本发明涉及气体计量设备诊断，尤其涉及一种基于机器学习的气体流量计异常检测方法。
背景技术：
1、气体流量计是燃气管道的输配系统中常用的计量设备之一。气体流量计能够对燃气的输配状态和输配流量进行实时监测，以确保燃气供应的稳定性和安全性。
2、气体流量计在安装并投入使用后，可能会存在计量数据失真的情况。这种计量误差的产生原因包括但不限于机械结构的自然磨损、意外的物理损坏以及人为的恶意干扰或误操作。
3、在实际应用中，引入观测流量fmeasured和实际流量factual来描述气体流量计的计量状态。其中，观测流量fmeasured是指一段时间内气体流量计直接测量并记录的流量数据，而实际流量factual则是指现实世界中实际发生的燃气流量。根据观测流量fmeasured和实际流量factual的大小关系，可以将气体流量计的异常情形分为两类：
4、1.死表。死表也被称为休眠表，是指观测流量fmeasured为0，但实际流量factual大于0，且在24小时内的累计持续时间超过设定的休眠阈值tsleep。
5、2.慢表。慢表是指观测流量fmeasured不为0，但观测流量fmeasured与实际流量factual的差值大于设定的阈值fth，且在24小时内的累计持续时间超过设定的阈值tslow。
6、这两类异常情形都意味着气体流量计的计量值显著偏离了真实值，若不能及时发现并处理，将会给燃气供应服务商带来巨大的经济损失。
7、现有技术中，通常采用人工观察的方法对气体流量计测量得到的时间序列数据(包括温度、压力和流量)进行检查，其主要判据为时间序列上压力的变化是否会导致流量的变化。通过视觉方法观察时间序列曲线上压力和流量的时程曲线的模因(即数据变化的相似模式)，并找出曲线上与模因不一致的部分，最后结合技术经验对疑似的异常情形做出判定。这种方法工作效率较低下，主观性较大，而且容易受到观察者经验和技能水平的影响。
8、随着物联网技术的普及和智慧城市概念的发展，物联网气体流量计设备的安装数量呈指数级增长。传统的基于人工观察的方法已经无法满足大规模气体流量计异常检测的需求。
技术实现思路
1、为了解决以上技术问题，本发明提供了一种基于机器学习的气体流量计异常检测方法。
2、本发明所解决的技术问题可以采用以下技术方案实现：
3、一种基于机器学习的气体流量计异常检测方法，包括：
4、步骤s1，获取气体流量计在预设时间段内的时间序列数据，并利用预先训练的预测模型预测得到所述时间序列数据中每个观测流量值对应的预测流量值；
5、步骤s2，计算在所述预设时间段内所有的所述观测流量值与对应的所述预测流量值的流量偏差；
6、步骤s3，利用假设检验法对所述流量偏差进行检验，得到检验结果，并根据所述检验结果统计得到在所述预设时间段内所述流量偏差大于预设的流量偏差阈值的累计损失时间；
7、步骤s4，根据所述累计损失时间，得到所述气体流量计是否存在异常的检测结果。
8、优选地，所述步骤s1中，所述预测模型的训练步骤包括：
9、步骤s11，获取采样自经过标定的气体流量计的时间序列数据；
10、步骤s12，对所述时间序列数据进行时间积分处理，以提取所述时间序列数据中的低频特征作为基础数据集；
11、步骤s13，应用机器学习算法进行数据特征挖掘分析，提取所述基础数据集内的关键特征作为训练数据集；
12、步骤s14，根据所述训练数据集进行模型训练，得到所述预测模型。
13、优选地，所述步骤s11包括：
14、步骤s111，根据预设的上下边界对获取的所述时间序列数据进行筛选，以剔除无效数据；
15、步骤s112，筛除所述时间序列数据中的离群点。
16、优选地，所述步骤s111中，根据所述气体流量计的型号规格参数，设定最大量程的百分比阈值作为所述预设的上下边界。
17、优选地，所述步骤s12包括：
18、步骤s121，按照时间特征对所述时间序列数据进行聚合分组，形成多个子集；
19、步骤s122，采用梯形法则对所述时间序列数据中的各个特征变量分别进行时间积分处理，得到不同时间窗口内压力、温度和流量的累积变动量；
20、步骤s123，根据所述时间特征，构建包含各时间窗口内压力、温度和流量的累积变动量的数据结构，并将所有数据结构进行整合，以构成所述基础数据集。
21、优选地，所述步骤s122中，所述时间积分的计算公式为：
22、
23、其中，ix表示所述时间序列数据中的特征变量x的时间积分估计值，x的取值为压力值p或温度值t或流速值f；δti表示时间间隔，i表示子集g(d,h)内第i个数据点，i＝0,2,...,n-1，n表示子集g(d,h)内的数据点总数量。
24、优选地，所述步骤s13包括：
25、步骤s131，对所述基础数据集的特征进行特征降维，得到特征集；
26、步骤s132，基于所述特征集训练分布式梯度增强模型，以确定所述特征集中各个特征的重要程度；
27、步骤s133，根据重要程度对所述特征集中的特征进行排序，根据排序结果筛选出所述关键特征。
28、优选地，所述步骤s131包括：
29、在不同时间窗口对所述基础数据集的特征进行统计，得到汇总数据；和/或
30、基于时间窗口统计以及滚动时间窗口，以捕获所述基础数据集中的特征趋势、季节性变化或异常值；和/或
31、对所述基础数据集中的特征进行傅里叶变换或小波变换，以捕获频域特征；和/或
32、对所述基础数据集中的特征进行自相关和部分自相关计算。
33、优选地，所述假设检验法采用单样本t检验法。
34、优选地，所述步骤s4包括：
35、判断所述累计损失时间是否超过预设的时间阈值：
36、若是，则输出所述气体流量计存在异常的检测结果；
37、若后，则输出所述气体流量计不存在异常的检测结果。
38、本发明技术方案的优点或有益效果在于：
39、本发明通过获取气体流量计的时间序列数据，利用预训练模型预测流量，并计算观测流量与预测流量间的流量偏差，结合假设检验法统计偏差超阈值的累计损失时间，从而高效、准确地自动化检测气体流量计异常，量化计量偏差与累计损失，减少人工干预，提高检测效率与可解释性，能够应对日益增长的物联网气体流量计设备数量和复杂的异常检测需求。
1.一种基于机器学习的气体流量计异常检测方法，其特征在于，包括：
2.根据权利要求1所述的气体流量计异常检测方法，其特征在于，所述步骤s1中，所述预测模型的训练步骤包括：
3.根据权利要求2所述的气体流量计异常检测方法，其特征在于，所述步骤s11包括：
4.根据权利要求3所述的气体流量计异常检测方法，其特征在于，所述步骤s111中，根据所述气体流量计的型号规格参数，设定最大量程的百分比阈值作为所述预设的上下边界。
5.根据权利要求2所述的气体流量计异常检测方法，其特征在于，所述步骤s12包括：
6.根据权利要求5所述的气体流量计异常检测方法，其特征在于，所述步骤s122中，所述时间积分的计算公式为：
7.根据权利要求2所述的气体流量计异常检测方法，其特征在于，所述步骤s13包括：
8.根据权利要求2所述的气体流量计异常检测方法，其特征在于，所述步骤s131包括：
9.根据权利要求1所述的气体流量计异常检测方法，其特征在于，所述假设检验法采用单样本t检验法。
10.根据权利要求1所述的气体流量计异常检测方法，其特征在于，所述步骤s4包括：