一种数字能源空压站的数据分析系统及其方法技术方案

本发明专利技术涉及一种数字能源空压站的数据分析系统及其方法，属于空压站技术领域，包括以下步骤：采集数字能源空压站的设备运行状态数据

【技术实现步骤摘要】
一种数字能源空压站的数据分析系统及其方法


[0001]本专利技术属于空压站
，具体地，涉及一种数字能源空压站的数据分析系统及其方法
。

技术介绍

[0002]数字能源空压站是一种基于数字技术和控制的智能压缩空气设备集，将自然气体或空气等气体压缩至高压状态，从而提供空气供应，为各种工业或商业应用提供压缩空气
。
[0003]而数据分析可以实时了解空压站压缩空气的生产情况，通过检测压缩机的实时数据，可以及时发现问题从而及时解决问题，优化生产效率和能耗，同时，数据分析也可以统计生产历史数据，从而进行趋势分析和预测，对压缩空气生产的规划和管理提供支持
。
[0004]但现有技术中，由于空压站数据来源多样，数据的质量和准确性不够完善，存在测量误差
、
数据缺失和不一致的问题，导致数据分析结果的可靠性受到影响
。

技术实现思路

[0005]为解决上述
技术介绍
中存在的数据的质量和准确性不高的技术问题，本专利技术提供了一种数字能源空压站的数据分析方法，包括以下步骤：
[0006]采集数字能源空压站的设备运行状态数据
、
设备故障数据及空气质量数据；
[0007]对采集到的数据按照数据特点进行整理，针对缺失数据
、
重复数据采取数据填充及数据去重的方式，并对整理后的数据进行预处理；
[0008]确定分析目标，并对预处理后的数据进行特征分析提取，针对单批次空压站的生产数据，选用均值及方差的参数统计量，对预处理后的数据进行比较；
[0009]通过机器学习模型对比较后的数据自身的特征进行排序，使特征数据进行降维，并不断进行迭代选择目标数据特征，将数据特征作为输入建立分析模型，并进行模型训练与标准评估
。
[0010]进一步的，所述选择目标数据特征具体包括对数据特征进行过滤
、
封装或嵌入
。
[0011]进一步的，所述对数据特征进行过滤的具体过程为：
[0012]通过计算每个特征与目标变量的相关得分；
[0013]按得分以及特征排序方法进行排序；
[0014]选择与目标变相高度相关的特征为目标数据特征
。
[0015]进一步的，所述对数据特征进行封装的具体过程为：
[0016]特征子集生成：从原始特征集中生成不同的子集；
[0017]子集评估：对每个生成的子集，使用分类器进行训练并计算性能指标，并将性能指标作为评估指标，其中，计算性能指标包括准确率
、
精度和召回率；
[0018]特征选择：对子集的性能指标进行评估后，选择性能指标最优的子集作为最终特征集；
[0019]使用性能指标最优的子集输入至机器学习模型中，并进行训练，利用测试数据集
对训练后的机器学习模型进行评估
。
[0020]进一步的，所述对数据特征进行嵌入的具体过程为：
[0021]准备包含所以特征和目标变量的数据集；
[0022]使用神经网络机器学习模型，构建嵌入层，所述嵌入层将输入的特征进行转换和编码，并提取出特征的重要性；
[0023]根据嵌入层学习到的特征重要性，选择最高重要性的特征子集；
[0024]使用选定的特征子集进行机器学习模型训练，并使用测试数据集对机器学习模型进行评估
。
[0025]进一步的，所述通过机器学习模型对比较后的数据自身的特征进行排序，使特征数据进行降维，具体包括以下步骤：
[0026]对原始数据进行标准化处理，使得数据具有零均值和单位方差；
[0027]对标准化后的数据计算协同方差矩阵，所述协同方差矩阵描述数据之间的线性关系以及维度之间的相关性；
[0028]对协同方差矩阵进行特征值分解，得到特征值和特征向量；
[0029]选择
K
个最大特征值对应的特征向量作为新的低维度特征空间的基，其中，
K
为降维后的维度；
[0030]将原始数据投影到选定的特征向量所长成的低纬度子空间上，得到降维后的新样本
。
[0031]进一步的，进行模型训练具体包括以下步骤：
[0032]从训练集中选中
T
个采样集，每个采样集均包含
m
个训练样本；
[0033]针对采样集进行基学习器的训练，并最终做加权结合；
[0034]再划分出包含
m
个样本的数据集，并从中随机抽取一个样本并入采样集之后，将所述样本放回；
[0035]重复
m
次随机采样，又得到含
m
个样本的采样集，最终再通过基于学习器集成的方式减小估计的方差
。
[0036]进一步的，基于学习器集成的方式减小估计的方差，具体包括以下步骤：
[0037]给所有样本训练集赋予相同的权重；
[0038]经过
n
此迭代过程，每次均用分类算法进行分类，分类的错误率为：
[0039][0040]其中，
ω
i
为第
i
个样本的权重，
G
n
表示第
n
个分类器；
[0041]计算
α
n
＝
log((1
‑
err
n
)/err
n
)
；
[0042]考虑
n+1
次迭代，将第
i
个样本的权重
ω
i
重设为
[0043]迭代完成后，即可得到所有分类器
。
[0044]另一方面，本专利技术还公开一种数字能源空压站的数据分析系统，执行前述的一种数字能源空压站的数据分析方法，包括集中数据存储系统
、
查询系统及数据分析系统，所述查询系统与数据分析系统之间建立数据通道，数据分析系统与集中数据存储系统建立数据
传输通道，所述集中数据存储系统包括数据采集模块，其中：
[0045]数据采集模块包括设备数据采集子模块，所述设备数据采集子模块包括设备故障采集单元
、
设备运行状态采集单元和空气质量采集单元；
[0046]所述数据分析系统包括设备分析模块
、
环境分析模块和空气分析模块
。
[0047]进一步的，还包括可视化平台，所述可视化平台包括设备实时交互模块和异常监控处理模块，所述设备实时交互模块与所述数据采集模块连接，实时更新设备的信息，所述异常监控处理模块根据所述数据分析系统的分析结果，进行结果展示
。
[0048]本专利技术的有益效果：
[0049]1、
本专利技术公开的一种数字能源空压站的数据分析方法，通过对数字能源空压站的设备数据
、
环境数据及空气数据进行本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种数字能源空压站的数据分析方法，其特征在于，包括以下步骤：采集数字能源空压站的设备运行状态数据
、
设备故障数据及空气质量数据；对采集到的数据按照数据特点进行整理，针对缺失数据
、
重复数据采取数据填充及数据去重的方式，并对整理后的数据进行预处理；确定分析目标，并对预处理后的数据进行特征分析提取，针对单批次空压站的生产数据，选用均值及方差的参数统计量，对预处理后的数据进行比较；通过机器学习模型对比较后的数据自身的特征进行排序，使特征数据进行降维，并不断进行迭代选择目标数据特征，将数据特征作为输入建立分析模型，并进行模型训练与标准评估
。2.
根据权利要求1所述的一种数字能源空压站的数据分析方法，其特征在于，所述选择目标数据特征具体包括对数据特征进行过滤
、
封装或嵌入
。3.
根据权利要求2所述的一种数字能源空压站的数据分析方法，其特征在于，所述对数据特征进行过滤的具体过程为：通过计算每个特征与目标变量的相关得分；按得分以及特征排序方法进行排序；选择与目标变相高度相关的特征为目标数据特征
。4.
根据权利要求2所述的一种数字能源空压站的数据分析方法，其特征在于，所述对数据特征进行封装的具体过程为：特征子集生成：从原始特征集中生成不同的子集；子集评估：对每个生成的子集，使用分类器进行训练并计算性能指标，并将性能指标作为评估指标，其中，计算性能指标包括准确率
、
精度和召回率；特征选择：对子集的性能指标进行评估后，选择性能指标最优的子集作为最终特征集；使用性能指标最优的子集输入至机器学习模型中，并进行训练，利用测试数据集对训练后的机器学习模型进行评估
。5.
根据权利要求2所述的一种数字能源空压站的数据分析方法，其特征在于，所述对数据特征进行嵌入的具体过程为：准备包含所以特征和目标变量的数据集；使用神经网络机器学习模型，构建嵌入层，所述嵌入层将输入的特征进行转换和编码，并提取出特征的重要性；根据嵌入层学习到的特征重要性，选择最高重要性的特征子集；使用选定的特征子集进行机器学习模型训练，并使用测试数据集对机器学习模型进行评估
。6.
根据权利要求1所述的一种数字能源空压站的数据分析方法，其特征在于，所述通过机器学习模型对比较后的数据自身的特征进行排序，使特征数据进行降维，具体包括以下步骤：对原始数据进行标准化处理，使得数据具有零均值和单位方差；对标准化后的数据计算协同方差矩阵，所述协同方差矩阵描述数据之间的线性关系以及维度之间的相关性；对协同方差矩阵进行特征值分解，得到特征值和特征向量；
选择
K
个最大特征值对应的特征向量作为新的低维度特...

【专利技术属性】
技术研发人员：胡培生，孙小琴，魏运贵，胡明辛，
申请(专利权)人：广州瑞鑫智能制造有限公司，
类型：发明
国别省市：