CN117591986B - 基于人工智能的汽车数据实时处理方法 - Google Patents
基于人工智能的汽车数据实时处理方法 Download PDFInfo
- Publication number
- CN117591986B CN117591986B CN202410071350.0A CN202410071350A CN117591986B CN 117591986 B CN117591986 B CN 117591986B CN 202410071350 A CN202410071350 A CN 202410071350A CN 117591986 B CN117591986 B CN 117591986B
- Authority
- CN
- China
- Prior art keywords
- pressure data
- upper limit
- value
- limit value
- data
- 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.)
- Active
Links
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 15
- 238000003672 processing method Methods 0.000 title claims abstract description 15
- 230000005856 abnormality Effects 0.000 claims abstract description 84
- 238000001514 detection method Methods 0.000 claims abstract description 73
- 238000011156 evaluation Methods 0.000 claims abstract description 55
- 230000002159 abnormal effect Effects 0.000 claims abstract description 52
- 238000000034 method Methods 0.000 claims abstract description 12
- 238000004364 calculation method Methods 0.000 claims description 9
- 230000000694 effects Effects 0.000 description 9
- 238000004458 analytical method Methods 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 238000005299 abrasion Methods 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000035945 sensitivity 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
- G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M17/00—Testing of vehicles
- G01M17/007—Wheeled or endless-tracked vehicles
-
- 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
- G06F17/15—Correlation function computation including computation of convolution operations
-
- 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
- G06F18/10—Pre-processing; Data cleansing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Computational Mathematics (AREA)
- Mathematical Optimization (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Algebra (AREA)
- Artificial Intelligence (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- Measuring Fluid Pressure (AREA)
Abstract
本发明涉及数据处理技术领域,具体涉及基于人工智能的汽车数据实时处理方法。该方法包括:获取汽车轮胎的压力数据序列和汽车发动机的温度数据序列;预设上限值,计算每个压力数据序列中每个压力数据在上限值下的初始异常程度,根据初始异常程度和温度数据序列得到每个压力数据在上限值下的最终异常程度;根据最终异常程度得到每个压力数据在上限值下的异常检测评估值;根据异常检测评估值得到每个压力数据的最佳K值;根据每个压力数据的最佳K值对压力数据进行异常检测得到异常数据。通过为每个压力数据设置合适的K值,来提高压力数据异常检测的准确性。
