【技术实现步骤摘要】
本专利技术涉及励磁波形识别领域，尤其涉及一种基于ft-pca-rf的磁性元件励磁波形聚类识别算法。
技术介绍
1、励磁波形分类技术的研究不断推进，新的算法和模型被提出并应用于实际系统中。例如，基于小波变换、傅里叶变换和深度学习的方法已在励磁波形分析中得到了广泛应用。随着技术的发展，波形分类技术在电力系统中的应用场景也在不断扩展，如用于智能电网、分布式发电、风力发电等新兴领域。在电动机及电气设备中，励磁电流的大小对其工作稳定性及工作效率有很大的影响。通过对励磁波形识别方法的研究，可以实现对励磁系统的监控与优化，提高电动机的运行效率，降低能耗。不同形式的激励波形会对装备的磁场分布、转矩波动、效率和温升等电特性产生一定的影响，对其进行准确分类有助于提升装备性能。
2、励磁波形的异常变化通常是电机、电力设备或系统故障的早期征兆。通过分类励磁波形，能够有效监控设备运行状态，识别异常波形，进而预测故障，减少设备故障对生产的影响。同时，通过波形分析和分类，能够进一步定位故障原因，提高设备维护的效率和准确性。
3、随着人工智能领域如机器学习、深度学习等的不断发展，将上述方法与之相融合，可以有效地提升励磁信号识别的准确性和自动化水平。比如，利用卷积神经网络对励磁信号进行分类，可以实现对励磁信号的实时有效识别，并对其进行故障诊断。但随着电力设备和电力系统的复杂性增加，产生的大规模数据对波形分类技术提出了更高要求。然而，现有的励磁波形分类技术在处理海量数据时，可能会出现效率低下、处理瓶颈等问题。如何提高大数据环境下的分类性能，
技术实现思路
1、针对上述现有技术的不足，本专利技术提供一种基于ft-pca-rf的磁性元件励磁波形聚类识别算法。
2、本专利技术所采取的技术方案是一种基于ft-pca-rf的磁性元件励磁波形聚类识别算法，总体流程包括以下6个步骤。
3、步骤1：构造磁性元件励磁波形函数f[t]，用于表示磁性元件工作过程中经波形信号采集器、示波器等波形信号采集装置直采而得到的不同波形的时序数列。
4、进一步的，上述步骤1中磁性元件励磁波形函数f[t]的数据由不同波形的励磁波形函数f1[t]、f2[t]、f3[t]...组成，且不同励磁波形函数间为离散关系，其具体结构关系如式(1)所示。
5、f(t)＝f1(t)+f2(t)+…+fi(t) (1)
6、步骤2：构造运算算子tfi(·)(i＝1,2,..,n)与fj(·)(j＝1,2,..,m)，分别完成对输入数据“·”的时频特征的提取目的。
7、进一步的，上述步骤2中的fj(·)算子计算前，需使用傅里叶变换函数f(ω)处理磁性元件励磁波形函数f[t]，其具体结构关系如式(2)所示。
8、
9、式中，e-jωt为复信号。
10、进一步的，所述步骤2中利用运算算子tfi(·)与fj(·)的求解输入数据“·”时频特征步骤具体如下。
11、步骤2.1：输入数据“·”，提取其n个时域特征tfi。
12、步骤2.2：将输入数据“·”进行傅里叶变换，提取其m个频域特征fj。
13、步骤2.3：利用运算算子tfi(·)与fj(·)，达到差异波形的原始磁性元件励磁波形函数f[t]中的时频特征提取目的。
14、步骤2.4：根据波形差异，整理差异波形的n+m个时频特征构成励磁波形特征矩阵h。
15、步骤3：对磁性元件励磁波形函数f[t]的时域特征fti(·)和频域特征fj(·)进行pca主成分分析，计算磁性元件励磁波形函数f[t]中n个时频特性在波形差异中的贡献度c，并根据计算结果对n个时频特性从高到低排序。
16、进一步的，所述步骤3的过程如下。
17、步骤3.1：对原始励磁波形特征矩阵h数据进行标准化，使每个数据的均值为0，标准差为1，标准化公式如公式(3)所示。
18、
19、式中，n为试样的个数，m为单个样本物理指标数量，μj为理指标的平均值，σj为物理指标的标准差。
20、步骤3.2：计算励磁波形特征矩阵h数据的协方差矩阵cov，矩阵计算方程如公式(4)所示。
21、
22、式中，rij为第i个物理指标与第j个物理指标的协方差系数，其计算方程如公式(5)所示。
23、
24、步骤3.3：通过特征值分解获得特征值λ和特征向量v，特征值分解方程如公式(6)所示。
25、cov·v＝λv (6)
26、特征值可由特征多项式达到求解目的，计算方法如公式(7)所示。
27、det(cov-λi)＝0 (7)
28、特征值代表了各个数据的主成分贡献度c，根据贡献度高低排列特征向量组成特征向量矩阵，选择n个主成分，得出新的坐标系。
29、步骤3.4：根据得出的正交基，对主成分进行回归分析，还原指标变量，得到降维后的数据。
30、步骤4：根据贡献度c排序与实际情况选取5个时频特征组成特征矩阵tfs，视为识别标签，基于磁性元件励磁波形函数f[t]的特征矩阵tfs数据，采用rf算法对其进行数据聚类运算训练。
31、进一步的，所述步骤4中rf算法的具体步骤如下。
32、步骤4.1：将磁性元件励磁波形函数f[t]的特征矩阵tfs按行分成k个n维向量，随机抽取30％的数据组成精确度检测矩阵tetfs，剩余数据组成原始训练数据矩阵tfs′，确定rf算法的决策树深度depth、决策树数量estimators和随机特征选取最值features。
33、步骤4.2：使用自助抽样从原始训练数据矩阵tfs′中有放回的抽取样本组成每颗决策树的训练集矩阵rftfs,实现聚类模型训练的目的，未被抽中的样本组成袋外样本集obtfs，实现估计模型泛式误差的目的。
34、步骤4.3：选取随机特征选取最值features数量的特征作为候选特征，进行决策树节点的分裂，在候选特征中，选择均方误差来最大化节点纯度，均方误差计算方式如公式(8)所示。
35、
36、式中，mse为均方误差，xi为样本数据，xgt为真实标签。
37、步骤4.4：每棵决策树都从根节点开始，递归地分裂直到满足停止条件，标记仍需递归分裂的内部节点，在内部节点根据选定的特征和阈值分裂样本，标注满足停止条件的叶节点，根据多数类或平均值确定聚类识别结果。
38、步骤4.5：重复步骤4.3、步骤4.4，直到达到决策树深度depth或叶节点的最小样本数，对于训练完成模型的每个样本的所有树本文档来自技高网...
【技术保护点】
1.一种基于FT-PCA-RF的磁性元件励磁波形聚类识别算法，其特征在于，该方法包括以下6个步骤：
2.根据权利要求1所述的一种基于FT-PCA-RF的磁性元件励磁波形聚类识别算法，其特征在于，所述步骤2中运算算子TFi(·)与fj(·)的求解方法如下：
3.根据权利要求1所述的一种基于FT-PCA-RF的磁性元件励磁波形聚类识别算法，其特征在于，所述步骤3的过程如下：
4.根据权利要求1所述的一种基于FT-PCA-RF的磁性元件励磁波形聚类识别算法，其特征在于，所述步骤4中RF算法的求解方法如下：
【技术特征摘要】
1.一种基于ft-pca-rf的磁性元件励磁波形聚类识别算法，其特征在于，该方法包括以下6个步骤：
2.根据权利要求1所述的一种基于ft-pca-rf的磁性元件励磁波形聚类识别算法，其特征在于，所述步骤2中运算算子tfi(·)与fj(·)的求解方法如下：
【专利技术属性】
技术研发人员：李鑫，张翘楚，杨桢，赵元鹏，于可杭，李昊，
申请(专利权)人：辽宁工程技术大学，
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。