CN116956219A - 一种基于轮式车辆传动异常预警的数据采集方法及系统 - Google Patents

Abstract

本发明提供了一种基于轮式车辆传动异常预警的数据采集方法及系统，涉及数据处理技术领域，包括：交互获取传动系统的N组监测信号，并生成故障特征，进行信号的数据降噪处理，执行异常特征提取确定N组异常特征，进行关联分析确定独立异常特征值。构建特征融合规则，对N组异常特征中每组异常特征进行特征融合，确定特征融合结果，进行融合关联验证，输出融合异常特征值，交互获得车辆预警信息，进行模糊匹配获得模糊匹配结果，生成需求采集数据，基于需求采集数据控制对监测车辆的数据采集。本发明解决了传统轮式车辆传动异常预警方法依赖于人工监测和经验判断，导致存在错误诊断、漏检、效率低的技术问题。

Description

一种基于轮式车辆传动异常预警的数据采集方法及系统

技术领域

本发明涉及数据处理技术领域，具体涉及一种基于轮式车辆传动异常预警的数据采集方法及系统。

背景技术

随着轮式车辆在现代交通中的广泛应用，对其传动系统的稳定运行和性能保障需求日益增加，传动系统作为轮式车辆的关键组成部分，其异常运行可能导致性能下降、安全隐患和使用寿命缩短等问题，因此，对轮式车辆传动系统的实时监测和故障预警具有重要意义。而现今常用的轮式车辆传动异常预警方法还存在着一定的弊端，对于轮式车辆传动异常预警还存在着一定的可提升空间。

发明内容

本申请实施例提供了一种基于轮式车辆传动异常预警的数据采集方法及系统，用于针对解决传统轮式车辆传动异常预警方法依赖于人工监测和经验判断，导致存在错误诊断、漏检、效率低的技术问题。

鉴于上述问题，本申请实施例提供了一种基于轮式车辆传动异常预警的数据采集方法及系统。

第一方面，本申请实施例提供了一种基于轮式车辆传动异常预警的数据采集方法，所述方法包括：交互获取传动系统的N组监测信号，并生成所述传动系统的系统故障特征，其中，所述系统故障特征与所述N组监测信号具有映射关系；对所述N组监测信号进行信号的数据降噪处理，并对降噪处理后的所述N组监测信号执行异常特征提取，确定N组异常特征，其中，所述N组异常特征为所述N组监测信号中每组监测信号中各种类信号的最大异常特征；通过所述N组异常特征和所述系统故障特征依据所述映射关系进行关联分析，确定独立异常特征值；构建特征融合规则，依据所述特征融合规则对所述N组异常特征中每组异常特征进行特征融合，确定特征融合结果，并基于所述映射关系进行融合关联验证，输出融合异常特征值；交互获得监测车辆的车辆预警信息，通过所述独立异常特征值和所述融合异常特征值进行所述车辆预警信息的模糊匹配，获得模糊匹配结果；通过所述模糊匹配结果生成需求采集数据，基于所述需求采集数据控制对所述监测车辆的数据采集。

第二方面，本申请实施例提供了一种基于轮式车辆传动异常预警的数据采集系统，所述系统包括：故障特征获取模块，所述故障特征获取模块用于交互获取传动系统的N组监测信号，并生成所述传动系统的系统故障特征，其中，所述系统故障特征与所述N组监测信号具有映射关系；数据降噪处理模块，所述数据降噪处理模块用于对所述N组监测信号进行信号的数据降噪处理，并对降噪处理后的所述N组监测信号执行异常特征提取，确定N组异常特征，其中，所述N组异常特征为所述N组监测信号中每组监测信号中各种类信号的最大异常特征；独立特征值获取模块，所述独立特征值获取模块用于通过所述N组异常特征和所述系统故障特征依据所述映射关系进行关联分析，确定独立异常特征值；融合特征值获取模块，所述融合特征值获取模块用于构建特征融合规则，依据所述特征融合规则对所述N组异常特征中每组异常特征进行特征融合，确定特征融合结果，并基于所述映射关系进行融合关联验证，输出融合异常特征值；匹配结果获取模块，所述匹配结果获取模块用于交互获得监测车辆的车辆预警信息，通过所述独立异常特征值和所述融合异常特征值进行所述车辆预警信息的模糊匹配，获得模糊匹配结果；车辆数据采集模块，所述车辆数据采集模块用于通过所述模糊匹配结果生成需求采集数据，基于所述需求采集数据控制对所述监测车辆的数据采集。

