一种基于燃气流量检测深度学习的异常处理方法技术

本发明专利技术提供一种基于燃气流量检测深度学习的异常处理方法，涉及燃气检测技术领域，包括如下步骤：步骤S1：获取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；步骤S2：对历史故障点进行标记与比对，得到故障波动值；步骤S3：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：对异常检测模型进行通过率判定，不断更新异常检测模型；本发明专利技术通过对居民燃气流量进行实时检测，以解决现有技术中燃气检测不够及时，检测结果的实效性不高导致检测结果参考意义不大的问题。题。题。

【技术实现步骤摘要】
一种基于燃气流量检测深度学习的异常处理方法


[0001]本专利技术涉及燃气检测
，尤其涉及一种基于燃气流量检测深度学习的异常处理方法。

技术介绍

[0002]燃气是气体燃料的总称，它能燃烧而放出热量，供居民和工业企业使用。燃气的种类很多，主要有天然气、人工燃气、液化石油气和沼气、煤制气；由于管道老化、燃气灶经常使用，可能会造成燃气泄漏等情况，存在一定安全隐患；现有技术中，有以下几种方式对燃气泄漏进行检测：浓度检测报警、红外检测报警、压力检测报警和通过燃气公司指派检查人员上门检查，上述几种方法存在灵敏度低、检测结果不及时等问题。

技术实现思路

[0003]本专利技术旨在至少在一定程度上解决现有技术中的技术问题之一，本专利技术目的是提供一种基于燃气流量检测深度学习的异常处理方法，通过对历史正常燃气流量数据进行分析，得到正常波动区间，并实时更新正常波动区间，建立异常检测模型，对居民燃气流量进行实时检测，以解决现有技术中燃气检测不够及时，检测结果的实效性不高导致检测结果参考意义不大的问题。
[0004]为了实现上述目的，本专利技术是通过如下的技术方案来实现：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。
[0005]进一步地，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。
[0006]进一步地，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，判定为泄露故障并记录时间点，设置为泄露故障时间点；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：将泄露故障时间点与水温故障时间点绘制成燃气故障图。
[0007]进一步地，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露故障时间点和水温故障时间点，将泄露故障时间点和水温故障时间点设置为历史故障点，当泄露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。
[0008]进一步地，所述步骤S3包括如下子步骤：步骤S301：设置第一记录时段、第二记录时段和第三记录时段，所述第一记录时段、第二记录时段和第三记录时段互相独立，记录一天内的第一记录时段、第二记录时段和第三记录时段内的用户用气量，求得第一记录时段用户用气量与第一时段时长的比值，设为第一记录时段单位流量值，求得第二记录时段用户用气量与第二时段时长的比值，设为第二记录时段单位流量值，求得第三记录时段用户用气量与第三时段时长的比值，设为第三记录时段单位流量值；求得第一记录时段单位流量值、第二记录时段单位流量值和第三记录时段单位流量值的平均值，设置为基准流量值Ln，n为常数；步骤S302：设置第一采集时长，在一天内，每间隔第一采集时长获取一次用户用气量，设置为采集用气量，获取采集用气量与第一采集时长的比值，设置为采集单位流量值；步骤S303：将采集单位流量值代入正常波动幅度计算公式中，得到一天内的正常波动幅度；其中，F
m
为一天内的正常波动幅度，L
n
为基准流量值，L
m
为采集单位流量值，n，m均为常数；步骤S304：计算连续n天的正常波动幅度F
m
，并获取连续第一天数中所有正常波动幅度的最大值F
max
和最小值F
min
；
步骤S305：通过公式计算得到连续n天的正常基准值；其中，Y为正常基准值，L
n
为基准流量值；步骤S306：根据正常基准值Y、正常波动幅度的最大值F
max
和最小值F
min
计算得到正常波动区间为M[Y
×
F
min
，Y
×
F
max
]；步骤S307：每间隔第一更新时长，对正常波动区间进行监测和更新。
[0009]进一步地，所述步骤S307包括如下子步骤：步骤S30701：选取第一更新时长内的连续第一天数，重复步骤S301至步骤S303，得到旧数据，所述旧数据包括第一更新时长内的连续第一天数的基准流量值L
n
和正常波动幅度F
m
；步骤S30702：选取第一更新时长后的连续第一天数，重复步骤S301至步骤S303，得到新数据，所述新数据包括第一更新时长后的连续第一天数的基准流量值L
n
和正常波动幅度F
m
；步骤S30703：对新数据和旧数据重新进行步骤S304至步骤S306，得到更新后的正常波动区间。
[0010]进一步地，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，所述燃本文档来自技高网...

【技术保护点】

【技术特征摘要】
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。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，判定为泄露故障并记录时间点，设置为泄露故障时间点；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：将泄露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露故障时间点和水温故障时间点，将泄露故障时间点和水温故障时间点设置为历史故障点，当泄露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。5.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S3包括如下子步骤：步骤S301：设置第一记录时段、第二记录时段和第三记录时段，所述第一记录时段、第二记录时段和第三记录时段互相独立，记录一天内的第一记录时段、第二记录时段和第三记录时段内的用户用气量，求得第一记录时段用户用气量与第一时段时长的比值，设为第一记录时段单位流量值，求得第二记录时段用户用气量与第二时段时长的比值，设为第二记录时段单位流量值，求得第三记录时段用户用气量与第三时...

【专利技术属性】
技术研发人员：梁永超，范纾羽，李奇源，叶丽君，
申请(专利权)人：天津新科成套仪表有限公司，
类型：发明
国别省市：