CN117491850B - 一种基于人工智能的电路故障监测方法及系统 - Google Patents

一种基于人工智能的电路故障监测方法及系统 Download PDF

Info

Publication number
CN117491850B
CN117491850B CN202410006808.4A CN202410006808A CN117491850B CN 117491850 B CN117491850 B CN 117491850B CN 202410006808 A CN202410006808 A CN 202410006808A CN 117491850 B CN117491850 B CN 117491850B
Authority
CN
China
Prior art keywords
feature
data
features
circuit
subset
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
Application number
CN202410006808.4A
Other languages
English (en)
Other versions
CN117491850A (zh
Inventor
陆文
王健
孙彬
金程缘
孙飞
张馨
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Jiangsu Shangda Semiconductor Co ltd
Original Assignee
Jiangsu Shangda Semiconductor Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Jiangsu Shangda Semiconductor Co ltd filed Critical Jiangsu Shangda Semiconductor Co ltd
Priority to CN202410006808.4A priority Critical patent/CN117491850B/zh
Publication of CN117491850A publication Critical patent/CN117491850A/zh
Application granted granted Critical
Publication of CN117491850B publication Critical patent/CN117491850B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/28—Testing of electronic circuits, e.g. by signal tracer
    • G01R31/2832—Specific tests of electronic circuits not provided for elsewhere
    • G01R31/2836—Fault-finding or characterising
    • G01R31/2846—Fault-finding or characterising using hard- or software simulation or using knowledge-based systems, e.g. expert systems, artificial intelligence or interactive algorithms
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/28—Testing of electronic circuits, e.g. by signal tracer
    • G01R31/2832—Specific tests of electronic circuits not provided for elsewhere
    • G01R31/2836—Fault-finding or characterising
    • G01R31/2843—In-circuit-testing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/10—Pre-processing; Data cleansing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Complex Calculations (AREA)

Abstract

发明公开了一种基于人工智能的电路故障监测方法及系统，方法包括：数据采集、数据预处理、特征信息处理、建立电路故障监测模型和电路故障实时监测。本发明属于数据处理技术领域，具体是指一种基于人工智能的电路故障监测方法及系统，本方案基于特征之间的总相关值构建特征矩阵，根据累积方差贡献率确定特征子集的数量，根据特征相关性与冗余度之间的最大差值去除每个特征子集的冗余特征，计算每个特征子集的分数，基于具有最高分数的特征子集中的特征构建监测特征集；优化个体初始化位置的方法，基于第一增减因子、实践因子、第二增减因子和余弦策略完成三次位置更新，找到模型最优参数。

