[发明专利]一种铝型材挤压机能耗异常检测方法

说明书

本发明提供一种铝型材挤压机能耗异常检测方法，涉及挤压机能耗检测技术领域。该铝型材挤压机能耗异常检测方法，包括首先对铝型材挤压机各个部分耗能进行历史能耗数据采集，再对采集来的数据进行预处理，包括数据丢失处理和数据的平滑处理，依据步骤中历史数据耗能建立正常数据样本库和异常数据样本库，同时根据数据样本库的数据确立阀值，依据正常数据样本库和异常数据样本库的数据做出检测并通过对比做出孤立树，在通过孤立树建立孤立森林模型，同时建立训练集、测试集和验证集。通过小波脑神经网络的配合进行定位从而确定出故障位置，从而能够准确的确定出异常的部位，从而快速地解决能耗问题，进而保障了生产的进行。

技术领域

本发明涉及挤压机能耗检测技术领域，具体为一种铝型材挤压机能耗异常检测方法。

背景技术

铝型材是金属材料中使用最为广泛的金属材料之一，而我国铝加工业紧密结合市场和科学发展的需求，使传统铝加工材已经逐步完成了向现代化铝加工材的转变，因此中国铝加工材品种已发生了巨大变化，中国铝加工材的重要特点是向高性能、高精度、节能、环保方向发展，而铝型材的生产离不开挤压机，而挤压机的结构复杂，同时挤压机的运行工况也较为复杂，并且在长时间的使用中很容易造成能耗异常，而往往一些能耗异常很难检测，同时不易确定准确的确定出异常部位，同时不易由历史数据和异常时间来进行数据分析从而不易得出异常原因，从而不易做出防护措施进行能耗异常规避。

发明内容

针对现有技术的不足，本发明提供了一种铝型材挤压机能耗异常检测方法，解决了不易确定准确的确定出异常部位和不易规避异常能耗的问题。

为实现以上目的，本发明通过以下技术方案予以实现：一种铝型材挤压机能耗异常检测方法，包括：

S1：首先对铝型材挤压机各个部分耗能进行历史能耗数据采集，再对采集来的数据进行预处理，包括数据丢失处理和数据的平滑处理；

S2：依据S1步骤中历史数据耗能建立正常数据样本库和异常数据样本库，同时根据数据样本库的数据确立阀值；

S3：依据正常数据样本库和异常数据样本库的数据做出检测并通过对比做出孤立树；

S4：在通过孤立树建立孤立森林模型，同时建立训练集、测试集和验证集，通过验证集对训练集进行测试，并做出调整，在通过测试集对模型泛化能力进行预估，并通过孤立森林模型进行数据异常检测，并且更新阀值，从而对模型进行优化；

S5：同时设立时间记录单元将出现异常的数据进行时间的匹配记录从而对出现异常情况的时间进行记录，进而能够确立异常时间段；

S6：通过模型制定能耗曲线样本，并利用小波神经网络对铝型材挤压机能耗异常进行定位，并结合异常的时间段，确定当时铝型材挤压机正在进行什么工作，从而能够有利于分析异常原因。

优选的，所述S4步骤中孤立森林算法为计算每条待测数据的异常分数，其计算公式为：s(x,n)＝2^{E{h(x)}}/{c(n)}，其中c(n)＝2H(n-1)-(2(n-1)/n)，h(x)为路径长度，E{h(x)}为森林中所有iTree树的平均路径长度。

优选的，所述异常分数，具有以下性质：分数越接近1，其是异常点的可能性越高，如果分数都比0.5要小，那么基本可以确定为正常数据，如果所有分数都在0.5附近，那么数据不包含明显的异常样本。

优选的，所述S2步骤中阈值为初始正常样本中偏离样本数据中心最远的能耗数据。

优选的，所述S4中建立孤立森林模型需要用到至少一个处理器和一个存储单元，所述存储单元用来储存处理后的数据和存储历史数据。

优选的，所述S6步骤中小波神经网络对铝型材挤压机能耗异常进行定位的具体步骤为，首先小波包分解，再进行计算能量值，然后维数约简，之后输入输出层参数设定、中间层数目设定，在进行神经网络学习训练，从而测试样本输入和定位能耗异常。