CN118051744A - 基于机器学习算法的防水型信号连接器故障诊断方法 - Google Patents
基于机器学习算法的防水型信号连接器故障诊断方法 Download PDFInfo
- Publication number
- CN118051744A CN118051744A CN202410451254.9A CN202410451254A CN118051744A CN 118051744 A CN118051744 A CN 118051744A CN 202410451254 A CN202410451254 A CN 202410451254A CN 118051744 A CN118051744 A CN 118051744A
- Authority
- CN
- China
- Prior art keywords
- temperature data
- temperature
- data
- day
- abnormal
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 72
- 238000003745 diagnosis Methods 0.000 title claims abstract description 28
- 238000010801 machine learning Methods 0.000 title claims abstract description 22
- 230000002159 abnormal effect Effects 0.000 claims abstract description 137
- 238000012544 monitoring process Methods 0.000 claims abstract description 125
- 238000001514 detection method Methods 0.000 claims abstract description 7
- 238000012216 screening Methods 0.000 claims abstract description 6
- 230000008569 process Effects 0.000 claims description 14
- 230000006870 function Effects 0.000 claims description 5
- 230000002354 daily effect Effects 0.000 claims description 4
- 238000003064 k means clustering Methods 0.000 claims description 4
- 230000003203 everyday effect Effects 0.000 claims description 3
- 230000000087 stabilizing effect Effects 0.000 claims description 2
- 238000012545 processing Methods 0.000 abstract description 3
- 230000005856 abnormality Effects 0.000 description 8
- 230000008859 change Effects 0.000 description 7
- 230000000694 effects Effects 0.000 description 3
- 230000035772 mutation Effects 0.000 description 3
- 238000010606 normalization Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000001174 ascending effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
- Y04S10/52—Outage or fault management, e.g. fault detection or location
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Probability & Statistics with Applications (AREA)
- Medical Informatics (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明涉及数据处理技术领域，具体涉及基于机器学习算法的防水型信号连接器故障诊断方法，包括：采集若干天的温度监测数据序列；根据不同天内相同信号监测时刻之间温度数据的波动情况，以及所有温度数据整体的数据波动情况之间的差异分布，对所有温度数据进行筛选，得到若干异常温度数据；根据异常温度数据两侧温度数据之间变化趋势的平稳情况，得到每个异常温度数据的连接器故障程度；根据连接器故障程度对防水型信号连接器进行故障检测。本发明提高了故障诊断结果的准确性，提高了对防水型信号连接器进行故障诊断的效率。
Description
技术领域
本发明涉及数据处理技术领域，具体涉及基于机器学习算法的防水型信号连接器故障诊断方法。
背景技术
为了确保船舱内的环境在安全和舒适的范围内，通常在船舱内安装船舱温度监测系统。当船舱温度超出预定范围时，监测系统会发出警报以通知船员或自动采取措施。当防水型信号连接器出现故障而导致发送给监测设备的温度信息会产生变化时，监测系统无法有效地将防水型信号连接器故障引起的温度异常数据与实际环境引起的温度异常数据进行区分，从而降低故障诊断结果的准确性。
发明内容
本发明提供基于机器学习算法的防水型信号连接器故障诊断方法，以解决现有的问题：当防水型信号连接器出现故障而导致发送给监测设备的温度信息会产生变化时，监测系统无法有效地将防水型信号连接器故障引起的温度异常数据与实际环境引起的温度异常数据进行区分。
本发明的基于机器学习算法的防水型信号连接器故障诊断方法采用如下技术方案：
包括以下步骤：
采集若干天的温度监测数据序列，所述温度监测数据序列包含多个温度数据，每个温度数据对应一个信号监测时刻；
根据不同天内相同信号监测时刻之间温度数据的波动情况，以及所有温度数据整体的数据波动情况之间的差异分布，对所有温度数据进行筛选，得到若干异常温度数据；
根据异常温度数据两侧温度数据之间变化趋势的平稳情况，得到每个异常温度数据的连接器故障程度；
根据连接器故障程度对防水型信号连接器进行故障检测。
优选的，所述根据不同天内相同信号监测时刻之间温度数据的波动情况，以及所有温度数据整体的数据波动情况之间的差异分布，对所有温度数据进行筛选，得到若干异常温度数据，包括的具体方法为：
获取第天的若干对照天；
根据第天的温度监测数据序列与每个对照天的温度监测数据序列之间第/>个温度数据的变化差异，得到第/>天的温度监测数据序列中第/>个温度数据的局部异常波动程度；
根据第天的温度监测数据序列中第/>个温度数据的局部异常波动程度，与第/>天的温度监测数据序列中整体温度数据的局部异常波动程度的相似情况，得到第/>天的温度监测数据序列中第/>个温度数据的单日温度正常波动程度；
预设一个单日温度正常波动程度阈值，将单日温度正常波动程度小于/>的温度数据记为异常温度数据。
优选的，所述获取第天的若干对照天，包括的具体方法为：
将除第天以外的每一天记为第/>天的对照天。
优选的，所述根据第天的温度监测数据序列与每个对照天的温度监测数据序列之间第/>个温度数据的变化差异，得到第/>天的温度监测数据序列中第/>个温度数据的局部异常波动程度，包括的具体方法为：
获取第天与第/>个对照天之间第/>个温度数据的变化波动程度；
根据第天与第/>个对照天之间第/>个温度数据的变化波动程度，得到第/>天的温度监测数据序列中第/>个温度数据的局部异常波动程度，具体方法为：
式中，表示第/>天的温度监测数据序列中第/>个温度数据的局部异常波动程度；表示第/>天的所有对照天的数量；/>表示预设的数值波动比例参数；/>表示第/>天的温度监测数据序列中所有温度数据的最大值；/>表示第/>天的温度监测数据序列中所有温度数据的最小值；/>表示取绝对值。
优选的，所述获取第天与第/>个对照天之间第/>个温度数据的变化波动程度，包括的具体方法为：
式中，表示第/>天与第/>个对照天之间第/>个温度数据的变化波动程度；/>表示第/>天的温度监测数据序列中第/>个温度数据；/>表示第/>天的温度监测数据序列中所有温度数据的均值；/>表示第/>天的第/>个对照天的温度监测数据序列中第/>个温度数据；/>表示第/>天的第/>个对照天的温度监测数据序列中所有温度数据的均值。
优选的，所述根据第天的温度监测数据序列中第/>个温度数据的局部异常波动程度，与第/>天的温度监测数据序列中整体温度数据的局部异常波动程度的相似情况，得到第天的温度监测数据序列中第/>个温度数据的单日温度正常波动程度，包括的具体方法为：
式中，表示第/>天的温度监测数据序列中第/>个温度数据的单日温度正常波动程度；/>表示第/>天的温度监测数据序列中第/>个温度数据的局部异常波动程度；/>表示第/>天的温度监测数据序列中所有温度数据的数量；/>表示第/>天的温度监测数据序列中第/>个温度数据的局部异常波动程度；/>表示取绝对值；/>表示以自然常数为底的指数函数。
