【技术实现步骤摘要】
本专利技术涉及故障过程基础数据提取，特别是涉及通过因素降维和对象筛选进行系统故障演化特征数据提取，提供了一种系统故障演化特征数据提取方法。
技术介绍
1、系统故障演化过程存在于各类系统之中，是多因素影响下系统完成预定功能的能力变化过程。任何系统都是为了实现预定功能而存在的有机整体。因此研究、判断和预测系统故障演化过程就成为各学科，特别是安全科学和系统科学的重点研究议题。系统故障演化过程的某时刻就是该时刻的系统功能状态。在系统设计期间可使用解析法定量研究系统故障可能性，这时结果主要取决于系统元件和系统结构。但在运行期间系统功能状态就取决于该期间出现的因素及其波动情况。系统故障演化过程是运行时系统内部固有特征对外部因素作用的响应。可见研究运行时的系统故障演化过程更为接近实际情况。而且由于因素影响的相关性和复杂性，难以实现解析研究，而通常使用各类评价法对系统功能状态进行研究，例如各种安全评价、可靠性评价。这些评价一般是基于测量得到的各时刻系统功能状态，从而实例化形成对象组成基础数据矩阵。该矩阵各行代表不同因素，各列代表不同对象，是评价法的基础数据形式。明显的这些对象和因素在表现系统故障演化过程时的作用不同，对于这些因素和对象的选择就成为关键问题。即基础数据矩阵中因素的降维和对象的筛选。
2、关于各类评价方法和基础数据的研究较多。这些研究在各自领域取得了良好效果，这也说明针对各领域和数据特点不同方法的适用程度不同。在系统层面研究上述方法是必要的，特别是对于构建合理基础数据的研究更具有实际意义。因为不同因素对评价的作用不同，加
3、为实现上述目标，对评价基础数据矩阵中的因素和对象进行特征性研究是必要的。但现有技术中缺少一种可靠有效的系统故障演化特征数据提取方法，导致分析效率低，分析结果准确性差。
技术实现思路
1、本专利技术的目的在于提供一种系统故障演化特征数据提取方法，以解决现有技术中缺少可靠有效的系统故障演化特征数据提取方法，导致分析效率低，分析结果准确性差的问题。
2、本专利技术使用kpca将因素降维确定特征因素，使用klpp筛选对象确定特征对象，从而得到特征数据矩阵。本专利技术提供的构建系统故障演化特征数据提取方法，用于系统故障过程中特征数据提取，从而形成更具代表性的特征数据矩阵。
3、本专利技术提供了一种系统故障演化特征数据提取方法，为提取更为有效且具代表性的系统故障演化数据，作为评价系统功能状态的基础数据，提出一种基于klpp和kpca的系统故障演化特征数据提取方法；基础数据是进行评价的关键，通过klpp实现对象筛选，通过kpca实现因素降维，获得特征数据矩阵；用于系统故障过程中特征数据提取，从而形成更具代表性的特征数据矩阵。
4、关于系统故障研究及面临的问题：
5、在安全科学中各类对系统安全性和功能性的研究、判断和预测方法发挥着重要作用。由于系统故障过程的固有特征导致相关研究面临一些问题。理论上研究系统安全性或是可靠性以系统边界为划分形成内部和外部两种技术路径。
6、在系统内部，系统的故障概率源于构成系统的元件故障情况以及这些元件构成的系统结构。这时一般进行定量计算，系统故障变化比较清晰，结果是定量的解析模型。缺点在于元件故障特征和系统结构是在设计期间确定的，而面对系统运行时的因素变化其分析的故障结果可能存在偏差。特别是当出现设计期间没有考虑的元件间相互作用，或出现意外因素，或已知因素超出使用范围时将导致结果错误。
7、由于内部分析方法需要了解系统内部结构，但实际中可能难以实现。因此也需要在系统外部了解系统故障特征。这时系统内部是黑盒，故障特征分析基于因素变化对系统的作用，以及系统受到因素作用后表现出来的响应特征。由于系统内部结构未知，难以形成解析结果。由于因素变化的不确定性；现有技术对因素存在的感知和处理能力受限，这将导致基础数据的维度混乱。同样在这些因素作用下系统表现出来的响应状态也存在监测和人的主观理解偏差。使得因素数据与系统故障数据组成的对应关系不明确。当对系统故障、安全或可靠性进行预测时系统表现出来的结果尚未出现，上述对应关系也不存在。这些问题给系统故障状态评价带来了困难，只能通过人的经验或经验与解析方法结合的途径进行评价。例如以数据、评价标准和算法构成的系统安全评价体系。
8、因此面对系统故障、安全或可靠性等的评价仍存在较多问题。解析法难以应对运行时的因素变化，而评价法对基础数据的要求以及因素和结果的等级划分是困难的。但任何系统都是为了完成预定功能而建立起来的有机整体。必须保证系统完成预定功能的能力，即保障系统的可靠性，其对应是失效性。完全可靠和完全失效对于运行的系统都是不存在的状态。一般情况下系统实现预定功能的能力是在失效和可靠之间变化的，或者说是失效和可靠状态的叠加。对于任何系统在运行时进行安全评价等是必要且不可避免的。这对安全科学的发展和保障系统安全至关重要。
9、关于系统故障演化过程与基础数据矩阵：
10、上文提到从系统内部进行研究的解析法对实际运行的系统故障过程研究是不准确的。而在系统运行时通过系统外部的影响因素变化和系统故障状态的变化更能体现出系统故障特征。
11、对于系统在运行期间的系统故障变化，作者将其定义为系统故障演化过程。即描述在多因素影响下系统完成预定功能的能力变化过程。对应的将某时刻系统故障演化过程的系统功能性定义为系统功能状态。系统故障演化过程着重描述故障过程的整体性，系统功能状态着重描述某时刻的系统故障特征，两者是对同一问题的不同角度描述。
12、内部解析和外部评价都存在问题，是源于系统故障演化过程的复杂性。在结构上，系统故障演化过程包括经历事件、影响因素、逻辑关系和演化条件。事件是演化过程的关键节点，是演化过程存在的必要条件。影响因素是影响演化过程的直接原因，是演化的动力。逻辑关系是事件之间的作用关系。演化条件是原因事件导致结果事件的条件。当事件和因素确定时，逻辑关系和演化条件也基本确定了。在层次上，包括演化层、对象层、因素层、因素相层和因素相值层。各层内包括若干对象，这些对象的状态取决于下层对象的状态。通过下层对象状态的叠加表示上层对象状态，通过量子力学的波函数形式实现。这种复杂的非线性的黑盒关系才使得现有方法难以进行有效分析。
13、准确适合的基础数据是实现系统故障演化过程准确分析、评价和预测的基础。而得到具有代表性的数据是较为困难的，特别是在预测条件下系统发生故障的响应结果缺失。又由于系统故障演化过程在结构和层次上的核心是事件和因素，因此作者使用对象作为他们的综合体。系统故障演化过程中的某时刻的所有因素值构成了一个对象，该对象能表示该时刻的系统功能状态。那么在演化中各时刻对象的集合就形成了分析的基础数据，即对象集合。如果对系统故障演化过程进行测量的时刻间隔无限小，则得到演化中所有时刻的对象并组成对本文档来自技高网...
【技术保护点】
1.一种系统故障演化特征数据提取方法，其特征在于，为提取更为有效且具代表性的系统故障演化数据，作为评价系统功能状态的基础数据，提出一种基于KLPP和KPCA的系统故障演化特征数据提取方法；基础数据是进行评价的关键，通过KLPP实现对象筛选，通过KPCA实现因素降维，获得特征数据矩阵；用于系统故障过程中特征数据提取，从而形成更具代表性的特征数据矩阵；
2.根据权利要求1所述的系统故障演化特征数据提取方法，其特征在于，KPCA方法完成了具体包括：
3.根据权利要求1所述的系统故障演化特征数据提取方法，其特征在于，KLPP方法完成了具体包括：
4.根据权利要求1所述的系统故障演化特征数据提取方法，其特征在于，用于对电气系统进行分析；
【技术特征摘要】
1.一种系统故障演化特征数据提取方法，其特征在于，为提取更为有效且具代表性的系统故障演化数据，作为评价系统功能状态的基础数据，提出一种基于klpp和kpca的系统故障演化特征数据提取方法；基础数据是进行评价的关键，通过klpp实现对象筛选，通过kpca实现因素降维，获得特征数据矩阵；用于系统故障过程中特征数据提取，从而形成更具代表性的...
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。