CN112861973A - 一种基于决策树的通信铁塔故障诊断方法 - Google Patents
一种基于决策树的通信铁塔故障诊断方法 Download PDFInfo
- Publication number
- CN112861973A CN112861973A CN202110182996.2A CN202110182996A CN112861973A CN 112861973 A CN112861973 A CN 112861973A CN 202110182996 A CN202110182996 A CN 202110182996A CN 112861973 A CN112861973 A CN 112861973A
- Authority
- CN
- China
- Prior art keywords
- decision tree
- fault diagnosis
- fault
- iron tower
- steps
- 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.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Telephonic Communication Services (AREA)
Abstract
本发明实施例公开了一种基于决策树的通信铁塔故障诊断方法,包括:选取了通信铁塔相关监测参数和故障类型;基于SPSS软件对监测数据进行筛选和离散化处理;对C4.5决策树算法进行优化;根据优化的C4.5决策树算法建立决策树模型,并通过该决策树模型建立故障诊断规则;利用建立的诊断规则进行通信铁塔故障的诊断和预测。本申请能有效的解决铁塔故障诊断中误差大,数据利用率低和数据量大难以处理的问题,提高了故障诊断准确率。
Description
技术领域
本发明涉及通信铁塔维护技术领域,尤其涉及一种基于决策树的通信铁塔故障诊断方法。
背景技术
在现有的通信铁塔维护工作中,对通信铁塔的故障诊断方法经常需要人为经验去制定,同时随着物联网监测技术的不断发展,铁塔的监测数据出现了数据量大,属性冗杂等特点,这些因素都给铁塔的故障诊断增加了难度。
发明内容
本发明实施例所要解决的技术问题在于,提供一种基于决策树的通信铁塔故障诊断方法。利用大数据处理技术和机器学习算法生成故障诊断规则,能有效的对通信铁塔进行故障诊断与预测。
为了解决上述技术问题,本发明实施例提供了一种基于决策树的通信铁塔故障诊断方法,包括以下步骤:
S1:选取通信铁塔相关监测参数和故障类型;
S2:基于SPSS分析软件对监测数据进行预处理,包括数据筛选和离散化处理,得到离散化数据;
S3:根据C4.5算法建立决策树模型;
S4:使用肯德尔和谐系数对C4.5算法进行优化,并生成优化之后的决策树模型,建立诊断规则;
S5:利用建立的诊断规则进行通信铁塔故障的诊断和预测。
其中,所述步骤S1中监测参数包括风速,倾角,振动幅度,三轴振动加速度。
其中,所述步骤S2中还包括对所述监测数据使用SPSS分析软件进行变量的分类与标准化。
其中,所述步骤S3具体包括步骤:
S31:计算各判断属性的信息熵;
S32:计算信息增益;
S33:使用所述信息增益率来判断最优属性作为决策树根节点;
S34:选取特征增益率最大的特征作为根节点,该特征在不再参与下面的计算,剩下的特征重复以上计算步骤,直到构建出一颗完整的决策树;
S35:进行决策树后剪枝,从下而上对所有的内部节点进行剪枝性能分析,并与未剪枝之前进行性能比较,直至呈现出一棵合适的决策树。
其中,所述步骤S4具体包括步骤:
S41:引入肯德尔和谐系数;
S42:根据等价无穷小原理In(1+x)≈x及换底公式将C4.5算法优化。
其中,所述步骤S5具体包括步骤:
将生成的决策树模型使用Python语言实现之后首先输入训练集进行训练,然后将实时监测的数据输入,获得对应的故障分类结果。
实施本发明实施例,具有如下有益效果:
附图说明
图1为本发明的流程示意图;
图2为本发明的C4.5决策树算法结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明作进一步地详细描述。
如图1所示,本发明提供一种基于决策树的通信铁塔故障诊断方法,包含步骤:
S1:选取通信铁塔相关监测参数,基于SPSS软件对监测数据进行分析;
随着通信铁塔监测技术的不断完善,如今的监测技术可以监测到铁塔的各类属性。主要监测的性能参数包括:风速、风向、温度、倾角、振动幅度和三轴振动加速度等,要对这些数据进行分析,需要明确相应的故障类型,目前通信铁塔的故障类型主要有:倾斜,裂纹,形变,螺栓松动等。
S2:基于SPSS软件对监测数据进行筛选和离散化处理;
对于监测系统产生的大量数据,在构建算法模型之前需要对数据进行预处理和简单的分析。数据的筛选需要考虑是否和日常维护相关,因此重点选用风速,倾角,振动幅度,三轴振动加速度作为判断属性。同时使用SPSS对数据进行K均值聚类分析,实现连续型数据的离散化,SPSS软件具有内置的聚类分析模型,可以计算变量之间的和谐关系,将类似变量归为一类,展示分类结果,并且对数据本身进行标准化。
连续值处理:采用K均值聚类分析方法,将样本D分为几个子集,计算各个子集之间的距离,将距离相近的子集划分到一起,其定义为:
S3:根据C4.5决策树算法建立决策树模型;具体包括:
S31:计算各判断属性信息熵;
S32:根据S31,计算信息增益;
特征A对训练数据集S的信息增益g(S,A),定义为集合S的信息熵H(S)与特征A给定条件下S的信息条件熵H(S|A)之差,信息增益定义式为g(S,A)=H(S)-H(S|A)。
S33:根据S32,计算信息增益率来判断最优属性作为决策树根节点;
S34:根据S33的结果,选取特征增益率最大的特征作为根节点,该特征在不再参与下面的计算,剩下的特征重复以上计算步骤,直到构建出一颗完整的决策树。
S35:在S34的基础上进行决策树后剪枝,需要从下而上对所有的内部节点进行剪枝性能分析,并与未剪枝之前进行性能比较,直至呈现出一棵合适的决策树。
S4:C4.5决策树算法的进一步优化;具体包括:
S41:引入肯德尔和谐系数;
肯德尔和谐系数用来判断多个变量之间的和谐程度,设Z为数据集,由N个特征变量A和S个决策变量B组成,设Ck(s=1,2,3,…,N)为属性A的值,Di(s=1,2,3,…,N)表示Ck每一行的和,肯德尔和谐系数的表达式,
当W的值趋向于-1时,表明变量之间存在对立的相关性,当W的值趋向与1时,表明变量之间存在一致的相关性,当W=0时,表明变量之间相互独立。
S42:算法优化;
将W代入S3中公式得:信息增益定义式为g(S,A)=H(S)-H(S|A)×W。
如图2所示,引入肯德尔和谐系数对上述算法的计算过程进行优化,建立决策树模型,可以使得分类结果更加精确,提高算法的效率。
S5:利用建立的诊断规则进行通信铁塔故障的诊断和预测;
将生成的决策树模型使用Python语言实现之后首先输入训练集进行训练,然后将实时监测的数据输入,即可获得对应的故障分类结果,管理人员即可根据该分类结果作出相应的风险评价。
以上所揭露的仅为本发明一种较佳实施例而已,当然不能以此来限定本发明之权利范围,因此依本发明权利要求所作的等同变化,仍属本发明所涵盖的范围。
Claims (6)
1.一种基于决策树的通信铁塔故障诊断方法,其特征在于,包括以下步骤:
S1:选取通信铁塔相关监测参数和故障类型;
S2:基于SPSS分析软件对监测数据进行预处理,包括数据筛选和离散化处理,得到离散化数据;
S3:根据C4.5算法建立决策树模型;
S4:使用肯德尔和谐系数对C4.5算法进行优化,并生成优化之后的决策树模型,建立诊断规则;
S5:利用建立的诊断规则进行通信铁塔故障的诊断和预测。
2.根据权利要求1所述的基于决策树的通信铁塔故障诊断方法,其特征在于,所述步骤S1中监测参数包括风速,倾角,振动幅度,三轴振动加速度。
3.根据权利要求2所述的基于决策树的通信铁塔故障诊断方法,其特征在于,所述步骤S2中还包括对所述监测数据使用SPSS分析软件进行变量的分类与标准化。
4.根据权利要求3所述的基于决策树的通信铁塔故障诊断方法,其特征在于,所述步骤S3具体包括步骤:
S31:计算各判断属性的信息熵;
S32:计算信息增益;
S33:使用所述信息增益率来判断最优属性作为决策树根节点;
S34:选取特征增益率最大的特征作为根节点,该特征在不再参与下面的计算,剩下的特征重复以上计算步骤,直到构建出一颗完整的决策树;
S35:进行决策树后剪枝,从下而上对所有的内部节点进行剪枝性能分析,并与未剪枝之前进行性能比较,直至呈现出一棵合适的决策树。
5.根据权利要求4所述的基于决策树的通信铁塔故障诊断方法,其特征在于,所述步骤S4具体包括步骤:
S41:引入肯德尔和谐系数;
S42:根据等价无穷小原理In(1+x)≈x及换底公式将C4.5算法优化。
6.根据权利要求5所述的基于决策树的通信铁塔故障诊断方法,其特征在于,所述步骤S5具体包括步骤:
将生成的决策树模型使用Python语言实现之后首先输入训练集进行训练,然后将实时监测的数据输入,获得对应的故障分类结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110182996.2A CN112861973A (zh) | 2021-02-08 | 2021-02-08 | 一种基于决策树的通信铁塔故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110182996.2A CN112861973A (zh) | 2021-02-08 | 2021-02-08 | 一种基于决策树的通信铁塔故障诊断方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112861973A true CN112861973A (zh) | 2021-05-28 |
Family
ID=75988491
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110182996.2A Pending CN112861973A (zh) | 2021-02-08 | 2021-02-08 | 一种基于决策树的通信铁塔故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112861973A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116910667A (zh) * | 2023-09-08 | 2023-10-20 | 中国铁塔股份有限公司吉林省分公司 | 基于决策算法的通信铁塔异常状态分析方法及系统 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103902816A (zh) * | 2014-03-12 | 2014-07-02 | 郑州轻工业学院 | 基于数据挖掘技术的带电检测数据处理方法 |
CN104392591A (zh) * | 2014-11-13 | 2015-03-04 | 国家电网公司 | 输电线杆故障监测专家系统 |
CN106096748A (zh) * | 2016-04-28 | 2016-11-09 | 武汉宝钢华中贸易有限公司 | 基于聚类分析和决策树算法的装车工时预测模型 |
CN106202886A (zh) * | 2016-06-29 | 2016-12-07 | 中国铁路总公司 | 基于模糊粗糙集与决策树的轨道电路红光带故障定位方法 |
CN108548988A (zh) * | 2018-03-27 | 2018-09-18 | 南瑞集团有限公司 | 基于互信息改进决策树的线路故障预测方法 |
CN109626161A (zh) * | 2018-12-19 | 2019-04-16 | 暨南大学 | 一种电梯故障诊断方法 |
CN111126672A (zh) * | 2019-12-02 | 2020-05-08 | 国网浙江省电力有限公司电力科学研究院 | 一种基于分类决策树的高压架空输电线路台风灾害预测方法 |
US20200200648A1 (en) * | 2018-02-12 | 2020-06-25 | Dalian University Of Technology | Method for Fault Diagnosis of an Aero-engine Rolling Bearing Based on Random Forest of Power Spectrum Entropy |
-
2021
- 2021-02-08 CN CN202110182996.2A patent/CN112861973A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103902816A (zh) * | 2014-03-12 | 2014-07-02 | 郑州轻工业学院 | 基于数据挖掘技术的带电检测数据处理方法 |
CN104392591A (zh) * | 2014-11-13 | 2015-03-04 | 国家电网公司 | 输电线杆故障监测专家系统 |
CN106096748A (zh) * | 2016-04-28 | 2016-11-09 | 武汉宝钢华中贸易有限公司 | 基于聚类分析和决策树算法的装车工时预测模型 |
CN106202886A (zh) * | 2016-06-29 | 2016-12-07 | 中国铁路总公司 | 基于模糊粗糙集与决策树的轨道电路红光带故障定位方法 |
US20200200648A1 (en) * | 2018-02-12 | 2020-06-25 | Dalian University Of Technology | Method for Fault Diagnosis of an Aero-engine Rolling Bearing Based on Random Forest of Power Spectrum Entropy |
CN108548988A (zh) * | 2018-03-27 | 2018-09-18 | 南瑞集团有限公司 | 基于互信息改进决策树的线路故障预测方法 |
CN109626161A (zh) * | 2018-12-19 | 2019-04-16 | 暨南大学 | 一种电梯故障诊断方法 |
CN111126672A (zh) * | 2019-12-02 | 2020-05-08 | 国网浙江省电力有限公司电力科学研究院 | 一种基于分类决策树的高压架空输电线路台风灾害预测方法 |
Non-Patent Citations (3)
Title |
---|
DEVASHSISH THAKUR 等: "Re optimization of ID3 and C4.5 decision tree", 2010 INTERNATIONAL CONFERENCE ON COMPUTER AND COMMUNICATION TECHNOLOGY (ICCCT), pages 448 - 450 * |
安葳鹏 等: "决策树C4.5算法的改进与分析", 计算机工程与应用, no. 2019, pages 171 * |
王继强: "C4.5算法在信号设备故障诊断中的应用研究", 电子世界, no. 2012, pages 107 - 109 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116910667A (zh) * | 2023-09-08 | 2023-10-20 | 中国铁塔股份有限公司吉林省分公司 | 基于决策算法的通信铁塔异常状态分析方法及系统 |
CN116910667B (zh) * | 2023-09-08 | 2023-11-21 | 中国铁塔股份有限公司吉林省分公司 | 基于决策算法的通信铁塔异常状态分析方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105973594B (zh) | 一种基于连续深度置信网络的滚动轴承故障预测方法 | |
CN112784881B (zh) | 网络异常流量检测方法、模型及系统 | |
CN107846392B (zh) | 一种基于改进协同训练-adbn的入侵检测算法 | |
US7362892B2 (en) | Self-optimizing classifier | |
CN112859822B (zh) | 基于人工智能的设备健康分析及故障诊断的方法及系统 | |
CN111666169B (zh) | 一种基于改进的孤立森林算法和高斯分布的联合数据异常检测方法 | |
CN109614488B (zh) | 基于文本分类和图像识别的配网带电作业条件判别方法 | |
CN112633317A (zh) | 基于注意力机制的cnn-lstm风机故障预测方法及系统 | |
Arbin et al. | Comparative analysis between k-means and k-medoids for statistical clustering | |
CN109781411A (zh) | 一种结合改进稀疏滤波器与kelm的轴承故障诊断方法 | |
CN111680875B (zh) | 基于概率基线模型的无人机状态风险模糊综合评价方法 | |
CN112756759B (zh) | 点焊机器人工作站故障判定方法 | |
CN111126820A (zh) | 反窃电方法及系统 | |
CN116186594B (zh) | 基于决策网络结合大数据实现环境变化趋势智能检测方法 | |
CN110717090A (zh) | 一种旅游景点网络口碑评价方法、系统及电子设备 | |
CN115730241A (zh) | 一种水轮机空化噪声识别模型的构建方法 | |
CN113468796A (zh) | 一种基于改进随机森林算法的电压缺失数据辨识方法 | |
CN112861973A (zh) | 一种基于决策树的通信铁塔故障诊断方法 | |
CN113222145A (zh) | 一种基于modwt-emd的时间序列混合预测方法 | |
CN111708865A (zh) | 一种基于改进XGBoost算法的技术预见及专利预警分析方法 | |
CN113722230B (zh) | 针对模糊测试工具漏洞挖掘能力的集成化评估方法及装置 | |
CN116108963A (zh) | 一种基于集成学习模块的电力碳排放预测方法及设备 | |
CN114723998A (zh) | 基于大边界贝叶斯原型学习的小样本图像分类方法及装置 | |
CN113837266A (zh) | 一种基于特征提取和Stacking集成学习的软件缺陷预测方法 | |
CN114519787B (zh) | 智能字迹评价系统的深度特征可视化的解释方法 |
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 |