CN116361628A - 基于vfd房的故障类别智能分析方法及装置 - Google Patents
基于vfd房的故障类别智能分析方法及装置 Download PDFInfo
- Publication number
- CN116361628A CN116361628A CN202310094899.7A CN202310094899A CN116361628A CN 116361628 A CN116361628 A CN 116361628A CN 202310094899 A CN202310094899 A CN 202310094899A CN 116361628 A CN116361628 A CN 116361628A
- Authority
- CN
- China
- Prior art keywords
- fault
- data
- historical
- features
- preset
- 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
- 238000004458 analytical method Methods 0.000 title claims abstract description 47
- 238000012544 monitoring process Methods 0.000 claims abstract description 48
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 47
- 239000013598 vector Substances 0.000 claims description 36
- 238000009826 distribution Methods 0.000 claims description 18
- 230000006870 function Effects 0.000 claims description 15
- 238000000605 extraction Methods 0.000 claims description 14
- 238000010586 diagram Methods 0.000 claims description 9
- 238000011156 evaluation Methods 0.000 claims description 7
- 238000004140 cleaning Methods 0.000 claims description 5
- 238000011478 gradient descent method Methods 0.000 claims description 5
- 238000007781 pre-processing Methods 0.000 claims description 5
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 238000013473 artificial intelligence Methods 0.000 abstract description 7
- 238000005516 engineering process Methods 0.000 abstract description 3
- 238000000034 method Methods 0.000 description 7
- 238000012545 processing Methods 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 229910000831 Steel Inorganic materials 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000005553 drilling Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000003208 petroleum Substances 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 239000010959 steel Substances 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J13/00—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network
- H02J13/00006—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network characterised by information or instructions transport means between the monitoring, controlling or managing units and monitored, controlled or operated power network element or electrical equipment
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J13/00—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network
- H02J13/00002—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network characterised by monitoring
Landscapes
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及人工智能技术，揭露了一种基于VFD房的故障类别智能分析方法，包括：获取历史VFD房的历史数据，对历史数据进行特征提取，得到历史数据的历史特征；利用预设的距离公式对历史特征进行特征聚类，得到历史特征的聚类特征，根据聚类特征生成历史VFD房的故障类别；获取目标VFD房的监控数据，根据预设的学习排序算法和故障类别生成监控数据的故障概率表；根据预设的概率阈值对故障概率表中的故障进行故障选取，得到故障概率表的目标故障，确定目标故障为目标VFD房的故障类别分析结果。本发明还提出一种基于VFD房的故障类别智能分析装置。本发明可以提高VFD房的故障类别的分析效率。
Description
技术领域
本发明涉及人工智能技术领域，尤其涉及一种基于VFD房的故障类别智能分析方法及装置。
背景技术
VFD是Variable Frequency Drive英文的缩写，意思是变频驱动，主要是用来控制发电机输出电力、交流变频电机、MCC(马达控制)系统。VFD房是石油钻机电气控制的核心房体.
温度、湿度以及各种故障影响因素对VFD房的影响在不同的地区、不同的气候有比较大的差异，发生的故障也不同，关键是要找到问题的关键所在，对症下药，并且对每次故障进行总结分析，积累经验才能防止和预防故障的再次发生，现如今的故障分析技术不能确定是哪种类型的故障，也不能分清楚故障处理的轻重缓急，因此如何提升VFD房的故障类别的分析效率，成为了亟待解决的问题。
发明内容
本发明提供一种基于VFD房的故障类别智能分析方法及装置，其主要目的在于解决基于VFD房的故障类别分析时效率较低的问题。
为实现上述目的，本发明提供的一种基于VFD房的故障类别智能分析方法，包括：
获取历史VFD房的历史数据，对所述历史数据进行特征提取，得到所述历史数据的历史特征；
利用预设的距离公式对所述历史特征进行特征聚类，得到所述历史特征的聚类特征，根据所述聚类特征生成所述历史VFD房的故障类别；
获取目标VFD房的监控数据，根据预设的学习排序算法和所述故障类别生成所述监控数据的故障概率表；
根据预设的概率阈值对所述故障概率表中的故障进行故障选取，得到所述故障概率表的目标故障，确定所述目标故障为所述目标VFD房的故障类别分析结果。
可选地，所述对所述历史数据进行特征提取，得到所述历史数据的历史特征，包括：
对所述历史数据进行数据清洗，得到所述历史数据的标准数据；
根据预设的偏度算法生成所述标准数据的偏度，根据预设的峰度算法生成所述标准数据的峰度，根据预设的熵公式生成所述标准数据的熵；
汇集所述偏度、所述峰度和所述熵为所述标准数据的统计特征，确定所述统计特征为所述历史数据的历史特征。
可选地，所述根据预设的偏度算法生成所述标准数据的偏度，包括：
利用如下偏度算法计算所述标准数据的偏度：
其中，S是所述标准数据的偏度，n是标准数据的总数，i是标准数据的标识，xi是第i个标准数据，μ是标准数据的平均值，σ是标准数据的标准差。
可选地，所述根据预设的峰度算法生成所述标准数据的峰度，包括：
利用如下峰度算法计算所述标准数据的峰度：
其中，K是所述标准数据的峰度，n是标准数据的总数，i是标准数据的标识，xi是第i个标准数据，μ是标准数据的平均值，σ是标准数据的标准差。
可选地，所述根据预设的熵公式生成所述标准数据的熵，包括：
利用如下熵算法计算所述标准数据的熵：
其中，H(X)是所述标准数据的熵，X是标准数据集，x是标准数据,p(x)是标准数据的概率。
可选地，所述利用预设的距离公式对所述历史特征进行特征聚类，得到所述历史特征的聚类特征，包括：
对所述历史特征进行向量转化，得到所述历史特征的特征向量；
利用预设的距离公式和所述特征向量对所述历史特征进行特征聚类，得到所述历史特征的初级聚类；
对所述初级聚类进行聚类评价，得到所述初级聚类的初级指标；
根据预设的指标阈值和所述初级指标确定所述历史特征的聚类特征。
可选地，所述对所述初级聚类进行聚类评价，得到所述初级聚类的初级指标，包括：
确定所述初级聚类的初级样本簇，逐个计算所述初级样本簇中样本间的平均距离和最远距离；
生成所述初级样本簇的最近簇间距离和中心距离，根据所述平均距离、所述最远距离、所述最近簇间距离和所述中心距离生成所述初级聚类的初级指标。
可选地，所述获取目标VFD房的监控数据，包括：
获取目标VFD房的分布图，根据所述分布图对所述目标VFD房进行线路和节点监控，得到所述目标VFD房的实时数据；
对所述实时数据进行数据预处理，得到所述目标VFD房的监控数据。
可选地，所述根据预设的学习排序算法和所述故障类别生成所述监控数据的故障概率表，包括：
根据所述故障类别对所述监控数据进行初始化排序，得到所述监控数据的初始序列；
根据预设的概率算法计算所述初级排序的排序概率，根据所述排序概率生成所述初级排序的评分函数；
利用梯度下降法和所述评分函数生成所述监控数据的标准序列，利用所述标准序列和所述故障类别生成所述监控数据的故障概率表。
为了解决上述问题，本发明还提供一种基于VFD房的故障类别智能分析装置，所述装置包括：
历史特征模块，用于获取历史VFD房的历史数据，对所述历史数据进行特征提取，得到所述历史数据的历史特征；
聚类特征模块，用于利用预设的距离公式对所述历史特征进行特征聚类，得到所述历史特征的聚类特征，根据所述聚类特征生成所述历史VFD房的故障类别；
故障概率表模块，用于获取目标VFD房的监控数据，根据预设的学习排序算法和所述故障类别生成所述监控数据的故障概率表；
故障类别分析模块，用于根据预设的概率阈值对所述故障概率表中的故障进行故障选取，得到所述故障概率表的目标故障，确定所述目标故障为所述目标VFD房的故障类别分析结果。
本发明实施例通过获取历史VFD房的历史数据，并对获取的所述历史数据进行特征提取，降低了数据维度，提高了数据处理效率，并为后续数据聚类提供基础，由特征提取生成的历史特征清楚的表示出所述历史数据的特征，对所述历史特征进行特征聚类是为了确定VFD房可能存在的故障类型，获取目标VFD房的监控数据,利用预设的学习排序算法和故障类型生成所述监控数据的故障概率表，提高了故障的概率判断的效率和准确率，因此本发明提出基于VFD房的故障类别智能分析方法及装置，可以解决VFD房的故障类别的分析效率较低的问题。
附图说明
图1为本发明一实施例提供的基于VFD房的故障类别智能分析方法的流程示意图；
图2为本发明一实施例提供的特征提取的流程示意图；
图3为本发明一实施例提供的生成故障概率表的流程示意图；
图4为本发明一实施例提供的基于VFD房的故障类别智能分析装置的功能模块图；
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
本申请实施例提供一种基于VFD房的故障类别智能分析方法。所述基于VFD房的故障类别智能分析方法的执行主体包括但不限于服务端、终端等能够被配置为执行本申请实施例提供的该方法的电子设备中的至少一种。换言之，所述基于VFD房的故障类别智能分析方法可以由安装在终端设备或服务端设备的软件或硬件来执行。所述服务端包括但不限于：单台服务器、服务器集群、云端服务器或云端服务器集群等。所述服务器可以是独立的服务器，也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(Content Delivery Network，CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器。
参照图1所示，为本发明一实施例提供的基于VFD房的故障类别智能分析方法的流程示意图。在本实施例中，所述基于VFD房的故障类别智能分析方法包括：
S1、获取历史VFD房的历史数据，对所述历史数据进行特征提取，得到所述历史数据的历史特征。
在本发明实施例中，所述VFD房是指VFD电控房，是指以变流调速装置为核心的电驱动控制功能总成的密闭传输单元，是动力和变速驱动的电气控制系统，由电气装置集合而成，其中，电控系统可以集成在一个3-8mm厚、封闭、保温的墙体钢板形成的拖撬上，所述VFD房由发电机控制柜、同期柜、整流系统、逆变装置、制动柜和制动电阻、直流母排开关、PLC柜、开关柜、自动送钻柜和制动电阻、MCC柜、大功率空调等构成。
详细地，所述历史数据包括但不限于：所述VFD房的历史电流、历史电压、历史功率、交流电、VFD的结构图、配套设备数量及型号、发电机数据、风机的数据、熔断器数据、电缆分布、传输速度、信号电缆长度、房体的最大外形尺寸和房内尺寸、温度、湿度、密闭性等。
详细地，有效的特征提取是聚类分析的基础，所述历史数据的数量庞大、种类繁多，不适合直接进行聚类处理，需要经过所述特征提取生成一系列的特征参数来表示所述历史数据，其中，所述特征参数就是所述历史数据的历史特征。
在本发明实施例中，参图2所示，所述对所述历史数据进行特征提取，得到所述历史数据的历史特征，包括：
S21、对所述历史数据进行数据清洗，得到所述历史数据的标准数据；
S22、根据预设的偏度算法生成所述标准数据的偏度，根据预设的峰度算法生成所述标准数据的峰度，根据预设的熵公式生成所述标准数据的熵；
S23、汇集所述偏度、所述峰度和所述熵为所述标准数据的统计特征，确定所述统计特征为所述历史数据的历史特征。
详细地，所述数据清洗是为了消除缺失值、重复值、错误值对特征提取程序的干扰，其中，所述缺失值的处理可以利用默认值、中位数、极值、平均值等进行填充，可以利用填充模型进行处理，可以对所述重复值进行删除操作，所述错误值的处理可以利用线性回归算法或者神经网络。
详细地，所述标准数据是指历史数据经过清洗后得到的数据；所述历史特征是指能表示出所述历史数据的特征参数；所述特征提取的方法还可以是模型提取特征、数学变换提取特征、分形理论提取特征等。
