[发明专利]涂装烘干室的能耗异常检测方法、装置

权利要求书

1.一种涂装烘干室的能耗异常检测方法，其特征在于，该方法运用经过训练的孤立森林模型检测待测能耗数据，识别出待测能耗数据中的异常数据；

其中，所述孤立森林模型的训练过程包括以下步骤：

S1、采集历史能耗数据，所述能耗数据包括若干个数据特征，以历史正常的能耗数据建立初始正常样本和初始异常样本，基于初始正常样本中的每个数据特征的正态分布计算初始正常样本的概率分布；

S2、基于初始正常样本的概率分布确定子采样的阈值；

S3、基于初始正常样本和初始异常样本建立训练集和测试集；

S4、对训练集中的正常样本进行子采样，结合训练集中的异常样本建立孤立树；

S5、基于所述孤立树建立孤立森林模型；

S6、更新所述阈值，优化所述孤立森林模型；

S7、利用孤立森林模型识别测试集中的异常数据，并计算通过孤立森林模型识别测试集中的异常数据与测试集中原本的异常样本的F1分数，通过所述F1分数检测通过步骤S1～S6训练的孤立森林模型的精确度；

所述训练集包括正常样本和异常样本所述测试集包括正常样本和异常样本所述正常样本和所述正常样本构成所述初始正常样本，所述异常样本和所述异常样本构成初始异常样本；

所述正常样本中的能耗数据与所述正常样本中的能耗数据的数量之比等于所述异常样本中的能耗数据与所述异常样本中的能耗数据的数量之比；

优化所述孤立森林模型的具体步骤为：

利用孤立森林模型识别训练集中的异常样本，得到γ个经过异常可能性排序的异常样本及样本异常得分组合对异常得分组合S进行检验，将其中的异常样本和误判异常的正常样本分开为S^a和Sⁿ，用S^a更新阈值，直到对数似然损失函数值收敛。

2.如权利要求1所述的涂装烘干室的能耗异常检测方法，其特征在于，该方法还包括：

在识别出待测能耗数据中的异常数据之后，将待测的能耗数据中的正常数据以一定周期迭代到训练孤立森林模型中的步骤S1中的历史能耗数据，更新历史能耗数据，进行新一轮的孤立森林模型训练。

3.如权利要求1所述的涂装烘干室的能耗异常检测方法，其特征在于，在步骤S2中，所述阈值为初始正常样本中偏离样本数据中心最远的能耗数据。

4.一种涂装烘干室的能耗异常检测装置，其特征在于，包括：

能耗数据检测单元，所述能耗数据检测单元用于通过孤立森林模型检测待测能耗数据，识别出待测能耗数据中的异常数据；

孤立森林模型训练单元，所述孤立森林模型训练单元用于训练孤立森林模型；

其中，所述孤立森林模型训练单元包括：

历史能耗数据采集模块，所述历史能耗数据采集模块用于采集历史能耗数据，以历史正常的能耗数据建立初始正常样本和初始异常样本，基于初始正常样本中的每个数据特征的正态分布计算初始正常样本的概率分布；

子采样阈值确定模块，所述子采样阈值确定模块用于基于初始正常样本的概率分布确定子采样的阈值；

训练集和测试集构建模块，所述训练集和测试集构建模块用于基于初始正常样本和初始异常样本建立训练集和测试集；

孤立树构建模块，所述孤立树构建模块用于对训练集中的正常样本进行子采样，结合训练集中的异常样本建立孤立树；

孤立森林模型构建模块，所述孤立森林模型构建模块用于基于所述孤立树建立孤立森林模型；

孤立森林模型优化模块，所述孤立森林模型优化模块用于更新所述阈值，优化所述孤立森林模型；

孤立森林模型检测模块，所述孤立森林模型检测模块用于利用孤立森林模型识别测试集中的异常数据，并计算通过孤立森林模型识别测试集中的异常数据与测试集中原本的异常样本的F1分数，通过所述F1分数检测孤立森林模型的精确度；

所述训练集包括正常样本和异常样本所述测试集包括正常样本和异常样本所述正常样本和所述正常样本构成所述初始正常样本，所述异常样本和所述异常样本构成初始异常样本；

所述正常样本中的能耗数据与所述正常样本中的能耗数据的数量之比等于所述异常样本中的能耗数据与所述异常样本中的能耗数据的数量之比；

优化所述孤立森林模型的具体步骤为：

利用孤立森林模型识别训练集中的异常样本，得到γ个经过异常可能性排序的异常样本及样本异常得分组合对异常得分组合S进行检验，将其中的异常样本和误判异常的正常样本分开为S^a和Sⁿ，用S^a更新阈值，直到对数似然损失函数值收敛。