CN111027642B - 电能表质量监测方法 - Google Patents
电能表质量监测方法 Download PDFInfo
- Publication number
- CN111027642B CN111027642B CN201911361209.XA CN201911361209A CN111027642B CN 111027642 B CN111027642 B CN 111027642B CN 201911361209 A CN201911361209 A CN 201911361209A CN 111027642 B CN111027642 B CN 111027642B
- Authority
- CN
- China
- Prior art keywords
- abnormal
- sequence
- morphological
- electric energy
- energy meter
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R35/00—Testing or calibrating of apparatus covered by the other groups of this subclass
- G01R35/04—Testing or calibrating of apparatus covered by the other groups of this subclass of instruments for measuring time integral of power or current
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computational Linguistics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- General Factory Administration (AREA)
Abstract
本发明提供了一种电能表质量监测方法,为了对电能表制造过程中进行质量控制,本发明引入BP神经网络作为异常主题模式集合的分类工具,出以形态相似性为主要约束条件的相似性分类方法度量研究,采用最长公共子序列算法和中心时间序列算法对异常主题模式集合进行相似性度量和故障特征提取。最后对7种出现频率较高的典型异常主题模式集合之间的关联进行分析,以判定不良品率上升的原因。本方法能够有重点的分析电能表的故障原因,对于提升电能表质量有重大的指导意义。
Description
技术领域
本发明涉及一种电能表质量监测方法。
背景技术
智能电能表作为计量器具,其制造过程产品质量控制通常采用不良品率结合控制图来监测生产过程是否处于受控状态。
在制造过程中按先后顺序形成的一组不良品率有序观测值称为不良品率时间序列数据控制图(P-控制图)。
时间序列相似性可描述为给定序列的某些特殊趋势形态在备选时间序列集合中能否搜索到相似的规律,是序列特征的近似表示即特征提取。
现有技术中,将时间序列分析方法引入控制图理论,将时间序列模型ARIMA拟合并与残差控制图结合进行趋势预测,但没有对控制图的相似性进行分类度量。或者,将控制图模式识别引入电能表全生命质量管理中,对实际生产数据生成的P一控制图进行模式识别,同样也没有进行控制图形态相似性的分类度量。
发明内容
本发明的目的在于提供一种电能表质量监测方法。
为解决上述问题,本发明提供一种电能表质量监测方法,包括:
利用BP神经网络作为异常主题模式集合的分类工具,得到异常主题模式集合;
采用最长公共子序列算法对异常主题模式集合中的各类异常主题模式进行相似性度量,以得到时间序列的形态特征分类;
基于时间序列的形态特征分类,采用中心时间序列算法合并以形态相似的序列为中心的时间序列,以提取每类异常主题模式的故障形态特征;
基于每类异常主题模式的故障形态特征,对出现频率大于预设阈值的异常主题模式之间的关联进行分析,以判定电能表不良品率上升的原因。
进一步的,在上述方法中,利用BP神经网络作为异常主题模式集合的分类工具,,得到各个异常主题模式集合,包括:
采用三层BP神经网络对P-控制图进行模式分类,分类后的相似序列构成异常主题模式集合。
