一种基于机器学习的化工园区预警方法及装置制造方法及图纸

本发明专利技术公开了一种基于机器学习的化工园区预警方法及装置，通过获取目标地点的各历史传感器数据，然后按照预警状态对历史传感器数据进行分类，最后将分类好的数据分别输入至预先建立的数学模型中进行训练以得到预测模型。由于各历史传感器数据是真实的，且均有对应的预警状态，此外，该模型中并不是对某一个单独的数据进行训练，因此，能够更好的体现各历史传感器数据之间的关联性，使得预警模型的准确性更高。在得到预测模型后，将实时数据输入至预测模型，则得到的预测结果的准确性更高。另外，该方法计算过程较为简单，也无需人工计算，节约了人力成本。

A method and device for early warning of chemical industrial parks based on machine learning

The invention discloses an early warning method and device for the chemical industry park based on machine learning. By obtaining the data of each historical sensor in the target location, then classifying the historical sensor data according to the early warning state, and finally training the classified data into the pre established mathematical model to get the prediction. Model. Since the data of all historical sensors are real and have corresponding early warning state, in addition, the model does not train a single data. Therefore, it can better reflect the correlation between the data of each historical sensor, which makes the early warning model more accurate. After obtaining the prediction model, the real-time data is input to the prediction model, and the prediction results are more accurate. In addition, the method is simple and does not need manual calculation, so it saves manpower cost.

【技术实现步骤摘要】
一种基于机器学习的化工园区预警方法及装置
本专利技术涉及机器学习
，特别是涉及一种基于机器学习的化工园区预警方法及装置。
技术介绍
为了实现智能预警，当前化工园区大多安装了大量的传感器设备，如液位传感器、压力传感器、温度传感器、烟雾传感器等等，通过对这些传感器采集到的数据与阈值进行比较从而确定是否进行事故预警。现有的方式，虽然能够实现事故预警，但是事故发生的原因往往包含许多因素，是难以通过一个阈值来进行判断，而且阈值也是根据人的经验来设置的，阈值设置的过高则不能及时对即将发生的事故进行预警；设置的过低又会带来错误的预警，一旦错误预警的频率多了，会降低监测人员的防范意识，也会导致真正的事故到来时不能及时做好应急措施。由此可见，如何提供一种准确的预警方法是本领域技术人员亟待解决的问题。
技术实现思路
本专利技术的目的是提供一种基于机器学习的化工园区预警方法及装置，该方法及装置能够有效提高预警的准确性。为解决上述技术问题，本专利技术提供一种基于机器学习的化工园区预警方法，包括：获取目标地点的各历史传感器数据；按照预警状态对所述历史传感器数据进行分类；将各所述预警状态对应的所述历史传感器数据分别作为训练样本输入至预先建立的数学模型中进行训练以得到预测模型；接收所述目标地点的各传感器采集的实时数据，并将所述实时数据输入至所述预测模型中，并得到预测结果。优选地，所述预警状态具体包括正常情况、正确预警和错误预警。优选地，还包括对所述预警状态赋予预警分类标签，则对应的所述预测结果为对应的预警分类标签。优选地，所述数学模型具体为随机森林。优选地，在获取到所述历史传感器数据后还包括：对所述历史传感器数据进行数据处理；其中，所述数据处理包括补值处理、归一化处理或离散化处理。优选地，所述随机森林中的决策树的数量不少于3棵。优选地，所述训练样本的选取方式具体为随机有放回的抽取方式。为解决上述技术问题，本专利技术还提供一种基于机器学习的化工园区预警装置，包括：获取单元，用于获取目标地点的各历史传感器数据；分类单元，用于按照预警状态对所述历史传感器数据进行分类；训练单元，用于将各所述预警状态对应的所述历史传感器数据分别作为训练样本输入至预先建立的数学模型中进行训练以得到预测模型；预测单元，用于接收所述目标地点的各传感器采集的实时数据，并将所述实时数据输入至所述预测模型中，并得到预测结果。优选地，所述预警状态具体包括正常情况、正确预警和错误预警。优选地，还包括：标签分类单元，用于对所述预警状态赋予预警分类标签，则对应的所述预测结果为对应的预警分类标签。本专利技术所提供的基于机器学习的化工园区预警方法，通过获取目标地点的各历史传感器数据，然后按照预警状态对历史传感器数据进行分类，最后将分类好的数据分别输入至预先建立的数学模型中进行训练以得到预测模型。由于各历史传感器数据是真实的，且均有对应的预警状态，此外，该模型中并不是对某一个单独的数据进行训练，因此，能够更好的体现各历史传感器数据之间的关联性，使得预警模型的准确性更高。在得到预测模型后，将实时数据输入至预测模型，则得到的预测结果的准确性更高。另外，该方法计算过程较为简单，也无需人工计算，节约了人力成本。本专利技术还提供一种与上述方法对应的装置，效果如上所述。附图说明为了更清楚地说明本专利技术实施例，下面将对实施例中所需要使用的附图做简单的介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，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他的附图。图1为本专利技术实施例提供的一种基于机器学习的化工园区预警方法的流程图；图2为本专利技术实施例提供的另一种基于机器学习的化工园区预警方法的流程图；图3为本专利技术实施例提供的一种基于机器学习的化工园区预警装置的结构图。具体实施方式下面将结合本专利技术实施例中的附图，对本专利技术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专利技术一部分实施例，而不是全部实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下，所获得的所有其他实施例，都属于本专利技术保护范围。本专利技术的核心是提供一种基于机器学习的化工园区预警方法及装置，该方法及装置能够有效提高预警的准确性。为了使本
的人员更好地理解本专利技术方案，下面结合附图和具体实施方式对本专利技术作进一步的详细说明。图1为本专利技术实施例提供的一种基于机器学习的化工园区预警方法的流程图。如图1所示，该方法包括：S10：获取目标地点的各历史传感器数据。S11：按照预警状态对历史传感器数据进行分类。S12：将各预警状态对应的历史传感器数据分别作为训练样本输入至预先建立的数学模型中进行训练以得到预测模型。S13：接收目标地点的各传感器采集的实时数据，并将实时数据输入至预测模型中，并得到预测结果。对于步骤S10-S12来说，需要预先实施，历史传感器数据主要来源于目标地点以往的传感器数据，当然也可以添加人工经验得到的数据。本专利技术中提到的传感器类型不作限定，可以为液位传感器、压力传感器、温度传感器、烟雾传感器等。作为优选地实施方式，预警状态具体包括正常情况、正确预警和错误预警。对应的步骤S11中就是按照正常情况、正确预警和错误预警这三种类型对历史传感器数据进行分类。为了更加清楚表明，可以采用表1的方式进行说明。表1在表1中，ti表示第i时刻，Xij表示第i时刻第j个传感器采集到数据，可以理解的是，在预警时，各传感器之间通常是有关联性，而这一关联性是不确定的，例如传感器1、传感器2、传感器7是一种关联的情况，当这三个传感器的数据为某种数值时，则表示出现险情，即正确预警。以上是举例说明历史传感器数据不同的组合所反映出的预警状态，由于历史传感器数据是真实的，且对应的预警状态也是实际值，因此，通过对大量的历史传感器数据进行机器学习能够得到预测模型。具体的，本专利技术中的机器学习类型可以为多种类型，但是考虑到正负样本(历史传感器数据中所对应的结果大多是正常情况，而正确预警和错误预警的情况比较少)不均衡的原因，优选地一种实施方式是采用随机森林法。当然除了随机森林法还可以采用代价敏感法、人工加入先验知识等方面缓解这一问题，本专利技术不再赘述。通过对正常情况、正确预警和错误预警这三种状态下对应的历史传感器数据进行训练即可得到预测模型。为了提高预测模型的准确性，一种实施方式是，尽量扩大历史传感器数据的数量，另一种实施方式是，对所得到的传感器数据进行筛选、当然本专利技术中采用对历史传感器数据进行数据处理，具体下文描述。待预测模型得到后，即可实现对实时数据进行预测，即将传感器采集到的数据输入至预测模型中，从而得到对应的预测结果。该预测结果即可作为判断当前目标地点是否需要预警的依据。在具体实施中，如果预测结果表征需要预警，则可以输出预警信号至相应的报警设备，例如指示灯，扬声器等进行报警提示。本实施例提供的基于机器学习的化工园区预警方法，通过获取目标地点的各历史传感器数据，然后按照预警状态对历史传感器数据进行分类，最后将分类好的数据分别输入至预先建立的数学模型中进行训练以得到预测模型。由于各历史传感器数据是真实的，且均有对应的预警状态，此外，该模型中并不是对某一个单独的数据进行训练，因此，能够更好的体现各历史传感器数据本文档来自技高网...

【技术保护点】
1.一种基于机器学习的化工园区预警方法，其特征在于，包括：获取目标地点的各历史传感器数据；按照预警状态对所述历史传感器数据进行分类；将各所述预警状态对应的所述历史传感器数据分别作为训练样本输入至预先建立的数学模型中进行训练以得到预测模型；接收所述目标地点的各传感器采集的实时数据，并将所述实时数据输入至所述预测模型中，并得到预测结果。

【技术特征摘要】
1.一种基于机器学习的化工园区预警方法，其特征在于，包括：获取目标地点的各历史传感器数据；按照预警状态对所述历史传感器数据进行分类；将各所述预警状态对应的所述历史传感器数据分别作为训练样本输入至预先建立的数学模型中进行训练以得到预测模型；接收所述目标地点的各传感器采集的实时数据，并将所述实时数据输入至所述预测模型中，并得到预测结果。2.根据权利要求1所述的基于机器学习的化工园区预警方法，其特征在于，所述预警状态具体包括正常情况、正确预警和错误预警。3.根据权利要求2所述的基于机器学习的化工园区预警方法，其特征在于，还包括对所述预警状态赋予预警分类标签，则对应的所述预测结果为对应的预警分类标签。4.根据权利要求1-3任意一项所述的基于机器学习的化工园区预警方法，其特征在于，所述数学模型具体为随机森林。5.根据权利要求4所述的基于机器学习的化工园区预警方法，其特征在于，在获取到所述历史传感器数据后还包括：对所述历史传感器数据进行数据处理；其中，所述数据处理包括补值处理、归一化处理或离散化处理。...

【专利技术属性】
技术研发人员：王斌，来亦子，林雅敏，朱晓虹，叶大金，徐进，张保敏，
申请(专利权)人：浙江图讯科技股份有限公司，
类型：发明
国别省市：浙江,33