[发明专利]基于多参量在运油色谱装置监测数据质量的分析方法

权利要求书

1.基于多参量在运油色谱装置监测数据质量的分析方法，包括以下步骤,其特征在于：

S1：数据获取，收集特高压油色谱在线监测数据、同时段的离线校验数据；

S2：数据分析，定位在线监测有价值数据的窗口范围，并判断数据与窗口范围值合理性和数据类型均衡性，获取标准训练样本集数据；

S3：评价指标确定，对比主设备运行特性油色谱在线监测数据和离线校验数据的相似性、差异性关系，依靠设备个性化健康标准和行业通用指标，开展数据可靠性、准确性、在线率映射关系研究，确定油色谱在线监测数据源健康评价指标；

S4：模型训练与构建，根据已有样本数据和评价指标，针对样本数据进行模型训练、参数调整、效果评估，根据评估效果和实际情况分析进行模型优化、迭代、更新，完善油色谱在线监测数据源健康评价模型。

2.根据权利要求1所述的基于多参量在运油色谱装置监测数据质量的分析方法，其特征在于：所述步骤1中通过数据清洗保证数据的合理性与一致性。

3.根据权利要求1所述的基于多参量在运油色谱装置监测数据质量的分析方法，其特征在于：所述步骤2中采用的数据聚类分析、关联分析方法开展离线校验数据和在线监测数据分析。

4.根据权利要求1所述的基于多参量在运油色谱装置监测数据质量的分析方法，其特征在于：所述步骤3中的评价指标包括数据有效性、数据完整性、数据稳定性和数据准确性。

5.根据权利要求1所述的基于多参量在运油色谱装置监测数据质量的分析方法，其特征在于：所述步骤4中采用到回归、多分类、聚类机器学习算法。

6.根据权利要求2所述的基于多参量在运油色谱装置监测数据质量的分析方法，其特征在于：所述数据清洗是利用在运超、特高压设备在线监测、离线试验等数据，分析油色谱特点，构建油色谱信号特征集，利用信号分类算法挖掘特高压交流设备油色谱数据关联规则，对特征量进行优选排序，其次，利用基于时间序列的数据清洗方法，分析得到具有强、弱关联的时间序列；并利用聚类算法检测时间序列中的异常数据，利用神经网络手段进行缺失数据预测和错误数据的修正，进而，对于清洗后的价值数据，对比不同场景下的典型在线监测数据在不同时间尺度下的发展规律，提出不同时间尺度下的在线监测信号特征参数自动提取技术。

7.根据权利要求4所述的基于多参量在运油色谱装置监测数据质量的分析方法，其特征在于：所述数据有效性的公式为定义样本中单台设备的数据总组数为N，清洗后有效数据组数为n，则数据有效率T＝n/N×100％，所述数据完整性的公式为每个时间段内若有大于或等于1组数据反馈，则认为本次数据完整有反馈，计数为1，否则认为本次数据缺失，计数为0，定义样本中装置测量目标时间段内应反馈的总次数为N，实际反馈数据的时间段次数为n，则数据完整性计算结果为C＝n/N×100％，所述数据完整性的公式为以测量数据的相对标准偏差RSD表示，取装置48h内连续6组的监测数据，按下式计算相对标准偏差：

式中：RSD——相对标准偏差、n——测量次数、C_i——第i次测量结果、——n次测量结果的算术平均值、i——测量序号，所述数据完整性的公式为单台装置以天为单位分析，以离线数据为基准，计算各组在线数据于当日离线数据的偏差，偏差率＝|在线值-离线值|/离线值，得到各组分偏差均值，参照标准DL/T 1432精度范围划分为A、B、C、D不同精度等级(A:100，B:60，C：30，D：0)，求出准确性分数。