论文摘要
数据清洗过程是对锅炉设备在线监测数据预处理的一个重要环节,针对数据清洗步骤繁琐,易导致连续性数据被破坏等问题,提出一种基于混合自适应性矩估计和随机梯度下降算法优化的堆栈降噪自编码器的数据清洗方法。首先,引入自适应性矩阵估计和随机梯度下降的混合算法,以不断调整堆栈降噪自编码器模型的网络参数。其次,利用模型训练正常状态数据,获取数据的隐藏特征,得到正常状态下的重构误差。再次,用该模型检测异常状态数据,根据其重构误差分析各种类型的数据对模型的影响,并对"脏数据"和反映设备故障的异常数据进行快速分类清洗修复。通过某电厂锅炉监测数据的清洗修补实验,证明了该方法能准确识别出"脏数据",修补后的数据亦能遵循数据整体的分布规律,满足了数据的清洗要求,为后续数据分析挖掘和设备故障诊断工作奠定了良好的基础。
论文目录
文章来源
类型: 期刊论文
作者: 娄建楼,李燕,王琦,孙博,贾俊奇
关键词: 锅炉设备,在线监测数据,数据清洗,深度学习,堆栈降噪自编码器,特征提取
来源: 计算机集成制造系统 2019年12期
年度: 2019
分类: 信息科技,工程科技Ⅱ辑
专业: 电力工业
单位: 东北电力大学计算机学院,吉林省电力大数据智能处理工程技术研究中心,中国石油天然气集团有限公司吉林石化分公司动力一厂
基金: 吉林省科技发展计划资助项目(20180101335JC)~~
分类号: TM621.2
DOI: 10.13196/j.cims.2019.12.019
页码: 3181-3190
总页数: 10
文件大小: 671K
下载量: 171