CN117556108B - 一种基于数据分析的油渣分离效率异常检测方法 - Google Patents
一种基于数据分析的油渣分离效率异常检测方法 Download PDFInfo
- Publication number
- CN117556108B CN117556108B CN202410043824.0A CN202410043824A CN117556108B CN 117556108 B CN117556108 B CN 117556108B CN 202410043824 A CN202410043824 A CN 202410043824A CN 117556108 B CN117556108 B CN 117556108B
- Authority
- CN
- China
- Prior art keywords
- oil
- residue
- increment
- oil residue
- time sequence
- 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
- 238000000926 separation method Methods 0.000 title claims abstract description 223
- 230000002159 abnormal effect Effects 0.000 title claims abstract description 49
- 238000001514 detection method Methods 0.000 title claims abstract description 15
- 238000007405 data analysis Methods 0.000 title claims abstract description 13
- 239000002893 slag Substances 0.000 claims abstract description 125
- 238000005457 optimization Methods 0.000 claims abstract description 62
- 230000011218 segmentation Effects 0.000 claims abstract description 19
- 241000628997 Flos Species 0.000 claims abstract description 16
- 238000012545 processing Methods 0.000 claims abstract description 12
- 238000010606 normalization Methods 0.000 claims description 37
- 238000005070 sampling Methods 0.000 claims description 33
- 238000000034 method Methods 0.000 claims description 21
- 230000005856 abnormality Effects 0.000 claims description 3
- 239000003921 oil Substances 0.000 description 378
- 239000010802 sludge Substances 0.000 description 9
- 238000005259 measurement Methods 0.000 description 7
- 238000006243 chemical reaction Methods 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 230000014759 maintenance of location Effects 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 238000005303 weighing Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 238000012854 evaluation process Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000013450 outlier detection Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001502 supplementing effect 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
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/903—Querying
- G06F16/9035—Filtering based on additional data, e.g. user or group profiles
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Algebra (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Computational Linguistics (AREA)
- Pure & Applied Mathematics (AREA)
- Software Systems (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
- Production Of Liquid Hydrocarbon Mixture For Refining Petroleum (AREA)
Abstract
本发明涉及数据处理技术领域,尤其涉及一种基于数据分析的油渣分离效率异常检测方法,该方法在油渣分离过程中,分别获取油渣分离速度时序序列和油渣增量时序序列;获取对油渣增量时序序列进行FLOSS时序模态分割时每两个油渣增量之间的优化距离,将油渣增量时序序列划分为不同模态的子序列;根据每个子序列对应的效率优化因子,对油渣分离速度时序序列中的每个油渣分离速度进行优化,得到油渣分离效率时序序列;根据油渣分离效率时序序列进行油渣分离过程中的油渣分离效率异常检测,提高了对油渣增量时序数据进行子序列划分的准确性,保证了根据划分结果进行油渣分离效率异常检测的严谨性。
Description
技术领域
本发明涉及数据处理技术领域,尤其涉及一种基于数据分析的油渣分离效率异常检测方法。
背景技术
在油渣分离的过程中为了保证对分离过程的监控,需要对油渣分离的效率进行监测,并对油渣分离过程中的异常分离效率进行预警,使得操作人员对油渣分离设备进行检测。在对油渣分离过程中的分离效率进行评估时,需要对分离机的出料端的油脂流速进行实时数据检测,但是针对不同的待分离油脂,其在油渣分离过程中出料端的油脂流速是不同的,因此,通过油脂分离速度进行分离效率评估会出现效率评估不准确的问题,故,现有技术中,通常对油渣分离过程中分离机的油渣出料端的油渣增量进行数据检测,对油渣增量时序数据进行子序列划分,并根据此划分结果进行油渣分离速度时序数据到分离效率转化过程的优化,从而根据优化后的油渣分离效率进行分离效率异常预警。
但在对油渣增量时序数据进行子序列划分的过程中,分离机的油渣出料端到称重板的过程中存在着油渣滞留,使得称重板下方的压力传感器对分离出的油渣进行称重时,油渣增量时序数据会出现采集不准确的情况,具体会出现一部分油渣增量时序数据较小,随后伴随着油渣增量的集中增加,导致油渣增量时序数据的数值异常,从而会存在着因为油渣增量异常而导致的子序列划分不准确。
因此,如何对油渣增量时序数据进行子序列的准确划分,以提高根据划分结果进行油渣分离效率异常检测的结果成为亟需解决的问题。
发明内容
有鉴于此,本发明实施例提供了一种基于数据分析的油渣分离效率异常检测方法,以解决如何对油渣增量时序数据进行子序列的准确划分,以提高根据划分结果进行油渣分离效率异常检测的结果的问题。
本发明实施例中提供了一种基于数据分析的油渣分离效率异常检测方法,该油渣分离效率异常检测方法包括以下步骤:
在油渣分离过程中,根据油渣分离后每个采样时刻的油渣分离速度和油渣增量,分别获取油渣分离速度时序序列和油渣增量时序序列;
获取所述油渣增量时序序列中的每个油渣增量的COF离群因子,根据所述油渣增量时序序列中每个油渣增量的COF离群因子,获取对所述油渣增量时序序列进行FLOSS时序模态分割时每两个油渣增量之间的优化距离,根据所述每两个油渣增量之间的优化距离将所述油渣增量时序序列划分为不同模态的子序列;
根据每个所述子序列中的油渣增量变化,分别获取每个所述子序列对应的效率优化因子,根据每个所述子序列对应的效率优化因子,对所述油渣分离速度时序序列中的每个油渣分离速度进行优化,对应得到优化后的油渣分离速度时序序列;
根据所述优化后的油渣分离速度时序序列进行所述油渣分离过程中的油渣分离效率异常检测。
进一步的,所述根据所述油渣增量时序序列中每个油渣增量的COF离群因子,获取对所述油渣增量时序序列进行FLOSS时序模态分割时每两个油渣增量之间的优化距离,包括:
针对所述油渣增量时序序列中的任一两个油渣增量,根据所述两个油渣增量的COF离群因子,获取所述两个油渣增量之间的距离优化因子,根据所述距离优化因子,获取对所述油渣增量时序序列进行FLOSS时序模态分割时所述两个油渣增量之间的优化距离。
进一步的,所述根据所述两个油渣增量的COF离群因子,获取所述两个油渣增量之间的距离优化因子,包括:
分别对所述油渣增量时序序列中的每个油渣增量的COF离群因子与常数1的差值绝对值进行归一化处理,得到所述油渣增量时序序列中的每个油渣增量的归一化结果;
若任一油渣增量的归一化结果大于预设的归一化阈值,则确定所述油渣增量为显著异常油渣增量,以所述油渣增量时序序列中的显著异常油渣增量为划分点,将所述油渣增量时序序列划分为至少两个集合;
取所述两个油渣增量之间的任一油渣增量作为目标油渣增量,将所述目标油渣增量所在的集合作为目标集合,获取所述目标集合中所有油渣增量的油渣增量均值,计算所述目标油渣增量与所述油渣增量均值之间的相减结果;
获取所述目标集合中的最后一个显著异常油渣增量,获取所述最后一个显著异常油渣增量与所述目标油渣增量之间的采样时刻间隔,对所述采样时刻间隔的倒数与所述目标油渣增量之间的乘积进行归一化处理,得到对应的归一化值;
获取所述相减结果、所述归一化值和所述归一化结果之间的乘积作为所述目标油渣增量的油渣增量分配特征值;
根据所述两个油渣增量的油渣增量分配特征值,获取所述两个油渣增量之间的距离优化因子。
进一步的,所述根据所述两个油渣增量的油渣增量分配特征值,获取所述两个油渣增量之间的距离优化因子,包括:
获取所述两个油渣增量的油渣增量分配特征值之间的差值绝对值,对所述两个油渣增量的油渣增量分配特征值之间的差值绝对值进行归一化处理,得到的归一化结果作为所述两个油渣增量之间的距离优化因子。
进一步的,所述根据所述距离优化因子,获取对所述油渣增量时序序列进行FLOSS时序模态分割时所述两个油渣增量之间的优化距离,包括:
