一种水泥烧成系统运行异常定位方法及装置与流程

1.本发明涉及水泥烧成系统异常检测技术领域，特别涉及一种水泥烧成系统运行异常定位方法及装置。


背景技术：

2.水泥烧成系统作为水泥生产过程中的最关键的一环，具有参数众多，工况复杂，非线性、大滞后、强耦合等特点，生产过程中一旦出现异常，需要进行快速地分析定位异常的根因，否则处理不及时可能会影响整个系统的正常运行，严重的还可能引发恶性事故。一个好的异常定位方法能够快速、准确地检测到导致异常发生的特征及幅度，减少异常的持续时间，避免发展成为更严重的故障，避免或减少因异常的发生而对企业造成的损失。随着计算机技术和通讯存储技术的迅猛发展，生产单位积累了海量的历史生产数据，机器学习、统计分析等基于数据驱动的算法技术也层出不穷，也被应用到处理异常定位的任务中来。
3.现有的异常定位方法主要有两类：基于关联规则挖掘的定位方法和基于决策树的定位方法。
4.其中关联规则挖掘是一种基于规则的机器学习算法，利用一些度量指标来分辨出数据集中存在的关联规则，需要用到有标签的数据，当关联规则生成后可以用来辅助进行相关性分析，当异常发生时可以通过关联规则匹配，来定位导致该异常的特征。
5.决策树算法属于监督学习，需要有标签的数据来对模型进行训练，它表示特征和值之间的一种映射关系，树中的每一个节点都表示特征的判断条件，其分支表示符合相应条件的数据。通过模型训练可以建立异常类型与数据之间的映射关系，可以通过特征重要性得分来判断各个特征对结果的影响程度，进而定位出导致异常的特征。
6.然而，基于关联规则和基于决策树的异常定位方法都依赖于有标签的异常数据，在运维行业中应用广泛，但是实际工程项目实施过程中，生产单位并没有对异常数据进行归纳统计，同时异常数据是极少的，难以支撑模型的训练，难以应用于工程项目中。


技术实现要素：

7.基于此，本技术实施例提供了一种水泥烧成系统运行异常定位方法及装置，目的是解决在异常数据极少和不使用模型的情况下，采用编码的方式准确定位异常发生的位置和严重程度，同时是在异常检测的基础上进行了二次检测，降低误检率，并且具有较强的可解释性，提高生产的智能化，降低生产单位因异常造成的损失，降低工人的劳动强度。
8.第一方面，提供了一种水泥烧成系统运行异常定位方法，水泥烧成系统包括预热器组件、分解炉组件、回转窑组件和篦冷机组件，该方法包括：
9.获取水泥烧成系统中各个测点的实时数据片段；
10.针对于每一个测点的实时数据片段，将目标时间区间内所获取到的数据片段进行标准化处理；
11.将标准化处理后的数据片段的值域范围进行区域划分；
12.确定出划分区域后的异常数据时间区间的邻域所对应数据，并对邻域所对应数据进行编码，得到当前测点的特征值；
13.根据各个测点的特征值确定每个测点所对应的极差，当存在预设数量测点所对应的极差超过阈值时，则确定目标时间区间系统运行异常；其中，极差超过阈值所对应的测点为异常测点。
14.可选地，在获取水泥烧成系统中各个测点的实时数据片段，还包括：
15.在水泥烧成系统中的各个组件中设置测点；其中，每个组件可以设置多个测点；
16.将各个测点所测的数据存储进数据库中，从数据库中获取实时数据片段；
17.并根据各个测点的实时数据片段通过异常检测得到异常数据索引。
18.可选地，将目标时间区间内所获取到的数据片段进行标准化处理，包括：
19.使用z-score标准化方法，对获取到的数据片段进行标准化处理；其中，根据第一公式确定标准化后的结果，所述第一公式具体包括：
[0020][0021]
其中，xi表示真实数据，表示平均值，s表示标准差，yi表示标准化后的结果。
[0022]
可选地，将标准化处理后的数据片段的值域范围进行区域划分，包括：
[0023]
确定当前测点标准化后的值域范围为[a，b]，将其划分为c个区域，则每个区域的跨度为最终得到的划分结果具体包括：
[0024][0025]
其中，每个区域对应的编号分别为：
[0026]
可选地，确定出划分区域后的异常数据时间区间的邻域所对应数据，并对邻域所对应数据进行编码，得到当前测点的特征值，包括：
[0027]
取异常数据时间维度邻域内的数据，对时间片段数据进行编码，将每条数据的每个值按比例缩放并取整，将每条数据编码为数字组合，数字组合用于表征当前测点的数值。
[0028]
第二方面，提供了一种水泥烧成系统运行异常定位装置，该装置包括：
[0029]
获取模块，用于获取水泥烧成系统中各个测点的实时数据片段；
[0030]
标准化模块，针对于每一个测点的实时数据片段，将目标时间区间内所获取到的数据片段进行标准化处理；
[0031]
区域划分模块，用于将标准化处理后的数据片段的值域范围进行区域划分；
[0032]
编码模块，用于确定出划分区域后的异常数据时间区间的邻域所对应数据，并对邻域所对应数据进行编码，得到当前测点的特征值；
[0033]
异常定位模块，用于根据各个测点的特征值确定每个测点所对应的极差，当存在预设数量测点所对应的极差超过阈值时，则确定目标时间区间系统运行异常；其中，极差超过阈值所对应的测点为异常测点。
[0034]
可选地，所述获取模块还包括：
[0035]
在水泥烧成系统中的各个组件中设置测点；其中，每个组件可以设置多个测点；
[0036]
将各个测点所测的数据存储进数据库中，从数据库中获取实时数据片段；
[0037]
并根据各个测点的实时数据片段通过异常检测得到异常数据索引。
[0038]
可选地，所述标准化模块包括：
[0039]
使用z-score标准化装置，对获取到的数据片段进行标准化处理；其中，根据第一公式确定标准化后的结果，所述第一公式具体包括：
[0040][0041]
其中，xi表示真实数据，表示平均值，s表示标准差，yi表示标准化后的结果。
[0042]
可选地，所述区域划分模块包括：
[0043]
确定当前测点标准化后的值域范围为[a，b]，将其划分为c个区域，则每个区域的跨度为最终得到的划分结果具体包括：
[0044][0045]
其中，每个区域对应的编号分别为：
[0046]
可选地，所述编码模块包括：
[0047]
取异常数据时间维度邻域内的数据，对时间片段数据进行编码，将每条数据的每个值按比例缩放并取整，将每条数据编码为数字组合，数字组合用于表征当前测点的数值。
[0048]
本技术实施例提供的技术方案中首先获取水泥烧成系统中各个测点的实时数据片段；针对于每一个测点的实时数据片段，将目标时间区间内所获取到的数据片段进行标准化处理；然后进行区域划分；确定出划分区域后的异常数据时间区间的邻域所对应数据，并对邻域所对应数据进行编码，得到当前测点的特征值；最后根据各个测点的特征值确定每个测点所对应的极差，当存在预设数量测点所对应的极差超过阈值时，则确定目标时间区间系统运行异常。可以看出，本发明的有益效果在于：
[0049]
(1)本方法对数据量没有要求，解决了异常数据极少的问题；
[0050]
(2)本方法不涉及复杂的非线性模型，解决了机器学习模型输出不稳定，难以解释的问题。
附图说明
[0051]
为了更清楚地说明本发明的实施方式或现有技术中的技术方案，下面将对实施方式或现有技术描述中所需要使用的附图作简单地介绍。显而易见地，下面描述中的附图仅仅是示例性的，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图引申获得其它的实施附图。
[0052]
图1为本技术实施例提供的一种水泥烧成系统运行异常定位方法流程图；
[0053]
图2为本技术实施例提供的水泥烧成系统示意图；
[0054]
图3为本技术实施例进行异常定位的示意图。
具体实施方式
[0055]