Description

一种基于人工智能的电路故障监测方法及系统
技术领域
本发明属于数据处理技术领域，具体是指一种基于人工智能的电路故障监测方法及系统。
背景技术
电路故障监测是通过对电路运行数据进行分析和处理，识别电路中的故障，及时预警和维护。但是目前采集的电路运行数据存在大量冗余和不相关特征，造成信息冗余和维度灾难，降低模型分类的准确性的问题；传统的电路故障监测模型存在个体初始化位置分布不均匀，位置更新策略收敛精度低和收敛速度慢，导致陷入局部最优不能找到模型最优参数，降低电路运行数据分类精度的问题。
发明内容
针对上述情况，为克服现有技术的缺陷，本发明提供了一种基于人工智能的电路故障监测方法及系统，针对目前采集的电路运行数据存在大量冗余和不相关特征，造成信息冗余和维度灾难，降低模型分类的准确性的问题，本方案基于特征之间的总相关值构建特征矩阵，根据累积方差贡献率确定特征子集的数量，并根据特征相关性与冗余度之间的最大差值去除每个特征子集中的冗余特征，选择每个特征子集中最具代表性的特征，计算去除冗余特征后每个特征子集的分数，基于具有最高分数的特征子集中的特征构建监测特征集，充分考虑特征值之间的相关性、冗余度和联合影响对特征选择的影响，有限降低特征维度，提高分类精度；针对传统的电路故障监测模型存在个体初始化位置分布不均匀，位置更新策略收敛精度低和收敛速度慢，导致陷入局部最优不能找到模型最优参数，降低电路运行数据分类精度的问题，优化个体初始化位置的方法，基于第一增减因子和实践因子进行第一次位置更新，基于第二增减因子进行第二次位置更新，基于余弦策略进行第三次位置更新，找到模型最优参数，扩大个体搜索空间，降低位置更新的盲目性，提高模型最优参数的质量，提高模型性能和精度。
本发明采取的技术方案如下：本发明提供的一种基于人工智能的电路故障监测方法，该方法包括以下步骤：
步骤S1：数据采集，采集历史电路运行数据和电路运行状态；
步骤S2：数据预处理，对采集的数据进行数据清洗处理和数据去噪处理；
步骤S3：特征信息处理，基于特征之间的总相关值构建特征矩阵，根据累积方差贡献率确定特征子集的数量，并根据特征相关性与冗余度之间的最大差值去除每个特征子集中的冗余特征，计算去除冗余特征后每个特征子集的分数，基于具有最高分数的特征子集中的特征构建监测特征集；
步骤S4：建立电路故障监测模型，优化个体初始化位置的方法，基于第一增减因子和实践因子进行第一次位置更新，基于第二增减因子进行第二次位置更新，基于余弦策略进行第三次位置更新，找到模型最优参数，完成模型的构建；
步骤S5：电路故障实时监测，采集实时电路运行数据输入至电路故障监测模型中进行分类，对电路进行实时故障监测。
进一步地，在步骤S1中，所述数据采集是采集历史电路运行数据和电路运行状态，将历史电路运行数据作为样本数据，电路运行状态包括正常和电路故障类型，将电路运行状态作为标签。
进一步地，在步骤S2中，所述数据预处理是对采集的历史电路运行数据进行数据清洗处理和数据去噪处理，数据清洗处理包括填充缺失值、删除异常值和数据平滑操作，基于处理后的历史电路运行数据构建历史电路数据集。
进一步地，在步骤S3中，所述特征信息处理具体包括以下步骤：
步骤S31：提取特征，基于历史电路数据集提取特征构建电路特征集；
步骤S32：构建相关矩阵，步骤如下：
步骤S321：计算特征之间的主相关值，所用公式如下：
；
式中，Xa，b是特征a和特征b之间的主相关值，A是电路特征集，a和b是电路特征集A中的两个不同特征，g（a，b）是特征a和特征b同时出现的频次，g（a）是特征a出现的频次，g（b）是特征b出现的频次，N1是电路特征集A中的特征数量；
步骤S322：计算特征之间的次相关值，所用公式如下：
；
式中，Ya，b是特征a和特征b之间的次相关值，是特征a中所有非缺失值的平均值，是特征b中所有非缺失值的平均值；
步骤S323：计算特征之间的总相关值，所用公式如下：
；
式中，Ma，b是特征a和特征b之间的总相关值，ω1是主相关值的权重，ω2是次相关值的权重；
步骤S324：计算相关矩阵，基于总相关值构建特征之间的相关矩阵；
步骤S33：计算特征子集数量，通过对相关矩阵进行特征值分解得到负荷矩阵，负荷矩阵中的每一列都是一个特征向量，每个特征向量对应一个特征子集，计算每个特征子集的方差贡献率和累积方差贡献率，方差贡献率是目前计算的特征子集对总方差的贡献程度，累积方差贡献率是目前计算的特征子集及之前的特征子集对总方差的贡献程度累积，预先设定特征阈值μA，选择累积方差贡献率首次大于特征阈值μA时特征子集的数量作为最终确定的特征子集数量E；
步骤S34：确定特征子集，根据最终确定的特征子集数量E生成E个空特征子集，使用余弦相似度计算负荷矩阵中特征之间的夹角，将夹角作为旋转角度对负荷矩阵进行旋转操作，根据每个特征在不同特征子集中的负荷大小，将其归属于负荷最大的特征子集中；
步骤S35：去除特征子集中的冗余特征，步骤如下：
步骤S351：计算特征tzm与标签bqc之间的相关性，所用公式如下：
；
式中，H（Vd（tzm，bqc））是特征子集Vd中的特征tzm与标签bqc之间的相关性，V是特征子集，d是特征子集的索引，用d表示不同的特征子集，tzm是特征子集Vd中的第m个特征，m是特征索引，用m表示不同的特征，bqc是基于所有标签建立的标签集中的第c个标签，c是标签索引，用c表示不同的标签，g（tzm，bqc）是特征tzm和标签bqc同时出现的频次，g（tzm）是特征tzm出现的频次，g（bqc）是标签bqc出现的频次；
步骤S352：计算特征之间的冗余度，所用公式如下：
；
式中，RY（Vd（tzm，tzn））是特征子集Vd中的特征tzm与特征tzn之间的冗余度，tzn是特征子集Vd中与特征tzm不同的特征，g（tzm，tzn）是特征tzm和特征tzn同时出现的频次，g（tzn）是特征tzn出现的频次；
步骤S353：计算特征tzm的相关性与冗余度之间的最大差值，所用公式如下：
；