在所述油渣增量时序序列中分别获取所述两个油渣增量的预设局部窗口,计算两个所述预设局部窗口中每个相同位置处的两个油渣增量之间的差值绝对值,得到差值绝对值之和;
将所述差值绝对值之和与所述两个油渣增量之间的距离优化因子之间的乘积作为对所述油渣增量时序序列进行FLOSS时序模态分割时所述两个油渣增量之间的优化距离。
进一步的,所述根据每个所述子序列中的油渣增量变化,分别获取每个所述子序列对应的效率优化因子,包括:
针对任一子序列,根据所述子序列中的每个油渣增量,计算油渣增量的平均值,对所述油渣增量的平均值进行归一化,对应得到的归一化值作为所述子序列对应的效率优化因子。
进一步的,所述根据每个所述子序列对应的效率优化因子,对所述油渣分离速度时序序列中的每个油渣分离速度进行优化,得到油渣分离效率时序序列,包括:
针对所述油渣分离速度时序序列中的任一油渣分离速度,根据所述油渣分离速度的采样时刻确定相同采样时刻所对应的子序列作为目标子序列,获取所述油渣分离速度和所述目标子序列对应的效率优化因子之间的乘积,对所述乘积进行归一化,对应得到的归一化值作为油渣分离效率;
将所述油渣分离速度时序序列中的每个油渣分离速度对应的油渣分离效率组成油渣分离效率时序序列。
进一步的,所述根据所述油渣分离效率时序序列进行所述油渣分离过程中的油渣分离效率异常检测,包括:
获取预设的油渣分离效率阈值,若所述油渣分离效率时序序列中的油渣分离效率小于所述油渣分离效率阈值,则对所述油渣分离过程进行油渣分离效率异常预警。
本发明实施例与现有技术相比存在的有益效果是:
本发明在油渣分离过程中,根据油渣分离后每个采样时刻的油渣分离速度和油渣增量,分别获取油渣分离速度时序序列和油渣增量时序序列;获取所述油渣增量时序序列中的每个油渣增量的COF离群因子,根据所述油渣增量时序序列中每个油渣增量的COF离群因子,获取对所述油渣增量时序序列进行FLOSS时序模态分割时每两个油渣增量之间的优化距离,根据所述每两个油渣增量之间的优化距离将所述油渣增量时序序列划分为不同模态的子序列;根据每个所述子序列中的油渣增量变化,分别获取每个所述子序列对应的效率优化因子,根据每个所述子序列对应的效率优化因子,对所述油渣分离速度时序序列中的每个油渣分离速度进行优化,得到油渣分离效率时序序列;根据所述油渣分离效率时序序列进行所述油渣分离过程中的油渣分离效率异常检测。其中,在油渣分离过程中的油渣增量时序序列进行子序列划分时,通过对FLOSS时序模态分割时每两个油渣增量之间的距离进行优化,使得划分的子序列更加符合实际,使得根据划分的子序列对油渣分离速度到油渣分离效率的转化进行优化,提高了油渣分离速度时序序列的准确性,从而保证了根据油渣分离速度时序序列对油渣分离效率异常预警的严谨性。
附图说明
为了更清楚地说明本发明实施例中的技术方案,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性的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例一提供的一种基于数据分析的油渣分离效率异常检测方法的方法流程图。
具体实施方式
下面详细描述本公开的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,旨在用于解释本公开,而不能理解为对本公开的限制。
需要说明的是,本公开的说明书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本公开的实施例能够以除了在这里图示或描述的那些以外的顺序实施。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反,它们仅是与本公开的一些方面相一致的装置和方法的例子。
为了说明本发明的技术方案,下面通过具体实施例来进行说明。
参见图1,是本发明实施例一提供的一种基于数据分析的油渣分离效率异常检测方法的方法流程图,如图1所示,该油渣分离效率异常检测方法可以包括:
步骤S101,在油渣分离过程中,根据油渣分离后每个采样时刻的油渣分离速度和油渣增量,分别获取油渣分离速度时序序列和油渣增量时序序列。
在油渣分离的过程中,分离机的油脂出料端流出分离后的油脂,油渣出料端则是分离出的油渣,对于油脂出料端,通过流量传感器采集油渣分离后的实时油脂量数据,对于油渣出料端,通过压力传感器采集油渣分离后的油渣增量数据。
其中,油渣增量数据是指油渣增加的重量,则在油渣分离过程中,能够采集每个采样时刻下油渣分离后的油渣增量,从而得到预设时段内的油渣增量时序序列。同时,对每个采样时刻下的油脂量数据进行一阶差分处理,获取到每个采样时刻的油渣分离速度,从而得到预设时段内的油渣分离速度时序序列。
需要说明的是,油渣分离速度和油渣增量的采样频率相同,预设时段也相同,优选的,本发明实施例中,采样频率为1秒,预设时段为1小时或2小时,对此不做限制。
步骤S102,获取油渣增量时序序列中的每个油渣增量的COF离群因子,根据油渣增量时序序列中每个油渣增量的COF离群因子,获取对油渣增量时序序列进行FLOSS时序模态分割时每两个油渣增量之间的优化距离,根据每两个油渣增量之间的优化距离将油渣增量时序序列划分为不同模态的子序列。
在油渣分离效率的评估过程中,需要通过分离机的分离速度对油渣分离效率进行刻画,但是在待分离油脂中的油渣含量增多时,则需要降低分离机的分离速度,从而提高油渣分离的分离质量,也就是分离机需要进行更多时间的分离才可以将油脂中的油渣进行分离,所以在油渣分离过程中,针对于不同油渣含量的油脂需要在油渣分离速度到油渣分离效率的转化过程中进行优化,也就是在油渣分离速度的基础上结合不同的油渣分离效果进行评估,从而获取到准确的油渣分离效率。
但是在这个过程中,首先需要对油渣分离过程中的油渣增量时序序列进行子序列划分,之后对于划分出的子序列进行油渣增量的评估,根据每个子序列的平均油渣增量获取到油渣分离速度转化到油渣分离效率过程中的优化因子,之后通过该优化因子进行油渣分离速度时序序列的优化。因此,本发明实施例中,在获取到油渣分离过程中的油渣增量时序序列之后,需要对油渣增量时序序列中因为分离机的油渣出料端到压力传感器过程中的油渣滞留导致的油渣增量时序序列中的部分数值异常进行评估。在油渣滞留在分离机的油渣出料端的管道中时,其会在粘连堆积到一定程度之后流出,从而在油渣增量时序序列中呈现为一段常规的油渣增量时序序列,而在某个采样时刻出现较大的油渣增量变化,那么为了对油渣增量时序序列进行准确的子序列划分,需要将油渣增量时序序列中的异常油渣增量进行数值分配的优化,从而获取到准确的子序列划分结果,则对油渣分离过程中的油渣增量时序序列进行子序列划分,以得到不同模态的子序列的具体步骤如下:
(1)获取油渣增量时序序列中的每个油渣增量的COF离群因子。
具体的,COF离群度量算法(Connectivity-Based Outlier Factor)是一种基于密度的离群点检测算法,本发明实施例中设置COF离群度量算法中的K距离邻域的K值为10,进而根据K距离邻域,利用COF离群度量算法分别获取油渣增量时序序列中的每个油渣增量的COF离群因子。值得说明的是,COF离群度量算法属于现有技术,因此利用COF离群度量算法分别获取油渣增量时序序列中的每个油渣增量的COF离群因子此处不再详细赘述。
(2)针对所述油渣增量时序序列中的任一两个油渣增量,根据所述两个油渣增量的COF离群因子,获取所述两个油渣增量之间的距离优化因子。
具体的,分别对所述油渣增量时序序列中的每个油渣增量的COF离群因子与常数1的差值绝对值进行归一化处理,得到所述油渣增量时序序列中的每个油渣增量的归一化结果;
若任一油渣增量的归一化结果大于预设的归一化阈值,则确定所述油渣增量为显著异常油渣增量,以所述油渣增量时序序列中的显著异常油渣增量为划分点,将所述油渣增量时序序列划分为至少两个集合;
取所述两个油渣增量之间的任一油渣增量作为目标油渣增量,将所述目标油渣增量所在的集合作为目标集合,获取所述目标集合中所有油渣增量的油渣增量均值,计算所述目标油渣增量与所述油渣增量均值之间的相减结果;
获取所述目标集合中的最后一个显著异常油渣增量,获取所述最后一个显著异常油渣增量与所述目标油渣增量之间的采样时刻间隔,对所述采样时刻间隔的倒数与所述目标油渣增量之间的乘积进行归一化处理,得到对应的归一化值;
获取所述相减结果、所述归一化值和所述归一化结果之间的乘积作为所述目标油渣增量的油渣增量分配特征值;
根据所述两个油渣增量的油渣增量分配特征值,获取所述两个油渣增量之间的距离优化因子。
在一实施方式中,针对油渣增量时序序列中的第i个油渣增量,根据第i个油渣增量的COF离群因子,获取第i个油渣增量的归一化结果,其中,表示油渣增量时序序列中的第i个油渣增量,/>表示第i个油渣增量的COF离群因子,/>表示归一化函数。若第i个油渣增量的归一化结果,则将第i个油渣增量作为显著异常油渣增量,同理,获取油渣增量时序序列中的所有显著异常油渣增量,将两个相邻的显著异常油渣增量之间的油渣增量组成一个集合,从而将油渣增量时序序列划分为至少两个集合。
以油渣增量时序序列中的第i个油渣增量和第j个油渣增量为例,确定第i个油渣增量所属的集合为,计算集合/>中所包含的所有油渣增量之间的油渣增量均值/>,同时获取集合/>中的最后一个显著异常油渣增量,计算最后一个显著异常油渣增量与第i个油渣增量之间的采样时刻间隔/>,从而根据油渣增量均值/>、采样时刻间隔/>、第i个油渣增量和第i个油渣增量的COF离群因子,获取第i个油渣增量的油渣增量分配特征值,则第i个油渣增量的油渣增量分配特征值的计算表达式为:
其中,表示第i个油渣增量的油渣增量分配特征值,/>表示归一化指数函数,/>表示第i个油渣增量与第i个油渣增量所属的集合/>中的最后一个显著异常油渣增量之间的采样时刻间隔,/>表示归一化函数,/>表示油渣增量时序序列中的第i个油渣增量,/>表示第i个油渣增量的COF离群因子,/>表示集合/>中所包含的所有油渣增量之间的油渣增量均值。
需要说明的是,针对于后续对油渣增量时序序列进行FLOSS时序模态分割时的任意两个油渣增量之间的距离优化,首先通过COF离群因子进行高离群程度的油渣增量的筛选,并通过离群程度将一部分油渣增量的数值分配给前序油渣增量,此处的前序油渣增量是指从一个高离群程度的油渣增量开始,前序的油渣增量到下一个高离群程度的油渣增量,因此,首先对油渣增量时序序列中的每个油渣增量的COF值进行离群程度的衡量,并根据第i个油渣增量的归一化结果进行显著异常油渣增量的筛选,以将油渣增量时序序列划分为若干个集合,将相邻两个显著异常油渣增量之间的油渣增量组成一个集合。针对于第i个油渣增量所属的集合/>,通过计算第i个油渣增量和集合/>中最后一个的高离群程度的油渣增量(最后一个显著异常油渣增量)之间的采样时刻间隔,并根据采样时刻间隔的倒数与第i个油渣增量的乘积的/>归一化结果作为权重;同时,通过第i个油渣增量在整体油渣增量时序序列中的离群程度来判断有多少可分配油渣增量,并根据该权重对第i个油渣增量与集合/>的油渣增量均值的差异相乘作为可分配油渣增量数值,最后将上述逻辑整合即可确定第i个油渣增量对应的油渣增量分配特征值。
同理,根据油渣增量时序序列中的第i个油渣增量的油渣增量分配特征值的获取方法,获取油渣增量时序序列中的第j个油渣增量的油渣增量分配特征值,进一步根据这两个油渣增量的油渣增量分配特征值,获取这两个油渣增量之间的距离优化因子,距离优化因子的获取方法为:
获取所述两个油渣增量的油渣增量分配特征值之间的差值绝对值,对所述两个油渣增量的油渣增量分配特征值之间的差值绝对值进行归一化处理,得到的归一化结果作为所述两个油渣增量之间的距离优化因子。
在一实施方式中,油渣增量时序序列中的第i个油渣增量和第j个油渣增量之间的距离优化因子的计算表达式为:
其中,表示油渣增量时序序列中的第i个油渣增量和第j个油渣增量之间的距离优化因子,/>表示归一化函数,/>表示油渣增量时序序列中的第i个油渣增量的油渣增量分配特征值,/>表示油渣增量时序序列中的第j个油渣增量的油渣增量分配特征值,| |表示绝对值符号。
需要说明的是,通过计算油渣增量时序序列中的第i个油渣增量和第j个油渣增量之间的油渣增量分配特征值差异作为距离优化因子,以在后续对油渣增量时序序列进行FLOSS时序模态分割时优化第i个油渣增量和第j个油渣增量之间的距离。
(3)根据所述距离优化因子,获取对所述油渣增量时序序列进行FLOSS时序模态分割时所述两个油渣增量之间的优化距离。
具体的,在所述油渣增量时序序列中分别获取所述两个油渣增量的预设局部窗口,计算两个所述预设局部窗口中每个相同位置处的两个油渣增量之间的差值绝对值,得到差值绝对值之和;
将所述差值绝对值之和与所述两个油渣增量之间的距离优化因子之间的乘积作为对所述油渣增量时序序列进行FLOSS时序模态分割时所述两个油渣增量之间的优化距离。
在一实施方式中,在得到油渣增量时序序列中的第i个油渣增量和第j个油渣增量之间的距离优化因子之后,根据油渣增量时序序列中的第i个油渣增量和第j个油渣增量之间的距离优化因子,获取对油渣增量时序序列进行FLOSS时序模态分割时第i个油渣增量和第j个油渣增量之间的优化距离,则优化距离的计算表达式为:
其中,表示对油渣增量时序序列进行FLOSS时序模态分割时第i个油渣增量和第j个油渣增量之间的优化距离,/>表示油渣增量时序序列中的第i个油渣增量和第j个油渣增量之间的距离优化因子,/>表示预设的局部窗口中所包含的油渣增量的总数量,表示第i个油渣增量的局部窗口中的第m个油渣增量,/>表示第j个油渣增量的局部窗口中的第m个油渣增量,| |表示绝对值符号。
其中,预设的局部窗口是指以油渣增量时序序列中的任一油渣增量为例,该油渣增量左侧的5个油渣增量和右侧的5个油渣增量组成该油渣增量的局部窗口,则局部窗口中所包含的油渣增量的总数量。值得说明的是,当第a个油渣增量在油渣增量时序序列中的最左侧或最右侧时,也即是第a个油渣增量的局部窗口中所包含的油渣增量的总数量不够11个时,通过补第a个油渣增量自身的数值,使得第a个油渣增量的局部窗口中所包含的油渣增量的总数量为11。
需要说明的是,通过第i个油渣增量和第j个油渣增量之间的距离优化因子对油渣增量时序序列中的第i个油渣增量和第j个油渣增量之间的距离进行优化,相较于直接通过局部窗口之间的欧氏距离进行距离度量,可以在衡量的过程中消除因为油渣在分离机出料端管道中粘连滞留导致的油渣增量数值异常导致的子序列划分不准确的问题。
(4)根据每两个油渣增量之间的优化距离将油渣增量时序序列划分为不同模态的子序列。
具体的,根据步骤(2)和步骤(3)能够获取油渣增量时序序列中的任意两个油渣增量之间的优化距离,进而使用FLOSS时序模态分割将油渣增量时序序列划分为若干个子序列,其中,FLOSS时序模态分割过程中的分割点确定阈值设为0.6。值得说明的是,FLOSS时序模态分割属于现有技术,此处不再赘述。
至此,将油渣增量时序序列划分为了多个序列。
步骤S103,根据每个子序列中的油渣增量变化,分别获取每个子序列对应的效率优化因子,根据每个子序列对应的效率优化因子,对油渣分离速度时序序列中的每个油渣分离速度进行优化,得到油渣分离效率时序序列。
在获取到油渣增量时序序的多个序列之后,根据每个子序列中的油渣增量变化,分别获取每个子序列对应的效率优化因子,具体的,针对任一子序列,根据所述子序列中的每个油渣增量,计算油渣增量的平均值,对所述油渣增量的平均值进行归一化,对应得到的归一化值作为所述子序列对应的效率优化因子。
在一实施方式中,以第q个子序列为例,则第q个子序列对应效率优化因子的计算表达式为:
其中,表示第q个子序列对应效率优化因子,/>表示归一化函数,/>表示第q个子序列中包含的油渣增量的总数量,/>表示第q个子序列中的第m个油渣增量。
需要说明的是,针对于第q个子序列,通过该子序列中全部油渣增量的均值作为效率优化因子的评估标准,当该子序列中的平均油渣增量越高,则说明该子序列中的所需分离效果更好,所以在该子序列对应的时间戳中,需要通过数值的整体归一化评估结果进行油渣分离速度的调整,从而准确地对油渣分离速度与油渣分离过程中的油渣增量进行信息融合,以后续优化油渣分离速度时序序列,因此,第q个子序列的油渣增量的平均值越高,则说明油渣分离过程中需要更多地进行油渣的消除,从而会出现相应的油渣分离速度降低。
进一步的,在获取到每个子序列对应的效率优化因子之后,则根据每个子序列对应的效率优化因子,对油渣分离速度时序序列中的每个油渣分离速度进行优化,以获取油渣分离效率时序序列,具体为:
针对所述油渣分离速度时序序列中的任一油渣分离速度,根据所述油渣分离速度的采样时刻确定相同采样时刻所对应的子序列作为目标子序列,获取所述油渣分离速度和所述目标子序列对应的效率优化因子之间的乘积,对所述乘积进行归一化,对应得到的归一化值作为油渣分离效率;
将所述油渣分离速度时序序列中的每个油渣分离速度对应的油渣分离效率组成油渣分离效率时序序列。
在一实施方式中,以油渣分离速度时序序列中的第s个油渣分离速度为例,获取第s个油渣分离速度的采样时刻,对比每个子序列中所包含的每个油渣增量的采样时刻,确定包含采样时刻/>的子序列作为目标子序列,根据目标子序列对应的效率优化因子,对第s个油渣分离速度进行优化,得到采样时刻/>对应的油渣分离效率,则油渣分离效率的计算表达式为:
其中,表示第s个油渣分离速度的采样时刻所对应的油渣分离效率,/>表示归一化函数,/>表示第s个油渣分离速度的目标子序列,/>表示第s个油渣分离速度。
需要说明的是,通过第s个油渣分离速度在时序上对应时间戳的效率优化因子对第s个油渣分离速度进行优化,并通过第s个油渣分离速度在油渣分离速度时序序列的数值进行归一化结果作为油渣分离效率。
至此,能够根据油渣分离速度时序序列中的第s个油渣分离速度对应的油渣分离效率的获取方法,获取油渣分离速度时序序列中的每个油渣分离速度对应的油渣分离效率,以组成油渣分离效率时序序列。
步骤S104,根据油渣分离效率时序序列进行油渣分离过程中的油渣分离效率异常检测。
在获取到油渣分离效率时序序列之后,即可根据优化后的油渣分离速度时序序列进行油渣分离过程中的油渣分离效率异常检测,具体的,获取预设的油渣分离效率阈值,若所述油渣分离效率时序序列中的油渣分离效率小于所述油渣分离效率阈值,则对所述油渣分离过程进行油渣分离效率异常预警,从而提醒操作人员对油渣分离设备进行检测。
优选的,本发明实施例中设置油渣分离效率阈值为0.7,对此不做限制,实施者可根据实施场景进行设置。
综上所述,在油渣分离过程中,根据油渣分离后每个采样时刻的油渣分离速度和油渣增量,分别获取油渣分离速度时序序列和油渣增量时序序列;获取油渣增量时序序列中的每个油渣增量的COF离群因子,根据油渣增量时序序列中每个油渣增量的COF离群因子,获取对油渣增量时序序列进行FLOSS时序模态分割时每两个油渣增量之间的优化距离,根据每两个油渣增量之间的优化距离将油渣增量时序序列划分为不同模态的子序列;根据每个子序列中的油渣增量变化,分别获取每个子序列对应的效率优化因子,根据每个子序列对应的效率优化因子,对油渣分离速度时序序列中的每个油渣分离速度进行优化,得到油渣分离效率时序序列;根据油渣分离效率时序序列进行油渣分离过程中的油渣分离效率异常检测。其中,在油渣分离过程中的油渣增量时序序列进行子序列划分时,通过对FLOSS时序模态分割时每两个油渣增量之间的距离进行优化,使得划分的子序列更加符合实际,使得根据划分的子序列对油渣分离速度到油渣分离效率的转化进行优化,提高了油渣分离速度时序序列的准确性,从而保证了根据油渣分离速度时序序列对油渣分离效率异常预警的严谨性。
以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围,均应包含在本发明的保护范围之内。
Claims (5)
1.一种基于数据分析的油渣分离效率异常检测方法,其特征在于,所述一种基于数据分析的油渣分离效率异常检测方法包括:
在油渣分离过程中,根据油渣分离后每个采样时刻的油渣分离速度和油渣增量,分别获取油渣分离速度时序序列和油渣增量时序序列;
获取所述油渣增量时序序列中的每个油渣增量的COF离群因子,根据所述油渣增量时序序列中每个油渣增量的COF离群因子,获取对所述油渣增量时序序列进行FLOSS时序模态分割时每两个油渣增量之间的优化距离,根据所述每两个油渣增量之间的优化距离将所述油渣增量时序序列划分为不同模态的子序列;
根据每个所述子序列中的油渣增量变化,分别获取每个所述子序列对应的效率优化因子,根据每个所述子序列对应的效率优化因子,对所述油渣分离速度时序序列中的每个油渣分离速度进行优化,得到油渣分离效率时序序列;
根据所述油渣分离效率时序序列进行所述油渣分离过程中的油渣分离效率异常检测;
所述根据每个所述子序列中的油渣增量变化,分别获取每个所述子序列对应的效率优化因子,包括:
针对任一子序列,根据所述子序列中的每个油渣增量,计算油渣增量的平均值,对所述油渣增量的平均值进行归一化,对应得到的归一化值作为所述子序列对应的效率优化因子。
2.根据权利要求1所述的一种基于数据分析的油渣分离效率异常检测方法,其特征在于,所述根据所述油渣增量时序序列中每个油渣增量的COF离群因子,获取对所述油渣增量时序序列进行FLOSS时序模态分割时每两个油渣增量之间的优化距离,包括:
针对所述油渣增量时序序列中的任一两个油渣增量,根据所述两个油渣增量的COF离群因子,获取所述两个油渣增量之间的距离优化因子,根据所述距离优化因子,获取对所述油渣增量时序序列进行FLOSS时序模态分割时所述两个油渣增量之间的优化距离;
所述根据所述两个油渣增量的COF离群因子,获取所述两个油渣增量之间的距离优化因子,包括:
分别对所述油渣增量时序序列中的每个油渣增量的COF离群因子与常数1的差值绝对值进行归一化处理,得到所述油渣增量时序序列中的每个油渣增量的归一化结果;
若任一油渣增量的归一化结果大于预设的归一化阈值,则确定所述油渣增量为显著异常油渣增量,以所述油渣增量时序序列中的显著异常油渣增量为划分点,将所述油渣增量时序序列划分为至少两个集合;
取所述两个油渣增量之间的任一油渣增量作为目标油渣增量,将所述目标油渣增量所在的集合作为目标集合,获取所述目标集合中所有油渣增量的油渣增量均值,计算所述目标油渣增量与所述油渣增量均值之间的相减结果;
获取所述目标集合中的最后一个显著异常油渣增量,获取所述最后一个显著异常油渣增量与所述目标油渣增量之间的采样时刻间隔,对所述采样时刻间隔的倒数与所述目标油渣增量之间的乘积进行归一化处理,得到对应的归一化值;
获取所述相减结果、所述归一化值和所述归一化结果之间的乘积作为所述目标油渣增量的油渣增量分配特征值;
根据所述两个油渣增量的油渣增量分配特征值,获取所述两个油渣增量之间的距离优化因子;
所述根据所述两个油渣增量的油渣增量分配特征值,获取所述两个油渣增量之间的距离优化因子,包括:
获取所述两个油渣增量的油渣增量分配特征值之间的差值绝对值,对所述两个油渣增量的油渣增量分配特征值之间的差值绝对值进行归一化处理,得到的归一化结果作为所述两个油渣增量之间的距离优化因子。
3.根据权利要求2所述的一种基于数据分析的油渣分离效率异常检测方法,其特征在于,所述根据所述距离优化因子,获取对所述油渣增量时序序列进行FLOSS时序模态分割时所述两个油渣增量之间的优化距离,包括:
在所述油渣增量时序序列中分别获取所述两个油渣增量的预设局部窗口,计算两个所述预设局部窗口中每个相同位置处的两个油渣增量之间的差值绝对值,得到差值绝对值之和;
将所述差值绝对值之和与所述两个油渣增量之间的距离优化因子之间的乘积作为对所述油渣增量时序序列进行FLOSS时序模态分割时所述两个油渣增量之间的优化距离。
4.根据权利要求1所述的一种基于数据分析的油渣分离效率异常检测方法,其特征在于,所述根据每个所述子序列对应的效率优化因子,对所述油渣分离速度时序序列中的每个油渣分离速度进行优化,得到油渣分离效率时序序列,包括:
针对所述油渣分离速度时序序列中的任一油渣分离速度,根据所述油渣分离速度的采样时刻确定相同采样时刻所对应的子序列作为目标子序列,获取所述油渣分离速度和所述目标子序列对应的效率优化因子之间的乘积,对所述乘积进行归一化,对应得到的归一化值作为油渣分离效率;
将所述油渣分离速度时序序列中的每个油渣分离速度对应的油渣分离效率组成油渣分离效率时序序列。
5.根据权利要求1所述的一种基于数据分析的油渣分离效率异常检测方法,其特征在于,所述根据所述油渣分离效率时序序列进行所述油渣分离过程中的油渣分离效率异常检测,包括:
获取预设的油渣分离效率阈值,若所述油渣分离效率时序序列中的油渣分离效率小于所述油渣分离效率阈值,则对所述油渣分离过程进行油渣分离效率异常预警。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410043824.0A CN117556108B (zh) | 2024-01-12 | 2024-01-12 | 一种基于数据分析的油渣分离效率异常检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410043824.0A CN117556108B (zh) | 2024-01-12 | 2024-01-12 | 一种基于数据分析的油渣分离效率异常检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117556108A CN117556108A (zh) | 2024-02-13 |
CN117556108B true CN117556108B (zh) | 2024-03-26 |
Family
ID=89816977
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410043824.0A Active CN117556108B (zh) | 2024-01-12 | 2024-01-12 | 一种基于数据分析的油渣分离效率异常检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117556108B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118152932B (zh) * | 2024-05-11 | 2024-07-19 | 国网山东省电力公司枣庄供电公司 | 一种用于近电预警的动态预警阈值优化方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102360378A (zh) * | 2011-10-10 | 2012-02-22 | 南京大学 | 一种时序数据离群点检测方法 |
KR20130107889A (ko) * | 2012-03-23 | 2013-10-02 | 삼성전자주식회사 | 이상 서브시퀀스 검출 장치 및 방법 |
CN108805747A (zh) * | 2018-06-13 | 2018-11-13 | 山东科技大学 | 一种基于半监督学习的异常用电用户检测方法 |
CN116383190A (zh) * | 2023-05-15 | 2023-07-04 | 青岛场外市场清算中心有限公司 | 一种海量大数据智能清洗方法及*** |
CN116824577A (zh) * | 2023-08-31 | 2023-09-29 | 泰安金冠宏食品科技有限公司 | 一种基于机器视觉的预制菜生产检测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104809134B (zh) * | 2014-01-27 | 2018-03-09 | 国际商业机器公司 | 检测数据序列中的异常子序列的方法和设备 |
-
2024
- 2024-01-12 CN CN202410043824.0A patent/CN117556108B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102360378A (zh) * | 2011-10-10 | 2012-02-22 | 南京大学 | 一种时序数据离群点检测方法 |
KR20130107889A (ko) * | 2012-03-23 | 2013-10-02 | 삼성전자주식회사 | 이상 서브시퀀스 검출 장치 및 방법 |
CN108805747A (zh) * | 2018-06-13 | 2018-11-13 | 山东科技大学 | 一种基于半监督学习的异常用电用户检测方法 |
CN116383190A (zh) * | 2023-05-15 | 2023-07-04 | 青岛场外市场清算中心有限公司 | 一种海量大数据智能清洗方法及*** |
CN116824577A (zh) * | 2023-08-31 | 2023-09-29 | 泰安金冠宏食品科技有限公司 | 一种基于机器视觉的预制菜生产检测方法 |
Non-Patent Citations (4)
Title |
---|
Jihyun Ha et al.Robust outlier detection using the instability factor.《Knowledge-Based System》.2014,(第63期),第15-23页. * |
刘雪梅 等.基于异常因子的时间序列异常模式检测.《计算机技术与发展》.2017,28(3),第93-96页. * |
刘雷.面向时序数据的离群点异常检查技术应用研究.《中国优秀硕士学位论文全文数据库 信息科技辑》.2019,第2019年卷(第11期),第I137-17页. * |
范小刚 等.基于k-近邻树的离群检测算法.《计算机应用研究》.2015,第32卷(第3期),第669-673页. * |
Also Published As
Publication number | Publication date |
---|---|
CN117556108A (zh) | 2024-02-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN117556108B (zh) | 一种基于数据分析的油渣分离效率异常检测方法 | |
CN102789545B (zh) | 基于退化模型匹配的涡轮发动机剩余寿命的预测方法 | |
CN110008565A (zh) | 一种基于运行参数关联性分析的工业过程异常工况预测方法 | |
CN114167838B (zh) | 一种伺服***多尺度健康评估与故障预测方法 | |
CN113284143B (zh) | 基于图像数据处理的压铸件去毛刺精度检测*** | |
CN107248039A (zh) | 基于医疗标本检测项目结果的实时质控方法及装置 | |
CN111984705B (zh) | 一种电能质量监测装置的精度评估管理方法和装置 | |
CN111046582A (zh) | 一种核电站柴油发电机组线圈温度预警方法及*** | |
CN117390591B (zh) | 基于电参量分析的输煤皮带采样机运行监测方法及*** | |
CN118051863B (zh) | 一种基于数字计量技术的健康数据采集***及方法 | |
CN117390378A (zh) | 一种双碳平台数据智能管理方法及*** | |
CN116985183A (zh) | 一种近红外光谱分析仪质量监测管理方法及*** | |
CN114664063A (zh) | 一种基于通用指标趋势分析的设备分级报警方法 | |
CN117235678B (zh) | 一种木材切割过程中刀片磨损程度的检测方法 | |
CN114065509A (zh) | 一种地质灾害防治用裂缝计的故障排查方法 | |
CN117109805A (zh) | 一种压力传感设备的异常压力检测与校正方法 | |
JP2002090266A (ja) | 余寿命予測装置 | |
CN115034094B (zh) | 一种金属加工机床运行状态预测方法及*** | |
CN114001887B (zh) | 一种基于挠度监测的桥梁损伤评定方法 | |
CN114944208B (zh) | 质量控制方法、装置、电子设备及存储介质 | |
KR20110107481A (ko) | 피로도 센서기반 임베디드 정비관리시스템 | |
CN117422345B (zh) | 一种油渣分离质量评估方法及*** | |
CN113919173A (zh) | 一种采样流量特征参数自动识别方法 | |
CN114444623B (zh) | 面向工业机器人的异常检测分析方法及*** | |
CN110956340A (zh) | 工程试验检测数据管理预警决策方法 |
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 | ||
EE01 | Entry into force of recordation of patent licensing contract |
Application publication date: 20240213 Assignee: Guangju (Shandong) Food Co.,Ltd. Assignor: Taian jinguanhong Food Technology Co.,Ltd. Contract record no.: X2024980009925 Denomination of invention: A method for detecting abnormal oil residue separation efficiency based on data analysis Granted publication date: 20240326 License type: Common License Record date: 20240718 |