一种高压电源工作温度分布数据分析方法与流程

1.本发明涉及图像处理技术领域，具体涉及一种高压电源工作温度分布数据分析方法。


背景技术：

2.高压电源在工作时，通常会产生温度的变化，是由于出现了能量的转换，是一部分其它形式的能量转换成为了热能，并且这些热能还没有来得及散发出去，也就是热量出现了暂时的大量“堆积”现象。而针对高压电源工作温度的识别，则显得尤为重要。
3.现有方法中对高压电源工作温度中的异常数据进行识别时，往往是首先通过先验知识计算得到正常状态下的温度类别，然后与实际的温度类别进行比较，其中计算实际温度类别时，往往通过聚类方法将相近温度的像素点划分为一个类别，而传统通过聚类方法将相近温度的像素点划分为一个类别得到的类别数量容易产生误差，从而造成无法对异常区域进行准确识别。也即是说，传统的聚类方法针对高压电源工作温度的温度类别划分不够准确，进而造成高压电源工作温度异常数据识别出现误差，导致工作成本较高。


技术实现要素：

4.鉴于以上内容，有必要提供一种高压电源工作温度分布数据分析方法，可以提高高压电源工作温度的温度类别划分的准确性，进而提高数据分析的准确性，降低工作成本。
5.本技术第一方面提供一种高压电源工作温度分布数据分析方法，应用于高压电源工作温度数据处理领域，所述方法包括：基于电源红外热图像像素对应的像素点变化序列，构建至少两个嵌入向量图结构，其中，相邻两个嵌入向量图结构相互对应，每个嵌入向量图结构包括至少两个节点类别；根据嵌入向量图结构中的至少两个节点类别，分别计算两两节点类别在同一个嵌入向量图结构中的差异性，以及在相互对应的嵌入向量图结构中的一致性；基于所述两两节点类别的差异性与一致性，计算嵌入向量图结构对应的区分度；将最高区分度的嵌入向量图结构对应的节点类别数量，作为聚类分析的分类参数，以进行高压电源工作温度的分类。
6.在其中一种实施例中，所述基于电源红外热图像像素对应的像素点变化序列，构建至少两个嵌入向量图结构，其中，相邻两个嵌入向量图结构相互对应，每个嵌入向量图结构包括至少两个节点类别，具体包括：步骤1、基于电源红外热图像像素对应的像素点变化序列，构建三角网图结构；步骤2、基于所述三角网图结构与预设向量计算方法，计算每个节点对应的嵌入向量；步骤3、将所述每个节点对应的嵌入向量作为节点值，两两节点对应的嵌入向量的余弦相似度作为边值，每个像素点作为节点，构建嵌入向量图结构；步骤4、将所述嵌入向量图结构代替步骤2的三角网图结构进行预设次数的迭代计算，获取至少两个嵌入向量图结构。
7.在其中一种实施例中，所述基于电源红外热图像像素对应的像素点变化序列，构建三角网图结构，具体包括：获取电源红外热图像每个像素点不同时刻的像素值对应的序
列，确认每个像素点对应的像素点变化序列，将每个像素点作为节点，每个像素点的像素点变化序列作为节点值，以及两两节点对应的像素点变化序列的余弦相似度作为边值，构建所述三角网图结构。
8.在其中一种实施例中，所述所述根据嵌入向量图结构中的至少两个节点类别，计算两两节点类别在同一个嵌入向量图结构中的差异性，具体包括：基于每个节点类别对应的类别中心嵌入向量，分别计算两两节点类别每个像素点与对应的类别中心嵌入向量的余弦相似度；将所述余弦相似度大于预设阈值的像素点，确定为每个节点类别对应的保留点；将所述两两节点类别对应的保留点根据预设规则进行匹配，确认匹配对；基于所述匹配对，确认两两节点类别对应的差异性权重，以及匹配对相似度参数；基于所述两两节点类别对应的差异性权重以及匹配对相似度参数，计算两两节点类别在同一个嵌入向量图结构中的差异性。
9.在其中一种实施例中，所述根据嵌入向量图结构中的至少两个节点类别，计算两两节点类别在相互对应的嵌入向量图结构中的一致性，具体包括：分别计算两两节点类别中每个像素点，在相邻的嵌入向量图结构的对应节点类别中的比值，以将相邻的嵌入向量图结构的对应节点类别划分为完全子类别与零散子类别；基于两两节点类别的零散子类别对应的比值，以及两两节点类别与相邻的嵌入向量图结构的对应节点类别的差异性，计算两两节点类别在相互对应的嵌入向量图结构中的一致性。
