[发明专利]一种水质传感器异常数据检测与故障诊断方法

权利要求书

1.一种水质传感器异常数据检测与故障诊断方法，其特征在于，包括以下步骤：

步骤1，收集N个无标签样本水质传感器数据集{D₁，D₂，…D_N}并进行预处理，每个数据集D_i包含m个时间段的检测数据，D_i＝[V₁，V₂，…，V_m]，其中V_i为多维数据点，表示某个时间段的水质传感器检测的水质情况；

数据预处理的过程为：

对于单个数据集D_i，随机抽取r²个向量，并合成n*r*r维的张量，其中包含的n维单项指标数作为深强化学习单次采样回合episode的初始状态S；

步骤2，构造深强化学习网络

步骤2.1，深强化学习网络包括Alex卷积神经网络和Actor_Critic网络，使用Alex卷积神经网络提取每个数据点之间的数据差异特征，Actor_Critic网络作为决策与评价网络；

其中，Alex卷积神经网络从前至后包含五个卷积层，每个卷积层中设置一个卷积核，前后相邻的卷积层之间设置激活函数ReLU函数与一个池化层，最后一个池化层之后接一个平滑层Flatten，实现卷积层与全连接层的过渡；在卷积神经网络与Actor_Critic网络之间连接一个自适应平均池化层；

Actor_Critic网络包括决策网络Actor与评价网络Critic，决策网络Actor包含两个输出层分别输出参数均值μ与方差σ，构成生成动作action的高斯概率分布，增加动作的探索能力；其中a为动作action的输出，表示为生成的超平面的权重W与偏差b；评价网络Critic包含两个隐藏层，一个输出层，输出评估在状态S下的评价值函数值，评估函数值越大，则表明这个状态S越优；

步骤2.2，决策网络Actor输出n+1个均值μ与均方差σ，n为一个多维数据点V_i的维度，即传感器数据的测量指标数；其中n个高斯概率分布生成超平面U的权重W＝[W₁，W₂，..W_n]，一个高斯概率分布生成超平面U的偏差b，U＝[W₁，W₂，..W_n]V_i+b；超平面U将数据集分割为正区域，负区域与超平面区域；其中正区域内是正常数据点，负区域内是异常数据点，超平面区域为超平面上的点；

步骤3，根据多维数据点的概率密度特性，建立作为强化学习中智能体进行交互的环境，设置每次智能体与环境交互的动作和得到的回报；所述动作为每次对多维数据点进行分类的超平面，得到的回报为衡量生成这次超平面的分类效果的好坏的值；

步骤4，针对深强化学习网络，输入样本数据，进行迭代训练至总回报值稳定收敛，提取网络模型参数保存最优的模型；

步骤5，将待检测的无标签样本传感器数据集输入模型中，生成多个超平面；

根据不同的超平面，将无标签样本传感器数据集划分为不同程度的正负区域：正区域为正常数据，负区域为异常数据；检测出现在准确度较低的超平面的负区域的数据点，将其视为异常数据；记录数据点多次出现在准确度较低的超平面的负区域时的对应的传感器，判断该传感器可能发生故障。

2.根据权利要求1所述的水质传感器异常数据检测与故障诊断方法，其特征在于，Alex卷积神经网络中，每个卷积层中设置一个卷积核，维度为5*5*n；卷积层维度输出公式其中w为输入尺寸r，即输入的n*r*r维的张量，k为卷积核的维度5，p为填充0，s为步长1；池化层维度输出公式其中w为卷积层输出维度，k为池化窗口的维度3，s为步长1。