一种基于DP-SVM的大仪工时计算方法技术

本发明专利技术公开了一种基于DP

【技术实现步骤摘要】
一种基于DP
‑
SVM的大仪工时计算方法


[0001]本专利技术涉及数据分析领域，具体而言，本专利技术涉及一种基于DP
‑
SVM的大仪工时计算方法。

技术介绍

[0002]仪器机时(关机机时、待机机时、工作机时)能够反映仪器的工作状态，是仪器管理水平提升的重要前提。随着“互联网+”思维深入社会中的各行各业，通过自动化的形式获取大型仪器设备仪器机时的需求急需解决。
[0003]目前，除了极少部分的专业仪器在运行时会自动记录仪器的工作情况外，大部分仪器还是需要员工手动将工作机时记录在纸上。而这种方式难免会存在错记、漏记、记录丢失等情况，且关机机时和待机机时只能通过工作机时进行推测，十分繁琐。机时实际上是仪器各状态持续时间的表现形式，如果能够对仪器的电流信号进行分类与识别，就能得到各个状态的累计时长。
[0004]电流分析属于信号分析的范畴，故信号分析的部分方法也可以用于当前场景。目前，常见的电流分析算法模型有基于SVM支持向量机算法，将设备电流和设备状态作为样本数据，训练状态函数，并使用二叉树的结构形成多分类器，对电流状态进行识别。还有基于Faster R
‑
CNN的图像识别算法，对电力设备进行状态识别，进行分类和预测。但是上述的方法需要先得到仪器在不同状态下的电流特征，然后手动为样本打上标签再进行训练。由于电流状态的数据量较多，人工标注较为复杂，成本也过高。计算阈值也是一种方法，设置固定电流阈值，仪器的状态通过比较电流值和阈值的大小来判断。但这种方法，对不同状态电流重叠的仪器存在误差，且阈值难以确定，存在较大误差，只能应用于仪器数量少的情况。

