CN113140054B - 一种列车冷却系统的异常检测方法及装置 - Google Patents
一种列车冷却系统的异常检测方法及装置 Download PDFInfo
- Publication number
- CN113140054B CN113140054B CN202010001818.0A CN202010001818A CN113140054B CN 113140054 B CN113140054 B CN 113140054B CN 202010001818 A CN202010001818 A CN 202010001818A CN 113140054 B CN113140054 B CN 113140054B
- Authority
- CN
- China
- Prior art keywords
- data
- module
- cooling system
- traction converter
- analysis method
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
- G07C5/00—Registering or indicating the working of vehicles
- G07C5/08—Registering or indicating performance data other than driving, working, idle, or waiting time, with or without registering driving, working, idle or waiting time
- G07C5/0808—Diagnosing performance data
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
- B60L3/00—Electric devices on electrically-propelled vehicles for safety purposes; Monitoring operating variables, e.g. speed, deceleration or energy consumption
- B60L3/0023—Detecting, eliminating, remedying or compensating for drive train abnormalities, e.g. failures within the drive train
- B60L3/003—Detecting, eliminating, remedying or compensating for drive train abnormalities, e.g. failures within the drive train relating to inverters
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
- G07C5/00—Registering or indicating the working of vehicles
- G07C5/08—Registering or indicating performance data other than driving, working, idle, or waiting time, with or without registering driving, working, idle or waiting time
- G07C5/0841—Registering performance data
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
- B60L2200/00—Type of vehicles
- B60L2200/26—Rail vehicles
Landscapes
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Medical Informatics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Sustainable Development (AREA)
- Sustainable Energy (AREA)
- Power Engineering (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Electric Propulsion And Braking For Vehicles (AREA)
Abstract
