本发明专利技术涉及人工智能技术，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。本发明专利技术还提出一种基于VFD房的故障类别智能分析装置。本发明专利技术可以提高VFD房的故障类别的分析效率。率。率。
【技术实现步骤摘要】
基于VFD房的故障类别智能分析方法及装置
[0001]本专利技术涉及人工智能
，尤其涉及一种基于VFD房的故障类别智能分析方法及装置。
技术介绍
[0002]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.
[0003]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。
技术实现思路
[0004]本专利技术提供一种基于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。
[0005]为实现上述目的，本专利技术提供的一种基于VFD房的故障类别智能分析方法，包括：
[0006]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；
[0007]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；
[0008]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；
[0009]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。
[0010]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：
[0011]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；
[0012]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；
[0013]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。
[0014]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：
[0015]利用如下偏度算法计算所述标准数据的偏度：
[0016][0017]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，x
i
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。
[0018]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：
[0019]利用如下峰度算法计算所述标准数据的峰度：
[0020][0021]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，x
i
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。
[0022]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：
[0023]利用如下熵算法计算所述标准数据的熵：
[0024][0025]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。
[0026]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：
[0027]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；
[0028]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；
[0029]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；
[0030]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。
[0031]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：
[0032]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；
[0033]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。
[0034]可选地，所述获取目标VFD房的监控数据，包括：
[0035]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；
[0036]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。
[0037]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：
[0038]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；
[0039]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；
[0040]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。
[0041]为了解决上述问题，本专利技术还提供一种基于VFD房的故障类别智能分析装置，所述装置包括：
[0042]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；
[0043]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；
[0044]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；
[0045]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。
[0046]本专利技术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，因此本专利技术提出基于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
[0047]图1为本专利技术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；
[0048]图2为本专利技术一实施例提供的特征提取的流程示意图；
[0049]图3为本专利技术一实施例提供的生成故障概率表的流程示意图；
[0050]图4为本专利技术一本文档来自技高网...
【技术保护点】
【技术特征摘要】
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 (y
a
,y
b
)是第a个特征向量和第b个特征向量的向量距离，y
a
是第a个特征向量，y
b
是第b个特征向量，y
ac
是第a个特征向量中的第c个向量元素，y
bc
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，x
i
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，x
i
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...
【专利技术属性】
技术研发人员：王军，王晓东，
申请(专利权)人：宝鸡西北石油机械有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。