10.在其中一种实施例中，所述基于所述两两节点类别的差异性与一致性，计算嵌入向量图结构对应的区分度，具体包括：将所述两两节点类别的差异性与一致性输入区别值计算公式，计算两两节点类别对应的区别值；将所述嵌入向量图结构中所有两两节点类别对应的区别值对应的均值，作为所述嵌入向量图结构对应的区分度。
11.在其中一种实施例中，所述将所述两两节点类别的差异性与一致性输入区别值计算公式，计算两两节点类别对应的区别值，具体包括：其中，是指两两节点类别对应的差异性权重,是指两两节点类别对应的匹配对相似度参数，是指组合数量，是指其中一个节点类别的零散子类别在对应节点类别中的占比，是指其中一个节点类别的对应节点类别中第个组合中两个类别的差异,是指另一个节点类别的零散子类别在对应节点类别中的占比，是指另一个节点类别的对应节点类别中第个组合中两个类别的差异。
12.在其中一种实施例中，所述将最高区分度的嵌入向量图结构对应的节点类别数量，作为聚类分析的分类参数，以进行高压电源工作温度的分类，具体包括：统计至少两个嵌入向量图结构之间对应的区分度，确认最高区分度的嵌入向量图结构对应的节点类别数量；将最高区分度的嵌入向量图结构对应的节点类别数量k值，以将k值作为k-means聚类算法的参数，以将所述红外热图像划分为k个温度类别。
13.本技术实施例通过基于电源红外热图像像素对应的像素点变化序列，构建至少两个嵌入向量图结构，其中，相邻两个嵌入向量图结构相互对应，每个嵌入向量图结构包括至
少两个节点类别，然后根据嵌入向量图结构中的至少两个节点类别，分别计算两两节点类别在同一个嵌入向量图结构中的差异性，以及在相互对应的嵌入向量图结构中的一致性，再基于所述两两节点类别的差异性与一致性，计算嵌入向量图结构对应的区分度，最后将最高区分度的嵌入向量图结构对应的节点类别数量，作为聚类分析的分类参数，以进行高压电源工作温度的分类。通过选择最高区分度的嵌入向量图结构对应的节点类别数量作为聚类分析的分类参数，再进行高压电源工作温度的分类，能够提高高压电源工作温度的温度类别划分的准确性，进一步降低工作成本。
附图说明
14.图1是本技术实施例的高压电源工作温度分布数据分析方法的流程示意图。
15.图2是本技术实施例的高压电源工作温度分布数据分析方法的第一子流程示意图。
16.图3是本技术实施例的高压电源工作温度分布数据分析方法的第二子流程示意图。
17.图4是本技术实施例的高压电源工作温度分布数据分析方法的第三子流程示意图。
18.图5是本技术实施例的高压电源工作温度分布数据分析方法的第四子流程示意图。
19.图6是本技术实施例的高压电源工作温度分布数据分析方法的第五子流程示意图。
20.图7是本技术实施例的高压电源工作温度分布数据分析方法的第六子流程示意图。
具体实施方式
21.在本技术实施例的描述中，“示例性”、“或者”、“例如”等词用于表示作例子、例证或说明。本技术实施例中被描述为“示例性”或者“例如”的任何实施例或设计方案不应被解释为比其它实施例或设计方案更优选或更具优势。确切而言，使用“示例性”、“或者”、“例如”等词旨在以具体方式呈现相关概念。
22.除非另有定义，本文所使用的所有的技术和科学术语与属于本技术中的技术领域的技术人员通常理解的含义相同。本技术的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本技术。应理解，本技术中除非另有说明，“/”表示或的意思。例如，a/b可以表示a或b。本技术中的“和/或”仅仅是一种描述关联对象的关联关系，表示可以存在三种关系。例如，a和/或b，可以表示：单独存在a，同时存在a和b，单独存在b三种情况。“至少一个”是指一个或者多个。“多个”是指两个或多于两个。例如，a、b或c中的至少一个，可以表示：a，b，c，a和b，a和c，b和c，a、b和c七种情况。
23.另外需要说明的是，本技术的说明书和权利要求书及附图中的术语“第一”、“第二”是用于部别类似的对象，而不是用于描述特定的顺序或先后次序。本技术实施例中公开的方法或流程图所示出的方法，包括用于实现方法的一个或多个步骤，在不脱离权利要求的范围的情况下，多个步骤的执行顺序可以彼此互换，其中某些步骤也可以被删除。
