CN119397178B 基于机器学习的变速箱传动轴信号数据采集处理系统 （湖南工程学院）

(19)国家知识产权局(12)发明专利何为宋凯林事务所(普通合伙)43289GO6F18/23213(2023.01)基于机器学习的变速箱传动轴信号数据采种基于机器学习的变速箱传动轴信号数据采集预设第二邻域窗口内的数据特征获得局部波动基准簇的距离特征、异常簇内的数据离散特征、异常簇内异常数据点的局部密度特征获得异常数据获取模块震动分析模块异常检测模块21.一种基于机器学习的变速箱传动轴信号数据采集处理系统，其特征在于，所述系统包括以下模块：数据获取模块，用于获取传动轴的去除高频噪声后的震动强度时序；震动分析模块，用于构建震动强度时序中数据点的预设第一邻域窗口和预设第二邻域窗口；根据数据点的预设第一邻域窗口内和预设第二邻域窗口内的数据波动特征获得局部波动因子；根据数据点的预设第一邻域窗口内和预设第二邻域窗口内的相邻数据变化特征获得瞬时变化稳定因子；特征处理模块，用于根据数据点的所述局部波动因子和所述瞬时变化稳定因子进行聚类，获得不同的聚类簇；根据所述聚类簇内的数据点数量特征获得基准簇；根据基准簇与其他聚类簇的数据差异特征获得异常簇；根据异常簇和基准簇的距离特征、异常簇内的数据离散特征获得第一异常度；根据异常簇内异常数据点的局部密度特征获得第二异常度；根据所述第一异常度和所述第二异常度获得所述异常数据点的异常指数；异常检测模块，用于根据孤立森林算法获得所述震动强度时序中数据点的评分；根据所述异常指数和所述评分获得修正评分；根据所述修正评分对传动轴进行检测；所述根据所述聚类簇内的数据点数量特征获得基准簇的步骤包括：将所述聚类簇内数据点最多的聚类簇作为所述基准簇；所述根据基准簇与其他聚类簇的数据差异特征获得异常簇的步骤包括：将所述聚类簇中的数据点按照时间顺序进行排序，获得簇内数据序列；计算所述基准簇与所述其他聚类簇的簇内数据序列的动态时间规整距离并归一化，获得所述基准簇与所述其他聚类簇的差异度；将所述差异度超过预设差异阈值的其他聚类簇作为所述异常簇。2.根据权利要求1所述的一种基于机器学习的变速箱传动轴信号数据采集处理系统，其特征在于，所述构建震动强度时序中数据点的预设第一邻域窗口和预设第二邻域窗口的步骤包括：在所述震动强度时序中将所述数据点作为窗口中心构建预设第一邻域窗口和预设第二邻域窗口，所述预设第二邻域窗口的长度是所述预设第一邻域窗口的长度的奇数倍。3.根据权利要求1所述的一种基于机器学习的变速箱传动轴信号数据采集处理系统，其特征在于，所述根据数据点的预设第一邻域窗口内和预设第二邻域窗口内的数据波动特征获得局部波动因子的步骤包括：计算所述预设第一邻域窗口内的最大值与最小值的差值并归一化，获得第一极值差；计算所述预设第一邻域窗口内数据的方差与所述第一极值差的乘积，获得第一波动特征值；将所述预设第二邻域窗口平均分割成与所述预设第一邻域窗口的长度相同的子窗口；计算所述子窗口内的最大值与最小值的差值并归一化，获得第二极值差；计算所述子窗口内数据的方差与所述第二极值差的乘积，获得第二波动特征值；计算所述第一波动特征值与每个子窗口的第二波动特征值的差值绝对值的和值，获得波动差异值；计算所述第一波动特征值与所述波动差异值的乘积并正相关映射，获得所述数据点的局部波动因子。4.根据权利要求1所述的一种基于机器学习的变速箱传动轴信号数据采集处理系统，其特征在于，所述根据数据点的预设第一邻域窗口内和预设第二邻域窗口内的相邻数据变化特征获得瞬时变化稳定因子的步骤包括：计算所述预设第一邻域窗口内数据的瞬时变化率的方差，获得第一瞬时变化特征值；3计算所述预设第二邻域窗口内数据的瞬时变化率的方差，获得第二瞬时变化特征值；计算所述第一瞬时变化特征值与所述第二瞬时变化特征值的差值绝对值并负相关映射，获得所述数据点的瞬时变化稳定因子。5.