一种基于改进密度峰值聚类的马蹄窑能耗异常检测方法技术

本发明专利技术涉及马蹄窑能耗异常检测技术领域，更具体地，涉及一种基于改进密度峰值聚类的马蹄窑能耗异常检测方法。采用人工蜂群算法实现了截断距离的自适应优选过程，并设立离群系数策略以实现自动划分簇中心和离群点的功能，实现智能、快速、精准的窑炉能耗异常检测。本发明专利技术通过改造自适应密度峰值聚类算法，并使用其对玻璃熔窑生产过程的能耗数据进行聚类分析，以高效准确识别存在异常的能耗样本。

【技术实现步骤摘要】
一种基于改进密度峰值聚类的马蹄窑能耗异常检测方法
本专利技术涉及马蹄窑能耗异常检测
，更具体地，涉及一种基于改进密度峰值聚类的马蹄窑能耗异常检测方法。
技术介绍
马蹄窑是一个多变量的复杂工业系统，涉及变量包括：采样时间；燃料流量、温度；助燃风流量、温度；火焰空间温度；液面温度；蓄热室碹顶温度；烟道出口气体流量、温度等。在多变量、相关联的复杂参数系统中，虽然可通过人工巡查机组、人力监测日志系统方式或者统计学方法(盒图、切比雪夫定理等)检测窑炉异常，但由于传感仪器数据采集异常等因素，数据扰动将影响人工检测；并且，异常发生时通常会冗余报错，冗余异常信息会掩盖事实、失去焦点，让工人难以判定核心异常问题。能耗异常指的是能源损耗过大、有效能源达不到预期能效或者统计学上偏差的能耗计量。研究设备的耗能信息是最直接了解设备工作状况的方式，由此针对机械设备异常能耗的检测研究逐渐被国内外学者所关注。在现有技术中，SonerEmec等基于机床电力能耗数据流，提出一种在线模式匹配的机床设备故障监测方法，将电力能耗与机床产出产品质量关联起来，用于提高机床生产本文档来自技高网...

【技术保护点】
1.一种基于改进密度峰值聚类的马蹄窑能耗异常检测方法，其特征在于，包括以下步骤：/nS1.提取马蹄窑分层能量模型中的能量构成项以及池窑热效率η；马蹄窑能耗计算并构造特征值，记作输入空间C：/n以时间序列为等价连接条件，建立包含马蹄窑原始工况信息以及能耗信息的输入空间SC；/nS2.把输入空间SC归一化到数据空间内，以抵消特征属性量纲不同影响聚类效果；对矩阵SC进行转置：/nST＝SC

【技术特征摘要】
1.一种基于改进密度峰值聚类的马蹄窑能耗异常检测方法，其特征在于，包括以下步骤：
S1.提取马蹄窑分层能量模型中的能量构成项以及池窑热效率η；马蹄窑能耗计算并构造特征值，记作输入空间C：
以时间序列为等价连接条件，建立包含马蹄窑原始工况信息以及能耗信息的输入空间SC；
S2.把输入空间SC归一化到数据空间内，以抵消特征属性量纲不同影响聚类效果；对矩阵SC进行转置：
ST＝SCT，(1)
对数据集中每一特征i进行最大-最小值归一化；
S3.启用基于人工蜂群算法的截断距离参数优选方法，计算最优Sil指标的截断距离，输出dc；
S4.设定最优dc，初始化并运算密度峰值聚类算法即DPC算法，直至得到ST的局部密度集P和最近邻距离集Δ；
S5.启用离群系数计算方法，计算ST中每个样本的离群系数，并输出离群系数集Γ；
S6.升序排序Γ，并让相邻的值两两相减得到差值集；检索差值集中小于设定阈值的索引位置k；从升序Γ中取得前k位样本的索引序号{y1,y2,…,yk}，然后根据索引序号依序从ST中导出异常能耗样本，记作A＝{Cy1,Cy2,…,Cyk}。


2.根据权利要求1所述的基于改进密度峰值聚类的马蹄窑能耗异常检测方法，其特征在于，把输入空间SC归一化到数据空间内，所述的数据空间为[0,1]m+15∈Rm+15，其中，R表示实数，m是预设的截断参数。


3.根据权利要求2所述的基于改进密度峰值聚类的马蹄窑能耗异常检测方法，其特征在于，所述的最大-最小值归一化的计算公式为：



式中，SC为输入空间，ST为SC的转置矩阵，为特征i的最大转置矩阵，为特征i的最小转置矩阵，STi为特征i的转置矩阵，n是样本数。


4.根据权利要求3所述的基于改进密度峰值聚类的马蹄窑能耗异常检测方法，其特征在于，所述的S3步骤具体包括：
S31.计算所有样本点之间的欧氏距离，并按照升序排序得到距离集合E＝{dc1,dc2,...,dcL}，初始化解：



式中，dc为截断距离，为最大截断距离，为最小截断距离，为预先设定的系数；
S32.执行DPC算法，并根据聚类结果计算Sil指标作为每个解的适应值，以及记录当前解为最优解。Sil指标由式(5)计算得：



式中，n为数据集中样本总数，bt为结束聚类结果，at为初始聚类结果；
S33.雇佣蜂阶段：在当前解的邻近解中进行搜寻以更新解，搜寻公式为：



式中，τ为随机系数，dck是在种群中随机选择的邻居解，且dck≠dci；当产生新解vi时，同时计算其Sil指标；由于Sil取值范围为[-1,1]，Sil取值越接近1表示聚类效果越好；为此适应度目标函数为：



S34.跟随蜂阶段：跟随蜂是根据雇佣蜂带回的适应值进行随机选择；即通过式(6)与(7)计算被选中概率，以轮盘赌方式选择新解；若新解优于被更新解dci，则让vi替换dci；其中式(7)的公式为：



S35.侦查蜂时期：再次利用式(5)随机产生新的解，并依次执行步骤S32、步骤S33、步骤S34，若迭代次数达到预设的limit次，仍然没有产生更好Sil指标的新解，输出最优解dc，算法正式结束。


5.根据权利要求4所述的基于改进密度峰值聚类的马蹄窑能耗异常检测方法，其特征在于，所述的S4步骤中初始化并运算DPC算法，直至得到ST的局部密度集P和最近邻距离集Δ具体包括以下步骤：
S41.样本点的局部密度定义为：



其中：d(xi,yi)是样本点之间的欧几里得距离度量即欧氏距离；dc是截断距离超参数，基本上ρi等于与样本点i距离小于dc内的邻居点个数；在所有样本点的距离集合中，以升序排序取得百分之t位置的距离值作为dc的值；χ(·)相当于密度估计的核函数；
S2.DPC给出了两种默认可选的核函数形态：
截断核：其中χ(x)为0-1函数，如果x小于0，那么χ(x)取值为1；否则χ(x)取值为0；表达式如下：



高斯核：为避免异形簇中不同样本点出现相...

【专利技术属性】
技术研发人员：杨海东，印四华，徐康康，朱成就，曾超湛，胡罗克，
申请(专利权)人：广东工业大学，
类型：发明
国别省市：广东;44