CN113392576B - 一种系留气球主缆绳拉力状态评估预警方法 - Google Patents

Abstract

本发明公开了一种系留气球主缆绳拉力状态评估预警方法，属于电子装备维护技术领域，包括以下步骤：S1：状态数据读取及预处理；S2：筛选关键特征数据；S3：构建拉力预测模型；S4：状态评估预警。本发明通过随机森林方法和皮尔逊系数法筛选影响主缆绳拉力的关键特征，解析关键特征状态数据与主缆绳拉力之间的耦合关系，为后续主缆绳拉力诊断、定位奠定了基石；通过实时监测状态数据，智能预测主缆绳拉力的变化趋势，并对比历史均值数据，合理科学地设定主缆绳阈值范围、平均值范围，实时评估主缆绳拉力的工作状态等级并及时预警，有效推进了装备自主化、精细化、智能化管理升级，为装备的智能健康管理夯实了坚实的基础。

Description

一种系留气球主缆绳拉力状态评估预警方法

技术领域

本发明涉及电子装备维护技术领域，具体涉及一种系留气球主缆绳拉力状态评估预警方法。

背景技术

系留气球具有长期滞空系留、运行工况复杂、受外界环境未知扰动因素影响较大的工作特点。主缆绳在长期服役过程中，容易发生过载、疲劳、破损、断裂等现象，造成系留气球脱离地面系统以及载荷装备高空坠落的事故发生。因此系留气球的主缆绳拉力面临着智能化、精细化监控及预测的需求。

现有的系留气球在以下几个方面存在不足：目前气球各项状态参数以及主缆绳拉力停留在传感器数据监测阶段，数据利用率较低，缺乏挖掘系留气球多种状态数据之间与缆绳拉力之间内在的联系；传统的系留气球主缆绳拉力阈值范围依赖于人为主观经验确定，存在一定的局限性，并且缆绳拉力受众多外界环境因素耦合影响，难以实现缆绳拉力状态的准确评估以及辨识潜在安全隐患；传统的系留气球的缆绳拉力状态监测缺少预测机制，难以根据当前的监测数据预测缆绳拉力的变化趋势，无法动态关联实时系留气球状态数据与安全维修策略。如何基于系留气球状态数据对系留气球主缆绳拉力进行预测是实现系留气球等浮空器关重件状态评估、智能化保障亟需解决的问题。为此，提出一种系留气球主缆绳拉力状态评估预警方法。

发明内容

本发明所要解决的技术问题在于：如何基于系留气球多种类监测数据对主缆绳拉力预测及安全预警，提供了一种系留气球主缆绳拉力状态评估预警方法，首先读取及预处理系留气球状态数据，其次分析当前各关键因素数据与主缆绳拉力之间的数据关联性，筛选影响系留气球主缆绳拉力的关键影响因素，最后基于上述数据构成的训练集和测试集做主缆绳拉力回归模型的训练、评估及预测。

本发明是通过以下技术方案解决上述技术问题的，本发明包括以下步骤：

S1：状态数据读取及预处理

读取系留气球各分系统运行状态数据，并对运行状态数据进行数据清洗、数值和布尔值的提取；

S2：筛选关键特征数据

分析主要特征与主缆绳拉力之间的线性关联度，然后对非线性关联的特征排序，筛选影响系留气球主缆绳拉力的关键特征数据；

S3：构建拉力预测模型

基于梯度增强回归树算法训练主缆绳拉力的回归模型，实时预测主缆绳拉力的变化趋势；

S4：状态评估预警

根据模型预测得到的主缆绳拉力值的变化范围，实时评估主缆绳状态等级，结合主缆绳的工况条件和户外工作时间，及时预警。

更进一步地，所述步骤S1的具体过程如下：

S11：使用UDP协议传输系留气球各分系统的状态数据；

S12：对各分系统的状态数据的缺失值、异常值进行相应处理；

S13：提取各分系统的状态数据的时间、数值和布尔值，并将布尔值False对应设置为0，True对应设置为1。

更进一步地，在所述步骤S11中，系留气球各分系统为系留缆绳分系统、压调分系统、测控分系统、地面系留设施分系统。

更进一步地，所述步骤S2的具体过程如下：

S21：读取经过步骤S13处理过的数据，判断每个状态数据与主缆绳拉力是否存在线性关系或者趋势性非线性关系，不符合上述关系的状态数据删除；

S22：利用皮尔逊系数分析每个特征数据与主缆绳拉力之间的线性关联度，对于关联度值为非0值的特征，若关联度低于关联度设定阈值时，将对应的特征删除；

S23：采用随机森林方法针对关联度为0的非线性特征进行进一步筛选，将特征排序得分低于分数设定阈值的特征删除，筛选得到影响主缆绳拉力的各关键特征数据。

更进一步地，所述步骤S3的具体过程如下：

S31：基于步骤S23筛选出的关键特征数据作为自变量，主缆绳拉力数据作为因变量，将筛选出的关键特征数据以及主缆绳拉力数据作为样本数据集，分为训练数据集和测试数据集；

S32：基于sklearn算法库构建梯度增强回归模型；

S33：采用机器学习算法进行主缆绳拉力预测；

S34：计算预测拉力和测试集拉力之间的均方根误差、平均绝对百分比误差、平均绝对误差指标，评估模型预测精度。

更进一步地，所述步骤S4的具体过程如下：

S41：基于步骤S3构建的预测模型，确定主缆绳拉力变化范围、平均值；

S42：对比主缆绳拉力数值超过平均值范围的40％、75％、90％、120％分别设定为状态等级1、2、3、4；

S43：上述不同的状态等级对应安全预警等级1、2、3、4，作业人员根据预警等级采取相应的执行策略。

本发明相比现有技术具有以下优点：

1)现有的主缆绳拉力状态监测停留在数据可视化阶段，缺乏有效的分析与挖掘系留气球多种状态数据之间与缆绳拉力之间内在的联系。本发明通过随机森林方法和皮尔逊系数法筛选影响主缆绳拉力的关键特征，解析关键特征状态数据与主缆绳拉力之间的耦合关系，为后续主缆绳拉力故障诊断、定位奠定了基石。

2)现有的主缆绳拉力状态评估、拉力阈值及安全预警一般依赖于技术人员人工经验判断，存在一定的局限性。本发明通过实时监测状态数据，智能预测主缆绳拉力的变化趋势，并对比历史均值数据，合理科学地设定主缆绳阈值范围、均值范围，实时评估主缆绳拉力的工作状态等级并及时预警，有效推进了装备自主化、精细化、智能化管理升级，为装备的智能健康管理夯实了坚实的基础。

附图说明

图1是本发明实施例中的实施流程示意图。

具体实施方式

下面对本发明的实施例作详细说明，本实施例在以本发明技术方案为前提下进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。

如图1所示，本实施例提供一种技术方案：一种系留气球主缆绳拉力状态评估预警方法，该方法基于系留气球历史状态数据和实时状态数据方法，采用随机森林和皮尔逊系数方法筛选影响主缆绳拉力的关键特征，采用梯度增强回归算法训练回归模型，采用机器学习算法构建预测模型，确定主缆绳拉力的趋势变化及阈值范围。

本实施例中使用python软件工具编写程序，采用pandas、numpy、sklearn算法库用于回归分析及预测。

本实施例中系留气球主缆绳拉力状态评估预警方法具体包括以下步骤：

S1：系留气球分系统状态数据读取及预处理

步骤S1的具体实现过程如下：

S11：根据系留气球的运行状况，随机选取系留气球滞空值班状态数据，采用UDP协议传输系留缆绳分系统、压调分系统、测控分系统、地面系留设施分系统状态数据；上述各分系统状态数据为多源异构数据；

S12：为了保证数据的一致性，对各分系统状态数据的缺失值进行补全(空值NAN补全为0，其它非空值的缺失部分采用均值插补)，采用正则表达式从上述各分系统状态原始数据中提取每个参数对应的数值或布尔值，合并经度、纬度，去除标签列和单位，并将布尔值False对应设置为0，布尔值True对应设置为1；

S2：筛选影响主缆绳拉力的关键特征数据

步骤S2的具体实现过程如下：

S21：读取步骤S1处理后的数据，采用python中matplotlib模块中scatter函数初步判断每个状态数据与主缆绳拉力是否存在线性关系或者趋势性非线性关系，不符合上述关系的状态数据删除；

S22：基于皮尔逊系数公式计算S21步骤处理后的每个状态数据与主缆绳拉力之间的线性关联度；

其中，X、Y分别表示S21步骤处理后保留的每个状态数据、主缆绳拉力数据，N表示变量取值个数；对于状态数据与主缆绳拉力数据之间的皮尔逊系数绝对值低于阈值0.04，删除对应状态特征(阈值根据实际工况可调节)；

S23：对于步骤S22中线性关联度为0的即为非线性特征，所有非线性特征的数据构成数据集，将其划分成样本集和测试集，使用sklearn算法库中的随机森林分类模块，比较非线性特征之间在决策树上的贡献大小，采用基尼不纯度对其特征重要度进行排序。

基尼不纯度计算公式：

其中，K表示有K个类别，p_mk表示节点m中类别k所占的比例；

S24:删除重要度评估低于阈值0.12的特征，其余非线性特征合并步骤S22中保留的线性关联特征，即为影响主缆绳拉力的各关键特征。(阈值根据实际工况可调节)