根据权利要求1所述的一种基于机器学习的变速箱传动轴信号数据采集处理系统，其特征在于，所述根据异常簇和基准簇的距离特征、异常簇内的数据离散特征获得第一异常度的步骤包括：在聚类空间中计算所述异常簇与所述基准簇的聚类中心的欧氏距离，获得差异距离；计算所述异常簇中数据点的局部波动因子的变异系数和所述瞬时变化稳定因子的变异系数的平均值；获得离散特征值；计算所述差异距离与所述离散特征值的乘积并归一化，获得所述异常簇的第一异常度。6.根据权利要求1所述的一种基于机器学习的变速箱传动轴信号数据采集处理系统，其特征在于，所述根据异常簇内异常数据点的局部密度特征获得第二异常度的步骤包括：在聚类空间中计算所述异常簇内异常数据点与距离最近的预设数量个其他异常数据点的欧氏距离的平均值并归一化，获得所述异常数据点的第二异常度。7.根据权利要求1所述的一种基于机器学习的变速箱传动轴信号数据采集处理系统，其特征在于，所述根据所述第一异常度和所述第二异常度获得所述异常数据点的异常指数的步骤包括：计算所述异常数据点的第二异常度与所在异常簇的第一异常度的乘积，获得综合异常度；计算所述综合异常度与预设常数的和值，获得所述异常数据点的异常指数；所述预设常数不低于常数1。8.根据权利要求1所述的一种基于机器学习的变速箱传动轴信号数据采集处理系统，其特征在于，所述根据所述异常指数和所述评分获得修正评分的步骤包括：计算所述异常数据点的异常指数与对应的评分的乘积，获得所述异常数据点的修正评4技术领域[0001]本发明涉及异常检测技术领域，具体涉及一种基于机器学习的变速箱传动轴信号数据采集处理系统。背景技术[0002]变速箱传动轴负责将发动机产生的动力传递到车轮上，是驱动车辆行驶的重要部件。传动轴的震动信号能够反映变速箱传动系统中动力不平衡和齿轮磨损等故障，通过对震动信号的分析能够及时识别异常故障，提高车辆行驶稳定性与安全性。由于故障前期的故障特征不明显，异常震动数据较少，故现有通常使用孤立森林算法对数据集中的少数异常数据进行检测；但由于震动信号存在规律性变化，某异常值可能与其他时刻的正常值相似，获取的传动轴震动信号容易出现异常值与正常值的边界不明显的情况，导致传统的孤立森林算法对异常值的孤立效果不佳，最终影响传动轴的故障检测准确性。发明内容[0003]为了解决上述通过现有的孤立森林算法对震动信号的检测准确性较低的技术问题，本发明的目的在于提供一种基于机器学习的变速箱传动轴信号数据采集处理系统，所采用的技术方案具体如下：[0004]数据获取模块，用于获取传动轴的去除高频噪声后的震动强度时序；[0005]震动分析模块，用于构建震动强度时序中数据点的预设第一邻域窗口和预设第二邻域窗口；根据数据点的预设第一邻域窗口内和预设第二邻域窗口内的数据波动特征获得局部波动因子；根据数据点的预设第一邻域窗口内和预设第二邻域窗口内的相邻数据变化特征获得瞬时变化稳定因子；[0006]特征处理模块，用于根据数据点的所述局部波动因子和所述瞬时变化稳定因子进行聚类，获得不同的聚类簇；根据所述聚类簇内的数据点数量特征获得基准簇；根据基准簇与其他聚类簇的数据差异特征获得异常簇；根据异常簇和基准簇的距离特征、异常簇内的数据离散特征获得第一异常度；根据异常簇内异常数据点的局部密度特征获得第二异常度；根据所述第一异常度和所述第二异常度获得所述异常数据点的异常指数；[0007]异常检测模块，用于根据孤立森林算法获得所述震动强度时序中数据点的评分；根据所述异常指数和所述评分获得修正评分；根据所述修正评分对传动轴进行检测。[0008]进一步地，所述构建震动强度时序中数据点的预设第一邻域窗口和预设第二邻域窗口的步骤包括：[0009]在所述震动强度时序中将所述数据点作为窗口中心构建预设第一邻域窗口和预设第二邻域窗口，所述预设第二邻域窗口的长度是所述预设第一邻域窗口的长度的奇数倍。