[发明专利]一种基于邻近算法的分拣回流异常关联性分析方法

说明书

本发明提供一种基于邻近算法的分拣回流异常关联性分析方法，包括对卷包物流成品分拣回流异常相关事件和时序数据的历史数据进行关联分析的K‑近邻算法、对结果进行比较的两个baseline算法，所述分析方法的步骤包括：步骤一、采集封箱机条码PLC的历史数据，并对采集到的数据先进行预处理；步骤二、对处理完成后的数据分别使用K‑近邻算法和两个所述baseline算法进行验证；步骤三、通过验证结果排查监控系统与自动控制系统的故障并作出判断。能够自动判断卷包物流成品分拣回流异常发生时相关事件和时序数据的关联关系并进行分析，从而对事件发生的原因提供诊断线索，减少故障恢复时间，降低成品分拣回流异常的发生次数，提高产品质量。

技术领域

本发明涉及烟草工业卷包物流线的设备故障诊断技术领域，具体涉及一种基于K-近邻算法的卷包物流成品分拣回流异常关联性分析方法。

背景技术

封箱机条码PLC在日常的作业中，会被自动采集日志、性能以及事件等数据，这些数据分为时序数据和事件两种类型。时序数据是实值-时间序列(通常有固定的时间间隔)，例如有效载荷比特率等；而事件数据是记录特定事件发生的序列，例如心跳超时事件等。

卷包物流是卷烟生产系统非常重要的一条生产流水线之一，该流水线不定期会出现成品分拣回流的异常现场，导致香烟跳出流水线的问题，封箱机条码 PLC停止作业，由于设备状态的监控系统与自动控制系统是相对独立的，当故障产生时，会需要大量的时间去排查故障，且依赖于检修人员的个人经验，停机时间较长，产生较大的经济损失。

发明内容

为了解决现有技术中存在的某种或某些技术问题，本发明提供一种基于邻近算法的分拣回流异常关联性分析方法，能够自动判断卷包物流成品分拣回流异常发生时相关事件和时序数据的关联关系并进行分析，从而对事件发生的原因提供诊断线索，减少故障恢复时间，降低成品分拣回流异常的发生次数，提高产品质量。

为解决上述现有的技术问题，本发明采用如下方案：

一种基于邻近算法的分拣回流异常关联性分析方法，包括对卷包物流成品分拣回流异常相关事件和时序数据的历史数据进行关联分析的K-近邻算法、对所述K-近邻算法的分析结果进行结果比较的两个baseline算法，所述分析方法的步骤包括：

步骤一、采集封箱机条码PLC的历史数据，采集的历史数据包括连接请求无响应次数、每秒字节数、有效载荷比特率、服务器TCP重传包、客户端平均 ACK时延、扫码、传输条码、心跳IO超时、操作系统重启和大量IO读写，并对采集到的数据先进行预处理；

步骤二、对处理完成后的数据分别使用K-近邻算法和两个所述baseline算法进行验证；

步骤三、通过验证结果排查监控系统与自动控制系统的故障并作出判断。

进一步地，两个所述baseline算法包括Pearson correlation算法以及 J-measure correlation算法，评价标准为F-score。

进一步地，所述K-近邻算法的计算方式为：第一、将成品分拣回流异常相关事件和时序数据的相关性判断转化为两个样本问题；第二、判断两个样本是否来自相同的分布。

进一步地，对两个所述样本是否来自相同的分布的判断方式为：首先选取事件发生前、事件发生后对应的n段长为k的时序样本数据，用表示，e_i表示某个事件，样本组θ则是在时间序列上随机选取一系列长度为k的样本数据，其次，根据样本组与样本组θ分布结果进行判别，当分布不同时则事件与时序数据相关，当分布相同则事件与时序数据无关。