技术实现思路

[0005]本专利技术的目的是提供一种方法，根据现场采集的大仪电流数据，通过对电流数据进行预变换处理后，利用DP(动态规划，Dynamic Programming)算法优化后的SVM分类器对数据进行分类，并对分类结果进行处理，从而得到出大仪的工作时长。
[0006]为实现上述目的，本专利技术采用以下技术方案：一种基于电流的大仪工时计算方法，借助仪器管理系统实现。所述仪器管理系统包括仪器运行情况查询以及用于采集电流数据的终端，终端按照一定频率采集仪器的电流数据并向管理平台上报，管理平台用于汇总并展示仪器运行情况，状态电流选取等。所述方法包含以下步骤：
[0007]A、数据集建立步骤：
[0008]A
‑
1、从仪器管理系统中获取某台大仪的电流数据，所述电流数据包括关机电流、待机电流、工作电流。
[0009]A
‑
2、为A
‑
1中的各个电流数据打上标签，作为初始训练集。
[0010]B、数据分析步骤：
[0011]B
‑
1、对A
‑
2中获取的初始训练集进行特征变换，将初始训练集转换为样本集。
[0012]B
‑
2、对B
‑
1中获取的样本集进行基于SVM的多状态分类，得出某台大仪的状态模型。
[0013]B
‑
3、将B
‑
2中获取的状态模型进行数据封装，保存至云端数据库中，便于下次计算。
[0014]C、工时计算步骤：
[0015]C
‑
1、从云端获取压缩格式保存的电流数据，并对电流数据进行解压，使电流数据以分钟为单位，进行分析。
[0016]C
‑
2、对C
‑
1中获取的电流数据进行窗口切分，通过DP算法，为每一个电流点选取最佳数据特征提取窗口。
[0017]C
‑
3、根据C
‑
2中各个电流点的最佳数据特征提取窗口，进行数据特征提取，生成最佳样本集，并进行状态分类预测。
[0018]C
‑
4、对C
‑
3中得到的预测结果，与初始电流时间戳进行绑定，进行填补和压缩，得到最终的机时状态结果。
[0019]在本专利技术中，首先获取到对应大仪的电流数据，所述电流数据包含了大仪的完整运行电流周期。将电流数据进行预处理以及变换后，进行状态标签，生成样本集，通过SVM分类器对样本集进行特征提取和分类。后续再次分析电流数据时，需将数据集，通过DP算法选取各个电流点的最佳数据特征提取窗口，根据此窗口将数据集转换为样本集，得出各个电流点的状态，即可快速得到每个样本对应的大仪状态，相比阈值法划分大仪的状态能兼容更多种类型的大仪，并且在数据分类前进行预处理，使数据特征提取的样本集更加准确，更有代表性。
[0020]采用本专利技术，可以在根据实际情况，人为确定大仪的运行状态分类，得到大仪的准确且细节的各个状态时长。将每台大仪的状态对应的模型特征记录至数据库中，后续统计机时无需算法介入，直接进行DP算法优化，并进行状态预测即可，解决了仪器工时不清晰，不准确的问题，具有一定的工程价值。
附图说明
[0021]图1是本专利技术方法流程图。
[0022]图2是训练集选取及分类模型生成流程图。
[0023]图3是最佳数据特征提取窗口提取流程图。
[0024]图4是大仪工时分析流程图。
具体实施方式
[0025]为了使本专利技术的目的、技术方案和优点更加清楚明白，接下来结合附图和实例进行进一步的详细说明，下文中出现对电流大小的描述单位都为(A)安培。
[0026]本专利技术的实现建立在仪器管理系统收集的大量电流数据之上，考虑到仪器在不同状态下电流值具有随机波动的特性，且不同仪器的电流数据不同。因此所述方法如图1所示，具体流程如下：
[0027]A、数据集建立步骤：
[0028]A
‑
1、电流数据获取步骤。
[0029]A
‑
2、初始训练集及分类模型生成步骤。
[0030]步骤A
‑
1中，电流数据由仪器管理系统给出，人为选出，保证数据充分且合理，包含仪器完整运行电流周期，且电流鲜明，不同状态之间存在明显差异。
[0031]步骤A
‑
2流程如图2所示。首先，根据A
‑
1中获取的电流数据，将电流数据中出现的所有电流值存储到候选集C中，并对候选集C按照电流值大小进行排序。
[0032]实施例：假设电流数据S＝{0.01,0.02,0.01,0.02,0.01,0.01,0.02,1.34,1.37,1.43,1.34,1.34,1.38,1.36,1.35}，经上述A
‑
2的处理之后，参考电流数据集C＝{{0.01,0.02,0.01,0.02,0.01,0.01,0.02},{1.34,1.37,1.43,1.34,1.34,1.38,1.36,1.35}}，标签集K＝{0,1}。
[0033]B、数据分析，主要包括以下三个步骤完成。
[0034]B
‑
...

【技术保护点】

【技术特征摘要】
1.一种基于DP
‑
SVM算法的大仪工时计算方法，其特征在于该方法包括以下步骤：A、数据集建立步骤：A
‑
1、从仪器管理系统中获取某台大仪的电流数据，所述电流数据包括关机电流、待机电流、工作电流；A
‑
2、为A
‑
1中的各个电流数据打上标签，作为初始训练集；B、数据分析步骤：B
‑
1、对A
‑
2中获取的初始训练集进行特征变换，将初始训练集转换为样本集；B
‑
2、对B
‑
1中获取的样本集进行基于SVM的多状态分类，得出某台大仪的状态模型；B
‑
3、将B
‑
2中获取的状态模型进行数据封装，保存至云端数据库中，便于下次计算；C、工时计算步骤：C
‑
1、从云端获取压缩格式保存的电流数据，并对电流数据进行解压，使电流数据以分钟为单位，进行分析；C
‑
2、对C
‑
1中获取的电流数据进行窗口切分，通过DP算法，为每一个电流点选取最佳数据特征提取窗口；C
‑
3、根据C
‑
2中各个电流点的最佳数据特征提取窗口，进行数据特征提取，生成最佳样本集，并进行状态分类预测；C
‑
4、对C
‑
3中得到的预测结果，与初始电流时间戳进行绑定，进行填补和压缩，得到最终的机时状态结果。2...

【专利技术属性】
技术研发人员：麻志翔，刘剑，曾佳，陈科明，
申请(专利权)人：杭州轨物科技有限公司，
类型：发明
国别省市：