[0010]进一步地，所述根据数据点的预设第一邻域窗口内和预设第二邻域窗口内的数据波动特征获得局部波动因子的步骤包括：5[0011]计算所述预设第一邻域窗口内的最大值与最小值的差值并归一化，获得第一极值差；计算所述预设第一邻域窗口内数据的方差与所述第一极值差的乘积，获得第一波动特征值；将所述预设第二邻域窗口平均分割成与所述预设第一邻域窗口的长度相同的子窗口；计算所述子窗口内的最大值与最小值的差值并归一化，获得第二极值差；计算所述子窗口内数据的方差与所述第二极值差的乘积，获得第二波动特征值；计算所述第一波动特征值与每个子窗口的第二波动特征值的差值绝对值的和值，获得波动差异值；计算所述第一波动特征值与所述波动差异值的乘积并正相关映射，获得所述数据点的局部波动因子。[0012]进一步地，所述根据数据点的预设第一邻域窗口内和预设第二邻域窗口内的相邻数据变化特征获得瞬时变化稳定因子的步骤包括：[0013]计算所述预设第一邻域窗口内数据的瞬时变化率的方差，获得第一瞬时变化特征值；计算所述预设第二邻域窗口内数据的瞬时变化率的方差，获得第二瞬时变化特征值；计算所述第一瞬时变化特征值与所述第二瞬时变化特征值的差值绝对值并负相关映射，获得所述数据点的瞬时变化稳定因子。[0014]进一步地，所述根据所述聚类簇内的数据点数量特征获得基准簇的步骤包括：[0015]将所述聚类簇内数据点最多的聚类簇作为所述基准簇。[0016]进一步地，所述根据基准簇与其他聚类簇的数据差异特征获得异常簇的步骤包[0017]将所述聚类簇中的数据点按照时间顺序进行排序，获得簇内数据序列；计算所述基准簇与所述其他聚类簇的簇内数据序列的动态时间规整距离并归一化，获得所述基准簇与所述其他聚类簇的差异度；将所述差异度超过预设差异阈值的其他聚类簇作为所述异常簇。[0018]进一步地，所述根据异常簇和基准簇的距离特征、异常簇内的数据离散特征获得第一异常度的步骤包括：[0019]在聚类空间中计算所述异常簇与所述基准簇的聚类中心的欧氏距离，获得差异距离；计算所述异常簇中数据点的局部波动因子的变异系数和所述瞬时变化稳定因子的变异系数的平均值；获得离散特征值；计算所述差异距离与所述离散特征值的乘积并归一化，获得所述异常簇的第一异常度。[0020]进一步地，所述根据异常簇内异常数据点的局部密度特征获得第二异常度的步骤包括：[0021]在聚类空间中计算所述异常簇内异常数据点与距离最近的预设数量个其他异常数据点的欧氏距离的平均值并归一化，获得所述异常数据点的第二异常度。[0022]进一步地，所述根据所述第一异常度和所述第二异常度获得所述异常数据点的异常指数的步骤包括：[0023]计算所述异常数据点的第二异常度与所在异常簇的第一异常度的乘积，获得综合异常度；计算所述综合异常度与预设常数的和值，获得所述异常数据点的异常指数；所述预设常数不低于常数1。[0024]进一步地，所述根据所述异常指数和所述评分获得修正评分的步骤包括：[0025]计算所述异常数据点的异常指数与对应的评分的乘积，获得所述异常数据点的修6[0026]本发明具有如下有益效果：[0027]在本发明中，构建预设第一邻域窗口和预设第二邻域窗口能够用于分析数据点的局部邻域数据；获取局部波动因子能够反映数据点邻域的数据波动特征，从而根据局部波动因子区别正常与异常的数据点；获取瞬时变化稳定因子能够反映数据点邻域的相邻数据变化规律性，从而根据相邻数据变化规律性区分正常与异常的数据点。获得聚类簇能够将表征不同震动强度特征的数据进行区分，便于确定异常数据点的异常程度；获取基准簇能够确定正常数据点在聚类空间中的位置，便于确定异常数据点的异常程度。获取异常簇能够初步确定异常数据点的所在范围，提高故障检测的准确性。获取第一异常度和第二异常度能够根据异常簇和异常数据点的所在位置表征异常数据点的异常程度，从而提高修正评分的准确性。获取修正评分能够减小孤立森林算法的检测误差，最终根据修正评分进行传动轴的故障检测，提高了检测准确性。附图说明[0028]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。[0029]图1为本发明一个实施例所提供的一种基于机器学习的变速箱传动轴信号数据采集处理系统框图。具体实施方式[0030]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一种基于机器学习的变速箱传动轴信号数据采集处理系统，其具体实施方式、结构、特征及其功效，详细说明如下。在定特征、结构或特点可由任何合适形式组合。[0031]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。[0032]下面结合附图具体的说明本发明所提供的一种基于机器学习的变速箱传动轴信号数据采集处理系统的具体方案。[0033]请参阅图1,其示出了本发明一个实施例提供的一种基于机器学习的变速箱传动轴信号数据采集处理系统框图，该系统包括以下模块：[0034]数据获取模块S1,用于获取传动轴的去除高频噪声后的震动强度时序。[0035]在本发明实施例中，实施场景为对变速箱的传动轴进行数据分析与故障检测，提高故障检测的准确性。首先获取传动轴的去除高频噪声后的震动强度时序，在变速箱传动轴上安装震动传感器采集震动强度数据，实施者可根据实施场景自行确定采集频率；为了提高后续分析准确性，需要将明显的高频噪声去除；首先将采集的序列通过快速傅里叶变换获得频谱，将频谱中大于预设截止频率的频率分量设为0,将修改后的频谱通过逆傅里叶变换获得去除高频噪声后的震动强度时序，预设截止频率可由实施者根据实施场景自行确7[0036]震动分析模块S2,用于构建震动强度时序中数据点的预设第一邻域窗口和预设第是预设第一邻域窗口的长度的奇数倍；本发明实施例中将即该数据点与前后6个数据点所构成，预设第二邻域窗口的长度为预设第一邻域窗口的3局部波动因子的步骤包括：计算预设第一邻域窗口内的最大值与最小值的差值并归一化，获得第一极值差；第一极值差反映了数据点的预设第一邻域窗口内的最大波动幅度特征。域窗口内的震动波动特征；当第一波动特征值越大，意子窗口，在本发明实施例中获得了3个子窗口，其中一个子窗口会与预设第一邻域窗口重8窗口的数量，Gn表示第n个子窗口的第二波动特征值，表示波动差异值。[0041]进一步地，在正常情况下，获取的震动数据整体虽然是波动的，但相邻数据之间的变化特征存在一定的相似性；若震动强度时序中出现异常值，则异常值与相邻数据的变化特征会与正常情况存在差异；故可根据数据点的预设第一邻域窗口内和预设第二邻域窗口内的相邻数据变化特征获得瞬时变化稳定因子。[0042]优选地，在本发明实施例中，获取瞬时变化稳定因子的步骤包括：计算预设第一邻域窗口内数据的瞬时变化率的方差，获得第一瞬时变化特征值；瞬时变化率为相邻数据的差异与时间的比值，第一瞬时变化特征值反映的预设第一邻域窗口内数据的瞬时变化率的分布特征。计算预设第二邻域窗口内数据的瞬时变化率的方差，获得第二瞬时变化特征值；计算第一瞬时变化特征值与第二瞬时变化特征值的差值绝对值并负相关映射，获得数据点的瞬时变化稳定因子。若数据点局部邻域不存在异常值，则第一瞬时变化特征值与第二瞬时变化特征值会较为相似；若震动异常特征越明显，则第一瞬时变化特征值与第二瞬时变化特征值的差异越大，瞬时变化稳定因子越小。[0043]特征处理模块S3,用于根据数据点的局部波动因子和瞬时变化稳定因子进行聚类，获得不同的聚类簇；根据聚类簇内的数据点数量特征获得基准簇；根据基准簇与其他聚类簇的数据差异特征获得异常簇；根据异常簇和基准簇的距离特征、异常簇内的数据离散特征获得第一异常度；根据异常簇内异常数据点的局部密度特征获得第二异常度；根据第一异常度和第二异常度获得异常数据点的异常指数。[0044]根据数据点局部邻域的数据特征所获得的局部波动因子和瞬时变化稳定因子能够区分正常震动数据和异常震动数据，故可根据数据点的局部波动因子和瞬时变化稳定因子进行聚类，获得不同的聚类簇；在本发明实施例中，使用现有的均值漂移聚类算法进行聚类，具体步骤不再赘述。不同聚类簇中的数据点反映了不同的震动强度特征，由于获取的震动强度时序中正常数据量大于异常数据量，故聚类簇中数据点数量越多，则该聚类簇越能够表征正常的震动强度特征；故根据聚类簇内的数据点数量特征获得基准簇，具体包括：将聚类簇内数据点最多的聚类簇作为基准簇。