【技术实现步骤摘要】
本专利技术属于数据处理，具体是指一种基于人工智能的电路故障监测方法及系统。
技术介绍
1、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。
技术实现思路
1、针对上述情况，为克服现有技术的缺陷，本专利技术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
2、本专利技术采取的技术方案如下：本专利技术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：
3、步骤s1：数据采集，采集历史电路运行数据和电路运行状态；
4、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；
5、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；
6、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；
7、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。
8、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。
9、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。
10、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：
11、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；
12、步骤s32：构建相关矩阵，步骤如下：
13、步骤s321：计算特征之间的主相关值，所用公式如下：
14、；
15、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；
16、步骤s322：计算特征之间的次相关值，所用公式如下：
17、；
18、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；
19、步骤s323：计算特征之间的总相关值，所用公式如下：
20、；
21、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；
22、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；
23、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；
24、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；
25、步骤s35：去除特征子集中的冗余特征，步骤如下：
26、步骤s351：计算特征tzm与标签bqc之间的相关性，所用公式如下：
27、；
28、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；
29、步骤s352：计算特征之间的冗余度，所用公式如下：
30、；
31、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；
32、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：
33、；
34、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；
35、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；
36、步骤s36：计算特征子集的分数，所用公式如下：
37、；
本文档来自技高网...【技术保护点】
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：
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S3中，所述特征信息处理具体包括以下步骤：
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S4中，所述建立电路故障监测模型具体包括以下步骤：
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。
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。
6.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
7.一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1-6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。
8.根据权利要求7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：
...【技术特征摘要】
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：
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s3中，所述特征信息处理具体包括以下步骤：
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s4中，所述建立电路故障监测模型具体包括以下步骤：
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。
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...
【专利技术属性】
技术研发人员：陆文，王健，孙彬，金程缘，孙飞，张馨，
申请(专利权)人：江苏上达半导体有限公司，
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。