一种基于模糊颗粒聚类的工业传感器异常识别方法及系统
本发明属于数据挖掘,具体涉及一种基于模糊颗粒聚类的工业传感器异常识别方法及系统。
背景技术:
1、随着工业物联网技术的快速发展,工业监控系统中部署的大量传感器每天产生海量的时间序列数据。对这些时序数据进行高效、准确的聚类分析,有助于系统自主挖掘设备隐含的运行模式与潜在的故障类型。相比于隐马尔可夫模型或自回归模型等非形状导向方法,基于趋势与形状导向的时序聚类系统能够直观反映设备状态的物理几何演变,具有更强的可解释性与工程实用价值。
2、为了处理长度不一且含有机械噪声的工业时序数据,现有的监控系统通常引入粒度化技术对工业时间序列进行降维与特征提取,随后结合动态时间规整算法与相关聚类模型完成分析。然而,在面对复杂的真实工业信号时,现有系统在数据表示、度量框架以及聚类演化机制上仍存在局限性,主要表现在以下三个方面:
3、1)度量机制对设备工况变化引起的基线漂移敏感。在实际工业生产中,设备经常面临负载突变或运行工况的切换,导致同一种机械故障在不同工况下采集到的时序波形在基线上发生整体平移。现有的常规距离度量方式对基线漂移敏感,导致几何演变相似但处于不同运行基线的同类故障数据被系统误判。
4、2)系统抗噪与抗干扰性能不足。实际工业生产环境复杂多变,时序数据中夹杂大量离群噪点。经典的模糊算法受限于隶属度概率和为1的数学约束,遇到这些物理噪点时会强制将其分配给现有的聚类簇,干扰聚类原型更新过程。
5、3)原型拓扑结构僵化易丢失关键特征。传统的聚类系统通常要求聚类原型与样本在颗粒数量上保持一致,缺乏合理的拓扑重构机制。这导致模型在多次迭代后的聚类原型丢失了重要的工业物理诊断特征。
技术实现思路
1、本发明是为了解决上述现有技术存在的不足之处,提出一种基于模糊颗粒聚类的工业传感器异常识别方法及系统,以期能够适应长短不一的工业时序数据,有效屏蔽离群噪声与基线偏移的干扰,并在聚类原型重构过程中自适应调整拓扑结构且完整保留关键物理特征,从而能显著提高复杂环境下工业时序数据聚类分析的准确性与鲁棒性。
2、为了实现上述发明目的,本发明采用如下技术方案:
3、本发明一种基于模糊颗粒聚类的工业传感器异常识别方法的特点在于,包括如下步骤:
4、步骤1:采集工业传感器的时间序列样本集并进行特征提取与时序颗粒化处理,从而构建颗粒时间序列集;
5、步骤2:计算任意两个颗粒时间序列中任意两个颗粒之间的颗粒距离;
6、步骤3:根据任意两个颗粒之间的颗粒距离,利用动态规划算法求解第 个颗粒时间序列 与第j个颗粒时间序列之间的最短动态时间规整距离 以及反向回溯过程中的样本颗粒映射集合;
7、步骤4:对n个颗粒时间序列执行密度引导的聚类原型选择,从而得到初始的聚类原型集合中第个聚类原型对应的颗粒时间序列;
8、步骤5:设聚类全局的当前迭代计数器,定义并初始化第迭代下的第个聚类原型=,第迭代下与之间相对隶属度、绝对典型度、的容忍带宽,第迭代下与之间的动态时间规整距离及对应的样本颗粒映射集合,最大迭代次数,合并阈值;
9、步骤6:建立第迭代下的目标函数 ;
10、(7)
11、式(7)中, 与 为调节相对隶属度与绝对典型度影响占比的权重系数;
12、步骤7:利用式(8)计算满足概率和为1约束的第迭代下的相对隶属度,并利用式(9)与式(10)计算第迭代下的容忍带宽 与绝对典型度:
13、(8)
14、(9)
15、(10)
16、式(9)中, 为常数调节系数;
17、步骤8:利用式(11)生成第迭代下与之间的综合权重矩阵 :
18、(11)
19、步骤9:基于 更新,得到第迭代下的聚类原型;
