[发明专利]一种水质传感器异常数据检测与故障诊断方法

说明书

本发明公开了一种水质传感器异常数据检测与故障诊断方法，包括：收集N个无标签样本水质传感器数据集并进行预处理；构造深强化学习网络，包括Alex卷积神经网络和Actor_Critic网络；建立作为强化学习中智能体进行交互的环境，设置每次智能体与环境交互的动作和得到的回报；针对深强化学习网络，输入样本数据，进行迭代训练至总回报值稳定收敛，提取网络模型参数保存最优的模型；将待检测的无标签样本传感器数据集输入模型中，生成多个超平面；将数据集划分为不同程度的正负区域；检测出现在准确度较低的超平面的负区域的数据点，将其视为异常数据；记录数据点多次出现在准确度较低的超平面的负区域时的对应的传感器，判断该传感器可能发生故障。

技术领域

本发明涉及水质传感器异常数据检测领域，具体涉及一种基于强化学习的水质传感器异常数据检测与故障诊断方法。

背景技术

环境保护在于水资源保护，水资源保护在于水污染防治。在对水污染的防治中，主要使用水质传感器对反映水质污染状况的重要指标进行检测，从而达到对污染程度的监控。即保证传感器数据的准确性、有效性是水污染检测的关键。故对传感器采集的原始数据进行异常数据的检测就显得格外重要。传感器异常数据是指在数据集中与大部分数据不一致或者偏离正常行为模式的数据。常用的检测方法有，概率统计模型，即概率给出总体的分布来推断样本性质，统计则从样本出发来验证总体分布的假设。机器学习方法，其中常用聚类，支持向量机法等，特点是模型的泛化能力强，往往需要有历史异常数据标注的数据样本。但是，实际生产中的异常数据大多是没有标注的。因此，需要找到针对无标签数据样本的异常数据检测的方法。

卷积神经网络是一种前馈神经网络，多应用在图像处理领域，其中卷积层主要起到对输入数据的特征提取，通过卷积核对原始数据中隐含的关系进行抽象。池化层主要起到下采样作用，即对特征数据进行降维，减少过拟合。强化学习是机器学习的一个领域，其内容是，智能体基于环境做出动作，得到相应的奖励与惩罚，在这样的刺激下逐步迭代优化，实现取得利益最大化，即实现了追求预期最大利益的习惯性行为，具有普适性。

发明内容

本发明的目的是提供一种水质传感器异常数据检测与故障诊断方法，利用卷积神经网络提取无标签样本数据的数据差异特征，构建基于概率密度为标准的环境，用强化学习对样本数据进行分类，达到对水质传感器异常数据检测与故障诊断。

为了实现上述任务，本发明采用以下技术方案：

一种水质传感器异常数据检测与故障诊断方法，包括以下步骤：

步骤1，收集N个无标签样本水质传感器数据集{D₁，D₂，...D_N}并进行预处理，每个数据集D_i包含m个时间段的检测数据，D_i＝[V₁，V₂，...，V_m]；其中V_i为多维数据点，表示某个时间段的水质传感器检测的水质情况；

数据预处理的过程为：

对于单个数据集D_i，随机抽取r²个向量，并合成n*r*r维的张量，其中包含的n维单项指标数作为深强化学习单次采样回合episode的初始状态S；

步骤2，构造深强化学习网络

步骤2.1，深强化学习网络包括Alex卷积神经网络和Actor_Critic网络，使用Alex卷积神经网络提取每个数据点之间的数据差异特征，Actor_Critic网络作为决策与评价网络；

其中，Alex卷积神经网络从前至后包含五个卷积层，每个卷积层中设置一个卷积核，前后相邻的卷积层之间设置激活函数ReLU函数与一个池化层，最后一个池化层之后接一个平滑层Flatten，实现卷积层与全连接层的过渡；在卷积神经网络与Actor_Critic网络之间连接一个自适应平均池化层；