S3：构建主缆绳拉力预测模型；

步骤S3的具体实现过程如下：

S31：基于步骤S2筛选出的关键特征数据和主缆绳拉力数据作为样本数据集，其中75％作为训练数据集和25％作为测试数据集；

S32：基于sklearn算法库构建梯度增强回归模型，其中基于步骤S2筛选出的关键特征数据作为自变量X，主缆绳拉力数据作为因变量Y；

S33：采用sklearn算法库梯度增强回归模型对步骤S31测试数据集进行主缆绳拉力预测；

S34：使用均方根误差(I1)、平均绝对百分比误差(I2)、平均绝对误差指标(I3)对梯度增强回归模型(主缆绳拉力预测模型)在测试集上的性能进行评估；

均方根误差：

平均绝对百分比误差：

平均绝对误差指标：

其中，Y_pre为主缆绳拉力预测值，Y_test为主缆绳拉力测试值，n表示主缆绳拉力测试值的数目，I1表示Y_pre与Y_test误差的平方的期望值，I2值越小表示Y_pre预测精准度越高，I3越小表示预测值与测试值偏离度越小。

步骤S4的具体实现过程如下：

S41：基于步骤S3构建的主缆绳拉力预测模型，确定主缆绳拉力变化波峰值、波谷值以及平均值；

S42：对比计算主缆绳拉力数值超过平均值范围的40％、75％、90％、120％分别设定为状态等级1、2、3、4，具体超出平均值范围的比例可根据具体情况调整；

S43：上述不同的状态等级不同，结合考虑实际的工况条件，同时满足条件后，在系统界面上发出与安全等级1、2、3、4对应的一般警告、低风险、中风险、高风险等预警信号。

综上所述，上述实施例的系留气球主缆绳拉力状态评估预警方法，通过随机森林方法和皮尔逊系数法筛选影响主缆绳拉力的关键特征，数据挖掘关键特征状态数据与主缆绳拉力之间的耦合关系，为后续主缆绳拉力诊断、定位奠定了基石；通过实时监测状态数据，智能预测主缆绳拉力的变化趋势，并对比历史均值数据，合理科学地设定主缆绳阈值范围、平均值范围，实时评估主缆绳拉力的工作状态等级并及时预警，有效推进了装备自主化、精细化、智能化管理升级，为装备的智能健康管理夯实了坚实的基础。

尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。

Claims (3)

1.一种系留气球主缆绳拉力状态评估预警方法，其特征在于，包括以下步骤：

S1：状态数据读取及预处理

读取系留气球各分系统运行状态数据，并对运行状态数据进行数据清洗、数值和布尔值的提取；

S2：筛选关键特征数据

分析主要特征与主缆绳拉力之间的线性关联度，然后对非线性关联的特征排序，筛选影响系留气球主缆绳拉力的关键特征数据；

S3：构建拉力预测模型

基于梯度增强回归树算法训练主缆绳拉力的回归模型，实时预测主缆绳拉力的变化趋势；

S4：状态评估预警

根据模型预测得到的主缆绳拉力值的变化范围，实时评估主缆绳状态等级，结合主缆绳的工况条件和户外工作时间，及时预警；

所述步骤S1的具体过程如下：

S11：采用UDP协议传输系留气球各分系统的状态数据；

S12：对各分系统的状态数据的缺失值、异常值进行相应处理；

S13：提取各分系统的状态数据的时间、数值和布尔值，并将布尔值False对应设置为0，True对应设置为1；

所述步骤S2的具体过程如下：

S21：读取经过步骤S13处理过的数据，判断每个状态数据与主缆绳拉力是否存在线性关系或者趋势性非线性关系，不符合上述关系的状态数据删除；

S22：利用皮尔逊系数分析每个特征数据与主缆绳拉力之间的线性关联度，对于关联度值为非0值的特征，若关联度低于关联度设定阈值时，将对应的特征删除；

S23：采用随机森林方法针对关联度为0的非线性特征进行进一步筛选，将特征排序得分低于分数设定阈值的特征删除，筛选并合并步骤S22保留的特征，得到影响主缆绳拉力的各关键特征；

所述步骤S3的具体过程如下：

S31：基于步骤S23筛选出的关键特征数据作为自变量，主缆绳拉力数据作为因变量，将筛选出的关键特征数据以及主缆绳拉力数据作为样本数据集，分为训练数据集和测试数据集；

S32：基于sklearn算法库构建梯度增强回归模型；

S33：采用机器学习算法进行主缆绳拉力预测；

S34：计算预测拉力和测试集拉力之间的均方根误差、平均绝对百分比误差、平均绝对误差指标，评估模型预测精度。

2.根据权利要求1所述的一种系留气球主缆绳拉力状态评估预警方法，其特征在于：在所述步骤S11中，系留气球各分系统为系留缆绳分系统、压调分系统、测控分系统、地面系留设施分系统。

3.根据权利要求1所述的一种系留气球主缆绳拉力状态评估预警方法，其特征在于：所述步骤S4的具体过程如下：

S41：基于步骤S3构建的预测模型，确定主缆绳拉力变化范围、平均值；

S42：对比主缆绳拉力数值超过平均值范围的40％、75％、90％、120％分别设定为状态等级1、2、3、4；

S43：上述不同的状态等级对应安全预警等级1、2、3、4，作业人员根据预警等级采取相应的执行策略。

Images