CN117932520A - 基于数据识别的固体生物废物处理设备监测方法 - Google Patents

Abstract

本发明公开了基于数据识别的固体生物废物处理设备监测方法，具体涉及设备监测参数优化领域，是通过统计和记录设备参数，提取异常和敏感特征，包括离群特异度指数和熵敏指数。这些特征经综合处理形成显著指数，有助于分析参数对设备的显著水平。经过综合分析不仅筛选有监测价值的参数，也深化对设备状态的理解，提高对异常情况的敏感性，为性能优化和故障预测提供益处。在获得有价值参数后，进行相似性度量揭示参数间关联。进一步分析关联在时间上的一致性，基于显著系数选择稳定参数对，提高监测预警的可靠性。这种优化选择过程可带来更准确的设备状态评估和异常检测，增强监测系统对设备运行状况的精准度，为设备管理监测提供更有利基础。

Description

基于数据识别的固体生物废物处理设备监测方法

技术领域

本发明涉及设备监测参数优化邻域，更具体地说，本发明涉及基于数据识别的固体生物废物处理设备监测方法。

背景技术

固体生物废物处理设备是用于处理含有生物成分的固体废弃物的设备，通常通过生物学过程将废物转化为更环保的物质。监测这类设备对于确保其高效运行和环保性至关重要。然而，现有的固体生物废物处理设备监测过程中存在一个问题，即面向监测的参数选择往往是主观臆测的，缺乏系统性和客观性。不同工作程度和模式下的设备可能与不同参数相关联，而目前的参数选择往往缺乏足够的显著性和代表性，可能导致最终选择的参数在监测过程中缺乏充分的意义。这种不足之处可能阻碍了对固体生物废物处理设备运行状况的准确监测和评估。

为了解决上述问题，现提供一种技术方案。

发明内容

为了克服现有技术的上述缺陷，本发明的实施例提供基于数据识别的固体生物废物处理设备监测方法，通过统计和记录设备参数，提取异常和敏感特征，包括离群特异度指数和熵敏指数。这些特征经综合处理形成显著指数，有助于分析参数对设备的显著水平。经过综合分析不仅筛选有监测价值的参数，也深化对设备状态的理解，提高对异常情况的敏感性，为性能优化和故障预测提供益处。在获得有价值参数后，进行相似性度量揭示参数间关联，优化后期监测预警简洁性和解释性。进一步分析关联在时间上的一致性，基于显著系数选择稳定参数对，提高监测预警的可靠性。这种优化选择过程可带来更准确的设备状态评估和异常检测，增强监测系统对设备运行状况的精准度，为设备管理监测提供更有利基础，以解决上述背景技术中提出的问题。

为实现上述目的，本发明提供如下技术方案：步骤S100，获取设备的各项监测的参数，将各项参数按照固定格式统一记录；

步骤S200，进一步分别提取设备的异常和敏感特征，对各项特征进行综合计算获取显著系数，基于显著系数对参数进行评估和筛选；

步骤S300，通过相似分析方法，获得参数对之间的相似量化指数，确定参数对之间的相互关系；

步骤S400，基于一段时间内的相似量化指数的变异系数，将变异系数小于变异阈值的参数对中显著系数较小的参数进行删除。

在一个优选的实施方式中，步骤S300具体包括以下内容：

统计和记录设备运行时的各种参数信息，获取参数的异常和敏感特征，其中，异常特征包括离群特异度指数，敏感特征包括熵敏指数。

在一个优选的实施方式中，离群特异度指数的获取过程为：

步骤一，对每一对参数X和Y，计算其欧式距离；

步骤二，对于每个参数，找到其k个最近邻参数，计算局部邻域内k个最近邻的平均距离avgdist（X）；

对于每个参数X，计算其LOF值：

；

其中：

是X的局部邻域，即与参数X距离最近的k的邻居；

是参数X的局部邻域内k个最近邻的平均距离，即参数X与其邻域内其他点的平均距离；

步骤三，对于每个参数X，计算其离群特异度指数AD：

；

其中：

表示参数X的离群特异度指数；

是参数X的异常度量值的对应阈值；

是与X最近的k个邻居。

在一个优选的实施方式中，熵敏指数的计算过程为：

步骤一，统计设备的性能指标；

将性能指标划分为额定数量的离散化的区间，将性能指标的取值范围划分为不同的状态，每个状态表示一组相似的性能水平；

步骤二，计算设备的性能的信息熵；

；

其中，是设备性能处于状态z的概率；

步骤三，逐步改变参数X，记录每次变化后设备性能Z的状态集合，并计算每个状态的概率/>；

计算参数变化引入的不确定性，即设备性能信息熵的增加：

；

其中，是参数变化后的设备性能信息熵；

步骤四，对每个参数X，定义参数变化率：

；

表示随机变量/>的增量，用于描述随机过程中的变化情况，表示在某个时间间隔或空间区域内，随机变量/>的变化量；

计算参数X引入的不确定性相对于参数变化率的敏感度，即熵敏度：

；

其中，表示熵敏度；

步骤五，在设备运行的单位时间内多次固定间隔时间采集熵敏度，对所获得的多个熵敏度进行排序，选择排序后的第一个和最后一个值，作为熵敏度的波动区间；

步骤六，计算波动区间与阈值区间的重合程度，获得熵敏指数，计算公式为：

；

其中，表示熵敏指数，/>表示波动区间与阈值区间的重合区间长度，/>和分别是波动区间和阈值区间的长度。

在一个优选的实施方式中，将离群特异度指数和熵敏指数经过综合处理得到显著指数，可以通过以下计算获得：

；

其中，表示显著指数，/>和/>分别为离群特异度指数和熵敏指数，/>和分别为离群特异度指数和熵敏指数的预设比例系数，并且均大于零。

在一个优选的实施方式中，将显著指数与显著阈值进行比较，若显著指数大于或等于显著阈值，生成第一保留信号；反之，若显著指数小于显著阈值，生成筛除信号。

在一个优选的实施方式中，步骤S300具体包括以下内容：

统计获得第一保留信号的参数且参数个数大于预定数量时，计算各个参数的相似量化指数，具体如下：

步骤一，对于每个参数，计算相互之间的欧式距离，得到距离矩阵；

步骤二，将距离矩阵进行标准化，确保不同参数之间的距离具有可比性，可以使用Min-Max标准化或其他标准化方法；

步骤三，对于每个参数，计算其与其他参数的平均距离，计算公式如下：

；

其中，表示每个参数与其他参数的平均距离，/>是参数的总数，/>表示距离矩阵，/>和/>表示每对参数；

步骤四，利用距离矩阵和每个参数与其他参数的平均距离，计算相似量化指数：

；

其中，表示相似量化指数，/>和/>是非负调节参数。

在一个优选的实施方式中，将相似量化指数和分类阈值进行比较，若相似量化指数大于或等于分类阈值，生成替换信号；若相似量化指数小于分类阈值，生成第二保留信号。

在一个优选的实施方式中，步骤S400具体包括以下内容：

在单位时间内获取额定次数的相似量化指数，分别计算获得标准差值和平均值，再计算标准差和平均值的比值得到变异系数，将变异系数和变异阈值进行比较，若变异系数小于变异阈值，则获取该对参数各自的显著系数，比较两者的显著系数值的大小，对显著系数较小的参数进行删除；若变异系数大于或等于变异阈值，不对该对参数中的参数进行平替操作。

本发明基于数据识别的固体生物废物处理设备监测方法的技术效果和优点：

1.本发明通过统计和记录设备运行时的各种参数信息，特征提取获得异常和敏感特征。其中，异常特征主要包括离群特异度指数，用于识别参数值的异常情况；而敏感特征则包括熵敏指数，用于衡量参数对系统运行的敏感程度。将这两类特征进行综合处理，得到显著指数，有助于分析参数对监测设备的显著水平。这样的综合分析不仅可以筛选出更加有监测价值的参数，也能够深化对设备运行状态的理解，提高监测系统对异常情况的敏感性，从而为设备性能优化和故障预测提供更有益的效果。

2.本发明在经过筛选得出数量大于预定的有价值参数后，进行参数之间的相似性度量，有助于揭示参数之间的潜在关联和相互影响，提供更加精准的设备状态模式和规律识别。同时，相似性度量有助于发现可能存在的冗余信息和共线性关系，避免了在模型中重复使用冗余信息的问题。通过深化对参数之间相互关系的理解，这一过程不仅提高了监测设备模型的简洁性和解释性，而且有助于优化模型性能，使其更能准确地捕捉设备运行状态的复杂变化，为系统管理和故障预测提供了有益的效果。

3.在分析参数之间的相关性后，进一步考察这些关联是否在一段时间内是统一的，是决策中至关重要的一步。这个分析过程的说服力和代表性取决于参数关联在时间上是否一致。对于具有说服力和代表性的参数对，基于显著系数的数值大小，选择性地平替价值较低的一方。这个操作过程的好处在于优化了选择，保留了在时间上表现更为稳定和显著的参数对，提高了模型的可靠性和实用性。对监测设备而言，这意味着更准确的状态评估和异常检测，从而提高了设备监测系统对于设备运行状况的精准度和可靠性，为设备管理和维护决策提供了更有利的基础。

附图说明

图1为本发明基于数据识别的固体生物废物处理设备监测方法的流程示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本邻域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

实施例

图1给出了本发明基于数据识别的固体生物废物处理设备监测方法，其特征在于：

步骤S100，获取设备的各项监测的参数，将各项参数按照固定格式统一记录；

步骤S200，进一步分别提取设备的异常和敏感特征，对各项特征进行综合计算获取显著系数，基于显著系数对参数进行评估和筛选；

步骤S300，通过相似分析方法，获得参数对之间的相似量化指数，确定参数对之间的相互关系；

步骤S400，基于一段时间内的相似量化指数的变异系数，将变异系数小于变异阈值的参数对中显著系数较小的参数进行删除。

步骤S100具体包括以下内容：

明确定义需要监测的参数。这可能涉及设备的传感器、仪器或其他数据源，包括温度、湿度、压力、流量等；

确定监测参数的数据采集频率，即确定每隔多长时间记录一次监测数据。这可以根据设备运行情况和监测要求来决定；

确定监测数据的存储格式，可以选择文本文件、数据库或其他合适的数据存储方式。考虑数据的易读性、易处理性以及后续分析的需求；

根据设定的频率，从传感器或仪器中读取监测数据。确保采集到的数据是准确的，避免因仪器误差或其他问题引入的数据不确定性；

在记录之前，对采集到的数据进行预处理。包括检查异常值、缺失值处理、数据平滑等操作，以确保数据的质量；

将每个监测参数的数值按照事先定义好的固定格式记录下来。这可能包括时间戳、设备编号、参数名称、数值等信息；

建立一个数据日志，记录每次数据采集的具体信息，如采集时间、操作人员、设备状态等。这有助于日后数据溯源和排查问题；

定期进行数据备份，以防止数据丢失。考虑使用多个存储位置，确保数据的安全性和可靠性。

步骤S200具体包括以下内容：

统计和记录设备运行时的各种参数信息，获取参数的异常和敏感特征，其中，异常特征包括离群特异度指数，敏感特征包括熵敏指数。

筛选评估设备参数时，评估参数的相对异常性具有重要意义。首先，通过比较参数之间的相对异常性，能更全面了解各参数在设备运行中的行为，识别出更容易产生异常变化的参数，有助于有针对性地进行监测和管理。其次，相对异常性评估有助于确定关键性参数，提高资源分配的效率，集中解决最为关键的问题，从而提高设备性能和可靠性。此外，相对异常性评估还能发现参数之间的潜在关联，为深入了解系统运行机制提供线索。总而言之，相对异常性的评估为设备管理提供了一种更有针对性的方法，能更深入地理解设备运行状况，识别关键性参数，加强对异常变化的监测与处理，提升设备的性能、可靠性和维护效率。

