基于稀疏神经网络的引风机运行异常检测方法技术

基于稀疏神经网络的引风机运行异常检测方法，解决了如何利用有限标签的引风机异常运行数据实现异常检测的问题，属于引风机运行状态检测领域。本发明专利技术包括：获取引风机有标签的异常运行数据集；建立异常检测模型，采用有标签的异常运行数据集对异常检测模型进行训练，确定初始权重；将无标签的引风机运行数据输入至异常检测模型中，异常检测模型输出数据的异常特征参数矩阵和各个数据的异常分数，根据异常分数挑选出模糊数据，并对异常特征参数矩阵中的参数进行排序，根据靠前的异常特征参数对模糊数据进行人工标注，并计算损失，更新权重；完成训练后可对引风机的实时运行数据进行异常检测。本发明专利技术减少对应的人工标注成本，获得较好的检测性能。

【技术实现步骤摘要】

本专利技术涉及一种基于稀疏神经网络的引风机运行异常检测方法，属于引风机运行状态检测。

技术介绍

1、引风机是一种通过叶轮转动产生负压，进而从系统(设备)抽取空气的设备，一般安装在锅炉尾端，用于抽取炉膛内的热烟气。目前，对于引风机的运行实时数据的分析也较为简单，传统的分析方法主要集中在数据的实时显示和简单的数据分析和处理上，如数据可视化、异常值检测等。对于引风机运行实时数据的挖掘还不够深入，无法为引风机的优化运行和故障预测提供充分支持。因此，针对引风机运行实时数据的利用率较低。这些数据可以帮助人们更好地了解引风机的运行状态和性能，为引风机的维护和升级提供依据。但是，由于数据收集和分析的不足，这些数据还没有得到充分的利用。总的来说，目前引风机运行实时数据分析的发展仍存在一定的局限性，需要进一步推动数据收集、分析和利用的技术的进步，以充分发挥这些数据在引风机优化运行、能源管理和故障预测等方面的潜力。

2、在引风机运行实时数据异常检测研究中，已经开发了具有不同方法的异常检测技术，如基于密度、窗口和约束的方法，并将其应用于各种真实场景。近年来，深度学习模本文档来自技高网...

【技术保护点】

1.基于稀疏神经网络的引风机运行异常检测方法，其特征在于，所述方法包括：

2.根据权利要求1所述的基于稀疏神经网络的引风机运行异常检测方法，其特征在于，所述异常检测模型包括P个回归模型，S2中利用有标签的异常运行数据集对每个回归模型进行训练，异常检测模型的输出为P个回归模型输出的综合。

3.根据权利要求2所述的基于稀疏神经网络的引风机运行异常检测方法，其特征在于，S2中，确定每个回归模型的稀疏度D，按W升序选择L1*L2*(1-D)个连接进行修剪，W＝ABS(wji)，wji表示两层的连接权重。

4.根据权利要求2所述的基于稀疏神经网络的引风机运行异常...

【技术特征摘要】

1.基于稀疏神经网络的引风机运行异常检测方法，其特征在于，所述方法包括：

2.根据权利要求1所述的基于稀疏神经网络的引风机运行异常检测方法，其特征在于，所述异常检测模型包括p个回归模型，s2中利用有标签的异常运行数据集对每个回归模型进行训练，异常检测模型的输出为p个回归模型输出的综合。

3.根据权利要求2所述的基于稀疏神经网络的引风机运行异常检测方法，其特征在于，s2中，确定每个回归模型的稀疏度d，按w升序选择l1*l2*(1-d)个连接进行修剪，w＝abs(wji)，wji表示两层的连接权重。

4.根据权利要求2所述的基于稀疏神经网络的引风机运行异常检测方法，其特征在于，每个回归模型为不同结构的神经网络snn。

5.根据权利要求2所述的基于稀疏神经网络的引风机运行异常检测方法，其...

【专利技术属性】
技术研发人员：刘一达，丁小欧，杨东华，王宏志，
申请(专利权)人：哈尔滨工业大学，
类型：发明
国别省市：