式中，G（Vd（tzm））是特征子集Vd中的特征tzm的相关性与冗余度之间的最大差值，max（·）是最大值函数；
步骤S354：去除冗余特征，预先设定冗余阈值μG，去除特征子集Vd中G（Vd（tzm））大于冗余阈值μG的特征tzm；
步骤S36：计算特征子集的分数，所用公式如下：
；
式中，L（Vd）是特征子集Vd的分数，Nd是特征子集Vd中的特征数量，o是特征子集Vd中的特征索引，NQ是标签集中的标签数量，Nc是特征子集Vd中属于第c个标签的特征数量，δc是特征子集Vd中属于第c个标签的特征的均值，σc是特征子集Vd中属于第c个标签的特征的方差，δo是特征子集Vd中的特征o的均值；
步骤S37：特征确定，基于具有最高分数的特征子集中的特征构建监测特征集。
进一步地，在步骤S4中，所述建立电路故障监测模型具体包括以下步骤：
步骤S41：构建训练数据集和测试数据集，从监测特征集中随机选取70%的样本数据作为训练数据集，其余30%的样本数据作为测试数据集；
步骤S42：初始化个体位置，用模型参数代表个体的位置，在[0，1]范围内随机生成位置初始值Z0，初始化个体位置所用公式如下：
；
式中，Zi是第i个个体的位置，Zi-1是第i-1个个体的位置，f是属于（0，4]范围内的常数，i是个体索引，NZ是个体总数量，sin（·）是正弦函数；
步骤S43：训练模型，利用python导入sklearn库基于模型参数调用SVM函数，基于训练数据集训练电路故障监测模型；
步骤S44：计算全局最优位置，将基于模型参数建立的电路故障监测模型性能作为个体的适应度值，计算个体的适应度值，将具有最高适应度值的个体位置作为全局最优位置Zbest；
步骤S45：第一次位置更新，步骤如下：
步骤S451：计算第一增减因子，所用公式如下：
；
式中，SC1（t）是第t次迭代时的第一增减因子，t是迭代次数索引，T是最大迭代次数，cos（·）是余弦函数；
步骤S452：计算实践因子，所用公式如下：
；
式中，ECi（t）是第t次迭代时第i个个体的实践因子，Zi（t）是第t次迭代时第i个个体的位置，F（Zi（t））是Zi（t）的适应度值，Zbest（t）是第t次迭代时的全局最优位置，F（Zbest（t））是Zbest（t）的适应度值，AVE（t）是第t次迭代时所有个体的平均适应度值；
步骤S453：基于第一增减因子和实践因子进行第一次位置更新，所用公式如下：
；
式中，Z1i（t）是第一次位置更新后的第i个个体的位置，UB和LB分别是个体搜索空间的上限和下限，rand（·）是随机数生成函数，D是个体搜索空间的维度，Zrand（t）是第t次迭代时随机个体的位置；
步骤S46：第二次位置更新，步骤如下：
步骤S461：计算第二增减因子，所用公式如下：
；
式中，SC2（t）是第t次迭代时的第二增减因子；
步骤S462：基于第二增减因子进行第二次位置更新，为所有个体随机生成一个（0，1）之间的随机数ρi（t），第二次位置更新所用公式如下：
；
式中，Z2i（t）是第二次位置更新后的第i个个体的位置，Z1best（t）是第一次位置更新后的全局最优位置，mean（·）是均值函数；
步骤S47：第三次位置更新，所用公式如下：
；
式中，Z3i（t）是第三次位置更新后的第i个个体的位置，Z2best（t）是第二次位置更新后的全局最优位置；
步骤S48：模型参数确定，将迭代次数t增加1，预先设定适应度值阈值μz，更新全局最优位置，当全局最优位置对应的适应度值高于适应度值阈值μz时，则基于当前模型参数构建电路故障监测模型；否则，若达到最大迭代次数T，则转至步骤S42；否则转至步骤S45。
进一步地，在步骤S5中，所述电路故障实时监测是采集实时电路运行数据，在对采集的实时电路运行数据进行数据预处理后，输入至电路故障监测模型中进行分类，基于输出的标签得到当前电路运行状态，对电路进行实时故障监测，及时预警和维护。
本发明提供的一种基于人工智能的电路故障监测系统，包括数据采集模块、数据预处理模块、特征信息处理模块、建立电路故障监测模型模块和电路故障实时监测模块；
所述数据采集模块采集历史电路运行数据和电路运行状态，并将数据发送到数据预处理模块；
所述数据预处理模块对采集的数据进行数据清洗处理和数据去噪处理，并将数据发送至特征信息处理模块；
所述特征信息处理模块基于特征之间的总相关值构建特征矩阵，根据累积方差贡献率确定特征子集的数量，并根据特征相关性与冗余度之间的最大差值去除每个特征子集中的冗余特征，计算去除冗余特征后每个特征子集的分数，基于具有最高分数的特征子集中的特征构建监测特征集，并将数据发送至建立电路故障监测模型模块；
所述建立电路故障监测模型模块优化个体初始化位置的方法，基于第一增减因子和实践因子进行第一次位置更新，基于第二增减因子进行第二次位置更新，基于余弦策略进行第三次位置更新，找到模型最优参数，完成模型的构建，并将数据发送至电路故障实时监测模块；
所述电路故障实时监测模块根据电路故障监测模型输出的标签得到当前电路运行状态，对电路进行实时故障监测，及时预警和维护。
采用上述方案本发明取得的有益效果如下：
（1）针对目前采集的电路运行数据存在大量冗余和不相关特征，造成信息冗余和维度灾难，降低模型分类的准确性的问题，本方案基于特征之间的总相关值构建特征矩阵，根据累积方差贡献率确定特征子集的数量，并根据特征相关性与冗余度之间的最大差值去除每个特征子集中的冗余特征，选择每个特征子集中最具代表性的特征，计算去除冗余特征后每个特征子集的分数，基于具有最高分数的特征子集中的特征构建监测特征集，充分考虑特征值之间的相关性、冗余度和联合影响对特征选择的影响，有限降低特征维度，提高分类精度。
（2）针对传统的电路故障监测模型存在个体初始化位置分布不均匀，位置更新策略收敛精度低和收敛速度慢，导致陷入局部最优不能找到模型最优参数，降低电路运行数据分类精度的问题，优化个体初始化位置的方法，基于第一增减因子和实践因子进行第一次位置更新，基于第二增减因子进行第二次位置更新，基于余弦策略进行第三次位置更新，找到模型最优参数，扩大个体搜索空间，降低位置更新的盲目性，提高模型最优参数的质量，提高模型性能和精度。