本发明提供一种方法列车冷却系统的异常检测方法,包括:获取列车的牵引变流器在运行时至少两处位置的状态数据;对所述状态数据进行预处理,得到预处理数据;对所述预处理数据进行特征提取,得到特征组合;将所述特征组合输入到预先基于孤立森林构建的异常检测模型中,输出检测结果;基于检测结果判断所述冷却系统是否异常。本发明能够分析冷却系统可能存在的异常,进而评估滤网的脏堵程度,将滤网清洗工作由定期频繁清洗转为状态清洗,在保证机车安全运行的同时减轻检修人员的工作量。
Description
技术领域
本发明涉及异常检测技术领域,尤其涉及一种列车冷却系统的异常检测方法及装置。
背景技术
随着我国铁路事业的飞速发展及重载运输的需求,交流传动电力机车牵引变流器的功率已提升到7200KW和9600KW,整车系统的集成度也在不断的提高。为确保机车安全可靠运行,必须保证冷却系统正常工作,防止电气设备温度超过允许值。因此,冷却系统是大功率交流传动电力机车牵引变流器安全可靠运行的基础。
目前,牵引变流器的冷却系统包括:变流器柜内的变流器模块水冷板、柜内的热交换器、管路、水冷系统传感器以及变流器柜外的复合冷却塔。由于铁路网的全面覆盖,机车运行环境呈现多样化,当机车运行在灰尘、柳絮等杂物过多的环境中时,冷却塔的风机高速旋转,容易将空气中的灰尘、飞虫、柳絮等杂物吸入,杂物附着在散热器铝制波纹式翅片的表面,容易造成散热器堵塞,冷却塔通风速度不畅,达不到对冷却水的冷却效果,并导致主变流器冷却水温度升高,一旦主变流器水温超过其额定工作温度后,主变流器将停止功率输出,从而直接导致机车运行中断。
为了确保机车安全正常运行,必须定期频繁的清洗散热器及过滤网,来保证散热器的清洁度及进风量,但是由于我国幅员辽阔,机车运行环境多样化,不同线路机车的滤网脏堵原因及脏堵程度千差万别,清洗周期过长会造成部分路线机车滤网严重堵塞,从而导致水冷系统无法有效工作,给机车正常运行埋下安全隐患;清洗周期过短则会造成检修工作量和工作强度较大,效率低下,而且检修开销增加运营成本,不利于铁路事业的健康发展。
发明内容
有鉴于此,本发明的目的在于提出一种列车冷却系统的异常检测方法及装置,以解决现有技术中定期频繁清洗散热器及过滤网,清洗周期过长会造成部分路线机车滤网严重堵塞,从而导致水冷系统无法有效工作,给机车正常运行埋下安全隐患;清洗周期过短则会造成检修工作量和工作强度较大,效率低下,而且检修开销增加运营成本,不利于铁路事业的健康发展的问题。
基于上述目的,本发明提供了列车冷却系统的异常检测方法,包括:
获取列车的牵引变流器在运行时至少两处位置的状态数据;
对所述状态数据进行预处理,得到预处理数据;
对所述预处理数据进行特征提取,得到特征组合;
将所述特征组合输入到预先基于孤立森林构建的异常检测模型中,输出检测结果;
基于检测结果判断所述冷却系统是否异常。
在一实施例中,所述状态数据包括:水温数据和水压数据,所述两处位置包括:所述牵引变流器的进口处和出口处。
在一实施例中,所述对所述状态数据进行预处理,包括:
采用基于邻近性的离群点检测方法、数据的方差检验方法、或峰值检验方法对所述状态数据进行预处理。
在一实施例中,所述对所述预处理数据进行特征提取,得到特征组合,包括:
基于第一分析方法提取所述预处理数据的变化特征;
基于时间序列分析方法提取预处理数据的时序特征;
将所述变化特征和所述时序特征合并后得到特征组合;
所述第一分析方法包括:斜率分析方法或梯度分析方法。
在一实施例中,所述方法还包括构建所述异常检测模型的步骤:
采集所述牵引变流器在正常运行状态下的至少两个位置处的若干个状态数据作为样本数据;
对所述样本数据进行预处理,得到预处理数据;
对所述预处理数据进行特征提取,得到特征组合;
基于所述特征组合,通过孤立森林算法构建异常检测模型。
基于上述目的,本发明还提供了列车冷却系统的异常检测装置,包括:
获取模块,被配置为获取列车的牵引变流器在运行时至少两处位置的状态数据;
第一预处理模块,被配置为对所述状态数据进行预处理,得到预处理数据;
第一提取模块,被配置为对所述预处理数据进行特征提取,得到特征组合;
检测模块,被配置为将所述特征组合输入到预先基于孤立森林构建的异常检测模型中,输出检测结果;
判断模块,被配置为基于检测结果判断所述冷却系统是否异常。
在一实施例中,所述获取模块获取的所述状态数据包括:水温数据和水压数据,所述两处位置包括:所述牵引变流器的进口处和出口处。
在一实施例中,所述第一预处理模块采用基于邻近性的离群点检测方法、数据的方差检验方法、或峰值检验方法对所述状态数据进行预处理。
在一实施例中,所述第一提取模块包括:
第一提取子模块,被配置为基于第一分析方法提取所述预处理数据的变化特征;
第二提取子模块,被配置为基于时间序列分析方法提取预处理数据的时序特征;
合并子模块,被配置为将所述变化特征和所述时序特征合并后得到特征组合;
所述第一分析方法包括:斜率分析方法或梯度分析方法。
在一实施例中,所述装置还包括:
