一种UPS故障预测方法与流程

本发明涉及设备故障预测方法技术领域，更具体地说涉及一种ups(不间断电源)的故障预测方法。

背景技术：

目前众多的机器设备中都配置有ups(不间断电源)，以防止由于市电不稳定或者市电中断等原因导致机器设备停止运行，影响相关工作进度。

现有的在线互动式ups的工作原理如下，当市电正常时，ups中的双向变换器工作在整流状态，向蓄电池充电，市电通过ups的智能调压器直接向负载供电，当市电异常时，双向变换器工作在逆变状态，蓄电池通过双向变换器向负载进行供电。

从上面ups的工作原理可以看出，现有的ups均配置有相应的传感器检测相应的电压电流信号，再通过网络通信设备进行信号传输，虽然能实时监控功能，但是却无法对ups潜在的故障进行预测，ups在运行过程中一旦发生故障，将对所供电负载的运行造成严重的不良影响。

技术实现要素：

本发明要解决的技术问题是：提供一种基于随机森林的ups故障预测方法。

本发明解决其技术问题的解决方案是：

一种ups故障预测方法，包括以下步骤：

步骤100，构建训练数据库，所述训练数据库包括多个训练样本；

步骤200，构建并初始化随机森林模型，所述随机森林模型包括多个决策树；

步骤300，将多个所述训练样本输入到随机森林模型中，完成决策树模型的训练操作；

步骤400，采集ups的实时状态参数，组成待测样本；

步骤500，将所述待测样本输入到随机森林模型中，所述随机森林模型输出ups的故障预测结果。

作为上述技术方案的进一步改进，所述训练样本包括状态参数以及故障标签，所述状态参数以及实时状态参数均包括市电电压、市电频率、双向变换器状态、ups输出电压、ups输出电流、ups湿度、ups温度、ups噪声以及蓄电池电量。

作为上述技术方案的进一步改进，步骤300包括以下步骤：

步骤310，将所述训练样本中的状态参数以及故障标签标准化；

步骤320，从一个训练样本中以随机的方式抽取m个特征变量；

步骤330，在决策树的种类节点处，按照基尼不纯度最小原则从m个特征变量中选取一个分类效果最好的特征xi，将该种类节点分为两个分支，所述基尼不纯度原则为其中p(i)表示每一类占总类数的比例；

步骤340，对决策树的每个种类节点重复上述步骤330所示的操作，直到所述决策树能够准确分类训练样本或者决策树中每个种类节点的基尼不纯度达到最小；

步骤350，选取下一个训练样本，重复步骤320至步骤340，直到所有抽取训练样本所对应的决策树构建完毕；

步骤360，对所有决策树进行剪枝操作；

步骤370，所有训练样本所构建出来的决策树共同组成随机森林模型，所述随机森林模型构建完毕。

作为上述技术方案的进一步改进，所述ups温度包括变压器温度值、变压器温度值变化率、开关管温度值以及开关管温度值变化率。

本发明的有益效果是：本发明首先完成随机森林模型的训练操作，通过采集ups的实时工作参数，利用随机森林模型对ups的实时工作参数进行处理以实现对ups潜在故障进行预测的功能，便于相关工作人员对ups的运行状况进行干预，有效降低ups发生故障的概率。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单说明。显然，所描述的附图只是本发明的一部分实施例，而不是全部实施例，本领域的技术人员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设计方案和附图。

图1是本发明的方法流程图。

具体实施方式

以下将结合实施例和附图对本发明的构思、具体结构及产生的技术效果进行清楚、完整的描述，以充分地理解本发明的目的、特征和效果。显然，所描述的实施例只是本申请的一部分实施例，而不是全部实施例，基于本申请的实施例，本领域的技术人员在不付出创造性劳动的前提下所获得的其他实施例，均属于本申请保护的范围。

参照图1，本技术方案公开了一种ups故障预测方法，包括以下步骤：

步骤100，构建训练数据库，所述训练数据库包括多个训练样本；

步骤200，构建并初始化随机森林模型，所述随机森林模型包括多个决策树；

步骤300，将多个所述训练样本输入到随机森林模型中，完成决策树模型的训练操作；

步骤400，采集ups的实时状态参数，组成待测样本；

步骤500，将所述待测样本输入到随机森林模型中，所述随机森林模型输出ups的故障预测结果。

具体地，本技术方案首先完成随机森林模型的训练操作，通过采集ups的实时工作参数，利用随机森林模型对ups的实时工作参数进行处理以实现对ups潜在故障进行预测的功能，便于相关工作人员对ups的运行状况进行干预，有效降低ups发生故障的概率。

进一步作为优选的实施方式，本申请具体实施方式中，所述训练样本包括状态参数以及故障标签，所述状态参数以及实时状态参数均包括市电电压、市电频率、双向变换器状态、ups输出电压、ups输出电流、ups湿度、ups温度、ups噪声以及蓄电池电量。

进一步作为优选的实施方式，本申请具体实施方式中，步骤300包括以下步骤：

步骤310，将所述训练样本中的状态参数以及故障标签标准化；

步骤320，从一个训练样本中以随机的方式抽取m个特征变量；

步骤330，在决策树的种类节点处，按照基尼不纯度最小原则从m个特征变量中选取一个分类效果最好的特征xi，将该种类节点分为两个分支，所述基尼不纯度原则为其中p(i)表示每一类占总类数的比例；

步骤340，对决策树的每个种类节点重复上述步骤330所示的操作，直到所述决策树能够准确分类训练样本或者决策树中每个种类节点的基尼不纯度达到最小；

步骤350，选取下一个训练样本，重复步骤320至步骤340，直到所有抽取训练样本所对应的决策树构建完毕；

步骤360，对所有决策树进行剪枝操作；

步骤370，所有训练样本所构建出来的决策树共同组成随机森林模型，所述随机森林模型构建完毕。

进一步作为优选的实施方式，本申请具体实施方式中，所述ups温度包括变压器温度值、变压器温度值变化率、开关管温度值以及开关管温度值变化率。为进一步提高随机森林模型对ups故障预测的准确度，本技术方案中需要同时检测变压器温度值、变压器温度值变化率、开关管温度值以及开关管温度值变化率。具体地，实际应用中，工作人员可绘制ups的运行状态，绘制出变压器温度以及时间的对应曲线以及开关管温度以及时间的对应曲线，通过这两条曲线即可计算出变压器温度值变化率以及开关管温度值变化率。

以上对本申请的较佳实施方式进行了具体说明，但本申请并不限于所述实施例，熟悉本领域的技术人员在不违背本发明精神的前提下还可作出种种的等同变型或替换，这些等同的变型或替换均包含在本申请权利要求所限定的范围内。