CN117932445B - 高稳定性的htcc氧化铝陶瓷制备参数异常识别方法 - Google Patents

Abstract

本发明涉及氧化铝陶瓷制备数据监测技术领域，具体涉及高稳定性的HTCC氧化铝陶瓷制备参数异常识别方法。该方法获取趋势项上的趋势类别以及历史温度曲线上的曲线段类别。获取实时温度曲线对应的匹配曲线段类别以及代表曲线段和待参考曲线段。以代表曲线段为参考基础，对比实时温度曲线与待参考曲线段之间的数据特征，进而筛选出参考曲线段，获得实时温度曲线的预测曲线段，根据参考曲线段与预测曲线段之间的相似度判断是否出现参数异常。本发明通过确定参考性强的参考曲线段作为异常对比的基础数据，基于预测以及对比的数据处理方法实现了及时准确的对HTCC氧化铝陶瓷制备过程中烧炉温度参数进行异常检测。

Description

高稳定性的HTCC氧化铝陶瓷制备参数异常识别方法

技术领域

本发明涉及氧化铝陶瓷制备数据监测技术领域，具体涉及高稳定性的HTCC氧化铝陶瓷制备参数异常识别方法。

背景技术

HTCC氧化铝陶瓷制备过程中需要制备炉进行多次烧结、冷却等工作流程，在连续的工作流程中烧炉的温度控制对于陶瓷成品质量而言起到重要作用。因此需要对烧炉的温度参数进行准确的监测并判断异常，保证能够及时进行参数调整，避免陶瓷产品质量受到影响。

在对烧炉的温度参数进行异常监测过程中，可直接设置温度阈值范围，若监测到温度不在阈值范围内，则判定出现温度异常。但是该方法会因为监测不及时，导致反馈异常识别结果时烧炉内的陶瓷产品已经出现了一定的质量损伤，并且因为制备过程中进行多轮烧结、冷却等过程，不同过程对应的温度阈值范围是存在变化的，若不能确定合适的温度对比数据，还会导致异常识别结果存在误差。

发明内容

为了解决现有技术中在陶瓷制备过程中对烧炉温度参数的异常检测不及时并且存在误差的技术问题，本发明的目的在于提供一种高稳定性的HTCC氧化铝陶瓷制备参数异常识别方法，所采用的技术方案具体如下：

本发明提出了一种高稳定性的HTCC氧化铝陶瓷制备参数异常识别方法，所述方法包括：

获得HTCC氧化铝陶瓷正常制备过程中的历史温度曲线，以及实时制备过程中的实时温度曲线；

对历史温度曲线进行趋势项分解；获取趋势项中的同趋势段；根据相邻同趋势段之间的趋势匹配关系确定趋势类别；趋势项上的同趋势段在历史温度曲线上对应的曲线段为温度分割曲线段；根据温度分割曲线段之间的相似度确定曲线段类别；

获得实时温度曲线在曲线段类别中的匹配曲线段类别；将匹配曲线段类别的类别中心作为实时温度曲线的代表曲线段；在历史温度曲线上，将匹配曲线段类别中的每条温度分割曲线段的相邻温度分割曲线段作为实时温度曲线的待参考曲线段；

获得实时温度曲线与待参考曲线段之间的第一变化趋势特征和第一数据匹配特征，获得代表曲线段在趋势项上对应的趋势类别的第二变化趋势特征；获得代表曲线段与相邻温度分割曲线段之间的第二数据匹配特征；获得第一变化趋势特征与第二变化趋势特征之间的变化趋势相似度；获得第一数据匹配特征与第二数据匹配特征之间的曲线相似度；根据变化趋势相似度和曲线相似度在待参考曲线段中筛选出参考曲线段；

获得实时温度曲线的预测曲线段，根据参考曲线段与预测曲线段之间的相似度判断是否出现参数异常。

进一步地，所述获取趋势项中的同趋势段，包括：

获取所述趋势项中每个数据点的切线斜率，构成切线斜率序列，对所述切线斜率序列利用多阈值分割算法进行处理，获得所述同趋势段。

进一步地，所述根据相邻同趋势段之间的趋势匹配关系确定趋势类别包括：

获得趋势项上相邻两条同趋势段之间的匹配关系特征序列，根据所述匹配关系特征序列之间的相似度对所述匹配关系特征序列进行聚类，获得所述趋势类别。

进一步地，所述匹配关系特征序列的获取方法包括：

相邻同趋势段之间进行DTW匹配，获得两条趋势段之间的数据点匹配关系，在所述数据点匹配关系中，将前一个同趋势段对应的数据点数量作为分子，后一个同趋势段对应的数据点数量作为分母，获得匹配特征值，将所述匹配特征值构成的序列作为所述匹配关系特征序列。