采集模块,被配置为采集所述牵引变流器在正常运行状态下的至少两个位置处的若干个状态数据作为样本数据;
第二预处理模块,被配置为对所述样本数据进行预处理,得到预处理数据;
第二提取模块,被配置为对所述预处理数据进行特征提取,得到特征组合;
构建模块,被配置为基于所述特征组合,通过孤立森林算法构建异常检测模型。
基于上述目的,本发明还提供了一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如权利要求1至任意一项所述的方法。
基于上述目的,本发明还提供了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,所述计算机指令用于使所述计算机执行权利要求1至任一所述方法。
从上面所述可以看出,本发明提供的列车冷却系统的异常检测方法及系统,获取牵引变流器的状态数据,并基于状态数据得到特征组合,该方法还采用孤立森林构建的异常检测模型对牵引变流器的状态数据进行深度挖掘,分析冷却系统可能存在的异常,进而评估滤网的脏堵程度,将滤网清洗工作由定期频繁清洗转为状态清洗,在保证机车安全运行的同时减轻检修人员的工作量。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明一实施例提供的列车冷却系统的异常检测方法的流程图;
图2为本发明另一实施例提供的列车冷却系统的异常检测方法的流程图;
图3为本发明一实施例提供的列车冷却系统的异常检测装置的结构示意图;
图4是本发明另一实施例提供的列车冷却系统的异常检测装置的结构示意图;
图5是本发明另一实施例提供的列车冷却系统的异常检测装置的结构示意图;
图6是本发明实施例提供的一种更为具体的电子设备硬件结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白,以下结合具体实施例,并参照附图,对本发明进一步详细说明。
需要说明的是,除非另外定义,本发明实施例使用的技术术语或者科学术语应当为本公开所属领域内具有一般技能的人士所理解的通常意义。本公开中使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性,而只是用来区分不同的组成部分。“包括”或者“包含”等类似的词语意指出现该词前面的元件或者物件涵盖出现在该词后面列举的元件或者物件及其等同,而不排除其他元件或者物件。“连接”或者“相连”等类似的词语并非限定于物理的或者机械的连接,而是可以包括电性的连接,不管是直接的还是间接的。“上”、“下”、“左”、“右”等仅用于表示相对位置关系,当被描述对象的绝对位置改变后,则该相对位置关系也可能相应地改变。
图1为本发明实施例提供的一种列车冷却系统的异常检测方法的流程图,如图1所示,该方法可以包括以下步骤:
步骤110、获取牵引变流器在运行时至少两处位置的状态数据。
在一实施例中,两处位置可以选进口处和出口处。
在一实施例中,状态数据可以包括:水温数据和水压数据。
本实施例中,由于在列车运行过程中,水温数据和水压数据均与牵引变流器的运行状态高度相关,可以有效的反应牵引变流器的工作状态,因而本步骤中获取水温数据和水压数据作为状态数据。
由于牵引变流器进口处的水温数据和水压数据与出口处的水温数据及水压数据存在差异,并且进口处和出口处代表两处不同的位置,因而本实施例中采集进口处和出口处的水温数据及水压数据,通过对比进口处和出口处的水温变化和水压变化,来进行异常检测。
如果牵引变流器出现异常,如发生故障,那么冷却系统的水温数据和水压数据与正常运行时的水温数据及水压数据存在明显区别。例如,牵引变流器正常运行的情况下,水温通常低于x摄氏度,且变化缓慢,因而可以根据该水温数据设定水温阈值。水压则稳定在ybar左右,因而可以根据该水压数据设置水压变化范围,从而通过检测水温数据是否高于水温阈值,以及水压数据是否超出变化范围,可以判断牵引变流器是否出现异常。
步骤120、对获取的状态数据进行预处理,得到预处理数据。
在一实施例中,采用基于邻近性的离群点检测方法对获取的水温数据,及水压数据进行预处理。
列车运行时,由于牵引变流器冷却系统的水泵和冷却塔均由辅助变流器供电,因此辅助变流器启动与否关系到整个列车冷却系统是否正常运行。
为保证数据的有效性,提高结果的准确性,在进行异常检测分析之前,需要确保辅助变流器正常运行,且需要剔除辅助变流器启动阶段的数据,因而采用基于邻近性的离群点检测方法对数据进行预处理。预处理的另一方面是为了补全获取状态数据的过程中的缺失数据,或者删除干扰导致的异常数据,使得采集的数据正常且可用。
在另一实施例中,还可以采用数据的方差检验方法、峰值检验方法等进行数据的预处理,进行降噪。
步骤130、对预处理数据进行特征提取,得到特征组合。
在一实施例中,基于斜率分析方法提取预处理数据的变化特征,即单位时间内的数据变化率;并通过时间序列分析方法提取预处理数据的时序特征,将两种特征进行合并后得到变化特征和时序特征的特征组合,可以表示为(变化特征,时序特征),该特征组合用于表征牵引变流器的运行状态。
