[发明专利]一种基于自编码器的汽动给水泵设备异常状态预警方法

权利要求书

1.一种基于自编码器的汽动给水泵设备异常状态预警方法，其特征在于，包括以下步骤：

步骤1、选取汽动给水泵设备关键部件的全部状态参数，并把部分状态参数进行扩维处理；

步骤2、数据预处理：

步骤2.1、数据集划分：在构建和训练模型时，对步骤1中选取的状态参数采集足量数据，将数据划分为训练数据集和测试数据集；训练数据集和测试数据集的数据量比例为7：3左右；

步骤2.2、停机数据剔除：若数据包含部分停机数据，则将数据进行可视化处理后，将停机数据进行剔除；所述停机数据为一段时间直线大范围下降的数据；

步骤2.3、空值数据处理：若某测点的数据缺失量超过一定百分比，则对此测点进行删除操作；所述删除操作为剔除含有空值的一整条数据；

步骤2.4、采用箱线图法去除毛刺数据，并寻找异常值：

异常极大值＝75％分位点值+3.5×(75％分位点值–25％分位点值)

异常极小值＝25％分位点值–3.5×(75％分位点值–25％分位点值)

所述毛刺数据为突然偏离正常数据范围的数据；所述正常数据为处于异常极小值和异常极大值之间的数据；

步骤2.5、采用以下归一化公式进行归一化处理：

其中，x^*表示归一化后的实测数据，x表示实测数据，x_min表示数据集中实测数据的最小值，x_max表示数据集中实测数据的最大值；

步骤3、构建自编码器深度学习预警模型，对实测数据进行上下置信计算，对汽动给水泵运行中的异常状态进行识别并预警；定期更新自编码器深度学习预警模型；

步骤3.1、根据实际数据，构建一定层数网格结构的自编码器深度学习预警模型；将该自编码器深度学习预警模型的网络依次根据测点倍数进行升维，升到一定维数的中间状态后，再进行降维，降维到n维的矩阵后进行输出，其中n为输入数据的测点数；

步骤3.2、将归一化后的数据作为输入数据输入该自编码器深度学习预警模型，自编码器深度学习预警模型经过自编码过程，形成一个中间状态，再经过解码过程生成重构数据；用重构数据和输入数据计算均方误差作为损失函数MSE：

其中N为输入数据量，y_pre表示重构数据值，y_real表示输入数据值；将重构数据进行反向传播，不断更新神经网络连接权值，用自编码器深度学习预警模型的网络总结设备测点正常数据的总体特征，形成汽动给水泵设备的数据特征网络；

步骤3.3、基于dropout机制对自编码器深度学习预警模型进行优化；

步骤3.4、引入置信区间比较汽动给水泵设备实时数据与历史正常工况的差异关系来全面评估当前汽动给水泵设备的运行状态，评定测试数据或实测数据是否为异常数据：首先计算训练集数据的残差矩阵：残差矩阵＝训练集的预测数据-训练数据；随后采用3σ(p≥99.74％)作为评价标准的置信区间，其中σ表示标准差，p表示概率；得到上下置信边界：

上置信边界：评估值+(残差矩阵均值+3×残差矩阵方差)

下置信边界：评估值+(残差矩阵均值–3×残差矩阵方差)；

步骤4、每更新预定数量的测量数据后，重新构造并训练自编码器深度学习预警模型。

2.根据权利要求1所述基于自编码器的汽动给水泵设备异常状态预警方法，其特征在于：所述步骤2.3中一定百分比处于30％～50％内。

3.根据权利要求1所述基于自编码器的汽动给水泵设备异常状态预警方法，其特征在于：所述步骤3.4中训练集数据的残差矩阵用于反映预测值与真实值拟合差值的概率分布。