进一步的,在上述方法中,利用BP神经网络作为异常主题模式集合的分类工具中,
BP神经网络每次数据训练后,检查输出误差是否在允许范围内,即输入信息的正向传播和误差的反向传播。
进一步的,在上述方法中,所述最长公共子序列算法,包括:
在两条不同的模式序列中,查找具有相同方向的最长且可不连续的方向的子序列作为最长公共子序列,计算该子序列在整个模式序列之中所占的比重,根据其长度衡量两序列之间的相似程度。
进一步的,在上述方法中,采用最长公共子序列算法对异常主题模式集合中的各类异常主题模式进行相似性度量,以得到时间序列的形态特征分类,包括:
求取最长公共子序列前把异常主题模式集合中的序列进行符号化表示,即利用序列曲线节点处斜率来描述形态变化,斜率数值越相近表示其方向相似性越高;
采用不同粒度对斜率数值变化进行划分并符号化处理,以确定斜率和形态模式之间的关系;
在形成形态符号序列后,查找具有相同方向的最长公共子序列,最长公共子序列越长表示异常主题模式集合中的子序列的相似性越高,以得到时间序列的形态特征分类。
进一步的,在上述方法中,基于时间序列的形态特征分类,采用中心时间序列算法合并以形态相似的序列为中心的时间序列,以提取每类异常主题模式的故障形态特征,包括:
中心时间序列算法通过多次迭代,不断精炼中心时间序列,最终使得中心序列与异常主题模式集合中的其他序列的中心时间序列距离之和最小,以提取每类异常主题模式的故障形态特征。
与现有技术相比,为了对电能表制造过程中进行质量控制,本发明引入BP神经网络作为异常主题模式集合的分类工具,出以形态相似性为主要约束条件的相似性分类方法度量研究,采用最长公共子序列算法和中心时间序列算法对异常主题模式集合进行相似性度量和故障特征提取。最后对7种出现频率较高的典型异常主题模式集合之间的关联进行分析,以判定不良品率上升的原因。本方法能够有重点的分析电能表的故障原因,对于提升电能表质量有重大的指导意义。
附图说明
图1是本发明一实施例的BP网络拓扑结构图;
图2a是本发明一实施例的上升类型序列的上升趋势图;
图2b是本发明一实施例的上升类型序列的上升阶跃图;
图3是本发明一实施例的弯曲矩阵示意图;
图4是本发明一实施例的中心时间序列示意图;
图5是本发明一实施例的基于DBA算法的故障特征提取示意图;
图6是本发明一实施例的液晶黑屏主要故障特征曲线。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
如图1所示,本发明提供一种电能表质量监测方法,包括:
步骤S1,利用BP神经网络作为异常主题模式集合的分类工具,得到异常主题模式集合;
步骤S2,采用最长公共子序列算法对异常主题模式集合中的各类异常主题模式进行相似性度量,以得到时间序列的形态特征分类;
步骤S3,基于时间序列的形态特征分类,采用中心时间序列算法合并以形态相似的序列为中心的时间序列,以提取每类异常主题模式的故障形态特征;
步骤S4,基于每类异常主题模式的故障形态特征,对出现频率大于预设阈值的异常主题模式之间的关联进行分析,以判定电能表不良品率上升的原因。
在此,为了对电能表制造过程中进行质量控制,本发明引入BP神经网络作为异常主题模式集合的分类工具,出以形态相似性为主要约束条件的相似性分类方法度量研究,采用最长公共子序列算法和中心时间序列算法对异常主题模式集合进行相似性度量和故障特征提取。最后对7种出现频率较高的典型异常主题模式集合之间的关联进行分析,以判定不良品率上升的原因。本方法能够有重点的分析电能表的故障原因,对于提升电能表质量有重大的指导意义。
本发明的电能表质量监测方法一实施例中,步骤S1,利用BP神经网络作为异常主题模式集合的分类工具,,得到各个异常主题模式集合,包括:
采用三层BP神经网络对P-控制图进行模式分类,分类后的相似序列构成异常主题模式集合。
本发明的电能表质量监测方法一实施例中,步骤S1,利用BP神经网络作为异常主题模式集合的分类工具中,
BP神经网络每次数据训练后,检查输出误差是否在允许范围内,即输入信息的正向传播和误差的反向传播。
本发明的电能表质量监测方法一实施例中,所述最长公共子序列算法,包括:
在两条不同的模式序列中,查找具有相同方向的最长且可不连续的方向的子序列作为最长公共子序列,计算该子序列在整个模式序列之中所占的比重,根据其长度衡量两序列之间的相似程度。
本发明的电能表质量监测方法一实施例中,步骤S2,采用最长公共子序列算法对异常主题模式集合中的各类异常主题模式进行相似性度量,以得到时间序列的形态特征分类,包括:
求取最长公共子序列前把异常主题模式集合中的序列进行符号化表示,即利用序列曲线节点处斜率来描述形态变化,斜率数值越相近表示其方向相似性越高;
采用不同粒度对斜率数值变化进行划分并符号化处理,以确定斜率和形态模式之间的关系;
在形成形态符号序列后,查找具有相同方向的最长公共子序列,最长公共子序列越长表示异常主题模式集合中的子序列的相似性越高,以得到时间序列的形态特征分类。
本发明的电能表质量监测方法一实施例中,步骤S3,基于时间序列的形态特征分类,采用中心时间序列算法合并以形态相似的序列为中心的时间序列,以提取每类异常主题模式的故障形态特征,包括:
中心时间序列算法通过多次迭代,不断精炼中心时间序列,最终使得中心序列与异常主题模式集合中的其他序列的中心时间序列距离之和最小,以提取每类异常主题模式的故障形态特征。
具体的,P-控制图中彼此高度相似的时间序列数据构成的集合称为一个主题模式。将不良品率呈现连续上升变化的主题模式称为异常主题模式。异常主题模式蕴含了P-控制图最具分析价值的信息,对不同波动形态的异常主题模式进行分类和特征提取后可以识别制造过程中出现的故障,并能根据故障特征分析故障原因,以便有效控制产品质量、降低产品损失率。因此,具有十分重要的研究价值和实用价值。
第一,在时间序列异常主题模式集合构建方面:
BP神经网络是一种多层前馈神经网络,基本思想是:信息处理由神经元节点之间的反馈作用来实现,可对特征复杂的数据进行高精确度的自动分类。本发明采用三层BP神经网络对P-控制图进行模式分类,分类后的相似序列构成异常主题模式集合。
三层BP网络输出节点权值修正公式:
输出节点阈值修正公式为:
输出节点的输出ol与样本中所期望输出tl之间存在着误差:
隐层和输出层间神经元传递函数为S型函数:
其中,k为迭代次数,η为学习因子。
BP神经网络每次数据训练后,都会检查输出误差是否在允许范围内,即输入信息的正向传播和误差的反向传播,网络拓扑结构如图1所示。
BP神经网络可将控制图分为6种类型,为构建异常主题模式集合,本发明只关注不良品率上升类型的序列,如图2a、2b所示,构建异常主题模式集合的优点包括:
1、实现了时间序列的数据降维,并可有效消原始除数据噪声;
2、消除了控制图的偶然波动;
3、分类结果为有限长度的序列,解决了时间序列分段的难题,同时提高时间序列相似性度量的效率和准确率;
4、后续相似性度量过程中只关注上升类型序列,不必考虑序列的整体形态,规避形态距离度量结果不稳定的问题。
第二,在相似性方面:
相似性数学定义为:若存在时间序列X={x1,x2,…,xm},Y={y1,y2,…,yn},D(X,Y)称为X,Y之间的距离函数,也称相似性度量函数,设定阈值ε,如果有D(X,Y)≤ε则可判定时间序列X,Y具有相似性。若D(X,Y)越小,则X,Y就越相似,反之则越不相似。
动态弯曲距离(Dynamic Time Warping DTW)通过动态规划思想调整时间序列不同时间点对应元素之间的关系来获取一条最优弯曲路径,使沿该路径时间序列间的距离最小,可更好地对时间序列进行合理匹配的相似性度量方法。
由序列X={x1,x2,…xm},Y={y1,y2,…yn}中任意两点的欧氏距离D(xi,yi)构建m×n阶弯曲矩阵W:
将弯曲矩阵W中每一组相邻元素组成的集合称为弯曲路径。DTW的目的在于多条弯曲路径中寻找使序列X和Y的弯曲总代价最小的最优弯曲路径,即:
且弯曲路径的计算必须满足边界、连续性和单调性的约束,弯曲矩阵如图3所示。
通过动态规划求取累积代价最小的弯曲路径,使得弯曲总代价最小,构造的累积代价矩阵为:
DTW距离优点:通过动态规划查找数据点之间最佳匹配路径,以实现数据在时间轴上的伸缩变化,可以应用于不等长时间序列之间相似性度量。缺点:为使累积距离最短,忽略了时间序列之间形态的相似性,从而无法选出最优弯曲路径。
DTW距离针对异常主题模式集合中的序列元素值进行数学计算,但忽略了序列本身的形态特征和变化趋势。
