基于VAE-LSTM的中低压燃气调压器异常检测无监督模型研究

燃气调压器在燃气输配过程中起降压稳压的作用。目前行业多采用人工手段对调压器进行异常检测,不能提前预警故障隐患;通过智能手段检测通常需要人工标注数据做有监督处理,消耗大量时间和人力成本;VAE-LSTM混合无监督模型,不需要人工标注,实现异常的完全检出。其中VAE模型使用卷积层结构,通过缩小样本重构误差来进行训练,检测出点异常和上下文异常;LSTM模型在VAE模型训练完成的基础上进行训练,采用滑动样本,通过缩小预测误差来训练,可以检测出集体异常。最后,将混合模型用于有标签的测试集,选择最好的阈值4.545 547预测样本的异常与否,该阈值对应的查准率、查全率和F1值分别为0.910 604、1.0和0.953 211,表明模型预测效果较好。

基于MML-IGMA模型的燃气涡轮流量计异常表征识别

燃气涡轮流量计在工况运行中,异常表征数据较少且部分异常表征与用户用气行为表征高度相似,使得燃气涡轮流量计的异常表征识别难度大。为此,本文提出一种结合机理分析与机器学习的燃气涡轮流量计异常表征识别模型MML—IGMA(Mechanism and Machine Learning to Identify Gas Meter Abnormity,结合机理分析与机器学习的燃气涡轮流量计异常识别)。该模型基于燃气涡轮流量计运行机理,定义异常表征空间并利用基于密度的聚类算法标签化异常表征空间内的可识别异常,再采用梯度提升机分类算法识别异常表征空间内的标签化样本。实验结果表明,在某陶瓷工业燃气用户一年工况历史数据上,MML-IGMA模型可以有效标签化异常表征并进行识别,识别精度可达97%。