[發(fā)明專利]一種磨煤機(jī)數(shù)據(jù)異常檢測(cè)方法

有效

• 申請(qǐng)?zhí)枺?/td>: 202010083686.0
• 申請(qǐng)日: 2020-02-10
• 公開(kāi)（公告）號(hào): CN111340063B
• 公開(kāi)（公告）日: 2023-08-29
• 發(fā)明（設(shè)計(jì)）人: 高彥超;劉曙元;吳菲;孫宇笛;關(guān)勝杰;李志強(qiáng);肖榮;夏紹標(biāo);張宏尉
• 申請(qǐng)（專利權(quán)）人: 國(guó)能信控互聯(lián)技術(shù)有限公司
• 主分類號(hào): G06F18/2433
• 分類號(hào): G06F18/2433;G06F18/243;G06F18/214;G06N20/20
• 代理公司: 北京智繪未來(lái)專利代理事務(wù)所(普通合伙) 11689
• 代理人: 趙卿

本申請(qǐng)公開(kāi)了一種磨煤機(jī)數(shù)據(jù)異常檢測(cè)方法，包括構(gòu)建孤立森林檢測(cè)模型并獲得初步異常檢測(cè)結(jié)果；基于初步異常檢測(cè)結(jié)果，構(gòu)建LOF模型并檢測(cè)出設(shè)備運(yùn)行的異常數(shù)據(jù)。本申請(qǐng)對(duì)混合數(shù)據(jù)的離群點(diǎn)檢測(cè)算法做了改進(jìn)，提出了基于孤立森林和局部異常因子LOF相結(jié)合的兩階段的離群點(diǎn)檢測(cè)算法；基于孤立森林方法的檢測(cè)結(jié)果，采用局部異常因子LOF方法檢測(cè)出離群點(diǎn)，提高了離群點(diǎn)檢測(cè)的精度，并能夠輔助系統(tǒng)檢測(cè)出異常數(shù)據(jù)。

技術(shù)領(lǐng)域

本發(fā)明屬于電廠磨煤機(jī)運(yùn)行數(shù)據(jù)分析技術(shù)領(lǐng)域，涉及一種磨煤機(jī)數(shù)據(jù)異常檢測(cè)技術(shù)，尤其涉及一種基于集成分析的磨煤機(jī)運(yùn)行異常數(shù)據(jù)檢測(cè)方法。

背景技術(shù)

磨煤機(jī)在整個(gè)電廠資源的供求中占有重要的地位，其工作狀態(tài)的穩(wěn)定性對(duì)鍋爐、發(fā)電機(jī)、汽輪機(jī)等主要設(shè)備的影響至關(guān)重要，因此，異常檢測(cè)是磨煤機(jī)運(yùn)行檢測(cè)的重要問(wèn)題。異常檢測(cè)問(wèn)題的研究集中為某個(gè)具體的特定應(yīng)用場(chǎng)景為目標(biāo)進(jìn)行的，例如電廠異常數(shù)據(jù)檢測(cè)、機(jī)組故障檢測(cè)。通常應(yīng)用場(chǎng)景中都存在著異常重要性分布不均的問(wèn)題，如何刻畫(huà)異常的重要性，并設(shè)計(jì)能靈活處理不同重要性異常的檢測(cè)模型，成為一個(gè)重要的問(wèn)題。

學(xué)術(shù)界和工業(yè)界已經(jīng)存在多種處理異常檢測(cè)問(wèn)題的方法，大部分基于機(jī)器學(xué)習(xí)的異常檢測(cè)研究都關(guān)注單一模型，單一模型在擬合能力上存在一定的不足。目前，傳統(tǒng)常用的異常值檢測(cè)算法主要有基于密度的、基于距離的、基于統(tǒng)計(jì)的離群點(diǎn)檢測(cè)方法等。這些方法都是針對(duì)具體的數(shù)據(jù)對(duì)象集提出的，而生產(chǎn)運(yùn)行中存在的數(shù)據(jù)對(duì)象，通常既有數(shù)值屬性又有分類屬性，但大多數(shù)的離群點(diǎn)檢測(cè)算法只能分析數(shù)值屬性或分類屬性。

由于傳統(tǒng)的離群點(diǎn)檢測(cè)算法不能處理具有混合屬性的數(shù)據(jù)，以及現(xiàn)有的混合屬性離群點(diǎn)檢測(cè)算法大多檢測(cè)質(zhì)量不高等問(wèn)題。本申請(qǐng)是基于孤立森林(isolation?forest或IForest)和局部異常因子(Local?Outlier?Factor，LOF)檢測(cè)相結(jié)合的集成分析方法，創(chuàng)造性地提出了磨煤機(jī)運(yùn)行異常數(shù)據(jù)檢測(cè)的新思路和新方法。

發(fā)明內(nèi)容

為解決現(xiàn)有技術(shù)中的不足，本申請(qǐng)對(duì)混合數(shù)據(jù)的離群點(diǎn)檢測(cè)算法做了改進(jìn)，提出了基于孤立森林和局部異常因子LOF相結(jié)合的兩階段的離群點(diǎn)檢測(cè)算法；基于孤立森林方法的檢測(cè)結(jié)果，采用局部異常因子LOF方法檢測(cè)出離群點(diǎn)，提高了離群點(diǎn)檢測(cè)的精度，并能夠輔助系統(tǒng)檢測(cè)出異常數(shù)據(jù)。

為了實(shí)現(xiàn)上述目標(biāo)，本申請(qǐng)采用如下技術(shù)方案：

一種磨煤機(jī)數(shù)據(jù)異常檢測(cè)方法，所述方法包括以下步驟：

步驟一：構(gòu)建孤立森林檢測(cè)模型并獲得初步異常檢測(cè)結(jié)果；

步驟二：基于初步異常檢測(cè)結(jié)果，構(gòu)建局部異常因子模型并檢測(cè)出設(shè)備運(yùn)行的異常數(shù)據(jù)。

本發(fā)明進(jìn)一步包括以下優(yōu)選方案：

優(yōu)選地，步驟一所述構(gòu)建孤立森林檢測(cè)模型并獲得初步異常檢測(cè)結(jié)果，包括以下步驟：

步驟1：獲取訓(xùn)練數(shù)據(jù)；

步驟2：基于實(shí)際需要和專家意見(jiàn)，篩選得到目標(biāo)設(shè)備下的若干指標(biāo)，組成訓(xùn)練數(shù)據(jù)；

步驟3：根據(jù)篩選指標(biāo)后的訓(xùn)練數(shù)據(jù)，應(yīng)用統(tǒng)計(jì)方法對(duì)空值進(jìn)行填補(bǔ)清洗；

步驟4：采用交互驗(yàn)證方法劃分步驟3得到的訓(xùn)練數(shù)據(jù)；

步驟5：孤立森林訓(xùn)練劃分的數(shù)據(jù)，尋找最佳檢測(cè)參數(shù)并獲得初步異常檢測(cè)結(jié)果。

優(yōu)選地，步驟1所述獲取訓(xùn)練數(shù)據(jù)，包括以下步驟：

步驟101：在電廠系統(tǒng)數(shù)據(jù)庫(kù)里，查找目標(biāo)設(shè)備以及目標(biāo)設(shè)備下的所有指標(biāo)信息；

步驟102：按照一定的取數(shù)間隔，選取目標(biāo)設(shè)備在運(yùn)行狀態(tài)下的歷史數(shù)據(jù)；

步驟103：預(yù)處理選取的歷史數(shù)據(jù)，去除系統(tǒng)原因?qū)е履承┲等笔У挠涗洠瑥亩玫接?xùn)練數(shù)據(jù)。