为了解决DTW距离只侧重空间位置上的邻近性,未顾及几何形态上的相似性,引入最长公共子序列算法(LCSS)以量化序列之间的相似程度。
LCSS算法基本思想是在两条不同的模式序列中,查找具有相同方向的最长且可不连续的方向的子序列作为最长公共子序列,计算该子序列在整个模式序列之中所占的比重,根据其长度衡量两序列之间的相似程度,其递归公式为:
求取最长公共子序列前需把异常主题模式集合中的序列进行符号化表示,即利用序列曲线节点处斜率来描述形态变化,斜率数值越相近表示其方向相似性越高。
设Qi(qx,i,qy,i)为序列的第i个节点,则Q=(Q1(qx,1,qy,1),Q2(qx,2,qy,2),…,Qn(qx,n,qy,n))可转化为斜率序列K=(k1,k2,…,kn)表示,
采用不同粒度对斜率数值变化进行划分并符号化处理,以确定斜率和形态模式之间的关系,如表1所示。
表1 斜率与形态模式符号化对照表
若斜率则当前子序列与水平方向夹角α∈(0°,30°),此时子序列处于缓慢上升状态,形态模式为b,其他形态可以此类推。在形成形态符号序列后,查找具有相同方向的最长公共子序列,最长公共子序列越长表示异常主题模式集合中的子序列的相似性越高。最长公共子序列算法相似性计算公式为[11]:
其中,l为形态符号序列(X,Y)的最长公共子序列,min(X,Y)为两个子序列中最小长度的序列。
设两个形态符号序列X1=(a,b,b,c,a,d),X2=(a,b,e,c,d,f),则X1,X2的最长公共子序列为X=(a,b,c,d),根据公式(10)序列X1和X2的相似性为66.67%。
需要说明的是:
(1)最长公共子序列算法是针对不良品率控制图与已有的控制图的形态相似性判定,这些相似的形态反映了与已有控制图相同或相似的外部因素导致电能表生产过程中反复出现同一种故障。
(2)对于趋势上升子序列反复出现相似形态的故障需重点关注并尽快解决。
(3)对于阶跃上升子序列因其斜率陡峭,意味不良品率急剧上升,对产品质量影响较大,一旦判定形态相似需立刻查找原因。
第三,在采用DBA算法提取序列公共特征方面:
由于引起不良品率上升的故障会反复出现,因此P-控制图的某些特定形态具有重复性。通过提取异常主题模式集合的公共特征,能更好地刻画不良品率的状态,以达到查明故障的作用。因此,本发明采用中心时间序列算法对异常主题模式集合进行特征提取来判定控制图所属的故障类别。
中心时间序列(DTW barycenter averaging,DBA)即为两条或多条时间序列的中心,其通过DTW提取时间序列集合的公共特征,能够反映原始时间序列数据的形态变化,是时间序列聚类的重要手段。
中心时间序列如图4所示,虚线部分为两条时间序列的中心时间序列。
中心时间序列算法基本思想是:在给定一个时间序列集合S={S1,S2…,Sn}中,选定一条C=[c1,c2,…,ct]作为初始中心时间序列,利用DTW算法计算Si与中心序列C的弯曲路径Pi;以Pi为依据选择C中相匹配的数据点集合Xi(jai:jbi);计算所有Xi(jai:jbi)的平均值作为更新后中心序列cj的值;多次迭代后,达到均值中心序列收敛不变为止。cj的计算公式为:
中心时间序列算法通过多次迭代,不断“精炼”中心时间序列,最终使得中心序列与集合中其他序列的DTW距离之和最小,因此能够反映原始时间序列数据的形态变化。优点是在迭代过程中能够计算集合中全部时间序列的DTW距离且对迭代过程的计算顺序没有严格要求,并且时间序列集合越小,其结果越接近实际的中心时间序列。
第四,在故障定位分析方面:
在电能表生产过程中形成的P-控制图基础上,首先构建时间序列异常主题模式集合,然后采用最长公共子序列算法量化序列之间的相似程度,以达到形态特征分类的目的,最后采用中心时间序列算法合并以形态相似的序列为中心的时间序列,以提取该类异常主题模式的故障形态特征,为后续在P-控制图中查找故障提供标准。
如果最长公共子序列算法和中心时间序列算法提取的公共特征类型足够多,就可以根据故障形态特征进行故障定位,从而降低不良品率、返修率及终检不合格率,达到调节生产过程的目的。
为了验证本发明方法的有效性及准确性,均以实际生产过程中液晶故障的P-控制图数据进行故障定位预测。不失一般性,选取故障数量较大的液晶故障构建异常主题模式分析模型。
