【技术实现步骤摘要】
基于无监督学习和GAN网络的计量表检测方法及系统
[0001]本专利技术涉及计量表检测
,尤其涉及一种基于无监督学习和GAN网络的计量表检测方法及系统。
技术介绍
[0002]随着科学技术的进步和社会的发展,企业和科研机构在各个领域积累的数据越来越多,数据量增长的速度也越来越快。近年来,许多燃气公司都加快了计量表的信息化进程,其中燃气计量表是沟通企业和用户的桥梁,其准确与否关系着燃气公司的供销管理,对燃气公司下一年的购气指标具有指导作用,同时燃气计量表能够及时反应下游用户对燃气的使用情况,并可以及时检测用户是否存在异常使用燃气行为,为燃气公司挽回损失。因此,如何对计量表进行精准检测,以确保计量表的可靠运行和精准计量,是目前业界亟待解决的重要课题。
[0003]现有技术中,通常采用人工进行定期计量巡检或针对重点用户采用现场复测的方式对计量表进行检测,且在维护过程中需要根据人工经验决策计量表是否发生异常。
[0004]由于计量表的数量较多,采用人工进行检测时,需要针对每一计量表进行一一检测,不仅需要大量的人力物力,效率低下,且检测的准确性受人工经验影响较大,准确性差。
技术实现思路
[0005]本专利技术提供一种基于无监督学习和GAN网络的计量表检测方法及系统,用以解决现有技术中人工进行检测时,需要大量的人力物力,效率低下,且检测准确性差的缺陷,实现自动对计量表进行实时精准地检测。
[0006]本专利技术提供一种基于无监督学习和GAN网络的计量表检测方法,包括:
[0 ...
【技术保护点】
【技术特征摘要】
1.一种基于无监督学习和GAN网络的计量表检测方法,其特征在于,包括:获取目标计量表的当前运行参数;将所述当前运行参数输入至GAN网络的生成器,获取所述生成器重构的目标模拟运行参数和重构损失;将所述当前运行参数和所述目标模拟运行参数输入至所述GAN网络的鉴别器,获取所述鉴别器的对抗学习损失;根据所述重构损失和所述对抗学习损失,获取所述目标计量表的当前异常程度,根据所述当前异常程度,对所述目标计量表的当前运行状态进行检测;所述当前运行状态包括正常运行或异常运行;其中,所述GAN网络是基于训练数据集中正常运行的样本计量表的历史运行参数,进行无监督学习训练得到的。2.根据权利要求1所述的基于无监督学习和GAN网络的计量表检测方法,其特征在于,所述根据所述重构损失和所述对抗学习损失,获取所述目标计量表的当前异常程度,包括:将所述重构损失和所述对抗学习损失进行加权相加,获取所述目标计量表的当前异常评分;对所述当前异常评分进行归一化处理,根据归一化处理结果,获取所述当前异常程度。3.根据权利要求1所述的基于无监督学习和GAN网络的计量表检测方法,其特征在于,所述生成器包括编码器和解码器;所述将所述当前运行参数输入至GAN网络的生成器,获取所述生成器重构的目标模拟运行参数,包括:将所述当前运行参数输入至所述编码器,获取所述编码器输出的多个不同尺度的编码特征;将所述多个不同尺度的编码特征输入至所述解码器,获取所述解码器输出的所述目标模拟运行参数。4.根据权利要求3所述的基于无监督学习和GAN网络的计量表检测方法,其特征在于,所述编码器包含多个堆叠的编码单元,每一编码单元包括卷积层、残差层和注意力层;所述将所述当前运行参数输入至所述编码器,获取所述编码器输出的多个不同尺度的编码特征,包括:对于每一编码单元执行如下步骤:根据所述当前运行参数或当前编码单元的上一编码单元的输出结果,确定输入信息;将所述输入信息输入至所述当前编码单元的卷积层,得到所述目标计量表的第一特征向量;将所述第一特征向量输入至所述当前编码单元的残差层,得到所述目标计量表的第二特征向量;将所述第二特征向量输入至所述当前编码单元的注意力层,得到所述编码特征。5.根据权利要求3所述的基于无监督学习和GAN网络的计量表检测方法,其特征在于,所述解码器包含多个堆叠的解码单元,每一解码单元包括卷积层和注意力层;每一解码单元与所述编码器中的每一编码单元一一对应;所述将所述多个不同尺度的编码特征输入至所述解码器,获取所述解码器输出的所述
目标模拟运行参数,包括:对于每一解码单元执行如下步骤:将当前解码单元对应的编码单元输出的编码特征输入至所述当前解码单元的注意力层,获取所述目标计量表的第三特征向量;将所述第三特征向量和所述当前解码单元的上一解码单元的输出结果输入至所述当前解码单元的的卷积层,获...
【专利技术属性】
技术研发人员:袁烨,金骏阳,郝伟光,张永,易郡博,
申请(专利权)人:元始智能科技南通有限公司,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。