CN115828125A - 一种基于信息熵特征加权模糊聚类方法及系统 - Google Patents

Abstract

本发明提供一种基于信息熵特征加权模糊聚类方法及系统，其中方法包括：利用信息熵计算特征指标集中每一特征指标的权重系数；将所述特征指标按照所述权重系数降序排序，获得特征指标序列；基于所述特征指标序列中前n个所述特征指标，构建特征权重向量；基于所述特征权重向量，对GK模糊聚类算法进行加权；执行加权后的GK模糊聚类算法。本发明的基于信息熵特征加权模糊聚类方法及系统，解决了因各维特征在聚类过程中的贡献不同，降低了特征向量的维数，降低了低效特征对聚类结果的影响，有效且高效提高了聚类的准确性。

Description

一种基于信息熵特征加权模糊聚类方法及系统

技术领域

本发明涉及聚类处理技术领域，特别涉及一种基于信息熵特征加权模糊聚类方法及系统。

背景技术

目前，在海量化、多样化和复杂化的数据处理中，特征选择在处理数据时所花费的时间越来越长，已不能满足工作需求。传统的故障识别方法中，将不同特征的权重视为相等或主观确定其大小，从而影响了识别的准确性。如何从大量的特征中选择那些能够为分类工作的特征，成了提高分类效率和进行数据处理的关键问题。

发明内容

本发明目的之一在于提供了一种基于信息熵特征加权模糊聚类方法，信息熵加权特征选择算法通过从大量的特征中选择出与所研究问题相关的最具区分能力的特征子集，解决了因各维特征在聚类过程中的贡献不同，降低了特征向量的维数，降低了低效特征对聚类结果的影响，有效且高效提高了聚类的准确性。

本发明实施例提供的一种基于信息熵特征加权模糊聚类方法，包括：

利用信息熵计算特征指标集中每一特征指标的权重系数；

将所述特征指标按照所述权重系数降序排序，获得特征指标序列；

基于所述特征指标序列中前n个所述特征指标，构建特征权重向量；

基于所述特征权重向量，对GK模糊聚类算法进行加权；

执行加权后的GK模糊聚类算法。

优选的，利用信息熵计算特征指标集中每一特征指标的权重系数，包括：

基于每一所述特征指标的故障类别和每一所述特征指标对应的预设的阈值，建立故障识别评价特征矩阵X：

其中，x_nm为第n类所述故障类别的第m个所述特征指标对应的所述阈值；

对故障识别评价特征矩阵X进行归一化处理获得r_ij：

利用信息熵计算每一特征指标的熵值E_j：

其中，k为归一化系数，

计算每一特征指标的偏差度d_j：

d_j＝1-E_j；

计算每一特征指标的权重系数为w_j：

优选的，基于所述特征权重向量，对GK模糊聚类算法进行加权，包括：

将所述特征权重向量组成对角矩阵W；

确定GK模糊聚类算法的聚类数目c、模糊指数d，并初始化GK模糊聚类算法中的隶属度矩阵U：

其中，μ_ab为第a个元素属于第b个聚类类别的隶属度，满足

μ_ab∈[0,1]，1≤a≤c，1≤b≤f；c为聚类数目，f为聚类样本数目；

更新GK模糊聚类算法的第b个聚类类别的聚类中心v_b：

其中，G_b为第b个聚类类别的聚类对象；

计算第b个聚类中心v_b的协方差矩阵F_b：

计算第b个聚类中心v_b的正定对称矩阵Z_i，并计算加权马氏距离

其中，T为矩阵转置，w为加权马氏距离的固定表达；

更新迭代所述隶属度矩阵U，若满足||U^(L+1)-U^(L)||<η，则终止运算，否则增加所述隶属度矩阵U的更新迭代次数，直至||U^(L+1)-U^(L)||<η；其中，U^(L)为所述隶属度矩阵U更新迭代L次时的隶属度矩阵，U^(L+1)为所述隶属度矩阵U更新迭代L+1次时的隶属度矩阵，η为终止允许误差，η＞0。