Description
技术领域
本发明涉及数据处理技术领域,具体涉及基于人工智能的汽车数据实时处理方法。
背景技术
车辆在使用过程中会出现磨损、老化等故障可能存在安全隐患,需利用传感器实时检测车辆的关键部件的运行数据,从而能够及时掌握车辆的运行状态情况,进而能够根据车辆的运行状态情况进行驾驶调整,有效避免在道路上发生意外事故,确保驾驶员和乘客的安全。由于在汽车的关键部件的运行状态存在异常时,就会产生异常的运行数据。因而为了对汽车的运行状态的异常情况进行分析,需提取出运行数据中的异常数据。
LOF算法作为一种常用的异常分析方法,该方法一般是根据人为经验设置K值,并且该方法给每个数据设置的K值均相同。LOF算法中的K值会影响异常检测的敏感性,即当K值设置过小时,能够识别出的异常数据更多,但是也容易将正常数据误判为异常数据。而当K值设置的过大时,识别出的异常数据较少,但是不太容易将正常数据误判为异常数据。因而K值设置的合适与否会影响异常检测的精度。由于车辆的关键部件的每个时刻的运行数据的变动是不一致的,而这种变动差异会导致运行数据之间的距离产生差异。其中有些运行数据与其他运行数据之间的距离不一致是由于汽车的关键部件存在异常导致的,有些运行数据的与其他运行数据之间的距离不一致是由于其他因素干扰导致。而对于那些由于其他因素干扰导致的运行数据,如果设置过小的K值,会容易将其判定为异常数据。而对于那些由于车辆的关键部件存在异常导致运动数据,如果设置过大的K值,很容易将其判定为正常数据。因而为每个数据设置固定的K值,对于检测汽车的运行数据中异常数据不太合适。因而如何通过为每个运行数据设置合适的K值,来实现准确的检测出运行数据中的异常数据,成为亟待解决的问题。
发明内容
为了解决上述技术问题,本发明提供基于人工智能的汽车数据实时处理方法,所采用的技术方案具体如下:
获取汽车轮胎的压力数据序列和汽车发动机的温度数据序列;
预设上限值,将上限值作为K值得到压力数据序列中每个压力数据在上限值下的邻域数据,根据每个压力数据在上限值下的邻域数据之间的差值得到每个压力数据在上限值下的初始异常程度;根据每个压力数据在上限值下的初始异常程度,压力数据序列与温度数据序列的相关性,每个压力数据在上限值下的邻域数据,得到每个压力数据在上限值下的最终异常程度;
根据每个压力数据在上限值下的邻域数据之间的最终异常程度的差值得到每个压力数据在上限值下的异常检测评估值;根据每个压力数据在上限值下的异常检测评估值对K值进行调整得到每个压力数据的最佳K值;
根据每个压力数据的最佳K值对压力数据进行异常检测得到异常数据。
优选的,所述将上限值作为K值得到压力数据序列中每个压力数据在上限值下的邻域数据,包括的具体步骤为:
基于LOF算法,将上限值作为每个压力数据的K值,获取每个压力数据在K距离邻域中的压力数据,记为每个压力数据在上限值下的邻域数据。
优选的,所述根据每个压力数据在上限值下的邻域数据之间的差值得到每个压力数据在上限值下的初始异常程度,包括的具体步骤为:
根据每个压力数据在上限值下的邻域数据获取每个压力数据的局部可达密度,记为每个压力数据在上限值下的局部可达密度;
根据每个压力数据的局部可达密度得到每个压力数据在上限值下的初始异常程度。
优选的,所述根据每个压力数据的局部可达密度得到每个压力数据在上限值下的初始异常程度,包括的具体计算公式为:
其中,表示第i个压力数据在上限值下的第j个邻域数据的局部可达密度,/>表示第i个压力数据在上限值下的局部可达密度,/>表示第i个压力数据与上限值下的第j个邻域数据的欧氏距离,/>表示第i个压力数据在上限值下的邻域数据的数量,/>表示第i个压力数据在上限值下的初始异常程度。
优选的,所述根据每个压力数据在上限值下的初始异常程度,压力数据序列与温度数据序列的相关性,每个压力数据在上限值下的邻域数据,得到每个压力数据在上限值下的最终异常程度,包括的具体步骤为:
根据压力数据序列和温度数据序列得到第一相关系数和第二相关系数;根据每个压力数据在上限值下的邻域数据得到每个压力数据在上限值下的邻域相关性;
根据每个压力数据的第一相关系数、第二相关系数以及邻域相关性得到每个压力数据的最终异常程度的计算方法为:
其中,表示第i个压力数据的第二相关系数,/>表示第i个压力数据的第一相关系数,/>表示第i个压力数据在上限值下的邻域相关性,/>第i个压力数据在上限值下的初始异常程度,/>表示以自然常数为底的指数函数,/>表示第i个压力数据在上限值下的最终异常程度。
优选的,所述根据压力数据序列和温度数据序列得到第一相关系数和第二相关系数;根据每个压力数据在上限值下的邻域数据得到每个压力数据在上限值下的邻域相关性,包括的具体步骤为:
将任意一个压力数据记为目标压力数据,将压力数据序列与温度数据序列的秩相关系数,记为目标压力数据的第一相关系数,将与目标压力数据同时刻的温度数据记为目标温度数据,将压力数据序列中去除目标压力数据后得到的数据序列记为目标压力数据的剩余序列,将温度数据序列中去除目标温度数据后得到的数据序列记为目标温度数据的剩余序列,计算目标压力数据的剩余序列与目标温度数据的剩余序列的秩相关系数,记为目标压力数据的第二相关系数,获取每个压力数据的第一相关系数和第二相关系数;
