基于大数据的多试样标距标记设备的运行监管系统

技术领域

本发明涉及一种运行监管系统，具体地说，涉及一种基于大数据的多试样标距标记设备的运行监管系统。

背景技术

多试样标距标记设备的运行监管系统用于监控、管理和控制多试样标距设备运行，多试样标距设备可能是指用于在一次测试中同时测量多个样本之间的距离的设备，用于测量多个样本之间的距离、位置或者其他相关参数，通过监测和分析多试样标距设备的运行数据，提供性能优化建议和指导，以提高设备的工作效率和性能。

现有的多试样标距标记设备的运行监管系统，由于监管系统的数据预测精度不可靠，导致错误的分析和决策的问题，同时，当运行监管系统出现异常时，需要人工干预，实现设备参数的调整，因此，需要设计基于大数据的多试样标距标记设备的运行监管系统。

发明内容

本发明的目的在于提供基于大数据的多试样标距标记设备的运行监管系统，以解决上述背景技术中提出的由于监管系统的数据预测精度不可靠，导致错误的分析和决策的问题。

为实现上述目的，本发明目的在于提供了基于大数据的多试样标距标记设备的运行监管系统，包括：

数据采集单元，所述数据采集单元用于对标距标记设备运行过程中的监测数据进行采集；

数据分析单元，所述数据分析单元基于大数据预测模型通过异常检测算法对采集的监测数据进行对比分析，用于检测设备运行过程中是否存在异常数据；

数据优化单元，所述数据优化单元基于反馈控制系统，根据数据分析单元的分析结果对设备参数进行修正；其中，所述反馈控制系统包括实时监测模块和调节控制模块，通过实时监测模块监测数据分析单元的数据，由调节控制模块调整设备的参数，使设备运行参数回到设定的目标范围内；

所述实时监测模块用于监测数据分析单元中的异常数据，并将异常数据信息传送至调节控制模块；调节控制模块用于调节设备的运行参数，并定位异常数据的来源，根据异常数据的来源定位多试样标距标记设备的故障点，根据异常数据包含的参数信息，通过调节控制模块调节多试样标距标记设备的运行参数，使设备运行参数回到设定的目标范围内；

数据预警单元，所述数据预警单元基于大数据预测模型分析的结果，用于监控设备的运行状况，并提供实时预警。

作为本技术方案的进一步改进，所述数据采集单元包括传感器和数据存储模块，其中，所述传感器用于采集设备运行过程中的设备数据信息，所述数据存储模块用于将传感器采集的数据进行存储。

作为本技术方案的进一步改进，所述数据分析单元包括数据库、数据预处理模块、数据预测模块和数据对比模块；其中：

所述数据库用于储存多试样标距标记设备在运行过程中的历史数据，其中，所述数据库还包括对比数据库和异常数据库；

所述数据预处理模块用于对传感器采集的数据中的重复数据和噪声数据进行数据清洗；数据清洗方法为对重复数据和噪声数据进行平滑处理；平滑处理的具体算法公式为：

；

其中，

所述数据预测模块基于对比数据库通过大数据预测模型对当前数据进行预测；

所述数据对比模块基于异常检测算法对传感器监测的数据进行对比分析，用于分析监测的数据是否存在异常。

作为本技术方案的进一步改进，所述大数据预测模型基于自回归预测算法模型，其具体算法步骤包括：

S1、基于对比数据库中多试样标距标记设备的历史数据，并确保数据为时间序列数据；

S2、通过ADF检验来确定时间序列数据的稳定性，并通过差分操作将不稳定数据转变为平稳的时间序列；

S3、确定自回归预测算法模型的阶数

S4、对拟合的自回归预测算法模型进行诊断，检查残差序列是否满足白噪声序列的特征，通过残差检验算法对拟合的自回归预测算法模型进行检验，检查残差序列是否满足白噪声序列的特征，确保模型的拟合效果；

S5、通过自回归预测算法模型对未来时间点的时间序列数据进行预测。

作为本技术方案的进一步改进，所述S2中，ADF检验的回归方程如下：

；

其中，

差分操作的具体算法公式如下：

；

其中，

作为本技术方案的进一步改进，所述S3中，所述自回归预测算法模型的具体算法公式为：

；

其中，

作为本技术方案的进一步改进，所述S4中，残差检验算法基于Ljung-Box检验算法并通过调优算法对其进行优化，Ljung-Box检验算法的公式为：

；

其中，

对Ljung-Box检验算法通过调优算法，来确定最佳的滞后阶数h，以改进模型的拟合效果和预测精度，具体调优算法公式为：

；

其中，

通过调优算法来选择最佳的滞后阶数h，具体算法公式为：

；

其中，

使用调优算法来选择最佳的滞后阶数

作为本技术方案的进一步改进，所述异常检测算法具体算法公式为：

；

其中，

标准差的计算公式为：

；

对于每个监测值

。

作为本技术方案的进一步改进，所述实时监测模块用于监测数据分析单元（2）中的异常数据，并将异常数据信息传送至调节控制模块；

调节控制模块用于调节设备的运行参数，并定位异常数据的来源，根据异常数据的来源定位多试样标距标记设备的故障点，根据异常数据包含的参数信息，通过调节控制模块调节多试样标距标记设备的运行参数，使设备运行参数回到设定的目标范围内。

作为本技术方案的进一步改进，所述数据预警单元包括声光报警模块，所述声光报警模块用于接收大数据预测模型分析得到的异常信号，并对异常信号通过声光信号的形式进行报警提示。

