CN115169504A - 一种煤气精脱硫工艺中的设备异常识别方法 - Google Patents

一种煤气精脱硫工艺中的设备异常识别方法 Download PDF

Info

Publication number
CN115169504A
CN115169504A CN202211081460.2A CN202211081460A CN115169504A CN 115169504 A CN115169504 A CN 115169504A CN 202211081460 A CN202211081460 A CN 202211081460A CN 115169504 A CN115169504 A CN 115169504A
Authority
CN
China
Prior art keywords
target
expansion rate
environmental factor
factor
sequences
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
CN202211081460.2A
Other languages
English (en)
Other versions
CN115169504B (zh
Inventor
马广伟
董群学
董群伟
段承跃
杨显辉
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.)
Shandong Zhoulan Environmental Protection Technology Co ltd
Original Assignee
Shandong Zhoulan Environmental Protection Technology 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 Shandong Zhoulan Environmental Protection Technology Co ltd filed Critical Shandong Zhoulan Environmental Protection Technology Co ltd
Priority to CN202211081460.2A priority Critical patent/CN115169504B/zh
Publication of CN115169504A publication Critical patent/CN115169504A/zh
Application granted granted Critical
Publication of CN115169504B publication Critical patent/CN115169504B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • 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
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/20—Administration of product repair or maintenance
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/04—Manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Marketing (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Tourism & Hospitality (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Economics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Manufacturing & Machinery (AREA)
  • Primary Health Care (AREA)
  • Testing Or Calibration Of Command Recording Devices (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

本发明涉及特定计算模型的计算机系统技术领域，具体涉及一种煤气精脱硫工艺中的设备异常识别方法。方法包括：获取各历史时间段的各环境因子序列并构建数据集；利用数据集对网络进行预训练，利用不同扩张率的卷积核对各样本数据进行处理；计算目标环境因子在各扩张率下的相同运行状态的余弦相似度的增加值和不同运行状态的欧氏距离的增加值，得到独立评分；基于目标环境因子序列和其它各环境因子序列的DTW匹配值、目标环境因子序列和其它各环境因子序列在各扩张率下对应的特征序列的DTW匹配值和关联影响权重得到关联损失评分，并获得目标扩张率，进而判断脱硫设备的运行状态。本发明在保证脱硫设备运行状态的识别效率的基础上提高了识别精度。