本发明实施例提供的一种基于信息熵特征加权模糊聚类系统，包括：

计算模块，用于利用信息熵计算特征指标集中每一特征指标的权重系数；

排序模块，用于将所述特征指标按照所述权重系数降序排序，获得特征指标序列；

构建模块，用于基于所述特征指标序列中前n个所述特征指标，构建特征权重向量；

加权模块，用于基于所述特征权重向量，对GK模糊聚类算法进行加权；

执行模块，用于执行加权后的GK模糊聚类算法。

优选的，所述计算模块利用信息熵计算特征指标集中每一特征指标的权重系数，包括：

基于每一所述特征指标的故障类别和每一所述特征指标对应的预设的阈值，建立故障识别评价特征矩阵X：

其中，x_nm为第n类所述故障类别的第m个所述特征指标对应的所述阈值；

对故障识别评价特征矩阵X进行归一化处理获得r_ij：

利用信息熵计算每一特征指标的熵值E_j：

其中，k为归一化系数，

计算每一特征指标的偏差度d_j：

d_j＝1-E_j；

计算每一特征指标的权重系数为w_j：

优选的，所述加权模块基于所述特征权重向量，对GK模糊聚类算法进行加权，包括：

将所述特征权重向量组成对角矩阵W；

确定GK模糊聚类算法的聚类数目c、模糊指数d，并初始化GK模糊聚类算法中的隶属度矩阵U：

其中，μ_ab为第a个元素属于第b个聚类类别的隶属度，满足

μ_ab∈[0,1]，1≤a≤c，1≤b≤f；c为聚类数目，f为聚类样本数目；

更新GK模糊聚类算法的第b个聚类类别的聚类中心v_b：

其中，G_b为第b个聚类类别的聚类对象；

计算第b个聚类中心v_b的协方差矩阵F_b：

计算第b个聚类中心v_b的正定对称矩阵Z_i，并计算加权马氏距离

其中，T为矩阵转置，w为加权马氏距离的固定表达；

更新迭代所述隶属度矩阵U，若满足||U^(L+1)-U^(L)||<η，则终止运算，否则增加所述隶属度矩阵U的更新迭代次数，直至||U^(L+1)-U^(L)||<η；其中，U^(L)为所述隶属度矩阵U更新迭代L次时的隶属度矩阵，U^(L+1)为所述隶属度矩阵U更新迭代L+1次时的隶属度矩阵，η为终止允许误差，η＞0。

本发明实施例提供一种基于信息熵特征加权模糊聚类方法/系统的应用，其特征在于，包括：

获取目标现场的设备运行信息；

基于加权后的GK模糊聚类算法，对所述设备运行信息进行聚类；

基于聚类结果，确定设备故障；

获取所述设备故障的处理指挥策略，并基于所述处理指挥策略，对所述目标现场进行处理指挥。

优选的，获取目标现场的设备运行信息，包括：

获取所述目标现场内的现场设备的运行任务信息；

对所述运行任务信息进行特征提取，获得特征集；

将所述特征集与所述现场设备对应的预设的触发特征集进行匹配，获取匹配度；

若所述匹配度大于等于预设的匹配度阈值，将对应所述现场设备作为目标现场设备；

获取所述目标现场设备的设备运行信息。

优选的，获取所述目标现场设备的设备运行信息，包括：

通过所述目标现场设备对应的预设的物联网节点获取设备运行信息；

和/或，

通过所述目标现场内的工作人员和移动小车搭配获取所述目标现场设备的设备运行信息；

其中，通过所述目标现场内的工作人员和移动小车搭配获取所述目标现场设备的设备运行信息，包括：

获取所述目标现场对应的预设的现场地图；

获取所述工作人员的在执行任务的任务执行路线；

获取所述目标现场设备的设备位置；

基于所述现场地图、所述任务执行路线和所述设备位置，确定任务执行完成后返程能够顺带采集所述目标现场设备的设备运行信息的工作人员，并作为目标工作人员，同时，将对应所述目标现场设备作为第一采集目标，并将其余所述目标现场设备作为第二采集目标；

调度所述目标工作人员在任务执行完成后返程顺带采集所述第一采集目标的设备运行信息；

基于所述第二采集目标的所述设备位置，规划移动采集路线；

基于所述移动采集路线，控制所述移动小车采集所述第二采集目标的设备运行信息；

其中，基于所述现场地图、所述任务执行路线和所述设备位置，确定任务执行完成后返程能够顺带采集所述目标现场设备的设备运行信息的工作人员，包括：

在所述现场地图内以所述设备位置为圆心，预设的半径长度为半径作圆形；

确定所述圆形与所述任务执行路线的返程路线的交点；

当所述交点的数目大于等于二时，将所述交点中与所述圆心的直线距离最短的两个交点作为目标交点；

基于每一所述目标交点和由所述目标交点向所述圆心的直线方向，构建两个方向向量；

计算两个方向向量的向量夹角，若所述向量夹角小于等于预设的向量夹角阈值，确定对应所述工作人员在任务执行完成后返程能够顺带采集所述目标现场设备的设备运行信息。

优选的，获取所述设备故障的处理指挥策略，包括：

获取所述设备故障对应的预设的处理难度的难度值；

若所述难度值小于等于预设的难度值阈值，获取所述设备故障对应的预设的第一处理指挥经验，并基于所述第一处理指挥经验确定处理指挥策略；

否则，获取所述设备故障对应的预设的多组一一对应的处理指标和指标权重；

基于所述多组一一对应的处理指标和指标权重，生成处理指挥经验要求；

从预设的处理指挥经验共享库中确定满足所述处理指挥经验要求的多个第二处理指挥经验；

获取所述设备故障对应的预设的信息获取模板和匹配情况评价模板；

基于所述信息获取模板，分别获取所述目标现场的第一现场信息和所述第二处理指挥经验对应的其他现场的第二现场信息；

将所述第一现场信息和所述第二现场信息进行匹配，获取匹配情况；

基于所述匹配情况评价模板，对所述匹配情况进行评价，获得评价值；

基于最大所述评价值对应的所述第二处理指挥经验，确定处理指挥策略。

本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。

下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。

附图说明

附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：

图1为本发明实施例中一种基于信息熵特征加权模糊聚类方法的示意图；

图2为本发明实施例中一种基于虚拟现实的产品试用系统的示意图。

具体实施方式

以下结合附图对本发明的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本发明，并不用于限定本发明。

本发明实施例提供了一种基于信息熵特征加权模糊聚类方法，如图1所示，包括：

步骤1：利用信息熵计算特征指标集中每一特征指标的权重系数；

步骤2：将所述特征指标按照所述权重系数降序排序，获得特征指标序列；

步骤3：基于所述特征指标序列中前n个所述特征指标，构建特征权重向量；

步骤4：基于所述特征权重向量，对GK模糊聚类算法进行加权；

步骤5：执行加权后的GK模糊聚类算法。

利用信息熵计算特征指标集中每一特征指标的权重系数，包括：

基于每一所述特征指标的故障类别和每一所述特征指标对应的预设的阈值，建立故障识别评价特征矩阵X：

其中，x_nm为第n类所述故障类别的第m个所述特征指标对应的所述阈值；故障类别为实际应用时的设备故障类别，特征指标为设备故障类型中的故障指标；阈值为用于判定故障的值，例如：当某特征值大于阈值时，判定为故障；

对故障识别评价特征矩阵X进行归一化处理获得r_ij：

利用信息熵计算每一特征指标的熵值E_j：

其中，k为归一化系数，

计算每一特征指标的偏差度d_j：

d_j＝1-E_j；

计算每一特征指标的权重系数为w_j：

对GK模糊聚类算法进行加权，包括：

将所述特征权重向量组成对角矩阵W；

确定GK模糊聚类算法的聚类数目c、模糊指数d，并初始化GK模糊聚类算法中的隶属度矩阵U：

其中，μ_ab为第a个元素属于第b个聚类类别的隶属度，满足

μ_ab∈[0,1]，1≤a≤c，1≤b≤f；c为聚类数目，f为聚类样本数目；

更新GK模糊聚类算法的第b个聚类类别的聚类中心v_b：

其中，G_b为第b个聚类类别的聚类对象；

计算第b个聚类中心v_b的协方差矩阵F_b：

计算第b个聚类中心v_b的正定对称矩阵Z_i，并计算加权马氏距离

其中，T为矩阵转置，w为加权马氏距离的固定表达；

更新迭代所述隶属度矩阵U，若满足||U^(L+1)-U^(L)||<η，则终止运算，否则增加所述隶属度矩阵U的更新迭代次数，直至||U^(L+1)-U^(L)||<η；其中，U^(L)为所述隶属度矩阵U更新迭代L次时的隶属度矩阵，U^(L+1)为所述隶属度矩阵U更新迭代L+1次时的隶属度矩阵，η为终止允许误差，η＞0。

上述技术方案的工作原理及有益效果为：

S01：对特征集进行预处理，利用信息熵的概念计算样本特征的权重值；

S02：依据各特征权重大小进行降序排序，保留前n维特征，剔除剩下的低效特征，得到一个n维的权重向量；

S03：将得到的n维特征权重向量作为权重矩阵，对GK模糊聚类算法进行加权。

优选的，所述步骤S01中利用信息熵计算样本特征权重步骤包括：

S11：通过各特征指标的阈值表，建立故障识别系统的评价特征矩阵：

式中：n为故障类别，m为故障特征的评价指标，x_ij为第i类故障的第j个特征指标的阈值。

S12：为了解决量纲不同的问题，需要先对矩阵X进行归一化处理得到r_ij：

S13：结合信息熵的概念计算各特征指标的熵值为E_j：

式中：n为故障类别数，归一化系数定义为

取负号是保证熵值为正。

S14：计算各特征指标的偏差度d_j：

d_j＝1-E_j，j＝1,2,…,m

S15：利用熵测度来表示各特征指标的权重系数为w_j：

上述过程中，第j个故障特征指标评r_ij值的分布情况可以衡量该指标对故障状态的影响程度。其衡量准则为r_ij值分布越分散，相应的d_j值越大，该指标对故障状态的影响程度越高；相反r_ij值分布越集中，相应的d_j值越小，该评价指标对故障状态的影响程度越低。通过信息熵的概念对故障状态特征指标的权重进行计算，得出以上m个特征指标的权重向量为W＝{w₁,w₂,…,w_m}。

优选的，所述步骤S03中加权GK模糊聚类算法包括以下步骤：

S31：对S15给定的样本特征权重向量，将其组成对角矩阵W；

S32：确定聚类数目c、模糊指数m，初始化隶属度矩阵U。μ_ij表示低j个元素属于第i类的隶属度，使其满足：

S33：更新聚类中心v_i；

S34：计算第i个聚类中心的协方差矩阵F_i；

S35：根据协方差矩阵F_i求出正定对称矩阵Z_i，之后计算出加权马氏距离：

S36：更新隶属度矩阵U，若满足||U^(L+1)-U^(L)||<η，则终止运算，否则增加迭代次数，直至满足条件。其中，U^(L)为迭代L次时的隶属度矩阵，终止允许误差η>0。

利用信息熵计算各特征权值，准确排除低效特征，降低特征维度。结合信息熵计算出的权值对GK模糊聚类进行加权，降低了低效特征对聚类结果的影响，有效且高效提高了聚类的准确性；考虑到了各维特征在聚类过程中的不同效率，排除低效特征，降低了特征向量的维数。突破传统模糊聚类算法在实际应用中的局限性，考虑到各维特征在聚类过程中的贡献不同，根据特征权重调整各维特征在聚类过程中的不同影响。本发明的加权GK模糊聚类方法，考虑到特征在聚类过程中的效果不一，提高了聚类结果的准确性。特征选择，就是从特征中遴选出那些最具代表性的特征，来实现特征空间降维，通过降低数据维度，从而提高了工作效率。信息熵加权特征选择算法通过从大量的特征中选择出与所研究问题相关的最具区分能力的特征子集，解决了因各维特征在聚类过程中的贡献不同，降低了特征向量的维数，降低了低效特征对聚类结果的影响，有效且高效提高了聚类的准确性。

本发明实施例提供了一种基于信息熵特征加权模糊聚类系统，如图2所示包括：

计算模块1，用于利用信息熵计算特征指标集中每一特征指标的权重系数；

排序模块2，用于将所述特征指标按照所述权重系数降序排序，获得特征指标序列；

构建模块3，用于基于所述特征指标序列中前n个所述特征指标，构建特征权重向量；

加权模块4，用于基于所述特征权重向量，对GK模糊聚类算法进行加权；

执行模块5，用于执行加权后的GK模糊聚类算法。

所述计算模块利用信息熵计算特征指标集中每一特征指标的权重系数，包括：

基于每一所述特征指标的故障类别和每一所述特征指标对应的预设的阈值，建立故障识别评价特征矩阵X：

其中，x_nm为第n类所述故障类别的第m个所述特征指标对应的所述阈值；

对故障识别评价特征矩阵X进行归一化处理获得r_ij：

利用信息熵计算每一特征指标的熵值E_j：

其中，k为归一化系数，

计算每一特征指标的偏差度d_j：

d_j＝1-E_j；

计算每一特征指标的权重系数为w_j：

所述加权模块基于所述特征权重向量，对GK模糊聚类算法进行加权，包括：

将所述特征权重向量组成对角矩阵W；

确定GK模糊聚类算法的聚类数目c、模糊指数d，并初始化GK模糊聚类算法中的隶属度矩阵U：

其中，μ_ab为第a个元素属于第b个聚类类别的隶属度，满足

μ_ab∈[0,1]，1≤a≤c，1≤b≤f；c为聚类数目，f为聚类样本数目；

更新GK模糊聚类算法的第b个聚类类别的聚类中心v_b：

其中，G_b为第b个聚类类别的聚类对象；

计算第b个聚类中心v_b的协方差矩阵F_b：

计算第b个聚类中心v_b的正定对称矩阵Z_i，并计算加权马氏距离

其中，T为矩阵转置，w为加权马氏距离的固定表达；

更新迭代所述隶属度矩阵U，若满足||U^(L+1)-U^(L)||<η，则终止运算，否则增加所述隶属度矩阵U的更新迭代次数，直至||U^(L+1)-U^(L)||<η；其中，U^(L)为所述隶属度矩阵U更新迭代L次时的隶属度矩阵，U^(L+1)为所述隶属度矩阵U更新迭代L+1次时的隶属度矩阵，η为终止允许误差，η＞0。

本发明提供一种基于信息熵特征加权模糊聚类方法/系统的应用，其特征在于，包括：

获取目标现场的设备运行信息；

基于加权后的GK模糊聚类算法，对所述设备运行信息进行聚类；

基于聚类结果，确定设备故障；

获取所述设备故障的处理指挥策略，并基于所述处理指挥策略，对所述目标现场进行处理指挥。

上述技术方案的工作原理及有益效果为：

信息熵特征加权模糊聚类方法/系统可应用于目标现场的设备故障识别。目标现场为需要进行设备故障识别的现场，例如：生产设备现场。获取其设备运行信息，设备运行信息为目标现场内多个设备的运行信息。基于加权后的GK模糊聚类算法，对设备运行信息进行聚类，加权后的GK模糊聚类算法可将设备运行信息中的故障信息聚类形成聚类结果，因此，可基于聚类结果确定设备故障。设备故障的处理指挥策略为指挥现场人员等对设备故障进行处理的策略，基于处理指挥策略，进行处理指挥。无需目标现场设置人工进行多次故障巡检，降低人力成本。

在一个实施例中，获取目标现场的设备运行信息，包括：

获取所述目标现场内的现场设备的运行任务信息；

对所述运行任务信息进行特征提取，获得特征集；

将所述特征集与所述现场设备对应的预设的触发特征集进行匹配，获取匹配度；

若所述匹配度大于等于预设的匹配度阈值，将对应所述现场设备作为目标现场设备；

获取所述目标现场设备的设备运行信息。

上述技术方案的工作原理及有益效果为：

目标现场内的现场设备的运行任务信息为现场设备当日的多个运行任务，例如：不停机作业12小时等。提取出运行任务信息的特征集，其包含运行任务的特征，例如：不停机作业总时长等。现场设备对应的预设的触发特征集为表征现场设备可能出现设备故障的运行任务的特征，例如：不停机作业总时长≥6小时等。将特征集与触发特征集进行匹配，若匹配度大于等于预设的匹配度阈值，说明现场设备可能会发生设备故障，需要进行其的设备运行信息的获取，作为目标现场设备。无需获取每一现场设备的设备运行信息，当现场设备可能发生设备故障时再进行获取，减少了设备运行信息获取资源，提升了设备运行信息获取效率。

在一个实施例中，获取所述目标现场设备的设备运行信息，包括：

通过所述目标现场设备对应的预设的物联网节点获取设备运行信息；

和/或，

通过所述目标现场内的工作人员和移动小车搭配获取所述目标现场设备的设备运行信息。

其中，通过所述目标现场内的工作人员和移动小车搭配获取所述目标现场设备的设备运行信息，包括：

获取所述目标现场对应的预设的现场地图；

获取所述工作人员的在执行任务的任务执行路线；

获取所述目标现场设备的设备位置；

基于所述现场地图、所述任务执行路线和所述设备位置，确定任务执行完成后返程能够顺带采集所述目标现场设备的设备运行信息的工作人员，并作为目标工作人员，同时，将对应所述目标现场设备作为第一采集目标，并将其余所述目标现场设备作为第二采集目标；

调度所述目标工作人员在任务执行完成后返程顺带采集所述第一采集目标的设备运行信息；

基于所述第二采集目标的所述设备位置，规划移动采集路线；

基于所述移动采集路线，控制所述移动小车采集所述第二采集目标的设备运行信息；

其中，基于所述现场地图、所述任务执行路线和所述设备位置，确定任务执行完成后返程能够顺带采集所述目标现场设备的设备运行信息的工作人员，包括：

在所述现场地图内以所述设备位置为圆心，预设的半径长度为半径作圆形；

确定所述圆形与所述任务执行路线的返程路线的交点；

当所述交点的数目大于等于二时，将所述交点中与所述圆心的直线距离最短的两个交点作为目标交点；

基于每一所述目标交点和由所述目标交点向所述圆心的直线方向，构建两个方向向量；

计算两个方向向量的向量夹角，若所述向量夹角小于等于预设的向量夹角阈值，确定对应所述工作人员在任务执行完成后返程能够顺带采集所述目标现场设备的设备运行信息。

上述技术方案的工作原理及有益效果为：

目标现场设备的设备运行信息的获取方式有两种：第一种，在目标现场内搭建物联网，将目标现场设备接入物联网，赋予其物联网节点，物联网节点可实现与目标现场设备之间的信息通信，通过物联网节点进行获取。第二种，由现场的工作人员和移动小车搭配进行获取，移动小车自带设备运行信息采集装置，例如：Rfid识别装置，抵达目标现场设备旁时，通过Rfid识别装置读取目标现场设备的Rfid卡中的设备运行信息。引入两种方式进行目标现场设备的设备运行信息的获取，提升了系统的适用性。

在执行第二种方式获取时，需要进行工作人员和移动小车合理调度。一般的，工作人员会在现场执行任务，调度任务执行完成后可以顺带采集目标现场设备的设备运行信息的目标工作人员在任务执行完成后返程顺带采集，为提升调度合理性，仅调度执行简单人员的目标工作人员。其余目标现场设备由移动小车进行采集。合理调度工作和移动小车搭配获取目标现场设备的设备运行信息，无需每一目标现场设备的设备运行信息均由移动小车获取，极大程度上提示了目标现场设备的设备运行信息获取的获取效率。

确定任务完成后能够进行顺带采集的目标工作人员时，以设备位置为圆心，预设的半径长度为半径作圆形，预设的半径长度为，例如：2.2米。当工作人员的返程路线与圆形有至少两个交点时，说明工作人员返程时会靠近目标现场设备。当两个方向向量的向量夹角小于等于预设的向量夹角阈值时，说明工作人员靠近目标现场设备时若前往目标现场设备的直线距离最小，能够顺带采集，预设的向量夹角阈值为，例如：65度。引入圆形和两个方向向量，提升了任务完成后能够进行顺带采集的目标工作人员的确定的确定效率和确定精准性。

在一个实施例中，获取所述设备故障的处理指挥策略，包括：

获取所述设备故障对应的预设的处理难度的难度值；

若所述难度值小于等于预设的难度值阈值，获取所述设备故障对应的预设的第一处理指挥经验，并基于所述第一处理指挥经验确定处理指挥策略；

否则，获取所述设备故障对应的预设的多组一一对应的处理指标和指标权重；

基于所述多组一一对应的处理指标和指标权重，生成处理指挥经验要求；

从预设的处理指挥经验共享库中确定满足所述处理指挥经验要求的多个第二处理指挥经验；

获取所述设备故障对应的预设的信息获取模板和匹配情况评价模板；

基于所述信息获取模板，分别获取所述目标现场的第一现场信息和所述第二处理指挥经验对应的其他现场的第二现场信息；

将所述第一现场信息和所述第二现场信息进行匹配，获取匹配情况；

基于所述匹配情况评价模板，对所述匹配情况进行评价，获得评价值；

基于最大所述评价值对应的所述第二处理指挥经验，确定处理指挥策略。

上述技术方案的工作原理及有益效果为：

当设备故障的难度值小于等于预设的难度值阈值时，说明设备故障处理难度较小，基于对应预设的第一处理指挥经验确定处理指挥策略，第一处理指挥经验由专业人员预先设置。否则，处理难度较大，获取设备故障对应的预设的多组一一对应的处理指标和指标权重，处理指标为设备故障处理需达成的指标，例如：设备故障处理后能持续正常工作至少36小时等，对应指标权重表征设备故障处理达成的指标的需求大小。基于多组一一对应的处理指标和指标权重，生成处理指挥经验要求，将处理指标按指标权重从大到小进行排序，获得处理指挥经验要求，处理指标越排在考前，越优先满足。预设的处理指挥经验共享库中有大量不同设备现场历史上进行故障处理的共享经验。从中确定满足处理指挥经验要求的多个第二处理指挥经验。但是，第二处理指挥经验并不一定适用于本目标现场，例如：第二处理指挥经验为指挥至少3个设备技术员进行故障处理，而本现场仅有2个设备技术员。因此，获取设备故障对应的预设的信息获取模板和匹配情况评价模板，基于信息获取模板，分别获取目标现场的第一现场信息和第二处理指挥经验对应的其他现场的第二现场信息。第一现场信息和第二现场信息为现场人员数目信息和发生设备故障的设备型号信息等。将第一现场信息和第二现场信息进行匹配，获取匹配情况，基于匹配情况评价模板，对匹配情况进行评价，获得评价值，评价值越大，说明第二处理指挥经验越适用于本目标现场，因此，基于最大评价值对应的第二处理指挥经验，确定处理指挥策略。基于设备故障的处理难度进行分级，难度较小时直接基于本地的第一处理指挥经验进行处理指挥，当难度较大时，基于处理指挥经验共享库挑选出适宜的第二处理指挥经验，提升了系统应对设备的能力，同时，也更加智能化。

显然，本领域的技术人员可以对本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，则本发明也意图包含这些改动和变型在内。

Claims (10)

1.一种基于信息熵特征加权模糊聚类方法，其特征在于，包括：

利用信息熵计算特征指标集中每一特征指标的权重系数；

将所述特征指标按照所述权重系数降序排序，获得特征指标序列；

基于所述特征指标序列中前n个所述特征指标，构建特征权重向量；

基于所述特征权重向量，对GK模糊聚类算法进行加权；

执行加权后的GK模糊聚类算法。

2.如权利要求1所述的一种基于信息熵特征加权模糊聚类方法，其特征在于，利用信息熵计算特征指标集中每一特征指标的权重系数，包括：

基于每一所述特征指标的故障类别和每一所述特征指标对应的预设的阈值，建立故障识别评价特征矩阵X：

其中，x_nm为第n类所述故障类别的第m个所述特征指标对应的所述阈值；

对故障识别评价特征矩阵X进行归一化处理获得r_ij：

利用信息熵计算每一特征指标的熵值E_j：

其中，k为归一化系数，

计算每一特征指标的偏差度d_j：

d_j＝1-E_j；

计算每一特征指标的权重系数为w_j：

3.如权利要求1所述的一种基于信息熵特征加权模糊聚类方法，其特征在于，基于所述特征权重向量，对GK模糊聚类算法进行加权，包括：

将所述特征权重向量组成对角矩阵W；

确定GK模糊聚类算法的聚类数目c、模糊指数d，并初始化GK模糊聚类算法中的隶属度矩阵U：

其中，μ_ab为第a个元素属于第b个聚类类别的隶属度，满足

μ_ab∈[0，1]，1≤a≤c，1≤b≤f；c为聚类数目，f为聚类样本数目；

更新GK模糊聚类算法的第b个聚类类别的聚类中心v_b：

其中，G_b为第b个聚类类别的聚类对象；

计算第b个聚类中心v_b的协方差矩阵F_b：

计算第b个聚类中心v_b的正定对称矩阵Z_i，并计算加权马氏距离

其中，T为矩阵转置，w为加权马氏距离的固定表达；

更新迭代所述隶属度矩阵U，若满足||U^(L+1)-U^(L)||＜η，则终止运算，否则增加所述隶属度矩阵U的更新迭代次数，直至||U^(L+1)-U^(L)||＜η；其中，U^(L)为所述隶属度矩阵U更新迭代L次时的隶属度矩阵，U^(L+1)为所述隶属度矩阵U更新迭代L+1次时的隶属度矩阵，η为终止允许误差，η＞0。

