技術(shù)特征：

1.基于人工智能的蒸汽發(fā)生器狀態(tài)實(shí)時(shí)監(jiān)測(cè)方法，其特征在于，包括如下步驟：

2.如權(quán)利要求1所述的基于人工智能的蒸汽發(fā)生器狀態(tài)實(shí)時(shí)監(jiān)測(cè)方法，其特征在于，在步驟s2的數(shù)據(jù)擴(kuò)充中，樣本生成的訓(xùn)練流程如下：

3.如權(quán)利要求1所述的基于人工智能的蒸汽發(fā)生器狀態(tài)實(shí)時(shí)監(jiān)測(cè)方法，其特征在于，在步驟s3的特征提取模型訓(xùn)練中，采用基于特征提取果蠅優(yōu)化的神經(jīng)網(wǎng)絡(luò)算法，其訓(xùn)練流程如下：

4.如權(quán)利要求1所述的基于人工智能的蒸汽發(fā)生器狀態(tài)實(shí)時(shí)監(jiān)測(cè)方法，其特征在于，在步驟s4的特征降維模型訓(xùn)練中，采用基于局部保持投影的自編碼神經(jīng)網(wǎng)絡(luò)算法實(shí)現(xiàn)特征降維，訓(xùn)練流程如下：

5.如權(quán)利要求1所述的基于人工智能的蒸汽發(fā)生器狀態(tài)實(shí)時(shí)監(jiān)測(cè)方法，其特征在于，在步驟s5的分類器模型訓(xùn)練中，采用基于稀疏子空間學(xué)習(xí)的隨機(jī)森林算法進(jìn)行訓(xùn)練，流程如下：

6.如權(quán)利要求2所述的基于人工智能的蒸汽發(fā)生器狀態(tài)實(shí)時(shí)監(jiān)測(cè)方法，其特征在于，步驟s202中，量子信息增益損失函數(shù)采用基于量子態(tài)的wasserstein損失進(jìn)行計(jì)算，計(jì)算方式表示為：

7.如權(quán)利要求2所述的基于人工智能的蒸汽發(fā)生器狀態(tài)實(shí)時(shí)監(jiān)測(cè)方法，其特征在于，步驟s203中，生成的合成數(shù)據(jù)通過混合核密度估計(jì)進(jìn)行調(diào)整，利用核函數(shù)更精確地模擬目標(biāo)數(shù)據(jù)分布，表示為：

8.如權(quán)利要求3所述的基于人工智能的蒸汽發(fā)生器狀態(tài)實(shí)時(shí)監(jiān)測(cè)方法，其特征在于，步驟s304中，基于果蠅算法得出的權(quán)重參數(shù)調(diào)整量和偏置參數(shù)調(diào)整量的計(jì)算方式分別表示為：

9.如權(quán)利要求5所述的基于人工智能的蒸汽發(fā)生器狀態(tài)實(shí)時(shí)監(jiān)測(cè)方法，其特征在于，步驟s502中，模糊概率的計(jì)算方式表示為：

技術(shù)總結(jié)
基于人工智能的蒸汽發(fā)生器狀態(tài)實(shí)時(shí)監(jiān)測(cè)方法，屬于人工智能領(lǐng)域，包括：S1、數(shù)據(jù)采集與標(biāo)注；S2、采用基于隨機(jī)投影嵌入的量子生成對(duì)抗網(wǎng)絡(luò)進(jìn)行樣本生成，實(shí)現(xiàn)數(shù)據(jù)擴(kuò)充；S3、將擴(kuò)充后的數(shù)據(jù)輸入到特征提取模型中進(jìn)行特征提取模型的訓(xùn)練，采用5層的全連接神經(jīng)網(wǎng)絡(luò)進(jìn)行特征提?。籗4、將特征提取后的數(shù)據(jù)輸入到特征降維模型中進(jìn)行特征降維模型訓(xùn)練，采用基于局部保持投影的自編碼神經(jīng)網(wǎng)絡(luò)算法實(shí)現(xiàn)特征降維；S5、將降維后的數(shù)據(jù)輸入到分類器中進(jìn)行分類器模型的訓(xùn)練；S6、蒸汽發(fā)生器狀態(tài)識(shí)別監(jiān)測(cè)。本發(fā)明能夠解決樣本數(shù)量不足和數(shù)據(jù)多樣性缺乏的問題，增強(qiáng)了模型具有噪聲或模糊分類邊界數(shù)據(jù)時(shí)的魯棒性。

技術(shù)研發(fā)人員：方子珣,王衛(wèi)華,樓華福,呂新斌,徐飛,古德武,吳獻(xiàn)南
受保護(hù)的技術(shù)使用者：浙江雙峰鍋爐制造有限公司
技術(shù)研發(fā)日：
技術(shù)公布日：2024/12/19