详细地，本发明实施例中的统计特征是指所述历史数据的偏度、峰度和熵。
一般地，常见的统计特征包括：最值、均值、方差、标准差、中位数、极值等，这些统计特征计算简单、物理意见直观，但是描述能力有限，不足以说明所述历史数据的分布情况。
详细地，所述根据预设的偏度算法生成所述标准数据的偏度，包括：
利用如下偏度算法计算所述标准数据的偏度：
其中，S是所述标准数据的偏度，n是标准数据的总数，i是标准数据的标识，xi是第i个标准数据，μ是标准数据的平均值，σ是标准数据的标准差。
详细地，所述偏度用于度量随机变量统计概率分布的不对称特征，可以量化以定义分布与正态分布的差异程度，其分布曲线显示为向左或者享有变形或者倾斜，存在正偏度、负偏度、零偏度和不确定偏度等形式，其中，当偏度为负时，所述标准数据的均值小于中位数，当偏度为证时，则情况相反，如果分布曲线对称，则无论曲线尾部有多长或者多胖，分布的偏度均为零。
详细地，所述根据预设的峰度算法生成所述标准数据的峰度，包括：
利用如下峰度算法计算所述标准数据的峰度：
其中，K是所述标准数据的峰度，n是标准数据的总数，i是标准数据的标识，xi是第i个标准数据，μ是标准数据的平均值，σ是标准数据的标准差。
详细地，所述峰度用来度量随机变量概率分布的陡峭程度，服从标准正态分布的数据的峰度值为3，峰度值越大，概率分布图越高尖，峰度值越小，越矮胖，峰度是随机变量的四阶中心矩，亦即，在方差相同的情况下，峰度越大，存在极端值的可能性越大，其中，所述随机变量由所述标准数据生成。
详细地，所述根据预设的熵公式生成所述标准数据的熵，包括：
利用如下熵算法计算所述标准数据的熵：
其中，H(X)是所述标准数据的熵，X是标准数据集，x是标准数据,p(x)是标准数据的概率。
详细地，所述偏度和所述峰度是描述随机变量分布曲线形状的指标，所述熵是一种描述确定性与不确定性的指标，对于一个随机变量而言，熵值越大，其不确定性越大，熵计算公式形式由标准数据是离散形式存在还是连续存在而决定。
S2、利用预设的距离公式对所述历史特征进行特征聚类，得到所述历史特征的聚类特征，根据所述聚类特征生成所述历史VFD房的故障类别。
在本发明实施例中，所述特征聚类的目标是根据样本观测值将相似的样本聚集成簇，亦即，将所述历史特征按照相似性进行划分，得到若干个特征组，同一样本簇中的样本彼此之间在某种意义上比其他样本簇中的对象更加相似。
在本发明实施例中，所述利用预设的距离公式对所述历史特征进行特征聚类，得到所述历史特征的聚类特征，包括：
对所述历史特征进行向量转化，得到所述历史特征的特征向量；
利用预设的距离公式和所述特征向量对所述历史特征进行特征聚类，得到所述历史特征的初级聚类；
对所述初级聚类进行聚类评价，得到所述初级聚类的初级指标；
根据预设的指标阈值和所述初级指标确定所述历史特征的聚类特征。
详细地，所述特征聚类可以使用多种算法进行，但是，无论哪种算法都要确定样本之间的距离，亦即，所述历史特征之间的距离。
详细地，所述预设的距离公式，包括：
其中，d(ya,yb)是第a个特征向量和第b个特征向量的向量距离，ya是第a个特征向量，yb是第b个特征向量，yac是第a个特征向量中的第c个向量元素，ybc是第b个特征向量中的第c个向量元素，a是特征向量的标识，b是特征向量的标识，c是向量元素的标识，d是变量，m是特征向量中向量元素的总数。
详细地，所述聚类分析的目标是根据样本观测值将相似的样本聚集成簇，同一簇中的样本彼此之间在某种意义上比其他簇中的对象更相似，聚类分析可以通过各种算法来实现，不论何种聚类算法，都需要确定样本之间距离，其中，所述变量d可以取值为1、2和无穷，当变量d为1时，所述预设的距离公式是曼哈顿距离公式，当变量d为2时，所述预设的距离公式是欧式距离公式，当变量d为无穷时，所述预设的距离公式是切比雪夫距离公式。
详细地，所述对所述初级聚类进行聚类评价，得到所述初级聚类的初级指标，包括：
确定所述初级聚类的初级样本簇，逐个计算所述初级样本簇中样本间的平均距离和最远距离；
生成所述初级样本簇的最近簇间距离和中心距离，根据所述平均距离、所述最远距离、所述最近簇间距离和所述中心距离生成所述初级聚类的初级指标。
详细地，所述最近簇间距离是指两个初级样本簇之间的最小距离值，中心距离表示样本簇与样本簇中心点之间的距离，所述初级指标包括：DBI值和DVI值，DBI的值越小说明聚类效果越好，DVI则是值越大聚类效果越好，其中，所述DBI值是指戴维森堡丁指数，是由戴维斯和唐纳德提出的一种评估聚类算法优劣的指标，所述DVI值是邓恩指数，是一种用于评估聚类算法的指标，是一种内部评估方案，其结果基于聚类数据本身。
详细地，所述故障类别可以是过温故障、过湿报警、风机故障、接地故障和其他故障等。
S3、获取目标VFD房的监控数据，根据预设的学习排序算法和所述故障类别生成所述监控数据的故障概率表。
在本发明实施例中，所述监控数据是指对所述目标VFD房的实时数据处理后得到的数据，因为所述监控数据存在样本复杂、数据庞大的问题，直接进行判断增加工作量。
在本发明实施例中，所述获取目标VFD房的监控数据，包括：
获取目标VFD房的分布图，根据所述分布图对所述目标VFD房进行线路和节点监控，得到所述目标VFD房的实时数据；
对所述实时数据进行数据预处理，得到所述目标VFD房的监控数据。
详细地，所述监控数据反映目标VFD房各物理量的平均大小、波动情况、以及其他具体的波形特征，原数据有十余个物理量和指标，且每个物理量都是一个时间序列，采样时间间隔可以确定为15min，这样的数据难以直接作为神经网络的输入，需要先进行数据预处理。
进一步地，对实时数据进行数据预处理有以下两点要求：进行数据预处理所得到的监控数据相对于原始数据应大大降低维度，以达到降低数据量和便于进一步分析处理的目的，比如某些信号采样频率较高，对于部分神经网络等模型，直接输入是一种不可行的方案监控数据应能够较好的体现原有实时数据的特征，尤其是差异性特征，保留对后续处理有意义的信息，即在压缩数据维度和数据量的同时尽可能少的损失有效信息。
在本发明实施例中，参图3所示，所述根据预设的学习排序算法和所述故障类别生成所述监控数据的故障概率表，包括：
S31、根据所述故障类别对所述监控数据进行初始化排序，得到所述监控数据的初始序列；
S32、根据预设的概率算法计算所述初级排序的排序概率，根据所述排序概率生成所述初级排序的评分函数；
S33、利用梯度下降法和所述评分函数生成所述监控数据的标准序列，利用所述标准序列和所述故障类别生成所述监控数据的故障概率表。
详细地，所述预设的学习排序算法是指预测某样本排序高于另一样本的概率，而这个概率的预测被转化为评分函数，排序越高的样本，相应的评分也越高，对这个评分设定一个损失函数，用梯度下降法生成所述监控数据的标准序列，对任意一个样本，如果其他样本排名在该样本之后，梯度下降法则将该样本的分数拉高；如果其他样本的排名在其之前，就将其分数拉低，分数变动的幅度取决于样本之间的分数差，在一般的情况下，人们往往更关心排名靠前的样本，所以保证排序靠前的样本的排序准确度更为重要。
详细地，评分函数表示当两个样本的分数差值越大，对应的概率也应该越大；当两个样本的评分相同时，对应的概率应该是0.5。
详细地，所述预设的概率算法指定两个所述初级排序的概率为0和1，判断两个初级排序的可能性，根据所述可能性来判断概率的所属，假设A排序的可能性大于B排序，那么A排序的概率可以是1，B排序的概率可以是0，那么评分为100和0，假设A排序的可能性等于B排序，那么A排序的概率可以是0.5，B排序的概率可以是0.5，那么评分为50和50。
详细地，所述梯度下降法是一个最优化算法，常用于机器学习和人工智能当中用来递归性地逼近最小偏差模型。
详细地，所述预设的学习排序算法的优化目标是最优化整体的排序正确率，根据最优化整体排序生成所述监控数据的故障概率表。
S4、根据预设的概率阈值对所述故障概率表中的故障进行故障选取，得到所述故障概率表的目标故障，确定所述目标故障为所述目标VFD房的故障类别分析结果。
在本发明实施例中，所述预设的概率阈值是人为设定的，所述概率阈值可以是0.5，也可以是0.7，也可以是0.9；所述故障选取是指选取所述故障概率表中的较大概率的故障，其中，较大概率是指大于预设的概率阈值的概率。
详细地，所述故障概率表显示了故障的名称以及故障可能存在的概率，按照故障概率对VFD房依次进行故障排除，分清轻重缓急。
本发明实施例通过获取历史VFD房的历史数据，并对获取的所述历史数据进行特征提取，降低了数据维度，提高了数据处理效率，并为后续数据聚类提供基础，由特征提取生成的历史特征清楚的表示出所述历史数据的特征，对所述历史特征进行特征聚类是为了确定VFD房可能存在的故障类型，获取目标VFD房的监控数据,利用预设的学习排序算法和故障类型生成所述监控数据的故障概率表，提高了故障的概率判断的效率和准确率，因此本发明提出基于VFD房的故障类别智能分析方法，可以解决VFD房的故障类别的分析效率较低的问题。
如图4所示，是本发明一实施例提供的基于VFD房的故障类别智能分析装置的功能模块图。
本发明所述基于VFD房的故障类别智能分析装置100可以安装于电子设备中。根据实现的功能，所述基于VFD房的故障类别智能分析装置100可以包括历史特征模块101、聚类特征模块102、故障概率表模块103及故障类别分析模块104。本发明所述模块也可以称之为单元，是指一种能够被电子设备处理器所执行，并且能够完成固定功能的一系列计算机程序段，其存储在电子设备的存储器中。
在本实施例中，关于各模块/单元的功能如下：
所述历史特征模块101，用于获取历史VFD房的历史数据，对所述历史数据进行特征提取，得到所述历史数据的历史特征；
所述聚类特征模块102，用于利用预设的距离公式对所述历史特征进行特征聚类，得到所述历史特征的聚类特征，根据所述聚类特征生成所述历史VFD房的故障类别；
所述故障概率表模块103，用于获取目标VFD房的监控数据，根据预设的学习排序算法和所述故障类别生成所述监控数据的故障概率表；
所述故障类别分析模块104，用于根据预设的概率阈值对所述故障概率表中的故障进行故障选取，得到所述故障概率表的目标故障，确定所述目标故障为所述目标VFD房的故障类别分析结果。
在本发明所提供的几个实施例中，应该理解到，所揭露的方法和装置，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。
因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。其中，人工智能(Artificial Intelligence，AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用装置。
此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。装置权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第一、第二等词语用来表示名称，而并不表示任何特定的顺序。
最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。
Claims (10)
1.一种基于VFD房的故障类别智能分析方法，其特征在于，所述方法包括：
获取历史VFD房的历史数据，对所述历史数据进行特征提取，得到所述历史数据的历史特征；
利用预设的距离公式对所述历史特征进行特征聚类，得到所述历史特征的聚类特征，根据所述聚类特征生成所述历史VFD房的故障类别，其中，所述预设的距离公式，包括：
其中，d (ya,yb)是第a个特征向量和第b个特征向量的向量距离，ya是第a个特征向量，yb是第b个特征向量，yac是第a个特征向量中的第c个向量元素，ybc是第b个特征向量中的第c个向量元素，a是特征向量的标识，b是特征向量的标识，c是向量元素的标识，d是变量，m是特征向量中向量元素的总数；
获取目标VFD房的监控数据，根据预设的学习排序算法和所述故障类别生成所述监控数据的故障概率表；
根据预设的概率阈值对所述故障概率表中的故障进行故障选取，得到所述故障概率表的目标故障，确定所述目标故障为所述目标VFD房的故障类别分析结果。
2.如权利要求1所述的基于VFD房的故障类别智能分析方法，其特征在于，所述对所述历史数据进行特征提取，得到所述历史数据的历史特征，包括：
对所述历史数据进行数据清洗，得到所述历史数据的标准数据；
根据预设的偏度算法生成所述标准数据的偏度，根据预设的峰度算法生成所述标准数据的峰度，根据预设的熵公式生成所述标准数据的熵；
汇集所述偏度、所述峰度和所述熵为所述标准数据的统计特征，确定所述统计特征为所述历史数据的历史特征。
3.如权利要求2所述的基于VFD房的故障类别智能分析方法，其特征在于，所述根据预设的偏度算法生成所述标准数据的偏度，包括：
利用如下偏度算法计算所述标准数据的偏度：
其中，S是所述标准数据的偏度，n是标准数据的总数，i是标准数据的标识，xi是第i个标准数据，μ是标准数据的平均值，σ是标准数据的标准差。
4.如权利要求2所述的基于VFD房的故障类别智能分析方法，其特征在于，所述根据预设的峰度算法生成所述标准数据的峰度，包括：
利用如下峰度算法计算所述标准数据的峰度：
其中，K是所述标准数据的峰度，n是标准数据的总数，i是标准数据的标识，xi是第i个标准数据，μ是标准数据的平均值，σ是标准数据的标准差。
5.如权利要求2所述的基于VFD房的故障类别智能分析方法，其特征在于，所述根据预设的熵公式生成所述标准数据的熵，包括：
利用如下熵算法计算所述标准数据的熵：
其中，H(X)是所述标准数据的熵，X是标准数据集，x是标准数据,p(x)是标准数据的概率。
6.如权利要求1所述的基于VFD房的故障类别智能分析方法，其特征在于，所述利用预设的距离公式对所述历史特征进行特征聚类，得到所述历史特征的聚类特征，包括：
对所述历史特征进行向量转化，得到所述历史特征的特征向量；
利用预设的距离公式和所述特征向量对所述历史特征进行特征聚类，得到所述历史特征的初级聚类；
对所述初级聚类进行聚类评价，得到所述初级聚类的初级指标；
根据预设的指标阈值和所述初级指标确定所述历史特征的聚类特征。
7.如权利要求6所述的基于VFD房的故障类别智能分析方法，其特征在于，所述对所述初级聚类进行聚类评价，得到所述初级聚类的初级指标，包括：
确定所述初级聚类的初级样本簇，逐个计算所述初级样本簇中样本间的平均距离和最远距离；
生成所述初级样本簇的最近簇间距离和中心距离，根据所述平均距离、所述最远距离、所述最近簇间距离和所述中心距离生成所述初级聚类的初级指标。
8.如权利要求1所述的基于VFD房的故障类别智能分析方法，其特征在于，所述获取目标VFD房的监控数据，包括：
获取目标VFD房的分布图，根据所述分布图对所述目标VFD房进行线路和节点监控，得到所述目标VFD房的实时数据；
对所述实时数据进行数据预处理，得到所述目标VFD房的监控数据。
9.如权利要求1至8中任一项所述的基于VFD房的故障类别智能分析方法，其特征在于，所述根据预设的学习排序算法和所述故障类别生成所述监控数据的故障概率表，包括：
根据所述故障类别对所述监控数据进行初始化排序，得到所述监控数据的初始序列；
根据预设的概率算法计算所述初级排序的排序概率，根据所述排序概率生成所述初级排序的评分函数；
利用梯度下降法和所述评分函数生成所述监控数据的标准序列，利用所述标准序列和所述故障类别生成所述监控数据的故障概率表。
10.一种基于VFD房的故障类别智能分析装置，其特征在于，所述装置包括：
历史特征模块，用于获取历史VFD房的历史数据，对所述历史数据进行特征提取，得到所述历史数据的历史特征；
聚类特征模块，用于利用预设的距离公式对所述历史特征进行特征聚类，得到所述历史特征的聚类特征，根据所述聚类特征生成所述历史VFD房的故障类别；
故障概率表模块，用于获取目标VFD房的监控数据，根据预设的学习排序算法和所述故障类别生成所述监控数据的故障概率表；
故障类别分析模块，用于根据预设的概率阈值对所述故障概率表中的故障进行故障选取，得到所述故障概率表的目标故障，确定所述目标故障为所述目标VFD房的故障类别分析结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310094899.7A CN116361628A (zh) | 2023-02-09 | 2023-02-09 | 基于vfd房的故障类别智能分析方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310094899.7A CN116361628A (zh) | 2023-02-09 | 2023-02-09 | 基于vfd房的故障类别智能分析方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116361628A true CN116361628A (zh) | 2023-06-30 |
Family
ID=86910550
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310094899.7A Pending CN116361628A (zh) | 2023-02-09 | 2023-02-09 | 基于vfd房的故障类别智能分析方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116361628A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116935608A (zh) * | 2023-09-18 | 2023-10-24 | 广州春光新能源科技发展有限公司 | 一种空气能设备的远程智能监控方法及系统 |
-
2023
- 2023-02-09 CN CN202310094899.7A patent/CN116361628A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116935608A (zh) * | 2023-09-18 | 2023-10-24 | 广州春光新能源科技发展有限公司 | 一种空气能设备的远程智能监控方法及系统 |
| CN116935608B (zh) * | 2023-09-18 | 2023-12-05 | 广州春光新能源科技发展有限公司 | 一种空气能设备的远程智能监控方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113792453B (zh) | 基于数字孪生的局部放电监测系统、方法和装置 | |
| CN111694879B (zh) | 一种多元时间序列异常模式预测方法及数据采集监控装置 | |
| CN111368890A (zh) | 故障检测方法及装置、信息物理融合系统 | |
| CN111475680A (zh) | 检测异常高密子图的方法、装置、设备及存储介质 | |
| CN106896219B (zh) | 基于变压器油中溶解气体数据的变压器亚健康状态识别及平均剩余寿命估计方法 | |
| CN109711664B (zh) | 一种基于大数据的输变电设备健康评估系统 | |
| CN113822366A (zh) | 业务指标异常检测方法及装置、电子设备、存储介质 | |
| CN116401561B (zh) | 一种设备级运行状态序列的时间关联聚类方法 | |
| CN109634820A (zh) | 一种云端移动端协同的故障预警方法、相关设备及系统 | |
| CN117421994A (zh) | 一种边缘应用健康度的监测方法和监测系统 | |
| CN116361628A (zh) | 基于vfd房的故障类别智能分析方法及装置 | |
| CN115204536A (zh) | 楼宇设备故障预测方法、装置、设备及存储介质 | |
| CN111638988A (zh) | 一种基于深度学习的云主机故障智能预测方法 | |
| CN111242266A (zh) | 一种运行数据管理系统 | |
| CN116862209B (zh) | 一种新能源汽车充电设施管理方法及系统 | |
| CN116259161B (zh) | 一种电力故障预警系统 | |
| CN117435969A (zh) | 开关柜健康状态评估方法、装置、设备及存储介质 | |
| CN116680567A (zh) | 一种风力发电机的缺失状态变量填补方法及装置 | |
| CN116714469A (zh) | 充电桩健康监测方法、装置、终端及存储介质 | |
| CN117056842A (zh) | 构建设备异常监测模型的方法、装置、设备、介质及产品 | |
| CN113327009A (zh) | 一种用于确定高压电力电缆质量的方法和系统 | |
| CN109257206A (zh) | 一种数据录入及评价诊断信息反馈的方法 | |
| CN118447459B (zh) | 基于深度学习的滑坡堆积体监控方法及系统 | |
| CN118098443B (zh) | 一种红外气体传感器在线升级系统及方法 | |
| CN117912645B (zh) | 一种基于物联网的血液保存全流程监管方法及系统 |
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 |