CN116861370A - 用于井下防爆胶轮车的运动数据处理方法 - Google Patents

Abstract

本说明书实施例公开了用于井下防爆胶轮车的运动数据处理方法，涉及数字数据处理技术领域。该方法包括：获取防爆胶轮车在每个运动时刻对应的运动数据；利用序列分割算法获取突变点；根据每一个突变点对应的突变时间序列和突变比例序列确定运动关联度；基于每种运动数据每个运动时刻的数据波动指数获取状态关联稳定性；基于该运动关联度以及状态关联稳定性确定每一种运动数据对应的运动融合权重；根据每一种运动数据在每个运动时刻的波动持续时间和稳态持续时间确定最优融合距离；根据该最优融合距离，获取每个运动时刻所对应的数据特征集合；根据该数据特征集合以及运动融合权重，得到每一种运动数据在每个运动时刻对应的特征向量。

Description

用于井下防爆胶轮车的运动数据处理方法

技术领域

本说明书涉及数字数据处理技术领域，特别涉及用于井下防爆胶轮车的运动数据处理方法。

背景技术

防爆胶轮车可分为有轨防爆胶轮车和无轨防爆胶轮车，由于其机动性、灵活性以及高效性等优点，在煤矿领域大规模推广使用，是目前井下设备及材料运输的专用运输设备。

防爆胶轮车在井下行驶时，需要遵守多项安全规定，例如防爆胶轮车的井下主巷内行驶时运行速度不宜超过20km/h、其余巷道行驶时速度不宜超过10km/h；运动时的机油压力表的显示压力不得低于0.2MPa、冷却水温不应高于95℃；短距离运输时，应当避免频繁停车，避免发生电瓶亏电的现象。

井下防爆胶轮车的运动数据包括行驶速度、车轮受到的摩擦阻力、电机的输出功率、油箱压力、电机转速等行驶过程中的实时数据，因此通过对胶轮车运动数据的分析处理能够判断防爆胶轮车的当前运动状态。现阶段对运动数据的处理包括数据分类和异常检测两大类，其中，OPTICS聚类、CURE聚类等数据分类算法的计算步骤较为复杂，且不适用于多密度的数据分类，而LOF检测、孤立森林等异常检测算法的检测效果依赖于初始参数的设置，在检测防爆胶轮车的异常运动数据时容易产生误差，难以准确获取防爆胶轮车井下运动过程中的运动状态。

发明内容

本说明书实施例提供用于井下防爆胶轮车的运动数据处理方法，该方法包括：

获取井下防爆胶轮车相关的行驶数据，所述行驶数据包括方向、速度、加速度、里程数、边轮转速、发动机冷却水温度、电机表面温度、发动机进排气温度、燃油温度、左右边轮制动温度、变矩器温度、机油压力以及变矩器压力；

利用均值填充方法对每个运动时刻对应的所述行驶数据进行预处理，得到所述防爆胶轮车在每个运动时刻对应的运动数据；

对于每一种所述运动数据，利用BG序列分割算法获取所述防爆胶轮车在运动过程中的突变点；

确定每一个所述突变点对应的突变时间序列和突变比例序列；

基于所述突变时间序列和所述突变比例序列确定每一种所述运动数据对应的运动关联度，所述运动关联度用于表征每一种所述运动数据与所述防爆胶轮车的运动状态的关联程度；

获取每一种运动数据的状态关联稳定性，基于所述运动关联度以及状态关联稳定性确定每一种所述运动数据对应的运动融合权重；

根据每一种所述运动数据在每个运动时刻的波动持续时间和稳态持续时间确定每一种所述运动数据对应的最优融合距离，所述最优融合距离用于表征每一种所述运动数据在每个运动时刻提取数据特征时数据区域的大小；

根据所述最优融合距离，获取每个运动时刻所对应的数据特征集合；

根据所述数据特征集合以及所述数据特征集合内每一种所述运动数据对应的运动融合权重，得到每一种所述运动数据在每个运动时刻对应的特征向量。

在一些实施例中，所述方法还包括：

将所有所述运动数据在每个运动时刻对应的特征向量作为分类模型的输入，并基于训练好的分类模型确定所述防爆胶轮车在每个运动时刻的运动状态。

在一些实施例中，所述确定每一个所述突变点对应的突变时间序列和突变比例序列，包括：

将每一种所述运动数据中所有所述突变点对应的运动时刻组成的序列作为所述运动数据对应的突变时间序列；以及：

获取每一个所述突变点对应的运动时刻与前一运动时刻的运动数据的第一差值绝对值，将所述第一差值绝对值与所述突变点对应的运动时刻所采集的运动数据的第一比值作为所述突变点对应的突变比例；

基于每一种所述运动数据中所有所述突变点对应的突变比例，得到所述运动数据对应的突变比例序列。

在一些实施例中，所述基于所述突变时间序列和所述突变比例序列确定每一种所述运动数据对应的运动关联度，包括：

对于第i种运动数据；

计算所述第i种运动数据中第k个突变点所对应的分布稳定度和数据关联度；

基于所述分布稳定度、所述数据关联度以及当前运动时刻内所述第i种运动数据中出现突变点的总数量，确定所述第i种运动数据对应的运动关联度。

在一些实施例中，所述计算所述第i种运动数据中第k个突变点所对应的分布稳定度和数据关联度，包括：

计算所述第k个突变点对应的突变时间序列中的元素数量与所述第i种运动数据从数据采集起始时刻到所述第k个突变点对应的运动时刻之间的数据量的第二比值，以及所述第i种运动数据中截至所述第k个突变点的所有运动数据对应的第一信息熵与所有有效运动数据对应的第二信息熵的第二差值绝对值；其中，所述有效运动数据为所有运动数据除去所述突变点的运动数据；

基于所述第二比值和所述第二差值绝对值，确定所述第i种运动数据中第k个突变点所对应的分布稳定度；以及：

计算所述第i种运动数据中第k个突变点所对应的突变时间序列与其他运动数据中第k个突变点所对应的突变时间序列之间的第一DTW距离，以及所述第i种运动数据中第k个突变点所对应的突变比例序列与其他运动数据中第k个突变点所对应的突变比例序列之间的第二DTW距离；

将所述第i种运动数据中第k个突变点与所有其他运动数据中第k个突变点所对应的第一DTW距离和第二DTW距离之和的均值作为所述第i种运动数据中第k个突变点所对应的数据关联度。

在一些实施例中，所述基于所述分布稳定度、所述数据关联度以及当前运动时刻内所述第i种运动数据中出现突变点的总数量，确定所述第i种运动数据对应的运动关联度，包括：

计算每一个所述突变点对应的所述数据关联度和所述分布稳定度的第三比值；

将所述第i种运动数据中所有所述突变点对应的所述第三比值的均值作为所述第i种运动数据对应的运动关联度。

在一些实施例中，所述获取每一种运动数据的状态关联稳定性，基于所述运动关联度以及状态关联稳定性确定每一种所述运动数据对应的运动融合权重，包括：

对于第i种运动数据；

计算第i种运动数据每一个运动时刻的数据波动指数，基于第i种运动数据所有运动时刻对应的数据波动指数确定第i种运动数据的状态关联稳定性；

计算所述第i种运动数据所对应的运动关联度和状态关联稳定性的乘积与所有所述运动数据所对应的运动关联度状态关联稳定性的乘积之和的第四比值；

将所述第四比值作为所述第i种运动数据所对应的运动融合权重。

在一些实施例中，所述根据每一种所述运动数据在每个运动时刻的波动持续时间和稳态持续时间确定每一种所述运动数据对应的最优融合距离，包括：

对于第i种运动数据的第a个运动时刻；

计算所述第a个运动时刻所对应的运动规律系数，并确定所述第i种运动数据对应的局部数据影响程度；

基于所述运动规律系数、所述局部数据影响程度以及所述第i种运动数据中前a个运动时刻内波动持续时间的最小值，确定所述第i种运动数据中第a个运动时刻所对应的最优融合距离。

