【技术实现步骤摘要】
本专利技术涉及运行监测的，具体为一种基于机器学习的渣浆泵运行监测和优化系统及方法。
技术介绍
1、渣浆泵是选煤厂物料输送的关键设备之一,广泛地应用于煤泥水、循环水、煤浆及重介质悬浮液等物料的输送,其安全、稳定、高效运行对提升选煤厂生产效率具有非常重要的作用。
2、传统的渣浆泵运行监测方法，主要依靠员工经验或者相关检测设备进行检测，将经验和设备结果作为渣浆泵运行最终结果，存在渣浆泵运行监测准确率较低、识别速度慢等问题；同时渣浆泵运行数据多，不能实现实时精确检测，也没有运用神经网络等高新技术，导致渣浆泵健康状态处于未知，存在安全隐患。
技术实现思路
1、针对相关技术中的问题，本专利技术提供了一种基于机器学习的渣浆泵运行监测和优化系统及方法，以克服现有相关技术所存在的上述技术问题。
2、为解决上述技术问题，本专利技术是通过以下技术方案实现的：
3、本专利技术为一种基于机器学习的渣浆泵运行监测和优化方法，包括如下步骤：
4、s1、获取渣浆泵运行指标，得到原始渣浆泵运行数据，生成原始渣浆泵运行数据矩阵，对所述原始渣浆泵运行数据矩阵进行异常数据检测和删除及缺失数据填补，得到处理好的渣浆泵运行数据矩阵；
5、s2、获取历史渣浆泵运行数据，根据历史渣浆泵运行数据计算自适应阈值，基于自适应阈值验证所述处理好的渣浆泵运行数据矩阵中处理好的渣浆泵运行数据的安全性，完成渣浆泵运行监测；
6、s3、训练支持向量回归模型，得到支持向量回归
7、s4、根据所述渣浆泵运行数据预测值和渣浆泵运行指标建立适应度函数，使用逃生优化算法对渣浆泵运行指标进行优化，通过寻找最佳适应度函数值得到优化后的渣浆泵运行指标，完成渣浆泵运行优化。
8、该专利技术通过获取原始渣浆泵运行数据，使用改进的孤立森林算法计算原始渣浆泵运行数据的异常得分，再使用聚类算法计算异常阈值，通过比较异常阈值和异常得分对异常数据进行检测和删除；使用k近邻缺失数据填补法对原始渣浆泵运行数据进行加权处理，实现缺失数据填补；改进的孤立森林算法可以有效检测出异常数据，适用性高，提高了渣浆泵运行数据处理速度；k近邻缺失数据填补法考虑各数据的差异程度，有效提高数据填充的准确性；其次，获取历史渣浆泵运行数据，计算自适应阈值，通过比较自适应阈值和渣浆泵运行数据，得到渣浆泵运行是否处于安全状态；该方法避免了过高阈值和过低阈值导致误判，依靠历史数据动态调整阈值，渣浆泵运行监测效果好；再训练支持向量回归模型，得到支持向量回归预测模型，输出渣浆泵运行数据预测值；该预测模型对小样本数据预测方面效果好，预测精度高；最后建立适应度函数，基于逃生优化算法对渣浆泵运行指标进行优化，通过寻找最佳适应度函数值得到优化后的渣浆泵运行指标；该算法通过模拟疏散过程中人群的行为，解决复杂优化问题，寻优性能好且优化能力强。
9、优选地，所述s1包括以下步骤：
10、s11、获取渣浆泵运行指标，所述渣浆泵运行指标包括温度、电流、电压、流量、压力等，使用传感器设备获取渣浆泵运行指标的数据，得到原始渣浆泵运行数据，每个渣浆泵运行指标对应的原始渣浆泵运行数据组成原始渣浆泵运行数据集合，选取原始渣浆泵运行数据集合中前n个原始渣浆泵运行数据，生成原始渣浆泵运行数据矩阵a如下：
11、
12、其中，amn表示第m个渣浆泵运行指标的第n个原始渣浆泵运行数据；
13、s12、使用改进的孤立森林算法对所述原始渣浆泵运行数据矩阵进行异常数据检测和删除，得到处理后的渣浆泵运行数据矩阵，具体步骤如下：
14、s121、选取所述原始渣浆泵运行数据矩阵中任意渣浆泵运行指标，得到待检测的渣浆泵运行数据集合，设定待检测的渣浆泵运行数据集合中待检测的渣浆泵运行数据对应的维度集，在维度集中选取任意维度记为切割点维度；将所述切割点维度对应的待检测的渣浆泵运行数据作为切割点，将待检测的渣浆泵运行数据集合中小于或者等于切割点的待检测的渣浆泵运行数据加入到第一左子树中，将待检测的渣浆泵运行数据集合中大于切割点的待检测的渣浆泵运行数据加入到第一右子树中，得到孤立树；
15、s122、设定孤立树最大深度，在所述第一左子树和第一右子树中重复进行切割，得到第二左子树和第二右子树，直至孤立树达到孤立树最大深度或者左子树和右子树中只包含一个待检测的渣浆泵运行数据，停止切割，得到最终孤立树；对所述原始渣浆泵运行数据矩阵中其他渣浆泵运行指标对应的原始渣浆泵运行数据进行切割处理，生成孤立森林；
16、s123、在所述待检测的渣浆泵运行数据集合中选取待检测数据点，设定待检测数据点在孤立森林中的路径长度为b，β表示标准化因子，则待检测数据点的异常得分计算公式如下：
17、
18、其中，b表示待检测数据点的异常得分；
19、依次计算所述待检测的渣浆泵运行数据集合中全部待检测的渣浆泵运行数据的异常得分，得到异常得分集合；
20、s124、对所述异常得分集合进行聚类处理，选取初始聚类中心，计算异常得分集合中异常得分和初始聚类中心距离，将异常得分集合中异常得分划分到最近初始聚类中心所在的簇中，再重新计算簇的中心，直至簇的中心不再变化，将异常得分集合聚类为第一簇和第二簇；选取所述第一簇和第二簇中异常得分个数少的作为最终簇，将所述最终簇中最小异常得分作为异常阈值；将异常得分集合中大于异常阈值对应的待检测的渣浆泵运行数据记为异常数据，并进行删除，得到处理后的渣浆泵运行数据集合，依次对原始渣浆泵运行数据矩阵进行异常数据删除，得到处理后的渣浆泵运行数据矩阵；
21、s13、在所述处理后的渣浆泵运行数据矩阵中选取任意处理后的渣浆泵运行数据集合，记为待填充的渣浆泵运行数据集合，在待填充的渣浆泵运行数据集合中缺失数据处选取k个最邻近数据，计算k个最邻近数据和缺失数据的距离和熵值，再计算k个最邻近数据的变异系数，对k个最邻近数据进行加权处理，计算公式如下：
22、
23、其中，bc′表示第c个最邻近数据的加权系数，bc′表示第c个最邻近数据的变异系数，c＝1,2,3,...,k；
24、设定bc″表示第c个最邻近数据，根据第c个最邻近数据的加权系数计算缺失数据，计算公式如下：
25、
26、其中，表示待填充的渣浆泵运行数据集合中缺失数据；
27、依次计算待填充的渣浆泵运行数据集合中全部缺失数据，得到处理好的渣浆泵运行数据集合，生成处理好的渣浆泵运行数据矩阵。
28、该专利技术通过获取原始渣浆泵运行数据，使用改进的孤立森林算法计算原始渣浆泵运行数据的异常得分，通过比较阈值和异常得分对异常数据检测和删除，可以有效检测出异常数据，适用性高，提高了渣浆泵运行数据处理速度；再使用k近邻缺失数据填补法对原始渣浆泵运行数据进行加权处理，实现缺失数据填补本文档来自技高网...
【技术保护点】
1.一种基于机器学习的渣浆泵运行监测和优化方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的一种基于机器学习的渣浆泵运行监测和优化方法，其特征在于，所述S1包括如下步骤：
3.根据权利要求2所述的一种基于机器学习的渣浆泵运行监测和优化方法，其特征在于，所述S12包括如下步骤：
4.根据权利要求3所述的一种基于机器学习的渣浆泵运行监测和优化方法，其特征在于，所述S2包括如下步骤：
5.根据权利要求4所述的一种基于机器学习的渣浆泵运行监测和优化方法，其特征在于，所述S3包括如下步骤：
6.根据权利要求5所述的一种基于机器学习的渣浆泵运行监测和优化方法，其特征在于，所述训练支持向量回归模型，得到支持向量回归预测模型包括如下步骤：
7.根据权利要求6所述的一种基于机器学习的渣浆泵运行监测和优化方法，其特征在于，所述S4包括如下步骤：
8.根据权利要求7所述的一种基于机器学习的渣浆泵运行监测和优化方法，其特征在于，所述使用逃生优化算法对渣浆泵运行指标中温度、电流和流量进行优化，得到优化后的渣浆泵运行
9.一种实现如权利要求1-8任意一项所述基于机器学习的渣浆泵运行监测和优化方法的系统，其特征在于，具体包括：渣浆泵运行数据清洗模块、渣浆泵运行监测模块、渣浆泵运行预测模块和渣浆泵运行优化模块；
...【技术特征摘要】
1.一种基于机器学习的渣浆泵运行监测和优化方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的一种基于机器学习的渣浆泵运行监测和优化方法，其特征在于，所述s1包括如下步骤：
3.根据权利要求2所述的一种基于机器学习的渣浆泵运行监测和优化方法，其特征在于，所述s12包括如下步骤：
4.根据权利要求3所述的一种基于机器学习的渣浆泵运行监测和优化方法，其特征在于，所述s2包括如下步骤：
5.根据权利要求4所述的一种基于机器学习的渣浆泵运行监测和优化方法，其特征在于，所述s3包括如下步骤：
6.根据权利要求5所述的一种基于机器学习的渣浆泵运行监测...
【专利技术属性】
技术研发人员：孟庆霞，胡自强，阮志闽，熊锋，
申请(专利权)人：江西耐普矿机股份有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。