燃气表的健康度评分方法及电子设备与流程

本技术涉及燃气表监测，具体提供一种燃气表的健康度评分方法及电子设备。

背景技术：

1、随着燃气表智能化水平的不断提升，燃气表健康度评估已成为保障燃气安全使用、降低运维成本的关键技术环节，通过对燃气表运行数据的系统分析，可以获得燃气表的实时健康状态，在故障发生前进行有效预警，减少安全隐患。

2、现有技术大多采用单一来源的数据对燃气表的健康状态进行判断，但是在燃气表实际运行过程中，不同来源的数据之间存在互补性和潜在关联，仅依赖其中一类数据，难以完整准确地对燃气表进行健康评估。现有技术还存在将不同来源的燃气表数据进行简单的拼接，统一输入全连接网络的方式对燃气表健康状态进行判断的技术方案，但由于不同来源的数据对燃气表健康评估的贡献程度是随运行阶段、故障类型、环境条件等因素动态变化的，这种方式会忽视不同数据在实际故障场景中的贡献差异，缺乏对数据重要性的自适应调节能力，难以支撑动态、细粒度的运维决策，最终生成的健康评分也容易偏离实际风险水平，不仅无法及时识别运行风险，进而导致燃气表无法及时更换或维修，还容易发生故障发现滞后或误预警现象，增加泄漏、计量失准等安全隐患，难以满足燃气公司和用户对燃气表的预测性运维和精细化管理等实际需求。‌

3、因此，亟需一种技术方案来解决上述技术问题。

技术实现思路

1、本技术旨在解决上述技术问题，即解决如何结合不同来源数据提高燃气表健康度的评估精度的问题。

2、在第一方面，本技术提供一种燃气表的健康度评分方法，包括：

3、获取目标燃气表的历史数据，所述历史数据包括所述目标燃气表在预设历史时间段内的用量数据和报警数据；

4、根据所述用量数据和第一卷积自动编码器，获得用量特征向量，并根据所述报警数据和第二卷积自动编码器，获得报警特征向量；

5、基于预设的注意力机制网络，分别确定所述用量特征向量和报警特征向量对应的注意力权重，并根据所述注意力权重对所述用量特征向量和报警特征向量进行特征融合，得到综合特征向量；

6、根据所述综合特征向量，确定所述目标燃气表当前的健康度评分。

7、在上述燃气表的健康度评分方法的一个技术方案中，所述根据所述用量数据和第一卷积自动编码器，获得用量特征向量，包括：

8、对所述用量数据进行预处理，构成用量多维特征矩阵，所述用量多维特征矩阵为由时间维度和用量特征维度构成的特征矩阵；

9、基于所述第一卷积自动编码器，对所述用量多维特征矩阵进行特征提取和特征增强，得到用量增强特征矩阵；

10、将所述用量增强特征矩阵进行扁平化处理，以将所述用量增强特征矩阵展开为一维向量，得到用量特征向量。

11、在上述燃气表的健康度评分方法的一个技术方案中，所述对所述用量数据进行预处理，构成用量多维特征矩阵，包括：

12、对所述用量数据进行归一化处理，以将所述用量数据全部映射到预设的数值范围内；

13、根据归一化处理结果，确定在预设的时间周期内的所述目标燃气表的用气情况，所述用气情况包括平均用气量、最大用气量、用气波动值、用气量变化幅度中的至少一种；

14、根据所述目标燃气表的用气情况，确定所述用量特征维度的数据，构成用量多维特征矩阵。

15、在上述燃气表的健康度评分方法的一个技术方案中，所述根据所述报警数据和第二卷积自动编码器，获得报警特征向量，包括：

16、对所述报警数据进行预处理，构成报警多维特征矩阵，所述报警多维特征矩阵为由时间维度和报警特征维度构成的特征矩阵；

17、基于所述第二卷积自动编码器，对所述报警多维特征矩阵进行特征提取和特征增强，得到报警增强特征矩阵；

18、将所述报警增强特征矩阵进行扁平化处理，以将所述报警增强特征矩阵展开为一维向量，得到报警特征向量。

19、在上述燃气表的健康度评分方法的一个技术方案中，所述对所述报警数据进行预处理，构成报警多维特征矩阵，包括：

20、根据所述报警数据，确定至少一个报警类型，所述报警类型为用于表示燃气表的故障原因的类型；

21、根据所述报警数据，确定每一所述报警类型在预设的时间粒度内的报警事件发生情况，所述发生情况包括所述报警事件的发生次数、持续时长、发生频率中的至少一种数据；

22、根据所述报警事件发生情况确定报警特征维度的数据，以构建报警多维特征矩阵。

23、在上述燃气表的健康度评分方法的一个技术方案中，所述注意力机制网络包括至少一个全连接层和激活函数；

24、所述基于预设的注意力机制网络，分别确定所述用量特征向量和报警特征向量对应的注意力权重，包括：

25、根据所述用量特征向量和所述报警特征向量，获得联合特征；

26、基于所述至少一个全连接层对所述联合特征进行非线性变换，得到报警原始注意力分数和用量原始注意力分数；

27、基于所述激活函数，将所述报警原始注意力分数和所述用量原始注意力分数进行归一化，得到用量特征向量对应的第一注意力权重和报警特征向量对应的第二注意力权重。

28、在上述燃气表的健康度评分方法的一个技术方案中，所述根据所述注意力权重对所述用量特征向量和报警特征向量进行特征融合，得到综合特征向量，包括：

29、将所述第一注意力权重和所述用量特征向量进行相乘，得到用量加权特征向量；

30、将所述第二注意力权重和所述报警特征向量进行相乘，得到报警加权特征向量；

31、将所述用量加权特征向量和所述报警加权特征向量，进行叠加或拼接，得到综合特征向量。

32、在上述燃气表的健康度评分方法的一个技术方案中，所述根据所述综合特征向量，确定所述目标燃气表当前的健康度评分，包括：

33、基于预先训练的全连接神经网络，根据所述综合特征向量，确定所述目标燃气表当前的健康度评分。

34、在上述燃气表的健康度评分方法的一个技术方案中，所述全连接神经网络包括多层全连接层和连接于最后一层全连接层之后的输出层；所述根据所述综合特征向量，确定所述目标燃气表当前的健康度评分，包括：

35、基于所述多层全连接层，对所述综合特征向量进行逐层特征映射和信息融合，得到初始健康度评分；

36、基于所述输出层，根据所述初始健康度评分确定最终的健康度评分，所述输出层为以sigmoid函数作为激活函数的输出层。

37、在上述燃气表的健康度评分方法的一个技术方案中，所述方法还包括：

38、获取预先标注的燃气表的多源数据，得到训练数据集，所述多源数据为以燃气表健康评分作为标签的包含有燃气表的用量数据和报警数据的数据；

39、根据所述训练数据集，对所述第一卷积自动编码器、第二卷积自动编码器、注意力机制网络、全连接神经网络进行端到端的联合训练。

40、在上述燃气表的健康度评分方法的一个技术方案中，所述根据所述训练数据集，对所述第一卷积自动编码器、第二卷积自动编码器、注意力机制网络、全连接神经网络进行端到端的联合训练，包括：

41、根据所述训练数据集，获取每一训练数据经过所述第一卷积自动编码器、第二卷积自动编码器、注意力机制网络、全连接神经网络后得到的健康评分结果；

42、根据预设的损失函数，确定所述健康评分结果与作为标签的燃气表健康评分之间的损失值；

43、根据反向传播算法和所述损失值，确定损失函数对所述第一卷积自动编码器、第二卷积自动编码器、注意力机制网络、全连接神经网络中的每一模型参数的参数梯度；

44、根据所述参数梯度和优化器，以所述损失值为目标更新每一模型参数，直至所述损失值收敛，得到训练完成的所述第一卷积自动编码器、第二卷积自动编码器、注意力机制网络、全连接神经网络。

45、在第二方面，本技术提供一种电子设备，所述系统包括：

46、至少一个处理器；

47、以及，与所述至少一个处理器通信连接的存储器；

48、其中，所述存储器中存储有计算机程序，所述计算机程序被所述至少一个处理器执行时实现上述技术方案中所述的燃气表的健康度评分方法。

49、在采用上述技术方案的情况下，本技术能够获取目标燃气表的历史数据，以得到目标燃气表在预设历史时间段内的用量数据和报警数据；根据用量数据和第一卷积自动编码器，获得用量特征向量，并根据报警数据和第二卷积自动编码器，获得报警特征向量；基于预设的注意力机制网络，分别确定用量特征向量和报警特征向量对应的注意力权重，并根据注意力权重对用量特征向量和报警特征向量进行特征融合，得到综合特征向量；根据综合特征向量，确定目标燃气表当前的健康度评分。

50、通过上述配置方式，本技术通过利用第一卷积自动编码器和第二卷积自动编码器分别对燃气表的用量数据和报警数据进行特征提取和增强，能够针对性地发挥卷积自动编码器的分布特征，提高对不同类型的特征数据的提取质量，实现多源数据的深层特征挖掘。并且，还能够利用注意力机制网络的动态加权融合能力，根据数据贡献度对报警特征向量和用量特征向量自适应地分配注意力权重，提升了多源数据的融合有效性，进而实现了燃气表健康度的精准量化评分。