Description

一种煤气精脱硫工艺中的设备异常识别方法
技术领域
本发明涉及特定计算模型的计算机系统技术领域，具体涉及一种煤气精脱硫工艺中的设备异常识别方法。
背景技术
随着工业化进程的加快，煤气使用量越来越高，一般从自然界中刚采集出的煤气或从煤炭中提取出的煤气的纯度较低，含有一些夹杂气体，这些夹杂气体中会包含一些有毒物质，特别是
Figure DEST_PATH_IMAGE001
（硫化氢），这种气体如果不去除的话，会对人的身体健康造成较大的伤害。因此在煤气使用前需采用脱硫工艺对煤气进行脱硫处理。
脱硫处理一般是将煤气输入到脱硫设备中，通过控制脱硫设备来实现煤气的脱硫处理。为了保证脱硫处理的效果，需对脱硫设备进行有效控制，在脱硫设备中安装一些传感器，利用传感器采集的数据来反映脱硫设备的运行状况。通常情况下专业人员通过对采集的数据的分析来判断脱硫设备的运行状况，但是这种方法效率较低且人工成本较高，为了提高效率，通常利用卷积神经网络来识别各数据进而判断运行状况，而传统的利用卷积神经网络识别脱硫设备运行状况时，是利用固定的扩张率的卷积核来提取特征的，对于变化缓慢的数据需要进行多层卷积核才能准确提取到特征信息，因此如果采用较大扩张率卷积核对所有数据进行特征提取，就会导致一些包含重要细节信息的数据存在特征提取不准确的问题，如果采用较小扩张率卷积核对所有数据进行特征提取，虽然效率相较于人工有所提高，但是相较于较大的扩张率来说仍然存在效率低下的问题。因此需根据数据的特征来确定合适的卷积核的扩张率，在保证神经网络的识别速度的同时还能够提高识别精度。
发明内容
本发明的目的在于提供一种煤气精脱硫工艺中的设备异常识别方法，所采用的技术方案具体如下：
本发明提供了一种煤气精脱硫工艺中的设备异常识别方法，该方法包括以下步骤：
获取脱硫设备在多个历史时间段对应的各环境因子序列，并构建数据集；所述数据集由多个样本数据构成，一个样本数据由一个历史时间段对应的各环境因子序列组合而成；
利用所述数据集对目标神经网络进行预训练，利用不同扩张率的卷积核对各样本数据进行卷积处理；选取任一环境因子作为目标环境因子，基于脱硫设备在各运行状态下的各目标环境因子序列和脱硫设备在各运行状态下的各目标环境因子序列在各扩张率的卷积核处理下提取的特征序列，得到目标环境因子在各扩张率下的相同运行状态下的余弦相似度的增加值和不同运行状态下的欧氏距离的增加值；基于所述余弦相似度的增加值和所述欧氏距离的增加值，得到目标环境因子在各扩张率下的独立评分；
基于各环境因子的信息增益值和目标环境因子序列与其它环境因子序列的类别组合的信息增益值，得到目标环境因子与其它各环境因子的关联影响权重；基于目标环境因子序列和其它各环境因子序列的DTW匹配值、目标环境因子序列在各扩张率下对应的特征序列和其它各环境因子序列在各扩张率下对应的特征序列的DTW匹配值以及所述关联影响权重，得到目标环境因子在各扩张率下的关联损失评分；
基于所述独立评分和所述关联损失评分获得目标扩张率，基于所述目标扩张率获得训练好的目标神经网络，得到脱硫设备的运行状态类别。
优选的，基于脱硫设备在各运行状态下的各目标环境因子序列和脱硫设备在各运行状态下的各目标环境因子序列在各扩张率的卷积核处理下提取的特征序列，得到目标环境因子在各扩张率下的相同运行状态下的余弦相似度的增加值，包括：
脱硫设备的运行状态包括正常运行状态和异常运行状态；
对于第k个扩张率：
获取数据集中的所有目标环境因子序列，获取所有目标环境因子序列在该扩张率的卷积核处理下提取的特征序列；
将正常运行状态下的所有目标环境因子序列在该扩张率下对应的特征序列两两组合得到多个特征组合，记为正常运行状态对应的第一特征组合，计算正常运行状态对应的每个第一特征组合中两个特征序列的余弦相似度；将异常运行状态下的所有目标环境因子序列在该扩张率下对应的特征序列两两组合得到多个特征组合，记为异常运行状态对应的第一特征组合，计算异常运行状态对应的每个第一特征组合中两个特征序列的余弦相似度；
将正常运行状态下的所有目标环境因子序列两两组合得到多个环境因子组合，记为正常运行状态对应的第一目标环境因子组合，计算正常运行状态对应的每个第一目标环境因子组合中两个目标环境因子序列的余弦相似度；将异常运行状态下的所有目标环境因子序列两两组合得到多个环境因子组合，记为异常运行状态对应的第一目标环境因子组合；计算异常运行状态对应的每个第一目标环境因子组合中两个目标环境因子序列的余弦相似度；
基于正常运行状态、异常运行状态对应的每个第一特征组合中两个特征序列的余弦相似度和正常运行状态、异常运行状态对应的每个第一目标环境因子组合中两个目标环境因子序列的余弦相似度，计算目标环境因子在该扩张率下的相同运行状态下对应的余弦相似度的增加值。
优选的，采用如下公式计算目标环境因子在该扩张率下的相同运行状态下对应的余弦相似度的增加值：
Figure DEST_PATH_IMAGE003
其中，
Figure 224072DEST_PATH_IMAGE004
为目标环境因子在第k个扩张率下的相同运行状态下对应的余弦相似度的增加值，
Figure DEST_PATH_IMAGE005
为数据集中脱硫设备在第j个运行状态下的目标环境因子序列在第k个扩张率下对应的第s个第一特征组合中两个特征序列的余弦相似度，
Figure 289985DEST_PATH_IMAGE006
为数据集中脱硫设备在第j个运行状态下对应的第s个第一目标环境因子组合中两个目标环境因子序列的余弦相似度，M为数据集中脱硫设备在第j个运行状态下的目标环境因子序列在第k个扩张率下对应的第一特征组合的总个数，N为脱硫设备运行状态的总类别数。
优选的，基于脱硫设备在各运行状态下的各目标环境因子序列和脱硫设备在各运行状态下的各目标环境因子序列在各扩张率的卷积核处理下提取的特征序列，得到目标环境因子在各扩张率下的不同运行状态下的欧氏距离的增加值，包括：
脱硫设备的运行状态包括正常运行状态和异常运行状态；
对于第k个扩张率：
将脱硫设备正常运行状态下的各目标环境因子序列与脱硫设备异常运行状态下的各目标环境因子序列两两组合得到多个目标环境因子组合，记为第二目标环境因子组合，计算每个第二目标环境因子组合中两个目标环境因子序列的欧氏距离；
将脱硫设备正常运行状态下的各目标环境因子序列在该扩张率下对应的特征序列与脱硫设备异常运行状态下的各目标环境因子序列在该扩张率下对应的特征序列两两组合，得到多个特征组合，记为第二特征组合，计算每个第二特征组合中两个目标环境因子序列的欧氏距离；
根据所述每个第二目标环境因子组合中两个目标环境因子序列的欧氏距离和所述每个第二特征组合中两个目标环境因子序列的欧氏距离，计算目标环境因子在该扩张率下的不同运行状态下的欧氏距离的增加值。
优选的，采用如下公式计算目标环境因子在该扩张率下的不同运行状态下的欧氏距离的增加值：
Figure 620473DEST_PATH_IMAGE008
其中，
Figure DEST_PATH_IMAGE009
为目标环境因子在第k个扩张率下的不同运行状态下对应的欧氏距离的增加值，
Figure 956907DEST_PATH_IMAGE010
为目标环境因子在第k个扩张率下对应的第s个第二特征组合中两个特征序列的欧氏距离，
Figure DEST_PATH_IMAGE011
为第s个第二目标环境因子组合中两个目标环境因子序列的欧氏距离，
Figure 449068DEST_PATH_IMAGE012
为第二特征组合的总个数。
优选的，所述基于所述余弦相似度的增加值和所述欧氏距离的增加值，得到目标环境因子在各扩张率下的独立评分，包括：
对于任一扩张率：计算目标环境因子在该扩张率下的相同运行状态下对应的余弦相似度的增加值与目标环境因子在该扩张率下的不同运行状态下对应的欧氏距离的增加值的和，作为目标环境因子在该扩张率下的独立评分。
优选的，各环境因子的信息增益值和目标环境因子序列与其它环境因子序列的类别组合的信息增益值的获取，包括：
将数据集中各样本数据中的目标环境因子序列提取出来，基于目标环境因子序列之间的相似度进行密度聚类，划分成若干个类别集合，基于类别集合计算目标环境因子的信息增益值；
选取除目标环境因子外的任一环境因子作为待分析环境因子，将数据集中各样本数据中的待分析环境因子序列提取出来，按照待分析环境因子序列之间的相似度进行密度聚类，划分成若干个类别集合，基于类别集合计算待分析环境因子的信息增益值；
将数据集中目标环境因子序列与待分析环境因子序列两两进行组合，得到多个类别组合，基于类别组合计算目标环境因子序列与待分析环境因子序列的类别组合的信息增益值。
优选的，基于各环境因子的信息增益值和目标环境因子序列与其它环境因子序列的类别组合的信息增益值，得到目标环境因子与其它各环境因子的关联影响权重，包括：
计算目标环境因子序列与待分析环境因子序列的类别组合的信息增益值减去目标环境因子的信息增益值，再减去待分析环境因子的信息增益值的差值，作为目标环境因子与待分析环境因子的关联影响权重。
优选的，采用如下公式计算目标环境因子在各扩张率下的关联损失评分：
Figure 893956DEST_PATH_IMAGE014
其中，
Figure DEST_PATH_IMAGE015
为目标环境因子在第k个扩张率下的关联损失评分，
Figure 757962DEST_PATH_IMAGE016
