本发明属于设备状态检测，尤其涉及一种机电设备运行状态实时检测方法及系统。
背景技术：
1、随着铁路运输系统的快速发展，铁路站台的安全和效率问题日益受到重视。
2、机电设备作为铁路站台的重要组成部分，其运行状态的实时监测和诊断对于保障铁路运输的安全性和可靠性至关重要。
3、目前，铁路单位对站台机电设备大都还是执行的人工定时巡检制度，通过经验靠听、触、观等方法判断设备运行状况，这一巡检任务让职工深感疲惫，更无法实时掌握设备巡检情况，一旦出现紧急性故障，很难及时发现，造成事故，同时无法实现故障的早期发现和诊断，造成故障扩大和计划检修、超前检修无法实施。
4、随着人工智能的快速发展，采用机器学习的检测模型对机电设备的状态进行检测、预测也得到了一定的发展，然而传统的机器学习算法对于机电设备的运行状态评估之前，需要对算法进行训练，由于机电设备运行状态数据的采样环境差异，通常存在运行数据样本不平衡的问题，影响机器学习算法的训练，导致无法对机电设备的运行状态进行准确评估检测。
技术实现思路
1、本发明实施例的目的在于提供一种机电设备运行状态实时检测方法及系统，旨在解决上述背景技术中所提出的技术问题。
2、为实现上述目的，本发明提供了如下的技术方案。
3、在本发明的第一方面，提供了一种机电设备运行状态实时检测方法，该检测方法包括以下步骤：
4、通过小波去噪方法在监测的机电设备运行数据里剔除噪声数据,得到机电设备工作状态原始数据的少数类样本；
5、通过改进smote算法对少数类样本进行非边缘化扩充；采用基于核函数的自适应合成数据生成方法对少数类样本的不同类样本进行边缘化扩充，得到机电设备均衡数据集；
6、选择高斯核函数作为svm分类器的核函数,初始化惩罚因子c和核函数参数g，利用均衡数据集对svm模型进行训练，训练过程中，采用改进的粒子群优化算法对svm模型进行参数调优，得到训练好的运行状态检测模型；
7、利用数据采集器获取机电设备运行状态实时数据，将运行状态实时数据作为训练好的运行状态检测模型的输入，输出该实时数据所对应的检测分类结果。
8、作为本发明进一步的方案，所述通过小波去噪方法在监测的机电设备运行数据里剔除噪声数据的步骤包括：
9、建立机电设备运行数据的故障模型，故障模型表示为：
10、；
11、式（1）中，表示为含有噪声数据的机电设备运行数据；表示初始机电设备运行数据；为噪声数据；
12、对故障模型进行小波变换，得到：
13、；
14、对机电设备运行数据进行小波分解，选取小波基函数和分层的数据进行拆分，得到多个小波层级和相应的小波系数；对小波系数进行阈值处理，根据分解后的小波系数，选择对应的阈值和阈值函数，表示为：
15、；
16、在式（2）和式（3）中，表示不同数据对应的小波；y表示最大分解程度，k表示数据长度；的取值范围为[0,1]；表示阈值；阈值函数在中连续；
17、根据阈值函数在的连续性，按照数据和数据在不同尺度中的特征要求，获得最优估计，得到新的阈值表示：
18、；
19、式（4）中，y表示分解程度；n为信号大小；表示噪声大小，表示为：
20、；
21、通过小波重构将处理后的系数合成为去噪后的数据。
22、作为本发明进一步的方案，所述通过改进smote算法对少数类样本进行非边缘化扩充的步骤包括：
23、将少数类样本划分为噪声点和非噪声点，在非噪声点和少数类样本中间点之间采用线性插值的方法构造扩充样本，扩充样本分布在原始少类样本中心点附近，可有效避免扩充数据的边缘化。
24、作为本发明进一步的方案，少数类样本中间点的计算过程包括：取归一化处理后少数类样本各特征属性下的均值作为少数类样本中心点，表示为：
25、；
26、式（5）中，表示已进行归一化预处理后的第r个特征属性下的第i个样本，n表示少数类样本的个数；
27、在少数类样本中心点与非噪声点之间通过如下公式进行数据扩充：
28、；
29、式（6）中，表示新扩充的少数类样本，表示非噪声点集合中的少数类样本；表示区间[0,1]上满足均匀分布的随机数。
30、作为本发明进一步的方案，所述采用基于核函数的自适应合成数据生成方法对少数类样本的不同类样本进行边缘化扩充的步骤包括：
31、根据少数类样本的k近邻中多数类样本的比例来计算权重；
32、根据权重和预设的比例，确定每个少数类样本需要生成的合成样本数量；
33、利用核函数对少数类样本的概率密度进行估计，核函数的宽度通过带宽参数控制；
34、使用马尔可夫链蒙特卡洛方法在核密度估计的基础上生成合成样本；其中，从少数类样本中随机选择出初始样本，然后通过添加随机扰动来生成新的样本点，直到生成所需的合成样本数量 ；
35、将生成的合成样本与原始多数类样本合并，形成机电设备均衡数据集。
36、作为本发明进一步的方案，所述采用改进的粒子群优化算法对svm分类模型进行参数调优的步骤，包括：
37、设定粒子群的粒子数量和最大迭代此时，将svm模型的惩罚因子c和核函数参数g设为粒子个体位置的二维坐标；
38、随机初始化惩罚因子c和核函数参数g；
39、利用均衡数据集中的样本对svm模型进行训练；
40、更新粒子个体位置和速度，计算更新后每个粒子个体的适应度值，将当前迭代次数的最优适应度值与所述更新后每个粒子个体的适应度值进行关系判断，得到粒子群体中最优个体粒子的位置；
41、当达到最大迭代次数时，停止迭代并输出最优的惩罚因子c和核函数参数g；
42、利用最优的惩罚因子c和核函数参数g构建基于svm的运行状态检测模型。
43、作为本发明进一步的方案，所述更新粒子个体位置和速度的步骤，包括：
44、设定d维空间中，粒子的数量为n，第i个粒子的位置和速度分别表示为：
45、；
46、；
47、粒子个体经历最优位置和粒子群最优位置分别表示为：
48、；
49、；
50、当粒子个体最优位置比种群最优位置更好时，对种群最优位置进行更新；
51、对于任意维度的粒子的位置和速度，其速度和位置更新公式如下：
52、；
53、；
54、式（11）、（12）中，v表示粒子速度，和均表示加速因子，表示区间[0,1]上的随机数；x表示粒子位置，表示粒子最优位置；表示粒子群最优位置。
55、在本发明的第二方面，提供了一种机电设备运行状态实时检测系统，该检测系统包括：
56、数据处理模块，用户通过小波去噪方法在监测的机电设备运行数据里剔除噪声数据,得到机电设备工作状态原始数据的少数类样本；
57、数据扩充模块，用于通过改进smote算法对少数类样本进行非边缘化扩充；采用基于核函数的自适应合成数据生成方法对少数类样本的不同类样本进行边缘化扩充，得到机电设备均衡数据集；
58、模型训练模块，用于选择高斯核函数作为svm分类器的核函数,初始化惩罚因子c和核函数参数g，利用均衡数据集对svm模型进行训练，训练过程中，采用改进的粒子群优化算法对svm模型进行参数调优，得到训练好的运行状态检测模型；
59、状态检测模块，用于利用数据采集器获取机电设备运行状态实时数据，将运行状态实时数据作为训练好的运行状态检测模型的输入，输出该实时数据所对应的检测分类结果。
60、与现有技术相比，本发明机电设备运行状态实时检测方法及系统的有益效果是：
61、第一，本发明通过小波去噪方法在监测的机电设备运行数据里剔除噪声数据,得到机电设备工作状态原始数据的少数类样本，进一步将去噪后的数据作为训练集输入，可以提高模型的泛化能力，改善分类或回归模型的性能；且通过减少噪声数据的影响，可以减少后续数据处理的复杂性和计算成本；
62、第二，本发明通过改进smote算法对少数类样本进行非边缘化扩充，使得在同类样本数据内部进行数据扩充，扩充的少数类样本分布在原始样本中心点附近，有效避免扩充数据边缘化，可以规避传统smote算法中k值选取的主观性；
63、第三，本发明采用基于核函数的自适应合成数据生成方法对少数类样本的不同类样本进行边缘化扩充，实现样本数据的二次扩充，增强了不同类样本之间的边界区分度；
64、第四，本发明选择高斯核函数作为svm分类器的核函数，利用均衡数据集对svm模型进行训练，并采用改进的粒子群优化算法对svm模型进行参数调优，可以得到性能优异的机电设备运行状态检测模型，提高了对机电设备状态运行检测的精确性。
1.一种机电设备运行状态实时检测方法，其特征在于，该检测方法包括以下步骤：
2.根据权利要求1所述的机电设备运行状态实时检测方法，其特征在于，通过小波去噪方法在监测的机电设备运行数据里剔除噪声数据的步骤包括：
3.根据权利要求2所述的机电设备运行状态实时检测方法，其特征在于，通过改进smote算法对少数类样本进行非边缘化扩充的步骤包括：
4.根据权利要求3所述的机电设备运行状态实时检测方法，其特征在于，少数类样本中间点的计算过程包括：取归一化处理后少数类样本各特征属性下的均值作为少数类样本中心点，表示为：
5.根据权利要求4所述的机电设备运行状态实时检测方法，其特征在于，采用基于核函数的自适应合成数据生成方法对少数类样本的不同类样本进行边缘化扩充的步骤包括：
6.根据权利要求5所述的机电设备运行状态实时检测方法，其特征在于，采用改进的粒子群优化算法对svm分类模型进行参数调优的步骤，包括：
7.根据权利要求6所述的机电设备运行状态实时检测方法，其特征在于，更新粒子个体位置和速度的步骤，包括：
8.一种实现如权利要求1-7任一所述机电设备运行状态实时检测方法的检测系统，其特征在于，该检测系统包括：
