技术新讯 > 计算推算,计数设备的制造及其应用技术 > 一种基于k近邻学习的冷却水管路结露检测方法及系统与流程  >  正文

一种基于k近邻学习的冷却水管路结露检测方法及系统与流程

  • 国知局
  • 2024-07-31 22:47:09

本技术涉及管路结露领域,尤其涉及一种基于k近邻学习的冷却水管路结露检测方法及系统。

背景技术:

1、冷却水管路结露是由于设备在相对潮湿的环境下,冷却水管表面温度和环境温度存在较大温差而产生的空气水分凝结现象。冷却水管路结露会侵蚀管路表面防护层,并对管路上加装的监测元件造成影响,严重影响运行稳定性和减少管路使用年限,因此有效预测冷却水管路结露情况从而对设备结露进行有效清理显得尤为重要。

2、冷却水管路表面材质、冷却水管所处位置湿度、冷却水管路同环境的温差都是设备结露的重要影响因素。但设备不同位置的温度和湿度存在较大差异,部分设备的重点结露部位难以加装监测元件(如:温度计、湿度计等),虽然多数设备能加装监测元件,但测量的数据不能对设备结露与否进行准确预测,这使得冷却水管路结露多采用人工巡检进行监测。因此,亟需提出一种根据已加装监测装置的监测数据进行结露情况的预测方法。

技术实现思路

1、本技术提供一种基于k近邻学习的冷却水管路结露检测方法及系统,以至少解决结露情况需要人工巡检的技术问题。

2、本技术第一方面实施例提出一种基于k近邻学习的冷却水管路结露检测方法,所述方法包括:

3、获取历史时段内各时刻的冷却水管路的环境温度、湿度、所述冷却水管路的总管温度、天气数据和各时刻的结露数据;

4、根据所述历史时段内各时刻的冷却水管路的环境温度、湿度、所述冷却水管路的总管温度、天气数据和结露数据对初始的k近邻学习模型的邻居数量进行优化,得到优化后的k近邻学习模型的邻居数量;

5、获取待检测时刻冷却水管路所在位置的环境温度、湿度、所述冷却水管路的总管温度和天气数据;

6、基于所述优化后的k近邻学习模型的邻居数量和所述环境温度、湿度、所述冷却水管路的总管温度和天气数据确定所述待检测时刻冷却水管路的结露数据。

7、优选的,所述根据所述历史时段内各时刻的冷却水管路的环境温度、湿度、所述冷却水管路的总管温度、天气数据和结露数据对初始的k近邻学习模型的邻居数量进行优化之前还包括:

8、对所述各时刻的冷却水管路的环境温度、湿度、所述冷却水管路的总管温度、天气数据和各时刻的结露数据进行预处理,得到预处理后的环境温度、湿度、所述冷却水管路的总管温度、天气数据和各时刻的结露数据,并构建样本集;

9、其中,所述预处理包括:对所述各时刻的冷却水管路的环境温度、湿度、所述冷却水管路的总管温度、天气数据和各时刻的结露数据中的缺失值进行删除和填充。

10、进一步的,所述根据所述历史时段内各时刻的冷却水管路的环境温度、湿度、所述冷却水管路的总管温度、天气数据和结露数据对初始的k近邻学习模型的邻居数量进行优化,得到优化后的k近邻学习模型的邻居数量,包括:

11、步骤f1:利用留去法对所述样本集进行分类,得到训练集和测试集;

12、步骤f2:利用python构造初始的k近邻学习模型,并第i次设定查询默认邻居的数量为k;

13、步骤f3:基于有效距离确定所述测试集中各时刻的冷却水管路的环境温度、湿度、所述冷却水管路的总管温度在所述训练集中的k个邻居,并将各时刻对应的k个邻居中数量最多的结露数据作为测试集中各时刻的预测结露数据;

14、步骤f4:将所述测试集中各时刻的预测结露数据与测试集中各时刻的结露数据进行对比,计算mse、rmse、r相关系数、mae、mape、查准率p、查全率r和预测精度a评估参数,并确定评估结果,然后基于所述评估结果绘制混淆矩阵;

15、步骤f5:判断i是否等于i,且所述评估参数满足预设要求,若是,进入步骤f6,否则,令i=i+1,并返回步骤f2,其中i大于等于10;

16、步骤f6:对比各邻居的数量下所述k近邻学习模型的评估结果和混淆矩阵,基于所述评估结果和混淆矩阵选出精度最高的k近邻学习模型,并将所述k近邻学习模型的邻居数量作为优化后的k近邻学习模型的邻居数量。

17、进一步的,所述有效距离的计算式如下所示:

18、

19、式中,yα,r为第α时刻数据与第r时刻数据的有效距离,aαi为第α时刻的第i个数据,bri为第r时刻的第i个数据。

20、进一步的,所述训练集和测试集是按照9:1的比例将所述样本集进行划分的;

21、其中所述训练集和测试集为彼此互斥的数据集。

22、本技术第二方面实施例提出一种基于k近邻学习的冷却水管路结露检测系统,包括:

23、第一获取模块,用于获取历史时段内各时刻的冷却水管路的环境温度、湿度、所述冷却水管路的总管温度、天气数据和各时刻的结露数据;

24、优化模块,用于根据所述历史时段内各时刻的冷却水管路的环境温度、湿度、所述冷却水管路的总管温度、天气数据和结露数据对初始的k近邻学习模型的邻居数量进行优化,得到优化后的k近邻学习模型的邻居数量;

25、第二获取模块,用于获取待检测时刻冷却水管路所在位置的环境温度、湿度、所述冷却水管路的总管温度和天气数据;

26、检测模块,用于基于所述优化后的k近邻学习模型的邻居数量和和所述环境温度、湿度、所述冷却水管路的总管温度和天气数据确定所述待检测时刻冷却水管路的结露数据。

27、优选的,所述系统还包括:预处理模块;

28、所述预处理模块,用于对所述各时刻的冷却水管路的环境温度、湿度、所述冷却水管路的总管温度、天气数据和各时刻的结露数据进行预处理,得到预处理后的环境温度、湿度、所述冷却水管路的总管温度、天气数据和各时刻的结露数据,并构建样本集;

29、其中,所述预处理包括:对所述各时刻的冷却水管路的环境温度、湿度、所述冷却水管路的总管温度、天气数据和各时刻的结露数据中的缺失值进行删除和填充。

30、进一步的,所述优化模块,还用于:

31、步骤e1:利用留去法对所述样本集进行分类,得到训练集和测试集;

32、步骤e2:利用python构造初始的k近邻学习模型,并第i次设定查询默认邻居的数量为k;

33、步骤e3:基于有效距离确定所述测试集中各时刻的冷却水管路的环境温度、湿度、所述冷却水管路的总管温度在所述训练集中的k个邻居,并将各时刻对应的k个邻居中数量最多的结露数据作为测试集中各时刻的预测结露数据;

34、步骤e4:将所述测试集中各时刻的预测结露数据与测试集中各时刻的结露数据进行对比,计算mse、rmse、r相关系数、mae、mape、查准率p、查全率r和预测精度a评估参数,并确定评估结果,然后基于所述评估结果绘制混淆矩阵;

35、步骤e5:判断i是否等于i,且所述评估参数满足预设要求,若是,进入步骤e6,否则,令i=i+1,并返回步骤e2,其中i大于等于10;

36、步骤e6:对比各邻居的数量下所述k近邻学习模型的评估结果和混淆矩阵,基于所述评估结果和混淆矩阵选出精度最高的k近邻学习模型,并将所述k近邻学习模型的邻居数量作为优化后的k近邻学习模型的邻居数量。

37、本技术第三方面实施例提出一种电子设备,包括:存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时,实现如第一方面实施例所述的方法。

38、本技术第四方面实施例提出一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如第一方面实施例所述的方法。

39、本技术的实施例提供的技术方案至少带来以下有益效果:

40、本技术提出了一种基于k近邻学习的冷却水管路结露检测方法及系统,其中所述方法包括:获取历史时段内各时刻的冷却水管路的环境温度、湿度、所述冷却水管路的总管温度、天气数据和各时刻的结露数据;根据所述历史时段内各时刻的冷却水管路的环境温度、湿度、所述冷却水管路的总管温度、天气数据和结露数据对初始的k近邻学习模型的邻居数量进行优化,得到优化后的k近邻学习模型的邻居数量;获取待检测时刻冷却水管路所在位置的环境温度、湿度、所述冷却水管路的总管温度和天气数据;基于所述优化后的k近邻学习模型的邻居数量和所述环境温度、湿度、所述冷却水管路的总管温度和天气数据确定所述待检测时刻冷却水管路的结露数据。本技术提出的技术方案,可以根据冷却水管路的监测数据和天气状况,精确的预测冷却水管路结露情况。

41、本技术附加的方面以及优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本技术的实践了解到。

本文地址:https://www.jishuxx.com/zhuanli/20240730/194580.html

版权声明:本文内容由互联网用户自发贡献,该文观点仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌抄袭侵权/违法违规的内容, 请发送邮件至 YYfuon@163.com 举报,一经查实,本站将立刻删除。