离群特异度指数的获取过程为：

步骤一，对每一对参数X和Y，计算其欧式距离离dist（X，Y）。

步骤二，对于每个参数，找到其k个最近邻参数，计算局部邻域内k个最近邻的平均距离avgdist（X）。

对于每个参数X，计算其LOF值：

；

其中：

是X的局部邻域，即与参数X距离最近的k的邻居；

是参数X的局部邻域内k个最近邻的平均距离，表示参数X与其邻域内其他点的平均距离；

LOF值是通过计算参数与其邻域内其他点的平均距离与这些邻域内其他点的平均距离之比，来评估参数的离群程度。

通过计算LOF值，得到一个表示参数离群程度的分数。如果LOF值较大，则说明参数在其局部邻域内的行为与周围点有较大的不一致性，被认为是更离群的点。

步骤三，对于每个参数X，计算其离群特异度指数AD：

；

其中：

表示参数X的离群特异度指数；

是参数X的异常度量值的对应阈值；

是与X最近的k个邻居。

离群特异度指数用于表示参数在其局部邻域内的离群程度相对于设定的异常度阈值的强烈程度。这比值反映了参数的相对异常性，更具体地体现了参数是否具有显著的局部特异性。离群特异度指数的值越大，表示参数相对更为离群，其异常性更为显著；而离群特异度指数的值越小，表示参数相对正常，其在局部邻域内的表现与整体水平更为一致。这种度量有助于精细地捕捉参数在设备运行评估中的相对异常性，为异常度量提供更准确的评估，进而提高对设备运行状况的准确性。

在筛选评估设备的参数时，评估参数的相对敏感性具有重要的意义。相对敏感性的评估可以帮助确定哪些参数对设备性能的影响更为显著，从而优化资源分配和管理决策。首先，相对敏感性的评估提供了针对性的重点。通过了解参数的相对敏感性，可以更有针对性地关注那些对系统性能产生最显著影响的参数。这有助于在有限的资源下，集中精力和资金进行监测、优化或调整，以最大化设备性能的提升。其次，相对敏感性的评估可用于设定参数的优先级。在筛选过程中，将相对敏感性高的参数纳入考虑范围，可以更有效地制定优化策略和采取相应的管理措施。这样的优先级排序有助于提高管理决策的灵活性，使其更符合实际问题的紧迫性和重要性。此外，相对敏感性的评估有助于识别潜在的问题和风险。对于敏感性较高的参数，其波动可能更容易引起系统异常或性能下降。因此，通过评估相对敏感性，可以更早地发现可能存在的问题，并采取预防性的措施，提高设备的可靠性和稳定性。总体而言，评估参数的相对敏感性是一个有针对性的工具，为设备管理提供了重要的信息支持。通过关注相对敏感性高的参数，可以更加精确地定位和解决设备性能方面的问题，从而提高系统的效率和可维护性。

熵敏指数的计算过程为：

步骤一，统计设备的性能指标，例如效率、产量、质量等。

将性能指标划分为额定数量的离散化的区间，可以根据专业标准，设备技术规范或实际需求进行设定。

将性能指标的取值范围划分为不同的状态，每个状态表示一组相似的性能水平。

例如：

划分性能指标为若干离散化的区间通常可以通过以下步骤完成。以效率为例，假设效率的取值范围是0,100：

步骤：

1.根据实际需求和性能指标的特性，确定要划分的区间数量。假设确定划分为五个区间；

2.计算每个区间的宽度，即宽度=取值范围/区间数量。则宽度为20，即每个区间为0—20,21—40，41—60,60—80,81—100.

3.确定每个区间的边界，包括起始值和结束值。根据计算的宽度，以及性能指标的取值范围，可以确定每个区间的边界；

4.将每个实际的性能值映射到对应的区间。例如，若某设备的效率为45，则该值会映射到区间41—60。

经过这种划分方式，允许将连续的性能值划分为有限个离散的区间，便于后续的信息熵计算和参数敏感度分析。

步骤二，计算设备的性能的信息熵；

；

其中，是设备性能处于状态z的概率。

步骤三，逐步改变参数X，记录每次变化后设备性能Z的状态集合，并计算每个状态的概率/>。

计算参数变化引入的不确定性，即设备性能信息熵的增加：

；

其中，是参数变化后的设备性能信息熵。

步骤四，对每个参数X，定义参数变化率：

；

表示随机变量/>的增量，用于描述随机过程中的变化情况，表示在某个时间间隔或空间区域内，随机变量/>的变化量；

计算参数X引入的不确定性相对于参数变化率的敏感度，即熵敏度：

；

其中，表示熵敏度。

熵敏度用于表示设备性能对参数X的敏感性程度。具体而言，熵敏度的数值越大表示参数X对设备性能的影响越敏感，即小幅度的参数变化会引起设备性能的较大变化。反之，熵敏度的数值越小表示参数X对设备性能的影响越不敏感，即便参数X发生较大变化，设备性能的变化相对较小。因此，熵敏度的数值大小可以反映参数X对设备整体稳定性的影响程度。

步骤五，在设备运行的单位时间内多次固定间隔时间采集熵敏度，对所获得的多个熵敏度进行排序，选择排序后的第一个和最后一个值，作为熵敏度的波动区间；

步骤六，计算波动区间与阈值区间的重合程度，获得熵敏指数，计算公式为：

；

其中，表示熵敏指数，/>表示波动区间与阈值区间的重合区间长度，/>和/>分别是波动区间和阈值区间的长度。

熵敏指数用于表示设备的参数敏感度的波动程度与预设阈值区间的关系。具体而言，越大的熵敏指数表示设备参数敏感度在单位时间内的波动程度相对较高，即设备的敏感性发生了显著变化。反之，越小的熵敏指数表示设备参数敏感度相对稳定合理，波动较小。

阈值区间是指用于判断敏感度指数是否正常的范围。具体而言，阈值区间是指敏感度指数的合理范围，超过这个范围可能表示系统的某些异常或者问题。这个范围的设定应该基于具体问题的背景和对系统行为的理解。当敏感度指数在阈值区间内波动时，被认为是在正常操作状态。

合理敏感度表示设备的性能对参数变化具有适度的敏感性，即在参数发生合理变化时，设备的性能相应地做出适度响应，而不至于引起过度波动或不稳定的情况。这样的参数敏感度对于设备的稳定性和可控性都是有益的。合理敏感度的参数可以更好地适应系统运行中的变化，提供更好的性能调整和优化空间，同时降低系统由于参数变化而引起的不必要的波动和不稳定性，有助于提高设备的可靠性和稳定性。因此，评估设备时，合理敏感度的参数通常被认为是更好的选择。

将离群特异度指数和熵敏指数经过综合处理得到显著指数，可以通过以下计算获得：

；

其中，表示显著指数，/>和/>分别为离群特异度指数和熵敏指数，/>和分别为离群特异度指数和熵敏指数的预设比例系数，并且均大于零。

显著指数越大表示相应的设备参数在综合离群特异度和熵敏指数的角度下表现得越为显著和重要。这意味着该参数对设备性能的影响在整体评估中更为突出，其变化对设备整体的稳定性和性能有更显著的影响。反之，显著指数越小表示相应的参数在离群性和熵的综合影响下对设备性能的贡献较小。因此，显著指数的大小可以用于设备参数的优先级排序和筛选，有助于识别在评估和优化中应着重考虑的关键参数。

将显著指数与显著阈值进行比较，若显著指数大于或等于显著阈值，则表示相应的设备参数在整体评估中具有显著影响，其对设备性能的贡献程度达到了预设的重要程度。这表明该参数需要在设备的监测、优化或调整中得到更为关注和深入研究，生成第一保留信号。

反之，若显著指数小于显著阈值，则表示相应的设备参数在整体评估中贡献较小，其影响未达到预期的显著水平。意味着该参数在当前的设备运行条件下对设备性能的影响较为有限，或者其波动不足以引起设备状态的显著变化，生成筛除信号。

将显著指数和显著阈值进行比较，若显著指数大于或等于显著阈值，表示相应的设备参数在综合离群特异度和熵敏指数的综合影响下被认为是显著的和重要的。这意味着该参数的变化对设备性能产生了显著的影响，超过了预先设定的显著性水平。反之，若显著指数小于显著阈值，表示该参数的影响相对较小，未达到设定的显著性水平。这样的比较有助于在设定显著性水平的前提下，识别哪些参数在评估中具有显著性和重要性，从而进行更有针对性的设备参数优化和调整。

本发明通过统计和记录设备运行时的各种参数信息，特征提取获得异常和敏感特征。其中，异常特征主要包括离群特异度指数，用于识别参数值的异常情况；而敏感特征则包括熵敏指数，用于衡量参数对系统运行的敏感程度。将这两类特征进行综合处理，得到显著指数，有助于分析参数对监测设备的显著水平。这样的综合分析不仅可以筛选出更加有监测价值的参数，也能够深化对设备运行状态的理解，提高监测系统对异常情况的敏感性，从而为设备性能优化和故障预测提供更有益的效果。

在获得经过筛选的具有价值的参数后，进一步分析这些参数之间的相似性具有重要的意义。这种相似性分析有助于揭示参数之间的潜在关联和相互影响，为监测设备提供了以下好处：首先，相似性分析可以帮助识别那些在某些方面具有相似行为或特性的参数。通过理解这些相似性，监测系统可以更加精准地识别设备状态的模式和规律。这有助于建立更准确的模型，提高对设备运行状态的预测能力。其次，相似性分析有助于发现可能存在的冗余信息或共线性关系。在监测设备中，一些参数可能会表现出高度相似的行为，因此通过识别相似性，可以避免重复使用冗余信息，提高模型的简洁性和解释性。此外，通过分析参数之间的相似性，可以更好地理解参数之间的交互关系，识别关键的参数组合，从而更好地掌握设备的整体运行机制。这有助于提高对设备异常的敏感性，使监测系统更容易捕捉到潜在的问题或突发事件。综合而言，参数之间的相似性分析为监测设备提供了更深层次的洞察，有助于优化监测模型、提高系统的稳定性和准确性，以及更及时地发现潜在的异常情况。

步骤S300具体包括以下内容：

统计获得第一保留信号的参数且参数个数大于预定数量时，计算各个参数的相似量化指数，具体如下：

步骤一，对于每个参数，计算相互之间的欧式距离，得到距离矩阵；

步骤二，将距离矩阵进行标准化，确保不同参数之间的距离具有可比性，可以使用Min-Max标准化或其他标准化方法；

步骤三，对于每个参数，计算其与其他参数的平均距离，计算公式如下：

；

其中，表示每个参数与其他参数的平均距离，/>是参数的总数，/>表示距离矩阵，/>和/>表示每对参数；

步骤四，利用距离矩阵和每个参数与其他参数的平均距离，计算相似量化指数：

；

其中，表示相似量化指数，/>和/>是非负调节参数。

非负调节参数是指在某个数学或统计模型中，用于调节影响因子的参数，并且其取值范围限定在非负数（包括零）的范围内。这种限制通常是为了确保模型参数具有实际意义且不会导致不合理的解释或计算结果。在给定的相似度指数计算公式中，和/>就是非负调节参数。这两个参数的作用是平衡距离和新颖性在相似度计算中的权重。通过调整这些参数，可以控制模型对于距离和新颖性的侧重程度，以满足实际问题的需求。非负调节参数的取值可以通过实验、交叉验证或其他调优方法来确定，以确保模型在应用中的性能和解释性都达到最佳状态。

将相似量化指数和分类阈值进行比较，若相似量化指数大于或等于分类阈值，表示该对的参数在相似性上达到了预先设定的相似性水平。这意味着这两个参数在其特征或行为上具有较高的相似性，因此，该参数在设备监测上具有较高的冗余和重复性，需要对监测识别价值较低的参数进行删除，生成替换信号；

若相似量化指数小于分类阈值，表示该对的参数在相似性上没有达到预先设定的相似性水平，暗示这两个参数在其特征或行为上存在较大的差异，在监测设备中扮演不同的角色，可以理解为这两种信息是互补的，因此不需要考虑重复，生成第二保留信号。

本发明在经过筛选得出数量大于预定的有价值参数后，进行参数之间的相似性度量，有助于揭示参数之间的潜在关联和相互影响，提供更加精准的设备状态模式和规律识别。同时，相似性度量有助于发现可能存在的冗余信息和共线性关系，避免了在模型中重复使用冗余信息的问题。通过深化对参数之间相互关系的理解，这一过程不仅提高了监测设备模型的简洁性和解释性，而且有助于优化模型性能，使其更能准确地捕捉设备运行状态的复杂变化，为系统管理和故障预测提供了有益的效果。

步骤S400具体包括以下内容：

在单位时间内获取额定次数的相似量化指数，分别计算获得标准差值和平均值，再计算标准差和平均值的比值得到变异系数，将变异系数和变异阈值进行比较，若变异系数小于变异阈值，表示所获得的相似量化指数具有代表性，则获取该对参数各自的显著系数，比较两者的显著系数值的大小，对显著系数较小的参数进行删除；若变异系数大于或等于变异阈值，表示所获得的相似量化度量指数的变化较大，存在较大不确定性，因此，不对该对参数中的参数进行平替操作。

在分析参数之间的相关性后，进一步考察这些关联是否在一段时间内是统一的，是决策中至关重要的一步。这个分析过程的说服力和代表性取决于参数关联在时间上是否一致。对于具有说服力和代表性的参数对，基于显著系数的数值大小，选择性地平替价值较低的一方。这个操作过程的好处在于优化了选择，保留了在时间上表现更为稳定和显著的参数对，提高了模型的可靠性和实用性。对监测设备而言，这意味着更准确的状态评估和异常检测，从而提高了设备监测系统对于设备运行状况的精准度和可靠性，为设备管理和维护决策提供了更有利的基础。

上述公式均是去量纲取其数值计算，公式是由采集大量数据进行软件模拟得到最近真实情况的一个公式，公式中的预设参数以及阈值选取由本邻域的技术人员根据实际情况进行设置。

上述实施例，可以全部或部分地通过软件、硬件、固件或其他任意组合来实现。当使用软件实现时，上述实施例可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令或计算机程序。在计算机上加载或执行所述计算机指令或计算机程序时，全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以为通用计算机、专用计算机、计算机网络，或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线（例如红外、无线、微波等）方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集合的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质（例如，软盘、硬盘、磁带）、光介质（例如，DVD），或者半导体介质。半导体介质可以是固态硬盘。

本邻域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件，或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。

在本申请所提供的几个实施例中，应该理解到，所揭露的方法和装置，可以通过其他的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其他的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。

所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术作出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本申请各个实施例所述的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（read-onlymemory，ROM）、随机存取存储器（randomaccessmemory，RAM）、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术邻域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以所述权利要求的保护范围为准。

最后：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (5)

1.基于数据识别的固体生物废物处理设备监测方法，其特征在于：

步骤S100，获取设备的各项监测的参数，将各项参数按照固定格式统一记录；

步骤S200，进一步分别提取设备的异常和敏感特征，对各项特征进行综合计算获取显著系数，基于显著系数对参数进行评估和筛选；

步骤S300，通过相似分析方法，获得参数对之间的相似量化指数，确定参数对之间的相互关系；

步骤S400，基于一段时间内的相似量化指数的变异系数，将变异系数小于变异阈值的参数对中显著系数较小的参数进行删除；

步骤S200具体包括以下内容：

统计和记录设备运行时的各种参数信息，获取参数的异常和敏感特征，其中，异常特征包括离群特异度指数，敏感特征包括熵敏指数；

离群特异度指数的获取过程为：

步骤一，对每一对参数X和Y，计算其欧式距离；

步骤二，对于每个参数，找到其k个最近邻参数，计算局部邻域内k个最近邻的平均距离avgdist（X）；

对于每个参数X，计算其LOF值：

；

其中：

是X的局部邻域；

是参数X的局部邻域内k个最近邻的平均距离，即参数X与其邻域内其他点的平均距离；

步骤三，对于每个参数X，计算其离群特异度指数AD：

；

其中：

表示参数X的离群特异度指数；

是参数X的异常度量值的对应阈值；

是与X最近的k个邻居；

熵敏指数的计算过程为：

步骤一，统计设备的性能指标；

将性能指标划分为额定数量的离散化的区间，将性能指标的取值范围划分为不同的状态，每个状态表示一组相似的性能水平；

步骤二，计算设备的性能的信息熵；

；

其中，是设备性能处于状态z的概率；

步骤三，逐步改变参数X，记录每次变化后设备性能Z的状态集合，并计算每个状态的概率/>；

计算参数变化引入的不确定性，即设备性能信息熵的增加：

；

其中，是参数变化后的设备性能信息熵；

步骤四，对每个参数X，定义参数变化率：

；

表示随机变量/>的增量，用于描述随机过程中的变化情况，表示在某个时间间隔或空间区域内，随机变量/>的变化量；

计算参数X引入的不确定性相对于参数变化率的敏感度，即熵敏度：

；

其中，表示熵敏度；

步骤五，在设备运行的单位时间内多次固定间隔时间采集熵敏度，对所获得的多个熵敏度进行排序，选择排序后的第一个和最后一个值，作为熵敏度的波动区间；

步骤六，计算波动区间与阈值区间的重合程度，获得熵敏指数，计算公式为：

；

其中，表示熵敏指数，/>表示波动区间与阈值区间的重合区间长度，/>和分别是波动区间和阈值区间的长度；

将离群特异度指数和熵敏指数经过综合处理得到显著指数，可以通过以下计算获得：

；

其中，表示显著指数，/>和/>分别为离群特异度指数和熵敏指数，/>和/>分别为离群特异度指数和熵敏指数的预设比例系数，并且均大于零。

2.根据权利要求1所述的基于数据识别的固体生物废物处理设备监测方法，其特征在于：

将显著指数与显著阈值进行比较，若显著指数大于或等于显著阈值，生成第一保留信号；反之，若显著指数小于显著阈值，生成筛除信号。

3.根据权利要求2所述的基于数据识别的固体生物废物处理设备监测方法，其特征在于：

步骤S300具体包括以下内容：

统计获得第一保留信号的参数且参数个数大于预定数量时，计算各个参数的相似量化指数，具体如下：

步骤一，对于每个参数，计算相互之间的欧式距离，得到距离矩阵；

步骤二，将距离矩阵进行标准化，确保不同参数之间的距离具有可比性，可以使用Min-Max标准化或其他标准化方法；

步骤三，对于每个参数，计算其与其他参数的平均距离，计算公式如下：

；

其中，表示每个参数与其他参数的平均距离，/>是参数的总数，/>表示距离矩阵，/>和/>表示每对参数；

步骤四，利用距离矩阵和每个参数与其他参数的平均距离，计算相似量化指数：

；

其中，表示相似量化指数，/>和/>是非负调节参数。

4.根据权利要求3所述的基于数据识别的固体生物废物处理设备监测方法，其特征在于：

将相似量化指数和分类阈值进行比较，若相似量化指数大于或等于分类阈值，生成替换信号；若相似量化指数小于分类阈值，生成第二保留信号。

5.根据权利要求4所述的基于数据识别的固体生物废物处理设备监测方法，其特征在于：

步骤S400具体包括以下内容：

在单位时间内获取额定次数的相似量化指数，分别计算获得标准差值和平均值，再计算标准差和平均值的比值得到变异系数，将变异系数和变异阈值进行比较，若变异系数小于变异阈值，则获取该对参数各自的显著系数，比较两者的显著系数值的大小，对显著系数较小的参数进行删除；若变异系数大于或等于变异阈值，不对该对参数中的参数进行平替操作。