关联监控

2024-06-09

关联监控（共4篇）

关联监控篇1

摘要：针对飞机服役历程中复杂多变的使用环境和飞行任务, 为了准确快速地获得其实际使用情况, 提出了合成关联滤波算法。对于各实测数据任务段, 建立对应的关联滤波器;并基于滤波结果和贝叶斯网络设计实现了一种飞机任务段推理决策方法。经实测数据验证表明, 建立的任务段关联滤波器能够较好地识别出各飞行参数响应, 采用任务段推理决策方法对测试样本的类别属性进行推断, 结果的准确率达97.2%;可为飞机等大型机械结构的复杂使用情况监控提供新的技术途径, 也可为其损伤/寿命监控提供必要的数据支持。

关键词：关联滤波,任务段识别,贝叶斯网络,使用监控,飞行参数

飞行器结构健康监控主要包括以下五个方面使用监控、载荷/应变监控、环境监控、损伤监控以及剩余寿命监控[1]。其中, 使用监控是其他监控的基础, 通过分析飞机的使用情况, 可为其载荷/应变监控、损伤监控及剩余寿命监控提供一定的科学依据。

飞机的飞行载荷/应变及累积损伤与其实际的使用情况紧密相关。同一机队中的同型飞机在不同的使用条件下, 其累计损伤量会呈现出较大的分散性[2—5]。空中任务段 (机动动作) 及地面任务段 (操纵运动) 是构成飞行器实际使用情况的基本单位, 通过实时地对飞机使用过程中各任务段的监控和统计分析, 能够发掘出隐藏在载荷/损伤分散性背后的直接原因, 更加科学合理地进行飞机结构寿命的监控。

任务段的识别本质上是统计模式分类, 传统的模式识别基于分段特征提取, 存在提取分段多、特征不足、代表性不强、类别较多时判别区域不易区分等缺点。当识别样本受到多种形式的扭曲变形时, 提取特征模糊化, 会使得实际的模式分类误差较大[6—9]。飞机在实际使用中, 空中任务段和地面任务段的类别较多[10], 同一任务段的完成情况差异性可能较大, 而且会有新的任务段出现, 需要一种新的不同于传统模式识别的方法, 对任务段进行准确地识别。

本文将关联模式识别方法应用于飞机实测任务段的智能识别, 提出了合成关联滤波算法, 并基于该算法和贝叶斯网络设计实现了一种飞机任务段决策推理方法。以实测飞行数据为例, 验证了该方法在任务段使用监控中的有效性。

1 关联模式识别基本原理

关联模式识别 (简称CPR) 是统计模式识别的分支[8], 与传统的基于特征提取模式识别方法不同, CPR抓住了信号的整体特征趋势, 对信号的噪声污染、扭曲变形、缺失等具有较好的鲁棒性。不必进行信号的分段处理, 它能够在实际复杂的信号中, 准确地检测和定位基准信号在观察信号中的位置。

1.1 信号关联滤波器算法

该方法的主要思路是, 使用一组基准信号和相关准则构造关联滤波器。若测试信号与基准信号属于同一类别, 那么当测试信号通过该滤波器时, 输出关联曲线将产生明显峰值点, 反之则不会出现峰值点。构造关联滤波器需要考虑的准则包括ACE、ONV、ASM以及ACH四种。

1.1.1 最小平均关联能量 (ACE)

对于N组基准信号xi, 其最小平均关联能量 (ACE) 定义为:

式 (1) 中, 为d×d对角矩阵。

1.1.2 输出噪声差异 (ONV)

假设基准信号向量xi, 以及噪声向量v, 其关联滤波器输出为

假设噪声是零均值过程, 则输出噪声方差为

式 (3) 中, C=E{vvT}是输入噪声的协方差矩阵。

1.1.3 平均相似度测量 (ASM)

所有基准信号xi的输出关联曲线的平均差异性, 以均方差的形式表示为

式 (4) 中, 是对角矩阵。

1.1.4 最大平均关联高度 (ACH)

考虑到滤波器的泛化性能, 在峰值处不作任何约束。定义平均关联峰值高度为

综合以上四项关联滤波器准则, 得到的滤波器具有以下优点: (1) 输出关联平面的峰值点突出, 非峰值点不突出; (2) 噪声影响小; (3) 组内信号差异性较大时, 输出关联曲线的差异性最小; (4) 输出关联曲线的平均峰值高度最大。

使J (h) 达到最大, 得到h的最优解为h= (αD+βS+γC) -1m, 其中, α2+β2+γ2=1。

在具体实际问题中, 通过优化α、β、γ的取值, 使得到的关联滤波器综合以上优点。通过计算测试信号t (m) 与滤波器h的关联值gt (k) , 可以判别测试信号是否属于基准信号所属的类别。

1.2 改进的幅值分布关联滤波器

比较两组信号是否相同时, 不仅需要考虑信号形状的相似性, 还应比较其信号幅值的相似性。1.1节介绍的信号关联滤波器能够很好地识别形状相似的信号, 但对于形状相似而幅值明显不同的两组信号, 不能够得出这两组信号属于不同信号集的结论。为此, 引入幅值分布关联滤波器的概念。

离散信号x (m) 的幅值空间被分成若干个小区间, 通过增加区间的数目, 信号幅值的频数分布直方图可以近似地代替其概率密度分布函数。对近似的概率密度分布做积分运算, 得到其幅值累积分布函数 (简称幅值分布) 。

为提高信号识别的准确度, 分别计算分段区间内信号幅值分布的相似性指标, 并将该区间相似性指标进行加权求和, 得到信号幅值分布的相似性度量。

假设有N个基准信号xi (m) , 其中i=1, 2, …, N;xi (m) 的幅值分布为ai。将其幅值空间Ω分为L个区间, 第j个区间Ωj内信号xi (m) 的幅值分布为aij。幅值分布关联滤波计算步骤如下:

(1) 在第j个区间内, 基准信号xi (m) 的平均幅值分布傅里叶变换为

(2) 根据公式τj= (αDj+βSj+γCj) -1mj计算分别得到区间幅值关联滤波器τj, 而其幅值关联滤波器为r={τ1, τ2, …, τL}。

(3) 将待识别信号t (m) 的幅值分布at与τj作分段关联滤波运算, 分段滤波向量为fj, 其峰值为qj。

(4) 将滤波峰值点加权求和, 其中ωj为权重系数, 满足

综合信号关联滤波器和幅值分布关联滤波器, 得到合成关联滤波算法流程如图1所示。

2 任务段关联滤波器及关联滤波矩阵

飞机使用任务段的动作特征可由机载设备记录的飞行参数描述, 而这些飞参响应看作是任务段在相应飞参上的投影。通过对实测飞行参数进行统计分析发现, 即使是对于同一任务段来说, 由于飞机性能、传感器噪声、飞行员的操纵水平以及使用环境的不同, 其飞参响应的差异性可能较大, 而且某些任务段动作之间的差异性较小。如何有效地处理任务段动作的差异性以及由各种因素引起的噪声和偏差, 成为有效识别和监测飞机使用任务段的关键。本文所提出的合成关联滤波器可以较好地处理这个问题。

2.1 任务段关联滤波器

选取若干飞机实测飞参数据, 使其包含待识别的各任务段动作。对飞参数据进行任务段的人工划分, 得到各任务段的若干飞参时间历程样本。对每个飞参信号及其幅值分布分别建立对应的关联滤波器。最终将实测飞参数据输入到所建立的关联滤波器内, 综合分析所得结果进行任务段动作的识别。以半滚倒转动作实测数据为例, 建立其对应的合成关联滤波器。

在任务段库中, 随机选取若干半滚倒转动作样本, 记作x={xi|i=1, 2, …, n}。根据半滚倒转动作特征, 选取8个飞行参数用于建立其关联滤波器。这8个飞参分别为俯仰角θ、倾斜角λ、滚转角速度ω、偏航角差Δψ、高度差Δh、速度差Δv、重心法向过载Nz以及升降速度Vv, 此时。选取的样本在动作持续时间、飞参数据幅值空间分布较均匀, 能够较好地描述该任务段动作的共性和差异性。半滚倒转动作的典型时间历程曲线如图2。

对于动作半滚倒转, 其关联滤波器设计算法步骤如下:

(1) 将xi每一列xij及其幅值分布aij作FFT变换至频域形式Xij及Aij。

(2) 对于飞参j, 将各样本的Xij及Aij输入到关联滤波器公式hj= (αDj+βSj+γCj) -1mj及τjl= (αDl+βSl+γCl) -1ml中, 计算飞参j的关联滤波器hj和rj。

(3) 反复调整α、β、γ的取值, 优化各飞参关联滤波器性能。

(4) 综合得到半滚倒转信号关联滤波器H={h1, h2, …, h8}, 幅值分布关联滤波器R={r1, r2, …, r8}。

对于该飞机的其他任务段动作, 其关联滤波器的设计准则和算法与半滚倒转动作相同, 唯一不同的是样本的个数及所选取的飞参集合可能不同。应选择适合的飞参集合, 使之能够较好地描述待识别的任务段, 同时能够与其他任务段区分开。

2.2 任务段关联滤波矩阵

至此, 已经得到了任务段k的飞参响应关联滤波器Hk及Rk。然而, 任务段的识别是多个机载飞参传感器信息融合的过程, 不仅需要考虑各飞参响应关联滤波结果, 而且应充分发掘飞参响应关联滤波结果之间隐藏的信息。为此, 引入关联滤波矩阵的概念, 它能够清晰地表达飞参响应关联滤波结果的内在联系。

2.2.1 关联滤波矩阵的概念

设任务段k有n个样本x={xi|i=1, 2, …, n}, 其中xi (t) =[xi1 (t) , xi2 (t) , …, xim (t) ], m为识别任务段k需用的飞参数量, xij (t) 为样本xi (t) 的第j个飞参数据 (j=1, 2, …m) 。计算得到其信号关联滤波器为Hk={h1k, h2k, …, hmk}, hjk为xij (t) 对应的飞参j关联滤波器;幅值分布关联滤波器为Rk={r1k, r2k, …, rmk}, rjk为xij (t) 对应的飞参j幅值分布关联滤波器。

第i个样本xi与信号关联滤波器Hk的滤波结果为Gik, 定义其为样本xi关于Hk的关联滤波矩阵, 其中, gkij是飞参数据xij与滤波器Hk的分量hjk作关联运算的向量结果。类似地其幅值分布ai与幅值关联滤波器Rk的滤波矩阵为Fik。为关联运算符。

2.2.2 关联滤波矩阵的性质

根据信号关联滤波器的定义, 此时Gik的第j列gkij对应着飞参j的信号关联向量, 在采样点tij处有峰值pij出现。按照关联滤波器Hk中飞参的次序, 将相应的峰值pij写为p, 其中p为n×m维矩阵。