24.本技术实施例首先提出一种高压电源工作温度分布数据分析方法，应用于高压电源工作温度数据处理领域。请参阅图1，一种高压电源工作温度分布数据分析方法，所述方法包括：s101、基于高压电源红外热图像像素对应的像素点变化序列，构建至少两个嵌入向量图结构，其中，相邻两个嵌入向量图结构相互对应，每个嵌入向量图结构包括至少两个节点类别。
25.其中，所述高压电源红外热图像是指通过红外热图像采集设备，对高压电源工作时状态进行拍摄所获取的包括高压电源的红外热图像。需要说明的是，所述高压电源在正常工作的时候也会散发热量，因在电压转换时，不仅有能量上的损耗，还会有热能，这些都会致使电源出现发热的情况。而当高压电源出现异常情况时，散发的热量会随着异常情况的不同而增加，比如负载过流，散热不佳等情况，都会造成高压电源的温度上升，而通过高压电源红外热图像，能够将高压电源散发的热量情况进行表征，以供后续数据分析处理。
26.其中，所述像素点变化序列是指高压电源红外热图像像素对应的像素点在不同时刻的像素值按照时间顺序所形成的像素值序列，所述像素点变化序列能够进一步体现高压电源的温度变化。所述嵌入向量图结构是指通过高压电源红外热图像像素对应的像素点变化序列对应的嵌入向量，所衍生而成的图结构，可以是基于三角剖分方法进行生成的图结构。
27.需要说明的是，相邻两个嵌入向量图结构相互对应是指嵌入向量图结构存在对应关系，可以是后面的嵌入向量图结构根据前面的嵌入向量图结构进行迭代生成，举个例子，第二嵌入向量图结构是由第一嵌入向量图结构进一步生成，第三嵌入向量图结构是由第二嵌入向量图结构进一步生成，依此类推迭代生成至少两个嵌入向量图结构。
28.具体的，所述节点类别是指像素点的分类类别，所述每个嵌入向量图结构包括至少两个节点类别，是指通过每个嵌入向量图结构对应存在至少两个节点类别，所述至少两个节点类别可以是对所述嵌入向量图结构进行预设降维与聚类处理，得到嵌入向量图结构对应的节点类别。
29.s102、根据嵌入向量图结构中的至少两个节点类别，分别计算两两节点类别在同一个嵌入向量图结构中的差异性，以及在相互对应的嵌入向量图结构中的一致性。
30.其中，所述两两节点类别在同一个嵌入向量图结构中的差异性，是指在同一个嵌入向量图结构中选定的两个目标节点类别之间的差异程度，节点类别之间的差异性越大，证明分类的效果越明显，分型的准确性越高。所述两两节点类别在相互对应的嵌入向量图结构中的一致性，是指分两两节点类别的像素点，分别在其相互对应的嵌入向量图结构中对应节点类别的重合度，举个例子，两两节点类别的a节点类型，因嵌入向量图结构是迭代计算而成，则与a节点类型所在嵌入向量图结构相互对应的可以是上一个嵌入向量图结构，在上一个嵌入向量图结构中与当前a节点类型对应的是a~节点类型，则a节点类型的像素点与a~节点类型的像素点的重合度，即为在相互对应的嵌入向量图结构中的一致性。
31.需要说明是，分别计算两两节点类别在同一个嵌入向量图结构中的差异性，以及在相互对应的嵌入向量图结构中的一致性，目的均是将所述差异性与一致性作为计算参数，以进行后续确定分类效果较好的嵌入向量图结构中作准备，以确定最佳分类数量。
32.s103、基于所述两两节点类别的差异性与一致性，计算嵌入向量图结构对应的区
分度。
33.其中，所述嵌入向量图结构对应的区分度是指根据嵌入向量图结构中节点类别之间的差异性与一致性计算得到的对嵌入向量图结构中分类效果进行体现的参数。换句话说，当所述嵌入向量图结构对应的区分度越高，则证明当前嵌入向量图结构对应的分类效果较好，也即分类类别数量较合适。
34.s104、将最高区分度的嵌入向量图结构对应的节点类别数量，作为聚类分析的分类参数，以进行高压电源工作温度的分类。
35.其中，在获取到所有嵌入向量图结构对应的区分度之后，将所有嵌入向量图结构对应的区分度进行排序，以确认最高区分度的嵌入向量图结构，进而确认最高区分度的嵌入向量图结构对应的节点类别数量，以将所述最高区分度的嵌入向量图结构对应的节点类别数量，作为后续针对高压电源工作温度的聚类分析的分类数量。
