[发明专利]一种辐射场异常监测数据自动识别方法

说明书

本发明涉及一种辐射场异常监测数据自动识别方法，所述方法使用辐射场多点位的测量数据作为数据集，根据辐射场数据在空间和时间尺度上的潜在规律，识别辐射场数据流的异常节点，可以应用于存在多种工况的辐射场,基于孤立森林技术，对辐射场监测数据集进行训练，对辐射场数据流进行实时评分检测，并将新数据加入训练集进行迭代计算分析。由于采用非监督智能算法，不需要对训练集进行评价。采用本发明所述的辐射场异常监测数据自动识别方法，可利用过往的监测数据进行大数据分析，自动识别异常数据，提高运维人员工作效率，更好的满足核设施现场使用要求、提升辐射防护管理水平，并且异常数据识别效率高、使用范围广、对工作人员专业度要求低。

技术领域

本发明属于辐射监测领域，具体涉及一种辐射场异常监测数据自动识别方法。

背景技术

对核设施中场所辐射剂量率的监测是核设施运行状态下安全监控的重要环节。当前核设施内场所辐射剂量率测量设备种类较多，能够满足测量需求，测量点位覆盖场所关键区域。

但目前测量数据处理水平较低，仅通过判断是否超阈值方式进行报警，为保证该方式不会漏报警，通常将阈值设置偏低，这样会导致大量的无效报警，影响运维人员的工作效率。因此，需开发一种辐射场异常监测数据自动识别方法，使其准确高效地自动识别异常数据，从而更好的满足核设施现场的使用要求、提高辐射防护管理水平。

发明内容

针对现有技术中存在的缺陷，本发明的目的在于提供一种辐射场异常监测数据自动识别方法，该方法使用辐射场多点位的测量数据作为数据集，根据辐射场数据在空间和时间尺度上的潜在规律，识别辐射场数据流的异常节点，可以应用于存在多种工况的辐射场。

为达到以上目的，本发明采用的技术方案是：一种辐射场异常监测数据自动识别方法，所述方法包括以下步骤：

S1、将核设施内辐射场中的辐射剂量率数据进行预处理并分类，形成对应数据集；

S2、对每类数据抽取训练集，构建孤立树，所有孤立树的合集构成孤立森林；

S3、通过所述孤立森林对所述数据集进行异常评分，并据此判断所述辐射场中的辐射剂量率数据有无异常。

进一步，所述方法还包括将最新获取的辐射剂量率数据加入步骤S1中所述数据集后进行迭代。

进一步，步骤S1包括根据不同测量场景对所述辐射剂量率数据进行分类，并分别存储作为不同数据集。

进一步，步骤S2包括以下子步骤：

S201、在每个数据集中随机抽取N个元素组成训练集，若数据集中元素小于N则全部抽取，存储于孤立树根节点，在所述根节点数据的最大值及最小值之间以平均分布随机生成分割值，将根节点数据中小于分割值及大于等于分割值的两部分，分别存储于左右子节点；

S202、从所述左右子节点在各自节点数据的最大值及最小值之间以平均分布随机生成分割值，将训练集中小于分割值及大于等于分割值的两部分，分别存储于所述左子节点以及所述右子节点的左右子节点；

S203、重复步骤S202，直至满足预设条件时将分割次数记为步长h；

S204、重复步骤S201-S203，直至所述孤立树的数量达到设定值，此时所有孤立树的合集构成孤立森林。

进一步，为保证充分覆盖数据集中所有元素，需构建多个孤立树构成孤立森林。

进一步，步骤S203中所述预设条件包括子节点中只有1个元素、子节点中只有相同元素、分割次数达到限定值、子节点是否达到预设高度中任一条件。

进一步，所述分割次数限定值H＝log₂(N)。

进一步，步骤S3中所述的训练集的异常评分方法如下：