CN113110385A - 基于决策树的计量自动化检定系统的启停预警方法及装置 - Google Patents

Abstract

本发明公开了一种基于决策树的计量自动化检定系统的启停预警方法、装置、终端设备和计算机可读存储介质，所述方法包括：获取计量自动化检定系统的工况数据，并对所述工况数据进行预处理，得到预处理后的工况数据；根据预处理后的工况数据，生成决策树模型；根据所述决策树模型，对所述计量自动化检定系统的启停进行预警。本发明能够解决现有启停方法启停耗时长、主观影响大、人工成本高的问题。

Description

基于决策树的计量自动化检定系统的启停预警方法及装置

技术领域

本发明涉及流水线故障诊断技术领域，特别是涉及一种基于决策树的计量自动化检定系统的启停预警方法、装置、终端设备和计算机可读存储介质。

背景技术

目前，计量自动化检定系统在运行过程中的集控程度非常高，但是在启停作业上还是缺乏智能的集控，需要人工巡查现场监测数值并做出决策。传感器技术和通信技术的发展给工业数据分析带来了前提，智能算法对复杂的工业工况数据有较强的分析能力，可以用于计量自动化检定系统在启停前置参数预警诊断的评估，以保证自动控制取代人工监控的安全。

现有的计量自动化检定系统启停预警方法主要通过人工巡检监测数值并且做出决策，缺点表现为启停耗时长、主观影响大、人工成本高。具体表现为，缺乏自动化、智能化的管理工具，计量自动化检定系统日常生产启停需逐一开启、关闭，启停耗时长；工作主要依赖现场人员经验，缺乏在线可控的标准化作业流程，受主观因素影响大；运维技术门槛高，新进人员无法有效应对大量复杂、跨专业监控工作，人工成本高。

发明内容

本发明的目的是：提供基于决策树的计量自动化检定系统的启停预警方法，能够克服现有启停方法的启停耗时长、主观影响大、人工成本高的缺点。

为了实现上述目的，本发明提供了一种基于决策树的计量自动化检定系统的启停预警方法，包括：

获取计量自动化检定系统的工况数据，并对所述工况数据进行预处理，得到预处理后的工况数据；

根据预处理后的工况数据，生成决策树模型；

根据所述决策树模型，对所述计量自动化检定系统的启停进行预警。

进一步地，所述方法还包括：

周期性获取新的工况数据生成新决策树模型，并保留旧决策树模型作为辅助决策工具，结合新、旧决策树模型对所述计量自动化检定系统的启停进行预警。

进一步地，所述对所述工况数据进行预处理，具体为：

获取所述工况数据的安全边界范围；

对安全边界范围内的工况数据采用高斯分布进行重要性抽样，获得样本数据。

进一步地，所述获取工况数据的安全边界范围，具体为：

对所述工况数据进行数据分析处理，获取所述工况数据的信息熵；

根据所述信息熵，获取所述工况数据的安全边界范围。

进一步地，所述根据所述信息熵，获取所述工况数据的安全边界范围，具体采用如下公式：

E_n(S)＝∑(p_Sln p_S+p_Iln p_I)

其中，E_n(S)是划分后数据的信息熵，p_S和p_I分别是被错划分为安全和不安全的比例。

进一步地，所述对安全边界范围内的工况数据采用高斯分布进行重要性抽样，获得抽样数据，具体采用如下公式：

式中，其中σ是方差参数，μ是均值参数，d是样本与安全边界线距离的2范数，x_i表示工况数据的物理特征，y_i表示安全判断。

进一步地，所述根据预处理后的工况数据，生成决策树模型，具体采用如下公式：

式中，p_k为每种类别的概率，Y为总的类别数目，D_L和D_R分别为选取分类点的两边的数据量。

本发明还提供一种基于决策树的计量自动化检定系统的启停预警装置，包括：获取模块、生成模块和预警模块，其中，

所述获取模块，用于获取计量自动化检定系统的工况数据，并对所述工况数据进行预处理，得到预处理后的工况数据；

所述生成模块，用于根据预处理后的工况数据，生成决策树模型；

所述预警模块，用于根据所述决策树模型，对所述计量自动化检定系统的启停进行预警。

本发明还提供一种计算机终端设备，包括：一个或多个处理器；存储器，与所述处理器耦接，用于存储一个或多个程序；当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如上述任一项所述的基于决策树的计量自动化检定系统的启停预警方法。

本发明还提供一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如上述任一项所述的基于决策树的计量自动化检定系统的启停预警方法。

本发明实施例基于决策树的计量自动化检定系统的启停预警方法、装置、终端设备和计算机可读存储介质与现有技术相比，其有益效果在于：

1、基于传感器数据进行自动预警诊断，决策不依赖人为因素，客观高效。

2、决策树的决策模型在空间复杂度上较轻量，运算速度也很快，占用资源小，同时基于重要度采样的模型提高了对临界状况判断的准确率。

3、定期更新决策树模型，并且综合新、旧决策树模型评价，增强了模型的可靠性。

附图说明

图1是本发明某一实施例提供的一种基于决策树的计量自动化检定系统的启停预警方法的流程示意图；

图2是本发明某一实施例提供的二维数据安全边界的拟合示意图；

图3是本发明某一实施例提供的重要性抽样的结果示意图；

图4是本发明某一实施例提供的决策树分类模型举例示意图；

图5是本发明某一实施例提供的更新决策树模型的流程示意图；

图6是本发明某一实施例提供的一种基于决策树的计量自动化检定系统的启停预警装置的结构示意图；

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

应当理解，文中所使用的步骤编号仅是为了方便描述，不对作为对步骤执行先后顺序的限定。

应当理解，在本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。

术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。

术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。

本发明第一实施例：

如图1所示，本发明实施例优选实施例的一种基于决策树的计量自动化检定系统的启停预警方法，至少包括如下步骤：

S101、获取计量自动化检定系统的工况数据，并对所述工况数据进行预处理，得到预处理后的工况数据；

具体地，在本步骤中，首先确定工况数据的物理特征的安全边界，在处理这些数据时，将所有的工况数据编码为特征矩阵：

Y＝[y]

其中X为物理特征矩阵，Y即为样本的专家预测，

为第n个物理特征的数据集，y为安全判断。

每个物理特征在先验的安全阈值附近存在启停工况的安全边界条件，确定安全边界对于划分数据重要性有价值。对于一维的单个物理特征

考虑其在阈值附近的正负样本交叉，为了找到合适的分界点划分数据样本属性，划分依据如下：

E_n(S)＝∑(p_Sln p_S+p_Iln p_I)

其中E_n(S)是划分后数据的信息熵，p_S和p_I分别是被错划分为安全和不安全的比例。信息熵越小，则划分纯度越高；要使得安全边界划分得合理，则要使信息熵E_n(S)最小，即错划分为安全与不安全的比例要相同。

对于多维特征，可以通过一维的分界点拟合成多维特征的分界线或者分界面，于是可以通过原始的数据集得到先验的安全边界曲线。如图2为二维数据安全边界的拟合，分界线周围有交错的正负样本。

在确定工况数据的安全边界范围后，对安全边界范围内的工况数据进行重要性抽样，具体步骤如下：

对于距离先验的安全边界较远的样本，人或者算法很显然可以得出目前的状况是安全或者不安全的。而对于距离先验的安全边界较接近的样本，物理特征大多在一个对于评判结果模棱两可的阈值内，这些样本所包含的信息对算法的执行是更有价值的。因此在庞大的数据支持下，依据数据重要性抽样出更有价值的样本是有必要的。

根据上述逻辑，选择高斯分布作为重要性抽样分布函数f(d)：

其中σ是方差参数，可以控制抽样在安全边界附近的收敛程度；μ是均值参数，可以控制边界两端的数量分布。d是样本与安全边界线距离的2范数，定义如下：

图3为重要性抽样的结果，结果中抽样重要区域的数目远多于简单区域。通过重要性抽样的方法，就可以得到更有价值区域的样本数据，对于后续的算法生成决策树的准确率与计算速度更有帮助。

S102、根据预处理后的工况数据，生成决策树模型；

具体地，在步骤中，对于计量自动化检定系统的启停预警诊断的分类决策树生成算法，通过对于预处理后的工况数据特征矩阵进行分析，可以生成形如图4的分类模型。

这个生成算法中需要确定的问题主要为以下两点：一是选择什么物理特征的什么指标进行分类，二是生成决策树停止分类的条件。

对于第一个问题，一般选用分类点的基尼指数作为衡量指标。数据集D的基尼指数定义如下：

p_k为每种类别的概率，Y为总的类别数目。基尼指数反映数据集的纯度，基尼指数越小，数据纯度越高。

对于单个物理特征

选取分类点后数据集的数据纯度可以用加权公式来衡量：

D_L和D_R分别为选取分类点的两边的数据量。当分类点最完美划分时，两边数据划分纯度很高，基尼指数很小，加权和也很小。

所以计算出每个物理特征的基尼指数最小的点，比较后选取最小的作为每次递归生成决策树的根结点，可以保证分类模型准确性最优。

对于第二个问题，生成决策树停止分类的条件可以选择直至所有子样本为同一类，或没有特征可以提供分类。这主要是因为计量自动化检定系统的启停工况的物理特征数据具有可复现性，并且具有很高的可靠性，噪声很小，同时已经在数据抽样阶段滤除了部分噪声，对于这类数据的分类不需要考虑过拟合的问题。

S103、根据所述决策树模型，对所述计量自动化检定系统的启停进行预警。

在本发明的某一个实施例中，所述方法还包括：周期性获取新的工况数据生成新决策树模型，并保留旧决策树模型作为辅助决策工具，结合新、旧决策树模型对所述计量自动化检定系统的启停进行预警。

需要说明的是，通过原有数据库构建的决策树在短期内有较好的预测结果，但在较长的工作时间周期内性能会逐渐下降，因此决策树需要周期性地进行更新。决策树模型的更新周期由预测效果需求决定，系统通过近期新加入的样本数据与原数据库结合，重新生成决策树模型。整个流程如图5所示。

同时保留新、旧决策树模型作为参考，最终给出的评估分数Score为新模型给出的预测分数与旧模型的加权平均：

∑λ_i＝1 (7)

其中λ_i为模型权重系数，p_i为从新到旧的决策树模型分数。加权平均的思想相当于对于整个系统进行滤波去噪。

在本发明的某一个实施例中，所述对所述工况数据进行预处理，具体为：获取所述工况数据的安全边界范围；对安全边界范围内的工况数据采用高斯分布进行重要性抽样，获得样本数据。

在本发明的某一个实施例中，所述获取工况数据的安全边界范围，具体为：对所述工况数据进行数据分析处理，获取所述工况数据的信息熵；根据所述信息熵，获取所述工况数据的安全边界范围。

在本发明的某一个实施例中，所述根据所述信息熵，获取所述工况数据的安全边界范围，具体采用如下公式：

E_n(S)＝∑(p_Sln p_S+p_Iln p_I)

其中，E_n(S)是划分后数据的信息熵，p_S和p_I分别是被错划分为安全和不安全的比例。

在本发明的某一个实施例中，所述对安全边界范围内的工况数据采用高斯分布进行重要性抽样，获得抽样数据，具体采用如下公式：

式中，其中σ是方差参数，μ是均值参数，d是样本与安全边界线距离的2范数，x_i表示工况数据的物理特征，y_i表示安全判断。

在本发明的某一个实施例中，所述根据预处理后的工况数据，生成决策树模型，具体采用如下公式：

式中，p_k为每种类别的概率，Y为总的类别数目，D_L和D_R分别为选取分类点的两边的数据量。

本发明实施例基于决策树的计量自动化检定系统的启停预警方法与现有技术相比，其有益效果在于：

1、基于传感器数据进行自动预警诊断，决策不依赖人为因素，客观高效。

2、决策树的决策模型在空间复杂度上较轻量，运算速度也很快，占用资源小，同时基于重要度采样的模型提高了对临界状况判断的准确率。

本发明第二实施例：

本发明还提供一种基于决策树的计量自动化检定系统的启停预警装置200，包括：获取模块201、生成模块202和预警模块203，其中，

所述获取模块201，用于获取计量自动化检定系统的工况数据，并对所述工况数据进行预处理，得到预处理后的工况数据；

所述生成模块202，用于根据预处理后的工况数据，生成决策树模型；

所述预警模块203，用于根据所述决策树模型，对所述计量自动化检定系统的启停进行预警。

本发明第三实施例：

本发明还提供一种计算机终端设备，包括：一个或多个处理器；

存储器，与所述处理器耦接，用于存储一个或多个程序；

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如上述任一项所述的基于决策树的计量自动化检定系统的启停预警方法。

需要说明的是，所述处理器可以是中央处理单元(CentralProcessingUnit，CPU)，还可以是其他通用处理器、数字信号处理器(DigitalSignalProcessor，DSP)、专用集成电路(ApplicationSpecificIntegratedCircuit，ASIC)、现成可编程门阵列(Field－ProgrammableGateArray，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等，通用处理器可以是微处理器，或者所述处理器也可以是任何常规的处理器，所述处理器是所述终端设备的控制中心，利用各种接口和线路连接所述终端设备的各个部分。

所述存储器主要包括程序存储区和数据存储区，其中，程序存储区可存储操作系统、至少一个功能所需的应用程序等，数据存储区可存储相关数据等。此外，所述存储器可以是高速随机存取存储器，还可以是非易失性存储器，例如插接式硬盘，智能存储卡(SmartMediaCard，SMC)、安全数字(SecureDigital，SD)卡和闪存卡(FlashCard)等，或所述存储器也可以是其他易失性固态存储器件。

需要说明的是，上述终端设备可包括，但不仅限于，处理器、存储器，本领域技术人员可以理解，上述终端设备仅仅是示例，并不构成对终端设备的限定，可以包括更多或更少的部件，或者组合某些部件，或者不同的部件。

本发明第四实施例：

本发明还提供一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如上述任一项所述的基于决策树的计量自动化检定系统的启停预警方法。

需要说明的是，所述计算机程序可以被分割成一个或多个模块/单元(如计算机程序、计算机程序)，所述一个或者多个模块/单元被存储在所述存储器中，并由所述处理器执行，以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序在所述终端设备中的执行过程。

以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步的详细说明，应当理解，以上所述仅为本发明的具体实施例而已，并不用于限定本发明的保护范围。特别指出，对于本领域技术人员来说，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种基于决策树的计量自动化检定系统的启停预警方法，其特征在于，包括：

获取计量自动化检定系统的工况数据，并对所述工况数据进行预处理，得到预处理后的工况数据；

根据预处理后的工况数据，生成决策树模型；

根据所述决策树模型，对所述计量自动化检定系统的启停进行预警。

2.根据权利要求1所述的基于决策树的计量自动化检定系统的启停预警方法，其特征在于，所述方法还包括：

周期性获取新的工况数据生成新决策树模型，并保留旧决策树模型作为辅助决策工具，结合新、旧决策树模型对所述计量自动化检定系统的启停进行预警。

3.根据权利要求1所述的基于决策树的计量自动化检定系统的启停预警方法，其特征在于，所述对所述工况数据进行预处理，具体为：

获取所述工况数据的安全边界范围；

对安全边界范围内的工况数据采用高斯分布进行重要性抽样，获得样本数据。

4.根据权利要求3所述的基于决策树的计量自动化检定系统的启停预警方法，其特征在于，所述获取工况数据的安全边界范围，具体为：

对所述工况数据进行数据分析处理，获取所述工况数据的信息熵；

根据所述信息熵，获取所述工况数据的安全边界范围。

5.根据权利要求4所述的基于决策树的计量自动化检定系统的启停预警方法，其特征在于，所述根据所述信息熵，获取所述工况数据的安全边界范围，具体采用如下公式：

E_n(S)＝∑(p_Slnp_S+p_Ilnp_I)

其中，E_n(S)是划分后数据的信息熵，p_S和p_I分别是被错划分为安全和不安全的比例。

6.根据权利要求3所述的基于决策树的计量自动化检定系统的启停预警方法，其特征在于，所述对安全边界范围内的工况数据采用高斯分布进行重要性抽样，获得抽样数据，具体采用如下公式：

式中，其中σ是方差参数，μ是均值参数，d是样本与安全边界线距离的2范数，x_i表示工况数据的物理特征，y_i表示安全判断。

7.根据权利要求1所述的基于决策树的计量自动化检定系统的启停预警方法，其特征在于，所述根据预处理后的工况数据，生成决策树模型，具体采用如下公式：

式中，p_k为每种类别的概率，Y为总的类别数目，D_L和D_R分别为选取分类点的两边的数据量。

8.一种基于决策树的计量自动化检定系统的启停预警装置，其特征在于，包括：获取模块、生成模块和预警模块，其中，

所述获取模块，用于获取计量自动化检定系统的工况数据，并对所述工况数据进行预处理，得到预处理后的工况数据；

所述生成模块，用于根据预处理后的工况数据，生成决策树模型；

所述预警模块，用于根据所述决策树模型，对所述计量自动化检定系统的启停进行预警。

9.一种计算机终端设备，其特征在于，包括：

一个或多个处理器；

存储器，与所述处理器耦接，用于存储一个或多个程序；

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1至7任一项所述的基于决策树的计量自动化检定系统的启停预警方法。

10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的基于决策树的计量自动化检定系统的启停预警的方法。

Images