CN113283546A - 加热炉完整性管理集控装置的炉况异常报警方法及系统 - Google Patents

加热炉完整性管理集控装置的炉况异常报警方法及系统 Download PDF

Info

Publication number
CN113283546A
CN113283546A CN202110816832.0A CN202110816832A CN113283546A CN 113283546 A CN113283546 A CN 113283546A CN 202110816832 A CN202110816832 A CN 202110816832A CN 113283546 A CN113283546 A CN 113283546A
Authority
CN
China
Prior art keywords
data
feature
error
reconstruction error
self
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202110816832.0A
Other languages
English (en)
Other versions
CN113283546B (zh
Inventor
刘永才
吴中华
李必意
王亮亮
郭卫猛
严刚
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen Jiayuntong Electronics Co Ltd
Original Assignee
Shenzhen Jiayuntong Electronics Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Shenzhen Jiayuntong Electronics Co Ltd filed Critical Shenzhen Jiayuntong Electronics Co Ltd
Priority to CN202110816832.0A priority Critical patent/CN113283546B/zh
Publication of CN113283546A publication Critical patent/CN113283546A/zh
Application granted granted Critical
Publication of CN113283546B publication Critical patent/CN113283546B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Biophysics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Multimedia (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

本发明提出一种加热炉完整性管理集控装置的炉况异常报警方法及系统，用于判定油田加热炉在生产运行中可能出现的工况异常，该系统包括数据采集模块、特征映射器、异常检测器以及测试模块；该方法是采集加热炉运行过程中各个PLC点位的实时数据;将原始的特征利用聚合层次聚类算法划分成若干个子特征空间集合;异常检测器将通过特征映射器得到的子特征空间集合作为输入进行训练，得到训练集的最终重构误差，将最终重构误差进行增益放大；测试模块获取一条新数据，依次经过特征映射器、异常检测器得到该条数据的重构误差，将其与训练集放大后的最终重构误差进行比较，若大于训练集放大后重构误差，则判定该条数据存在异常。

