基于时序数据层次聚类方法的工业过程监控操作规则挖掘
发布时间：2021-07-02 15:15
现代流程工业过程中,由于分布式控制系统（DCS）等数据采集存储技术的广泛使用,生产过程中采集了大量的过程监控操作时间序列,其中蕴含了大量的操作经验信息。研究建立有效的时间序列数据挖掘的方法,可以提取过程监控操作数据中的监控操作规则,进而指导生产过程监控操作。针对时序数据中存在周期性或重复性的时间序列的特点,论文提出了一种基于符号区块化的层次聚类方法,可以有效地挖掘时序数据中存在规律性信息,将其运用到工业过程监控操作数据的处理中,达到提取碎片化操作经验规则的目的。论文的主要研究内容和取得的成果如下:1.面向含有周期性或重复性的时间序列,研究了时间序列相似度度量方法,针对时序数据的高维性和海量性特点,采用了符号聚合近似的时序数据降维处理方法,考虑到工业过程监控操作时序数据的连续性和方向性,提出了一种基于符号区块化处理的时序数据挖掘方法。2.为了对符号化后的时间序列进行聚类,提出了基于莱文斯坦距离的层次聚类方法,将时序数据的相似性匹配过程转化为字符数据的聚类过程,从而获得多种相似的字符串,多条相似的字符串形成一簇。面向工业过程监控操作数据挖掘,每一簇则代表了一种操作模式。作为应用示例,将此方...
【文章来源】：北京化工大学北京市 211工程院校 教育部直属院校
【文章页数】：85 页
【学位级别】：硕士
【部分图文】：
图１－１时间序列模型建立流程??Ｆｉｇ．?１－１?Ｔｉｍｅ?ｓｅｒｉｅｓ?ｍｏｄｅｌｉｎｇ?ｐｒｏｃｅｄｕｒｅｓ??型ＡＲＭＡ、ＨＭＭ、ＡＮＮ型中选择意一建立
?北京化工大学硕士学位论文???Ｄｌｓｔａｕｃｅ?Ａｇｇｌｏｍｅｒａｔｉｖｅ??（?Ａ，Ｂ，？，Ｄ，Ｅ?）??（ａ．ｂ．，ｃ￣）??广?Ｌ?、?????Ｉ?Ａ?ｆ－？?，??＿＿＼＾ｙ??ｒ＾￣）?ｃ￣ｂ￣）?（ｃ）?ｒｏ?ｃｅ）??图１－３凝聚层次聚类??Ｆｉｇ．?１－３?Ａｇｇｌｏｍｅｒａｔｉｖｅ?ｈｉｅｒａｒｃｈｉｃａｌ?ｃｌｕｓｔｅｒｉｎｇ??１．２．３工业过程数据挖掘??伴随着工业信息化和计算计技术的飞速发展，数据信息含量日益丰富，我们??迎来了大数据时代，如何从大量的数据中提取我们所需的知识已经成为人们关注??的热点。在过程控制系统中，随着时间变化的过程变量（ＰＶ）数据在分布式控制系??统（ＤＣＳ）中被监控记录［３４］。在工业ＤＣＳ等数据记录存储技术的支持下，很多工??厂积累了大量的产生、采集和处理的数据，一个工厂每天产生的数据以ＴＢ计算，??这些历史数据中包含设备运行状况、操作员操作记录与生产过程中各部分物料量??变化的记录等许多信息。但本质上，这些数据具有“多”、“杂”等特点，良莠不??齐。不求随机样本，而是全体数据；不求精确性，而是混杂性；不求因果，但求??相关。由于流程工业产生的数据具有海量性，连续性，关联性强等特点，要从这??些历史数据中挖掘出操作规则，需要扫描历史数据并对其使用各种数据预处理和??数据挖掘技术。由于智能数据分析与挖掘技术的蓬勃发展，其重要分支之一的面??向时间序列的数据挖掘技术渐渐进入了人们的视野当中。??在现代工业过程中，工业数据是以时序数据的形式生成的，即带有时间标签。??在实践中，通常需要研宄工业过程中多个参数或因素之间的相互作用，通过
?北京化工大学硕士学位论文???状态。??要通过数据挖掘的方法将操作人员的操作经验挖掘出来，需要经历以下几个??过程：（１）数据源进行数据集成处理；（２）对数据进行筛选；（３）数据预处理；（４）数??据挖掘；（５）知识表达与解释。如图１－５为工业数据挖掘流程。??其中数据预处理阶段共有四种情况。（１）数据清理的作用主要是填充数据中??一些缺失值，去除噪声和识别离群点等；（２）数据集成是将数据分成多个数据集??合形成多个数据库；（３）数据归约使得数据集能够简化表示；（４）数据变换可以规??范化数据，将其概念分层等。??数据挖掘的前提是数据，其实现工具是算法，而最终的目的是获得数据中所??Ｉ?Ｉ?Ｉ?ｔ??Ｉ?ＩＩＩ??Ｉ?Ｉ?Ｉ?ｔ??数据准备?Ｉ数据挖掘丨结果表达与解释丨??Ｉ?ＩＩＩ??｜，１??ｎＩ／Ｉ?ｎＩ??ｉ＼?ｉ／Ｎ???Ｉ?ＩＩＩ??Ｉ?ＩＩＩ??Ｉ?ＩＩＩ??Ｉ?ＩＩＩ??Ｉ?ＩＩＩ??！?Ｉ］?Ｐ数据集成＾＾数据选择预处理?数据晬掘?结果表达＾丨??丨数据源?数据?目标数据丨预处理后数据丨?模式?知识丨??Ｉ?ｉｌｌ??Ｉ?ｉｌｌ??图１－５工业数据挖掘流程??Ｆｉｇ．?１－５?Ｉｎｄｕｓｔｒｉａｌ?ｄａｔａ?ｍｉｎｉｎｇ?ｐｒｏｃｅｓｓ??蕴含的信息。这是一个将计算机信息技术与数理统计、机器学习和人工智能领域??等技术进行融合的综合性技术，它包含各个领域的优点，将杂乱的海量数据中隐??藏的各种肉眼无法识别的知识发现并提取出来。有关数据分析方法主要有分类、??回归分析、聚类、关联规则、偏差分析等，针对不同的问题运用合适
【参考文献】：
期刊论文
[1]A Novel Parallel Scheme for Fast Similarity Search in Large Time Series[J]. YIN Hong,YANG Shuqiang,MA Shaodong,LIU Fei,CHEN Zhikun. 中国通信. 2015(02)
[2]高效率的K-means最佳聚类数确定算法[J]. 王勇,唐靖,饶勤菲,袁巢燕. 计算机应用. 2014(05)
[3]基于整体和局部相似性的序列聚类算法[J]. 戴东波,汤春蕾,熊赟. 软件学报. 2010(04)
[4]A New Fuzzy Clustering-Ranking Algorithm and Its Application in Process Alarm Management[J]. 朱群雄,耿志强. Chinese Journal of Chemical Engineering. 2005(04)
本文编号：3260706
【文章来源】：北京化工大学北京市 211工程院校 教育部直属院校
【文章页数】：85 页
【学位级别】：硕士
【部分图文】：
图１－１时间序列模型建立流程??Ｆｉｇ．?１－１?Ｔｉｍｅ?ｓｅｒｉｅｓ?ｍｏｄｅｌｉｎｇ?ｐｒｏｃｅｄｕｒｅｓ??型ＡＲＭＡ、ＨＭＭ、ＡＮＮ型中选择意一建立
?北京化工大学硕士学位论文???Ｄｌｓｔａｕｃｅ?Ａｇｇｌｏｍｅｒａｔｉｖｅ??（?Ａ，Ｂ，？，Ｄ，Ｅ?）??（ａ．ｂ．，ｃ￣）??广?Ｌ?、?????Ｉ?Ａ?ｆ－？?，??＿＿＼＾ｙ??ｒ＾￣）?ｃ￣ｂ￣）?（ｃ）?ｒｏ?ｃｅ）??图１－３凝聚层次聚类??Ｆｉｇ．?１－３?Ａｇｇｌｏｍｅｒａｔｉｖｅ?ｈｉｅｒａｒｃｈｉｃａｌ?ｃｌｕｓｔｅｒｉｎｇ??１．２．３工业过程数据挖掘??伴随着工业信息化和计算计技术的飞速发展，数据信息含量日益丰富，我们??迎来了大数据时代，如何从大量的数据中提取我们所需的知识已经成为人们关注??的热点。在过程控制系统中，随着时间变化的过程变量（ＰＶ）数据在分布式控制系??统（ＤＣＳ）中被监控记录［３４］。在工业ＤＣＳ等数据记录存储技术的支持下，很多工??厂积累了大量的产生、采集和处理的数据，一个工厂每天产生的数据以ＴＢ计算，??这些历史数据中包含设备运行状况、操作员操作记录与生产过程中各部分物料量??变化的记录等许多信息。但本质上，这些数据具有“多”、“杂”等特点，良莠不??齐。不求随机样本，而是全体数据；不求精确性，而是混杂性；不求因果，但求??相关。由于流程工业产生的数据具有海量性，连续性，关联性强等特点，要从这??些历史数据中挖掘出操作规则，需要扫描历史数据并对其使用各种数据预处理和??数据挖掘技术。由于智能数据分析与挖掘技术的蓬勃发展，其重要分支之一的面??向时间序列的数据挖掘技术渐渐进入了人们的视野当中。??在现代工业过程中，工业数据是以时序数据的形式生成的，即带有时间标签。??在实践中，通常需要研宄工业过程中多个参数或因素之间的相互作用，通过
?北京化工大学硕士学位论文???状态。??要通过数据挖掘的方法将操作人员的操作经验挖掘出来，需要经历以下几个??过程：（１）数据源进行数据集成处理；（２）对数据进行筛选；（３）数据预处理；（４）数??据挖掘；（５）知识表达与解释。如图１－５为工业数据挖掘流程。??其中数据预处理阶段共有四种情况。（１）数据清理的作用主要是填充数据中??一些缺失值，去除噪声和识别离群点等；（２）数据集成是将数据分成多个数据集??合形成多个数据库；（３）数据归约使得数据集能够简化表示；（４）数据变换可以规??范化数据，将其概念分层等。??数据挖掘的前提是数据，其实现工具是算法，而最终的目的是获得数据中所??Ｉ?Ｉ?Ｉ?ｔ??Ｉ?ＩＩＩ??Ｉ?Ｉ?Ｉ?ｔ??数据准备?Ｉ数据挖掘丨结果表达与解释丨??Ｉ?ＩＩＩ??｜，１??ｎＩ／Ｉ?ｎＩ??ｉ＼?ｉ／Ｎ???Ｉ?ＩＩＩ??Ｉ?ＩＩＩ??Ｉ?ＩＩＩ??Ｉ?ＩＩＩ??Ｉ?ＩＩＩ??！?Ｉ］?Ｐ数据集成＾＾数据选择预处理?数据晬掘?结果表达＾丨??丨数据源?数据?目标数据丨预处理后数据丨?模式?知识丨??Ｉ?ｉｌｌ??Ｉ?ｉｌｌ??图１－５工业数据挖掘流程??Ｆｉｇ．?１－５?Ｉｎｄｕｓｔｒｉａｌ?ｄａｔａ?ｍｉｎｉｎｇ?ｐｒｏｃｅｓｓ??蕴含的信息。这是一个将计算机信息技术与数理统计、机器学习和人工智能领域??等技术进行融合的综合性技术，它包含各个领域的优点，将杂乱的海量数据中隐??藏的各种肉眼无法识别的知识发现并提取出来。有关数据分析方法主要有分类、??回归分析、聚类、关联规则、偏差分析等，针对不同的问题运用合适
【参考文献】：
期刊论文
[1]A Novel Parallel Scheme for Fast Similarity Search in Large Time Series[J]. YIN Hong,YANG Shuqiang,MA Shaodong,LIU Fei,CHEN Zhikun. 中国通信. 2015(02)
[2]高效率的K-means最佳聚类数确定算法[J]. 王勇,唐靖,饶勤菲,袁巢燕. 计算机应用. 2014(05)
[3]基于整体和局部相似性的序列聚类算法[J]. 戴东波,汤春蕾,熊赟. 软件学报. 2010(04)
[4]A New Fuzzy Clustering-Ranking Algorithm and Its Application in Process Alarm Management[J]. 朱群雄,耿志强. Chinese Journal of Chemical Engineering. 2005(04)
本文编号：3260706
本文链接：https://www.wllwen.com/kejilunwen/ruanjiangongchenglunwen/3260706.html
