一种基于燃气流量检测深度学习的异常处理方法与流程

本发明涉及燃气检测，尤其涉及一种基于燃气流量检测深度学习的异常处理方法。

背景技术：

1、燃气是气体燃料的总称，它能燃烧而放出热量，供居民和工业企业使用。燃气的种类很多，主要有天然气、人工燃气、液化石油气和沼气、煤制气；由于管道老化、燃气灶经常使用，可能会造成燃气泄漏等情况，存在一定安全隐患；

2、现有技术中，有以下几种方式对燃气泄漏进行检测：浓度检测报警、红外检测报警、压力检测报警和通过燃气公司指派检查人员上门检查，上述几种方法存在灵敏度低、检测结果不及时等问题。

技术实现思路

1、本发明旨在至少在一定程度上解决现有技术中的技术问题之一，本发明目的是提供一种基于燃气流量检测深度学习的异常处理方法，通过对历史正常燃气流量数据进行分析，得到正常波动区间，并实时更新正常波动区间，建立异常检测模型，对居民燃气流量进行实时检测，以解决现有技术中燃气检测不够及时，检测结果的实效性不高导致检测结果参考意义不大的问题。

2、为了实现上述目的，本发明是通过如下的技术方案来实现：一种基于燃气流量检测深度学习的异常处理方法，其特征在于，包括如下步骤：

3、步骤s1：获取整个区域内的燃气使用数据，根据整个区域内的燃气使用数据建立燃气使用参照图和燃气故障图；所述燃气使用数据包括：燃气浓度值、水温温差和单位用气量；

4、步骤s2：从燃气故障图中获取历史故障点，在燃气使用参照图中对区域内的历史故障点进行标记，将历史故障点的单位用气量与正常情况下的单位用气量进行比对，得到故障波动值；

5、步骤s3：基于整个区域内的燃气使用数据，建立正常波动区间；

6、步骤s4：将正常波动区间与故障波动值进行综合分析，得到深度学习后的异常检测模型；

7、步骤s5：用异常检测模型计算得到燃气流量类型，将计算得到的燃气流量类型与实际燃气流量类型进行异常比对，对异常检测模型进行通过率判定，不断更新异常检测模型。

8、进一步地，所述步骤s1包括如下子步骤：

9、步骤s101：以燃气管道的中轴线为对称轴，沿燃气管道的延伸方向，每间隔监测距离设置一个燃气传感器，用于检测燃气浓度值；

10、步骤s102：获取用户预设水温和实际水温，将预设水温和实际水温的差值设置为水温温差；

11、步骤s103：根据燃气浓度值和温差时间表建立燃气故障图；

12、步骤s104：每间隔第一时间获取一次用户用气量，将用户用气量与第一时间的比值设置为单位用气量；

13、步骤s105：获取连续第一天数的单位用气量并建立燃气使用参照图。

14、进一步地，所述步骤s103包括如下子步骤：

15、步骤s10301： 当燃气浓度值大于第一阈值时，判定为泄露故障并记录时间点，设置为泄露故障时间点；

16、步骤s10302：获取连续第一天数的水温温差，计算得到平均水温温差，当水温温差高于平均水温温差时，判定为水温故障并记录时间点，记录为水温故障时间点；

17、步骤s10303：将泄露故障时间点与水温故障时间点绘制成燃气故障图。

18、进一步地，所述步骤s2包括如下子步骤：

19、步骤s201：从燃气故障图中获取泄露故障时间点和水温故障时间点，将泄露故障时间点和水温故障时间点设置为历史故障点，当泄露故障时间点与水温故障时间点的间隔时间不超过第一时长，且燃气故障点早于水温故障点时，删除该水温故障点，只记录该燃气故障点为历史故障点；

20、步骤s202：将历史故障点在燃气使用参照图上进行标记，将历史故障点出现后的第一时长设为历史故障时长，获取历史故障时长内的燃气流量值，设置为故障流量值，求得故障流量值与历史故障时长的比值，设为故障单位流量；

21、步骤s203：获取历史故障时长对应的连续第一天数的正常流量值，求得正常流量值与历史故障时长的比值，设置为正常单位流量，获取连续第一天数的正常单位流量的平均值，设置为正常单位流量平均值，将故障流量值与正常单位流量平均值的差值设置为故障波动值。

22、进一步地，所述步骤s3包括如下子步骤：

23、步骤s301：设置第一记录时段、第二记录时段和第三记录时段，所述第一记录时段、第二记录时段和第三记录时段互相独立，记录一天内的第一记录时段、第二记录时段和第三记录时段内的用户用气量，求得第一记录时段用户用气量与第一时段时长的比值，设为第一记录时段单位流量值，求得第二记录时段用户用气量与第二时段时长的比值，设为第二记录时段单位流量值，求得第三记录时段用户用气量与第三时段时长的比值，设为第三记录时段单位流量值；求得第一记录时段单位流量值、第二记录时段单位流量值和第三记录时段单位流量值的平均值，设置为基准流量值ln，n为常数；

24、步骤s302：设置第一采集时长，在一天内，每间隔第一采集时长获取一次用户用气量，设置为采集用气量，获取采集用气量与第一采集时长的比值，设置为采集单位流量值；

25、步骤s303：将采集单位流量值代入正常波动幅度计算公式中，得到一天内的正常波动幅度；其中，fm为一天内的正常波动幅度，ln为基准流量值，lm为采集单位流量值，n，m均为常数；

26、步骤s304：计算连续n天的正常波动幅度fm，并获取连续第一天数中所有正常波动幅度的最大值fmax和最小值fmin；

27、步骤s305：通过公式计算得到连续n天的正常基准值；其中，y为正常基准值，ln为基准流量值；

28、步骤s306：根据正常基准值y、正常波动幅度的最大值fmax和最小值fmin计算得到正常波动区间为m[y×fmin，y×fmax]；

29、步骤s307：每间隔第一更新时长，对正常波动区间进行监测和更新。

30、进一步地，所述步骤s307包括如下子步骤：

31、步骤s30701：选取第一更新时长内的连续第一天数，重复步骤s301至步骤s303，得到旧数据，所述旧数据包括第一更新时长内的连续第一天数的基准流量值ln和正常波动幅度fm；

32、步骤s30702：选取第一更新时长后的连续第一天数，重复步骤s301至步骤s303，得到新数据，所述新数据包括第一更新时长后的连续第一天数的基准流量值ln和正常波动幅度fm；

33、步骤s30703：对新数据和旧数据重新进行步骤s304至步骤s306，得到更新后的正常波动区间。

34、进一步地，所述步骤s4包括如下子步骤：

35、步骤s401：将正常波动区间与故障波动值进行比对，当故障波动值不属于正常波动区间时，输出为一般异常故障，当故障波动值属于正常波动区间时，输出为特殊异常故障；

36、步骤s402：当输出特殊异常故障时，标记特殊异常故障对应的故障点，对特殊异常故障对应的故障点进行特征提取，得到故障特征；

37、步骤s403：建立异常检测测试模型，并根据故障特征对异常检测测试模型进行深度学习，得到异常检测模型，所述异常检测模型用于对燃气流量数据进行分析，得到燃气使用状态，所述燃气使用状态包括正常状态和泄露状态。

38、进一步地，所述步骤s5包括如下子步骤：

39、步骤s501：用异常检测模型计算得到燃气流量类型，将计算得到的燃气流量类型与实际燃气流量类型进行异常比对，当比对结果一致时，记为判断通过；

40、步骤s502：将判断通过次数与判断次数的比值设为判断通过率，当判断通过率低于标准通过率时，对正常波动区间进行调整，直至判断通过率高于标准通过率。

41、本发明的有益效果：本发明首先获取整个区域内的燃气使用数据，建立燃气使用参照图；对燃气使用数据进行分析，得到历史故障点，在燃气使用参照图上对历史故障点进行标记，并将故障流量数据与正常流量数据进行比对，得到故障波动值；通过对历史故障点进行比对，获得故障情况下燃气流量的波动值，为提取故障特征提供了准确的参考数据。

42、本发明通过获取历史正常燃气流量数据，建立正常波动区间，每间隔第一更新时长对正常波动区间进行更新，为异常检测模型的参数设定提供了精准数据支持，提高了异常检测判断的准确性；将正常波动区间与故障波动值进行综合分析，得到深度学习后的异常检测模型；对异常检测模型进行通过率判定，有助于提高异常检测模型进行异常检测判断的准确度。

43、本技术的其他特征和优点将在随后的说明书阐述，并且，部分地从说明书中变得显而易见，或者通过实施本技术了解。本技术的目的和其他优点可通过在所写的说明书、权利要求书以及附图中所特别指出的结构来实现和获得。