CN113011325B - 一种基于孤立森林算法的堆垛机轨道损伤定位方法 - Google Patents

Abstract

本发明公开了一种基于孤立森林算法的堆垛机轨道损伤定位方法，包括：获取轨道损伤特征集；对轨道损伤特征集进行加窗处理，并利用孤立森林算法在窗口处于每一个位置时随机选择样本点，并生成多个孤立树；遍历每一个样本点对应的所有孤立树，计算每一个样本点的异常值分数；若异常值分数满足预设条件，则将对应的异常值分数对应的轨道位置作为轨道损伤位置。本发明利用孤立森林算法对堆垛机轨道监测数据进行数据挖掘分析，实现了堆垛机轨道损伤定位，此外，针对孤立森林对局部异常点不敏感的问题，设计了对样本数据进行加窗的分析方法，规避了孤立森林对局部异常点不敏感的缺点，提高了利用孤立森林算法进行堆垛机轨道损伤定位是的准确性。

Description

一种基于孤立森林算法的堆垛机轨道损伤定位方法

技术领域

本发明涉及数据挖掘领域，具体涉及一种基于孤立森林算法的堆垛机轨道损伤定位方法。

背景技术

随着大型自动化设备的推广与发展，自动化立体仓库在大中型生产型企业的日常经营中占据着非常关键的地位。堆垛机作为自动化立体仓库的重要组成部分，承载着货物进库、出库等重要的物流工作、若堆垛机在运行时发生故障将直接影响到整个物流系统的安全运作。然而随着机械化作业水平的不断提高，堆垛机轨道越来越精密化，加之外界环境、人为操作等不确定因素的作用，堆垛机在出现轨道故障时，难以准确地对故障位置进行刻画。为此，设计一种能够对堆垛机轨道在出现故障时做出快速、准确定位的诊断模型，已成为工业界和科学研究者亟待研究的课题。

当堆垛机轨道损伤时，会表现出与正常轨道不一样的行为特征，在监测信号中，即异常点，在异常检测中我们将异常定义为“容易被孤立的离群点可以理解为分布稀疏且离密度高的群体较远的点。用统计学来解释，在数据空间里面，分布稀疏的区域表示数据发生在此区域的概率很低，因此可以认为落在这些区域里的数据是异常的。

孤立森林算法是一个基于Ensemble的快速离群点检测方法，具有线性时间复杂度和高精准度，是符合大数据处理要求的State-of-the-art算法。适用于连续数据的异常检测，与其他异常检测算法通过距离、密度等量化指标来刻画样本间的疏离程度不同，孤立森林算法通过对样本点的孤立来检测异常值。具体来说，该算法利用一种名为孤立树(iTree)的二叉搜索树结构来孤立样本。由于异常值的数量较少且与大部分样本的疏离性，因此，异常值会被更早的孤立出来，也即异常值会距离iTree的根节点更近，而正常值则会距离根节点有更远的距离。此外，相较于LOF，K-means等传统算法，孤立森林算法有较好的鲁棒性。根据孤立森林具有线性时间复杂度且不用像其他基于距离的算法一样需要较大的运算空间的特点，孤立森林算法十分符合大数据背景下堆垛机轨道损伤检测的工作。然而，孤立森林算法是基于全局检测异常点，对局部异常点不敏感，无法对局部异常点进行判别，若直接将孤立森林算法用于堆垛机轨道损伤定位，准确性较差。

综上所述，如何提高利用孤立森林算法进行堆垛机轨道损伤定位是的准确性，成为了本领域技术人员急需解决的问题。

发明内容

针对现有技术存在的上述不足，本发明要解决的技术问题是：如何提高利用孤立森林算法进行堆垛机轨道损伤定位是的准确性。

为解决上述技术问题，本发明采用了如下的技术方案：

一种基于孤立森林算法的堆垛机轨道损伤定位方法，包括：

S1、获取轨道损伤特征集；

S2、对轨道损伤特征集进行加窗处理，并利用孤立森林算法在窗口处于每一个位置时随机选择样本点，并生成多个孤立树；

S3、遍历每一个样本点对应的所有孤立树，计算每一个样本点的异常值分数；

S4、若异常值分数满足预设条件，则将对应的异常值分数对应的轨道位置作为轨道损伤位置。

优选地，步骤S1包括：

S101、获取轨道监测数据，所述轨道监测数据包括位置信息及时域幅值信息；

S102、基于轨道监测数据生成轨道损伤特征集T，T＝{E,D₁,D₂,…,D_j}，E为时域幅值信息，D₁至D_j为时域幅值信息进行小波变换后得到的细节系数。

优选地，在步骤S101至S102之间还包括：

按预设长度对轨道监测数据进行区间平滑处理。

优选地，步骤S2包括：

S201、将窗口设置在轨道损伤特征集一端；

S202、从加窗数据中随机选择多个样本点，提取样本数据放入根节点生成孤立树，将根节点作为当前节点；

S203、随机指定一个维度特征，在当前节点中的样本数据中随机产生一个切割点；

S204、以所述切割点生成一个超平面，将小于所述切割点的样本数据放入第一子节点，将样本数据放入第二子节点；

S205、将最新产生的子节点作为当前节点，递归执行步骤S203至S204，直到最新产生的子节点中只包括一个样本点对应的样本数据；

S206、反复执行步骤S202至S205，直到生成t个孤立树，作为窗口处于当前位置的孤立森林；

S207、将窗口按预设步长向轨道损伤特征集另一端移动，每移动一次均按步骤S202至S206生成对应窗口位置的孤立森林，直到窗口移动到轨道损伤特征集另一端。

优选地，步骤S3中，按下式计算每一个样本点的异常值分数：

式中，

为选择

样本点生成孤立树时，第k个样本点x_k的异常值分数；h(x_k)为路径长度；

式中，

表示孤立树的平均路径长度，H(k)表示用ln(k)+γ来估算的调和数，γ为欧拉常数。

优选地，步骤S4包括：

S401、对所有样本点的异常值分数按大小进行排序；

S402、计算样本点的异常值分数的上四分位数；

S403、将大于所述上四分位数的异常值分数作为满足预设条件的异常值分数。

综上所述，本发明与现有技术相比，具有以下技术效果：

1、本发明利用孤立森林算法对堆垛机轨道监测数据进行数据挖掘分析，实现了堆垛机轨道损伤定位，此外，针对孤立森林对局部异常点不敏感的问题，设计了对样本数据进行加窗的分析方法，规避了孤立森林对局部异常点不敏感的缺点，提高了利用孤立森林算法进行堆垛机轨道损伤定位是的准确性。

2、针对实际场景对异常检测模型中的阈值进行设定，利用统计学中四分位数的概念常常用于统计数据中的异常值的特性，分析由孤立森林算法得出的样本点异常分数分布情况，在可解释范围内保证了异常点检测的准确性。

附图说明

图1是本发明公开的一种基于孤立森林算法的堆垛机轨道损伤定位方法的一种具体实施方式的流程图；

图2是本发明中生成轨道损伤特征集的一种具体实施方式的流程图；

图3是本发明中生成孤立树的一种具体实施方式的流程图。

具体实施方式

为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步的详细描述说明。

如图1所示，本发明公开了一种基于孤立森林算法的堆垛机轨道损伤定位方法，包括：

S1、获取轨道损伤特征集；

S2、对轨道损伤特征集进行加窗处理，并利用孤立森林算法在窗口处于每一个位置时随机选择样本点，并生成多个孤立树；

S3、遍历每一个样本点对应的所有孤立树，计算每一个样本点的异常值分数；

S4、若异常值分数满足预设条件，则将对应的异常值分数对应的轨道位置作为轨道损伤位置。

本发明利用孤立森林算法对堆垛机轨道监测数据进行数据挖掘分析，实现了堆垛机轨道损伤定位，此外，针对孤立森林对局部异常点不敏感的问题，设计了对样本数据进行加窗的分析方法，规避了孤立森林对局部异常点不敏感的缺点，提高了利用孤立森林算法进行堆垛机轨道损伤定位是的准确性。

具体实施时，步骤S1包括：

S101、获取轨道监测数据，所述轨道监测数据包括位置信息及时域幅值信息；

S102、基于轨道监测数据生成轨道损伤特征集T，T＝{E,D₁,D₂,…,D_j}，E为时域幅值信息，D₁至D_j为时域幅值信息进行小波变换后得到的细节系数。

构建轨道损伤特征集对于后期对轨道损伤区间定位具有重要意义。在构建模型过程中，可以通过设置的传感器直接监测得到堆垛机的运行振动数据，此为时域上的一维数据，具体表现为幅值上的上下波动，当堆垛机在不平整的轨道上运行时，如有轨道磨损、凹陷等异常情况是，监测信号会表现出异于正常轨道上运行的波动特征。根据对历史轨道运行监测信号的分析发现，当堆垛机运行在平滑轨道和损伤轨道上时，会在时域的幅值上表现出差异，具体表现为在正常轨道上运行时，监测信号幅值平稳；在损伤位置运行时，监测信号幅值波动大。由此可得出时域幅值信息可作为判定轨道状态是否异常的特征之一。此外，由于轨道损伤情况和程度的不同，会带来监测信号表现的差异，但仅仅依靠单一时域幅值信息在监测轨道损伤方面是不够的。当堆垛机轨道出现损伤时，在监测信号中会出现突变情况，而时域信息对于突变点的检测难以达到精度要求，因此，考虑根据监测到的信号，从频域角度出发分析堆垛机轨道损伤情况。小波分析能对奇异信号的突变点给予准确的定位。信号进行小波变换后，可以在不同尺度上表现出信号的奇异点，这些奇异点可以反映信号的瞬态特征或者信号的突变，因此可用于突变点检测。

因此，本发明中，采用了时域信息及频域信息共同构建轨道损伤特征集。

具体实施时，在步骤S101至S102之间还包括：

按预设长度对轨道监测数据进行区间平滑处理。

为了保证最终结果的精准，在采集数据后，需要对数据进行预处理，以全长24m的轨道为例，在预处理时，可以将数据按10mm进行区间平滑处理。

如图2所示，具体实施时，步骤S2包括：

S201、将窗口设置在轨道损伤特征集一端；

S202、从加窗数据中随机选择多个样本点，提取样本数据放入根节点生成孤立树，将根节点作为当前节点；

S203、随机指定一个维度特征，在当前节点中的样本数据中随机产生一个切割点(切割点产生于当前节点数据中指定维度的最大值和最小值之间)；

S204、以所述切割点生成一个超平面，将小于所述切割点的样本数据放入第一子节点，将样本数据放入第二子节点；

S205、将最新产生的子节点作为当前节点，递归执行步骤S203至S204，直到最新产生的子节点中只包括一个样本点对应的样本数据；

S206、反复执行步骤S202至S205，直到生成t个孤立树，作为窗口处于当前位置的孤立森林；

S207、将窗口按预设步长向轨道损伤特征集另一端移动，每移动一次均按步骤S202至S206生成对应窗口位置的孤立森林，直到窗口移动到轨道损伤特征集另一端。

本发明中，窗口长度可为4φ，步长可为

随机选择的样本点数可为

采样大小

值以实际场景作业来确定，取实际场景中最大磨损数据段划分采样点，4倍采样点大小的窗口能够保证异常样本数据在窗口中少于正常样本数，孤立树数量t值越大，模型的鲁棒性更好，但相应的会增加系统消耗，实验证明，当t＞100后，检测出来的轨道损伤位置不会发生改变，故取t＝100能解决当前场景下堆垛机轨道损伤定位的问题。

具体实施时，步骤S3中，按下式计算每一个样本点的异常值分数：

式中，

为选择

样本点生成孤立树时，第k个样本点x_k的异常值分数；h(x_k)为路径长度；

式中，

表示孤立树的平均路径长度，H(k)表示用ln(k)+γ来估算的调和数，γ为欧拉常数。

本发明中，最终异常值得分为所在孤立森林异常点得分的平均，异常值分数越高，说明该点异常程度越高，越可能为轨道损伤点。

具体实施时，步骤S4包括：

S401、对所有样本点的异常值分数按大小进行排序；

S402、计算样本点的异常值分数的上四分位数；

S403、将大于所述上四分位数的异常值分数作为满足预设条件的异常值分数。

孤立森林算法中将样本点异常得分大于0.5的点判定为异常点，但在实际应用中，为了让异常更加直观，需要对异常的分数值设定一个阈值，由于孤立森林算法中，孤立树的树高有限，因此训练集数据中数值大小差距很大的数据在异常评分后的分值可能差距不大，使用均值加减标准差的方法会造成误差变大。因此考虑将统计学中的四分位数概念引入到阈值设定中来，以上四分位数作为检测阈值。

最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管通过参照本发明的优选实施例已经对本发明进行了描述，但本领域的普通技术人员应当理解，可以在形式上和细节上对其作出各种各样的改变，而不偏离所附权利要求书所限定的本发明的精神和范围。

Claims (4)

1.一种基于孤立森林算法的堆垛机轨道损伤定位方法，其特征在于，包括：

S1、获取轨道损伤特征集；步骤S1包括：

S101、获取轨道监测数据，所述轨道监测数据包括位置信息及时域幅值信息；

S102、基于轨道监测数据生成轨道损伤特征集T，T＝{E,D₁,D₂,…,D_j}，E为时域幅值信息，D₁至D_j为时域幅值信息进行小波变换后得到的细节系数；

且在步骤S101至S102之间还包括：

按预设长度对轨道监测数据进行区间平滑处理；

S2、对轨道损伤特征集进行加窗处理，并利用孤立森林算法在窗口处于每一个位置时随机选择样本点，并生成多个孤立树；

S3、遍历每一个样本点对应的所有孤立树，计算每一个样本点的异常值分数；

S4、若异常值分数满足预设条件，则将对应的异常值分数对应的轨道位置作为轨道损伤位置。

2.如权利要求1所述的基于孤立森林算法的堆垛机轨道损伤定位方法，其特征在于，步骤S2包括：

S201、将窗口设置在轨道损伤特征集一端；

S202、从加窗数据中随机选择多个样本点，提取样本数据放入根节点生成孤立树，将根节点作为当前节点；

S203、随机指定一个维度特征，在当前节点中的样本数据中随机产生一个切割点；

S204、以所述切割点生成一个超平面，将小于所述切割点的样本数据放入第一子节点，将样本数据放入第二子节点；

S205、将最新产生的子节点作为当前节点，递归执行步骤S203至S204，直到最新产生的子节点中只包括一个样本点对应的样本数据；

S206、反复执行步骤S202至S205，直到生成t个孤立树，作为窗口处于当前位置的孤立森林；

S207、将窗口按预设步长向轨道损伤特征集另一端移动，每移动一次均按步骤S202至S206生成对应窗口位置的孤立森林，直到窗口移动到轨道损伤特征集另一端。

3.如权利要求2所述的基于孤立森林算法的堆垛机轨道损伤定位方法，其特征在于，步骤S3中，按下式计算每一个样本点的异常值分数：

式中，

为选择

样本点生成孤立树时，第k个样本点x_k的异常值分数；h(x_k)为路径长度；

式中，

表示孤立树的平均路径长度，H(k)表示用ln(k)+γ来估算的调和数，γ为欧拉常数。

4.如权利要求1至3任一项所述的基于孤立森林算法的堆垛机轨道损伤定位方法，其特征在于，步骤S4包括：

S401、对所有样本点的异常值分数按大小进行排序；

S402、计算样本点的异常值分数的上四分位数；

S403、将大于所述上四分位数的异常值分数作为满足预设条件的异常值分数。

Images