附图说明
图1为本发明提供的一种基于人工智能的电路故障监测方法的流程示意图；
图2为本发明提供的一种基于人工智能的电路故障监测系统的示意图；
图3为步骤S3的流程示意图；
图4为步骤S4的流程示意图。
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。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例；基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
在本发明的描述中，需要理解的是，术语“上”、“下”、“前”、“后”、“左”、“右”、“顶”、“底”、“内”、“外”等指示方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
实施例一，参阅图1，本发明提供的一种基于人工智能的电路故障监测方法，该方法包括以下步骤：
步骤S1：数据采集，采集历史电路运行数据和电路运行状态；
步骤S2：数据预处理，对采集的数据进行数据清洗处理和数据去噪处理；
步骤S3：特征信息处理，基于特征之间的总相关值构建特征矩阵，根据累积方差贡献率确定特征子集的数量，并根据特征相关性与冗余度之间的最大差值去除每个特征子集中的冗余特征，计算去除冗余特征后每个特征子集的分数，基于具有最高分数的特征子集中的特征构建监测特征集；
步骤S4：建立电路故障监测模型，优化个体初始化位置的方法，基于第一增减因子和实践因子进行第一次位置更新，基于第二增减因子进行第二次位置更新，基于余弦策略进行第三次位置更新，找到模型最优参数，完成模型的构建；
步骤S5：电路故障实时监测，采集实时电路运行数据输入至电路故障监测模型中进行分类，对电路进行实时故障监测。
实施例二，参阅图1，该实施例基于上述实施例，在步骤S1中，数据采集是采集历史电路运行数据和电路运行状态，将历史电路运行数据作为样本数据，电路运行状态包括正常和电路故障类型，将电路运行状态作为标签。
实施例三，参阅图1，该实施例基于上述实施例，在步骤S2中，数据预处理是对采集的历史电路运行数据进行数据清洗处理和数据去噪处理，数据清洗处理包括填充缺失值、删除异常值和数据平滑操作，基于处理后的历史电路运行数据构建历史电路数据集。
实施例四，参阅图1和图3，该实施例基于上述实施例，在步骤S3中，特征信息处理具体包括以下步骤：
步骤S31：提取特征，基于历史电路数据集提取特征构建电路特征集；
步骤S32：构建相关矩阵，步骤如下：
步骤S321：计算特征之间的主相关值，所用公式如下：
；
式中，Xa，b是特征a和特征b之间的主相关值，A是电路特征集，a和b是电路特征集A中的两个不同特征，g（a，b）是特征a和特征b同时出现的频次，g（a）是特征a出现的频次，g（b）是特征b出现的频次，N1是电路特征集A中的特征数量；
步骤S322：计算特征之间的次相关值，所用公式如下：
；
式中，Ya，b是特征a和特征b之间的次相关值，是特征a中所有非缺失值的平均值，是特征b中所有非缺失值的平均值；
步骤S323：计算特征之间的总相关值，所用公式如下：
；
式中，Ma，b是特征a和特征b之间的总相关值，ω1是主相关值的权重，ω2是次相关值的权重；
步骤S324：计算相关矩阵，基于总相关值构建特征之间的相关矩阵；
步骤S33：计算特征子集数量，通过对相关矩阵进行特征值分解得到负荷矩阵，负荷矩阵中的每一列都是一个特征向量，每个特征向量对应一个特征子集，计算每个特征子集的方差贡献率和累积方差贡献率，方差贡献率是目前计算的特征子集对总方差的贡献程度，累积方差贡献率是目前计算的特征子集及之前的特征子集对总方差的贡献程度累积，预先设定特征阈值μA，选择累积方差贡献率首次大于特征阈值μA时特征子集的数量作为最终确定的特征子集数量E；
步骤S34：确定特征子集，根据最终确定的特征子集数量E生成E个空特征子集，使用余弦相似度计算负荷矩阵中特征之间的夹角，将夹角作为旋转角度对负荷矩阵进行旋转操作，根据每个特征在不同特征子集中的负荷大小，将其归属于负荷最大的特征子集中；
步骤S35：去除特征子集中的冗余特征，步骤如下：
步骤S351：计算特征tzm与标签bqc之间的相关性，所用公式如下：
；
式中，H（Vd（tzm，bqc））是特征子集Vd中的特征tzm与标签bqc之间的相关性，V是特征子集，d是特征子集的索引，用d表示不同的特征子集，tzm是特征子集Vd中的第m个特征，m是特征索引，用m表示不同的特征，bqc是基于所有标签建立的标签集中的第c个标签，c是标签索引，用c表示不同的标签，g（tzm，bqc）是特征tzm和标签bqc同时出现的频次，g（tzm）是特征tzm出现的频次，g（bqc）是标签bqc出现的频次；
步骤S352：计算特征之间的冗余度，所用公式如下：
；
式中，RY（Vd（tzm，tzn））是特征子集Vd中的特征tzm与特征tzn之间的冗余度，tzn是特征子集Vd中与特征tzm不同的特征，g（tzm，tzn）是特征tzm和特征tzn同时出现的频次，g（tzn）是特征tzn出现的频次；
步骤S353：计算特征tzm的相关性与冗余度之间的最大差值，所用公式如下：
；
式中，G（Vd（tzm））是特征子集Vd中的特征tzm的相关性与冗余度之间的最大差值，max（·）是最大值函数；
步骤S354：去除冗余特征，预先设定冗余阈值μG，去除特征子集Vd中G（Vd（tzm））大于冗余阈值μG的特征tzm；
步骤S36：计算特征子集的分数，所用公式如下：
；
式中，L（Vd）是特征子集Vd的分数，Nd是特征子集Vd中的特征数量，o是特征子集Vd中的特征索引，NQ是标签集中的标签数量，Nc是特征子集Vd中属于第c个标签的特征数量，δc是特征子集Vd中属于第c个标签的特征的均值，σc是特征子集Vd中属于第c个标签的特征的方差，δo是特征子集Vd中的特征o的均值；
