本發(fā)明涉及數(shù)據(jù)清理，具體涉及一種用于電控柜的全面自動化測試方法及系統(tǒng)。

背景技術(shù)：

1、電控柜，全稱為電氣控制柜，通過集成多種電氣元件從而實現(xiàn)對設(shè)備的集中控制，即電控柜的全面自動化。為了發(fā)現(xiàn)設(shè)備的潛在故障點從而提高電控柜的可靠性和使用壽命，還需要對電控柜的性能進(jìn)行測試，現(xiàn)有方法通常通過軟件模擬檢測實現(xiàn)對電控柜的全面自動化測試。

2、當(dāng)前，在對電控柜進(jìn)行測試時，通常會獲取電控柜的大量運行數(shù)據(jù)，然后利用軟件模擬進(jìn)行檢測，因此獲取的數(shù)據(jù)的質(zhì)量對于整個模擬檢測過程至關(guān)重要。由于采集數(shù)據(jù)時會受到環(huán)境等因素的干擾，獲取到的數(shù)據(jù)會存在噪聲，而在對數(shù)據(jù)進(jìn)行去噪時，現(xiàn)有技術(shù)通常采用無差別去噪，然而，考慮到仿真模型檢測所需的數(shù)據(jù)量較大，使用無差別去噪會造成效率低下，因此如何在大量的數(shù)據(jù)中，精準(zhǔn)且高效的篩選出存在噪聲的數(shù)據(jù)成為了模擬檢測過程中的關(guān)鍵問題。

技術(shù)實現(xiàn)思路

1、為了解決使用無差別去噪的方法對大量數(shù)據(jù)進(jìn)行去噪會造成效率低下，進(jìn)而影響到測試結(jié)果的準(zhǔn)確度的技術(shù)問題，本發(fā)明的目的在于提供一種用于電控柜的全面自動化測試方法及系統(tǒng)，所采用的技術(shù)方案具體如下：

2、對于電控柜的任意一項性能參數(shù)，獲取每個測試時段內(nèi)該性能參數(shù)的參數(shù)數(shù)據(jù)集，每個所述參數(shù)數(shù)據(jù)集中包括多個數(shù)據(jù)周期的參數(shù)時序數(shù)據(jù)；

3、根據(jù)每個參數(shù)數(shù)據(jù)集中各個參數(shù)時序數(shù)據(jù)之間的相似情況，對所有的參數(shù)時序數(shù)據(jù)進(jìn)行聚類，得到聚類結(jié)果；根據(jù)每個參數(shù)數(shù)據(jù)集中所有參數(shù)時序數(shù)據(jù)的數(shù)值特征以及頻繁模式挖掘算法，對聚類結(jié)果中各個聚類簇中的參數(shù)時序數(shù)據(jù)進(jìn)行融合分析，得到每個參數(shù)數(shù)據(jù)集對應(yīng)的頻繁模式模型；

4、在所述頻繁模式模型中，基于各個項在所有參數(shù)時序數(shù)據(jù)中的分布情況、頻繁項集之間的相似情況，以及頻繁項集在頻繁模式模型中的位置，確定每個參數(shù)數(shù)據(jù)集的噪聲存在概率；根據(jù)每個參數(shù)數(shù)據(jù)集的噪聲存在概率、參數(shù)數(shù)據(jù)集中各個參數(shù)時序數(shù)據(jù)中數(shù)值的變化趨勢改變情況以及數(shù)值波動情況，得到每個參數(shù)數(shù)據(jù)集的數(shù)據(jù)質(zhì)量；

5、根據(jù)所有測試時段的參數(shù)數(shù)據(jù)集對應(yīng)的數(shù)據(jù)質(zhì)量，在所有參數(shù)數(shù)據(jù)集中篩選噪聲數(shù)據(jù)集并對噪聲數(shù)據(jù)集中的參數(shù)時序數(shù)據(jù)進(jìn)行去噪，得到所有測試時段對應(yīng)的高質(zhì)量數(shù)據(jù)集；基于所有性能參數(shù)對應(yīng)的所有高質(zhì)量數(shù)據(jù)集進(jìn)行電控柜的性能測試。