优选的，所述根据异常温度数据两侧温度数据之间变化趋势的平稳情况，得到每个异常温度数据的连接器故障程度，包括的具体方法为：
获取异常温度数据的前置识别温度数据段以及后置识别温度数据段；
根据异常温度数据的前置识别温度数据段与后置识别温度数据段之间的差异，得到异常温度数据的连接器故障程度，具体方法为：
式中，表示异常温度数据的连接器故障程度；/>表示异常温度数据的单日温度正常波动程度；/>表示异常温度数据；/>表示异常温度数据的前置识别温度数据段中所有温度数据的均值；/>表示异常温度数据的后置识别温度数据段中所有温度数据的均值；表示预设的超参数；/>表示取绝对值。
优选的，所述获取异常温度数据的前置识别温度数据段以及后置识别温度数据段，包括的具体方法为：
预设一个信号监测时刻数量，对于任意一个异常温度数据，将异常稳定数据前/>个信号监测时刻的温度数据构成的数据段记为异常温度数据的前置识别温度数据段，将异常稳定数据后/>个信号监测时刻的温度数据构成的数据段记为异常温度数据的后置识别温度数据段。
优选的，所述根据连接器故障程度对防水型信号连接器进行故障检测，包括的具体方法为：
预设一个聚类簇数量；根据/>，对所有异常温度数据的连接器故障程度进行k-means聚类，得到若干聚类簇；将每个聚类簇中所有异常温度数据的均值记为每个聚类簇的故障指标；
根据每个聚类簇的故障指标，得到防水型信号连接器的若干故障时刻。
优选的，所述根据每个聚类簇的故障指标，得到防水型信号连接器的若干故障时刻，包括的具体方法为：
将故障指标最大的聚类簇中每个连接器故障程度对应的异常温度数据记为连接器异常温度数据；获取所有连接器异常温度数据；将每个连接器异常温度数据对应的信号监测时刻记为防水型信号连接器的故障时刻。
本发明的技术方案的有益效果是：本发明通过不同天内相同信号监测时刻之间温度数据的波动情况，温度数据整体的数据波动情况之间的差异分布，以及对应两侧温度数据之间变化趋势的平稳情况，对防水型信号连接器进行故障检测；首先根据不同天内相同信号监测时刻之间温度数据的波动情况，以及所有温度数据整体的数据波动情况之间的差异分布，获取若干异常温度数据，其中异常温度数据用于描述可能存在异常的温度数据，提高了后续识别因防水型信号连接器产生的异常数据的效率；然后根据异常温度数据两侧温度数据之间变化趋势的平稳情况，得到异常温度数据的连接器故障程度，其中连接器故障程度用于描述异常温度数据是由防水型信号连接器故障所产生的概率，更好地区分防水型信号连接器故障引起的温度异常数据与实际环境引起的温度异常数据；本发明通过分析相同时刻之间温度数据的变化波动情况以及相邻温度数据之间变化趋势的平稳情况，识别因防水型信号连接器故障引起的温度异常数据；提高了因防水型信号连接器故障引起的温度异常数据的识别精度，提高了故障诊断结果的准确性，提高了对防水型信号连接器进行故障诊断的效率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明的基于机器学习算法的防水型信号连接器故障诊断方法的步骤流程图；
图2为本发明的基于机器学习算法的防水型信号连接器故障诊断方法的特征关系流程图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的基于机器学习算法的防水型信号连接器故障诊断方法，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的基于机器学习算法的防水型信号连接器故障诊断方法的具体方案。
请参阅图1，其示出了本发明一个实施例提供的基于机器学习算法的防水型信号连接器故障诊断方法的步骤流程图，该方法包括以下步骤：
步骤S001：采集若干天的温度监测数据序列。
需要说明的是，当防水型信号连接器出现故障而导致发送给监测设备的温度信息会产生变化时，监测系统无法有效地将防水型信号连接器故障引起的温度异常数据与实际环境引起的温度异常数据进行区分，从而降低故障诊断结果的准确性。
具体的，首先需要采集温度监测数据序列，具体过程为：监测系统依次由防水信号连接器、温度传感器、监测数据库及相应的控制组件所构成；每隔5分钟为一个信号监测时刻，在监测数据库中记录一次由温度传感器传输的温度数据，共记录一个月；获取若干天的若干温度数据。以任意一天为例，将该天的所有温度数据按照信号监测时刻的大小进行升序排列后的序列记为该天的温度监测数据序列；获取所有天的温度监测数据序列。另外需要说明的是，本实施例中的信号监测时刻、温度数据的数量可根据具体实施情况而定。
至此，通过上述方法得到所有天的温度监测数据序列。
步骤S002：根据不同天内相同信号监测时刻之间温度数据的波动情况，以及所有温度数据整体的数据波动情况之间的差异分布，对所有温度数据进行筛选，得到若干异常温度数据。
需要说明的是，在船舶进行航行时，其船舱内部的温度会受外界水温、气温、风速、风向以及太阳光强度等温度干扰因素的影响产生一定程度的变化，由于外界的温度干扰因素一直在不断发生改变，导致船舱内部的温度也会随着时间推移不断发生动态变化；同时受导航技术、航海法规以及船舶特征等固定因素的限制，通常会沿固定的海上路线进行航行；而对于固定的海上路线而言，其对应外界的温度干扰因素虽然一直不断在发生改变，但受其海上路线的固定位置的地理因素影响，导致其外界的温度干扰因素呈相对较为稳定的变化规律进行动态变化，因此在实际情况中，在不同天内相同信号监测时刻之间温度数据的变化波动会稳定在一个可允许的动态范围内。另外在若干天内，可能存在部分天气异常的天数，这些天气异常的天数中对应温度干扰因素变化剧烈，所呈现的变化规律较为混乱，但对于所有天的整体天气情况来说，并不会较大程度地影响整体天气情况下对应温度干扰因素的整体变化规律。为了提高故障诊断结果的准确性，本实施例通过分析不同天内相同信号监测时刻之间温度数据的波动情况，以及所有温度数据整体的数据波动情况之间的影响关系，对温度数据进行筛选，得到若干异常温度数据，以便后续分析处理。
具体的，以第天为例，将除第/>天以外的每一天记为第/>天的对照天；根据第/>天的温度监测数据序列与每个对照天的温度监测数据序列之间第/>个温度数据的变化差异，得到第/>天的温度监测数据序列中第/>个温度数据的局部异常波动程度。作为一种示例，可通过如下公式计算第/>天的温度监测数据序列中第/>个温度数据的局部异常波动程度：
式中，表示第/>天的温度监测数据序列中第/>个温度数据的局部异常波动程度；表示第/>天的所有对照天的数量；/>表示第/>天的温度监测数据序列中第/>个温度数据；/>表示第/>天的温度监测数据序列中所有温度数据的均值；/>表示第/>天的第/>个对照天的温度监测数据序列中第/>个温度数据；/>表示第/>天的第/>个对照天的温度监测数据序列中所有温度数据的均值；/>表示预设的数值波动比例参数，本实施例预设/>；/>表示第/>天的温度监测数据序列中所有温度数据的最大值；/>表示第/>天的温度监测数据序列中所有温度数据的最小值；/>表示取绝对值。
所需说明的是，表示第/>天与第/>个对照天之间第/>个温度数据相对于各自温度监测数据序列的变化波动情况；/>表示第/>天的温度监测数据序列中第/>个温度数据的可允许温度波动范围的上限；/>表示第/>天的温度监测数据序列中第/>个温度数据的可允许温度波动范围的下限；若第/>天的温度监测数据序列中第/>个温度数据的局部异常波动程度越大，说明第/>天的温度监测数据序列中第/>个温度数据与其他对照天内对应第/>个温度数据的数据波动的差异越大，反映第/>天的温度监测数据序列中第/>个温度数据越有可能存在异常情况。
进一步的，根据第天的温度监测数据序列中第/>个温度数据的局部异常波动程度，与第/>天的温度监测数据序列中整体温度数据的局部异常波动程度的相似情况，得到第天的温度监测数据序列中第/>个温度数据的单日温度正常波动程度。作为一种示例，可通过如下公式计算第/>天的温度监测数据序列中第/>个温度数据的单日温度正常波动程度：
式中，表示第/>天的温度监测数据序列中第/>个温度数据的单日温度正常波动程度；/>表示第/>天的温度监测数据序列中第/>个温度数据的局部异常波动程度；/>表示第/>天的温度监测数据序列中所有温度数据的数量；/>表示第/>天的温度监测数据序列中第/>个温度数据的局部异常波动程度；/>表示取绝对值；/>表示以自然常数为底的指数函数，实施例采用/>模型来呈现反比例关系及归一化处理，/>为模型的输入，实施者可根据实际情况选择反比例函数及归一化函数。
所需说明的是，表示第/>天的温度监测数据序列中第/>个温度数据与第/>天的温度监测数据序列整体之间数据异常情况的相似程度；若该第/>天的温度监测数据序列中第/>个温度数据的单日温度正常波动程度越小，说明第/>天的温度监测数据序列中第个温度数据对第/>天整体温度数据的影响越大，反映第/>天的温度监测数据序列中第/>个温度数据越有可能为无法有效识别异常原因的温度数据。
进一步的，预设一个单日温度正常波动程度阈值，其中本实施例以/>为例进行叙述，本实施例不进行具体限定，其中/>可根据具体实施情况而定；将单日温度正常波动程度小于/>的温度数据记为异常温度数据；获取所有异常温度数据。
至此，通过上述方法得到所有异常温度数据。
步骤S003：根据异常温度数据两侧温度数据之间变化趋势的平稳情况，得到每个异常温度数据的连接器故障程度。
需要说明的是，在实际情况中，若防水型信号连接器出现故障，会使用对应获取的温度素数据产生突变，且与前后温度数据整体变化趋势产生较大差异；而在日常受外界温度干扰因素的温度数据，受外界温度干扰因素连续动态变化的限制，并不会产生突变，而是呈一定趋势逐渐发生变化；因此，为了更好地将因防水型信号连接器故障产生的异常温度数据识别出来，本实施例基于异常温度数据，分析每个异常温度数据前后温度数据的趋势特征，来识别出因防水型信号连接器故障产生的异常温度数据。
具体的，预设一个信号监测时刻数量，其中本实施例以/>为例进行叙述，本实施例不进行具体限定，其中/>可根据具体实施情况而定；以任意一个异常温度数据为例，将该异常稳定数据前/>个信号监测时刻的温度数据构成的数据段记为该异常温度数据的前置识别温度数据段，将该异常稳定数据后/>个信号监测时刻的温度数据构成的数据段记为该异常温度数据的后置识别温度数据段。特别说明的是，若该异常温度数据前后实际存在的信号监测时刻数量不满足预设的/>，那么以该异常温度数据前后实际存在的信号监测时刻数量为准，获取该异常温度数据的前置识别温度数据段以及后置识别温度数据段。
进一步的，根据该异常温度数据的前置识别温度数据段与后置识别温度数据段之间的差异，得到该异常温度数据的连接器故障程度。作为一种示例，可通过如下公式计算该异常温度数据的连接器故障程度：
式中，表示该异常温度数据的连接器故障程度；/>表示该异常温度数据的单日温度正常波动程度；/>表示该异常温度数据；/>表示该异常温度数据的前置识别温度数据段中所有温度数据的均值；/>表示该异常温度数据的后置识别温度数据段中所有温度数据的均值；/>表示预设的超参数，本实施例预设/>，用于防止分母为0；/>表示取绝对值。获取所有异常温度数据的连接器故障程度。
所需说明的是，若该异常温度数据的连接器故障程度越大，说明该异常温度数据相对于其两侧温度数据而言，该异常温度数据突变的程度越大，反映该异常温度数据越有可能是由防水型信号连接器故障所产生的。
至此，通过上述方法得到所有异常温度数据的连接器故障程度。
步骤S004：根据连接器故障程度对防水型信号连接器进行故障检测。
具体的，预设一个聚类簇数量，其中本实施例以/>为例进行叙述，本实施例不进行具体限定，其中/>可根据具体实施情况而定；根据/>，对所有异常温度数据的连接器故障程度进行k-means聚类，得到若干聚类簇；将每个聚类簇中所有异常温度数据的均值记为每个聚类簇的故障指标；将故障指标最大的聚类簇中每个连接器故障程度对应的异常温度数据记为连接器异常温度数据；获取所有连接器异常温度数据；将每个连接器异常温度数据对应的信号监测时刻记为防水型信号连接器的故障时刻。其中根据/>对数据进行聚类的过程是k-means聚类算法的公知内容，本实施例不再赘述。
至此，本实施例完成。请参阅图2，其示出了基于机器学习算法的防水型信号连接器故障诊断方法的特征关系流程图。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.基于机器学习算法的防水型信号连接器故障诊断方法，其特征在于，该方法包括以下步骤：
采集若干天的温度监测数据序列，所述温度监测数据序列包含多个温度数据，每个温度数据对应一个信号监测时刻；
根据不同天内相同信号监测时刻之间温度数据的波动情况，以及所有温度数据整体的数据波动情况之间的差异分布，对所有温度数据进行筛选，得到若干异常温度数据；
根据异常温度数据两侧温度数据之间变化趋势的平稳情况，得到每个异常温度数据的连接器故障程度；
根据连接器故障程度对防水型信号连接器进行故障检测。
2.根据权利要求1所述基于机器学习算法的防水型信号连接器故障诊断方法，其特征在于，所述根据不同天内相同信号监测时刻之间温度数据的波动情况，以及所有温度数据整体的数据波动情况之间的差异分布，对所有温度数据进行筛选，得到若干异常温度数据，包括的具体方法为：
获取第天的若干对照天；
根据第天的温度监测数据序列与每个对照天的温度监测数据序列之间第/>个温度数据的变化差异，得到第/>天的温度监测数据序列中第/>个温度数据的局部异常波动程度；
根据第天的温度监测数据序列中第/>个温度数据的局部异常波动程度，与第/>天的温度监测数据序列中整体温度数据的局部异常波动程度的相似情况，得到第/>天的温度监测数据序列中第/>个温度数据的单日温度正常波动程度；
预设一个单日温度正常波动程度阈值，将单日温度正常波动程度小于/>的温度数据记为异常温度数据。
3.根据权利要求2所述基于机器学习算法的防水型信号连接器故障诊断方法，其特征在于，所述获取第天的若干对照天，包括的具体方法为：
将除第天以外的每一天记为第/>天的对照天。
4.根据权利要求2所述基于机器学习算法的防水型信号连接器故障诊断方法，其特征在于，所述根据第天的温度监测数据序列与每个对照天的温度监测数据序列之间第/>个温度数据的变化差异，得到第/>天的温度监测数据序列中第/>个温度数据的局部异常波动程度，包括的具体方法为：
获取第天与第/>个对照天之间第/>个温度数据的变化波动程度；
根据第天与第/>个对照天之间第/>个温度数据的变化波动程度，得到第/>天的温度监测数据序列中第/>个温度数据的局部异常波动程度，具体方法为：
式中，表示第/>天的温度监测数据序列中第/>个温度数据的局部异常波动程度；/>表示第/>天的所有对照天的数量；/>表示预设的数值波动比例参数；/>表示第/>天的温度监测数据序列中所有温度数据的最大值；/>表示第/>天的温度监测数据序列中所有温度数据的最小值；/>表示取绝对值。
5.根据权利要求4所述基于机器学习算法的防水型信号连接器故障诊断方法，其特征在于，所述获取第天与第/>个对照天之间第/>个温度数据的变化波动程度，包括的具体方法为：
式中，表示第/>天与第/>个对照天之间第/>个温度数据的变化波动程度；/>表示第/>天的温度监测数据序列中第/>个温度数据；/>表示第/>天的温度监测数据序列中所有温度数据的均值；/>表示第/>天的第/>个对照天的温度监测数据序列中第/>个温度数据；/>表示第/>天的第/>个对照天的温度监测数据序列中所有温度数据的均值。
6.根据权利要求2所述基于机器学习算法的防水型信号连接器故障诊断方法，其特征在于，所述根据第天的温度监测数据序列中第/>个温度数据的局部异常波动程度，与第/>天的温度监测数据序列中整体温度数据的局部异常波动程度的相似情况，得到第/>天的温度监测数据序列中第/>个温度数据的单日温度正常波动程度，包括的具体方法为：
式中，表示第/>天的温度监测数据序列中第/>个温度数据的单日温度正常波动程度；表示第/>天的温度监测数据序列中第/>个温度数据的局部异常波动程度；/>表示第/>天的温度监测数据序列中所有温度数据的数量；/>表示第/>天的温度监测数据序列中第/>个温度数据的局部异常波动程度；/>表示取绝对值；/>表示以自然常数为底的指数函数。
7.根据权利要求1所述基于机器学习算法的防水型信号连接器故障诊断方法，其特征在于，所述根据异常温度数据两侧温度数据之间变化趋势的平稳情况，得到每个异常温度数据的连接器故障程度，包括的具体方法为：
获取异常温度数据的前置识别温度数据段以及后置识别温度数据段；
根据异常温度数据的前置识别温度数据段与后置识别温度数据段之间的差异，得到异常温度数据的连接器故障程度，具体方法为：
式中，表示异常温度数据的连接器故障程度；/>表示异常温度数据的单日温度正常波动程度；/>表示异常温度数据；/>表示异常温度数据的前置识别温度数据段中所有温度数据的均值；/>表示异常温度数据的后置识别温度数据段中所有温度数据的均值；/>表示预设的超参数；/>表示取绝对值。
8.根据权利要求7所述基于机器学习算法的防水型信号连接器故障诊断方法，其特征在于，所述获取异常温度数据的前置识别温度数据段以及后置识别温度数据段，包括的具体方法为：
预设一个信号监测时刻数量，对于任意一个异常温度数据，将异常稳定数据前/>个信号监测时刻的温度数据构成的数据段记为异常温度数据的前置识别温度数据段，将异常稳定数据后/>个信号监测时刻的温度数据构成的数据段记为异常温度数据的后置识别温度数据段。
9.根据权利要求1所述基于机器学习算法的防水型信号连接器故障诊断方法，其特征在于，所述根据连接器故障程度对防水型信号连接器进行故障检测，包括的具体方法为：
预设一个聚类簇数量；根据/>，对所有异常温度数据的连接器故障程度进行k-means聚类，得到若干聚类簇；将每个聚类簇中所有异常温度数据的均值记为每个聚类簇的故障指标；
根据每个聚类簇的故障指标，得到防水型信号连接器的若干故障时刻。
10.根据权利要求9所述基于机器学习算法的防水型信号连接器故障诊断方法，其特征在于，所述根据每个聚类簇的故障指标，得到防水型信号连接器的若干故障时刻，包括的具体方法为：
将故障指标最大的聚类簇中每个连接器故障程度对应的异常温度数据记为连接器异常温度数据；获取所有连接器异常温度数据；将每个连接器异常温度数据对应的信号监测时刻记为防水型信号连接器的故障时刻。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410451254.9A CN118051744B (zh) | 2024-04-16 | 2024-04-16 | 基于数据处理的防水型信号连接器故障诊断方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410451254.9A CN118051744B (zh) | 2024-04-16 | 2024-04-16 | 基于数据处理的防水型信号连接器故障诊断方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN118051744A true CN118051744A (zh) | 2024-05-17 |
| CN118051744B CN118051744B (zh) | 2024-06-28 |
Family
ID=91046958
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410451254.9A Active CN118051744B (zh) | 2024-04-16 | 2024-04-16 | 基于数据处理的防水型信号连接器故障诊断方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN118051744B (zh) |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2017174994A1 (en) * | 2016-04-06 | 2017-10-12 | Qhi Group Limited | Fault monitoring systems and methods for detecting connectivity faults |
| CN109186813A (zh) * | 2018-10-23 | 2019-01-11 | 株洲中车时代电气股份有限公司 | 一种温度传感器自检装置及方法 |
| CN109443561A (zh) * | 2018-11-23 | 2019-03-08 | 国网江苏省电力有限公司盐城供电分公司 | 一种基于温度信号分析的电机故障诊断系统及其诊断方法 |
| CN109556876A (zh) * | 2018-11-07 | 2019-04-02 | 国网浙江省电力有限公司电力科学研究院 | 一种区分燃气轮机燃烧故障和热通道设备故障的诊断方法 |
| CN113392936A (zh) * | 2021-07-09 | 2021-09-14 | 四川英创力电子科技股份有限公司 | 一种基于机器学习的烤箱故障诊断方法 |
| JP2021144875A (ja) * | 2020-03-12 | 2021-09-24 | 本田技研工業株式会社 | バッテリパックの異常検知装置及び異常検知方法 |
| CN116660750A (zh) * | 2023-01-16 | 2023-08-29 | 宇通客车股份有限公司 | 一种电池系统ntc异常故障诊断方法及系统 |
| CN117170433A (zh) * | 2023-10-21 | 2023-12-05 | 南通百源制冷设备有限公司 | 基于联动控制的温度智能控制方法及系统 |
| CN117235557A (zh) * | 2023-11-14 | 2023-12-15 | 山东贺铭电气有限公司 | 基于大数据分析的电气设备故障快速诊断方法 |
| CN117390569A (zh) * | 2023-12-11 | 2024-01-12 | 深圳市智德森水务科技有限公司 | 一种基于数据处理的水环境监测方法 |
-
2024
- 2024-04-16 CN CN202410451254.9A patent/CN118051744B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2017174994A1 (en) * | 2016-04-06 | 2017-10-12 | Qhi Group Limited | Fault monitoring systems and methods for detecting connectivity faults |
| CN109186813A (zh) * | 2018-10-23 | 2019-01-11 | 株洲中车时代电气股份有限公司 | 一种温度传感器自检装置及方法 |
| CN109556876A (zh) * | 2018-11-07 | 2019-04-02 | 国网浙江省电力有限公司电力科学研究院 | 一种区分燃气轮机燃烧故障和热通道设备故障的诊断方法 |
| CN109443561A (zh) * | 2018-11-23 | 2019-03-08 | 国网江苏省电力有限公司盐城供电分公司 | 一种基于温度信号分析的电机故障诊断系统及其诊断方法 |
| JP2021144875A (ja) * | 2020-03-12 | 2021-09-24 | 本田技研工業株式会社 | バッテリパックの異常検知装置及び異常検知方法 |
| CN113392936A (zh) * | 2021-07-09 | 2021-09-14 | 四川英创力电子科技股份有限公司 | 一种基于机器学习的烤箱故障诊断方法 |
| CN116660750A (zh) * | 2023-01-16 | 2023-08-29 | 宇通客车股份有限公司 | 一种电池系统ntc异常故障诊断方法及系统 |
| CN117170433A (zh) * | 2023-10-21 | 2023-12-05 | 南通百源制冷设备有限公司 | 基于联动控制的温度智能控制方法及系统 |
| CN117235557A (zh) * | 2023-11-14 | 2023-12-15 | 山东贺铭电气有限公司 | 基于大数据分析的电气设备故障快速诊断方法 |
| CN117390569A (zh) * | 2023-12-11 | 2024-01-12 | 深圳市智德森水务科技有限公司 | 一种基于数据处理的水环境监测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN118051744B (zh) | 2024-06-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109086793B (zh) | 一种风力发电机的异常识别方法 | |
| CN111878320B (zh) | 风力发电机组的监控方法、系统及计算机可读存储介质 | |
| CN112414694B (zh) | 基于多元状态估计技术的设备多级异常状态识别方法及装置 | |
| CN111582298A (zh) | 一种基于人工智能的传感异常数据实时检测方法 | |
| CN113526282B (zh) | 一种电梯中长期老化故障诊断方法、装置、介质和设备 | |
| CN115876258A (zh) | 基于多源数据的畜禽养殖环境异常监测及报警系统 | |
| CN112802011A (zh) | 一种基于vgg-bls的风机叶片缺陷检测方法 | |
| CN115307943A (zh) | 一种旋转机械设备多工况运行状态异常检测方法及系统 | |
| CN115038091A (zh) | 一种北极海上无线通信频谱感知方法及系统 | |
| CN118112937A (zh) | 基于多源融合感知的养殖场微正压智能控制系统和方法 | |
| CN118051744B (zh) | 基于数据处理的防水型信号连接器故障诊断方法 | |
| CN117933531A (zh) | 一种分布式光伏发电功率预测系统及方法 | |
| CN117825864A (zh) | 一种配电网线路短路容量监控诊断方法及系统 | |
| CN112855458B (zh) | 一种风力发电机组的风速仪故障诊断方法、系统及介质 | |
| CN115665007A (zh) | 基于半监督自编码器的动态异常检测方法及装置 | |
| CN115659219A (zh) | 异常电子侦察数据智能检测及分类方法 | |
| CN113505817A (zh) | 不均衡数据下轴承故障诊断模型样本自适应加权训练方法 | |
| CN111898705B (zh) | 一种基于模糊偏好关系与自适应层次聚类的故障特征参数选择方法 | |
| CN111950363B (zh) | 一种基于开放数据过滤和域适应的视频异常检测方法 | |
| CN118194178B (zh) | 一种船舶能源管理系统的运行数据智能分析方法 | |
| CN118468143B (zh) | 基于声学信号的螺旋桨速度解缠域泛化故障诊断方法 | |
| He et al. | A Novel Approach to Automatically Detect Power Quality Disturbances Based on Dynamic Pocket Network | |
| CN118425687B (zh) | 基于行波特征的输电线缆故障监测方法及系统 | |
| CN117688464B (zh) | 一种基于多源传感器数据的隐患分析方法及系统 | |
| CN114993679B (zh) | 一种多风机联合轴承故障自诊断方法及系统 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |