[发明专利]一种通用的基于数据挖掘的机器学习方法、装置以及系统

权利要求书

1.一种通用的基于数据挖掘的机器学习方法，其特征在于，包括以下步骤，

以固定频率采样电子设备的运行工作的每一个工作指标的采样数值，并对每一个工作指标采样到的所有采样数值均组成该工作指标对应的时序序列；其中，所述电子设备为UPS三相电源；

对每一个工作指标对应的时序序列进行特征选择，从中确定与所述电子设备运行状态相关度最大的工作指标以及所述相关度最大工作指标序列时域特征值，并以确定的所述最大的工作指标对应的采样数值为基础训练数据；其中，所述UPS三相电源运行状态相关度最大的工作指标为C相输入电压；

根据所述基础训练数据的时序特征量计算出分组周期，并以所述分组周期对所述基础训练数据进行分组，并根据时间顺序确定每一组的序号；其中，根据所述基础训练数据计算出分组周期具体包括：将所述基础训练数据的序列时域特征值进行傅里叶变换，获取所述基础训练数据对应的强度频谱；从所述强度频谱中筛选幅值最大的频率分量，将所述幅值最大的频率分量的倒数作为分组周期；

通过计算每一基础训练数据组的序列时域特征值，判断该基础训练数据组是否属于故障所在组，并记录故障所在组的组序号；

根据故障所在组的组序号，按时间顺序将分组后的基础训练数据组划分成训练样本组和测试样本组；其中，所述训练样本组包括的每一基础训练数据组均不属于故障所在组；所述测试样本组包括至少一个基础训练数据组是故障所在组；

根据非线性状态评估算法，对训练样本组中的每一基础训练数据组进行计算获得故障阈值；

根据所述故障阈值，判断在所述测试样本组中判定为存在故障的基础训练数据组的组序号是否与记录的组序号是否一致；

若是，则以所述故障阈值作为判定所述电子设备运行是否存在故障的标准工作指标。

2.根据权利要求1所述的方法，其特征在于，所述对每一个工作指标对应的时序序列进行特征选择，从中确定与所述电子设备运行状态相关度最大的工作指标，具体包括：

提取每一个工作指标对应的序列时域特征值，将全部的序列时域特征值合并成时序序列的特征全集；采用序列后向选择算法对时序序列的特征全集进行特征选择；将经特征选择后的提取到的序列时域特征值带入评价函数，得到最优的序列时域特征值；将所述最优的时域特征值对应的工作指标确定为与所述电子设备运行状态相关度最大的工作指标。

3.根据权利要求1所述的方法，其特征在于，所述通过计算每一组的基础训练数据的序列时域特征值，判断该组的基础训练数据是否属于故障所在组，具体包括：

计算每一组的基础训练数据的方差以及均值，作为每一组基础训练数据的物理特征值，记录落入物理特征值偏差范围的基础训练组的序号；将所述落入物理特征值偏差范围的基础训练数据判定为该组序号对应的基础训练数据组属于故障所在组。

4.根据权利要求1所述的方法，其特征在于，所述根据非线性状态评估算法，对训练样本组中的每一基础训练数据组进行计算获得故障阈值，具体包括：

所述测试样本组中的任一时刻的数据为观测向量；

提取若干个所述训练样本组中的历史观测向量；

将所述若干个历史观测向量构建过程记忆矩阵；

将所述观测向量输入至所述记忆矩输出得到预测向量；

计算除所述故障所在组时刻的观测向量外每一观测向量以及与其对应的预测向量的差值，确定所处差值中最大的差值为所述故障阈值。

5.根据权利要求4所述的方法，其特征在于，所述观测向量与所述预测向量的关系表达式为；其中，y_est为所述预测向量，y_est为所述观测向量，D为所述过程记忆矩阵。