CN117332341A - 基于物联网的飞机轮挡数据智能管理方法及系统 - Google Patents
基于物联网的飞机轮挡数据智能管理方法及系统 Download PDFInfo
- Publication number
- CN117332341A CN117332341A CN202311596163.6A CN202311596163A CN117332341A CN 117332341 A CN117332341 A CN 117332341A CN 202311596163 A CN202311596163 A CN 202311596163A CN 117332341 A CN117332341 A CN 117332341A
- Authority
- CN
- China
- Prior art keywords
- data
- data points
- point
- air pressure
- points
- 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.)
- Granted
Links
- 238000007726 management method Methods 0.000 title claims abstract description 26
- 230000002159 abnormal effect Effects 0.000 claims abstract description 38
- 238000001514 detection method Methods 0.000 claims abstract description 13
- 238000012937 correction Methods 0.000 claims description 36
- 230000007613 environmental effect Effects 0.000 claims description 34
- 230000005856 abnormality Effects 0.000 claims description 24
- 238000002955 isolation Methods 0.000 claims description 24
- 238000000034 method Methods 0.000 claims description 24
- 238000004364 calculation method Methods 0.000 claims description 11
- 238000004422 calculation algorithm Methods 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 5
- 230000006870 function Effects 0.000 claims description 3
- 230000008859 change Effects 0.000 abstract description 10
- 238000012545 processing Methods 0.000 abstract description 2
- 239000000758 substrate Substances 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000009530 blood pressure measurement Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000002277 temperature effect Effects 0.000 description 1
Classifications
-
- 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
- G06F18/24323—Tree-organised classifiers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
Abstract
本发明涉及电子数字数据处理技术领域,具体涉及基于物联网的飞机轮挡数据智能管理方法及系统,包括:根据气压值差异以及数据点在孤立森林中的路径长度获得初始异常程度,利用数据点的斜率差异以及气压值差异调节初始异常程度获得真实异常程度,结合孤立树的深度差异调节真实异常程度获得数据点的权重,利用权重调节路径长度获得数据点的异常值分数。本发明避免了由于环境温度变化使压力传感器得到的气压数据存在偏差而导致检测结果不准确的问题,提高了对飞机轮挡得到的轮胎气压数据进行管理时,对异常数据点进行检测的鲁棒性和准确性,进一步提高了所管理数据的真实性。
Description
技术领域
本发明涉及电子数字数据处理技术领域,具体涉及基于物联网的飞机轮挡数据智能管理方法及系统。
背景技术
目前基于物联网技术,通过在飞机轮档上安装压力传感器检测轮胎压力,保证飞机停靠过程中轮胎的气压处于安全范围。当轮胎气压过高时,轮胎的承载能力会超过设计范围,轮胎壁可能无法承受过大的压力而发生爆炸,且过高的气压也会导致轮胎在接触地面时的压力集中,造成轮胎表面磨损不均匀。