获取目标压力数据在上限值下的邻域数据,将与目标压力数据在上限值下的邻域数据同时刻的温度数据作为目标温度数据在上限值下的邻域数据,计算目标压力数据与目标温度数据在上限值下的每个邻域数据的秩相关系数,将目标压力数据与目标温度数据在上限值下的所有邻域数据的秩相关系数的累加和,记为目标压力数据在上限值下的邻域相关性,获取每个压力数据在上限值下的邻域相关性。
优选的,所述根据每个压力数据在上限值下的邻域数据之间的最终异常程度的差值得到每个压力数据在上限值下的异常检测评估值,包括的具体步骤为:
根据每个压力数据在上限值下的邻域数据得到每个压力在上限值下的若干组合;获取每个压力数据在上限值下的邻域半径、增量邻域半径以及减量邻域半径;
根据每个压力数据在上限值下的若干组合,每个压力数据在上限值下的邻域半径、增量邻域半径以及减量邻域半径得到每个压力数据在上限值下的异常检测评估值的计算方法为:
其中,表示第i个压力数据在上限值下的增量邻域半径,/>表示第i个压力数据在上限值下的邻域半径,/>表示第i个压力数据在上限值下的减量邻域半径,/>表示第i个压力数据在上限值下的第/>个组合中的其中一个邻域数据,/>表示第i个压力数据在上限值下的第/>个组合中的另外一个邻域数据,/>表示第i个压力数据在上限值下的组合数量,/>表示第i个压力数据在上限值下的异常检测评估值。
优选的,所述根据每个压力数据在上限值下的邻域数据得到每个压力在上限值下的若干组合;获取每个压力数据在上限值下的邻域半径、增量邻域半径以及减量邻域半径,包括的具体步骤为:
将每个压力数据在上限值下的任意两个邻域数据组合得到每个压力数据在上限值下的若干组合;获取每个压力数据的M1距离邻域的半径,记为每个压力数据在上限值下的邻域半径;获取每个压力数据的距离邻域的半径,记为每个压力数据在上限值下的增量邻域半径;获取每个压力数据的/>距离邻域的半径,记为每个压力数据在上限值下的减量邻域半径,M1表示预设上限值。
优选的,所述根据每个压力数据在上限值下的异常检测评估值对K值进行调整得到每个压力数据的最佳K值,包括的具体步骤为:
将每个压力数据在上限值下的异常检测评估值与预设指标阈值Y1比较,当每个压力数据在上限值下的异常检测评估值大于预设指标阈值时,将上限值作为压力数据的最佳K值;
当每个压力数据在上限值下的异常检测评估值小于等于预设指标阈值时,将上限值与一的差值记为第一调整值,获取每个压力数据在第一调整值下的异常检测评估值,将每个压力数据在第一调整值下的异常检测评估值与预设指标阈值Y1比较,当每个压力数据在第一调整值下的异常检测评估值大于预设指标阈值时,将第一调整值作为压力数据的最佳K值;
当每个压力数据在第一调整值下的异常检测评估值小于等于预设指标阈值时,将第一调整值与一的差值记为第二调整值,获取每个压力数据在第二调整值下的异常检测评估值,将每个压力数据在第二调整值下的异常检测评估值与预设指标阈值Y1比较,当每个压力数据在第二调整值下的异常检测评估值大于预设指标阈值时,将第二调整值作为压力数据的最佳K值,以此类推,直至每个压力数据在调整值下的异常检测评估值大于预设指标阈值时结束,得到每个压力数据的最佳K值。
优选的,所述根据每个压力数据的最佳K值对压力数据进行异常检测得到异常数据,包括的具体步骤为:
设置每个压力数据的K值等于最佳K值,基于每个压力数据的K值,利用LOF算法对所有压力数据进行分析,得到异常数据。
本发明具有如下有益效果:
获取温度数据序列和压力数据序列,预设上限值,通过排除温度数据波动引起的压力数据波动对压力数据异常分析的干扰得到每个压力数据在上限值下的最终异常程度,每个压力数据在上限值下的最终异常程度能够反映每个压力数据在上限值作为K值时该压力数据为异常数据的可能性,根据最终异常程度构建能够度量每个压力数据将上限值作为K值时的异常检测效果的判定指标,得到每个压力数据在上限值下的异常检测评估值,通过每个压力数据在上限值下的异常检测评估值能够反映每个压力数据将上限值作为K值时的异常检测效果,根据每个压力数据在上限值下的异常检测评估值对K值进行调整得到每个压力数据的最佳K值。从而通过为每个压力数据设置合适的K值,来提高压力数据异常检测的准确性。
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和优点,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的介绍,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它附图。
图1为本发明一个实施例所提供的基于人工智能的汽车数据实时处理方法流程图。
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人工智能的汽车数据实时处理方法,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。
基于人工智能的汽车数据实时处理方法实施例:
下面结合附图具体的说明本发明所提供的基于人工智能的汽车数据实时处理方法的具体方案。
请参阅图1,其示出了本发明一个实施例提供的基于人工智能的汽车数据实时处理方法流程图,该方法包括:
S001:获取汽车轮胎的压力数据序列和发动机的温度数据序列。
具体的,每间隔1秒,利用压力传感器和温度传感器采集一次汽车轮胎的压力数据和发动机的温度数据,采集N次。将采集到的N个压力数据按时序排列得到压力数据序列,将采集到的N个温度数据按时序排列得到温度数据序列。
本实施例以N取1000为例进行叙述,其他实施例可以取其他值,本实施例不进行具体限制。
S002:预设上限值,获取每个压力数据在上限值下的邻域数据,根据每个压力数据在上限值下的邻域数据获取每个压力数据在上限值下的初始异常程度,根据每个压力数据在上限值下的初始异常程度得到每个压力数据在上限值下的最终异常程度。
需要说明的是,为了确定每个压力数据的K值,需得对每个压力数据在不同K值下的异常检测效果进行评估。
具体的,预设上限值M1。本实施例以M1取100为例进行说明,其他实施例可以取其他值,本实施例不进行具体限制。基于LOF算法,将上限值作为每个压力数据的K值,获取每个压力数据在K距离邻域中的压力数据,记为每个压力数据在上限值下的邻域数据。基于LOF算法,根据每个压力数据在上限值下的邻域数据获取每个压力数据的局部可达密度,记为每个压力数据在上限值下的局部可达密度。LOF算法中的K距离邻域以及局部可达密度的获取方法为现有技术,此处不再进行赘述。
需要说明的是,首先对每个压力数据在上限值下的异常检测效果进行评估。要评估每个压力数据在上限值下的异常检测效果,需先分析每个压力数据在上限值下的异常情况。
需要进一步说明的是,由于压力数据与距离较近的压力数据的相似度较高,因而在进行异常分析时,应该较多的参考距离较近的压力数据的信息。
进一步的,根据每个压力数据在上限值下的局部可达密度得到每个压力数据在上限值下的初始异常程度的计算方法为:
其中,表示第i个压力数据在上限值下的第j个邻域数据的局部可达密度,/>表示第i个压力数据在上限值下的局部可达密度,/>表示第i个压力数据与上限值下的第j个邻域数据的欧氏距离,/>反映了第i个压力数据在上限值下的第j个邻域数据的局部可达密度与第i个压力数据的局部可达密度的差异,该值越大说明第i压力数据的周围分布的数据的密度要小于邻域数据周围分布的数据的密度,因而第i个压力数据越异常。表示第i个压力数据在上限值下的邻域数据的数量。/>表示第i个压力数据在上限值下的初始异常程度。
需要说明的是,由于车辆的加速、减速都会导致轮胎压力发生变化。而车辆的加速、减速都与发动机运行状态有关。发动机的运行状态可以通过发动机温度体现出来。因而车辆的轮胎压力会与发动机温度相关。同时发动机状态变动导致的轮胎压力变动,会导致轮胎的压力数据与其他压力数据的差异较大。而轮胎的压力数据与其他压力数据差异较大时,就容易被误判为异常数据。为了防止出现这种异常误判现象,需排除发动机状态变动引起的轮胎压力变动的干扰。
进一步的,将任意一个压力数据记为目标压力数据,将压力数据序列与温度数据序列的秩相关系数,记为目标压力数据的第一相关系数,将与目标压力数据同时刻的温度数据记为目标温度数据,将压力数据序列中去除目标压力数据后得到的数据序列记为目标压力数据的剩余序列,将温度数据序列中去除目标温度数据后得到的数据序列记为目标温度数据的剩余序列。计算目标压力数据的剩余序列与目标温度数据的剩余序列的秩相关系数,记为目标压力数据的第二相关系数。同理得到每个压力数据的第一相关系数和第二相关系数。
获取目标压力数据在上限值下的邻域数据,将与目标压力数据在上限值下的邻域数据同时刻的温度数据作为目标温度数据在上限值下的邻域数据。计算目标压力数据与目标温度数据在上限值下的每个邻域数据的秩相关系数,将目标压力数据与目标温度数据在上限值下的所有邻域数据的秩相关系数的累加和,记为目标压力数据在上限值下的邻域相关性。同理获取每个压力数据在上限值下的邻域相关性。
根据每个压力数据的第一相关系数、第二相关系数以及邻域相关性得到每个压力数据的最终异常程度的计算方法为:
其中,表示第i个压力数据的第二相关系数,/>表示第i个压力数据的第一相关系数,/>反映了第i个压力数据去除后压力数据与温度数据的相关性,与去除前压力数据与温度数据的相关性的变动,该值越大说明第i个压力数据的存在会导致压力数据与温度数据的相关性降低,因而第i个压力数据的存在会导致压力数据与温度数据的相关规律变差,因而第i个压力数据为异常数据的可能性越大,/>表示第i个压力数据在上限值下的邻域相关性,/>反映了第i个压力数据与邻域内温度数据的相关性,该值越大说明第i个压力数据与邻域内温度数据的相关性越强,因而第i个压力数据为异常数据的可能性越小。/>第i个压力数据在上限值下的初始异常程度,该值越大说明第i个压力数据的异常程度越大。/>表示以自然常数为底的指数函数。/>表示第i个压力数据在上限值下的最终异常程度。
至此,得到每个压力数据在上限值下的最终异常程度,该最终异常程度是基于每个压力数据在上限值下邻域数据分析得到的,能够反映每个压力数据的异常情况的数据。通过该数据能够较好的反映每个压力数据在上限值下的异常情况。
S003:根据每个压力数据在上限值下的最终异常程度得到每个压力数据在上限值下的异常检测评估值,根据每个压力数据在上限值下的异常检测评估值得到每个压力数据的最佳K值。
需要说明的是,为了获取每个压力数据合适的K值,需对每个压力数据以上限值作为K值时的异常检测效果进行评估。
具体的,将每个压力数据在上限值下的任意两个邻域数据组合得到每个压力数据在上限值下的若干组合。获取每个压力数据的M1距离邻域的半径,记为每个压力数据在上限值下的邻域半径;获取每个压力数据的距离邻域的半径,记为每个压力数据在上限值下的增量邻域半径;获取每个压力数据的/>距离邻域的半径,记为每个压力数据在上限值下的减量邻域半径。M1表示预设上限值。
每个压力数据在上限值下的异常检测评估值的计算方法为:
其中,表示第i个压力数据在上限值下的增量邻域半径,/>表示第i个压力数据在上限值下的邻域半径,/>表示第i个压力数据在上限值下的减量邻域半径,/>表示第i个压力数据在上限值下的相邻两个邻域半径的差值的比值,该值越大说明第i个压力数据M1+1距离邻域半径与M1距离邻域半径差异较大,第i个压力数据M1距离邻域半径与M1-1距离邻域半径的差异较小。说明第i个压力数据在M1距离邻域内的数据之间的差异较小,在M1距离邻域外的数据与M1邻域距离邻域内的数据差异较大,因而第i个压力数据的M1距离邻域内的数据可能属于同一类数据。同一类数据之间的相似性较大。因而在进行异常检测时,一般会只参考同一类数据。当参考多类数据时,很容易受类别差异的干扰。因而越大说明上限值作为K值的合适程度就越大。/>表示第i个压力数据在上限值下的第/>个组合中的其中一个邻域数据,/>表示第i个压力数据在上限值下的第/>个组合中的另外一个邻域数据。
表示第i个压力数据在上限值下的组合数量。/>反映了第i个压力数据将上限值作为K值时得到的邻域数据之间的异常程度差异情况。该值越大说明第i个压力数据将上限值作为K值时,能够将正常数据和异常数据较好的区分开,因而第i压力数据将上限值作为K值时,其异常检测效果较好。/>表示第i个压力数据在上限值下的异常检测评估值。
需要说明的是,为了获得每个压力数据的合适的K值,需根据每个压力数据在上限值下的异常检测评估值来对每个压力数据的K值进行调整,进而获得每个压力数据的最佳的K值。
进一步的,将每个压力数据在上限值下的异常检测评估值与预设指标阈值Y1比较,当每个压力数据在上限值下的异常检测评估值大于预设指标阈值时,将上限值作为压力数据的最佳K值。
当每个压力数据在上限值下的异常检测评估值小于等于预设指标阈值时,将上限值与一的差值记为第一调整值,获取每个压力数据在第一调整值下的异常检测评估值,将每个压力数据在第一调整值下的异常检测评估值与预设指标阈值Y1比较,当每个压力数据在第一调整值下的异常检测评估值大于预设指标阈值时,将第一调整值作为压力数据的最佳K值;
当每个压力数据在第一调整值下的异常检测评估值小于等于预设指标阈值时,将第一调整值与一的差值记为第二调整值,获取每个压力数据在第二调整值下的异常检测评估值,将每个压力数据在第二调整值下的异常检测评估值与预设指标阈值Y1比较,当每个压力数据在第二调整值下的异常检测评估值大于预设指标阈值时,将第二调整值作为压力数据的最佳K值,以此类推,直至每个压力数据在调整值下的异常检测评估值大于预设指标阈值时结束,得到每个压力数据的最佳K值。
本实施例以Y1取0.9为例进行叙述,其他实施例可以取其他值,本实施例不进行具体限制。
S004:基于每个压力数据的最佳K值进行异常检测得到异常数据。
具体的,设置每个压力数据的K值等于最佳K值,基于每个压力数据的K值,利用LOF算法对所有压力数据进行分析,得到异常数据。
需要说明的是: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 (5)
1.基于人工智能的汽车数据实时处理方法,其特征在于,所述方法包括:
获取汽车轮胎的压力数据序列和汽车发动机的温度数据序列;
预设上限值,将上限值作为K值得到压力数据序列中每个压力数据在上限值下的邻域数据,根据每个压力数据在上限值下的邻域数据之间的差值得到每个压力数据在上限值下的初始异常程度;根据每个压力数据在上限值下的初始异常程度,压力数据序列与温度数据序列的相关性,每个压力数据在上限值下的邻域数据,得到每个压力数据在上限值下的最终异常程度;
根据每个压力数据在上限值下的邻域数据之间的最终异常程度的差值得到每个压力数据在上限值下的异常检测评估值;根据每个压力数据在上限值下的异常检测评估值对K值进行调整得到每个压力数据的最佳K值;
根据每个压力数据的最佳K值对压力数据进行异常检测得到异常数据;
所述根据每个压力数据在上限值下的邻域数据之间的差值得到每个压力数据在上限值下的初始异常程度,包括的具体步骤为:
根据每个压力数据在上限值下的邻域数据获取每个压力数据的局部可达密度,记为每个压力数据在上限值下的局部可达密度;
根据每个压力数据的局部可达密度得到每个压力数据在上限值下的初始异常程度;
所述根据每个压力数据的局部可达密度得到每个压力数据在上限值下的初始异常程度,包括的具体计算公式为:
