油田加热炉异常检测方法和系统及相关设备.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN111967532A(43)申请公布日2020.11.20(21)申请号202010910892.4(22)申请日2020.09.02(71)申请人深圳市佳运通电子有限公司地址518000广东省深圳市福田区华富街道莲花一村社区皇岗路5001号深业上城(南区)T2栋4601(72)发明人刘永才(74)专利代理机构深圳市万商天勤知识产权事务所(普通合伙)44279代理人罗建平(51)Int.Cl.G06K9/62(2006.01)G06N3/04(2006.01)G06N3/08(2006.01)权利要求书2页说明书6页附图5页(54)发明名称油田加热炉异常检测方法和系统及相关设备(57)摘要本发明公开了一种油田加热炉异常检测方法和系统及相关设备。方法包括：获取上一时间周期内油田加热炉的运行数据，并根据时间段对运行数据进行划分，得到分别属于不同时间段的至少两个数据集；对于每个数据集利用孤立森林算法进行过滤，得到一组训练数据；分别使用每组训练数据训练自编码网络，得到对应不同时间段的预测模型；对于待检测的当前运行数据，使用对应时间段的预测模型进行异常检测。本发明利用自动训练的半监督自编码网络进行异常检测，可减少人工运维成本，提高异常数据检测精确度，保证加热炉的正常运行。CN111967532ACN111967532A权利要求书1/2页1.一种油田加热炉异常检测方法，其特征在于，包括：获取上一时间周期内油田加热炉的运行数据，并根据时间段对运行数据进行划分，得到分别属于不同时间段的至少两个数据集；对于每个数据集利用孤立森林算法进行过滤，得到一组训练数据；分别使用每组训练数据训练自编码网络，得到对应不同时间段的预测模型；对于待检测的当前运行数据，使用对应时间段的预测模型进行异常检测。2.根据权利要求1所述的方法，其特征在于，所述的使用对应时间段的预测模型进行异常检测，包括：针对不同时间段的运行数据，设定不同的检测标准；使用当前运行数据所属时间段对应的预测模型，对当前运行数据进行预测，获得差异值；在该差异值超过对应时间段的检测标准时，确认当前运行数据异常。3.根据权利要求1所述的方法，其特征在于，所述的对于每个数据集利用孤立森林算法进行过滤，包括：对于每个数据集，按照加热炉炉效高低进一步分为两个子集；对于炉效低的子集，利用孤立森林算法按照第一比例去除边缘数据；对于炉效高的子集，利用孤立森林算法按照第二比例去除边缘数据；其中，第一比例大于第二比例。4.根据权利要求1所述的方法，其特征在于，所述的根据时间段对运行数据进行划分，得到分别属于不同时间段的至少两个数据集，包括：基于白天和夜晚的数据差异性较大，将上一时间周期的若干天的运行数据按照白天和夜晚分类，划分为属于白天的数据集S1和属于夜晚的数据集S2。5.根据权利要求1-4中任一所述的方法，其特征在于，所述的分别使用每组训练数据训练自编码网络，得到对应不同时间段的预测模型，包括：使用归一化的训练数据训练自编码网络，得到对应的预测模型，并利用Hyperopt算法对预测模型进行参数调优。6.一种油田加热炉异常检测系统，其特征在于，包括：获取模块，用于获取上一时间周期内油田加热炉的运行数据，并根据时间段对运行数据进行划分，得到分别属于不同时间段的至少两个数据集；处理模块：用于对于每个数据集利用孤立森林算法进行过滤，得到一组训练数据；训练模块：用于分别使用每组训练数据训练自编码网络，得到对应不同时间段的预测模型；测试模块：用于对于待检测的当前运行数据，使用对应时间段的预测模型进行异常检测。7.根据权利要求6所述的系统，其特征在于，所述测试模块，具体用于：针对不同时间段的运行数据，设定不同的检测标准；使用当前运行数据所属时间段对应的预测模型，对当前运行数据进行预测，获得差异值；在该差异值超过对应时间段的检测标准时，确认当前运行数据异常。8.根据权利要求6所述的系统，其特征在于，2CN111967532A权利要求书2/2页所述处理模块，具体用于：对于每个数据集，按照加热炉炉效高低进一步分为两个子集；对于炉效低的子集，利用孤立森林算法按照第一比例去除边缘数据；对于炉效高的子集，利用孤立森林算法按照第二比例去除边缘数据；其中，第一比例大于第二比例。9.一种计算机设备，包括处理器和存储器，所述存储器中存储有程序，所述程序包括计算机执行指令，当所述计算机设备运行时，所述处理器执行所述存储器存储的所述计算机执行指令，以使所述计算机设备执行如权利要求1所述的加热炉异常检测方法。10.一种存储一个或多个程序的计算机可读存储介质，所述一个或多个程序包括计算机执行指令，所述计算机执行指令当被计算机设备执行时，使所述计算机设备执行如权利要求1所述的加