CN120030455B 一种基于故障数据集成的开关电源状态识别方法 （深圳市荣电创新技术有限公司）

(19)国家知识产权局(12)发明专利(65)同一申请的已公布的文献号(73)专利权人深圳市荣电创新技术有限公司道龙田社区大窝二路1号佳宝工业园C(72)发明人王贵周王世顺詹满冬张茂松(74)专利代理机构深圳知一慧众知识产权代理有限公司44973专利代理师苏卫一种基于故障数据集成的开关电源状态识别方法(57)摘要本发明公开了一种基于故障数据集成的开关电源状态识别方法，涉及数据处理与识别技术领域，包括：全面采集开关电源在运行过程中的各项参数数据；对采集到的原始数据进行清洗，去除噪声、异常值和缺失值，并对数据进行标准化处理；提取反映工作状态的时频域特征和小波变换特征；通过分析输入数据在不同时间步上的信息积累和变换，提取开关电源的时序特征；通过卷积神经网络提取开关电源的空间特征；筛选对开关电源状态识别影响程度高的特征。通过采用格拉姆角和场编码将一维时序数据转换为二维图像，通过卷积神经网络提取开关电源的空间利用至少一种传感器和监测设备，全面采集开关电源在运行过程中的各项参利用至少一种传感器和监测设备，全面采集开关电源在运行过程中的各项参数数据，获取故障发生前后的开关电源运行数据变化，并构建故障数据集对采集到的原始数据进行清洗，去除噪声、异常值和缺失值，并对数据进行标准化处理基于开关电源的工作原理和故障特性，提取反映工作状态的时频域特征和小波变换特征利用长短时记忆网络，通过分析输入数据在至少一个时间步上的信息积累和通过将时间序列转换为极坐标系，利用三角函数计算格拉姆矩阵，将一维数据映射为二维图像，并基于场编码的结果，生成对应的二维图像，通过卷积采用基于互信息和基于树模型的特征选择方法，筛选对开关电源状态识别影响程度高的特征，并输出为关键特征，将各项关键将训练好的模型部署到实际系统中，实时接收开关电源的监测数据，并利用模型对输入数据进行预测，预测结果以分类标签的形式输出，判当前的工作状态更新优化模型并持续学习新的故障模式和数据特征21.一种基于故障数据集成的开关电源状态识别方法，其特征在于，包括：利用至少一种传感器和监测设备，全面采集开关电源在运行过程中的各项参数数据，获取故障发生前后的开关电源运行数据变化，并构建故障数据集，所述参数数据包括电压、对采集到的原始数据进行清洗，去除噪声、异常值和缺失值，并对数据进行标准化处基于开关电源的工作原理和故障特性，提取反映工作状态的时频域特征和小波变换特利用长短时记忆网络，通过分析输入数据在至少一个时间步上的信息积累和变换，提取开关电源的时序特征；通过将时间序列转换为极坐标系，利用三角函数计算格拉姆矩阵，将一维数据映射为二维图像，并基于场编码的结果，生成对应的二维图像，通过卷积神经网络提取开关电源的空间特征；采用基于互信息和基于树模型的特征选择方法，筛选对开关电源状态识别影响程度高的特征，并输出为关键特征，将各项关键特征进行自适应融合，构建多维度特征融合状态识别模型；将训练好的模型部署到实际系统中，实时接收开关电源的监测数据，并利用模型对输入数据进行预测，预测结果以分类标签的形式输出，判断开关电源当前的工作状态；将新的故障数据反馈到系统中，更新优化模型并持续学习新的故障模式和数据特征；基于开关电源的工作原理和故障特性，提取反映工作状态的时频域特征和小波变换特征具体包括：开关电源通过电子开关元件的快速通断操作控制电源的能量转移，快速通断过程在至少一个储能元件中产生电压和电流的变化，实现电压的转换和稳定；观察开关电源的电压和电流波形，测量其过零率和斜率变化次数，反映电源的工作稳定性和负载变化情况；出性能和稳定性；利用傅里叶变换将电压和电流信号从时域转换到频域，分析至少一种频率成分的振幅和相位，识别电源中的谐波成分和噪声干扰；分析电源信号的功率谱密度，显示信号功率作为频率的函数的分布状况，识别电源中的异常频率成分；基于开关电源信号的特点，选择哈尔小波函数作为小波基函数进行小波变换，对开关电源的电压和电流信号进行连续小波变换，得到至少一个尺度下的小波系数。