[发明专利]基于矩阵奇异值关联规则挖掘的传感器数据校验方法

权利要求书

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。

2.如权利要求1所述的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， 两测点波动相似度d指非间断性工业生产设备上两个测点或两个参数的运行数据在时间轴上随 着时间上下波动具有一定的相似程度。

3.如权利要求1所述的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， 采样时间间隔Δt的取值范围为30秒到120秒；采集样本数目m的取值范围为500个到2000 个。

4.如权利要求1所述的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， “残差判断模块”的数据异常判断有3个判据：一是测点残差超过0.02；二是异常数据残差与 正常数据残差正负异号，三是异常数据残差绝对值大于正常数据残差。