[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

说明书

技术领域

本发明是利用矩阵奇异值来寻找具有相似关联规则的测点组合的数据挖掘方法，并用于火 电厂传感器数据校验和故障检测。涉及到数据挖掘和数据校验领域。

背景技术

数据挖掘从大量的数据中挖掘出有用的信息，它是一个多学科交叉研究领域。关联规则是 挖掘发现大量数据中有价值的关联关系，它在数据挖掘中是一个重要的课题，最近几年已被业 界所广泛研究。目前关联规则挖掘广泛地应用于商业界、医疗保险、金融业、电信部门、工业 生产领域等，因此对它的研究有着极其重要的意义。关联规则在实际应用中，还存在不少问题， 比如，仅凭支持度和置信度这两个评价关联规则的标准，可能会遗漏一些其他关联关系，因而 研制一些新的评价标准很有必要。另外，计算复杂度依赖于具体的实现细节和硬件环境，在数 据挖掘中，由于操作对象是海量数据库，因此，空间和时间的复杂度问题将是非常重要的一个 环节，寻求新的方法以降低数据挖掘计算复杂度和计算量是十分有益的工作。

火电厂是能量转换的场所，为国民经济持续发展提供源源不断的动力。火电厂的安全经济 运行十分重要，所以对火电厂的运行监控一直是重大研究课题。监控数据来源于感应器、传感 器、变送器等组成的测量系统对运行设备的测量，其中任何一个设备出现故障都会响应数据的 准确性。然而火电厂发电在高温高压的环境中进行，运行环境恶劣，上万的测点难免出现故障， 从现场运行数据来看，经常出现一些测点数据异常，比如突然变大，突然变为零，各种不规则 跃变等等。直接影响运行人员对实时数据的判断；对于实时历史数据库而言，出现一些无意义 的数据，影响历史数据的有效获取，进而影响对历史数据的分析，获取有效信息，对机组历史 趋势的把握。

现有的基于神经网络方法的数据检验，传感器故障定位等方法需要用到具有相似关联关系 的测点。而在寻找这些测点的传统方法通过对设备数学模型的分析，通过对趋势曲线直接观察 等定性的方法来确定测点间相似关联关系，具有对测点相关性把握不准确，选择测点较困难等 缺点。神经网络方法是基于风险最小化原理，没有足够的数学理论支持，而支持向量机是基于 结构最小化原理，有充分的数学理论支持，很多领域研究表明支持向量机有更高的可靠性和更 好的回归精度。

发明内容

技术问题：针对以上描述中存在的问题，本发明提供了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，并将挖掘发现的具有相似关联的测点用最小二乘支持向量回归的方法 进行传感器数据校验和故障检测。

技术方案：本发明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， 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C_n²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：d=σ1-σ2σ1+σ2;]]>