技术新讯 > 计算推算,计数设备的制造及其应用技术 > 用于电控柜的全面自动化测试方法及系统与流程  >  正文

用于电控柜的全面自动化测试方法及系统与流程

  • 国知局
  • 2024-11-06 15:04:08

本发明涉及数据清理,具体涉及一种用于电控柜的全面自动化测试方法及系统。

背景技术:

1、电控柜,全称为电气控制柜,通过集成多种电气元件从而实现对设备的集中控制,即电控柜的全面自动化。为了发现设备的潜在故障点从而提高电控柜的可靠性和使用寿命,还需要对电控柜的性能进行测试,现有方法通常通过软件模拟检测实现对电控柜的全面自动化测试。

2、当前,在对电控柜进行测试时,通常会获取电控柜的大量运行数据,然后利用软件模拟进行检测,因此获取的数据的质量对于整个模拟检测过程至关重要。由于采集数据时会受到环境等因素的干扰,获取到的数据会存在噪声,而在对数据进行去噪时,现有技术通常采用无差别去噪,然而,考虑到仿真模型检测所需的数据量较大,使用无差别去噪会造成效率低下,因此如何在大量的数据中,精准且高效的筛选出存在噪声的数据成为了模拟检测过程中的关键问题。

技术实现思路

1、为了解决使用无差别去噪的方法对大量数据进行去噪会造成效率低下,进而影响到测试结果的准确度的技术问题,本发明的目的在于提供一种用于电控柜的全面自动化测试方法及系统,所采用的技术方案具体如下:

2、对于电控柜的任意一项性能参数,获取每个测试时段内该性能参数的参数数据集,每个所述参数数据集中包括多个数据周期的参数时序数据;

3、根据每个参数数据集中各个参数时序数据之间的相似情况,对所有的参数时序数据进行聚类,得到聚类结果;根据每个参数数据集中所有参数时序数据的数值特征以及频繁模式挖掘算法,对聚类结果中各个聚类簇中的参数时序数据进行融合分析,得到每个参数数据集对应的频繁模式模型;

4、在所述频繁模式模型中,基于各个项在所有参数时序数据中的分布情况、频繁项集之间的相似情况,以及频繁项集在频繁模式模型中的位置,确定每个参数数据集的噪声存在概率;根据每个参数数据集的噪声存在概率、参数数据集中各个参数时序数据中数值的变化趋势改变情况以及数值波动情况,得到每个参数数据集的数据质量;

5、根据所有测试时段的参数数据集对应的数据质量,在所有参数数据集中筛选噪声数据集并对噪声数据集中的参数时序数据进行去噪,得到所有测试时段对应的高质量数据集;基于所有性能参数对应的所有高质量数据集进行电控柜的性能测试。

6、进一步地,所述聚类结果的获取方法包括:

7、在每个参数数据集中,对于任意两个不同数据周期内的参数时序数据,基于数值之间的差异性以及数值的斜率值之间的差异情况,确定两个参数时序数据之间的差异特征值;

8、将参数时序数据之间的差异特征值作为距离度量,基于预设k值对参数数据集中的所有参数时序数据进行k-means聚类分析,得到所述聚类结果。

9、进一步地,所述频繁模式模型的获取方法包括:

10、对于任意一个参数数据集,基于该参数数据集中的数值最大值以及数值最小值确定数值范围,将所述数值范围进行均匀划分,得到预设数量个区间范围,将不同的区间范围用不同的标签进行标记;

11、利用所述标签对每个参数时序数据中的每个数值进行替换,得到每个参数时序数据对应的标签序列;

12、获取每个标签在该参数数据集中的出现频率;在每个聚类簇中,根据所有标签的出现频率以及每个聚类簇中标签序列的数量,得到每个聚类簇的重要程度指标,每个聚类簇中标签序列的数量和标签的出现频率均与所述重要程度指标呈正相关;

13、在该参数数据集对应的聚类结果中,基于fp-growth算法对每个聚类簇中的所有标签序列进行分析,得到每个聚类簇对应的频繁模式树;基于重要程度指标对所有聚类簇对应的频繁模式树进行降序排列,得到排列序列,在所述排列序列中,将第一个频繁模式树作为目标树,将目标树后一个频繁模式树作为待分析树,将待分析树与目标树存在差异的部分添加到目标树中,得到新的目标树;将待分析树后一个频繁模式树作为新的待分析树,将新的待分析树与新的目标树中存在差异的部分添加到新的目标树中,不断确定新的目标树,直至对排列序列中的频繁模式树遍历完成后停止,将此时新的目标树作为该参数数据集对应的频繁模式模型。

14、进一步地,所述噪声存在概率的获取方法包括:

15、对于任意一个参数数据集,获取对应频繁模式模型中的所有频繁项集;频繁项集内各个项的出现频率为项对应的标签在参数数据集中的出现频率;

16、对于任意一个频繁项集,基于该频繁项集中各个项的出现频率,确定该频繁项集的第一整体含噪因子,所述第一整体含噪因子与出现频率呈负相关;基于该频繁项集对应路径在频繁模式模型中的分叉点数量,确定该频繁项集的第二整体含噪因子,所述第二整体含噪因子与所述分叉点数量呈负相关;

17、将所有频繁项集的第一整体含噪因子与第二整体含噪因子进行融合并均值化处理,得到该参数数据集的第一含噪指标,所述第一整体含噪因子与第二整体含噪因子均与所述第一含噪指标呈正相关;

18、基于所有频繁项集之间的相似情况,确定该参数数据集的第二含噪指标;

19、根据该参数数据集的第一含噪指标与第二含噪指标,得到该参数数据集的噪声存在概率,所述第一含噪指标与第二含噪指标均与所述噪声存在概率呈正相关。

20、进一步地,所述第二含噪指标的获取方法包括:

21、在所有的频繁项集中,将项数相同的频繁项集作为一类频繁项集;

22、在任意一类频繁项集中,将任意两个频繁项集进行组合,得到所有不重复的组合;对于任意一个组合,基于两个频繁项集中相同位置的项的差异情况,确定该组合中频繁项集的独立程度值;

23、将所有类频繁项集的所有组合对应的独立程度值的均值作为该参数数据集的第二含噪指标。

24、进一步地,所述数据质量的获取方法包括:

25、将噪声存在概率大于或等于预设噪声阈值的参数数据集作为目标数据集,将噪声存在概率小于预设噪声阈值的参数数据集作为正常数据集,正常数据集的数据质量设置为不小于1的固定值;

26、对于任意一个目标数据集,基于该目标数据集中各个参数时序数据的变化趋势改变情况,确定该目标数据集的第一质量参数;

27、在该目标数据集对应的每个参数时序数据中,基于每个数值与所有数值均值之间的偏差情况,得到每个数值的偏差因子,基于所有数值的偏差因子确定每个参数时序数据的整体质量因子,且所述整体质量因子与所述偏差因子呈负相关;将所有参数时序数据的整体质量因子进行均值化处理,得到该目标数据集的第二质量参数;

28、根据该目标数据集的噪声存在概率、第一质量参数以及第二质量参数,得到该目标数据集的数据质量,所述噪声存在概率、第一质量参数以及第二质量参数,均与数据质量呈负相关,且所述数据质量的取值为归一化后的数值。

29、进一步地,所述第一质量参数的获取方法包括:

30、获取该目标数据集中每个参数时序数据中的极值点数量,基于所有参数时序数据的极值点数量的和值在所有参数时序数据的数值总数中的占比,确定该目标数据集的第一质量参数。

31、进一步地,所述高质量数据集的获取方法包括:

32、在所有参数数据集中,将数据质量小于或等于预设质量阈值的参数数据集作为噪声数据集;

33、基于卡尔曼滤波方法对每个噪声数据集中的所有参数时序数据进行去噪,得到每个噪声数据集对应的去噪数据集;

34、将数据质量大于预设质量阈值的参数数据集与所有的去噪数据集,作为所有测试时段对应的高质量数据集。

35、进一步地,所述基于所有性能参数对应的所有高质量数据集进行电控柜的性能测试,包括:

36、建立与电控柜对应的仿真测试模型,将所有性能参数对应的所有高质量数据集作为所述仿真测试模型的数据库,进行电控柜的性能测试,得到测试结果。

37、本发明还提出了一种用于电控柜的全面自动化测试系统,所述系统包括:

38、存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时可实现任意一项所述方法的步骤。

39、本发明具有如下有益效果:

40、本发明可以在利用仿真测试模型对电控柜进行检测时,准确的从大量的数据中筛选出噪声数据,从而进行针对性的去噪处理,有效提高效率,同时保证后续模型测试结果的准确度。首先,针对任意一项性能参数,需要获取多个测试时段内该性能参数的参数数据集,且参数数据集中包含了多个参数时序数据,由于噪声数据相较于正常数据而言,属于偶然现象,因此可以基于数据之间的相似性,对每个参数数据集中的参数时序数据进行聚类分析,得到聚类结果,此时各个聚类结果中各个聚类簇中的参数时序数据在一定程度上可以区分出参数数据集中的正常数据以及噪声数据。进一步地,基于参数数据集中所有参数时序数据的数值特征,以及频繁模式挖掘算法,对聚类结果中各个聚类簇进行融合分析,从而得到频繁模式模型,此时的频繁模式模型可以更加显著的表征出正常数据与噪声数据的区别。进一步地,可以对频繁模式模型进行分析,分析数据间的关联性和频繁模式以及频繁项集在频繁模式模型中的位置分布,从而量化噪声数据存在的可能性,得到参数数据集的噪声存在概率,为后续评估参数数据集的质量提供参考。进一步地,由于噪声数据在数据波动上以及趋势变化上存在特征,所以综合考虑参数时序数据的变化趋势和数据波动情况,并结合噪声存在概率,可以更加准确地评估参数数据集的数据质量。这有助于准确识别并筛选出噪声数据集,进而对其进行去噪处理,得到高质量的数据集。最后,基于所有性能参数对应的高质量数据集进行电控柜的性能测试,得到测试结果。本发明由于可以准确的筛选出噪声数据集,从而在大量的数据集中仅对噪声数据集进行去噪,可以提高数据去噪处理效率,同时确保测试结果的准确性和可靠性。

本文地址:https://www.jishuxx.com/zhuanli/20241106/325161.html

版权声明:本文内容由互联网用户自发贡献,该文观点仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌抄袭侵权/违法违规的内容, 请发送邮件至 YYfuon@163.com 举报,一经查实,本站将立刻删除。