为目标环境因子序列在第k个扩张率下对应的特征序列和第q个环境因子序列在第k个扩张率下对应的特征序列的DTW匹配值，
Figure DEST_PATH_IMAGE017
为目标环境因子序列和第q个环境因子序列的DTW匹配值，
Figure 463750DEST_PATH_IMAGE018
为目标环境因子与第q个环境因子的关联影响权重，
Figure DEST_PATH_IMAGE019
为除目标环境因子之外的其它环境因子的数量。
优选的，所述基于所述独立评分和所述关联损失评分获得目标扩张率，包括：
对于任一扩张率：计算各环境因子在该扩张率下的独立评分减去各环境因子在该扩张率下的关联损失评分的差值，作为各环境因子在该扩张率下的综合评分；计算所有环境因子在该扩张率下的综合评分之和，作为该扩张率对应的评分；
获取评分最高的扩张率，若评分最高的扩张率只有一个，则将评分最高的扩张率作为目标扩张率；若评分最高的扩张率不止一个，则选取评分最高的扩张率中最大的扩张率作为目标扩张率。
本发明具有如下有益效果：
1、本发明考虑到传统的利用神经网络识别脱硫设备的运行状态类别时，卷积核的扩张率是固定的，若卷积核的扩张率较小，则会降低脱硫设备运行状态的效率，若卷积核的扩张率较大，则会导致脱硫设备中某些环境因子的特征有所损失，进而会降低脱硫设备运行状态的识别精度；因此本发明基于不同扩张率的卷积核对脱硫设备运行状态的影响程度获得了目标扩张率，利用目标扩张率的卷积核提取所有环境因子的特征，进而判断脱硫设备的运行状态类别，在保证脱硫设备运行状态的识别效率的同时也提高了脱硫设备运行状态的识别精度，进而能够有效的提高后续煤气的脱硫精度。
2、本发明在选取卷积核的扩张率时，从单个环境因子的信息和多个环境因子之间的关联性两个角度进行了分析，衡量了不同扩张率对单个环境因子的特征提取的影响情况以及不同扩张率提取到的环境因子之间的关联性的损失情况，得到了环境因子在各扩张率下的独立评分和环境因子在各扩张率下的关联损失评分，环境因子在各扩张率下的独立评分和关联损失评分能够准确表征各扩张率的卷积核提取的特征对脱硫设备运行状态准确识别的影响程度，进而获得了目标扩张率，提高了后续脱硫设备运行状态识别时的准确性。
3、本发明在对目标环境因子在各扩张率下提取的特征对脱硫设备运行状态准确识别的积极影响程度进行评价时，通过分析目标环境因子在不同扩张率下提取的特征能否使得设备在同一运行状态下的数据间隔较小并且能否使得设备在不同运行状态下的数据间隔较大，来获得目标环境因子在各扩张率下的独立评分，对目标环境因子在各扩张率下提取的特征的评价较为全面，能够准确地表征单个环境因子在各扩张率下提取的特征对脱硫设备运行状态的准确识别的影响程度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案和优点，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它附图。
图1为本发明提供的一种煤气精脱硫工艺中的设备异常识别方法的流程图；
图2为卷积核
Figure 471020DEST_PATH_IMAGE020
的示意图；
图3为卷积核
Figure DEST_PATH_IMAGE021
的示意图；
图4为卷积核
Figure 511526DEST_PATH_IMAGE022
的示意图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的一种煤气精脱硫工艺中的设备异常识别方法进行详细说明如下。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的一种煤气精脱硫工艺中的设备异常识别方法的具体方案。
一种煤气精脱硫工艺中的设备异常识别方法实施例：
本实施例提出了一种煤气精脱硫工艺中的设备异常识别方法，如图1所示，本实施例的一种煤气精脱硫工艺中的设备异常识别方法包括以下步骤：
步骤S1，获取脱硫设备在多个历史时间段对应的各环境因子序列，并构建数据集；所述数据集由多个样本数据构成，一个样本数据由一个历史时间段对应的各环境因子序列组合而成。
煤气脱硫工艺一般利用脱硫剂在一定环境下的脱硫塔中进行化学反应，完成煤气脱硫处理。为了识别脱硫设备的运行状况，需在脱硫塔内部安装一些传感器，用于采集脱硫塔中的环境数据，脱硫反应正常和脱硫反应异常时，脱硫塔内传感器采集到的数据是有差别的。
本实施例采用栲胶法脱硫技术对煤气进行脱硫处理，该脱硫技术的主要影响因素有：脱硫塔内的温度信息、脱硫塔内的压强信息、脱硫塔内栲胶浓度信息、气体的流速信息。因而在脱硫设备中安装温度传感器、压强传感器、浓度传感器、气体流速传感器。这些传感器实时采集脱硫设备中的环境因子，环境因子包括温度、压强、栲胶浓度和气体流速。采集到的数据传输到脱硫设备的控制模块，控制模块对其进行分析，判断脱硫设备的运行状态，进而对煤气脱硫设备进行调控。
利用脱硫设备中的传感器采集脱硫设备中的各环境因子，每1秒采集一次各环境因子，将1分钟作为一个时间段的长度，基于每个历史时间段内各采集时刻的各环境因子，构建每个历史时间段对应的各环境因子序列，对于任一历史时间段：该历史时间段对应的温度序列为
Figure DEST_PATH_IMAGE023
，其中，
Figure 652658DEST_PATH_IMAGE024
为该历史时间段内第1个采集时刻脱硫塔内的温度，
Figure DEST_PATH_IMAGE025
为该历史时间段内第2个采集时刻脱硫塔内的温度，
Figure 963684DEST_PATH_IMAGE026
为该历史时间段内第L个采集时刻脱硫塔内的温度；该历史时间段对应的压强序列为
Figure DEST_PATH_IMAGE027
，其中，
Figure 532069DEST_PATH_IMAGE028
为该历史时间段内第1个采集时刻脱硫塔内的压强，
Figure DEST_PATH_IMAGE029
为该历史时间段内第2个采集时刻脱硫塔内的压强，
Figure 59871DEST_PATH_IMAGE030
为该历史时间段内第L个采集时刻脱硫塔内的压强；该历史时间段对应的栲胶浓度序列为
Figure DEST_PATH_IMAGE031
，其中，
Figure 4694DEST_PATH_IMAGE032
为该历史时间段内第1个采集时刻脱硫塔内的栲胶浓度，
Figure DEST_PATH_IMAGE033
为该历史时间段内第2个采集时刻脱硫塔内的栲胶浓度，
Figure 170227DEST_PATH_IMAGE034
为该历史时间段内第L个采集时刻脱硫塔内的栲胶浓度；该历史时间段对应的气体流速序列为
Figure DEST_PATH_IMAGE035
，其中，
Figure 909513DEST_PATH_IMAGE036
为该历史时间段内第1个采集时刻气体的流速，
Figure DEST_PATH_IMAGE037
为该历史时间段内第2个采集时刻气体的流速，
Figure 659032DEST_PATH_IMAGE038
为该历史时间段内第L个采集时刻气体的流速；由该历史时间段对应的温度序列、压强序列、栲胶浓度序列和气体流速序列构成一个样本数据。在具体应用中，环境因子的采集频率和时间段的长度实施者可自行设置。
采用上述方法，能够得到多个样本数据，一个时间段对应一个样本数据，所有的样本数据构成数据集。
步骤S2，利用所述数据集对目标神经网络进行预训练，利用不同扩张率的卷积核对各样本数据进行卷积处理；选取任一环境因子作为目标环境因子，基于脱硫设备在各运行状态下的各目标环境因子序列和脱硫设备在各运行状态下的各目标环境因子序列在各扩张率的卷积核处理下提取的特征序列，得到目标环境因子在各扩张率下的相同运行状态下的余弦相似度的增加值和不同运行状态下的欧氏距离的增加值；基于所述余弦相似度的增加值和所述欧氏距离的增加值，得到目标环境因子在各扩张率下的独立评分。
煤气脱硫相关专家团对数据集中的各样本数据进行分析，进而评估煤气脱硫设备的运行状态，其中煤气脱硫设备共有两种运行状态，分别为正常运行状态和异常运行状态；各专家采用独立的评估规则对各样本数据对应的脱硫设备的运行状态进行评分，分数的取值为[0,10]，评估完成后，将所有专家的运行状态评分的均值作为各样本数据对应的脱硫设备的运行状态评分。
根据脱硫设备运行状态评分划分脱硫设备的运行状态类别，将运行状态分值在(6,10]划分为正常运行状态类别，将向量
Figure DEST_PATH_IMAGE039
作为正常运行状态类别标签，将运行状态分值在[0,6]划分为异常运行状态类别，将向量
Figure 141966DEST_PATH_IMAGE040
作为异常运行状态类别标签。将所有带标签的样本数据组合在一起得到脱硫设备运行状态识别网络的数据集。
本实施例的目标神经网络为脱硫设备运行状态识别网络，该网络为TCN网络，网络结构为Encoder-FC，网络的输入为各样本数据，输出为各样本数据属于异常运行状态和正常运行状态的概率，损失函数为均方差损失函数。该网络的Encoder是卷积层级，其中卷积层中第一个卷积层的卷积核的扩张率大小是自适应得到的，卷积层中的其它卷积层的卷积核的扩张率均为0。本实施例基于输入的各样本数据自适应地获得各扩张率，保证脱硫设备的运行状态识别精度较高的同时还能提高识别效率。