36.具体的，参照附图2，所述将最高区分度的嵌入向量图结构对应的节点类别数量，作为聚类分析的分类参数，以进行高压电源工作温度的分类，具体包括：s201、统计至少两个嵌入向量图结构之间对应的区分度，确认最高区分度的嵌入向量图结构对应的节点类别数量；s202、将最高区分度的嵌入向量图结构对应的节点类别数量k值，以将k值作为k-means聚类算法的参数，以将所述红外热图像划分为k个温度类别。
37.其中，统计至少两个嵌入向量图结构之间对应的区分度之后，将所有嵌入向量图结构对应的区分度进行排序，以确认最高区分度的嵌入向量图结构对应的节点类别数量，进而确认最高区分度的嵌入向量图结构对应的节点类别数量，以将所述最高区分度的嵌入向量图结构对应的节点类别数量，作为后续k-means聚类算法的k值，所述k值即为后续分类类别的数量。
38.需要说明的是，k-means聚类算法（k-means clustering algorithm）是一种迭代求解的聚类分析算法，其步骤是，想要将数据分为k组，则随机选取k个对象作为初始的聚类中心，然后计算每个对象与各个种子聚类中心之间的距离，把每个对象分配给距离它最近的聚类中心。聚类中心以及分配给它们的对象就代表一个聚类。每分配一个样本，聚类的聚类中心会根据聚类中现有的对象被重新计算。这个过程将不断重复直到满足某个终止条件。终止条件可以是没有（或最小数目）对象被重新分配给不同的聚类，没有（或最小数目）聚类中心再发生变化，误差平方和局部最小。具体参照现有技术，本案不作进一步限定。
39.本技术实施例通过基于电源红外热图像像素对应的像素点变化序列，构建至少两个嵌入向量图结构，其中，相邻两个嵌入向量图结构相互对应，每个嵌入向量图结构包括至少两个节点类别，然后根据嵌入向量图结构中的至少两个节点类别，分别计算两两节点类别在同一个嵌入向量图结构中的差异性，以及在相互对应的嵌入向量图结构中的一致性，再基于所述两两节点类别的差异性与一致性，计算嵌入向量图结构对应的区分度，最后将最高区分度的嵌入向量图结构对应的节点类别数量，作为聚类分析的分类参数，以进行高压电源工作温度的分类。通过选择最高区分度的嵌入向量图结构对应的节点类别数量作为聚类分析的分类参数，再进行高压电源工作温度的分类，能够提高高压电源工作温度的温度类别划分的准确性，进一步降低工作成本。
40.在本技术的一种实施例中，并参阅图3，所述步骤s101：所述基于高压电源红外热
图像像素对应的像素点变化序列，构建至少两个嵌入向量图结构，其中，相邻两个嵌入向量图结构相互对应，每个嵌入向量图结构包括至少两个节点类别，具体包括：s301、步骤1：基于高压电源红外热图像像素对应的像素点变化序列，构建三角网图结构。
41.其中，所述三角网图结构是通过三角剖分方法获得的一种图结构，所述三角剖分方法本案优选为delaunay三角剖分方法。需要说明的是，三角剖分：假设v是二维实数域上的有限点集，边e是由点集中的点作为端点构成的封闭线段, e为e的集合。那么该点集v的一个三角剖分t=(v,e)是一个平面图g，该平面图满足条件：1.除了端点，平面图中的边不包含点集中的任何点。2.没有相交边。3.平面图中所有的面都是三角面，且所有三角面的合集是散点集v的凸包。在实际中运用的最多的三角剖分是delaunay三角剖分，它是一种特殊的三角剖分。先从delaunay边说起： delaunay三角剖分算法的delaunay边：假设e中的一条边e（两个端点为a,b），e若满足下列条件，则称之为delaunay边：存在一个圆经过a,b两点，圆内(注意是圆内，圆上最多三点共圆)不含点集v中任何其他的点，这一特性又称空圆特性。如果点集v的一个三角剖分t只包含delaunay边，那么该三角剖分称为delaunay三角剖分。
42.具体的，参考附图4，所述基于高压电源红外热图像像素对应的像素点变化序列，构建三角网图结构，具体包括：s401、获取电源红外热图像每个像素点不同时刻的像素值对应的序列，确认每个像素点对应的像素点变化序列；s402、将每个像素点作为节点，每个像素点的像素点变化序列作为节点值，以及两两节点对应的像素点变化序列的余弦相似度作为边值，构建所述三角网图结构。