与现有技术相比，本发明的有益效果：

1、该基于大数据的多试样标距标记设备的运行监管系统中，基于对比数据库通过大数据预测模型对当前数据进行预测，基于大数据预测模型通过异常检测算法对采集的监测数据进行对比分析，检测设备运行过程中的是否存在异常数据，并通过数据优化单元自动调整设备的参数，使设备运行参数回到设定的目标范围内；并将数据库分为对比数据库和异常数据库，异常数据库用于存储异常数据，将异常数据单独分类存储，避免其污染整个数据库。

2、该基于大数据的多试样标距标记设备的运行监管系统中，通过调优算法对残差检验算法进行优化，提高对滞后阶数的选择精度，以改进自回归预测算法模型的拟合效果和预测精度。

附图说明

图1为本发明的整体流程框图。

图中各个标号意义为：

1、数据采集单元；2、数据分析单元；3、数据优化单元；4、数据预警单元。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整的描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

实施例

请参阅图1所示，提供了一种基于大数据的多试样标距标记设备的运行监管系统，包括数据采集单元1，数据采集单元1用于对标距标记设备运行过程中的监测数据进行采集；监测数据包括设备的温度、压力、速度以及设备的位置信息；数据采集单元1包括传感器和数据存储模块，其中，传感器用于采集设备运行过程中的设备数据信息，数据存储模块用于将传感器采集的数据进行存储；传感器包括温度传感器、压力传感器、速度传感器和位置传感器；设备数据包括温度数据、压力数据、速度数据和位置数据。

还包括数据分析单元2，数据分析单元2基于大数据预测模型通过异常检测算法对采集的监测数据进行对比分析，用于检测设备运行过程中是否存在异常数据；数据分析单元2包括数据库、数据预处理模块、数据预测模块和数据对比模块；其中：

数据库用于储存多试样标距标记设备在运行过程中的历史数据，其中，所述数据库还包括对比数据库和异常数据库；所述对比数据库用于存储正常的历史数据，所述传感器采集的数据与对比数据库中的数据进行对比，用于分析数据的异常情况；所述异常数据库用于存储异常数据，将异常数据单独分类存储，避免其污染整个数据库；

所述数据预处理模块用于对传感器采集的数据中的重复数据和噪声数据进行数据清洗；数据清洗方法为对重复数据和噪声数据进行平滑处理；平滑处理的具体算法公式为：

；

其中，

所述数据预测模块基于对比数据库通过大数据预测模型对当前数据进行预测；

所述数据对比模块基于异常检测算法对传感器监测的数据进行对比分析，用于分析监测的数据是否存在异常；所述异常检测算法具体算法公式为：

；

其中，

标准差的计算公式为：

；

对于每个监测值

。

通过比较监测值与其均值之间的偏差来识别异常值，较大的偏差通常被视为异常值；如果偏差超出了某个阈值范围，优选的，偏差的阈值范围为：

还包括数据优化单元3，数据优化单元3基于反馈控制系统根据数据分析单元2的分析结果，对设备参数进行修正；其中，反馈控制系统包括实时监测模块和调节控制模块，通过实时监测模块监测数据分析单元2的数据，由调节控制模块调整设备的参数，使设备运行参数回到设定的目标范围内；

还包括数据预警单元4，数据预警单元4基于大数据预测模型分析的结果，用于监控设备的运行状况，并提供实时预警；数据预警单元4包括声光报警模块，声光报警模块包括内置的报警音响设备和LED指示灯，声光报警模块用于接收大数据预测模型分析得到的异常信号，并对异常信号通过声光信号的形式进行报警提示。

所述大数据预测模型基于自回归预测算法模型，其具体算法步骤包括：

S1、基于对比数据库中多试样标距标记设备的历史数据，并确保数据为时间序列数据；

S2、通过ADF检验来确定时间序列数据的稳定性，并通过差分操作，差分操作用于处理非平稳时间序列数据，使其转变为平稳时间序列，将不稳定数据转变为平稳的时间序列； ADF检验的回归方程如下：

；

其中，

差分操作的具体算法公式如下：

；

其中，

S3、确定自回归预测算法模型的阶数

；

其中，

S4、对拟合的自回归预测算法模型进行诊断，检查残差序列是否满足白噪声序列的特征，通过残差检验算法对拟合的自回归预测算法模型进行检验，检查残差序列是否满足白噪声序列的特征，残差检验算法是一种常用的时间序列模型诊断方法，用于检验残差序列是否存在自相关性，确保模型的拟合效果；所述S4中，残差检验算法基于Ljung-Box检验算法并通过调优算法对其进行优化，Ljung-Box检验算法的公式为：

；

其中，

利用决策树算法来确定最佳的滞后阶数h可以帮助优化Ljung-Box检验算法，从而提高对残差序列的自相关性检验的精度和准确性，对Ljung-Box检验算法通过调优算法，来确定最佳的滞后阶数h，以改进模型的拟合效果和预测精度，具体调优算法公式为：

；

其中，

通过调优算法来选择最佳的滞后阶数h，具体算法公式为：

；

其中，

使用调优算法来选择最佳的滞后阶数

具体的，通过Ljung-Box检验算法判断残差序列是否符合白噪声序列的特征，其具体判断步骤如下：

在执行Ljung-Box检验算法进行检验时，计算

如果残差序列符合白噪声序列的特征，说明模型已经能够较好地解释时间序列数据中的系统性变动，而残差的随机波动部分已经没有了明显的内在规律。这意味着已经从原始时间序列中提取了大部分的结构性信息，模型的拟合效果比较好，可以更可靠地用于预测未来的数据走势。

S5、通过自回归预测算法模型对未来时间点的时间序列数据进行预测；对比数据库中的数据通过大数据预测模型生成预测数据，将预测数据作为判断监测数据是否异常的标准值；因此，需要保障自回归预测算法模型预测的预测精度。

以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的仅为本发明的优选例，并不用来限制本发明，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。