本发明涉及烟气监测技术领域，特别涉及一种基于密度的离群点检测的cems系统故障分析方法。
背景技术：
随着当前的生态环境不断恶化，尤其是pm2.5日益严重，我国对燃煤电厂的排放物有了更加严格的要求，燃煤电厂向大气排放的气态（烟气）污染物（二氧化硫、氮氧化物、一氧化碳等）和固体污染物（烟尘）需要控制在一定的范围内。cems固定污染物源排放连续监测系统（continuousemissionsmonitoringsystem）用于长期且连续监测固定污染物源排放的烟气和烟尘，反映烟尘在某一段时间内的排放状况。然而cems是一种工作在多尘、高湿、腐蚀性且流场不稳定环境中的系统，环境的恶劣、精密仪器的损坏都会造成系统采集污染物浓度数据的不准确性。良好的数据源能够为电网对电厂污染物排放、脱硫脱硝设备运行监视提供数据指导，为电网节能发电调度与脱硫脱硝电量考核提供决策支持。因而，需要使用离群点检测的方法将异常数据点甄别出来，发现cems系统中的问题设备。
所谓离群点，就是那些与众不同的远离常规数据对象的数据。由于离群点并不总是孤立出现，很可能以小群体的形式出现，即离群簇出现。在各类型检测算法中，基于聚类的离群点检测算法将不属于任何聚类的点定义为离群点，对于离群检测有较好的效果。
技术实现要素：
1、所要解决的技术问题：
发明针对现有技术存在的上述不足，提出一种基于密度的离群点检测的cems系统故障分析方法，采用数据挖掘中基于密度的离群点检测的思想检测cems系统中异常数据点甄别出来，配合阈值检测确定设备中可能发生的相应故障。利用本发明的故障诊断结果，可实施针对性预测性检修，根据仪表的使用场景来规划好维护方案，保障设备的可靠运行。
2、技术方案：
一种基于密度的离群点检测的cems系统故障分析方法，其特征在于：包括以下步骤：
步骤一：通过传感器采集cems系统相应的参数和系统数据，并通过zigbee协议将传感器测量的相应的物理特性上传到采集器中，主机通过与采集器进行串口通信实时获取当前系统运行的各参数；
步骤二，将获得的每个传感器的参数按照统一格式整理归类，标识出各自对应的来源和类型，然后输出至后台主机数据库中进行存储；同时将每个传感器的参数按照滑动时间窗的方式建立故障诊断数据集；
步骤三，对步骤二中建立的故障诊断数据集，运用基于密度的离群点挖掘方法计算出最新的每个传感器的参数的离群程度作为判断当前时刻系统的物理特性是否正常的依据，并在异常时进行实时故障诊断获得故障诊断结果；
步骤四，将运行状态信息、步骤三中判断结果和故障诊断结果输出至后台主机数据库中，并通过后台主机显示实时物理特性系数和预警信息。
进一步的，所述基于密度的基于密度的离群点挖掘方法计算出最新的每个传感器的参数的离群程度包括以下步骤：
s21：预设一个时间段，计算每个这个时间段传感器的所有点的局部密度的平均值；
s22：计算当前所在传感器的密度；
s23：计算当前离群因子k为传感器的所有点的局部密度的平均值/当前所在传感器的密度；
s24：当前的离群因子大于相应的预设阈值，则判断当时的传感器测量的相应的值为异常。
进一步地，所述的传感器包括流量计传感器、蠕动泵管监测传感器、采样探头滤芯传感器和温度传感器组。
进一步地，所述参数包括so2、nox、co、o2、烟尘、流量、湿度、压力、温度。
2、有益效果：
（1）本发明采用无线传感器技术，直接获取cems系统的so2、nox、co、o2、烟尘、流量、湿度、压力、温度的数据，并采用基于密度的离群点检测的方法将此刻的so2、nox、co、o2、烟尘、流量、湿度、压力、温度等状态与历史的大量同类数据进行横向比较，分析其中的异常运行状况，进而达到诊断相应的传感器是否发生故障的目的。
（2）本发明采用的基于密度的离群点检测的方法避免了因为直管烟道偏短，导致烟道中的颗粒物分布不均匀,导致监测点不具有代表性,获得的数据不能反映真实的情况。
附图说明
图1为本发明的流程图；
图2为本发明的异常点与检测率的效果图。
具体实施方式
实施例1
如图1所示，本实施例操作步骤如下：
（1）传感器采集cems系统的so2、nox、co、o2、烟尘、流量、湿度、压力、温度等参数，通过通过zigbee协议将传感器测量的相应的物理特性上传到采集器中，主机通过与采集器进行串口通信实时获取当前系统运行的各参数；
（2）针对采集到的运行状态信息进行预处理，建立用于设备故障监测的数据集；每个传感器在主机的存储其中建立一个数据库，用来存储该传感器的数据。
（3）建立的故障诊断数据集，运用基于密度的离群点挖掘方法计算出最新的每个传感器的参数的离群程度作为判断当前时刻系统的物理特性是否正常的依据，并在异常时进行实时故障诊断获得故障诊断结果。
所述的实时故障诊断是指：通过比较待测传感器在相同环境下的历史数据以检测出某些异样的个体数据。
在本发明中的数据是预设一定的时间段比如采用的数据集通常是最近半月或一个星期的数据，这样具有更快的处理速度。
由于传感器测量参数包括so2、nox、co、o2、烟尘、流量、湿度、压力、温度等，因此在预设每个阈值时不是单独的考虑单一的环境，还要考虑不同环境下的阈值不同。总体来说如果当前离群因子k趋近于1.则说明该数据点就可能是一个正常的点，如果当前离群因子k比较高，那么该点是异常点的概率极大。
虽然本发明已以较佳实施例公开如上，但它们并不是用来限定本发明的，任何熟习此技艺者，在不脱离本发明之精神和范围内，自当可作各种变化或润饰，因此本发明的保护范围应当以
本技术：
的权利要求保护范围所界定的为准。