本申请提供一种继电器时间参数异常值识别方法、服务端及存储介质，异常值识别方法包括以下步骤：获取继电器的时间参数序列；根据时间参数序列分解出趋势项集合和剩余项集合；利用机器学习的方法，筛选出剩余项集合中的异常值；利用自适应的标准差偏离整体程度的方法，筛选出趋势项集合中的异常值；汇总得到所述继电器的时间参数异常值。本申请提供的异常值识别的方法通过将时间参数序列分解重构得到具有趋势性的趋势项集合和数据相对平稳的剩余项集合，根据两集合数据的不同特点选择不同筛选方式，使得提高了异常值识别的工作效率及识别的准确性，解决了现有技术中人工删除异常值工作量大、主观性强的问题。主观性强的问题。主观性强的问题。
【技术实现步骤摘要】
继电器时间参数异常值识别方法、服务端及存储介质
[0001]本公开一般涉及继电器
，具体涉及一种继电器时间参数异常值识别方法、服务端及存储介质。
技术介绍
[0002]继电器作为轨道交通信号控制技术中的重要部件，其动作的可靠性直接影响信号系统的安全性、可靠性。采集继电器的时间参数，机械参数，运动参数，触头形貌参数并对它们的性能进行分析比较，对于控制整个电路的通断、控制室外信号设备的动作、保证行车安全具有十分重要的意义。
[0003]从采集到的继电器的各个参数的原始数据来看，里面掺杂有少量的偏离数据整体分布的数值，且异常值与正常值相差较大，这种现象往往会对采集到的参数的整体分布规律产生较大的影响。而且自动化监测数据中异常值出现的位置、量值具有不确定性，人工删除异常值存在工作量大、主观性强等缺点，会对我们下一步利用继电器的参数进行其性能分析产生较大的影响，对继电器的性能判断产生影响。
[0004]因此，如何较准确的从继电器的原始时间参数数据中进行异常值的识别来提高对其性能分析的可靠度，已经成为本领域技术人员亟待解决的问题之一。
技术实现思路
[0005]鉴于现有技术中的上述缺陷或不足，期望提供一种可检测继电器时间参数数据异常值的一种继电器时间参数异常值识别方法、服务端及存储介质。
[0006]第一方面本申请提供一种继电器时间参数异常值识别方法，包括以下步骤：
[0007]获取所述继电器的时间参数序列x＝{x
i
|i＝1,2,...,n}；
[0008]根据所述时间参数序列x＝{x
i
|i＝1,2,...,n}，分解出趋势项集合和剩余项集合；
[0009]利用机器学习的方法，筛选出所述剩余项集合中的异常值，得到第一异常值；
[0010]利用自适应的标准差偏离整体程度的方法，筛选出所述趋势项集合中的异常值，得到第二异常值；
[0011]汇总所述第一异常值和第一异常值，作为所述继电器的时间参数异常值。
[0012]根据本申请实施例提供的技术方案，根据所述时间参数序列x＝{x
i
|i＝1,2,...,n}，分解出趋势项集合和剩余项集合的方法具体为：
[0013]根据所述时间参数序列x＝{x
i
|i＝1,2,...,n}，构建L*K阶轨迹矩阵X
L*K
：
[0014][0015]其中，2≤L≤n/2，K＝n
‑
L+1；
[0016]构建矩阵其中为所述轨迹矩阵X
L*K
的转置；
[0017]计算所述矩阵C的特征值，将所述特征值作为所述轨迹矩阵的特征值λ
i
；
[0018]计算所述矩阵C的特征向量，将所述特征向量作为所述轨迹矩阵X
L*K
的左特征向量U
i
；
[0019]根据以下公式计算所述轨迹矩阵X
L*K
的右特征向量V
i
：
[0020][0021]根据以下公式分解所述轨迹矩阵X
L*K
；
[0022][0023][0024]根据以下公式计算趋势项集合X
C
:
[0025][0026][0027][0028]根据以下公式计算剩余项集合X
s
:
[0029]X
s
＝x
‑
X
C
。
[0030]根据本申请实施例提供的技术方案，所述机器学习的方法为决策树算法、人工神经网络算法、贝叶斯学习算法中的任意一种。
[0031]根据本申请实施例提供的技术方案，所述机器学习的方法为随机森林算法，筛选出所述剩余项集合中的异常值的方法具体为：
[0032]S1：根据第i个训练集构建随机森林模型；
[0033]S2：计算所述第i个训练集中每个数据在随机森林模型中的路径长度h(x)；
[0034]S3：计算所述路径长度h(x)的期望值E(h(x))；
[0035]S4：根据以下公式计算每个数据的异常值分数s(x,m)：
[0036][0037]其中，γ为欧拉常数。
[0038]S5：将异常值分数s(x,m)
→
y的数据作为第i个训练集中的异常值，y为设定值；
[0039]i+1后递归上述步骤S1
‑
S5直至递归次数达到设定值j；
[0040]其中，第1个训练集为所述剩余项集合X
s
的绝对值；
[0041]i大于等于2时，第i个训练集由第i
‑
1个训练集剔除异常值得到。根据本申请实施例提供的技术方案，根据以下公式计算设定值y：
[0042]y＝c1+(c2
‑
c1)*(n
‑
1)/n；
[0043]其中，n为当前递归次数，c1、c2为设定参数。
[0044]根据本申请实施例提供的技术方案，构建所述随机森林模型的方法具体为构建所述随机森林模型的方法具体为构建第1
‑
a棵子树组成所述随机森林模型，其中第k(1≤k≤a)棵子树的构建方法为：
[0045]S1：将第n个分割数据集作为子树的第n层根节点；
[0046]S2：以设定的切割点p对第n个分割数据集进行分割，得到第n层左数据集和第n层右数据集；
[0047]S3：用所述第n层左数据集构建第n层左子树，用所述第n层右数据集构建第n层右子树；
[0048]n加1后递归上述步骤S1
‑
S3，直至子树达预定高度；所述n的初始化值为1；
[0049]其中第1个分割数据集为子采样集D＝{d
k1
,d
k2
,...d
kx
,...,d
km
}；所述子采样集D＝{d
k1
,d
k2
,...d
kx
,...,d
km
}从第i个训练集中抽取m个样点得到；
[0050]n大于等于2时，第n层左数据集和第n层右数据集分别作为第n个分割数据集。
[0051]根据本申请实施例提供的技术方案，利用自适应标准差偏离整体程度的方法，筛选出所述趋势项集合中的异常值具体步骤为：
[0052]将所述趋势项集合X
C
中的数据分为N个数据组{x1,x2,...,x
k
}，每个数据组中具有k个数据；
[0053]根据以下公式计算每个数据组中数据的算数平均值x：
[0054][0055]根据以下公式计算每个数据组中数据的标准差：
[0056][0057]根据以下公式计算每个数据组中每个数据x
i
的偏差Δd
i
：
[0058][0059]判断数本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种继电器时间参数异常值识别方法，其特征在于：包括以下步骤：获取所述继电器的时间参数序列x＝{x
i
|i＝1,2,...,n}；根据所述时间参数序列x＝{x
i
|i＝1,2,...,n}，分解出趋势项集合和剩余项集合；利用机器学习的方法，筛选出所述剩余项集合中的异常值，得到第一异常值；利用自适应的标准差偏离整体程度的方法，筛选出所述趋势项集合中的异常值，得到第二异常值；汇总所述第一异常值和第一异常值，作为所述继电器的时间参数异常值。2.根据权利要求1所述的继电器时间参数异常值识别方法，其特征在于：根据所述时间参数序列x＝{x
i
|i＝1,2,...,n}，分解出趋势项集合和剩余项集合的方法具体为：根据所述时间参数序列x＝{x
i
|i＝1,2,...,n}，构建L*K阶轨迹矩阵X
L*K
：其中，2≤L≤n/2，K＝n
‑
L+1；构建矩阵其中为所述轨迹矩阵X
L*K
的转置；计算所述矩阵C的特征值，将所述特征值作为所述轨迹矩阵的特征值λ
i
；计算所述矩阵C的特征向量，将所述特征向量作为所述轨迹矩阵X
L*K
的左特征向量U
i
；根据以下公式计算所述轨迹矩阵X
L*K
的右特征向量V
i
：根据以下公式分解所述轨迹矩阵X
L*K
；；根据以下公式计算趋势项集合X
C
:::根据以下公式计算剩余项集合X
s
:X
s
＝x
‑
X
C
。
3.根据权利要求2所述的继电器时间参数异常值识别方法，其特征在于：所述机器学习的方法为决策树算法、人工神经网络算法、贝叶斯学习算法中的任意一种。4.根据权利要求2所述的继电器时间参数异常值识别方法，其特征在于：所述机器学习的方法为随机森林算法，筛选出所述剩余项集合中的异常值的方法具体为：S1：根据第i个训练集构建随机森林模型；S2：计算所述第i个训练集中每个数据在随机森林模型中的路径长度h(x)；S3：计算所述路径长度h(x)的期望值E(h(x))；S4：根据以下公式计算每个数据的异常值分数s(x,m)：S4：根据以下公式计算每个数据的异常值分数s(x,m)：H(m
‑
1)＝ln(m
‑
1)+γ；其中，γ为欧拉常数。S5：将异常值分数s(x,m)
→
y的数据作为第i个训练集中的异常值，y为设定值；i+1后递归上述步骤S1
‑
S5直至递归次数达到设定值...
【专利技术属性】
技术研发人员：李文华，桑海爽，王景芹，
申请(专利权)人：河北工业大学，
类型：发明
国别省市：
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。