在一些实施例中，所述计算所述第a个运动时刻所对应的运动规律系数，并确定所述第i种运动数据对应的局部数据影响程度，包括：

确定所述第i种运动数据中前a个运动时刻内波动级对应的第三信息熵和稳态级对应的第四信息熵；

基于所述第三信息熵与所述第四信息熵的第三差值绝对值，以及所述前a个运动时刻内所有稳态级的均值，确定所述第a个运动时刻所对应的运动规律系数；以及：

获取局部运动时间内所述突变点的波动持续时间的平均值、所述局部运动时间内所有稳态持续时间的平均值以及所述局部运动时间内的相邻时间差的分布方差；

基于所述相邻时间差的分布方差以及所述波动持续时间的平均值与所述所有稳态持续时间的平均值的第四差值绝对值，确定第i种运动数据对应的局部数据影响程度。

在一些实施例中，所述根据所述最优融合距离，获取每个运动时刻所对应的数据特征集合，包括：

以所述第a个运动时刻为目标时刻，将所述第i种运动数据中位于所述目标时刻前的连续前个运动时刻的运动数据作为所述第i种运动数据在所述第a个运动时刻的数据特征集合，其中，为所述最优融合距离。

本说明书实施例所提供的用于井下防爆胶轮车的运动数据处理方法可能带来的有益效果至少包括：

（1）通过防爆胶轮车在井下行驶过程中多种运动数据的分布情况构建运动关联度，可以避免行驶环境以及驾驶员状态对运动数据的影响，从而提高后续数据融合的精度以及防爆胶轮车运动状态的分析准确度；

（2）通过基于最优融合距离获取特征提取集合以及数据特征集合，可以在获取数据特征集合时删除所有运动数据特征提取集合对应数据特征中不相关或关联性不强的数据特征，从而降低一些冗余特征用于后续数据融合的概率。

附加的特征将在下面的描述中部分地阐述。对于本领域技术人员来说，通过查阅以下内容和附图将变得显而易见，或者可以通过实例的产生或操作来了解。本说明书的特征可以通过实践或使用以下详细实例中阐述的方法、工具和组合的各个方面来实现和获得。

附图说明

本说明书将以示例性实施例的方式进一步描述，这些示例性实施例将通过附图进行详细描述。这些实施例并非限制性的，在这些实施例中，相同的编号表示相同的结构，其中：

图1是根据本说明书的一些实施例所示的用于井下防爆胶轮车的运动数据处理系统的示例性应用场景示意图；

图2是根据本说明书的一些实施例所示的用于井下防爆胶轮车的运动数据处理系统的示例性模块图；

图3是根据本说明书一些实施例所示的用于井下防爆胶轮车的运动数据处理方法的示例性流程图。

具体实施方式

为了更清楚地说明本说明书实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单的介绍。显而易见地，下面描述中的附图仅仅是本说明书的一些示例或实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图将本说明书应用于其它类似情景。除非从语言环境中显而易见或另做说明，图中相同标号代表相同结构或操作。

应当理解，本说明书中所使用的“系统”、“装置”、“单元”和/或“模块”是用于区分不同级别的不同组件、元件、部件、部分或装配的一种方法。然而，如果其他词语可实现相同的目的，则可通过其他表达来替换所述词语。

如本说明书中所示，除非上下文明确提示例外情形，“一”、“一个”、“一种”和/或“该”等词并非特指单数，也可包括复数。一般说来，术语“包括”与“包含”仅提示包括已明确标识的步骤和元素，而这些步骤和元素不构成一个排它性的罗列，方法或者设备也可能包含其它的步骤或元素。

本说明书中使用了流程图用来说明根据本说明书的实施例的系统所执行的操作。应当理解的是，前面或后面操作不一定按照顺序来精确地执行。相反，可以按照倒序或同时处理各个步骤。同时，也可以将其他操作添加到这些过程中，或从这些过程移除某一步或数步操作。

下面结合附图对本说明书实施例提供的用于井下防爆胶轮车的运动数据处理方法和系统进行详细说明。

图1是根据本说明书一些实施例所示的用于井下防爆胶轮车的运动数据处理系统的示例性应用场景示意图。

参照图1，在一些实施例中，用于井下防爆胶轮车的运动数据处理系统的应用场景100可以包括数据采集装置110、存储设备120、处理设备130、终端设备140以及网络150。应用场景100中的各个部件可以以多种方式相连接。例如，数据采集装置110可以与存储设备120和/或处理设备130通过网络150连接，也可以与存储设备120和/或处理设备130直接连接。又例如，存储设备120可以与处理设备130直接连接或通过网络150连接。又例如，终端设备140可以与存储设备120和/或处理设备130通过网络150连接，也可以与存储设备120和/或处理设备130直接连接。

数据采集装置110可以用于采集防爆胶轮车在井下行驶过程中的行驶数据。在一些实施例中，该数据采集装置110可以包括方向传感器、速度传感器、温度传感器、压力传感器、转速传感器等，该行驶数据可以包括方向、速度、加速度、里程数、边轮转速、发动机冷却水温度、电机表面温度、发动机进排气温度、燃油温度、左右边轮制动温度、变矩器温度、机油压力、变矩器压力等数据。在一些实施例中，该数据采集装置110可以按照设定的数据采集频率对井下防爆胶轮车进行行驶数据采集（例如，每隔2秒采集一次）。在一些实施例中，数据采集装置110可以具有独立的电源，其可以通过有线或无线（例如蓝牙、WiFi等）的方式将采集的行驶数据发送给应用场景100中的其他部件（例如，存储设备120、处理设备130、终端设备140）。

在一些实施例中，数据采集装置110可以通过网络150将其采集的行驶数据发送至存储设备120、处理设备130、终端设备140等。在一些实施例中，可以通过处理设备130对数据采集装置110所采集的行驶数据进行处理。例如，处理设备130可以对该行驶数据进行预处理，得到防爆胶轮车在每个运动时刻对应的运动数据，然后确定每一种运动数据在每个运动时刻对应的特征向量。在一些实施例中，该防爆胶轮车在每个运动时刻对应的运动数据，以及每一种运动数据在每个运动时刻对应的特征向量可以发送至存储设备120进行记录，或者发送至终端设备140以反馈给用户（例如安全管理人员）。

网络150可以促进信息和/或数据的交换。网络150可以包括能够促进应用场景100的信息和/或数据交换的任何合适的网络。在一些实施例中，应用场景100的至少一个组件（例如，数据采集装置110、存储设备120、处理设备130、终端设备140）可以通过网络150与应用场景100中至少一个其他组件交换信息和/或数据。例如，处理设备130可以通过网络150从数据采集装置110和/或存储设备120获得针对防爆胶轮车采集的行驶数据。又例如，处理设备130可以通过网络150从终端设备140获得用户操作指令，示例性的操作指令可以包括但不限于调阅该行驶数据，读取基于该行驶数据确定的防爆胶轮车在每个运动时刻对应的运动数据，以及每一种运动数据在每个运动时刻对应的特征向量等。

在一些实施例中，网络150可以为任意形式的有线或无线网络，或其任意组合。仅作为示例，网络150可以包括缆线网络、有线网络、光纤网络、远程通信网络、内部网络、互联网、局域网络（LAN）、广域网络（WAN）、无线局域网络（WLAN）、城域网（MAN）、公共开关电话网络（PSTN）、蓝牙网络、ZigBee网络、近场通讯（NFC）网络等或其任意组合。在一些实施例中，网络150可以包括至少一个网络接入点，应用场景100的至少一个组件可以通过接入点连接到网络150以交换数据和/或信息。

存储设备120可以储存数据、指令和/或任何其他信息。在一些实施例中，存储设备120可以存储从数据采集装置110、处理设备130和/或终端设备140获得的数据。例如，存储设备120可以存储数据采集装置110采集的行驶数据；又例如，存储设备120可以存储处理设备130计算得到的防爆胶轮车在每个运动时刻对应的运动数据，以及每一种运动数据在每个运动时刻对应的特征向量。在一些实施例中，存储设备120可以存储处理设备130用来执行或使用来完成本说明书中描述的示例性方法的数据和/或指令。在一些实施例中，存储设备120可以包括大容量存储器、可移动存储器、易失性读写存储器、只读存储器（ROM）等或其任意组合。示例性的大容量存储器可以包括磁盘、光盘、固态磁盘等。在一些实施例中，存储设备120可以在云平台上实现。仅作为示例，所述云平台可以包括私有云、公共云、混合云、社区云、分布云、内部云、多层云等或其任意组合。

在一些实施例中，存储设备120可以连接到网络150以与应用场景100中的至少一个其他组件（例如，数据采集装置110、处理设备130、终端设备140）通信。应用场景100中的至少一个组件可以通过网络150访问存储设备120中存储的数据、指令或其他信息。在一些实施例中，存储设备120可以与应用场景100中的一个或以上组件（例如，数据采集装置110、终端设备140）直接连接或通信。在一些实施例中，存储设备120可以是数据采集装置110和/或处理设备130的一部分。

处理设备130可以处理从数据采集装置110、存储设备120、终端设备140和/或应用场景100的其他组件获得数据和/或信息。在一些实施例中，处理设备130可以从数据采集装置110、存储设备120或终端设备140中任意一个或多个获得井下防爆胶轮车相关的行驶数据，通过对该行驶数据进行处理以确定每一种运动数据在每个运动时刻对应的特征向量。在一些实施例中，处理设备130可以从存储设备120获取预先存储的计算机指令，并执行该计算机指令以实现本说明书所描述的用于井下防爆胶轮车的运动数据处理方法。

在一些实施例中，处理设备130可以是单一服务器或服务器组。服务器组可以是集中式的或分布式的。在一些实施例中，处理设备130可以是本地或远程的。例如，处理设备130可以通过网络150从数据采集装置110、存储设备120和/或终端设备140访问信息和/或数据。又例如，处理设备130可以直接连接到数据采集装置110、存储设备120和/或终端设备140以访问信息和/或数据。在一些实施例中，处理设备130可以在云平台上实现。例如，云平台可以包括私有云、公共云、混合云、社区云、分布式云、云间云、多云等或其任意组合。

终端设备140可以接收、发送和/或显示数据。所述接收的数据可以包括数据采集装置110采集的数据、存储设备120存储的数据、处理设备130处理得到的防爆胶轮车在每个运动时刻对应的运动数据，以及每一种运动数据在每个运动时刻对应的特征向量等。所述发送的数据可以包括用户（例如安全管理人员）的输入数据和指令等。例如，终端设备140可以将用户输入的操作指令通过网络150发送给数据采集装置110，以控制数据采集装置110进行相应的数据采集。又例如，终端设备140可以将用户输入的数据处理指令通过网络150发送给处理设备130。

在一些实施例中，终端设备140可以包括移动设备141、平板计算机142、膝上型计算机143等或其任意组合。例如，移动设备141可以包括移动电话、个人数字助理（PDA）、专用移动终端等或其任意组合。在一些实施例中，终端设备140可以包括输入设备（如键盘、触摸屏）、输出设备（如显示器、扬声器）等。在一些实施例中，处理设备130可以是终端设备140的一部分。

应当注意的是，上述有关应用场景100的描述仅仅是为了示例和说明，而不限定本说明书的适用范围。对于本领域技术人员来说，在本说明书的指导下可以对应用场景100进行各种修正和改变。然而，这些修正和改变仍在本说明书的范围之内。例如，数据采集装置110的可以包括更多或更少的功能组件。

图2是根据本说明书一些实施例所示的用于井下防爆胶轮车的运动数据处理系统的模块示意图。在一些实施例中，图2所示的用于井下防爆胶轮车的运动数据处理系统200可以以软件和/或硬件的方式应用到图1所示的应用场景100，例如，可以以软件和/或硬件的形式配置到处理设备130和/或终端设备140，以用于对数据采集装置110所采集的行驶数据进行处理，并基于该行驶数据确定每一种运动数据在每个运动时刻对应的特征向量。

参照图2，在一些实施例中，用于井下防爆胶轮车的运动数据处理系统200可以包括获取模块210、预处理模块220、突变点确定模块230、突变序列确定模块240、运动关联度确定模块250、运动融合权重确定模块260、最优融合距离确定模块270、数据特征集合确定模块280以及特征向量确定模块290。

获取模块210可以用于获取井下防爆胶轮车相关的行驶数据，所述行驶数据包括方向、速度、加速度、里程数、边轮转速、发动机冷却水温度、电机表面温度、发动机进排气温度、燃油温度、左右边轮制动温度、变矩器温度、机油压力以及变矩器压力。

预处理模块220可以用于利用均值填充方法对每个运动时刻对应的所述行驶数据进行预处理，得到所述防爆胶轮车在每个运动时刻对应的运动数据。

突变点确定模块230可以用于对于每一种所述运动数据，利用BG序列分割算法获取所述防爆胶轮车在运动过程中的突变点。

突变序列确定模块240可以用于确定每一个所述突变点对应的突变时间序列和突变比例序列。

运动关联度确定模块250可以用于基于所述突变时间序列和所述突变比例序列确定每一种所述运动数据对应的运动关联度，所述运动关联度用于表征每一种所述运动数据与所述防爆胶轮车的运动状态的关联程度。

运动融合权重确定模块260可以用于基于所述运动关联度以及状态关联稳定性确定每一种所述运动数据对应的运动融合权重。

最优融合距离确定模块270可以用于根据每一种所述运动数据在每个运动时刻的波动持续时间和稳态持续时间确定每一种所述运动数据对应的最优融合距离，所述最优融合距离用于表征每一种所述运动数据在每个运动时刻提取数据特征时数据区域的大小。

数据特征集合确定模块280可以用于根据所述最优融合距离，获取每个运动时刻所对应的数据特征集合。

特征向量确定模块290可以用于根据所述数据特征集合以及所述数据特征集合内每一种所述运动数据对应的运动融合权重，得到每一种所述运动数据在每个运动时刻对应的特征向量。

关于上述各个模块的更多细节可以参照本说明书的其他位置（例如图3部分及其相关描述），此处不再赘述。

应当理解，图2所示的用于井下防爆胶轮车的运动数据处理系统200及其模块可以利用各种方式来实现。例如，在一些实施例中，系统及其模块可以通过硬件、软件或者软件和硬件的结合来实现。其中，硬件部分可以利用专用逻辑来实现；软件部分则可以存储在存储器中，由适当的指令执行系统，例如微处理器或者专用设计硬件来执行。本领域技术人员可以理解上述的方法和系统可以使用计算机可执行指令和/或包含在处理器控制代码中来实现，例如在诸如磁盘、CD或DVD-ROM的载体介质、诸如只读存储器（固件）的可编程的存储器或者诸如光学或电子信号载体的数据载体上提供了这样的代码。本说明书的系统及其模块不仅可以有诸如超大规模集成电路或门阵列、诸如逻辑芯片、晶体管等的半导体、或者诸如现场可编程门阵列、可编程逻辑设备等的可编程硬件设备的硬件电路实现，也可以用例如由各种类型的处理器所执行的软件实现，还可以由上述硬件电路和软件的结合（例如，固件）来实现。

需要注意的是，上述关于用于井下防爆胶轮车的运动数据处理系统200的描述仅出于说明性目的而提供，并不旨在限制本说明书的范围。可以理解，对于本领域的技术人员来说，可以根据本说明书的描述，在不背离这一原理的情况下，对各个模块进行任意组合，或者构成子系统与其他模块连接。例如，图2中所述的获取模块210、预处理模块220、突变点确定模块230、突变序列确定模块240、运动关联度确定模块250、运动融合权重确定模块260、最优融合距离确定模块270、数据特征集合确定模块280以及特征向量确定模块290可以是一个系统中的不同模块，也可以是一个模块实现上述的两个或两个以上模块的功能。诸如此类的变形，均在本说明书的保护范围之内。在一些实施例中，前述各个模块可以是处理设备130和/或终端设备140的一部分。

图3是根据本说明书一些实施例所示的用于井下防爆胶轮车的运动数据处理方法的示例性流程图。在一些实施例中，方法300可以通过处理逻辑来执行，该处理逻辑可以包括硬件（例如，电路、专用逻辑、可编程逻辑、微代码等）、软件（运行在处理设备上以执行硬件模拟的指令）等或其任意组合。在一些实施例中，图3所示的用于井下防爆胶轮车的运动数据处理方法300的流程图中的一个或多个操作可以通过图1所示的处理设备130和/或终端设备140实现。例如，方法300可以以指令的形式存储在存储设备120中，并由处理设备130和/或终端设备140调用和/或执行。下文以处理设备130为例描述方法300的执行过程。

参照图3，在一些实施例中，用于井下防爆胶轮车的运动数据处理方法300可以包括：

步骤310，获取井下防爆胶轮车相关的行驶数据。在一些实施例中，步骤310可以由获取模块210执行。

在一些实施例中，获取模块210可以与前述数据采集装置110通信连接，获取模块110可以直接从数据采集装置110获取井下防爆胶轮车相关的行驶数据。在一些实施例中，数据采集装置110采集的行驶数据可以存储至存储设备120，获取模块210可以从存储设备120获取井下防爆胶轮车相关的行驶数据。

由于井下环境和地质因素的原因，防爆胶轮车在井下行驶过程中的行驶路线包括转弯、爬坡、直线行驶等多种行驶路径，在本说明书的一些实施例中，可以利用多种传感器采集不同行驶路径下的行驶数据。示例性地，在一些实施例中，该传感器可以包括方向传感器、速度传感器、温度传感器、压力传感器、转速传感器等，该行驶数据可以包括方向、速度、加速度、里程数、边轮转速、发动机冷却水温度、电机表面温度、发动机进排气温度、燃油温度、左右边轮制动温度、变矩器温度、机油压力以及变矩器压力。

可以理解，不稳定的地质、不同的光照程度、崎岖的行驶路径、环境湿度大、行驶过程中的车身的振动等多种因素会导致井下环境的复杂程度较高，若仅通过单一传感器采集的运动数据，很难准确评估当前时刻防爆胶轮车的运动状态，因此，在本说明书实施例中，为了准确获取防爆胶轮车在井下运动过程中的运动状态，通过对多个传感器采集的多种运动数据进行融合处理，然后通过融合结果对井下防爆胶轮车行驶过程中的运动状态进行分类识别。

步骤320，利用均值填充方法对每个运动时刻对应的所述行驶数据进行预处理，得到所述防爆胶轮车在每个运动时刻对应的运动数据。在一些实施例中，步骤320可以由预处理模块220执行。

在一些实施例中，为避免数据传输过程中发生数据丢失的现象，可以利用均值填充方法对每个运动时刻对应的行驶数据进行预处理，得到防爆胶轮车在每个运动时刻对应的运动数据。具体而言，即在利用传感器采集每个运动时刻的行驶数据后，可以将该行驶数据传输至防爆胶轮车搭载的数据预处理系统，然后，对于行驶数据中的每个运动时刻，可以通过预处理模块220计算出该时刻之前和之后一定时间范围内的数据的均值，并将该均值作为该时刻的数据。这样可以保证数据的连续性，并且可以尽可能地还原原始数据的特征，从而避免数据传输过程中由于数据丢失而导致后续数据分析结果不准确。

需要说明的是，在本说明书中，前述行驶数据和运动数据仅用于区分命名。在一些实施例中，该行驶数据和运动数据所包含的信息可以相同。

步骤330，对于每一种所述运动数据，利用BG序列分割算法获取所述防爆胶轮车在运动过程中的突变点。在一些实施例中，步骤330可以由突变点确定模块230执行。

BG（Bernaola Galvan）序列分割算法是一种基于贝叶斯推断的序列分割算法，其可以用来识别序列中的突变点。在本说明书中，前述运动数据为时序数据，其突变点可以表示不同的运动状态或者不同的运动方式的转折点。在一些实施例中，可以利用BG序列分割算法对每一种运动数据进行处理，以获取防爆胶轮车在运动过程中的突变点。BG序列分割算法可以视为公知技术，其具体过程本说明书中不再赘述。

步骤340，确定每一个所述突变点对应的突变时间序列和突变比例序列。在一些实施例中，步骤340可以由突变序列确定模块240执行。

在一些实施例中，突变序列确定模块240可以将每一种运动数据中每一个突变点所取的运动时刻组成的序列作为该运动数据每一个突变点对应的突变时间序列，获取每一个突变点之前相邻b个突变点对应的运动时刻，将所述b个突变点对应的运动时刻与每一个突变点对应的运动时刻组成的序列作为每一个突变点对应的突变时间序列，b的大小取经验值3。同时，突变序列确定模块240可以获取每一个突变点对应的运动时刻与前一运动时刻的运动数据的第一差值绝对值，将该第一差值绝对值与该突变点对应的运动时刻所采集的运动数据的第一比值作为该突变点对应的突变比例（对于不能整除的结果，四舍五入保留小数点后两位）；然后，基于每一种运动数据中所有所述突变点对应的突变比例，得到该运动数据对应的突变比例序列。

举例而言，假设防爆胶轮车的速度数据中的第k个突变点对应的运行时刻为，前b个突变点对应的运动时刻分别为、、，则第k个突变点对应的突变时间序列。另外，若运动时刻、运动时刻、运动时刻、运动时刻、运动时刻、运动时刻的速度数据分别为20、29、32、30、50、55，运动时刻与运动时刻、运动时刻与运动时刻、运动时刻与运动时刻、运动时刻与运动时刻的速度差值的绝对值分别为9、3、20、5，则第k个突变点对应的突变比例序列。

步骤350，基于所述突变时间序列和所述突变比例序列确定每一种所述运动数据对应的运动关联度。在一些实施例中，步骤350可以由运动关联度确定模块250执行。

防爆胶轮车在井下行驶过程中，如果两种运动数据随防爆胶轮车运动状态的变化规律较为相似，那么这两种运动数据与防爆胶轮车运动状态的关联程度较为接近，则两种运动数据对应的突变时间序列、突变比例序列也具有一定的相似度。基于此，在本说明书的一些实施例中，考虑通过不同运动数据与防爆胶轮车运动状态的关联程度的高低来筛选用于后续数据融合的采集数据。