20、步骤10:计算第迭代下的相对隶属度变化量;若 小于设定的收敛容差阈值或 达到设定的最大迭代次数,则表示得到最终聚类原型集合,并执行执行步骤11;否则,将赋值给 后,返回执行步骤7;
21、步骤11:根据最终聚类原型集合为传感器时序样本赋予对应的设备健康或故障诊断标签,从而完成工业设备的异常状态识别。
22、本发明所述的一种基于模糊颗粒聚类的工业传感器异常识别方法的特点也在于,所述步骤1包括如下步骤:
23、步骤1.1:采集工业传感器的时间序列样本集 ,其中, 表示工业传感器的第 个时间序列样本, 为时间序列样本的总数;
24、步骤1.2:运用基于 范数惩罚的凸优化趋势滤波算法对 进行截断处理,得到第 个局部序列片段集合;
25、步骤1.3:根据中每个局部序列片段的拟合斜率和残差标准差,以及相邻局部序列片段合并后的拟合斜率以及残差标准差,计算中每个局部序列片段的线性度指标以及相邻局部序列片段合并后的线性度指标,从而以最小化各个线性度指标为目标,利用贪心算法对中局部序列片段进行合并,得到第 个合并后的局部序列片段集合,其中,代表中的第个局部序列片段,n为合并后的局部序列片段的总数;
26、利用式(1)构建相邻局部序列片段合并后的线性度指标 :
27、(1)
28、式(1)中, 为相邻线段合并后的拟合斜率, 为合并后的残差标准差;
29、步骤1.4:对中每个局部序列片段执行相对时间的坐标系转换,从而将每个局部序列片段的时间起点平移至 后,在局部坐标系下提取平移后每个局部序列片段的四个特征,并得到第 个颗粒时间序列;其中,表示的颗粒,表示的拟合斜率,表示的截距,表示的残差标准差,表示的时间跨度。
30、进一步的,所述步骤2包括如下步骤:
31、利用式(2)得到第 个颗粒时间序列中第个颗粒 与第 个颗粒时间序列中第个颗粒 之间的颗粒距离;
32、(2)
33、式(2)中,为 与第 个颗粒时间序列中第个颗粒 之间的形态距离,并由式(3)得到;为与 之间截距差异的自适应权重;为与 之间长度差异的自适应权重,并由式(4)得到:
34、(3)
35、(4)
36、式(3)中,表示时间跨度中间量,且,表示第 个颗粒时间序列中第个局部序列片段的拟合斜率,表示的截距,表示的残差标准差,表示的时间跨度。
37、进一步的,所述步骤4包括如下步骤:
38、步骤4.1:通过式(5)计算 的局部密度 :
39、(5)
40、式(5)中, 为控制密度影响范围的核函数带宽参数;
41、步骤4.2:初始化聚类原型的数量为 ;定义当前聚类原型的序号为,并初始化;
42、选取使得局部密度达到全局最大的颗粒时间序列作为第个聚类原型,记为 ;
43、步骤4.3:令,利用式(6)构建剩余的第i个颗粒时间序列 被选中的概率分布 :
44、(6)
45、式(6)中, 为已选出的前 个聚类原型构成的集合;为选出前 个聚类原型后尚未被选为聚类原型的候选样本集合; 为剩余的第i个颗粒时间序列 到 的最短规整距离;分母为所有剩余候选颗粒时间序列对应权重之和,从而使所有候选样本的选择概率之和为1;为 的局部密度;为剩余的第j个颗粒时间序列 到 的最短规整距离;
46、步骤4.4:依据 所在区间,利用轮盘赌抽样策略从剩余的颗粒时间序列中选取第 个聚类原型 ;
47、步骤4.5:按照步骤4.3-步骤4.4的过程循环执行,直至选满 个聚类原型为止,从而得到初始的聚类原型集合,其中,表示第个聚类原型,令第个聚类原型对应的颗粒时间序列记为,其中,为中的局部序列片段的总数,表示中的第个颗粒,表示中的第个颗粒的拟合斜率,表示中的第个颗粒的截距,表示中的第个颗粒的残差标准差,表示中的第个颗粒的时间跨度。
48、进一步的,所述步骤9包括如下步骤:
49、步骤9.1:在 中统计映射至 中第 个颗粒 的样本颗粒数量;利用式(12)计算 的加权匹配拥挤度:
50、(12)
51、式(12)中, 为防止分母为零的常数容差;
52、若大于阈值,则对 进行分裂解耦,否则,保持不变,从而得到第迭代下解耦后的第个聚类原型;
53、根据,对进行重新划分,得到第迭代下更新后的样本颗粒映射集合;
54、步骤 9.2:利用式(13)与式(14)计算中第个颗粒的形态属性参数与时间跨度:
55、(13)
56、(14)
57、式(13)与式(14)中,表示的拟合斜率,表示的截距,表示的残差标准差,表示的时间跨度,表征 映射到中的颗粒数量;
58、步骤9.3:利用式(15)计算内与第个颗粒之间的合并代价:
59、 (15)
60、式(15)中,为惩罚常系数;
61、当小于设定合并阈值时,利用式(16)与式(17)计算与合并后的颗粒的形态属性参数与时间跨度,从而由所有合并后的颗粒组成第迭代下的聚类原型,并根据,对进行重新划分,得到第迭代下更新后的样本颗粒映射集合;
62、(16)
63、(17)
64、式(16)与式(17)中,的拟合斜率、的截距、的残差标准差、的时间跨度。
65、本发明一种基于模糊颗粒聚类的工业传感器异常识别系统的特点在于,用于执行上述方法,并包括:
66、数据获取与颗粒化模块,用于采集工业传感器的时间序列样本并进行特征提取与时序颗粒化处理,构建颗粒时间序列集;
67、颗粒距离计算单元,用于计算包含形态距离以及针对截距和长度差异的自适应权重的颗粒距离;
68、时间规整对齐单元,用于根据任意两个颗粒之间的颗粒距离,通过动态规划算法构建累积代价矩阵,求解序列间的最短动态时间规整距离以及反向回溯过程中的样本颗粒映射集合;
69、中心初始化单元,用于计算颗粒的局部密度,并结合最短规整距离构建联合概率分布,并通过抽样策略确立初始聚类原型集合;
70、权重更新单元,用于在每次迭代中计算相对隶属度、容忍带宽与绝对典型度,并将相对隶属度矩阵与绝对典型度融合生成综合权重矩阵;
71、拓扑重构与更新单元,用于计算拥挤度以判定是否进行空间分裂解耦,并基于综合权重矩阵重构聚类原型的形态属性参数与时间跨度,从而对符合条件的相邻颗粒执行合并操作;
72、结果输出模块,用于对相对隶属度变化量进行全局收敛判定,若满足收敛条件则终止迭代,并输出最终稳定的聚类原型集合及其对应的聚类标签。
73、与已有技术相比,本发明的有益效果体现在:
74、1、自适应免疫基线漂移,显著提升系统匹配精度。 本发明通过相对时间坐标系转换消除了全局截距在计算中产生的数值异常问题,并构建了带有权重的颗粒距离度量机制。该机制能够根据颗粒截距和长度的差异动态调节权重,使系统在面对因工况切换引起的复杂基线漂移时,仍能精准匹配具有相似故障形态的信号。
75、2、构建pfcm演化机制,增强系统抗噪鲁棒性。 本发明摒弃了传统的随机初始化与严格隶属度划分。通过局部密度引导,确保初始聚类中心必定位于数据密集的正常运行区域;并在迭代演化过程中引入绝对典型度,提高系统对噪点数据的拒识能力,有效防止了聚类中心发生物理偏移。
76、3、实现合理的物理拓扑重构,严格保护关键工业特征。 本发明的系统具备聚类原型拓扑动态更新的能力,通过聚类原型颗粒的分裂与合并过程,保障模型在多次迭代后的聚类原型保存重要的工业物理诊断特征。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com