一种基于决策树的通信铁塔故障诊断方法

摘要

本发明实施例公开了一种基于决策树的通信铁塔故障诊断方法，包括：选取了通信铁塔相关监测参数和故障类型；基于SPSS软件对监测数据进行筛选和离散化处理；对C4.5决策树算法进行优化；根据优化的C4.5决策树算法建立决策树模型，并通过该决策树模型建立故障诊断规则；利用建立的诊断规则进行通信铁塔故障的诊断和预测。本申请能有效的解决铁塔故障诊断中误差大，数据利用率低和数据量大难以处理的问题，提高了故障诊断准确率。

说明书

技术领域

本发明涉及通信铁塔维护技术领域，尤其涉及一种基于决策树的通信铁塔故障诊断方法。

背景技术

在现有的通信铁塔维护工作中，对通信铁塔的故障诊断方法经常需要人为经验去制定，同时随着物联网监测技术的不断发展，铁塔的监测数据出现了数据量大，属性冗杂等特点，这些因素都给铁塔的故障诊断增加了难度。

发明内容

本发明实施例所要解决的技术问题在于，提供一种基于决策树的通信铁塔故障诊断方法。利用大数据处理技术和机器学习算法生成故障诊断规则，能有效的对通信铁塔进行故障诊断与预测。

为了解决上述技术问题，本发明实施例提供了一种基于决策树的通信铁塔故障诊断方法，包括以下步骤：

S1：选取通信铁塔相关监测参数和故障类型；

S2：基于SPSS分析软件对监测数据进行预处理，包括数据筛选和离散化处理，得到离散化数据；

S3：根据C4.5算法建立决策树模型；

S4：使用肯德尔和谐系数对C4.5算法进行优化，并生成优化之后的决策树模型，建立诊断规则；

S5：利用建立的诊断规则进行通信铁塔故障的诊断和预测。

其中，所述步骤S1中监测参数包括风速，倾角，振动幅度，三轴振动加速度。

其中，所述步骤S2中还包括对所述监测数据使用SPSS分析软件进行变量的分类与标准化。

其中，所述步骤S3具体包括步骤：

S31：计算各判断属性的信息熵；

S32：计算信息增益；

S33：使用所述信息增益率来判断最优属性作为决策树根节点；

S34：选取特征增益率最大的特征作为根节点，该特征在不再参与下面的计算，剩下的特征重复以上计算步骤，直到构建出一颗完整的决策树；

S35：进行决策树后剪枝，从下而上对所有的内部节点进行剪枝性能分析，并与未剪枝之前进行性能比较，直至呈现出一棵合适的决策树。

其中，所述步骤S4具体包括步骤：

S41：引入肯德尔和谐系数；

S42：根据等价无穷小原理In(1+x)≈x及换底公式将C4.5算法优化。

其中，所述步骤S5具体包括步骤：

将生成的决策树模型使用Python语言实现之后首先输入训练集进行训练，然后将实时监测的数据输入，获得对应的故障分类结果。

实施本发明实施例，具有如下有益效果：

附图说明

图1为本发明的流程示意图；

图2为本发明的C4.5决策树算法结构示意图。

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，下面将结合附图对本发明作进一步地详细描述。

如图1所示，本发明提供一种基于决策树的通信铁塔故障诊断方法，包含步骤：

S1：选取通信铁塔相关监测参数，基于SPSS软件对监测数据进行分析；

随着通信铁塔监测技术的不断完善，如今的监测技术可以监测到铁塔的各类属性。主要监测的性能参数包括：风速、风向、温度、倾角、振动幅度和三轴振动加速度等，要对这些数据进行分析，需要明确相应的故障类型，目前通信铁塔的故障类型主要有：倾斜，裂纹，形变，螺栓松动等。

S2：基于SPSS软件对监测数据进行筛选和离散化处理；

对于监测系统产生的大量数据，在构建算法模型之前需要对数据进行预处理和简单的分析。数据的筛选需要考虑是否和日常维护相关，因此重点选用风速，倾角，振动幅度，三轴振动加速度作为判断属性。同时使用SPSS对数据进行K均值聚类分析，实现连续型数据的离散化，SPSS软件具有内置的聚类分析模型，可以计算变量之间的和谐关系，将类似变量归为一类，展示分类结果，并且对数据本身进行标准化。

连续值处理：采用K均值聚类分析方法，将样本D分为几个子集，计算各个子集之间的距离，将距离相近的子集划分到一起，其定义为：

给定样本集D{x

S3：根据C4.5决策树算法建立决策树模型；具体包括：

S31：计算各判断属性信息熵；

假设一个随机变量X的取值为X＝{x

S32：根据S31，计算信息增益；

特征A对训练数据集S的信息增益g(S,A)，定义为集合S的信息熵H(S)与特征A给定条件下S的信息条件熵H(S|A)之差，信息增益定义式为g(S,A)＝H(S)-H(S|A)。

S33：根据S32，计算信息增益率来判断最优属性作为决策树根节点；

特征A的信息增益率可以用如下公式表示：

S34：根据S33的结果，选取特征增益率最大的特征作为根节点，该特征在不再参与下面的计算，剩下的特征重复以上计算步骤，直到构建出一颗完整的决策树。

S35：在S34的基础上进行决策树后剪枝，需要从下而上对所有的内部节点进行剪枝性能分析，并与未剪枝之前进行性能比较，直至呈现出一棵合适的决策树。

S4：C4.5决策树算法的进一步优化；具体包括：

S41：引入肯德尔和谐系数；

肯德尔和谐系数用来判断多个变量之间的和谐程度，设Z为数据集，由N个特征变量A和S个决策变量B组成，设C

当W的值趋向于－1时，表明变量之间存在对立的相关性，当W的值趋向与1时，表明变量之间存在一致的相关性，当W＝0时，表明变量之间相互独立。

S42：算法优化；

将W代入S3中公式得：信息增益定义式为g(S,A)＝H(S)-H(S|A)×W。

再根据等价无穷小原理In(1+x)≈x及换底公式得：信息熵公式为

根据特征A将数据集S划分为n个子集：(A

信息增益

其中

如图2所示，引入肯德尔和谐系数对上述算法的计算过程进行优化，建立决策树模型，可以使得分类结果更加精确，提高算法的效率。

S5：利用建立的诊断规则进行通信铁塔故障的诊断和预测；

将生成的决策树模型使用Python语言实现之后首先输入训练集进行训练，然后将实时监测的数据输入，即可获得对应的故障分类结果，管理人员即可根据该分类结果作出相应的风险评价。

以上所揭露的仅为本发明一种较佳实施例而已，当然不能以此来限定本发明之权利范围，因此依本发明权利要求所作的等同变化，仍属本发明所涵盖的范围。