基于以上分析，在一些实施例中，可以针对每一种运动数据构建运动关联度V，用于表征每种数据与防爆胶轮车运动状态的关联程度。

示例性地，在一些实施例中，第i种运动数据对应的运动关联度的计算过程可以表示如下：

；

；

；

其中，表示第i种运动数据中第k个突变点对应的分布稳定度；为第k个突变点对应的突变时间序列中的元素数量；表示从数据采集起始时刻到第k个突变点对应的运动时刻之间第i种运动数据的数据量（即数据个数）；是个第i种运动数据对应的信息熵；是从个运动数据中删除前k个突变点对应所有运动时刻的运动数据后第i种运动数据的剩余数据对应的信息熵。的值越小，表示第i种运动数据的整体分布越稳定，对防爆胶轮车运动状态的影响程度越低。

是第i种运动数据中第k个突变点对应的数据关联度；m是运动数据的种类总量；、分别是第i种运动数据、第j种运动数据中第k个突变点对应的突变时间序列；、分别是第i种运动数据、第j种运动数据中第k个突变点对应的突变比例序列；、分别表示突变时间序列、之间、突变比例序列、之间的DTW（Dynamic Time Warping，动态时间规整）距离。的值越大，表示第i种运动数据的分布与其余运动数据的分布差异越大，与其余运动数据的关联度越低。

是第i种运动数据对应的运动关联度，K是第i种运动数据中出现突变点的总数量。

可以理解，上述运动关联度反映了每种运动数据与防爆胶轮车运动状态的关联程度。第i种运动数据受到防爆胶轮车运动状态的影响越小，的值越小，第i种运动数据的整体分布越稳定，的值越小；第i种运动数据的分布与其余运动数据的分布差异越大，影响第i种运动数据的因素与影响其余运动数据的因素越不相同，、的值越大，的值越大；相应地，的值也就越大。

具体而言，在一些实施例中，对于第i种运动数据，运动关联度确定模块250可以计算其中第k个突变点所对应的分布稳定度（）和数据关联度（）；然后基于该分布稳定度、数据关联度以及当前运动时刻内所述第i种运动数据中出现突变点的总数量（K），确定该第i种运动数据对应的运动关联度。

其中，在计算第k个突变点所对应的分布稳定度（）时，运动关联度确定模块250可以具体用于计算该第k个突变点对应的突变时间序列中的元素数量（）与第i种运动数据从数据采集起始时刻到第k个突变点对应的运动时刻之间的数据量（）的第二比值（），以及第i种运动数据中截至第k个突变点的所有运动数据对应的第一信息熵（）与所有有效运动数据对应的第二信息熵（）的第二差值绝对值（）；其中，需要说明的是，在本说明书中，前述有效运动数据为所有运动数据除去所述突变点的运动数据。进一步地，运动关联度确定模块250可以基于前述第二比值和第二差值绝对值的乘积，确定第i种运动数据中第k个突变点所对应的分布稳定度。

进一步地，在计算第k个突变点所对应的数据关联度（）时，运动关联度确定模块250可以具体用于计算第i种运动数据中第k个突变点所对应的突变时间序列与其他运动数据中第k个突变点所对应的突变时间序列之间的第一DTW距离（），以及第i种运动数据中第k个突变点所对应的突变比例序列与其他运动数据中第k个突变点所对应的突变比例序列之间的第二DTW距离（）；然后，将第i种运动数据中第k个突变点与所有其他运动数据中第k个突变点所对应的第一DTW距离和第二DTW距离之和的均值（）作为该第i种运动数据中第k个突变点所对应的数据关联度。

进一步地，在得到前述分布稳定度（）和数据关联度（）后，运动关联度确定模块250可以计算每一个突变点对应的数据关联度和分布稳定度的第三比值（），然后，将第i种运动数据中所有突变点对应的第三比值的均值（）作为该第i种运动数据对应的运动关联度。

需要说明的是，在本说明书实施例中，该运动关联度考虑了防爆胶轮车在井下行驶过程中的运动数据的分布情况，其有益效果在于能够避免行驶环境以及驾驶员状态对运动数据的影响，从而提高后续数据融合的精度。

步骤360，基于所述运动关联度以及状态关联稳定性确定每一种所述运动数据对应的运动融合权重。在一些实施例中，步骤360可以由运动融合权重确定模块260执行。

在通过前述步骤确定每一种运动数据所对应的运动关联度之后，运动融合权重确定模块260可以获取所有m类运动数据的状态关联稳定性，然后基于该运动关联度以及状态关联稳定性确定每一种运动数据对应的运动融合权重。

可以理解，防爆胶轮车在井下行驶过程中不同运动状态下与每种运动数据的关联程度是不同的，例如在防爆胶轮车处于直线行驶运动状态，行驶方向在相邻一段时间内几乎不变、加速度为0，此时温度、压力等运动数据的变化较为明显；而当防爆胶轮车处于转弯运动状态时，速度、加速度等运动数据的变化会产生明显变化。除此之外，行驶方向在转弯运动状态对应的一段时间内也会发生较大变化；当防爆胶轮车位于爬坡运动状态或者下坡运动状态时，在爬坡运动状态、下坡运动状态下为了行驶的安全性，防爆胶轮车的速度一般是稳定不变的，而压力、行驶方向会在爬坡、下坡的时间段内发生显著变化；即防爆胶轮车不同运动状态下，每种运动数据的波动程度是不同的。因此考虑根据防爆胶轮车在不同运动状态下的采集数据的波动程度评估不同种类运动数据与不同运动状态的关联波动程度。

如果第i种运动数据的突变点出现的随机性较高，即第i种运动数据的突变点不只是出现在防爆胶轮车固定一种状态下，那么认为第i种运动数据与防爆胶轮车的多种运动状态都有一定程度的关联性；反之如果第i种运动数据的突变点的周期性较强，即第i种运动数据每次出现的突变点的时刻都是防爆胶轮车处于某种固定的运动状态，那么认为第i种运动数据与防爆胶轮车不同运动状态之间关联性的波动程度较大，利用第i种运动数据预测防爆胶轮车运动状态的可信度越高。

以第i种运动数据中第a个运动时刻为中心时刻，将与中心时刻时间间隔d以内的运动数据按时间升序的顺序组成的序列作为第a个运动时刻的实时状态影响序列，d的大小取经验值5。

举例而言，假设第i种运动数据是速度数据，对于速度数据中的第17个运动时刻，其对应的实时状态影响序列，其中，、分别代表第15、第22个运动时刻的速度数据。

基于以上分析，在一些实施例中，可以针对每一种运动数据构建状态关联稳定性U，用于表征每种运动数据与防爆胶轮车不同运动状态之间关联程度的稳定性。

示例性地，在一些实施例中，第i种运动数据对应的状态关联稳定性的计算过程可以表示如下：

；

；

其中，是第i种运动数据第a个运动时刻的数据波动指数，是第a个运动时刻对应实时状态影响序列内突变点的数量，是所有个突变点对应的运动时刻与第a个运动时刻之间时间间隔的分布方差，是突变点对应运动时刻采集的第i种运动数据按照时间升序的顺序组成的数据序列，实时状态影响序列删除数据序列后剩余数据组成的数据序列，是序列、之间的DTW（Dynamic Time Warping，动态时间规整）距离。的值越大，第i种运动数据第a个运动时刻处于数据波动时期的可能性越大。

是第i种运动数据对应的状态关联稳定性，、分别是第i种运动数据种数据波动指数的最大值、最小值，是第i种运动数据所有运动时刻的数据波动指数组成序列的变异系数。

可以理解，上述状态关联稳定性反映了每种运动数据与防爆胶轮车不同运动状态的关联程度。第i种运动数据在不同运动时间段内发生突变点的随机性越大，实时状态影响序列内突变点对应时间间隔的分布方差越大，的值越大，实时状态影响序列内突变数据与稳定数据的差异越大，的值越大；第i种运动数据内不同运动时刻的数据波动指数越不稳定，的值越大；即的值越大，第i种运动数据的变化的随机性越弱，周期性越强，第i种运动数据与防爆胶轮车不同运动状态之间关联性的波动程度较小。

