【技术实现步骤摘要】
本专利技术涉及安全领域的系统故障演化过程分析，特别是涉及系统故障演化过程中可区分对象的因素数量确定方法。
技术介绍
1、系统故障过程是系统本身的固有特征。在多因素影响下系统故障过程必然是不断变化的，而对系统故障的研究是保障系统完成预定功能的必要条件。系统故障演化过程是在时间维度上不断变化和延展的连续过程。该过程本质上是系统内在元件和结构对外在环境因素变化的响应，具有多样性、不确定性和随机性。但是如果能准确获得所有内在和外在条件，那么系统故障演化过程就是清晰的。问题是难以确定这些条件，甚至有未知条件存在。从实际角度分析系统故障演化过程，一般是对该过程进行测量，得到测量时刻的所有因素值和系统功能状态。并以他们为基础研究演化过程，但在一些情况下难以获得功能状态，尤其是预测条件下只能获得所有因素值。某时刻所有因素值构成的向量作为对象，那么研究演化的基础数据就是由这些对象构成的集合。该数据结构有两个维度，即因素和对象。那么研究系统故障演化过程的前提就变为确定合理的因素和对象。对象是演化过程测量得到的，主要受人工作用影响。测量只能是有限的，得到有限对象形成集合，因此确定对象较容易。而因素是为了表征对象的区别，进而区分对象在演化中的作用以及对对象进行聚类分析等操作。由于因素本身的特性，可能存在相关性和关联性等内在联系，使得确定适合的因素及因素数量来研究对象，进而研究系统故障演化过程造成了困难。
2、关于影响系统安全、故障和可靠性的各类因素的研究很多。这些研究使用了多种方法对不同系统状态的影响因素进行了识别、分析、确定和降维等工作。
3、因此，亟需提供一种系统故障演化过程中可区分对象的因素数量确定方法。
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过程中可区分对象的因素数量确定方法，以解决现有技术中缺少能够区分对象的因素数量确定方法的问题。
2、本专利技术提供了一种系统故障演化过程中可区分对象的因素数量确定方法，研究系统故障演化过程的基础数据是由对象和因素两个维度组成的，因此研究演化过程的关键在于确定适合的因素和对象数量，为此提出了该方法；演化过程复杂且多样，因素本身也存在相关性和关联性，将因素数量分为自然因素数量、最大因素数量和可分因素数量；构造了基础数据矩阵、标签矩阵；使用核判别分析计算了最优特征向量，并统计了向量2范数的平均波动值；最终形成波动值分布图；分布图中的值越大说明该区域对应的因素数量更适合作为可分因素数量；用于区分对象的因素数量确定；
3、因素数量根据意义不同包括自然因素数量，即对象包含的因素数量，以及最大因素数量和可分因素数量；最大因素数量是将所有对象都区别开的最大因素数量；可分因素数量是区分对象的因素数量，是区别所有对象的最小因素数量；方法以最大因素数量为起始值逐渐减小因素数量；使用kda得到不同因素数量下的最优特征向量；求这些特征向量的2范数并统计与单位1的波动情况；波动越大说明该因素数量下各对象的特征差别越大，这有利于区分对象；得到最大波动对应的因素数量即为可分因素数量；
4、可分因素数量的确定方法；
5、首先构建所需基础变量。设影响演化过程的因素集合为f＝{f1,...,fm}，m＝1,...,m，fm∈f，m是自然因素数量。在n个时刻测量形成的对象集合为o＝{o1,...,on}，n＝1,...,n，on∈o，n是对象数。对象on是所有因素值组成的向量，是对象on在因素fm下的因素值。形成基础数据矩阵γm×n如表1所示。
6、表1基础数据矩阵γm×n
7、
8、设可分因素数量b，最大因素数量可分因素集合fb＝{f1,...,fb}，fb∈fb，b＝1,...,b。迭代次数θ，用于实现循环遍历所有可能情况，i＝1,...,θ。
9、建立对象标签集合即当循环和i时用于分析的对象标签集合，如式(1)所示。
10、
11、式(1)中函数unif()是在之间均匀分布随机生成标签值的1行列集合。代表了遍历所有因素数量的情况，i代表遍历了情况下的所有对象标签集合。
12、对象标签实际上是一种类标签，是在对象分类中必须使用的一些既定数据用于训练模型，这些训练数据中需要包含一个类属性，即类属性体现的是该对象的所在类，把该类属性称为类标签。对象包含了所有因素值，是所有因素值的向量，但不包含类属性。因此建立对象标签集合与对象配套使用进行后继分析。对象标签集合中的所有标签值标定了对应对象的类属性。为了区分对象，其最大分类数等于对象数量，即最大因素数量同时为了考察所有对象在所有分类情况下的最优特征向量，必须形成所有情况的对象标签集合。当对象数量为n时，每个对象都可能属于种标签之一，那么每个对象的标签值变化为种，n个对象就有种。最终将得到个不同的对象标签集合。显然这将出现组合爆炸问题，不利于使用kda算法。因此提出了仅设定循环的迭代数θ，以形成θ种对象标签集合再使用kda进行分析。这θ种对象标签集合必然属于种对象标签集合，前者是后者的子集。那么这θ种对象标签集合的分布应尽量与种对象标签集合的分布相同，这样得到的最优特征向量才具有代表性，使结果尽量接近时所得结果，但也必然存在一些误差。因此在建立θ种对象标签集合时，其中对象标签值是在之间均匀分布的随机生成数，正如式(1)所示。
13、基于kda确定基础数据矩阵γ的最优特征向量。使用kda算法将γ根据映射到高维核空间，得到的最优特征向量集合为如式(2)所示。
14、
15、是个元素组成的集合，各元素都是一个特征向量，用于映射γ。opt是控制参数集合，包括kt核函数类型。
16、求特征向量集合中每个特征向量的2范数f2，如式(3)所示。
17、
18、式中：为第k个特征向量，normest()为计算向量2范数的估计值函数。
19、确定范数平均波动值矩阵j，是行θ列的矩阵，单元值为用式(4)计算得到。
20、
21、波动值越大，证明在该因素数量情况下各对象的特征差别越大，这有利于对象区分，因此越大越好。
22、基于j绘制波动值分布图。确定最大波动值设基准波动值集合为当i＜j时，形成以为基准的个波动值分布图。该图以迭代次数θ为横坐标，最大因素数量为纵坐标，以为数据进行绘图。因为波动值分布图中的值越大说明这些区域内对应的因素数量更适合作为可分因素的数量b；因此q值越大，表现可分因素数量的区域越明显，根据此目标设定的数量。当然该区域中可能包括多个因素数量，为了保持因素的多样性，一般取范围内最大的因素数量作为可分因素数量。
23、本专利技术的有益技术效果为：应用本专利技术提供本文档来自技高网...
【技术保护点】
1.一种系统故障演化过程中可区分对象的因素数量确定方法，其特征在于，研究系统故障演化过程的基础数据是由对象和因素两个维度组成的，因此研究演化过程的关键在于确定适合的因素和对象数量，为此提出了该方法；演化过程复杂且多样，因素本身也存在相关性和关联性，将因素数量分为自然因素数量、最大因素数量和可分因素数量；构造了基础数据矩阵、标签矩阵；使用核判别分析计算了最优特征向量，并统计了向量2范数的平均波动值；最终形成波动值分布图；分布图中的值越大说明该区域对应的因素数量更适合作为可分因素数量；用于区分对象的因素数量确定；
2.根据权利要求1所述的系统故障演化过程中可区分对象的因素数量确定方法，其特征在于，用于确定电气系统故障演化过程中可区分对象的因素数量；
【技术特征摘要】
1.一种系统故障演化过程中可区分对象的因素数量确定方法，其特征在于，研究系统故障演化过程的基础数据是由对象和因素两个维度组成的，因此研究演化过程的关键在于确定适合的因素和对象数量，为此提出了该方法；演化过程复杂且多样，因素本身也存在相关性和关联性，将因素数量分为自然因素数量、最大因素数量和可分因素数量；构造了基础数据矩阵、标签矩阵...
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。