【技术实现步骤摘要】
本专利技术涉及数据处理，具体涉及基于大数据的工业生产线故障在线诊断方法及系统。
技术介绍
1、在工业生产线故障在线诊断过程中，往往需要对采集到的振动数据做出异常检测。常用的一种异常检测算法为孤立森林算法，该算法通过构建随机划分树来识别数据中的异常点。但该算法在随机构建多棵孤立树的过程中，由于随机抽样的随机性，可能会导致每棵树中的数据异常表现不明显甚至不表现为异常，进而会影响该算法进行异常检测的效率，降低工业生产线故障在线诊断方法及系统的效率。
2、在对工业生产线上的振动数据进行随机抽样以进行孤立树的构建过程中，由于随机抽样的不确定性，可能导致某一个随机抽样得到的子样本集中异常数据所占比例太高或者异常数据的值和正常点的差值太接近，这会导致在孤立树的建立过程中异常数据的得分值出现异常，进而导致最终异常得分值出现偏差，影响异常检测结果。
3、针对上述问题，本专利技术提出了一种基于大数据的工业生产线故障在线诊断方法及系统。通过分析抽样结果中各个子样本集中的数据分布情况以及多个子样本集中重复数据的表现程度，实现自适应调整子样本集数量，得到准确的异常得分值。
技术实现思路
1、为了解决上述技术问题，本专利技术的目的在于提供基于大数据的工业生产线故障在线诊断方法及系统，所采用的技术方案具体如下：
2、第一方面，本专利技术实施例提供了基于大数据的工业生产线故障在线诊断方法，该方法包括以下步骤：
3、获取工业生产线数据，包括：振动数据、温度数据以及电流
4、根据各振动数据点的局部范围数据波动程度获取各振动数据点的特征值；根据各振动数据点局部范围对应的温度数据以及电流数据的波动获取各振动数据点的修正特征值；采用随机采样的方法抽取子样本集；根据各子样本集中振动数据点的修正特征值分布获取各子样本集中的两个数据类；根据各子样本集中两个数据类之间的差异性获取各子样本集的优选程度；根据各子样本集的优选程度获取调整系数；根据所有子样本集中修正特征值的分布获取最终调整系数；根据最终调整系数获取子样本集的调整数量；结合子样本集的调整数量采用孤立森林算法获取各振动数据点的异常得分值；根据各振动数据点的异常得分值完成工业生产线故障的在线诊断。
5、优选的，所述根据各振动数据点的局部范围数据波动程度获取各振动数据点的特征值，包括：
6、获取各振动数据点局部范围内的数据点个数以及极值点个数；计算所述极值点个数与所述数据点个数的比值；
7、获取各振动数据点局部范围内与后一振动数据点的差值绝对值，保存为各振动数据点的一阶差；获取局部范围内所有振动数据点的一阶差与后一振动数据点的一阶差的差值绝对值的均值；
8、将所述比值与所述均值的乘积作为各振动数据点的特征值。
9、优选的，所述根据各振动数据点局部范围对应的温度数据以及电流数据的波动获取各振动数据点的修正特征值，具体为：
10、分别各振动数据点局部范围对应时间范围内的电流数据方差以及温度数据的方差；将所述电流数据方差与温度数据方差的和值相反数作为以自然常数为底数的指数函数的指数；将所述指数函数与各振动数据点的特征值的乘积作为各振动数据点的修正特征值。
11、优选的，所述根据各子样本集中振动数据点的修正特征值分布获取各子样本集中的两个数据类，包括：
12、采用k-means聚类算法结合子样本集中数据点的最大修正特征值以及最小修正特征值将子样本集中振动数据点聚为两类，获取两个数据类。
13、优选的，所述根据各子样本集中两个数据类之间的差异性获取各子样本集的优选程度，表达式为：
14、
15、式中，表示第i个子样本集的优选程度，、分别表示第i个子样本集中聚类结果中修正特征值较大类、修正特征值较小类的修正特征值平均值，、分别表示第i个子样本集中修正特征值较大类、修正特征值较小类的数据点个数，、分别表示第i个子样本集中修正特征值较大类、修正特征值较小类的数据点的排列组合个数，表示第i个子样本集中第j个排列组合中两个修正特征值的差值。
16、优选的，所述根据各子样本集的优选程度获取调整系数，具体包括：
17、获取所有子样本集的优选程度的均值；将所述均值的相反数作为以自然常数为底数的指数函数的指数；将所述指数函数的计算结果作为调整系数。
18、优选的，所述根据所有子样本集中修正特征值的分布获取最终调整系数，具体包括：
19、以修正特征值作为横坐标，以各修正特征值对应的数据点在所有子样本集中出现的次数为纵坐标建立直角坐标系；采用最小二乘法对所述直角坐标系的数据点进行曲线拟合；统计一阶导数小于0的数据点个数；将所述数据点个数的相反数作为以自然常数为底数的指数函数的指数；将所述指数函数与调整系数的乘积作为最终调整系数。
20、优选的，所述根据最终调整系数获取子样本集的调整数量，具体步骤包括：
21、计算1与最终调整系数的和值；将所述和值与子样本集个数的乘积向上取整作为子样本集的调整数量。
22、优选的，所述根据各振动数据点的异常得分完成工业生产线故障的在线诊断，包括：
23、设置异常阈值；将异常得分大于异常阈值的振动数据点标记为异常数据。
24、第二方面，本专利技术实施例还提供了基于大数据的工业生产线故障在线诊断系统，包括存储器、处理器以及存储在所述存储器中并在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述任意一项所述方法的步骤。
25、本专利技术至少具有如下有益效果：
26、本专利技术主要通过分析随机抽样结果中的数据表现，从而自适应调整样本集的数量，能够有效避免由于随机抽样导致的子数据集的不确定性和不稳定性，相较于传统孤立森林算法中固定子样本集数量的方式，能够有效解决子样本集中异常数据所占比例太高或者异常数据的值和正常点的差值太接近的问题，提高算法进行异常检测的准确性。同时利用多维数据之间的关系，对振动数据进行修正，更加提高了异常检测的准确性，提高了工业生产线故障在线诊断的效率。
本文档来自技高网...【技术保护点】
1.基于大数据的工业生产线故障在线诊断方法，其特征在于，该方法包括以下步骤：
2.如权利要求1所述的基于大数据的工业生产线故障在线诊断方法，其特征在于，所述根据各振动数据点的局部范围数据波动程度获取各振动数据点的特征值，包括：
3.如权利要求1所述的基于大数据的工业生产线故障在线诊断方法，其特征在于，所述根据各振动数据点局部范围对应的温度数据以及电流数据的波动获取各振动数据点的修正特征值，具体为：
4.如权利要求1所述的基于大数据的工业生产线故障在线诊断方法，其特征在于，所述根据各子样本集中振动数据点的修正特征值分布获取各子样本集中的两个数据类，包括：
5.如权利要求1所述的基于大数据的工业生产线故障在线诊断方法，其特征在于，所述根据各子样本集中两个数据类之间的差异性获取各子样本集的优选程度，表达式为：
6.如权利要求1所述的基于大数据的工业生产线故障在线诊断方法，其特征在于，所述根据各子样本集的优选程度获取调整系数，具体包括：
7.如权利要求1所述的基于大数据的工业生产线故障在线诊断方法，其特征在于，所述根
8.如权利要求1所述的基于大数据的工业生产线故障在线诊断方法，其特征在于，所述根据最终调整系数获取子样本集的调整数量，具体步骤包括：
9.如权利要求1所述的基于大数据的工业生产线故障在线诊断方法，其特征在于，所述根据各振动数据点的异常得分完成工业生产线故障的在线诊断，包括：
10.基于大数据的工业生产线故障在线诊断系统，包括存储器、处理器以及存储在所述存储器中并在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1-9任意一项所述方法的步骤。
...【技术特征摘要】
1.基于大数据的工业生产线故障在线诊断方法，其特征在于，该方法包括以下步骤：
2.如权利要求1所述的基于大数据的工业生产线故障在线诊断方法，其特征在于，所述根据各振动数据点的局部范围数据波动程度获取各振动数据点的特征值，包括：
3.如权利要求1所述的基于大数据的工业生产线故障在线诊断方法，其特征在于，所述根据各振动数据点局部范围对应的温度数据以及电流数据的波动获取各振动数据点的修正特征值，具体为：
4.如权利要求1所述的基于大数据的工业生产线故障在线诊断方法，其特征在于，所述根据各子样本集中振动数据点的修正特征值分布获取各子样本集中的两个数据类，包括：
5.如权利要求1所述的基于大数据的工业生产线故障在线诊断方法，其特征在于，所述根据各子样本集中两个数据类之间的差异性获取各子样本集的优选程度，表达式为：
6.如权利要求...
【专利技术属性】
技术研发人员：王沙，贺维，张旭，张小辉，
申请(专利权)人：湖南易比特大数据有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。