计算机数据采集时间序列控制方法工业应用解析与展望

张培方

（集宁师范学院 计算机系，内蒙古 乌兰察布 012000）

计算机数据采集时间序列控制方法工业应用解析与展望

张培方

（集宁师范学院 计算机系，内蒙古 乌兰察布 012000）

本文通过文献综述与实验方法相结合，针对现实数据采集所存在的问题，经过研究提出工业过程控制时序数据的特点是数据量大，重复度高，直接在原始时序数据上作分析不仅效率低，而且不易观察数据的主要特征，而进一步提出时间序列方法的应用现实价值与展望.

计算机；时间序列；控制方法；应用

1 前言

提到数据采集，通常意义上是指直观分析数据的方法，数据采取系统是当前计算机应用的一个重要的方面，用微型计算机控制数据处理和采集来取代人类繁杂的现代社会信息量激增，人们对信息的依赖与以往任何一个时期相比，都是有过之，而无不及.然而，信息的处理在现实生产、生活中有着重要的意义.计算机的出现给数据处理带来了集约化、快速化、并且极大的提高了人的效率.通过计算机数据处理提高了各种场合的数据统计、核实以及应用的能力.在现实生活中，尤其在工业生产的过程中.信息化和网络化，每天都会产生大量的以时间序列形式存在的数据.这些时序数据包含了许多重要的信息，有效地分析处理这些时序数据，可以及时发现生产过程中的异常情况、分析错误原因、对比产品质量改善的情况，从而提高生产质量和生产效率.

2 数据采集工业化应用实例解读

2.1 当前工业中数据采集的缺陷

在工业化占据主导地位的现实社会，尤其在高速发展的信息化社会中.信息化与工业化发展紧密结合在一起，人们通过计算机作为媒介来实现对信息的高速处理，从现场信息采集到数据传输到具体分析一系列的操控.然而，在实践操作的过程中，发现操控数据是难以完成或者说很难完成.在模拟控制阶段尚可以考虑，而在现实生活中，则出现模拟方式抗干扰性不强，在长距离传输的过程中出现信息畸形等问题.从而，导致在数据处理在很大程度上难以实现高速、高效、高精度的控制要求.

2.2 数据集中式采集受到很大的限制

信息在收集的过程中，测控的信息与生产应用实践的信息处理还存在着一定的差距.因此，这里需要把测控的信息进行集成，来实现生产应用所需要.但是，把测控信息集中到一起，不是简单的把信息集成在一起，而是通过信息集散系统，实现对信息的管理和处理，实现通信的数字化.现实应用中，部分集成信息的处理仍然受到很大的限制，其中，通信处理的障碍很大，这里影响了信息的集约化处理.

2.3 信息高度集成的优势

随着局域网的进一步发展以及互联网的速度的提升，在一定区域内执行局部任务的速度大大提高.因此，现场总线的技术为人们所提出，并提出现场总线技术对于监控、管理、控制分线路，实现自动化等方面内容给予一定的优势.同时，为数据的传输与控制提供强有力的后台支持，通过改进技术成本的输出，把各个网络节点分挂在现场控制总线上，

实现现场性数据转换和控制，省去大量的传输过程，这样做，在很大程度上，有利于信息的集成，使各种信息的处理成为自动化过程.

3 数据采集时间序列控制方法的提出

3.1 工农业对时间序列控制的需求

编码和解码是计算机语言中重要的组成部分.随着现代计算机技术的微型化发展，与人们对各种元素的认知和处理的精确化，编码和解码的作用显得更加重要.尤其是外界大量的信息在短时间内需要获得处理，如温度、张长、坡度、厚度等.通过各种符号的解读形式，进而转换为数字化量，这一过程中数据采集形式得以完成.

在工农业生产、科学技术和社会经济生活的许多领域，普遍存在着按时间顺序发生的具有概率特征的各种随机现象，按照时间顺序把随机现象变化发展的过程记录下来就构成了时间性序列.从概念界定和技术分析的角度上出发，时间序列是指通过对一系列技术指标在一个连续的时间节点上有不同的体现.

3.2 相关性与不规则性是现代时间序列的特征

相关性是时间序列的重要保证，也是时间序列的重要体现.无论是统计特性，还是结构特性，对于相互性的表述，时间序列表现的是相对严谨的.通过一定的时间序列的分析与运行，能够使整个事物的进展控制在现实生活中，通过季节性、长短期的变化、循环变化规律的展示和表现，则表现出时间序列的本质特征.传统的时间序列与现代时间序列的划分在于规则与非规则的界定.现代序列特征把不规则的因素也考虑在其中，基于对非规则因素的控制.确定在现实生活或生产中，难以处理的一系列的因素，把现代生活的时间性界定扩大，更有利于对时间序列上的事物的发展和改变.

就是设法消除不规则变动因素，拟合长期变动趋势，分析季节变动和循环波动因素等一系列确定性的方法.技术的不断推进，工业的发展与人类对自身认知的提升，对微观状态下的部分观念也发生着变化，对时间阶段的分析、对循环波动的处理、对变化趋势的分析，均为时间序列变化的样式，但时间序列全部内容并指是如此，而是采用随机过程理论和控制理论来控制变化趋势的长短和季节性变化的多方面因素，使时间序列的控制理论更加合理与良性.

3.3 时间序列分析的理论基础

时间幅度和频率幅度的成为时间序列的两个主线，也是时间序列中最重要两大类.通过二个指标来揭示时间序列的发展规律.自相关、偏相关、模糊处理、因子分析、差分方程理论均是时间序列分析应用的主流方法.对于各种方法的应用通常借助于相关性分析，在理论和规范的基础上，借助曲线图来描述现实动态生活，通常T值的应用是最为广泛的.存在着起点、坐标、升降极点等在内的各种表现方式.把简单、直观的方法应用在计算机编码和解码的过程中，使数据结果更加容易观察员，给予动态的特征.另外，近年来在现实应用中，人们总结出模型法也常应用在工业生产中.因此，曲线图与模型图相结合，在实际生产应用过程中较多.通过数学方法和统计原理的应用，把序列的适应性给予统计，并且应用于预测和控制的时间序列过程中，把时间序列结合在模型中.随着工业化进程和产业化集成速度加快和生产规模不断扩大，每天都会产生大量的控制数据，对这些数据进行有效地分析，不仅可以从中获得有用信息，还可以指导生产操作提高生产效率，改善生产质量等.

4 数据采集时间序列方法应用的展望

4.1 现代工业对时间序列的依赖渐增

现代工业过程控制都采用自动化方式，而且生产节奏越来越快，每天都会产生很多过程控制数据.这些历史工业过程控制数据蕴含很多有价值的信息，比如可以回看数据分析发生错误的原因，还可以将现在的数据对比一个月前的数据，看看产品改善的情况仅仅只是对时序数据当前的特点进行分析获取的信息是有限的，如果能够对时序数据未来的发展趋势进行预测，则可以提前掌握该参数的变化情况，根据趋势变化来判断是否有错误发生，能够及时的发现错误.本文对分析这些时序数据设计了一个可行方案，从实验结果来看，响应速度和分析效率都比较令人满意.但是这个方案从设计到最后实现验证并实现经历了一个较长的探索过程.

4.2 可视化时序数据处理的特殊性

可视化时序数据是一种分析数据的简单而且直观地方法，将时序数据绘制时序图，可以很方便的观察数据点的变化范围以及与其他信号点数据进行对比.这种方式显示数据可以很直观的对数据进行分析，本文将待分析的数据绘制时序图展现出来，然后可以进行一些交互式操作.工业过程数据采样周期非常短，每7分钟一个信号点的数据个数就有几万个，将这些数据点全部绘制需要的时间很长.要缩短绘图时间，提高响应速度，必须对待分析数据进行压缩.工业过程控制数据是基于时间的，所以也是时间序列，时间序列的线性分段就是对时间序列进行压缩，方便后续处理.直接对海量时序数据进行分析，不仅浪费时间而且不容易发现数据的主要特点.大多数时候，分析数据都不需要去对每个数据点单独进行分析，而只需要掌握最主要的特点，比如数据点的变化范围，变化趋势等.本文在研究学习了各种时间序列分段算法的基础上，对比各种算法的优缺点以及适用范围，提出了一种基于屏幕分辨率的分段方法，这种算法的时间复杂度低，而且分段效果很好，可以很好的拟合原时序数据，而且提高了分析效率.

4.3 时间序列现实操作的规范

对数据时域进行分析不能满足数据分析的需要，很多情况下要获得更多的信息，要在频域下对数据分析.本文探索了滤波器设计的方法，一开始准备用C++/C#代码编写滤波器，但是发现这样实现起来很困难.MATLAB中有非常强大的信号处理工具，而且也有MATLAB与计算机程序设计语言混合编程的方法，后来就尝试用MATLAB来实现滤波函数.MATLAB程序必须做成COM组件，才能被C#语言调用，所以需要滤波的数据必须从C#程序中传入COM，一开始还担心这样会不会速度很慢，达不到要求.后来实验证明，在C#中调用MATLAB程序，只是在加载COM组件的时候需要的时间比较长，数据传递速度还是很快的，所以后面就确定用MATLAB来对信号进行滤波和快速傅里叶变换.

5 小结

本文对工业过程控制时序数据进行预处理，分析出该时序数据的特点，选择用ARMA模型对时序数据进行预测，并绘制趋势图.时序数据预测采用的SAS系统来实现的，该软件具有强大的数据分析功能.从实验结果来看，预测效果很好.

对工业过程控制数据进行分析有很大的价值，本文仅仅只是结合平面趋势图对数据进行分析，有一些数据用2D或者3D图形显示分析效果会更好，更直观，所以对数据绘制2D、3D图形是本文下一步应该关注的.本文在提高数据分析速度上做了一些工作，分析速度还可以进一步提高，在今后的工作中应该继续研究如何提高分析响应速度.对于工业过程控制时序数据进行预测，本文只是作了短期预测，在今后的工作中要研究如何做长期预测，即预测更多的数据点，使得预测效果更好.

〔1〕魏青轩.PDA数据采集系统在热轧生产线的应用[D].太原：太原理工大学，20100509．

〔2〕李志忠，王永桢.数据采集和监控中的微机应用[M].北京：清华大学出版社，1988．36-38，46-47．

〔3〕汤岩.时间序列分析的研究与应用[D].哈尔滨：东北农业大学，2007.10-13．

〔4〕刘大海.海量数据可视化方法的研究[D].天津，天津大学计算机应用技术，2009．

〔5〕MariosD.Dikaiakos，George Pallis.Cloud Computing-Distributed Internet Computing for IT and Scientific Research[R]．2009，13(5).

TP 274.2

A

1673-260X（2013）02-0030-02