现有方法中通常使用孤立森林算法对轮胎气压数据进行异常检测,但是由于环境温度变化,导致利用压力传感器对轮胎内部气体压力数据进行采集时,可能会造成气压测量值发生偏移,导致测量结果不准确,因此对不准确的数据进行异常检测所得到的结果必然同样不准确,导致所管理的飞机轮挡数据真实性低,不利于对飞机轮胎气压数据进行有效的监测。
发明内容
本发明提供基于物联网的飞机轮挡数据智能管理方法及系统,以解决现有的问题。
本发明的基于物联网的飞机轮挡数据智能管理方法及系统采用如下技术方案:
本发明一个实施例提供了基于物联网的飞机轮挡数据智能管理方法,该方法包括以下步骤:
获取环境温度数据和轮胎气压数据,环境温度数据和轮胎气压数据中任意数据点的数值分别为温度值和气压值,任意数据点也对应一个时间点;
对轮胎气压数据进行取样获得若干个样本集,并构建所有样本集的孤立森林,获取数据点在孤立森林中的路径长度,根据数据点的气压值之间的差异以及数据点在孤立森林中的路径长度获得数据点的初始异常程度;
根据环境温度数据和轮胎气压数据中同时间点下数据点的斜率差异,以及数据点之间的气压值差异获得数据点的修正系数,所述修正系数用于描述轮胎气压数据中数据点为异常点的概率;利用数据点的修正系数对初始异常程度进行调节,获得数据点的真实异常程度,利用孤立树之间深度的差异、数据点之间气压值的差异对数据点的真实异常程度进行调节获得数据点的权重,利用数据点的权重对数据点在孤立森林中的路径长度进行调节,获得数据点的异常值分数;
利用数据点的异常值分数进行异常点检测,具体为:将轮胎气压数据中异常值分数大于阈值的数据点记为异常点,当出现异常点时进行标记和报警,其中阈值/>为预设的超参数。
进一步地,所述对轮胎气压数据进行取样获得若干个样本集,并构建所有样本集的孤立森林,包括的具体方法为:
随机选取轮胎气压数据中个数据点,获得/>个数据点形成的集合记为样本集,获得若干个样本集,轮胎气压数据中一个数据点存在于多个样本集中,其中/>为预设的超参数;
构建孤立森林模型,将轮胎气压数据中所有数据点输入到孤立森林模型中,一个样本集对应孤立森林中的一个孤立树,任意孤立树对应一个深度,轮胎气压数据中一个数据点存在于多个孤立树中。
进一步地,所述根据数据点的气压值之间的差异以及数据点在孤立森林中的路径长度获得数据点的初始异常程度,包括的具体方法为:
将任意数据点记为目标数据点,在目标数据点对应的任意样本集中,将与目标数据点之间的气压值的差值绝对值最小的个数据点记为目标像素点的近似数据点,其中/>为预设的超参数;
初始异常程度的具体计算方法为:
其中,表示轮胎气压数据的第/>个数据点在对应的第/>个孤立树中的初始异常程度;/>表示轮胎气压数据的第/>个数据点在第/>个孤立树中的路径长度;/>表示轮胎气压数据的第/>个数据点的气压值;/>表示轮胎气压数据的第/>个数据点对应的第/>个样本集中所有数据点的平均气压值;/>表示轮胎气压数据的第/>个数据点对应的第/>个样本集中第/>个近似数据点的气压值;/>表示数据点的近似数据点的数量;/>表示获取绝对值。
进一步地,所述根据环境温度数据和轮胎气压数据中同时间点下数据点的斜率差异,以及数据点之间的气压值差异获得数据点的修正系数,包括的具体方法为:
获取轮胎气压数据中数据点的修正系数,具体计算方法为:
其中,表示轮胎气压数据的第/>个数据点的修正系数;/>表示轮胎气压数据的第/>个数据点的气压值;/>表示轮胎气压数据中所有数据点的平均气压值;/>表示轮胎气压数据的第/>个数据点的斜率;/>表示轮胎气压数据的第/>个数据点在环境温度数据中对应的同时数据点的斜率;/>表示斜率相关性;/>表示以自然常数为底数的指数函数;/>表示获取绝对值。
进一步地,所述斜率相关性的具体获取方法为:
将在相同时间点下,环境温度数据中的数据点记为轮胎气压数据中数据点的同时数据点,获取环境温度数据和轮胎气压数据中任意数据点的斜率,将环境温度数据和轮胎气压数据的第个数据点与第/>个数据点的斜率之间的差值绝对值记为数据点的斜率差,将轮胎气压数据中任意数据点与环境温度数据中对应的同时数据点的斜率差之间的比值记为轮胎气压数据中数据点对应时间点下的斜率比,将轮胎气压数据中所有数据点在对应时间下的斜率比的均值记为斜率相关性。
进一步地,所述利用数据点的修正系数对初始异常程度进行调节,获得数据点的真实异常程度,包括的具体方法为:
将轮胎气压数据的第个数据点在对应的第/>个孤立树中的初始异常程度,与第/>个数据点的修正系数之间的乘积,记为第/>个数据点在对应的第/>个孤立树中的真实异常程度。
进一步地,所述利用孤立树之间深度的差异、数据点之间气压值的差异对数据点的真实异常程度进行调节获得数据点的权重,包括的具体方法为:
获取孤立森林中数据点的权重,具体计算方法为:
其中,表示轮胎气压数据的第/>个数据点在对应的第/>个孤立树中的权重;/>表示轮胎气压数据的第/>个数据点在对应的第/>个孤立树中的真实异常程度;/>表示轮胎气压数据的第/>个数据点对应的第/>个孤立树的深度;/>表示轮胎气压数据的第/>个数据点对应的所有孤立树的平均深度;/>表示轮胎气压数据的第/>个数据点在对应的第/>个孤立树中第个数据点的气压值;/>表示轮胎气压数据的第/>个数据点在对应的第/>个孤立树中所有数据点的平均气压值;/>表示轮胎气压数据的第/>个数据点在对应的第/>个孤立树中数据点的数量;/>表示获取绝对值。
进一步地,所述利用数据点的权重对数据点在孤立森林中的路径长度进行调节,获得数据点的异常值分数,包括的具体方法为:
首先,将轮胎气压数据的第个数据点在对应的所有孤立树中权重的累加值记为数据点的第一数值,将轮胎气压数据的第/>个数据点在对应的第/>个孤立树中的权重与第一数值的比值记为数据点的第二数值;将第二数值与轮胎气压数据的第/>个数据点在第/>个孤立树中的路径长度的乘积记为数据点的第三数值,获得任意数据点的若干个第三数值,将任意数据点的所有第三数值的均值记为数据点在孤立森林中的高度参数;
然后,将轮胎气压数据的所有数据点在孤立森林中的高度参数,输入到孤立森林算法中,获取数据点的异常值分数。
本发明的实施例提供了基于物联网的飞机轮挡数据智能管理系统,该系统包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现任意一项基于物联网的飞机轮挡数据智能管理方法的步骤。
本发明的技术方案的有益效果是:通过对环境温度数据和轮胎气压数据进行综合分析,结合环境温度数据和轮胎气压数据中同时间点下数据点的斜率差异所获得的修正系数,更加准确的描述了轮胎气压数据中数据点为异常点的概率,避免了仅靠轮胎气压数据进行异常检测时,由于环境温度变化使压力传感器得到的气压数据存在偏差而导致检测结果不准确的问题,提高了对飞机轮挡得到的轮胎气压数据进行管理时,对异常数据点检测的鲁棒性和准确性,进一步提高了所管理数据的真实性。
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为本发明的基于物联网的飞机轮挡数据智能管理方法的步骤流程图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明提出的基于物联网的飞机轮挡数据智能管理方法及系统,其具体实施方式、结构、特征及其功效,详细说明如下。在下述说明中,不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外,一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的基于物联网的飞机轮挡数据智能管理方法及系统的具体方案。
请参阅图1,其示出了本发明一个实施例提供的基于物联网的飞机轮挡数据智能管理方法的步骤流程图,该方法包括以下步骤:
步骤S001:获取环境温度数据和轮胎气压数据。
需要说明的是,本实施例的目的:结合对于轮胎气压数据以及环境温度数据的分析获得每一个数据点在一个孤立树中的异常程度,结合对每个数据点所在孤立树得到优化后的每个数据点在孤立森林中的路径长度,实现对每个压力数据点的异常值分数的自适应修正,实现对异常数据的准确检测。
具体的,为了实现本实施例提出的基于物联网的飞机轮挡数据智能管理方法,首先需要采集环境温度数据和轮胎气压数据,具体过程为:
分别使用飞机轮状上安装的高精度温度计、轮胎压力监测系统分别对环境温度和飞机轮胎的内部气压进行数据采集,获得环境温度数据和轮胎气压数据,环境温度数据中任意数据点对应一个时间点和一个温度值,轮胎气压数据中任意数据点对应一个时间点和一个气压值。
需要说明的是,在对环境温度数据、轮胎压力数据进行采集时,需要在同一时间段内进行采集,且采集频率也应保持一致,本实施例中对于环境温度数据、轮胎压力数据的采集总时长为一小时,采集频率为每0.5秒一次,可根据实际情况进行调整,本实施例不进行具体限定。
至此,通过上述方法得到环境温度数据和轮胎气压数据。
步骤S002:对轮胎气压数据进行取样获得若干个样本集,并构建所有样本集的孤立森林模型,根据数据点的气压值之间的差异以及数据点在孤立森林中的路径长度获得数据点的初始异常程度。
需要说明的是,对于轮胎气压数据中每个数据点在单个孤立树中的初始异常程度的分析可以反映数据点所在孤立树对于该数据点的特征表现能力,具体的,每个数据点在孤立森林的单个孤立树中距离其根节点的路径长度越短,越有可能为异常点;每个数据点与其他数据点的数值差异越大,越有可能为异常点;每个数据点与其数值相近的数据点之间的差异越大,说明数值相近的数据点越少,越有可能存在异常。
具体的,首先,随机选取轮胎气压数据中个数据点,获得/>个数据点形成的集合记为样本集,获得若干个样本集,轮胎气压数据中一个数据点存在于多个样本集中,将任意数据点记为目标数据点,在目标数据点对应的任意样本集中,将与目标数据点之间的气压值的差值绝对值最小的/>个数据点记为目标像素点的近似数据点,其中/>和/>均为预设的超参数。
需要说明的是,根据经验预设超参数和/>分别为/>,/>,可根据实际情况进行调整,本实施例不进行具体限定;另外,获得的所有样本集中包含的数据点不完全相同。
然后,构建孤立森林模型,将轮胎气压数据中所有数据点输入到孤立森林模型中,一个样本集对应孤立森林中的一个孤立树,任意孤立树对应一个深度,轮胎气压数据中一个数据点存在于多个孤立树中,获取任意数据点在孤立树中的路径长度。
最后,获取轮胎气压数据中数据点的初始异常程度,具体计算方法为:
其中,表示轮胎气压数据的第/>个数据点在对应的第/>个孤立树中的初始异常程度;/>表示轮胎气压数据的第/>个数据点在第/>个孤立树中的路径长度;/>表示轮胎气压数据的第/>个数据点的气压值;/>表示轮胎气压数据的第/>个数据点对应的第/>个样本集中所有数据点的平均气压值;/>表示轮胎气压数据的第/>个数据点对应的第/>个样本集中第/>个近似数据点的气压值;/>表示数据点的近似数据点的数量;/>表示获取绝对值。
需要说明的是,表示数据点的气压值与所在样本集中所有数据点的平均气压值之间的差异,差异越大,说明该数据点越有可能为异常点,也说明数据点在对应表孤立树的路径长度的可信度越高。/>表示数据点与对应近似数据点之间的差异,差异越大说明与数据点在气压值大小上相近的程度越低,则表示在样本集中与该数据点相近似的数据点越少,则该数据点越有可能为异常点。
至此,通过上述方法得到轮胎气压数据中数据点的初始异常程度。
步骤S003:根据环境温度数据和轮胎气压数据中同时间点下数据点的斜率差异,以及数据点之间的气压值差异获得数据点的修正系数,利用数据点的修正系数对初始异常程度进行调节,获得数据点的真实异常程度,将孤立树之间深度的差异、数据点之间气压值的差异以及数据点的真实异常程度进行融合获得数据点的权重,利用数据点的权重对数据点在孤立森林中的路径长度进行调节,获得数据点的异常值分数。
需要说明的是,由于环境温度发生会引起轮胎内气压随之发生变化,可能会出现温度异常点,另外孤立森林算法是随机选取的每个孤立树的根节点以及分裂值会导致选取结果不能达到最佳,所以很有必要对初始异常程度进行修正。那么对每个数据点在一个孤立树中的初始异常程度进行修正,其修正系数越大对应修正后的真实异常程度越大。对于每个压力数据点异常程度的修正系数的分析可以通过对每个压力数据点在原始时序序列的数值大小以及在原始时序序列中与同时刻下的温度数据变化的相关性来获得。具体的,每个压力数据点在原始时序序列中的数值越大,越可能是异常数据,对应修正系数应该越大;每个压力数据点与同时刻的温度数据变化的相关性越强,可以说明该压力数据越可能属于温度影响产生的假异常,那么其修正系数应该越小。在获得每个压力数据点初始异常程度的修正系数之后,在对初始异常程度进行修正得到每个压力数据点在每个孤立树中的真实异常程度。
具体的,步骤(1),首先,将在相同时间点下,环境温度数据中的数据点记为轮胎气压数据中数据点的同时数据点,获取环境温度数据和轮胎气压数据中任意数据点的斜率,将环境温度数据和轮胎气压数据的第个数据点与第/>个数据点的斜率之间的差值绝对值记为数据点的斜率差,将轮胎气压数据中任意数据点与环境温度数据中对应的同时数据点的斜率差之间的比值记为轮胎气压数据中数据点对应时间点下的斜率比,将轮胎气压数据中所有数据点在对应时间下的斜率比的均值记为斜率相关性。
然后,获取轮胎气压数据中数据点的修正系数,具体计算方法为:
其中,表示轮胎气压数据的第/>个数据点的修正系数;/>表示轮胎气压数据的第/>个数据点的气压值;/>表示轮胎气压数据中所有数据点的平均气压值;/>表示轮胎气压数据的第/>个数据点的斜率;/>表示轮胎气压数据的第/>个数据点在环境温度数据中对应的同时数据点的斜率;/>表示斜率相关性;/>表示以自然常数为底数的指数函数;/>表示获取绝对值。
需要说明的是,表示轮胎气压数据中数据点的气压值与平均气压值之间的差异,差异越大,数据点越可能是异常点。所述修正系数用于描述轮胎气压数据中数据点为异常点的概率,修正系数越大,数据点为异常点的概率越大,反之越小。
需要说明的是,表示同时间点下,轮胎气压数据中数据点的斜率与环境温度数据中数据点的斜率的比值,反映了同一时刻下,飞机轮胎气压与环境温度发生变化之间的相关性;/>表示同时间点下轮胎气压数据中数据点的斜率与环境温度数据中数据点的斜率的比值,与斜率相关性之间的差异,差异越大,说明轮胎气压数据中数据点发生异常的可能性与环境温度变化之间越不相关,则对应修正系数应该越小。
然后,利用修正系数对初始异常程度进行修正得到真实异常程度,具体计算方法为:
其中,表示轮胎气压数据的第/>个数据点在对应的第/>个孤立树中的真实异常程度;/>表示轮胎气压数据的第/>个数据点在对应的第/>个孤立树中的初始异常程度;/>表示轮胎气压数据的第/>个数据点的修正系数。
需要说明的是,所述真实异常程度用于描述轮胎气压数据中数据点为异常点的概率,真实异常程度越大,数据点为异常点的概率越大,反之越小,其中数据点的真实异常程度与数据点的初始异常程度和修正系数呈正比关系。
步骤(2),首先,获取孤立森林中数据点的权重,具体计算方法为:
其中,表示轮胎气压数据的第/>个数据点在对应的第/>个孤立树中的权重;/>表示轮胎气压数据的第/>个数据点在对应的第/>个孤立树中的真实异常程度;/>表示轮胎气压数据的第/>个数据点对应的第/>个孤立树的深度;/>表示轮胎气压数据的第/>个数据点对应的所有孤立树的平均深度;/>表示轮胎气压数据的第/>个数据点在对应的第/>个孤立树中第个数据点的气压值;/>表示轮胎气压数据的第/>个数据点在对应的第/>个孤立树中所有数据点的平均气压值;/>表示轮胎气压数据的第/>个数据点在对应的第/>个孤立树中数据点的数量;/>表示获取绝对值。
需要说明的是,数据点的真实异常程度越大在对应的孤立树中的权重越大。
需要说明的是,表示数据点的一个孤立树的深度与数据点对应的所有孤立树的平均深度之间的差异,差异越小,说明孤立树的深度越适中,对数据点是否异常的描述能力越强,因此数据点在对应孤立树中的权重越大。/>表示数据点对应的孤立树中一个数据点的气压值与孤立树中所有数据点的平均气压值之间的差异,差异越大,说明该孤立树内数据点的气压值分布越离散,孤立树对数据点是否异常的描述能力越弱,的性能越差,因此数据点在对应孤立树中的权重越小。
然后,获取轮胎气压数据中数据点在孤立森林中的高度参数,具体计算方法为:
其中,表示轮胎气压数据的第/>个数据点在孤立森林中的高度参数;/>表示轮胎气压数据的第/>个数据点在对应的第/>个孤立树中的权重;/>表示轮胎气压数据的第/>个数据点在对应的所有孤立树中权重的累加值;/>表示轮胎气压数据的第/>个数据点在第/>个孤立树中的路径长度;/>表示轮胎气压数据的第/>个数据点对应的孤立树的数量。
最后,将轮胎气压数据的所有数据点在孤立森林中的高度参数,输入到孤立森林算法中,获取数据点的异常值分数。
需要说明的是,孤立森林算法为现有的异常检测算法,因此本实施例不进行赘述。
需要说明的是,本实施例通过对同时刻下的轮胎压力数据和环境温度数据变化特征进行分析,并对每个数据点在孤立森林中的高度进行修正,进而实现对每个压力数据点的异常值分数的自适应修正,提高了数据点通过孤立森林算法得到的异常值分数,会更能够反映数据点的气压值与环境温度之间的变化关系,提高了对轮胎气压数据中异常点检测过程中的鲁棒性和准确性。
至此,通过上述方法得到轮胎气压数据中数据点的异常值分数。
步骤S004:利用数据点的异常值分数进行异常点检测。
具体的,将轮胎气压数据中异常值分数大于阈值的数据点记为异常点,当出现异常点时进行标记和报警,其中阈值/>为预设的超参数。
需要说明的是,根据经验预设阈值,可根据实际情况进行调整,本实施例不进行具体限定。
通过以上步骤,完成对轮胎气压数据中的异常点检测。
本发明的实施例提供了基于物联网的飞机轮挡数据智能管理系统,该系统包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现步骤S001到步骤S004中基于物联网的飞机轮挡数据智能管理方法的步骤。
本实施例通过将飞机轮挡获得的环境温度数据和轮胎气压数据进行综合分析,通过结合环境温度数据和轮胎气压数据中同时间点下数据点的斜率差异所获得的修正系数,更加准确的描述了轮胎气压数据中数据点为异常点的概率,避免了仅靠轮胎气压数据进行异常检测时,由于环境温度变化使压力传感器得到的气压数据存在偏差而导致检测结果不准确的问题,提高了对飞机轮挡得到的轮胎气压数据进行管理时,对异常数据点检测的鲁棒性和准确性,进一步提高了所管理数据的真实性。
需要说明的是,本实施例中所用的模型仅用于表示负相关关系和约束模型输出的结果处于/>区间内,具体实施时,可替换成具有同样目的的其他模型,本实施例只是以/>模型为例进行叙述,不对其做具体限定,其中/>是指该模型的输入。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (9)
1.基于物联网的飞机轮挡数据智能管理方法,其特征在于,该方法包括以下步骤:
获取环境温度数据和轮胎气压数据,环境温度数据和轮胎气压数据中任意数据点的数值分别为温度值和气压值,任意数据点也对应一个时间点;
对轮胎气压数据进行取样获得若干个样本集,并构建所有样本集的孤立森林,获取数据点在孤立森林中的路径长度,根据数据点的气压值之间的差异以及数据点在孤立森林中的路径长度获得数据点的初始异常程度;
根据环境温度数据和轮胎气压数据中同时间点下数据点的斜率差异,以及数据点之间的气压值差异获得数据点的修正系数,所述修正系数用于描述轮胎气压数据中数据点为异常点的概率;利用数据点的修正系数对初始异常程度进行调节,获得数据点的真实异常程度,利用孤立树之间深度的差异、数据点之间气压值的差异对数据点的真实异常程度进行调节获得数据点的权重,利用数据点的权重对数据点在孤立森林中的路径长度进行调节,获得数据点的异常值分数;
利用数据点的异常值分数进行异常点检测,具体为:将轮胎气压数据中异常值分数大于阈值的数据点记为异常点,当出现异常点时进行标记和报警,其中阈值/>为预设的超参数。
2.根据权利要求1所述基于物联网的飞机轮挡数据智能管理方法,其特征在于,所述对轮胎气压数据进行取样获得若干个样本集,并构建所有样本集的孤立森林,包括的具体方法为:
随机选取轮胎气压数据中个数据点,获得/>个数据点形成的集合记为样本集,获得若干个样本集,轮胎气压数据中一个数据点存在于多个样本集中,其中/>为预设的超参数;
构建孤立森林模型,将轮胎气压数据中所有数据点输入到孤立森林模型中,一个样本集对应孤立森林中的一个孤立树,任意孤立树对应一个深度,轮胎气压数据中一个数据点存在于多个孤立树中。
3.根据权利要求1所述基于物联网的飞机轮挡数据智能管理方法,其特征在于,所述根据数据点的气压值之间的差异以及数据点在孤立森林中的路径长度获得数据点的初始异常程度,包括的具体方法为:
将任意数据点记为目标数据点,在目标数据点对应的任意样本集中,将与目标数据点之间的气压值的差值绝对值最小的个数据点记为目标像素点的近似数据点,其中/>为预设的超参数;
初始异常程度的具体计算方法为:
其中,表示轮胎气压数据的第/>个数据点在对应的第/>个孤立树中的初始异常程度;表示轮胎气压数据的第/>个数据点在第/>个孤立树中的路径长度;/>表示轮胎气压数据的第/>个数据点的气压值;/>表示轮胎气压数据的第/>个数据点对应的第/>个样本集中所有数据点的平均气压值;/>表示轮胎气压数据的第/>个数据点对应的第/>个样本集中第/>个近似数据点的气压值;/>表示数据点的近似数据点的数量;/>表示获取绝对值。
4.根据权利要求1所述基于物联网的飞机轮挡数据智能管理方法,其特征在于,所述根据环境温度数据和轮胎气压数据中同时间点下数据点的斜率差异,以及数据点之间的气压值差异获得数据点的修正系数,包括的具体方法为:
获取轮胎气压数据中数据点的修正系数,具体计算方法为:
其中,表示轮胎气压数据的第/>个数据点的修正系数;/>表示轮胎气压数据的第/>个数据点的气压值;/>表示轮胎气压数据中所有数据点的平均气压值;/>表示轮胎气压数据的第/>个数据点的斜率;/>表示轮胎气压数据的第/>个数据点在环境温度数据中对应的同时数据点的斜率;/>表示斜率相关性;/>表示以自然常数为底数的指数函数;/>表示获取绝对值。
5.根据权利要求4所述基于物联网的飞机轮挡数据智能管理方法,其特征在于,所述斜率相关性的具体获取方法为:
将在相同时间点下,环境温度数据中的数据点记为轮胎气压数据中数据点的同时数据点,获取环境温度数据和轮胎气压数据中任意数据点的斜率,将环境温度数据和轮胎气压数据的第个数据点与第/>个数据点的斜率之间的差值绝对值记为数据点的斜率差,将轮胎气压数据中任意数据点与环境温度数据中对应的同时数据点的斜率差之间的比值记为轮胎气压数据中数据点对应时间点下的斜率比,将轮胎气压数据中所有数据点在对应时间下的斜率比的均值记为斜率相关性。
6.根据权利要求1所述基于物联网的飞机轮挡数据智能管理方法,其特征在于,所述利用数据点的修正系数对初始异常程度进行调节,获得数据点的真实异常程度,包括的具体方法为:
将轮胎气压数据的第个数据点在对应的第/>个孤立树中的初始异常程度,与第/>个数据点的修正系数之间的乘积,记为第/>个数据点在对应的第/>个孤立树中的真实异常程度。
7.根据权利要求1所述基于物联网的飞机轮挡数据智能管理方法,其特征在于,所述利用孤立树之间深度的差异、数据点之间气压值的差异对数据点的真实异常程度进行调节获得数据点的权重,包括的具体方法为:
获取孤立森林中数据点的权重,具体计算方法为:
其中,表示轮胎气压数据的第/>个数据点在对应的第/>个孤立树中的权重;/>表示轮胎气压数据的第/>个数据点在对应的第/>个孤立树中的真实异常程度;/>表示轮胎气压数据的第/>个数据点对应的第/>个孤立树的深度;/>表示轮胎气压数据的第/>个数据点对应的所有孤立树的平均深度;/>表示轮胎气压数据的第/>个数据点在对应的第/>个孤立树中第/>个数据点的气压值;/>表示轮胎气压数据的第/>个数据点在对应的第/>个孤立树中所有数据点的平均气压值;/>表示轮胎气压数据的第/>个数据点在对应的第/>个孤立树中数据点的数量;/>表示获取绝对值。
8.根据权利要求1所述基于物联网的飞机轮挡数据智能管理方法,其特征在于,所述利用数据点的权重对数据点在孤立森林中的路径长度进行调节,获得数据点的异常值分数,包括的具体方法为:
首先,将轮胎气压数据的第个数据点在对应的所有孤立树中权重的累加值记为数据点的第一数值,将轮胎气压数据的第/>个数据点在对应的第/>个孤立树中的权重与第一数值的比值记为数据点的第二数值;将第二数值与轮胎气压数据的第/>个数据点在第/>个孤立树中的路径长度的乘积记为数据点的第三数值,获得任意数据点的若干个第三数值,将任意数据点的所有第三数值的均值记为数据点在孤立森林中的高度参数;
然后,将轮胎气压数据的所有数据点在孤立森林中的高度参数,输入到孤立森林算法中,获取数据点的异常值分数。
9.基于物联网的飞机轮挡数据智能管理系统,包括存储器、处理器以及存储在所述存储器中并可在所述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计算机程序时实现如权利要求1~8任意一项基于物联网的飞机轮挡数据智能管理方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311596163.6A CN117332341B (zh) | 2023-11-28 | 2023-11-28 | 基于物联网的飞机轮挡数据智能管理方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311596163.6A CN117332341B (zh) | 2023-11-28 | 2023-11-28 | 基于物联网的飞机轮挡数据智能管理方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117332341A true CN117332341A (zh) | 2024-01-02 |
CN117332341B CN117332341B (zh) | 2024-02-02 |
Family
ID=89283333
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311596163.6A Active CN117332341B (zh) | 2023-11-28 | 2023-11-28 | 基于物联网的飞机轮挡数据智能管理方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117332341B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117540304A (zh) * | 2024-01-10 | 2024-02-09 | 山东盈和新材料科技有限公司 | 一种粘合剂生产数据高效处理方法 |
CN117574307A (zh) * | 2024-01-17 | 2024-02-20 | 广东云百科技有限公司 | 一种物联网数据的安全管理系统及方法 |
CN117540304B (zh) * | 2024-01-10 | 2024-05-17 | 山东盈和新材料科技有限公司 | 一种粘合剂生产数据处理方法 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2002103931A (ja) * | 2000-09-29 | 2002-04-09 | Haruyuki Takagi | 空気入りタイヤの異常監視装置 |
JP2005212669A (ja) * | 2004-01-30 | 2005-08-11 | Toyota Motor Corp | タイヤ異常検出装置 |
JP6315528B1 (ja) * | 2017-08-18 | 2018-04-25 | ブレインズテクノロジー株式会社 | 異常検知モデル構築装置、異常検知モデル構築方法及びプログラム |
JP2019074927A (ja) * | 2017-10-16 | 2019-05-16 | 株式会社ブリヂストン | タイヤの使用履歴データからの異常データ検出方法とその装置 |
CN110825917A (zh) * | 2019-11-04 | 2020-02-21 | 广州亚美信息科技有限公司 | 车辆胎压异常识别方法、装置及数据分析设备 |
CN111033504A (zh) * | 2017-08-03 | 2020-04-17 | 住友电气工业株式会社 | 检测器、检测方法和检测程序 |
CN113298297A (zh) * | 2021-05-10 | 2021-08-24 | 内蒙古工业大学 | 一种基于孤立森林与wgan网络的风电输出功率预测方法 |
CN115238787A (zh) * | 2022-07-19 | 2022-10-25 | 北京小米移动软件有限公司 | 异常数据检测方法、装置、设备及存储介质 |
CN116181635A (zh) * | 2023-03-14 | 2023-05-30 | 中车青岛四方车辆研究所有限公司 | 基于孤立森林的地铁空调压缩机的异常检测方法与系统 |
US20230311591A1 (en) * | 2020-12-11 | 2023-10-05 | Sumitomo Rubber Industries, Ltd. | Tire air pressure management system, tire air pressure management method |
CN116881819A (zh) * | 2023-09-07 | 2023-10-13 | 成都理工大学 | 一种基于孤立森林的斜拉索工作状态监测方法 |
-
2023
- 2023-11-28 CN CN202311596163.6A patent/CN117332341B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2002103931A (ja) * | 2000-09-29 | 2002-04-09 | Haruyuki Takagi | 空気入りタイヤの異常監視装置 |
JP2005212669A (ja) * | 2004-01-30 | 2005-08-11 | Toyota Motor Corp | タイヤ異常検出装置 |
CN111033504A (zh) * | 2017-08-03 | 2020-04-17 | 住友电气工业株式会社 | 检测器、检测方法和检测程序 |
JP6315528B1 (ja) * | 2017-08-18 | 2018-04-25 | ブレインズテクノロジー株式会社 | 異常検知モデル構築装置、異常検知モデル構築方法及びプログラム |
JP2019074927A (ja) * | 2017-10-16 | 2019-05-16 | 株式会社ブリヂストン | タイヤの使用履歴データからの異常データ検出方法とその装置 |
CN110825917A (zh) * | 2019-11-04 | 2020-02-21 | 广州亚美信息科技有限公司 | 车辆胎压异常识别方法、装置及数据分析设备 |
US20230311591A1 (en) * | 2020-12-11 | 2023-10-05 | Sumitomo Rubber Industries, Ltd. | Tire air pressure management system, tire air pressure management method |
CN113298297A (zh) * | 2021-05-10 | 2021-08-24 | 内蒙古工业大学 | 一种基于孤立森林与wgan网络的风电输出功率预测方法 |
CN115238787A (zh) * | 2022-07-19 | 2022-10-25 | 北京小米移动软件有限公司 | 异常数据检测方法、装置、设备及存储介质 |
CN116181635A (zh) * | 2023-03-14 | 2023-05-30 | 中车青岛四方车辆研究所有限公司 | 基于孤立森林的地铁空调压缩机的异常检测方法与系统 |
CN116881819A (zh) * | 2023-09-07 | 2023-10-13 | 成都理工大学 | 一种基于孤立森林的斜拉索工作状态监测方法 |
Non-Patent Citations (3)
Title |
---|
CONOR MCKINNON 等: "Comparison of New Anomaly Detection Technique for Wind Turbine Condition Monitoring Using Gearbox SCADA Data", 《ENERGIES》, pages 1 - 19 * |
J. HOFMOCKEL 等: "Isolation Forest for Anomaly Detection in Raw Vehicle Sensor Data", 《CONFERENCE: 4TH INTERNATIONAL CONFERENCE ON VEHICLE TECHNOLOGY AND INTELLIGENT TRANSPORT SYSTEMS》, pages 1 - 6 * |
魏玉: "汽车轮胎压力监测系统设计", 《汽车实用技术》, pages 64 - 67 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117540304A (zh) * | 2024-01-10 | 2024-02-09 | 山东盈和新材料科技有限公司 | 一种粘合剂生产数据高效处理方法 |
CN117540304B (zh) * | 2024-01-10 | 2024-05-17 | 山东盈和新材料科技有限公司 | 一种粘合剂生产数据处理方法 |
CN117574307A (zh) * | 2024-01-17 | 2024-02-20 | 广东云百科技有限公司 | 一种物联网数据的安全管理系统及方法 |
CN117574307B (zh) * | 2024-01-17 | 2024-05-17 | 广东云百科技有限公司 | 一种物联网数据的安全管理系统及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN117332341B (zh) | 2024-02-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN117238058B (zh) | 基于数据分析的汽车用起动机监测方法 | |
CN115659160B (zh) | 一种用于数字孪生模型优化的数据质量度量方法 | |
CN115987295A (zh) | 基于物联网的农作物监控数据高效处理方法 | |
CN110765962A (zh) | 一种基于三维点云轮廓分维值的植物识别分类方法 | |
CN116760908B (zh) | 基于数字孪生的农业信息优化管理方法及系统 | |
CN112288597A (zh) | 一种基于层次聚类和直方图算法的能耗在线异常检测方法 | |
CN108540136B (zh) | 一种适用于农业传感数据的压缩方法 | |
CN114298418A (zh) | 小麦赤霉病流行气象适宜度等级预测方法及计算机系统 | |
CN117332341B (zh) | 基于物联网的飞机轮挡数据智能管理方法及系统 | |
CN115049024A (zh) | 风速预测模型的训练方法、装置、电子设备和存储介质 | |
CN116308963A (zh) | 一种政务数据分析方法及系统 | |
CN113127464B (zh) | 农业大数据环境特征处理方法、装置及电子设备 | |
CN116484287B (zh) | 基于误差修正的土壤水分预测方法、系统、终端及介质 | |
CN106768243A (zh) | 一种快速锁定准确重量方法 | |
CN112183273A (zh) | 一种基于光谱信息及气象数据的小麦条锈病监测方法 | |
CN116994126A (zh) | 基于冠层反射率光谱的作物叶面积指数获取方法及装置 | |
CN116384594A (zh) | 基于大数据分析的作物虫害预警方法、系统、终端及介质 | |
CN116778333A (zh) | 一种基于卫星遥感影像识别的油茶林生长趋势预测方法和系统 | |
CN114372611A (zh) | 水资源优化分配方法和装置 | |
CN117787510B (zh) | 基于时序预测分析的农药残留监测过程的优化方法 | |
CN112633549A (zh) | 基于统计规律的负荷概率区间建模方法 | |
CN116610923B (zh) | 活立木生命状态的确定方法、装置、电子设备及存储介质 | |
CN117804639B (zh) | 一种胶装机温控传感器的温度校准方法及系统 | |
CN117574307B (zh) | 一种物联网数据的安全管理系统及方法 | |
CN111474294B (zh) | 一种青枯病菌溶液滴定系统 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |