[發(fā)明專利]一種高噪音工業(yè)過(guò)程的數(shù)據(jù)識(shí)別方法及系統(tǒng)

有效

• 申請(qǐng)?zhí)枺?/td>: 202011244175.9
• 申請(qǐng)日: 2020-11-10
• 公開(kāi)（公告）號(hào): CN112230628B
• 公開(kāi)（公告）日: 2021-11-16
• 發(fā)明（設(shè)計(jì)）人: 羅遠(yuǎn)哲;劉瑞景;張藝騰;吳鵬;閆鹿博;李雪茹;丁京;任光遠(yuǎn);陳思杰
• 申請(qǐng)（專利權(quán)）人: 北京中超偉業(yè)信息安全技術(shù)股份有限公司
• 主分類號(hào): G05B23/02
• 分類號(hào): G05B23/02
• 代理公司: 北京高沃律師事務(wù)所 11569
• 代理人: 崔玥

本發(fā)明公開(kāi)了一種高噪音工業(yè)過(guò)程的數(shù)據(jù)識(shí)別方法及系統(tǒng)。該方法包括：獲取工業(yè)過(guò)程的歷史時(shí)間序列數(shù)據(jù)；對(duì)所述歷史時(shí)間序列數(shù)據(jù)進(jìn)行預(yù)處理；基于所述歷史時(shí)間序列數(shù)據(jù)中的噪音周期，確定巴斯特沃斯濾波器；通過(guò)所述巴斯沃斯濾波器對(duì)預(yù)處理后的歷史時(shí)間序列數(shù)據(jù)進(jìn)行濾波；構(gòu)建頻域傳遞函數(shù)模型；通過(guò)濾波后的歷史時(shí)間序列訓(xùn)練所述頻域傳遞函數(shù)模型；將訓(xùn)練好的頻域傳遞函數(shù)模型轉(zhuǎn)換到時(shí)域，得到時(shí)域傳遞函數(shù)模型作為系統(tǒng)識(shí)別模型，利用所述系統(tǒng)識(shí)別模型對(duì)高噪音工業(yè)過(guò)程的數(shù)據(jù)進(jìn)行識(shí)別。本發(fā)明能夠在工業(yè)控制環(huán)境下進(jìn)行在線預(yù)測(cè)，實(shí)時(shí)獲得預(yù)測(cè)結(jié)果，從而滿足了實(shí)際工業(yè)過(guò)程的需要，有效地分析工業(yè)過(guò)程的頻率特性，顯式地識(shí)別和過(guò)濾高頻波動(dòng)噪音。

技術(shù)領(lǐng)域

本發(fā)明涉及工業(yè)控制領(lǐng)域，特別是涉及一種高噪音工業(yè)過(guò)程的數(shù)據(jù)識(shí)別方法及系統(tǒng)。

背景技術(shù)

近年來(lái)，隨著工業(yè)智能、大數(shù)據(jù)技術(shù)的蓬勃發(fā)展，越來(lái)越多的DCS、PLC等智能檢測(cè)和控制設(shè)施被融入到工業(yè)生產(chǎn)過(guò)程中，提高了工業(yè)領(lǐng)域的自動(dòng)化水平。這也為把握復(fù)雜設(shè)備的運(yùn)行規(guī)律，根據(jù)過(guò)往數(shù)據(jù)和現(xiàn)有狀態(tài)對(duì)其進(jìn)行預(yù)測(cè)，進(jìn)而估計(jì)產(chǎn)量帶來(lái)了機(jī)會(huì)。但是由于應(yīng)用環(huán)境的復(fù)雜性，實(shí)際環(huán)境中的傳感器數(shù)據(jù)難以避免的會(huì)受到電磁干擾、電網(wǎng)波動(dòng)等高頻噪音的影響，從而導(dǎo)致系統(tǒng)記錄數(shù)據(jù)的波動(dòng)性遠(yuǎn)高于實(shí)際情況，難以對(duì)系統(tǒng)進(jìn)行可靠的建模。真實(shí)工業(yè)環(huán)境的大多數(shù)參量都是緩慢變化的，實(shí)際生產(chǎn)中不關(guān)心頻率與采樣頻率相近的劇烈波動(dòng)，擬合的模型更需要趨勢(shì)性的模型特征。

系統(tǒng)建模的過(guò)程就是尋找一個(gè)與系統(tǒng)“相符”的模型，使得模型的輸出， 盡量接近真實(shí)的輸出的過(guò)程。目前，已有許多算法用于復(fù)雜工業(yè)系統(tǒng)的時(shí)間序 列預(yù)測(cè)中，主要包括線性回歸、滑動(dòng)自回歸、狀態(tài)空間模型、BP神經(jīng)網(wǎng)絡(luò)、 支持向量機(jī)等。線性回歸方法復(fù)雜度較低，不適合復(fù)雜工業(yè)過(guò)程；滑動(dòng)自回歸 方法和狀態(tài)空間模型從線性回歸發(fā)展而來(lái)，假設(shè)同一變量x的各時(shí)刻間為線性 關(guān)系，使用之前各時(shí)刻狀態(tài)預(yù)測(cè)當(dāng)前狀態(tài)，該方法能消除預(yù)測(cè)中的隨機(jī)波動(dòng)， 但對(duì)于非0均值和周期性的噪音往往不易表示。BPNN等神經(jīng)網(wǎng)絡(luò)存在難以捕 捉系統(tǒng)長(zhǎng)時(shí)依賴，解釋性、魯棒性不強(qiáng)等問(wèn)題。支持向量機(jī)等方法可以對(duì)高維 特征進(jìn)行降維，但其所必須的核函數(shù)或距離函數(shù)往往不能自動(dòng)的進(jìn)行選擇。上 述工業(yè)過(guò)程建模算法還有兩個(gè)共同的問(wèn)題，一是他們無(wú)法顯式的識(shí)別周期性的 噪音，當(dāng)噪音分量的振幅較大時(shí)，系統(tǒng)無(wú)法正確識(shí)別目標(biāo)模型；二是他們對(duì)于 傳感器采集到的離散數(shù)據(jù)只能構(gòu)建離散時(shí)間模型，當(dāng)系統(tǒng)控制或采樣頻率發(fā)生 變化時(shí)，這些模型往往需要重新訓(xùn)練和預(yù)測(cè)。

發(fā)明內(nèi)容

基于此，本發(fā)明的目的是提供一種高噪音工業(yè)過(guò)程的數(shù)據(jù)識(shí)別方法及系統(tǒng)，有效地分析工業(yè)過(guò)程的頻率特性，顯式地識(shí)別和過(guò)濾高頻波動(dòng)噪音。

為實(shí)現(xiàn)上述目的，本發(fā)明提供了如下方案：

一種高噪音工業(yè)過(guò)程的數(shù)據(jù)識(shí)別方法，包括：

獲取工業(yè)過(guò)程的歷史時(shí)間序列數(shù)據(jù)；

對(duì)所述歷史時(shí)間序列數(shù)據(jù)進(jìn)行預(yù)處理；

基于所述歷史時(shí)間序列數(shù)據(jù)中的噪音周期，確定巴斯特沃斯濾波器；

通過(guò)所述巴斯沃斯濾波器對(duì)預(yù)處理后的歷史時(shí)間序列數(shù)據(jù)進(jìn)行濾波；

構(gòu)建頻域傳遞函數(shù)模型；

通過(guò)濾波后的歷史時(shí)間序列訓(xùn)練所述頻域傳遞函數(shù)模型；

將訓(xùn)練好的頻域傳遞函數(shù)模型轉(zhuǎn)換到時(shí)域，得到時(shí)域傳遞函數(shù)模型作為系統(tǒng)識(shí)別模型，利用所述系統(tǒng)識(shí)別模型對(duì)高噪音工業(yè)過(guò)程的數(shù)據(jù)進(jìn)行識(shí)別。

可選地，所述對(duì)所述歷史時(shí)間序列數(shù)據(jù)進(jìn)行預(yù)處理，具體包括：

對(duì)所述歷史時(shí)間序列數(shù)據(jù)進(jìn)行補(bǔ)全、去除均值和差分處理；

利用拉普拉斯變換將處理后的數(shù)據(jù)轉(zhuǎn)換到頻域。

可選地，所述基于所述歷史時(shí)間序列數(shù)據(jù)中的噪音周期，確定巴斯特沃斯濾波器，具體包括：