进一步地，所述曲线段类别的获取方法包括：

获取所述温度分割曲线段之间的差异距离，根据所述差异距离进行聚类，获得所述曲线段类别。

进一步地，所述获得实时温度曲线在所述曲线段类别中的匹配曲线段类别，包括：

获得所述实时温度曲线与所述曲线段类别的类别中心的数据相似度，将最大数据相似度对应的所述曲线段类别作为所述实时温度曲线的所述匹配曲线段类别。

进一步地，所述变化趋势相似度的获取方法包括：

所述实时温度曲线上每个数据点的切线斜率构成实时切线斜率序列；所述待参考曲线段上每个数据点的切线斜率构成待参考切线斜率序列；

对所述实时切线斜率序列与所述待参考切线斜率序列进行DTW匹配，获得的匹配关系特征序列作为所述第一变化趋势特征；

将所述代表曲线段在趋势项上对应的趋势类别的类别中心作为第二变化趋势特征；将第一变化趋势特征与所述第二变化趋势特征之间的相似度作为所述变化趋势相似度。

进一步地，所述曲线相似度的获取方法包括：

对所述实时温度曲线与所述待参考曲线段进行DTW匹配，获得的匹配关系特征序列作为第一数据匹配特征；

对所述代表曲线段与相邻的温度分割曲线段进行DTW匹配，获得的匹配关系特征序列作为第二数据匹配特征；

将所述第一数据匹配特征与第二数据匹配特征之间的相似度作为所述曲线相似度。

进一步地，所述根据变化趋势相似度和曲线相似度在待参考曲线段中筛选出参考曲线段，包括：

将所述变化趋势相似度和所述曲线相似度的乘积作为所述待参考曲线段的筛选指标，将最大筛选指标对应的待参考曲线段作为所述实时温度曲线的参考曲线段。

进一步地，所述根据参考曲线段与预测曲线段之间的相似度判断是否出现参数异常，包括：

以所述实时温度曲线为基础进行多项式拟合，获得多项式拟合模型，根据多项式拟合模型获得与所述参考曲线段长度相同的预测曲线段；

根据所述预测曲线段与所述参考曲线段之间的差异获得异常概率，当所述异常概率大于预设异常阈值时，判断实时温度曲线出现参数异常。

本发明具有如下有益效果：

本发明实施例为了避免直接确定温度阈值范围进行异常检测导致的检测不准确，在温度数据的基础上分析温度的变化趋势，对于整条历史温度曲线而言，根据趋势划分为趋势类别，根据数据划分为曲线段类别。进一步进行准确的匹配，确定实时温度曲线在历史温度曲线上所对应的匹配曲线段类别，即匹配曲线段类别中的温度分割曲线段所表征的工作流程与实时温度曲线所对应的工作流程相同，因此可根据匹配曲线段类别中的温度分割曲线获得待参考曲线段。待参考曲线段可视为实时温度曲线在未来时刻有可能对应的曲线段，为了进一步确定最合适的参考曲线段，进一步结合对应趋势项中的数据变化趋势相似度以及曲线相似度对待参考曲线段进行筛选，获得参考曲线段。因为参考曲线段是由正常制备过程的历史温度曲线获得的，因此参考曲线段可作为实时温度曲线在未来时刻的正常制备过程基准数据，通过数据预测以及数据对比，能够及时判断实时温度曲线是否出现参数异常的同时保证了判断结果的准确性。

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高稳定性的HTCC氧化铝陶瓷制备参数异常识别方法流程图；

图2为本发明一个实施例所提供的一种实时制备过程中的温度曲线；

图3为本发明一个实施例所提供的一种预测结果曲线示意图；

图4为本发明一个实施例中所提供的一种将参考曲线段添加至制备过程中温度曲线的示意图。

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高稳定性的HTCC氧化铝陶瓷制备参数异常识别方法，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。

下面结合附图具体地说明本发明所提供的一种高稳定性的HTCC氧化铝陶瓷制备参数异常识别方法的具体方案。

请参阅图1，其示出了本发明一个实施例提供的一种高稳定性的HTCC氧化铝陶瓷制备参数异常识别方法流程图，该方法包括：

步骤S1：获得HTCC氧化铝陶瓷正常制备过程中的历史温度曲线，以及实时制备过程中的实时温度曲线。

因为本发明旨在获取用于评估实时制备过程中实时温度曲线异常性的对比数据，因此应当从正常制备过程中的数据进行获取，需要获得HTCC氧化铝陶瓷正常制备过程中烧炉的历史温度曲线，即历史温度曲线上每个数据点均为HTCC氧化铝陶瓷制备过程中的正常温度参数。

需要说明的是，在本发明一个实施例中，因为实时制备过程中的温度数据是烧炉实时进行监测采集的，请参阅图2，其示出了本发明一个实施例所提供的一种实时制备过程中的温度曲线。实时制备过程的温度曲线在时序上会包含开始制备到实时时刻的所有温度数据，为了保证后续温度参数异常判断的准确性，需要从实时开始在整条温度曲线上截取一部分曲线作为实时温度曲线。在本发明一个实施例中温度检测频率为每秒检测一次，将实时温度曲线的长度设置为10。

步骤S2：对历史温度曲线进行趋势项分解；获取趋势项中的同趋势段；根据相邻同趋势段之间的趋势匹配关系确定趋势类别；趋势项上的同趋势段在历史温度曲线上对应的曲线段为温度分割曲线段；根据温度分割曲线段之间的相似度确定曲线段类别。

在HTCC氧化铝陶瓷制备过程中，会在烧炉中进行多次烧结，以及冷却的循环，每个循环包含不同的温度阶段，使得温度的变化趋势出现周期性，因此对于HTCC氧化铝陶瓷制备过程中的温度曲线而言，周期的变化趋势是一项重要的数据特征。对于异常检测而言，对比数据不仅需要数据值范围上的参考度，还需数据变化趋势上的参考度，因此需要对历史温度曲线进行趋势项分解，获得历史温度曲线的趋势项。需要说明的是，趋势项是表示历史温度曲线各个位置变化趋势的曲线，趋势项与历史温度曲线的长度相同，横坐标均表示时序，其没有了原始曲线在局部范围下的剧烈波动，可视为将原始曲线平滑后的结果，能够清楚表征各个位置的数据特征，通过切线斜率或者相邻两数据点处的斜率即可获得每个位置的数据变化趋势。

在本发明一个实施例中，采用STL算法对历史温度曲线进行分解，获得趋势项。STL算法为本领域技术人员熟知的技术手段，在此不做赘述。

在趋势段中具有相同趋势的数据点需要合并为同趋势段，即一个同趋势段内的数据点具有相同的数据变化趋势。因为本发明实施例旨在获取实时温度曲线在未来时刻下正常制备过程下的数据曲线，进而进行异常对比，所以在获得同趋势段之后还需要进一步获得相邻同趋势段之间的趋势匹配关系，确定趋势类别。即趋势类别能够表征一种工作模式，例如一次烧结冷却的循环过程中，烧炉内温度是先升高再降低，存在两段同趋势段，则通过对这相邻两段同趋势段进行趋势匹配，进而在整个趋势项内进行分类，即可获得整个过程中具有此类数据变化趋势特征的工作模式类别，即趋势类别。

优选地，在本发明实施例中获取趋势项中的同趋势段，包括：

获取趋势项中每个数据点的切线斜率，构成切线斜率序列，对切线斜率序列利用多阈值分割算法进行处理，获得同趋势段。即只要满足多阈值分割算法中设置的某个阈值的范围，即视为同类变化趋势，进而在切线斜率序列中，连续的同类变化趋势数据点构成同趋势段。需要说明的是，多阈值分割算法为本领域技术人员熟知的技术手段，在此不做赘述。