Description

加热炉完整性管理集控装置的炉况异常报警方法及系统
技术领域
本发明应用于石油化工过程，具体涉及一种加热炉完整性管理集控装置的炉况异常报警方法及系统。
背景技术
由于石油化工过程系统本身的高危险性，使得对生产过程进行监控与实时故障报警，确保生产过程的稳定性和安全性显得尤其重要。随着工业4.0时代的到来，工业信息化技术运用越来越全面，从最基础设备的数据 采集、集中监控技术的应用到现在的智能分析、风险性识别、评价，指导生产管理的技术逐步运用到各个工业生产中，对于加热炉的安全风险管控技术，如何能够通过完整的管理手段对加热炉进行监控，从而保证加热炉运行安全，是目前急需解决的问题。
因此，加热炉完整性管理集控装置（见中国专利CN108829063A）被用于提高安全生产率、而且节能降耗，对环保减排起到极大的支持作用，同时通过对加热炉的完整性管理，风险因素的识别，减缓风险的措施，保证了加热炉的安全、高效的运行生产。其中，传统的故障诊断手段主要依靠操作人员的操作经验和一些简化的数学模型，使用功能单一，且不能准确实时判断复杂条件下的故障报警。
随着近些年人工智能技术的发展，基于深度学习方面的异常检测被逐渐推广使用，深度学习可以更好地利用海量数据，起到更好的建模效果。但是，现有神经网络的一个缺点是在监督的方式下训练，需要大量的资源来训练模型，这意味着专家必须对异常数据进行标记，并不时手动更新模型。同时，神经网络模型的训练，通常是以批处理数据为计算单位，因此模型训练需要消耗大量内存，对计算设备性能有一定要求。
发明内容
基于背景技术中提及的问题，本发明提出一种加热炉完整性管理集控装置的炉况异常报警方法及系统，用于判定油田加热炉在生产运行中可能出现的工况异常，以便快速、准确的提示报警信息，做进一步的部位排查，其具体技术内容如下：
本发明的加热炉完整性管理集控装置的炉况异常报警系统，其包括：
数据采集模块，用于采集加热炉运行过程中各个PLC点位的实时数据；
特征映射器，用于将原始的特征利用聚合层次聚类算法划分成若干个子特征空间集合；
异常检测器，其包括集成层与误差输出层，该集成层与误差输出层分别包括有独立的自编码网络；将通过特征映射器得到的子特征空间集合作为输入送入集成层对应的自编码器进行训练，利用随机梯度下降法进行神经元参数的更新；然后将集成层的重构误差作为误差输出层的输入，利用随机梯度下降法进行神经元的参数更新，得到训练集的最终重构误差，将最终重构误差进行一定增益系数的放大；
测试模块，获取一条新数据，依次经过特征映射器、异常检测器得到该条数据的重构误差，将其与训练集放大后的最终重构误差进行比较，若大于训练集放大后重构误差，则判定该条数据存在异常。
于本发明的一个或多个实施例当中，还包括一数据处理模块，用于对采集到的实时数据进行清洗以确保进入模型的数据为正常运行时的数据。
本发明的加热炉完整性管理集控装置的炉况异常报警方法，其包括如下步骤：
S1，数据采集步骤；设置数据采集模块，用于采集加热炉运行过程中各个PLC点位的实时数据；
S2，特征映射步骤；设置特征映射器，用于将原始的特征利用聚合层次聚类算法划分成若干个子特征空间集合；
S3，异常检测步骤；设置异常检测器，其包括集成层与误差输出层，该集成层与误差输出层分别包括有独立的自编码网络；将通过特征映射器得到的子特征空间集合作为输入送入集成层对应的自编码器进行训练，利用随机梯度下降法进行神经元参数的更新；然后将集成层的重构误差作为误差输出层的输入，利用随机梯度下降法进行神经元的参数更新，得到训练集的最终重构误差，将最终重构误差进行一定增益系数的放大；
S4，测试步骤；获取一条新数据，依次经过特征映射器、异常检测器，得到该条数据的重构误差，将其与训练集放大后的最终重构误差进行比较，若大于训练集放大后重构误差，则判定该条数据存在异常。
于本发明的一个或多个实施例当中，在步骤S1中，从数据采集模块获得加热炉各个维度的传感器数值特征及相关计算指标特征，作为模型的输入特征，特征维度为n；
在步骤S2中，特征映射器利用聚合层次聚类算法将所有特征划分成若干个子特征空间集合；首先将每个样本都视为一个簇，然后开始按规则将相似度高的簇逐个进行合并，最后所有样本都形成一个簇或达到某一个条件时，将原始n维特征通过特征映射器模块单元，映射到k个子特征空间集合中，同时限制每个子特征空间最大特征数目不超过m个，m为超参数，具体划分步骤为：
