本技術(shù)涉及人工智能，特別涉及一種回轉(zhuǎn)窯傳感器時序異常監(jiān)測方法、存儲介質(zhì)及電子設(shè)備。

背景技術(shù)：

1、水泥作為廣泛應(yīng)用在土木工程、能源電力等領(lǐng)域的凝膠材料之一，是國民經(jīng)濟(jì)重要的基礎(chǔ)產(chǎn)業(yè)。由于水泥流程工業(yè)特殊的生產(chǎn)條件以及生產(chǎn)過程的緊密性特征，部分傳感器或者系統(tǒng)部件的故障，必然會導(dǎo)致其他模塊產(chǎn)生異常，進(jìn)而影響整個生產(chǎn)過程，導(dǎo)致產(chǎn)品出產(chǎn)率低、次品率高等現(xiàn)象。

2、近年來深度學(xué)習(xí)算法被廣泛運(yùn)用于時間序列異常檢測與預(yù)測工作，其中具有代表性的模型包括cnn、rnn、基于注意力的神經(jīng)網(wǎng)絡(luò)等?；谧⒁饬Φ纳窠?jīng)網(wǎng)絡(luò)結(jié)構(gòu)首先用于自然翻譯，現(xiàn)在它被廣泛用作機(jī)器翻譯、圖像字幕和時間序列預(yù)測等。雖然基于注意力的神經(jīng)網(wǎng)絡(luò)針對部分?jǐn)?shù)據(jù)集效果較好，但是不適用于工業(yè)多變量數(shù)據(jù)的預(yù)測，泛化能力比較差。針對工業(yè)時序數(shù)據(jù)，如何在保證模型預(yù)測精度和泛化能力的同時，提取多變量間的相互關(guān)系以及長期時間依賴性，成了研究者們有待解決的問題。

技術(shù)實(shí)現(xiàn)思路

1、本技術(shù)要解決的技術(shù)問題是現(xiàn)有技術(shù)中由于回轉(zhuǎn)窯相關(guān)傳感器異常無法判斷，與相關(guān)異常影響生產(chǎn)的問題，為此，本技術(shù)提出了一種回轉(zhuǎn)窯傳感器時序異常監(jiān)測方法、存儲介質(zhì)及電子設(shè)備。

2、本技術(shù)技術(shù)方案提供一種回轉(zhuǎn)窯傳感器時序異常監(jiān)測方法，包括：

3、根據(jù)水泥熟料燒成的機(jī)理選取傳感器的相關(guān)變量數(shù)據(jù)，所述相關(guān)變量數(shù)據(jù)為與預(yù)測水泥數(shù)量強(qiáng)度相關(guān)的變量數(shù)據(jù)；

4、對所述相關(guān)變量數(shù)據(jù)進(jìn)行預(yù)處理后得到關(guān)鍵變量數(shù)據(jù)，將所述關(guān)鍵變量數(shù)據(jù)劃分為訓(xùn)練集和測試集，作為模型輸入的數(shù)據(jù)集；

5、將所述數(shù)據(jù)集輸入到訓(xùn)練好的單維檢測模型中得到傳感器的異常檢測結(jié)果；

6、將所述數(shù)據(jù)集輸入到訓(xùn)練好的多維預(yù)測檢測模型中得到傳感器的預(yù)測結(jié)果。

7、一些方案中所述的回轉(zhuǎn)窯傳感器時序異常監(jiān)測方法，所述根據(jù)水泥熟料燒成的機(jī)理選取傳感器的相關(guān)變量數(shù)據(jù)，所述相關(guān)變量數(shù)據(jù)為與預(yù)測水泥數(shù)量強(qiáng)度相關(guān)的變量數(shù)據(jù)，包括：

8、所述傳感器的相關(guān)變量數(shù)據(jù)包括煙室溫度變量、c5a出口溫度變量、c5a下料管溫度變量、c5b出口溫度變量、c5b下料管溫度變量、窯頭罩溫度變量；其中，c5a表示編號為c5a的旋風(fēng)筒；c5b表示編號為c5b的旋風(fēng)筒。

9、一些方案中所述的回轉(zhuǎn)窯傳感器時序異常監(jiān)測方法，所述對所述相關(guān)變量數(shù)據(jù)進(jìn)行預(yù)處理后得到關(guān)鍵變量數(shù)據(jù)，包括：

10、對所述傳感器的相關(guān)變量數(shù)據(jù)進(jìn)行剔除或標(biāo)記異常值、均值濾波、均一化處理，得到所述關(guān)鍵變量數(shù)據(jù)。

11、一些方案中所述的回轉(zhuǎn)窯傳感器時序異常監(jiān)測方法，所述單維檢測模型包括：

12、執(zhí)行兩次時間塊結(jié)構(gòu)，根據(jù)周期性將一維時序數(shù)據(jù)分解為趨勢部分和短期內(nèi)波動部分；

13、利用卷積神經(jīng)網(wǎng)絡(luò)建模，提取一維時序數(shù)據(jù)轉(zhuǎn)成的二維時間序列矩陣，利用線性神經(jīng)網(wǎng)絡(luò)提取時間序列矩陣中的時間趨勢特征；

14、利用lstm-sru算法提取所有序列拼接加和，實(shí)現(xiàn)時序預(yù)測結(jié)果；

15、根據(jù)驗(yàn)證集測試獲取合理閾值，利用所述合理閾值與所述時序預(yù)測結(jié)果進(jìn)行異常檢測。

16、一些方案中所述的回轉(zhuǎn)窯傳感器時序異常監(jiān)測方法，所述利用卷積神經(jīng)網(wǎng)絡(luò)建模，提取一維時序數(shù)據(jù)轉(zhuǎn)成的二維時間序列矩陣，包括：

17、時間維度上應(yīng)用快速傅里葉變換挖掘序列的短期和長期趨勢：

18、；

19、；

20、；

21、其中：x1d代表煙室溫度變量、c5a出口溫度變量、c5a下料管溫度變量、c5b出口溫度變量、c5b下料管溫度變量、窯頭罩溫度變量； a代表上述變量的頻率分量的強(qiáng)度，強(qiáng)度最大的 k個頻率對應(yīng)著最顯著的 k個周期長度；這 k個頻率用表示；的取值為表示數(shù)據(jù)序列；

22、 k個周期用表示，t表示周期長度；將上述公式簡化為:

23、；

24、根據(jù)快速傅里葉變換得到周期，對于時序數(shù)據(jù)根據(jù)不同周期t進(jìn)行周期性分解，分解為趨勢序列和短期內(nèi)波動序列，具體包括：

25、對x1d的最顯著的 k個周期長度 x矩陣分別用復(fù)制t-1次后拼接x1，x2，…，xt為寬為周期t長為序列長度n的二維矩陣，然后通過長度為 t的窗口進(jìn)行平均池化：

26、；

27、其中 x為輸入的矩陣， x t為池化后得到的趨勢序列，由于寬度和窗口尺度相同，所有得到的輸出矩陣恢復(fù)為一維序列， i與 j為輸入矩陣的絕對位置， p與 q是輸入矩陣對于池化區(qū)域而言的相對位置；由原序列減去趨勢序列得到周期性序列 x s：

28、

29、上述過程反復(fù)進(jìn)行q次循環(huán)，獲得所有周期分解后的序列，對波動序列按照相應(yīng)的周期將原始的一維時間序列數(shù)據(jù)按照下面公式進(jìn)行折疊：

30、；

31、表示在序列末尾進(jìn)行補(bǔ)零對齊，使得序列長度能被整除；

32、經(jīng)過上述操作后得到一組二維矩陣對應(yīng)的相應(yīng)周期主導(dǎo)的二維時間序列矩陣。

33、一些方案中所述的回轉(zhuǎn)窯傳感器時序異常監(jiān)測方法，所述利用lstm-sru算法提取所有序列拼接加和，實(shí)現(xiàn)時序預(yù)測結(jié)果中，lstm-sru算法包括：

34、lstm-sru神經(jīng)網(wǎng)絡(luò)通過對輸入數(shù)據(jù)賦予不同權(quán)重，計算出遺忘、輸入和輸出門控，通過結(jié)合改進(jìn)的lstm網(wǎng)絡(luò)和sru網(wǎng)絡(luò)，lstm網(wǎng)絡(luò)層的輸出成為sru網(wǎng)絡(luò)層的輸入；引入dropout層隨機(jī)丟棄部分?jǐn)?shù)據(jù)；

35、提取出lstm神經(jīng)網(wǎng)絡(luò)訓(xùn)練得到的最后一個時刻的隱藏狀態(tài)，作為sru神經(jīng)網(wǎng)絡(luò)初始的隱藏狀態(tài)；

36、兩層時間塊輸出后計算過程的如下：

37、；

38、；

39、；

40、經(jīng)上式得到的數(shù)據(jù)經(jīng)過全連接層與elu激活函數(shù)得到最終的輸出：；其中，y代表煙室溫度變量、c5a出口溫度變量、c5a下料管溫度變量、c5b出口溫度變量、c5b下料管溫度變量、窯頭罩溫度變量的lstm預(yù)測輸出。

41、一些方案中所述的回轉(zhuǎn)窯傳感器時序異常監(jiān)測方法，將所述數(shù)據(jù)集輸入到訓(xùn)練好的單維檢測模型中得到傳感器的異常檢測結(jié)果，包括：根據(jù)無監(jiān)督異常檢測的方式，利用預(yù)測所得到的誤差作為分類判斷依據(jù)，使用驗(yàn)證數(shù)據(jù)集上的預(yù)測loss的最大值作為異常檢測閾值；在測試集中，使用預(yù)測結(jié)果與實(shí)際結(jié)果產(chǎn)生的誤差比較上一步得到的閾值，得到預(yù)測分類結(jié)果，預(yù)測為異常的標(biāo)記為1，預(yù)測為正常的標(biāo)記為0；

42、將所述數(shù)據(jù)集輸入到訓(xùn)練好的多維預(yù)測檢測模型中得到傳感器的預(yù)測結(jié)果中，多維預(yù)測檢測模型為三分支結(jié)構(gòu)，三分支包括：

43、歷史時序分支，該分支采用雙周期dlinear模型提取預(yù)測序列的歷史時序特征；

44、相關(guān)序列分支，該分支采用卷積神經(jīng)網(wǎng)絡(luò)對相關(guān)時間序列數(shù)據(jù)降維處理后，拼接歷史時間序列，使用分尺度重置矩陣并分尺度進(jìn)行位置編碼，再分別經(jīng)過多頭注意力模塊與雙向交叉注意力模塊，分別提取時序間特征與各時序內(nèi)部特征；

45、相關(guān)實(shí)時分支，通過卷積神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)降維與最終全連接輸出后引入實(shí)時相關(guān)傳感器數(shù)據(jù)實(shí)時糾正；

46、上述三個分支輸出加和后輸出，完成對多維時間序列的預(yù)測工作。

47、本技術(shù)技術(shù)方案還提供一種計算機(jī)可讀存儲介質(zhì)，所述存儲介質(zhì)中存儲有程序信息，所述程序信息被計算機(jī)讀取運(yùn)行后執(zhí)行以上任一項所述的回轉(zhuǎn)窯傳感器時序異常監(jiān)測方法。

48、本技術(shù)技術(shù)方案還提供一種電子設(shè)備，包括至少一個處理器和至少一個存儲器，至少一個所述存儲器中存儲有指令信息，至少一個所述處理器讀取所述指令信息后執(zhí)行以上任一項所述的回轉(zhuǎn)窯傳感器時序異常監(jiān)測方法。

49、采用上述技術(shù)方案，具有以下有益效果：

50、本技術(shù)公開的上述方案，首先，根據(jù)水泥熟料燒成工藝進(jìn)行輸入?yún)?shù)的初步選取，進(jìn)而建立來自回轉(zhuǎn)窯傳感器的時序數(shù)據(jù)集。其次，通過剔除或標(biāo)記異常值、均值濾波、均一化進(jìn)行數(shù)據(jù)預(yù)處理，劃分特征集為訓(xùn)練集、驗(yàn)證集和測試集。建立單維深度學(xué)習(xí)模型訓(xùn)練得到異常檢測模型，建立多維時序預(yù)測模型進(jìn)行訓(xùn)練得到預(yù)測模型;利用訓(xùn)練好的兩個模型對于輸入的回轉(zhuǎn)窯相關(guān)傳感器進(jìn)行異常檢測與預(yù)測填補(bǔ)。本方案提取多變量間的相互關(guān)系以及長期時間依賴性，利用多個維度數(shù)據(jù)，可以使得時序預(yù)測結(jié)果在長時間預(yù)測中更加準(zhǔn)確。