43.其中，可以得到每个时刻的红外热图像，将同一像素点不同时刻的像素值按照时间顺序形成序列，称之为像素点变化序列，然后对图像上的所有像素点首先通过delaunay三角剖分方法得到三角网图结构，即节点为每个像素点，节点值为每个像素点的变化序列，边值为对应两个节点的变化序列的余弦相似度。
44.s302、步骤2：基于所述三角网图结构与预设向量计算方法，计算每个节点对应的嵌入向量。
45.其中，在获取到所述三角网图结构之后，根据预设的预设向量计算方法，可对应计算每个节点对应的嵌入向量，本实施例中所述预设向量计算方法可以是graphsage算法，所述graphsage算法(graph sample and aaaregate)属于inductivelearning算法，它学习一种聚合函数，通过聚合节点邻居的特征信息来学习目标节点本身的embedding表达。从它的名字中可以看出算法的核心步骤分别是邻居采样以及特征聚合，graphsage就是我们通常意义的机器学习任务对于未知的节点且有泛化能力。
46.需要说明的是，通过所述三角网图结构与预设向量计算方法，计算每个节点对应的嵌入向量，所述每个节点对应的嵌入向量是包括了该节点与邻域节点的信息。
47.s303、步骤3：将所述每个节点对应的嵌入向量作为节点值，两两节点对应的嵌入向量的余弦相似度作为边值，每个像素点作为节点，构建嵌入向量图结构。
48.其中，在获取到所述每个节点对应的嵌入向量时，将每个节点对应的嵌入向量作为节点值，且维持像素点作为节点，以及各边的连接关系不变，同时两两节点对应的嵌入向量的余弦相似度作为边值，以构建所述嵌入向量图结构。
49.需要说明的是，在获取到所述嵌入向量图结构之后，可通过所述嵌入向量图结构进行获取对对应的节点类别，具体可为：对所述嵌入向量图结构的节点首先通过lda降维方法将每个节点值转化为标量，然后通过otsu多阈值分割的方法对节点进行聚类，得到当前嵌入向量图结构对应的节点类别。所述lda降维是指将所述嵌入向量图结构的节点投影到维度更低的空间中，使得投影后的点会形成按类别区分一簇一簇的情况，相同类别的点将在投影后的空间更加接近，不同类别的点在投影后距离越远。所述otsu多阈值分割的方法是最大类间方差法(大津算法)，是一种确定阈值的算法，之所以称为最大类间方差法是因为，用该阈值进行的图像固定阈值二值化，类间方差最大，它是按图像的灰度特性,将图像分成背景和前景两部分，使类间方差最大的分割意味着错分概率最小。
50.s304、步骤4：将所述嵌入向量图结构代替步骤2的三角网图结构进行预设次数的迭代计算，获取至少两个嵌入向量图结构。
51.需要说明的是，可根据实际需求进行嵌入向量图结构个数的设定，即设定预设次数的迭代计算，在获取到嵌入向量图结构之后，将所述嵌入向量图结构作为输入，返回至步骤2，将嵌入向量图结构代替步骤2中的三角网图结构，对每个节点进行第二次的嵌入向量计算，获取新的嵌入向量，举个例子，对第一嵌入向量图结构通过graphsage方法进行每个节点的嵌入向量的计算，得到每个节点对应的第二嵌入向量，此时每个节点的第二嵌入向量包含了比第一嵌入向量更大范围的节点信息，然后再经过步骤3进行嵌入向量图结构的构建，得到第二嵌入向量图结构，然后再将第二嵌入向量图结构作为输入代替步骤2中的第一嵌入向量图结构，再得到第三嵌入向量图结构，以此类推，根据预设次数的迭代计算，得到至少两个嵌入向量图结构。另外，通过计算得到了多个嵌入向量图结构，每个嵌入图结构中的节点数量相同，但每个节点综合的邻域信息的范围不同，每个嵌入图结构中的节点类别也不同。
52.在本实施例中，通过每个像素点的像素点变化序列，进一步构建多个嵌入向量图结构，以根据多个嵌入向量图结构进行后续的分类数量计算，提高高压电源工作温度的温度类别划分的准确性，进而提高数据分析的准确性，降低工作成本。
53.在本技术的一种实施例中，并参阅图5，s102：所述根据嵌入向量图结构中的至少两个节点类别，计算两两节点类别在相互对应的嵌入向量图结构中的一致性，具体包括：s501、基于每个节点类别对应的类别中心嵌入向量，分别计算两两节点类别每个像素点与对应的类别中心嵌入向量的余弦相似度。
