CN116223962B - 线束电磁兼容性预测方法、装置、设备及介质 - Google Patents
线束电磁兼容性预测方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN116223962B CN116223962B CN202310507619.0A CN202310507619A CN116223962B CN 116223962 B CN116223962 B CN 116223962B CN 202310507619 A CN202310507619 A CN 202310507619A CN 116223962 B CN116223962 B CN 116223962B
- Authority
- CN
- China
- Prior art keywords
- electromagnetic
- wire harness
- judged
- meta
- classifier
- 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
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/001—Measuring interference from external sources to, or emission from, the device under test, e.g. EMC, EMI, EMP or ESD testing
-
- 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
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Physics & Mathematics (AREA)
- Electromagnetism (AREA)
- General Physics & Mathematics (AREA)
- Testing Of Short-Circuits, Discontinuities, Leakage, Or Incorrect Line Connections (AREA)
Abstract
本发明提供一种线束电磁兼容性预测方法、装置、设备及介质,涉及电数字数据处理技术领域,方法包括:获取待判断线束对应的待判断电磁数据,其中,待判断电磁数据包括电场信号、磁场信号、感应电压信号、散射信号、吸收信号和反射信号;根据待判断电磁数据和多个已训练的基分类器获取待判断线束对应的多个电磁特征,其中,一个已训练的基分类器与一个电磁特征对应;根据电磁特征构建元特征矩阵,根据元特征矩阵和一个已训练的元分类器获取待判断线束对应的信号类型;获取待判断线束对应的关联器件,根据信号类型和关联器件对待判断线束进行电磁兼容性预测并获取预测结果。本发明有利于提高线束电磁兼容性结果的获取效率。
Description
技术领域
本发明涉及电数字数据处理技术领域,尤其涉及一种线束电磁兼容性预测方法、装置、设备及介质。
背景技术
随着科学技术的发展,各种电子电气设备的应用越来越广泛。电磁兼容性是指电子电气设备在其预期的电磁环境中互相兼容工作的能力,目前,对于电子电气设备中线束的电磁兼容性判断也越来越重要。
现有技术中,通常通过实验测试或模拟仿真的方法来评估线束的电磁兼容性。例如在实验室中搭建具体的应用环境,记录线束与周围设备、器件之间的电磁干扰程度和故障率等指标,从而确定线束的电磁兼容结果。或者,基于电磁场仿真的方式进行电磁兼容性预测。具体的,使用电磁场仿真软件对线束进行仿真分析,得出线束的电磁场分布和辐射电磁波的强度,以及电磁波与线束之间的相互作用情况。常用的电磁场仿真软件有Ansoft、CST、HFSS等。或者,基于电磁干扰分析的方法进行电磁兼容性预测。具体的,对线束周围的电磁环境进行分析,考虑线束受到的干扰源,如雷达、通信、发射塔等。通过计算线束的电磁耦合系数,判断线束对周围电子设备的干扰程度。常用的电磁干扰分析软件有SPICE、SABER等。
现有技术的问题在于,针对各个线束,需要预先搭建具体的实验环境或者预先调试好具体的仿真模型,实验测试的准确性依赖于搭建的实验环境的准确性,而仿真结果的准确性依赖于模型的精度和输入参数的准确性,如误差较大的材料参数、电磁辐射源等,会影响到仿真结果的可靠性。模拟软件的选择和设置也可能影响仿真结果的准确性,需要经验丰富的工程师对软件进行合理的使用和设置。且上述方法都需要针对特定的线束和应用场景进行特定设置,因此现有技术中的方法都需要耗费大量时间(进行实验环境搭建或对模拟仿真软件进行调试),不利于提高线束电磁兼容性结果的获取效率。
发明内容
本发明提供一种线束电磁兼容性预测方法、装置、设备及介质,用以解决现有技术中通过实验测试或模拟仿真的方法来评估线束的电磁兼容性,不利于提高线束电磁兼容性结果的获取效率的缺陷,以实现提高线束电磁兼容性结果的获取效率。
本发明提供一种线束电磁兼容性预测方法,包括:
获取待判断线束对应的待判断电磁数据,其中,所述待判断电磁数据包括电场信号、磁场信号、感应电压信号、散射信号、吸收信号和反射信号;
根据所述待判断电磁数据和多个已训练的基分类器获取所述待判断线束对应的多个电磁特征,其中,一个所述已训练的基分类器与一个所述电磁特征对应;