步骤S37：特征确定，基于具有最高分数的特征子集中的特征构建监测特征集。
通过执行上述操作，针对目前采集的电路运行数据存在大量冗余和不相关特征，造成信息冗余和维度灾难，降低模型分类的准确性的问题，本方案基于特征之间的总相关值构建特征矩阵，根据累积方差贡献率确定特征子集的数量，并根据特征相关性与冗余度之间的最大差值去除每个特征子集中的冗余特征，选择每个特征子集中最具代表性的特征，计算去除冗余特征后每个特征子集的分数，基于具有最高分数的特征子集中的特征构建监测特征集，充分考虑特征值之间的相关性、冗余度和联合影响对特征选择的影响，有限降低特征维度，提高分类精度。
实施例五，参阅图1和图4，该实施例基于上述实施例，在步骤S4中，建立电路故障监测模型具体包括以下步骤：
步骤S41：构建训练数据集和测试数据集，从监测特征集中随机选取70%的样本数据作为训练数据集，其余30%的样本数据作为测试数据集；
步骤S42：初始化个体位置，用模型参数代表个体的位置，在[0，1]范围内随机生成位置初始值Z0，初始化个体位置所用公式如下：
；
式中，Zi是第i个个体的位置，Zi-1是第i-1个个体的位置，f是属于（0，4]范围内的常数，i是个体索引，NZ是个体总数量，sin（·）是正弦函数；
步骤S43：训练模型，利用python导入sklearn库基于模型参数调用SVM函数，基于训练数据集训练电路故障监测模型；
步骤S44：计算全局最优位置，将基于模型参数建立的电路故障监测模型性能作为个体的适应度值，计算个体的适应度值，将具有最高适应度值的个体位置作为全局最优位置Zbest；
步骤S45：第一次位置更新，步骤如下：
步骤S451：计算第一增减因子，所用公式如下：
；
式中，SC1（t）是第t次迭代时的第一增减因子，t是迭代次数索引，T是最大迭代次数，cos（·）是余弦函数；
步骤S452：计算实践因子，所用公式如下：
；
式中，ECi（t）是第t次迭代时第i个个体的实践因子，Zi（t）是第t次迭代时第i个个体的位置，F（Zi（t））是Zi（t）的适应度值，Zbest（t）是第t次迭代时的全局最优位置，F（Zbest（t））是Zbest（t）的适应度值，AVE（t）是第t次迭代时所有个体的平均适应度值；
步骤S453：基于第一增减因子和实践因子进行第一次位置更新，所用公式如下：
；
式中，Z1i（t）是第一次位置更新后的第i个个体的位置，UB和LB分别是个体搜索空间的上限和下限，rand（·）是随机数生成函数，D是个体搜索空间的维度，Zrand（t）是第t次迭代时随机个体的位置；
步骤S46：第二次位置更新，步骤如下：
步骤S461：计算第二增减因子，所用公式如下：
；
式中，SC2（t）是第t次迭代时的第二增减因子；
步骤S462：基于第二增减因子进行第二次位置更新，为所有个体随机生成一个（0，1）之间的随机数ρi（t），第二次位置更新所用公式如下：
；
式中，Z2i（t）是第二次位置更新后的第i个个体的位置，Z1best（t）是第一次位置更新后的全局最优位置，mean（·）是均值函数；
步骤S47：第三次位置更新，所用公式如下：
；
式中，Z3i（t）是第三次位置更新后的第i个个体的位置，Z2best（t）是第二次位置更新后的全局最优位置；
步骤S48：模型参数确定，将迭代次数t增加1，预先设定适应度值阈值μz，更新全局最优位置，当全局最优位置对应的适应度值高于适应度值阈值μz时，则基于当前模型参数构建电路故障监测模型；否则，若达到最大迭代次数T，则转至步骤S42；否则转至步骤S45。
通过执行上述操作，针对传统的电路故障监测模型存在个体初始化位置分布不均匀，位置更新策略收敛精度低和收敛速度慢，导致陷入局部最优不能找到模型最优参数，降低电路运行数据分类精度的问题，优化个体初始化位置的方法，基于第一增减因子和实践因子进行第一次位置更新，基于第二增减因子进行第二次位置更新，基于余弦策略进行第三次位置更新，找到模型最优参数，扩大个体搜索空间，降低位置更新的盲目性，提高模型最优参数的质量，提高模型性能和精度。
实施例六，参阅图1，该实施例基于上述实施例，在步骤S5中，电路故障实时监测是采集实时电路运行数据，在对采集的实时电路运行数据进行数据预处理后，输入至电路故障监测模型中进行分类，基于输出的标签得到当前电路运行状态，对电路进行实时故障监测，及时预警和维护。
实施例七，参阅图2，该实施例基于上述实施例，本发明提供的一种基于人工智能的电路故障监测系统，包括数据采集模块、数据预处理模块、特征信息处理模块、建立电路故障监测模型模块和电路故障实时监测模块；
所述数据采集模块采集历史电路运行数据和电路运行状态，并将数据发送到数据预处理模块；
所述数据预处理模块对采集的数据进行数据清洗处理和数据去噪处理，并将数据发送至特征信息处理模块；
所述特征信息处理模块基于特征之间的总相关值构建特征矩阵，根据累积方差贡献率确定特征子集的数量，并根据特征相关性与冗余度之间的最大差值去除每个特征子集中的冗余特征，计算去除冗余特征后每个特征子集的分数，基于具有最高分数的特征子集中的特征构建监测特征集，并将数据发送至建立电路故障监测模型模块；
所述建立电路故障监测模型模块优化个体初始化位置的方法，基于第一增减因子和实践因子进行第一次位置更新，基于第二增减因子进行第二次位置更新，基于余弦策略进行第三次位置更新，找到模型最优参数，完成模型的构建，并将数据发送至电路故障实时监测模块；
所述电路故障实时监测模块根据电路故障监测模型输出的标签得到当前电路运行状态，对电路进行实时故障监测，及时预警和维护。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。
以上对本发明及其实施方式进行了描述，这种描述没有限制性，附图中所示的也只是本发明的实施方式之一，实际的结构并不局限于此。总而言之如果本领域的普通技术人员受其启示，在不脱离本发明创造宗旨的情况下，不经创造性的设计出与该技术方案相似的结构方式及实施例，均应属于本发明的保护范围。

