CN115543667B - 一种piu子***的参数关联性分析方法、装置、设备及介质 - Google Patents
一种piu子***的参数关联性分析方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN115543667B CN115543667B CN202211134713.8A CN202211134713A CN115543667B CN 115543667 B CN115543667 B CN 115543667B CN 202211134713 A CN202211134713 A CN 202211134713A CN 115543667 B CN115543667 B CN 115543667B
- Authority
- CN
- China
- Prior art keywords
- data
- column data
- jump
- piu
- preset
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000004458 analytical method Methods 0.000 title abstract description 19
- 239000013598 vector Substances 0.000 claims abstract description 76
- 238000000034 method Methods 0.000 claims abstract description 70
- 239000011159 matrix material Substances 0.000 claims abstract description 54
- 238000012545 processing Methods 0.000 claims abstract description 26
- 238000007781 pre-processing Methods 0.000 claims abstract description 15
- 230000003247 decreasing effect Effects 0.000 claims description 24
- 238000004590 computer program Methods 0.000 claims description 8
- 238000012098 association analyses Methods 0.000 claims description 6
- 238000012216 screening Methods 0.000 claims description 4
- 238000005065 mining Methods 0.000 abstract description 7
- 230000008569 process Effects 0.000 description 16
- 238000002474 experimental method Methods 0.000 description 10
- 238000012360 testing method Methods 0.000 description 9
- 238000004891 communication Methods 0.000 description 7
- 238000010219 correlation analysis Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- RZVHIXYEVGDQDX-UHFFFAOYSA-N 9,10-anthraquinone Chemical compound C1=CC=C2C(=O)C3=CC=CC=C3C(=O)C2=C1 RZVHIXYEVGDQDX-UHFFFAOYSA-N 0.000 description 3
- 230000009471 action Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000012097 association analysis method Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000011056 performance test Methods 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/07—Responding to the occurrence of a fault, e.g. fault tolerance
- G06F11/0703—Error or fault processing not based on redundancy, i.e. by taking additional measures to deal with the error or fault not making use of redundancy in operation, in hardware, or in data representation
- G06F11/079—Root cause analysis, i.e. error or fault diagnosis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/22—Detection or location of defective computer hardware by testing during standby operation or during idle time, e.g. start-up testing
- G06F11/2205—Detection or location of defective computer hardware by testing during standby operation or during idle time, e.g. start-up testing using arrangements specific to the hardware being tested
- G06F11/221—Detection or location of defective computer hardware by testing during standby operation or during idle time, e.g. start-up testing using arrangements specific to the hardware being tested to test buses, lines or interfaces, e.g. stuck-at or open line faults
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computer Hardware Design (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明提供了一种PIU子***的参数关联性分析方法、装置、设备及介质,解决了现有技术中PIU子***参数相关性分析方法存在效率低下的技术问题。所述方法包括:根据PIU子***的总线数据,获取第一单列数据;根据第一预设方法,对每一所述通道数据对应的所述第一单列数据进行预处理,得到对应的第二单列数据;根据第二预设方法,对每一所述第二单列数据进行一阶差分处理,得到对应的跳变向量矩阵;根据所述跳变向量矩阵和FP‑Growth算法,得到与每一所述通道数据对应的强关联关系列表;根据所有所述强关联关系列表,获得所述组件参数之间的关联关系。本发明能够提升PIU子***的参数关联性分析的效率,提升了关联规则挖掘速度。
Description
技术领域
本发明涉及数据挖掘技术领域,尤其涉及一种PIU子***的参数关联性分析方法、装置、设备及介质。
背景技术
PIU子***即飞行员操纵接口单元***,主要用于实现飞行员操作指令和飞机信息的传输和显示。为保证飞机***整体的正确性、可靠性以及飞行安全,在制造过程需要对PIU子***进行一系列性能测试。在开展PIU子***测试时,常出现无法精确定位故障等问题,因此,需要研究飞机参数的相关性,挖掘测试数据价值,提高机载***故障诊断效率;现有技术中,PIU子***参数相关性分析通常使用专家经验对参数进行梳理,存在效率低下的技术问题。
发明内容
有鉴于此,本发明实施例提供了PIU子***的参数关联性分析方法、装置、设备及介质,用以解决现有技术中PIU子***参数相关性分析方法存在效率低下的问题。
为解决上述技术问题,本申请提出了一种PIU子***的参数关联性分析方法,所述方法包括:
根据PIU子***的总线数据,获取第一单列数据,其中,所述PIU子***包括多种组件参数,所述总线数据包括多个通道数据,所述通道数据包括多个所述第一单列数据,每一所述第一单列数据对应一种所述组件参数,所述第一单列数据包括多个单帧数据;
根据第一预设方法,对每一所述通道数据对应的所述第一单列数据进行预处理,得到对应的第二单列数据,其中,所述第二单列数据中包括多个单帧数据,所述第二单列数据的单帧数据不连续递增或连续递减;
根据第二预设方法,对每一所述第二单列数据进行一阶差分处理,得到对应的跳变向量矩阵;
根据所述跳变向量矩阵和FP-Growth算法,得到与每一所述通道数据对应的强关联关系列表;
根据所有所述强关联关系列表,获得所述组件参数之间的关联关系。
作为本申请的一些可选实施例,所述单帧数据包括移除标签,所述根据第一预设方法,对每一所述通道数据对应的所述第一单列数据进行预处理,得到对应的第二单列数据的步骤,包括:
遍历所述第一单列数据的每一单帧数据,获取每一单帧数据与前一帧的单帧数据之间的差值;
当所述差值大于预设差值或所述差值小于所述预设差值的相反数时,将递增指针加一并将递减指针置零,其中,所述递增指针和所述递减指针的初始值均为0;
当所述差值小于预设差值或所述差值大于所述预设差值的相反数时,将所述递增指针置零并将递减指针加一;
当所述递增指针大于等于3或所述递减指针大于等于3时,将当前的单帧数据以及当前的单帧数据前3帧的单帧数据的移除标签均置为1;
去除所有所述移除标签为1的单帧数据,得到第二单列数据。
作为本申请的一些可选实施例,所述根据第二预设方法,对每一所述第二单列数据进行一阶差分处理,得到跳变向量矩阵的步骤,包括:
获取所述第二单列数据的所有单帧数据的平均值,记为第一平均值;
当所述第二单列数据的单帧数据与所述第一平均值的差的绝对值小于预设值时,将对应的单帧数据的值设为所述第一平均值,得到第三单列数据;
对所述第三单列数据进行一阶差分处理,得到跳变数据集,其中,所述跳变数据集包括多个跳变数据;
根据所述跳变数据集,获取跳变向量矩阵。
作为本申请的一些可选实施例,所述单帧数据还包括索引标签,所述根据所述跳变数据集,获取跳变向量矩阵的步骤,包括:
将所述跳变数据集中的绝对值小于置一距离的跳变数据设置为1,并将其余跳变数据设为0,以得到第一向量;
根据所述第一向量,修改所述第二单列数据的单帧数据的索引标签;
将所述第二单列数据中索引标签为1的单帧数据的设置为1,记为置1数据,并将所述置1数据前后预设帧数范围内的单帧数据设置为1;
将所述第二单列数据中未置1的单帧数据设置为0,得到对应的跳变向量;
合并所有所述第二单列数据对应的跳变向量,得到初始跳变向量矩阵;
去除所述初始跳变向量矩阵中的全0行,得到跳变向量矩阵。
作为本申请的一些可选实施例,所述根据所述跳变向量矩阵和FP-Growth算法,得到与所述通道数据对应的强关联关系列表的步骤,包括:
根据所述跳变向量矩阵和所述第二单列数据,获取算法数据集,其中,所述算法数据集包括多条事务,所述事务包括若干项集,所述项集和所述组件参数对应;
根据所述FP-Growth算法,对所述算法数据集进行遍历,得到FP树;
根据所述FP树,获取频繁项集,其中,所述频繁项集包括若干频繁项,所述频繁项为支持度计数大于预设支持度计数的项集;
根据所述频繁项集、所述算法数据集和和预设最小置信度,得到与所述通道数据对应强关联关系列表。
作为本申请的一些可选实施例,所述频繁项集包括多个多项频繁项集,所述多项频繁项集包括多个频繁项,所述根据所述频繁项集、所述算法数据集和和预设最小置信度,获取所述强关联关系列表的步骤,包括:
将多个所述频繁项依次作为关联后项,将包括所述关联后项的所述多项频繁项集中所述关联后项之外的频繁项作为关联前项;
根据预设置信度公式,计算所述关联前项和所述关联后项的置信度;
记录所述置信度大于预设置信度的关联前项和关联后项和对应的置信度,得到强关联关系列表,其中,所述强关联关系列表储包括多条强关联关系,所述强关联关系包括所述关联前项、所述关联后项和对应的置信度。
作为本申请的一些可选实施例,所述组件参数包括关键参数和非关键参数,所述根据所有所述强关联关系列表,获得所述组件参数之间的关联关系的步骤,包括:
筛选所述强关联关系列表中关联后项为所述关键参数的强关联关系,得到对应的第一强关联关系列表;
合并所有所述第一强关联关系列表,得到第二强关联关系列表;
去除所述第二强关联关系列表中的重复项,以得到所述组件参数之间的关联关系。
为解决上述技术问题,本申请还提出了一种PIU子***的参数关联性分析装置,所述装置包括:
第一获取模块,用于根据PIU子***的总线数据,获取第一单列数据,其中,所述PIU子***包括多种组件参数,所述总线数据包括多个通道数据,所述通道数据包括多个所述第一单列数据,每一所述第一单列数据对应一种所述组件参数,所述第一单列数据包括多个单帧数据;
预处理模块,用于根据第一预设方法,对每一所述通道数据对应的所述第一单列数据进行预处理,得到对应的第二单列数据,其中,所述第二单列数据中包括多个单帧数据,所述第二单列数据的单帧数据不连续递增或连续递减;
差分处理模块,根据第二预设方法,对每一所述第二单列数据进行一阶差分处理,得到对应的跳变向量矩阵;
第二获取模块,用于根据所述跳变向量矩阵和FP-Growth算法,得到与每一所述通道数据对应的强关联关系列表;
第三获取模块,用于根据所有所述强关联关系列表,获得所述组件参数之间的关联关系。
为解决上述技术问题,本申请还提出了电子设备,包括:至少一个处理器、至少一个存储器以及存储在存储器中的计算机程序指令,当计算机程序指令被处理器执行时实现如上述实施方式中第一方面的方法。
为解决上述技术问题,本申请还提出了一种存储介质,其上存储有计算机程序指令,当计算机程序指令被处理器执行时实现如上述实施方式中第一方面的方法。
综上所述,本发明的有益效果如下:
本申请公开了一种PIU子***的参数关联性分析方法,通过根据PIU子***的总线数据,获取第一单列数据;根据第一预设方法,对每一所述通道数据对应的所述第一单列数据进行预处理,得到对应的第二单列数据,其中,所述第二单列数据中包括多个单帧数据,所述第二单列数据的单帧数据不连续递增或连续递减,由于进行预处理,使得得到的第二单列数据的单帧数据不连续递增或连续递减,去除了第一单列数据中的数据斜坡,数据斜坡的存在使数据从低位到高位或高位到低位的跳变过程过于平缓,通过数据斜坡的去除,能够通过分析较少数据信息得出数据跳变程度和数据跳变位置等较为关键的跳变信息,从而提升参数关联性分析的效率;根据第二预设方法,对每一所述第二单列数据进行一阶差分处理,得到对应的跳变向量矩阵,通过一阶差分处理,能够凸显跳变位置,从而第二单列数据的跳变信息,便于提升后续关联关系的获取效率以及准确性;根据所述跳变向量矩阵和FP-Growth算法,得到与每一所述通道数据对应的强关联关系列表,FP-Growth算法通过构造一个树结构来压缩数据记录,使得挖掘频繁项集只需要扫描两次数据记录,而且不需要生成候选集合,效率高,从而进行提升了关联规则挖掘速度;最后根据所有所述强关联关系列表,即可获得所述组件参数之间的关联关系。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对本发明实施例中所需要使用的附图作简单地介绍,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图,这些均在本发明的保护范围内。
图1是本发明实施例的PIU子***的参数关联性分析方法的流程示意图。
图2是本发明实施例的FP-Growth构建的FP树的示意图。
图3是本发明实施例的PIU子***的参数关联性分析装置的结构示意图。
图4是本发明实施例的电子设备的结构示意图。
具体实施方式
下面将详细描述本发明的各个方面的特征和示例性实施例,为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细描述。应理解,此处所描述的具体实施例仅被配置为解释本发明,并不被配置为限定本发明。对于本领域技术人员来说,本发明可以在不需要这些具体细节中的一些细节的情况下实施。下面对实施例的描述仅仅是为了通过示出本发明的示例来提供对本发明更好的理解。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
飞机***是一个复杂工程***,它由导航***、机电***、飞管飞控***、动力***、通信***等多个***组成。PIU(Power Interface Unit,电源接口单元)子***在航空技术领域中为飞行员操纵接口单元子***,该子***可以通过接口采集到飞机***中各关键组件电信号,并将电信号经其总线网络转为数字信号传输到计算机中,形成测试数据。因此,为保证飞机***整体的正确性及可靠性,以及飞行安全,在制造过程需要对PIU子***进行一系列性能测试。在开展PIU子***测试时,常出现无法精确定位故障等问题,往往通过换成品的试错法或者专家经验排查,无法有效利用测试数据的相关性进行判断。尤其是在新型机载***测试中,采用此种方法存在很大的排故风险,也延误生产进度。因此,需要研究飞机参数的相关性,挖掘测试数据价值,提高机载***故障诊断效率。
现有技术中,飞机***测试数据相关性分析通常使用专家经验对参数进行梳理。在该方法中,通常认为子***内的参数都是相关的,而同一子***中参数并不一定全部相关,这对于越来越复杂化的***来说效率较低。另一方面,在新组件上难以快速形成专家经验,且专家***往往只能分析参数间的的定性关系,很难对其进行量化,影响了异常检测的灵敏度。
为解决上述技术问题,参见图1,本申请提出了一种PIU子***的参数关联性分析方法,所述方法包括:
S1、根据PIU子***的总线数据,获取第一单列数据,其中,所述PIU子***包括多种组件参数,所述总线数据包括多个通道数据,所述通道数据包括多个所述第一单列数据,每一所述第一单列数据对应一种所述组件参数,所述第一单列数据包括多个单帧数据;
具体的,首先根据PIU子***的总线数据获取第一单列数据,其中,完成某部件的输出信号所对应的实验后会生成对应的总线数据,总线数据的文件形式为多列数据组成的表格,每列数据对应一次试验中完整的时间序列数据;所述PIU子***包括多种组件参数,举例来说而非限定,所述组件参数包括驾驶杆参数、脚蹬参数、油门杆参数、PIU激磁电压、阻抗、加速度计参数、速率陀螺参数、机电开关信号、飞控开关信号;所述总线数据包括多个通道数据,在一具体实施例中,所述总线数据包括CHA通道数据、CHB通道数据、CHC通道数据和CHD通道数据,其中,中CHA通道对应驾驶杆数据、速率陀螺数据、加速度计数据、飞机开关等,CHB通道对应驾驶杆数据、速率陀螺数据、加速度计数据、机电开关数据等,CHC通道对应驾驶杆数据、速率陀螺数据、加速度计数据、告警信息等,CHD通道对应驾驶杆数据、速率陀螺数据、加速度计数据、飞控开关等;所述通道数据包括多个所述第一单列数据,每一所述第一单列数据对应一种所述组件参数,所述第一单列数据包括多个单帧数据,第一单列数据指的是所述总线数据中的一列数据,对应一个组件的一种输出信号,即对应一种组件参数。
S2、根据第一预设方法,对每一所述通道数据对应的所述第一单列数据进行预处理,得到对应的第二单列数据,其中,所述第二单列数据中包括多个单帧数据,所述第二单列数据的单帧数据不连续递增或连续递减;
具体的,PIU子***中每个部件对应的时间序列数据普遍存在数据斜坡,数据斜坡是指一段有连续递增或递减趋势的数据,数据斜坡的存在使数据从低位到高位或高位到低位的跳变过程过于平缓,单次跳变涉及的数据帧数过多,致使无法通过分析较少数据信息较为便捷地得出数据跳变程度,数据跳变位置等较为关键的跳变信息,故在本步骤中,对每一所述通道数据对应的所述第一单列数据进行预处理,得到对应的第二单列数据,使得得到的第二单列数据中的单帧数据不连续递增或连续递减,以去除数据斜坡,便于通过分析较少数据信息得出数据跳变程度和数据跳变位置等较为关键的跳变信息,从而提升参数关联性分析的效率。
作为本申请的一些可选实施例,所述单帧数据包括移除标签,所述根据第一预设方法,对每一所述通道数据对应的所述第一单列数据进行预处理,得到对应的第二单列数据的步骤,包括:
S21、遍历所述第一单列数据的每一单帧数据,获取每一单帧数据与前一帧的单帧数据之间的差值;
具体的,为去除第一单列数据中的数据斜坡,首先需要对第一单列数据中的每一单帧数据进行遍历,以获取每一单帧数据与前一帧的单帧数据之间的差值,通过所述差值即可判断数据斜坡的出现位置,从而便于实现数据斜坡的去除,为了实现数据斜坡的定位,本实施例中,所述单帧数据包括移除标签,通过差值判定数据斜坡的位置后,将数据斜坡位置对应的单帧数据的移除标签设置为1,即可实现数据斜坡的定位,所述移除标签的初始值为0。
S22、当所述差值大于预设差值或所述差值小于所述预设差值的相反数时,将递增指针加一并将递减指针置零,其中,所述递增指针和所述递减指针的初始值均为0;
S23、当所述差值小于预设差值或所述差值大于所述预设差值的相反数时,将所述递增指针置零并将递减指针加一;
具体的,为了实现数据斜坡的识别,设置了一递增指针和递减指针,所述递增指针和递减指针的初始值均为0,当所述差值小于预设差值或所述差值大于所述预设差值的相反数时,将所述递增指针置零并将递减指针加一,当所述差值小于预设差值或所述差值大于所述预设差值的相反数时,将所述递增指针置零并将递减指针加一,所述预设差值为正数,可根据组件参数的数据特征进行确定,在此不做具体限制;在一具体实施例中,所述预设差值为0.01;通过递增指针和递减指针的设置,能够快速对数据斜坡进行识别,当递增指针或递减指针的值超过一预设指针值时,则表明数据斜坡出现。
S24、当所述递增指针大于等于3或所述递减指针大于等于3时,将当前的单帧数据以及当前的单帧数据前3帧的单帧数据的移除标签均置为1;
具体的,在本实施例中,当递增指针或递减指针大于等于3时,则说明连续三个单帧数据递增或者递减,出现了数据斜坡出现,连续三个单帧数据递增与递减中的三帧是体现数据有递增或递减趋势的最少帧数,连续两帧递增与递减的过程涉及两帧数据和一次递增或递减,若预设指针值调整为2,会误将非数据斜坡的数据去除,而3帧可以明确体现数据的递增递减趋势,且不会误去除非数据斜坡数据,若帧数进一步增加则会造成数据斜坡的漏检与漏去除,故本步骤中,当所述递增指针大于等于3或所述递减指针大于等于3时,将当前的单帧数据以及当前的单帧数据前3帧的单帧数据的移除标签均置为1。
S25、去除所有所述移除标签为1的单帧数据,得到第二单列数据。
具体的,在本步骤中,将所有移除标签为1的单帧数据去除,得到第二单列数据,所述第二单列数据中不存在连续递增或连续递减的单帧数据,实现了数据斜坡的去除,便于通过分析较少数据信息得出数据跳变程度和数据跳变位置等较为关键的跳变信息,从而提升参数关联性分析的效率。
S3、根据第二预设方法,对每一所述第二单列数据进行一阶差分处理,得到对应的跳变向量矩阵;
具体的,在本步骤中,对每一所述第二单列数据进行一阶差分处理,即可获得丢用的跳变向量矩阵,一阶差分处理一般用在以时间为统计维度的分析中,其实就是下一个数值,减去上一个数值,能够凸显跳变位置,并且将跳变信息以矩阵形式储存于跳变向量矩阵中,从而第二单列数据的跳变信息,便于提升后续关联关系的获取效率以及准确性;
作为本申请的一些可选实施例,所述根据第二预设方法,对每一所述第二单列数据进行一阶差分处理,得到跳变向量矩阵的步骤,包括:
S31、获取所述第二单列数据的所有单帧数据的平均值,记为第一平均值;
具体的,由于第二单列数据中的某些组件参数对应的单帧数据为没有明显跳变的只包含微小杂波抖动的平滑数据,若直接将第二单列数据进行一阶差分处理提取跳变信息,可能会将此类数据的杂波抖动识别为有效跳变,故需要在提取跳变前对数据做进一步处理,在本步骤中,首先获取所述第二单列数据的所有单帧数据的平均值,记为第一平均值;
S32、当所述第二单列数据的单帧数据与所述第一平均值的差的绝对值小于预设值时,将对应的单帧数据的值设为所述第一平均值,得到第三单列数据;
将第二单列数据的单帧数据与均值第一平均值的差的绝对值小于预设值的单帧数据的值置为所述第一平均值,其余单帧数据的值不变,其中,所述预设值可根据组件参数对应的数据自行设定,在一具体实施例中,所述预设值为0.1,使杂波抖动无法被识别为有效跳变,使得在进行一阶差分处理后得到的跳变数据更加准确,进而提升后续参数关联获取的准确性。
S33、对所述第三单列数据进行一阶差分处理,得到跳变数据集,其中,所述跳变数据集包括多个跳变数据;
具体的,对所述第三单列数据进行一阶差分处理,即用后一帧的单帧数据减去前一帧的单帧数据,减轻单帧数据之间的不规律波动,使其波动曲线更平稳,从而获得跳变数据集,其中,所述跳变数据集中的包括多个跳变数据,所述跳变数据集中跳变数据的数量和第三单列数据中单帧数据的数量相同,通过一阶差分处理,即可获取跳变信息,并通在提取数据跳变信息时排除了数据中杂波干扰,使得后续关联规则挖掘的输入数据集质量更高。
S34、根据所述跳变数据集,获取跳变向量矩阵。
具体的,在本步骤中,将所述跳变数据集转换为跳变向量矩阵,通过跳变向量矩阵体现向量信息,作为本申请的一些可选实施例,所述单帧数据还包括索引标签,所述根据所述跳变数据集,获取跳变向量矩阵的步骤,包括:
S341、将所述跳变数据集中的绝对值小于置一距离的跳变数据设置为1,并将其余跳变数据设为0,以得到第一向量;
具体的,所述置一距离根据下列公式计算:
Dist_one=range×range_div
式中,Dist_one为所述置一距离,range为所述第二单列数据的极差,range_div为预设置一距离参数,在一具体实施例中,所述预设置一距离参数的值为1/3,通过本步骤,将跳变数据集转换为第一向量,第一向量中,以1提现跳变。
S342、根据所述第一向量,修改所述第二单列数据的单帧数据的索引标签;
具体的,在获取提现跳变信息的第一向量后,根据所述第一向量,对应的修改所述第二单列数据中单帧数据的索引标签,将跳变信息以0/1形式存于索引标签。
S343、将所述第二单列数据中索引标签为1的单帧数据的设置为1,记为置1数据,并将所述置1数据前后预设帧数范围内的单帧数据设置为1;
具体的,在完成索引标签的设置后,将所述第二单列数据中索引标签为1的单帧数据的设置为1,记为置1数据,并将所述置1数据前后预设帧数范围内的单帧数据设置为1,拓宽跳变位置,增加单次跳变的信息量,使数据主要跳变能清晰的得到显示,便于后续关联规则挖掘,在一具体实施例中,所述预设帧数范围为20,即将置1数据前后20帧的单帧数据均置为1,以拓宽跳变位置,增加单次跳变的信息量。
S344、将所述第二单列数据中未置1的单帧数据设置为0,得到对应的跳变向量;
具体的,在置1处理结束后,将所述第二单列数据中未置1的单帧数据设置为0,得到对应的跳变向量,所述跳变向量的长度与所述第二单列数据的长度相同,跳变向量获取过程通过对每一所述单帧数据对应的索引标签进行分析和更改来实现,提升了跳变向量的获取效率,进而提升了后续关联关系的分析效率。
S345、合并所有所述第二单列数据对应的跳变向量,得到初始跳变向量矩阵;
具体的,通过所述第二单列数据,获取对应的跳变向量后,合并所有的跳变向量,即可得到初始跳变向量矩阵。
S346、去除所述初始跳变向量矩阵中的全0行,得到跳变向量矩阵。
具体的,所述初始跳变向量矩阵中每一行对应一第二单列数据,所述初始跳变向量矩阵中可能存在全零行,全零行对应的第二单列数据没有产生有效跳变,故将所述初始跳变向量矩阵中的全零行去除,得到跳变向量矩阵。
S4、根据所述跳变向量矩阵和FP-Growth算法,得到与每一所述通道数据对应的强关联关系列表;
具体的,在完成预处理获取跳变向量矩阵后,采用FP-Growth算法挖掘实验中关键参数的跳变与其他相关参数跳变之间的关联规则,由此对多参数之间的关系进行挖掘,并进行数据相关性分析;FP-Growth算法是一种统计频繁项的方法,使用此算法对预处理完成的数据集进行两次遍历,可以挖掘出所有支持度计数大于最小支持度计数的所有频繁项集以及其对应的支持度计数所构成的列表;然后,参照最小置信度要求,依照原数据集以及挖掘出的频繁项集列表进行强关联关系挖掘,可得出强关联关系列表,并最终形成强关联规则表格。
作为本申请的一些可选实施例,所述根据所述跳变向量矩阵和FP-Growth算法,得到与所述通道数据对应的强关联关系列表的步骤,包括:
S41、根据所述跳变向量矩阵和所述第二单列数据,获取算法数据集,其中,所述算法数据集包括多条事务,所述事务包括若干项集,所述项集和所述组件参数对应;
具体的,将所述跳变向量矩阵中每行中元素为1的列所对应的参数名加入可接入FP-Growth算法的算法数据集的对应行,即可获得算法数据集,算法数据集包括多条事务,所述事务包括若干项集,所述项集和所述组件参数对应,算法数据集的每一行称为一个事务,每个事务可拆分出多个项集。
S42、根据所述FP-Growth算法,对所述算法数据集进行遍历,得到FP树;
具体的,首先根据FP-Growth算法,对所述算法数据集进行第一次遍历,以得到频繁项集列表,随后进行第二次遍历以获得FP树,FP-Growth算法为现有技术,在此不再赘述;在一具体实施例中,以横向驾驶杆的输出信号相关实验为例,此实验关键数据对应的信号名称为滚转杆指令以及滚转杆和值,在此实验总线数据关联规则挖掘过程中,算法数据集中出现的非关键数据对应信号名称包括俯仰杆和值、俯仰杆指令、滚转速率,其中,滚转杆和值、滚转杆指令、俯仰杆和值、俯仰杆指令、滚转速率分别使用A、B、C、D、E表示,最小支持度计数为2;
所述算法数据集通过如下表1进行表示:
表1数据集列表
第一次遍历所生成的频繁项集列表如表2所示;
表2频繁项集列表
根据所述频繁项集列表,即可构建FP树,构造FP树优先频繁项集列表中支持度计数高的项集。如图2所示,用频繁项集列表中支持度计数最大的B做主干之一,B支持度为8,则B的计数记为8;由B延伸的A在第二次遍历中在B存在的情况下,在各事务中出现了5次,则B延伸的A边的计数为5;由B延伸的C在第二次遍历中,各事务中在A不存在B存在的前提下出现了3次,则在B延伸的C边的计数为3;对无B的事务,另设一主干为A,参考B为主干的构建树的方式。参考以上构建FP树的方式,构建完整FP树。
S43、根据所述FP树,获取频繁项集,其中,所述频繁项集包括若干频繁项,所述频繁项为支持度计数大于预设支持度计数的项集;
具体的,从FP树中获得条件模式基,利用条件模式基,构建一个条件FP树;迭代重复上述步骤,直到FP树只包括一个元素项为止即可获得频繁项集,所述频繁项集包括若干频繁项,所述频繁项为支持度计数大于预设支持度计数的项集。
示例性的,以图2所示的FP树最外层的E为例,包含E的分支有{B:1,C:1,E:1}、{A:1,C:1,D:1,E:1}、{A:1,D:1,E:1},从这3个分支中可以筛选出符合最小支持度计数要求的分支子项集,即所挖掘出包含E的频繁项集为{E:3}、{C:2,E:2}、{A:2,D:2,E:2}、{A:2,E:2}、{D:2,E:2}。进而将E从FP树上去掉,开始挖掘包含树的下一层(按频繁项集支持度计数从低到高顺序)包含D不包含E的频繁项集。以此类推,可以得到所有的频繁项集。
S44、根据所述频繁项集、所述算法数据集和和预设最小置信度,得到与所述通道数据对应强关联关系列表。
具体的,参照根据预设最小置信度,依照算法原数据集以及挖掘出的频繁项集列表进行强关联关系挖掘,得出强关联关系列表;作为本申请的一些可选实施例,所述频繁项集包括多个多项频繁项集,所述多项频繁项集包括多个频繁项,所述根据所述频繁项集、所述算法数据集和和预设最小置信度,获取所述强关联关系列表的步骤,包括:
S441、将多个所述频繁项依次作为关联后项,将包括所述关联后项的所述多项频繁项集中所述关联后项之外的频繁项作为关联前项;
具体的,将多个所述频繁项一次作为关联后项,将包括所述关联后项的所述多项频繁项集中所述关联后项之外的频繁项作为关联前项,从而获取关联前项和关联后项之间关联关系,举例来说,取所有包含B的第一多项频繁项集(A,B),将第一多项频繁项集拆分为频繁项集A和B,A作为关联前项,B作为关联后项,以获取A和B之间的关联关系。
S442、根据预设置信度公式,计算所述关联前项和所述关联后项的置信度;
具体的,在获取关联前项和关联后项后,根据预设置信度公式计算关联后项和关联前项之间的置信度,所述预设置信度公式的表达式如下所示:
式中,A为所述关联前项,B为所述关联后项,nAB为多项频繁项集(A,B)的支持度计数,nA为频繁项集A的支持度计数,通过上述公式即可计算关联前项和关联后项之间的置信度,通过所述置信度即可判断关联前项和关联后项之间是否具备强关联关系。
S443、记录所述置信度大于预设置信度的关联前项和关联后项和对应的置信度,得到强关联关系列表,其中,所述强关联关系列表储包括多条强关联关系,所述强关联关系包括所述关联前项、所述关联后项和对应的置信度。
具体的,在获取每一关联前项和关联后项之间的置信度后,记录所述置信度大于预设置信度的关联前项和关联后项和对应的置信度,得到强关联关系列表,在本实施例中,所述强关联关系列表包括关联前项、关联后项和对应的置信度;在一具体实施例中,所述预设置信度为1/2,当关联前项A和关联后项的置信度B大于1/2时,则可判断为强关联规则。
在另一具体实施例中,以横向驾驶杆实验中滚转杆和值为关联后项为例,设最小置信度为1/2,最小支持度计数为2,则此实验对应的强关联规则表格如表3所示;
表3横向驾驶杆实验对应的强关联规则表
表3中记载了关联前项、关联后项以及对应的置信度和支持度计数,根据表格即可获取各个组件参数之间的关联关系;
S5、根据所有所述强关联关系列表,获得所述组件参数之间的关联关系。
具体的,得到与每一所述通道数据对应的强关联关系列表后,即可获得所述组件参数之间的关联关系,但各个强关联关系列表中存在重复的关联关系,并且第一单列数据指的作为总线数据中的一列数据,对应一个组件的一种输出信号,可能与总线数据对应的实验相关也可能无关,即对应关键参数和非关键参数,为了对关联关系进行整合,作为本申请的一些可选实施例,所述组件参数包括关键参数和非关键参数,所述根据所有所述强关联关系列表,获得所述组件参数之间的关联关系的步骤,包括:
S51、筛选所述强关联关系列表中关联后项为所述关键参数的强关联关系,得到对应的第一强关联关系列表;
首先,根据所述关键参数对所有强关联关系列表进行筛选,获得所有关联后项为所述关键参数的强关联关系,得到对应的第一强关联关系列表,去除了非关键参数的对应关系,提升了后续进行PIU子***数据相关性分析的效率。
S52、合并所有所述第一强关联关系列表,得到第二强关联关系列表;
在获得所有第一强关联关系列表后,对其进行合并,即可获得与PIU子***所有总线数据对应的第二强关联关系列表。
S53、去除所述第二强关联关系列表中的重复项,以得到所述组件参数之间的关联关系。
在合并获得第二强关联关系列表后,去除其中的重复项,实现了对多个通道数据生成的关联规则进行整合,且筛选出与关键参数相关的关联规则,使得最终获得的关联关系更加准确;并且,通过挖掘出参数间实际的关联规则,进而体现参数重要性,并增加异常检测的手段,提高测试灵敏度。
综上所述,本申请公开了一种PIU子***的参数关联性分析方法,通过根据PIU子***的总线数据,获取第一单列数据;根据第一预设方法,对每一所述通道数据对应的所述第一单列数据进行预处理,得到对应的第二单列数据,其中,所述第二单列数据中包括多个单帧数据,所述第二单列数据的单帧数据不连续递增或连续递减,由于进行预处理,使得得到的第二单列数据的单帧数据不连续递增或连续递减,去除了第一单列数据中的数据斜坡,数据斜坡的存在使数据从低位到高位或高位到低位的跳变过程过于平缓,通过数据斜坡的去除,能够通过分析较少数据信息得出数据跳变程度和数据跳变位置等较为关键的跳变信息,从而提升参数关联性分析的效率;根据第二预设方法,对每一所述第二单列数据进行一阶差分处理,得到对应的跳变向量矩阵,通过一阶差分处理,能够凸显跳变位置,从而第二单列数据的跳变信息,便于提升后续关联关系的获取效率以及准确性;根据所述跳变向量矩阵和FP-Growth算法,得到与每一所述通道数据对应的强关联关系列表,FP-Growth算法通过构造一个树结构来压缩数据记录,使得挖掘频繁项集只需要扫描两次数据记录,而且不需要生成候选集合,所以效率高,从而进行提升了关联规则挖掘速度;最后根据所有所述强关联关系列表,获得所述组件参数之间的关联关系。
为解决上述技术问题,如图3所示,本申请还提出了一种PIU子***的参数关联性分析装置,所述装置包括:
第一获取模块,用于根据PIU子***的总线数据,获取第一单列数据,其中,所述PIU子***包括多种组件参数,所述总线数据包括多个通道数据,所述通道数据包括多个所述第一单列数据,每一所述第一单列数据对应一种所述组件参数,所述第一单列数据包括多个单帧数据;
预处理模块,用于根据第一预设方法,对每一所述通道数据对应的所述第一单列数据进行预处理,得到对应的第二单列数据,其中,所述第二单列数据中包括多个单帧数据,所述第二单列数据的单帧数据不连续递增或连续递减;
差分处理模块,根据第二预设方法,对每一所述第二单列数据进行一阶差分处理,得到对应的跳变向量矩阵;
第二获取模块,用于根据所述跳变向量矩阵和FP-Growth算法,得到与每一所述通道数据对应的强关联关系列表;
第三获取模块,用于根据所有所述强关联关系列表,获得所述组件参数之间的关联关系。
需要说明的是,本实施例PIU子***的参数关联性分析装置中各模块是与前述实施例中PIU子***的参数关联性分析方法中的各步骤一一对应,因此,本实施例的具体实施方式和达到的技术效果可参照前述PIU子***的参数关联性分析方法的实施方式,这里不再赘述。
另外,结合图1描述的本发明实施例的PIU子***的参数关联性分析方法可以由PIU子***的参数关联性分析设备来实现。图4示出了本发明实施例提供的PIU子***的参数关联性分析设备的硬件结构示意图。
PIU子***的参数关联性分析设备可以包括至少一个处理器301、至少一个存储器302以及存储在所示存储器302中的计算机程序指令,当所述计算机程序指令被所述处理器301执行时实现上述实施例所述的方法。
具体地,上述处理器301可以包括中央处理器(CPU),或者特定集成电路(Application Specific Integrated Circuit,ASIC),或者可以被配置成实施本发明实施例的一个或多个集成电路。
存储器302可以包括用于数据或指令的大容量存储器。举例来说而非限制,存储器302可包括硬盘驱动器(Hard Disk Drive,HDD)、软盘驱动器、闪存、光盘、磁光盘、磁带或通用串行总线(Universal Serial Bus,USB)驱动器或者两个或更多个以上这些的组合。在合适的情况下,存储器302可包括可移除或不可移除(或固定)的介质。在合适的情况下,存储器302可在数据处理装置的内部或外部。在特定实施例中,存储器302是非易失性固态存储器。在特定实施例中,存储器302包括只读存储器(ROM)。在合适的情况下,该ROM可以是掩模编程的ROM、可编程ROM(PROM)、可擦除PROM(EPROM)、电可擦除PROM(EEPROM)、电可改写ROM(EAROM)或闪存或者两个或更多个以上这些的组合。
处理器301通过读取并执行存储器302中存储的计算机程序指令,以实现上述实施例中的任意一种PIU子***的参数关联性分析方法。
在一个示例中,PIU子***的参数关联性分析设备还可包括通信接口和总线。其中,如图4所示,处理器、存储器、通信接口通过总线连接并完成相互间的通信。通信接口,主要用于实现本发明实施例中各模块、装置、单元和/或设备之间的通信。
总线包括硬件、软件或两者,将PIU子***的参数关联性分析设备的部件彼此耦接在一起。举例来说而非限制,总线可包括加速图形端口(AGP)或其他图形总线、增强工业标准架构(EISA)总线、前端总线(FSB)、超传输(HT)互连、工业标准架构(ISA)总线、无限带宽互连、低引脚数(LPC)总线、存储器总线、微信道架构(MCA)总线、***组件互连(PCI)总线、PCI-Express(PCI-X)总线、串行高级技术附件(SATA)总线、视频电子标准协会局部(VLB)总线或其他合适的总线或者两个或更多个以上这些的组合。在合适的情况下,总线可包括一个或多个总线。尽管本发明实施例描述和示出了特定的总线,但本发明考虑任何合适的总线或互连。
另外,结合上述实施例中的PIU子***的参数关联性分析方法,本发明实施例可提供一种计算机可读存储介质来实现。该计算机可读存储介质上存储有计算机程序指令;该计算机程序指令被处理器执行时实现上述实施例中的任意一种PIU子***的参数关联性分析方法。
需要明确的是,本发明并不局限于上文所描述并在图中示出的特定配置和处理。为了简明起见,这里省略了对已知方法的详细描述。在上述实施例中,描述和示出了若干具体的步骤作为示例。但是,本发明的方法过程并不限于所描述和示出的具体步骤,本领域的技术人员可以在领会本发明的精神后,作出各种改变、修改和添加,或者改变步骤之间的顺序。
以上所述的结构框图中所示的功能块可以实现为硬件、软件、固件或者它们的组合。当以硬件方式实现时,其可以例如是电子电路、专用集成电路(ASIC)、适当的固件、插件、功能卡等等。当以软件方式实现时,本发明的元素是被用于执行所需任务的程序或者代码段。程序或者代码段可以存储在机器可读介质中,或者通过载波中携带的数据信号在传输介质或者通信链路上传送。“机器可读介质”可以包括能够存储或传输信息的任何介质。机器可读介质的例子包括电子电路、半导体存储器设备、ROM、闪存、可擦除ROM(EROM)、软盘、CD-ROM、光盘、硬盘、光纤介质、射频(RF)链路,等等。代码段可以经由诸如因特网、内联网等的计算机网络被下载。
还需要说明的是,本发明中提及的示例性实施例,基于一系列的步骤或者装置描述一些方法或***。但是,本发明不局限于上述步骤的顺序,也就是说,可以按照实施例中提及的顺序执行步骤,也可以不同于实施例中的顺序,或者若干步骤同时执行。
以上所述,仅为本发明的具体实施方式,所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,上述描述的***、模块和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。应理解,本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到各种等效的修改或替换,这些修改或替换都应涵盖在本发明的保护范围之内。
Claims (9)
1.一种PIU子***的参数关联性分析方法,其特征在于,所述方法包括:
根据PIU子***的总线数据,获取第一单列数据,其中,所述PIU子***包括多种组件参数,所述总线数据包括多个通道数据,所述通道数据包括多个所述第一单列数据,每一所述第一单列数据对应一种所述组件参数,所述第一单列数据包括多个单帧数据;
遍历所述第一单列数据的每一单帧数据,获取每一单帧数据与前一帧的单帧数据之间的差值;
当所述差值大于预设差值或所述差值小于所述预设差值的相反数时,将递增指针加一并将递减指针置零,其中,所述递增指针和所述递减指针的初始值均为0;
当所述差值小于预设差值或所述差值大于所述预设差值的相反数时,将所述递增指针置零并将递减指针加一;
当所述递增指针大于等于3或所述递减指针大于等于3时,将当前的单帧数据以及当前的单帧数据前3帧的单帧数据的移除标签均置为1;
去除所有所述移除标签为1的单帧数据,得到第二单列数据,其中,所述第二单列数据中包括多个单帧数据,所述第二单列数据的单帧数据不连续递增或连续递减;
根据第二预设方法,对每一所述第二单列数据进行一阶差分处理,得到对应的跳变向量矩阵;
根据所述跳变向量矩阵和FP-Growth算法,得到与每一所述通道数据对应的强关联关系列表;
根据所有所述强关联关系列表,获得所述组件参数之间的关联关系。
2.根据权利要求1所述的PIU子***的参数关联性分析方法,其特征在于,所述根据第二预设方法,对每一所述第二单列数据进行一阶差分处理,得到跳变向量矩阵的步骤,包括:
获取所述第二单列数据的所有单帧数据的平均值,记为第一平均值;
当所述第二单列数据的单帧数据与所述第一平均值的差的绝对值小于预设值时,将对应的单帧数据的值设为所述第一平均值,得到第三单列数据;
对所述第三单列数据进行一阶差分处理,得到跳变数据集,其中,所述跳变数据集包括多个跳变数据;
根据所述跳变数据集,获取跳变向量矩阵。
3.根据权利要求2所述的PIU子***的参数关联性分析方法,其特征在于,所述单帧数据还包括索引标签,所述根据所述跳变数据集,获取跳变向量矩阵的步骤,包括:
将所述跳变数据集中的绝对值小于置一距离的跳变数据设置为1,并将其余跳变数据设为0,以得到第一向量;
根据所述第一向量,修改所述第二单列数据的单帧数据的索引标签;
将所述第二单列数据中索引标签为1的单帧数据的设置为1,记为置1数据,并将所述置1数据前后预设帧数范围内的单帧数据设置为1;
将所述第二单列数据中未置1的单帧数据设置为0,得到对应的跳变向量;
合并所有所述第二单列数据对应的跳变向量,得到初始跳变向量矩阵;
去除所述初始跳变向量矩阵中的全0行,得到跳变向量矩阵。
4.根据权利要求1所述的PIU子***的参数关联性分析方法,其特征在于,所述根据所述跳变向量矩阵和FP-Growth算法,得到与所述通道数据对应的强关联关系列表的步骤,包括:
根据所述跳变向量矩阵和所述第二单列数据,获取算法数据集,其中,所述算法数据集包括多条事务,所述事务包括若干项集,所述项集和所述组件参数对应;
根据所述FP-Growth算法,对所述算法数据集进行遍历,得到FP树;
根据所述FP树,获取频繁项集,其中,所述频繁项集包括若干频繁项,所述频繁项为支持度计数大于预设支持度计数的项集;
根据所述频繁项集、所述算法数据集和和预设最小置信度,得到与所述通道数据对应强关联关系列表。
5.根据权利要求4所述的PIU子***的参数关联性分析方法,其特征在于,所述频繁项集包括多个多项频繁项集,所述多项频繁项集包括多个频繁项,所述根据所述频繁项集、所述算法数据集和和预设最小置信度,获取所述强关联关系列表的步骤,包括:
将多个所述频繁项依次作为关联后项,将包括所述关联后项的所述多项频繁项集中所述关联后项之外的频繁项作为关联前项;
根据预设置信度公式,计算所述关联前项和所述关联后项的置信度;
记录所述置信度大于预设置信度的关联前项和关联后项和对应的置信度,得到强关联关系列表,其中,所述强关联关系列表储包括多条强关联关系,所述强关联关系包括所述关联前项、所述关联后项和对应的置信度。
6.根据权利要求5所述的PIU子***的参数关联性分析方法,其特征在于,所述组件参数包括关键参数和非关键参数,所述根据所有所述强关联关系列表,获得所述组件参数之间的关联关系的步骤,包括:
筛选所述强关联关系列表中关联后项为所述关键参数的强关联关系,得到对应的第一强关联关系列表;
合并所有所述第一强关联关系列表,得到第二强关联关系列表;
去除所述第二强关联关系列表中的重复项,以得到所述组件参数之间的关联关系。
7.一种PIU子***的参数关联性分析装置,其特征在于,所述装置包括:
第一获取模块,用于根据PIU子***的总线数据,获取第一单列数据,其中,所述PIU子***包括多种组件参数,所述总线数据包括多个通道数据,所述通道数据包括多个所述第一单列数据,每一所述第一单列数据对应一种所述组件参数,所述第一单列数据包括多个单帧数据;
预处理模块,用于遍历所述第一单列数据的每一单帧数据,获取每一单帧数据与前一帧的单帧数据之间的差值;当所述差值大于预设差值或所述差值小于所述预设差值的相反数时,将递增指针加一并将递减指针置零,其中,所述递增指针和所述递减指针的初始值均为0;当所述差值小于预设差值或所述差值大于所述预设差值的相反数时,将所述递增指针置零并将递减指针加一;当所述递增指针大于等于3或所述递减指针大于等于3时,将当前的单帧数据以及当前的单帧数据前3帧的单帧数据的移除标签均置为1;去除所有所述移除标签为1的单帧数据,得到第二单列数据,其中,所述第二单列数据中包括多个单帧数据,所述第二单列数据的单帧数据不连续递增或连续递减;
差分处理模块,根据第二预设方法,对每一所述第二单列数据进行一阶差分处理,得到对应的跳变向量矩阵;
第二获取模块,用于根据所述跳变向量矩阵和FP-Growth算法,得到与每一所述通道数据对应的强关联关系列表;
第三获取模块,用于根据所有所述强关联关系列表,获得所述组件参数之间的关联关系。
8.一种电子设备,其特征在于,包括:至少一个处理器、至少一个存储器以及存储在所述存储器中的计算机程序指令,当所述计算机程序指令被所述处理器执行时实现如权利要求1-6中任一项所述的方法。
9.一种存储介质,其上存储有计算机程序指令,其特征在于,当所述计算机程序指令被处理器执行时实现如权利要求1-6中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211134713.8A CN115543667B (zh) | 2022-09-19 | 2022-09-19 | 一种piu子***的参数关联性分析方法、装置、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211134713.8A CN115543667B (zh) | 2022-09-19 | 2022-09-19 | 一种piu子***的参数关联性分析方法、装置、设备及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115543667A CN115543667A (zh) | 2022-12-30 |
CN115543667B true CN115543667B (zh) | 2024-04-16 |
Family
ID=84727474
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211134713.8A Active CN115543667B (zh) | 2022-09-19 | 2022-09-19 | 一种piu子***的参数关联性分析方法、装置、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115543667B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108696412A (zh) * | 2017-04-10 | 2018-10-23 | 通用电器技术有限公司 | 用于数字变电站中的网络失效转移的***和方法 |
CN111309777A (zh) * | 2020-01-14 | 2020-06-19 | 哈尔滨工业大学 | 一种基于互斥表达的改进关联规则报表数据挖掘方法 |
CN111352954A (zh) * | 2020-02-20 | 2020-06-30 | 中国科学院自动化研究所 | 低资源条件下的关联规则挖掘方法、***、装置 |
CN112596494A (zh) * | 2020-12-04 | 2021-04-02 | 中国航空工业集团公司成都飞机设计研究所 | 一种基于hmc码相关性分析的飞行器故障定位方法 |
CN113448763A (zh) * | 2021-07-16 | 2021-09-28 | 广东电网有限责任公司 | 全生命周期管理的可动态扩展分组告警服务方法 |
CN114327964A (zh) * | 2020-10-10 | 2022-04-12 | 腾讯科技(深圳)有限公司 | 业务***的故障原因处理方法、装置、设备及存储介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111340250A (zh) * | 2018-12-19 | 2020-06-26 | 富泰华工业(深圳)有限公司 | 设备检修装置、方法及计算机可读存储介质 |
-
2022
- 2022-09-19 CN CN202211134713.8A patent/CN115543667B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108696412A (zh) * | 2017-04-10 | 2018-10-23 | 通用电器技术有限公司 | 用于数字变电站中的网络失效转移的***和方法 |
CN111309777A (zh) * | 2020-01-14 | 2020-06-19 | 哈尔滨工业大学 | 一种基于互斥表达的改进关联规则报表数据挖掘方法 |
CN111352954A (zh) * | 2020-02-20 | 2020-06-30 | 中国科学院自动化研究所 | 低资源条件下的关联规则挖掘方法、***、装置 |
CN114327964A (zh) * | 2020-10-10 | 2022-04-12 | 腾讯科技(深圳)有限公司 | 业务***的故障原因处理方法、装置、设备及存储介质 |
CN112596494A (zh) * | 2020-12-04 | 2021-04-02 | 中国航空工业集团公司成都飞机设计研究所 | 一种基于hmc码相关性分析的飞行器故障定位方法 |
CN113448763A (zh) * | 2021-07-16 | 2021-09-28 | 广东电网有限责任公司 | 全生命周期管理的可动态扩展分组告警服务方法 |
Also Published As
Publication number | Publication date |
---|---|
CN115543667A (zh) | 2022-12-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US7849124B2 (en) | Method and system for detecting difference between plural observed results | |
CN108229481B (zh) | 屏幕内容分析方法、装置、计算设备及存储介质 | |
US20220318555A1 (en) | Action recognition using limited data | |
CN110197133A (zh) | 将检测波形进行对齐的方法和装置 | |
CN116304909A (zh) | 一种异常检测模型训练方法、故障场景定位方法及装置 | |
CN111193627A (zh) | 信息处理方法、装置、设备及存储介质 | |
CN113505862B (zh) | 混合型故障检测方法及装置 | |
CN115493622A (zh) | 一种基于模糊控制和高斯过程的半球谐振陀螺温补方法 | |
CN115543667B (zh) | 一种piu子***的参数关联性分析方法、装置、设备及介质 | |
CN110796060A (zh) | 高速行车路线确定方法、装置、设备和存储介质 | |
CN114167237A (zh) | 一种gis局部放电故障识别方法、***、计算机设备、存储介质 | |
CN113553309A (zh) | 一种日志模板的确定方法、装置、电子设备及存储介质 | |
CN115660957A (zh) | 一种波形数据的重采样方法、装置、设备及介质 | |
CN115963344A (zh) | 故障检测方法、装置、电子设备及存储介质 | |
CN115636103B (zh) | 一种piu子***的工况分离方法、装置、设备及存储介质 | |
CN112232305A (zh) | 图像检测方法、装置、电子设备及介质 | |
CN112364018B (zh) | 一种生成宽表的方法、装置、设备及存储介质 | |
CN118171121B (zh) | 一种基于数据驱动的ai中台模型管理方法及管理*** | |
CN112306961B (zh) | 日志处理方法、装置、设备及存储介质 | |
CN112286724B (zh) | 基于区块链和云计算的数据恢复处理方法及云计算中心 | |
CN114580982B (zh) | 一种工业设备的数据质量的评估方法、装置及设备 | |
US20220115219A1 (en) | Mass Spectrum Processing Apparatus and Method | |
CN117112644A (zh) | 基于过程挖掘的异常发现方法和装置 | |
CN118037112A (zh) | 一种基于数据驱动的胎面质量预测模型构建方法 | |
CN115456008A (zh) | 电台工作状态判别方法、装置、电子设备及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |