CN117433591B - 基于多传感器数据的自动化设备监测*** - Google Patents
基于多传感器数据的自动化设备监测*** Download PDFInfo
- Publication number
- CN117433591B CN117433591B CN202311763567.XA CN202311763567A CN117433591B CN 117433591 B CN117433591 B CN 117433591B CN 202311763567 A CN202311763567 A CN 202311763567A CN 117433591 B CN117433591 B CN 117433591B
- Authority
- CN
- China
- Prior art keywords
- data
- vibration
- pressure
- abnormal
- points
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 42
- 230000002159 abnormal effect Effects 0.000 claims abstract description 203
- 230000005856 abnormality Effects 0.000 claims abstract description 21
- 238000000034 method Methods 0.000 claims abstract description 20
- 238000012360 testing method Methods 0.000 claims description 22
- 238000004364 calculation method Methods 0.000 claims description 17
- 238000001514 detection method Methods 0.000 claims description 7
- 238000010998 test method Methods 0.000 claims description 6
- 230000004927 fusion Effects 0.000 claims description 5
- 238000012545 processing Methods 0.000 abstract description 2
- 230000004044 response Effects 0.000 description 6
- 230000008859 change Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 206010000117 Abnormal behaviour Diseases 0.000 description 1
- 238000012271 agricultural production Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000013450 outlier detection Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
- G06F18/15—Statistical pre-processing, e.g. techniques for normalisation or restoring missing data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2123/00—Data types
- G06F2123/02—Data types in the time domain, e.g. time-series data
-
- 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
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明涉及电子数字数据处理技术领域,具体涉及基于多传感器数据的自动化设备监测***,包括:通过对自动化农机设备在多个运行周期下采集的多维数据即压力数据和振动数据进行分析,获取压力数据和振动数据中异常点之间的关联程度以及时间约束,并根据关联程度和时间约束获得了振动异常点相对于压力异常点的可信度,利用可信度完成对自动化农机设备的异常监测。本发明通过结合多维数据之间的关联性实现对自动化农机设备进行运行异常监测,提高了监测结果的准确性,并提高了监测预警信息的可信性,大大降低了对自动化农机设备的管理成本。
Description
技术领域
本发明涉及电子数字数据处理技术领域,具体涉及基于多传感器数据的自动化设备监测***。
背景技术
目前农业生产离不开自动化农机设备的支持,基于多传感器数据的自动化农机设备监测***是一种利用各种传感器来实时监测和评估设备运行状态的***,***可以收集来自不同类型传感器的数据,例如压力数据和振动数据等,然后根据采集的数据来检测设备的异常行为,并采取相应的措施进行维护和修复。
目前对数据的异常值检测通常使用现有的离群因子检测算法获取,但是由于自动化农机设备通常所处的运行环境复杂,直接对采集的多维数据进行分析容易导致检测结果不准确且可能会出现相互冲突的问题,导致对自动化农机设备异常监测时的预警信息不可信,增加了自动化农机设备的管理成本。
发明内容
本发明提供基于多传感器数据的自动化设备监测***,以解决现有的问题。
本发明的基于多传感器数据的自动化设备监测***采用如下技术方案:
本发明提供了基于多传感器数据的自动化设备监测***,该***包括以下模块:
数据采集模块:用于获取自动化农机设备在任意运行周期下的压力数据和振动数据,压力数据和振动数据中任意数据点表示对应时间点下的压力值和振动幅值;
异常检测模块:用于获取振动数据中数据点的标准分数以及格鲁布斯检验值,并获取振动数据中的离群点,根据标准分数和格鲁布斯检验值的大小获取离群点中的振动异常点;
关联程度模块:用于获取压力数据的前向差分序列记为前向压力数据,根据前向压力数据的取值、前向压力数据和压力数据中数据点对应的时间点获得数据点的可靠性,根据数据点的可靠性的大小获得压力数据中的若干个压力异常点;根据振动异常点和压力异常点之间的差异获得振动异常点与压力异常点的关联程度;
可信度模块:用于根据振动数据和压力数据中数据点对应时间点之间的差异获得振动异常点与压力异常点之间的时间约束;将关联程度和时间约束的融合结果记为振动异常点的可信度;
异常监测模块:用于利用可信度完成对自动化农机设备的异常监测。
进一步的,所述获取振动数据中数据点的标准分数以及格鲁布斯检验值,并获取振动数据中的离群点,包括的具体步骤如下:
首先,利用标准分数的计算方法获取振动数据中每一个数据点的标准分数,并利用格鲁布斯检验法获取任意运行周期下振动数据的格鲁布斯检验值,记为振动数据的检验值;
然后,预设LOF算法的K值,并通过LOF算法获取自动化设备在任意运行周期下的振动数据中的离群点。
进一步的,所述根据标准分数和格鲁布斯检验值的大小获取离群点中的振动异常点,包括的具体步骤如下:
首先,将振动数据中标准分数大于检验值的数据点从振动数据中去除,获得新振动数据,获取新振动数据中的最大值和最小值,将最大值和最小值形成的闭区间范围记为振动数据的正常阈值范围;
然后,将数值大小在正常阈值范围之外的离群点记为振动异常点,获得自动化设备在任意运行周期下振动数据中存在的若干个振动异常点。
进一步的,所述根据前向压力数据的取值、前向压力数据和压力数据中数据点对应的时间点获得数据点的可靠性,包括的具体步骤如下:
将前向压力数据中数据点与压力数据中数据点对应时间点的差异记为第一差异;将前向压力数据中数据点的数值与第一差异的比值记为数据点的可靠性。
进一步的,所述将前向压力数据中数据点与压力数据中数据点对应时间点的差异记为第一差异,包括的具体步骤如下:
将前向压力数据中数据点与压力数据中数据点对应时间点的差值绝对值作为以自然常数为底数的指数函数的输入,将指数函数的输出记为第一差异。
进一步的,所述根据数据点的可靠性的大小获得压力数据中的若干个压力异常点,包括的具体步骤如下:
获取前向压力数据中任意数据点相对于压力数据中所有数据点的可靠性的最大值,将可靠性的最大值在压力数据中所对应的数据点记为压力异常点,获得自动化设备在任意运行周期下压力数据中的若干个压力异常点。
进一步的,所述根据振动异常点和压力异常点之间的差异获得振动异常点与压力异常点的关联程度,包括的具体步骤如下:
首先,利用前向差分的计算方法获取任意振动数据的前向差分序列,记为前向振动数据;
然后,将振动数据中振动异常点在前向振动数据对应的数据点记为振动异常点对应的前向振动异常点,将压力数据中压力异常点在前向压力数据对应的数据点记为压力异常点对应的前向压力异常点;
最后,获取振动数据中振动异常点与压力数据中的压力异常点之间的关联程度,具体计算方法为:
其中,表示第/>个振动异常点与第/>个压力异常点的关联程度;/>表示第/>个振动异常点对应前向振动异常点的数值;/>表示第/>个压力异常点对应前向压力异常点的数值;/>表示以自然常数为底数的指数函数。
进一步的,所述根据振动数据和压力数据中数据点对应时间点之间的差异获得振动异常点与压力异常点之间的时间约束,包括的具体步骤如下:
首先,获取振动异常点和压力异常点分别在振动数据和压力数据中对应的时间点,分别记为振动时间点和压力时间点,一个振动异常点对应一个振动时间点,一个压力异常点对应一个压力时间点,将任意振动时间点与任意压力时间点的差值记为振动异常点和压力异常点之间的时间差;
然后,获取自动化设备在任意运行周期下,所有振动时间点与所有压力时间点对应时间差的平均值,记为时间特征量;
最后,根据时间特征量以及时间差获得振动异常点与压力异常点的时间约束,具体计算方法为:
其中,表示第/>个振动异常点与第/>个压力异常点的时间约束;/>表示时间特征量;/>表示第/>个振动异常点与第/>个压力异常点的时间差。
进一步的,所述将关联程度和时间约束的融合结果记为振动异常点的可信度,包括的具体步骤如下:
振动异常点的可信度的具体计算方法为:
其中,表示第/>个振动异常点相对于第/>个压力异常点的可信度;/>表示第/>个振动异常点与第/>个压力异常点的关联程度;/>表示第/>个振动异常点与第个压力异常点的时间约束。
进一步的,所述利用可信度完成对自动化设备的异常监测,包括的具体步骤如下:
首先,获取自动化农机设备在所有运行周期下所有振动异常点相对于压力异常点的平均可信度记为可信度标准;获取自动化农机设备在当前运行周期下所有振动异常点相对于压力异常点的可信度记为当前可信度;
然后,获取当前可信度大于可信度标准时所对应振动异常点的数量记为异常点数量;将自动化农机设备分为正常、存在异常、严重异常三种状态,根据异常点数量确定设备异常程度,当异常点数量在预设的数量区间内时,自动化农机设备为正常运行状态;当异常点数量在预设的数量区间/>内时,自动化农机设备为存在异常的运行状态,自动化农机设备的预警指示灯亮起;当异常点数量大于等于/>时,自动化农机设备为严重异常的运行状态,自动化农机设备停止运行并报警;其中/>和/>为预设的超参数。
本发明的技术方案的有益效果是:通过对自动化设备在多个运行周期下采集的多维数据即压力数据和振动数据进行分析,获取压力数据和振动数据中异常点之间的关联程度以及时间约束,并根据关联程度和时间约束获得了振动异常点相对于压力异常点的可信度,通过结合多维数据之间的关联对自动化设备进行运行异常监测,提高了监测结果的准确性,并提高了监测预警信息的可信性,大大降低了对自动化设备的管理成本。
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为本发明基于多传感器数据的自动化设备监测***的模块流程图。
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基于多传感器数据的自动化设备监测***,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基于多传感器数据的自动化设备监测***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基于多传感器数据的自动化设备监测***的模块流程图,该***包括以下模块:
数据采集模块:通过安装的多传感器获取自动化农机设备的多个运行周期下的历史监测数据,以及当前运行周期中所采集的监测数据,将多传感器采集的监测数据记为多维数据,包括压力数据和振动数据;
将历史的压力数据和振动数据分别记为历史压力数据和历史振动数据,将当前运行周期中所采集的压力数据和振动数据分别记为当前压力数据和当前振动数据;
所述多传感器包括:压力传感器以及振动传感器,获得自动化农机设备运行过程中受到的压力和振动,所采集的数据分别对应压力数据和振动数据;
另外,利用高斯滤波算法对所采集的多维数据进行降噪;
需要说明的是,多维数据包括压力数据和振动数据,压力数据包括历史压力数据和当前压力数据,振动数据包括历史振动数据和当前振动数据;
压力数据和振动数据中任意数据点表示对应时间点下的压力值和振动幅值。
至此,获得去噪后的多维数据。
异常检测模块:根据振动数据中数据点的标准分数以及格鲁布斯检验值,并结合LOF算法获得振动异常点。
首先,利用标准分数的计算方法获取振动数据中每一个数据点的标准分数,并利用格鲁布斯检验法获取任意运行周期下振动数据的格鲁布斯检验值,记为振动数据的检验值;
需要说明的是,格鲁布斯检验法为现有算法,英文名称为Grubbs检验法,《基于改进LOF的高维数据异常检测方法》中提供了一种利用格鲁布斯检验法获取数据的检验值的具体方法,因此本实施例中不再过多赘述。
然后,将振动数据中标准分数大于检验值的数据点从振动数据中去除,获得新振动数据,获取新振动数据中的最大值和最小值,将最大值和最小值形成的闭区间范围记为振动数据的正常阈值范围;
最后,预设LOF算法的K值,并通过LOF算法获取自动化农机设备在任意运行周期下的振动数据中的离群点,将数值大小在正常阈值范围之外的离群点记为振动异常点,获得自动化农机设备在任意运行周期下振动数据中存在的若干个振动异常点。
需要说明的是,LOF算法的中文名称为局部离群因子检测算法,LOF算法为现有算法,因此本实施例不过多赘述。
