本發(fā)明涉及制絲和復(fù)烤車間生產(chǎn)過程電機(jī)電流異常檢測控制，尤其是一種基于多種異常檢測算法構(gòu)建的電機(jī)電流異常判定方法。

背景技術(shù)：

1、在制絲和復(fù)烤生產(chǎn)過程中，電機(jī)是諸多設(shè)備生產(chǎn)的重要動力來源。電機(jī)的穩(wěn)定運(yùn)行對生產(chǎn)安全、生產(chǎn)效率、產(chǎn)品質(zhì)量具有至關(guān)重要的作用。在實際運(yùn)行過程中，電機(jī)由于長時間連續(xù)工作、負(fù)載變化、維護(hù)不當(dāng)?shù)纫蛩?，容易出現(xiàn)故障，一些常見的電機(jī)故障包括軸承損壞、絕緣老化、電流不平衡等，這些故障如果不及時發(fā)現(xiàn)和處理，不僅會導(dǎo)致設(shè)備停機(jī)，還可能引起生產(chǎn)事故，造成重大的經(jīng)濟(jì)損失和安全隱患。因此，實現(xiàn)電機(jī)的實時監(jiān)控和異常檢測對于制絲和復(fù)烤的生產(chǎn)安全和效率至關(guān)重要。傳統(tǒng)的電機(jī)故障診斷方法主要依賴于設(shè)備的定期檢查和維護(hù)，以及操作人員的經(jīng)驗判斷。這些方法不僅耗時耗力，而且難以實現(xiàn)對電機(jī)狀態(tài)的實時監(jiān)控，對于故障的早期預(yù)警和精確診斷能力有限。

技術(shù)實現(xiàn)思路

1、本發(fā)明要解決的技術(shù)問題是針對現(xiàn)有技術(shù)的不足，提出一種基于多種異常檢測算法構(gòu)建的電機(jī)電流異常判定方法，通過多個模型對電機(jī)電流的數(shù)據(jù)進(jìn)行異常判定并報警，實現(xiàn)實時監(jiān)控和異常檢測，保障制絲和復(fù)烤生產(chǎn)中人員及設(shè)備安全。

2、為解決上述技術(shù)問題，本發(fā)明提出一種基于多種異常檢測算法構(gòu)建的電機(jī)電流異常判定方法，所述方法將預(yù)處理的數(shù)據(jù)通過訓(xùn)練后的異常檢測進(jìn)行異常判定報警，具體方法如下：

3、步驟1，數(shù)據(jù)預(yù)處理：通過數(shù)據(jù)獲取、濾波處理、劃分時間窗口和特征提取數(shù)據(jù)進(jìn)行預(yù)處理；

4、1)數(shù)據(jù)獲?。横槍χ平z和復(fù)烤車間中可能出現(xiàn)的電流范圍，需要設(shè)定合理的采樣頻率和取值區(qū)間，采取制絲和復(fù)烤車間的每隔1秒的電流值，能夠更好地反應(yīng)電機(jī)電流地變化趨勢。通過人工導(dǎo)出或自動化程序采集電機(jī)電流時序數(shù)據(jù)后生成原始電流信號數(shù)據(jù)集。

5、2)濾波處理：通過濾波算法，可采用卡爾曼濾波、移動平均濾波、加權(quán)移動濾波、指數(shù)移動濾波等算法處理數(shù)據(jù)獲取的原始電流信號數(shù)據(jù)集，去除噪聲，保留電流的基本趨勢和波動特性，為后續(xù)模型分析提供數(shù)據(jù)基礎(chǔ)。例如以卡爾曼濾波，設(shè)置噪聲方差設(shè)置為1，測量噪聲誤差為10，適用于制絲和復(fù)烤車間中電機(jī)運(yùn)行穩(wěn)定期的電流數(shù)據(jù)濾波處理。

6、3)劃分時間窗口：依據(jù)實際具體的需求，以時間窗口m和步進(jìn)p劃分濾波后的數(shù)據(jù)集，p滿足1＜p＜＜m；

7、劃分規(guī)則為：

8、假設(shè)假設(shè)電機(jī)電流數(shù)據(jù)為等間隔數(shù)采的數(shù)據(jù)集x＝[x1,x2,l,xi,l,xn]，其中i＝1,2,3,...,n，以時間窗口m、步進(jìn)p進(jìn)行數(shù)據(jù)集的劃分(一般地需滿足1＜p＜＜m)，劃分后的數(shù)據(jù)集為x′則

9、其中k＝1,2,3...，表示第k個時間窗口。

10、4)特征提?。禾崛∶總€時間窗口的峰值電流、平均電流、電流波動率、最小電流、電流中位數(shù)、電流峰峰值(極差)、最近一次的電流值，這些特征能夠反映電機(jī)運(yùn)行狀態(tài)和健康狀況，具體計算公式為：

11、峰值電流＝max(abs(xk))；

12、平均電流＝mean(xk)；

13、電流波動率＝std(xk)/mean(xk),其中mean(xk)不為0；

14、最小電流＝min(xk)；

15、電流中位數(shù)＝median(xk)；

16、電流峰峰值＝max(xk)-min(xk)；

17、最近一次的電流值＝xk[-1]；

18、其中,xk表示每一個時間窗口序列，k＝1,2,3...，max表示最大值，abs表示絕對值，mean表示平均值，std表示樣本標(biāo)準(zhǔn)差，min表示最小值，meidan表示中位數(shù)，xk[-1]表示序列最后一個值；

19、步驟2，單模型訓(xùn)練：將步驟1中預(yù)處理后數(shù)據(jù)分別對孤立森林、單類支持向量機(jī)、局部異常因子、橢圓包絡(luò)進(jìn)行訓(xùn)練，得到孤立森林模型、單類支持向量機(jī)模型、局部異常因子模型和橢圓包絡(luò)模型四個獨立的異常檢測模型，每個模型均分別從電流值和置信度計算公式判斷數(shù)據(jù)的異常。

20、孤立森林模型的電流值和置信度計算公式判斷：

21、(1)電流值判斷：當(dāng)電流值超過正常范圍的±n1％，且孤立路徑長度depth小于閾值εdepth，判斷為異常；跟據(jù)統(tǒng)計學(xué)的置信度取值公知常識，n1的取值范圍為1-10。電流值是值最近一次電流值。

22、(2)置信度計算公式判斷：孤立森林模型的置信度confidence1基于該點的孤立路徑長度與整個數(shù)據(jù)集的平均孤立路徑長度的比值進(jìn)行計算，其中，depth為數(shù)據(jù)點x在孤立森林中的平均路徑長度，s為數(shù)據(jù)集的大??；當(dāng)孤立森林模型的置信度越接近1，表明該數(shù)據(jù)點被認(rèn)為是異常的可能性越大；當(dāng)置信度confidence1≥置信度閾值ε1時，判斷為異常；當(dāng)置信度confidence1＜置信度閾值ε1時，判斷為正常，跟據(jù)統(tǒng)計學(xué)的置信度取值公知常識，ε1取值應(yīng)取值范圍為0.9-0.99為宜，可根據(jù)實際情況靈活調(diào)整。

23、單類支持向量機(jī)模型的電流值和置信度計算公式判斷：

24、(1)電流值判斷：當(dāng)電流值超過正常范圍的±n2％，判斷為異常，跟據(jù)統(tǒng)計學(xué)的置信度取值公知常識，n2的取值范圍為1～10。電流值是值最近一次電流值。

25、(2)置信度計算公式判斷：單類支持向量機(jī)模型的置信度confidence2：基于決策函數(shù)的值來計算，對其進(jìn)行標(biāo)準(zhǔn)化處理公式為其中，disw為訓(xùn)練數(shù)據(jù)中各點到?jīng)Q策邊界的距離序列，diswx為決策函數(shù)值，數(shù)據(jù)點與支持向量邊界w的距離；置信度接近0表示異常點，接近1表示正常點。

26、當(dāng)置信度confidence2≥置信度閾值ε2時，判斷為異常，當(dāng)置信度confidence2＜置信度閾值ε2時，判斷為正常，跟據(jù)統(tǒng)計學(xué)的置信度取值公知常識，ε2取值應(yīng)取值范圍為0.9-0.99為宜，可根據(jù)實際情況靈活調(diào)整。

27、局部異常因子模型的電流值和置信度計算公式判斷：

28、(1)電流值判斷：當(dāng)電流值超過正常范圍的±n3％，判斷為異常；跟據(jù)統(tǒng)計學(xué)的置信度取值公知常識，n3的取值范圍為1～10。電流值是值最近一次電流值。

29、(2)置信度計算公式判斷：局部異常因子模型的置信度confidence3：通過反轉(zhuǎn)局部異常因子分?jǐn)?shù)lof_score而得：其中，lof_score為局部異常因子分?jǐn)?shù)；lof_score越大，置信度越低。置信度越接近1，表示數(shù)據(jù)點更有可能是正常的。

30、當(dāng)置信度confidence3≥置信度閾值ε3時，判斷為異常，當(dāng)置信度confidence1＜置信度閾值ε3時，判斷為正常，跟據(jù)統(tǒng)計學(xué)的置信度取值公知常識，ε3取值應(yīng)取值范圍為0.9-0.99為宜，可根據(jù)實際情況靈活調(diào)整。

31、橢圓包絡(luò)模型的電流值和置信度計算公式判斷：

32、(1)電流值判斷：當(dāng)電流值超過正常范圍的±n4％，判斷為異常；跟據(jù)統(tǒng)計學(xué)的置信度取值公知常識，n4的取值范圍為1～10。電流值是值最近一次電流值。

33、(2)置信度計算公式判斷：橢圓包絡(luò)模型置信度confidence4：基于馬氏距離mahalanobis-distance與卡方分布χ2在置信水平臨界值α的值比較而得，

34、其中，mahalanobis-distance越接近α，置信度越低，置信度接近1表示數(shù)據(jù)點處于正常范圍內(nèi)。置信度閾值ε4＞0：置信度在閾值(1-ε4,1+ε4)范圍內(nèi)，認(rèn)為判斷可信，反之則不可信。

35、當(dāng)置信度1+ε4＜confidence4＜1-ε4時，判斷為異常；當(dāng)置信度1-ε4≤confidence4≤1+ε4時，判斷為正常，跟據(jù)統(tǒng)計學(xué)的置信度取值公知常識，ε4取值應(yīng)取值范圍為1～10為宜，可根據(jù)實際情況靈活調(diào)整。

36、步驟3，模型融合：將步驟2訓(xùn)練后的多個異常檢測模型進(jìn)行模型融合，并進(jìn)行多模型綜合判斷。

37、(1)模型數(shù)量等于2時，兩兩模型的電流值和置信度計算進(jìn)行判斷，當(dāng)兩個模型的電流值判斷結(jié)果一致均為異常和置信度判斷結(jié)果一致均為異常，則為異常；當(dāng)兩個模型的電流值判斷結(jié)果一致均為正常和置信度判斷結(jié)果一致均為正常，則為正常；當(dāng)兩個模型的電流值判斷結(jié)果不一致和置信度判斷結(jié)果不一致，進(jìn)行各模型的權(quán)重判斷，取權(quán)重高的模型的判斷結(jié)果后再進(jìn)行兩模型判斷；

38、(2)模型數(shù)量大于2時，采用多數(shù)投票機(jī)制，當(dāng)模型判斷電流異常的模型數(shù)量大于模型數(shù)量的p％時，則最終結(jié)果為判定異常；當(dāng)模型判斷異常數(shù)量小于模型數(shù)量的p％時，則最終結(jié)果為判定異正常，p的取值為60-90。

39、通過各模型訓(xùn)練后，形成如附圖1-4的判斷示意圖：

40、附圖1至附圖4為模型異常檢測判斷示意圖，附圖1至附圖4中的藍(lán)色曲線代表同一段經(jīng)過濾波處理后的電流數(shù)據(jù)，橫軸代表電流順序號，縱軸代表電流值，曲線展示了電機(jī)在某段時間內(nèi)的電流變化趨勢，其中在序號為0-10、110-140的范圍內(nèi)的電流值為異常電流值，表現(xiàn)為電流趨勢變化率驟增，且形成大于正常電流的峰值。其它范圍內(nèi)的電流值為正常范圍值。

41、各圖的紅色點(可能的異常點)標(biāo)記了模型檢測出的潛在異常點，這些點是通過各個異常檢測模型判定為異常的電流數(shù)據(jù)點。

42、各圖的綠色虛線表示模型的異常系數(shù)，這個閾值用于區(qū)分正常和異常數(shù)據(jù)點。異常系數(shù)越低，意味著越有可能被判定為異常。

43、附圖1為孤立森林異常檢測模型判斷示意圖，模型能夠識別出序號為0-10、110-140的范圍內(nèi)的部分異常電流值，同時給出較低的異常系數(shù)，未將正常電流判定為異常值。

44、附圖2為單類支持向量機(jī)異常檢測模型判斷示意圖，模型能夠識別出序號為0-10、110-140的范圍內(nèi)的幾乎所有異常電流值，同時給出較低的異常系數(shù)，將極少數(shù)正常電流判定為異常值。

45、附圖3為局部異常因子異常檢測模型判斷示意圖，模型能夠識別出序號為0-10、110-140的范圍內(nèi)的多數(shù)異常電流值，同時給出較低的異常系數(shù)，將部分正常電流判定為異常值。

46、附圖4為橢圓包絡(luò)異常檢測模型判斷示意圖，模型能夠識別出序號為0-10、110-140的范圍內(nèi)的多數(shù)異常電流值，同時給出較低的異常系數(shù)，將極少數(shù)正常電流判定為異常值。

47、本發(fā)明的模型訓(xùn)練完成后，可使用joblib包分別將各模型保存為pkl格式文件。程序啟動時，使用joblib方法分別加載pkl格式模型文件，初始化濾波器和數(shù)據(jù)收集隊列m，對電機(jī)電流數(shù)據(jù)進(jìn)行實時監(jiān)控、數(shù)據(jù)采集。每采集到一個電流數(shù)據(jù)，對數(shù)據(jù)進(jìn)行濾波操作，然后插入到隊列m中。當(dāng)數(shù)據(jù)收集量小于時間窗口(此處設(shè)定為5)，則采用已收集的數(shù)據(jù)按照規(guī)則進(jìn)行特征提取，當(dāng)數(shù)據(jù)量大于時間窗口時，將隊列m最前端的一個電流值剔除，使隊列m的長度和時間窗口保持一致，然后按照規(guī)則進(jìn)行特征提取。將特征提取完成的數(shù)據(jù)分別輸入到每個模型中，每個模型都能輸出一個對當(dāng)前時間窗口的電流值的異常判定，根據(jù)模型融合判定規(guī)則即可得到當(dāng)前時間窗口電流的綜合判定結(jié)果：該時間窗口電流有p％的可能性是異常電流。

48、本發(fā)明通過多個模型對電機(jī)電流的數(shù)據(jù)進(jìn)行異常判定并報警，實現(xiàn)實時監(jiān)控和異常檢測，保障制絲和復(fù)烤生產(chǎn)中人員及設(shè)備安全。