基于矩阵奇异值关联规则挖掘的传感器数据校验方法

摘要

基于矩阵奇异值关联规则挖掘的传感器数据校验方法的实现分为两部分，具体如下：第一部分为相似关联规则测点挖掘，第二部分为传感器数据在线校验；将寻找的具有相似关联的测点组用于最小二乘支持向量回归建模，训练样本选取全工况数据，目的是覆盖所有运行工况；对于n个测点，一共需要建立(n+1)个回归模型，包括：1个用于运行数据监测的“n输入-n输出”的“残差生成模块”；n个用于各个测点运行数据重构的“(n-1)输入-单输出”的“#K数据重构模块”，n为数据在线校验的传感器个数；本发明在非间断性工业生产领域提出运行设备测点间波动相似度的概念，将关联规则的概念扩展到波动相似关联规则，是对关联规则在这一领域的补充和有效的拓展，具有实际意义。

主权项

1.一种基于矩阵奇异值关联规则挖掘的传感器数据校验方法，其特征在于，该方法的实现分为两部分，具体如下：第一部分：相似关联规则测点挖掘步骤1：收集需要挖掘相似关联规则的n个测点置于程序列表中，n为测点个数；步骤2：按照方式将测点任意两两组合，采集某时间段采样时间间隔Δt正常运行数据，组成一个m×2阶矩阵X，m为样本数目，X由2个测点m个采样值组成的m×2阶矩阵；步骤3：将矩阵X各列分别归一化处理，得到矩阵A，将矩阵A进行奇异值分解，分解为：A＝U×S×V，其中矩阵A为矩阵X各列分别归一化后的m×2阶矩阵，U为m×m阶正交阵，V为2×2阶正交阵，S＝diag(σ₁，σ₂)，S为m×2阶对角阵，σ₁≥σ₂，σ₁＞0，σ₂≥0，σ₁为矩阵A的较大的一个奇异值，σ₂为矩阵A的较小的一个奇异值，求得两测点波动相似度d为：步骤4：重复步骤2和步骤3，有个组合，得到个对应的波动相似度，按照方式的任意两两组合共计(n×(n-1))/2对测点组合；步骤5：选择波动相似度大于80％的相关测点组合，从而获得一组具有相似关联关系的多个测点；第二部分：传感器数据在线校验将寻找的具有相似关联的测点组用于最小二乘支持向量回归建模，训练样本选取全工况数据，目的是覆盖所有运行工况；对于n个测点，一共需要建立(N+1)个回归模型，包括：1个用于运行数据监测的“n输入-n输出”的“残差生成模块”；n个用于各个测点运行数据重构的“(n-1)输入-单输出”的“#K数据重构模块”，n为数据在线校验的传感器个数；传感器数据在线校验前，需要对“残差生成模块”、各线路数据的“#K数据重构模块”进行全工况数据训练；对运行数据的监测，故障判断，数据重构数据校验流程如下：1.)现场数据通过网络交换机后，得到两路数据，一路进入传感器数据校验模块，进行数据校验；另一路直连接到数据采集接口机，作为传感器数据校验的冗余，防止数据流中断；2.)现场数据从数据输入接口进入传感器数据校验模块，到达上下限判断模块；在这个模块，首先对各线路数据进行上下限判断，如果发现#K线路数据超出上下限，系统认为该线路有故障，直接送到#K数据重构模块，用其他正常数据重构该线路数据，并发出报警信号，显示#K线路故障；3.)数据没有超出上下限，则进入残差生成模块；在这个模块，通过最小二乘支持向量回归模型对各参数运行数据生成对应的残差；4.)各线路数据和残差进入残差判断模块；在这个模块，判断各线路残差是否有异常，如果没有异常，各线路数据直接进入数据输出接口；如果发现#K线路残差异常，将各线路数据送到#K数据重构模块，用其他正常数据重构该线路数据，并发出报警信号，显示#K线路故障；5.)数据通过数据输出接口，连接数据采集接口机，由数据采集接口机判断采用哪一线路信号发送到显示屏，并将数据写入实时数据库。