2.根据权利要求1所述的一种基于故障数据集成的开关电源状态识别方法，其特征在于，所述对采集到的原始数据进行清洗，去除噪声、异常值和缺失值，并对数据进行标准化处理具体包括：基于变量的合理取值范围和相互关系，检查数据的规范性与逻辑性，并利用各变量的样本均值代替无效值和缺失值；对于多来源数据进行关联性验证，通过验证数据之间的关联性选择特征属性；3采用滤波方法去除噪声；对于随机噪声，使用均值滤波计算邻域平均值进行平滑处理；对于椒盐噪声，使用中值滤波选取窗口数据的中值作为输出；对于高斯噪声，使用高斯滤波加权平滑信号；对于高频噪声，使用小波去噪通过信号分解处理噪声部分；对数据进行标准化处理，对各变量的每一个观察值取以10为底的对数值，并除以该变量最大值的以10为底的对数值。3.根据权利要求2所述的一种基于故障数据集成的开关电源状态识别方法，其特征在于，所述利用长短时记忆网络，通过分析输入数据在至少一个时间步上的信息积累和变换，提取开关电源的时序特征具体包括：获取开关电源在至少一个时间步上的运行数据，数据以时间序列的形式存在，各时间步有一个对应的数据点；基于数据的特性和任务需求，设计长短时记忆网络的结构，确定长短时记忆网络层的数量、各层的神经元数量和输入数据的维度；对运行数据进行预处理，将数据转换为样本数、时间步长和特征数三维数据，并将预处理后的数据输入到长短时记忆网络中；进行隐藏层设计，长短时记忆网络中，隐藏层提取时间序列中的特征，通过至少一层长短时记忆网络隐藏层，逐步提取更深层次的特征；基于任务需求，设置输出层的结构和激活函数，在提取时序特征的任务中，输出层为一个全连接层，将长短时记忆网络提取的特征映射到目标空间；选择均方误差函数作为损失函数进行长短时记忆网络构建；将预处理后的数据输入到长短时记忆网络中，进行前向传播和反向传播，通过优化器实时更新模型的权重；判断是否达到预设的训练轮数或损失函数是否收敛，若是，则结束训练，若否，则不作在训练完成后，从长短时记忆网络的隐藏层中提取出时间序列的特征，所述时间序列的特征包括开关电源在至少一个时间步上的信息积累和变换。4.根据权利要求3所述的一种基于故障数据集成的开关电源状态识别方法，其特征在于，所述通过将时间序列转换为极坐标系，利用三角函数计算格拉姆矩阵，将一维数据映射为二维图像，并基于场编码的结果，生成对应的二维图像，通过卷积神经网络提取开关电源的空间特征具体包括：将归一化后的时间序列数据转换到极坐标系中，在这个转换过程中将时间序列数据映射到一个单位圆上，各数据点对应单位圆上的一个点，通过三角函数计算得出其角度；利用余弦函数计算各时间戳之间数据点的角度和及角度差；对于时间序列中的任意两个数据点，计算它们之间的余弦相似度，通过计算各数据点之间的余弦相似度，构建格拉姆矩阵，反映时间序列中各时间戳之间的相关性；将计算得到的格拉姆矩阵的各元素按照0-255的取值范围映射到灰度值的范围，将其作为图像的像素值；设计卷积神经网络结构，输入层接收预处理后的数据，卷积层包含至少一个卷积核，提4取数据的局部特征，基于任务和数据调整卷积核的数量、大小和步长参数，池化层在卷积层之后，降低数据的维度，减少计算量，全连接层将卷积层提取的特征映射到输出空间，并用于分类或回归任务，输出层基于任务需求选择输出层函数；在卷积层中，卷积核在输入数据上滑动，进行元各卷积核生成一个新的特征映射，反映输入数据中的特定模式或特征；对于开关电源，空间特征包括波形数据的形态特征和图像数据中的空间分布特征，所述波形数据的形态特征包括峰值、谷值和波形宽度，所述图像数据中的空间分布特征包括热点和异常区域；将由时间序列转换得到的二维图像输入到卷积神经网络中，通过卷积操作，卷积神经网络自动学习并提取图像中的空间特征。