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

【文章來源】：沈陽工業(yè)大學學報. 2020,42(03)北大核心

【文章頁數】：5 頁

【部分圖文】：

噪聲檢測框圖

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

式中:GS為準確識別故障屬性個數;GV為總體故障個數．仿真得到的不同方法識別精度對比結果如圖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據屬性識別，該技術通過一個動態(tài)性可調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生的變化，還能夠控制樣本集合的大小，有效提高了故障數據識別精度．

【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)大學學報. 2019(01)
[2]雙監(jiān)督信號深度學習的電氣設備紅外故障識別[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數據平面故障恢復算法[J]. 段潔,高江明,程克非,趙國鋒,韓健.  重慶郵電大學學報(自然科學版). 2018(01)
[4]基于屬性值和上下文的開放數據相同屬性識別[J]. 趙龍文,黃躍萍.  情報理論與實踐. 2017(11)
[5]基于移動學習的海量光纖斷點故障數據的識別方法[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.  儀器儀表學報. 2017(01)
[7]數據集不均衡下的設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,田學民.  高�；瘜W工程學報. 2016(03)



本文編號：3583438