【技術實現步驟摘要】
本專利技術屬于軌道交通異常檢測，尤其涉及一種基于有監督學習算法的軌道交通車輛異常分段檢測法及系統。
技術介紹
1、隨著城軌列車技術不斷進步和發展，地鐵車輛的制作材料廣泛采用輕量化的不銹鋼等合金，使用交流傳動和輔助逆變器供電技術，結合列車網絡控制系統和信息系統等技術，列車的運行壽命顯著加強，維修周期也有所增加。傳統的直流牽引電機在維修時，必須推出轉向架，接著對電機的整流子進行車削、打磨、清晰軸承和齒輪箱等等；使用交流牽引電機后，架修時不必檢修，對電動機進行檢查維修的周期也相應增加。較短的維修周期會增加運營維護成本，較長的維修周期則增加了列車的運行風險。常見的異常可能是電動機突然產生高電流脈沖，可以造成電動機功能故障。這在人工進行維修時不太容易復現電動機產生高電流脈沖的情景，使得距離時間較久的檢測變得困難。傳感器故障也可以直接通過觀察傳感器數據發現，重點在于通過傳感器數據來對電動機監控。
2、現有技術中采用的手段是對電動機的各項指標進行實時的檢測，若發現某項指標異常則及時安排人工進行檢修，或者等到維修周期到達時進行檢修。指標異常與否一般僅基于單個指標的絕對值進行判斷，缺乏時序特征和其他相關特征的引入。圖1是使用傳感器采集列車頭部各維度數據用以異常檢測的示意圖。
3、然而，當電動機的某項檢測指標出現明顯異常后，電動機可能已經出現了故障，既造成了電動機維修成本的提升，也增加了列車運行的風險。而且有時出現異常的原因不僅僅是部件問題，有可能一個小問題引起了主要部件的故障，這樣就必須要更換受損部件，而且還要查找最根本的
技術實現思路
1、本專利技術的目的在于提供一種基于有監督學習算法的軌道交通車輛異常分段檢測法及系統，根據目標列車電動機傳感器數據計算其時序數據所反映的異常分，并通過異常事件查找異常的時間點，誤報率低。為實現上述目的，采用的技術方案為：
2、一種基于有監督學習算法的軌道交通車輛異常分段檢測法，包括以下步驟：
3、步驟1、數據進行預處理，以獲得潛在特征和擴展標簽；
4、其中，數據包括由牽引電機上的傳感器提供的原始特征、原始特征中每個時間點對應的標簽包括異常標簽和正常標簽兩類；原始特征中每個時間點對應的標簽組成原始標簽；
5、具體包括以下步驟：對原始特征進行清洗數據操作，獲取潛在特征；
6、將異常標簽、與異常標簽相鄰的若干異常標簽組成的標簽范圍，識別為新的異常標簽，以形成擴展標簽；
7、步驟2、訓練隨機森林分類器：將步驟1獲取的潛在特征和擴展標簽均輸入隨機森林分類器以對其進行訓練；
8、步驟3、異常檢測，具體包括以下步驟：
9、步驟31、將新采集到的原始特征進行預處理獲取潛在特征后，輸入訓練好的隨機森林分類器中，訓練好的隨機森林分類器輸出每個時間點對應的異常得分；
10、步驟32、均值去噪：將每個時間點對應的異常得分輸入至均值降噪模型進行去噪處理，輸出連續時間點序列對應的平均異常得分；
11、其中，連續時間點序列的數量≥2；
12、步驟33、首先，對平均異常得分分時間段檢測，以查找每個時間段內是否存在連續的平均異常得分；
13、然后，將若干連續的平均異常得分組成的范圍識別為預測的異常事件；
14、步驟34：異常識別：若步驟31中的時間點對應的異常得分落入預測的異常事件中，則該時間點為異常時間點，該時間點對應的標簽為異常標簽。
15、優選地，所述原始特征包括：牽引電機溫度、牽引電機壓力以及牽引電機轉速。
16、優選地，步驟2中，閾值選擇基于原始標簽確定。
17、優選地，步驟33中，分時間段檢測的具體步驟包括：
18、(1)在通過均值降噪得到連續的異常得分曲線后，根據步驟2中確定的閾值，找出所有的異常點；(2)接著對于每個異常點，判斷異常點是否相連，并將連續的異常點進行視作一個異常事件(3)異常事件的長度為事件內連續的異常點的個數，舍棄長度小于既定閾值的異常事件(4)在確定最終的異常事件之后，在測試集上判斷測試集的原異常標簽是否落在異常事件范圍內，若落在這個范圍內，則視為捕獲了該異常，否則發生漏報(5)若預測的異常事件范圍內無原異常標簽出現，則視為誤報。
19、優選地，步驟1中，標簽范圍包括基于時間維度，異常標簽之前的5個異常標簽，異常標簽之后的5個異常標簽。
20、優選地，步驟2中，隨機森林中的決策樹數量設置為100。
21、一種基于有監督學習算法的軌道交通車輛異常分段檢測系統，包括：
22、數據進行預處理模型。數據預處理一般是數據清洗和數據正則化，前者處理數據當中的一些異常值，后者則是改變數據的分布，使其適應模型訓練時的數據分布。此處的數據預處理用于對傳感器提供的原始特征、原始標簽進行處理，以獲取潛在特征和擴展標簽；
23、隨機森林分類器，基于潛在特征和擴展標簽訓練；訓練完成后，基于新采集到潛在特征后，輸出每個時間點對應的異常得分；
24、均值降噪模型，基于每個時間點對應的異常得分，輸出連續時間點序列對應的平均異常得分；
25、分段檢測模型，查找每個時間段內是否存在連續的平均異常得分，并將若干連續的平均異常得分組成的范圍定義為異常事件；
26、判斷模型，判斷新采集到潛在特征中，任一時間點對應的異常得分是否落入異常事件中，并將落入的異常事件的異常得分，對應的時間點定義為異常時間點并輸出。
27、與現有技術相比，本專利技術的優點為：
28、1、基于異常的時間連續性，將異常檢測視作持續事件，從而降低了異常報警的數量，并且提高了最終的檢測結果。
29、2、為了應對異常標簽過少導致的數據不平衡現象，對現有的異常標簽進行擴展。
30、3、均值降噪方法應用在異常檢測步驟。這一方法在引入了時間連續性的同時，不僅可以用來降低臨近圖像關系中出現的噪聲，也可以降低前后時間聯系出現的噪聲。
本文檔來自技高網...【技術保護點】
1.一種基于有監督學習算法的軌道交通車輛異常分段檢測法，其特征在于，包括以下步驟：
2.根據權利要求1所述的基于有監督學習算法的軌道交通車輛異常分段檢測法，其特征在于，所述原始特征包括：牽引電機溫度、牽引電機壓力以及牽引電機轉速。
3.根據權利要求1所述的基于有監督學習算法的軌道交通車輛異常分段檢測法，其特征在于，步驟2中，閾值選擇基于原始標簽確定。
4.根據權利要求1所述的基于有監督學習算法的軌道交通車輛異常分段檢測法，其特征在于，步驟33中，分時間段檢測的具體步驟包括：
5.根據權利要求1所述的基于有監督學習算法的軌道交通車輛異常分段檢測法，其特征在于，步驟1中，標簽范圍包括基于時間維度，異常標簽之前的5個異常標簽，異常標簽之后的5個異常標簽。
6.根據權利要求1所述的基于有監督學習算法的軌道交通車輛異常分段檢測法，其特征在于，步驟2中，隨機森林中的決策樹數量設置為100。
7.一種基于有監督學習算法的軌道交通車輛異常分段檢測系統，其特征在于，包括：
【技術特征摘要】
1.一種基于有監督學習算法的軌道交通車輛異常分段檢測法，其特征在于，包括以下步驟：
2.根據權利要求1所述的基于有監督學習算法的軌道交通車輛異常分段檢測法，其特征在于，所述原始特征包括：牽引電機溫度、牽引電機壓力以及牽引電機轉速。
3.根據權利要求1所述的基于有監督學習算法的軌道交通車輛異常分段檢測法，其特征在于，步驟2中，閾值選擇基于原始標簽確定。
4.根據權利要求1所述的基于有監督學習算法的軌道交通車輛異常分段檢測法，其特征在...
【專利技術屬性】
技術研發人員：彭星輝，呂智慧，胡朝衡，翁元，郭旭，徐云龍，林俊雄，蔡誠，張武浩，
申請(專利權)人：上海鳴嘯信息科技股份有限公司，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。