Claims (7)

1.一种基于人工智能的电路故障监测方法，其特征在于：该方法包括以下步骤：
步骤S1：数据采集，采集历史电路运行数据和电路运行状态；
步骤S2：数据预处理，对采集的数据进行数据清洗处理和数据去噪处理；
步骤S3：特征信息处理，基于特征之间的总相关值构建特征矩阵，根据累积方差贡献率确定特征子集的数量，并根据特征相关性与冗余度之间的最大差值去除每个特征子集中的冗余特征，计算去除冗余特征后每个特征子集的分数，基于具有最高分数的特征子集中的特征构建监测特征集；
步骤S4：建立电路故障监测模型，优化个体初始化位置的方法，基于第一增减因子和实践因子进行第一次位置更新，基于第二增减因子进行第二次位置更新，基于余弦策略进行第三次位置更新，找到模型最优参数，完成模型的构建；
步骤S5：电路故障实时监测，采集实时电路运行数据输入至电路故障监测模型中进行分类，对电路进行实时故障监测；
在步骤S3中，所述特征信息处理具体包括以下步骤：
步骤S31：提取特征，基于历史电路数据集提取特征构建电路特征集；
步骤S32：构建相关矩阵，步骤如下：
步骤S321：计算特征之间的主相关值，所用公式如下：
；
式中，Xa，b是特征a和特征b之间的主相关值，A是电路特征集，a和b是电路特征集A中的两个不同特征，g（a，b）是特征a和特征b同时出现的频次，g（a）是特征a出现的频次，g（b）是特征b出现的频次，N1是电路特征集A中的特征数量；
步骤S322：计算特征之间的次相关值，所用公式如下：
；
式中，Ya，b是特征a和特征b之间的次相关值，是特征a中所有非缺失值的平均值，/>是特征b中所有非缺失值的平均值；
步骤S323：计算特征之间的总相关值，所用公式如下：
；
式中，Ma，b是特征a和特征b之间的总相关值，ω1是主相关值的权重，ω2是次相关值的权重；
步骤S324：计算相关矩阵，基于总相关值构建特征之间的相关矩阵；
步骤S33：计算特征子集数量，通过对相关矩阵进行特征值分解得到负荷矩阵，负荷矩阵中的每一列都是一个特征向量，每个特征向量对应一个特征子集，计算每个特征子集的方差贡献率和累积方差贡献率，方差贡献率是目前计算的特征子集对总方差的贡献程度，累积方差贡献率是目前计算的特征子集及之前的特征子集对总方差的贡献程度累积，预先设定特征阈值μA，选择累积方差贡献率首次大于特征阈值μA时特征子集的数量作为最终确定的特征子集数量E；
步骤S34：确定特征子集，根据最终确定的特征子集数量E生成E个空特征子集，使用余弦相似度计算负荷矩阵中特征之间的夹角，将夹角作为旋转角度对负荷矩阵进行旋转操作，根据每个特征在不同特征子集中的负荷大小，将其归属于负荷最大的特征子集中；
步骤S35：去除特征子集中的冗余特征，步骤如下：
步骤S351：计算特征tzm与标签bqc之间的相关性，所用公式如下：
；
式中，H（Vd（tzm，bqc））是特征子集Vd中的特征tzm与标签bqc之间的相关性，V是特征子集，d是特征子集的索引，用d表示不同的特征子集，tzm是特征子集Vd中的第m个特征，m是特征索引，用m表示不同的特征，bqc是基于所有标签建立的标签集中的第c个标签，c是标签索引，用c表示不同的标签，g（tzm，bqc）是特征tzm和标签bqc同时出现的频次，g（tzm）是特征tzm出现的频次，g（bqc）是标签bqc出现的频次；
步骤S352：计算特征之间的冗余度，所用公式如下：
；
式中，RY（Vd（tzm，tzn））是特征子集Vd中的特征tzm与特征tzn之间的冗余度，tzn是特征子集Vd中与特征tzm不同的特征，g（tzm，tzn）是特征tzm和特征tzn同时出现的频次，g（tzn）是特征tzn出现的频次；
步骤S353：计算特征tzm的相关性与冗余度之间的最大差值，所用公式如下：
；
式中，G（Vd（tzm））是特征子集Vd中的特征tzm的相关性与冗余度之间的最大差值，max（·）是最大值函数；
步骤S354：去除冗余特征，预先设定冗余阈值μG，去除特征子集Vd中G（Vd（tzm））大于冗余阈值μG的特征tzm；
步骤S36：计算特征子集的分数，所用公式如下：
；
式中，L（Vd）是特征子集Vd的分数，Nd是特征子集Vd中的特征数量，o是特征子集Vd中的特征索引，NQ是标签集中的标签数量，Nc是特征子集Vd中属于第c个标签的特征数量，δc是特征子集Vd中属于第c个标签的特征的均值，σc是特征子集Vd中属于第c个标签的特征的方差，δo是特征子集Vd中的特征o的均值；
步骤S37：特征确定，基于具有最高分数的特征子集中的特征构建监测特征集。
2.根据权利要求1所述的一种基于人工智能的电路故障监测方法，其特征在于：在步骤S4中，所述建立电路故障监测模型具体包括以下步骤：
步骤S41：构建训练数据集和测试数据集，从监测特征集中随机选取70%的样本数据作为训练数据集，其余30%的样本数据作为测试数据集；
步骤S42：初始化个体位置，用模型参数代表个体的位置，在[0，1]范围内随机生成位置初始值Z0，初始化个体位置所用公式如下：
；
式中，Zi是第i个个体的位置，Zi-1是第i-1个个体的位置，f是属于（0，4]范围内的常数，i是个体索引，NZ是个体总数量，sin（·）是正弦函数；
