CN114676782A - 一种基于高频时序数据的车辆故障预警方法及*** - Google Patents
一种基于高频时序数据的车辆故障预警方法及*** Download PDFInfo
- Publication number
- CN114676782A CN114676782A CN202210325250.7A CN202210325250A CN114676782A CN 114676782 A CN114676782 A CN 114676782A CN 202210325250 A CN202210325250 A CN 202210325250A CN 114676782 A CN114676782 A CN 114676782A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- abnormal
- time
- data
- fault
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 62
- 230000002159 abnormal effect Effects 0.000 claims abstract description 99
- 238000010586 diagram Methods 0.000 claims abstract description 36
- 238000001514 detection method Methods 0.000 claims abstract description 30
- 230000008569 process Effects 0.000 claims abstract description 19
- 238000012163 sequencing technique Methods 0.000 claims abstract description 4
- 239000011159 matrix material Substances 0.000 claims description 20
- 230000005856 abnormality Effects 0.000 claims description 19
- 230000007246 mechanism Effects 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 description 9
- 230000006870 function Effects 0.000 description 5
- 230000002123 temporal effect Effects 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000012216 screening Methods 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000006855 networking Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- 235000004257 Cordia myxa Nutrition 0.000 description 1
- 244000157795 Cordia myxa Species 0.000 description 1
- 230000003213 activating effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000002826 coolant Substances 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000002360 explosive Substances 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 239000000383 hazardous chemical Substances 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000002045 lasting effect Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000003449 preventive effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
Images
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
- G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/047—Probabilistic or stochastic networks