5.根据权利要求4所述的一种基于故障数据集成的开关电源状态识别方法，其特征在于，所述采用基于互信息和基于树模型的特征选择方法，筛选对开关电源状态识别影响程度高的特征，并输出为关键特征，将各项关键特征进行自适应融合，构建多维度特征融合状态识别模型具体包括：使用互信息公式计算各特征与目标变量之间的互信息值，互信息值与该特征对目标变量的贡献正相关；基于互信息值对特征进行排序，选择互信息值高的特征作为关键特征，所述关键特征用于后续多维度特征融合状态识别模型；通过构建树结构分裂节点，并基于特征在节点分裂时减少的损失函数值评估特征的重使用决策树模型对开关电源状态数据进行建模，在树模型训练过程中，记录各特征在节点分裂时的损失减少量，并累加得到特征的重要性分数；基于特征重要性分数对特征进行排序，选择重要性分数高的特征作为关键特征；筛选出关键特征后，将所述关键特征进行自适应融合，构建多维度特征融合状态识别模型，各特征基于其重要性或贡献程度进行加权处理；对筛选出的关键特征进行标准化处理，保证它们在融合过程中具有相同的尺度；基于特征的重要性分数或互信息值，为各特征分配一个权重，权重的大小反映特征对将加权后的特征进行拼接，形成一个新的多维度特征向量，并将其作为多维度特征融合状态识别模型的输入。6.根据权利要求5所述的一种基于故障数据集成的开关电源状态识别方法，其特征在于，所述将训练好的模型部署到实际系统中，实时接收开关电源的监测数据，并利用模型对输入数据进行预测，预测结果以分类标签的形式输出，判断开关电源当前的工作状态具体包括：基于工作模式对工作状态进行分类，连续传导模式时电感电流连续，适用中等负载或重负载情况，非连续传导模式时电感电流不连续，适用轻负载情况，混合模式时基于负载情况自动切换连续传导模式和非连续传导模式，实现效率优化；基于输出状态对工作状态进行分类，正常工作状态时输出电压和电流稳定，波动在允5和过热保护状态，待机状态时输出电压和电流低，保持固定待机功耗；基于故障类型对工作状态进行分类，硬件故障包括元器件损坏和电路板故障，软件故障包括控制程序异常和参数设置错误；基于负载变化对工作状态进行分类，轻载状态为负载轻，输出功率低，满载状态为负载达到额定值，输出功率高，重载状态为负载超过额定值，且在电源可承受范围内，过载状态为负载超过额定值，且会导致电源损坏。6技术领域[0001]本发明涉及数据处理与识别技术领域，具体是涉及一种基于故障数据集成的开关电源状态识别方法。背景技术[0002]在现代电力系统中，开关电源作为关键的电力转换设备，其稳定运行对于整个系开关电源在运行过程中不可避免地会出现各种故障。这些故障不仅会影响电源本身的性能，还可能对整个电力系统造成连锁反应，导致更大的经济损失和安全风险。[0003]传统的开关电源状态监测方法主要依赖于人工巡检和定期维护，这种方式不仅效率低下，而且难以捕捉到故障发生的瞬间和动态变化过程。随着传感器技术、物联网技术、大数据技术和人工智能技术的快速发展，基于数据驱动的故障识别和状态监测方法逐渐成为研究热点。发明内容[0004]为解决上述技术问题，提供一种基于故障数据集成的开关电源状态识别方法，本技术方案解决了上述背景技术中提出的问题。[0005]为达到以上目的，本发明采用的技[0006]一种基于故障数据集成的开关电源状态识别方法，[0007]利用至少一种传感器和监测设备，全面采集开关电源在运行过程中的各项参数数据，获取故障发生前后的开关电源运行数据变化，并构建故障数据集，所述参数数据包括电[0008]对采集到的原始数据进行清洗，去除噪声、异常值和缺失值，并对数据进行标准化[0009]基于开关电源的工作原理和故障特性，提取反映工作状态的时频域特征和小波变换特征；[0010]利用长短时记忆网络，通过分析输入数据在至少一个时间步上的信息积累和变[0011]通过将时间序列转换为极坐标系，利用三角函数计算格拉姆矩阵，将一维数据映射为二维图像，并基于场编码的结果，生成对应的二维图像，通过卷积神经网络提取开关电源的空间特征；[0012]采用基于互信息和基于树模型的特征选择方法，筛选对开关电源状态识别影响程度高的特征，并输出为关键特征，将各项关键特征进行自适应融合，构建多维度特征融合状态识别模型；[0013]将训练好的模型部署到实际系统中，实时接收开关电源的监测数据，并利用模型对输入数据进行预测，预测结果以分类标签的形式输出，判断开关电源当前的工作状态；7[0014]将新的故障数据反馈到系统中，更新优化模型并持续学习新的故障模式和数据特[0015]优选的，所述通过将时间序列转换为极坐标系，利用三角函数计算格拉姆矩阵，将一维数据映射为二维图像，并基于场编码的结果，生成对应的二维图像，通过卷积神经网络提取开关电源的空间特征具体包括：[0016]将归一化后的时间序列数据转换到极坐标系中，在这个转换过程中将时间序列数据映射到一个单位圆上，各数据点对应单位圆上的一个点，通过三角函数计算得出其角度；[0017]利用余弦函数计算各时间戳之间数据点的角度和及角度差；[0018]对于时间序列中的任意两个数据点，计算它们之间的余弦相似度，通过计算各数据点之间的余弦相似度，构建格拉姆矩阵，反映时间序列中各时间戳之间的相关性；[0019]将计算得到的格拉姆矩阵的各元素按照0-255的取值范围映射到灰度值的范围，将其作为图像的像素值；[0020]设计卷积神经网络结构，输入层接收预处理后的数据，卷积层包含至少一个卷积核，提取数据的局部特征，基于任务和数据调整卷积核的数量、大小和步长参数，池化层在卷积层之后，降低数据的维度，减少计算量，全连接层将卷积层提取的特征映射到输出空间，并用于分类或回归任务，输出层基于任务需求选择输出层函数；[0021]在卷积层中，卷积核在输入数据上滑动，进行元素乘积和求和操作，并提取局部特[0022]各卷积核生成一个新的特征映射，反映输入数据中的特定模式或特征；[0023]对于开关电源，空间特征包括波形数据的形态特征和图像数据中的空间分布特征，所述波形数据的形态特征包括峰值、谷值和波形宽度，所述图像数据中的空间分布特征包括热点和异常区域；[0024]将由时间序列转换得到的二维图像输入到卷积神经网络中，通过卷积操作，卷积神经网络自动学习并提取图像中的空间特征。[0025]优选的，所述采用基于互信息和基于树模型的特征选择方法，筛选对开关电源状态识别影响程度高的特征，并输出为关键特征，将各项关键特征进行自适应融合，构建多维度特征融合状态识别模型具体包括：[0026]使用互信息公式计算各特征与目标变量之间的互信息值，互信息值与该特征对目标变量的贡献正相关；[0027]基于互信息值对特征进行排序，选择互信息值高的特征作为关键特征，所述关键特征用于后续多维度特征融合状态识别模型；[0028]通过构建树结构分裂节点，并基于特征在节点分裂时减少的损失函数值评估特征[0029]使用决策树模型对开关电源状态数据进行建模，在树模型训练过程中，记录各特征在节点分裂时的损失减少量，并累加得到特征的重要性分数；[0030]基于特征重要性分数对特征进行排序，选择重要性分数高的特征作为关键特征；[0031]筛选出关键特征后，将所述关键特征进行自适应融合，构建多维度特征融合状态识别模型，各特征基于其重要性或贡献程度进行加权处理；[0032]对筛选出的关键特征进行标准化处理，保证它们在融合过程中具有相同的尺度；8[0033]基于特征的重要性分数或互信息值，为各特征分配一个权重，权重的大小反映特征对目标变量的贡献程度，在融合过程中，将各特征乘以其对应的权重，实现自适应加权；[0034]将加权后的特征进行拼接，形成一个新的多维度特征向量，并将其作为多维度特征融合状态识别模型的输入。[0035]与现有技术相比，本发明的有益效果在于：[0036]将各项关键特征进行自适应融合，构建多维度特征融合状态识别模型。这种方法能够显著提高模型的识别精度和鲁棒性，通过实时监测开关电源的工作状态，及时发现并处理潜在故障，可以显著提高设备的可靠性和稳定性，减少故障停机时间和维修成本，同时，该方法还可以为设备的预防性维护和健康管理提供科学依据，延长设备的使用寿命，降低整体运维成本。附图说明[0037]图1为本发明的基于故障数据集成的开关电源状态识别方法流程图；[0038]图2为本发明的对采集到的原始数据进行清洗方法流程图；[0039]图3为本发明的提取反映工作状态的时频域特征和小波变换特征方法流程图；[0040]图4为本发明的分析输入数据在至少一个时间步上的信息积累和变换，提取开关电源的时序特征方法流程图；[0041]图5为本发明的通过卷积神经网络提取开关电源的空间特征方法流程图；[0042]图6为本发明的将各项关键特征进行自适应融合，构建多维度特征融合状态识别模型方法流程图；[0043]图7为本发明的判断开关电源当前的工作状态方法流程图。具体实施方式[0044]以下描述用于揭露本发明以使本领域技术人员能够实现本发明。以下描述中的优选实施例只作为举例，本领域技术人员可以想到其他显而易见的变型。[0045]参照图1所示，一种基于故障数据集成的开关电源状态识别方法，包括：[0046]利用至少一种传感器和监测设备，全面采集开关电源在运行过程中的各项参数数据，获取故障发生前后的开关电源运行数据变化，并构建故障数据集，所述参数数据包括电[0047]对采集到的原始数据进行清洗，去除噪声、异常值和缺失值，并对数据进行标准化处理；[0048]基于开关电源的工作原理和故障特性，提取反映工作状态的时频域特征和小波变换特征；[0049]利用长短时记忆网络，通过分析输入数据在至少一个时间步上的信息积累和变换，提取开关电源的时序特征；[0050]通过将时间序列转换为极坐标系，利用三角函数计算格拉姆矩阵，将一维数据映射为二维图像，并基于场编码的结果，生成对应的二维图像，通过卷积神经网络提取开关电源的空间特征；[0051]采用基于互信息和基于树模型的特征选择方法，筛选对开关电源状态识别影响程9度高的特征，并输出为关键特征，将各项关键特征进行自适应融合，构建多维度特征融合状态识别模型；[0052]将训练好的模型部署到实际系统中，实时接收开关电源的监测数据，并利用模型对输入数据进行预测，预测结果以分类标签的形式输出，判断开关电源当前的工作状态；[0053]将新的故障数据反馈到系统中，更新优化模型并持续学习新的故障模式和数据特据进行标准化处理具体包括：[0055]基于变量的合理取值范围和相互关系，检查数据的规范性与逻辑性，并利用各变量的样本均值代替无效值和缺失值；[0056]对于多来源数据进行关联性验证，通过验证数据之间的关联性选择特征属性；[0057]采用滤波方法去除噪声；[0058]对于随机噪声，使用均值滤波计算邻域平均值进行平滑处理；[0059]对于椒盐噪声，使用中值滤波选取窗口数据的中值作为输出；[0060]对于高斯噪声，使用高斯滤波加权平滑信号；[0061]对于高频噪声，使用小波去噪通过信号分解处理噪声部分；[0062]对数据进行标准化处理，对各变量的每一个观察值取以10为底的对数值，并除以该变量最大值的以10为底的对数值。[0063]对于时间序列数据，可能需要考虑时间窗口内的均值或其他统计量来替代缺失值，以保持数据的时序特性，分析不同来源数据之间的关联性，如比较不同传感器测量的同一物理量，通过相关性分析如皮尔逊相关系数、斯皮尔曼秩相关系数评估数据间的关联性，选择高度关联且对状态识别有用的特征属性进行后续分析。[0064]参照图3所示，基于开关电源的工作原理和故障特性，提取反映工作状态的时频域特征和小波变换特征具体包括：[0065]开关电源通过电子开关元件的快速通断操作控制电源的能量转移，快速通断过程在至少一个储能元件中产生电压和电流的变化，实现电压的转换和稳定；[0066]观察开关电源的电压和电流波形，测量其过零率和斜率变化次数，反映电源的工作稳定性和负载变化情况；的输出性能和稳定性；[0068]利用傅里叶变换将电压和电流信号从时域转换到频域，分析至少一种频率成分的振幅和相位，识别电源中的谐波成分和噪声干扰；[0069]分析电源信号的功率谱密度，显示信号功率作为频率的函数的分布状况，识别电源中的异常频率成分；[0070]基于开关电源信号的特点，选择哈尔小波函数作为小波基函数进行小波变换，对开关电源的电压和电流信号进行连续小波变换，得到至少一个尺度下的小波系数。[0071]所述哈尔小波函数为：[0073]参照图4所示，利用长短时记忆网络，通过分析输入数据在至少一个时间步上的信息积累和变换，提取开关电源的时序特征具体包括：[0074]获取开关电源在至少一个时间步上的运行数据，数据以时间序列的形式存在，各时间步有一个对应的数据点；[0075]基于数据的特性和任务需求，设计长短时记忆网络的结构，确定长短时记忆网络层的数量、各层的神经元数量和输入数据的维度；[0076]对运行数据进行预处理，将数据转换为样本数、时间步长和特征数三维数据，并将预处理后的数据输入到长短时记忆网络中；[0077]进行隐藏层设计，长短时记忆网络中，隐藏层提取时间序列中的特征，通过至少一层长短时记忆网络隐藏层，逐步提取更深层次的特征；[0078]基于任务需求，设置输出层的结构和激活函数，在提取时序特征的任务中，输出层为一个全连接层，将长短时记忆网络提取的特征映射到目标空间；[0079]选择均方误差函数作为损失函数进行长短时记忆网络构建；[0080]将预处理后的数据输入到长短时记忆网络中，进行前向传播和反向传播，通过优化器实时更新模型的权重；[0081]判断是否达到预设的训练轮数或损失函数是否收敛，若是，则结束训练，若否，则不作输出；[0082]在训练完成后，从长短时记忆网络的隐藏层中提取出时间序列的特征，所述时间序列的特征包括开关电源在至少一个时间步上的信息积累和变换。[0083]所述均方误差函数为：i个样本的预测值。[0085]参照图5所示，通过将时间序列转换为极坐标系，利用三角函数计算格拉姆矩阵，将一维数据映射为二维图像，并基于场编码的结果，生成对应的二维图像，通过卷积神经网络提取开关电源的空间特征具体包括：[0086]将归一化后的时间序列数据转换到极坐标系中，在这个转换过程中将时间序列数据映射到一个单位圆上，各数据点对应单位圆上的一个点，通过三角函数计算得出其角度；[0087]利用余弦函数计算各时间戳之间数据点的角度和及角度差；[0088]对于时间序列中的任意两个数据点，计算它们之间的余弦相似度，通过计算各数11据点之间的余弦相似度，构建格拉姆