由于斜率分析方法能够表征水温数据、水压数据的瞬时(短期)变化规律,而时序分析方法能够表征水温数据、水压数据的长期变化规律,因而两者结合能够更好的表征牵引变流器的工作状态。
在另一实施例中,还可以采用梯度分析方法来提取预处理数据的变化特征。
步骤140、将特征组合输入到预先构建的异常检测模型中,输出检测结果。
在一实施例中,异常检测模型基于孤立森林(Isolation Forest)来构建。
具体如何构建,将在图2所示实施例中详细描述。
步骤150、根据检测结果判断牵引变流器是否出现异常。
在一实施例中,将步骤130得到的特征组合输入到构建好的异常检测模型中进行分析,输出模型得分结果,再根据得分能够判断冷却系统正常与否,进而评估滤网脏堵情况。
本发明实施例提供的列车冷却系统的异常检测方法,通过获取牵引变流器的状态数据,并根据状态数据组成特征组合,然后输入基于孤立森林构建的异常检测模型中,根据检测结果能够实现对牵引变流器冷却系统的异常检测,大大提高了冷却系统的异常识别率。而且根据检测结果评估滤网的脏堵程度,能够将滤网清洗工作由定期频繁清洗改为状态清洗,使得滤网清洗周期科学合理。
图2为本发明另一实施例提供的一种列车冷却系统的异常检测方法的流程图。异常检测是检测出与大部分对象不同的对象的过程,其中这些不同的对象称为离群点,一般异常检测的方法有数理统计法、数据挖掘方法等。孤立森林(Isolation Forest)是一种基于聚合的快速异常检测方法,具有线性时间复杂度和高精准度。孤立森林适用于连续数据的异常检测,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,因而可以认为落在这些区域里的数据是异常的。孤立森林属于非参数和非监督的方法,因此既不用定义数学模型也不需要标记数据。
如图2所示,对于采用孤立森林的理论构建异常检测模型,该方法可以包括以下步骤:
步骤210、采集牵引变流器在正常运行状态下的至少两个位置处的若干个状态数据作为样本数据。
在一实施例中,由于牵引变流器的进口处和出口处存在联动关系,两者之间的差异及联动可以反映整个牵引变流器的工作状态,因而两处位置可以选择牵引变流器的进口处和出口处。
在一实施例中,状态数据可以包括:水温数据和水压数据。
为了构建异常检测模型,本实施例中,获取牵引变流器正常运行时的若干个状态数据来作为样本数据。
本实施例中,由于在列车运行过程中,水温数据和水压数据均与牵引变流器的运行状态高度相关,可以有效的反应牵引变流器的工作状态,因而本步骤中获取水温数据和水压数据作为状态数据。
由于牵引变流器进口处的水温数据和水压数据与出口处的水温数据及水压数据存在差异,并且进口处和出口处代表两处不同的位置。因而本实施例中采集进口处和出口处的水温数据及水压数据,通过对比进口处和出口处的水温变化和水压变化,来进行异常检测。当然也可以选择状态数据具有差异的其他两处位置处的状态数据。
此外,电压、电流数据也是与牵引变流器的状态高度相关的数据,但是由于电压数据和电流数据变化较快,因而本实施例中采用变化较慢的惰性数据-水温数据和水压数据来作为样本数据。
如果牵引变流器出现异常,如发生故障,那么冷却系统的水温数据和水压数据与正常运行时的水温数据及水压数据存在明显区别。例如,牵引变流器正常运行的情况下,水温通常低于a摄氏度,且变化缓慢,因而可以根据该水温数据设定水温阈值。水压则稳定在bbar左右,且变化缓慢,因而可以根据该水压数据设置水压变化范围,从而通过检测水温数据是否高于水温阈值,以及水压数据是否超出变化范围,可以判断出牵引变流器是否出现异常。
步骤220、对采集的样本数据进行预处理,得到预处理数据。
在一实施例中,采用基于邻近性的离群点检测方法对获取的水温数据及水压数据进行预处理。
列车运行时,由于牵引变流器冷却系统的水泵和冷却塔均由辅助变流器供电,因此辅助变流器启动与否关系到整个列车冷却系统是否正常运行。
为保证数据的有效性,提高结果的准确性,在进行异常检测分析之前,需要确保辅助变流器正常运行,且需要剔除辅助变流器启动阶段的数据,因而采用基于邻近性的离群点检测方法对样本数据进行预处理。预处理的另一方面是为了补全获取状态数据的过程中的缺失数据,或者删除干扰导致的异常数据,使得采集的样本数据正常且可用。
在另一实施例中,还可以采用数据的方差检验方法、峰值检验方法等进行数据的预处理,进行降噪。
通过预处理,剔除了列车启动阶段的数据,并用离群点检测方法对状态数据进行降噪,提高了状态数据的鲁棒性,使得分析结果更加可靠。
步骤230、对预处理数据进行特征提取,得到特征组合。
在一实施例中,基于业务知识和数据波形特征的用于提取数据变化规律的思想,基于斜率分析方法提取预处理数据的变化特征,即单位时间内的数据变化率;并通过时间序列分析方法提取预处理数据的时序特征,将两种特征进行合并后得到变化特征和时序特征的特征组合,可以表示为(变化特征,时序特征),该特征组合用于表征牵引变流器的运行状态。
