CN112129928A - 用于检测润滑油液状态的方法、计算设备和计算机存储介质 - Google Patents

Abstract

本公开涉及一种用于检测润滑油液状态的方法、计算设备和计算机存储介质。该方法包括：在计算设备处，获取来自用于检测润滑油液的多个传感器的多个测量数据，计算设备与多个传感器相距在预定范围之内；解析多个测量数据，以生成多个检测值，检测值与采样时间相关联；基于相关联的采样时间，对齐多个检测值；基于检测值的分布特征，确定多个检测值中的异常检测值，以便去除或替换异常检测值；确定多个检测值是否满足预定数据警示条件；以及响应于确定多个检测值不满足预定数据警示条件，提取多个检测值的特征，以用于基于所提取的特征确定润滑油液的状态数据。本公开能够实时、准确地检测润滑油液状态，便于针对润滑油液系统问题的及时响应。

Description

用于检测润滑油液状态的方法、计算设备和计算机存储介质

技术领域

本公开总体上涉及数据检测，并且具体地，涉及用于检测润滑油液状态的方法、计算设备和计算机存储介质。

背景技术

工业润滑油通常被比喻为工业设备系统的血液。生产过程中，如果出现润滑油液异化会直接造成或导致关联设备发生故障，例如，导致关联设备非计划停机，进而造成生产损失等等。润滑油液异化所导致的关联设备故障例如还包括：粉尘污染造成液压系统卡阀现象、系统停机或者系统异常磨损；水污染造成液压油含水量上升、油品乳化，进而腐蚀液压元件，造成异常停机等。因此，基于物联网的润滑油液在线监测对于润滑油液关联设备的正常运维日益重要。

传统用于检测润滑油液状态的方案例如包括将安装在设备不同位置的润滑传感器的检测数据实时上传至云端，然后经由大数据分析来判断润滑油液状态。然而，润滑传感器的原始测量数据来源分立，经由多个采集设备采集，为了确定测量数据之间的相关性，需要将全部测量数据经由网关传送至云端服务器之后，才能基于测量数据针对润滑油液状态进行建模分析，以便给出评估结果。如果云端服务器经由分析与评估，确定存在润滑油液报警状态，则将警示信息发送至相关设备侧或者用户终端，以便用户针对润滑油液异化状况进行处理。因此，传统的用于检测润滑油液状态的方案无法保障检测润滑油液状态的实时性以及发现系统问题时的及时响应。另外，传统的用于检测润滑油液状态的方案无法解决多源传感融合使用的问题，加之传感器的测量数据质量无法保障，因此，显著地降低了云端服务器基于测量数据的分析评估结果的准确性。

综上，传统用于检测润滑油液状态的方案难以实时、准确地检测润滑油液状态，进而不利于及时发现系统问题。

发明内容

本公开提供一种用于检测润滑油液状态的方法、计算设备和计算机存储介质，能够实时、准确地检测润滑油液状态，便于针对润滑油液系统问题的及时响应。

根据本公开的第一方面，提供了一种用于检测润滑油液状态的方法。该方法包括：在计算设备处，获取来自用于检测润滑油液的多个传感器的多个测量数据，计算设备与多个传感器相距在预定范围之内；解析多个测量数据，以生成多个检测值，检测值与采样时间相关联；基于相关联的采样时间，对齐多个检测值；基于检测值的分布特征，确定多个检测值中的异常检测值，以便去除或替换异常检测值；确定多个检测值是否满足预定数据警示条件；以及响应于确定多个检测值不满足预定数据警示条件，提取多个检测值的特征，以用于基于所提取的特征确定润滑油液的状态数据。

根据本发明的第二方面，还提供了一种计算设备，该设备包括：至少一个处理单元；至少一个存储器，至少一个存储器被耦合到至少一个处理单元并且存储用于由至少一个处理单元执行的指令，指令当由至少一个处理单元执行时，使得计算设备执行本公开的第一方面的方法。

根据本公开的第三方面，还提供了一种计算机可读存储介质。该计算机可读存储介质上存储有计算机程序，计算机程序被机器执行时执行本公开的第一方面的方法。

在一些实施例中，用于检测润滑油液状态的方法：将所提取的特征和所确定的状态数据中的至少一种发送至云服务器，多个传感器包括含水率传感器、油品品质传感器、微水传感器、颗粒计数传感器、金属磨粒传感器、粘度传感器中的多个；以及响应于基于状态数据确定出现关于润滑油液的故障，在计算设备和云服务器处呈现用于指示故障的警示信号。在一些实施例中，基于检测值的分布特征确定多个检测值中的异常检测值以便去除或替换异常检测值包括：基于多个传感器的多个历史测量数据所对应的多个历史检测值，计算历史检测值的数据分布重心值；确定检测值是否超出数据分布重心值的预定变化范围；响应于确定检测值超出数据分布重心值的预定变化范围，确定检测值为异常检测值；以及在多个检测值中去除或替换异常检测值。

在一些实施例中，计算历史检测值的数据分布重心值包括：经由直方图统计方式，计算历史检测值的数据分布重心值。

在一些实施例中，用于检测润滑油液状态的方法还包括：响应于确定以下至少一项预定数据警示条件满足，确定多个检测值不满足预定数据警示条件：预定第三时间间隔内，在多个检测值中连续出现的数值相同的检测值的个数超过预定同值阈值；预定第三时间间隔内，在多个检测值中，数值不相同的检测值相对于多个检测值的占比小于或者等于第一预定比例阈值；预定第三时间间隔内，在多个检测值中，大于检测值均值的检测值相对于小于检测值均值的检测值的比例超出预定范围阈值，检测值均值是基于多个检测值而确定的；预定第四时间间隔内，在多个检测值中存在缺失的检测值；以及预定第五时间间隔内，在多个检测值中，缺失的检测值相对于多个检测值的占比大于或者等于第二预定比例阈值。

在一些实施例中，基于相关联的采样时间对齐多个检测值包括：基于测量数据的测量周期和更新频率，将多个检测值确定为第一类型检测值和第二类型检测值，第一类型检测值的频率高于第二类型检测值的频率；分别拼接第一类型检测值和第二类型检测值：以及基于相关联的采样时间和预定时间间隔，将经拼接的第一类型检测值和第二类型检测值进行对齐。

在一些实施例中，基于相关联的采样时间和预定时间间隔，将经拼接的第一类型检测值和第二类型检测值进行对齐包括：确定第一类型检测值是否满足预警条件；响应于确定第一类型检测值满足预警条件，基于第一时间间隔对齐第一类型检测值和第二类型检测值；以及响应于确定第一类型检测值未满足预警条件，基于第二时间间隔对齐第一类型检测值和第二类型检测值；第二时间间隔大于第一时间间隔。

在一些实施例中，以第一时间间隔对齐第一类型检测值和第二类型检测值包括：针对第二类型检测值进行插值；其中基于第二时间间隔对齐第一类型检测值和第二类型检测值包括：以每个第二时间间隔内的最新更新的第一类型检测值作为第一类型检测值的有效值；以每个第二时间间隔内的最新更新的第二类型检测值作为第二类型检测值的有效值；以及基于第二时间间隔对齐第一类型检测值的有效值和第二类型检测值的有效值。

在一些实施例中，提取多个检测值的特征包括：基于费雪（Fisher）线性判别法，对多个检测值进行数据降维，以便提取特征。

在一些实施例中，解析多个测量数据以生成多个检测值包括：基于对应的转换协议，解析多个测量数据，以便生成多个检测值；以键值对的方式汇总多个检测值，以用于存储经汇总的多个检测值；以及使得多个检测值中的每一个检测值关联对应的采样时间。

提供发明内容部分是为了以简化的形式来介绍对概念的选择，它们在下文的具体实施方式中将被进一步描述。发明内容部分无意标识本公开的关键特征或主要特征，也无意限制本公开的范围。

附图说明

图1示出了根据本公开的实施例的用于实施用于检测润滑油液状态的方法的系统的示意图。

图2示出了根据本公开的实施例的用于检测润滑油液状态的方法的流程图。

图3示例性地示出了油液品质传感器的测量数据的数据格式。

图4示出根据本公开实施例的用于去除或替换异常检测值的方法的流程图。

图5示出根据本公开实施例的用于对齐检测值的方法的示意图。

图6示例性示出了根据本公开实施例的基于第一时间间隔对齐检测值的方法的示意图。

图7示例性示出了根据本公开实施例的基于第二时间间隔对齐检测值的方法的示意图。

图8示例性示出了根据本公开实施例的用于确定异常检测值的方法的示意图。

图9示意性示出了适于用来实现本公开实施例的电子设备的框图。

在各个附图中，相同或对应的标号表示相同或对应的部分。

具体实施方式

下面将参照附图更详细地描述本公开的优选实施例。虽然附图中显示了本公开的优选实施例，然而应该理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了使本公开更加透彻和完整，并且能够将本公开的范围完整地传达给本领域的技术人员。

在本文中使用的术语“包括”及其变形表示开放性包括，即“包括但不限于”。除非特别申明，术语“或”表示“和/或”。术语“基于”表示“至少部分地基于”。术语“一个示例实施例”和“一个实施例”表示“至少一个示例实施例”。术语“另一实施例”表示“至少一个另外的实施例”。术语“第一”、“第二”等等可以指代不同的或相同的对象。

如前文所描述，传统的用于检测润滑油液状态的方案需要将润滑油液设备侧的全部测量数据经由网关传送至云端服务器之后，才能基于测量数据针对润滑油液状态进行建模分析，如果云端服务确定存在润滑油液报警状态，则将警示信息再发送至相关设备侧或者用户终端，因此无法保障检测润滑油液状态实时性以及发现系统问题时的及时响应。另外，传统的用于检测润滑油液状态的方案因缺乏多源传感融合处理以及测量数据质量控制而显著地降低了分析评估结果的准确性。

为了至少部分地解决上述问题以及其他潜在问题中的一个或者多个，本公开的示例实施例提出了一种用于检测润滑油液状态的方案。该方案包括：在计算设备处，获取来自用于检测润滑油液的多个传感器的多个测量数据，计算设备与多个传感器相距在预定范围之内；解析多个测量数据，以生成多个检测值，检测值与采样时间相关联；基于相关联的采样时间，对齐多个检测值；基于检测值的分布特征，确定多个检测值中的异常检测值，以便去除或替换异常检测值；确定多个检测值是否满足预定数据警示条件；以及响应于确定多个检测值不满足预定数据警示条件，提取多个检测值的特征，以用于基于所提取的特征确定润滑油液的状态数据。

在上述方案中，通过在作为边缘设备的计算设备处将获取的多个传感器的测量数据解析为检测值，以及基于采样时间对齐该检测值，本公开能够实现多源传感器测量数据的融合。另外，通过基于检测值的分布特征来去除异常检测值，并且将不满足预定数据警示条件的检测值用于特征提取与润滑油液状态的确定，本公开能够保证用于确定润滑油液状态的检测值的数据质量，而且能够在边缘设备处基于高数据质量的检测值进行润滑油液状态评估，因此本公开能够实时、准确地在边缘设备侧检测润滑油液状态，而无需等待云端服务器的基于长传测量数据的分析评估结果，因此便于针对润滑油液系统问题的及时响应。

图1示出了根据本公开的实施例的用于实施用于检测润滑油液状态的方法的系统100的示意图。如图1所示，系统100包括：多个待润滑油液状态检测的设备110、计算设备130、云服务器160和网络150。设备110例如包括第一设备110-1至第N设备110-N。每一个设备110上例如配置有一个或者多个用于检测润滑油液传感器。例如，第一设备110-1上配置有含水率传感器120-1、油品品质传感器120-2、微水传感器120-3、粘度传感器120-4，第N设备110-N上配置有颗粒计数传感器120-M-1和金属磨粒传感器120-M。M和N为自然数。设备110、多个传感器、计算设备130和云服务器160可以通过网络150进行数据交互。计算设备130作为边缘设备，其与多个传感器相距在预定范围之内。

关于设备110，其例如为液压设备或者系统。每一个设备110上配置有一个或者多个用于检测润滑油液传感器。

关于传感器，其用于检测设备110的润滑油液数据，并将所生成的测量数据发送至计算设备130。传感器120例如包括含水率传感器120-1、油品品质传感器120-2、微水传感器120-3、颗粒计数传感器120-M-1、金属磨粒传感器120-M、粘度传感器120-4。上述传感器的接口类型例如包括CAN、CANopen、Modbus 485、Modbus 232等。

关于计算设备130，其为与多个传感器相距在预定范围之内的边缘设备（例如是一台用于边缘计算的系统）。计算设备130配置有可以支持不同硬件接口的网关，以用于获取来自多个传感器的多个测量数据，以及将多个测量数据解析成多个检测值。计算设备130还用于对齐多个检测值，以及检测并去除或替换多个检测值中的异常检测值。此外，计算设备130还用于在确定多个检测值未满足预定数据警示条件时，提取多个检测值的特征以用于确定润滑油液的状态。计算设备130例如包括测量数据获取单元132、检测值生成单元134、检测值对齐单元136、异常检测值去除或替换单元138和检测值特征提取与状态确定单元140。在一些实施例中，计算设备还用于将所提取的特征和所确定的状态数据中的至少一种发送至云服务器；以及如果基于状态数据确定出现关于润滑油液的故障，在计算设备呈现用于指示故障的警示信号。

关于测量数据获取单元132，其用于在计算设备处，获取来自用于检测润滑油液的多个传感器的多个测量数据，计算设备与多个传感器相距在预定范围之内。

关于检测值生成单元134，其用于解析多个测量数据，以生成多个检测值，检测值与采样时间相关联。

关于检测值对齐单元136，其用于基于相关联的采样时间，对齐多个检测值。

关于异常检测值去除或替换单元138，其用于基于检测值的分布特征，确定多个检测值中的异常检测值，以便替换异常检测值。

关于检测值特征提取与状态确定单元140，其用于确定多个检测值是否满足预定数据警示条件；以及如果确定多个检测值不满足预定数据警示条件，提取多个检测值的特征，以用于基于所提取的特征确定润滑油液的状态数据。

关于云服务器160，其用于接收计算设备130所发送的所提取的检测值特征和所确定的润滑油液的状态数据，以用于确定润滑油液的状态。以及如果基于状态数据确定出现关于润滑油液的故障，在云服务器160呈现用于指示故障的警示信号。

以下将结合图2描述根据本公开的实施例的用于检测润滑油液状态的方法200。图2示出了根据本公开的实施例的用于检测润滑油液状态的方法200的流程图。应当理解，方法200例如可以在图9所描述的电子设备900处执行。也可以在图1所描述的计算设备130处执行。应当理解，方法200还可以包括未示出的附加动作和/或可以省略所示出的动作，本公开的范围在此方面不受限制。

在步骤202处，计算设备130获取来自用于检测润滑油液的多个传感器的多个测量数据，计算设备与多个传感器相距在预定范围之内。

关于多个传感器，其例如包括：含水率传感器、油品品质传感器、微水传感器、颗粒计数传感器、金属磨粒传感器、粘度传感器中的多种。多个传感器的物理接口类型例如包括CAN、CANopen、Modbus 485、Modbus 232等。

在步骤204处，计算设备130解析多个测量数据，以生成多个检测值，检测值与采样时间相关联。

关于生成多个检测值的方式，其例如包括计算设备130基于对应的转换协议，解析所获取的多个传感器的多个测量数据，以便生成多个检测值；以键值对的方式汇总多个检测值，以用于存储经汇总的多个检测值；以及使得多个检测值中的每一个检测值关联对应的采样时间。该对应的采样时间例如用作时间戳以用于后续检测值的对齐。

如前文提及，计算设备130所获取的多个传感器的测量数据的格式和类型存在差异。因此计算设备130配置有匹配的硬件接口，并且可基于与各个传感器相匹配的转换协议，分别针对不同类型的传感器的测量数据进行解析，以便生成对应的检测值。例如，颗粒计数传感器的物理接口类型为232串口，其测量数据的数据格式为文本字符串，如下文表一所示。因此，计算设备130需要通过正则表达式方法将颗粒计数传感器的测量数据进行解析以便生成键值对形式的对应的检测值。在一些实施例中，该键值对形式的检测值例如包括对应的采样时间（时间戳）、检测值名称和检测值数值。

再例如，油液品质传感器的物理接口类型为CAN接口，其测量数据的数据格式为实时数据流。因此，计算设备130需要针对接口实时监控，并按照帧结构将油液品质传感器的测量数据解析为键值对形式的对应的检测值。附图3示例性地示出了油液品质传感器的测量数据的数据格式300。

下文中的表二示例性示出了以键值对方式汇总的多个检测值。

在步骤206处，计算设备130基于相关联的采样时间，对齐多个检测值。

应该理解，由于原始的测量数据来自于不同厂商的不同类型的多个传感器，多个传传感器的测量原理各不相同。传感器配置有各自的定时单元、其协议转换和通信节奏也存在不同步的现象，由此容易造成计算设备130所获取的多传感器的多个测量数据及其解析后的检测值存在一定的时间戳偏差，进而会影响后续的针对检测值的分析与评估，因此，计算设备130首先基于相关联的采样时间（例如检测值所对应的时间戳）针对步骤204处所生成的多个检测值进行对齐。

以下表三示意性示出了不同传感器其测量周期和采集频率的数据。如表三所示，传感器的根据测量周期长短和数据更新频率可知，颗粒计数传感器和金属磨粒传感器为高频传感器，其检测值为第一类型检测值（即高频检测值）。含水率传感器、油液品质传感器、微水传感器和粘度传感器为低频传感器，其检测值为第二类型检测值（即低频检测值）。

关于对齐多个检测值的方式，其例如包括：计算设备130基于测量数据的测量周期和更新频率，将多个检测值确定为第一类型检测值（例如高频检测值）和第二类型检测值（例如低频检测值），第一类型检测值的频率高于第二类型检测值的频率；然后计算设备130分别拼接第一类型检测值和第二类型检测值；以及基于相关联的采样时间和预定时间间隔，将经拼接的第一类型检测值和第二类型检测值进行对齐。例如，计算设备130将每一路第一类型检测值（例如高频检测值）或者第二类型检测值（例如低频检测值）作为数据项中的一个数据列；建立预定尺寸（例如数据对应采集时长为1分钟）的数据缓冲区，以用于分别拼接第一类型检测值和第二类型检测值。下文将进一步结合图5至7详细说明用于对齐多个检测值的方法500，在此，不再赘述。

在步骤208处，计算设备130基于检测值的分布特征，确定多个检测值中的异常检测值，以便去除或替换异常检测值。例如，计算设备130基于检测值的分布特征来确定连续检测值序列中的异常检测值，以便去除或替换所确定的异常检测值。

经研究发现，在传感器的测量数据的采集过程中，会发生一些异常测量数据或者错误检测值。造成异常检测值的原因例如包括：外部噪声冲击、计算设备解析错误、油路中油液异常等。因此，计算设备130可以根据检测值的数据分布特征，对检测值进行数据清洗，以便去除或者替换异常检测值。例如，由于传感器外部的震颤，可能导致传感器的对应检测值瞬间出现很高的高峰值。这些高峰值有可能对后续油液状态分析带来干扰。应该理解，考虑到油液变化的特点，如果确定短时间内出现超过一定阈值的高峰值，可能存在异常检测值。因此，可以采用经由直方图统计方式或者低通滤波的方式去除或者替换异常检测值。相对于以低通滤波的方式去除异常检测值而言，通过直方图统计方式去除异常检测值，能够避免对原始检测值数据带来影响。

关于确定多个检测值中的异常检测值的方式，其例如包括：计算设备130基于多个传感器的多个历史测量数据所对应的多个历史检测值，计算历史检测值的数据分布重心值；确定检测值是否超出数据分布重心值的预定变化范围；如果确定检测值超出数据分布重心值的预定变化范围，确定检测值为异常检测值；以及在多个检测值中替换异常检测值。关于计算历史测量数据的数据分布重心值的方式，其例如包括：经由直方图统计方式，计算历史测量数据的数据分布重心值。下文将结合图4和图5具体说明用于确定和替换异常检测值的方法，在此，不再赘述。

在步骤210处，计算设备130确定多个检测值是否满足预定数据警示条件。如果计算设备130确定多个检测值均不满足预定数据警示条件，则确定多个检测值未满足预定数据警示条件。如果计算设备130确定多个检测值满足至少一项预定数据警示条件，则确定多个检测值满足预定数据警示条件。

作为边缘端的计算设备130需要对传感器的测量值质量进行检测，以便确定待检测设备的基本工作状态以及传感器信号是否正常运转等，以期及时发现数据质量问题，避免针对大量无用的测量值耗费存储和计算资源。

针对第一类型检测值（例如，对应于高频检测值，如金属磨粒检测值和颗粒计数器检测值），其对应的传感器比较精密，测量原理较为复杂。常见的关于第一类型检测值的故障类型例如包括：通信链路故障导致测量值缺失，传感器质量偏低导致测量周期不稳定，屏蔽问题导致的工频干扰等等。传感器的测量数据的异常将直接导致传输带宽被浪费、占用，以及无效的检测值被分析和计算。针对第二类型检测值（例如，对应于低频检测值，如油液品质检测值、粘度检测值等），常见的关于第二类型检测值的故障类型例如包含：传感器质量下降造成检测值失真或者漂移；传感器测量收到电磁或者环境等因素干扰等等。计算设备130处的边缘算法需要同时结合高频的第一类型检测值和低频的第二类型检测值进行特征组合与计算，因此检测值的空值、缺失或者稀疏将导致计算设备130处的边缘算法无法准确进行。

计算设备130可以确认检测值中是否存在关于检测值的空值、缺失或者稀疏中的至少一项。如果计算设备130确认检测值中不存在关于检测值的空值、缺失或者稀疏中的任一项，则基于所提取的特征确定润滑油液的状态。如果确认检测值中存在关于检测值的空值、缺失或者稀疏中的任一项，计算设备130不再进入边缘算法调用，而是生成警示信息，并且将警示信息和问题检测值上传至云服务器，以便通知操作人员对数据或现场采集系统进行检查。

如果计算设备130确定以下至少一项预定数据警示条件满足，确定多个检测值不满足预定数据警示条件。该预定数据警示条件用于指示检测值存在数据质量问题。

该预定数据警示条件例如包括：预定第三时间间隔内，在多个检测值中连续出现的数值相同的检测值的个数超过预定同值阈值。例如，第三时间间隔为1小时。如果在1小时范围之内，计算设备130检测到连续多个相同的检测值，并且计算设备130确定该连续的相同检测值的数量大于或者等于预定同值阈值（预定同值阈值例如而不限于为3至5中的任一值，则确定多个检测值满足预定数据警示条件，存在关于相邻点同值的数据质量问题。

该预定数据警示条件例如还包括：预定第三时间间隔内，在多个检测值中，数值不相同的检测值相对于多个检测值的占比小于或者等于第一预定比例阈值。例如，如果在1小时范围，计算设备130确定不同数据的检测值相对于全部多个检测值的占比小于或者等于第一预定比例阈值（第一预定比例阈值例如而不限于70%~80%），则确定多个检测值满足预定数据警示条件，存在关于异常检测值比例的数据质量问题。

该预定数据警示条件例如还包括：预定第三时间间隔内，在多个检测值中，大于检测值均值的检测值相对于小于检测值均值的检测值的比例超出预定范围阈值，检测值均值是基于多个检测值而确定的。例如。以1小时为范围，将多个检测值分别减去检测值均值之后，如果正负数据均存在且超出预定范围阈值（例如30%~40%），则确定多个检测值满足预定数据警示条件，存在关于正负检测值比例的数据质量问题。

该预定数据警示条件例如还包括：预定第四时间间隔内，在多个检测值中存在缺失的检测值。例如，每个第四时间间隔（例如5分钟）内，多个检测值的数据组存在缺失的检测值，例如，检测值的数量低于预定特征数量阈值（该预定特征数阈值例如为10~20中的任一值），则确定多个检测值满足预定数据警示条件，存在关于数据空值或者缺失的数据质量问题。

该预定数据警示条件例如还包括：预定第五时间间隔内，在多个检测值中，缺失的检测值相对于多个检测值的占比大于或者等于第二预定比例阈值。例如， 1小时范围之内，检测值的数据缺失比例超过第二预定比例阈值（例如为20%~30%），则确定多个检测值满足预定数据警示条件，存在关于数据稀疏的数据质量问题。

在步骤212处，如果计算设备130确定多个检测值未满足预定数据警示条件，提取多个检测值的特征，以用于基于所提取的特征确定润滑油液的状态数据。如果计算设备130确定多个检测值满足预定数据警示条件，跳转至步骤214处，生成数据警示信号。在一些实施例中，计算设备130将所提取的特征和所确定的状态数据中的至少一种发送至云服务器；以及如果计算设备130基于状态数据确定出现关于润滑油液的故障，在计算设备和云服务器处呈现用于指示故障的警示信号。

本公开的用于检测油液的方法所获取的测量数据例如至少包括以下6种传感器的测量数据：含水率传感器、油品品质传感器、微水传感器、颗粒计数传感器、金属磨粒传感器、粘度传感器。与上述各传感器所对应的检测值例如包括几十个特征参数。例如以液压油监测为例，仅颗粒计数传感器对应检测值所包括的特征参数有：微米（μm）污染度计数和、25-50微米（μm）污染度计数和、50-100微米（μm）污染度计数和、100微米（μm）以上污染度计数和。因此，为了能够减少边缘端的计算负担、以及减低云端服务器的运算负荷。计算设备130调用部署在本地的边缘算法对满足预定条件的多个检测值进行特征提取，以便针对检测值进行数据降维，从而减小数据传输所需要的网络带宽。

关于提取多个检测值的特征的方式，其例如包括：基于费雪线性判别法（也称Fisher线性判别法，Fisher Linear Discrimination，FLD），对多个检测值进行数据降维，以便提取特征。

关于Fisher线性判别法，其可以根据检测值样本的类别进行数据降维。其目的是将高维空间中的检测值点投影到低维空间上去，使得不同检测值类的样本点在这个空间上的投影尽量分离，同类的尽量紧凑。为了找到最佳投影方向，计算设备130可以计算出各类检测值样本的均值向量，计算检测值类内离散度矩阵和总类间离散度矩阵，以及计算检测值类间离散度矩阵，然后求解最佳投影向量，用于将检测值训练集内所有检测值训练样本投影到例如一维空间，使得各类检测值样本在该轴上投影之间的距离尽可能远,而每一类内的检测值样本的投影尽可能紧凑。即，使得各类检测值样本的均值之差越大越好，并且同时类内离散度越小越好。通过采用Fisher线性判别法进行特征选择，本公开可以避免信息干扰和复杂度增加。

关于基于Fisher线性判别法对多个检测值进行数据降维以便提取特征的方法，其例如包括：基于传感器所部署的关联设备工作正常时的多个检测值生成第一特征组，第一特征组关联有用于指示润滑油液状态正常的标识。该第一特征组所包括的特征数量例如而不限于是大于或者等于100。

然后，计算设备130基于关联设备工作异常或者润滑失效时的多个检测值生成第二特征组，第二特征组关联有用于指示润滑油液状态异常的标识。该第二特征组所包括的特征数量例如而不限于是大于或者等于20。

之后，计算设备130经由费雪线性判别法，确定第一特征组和第二特征组所包括的各个特征针对润滑油液状态正常和润滑油液状态异常的差异性的贡献度。该贡献度越高表明对差异性贡献度越大，即对区分设备或者润滑油液状态健康状况的判断更有价值。以下结合公式（1）说明用于确定贡献度的方法。

在上述公式（1）中，P代表润滑油液状态正常。Q代表润滑油液状态异常。

代表第

个特征。

代表关联有润滑油液状态正常标识的第

个特征组成的特征向量的标准差（标准差的平方即为方差），

代表关联有润滑油液状态异常标识的第

个特征组成的特征向量的标准差。

代表关联有润滑油液状态正常标识的第

个特征组成的特征向量的均值，

代表关联有润滑油液状态异常标识的第

个特征组成的特征向量的均值。

代表第

个特征针对润滑油液状态正常和润滑油液状态异常的差异性的贡献度。

在确定各个特征针对润滑油液状态正常和润滑油液状态异常的差异性的贡献度之后，计算设备130基于贡献度，提取多个检测值的特征。通过采用上述特征提取与选择手段，本公开一方面能够使得所选择或提取的检测值特征更有价值，利于保障计算鲁棒性；另一方面能够通过选择减少计算数据量，进而减少了针对计算资源占用。

在上述方案中，通过在作为边缘设备的计算设备处将获取的多个传感器的测量数据解析为检测值，以及基于采样时间对齐该检测值，本公开能够实现多源传感器测量数据的融合。另外，通过基于检测值的分布特征来去除异常检测值，并且将不满足预定数据警示条件的检测值用于特征提取与润滑油液状态的确定，本公开能够保证用于确定润滑油液状态的检测值的数据质量，而且能够在边缘设备处基于高数据质量的检测值进行润滑油液状态评估，因此本公开能够实时、准确地在边缘设备侧检测润滑油液状态，而无需等待云端服务器的基于长传测量数据的分析评估结果，因此便于针对润滑油液系统问题的及时响应。

在一些实施例中，方法200还包括用于替换异常检测值的方法400。图4示出根据本公开实施例的用于替换异常检测值的方法400的流程图。应当理解，方法400例如可以在图9所描述的电子设备900处执行。也可以在图1所描述的计算设备130处执行。应当理解，方法400还可以包括未示出的附加动作和/或可以省略所示出的动作，本公开的范围在此方面不受限制。

在步骤402处，计算设备130基于多个传感器的多个历史测量数据所对应的多个历史检测值，计算历史检测值的数据分布重心值。

关于历史检测值，计算设备130例如定期采集多个历史检测值。例如而不限于是50~100个历史检测值。将历史检测值确定为50~100个，而非采样更多的历史检测值。这是因为，如果基于更多的历史检测值计算数据分布重心值，容易将润滑油液变化的趋势引入数据分布重心值，造成替换异常检测值的失效。

关于计算历史检测值的数据分布重心值的方式，其例如包括：经由直方图统计方式，计算历史检测值的数据分布重心值。下文将结合公式（2）来说明计算数据分布重心值的方式。

在上述公式（2）中，

代表检测值的数据分布重心值。

代表历史检测值中的第i个检测值，

代表所采样的检测值的个数。

在步骤404处，计算设备130确定检测值是否超出数据分布重心值的预定变化范围。

关于数据分布重心值的预定变化范围，其例如是：以步骤404处所确定的数据分布重心值为中心、左右对称包含95%数量以内的检测值属于正常检测值。

在步骤406处，如果计算设备130确定检测值超出数据分布重心值的预定变化范围，确定检测值为异常检测值。如果计算设备130确定检测值未超出数据分布重心值的预定变化范围，跳转至步骤410处，计算设备130确定检测值不存在异常检测值。如果计算设备130确定当前检测值在以数据分布重心值为中心、左右对称包含95%数量以外，则将当前检测值确定为异常检测值。

图8示例性示出了根据本公开实施例的用于确定异常检测值的方法800的示意图。标记810指示的是多个检测值的分布数据，标记820指示的是经由直方图统计处理812之后的检测值的数据分布重心值数据；标记830指示的经由直方图滤波处理822之后的去除异常检测值的检测值数据。

在步骤408处，计算设备130在多个检测值中替换异常检测值。

关于被识别出的异常检测值，为保障数据不缺失，需要针对异常检测值进行替换。替换方式例如包括：基于异常检测值原位置前后各2个点数值的平均值作为原异常检测值的新值，并更新至原检测值数据流中。

通过采用上述技术手段，本公开能够便捷地对检测值进行数据清洗，以便去除异常检测值。

在一些实施例中，方法200还包括用于对齐多个检测值的方法500。图5示出根据本公开实施例的用于对齐多个检测值的方法500的流程图。应当理解，方法500例如可以在图9所描述的电子设备900处执行。也可以在图1所描述的计算设备130处执行。应当理解，方法500还可以包括未示出的附加动作和/或可以省略所示出的动作，本公开的范围在此方面不受限制。

在步骤502处，计算设备130基于测量数据的测量周期和更新频率，将多个检测值确定为第一类型检测值和第二类型检测值，第一类型检测值的频率高于第二类型检测值的频率。

例如，计算设备130基于测量数据的测量周期的长短和数据更新频率将多个传感器类型分为高频数据传感器和和低频数据传感器。相应的，对应于高频数据传感器的测量数据的检测值例如被确定为第一类型检测值，对应于高频数据传感器的测量数据的检测值例如被确定为第二类型检测值。应当理解，低频传感器的测量周期长更新慢，且有一定波动性，其主要用于针对缓变故障相关参数进行测量。而高频传感器的测量周期短，其测量数据能够及时反映设备状态，因此便于及时响应意外故障避免非计划停机，例如含水率传感器，当水分进入油液之中会快速引起设备润滑故障。

在步骤504处，计算设备130分别拼接第一类型检测值和第二类型检测值。

计算设备130可以以同样的数据格式存储第一类型检测值（例如高频检测值）和第二类型检测值（例如低频检测值）。例如，每一路第一类型检测值或者第二类型检测值作为数据项中的一个数据列。为了进行检测值的数据融合，计算设备130首先建立预定尺寸（例如数据对应采集时长为1分钟）的数据缓冲区，以用于分别拼接第一类型检测值和第二类型检测值。本公开通过设置合适尺寸的数据缓冲区，一方面可以保证数据缓冲区大小能够为后续的时间戳对齐环节提供足够的缓冲空间，另一方面可以避免占用计算设备130过多的内存空间，进而避免导致计算设备130处理性能下降及系统卡顿。

计算设备130分别拼接第一类型检测值和第二类型检测值时，保留每次数据的采样时间（时间戳信息）。采用上述手段的原因在于：传感器的测量数据是经由协议通信而获取的，因此，测量数据的时间间隔可能因受到网络的延迟或抖动、处理器CPU性能等因素的影响，并非是严格间隔的，因此，有必要基于所保留的与每次测量数据及其检测值所对应的时间戳，对拼接后的第一类型检测值和第二类型检测值进行对齐。

在步骤506处，计算设备130基于相关联的采样时间和预定时间间隔，将经拼接的第一类型检测值和第二类型检测值进行对齐。

如前文所提及的，由于采集和通信存在延迟和抖动，导致高频测量数据和低频测量数据可能存在偏移，所以即使是在同一时刻采集的高频测量数据和低频测量数据也未必是在设备运转过程中同时发生的。因此需要针对高频测量数据和低频测量数据所对应的第一类型检测值和第二类型检测值进行对齐。

关于对齐第一类型检测值和第二类型检测值的方法，其例如包括：确定第一类型检测值是否满足预警条件；如果确定第一类型检测值满足预警条件，基于第一时间间隔对齐第一类型检测值和第二类型检测值。其中以第一时间间隔对齐第一类型检测值和第二类型检测值包括：针对第二类型检测值进行插值。其中第一时间间隔的确定时基于高频传感器的测量周期和和油液变化特点而确定的。

如果确定第一类型检测值未满足预警条件，基于第二时间间隔对齐第一类型检测值和第二类型检测值；第二时间间隔大于第一时间间隔。例如，其中基于第二时间间隔对齐第一类型检测值和第二类型检测值包括：以每个第二时间间隔内的最新更新的第一类型检测值作为第一类型检测值的有效值；以每个第二时间间隔内的最新更新的第二类型检测值作为第二类型检测值的有效值；以及基于第二时间间隔对齐第一类型检测值的有效值和第二类型检测值的有效值。其中第二时间间隔的确定时基于低频传感器的测量周期和油液变化特点而确定的。油液变化特点例如包括油液质量变化的速率。

通过采用上述手段，使得高频检测值超过预定警示阈值时，以高频检测值为基准对齐并传输数据，能够保障响应实时性；当高频检测值未超过预定警示阈值时，基于低频检测值为基准对齐并传输数据，能够减小边缘计算处理负担和传输带宽占用。

例如，下文将结合图6和图7说明用于对齐第一类型检测值和第二类型检测值的方法。图6示例性示出了根据本公开实施例的基于第一时间间隔对齐检测值的方法600的示意图。图6的上半部分指示对齐之前的第一类型检测值和第二类型检测值；图6的下半部分指示经对齐的第一类型检测值和第二类型检测值。如图6所示，待对齐检测值例如包括：第1第一类型检测值610（例如，对应于高频检测值1）、第2第一类型检测值620（例如，对应于高频检测值2）和第二类型检测值630（例如，对应于低频检测值1）。当高频检测值超过预定警示阈值时，以第一时间间隔（例如而不限于是10s）为最小颗粒度进行对齐。例如，当第一时间间隔内的传感器的对应检测值有偏差时，取第一时间间隔612内最新出现的检测值（例如标记622所指示）作为第2第一类型检测值620的有效检测值624。由于以第一时间间隔（例如10s）为最小颗粒度进行对齐，会存在第一时间间隔所对应的高频时刻处没有第二类型检测值630（对应于低频检测值1）的情况，此种情况下，计算设备可以针对第二类型检测值630进行一阶保持插值，即出现空缺时沿用最新出现的第二类型检测值（例如标记632所指示）作为第二类型检测值630的有效检测值634。

例如，图7示例性示出了根据本公开实施例的基于第二时间间隔对齐检测值的方法700的示意图。图7的上半部分指示对齐之前的第一类型检测值和第二类型检测值；图7的下半部分指示经对齐的第一类型检测值和第二类型检测值。如图7所示，待对齐检测值例如包括：第1第一类型检测值710（例如，对应于高频检测值1）、第2第一类型检测值720（例如，对应于高频检测值2）和第二类型检测值730（例如，对应于低频检测值1）。当高频检测值未超过预定警示阈值时，计算设备130以第二时间间隔712（例如而不限于是5分钟）为最小颗粒度进行对齐。当第二时间间隔712以内，第2第一类型检测值720有多个检测值，则仅保留最新更新的一个检测值（例如标记722所指示）作为第2第一类型检测值720的有效检测值724，时间戳也记为该第二时间间隔的最后一个秒数所对应的时间。在一些实施例中，计算设备130根据实际使用的传感器指标和计算设备130的边缘硬件处理能力，适当调整该第二时间间隔（例如最小颗粒度）为1分钟。

通过采用上述技术手段，本公开能够不仅能够在存在高频检测值相关的故障风险时，保障响应实时性，而且正常运行时，能够减小边缘计算处理负担和传输带宽占用。

图9示意性示出了适于用来实现本公开实施例的电子设备（或者计算设备）900的框图。设备900可以是用于实现执行图2、图4和图5所示的方法200、400和500的设备。如图9所示，设备900包括中央处理单元（CPU）901，其可以根据存储在只读存储器（ROM）902中的计算机程序指令或者从存储单元908加载到随机存取存储器（RAM）903中的计算机程序指令，来执行各种适当的动作和处理。在RAM中，还可存储设备900操作所需的各种程序和数据。CPU、ROM以及RAM通过总线904彼此相连。输入/输出（I/O）接口905也连接至总线904。

设备900中的多个部件连接至输入/输出（I/O）905，包括：输入单元906、输出单元907、存储单元908，中央处理单元901执行上文所描述的各个方法和处理，例如执行方法200至500例如，在一些实施例中，方法200、400和500可被实现为计算机软件程序，其被存储于机器可读介质，例如存储单元908。在一些实施例中，计算机程序的部分或者全部可以经由ROM和/或通信单元909而被载入和/或安装到设备900上。当计算机程序加载到RAM并由CPU执行时，可以执行上文描述的方法200、400和500的一个或多个操作。备选地，在其他实施例中，CPU可以通过其他任何适当的方式（例如，借助于固件）而被配置为执行方法200、400和500的一个或多个动作。

需要进一步说明的是，本公开可以是方法、装置、系统和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质，其上载有用于执行本公开的各个方面的计算机可读程序指令。

计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是但不限于电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子（非穷举的列表）包括：便携式计算机盘、硬盘、随机存取存储器（RAM）、只读存储器（ROM）、可擦式可编程只读存储器（EPROM或闪存）、静态随机存取存储器（SRAM）、便携式压缩盘只读存储器（CD-ROM）、数字多功能盘（DVD）、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身，诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波（例如，通过光纤电缆的光脉冲）、或者通过电线传输的电信号。

这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备，或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令，并转发该计算机可读程序指令，以供存储在各个计算/处理设备中的计算机可读存储介质中。

用于执行本公开操作的计算机程序指令可以是汇编指令、指令集架构（ISA）指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码，该编程语言包括面向对象的编程语言—诸如Smalltalk、C++等，以及常规的过程式编程语言—诸如C语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机（例如利用因特网服务提供商来通过因特网连接）。在一些实施例中，通过利用计算机可读程序指令的状态信息来个性化定制电子电路，例如可编程逻辑电路、现场可编程门阵列（FPGA）或可编程逻辑阵列（PLA），该电子电路可以执行计算机可读程序指令，从而实现本公开的各个方面。

这里参照根据本公开实施例的方法、设备（系统）、和计算机程序产品的流程图和/或步骤图描述了本公开的各个方面。应当理解，流程图和/或步骤图的每个方步骤以及流程图和/或步骤图中各方步骤的组合，都可以由计算机可读程序指令实现。

这些计算机可读程序指令可以提供给语音交互装置中的处理器、通用计算机、专用计算机或其它可编程数据处理装置的处理单元，从而生产出一种机器，使得这些指令在通过计算机或其它可编程数据处理装置的处理单元执行时，产生了实现流程图和/或步骤图中的一个或多个方步骤中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中，这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作，从而，存储有指令的计算机可读介质则包括一个制造品，其包括实现流程图和/或步骤图中的一个或多个方步骤中规定的功能/动作的各个方面的指令。

也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上，使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤，以产生计算机实现的过程，从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或步骤图中的一个或多个方步骤中规定的功能/动作。

附图中的流程图和步骤图显示了根据本公开的多个实施例的设备、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或步骤图中的每个方步骤可以代表一个模块、程序段或指令的一部分，该模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中，方步骤中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方步骤实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，步骤图和/或流程图中的每个方步骤、以及步骤图和/或流程图中的方步骤的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

以上已经描述了本公开的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。

以上仅为本公开的可选实施例，并不用于限制本公开，对于本领域的技术人员来说，本公开可以有各种更改和变化。凡在本公开的精神和原则之内，所作的任何修改、等效替换、改进等，均应包含在本公开的保护范围之内。

Claims (13)

1.一种用于检测润滑油液状态的方法，包括：

在计算设备处，获取来自用于检测润滑油液的多个传感器的多个测量数据，所述计算设备与所述多个传感器相距在预定范围之内；

解析所述多个测量数据，以生成多个检测值，所述检测值与采样时间相关联；

基于相关联的采样时间，对齐所述多个检测值；

基于所述检测值的分布特征，确定所述多个检测值中的异常检测值，以便去除或替换所述异常检测值；

确定所述多个检测值是否满足预定数据警示条件；以及

响应于确定所述多个检测值不满足预定数据警示条件，提取所述多个检测值的特征，以用于基于所提取的特征确定润滑油液的状态数据。

2.根据权利要求1所述的方法，还包括：

将所提取的特征和所确定的状态数据中的至少一种发送至云服务器，所述多个传感器包括含水率传感器、油品品质传感器、微水传感器、颗粒计数传感器、金属磨粒传感器、粘度传感器中的多个；以及

响应于基于所述状态数据确定出现关于所述润滑油液的故障，在所述计算设备和云服务器处呈现用于指示故障的警示信号。

3.根据权利要求1所述的方法，其中基于所述检测值的分布特征确定所述多个检测值中的异常检测值以便去除或替换所述异常检测值包括：

基于所述多个传感器的多个历史测量数据所对应的多个历史检测值，计算历史检测值的数据分布重心值；

确定所述检测值是否超出所述数据分布重心值的预定变化范围；

响应于确定所述检测值超出所述数据分布重心值的预定变化范围，确定所述检测值为异常检测值；以及

在所述多个检测值中去除或替换所述异常检测值。

4.根据权利要求3所述的方法，其中计算历史检测值的数据分布重心值包括：

经由直方图统计方式，计算所述历史检测值的数据分布重心值。

5.根据权利要求1所述的方法，还包括：

响应于确定以下至少一项预定数据警示条件满足，确定所述多个检测值不满足预定数据警示条件：

预定第三时间间隔内，在所述多个检测值中连续出现的数值相同的检测值的个数超过预定同值阈值；

预定第三时间间隔内，在所述多个检测值中，数值不相同的检测值相对于所述多个检测值的占比小于或者等于第一预定比例阈值；

预定第三时间间隔内，在所述多个检测值中，大于检测值均值的检测值相对于小于检测值均值的检测值的比例超出预定范围阈值，所述检测值均值是基于所述多个检测值而确定的；

预定第四时间间隔内，在所述多个检测值中存在缺失的检测值；以及

预定第五时间间隔内，在所述多个检测值中，缺失的检测值相对于所述多个检测值的占比大于或者等于第二预定比例阈值。

6.根据权利要求1所述的方法，其中基于相关联的采样时间对齐所述多个检测值包括：

基于所述测量数据的测量周期和更新频率，将所述多个检测值确定为第一类型检测值和第二类型检测值，所述第一类型检测值的频率高于所述第二类型检测值的频率；

分别拼接所述第一类型检测值和第二类型检测值：以及

基于相关联的采样时间和预定时间间隔，将经拼接的所述第一类型检测值和第二类型检测值进行对齐。

7.根据权利要求6所述的方法，其中基于相关联的采样时间和预定时间间隔，将经拼接的所述第一类型检测值和第二类型检测值进行对齐包括：

确定所述第一类型检测值是否满足预警条件；

响应于确定所述第一类型检测值满足预警条件，基于第一时间间隔对齐所述第一类型检测值和第二类型检测值；以及

响应于确定所述第一类型检测值未满足预警条件，基于第二时间间隔对齐所述第一类型检测值和第二类型检测值；所述第二时间间隔大于所述第一时间间隔。

8.根据权利要求7所述的方法，其中以第一时间间隔对齐所述第一类型检测值和第二类型检测值包括：

针对所述第二类型检测值进行插值；

其中基于第二时间间隔对齐所述第一类型检测值和第二类型检测值包括：

以每个第二时间间隔内的最新更新的第一类型检测值作为第一类型检测值的有效值；

以每个第二时间间隔内的最新更新的第二类型检测值作为第二类型检测值的有效值；以及

基于第二时间间隔对齐所述第一类型检测值的有效值和第二类型检测值的有效值。

9.根据权利要求1所述的方法，其中提取所述多个检测值的特征包括：

基于费雪线性判别法，对所述多个检测值进行数据降维，以便提取特征。

10.根据权利要求1所述的方法，其中提取所述多个检测值的特征包括：

基于所述传感器所部署的关联设备工作正常时的多个检测值生成第一特征组，所述第一特征组关联有用于指示润滑油液状态正常的标识；

基于所述关联设备工作异常或者润滑失效时的多个检测值生成第二特征组，所述第二特征组关联有用于指示润滑油液状态异常的标识；

经由所述费雪线性判别法，确定所述第一特征组和所述第二特征组所包括的各个特征针对润滑油液状态正常和润滑油液状态异常的差异性的贡献度；以及

基于所述贡献度，提取所述多个检测值的特征。

11.根据权利要求1所述的方法，其中解析所述多个测量数据以生成多个检测值包括：

基于对应的转换协议，解析所述多个测量数据，以便生成多个检测值；

以键值对的方式汇总所述多个检测值，以用于存储经汇总的所述多个检测值；以及

使得多个检测值中的每一个检测值关联对应的采样时间。

12.一种计算设备，包括：

至少一个处理单元；

至少一个存储器，所述至少一个存储器被耦合到所述至少一个处理单元并且存储用于由所述至少一个处理单元执行的指令，所述指令当由所述至少一个处理单元执行时，使得所述计算设备执行权利要求1至11任一项所述的方法。

13.一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被机器执行时实现权利要求1至11中任一项所述的方法。

Images