在本发明其他实施例中，也可通过DBSCAN聚类等数据聚类算法对切线斜率序列进行聚类，获得同趋势段，具体内容为本领域技术人员熟知的技术手段，在此不做赘述。

优选地，在本发明一个实施例中根据相邻同趋势段之间的趋势匹配关系确定趋势类别包括：

获得趋势项上相邻两条同趋势段之间的匹配关系特征序列，匹配关系特征序列能够表征相邻两条同趋势段的匹配情况，将匹配情况作为特征值在整个切线斜率序列中进行搜索，即根据匹配关系特征序列之间的相似度对匹配关系特征序列进行聚类，获得趋势类别。一个趋势类别内的匹配关系特征序列相似，可表征一种工作模式。在本发明一个实施例中，匹配关系特征序列之间的相似度为余弦相似度，在聚类过程中通过正整数1减去余弦相似度进行负相关映射处理，获得聚类距离，利用DBSCAN聚类方法基于聚类距离进行聚类。在每个趋势类别中，获得一个匹配关系特征序列与其他所有匹配关系特征序列之间的余弦相似度累加和，将余弦相似度累加和最大的匹配关系特征序列作为类别中心。

优选地，在本发明一个实施例中，匹配关系特征序列的获取方法包括：

相邻同趋势段之间进行DTW匹配，获得两条趋势段之间的数据点匹配关系。DTW匹配能够实现两条序列中每个数据点均对应一种匹配关系，通过获得的匹配关系能够细致的表征两条同趋势段之间的匹配特征。数据点匹配关系主要包括一对一匹配关系以及一对多匹配关系，因此为了将数据点匹配关系进行量化，在数据点匹配关系中，将前一个同趋势段对应的数据点数量作为分子，后一个同趋势段对应的数据点数量作为分母，获得匹配特征值，将匹配特征值构成的序列作为匹配关系特征序列。例如，若数据点匹配关系为时序上前一个同趋势段的一个数据点对应后一个同趋势段上的一个数据点，则匹配特征值为1；若前一个同趋势段的一个数据点对应后一个同趋势段上的n个数据点，则匹配特征值为1/n；前一个同趋势段的n个数据点对应后一个同趋势段上的一个数据点，则匹配特征值为n。在本发明实施例中，以前一个同趋势段的数据点顺序，将对应的匹配特征值进行排序，即可获得匹配关系特征序列。

所获得的趋势类别是基于数据变化趋势进行分析，并且趋势项上缺少温度参数在局部范围内的细节信息，因此还需进一步在历史温度曲线上进行分析，因为同趋势段表征时序上连续的共同趋势，并且趋势项与历史温度曲线的横坐标是相同的，因此趋势项上的同趋势段在历史温度曲线上对应的曲线段即为温度分割曲线段。温度分割曲线段上包含了历史温度参数的具体细节变化信息，可用于确定实时温度曲线在历史温度曲线上对应的位置，因此与趋势类别不同的是，对于温度分割曲线段而言应当直接根据温度分割曲线段之间的相似度确定曲线段类别，不再基于相邻两条曲线进行分析。即一个曲线段类别中的温度分割曲线段具有相似的数据值特征以及数据变化特征，在后续过程中可用于实时温度曲线的匹配，继而确定待参考曲线段。

优选地，在本发明一个实施例中，曲线段类别的获取方法包括：

获取温度分割曲线段之间的差异距离，根据差异距离进行聚类，获得曲线段类别。在本发明一个实施例中，差异距离选择DTW距离，聚类方法选用DBSCAN聚类，具体算法均为本领域技术人员熟知的技术手段，在此不做赘述。

步骤S3：获得实时温度曲线在曲线段类别中的匹配曲线段类别；将匹配曲线段类别的类别中心作为实时温度曲线的代表曲线段；在历史温度曲线上，将匹配曲线段类别中的每条温度分割曲线段的相邻温度分割曲线段作为实时温度曲线的待参考曲线段。

将实时温度曲线在曲线段类别中进行匹配即可获得匹配曲线段类别。需要说明的是，本发明实施例并未直接将实时温度曲线对每个温度分割曲线进行匹配的原因是避免匹配误差造成的错误匹配结果，通过先分类后确定所属类别的方式增加了待参考曲线段的可选择性，进而在后续步骤的分析中筛选出更有效的参考曲线段，提高异常检测的精度。

获得实时温度曲线在曲线段类别中的匹配曲线段类别，包括：

获得实时温度曲线与曲线段类别的类别中心的数据相似度，将最大数据相似度对应的曲线段类别作为实时温度曲线的匹配曲线段类别。需要说明的是，数据相似度可选用DTW距离负相关后并归一化的结果，在本发明其他实施例中也可选用余弦相似度等，在此不做赘述及限定。

需要说明的是，曲线段类别的类别中心与趋势类别的类别中心确定方法相同，在此不做赘述。

进一步将匹配曲线段类别的类别中心作为实时温度曲线的代表曲线段，因为类别中心能够表征该类别的整体特征，因此代表曲线段可作为代表数据用于后续的分析处理。因为本发明实施例旨在确定实时温度曲线在未来时刻下的参考数据，因此在历史温度曲线上，将匹配曲线段类别中的每条温度分割曲线段的相邻温度分割曲线段作为实时温度曲线的待参考曲线段，在后续步骤中对待参考曲线段进行进一步分析筛选即可获得用于异常对比的参考曲线段。

步骤S4：获得实时温度曲线与待参考曲线段之间的第一变化趋势特征和第一数据匹配特征，获得代表曲线段在趋势项上对应的趋势类别的第二变化趋势特征；获得代表曲线段与相邻温度分割曲线段之间的第二数据匹配特征；获得第一变化趋势特征与第二变化趋势特征之间的变化趋势相似度；获得第一数据匹配特征与第二数据匹配特征之间的曲线相似度；根据变化趋势相似度和曲线相似度在待参考曲线段中筛选出参考曲线段。

以代表曲线段作为基准数据，基准数据对应的实时温度曲线，代表曲线段的相邻下一个温度分割曲线段则对应这待参考曲线段。将代表曲线段与相邻下一个温度分割曲线段之间的特征作为一组特征，将实时温度曲线与待参考曲线段之间的特征作为另一组特征。通过分析两组特征的相似信息即可对待参考曲线段的参考度进行量化与评价。因此首先获得实时温度曲线与待参考曲线段之间的第一变化趋势特征和第一数据匹配特征。因为趋势项类别表征一种工作模式，因此获得代表曲线段在趋势项上对应的趋势类别的第二变化趋势特征。获得代表曲线段与相邻温度分割曲线段之间的第二数据匹配特征。进一步即可获得第一变化趋势特征与第二变化趋势特征之间的变化趋势相似度；第一数据匹配特征与第二数据匹配特征之间的曲线相似度。两类相似度越大，说明待参考曲线段越对于实时温度曲线的参考性越大，因此可根据变化趋势相似度和曲线相似度在待参考曲线段中筛选出参考曲线段。

优选地，在本发明一个实施例中，变化趋势相似度的获取方法包括：

因为本发明一个实施例中采用匹配关系量化的方法细节表征两条序列之间的匹配关系，因此在获取匹配关系特征序列的基础上，可进一步确定变化趋势相似度。首先实时温度曲线上每个数据点的切线斜率构成实时切线斜率序列；待参考曲线段上每个数据点的切线斜率构成待参考切线斜率序列；对实时切线斜率序列与待参考切线斜率序列进行DTW匹配，获得的匹配关系特征序列作为第一变化趋势特征；

将代表曲线段在趋势项上对应的趋势类别的类别中心作为第二变化趋势特征。因为趋势类别的类别中心同样为匹配关系特征序列，因此第一变化趋势特征和第二变化趋势特征均为一种匹配关系特征序列，可进一步分析，将第一变化趋势特征与第二变化趋势特征之间的相似度作为变化趋势相似度。在本发明实施例中第一变化趋势特征与第二变化趋势特征之间的相似度为对应两条序列的DTW距离的负相关映射并归一化后的值。用公式表为：；其中，/>为变化趋势相似度，/>为自然常数，/>为第一变化趋势特征与第二变化趋势特征之间的DTW距离。即利用以自然常数为底数的指数函数实现负相关映射并归一化。

优选地，在本发明一个实施例中，与变化趋势相似度类似地，曲线相似度的获取方法包括：

对实时温度曲线与待参考曲线段进行DTW匹配，获得的匹配关系特征序列作为第一数据匹配特征；对代表曲线段与相邻的温度分割曲线段进行DTW匹配，获得的匹配关系特征序列作为第二数据匹配特征；将第一数据匹配特征与第二数据匹配特征之间的相似度作为曲线相似度。在本发明实施例中，第一数据匹配特征与第二数据匹配特征之间的相似度为对应两条序列的DTW距离的负相关映射并归一化后的值。用公式表为：；其中，为曲线相似度，/>为自然常数，/>为第一数据匹配特征与第二数据匹配特征之间的DTW距离。

优选地，在本发明一个实施例中根据变化趋势相似度和曲线相似度在待参考曲线段中筛选出参考曲线段，包括：

将变化趋势相似度和曲线相似度的乘积作为待参考曲线段的筛选指标，即两类相似度越大说明筛选指标越大，对应待参考曲线段的参考度越强。将最大筛选指标对应的待参考曲线段作为实时温度曲线的参考曲线段。

步骤S5：获得实时温度曲线的预测曲线段，根据参考曲线段与预测曲线段之间的相似度判断是否出现参数异常。

因为参考曲线段为实时温度曲线在未来时刻对应的正常陶瓷制备过程中的参考信息，因此根据当前实时温度曲线的数据变化可进行预测，获得预测曲线段。将预测曲线段与参考曲线段进行相似度分析即可判断是否出现参数异常，即相似度越大说明实时制备过程中的温度参数越正常。

优选地，在本发明一个实施例中，根据参考曲线段与实时温度曲线之间的相似度判断是否出现参数异常，包括：

以实时温度曲线为基础进行多项式拟合，获得多项式拟合模型，根据多项式拟合模型获得与参考曲线段长度相同的预测曲线段。需要说明的是，多项式拟合模型的具体算法为本领域技术人员熟知的技术手段，在此不做赘述。请参阅图3，其示出了本发明一个实施例所提供的一种预测结果曲线示意图，以图2作为参考，图3中多出的曲线段即为预测出来数据。

请参阅图4，其示出了本发明一个实施例中所提供的一种将参考曲线段添加至制备过程中温度曲线的示意图。图4可视为正常制备过程中的温度曲线，通过对比图3和图4即可确定实时温度曲线是否出现温度参数异常，在未来时刻是否会出现明显的不符合正常制备过程的温度变化。

根据预测曲线段与参考曲线段之间的相似度获得异常概率，当异常概率大于预设异常阈值时，判断实时温度曲线出现参数异常。在本发明一个实施例中，将预测曲线段与参考曲线段之间的余弦相似度进行负相关映射并归一化，获得异常概率。将异常阈值设置为0.7。

综上所述，本发明实施例在正常制备过程中的基础上，获取趋势项上的趋势类别以及历史温度曲线上的曲线段类别。获取实时温度曲线对应的匹配曲线段类别以及代表曲线段和待参考曲线段。以代表曲线段为参考基础，对比实时温度曲线与待参考曲线段之间的数据特征，进而筛选出参考曲线段，获得实时温度曲线的预测曲线段，根据参考曲线段与预测曲线段之间的相似度判断是否出现参数异常。本发明通过确定参考性强的参考曲线段作为异常对比的基础数据，基于预测以及对比的数据处理方法实现了及时准确的对HTCC氧化铝陶瓷制备过程中烧炉温度参数进行异常检测。

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 (9)

1.一种高稳定性的HTCC氧化铝陶瓷制备参数异常识别方法，其特征在于，所述方法包括：

获得HTCC氧化铝陶瓷正常制备过程中的历史温度曲线，以及实时制备过程中的实时温度曲线；

对历史温度曲线进行趋势项分解；获取趋势项中的同趋势段；根据相邻同趋势段之间的趋势匹配关系确定趋势类别；趋势项上的同趋势段在历史温度曲线上对应的曲线段为温度分割曲线段；根据温度分割曲线段之间的相似度确定曲线段类别；

获得实时温度曲线在曲线段类别中的匹配曲线段类别；将匹配曲线段类别的类别中心作为实时温度曲线的代表曲线段；在历史温度曲线上，将匹配曲线段类别中的每条温度分割曲线段的相邻温度分割曲线段作为实时温度曲线的待参考曲线段；

获得实时温度曲线与待参考曲线段之间的第一变化趋势特征和第一数据匹配特征，获得代表曲线段在趋势项上对应的趋势类别的第二变化趋势特征；获得代表曲线段与相邻温度分割曲线段之间的第二数据匹配特征；获得第一变化趋势特征与第二变化趋势特征之间的变化趋势相似度；获得第一数据匹配特征与第二数据匹配特征之间的曲线相似度；根据变化趋势相似度和曲线相似度在待参考曲线段中筛选出参考曲线段；

获得实时温度曲线的预测曲线段，根据参考曲线段与预测曲线段之间的相似度判断是否出现参数异常；

根据参考曲线段与预测曲线段之间的相似度判断是否出现参数异常，包括：

以所述实时温度曲线为基础进行多项式拟合，获得多项式拟合模型，根据多项式拟合模型获得与所述参考曲线段长度相同的预测曲线段；

根据所述预测曲线段与所述参考曲线段之间的差异获得异常概率，当所述异常概率大于预设异常阈值时，判断实时温度曲线出现参数异常。

2.根据权利要求1所述的一种高稳定性的HTCC氧化铝陶瓷制备参数异常识别方法，其特征在于，所述获取趋势项中的同趋势段，包括：

获取所述趋势项中每个数据点的切线斜率，构成切线斜率序列，对所述切线斜率序列利用多阈值分割算法进行处理，获得所述同趋势段。

3.根据权利要求2所述的一种高稳定性的HTCC氧化铝陶瓷制备参数异常识别方法，其特征在于，所述根据相邻同趋势段之间的趋势匹配关系确定趋势类别包括：

获得趋势项上相邻两条同趋势段之间的匹配关系特征序列，根据所述匹配关系特征序列之间的相似度对所述匹配关系特征序列进行聚类，获得所述趋势类别。

4.根据权利要求3所述的一种高稳定性的HTCC氧化铝陶瓷制备参数异常识别方法，其特征在于，所述匹配关系特征序列的获取方法包括：

相邻同趋势段之间进行DTW匹配，获得两条趋势段之间的数据点匹配关系，在所述数据点匹配关系中，将前一个同趋势段对应的数据点数量作为分子，后一个同趋势段对应的数据点数量作为分母，获得匹配特征值，将所述匹配特征值构成的序列作为所述匹配关系特征序列。

5.根据权利要求1所述的一种高稳定性的HTCC氧化铝陶瓷制备参数异常识别方法，其特征在于，所述曲线段类别的获取方法包括：

获取所述温度分割曲线段之间的差异距离，根据所述差异距离进行聚类，获得所述曲线段类别。

6.根据权利要求1所述的一种高稳定性的HTCC氧化铝陶瓷制备参数异常识别方法，其特征在于，所述获得实时温度曲线在所述曲线段类别中的匹配曲线段类别，包括：

获得所述实时温度曲线与所述曲线段类别的类别中心的数据相似度，将最大数据相似度对应的所述曲线段类别作为所述实时温度曲线的所述匹配曲线段类别。

7.根据权利要求4所述的一种高稳定性的HTCC氧化铝陶瓷制备参数异常识别方法，其特征在于，所述变化趋势相似度的获取方法包括：

所述实时温度曲线上每个数据点的切线斜率构成实时切线斜率序列；所述待参考曲线段上每个数据点的切线斜率构成待参考切线斜率序列；

对所述实时切线斜率序列与所述待参考切线斜率序列进行DTW匹配，获得的匹配关系特征序列作为所述第一变化趋势特征；

将所述代表曲线段在趋势项上对应的趋势类别的类别中心作为第二变化趋势特征；将第一变化趋势特征与所述第二变化趋势特征之间的相似度作为所述变化趋势相似度。

8.根据权利要求4所述的一种高稳定性的HTCC氧化铝陶瓷制备参数异常识别方法，其特征在于，所述曲线相似度的获取方法包括：

对所述实时温度曲线与所述待参考曲线段进行DTW匹配，获得的匹配关系特征序列作为第一数据匹配特征；

对所述代表曲线段与相邻的温度分割曲线段进行DTW匹配，获得的匹配关系特征序列作为第二数据匹配特征；

将所述第一数据匹配特征与第二数据匹配特征之间的相似度作为所述曲线相似度。

9.根据权利要求1所述的一种高稳定性的HTCC氧化铝陶瓷制备参数异常识别方法，其特征在于，所述根据变化趋势相似度和曲线相似度在待参考曲线段中筛选出参考曲线段，包括：

将所述变化趋势相似度和所述曲线相似度的乘积作为所述待参考曲线段的筛选指标，将最大筛选指标对应的待参考曲线段作为所述实时温度曲线的参考曲线段。