基于模拟退火改进克隆选择算法的能耗异常检测方法与流程

本发明涉及液压机的能耗异常检测
技术领域：
，尤其涉及基于模拟退火改进克隆选择算法的能耗异常检测方法。
背景技术：
：液压力机以其高功率质量比、高刚度、高承载能力等优点，在金属成形过程中得到了广泛的应用。然而它们也是众所周知的高能耗，低能效，在复杂的生产条件和长期满负荷运行。考虑到近年来在生产过程中大力推进节能降耗，提高液压机的能源效率已成为低碳制造系统的一个重要研究领域。在过去的几十年里，人们对液压机的效率和能耗及其生产过程的节能优化进行了大量的研究，但主要集中在液压系统的节能优化、液压控制、能量匹配法、动态行为、热力学等方面。目前许多学者将nsa应用于异常检测，取得了良好的效果。idrisi等人利用粒子群算法改进了nsa中随机检测器的生成，并开发了一个电子邮件垃圾邮件检测系统。li等人提出了两种新的nsa，可用于机械设备的异常检测。然而，这两种方法在时间和空间上过于复杂，并且需要扩大应用范围。barontini等人提出了一种适用于二元分类问题的非随机检测器生成方法。然而，该算法不能排除这两个参数之间的交互作用对异常评分的负面影响。液压机的能耗主要是电能。机械系统异常、超长待机、不完全挤压等异常工况将导致能源消耗异常。目前，现有的nsa方法不能直接应用于液压机能耗的异常检测。技术实现要素：本发明为解决现有的能耗异常检测方法不能直接应用于液压机能耗模式异常检测的问题，提供了基于模拟退火改进克隆选择算法的能耗异常检测方法。为实现以上发明目的，而采用的技术手段是：基于模拟退火改进克隆选择算法的能耗异常检测方法，包括以下步骤：s1.采集液压机的历史能耗数据，进行数据预处理后作为训练集数据；s2.基于克隆选择算法的检测器生成阶段，随机生成检测器；s3.利用模拟退火优化所述检测器，生成最佳检测器集；s4.采集液压机的实时能耗数据，进行数据预处理后作为测试集数据；并利用所述最佳检测器集对所述测试集数据进行能耗异常检测。优选的，所述步骤s1以及步骤s4中进行数据预处理的具体步骤包括：对所述能耗数据的时间序列按时间轴进行加窗处理，并移动窗口以提取实值特征向量作为样本数据，逐行对所述样本数据进行标准化处理，将每一行样本数据分别标准化到区间[0,1]内从而完成数据预处理。优选的，步骤s1中所述的将每一行样本数据分别标准化到区间[0,1]内具体为：进行平移–标准差变换：其中，n为样本数据的个数，m为变量的个数；若在平移–标准差变换后仍存在则进行进一步的平移–极差变换，即：其中n为样本数据的个数，m为变量的个数。优选的，所述步骤s2的具体步骤包括：s21.将训练集数据中的异常模式数据标记为1类，正常模式数据标记为0类；s22.基于标记后的训练集数据随机生成自我集s；s23.随机生成检测器；s24.所述检测器与自我集s进行匹配，若匹配成功则删除该检测器，并返回步骤s23；若匹配不成功，则作为新的检测器接受；s25.检验是否生成预设数量的检测器，若是则结束，输出覆盖非我空间的检测器集c＝{c1,c2,...,cn}；若否则返回步骤s24；其中自我集元素s＝(cs,rs)；检测器集元素c＝(cc,rc)；cs∈rn，cc∈rn为中心；rs∈rn，rc∈rn为半径；维数n由能耗数据加窗处理的窗口宽度决定。优选的，所述步骤s3中利用模拟退火优化所述检测器所采用的目标函数为：设定初始目标函数：约束条件为：其中，v(d)为由检测器覆盖的体积，d是检测器集合，di是检测器元素，n是检测器数目，ri是检测器半径，u是非我集，s是自我集；将所述约束条件添加到初始目标函数后得到新的目标函数：c(d)＝overlapping(d)+γ·nonselfcovering(d)其中overlapping(d)为检测器集的重叠空间，nonselfcovering(d)为检测器集和非我空间之间的覆盖空间；两个检测器di与dj之间的重叠空间overlapping(di,dj)的计算表达式如下：其中分别是检测器di与dj的中心；分别是检测器di与dj的半径；则检测器集的重叠空间overlapping(d)的计算表达式如下：检测器di与非我空间元素uj的覆盖空间nonselfcovering(di,uj)的计算表达式如下：其中，分别表示非我空间元素uj的中心和半径；则检测器集和非我空间之间的覆盖空间nonselfcovering(d)的计算表达式如下：将上述的所有计算表达式代入所述新的目标函数后，得到模拟退火优化所述检测器最终的目标函数。优选的，所述步骤s3的具体步骤包括：s31.初始化控制参数，包括：检测器的邻近半径rnear，邻近半径的衰减系数β，优化代数nummax，初始温度t0，终止温度tend，温度衰减系数α，随机生成的检测器集合c，各温度t下的迭代次数m；s32.对于迭代次数k＝1,2,...,m，分别执行以下步骤优化检测器集合c中的检测器ci,i＝1,2,...,nr，其中nr为随机生成的检测器数目；s321.更新检测器的初始解ci，即在邻域内随机生成一个新的检测器c′i；所述邻域的半径为rnear；s322.计算目标函数增量δc′＝c(c′i)-c(ci)；其中c(ci)为模拟退火优化所述检测器所采用的目标函数；s323.基于metropolis接受准则，如果δc′＜0，则接受c′i作为新的当前解；否则根据概率exp(-δc′/t)，接受c′i作为新的当前解，并且令ci＝c′i；s324.进行降温：采用的降温方式是t(num+1)＝α*t(num)；其中，温度衰减系数α是小于1的正常数，num是降温的次数；s325.若num达到预设的优化次数nummax，则模拟退火算法结束；否则返回执行步骤s321，直至t＜tend；其中检测器的邻近半径的衰减方式为rnear*＝β*rnear；s33.经过步骤s32完成所有检测器的优化，得到优化后的最佳检测器集dnew。优选的，步骤s4中所述的利用所述最佳检测器集对所述测试集数据进行能耗异常检测具体为：将测试集数据与最佳检测器集进行匹配，当最佳检测器集中的检测器被激活时，则认为该测试集数据是异常的，将其标记为1；若最佳检测器集中的所有检测器均未被激活，则认为该测试集数据是正常的，将其标记为0。优选的，所述步骤s24中检测器与自我集s进行匹配，以及所述步骤s4中测试集数据与最佳检测器集进行匹配采用的匹配规则为：若n维空间上的两个实向量为x＝(x1,x2,...,xn),y＝(y1,y2,...,yn)，则x与y之间的d∞距离为：在匹配过程中，若检测与某一自我集s或测试集中数据的欧式距离小于给定阈值，则该检测器与这个数据相匹配。与现有技术相比，本发明技术方案的有益效果是：本发明提出的基于模拟退火改进克隆选择算法的能耗异常检测方法考虑了液压机生产过程中能耗数据的周期性和动态特性，首先采用克隆选择算法生成检测器，然后采用模拟退火算法检测器进行优化从而生成最佳检测器集以提高检测性能。本发明的能耗定位方法对于液压机异常能耗的定位精度高及效率均有所提高，以便操作人员及时采取措施，避免能耗的损失，提高机械效率。附图说明图1为本发明方法的总流程图。图2为本发明中步骤s2的流程图。图3为实施例1中两个检测器之间的重叠状态图。图4为实施例2中检测器的重叠度曲线图。图5为实施例2中检测器的覆盖面积曲线图。图6为实施例2中现有克隆选择算法的检测器分布图。图7为实施例2中基于模拟退火改进克隆选择算法的检测器分布图。图8为实施例2中异常模式为超长待机的检测结果图。图9为实施例2中异常模式为机械系统异常的检测结果图。图10为实施例2中异常模式为不完全挤压的检测结果图。图11为实施例2中正常数据的检测结果图。具体实施方式附图仅用于示例性说明，不能理解为对本专利的限制；为了更好说明本实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；对于本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。下面结合附图和实施例对本发明的技术方案做进一步的说明。实施例1基于模拟退火改进克隆选择算法的能耗异常检测方法，如图1所示，包括以下步骤：s1.采集液压机的历史能耗数据，进行数据预处理后作为训练集数据；其中的数据预处理具体为：对所述能耗数据的时间序列按时间轴进行加窗处理，并移动窗口以提取实值特征向量作为样本数据，逐行对所述样本数据进行标准化处理，将每一行样本数据分别标准化到区间[0,1]内；即将每一行样本数据分别进行平移–标准差变换：其中，n为样本数据的个数，m为变量的个数；若在平移–标准差变换后仍存在则进行进一步的平移–极差变换，即：其中n为样本数据的个数，m为变量的个数。s2.基于克隆选择算法的检测器生成阶段，随机生成检测器；如图2所示，具体步骤包括：s21.将训练集数据中的异常模式数据标记为1类，正常模式数据标记为0类；s22.基于标记后的训练集数据随机生成自我集s；s23.随机生成检测器；s24.所述检测器与自我集s进行匹配，若匹配成功则删除该检测器，并返回步骤s23；若匹配不成功，则作为新的检测器接受；s25.检验是否生成预设数量的检测器，若是则结束，输出覆盖非我空间的检测器集c＝{c1,c2,...,cn}；若否则返回步骤s24；其中自我集元素s＝(cs,rs)；检测器集元素c＝(cc,rc)；cs∈rn，cc∈rn为中心；rs∈rn，rc∈rn为半径；维数n由能耗数据加窗处理的窗口宽度决定。s3.利用模拟退火优化所述检测器，生成最佳检测器集；由于克隆选择算法的性能受其自半径和期望覆盖度的影响。因此，本实施例采用模拟退火算法对检测器分布进行优化。一、利用模拟退火优化所述检测器所采用的目标函数：初始优化目标是：在保证检测器集尽可能小地覆盖自我空间的前提下，扩大检测器集对非我空间的覆盖，在该过程中检测器数目不变。初始目标函数对应于由检测器覆盖的体积约束条件是检测器不能落入到自我集s中，即：设定初始目标函数：约束条件为：其中，v(d)为由检测器覆盖的体积，d是检测器集合，di是检测器元素，n是检测器数目，ri是检测器半径，u是非我集，s是自我集；本实施例将上述的初始优化目标转化为另外一个优化目标。即扩大检测器对非我空间的覆盖，同时减少检测器之间的重叠。这样，将初始优化目标中的最大值优化目标转换为最小值优化目标，将所述约束条件添加到初始目标函数后得到新的目标函数：c(d)＝overlapping(d)+γ·nonselfcovering(d)其中overlapping(d)为检测器集的重叠空间，nonselfcovering(d)为检测器集和非我空间之间的覆盖空间；检测器中心之间的距离越小，检测器之间的重叠空间越大；两个检测器di与dj之间的重叠空间overlapping(di,dj)的计算表达式如下：其中分别是检测器di与dj的中心；分别是检测器di与dj的半径；当距离时，两个检测器之间的重叠状态如图3所示。当两个检测器中心之间的距离为0时，重叠值达到最大值1；当两个检测器中心之间的距离时，重叠值为0。则检测器集的重叠空间overlapping(d)的计算表达式如下：检测器di与非我空间元素uj的覆盖空间nonselfcovering(di,uj)的计算表达式如下：其中，分别表示非我空间元素uj的中心和半径；则检测器集和非我空间之间的覆盖空间nonselfcovering(d)的计算表达式如下：将上述的所有计算表达式代入所述新的目标函数后，得到模拟退火优化所述检测器最终的目标函数。该目标函数也就是模拟退火算法的能量函数。在计算目标函数时，只需要计算“检测器集的重叠空间”和“检测器集合和非我空间之间的覆盖空间”，便可以实现模拟退火算法对检测器的优化。另外，初始解是随机生成的检测器集，解空间是非我空间集。二、优化过程s31.初始化控制参数，包括：检测器的邻近半径rnear，邻近半径的衰减系数β，优化代数nummax，初始温度t0，终止温度tend，温度衰减系数α，随机生成的检测器集合c，各温度t下的迭代次数m；s32.对于迭代次数k＝1,2,...,m，分别执行以下步骤优化检测器集合c中的检测器ci,i＝1,2,...,nr，其中nr为随机生成的检测器数目；s321.更新检测器的初始解ci，即在邻域内随机生成一个新的检测器c′i；所述邻域的半径为rnear；s322.计算目标函数增量δc′＝c(c′i)-c(ci)；其中c(ci)为模拟退火优化所述检测器所采用的目标函数；s323.基于metropolis接受准则，如果δc′＜0，则接受c′i作为新的当前解；否则根据概率exp(-δc′/t)，接受c′i作为新的当前解，并且令ci＝c′i；s324.进行降温：采用的降温方式是t(num+1)＝α*t(num)；其中，温度衰减系数α是小于1的正常数，num是降温的次数；s325.若num达到预设的优化次数nummax，则模拟退火算法结束；否则返回执行步骤s321，直至t＜tend；其中检测器的邻近半径的衰减方式为rnear*＝β*rnear；s33.经过步骤s32完成所有检测器的优化，得到优化后的最佳检测器集dnew。s4.采集液压机的实时能耗数据，进行数据预处理后作为测试集数据；并利用所述最佳检测器集对所述测试集数据进行能耗异常检测，即将测试集数据与最佳检测器集进行匹配，当最佳检测器集中的检测器被激活时，则认为该测试集数据是异常的，将其标记为1；若最佳检测器集中的所有检测器均未被激活，则认为该测试集数据是正常的，将其标记为0。此处的数据预处理方法与上述步骤s1一致。其中步骤s24中检测器与自我集s进行匹配，以及所述步骤s4中测试集数据与最佳检测器集进行匹配采用的匹配规则为：若n维空间上的两个实向量为x＝(x1,x2,...,xn),y＝(y1,y2,...,yn)，则x与y之间的d∞距离为：在匹配过程中，若检测与某一自我集s或测试集中数据的欧式距离小于给定阈值，则该检测器与这个数据相匹配。实施例2为验证实施例1提出的基于模拟退火改进克隆选择算法的能耗异常检测方法的有效性，在本实施例2中对某大型液压机企业的实际能耗数据进行实验研究，并与现有的异常检测方法进行了比较，验证了本发明方法的优越性和有效性。一、能耗数据选取2019年8月至2019年9月的液压机的电能数据。在模拟实验中使用的能耗数据如表1所示。如果将滑动窗口宽度设置为20，移动步长设置为1，那么，则每组数据包含20个数据。能耗数据类型正常数据机械系统异常模式超长待机模式不完全挤压模式数量(万个)222.082.08表1能耗数据表表2训练集和测试集数据表二、基于克隆选择算法的检测器生成阶段，随机生成检测器生成检测器的参数设置如表3所示，所选择的训练集数据如表2所示，从而获得检测器的自我集s，然后生成覆盖非我空间的检测器集。滑动窗口宽度w移动步长step检测器规模nr最大循环代数gmax201200100变异概率pm自体元素半径rs检测器的成熟期t衰减系数γ0.060.01120.75三、利用模拟退火优化检测器，生成最佳检测器集优化检测器的参数设置如表4所示，其中，不同探测器的邻近半径rnear是不同的，其初始值被设置为每个探测器的半径的2倍。表4检测器优化的参数设置在模拟退火算法的优化过程中，检测器的重叠度曲线和覆盖面积曲线分别如图4和图5所示。检测器的重叠度在迭代的初期快速下降，然后随着迭代的进行缓慢减少，最终趋于稳定。检测器对非我空间的覆盖面积在迭代的初期迅速增加，并随着迭代的进行缓慢增加，最终趋于稳定。这表明，在迭代的初期，模拟退火算法的优化效果是明显的，与最优解对应的目标函数的值迅速下降，但是模拟退火算法在迭代的中后期找不到更好的解。现有克隆选择算法的检测器分布，和本发明优化后克隆选择算法的检测器分布分别如图6和7所示。仿真结果表明，模拟退火算法对检测器的优化具有良好的效果。该算法可以最大限度地减少检测器之间的重叠，最大限度地覆盖到非自空间，从而大大提高了检测率。四、能耗异常检测为了验证本发明提出的能耗异常检测方法的可行性，进行了仿真实验，结果如图8～11所示。所使用的测试集数据如表2所示。首先对测试集数据进行预处理，然后将其与优化后的最佳检测器集进行匹配。如果最佳检测器集中的检测器被激活，则判定该数据是异常的，并且将其标记为1。如果最佳检测器集中的所有检测器均未被激活，则判定该数据是正常的，并且将其标记为0。五、异常检测的评价指标在能耗数据的异常检测过程中存在两种误判：(1)误检：将正常数据误判为异常数据；(2)漏检：将异常数据误判为正常数据。误检率和漏检率之和称为错误率。为了评价本发明所提出检测方法的有效性，本实施例2采用检测率、误检率、漏检率和错误率作为评价指标。检测率为：误检率为：漏检率为：错误率为：er＝fdr+mdr其中，aa为被判定为异常的异常数据个数；an为被判定为正常的异常数据个数；na为被判定为异常的正常数据个数；nn为被判定为正常的正常数据个数。六、对比试验为验证本发明提出的基于模拟退火改进克隆选择算法的能耗异常检测方法(以下简称为sa–csa)的性能，采用表2所示的测试集数据，进行了模拟实验。另外，本文提出的sa–csa方法、基于csa的方法、bp神经网络和rbf神经网络的方法用于比较实验，结果如表5所示。研究结果表明，sa–csa方法的检测率为95.43％，误检率为3.5％。它的检测性能远高于传统的智能算法，更适合于生产过程中的能耗异常检测。另外，bp神经网络是一种模拟生物神经网络的智能算法，适用于在训练样本充足的情况下进行模式异常检测。表5异常检测的性能对比附图中描述位置关系的用语仅用于示例性说明，不能理解为对本专利的限制；显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。当前第1页12