基于多传感器的矿用水泵智能监测系统技术方案

本申请涉及数据处理领域，提供一种基于多传感器的矿用水泵智能监测系统，包括：数据获取模块，用于获取水泵各个维度的参数，得到每一维度对应的数据序列；概率分析模块，用于计算每一数据序列中各数据点对应的异常影响因子和各数据点对应的运行稳定度，并基于各数据点对应的异常影响因子和各数据点对应的运行稳定度计算各数据点的聚类概率；数据聚类模块，基于各数据点的聚类概率确定聚类中心点，利用迭代自组织聚类算法基于所述聚类中心点对所有数据序列进行聚类，得到多个聚类簇；异常分析模块，基于所述聚类簇确定所述矿用水泵是否异常

【技术实现步骤摘要】
基于多传感器的矿用水泵智能监测系统


[0001]本申请涉及数据处理领域，特别是涉及一种基于多传感器的矿用水泵智能监测系统
。

技术介绍

[0002]矿用水泵是专门用于矿山行业的水泵，主要应用于矿井排水
、
输送含有煤尘
、
泥浆等杂质的水以及供水等方面
。
其特点是流量大
、
扬程高
、
耐磨损
、
结构坚固，能够适应矿山环境
。
由于矿用水泵长期在粉尘和杂物较多的环境中进行工作，会出现因轴承的润滑不良
、
过载
、
材料疲劳
、
靠垫片堵塞等问题，这些问题会导致轴承逐渐损坏直至失效
。
因此需要对矿用水泵进行实时的监测，来帮助工作人员掌握轴承的运行状况，并及时发现轴承的故障，进行修复或更换，以延长设备的使用寿命
。
[0003]迭代自组织聚类（
ISODATA
）算法因具有较好的自适应性
、
鲁棒性和高效性的优点，适用于高维数据的异常数据检测，但是该算法中的初始聚类中心是随机选取的，而随机选择可能会导致初始聚类中心的选取质量较差，造成对高维数据进行数据异常值检测时的检测效果较差
。

技术实现思路

[0004]本专利技术提供一种基于多传感器的矿用水泵智能监测系统，该系统基于数据的聚类概率选取聚类中心点，提高了
ISODATA
算法检测异常数据的准确性
。
[0005]第一方面，本申请提供一种基于多传感器的矿用水泵智能监测系统，包括：数据获取模块，用于获取矿用水泵轴承各个维度的参数，得到每一维度对应的数据序列；概率分析模块，用于计算每一数据序列中各数据点对应的异常影响因子和各数据点对应的运行稳定度，并基于各数据点对应的异常影响因子和各数据点对应的运行稳定度计算各数据点的聚类概率；数据聚类模块，用于基于各数据点的聚类概率确定聚类中心点，利用迭代自组织聚类算法基于所述聚类中心点对所有数据序列进行聚类，得到多个聚类簇；异常分析模块，用于基于所述聚类簇确定所述矿用水泵是否异常
。
[0006]在一可选实施例中，所述概率分析模块包括：第一计算模块，用于从数据序列中选取部分数据点，以选取的部分数据点为依据，计算数据序列中各数据点对应的异常影响因子；第二计算模块，用于将数据序列划分为多个数据段，每一数据段表示一个短时运行区间，基于每一数据段中数据点确定每一数据段对应的运行稳定度，其中，每一数据段对应的运行稳定度为所述数据段内数据点对应的运行稳定度；第三计算模块，用于基于各数据点对应的异常影响因子和各数据点对应的运行稳定度计算各数据点的聚类概率
。
[0007]在一可选实施例中，所述第一计算模块包括：波动程度计算模块，用于选取当前数据点
、
数据序列中位于当前数据点之前的第一预设数量的数据点和位于当前数据点之后的第二预设数量的数据点作为局部时间片段，基于所述局部时间片段中各数据点确定当前数据点的局部波动程度，从而确定数据序列中各数据点的局部波动程度；稳定系数计算模块，用于从数据序列中选取当前数据点的参考数据点，并基于所述参考数据点确定当前数据点的局部稳定系数，从而确定数据序列中各数据点的局部稳定系数；其中，所述参考数据点为数据序列中与当前数据点距离最小的第三预设数量的数据点；异常影响因子计算模块，用于基于数据序列中各数据点的局部波动程度和数据序列中各数据点的局部稳定系数确定数据序列中各数据点对应的异常影响因子
。
[0008]在一可选实施例中，波动程度计算模块还用于：计算所述局部时间片段中数据点的最大值和最小值的差值，得到所述局部时间片段中数据点的极差；计算所述局部时间片段中每一数据点与当前数据点之间的差值之和，与第一预设数量和第二预设数量之和的比值，从而得到所述局部时间片段中其余数据点与当前数据点的离散程度；基于所述局部时间片段中数据点的极差，和所述局部时间片段中其余数据点与当前数据点的离散程度的乘积确定当前数据点的局部波动程度
。
[0009]在一可选实施例中，稳定系数计算模块还用于：基于当前数据点与参考数据点之间的信息熵
、
当前数据点与参考数据点之间的距离均值
、
当前数据点与每一参考数据点之间的距离以及第三预设数量确定当前数据点的局部稳定系数
。
[0010]在一可选实施例中，所述第二计算模块还用于：基于当前数据段中后第四预设数量的数据点的均值
、
位于当前数据段后的数据段中前第五预设数量的数据点的均值的差值的绝对值确定第一稳定度影响因子；基于当前数据段的信息熵和除当前数据段之外的其余数据段的信息熵之间的差值之和，和其余数据段的数量的比值确定第二稳定度影响因子；基于所述第一稳定度影响因子和所述第二稳定度影响因子计算当前数据段对应的运行稳定度，从而确定每一数据段对应的运行稳定度
。
[0011]在一可选实施例中，所述第三计算模块用于计算各数据点对应的异常影响因子和各数据点对应的运行稳定度之间的乘积，并对计算得到的乘积进行归一化，从而得到各数据点的聚类概率
。
[0012]在一可选实施例中，所述数据聚类模块依据各数据点的聚类概率从大到小依次确定第六预设数量的数据点作为所述聚类中心点
。
[0013]在一可选实施例中，所述异常分析模块用于：计算当前聚类簇与其余聚类簇之间的类间方差，得到当前聚类簇的类间差异值，以及计算当前聚类簇与其余聚类簇之间的类间方差的均值，得到类间差异值均值；基于当前聚类簇的类间差异值和类间差异值均值计算当前聚类簇的异常检测因
子；如果当前聚类簇的异常检测因子大于阈值，则确定当前聚类簇为异常聚类簇，矿用水泵异常
。
[0014]本申请的有益效果，区别于现有技术，本申请的基于多传感器的矿用水泵智能监测系统，包括：数据获取模块，用于获取水泵各个维度的参数，得到每一维度对应的数据序列；概率分析模块，用于计算每一数据序列中各数据点对应的异常影响因子和各数据点对应的运行稳定度，并基于各数据点对应的异常影响因子和各数据点对应的运行稳定度计算各数据点的聚类概率；数据聚类模块，基于各数据点的聚类概率确定聚类中心点，利用迭代自组织聚类算法基于所述聚类中心点对所有数据序列进行聚类，得到多个聚类簇；异常分析模块，基于所述聚类簇确定所述矿用水泵是否异常
。
该系统基于数据的聚类概率选取聚类中心点，提高了
ISODATA
算法检测异常数据的准确性
。
附图说明
[0015]图1为本专利技术基于多传感器的矿用水泵智能监测系统的一实施例的结构示意图；图2为图1中概率分析模块的一实施例的结构示意图；图3为图2中第一计算模块的一实施例的结构示意图
。
具体实施方式
[0016]下面将结合本申请实施例中的附图，对本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于多传感器的矿用水泵智能监测系统，其特征在于，包括：数据获取模块，用于获取矿用水泵轴承各个维度的参数，得到每一维度对应的数据序列；概率分析模块，用于计算每一数据序列中各数据点对应的异常影响因子和各数据点对应的运行稳定度，并基于各数据点对应的异常影响因子和各数据点对应的运行稳定度计算各数据点的聚类概率；数据聚类模块，用于基于各数据点的聚类概率确定聚类中心点，利用迭代自组织聚类算法基于所述聚类中心点对所有数据序列进行聚类，得到多个聚类簇；异常分析模块，用于基于所述聚类簇确定所述矿用水泵是否异常
。2.
根据权利要求1所述的基于多传感器的矿用水泵智能监测系统，其特征在于，所述概率分析模块包括：第一计算模块，用于从数据序列中选取部分数据点，以选取的部分数据点为依据，计算数据序列中各数据点对应的异常影响因子；第二计算模块，用于将数据序列划分为多个数据段，每一数据段表示一个短时运行区间，基于每一数据段中数据点确定每一数据段对应的运行稳定度，其中，每一数据段对应的运行稳定度为所述数据段内数据点对应的运行稳定度；第三计算模块，用于基于各数据点对应的异常影响因子和各数据点对应的运行稳定度计算各数据点的聚类概率
。3.
根据权利要求2所述的基于多传感器的矿用水泵智能监测系统，其特征在于，所述第一计算模块包括：波动程度计算模块，用于选取当前数据点
、
数据序列中位于当前数据点之前的第一预设数量的数据点和位于当前数据点之后的第二预设数量的数据点作为局部时间片段，基于所述局部时间片段中各数据点确定当前数据点的局部波动程度，从而确定数据序列中各数据点的局部波动程度；稳定系数计算模块，用于从数据序列中选取当前数据点的参考数据点，并基于所述参考数据点确定当前数据点的局部稳定系数，从而确定数据序列中各数据点的局部稳定系数；其中，所述参考数据点为数据序列中与当前数据点距离最小的第三预设数量的数据点；异常影响因子计算模块，用于基于数据序列中各数据点的局部波动程度和数据序列中各数据点的局部稳定系数确定数据序列中各数据点对应的异常影响因子
。4.
根据权利要求3所述的基于多传感器的矿用水泵智能监测系统，其特征在于，波动程度计算模块还用于：计算所述局部时间片段中数据点的最大值和最小值的差值，得到所述局部时间片段中数据点的极差；计算所述局...

【专利技术属性】
技术研发人员：朱栋明，
申请(专利权)人：南通银河水泵有限公司，
类型：发明
国别省市：