S21，假设取nt条数据，用于构建特征分割算法的训练集，依次逐条输入数据，每输入一个样本就计算一次当前指标，执行如下运算：
线性加权和
Figure 350730DEST_PATH_IMAGE001
；
残差和
Figure 398321DEST_PATH_IMAGE002
；
残差平方和
Figure 239238DEST_PATH_IMAGE003
；
关系矩阵
Figure 106700DEST_PATH_IMAGE004
；
距离度量矩阵
Figure 691265DEST_PATH_IMAGE005
；
其中t表示截止到当前输入到模型的第t个样本，i、j表示第i、第j个特征，Dij表示特征i与特征j之间的距离；
在输入完nt条数据后，得到各特征之间距离度量矩阵D， 距离度量矩阵D中每一个元素也即代表了n个特征之间的距离；
S22，将每个特征看成一个簇，则初始总共有n个簇，按照簇之间最近距离进行合并，距离大小由距离度量矩阵D给出，衡量簇之间的距离采用最小距离，即由两个簇间的最近特征距离来表示两个簇之间距离；这样经过一次合并后，簇的大小变为n-1个，反复计算簇间距离，以最小距离的簇进行合并，经过n-1次合并后令簇的个数变为1；
S23，将由所有簇构成的树状图进行剪枝操作，直至每个簇中的特征数目不超过m个，则特征剪枝划分完毕，能够得到k个簇即k个特征子空间集合；
在步骤S3中，异常检测其分为训练与执行两个过程；其中，训练过程用于更新模型参数，执行过程是在参数不更新的情况下计算出正常数据集下的均方根误差，从而确定出阈值，用于判断正常数据与异常数据；具体检测步骤为：
在步骤S4中，取N条数据用于训练异常检测器模块中神经网络架构参数，依次逐条输入数据经上述步骤得到k个子特征空间集合，每输入一个样本就进行一次相关参数更新；取M条数据用来在执行阶段计算正常数据集下的最终均方根误差输出，其中包括
S41，训练过程：
S411，将k个子特征空间数据进行归一化，其过程为：记录当前时刻下每个特征的最大值XMax、最小值XMin，利用公式
Figure 330712DEST_PATH_IMAGE006
对输入数据进行归一化；
S412，将以上得到归一化后的k个特征子空间集合分别输入k个自编码器中，自编码输入层神经元对应每个子空间集合中特征个数vk，其中k指对应的自编码器序号，中间隐藏层神经元个数对应0.75vk，输出层神经元个数对应为vk；参数初始化采用uniform策略，超参数学习率设为0.1；
每个自编码器共三层，分为编码部分与解码部分；
假设输入为训练样本Vi，w和b为每一层对应的权值矩阵和偏置向量，f表示激活函数，则整个网络训练如下
编码部分表示如下：
Figure 608110DEST_PATH_IMAGE007
；
解码部分表示如下：
Figure 431709DEST_PATH_IMAGE008
；
其中
Figure 819965DEST_PATH_IMAGE009
表示对输入
Figure 45410DEST_PATH_IMAGE010
的重构；
S413，通过均方根误差公式
Figure 493709DEST_PATH_IMAGE011
，n对应输出神经元的个数，计算集合层中各个自编码器输出层的均方根差，利用随机梯度下降法对集合层中各编码器进行参数更新；
S414，将集合层各个自编码器的均方根误差，作为误差输出层自编码器的输入，自编码输入神经元对应集合成自编码器个数k，中间隐藏层神经元对应0.75k，输出层神经元个数对应为k；参数采用uniform初始化策略，学习率设为0.1。经过单个自编码器后，计算输出层的均方根误差RMSE，利用随机梯度下降法对各编码器进行参数更新；
S415，反复进行以上计算，更新相应参数，直到完成N条训练数据的遍历。至此，完成了模型参数的更新；
S42，执行过程：
S421依次遍历M条数据集，通过特征映射器、与异常检测模块中集成层与误差输出层后，得到均方根误差，记录保存该条数据的均方根误差，直至得到所有M条数据的均方根误差；
S422，在得到的M条数据的均方根误差后，通过统计手段求出均值μ、方差σ，确定正常数据与异常数据的阈值分界线为a=β(μ+3σ)，其中β为增益系数，是超参数；
S423，输入一条新数据，依次经过特征映射器模块、训练完成的异常检测器模块，最终得到该条数据的重构均方根误差，将其与阈值a进行比较，若大于阈值a，则说明该条数据存在异常，执行炉况报警；若小于阈值a，则为正常数据，不做报警处理。