其中,表示第i个压力数据在上限值下的第j个邻域数据的局部可达密度,/>表示第i个压力数据在上限值下的局部可达密度,/>表示第i个压力数据与上限值下的第j个邻域数据的欧氏距离,/>表示第i个压力数据在上限值下的邻域数据的数量,/>表示第i个压力数据在上限值下的初始异常程度;
所述根据每个压力数据在上限值下的初始异常程度,压力数据序列与温度数据序列的相关性,每个压力数据在上限值下的邻域数据,得到每个压力数据在上限值下的最终异常程度,包括的具体步骤为:
根据压力数据序列和温度数据序列得到第一相关系数和第二相关系数;根据每个压力数据在上限值下的邻域数据得到每个压力数据在上限值下的邻域相关性;
根据每个压力数据的第一相关系数、第二相关系数以及邻域相关性得到每个压力数据的最终异常程度的计算方法为:
其中,表示第i个压力数据的第二相关系数,/>表示第i个压力数据的第一相关系数,表示第i个压力数据在上限值下的邻域相关性,/>第i个压力数据在上限值下的初始异常程度,/>表示以自然常数为底的指数函数,/>表示第i个压力数据在上限值下的最终异常程度;
所述根据每个压力数据在上限值下的邻域数据之间的最终异常程度的差值得到每个压力数据在上限值下的异常检测评估值,包括的具体步骤为:
根据每个压力数据在上限值下的邻域数据得到每个压力在上限值下的若干组合;获取每个压力数据在上限值下的邻域半径、增量邻域半径以及减量邻域半径;
根据每个压力数据在上限值下的若干组合,每个压力数据在上限值下的邻域半径、增量邻域半径以及减量邻域半径得到每个压力数据在上限值下的异常检测评估值的计算方法为:
其中,表示第i个压力数据在上限值下的增量邻域半径,/>表示第i个压力数据在上限值下的邻域半径,/>表示第i个压力数据在上限值下的减量邻域半径,/>表示第i个压力数据在上限值下的第/>个组合中的其中一个邻域数据,/>表示第i个压力数据在上限值下的第/>个组合中的另外一个邻域数据,/>表示第i个压力数据在上限值下的组合数量,/>表示第i个压力数据在上限值下的异常检测评估值;
所述根据每个压力数据在上限值下的邻域数据得到每个压力在上限值下的若干组合;获取每个压力数据在上限值下的邻域半径、增量邻域半径以及减量邻域半径,包括的具体步骤为:
将每个压力数据在上限值下的任意两个邻域数据组合得到每个压力数据在上限值下的若干组合;获取每个压力数据的M1距离邻域的半径,记为每个压力数据在上限值下的邻域半径;获取每个压力数据的距离邻域的半径,记为每个压力数据在上限值下的增量邻域半径;获取每个压力数据的/>距离邻域的半径,记为每个压力数据在上限值下的减量邻域半径,M1表示预设上限值。
2.如权利要求1所述的基于人工智能的汽车数据实时处理方法,其特征在于,所述将上限值作为K值得到压力数据序列中每个压力数据在上限值下的邻域数据,包括的具体步骤为:
基于LOF算法,将上限值作为每个压力数据的K值,获取每个压力数据在K距离邻域中的压力数据,记为每个压力数据在上限值下的邻域数据。
3.如权利要求1所述的基于人工智能的汽车数据实时处理方法,其特征在于,所述根据压力数据序列和温度数据序列得到第一相关系数和第二相关系数;根据每个压力数据在上限值下的邻域数据得到每个压力数据在上限值下的邻域相关性,包括的具体步骤为:
将任意一个压力数据记为目标压力数据,将压力数据序列与温度数据序列的秩相关系数,记为目标压力数据的第一相关系数,将与目标压力数据同时刻的温度数据记为目标温度数据,将压力数据序列中去除目标压力数据后得到的数据序列记为目标压力数据的剩余序列,将温度数据序列中去除目标温度数据后得到的数据序列记为目标温度数据的剩余序列,计算目标压力数据的剩余序列与目标温度数据的剩余序列的秩相关系数,记为目标压力数据的第二相关系数,获取每个压力数据的第一相关系数和第二相关系数;
获取目标压力数据在上限值下的邻域数据,将与目标压力数据在上限值下的邻域数据同时刻的温度数据作为目标温度数据在上限值下的邻域数据,计算目标压力数据与目标温度数据在上限值下的每个邻域数据的秩相关系数,将目标压力数据与目标温度数据在上限值下的所有邻域数据的秩相关系数的累加和,记为目标压力数据在上限值下的邻域相关性,获取每个压力数据在上限值下的邻域相关性。
4.如权利要求1所述的基于人工智能的汽车数据实时处理方法,其特征在于,所述根据每个压力数据在上限值下的异常检测评估值对K值进行调整得到每个压力数据的最佳K值,包括的具体步骤为:
将每个压力数据在上限值下的异常检测评估值与预设指标阈值Y1比较,当每个压力数据在上限值下的异常检测评估值大于预设指标阈值时,将上限值作为压力数据的最佳K值;
当每个压力数据在上限值下的异常检测评估值小于等于预设指标阈值时,将上限值与一的差值记为第一调整值,获取每个压力数据在第一调整值下的异常检测评估值,将每个压力数据在第一调整值下的异常检测评估值与预设指标阈值Y1比较,当每个压力数据在第一调整值下的异常检测评估值大于预设指标阈值时,将第一调整值作为压力数据的最佳K值;
当每个压力数据在第一调整值下的异常检测评估值小于等于预设指标阈值时,将第一调整值与一的差值记为第二调整值,获取每个压力数据在第二调整值下的异常检测评估值,将每个压力数据在第二调整值下的异常检测评估值与预设指标阈值Y1比较,当每个压力数据在第二调整值下的异常检测评估值大于预设指标阈值时,将第二调整值作为压力数据的最佳K值,以此类推,直至每个压力数据在调整值下的异常检测评估值大于预设指标阈值时结束,得到每个压力数据的最佳K值。
5.如权利要求1所述的基于人工智能的汽车数据实时处理方法,其特征在于,所述根据每个压力数据的最佳K值对压力数据进行异常检测得到异常数据,包括的具体步骤为:
设置每个压力数据的K值等于最佳K值,基于每个压力数据的K值,利用LOF算法对所有压力数据进行分析,得到异常数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410071350.0A CN117591986B (zh) | 2024-01-18 | 2024-01-18 | 基于人工智能的汽车数据实时处理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410071350.0A CN117591986B (zh) | 2024-01-18 | 2024-01-18 | 基于人工智能的汽车数据实时处理方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117591986A CN117591986A (zh) | 2024-02-23 |
CN117591986B true CN117591986B (zh) | 2024-04-05 |
Family
ID=89911863
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410071350.0A Active CN117591986B (zh) | 2024-01-18 | 2024-01-18 | 基于人工智能的汽车数据实时处理方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117591986B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117828516B (zh) * | 2024-03-06 | 2024-05-24 | 湖南大学 | 一种数字化压力罐生产车间现场数据优化采集*** |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109214355A (zh) * | 2018-09-29 | 2019-01-15 | 西安交通大学 | 一种基于核估计lof的机械监测数据异常段检测方法 |
CN110532119A (zh) * | 2019-07-26 | 2019-12-03 | 中国船舶重工集团公司第七一九研究所 | 动力***运行异常点检测方法 |
CN111398886A (zh) * | 2020-04-09 | 2020-07-10 | 国网山东省电力公司电力科学研究院 | 一种自动化检定流水线表位在线异常的检测方法及*** |
CN112101174A (zh) * | 2020-09-09 | 2020-12-18 | 洛阳师范学院 | 一种基于LOF-Kurtogram的机械故障诊断方法 |
CN114880381A (zh) * | 2022-05-31 | 2022-08-09 | 上海嘉车信息科技有限公司 | 一种车辆异常处理方法、装置、电子设备及存储介质 |
CN116429220A (zh) * | 2023-06-14 | 2023-07-14 | 济宁安泰矿山设备制造有限公司 | 一种水利工程异常检测方法 |
CN116644373A (zh) * | 2023-07-27 | 2023-08-25 | 深圳恒邦新创科技有限公司 | 基于人工智能的汽车流量数据分析管理*** |
CN116738353A (zh) * | 2023-08-15 | 2023-09-12 | 安拓思纳米技术(苏州)有限公司 | 基于数据分析的制药车间空气滤芯性能检测方法 |
CN117314020A (zh) * | 2023-11-28 | 2023-12-29 | 生态环境部华南环境科学研究所(生态环境部生态环境应急研究所) | 一种浮游生物的湿地碳汇数据监测*** |
-
2024
- 2024-01-18 CN CN202410071350.0A patent/CN117591986B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109214355A (zh) * | 2018-09-29 | 2019-01-15 | 西安交通大学 | 一种基于核估计lof的机械监测数据异常段检测方法 |
CN110532119A (zh) * | 2019-07-26 | 2019-12-03 | 中国船舶重工集团公司第七一九研究所 | 动力***运行异常点检测方法 |
CN111398886A (zh) * | 2020-04-09 | 2020-07-10 | 国网山东省电力公司电力科学研究院 | 一种自动化检定流水线表位在线异常的检测方法及*** |
CN112101174A (zh) * | 2020-09-09 | 2020-12-18 | 洛阳师范学院 | 一种基于LOF-Kurtogram的机械故障诊断方法 |
CN114880381A (zh) * | 2022-05-31 | 2022-08-09 | 上海嘉车信息科技有限公司 | 一种车辆异常处理方法、装置、电子设备及存储介质 |
CN116429220A (zh) * | 2023-06-14 | 2023-07-14 | 济宁安泰矿山设备制造有限公司 | 一种水利工程异常检测方法 |
CN116644373A (zh) * | 2023-07-27 | 2023-08-25 | 深圳恒邦新创科技有限公司 | 基于人工智能的汽车流量数据分析管理*** |
CN116738353A (zh) * | 2023-08-15 | 2023-09-12 | 安拓思纳米技术(苏州)有限公司 | 基于数据分析的制药车间空气滤芯性能检测方法 |
CN117314020A (zh) * | 2023-11-28 | 2023-12-29 | 生态环境部华南环境科学研究所(生态环境部生态环境应急研究所) | 一种浮游生物的湿地碳汇数据监测*** |
Non-Patent Citations (2)
Title |
---|
Adaptive kernel density-based anomaly detection for nonlinear systems;Liangwei Zhang et al.;《Knowledge-Based Systems》;20180101;第50-63页 * |
一种改进的LOF异常点检测算法;周鹏,程艳云;《计算机技术与发展》;20171231;第27卷(第12期);第115-118页 * |
Also Published As
Publication number | Publication date |
---|---|
CN117591986A (zh) | 2024-02-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN117591986B (zh) | 基于人工智能的汽车数据实时处理方法 | |
CN111562108A (zh) | 一种基于cnn和fcmc的滚动轴承智能故障诊断方法 | |
EP1960853B1 (en) | Evaluating anomaly for one-class classifiers in machine condition monitoring | |
CN107766877B (zh) | 一种桥梁监测***中超重车动态识别方法 | |
CN111062093B (zh) | 一种基于图像处理和机器学习的汽车轮胎寿命预测方法 | |
Mechefske et al. | Fault detection and diagnosis in low speed rolling element bearings Part II: The use of nearest neighbour classification | |
CN102521534B (zh) | 一种基于粗糙熵属性约简的入侵检测方法 | |
CN103197663B (zh) | 一种故障预测方法及*** | |
CN106227910B (zh) | 一种基于灰色***理论的加速退化试验可靠性评估方法 | |
CN117173172B (zh) | 一种基于机器视觉的硅胶成型效果检测方法及*** | |
CN111964909A (zh) | 滚动轴承运行状态检测方法、故障诊断方法及*** | |
CN111967535A (zh) | 一种储粮管理场景温度传感器故障诊断方法及其诊断装置 | |
CN112395382A (zh) | 基于变分自编码器的船舶异常航迹数据检测方法和装置 | |
CN110243598B (zh) | 列车轴承温度的处理方法、装置及存储介质 | |
CN115098962A (zh) | 一种基于隐半马尔夫模型的机械设备退化态下剩余寿命的预测方法 | |
CN116244657A (zh) | 基于生成对抗网络和集成学习的列车轴温异常识别方法 | |
CN112380992A (zh) | 一种加工过程监控数据准确性评估与优化方法及装置 | |
CN113989179B (zh) | 基于目标检测算法的列车轮对踏面缺陷检测方法及*** | |
CN115958990A (zh) | 一种v2g充电桩信息诊断与安全防护方法 | |
CN112880726A (zh) | 基于变分模态分解样本熵的传感器故障诊断方法和装置 | |
CN116257651B (zh) | 一种贯通道渡板异响智能监测*** | |
CN117591860A (zh) | 一种数据异常检测方法及装置 | |
CN110750848A (zh) | 一种考虑软件运行的软-硬件退化***剩余寿命估计的方法 | |
CN109840386B (zh) | 基于因子分析的损伤识别方法 | |
CN112199295A (zh) | 一种基于频谱的深度神经网络缺陷定位方法及*** |
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 |