[发明专利]涂装烘干室的能耗异常检测方法、装置

说明书

本发明提供一种涂装烘干室的能耗异常检测方法、装置，涉及能耗检测领域。本发明通过孤立森林模型将异常能耗数据识别出来，可以减少烘干室生产过程中异常产生的能耗浪费，从而降低了车间的生产成本，促进能源高效使用，并且，能及时对设备进行维护，延长设备使用寿命。

技术领域

本发明涉及能耗检测技术领域，具体涉及一种涂装烘干室的能耗异常检测方法、装置。

背景技术

汽车等需要涂装的产品制造过程中，涂装车间能耗占整车制造能耗的70％以上，其中烘干工序在车身涂装过程中的能耗占比最大，其能耗对整体的涂装车间的能耗管理有着很大的影响。因此，降低涂装车间烘干工序的能耗至关重要。现有的烘干室能耗管理方法包括：烘干工艺优化，烘干室结构优化，数据分析的方法。其中，数据分析的方法能对涂装车间设备的能耗异常的监控，它有助于提高车间能耗的高效利用，有助于提高车间生产的智能管理。

现有的技术主要通过统计学习的方法、人工神经网络等方法对能耗数据进行分析，识别出异常数据。

然而现有的技术存在着很多不足，例如统计方法以通过对数据的分布区分整体数据的集中程度，以此识别出异常数据，但是数据的整体分布进行区分识别，缺少对数据内部各维度的细粒度分析；人工神经网络由于其计算量较大，部署车间生产环境要求较高，同时算法解释性较差，难以适应大型汽车生产环境，由此可知，现有的数据分析的方法的推广性差，不适应于较大维度样本的异常检测。

发明内容

(一)解决的技术问题

针对现有技术的不足，本发明提供了一种涂装烘干室的能耗异常检测方法、装置，解决了现有的数据分析的方法不适应于较大维度样本的异常检测的技术问题。

(二)技术方案

为实现以上目的，本发明通过以下技术方案予以实现：

本发明提供一种涂装烘干室的能耗异常检测方法，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。

优选的，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。

优选的，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。

优选的，在步骤S3中，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；