【技术实现步骤摘要】
本专利技术涉及安全领域的系统故障分析，特别是涉及系统故障演化过程的对象分布确定，提供了一种系统故障演化过程中对象分布的确定方法。
技术介绍
1、任何系统存在的意义是为了完成预定功能，在多因素影响下系统实现预定功能的能力必然是变化的，将该变化过程称为系统故障演化过程。系统故障演化过程是系统的固有属性和本质特征，是系统内在特征对外在特征变化做出的响应。某时刻的系统故障演化过程特征可定义为系统功能状态，代表该时刻的系统功能性。对系统故障演化和功能状态的研究也普遍存在于安全、系统和可靠性等领域。例如安全评价一般是基于不同时刻的系统状态以及对应的因素情况来评价和预测系统安全性；又如系统运行信号的采样也是对系统状态和因素的采集，并作为判断系统状态的依据。因此目前研究系统故障演化过程一般是通过在不同时刻测量系统得到的结果进行的，某时刻测量的所有因素的因素值构成的向量可定义为一个对象。那么研究演化过程的基础数据就是所有时刻测量所得对象构成的集合，该集合是系统的时序故障数据序列。研究时序故障序列的对象集合特点就能反应系统故障演化过程的特点。但需要在无监督情况下实现对象分类并确定对象分布，进而确定子演化过程，最终总结演化特点为预测和抑制故障演化提供途径。
2、关于各类系统故障过程及对演化影响的研究正在逐渐增加，特别是近几年研究系统故障演化的成果出现了爆发态势。成果中给出了一些理论、方法和算法研究系统故障过程。大体上可分为针对系统特征和数据的方法和具有通用性的方法。主要是通过各时刻的各因素值和时间关系来分析和预测系统功能性。研究系统故障演
3、因此，亟需提供一种系统故障演化过程中对象分布的确定方法，能够表征最优对象分布，从而满足现有系统故障演化过程的研究需求。
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对象分布的确定方法，以解决现有技术中缺少系统故障演化过程中对象分布的确定方法的技术问题。
2、本专利技术提供了一种系统故障演化过程中对象分布的确定方法，为研究系统故障演化过程中隶属于不同类的对象分布情况，提出该方法；方法以uksr为基础，配合k-means和互信息方法，构造了随机均匀分布的对象标签集合，提出了最优对象标签集合的判据；通过循环确定了对象标签与对象数据相关性最大时的最优对象标签集合；集合中标签值即为最优的对象分布情况；用于系统故障演化过程中的对象分布确定；
3、对象分布确定方法的流程与构建；
4、步骤1，通过演化过程得到对象集合和因素集合。设影响演化过程的因素集合为f＝{f1,…,fm}，m＝1,…,m，fm∈f，m是因素数量。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。
5、步骤2，设置对象类别数θ和循环次数q。对象类别数即为无重复对象标签值数，也是对象聚类分析的聚类数。θ只针对对象特征进行聚类分析得到，或根据实际情况确定语义等级得到。循环次数q是基础数据与标签数据进行互信息比较的次数。由于是无监督学习，因此各对象具有θ种标签值。如果存在n个对象则最多存在θn种对象标签值的集合，即组合爆炸问题，因此设q<θn作为循环次数。
6、步骤3，建立基础数据矩阵。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γ如表1所示。
7、表1基础数据矩阵γ
8、
9、步骤4，建立对象标签集合。每次循环使用的对象标签集合是不同的，li表示第i次的对象标签集合，i＝1,…,q。理论上i＝1,…,θn，但θn太大，设q为实际循环次数。这就导致循环q次后得到的min+mit的最大值可能小于循环全部θn次后的结果。只有当循环q次使用的对象标签集合特征分布与循环θn次的对象标签集合特征分布相同时，得到的min+mit是接近的。因此必须一次性生成对象标签集合l，且对象标签值应为[1,θ]中的均匀随机分布。即l＝l1|,…,|lq,i＝1,…,q，其中|表示集合的衔接，l是具有q×n个元素的集合；li是n个元素的集合。
10、步骤5和步骤6，构建数据训练集和测试集。γn＝γ(1:nt)和γt＝γ(nt+1:end)分别表示源于基础数据矩阵的训练集和测试集，1:nt表示基础数据矩阵中前nt个对象，nt+1:end表示基础数据矩阵中nt之后的所有对象。
11、步骤7和步骤8，构建对象标签训练集和测试集。gn＝li(1:nt)和gt＝li(nt+1:end)分别表示源于对象标签集合的训练集和测试集。
12、步骤9，得到无监督核谱回归训练模型。调用函数如式(2)所示，利用uksr算法进行无监督训练，需要参数γn，opt为控制参数集合，得到回归训练模型model。
13、model＝un(γn,opt) (2)
14、步骤10和11，得到无监督核谱回归训练集测试结果和测试集测试结果。调用函数分别如式(3)和式(4)所示，利用uksr算法对数据训练集和测试集进行无监督测试，得到训练集测试结果fn和测试集训练结果ft。参数c是gn的无重复值，即标签类。
15、fn＝ut(γn,c,model) (3)
16、ft＝ut(γt,c,model) (4)
17、步骤12和13，利用k-means算法得到训练集测试结果fn和测试集训练结果ft的聚类结果。分别调用式(5)和式(6)，设置聚类数k，得到聚类结果分别为ln和lt。
18、ln＝lkm(fn,k) (5)
19、lt＝lkm(ft,k) (6)
20、步骤14和步骤15，利用互信息定理计算基础数据和标签集合中训练集和测试集的互相关度，分别调用函数如式(7)和(8)所示。
21、min＝mi(gn,ln) (7)
22、mit＝mi(gt,lt) (8)
23、步骤16，确定最优对象分布。由于设定循环次数为q，那么每次循环都将具有不同的对象标签矩阵li。基础数据矩阵开始，当γ、nt、opt、c和k确定后，在q次循环中ln和lt不变。随着循环次数的变化gn和gt是不断变化的，因为li是变化的。min＝mi(gn,ln)代表了用于训练的对象数据与本文档来自技高网...
【技术保护点】
1.一种系统故障演化过程中对象分布的确定方法，其特征在于，为研究系统故障演化过程中隶属于不同类的对象分布情况，提出该方法；方法以UKSR为基础，配合K-means和互信息方法，构造了随机均匀分布的对象标签集合，提出了最优对象标签集合的判据；通过循环确定了对象标签与对象数据相关性最大时的最优对象标签集合；集合中标签值即为最优的对象分布情况；用于系统故障演化过程中的对象分布确定；
2.根据权利要求1所述的系统故障演化过程中对象分布的确定方法，其特征在于，用于对电气系统进行故障演化过程研究；根据步骤1，系统故障的影响因素集合为F＝{f1,f2,f3,f4,f5,f6}，其中电压f1∈[12,15]V；电流f2∈[0.7,0.85]mA；温度f3∈[11,24]℃；湿度f4∈[77,94]％；气压f5∈[100,105]KPa；振动f6∈[185,236]Hz；对演化测量50次，时间间隔相同，形成对象集合O＝{o1,…,o50}；
【技术特征摘要】
1.一种系统故障演化过程中对象分布的确定方法，其特征在于，为研究系统故障演化过程中隶属于不同类的对象分布情况，提出该方法；方法以uksr为基础，配合k-means和互信息方法，构造了随机均匀分布的对象标签集合，提出了最优对象标签集合的判据；通过循环确定了对象标签与对象数据相关性最大时的最优对象标签集合；集合中标签值即为最优的对象分布情况；用于系统故障演化过程中的对象分布确定；
2.根据权利要求1所述的系统故障...
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。