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Alarm Systems (AREA)
Abstract
本发明公开一种基于高频时序数据的车辆故障预警方法及***,包括:对获取的车辆运行数据按车辆ID和时间顺序进行排序,且采用不同时间窗口进行划分后,得到不同时间窗口下的多元时序数据;对排序后的车辆运行数据进行异动检测,确定潜在异常车辆;根据多元变量间的相关关系,将潜在异常车辆在不同时间窗口下的多元时序数据转换为特征相关图,根据特征相关图判断潜在异常车辆的异常程度,得到不同时间窗口下潜在异常车辆的异常得分;根据不同时间窗口下的异常得分,对异常得分超出阈值的多元时序数据进行故障类型的匹配,得到故障类型。利用时序数据中的关系量化故障发生概率,并反馈故障类型,实现车辆运行过程中的实时故障预警。
Description
技术领域
本发明涉及车辆实时故障预警技术领域,特别是涉及一种基于高频时序数据的车辆故障预警方法及***。
背景技术
本部分的陈述仅仅是提供了与本发明相关的背景技术信息,不必然构成在先技术。
设备的故障情况可以通过故障发生前的设备运行数据进行挖掘预测。根据设备运行数据的变化情况,在设备真正发生故障前,及时发现设备的异常状况并实时推送报警信息,从监控运行数据到报警推送的过程即为故障预警。
随着物流的不断壮大,商用卡车随之增多,而商用卡车营运工作负载高,是危化品、易燃易爆特种材料的主体运输工具,为保证卡车安全及时的到达目的地,就要尽可能的减少卡车在运行过程中发生故障的可能性,因此,实时故障预警至关重要。
目前大数据技术和物联网技术的发展,一些实时传感器设备可以支持以每秒一次的频率采集设备运行数据,实时故障预警通常伴随着海量高频数据的快速处理,从数据采集到报警推送的整个过程要保持低延迟,才能够让司机实时的掌握车辆的运行状态,一旦有发生故障的可能性,就可以提前采取有针对性的预防性维护,做到防患于未然。
现有的故障预警方法包括两种类型:传统的故障预警方法和基于大数据的故障预警方法。传统的故障预警方法有基于专家经验的预警、基于高性能传感器的故障预警和基于报警阈值的故障预警。
基于专家经验的故障预警以专家经验作为权重,在出现异常状况后根据专家经验权重进行推理演绎,达到模拟专家的效果,完成设备预警。这种方法在专家经验丰富的情况下可以达到不错的效果,但是也由于对专家知识的依赖,主观性较大,并不像数学模型那样精确。
基于高性能传感器的故障预警需要在设备上安装能够分析设备数据的高性能传感器,可以及时的将分析结果反馈给用户,做到超前预警。这种方法比较理想化,一些设备即使有对应的高性能传感器,价格也是比较昂贵的,不便于广泛使用。
基于报警阈值的故障预警是根据设备出厂前厂家设定的设备阈值来报警的,后台对设备进行实时的监控,一旦设备运行数据超过最大阈值或低于最小阈值,就启动报警设备。这种量身定制的方法虽然比较准确,但是报警的时间处于故障晚期,不利于对故障的早期发现和提前维修,具有一定的局限性。
基于大数据的故障预警监测的数据源均来自企业现有的数据集成中心,投入成本低。通过对历史运行数据的分析,发现潜在故障,并通过搭建算法模型预测未来的故障情况,进行实时报警推送,做到超前预警。由于不需要专家知识以及高性能传感器,基于大数据的故障预警通用性强,因此应用也较为广泛。
但是,当前基于大数据的故障预警方法,大多是通过分析历史数据给出报警信号,且在实际应用中,海量高频的历史数据存储成本太大,数据驱动模型的时间复杂度较高,故障预警的实时性较差。
发明内容
为了解决上述问题,本发明提出了一种基于高频时序数据的车辆故障预警方法及***,利用时序数据中的关系量化故障发生概率,并反馈故障类型,实现车辆运行过程中的实时故障预警。
为了实现上述目的,本发明采用如下技术方案:
第一方面,本发明提供一种基于高频时序数据的车辆故障预警方法,包括:
对获取的车辆运行数据按车辆ID和时间顺序进行排序,且采用不同时间窗口进行划分后,得到不同时间窗口下的多元时序数据;
对排序后的车辆运行数据进行异动检测,确定潜在异常车辆;
根据多元变量间的相关关系,将潜在异常车辆在不同时间窗口下的多元时序数据转换为特征相关图,根据特征相关图判断潜在异常车辆的异常程度,得到不同时间窗口下潜在异常车辆的异常得分;
根据不同时间窗口下的异常得分,对异常得分超出阈值的多元时序数据进行故障类型的匹配,得到故障类型。
作为可选择的实施方式,对获取的车辆运行数据按车辆ID进行分组,并按时间排序,设定时间窗口,将下一时刻的车辆运行数据根据车辆ID***对应队列的队尾,直至队列长度达到时间窗口的长度后,将队头数据提取,将新车辆运行数据继续***队尾,以使队列始终保持时间窗口的长度。
作为可选择的实施方式,对排序后的车辆运行数据进行异动检测的过程包括:根据当前时刻与上一时刻的车辆属性相关关系判断车辆状态是否存在异常波动。
作为可选择的实施方式,通过皮尔逊相关系数得到前时刻车辆运行数据的特征相关矩阵;通过矩阵F范数比较当前时刻与上一时刻的特征相关矩阵的大小关系,以此判断车辆状态是否存在异常波动。