本申请实施例中提供的一个或多个技术方案，至少具有如下技术效果或优点：

交互获取传动系统的N组监测信号，并生成故障特征，进行信号的数据降噪处理，执行异常特征提取确定N组异常特征，进行关联分析确定独立异常特征值。构建特征融合规则，对N组异常特征中每组异常特征进行特征融合，确定特征融合结果，进行融合关联验证，输出融合异常特征值，交互获得车辆预警信息，进行模糊匹配获得模糊匹配结果，生成需求采集数据，基于需求采集数据控制对监测车辆的数据采集。解决了传统轮式车辆传动异常预警方法依赖于人工监测和经验判断，导致存在错误诊断、漏检、效率低的技术问题，实现了减少对人工经验的依赖，降低错误诊断和漏检的风险，达到提高轮式车辆传动系统异常检测的准确性和实时性的技术效果。

上述说明仅是本申请技术方案的概述，为了能够更清楚了解本申请的技术手段，而可依照说明书的内容予以实施，并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂，以下特举本申请的具体实施方式。

附图说明

为了更清楚地说明本公开实施例的技术方案，下面将对本公开实施例的附图作简单地介绍。明显地，下面描述中的附图仅仅涉及本公开的一些实施例，而非对本公开的限制。

图1为本申请实施例提供了一种基于轮式车辆传动异常预警的数据采集方法流程示意图；

图2为本申请实施例提供了一种基于轮式车辆传动异常预警的数据采集方法中进行车辆预警信息的模糊匹配流程示意图；

图3为本申请实施例提供了一种基于轮式车辆传动异常预警的数据采集方法中就进行特征融合流程示意图；

图4为本申请实施例提供了一种基于轮式车辆传动异常预警的数据采集系统结构示意图。

附图标记说明：故障特征获取模块10，数据降噪处理模块20，独立特征值获取模块30，融合特征值获取模块40，匹配结果获取模块50，车辆数据采集模块60。

具体实施方式

本申请实施例通过提供一种基于轮式车辆传动异常预警的数据采集方法，解决了传统轮式车辆传动异常预警方法依赖于人工监测和经验判断，导致存在错误诊断、漏检、效率低的技术问题，实现了减少对人工经验的依赖，降低错误诊断和漏检的风险，达到提高轮式车辆传动系统异常检测的准确性和实时性的技术效果。

实施例1

如图1所示，本申请实施例提供了一种基于轮式车辆传动异常预警的数据采集方法，所述方法包括：

步骤S100：交互获取传动系统的N组监测信号，并生成所述传动系统的系统故障特征，其中，所述系统故障特征与所述N组监测信号具有映射关系；

具体而言，首先，根据传动系统中不同部件的位置，对监测信号进行分组，例如，对于一个汽车传动系统，可以将发动机、变速器、驱动轴等部件分别作为一组，通过传感器或其他测量设备，同一组内的关键部件，如齿轮、轴承、链条等，进行实时监测，获取N组监测信号，其中N表示从传动系统中采集到的监测信号的组数，N可以根据实际应用场景、传动系统的复杂程度以及所需监测的关键部件数量来确定，每组监测信号都包括多种类型的信号，例如振动信号、声音信号、温度信号等，这些信号可以反映出传动系统的工作状态。

通过相关文献、设备制造商提供的故障诊断手册或实际运行中发现的故障案例等，收集现有的故障类型及其对应的故障现象，例如，温度高时通常具有较高的振动、噪声水平等外在故障表现。根据收集的故障类型和现象，创建一个系统故障特征库，系统故障特征库包含各种故障类型及其对应的外在表现特征，例如振动特征、噪声特征、温度特征等，这些特征可以作为诊断传动系统故障的依据。通过观察历史故障案例数据，分析不同系统故障特征对应的监测信号特征，建立其映射关系。

步骤S200：对所述N组监测信号进行信号的数据降噪处理，并对降噪处理后的所述N组监测信号执行异常特征提取，确定N组异常特征，其中，所述N组异常特征为所述N组监测信号中每组监测信号中各种类信号的最大异常特征；

具体而言，在实际监测过程中，监测信号往往受到各种噪声的干扰，为了更准确地提取异常特征，需要对N组监测信号进行降噪处理，包括异常值和异常时间的归一化处理。每组监测信号都包括多种类型的信号，例如振动信号、声音信号、温度信号等，对种类型的信号进行异常特征提取，找出其中的最大异常特征，作为反映异常状况的特征，作为该组的异常特征，该特征可以反映出信号中的异常程度。

进一步而言，本申请步骤S200还包括：

步骤S210：对于所述N组监测信号中每组监测信号的每种类信号进行异常值和异常时间的归一化处理；

对于每组监测信号中的每种类信号，提取信号中与正常工作状态相比有显著差异的数值，获取异常值，对这些异常值进行归一化处理，示例性地，采用最小－最大归一化（Min-Max Normalization）方法，将原始数据线性映射到一个指定的范围）内，如，公式为：/>，其中，/>为归一化值，x为原始值，/>为最小值，为最大值 。

为了分析信号在时间上的异常特性，对异常时间进行归一化处理，异常时间是信号中异常值出现的时间点，对于时间序列数据，将异常时间与数据的总时长进行归一化，得到相对时间，公式为：，其中，/>为归一化时间，/>为异常时间，/>为开始时间，/>为结束时间。通过对异常值和异常时间进行归一化处理，可以消除不同类别信号之间的量纲和量级差异，使得各类信号可以在同一尺度下进行比较和分析。

对于任一种类信号，异常特征的计算方式包括：

其中，为单点异常特征的计算结果，/>为异常值，/>为标准值，t为持续时长，/>为单点补偿常数；

其中，为周期异常特征的计算结果，/>为周期异常均值，/>为持续时长均值，/>为异常频率，/>为周期补偿常数。

步骤S300：通过所述N组异常特征和所述系统故障特征依据所述映射关系进行关联分析，确定独立异常特征值；

具体而言，计算N组异常特征与系统故障特征的相似度，将其进行匹配，示例性地，针对每组异常特征，分别计算其与系统故障特征中每个特征的欧氏距离，公式为，其中，/>表示第一个特征向量的第i个元素，/>表示第二个特征向量的第i个元素，i表示元素的索引，为遍历每个特征向量的当前位置，/>表示两个特征向量之间的欧氏距离，距离越小，则特征越相似。对于每组异常特征，找到与其最相似（相似度最高）或最接近（距离最小）的系统故障特征。遍历计算结果，找到与每组异常特征距离最近的系统故障特征，记录匹配结果，包括匹配的特征和距离值。通过映射关系，找到与匹配结果相对应的系统故障特征，基于特征匹配结果，关联每组异常特征与其对应的系统故障特征。

对于每组异常特征，评估其与关联系统故障特征的关联程度，设定关联度阈值，如设定距离值阈值为0.3，当距离值低于0.3时判定异常特征与关联系统故障特征关联程度较高，为异常特征，以此来确定独立异常特征值。独立异常特征值能够明确反映某一故障类型的关键特征，其距离值低于其他特征，即关联程度高于其他特征，这些独立异常特征值用于准确识别故障并提高故障预警的准确性。

步骤S400：构建特征融合规则，依据所述特征融合规则对所述N组异常特征中每组异常特征进行特征融合，确定特征融合结果，并基于所述映射关系进行融合关联验证，输出融合异常特征值；

进一步而言，如图3所示，本申请步骤S400还包括：

步骤S410：设置特征融合数量；

步骤S420：基于所述特征融合数量进行所述N组异常特征中每组异常特征进行特征选择；

步骤S430：当选择特征满足所述特征融合数量后，则完成一组特征融合；

步骤S440：当全部的特征组合方式均组合完成时，则完成当前特征融合数量的特征融合。

具体而言，确定从每组异常特征中选择多少个特征进行融合，这个数量决定了特征融合的程度，可以根据实际应用场景和数据特点进行调整，例如，如果特征之间具有较高的相关性，可以减少融合特征的数量，以降低冗余；如果特征之间的相关性较低，可以增加融合特征的数量，以捕捉更多有用信息。

根据所述独立异常特征值进行特征的强弱关联评价，确定三级关联特征，如弱关联特征、中等关联特征、强关联特征，根据特征融合数量对三级关联特征进行选择，如特征融合数量为2，则剔除弱关联特征，选择中等关联特征和强关联特征，并从其中各选择一特征，即可满足特征融合数量，将选择的两个特征进行融合。

根据实际应用场景和数据特点选择合适的特征融合方法，例如，根据特征的关联强弱为每一级的关联特征进行权重分配，如弱关联特征、中等关联特征、强关联特征的权重值配比为20%：30%：50%，以此权重值对所选择的特征计算加权平均值，将计算结果作为融合特征，以此将多个特征组合成一个更具区分能力的新特征，完成一组特征融合。

遍历所有可能的特征组合，示例性地，如特征融合数量为2，则选择中等关联特征和强关联特征进行特征融合，假设每级关联特征有2个特征，例如强关联特征中为特征1、特征2，中等关联特征中为特征3、特征4，那么需要遍历所有的4种特征组合，即特征1－特征3、特征1－特征4、特征2－特征3、特征2－特征4。分别对每个特征组合进行特征融合，当全部的特征组合方式均组合完成时，则完成当前特征融合数量的特征融合。

进一步而言，本申请步骤S400还包括：

步骤S450：根据所述独立异常特征值进行特征的强弱关联评价，确定三级关联特征；

步骤S460：当所述特征融合数量为双特征融合时，则生成特征筛选指令；

步骤S470：通过所述特征筛选指令控制对所述三级关联特征的第一级特征剔除；

步骤S480：根据剔除结果完成双特征融合。

具体而言，根据所述独立异常特征值确定异常特征与关联系统故障特征之间的关联度，关联度越高则特征关联越强，设定两个阈值，例如，设定两个阈值分别为0.3和0.7，则关联度在区间内表示为弱关联特征，作为第一级特征；关联度在/>区间内表示为中等关联特征，作为第二级特征；关联度在/>区间内表示为强关联特征，作为第三级特征。

当所述特征融合数量为双特征融合时，说明当前融合的特征数量为两个，生成特征筛选指令，这个指令可以是一个控制信号或者是一个包含筛选规则的数据结构，用于告知后续步骤如何从三级关联特征中选择两个特征进行融合。

根据特征筛选指令中的规则，对三级关联特征中的第一级特征进行剔除，即剔除弱关联特征，以便专注于具有更强关联性的特征，在剔除第一级特征后，更新剩余特征，以便在后续的特征融合过程中使用。

根据剔除弱关联特征后的特征，即对中等关联特征与强关联特征进行特征融合，完成双特征融合。

步骤S500：交互获得监测车辆的车辆预警信息，通过所述独立异常特征值和所述融合异常特征值进行所述车辆预警信息的模糊匹配，获得模糊匹配结果；

进一步而言，如图2所示，本申请步骤S500还包括：

步骤S510：对所述车辆预警信息进行预警解析，生成预警解析结果，其中，所述预警解析结果包括初始预警等级；

步骤S520：获得异常检测需求信息；

步骤S530：将所述异常检测需求信息和所述预警解析结果输入模糊评价模型，以确定特征模糊匹配值；

步骤S540：通过所述模糊匹配值控制进行所述车辆预警信息的模糊匹配。

具体而言，与相关设备或平台进行交互，获取当前监测车辆的车辆预警信息，所述车辆预警信息可能包括车辆的传动系统状态、故障指示器状态等。从车辆预警信息中提取关键数据，如故障代码、发生时间、相关传感器数据等，根据提取的关键数据，参考车辆制造商的故障诊断手册或数据库，分析可能的故障原因。根据故障原因的严重性和紧急程度，为预警信息分配一个初始预警等级，例如，将预警等级划分为低、中、高三个等级，其中，低等级表示故障较轻，不影响车辆正常行驶；中等级表示故障可能对车辆造成一定影响，需要及时处理；高等级表示故障严重，需要立即处理以确保行车安全。

通过车辆制造商、车主、维修人员等多种渠道获取异常检测需求信息，包括需求方希望检测的特定故障类型、故障等级、车辆品牌或型号等。对收集到的异常检测需求信息进行整理和归纳，形成清晰、结构化的需求信息，整理后的需求信息包括检测目标、检测方法、检测优先级等方面的内容。基于模糊逻辑，构建一个模糊评价模型，在模糊评价模型中，设定输入变量，如异常检测需求信息中的故障类型、故障等级等，以及预警解析结果中的初始预警等级等；设定输出变量，即特征模糊匹配值，特征模糊匹配值是介于0到1之间的数值，用于衡量预警信息与独立异常特征值和融合异常特征值之间的相似度。根据输入变量和输出变量之间的关系，设定模糊规则，这些规则可以通过专家知识、经验或数据驱动的方法生成，例如，如果故障类型和初始预警等级匹配较高，那么特征模糊匹配值将接近1。

将异常检测需求信息和预警解析结果输入模糊评价模型，根据输入数据和设定的模糊规则进行推理，推理过程包括“模糊与”“模糊或”和“模糊非”等模糊逻辑运算符计算模糊规则的结果，将所有模糊规则的结果进行合成，得到特征模糊匹配值，用于衡量预警信息与独立异常特征值和融合异常特征值之间的相似度。

根据实际应用场景和经验设定一个匹配阈值，作为判断预警信息是否匹配的依据，例如，设定阈值为0.7，表示匹配程度大于等于0.7时认为预警信息匹配。将得到的特征模糊匹配值与设定的阈值进行比较，当特征模糊匹配值大于等于设定的阈值，则认为预警信息与独立异常特征值和融合异常特征值匹配；反之，当小于，则认为预警信息不匹配，生成模糊匹配结果。

步骤S600：通过所述模糊匹配结果生成需求采集数据，基于所述需求采集数据控制对所述监测车辆的数据采集。

具体而言，根据模糊匹配结果，分析可能存在的问题和异常情况，根据分析结果，确定针对问题和异常情况所需采集的数据类型、采集频率、采集时长等参数，例如，某个部件的温度异常可能与发动机过热有关，这时针对发动机过热问题，可以确定需采集发动机温度、转速等数据，以便进一步分析故障原因。根据确定的需求采集数据，生成相应的采集指令，将指令发送给监测车辆的数据采集设备，控制设备按照指令进行数据采集，例如，根据采集指令，设备在特定时间段内按照指定频率采集发动机温度、转速等数据。对采集到的数据进行处理和分析，识别故障原因和影响因素，根据分析结果，可以制定针对性的维修措施和预防策略，进而提高车辆运行效率和安全性。

进一步而言，本申请还包括：

步骤S710：生成数据采集集合；

步骤S720：通过所述独立异常特征值和所述融合异常特征值进行所述数据采集集合的异常匹配；

步骤S730：基于匹配结果进行所述监测车辆的异常预警。

具体而言，在完成对监测车辆的数据采集后，将采集到的各类数据整合成一个数据采集集合，所述数据采集集合中包括发动机参数、传感器信号、车速等多种类型的数据，以便于进一步分析和处理。

将独立异常特征值和融合异常特征值与数据采集集合中的数据进行比较，如进行相关性分析，以确定数据采集集合中的数据与异常特征值之间的相似程度。根据实际应用场景和经验，设定一个合适的阈值，用于判断匹配结果是否足够接近独立异常特征值和融合异常特征值，例如，设定阈值为0.7，表示匹配程度大于等于0.7时认为数据匹配。如果数据采集集合中的某个数据与独立异常特征值或融合异常特征值的匹配程度超过设定的阈值，则认为该数据存在异常，将所有识别出的异常数据整理成一个异常列表，作为异常匹配结果。

根据得到的异常列表，分析获得每个异常数据的类型、级别和发生的时间等信息。根据异常类型和严重程度，为每个异常数据确定一个预警级别，例如预警级别为低、中、高等，以表示异常对监测车辆可能造成的影响程度。为每个异常数据生成一条预警信息，所述预警信息包含异常的详细描述、预警级别、发生时间等关键信息，通过短信、邮件、手机APP推送等通知方式，将生成的预警信息发送给车辆操作人员和维修人员，进行所述监测车辆的异常预警。

进一步而言，本申请还包括：

步骤S810：设置数据更迭周期；

步骤S820：通过所述数据更迭周期进行所述独立异常特征值和所述融合异常特征值的特征更迭；

步骤S830：基于特征更迭结果进行后续的异常数据采集控制。

具体而言，需要根据实际应用场景和监测车辆的运行状况，设定合适的数据更迭周期，数据更迭周期可以是固定的时间间隔，如每天、每周等，或者基于特定条件触发，如车辆行驶里程、发生故障事件等。根据设定的数据更迭周期，定期更新独立异常特征值和融合异常特征值，更新过程包括重新对监测数据进行特征提取、融合和关联分析等，以确保特征值能够准确反映车辆的当前状态和故障状况。

根据特征更迭结果，调整异常数据采集的策略和参数，例如，针对发现的新异常特征或融合异常特征，调整数据采集频率、采集范围等，以提高数据采集的准确性和有效性。同时，根据特征更迭结果，对预警策略进行调整，如修改预警级别阈值，以提高预警的准确性和及时性。通过这些步骤，可以实现对独立异常特征值和融合异常特征值的动态更新和调整，提高车辆异常监测和预警的准确性和实时性。

综上所述，本申请实施例所提供的一种基于轮式车辆传动异常预警的数据采集方法及系统具有如下技术效果：

1.交互获取传动系统的N组监测信号，并生成故障特征，进行信号的数据降噪处理，执行异常特征提取确定N组异常特征，进行关联分析确定独立异常特征值。构建特征融合规则，对N组异常特征中每组异常特征进行特征融合，确定特征融合结果，进行融合关联验证，输出融合异常特征值，交互获得车辆预警信息，进行模糊匹配获得模糊匹配结果，生成需求采集数据，基于需求采集数据控制对监测车辆的数据采集。解决了传统轮式车辆传动异常预警方法依赖于人工监测和经验判断，导致存在错误诊断、漏检、效率低的技术问题，实现了减少对人工经验的依赖，降低错误诊断和漏检的风险，达到提高轮式车辆传动系统异常检测的准确性和实时性的技术效果。

2.通过对传动系统的多组监测信号进行预处理、降噪、特征提取和关联分析，准确地识别出异常特征，从而提高故障检测的准确性。

3.利用特征融合和关联分析方法，实现对异常特征的综合评估，从而减少误报和漏报的风险。

4.基于模糊匹配方法，实现对车辆预警信息的智能匹配，从而提高预警的实时性和准确性。

实施例2

基于与前述实施例中一种基于轮式车辆传动异常预警的数据采集方法相同的发明构思，如图4所示，本申请提供了一种基于轮式车辆传动异常预警的数据采集系统，所述系统包括：

故障特征获取模块10，所述故障特征获取模块10用于交互获取传动系统的N组监测信号，并生成所述传动系统的系统故障特征，其中，所述系统故障特征与所述N组监测信号具有映射关系；

数据降噪处理模块20，所述数据降噪处理模块20用于对所述N组监测信号进行信号的数据降噪处理，并对降噪处理后的所述N组监测信号执行异常特征提取，确定N组异常特征，其中，所述N组异常特征为所述N组监测信号中每组监测信号中各种类信号的最大异常特征；

独立特征值获取模块30，所述独立特征值获取模块30用于通过所述N组异常特征和所述系统故障特征依据所述映射关系进行关联分析，确定独立异常特征值；

融合特征值获取模块40，所述融合特征值获取模块40用于构建特征融合规则，依据所述特征融合规则对所述N组异常特征中每组异常特征进行特征融合，确定特征融合结果，并基于所述映射关系进行融合关联验证，输出融合异常特征值；

匹配结果获取模块50，所述匹配结果获取模块50用于交互获得监测车辆的车辆预警信息，通过所述独立异常特征值和所述融合异常特征值进行所述车辆预警信息的模糊匹配，获得模糊匹配结果；

车辆数据采集模块60，所述车辆数据采集模块60用于通过所述模糊匹配结果生成需求采集数据，基于所述需求采集数据控制对所述监测车辆的数据采集。

进一步而言，所述系统还包括：

预警解析结果获取模块，用于对所述车辆预警信息进行预警解析，生成预警解析结果，其中，所述预警解析结果包括初始预警等级；

异常检测需求获取模块，用于获得异常检测需求信息；

模糊匹配值获取模块，用于将所述异常检测需求信息和所述预警解析结果输入模糊评价模型，以确定特征模糊匹配值；

模糊匹配模块，用于通过所述模糊匹配值控制进行所述车辆预警信息的模糊匹配。

进一步而言，所述系统还包括：

特征融合数量获取模块，用于设置特征融合数量；

特征选择模块，用于基于所述特征融合数量进行所述N组异常特征中每组异常特征进行特征选择；

一组特征融合模块，用于当选择特征满足所述特征融合数量后，则完成一组特征融合；

多组特征融合模块，用于当全部的特征组合方式均组合完成时，则完成当前特征融合数量的特征融合。

进一步而言，所述系统还包括：

强弱关联评价模块，用于根据所述独立异常特征值进行特征的强弱关联评价，确定三级关联特征；

特征筛选指令获取模块，用于当所述特征融合数量为双特征融合时，则生成特征筛选指令；

第一级特征剔除模块，用于通过所述特征筛选指令控制对所述三级关联特征的第一级特征剔除；

双特征融合模块，用于根据剔除结果完成双特征融合。

进一步而言，所述系统还包括：

监测信号处理模块，用于对于所述N组监测信号中每组监测信号的每种类信号进行异常值和异常时间的归一化处理；

计算模块，用于对于任一种类信号，异常特征的计算方式包括：

其中，为单点异常特征的计算结果，/>为异常值，/>为标准值，t为持续时长，/>为单点补偿常数；

其中，为周期异常特征的计算结果，/>为周期异常均值，/>为持续时长均值，/>为异常频率，/>为周期补偿常数。

进一步而言，所述系统还包括：

数据采集集合获取模块，用于生成数据采集集合；

异常匹配模块，用于通过所述独立异常特征值和所述融合异常特征值进行所述数据采集集合的异常匹配；

异常预警模块，用于基于匹配结果进行所述监测车辆的异常预警。

进一步而言，所述系统还包括：

更迭周期获取模块，用于设置数据更迭周期；

特征更迭模块，用于通过所述数据更迭周期进行所述独立异常特征值和所述融合异常特征值的特征更迭；

异常数据采集控制模块，用于基于特征更迭结果进行后续的异常数据采集控制。

本说明书通过前述对一种基于轮式车辆传动异常预警的数据采集方法的详细描述，本领域技术人员可以清楚的知道本实施例中一种基于轮式车辆传动异常预警的数据采集方法及系统，对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下，在其它实施例中实现。因此，本申请将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (8)

1.一种基于轮式车辆传动异常预警的数据采集方法，其特征在于，所述方法包括：

交互获取传动系统的N组监测信号，并生成所述传动系统的系统故障特征，其中，所述系统故障特征与所述N组监测信号具有映射关系；

对所述N组监测信号进行信号的数据降噪处理，并对降噪处理后的所述N组监测信号执行异常特征提取，确定N组异常特征，其中，所述N组异常特征为所述N组监测信号中每组监测信号中各种类信号的最大异常特征；

通过所述N组异常特征和所述系统故障特征依据所述映射关系进行关联分析，确定独立异常特征值；

构建特征融合规则，依据所述特征融合规则对所述N组异常特征中每组异常特征进行特征融合，确定特征融合结果，并基于所述映射关系进行融合关联验证，输出融合异常特征值；

交互获得监测车辆的车辆预警信息，通过所述独立异常特征值和所述融合异常特征值进行所述车辆预警信息的模糊匹配，获得模糊匹配结果；

通过所述模糊匹配结果生成需求采集数据，基于所述需求采集数据控制对所述监测车辆的数据采集。

2.如权利要求1所述的方法，其特征在于，所述方法还包括：

对所述车辆预警信息进行预警解析，生成预警解析结果，其中，所述预警解析结果包括初始预警等级；

获得异常检测需求信息；

将所述异常检测需求信息和所述预警解析结果输入模糊评价模型，以确定特征模糊匹配值；

通过所述模糊匹配值控制进行所述车辆预警信息的模糊匹配。

3.如权利要求1所述的方法，其特征在于，所述构建特征融合规则，依据所述特征融合规则对所述N组异常特征中每组异常特征进行特征融合，还包括：

设置特征融合数量；

基于所述特征融合数量进行所述N组异常特征中每组异常特征进行特征选择；

当选择特征满足所述特征融合数量后，则完成一组特征融合；

当全部的特征组合方式均组合完成时，则完成当前特征融合数量的特征融合。

4.如权利要求3所述的方法，其特征在于，所述方法还包括：

根据所述独立异常特征值进行特征的强弱关联评价，确定三级关联特征；

当所述特征融合数量为双特征融合时，则生成特征筛选指令；

通过所述特征筛选指令控制对所述三级关联特征的第一级特征剔除；

根据剔除结果完成双特征融合。

5.如权利要求1所述的方法，其特征在于，所述方法还包括：

对于所述N组监测信号中每组监测信号的每种类信号进行异常值和异常时间的归一化处理；

对于任一种类信号，异常特征的计算方式包括：

其中，为单点异常特征的计算结果，/>为异常值，/>为标准值，t为持续时长，/>为单点补偿常数；

其中，为周期异常特征的计算结果，/>为周期异常均值，/>为持续时长均值，/>为异常频率，/>为周期补偿常数。

6.如权利要求1所述的方法，其特征在于，所述方法还包括：

生成数据采集集合；

通过所述独立异常特征值和所述融合异常特征值进行所述数据采集集合的异常匹配；

基于匹配结果进行所述监测车辆的异常预警。

7.如权利要求1所述的方法，其特征在于，所述方法还包括：

设置数据更迭周期；

通过所述数据更迭周期进行所述独立异常特征值和所述融合异常特征值的特征更迭；

基于特征更迭结果进行后续的异常数据采集控制。

8.一种基于轮式车辆传动异常预警的数据采集系统，其特征在于，所述系统包括：

故障特征获取模块，所述故障特征获取模块用于交互获取传动系统的N组监测信号，并生成所述传动系统的系统故障特征，其中，所述系统故障特征与所述N组监测信号具有映射关系；

数据降噪处理模块，所述数据降噪处理模块用于对所述N组监测信号进行信号的数据降噪处理，并对降噪处理后的所述N组监测信号执行异常特征提取，确定N组异常特征，其中，所述N组异常特征为所述N组监测信号中每组监测信号中各种类信号的最大异常特征；

独立特征值获取模块，所述独立特征值获取模块用于通过所述N组异常特征和所述系统故障特征依据所述映射关系进行关联分析，确定独立异常特征值；

融合特征值获取模块，所述融合特征值获取模块用于构建特征融合规则，依据所述特征融合规则对所述N组异常特征中每组异常特征进行特征融合，确定特征融合结果，并基于所述映射关系进行融合关联验证，输出融合异常特征值；

匹配结果获取模块，所述匹配结果获取模块用于交互获得监测车辆的车辆预警信息，通过所述独立异常特征值和所述融合异常特征值进行所述车辆预警信息的模糊匹配，获得模糊匹配结果；

车辆数据采集模块，所述车辆数据采集模块用于通过所述模糊匹配结果生成需求采集数据，基于所述需求采集数据控制对所述监测车辆的数据采集。