【技术实现步骤摘要】
面向噪声标签场景的步进式鲁棒半监督燃机异常检测方法及系统
[0001]本专利技术公开一种面向噪声标签场景的步进式鲁棒半监督燃机异常检测方法及系统。本专利技术属于工业异常检测领域,特别是针对标签数量稀缺、标签存在噪声的工业过程数据的异常检测。
技术介绍
[0002]燃机发电机组是一种典型的大型工业设备,其往往具有规模庞大、人工巡检困难、运行负荷变化频繁等特点。随着现代工业加速向高端化、复杂化和智能化方向转变,实现燃机发电机组的高效运维变得更加困难。异常检测是燃机运维中的一项重要任务,具体包括评估燃机运行过程的状态,以及确定燃气轮机、汽轮机、发电机等设备是否存在异常。可靠的异常检测对确保燃机发电过程的安全性具有重要意义。因此,如何在燃机发电机组运行过程中对其实现及时、准确的异常检测,一直是技术人员研究的热点。
[0003]随着物联网(Internet of Things,IoT)技术和人工智能(Artificial Intelligence,AI)的兴起,人们可以方便地存储大量的工业过程数据,从这些数据中探索更有效的信息,并最终理解工业过程的潜在运行规则。在过去的三十年里,许多模式识别方法已被应用于工业过程中的异常检测任务,并取得了令人满意的结果。现有的基于模式识别的异常检测方法大多使用一些监督学习算法来建立分类模型,利用这些分类模型,可以从工业过程样本和标签中提取指示潜在操作行为的有效信息,最终完成异常识别。然而,上述方法需要大量有标签样本作为支持,这在实际应用中具有明显的局限性。在实际的燃机运行过程中,获得未 ...
【技术保护点】
【技术特征摘要】
1.一种面向噪声标签场景的步进式鲁棒半监督燃机异常检测方法,其特征在于,获取燃机运行数据,将燃机运行数据输入至训练好的互补式鲁棒基分类器获得异常检测结果;其中所述互补式鲁棒基分类器通过如下步骤训练获得:步骤1:基于收集的燃机运行数据构建训练集,所述训练集包括有标签训练集和无标签训练集;步骤2:构建互补式鲁棒基分类器,所述互补式鲁棒基分类器模型包括并行的反正切支持向量机模型和平均绝对误差神经网络模型;所述反正切支持向量机模型训练时采用的损失函数为:其中,w1和b1表示反正切支持向量机模型需要优化的参数,ξ表示惩罚系数,|L|表示有标签样本的数量,||
·
||2表示二范数的平方,为第i个有标签样本的标签,为第i个有标签样本的燃机运行数据;所述平均绝对误差神经网络模型训练时采用的损失函数为平均绝对误差;利用有标签训练集对互补式鲁棒基分类器进行训练,获得第一互补式鲁棒基分类器;步骤3:利用第一互补式鲁棒基分类器对有标签训练集每一样本进行预测,依据预测结果的风险评价值判断对应样本是否为噪声标签,滤除噪声标签的样本;利用去除噪声后的有标签训练集重新训练互补式鲁棒基分类器获得第二互补式鲁棒基分类器;步骤4:随机选取无标签训练集中的样本构成无标签子集,利用第二互补式鲁棒基分类器对无标签子集每一样本进行预测获得相应的伪标签,依据伪标签的置信度进行排序,选取其中置信度最大的一个或多个样本从无标签训练集中删除并与对应的伪标签构成有标签样本加入至有标签训练集;按照步骤2
‑
4交替执行互补式噪声标签滤除和自适应数据补充,直至达到设定的轮数T获得最终训练好的互补式鲁棒基分类器。2.根据权利要求1所述的方法,其特征在于,所述收集的燃机运行数据为标准化后的燃机运行数据。3.根据权利要求1所述的方法,其特征在于,所述步骤3中,利用第一互补式鲁棒基分类器对有标签训练集每一样本进行预测,依据预测结果的风险评价值判断对应样本是否为噪声标签,滤除噪声标签的样本,具体为:利用第一互补式鲁棒基分类器对有标签训练集每一样本进行预测,并计算预测结果的风险评价值;其中基于反正切支持向量机模型计算的预测结果的风险评价值为反正切支持向量机模型对应于每一样本的预测标签与该样本携带的标签乘积的负值;基于平均绝对误差神经网络模型计算的预测结果的风险评价值为平均绝对误差神经网络模型对应于每一样本的预测标签线性变换并映射到[
‑
1,1]区间后与该样本携带的标签差值的绝对值;根据预测结果的风险评价值,将所有的有标签样本划分成4个类别,包括:安全样本L
c
:基于反正切支持向量机模型计算的预测结果的风险评价值未超过第一阈值μ1,且基于平均绝对误差神经网络模型计算的预测结果的风险评价值未超过第二阈值μ2的样本;
一类风险样本L
d1
:基于反正切支持向量机模型计算的预测结果的风险评价值超过...
【专利技术属性】
技术研发人员:叶建君,沈晓兵,车斌,滕昊真,孙健,张铁汉,赵春晖,杨佳阳,陈旭,宋鹏宇,
申请(专利权)人:浙江大学,
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。