作为可选择的实施方式,根据特征相关图判断潜在异常车辆的异常程度的过程包括:根据特征相关图提取多元时序数据的多尺度时空相关特征,以得到不同时间窗口下多元时序数据对应的异常得分。
作为可选择的实施方式,基于生成对抗网络进行多尺度时空相关特征的提取,具体包括:所述生成对抗网络由多层卷积层和长短期记忆网络构造,通过卷积层编码特征相关图中的空间特征,通过多层卷积层捕获多尺度空间特征,通过长短期记忆网络捕捉每层卷积层对应的时间特征,通过时间注意力机制选定最相关的时间特征,完成对多尺度时空相关特征的提取。
作为可选择的实施方式,故障类型匹配的过程包括对异常得分超出阈值的多元时序数据与历史故障序列计算相似性,以相似性最高的故障序列对应的故障类型为车辆的故障类型。
第二方面,本发明提供一种基于高频时序数据的车辆故障预警***,包括:
数据处理模块,被配置为对获取的车辆运行数据按车辆ID和时间顺序进行排序,且采用不同时间窗口进行划分后,得到不同时间窗口下的多元时序数据;
异动检测模块,被配置为对排序后的车辆运行数据进行异动检测,确定潜在异常车辆;
异常检测模块,被配置为根据多元变量间的相关关系,将潜在异常车辆在不同时间窗口下的多元时序数据转换为特征相关图,根据特征相关图判断潜在异常车辆的异常程度,得到不同时间窗口下潜在异常车辆的异常得分;
故障类型匹配模块,被配置为根据不同时间窗口下的异常得分,对异常得分超出阈值的多元时序数据进行故障类型的匹配,得到故障类型。
第三方面,本发明提供一种电子设备,包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令,所述计算机指令被处理器运行时,完成第一方面所述的方法。
第四方面,本发明提供一种计算机可读存储介质,用于存储计算机指令,所述计算机指令被处理器执行时,完成第一方面所述的方法。
与现有技术相比,本发明的有益效果为:
本发明提出一种基于高频时序数据的车辆故障预警方法及***,捕捉多元时序数据间多尺度的时空关系以增加故障预警的准确性,一方面,对在线车辆进行分组以获取每辆车一段时间的多元时序数据,另一方面,通过异动检测对海量运行数据进行筛选,减少故障预警模型的计算量,提高故障预警速度,实现基于海量高频时序数据的实时故障预警。
本发明提出一种基于高频时序数据的车辆故障预警方法及***,基于异常检测模块捕获不同尺度的时空依赖特征,可更加准确的检测异常并判断异常的严重程度;通过故障类型匹配模块对严重异常进一步计算,以得到异常未来会引发的故障类型。本发明利用时序数据中的关系量化故障发生概率,并反馈故障类型,实现车辆运行过程中的实时故障预警。
本发明附加方面的优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。
图1为本发明实施例1提供的基于高频时序数据的车辆故障预警方法的流程图;
图2为本发明实施例1提供的车辆分组示意图;
图3为本发明实施例1提供的故障预警模型框架图。
具体实施方式
下面结合附图与实施例对本发明做进一步说明。
应该指出,以下详细说明都是示例性的,旨在对本发明提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本发明的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、***、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
在不冲突的情况下,本发明中的实施例及实施例中的特征可以相互组合。
实施例1
本实施例提供一种基于海量高频时序数据的车辆实时故障预警方法,通过对获取的实时多元时序数据进行分析,实现对车辆运行过程中的故障预警,如图1所示,具体包括:
对获取的车辆运行数据按车辆ID和时间顺序进行排序,且采用不同时间窗口进行划分后,得到不同时间窗口下的多元时序数据;
对排序后的车辆运行数据进行异动检测,确定潜在异常车辆;
根据多元变量间的相关关系,将潜在异常车辆在不同时间窗口下的多元时序数据转换为特征相关图,根据特征相关图判断潜在异常车辆的异常程度,得到不同时间窗口下潜在异常车辆的异常得分;
根据不同时间窗口下的异常得分,对异常得分超出阈值的多元时序数据进行故障类型的匹配,得到故障类型。
在本实施例中,所述车辆运行数据的属性包括发动机冷却液温度、发动机转速、增压压力、车速、扭矩、燃油消耗率等;首先对获取的车辆运行数据进行预处理,所述预处理包括归一化和缺失值填充;
具体地:由于环境、数据线路以及人为因素的干扰,数据在传输过程中并不是百分比稳定的,可能会包含一些噪声和缺失值;因此本实施例对车辆运行数据进行归一化和缺失值填充,使每个属性具有相同的尺度和数量,归一化后的数据范围在[0,1]中:
其中,max是每条时序数据中的最大值,min是每条时序数据的最小值,且最大值和最小值都在定义的有效范围之内。
由于数据采集频率很高且正常情况下数据在前后两个时刻的相差并不会太大,因此本实施例使用均值填充法解决缺失值问题,公式如下:
其中,xt-1、xt、xt+1分别为t-1、t、t+1时刻的运行数据。
经过归一化与缺失值填充后,将车辆运行数据定义为:
MTS={x1,x2,…,xN}
其中,N是车辆运行数据MTS的长度,从1到N分别代表某个时刻。
t时刻的值为:
其中,xt是一个M维向量,其中t≤N,x∈RN×M。
从时刻t-w到时刻t的子序列表示为:
{xt-w,xt-w+1,…,xt}
进一步将其展开,表示为:
在本实施例中,通过车辆分组与不同时间窗口的划分可以获取每辆车一段时间的多元时序数据;
具体地,在线车辆的实时运行数据以每秒一次的频率传送到车联网数据平台,由于数据采集密度大,每次采集的数据到达的顺序都不相同,故障预警模型的分析需要输入一辆车一段时间的多元时序数据,因此需要在数据输入模型之前,将车辆实时运行数据在Flink中处理,使乱序的车联网数据按照车辆ID分组叠放,从而获取每辆车一段时间的多元时序数据,以便后续用于故障预警模型的预测,如图2所示为车辆分组示意图。
具体地,使用可迭代的键值对结构Map(映射)来暂时存储流数据中每辆车的运行数据,定义Key为String类型的车辆ID,Value为List[String]类型的车辆运行数据队列,List的长度定义为滑动时间窗口大小w;
每一时刻的车辆运行数据到达后,根据车辆ID找到对应的List并将数据***队尾;队满后,新数据到达后,先将队头数据出队,然后将新数据继续***队尾,队列始终保持w长度;
每次队满时的数据即为一辆车一个时间窗口内的一段多元时序数据,在删除队头数据前,获取当前队列中w长度的多元时序数据用于后续的处理。
无论何时,Map中始终保存着n辆车w长度的多元时序数据,n为在线车辆总数,w为时间窗口大小;本实施例通过设置三个时间窗口(w=100,200,300),以获得不同时间尺度的多元时序数据。以此方式,在实现车辆分组的同时也实现了滑动时间窗口的划分。
在本实施例中,对排序后的车辆运行数据进行异动检测,实现对海量时序数据的筛选,剔除正常运行的车辆运行数据,筛选存在潜在异常的车辆运行数据,使海量数据变成少量数据,减少故障预警模型的计算量,提高整个故障预警流程的速度。
由于车联网实时运行数据采集的时间间隔只有一秒,车辆的各个设备在正常状态下产生的数据不会在短时间间隔内发生突变。因此,可以通过t时刻的车辆运行数据与t-1时刻车辆运行数据的差异来分析车辆是否存在异常波动;若t时刻与t-1时刻的车辆状态差异较大,说明存在异常波动;有些波动是由于环境变化或其他因素的干扰,并不是真正的异常,而有些波动是真正的设备异常所产生的,因此异动检测的作用是筛选出潜在异常数据,后续还需通过模型进一步精细计算得出准确结果。
考虑到车辆单个属性的数据无论如何变化,属性之间的关系并不会发生改变,如发动机转速和扭矩的反比关系,因此本实施例的异动检测通过比较当前时刻与上一时刻的属性相关关系来判断车辆状态是否存在异常波动。具体分为计算和比较两个步骤:
首先,通过皮尔逊相关系数计算一辆车t时刻的特征相关矩阵Ct;然后,通过矩阵F范数比较当前时刻与上一时刻两个特征相关矩阵的大小关系;矩阵F范数计算公式如下:
其中,||Ct||F表示t时刻的矩阵范数,衡量t时刻特征相关矩阵的大小,若||Ct||F与||Ct-1||F存在较大差异,则说明两个时刻的车辆状态存在较大的波动,将其筛选出来作为潜在异常车辆,并将该车辆的多元时序数据进一步通过下述的步骤进行处理,最终输入模型精细计算。
在本实施例中,由于采用不同时间窗口划分车辆运行数据,所以将潜在异常车辆在不同时间窗口下的多元时序数据分别转换为特征相关图。特征相关图中每个元素通过皮尔逊相关系数计算得到;
特征相关图的具体转换过程为:有别于单变量时间序列数据,多变量时间序列数据的变量和变量之间会存在一些相关关系,将相关关系表示成一个矩阵,对于给定一个M维w长度的子序列:
它的特征相关图C∈RM×M通过以下公式计算得到:
在本实施例中,构建故障预警模型并进行训练,如图3所示,故障预警模型包括异常检测模块,所述异常检测模块基于生成对抗网络(GAN)构建,根据特征相关图,提取多元时序数据的多尺度时空相关性特征,以得到不同时间窗口下多元时序数据对应的异常得分。
生成对抗网络包括生成器和判别器,使用生成器生成的假样本和正常样本作为判别器的输入,正常样本标签为1,假样本标签为0;且由于异常样本的稀少,本实施例使用正常样本作为生成器的输入进行训练。
在生成器和判别器的对抗过程中,生成器具有强大的样本重构能力,可以很好的拟合正常情况下的设备状态;判别器具有强大的辨别是否为正常样本的能力;最后,将判别器输出的概率值称为异常得分。即,将三种尺度的正常特征相关图输入生成器中获得重构图,将重构图和正常特征相关图输入判别器中,获得异常得分,根据异常得分大小判断异常的严重程度。
在本实施例中,对输入的每一段时间子序列划分s种不同的时间尺度,即每段时间子序列都会被转换成n个M*M*s的特征矩阵后再输入异常检测模块,其中,M表示多元时序数据的维度,s表示时间尺度个数。
例如,有6个传感器,对每个传感器获取2h(7200s)的数据,那么得到一个6*7200的原始数据矩阵;然后设置一个时间窗口,如w=100s,同时设置一个时间间隔g=100s,然后就可以对原始矩阵进行切片,比如第200s,就取101-200s这100s的数据,会得到6个长度为100的向量,即为一段子序列,将其按照上述公式可以得到一个6*6的特征矩阵。按照时间间隔100s采样一次,会得到72个6*6的特征矩阵,设置了三个时间间隔(w=100,300,600),所以最终会得到72个6*6*3的特征矩阵。
本实施例用不同时间窗口下的异常得分来判断异常的严重程度,如果短时间窗口得到的异常得分较高,但是长时间窗口得到的异常得分不高,那么可能就会认为这是一次持续较短的异常。
在异常检测模型中,本实施例使用自动编码解码器和Conv-LSTM来构造生成器,如图3所示。编码器部分使用卷积来编码特征矩阵的空间特征,使用3个卷积层conv1-conv3,内核设置分别是8个3*3*3大小内核,16个3*3*8大小内核,32个2*2*16大小内核,以及1*1,2*2,2*2的步幅。
不同的卷积层编码不同尺度的空间特征,将t时刻不同尺度的特征相关图Ct链接成张量Xt,l∈RM×M×s并输入卷积层,通过以下公式得到输出:
Xt,l=f(Wl*Xt,l-1+bl)
其中,*代表卷积计算,l是卷积的层数,f是激活函数,Wl表示卷积核,bl表示偏差项。本实施例采用SELU作为激活函数。
在编码器的每一层中,原始特征图或上一级输入首先会经过一次卷积,得到结果后进一步将结果输入到一个结合注意力机制的Conv-LSTM层,注意力机制可以从Conv-LSTM各步的隐藏层状态中获取当级输出特征。
当前的隐藏层状态ht,l通过以下公式进行更新:
ht,l=ot,l°tanh(cc,l)
其中,αi采用的是softmax函数计算。
通过不同的卷积层捕获不同尺度的空间特征,通过Conv-LSTM层捕捉每一层对应的时间特征,再通过时间注意力机制选定最相关的时间特征。卷积和Conv-LSTM的联合建模可以同时捕获不同尺度的时空特征并获得编码后的特征图。
为了解码上一步获得的特征图并得到重构的特征矩阵,通过以下公式对最后一层卷积层进行解码:
在解码器的其余层,首先将解码器上一层的输出特征和编码器对应一级的输出特征级联,再经过一层反卷积得到输出,以此方法可以使模型能综合利用不同尺度的信息对数据进行重建,其余层的解码公式为:
如图3所示,解码器能够在不同的反卷积层和ConvLSTM层合并特征图,这对于提高异常检测性能是有效的。
在异常检测模型中,本实施例设置一个判别器,通过判别器的训练提高生成器生成样本的能力;使用三个卷积层依次提取空间特征,每层卷积之后通过Conv-LSTM进一步提取时间特征,通过两层全连接调整维度,最终通过激活函数softmax获得异常得分。
本实施例划分三个不同时间尺度的特征相关图,使用较短时间尺度构造的特征图得到的异常得分能够反应各种持续时间的异常情况,而使用较长时间长度构造的特征图得到的异常得分对持续时间长的异常情况并不敏感。因此,本实施例经三个不同时间尺度的异常得分,若最终异常得分大于阈值,表明三种尺度的异常情况都比较严重,可以判断是一种持续时间较长的异常或严重异常。
由于GAN采取单独交替迭代训练的方式,所以损失函数分别对生成器和判别器进行优化,首先对判别器的优化表达式为:
其中,D(X)表示对正常样本进行判别,并且越接近1越好;G(Z)表示生成器生成的样本,D(G(Z))越接近0越好,因此需要让总体的数值最大。
其次,对生成器进行优化,表达式如下:
对生成器的优化需要使判别结果D(G(Z))接近1,也就是获得最小的总数值。
最终,生成器和对抗器经过迭代训练,生成器能够很好的重构正常样本,而判别器可以很好的区分正常样本和异常样本。
在本实施例中,如图3所示,故障预警模型还包括故障类型匹配模块,以根据异常得分超出阈值的多元时序数据,得到故障类型。
所述故障类型匹配模块基于DTW算法构建,提取异常得分严重的车辆,将该车辆对应的多元时序数据与历史故障序列求相似性,相似得分高的故障序列对应的故障类型即为该车辆未来最有可能引发的故障,最终将故障类型反馈给司机。
通过异常检测模型得到每段多元时序数据的异常分数,分数越高,当前状态的异常越严重;但是很难确定该异常会导致什么样的故障。因此,本实施例通过快速故障类型匹配算法来判断异常将会引发的故障类型,具体如下:
故障类型匹配算法的输入是一个时间序列和半径参数。当异常得分大于阈值(本实施例采用0.5)时,从数据源中提取得分大于0.5的异常序列S输入故障类型匹配算法中。将异常序列S将与故障序列F进行相似性对比,F={F1,F2,…,Fn},Fi={Y1,Y2,…,Yn},Fi是故障历史数据中故障发生之前的异常序列,半径是在细化扭曲路径时从先前分辨率搜索到的投影扭曲路径之外的距离,算法的输出是异常序列S未来最有可能出现的故障类型。该算法的实现过程如下:
首先,定义必要的参数(第1行)。ScoreDict和ScoreT Dict存储S和Fi之间的相似性,即最短路径长度;minTSsize表示最低分辨率下时间序列的最小长度。
然后,通过一个循环,对n个故障进行粗过滤。对于非常短的时间序列,直接运行DTW算法(第5行),得到一个扭曲路径D和两个时间序列之间沿着该扭曲路径的距离,并将距离存储在ScoreDict中。对于长度大于minTSsize的时间序列,首先创建两个新的低分辨率时间序列,其点数是输入的时间序列的一半(第9、10行)。通过FastDTW(第11行)获得低分辨率路径和距离,距离也存储到ScoreDict中。然后提取ScoreDict中最小的三个值的key,形成一个FSet,即三个与S最相似的故障序列F的下标。
接下来,运行FastDTW,得到FSet中的S和三个时间序列之间的相似度(距离),并将距离存储在ScoreT Dict(第17,18行)中。
最后,返回ScoreT Dict中最小值的key,即未来可能发生的故障类型Z。
算法在粗粒度下得到前三个最相似的故障序列,然后在细粒度下得到最相似的故障序列。由于粗粒度下的计算时间小于细粒度下的计算时间,所以先粗粒度大范围筛选,再细粒度精细计算的策略会节省大量时间。
5、11、17行中的距离用以下公式计算:
本实施例公开的故障预警方法,通过对车辆传感器传来的实时多元时序数据进行分析,实现车辆运行过程中的实时故障预警,该故障预警方法分为两个模块,即异常检测模块和故障类型匹配模块,异常检测模块基于GAN,CNN,Conv-LSTM构造,提取多元时序数据的多尺度时空特征,提高异常检测的准确性,最终获得异常得分;在故障类型匹配模块中,基于DTW算法,通过粗细粒度结合的方式,提高故障类型匹配的速度,最终反馈给司机可能引发的故障类型。
实施例2
本实施例提供一种基于高频时序数据的车辆故障预警***,包括:
数据处理模块,被配置为对获取的车辆运行数据按车辆ID和时间顺序进行排序,且采用不同时间窗口进行划分后,得到不同时间窗口下的多元时序数据;
异动检测模块,被配置为对排序后的车辆运行数据进行异动检测,确定潜在异常车辆;
异常检测模块,被配置为根据多元变量间的相关关系,将潜在异常车辆在不同时间窗口下的多元时序数据转换为特征相关图,根据特征相关图判断潜在异常车辆的异常程度,得到不同时间窗口下潜在异常车辆的异常得分;
故障类型匹配模块,被配置为根据不同时间窗口下的异常得分,对异常得分超出阈值的多元时序数据进行故障类型的匹配,得到故障类型。
此处需要说明的是,上述模块对应于实施例1中所述的步骤,上述模块与对应的步骤所实现的示例和应用场景相同,但不限于上述实施例1所公开的内容。需要说明的是,上述模块作为***的一部分可以在诸如一组计算机可执行指令的计算机***中执行。
在更多实施例中,还提供:
一种电子设备,包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令,所述计算机指令被处理器运行时,完成实施例1中所述的方法。为了简洁,在此不再赘述。
应理解,本实施例中,处理器可以是中央处理单元CPU,处理器还可以是其他通用处理器、数字信号处理器DSP、专用集成电路ASIC,现成可编程门阵列FPGA或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器可以包括只读存储器和随机存取存储器,并向处理器提供指令和数据、存储器的一部分还可以包括非易失性随机存储器。例如,存储器还可以存储设备类型的信息。
一种计算机可读存储介质,用于存储计算机指令,所述计算机指令被处理器执行时,完成实施例1中所述的方法。
实施例1中的方法可以直接体现为硬件处理器执行完成,或者用处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器、闪存、只读存储器、可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器,处理器读取存储器中的信息,结合其硬件完成上述方法的步骤。为避免重复,这里不再详细描述。
本领域普通技术人员可以意识到,结合本实施例描述的各示例的单元即算法步骤,能够以电子硬件或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
上述虽然结合附图对本发明的具体实施方式进行了描述,但并非对本发明保护范围的限制,所属领域技术人员应该明白,在本发明的技术方案的基础上,本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。
Claims (10)
1.一种基于高频时序数据的车辆故障预警方法,其特征在于,包括:
对获取的车辆运行数据按车辆ID和时间顺序进行排序,且采用不同时间窗口进行划分后,得到不同时间窗口下的多元时序数据;
对排序后的车辆运行数据进行异动检测,确定潜在异常车辆;
根据多元变量间的相关关系,将潜在异常车辆在不同时间窗口下的多元时序数据转换为特征相关图,根据特征相关图判断潜在异常车辆的异常程度,得到不同时间窗口下潜在异常车辆的异常得分;
根据不同时间窗口下的异常得分,对异常得分超出阈值的多元时序数据进行故障类型的匹配,得到故障类型。
2.如权利要求1所述的一种基于高频时序数据的车辆故障预警方法,其特征在于,对获取的车辆运行数据按车辆ID进行分组,并按时间排序,设定时间窗口,将下一时刻的车辆运行数据根据车辆ID***对应队列的队尾,直至队列长度达到时间窗口的长度后,将队头数据提取,将新车辆运行数据继续***队尾,以使队列始终保持时间窗口的长度。
3.如权利要求1所述的一种基于高频时序数据的车辆故障预警方法,其特征在于,对排序后的车辆运行数据进行异动检测的过程包括:根据当前时刻与上一时刻的车辆属性相关关系判断车辆状态是否存在异常波动。
4.如权利要求3所述的一种基于高频时序数据的车辆故障预警方法,其特征在于,通过皮尔逊相关系数得到前时刻车辆运行数据的特征相关矩阵;通过矩阵F范数比较当前时刻与上一时刻的特征相关矩阵的大小关系,以此判断车辆状态是否存在异常波动。
5.如权利要求1所述的一种基于高频时序数据的车辆故障预警方法,其特征在于,根据特征相关图判断潜在异常车辆的异常程度的过程包括:根据特征相关图提取多元时序数据的多尺度时空相关特征,以得到不同时间窗口下多元时序数据对应的异常得分。
6.如权利要求5所述的一种基于高频时序数据的车辆故障预警方法,其特征在于,基于生成对抗网络进行多尺度时空相关特征的提取,具体包括:所述生成对抗网络由多层卷积层和长短期记忆网络构造,通过卷积层编码特征相关图中的空间特征,通过多层卷积层捕获多尺度空间特征,通过长短期记忆网络捕捉每层卷积层对应的时间特征,通过时间注意力机制选定最相关的时间特征,完成对多尺度时空相关特征的提取。
7.如权利要求1所述的一种基于高频时序数据的车辆故障预警方法,其特征在于,故障类型匹配的过程包括对异常得分超出阈值的多元时序数据与历史故障序列计算相似性,以相似性最高的故障序列对应的故障类型为车辆的故障类型。
8.一种基于高频时序数据的车辆故障预警***,其特征在于,包括:
数据处理模块,被配置为对获取的车辆运行数据按车辆ID和时间顺序进行排序,且采用不同时间窗口进行划分后,得到不同时间窗口下的多元时序数据;
异动检测模块,被配置为对排序后的车辆运行数据进行异动检测,确定潜在异常车辆;
异常检测模块,被配置为根据多元变量间的相关关系,将潜在异常车辆在不同时间窗口下的多元时序数据转换为特征相关图,根据特征相关图判断潜在异常车辆的异常程度,得到不同时间窗口下潜在异常车辆的异常得分;
故障类型匹配模块,被配置为根据不同时间窗口下的异常得分,对异常得分超出阈值的多元时序数据进行故障类型的匹配,得到故障类型。
9.一种电子设备,其特征在于,包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令,所述计算机指令被处理器运行时,完成权利要求1-7任一项所述的方法。
10.一种计算机可读存储介质,其特征在于,用于存储计算机指令,所述计算机指令被处理器执行时,完成权利要求1-7任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210325250.7A CN114676782A (zh) | 2022-03-30 | 2022-03-30 | 一种基于高频时序数据的车辆故障预警方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210325250.7A CN114676782A (zh) | 2022-03-30 | 2022-03-30 | 一种基于高频时序数据的车辆故障预警方法及*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114676782A true CN114676782A (zh) | 2022-06-28 |
Family
ID=82076076
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210325250.7A Pending CN114676782A (zh) | 2022-03-30 | 2022-03-30 | 一种基于高频时序数据的车辆故障预警方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114676782A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115479636A (zh) * | 2022-10-26 | 2022-12-16 | 中国航空工业集团公司金城南京机电液压工程研究中心 | 一种涡轮冷却器状态监测及分析方法 |
CN116450633A (zh) * | 2023-06-14 | 2023-07-18 | 中国第一汽车股份有限公司 | 车联网数据处理方法、装置、车辆及存储介质 |
CN117970182A (zh) * | 2024-03-28 | 2024-05-03 | 国网山东省电力公司曲阜市供电公司 | 一种基于dtw算法的漏电预警方法及*** |
-
2022
- 2022-03-30 CN CN202210325250.7A patent/CN114676782A/zh active Pending
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115479636A (zh) * | 2022-10-26 | 2022-12-16 | 中国航空工业集团公司金城南京机电液压工程研究中心 | 一种涡轮冷却器状态监测及分析方法 |
CN115479636B (zh) * | 2022-10-26 | 2023-10-03 | 中国航空工业集团公司金城南京机电液压工程研究中心 | 一种涡轮冷却器状态监测及分析方法 |
CN116450633A (zh) * | 2023-06-14 | 2023-07-18 | 中国第一汽车股份有限公司 | 车联网数据处理方法、装置、车辆及存储介质 |
CN116450633B (zh) * | 2023-06-14 | 2023-09-26 | 中国第一汽车股份有限公司 | 车联网数据处理方法、装置、车辆及存储介质 |
CN117970182A (zh) * | 2024-03-28 | 2024-05-03 | 国网山东省电力公司曲阜市供电公司 | 一种基于dtw算法的漏电预警方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10552727B2 (en) | Methods and systems for data traffic analysis | |
CN114676782A (zh) | 一种基于高频时序数据的车辆故障预警方法及*** | |
Cabrera et al. | Automatic feature extraction of time-series applied to fault severity assessment of helical gearbox in stationary and non-stationary speed operation | |
US20200064822A1 (en) | Unsupervised anomaly detection, diagnosis, and correction in multivariate time series data | |
CN111914873A (zh) | 一种两阶段云服务器无监督异常预测方法 | |
Zhang et al. | Deep learning algorithms for bearing fault diagnostics-a review | |
CN109581871B (zh) | 免疫对抗样本的工业控制***入侵检测方法 | |
CN111314329B (zh) | 流量入侵检测***和方法 | |
CN115510975A (zh) | 基于并行Transofmer-GRU的多变量时序异常检测方法及*** | |
CN115587335A (zh) | 异常值检测模型的训练方法、异常值检测方法及*** | |
CN115290326A (zh) | 一种滚动轴承故障智能诊断方法 | |
CN112488142A (zh) | 一种雷达故障的预测方法、装置及存储介质 | |
CN114970717A (zh) | 时序数据异常检测方法、电子设备及计算机存储介质 | |
Senanayaka et al. | Autoencoders and recurrent neural networks based algorithm for prognosis of bearing life | |
CN117589233A (zh) | 继电保护装置运行状态智能检测方法及*** | |
Xu et al. | Global attention mechanism based deep learning for remaining useful life prediction of aero-engine | |
CN112949097B (zh) | 一种基于深度迁移学习的轴承剩余寿命预测模型和方法 | |
CN117664558A (zh) | 发电机齿轮箱异常检测方法、装置、设备及存储介质 | |
CN115883424B (zh) | 一种高速骨干网间流量数据预测方法及*** | |
CN112580798A (zh) | 基于多输入多输出ResNet的设备智能预警方法 | |
CN110222840B (zh) | 一种基于注意力机制的集群资源预测方法和装置 | |
CN114580472B (zh) | 工业互联网中因果与注意力并重的大型设备故障预测方法 | |
CN116757533A (zh) | 一种工业设备异常检测方法及相关装置 | |
CN111461184A (zh) | 基于多元特征矩阵的xgb多维运维数据异常检测方法 | |
Xiao et al. | Health assessment for piston pump using LSTM neural network |
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 |