为了使本技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本技术进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本技术，并不用于限定本技术。
[0056]
在本发明的描述中，术语“包括”、“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包括了一系列步骤或单元的过程、方法、系统、产品或设备不必限于已明确列出的那些步骤或单元，而是还可包含虽然并未明确列出的但对于这些过程、方法、产品或设备固有的其它步骤或单元，或者基于本发明构思进一步的优化方案所增加的步骤或单元。
[0057]
本技术的目的是解决在异常数据极少和不使用模型的情况下，采用编码的方式准确定位异常发生的位置和严重程度，同时是在异常检测的基础上进行了二次检测，降低误检率，并且具有较强的可解释性，提高生产的智能化，降低生产单位因异常造成的损失，降低工人的劳动强度。具体地，请参考图1，其示出了本技术实施例提供的一种水泥烧成系统运行异常定位方法的流程图，该方法可以包括以下步骤：
[0058]
s1，获取水泥烧成系统中各个测点的实时数据片段。
[0059]
在本技术中，水泥烧成系统可以如图2所示，主要由预热器、分解炉、回转窑和篦冷机四部分构成。经研磨的生料由提升机送入预热器，然后在惯性的作用下进入回转窑进行煅烧，接下来在重力的作用以及回转窑的定速转动作用下，生料由窑尾到窑头缓慢移动，移动的过程中在高温煅烧作用下进行一系列的物理反应和化学反应，之后经窑头卸下的高温红热熟料在惯性作用下进入篦冷机进行熟料骤冷，通过篦冷机完成对水泥熟料的冷却及熟料成品的回收。通过各个测点的实时数据对整个烧成系统的运行情况进行监测，当出现异常时快速对造成异常的变量进行定位，并计算出异常的严重程度。
[0060]
具体的，本技术中的测点可以设置于在水泥烧成系统中的各个组件中，每个组件可以设置多个测点。
[0061]
在本技术实施例中，本步骤包括获取实时数据片段和异常数据索引，具体从数据库获取实时数据片段后通过异常检测得到异常数据索引。
[0062]
s2，针对于每一个测点的实时数据片段，将目标时间区间内所获取到的数据片段进行标准化处理。
[0063]
本步骤主要是数据标准化处理的过程，具体地：使用z-score标准化方法，对获取到的数据片段进行标准化处理，消除量纲的差异，降低异常数据的影响，方便后续进行编码操作，其公式如下所示：
[0064][0065]
其中，xi表示真实数据，表示平均值，s表示标准差，yi表示标准化后的结果。
[0066]
在本技术可选的实施例中，上述标准化过程也可以为归一化过程，即对获取到的数据片段进行归一化处理，将其缩放至固定范围内方便后续进行编码操作。
[0067]
s3，将标准化处理后的数据片段的值域范围进行区域划分。
[0068]
在本步骤中，进行区域划分具体过程为：
[0069]
假设某数据片段有k条数据，其中某个特征标准化后的值域b范a围为[a，b]，现需
要将其划分为c(c为奇数)个区域，则每个区域的跨度为最终得到的划分结果如下所示：
[0070][0071]
其中，每个区域对应的编号分别为：
[0072]
s4，确定出划分区域后的异常数据时间区间的邻域所对应数据，并对邻域所对应数据进行编码，得到当前测点的特征值。
[0073]
在本步骤中，取时间邻域数据并编码：取异常数据时间维度邻域范围内的j条数据，假设该异常数据索引为i，则截取到的异常数据在时间维度上的邻域数据索引范围为按照上一步得到的区域编号对该时间邻域数据进行编码，将每条数据的每个值按照各自所在范围对应的编号进行编码，这样就可以将每条数据编码为数字组合，每个数字就代表该条数据对应特征的数值。
[0074]
s5，根据各个测点的特征值确定每个测点所对应的极差，当存在预设数量测点所对应的极差超过阈值时，则确定目标时间区间系统运行异常。
[0075]
其中，极差超过阈值所对应的测点为异常测点。
[0076]
本步骤中主要是异常定位及异常程度，通过判断经统一编码后的数据特征是否发生剧烈波动来定位引起该异常发生的相应的原因(特征)。上一步对截取的时间邻域数据编码得到的数字组合，计算每个特征在该时间邻域内的极差，极差表示该特征的最大跨域数，即最大振动幅度，若有n个以上的特征存在跨域数大于m的情况，即存在n个以上的特征产生了幅度大于m的振动，就判定该时间片段内确实发生了异常情况，同时这n个以上特征便是定位到的引起异常发生的特征，跨域数就表示异常的程度(曲线波动幅度)，跨域数越大则异常越明显程度越深。
[0077]
可以看出，本技术主要通过各个测点的实时数据对整个烧成系统的运行情况进行监测，当出现异常时快速对造成异常的变量进行定位，并计算出异常的严重程度。
[0078]
在本技术另一个实施例中，从数据库获取的实时数据片段经过异常检测方法后得到异常索引，将该数据片段及异常索引传给异常定位程序，异常定位程序先对片段数据进行标准化去量纲处理，将数据缩放至固定范围内以便后续编码操作，接下来进行区域划分，将数据值域进行区域划分。
[0079]
如图3所示给出了进行异常定位的示意图，假设特征a经过标准化处理后的值域范围为[-0.2，2.3]，将其划分为5个区域，则得到的划分结果为[-0.2，0.3)，[0.3，0.8)，[0.8，1.3)，[1.3，1.8)，[1.8，2.3]；特征b经过标准化处理后的值域范围为[0.4，2.5]，将其划分为7个区域，则得到的划分结果为[0.4，0.7)，[0.7，1.0)，[1.0，1.3)，[1.3，1.6)，[1.6，1.9)，[1.9，2.2)，[2.2，2.5]；特征c经过标准化处理后的值域范围为[0.3，2.1]，将其划分为3个区域，则得到的划分结果为[0.3，0.9)，[0.9，1.5)，[1.5，2.1]，然后截取异常数据时间维度邻域范围内的数据，即图中右边虚线之间的部分，对该时间片段数据进行编码操作转换为数字组合，完成了数据编码。每一个数字组合就是一条数据，每一个数字都对应着一
个相应位置的特征，对编码得到的数字组合计算每个特征的极差，极差表示最大的跨域数，若有n个以上的特征存在跨域大于m的情况，就判定为异常数据，同时极差所对应的特征就是定位到的引起异常的特征，跨域数就表示异常的程度，跨域数越大，则异常越明显程度越深。
[0080]
如图3，数据含a，b，c三个特征，数据编码部分就是按上述流程对其中一条数据(左侧虚线)进标准差标准化后得到2.12，1.87，0.21，编码后得到结果为“210”，编码规则设计好后，对红色虚线范围内的数据按照同样的规则进行编码容易得到：特征a编码后最大值为2，最小值为0；特征b编码后最大值为1，最小值为-2；特征c编码后最大值为1，最小值为0，则特征a，b，c的跨域数分别为2，3，1。
[0081]
在线监测时，该方法从曲线跳变的角度对异常检测的结果进行了二次检测，明显降低了异常检测方法的误报率，同时准确定位了引起异常的根因特征，在不依靠异常数据和模型的情况下实现了异常定位。
[0082]
综上可以看出，本技术从异常的本质出发，以编码的方式重构特征数据，降低异常检测方法的误检率，实现了对异常程度的量化；同时结合工程实际，避免对异常数据的依赖，避免复杂非线性模型的训练，占用运算资源少、运算速度快。
[0083]
本技术实施例还提供的一种水泥烧成系统运行异常定位装置。装置包括：
[0084]
获取模块，用于获取水泥烧成系统中各个测点的实时数据片段；
[0085]
标准化模块，针对于每一个测点的实时数据片段，将目标时间区间内所获取到的数据片段进行标准化处理；
[0086]
区域划分模块，用于将标准化处理后的数据片段的值域范围进行区域划分；
[0087]
编码模块，用于确定出划分区域后的异常数据时间区间的邻域所对应数据，并对邻域所对应数据进行编码，得到当前测点的特征值；
[0088]
异常定位模块，用于根据各个测点的特征值确定每个测点所对应的极差，当存在预设数量测点所对应的极差超过阈值时，则确定目标时间区间系统运行异常；其中，极差超过阈值所对应的测点为异常测点。
[0089]
在本技术可选的实施例中，获取模块还包括：
[0090]
在水泥烧成系统中的各个组件中设置测点；其中，每个组件可以设置多个测点；
[0091]
将各个测点所测的数据存储进数据库中，从数据库中获取实时数据片段；
[0092]
并根据各个测点的实时数据片段通过异常检测得到异常数据索引。
[0093]
在本技术可选的实施例中，标准化模块包括：
[0094]
使用z-score标准化装置，对获取到的数据片段进行标准化处理；其中，根据第一公式确定标准化后的结果，第一公式具体包括：
[0095][0096]
其中，xi表示真实数据，表示平均值，s表示标准差，yi表示标准化后的结果。
[0097]
在本技术可选的实施例中，区域划分模块包括：
[0098]
确定当前测点标准化后的值域范围为[a，b]，将其划分为c个区域，则每个区域的
跨度为最终得到的划分结果具体包括：
[0099][0100]
其中，每个区域对应的编号分别为：
[0101]
在本技术可选的实施例中，编码模块包括：
[0102]
取异常数据时间维度邻域内的数据，对时间片段数据进行编码，将每条数据的每个值按比例缩放并取整，将每条数据编码为数字组合，数字组合用于表征当前测点的数值。
[0103]
本技术实施例提供的水泥烧成系统运行异常定位装置用于实现上述水泥烧成系统运行异常定位方法，关于水泥烧成系统运行异常定位装置的具体限定可以参见上文中对于水泥烧成系统运行异常定位方法的限定，在此不再赘述。上述水泥烧成系统运行异常定位装置中的各个部分可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于设备中的处理器中，也可以以软件形式存储于设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
[0104]
以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
[0105]
以上所述实施例仅表达了本技术的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本技术构思的前提下，还可以做出若干变形和改进，这些都属于本技术的保护范围。因此，本技术专利的保护范围应以所附权利要求为准。

技术特征：
1.一种水泥烧成系统运行异常定位方法，所述水泥烧成系统包括预热器组件、分解炉组件、回转窑组件和篦冷机组件，其特征在于，所述方法包括：获取水泥烧成系统中各个测点的实时数据片段；针对于每一个测点的实时数据片段，将目标时间区间内所获取到的数据片段进行标准化处理；将标准化处理后的数据片段的值域范围进行区域划分；确定出划分区域后的异常数据时间区间的邻域所对应数据，并对邻域所对应数据进行编码，得到当前测点的特征值；根据各个测点的特征值确定每个测点所对应的极差，当存在预设数量测点所对应的极差超过阈值时，则确定目标时间区间系统运行异常；其中，极差超过阈值所对应的测点为异常测点。2.根据权利要求1所述的水泥烧成系统运行异常定位方法，其特征在于，在获取水泥烧成系统中各个测点的实时数据片段，还包括：在水泥烧成系统中的各个组件中设置测点；其中，每个组件可以设置多个测点；将各个测点所测的数据存储进数据库中，从数据库中获取实时数据片段；并根据各个测点的实时数据片段通过异常检测得到异常数据索引。3.根据权利要求1所述的水泥烧成系统运行异常定位方法，其特征在于，将目标时间区间内所获取到的数据片段进行标准化处理，包括：使用z-score标准化方法，对获取到的数据片段进行标准化处理；其中，根据第一公式确定标准化后的结果，所述第一公式具体包括：其中，x
i
表示真实数据，表示平均值，s表示标准差，y
i
表示标准化后的结果。4.根据权利要求1所述的水泥烧成系统运行异常定位方法，其特征在于，将标准化处理后的数据片段的值域范围进行区域划分，包括：确定当前测点标准化后的值域范围为[a，b]，将其划分为c个区域，则每个区域的跨度为最终得到的划分结果具体包括：其中，每个区域对应的编号分别为：5.根据权利要求1所述的水泥烧成系统运行异常定位方法，其特征在于，确定出划分区域后的异常数据时间区间的邻域所对应数据，并对邻域所对应数据进行编码，得到当前测点的特征值，包括：取异常数据时间维度邻域内的数据，对时间片段数据进行编码，将每条数据的每个值按比例缩放并取整，将每条数据编码为数字组合，数字组合用于表征当前测点的数值。
6.一种水泥烧成系统运行异常定位装置，其特征在于，所述装置包括：获取模块，用于获取水泥烧成系统中各个测点的实时数据片段；标准化模块，针对于每一个测点的实时数据片段，将目标时间区间内所获取到的数据片段进行标准化处理；区域划分模块，用于将标准化处理后的数据片段的值域范围进行区域划分；编码模块，用于确定出划分区域后的异常数据时间区间的邻域所对应数据，并对邻域所对应数据进行编码，得到当前测点的特征值；异常定位模块，用于根据各个测点的特征值确定每个测点所对应的极差，当存在预设数量测点所对应的极差超过阈值时，则确定目标时间区间系统运行异常；其中，极差超过阈值所对应的测点为异常测点。7.根据权利要求6所述的水泥烧成系统运行异常定位装置，其特征在于，所述获取模块还包括：在水泥烧成系统中的各个组件中设置测点；其中，每个组件可以设置多个测点；将各个测点所测的数据存储进数据库中，从数据库中获取实时数据片段；并根据各个测点的实时数据片段通过异常检测得到异常数据索引。8.根据权利要求6所述的水泥烧成系统运行异常定位装置，其特征在于，所述标准化模块包括：使用z-score标准化装置，对获取到的数据片段进行标准化处理；其中，根据第一公式确定标准化后的结果，所述第一公式具体包括：其中，x
i
表示真实数据，表示平均值，s表示标准差，y
i
表示标准化后的结果。9.根据权利要求6所述的水泥烧成系统运行异常定位装置，其特征在于，所述区域划分模块包括：确定当前测点标准化后的值域范围为[a，b]，将其划分为c个区域，则每个区域的跨度为最终得到的划分结果具体包括：其中，每个区域对应的编号分别为：10.根据权利要求6所述的水泥烧成系统运行异常定位装置，其特征在于，所述编码模块包括：取异常数据时间维度邻域内的数据，对时间片段数据进行编码，将每条数据的每个值按比例缩放并取整，将每条数据编码为数字组合，数字组合用于表征当前测点的数值。

技术总结
本申请公开了一种水泥烧成系统运行异常定位方法及装置。本方法首先获取水泥烧成系统中各个测点的实时数据片段；针对于每一个测点的实时数据片段，将目标时间区间内所获取到的数据片段进行标准化处理；然后进行区域划分；确定出划分区域后的异常数据时间区间的邻域所对应数据，并对邻域所对应数据进行编码，得到当前测点的特征值；最后根据各个测点的特征值确定每个测点所对应的极差，当存在预设数量测点所对应的极差超过阈值时，则确定目标时间区间系统运行异常。本方法可以在异常数据极少和不使用模型的情况下，采用编码的方式准确定位异常发生的位置和严重程度。位异常发生的位置和严重程度。位异常发生的位置和严重程度。


技术研发人员：吕伟军 常家玮
受保护的技术使用者：北京和隆优化科技股份有限公司
技术研发日：2023.05.16
技术公布日：2023/9/14