[发明专利]基于多输入多输出ResNet的设备智能预警方法

权利要求书

1.一种基于多输入多输出ResNet的设备智能预警方法，其特征是：包括如下几个步骤：

步骤一：选取设备相关历史数据，并进行预处理；

步骤二：构建多输入多输出ResNet网络；

步骤三：利用经预处理后的设备相关历史数据对多输入多输出ResNet网络进行训练，得到智能预警模型，并分析训练结果，得到残差阈值；

步骤四：获取设备相关实时数据，利用智能预警模型计算预测值，并根据残差阈值判断设备运行状态。

2.根据权利要求1所述的基于多输入多输出ResNet网络的设备智能预警方法，其特征是：所述的步骤一的具体过程如下：

（1）从实时数据库中抽取一段时间的历史数据，这些历史数据包括与设备相关的测点数据，以及能够反映整体工况的测点的数据；对上述数据进行筛选，确保所选数据为设备正常状态下的运行数据，并删除超限、无效数据；

（2）对步骤（1）得到的数据进行变换、标准化，使数据满足多输入多输出ResNet网络的输入输出维度要求，并消除数据量纲差异，最终得到训练数据集。

3.根据权利要求1或2所述的基于多输入多输出ResNet网络的设备智能预警方法，其特征是：所述的步骤（2）的具体过程为：

对于筛选后的m*n阶数据矩阵M，其中m为样本数量，n为测点个数，即特征数量，定位其中代表反映整体工况的特征的位置k，然后对矩阵M除k特征外的每一个特征进行处理，循环次数为n-1；第i次循环的特征处理过程具体为：

1 令，保存为，其中；

2 对数据进行标准化处理，消除各特征量纲，标准化处理后的矩阵保存为，标准化公式为：

将各特征均值、方差向量保存在数据结构中；

循环结束后构造出如下元组：

将进行变换后得到训练数据矩阵：

其中，m为筛选后数据样本数量，n为设备相关数据的特征数量；

然后，在将M中反映整体工况的特征数据删除，并按上述标准化公式进行标准化处理，消除各特征量纲，均值、方差保存在数据结构中，最终得到训练输出矩阵： 。

4.根据权利要求1所述的基于多输入多输出ResNet网络的设备智能预警方法，其特征是：所述的步骤二的具体过程为：

（1）构建一个卷积层，其输入为样本矩阵，卷积核个数为32，计算步长为1，padding为same，并采用relu函数激活；

（2）构建一个卷积层，其输入为第一个卷积层的输出，卷积核个数为64，计算步长为1，padding为same，定义其输出为h1；

（3）构建一个卷积层，将h1采用relu函数激活后作为输入，卷积核个数为64，计算步长为1，padding为same，并采用relu函数激活；

（4）构建一个卷积层，其输入为3卷积层的输出，卷积核个数为64，计算步长为1，padding为same，定义其输出为h2；

（5）将h1与h2相加，并采用relu函数激活，定义其输出为out2；

（6）构建一个卷积层，其输入为out2，卷积核个数为64，计算步长为1，padding为same，并采用relu函数激活；

（7）构建一个卷积层，其输入为7卷积层的输出，卷积核个数为64，计算步长为1，padding为same，定义其输出为h3；

（8）将h3与out2相加，并采用relu函数激活，定义其输出为out3；

（9）构建一个卷积层，其输入为out3，卷积核个数为64，计算步长为1，padding为same，并采用relu函数激活；

（10）构建一个全连接层，具有64个神经元，其输入9卷积层的输出，采用relu函数激活；

（11）构建一个输出层，输出节点个数为n-1，n为设备相关数据的特征数量，保存该网络为。

5.根据权利要求1所述的一种基于多输入多输出ResNet网络的设备智能预警方法，其特征是：步骤三的具体过程为：

（1）将预处理后的数据集按特定比例拆分为训练集：，验证集：；

（2）按高斯分布随机初始化网络参数，设置损失函数为均方误差损失，设置初始学习率为0.001，并随训练轮次按指数下降，设置训练轮次为20轮，设置批量梯度下降的样本数量为2000；

（3）将训练集：送入网络进行训练，得到预测模型;

（4）利用模型对验证集：进行数据预测，得到预测数据集：，将按进行反归一化，并做差得到残差集：；

（5）取特定比例的置信区间边界和特定比例分位数中较大的值作为阈值上下限。