[发明专利]一种基于燃气流量检测深度学习的异常处理方法

权利要求书

1.一种基于燃气流量检测深度学习的异常处理方法，其特征在于，包括如下步骤：

步骤S1：获取整个区域内的燃气使用数据，根据整个区域内的燃气使用数据建立燃气使用参照图和燃气故障图；所述燃气使用数据包括：燃气浓度值、水温温差和单位用气量；

步骤S2：从燃气故障图中获取历史故障点，在燃气使用参照图中对区域内的历史故障点进行标记，将历史故障点的单位用气量与正常情况下的单位用气量进行比对，得到故障波动值；

步骤S3：基于整个区域内的燃气使用数据，建立正常波动区间；

步骤S4：将正常波动区间与故障波动值进行综合分析，得到深度学习后的异常检测模型；

步骤S5：用异常检测模型计算得到燃气流量类型，将计算得到的燃气流量类型与实际燃气流量类型进行异常比对，对异常检测模型进行通过率判定，不断更新异常检测模型；

所述步骤S4包括如下子步骤：

步骤S401：将正常波动区间与故障波动值进行比对，当故障波动值不属于正常波动区间时，输出为一般异常故障，当故障波动值属于正常波动区间时，输出为特殊异常故障；

步骤S402：当输出特殊异常故障时，标记特殊异常故障对应的故障点，对特殊异常故障对应的故障点进行特征提取，得到故障特征；

步骤S403：建立异常检测测试模型，并根据故障特征对异常检测测试模型进行深度学习，得到异常检测模型，所述异常检测模型用于对燃气流量数据进行分析，得到燃气使用状态，所述燃气使用状态包括正常状态和泄漏状态。

2.根据权利要求1所述的一种基于燃气流量检测深度学习的异常处理方法，其特征在于，所述步骤S1包括如下子步骤：

步骤S101：以燃气管道的中轴线为对称轴，沿燃气管道的延伸方向，每间隔监测距离设置一个燃气传感器，用于检测燃气浓度值；

步骤S102：获取用户预设水温和实际水温，将预设水温和实际水温的差值设置为水温温差；

步骤S103：根据燃气浓度值和温差时间表建立燃气故障图；

步骤S104：每间隔第一时间获取一次用户用气量，将用户用气量与第一时间的比值设置为单位用气量；

步骤S105：获取连续第一天数的单位用气量并建立燃气使用参照图。

3.根据权利要求2所述的一种基于燃气流量检测深度学习的异常处理方法，其特征在于，所述步骤S103包括如下子步骤：

步骤S10301：当燃气浓度值大于第一阈值时，判定为泄漏故障并记录时间点，设置为泄漏故障时间点；

步骤S10302：获取连续第一天数的水温温差，计算得到平均水温温差，当水温温差高于平均水温温差时，判定为水温故障并记录时间点，记录为水温故障时间点；

步骤S10303：将泄漏故障时间点与水温故障时间点绘制成燃气故障图。

4.根据权利要求3所述的一种基于燃气流量检测深度学习的异常处理方法，其特征在于，所述步骤S2包括如下子步骤：

步骤S201：从燃气故障图中获取泄漏故障时间点和水温故障时间点，将泄漏故障时间点和水温故障时间点设置为历史故障点，当泄漏故障时间点与水温故障时间点的间隔时间不超过第一时长，且燃气故障点早于水温故障点时，删除该水温故障点，只记录该燃气故障点为历史故障点；

步骤S202：将历史故障点在燃气使用参照图上进行标记，将历史故障点出现后的第一时长设为历史故障时长，获取历史故障时长内的燃气流量值，设置为故障流量值，求得故障流量值与历史故障时长的比值，设为故障单位流量；

步骤S203：获取历史故障时长对应的连续第一天数的正常流量值，求得正常流量值与历史故障时长的比值，设置为正常单位流量，获取连续第一天数的正常单位流量的平均值，设置为正常单位流量平均值，将故障流量值与正常单位流量平均值的差值设置为故障波动值。