一种基于Savitzky-Golay滤波器的多变量监控方法与系统与流程

本公开涉及工业过程监控系统等自动化
技术领域：
，特别是涉及一种基于savitzky-golay滤波器的多变量监控方法与系统。
背景技术：
：工业过程监控系统是现代过程工业中分布式控制系统的重要组成部分。由于监控变量设置不当，导致监控系统经常会产生大量的干扰告警，严重降低了监控系统性能，对生产的安全性和效率构成严重威胁。导致大量干扰告警存在的一个重要原因是告警变量设置与其相关变量之间缺乏相关性，目前，大多数过程变量都采用设定信号幅值上、下限的告警设计方法，当过程变量的信号幅值超过正常工作范围的上限或下限时，将触发告警。但是对于多变量系统，由于各个过程变量存在相关性，仅考虑各个变量本身的幅值变化是不够的。发明人在研究中发现，现今的流程工业分布式控制系统中积累了大量的历史数据，以这些历史数据为基础采用数据驱动建模方法可以有效地进行多变量监控系统的设计。当前已有基于多元概率分布、基于贝叶斯估计、基于主成分分析和基于人工神经网络等监控系统设计方法。但是，这些方法所提取的数据特征通常是不可解释的，因此工业应用过程中运行人员通常难以接受这些方法。技术实现要素：本说明书实施方式的目的是提供一种基于savitzky-golay滤波器的多变量监控方法，对于提高流程工业中的监控系统的有效性，降低干扰告警数量具有较高的实际应用价值。本说明书实施方式提供一种基于savitzky-golay滤波器的多变量监控方法，采用以下技术方案：包括：获取多变量系统的历史运行数据，该历史运行数据中包含多个表明系统运行状态的过程变量，并标注历史运行数据的正常或异常情况；使用savitzky-golay滤波器对各个过程变量的历史时间序列数据进行滤波，得到滤波后的信号幅值及各阶导数；将各个过程变量的滤波后信号幅值及各阶导数组成特征空间；在特征空间中基于历史数据训练得到非线性支持向量机模型，并用于判断是否给出告警，实现多变量的监控。本说明书实施方式所提出的方法具有高准确率的优点，克服了传统单变量监控阈值设计方法的缺陷，能有效提高监控系统有限性，使得误、漏告警的数量都大幅减少。本说明书另一实施方式提供一种基于savitzky-golay滤波器的多变量监控系统，采用以下技术方案：数据选择模块，被配置为：获取多变量系统的历史运行数据，该历史运行数据中包含多个表明系统运行状态的过程变量，并标注历史运行数据的正常或异常情况；滤波模块，被配置为：使用savitzky-golay滤波器对各个过程变量的历史时间序列数据进行滤波，得到滤波后的信号幅值及各阶导数；特征空间模块，被配置为：将各个过程变量的滤波后信号幅值及各阶导数组成特征空间；告警模块，被配置为：在特征空间中基于历史数据训练得到非线性支持向量机模型，并用于判断是否给出告警，实现多变量监控。本说明书技术方案所提出的方法具有高准确率的优点，改进了传统对单变量设置监控阈值的方法，使得误、漏告警的数量都大幅减少。本说明书另一实施方式提供一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现一种基于savitzky-golay滤波器的多变量监控方法。本说明书另一实施方式提供一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现一种基于savitzky-golay滤波器的多变量监控方法。与现有技术相比，本公开的有益效果是：本公开技术方案结合数据驱动优势与定性趋势分析优势的多变量监控，所提出的方法具有高准确率的优点，克服了传统单变量监控阈值设计方法的缺陷，能有效提高监控系统有限性，使得误、漏告警的数量都大幅减少。附图说明构成本公开的一部分的说明书附图用来提供对本公开的进一步理解，本公开的示意性实施例及其说明用于解释本公开，并不构成对本公开的不当限定。图1：本公开实施例子的一种基于savitzky-golay滤波器的多变量监控方法的流程图；图2：本公开实施例子的一种基于savitzky-golay滤波器的多变量监控系统框图；图3：本公开实施例子的给水泵系统的历史数据时间序列图；图4：本公开实施例子的前置泵电流的滤波后幅值、一阶导数和二阶导数的时间序列图。具体实施方式应该指出，以下详细说明都是例示性的，旨在对本公开提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本公开所属
技术领域：
的普通技术人员通常理解的相同含义。需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本公开的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。现有的定性趋势分析法，通过提取单个过程变量随时间变化的特征，如增加、不变、减少等定性趋势信息，由于定性趋势信息具有很好的直观解释性，因此定性趋势信息对于实际过程监控也具有直观地可解释性，同时能很好地符合现场运行人员的经验与直观理解。实施例子一该实施例子提供了一种基于savitzky-golay滤波器的多变量监控方法，通过savitzky-golay滤波器提取滤波后的信号幅值及各阶导数作为定性特征，并在特征空间中训练非线性支持向量机模型，通过非线性支持向量机模型判别是否应当给出告警，实现多变量的告警监控。在一实施例子中，一种基于savitzky-golay滤波器的多变量监控方法，参见附图1所示，具体包括：步骤s1，获取足量的历史数据，并标注好历史数据的正常或异常情况；步骤s2，使用savitzky-golay滤波器对各个过程变量的历史时间序列数据进行滤波，得到滤波后的信号幅值及各阶导数；步骤s3，将各个变量的滤波后信号幅值及各阶导数组成特征空间；步骤s4，在特征空间中基于历史数据训练得到非线性支持向量机模型，并用于判断是否给出告警。在具体实施例子中，步骤s1中，设多变量系统为x＝[x1,x2,…,xr]。(1)过程变量xr在t0时刻的幅值为xr(t0)，1≤r≤r，r为过程变量的数量。历史数据的正常或异常情况通过标签序列y(t)表示。若t0时刻存在异常，则y(t0)取+1。相反，若t0时刻不存在异常，则y(t0)取-1。在具体实施例子中，步骤s2中，savitzky-golay滤波器是一种基于多项式最小二乘法拟合的滤波方法，广泛应用于数据流平滑去噪。本公开实施例子使用savitzky-golay滤波器提取过程变量时间序列数据的滤波后信号幅值及各阶导数的原理如下：考虑一列时间序列数据x(t)，对于t0时刻前后的数据点x(t0+n)，n为时间差，-m≤n≤m。对这些一共2m+1个数据点进行多项式拟合。多项式拟合函数形式如下，其中，k为多项式拟合的最大阶次，ak为待定系数。最小二乘法中，多项式拟合的累积误差为其中，通过最小化lk可以得到各系数ai，0≤i≤k，即令lk对ai的偏导数为零，上式可以变换为可以看到这是关于ak的多元一次方程组，共有k+1个方程。同时，ak为x(t0+n)的线性组合，该线性组合可以通过如下流程求解。令矩阵a＝{αn,i}，其中αn,i＝ni，(6)其中-m≤n≤m，i＝0,1,…,k。记b＝ata，则矩阵b的元素βi,k为其中i＝0,1,…,k，k＝0,1,…,k。再记向量和待求解的系数向量则式(5)可以表示成ba＝ataa＝atx。(10)可得解为a＝(ata)-1atx＝hx，(11)其中矩阵h＝{hi,n}，i＝0,1,…,k，n＝-m,-m+1,…,m-1,m，h＝(ata)-1at。(12)则对于t0时刻有n＝0，滤波后的序列s(t)在t0时刻的信号幅值为由(2)可以求得t0时刻的各阶导数如下，在具体实施例子中，步骤s3中，对于多变量系统x＝[x1,x2,…,xr]，特征空间为s＝[s1,s2,…,sr]，(15)其中sr为过程变量xr的滤波后信号幅值及各阶导数，即在具体实施例子中，步骤s4中，在特征空间中基于历史数据训练得到非线性支持向量机模型，其中，支持向量机是机器学习理论中一种常用的分类模型。支持向量机通过构造一个超平面将两个类别的数据点分开。使用支持向量机模型对savitzky-golay滤波器提取的特征进行分类，判断是否应当给出告警。给定n维特征空间s内包含n个数据的训练数据集合t＝{(x1,y1),(x2,y2),…,(xn,yn)}，(17)其中，n维特征向量xi∈s(t)，标签yi∈y(t)，i＝1,2,…,n。线性支持向量机将会在特征空间s内构造一个分类超平面，设该超平面形式如下：w·x+b＝0，(18)及相应的分类决策函数为f(x)＝sign(w·x+b)。(19)其中向量w和变量b均为定义超平面所需的参数。该超平面通过求解如下最优化问题得到其中ξi为松弛变量，c为惩罚参数。该约束问题通过求解其对偶问题得到，设该问题的最优解是则超平面(16)的斜率为并选择正分量计算对于训练数据是线性不可分的情况，可以通过构造核函数k(x,z)将原样本空间映射到新特征空间，在新空间实现线性可分。将(21)式改写成如下形式，对应的决策函数为本方法中使用高斯核函数：基于历史数据训练得到非线性支持向量机模型。使用式(25)判断是否需要给出告警，即其中，当为+1时产生告警，当为-1时表示无告警。实施例子二参见附图2所示，本公开还公开了一种基于savitzky-golay滤波器的多变量监控系统，包括：数据选择模块，被配置为：获取多变量系统的历史运行数据，该历史运行数据中包含多个表明系统运行状态的过程变量，并标注历史运行数据的正常或异常情况；滤波模块，被配置为：使用savitzky-golay滤波器对各个过程变量的历史时间序列数据进行滤波，得到滤波后的信号幅值及各阶导数；特征空间模块，被配置为：将各个过程变量的滤波后信号幅值及各阶导数组成特征空间；告警模块，被配置为：在特征空间中基于历史数据训练得到非线性支持向量机模型，并用于判断是否给出告警，实现多变量的监控。数据选择模块中，历史运行数据的正常或异常情况通过标签序列表示，若某时刻存在异常，则标签序列取+1，相反，若某时刻不存在异常，则标签序列取-1。应当注意，尽管在上文的详细描述中提及了设备的若干模块或子模块，但是这种划分仅仅是示例性而非强制性的。实际上，根据本公开的实施例，上文描述的两个或更多模块的特征和功能可以在一个模块中具体化。反之，上文描述的一个模块的特征和功能可以进一步划分为由多个模块来具体化。实施例子三本说明书另一实施方式提供一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现一种基于savitzky-golay滤波器的多变量监控方法。关于一种基于savitzky-golay滤波器的多变量监控方法可参见实施例子一，此处不再详细描述。在本实施例中，计算机程序产品可以包括计算机可读存储介质，其上载有用于执行本公开的各个方面的计算机可读程序指令。计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。实施例子四本说明书另一实施方式为利用基于savitzky-golay滤波器的多变量监控方法的具体算例，本算例数据是流程工业中常见的给水泵的运行数据。有关该给水泵运行状态的五个过程变量为：前置泵电流x1、入口流量x2、入口压力x3、转速实际值x4、出口压力x5，组成多变量系统x＝[x1,x2,x3,x4,x5]。在该实施例中，参见附图3，展示了一段典型历史运行数据的时间序列图。这段时间内存在多段已经由运行人员标记好的异常数据。图中已经将异常数据段标记为深色背景。使用savitzky-golay滤波器对各个过程变量的历史数据进行滤波。滤波器参数为m＝30、k＝2。基于式(13)～(14)得到滤波后的幅值sr及各阶导数和等。参见附图4，其中的各个子图展示了前置泵电流x1的滤波后幅值s1、与的时间序列图。本例中特征空间s＝[s1,s2,…,sr]包含5×3＝15维。基于历史数据训练得到非线性支持向量机模型。传统的单变量告警方法将作为对比基准。本例中变量为x3配置了一个高告警阈值的变量，即在测试数据集上对比单变量监控方法(28)与本文所提出的基于信号导数的多变量监控方法(27)的性能。表1给出了两种方法的误告率β1和漏告率β2两个指标的对比结果。这两个指标的具体计算方法如下，式中count(·)为计数函数。对比后可以发现，相比于单变量监控方法，本公开实施例子的技术方案所提出的基于信号导数的多变量监控方法使得监控系统的误、漏告警率都明显降低。因而本公开实施例子所提出的多变量监控方法性能更优。表1误报率和漏报率结果对比β1β2单变量监控28.6％64.7％多变量监控4.6％5.1％本公开基于savitzky-golay滤波器的多变量监控方法对于提高流程工业中的监控系统的有效性，降低干扰告警数量具有较高的实际应用价值。实施例子五该实施例子公开了一种多变量监控方法，所述监控方法使用的告警器被配置为执行上述实施例子一中的一种基于savitzky-golay滤波器的多变量监控方法。多变量监控方法使用的告警器在表现形式上可为包含控制单元的灯光告警器，或者其他形式的告警设备。可以理解的是，在本说明书的描述中，参考术语“一实施例”、“另一实施例”、“其他实施例”、或“第一实施例～第n实施例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本公开的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。以上所述仅为本公开的优选实施例而已，并不用于限制本公开，对于本领域的技术人员来说，本公开可以有各种更改和变化。凡在本公开的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本公开的保护范围之内。当前第1页12