一种用于挤压墙板机的运行数据实时监控系统的制作方法

本发明涉及挤压墙板机运行数据的监控，具体涉及一种用于挤压墙板机的运行数据实时监控系统。

背景技术：

1、自动化制造挤压墙板的生产线通常需要更为精密的实时监控，以确保生产线安全高效的运行；通过监测设备的各种传感器数据，cblof异常检测算法可以捕获到与正常运行模式不一致的数据模式，从而及早发现潜在问题，避免设备因故障而停机或生产质量下降，有助于降低维护成本并延长设备的寿命。

2、传统的cblof算法是通过样本点与聚类结果中各聚类簇之间的距离进行异常程度的量化的，但对于实时变化的数据，传统的cblof算法对其进行异常检测时，每次新增样本都需要重新代入算法，会产生大量冗余的计算过程，对监控系统的计算量需求过高，不利于实际生产中对挤压墙板机的实时监控。

技术实现思路

1、为了解决传统cblof算法处理挤压墙板机的实时数据时，对监控系统的计算量需求过高的技术问题，本发明的目的在于提供一种用于挤压墙板机的运行数据实时监控系统，所采用的技术方案具体如下：

2、一种用于挤压墙板机的运行数据实时监控系统，所述系统包括：

3、数据采集模块：获取挤压墙板机无异常的历史样本数据和实时样本数据；记一次挤压过程所监测的数据为一个样本数据；所述样本数据至少包括一个维度；

4、历史数据处理模块：利用预设分类算法对历史样本数据每个维度的数据在时序上进行分段，获得每个维度的初始分段数据；根据每个所述历史样本数据中，相同维度下相邻的所述初始分段数据之间的差异特征，进行初始分段数据合并，获得每个维度下每个挤压阶段的阶段样本数据；在每个维度下，根据任意两个所述历史样本数据之间相同挤压阶段的所述阶段样本数据的差异特征，获得任意两个所述历史样本数据之间的距离参数；根据所述距离参数对所有所述历史样本数据进行聚类，获得不同聚类簇及其每个聚类簇中的聚类中心样本数据；

5、实时监控模块：在每个维度下，根据每个所述聚类中心样本数据与实时样本数据在所有相同挤压阶段的数据差异特征，结合每个所述聚类簇中非聚类中心样本数据到聚类中心样本数据的距离特征，获取实时样本数据在当前时刻的异常分值；根据当前时刻的异常分值对挤压墙板机进行实时监控。

6、进一步地，所述初始分段数据的获取方法包括：

7、利用费希尔最优解法，在时间轴上将每个所述历史样本数据的每个维度的数据划分为预设分段参数段，获得初始分段数据。

8、进一步地，所述阶段样本数据的获取方法包括：

9、对每个所述初始分段数据进行直线拟合，获取每个所述初始分段数据的拟合直线；

10、在每个维度下，对于所述历史样本数据上的两个相邻的所述初始分段数据，分别利用对方的拟合直线获得拟合数据，根据所述初始分段数据和拟合数据的差异特征，结合初始分段数据的数据点数量获取相邻的所述初始分段数据之间的差异程度；

11、根据两个相邻的所述初始分段数据的数据点数量和预设合并参数，获取对应的合并阈值；当所述差异程度小于等于所述合并阈值时，将两个相邻的所述初始分段数据进行合并；将所述初始分段数据进行合并处理后，获得阶段样本数据。

12、进一步地，所述差异程度的计算公式包括：

13、；其中，表示历史样本数据的序号；表示历史样本数据维度的序号；表示历史样本数据某一维度初始分段数据的序号；表示第个维度下，第个历史样本数据中，第和第段初始分段数据之间的差异程度；表示第个维度下，第个历史样本数据中，第段初始分段数据的数据点数量；表示第个维度下，第个历史样本数据中，第段初始分段数据的数据点数量；表示第个维度下，第个历史样本数据中，第段初始分段数据的第个数据点的数据值；表示第个维度下，第个历史样本数据中，第段初始分段数据的第个数据点利用第段初始分段数据的拟合直线获得的拟合值；表示第个维度下，第个历史样本数据中，第段初始分段数据的第个数据点的数据值；表示第个维度下，第个历史样本数据中，第段初始分段数据的第个数据点利用第段初始分段数据的拟合直线获得的拟合值。

14、进一步地，所述合并阈值的获取方法包括：

15、获取两个相邻的所述初始分段数据的数据点数量的和值，再与预设合并参数相乘，乘积作为对应的两个相邻的所述初始分段数据的合并阈值。

16、进一步地，所述距离参数的获取方法包括：

17、对每个所述阶段样本数据进行直线拟合，获取每个所述阶段样本数据的拟合直线的斜率；在每个维度下，利用dtw算法，将任意两个所述历史样本数据的所述阶段样本数据的斜率进行匹配；根据匹配结果中，每对匹配的阶段样本数据的变化特征的差异和斜率的差异，获得每对匹配的阶段样本数据的第一差异程度参数；

18、将任意两个所述历史样本数据对应的所有所述第一差异程度参数的均值，作为对应的两个所述历史样本数据之间的距离参数。

19、进一步地，所述第一差异程度参数的获取方法包括：

20、获取每对匹配中每个阶段样本数据的一阶差分序列的方差，将一阶差分序列的方差与斜率的乘积作为每个阶段样本数据的变化特征参数；将每对匹配结果中两个阶段样本数据的所述变化特征参数的差值绝对值正相关映射，获得每对匹配的阶段样本数据的第一差异程度参数。

21、进一步地，所述异常分值的获取方法包括：

22、选择任一所述聚类中心样本数据的任一维度的数据作为目标数据，所对应的维度作为目标维度；将实时样本数据在当前时刻已经采集到的数据段中目标维度上的数据作为待分析数据；

23、根据在时间轴上以左对齐的方式，将所述待分析数据与所述目标数据对齐；根据所述目标数据的所述阶段样本数据对所述待分析数据进行分段，将所述待分析数据与所述目标数据中相同位置的分段数据作为一对匹配的阶段样本数据，获取每对匹配的阶段样本数据的第二差异程度参数；

24、在当前时刻下，获取每个所述聚类中心样本数据与实时样本数据在所有维度获得的所有所述第二差异程度参数的均值，作为每个所述聚类中心样本数据与实时样本数据之间的参考距离参数；

25、获取每个所述聚类中心样本数据所在聚类簇中，非聚类中心样本数据与聚类中心样本数据的距离参数的标准差作为补正参数；将当前时刻的所有参考距离参数与对应的所述补正参数的比值中的最小值，作为当前时刻的异常分值。

26、进一步地，所述根据当前时刻的异常分值对挤压墙板机进行实时监控的方法包括：

27、当实时样本数据的所述异常分值大于预设异常得分阈值时，停止挤压墙板机的运行并发出警报。

28、进一步地，所述聚类中心样本数据所使用的聚类算法为k-means聚类算法。

29、本发明具有如下有益效果：

30、本发明首先获得挤压墙板机的无异常的历史样本数据和实时样本数据，为后续对挤压墙板机实时监控提供数据基础；进一步将每个历史样本数据的每个维度数据进行自适应分段，并将可能为同一个工作阶段的数据进行合并，获得阶段样本数据，更加有利于分析数据的局部特征，识别挤压墙板机的工作状态，从而对挤压墙板机进行准确实时监控；进一步根据任意两个历史样本数据之间，在所有相同维度的所有相同挤压阶段的阶段样本数据的差异特征，获得任意两个历史样本数据之间的距离参数，为后续聚类操作提供聚类参数；进一步对所有历史样本数据进行聚类，便于后续计算实时样本数据的异常分值时，可以直接分析实时样本数据与聚类中心样本数据的差异特征，避免cblof算法对实时数据评分时需要实时聚类的过程，降低了重复聚类的冗余计算量；进一步将实时样本数据分别与每个聚类中心样本数据进行匹配，分析实时样本数据分别与每个聚类中心样本数据在相同维度相同阶段的数据差异，获取实时样本数据在当前时刻的异常分值，为挤压墙板机实时运行状态评判提供评价依据，同时实时获取异常分值可以识别出早期的异常数据，提升监控系统对异常数据的敏感性，更有利于保障生产产品质量和保护生产设备；最后根据当前时刻的异常分值对挤压墙板机进行实时监控，能够及时停止挤压墙板机的运行并发出警报，保障生产安全。本发明对传统cblof算法进行改进，不再需要依据实时数据将所有数据进行实时聚类，降低了监测方法的计算量，减少了对监控系统的计算性能需求，减少生产成本，更加适用于工业生产。