基准簇中的数据点表征了震动强度时序中最为正常的震动强度特征。[0045]进一步地，由于震动强度特征较多，并非除基准簇以外的其他聚类簇都表征异常情况，为了提高故障检测的准确性，则需要在所有聚类簇中筛选出表征异常震动强度特征的聚类簇。基准簇中的数据点表征了正常的震动强度特征和变化规律趋势，若其他聚类簇中的数据点的震动强度特征和变化规律趋势与基准簇的差异越大，意味着该其他聚类簇越可能表征异常情况。故根据基准簇与其他聚类簇的数据差异特征获得异常簇；优选地，在本发明实施例中，获取异常簇的步骤包括：将聚类簇中的数据点按照时间顺序进行排序，获得簇内数据序列；计算基准簇与其他聚类簇的簇内数据序列的动态时间规整距离并归一化，获得基准簇与其他聚类簇的差异度；需要说明的是，动态时间规整距离通过现有的动态时间规整算法获得，具体计算步骤不再赘述，当两个序列的差异越大，则动态时间规整距离越大；进而当差异度越大，意味着基准簇与该其他聚类簇表征的震动强度特征和变化趋势规律的差异越大，该其他聚类簇越可能表征异常情况。将差异度超过预设差异阈值的其他聚类簇作为异常簇，在本发明实施例中，预设差异阈值为0.8,实施者可根据实施场景自行确9[0046]获得异常簇后，则需要判断异常簇的异常程度，进而提高异常检测准确性。在聚类空间中，若异常簇与基准簇的距离越远，则说明该异常簇与基准簇的差异越大，则该异常簇的异常程度越大。若异常簇内异常数据点的特征分布越离散，则说明该异常簇中的震动特征越少见，传动轴越可能出现异常。故根据异常簇和基准簇的距离特征、异常簇内的数据离散特征获得第一异常度；优选地，在本发明实施例中，获取第一异常度的步骤包括：在聚类空间中计算异常簇与基准簇的聚类中心的欧氏距离，获得差异距离；当差异距离越大，意味着该异常簇的异常程度越大。计算异常簇中数据点的局部波动因子的变异系数和瞬时变化稳定因子的变异系数的平均值；获得离散特征值；需要说明的是，变异系数属于现有技术，具体计算步骤不再赘述，变异系数越大，意味着数据越离散；故离散特征值越大，意味着该异常簇的异常程度越大。计算差异距离与离散特征值的乘积并归一化，获得异常簇的第一异常度；当第一异常度越大，意味着该异常簇整体的异常程度越高。[0047]因异常簇内异常数据点的异常程度还存在一定差异，为了进一步提高异常检测的准确性，需要对每个异常数据点的异常程度进行分析。若该异常簇内异常数据点的局部密度越小，则能够进一步说明该异常数据点表征的震动强度特征越少见，与基准簇的震动强度特征差异越大，越远离基准簇。故根据异常簇内异常数据点的局部密度特征获得第二异常度；优选地，在本发明实施例中，获取第二异常度的步骤包括：在聚类空间中计算异常簇内异常数据点与距离最近的预设数量个其他异常数据点的欧氏距离的平均值并归一化，获得异常数据点的第二异常度。在本发明实施例中，预设数量为5,实施者可根据实施场景自行确定；当异常数据点与距离最近的其他数据点越远，意味着该异常数据点越离群，表征的震动强度特征越少见，异常程度越高。[0048]进一步地，获得异常簇的第一异常度和异常数据点的第二异常度后，可结合第一异常度和第二异常度准确地表征每个异常数据点的异常程度。故根据第一异常度和第二异常度获得异常数据点的异常指数；优选地，在本发明实施例中，获取异常指数的步骤包括：计算异常数据点的第二异常度与所在异常簇的第一异常度的乘积，获得综合异常度；当综合异常度越大，意味着该异常数据点表征的震动强度特征越异常。计算综合异常度与预设常数的和值，获得异常数据点的异常指数；预设常数不低于常数1,在本发明实施例中，预设常数为1,目的是改变综合异常度的值域，从而增大评分。[0049]异常检测模块S4,用于根据孤立森林算法获得震动强度时序中数据点的评分；根据异常指数和评分获得修正评分；根据修正评分对传动轴进行检测。[0050]获得异常簇中异常数据点的异常指数后，可根据异常指数对孤立森林算法的异常检测结果