基于特征自匹配迁移学习的纺纱全流程能耗监测方法技术

本发明专利技术涉及一种基于特征自匹配迁移学习的纺纱全流程能耗监测方法，该方法通过深度卷积神经网络从旧厂历史数据集中学习知识规律，并迁移到新厂纺纱能效的异常趋势识别中，以弥补新厂异常样本不足的问题。同时，针对迁移过程中由于源域、目标域之间数据特征不匹配造成的负迁移问题，设计了基于聚类的特征自匹配层网络，通过特征匹配矩阵最小化同类特征的距离，剔除离群特征，促进有效知识的正向迁移，抑制无效干扰知识的负迁移。与现有方法相比，所提模型具有更高的纺纱能效异常侦测精度和更低的漏报率。

【技术实现步骤摘要】
基于特征自匹配迁移学习的纺纱全流程能耗监测方法
本专利技术涉及一种纺纱全流程能耗监测方法，具体涉及一种基于特征自匹配迁移学习的纺纱全流程能耗监测方法，属于生产能耗监测

技术介绍
纺纱是典型的能耗密集型民生行业，中国2018年纺纱耗电量达到约700亿度，但有效利用率不足75％，其中有大量能耗浪费在滞后的异常发现。在纱线生产过程中，由于生产事件或生产环境的变化，吨纱耗电量时常出现远远偏离正常值的异常现象，滞后的发现导致了大量的能源浪费。在生产过程中进行能效监测是抑制这种情况的最有效的手段之一，及时监测发现纺纱过程中的能效异常，对于节能降耗、降低纺纱成本具有重要意义！随着数据感知和人工智能技术的发展，部分学者开始使用深度神经网络通过实时感知的能效时间序列数据来侦测能效的异常趋势。但是，其有效性需要两个先决条件：(1)训练数据与测试数据具有相同的工况和生产环境。(2)具有足够的历史异常数据。但在实际纱线生产过程中，纺纱车间具有复杂而实时变化的生产环境，例如原棉的更换，罗拉部件受飞花的缠绕以及车间内温、湿度的变化等，这往往导致训练数据和本文档来自技高网...

【技术保护点】
1.一种基于特征自匹配迁移学习的纺纱全流程能耗监测方法，其特征在于，包括以下步骤：/n步骤1、每台纺纱设备装有一个智能电表，每T秒钟读取一次智能电表的能耗数据并每T秒钟从信息系统读取每台纺纱设备的纱线产量，每T秒钟获取一次每个纺纱设备的比能效值，如下式(1)所示：/n

【技术特征摘要】
1.一种基于特征自匹配迁移学习的纺纱全流程能耗监测方法，其特征在于，包括以下步骤：
步骤1、每台纺纱设备装有一个智能电表，每T秒钟读取一次智能电表的能耗数据并每T秒钟从信息系统读取每台纺纱设备的纱线产量，每T秒钟获取一次每个纺纱设备的比能效值，如下式(1)所示：



式(1)中，表示从时间tn-1到时间tn生产单位纱线所消耗的电量，代表一台纺纱设备在时间tn的功耗，代表一台纺纱设备在时间tn的纱线产量；
步骤2、采用下式(2)将不同支数的纱线产量转换为标准纱支数进行标准统一：



式(2)中，λ为转换系数；Tex表示实际纱线支数，V表示实际锭速，Tt表示纱线的实际捻度；TexS表示标准纱线支数，VS表示标准锭速，Tt表示标准纱线捻度；
步骤3、收集历史的包括能耗数据、纱线产量、比能效值在内的能效时间序列数据并标注正常类别和异常类别的对应标签，形成用于训练识别模型的训练数据集，标注正常类别和异常类别的对应标签时，根据企业的标准建立能效异常判断规则的隶属度函数如下式(3)所示对正常类别和异常类别进行判断：



式(3)中，tn～tn-k表示一个移位的时间区间；YS表示生产每单位纱线的标准功耗；η表示容忍度；若不小于预设的阈值，则能效时间序列数据中相应数据属于异常类别，并依据不同的异常原因，进一步将异常类别划分为不同纺纱能效异常类型，依据纺纱能效异常类型对相应能效时间序列数据进行对应标签的标注，否则能效时间序列数据中相应数据属于正常类别，标注正常类别的对应标签；
步骤4、建立基于特征自匹配的深度神经网络结构作为识别模型，利用上一步得到的训练数据集对识别模型进行训练，该深度神经网络结构由一个输入层、五个卷积层COV.1-COV.5、三个全连接层FC.1-FC.3、一个基于特征自匹配的自适应层和一个输出层组成，其中：每个卷积层通过执行卷积运算将输入层的输入转换为多元时间序列来学习输入能效时间序列的特征图，每个卷积层之后是全局平均池化操作，该平均池化操作对时间轴上的每个能效时间序列进行平均，用于对卷积层提取的特征进行欠采样，以减小特征图的大小并抑制模型的过拟合；自适应层表示最小化源域和目标域的最近邻居聚类中心之间的距离，该距离可以自动匹配不同类别的源域和目标域时间序列数据；
步骤5、将实时获得的能效时间序列数据输入训练后的识别模型，由识别模型对能耗是否异常进行判断，若判断为异常，获得相应的纺纱能效异常类型。


2.如权利要求1所述的一种基于特征自匹配迁移学习的纺纱全流程能耗监测方法，其特征在于，步骤3中，所述纺纱能效异常类型包括渐变型、阶跃型、周期型及其他类型，其中渐变型所对应的异常原因为牵伸、绕卷部件磨损，传动部件、皮辊受飞花阻塞导致阻力变大，车间温度、湿度变化，断头未及时处理；阶跃型所对应的异常原因为工艺变动，原棉变动，皮辊、皮圈过热相对滑动，电表或传感器故障；周期型所对应的异常原因为纱线断头频繁，电压、电流波动；其他类型所对应的是无法判断原因的异常情况。


3.如权利要求2所述的一种基于特征自匹配迁移学习的纺纱全流程能耗监测方法，其特征在于，步骤3中，一旦确定为异常，则查找当班生产过程记录，以进一步确定异常...

【专利技术属性】
技术研发人员：张洁，徐楚桥，汪俊亮，任杰，朱子洵，寇恩浦，赵树煊，李冬武，
申请(专利权)人：东华大学，
类型：发明
国别省市：上海;31