由于斜率分析方法能够表征水温数据、水压数据的瞬时(短期)变化规律,而时序分析方法能够表征水温数据、水压数据的长期变化规律,因而两者结合能够更好的表征牵引变流器的工作状态。
在另一实施例中,还可以采用梯度分析方法来提取预处理数据的变化特征。
步骤240、基于特征组合构建异常检测模型。
基于样本数据为牵引变流器在正常运行状态下的数据,在短时间内不会发生剧烈变化,因而本实施例中,采用斜率分析方法提取水温数据和水压数据的变化特征,并通过时间序列分析方法提取水温数据和水压数据的时序特征,将上述特征组合后用于构建孤立树(Isolation Tree),再将多棵孤立树组合起来构建异常检测模型,即孤立森林(IsolationForest)模型。
本实施例中,基于孤立森林构建异常检测模型,构建孤立森林分为两个阶段:
第一阶段:训练出T棵孤立树,然后将T棵孤立树组成孤立森林。
第二阶段:将每个样本数据(即步骤S210中通过传感器采集的水温数据和水压数据组成的样本数据)代入到孤立森林的每棵孤立树中,计算平均高度,再计算每个样本数据的异常值分数。
具体而言,假设数据集(水温数据和水压数据构成的样本数据的数据集)共有N条数据,构建一颗iTree时,从N条数据中均匀抽样(一般是无放回抽样)出x个样本出来,作为这棵树的训练样本。在这些训练样本中,随机选一个特征,并在这个特征的所有值范围内(最小值与最大值之间)随机选一个值,对样本进行二叉划分,将样本中小于该值的样本划分到树结构的节点(随机选择的特征节点)的左边,大于等于该值的样本划分到节点的右边,由此得到一个分裂条件和位于节点左、右两边的数据集,然后分别在左右两边的数据集上重复上面的过程,直到数据集只有一条样本数据或者达到了树的限定高度(树的高度即从根节点到叶子节点之间的最大高度,一般来说限定高度会设定为10,超过高度的样本数据就会被丢弃),然后循环上述过程直至生成T棵孤立树。
具体应用时,也就是在图1所示实施例的步骤140中,对于每一个数据点x(特征组合),令其遍历每一棵孤立树,计算点x在森林中的平均高度h,对所有点的平均高度做归一化处理,并计算异常值分数(异常值分数的范围是0-1,0为正常值,1为异常值)。
由于异常数据较小且特征值(数据自身的特征,包括数据变化规律、分部等)和正常数据差别较大。因此,构建孤立树(iTree)的时候,异常数据离根更近,而正常数据离根更远。即越短的高度越接近1(异常的可能性越高)。
图3是本发明一实施例提供的列车冷却系统的异常检测装置的结构示意图,如图3所示,该装置包括以下模块:获取模块10、第一预处理模块20、第一提取模块30、检测模块40以及判断模块50。
其中,获取模块10,被配置为获取列车的牵引变流器在运行时至少两处位置的状态数据;
第一预处理模块20,被配置为对所述状态数据进行预处理,得到预处理数据;
第一提取模块30,被配置为对所述预处理数据进行特征提取,得到特征组合;
检测模块40,被配置为将所述特征组合输入到预先基于孤立森林构建的异常检测模型中,输出检测结果;
判断模块50,被配置为基于检测结果判断所述冷却系统是否异常。
在一实施例中,获取模块10获取的所述状态数据包括:水温数据和水压数据,所述两处位置包括:所述牵引变流器的进口处和出口处。
在一实施例中,所述第一预处理模块采用基于邻近性的离群点检测方法、数据的方差检验方法、或峰值检验方法对所述状态数据进行预处理。
图4是本发明另一实施例提供的列车冷却系统的异常检测装置的另一结构示意图,在本实施例中,第一提取模块30可以包括:第一提取子模块31、第二提取子模块32以及合并子模块33。
其中,第一提取子模块31,被配置为基于第一分析方法提取所述预处理数据的变化特征;
第二提取子模块32,被配置为基于时间序列分析方法提取预处理数据的时序特征;
合并子模块33,被配置为将所述变化特征和所述时序特征合并后得到特征组合;
所述第一分析方法包括:斜率分析方法或梯度分析方法。
图5是本发明另一实施例提供的列车冷却系统的异常检测装置的另一结构示意图,在本实施例中,该装置还可以包括:采集模块60、第二预处理模块70、第二提取模块80以及构建模块90。
其中,采集模块60,被配置为采集所述牵引变流器在正常运行状态下的至少两个位置处的若干个状态数据作为样本数据;
第二预处理模块70,被配置为对所述样本数据进行预处理,得到预处理数据;
第二提取模块80,被配置为对所述预处理数据进行特征提取,得到特征组合;
构建模块90,被配置为基于所述特征组合,通过孤立森林算法构建异常检测模型。
需要说明的是,本发明实施例的方法可以由单个设备执行,例如一台计算机或服务器等。本实施例的方法也可以应用于分布式场景下,由多台设备相互配合来完成。在这种分布式场景的情况下,这多台设备中的一台设备可以只执行本发明实施例的方法中的某一个或多个步骤,这多台设备相互之间会进行交互以完成所述的方法。
上述实施例的装置用于实现前述实施例中相应的方法,并且具有相应的方法实施例的有益效果,在此不再赘述。
图6示出了本实施例所提供的一种更为具体的电子设备硬件结构示意图,该设备可以包括:处理器1010、存储器1020、输入/输出接口1030、通信接口1040和总线1050。其中处理器1010、存储器1020、输入/输出接口1030和通信接口1040通过总线1050实现彼此之间在设备内部的通信连接。
处理器1010可以采用通用的CPU(Central Processing Unit,中央处理器)、微处理器、应用专用集成电路(Application Specific Integrated Circuit,ASIC)、或者一个或多个集成电路等方式实现,用于执行相关程序,以实现本说明书实施例所提供的技术方案。
存储器1020可以采用ROM(Read Only Memory,只读存储器)、RAM(Random AccessMemory,随机存取存储器)、静态存储设备,动态存储设备等形式实现。存储器1020可以存储操作系统和其他应用程序,在通过软件或者固件来实现本说明书实施例所提供的技术方案时,相关的程序代码保存在存储器1020中,并由处理器1010来调用执行。
输入/输出接口1030用于连接输入/输出模块,以实现信息输入及输出。输入输出/模块可以作为组件配置在设备中(图中未示出),也可以外接于设备以提供相应功能。其中输入设备可以包括键盘、鼠标、触摸屏、麦克风、各类传感器等,输出设备可以包括显示器、扬声器、振动器、指示灯等。
通信接口1040用于连接通信模块(图中未示出),以实现本设备与其他设备的通信交互。其中通信模块可以通过有线方式(例如USB、网线等)实现通信,也可以通过无线方式(例如移动网络、WIFI、蓝牙等)实现通信。
总线1050包括一通路,在设备的各个组件(例如处理器1010、存储器1020、输入/输出接口1030和通信接口1040)之间传输信息。
需要说明的是,尽管上述设备仅示出了处理器1010、存储器1020、输入/输出接口1030、通信接口1040以及总线1050,但是在具体实施过程中,该设备还可以包括实现正常运行所必需的其他组件。此外,本领域的技术人员可以理解的是,上述设备中也可以仅包含实现本说明书实施例方案所必需的组件,而不必包含图中所示的全部组件。
本实施例的计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。
所属领域的普通技术人员应当理解:以上任何实施例的讨论仅为示例性的,并非旨在暗示本公开的范围(包括权利要求)被限于这些例子;在本发明的思路下,以上实施例或者不同实施例中的技术特征之间也可以进行组合,步骤可以以任意顺序实现,并存在如上所述的本发明的不同方面的许多其它变化,为了简明它们没有在细节中提供。
另外,为简化说明和讨论,并且为了不会使本发明难以理解,在所提供的附图中可以示出或可以不示出与集成电路(IC)芯片和其它部件的公知的电源/接地连接。此外,可以以框图的形式示出装置,以便避免使本发明难以理解,并且这也考虑了以下事实,即关于这些框图装置的实施方式的细节是高度取决于将要实施本发明的平台的(即,这些细节应当完全处于本领域技术人员的理解范围内)。在阐述了具体细节(例如,电路)以描述本发明的示例性实施例的情况下,对本领域技术人员来说显而易见的是,可以在没有这些具体细节的情况下或者这些具体细节有变化的情况下实施本发明。因此,这些描述应被认为是说明性的而不是限制性的。
尽管已经结合了本发明的具体实施例对本发明进行了描述,但是根据前面的描述,这些实施例的很多替换、修改和变型对本领域普通技术人员来说将是显而易见的。例如,其它存储器架构(例如,动态RAM(DRAM))可以使用所讨论的实施例。
本发明的实施例旨在涵盖落入所附权利要求的宽泛范围之内的所有这样的替换、修改和变型。因此,凡在本发明的精神和原则之内,所做的任何省略、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 (8)
1.一种列车冷却系统的异常检测方法,其特征在于,包括:
获取列车的牵引变流器在运行时至少两处位置的状态数据;
对所述状态数据进行预处理,得到预处理数据;所述对所述状态数据进行预处理,包括:采用基于邻近性的离群点检测方法、数据的方差检验方法、或峰值检验方法对所述状态数据进行预处理;
对所述预处理数据进行特征提取,得到特征组合;
将所述特征组合输入到预先基于孤立森林构建的异常检测模型中,输出检测结果;
基于检测结果判断所述冷却系统是否异常;
所述方法还包括:根据所述检测结果评估滤网脏堵情况;
所述对所述预处理数据进行特征提取,得到特征组合,包括:
基于第一分析方法提取所述预处理数据的变化特征;