样本集x的滤波峰值矩阵为

式 (9) 中, pi=[pi1pi2…pim]T为样本xi的信号滤波峰值向量;p=[p1jp2j…pnj]T为飞参j的信号滤波峰值向量。

对于同一任务段k, 各样本xi (t) 的形状和幅值分布具有相似性, 同时又具有一定的差异性。按照关联滤波器的设计准则, 各样本xi (t) 的滤波峰值向量p的元素pij在区间内变化, 呈某一分布规律。

由于样本集x={xi|i=1, 2, …, n}只是总体的一个子集, 因此当有新的任务段动作样本出现时, 其滤波峰值pij或在内, 或在该区间外。需要根据峰值pij的大小, 计算新样本飞参j信号属于任务段k的可能性。因此, 定义可信度函数P (pij) , 表示新样本包含相应任务段k飞参响应的可信程度。

式 (10) 中, a为临界系数, 当pij

类似地, 幅值分布滤波峰值qij具有相同的性质。

一般来说, 当样本的动作持续时间、飞参数据空间分布差异性较小, pij和qij的取值相对集中;相反, 若样本间的差异性较大, pij和qij的取值较为分散。在任务段识别的同时, 可根据pij及qij分布统计量, 得到某任务段动作完成情况的差异性统计, 为飞机结构的载荷/累积损伤的统计分析提供一定的依据。

3 任务段推理决策网

在利用关联滤波器进行在线任务段识别时, 经常会遇到信息不确定和不完整的情况, 使得识别难度增加和准确度下降。譬如: (1) 任务段由多个飞参共同描述, 但其对每个飞参的依赖程度有所差异; (2) 某些飞行动作的同一飞参响应可能会表现出相似性, 造成识别混淆; (3) 由于天气、飞行员操作水平等原因, 同一任务段有较大的差异性; (4) 受恶劣环境、电磁干扰等影响, 飞参数据可能会出现缺失或非正常值。

针对以上情况, 构建了基于贝叶斯网络[12—15]的任务段推理决策网, 该决策网利用飞参关联滤波矩阵结果, 可以有效地融合其他各种信息, 包括经验知识和辅助飞参数据, 对待识别任务段的归属类别进行推理。对实测数据的计算结果表明, 该飞行动作推理决策网络可使任务段识别准确率达到满意的程度, 并能够克服识别过程中出现的信息不确定和不完整, 使得本文提出的任务段动作识别方法具有较强的鲁棒性。图3为任务段动作推理决策网络图。

在给定某一未知任务段动作χ时, 通常假定其属于各任务段动作ωi的先验概率相等, 即P (χ=ωi) =1/n, n为任务段动作的类别数。分别计算未知任务段动作χ的各飞参sj和幅值分布aj关于ωi的关联滤波结果pjk和qjk (i=1, 2, …, n) , 将得到的滤波结果输入到飞行动作推理决策网络进行推理, 得到χ属于ωi的后验概率值P (χ=ωi) 。根据各P (χ=ωi) 的取值大小, 进行未知任务段动作χ的归属类别推理。计算公式为:

式 (11) 中, 概率分布P (s, a, Hk, Rk, pk, qk|χ=ωi) 由变量条件独立关系可分解为一系列条件概率的乘积, 即

4 算例

4.1 任务段关联滤波矩阵统计分析

将半滚倒转动作的样本集x={xi|i=1, 2, …, 49}输入到半滚倒转关联滤波器H中, 得到每个样本xi的关联输出结果Gi={gi1, gi2…gi8}, 其中gij为飞参j的关联滤波结果。如图4所示。

从图4中可以观察到, 各飞参关联滤波结果gj (j=1, 2, …, 8) 都有唯一明显的峰值。将这些峰值对应的采样点与动作半滚倒转典型时间历程曲线作比较, 可以发现, 各飞参对应的峰值点和该动作在飞参上的投影区间中心重合, 这表明建立的半滚倒转关联滤波器H能够很好地识别出动作半滚倒转的各个飞参响应。

进一步, 提取各样本的飞参关联滤波结果gij的峰值pij, 观察pij (j=1, 2, …, 49) 的取值分布。以俯仰角为例, 绘制出其49个样本的piθ的散点图, 如图5所示。

计算得到piθ各统计量分别为, 均值μθ=0.934 4, 标准差Sθ=0.201 1, 偏度系数αθ=-1.039以及峰度系数βθ=1.671。根据各统计量的含义, 可得到如下结果。

(1) αθ<0, 表明piθ的分布呈负 (右) 偏斜, piθ的取值偏向于较大值, 大多数样本的滤波峰值较大。

(2) βθ>0, 表明piθ较为密集地分布在均值μ的附近, 各样本飞参俯仰角θ的完成情况差异度较小。

以此可以计算其他飞参滤波峰值pij的分布统计量, 得到各样本其他飞参完成情况的差异性度量, 作为半滚倒转完成情况的差异性统计。

半滚倒转动作的样本幅值分布ai输入到其幅值关联滤波器R中, 得到其关联滤波结果Fi以及关联滤波峰值qij, 它们的性质分别与Gi及pij相同, 限于篇幅不再列出, 可对照Gi及pij得到。

4.2 任务段推理决策网络应用

随机选取某一半滚倒转动作数据作为测试样本, 与各任务段ωi的关联滤波器{Hk, Rk}作关联运算, 滤波峰值结果为{pk, qk}。将{pk, qk}输入到已建立的任务段动作推理决策网中, 经过计算, 得到测试样本属于各任务段ωi的后验概率值为P (ωi) , 如表1。

由表1可以看出, 后验概率最大值Max=P (ω4) , 而且P (ω4) 远大于其他值, 可以确定测试样本的动作归属类别为半滚倒转, 与其实际的归属动作相一致。

接下来, 将任务段动作集中的各样本xi依次输入到任务段动作推理决策网中, 确定样本xi的最大后验概率对应的动作ωi, 并与实际的归属任务段进行比较, 得到网络进行概率推理的正确率。其中, 每个任务段动作的测试样本数为40, 总的测试样本数为280。

注:第一行ωi为任务段类别属性。

从表2可以看出, 任务段推理决策网对测试样本的任务段属性判别正确率较高, 测试样本总体识别正确率为97.2%, 但同时存在对测试样本错误分类的情况。可适当增加关联滤波需用的飞参个数, 增加样本的数量, 以及调整决策网络中的各条件概率值, 以改善决策网络的正确推理功能。

5 结论

在实测飞参数据的统计分析基础上, 提出了合成关联滤波器算法, 并基于此算法和贝叶斯网络完成了实测数据任务段的有效决策识别。该方法能够充分利用各飞参信号的整体趋势和幅值分布信息, 并结合经验知识, 可有效地克服识别过程中出现的信息不确定和不完整。将信号在频域内进行运算, 避免了直接在时域进行运算所带来的高计算量和存储限制, 非常适合于实时的在线任务段识别。同时可根据实际情况, 增加或减少任务段的类别数量以及关联滤波需用的飞参个数, 对任务段推理决策网的规模进行相应的调整。该方法可以推广到其他大型机械结构复杂使用工况的监控中, 同时可为其损伤/寿命监控提供必要的数据支持, 具有较为广阔的应用前景。

关联监控篇2

一、油田企业关联交易现状

油田企业关联交易主要是指油田内部石油工程企业为油气分公司企业提供的各种工程技术服务。主要包括钻井、测井、录井、固井、井下作业、地面建设、工艺技术服务等项目。该类关联交易目前结算速度缓慢、全年结算极不均衡, 年终结算量大, 资金收支波动幅度大、年底抢施工进度等问题给企业生产经营带来了不利影响。首先, 影响乙方单位资金及时回收, 以及成本、收入的真实反映;其次, 影响甲方单位完成下达的投资工作量, 甚至还影响到油田企业原油稳产上产的目标, 以及财务报表的真实有效性;同时影响领导决策层对经济情况的正确判断;再其次, 存在结算风险, 大量资金到年底结算, 不可避免忙中出错, 财务结算风险同时加大。因此, 建立结算监控体系, 加快结算, 均衡结算, 对于关联双方都是有利的。

二、关联交易结算管理存在的问题

造成关联交易结算不畅的原因有多方面因素, 与合同、计划、结算等环节流程较多有直接关系, 工程结算只是整个业务链的最后一个环节, 前面任一环节的迟滞, 累加起来就会对后期结算产生严重影响。

1. 无法掌握结算各环节的动态情况。

结算管理一般归口财务部门, 但是关联交易结算业务跨度大, 管理链条长, 财务部门只能是事后监督和控制, 也就无法督促这些项目及时进行结算。

2. 制度执行缺乏检查监督。

关联交易结算关系到多方的利益, 涉及的流程和环节较多, 突破了许多单位固有的管理模式, 仅凭财务一个部门, 无法有效监督与检查, 使得各单位执行情况差异较大, 效果也不尽理想, 与整体的管理要求存在较大的差距。需要跨单位、跨部门的协调。

3. 思想环节缺乏大局意识。

一些单位缺乏整体意识、大局意识, 从局部利益出发, 纠缠细节问题, 影响了结算工作的整体推进。由于关联交易结算价格、套用定额的不确定性, 有些单位结算期望值过高, 对审定完毕的工程结算书迟迟不签字认可, 甚至出现期盼年底统一调整、追加投资, 结算顺价等观望态度, 从而影响整个工程项目结算进度。

三、关于结算监控体系的构建

1. 主要内容。

(1) 建立数据上报制度。数据上报内容应涵盖工程劳务项目从计划下达、合同签订、开工、完工、办理结算手续的各个环节。同时数据上报方式上采取甲乙方平行上报, 能够相互牵制双方, 并利用乙方收款的主动性从而确保数据真实性、完整性、准确性。 (2) 创新监控办法。充分利用现有结算系统进行监控, 对没有事前统计上报的结算项目, 在该项目办理结算时, 予以事后考核, 堵塞双方瞒报的漏洞, 确保关联交易结算的真实反映。 (3) 建立考核和通报机制。把影响竣工结算、进度款支付、数据准确的各种因素, 全部纳入考核体系, 定期对没有及时结算的项目及时通报, 有力督促工程劳务项目加快结算进度。

2. 效果分析。

(1) 有利于过程监控。通过统计结算监控体系, 结算管理全面深入到生产经营活动和项目实施中, 工程劳务项目从计划下达, 合同签订, 开工, 完工, 到办理结算的各管理环节动态情况得到及时监控, 准确掌握了哪些项目应该办理竣工结算或进度款支付, 未能按规定及时办理的有多少, 影响结算的问题出在哪个环节, 并及时采取有针对性措施。 (2) 有利于提高结算效率。由于准确掌握了影响结算的问题所在, 并将问题梳理分类, 及时确定考核的责任部门和单位, 定期对工程劳务项目未结算情况进行通报, 充分调动和发挥各单位的积极性、主动性, 结算周期大大缩短。同时对争议问题, 及时协调解决, 避免相互扯皮, 提高工作效率, 加快结算。 (3) 有利于规范结算流程, 理顺了双方间关系。通过统计结算监控体系, 统一了结算条件、结算时间、付款比例、结算形式, 优化了相关管理流程, 规范了操作岗位和完成时间, 保证内部结算资金在油田范围内循环, 实现全面的资金集中管理, 提高资金运行效益。对于乙方单位, 及时收回资金, 提高了资金的运行效率, 提升了管理效益, 对于甲方单位, 及时反映投资与成本, 理顺关联交易双方间的关系。

关联监控篇3

电力营销稽查是供电企业按照国家法律法规和企业规章制度, 对电力营销工作质量和服务质量的全过程核查、管理和监督。营销稽查监控是依据国家有关政策、法律、法规和供电企业营销相关的规章制度和管理规定, 对供电企业从事电力营销工作的单位和人员, 在电力营销过程中的行为进行监督和检查。常态系统记录了营销业务的常态稽查情况, 在线系统从工作流程、工作质量等方面实现对营销业务的集中在线监控与稽查, 记录了营销业务中的异常信息。从研究现状来看, 目前我国电力营销稽查手段方面的创新性还是比较差的, 在处理在线监控异常时基本都是靠人为经验处理, 稽查人员的经验水平决定了处理在线监控异常的效率。

对此, 本文利用在线监控异常和稽查问题的用户编号和发生时间, 再加上标识向量来构建二者的联系, 并写入数据库形成规则, 稽查人员处理在线监控异常时, 智能提示相关联的稽查问题和相应案例, 为电力企业提供实时在线辅助稽查工具以达到提高工作效率, 提供决策的依据。

2 在线监控异常与稽查问题的关联关系构建方法研究

2.1 在线监控异常与稽查问题的关联关系构建方法基础探析

在线监控异常是在线系统按照预设的异常规则过滤出来的异常信息, 这部分异常信息需要稽查人员进一步排查, 否则某些异常可能导致重大问题。稽查问题是常态系统记录的稽查问题, 在线监控得出的异常可能征兆着某种稽查问题的出现, 但二者之间的联系目前并无有效算法可以识别。本文利用在线监控异常和稽查问题的用户编号和发生时间, 再加上标识向量来构建二者的联系, 得出在线监控异常与稽查问题的关联关系规则。同时加入人工审核, 使关联关系规则更加贴近业务背景, 符合业务规范。

2.2 在线监控异常与稽查问题的关联关系构建方法步骤解析

(1) 从常态系统抽取近期所有的常态稽查问题信息, 从在线系统中抽取近期所有的在线异常监控信息。常态系统记录了营销业务的常态稽查情况, 从常态系统抽取近期所有的问题信息, 包括用户编号、问题名称及发生时间。在线系统从工作流程、工作质量等方面实现对营销业务的集中在线监控与稽查, 记录了营销业务中的异常信息。从在线系统中抽取近期所有的异常信息, 包括用户编号、异常名称及发生时间。

(2) 构建关键词词库。先对抽取的常态系统问题信息的问题名称和在线系统异常信息的异常名称进行分词, 然后进行词频统计, 人工剔除无意义的词组, 选取TF-IDF排名前100的词组作为关键词词库。

TF-IDF的主要思想是:如果某个词或短语在一篇文章中出现的频率TF高, 并且在其他文章中很少出现, 则认为此词或者短语具有很好的类别区分能力, 适合用来分类。

TF是词频, 即词语ti在某个问题名称或异常名称中出现的次数, 词频可以用来度量词ti与给定问题名称或异常名称bj之间的关联度:

IDF是逆向文件频率, 是一个词语普遍重要性的度量, 某一特定词语的IDF, 可以由问题名称和异常名称的总数目除以包含该词语的问题名称的异常名称数目, 再将得到的商取对数得到:

(3) 分别计算稽查问题和在线监控异常的标识向量。标识向量包含用户编号, 发生时间和词频向量三个部分。对问题名称和异常名称分别经过分词, 若关键词词库中的词在该问题或异常中没有出现, 那么对应的值为0, 否则为1, 组成100维的向量 (注:因关键词词库中是选取的TF-IDF值排名前100的词) , 得到对应的词频向量。同时, 在词频向量前再添加两个维度:用户编号和发生时间, 即可得到稽查问题和在线监控异常各自的标识向量。

假定具体的稽查问题k的标识向量是[a1, a2, x3, …x102];某一个在线监控异常dj的标识向量是[b1 (j) , b2 (j) , y3 (j) , …y102 (j) ]。若稽查问题k与在线监控异常dj的用户编号一致, 即x1=y1 (j) , 则a1=b1 (j) =1, 否则a1=b1 (j) =0;若稽查问题k与在线监控异常dj的发生时间的间隔小于10天, 则a2=b2 (j) =1, 否则a2=b2 (j) =0。

(4) 利用余弦距离计算稽查问题和在线监控异常的关联度。针对每一个稽查问题, 计算稽查问题与所有在线监控异常的关联度。稽查问题k与在线监控异常dj的关联度用标识向量之间的余弦距离来计算:

由于向量中的每一个变量都是正数, 因此余弦距离的取值在0和1之间。当余弦距离接近于1时, 稽查问题k与异常dj相似, 关联度强;余弦距离接近于0时, 稽查问题k与在线监控异常dj越不相似, 关联度弱。当余弦距离为0, 说明根本没有相同的维度, 它们毫不相关。

(5) 输出关联结果以及后续处理。针对每一个稽查问题, 输出关联度均大于0的在线监控异常名称以及其关联度。若不存在这样的在线监控异常, 即与所有在线监控异常的关联度均为0, 表明在线系统抽取的数据没有在线监控异常记录与稽查问题对应, 说明在线监控系统的原有规则无法识别可能导致该稽查问题的异常, 需对在线系统异常判别规则进行补充或者修正。若存在这样的在线监控异常, 即存在在线监控异常的关联度大于0, 则先从数据库内判断是否已经存在这种稽查问题与在线监控异常的关联关系规则, 若存在则无需再写入数据库;否则经过人工审核, 从业务上判断, 关联度大于0在线监控异常是否确实与该稽查问题存在联系, 把确实存在关联关系的稽查问题与在线监控异常的关联关系规则写入数据库。

3 基于关联关系的电力辅助稽查方法研究

在线监控异常与稽查问题的关联关系规则库建立好后, 接下来就是利用这种关联关系辅助稽查人员处理在线监控异常。结合稽查人员的日常处理在线监控流程, 本文给出如下两种应用场景。

图1为本文提出的电力辅助稽查结构图。

3.1 智能提示关联问题

在处理在线监控异常时, 稽查人员选定专业类别, 系统智能提示该在线监控异常的关联稽查问题, 关联的稽查问题以关联问题概率由大到小显示, 关联问题概率越大则稽查问题与该在线监控异常之间的联系越密切, 进行异常核查处理时先从关联问题概率大的稽查问题开始排查。

关联问题概率计算步骤:根据在线监控异常与稽查问题的关系库, 可以找出该在线监控异常关联的所有稽查问题, 然后统计一个时间段内在线稽查系统中该异常关联的各个问题占该异常关联的所有问题的比率, 假定与异常d有关联的问题有h个, 对于每一个问题, 关联问题概率为

3.2 参考案例查询

参考案例是系统针对具体问题处理和解决的实际情况, 由实际的业务数据转换过来的。营销稽查案例由案例编号、案例标题、摘要、关键词及案例正文构成。案例的正文包括五个部分:一、案情描述, 二、引用的标准及规范, 三、稽查过程, 四、整改措施, 五、评析。

在处理在线监控异常时, 稽查人员选定专业类别, 可以查看相关的参考案例, 指导稽查人员参考标准案例处理在线监控异常。参考案例与稽查问题是对应关系, 而且在参考案例建立的时候就设定对应的稽查问题, 根据在线监控异常与稽查问题的关系库, 可以找出该在线监控异常关联的所有稽查问题, 显示出对应的参考案例供稽查人员查看。

4 结论

在线监控异常与稽查问题的关联关系构建方法主要是通过在线监控异常和稽查问题的用户编号和发生时间, 再加上标识向量来构建二者的联系, 利用余弦距离计算稽查问题和在线监控异常的关联度, 经过人工审核进一步地筛选出符合业务逻辑的关联关系规则, 并写入数据库供后续应用。在应用场景方面, 稽查人员处理在线监控异常时, 系统智能提示在线监控异常的关联稽查问题, 供稽查人员进行排查;同时提供相关的参考案例查询, 供稽查人员查看。为稽查人员提供辅助稽查工具以达到提高工作效率, 提供决策的依据。

参考文献

[1]毛为民, 杨荣霞.新一代电力营销稽查监控系统的研发与应用[J].电力信息与通信技术, 2013, 11 (7) :77-81.

[2]电力工业部电力规划设计总院.电力系统设计手册[M].北京:中国电力出版社, 1998.

[3]徐先起, 刘波.电力营销稽查[M].中国电力出版社, 2008.

[4]刘捷.供电企业营销稽查监控系统应用研究[D].华北电力大学, 2013.

[5]周宇星.营销稽查监控系统架构设计与应用[J].电力信息化, 2011 (09) :44-48.

[6]彭凯.基于距离度量学习的文本分类研究[D].上海交通大学, 2013.

关联监控篇4

当前我国的农作物干旱问题,对农业生产发展产生了不好的影响。在复杂的地理环境与光照的作用下,我国农业用水资源量和灌溉效率较低[1,2]。因此,设计一种光照监控与节水灌溉系统具有重要意义,已经成为相关学者研究的重点课题,受到了越来越广泛的关注[3,4,5]。

文献[6]提出的节水灌溉控制器利用红外线热电偶收集土壤信息,结合对大气湿度和土壤湿度条件的分析,使数据更精准,谋划更全面,由于控制器的价钱不符合农民的心里价位,因此比较难推广。文献[7]描述的模糊控制系统以编制好的管理程序为依据,对作物水量的需要进行灌溉,该系统的优点是管理准确,缺点是不符合中国现实情况,得不到全面发展。文献[8]的灌概操作系统在单片机基础上研发了闭环自动控制系统,它可以利用多点对土壤湿度进行收集,具有多种路径传输、不定期灌溉、定点按时灌溉的优势,系统的容错配置使系统在工作状态下更方便使用,同时在不同的环境条件下可以对模块重新排列组合,由于其过程复杂,现实中操作较难。文献[9]通过模糊控制理论设计的模糊推理节水灌溉方法,将作物的蒸发量和土壤水量作定为输入变量,将作物的需水量当成输出变量,能够及时精准地获取作物需水程度,具有一定的工程应用参照价值,缺点是易受到外部条件的干扰,收益率低。

针对上述方法的弊端,设计基于物联网关联的光照监控与节水灌溉系统,给出了系统的总体设计,通过物联网感应平台实现对农业浇灌配置的远程管控。利用智能光照监控系统使实际光照数据与理想数据接近,实现光照监控。介绍了终端采集模块的基本框架。软件设计中,分析了系统的功能模块,给出节水灌溉模式处理的部分关键代码,介绍了详细的软件设计流程。实验结果说明,所设计的节水灌溉系统可对光照情况进行精确监控,节水效率较高。

1 硬件设计与实现过程

1.1 系统硬件的总体逻辑单元结构设计

基于物联网关联的光照监控与节水灌溉系统主要由土壤湿度传感器、物联网采集终端、喷灌机控制终端、智能光照监控模块构成,详细结构如图1所示。土壤湿度传感器被埋至土壤中,以得到不同深度的土壤水分信息,同时将其变成0~5 V的模拟电压信号。智能光照监控模块使实际光照数据与理想数据接近,实现光照监控。物联网采集终端对土壤湿度传感器和光照监控模块的信号进行采集,通过GPRS单元将采集的信息发送至监控中心。监控中心不断接收物联网采集终端传输的信息,通过分析获取最佳灌溉方案,将灌溉命令传输至喷灌机控制终端,实现节水灌溉。

1.2 物联网的逻辑结构硬件设计

物联网感应平台主要由智能传感平台、营运调控平台、网络传递平台和实际操作平台4部分组成。每个感应平台的构成都有不同的作用。首先,智能感应平台需要在智能图像操作系统和泥土湿度与温度视觉感应器的引领下完成对土壤中所含水分以及土壤冷热的检测。其次,营运调控平台主要用于对当季天气的旱涝情况进行预先报到,以便及时对庄嫁进行补救和产量的预测,它还具有远程操控浇灌作用,达到对水资源的节约利用的目的。再次,网络传递平台是整个物联网体系的根基,它由PAN网络、LAN网络、WAN网络和网络传递标准组成。最后,利用实际操作平台把实时的天气和旱涝消息经过PAD、移动电话和互联网等其他网络工具传递给使用者。这样不仅实现了对农业浇灌配置的远程监控,也可使政府部门准确掌握农业天气变化,以便在宏观上了解农业生长状况,实现节水与调整的全方位处理。

1.3 智能光照监控模块的硬件设计

智能光照监控系统采用传感器节点收集温室里外环境的阳光、水分、浓度和温度,对农作物的环境情况、生态情况和种植作物的长势情况做出研究后,利用监控的对应功能对各种要素进行主动的管理,使光照条件和作物的生长情况相适应,达到准确合适的成长和增加产量与提升质量的目的。

总体结构示意图如图3所示。

系统通过自动控制模式与手动控制摸式对光照进行监控,两种模式可利用控制面板切换。手动控制模式较简单,由操作人员直接控制,通常用于调试异常情况。在自动控制模式下,计算机通过运行,将光照调控理想数据传输给寄存器,将实时监控数据和理想数据进行对比,智能操作光照控制机构的开关,使实际光照数据与理想数据接近,实现光照监控。

1.4 物联网信息采集单元的硬件设计

基于物联网关联的光照监控与节水灌溉系统的终端采集模块是物联网采集单元,其基本框架如图4所示。

土壤湿度感应器把收集到的土壤数据,通过镶嵌状的微控制器MCU操作后传送到采集单元,再经过GPRS网络传输到管理中心计算机上,就会自动呈现出关于湿度的数值情况。子系统内的参数转换器ADC接收到的土壤感应器信息是经过信号调理电路操作的最终数据。GPRS板块收到利用串行口反馈的数据后,通过网络关口将其传输到Internet上,与Internet相连的中心站计算机就会得到数据。

在该设计中,选择的GPRS通信模块接口均是TTL电平接口,它能和ATmega128单片机的串行接口直接相连,接口电路如图5所示。

GPRS模块需采用直流5 V电压供电,通信节点是TXD,RXD,能与AVR单片机的串行接口直接相连,ON-LINE是在线提示入口,与互联网接通后端口会发送一个低电平信息,利用74ALS04完成反向处理后会驱动D1发光二极管,如果发光二极管变亮,说明GPRS模块和网络相连。

在物联网采集终端中,土壤湿度传感器接口输出的信号经线性转换操作后被发送至ATmega128的ADC1引脚,通过ADC实现模数转换。土壤湿度传感器接口如图6所示。

由于湿度传感器传出的电压信号需经过远距离的电缆输送,缺少牢固性,易受到中高频率设备噪音的影响,因此需在电压信号传进电路后和进入ADC前利用低通滤波把噪声和干扰滤除。通过滤波器后的传感器输出信号首先通过R1与R3合成的分压电路变换成为0~4.09 V的电压信号,然后经一级缓冲,最终传输至操作器的ADC端口。

2 系统软件设计

2.1 软件功能设计

为了全面推广基于物联网关联的光照监控与节水灌溉系统的设计,让使用者更方便清楚地了解该系统,给出该系统的五大功能,系统功能图如图7所示。

(1)地理信息空间展示功能:地理信息空间展示功能主要包括节水浇灌智能管理终端呈现和万亩方示范区数据信号呈现。其中水浇灌智能管理终端呈现的具体项目有井房管理、农业机井与节水状况监察测试点、天气变化监察测试点、幼苗生长监察测试点和农田里智能操作设备等基础配置空间显示。万亩方示范区数据信号呈现包括对地表轮廓数据显示、耕地分布与利用数据显示、耕种作物数据显示、行政单位规划数据显示、水利和道路车辆情况显示以及森林分布数据信息的显示。

(2)信息综合查询功能:信息综合查询功能是把查找的最终数据与空间分布位置统一呈现出来的一种查找功能。

(3)通信服务功能:通信服务功能主要包括两个方面:承担与井房管理站的信息传递,收集浇溉范围内的墒情、气象等传感器数据消息;保障墒情检测点信息的畅通,能够不间断传递灌区墒情数据情况。

(4)农田节水分析决策功能:农田节水分析决策功能利用通信技术掌握灌区数据并对浇筑用时和灌水定点时间进行最终分析,它是整个系统的中心计划核心。它具有不同类型的灌溉决策样本,主要有按照时间定点的灌溉决策样本,按照感应器、气象数据和作物成长样本的智能灌溉决策模型,以及远距离非自动化的灌溉决策模型三种类型。

(5)农田节水智能灌溉控制功能:农田节水智能灌溉控制功能主要有管理决定远距离输送和监管浇灌时的及时数据以及特殊情况下送水路径的预警提示。利用短信形式对出现的特殊浇灌情形进行提示,实现实时情况下对浇灌设施的管理。

2.2 灌溉控制处理模块软件设计

主管理界面利用按键方式能配置成自动灌注和手动灌注使用类型。其中,土壤所含水分是自动灌注模式的使用条件,如果土壤所含水分低于正常的湿度标准,自动灌溉模式就会自动开启灌注系统。灌溉模式处理的部分关键代码如下:

2.3 软件设计流程

灌溉操作的规划设计需按照土壤中所含水分的多少即旱涝状况来具体执行,这样能够及时获得准确的前沿土地数值,为具体负责单位提供参考根据,在此基础上再对各个地域的缺水情况做出整体全面的研究,提出解决方法。为了不浪费能源,使该系统发挥更好的作用,可以采用区域派遣形式对不同程度的干旱土地进行差异化灌溉。将先前收集到的土壤干旱程度和解决办法发送到传感器节点,按照得到的返回数据,通过传感器网络末端的终端信息,获取各区域具体需要的灌水量。详细的软件设计流程如图8所示。

3 实验结果及对比

为了验证本文设计的基于物联网关联的光照监控与节水灌溉系统的有效性,需要进行相关的实验分析。实验将传统广域灌溉系统作为对比进行分析。实验环境如图9所示。

将不同区域不同旱情的农作物作为研究对象,分别采用本文系统和广域系统对农作物进行节水灌溉,灌溉准确度曲线比较结果如图10所示。

分析图10可知,在不同区域的土壤环境下,采用本文系统的灌溉准确率一直高于广域系统,这主要是因为本文系统依据物联网关联技术,对不同区域土壤中的不同旱情进行了分析。详细统计结果如表1所示。分析表1可知,针对任意区域,采用本文系统的用水量一直远远低于广域系统,说明本文系统有很好的节水灌溉性能,有效弥补了传统系统的不足。

4 结论

本文设计了一种基于物联网关联的光照监控与节水灌溉系统,系统主要由土壤湿度传感器、物联网采集终端、喷灌机控制终端、智能光照监控模块构成,通过物联网感应平台实现对农业浇灌配置的远程管控。利用智能光照监控系统使实际光照数据与理想数据接近,实现光照监控。介绍了终端采集模块的基本框架,给出了GPRS通信模块和土壤湿度传感器的接口电路。软件设计中,分析了系统的功能模块,给出节水灌溉模式处理的部分关键代码,介绍了详细的软件设计流程。实验结果说明,所设计的节水灌溉系统可对光照情况进行精确监控,节水效率较高。

摘要：光照监控与节水灌溉系统具有复杂性和滞后性的特征,传统控制方法的灌溉控制效率低,造成水资源浪费。设计一种基于物联网关联的光照监控与节水灌溉系统,系统主要由土壤湿度传感器、物联网采集终端、喷灌机控制终端、智能光照监控模块构成,通过物联网感应平台实现对农业浇灌配置的远程管控。利用智能光照监控系统使实际光照数据与理想数据接近,实现光照监控,介绍了终端采集模块的基本框架,给出GPRS通信模块和土壤湿度传感器的接口电路。软件设计中,分析了系统的功能模块,给出节水灌溉模式处理的部分关键代码,介绍了详细的软件设计流程。实验结果表明,所设计的节水灌溉系统可对光照情况进行精确监控,节水效率较高。

关键词：物联网,光照监控,节水灌溉,终端采集模块

参考文献

[1]束慧.基于物联网和模糊PID技术的温室智能监控系统[J].节水灌溉,2014(11):73-76.

[2]裴素萍,吴必瑞.基于物联网的土壤含水率监测及灌溉系统[J].农机化研究,2013(7):106-109.

[3]李聪聪,高立艾,李云亮.基子物联网技术和模糊控制的智能苇水灌溉系统[J].节水灌溉,2013(12):83-86.

[4]王梅,王万岗,夏金凤,等.基于物联网技术的光照试验系统设计[J].中国农机化学报,2013(5):232-237.

[5]王福平,刘芳,冯盼盼.基于Java的农田节水灌溉监控系统的设计与实现[J].微型机与应用,2013(22):83-84.

[6]景秀眉,钱云庆.基于GPRS技术的农业节水灌溉远程监控系统[J].农村经济与科技,2013,24(8):184-187.

[7]王鑫鑫,周国平,封维忠,等.基于Zig Bee与GSM技术的温室环境监控系统的设计[J].节水灌溉,2014(8):63-65.

[8]纪建伟,丁皓,李征明,等.基于无线传输的稻田灌溉监控系统[J].农业工程学报,2013(z1):52-59.

【关联监控】推荐阅读：

关联波动07-16