可以理解。运动关联度越大，说明此类运动数据与防爆胶轮车运动状态的关联程度越高，状态关联稳定性越大，此类运动数据与防爆胶轮车不同运动状态之间关联程度的波动性越低，在数据融合的过程中应该占据更大的权重，使得融合结果能够更加准确地表达井下防爆胶轮车的运动状态。在一些实施例中，第i种运动数据对应的运动融合权重可以表示如下：

；

其中，为第i种运动数据对应的运动融合权重；为第i种运动数据对应的运动关联度；是第i种运动数据对应的状态关联稳定性；m为运动数据的种类总量。

具体而言，对于第i种运动数据，运动融合权重确定模块260可以计算其对应的运动关联度与状态关联稳定性的乘积与所有运动数据所对应的运动关联度状态关联稳定性的乘积之和（）的第四比值（），然后，将该第四比值作为第i种运动数据所对应的运动融合权重。

步骤370，根据每一种所述运动数据在每个运动时刻的波动持续时间和稳态持续时间确定每一种所述运动数据对应的最优融合距离。在一些实施例中，步骤370可以由最优融合距离确定模块270执行。

需要说明的是，本说明书实施例中进行运动数据融合的目的是通过多个传感器的运动数据得到能够准确表达防爆胶轮车运动状态的特征向量。但是，并非每个运动时刻传感器采集的多类运动数据都有必要进行融合，应当根据运动数据分布情况选择每个运输时刻的关键数据进行特征融合。

在一些实施例中，对于第i种运动数据，可以获取当前运动时刻突变点的数量K，并统计每个相邻突变点的波动持续时间F，该波动持续时间可以理解为每个突变点连续多少运动时刻仍为突变点，例如对于转速这类运动数据而言，、、、、、运动时刻的转速均为突变点，则对应突变点的波动持续时间为至连续5个运动时刻，对应突变点的波动持续时间为至连续4个运动时刻。对于非突变点的运动数据，可以统计每个运动时刻的稳态持续时间f，假设至的转速为非突变点，则对应非突变点的稳态持续时间为至连续14个运动时刻。其余运动数据突变点对应的波动持续时间以及非突变点对应的稳态持续时间的获取方式可以参照前述过程，本说明书中不再赘述。

在一些实施例中，可以根据每种运动数据每个运动时刻的波动持续时间和稳态持续时间获取用于融合的数据特征。进一步地，分别统计波动持续时间、稳态持续时间的取值范围，将相同波动持续时间划分到同一波动级，波动级从小到大记为至，将相同稳态持续时间划分到同一稳态级，稳态级从小到大记为至。

基于上述分析，可以构建每一种运动数据对应的最优融合距离，用于表征每个运动时刻每种运动数据提取数据特征时数据区域的大小。在一些实施例中，第i种运动数据在第a个运动时刻的最优融合距离的计算过程可以表示如下：

；

；

；

其中，表示第i种运动数据中第a个运动时刻对应的运动规律系数；、分别表示第i种运动数据中前a个运动时刻内波动级的信息熵、稳态级的信息熵；是前a个运动时刻内所有稳态级的均值；的值越大，表示前a个运动时刻防爆胶轮车的井下运动越规律。

表示第i种运动数据对应的局部数据影响程度；g是局部运动时间，g的大小为前a个运动时间内稳态持续时间的均值；是局部运动时间内突变点的波动持续时间的平均值；是局部运动时间内所有稳态持续时间的平均值；是局部运动时间内的相邻时间差；是相邻时间差的分布方差；的大小等于相邻两个运动时刻持续时间差值的绝对值，例如第q个运动时刻是突变点，第q+1个运动时刻是非突变点，则第q个运动时刻对应的持续时间分别是波动持续时间、稳态持续时间，此时的值为；为固定参数（本说明书中可以为0.001），其可以用于防止分母部分为0。

表示第i种运动数据在第a个运动时刻的最优融合距离；是前a个运动时刻内波动持续时间的最小值；是局部运动时长的数量，该局部运动时长的数量是指前a个运动时刻的总时长与局部运动时间g的商。

具体而言，在一些实施例中，对于第i种运动数据的第a个运动时刻，最优融合距离确定模块270可以计算第a个运动时刻所对应的运动规律系数（），并确定第i种运动数据对应的局部数据影响程度（），然后，基于该运动规律系数、局部数据影响程度以及第i种运动数据中前a个运动时刻内波动持续时间的最小值（），确定第i种运动数据中第a个运动时刻所对应的最优融合距离。

具体地，在计算第a个运动时刻所对应的运动规律系数（）时，最优融合距离确定模块270可以确定第i种运动数据中前a个运动时刻内波动级对应的第三信息熵（）和稳态级对应的第四信息熵（），然后，基于该第三信息熵与第四信息熵的第三差值绝对值（），以及该前a个运动时刻内所有稳态级的均值（），确定第i种运动数据中第a个运动时刻所对应的运动规律系数。

在计算第i种运动数据对应的局部数据影响程度（）时，最优融合距离确定模块270可以获取局部运动时间内突变点的波动持续时间的平均值（）、局部运动时间内所有稳态持续时间的平均值（）以及局部运动时间内的相邻时间差的分布方差（），然后，基于相邻时间差的分布方差以及所述波动持续时间的平均值与所述所有稳态持续时间的平均值的第四差值绝对值（），确定第i种运动数据对应的局部数据影响程度。

步骤380，根据所述最优融合距离，获取每个运动时刻所对应的数据特征集合。在一些实施例中，步骤380可以由数据特征集合确定模块280执行。

在通过前述步骤确定每一种运动数据在每个时刻对应的最优融合距离之后，数据特征集合确定模块280可以根据该最优融合距离，获取每个运动时刻所对应的数据特征集合。以第i种运动数据的第a个运动时刻为例，可以以该第a个运动时刻为目标时刻，将第i种运动数据中位于该目标时刻前的连续前个运动时刻的运动数据作为第i种运动数据在第a个运动时刻的数据特征集合，其中，为通过前述步骤计算得到的最优融合距离。进一步地，在一些实施例中，可以获取每个运动时刻每种运动数据特征提取集合的均值，方差，信息熵作为每种运动数据的三个数据特征。

在一些实施例中，可以利用序列浮动前向选择SFFS（Sequential FloatingForward Selection）算法获取每个运动时刻每种运动数据用于融合的特征子集，其中，SFFS算法的输入为每个运动时刻所有运动数据特征集合的均值，方差，信息熵，输出为每个运动时刻用于融合的数据特征集合G。SFFS算法可以视为公知技术，本说明书中不再对其具体过程进行赘述。

步骤390，根据所述数据特征集合以及所述数据特征集合内每一种所述运动数据对应的运动融合权重，得到每一种所述运动数据在每个运动时刻对应的特征向量。在一些实施例中，步骤390可以由特征向量确定模块290执行。

在一些实施例中，特征向量确定模块290可以获取数据特征集合G内每种数据特征对应的运动融合权重，然后基于该运动融合权重和每个运动时刻的数据特征集合获取每个运动时刻用于数据融合的特征向量。换言之，即特征向量确定模块290可以利用数据特征集合G内每种数据特征对应的运动融合权重和每种运动数据的数据特征构成每种运动数据的特征向量，例如，可以将第i种运动数据在第a个运动时刻的特征提取集合的均值、方差、信息熵分别记为、、，如果、、都在第a个运动时刻的数据特征集合内，则第i种运动数据在第a个运动时刻的特征向量可以表示为。

可以理解，通过上述步骤可以获取与防爆胶轮车相关的每一种运动数据在每个运动时刻的特征向量。

进一步地，在获取到防爆胶轮车相关的每一种运动数据在每个运动时刻的特征向量之后，可以将所有所述运动数据在每个运动时刻对应的特征向量作为分类模型的输入，并基于训练好的分类模型确定防爆胶轮车在每个运动时刻的运动状态。

示例性地，在一些实施例中，可以将每个运动时刻的所有特征向量作为深度神经网络DNN的输入，输出每个运动时刻的融合向量。其中，该深度神经网络DNN可以以Adam为优化算法，以MSE（Mean-Square Error）函数为损失函数训练得到。由于神经网络的训练为公知技术，因此本说明书中不再对其进行赘述。

进一步地，在得到前述融合向量之后，可以将该融合向量输入分类模型以得到每个运动时刻的防爆胶轮车的运动状态。在一些实施例中，该分类模型可以为支持向量机SVM（Support Vector Machine）模型。在训练过程中，可以分别获取防爆胶轮车在井下正常行驶时、出现异常时多种运动状态（包括直线行驶运动状态、转弯运动状态、爬坡运动状态、下坡运动状态）的运动时刻的标准运动数据，并根据上述步骤获取标准运动数据对应的融合向量，记为标准融合向量，并根据每个运动时刻对应的运动状态对标准融合向量进行标记，标记内容共包括：正常直线行驶运动状态、正常转弯运动状态、正常爬坡运动状态、正常下坡运动状态以及异常直线行驶运动状态、异常转弯运动状态、异常爬坡运动状态、异常下坡运动状态。进一步地，可以利用标记后的标准融合向量训练支持向量机SVM模型，然后将训练好的SVM模型作为井下防爆胶轮车的运动状态分类模型。由于支持向量机的训练为公知技术，因此，本说明书中对于支持向量机的具体训练过程不再赘述。

进一步地，在完成分类模型训练之后，可以实时获取防爆胶轮车在每个运动时刻的融合向量，并将该融合向量传输入训练好的SVM模型以得到每个运动时刻的防爆胶轮车的运动状态。驾驶员可根据防爆胶轮车运动状态实时控制井下防爆胶轮车相关的运动数据，例如行驶速度的增减、行驶角度的调整等。

需要注意的是，以上确定防爆胶轮车在每个运动时刻的运动状态的具体实现方式仅为示例性说明，在一些其他的实施例中，可以使用其他的手段实现。例如，在一些实施例中，可以直接将前述特征向量输入训练好的SVM模型，得到每个运动时刻的防爆胶轮车的运动状态。

综上所述，本说明书实施例可能带来的有益效果包括但不限于：（1）在本说明书一些实施例所提供的用于井下防爆胶轮车的运动数据处理方法中，通过防爆胶轮车在井下行驶过程中多种运动数据的分布情况构建运动关联度，可以避免行驶环境以及驾驶员状态对运动数据的影响，从而提高后续数据融合的精度以及防爆胶轮车运动状态的分析准确度；（2）在本说明书一些实施例所提供的用于井下防爆胶轮车的运动数据处理方法中，通过基于最优融合距离获取特征提取集合以及数据特征集合，可以在获取数据特征集合时删除所有运动数据特征提取集合对应数据特征中不相关或关联性不强的数据特征，从而降低一些冗余特征用于后续数据融合的概率。

需要说明的是，不同实施例可能产生的有益效果不同，在不同的实施例中，可能产生的有益效果可以是以上任意一种或几种的组合，也可以是其他任何可能获得的有益效果。

上文已对基本概念做了描述，显然，对于本领域技术人员来说，上述详细披露仅仅作为示例，而并不构成对本说明书的限定。虽然此处并没有明确说明，本领域技术人员可能会对本说明书进行各种修改、改进和修正。该类修改、改进和修正在本说明书中被建议，所以该类修改、改进、修正仍属于本说明书示范实施例的精神和范围。

同时，本说明书使用了特定词语来描述本说明书的实施例。如“一个实施例”、“一实施例”、和/或“一些实施例”意指与本说明书至少一个实施例相关的某一特征、结构或特点。因此，应强调并注意的是，本说明书中在不同位置两次或多次提及的“一实施例”或“一个实施例”或“一个替代性实施例”并不一定是指同一实施例。此外，本说明书的一个或多个实施例中的某些特征、结构或特点可以进行适当的组合。

计算机存储介质可能包含一个内含有计算机程序编码的传播数据信号，例如在基带上或作为载波的一部分。该传播信号可能有多种表现形式，包括电磁形式、光形式等，或合适的组合形式。计算机存储介质可以是除计算机可读存储介质之外的任何计算机可读介质，该介质可以通过连接至一个指令执行系统、装置或设备以实现通讯、传播或传输供使用的程序。位于计算机存储介质上的程序编码可以通过任何合适的介质进行传播，包括无线电、电缆、光纤电缆、RF、或类似介质，或任何上述介质的组合。

本说明书各部分操作所需的计算机程序编码可以用任意一种或多种程序语言编写，包括面向对象编程语言如Java、Scala、Smalltalk、Eiffel、JADE、Emerald、C++、C#、VB.NET、Python等，常规程序化编程语言如C语言、Visual Basic、Fortran2003、Perl、COBOL2002、PHP、ABAP，动态编程语言如Python、Ruby和Groovy，或其他编程语言等。该程序编码可以完全在用户计算机上运行、或作为独立的软件包在用户计算机上运行、或部分在用户计算机上运行部分在远程计算机运行、或完全在远程计算机或处理设备上运行。在后种情况下，远程计算机可以通过任何网络形式与用户计算机连接，比如局域网（LAN）或广域网（WAN），或连接至外部计算机（例如通过因特网），或在云计算环境中，或作为服务使用如软件即服务（SaaS）。

此外，除非明确说明，本说明书所述处理元素和序列的顺序、数字字母的使用、或其他名称的使用，并非用于限定本说明书流程和方法的顺序。尽管上述披露中通过各种示例讨论了一些目前认为有用的发明实施例，但应当理解的是，该类细节仅起到说明的目的，并不仅限于披露的实施例，而是旨在覆盖所有符合本说明书实施例实质和范围的修正和等价组合。例如，虽然以上所描述的系统组件可以通过硬件设备实现，但是也可以只通过软件的解决方案得以实现，如在现有的处理设备或移动设备上安装所描述的系统。

同理，应当注意的是，为了简化本说明书披露的表述，从而帮助对一个或多个发明实施例的理解，前文对本说明书实施例的描述中，有时会将多种特征归并至一个实施例、附图或对其的描述中。但是，这种披露方法并不意味着限制本说明书对象所需要的特征数量。实际上，实施例的特征要少于上述披露的单个实施例的全部特征。

一些实施例中使用了描述成分、属性数量的数字，应当理解的是，此类用于实施例描述的数字，在一些示例中使用了修饰词“大约”、“近似”或“大体上”来修饰。除非另外说明，“大约”、“近似”或“大体上”表明所述数字允许有±20%的变化。相应地，在一些实施例中，说明书中使用的数值参数均为近似值，该近似值根据个别实施例所需特点可以发生改变。在一些实施例中，数值参数应考虑规定的有效数位并采用一般位数保留的方法。尽管本说明书一些实施例中用于确认其范围广度的数值域和参数为近似值，在具体实施例中，此类数值的设定在可行范围内尽可能精确。

最后，应当理解的是，本说明书中所述实施例仅用以说明本说明书实施例的原则。其他的变形也可能属于本说明书的范围。因此，作为示例而非限制，本说明书实施例的替代配置可视为与本说明书的教导一致。相应地，本说明书的实施例不仅限于本说明书明确介绍和描述的实施例。

上述本发明实施例先后顺序仅仅为了描述，不代表实施例的优劣。在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。

Claims (10)

1.用于井下防爆胶轮车的运动数据处理方法，其特征在于，包括：

获取井下防爆胶轮车相关的行驶数据，所述行驶数据包括方向、速度、加速度、里程数、边轮转速、发动机冷却水温度、电机表面温度、发动机进排气温度、燃油温度、左右边轮制动温度、变矩器温度、机油压力以及变矩器压力；

利用均值填充方法对每个运动时刻对应的所述行驶数据进行预处理，得到所述防爆胶轮车在每个运动时刻对应的运动数据；

对于每一种所述运动数据，利用BG序列分割算法获取所述防爆胶轮车在运动过程中的突变点；

确定每一个所述突变点对应的突变时间序列和突变比例序列；

基于所述突变时间序列和所述突变比例序列确定每一种所述运动数据对应的运动关联度，所述运动关联度用于表征每一种所述运动数据与所述防爆胶轮车的运动状态的关联程度；

获取每一种运动数据的状态关联稳定性，基于所述运动关联度以及状态关联稳定性确定每一种所述运动数据对应的运动融合权重；

根据每一种所述运动数据在每个运动时刻的波动持续时间和稳态持续时间确定每一种所述运动数据对应的最优融合距离，所述最优融合距离用于表征每一种所述运动数据在每个运动时刻提取数据特征时数据区域的大小；

根据所述最优融合距离，获取每个运动时刻所对应的数据特征集合；

根据所述数据特征集合以及所述数据特征集合内每一种所述运动数据对应的运动融合权重，得到每一种所述运动数据在每个运动时刻对应的特征向量。

2.如权利要求1所述的用于井下防爆胶轮车的运动数据处理方法，其特征在于，所述方法还包括：

将所有所述运动数据在每个运动时刻对应的特征向量作为分类模型的输入，并基于训练好的分类模型确定所述防爆胶轮车在每个运动时刻的运动状态。

3.如权利要求1或2所述的用于井下防爆胶轮车的运动数据处理方法，其特征在于，所述确定每一个所述突变点对应的突变时间序列和突变比例序列，包括：

将每一种所述运动数据中所有所述突变点对应的运动时刻组成的序列作为所述运动数据对应的突变时间序列；以及：

获取每一个所述突变点对应的运动时刻与前一运动时刻的运动数据的第一差值绝对值，将所述第一差值绝对值与所述突变点对应的运动时刻所采集的运动数据的第一比值作为所述突变点对应的突变比例；

基于每一种所述运动数据中所有所述突变点对应的突变比例，得到所述运动数据对应的突变比例序列。

4.如权利要求1或2所述的用于井下防爆胶轮车的运动数据处理方法，其特征在于，所述基于所述突变时间序列和所述突变比例序列确定每一种所述运动数据对应的运动关联度，包括：

对于第i种运动数据；

计算所述第i种运动数据中第k个突变点所对应的分布稳定度和数据关联度；

基于所述分布稳定度、所述数据关联度以及当前运动时刻内所述第i种运动数据中出现突变点的总数量，确定所述第i种运动数据对应的运动关联度。

5.如权利要求4所述的用于井下防爆胶轮车的运动数据处理方法，其特征在于，所述计算所述第i种运动数据中第k个突变点所对应的分布稳定度和数据关联度，包括：

计算所述第k个突变点对应的突变时间序列中的元素数量与所述第i种运动数据从数据采集起始时刻到所述第k个突变点对应的运动时刻之间的数据量的第二比值，以及所述第i种运动数据中截至所述第k个突变点的所有运动数据对应的第一信息熵与所有有效运动数据对应的第二信息熵的第二差值绝对值；其中，所述有效运动数据为所有运动数据除去所述突变点的运动数据；

基于所述第二比值和所述第二差值绝对值，确定所述第i种运动数据中第k个突变点所对应的分布稳定度；以及：

计算所述第i种运动数据中第k个突变点所对应的突变时间序列与其他运动数据中第k个突变点所对应的突变时间序列之间的第一DTW距离，以及所述第i种运动数据中第k个突变点所对应的突变比例序列与其他运动数据中第k个突变点所对应的突变比例序列之间的第二DTW距离；

将所述第i种运动数据中第k个突变点与所有其他运动数据中第k个突变点所对应的第一DTW距离和第二DTW距离之和的均值作为所述第i种运动数据中第k个突变点所对应的数据关联度。

6.如权利要求4所述的用于井下防爆胶轮车的运动数据处理方法，其特征在于，所述基于所述分布稳定度、所述数据关联度以及当前运动时刻内所述第i种运动数据中出现突变点的总数量，确定所述第i种运动数据对应的运动关联度，包括：

计算每一个所述突变点对应的所述数据关联度和所述分布稳定度的第三比值；

将所述第i种运动数据中所有所述突变点对应的所述第三比值的均值作为所述第i种运动数据对应的运动关联度。

7.如权利要求1或2所述的用于井下防爆胶轮车的运动数据处理方法，其特征在于，所述获取每一种运动数据的状态关联稳定性，基于所述运动关联度以及状态关联稳定性确定每一种所述运动数据对应的运动融合权重，包括：

对于第i种运动数据；

计算第i种运动数据每一个运动时刻的数据波动指数，基于第i种运动数据所有运动时刻对应的数据波动指数确定第i种运动数据的状态关联稳定性；

计算所述第i种运动数据所对应的运动关联度和状态关联稳定性的乘积与所有所述运动数据所对应的运动关联度状态关联稳定性的乘积之和的第四比值；

将所述第四比值作为所述第i种运动数据所对应的运动融合权重。

8.如权利要求1或2所述的用于井下防爆胶轮车的运动数据处理方法，其特征在于，所述根据每一种所述运动数据在每个运动时刻的波动持续时间和稳态持续时间确定每一种所述运动数据对应的最优融合距离，包括：

对于第i种运动数据的第a个运动时刻；

计算所述第a个运动时刻所对应的运动规律系数，并确定所述第i种运动数据对应的局部数据影响程度；

基于所述运动规律系数、所述局部数据影响程度以及所述第i种运动数据中前a个运动时刻内波动持续时间的最小值，确定所述第i种运动数据中第a个运动时刻所对应的最优融合距离。

9.如权利要求8所述的用于井下防爆胶轮车的运动数据处理方法，其特征在于，所述计算所述第a个运动时刻所对应的运动规律系数，并确定所述第i种运动数据对应的局部数据影响程度，包括：

确定所述第i种运动数据中前a个运动时刻内波动级对应的第三信息熵和稳态级对应的第四信息熵；

基于所述第三信息熵与所述第四信息熵的第三差值绝对值，以及所述前a个运动时刻内所有稳态级的均值，确定所述第a个运动时刻所对应的运动规律系数；以及：

获取局部运动时间内所述突变点的波动持续时间的平均值、所述局部运动时间内所有稳态持续时间的平均值以及所述局部运动时间内的相邻时间差的分布方差；

基于所述相邻时间差的分布方差以及所述波动持续时间的平均值与所述所有稳态持续时间的平均值的第四差值绝对值，确定第i种运动数据对应的局部数据影响程度。

10.如权利要求9所述的用于井下防爆胶轮车的运动数据处理方法，其特征在于，所述根据所述最优融合距离，获取每个运动时刻所对应的数据特征集合，包括：

以所述第a个运动时刻为目标时刻，将所述第i种运动数据中位于所述目标时刻前的连续前个运动时刻的运动数据作为所述第i种运动数据在所述第a个运动时刻的数据特征集合，其中，为所述最优融合距离。