随著自动化的发展，自动控制技术在预拌混凝土生产中得到了广泛的应用。而预拌混凝土配料系统中计量传感器的工作状态，决定着预拌混凝土生产过程的执行程度，是预拌混凝土质量控制的关键。在实际工作中，加强对计量传感器状态的实时监测，对计量传感器的异常进行预识别和早期报警具有重要的意义。
基于大数据的智能传感器异常诊断的研究探讨
由于生产过程实时监测的数据存在诸如不相干、噪音、无用等问题，并且这些问题严重影响了数据处理的效率和结果的正确性，因此需要先对原始数据进行异常诊断，这是大数据挖掘的数据预处理技术步骤。在此基础上，提出了一种新的基于大数据的异常识别智能模型，该模型克服了大数据预处理过程中对有价值的异常信号进行误清理而屏蔽的缺点，改进了傅里叶变换法实现信号的平滑处理，同时也改进了大数据中常用的异常分析方法，采用ARIMA模型实现趋势异常识别。
以大数据为基础，建立智能异常识别模型，以生产过程中DCS控制系统采集的传感器信号为输入，对信号进行预处理[13]，消除噪声数据对异常诊断分析的影响，同时保持信号异常化的趋势，进而建立适当的ARIMA时间序列模型，预测未来的信号输出，判断模型预测的输出是否超过异常阈值，如果没有超过阈值，则信号正常输出；否则，进行异常识别和报警，完成异常诊断。
传感器在工作过程中，由于环境的影响，外界的噪声会干扰传感器的采集通道，导致传感器输出信号出现异常，从而产生离群点，导致输出信号曲线上出现较多的“毛刺”；如果没有对信号进行预处理，在进行异常诊断时，就会将这些离群点判定为异常值，从而导致诊断系统误判。所以，在进行异常诊断前，需要去除信号上的“毛刺”点，这是基于大数据分析的一个重要步骤，同时保持异常发展的趋势。本文采用了Savitzky-Golay算法[14]和傅里叶变换低通滤波法[15]两种算法对该模型进行处理。
(1)Savitzky-Golay磨光法。本算法是一种在时间域内拟合局部多项式最小二乘算法。
(2)傅里叶变换低通滤波算法。它的基本原理是采用快速傅里叶正交变换(FFT)算法对原始信号进行滤波，在此基础上，采用低通滤波算法过滤高频噪声信号，使信号光滑。
自回归差分移动平均模型是ARIMA模型中的一种在时间域内分析序列的方法，研究对象随时间变化而形成的序列在ARIMA模型中被看作是一组随机序列，在随机序列中，所有离散值的集合将呈现出整体发展趋势，当出现偶然因素时，序列也将呈现出无规则的状态。利用ARIMA时间序列分析模型，可以在时域上提取历史数据序列之间的相关关系，建立能够精确描述其内在规律的数学模型，将动态数据序列的内部结构和复杂特征实质地呈现出来，实现基于最小方差的未来状态的最佳预测。
常规ARIMA模型不能应用于实际现象的非平稳序列分析，本文对非平稳序列进行了平稳化处理，并在平稳化基础上对该序列进行了ARIMA模型分析(p,d,q)。图3显示了ARIMA模型的分析步骤。
本文的研究数据来自于该企业DCS控制系统自动采集的25677条计量传感器历史数据和从2018年1月1日至7月27日物料实际重量。从下式中将历史数据整理成各个物料称量设备的称量误差数据，并绘制出误差随时间的曲线图，最后给出一个粉体称量实例。
历史信号的平滑处理是为了消除环境干扰。利用Savitzky-Golay算法和傅里叶快速变换低通滤波算法，对传感器序列信号分别进行数据预处理和平滑处理，滑动窗口统一为5个ppt。
(a)Savitzky-Golay磨光技术。
傅里叶变换低通滤波法。
在平滑度方面，傅里叶变换低通滤波方法比Savitzky-Golay方法更好，对比图5的数据预处理结果可以看出。高光滑度不仅能反映信号的变化趋势，而且还能使信号失真，两者的拟合误差分别为15.55%和12.82%。
(1)数据的平稳检验。
用Dickey-Fuller单位根检验历史数据样本的平稳性，p-value值为0.7473，大于显著水平0.05，信号序列具有单位根的假设不能被否定，它不是平稳序列，需要差分平稳化。
(2)差的平稳化。
在一阶差分后再进行单位根检验，其结果小于0.05显著水平，且p-value值为0.0237，可以排除序列具有单位根的假设；在一阶差分后数据平滑的情况下，可以进行ARIMA模型分析。
(3)p型，q型定阶。
由于不出现明显的拖尾规律，决定在平滑后一阶差分序列中，采用移动平均-自回归模型计算自相关和偏自相关函数。通过建立ARIMA(7,1,9)模型，确定了p=7,q=10的阶，AIC值为-11.24988。
(4)残差序列的白噪声分析。
当ARIMA(7,1,9)模型建立后，需要检验该模型是否提取了序列的所有有用信息，并对剩余序列进行了白噪声检验，结果表明，该模型的数据均处于随机区间，且p-value值均大于0.05显著水平，白噪声检验通过，模型是可行的。
(5)模式预测和诊断
根据ARIMA(7,1,9)模型对6月1日的称重误差进行预测，预测值为0.01183，超过1%的称重误差阈值，诊断计量传感器有异常趋势，进行系统报警。与0.01148个数值相比，该模型的预测值误差为3.05%。从预测结果来看，该模型具有良好的历史数据拟合能力和较高的预测精度，能够准确地进行异常诊断预警。
将大数据下的异常识别智能模型应用到预拌混凝土搅拌站配料系统计量传感器异常诊断中，分别采用时间分析法和低通滤波法对计量传感器的误差历史数据进行平滑处理，并利用ARIMA模型对计量传感器的异常发展趋势进行时序分析和识别。通过实例研究，用傅里叶快速变换低通滤波对图像进行平滑处理后ARIMA模型时序分析预测，效果较好，预测误差小，无误诊、漏诊，为异常诊断提供技术支持。
本课题研究过程中，虽然基于大数据的异常识别智能模型在实际应用中取得了良好的效果，但信号平滑方法和平滑程度都可能影响诊断结果，从而导致系统误诊和漏诊。针对信号的特点，如何选择不同的平滑方法，还需要进一步研究。
