油质异常预测方法、装置及设备与流程

本发明涉及油质预测，尤其涉及一种油质异常预测方法、装置及设备。

背景技术：

1、电厂油务监督是指对电厂使用的各类油质，如汽轮机油、绝缘油和抗燃油等的化学监督和管理。主要目的是确保这些油类的质量符合相关标准，从而保障设备的安全经济运行。传统上，电厂在油务监督上的工作主要是定期通过人工采样的方式进行指标检测。

2、但是，人工采样的方式时效性较差，导致对油质进行维护处理往往存在滞后的缺点。

技术实现思路

1、本发明提供一种油质异常预测方法、装置及设备，用以解决现有技术中人工进行油质检测时效性差，且存在时间滞后的缺陷。

2、第一方面，本发明提供一种油质异常预测方法，包括：

3、采集不同设备油质数据和特征数据，构建特征指标数据集；

4、利用所述特征指标数据集，训练基于注意力机制的gru网络模型；

5、采集单一用户的个性化特征数据，对所述个性化特征数据进行处理，得到与所述特征指标数据集结构相同的个性化数据集；

6、利用所述个性化数据集，对所述gru网络模型进行个性化训练调整，得到个性化油质异常预测模型；

7、输入待检测油质至所述个性化油质异常预测模型，输出对所述待检测油质的预测结果。

8、根据本发明提供的一种油质异常预测方法，所述优质数据包括正常油质数据和异常油质数据，所述特征数据包括个体特征、环境信息和行为信息：

9、所述构建特征指标数据集，包括：

10、利用多重插补，对所述正常油质数据、所述异常油质数据、所述个体特征、所述环境信息和所述行为信息进行分析与合并，将不完整数据集的观测行估算填充n次，生成n个完整数据集；

11、分别对所述n个完整数据集进行分析，对来自各个填补数据集的结果进行综合，得到统计推断后的数据；

12、对所述数据进行归一化和平滑处理，得到特征指标数据集。

13、根据本发明提供的一种油质异常预测方法，所述利用所述特征指标数据集，训练基于注意力机制的gru网络模型，包括：

14、将所述特征指标数据集通过更新门和重置门送入带有注意力机制的gru网络模型；

15、按照7：3的比例划分所述特征指标数据集为训练集和验证集，并设置最大训练次数；

16、利用所述训练集和所述验证集，对所述带有注意力机制的gru网络模型进行训练，若所述训练次数大于所述最大训练次数，则输出gru网络模型。

17、根据本发明提供的一种油质异常预测方法，还包括：

18、若所述训练次数小于所述最大训练次数，则获取loss值；

19、基于所述loss值，利用adam优化器调整网络参数，再次进行训练，直到所述训练次数大于所述最大训练次数。

20、根据本发明提供的一种油质异常预测方法，还包括：

21、利用测试集对所述输出的gru网络模型进行验证，比较真实值与预测值；

22、基于所述比较结果，确定所述gru网络模型的准确率。

23、根据本发明提供的一种油质异常预测方法，所述采集单一用户的个性化特征数据，对所述个性化特征数据进行处理，得到与所述特征指标数据集结构相同的个性化数据集之后，还包括：

24、存储所述个性化数据集至云端，构建用户个性化档案。

25、根据本发明提供的一种油质异常预测方法，所述构建特征指标数据集之前，还包括：

26、对所述采集不同设备油质数据和特征数据进行时间戳同步，得到不同设备在时间维度上一致的数据源；

27、对不同时间点的所述数据源进行数据聚合，以减少数据量。

28、根据本发明提供的一种油质异常预测方法，还包括：

29、基于所述预测结果，确定油质异常的类型；

30、当所述类型为液压油异常或油质劣化时，控制自动化程序对异常油质进行处理；

31、当所述类型为油泥积碳或抗燃油油质劣化时，发出人工介入调整对异常油质进行处理指示。

32、第二方面，本发明还提供一种油质异常预测装置，包括：

33、采集模块，用于采集不同设备油质数据和特征数据，构建特征指标数据集；

34、训练模块，用于利用所述特征指标数据集，训练基于注意力机制的gru网络模型；

35、同步模块，用于采集单一用户的个性化特征数据，对所述个性化特征数据进行处理，得到与所述特征指标数据集结构相同的个性化数据集；

36、个性化模块，用于利用所述个性化数据集，对所述gru网络模型进行个性化训练调整，得到个性化油质异常预测模型；

37、预测模块，用于输入待检测油质至所述个性化油质异常预测模型，输出对所述待检测油质的预测结果。

38、第三方面，本发明还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一种所述油质异常预测方法。

39、第四方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述油质异常预测方法。

40、第五方面，本发明还提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如上述任一种所述油质异常预测方法。

41、本发明提供的一种油质异常预测方法、装置及设备，包括采集不同设备油质数据和特征数据，构建特征指标数据集；利用特征指标数据集，训练基于注意力机制的gru网络模型；采集单一用户的个性化特征数据，对个性化特征数据进行处理，得到与特征指标数据集结构相同的个性化数据集；利用个性化数据集，对gru网络模型进行个性化训练调整，得到个性化油质异常预测模型；输入待检测油质至个性化油质异常预测模型，输出对待检测油质的预测结果，由于通过个性化油质异常预测模型进行优质异常预测，仅需实时地输入待测油质即可，与人工采样方式相比，更具有时效性，且油质预测结果更快，有效地解决了滞后的问题。

技术特征：

1.一种油质异常预测方法，其特征在于，包括：

2.根据权利要求1所述的油质异常预测方法，其特征在于，所述优质数据包括正常油质数据和异常油质数据，所述特征数据包括个体特征、环境信息和行为信息：

3.根据权利要求1所述的油质异常预测方法，其特征在于，所述利用所述特征指标数据集，训练基于注意力机制的gru网络模型，包括：

4.根据权利要求3所述的油质异常预测方法，其特征在于，还包括：

5.根据权利要求3所述的油质异常预测方法，其特征在于，还包括：

6.根据权利要求1所述的油质异常预测方法，其特征在于，所述采集单一用户的个性化特征数据，对所述个性化特征数据进行处理，得到与所述特征指标数据集结构相同的个性化数据集之后，还包括：

7.根据权利要求1-6任一项所述的油质异常预测方法，其特征在于，所述构建特征指标数据集之前，还包括：

8.根据权利要求1-6任一项所述的油质异常预测方法，其特征在于，还包括：

9.一种油质异常预测装置，其特征在于，包括：

10.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至8任一项所述油质异常预测方法。

技术总结
本发明提供一种油质异常预测方法、装置及设备，包括采集不同设备油质数据和特征数据，构建特征指标数据集；利用特征指标数据集，训练基于注意力机制的GRU网络模型；采集单一用户的个性化特征数据，对个性化特征数据进行处理，得到与特征指标数据集结构相同的个性化数据集；利用个性化数据集，对GRU网络模型进行个性化训练调整，得到个性化油质异常预测模型；输入待检测油质至个性化油质异常预测模型，输出对待检测油质的预测结果，由于通过个性化油质异常预测模型进行优质异常预测，仅需实时地输入待测油质即可，与人工采样方式相比，更具有时效性，且油质预测结果更快，有效地解决了滞后的问题。

技术研发人员：张姝,李开梅,王紫琼
受保护的技术使用者：华能青岛热电有限公司
技术研发日：
技术公布日：2025/1/2