本發(fā)明屬于設(shè)備狀態(tài)診斷領(lǐng)域。
背景技術(shù)：
：在線監(jiān)測數(shù)據(jù)反映了設(shè)備運行狀態(tài)，常被用來診斷設(shè)備故障情況，但由于監(jiān)測設(shè)備在受到外界干擾或設(shè)備損壞時，會不可避免地出現(xiàn)數(shù)據(jù)缺失問題。數(shù)據(jù)缺失破壞了原數(shù)據(jù)的完整性和真實性，很多的統(tǒng)計工具直接將缺失數(shù)據(jù)缺省，這種處理方法雖然效率高，但當使用處理過的數(shù)據(jù)集進行數(shù)據(jù)挖掘時，將會使聚類模型產(chǎn)生傾斜，從而使挖掘結(jié)果產(chǎn)生偏差。目前比較好的缺失值處理方法是對不完整的數(shù)據(jù)記錄進行填充。數(shù)據(jù)填充常見算法有KNN、貝葉斯網(wǎng)絡(luò)、神經(jīng)網(wǎng)絡(luò)等。KNN算法計算量較大；貝葉斯網(wǎng)絡(luò)需要的數(shù)據(jù)多，分析計算比較復(fù)雜，特別在解決復(fù)雜問題時，這個矛盾就更為突出；神經(jīng)網(wǎng)絡(luò)算法常常會出現(xiàn)局部最優(yōu)的問題，而且無法用神經(jīng)網(wǎng)絡(luò)直觀地解釋推理過程和推理依據(jù)。技術(shù)實現(xiàn)要素：本發(fā)明的目的是為解決利用數(shù)據(jù)對設(shè)備進行故障診斷時出現(xiàn)數(shù)據(jù)缺失的問題。為實現(xiàn)本發(fā)明目的而采用的技術(shù)方案是這樣的，一種基于相鄰數(shù)據(jù)特征的數(shù)據(jù)缺失填充方法，其特征在于:讀取一段按照時間順序排列的數(shù)據(jù)序列；所述數(shù)據(jù)序列中，存在n個數(shù)據(jù)，所述數(shù)據(jù)序列為data(x1)、data(x2)……data(xn)表示，x1、x2……xn為時間序列Q，n為自然數(shù)；所述數(shù)據(jù)序列中，缺失了編號為i的數(shù)據(jù)，即data(i)，i為等差數(shù)列Q中的一個值；填充編號為i的數(shù)據(jù)，包括以下步驟：1)讀取與編號為i的數(shù)據(jù)相鄰的數(shù)據(jù)data(i-1)；在所述數(shù)據(jù)序列中，從頭開始尋找與data(i-1)之差的絕對值小于0.02的數(shù)據(jù)；如果沒有找到這樣的數(shù)據(jù)，則下一步直接進入步驟5)；如果找到這樣的一個或多個數(shù)據(jù)，令其中一個數(shù)據(jù)的序列號為k-1，即該數(shù)據(jù)記為data(k-1)，并進入下一步，k為時間序列Q中的一個值；如果1<i<4，即缺失值處于數(shù)據(jù)序列左邊界位置，則下一步直接進入步驟3)。2)讀取data(k)和data(i)左邊的三個數(shù)據(jù)，將data(k-3)、data(k-2)和data(k-1)進行一次擬合，data(i-3)、data(i-2)和data(i-1)進行一次擬合；如果data(k-3)、data(k-2)和data(k-1)的變化趨勢與data(i-3)、data(i-2)和data(i-1)的變化趨勢相同，則進入下一步；否則，回到步驟1)，重新選取data(k-1)，但無法通過步驟1)選取data(k-1)時，則進入步驟5)；如果i>n-3，即缺失值處于數(shù)據(jù)序列右邊界位置，則下一步直接進入步驟4)。3)讀取data(k)和data(i)右邊的三個數(shù)據(jù)，將data(k+3)、data(k+2)和data(k+1)進行一次擬合，data(i+3)、data(i+2)和data(i+1)進行一次擬合；如果data(k+3)、data(k+2)和data(k+1)的變化趨勢與data(i+3)、data(i+2)和data(i+1)的變化趨勢相同，則進入下一步；否則，回到步驟1)，重新選取data(k-1)，但無法通過步驟1)選取data(k-1)時，則進入步驟5)；4)將data(k)保存到數(shù)據(jù)集K中，回到步驟1)，重新選取data(k-1)，直到無法通過步驟1)選取data(k-1)時，進入下一步；5)若被保存數(shù)據(jù)只有1個數(shù)據(jù)data(k)，則若沒有數(shù)據(jù)被保存下來，則取缺失值data(i)左右兩側(cè)數(shù)據(jù)的平均值。由于這兩種情況出現(xiàn)概率較小，在流程圖中舍去對這兩種情況的介紹。如果數(shù)據(jù)集K存在j-1(j>2)個數(shù)據(jù)，則將數(shù)據(jù)集K里面的數(shù)據(jù)擬合為f(x)，令M＝f(j)。6)將數(shù)值M填充到data(i)的位置上。進一步，步驟1)開始前，對data(x1)、data(x2)……data(xn)歸一化處理。本發(fā)明的技術(shù)效果是毋庸置疑的，利用此方法，不必知道數(shù)據(jù)的具體周期，不僅有效得到非邊界缺失值的填充值，也有效得到其他方法不易得到的邊界缺失值的填充值。附圖說明圖1為本發(fā)明的流程圖，部分流程省略。圖2實施例中的某地區(qū)變壓器A相油溫歸一化數(shù)據(jù)。圖3實施例中的有缺失值的某地區(qū)變壓器A相油溫數(shù)據(jù)。圖4實施例中的填充缺失值后的油溫曲線與原始油溫曲線對比圖。具體實施方式下面結(jié)合實施例對本發(fā)明作進一步說明，但不應(yīng)該理解為本發(fā)明上述主題范圍僅限于下述實施例。在不脫離本發(fā)明上述技術(shù)思想的情況下，根據(jù)本領(lǐng)域普通技術(shù)知識和慣用手段，做出各種替換和變更，均應(yīng)包括在本發(fā)明的保護范圍內(nèi)。下面將結(jié)合本發(fā)明實例中的附圖，對本發(fā)明實施例中的技術(shù)方案進行清楚、完整地描述，顯然，所描述的實施例僅僅是本發(fā)明一部分實施例，而不是全部的實施例?；诎l(fā)明中的實施例，本領(lǐng)域普通技術(shù)人員在沒有作出創(chuàng)造性勞動前提下所獲得的所有其他實施例，都屬于本發(fā)明保護的范圍。本說明書以某地區(qū)變壓器A相溫度油溫120個數(shù)據(jù)為例，現(xiàn)將數(shù)據(jù)歸一化，如圖2所示。分別剔除了第3、53、61、85、117位數(shù)據(jù)，模擬缺失值問題，如圖3所示。在本實施例中，采用了上述基于相鄰數(shù)據(jù)特征的缺失值填充方法，具體計算過程如下：1、讀取數(shù)據(jù)，檢測出第3、53、61、85、117位數(shù)據(jù)缺失，最大值為50.21。2、將數(shù)據(jù)都除以50.21，進行歸一化。3、以處于第3位的缺失值為例，第17、18、30、35、36、38、51、52、54、69、72、86、90、100、108位數(shù)據(jù)與之近似相等，但符合要求的是第36、69、90位數(shù)據(jù)，目標數(shù)據(jù)為第37、70、91位數(shù)據(jù)，分別是0.90565624、0.90517825、0.86108345，橫坐標數(shù)量級太小就會致使擬合效果很差，所以，橫坐標第一個數(shù)據(jù)為1，第二個數(shù)據(jù)為400，第j個數(shù)據(jù)為398+j的形式。用最小二乘法擬合得到f(x)＝-5.659×10-5x+0.9058，可預(yù)測出歸一化后的第四個數(shù)據(jù)為f(402)＝0.88305082，還原得44.33798。4、得到上述缺失值對應(yīng)填充值分別為(44.32205，43.13566，50.2100，43.34584，43.22929)。5、將填充值放回對應(yīng)缺失位置上，如圖4所示，紅色為原數(shù)據(jù)，綠色為填充值數(shù)據(jù)。利用此方法計算的填充值與原數(shù)據(jù)對比，求出的誤差如表1所示。由表1可以看出，本方法計算誤差普遍較小，驗證了算法的可行性。表1缺失值計算值及其誤差原數(shù)據(jù)位置序號缺失值計算值絕對誤差相對誤差44.8470344.33798-0.50902-0.0113543.03205343.135661.305980.0024150.12106150.2100-5.78302-0.0017744.32098543.345840.017080.0113142.381011743.229291.956980.020016當前第1頁1 2 3