基于PCA和麻雀算法优化随机森林的建筑电气故障诊断方法技术

本发明专利技术公开了一种基于PCA和麻雀算法优化随机森林的建筑电气故障诊断方法，包括如下步骤：步骤1、故障数据采集，采集建筑电气系统n种故障原始信号；步骤2、故障特征提取：故障特征提取模块与故障数据采集模块建立连接，用于提取采集到的故障原始信号中的时域特征与频域特征，得到原始特征矩阵用于后续故障诊断；步骤3、特征PCA降维：特征PCA降维模块与故障特征提取模块建立连接，用于对多维特征进行降维，减少特征数量；步骤4、SSA

【技术实现步骤摘要】
基于PCA和麻雀算法优化随机森林的建筑电气故障诊断方法


[0001]本专利技术属于故障诊断
，具体涉及一种基于PCA和麻雀算法优化随机森林的建筑电气故障诊断方法。

技术介绍

[0002]随着经济的快速发展，现代化程度加快，建筑设施越来越多，建筑电气系统愈发复杂。为保障电气系统安全可靠的运行，减少安全事故的发生，对建筑电气系统进行故障检测与诊断是非常重要的一项工作。传统的故障诊断方法是由检修工人进行人为的故障检测，较为耗时耗力，且容易受到主观经验的影响。为提高故障诊断效率和准确率，智能诊断技术随之兴起。虽然建筑电气相关的智能故障诊断技术在近年来有所发展，但还未形成科学有效的诊断体系，所以研究新的方法与技术尤为重要。建筑电气系统覆盖面较广，涵盖了照明系统、变配电系统等多个子系统，且系统较为复杂，给故障诊断带来了许多困难。为此，我们提出一种基于PCA和麻雀算法优化随机森林的建筑电气故障诊断方法，以便于及时发现故障问题，减少人力消耗，降低安全隐患，提高故障诊断的准确率。

技术实现思路

[0003]本专利技术的目的在于提供一种基于PCA和麻雀算法优化随机森林的建筑电气故障诊断方法，以解决上述
技术介绍
中提出的问题。
[0004]为实现上述目的，本专利技术提供如下技术方案：一种基于PCA和麻雀算法优化随机森林的建筑电气故障诊断方法，先采集了实验平台上的n种不同故障的原始电阻信号，然后选择了统计分析中常用的时域与频域相关公式对信号进行特征提取，提取出故障的特征后，用PCA对特征进行降维，最后通过SSA优化的RF分类器对n种故障进行分类，包括如下步骤：
[0005]步骤1、故障数据采集：故障数据采集模块与电气综合实验仪Eurotest61557建立连接，用于采集建筑电气系统n种故障原始信号；
[0006]步骤2、故障特征提取：故障特征提取模块与故障数据采集模块建立连接，用于提取采集到的故障原始信号中的时域特征与频域特征，得到原始特征矩阵用于后续故障诊断；
[0007]步骤3、特征PCA降维：特征PCA降维模块与故障特征提取模块建立连接，用于对多维特征进行降维，减少特征数量；
[0008]步骤4、SSA
‑
RF故障分类：SSA
‑
RF故障分类模块与特征PCA降维模块建立连接，用于特征分类，得到诊断结果。
[0009]所述步骤S1故障数据采集中，采集了n种建筑电气故障，每种故障采集30组故障样本，每50个采样点为一组样本，采样频率为256Hz。
[0010]所述步骤S1故障数据采集后，用统计分析的公式对每组样本分别求时域特征指标和频域特征指标。
[0011]所述时域特征指标分别为：最大值、最小值、峰峰值、平均值、均方根、方差、标准
差、峭度、偏度、波形因子、峰值因子、脉冲因子、裕度因子，所述频域特征指标分别为：平均指标、重心频率、均方频率、均方根频率、频率方差、频率标准差。
[0012]计算频域特征指标前，需要先计算样本的功率谱密度，时域特征指标和频域特征指标计算完成后，得到p维原始特征矩阵。
[0013]针对特征维数过多的问题，用PCA将对p维原始特征矩阵进行降维，得到q维降维后的特征矩阵。
[0014]将q维降维后的特征矩阵中的样本按7：3划分训练集与测试集，并用SSA
‑
RF进行故障分类。
[0015]SSA用于优化RF的两个参数：树的个数和最小叶子节点数。
[0016]用SSA优化后的参数训练RF模型，RF中包含若干个弱分类器，若干个弱分类器进行结果投票，选择投票数最多的类别作为分类器的输出。
[0017]与现有技术相比，本专利技术的有益效果是：本专利技术提供的一种基于PCA和麻雀算法优化随机森林的建筑电气故障诊断方法，本专利技术首次提出了一种针对于诊断建筑电气故障的新方法，具有快速检测建筑电气故障，准确鉴别故障类型的优点。本专利技术首次将统计分析时频域指标、PCA线性降维方法与SSA
‑
RF分类器进行结合，融合了机器学习与群体智能技术的相关理论，并应用于建筑电气故障诊断领域，构建了新的建筑电气故障诊断框架。与传统机器学习方法和新发表的方法相比，本专利技术的诊断模型性能更好。总而言之，本专利技术能够为建筑电气行业从业者提供一种新的故障检测手段，帮助从业者鉴别故障类型，增强从业者安全防范意识，保障电气系统安全可靠的运行。
附图说明
[0018]图1为本专利技术基于PCA和麻雀算法优化随机森林的建筑电气故障诊断方法的流程示意图；
[0019]图2为本专利技术故障1的原始电阻信号时域波形图；
[0020]图3为本专利技术故障2的原始电阻信号时域波形图；
[0021]图4为本专利技术故障3的原始电阻信号时域波形图；
[0022]图5为本专利技术故障4的原始电阻信号时域波形图；
[0023]图6为本专利技术故障5的原始电阻信号时域波形图；
[0024]图7为本专利技术故障6的原始电阻信号时域波形图。
具体实施方式
[0025]下面将结合本专利技术实施例中的附图，对本专利技术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专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，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，都属于本专利技术保护的范围。
[0026]本专利技术提供了如图1
‑
7的一种基于PCA和麻雀算法优化随机森林的建筑电气故障诊断方法，其中PCA为主成分分析，麻雀算法优化随机森林为SSA
‑
RF，包括如下步骤：
[0027]步骤1、故障数据采集：故障数据采集模块与电气综合实验仪Eurotest61557建立连接，用于采集建筑电气系统n种故障原始信号；
[0028]步骤2、故障特征提取：故障特征提取模块与故障数据采集模块建立连接，用于提取采集到的故障原始信号中的时域特征与频域特征，得到原始特征矩阵用于后续故障诊断；
[0029]步骤3、特征PCA降维：特征PCA降维模块与故障特征提取模块建立连接，用于对多维特征进行降维，减少特征数量；
[0030]步骤4、SSA
‑
RF故障分类：SSA
‑
RF故障分类模块与特征PCA降维模块建立连接，用于特征分类，得到诊断结果。
[0031]所述步骤S1故障数据采集中，采集了n种建筑电气故障，每种故障采集30组故障样本，每50个采样点为一组样本，采样频率为256Hz。
[0032]所述步骤S1故障数据采集后，用统计分析的公式对每组样本分别求时域特征指标和频域特征指标。
[0033]所述时域特征指标分别为：最大值、最小值、峰峰值、平均值、均方根、方差、标准差、峭度、偏度、波形因子、峰值因子、脉冲因子、裕度因子，所述频域特征指标分别为：平均指标、重心频率、均方频率、均方根频率、频率方差、频率标准差。
[0034]计算频域特征指标前，需本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于PCA和麻雀算法优化随机森林的建筑电气故障诊断方法，其特征在于：包括如下步骤：步骤1、故障数据采集：故障数据采集模块与电气综合实验仪Eurotest61557建立连接，用于采集建筑电气系统n种故障原始信号；步骤2、故障特征提取：故障特征提取模块与故障数据采集模块建立连接，用于提取采集到的故障原始信号中的时域特征与频域特征，得到原始特征矩阵用于后续故障诊断；步骤3、特征PCA降维：特征PCA降维模块与故障特征提取模块建立连接，用于对多维特征进行降维，减少特征数量；步骤4、SSA
‑
RF故障分类：SSA
‑
RF故障分类模块与特征PCA降维模块建立连接，用于特征分类，得到诊断结果。2.根据权利要求1所述的一种基于PCA和麻雀算法优化随机森林的建筑电气故障诊断方法，其特征在于：所述步骤S1故障数据采集中，采集了n种建筑电气故障，每种故障采集30组故障样本，每50个采样点为一组样本，采样频率为256Hz。3.根据权利要求1所述的一种基于PCA和麻雀算法优化随机森林的建筑电气故障诊断方法，其特征在于：所述步骤S1故障数据采集后，用统计分析的公式对每组样本分别求时域特征指标和频域特征指标。4.根据权利要求3所述的一种基于PCA和麻雀算法优化随机森林的建筑电气故障诊断方法，其特征在于：所述时域特征指标分别为：最大...

【专利技术属性】
技术研发人员：熊建斌，李章伶，梁琼，路天天，张震浩，王颀，岑健，宋伟伟，董湘君，郑辞晏，周卫，刘军，伍银波，
申请(专利权)人：广东技术师范大学，
类型：发明
国别省市：