根据所述电磁特征构建元特征矩阵,根据所述元特征矩阵和一个已训练的元分类器获取所述待判断线束对应的信号类型;
获取所述待判断线束对应的关联器件,根据所述信号类型和所述关联器件对所述待判断线束进行电磁兼容性预测并获取预测结果。
根据本发明提供的一种线束电磁兼容性预测方法,所述根据所述待判断电磁数据和多个已训练的基分类器获取所述待判断线束对应的多个电磁特征,包括:
根据预设的预处理步骤对所述待判断电磁数据进行数据预处理以获取预处理电磁数据,其中,所述预处理步骤包括数据清洗和数据标准化,所述预处理电磁数据中包括预处理电场信号、预处理磁场信号、预处理感应电压信号、预处理散射信号、预处理吸收信号和预处理反射信号;
根据所述预处理电磁数据和多个已训练的基分类器获取所述待判断线束对应的多个电磁特征。
根据本发明提供的一种线束电磁兼容性预测方法,所述根据所述预处理电磁数据和多个已训练的基分类器获取所述待判断线束对应的多个电磁特征,包括:
根据预设的特征选择算法对所述预处理电磁数据进行信号特征筛选以获得目标电磁数据,其中,所述目标电磁数据中包括所述预处理电场信号、所述预处理磁场信号、所述预处理感应电压信号、所述预处理散射信号、所述预处理吸收信号和所述预处理反射信号中的多种,所述预设的特征选择算法为主成分分析算法;
根据所述目标电磁数据和多个已训练的基分类器获取所述待判断线束对应的多个电磁特征,其中,所述多个已训练的基分类器包括已训练的决策树分类器、已训练的支持向量机和已训练的随机森林分类器。
根据本发明提供的一种线束电磁兼容性预测方法,一个所述电磁特征包括所述待判断线束对应的多种信号类型概率。
根据本发明提供的一种线束电磁兼容性预测方法,所述根据所述电磁特征构建元特征矩阵,根据所述元特征矩阵和一个已训练的元分类器获取所述待判断线束对应的信号类型,包括:
根据所述电磁特征组成矩阵作为所述元特征矩阵;
将所述元特征矩阵输入所述已训练的元分类器以获取所述已训练的元分类器输出的信号类型,其中,所述已训练的元分类器是已训练的逻辑回归模型或者已训练的神经网络模型。
根据本发明提供的一种线束电磁兼容性预测方法,所述元分类器根据如下步骤进行训练:
将元分类器训练数据中的训练元特征矩阵输入所述元分类器,通过所述元分类器获取训练信号类型,其中,所述元分类器训练数据包括多组训练信息组,每一组训练信息组包括训练元特征矩阵和标注信号类型;
根据所述训练信号类型和所述标注信号类型,通过随机搜索方法对所述元分类器的模型参数进行调整,并继续执行所述将元分类器训练数据中的训练元特征矩阵输入所述元分类器的步骤,直至满足预设训练条件,以得到已训练的元分类器。
根据本发明提供的一种线束电磁兼容性预测方法,所述关联器件是与所述待判断线束的距离不超过预设距离阈值的器件,所述根据所述信号类型和所述关联器件对所述待判断线束进行电磁兼容性预测并获取预测结果,包括:
根据所述信号类型确定所述待判断线束对所述关联器件的电磁干扰影响结果并作为所述预测结果。
本发明还提供一种线束电磁兼容性预测装置,包括:
数据获取模块,用于获取待判断线束对应的待判断电磁数据,其中,所述待判断电磁数据包括电场信号、磁场信号、感应电压信号、散射信号、吸收信号和反射信号;
数据处理模块,用于根据所述待判断电磁数据和多个已训练的基分类器获取所述待判断线束对应的多个电磁特征,其中,一个所述已训练的基分类器与一个所述电磁特征对应;
信号类型获取模块,用于根据所述电磁特征构建元特征矩阵,根据所述元特征矩阵和一个已训练的元分类器获取所述待判断线束对应的信号类型;
兼容性预测模块,用于获取所述待判断线束对应的关联器件,根据所述信号类型和所述关联器件对所述待判断线束进行电磁兼容性预测并获取预测结果。
本发明还提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现任一种所述线束电磁兼容性预测方法。
本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现任一种所述线束电磁兼容性预测方法。
本发明提供的线束电磁兼容性预测方法、装置、设备及介质,先获取待判断线束对应的待判断电磁数据,包括待判断线束对应的电场信号、磁场信号、感应电压信号、散射信号、吸收信号和反射信号。然后基于这些信号,先通过多个已训练的基分类器获取待判断线束对应多个电磁特征,进一步构建元特征矩阵并根据已训练的元分类器确定待判断线束对应的信号类型。从而根据信号类型和待判断线束对应的关联器件对所述待判断线束进行电磁兼容性预测并获取预测结果。与现有技术相比,本发明中不需要额外为待判断线束搭建实验环境,可以根据获取的待判断电磁数据对线束进行电磁兼容性预测,有利于提高线束电磁兼容性结果的获取效率。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,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。
图1是本发明提供的线束电磁兼容性预测方法的流程示意图;
图2是本发明提供的线束电磁兼容性预测装置的结构示意图;
图3是本发明提供的电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合本发明中的附图,对本发明中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
为了解决现有技术中通过实验测试或模拟仿真的方法来评估线束的电磁兼容性,不利于提高线束电磁兼容性结果的获取效率的缺陷,本发明提供一种线束电磁兼容性预测方法、设备及介质,下面结合图1-图3进行具体描述。
如图1所示,本发明实施例提供一种线束电磁兼容性预测方法,具体的,所述方法包括如下步骤:
步骤S100,获取待判断线束对应的待判断电磁数据,其中,所述待判断电磁数据包括电场信号、磁场信号、感应电压信号、散射信号、吸收信号和反射信号。
所述待判断线束是需要进行电磁兼容性状况预测的线束(即线缆),本实施例中,所述待判断线束是多轴精密加工设备中的线束,从而基于本实施例的线束电磁兼容性预测方法对多轴精密加工设备中线束的电磁兼容性状况进行预测,判断多轴精密加工设备能否正常运行。或者在多轴精密加工设备的线束设计过程中减轻设计人员对于电磁兼容设计方面工作的压力。
需要说明的是,本实施例中以对一条待判断线束进行电磁兼容性预测为例进行说明,实际使用过程中,还可以同时对多条待判断线束进行电磁兼容性预测,在此不作具体限定。
所述待判断电磁数据是待判断线束对应的电磁学信号,在对线缆(即待判断线束)进行电磁学研究时,可以测量获取多种与电磁学直接相关或间接相关的信号。
具体的,通过测量线缆周围的电场信号可以了解线缆周围的电场分布情况,从而推断出线缆内部电荷分布情况。通过测量线缆周围的磁场信号可以了解线缆周围的磁场分布情况,从而推断出线缆内部电流分布情况。当线缆内部有电流流过时,会产生磁场,进而在周围环境中感应出电压信号(即测量环境中的感应电压信号),通过测量这些信号可以了解线缆内部电流分布情况。当电磁波通过线缆时,会与线缆发生相互作用,其中一部分能量会被散射出来,在周围环境中形成散射信号,通过测量这些信号可以了解线缆的形状和物理性质。当电磁波通过线缆时,部分能量会被线缆吸收,从而形成吸收信号,通过测量这些信号可以了解线缆的损耗和能量传输效率。当电磁波从线缆的末端反射回来时,会形成反射信号,通过测量这些信号可以了解线缆的阻抗匹配情况和信号反射率。
因此,本实施例中所述待判断电磁数据包括电场信号、磁场信号、感应电压信号、散射信号、吸收信号和反射信号。实际应用过程中,所述待判断电磁数据还可以包括其它信号,在此不作具体限定。
步骤S200,根据所述待判断电磁数据和多个已训练的基分类器获取所述待判断线束对应的多个电磁特征,其中,一个所述已训练的基分类器与一个所述电磁特征对应。
本实施例中,一个基分类器输出一个对应的电磁特征。其中,所述多个已训练的基分类器是预先训练好的多个分类器,用于进行初步分类。本实施例中,基于集成(Stacking)学习的方式,使用多种兼容的学习算法或模型来执行单个任务,从而获得更好的预测效果,提高预测准确性。具体的,将多个基分类器的预测结果作为元特征输入到元分类器中,从而根据元分类器获得更加准确的分类结果。如此,利用多个分类器的优点,弥补单一分类器的不足,提高模型的预测性能。
在一种应用场景中,基分类器预测的结果是与输入特征相关的预测值或概率值,例如对于电磁信号分类任务,基分类器可以预测信号属于不同类型的概率。本实施例中基于Stacking方法,基分类器的预测结果被用作元特征,以便元分类器可以更准确地预测电磁信号的类别或其他相关属性。元分类器预测的结果是最终的分类或预测结果,例如对于电磁信号分类任务,元分类器可以预测信号具体属于哪种类型。元分类器的输出可以是一个类别标签,也可以是一个连续值,可以根据实际需求进行设置和调整,在此不作具体限定。
具体的,所述根据所述待判断电磁数据和多个已训练的基分类器获取所述待判断线束对应的多个电磁特征,包括:根据预设的预处理步骤对所述待判断电磁数据进行数据预处理以获取预处理电磁数据,其中,所述预处理步骤包括数据清洗和数据标准化,所述预处理电磁数据中包括预处理电场信号、预处理磁场信号、预处理感应电压信号、预处理散射信号、预处理吸收信号和预处理反射信号;根据所述预处理电磁数据和多个已训练的基分类器获取所述待判断线束对应的多个电磁特征。
本实施例中,在使用待判断电磁数据进行预测之前,先对其进行数据预处理,以获得更为标准(例如符合分类器输入数据的要求)的数据,从而提高基分类器处理效率。具体的,对所述待判断电磁数据进行数据清洗、数据标准化等预处理,例如,通过数据清洗可以剔除明显出现异常的信号,通过数据标准化则可以使得处理后的预处理电磁数据更符合模型(即基分类器)的输入要求,从而提高模型处理效果和最终的预测效果。
进一步的,还可以对预处理后的数据进行特征选择(即信号筛选)。可以将预处理后的各类电磁信号作为原始特征,筛选出其中的部分特征,即实现特征降维。
本实施例中,所述根据所述预处理电磁数据和多个已训练的基分类器获取所述待判断线束对应的多个电磁特征,包括:根据预设的特征选择算法对所述预处理电磁数据进行信号特征筛选以获得目标电磁数据,其中,所述目标电磁数据中包括所述预处理电场信号、所述预处理磁场信号、所述预处理感应电压信号、所述预处理散射信号、所述预处理吸收信号和所述预处理反射信号中的多种,所述预设的特征选择算法为主成分分析算法;根据所述目标电磁数据和多个已训练的基分类器获取所述待判断线束对应的多个电磁特征,其中,所述多个已训练的基分类器包括已训练的决策树分类器、已训练的支持向量机和已训练的随机森林分类器。
本实施例中,所使用的特征选择算法是主成分分析算法,实际使用过程中,还可以采用其它预测特征选择算法或者预先训练好的特征选择模型,以选择出能够产生明显相互效果、感应效果或有显著关联的信号类型进行保留,在此不作具体限定。如此,可以减少需要处理的特征(即信号)的数量,排除不相关的特征,提高基分类器的处理效率和分类准确性。具体的,所述目标电磁数据中所包括的信号的数目小于所述预处理电磁数据中所包括的信号的数目,具体被剔除的信号则根据实际需求确定,在此不作具体限定。
需要说明的是,一个所述电磁特征包括所述待判断线束对应的多种信号类型概率。例如,一个基分类器用于根据输入的信号判断待判断线束中的信号是无线电波的概率和是电磁辐射的概率。
具体的,不同的基分类器所对应的输入数据不同,一个基分类器所需要的输入数据可以是所述目标电磁数据中的一种或多种信号,且具体需要哪几种信号由该基分类器确定,即一种基分类器所需要的输入数据的类型是固定的。例如,一种基分类器所需要的输入数据包括所述预处理电场信号和所述预处理磁场信号,另一种基分类器所需要的输入数据包括所述预处理感应电压信号。
需要说明的是,各个基分类器预先基于与其输入数据对应的基分类器训练数据训练获得。基分类器训练数据中包括该基分类器对应的训练输入数据和标注电磁特征。训练时,将训练输入数据输入所述基分类器,获得所述基分类器输出的预测电磁特征,根据所述电磁特征和所述标注电磁特征对所述基分类器的模型参数进行调整。继续执行将所述训练输入数据输入所述基分类器的步骤,直至满足该基分类器对应的预设基分类器训练条件,以获得训练完成的基分类器。其中,不同的基分类器所使用的训练数据不同,在此不作一一限定。所述预设基分类器训练条件可以是基分类器迭代次数达到对应预设的迭代阈值,也可以是所述电磁特征和所述标注电磁特征之间的损失值小于对应预设的损失阈值,在此不作具体限定。
步骤S300,根据所述电磁特征构建元特征矩阵,根据所述元特征矩阵和一个已训练的元分类器获取所述待判断线束对应的信号类型。
具体的,获得各个基分类器输出的电磁特征之后,根据所有所述电磁特征组合构成一个特征矩阵作为元特征矩阵,从而进一步通过一个已训练的元分类器进行信号分类。所述根据所述电磁特征构建元特征矩阵,根据所述元特征矩阵和一个已训练的元分类器获取所述待判断线束对应的信号类型,包括:根据所述电磁特征组成矩阵作为所述元特征矩阵;将所述元特征矩阵输入所述已训练的元分类器以获取所述已训练的元分类器输出的信号类型,其中,所述已训练的元分类器是已训练的逻辑回归模型或者已训练的神经网络模型。
具体的,所述元分类器根据如下步骤进行训练:将元分类器训练数据中的训练元特征矩阵输入所述元分类器,通过所述元分类器获取训练信号类型,其中,所述元分类器训练数据包括多组训练信息组,每一组训练信息组包括训练元特征矩阵和标注信号类型;根据所述训练信号类型和所述标注信号类型,通过随机搜索方法对所述元分类器的模型参数进行调整,并继续执行所述将元分类器训练数据中的训练元特征矩阵输入所述元分类器的步骤,直至满足预设训练条件,以得到已训练的元分类器。
所述元分类器训练数据是预先获取的用于对所述元分类器进行训练的数据,所述预设训练条件是预先设置的用于确定元分类器训练停止的条件,可以是元分类器迭代次数达到对应预设的元分类器迭代阈值,或者所述训练信号类型和所述标注信号类型之间的损失阈值小于对应预设的损失阈值,还可以包括其它条件,在此不作具体限定。
需要说明的是,所述元分类器还可以采用其它类型的分类算法或者分类模型,在此不作具体限定。且所述元分类器除了用于根据元特征矩阵获取待判断线束对应的信号类型之外,还可以根据元特征矩阵(和/或其它输入数据,例如所述待判断线束对应的图像数据)获取所述待判断线束对应的其它预测特征,所述其它预测特征可以包括所述待判断线束对应的材料性质、所述待判断线束对应的电磁场性质、所述待判断线束是否具有屏蔽层、所述待判断线束是否具有绝缘层、所述待判断线束周围(例如一预设距离范围内)是否有其它电磁干扰源存在。
具体的,所述信号类型是电磁信号的类型,例如不同频率、功率、波形等特征的电磁信号可以被归为不同的类型,这些类型可以作为标签来进行分类任务。同时,可以使用电磁参数来预测材料的性质,例如导电性、磁导率等,这些性质可以作为标签来进行预测任务。电场、磁场或辐射场的预测模型可以根据场的强度、方向、频率等参数来进行分类或预测任务,这些参数也可以作为标签。
在此基础上,在元分类器训练过程中也需要使用训练图像数据以及与所述其它预测特征对应的标注数据。且在进行线束电磁兼容性预测时,在根据所述电磁特征构建元特征矩阵,根据所述元特征矩阵和一个已训练的元分类器获取所述待判断线束对应的信号类型的基础上,还基于所述元特征矩阵和所述待判断线束对应的图像数据获取所述待判断线束对应的其它预测特征,从而基于所述信号类型和所述其它预测特征,针对与所述待判断线束对应的关联器件,进行电磁兼容性预测并获取预测结果。
步骤S400,获取所述待判断线束对应的关联器件,根据所述信号类型和所述关联器件对所述待判断线束进行电磁兼容性预测并获取预测结果。
其中,所述关联器件是与所述待判断线束的距离不超过预设距离阈值的器件,所述根据所述信号类型和所述关联器件对所述待判断线束进行电磁兼容性预测并获取预测结果,包括:根据所述信号类型确定所述待判断线束对所述关联器件的电磁干扰影响结果并作为所述预测结果。
所述预设距离阈值是预先设置的待判断线束可能影响的距离范围,可以根据实际需求进行设置和调整,在此范围内的关联器件可能会受到待判断线束的影响,即待判断线束内的信号可能会对该范围内的器件造成影响。
在一种应用场景中,当结合图像数据获取所述待判断线束对应的材料性质、所述待判断线束对应的电磁场性质、所述待判断线束是否具有屏蔽层、所述待判断线束是否具有绝缘层、所述待判断线束周围(例如一预设距离范围内)是否有其它电磁干扰源存在等其它预测特征之后,还根据所述图像数据获取各所述关联器件与所述待判断线束的器件距离,并结合所述其它预测特征、所述信号类型以及所述器件距离确定所述待判断线束对所述关联器件的电磁干扰程度并作为所述预测结果。
电磁兼容性是指电子设备在相互干扰影响的情况下,仍然能够正常工作的能力。因此,预测电磁兼容状况需要对设备进行电磁信号识别,以了解设备在不同的电磁环境下的工作情况和性能表现。在电磁兼容性测试和预测中,需要对不同类型的电磁信号进行识别和分类,以便评估其对设备的影响。例如,无线电波可能会干扰无线电设备的正常工作,而电磁辐射可能会影响传感器的性能,因此需要对不同类型的电磁信号进行识别和评估其对设备的影响程度。基于本发明提供的线束电磁兼容性预测方法,可以识别分类预测电磁信号来帮助研究电磁兼容性,也可以通过输入电磁兼容相关数据来直接预测电缆或电缆线束的电磁兼容状况,在此不作具体限定。
由上可见,本发明提供的线束电磁兼容性预测方法中,先获取待判断线束对应的待判断电磁数据,包括待判断线束对应的电场信号、磁场信号、感应电压信号、散射信号、吸收信号和反射信号。然后基于这些信号,先通过多个已训练的基分类器获取待判断线束对应多个电磁特征,进一步构建元特征矩阵并根据已训练的元分类器确定待判断线束对应的信号类型。从而根据信号类型和待判断线束对应的关联器件对所述待判断线束进行电磁兼容性预测并获取预测结果。与现有技术相比,本发明中不需要额外为待判断线束搭建实验环境,可以根据获取的待判断电磁数据对线束进行电磁兼容性预测,有利于提高线束电磁兼容性结果的获取效率。
具体的,本实施例中引入改进型的Stacking方法,使用多种兼容的学习算法/模型来执行单个任务,可以有效地提高预测性能。使用多个基分类器,弥补单一分类器的不足,进一步提高模型的预测性能。结合多种不同类型的基分类器,包括决策树、支持向量机、随机森林等,从而得到更好的预测性能。引入特征工程步骤,选择有意义的特征,并进行必要的预处理和转换,可以提高模型的预测性能。使用随机搜索方法进行超参数调优,可以进一步提高模型的预测性能。如此,本发明提供的线束电磁兼容性预测方法可以用于识别不同的电磁信号,也可以进一步帮助设计人员减轻电磁兼容设计方面的工作压力,提高工作效率和准确性。
需要说明的是,本实施例中不同的基分类器所起的作用不同,各自的预测结果也不同。将多个不同的分类器结合起来,通过将它们的预测结果作为新的特征输入到最终的分类器中,从而提高整个模型的预测性能。不同的基分类器采用了不同的算法和模型,它们所关注的特征、采用的预测方法等都有所不同,因此它们的预测结果也有可能不同。不同类型的基分类器可以通过组合的方式互补彼此的不足,提高整个模型的预测性能,从而得到更准确的预测结果。
下面对本发明提供的线束电磁兼容性预测装置进行描述,下文描述的线束电磁兼容性预测装置与上文描述的线束电磁兼容性预测方法可相互对应参照。如图2中所示,所述线束电磁兼容性预测装置包括:
数据获取模块210,用于获取待判断线束对应的待判断电磁数据,其中,所述待判断电磁数据包括电场信号、磁场信号、感应电压信号、散射信号、吸收信号和反射信号;
数据处理模块220,用于根据所述待判断电磁数据和多个已训练的基分类器获取所述待判断线束对应的多个电磁特征,其中,一个所述已训练的基分类器与一个所述电磁特征对应;
信号类型获取模块230,用于根据所述电磁特征构建元特征矩阵,根据所述元特征矩阵和一个已训练的元分类器获取所述待判断线束对应的信号类型;
兼容性预测模块240,用于获取所述待判断线束对应的关联器件,根据所述信号类型和所述关联器件对所述待判断线束进行电磁兼容性预测并获取预测结果。
需要说明的是,所述线束电磁兼容性预测装置及其各个模块的具体功能可以参照上文线束电磁兼容性预测方法中的具体描述,在此不再赘述。
图3示例了一种电子设备的实体结构示意图,如图3所示,该电子设备可以包括:处理器(processor)310、通信接口(Communications Interface)320、存储器(memory)330和通信总线340,其中,处理器310,通信接口320,存储器330通过通信总线340完成相互间的通信。处理器310可以调用存储器330中的逻辑指令,以执行线束电磁兼容性预测方法,该方法包括:获取待判断线束对应的待判断电磁数据,其中,所述待判断电磁数据包括电场信号、磁场信号、感应电压信号、散射信号、吸收信号和反射信号;根据所述待判断电磁数据和多个已训练的基分类器获取所述待判断线束对应的多个电磁特征,其中,一个所述已训练的基分类器与一个所述电磁特征对应;根据所述电磁特征构建元特征矩阵,根据所述元特征矩阵和一个已训练的元分类器获取所述待判断线束对应的信号类型;获取所述待判断线束对应的关联器件,根据所述信号类型和所述关联器件对所述待判断线束进行电磁兼容性预测并获取预测结果。
此外,上述的存储器330中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面,本发明还提供一种计算机程序产品,所述计算机程序产品包括计算机程序,计算机程序可存储在非暂态计算机可读存储介质上,所述计算机程序被处理器执行时,计算机能够执行上述各方法所提供的线束电磁兼容性预测方法,该方法包括:获取待判断线束对应的待判断电磁数据,其中,所述待判断电磁数据包括电场信号、磁场信号、感应电压信号、散射信号、吸收信号和反射信号;根据所述待判断电磁数据和多个已训练的基分类器获取所述待判断线束对应的多个电磁特征,其中,一个所述已训练的基分类器与一个所述电磁特征对应;根据所述电磁特征构建元特征矩阵,根据所述元特征矩阵和一个已训练的元分类器获取所述待判断线束对应的信号类型;获取所述待判断线束对应的关联器件,根据所述信号类型和所述关联器件对所述待判断线束进行电磁兼容性预测并获取预测结果。
以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种线束电磁兼容性预测方法,其特征在于,包括:
获取待判断线束对应的待判断电磁数据,其中,所述待判断电磁数据包括电场信号、磁场信号、感应电压信号、散射信号、吸收信号和反射信号;
根据所述待判断电磁数据和多个已训练的基分类器获取所述待判断线束对应的多个电磁特征,其中,一个所述已训练的基分类器与一个所述电磁特征对应;
根据所述电磁特征构建元特征矩阵,根据所述元特征矩阵和一个已训练的元分类器获取所述待判断线束对应的信号类型;
获取所述待判断线束对应的关联器件,根据所述信号类型和所述关联器件对所述待判断线束进行电磁兼容性预测并获取预测结果。
2.根据权利要求1所述的线束电磁兼容性预测方法,其特征在于,所述根据所述待判断电磁数据和多个已训练的基分类器获取所述待判断线束对应的多个电磁特征,包括:
根据预设的预处理步骤对所述待判断电磁数据进行数据预处理以获取预处理电磁数据,其中,所述预处理步骤包括数据清洗和数据标准化,所述预处理电磁数据中包括预处理电场信号、预处理磁场信号、预处理感应电压信号、预处理散射信号、预处理吸收信号和预处理反射信号;
根据所述预处理电磁数据和多个已训练的基分类器获取所述待判断线束对应的多个电磁特征。
3.根据权利要求2所述的线束电磁兼容性预测方法,其特征在于,所述根据所述预处理电磁数据和多个已训练的基分类器获取所述待判断线束对应的多个电磁特征,包括:
根据预设的特征选择算法对所述预处理电磁数据进行信号特征筛选以获得目标电磁数据,其中,所述目标电磁数据中包括所述预处理电场信号、所述预处理磁场信号、所述预处理感应电压信号、所述预处理散射信号、所述预处理吸收信号和所述预处理反射信号中的多种,所述预设的特征选择算法为主成分分析算法;
根据所述目标电磁数据和多个已训练的基分类器获取所述待判断线束对应的多个电磁特征,其中,所述多个已训练的基分类器包括已训练的决策树分类器、已训练的支持向量机和已训练的随机森林分类器。
4.根据权利要求3所述的线束电磁兼容性预测方法,其特征在于,一个所述电磁特征包括所述待判断线束对应的多种信号类型概率。
5.根据权利要求1所述的线束电磁兼容性预测方法,其特征在于,所述根据所述电磁特征构建元特征矩阵,根据所述元特征矩阵和一个已训练的元分类器获取所述待判断线束对应的信号类型,包括:
根据所述电磁特征组成矩阵作为所述元特征矩阵;
将所述元特征矩阵输入所述已训练的元分类器以获取所述已训练的元分类器输出的信号类型,其中,所述已训练的元分类器是已训练的逻辑回归模型或者已训练的神经网络模型。
6.根据权利要求5所述的线束电磁兼容性预测方法,其特征在于,所述元分类器根据如下步骤进行训练:
将元分类器训练数据中的训练元特征矩阵输入所述元分类器,通过所述元分类器获取训练信号类型,其中,所述元分类器训练数据包括多组训练信息组,每一组训练信息组包括训练元特征矩阵和标注信号类型;
根据所述训练信号类型和所述标注信号类型,通过随机搜索方法对所述元分类器的模型参数进行调整,并继续执行所述将元分类器训练数据中的训练元特征矩阵输入所述元分类器的步骤,直至满足预设训练条件,以得到已训练的元分类器。
7.根据权利要求1所述的线束电磁兼容性预测方法,其特征在于,所述关联器件是与所述待判断线束的距离不超过预设距离阈值的器件,所述根据所述信号类型和所述关联器件对所述待判断线束进行电磁兼容性预测并获取预测结果,包括:
根据所述信号类型确定所述待判断线束对所述关联器件的电磁干扰影响结果并作为所述预测结果。
8.一种线束电磁兼容性预测装置,其特征在于,包括:
数据获取模块,用于获取待判断线束对应的待判断电磁数据,其中,所述待判断电磁数据包括电场信号、磁场信号、感应电压信号、散射信号、吸收信号和反射信号;
数据处理模块,用于根据所述待判断电磁数据和多个已训练的基分类器获取所述待判断线束对应的多个电磁特征,其中,一个所述已训练的基分类器与一个所述电磁特征对应;
信号类型获取模块,用于根据所述电磁特征构建元特征矩阵,根据所述元特征矩阵和一个已训练的元分类器获取所述待判断线束对应的信号类型;
兼容性预测模块,用于获取所述待判断线束对应的关联器件,根据所述信号类型和所述关联器件对所述待判断线束进行电磁兼容性预测并获取预测结果。
9.一种电子设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1至7任一项所述线束电磁兼容性预测方法。
10.一种非暂态计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至7任一项所述线束电磁兼容性预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310507619.0A CN116223962B (zh) | 2023-05-08 | 2023-05-08 | 线束电磁兼容性预测方法、装置、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310507619.0A CN116223962B (zh) | 2023-05-08 | 2023-05-08 | 线束电磁兼容性预测方法、装置、设备及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116223962A CN116223962A (zh) | 2023-06-06 |
CN116223962B true CN116223962B (zh) | 2023-07-07 |
Family
ID=86584702
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310507619.0A Active CN116223962B (zh) | 2023-05-08 | 2023-05-08 | 线束电磁兼容性预测方法、装置、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116223962B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116502473B (zh) * | 2023-06-27 | 2024-01-12 | 中科航迈数控软件(深圳)有限公司 | 线束电磁兼容性优化方法、装置、电子设备及存储介质 |
CN117330848B (zh) * | 2023-09-27 | 2024-06-14 | 广州汽车集团股份有限公司 | 一种车内复杂电磁环境下线束间耦合抗扰测试方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2001009777A1 (de) * | 1999-07-28 | 2001-02-08 | Daimlerchrysler Ag | Verfahren zur prüfung der elektromagnetischen verträglichkeit von leitungen eines kabelbündels |
KR102058230B1 (ko) * | 2018-08-27 | 2019-12-20 | 연세대학교 산학협력단 | 케이블 고장 예측 장치, 방법 및 시스템 |
CN110851990A (zh) * | 2019-11-16 | 2020-02-28 | 中国舰船研究设计中心 | 船舶中压电缆电磁辐射干扰预测方法 |
CN111104980A (zh) * | 2019-12-19 | 2020-05-05 | 腾讯科技(深圳)有限公司 | 确定分类结果的方法、装置、设备及存储介质 |
CN111222442A (zh) * | 2019-12-31 | 2020-06-02 | 中国电子科技集团公司第三十六研究所 | 一种电磁信号分类方法和装置 |
CN212301733U (zh) * | 2020-03-27 | 2021-01-05 | 吉林省圣宜达科技有限公司 | 煤矿井下电缆故障分析仪 |
CN213069039U (zh) * | 2020-08-12 | 2021-04-27 | 欧陆电子电器检测服务(深圳)有限公司 | 一种用于电线电磁兼容测试的测试装置 |
CN113159447A (zh) * | 2021-05-12 | 2021-07-23 | 中国人民解放军陆军工程大学 | 一种激光雷达电磁环境效应预测方法及*** |
CN114499980A (zh) * | 2021-12-28 | 2022-05-13 | 杭州安恒信息技术股份有限公司 | 一种钓鱼邮件检测方法、装置、设备及存储介质 |
-
2023
- 2023-05-08 CN CN202310507619.0A patent/CN116223962B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2001009777A1 (de) * | 1999-07-28 | 2001-02-08 | Daimlerchrysler Ag | Verfahren zur prüfung der elektromagnetischen verträglichkeit von leitungen eines kabelbündels |
KR102058230B1 (ko) * | 2018-08-27 | 2019-12-20 | 연세대학교 산학협력단 | 케이블 고장 예측 장치, 방법 및 시스템 |
CN110851990A (zh) * | 2019-11-16 | 2020-02-28 | 中国舰船研究设计中心 | 船舶中压电缆电磁辐射干扰预测方法 |
CN111104980A (zh) * | 2019-12-19 | 2020-05-05 | 腾讯科技(深圳)有限公司 | 确定分类结果的方法、装置、设备及存储介质 |
CN111222442A (zh) * | 2019-12-31 | 2020-06-02 | 中国电子科技集团公司第三十六研究所 | 一种电磁信号分类方法和装置 |
CN212301733U (zh) * | 2020-03-27 | 2021-01-05 | 吉林省圣宜达科技有限公司 | 煤矿井下电缆故障分析仪 |
CN213069039U (zh) * | 2020-08-12 | 2021-04-27 | 欧陆电子电器检测服务(深圳)有限公司 | 一种用于电线电磁兼容测试的测试装置 |
CN113159447A (zh) * | 2021-05-12 | 2021-07-23 | 中国人民解放军陆军工程大学 | 一种激光雷达电磁环境效应预测方法及*** |
CN114499980A (zh) * | 2021-12-28 | 2022-05-13 | 杭州安恒信息技术股份有限公司 | 一种钓鱼邮件检测方法、装置、设备及存储介质 |
Non-Patent Citations (2)
Title |
---|
EMC impact of online embedded wire diagnosis;Luca Incarbone, etal.;《2014 XXXIth URSI General Assembly and Scientific Symposium(URSI GASS)》;第1-4页 * |
电磁兼容测试方法及应用设计;刘晶红;《长春理工大学学报》;第27卷(第2期);第118-120页 * |
Also Published As
Publication number | Publication date |
---|---|
CN116223962A (zh) | 2023-06-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116223962B (zh) | 线束电磁兼容性预测方法、装置、设备及介质 | |
CN109947086B (zh) | 基于对抗学习的机械故障迁移诊断方法及*** | |
CN108985279B (zh) | 多功能车辆总线mvb波形的故障诊断方法及装置 | |
CN108196132B (zh) | ***内电磁兼容性评估方法 | |
Guo et al. | A hybrid prognosis scheme for rolling bearings based on a novel health indicator and nonlinear Wiener process | |
CN114048468A (zh) | 入侵检测的方法、入侵检测模型训练的方法、装置及介质 | |
CN112116198A (zh) | 数据驱动的流程工业状态感知网络关键节点筛选方法 | |
CN108304567A (zh) | 高压变压器工况模式识别与数据分类方法及*** | |
CN110472268A (zh) | 一种桥梁监测数据模态识别方法及装置 | |
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 | |
CN112200048A (zh) | 一种基于回归模型的旋转设备故障预测方法、***及可读存储介质 | |
Zhao et al. | A novel deep fuzzy clustering neural network model and its application in rolling bearing fault recognition | |
Liu et al. | [Retracted] Defect Prediction Technology in Software Engineering Based on Convolutional Neural Network | |
US20200279148A1 (en) | Material structure analysis method and material structure analyzer | |
CN105893790B (zh) | 针对质谱缺失蛋白质数据的分类方法 | |
Li et al. | A remaining useful life prediction method considering the dimension optimization and the iterative speed | |
CN111582647A (zh) | 用户数据处理方法、装置及电子设备 | |
CN115775064A (zh) | 一种工程决算结果评估方法及云平台 | |
CN115982566A (zh) | 一种水电机组多通道故障诊断方法 | |
CN114339855B (zh) | 无线网络覆盖率评估方法、装置及计算设备 | |
Nazir et al. | Testability estimation model (TEM OOD) | |
CN114881136A (zh) | 基于剪枝卷积神经网络的分类方法及相关设备 | |
Aldosari et al. | Image-Based Partial Discharge Identification in High Voltage Cables Using Hybrid Deep Network | |
CN113408371A (zh) | 一种早期故障诊断方法及装置 | |
CN116072142B (zh) | 高功率射频传输线监测方法、装置及电子设备 |
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 |