54.其中，所述类别中心嵌入向量是指类别中心对应的嵌入向量，所述类别中心是指该类别中每个节点的嵌入向量与类别中其它所有点的嵌入向量的余弦相似度和，将最大和值对应的点作为类别中心。在分别确定了两两节点类别的类别中心嵌入向量之后，计算两两节点类别每个像素点与对应的类别中心嵌入向量的余弦相似度。
55.s502、将所述余弦相似度大于预设阈值的像素点，确定为每个节点类别对应的保留点。
56.其中，在获取到两两节点类别每个像素点与对应的类别中心嵌入向量的余弦相似度之后，将每个余弦相似度一一与预设阈值进行比对，将大于所述预设阈值余弦相似度对应的像素点，确定为每个节点类别对应的保留点。本案优选的预设阈值为0.5，即将相似度大于0.5的节点保留，作为该类别中的保留点。
57.s503、将所述两两节点类别对应的保留点根据预设规则进行匹配，确认匹配对。
58.其中，两两节点类别对应的保留点数量可能存在差异，而所述匹配对是一一对应匹配的，则当两两节点类别对应的保留点数量存在差异时，在数量多的节点类别中进行保留点的筛选，筛选出与数量少的节点类别中相同数量的保留点，筛选规则可以是，在数量多的节点类别中筛选余弦相似度靠前的保留点，以筛选出与数量少的节点类别相同数量的保留点为止。举个例子，类别a中有30个点，类别b中有25个点，最终参与km匹配的有25个点，两个类别中各25个点，选择类别a中权重最大的25个保留点参与匹配。
59.其中，将所述两两节点类别对应的保留点根据预设规则进行匹配，确认匹配对，具体可以是计算得到两两目标类别中的保留点后，计算两两目标类别中的保留点的km匹配，将一个类别的保留点作为左侧节点，另一个类别的保留点作为右侧节点，左侧每个节点与右侧所有节点相连，边值为对应两个节点的嵌入向量的余弦相似度，通过最大匹配原则，得到匹配结果，即得到左侧节点与右侧节点的一对一匹配，得到匹配对。
60.s504、基于所述匹配对，确认两两节点类别对应的差异性权重，以及匹配对相似度参数。
61.其中，所述两两节点类别对应的差异性权重可以是两两节点类别所有匹配对的差异性权重均值，所述匹配对相似度参数可以是匹配对的余弦相似度均值。
62.s505、基于所述两两节点类别对应的差异性权重以及匹配对相似度参数，计算两两节点类别在同一个嵌入向量图结构中的差异性。
63.其中，在获取到所述两两节点类别对应的差异性权重以及匹配对相似度参数之后，将所述两两节点类别对应的差异性权重以及匹配对相似度参数作乘积计算，计算两两节点类别在同一个嵌入向量图结构中的差异性。
64.在本技术的一种实施例中，参阅附图6，所述步骤s102：根据嵌入向量图结构中的至少两个节点类别，计算两两节点类别在相互对应的嵌入向量图结构中的一致性，具体包括：s601、分别计算两两节点类别中每个像素点，在相邻的嵌入向量图结构的对应节点类别中的比值，以将相邻的嵌入向量图结构的对应节点类别划分为完全子类别与零散子类别。
65.其中，因所述嵌入向量图结构是通过迭代计算而来，则所述相邻的嵌入向量图结构，可以是当前嵌入向量图结构的上一个嵌入向量图结构，则所述两两节点类别中的节点在上一个嵌入向量图结构中的对应节点类别，称之为对应节点类别，计算每个节点类别中的属于对应节点类别的节点与对应节点类别中的总节点数量的比值，根据比值对对应节点类别进行划分，将比值大于0.7的对应节点类别称之为当前节点类别的完全子类别，将小于0.7的称之为当前节点类别的零散子类别。
66.需要说明的是，当前节点类别对应的完全子类别，在相邻的嵌入向量图结构的对应节点类别中的占比越大，当前节点类别的内部一致性越大，点的纯度越高。举个例子，例如：一个类别中完全含有a、b、c，和一个类别内含有部分a、部分b和部分c,相比之下，前一个类别中的节点的纯度更高，前一个类别说明a、b、c较为相近但存在区别，在下一个嵌入向量图结构中被划分到一个类别中，说明类别a、b、c相近，而后一个类别表示类别a中的某些节点与类别b、c中的某些节点的相似度较大，而不是同一个类别中的节点的相似度较大，即前
一个类别的划分结果不精确，而当前的划分结果是在前一个的基础上扩大范围得到的，即当前的目标类别的内部节点的差异性较大。
67.s602、基于两两节点类别的零散子类别对应的比值，以及两两节点类别与相邻的嵌入向量图结构的对应节点类别的差异性，计算两两节点类别在相互对应的嵌入向量图结构中的一致性。
68.其中，在将相邻的嵌入向量图结构的对应节点类别划分为完全子类别与零散子类别之后，计算两两节点类别的零散子类别在对应节点类别中的比值，以及两两节点类别与相邻的嵌入向量图结构的对应节点类别的差异性（参照上述差异性的计算方式进行获得），计算两两节点类别在相互对应的嵌入向量图结构中的一致性。
69.在本技术的一种实施例中，并参阅图7，所述步骤s103：所述基于所述两两节点类别的差异性与一致性，计算嵌入向量图结构对应的区分度，具体包括：s701、将所述两两节点类别的差异性与一致性输入区别值计算公式，计算两两节点类别对应的区别值。
70.s702、将所述嵌入向量图结构中所有两两节点类别对应的区别值对应的均值，作为所述嵌入向量图结构对应的区分度。
71.具体的，所述将所述两两节点类别的差异性与一致性输入区别值计算公式，计算两两节点类别对应的区别值，具体包括：其中，是指两两节点类别对应的差异性权重,是指两两节点类别对应的匹配对相似度参数，是指组合数量，是指其中一个节点类别的零散子类别在对应节点类别中的占比，是指其中一个节点类别的对应节点类别中第个组合中两个类别的差异,是指另一个节点类别的零散子类别在对应节点类别中的占比，是指另一个节点类别的对应节点类别中第个组合中两个类别的差异。
72.需要说明的是，当前的嵌入向量图结构中两两节点类别对应的区别值越大，类别之间的区分度越大，而当前嵌入向量图结构中对应的区分度就会越大，则当前嵌入向量图结构中对应的节点类别数量越准确。再以上述方式确定的节点类别数量作为温度类别数量，即k-means聚类方法的k值，进行后续温度分类，所得到的分类结果更加准确。
73.本技术实施例通过基于电源红外热图像像素对应的像素点变化序列，构建至少两个嵌入向量图结构，其中，相邻两个嵌入向量图结构相互对应，每个嵌入向量图结构包括至少两个节点类别，然后根据嵌入向量图结构中的至少两个节点类别，分别计算两两节点类别在同一个嵌入向量图结构中的差异性，以及在相互对应的嵌入向量图结构中的一致性，再基于所述两两节点类别的差异性与一致性，计算嵌入向量图结构对应的区分度，最后将最高区分度的嵌入向量图结构对应的节点类别数量，作为聚类分析的分类参数，以进行高压电源工作温度的分类。通过选择最高区分度的嵌入向量图结构对应的节点类别数量作为聚类分析的分类参数，再进行高压电源工作温度的分类，能够提高高压电源工作温度的温度类别划分的准确性，进一步降低工作成本。
74.对于本领域技术人员而言，显然本技术不限于上述示范性实施例的细节，而且在不背离本技术的精神或基本特征的情况下，能够以其他的具体形式实现本技术。因此，无论从哪一点来看，均应将本技术上述的实施例看作是示范性的，而且是非限制性的，本技术的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本技术内。

技术特征：
1.一种高压电源工作温度分布数据分析方法，应用于高压电源工作温度数据处理领域，其特征在于，所述方法包括：基于高压电源红外热图像像素对应的像素点变化序列，构建至少两个嵌入向量图结构，其中，相邻两个嵌入向量图结构相互对应，每个嵌入向量图结构包括至少两个节点类别；根据嵌入向量图结构中的至少两个节点类别，分别计算两两节点类别在同一个嵌入向量图结构中的差异性，以及在相互对应的嵌入向量图结构中的一致性；基于所述两两节点类别的差异性与一致性，计算嵌入向量图结构对应的区分度；将最高区分度的嵌入向量图结构对应的节点类别数量，作为聚类分析的分类参数，以进行高压电源工作温度的分类。2.根据权利要求1所述的高压电源工作温度分布数据分析方法，其特征在于，所述基于高压电源红外热图像像素对应的像素点变化序列，构建至少两个嵌入向量图结构，其中，相邻两个嵌入向量图结构相互对应，每个嵌入向量图结构包括至少两个节点类别，具体包括：步骤1、基于高压电源红外热图像像素对应的像素点变化序列，构建三角网图结构；步骤2、基于所述三角网图结构与预设向量计算方法，计算每个节点对应的嵌入向量；步骤3、将所述每个节点对应的嵌入向量作为节点值，两两节点对应的嵌入向量的余弦相似度作为边值，每个像素点作为节点，构建嵌入向量图结构；步骤4、将所述嵌入向量图结构代替步骤2的三角网图结构进行预设次数的迭代计算，获取至少两个嵌入向量图结构。3.根据权利要求2所述的高压电源工作温度分布数据分析方法，其特征在于，所述基于高压电源红外热图像像素对应的像素点变化序列，构建三角网图结构，具体包括：获取电源红外热图像每个像素点不同时刻的像素值对应的序列，确认每个像素点对应的像素点变化序列；将每个像素点作为节点，每个像素点的像素点变化序列作为节点值，以及两两节点对应的像素点变化序列的余弦相似度作为边值，构建所述三角网图结构。4.根据权利要求3所述的高压电源工作温度分布数据分析方法，其特征在于，所述差异性的获取方法，具体包括：基于每个节点类别对应的类别中心嵌入向量，分别计算两两节点类别每个像素点与对应的类别中心嵌入向量的余弦相似度；将所述余弦相似度大于预设阈值的像素点，确定为每个节点类别对应的保留点；将所述两两节点类别对应的保留点根据预设规则进行匹配，确认匹配对；基于所述匹配对，确认两两节点类别对应的差异性权重，以及匹配对相似度参数；基于所述两两节点类别对应的差异性权重以及匹配对相似度参数，计算两两节点类别在同一个嵌入向量图结构中的差异性。5.根据权利要求4所述的高压电源工作温度分布数据分析方法，其特征在于，所述一致性的获取方法，具体包括：分别计算两两节点类别中每个像素点，在相邻的嵌入向量图结构的对应节点类别中的比值，以将相邻的嵌入向量图结构的对应节点类别划分为完全子类别与零散子类别；基于两两节点类别的零散子类别对应的比值，以及两两节点类别与相邻的嵌入向量图
结构的对应节点类别的差异性，计算两两节点类别在相互对应的嵌入向量图结构中的一致性。6.根据权利要求5所述的高压电源工作温度分布数据分析方法，其特征在于，所述基于所述两两节点类别的差异性与一致性，计算嵌入向量图结构对应的区分度，具体包括：将所述两两节点类别的差异性与一致性输入区别值计算公式，计算两两节点类别对应的区别值；将所述嵌入向量图结构中所有两两节点类别对应的区别值对应的均值，作为所述嵌入向量图结构对应的区分度。7.根据权利要求6所述的高压电源工作温度分布数据分析方法，其特征在于，所述将所述两两节点类别的差异性与一致性输入区别值计算公式，计算两两节点类别对应的区别值，具体包括：其中，是指两两节点类别对应的差异性权重,是指两两节点类别对应的匹配对相似度参数，是指组合数量，是指其中一个节点类别的零散子类别在对应节点类别中的占比，是指其中一个节点类别的对应节点类别中第个组合中两个类别的差异,是指另一个节点类别的零散子类别在对应节点类别中的占比，是指另一个节点类别的对应节点类别中第个组合中两个类别的差异。8.根据权利要求1-7任一项所述的高压电源工作温度分布数据分析方法，其特征在于，所述将最高区分度的嵌入向量图结构对应的节点类别数量，作为聚类分析的分类参数，以进行高压电源工作温度的分类，具体包括：统计至少两个嵌入向量图结构之间对应的区分度，确认最高区分度的嵌入向量图结构对应的节点类别数量；将最高区分度的嵌入向量图结构对应的节点类别数量k值，以将k值作为k-means聚类算法的参数，以将所述红外热图像划分为k个温度类别。

技术总结
本发明涉及图像处理技术领域，具体涉及一种高压电源工作温度分布数据分析方法，包括：先基于电源红外热图像像素对应的像素点变化序列，构建至少两个嵌入向量图结构，然后根据嵌入向量图结构中的至少两个节点类别，分别计算两两节点类别在同一个嵌入向量图结构中的差异性，以及在相互对应的嵌入向量图结构中的一致性，再基于所述两两节点类别的差异性与一致性，计算嵌入向量图结构对应的区分度，最后将最高区分度的嵌入向量图结构对应的节点类别数量，作为聚类分析的分类参数，以进行高压电源工作温度的分类，则能够提高高压电源工作温度的温度类别划分的准确性，进一步降低工作成本。成本。成本。


技术研发人员：高永明 高永亮 陆雨 张锦飞 高俊霞
受保护的技术使用者：陕西威思曼高压电源股份有限公司
技术研发日：2023.07.04
技术公布日：2023/8/5