考数量,将目标烧结烟气监控数据前/>个烧结烟气监控数据构成的序列记为前置烧结烟气监控数据序列;利用最小二乘法获取前置烧结烟气监控数据序列的拟合直线,获取拟合直线的斜率,将拟合直线的斜率记为目标烧结烟气监控数据的前置数据变化趋势因子;
将目标烧结烟气监控数据后个烧结烟气监控数据构成的序列记为后置烧结烟气监控数据序列,参考目标烧结烟气监控数据的前置数据变化趋势因子的获取方法,将原本的前置烧结烟气监控数据序列替换为后置烧结烟气监控数据序列,获取对应的前置数据变化趋势因子,并将该前置数据变化趋势因子记为目标烧结烟气监控数据的后置数据变化趋势因子。
优选的,所述根据烧结烟气监控数据的前置数据变化趋势因子与后置数据变化趋势因子之间的差异,得到记录时间在核心主成分分量中烧结烟气监控数据的初始参考程度,包括的具体方法为:
将烧结烟气监控数据的前置烧结烟气监控数据序列中所有烧结烟气监控数据的一阶差分值的标准差,记为第一标准差;将烧结烟气监控数据的前置数据变化趋势因子与第一标准差的乘积记为第三乘积;将烧结烟气监控数据的后置烧结烟气监控数据序列中所有烧结烟气监控数据的一阶差分值的标准差,记为第二标准差;将烧结烟气监控数据的后置数据变化趋势因子与第二标准差的乘积记为第四乘积;将第三乘积与第四乘积的差值的绝对值的反比例归一化值记为记录时间在核心主成分分量中烧结烟气监控数据的初始参考程度。
优选的,所述获取记录时间在每个核心主成分分量中的关联修正程度,包括的具体方法为:
对于记录时间在任意一个核心主成分分量中的烧结烟气监控数据,将烧结烟气监控数据的前置烧结烟气监控数据序列与后置烧结烟气监控数据序列共同构成的序列,记为记录时间在核心主成分分量中烧结烟气监控数据的邻域参考数据序列;获取记录时间在所有核心主成分分量中烧结烟气监控数据的邻域参考数据序列;
将除第个核心主成分分量以外第/>个核心主成分分量与第/>个核心主成分分量的皮尔逊相关系数,记为第/>个核心主成分分量的第一相关系数;将记录时间在第/>个核心主成分分量中烧结烟气监控数据的邻域参考数据序列,与记录时间在第/>个核心主成分分量中烧结烟气监控数据的邻域参考数据序列的皮尔逊相关系数,记为第/>个核心主成分分量的第二相关系数;将第/>个核心主成分分量的第一相关系数与第二相关系数的差值的绝对值,记为第/>个核心主成分分量的第一绝对值;将除第/>个核心主成分分量以外所有核心主成分分量的第一绝对值的累加和记为记录时间在第/>个核心主成分分量中的关联修正因子;将记录时间在所有核心主成分分量中的关联修正因子进行线性归一化,将归一化后的关联修正因子记为关联修正程度。
优选的,所述根据不同记录时间之间烧结烟气监控数据的差异情况,每个记录时间在所有烧结烟气监控数据序列中的数据聚集情况,以及每个记录时间的综合分量参考程度,得到每个记录时间的修正参数,包括的具体方法为:
获取第个记录时间与第/>个记录时间的时间参考距离;
预设一个时间参考距离阈值;在第/>个记录时间与所有记录时间的时间参考距离中,将与第/>个记录时间的时间参考距离小于/>的记录时间记为第/>个记录时间的对照记录时间;根据第/>个记录时间的每个对照记录时间与第/>个记录时间的时间参考距离,以及每个记录时间的综合分量参考程度,得到第/>个记录时间的聚集程度;
将第个记录时间的聚集程度与预设的参数k上限值的乘积记为第五乘积;将1与第/>个记录时间的聚集程度的差值记为第二差值;将第二差值与预设的参数k下限值的乘积记为第六乘积;将第五乘积与第六乘积的和记为第一和值;将第一和值的向上取整结果记为第/>个记录时间的修正参数。
优选的,所述获取第个记录时间与第/>个记录时间的时间参考距离,包括的具体方法为:
对于第个记录时间与第/>个记录时间,将第/>个记录时间与第/>个记录时间的差值记为第一差值;将第一差值与预设的时间间隔超参数的比值的平方记为第一平方值;
将第个记录时间在第/>个维度种类的烧结烟气监控数据序列中的烧结烟气监控数据记为第一数据,将第/>个记录时间在第/>个维度种类的烧结烟气监控数据序列中的烧结烟气监控数据记为第二数据,将第一数据与第二数据的差值的平方记为第/>个维度种类的第二平方值;将所有维度种类的第二平方值的累加和记为第一累加和;
将第一平方值与第一累加和的和记为第二和值;将第二和值的算术平方根记为第个记录时间与第/>个记录时间的时间参考距离。
优选的,所述根据第个记录时间的每个对照记录时间与第/>个记录时间的时间参考距离,以及每个记录时间的综合分量参考程度,得到第/>个记录时间的聚集程度,包括的具体方法为:
将第个记录时间的第/>个对照记录时间的综合分量参考程度与第/>个记录时间与第/>个对照记录时间的时间参考距离的比值,记为第/>个对照记录时间的第一比值;将所有对照记录时间的第一比值累加和记为第/>个记录时间的聚集因子;将所有记录时间的聚集因子进行线性归一化,将归一化后的每个聚集因子记为聚集程度。
优选的,所述根据每个记录时间的修正参数对烧结烟气监控数据进行异常监测,包括的具体方法为:
将第个记录时间的修正参数,作为第/>记录时间在每个维度种类的烧结烟气监控数据序列下烧结烟气监控数据的参数k;根据参数k,通过LOF局部离群因子算法,获取第/>记录时间在每个维度种类的烧结烟气监控数据序列下烧结烟气监控数据的LOF值;预设一个LOF值的阈值/>,将LOF值大于/>的烧结烟气监控数据记为第/>个记录时间的异常烧结烟气监控数据。
本发明的技术方案的有益效果是:通过同一记录时间在主要受环境影响的烧结烟气监控数据序列之间互相影响的情况,以及不同记录时间之间烧结烟气监控数据的差异情况,自适应调整参数k,进行异常监测;其中首先根据同一记录时间在主要受环境影响的烧结烟气监控数据序列之间互相影响的情况,得到每个记录时间的综合分量参考程度,用于反映记录时间下各个核心主成分分量对应的维度之间的关联性;然后根据不同记录时间之间烧结烟气监控数据的差异情况,每个记录时间在所有烧结烟气监控数据序列中的数据聚集情况,以及每个记录时间的综合分量参考程度,得到每个记录时间的修正参数,用于反映记录时间在计算对应烧结烟气监控数据的LOF值时,需要参考的邻域数据越多;本发明通过分析同一记录时间的受环境影响较大的主要维度对应数据的变化情况,以及不同记录时间之间对应数据的差异情况,自适应调整参数k,降低了监测结果存在的误差,提高了异常监测的效率,提高了节能效率。
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为本发明的一种烧结烟气内循环过程中异常数据监测方法的步骤流程图;
图2为本发明的一种烧结烟气内循环过程中异常数据监测方法的特征关系流程图。
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烧结烟气内循环过程中异常数据监测方法,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烧结烟气内循环过程中异常数据监测方法的具体方案。
请参阅图1,其示出了本发明一个实施例提供的一种烧结烟气内循环过程中异常数据监测方法的步骤流程图,该方法包括以下步骤:
步骤S001:采集若干维度种类的烧结烟气监控数据序列。
需要说明的是,传统方法通常利用LOF(Local Outlier Factor)局部离群因子算法对循环过程内的监控数据进行监测;但烧结机对不同种类的矿石、燃料以及辅助材料进行烧结的过程中,会产生不同的气体和化学物质,导致不同维度下的监控数据相较于对应维度下的正常数据的分布密度不同,而传统的LOF局部离群因子算法通常人为统一预设参数k的数值,来分析每个监控数据计算局部离群因子时所考虑的邻居数量,增大了监测结果存在的误差,降低了异常监测的效率,降低了节能效率。
具体的,本实施例以温度、气压、空气流速、二氧化硫浓度以及氮氧化物浓度这五种维度种类为例进行叙述,本实施例不对维度种类进行限定,其中维度种类可根据具体实施情况而定。首先需要采集烧结烟气监控数据序列,具体过程为:以任意一种维度种类为例,获取监控数据库中近一个月内该维度种类的所有历史监控数据;将所有历史监控数据进行线性归一化,将归一化后的每个历史监控数据记为烧结烟气监控数据;将所有烧结烟气监控数据按照记录时间从小到大的顺序排列后构成的序列记为烧结烟气监控数据序列;获取所有维度种类的烧结烟气监控数据序列。其中每个历史监控数据对应一个记录时间;每个维度种类对应一个烧结烟气监控数据序列,且每个烧结烟气监控数据序列所含烧结烟气监控数据的数量一致。另外需要说明的是,本实施例以数据获取时间为一个月为例进行叙述,本实施例不对数据获取时间进行具体限定,其中数据获取时间可根据具体实施情况而定。
至此,通过上述方法得到每个维度种类的烧结烟气监控数据序列。
步骤S002:根据同一记录时间在主要受环境影响的烧结烟气监控数据序列之间互相影响的情况,得到每个记录时间的综合分量参考程度。
需要说明的是,烧结机对不同种类的矿石、燃料以及辅助材料进行烧结的过程中会产生不同的气体和化学物质,而这些气体以及化学物质在产生的同时,也会反向影响监测环境内其他环境条件,使其发生不同程度的变化程度,从而使不同维度下的监控数据相较于对应维度下的正常数据的分布密度不同;而传统的LOF局部离群因子算法通常人为统一预设参数k的数值,计算每个烧结烟气监控数据的局部离群因子时,参考其周围烧结烟气监控数据的分布密度一致,并没有结合实际环境对烧结烟气监控数据的影响,导致最终获取的LOF值存在较大误差,从而影响监测结果的准确性。另外,在烧结烟气循环过程中,烧结物质对应物质含量会随着时间的推进不断发生改变,而不同的维度种类之间的烧结烟气监控数据同时会互相影响;并且不同维度种类对于监测结果的重要性并不相同。为了提高监测结果的准确性,本实施例通过对维度种类下进行主成分分析,将降维后的主成分分量,然后结合主成分分量在同一维度种类下烧结烟气监控数据的分布情况以及被其他维度种类影响的程度,得到每个烧结烟气监控数据的综合分量参考程度,以便后续监测处理。
具体的,将所有维度种类的烧结烟气监控数据序列输入PCA主成分分析法,得到若干主成分分量,将每个主成分分量按照方差贡献率从小到大的顺序进行排序,将排序后的序列记为主成分分量序列;预设一个主成分分量比例系数,其中本实施例以为例进行叙述,本实施例不进行具体限定,其中/>可根据具体实施情况而定;将主成分分量序列中所有主成分分量的数量记为第一数量,将第一数量与/>的乘积记为第一乘积,将第一乘积的向上取整结果记为主成分分析数量/>;将主成分分量序列中前/>个主成分分量构成的序列记为核心主成分分量序列,将核心成分分量序列中的每个主成分分量记为核心主成分分量。其中每个主成分分量包含多个烧结烟气监控数据,每个主成分分量所含烧结烟气监控数据的数量一致;另外主成分分量以及每个主成分分量的方差贡献率的获取过程是PCA(Principal Component Analysis)主成分分析算法的公知内容,本实施例不再赘述。
进一步的,获取所有核心主成分分量的一阶差分值;以任意一个核心主成分分量内任意一个记录时间的烧结烟气监控数据为例,预设一个烧结烟气监控数据的参考数量,其中本实施例以/>为例进行叙述,本实施例不进行具体限定,其中/>可根据具体实施情况而定;将该烧结烟气监控数据前/>个烧结烟气监控数据构成的序列记为前置烧结烟气监控数据序列;利用最小二乘法获取前置烧结烟气监控数据序列的拟合直线,获取该拟合直线的斜率,将该拟合直线的斜率记为该烧结烟气监控数据的前置数据变化趋势因子。将该烧结烟气监控数据后/>个烧结烟气监控数据构成的序列记为后置烧结烟气监控数据序列,参考该烧结烟气监控数据的前置数据变化趋势因子的获取方法,将原本的前置烧结烟气监控数据序列替换为后置烧结烟气监控数据序列,获取对应的前置数据变化趋势因子,并将该前置数据变化趋势因子记为该烧结烟气监控数据的后置数据变化趋势因子。其中本实施例默认最后一个核心主成分分量为最后一个核心主成分分量的一阶差分值;另外根据数据序列获取拟合直线的过程是最小二乘法的公知内容,本实施例不再赘述。需要说明的是,若该烧结烟气监控数据之前或之后实际存在的烧结烟气监控数据数量不满足预设的/>,那么以该烧结烟气监控数据之前或之后实际存在的烧结烟气监控数据数量为准,获取该烧结烟气监控数据的前置烧结烟气监控数据序列以及后置烧结烟气监控数据序列。
进一步的,根据该烧结烟气监控数据的前置烧结烟气监控数据序列与后置烧结烟气监控数据序列之间的数据波动差异,以及对应前置数据变化趋势因子与后置数据变化趋势因子之间的差异,得到该记录时间在该核心主成分分量中烧结烟气监控数据的初始参考程度。作为一种示例,可通过如下公式计算该记录时间在该核心主成分分量中烧结烟气监控数据的初始参考程度:
式中,表示该记录时间在该核心主成分分量中烧结烟气监控数据的初始参考程度;/>表示在该烧结烟气监控数据的前置烧结烟气监控数据序列中,所有烧结烟气监控数据的一阶差分值的标准差;/>表示该烧结烟气监控数据的前置数据变化趋势因子;/>表示在该烧结烟气监控数据的后置烧结烟气监控数据序列中,所有烧结烟气监控数据的一阶差分值的标准差;/>表示该烧结烟气监控数据的后置数据变化趋势因子;/>表示以自然常数为底的指数函数,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,实施者可根据实际情况选择反比例函数及归一化函数。其中若该记录时间在该核心主成分分量中烧结烟气监控数据的初始参考程度越小,说明该核心主成分分量中该烧结烟气监控数据周围两侧数据之间的变化差异越大,反映该核心主成分分量中该烧结烟气监控数据越处于环境条件不稳定的状态。获取该记录时间在所有核心主成分分量中烧结烟气监控数据的初始参考程度。
进一步的,以该记录时间在任意一个核心主成分分量中的烧结烟气监控数据为例,将该烧结烟气监控数据的前置烧结烟气监控数据序列与后置烧结烟气监控数据序列共同构成的序列,记为该记录时间在该核心主成分分量中烧结烟气监控数据的邻域参考数据序列;获取该记录时间在所有核心主成分分量中烧结烟气监控数据的邻域参考数据序列。根据该记录时间在第个核心主成分分量中烧结烟气监控数据的邻域参考数据序列,与该记录时间在其他核心主成分分量中烧结烟气监控数据的邻域参考数据序列之间的关联情况,得到该记录时间在第/>个核心主成分分量中的关联修正因子。其中每个烧结烟气监控数据对应一个邻域参考数据序列。作为一种示例,可通过如下公式计算该记录时间在第/>个核心主成分分量中的关联修正因子:
式中,表示该记录时间在第/>个核心主成分分量中的关联修正因子;/>表示除第个核心主成分分量以外所有核心主成分分量的数量;/>表示除第/>个核心主成分分量以外第/>个核心主成分分量与第/>个核心主成分分量的皮尔逊相关系数;/>表示该记录时间在第/>个核心主成分分量中烧结烟气监控数据的邻域参考数据序列,与该记录时间在第/>个核心主成分分量中烧结烟气监控数据的邻域参考数据序列的皮尔逊相关系数;/>表示取绝对值。其中若该记录时间在第/>个核心主成分分量中的关联修正因子越大,说明该记录时间在第/>个核心主成分分量中的烧结烟气监控数据越容易受到其他核心主成分分量的影响,反映该记录时间在第/>个核心主成分分量中的烧结烟气监控数据与环境关联越强。获取该记录时间在所有核心主成分分量中的关联修正因子,将所有的关联修正因子进行线性归一化,将归一化后的每个关联修正因子记为关联修正程度。其中皮尔逊相关系数的获取是公知技术,本实施例不再赘述。
进一步的,根据该记录时间在所有核心主成分分量中的关联修正因子,以及该记录时间在所有核心主成分分量中烧结烟气监控数据的初始参考程度,得到该记录时间的综合分量参考因子。作为一种示例,可通过如下公式计算该记录时间的综合分量参考因子:
式中,表示第/>个记录时间与第/>个记录时间的时间参考距离;/>表示第个记录时间;/>表示第/>个记录时间;/>表示预设的时间间隔超参数,本实施例预设,用于统一量纲;/>表示所有维度种类的数量;/>表示第/>个记录时间在第/>个维度种类的烧结烟气监控数据序列中的烧结烟气监控数据;/>表示第/>个记录时间在第/>个维度种类的烧结烟气监控数据序列中的烧结烟气监控数据;其中若第/>个记录时间与第/>个记录时间的时间参考距离越大,说明第/>个记录时间与第/>个记录时间对应整体数据点之间的差异越大,反映第/>个记录时间与第/>个记录时间对应环境条件的差异越大。获取第/>个记录时间与所有记录时间的时间参考距离。
进一步的,预设一个时间参考距离阈值,其中本实施例以/>为例进行叙述,本实施例不进行具体限定,其中/>可根据具体实施情况而定;在第/>个记录时间与所有记录时间的时间参考距离中,将与第/>个记录时间的时间参考距离小于/>的记录时间记为第/>个记录时间的对照记录时间。其中每个记录时间对应多个对照记录时间。
进一步的,根据第个记录时间的每个对照记录时间与第/>个记录时间的时间参考距离,以及每个记录时间的综合分量参考程度,得到第/>个记录时间的聚集因子。作为一种示例,可通过如下公式计算第/>个记录时间的聚集因子:
式中,表示第/>个记录时间的聚集因子;/>表示第/>个记录时间的所有对照记录时间的数量;/>表示第/>个记录时间的第/>个对照记录时间的综合分量参考程度;/>表示第/>个记录时间与第/>个对照记录时间的时间参考距离;/>表示预设的超参数,本实施例预设/>,用于防止分母为0。其中若第/>个记录时间的聚集因子越大,说明第/>个记录时间周围的烧结烟气监控数据分布越密集。获取所有记录时间的聚集因子,将所有的聚集因子进行线性归一化,将归一化后的每个聚集因子记为聚集程度。
进一步的,根据第个记录时间的聚集程度得到第/>个记录时间的修正参数。作为一种示例,可通过如下公式计算第/>个记录时间的修正参数:
式中,表示第/>个记录时间的修正参数;/>表示第/>个记录时间的聚集程度;/>表示预设的参数k上限,本实施例预设/>;/>表示预设的参数k下限,本实施例预设/>;/>表示向上取整;其中第/>个记录时间的修正参数越大,说明在计算第记录时间在每个维度种类的烧结烟气监控数据序列下烧结烟气监控数据的LOF值时,需要参考的邻域数据越多。
至此,通过上述方法得到每个记录时间的修正参数。
步骤S004:根据每个记录时间的修正参数对烧结烟气监控数据进行异常监测。
具体的,将第个记录时间的修正参数,作为第/>记录时间在每个维度种类的烧结烟气监控数据序列下烧结烟气监控数据的参数k;根据参数k,通过LOF局部离群因子算法,获取第/>记录时间在每个维度种类的烧结烟气监控数据序列下烧结烟气监控数据的LOF值;预设一个LOF值的阈值/>,其中本实施例以/>为例进行叙述,本实施例不进行具体限定,其中/>可根据具体实施情况而定;将LOF值大于/>的烧结烟气监控数据记为第/>个记录时间的异常烧结烟气监控数据,获取所有记录时间的异常烧结烟气监控数据。其中根据参数k,获取每个数据的LOF值的过程是LOF局部离群因子算法的公知内容,本实施例不再赘述。
至此,本实施例完成。请参阅图2,其示出了一种烧结烟气内循环过程中异常数据监测方法的特征关系流程图。
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 (10)
1.一种烧结烟气内循环过程中异常数据监测方法,其特征在于,该方法包括以下步骤:
采集若干维度种类的烧结烟气监控数据序列,所述烧结烟气监控数据序列包含多个烧结烟气监控数据,每个烧结烟气监控数据对应一个记录时间;
根据同一记录时间在主要受环境影响的烧结烟气监控数据序列之间互相影响的情况,得到每个记录时间的综合分量参考程度;
根据不同记录时间之间烧结烟气监控数据的差异情况,每个记录时间在所有烧结烟气监控数据序列中的数据聚集情况,以及每个记录时间的综合分量参考程度,得到每个记录时间的修正参数;
根据每个记录时间的修正参数对烧结烟气监控数据进行异常监测。
2.根据权利要求1所述一种烧结烟气内循环过程中异常数据监测方法,其特征在于,所述根据同一记录时间在主要受环境影响的烧结烟气监控数据序列之间互相影响的情况,得到每个记录时间的综合分量参考程度,包括的具体方法为:
根据所有维度种类的烧结烟气监控数据序列,得到若干核心主成分分量;
获取每个烧结烟气监控数据的前置数据变化趋势因子以及后置数据变化趋势因子;
对于任意一个记录时间在任意一个核心主成分分量中的烧结烟气监控数据,根据烧结烟气监控数据的前置数据变化趋势因子与后置数据变化趋势因子之间的差异,得到记录时间在核心主成分分量中烧结烟气监控数据的初始参考程度;
获取记录时间在每个核心主成分分量中的关联修正程度;
对于第个核心主成分分量,将记录时间在第/>个核心主成分分量中烧结烟气监控数据的初始参考程度、记录时间在第/>个核心主成分分量中的关联修正程度以及第/>个核心主成分分量的方差贡献率这三者的乘积,记为记录时间在第/>个核心主成分分量的第一乘积;将记录时间在所有核心主成分分量的第一乘积的均值记为记录时间的综合分量参考因子;将所有的综合分量参考因子进行线性归一化,将归一化后的综合分量参考因子记为综合分量参考程度。
3.根据权利要求2所述一种烧结烟气内循环过程中异常数据监测方法,其特征在于,所述根据所有维度种类的烧结烟气监控数据序列,得到若干核心主成分分量,包括的具体方法为:
将所有维度种类的烧结烟气监控数据序列输入PCA主成分分析法,得到若干主成分分量,将每个主成分分量按照方差贡献率从小到大的顺序进行排序,将排序后的序列记为主成分分量序列;预设一个主成分分量比例系数,将主成分分量序列中所有主成分分量的数量记为第一数量,将第一数量与/>的乘积记为第二乘积,将第二乘积的向上取整结果记为主成分分析数量/>;将主成分分量序列中前/>个主成分分量构成的序列记为核心主成分分量序列,将核心成分分量序列中的每个主成分分量记为核心主成分分量。
4.根据权利要求2所述一种烧结烟气内循环过程中异常数据监测方法,其特征在于,所述获取每个烧结烟气监控数据的前置数据变化趋势因子以及后置数据变化趋势因子,包括的具体方法为:
获取所有核心主成分分量的一阶差分值;将任意一个核心主成分分量内任意一个记录时间的烧结烟气监控数据记为目标烧结烟气监控数据,预设一个烧结烟气监控数据的参考数量,将目标烧结烟气监控数据前/>个烧结烟气监控数据构成的序列记为前置烧结烟气监控数据序列;利用最小二乘法获取前置烧结烟气监控数据序列的拟合直线,获取拟合直线的斜率,将拟合直线的斜率记为目标烧结烟气监控数据的前置数据变化趋势因子;
将目标烧结烟气监控数据后个烧结烟气监控数据构成的序列记为后置烧结烟气监控数据序列,参考目标烧结烟气监控数据的前置数据变化趋势因子的获取方法,将原本的前置烧结烟气监控数据序列替换为后置烧结烟气监控数据序列,获取对应的前置数据变化趋势因子,并将该前置数据变化趋势因子记为目标烧结烟气监控数据的后置数据变化趋势因子。
5.根据权利要求2或4所述一种烧结烟气内循环过程中异常数据监测方法,其特征在于,所述根据烧结烟气监控数据的前置数据变化趋势因子与后置数据变化趋势因子之间的差异,得到记录时间在核心主成分分量中烧结烟气监控数据的初始参考程度,包括的具体方法为:
将烧结烟气监控数据的前置烧结烟气监控数据序列中所有烧结烟气监控数据的一阶差分值的标准差,记为第一标准差;将烧结烟气监控数据的前置数据变化趋势因子与第一标准差的乘积记为第三乘积;将烧结烟气监控数据的后置烧结烟气监控数据序列中所有烧结烟气监控数据的一阶差分值的标准差,记为第二标准差;将烧结烟气监控数据的后置数据变化趋势因子与第二标准差的乘积记为第四乘积;将第三乘积与第四乘积的差值的绝对值的反比例归一化值记为记录时间在核心主成分分量中烧结烟气监控数据的初始参考程度。
6.根据权利要求2或4所述一种烧结烟气内循环过程中异常数据监测方法,其特征在于,所述获取记录时间在每个核心主成分分量中的关联修正程度,包括的具体方法为:
对于记录时间在任意一个核心主成分分量中的烧结烟气监控数据,将烧结烟气监控数据的前置烧结烟气监控数据序列与后置烧结烟气监控数据序列共同构成的序列,记为记录时间在核心主成分分量中烧结烟气监控数据的邻域参考数据序列;获取记录时间在所有核心主成分分量中烧结烟气监控数据的邻域参考数据序列;
将除第个核心主成分分量以外第/>个核心主成分分量与第/>个核心主成分分量的皮尔逊相关系数,记为第/>个核心主成分分量的第一相关系数;将记录时间在第/>个核心主成分分量中烧结烟气监控数据的邻域参考数据序列,与记录时间在第/>个核心主成分分量中烧结烟气监控数据的邻域参考数据序列的皮尔逊相关系数,记为第/>个核心主成分分量的第二相关系数;将第/>个核心主成分分量的第一相关系数与第二相关系数的差值的绝对值,记为第/>个核心主成分分量的第一绝对值;将除第/>个核心主成分分量以外所有核心主成分分量的第一绝对值的累加和记为记录时间在第/>个核心主成分分量中的关联修正因子;将记录时间在所有核心主成分分量中的关联修正因子进行线性归一化,将归一化后的关联修正因子记为关联修正程度。
7.根据权利要求1所述一种烧结烟气内循环过程中异常数据监测方法,其特征在于,所述根据不同记录时间之间烧结烟气监控数据的差异情况,每个记录时间在所有烧结烟气监控数据序列中的数据聚集情况,以及每个记录时间的综合分量参考程度,得到每个记录时间的修正参数,包括的具体方法为:
获取第个记录时间与第/>个记录时间的时间参考距离;
预设一个时间参考距离阈值;在第/>个记录时间与所有记录时间的时间参考距离中,将与第/>个记录时间的时间参考距离小于/>的记录时间记为第/>个记录时间的对照记录时间;根据第/>个记录时间的每个对照记录时间与第/>个记录时间的时间参考距离,以及每个记录时间的综合分量参考程度,得到第/>个记录时间的聚集程度;
将第个记录时间的聚集程度与预设的参数k上限值的乘积记为第五乘积;将1与第/>个记录时间的聚集程度的差值记为第二差值;将第二差值与预设的参数k下限值的乘积记为第六乘积;将第五乘积与第六乘积的和记为第一和值;将第一和值的向上取整结果记为第/>个记录时间的修正参数。
8.根据权利要求7所述一种烧结烟气内循环过程中异常数据监测方法,其特征在于,所述获取第个记录时间与第/>个记录时间的时间参考距离,包括的具体方法为:
对于第个记录时间与第/>个记录时间,将第/>个记录时间与第/>个记录时间的差值记为第一差值;将第一差值与预设的时间间隔超参数的比值的平方记为第一平方值;
将第个记录时间在第/>个维度种类的烧结烟气监控数据序列中的烧结烟气监控数据记为第一数据,将第/>个记录时间在第/>个维度种类的烧结烟气监控数据序列中的烧结烟气监控数据记为第二数据,将第一数据与第二数据的差值的平方记为第/>个维度种类的第二平方值;将所有维度种类的第二平方值的累加和记为第一累加和;
将第一平方值与第一累加和的和记为第二和值;将第二和值的算术平方根记为第个记录时间与第/>个记录时间的时间参考距离。
9.根据权利要求7所述一种烧结烟气内循环过程中异常数据监测方法,其特征在于,所述根据第个记录时间的每个对照记录时间与第/>个记录时间的时间参考距离,以及每个记录时间的综合分量参考程度,得到第/>个记录时间的聚集程度,包括的具体方法为:
将第个记录时间的第/>个对照记录时间的综合分量参考程度与第/>个记录时间与第/>个对照记录时间的时间参考距离的比值,记为第/>个对照记录时间的第一比值;将所有对照记录时间的第一比值累加和记为第/>个记录时间的聚集因子;将所有记录时间的聚集因子进行线性归一化,将归一化后的每个聚集因子记为聚集程度。
10.根据权利要求1所述一种烧结烟气内循环过程中异常数据监测方法,其特征在于,所述根据每个记录时间的修正参数对烧结烟气监控数据进行异常监测,包括的具体方法为:
将第个记录时间的修正参数,作为第/>记录时间在每个维度种类的烧结烟气监控数据序列下烧结烟气监控数据的参数k;根据参数k,通过LOF局部离群因子算法,获取第/>记录时间在每个维度种类的烧结烟气监控数据序列下烧结烟气监控数据的LOF值;预设一个LOF值的阈值/>,将LOF值大于/>的烧结烟气监控数据记为第/>个记录时间的异常烧结烟气监控数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410296086.0A CN117892248B (zh) | 2024-03-15 | 2024-03-15 | 一种烧结烟气内循环过程中异常数据监测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410296086.0A CN117892248B (zh) | 2024-03-15 | 2024-03-15 | 一种烧结烟气内循环过程中异常数据监测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117892248A true CN117892248A (zh) | 2024-04-16 |
CN117892248B CN117892248B (zh) | 2024-05-28 |
Family
ID=90639922
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410296086.0A Active CN117892248B (zh) | 2024-03-15 | 2024-03-15 | 一种烧结烟气内循环过程中异常数据监测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117892248B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101246645A (zh) * | 2008-04-01 | 2008-08-20 | 东南大学 | 一种识别离群交通数据的方法 |
CN106021883A (zh) * | 2016-05-11 | 2016-10-12 | 长安大学 | 一种利用Petri网技术提高独居老年人用药健康的方法 |
WO2021143337A1 (zh) * | 2020-01-17 | 2021-07-22 | 深圳前海微众银行股份有限公司 | 数据处理方法、装置、设备及计算机可读存储介质 |
WO2022160682A1 (zh) * | 2021-01-27 | 2022-08-04 | 力合科技(湖南)股份有限公司 | 水质监测数据分析方法及装置、设备、存储介质 |
CN116659589A (zh) * | 2023-07-25 | 2023-08-29 | 澳润(山东)药业有限公司 | 基于数据分析的阿胶糕保存环境监测方法 |
CN116863124A (zh) * | 2023-09-04 | 2023-10-10 | 所托(山东)大数据服务有限责任公司 | 车辆姿态确定方法、控制器及存储介质 |
CN117009910A (zh) * | 2023-10-08 | 2023-11-07 | 湖南工程学院 | 一种环境温度异常变化智能监测方法 |
CN117148784A (zh) * | 2023-10-27 | 2023-12-01 | 山东山森数控技术有限公司 | 一种多轴多通道数控系统运行故障分析方法 |
CN117407734A (zh) * | 2023-12-14 | 2024-01-16 | 苏州德费尔自动化设备有限公司 | 一种气缸密封性检测方法及系统 |
-
2024
- 2024-03-15 CN CN202410296086.0A patent/CN117892248B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101246645A (zh) * | 2008-04-01 | 2008-08-20 | 东南大学 | 一种识别离群交通数据的方法 |
CN106021883A (zh) * | 2016-05-11 | 2016-10-12 | 长安大学 | 一种利用Petri网技术提高独居老年人用药健康的方法 |
WO2021143337A1 (zh) * | 2020-01-17 | 2021-07-22 | 深圳前海微众银行股份有限公司 | 数据处理方法、装置、设备及计算机可读存储介质 |
WO2022160682A1 (zh) * | 2021-01-27 | 2022-08-04 | 力合科技(湖南)股份有限公司 | 水质监测数据分析方法及装置、设备、存储介质 |
CN116659589A (zh) * | 2023-07-25 | 2023-08-29 | 澳润(山东)药业有限公司 | 基于数据分析的阿胶糕保存环境监测方法 |
CN116863124A (zh) * | 2023-09-04 | 2023-10-10 | 所托(山东)大数据服务有限责任公司 | 车辆姿态确定方法、控制器及存储介质 |
CN117009910A (zh) * | 2023-10-08 | 2023-11-07 | 湖南工程学院 | 一种环境温度异常变化智能监测方法 |
CN117148784A (zh) * | 2023-10-27 | 2023-12-01 | 山东山森数控技术有限公司 | 一种多轴多通道数控系统运行故障分析方法 |
CN117407734A (zh) * | 2023-12-14 | 2024-01-16 | 苏州德费尔自动化设备有限公司 | 一种气缸密封性检测方法及系统 |
Non-Patent Citations (2)
Title |
---|
ZHANG Z J: "Detection and mitigation of radiometers radio-frequency interfrence by using the local outlier factor", 《REMOTE SENSING LETTERS》, 31 August 2017 (2017-08-31) * |
陈斯煜;戴波;林潮宁;曹文翰;: "基于PCA-RBF神经网络的混凝土坝位移趋势性预测模型", 水利水电技术, no. 04, 20 April 2018 (2018-04-20) * |
Also Published As
Publication number | Publication date |
---|---|
CN117892248B (zh) | 2024-05-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112547807B (zh) | 一种基于决策树算法的热轧带钢质量精准判定方法 | |
CN109063734B (zh) | 结合多级局部密度聚类的油浸式变压器故障状态评估方法 | |
CN112684118B (zh) | 一种大气臭氧污染的便捷预警方法 | |
CN113687176B (zh) | 一种基于深度神经网络的用电异常检测方法、系统 | |
CN117313016B (zh) | 一种新能源电力交易现货电价价差数据处理方法 | |
CN110782067A (zh) | 一种基于模糊信息粒化的烧结终点波动范围预测方法 | |
CN114881374B (zh) | 用于建筑能耗预测的多元异构能耗数据融合方法和系统 | |
CN111639882B (zh) | 一种基于深度学习的用电风险的判定方法 | |
CN111580384B (zh) | 水泥生产中分解炉温度pid控制系统参数自动调整方法 | |
CN111709454A (zh) | 一种基于最优copula模型的多风电场出力聚类评估方法 | |
CN113361130B (zh) | 一种高含沙洪水后河段河床形态调整预测模型的构建方法 | |
CN117892248B (zh) | 一种烧结烟气内循环过程中异常数据监测方法 | |
CN107808221A (zh) | 基于案例匹配的高炉布料参数决策方法 | |
CN111444963A (zh) | 一种基于ssa-svr模型的高炉铁水硅含量预测方法 | |
CN116029037A (zh) | 一种基于ifc的装配式建筑工程量计算方法 | |
CN110705099A (zh) | 一种检定风电场出力相关性的方法 | |
CN114548739A (zh) | 一种变电站防汛风险组合评估方法 | |
CN111210147B (zh) | 基于时序特征提取的烧结过程运行性能评价方法及系统 | |
CN115186900A (zh) | 适用于多工况类别的动态高炉煤气产生量预测方法及系统 | |
CN115116616A (zh) | 基于组内组间优化的多重插补的乳腺癌缺失数据插补模型 | |
CN115202190A (zh) | 一种基于工艺指标调节潜质的工况划分和识别方法 | |
CN114066212A (zh) | 一种基于历史工况的机组升降负荷工况寻优方法 | |
CN109933579B (zh) | 一种局部k近邻缺失值插补系统与方法 | |
CN114645105B (zh) | 钒钛矿高炉炉况稳定性评价方法 | |
CN111625525A (zh) | 一种环境数据修复/填充方法及系统 |
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 |