从电能表生产数据库中提取5年内液晶故障类型,统计后进行时间序列异常主题模式集合的构建,结果如表2所示。
表2 液晶异常主题模式集合汇总
从表2中选择轮显间隔故障,采用最长公共子序列算法和中心时间序列算法进行序列公共特征的提取,计算结果如图5所示。
图5中包括提取出的中心时间序列曲线各序列的中位数序列曲线和平均值序列曲线。从图中可以看出中心时间序列具有明显的波动,与各序列波动形态相符。中位数序列和平均值序列相对平滑,没有反应各序列的波动特征。
分别计算表2中所列出液晶故障的中心时间序列,结果如图6所示。
从图6中可以看出,7种主要液晶故障经中心时间序列算法精炼后得到的中心时间序列长度不等,曲线形态也不尽相同。其中显示乱码和液晶长亮的中心时间序列曲线长度和形态均接近,对比表2中原因分析可见故障原因均包含有液晶驱动电路损坏。
对生产数据库中显示乱码故障进行统计发现,显示乱码故障原因主要包括:液晶或驱动电路短路、液晶驱动电路损坏及MCU焊连,其中液晶驱动电路损坏占比达到57.14%;继续统计发现液晶驱动电路损坏或虚焊还存在于黑屏、缺段故障中。对照图6可见在不良品率P约等于0.8处有4条故障曲线相交,分别是缺段、乱码、液晶长亮、黑屏故障。说明在生产制造初期,液晶驱动电路损坏在四个故障中占有一定比例,同时在液晶故障类型统计结果中查找也证明了这个结论,数据如表3所示。
为评价时间序列异常主题模式能有效控制产品质量、降低产品不良品率,从同一生产线上序贯抽样10个批次,分别计算各批次P-控制图的上控制限(UCL)、下控制限(LCL)和中心线(CL),如表4所示。
表4 P-控制图控制限表(‰)
从表4可以看出UCL的最大值为4.508‰、平均值为4.1402‰,均优于生产过程中不良品率上限5‰的指标。
本发明对电能表生产过程中具有上升形态的不良品率时间序列控制图相似问题进行了探索,提出以形态相似性为主要约束条件的相似性分类方法度量研究,在现有研究基础上引入BP神经网络对时间序列数据进行分类以构建异常主题模式,出发点是通过最长公共子序列算法量化序列之间的相似程度,然后提取中心时间序列作为故障形态特征,为后续在P-控制图中分析故障原因提供标准。最后以真实数据对P-控制图时间序列进行特征提取,从而有重点的查找故障原因。
试验验证表明本发明方法能够较好的对时间序列进行故障分类及特征提取,制造厂家可根据故障形态特征判断故障类型以分析原因,可有效提升电能表质量控制,具有重要的理论和实际意义。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。
专业人员还可以进一步意识到,结合本发明中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
显然,本领域的技术人员可以对发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包括这些改动和变型在内。
Claims (5)
1.一种电能表质量监测方法,其特征在于,包括:
利用BP神经网络作为异常主题模式集合的分类工具,得到异常主题模式集合;
采用最长公共子序列算法对异常主题模式集合中的各类异常主题模式进行相似性度量,以得到时间序列的形态特征分类;
基于时间序列的形态特征分类,采用中心时间序列算法合并以形态相似的序列为中心的时间序列,以提取每类异常主题模式的故障形态特征;
基于每类异常主题模式的故障形态特征,对出现频率大于预设阈值的异常主题模式之间的关联进行分析,以判定电能表不良品率上升的原因;
采用最长公共子序列算法对异常主题模式集合中的各类异常主题模式进行相似性度量,以得到时间序列的形态特征分类,包括:
求取最长公共子序列前把异常主题模式集合中的序列进行符号化表示,即利用序列曲线节点处斜率来描述形态变化,斜率数值越相近表示其方向相似性越高;
采用不同粒度对斜率数值变化进行划分并符号化处理,以确定斜率和形态模式之间的关系;
在形成形态符号序列后,查找具有相同方向的最长公共子序列,最长公共子序列越长表示异常主题模式集合中的子序列的相似性越高,以得到时间序列的形态特征分类。
2.如权利要求1所述的电能表质量监测方法,其特征在于,利用BP神经网络作为异常主题模式集合的分类工具,得到各个异常主题模式集合,包括:
采用三层BP神经网络对P-控制图进行模式分类,分类后的相似序列构成异常主题模式集合。
3.如权利要求1所述的电能表质量监测方法,其特征在于,利用BP神经网络作为异常主题模式集合的分类工具中,
BP神经网络每次数据训练后,检查输出误差是否在允许范围内,即输入信息的正向传播和误差的反向传播。
4.如权利要求1所述的电能表质量监测方法,其特征在于,所述最长公共子序列算法,包括:
在两条不同的模式序列中,查找具有相同方向的最长且可不连续的方向的子序列作为最长公共子序列,计算该子序列在整个模式序列之中所占的比重,根据其长度衡量两序列之间的相似程度。
5.如权利要求1所述的电能表质量监测方法,其特征在于,基于时间序列的形态特征分类,采用中心时间序列算法合并以形态相似的序列为中心的时间序列,以提取每类异常主题模式的故障形态特征,包括:
中心时间序列算法通过多次迭代,不断精炼中心时间序列,最终使得中心序列与异常主题模式集合中的其他序列的中心时间序列距离之和最小,以提取每类异常主题模式的故障形态特征。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911361209.XA CN111027642B (zh) | 2019-12-25 | 2019-12-25 | 电能表质量监测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911361209.XA CN111027642B (zh) | 2019-12-25 | 2019-12-25 | 电能表质量监测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111027642A CN111027642A (zh) | 2020-04-17 |
CN111027642B true CN111027642B (zh) | 2023-06-30 |
Family
ID=70214450
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911361209.XA Active CN111027642B (zh) | 2019-12-25 | 2019-12-25 | 电能表质量监测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111027642B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111723873A (zh) * | 2020-06-29 | 2020-09-29 | 南方电网科学研究院有限责任公司 | 一种电力序列数据分类方法和装置 |
CN112180316B (zh) * | 2020-09-27 | 2022-07-01 | 青岛鼎信通讯股份有限公司 | 一种基于自适应收缩岭回归的电能表计量误差分析方法 |
CN114156845A (zh) * | 2021-11-19 | 2022-03-08 | 西安理工大学 | 高压交直流混联系统交流线路快速纵联保护方法 |
CN114154590A (zh) * | 2021-12-10 | 2022-03-08 | 深圳前海微众银行股份有限公司 | 用户聚类方法、装置、终端设备以及存储介质 |
CN118365348A (zh) * | 2024-06-20 | 2024-07-19 | 江苏瑞德信息产业有限公司 | 一种基于多维度的药品核查追溯管理方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101894296B (zh) * | 2010-07-05 | 2012-09-05 | 湖南大学 | 一种基于标准差与偏斜度的模拟电路故障诊断神经网络方法 |
CN104008427A (zh) * | 2014-05-16 | 2014-08-27 | 华南理工大学 | 基于bp神经网络的中央空调冷负荷的预测方法 |
CN104535865A (zh) * | 2014-12-30 | 2015-04-22 | 西安工程大学 | 基于多参数的电力变压器运行故障综合诊断方法 |
CN109784478A (zh) * | 2019-01-16 | 2019-05-21 | 江苏圣通电力新能源科技有限公司 | 一种基于bp神经网络的配电系统传感器故障诊断方法 |
CN110147827B (zh) * | 2019-04-25 | 2021-04-30 | 北京航空航天大学 | 一种基于iaalo-svm与相似性度量的故障预测方法 |
-
2019
- 2019-12-25 CN CN201911361209.XA patent/CN111027642B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN111027642A (zh) | 2020-04-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111027642B (zh) | 电能表质量监测方法 | |
CN107301296B (zh) | 基于数据的断路器故障影响因素定性分析方法 | |
WO2021051945A1 (zh) | 服务器性能监控方法、装置、计算机设备及存储介质 | |
CN112989977B (zh) | 一种基于跨模态注意力机制的视听事件定位方法及装置 | |
Shen et al. | Time series anomaly detection with multiresolution ensemble decoding | |
CN108667684A (zh) | 一种基于局部向量点积密度的数据流异常检测方法 | |
CN111929591A (zh) | 故障电池检测方法、装置、设备及计算机存储介质 | |
CN111369555A (zh) | 一种基于深度学习的视频质量诊断方法 | |
Zhu et al. | Res-HSA: Residual hybrid network with self-attention mechanism for RUL prediction of rotating machinery | |
CN118211882B (zh) | 一种基于大数据的产品质量管理系统及方法 | |
CN114328106A (zh) | 日志数据处理方法、装置、设备及存储介质 | |
Kim et al. | Wafer defect pattern classification with detecting out-of-distribution | |
CN117473424A (zh) | 基于随机森林的变压器故障诊断方法、系统、设备及介质 | |
CN113591997B (zh) | 基于图学习卷积神经网络的装配特征图连接关系分类方法 | |
CN114564410A (zh) | 基于类级别源代码相似度的软件缺陷预测方法 | |
CN112416920B (zh) | 一种面向mes的数据清洗方法及系统 | |
CN112329432B (zh) | 一种基于改进Apriori的配电网电压越限问题关联分析方法 | |
CN111061246B (zh) | 一种机械产品装配过程故障模式、影响及危害性分析方法 | |
CN113094826A (zh) | 一种基于任务可靠度的多态制造系统剩余寿命预测方法 | |
CN110032585B (zh) | 一种时间序列双层符号化方法及装置 | |
CN115713270A (zh) | 一种同行互评异常评分检测及修正方法和装置 | |
CN115827932A (zh) | 数据离群孤立点检测方法、系统、计算机设备及存储介质 | |
CN112925822B (zh) | 基于多表征学习的时间序列分类方法、系统、介质及装置 | |
CN114820074A (zh) | 基于机器学习的目标用户群体预测模型构建方法 | |
Li et al. | An improved fuzzy k-means clustering with k-center initialization |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |