基于人机交互的界面故障数据属性识别方法

发布时间：2022-01-11 20:48

　　为了提高故障数据识别精度,提出基于人机交互的界面故障数据属性识别方法.利用LCD显示与小键盘构成具备数据采集功能的人机交互模块采集界面故障数据,通过离群熵提取界面故障数据噪声并进行消噪处理,结合低通、高通滤波器重构界面故障数据信号,构建待选数据属性池,计算目标数据和待选数据之间的距离相似因子,从而实现界面故障数据属性识别.结果表明,该方法复杂度较低,识别复杂系数介于0. 4～0. 52之间,查全率可达到95%,识别精度约为91%,大大提升了设备界面故障数据识别性能. 

【文章来源】：沈阳工业大学学报. 2020,42(03)北大核心

【文章页数】：5 页

【部分图文】：

噪声检测框图

式中:TS为识别数据实际耗时;Tv为单位识别数据耗时定额．仿真得到的不同方法识别复杂系数结果如图3所示．图3中，本文方法数据属性识别方法复杂系数明显小于其他文献方法，识别复杂系数介于0.4～0.52之间;文献[4]方法在运行过程中，对数据存在的噪声信号等方面考虑较少，噪声信号增加了识别复杂度，导致文献[4]方法的识别复杂系数介于0.47～0.92之间;文献[5]方法由于算法步骤复杂，导致整体识别复杂度在0.9～1.2之间．本文方法利用人机交互的形式采集数据，并采用小波分析法对其中的噪声信号进行抑制与清除，为降低故障数据属性识别复杂度提供了有利依据．

式中:GS为准确识别故障属性个数;GV为总体故障个数．仿真得到的不同方法识别精度对比结果如图4所示．由图4可知，与其他方法相比，本文方法运行准确率呈现出了很强的优势．文献[4]方法的识别精度波动较大，平均识别精度在53%;文献[5]方法的识别精度可稳定在75%左右;而本文方法平均识别精度可达91%．本文方法采用滑动窗口进行界面故障数据属性识别，该技术通过一个动态性可调整的窗口对所有工况样本进行控制，不仅能够反映出工况产生的变化，还能够控制样本集合的大小，有效提高了故障数据识别精度．

【参考文献】：
期刊论文
[1]基于改进遗传算法的非侵入式电器负荷识别[J]. 徐琳,丁理杰,林瑞星.  沈阳工业大学学报. 2019(01)
[2]双监督信号深度学习的电气设备红外故障识别[J]. 贾鑫,张惊雷,温显斌.  红外与激光工程. 2018(07)
[3]基于流类型的SDN数据平面故障恢复算法[J]. 段洁,高江明,程克非,赵国锋,韩健.  重庆邮电大学学报(自然科学版). 2018(01)
[4]基于属性值和上下文的开放数据相同属性识别[J]. 赵龙文,黄跃萍.  情报理论与实践. 2017(11)
[5]基于移动学习的海量光纤断点故障数据的识别方法[J]. 王浩亮.  激光杂志. 2017(07)
[6]基于故障波形时频特征配网故障识别方法研究[J]. 秦雪,刘亚东,孙鹏,王鹏,江秀臣.  仪器仪表学报. 2017(01)
[7]数据集不均衡下的设备故障程度识别方法研究[J]. 段礼祥,郭晗,王金江.  振动与冲击. 2016(20)
[8]基于异步PCA的故障识别方法[J]. 张汉元,田学民.  高校化学工程学报. 2016(03)



本文编号：3583438