本发明涉及工业自动化监测，具体为一种线性移动刀口矿浆取样器在线异常监测方法及系统。
背景技术：
1、选矿是通过浮选、重选、磁选等方法将品位较低的原矿富集的连续流程工业。选矿过程中定时、定量的取出具有代表性的矿浆样品是指导生产、确定工艺流程相关数据的重要手段和依据，更是在线粒度、浓度、品位分析监测的瓶颈。线性移动刀口矿浆取样器是指用于从工艺矿浆流中取出代表性矿浆样品的自动化取样设备。其原理是矿浆流从水平入口进入取样箱体形成抛物线瀑布面或竖直入口进入取样箱体形成自由落体，内部设计可线性移动的取样刀口，通过气缸或电机驱动刀口往复匀速地切割矿浆流所有截面，取样器内部设计有箱体冲洗水与刀口冲洗水，用于取样前与取样后残留样品的清洁。
2、线性移动刀口矿浆取样器技术引进以来，已推广应用到铜矿、铅锌矿、金矿、铀矿等多个矿山企业，用于流程或在线分析仪器取样，为矿浆取样技术的进步注入了新的理念、提供了新产品和技术。但目前，国内仍无线性移动刀口矿浆取样器的相关标准。尽管该技术已引进多年，并在工业生产中大量投入使用，但对线性移动刀口矿浆取样器的评价仍存在技术指标不明确、技术要求不具体的问题。为规范线性移动刀口矿浆取样器的使用，尽快推动矿冶行业统一标准，当前，线性移动刀口矿浆取样器的监测存在以下难点：
3、1、线性移动刀口矿浆取样器缺少计量方法，实际测量值缺少参考标准值，无法溯源；
4、2、矿浆组成复杂，离子浓度测量的影响因素较多，真实值与测量值差别较大；
5、3、线性移动刀口矿浆取样器仪表通常连续不间断运行，校准应符合应用场景和工况。
6、为解决上述问题，本发明提出了一种线性移动刀口矿浆取样器在线异常监测方法及系统。
技术实现思路
1、鉴于上述存在的问题，提出了本发明。
2、因此，本发明解决的技术问题是：现有的线性移动刀口矿浆取样器的评价方法存在缺少标准的计量方法无法溯源，受矿浆复杂成分影响精确性较差，以及如何实现连续不间断运行，校准应符合应用场景和工况的问题。
3、为解决上述技术问题，本发明提供如下技术方案：一种线性移动刀口矿浆取样器在线异常监测方法，包括收集不同监测项目的时间序列数据，并进行数据预处理。在离线学习阶段构建统计特征，通过无监督算法进行异常监测，并通过多数投票策略确定异常标签，基于特征选择提升无监督算法的监测性能，修正标签并训练模型。在线检学习段通过稳定度指标psi量化评估离线样本与在线样本的分布差异实现稳定性优化。
4、作为本发明所述的线性移动刀口矿浆取样器在线异常监测方法的一种优选方案，其中：所述收集不同监测项目的时间序列数据，并进行数据预处理包括提取移动刀口矿浆取样器在线监测系统数据集d，收集时间序列数据，安装在不同位置的线性移动刀口矿浆取样器监测项目不同，以最大集构建模型特征，适应所有线性移动刀口矿浆取样器监测项目。
5、进行数据质量检查，包括数据类型、控制记录、缺失率、空值记录数、最小值、第1百分位、第5百分位、第25百分位、第50百分位、第75百分位、第95百分位、第99百分位、最大值、均值、方差的统计量。
6、所有监测项目数据采集频率为30分钟，数据集中含有时间戳指标、线性移动刀口矿浆取样器型号和监测项目，构建适用于所有线性移动刀口矿浆取样器的数据集库。
7、对采集的时间序列数据进行清洗数据，使用前一个非空值进行填补，删除填补后依然为空的记录。
8、算每对特征的皮尔逊相关系数，删除相关性系数大于0.7的特征。
9、作为本发明所述的线性移动刀口矿浆取样器在线异常监测方法的一种优选方案，其中：所述在离线学习阶段构建统计特征包括进行特征构建对保留下来的特征进行特征构建，包括统计特征集、时间特征集以及时序特征集。
10、统计特征集的构建包括计算数据的偏度和峰度，结合已经完成计算的均值以及方差进行构建。
11、时间特征集的构建包括基于数据采集的时间间隔和数据周期性进行构建，利用傅里叶变化提取数据中的周期性成分，表示为：
12、
13、其中，pj(f)是第j个特征在频率f处的周期性成分，pij是第i个样本的第j个特征值，ti是时间戳。
14、时序特征集的构建包括基于自相关函数表示时间序列在不同滞后期的相关性，表示为：
15、
16、其中，α是平滑参数，用于控制自相关函数的平滑程度，是第j个特征在滞后期k时的平滑自相关系数，k为滞后期，μj为均值，pij为第i个样本的第j个特征值。
17、作为本发明所述的线性移动刀口矿浆取样器在线异常监测方法的一种优选方案，其中：所述通过无监督算法进行异常监测，并通过多数投票策略确定异常标签包括通过5种无监督学习算法计算得出每个算法的异常标签。
18、5种无监督学习算法包括arima统计模型、isolation forest机器学习模型、支持向量机、密度聚类算法以及主成分分析。
19、完成分析后采用多数投票策略获得异常标签。
20、作为本发明所述的线性移动刀口矿浆取样器在线异常监测方法的一种优选方案，其中：所述基于特征选择提升无监督算法的监测性能包括通过标准化处理消除量纲，采用包裹法、嵌入法和过滤法的特征选择方法，包裹法通过递归特征消除选择特征，表示为：
21、
22、其中，s为特征子集，f为无监督算法，xs为特征子集对应的数据，θ为算法参数，l为损失函数，y为真实标签，n为样本数。
23、当无监督学习算法为arima统计模型，损失函数表示为：
24、
25、其中，xt为实际时间序列值，为预测时间序列值，n′为时间序列长度。
26、当无监督学习算法为isolation forest机器学习模型，损失函数表示为：
27、
28、其中，e(h(xi))为第i个样本在树中的路径长度期望值，xi为第i个样本，c(n)为归一化常数。
29、当无监督学习算法为支持向量机，损失函数表示为：
30、
31、其中，w为权重向量，ξ为松弛变量，ρ为偏置，ν为惩罚参数。
32、当无监督学习算法为密度聚类算法，损失函数表示为：
33、
34、其中，1为指示函数，当条件为真时值为1，否则为0，x′为数据点，xi′为原始数据点，∈为聚类半径，density(xi)为第i个数据点的密度，minpts为最小密度阈值。
35、当无监督学习算法为主成分分析，损失函数表示为：
36、
37、其中，为重构后的数据点。
38、嵌入法使用正则化的lasso回归进行特征选择，表示为：
39、
40、其中，β为回归系数，p为特征数，xij为标准化处理后的第i个样本的第j个特征，yi为标准化处理后的第i个样本的标签，λ为正则化参数。
41、过滤法使用卡方检验选择特征，表示为：
42、
43、其中，χ2为卡方统计量，oi为观察值，ei为期望值。
44、通过对5种算法得到异常得分值，按照0.2:0.3:0.2:0.1:0.2的系数进行加权融合，使用最小最大归一化方法将异常分值划分到[0,100]区间。
45、作为本发明所述的线性移动刀口矿浆取样器在线异常监测方法的一种优选方案，其中：所述修正标签包括基于行业典型监测范围进行修正，设定监测技术要求，取样时间间隔允许差异10s，取样周期允许差异2s，取样频率与设定取样频率相同，样刀口移动速度允许差异0.05m/s，取样刀口腔体体积允许差异10％，取样刀口帽开度进行动态调节，当矿浆中最大矿物颗粒直径≥2mm时，开度≥3倍最大颗粒直径，当矿浆中最大矿物颗粒直径＜2mm时，开度≥6mm，取样体积误差允许差异5％，取样体积重复性允许存在5％。
46、作为本发明所述的线性移动刀口矿浆取样器在线异常监测方法的一种优选方案，其中：所述在线监测学习段通过稳定度指标psi量化评估离线样本与在线样本的分布差异实现稳定性优化包括使用pickle保存离线下数据处理、特征工程、模型训练的结果，提供上线后以restful api接口形式提供在线异常监测，使用稳定度指标psi量化评估离线样本与在线样本的分布差异，统计各风险类别跨时间窗口分布的变化程度，变化程度小于10％，无需更新模型，变化程度处于10％-20％之间，进行变化原因识别，发送示警至运维人员，变化程度大于20％，则模型进行迭代，直至维持变化程度小于10％。
47、本发明的另外一个目的是提供一种线性移动刀口矿浆取样器在线异常监测系统，其能通过标准化处理消除量纲，采用包裹法、嵌入法和过滤法的特征选择方法针对五种无监督算法进行不同的处理，在优化的同时还考虑了模型的特点，使监测性能具有显著的提升的同时保证了高精度的监测，解决了目前的线性移动刀口矿浆取样器的评价方法含有监测精度不足的问题。
48、作为本发明所述的线性移动刀口矿浆取样器在线异常监测系统的一种优选方案，其中：包括数据采集模块，离线学习模块，在线学习模块。所述数据采集模块用于收集不同监测项目的时间序列数据，并进行数据预处理。所述离线学习模块用于在离线学习阶段构建统计特征，通过无监督算法进行异常监测，并通过多数投票策略确定异常标签，基于特征选择提升无监督算法的监测性能，修正标签并训练模型。所述在线学习模块用于在线检学习段通过稳定度指标psi量化评估离线样本与在线样本的分布差异实现稳定性优化。
49、一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序是实现线性移动刀口矿浆取样器在线异常监测方法的步骤。
50、一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现线性移动刀口矿浆取样器在线异常监测方法的步骤。
51、本发明的有益效果：本发明提供的线性移动刀口矿浆取样器在线异常监测方法在离线学习阶段构建统计特征，通过无监督算法进行异常监测，并通过多数投票策略确定异常标签通过在离线学习阶段构建统计特征，实现了对矿浆取样过程中的异常点进行有效识别，能够适应矿浆的复杂成分，提升监测精度，通过标准化处理消除量纲，采用包裹法、嵌入法和过滤法的特征选择方法针对五种无监督算法进行不同的处理，在优化的同时还考虑了模型的特点，使监测性能具有显著的提升的同时保证了高精度的监测，多特征集构建保证了表征矿浆数据的有效性和可靠性。本发明在识别精度以及对矿浆的适应性方面都取得更加良好的效果。
1.一种线性移动刀口矿浆取样器在线异常监测方法，其特征在于，包括：
2.如权利要求1所述的线性移动刀口矿浆取样器在线异常监测方法，其特征在于：所述收集不同监测项目的时间序列数据，并进行数据预处理包括提取移动刀口矿浆取样器在线监测系统数据集d，收集时间序列数据，安装在不同位置的线性移动刀口矿浆取样器监测项目不同，以最大集构建模型特征，适应所有线性移动刀口矿浆取样器监测项目；
3.如权利要求2所述的线性移动刀口矿浆取样器在线异常监测方法，其特征在于：所述在离线学习阶段构建统计特征包括进行特征构建对保留下来的特征进行特征构建，包括统计特征集、时间特征集以及时序特征集；
4.如权利要求3所述的线性移动刀口矿浆取样器在线异常监测方法，其特征在于：所述通过无监督算法进行异常监测，并通过多数投票策略确定异常标签包括通过5种无监督学习算法计算得出每个算法的异常标签；
5.如权利要求4所述的线性移动刀口矿浆取样器在线异常监测方法，其特征在于：所述基于特征选择提升无监督算法的监测性能包括通过标准化处理消除量纲，采用包裹法、嵌入法和过滤法的特征选择方法，包裹法通过递归特征消除选择特征，表示为：
6.如权利要求5所述的线性移动刀口矿浆取样器在线异常监测方法，其特征在于：所述修正标签包括基于行业典型监测范围进行修正，设定监测技术要求，取样时间间隔允许差异10s，取样周期允许差异2s，取样频率与设定取样频率相同，样刀口移动速度允许差异0.05m/s，取样刀口腔体体积允许差异10％，取样刀口帽开度进行动态调节，当矿浆中最大矿物颗粒直径≥2mm时，开度≥3倍最大颗粒直径，当矿浆中最大矿物颗粒直径＜2mm时，开度≥6mm，取样体积误差允许差异5％，取样体积重复性允许存在5％。
7.如权利要求6所述的线性移动刀口矿浆取样器在线异常监测方法，其特征在于：所述在线监测学习段通过稳定度指标psi量化评估离线样本与在线样本的分布差异实现稳定性优化包括使用pickle保存离线下数据处理、特征工程、模型训练的结果，提供上线后以restful api接口形式提供在线异常监测，使用稳定度指标psi量化评估离线样本与在线样本的分布差异，统计各风险类别跨时间窗口分布的变化程度，变化程度小于10％，无需更新模型，变化程度处于10％-20％之间，进行变化原因识别，发送示警至运维人员，变化程度大于20％，则模型进行迭代，直至维持变化程度小于10％。
8.一种采用如权利要求1～7任一所述的线性移动刀口矿浆取样器在线异常监测方法的系统，其特征在于：包括数据采集模块，离线学习模块，在线学习模块；
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的线性移动刀口矿浆取样器在线异常监测方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的线性移动刀口矿浆取样器在线异常监测方法的步骤。
