[发明专利]一种高噪音工业过程的数据识别方法及系统

说明书

本发明公开了一种高噪音工业过程的数据识别方法及系统。该方法包括：获取工业过程的历史时间序列数据；对所述历史时间序列数据进行预处理；基于所述历史时间序列数据中的噪音周期，确定巴斯特沃斯滤波器；通过所述巴斯沃斯滤波器对预处理后的历史时间序列数据进行滤波；构建频域传递函数模型；通过滤波后的历史时间序列训练所述频域传递函数模型；将训练好的频域传递函数模型转换到时域，得到时域传递函数模型作为系统识别模型，利用所述系统识别模型对高噪音工业过程的数据进行识别。本发明能够在工业控制环境下进行在线预测，实时获得预测结果，从而满足了实际工业过程的需要，有效地分析工业过程的频率特性，显式地识别和过滤高频波动噪音。

技术领域

本发明涉及工业控制领域，特别是涉及一种高噪音工业过程的数据识别方法及系统。

背景技术

近年来，随着工业智能、大数据技术的蓬勃发展，越来越多的DCS、PLC等智能检测和控制设施被融入到工业生产过程中，提高了工业领域的自动化水平。这也为把握复杂设备的运行规律，根据过往数据和现有状态对其进行预测，进而估计产量带来了机会。但是由于应用环境的复杂性，实际环境中的传感器数据难以避免的会受到电磁干扰、电网波动等高频噪音的影响，从而导致系统记录数据的波动性远高于实际情况，难以对系统进行可靠的建模。真实工业环境的大多数参量都是缓慢变化的，实际生产中不关心频率与采样频率相近的剧烈波动，拟合的模型更需要趋势性的模型特征。

系统建模的过程就是寻找一个与系统“相符”的模型，使得模型的输出， 尽量接近真实的输出的过程。目前，已有许多算法用于复杂工业系统的时间序 列预测中，主要包括线性回归、滑动自回归、状态空间模型、BP神经网络、 支持向量机等。线性回归方法复杂度较低，不适合复杂工业过程；滑动自回归 方法和状态空间模型从线性回归发展而来，假设同一变量x的各时刻间为线性 关系，使用之前各时刻状态预测当前状态，该方法能消除预测中的随机波动， 但对于非0均值和周期性的噪音往往不易表示。BPNN等神经网络存在难以捕 捉系统长时依赖，解释性、鲁棒性不强等问题。支持向量机等方法可以对高维 特征进行降维，但其所必须的核函数或距离函数往往不能自动的进行选择。上 述工业过程建模算法还有两个共同的问题，一是他们无法显式的识别周期性的 噪音，当噪音分量的振幅较大时，系统无法正确识别目标模型；二是他们对于 传感器采集到的离散数据只能构建离散时间模型，当系统控制或采样频率发生 变化时，这些模型往往需要重新训练和预测。

发明内容

基于此，本发明的目的是提供一种高噪音工业过程的数据识别方法及系统，有效地分析工业过程的频率特性，显式地识别和过滤高频波动噪音。

为实现上述目的，本发明提供了如下方案：

一种高噪音工业过程的数据识别方法，包括：

获取工业过程的历史时间序列数据；

对所述历史时间序列数据进行预处理；

基于所述历史时间序列数据中的噪音周期，确定巴斯特沃斯滤波器；

通过所述巴斯沃斯滤波器对预处理后的历史时间序列数据进行滤波；

构建频域传递函数模型；

通过滤波后的历史时间序列训练所述频域传递函数模型；

将训练好的频域传递函数模型转换到时域，得到时域传递函数模型作为系统识别模型，利用所述系统识别模型对高噪音工业过程的数据进行识别。

可选地，所述对所述历史时间序列数据进行预处理，具体包括：

对所述历史时间序列数据进行补全、去除均值和差分处理；

利用拉普拉斯变换将处理后的数据转换到频域。

可选地，所述基于所述历史时间序列数据中的噪音周期，确定巴斯特沃斯滤波器，具体包括：