6、進(jìn)一步地，所述聚類結(jié)果的獲取方法包括：

7、在每個參數(shù)數(shù)據(jù)集中，對于任意兩個不同數(shù)據(jù)周期內(nèi)的參數(shù)時序數(shù)據(jù)，基于數(shù)值之間的差異性以及數(shù)值的斜率值之間的差異情況，確定兩個參數(shù)時序數(shù)據(jù)之間的差異特征值；

8、將參數(shù)時序數(shù)據(jù)之間的差異特征值作為距離度量，基于預(yù)設(shè)k值對參數(shù)數(shù)據(jù)集中的所有參數(shù)時序數(shù)據(jù)進(jìn)行k-means聚類分析，得到所述聚類結(jié)果。

9、進(jìn)一步地，所述頻繁模式模型的獲取方法包括：

10、對于任意一個參數(shù)數(shù)據(jù)集，基于該參數(shù)數(shù)據(jù)集中的數(shù)值最大值以及數(shù)值最小值確定數(shù)值范圍，將所述數(shù)值范圍進(jìn)行均勻劃分，得到預(yù)設(shè)數(shù)量個區(qū)間范圍，將不同的區(qū)間范圍用不同的標(biāo)簽進(jìn)行標(biāo)記；

11、利用所述標(biāo)簽對每個參數(shù)時序數(shù)據(jù)中的每個數(shù)值進(jìn)行替換，得到每個參數(shù)時序數(shù)據(jù)對應(yīng)的標(biāo)簽序列；

12、獲取每個標(biāo)簽在該參數(shù)數(shù)據(jù)集中的出現(xiàn)頻率；在每個聚類簇中，根據(jù)所有標(biāo)簽的出現(xiàn)頻率以及每個聚類簇中標(biāo)簽序列的數(shù)量，得到每個聚類簇的重要程度指標(biāo)，每個聚類簇中標(biāo)簽序列的數(shù)量和標(biāo)簽的出現(xiàn)頻率均與所述重要程度指標(biāo)呈正相關(guān)；

13、在該參數(shù)數(shù)據(jù)集對應(yīng)的聚類結(jié)果中，基于fp-growth算法對每個聚類簇中的所有標(biāo)簽序列進(jìn)行分析，得到每個聚類簇對應(yīng)的頻繁模式樹；基于重要程度指標(biāo)對所有聚類簇對應(yīng)的頻繁模式樹進(jìn)行降序排列，得到排列序列，在所述排列序列中，將第一個頻繁模式樹作為目標(biāo)樹，將目標(biāo)樹后一個頻繁模式樹作為待分析樹，將待分析樹與目標(biāo)樹存在差異的部分添加到目標(biāo)樹中，得到新的目標(biāo)樹；將待分析樹后一個頻繁模式樹作為新的待分析樹，將新的待分析樹與新的目標(biāo)樹中存在差異的部分添加到新的目標(biāo)樹中，不斷確定新的目標(biāo)樹，直至對排列序列中的頻繁模式樹遍歷完成后停止，將此時新的目標(biāo)樹作為該參數(shù)數(shù)據(jù)集對應(yīng)的頻繁模式模型。

14、進(jìn)一步地，所述噪聲存在概率的獲取方法包括：

15、對于任意一個參數(shù)數(shù)據(jù)集，獲取對應(yīng)頻繁模式模型中的所有頻繁項集；頻繁項集內(nèi)各個項的出現(xiàn)頻率為項對應(yīng)的標(biāo)簽在參數(shù)數(shù)據(jù)集中的出現(xiàn)頻率；

16、對于任意一個頻繁項集，基于該頻繁項集中各個項的出現(xiàn)頻率，確定該頻繁項集的第一整體含噪因子，所述第一整體含噪因子與出現(xiàn)頻率呈負(fù)相關(guān)；基于該頻繁項集對應(yīng)路徑在頻繁模式模型中的分叉點數(shù)量，確定該頻繁項集的第二整體含噪因子，所述第二整體含噪因子與所述分叉點數(shù)量呈負(fù)相關(guān)；

17、將所有頻繁項集的第一整體含噪因子與第二整體含噪因子進(jìn)行融合并均值化處理，得到該參數(shù)數(shù)據(jù)集的第一含噪指標(biāo)，所述第一整體含噪因子與第二整體含噪因子均與所述第一含噪指標(biāo)呈正相關(guān)；

18、基于所有頻繁項集之間的相似情況，確定該參數(shù)數(shù)據(jù)集的第二含噪指標(biāo)；

19、根據(jù)該參數(shù)數(shù)據(jù)集的第一含噪指標(biāo)與第二含噪指標(biāo)，得到該參數(shù)數(shù)據(jù)集的噪聲存在概率，所述第一含噪指標(biāo)與第二含噪指標(biāo)均與所述噪聲存在概率呈正相關(guān)。

20、進(jìn)一步地，所述第二含噪指標(biāo)的獲取方法包括：

21、在所有的頻繁項集中，將項數(shù)相同的頻繁項集作為一類頻繁項集；

22、在任意一類頻繁項集中，將任意兩個頻繁項集進(jìn)行組合，得到所有不重復(fù)的組合；對于任意一個組合，基于兩個頻繁項集中相同位置的項的差異情況，確定該組合中頻繁項集的獨立程度值；

23、將所有類頻繁項集的所有組合對應(yīng)的獨立程度值的均值作為該參數(shù)數(shù)據(jù)集的第二含噪指標(biāo)。

24、進(jìn)一步地，所述數(shù)據(jù)質(zhì)量的獲取方法包括：

25、將噪聲存在概率大于或等于預(yù)設(shè)噪聲閾值的參數(shù)數(shù)據(jù)集作為目標(biāo)數(shù)據(jù)集，將噪聲存在概率小于預(yù)設(shè)噪聲閾值的參數(shù)數(shù)據(jù)集作為正常數(shù)據(jù)集，正常數(shù)據(jù)集的數(shù)據(jù)質(zhì)量設(shè)置為不小于1的固定值；

26、對于任意一個目標(biāo)數(shù)據(jù)集，基于該目標(biāo)數(shù)據(jù)集中各個參數(shù)時序數(shù)據(jù)的變化趨勢改變情況，確定該目標(biāo)數(shù)據(jù)集的第一質(zhì)量參數(shù)；

27、在該目標(biāo)數(shù)據(jù)集對應(yīng)的每個參數(shù)時序數(shù)據(jù)中，基于每個數(shù)值與所有數(shù)值均值之間的偏差情況，得到每個數(shù)值的偏差因子，基于所有數(shù)值的偏差因子確定每個參數(shù)時序數(shù)據(jù)的整體質(zhì)量因子，且所述整體質(zhì)量因子與所述偏差因子呈負(fù)相關(guān)；將所有參數(shù)時序數(shù)據(jù)的整體質(zhì)量因子進(jìn)行均值化處理，得到該目標(biāo)數(shù)據(jù)集的第二質(zhì)量參數(shù)；

28、根據(jù)該目標(biāo)數(shù)據(jù)集的噪聲存在概率、第一質(zhì)量參數(shù)以及第二質(zhì)量參數(shù)，得到該目標(biāo)數(shù)據(jù)集的數(shù)據(jù)質(zhì)量，所述噪聲存在概率、第一質(zhì)量參數(shù)以及第二質(zhì)量參數(shù)，均與數(shù)據(jù)質(zhì)量呈負(fù)相關(guān)，且所述數(shù)據(jù)質(zhì)量的取值為歸一化后的數(shù)值。

29、進(jìn)一步地，所述第一質(zhì)量參數(shù)的獲取方法包括：

30、獲取該目標(biāo)數(shù)據(jù)集中每個參數(shù)時序數(shù)據(jù)中的極值點數(shù)量，基于所有參數(shù)時序數(shù)據(jù)的極值點數(shù)量的和值在所有參數(shù)時序數(shù)據(jù)的數(shù)值總數(shù)中的占比，確定該目標(biāo)數(shù)據(jù)集的第一質(zhì)量參數(shù)。

31、進(jìn)一步地，所述高質(zhì)量數(shù)據(jù)集的獲取方法包括：

32、在所有參數(shù)數(shù)據(jù)集中，將數(shù)據(jù)質(zhì)量小于或等于預(yù)設(shè)質(zhì)量閾值的參數(shù)數(shù)據(jù)集作為噪聲數(shù)據(jù)集；

33、基于卡爾曼濾波方法對每個噪聲數(shù)據(jù)集中的所有參數(shù)時序數(shù)據(jù)進(jìn)行去噪，得到每個噪聲數(shù)據(jù)集對應(yīng)的去噪數(shù)據(jù)集；

34、將數(shù)據(jù)質(zhì)量大于預(yù)設(shè)質(zhì)量閾值的參數(shù)數(shù)據(jù)集與所有的去噪數(shù)據(jù)集，作為所有測試時段對應(yīng)的高質(zhì)量數(shù)據(jù)集。

35、進(jìn)一步地，所述基于所有性能參數(shù)對應(yīng)的所有高質(zhì)量數(shù)據(jù)集進(jìn)行電控柜的性能測試，包括：

36、建立與電控柜對應(yīng)的仿真測試模型，將所有性能參數(shù)對應(yīng)的所有高質(zhì)量數(shù)據(jù)集作為所述仿真測試模型的數(shù)據(jù)庫，進(jìn)行電控柜的性能測試，得到測試結(jié)果。

37、本發(fā)明還提出了一種用于電控柜的全面自動化測試系統(tǒng)，所述系統(tǒng)包括：

38、存儲器、處理器以及存儲在所述存儲器中并可在所述處理器上運行的計算機(jī)程序，所述處理器執(zhí)行所述計算機(jī)程序時可實現(xiàn)任意一項所述方法的步驟。

39、本發(fā)明具有如下有益效果：

40、本發(fā)明可以在利用仿真測試模型對電控柜進(jìn)行檢測時，準(zhǔn)確的從大量的數(shù)據(jù)中篩選出噪聲數(shù)據(jù)，從而進(jìn)行針對性的去噪處理，有效提高效率，同時保證后續(xù)模型測試結(jié)果的準(zhǔn)確度。首先，針對任意一項性能參數(shù)，需要獲取多個測試時段內(nèi)該性能參數(shù)的參數(shù)數(shù)據(jù)集，且參數(shù)數(shù)據(jù)集中包含了多個參數(shù)時序數(shù)據(jù)，由于噪聲數(shù)據(jù)相較于正常數(shù)據(jù)而言，屬于偶然現(xiàn)象，因此可以基于數(shù)據(jù)之間的相似性，對每個參數(shù)數(shù)據(jù)集中的參數(shù)時序數(shù)據(jù)進(jìn)行聚類分析，得到聚類結(jié)果，此時各個聚類結(jié)果中各個聚類簇中的參數(shù)時序數(shù)據(jù)在一定程度上可以區(qū)分出參數(shù)數(shù)據(jù)集中的正常數(shù)據(jù)以及噪聲數(shù)據(jù)。進(jìn)一步地，基于參數(shù)數(shù)據(jù)集中所有參數(shù)時序數(shù)據(jù)的數(shù)值特征，以及頻繁模式挖掘算法，對聚類結(jié)果中各個聚類簇進(jìn)行融合分析，從而得到頻繁模式模型，此時的頻繁模式模型可以更加顯著的表征出正常數(shù)據(jù)與噪聲數(shù)據(jù)的區(qū)別。進(jìn)一步地，可以對頻繁模式模型進(jìn)行分析，分析數(shù)據(jù)間的關(guān)聯(lián)性和頻繁模式以及頻繁項集在頻繁模式模型中的位置分布，從而量化噪聲數(shù)據(jù)存在的可能性，得到參數(shù)數(shù)據(jù)集的噪聲存在概率，為后續(xù)評估參數(shù)數(shù)據(jù)集的質(zhì)量提供參考。進(jìn)一步地，由于噪聲數(shù)據(jù)在數(shù)據(jù)波動上以及趨勢變化上存在特征，所以綜合考慮參數(shù)時序數(shù)據(jù)的變化趨勢和數(shù)據(jù)波動情況，并結(jié)合噪聲存在概率，可以更加準(zhǔn)確地評估參數(shù)數(shù)據(jù)集的數(shù)據(jù)質(zhì)量。這有助于準(zhǔn)確識別并篩選出噪聲數(shù)據(jù)集，進(jìn)而對其進(jìn)行去噪處理，得到高質(zhì)量的數(shù)據(jù)集。最后，基于所有性能參數(shù)對應(yīng)的高質(zhì)量數(shù)據(jù)集進(jìn)行電控柜的性能測試，得到測試結(jié)果。本發(fā)明由于可以準(zhǔn)確的篩選出噪聲數(shù)據(jù)集，從而在大量的數(shù)據(jù)集中僅對噪聲數(shù)據(jù)集進(jìn)行去噪，可以提高數(shù)據(jù)去噪處理效率，同時確保測試結(jié)果的準(zhǔn)確性和可靠性。