于本发明的一个或多个实施例当中，还包括数据处理步骤；在采集到实时数据后进行数据清洗以剔除可能的异常数据，确保训练集数据是加热炉运行的正常数据流，同时对缺失值做填充处理。
本发明的有益效果是：本发的异常数据检测是基于深度学习中的自编码器架构来实现的，自编码器是一种无监督的深度学习算法，在大部分自编码器的场合，压缩和解压缩的函数是通过神经网络实现的，可以提取数据中的非线性信息，利用自编码器将数据进行编码再解码，将得到的结果与原数据进行比较。当一个实例不属于从训练集中学习的概念，那么我们期望重建会有很大的误差，当重构误差超过设定的阈值后，说明该组数据跟训练自编码器的绝大部分正常数据差别较大，因此可以判断为异常数据。由此，本发明的优点包括：1）不需要大量的人工标记数据，通过无监督方式即可实现；2）神经网络模型的训练，不需要消耗大量计算内存，每次只有一条样本存在于内存中；3）通用性强，业务场景不仅仅局限于加热炉炉况检测，可适用于任何异常场景报警；4）主要超参数只有三个：学习率lr、子特征空间最大特征数目m、阈值增益系数β，模型训练调试简单。
附图说明
图1为自编码器的压缩和解压缩的函数神经网络。
图2为本发明的炉况异常报警系统框架示意图。
图3为本发明的异常检测器的训练模型。
图4为本发明的炉况异常报警方法流程图。
具体实施方式
如下结合附图1至4，对本申请方案作进一步描述：
本发明加热炉完整性管理集控装置的炉况异常报警方法及系统基于自编码器的神经网络算法，来判定油田加热炉在生产运行中可能出现的工况异常，以便快速、准确的提示报警信息，做进一步的部位排查。
加热炉完整性管理集控装置的炉况异常报警系统包括
数据采集模块，用于采集加热炉运行过程中各个PLC点位的实时数据；
数据处理模块，用于对采集到的实时数据进行清洗，清洗掉数据中可能存在的异常数据，以确保进入模型的数据为正常运行时的数据；
特征映射器，用于将原始的特征利用聚合层次聚类算法(AgglomerativeHierarchical Clustering)划分成若干个子特征空间集合；
异常检测器，其包括集成层与误差输出层，该集成层与误差输出层分别包括有独立的自编码网络；将通过特征映射器得到的子特征空间集合作为输入送入集成层对应的自编码器进行训练，利用随机梯度下降法进行神经元参数的更新；然后将集成层的重构误差作为误差输出层的输入，利用随机梯度下降法进行神经元的参数更新，得到训练集的最终重构误差，将最终重构误差进行一定增益系数的放大；
测试模块，获取一条新数据，依次经过特征映射器、异常检测器得到该条数据的重构误差，将其与训练集放大后的最终重构误差进行比较，若大于训练集放大后重构误差，则判定该条数据存在异常。
加热炉完整性管理集控装置的炉况异常报警方法，其具包括以下步骤：
S1、数据采集步骤；从数据采集模块获得加热炉各个维度的传感器数值特征及相关计算指标特征，作为模型的输入特征，特征维度为n。
S2、数据处理步骤；在数据处理模块中，剔除可能的异常数据，确保训练集数据是加热炉运行的正常数据流，同时对缺失值等做相关填充处理。
S3、特征映射步骤；利用聚合层次聚类算法将所有特征划分成若干个子特征空间集合；其中，聚合层次聚类是一种自下而上的算法，首先将每个样本都视为一个簇，然后开始按一定规则，将相似度高的簇逐个进行合并，最后所有样本都形成一个簇或达到某一个条件时，算法结束；具体应用到本例，将原始n维特征，通过特征映射器模块单元，映射到k个子特征空间中，同时限制每个子特征空间最大特征数目不超过m个，m为超参数，具体划分步骤为：
S31、假设取nt条数据，用于构建特征分割算法的训练集，依次逐条输入数据，每输入一个样本就计算一次当前指标，执行以下运算：
线性加权和
Figure 70184DEST_PATH_IMAGE012
；
残差和
Figure 996552DEST_PATH_IMAGE013
；
残差平方和
Figure 76503DEST_PATH_IMAGE014
；
关系矩阵
Figure 695703DEST_PATH_IMAGE015
；
距离度量矩阵
Figure 493895DEST_PATH_IMAGE016
；
其中t表示截止到当前输入到模型的第t个样本， i、j表示第i、第j个特征，Dij表示特征i与特征j之间的距离度量距离。输入完nt条数据后，得到各特征之间距离度量矩阵D， 距离度量矩阵D中每一个元素也即代表了n个特征之间的距离。
S32、将每个特征看成一个簇，则初始总共有n个簇，按照簇之间最近距离进行合并，距离大小已由距离度量矩阵D给出，衡量簇之间的距离采用最小距离，即由两个簇间的最近特征距离来表示两个簇之间距离。这样经过一次合并后，簇的大小变为n-1个，反复计算簇间距离，以最小距离的簇进行合并，经过n-1次合并后，簇的个数就变为1了，参见如图2。
S33、将由所有簇构成的树状图进行剪枝操作，直至每个簇中的特征数目不超过m个，则特征剪枝划分完毕，能够得到k个簇即k个特征子空间。举例说明，参见图2，假设m=4，特征数目n=10，经过以上步骤合并成单颗树后，开始剪枝操作，第一次剪枝①后，得到两个簇（x1x2x3x4x5）和（x6x7x8x9x10），由于簇内特征数目都大于m=4，需在子簇中再次剪枝，经过②③步骤剪枝后，最终得到四个簇（x1x2x3）、（x4x5）、（x6x7x8x9）、（x10），此时剪枝完成，得到了k=4个特征子空间集合，每个子空间集合特征数目都小于m=4个。至此，就得到了特征映射器，其将所有的特征映射到不同的特征子空间集合中。
4、异常检测步骤；此步骤涉及两个过程：训练与执行过程，其中训练过程主要是更新模型参数，执行过程是在参数不更新的情况下，计算出正常数据集下的均方根误差，从而确定出阈值，用于判断正常数据与异常数据。
假设取N条数据，用于训练异常检测器模块中神经网络架构参数，依次逐条输入数据，通过特征映射器后得到k个子特征空间集合，每输入一个样本就进行相关参数更新。假设取M条数据用来在执行阶段计算正常数据集下的最终均方根误差输出。详细过程如下：
S41、训练过程：
S411、将k个子特征空间集合数据进行归一化，其过程为：记录当前时刻下每个特征的最大值XMax、最小值XMin，利用公式
Figure 223954DEST_PATH_IMAGE017
对输入数据进行归一化。
S412、将以上得到归一化后的k个特征子空间集合数据分别输入k个自编码器中，参见附图3。自编码输入层神经元对应每个子空间中特征个数vk，其中k特指对应的自编码器序号，中间隐藏层神经元个数对应0.75vk，输出层神经元个数对应为vk；参数初始化采用uniform策略，超参数学习率设为0.1。每个自编码器结构如图1所示，共三层，分为编码部分与解码部分。假设输入为训练样本Vi，w和b为每一层对应的权值矩阵和偏置向量，f表示激活函数，则整个网络训练如下：
编码部分表示如下：
Figure 158412DEST_PATH_IMAGE018
；
解码部分表示如下：
Figure 214092DEST_PATH_IMAGE019
；
其中
Figure 502510DEST_PATH_IMAGE020
表示对输入
Figure 770680DEST_PATH_IMAGE021
的重构；
S413、通过均方根误差公式
Figure 825224DEST_PATH_IMAGE022
，n对应输出神经元的个数，计算集合层中各个自编码器输出层的均方根差，利用随机梯度下降法对集合层中各编码器进行参数更新。
S414、将集合层各个自编码器的均方根误差，作为误差输出层自编码器的输入，自编码输入神经元对应集合成自编码器个数k，中间隐藏层神经元对应0.75k，输出层神经元个数对应为k；参数采用uniform初始化策略，学习率设为0.1。经过单个自编码器后，计算输出层的均方根误差RMSE，利用随机梯度下降法对各编码器进行参数更新。
S415、反复进行以上计算，更新相应参数，直到完成N条训练数据的遍历。至此，完成了模型参数的更新；
S42、执行过程：
S421、依次遍历M条数据集，通过特征映射器、与异常检测模块中集成层与误差输出层后，得到均方根误差，记录保存该条数据的均方根误差，直至得到所有M条数据的均方根误差。
S422、在得到的M条数据的均方根误差后，通过统计手段求出均值μ、方差σ，确定正常数据与异常数据的阈值分界线为a=β(μ+3σ)，其中β为增益系数，是超参数。
5、测试步骤，输入一条新数据，依次经过特征映射器模块、训练完成的异常检测器模块，最终得到该条数据的重构均方根误差，将其与阈值a进行比较，若大于阈值a，则说明该条数据存在异常，在页面进行相应炉况报警信息提示，若小于阈值a，则为正常数据，不做报警处理。
上述优选实施方式应视为本申请方案实施方式的举例说明，凡与本申请方案雷同、近似或以此为基础作出的技术推演、替换、改进等，均应视为本专利的保护范围。

Claims (6)

1.一种加热炉完整性管理集控装置的炉况异常报警系统，其特征在于，包括：
数据采集模块，用于采集加热炉运行过程中各个PLC点位的实时数据；
特征映射器，用于将原始的特征利用聚合层次聚类算法划分成若干个子特征空间集合；
异常检测器，其包括集成层与误差输出层，该集成层与误差输出层分别包括有独立的自编码网络；将通过特征映射器得到的子特征空间集合作为输入送入集成层对应的自编码器进行训练，利用随机梯度下降法进行神经元参数的更新；然后将集成层的重构误差作为误差输出层的输入，利用随机梯度下降法进行神经元的参数更新，得到训练集的最终重构误差，将最终重构误差进行增益放大；
测试模块，获取一条新数据，依次经过特征映射器、异常检测器得到该条数据的重构误差，将其与训练集放大后的最终重构误差进行比较，若大于训练集放大后重构误差，则判定该条数据存在异常。
2.根据权利要求1所述的加热炉完整性管理集控装置的炉况异常报警系统，其特征在于：还包括一数据处理模块，用于对采集到的实时数据进行清洗以确保进入模型的数据为正常运行时的数据。
3.一种加热炉完整性管理集控装置的炉况异常报警方法，其特征在于，包括如下步骤：
S1，数据采集步骤；设置数据采集模块，用于采集加热炉运行过程中各个PLC点位的实时数据；
S2，特征映射步骤；设置特征映射器，用于将原始的特征利用聚合层次聚类算法划分成若干个子特征空间集合；
S3，异常检测步骤；设置异常检测器，其包括集成层与误差输出层，该集成层与误差输出层分别包括有独立的自编码网络；将通过特征映射器得到的子特征空间集合作为输入送入集成层对应的自编码器进行训练，利用随机梯度下降法进行神经元参数的更新；然后将集成层的重构误差作为误差输出层的输入，利用随机梯度下降法进行神经元的参数更新，得到训练集的最终重构误差，将最终重构误差进行一定增益系数的放大；
S4，测试步骤；获取一条新数据，依次经过特征映射器、异常检测器后得到该条数据的重构误差，将该条数据的重构误差与训练集放大后的最终重构误差进行比较，若大于训练集放大后重构误差，则判定该条数据存在异常。
4.根据权利要求3所述的加热炉完整性管理集控装置的炉况异常报警方法，其特征在于：
在步骤S1中，从数据采集模块获得加热炉各个维度的传感器数值特征及相关计算指标特征，作为模型的输入特征，特征维度为n；
在步骤S2中，特征映射器利用聚合层次聚类算法将所有特征划分成若干个子特征空间集合；首先将每个样本都视为一个簇，然后开始按规则将相似度高的簇逐个进行合并，最后所有样本都形成一个簇或达到某一个条件时，将原始n维特征通过特征映射器模块单元，映射到k个子特征空间集合中，同时限制每个子特征空间最大特征数目不超过m个，m为超参数，具体划分步骤为：
S21，假设取nt条数据，用于构建特征分割算法的训练集，依次逐条输入数据，每输入一个样本就计算一次当前指标，执行如下运算：
线性加权和
Figure 296009DEST_PATH_IMAGE001
；
残差和
Figure 624222DEST_PATH_IMAGE002
；
残差平方和
Figure 764216DEST_PATH_IMAGE003
；
关系矩阵
Figure 468867DEST_PATH_IMAGE004
；
距离度量矩阵
Figure 10707DEST_PATH_IMAGE005
；
其中t表示截止到当前输入到模型的第t个样本，i、j表示第i、第j个特征，Dij表示特征i与特征j之间的距离；
在输入完nt条数据后，得到各特征之间距离度量矩阵D， 距离度量矩阵D中每一个元素也即代表了n个特征之间的距离；
S22，将每个特征看成一个簇，则初始总共有n个簇，按照簇之间最近距离进行合并，距离大小由距离度量矩阵D给出，衡量簇之间的距离采用最小距离，即由两个簇间的最近特征距离来表示两个簇之间距离；这样经过一次合并后，簇的大小变为n-1个，反复计算簇间距离，以最小距离的簇进行合并，经过n-1次合并后令簇的个数变为1；
S23，将由所有簇构成的树状图进行剪枝操作，直至每个簇中的特征数目不超过m个，则特征剪枝划分完毕，能够得到k个簇即k个特征子空间集合；
在步骤S3中，异常检测分为训练与执行两个过程；其中，训练过程用于更新模型参数，执行过程是在参数不更新的情况下计算出正常数据集下的均方根误差，从而确定出阈值，用于判断正常数据与异常数据；具体检测步骤为：
在步骤S4中，取N条数据用于训练异常检测器模块中神经网络架构参数，依次逐条输入数据经上述步骤得到k个子特征空间集合，每输入一个样本就进行一次相关参数更新；取M条数据用来在执行阶段计算正常数据集下的最终均方根误差输出，其中包括：
S41，训练过程：
S411，将k个子特征空间数据进行归一化，其过程为：记录当前时刻下每个特征的最大值XMax、最小值XMin，利用公式
Figure 509822DEST_PATH_IMAGE006
对输入数据进行归一化；
S412，将以上得到归一化后的k个特征子空间集合分别输入k个自编码器中，自编码器输入层神经元对应每个子空间集合中特征个数vk，其中k指对应的自编码器序号；每个自编码器共三层，分为编码部分与解码部分；
假设输入为训练样本Vi，w和b为每一层对应的权值矩阵和偏置向量，f表示激活函数，则整个网络训练如下：
编码部分表示如下：
Figure 137112DEST_PATH_IMAGE007
；
解码部分表示如下：
Figure 379874DEST_PATH_IMAGE008
；
其中
Figure 776221DEST_PATH_IMAGE009
表示对输入
Figure 446236DEST_PATH_IMAGE010
的重构；
S413，通过均方根误差公式
Figure 563753DEST_PATH_IMAGE011
，n对应输出神经元的个数，计算集合层中各个自编码器输出层的均方根差，利用随机梯度下降法对集合层中各编码器进行参数更新；
S414，将集合层各个自编码器的均方根误差，作为误差输出层自编码器的输入，自编码输入神经元对应集合成自编码器个数k；经过单个自编码器后，计算输出层的均方根误差RMSE，利用随机梯度下降法对各编码器进行参数更新；
S415，反复进行以上计算，更新相应参数，直到完成N条训练数据的遍历；
至此，完成了模型参数的更新；
S42，执行过程：
S421，依次遍历M条数据集，通过特征映射器、与异常检测模块中集成层与误差输出层后，得到均方根误差，记录保存该条数据的均方根误差，直至得到所有M条数据的均方根误差；
S422，在得到的M条数据的均方根误差后，通过统计手段求出均值μ、方差σ，确定正常数据与异常数据的阈值分界线为a=β(μ+3σ)，其中β为增益系数，是超参数；
S423，输入一条新数据，依次经过特征映射器模块、训练完成的异常检测器模块，最终得到该条数据的重构均方根误差，将其与阈值a进行比较，若大于阈值a，则说明该条数据存在异常，执行炉况报警；若小于阈值a，则为正常数据，不做报警处理。
5.根据权利要求4所述的加热炉完整性管理集控装置的炉况异常报警方法，其特征在于：在步骤S412和S414中，自编码器的中间隐藏层神经元个数对应0.75vk，输出层神经元个数对应为vk；参数初始化采用uniform策略，超参数学习率设为0.1。
6.根据权利要求3所述的加热炉完整性管理集控装置的炉况异常报警方法，其特征在于：还包括S5，数据处理步骤；在采集到实时数据后进行数据清洗以剔除可能的异常数据，确保训练集数据是加热炉运行的正常数据流，同时对缺失值做填充处理。
CN202110816832.0A 2021-07-20 2021-07-20 加热炉完整性管理集控装置的炉况异常报警方法及系统 Active CN113283546B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110816832.0A CN113283546B (zh) 2021-07-20 2021-07-20 加热炉完整性管理集控装置的炉况异常报警方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110816832.0A CN113283546B (zh) 2021-07-20 2021-07-20 加热炉完整性管理集控装置的炉况异常报警方法及系统

Publications (2)

Publication Number Publication Date
CN113283546A true CN113283546A (zh) 2021-08-20
CN113283546B CN113283546B (zh) 2021-11-02

Family

ID=77286835

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110816832.0A Active CN113283546B (zh) 2021-07-20 2021-07-20 加热炉完整性管理集控装置的炉况异常报警方法及系统

Country Status (1)

Country Link
CN (1) CN113283546B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114694357A (zh) * 2022-03-31 2022-07-01 深圳市佳运通电子有限公司 一种基于物联网的加热炉管控装置及异常报警系统
CN116996869A (zh) * 2023-09-26 2023-11-03 济南正大科技发展有限公司 一种网络异常数据处理方法及装置

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101251471A (zh) * 2008-03-12 2008-08-27 湖南中烟工业有限责任公司 一种基于烟叶近红外光谱的相似烟叶搜索方法
CN105603175A (zh) * 2016-02-25 2016-05-25 成都亨通兆业精密机械有限公司 加热炉加热工艺在线优化控制系统
US20190244513A1 (en) * 2018-02-05 2019-08-08 Nec Laboratories America, Inc. False alarm reduction system for automatic manufacturing quality control
CN111178523A (zh) * 2019-08-02 2020-05-19 腾讯科技（深圳）有限公司 一种行为检测方法、装置、电子设备及存储介质
CN111259979A (zh) * 2020-02-10 2020-06-09 大连理工大学 一种基于标签自适应策略的深度半监督图像聚类方法
CN112327219A (zh) * 2020-10-29 2021-02-05 国网福建省电力有限公司南平供电公司 特征自动挖掘和参数自动寻优的配电变压器故障诊断方法
CN112365009A (zh) * 2020-10-28 2021-02-12 国网山东省电力公司电力科学研究院 一种基于深度学习网络的二次设备异常诊断方法
WO2021126512A1 (en) * 2019-12-17 2021-06-24 SparkCognition, Inc. Cooperative use of a genetic algorithm and an optimization trainer for autoencoder generation

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101251471A (zh) * 2008-03-12 2008-08-27 湖南中烟工业有限责任公司 一种基于烟叶近红外光谱的相似烟叶搜索方法
CN105603175A (zh) * 2016-02-25 2016-05-25 成都亨通兆业精密机械有限公司 加热炉加热工艺在线优化控制系统
US20190244513A1 (en) * 2018-02-05 2019-08-08 Nec Laboratories America, Inc. False alarm reduction system for automatic manufacturing quality control
CN111178523A (zh) * 2019-08-02 2020-05-19 腾讯科技（深圳）有限公司 一种行为检测方法、装置、电子设备及存储介质
WO2021126512A1 (en) * 2019-12-17 2021-06-24 SparkCognition, Inc. Cooperative use of a genetic algorithm and an optimization trainer for autoencoder generation
CN111259979A (zh) * 2020-02-10 2020-06-09 大连理工大学 一种基于标签自适应策略的深度半监督图像聚类方法
CN112365009A (zh) * 2020-10-28 2021-02-12 国网山东省电力公司电力科学研究院 一种基于深度学习网络的二次设备异常诊断方法
CN112327219A (zh) * 2020-10-29 2021-02-05 国网福建省电力有限公司南平供电公司 特征自动挖掘和参数自动寻优的配电变压器故障诊断方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
ERIC KIRCHNER ET AL.: "Performance measures of color-difference equations:correlation coefficient versus standardized residual sum of squares", 《JOURNAL OF THE OPTICAL SOCIETY OF AMERICA A》 *
娄建楼 等: "基于改进堆栈降噪自编码器的锅炉设备在线监测数据清洗方法", 《计算机集成制造系统》 *
张荐: "基于QT的加热炉参数预警与智能决策系统", 《中国优秀博硕士学位论文全文数据库(硕士)信息科技辑》 *
杨宏宇 等: "基于无监督多源数据特征解析的网络威胁态势评估", 《通信学报》 *
黄保华 等: "基于距离与误差平方和的差分隐私K-means聚类算法", 《信息网络安全》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114694357A (zh) * 2022-03-31 2022-07-01 深圳市佳运通电子有限公司 一种基于物联网的加热炉管控装置及异常报警系统
CN116996869A (zh) * 2023-09-26 2023-11-03 济南正大科技发展有限公司 一种网络异常数据处理方法及装置
CN116996869B (zh) * 2023-09-26 2023-12-29 济南正大科技发展有限公司 一种网络异常数据处理方法及装置

Also Published As

Publication number Publication date
CN113283546B (zh) 2021-11-02

Similar Documents

Publication Publication Date Title
CN111666982B (zh) 一种基于深度神经网络的机电设备故障诊断方法
CN111382542B (zh) 一种面向全寿命周期的公路机电设备寿命预测系统
CN113283546B (zh) 加热炉完整性管理集控装置的炉况异常报警方法及系统
CN108287782A (zh) 一种多维数据异常检测方法及装置
CN111858231A (zh) 一种基于运维监控的单指标异常检测方法
Tian et al. Identification of abnormal conditions in high-dimensional chemical process based on feature selection and deep learning
CN113901977A (zh) 一种基于深度学习的电力用户窃电识别方法及系统
CN111224805A (zh) 一种网络故障根因检测方法、系统及存储介质
CN117151649B (zh) 基于大数据分析的施工方法管控系统及方法
CN111931826A (zh) 基于多尺度卷积迁移模型的滚动轴承故障诊断方法和系统
CN114266301A (zh) 基于图卷积神经网络的电力设备故障智能预测方法
KR20210056296A (ko) 입력 데이터의 처리를 위한 최적의 어노말리 감지 모델 결정 방법
CN117421582A (zh) 一种基于多源数据驱动的设备健康分析方法
CN117290800B (zh) 一种基于超图注意力网络的时序异常检测方法及系统
CN113919540A (zh) 一种生产过程运行状态的监测方法及相关设备
CN112329868A (zh) 基于clara聚类的制造加工设备群能效状态评价方法
CN116383747A (zh) 基于多时间尺度深度卷积生成对抗网络的异常检测方法
CN116720743A (zh) 基于数据聚类和机器学习的碳排放测算方法
CN116956089A (zh) 电器设备温度异常检测模型训练方法以及检测方法
IT202100001424A1 (it) Metodo e sistema per prevedere il fallimento di un’entità monitorata
CN112699608B (zh) 适用于传感器掉电导致数据缺失的时间序列修复方法
Hong et al. Drainage network flow anomaly classification based on XGBoost
CN117951489A (zh) 水轮机组故障发生度测度方法、装置和计算机设备
CN114694357A (zh) 一种基于物联网的加热炉管控装置及异常报警系统
CN118038230A (zh) 基于多算法融合的配电网缺陷识别系统及方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant