CN113434566A - 一种提取一维时序检测数据中异常形状特征的方法及系统 - Google Patents

一种提取一维时序检测数据中异常形状特征的方法及系统 Download PDF

Info

Publication number
CN113434566A
CN113434566A CN202110540428.5A CN202110540428A CN113434566A CN 113434566 A CN113434566 A CN 113434566A CN 202110540428 A CN202110540428 A CN 202110540428A CN 113434566 A CN113434566 A CN 113434566A
Authority
CN
China
Prior art keywords
feature
data
detection data
abnormal shape
shape features
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.)
Pending
Application number
CN202110540428.5A
Other languages
English (en)
Inventor
王涛
何善宝
刘云超
公延飞
李振华
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Anhui Sine Space Science and Technology Co.,Ltd.
Original Assignee
Guangdong Zhongfa Xingtong Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Guangdong Zhongfa Xingtong Technology Co ltd filed Critical Guangdong Zhongfa Xingtong Technology Co ltd
Priority to CN202110540428.5A priority Critical patent/CN113434566A/zh
Publication of CN113434566A publication Critical patent/CN113434566A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
    • G06F16/2474—Sequence data queries, e.g. querying versioned data
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01K—MEASURING TEMPERATURE; MEASURING QUANTITY OF HEAT; THERMALLY-SENSITIVE ELEMENTS NOT OTHERWISE PROVIDED FOR
    • G01K13/00—Thermometers specially adapted for specific purposes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
    • G06F16/2465—Query processing support for facilitating data mining operations in structured databases
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/40—Business processes related to the transportation industry

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Probability & Statistics with Applications (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Fuzzy Systems (AREA)
  • Business, Economics & Management (AREA)
  • Economics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Testing Or Calibration Of Command Recording Devices (AREA)

Abstract

本发明公开了一种提取一维时序检测数据中异常形状特征的方法及系统，属于物联网技术领域。本发明方法，包括：采集列车行驶过程中的多组一维时序检测数据，对每组一维检测数据进行分段处理，获取多段检测数据，使用多段检测数据与多个特征模型建立特征对集合；根据特征对集合，建立每个特征的图谱集；针对图谱集进行特征计算，并提取多组一维时序检测数据中的异常形状特征。本发明将多路数据与多个特征提取进行归类并行处理，提高了异常数据提取的效率，且稳定可靠。

