一种基于分类算法的监测对象工况分析方法和系统技术方案

本发明专利技术公开了一种基于分类算法的监测对象工况分析方法和系统，方法包括：获取历史监测数据的特征向量；设置分类模型参数，根据历史监测数据的特征向量作为输入值和经数值序列化的工况信息作为输出值，结合分类模型参数构建分类模型；获取实时监测数据的特征向量，并将实时监测数据的特征向量导入分类模型中，得到当前识别运行工况的信息。通过实施本发明专利技术，能快速判断设备所处工况，实现了对设备状态在线智能检测，提高了设备预警的敏感度和准确度，并且解决了因业务逻辑复杂，涉及多层数据变换处理，无法直接应用的问题。无法直接应用的问题。无法直接应用的问题。

【技术实现步骤摘要】
一种基于分类算法的监测对象工况分析方法和系统


[0001]本专利技术涉及计算机软件开发
，尤其涉及一种基于分类算法的监测对象工况分析方法和系统。

技术介绍

[0002]在核电站中，因为核电站的工艺系统较多，设备复杂，在设备运行期间，经常会因系统或设备本身故障，导致设备停止运行。而设备在线监测数据测点可达到上万个，如何同时实现对如此大量参数的实时监控，实时评估设备运行工况，发现设备早期异常，是一件极为耗费人员精力的事情。
[0003]目前传统的在线监测技术多基于报警的方式，对各个关键参数设置有独立的预警和报警值，当触发预警和报警值时做出相应的行动，改善设备状态，但是实践过程中发现报警阈值的设定存在很大的矛盾，若阈值过大则容易漏报，或者当设备触发阈值报警时已经度过故障发展期，此时设备缺陷已经形成，造成巨大的经济损失和安全风险；而当阈值过小时则容易触发误报警，因为不同工况设备参数往往不同，所以较小的阈值虽然敏感但是因为报警太多，反而失去了监测的意义。传统的监测技术难以实时判断设备运行的工况情况，即难以对设备的状态进行在线智能检测，

技术实现思路

[0004]本专利技术要解决的技术问题在于，针对现上述
技术介绍
中提及的相关技术存在的至少一个缺陷：通过对设备运行时的测点监测数据，判断设备运行的工况情况，实现了对设备状态在线智能检测，提供一种基于分类算法的监测对象工况分析方法和系统。
[0005]本专利技术解决其技术问题所采用的技术方案是：提供一种基于分类算法的监测对象工况分析方法，包括以下步骤：
[0006]S10：获取历史监测数据的特征向量；
[0007]S20：设置分类模型参数，根据所述历史监测数据的特征向量作为输入值和经数值序列化的工况信息作为输出值，结合所述分类模型参数构建分类模型；
[0008]S30：获取实时监测数据的特征向量，并将所述实时监测数据的特征向量导入所述分类模型中，得到当前识别运行工况的信息。
[0009]优选地，在本专利技术所述的基于分类算法的监测对象工况分析方法中，步骤S10包括：
[0010]S101：获取历史监测数据，对所述历史监测数据的测点进行异常数据处理；
[0011]S102：将完成异常数据处理的测点进行归一化处理；
[0012]S103：将完成归一化处理的测点进行时序特征提取，并将所述时序特征提取的结果组合形成二维的特征向量。
[0013]优选地，在本专利技术所述的基于分类算法的监测对象工况分析方法中，所述步骤S103中，将所述测点的特征提取完成后，以所述时序特征为横向、所述测点为竖向，组合形
成所述二维的特征向量。
[0014]优选地，在本专利技术所述的基于分类算法的监测对象工况分析方法中，步骤S20包括：
[0015]采用BP神经网络算法进行分类模型训练，通过确定分析BP神经网络的层数和神经元数量，结合修正的BP神经网络参数，生成所述分类模型。
[0016]优选地，在本专利技术所述的基于分类算法的监测对象工况分析方法中，所述结合修正的BP神经网络参数，生成所述分类模型，包括：
[0017]设置学习率范围和学习率增减步长，使训练误差收敛到预设限值，根据所述学习率增减步长调整所述学习率，分别获得对应的训练模型，所述训练模型分别有不同的分类准确率，选取所述分类准确率最高的所述训练模型作为最终的所述分类模型。
[0018]本专利技术还构造了一种基于分类算法的监测对象工况分析系统，包括：
[0019]数据生成模块，用于获取历史监测数据的特征向量；
[0020]建模模块，用于设置分类模型参数，根据所述历史监测数据的特征向量作为输入值和经数值序列化的工况信息作为输出值，结合所述分类模型参数构建分类模型；
[0021]分析模块，用于获取实时监测数据的特征向量，并将所述实时监测数据的特征向量导入所述分类模型中，得到当前识别运行工况的信息。
[0022]优选地，在本专利技术所述的基于分类算法的监测对象工况分析系统中，所述数据生成模块包括：
[0023]异常数据处理单元，用于获取历史监测数据，对所述历史监测数据的测点进行异常数据处理；
[0024]归一化处理单元，用于将完成异常数据处理的测点进行归一化处理；
[0025]特征向量生成单元，用于将完成归一化处理的测点进行时序特征提取，并将所述时序特征提取的结果组合形成二维的特征向量。
[0026]优选地，在本专利技术所述的基于分类算法的监测对象工况分析系统中，所述特征向量生成单元中，将所述测点的特征提取完成后，以所述时序特征为横向、所述测点为竖向，组合形成所述二维的特征向量。
[0027]优选地，在本专利技术所述的基于分类算法的监测对象工况分析系统中，所述建模模块进一步用于：
[0028]采用BP神经网络算法进行分类模型训练，通过确定分析BP神经网络的层数和神经元数量，结合修正的BP神经网络参数，生成所述分类模型。
[0029]优选地，在本专利技术所述的基于分类算法的监测对象工况分析系统中，所述结合修正的BP神经网络参数，生成所述分类模型，包括：
[0030]设置学习率范围和学习率增减步长，使训练误差收敛到预设限值，根据所述学习率增减步长调整所述学习率，分别获得对应的训练模型，所述训练模型分别有不同的分类准确率，选取所述分类准确率最高的所述训练模型作为最终的所述分类模型。
[0031]通过实施本专利技术，具有以下有益效果：
[0032]本专利技术公开了一种基于分类算法的监测对象工况分析方法和系统，通过对数据处理获得历史监测数据的特征向量，经过标注形成训练样本，并通过设置分类模型参数，训练出设备工况分类模型，输入实时获得的检测数据的特征向量，得到实时的工况信息。基于监
测对象的实时测点数据，能快速判断设备所处工况，实现了对设备状态在线智能检测，提高了设备预警的敏感度和准确度，并且解决了因业务逻辑复杂，涉及多层数据变换处理，无法直接应用的问题。
附图说明
[0033]下面将结合附图及实施例对本专利技术作进一步说明，附图中：
[0034]图1是本专利技术基于分类算法的监测对象工况分析方法的流程示意图；
[0035]图2是本专利技术正态分布概率图；
[0036]图3是本专利技术特征提取分析图；
[0037]图4是本专利技术分类模型训练流程图；
[0038]图5是本专利技术工况分析流程图；
[0039]图6是本专利技术基于分类算法的监测对象工况分析系统的模块框图。
具体实施方式
[0040]为了对本专利技术的技术特征、目的和效果有更加清楚的理解，现对照附图详细说明本专利技术的具体实施方式。
[0041]需要说明的是，附图中所示的流程图仅是示例性说明，不是必须包括所有的内容和操作/步骤，也不是必须按所描述的顺序执行。例如，有的操作/步骤还可以分解，而有的操作/步骤可以合并或部分合并，因此实际执行的顺序有可能根据实际情况改变。
[004本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于分类算法的监测对象工况分析方法，其特征在于，包括以下步骤：S10：获取历史监测数据的特征向量；S20：设置分类模型参数，根据所述历史监测数据的特征向量作为输入值和经数值序列化的工况信息作为输出值，结合所述分类模型参数构建分类模型；S30：获取实时监测数据的特征向量，并将所述实时监测数据的特征向量导入所述分类模型中，得到当前识别运行工况的信息。2.根据权利要求1所述的基于分类算法的监测对象工况分析方法，其特征在于，步骤S10包括：S101：获取历史监测数据，对所述历史监测数据的测点进行异常数据处理；S102：将完成异常数据处理的测点进行归一化处理；S103：将完成归一化处理的测点进行时序特征提取，并将所述时序特征提取的结果组合形成二维的特征向量。3.根据权利要求2所述的基于分类算法的监测对象工况分析方法，其特征在于，所述步骤S103中，将所述测点的特征提取完成后，以所述时序特征为横向、所述测点为竖向，组合形成所述二维的特征向量。4.根据权利要求1所述的基于分类算法的监测对象工况分析方法，其特征在于，步骤S20包括：采用BP神经网络算法进行分类模型训练，通过确定分析BP神经网络的层数和神经元数量，结合修正的BP神经网络参数，生成所述分类模型。5.根据权利要求4所述的基于分类算法的监测对象工况分析方法，其特征在于，所述结合修正的BP神经网络参数，生成所述分类模型，包括：设置学习率范围和学习率增减步长，使训练误差收敛到预设限值，根据所述学习率增减步长调整所述学习率，分别获得对应的训练模型，所述训练模型分别有不同的分类准确率，选取所述分类准确率最高的所述训练模型作为最终的所述分类模型。6.一种基于分类算法的监测对象工况分析系统，其特...

【专利技术属性】
技术研发人员：石子念，张福全，贺君，张峥，肖超，
申请(专利权)人：中广核智能科技深圳有限责任公司，
类型：发明
国别省市：