System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术属于工业数据分析及处理,具体涉及一种基于eemd的工业传感器缺失数据填补方法及系统。
技术介绍
1、随着传感器设备及通信技术的不断升级,工业数据的获取变得愈发容易。基于大数据分析的系统控制、故障诊断、过程监测、智能运维等成为研究的热点问题。在现实作业过程中,由于工业设备结构复杂、运行时间长、外部环境存在干扰、数据传输过程丢包、传感测量元件卡顿等因素会直接或间接地导致工业数据在采集和储存的过程中出现不同程度的缺失。然而,大数据分析对数据具有很强的依赖性,原始数据的质量直接影响了数据分析的性能。因此采用合理的方法对工业传感器数据中的缺失值进行填补、提升数据质量对于后续分析具有十分重要的意义。
2、现阶段对于缺失值的处理可以分为直接删除法和缺失值插补法,直接删除法仅适用于缺失数据量较小的情况,会造成数据损失、丢失部分有用信息。缺失值插补方法利用已知信息作为辅助,找到合适的替补值,可分为简单插补法和多重插补法。简单插补法通过计算已知值的平均数、众数、线性关系、邻近值的方法计算缺失值,多重插补法通过多次填补得到多个完整数据集,再按照一定的准则得到插补结果。简单插补法填补的数据是固定值,无法体现原始数据的不确定性,造成较大偏差;多重插补法需要获取数据中的内部联系,分析过程较为复杂。
3、对工业传感器缺失数据进行填补时,采用传统处理方法对信号整体进行分析难以兼顾不同频率信号的特点,从而导致数据中信息损失。因此,急需一种基于eemd的工业传感器缺失数据填补方法及系统,能够从完整性角度对工业传感器缺失数据进行有效
技术实现思路
1、本专利技术针对现有技术存在的不足,提出一种基于eemd的工业传感器缺失数据填补方法及系统,以提升数据质量,为后续数据分析奠定基础。
2、本专利技术涉及一种基于eemd的工业传感器缺失数据填补方法,包括如下步骤:
3、步骤1、采集设备的过程数据,进行预处理;
4、步骤2、基于eemd对连续数据进行分解;
5、步骤3、对非连续子序列的缺失值进行填补;
6、步骤4、获得填补后完整的传感器数据,实现工业传感器缺失数据填补方法。
7、进一步地,步骤1中,利用传感器采集工业设备作业时的过程数据,分析数据中缺失值的情况,记录缺失值的坐标,删除缺失数据部分,将数据合并成为一个连续数据段。
8、进一步地,步骤2中,针对步骤1合并的连续数据段,经过eemd分解得到本征模态函数分量以及残差分量,按照本征模态函数分量过零点的次数将其划分成高频分量、低频分量以及趋势分量三个部分,将各个部分中的分量进行累加,得到高频成分、低频成分、趋势成分三个成分信号以及一个残差分量信号。
9、进一步地,步骤2中,基于eemd对连续数据进行分解的方法如下:
10、步骤2-1、假设待分解信号为x(t),时间为t,总体平均次数为m,噪声系数为α,imf约束参数为n;
11、步骤2-2、对信号x(t)进行第i次分解处理时,加入具有标准正态分布的白噪声ni(t),得到第i次的待分解信号为xi(t)=x(t)+α×ni(t),其中i=1,2,3,…,m;
12、步骤2-3、对xi(t)进行emd处理,得到n个本征模态函数分量集合cij(t)以及一个残差分量ri(t),则有其中n≤n,j=1,2,3,…,n;
13、步骤2-4、重复步骤2-2、步骤2-3共m次,得到m个emd分解所得的imf分量集合以及残差项,运用eemd思想将对应的imf分量以及残差分量进行集合平均运算,公式如下:
14、
15、
16、
17、步骤2-5、经过eemd分解所得本征模态函数分量以及残差分量;对于eemd分解得到的本征模态函数,统计每个分量过零点次数qj,计算所有过零次数的平均值将其作为划分阈值;按照每个分量过零点的次数将其划分成高频分量、低频分量以及趋势分量三个部分,划分方式如下:
18、
19、对每个组合进行累加得到相应的成分,则原始信号经过eemd分解后得到高频成分、低频成分、趋势成分以及残差分量4个连续子序列。
20、进一步地,步骤3中,按照步骤1中记录的缺失值坐标向步骤2所得的高频成分、低频成分、趋势成分以及残差分量插入空值,得到4个存在缺失值的非连续子序列。
21、进一步地,步骤3中,按照信号的不同成分分别对非连续子序列的缺失值进行填补,高频成分和残差分量的填补方式如下:首先进行中位数填补,使得缺失部分数据最大程度上符合原始数据的分布情况,其次对两部分数据进行三阶样条填补,使得缺失部分数据最大程度上符合数据变化趋势,计算两次填补方法所得数据的平均值,作为高频成分和残差分量的填补数据。
22、进一步地,步骤3中,低频成分和趋势成分的填补方式如下:对低频成分和趋势成分进行三阶样条填补,得到低频成分和趋势成分的填补数据。
23、进一步地,步骤4中,将步骤3所得的完整的高频成分、低频成分、趋势成分以及残差分量进行重构,得到填补后的完整信号。
24、本专利技术还涉及一种基于eemd的工业传感器缺失数据填补方法的系统,所述系统包括用于运行基于eemd的工业传感器缺失数据填补方法的计算机模块。
25、有益效果
26、本专利技术的基于eemd的工业传感器缺失数据填补方法,能够将工业传感器数据分解为个数可约束的本征模态函数,体现不同时间尺度、不同频率的局部特征。本专利技术针对不同频率的信号成分变化趋势的特点,对不同频率成分分别进行分析和处理,实现工业传感器缺失数据的填补。
本文档来自技高网...【技术保护点】
1.一种基于EEMD的工业传感器缺失数据填补方法,其特征在于,包括如下步骤:
2.根据权利要求1所述的基于EEMD的工业传感器缺失数据填补方法,其特征在于,步骤1中,利用传感器采集工业设备作业时的过程数据,分析数据中缺失值的情况,记录缺失值的坐标,删除缺失数据部分,将数据合并成为一个连续数据段。
3.根据权利要求1所述的基于EEMD的工业传感器缺失数据填补方法,其特征在于,步骤2中,针对步骤1合并的连续数据段,经过EEMD分解得到本征模态函数分量以及残差分量,按照本征模态函数分量过零点的次数将其划分成高频分量、低频分量以及趋势分量三个部分,将各个部分中的分量进行累加,得到高频成分、低频成分、趋势成分三个成分信号以及一个残差分量信号。
4.根据权利要求1所述的基于EEMD的工业传感器缺失数据填补方法,其特征在于,步骤2中,基于EEMD对连续数据进行分解的方法如下:
5.根据权利要求1所述的基于EEMD的工业传感器缺失数据填补方法,其特征在于,步骤3中,按照步骤1中记录的缺失值坐标向步骤2所得的高频成分、低频成分、趋势成分以及残差分量插
6.根据权利要求5所述的基于EEMD的工业传感器缺失数据填补方法,其特征在于,步骤3中,按照信号的不同成分分别对非连续子序列的缺失值进行填补,高频成分和残差分量的填补方式如下:首先进行中位数填补,使得缺失部分数据最大程度上符合原始数据的分布情况,其次对两部分数据进行三阶样条填补,使得缺失部分数据最大程度上符合数据变化趋势,计算两次填补方法所得数据的平均值,作为高频成分和残差分量的填补数据。
7.根据权利要求5所述的基于EEMD的工业传感器缺失数据填补方法,其特征在于,步骤3中,低频成分和趋势成分的填补方式如下:对低频成分和趋势成分进行三阶样条填补,得到低频成分和趋势成分的填补数据。
8.根据权利要求1所述的基于EEMD的工业传感器缺失数据填补方法,其特征在于,步骤4中,将步骤3所得的完整的高频成分、低频成分、趋势成分以及残差分量进行重构,得到填补后的完整信号。
9.一种用于实施权利要求1至8任一项所述的基于EEMD的工业传感器缺失数据填补方法的系统,其特征在于,所述系统包括用于运行基于EEMD的工业传感器缺失数据填补方法的计算机模块。
...【技术特征摘要】
1.一种基于eemd的工业传感器缺失数据填补方法,其特征在于,包括如下步骤:
2.根据权利要求1所述的基于eemd的工业传感器缺失数据填补方法,其特征在于,步骤1中,利用传感器采集工业设备作业时的过程数据,分析数据中缺失值的情况,记录缺失值的坐标,删除缺失数据部分,将数据合并成为一个连续数据段。
3.根据权利要求1所述的基于eemd的工业传感器缺失数据填补方法,其特征在于,步骤2中,针对步骤1合并的连续数据段,经过eemd分解得到本征模态函数分量以及残差分量,按照本征模态函数分量过零点的次数将其划分成高频分量、低频分量以及趋势分量三个部分,将各个部分中的分量进行累加,得到高频成分、低频成分、趋势成分三个成分信号以及一个残差分量信号。
4.根据权利要求1所述的基于eemd的工业传感器缺失数据填补方法,其特征在于,步骤2中,基于eemd对连续数据进行分解的方法如下:
5.根据权利要求1所述的基于eemd的工业传感器缺失数据填补方法,其特征在于,步骤3中,按照步骤1中记录的缺失值坐标向步骤2所得的高频成分、低频成分、趋势成分以及残差分量插入空值,得到4个存在缺失...
【专利技术属性】
技术研发人员:霍鑫,孟姣,高赫蔚,何长春,
申请(专利权)人:哈尔滨工业大学,
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。