CN109000940A - 一种机车车辆异常轴温诊断方法及系统 - Google Patents

Abstract

本发明提供一种机车车辆异常轴温诊断方法及系统，将多个关联测点在多个时间窗口的温度时域特征组合成特征集合，对特征集合进行k‑means聚类，通过k‑means聚类对特征位置差异进行判断，确定是否存在孤立测点，若存在孤立测点，则以正常测点所属簇的最大半径作为邻域半径，以单个关联测点对应的温度时域特征数量作为最小邻域密度，根据邻域半径和最小邻域密度对特征集合进行DBSCAN聚类，判断其分布密度是否存在显著差异。若某个关联测点对应的温度时域特征在k‑means聚类和DBSCAN聚类的结果中同时具有位置差异性与分布密度差异性，则可判断该关联测点存在温度异常。该方法及系统有效提高了机车车辆异常轴温诊断的正确率，并对应降低了诊断的误判率。

Description

一种机车车辆异常轴温诊断方法及系统

技术领域

本发明涉及机车车辆故障诊断技术领域，更具体地，涉及一种机车车辆异常轴温诊断方法及系统。

背景技术

温度是反映轴承热状态的最直接参量，因此可基于温度信号对轴承异常温升进行诊断，进而预警热轴故障。轴承磨损退化可能造成轴温升高，而正常工况下轴承转速、载荷、环境温度的变化亦可引起轴承温升。轴承温度信息能有效表征其健康状况，而轴承温升原因的不确定性是基于温度信号进行轴承故障诊断的难点。

现有技术中基于温度信号进行轴承故障诊断主要包括两类实现方法，其中一类实现方法是基于模糊判别法、模糊神经网络、增量型极限学习机、DTW算法建立了热轴等级判别模型，避免了绝对阈值判别的局限性，提高了热轴判别准确性，此类方法本质上属于建立固定异常模型，为获得准确且具有泛化能力的异常判别模型，需要大量不同工况不同等级下热轴故障历史数据，而在车辆运行中引起轴承温升原因多样且耦合作用，列车轴温测点分布于整车，测点数量多，工况差异大且热轴故障发生次数较少，难以建立准确有效的基于已标记历史数据的故障识别模型，且难以规避轴承温升原因多样性带来的误判。另一类实现方法是应用非线性估计法(NSET)基于历史数据建立运行工况-齿轮箱温度的状态估计模型，以实测温度值与模型估计值偏差统计量评价设备温度异常程度。此类方法致力于构建标准正常模型，在建模数据选取中难以保证设备不存在退化或异常状况，而正常模型偏差量将通过估计值影响判别结果。

综上所述，现有技术在基于温度信号进行轴承故障诊断的方法中，由于引起温升因素的多样性和复杂性，导致难以确保诊断结果的准确性，无法有效避免误判的情况。

发明内容

本发明为了克服现有技术在基于温度信号进行轴承故障诊断的方法中由于引起温升因素的多样性和复杂性，导致难以确保诊断结果的准确性，无法有效避免误判的情况的问题，提供一种机车车辆异常轴温诊断方法及系统。

一方面，本发明提供一种机车车辆异常轴温诊断方法，包括：

S1，预先设置多个关联测点和多个时间窗口，获取每个所述关联测点在每个所述时间窗口内的温度时域特征，将所有所述关联测点对应的所有所述温度时域特征组合成特征集合；

S2，利用k-means聚类算法对所述特征集合中的所有温度时域特征进行聚类，获得所述特征集合中每个温度时域特征的类标签，根据每个所述关联测点对应的所有温度时域特征的类标签确定每个所述关联测点的类标签，所述类标签的种类为两种；

S3，当两种所述类标签中的一种类标签对应的关联测点的数量小于预设数量时，则将该种类标签对应的所有关联测点确定为孤立测点，将另一种类标签对应的所有关联测点确定为正常测点；

S4，计算所有所述正常测点对应的所有温度时域特征中的每两个温度时域特征之间的欧氏距离，根据所述欧氏距离确定邻域半径，并根据所述时间窗口的数量确定最小邻域密度；

S5，利用DBSCAN聚类算法根据所述邻域半径和所述最小邻域密度对所述特征集合进行聚类，当所有所述孤立测点被聚类为噪声，且所有所述正常测点被聚类为同一类时，确定所有所述孤立测点存在温度异常。

优选地，所述步骤S5还包括：

当所有所述孤立测点和所有所述正常测点被聚类为同一类时，确定所有所述关联测点不存在温度异常。

优选地，步骤S1中所述获取每个所述关联测点在每个所述时间窗口内的温度时域特征进一步包括：

获取每个所述关联测点在每个所述时间窗口内的实时温度数据；

根据每个所述时间窗口内的所有实时温度数据确定每个所述时间窗口内的温度时域特征，所述温度时域特征包括最大值、最小值、峰值、峰峰值、均值、方差、均方值、均方幅值、方根幅值、平均幅值、峰值指标、波形指标、裕度指标和峭度指标。

优选地，所述步骤S2之前还包括：

对所述特征集合进行主成分分析，获得所述特征集合中的所有主成分温度时域特征，将所有所述主成分温度时域特征组合成主成分特征集合；

相应地，所述利用k-means聚类算法对所述特征集合中的所有温度时域特征进行聚类进一步包括：利用k-means聚类算法对所述主成分特征集合中的所有温度时域特征进行聚类。

优选地，所述对所述特征集合进行主成分分析进一步包括：

计算获得所述特征集合对应的协方差矩阵，并获取所述协方差矩阵对应的所有特征值和每个所述特征值对应的特征向量；

根据所有所述特征值确定主成分维数，根据所述主成分维数确定主成分分析的投影方向；

将所述特征集合按照所述投影方向进行投影，获得所述主成分特征集合。

优选地，步骤S2中所述根据每个所述关联测点对应的所有温度时域特征的类标签确定每个所述关联测点的类标签进一步包括：

对于任一关联测点，获取所述任一关联测点对应的所有温度时域特征的类标签；

当所有所述类标签中包含所述第一类标签的数量达到预设阈值时，确定所述任一关联测点的类标签为所述第一类标签；当所有所述类标签中包含所述第二类标签的数量达到所述预设阈值时，确定所述任一关联测点的类标签为所述第二类标签。

一方面，本发明提供一种机车车辆异常轴温诊断系统，包括：

特征采集模块，用于预先设置多个关联测点和多个时间窗口，获取每个所述关联测点在每个所述时间窗口内的温度时域特征，将所有所述关联测点对应的所有所述温度时域特征组合成特征集合；

第一聚类模块，用于利用k-means聚类算法对所述特征集合中的所有温度时域特征进行聚类，获得所述特征集合中每个温度时域特征的类标签，根据每个所述关联测点对应的所有温度时域特征的类标签确定每个所述关联测点的类标签，所述类标签的种类为两种；

关联测点分析模块，用于当两种所述类标签中的一种类标签对应的关联测点的数量小于预设数量时，则将该种类标签对应的所有关联测点确定为孤立测点，将另一种类标签对应的所有关联测点确定为正常测点；

聚类参数确定模块，用于计算所有所述正常测点对应的所有温度时域特征中的每两个温度时域特征之间的欧氏距离，根据所述欧氏距离确定邻域半径，并根据所述时间窗口的数量确定最小邻域密度；

第二聚类模块，用于利用DBSCAN聚类算法根据所述邻域半径和所述最小邻域密度对所述特征集合进行聚类，当所有所述孤立测点被聚类为噪声，且所有所述正常测点被聚类为同一类时，确定所有所述孤立测点存在温度异常。

优选地，所述第二聚类模块还用于：

当所有所述孤立测点和所有所述正常测点被聚类为同一类时，确定所有所述关联测点不存在温度异常。

一方面，本发明提供一种机车车辆异常轴温诊断方法的设备，包括：

至少一个处理器；以及

与所述处理器通信连接的至少一个存储器，其中：

所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令能够执行上述任一所述的方法。

一方面，本发明提供一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机执行上述任一所述的方法。

本发明提供一种机车车辆异常轴温诊断方法及系统，将多个关联测点在多个时间窗口的温度时域特征组合成特征集合，对特征集合进行k-means聚类，通过k-means聚类对特征位置差异进行判断，确定是否存在孤立测点，若存在孤立测点，则以正常测点所属簇的最大半径作为邻域半径，以单个关联测点对应的温度时域特征数量作为最小邻域密度，根据邻域半径和最小邻域密度对特征集合进行DBSCAN聚类，判断其分布密度是否存在显著差异。若某个关联测点对应的温度时域特征在k-means聚类和DBSCAN聚类的结果中同时具有位置差异性与分布密度差异性，则可判断该关联测点存在温度异常，进而对温度异常进行预警。该方法及系统利用机车车辆轴温测点的关联性、异常温升特征分布的空间位置、局部密度差异性，构建了一种多组关联序列中少数持续离群子序列的异常检测模型。该模型将轴温特征空间Kmeans聚类的簇半径作为DBSCAN聚类邻域半径，根据特征分布局部密度的差异性进行诊断。通过两种聚类算法的融合，解决了单一算法对不同特征空间分布聚类的局限性，并实现了DBSCAN邻域判别阈值参数的自适应选取。该方法及系统有效提高了机车车辆异常轴温诊断的正确率，并对应降低了诊断的误判率，能够满足机车车辆轴温在途诊断的实时性要求。

附图说明

图1为本发明实施例的一种机车车辆异常轴温诊断方法的整体流程示意图；

图2为本发明实施例的一种机车车辆异常轴温诊断系统的整体结构示意图；

图3为本发明实施例的一种机车车辆异常轴温诊断方法的设备的结构框架示意图。

具体实施方式

下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。

图1为本发明实施例的一种机车车辆异常轴温诊断方法的整体流程示意图，如图1所示，本发明提供一种机车车辆异常轴温诊断方法，包括：

S1，预先设置多个关联测点和多个时间窗口，获取每个关联测点在每个时间窗口内的温度时域特征，将所有关联测点对应的所有温度时域特征组合成特征集合；

具体地，在机车车辆的轴承上预先设置多个关联测点，其中各关联测点的位置和工况(包括转速和载荷等)相近，关联测点的数量可以根据实际需求进行设置，此处不做具体限定。同时，预先设置多个时间窗口，在时间窗口的设置过程中，例如，可以预先设置诊断时间段T，在时间段T内设置宽度为w的滑动窗口，滑动因子为1，则可对应设置T-w+1个时间窗口。

进一步地，在每个关联测点布置对应的温度传感器，并对应设置温度传感器的采集频率，利用温度传感器采集每个关联测点在每个时间窗口内的实时温度数据，并分析每个关联测点在每个时间窗口内的所有实时温度数据，获得表征每个时间窗口内温度变化规律的温度时域特征，即可获得每个关联测点在每个时间窗口内的温度时域特征。其中温度时域特征可以为表征温度变化规律的所有特征，可以根据实际需求进行设置，此处不做具体限定。最终，将所有关联测点对应的所有温度时域特征组合成特征集合。

S2，利用k-means聚类算法对特征集合中的所有温度时域特征进行聚类，获得特征集合中每个温度时域特征的类标签，根据每个关联测点对应的所有温度时域特征的类标签确定每个关联测点的类标签，类标签的种类为两种；

具体地，在上述基础上，利用k-means聚类算法对特征集合中的所有温度时域特征进行聚类，由于特征集合中的一个元素即为一个温度时域特征，由此在对特征集合中的所有温度时域特征进行聚类后，即可获得特征集合中每个温度时域特征的类标签。本实施例中，在利用k-means聚类算法对特征集合中的所有温度时域特征进行聚类时，聚类参数K取值为2，即将特征集合中的所有温度时域特征最终聚类为两类，也即所有温度时域特征的类标签总共有两种，每个温度时域特征的类标签为第一类标签或第二类标签。由此，针对每个关联测点，可获得每个关联测点对应的每个温度时域特征的类标签。

最终，根据每个关联测点对应的所有温度时域特征的类标签确定每个关联测点的类标签。具体地，可以通过统计每个关联测点对应的所有温度时域特征的类标签中包含第一类标签和第二类标签的数量，当第一类标签的数量或第二类标签的数量达到预设阈值时，则对应可确定该关联测点的类标签为第一类标签或第二类标签，其中预设阈值可以根据实际需求进行设置，此处不做具体限定。

需要说明的是，K-means聚类算法是硬聚类算法，是典型的基于原型的目标函数聚类方法的代表，它是数据点到原型的某种距离作为优化的目标函数，利用函数求极值的方法得到迭代运算的调整规则。K-means算法以欧式距离作为相似度测度，它是求对应某一初始聚类中心向量V最优分类，使得评价指标最小，算法采用误差平方和准则函数作为聚类准则函数。

S3，当两种类标签中的一种类标签对应的关联测点的数量小于预设数量时，则将该种类标签对应的所有关联测点确定为孤立测点，将另一种类标签对应的所有关联测点确定为正常测点；

具体地，在确定了每个关联测点的类标签的基础上，统计第一类标签和第二类标签分别对应的关联测点的数量。当第一类标签对应的关联测点的数量小于预设数量时，则可将第一类标签对应的所有关联测点确定为孤立测点，并将第二类标签对应的所有关联测点确定为正常测点。当第二类标签对应的关联测点的数量小于预设数量时，则可将第二类标签对应的所有关联测点确定为孤立测点，并将第一类标签对应的所有关联测点确定为正常测点。其中，预设数量可以根据实际需求进行设置，此处不做具体限定。由于K-means聚类算法是典型的基于距离的聚类算法，故而可确定上述孤立测点与其他关联测点之间存在明显的位置差异性。

S4，计算所有正常测点对应的所有温度时域特征中的每两个温度时域特征之间的欧氏距离，根据欧氏距离确定邻域半径，并根据时间窗口的数量确定最小邻域密度；

具体地，在确定了所有关联测点中的孤立测点和正常测点之后，即可获得所有正常测点对应的所有温度时域特征，在此基础上，计算所有温度时域特征中每两个温度时域特征之间的欧氏距离，比较每两个温度时域特征之间的欧氏距离，获得欧氏距离的最大值。根据欧氏距离的最大值确定DBSCAN聚类算法中的邻域半径(Eps)，本实施例中，将欧氏距离的一半作为邻域半径。同时，根据时间窗口的数量确定DBSCAN聚类算法中最小邻域密度(Minpts)，其中时间窗口的数量即为每个关联测点对应的温度时域特征的数量，本实施例中，将时间窗口的数量确定为最小邻域密度。在其他实施例中，邻域半径和最小邻域密度也可以根据实际需求进行设置，此处不做具体限定。

S5，利用DBSCAN聚类算法根据邻域半径和最小邻域密度对特征集合进行聚类，当所有孤立测点被聚类为噪声，且所有正常测点被聚类为同一类时，确定所有孤立测点存在温度异常。

具体地，由于邻域半径和最小邻域密度是DBSCAN聚类算法中的两个主要参数，在确定了邻域半径和最小邻域密度的基础上，利用DBSCAN聚类算法根据邻域半径和最小邻域密度对上述特征集合进行聚类。其中，DBSCAN聚类算法是一个比较有代表性的基于密度的聚类算法，与划分和层次聚类方法不同，它将簇定义为密度相连的点的最大集合，能够把具有足够高密度的区域划分为簇，并可在噪声的空间数据库中发现任意形状的聚类。因此，特征集合在经过DBSCAN聚类后，可确定特征集合中的所有温度时域特征中的噪声，当存在噪声时，即可将特征集合中的大部分温度时域特征聚类为同一类，而其他少数温度时域特征被聚类为噪声。

进一步地，当所有孤立测点对应的所有温度时域特征均被聚类为噪声时，而所有正常测点对应的所有温度时域特征均被聚类为同一类时，则可确定所有孤立测点均为噪声，而所有正常测点属于同一类。由于DBSCAN聚类算法是典型的基于密度的聚类算法，故而可确定所有孤立测点和其他关联测点之间存在显著的分布密度差异性。

结合上述可知，所有孤立测点与其他关联测点之间同时存在位置差异性和分布密度差异性，在此基础上，则可确定所有孤立测点均存在温度异常。即，关联测点中的孤立测点的位置存在温度异常，在此基础上，根据预设的预警策略可以针对温度异常的位置进行预警。

为了验证本发明的机车车辆异常轴温诊断方法的诊断效果，现以下述示例进行具体说明：

以某型机车车辆履历服役轴温监测数据为例，数据来源为某型机车车辆车载轴温监测系统测得同列车上多个轴温测点温度，温度传感器为pt100，采样频率为1HZ，监测轴温数据传输频率为每分钟一次。以齿轮箱轴温测点进行验证，首先根据同车同类测点工况相近(转速、载荷)和相对位置相近的原则将齿轮箱上16个轴温测点划分为4类关联测点，每类包含同车4根车轴上4个测点，如下表1所示：

表1

然后根据异常温度测点温度特征连续时间段内离群，且为同类关联测点中最高温度测点的特点，设置预警策略，现一般采用测点绝对温度超过环境温度80度时报警的策略。

最后运用本发明中k-means聚类算法和DBSCAN聚类算法融合的机车车辆异常轴温诊断方法进行异常温度预警，同时将单一聚类诊断算法作为对比验证。

选取齿轮箱小齿轮电机侧轴承、齿轮箱小齿轮电机侧轴承轴温数据200min片段，诊断结果如下表2所示：

表2异常温升判别准确率

选取齿轮箱大齿轮车轮侧轴承温升正常数据200min片段、大齿轮电机侧温升正常数据200min片段。诊断结果如下表3所示：

表3异常温升误判率

综合对异常轴承温度诊断的准确率及对正常温度的误判率，本发明提出的k-means聚类算法和DBSCAN聚类算法融合的诊断方法准确性优于两种单一的聚类算法，且预警时间较现有基于绝对阈值的预警法提前了57min，同时该诊断方法的单次运行时间为60ms，可以满足轴温在途诊断的实时性要求。

本发明提供一种机车车辆异常轴温诊断方法，将多个关联测点在多个时间窗口的温度时域特征组合成特征集合，对特征集合进行k-means聚类，通过k-means聚类对特征位置差异进行判断，确定是否存在孤立测点，若存在孤立测点，则以正常测点所属簇的最大半径作为邻域半径，以单个关联测点对应的温度时域特征数量作为最小邻域密度，根据邻域半径和最小邻域密度对特征集合进行DBSCAN聚类，判断其分布密度是否存在显著差异。若某个关联测点对应的温度时域特征在k-means聚类和DBSCAN聚类的结果中同时具有位置差异性与分布密度差异性，则可判断该关联测点存在温度异常，进而对温度异常进行预警。该方法利用机车车辆轴温测点的关联性、异常温升特征分布的空间位置、局部密度差异性，构建了一种多组关联序列中少数持续离群子序列的异常检测模型。该模型将轴温特征空间Kmeans聚类的簇半径作为DBSCAN聚类邻域半径，根据特征分布局部密度的差异性进行诊断。通过两种聚类算法的融合，解决了单一算法对不同特征空间分布聚类的局限性，并实现了DBSCAN邻域判别阈值参数的自适应选取。该方法有效提高了机车车辆异常轴温诊断的正确率，并对应降低了诊断的误判率，能够满足机车车辆轴温在途诊断的实时性要求。

基于上述任一实施例，提供一种机车车辆异常轴温诊断方法，步骤S5还包括：当所有孤立测点和所有正常测点被聚类为同一类时，确定所有关联测点不存在温度异常。

具体地，在利用DBSCAN聚类算法根据邻域半径和最小邻域密度对上述特征集合进行聚类之后，若特征集合中的所有温度时域特征均被聚类为同一类时，即所有孤立测点和所有正常测点均被聚类为同一类时，则可确定所有关联测点均不存在温度异常。

本发明提供一种机车车辆异常轴温诊断方法，若某个关联测点对应的温度时域特征在k-means聚类和DBSCAN聚类的结果中不满足同时具有位置差异性与分布密度差异性，则可判断所有关联测点均不存在温度异常。该方法利用机车车辆轴温测点的关联性、异常温升特征分布的空间位置、局部密度差异性，构建了一种多组关联序列中少数持续离群子序列的异常检测模型。该模型将轴温特征空间Kmeans聚类的簇半径作为DBSCAN聚类邻域半径，根据特征分布局部密度的差异性进行诊断。通过两种聚类算法的融合，解决了单一算法对不同特征空间分布聚类的局限性，并实现了DBSCAN邻域判别阈值参数的自适应选取。该方法有效提高了机车车辆异常轴温诊断的正确率，并对应降低了诊断的误判率，能够满足机车车辆轴温在途诊断的实时性要求。

基于上述任一实施例，提供一种机车车辆异常轴温诊断方法，步骤S1中获取每个关联测点在每个时间窗口内的温度时域特征进一步包括：获取每个关联测点在每个时间窗口内的实时温度数据；根据每个时间窗口内的所有实时温度数据确定每个时间窗口内的温度时域特征，温度时域特征包括最大值、最小值、峰值、峰峰值、均值、方差、均方值、均方幅值、方根幅值、平均幅值、峰值指标、波形指标、裕度指标和峭度指标。

具体地，在每个关联测点布置对应的温度传感器，并对应设置温度传感器的采集频率，利用温度传感器采集每个关联测点在每个时间窗口内的实时温度数据，并分析每个关联测点在每个时间窗口内的所有实时温度数据，获得表征每个时间窗口内温度变化规律的温度时域特征，即可获得每个关联测点在每个时间窗口内的温度时域特征。

本实施例中，温度时域特征包括最大值、最小值、峰值、峰峰值、均值、方差、均方值、均方幅值、方根幅值、平均幅值、峰值指标、波形指标、裕度指标和峭度指标。即，本实施例中的温度时域特征为15维温度时域特征。在实际应用中，可以利用matlab对每个关联测点在每个时间窗口内的所有实时温度数据进行时域分析，获得每个关联测点在每个时间窗口内的15温度维时域特征。此外，在其他实施例中，温度时域特征也可以根据实际需求进行设置，此处不做具体限定。

本发明提供一种机车车辆异常轴温诊断方法，获取每个关联测点在每个时间窗口内的实时温度数据；根据每个时间窗口内的所有实时温度数据确定每个时间窗口内的温度时域特征，温度时域特征包括最大值、最小值、峰值、峰峰值、均值、方差、均方值、均方幅值、方根幅值、平均幅值、峰值指标、波形指标、裕度指标和峭度指标。该方法中的温度时域特征能够准确体现每个关联测点在每个时间窗口内的温度变化规律，有利于根据温度时域特征对每个关联测点的温度异常进行诊断，进而有利于确保诊断结果的准确性。

基于上述任一实施例，提供一种机车车辆异常轴温诊断方法，步骤S2之前还包括：对特征集合进行主成分分析，获得特征集合中的所有主成分温度时域特征，将所有主成分温度时域特征组合成主成分特征集合；

相应地，利用k-means聚类算法对特征集合中的所有温度时域特征进行聚类进一步包括：利用k-means聚类算法对主成分特征集合中的所有温度时域特征进行聚类。

具体地，在利用k-means聚类算法对特征集合进行聚类之前，对特征集合进行主成分分析，获得特征集合中的所有主成分温度时域特征，将所有主成分温度时域特征组合成主成分特征集合。其中主成分分析是考察多个变量间相关性一种多元统计方法，研究如何通过少数几个主成分来揭示多个变量间的内部结构，即从原始变量中导出少数几个主成分，使它们尽可能多地保留原始变量的信息，且彼此间互不相关。

在上述基础上，利用k-means聚类算法对主成分特征集合中的所有温度时域特征进行聚类，主成分特征集合保留了特征集合中的原有信息，且在特征集合的基础上进行了一定程度的降维。通过对主成分特征集合进行聚类，可有效降低聚类过程的复杂性并确保聚类结果的准确性。

本发明提供一种机车车辆异常轴温诊断方法，通过对特征集合进行主成分分析获得主成分特征集合，不但保留了特征集合中的原有信息，而且在特征集合的基础上进行了一定程度的降维；再利用k-means聚类算法对主成分特征集合进行聚类，可有效降低聚类过程的复杂性并确保聚类结果的准确性。

基于上述任一实施例，提供一种机车车辆异常轴温诊断方法，对特征集合进行主成分分析进一步包括：计算获得特征集合对应的协方差矩阵，并获取协方差矩阵对应的所有特征值和每个特征值对应的特征向量；根据所有特征值确定主成分维数，根据主成分维数确定主成分分析的投影方向；将特征集合按照投影方向进行投影，获得主成分特征集合。

具体地，对特征集合进行主成分分析的具体过程如下：

首先计算获得特征集合的协方差矩阵，例如，特征集合X＝[X₁,X₂,…,X₁₅]，其中X_i(i＝1,2…,15)分别为不同的时域特征，则特征集合X的协方差矩阵的计算公式如下：

Σ_ij＝cov(X_i,X_j)＝E((X_i-μ_i)(X_j-μ_j))；

上式中，Σ为特征集合X的协方差矩阵；μ为均值；i,j＝1,2…,15；

进一步地，计算获得上述协方差矩阵对应的所有特征值和每个特征值对应的特征向量，具体计算公式如下：

λv＝Σv；

上式中，λ为协方差矩阵Σ的特征值；v为对应的特征向量；

进一步地，按特征累积贡献率确定主成分个数，特征贡献率表征主成分表达前n维主成分所包含信息占原特征集合X信息的比例，取累积贡献率大于95％确定主成分维数n，即满足如下公式：

上式中，p为特征贡献率；n为主成分维数；m为特征值λ的总数量；

由此，确定主成分分析投影方向为前n个特征值对应的特征向量的集合，即V＝[v₁,v₂,…,v_n]，V即为主成分分析投影方向。最终，将原特征集合X按照投影方向V进行投影，即可获得主成分特征集合Y。

本发明提供一种机车车辆异常轴温诊断方法，通过计算获得特征集合对应的协方差矩阵，并获取协方差矩阵对应的所有特征值和每个特征值对应的特征向量；根据所有特征值确定主成分维数，根据主成分维数确定主成分分析的投影方向；将特征集合按照投影方向进行投影，获得主成分特征集合。该方法能够有效实现对特征集合进行主成分分析，不但保留了特征集合中的原有信息，而且在特征集合的基础上进行了一定程度的降维。

基于上述任一实施例，提供一种机车车辆异常轴温诊断方法，步骤S2中根据每个关联测点对应的所有温度时域特征的类标签确定每个关联测点的类标签进一步包括：对于任一关联测点，获取任一关联测点对应的所有温度时域特征的类标签；当所有类标签中包含第一类标签的数量达到预设阈值时，确定任一关联测点的类标签为第一类标签；当所有类标签中包含第二类标签的数量达到预设阈值时，确定任一关联测点的类标签为第二类标签。

具体地，利用k-means聚类算法对特征集合进行聚类后，即可获得特征集合中每个温度时域特征的类标签。针对每个关联测点，获取每个关联测点对应的所有温度时域特征的类标签，每个温度时域特征的类标签为第一类标签和第二类标签，对所有温度时域特征的类标签进行统计，分别获得所有类标签中包含第一类标签的数量和包含第二类标签的数量，当第一类标签的数量达到预设阈值时，确定该关联测点的类标签为第一类标签；当第二类标签的数量达到预设阈值时，确定该关联测点的类标签为第二类标签。其中，预设阈值可以根据实际需求进行设置，此处不做具体限定。

以某一个关联测点为例进行说明，若该关联测点对应的温度时域特征的总数量为20个，且通过k-means聚类后，其中18个温度时域特征均被给定了第一类标签，而剩余2个温度时域特征均被给定了第二类标签，若预设阈值为18，则可确定第一类标签的数量达到了预设阈值，进而可确定该关联测点的标签为第一类标签。

本发明提供一种机车车辆异常轴温诊断方法，对于任一关联测点，获取任一关联测点对应的所有温度时域特征的类标签；当所有类标签中包含第一类标签的数量达到预设阈值时，确定任一关联测点的类标签为第一类标签；当所有类标签中包含第二类标签的数量达到预设阈值时，确定任一关联测点的类标签为第二类标签。该方法能够准确计算获得每个关联测点的类标签，有利于根据每个关联测点的类标签确定是否存在孤立类，进而可确定孤立类中的孤立测点，从而有利于从所有关联测点中确定具有位置差异性的关联测点。

图2为本发明实施例的一种机车车辆异常轴温诊断系统的整体结构示意图，如图2所示，基于上述任一实施例，提供一种机车车辆异常轴温诊断系统，包括：

特征采集模块1，用于预先设置多个关联测点和多个时间窗口，获取每个关联测点在每个时间窗口内的温度时域特征，将所有关联测点对应的所有温度时域特征组合成特征集合；

具体地，利用特征采集模块1在机车车辆的轴承上预先设置多个关联测点，其中各关联测点的位置和工况(包括转速和载荷等)相近，关联测点的数量可以根据实际需求进行设置，此处不做具体限定。同时，预先设置多个时间窗口，在时间窗口的设置过程中，例如，可以预先设置诊断时间段T，在时间段T内设置宽度为w的滑动窗口，滑动因子为1，则可对应设置T-w+1个时间窗口。

进一步地，利用特征采集模块1在每个关联测点布置对应的温度传感器，并对应设置温度传感器的采集频率，利用温度传感器采集每个关联测点在每个时间窗口内的实时温度数据，并分析每个关联测点在每个时间窗口内的所有实时温度数据，获得表征每个时间窗口内温度变化规律的温度时域特征，即可获得每个关联测点在每个时间窗口内的温度时域特征。其中温度时域特征可以为表征温度变化规律的所有特征，可以根据实际需求进行设置，此处不做具体限定。最终，利用特征采集模块1将所有关联测点对应的所有温度时域特征组合成特征集合。

第一聚类模块2，用于利用k-means聚类算法对特征集合中的所有温度时域特征进行聚类，获得特征集合中每个温度时域特征的类标签，根据每个关联测点对应的所有温度时域特征的类标签确定每个关联测点的类标签，类标签的种类为两种；

具体地，在上述基础上，利用第一聚类模块2采用k-means聚类算法对特征集合中的所有温度时域特征进行聚类，由于特征集合中的一个元素即为一个温度时域特征，由此在对特征集合中的所有温度时域特征进行聚类后，即可获得特征集合中每个温度时域特征的类标签。本实施例中，在利用k-means聚类算法对特征集合中的所有温度时域特征进行聚类时，聚类参数K取值为2，即将特征集合中的所有温度时域特征最终聚类为两类，也即所有温度时域特征的类标签总共有两种，每个温度时域特征的类标签为第一类标签或第二类标签。由此，针对每个关联测点，可获得每个关联测点对应的每个温度时域特征的类标签。

最终，利用第一聚类模块2根据每个关联测点对应的所有温度时域特征的类标签确定每个关联测点的类标签。具体地，可以通过统计每个关联测点对应的所有温度时域特征的类标签中包含第一类标签和第二类标签的数量，当第一类标签的数量或第二类标签的数量达到预设阈值时，则对应可确定该关联测点的类标签为第一类标签或第二类标签，其中预设阈值可以根据实际需求进行设置，此处不做具体限定。

关联测点分析模块3，用于当两种类标签中的一种类标签对应的关联测点的数量小于预设数量时，则将该种类标签对应的所有关联测点确定为孤立测点，将另一种类标签对应的所有关联测点确定为正常测点；

具体地，在确定了每个关联测点的类标签的基础上，利用关联测点分析模块3统计第一类标签和第二类标签分别对应的关联测点的数量。当第一类标签对应的关联测点的数量小于预设数量时，则可将第一类标签对应的所有关联测点确定为孤立测点，并将第二类标签对应的所有关联测点确定为正常测点。当第二类标签对应的关联测点的数量小于预设数量时，则可将第二类标签对应的所有关联测点确定为孤立测点，并将第一类标签对应的所有关联测点确定为正常测点。其中，预设数量可以根据实际需求进行设置，此处不做具体限定。由于K-means聚类算法是典型的基于距离的聚类算法，故而可确定上述孤立测点与其他关联测点之间存在明显的位置差异性。

聚类参数确定模块4，用于计算所有正常测点对应的所有温度时域特征中的每两个温度时域特征之间的欧氏距离，根据欧氏距离确定邻域半径，并根据时间窗口的数量确定最小邻域密度；

具体地，在确定了所有关联测点中的孤立测点和正常测点之后，即可获得所有正常测点对应的所有温度时域特征，在此基础上，利用聚类参数确定模块4计算所有温度时域特征中每两个温度时域特征之间的欧氏距离，比较每两个温度时域特征之间的欧氏距离，获得欧氏距离的最大值。根据欧氏距离的最大值确定DBSCAN聚类算法中的邻域半径(Eps)，本实施例中，将欧氏距离的一半作为邻域半径。同时，根据时间窗口的数量确定DBSCAN聚类算法中最小邻域密度(Minpts)，其中时间窗口的数量即为每个关联测点对应的温度时域特征的数量，本实施例中，将时间窗口的数量确定为最小邻域密度。在其他实施例中，邻域半径和最小邻域密度也可以根据实际需求进行设置，此处不做具体限定。

第二聚类模块5，用于利用DBSCAN聚类算法根据邻域半径和最小邻域密度对特征集合进行聚类，当所有孤立测点被聚类为噪声，且所有正常测点被聚类为同一类时，确定所有孤立测点存在温度异常。

具体地，由于邻域半径和最小邻域密度是DBSCAN聚类算法中的两个主要参数，在确定了邻域半径和最小邻域密度的基础上，利用第二聚类模块5采用DBSCAN聚类算法根据邻域半径和最小邻域密度对上述特征集合进行聚类。其中，DBSCAN聚类算法是一个比较有代表性的基于密度的聚类算法，与划分和层次聚类方法不同，它将簇定义为密度相连的点的最大集合，能够把具有足够高密度的区域划分为簇，并可在噪声的空间数据库中发现任意形状的聚类。因此，特征集合在经过DBSCAN聚类后，可确定特征集合中的所有温度时域特征中的噪声，当存在噪声时，即可将特征集合中的大部分温度时域特征聚类为同一类，而其他少数温度时域特征被聚类为噪声。

进一步地，当所有孤立测点对应的所有温度时域特征均被聚类为噪声时，而所有正常测点对应的所有温度时域特征均被聚类为同一类时，则可确定所有孤立测点均为噪声，而所有正常测点属于同一类。由于DBSCAN聚类算法是典型的基于密度的聚类算法，故而可确定所有孤立测点和其他关联测点之间存在显著的分布密度差异性。

结合上述可知，所有孤立测点与其他关联测点之间同时存在位置差异性和分布密度差异性，在此基础上，则可确定所有孤立测点均存在温度异常。即，关联测点中的孤立测点的位置存在温度异常，在此基础上，根据预设的预警策略可以针对温度异常的位置进行预警。

本发明提供一种机车车辆异常轴温诊断系统，将多个关联测点在多个时间窗口的温度时域特征组合成特征集合，对特征集合进行k-means聚类，通过k-means聚类对特征位置差异进行判断，确定是否存在孤立测点，若存在孤立测点，则以正常测点所属簇的最大半径作为邻域半径，以单个关联测点对应的温度时域特征数量作为最小邻域密度，根据邻域半径和最小邻域密度对特征集合进行DBSCAN聚类，判断其分布密度是否存在显著差异。若某个关联测点对应的温度时域特征在k-means聚类和DBSCAN聚类的结果中同时具有位置差异性与分布密度差异性，则可判断该关联测点存在温度异常，进而对温度异常进行预警。该系统利用机车车辆轴温测点的关联性、异常温升特征分布的空间位置、局部密度差异性，构建了一种多组关联序列中少数持续离群子序列的异常检测模型。该模型将轴温特征空间Kmeans聚类的簇半径作为DBSCAN聚类邻域半径，根据特征分布局部密度的差异性进行诊断。通过两种聚类算法的融合，解决了单一算法对不同特征空间分布聚类的局限性，并实现了DBSCAN邻域判别阈值参数的自适应选取。该系统有效提高了机车车辆异常轴温诊断的正确率，并对应降低了诊断的误判率，能够满足机车车辆轴温在途诊断的实时性要求。

基于上述任一实施例，提供一种机车车辆异常轴温诊断系统，第二聚类模块5还用于：当所有孤立测点和所有正常测点被聚类为同一类时，确定所有关联测点不存在温度异常。

具体地，在利用DBSCAN聚类算法根据邻域半径和最小邻域密度对上述特征集合进行聚类之后，若特征集合中的所有温度时域特征均被聚类为同一类时，即所有孤立测点和所有正常测点均被聚类为同一类时，则可确定所有关联测点均不存在温度异常。

本发明提供一种机车车辆异常轴温诊断系统，若某个关联测点对应的温度时域特征在k-means聚类和DBSCAN聚类的结果中不满足同时具有位置差异性与分布密度差异性，则可判断所有关联测点均不存在温度异常。该系统利用机车车辆轴温测点的关联性、异常温升特征分布的空间位置、局部密度差异性，构建了一种多组关联序列中少数持续离群子序列的异常检测模型。该模型将轴温特征空间Kmeans聚类的簇半径作为DBSCAN聚类邻域半径，根据特征分布局部密度的差异性进行诊断。通过两种聚类算法的融合，解决了单一算法对不同特征空间分布聚类的局限性，并实现了DBSCAN邻域判别阈值参数的自适应选取。该系统有效提高了机车车辆异常轴温诊断的正确率，并对应降低了诊断的误判率，能够满足机车车辆轴温在途诊断的实时性要求。

图3示出本申请实施例的机车车辆异常轴温诊断方法的设备的结构框图。参照图3，所述机车车辆异常轴温诊断方法的设备，包括：处理器(processor)31、存储器(memory)32和总线33；其中，所述处理器31和存储器32通过所述总线33完成相互间的通信；所述处理器31用于调用所述存储器32中的程序指令，以执行上述各方法实施例所提供的方法，例如包括：预先设置多个关联测点和多个时间窗口，获取每个关联测点在每个时间窗口内的温度时域特征，将所有关联测点对应的所有温度时域特征组合成特征集合；利用k-means聚类算法对特征集合中的所有温度时域特征进行聚类，获得特征集合中每个温度时域特征的类标签，根据每个关联测点对应的所有温度时域特征的类标签确定每个关联测点的类标签，类标签的种类为两种；当两种类标签中的一种类标签对应的关联测点的数量小于预设数量时，则将该种类标签对应的所有关联测点确定为孤立测点，将另一种类标签对应的所有关联测点确定为正常测点；计算所有正常测点对应的所有温度时域特征中的每两个温度时域特征之间的欧氏距离，根据欧氏距离确定邻域半径，并根据时间窗口的数量确定最小邻域密度；利用DBSCAN聚类算法根据邻域半径和最小邻域密度对特征集合进行聚类，当所有孤立测点被聚类为噪声，且所有正常测点被聚类为同一类时，确定所有孤立测点存在温度异常。

本实施例公开一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，计算机能够执行上述各方法实施例所提供的方法，例如包括：预先设置多个关联测点和多个时间窗口，获取每个关联测点在每个时间窗口内的温度时域特征，将所有关联测点对应的所有温度时域特征组合成特征集合；利用k-means聚类算法对特征集合中的所有温度时域特征进行聚类，获得特征集合中每个温度时域特征的类标签，根据每个关联测点对应的所有温度时域特征的类标签确定每个关联测点的类标签，类标签的种类为两种；当两种类标签中的一种类标签对应的关联测点的数量小于预设数量时，则将该种类标签对应的所有关联测点确定为孤立测点，将另一种类标签对应的所有关联测点确定为正常测点；计算所有正常测点对应的所有温度时域特征中的每两个温度时域特征之间的欧氏距离，根据欧氏距离确定邻域半径，并根据时间窗口的数量确定最小邻域密度；利用DBSCAN聚类算法根据邻域半径和最小邻域密度对特征集合进行聚类，当所有孤立测点被聚类为噪声，且所有正常测点被聚类为同一类时，确定所有孤立测点存在温度异常。

本实施例提供一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机执行上述各方法实施例所提供的方法，例如包括：预先设置多个关联测点和多个时间窗口，获取每个关联测点在每个时间窗口内的温度时域特征，将所有关联测点对应的所有温度时域特征组合成特征集合；利用k-means聚类算法对特征集合中的所有温度时域特征进行聚类，获得特征集合中每个温度时域特征的类标签，根据每个关联测点对应的所有温度时域特征的类标签确定每个关联测点的类标签，类标签的种类为两种；当两种类标签中的一种类标签对应的关联测点的数量小于预设数量时，则将该种类标签对应的所有关联测点确定为孤立测点，将另一种类标签对应的所有关联测点确定为正常测点；计算所有正常测点对应的所有温度时域特征中的每两个温度时域特征之间的欧氏距离，根据欧氏距离确定邻域半径，并根据时间窗口的数量确定最小邻域密度；利用DBSCAN聚类算法根据邻域半径和最小邻域密度对特征集合进行聚类，当所有孤立测点被聚类为噪声，且所有正常测点被聚类为同一类时，确定所有孤立测点存在温度异常。

本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于一计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。

以上所描述的机车车辆异常轴温诊断方法的设备等实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。

最后，本申请的方法仅为较佳的实施方案，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种机车车辆异常轴温诊断方法，其特征在于，包括：

S1，预先设置多个关联测点和多个时间窗口，获取每个所述关联测点在每个所述时间窗口内的温度时域特征，将所有所述关联测点对应的所有所述温度时域特征组合成特征集合；

S2，利用k-means聚类算法对所述特征集合中的所有温度时域特征进行聚类，获得所述特征集合中每个温度时域特征的类标签，根据每个所述关联测点对应的所有温度时域特征的类标签确定每个所述关联测点的类标签，所述类标签的种类为两种；

S3，当两种所述类标签中的一种类标签对应的关联测点的数量小于预设数量时，则将该种类标签对应的所有关联测点确定为孤立测点，将另一种类标签对应的所有关联测点确定为正常测点；

S4，计算所有所述正常测点对应的所有温度时域特征中的每两个温度时域特征之间的欧氏距离，根据所述欧氏距离确定邻域半径，并根据所述时间窗口的数量确定最小邻域密度；

S5，利用DBSCAN聚类算法根据所述邻域半径和所述最小邻域密度对所述特征集合进行聚类，当所有所述孤立测点被聚类为噪声，且所有所述正常测点被聚类为同一类时，确定所有所述孤立测点存在温度异常。

2.根据权利要求1所述的方法，其特征在于，所述步骤S5还包括：

当所有所述孤立测点和所有所述正常测点被聚类为同一类时，确定所有所述关联测点不存在温度异常。

3.根据权利要求1所述的方法，其特征在于，步骤S1中所述获取每个所述关联测点在每个所述时间窗口内的温度时域特征进一步包括：

获取每个所述关联测点在每个所述时间窗口内的实时温度数据；

根据每个所述时间窗口内的所有实时温度数据确定每个所述时间窗口内的温度时域特征，所述温度时域特征包括最大值、最小值、峰值、峰峰值、均值、方差、均方值、均方幅值、方根幅值、平均幅值、峰值指标、波形指标、裕度指标和峭度指标。

4.根据权利要求1所述的方法，其特征在于，所述步骤S2之前还包括：

对所述特征集合进行主成分分析，获得所述特征集合中的所有主成分温度时域特征，将所有所述主成分温度时域特征组合成主成分特征集合；

相应地，所述利用k-means聚类算法对所述特征集合中的所有温度时域特征进行聚类进一步包括：利用k-means聚类算法对所述主成分特征集合中的所有温度时域特征进行聚类。

5.根据权利要求4所述的方法，其特征在于，所述对所述特征集合进行主成分分析进一步包括：

计算获得所述特征集合对应的协方差矩阵，并获取所述协方差矩阵对应的所有特征值和每个所述特征值对应的特征向量；

根据所有所述特征值确定主成分维数，根据所述主成分维数确定主成分分析的投影方向；

将所述特征集合按照所述投影方向进行投影，获得所述主成分特征集合。

6.根据权利要求1所述的方法，其特征在于，步骤S2中所述根据每个所述关联测点对应的所有温度时域特征的类标签确定每个所述关联测点的类标签进一步包括：

对于任一关联测点，获取所述任一关联测点对应的所有温度时域特征的类标签；

当所有所述类标签中包含所述第一类标签的数量达到预设阈值时，确定所述任一关联测点的类标签为所述第一类标签；当所有所述类标签中包含所述第二类标签的数量达到所述预设阈值时，确定所述任一关联测点的类标签为所述第二类标签。

7.一种机车车辆异常轴温诊断系统，其特征在于，包括：

特征采集模块，用于预先设置多个关联测点和多个时间窗口，获取每个所述关联测点在每个所述时间窗口内的温度时域特征，将所有所述关联测点对应的所有所述温度时域特征组合成特征集合；

第一聚类模块，用于利用k-means聚类算法对所述特征集合中的所有温度时域特征进行聚类，获得所述特征集合中每个温度时域特征的类标签，根据每个所述关联测点对应的所有温度时域特征的类标签确定每个所述关联测点的类标签，所述类标签的种类为两种；

关联测点分析模块，用于当两种所述类标签中的一种类标签对应的关联测点的数量小于预设数量时，则将该种类标签对应的所有关联测点确定为孤立测点，将另一种类标签对应的所有关联测点确定为正常测点；

聚类参数确定模块，用于计算所有所述正常测点对应的所有温度时域特征中的每两个温度时域特征之间的欧氏距离，根据所述欧氏距离确定邻域半径，并根据所述时间窗口的数量确定最小邻域密度；

第二聚类模块，用于利用DBSCAN聚类算法根据所述邻域半径和所述最小邻域密度对所述特征集合进行聚类，当所有所述孤立测点被聚类为噪声，且所有所述正常测点被聚类为同一类时，确定所有所述孤立测点存在温度异常。

8.根据权利要求7所述的系统，其特征在于，所述第二聚类模块还用于：

当所有所述孤立测点和所有所述正常测点被聚类为同一类时，确定所有所述关联测点不存在温度异常。

9.一种机车车辆异常轴温诊断方法的设备，其特征在于，包括：

至少一个处理器；以及

与所述处理器通信连接的至少一个存储器，其中：

所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令能够执行如权利要求1至6任一所述的方法。

10.一种非暂态计算机可读存储介质，其特征在于，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机执行如权利要求1至6任一所述的方法。