需要说明的是,标准分数的获取方法为现有方法,因此本实施例中不过多赘述。
至此,获得振动异常点。
关联程度模块:用于获取压力数据的前向差分序列记为前向压力数据,根据前向压力数据、前向压力数据和压力数据中数据点对应的时间点获得数据点的可靠性,根据数据点的可靠性的大小获得压力数据中的若干个压力异常点;根据振动异常点和压力异常点之间的差异获得振动异常点与压力异常点的关联程度。
在自动化农机设备的同一个运行周期内,正常状态下农机设备的振动数据及压力数据随时间变化相对平稳,二者之间关联程度不大,因此利用振动数据中的异常数据点来判断自动化农机设备是否出现异常时对应的可信度低,即直接利用振动数据中的异常数据点判断自动化农机设备是否出现异常的结果可能不准确;当自动化农机设备受到外部环境因素影响的情况下,导致设备运行状态变化波动而引起振动数据发生异常,但是并不会引起压力数据发生较大变化。
而当自动化农机设备内部发生故障导致振动数据产生异常的同时,压力数据也会发生较大变化,此时振动数据和压力数据二者之间的关联程度较大,因此当自动化农机设备内部发生故障时,结合振动数据中的异常数据点进行故障监测时的监测结果准确性高,故本实施例根据压力数据与振动数据的关联程度获得振动数据中异常数据点的可信度以便于后续的自动化农机设备监测。
步骤(1),首先,利用前向差分的计算方法获取压力数据对应的前向差分序列,记为压力数据的前向压力数据;
然后,根据前向压力数据获得自动化农机设备在任意运行周期下压力数据中数据点的可靠性,具体计算方法为:
其中,表示前向压力数据中第/>个数据点相对于压力数据中第/>个数据点的可靠性;/>表示前向压力数据中第/>个数据点的数值;/>表示前向压力数据中第/>个数据点的时间点;/>表示压力数据中第/>个数据点的时间点;/>表示以自然常数为底数的指数函数。
前向压力数据中数据点的数值越大,则该数据点的可靠性就越大;第一差异越小,数据点为异常点的可能性就越大,即数据点的可靠性就越大,当可靠性最大时,则压力数据的数据点为振动异常点在压力数据对应的压力异常点。
最后,获取前向压力数据中任意数据点相对于压力数据中所有数据点的可靠性的最大值在压力数据中所对应的数据点,记为压力异常点,获得自动化农机设备在任意运行周期下压力数据中的若干个压力异常点。
步骤(2),首先,利用前向差分的计算方法获取任意振动数据的前向差分序列,记为前向振动数据;
然后,将振动数据中振动异常点在前向振动数据对应的数据点记为振动异常点对应的前向振动异常点,将压力数据中压力异常点在前向压力数据对应的数据点记为压力异常点对应的前向压力异常点;
需要说明的是,振动数据与前向振动数据中时间点相对应的数据点,即为振动数据与前向振动数据中相对应的数据点,则与振动数据中任意振动异常点的时间点相同的前向振动数据中的数据点,即为振动异常点的前向振动异常点,同样地,压力数据中任意压力异常点对应前向压力异常点。
最后,根据振动异常点和压力异常点获得振动数据中振动异常点与压力数据中的压力异常点之间的关联程度,具体计算方法为:
其中,表示第/>个振动异常点与第/>个压力异常点的关联程度;/>表示第/>个振动异常点对应前向振动异常点的数值;/>表示第/>个压力异常点对应前向压力异常点的数值;/>表示以自然常数为底数的指数函数。
当时,振动数据与压力数据变化斜率越接近,振动异常与压力异常的关联程度越高,振动异常的可信度越高;当/>时,振动异常与压力异常强关联。
可信度模块:根据振动数据和压力数据中数据点对应时间点之间的差异获得振动异常点与压力异常点之间的时间约束;将关联程度和时间约束的融合结果记为振动异常点的可信度。
仅通过同一周期内振动与压力异常数据的关联程度来计算异常点的可信度,结果还会存在一定误差,还需要加入振动与压力异常数据的时间相关性。同一周期内,若设备出现故障,即内部因素导致振动异常,每一个振动异常点对应一个压力异常点,其时间间隔即为压力异常的响应时间,由先验知识,不同振动异常的压力响应时间应该尽可能保持一致。通过计算每个振动异常数据的压力响应时间,得到响应时间均值,响应时间与响应时间均值差异越小,振动异常点的可信度越高。
步骤(01),首先,获取振动异常点和压力异常点分别在振动数据和压力数据中对应的时间点,分别记为振动时间点和压力时间点,一个振动异常点对应一个振动时间点,一个压力异常点对应一个压力时间点,将任意振动时间点与任意压力时间点的差值记为振动异常点和压力异常点之间的时间差;
然后,获取自动化农机设备在任意运行周期下,所有振动时间点与所有压力时间点对应时间差的平均值,记为时间特征量;
最后,根据时间特征量以及时间差获得振动异常点与压力异常点的时间约束,具体计算方法为:
其中,表示第/>个振动异常点与第/>个压力异常点的时间约束;/>表示时间特征量;/>表示第/>个振动异常点与第/>个压力异常点的时间差。
同一周期内,振动异常数据与压力异常数据的时间差和振动异常数据与压力异常数据的时间差均值/>的差异越小,时间约束越大,则对应振动异常点在用于监测自动化农机设备异常时获得的监测结果的准确性越高,即结果的可信度越高;反之,可信度越低。
步骤(02),结合同一周期内振动异常点与压力异常点的关联程度以及时间约束获得振动异常点的可信度。
根据关联程度以及时间约束获得振动异常点的可信度,具体计算方法为:
其中,表示第/>个振动异常点相对于第/>个压力异常点的可信度;/>表示第/>个振动异常点与第/>个压力异常点的关联程度;/>表示第/>个振动异常点与第个压力异常点的时间约束。
振动异常点与压力异常点的关联程度越高,振动异常点的可信度越高;振动异常点与压力异常点的时间约束越大,振动异常点的可信度越高。
至此,得到振动异常点的可信度。
异常监测模块:利用可信度完成对自动化农机设备的异常监测。
首先,获取自动化农机设备在所有运行周期下所有振动异常点相对于压力异常点的平均可信度记为可信度标准;获取自动化农机设备在当前运行周期下所有振动异常点相对于压力异常点的可信度记为当前可信度;
然后,获取当前可信度大于可信度标准时所对应振动异常点的数量记为异常点数量;将自动化农机设备分为正常、存在异常、严重异常三种状态,根据异常点数量确定设备异常程度,当异常点数量在预设的数量区间内时,自动化农机设备为正常运行状态;当异常点数量在预设的数量区间/>内时,自动化农机设备为存在异常的运行状态,自动化设备的预警指示灯亮起;当异常点数量大于等于/>时,自动化农机设备为严重异常的运行状态,自动化农机设备停止运行并报警,完成对自动化农机设备的异常监测;其中/>和/>为预设的超参数;
需要说明的是,根据经验预设超参数为2,预设超参数/>为10,可根据实际情况进行调整,本实施例不作具体限定。
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,凡在本发明的精神和原则之内,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 (8)
1.基于多传感器数据的自动化设备监测***,其特征在于,该***包括以下模块:
数据采集模块:用于获取自动化农机设备在任意运行周期下的压力数据和振动数据,压力数据和振动数据中任意数据点表示对应时间点下的压力值和振动幅值;
异常检测模块:用于获取振动数据中数据点的标准分数以及格鲁布斯检验值,并获取振动数据中的离群点,根据标准分数和格鲁布斯检验值的大小获取离群点中的振动异常点;
关联程度模块:用于获取压力数据的前向差分序列记为前向压力数据,根据前向压力数据的取值、前向压力数据和压力数据中数据点对应的时间点获得数据点的可靠性,根据数据点的可靠性的大小获得压力数据中的若干个压力异常点;根据振动异常点和压力异常点之间的差异获得振动异常点与压力异常点的关联程度;
可信度模块:用于根据振动数据和压力数据中数据点对应时间点之间的差异获得振动异常点与压力异常点之间的时间约束;将关联程度和时间约束的融合结果记为振动异常点的可信度;
所述根据振动数据和压力数据中数据点对应时间点之间的差异获得振动异常点与压力异常点之间的时间约束,包括的具体步骤如下:
首先,获取振动异常点和压力异常点分别在振动数据和压力数据中对应的时间点,分别记为振动时间点和压力时间点,一个振动异常点对应一个振动时间点,一个压力异常点对应一个压力时间点,将任意振动时间点与任意压力时间点的差值记为振动异常点和压力异常点之间的时间差;
然后,获取自动化设备在任意运行周期下,所有振动时间点与所有压力时间点对应时间差的平均值,记为时间特征量;
最后,根据时间特征量以及时间差获得振动异常点与压力异常点的时间约束,具体计算方法为:
其中,表示第/>个振动异常点与第/>个压力异常点的时间约束;/>表示时间特征量;/>表示第/>个振动异常点与第/>个压力异常点的时间差;
所述将关联程度和时间约束的融合结果记为振动异常点的可信度,包括的具体步骤如下:
振动异常点的可信度的具体计算方法为:
其中,表示第/>个振动异常点相对于第/>个压力异常点的可信度;/>表示第/>个振动异常点与第/>个压力异常点的关联程度;/>表示第/>个振动异常点与第/>个压力异常点的时间约束;
异常监测模块:用于利用可信度完成对自动化农机设备的异常监测。
2.根据权利要求1所述基于多传感器数据的自动化设备监测***,其特征在于,所述获取振动数据中数据点的标准分数以及格鲁布斯检验值,并获取振动数据中的离群点,包括的具体步骤如下:
首先,利用标准分数的计算方法获取振动数据中每一个数据点的标准分数,并利用格鲁布斯检验法获取任意运行周期下振动数据的格鲁布斯检验值,记为振动数据的检验值;
然后,预设LOF算法的K值,并通过LOF算法获取自动化设备在任意运行周期下的振动数据中的离群点。
3.根据权利要求1所述基于多传感器数据的自动化设备监测***,其特征在于,所述根据标准分数和格鲁布斯检验值的大小获取离群点中的振动异常点,包括的具体步骤如下:
首先,将振动数据中标准分数大于检验值的数据点从振动数据中去除,获得新振动数据,获取新振动数据中的最大值和最小值,将最大值和最小值形成的闭区间范围记为振动数据的正常阈值范围;
然后,将数值大小在正常阈值范围之外的离群点记为振动异常点,获得自动化设备在任意运行周期下振动数据中存在的若干个振动异常点。
4.根据权利要求1所述基于多传感器数据的自动化设备监测***,其特征在于,所述根据前向压力数据的取值、前向压力数据和压力数据中数据点对应的时间点获得数据点的可靠性,包括的具体步骤如下:
将前向压力数据中数据点与压力数据中数据点对应时间点的差异记为第一差异;将前向压力数据中数据点的数值与第一差异的比值记为数据点的可靠性。
5.根据权利要求4所述基于多传感器数据的自动化设备监测***,其特征在于,所述将前向压力数据中数据点与压力数据中数据点对应时间点的差异记为第一差异,包括的具体步骤如下:
将前向压力数据中数据点与压力数据中数据点对应时间点的差值绝对值作为以自然常数为底数的指数函数的输入,将指数函数的输出记为第一差异。
6.根据权利要求1所述基于多传感器数据的自动化设备监测***,其特征在于,所述根据数据点的可靠性的大小获得压力数据中的若干个压力异常点,包括的具体步骤如下:
获取前向压力数据中任意数据点相对于压力数据中所有数据点的可靠性的最大值,将可靠性的最大值在压力数据中所对应的数据点记为压力异常点,获得自动化设备在任意运行周期下压力数据中的若干个压力异常点。
7.根据权利要求1所述基于多传感器数据的自动化设备监测***,其特征在于,所述根据振动异常点和压力异常点之间的差异获得振动异常点与压力异常点的关联程度,包括的具体步骤如下:
首先,利用前向差分的计算方法获取任意振动数据的前向差分序列,记为前向振动数据;
然后,将振动数据中振动异常点在前向振动数据对应的数据点记为振动异常点对应的前向振动异常点,将压力数据中压力异常点在前向压力数据对应的数据点记为压力异常点对应的前向压力异常点;
最后,获取振动数据中振动异常点与压力数据中的压力异常点之间的关联程度,具体计算方法为:
其中,表示第/>个振动异常点与第/>个压力异常点的关联程度;/>表示第/>个振动异常点对应前向振动异常点的数值;/>表示第/>个压力异常点对应前向压力异常点的数值;/>表示以自然常数为底数的指数函数。
8.根据权利要求1所述基于多传感器数据的自动化设备监测***,其特征在于,所述利用可信度完成对自动化设备的异常监测,包括的具体步骤如下:
首先,获取自动化农机设备在所有运行周期下所有振动异常点相对于压力异常点的平均可信度记为可信度标准;获取自动化农机设备在当前运行周期下所有振动异常点相对于压力异常点的可信度记为当前可信度;
然后,获取当前可信度大于可信度标准时所对应振动异常点的数量记为异常点数量;将自动化农机设备分为正常、存在异常、严重异常三种状态,根据异常点数量确定设备异常程度,当异常点数量在预设的数量区间内时,自动化农机设备为正常运行状态;当异常点数量在预设的数量区间/>内时,自动化农机设备为存在异常的运行状态,自动化农机设备的预警指示灯亮起;当异常点数量大于等于/>时,自动化农机设备为严重异常的运行状态,自动化农机设备停止运行并报警;其中/>和/>为预设的超参数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311763567.XA CN117433591B (zh) | 2023-12-21 | 2023-12-21 | 基于多传感器数据的自动化设备监测*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311763567.XA CN117433591B (zh) | 2023-12-21 | 2023-12-21 | 基于多传感器数据的自动化设备监测*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117433591A CN117433591A (zh) | 2024-01-23 |
CN117433591B true CN117433591B (zh) | 2024-02-27 |
Family
ID=89553976
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311763567.XA Active CN117433591B (zh) | 2023-12-21 | 2023-12-21 | 基于多传感器数据的自动化设备监测*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117433591B (zh) |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101976307A (zh) * | 2010-11-05 | 2011-02-16 | 东华大学 | 印染流程污水监测指标时间约束关联规则挖掘算法 |
CN106644055A (zh) * | 2017-01-04 | 2017-05-10 | 江苏沙河抽水蓄能发电有限公司 | 一种旋转设备振动监测保护装置通道异常的检测方法 |
CN109238727A (zh) * | 2018-09-26 | 2019-01-18 | 广州文搏科技有限公司 | 一种发动机故障监测预警*** |
CN114113884A (zh) * | 2021-11-18 | 2022-03-01 | 国网新疆电力有限公司昌吉供电公司 | 一种基于多源信息融合的过电压主动预警方法及*** |
CN115326147A (zh) * | 2022-10-17 | 2022-11-11 | 江苏煵笙重工有限公司 | 一种船舶用脱硫塔实时监测方法及*** |
CN115659799A (zh) * | 2022-10-24 | 2023-01-31 | 国网浙江省电力有限公司电力科学研究院 | 一种具备阈值自适应功能的锂电储能电站故障诊断方法 |
CN116292241A (zh) * | 2023-03-14 | 2023-06-23 | 国家石油天然气管网集团有限公司 | 一种输油泵机组的故障诊断预警方法及*** |
CN116305699A (zh) * | 2023-05-11 | 2023-06-23 | 青岛研博数据信息技术有限公司 | 一种基于全方位感知的管道监督*** |
CN116579663A (zh) * | 2023-07-05 | 2023-08-11 | 江苏慧远智能科技有限公司 | 一种粉罐车卸料过程中异常预警方法 |
CN116881745A (zh) * | 2023-09-07 | 2023-10-13 | 深圳市特安工业科技有限公司 | 基于大数据的压力变送器异常监测方法 |
CN117031277A (zh) * | 2023-09-29 | 2023-11-10 | 苏州保邦电气有限公司 | 一种电机运行状态智能监测方法 |
CN117195018A (zh) * | 2023-11-03 | 2023-12-08 | 南通银河水泵有限公司 | 基于多传感器的矿用水泵智能监测*** |
CN117238058A (zh) * | 2023-11-10 | 2023-12-15 | 无锡明诚汽车部件有限公司 | 基于数据分析的汽车用起动机监测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11566974B2 (en) * | 2020-10-16 | 2023-01-31 | Georgia-Pacific LLC | Systems and methods for analyzing machine performance |
-
2023
- 2023-12-21 CN CN202311763567.XA patent/CN117433591B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101976307A (zh) * | 2010-11-05 | 2011-02-16 | 东华大学 | 印染流程污水监测指标时间约束关联规则挖掘算法 |
CN106644055A (zh) * | 2017-01-04 | 2017-05-10 | 江苏沙河抽水蓄能发电有限公司 | 一种旋转设备振动监测保护装置通道异常的检测方法 |
CN109238727A (zh) * | 2018-09-26 | 2019-01-18 | 广州文搏科技有限公司 | 一种发动机故障监测预警*** |
CN114113884A (zh) * | 2021-11-18 | 2022-03-01 | 国网新疆电力有限公司昌吉供电公司 | 一种基于多源信息融合的过电压主动预警方法及*** |
CN115326147A (zh) * | 2022-10-17 | 2022-11-11 | 江苏煵笙重工有限公司 | 一种船舶用脱硫塔实时监测方法及*** |
CN115659799A (zh) * | 2022-10-24 | 2023-01-31 | 国网浙江省电力有限公司电力科学研究院 | 一种具备阈值自适应功能的锂电储能电站故障诊断方法 |
CN116292241A (zh) * | 2023-03-14 | 2023-06-23 | 国家石油天然气管网集团有限公司 | 一种输油泵机组的故障诊断预警方法及*** |
CN116305699A (zh) * | 2023-05-11 | 2023-06-23 | 青岛研博数据信息技术有限公司 | 一种基于全方位感知的管道监督*** |
CN116579663A (zh) * | 2023-07-05 | 2023-08-11 | 江苏慧远智能科技有限公司 | 一种粉罐车卸料过程中异常预警方法 |
CN116881745A (zh) * | 2023-09-07 | 2023-10-13 | 深圳市特安工业科技有限公司 | 基于大数据的压力变送器异常监测方法 |
CN117031277A (zh) * | 2023-09-29 | 2023-11-10 | 苏州保邦电气有限公司 | 一种电机运行状态智能监测方法 |
CN117195018A (zh) * | 2023-11-03 | 2023-12-08 | 南通银河水泵有限公司 | 基于多传感器的矿用水泵智能监测*** |
CN117238058A (zh) * | 2023-11-10 | 2023-12-15 | 无锡明诚汽车部件有限公司 | 基于数据分析的汽车用起动机监测方法 |
Non-Patent Citations (1)
Title |
---|
基于Hadoop 的农业大数据挖掘***构建;侯亮,等;农业图书情报学刊;20180731;第30卷(第7期);19-21 * |
Also Published As
Publication number | Publication date |
---|---|
CN117433591A (zh) | 2024-01-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP2857917A1 (en) | State diagnosing method and state diagnosing apparatus | |
US20070239629A1 (en) | Cluster Trending Method for Abnormal Events Detection | |
CN112284440B (zh) | 一种传感器数据偏差自适应修正方法 | |
CN109469896B (zh) | 一种基于时间序列分析工业锅炉故障的诊断方法及*** | |
CN116304898B (zh) | 基于机器学习的传感器数据智能存储*** | |
CN111737909A (zh) | 基于时空图卷积网络的结构健康监测数据异常识别方法 | |
CN115220396B (zh) | 一种数控机床智能监控方法及*** | |
CN112414694A (zh) | 基于多元状态估计技术的设备多级异常状态识别方法及装置 | |
CN104330675A (zh) | 基于多元时间序列的变电设备在线监测分析***及其方法 | |
CN116292241A (zh) | 一种输油泵机组的故障诊断预警方法及*** | |
CN114492629A (zh) | 异常检测方法、装置、电子设备及存储介质 | |
Celis et al. | Steady state detection in industrial gas turbines for condition monitoring and diagnostics applications | |
CN117176199B (zh) | 一种hplc通信单元故障诊断方法及装置 | |
CN117433591B (zh) | 基于多传感器数据的自动化设备监测*** | |
CN111881978B (zh) | 海洋定点浮标设备故障诊断方法、装置及电子设备 | |
CN116821836B (zh) | 基于多传感器的轮轴瓦异常状态监测方法及*** | |
CN117421616A (zh) | 一种矿山竖井井筒检测***及方法 | |
CN117759491A (zh) | 一种风电机组螺栓故障监测方法 | |
CN112528227A (zh) | 一种基于数理统计的传感器异常数据识别方法 | |
CN117591860A (zh) | 一种数据异常检测方法及装置 | |
CN114112390B (zh) | 一种非线性复杂***早期故障诊断方法 | |
CN110009033A (zh) | 一种基于动态主元分析的钻井过程异常预警模型 | |
CN114662977A (zh) | 海上钻井平台运动状态的异常检测方法、***和电子设备 | |
CN113075547A (zh) | 电机数据的采集方法及*** | |
CN112525336A (zh) | 一种机械设备振动连续增长的自动化检测方法 |
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 |