Description

一种提取一维时序检测数据中异常形状特征的方法及系统
技术领域
本发明涉及物联网技术领域，并且更具体地，涉及一种提取一维时序检测数据中异常形状特征的方法及系统。
背景技术
轨道高速列车与高速铁路近年来在我国迅猛发展，其中商业运行的高速列车正常运行时速早已超过350km/h。每列列车驱动设备中包含了许多套驱动组件，例如列车车轴，车轴温度检测是监测列车车轴状态的重要手段，在列车超高速运行下，列车每个车轴同一位置的温度变化曲线几乎相同或者相似，如果某个车轴温曲线与其他轴温曲线相比出现异常，可能某个车轴出现故障，则会有列车运行安全隐患。因此，多路一维时序检测数据中异常形状特征提取对列车安全运行具有重要的意义。
列车运行时，多路检测信息是实时数据，将多路数据同时同时对比以及特征提取有一定的挑战，另外，该多路数据是实时数据，如何使得实时数据正好与先验特征数据集中的数据进行特征对比也是一个比较大的挑战。
发明内容
针对上述问题，本发明提供了一种提取一维时序检测数据中异常形状特征的方法，包括：
采集列车行驶过程中的多组一维时序检测数据，对每组一维检测数据进行分段处理，获取多段检测数据，使用多段检测数据与多个特征模型建立特征对集合；
根据特征对集合，建立每个特征的图谱集；
针对图谱集进行特征计算，并提取多组一维时序检测数据中的异常形状特征。
可选的，一维时序检测数据为传感器采集的车轴温度数据。
可选的，多段检测数据中的每段检测数据包含前一段检测数据的k个时刻的检测数据。
可选的，根据特征对集合，建立每个特征的图谱集，具体为：
针对特征对集合中的任一元素，确定元素的一维曲线；
确定一维曲线中的离散数据点，将离散数据点组成向量；
根据向量建立元素的特征图谱，并将每个元素的特征图谱构成图谱集。
可选的，还包括：
判断提取的异常形状特征是否满足故障数据特征，若否，对异常形状特征进行汇总存储，若是，确定列车出现故障，并根据异常形状特征确定异常形状特征出现的区域及区域内的车轴，对区域及车轴进行标记，且发出报警。
本发明还提出了一种提取一维时序检测数据中异常形状特征的系统，包括：
数据采集单元，采集列车行驶过程中的多组一维时序检测数据，对每组一维检测数据进行分段处理，获取多段检测数据，使用多段检测数据与多个特征模型建立特征对集合；
图谱建立单元，根据特征对集合，建立每个特征的图谱集；
特征提取单元，针对图谱集进行特征计算，并提取多组一维时序检测数据中的异常形状特征。
可选的，一维时序检测数据为传感器采集的车轴温度数据。
可选的，多段检测数据中的每段检测数据包含前一段检测数据的k个时刻的检测数据。
可选的，根据特征对集合，建立每个特征的图谱集，具体为：
针对特征对集合中的任一元素，确定元素的一维曲线；
确定一维曲线中的离散数据点，将离散数据点组成向量；
根据向量建立元素的特征图谱，并将每个元素的特征图谱构成图谱集。
可选的，特征提取单元还用于：
判断提取的异常形状特征是否满足故障数据特征，若否，对异常形状特征进行汇总存储，若是，确定列车出现故障，并根据异常形状特征确定异常形状特征出现的区域及区域内的车轴，对区域及车轴进行标记，且发出报警。
本发明将多路数据与多个特征提取进行归类并行处理，提高了异常数据提取的效率，且稳定可靠。
附图说明
图1为本发明方法的流程图；
图2为本发明系统的结构图。
具体实施方式
现在参考附图介绍本发明的示例性实施方式，然而，本发明可以用许多不同的形式来实施，并且不局限于此处描述的实施例，提供这些实施例是为了详尽地且完全地公开本发明，并且向所属技术领域的技术人员充分传达本发明的范围。对于表示在附图中的示例性实施方式中的术语并不是对本发明的限定。在附图中，相同的单元/元件使用相同的附图标记。
除非另有说明，此处使用的术语(包括科技术语)对所属技术领域的技术人员具有通常的理解含义。另外，可以理解的是，以通常使用的词典限定的术语，应当被理解为与其相关领域的语境具有一致的含义，而不应该被理解为理想化的或过于正式的意义。
下面结合实施例及附图对本发明进行进一步说明：
本发明提供了一种提取一维时序检测数据中异常形状特征的方法，如图1所示，包括：
步骤1：输入传感器网采集高速行驶列车m组车轴温度数据，这些数据都是一维时序数据。
步骤2：对接收到的m组数按组进行拆分，针对第每组数据依次进行处理。
步骤3：将每组数据均等的分成n段，即针对第i组数据，可分成数据段LDi1，数据段LDi1，…，数据段LDi1。每段数据包含前一段数据k个时刻，这是保证数据具有更好的连续性。
步骤4：针对特征模型F1，F2，…，Fm(1)以及第i组数据的数据段LDi1，数据段LDi1，…，数据段LDi1，构建特征数据对{F1,[LDi1,LDi2,…,LDin]}，{F2,[LDi1,LDi2,…,LDin]}，…，{Fm(1),[LDi1,LDi2,…,LDin]}。
步骤5：基于所有组的数据，针对特征Fj，构建Fj的特征数据集{Fj,[LD11,LD21,…,LDm1],[LD12,LD22,…,LDm2],…,[LD1n,LD2n,…,LDmn]}。
步骤6：基于针对上一步骤中的特征数据集中的[LD1i,LD2i,…,LDmi]，构建特征图谱，具体构建模型可具体为：
6-1：针对元素一维曲线LDji＝[xDji(1),xDji(2),…,xDji(l)]，构建该曲线中的离散数据点数为l个，组成向量[xDji(1),xDji(2),…,xDji(l)]，构建多路数据的第一段数据特征图谱[GD11；GD12；…；GD1m]，其公式为：
Figure BDA0003071490870000041
6-2：基于上述公式构建其余数据段的特征图谱，并形成数据集{F1,[GD11；GD12；…；GDm1],[GD12；GD22；…；GDm2],…,[GD1n；GD2n；…；GDmn]}。
步骤7：基于数据Fj和特征图谱数据集进行特征计算，提取异常特征数据。
步骤8：针对故障Fj，判断是否满足存在异常特征数据？若是，执行下一步；若否，执行步骤11。
步骤9：针对故障Fj，相关区域出现异常，找到该区域对应的车轴，并进行标记。
步骤10：针对所有故障情况，进行故障情况汇总，并进行预警以及及时检修。
步骤11：系统无故障，并对最终所有无故障情况进行汇总。
本发明使用的存储设备使用普通的数据存储磁盘，可存储建立好的F1，F2，…，Fm(1)数据模型，并支持可扩展。
本发明使用的计算设备为常用的计算模块(如：CPU)，用来完成方法中的各类计算。
本发明还提出了本发明还提出了一种提取一维时序检测数据中异常形状特征的系统200，如图2所示，包括：
数据采集单元201，采集列车行驶过程中的多组一维时序检测数据，对每组一维检测数据进行分段处理，获取多段检测数据，使用多段检测数据与多个特征模型建立特征对集合；
图谱建立单元202，根据特征对集合，建立每个特征的图谱集；
特征提取单元203，针对图谱集进行特征计算，并提取多组一维时序检测数据中的异常形状特征。
其中，一维时序检测数据为传感器采集的车轴温度数据。
其中，多段检测数据中的每段检测数据包含前一段检测数据的k个时刻的检测数据。
其中，根据特征对集合，建立每个特征的图谱集，具体为：
针对特征对集合中的任一元素，确定元素的一维曲线；
确定一维曲线中的离散数据点，将离散数据点组成向量；
根据向量建立元素的特征图谱，并将每个元素的特征图谱构成图谱集。
其中，特征提取单元还用于：
判断提取的异常形状特征是否满足故障数据特征，若否，对异常形状特征进行汇总存储，若是，确定列车出现故障，并根据异常形状特征确定异常形状特征出现的区域及区域内的车轴，对区域及车轴进行标记，且发出报警。
本发明将多路数据与多个特征提取进行归类并行处理，提高了异常数据提取的效率，且稳定可靠。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。本发明实施例中的方案可以采用各种计算机语言实现，例如，面向对象的程序设计语言Java和直译式脚本语言JavaScript等。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (10)

1.一种提取一维时序检测数据中异常形状特征的方法，所述方法包括：
采集列车行驶过程中的多组一维时序检测数据，对每组一维检测数据进行分段处理，获取多段检测数据，使用多段检测数据与多个特征模型建立特征对集合；
根据特征对集合，建立每个特征的图谱集；
针对图谱集进行特征计算，并提取多组一维时序检测数据中的异常形状特征。
2.根据权利要求1所述的方法，所述一维时序检测数据为传感器采集的车轴温度数据。
3.根据权利要求1所述的方法，所述多段检测数据中的每段检测数据包含前一段检测数据的k个时刻的检测数据。
4.根据权利要求1所述的方法，所述根据特征对集合，建立每个特征的图谱集，具体为：
针对特征对集合中的任一元素，确定元素的一维曲线；
确定一维曲线中的离散数据点，将离散数据点组成向量；
根据向量建立元素的特征图谱，并将每个元素的特征图谱构成图谱集。
5.根据权利要求1所述的方法，所述方法还包括：
判断提取的异常形状特征是否满足故障数据特征，若否，对异常形状特征进行汇总存储，若是，确定列车出现故障，并根据异常形状特征确定异常形状特征出现的区域及区域内的车轴，对区域及车轴进行标记，且发出报警。
6.一种提取一维时序检测数据中异常形状特征的系统，所述系统包括：
数据采集单元，采集列车行驶过程中的多组一维时序检测数据，对每组一维检测数据进行分段处理，获取多段检测数据，使用多段检测数据与多个特征模型建立特征对集合；
图谱建立单元，根据特征对集合，建立每个特征的图谱集；
特征提取单元，针对图谱集进行特征计算，并提取多组一维时序检测数据中的异常形状特征。
7.根据权利要求6所述的系统，所述一维时序检测数据为传感器采集的车轴温度数据。
8.根据权利要求6所述的系统，所述多段检测数据中的每段检测数据包含前一段检测数据的k个时刻的检测数据。
9.根据权利要求6所述的系统，所述根据特征对集合，建立每个特征的图谱集，具体为：
针对特征对集合中的任一元素，确定元素的一维曲线；
确定一维曲线中的离散数据点，将离散数据点组成向量；
根据向量建立元素的特征图谱，并将每个元素的特征图谱构成图谱集。
10.根据权利要求6所述的系统，所述特征提取单元还用于：
判断提取的异常形状特征是否满足故障数据特征，若否，对异常形状特征进行汇总存储，若是，确定列车出现故障，并根据异常形状特征确定异常形状特征出现的区域及区域内的车轴，对区域及车轴进行标记，且发出报警。
CN202110540428.5A 2021-05-18 2021-05-18 一种提取一维时序检测数据中异常形状特征的方法及系统 Pending CN113434566A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110540428.5A CN113434566A (zh) 2021-05-18 2021-05-18 一种提取一维时序检测数据中异常形状特征的方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110540428.5A CN113434566A (zh) 2021-05-18 2021-05-18 一种提取一维时序检测数据中异常形状特征的方法及系统

Publications (1)

Publication Number Publication Date
CN113434566A true CN113434566A (zh) 2021-09-24

Family

ID=77803311

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110540428.5A Pending CN113434566A (zh) 2021-05-18 2021-05-18 一种提取一维时序检测数据中异常形状特征的方法及系统

Country Status (1)

Country Link
CN (1) CN113434566A (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108319981A (zh) * 2018-02-05 2018-07-24 清华大学 一种基于密度的时序数据异常检测方法及装置
CN110336838A (zh) * 2019-08-07 2019-10-15 腾讯科技（武汉）有限公司 账号异常检测方法、装置、终端及存储介质
US20200336499A1 (en) * 2019-04-16 2020-10-22 International Business Machines Corporation Anomaly and mode inference from time series data
CN111964909A (zh) * 2020-08-24 2020-11-20 山东大学 滚动轴承运行状态检测方法、故障诊断方法及系统

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108319981A (zh) * 2018-02-05 2018-07-24 清华大学 一种基于密度的时序数据异常检测方法及装置
US20200336499A1 (en) * 2019-04-16 2020-10-22 International Business Machines Corporation Anomaly and mode inference from time series data
CN110336838A (zh) * 2019-08-07 2019-10-15 腾讯科技（武汉）有限公司 账号异常检测方法、装置、终端及存储介质
CN111964909A (zh) * 2020-08-24 2020-11-20 山东大学 滚动轴承运行状态检测方法、故障诊断方法及系统

Similar Documents

Publication Publication Date Title
CN103870455B (zh) 一种多数据源的数据集成处理方法和装置
CN107273802B (zh) 一种铁路列车闸瓦钎环故障的检测方法及装置
CN104035992B (zh) 利用图像处理技术及语义向量空间的文本语义处理方法和系统
CN110929751B (zh) 一种基于多源数据融合的电流互感器不平衡度告警方法
CN103970801B (zh) 微博广告博文识别方法及装置
CN103793704B (zh) 一种监督邻域保持嵌入人脸识别方法和系统及人脸识别器
CN105354831A (zh) 一种基于图像分块方差-加权特征值的多缺陷检测方法
CN113269720B (zh) 一种直缝焊管的缺陷检测方法、系统和可读介质
CN110608884A (zh) 一种基于自注意力神经网络的滚动轴承状态诊断方法
CN114881076B (zh) 基于支持向量机的钢轨波磨识别方法、装置、设备及介质
KR102387886B1 (ko) 인공지능 학습을 위한 클린 라벨 데이터 정제 방법 및 장치
CN109767090A (zh) 一种化学危险工艺风险智能监控方法
CN112036581A (zh) 交通工具空调系统的性能检测方法及装置、存储介质、终端
CN104182623A (zh) 一种基于当量变化率计算的热工过程数据检测方法
CN106644035B (zh) 一种基于时频变换特性的振动源识别方法及系统
CN113434566A (zh) 一种提取一维时序检测数据中异常形状特征的方法及系统
CN113469938B (zh) 基于嵌入式前端处理服务器的管廊视频分析方法及系统
CN117093260B (zh) 一种基于决策树分类算法的融合模型网站结构解析方法
CN116204791B (zh) 车辆行为预测场景数据集的构建和管理方法及其系统
CN114550460A (zh) 轨道交通异常检测方法、装置及存储介质
CN113434567A (zh) 一种用于预警列车驱动设备早期故障特征的方法及系统
CN113240156A (zh) 一种架空输电线路舞动状态在线预测方法及系统
CN113436255B (zh) 基于列车定位和视觉信息的轨道异常物体识别方法及系统
US20190294988A1 (en) Plant abnormality prediction system and method
CN108985300A (zh) 一种基于Wunsch算法的自动阅卷系统

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
TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20220407

Address after: Room 102-117, building 1, yard 5, Yongfeng Road, Haidian District, Beijing 100094

Applicant after: Beijing sine Space Technology Co.,Ltd.

Address before: 528225 R & D workshop 803, building 12, Lihe technology industry center, No. 99, Taoyuan East Road, Shishan town, Nanhai District, Foshan City, Guangdong Province

Applicant before: Guangdong Zhongfa Xingtong Technology Co.,Ltd.

TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20230713

Address after: A4, Floor 2, Building A4, Phase I, Zhong'an Chuanggu Science Park, No. 900, Wangjiang West Road, High tech Zone, Hefei City, Anhui Province, 230000

Applicant after: Anhui Sine Space Science and Technology Co.,Ltd.

Address before: Room 102-117, building 1, yard 5, Yongfeng Road, Haidian District, Beijing 100094

Applicant before: Beijing sine Space Technology Co.,Ltd.