基于时间序列分析方法提取预处理数据的时序特征;
将所述变化特征和所述时序特征合并后得到特征组合;
所述第一分析方法包括:斜率分析方法或梯度分析方法。
2.根据权利要求1所述的方法,其特征在于,所述状态数据包括:水温数据和水压数据,所述两处位置包括:所述牵引变流器的进口处和出口处。
3.根据权利要求1所述的方法,其特征在于,所述方法还包括构建所述异常检测模型的步骤:
采集所述牵引变流器在正常运行状态下的至少两个位置处的若干个状态数据作为样本数据;
对所述样本数据进行预处理,得到预处理数据;
基于所述特征组合,通过孤立森林算法构建异常检测模型。
4.一种列车冷却系统的异常检测装置,其特征在于,包括:
获取模块,被配置为获取列车的牵引变流器在运行时至少两处位置的状态数据;
第一预处理模块,被配置为对所述状态数据进行预处理,得到预处理数据;
所述第一预处理模块还被配置为采用基于邻近性的离群点检测方法、数据的方差检验方法、或峰值检验方法对所述状态数据进行预处理;
第一提取模块,被配置为对所述预处理数据进行特征提取,得到特征组合;
检测模块,被配置为将所述特征组合输入到预先基于孤立森林构建的异常检测模型中,输出检测结果;
判断模块,被配置为基于检测结果判断所述冷却系统是否异常;
所述方法还包括:根据所述检测结果评估滤网脏堵情况;
所述第一提取模块包括:
第一提取子模块,被配置为基于第一分析方法提取所述预处理数据的变化特征;
第二提取子模块,被配置为基于时间序列分析方法提取预处理数据的时序特征;
合并子模块,被配置为将所述变化特征和所述时序特征合并后得到特征组合;
所述第一分析方法包括:斜率分析方法或梯度分析方法。
5.根据权利要求4所述的装置,其特征在于,所述获取模块获取的所述状态数据包括:水温数据和水压数据,所述两处位置包括:所述牵引变流器的进口处和出口处。
6.根据权利要求4所述的装置,其特征在于,所述装置还包括:
采集模块,被配置为采集所述牵引变流器在正常运行状态下的至少两个位置处的若干个状态数据作为样本数据;
第二预处理模块,被配置为对所述样本数据进行预处理,得到预处理数据;
第二提取模块,被配置为对所述预处理数据进行特征提取,得到特征组合;
构建模块,被配置为基于所述特征组合,通过孤立森林算法构建异常检测模型。
7.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1至3任意一项所述的方法。
8.一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,所述计算机指令用于使所述计算机执行权利要求1至3任一所述方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010001818.0A CN113140054B (zh) | 2020-01-02 | 2020-01-02 | 一种列车冷却系统的异常检测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010001818.0A CN113140054B (zh) | 2020-01-02 | 2020-01-02 | 一种列车冷却系统的异常检测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113140054A CN113140054A (zh) | 2021-07-20 |
CN113140054B true CN113140054B (zh) | 2022-07-19 |
Family
ID=76808172
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010001818.0A Active CN113140054B (zh) | 2020-01-02 | 2020-01-02 | 一种列车冷却系统的异常检测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113140054B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114383864A (zh) * | 2021-12-08 | 2022-04-22 | 北京罗克维尔斯科技有限公司 | 故障检测方法、装置、设备及介质 |
CN114509283A (zh) * | 2022-01-05 | 2022-05-17 | 中车唐山机车车辆有限公司 | 系统故障监测方法、装置、电子设备和存储介质 |
CN114714911B (zh) * | 2022-04-11 | 2024-05-28 | 重庆大学 | 一种基于多域稀疏表达的电动客车高压负载系统故障诊断方法 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2008172938A (ja) * | 2007-01-12 | 2008-07-24 | Meidensha Corp | 冷却装置の異常診断装置 |
CN202057997U (zh) * | 2011-05-05 | 2011-11-30 | 株洲联诚集团有限责任公司 | 一种高速动车组牵引变流器冷却系统监控装置 |
CN106768000B (zh) * | 2017-01-06 | 2019-05-24 | 科诺伟业风能设备(北京)有限公司 | 一种风力发电机组变流器水冷系统压力异常检测方法 |
CN107292350A (zh) * | 2017-08-04 | 2017-10-24 | 电子科技大学 | 大规模数据的异常检测方法 |
CN109506963B (zh) * | 2018-11-29 | 2019-09-03 | 中南大学 | 一种智能列车牵引故障大数据异常检测辨识方法 |
CN110243599B (zh) * | 2019-07-02 | 2020-05-05 | 西南交通大学 | 多维离群列车动车组轴箱轴承温度异常状态监测方法 |
CN110398375B (zh) * | 2019-07-16 | 2021-10-19 | 广州亚美信息科技有限公司 | 车辆冷却系统工作状态的监测方法、装置、设备和介质 |
-
2020
- 2020-01-02 CN CN202010001818.0A patent/CN113140054B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN113140054A (zh) | 2021-07-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113140054B (zh) | 一种列车冷却系统的异常检测方法及装置 | |
US20090183037A1 (en) | Statistical processing apparatus capable of reducing storage space for storing statistical occurrence frequency data and a processing method therefor | |
CN109684374B (zh) | 一种时间序列数据的键值对的提取方法及装置 | |
KR102067344B1 (ko) | 이상 진동데이터 감지 장치 및 방법 | |
CN113420652A (zh) | 一种时序信号片段异常识别方法、系统、介质及终端 | |
CN114580263A (zh) | 基于知识图谱的信息系统故障预测方法及相关设备 | |
CN108898598B (zh) | 输电导线监测方法及装置 | |
CN112183554B (zh) | 一种自动化道路边界轮廓提取方法 | |
CN113743725A (zh) | 基于边缘计算的登高作业人员的登高资质检测方法及系统 | |
US20100153421A1 (en) | Device and method for detecting packed pe file | |
CN116085212B (zh) | 一种新能源风电机组的运行状态实时监测方法及系统 | |
CN114448661A (zh) | 慢速拒绝服务攻击检测方法及相关设备 | |
CN116091450A (zh) | 一种障碍物检测方法、装置、设备、介质和产品 | |
KR102299660B1 (ko) | 이상 탐지 방법 및 이상 탐지 장치 | |
CN111209158B (zh) | 服务器集群的挖矿监控方法及集群监控系统 | |
CN112308120A (zh) | 对继电保护装置缺陷进行定级的方法、装置及存储介质 | |
JP6479279B2 (ja) | 運転状態分類装置 | |
CN117171627B (zh) | 一种基于成像技术的电力设备噪声源点识别方法及系统 | |
CN117638913A (zh) | 一种电网的拓扑识别方法、装置、设备及存储介质 | |
CN117422484A (zh) | 一种数字化营销协同数据处理系统、方法、设备及介质 | |
CN117574362A (zh) | 一种达人帐号数据异常分辩方法及系统 | |
CN113904831B (zh) | 一种低压电力线载波通信网络安全防御方法及系统 | |
CN117453293A (zh) | 一种基于云端的分布式能源数据处理方法及系统 | |
CN114056389B (zh) | 列车出入库监测方法、装置及电子设备 | |
CN118129683A (zh) | 绳槽磨损度的分析方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |