一种基于密度峰值与异常隔离的极地气象设备故障检测方法

1.本发明属于数字孪生领域，具体涉及一种极地气象设备故障检测的方法。


背景技术：

2.当前，极地地区已经成为每个国家进行气候观测，能源开采等重要的战略要地。同时极地的气候观测，数据采集也对极地的科学研究具有重大意义。因此我们需要对极地气象设备进行实时的故障检测。然而极地环境中，由于环境恶劣，易出现极端低温，那么采用人力对极地气象设备进行运行维护的监测十分的困难。因此我们需要将数字孪生技术应用于极地气象设备当中，并对极地气象设备进行实时的故障诊断，以尽可能的及时对极地气象设备进行运行维护，以及尽可能的避免因极地气象设备故障而较长停机导致的较多气象数据缺失的情况出现。
3.然而，目前大部分数字孪生故障检测模型的构建大多采用以下两种方式，基于装备机理构建的方式，以及基于数据驱动的方式。基于装备机理构建的方式需要对每个设备进行详细的建模，同时需要详细的设备参数。同时极地环境下，各种环境因素对装备寿命退化机理也会产生影响，这些都难以用机理模型进行表征。然而在众多采用数据驱动的方式来构建数字孪生故障检测模型的方法中，并没有先挖掘出设备的正常运作模式，因此其故障检测模型在不同环境下的表现则不尽相同。然而极地环境复杂多变，其气象设备不可能总是处于同一环境下运行工作，那么直接采用目前较为通用的数字孪生故障检测模型的构建方式则不太适用。
4.综上所述，研究极地气象设备故障检测的数字孪生模型具有重要的研究意义。


技术实现要素：

5.要解决的技术问题
6.针对极地环境中由低温引起的设备故障次数较多的问题，那么在其上直接采用目前通用的故障检测算法则无法很好满足故障检测的需求，例如lof算法、iforest算法等，这些方法都假定了异常数据占总样本较少的数量。本发明提供一种基于密度峰值与异常隔离的极地气象设备故障检测方法，其不仅能有效的检测出极地气象设备电信号的异常，同时该检测方法具有较高的效率，可以满足数字孪生实时性的需要。
7.技术方案
8.一种基于密度峰值与异常隔离的极地气象设备故障检测方法，其特征在于步骤如下：
9.step 1确定极地气象设备温度相关或非温度相关的故障检测特征数据。
10.step 2在所选的衡量极地气象设备是否发生故障的特征数据中采用基于密度聚类的方式将噪声点进行剔除。
11.step 3获取极地气象设备正常工作时的电信号特征数据。
12.step 4采用极地气象设备的实时电信号数据与正常运作时的电信号特征数据选
择性的构建多棵有效孤立树，形成孤立森林。
13.step 5计算极地气象设备实时电信号数据的异常得分值。
14.step 6判断极地气象设备是否发生故障。
15.本发明进一步的技术方案：所属步骤step1中的确定极地气象设备温度相关或非温度相关的故障检测特征数据的方法为：
16.step 1.1计算极地气象设备电信号数据与环境温度的相关性系数(皮尔森相关性系数)。
17.式中cov(xi,t)为极地气象设备电信号数据xi与环境温度t的协方差。
18.σ(xi)为极地气象设备电信号数据的标准差，σ(t)为环境温度的标准差。
19.step 1.2将的电信号数据xi作为温度因素相关的故障检测特征数据，否则作为由偶发失效(非温度因素)相关的故障检测特征数据。其中当温度相关的特征数据发生短时间持续性的异常，则将其作为启动极地气象设备加热模组决策的依据。当非温度相关的特征数据发生短时间持续性异常，则将其作为重启极地气象设备决策的依据。
20.本发明进一步的技术方案：所属步骤step2中的在所选的衡量极地气象设备是否发生故障的特征数据中采用基于密度聚类的方式将噪声点进行剔除的方法为：
21.step 2.1对极地气象设备的电信号数据在单一维度上xi＝(x1,x2,
…
xm)进行基于密度的方式聚类。首先指定最小样本量minpts和半径ε。
22.step 2.2定义核心点，直接密度可达点以及密度可达点。如果某个电信号数据的ε邻域内电信号的数量大于等于minpts，那么该点为核心点，即|n
ε
(xi)|≥minpts，其中n
ε
(xi)＝{xi∈d|dist(xi,xj)≤ε}，d是包含所有电信号数据的集合，dist(xi,xj)为两点间的欧式距离；如果xj在xi的ε邻域内，同时xj为核心点，那么称xj和xi直接密度可达；对于(xi,x
i 1
,...xn)，如果任意相邻的两个电信号直接密度可达，那么称xi和xn密度可达。
23.step 2.3从数据集中任意选择一个数据点xi,如果对于参数minpts和ε，所选择的数据点xi为核心点，则找出所有从xi密度可达的数据点，形成一个簇。若选择的数据对象点xi是非核心点，则重新选择另一个数据点，重复上述过程直到数据选取完成。其中没有被分配到任何一个簇的数据点为噪声点。
24.step 2.4根据上述基于密度聚类的方式，可以识别出每一维度数据的噪声点，当识别出噪声点后将噪声点剔除，即m个数据点在去除噪声后得到n个噪声点，最终得到xi＝(x1,x2,...xn)，其中n≤m。
25.本发明进一步的技术方案：所属步骤step3中的获取极地气象设备正常工作时的电信号特征数据的方法为：
26.step 3.1采用公式计算每个数据点的密度，n为数据点个数，d
ij
为数据点i到j的距离。χ是指示函数，当x《0时，χ(x)＝1，否则χ(x)＝0，dc是截断距离。由此可以得到ρi＝(ρ1,ρ2,...,ρn)。
27.step 3.2计算每个数据点的其中密度最高的点可以取由此得到δi＝(δ1,δ2,...δn)。
28.step 3.3将ρi＝(ρ1,ρ2,...,ρn)和δi＝(δ1,δ2,...δn)相乘得到peeki＝(ρ1δ1,ρ2δ2,...ρnδn)＝(peek1,peek2,...peekn)。将peeki按照降序排序然后取peeki前k个数据作为极地气象设备正常工作时的电信号特征数据fi＝(f1,f2,
…fk
)，k＜n。
29.本发明进一步的技术方案：所属步骤step4中的采用极地气象设备的实时电信号数据与正常运作时的电信号特征数据选择性的构建多棵有效孤立树，形成孤立森林的方法为：
30.step 4.1将待检测电信号数据加入到fi＝(f1,f2,
…fk
)中得到f
iforest
＝(f1,f2,
…fk
,f
dec
)。选择f
iforest
作为训练数据，确定f
iforest
集合中的最大值f
max
，最小值f
min
。
31.step 4.2选择切割点p∈(f
min
,f
max
)。将切割点小于p的放左节点(构成左侧集合)，大于等于p的放右节点(构成右侧集合)。设第一个分割点的左侧集合数量为num
left
,右侧集合数量为num
right
，那么如果τ∈[1,10]，那么认为该树为劣势树，则跳过该树，继续采用递归的方式构建下一棵树，直到构建满100棵树为止。其中树的生长的终止条件为：树的每个节点只有一个数据存在或者达到树的最大生长高度。其中树的最大高度限制h与子样本数量有关：
[0032]
本发明进一步的技术方案：所属步骤step5中的计算极地气象设备实时电信号数据的异常得分值的方法为：
[0033]
step 5.1计算构建的二叉树的平均路径长度其中n为构建孤立树时的样本个数，h(n-1)＝ln(n-1) 0.5772156649。
[0034]
step 5.2设待检测电信号数据f
dec
在孤立森林中每棵树上的平均高度为e(h(x))。那么待检测电信号数据f
dec
的异常得分值为式中x＝f
dec
。
[0035]
本发明进一步的技术方案：所属步骤step6中的判断极地气象设备是否发生故障的方法为：
[0036]
step 6.1确定判定极地气象设备电信号异常的得分值score(f)。当s(x,n)＞score(f)时，判定极地气象设备电信号发生异常，即设备出现故障。当s(x,n)≤score(f)时，则判定极地气象设备电信号正常，即设备状态良好。
