為了提高故障數(shù)據(jù)識別精度,提出基于人機交互的界面故障數(shù)據(jù)屬性識別方法.利用LCD顯示與小鍵盤構(gòu)成具備數(shù)據(jù)采集功能的人機交互模塊采集界面故障數(shù)據(jù),通過離群熵提取界面故障數(shù)據(jù)噪聲并進行消噪處理,結(jié)合低通、高通濾波器重構(gòu)界面故障數(shù)據(jù)信號,構(gòu)建待選數(shù)據(jù)屬性池,計算目標數(shù)據(jù)和待選數(shù)據(jù)之間的距離相似因子,從而實現(xiàn)界面故障數(shù)據(jù)屬性識別.結(jié)果表明,該方法復(fù)雜度較低,識別復(fù)雜系數(shù)介于0. 4～0. 52之間,查全率可達到95%,識別精度約為91%,大大提升了設(shè)備界面故障數(shù)據(jù)識別性能. 

【文章來源】：沈陽工業(yè)大學(xué)學(xué)報. 2020,42(03)北大核心

【文章頁數(shù)】：5 頁

【部分圖文】：

噪聲檢測框圖

式中:TS為識別數(shù)據(jù)實際耗時;Tv為單位識別數(shù)據(jù)耗時定額．仿真得到的不同方法識別復(fù)雜系數(shù)結(jié)果如圖3所示．圖3中，本文方法數(shù)據(jù)屬性識別方法復(fù)雜系數(shù)明顯小于其他文獻方法，識別復(fù)雜系數(shù)介于0.4～0.52之間;文獻[4]方法在運行過程中，對數(shù)據(jù)存在的噪聲信號等方面考慮較少，噪聲信號增加了識別復(fù)雜度，導(dǎo)致文獻[4]方法的識別復(fù)雜系數(shù)介于0.47～0.92之間;文獻[5]方法由于算法步驟復(fù)雜，導(dǎo)致整體識別復(fù)雜度在0.9～1.2之間．本文方法利用人機交互的形式采集數(shù)據(jù)，并采用小波分析法對其中的噪聲信號進行抑制與清除，為降低故障數(shù)據(jù)屬性識別復(fù)雜度提供了有利依據(jù)．

式中:GS為準確識別故障屬性個數(shù);GV為總體故障個數(shù)．仿真得到的不同方法識別精度對比結(jié)果如圖4所示．由圖4可知，與其他方法相比，本文方法運行準確率呈現(xiàn)出了很強的優(yōu)勢．文獻[4]方法的識別精度波動較大，平均識別精度在53%;文獻[5]方法的識別精度可穩(wěn)定在75%左右;而本文方法平均識別精度可達91%．本文方法采用滑動窗口進行界面故障數(shù)據(jù)屬性識別，該技術(shù)通過一個動態(tài)性可調(diào)整的窗口對所有工況樣本進行控制，不僅能夠反映出工況產(chǎn)生的變化，還能夠控制樣本集合的大小，有效提高了故障數(shù)據(jù)識別精度．

【參考文獻】：
期刊論文
[1]基于改進遺傳算法的非侵入式電器負荷識別[J]. 徐琳,丁理杰,林瑞星.  沈陽工業(yè)大學(xué)學(xué)報. 2019(01)
[2]雙監(jiān)督信號深度學(xué)習(xí)的電氣設(shè)備紅外故障識別[J]. 賈鑫,張驚雷,溫顯斌.  紅外與激光工程. 2018(07)
[3]基于流類型的SDN數(shù)據(jù)平面故障恢復(fù)算法[J]. 段潔,高江明,程克非,趙國鋒,韓健.  重慶郵電大學(xué)學(xué)報(自然科學(xué)版). 2018(01)
[4]基于屬性值和上下文的開放數(shù)據(jù)相同屬性識別[J]. 趙龍文,黃躍萍.  情報理論與實踐. 2017(11)
[5]基于移動學(xué)習(xí)的海量光纖斷點故障數(shù)據(jù)的識別方法[J]. 王浩亮.  激光雜志. 2017(07)
[6]基于故障波形時頻特征配網(wǎng)故障識別方法研究[J]. 秦雪,劉亞東,孫鵬,王鵬,江秀臣.  儀器儀表學(xué)報. 2017(01)
[7]數(shù)據(jù)集不均衡下的設(shè)備故障程度識別方法研究[J]. 段禮祥,郭晗,王金江.  振動與沖擊. 2016(20)
[8]基于異步PCA的故障識別方法[J]. 張漢元,田學(xué)民.  高校化學(xué)工程學(xué)報. 2016(03)



本文編號：3583438