[发明专利]一种基于深度学习的调压器在线诊断方法

权利要求书

1.一种基于深度学习的调压器在线诊断方法，其特征在于，包括如下步骤：

S1、输入端压力变送器和输出端压力变送器分别采集燃气管路输入端和输出端的压强值并传输回中控模块；

S2、管路监控端采集压力测量模块向中控模块发送的压力测量报文后提取并生成压强值变化量，并与预设的标准压力变化量进行比对，出现异常后生成任务编号，并将任务编号依次发送至故障核准端和调压器在线诊断模块；

S3-1、气敏传感器采集燃气管路内部的流量信息并打包生成报文信息发送至中控模块；

S4-1、故障核准端采集燃气流量测量模块向中控模块实时发送的流量测量报文后提取生成流量变化值，并与预设的标准流量变化量进行比对，生成流量比对结果并存储进入数据存储端；

S5-1、位置核准端调取所述流量比对结果，并根据设备序列号调取气敏传感器的设备位置，同时将设备位置映射进入燃气管路图中；

S3-2、调压器在线诊断模块基于已有的数据样本进行建模，具体工作流程包括如下步骤：

S3-2-1以清洗得到的数据作为训练样本建立基础信息库；

S3-2-2在基础信息库的基础上数据增强，添加局部噪声；

S3-2-3将基础信息库中数据按时间段相似数据随机加权融合；

S3-2-4将增强得到的数据与基础信息库共同组建强化学习离线模型信息库；

S4-2、离线训练端中设置有自编码器，所述自编码器进行自监督的特征提取，自编码器包括编码器和解码器，自编码器的具体运行方式包括如下步骤：

S4-2-1以编码器的模型输出作为特征提取层，获取调压器模型特征；

S4-2-2通过稀疏编码将模型维度进行缩减，压缩至其维度；

S4-2-3在稀疏编码特征提取器中的损失函数中引入KL散度，KL散度用于表征模型的稀疏性；

S4-2-4引入损失函数，同时设置预设参数以表征隐层单元活跃度，将所述预设参数加入Loss函数中使得h趋向于稀疏；

S5-2、得到调压器特征之后依据特征进行分析，通过聚类感知机可以得到状态分类。

2.根据权利要求1所述的一种基于深度学习的调压器在线诊断方法，其特征在于，所述压力测量模块包括分别设置于燃气管路输入口和输出口的输入端压力变送器和输出端压力变送器。

3.根据权利要求1所述的一种基于深度学习的调压器在线诊断方法，其特征在于，管路监控端比对所述压强值变化量与预设的标准压力变化量，若比对偏差量超过阈值，则生成任务编号。

4.根据权利要求1所述的一种基于深度学习的调压器在线诊断方法，其特征在于，管路监控端生成任务编号后同步生成与任务编号关联的序列任务，并对一个或多个序列任务标记优先级，管路监控端根据优先级顺序将序列任务请求发送至故障核准端和检修位置核准端。

5.根据权利要求1所述的一种基于深度学习的调压器在线诊断方法，其特征在于，所述燃气流量测量模块包括多个设置于燃气管路内部的气敏传感器。

6.根据权利要求1所述的一种基于深度学习的调压器在线诊断方法，其特征在于，所述报文信息中带有所述流量信息的发生时间戳以及采集所述流量信息的设备序列号。

7.根据权利要求1所述的一种基于深度学习的调压器在线诊断方法，其特征在于，故障核准端采集流量报文信息后根据设备序列号排序，并依次生成多个流量变化值，所述流量变化值为相邻两个气敏传感器采集的燃气流量差值。

8.根据权利要求1所述的一种基于深度学习的调压器在线诊断方法，其特征在于，结合稀疏编码的自编码器得到稀疏自编码器，稀疏自编码器用于提取调压器模型特征，所述稀疏自编码特征提取器的训练流程包括如下步骤：

1采用深度神经网络构建编码器；

2依据编码器结构对称构建解码器；

3在深度神经网络的罚函数中加入KL散度，使得模型趋向于稀疏；

4将每日压力数据与流量数据压缩至一维，作为模型输入与模型输出标签传递给模型；

5迭代训练模型。