基于脱硫设备运行状态识别网络的数据集，通过训练神经网络的方式识别脱硫设备的运行状态时，有些环境因子需要细节特征信息来确定脱硫设备的运行状态类别，而有些环境因子需要趋势（结构）信息来确定脱硫设备的运行状态类别，一些细节信息反而影响脱硫设备运行状态的识别；因而在进行神经网络训练时，根据各种环境因子的特征来确定其对应的卷积扩张率的大小，对于无需细节信息识别脱硫设备运行状态的环境因子利用较大扩张率的卷积核提取特征，反之利用较小扩张率的卷积核提取特征。在分析各环境因子所需的扩张率时，应考虑不同扩张率下各环境因子信息对脱硫设备运行状态类别的准确识别的影响情况，同时还需考虑不同扩张率下提取的特征数据中关联信息的丢失对于设备运行状态类别的准确识别的影响情况。因而基于这两个方面计算各扩张率的综合评分，进而选出最佳的卷积扩张率。
不同扩张率下的综合描述评估值主要通过对单个环境因子的分析得到的独立评分以及同时对多个环境因子的关联程度进行分析得到的关联损失评分两个方面来反映，所谓独立评分是基于单个环境因子的分析来判断单个环境因子在不同扩张率下提取到的特征对脱硫设备运行状态识别精度的影响情况，所谓关联损失评分是由于扩张率的不同会造成提取到的特征信息有所丢失，进而影响信息关联程度，导致设备运行状态分类不准确的问题。通过独立评分和关联损失评分得到综合得分，从而得到各扩张率下的综合描述评分。
扩张率主要反映了人眼在不同距离下获得的信息特征，本实施例在利用数据集对目标神经网络进行预训练时，采用相同的滤波参数、不同大小的滤波核对各环境因子进行滤波处理，具体的：分别利用扩张率为0的卷积核
Figure 83377DEST_PATH_IMAGE020
、扩张率为1的卷积核
Figure 275455DEST_PATH_IMAGE021
、扩张率为2的卷积核
Figure 669527DEST_PATH_IMAGE022
、扩张率为3的卷积核
Figure DEST_PATH_IMAGE041
、扩张率为4的卷积核
Figure 64474DEST_PATH_IMAGE042
以及扩张率为5的卷积核
Figure DEST_PATH_IMAGE043
，卷积核
Figure 453867DEST_PATH_IMAGE021
、卷积核
Figure 941480DEST_PATH_IMAGE022
、卷积核
Figure 698215DEST_PATH_IMAGE041
、卷积核
Figure 929476DEST_PATH_IMAGE042
、卷积核
Figure 704534DEST_PATH_IMAGE043
的卷积参数均与卷积核
Figure 628628DEST_PATH_IMAGE020
的卷积参数相同，其中，利用1*3高斯滤波器表示扩张率为0的卷积核
Figure 105614DEST_PATH_IMAGE020
，因此卷积核
Figure 265200DEST_PATH_IMAGE021
、卷积核
Figure 770131DEST_PATH_IMAGE022
、卷积核
Figure 474913DEST_PATH_IMAGE041
、卷积核
Figure 330873DEST_PATH_IMAGE042
、卷积核
Figure 28571DEST_PATH_IMAGE043
的卷积参数均与1*3高斯滤波器的卷积参数相同，卷积核
Figure 653587DEST_PATH_IMAGE021
是在卷积核
Figure 293385DEST_PATH_IMAGE020
的两个相邻的卷积参数中插入一列0以实现空洞化处理，卷积核
Figure 371062DEST_PATH_IMAGE022
是在卷积核
Figure 138030DEST_PATH_IMAGE020
的两个相邻的卷积参数中插入两列0以实现空洞化处理，卷积核
Figure 617553DEST_PATH_IMAGE041
是在卷积核
Figure 929717DEST_PATH_IMAGE020
的两个相邻的卷积参数中插入三列0以实现空洞化处理，卷积核
Figure 88166DEST_PATH_IMAGE042
是在卷积核
Figure 3032DEST_PATH_IMAGE020
的两个相邻的卷积参数中插入四列0以实现空洞化处理，卷积核
Figure 710963DEST_PATH_IMAGE043
是在卷积核
Figure 443295DEST_PATH_IMAGE020
的两个相邻的卷积参数中插入五列0以实现空洞化处理，卷积核
Figure 495565DEST_PATH_IMAGE020
如图2所示，卷积核
Figure 89489DEST_PATH_IMAGE021
如图3所示，卷积核
Figure 543604DEST_PATH_IMAGE022
如图4所示。
接下来以温度序列为例进行分析，其它环境因子序列的处理方法与温度序列相同。对于任一样本数据中的温度序列：分别利用扩张率为0的卷积核
Figure 181258DEST_PATH_IMAGE020
、扩张率为1的卷积核
Figure 720824DEST_PATH_IMAGE021
、扩张率为2的卷积核
Figure 363113DEST_PATH_IMAGE022
、扩张率为3的卷积核
Figure 796369DEST_PATH_IMAGE041
、扩张率为4的卷积核
Figure 480291DEST_PATH_IMAGE042
和扩张率为5的卷积核
Figure 116940DEST_PATH_IMAGE043
对该温度序列进行卷积处理，获取卷积处理后的温度序列，记为温度序列对应的特征序列，因此获得了该温度序列对应的特征序列
Figure 301933DEST_PATH_IMAGE044
、
Figure DEST_PATH_IMAGE045
、
Figure 42225DEST_PATH_IMAGE046
、
Figure DEST_PATH_IMAGE047
、
Figure 490524DEST_PATH_IMAGE048
、
Figure DEST_PATH_IMAGE049
，其中，
Figure 83310DEST_PATH_IMAGE044
为该温度序列在扩张率为0的卷积核处理下对应的特征序列，
Figure 806416DEST_PATH_IMAGE045
为该温度序列在扩张率为1的卷积核处理下对应的特征序列，
Figure 197952DEST_PATH_IMAGE046
为该温度序列在扩张率为2的卷积核处理下对应的特征序列，
Figure 754835DEST_PATH_IMAGE047
为该温度序列在扩张率为3的卷积核处理下对应的特征序列，
Figure 615344DEST_PATH_IMAGE048
为该温度序列在扩张率为4的卷积核处理下对应的特征序列，
Figure 751927DEST_PATH_IMAGE049
为该温度序列在扩张率为5的卷积核处理下对应的特征序列。类比上述方法，得到各环境因子序列在各扩张率的卷积核处理下对应的特征序列。
由于分析各环境因子的信息情况得到设备运行状态的过程类似于一种分类任务，当某种环境因子属于某种特征时脱硫设备的运行状态被分配为某种设备运行状态类别，或当多个环境因子表现出一种组合特征时脱硫设备的运行状态被分配为某种设备运行状态类别。因而可以通过独立和综合两个方面共同分析不同扩张率下脱硫设备运行状态分类的准确程度，得到分类评分。
当某一环境因子在某种扩张率下使得设备的运行状态分类准确精度提高时，同一运行状态的样本数据中该类环境因子之间的差异较小，非同一运行状态之间的样本数据中该类环境因子的差异较大，即设备在正常运行状态下的所有样本数据中该环境因子之间的差异较小，设备在异常运行状态下的所有样本数据中该环境因子之间的差异也较小，设备正常运行状态的样本数据和设备异常运行状态的样本数据中该环境因子之间的差异较大。这个环境因子在该种扩张率下的分类准确性越高，说明该种扩张率下的卷积核越能提取用于表征设备运行状态的特征，即该种扩张率越适合用于提取该环境因子的特征。
对于第k个扩张率：
选取任一环境因子作为目标环境因子，获取数据集中的所有目标环境因子序列，获取所有目标环境因子序列在该扩张率的卷积核处理下提取的特征序列；脱硫设备共有两种运行状态，分别为正常运行状态和异常运行状态，将正常运行状态下的所有目标环境因子序列在该扩张率下对应的特征序列两两组合得到多个特征组合，记为正常运行状态对应的第一特征组合；例如：第e个特征序列与第e+1个特征序列组合成一个特征组合；计算正常运行状态对应的每个第一特征组合中两个特征序列的余弦相似度。同理，将异常运行状态下的所有目标环境因子序列在该扩张率下对应的特征序列两两组合得到多个特征组合，记为异常运行状态对应的第一特征组合，计算异常运行状态对应的每个第一特征组合中两个特征序列的余弦相似度。至此，采用上述方法，得到了脱硫设备在各运行状态（正常运行状态和异常运行状态）下的所有目标环境因子序列在该扩张率下对应的各特征组合中两个特征序列的余弦相似度。同时，类比上述方法，将正常运行状态下的所有目标环境因子序列两两组合得到多个环境因子组合，记为正常运行状态对应的第一目标环境因子组合；将异常运行状态下的所有目标环境因子序列两两组合得到多个环境因子组合，记为异常运行状态对应的第一目标环境因子组合；进而得到设备在各运行状态（正常运行状态和异常运行状态）下的所有第一目标环境因子组合中两个目标环境因子序列的余弦相似度。余弦相似度越大，说明对应两个序列越相似。余弦相似度的计算方法为现有技术，此处不再赘述。
目标环境因子序列在第k个扩张率下对应的第一特征组合的余弦相似度和第一目标环境因子组合的余弦相似度的增加值能够反映该扩张率的卷积核提取的特征是否能够提高脱硫设备运行状态的识别精度，若脱硫设备在同一运行状态下的所有目标环境因子序列在该扩张率下对应的特征组合的余弦相似度相较于第一目标环境因子组合的余弦相似度的增加值越大，则说明用该扩张率提取的目标环境因子特征越准确，即该扩张率的卷积核越适合提取目标环境因子的特征。基于此，根据脱硫设备在各运行状态下的目标环境因子序列在该扩张率下对应的各第一特征组合中两个特征序列的余弦相似度和各第一目标环境因子组合中两个目标环境因子序列的余弦相似度，获得目标环境因子利用该扩张率提取的特征对应的余弦相似度相对于目标环境因子对应的余弦相似度的增加值，并记为目标环境因子在第k个扩张率下的相同运行状态下对应的余弦相似度的增加值，即：
Figure 499434DEST_PATH_IMAGE003
其中，
Figure 351853DEST_PATH_IMAGE004
为目标环境因子在第k个扩张率下的相同运行状态下对应的余弦相似度的增加值，
Figure 43865DEST_PATH_IMAGE005
为数据集中脱硫设备在第j个运行状态下的目标环境因子序列在第k个扩张率下对应的第s个第一特征组合中两个特征序列的余弦相似度，
Figure 623620DEST_PATH_IMAGE006
为数据集中脱硫设备在第j个运行状态下对应的第s个第一目标环境因子组合中两个目标环境因子序列的余弦相似度，M为数据集中脱硫设备在第j个运行状态下的目标环境因子序列在第k个扩张率下对应的第一特征组合的总个数，N为脱硫设备运行状态的总类别数，本实施例中N的值为2。
Figure 740480DEST_PATH_IMAGE050
表示脱硫设备在第j个运行状态下的第s个第一目标环境因子组合在第k个扩张率下提取的特征相较于原目标环境因子组合的余弦相似度的增大情况，该值越大说明仅基于目标环境因子在该扩张率下进行分析时提取到的特征对脱硫设备运行状态的准确预测的积极影响越大，即
Figure 108008DEST_PATH_IMAGE004
的值越大，此时目标环境因子在该扩张率下获取的信息越有利于脱硫设备运行状态预测。
接下来对脱硫设备在不同运行状态下的目标环境因子序列进行分析，分别将脱硫设备正常运行状态下的各目标环境因子序列与脱硫设备异常运行状态下的各目标环境因子序列两两组合得到多个目标环境因子组合，记为第二目标环境因子组合，计算每个第二目标环境因子组合中两个目标环境因子序列的欧氏距离；同时将脱硫设备正常运行状态下的各目标环境因子序列在第k个扩张率下对应的特征序列与脱硫设备异常运行状态下的各目标环境因子序列在第k个扩张率下对应的特征序列两两组合，得到多个特征组合，记为第二特征组合，计算每个第二特征组合中两个目标环境因子序列的欧氏距离。欧氏距离的计算方法为现有技术，此处不再赘述。
第二特征组合中两个特征序列的欧氏距离和第二目标环境因子组合中两个目标环境因子序列的欧氏距离的增加值能够反映该目标环境因子组合利用对应扩张率的卷积核提取的特征是否能够提高脱硫设备运行状态的识别精度，若脱硫设备在同一运行状态下的所有第二目标环境因子序列在该扩张率下对应的第二特征组合的余弦相似度相较于第二目标环境因子组合的欧氏距离的增加值越大，则说明用该扩张率提取的目标环境因子特征越准确，即该扩张率的卷积核越适合提取目标环境因子的特征。基于此，根据各第二特征组合中两个特征序列的欧氏距离和各第二目标环境因子组合中两个目标环境因子序列的欧氏距离，获得目标环境因子利用该扩张率提取的特征对应的欧氏距离相对于目标环境因子对应的欧氏距离的增加值，并记为目标环境因子在各扩张率下的不同运行状态下对应的欧氏距离的增加值，即：
Figure 693841DEST_PATH_IMAGE008
其中，
Figure 562440DEST_PATH_IMAGE009
为目标环境因子在第k个扩张率下的不同运行状态下对应的欧氏距离的增加值，
Figure 143594DEST_PATH_IMAGE010
为目标环境因子在第k个扩张率下对应的第s个第二特征组合中两个特征序列的欧氏距离，
Figure 587083DEST_PATH_IMAGE011
为第s个第二目标环境因子组合中两个目标环境因子序列的欧氏距离，
Figure 519266DEST_PATH_IMAGE012
为第二特征组合的总个数，也即第二目标环境因子组合的总个数。
Figure DEST_PATH_IMAGE051
表征第s个目标环境因子组合在第k个扩张率下获取的第二特征组合中两个特征序列的欧氏距离与第s个第二目标环境因子组合中两个目标环境因子序列的欧氏距离的差异，该差异越大，则
Figure 535764DEST_PATH_IMAGE009
越大，说明目标环境因子在该扩张率下提取的特征对脱硫设备运行状态识别的准确度的积极影响越大；该差异越小，则
Figure 502583DEST_PATH_IMAGE009
越小，说明目标环境因子在该扩张率下提取的特征对脱硫设备运行状态识别的准确度的积极影响越小。
至此，采用上述方法，得到了目标环境因子在第k个扩张率下的相同运行状态下对应的余弦相似度的增加值和目标环境因子在第k个扩张率下的不同运行状态下对应的欧氏距离的增加值。本实施例计算目标环境因子在第k个扩张率下的相同运行状态下对应的余弦相似度的增加值
Figure 602126DEST_PATH_IMAGE004
与目标环境因子在第k个扩张率下的不同运行状态下对应的欧氏距离的增加值
Figure 287185DEST_PATH_IMAGE009
的和
Figure 746854DEST_PATH_IMAGE052
，并将
Figure 568180DEST_PATH_IMAGE052
作为目标环境因子在各扩张率下的独立评分。
Figure 573045DEST_PATH_IMAGE052
的值越大，说明目标环境因子在第k个扩张率下提取的特征对脱硫设备运行状态准确识别的积极影响越大；
Figure 355187DEST_PATH_IMAGE052
的值越小，说明目标环境因子在该第k个扩张率下提取的特征对脱硫设备运行状态准确识别的积极影响越小。
采用上述方法，能够得到各环境因子在各扩张率下的独立评分。
步骤S3，基于各环境因子的信息增益值和目标环境因子序列与其它环境因子序列的类别组合的信息增益值，得到目标环境因子与其它各环境因子的关联影响权重；基于目标环境因子序列和其它各环境因子序列的DTW匹配值、目标环境因子序列在各扩张率下对应的特征序列和其它各环境因子序列在各扩张率下对应的特征序列的DTW匹配值以及所述关联影响权重，得到目标环境因子在各扩张率下的关联损失评分。
由于脱硫设备运行状态不仅与单个环境因子有关，还与环境因子之间的关联性有关，如果由于扩张率的不同造成部分特征损失，会使得环境因子之间的关联程度发生变化，进而降低脱硫设备运行状态的识别精度。因此，为了提高脱硫设备运行状态的识别精度，需对各环境因子在各扩张率下的关联损失评分进行评价。
将数据集中各样本数据中的目标环境因子序列提取出来，然后按照序列之间的相似度关系进行密度聚类，划分成若干个类别集合，进而计算目标环境因子的信息增益值，记为
Figure DEST_PATH_IMAGE053
，信息增益值
Figure 838121DEST_PATH_IMAGE053
反映了目标环境因子对脱硫设备运行状态分类纯度的提升情况；对于除目标环境因子外的其它任一环境因子：将该环境因子记为待分析环境因子，同样的，将数据集中各样本数据中的待分析环境因子序列提取出来，然后按照序列之间的相似度关系进行密度聚类，划分成若干个类别集合，进而计算待分析环境因子的信息增益值；类比上述方法，能够得到各环境因子的信息增益值，其中第q个环境因子的信息增益值为
Figure 513953DEST_PATH_IMAGE054
，信息增益值
Figure 204566DEST_PATH_IMAGE054
反映了待分析环境因子对脱硫设备运行状态分类纯度的提升情况；将数据集中目标环境因子序列与待分析环境因子序列两两进行组合，例如将数据集中的所有温度序列和所有压强序列两两组合，得到多个类别组合，计算类别组合的信息增益值，记为
Figure DEST_PATH_IMAGE055
，该信息增益值反映了该环境因子类别组合的信息对脱硫设备运行状态分类纯度的提升情况。相似度的计算方法和信息增益值的计算方法均为现有技术，此处不再赘述。
如果两个环境因子的关联性不会影响脱硫设备运行状态的识别，那么这两个环境因子的信息增益值之和等于两个环境因子同时存在时（类别组合）对应的信息增益值。基于该思想得到关联程度对脱硫设备运行状态类别划分的影响权重，即计算
Figure 926535DEST_PATH_IMAGE055
减去
Figure 963892DEST_PATH_IMAGE054
再减去
Figure 884443DEST_PATH_IMAGE053
的差值
Figure 745958DEST_PATH_IMAGE018
，作为目标环境因子与第q个环境因子的关联影响权重，关联影响权重越大，说明这两个环境因子的关联性对脱硫设备运行状态准确识别的影响越大；关联影响权重越小，说明这两个环境因子的关联性对脱硫设备运行状态准确识别的影响越小；后续考量目标环境因子在各扩张率下的关联损失评分时，环境因子之间的关联程度是评分过程中的一个重要指标。
采用上述方法，能够得到目标环境因子与其它各环境因子的关联影响权重。
接下来本实施例利用序列的DTW匹配值来反映对应的两个序列的关系。具体的，首先计算目标环境因子序列和第q个环境因子序列的DTW匹配值，记为
Figure 361747DEST_PATH_IMAGE017
；然后计算目标环境因子序列在第k个扩张率下对应的特征序列和第q个环境因子序列在第k个扩张率下对应的特征序列的DTW匹配值，记为
Figure 983221DEST_PATH_IMAGE016
；DTW匹配值的计算方法为现有技术，此处不再赘述。同理，采用上述方法，能够得到目标环境因子序列和其它各环境因子序列的DTW匹配值，以及目标环境因子序列在第k个扩张率下对应的特征序列和其它各环境因子序列在第k个扩张率下对应的特征序列的DTW匹配值。目标环境因子序列和其它环境因子序列的DTW匹配值与目标环境因子序列在第k个扩张率下对应的特征序列和其它环境因子序列在第k个扩张率下对应的特征序列的DTW匹配值的差异反映目标环境因子在第k个扩张率下与其它环境因子的关联损失，关联损失越大，说明用第k个扩张率的卷积核提取环境因子的特征时，目标环境因子与其它环境因子的关联信息丢失的越多，即用第k个扩张率的卷积核提取信息会降低脱硫设备运行状态预测的精度；目标环境因子与其它各环境因子的关联影响权重反映目标环境因子与其它各环境因子的关联性对脱硫设备运行状态准确识别的影响程度，影响程度越大，说明对应两个环境因子的关联性越能够表征脱硫设备的运行状态。基于此，本实施例根据目标环境因子序列和其它各环境因子序列的DTW匹配值、目标环境因子序列在第k个扩张率下对应的特征序列和其它各环境因子序列在第k个扩张率下对应的特征序列的DTW匹配值、目标环境因子与其它各环境因子的关联影响权重，计算目标环境因子在第k个扩张率下的关联损失评分，即：
Figure 633645DEST_PATH_IMAGE056
其中，
Figure 433105DEST_PATH_IMAGE015
为目标环境因子在第k个扩张率下的关联损失评分，
Figure 801770DEST_PATH_IMAGE016
为目标环境因子序列在第k个扩张率下对应的特征序列和第q个环境因子序列在第k个扩张率下对应的特征序列的DTW匹配值，
Figure 695776DEST_PATH_IMAGE017
为目标环境因子序列和第q个环境因子序列的DTW匹配值，
Figure 200707DEST_PATH_IMAGE018
为目标环境因子与第q个环境因子的关联影响权重，
Figure 681322DEST_PATH_IMAGE019
为除目标环境因子之外的其它环境因子的数量。
Figure DEST_PATH_IMAGE057
表征目标环境因子与其它环境因子在第k个扩张率下提取到的关联性和目标环境因子与其它环境因子的本身的关联性的差异情况，当
Figure 599600DEST_PATH_IMAGE057
越大、关联影响权重
Figure 313609DEST_PATH_IMAGE018
也越大时，说明第k个扩张率的卷积核提取到的目标环境因子与其它环境因子的关联程度和目标环境因子与其它环境因子的本身的关联程度的差异越大，即用第k个扩张率的卷积核提取目标环境因子的信息时，信息损失越多，对后续脱硫设备运行状态的准确识别的负面影响越大，这种情况下，若选用第k个扩张率的卷积核提取环境因子的特征进而判断脱硫设备的运行状态，会使得脱硫设备运行状态的识别精度较低。
采用上述方法，能够得到目标环境因子在各扩张率下的关联损失评分。
步骤S4，基于所述独立评分和所述关联损失评分获得目标扩张率，基于所述目标扩张率获得训练好的目标神经网络，得到脱硫设备的运行状态类别。
在上述步骤中得到了目标环境因子在各扩张率下的独立评分和目标环境因子在各扩张率下的关联损失评分，目标环境因子在各扩张率下的独立评分是对目标环境因子进行单独分析时目标环境因子对脱硫设备运行状态的识别精度的影响；目标环境因子在各扩张率下的关联损失评分是对各扩张率下目标环境因子和其它环境因子的关联程度的损失情况的评价，目标环境因子在各扩张率下的独立评分和目标环境因子在各扩张率下的关联损失评分这两个指标结合起来能够准确地表征目标环境因子在各扩张率下提取到的特征对脱硫设备的运行状态的准确识别的影响情况。基于此，对于第k个扩张率：计算目标环境因子在该扩张率下的独立评分
Figure 938625DEST_PATH_IMAGE052
减去目标环境因子在该扩张率下的关联损失评分
Figure 63576DEST_PATH_IMAGE015
的差值
Figure 141254DEST_PATH_IMAGE058
，并将该差值
Figure 626330DEST_PATH_IMAGE058
作为目标环境因子在该扩张率下的综合评分，综合评分越高，说明用该扩张率提取目标环境因子的特征对后续判断脱硫设备运行状态的准确精度的积极影响越大，即该扩张率越适合用于提取目标环境因子的特征；综合评分越低，说明用该扩张率提取目标环境因子的特征对后续判断脱硫设备运行状态的准确精度的积极影响越小，即该扩张率越不适合用于提取目标环境因子的特征。
至此，采用上述方法，能够得到各环境因子在各扩张率下的综合评分。接下来基于各环境因子在各扩张率下的综合评分获得目标扩张率，进而对脱硫设备运行状态识别网络进行训练，将采集到的样本数据输入到训练好的目标神经网络中，得到脱硫设备运行状态的类别。
具体的，对于任一扩张率：根据各环境因子在该扩张率下的综合评分，计算所有的环境因子在该扩张率下的综合评分的均值，作为该扩张率对应的评分。采用该方法，得到各扩张率对应的评分，获取评分最高的扩张率，若评分最高的扩张率只有一个，则将评分最高的扩张率作为目标扩张率；若评分最高的扩张率不止一个，即有多个扩张率对应的评分均为最高评分，则为了提高网络识别速度，选取评分最高的扩张率中最大的扩张率作为目标扩张率。
利用数据集再次对目标神经网络进行训练，此时目标神经网络中卷积核的扩张率为目标扩张率，即所有的环境因子是利用目标扩张率的卷积核进行特征提取的，得到训练好的脱硫设备运行状态识别网络。神经网络的训练过程为现有技术，此处不再赘述。
获取当前时间段的样本数据的获取方法和步骤S1中的方法相同，因此此处不再赘述；将当前时间段的样本数据输入到训练好的目标神经网络中，目标神经网络的输出为脱硫设备属于正常运行状态类别和属于异常运行状态类别的概率，获得了当前时间段脱硫设备的运行状态类别。确定脱硫设备的运行状态类别后，根据脱硫设备运行状态来判断警报系统是否需要发出相应的警报，当脱硫设备运行状态类别属于异常运行状态类别时，控制警报系统发出警报，提醒工作人员及时对煤气脱硫设备进行检查，以提高后续煤气的脱硫精度。
本实施例考虑到传统的利用神经网络识别脱硫设备的运行状态类别时，卷积核的扩张率是固定的，若卷积核的扩张率较小，则会降低脱硫设备运行状态的效率，若卷积核的扩张率较大，则会导致脱硫设备中某些环境因子的特征有所损失，进而会降低脱硫设备运行状态的识别精度；因此本实施例基于不同扩张率的卷积核对脱硫设备运行状态的影响程度获得了目标扩张率，利用目标扩张率的卷积核提取所有环境因子的特征，进而判断脱硫设备的运行状态类别，在保证脱硫设备运行状态的识别效率的同时也提高了脱硫设备运行状态的识别精度，进而能够有效的提高后续煤气的脱硫精度。本实施例在选取卷积核的扩张率时，从单个环境因子的信息和多个环境因子之间的关联性两个角度进行了分析，衡量了不同扩张率对单个环境因子的特征提取的影响情况以及不同扩张率提取到的环境因子之间的关联性的损失情况，得到了环境因子在各扩张率下的独立评分和环境因子在各扩张率下的关联损失评分，环境因子在各扩张率下的独立评分和关联损失评分能够准确表征各扩张率的卷积核提取的特征对脱硫设备运行状态准确识别的影响程度，进而获得了目标扩张率，提高了后续脱硫设备运行状态识别时的准确性。本实施例在对目标环境因子在各扩张率下提取的特征对脱硫设备运行状态准确识别的积极影响程度进行评价时，通过分析目标环境因子在不同扩张率下提取的特征能否使得设备在同一运行状态下的数据间隔较小并且能否使得设备在不同运行状态下的数据间隔较大，来获得目标环境因子在各扩张率下的独立评分，对目标环境因子在各扩张率下提取的特征的评价较为全面，能够准确地表征单个环境因子在各扩张率下提取的特征对脱硫设备运行状态的准确识别的影响程度。
需要说明的是：以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种煤气精脱硫工艺中的设备异常识别方法，其特征在于，该方法包括以下步骤：
获取脱硫设备在多个历史时间段对应的各环境因子序列，并构建数据集；所述数据集由多个样本数据构成，一个样本数据由一个历史时间段对应的各环境因子序列组合而成；
利用所述数据集对目标神经网络进行预训练，利用不同扩张率的卷积核对各样本数据进行卷积处理；选取任一环境因子作为目标环境因子，基于脱硫设备在各运行状态下的各目标环境因子序列和脱硫设备在各运行状态下的各目标环境因子序列在各扩张率的卷积核处理下提取的特征序列，得到目标环境因子在各扩张率下的相同运行状态下的余弦相似度的增加值和不同运行状态下的欧氏距离的增加值；基于所述余弦相似度的增加值和所述欧氏距离的增加值，得到目标环境因子在各扩张率下的独立评分；
基于各环境因子的信息增益值和目标环境因子序列与其它环境因子序列的类别组合的信息增益值，得到目标环境因子与其它各环境因子的关联影响权重；基于目标环境因子序列和其它各环境因子序列的DTW匹配值、目标环境因子序列在各扩张率下对应的特征序列和其它各环境因子序列在各扩张率下对应的特征序列的DTW匹配值以及所述关联影响权重，得到目标环境因子在各扩张率下的关联损失评分；
基于所述独立评分和所述关联损失评分获得目标扩张率，基于所述目标扩张率获得训练好的目标神经网络，得到脱硫设备的运行状态类别。
2.根据权利要求1所述的一种煤气精脱硫工艺中的设备异常识别方法，其特征在于，基于脱硫设备在各运行状态下的各目标环境因子序列和脱硫设备在各运行状态下的各目标环境因子序列在各扩张率的卷积核处理下提取的特征序列，得到目标环境因子在各扩张率下的相同运行状态下的余弦相似度的增加值，包括：
脱硫设备的运行状态包括正常运行状态和异常运行状态；
对于第k个扩张率：
获取数据集中的所有目标环境因子序列，获取所有目标环境因子序列在该扩张率的卷积核处理下提取的特征序列；
将正常运行状态下的所有目标环境因子序列在该扩张率下对应的特征序列两两组合得到多个特征组合，记为正常运行状态对应的第一特征组合，计算正常运行状态对应的每个第一特征组合中两个特征序列的余弦相似度；将异常运行状态下的所有目标环境因子序列在该扩张率下对应的特征序列两两组合得到多个特征组合，记为异常运行状态对应的第一特征组合，计算异常运行状态对应的每个第一特征组合中两个特征序列的余弦相似度；
将正常运行状态下的所有目标环境因子序列两两组合得到多个环境因子组合，记为正常运行状态对应的第一目标环境因子组合，计算正常运行状态对应的每个第一目标环境因子组合中两个目标环境因子序列的余弦相似度；将异常运行状态下的所有目标环境因子序列两两组合得到多个环境因子组合，记为异常运行状态对应的第一目标环境因子组合；计算异常运行状态对应的每个第一目标环境因子组合中两个目标环境因子序列的余弦相似度；
基于正常运行状态、异常运行状态对应的每个第一特征组合中两个特征序列的余弦相似度和正常运行状态、异常运行状态对应的每个第一目标环境因子组合中两个目标环境因子序列的余弦相似度，计算目标环境因子在该扩张率下的相同运行状态下对应的余弦相似度的增加值。
3.根据权利要求2所述的一种煤气精脱硫工艺中的设备异常识别方法，其特征在于，采用如下公式计算目标环境因子在该扩张率下的相同运行状态下对应的余弦相似度的增加值：
Figure DEST_PATH_IMAGE002
其中，
Figure DEST_PATH_IMAGE004
为目标环境因子在第k个扩张率下的相同运行状态下对应的余弦相似度的增加值，
Figure DEST_PATH_IMAGE006
为数据集中脱硫设备在第j个运行状态下的目标环境因子序列在第k个扩张率下对应的第s个第一特征组合中两个特征序列的余弦相似度，
Figure DEST_PATH_IMAGE008
为数据集中脱硫设备在第j个运行状态下对应的第s个第一目标环境因子组合中两个目标环境因子序列的余弦相似度，M为数据集中脱硫设备在第j个运行状态下的目标环境因子序列在第k个扩张率下对应的第一特征组合的总个数，N为脱硫设备运行状态的总类别数。
4.根据权利要求1所述的一种煤气精脱硫工艺中的设备异常识别方法，其特征在于，基于脱硫设备在各运行状态下的各目标环境因子序列和脱硫设备在各运行状态下的各目标环境因子序列在各扩张率的卷积核处理下提取的特征序列，得到目标环境因子在各扩张率下的不同运行状态下的欧氏距离的增加值，包括：
脱硫设备的运行状态包括正常运行状态和异常运行状态；
对于第k个扩张率：
将脱硫设备正常运行状态下的各目标环境因子序列与脱硫设备异常运行状态下的各目标环境因子序列两两组合得到多个目标环境因子组合，记为第二目标环境因子组合，计算每个第二目标环境因子组合中两个目标环境因子序列的欧氏距离；
将脱硫设备正常运行状态下的各目标环境因子序列在该扩张率下对应的特征序列与脱硫设备异常运行状态下的各目标环境因子序列在该扩张率下对应的特征序列两两组合，得到多个特征组合，记为第二特征组合，计算每个第二特征组合中两个目标环境因子序列的欧氏距离；
根据所述每个第二目标环境因子组合中两个目标环境因子序列的欧氏距离和所述每个第二特征组合中两个目标环境因子序列的欧氏距离，计算目标环境因子在该扩张率下的不同运行状态下的欧氏距离的增加值。
5.根据权利要求4所述的一种煤气精脱硫工艺中的设备异常识别方法，其特征在于，采用如下公式计算目标环境因子在该扩张率下的不同运行状态下的欧氏距离的增加值：
Figure DEST_PATH_IMAGE010
其中，
Figure DEST_PATH_IMAGE012
为目标环境因子在第k个扩张率下的不同运行状态下对应的欧氏距离的增加值，
Figure DEST_PATH_IMAGE014
为目标环境因子在第k个扩张率下对应的第s个第二特征组合中两个特征序列的欧氏距离，
Figure DEST_PATH_IMAGE016
为第s个第二目标环境因子组合中两个目标环境因子序列的欧氏距离，
Figure DEST_PATH_IMAGE018
为第二特征组合的总个数。
6.根据权利要求1所述的一种煤气精脱硫工艺中的设备异常识别方法，其特征在于，所述基于所述余弦相似度的增加值和所述欧氏距离的增加值，得到目标环境因子在各扩张率下的独立评分，包括：
对于任一扩张率：计算目标环境因子在该扩张率下的相同运行状态下对应的余弦相似度的增加值与目标环境因子在该扩张率下的不同运行状态下对应的欧氏距离的增加值的和，作为目标环境因子在该扩张率下的独立评分。
7.根据权利要求1所述的一种煤气精脱硫工艺中的设备异常识别方法，其特征在于，各环境因子的信息增益值和目标环境因子序列与其它环境因子序列的类别组合的信息增益值的获取，包括：
将数据集中各样本数据中的目标环境因子序列提取出来，基于目标环境因子序列之间的相似度进行密度聚类，划分成若干个类别集合，基于类别集合计算目标环境因子的信息增益值；
选取除目标环境因子外的任一环境因子作为待分析环境因子，将数据集中各样本数据中的待分析环境因子序列提取出来，按照待分析环境因子序列之间的相似度进行密度聚类，划分成若干个类别集合，基于类别集合计算待分析环境因子的信息增益值；
将数据集中目标环境因子序列与待分析环境因子序列两两进行组合，得到多个类别组合，基于类别组合计算目标环境因子序列与待分析环境因子序列的类别组合的信息增益值。
8.根据权利要求7所述的一种煤气精脱硫工艺中的设备异常识别方法，其特征在于，基于各环境因子的信息增益值和目标环境因子序列与其它环境因子序列的类别组合的信息增益值，得到目标环境因子与其它各环境因子的关联影响权重，包括：
计算目标环境因子序列与待分析环境因子序列的类别组合的信息增益值减去目标环境因子的信息增益值，再减去待分析环境因子的信息增益值的差值，作为目标环境因子与待分析环境因子的关联影响权重。
9.根据权利要求1所述的一种煤气精脱硫工艺中的设备异常识别方法，其特征在于，采用如下公式计算目标环境因子在各扩张率下的关联损失评分：
Figure DEST_PATH_IMAGE020
其中，
Figure DEST_PATH_IMAGE022
为目标环境因子在第k个扩张率下的关联损失评分，
Figure DEST_PATH_IMAGE024
为目标环境因子序列在第k个扩张率下对应的特征序列和第q个环境因子序列在第k个扩张率下对应的特征序列的DTW匹配值，
Figure DEST_PATH_IMAGE026
为目标环境因子序列和第q个环境因子序列的DTW匹配值，
Figure DEST_PATH_IMAGE028
为目标环境因子与第q个环境因子的关联影响权重，
Figure DEST_PATH_IMAGE030
为除目标环境因子之外的其它环境因子的数量。
10.根据权利要求1所述的一种煤气精脱硫工艺中的设备异常识别方法，其特征在于，所述基于所述独立评分和所述关联损失评分获得目标扩张率，包括：
对于任一扩张率：计算各环境因子在该扩张率下的独立评分减去各环境因子在该扩张率下的关联损失评分的差值，作为各环境因子在该扩张率下的综合评分；计算所有环境因子在该扩张率下的综合评分之和，作为该扩张率对应的评分；
获取评分最高的扩张率，若评分最高的扩张率只有一个，则将评分最高的扩张率作为目标扩张率；若评分最高的扩张率不止一个，则选取评分最高的扩张率中最大的扩张率作为目标扩张率。
CN202211081460.2A 2022-09-06 2022-09-06 一种煤气精脱硫工艺中的设备异常识别方法 Active CN115169504B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211081460.2A CN115169504B (zh) 2022-09-06 2022-09-06 一种煤气精脱硫工艺中的设备异常识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211081460.2A CN115169504B (zh) 2022-09-06 2022-09-06 一种煤气精脱硫工艺中的设备异常识别方法

Publications (2)

Publication Number Publication Date
CN115169504A true CN115169504A (zh) 2022-10-11
CN115169504B CN115169504B (zh) 2022-11-25

Family

ID=83482045

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211081460.2A Active CN115169504B (zh) 2022-09-06 2022-09-06 一种煤气精脱硫工艺中的设备异常识别方法

Country Status (1)

Country Link
CN (1) CN115169504B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116110516A (zh) * 2023-04-14 2023-05-12 青岛山青华通环境科技有限公司 一种污水处理过程异常工况识别方法和装置

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109858612A (zh) * 2019-01-18 2019-06-07 清华大学 一种自适应形变空洞卷积方法
CN112035584A (zh) * 2020-08-28 2020-12-04 北京清华同衡规划设计研究院有限公司 空间规划情景模拟方法及系统
CN112101363A (zh) * 2020-09-02 2020-12-18 河海大学 基于空洞残差和注意力机制的全卷积语义分割系统及方法
WO2021146890A1 (en) * 2020-01-21 2021-07-29 Beijing Didi Infinity Technology And Development Co., Ltd. Systems and methods for object detection in image using detection model
CN113643322A (zh) * 2021-07-16 2021-11-12 重庆邮电大学 基于DeepLabv3+_SLAM的动态对象检测方法
CN113705715A (zh) * 2021-09-04 2021-11-26 大连钜智信息科技有限公司 一种基于lstm和多尺度fcn的时间序列分类方法
CN113705375A (zh) * 2021-08-10 2021-11-26 武汉理工大学 一种船舶航行环境视觉感知设备及方法
WO2021244079A1 (zh) * 2020-06-02 2021-12-09 苏州科技大学 智能家居环境中图像目标检测方法
US20220221852A1 (en) * 2021-01-14 2022-07-14 University Of Louisiana At Lafayette Method and architecture for embryonic hardware fault prediction and self-healing

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109858612A (zh) * 2019-01-18 2019-06-07 清华大学 一种自适应形变空洞卷积方法
WO2021146890A1 (en) * 2020-01-21 2021-07-29 Beijing Didi Infinity Technology And Development Co., Ltd. Systems and methods for object detection in image using detection model
WO2021244079A1 (zh) * 2020-06-02 2021-12-09 苏州科技大学 智能家居环境中图像目标检测方法
CN112035584A (zh) * 2020-08-28 2020-12-04 北京清华同衡规划设计研究院有限公司 空间规划情景模拟方法及系统
CN112101363A (zh) * 2020-09-02 2020-12-18 河海大学 基于空洞残差和注意力机制的全卷积语义分割系统及方法
US20220221852A1 (en) * 2021-01-14 2022-07-14 University Of Louisiana At Lafayette Method and architecture for embryonic hardware fault prediction and self-healing
CN113643322A (zh) * 2021-07-16 2021-11-12 重庆邮电大学 基于DeepLabv3+_SLAM的动态对象检测方法
CN113705375A (zh) * 2021-08-10 2021-11-26 武汉理工大学 一种船舶航行环境视觉感知设备及方法
CN113705715A (zh) * 2021-09-04 2021-11-26 大连钜智信息科技有限公司 一种基于lstm和多尺度fcn的时间序列分类方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
SHICHENG ZU 等: "DrowsyNet: Multivariate Time Series Classification for Embedded Driver Drowsiness Detection", 《 2022 8TH INTERNATIONAL CONFERENCE ON CONTROL, AUTOMATION AND ROBOTICS》 *
戴仁月等: "融合扩张卷积网络与SLAM的无监督单目深度估计", 《激光与光电子学进展》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116110516A (zh) * 2023-04-14 2023-05-12 青岛山青华通环境科技有限公司 一种污水处理过程异常工况识别方法和装置

Also Published As

Publication number Publication date
CN115169504B (zh) 2022-11-25

Similar Documents

Publication Publication Date Title
CN105242779B (zh) 一种识别用户动作的方法和移动智能终端
CN110070060B (zh) 一种轴承设备的故障诊断方法
CN104712542B (zh) 一种基于物联网的往复压缩机敏感特征提取与故障诊断方法
CN111882446B (zh) 一种基于图卷积网络的异常账户检测方法
CN110110768B (zh) 基于并行特征学习和多分类器的滚动轴承故障诊断方法
CN112254964A (zh) 一种基于快速多尺度卷积神经网络的滚动轴承故障诊断方法
CN103544392B (zh) 基于深度学习的医学气体识别方法
CN106790019A (zh) 基于特征自学习的加密流量识别方法及装置
CN110288032B (zh) 一种车辆行驶轨迹类型检测方法及装置
CN111343147B (zh) 一种基于深度学习的网络攻击检测装置及方法
CN110261116A (zh) 一种轴承故障检测方法及装置
CN117078490B (zh) 基于多项因素进行同步分析的城市小微水体风险评估方法
CN111506598A (zh) 基于小样本自学习故障迁移的故障判别方法、系统、装置
CN111860446A (zh) 一种卫星遥测时序数据未知模式的检测系统与方法
CN106404441A (zh) 一种基于非线性相似度指标的故障分类诊断方法
CN115169504B (zh) 一种煤气精脱硫工艺中的设备异常识别方法
CN108334943A (zh) 基于主动学习神经网络模型的工业过程半监督软测量建模方法
CN111208793A (zh) 基于慢特征分析的非平稳工业过程的状态监测方法
CN112113755A (zh) 一种基于深度卷积-峭度神经网络的机械故障智能诊断方法
CN110852364A (zh) 矿井突水水源识别方法、装置与电子设备
Salim et al. Time series prediction on college graduation using kNN algorithm
CN115659195A (zh) 一种大气污染在线识别方法
CN116383727A (zh) 一种电厂系统测量粗大误差识别方法、系统、设备及介质
CN113705715B (zh) 一种基于lstm和多尺度fcn的时间序列分类方法
CN113705092B (zh) 基于机器学习的疾病预测方法及装置

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