矩阵，反映时间序列中各时间戳之间的相关性；[0089]将计算得到的格拉姆矩阵的各元素按照0-255的取值范围映射到灰度值的范围，将其作为图像的像素值；[0090]设计卷积神经网络结构，输入层接收预处理后的数据，卷积层包含至少一个卷积核，提取数据的局部特征，基于任务和数据调整卷积核的数量、大小和步长参数，池化层在卷积层之后，降低数据的维度，减少计算量，全连接层将卷积层提取的特征映射到输出空间，并用于分类或回归任务，输出层基于任务需求选择输出层函数；[0091]在卷积层中，卷积核在输入数据上滑动，进行元素乘积和求和操作，并提取局部特[0092]各卷积核生成一个新的特征映射，反映输入数据中的特定模式或特征；[0093]对于开关电源，空间特征包括波形数据的形态特征和图像数据中的空间分布特征，所述波形数据的形态特征包括峰值、谷值和波形宽度，所述图像数据中的空间分布特征包括热点和异常区域；[0094]将由时间序列转换得到的二维图像输入到卷积神经网络中，通过卷积操作，卷积神经网络自动学习并提取图像中的空间特征。[0095]将归一化后的时间序列数据映射到一个单位圆上，其中时间序列的每个数据点对应单位圆上的一个点，使用三角函数如反正切函数计算每个数据点对应的角度，使时间序列数据转换为角度序列。[0096]参照图6所示，采用基于互信息和基于树模型的特征选择方法，筛选对开关电源状态识别影响程度高的特征，并输出为关键特征，将各项关键特征进行自适应融合，构建多维度特征融合状态识别模型具体包括：[0097]使用互信息公式计算各特征与目标变量之间的互信息值，互信息值与该特征对目[0098]基于互信息值对特征进行排序，选择互信息值高的特征作为关键特征，所述关键特征用于后续多维度特征融合状态识别模型；[0099]通过构建树结构分裂节点，并基于特征在节点分裂时减少的损失函数值评估特征[0100]使用决策树模型对开关电源状态数据进行建模，在树模型训练过程中，记录各特征在节点分裂时的损失减少量，并累加得到特征的重要性分数；[0101]基于特征重要性分数对特征进行排序，选择重要性分数高的特征作为关键特征；[0102]筛选出关键特征后，将所述关键特征进行自适应融合，构建多维度特征融合状态识别模型，各特征基于其重要性或贡献程度进行加权处理；[0103]对筛选出的关键特征进行标准化处理，保证它们在融合过程中具有相同的尺度；[0104]基于特征的重要性分数或互信息值，为各特征分配一个权重，权重的大小反映特征对目标变量的贡献程度，在融合过程中，将各特征乘以其对应的权重，实现自适应加权；[0105]将加权后的特征进行拼接，形成一个新的多维度特征向量，并将其作为多维度特征融合状态识别模型的输入。[0107]式中，I(X;Y)为各特征与目标变量之间的互信息值，X[0108]参照图7所示，将训练好的模型部署到实际系统中，实时接收开关电源的监测数DVD;或者半导体介质例如固态硬盘SolidStateDis等同物界定。通过将时间序列转换为极坐标系，利用三角函数计算格神经网络提取开关电源的空间特征将训练好的模型部署到实际系统中，实时接收开关电源当前的工作状态基于变量的合理取值范围和相互关系，检查数据的规范性与逻基于变量的合理取值范围和相互关系，检查数据的规范性与逻辑性，并利用各变量的样本均值代替无效值和缺失值对于多来源数据进行关联性验证，通过验证数据之间的关联性选择特征属性采用滤波方法去除噪声对于随机噪声，使用均值滤波计算邻域平均值进行平滑处理对于椒盐噪声，使用中值滤波选取窗口数据的中值作为输出对于高斯噪声，使用高斯滤波加权平滑信号对于高频噪声，使用小波去噪通过信号分解处理噪声部分对数据进行标准化处理，对各变量的每一个观察值取以10