数据处理不作表述。因为我用的是处理后的数据，数据点这。

工作内容1

任务描述：简单观察时序数据

CC040

VFD电流

VFD转速

这两观察一个就好。

压缩机转速反馈

蚌埠住了。

进出口差压

似乎我看不出什么。
不用看了以上数据无法用作时序分析。我们之后特征工程看看它们是否有用。现在简单处理一下，小0.1换0大0.1换1。只需选择一段就好，这几段的本质一样。那就进出口差压了。同时只有两台能用。

紧急截断阀开到位

开了29560的单位时间。

开了29554的单位时间。
唐山这里前开后关。


宝坻全都没有开启。
这些数据十分显然只能用于特征工程无法用于时序分析。

进出电动阀开到位

进站：开了0的单位时间。
出站：开了12869的单位时间。
这些数据十分显然只能用于特征工程无法用于时序分析。

发球筒电筒阀开到位

开了0的单位时间。
这些数据十分显然只能用于特征工程无法用于时序分析。

收球筒电动阀开到位

开了12874的单位时间。
这些数据十分显然只能用于特征工程无法用于时序分析。

电动阀2005开到位

开了2405的单位时间。
这些数据十分显然只能用于特征工程无法用于时序分析。

越站阀开到位

唐山：开了30082的单位时间。
宝坻：开了42946的单位时间。
这些数据十分显然只能用于特征工程无法用于时序分析。

代码忽略

工作内容2

任务描述：判断数据之中是否有天然气大量泄漏。理论概述：基于上面工作内容，显而易见不能判断天然气体是否泄漏。为什么呢？？同一时间，各种阀门开关状态组合过少。按理来说，应该有$2^{3+4+2+1+1+1+2}=2^{14}$种的状态，但是实际不是这样。例如：有的阀门一直关闭，有的阀门一直开启，有的阀门开启之时另一阀门必然关闭，有的阀门关闭之时另一阀门必然开启。这个情况在这数据尤为严重，所以不能。个人观点：压力波形作为输入才是更加合理选择。 但是显然不是上述这些简单分类变量。我们可以使用模态分解技术，奇异谱分析等进行曲线分析。我们可以使用循环神经网络，多层感知机等进行模型建立。关键就是我们需要使用哪些波形曲线。 还有就是标签问题，工作内容1中表明，所有阀门关不代表气体泄漏。根据统计学习原理，如果数据之中没有泄漏数据，那么模型就不可能能学习到泄漏特征。 特征我们都知道是多段波形，但是具体应该是什么呢？一定不是上面那些。标签我们都知道是是否泄漏，但是数据之中没有。在没有的情况之下，更偏向非统计建模。
曲线分析框架

from PyEMD import CEEMDAN
from vmdpy import VMD
import pandas as pd
import numpy as npclass Decomposition:def EMD(data):ceemdan=CEEMDAN()ceemdan.ceemdan([i for i in data])IMFS,RES=ceemdan.get_imfs_and_residue()f=pd.ExcelWriter("data/EMD.xlsx")pd.DataFrame(IMFS.T).to_excel(f,sheet_name="IMFS",index=None,columns=None,header=None)pd.DataFrame(RES.T).to_excel(f,sheet_name="RES",index=None,columns=None,header=None)f.save()return IMFS.shape[0]+1def VMD(data,x):alpha,tau,K,DC,init,tol=5000,0,x,0,1,1e-6U,u_hat,omega=VMD(data,alpha,tau,K,DC,init,tol)f=pd.ExcelWriter("data/VMD.xlsx")pd.DataFrame(U.T).to_excel(f,index=None,columns=None,header=None)f.save()def SSA(data,x):windowlen=x;datalen=data.shape[0]K=datalen-windowlen+1;X=np.zeros((windowlen,K))for i in range(K):X[:,i]=data[i:i+windowlen]U,sigma,VT=np.linalg.svd(X,full_matrices=False)for i in range(VT.shape[0]):VT[i,:]*=sigma[i]A=VTREC=np.zeros((windowlen,datalen))for i in range(windowlen):for j in range(windowlen-1):for m in range(j+1):REC[i,j]+=A[i,j-m]*U[m,i]REC[i,j]/=(j+1)for j in range(windowlen-1,datalen-windowlen+1):for m in range(windowlen):REC[i,j]+=A[i,j-m]*U[m,i]REC[i,j]/=windowlenfor j in range(datalen-windowlen+1,datalen):for m in range(j-datalen+windowlen,windowlen):REC[i,j]+=A[i,j-m]*U[m,i]REC[i,j]/=(datalen-j)f=pd.ExcelWriter("data/SSA.xlsx")pd.DataFrame(REC.T).to_excel(f,index=None,columns=None,header=None)f.save()

神经网络框架(tensorflow版)

from sklearn.neural_network import MLPRegressor
import matplotlib.pyplot as plt
from Function import Function
import tensorflow as tf
import numpy as npclass Neural_network():def BPNN(X_train,Y_train,X_test,Y_test,scaled_tool,step_size,batch_size,epochs,Boolean1,Boolean2):inputs=tf.keras.Input(shape=(step_size,))x=tf.keras.layers.Dense(step_size//4*3,activation='relu',name='dense_1')(inputs)x=tf.keras.layers.Dense(step_size//4*2,activation='relu',name='dense_2')(x)x=tf.keras.layers.Dense(step_size//4*1,activation='relu',name='dense_3')(x)x=tf.keras.layers.Dense(1,activation='relu',name='dense_4')(x)model=tf.keras.Model(inputs=inputs,outputs=x)model.compile(optimizer=tf.keras.optimizers.Adam(learning_rate=1e-4),loss='mean_squared_error')history=model.fit(X_train,Y_train,batch_size=batch_size,epochs=epochs)loss=history.history['loss']if Boolean1==True:plt.plot(loss,label='BPNN '+'Training Loss')return Function.Function2(model,X_train,X_test,scaled_tool,Y_test,Boolean2)def RNN(X_train,Y_train,X_test,Y_test,scaled_tool,step_size,batch_size,epochs,Boolean1,Boolean2):X_train=np.reshape(X_train,(X_train.shape[0],X_train.shape[1],1))model=tf.keras.models.Sequential()model.add(tf.keras.layers.SimpleRNN(step_size,input_shape=(step_size,1)))model.add(tf.keras.layers.Dense(1))model.compile(optimizer=tf.keras.optimizers.Adam(learning_rate=1e-4),loss='mean_squared_error')history=model.fit(X_train,Y_train,batch_size=batch_size,epochs=epochs)loss=history.history['loss']if Boolean1==True:plt.plot(loss,label="RNN "+'Training Loss')X_test=np.reshape(X_test,(X_test.shape[0],X_test.shape[1],1))return Function.Function2(model,X_train,X_test,scaled_tool,Y_test,Boolean2)def LSTM(X_train,Y_train,X_test,Y_test,scaled_tool,step_size,batch_size,epochs,Boolean1,Boolean2):X_train=np.reshape(X_train,(X_train.shape[0],X_train.shape[1],1))model=tf.keras.models.Sequential()model.add(tf.keras.layers.LSTM(step_size,input_shape=(step_size,1)))model.add(tf.keras.layers.Dense(1))model.compile(optimizer=tf.keras.optimizers.Adam(learning_rate=1e-4),loss='mean_squared_error')history=model.fit(X_train,Y_train,batch_size=batch_size,epochs=epochs)loss=history.history['loss']if Boolean1==True:plt.plot(loss,label="LSTM "+'Training Loss')X_test=np.reshape(X_test,(X_test.shape[0],X_test.shape[1],1))return Function.Function2(model,X_train,X_test,scaled_tool,Y_test,Boolean2)def GRU(X_train,Y_train,X_test,Y_test,scaled_tool,step_size,batch_size,epochs,Boolean1,Boolean2):X_train=np.reshape(X_train,(X_train.shape[0],X_train.shape[1],1))model=tf.keras.models.Sequential()model.add(tf.keras.layers.GRU(step_size,input_shape=(step_size,1)))model.add(tf.keras.layers.Dense(1))model.compile(optimizer=tf.keras.optimizers.Adam(learning_rate=1e-4),loss='mean_squared_error')history=model.fit(X_train,Y_train,batch_size=batch_size,epochs=epochs)loss=history.history['loss']if Boolean1==True:plt.plot(loss,label="GRU "+'Training Loss')X_test=np.reshape(X_test,(X_test.shape[0],X_test.shape[1],1))return Function.Function2(model,X_train,X_test,scaled_tool,Y_test,Boolean2)def MLP(X_train,Y_train,X_test,Y_test,scaled_tool,Boolean):model=MLPRegressor(max_iter=50,hidden_layer_sizes=(200),random_state=0)model.fit(X_train,Y_train)return Function.Function2(model,X_train,X_test,scaled_tool,Y_test,Boolean)

工作内容3

之前的word。据word中的那些工作，温度压强同阀门的开关有强作用。也许温度也在考虑范围。温度直接影响压强从而影响模型效果。