一种面向工业母线的运行状态异常监控方法

1.本发明涉及一种面向工业母线的运行状态异常监控方法，属于计算机集成制造技术和自动化技术领域。


背景技术：

2.在工业4.0背景下，企业正通过物联网采集装备实时运行状态的数据，汇集到数据管理中心，向企业管理人员展示当前装备运行的状态，然而仅凭该种方式还不足以为企业管理人员提供科学有效的决策支持。在工业母线运行状态监控问题中，工业母线用以传输、汇集和分配电能，在母线运行中，有巨大的电能通过，当出现短路和松接等故障时，母线承受着很大的发热和电动力效应，严重时将造成火灾、大面积停电事故，并破坏系统稳定运行。在工业企业中，多用传感器实时感知母线温度，用以监控母线的在用工况，当温度出现异常变化时，监控器将发出信号报警，以方便工作人员及时处理母线故障。当前，工业母线的异常监控方式为，通过在母线与母线或者母线与插接箱的连接处(间隔4-6米)设置一个温度传感器，每隔 2-5分钟采集该连接处的温度数据，上传到数据管理中心，绘制温度随时间变化的温度曲线，通过实时判断温度是否超过设定阈值，以判定这些连接处在用工况是否正常。然而，使用该种方式监控母线运行状态，具有滞后性，其主要表现为：当传感器采集的实时温度高于设定的阈值时，母线与母线或者母线与插接箱的连接处已经出现颜色发黑甚至烧蚀现象，这给企业的用电安全带来严重隐患，也会对企业装备用电的稳定性带来不利影响。


技术实现要素：

3.本发明提供一种面向工业母线运行状态的异常监控方法，通过分析工业母线温度及其影响因素(环境温度和作业载荷)的数据特征，构建工业母线温度及其影响因素之间的变系数模型，通过挖掘工业母线温度及其影响因素的历史数据，获得上述变系数模型的参数具体数值以及相应的置信区间，通过采集当前工业母线温度以及影响因素的实时数据，实时获得变系数监控模型的当前参数，实时判断当前参数是否超出给定的置信区间，若超出给定的置信区间，则判断工业母线运行状态出现异常，从而发出报警信号，从而为工业母线温度实时监控提供决策支持。技术方案如下：
4.一种面向工业母线的运行状态异常监控方法，包括如下步骤：
5.(1)获取并存储工业母线运行过程历史数据，包括工业母线按小时采样的温度历史数据、每日日均环境温度历史数据、每日产量历史数据；
6.(2)历史数据对齐，形成历史数据表；
7.(3)历史数据清洗；
8.(4)使用变系数模型的方法构建工业母线运行状态异常监控模型为：
9.yi(tj)＝β0(tj) z
1i
β1(tj) z
2i
β2(tj) εi(tj)
10.其中，i＝1,
…
,n，j＝0,
…
,23，yi(tj)为第i天第tj时刻的工业母线温度，β0(tj)为
截距项，z
1i
和z
2i
分别为日均环境温度和日产量，β1(tj)、β2(tj)分别为日均环境温度和日产量对工业母线温度的影响程度，εi(tj) 为第i天第tj时刻的工业母线温度的误差项，εi(tj)～n(0,∑)。
11.(3)工业母线运行状态异常监控模型的参数估计
12.1)使用样条基展开的形式将模型转换为：
[0013][0014]
从而：
[0015][0016][0017]
由此，模型转换为：
[0018][0019]
令：
[0020][0021][0022]
则模型的简洁形式为：
[0023]
cθ＝zbθ
t
e
[0024]
其中，(cθ)
ij
表示矩阵cθ中第i行第j列的元素，与yi(tj)相对应，(zbθ
t
)
ij
表示矩阵zbθ
t
中第i行第j列的元素，与β0(tj) z
1i
β1(tj) z
2i
β2(tj)相对应，(e)
ij
示矩阵e中第i行第j列的元素，与εi(tj)相对应；
[0025]
2)使用既定的带惩罚的普通最小二乘p-ols算法对模型参数b和∑进行估计,得到b的估计值和yi(tj)的估计值并得到∑的估计值
[0026]
(4)工业母线运行状态基于残差的监控统计量计算：其中，
[0027]
(5)工业母线运行状态基于残差的控制图控制限仿真：给定arl0，使用既定的蒙特卡洛仿真方法，得到控制图控制限ucl；
[0028]
(6)工业母线运行状态异常监控：实时采集当前时刻的工业母线温度数据、当日的日均环境温度数据和当日产量数据，计算当日的若则发出报警信号。
附图说明
[0029]
图1本发明的流程图。
具体实施方式
[0030]
下面结合说明书附图和具体实施方式对本发明进一步解释和说明。如附图1，一种面向工业母线的运行状态异常监控方法，包括如下步骤：
[0031]
(1)历史数据收集：获取并存储工业母线运行过程历史数据，包括工业母线按小时采样的温度历史数据、每日日均环境温度历史数据、每日产量历史数据；
[0032]
(2)历史数据对齐：将工业母线温度历史数据、每日日均环境温度历史数据和每日产量历史数据，按照时间，形成历史数据表，表格形式为：
[0033][0034]
(3)历史数据清洗：删除日产量为空的数据及相应的日均环境温度数据和工业母线温度数据，使用既定的k-means方法删除工业母线温度异常数据及相应的日均环境温度数据和日产量数据；
[0035]
(4)工业母线运行状态异常监控模型构建：每日工业母线温度数据为函数型数据，而日均环境温度数据和日产量数据为标量型数据，使用变系数模型的方法构建工业母线运行状态异常监控模型为：
[0036]
yi(tj)＝β0(tj) z
1i
β1(tj) z
2i
β2(tj) εi(tj)
[0037]
其中，i＝1,
…
,n，j＝0,
…
,23，yi(tj)为第i天第tj时刻的工业母线温度，β0(tj)为截距项，z
1i
和z
2i
分别为日均环境温度和日产量，β1(tj)、β2(tj)分别为日均环境温度和日产量对工业母线温度的影响程度，εi(tj) 为第i天第tj时刻的工业母线温度的误差项，εi(tj)～n(0,∑)。
[0038]
(3)工业母线运行状态异常监控模型的参数估计：首先使用样条基展开的形式将模型转换为：
[0039][0040]
从而：
[0041][0042][0043]
由此，模型转换为：
[0044][0045]
令：
[0046][0047][0048]
则模型的简洁形式为：
[0049]
cθ＝zbθ
t
e
[0050]
其中，(cθ)
ij
表示矩阵cθ中第i行第j列的元素，与yi(tj)相对应，(zbθ
t
)
ij
表示矩阵zbθ
t
中第i行第j列的元素，与β0(tj) z
1i
β1(tj) z
2i
β2(tj)相对应，(e)
ij
示矩阵e中第i行第j列的元素，与εi(tj)相对应，然后，使用既定的带惩罚的普通最小二乘(penalized ordinary least squares，p-ols)算法(ramsay,j.o.,and silverman,b.w.(2005).functional data analysis,2nd ed.newyork:springer)对模型参数b和∑进行估计,具体估计步骤为：
[0051]
1)以带惩罚的残差平方和(the penalized sum of squared errors，sse)为准则，构建目标函数：其中，λk为粗糙度惩罚系数，
[0052]
2)对目标函数求导，得到b的估计值：
[0053]
3)然后，yi(tj)的估计值为：
[0054]
4)最后得到∑的估计值
[0055]
(4)工业母线运行状态基于残差的监控统计量计算：其中，
[0056]
(5)工业母线运行状态基于残差的控制图控制限仿真：给定arl0，一般为200，使用既定的蒙特卡洛仿真方法，得到控制图控制限ucl。其中，蒙特卡洛仿真步骤为：
[0057]
1)取m为重复模拟的次数，它可以被选择为一个大的正整数(例如，m＝100000)，预先取ucl的经验值为a；
[0058]
2)在第j次仿真模拟中，当1≤j≤m时，通过以下方法计算运行长度rl(j)：当n≥1时，生成工业母线温度、日均环境温度以及日产量的仿真数据，计算的值，如果则令rl(j)＝n 1，反之，则令rl(j)＝n，并终止第j次循环，转入到j 1步；
[0059]
3)完成m次循环后，计算arl，即rl(j)求和后的均值，若arl＝200，则令ucl＝a，否则调整a的值，继续进行仿真模拟。
[0060]
(6)工业母线运行状态异常监控：实时采集当前时刻的工业母线温度数据、当日的日均环境温度数据和当日产量数据，计算当日的若则发出报警信号。