CN119443969A 用于电驱动系统效率试验数据的数据处理和质量评估方法 （重庆理工大学）

用于电驱动系统效率试验数据的数据处理本发明公开了一种用于电驱动系统效率试的数据降噪法对原始电驱动效率试验数据集进DBSCAN模型对降噪电驱动效率试验数据集进行对初筛电驱动效率试验数据集进行第二次异常检验和处理，得到预处理电驱动效率试验数据对电驱动系统效率试验数据进行有效的降噪和2S3：通过DBSCAN模型对降噪电驱动效率试验数据集进行S4：通过LOF算法模型和iForest算法模型对初筛电2.如权利要求1所述的用于电驱动系统效率试验数据的数据处理和质量评估方法，其3.如权利要求1所述的用于电驱动系统效率试验数据的数据处理和质量评估方法，其S201：对原始电驱动效率试验数据集进行概率分S206：对原始电驱动效率试验数据集中的所有4.如权利要求1所述的用于电驱动系统效率试验数据的数据处理和质量评估方法，其效率试验数据集中的所有数据点加入到未访问r3S309：对降噪电驱动效率试验数据集中属于异常5.如权利要求1所述的用于电驱动系统效率试验数据的数据处理和质量评估方法，其S3011：设置粒子群优化算法的相关参数；设定邻域半16.如权利要求5所述的用于电驱动系统效率试验数据的数据处理和质量评估方法，其47.如权利要求1所述的用于电驱动系统效率试验数据的数据处理和质量评估方法，其S404：对所有数据点的第一异常分数和第二异常S406：对初筛电驱动效率试验数据集中第二8.如权利要求7所述的用于电驱动系统效率试验数据的数据处理和质量评估方法，其S4022：对于初筛电驱动效率试验数据集中每个数kkk9.如权利要求7所述的用于电驱动系统效率试验数据的数据处理和质量评估方法，其51)从初筛电驱动效率试验数据集中随机选择T个数据点作为子样本集，放入孤立树的小于p的数据点放在当前节点的左子节点，将大于等于p的数据点放在当前节点的右子节4)在子节点中递归执行步骤2)和3)，不断构造新的子节S4034：对于初筛电驱动效率试验数据集每个数据点式中：e表示样本x从根节点到叶节点所经历的个数；T表示S＝0.2554a+0.0850b+0.1185c+0.1076d6X2表7[0002]电驱动系统作为电动汽车的动力源，其效率性直接决定着汽车的动力性和经济皮尔森相关系数分析法提取原始数据中关联度较高数据特征，压缩了数据集提高了效率，率试验数据的数据质量。同时构建六元组数据质量模型来对处理后的数据集进行质量评[0011]S3：通过DBSCAN模型对降噪电驱动效率试验数据集进行8[0025]S205：将原始电驱动效率试验数据集中低于噪声下限判断值的数据点视为噪声驱动效率试验数据集中的所有数据点加入到未访问数据9Nk(o)表示观测点o在k距离邻域内的样[0081]1)从初筛电驱动效率试验数据集中随机选择T个数据点作为子样本集，放入孤立η[0105]本发明中用于电驱动系统效率试验数据的数据处理和质量评估方法与现有技术[0106]本发明通过基于概率分布的数据降噪法对原始电驱动效率试验数据集进行降首先基于概率分布的数据降噪法可以有效去除据分析的准确性)，降噪后的数据更接近真实值，从而提高了整体数据集的准确性和有效第一次异常检验。DBSCAN能够有效地识别出数据集中的异常点(即那些与大多数数据点密[0108]本发明通过DBSCAN模型进行第一次异常检验后，进一步通过LOF(局部异常因子)和iForest算法模型各自具有独特的检测机制和优势，通过同时使用这两种算法对初筛数施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅表示本发明的选定实施[0127]本实施例中公开了一种用于电驱动系统效率试验数据的数据处理和质量评估方[0131]S3：通过DBSCAN模型对降噪电驱动效率试验数据集进行[0134]本发明通过基于概率分布的数据降噪法对原始电驱动效率试验数据集进行降首先基于概率分布的数据降噪法可以有效去据分析的准确性)，降噪后的数据更接近真实值，从而提高了整体数据集的准确性和有效第一次异常检验。DBSCAN能够有效地识别出数据集中的异常点(即那些与大多数数据点密[0136]本发明通过DBSCAN模型进行第一次异常检验后，进一步通过LOF(局部异常因子)和iForest算法模型各自具有独特的检测机制和优势，通过同时使用这两种算法对初筛数部件及整体性能表现情况。效率试验的核心思想是分析输出能量与输入能量的占比关系。和功率分析仪进行实时采集，因此电驱动效率试验数据包括电动工况效率和发电工况效[0146]本实施例中的驱动系统效率试验参照GB/T18488.1_2015和GB/T18488.2_2015[0147]电驱动总成效率台架测试系统是一个复杂的系统，主要是由硬件与软件部分组[0162]本实施例中，将所有区间的中位数相加后除以区间数得到中位数代表值的均[0164]本实施例中，拉依达准则(3σ准则)[0165]S205：将原始电驱动效率试验数据集中低于噪声下限判断值的数据点视为噪声布区间会不一样且效率试验数据中有的异常点比较明显而有的异常点分布情况十分复杂，[0180]DBSCAN(Density_BasedSpatialClusteringofApplicationswithNoise)也径(eps)和最小样本数(Min_points)通过这两个参数和密度可达关系来确定数据核心点。驱动效率试验数据集中的所有数据点加入到未访问数据[0193]本实施例根据上述流程利用Python中的scikit_learn构建DBSCAN异常值检验模型，模型自身的最小领域半径(eps)和最小样本数(Min_points)则是采用传统的K_dist图[0194]K_dist图是由DBSCAN模型计算所有数据与它第K个最邻近对象的距离，并将结果过分析发现，在对模型主要参数选取的时候虽然采用的是传统K_dist但是在利用拐点法[0197]粒子群优化算法(ParticleSwarmOptimization,PSO)是一种通过模拟鸟群觅食的智能优化求解算法，其主要原理是将需要优化的问题看作是鸟群需要寻找的虫子，粒子群中的粒子则代表不同的鸟，不同的粒子按照自身的速度在设定的寻优空间范围内进行子通过判断自身与最优解的距离调整速度向局部最优解靠拢，最后通过不断的迭代优化得到全局的最优解实现对于目标问题的求解。r1[0212]本发明通过构建粒子群优化算法求解DBSCAN模型的最佳参数即最小领域半径和得到改进的粒子群算法(ImprovedParticleSwarmOp半径(eps)和最小样本数(Min_points)作为DBSCAN模型的输入参数进行异常[0218]为了验证本发明采用IPSO_DBSCAN模型优于传统DBSCAN模型，本实施例引入无监[0221]通过对比各评价指标值，发现经过IPSO改进后的DBSCAN模型性能优于传统的通过计算每个观测点与其领域点的密度并计算离群因子，最终判断离群因子是否接近于1部离群因子是邻域点的局部可达密度与观测点的局部可达密度的k最近邻点的平均可达距离的倒数(实质也就是p的第k距离邻域内所有可达距离的平均Nk(o)表示数据点o在k距离邻域内的样[0260]1)从初筛电驱动效率试验数据集中随机选择T个数据点作为子样本集，放入孤立通过ln(n_1)+0.5772156649(欧拉常X5为噪声值能量转换能力的大小。高效性指标根据实际需求分为高效区占比率和峰值效率占比两部[0297]权重层能直接影响数据质量评估最终得分，由于各评价指标的重要程度各不相[0298](1)层次分析法(analytichierarchyprocess，AHP)是评价方法中偏主观的方本实施例采用最大_最小归一化法对指标水平矩阵进得到层次分析法权重W1和熵权法权重W2＝(0.2150,0.0998,0.1907,0.1037,0.1497,W1和W2进行组合，W1占比60W2占比40得到了数据质量评估模型各个评价η益和驾驶体验都有帮助。其中电驱动系统高效区占比直接影响着电动车的能量转换效率，验。因此本发明将高效区占比率权重为60峰值效率占比权重为40目的是更好的突显专家共同参与，根据效率试验数据各个评价指标的综合表现和实际性能表现能力所制定