4.一种基于信息熵特征加权模糊聚类系统，其特征在于，包括：

计算模块，用于利用信息熵计算特征指标集中每一特征指标的权重系数；

排序模块，用于将所述特征指标按照所述权重系数降序排序，获得特征指标序列；

构建模块，用于基于所述特征指标序列中前n个所述特征指标，构建特征权重向量；

加权模块，用于基于所述特征权重向量，对GK模糊聚类算法进行加权；

执行模块，用于执行加权后的GK模糊聚类算法。

5.如权利要求4所述的一种基于信息熵特征加权模糊聚类系统，其特征在于，所述计算模块利用信息熵计算特征指标集中每一特征指标的权重系数，包括：

基于每一所述特征指标的故障类别和每一所述特征指标对应的预设的阈值，建立故障识别评价特征矩阵X：

其中，x_nm为第n类所述故障类别的第m个所述特征指标对应的所述阈值；

对故障识别评价特征矩阵X进行归一化处理获得r_ij：

利用信息熵计算每一特征指标的熵值E_j：

其中，k为归一化系数，

计算每一特征指标的偏差度d_j：

d_j＝1-E_j；

计算每一特征指标的权重系数为w_j：

6.如权利要求4所述的一种基于信息熵特征加权模糊聚类系统，其特征在于，所述加权模块基于所述特征权重向量，对GK模糊聚类算法进行加权，包括：

将所述特征权重向量组成对角矩阵W；

确定GK模糊聚类算法的聚类数目c、模糊指数d，并初始化GK模糊聚类算法中的隶属度矩阵U：

其中，μ_ab为第a个元素属于第b个聚类类别的隶属度，满足

μ_ab∈[0，1]，1≤a≤c，1≤b≤f；c为聚类数目，f为聚类样本数目；

更新GK模糊聚类算法的第b个聚类类别的聚类中心v_b：

其中，G_b为第b个聚类类别的聚类对象；

计算第b个聚类中心v_b的协方差矩阵F_b：

计算第b个聚类中心v_b的正定对称矩阵Z_i，并计算加权马氏距离

其中，T为矩阵转置，w为加权马氏距离的固定表达；

更新迭代所述隶属度矩阵U，若满足||U^(L+1)-U^(L)||＜η，则终止运算，否则增加所述隶属度矩阵U的更新迭代次数，直至||U^(L+1)-U^(L)||＜η；其中，U^(L)为所述隶属度矩阵U更新迭代L次时的隶属度矩阵，U^(L+1)为所述隶属度矩阵U更新迭代L+1次时的隶属度矩阵，η为终止允许误差，η＞0。

7.一种如权利要求1-6任一项所述的一种基于信息熵特征加权模糊聚类方法/系统的应用，其特征在于，包括：

获取目标现场的设备运行信息；

基于加权后的GK模糊聚类算法，对所述设备运行信息进行聚类；

基于聚类结果，确定设备故障；

获取所述设备故障的处理指挥策略，并基于所述处理指挥策略，对所述目标现场进行处理指挥。

8.如权利要求7所述的应用，其特征在于，获取目标现场的设备运行信息，包括：

获取所述目标现场内的现场设备的运行任务信息；

对所述运行任务信息进行特征提取，获得特征集；

将所述特征集与所述现场设备对应的预设的触发特征集进行匹配，获取匹配度；

若所述匹配度大于等于预设的匹配度阈值，将对应所述现场设备作为目标现场设备；

获取所述目标现场设备的设备运行信息。

9.如权利要求8所述的应用，其特征在于，获取所述目标现场设备的设备运行信息，包括：

通过所述目标现场设备对应的预设的物联网节点获取设备运行信息；

和/或，

通过所述目标现场内的工作人员和移动小车搭配获取所述目标现场设备的设备运行信息。

10.如权利要求8所述的应用，其特征在于，通过所述目标现场内的工作人员和移动小车搭配获取所述目标现场设备的设备运行信息，包括：

获取所述目标现场对应的预设的现场地图；

获取所述工作人员的在执行任务的任务执行路线；

获取所述目标现场设备的设备位置；

基于所述现场地图、所述任务执行路线和所述设备位置，确定任务执行完成后返程能够顺带采集所述目标现场设备的设备运行信息的工作人员，并作为目标工作人员，同时，将对应所述目标现场设备作为第一采集目标，并将其余所述目标现场设备作为第二采集目标；

调度所述目标工作人员在任务执行完成后返程顺带采集所述第一采集目标的设备运行信息；

基于所述第二采集目标的所述设备位置，规划移动采集路线；

基于所述移动采集路线，控制所述移动小车采集所述第二采集目标的设备运行信息。

Images