一种基于卷积神经网络的热工数据分析方法技术

本发明专利技术涉及数据处理领域，具体涉及一种基于卷积神经网络的热工数据分析方法。该方法包括，将各热工数据的所有不同原因故障类别标注标签值后分为训练集和测试集；搭建卷积神经网络模型，将训练集输入至所述卷积神经网络模型进行正向传播以及反向传播来调整卷积神经网络模型的参数，得到训练好的卷积神经网络模型；将测试集输入至训练好的卷积神经网络模型中进行预测，并进行向前预测以及softmax运算，将概率值中的最大概率值作为最终预测值，且对测试集的准确率进行图形化。本发明专利技术通过建立卷积神经网络模型来对海量热工数据进行分析，从而不仅能达到在DCS系统发生故障时进行补充预警措施，而且能对热工数据进行更深一步的挖掘。掘。掘。

【技术实现步骤摘要】
一种基于卷积神经网络的热工数据分析方法


[0001]本专利技术涉及数据处理领域，具体涉及一种基于卷积神经网络的热工数据分析方法。

技术介绍

[0002]如今的火电厂虽然已经完成了相当程度的自动化，但对于整体来说自动化程度仍然达不到智慧电厂的程度，并且火电厂的设备时常处在高温高压等恶劣环境下，故其出现故障也在所难免。而火电厂的控制系统中常使用DCS系统进行监察与报警，DCS系统是通过收集现场级传感器检测出的火电厂机组运行产生的气压、温度等数据来形成热工数据图线，随后将运行的海量热工数据存入历史站中。但对于DCS系统来说其缺点也十分明显。以目前来看DCS系统对于热工数据的运用仅仅停留在处理单个数据上，这就导致其报警功能只能涵盖主要的数据，并且也只是通过逻辑图设定一个上下限报警功能，并不能对热工数据进行更深层次的挖掘。DCS系统有时会发生软件上的故障，未能及时采取行动进行预警，此时便极易产生事故造成停机乃至人员伤亡。

技术实现思路

[0003]本专利技术所要解决的技术问题是提供一种基于卷积神经网络的热工数据分析方法，通过建立卷积神经网络模型来对海量热工数据进行分析，从而不仅能达到在DCS系统发生故障时进行补充预警措施，而且能对热工数据进行更深一步的挖掘。
[0004]本专利技术解决上述技术问题的技术方案如下：一种基于卷积神经网络的热工数据分析方法，包括以下步骤；
[0005]S1，采集热工数据，并将各热工数据的所有不同原因故障类别标注标签值，且将标注有标签值的热工数据分为训练集和测试集；r/>[0006]S2，搭建卷积神经网络模型，将所述训练集中的热工数据输入至所述卷积神经网络模型进行正向传播，得到所述训练集中该热工数据的训练预测值；将所述训练集中该热工数据的训练预测值与标签值作差处理，得到所述训练集中该热工数据的训练损失值；使所述训练集中该热工数据的训练损失值在所述卷积神经网络模型中进行反向传播来调整所述卷积神经网络模型的参数，得到训练好的卷积神经网络模型；
[0007]S3，将所述测试集中的热工数据输入至训练好的卷积神经网络模型中进行预测，得到所述测试集中该热工数据的测试预测值；将所述测试集中该热工数据的测试预测值进行向前预测，得到所述测试集中该热工数据的所有不同原因故障类别的logit预测分数；对所述测试集中该热工数据的所有不同原因故障类别的logit预测分数作softmax运算，得到所述测试集中该热工数据的所有不同原因故障类别的概率值；将所述测试集中该热工数据的所有不同原因故障类别的概率值中的最大概率值作为所述测试集中该热工数据的最终预测值；根据所述测试集中该热工数据的标签值验证所述测试集中该热工数据的最终预测值是否准确，并根据所述测试集中热工数据的最终预测值准确的个数计算所述测试集的准
确率，且对所述测试集的准确率进行图形化。
[0008]在上述技术方案的基础上，本专利技术还可以做如下改进。
[0009]进一步，所述卷积神经网络模型包括用于升通道操作的第一点卷积层和第二点卷积层、用于减参操作的第一逐通道卷积层和第二逐通道卷积层、用于特征下采样并归一化操作的第一池化层和第二池化层、用于特征强化操作的通道注意力机制层以及用于特征识别操作的三层全连接层，所述三层全连接层的每层中均加入有激活函数；所述第一点卷积层、所述第一逐通道卷积层、所述第一池化层、所述第二点卷积层、所述第二逐通道卷积层、所述第二池化层、所述通道注意力机制层以及所述三层全连接层依次连接。
[0010]进一步，所述第一点卷积层以及所述第二点卷积层均为1
×
1的点卷积层；所述第一逐通道卷积层以及所述第二逐通道卷积层均为3
×
3的逐通道卷积层；所述第一池化层以及所述第二池化层均为2
×
2的池化层。
[0011]进一步，所述三层全连接层由输入层、隐含层和输出层依次连接构成；
[0012]在所述S2中，将所述训练集中的热工数据输入至所述卷积神经网络模型进行正向传播，得到所述训练集中该热工数据的训练预测值的具体过程为，
[0013]将所述训练集中的热工数据输入至所述卷积神经网络模型中，依次经过所述第一点卷积层、所述第一逐通道卷积层、所述第一池化层、所述第二点卷积层、所述第二逐通道卷积层、所述第二池化层以及所述通道注意力机制层进行第一次升通道操作、第一次减参操作、第一次特征下采样并归一化操作、第二次升通道操作、第二次减参操作、第二次特征下采样并归一化操作以及特征强化操作后，得到多个特征强化采样数据；
[0014]将多个所述特征强化采样数据作为所述输入层的输入值输入至所述输入层中进行运算，得到第一运算值，并将所述第一运算值作为所述输入层的输出值；
[0015]将所述第一运算值作为所述隐含层的输入值输入至所述隐含层中进行运算，得到第二运算值，并将所述第二运算值作为所述隐含层的输出值；
[0016]将所述第二运算值作为所述输出层的输入值输入至所述输出层中进行运算，得到第三运算值，并将所述第三运算值作为所述输出层的输出值；所述第三运算值即为所述训练集中该热工数据的训练预测值。
[0017]进一步，所述输入层、所述隐含层以及所述输出层均基于第一公式和第二公式进行运算；
[0018]所述第一公式为，
[0019][0020]具体的，X
i
为对应层的第i个输入值，W
i
为对应层的第i个输入值的权重，θ为对应层的偏移值，α为对应层的中间运算值；n为对应层的输入值的总个数；
[0021]所述第二公式为，
[0022]Y
i
＝f(α)；
[0023]具体的，f()为对应层的激活函数，Y
i
为对应层的第i个输出值，且对应层的输入值的总个数与输出值的总个数相等；
[0024]对应层具体指所述输入层或所述隐含层或所述输出层。
[0025]进一步，在所述S2中，调整所述卷积神经网络模型的参数，具体为调整所述权重和
所述偏移值。
[0026]进一步，所述S1具体为，
[0027]通过网络技术采集SIS系统中机组运行的热工数据，并将采集的热工数据写入excel表格中，且在excel表格中标注各热工数据的所有不同原因故障类别的标签值；将excel表格中标注有标签值的热工数据分为训练集和测试集。
[0028]进一步，通过软件spyder编程将标注有标签值的热工数据分为测试集与训练集，且测试集与训练集的热工数据比例为4：1。
[0029]进一步，在所述S3中，根据所述测试集中该热工数据的标签值验证所述测试集中该热工数据的最终预测值是否准确，并根据所述测试集中热工数据的最终预测值是准确的个数计算所述测试集的准确率，具体为，
[0030]将所述测试集中该热工数据的最终预测值与标签值进行对比，若所述测试集中该热工数据的最终预测值所对应的故障类别与所述测试集中该热工数据的标签值所对应的故障类别相匹配，则本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于卷积神经网络的热工数据分析方法，其特征在于：包括以下步骤；S1，采集热工数据，并将各热工数据的所有不同原因故障类别标注标签值，且将标注有标签值的热工数据分为训练集和测试集；S2，搭建卷积神经网络模型，将所述训练集中的热工数据输入至所述卷积神经网络模型进行正向传播，得到所述训练集中该热工数据的训练预测值；将所述训练集中该热工数据的训练预测值与标签值作差处理，得到所述训练集中该热工数据的训练损失值；使所述训练集中该热工数据的训练损失值在所述卷积神经网络模型中进行反向传播来调整所述卷积神经网络模型的参数，得到训练好的卷积神经网络模型；S3，将所述测试集中的热工数据输入至训练好的卷积神经网络模型中进行预测，得到所述测试集中该热工数据的测试预测值；将所述测试集中该热工数据的测试预测值进行向前预测，得到所述测试集中该热工数据的所有不同原因故障类别的logit预测分数；对所述测试集中该热工数据的所有不同原因故障类别的logit预测分数作softmax运算，得到所述测试集中该热工数据的所有不同原因故障类别的概率值；将所述测试集中该热工数据的所有不同原因故障类别的概率值中的最大概率值作为所述测试集中该热工数据的最终预测值；根据所述测试集中该热工数据的标签值验证所述测试集中该热工数据的最终预测值是否准确，并根据所述测试集中热工数据的最终预测值准确的个数计算所述测试集的准确率，且对所述测试集的准确率进行图形化。2.根据权利要求1所述的基于卷积神经网络的热工数据分析方法，其特征在于：所述卷积神经网络模型包括用于升通道操作的第一点卷积层和第二点卷积层、用于减参操作的第一逐通道卷积层和第二逐通道卷积层、用于特征下采样并归一化操作的第一池化层和第二池化层、用于特征强化操作的通道注意力机制层以及用于特征识别操作的三层全连接层，所述三层全连接层的每层中均加入有激活函数；所述第一点卷积层、所述第一逐通道卷积层、所述第一池化层、所述第二点卷积层、所述第二逐通道卷积层、所述第二池化层、所述通道注意力机制层以及所述三层全连接层依次连接。3.根据权利要求2所述的基于卷积神经网络的热工数据分析方法，其特征在于：所述第一点卷积层以及所述第二点卷积层均为1
×
1的点卷积层；所述第一逐通道卷积层以及所述第二逐通道卷积层均为3
×
3的逐通道卷积层；所述第一池化层以及所述第二池化层均为2
×
2的池化层。4.根据权利要求2所述的基于卷积神经网络的热工数据分析方法，其特征在于：所述三层全连接层由输入层、隐含层和输出层依次连接构成；在所述S2中，将所述训练集中的热工数据输入至所述卷积神经网络模型进行正向传播，得到所述训练集中该热工数据的训练预测值的具体过程为，将所述训练集中的热工数据输入至所述卷积神经网络模型中，依次经过所述第一点卷积层、所述第一逐通道卷积层、所述第一池化层、所述第二点卷积层、所述第二逐通道卷积层、所述第二池化层以及所述通道注意力机制层进行第一次升通道操作、第一次减参操作、第一次特征下采样并归一化...

【专利技术属性】
技术研发人员：吴彼，黄双佑，曾海波，王瑞卿，
申请(专利权)人：国电长源汉川第一发电有限公司，
类型：发明
国别省市：