[0037]
有益效果
[0038]
本发明提供的一种基于密度峰值与异常隔离的极地气象设备故障检测方法。首先通过基于密度聚类的方法去除掉极地气象设备电信号的噪声数据；其次在非噪声数据中通过密度峰值挖掘出极地气象设备正常运作时的电信号工作模式；最后通过极地气象设备的实时电信号数据与正常运作时的电信号特征数据共同构建孤立森林的方法来对极地气象设备进行实时的故障诊断。同时在构建孤立森林时，通过分割比例来进行选择性的构建孤立树，从而在一定程度上提高了算法的效率，使其更能满足数字孪生实时性的需要。最后采
用降水仪在不同低温环境下的测试数据验证了该模型的有效性和一定的先进性。
附图说明
[0039]
附图仅用于示出具体实施例的目的，而并不认为是对本发明的限制，在整个附图中，相同的参考符号表示相同的部件。
[0040]
图1降水仪电信号数据的相关性系数矩阵；
[0041]
图2cmos图像传感器的工作电压；
[0042]
图3dbscan识别工作电压的噪声；
[0043]
图4cmos电压特征数据提取决策图；
[0044]
图5极地气象设备(降水仪)故障检测方法的构建流程；
[0045]
图6极地气象设备(降水仪)故障检测数字孪生框架。
具体实施方式
[0046]
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图和实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。此外，下面描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
[0047]
实施例1：
[0048]
步骤1确定降水仪温度相关或非温度相关的故障检测特征数据。
[0049]
步骤1.1分别计算降水仪设备cmos图像传感器电信号数据与环境温度的相关性系数。其中cmos图像传感器的电信号数据包括，工作电压、扫描频率、转换增益、满阱容量。由此构成相关性系数矩阵，其结果如图1所示。
[0050]
步骤1.2根据图1的结果，可将工作电压作为非温度相关的特征数据，而满阱容量作为温度相关的特征数据。当工作电压出现短时间持续性异常时，认为设备可能出现偶发故障，则将其作为“重启降水仪”决策的依据。当满阱容量出现短时间持续性异常时，认为降水仪的故障是由温度因素引起的，则将其作为“启动降水仪加热模组”决策的依据。
[0051]
步骤2此处选择对降水仪的cmos图像传感器的工作电压进行故障检测。
[0052]
步骤2.1首先对工作电压的历史数据进行基于密度方式的聚类，然后对其噪声点进行识别。其聚类前后结果如图2和图3所示，图3中，颜色较浅的点为非噪声数据，颜色较深的点为噪声数据。
[0053]
步骤2.2对噪声数据进行剔除，得到非噪声电压数据集合。
[0054]
步骤3获取降水仪cmos图像传感器正常工作时的电压特征数据。
[0055]
步骤3.1在非噪声电压数据中，计算每个数据的ρi＝(ρ1,ρ2,...,ρn)。
[0056]
步骤3.2在非噪声电压数据中，计算每个数据的δi＝(δ1,δ2,
…
δn)。
[0057]
步骤3.3由ρi＝(ρ1,ρ2,...,ρn)和δi＝(δ1,δ2,...δn)构成决策图，结果如图4所示。将ρiδi前500大的数据作为cmos图像传感器正常工作时的电压特征数据fi＝(f1,f2,...f
500
)。
[0058]
步骤4采用cmos图像传感器的实时电压数据与cmos图像传感器正常运作时的电压特征数据选择性的构建多棵有效孤立树，形成孤立森林。
[0059]
步骤4.1将待检测电压数据加入到fi＝(f1,f2,...f
500
)中得到f
iforest
＝(f1,f2,...f
500
,f
dec
)。选择f
iforest
作为训练数据，确定f
iforest
集合中的最大值f
max
，最小值f
min
。
[0060]
步骤4.2选择切割点p∈(f
min
,f
max
)。将切割点小于p的放左节点(构成左侧集合)，大于等于p的放右节点(构成右侧集合)。设第一个分割点的左侧集合数量为num
left
,右侧集合数量为num
right
，那么如果τ∈[1,10]，那么认为该树为劣势树，则跳过该树，继续采用递归的方式构建下一棵树，直到构建满100棵树为止。其中树的生长的终止条件为：树的每个节点只有一个数据存在或者达到树的最大生长高度。其中树的最大高度限制h与子样本数量有关：本实例中子样本数量
[0061]
步骤5计算降水仪cmos图像传感器实时电压数据的异常得分值。
[0062]
步骤5.1计算构建的二叉树的平均路径长度其中n为构建孤立树时的样本个数，h(n-1)＝ln(n-1) 0.5772156649。本实例中n＝501。
[0063]
步骤5.2设cmos图像传感器的待检测电压数据f
dec
在孤立森林中每棵树上的平均高度为e(h(x))。那么待检测电压数据f
dec
的异常得分值为式中x＝f
dec
。
[0064]
步骤6判断降水仪cmos图像传感器的工作电压是否出现异常，即降水仪是否出现设备故障。此处判定电压信号为异常的得分值取0.761。
[0065]
步骤6.1当s(x,n)＞0.761时，判定此电压信号为异常，即降水仪出现故障。当s(x,n)≤0.761时，则判定此电压信号正常，即降水仪状态良好。
[0066]
检测效果可以通过检测率和误报率进行衡量。检测率又称真阳性率，指在降水仪故障检测时间段内，由降水仪故障检测算法检测出的异常电压数占实际存在的电压异常数的百分比。误报率又称假阳性率，指在降水仪故障检测时间段内，由降水仪故障检测算法检测出的虚假电压异常数占实际存在的电压正常数的百分比。
[0067]
本实施例选取了降水仪cmos图像传感器的2211个正常电压数据，147个异常电压数据。对其采用本专利的故障检测算法，其效果如表1所示
[0068]
表1降水仪故障检测模型检测效果
[0069][0070]
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明公开的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。