步骤S43：训练模型，利用python导入sklearn库基于模型参数调用SVM函数，基于训练数据集训练电路故障监测模型；
步骤S44：计算全局最优位置，将基于模型参数建立的电路故障监测模型性能作为个体的适应度值，计算个体的适应度值，将具有最高适应度值的个体位置作为全局最优位置Zbest；
步骤S45：第一次位置更新，步骤如下：
步骤S451：计算第一增减因子，所用公式如下：
；
式中，SC1（t）是第t次迭代时的第一增减因子，t是迭代次数索引，T是最大迭代次数，cos（·）是余弦函数；
步骤S452：计算实践因子，所用公式如下：
；
式中，ECi（t）是第t次迭代时第i个个体的实践因子，Zi（t）是第t次迭代时第i个个体的位置，F（Zi（t））是Zi（t）的适应度值，Zbest（t）是第t次迭代时的全局最优位置，F（Zbest（t））是Zbest（t）的适应度值，AVE（t）是第t次迭代时所有个体的平均适应度值；
步骤S453：基于第一增减因子和实践因子进行第一次位置更新，所用公式如下：
；
式中，Z1i（t）是第一次位置更新后的第i个个体的位置，UB和LB分别是个体搜索空间的上限和下限，rand（·）是随机数生成函数，D是个体搜索空间的维度，Zrand（t）是第t次迭代时随机个体的位置；
步骤S46：第二次位置更新，步骤如下：
步骤S461：计算第二增减因子，所用公式如下：
；
式中，SC2（t）是第t次迭代时的第二增减因子；
步骤S462：基于第二增减因子进行第二次位置更新，为所有个体随机生成一个（0，1）之间的随机数ρi（t），第二次位置更新所用公式如下：
；
式中，Z2i（t）是第二次位置更新后的第i个个体的位置，Z1best（t）是第一次位置更新后的全局最优位置，mean（·）是均值函数；
步骤S47：第三次位置更新，所用公式如下：
；
式中，Z3i（t）是第三次位置更新后的第i个个体的位置，Z2best（t）是第二次位置更新后的全局最优位置；
步骤S48：模型参数确定，将迭代次数t增加1，预先设定适应度值阈值μz，更新全局最优位置，当全局最优位置对应的适应度值高于适应度值阈值μz时，则基于当前模型参数构建电路故障监测模型；否则，若达到最大迭代次数T，则转至步骤S42；否则转至步骤S45。
3.根据权利要求1所述的一种基于人工智能的电路故障监测方法，其特征在于：在步骤S1中，所述数据采集是采集历史电路运行数据和电路运行状态，将历史电路运行数据作为样本数据，电路运行状态包括正常和电路故障类型，将电路运行状态作为标签。
4.根据权利要求1所述的一种基于人工智能的电路故障监测方法，其特征在于：在步骤S2中，所述数据预处理是对采集的历史电路运行数据进行数据清洗处理和数据去噪处理，数据清洗处理包括填充缺失值、删除异常值和数据平滑操作，基于处理后的历史电路运行数据构建历史电路数据集。
5.根据权利要求1所述的一种基于人工智能的电路故障监测方法，其特征在于：在步骤S5中，所述电路故障实时监测是采集实时电路运行数据，在对采集的实时电路运行数据进行数据预处理后，输入至电路故障监测模型中进行分类，基于输出的标签得到当前电路运行状态，对电路进行实时故障监测。
6.一种基于人工智能的电路故障监测系统，用于实现如权利要求1-5中任一项所述的一种基于人工智能的电路故障监测方法，其特征在于：包括数据采集模块、数据预处理模块、特征信息处理模块、建立电路故障监测模型模块和电路故障实时监测模块。
7.根据权利要求6所述的一种基于人工智能的电路故障监测系统，其特征在于：
所述数据采集模块采集历史电路运行数据和电路运行状态，并将数据发送到数据预处理模块；
所述数据预处理模块对采集的数据进行数据清洗处理和数据去噪处理，并将数据发送至特征信息处理模块；
所述特征信息处理模块基于特征之间的总相关值构建特征矩阵，根据累积方差贡献率确定特征子集的数量，并根据特征相关性与冗余度之间的最大差值去除每个特征子集中的冗余特征，计算去除冗余特征后每个特征子集的分数，基于具有最高分数的特征子集中的特征构建监测特征集，并将数据发送至建立电路故障监测模型模块；
所述建立电路故障监测模型模块优化个体初始化位置的方法，基于第一增减因子和实践因子进行第一次位置更新，基于第二增减因子进行第二次位置更新，基于余弦策略进行第三次位置更新，找到模型最优参数，完成模型的构建，并将数据发送至电路故障实时监测模块；
所述电路故障实时监测模块采集实时电路运行数据输入至电路故障监测模型中进行分类，对电路进行实时故障监测。
CN202410006808.4A 2024-01-03 2024-01-03 一种基于人工智能的电路故障监测方法及系统 Active CN117491850B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202410006808.4A CN117491850B (zh) 2024-01-03 2024-01-03 一种基于人工智能的电路故障监测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202410006808.4A CN117491850B (zh) 2024-01-03 2024-01-03 一种基于人工智能的电路故障监测方法及系统

Publications (2)

Publication Number Publication Date
CN117491850A CN117491850A (zh) 2024-02-02
CN117491850B true CN117491850B (zh) 2024-03-26

Family

ID=89674851

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202410006808.4A Active CN117491850B (zh) 2024-01-03 2024-01-03 一种基于人工智能的电路故障监测方法及系统

Country Status (1)

Country Link
CN (1) CN117491850B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108540330A (zh) * 2018-04-24 2018-09-14 南京邮电大学 一种异构网络环境下的基于深度学习的网络故障诊断方法
CN111429034A (zh) * 2020-04-21 2020-07-17 国网信通亿力科技有限责任公司 一种配电网故障预测的方法
CN113484738A (zh) * 2021-05-25 2021-10-08 北京航空航天大学 基于多特征信息融合的电路故障诊断方法
CN115112978A (zh) * 2022-06-27 2022-09-27 国网江苏省电力有限公司扬州市江都区供电分公司 一种电力系统绝缘环网柜故障检测方法
CN115656666A (zh) * 2022-10-18 2023-01-31 国网湖南省电力有限公司 基于随机森林的超特高压换流阀故障检测方法及系统

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108540330A (zh) * 2018-04-24 2018-09-14 南京邮电大学 一种异构网络环境下的基于深度学习的网络故障诊断方法
CN111429034A (zh) * 2020-04-21 2020-07-17 国网信通亿力科技有限责任公司 一种配电网故障预测的方法
CN113484738A (zh) * 2021-05-25 2021-10-08 北京航空航天大学 基于多特征信息融合的电路故障诊断方法
CN115112978A (zh) * 2022-06-27 2022-09-27 国网江苏省电力有限公司扬州市江都区供电分公司 一种电力系统绝缘环网柜故障检测方法
CN115656666A (zh) * 2022-10-18 2023-01-31 国网湖南省电力有限公司 基于随机森林的超特高压换流阀故障检测方法及系统

Also Published As

Publication number Publication date
CN117491850A (zh) 2024-02-02

Similar Documents

Publication Publication Date Title
CN111967486A (zh) 一种基于多传感器融合的复杂装备故障诊断方法
CN110413494A (zh) 一种改进贝叶斯优化的LightGBM故障诊断方法
CN104469833B (zh) 一种基于用户感知的异构网络运维管理方法
CN102313577A (zh) 基于多路传感信号的设备健康状态评估与衰退预测方法
CN113052873B (zh) 一种在线自监督学习场景适应的单目标跟踪方法
CN111091583B (zh) 长期目标跟踪方法
CN111160170B (zh) 一种自学习的人体行为识别与异常检测方法
CN114742564B (zh) 一种融合复杂关系的虚假评论者群体检测方法
CN115809596A (zh) 一种数字孪生故障诊断方法和装置
CN117933748B (zh) 一种基于机器学习的城市土地利用规划方法及系统
CN116595465A (zh) 基于自编码器和数据增强的高维稀疏数据离群点检测方法及系统
CN117491850B (zh) 一种基于人工智能的电路故障监测方法及系统
Hashemifar et al. Practical persistence reasoning in visual slam
CN116106012A (zh) 一种基于注意力机制的滚动轴承域适应故障诊断方法
CN107609216B (zh) 一种基于概率盒模型修正的机械故障诊断方法
CN117606798A (zh) 一种烟草机械轴承故障诊断方法及诊断系统
CN117909881A (zh) 多源数据融合的抽油机的故障诊断方法及装置
CN108288097A (zh) 强化学习任务中高维连续动作空间离散化探索方法
CN115644739B (zh) 基于物联网的商用清洁机器人控制方法及系统
CN117132802A (zh) 一种田间小麦病虫害识别方法、装置及存储介质
CN114581470B (zh) 一种基于植物群落行为的图像边缘检测方法
CN115730248A (zh) 一种机器账号检测方法、系统、设备及存储介质
CN108446740A (zh) 一种用于脑影像病历特征提取的多层一致协同方法
CN104346520B (zh) 一种基于神经元网络的数据降维系统及其降维方法
CN113807005A (zh) 基于改进fpa-dbn的轴承剩余寿命预测方法

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
GR01 Patent grant
GR01 Patent grant