一种基于数据的轴温关联分析方法与流程

本发明属于轴温关联分析方法
技术领域：
，具体涉及一种基于数据的轴温关联分析方法。
背景技术：
：高速铁路作为国民经济的大动脉，它的延伸带动着经济的发展。多年来，高速列车行车安全的可靠性一直是社会各界关注的重点，其中，列车车轴作为列车运行的主要设备，其实时监控和故障预警是关系到行车安全的一项重要工作，而过高的轴温则是故障的一个重要指标。当车轴故障时，其摩擦加剧，温度突升，达到一定程度便形成热轴，严重者会导致燃轴、切轴、车辆颠覆，若未能提前预报，将导致重大事故。因此，保证车轴的安全运行是保障高速列车安全运行的一个重要课题。但在实际运行中，由于设备受到空气介质、周围环境、车型以及行驶中车体晃动等因素的影响，轴温监测会有误报和漏报。万薇针对多点红外轴温探测器的数据融合处理问题进行了重要探讨；张矢设计了基于无线传感器网络的列车轴温监测系统，能够利用无线传感网络对铁路货运列车轴温进行实时监测；曹源基于DTW算法，提出一种能够实时对列车轴温实现状态监测和故障诊断的方法，有效降低列车轴温探测的误报率。武峥嵘引入一种新型智能线阵式多点红外探头，结合数据融合思想和模式识别技术，探讨了基于四点线阵式轴温探测模型的热轴判别方法。以上这些方法都是对采集过程进行优化，或者直接对轴温的数据进行处理。本发明提供了另一种思路，用现有采集到的数据挖掘出影响轴温变化的关联规则，从而保证即便我们采集不到正确的数据，通过观察其它属性的变化，也能够判断轴温的老化程度和其他部件的故障，为车轴的异常发现和预警提供决策支持。技术实现要素：本发明的目的在于提供一种基于数据的轴温关联分析方法，其能够挖掘出影响轴温相变化的关联规则，在无法采集到正确数据的情况下，通过观察相关属性的变化，也能够判断轴温的老化程度和其他部件的故障，为车轴的异常发现和预警提供决策支持。本发明所采用的技术方案是：一种基于数据的轴温关联分析方法，具体按照以下步骤实施：步骤1.在通过对实际采集得到的数据进行特征选择，以得到后期分析的原始数据，原始数据按照时间序列进行采集，每秒采集一次；然后将原始数据进行预处理，得到预处理后数据；步骤2.对步骤1中得到的预处理后的数据找出强关联规则R，即找出满足最小支持度和最小置信度的关联规则。本发明的特点还在于：步骤1中所述的对原始数据的预处理包括以下几步：步骤1.1、采用线性插值法对缺失数据进行处理：针对极少个别点缺失数据的情况，将原始数据进行插值处理之后，得到矩阵Am*n，矩阵Am*n按照时间序列进行采集，Am*n表示的含义为第m个时刻的第n个属性；步骤1.2、利用步骤1.1得到的矩阵Am*n生成0-1矩阵，将该0-1矩阵表示为矩阵D：将第1个时刻的第1个属性(A11)和第2个时刻的第1个属性(A21)的数据进行对比，如果A21大于等于A11，将矩阵D的第1行第1列(D11)标记为1，否则标记为0；然后将第1个时刻的第2个属性(A12)和第2个时刻的第2个属性(A22)的数据进行对比，如果A22大于等于A12，将矩阵D的第1行第2列(D12)标记为1，否则标记为0；以此类推，…，直到将第1个时刻的第n个属性(A1n)和第2个时刻的第n个属性(A2n)的数据进行对比，如果A2n大于等于A1n，将矩阵D的第1行第n列(D1n)标记为1，否则标记为0；然后用同样的方法将第2个时刻的n个属性和第3个时刻的n个属性数据进行对比，将得到的标记存入矩阵D的第2行，以此类推，…，直到将第m-1个时刻的n个属性和第m个时刻的n个属性数据进行对比并将标记存入矩阵D的第m-1行，即得到矩阵D，矩阵D称为预处理后数据：步骤1.1中所述线性插值法对缺失数据进行处理的步骤如下：设有数据(x0,f(x0)),(x1,f(x1))，解方程组得此时的插值多项式为x表示未知数缺失的个数，例如缺失3个数据，则y1(1)代表第一个缺失的数据，y1(2)代表第二个缺失的数据，y1(3)代表第三个缺失的数据。步骤2具体按照以下步骤实施：步骤2.1、生成频繁项集，并存入频繁项集集合L中；步骤2.2、找出强关联规则R，即要找出满足最小支持度和最小置信度的关联规则：通过步骤2.1生成频繁项集集合L后，首先利用公式(2)来计算所有关联规则的置信度：其中support_count(A∪B)为包含项集(A∪B)的记录数目；support_count(A)为包含项集A的记录数目。步骤2.1具体按照以下步骤实施：步骤2.1.1、设定最小支持度s和最小置信度c；步骤2.1.2、找出频繁1-项集首先遍历矩阵D，获得各项集的支持频度:项目的集合I＝{i1，i2，…，in}称为项集，是n个不同项目即属性的集合，每个属性ik(1≤k≤n,k∈Z)称为一个项目，其元素的个数称为项集的长度，长度为k的项集称为k-项集；矩阵D的每一列对应的属性分别为速度、环境温度、EC车转向架1一轴左侧温度、EC车转向架1一轴右侧温度、EC车转向架2三轴左侧温度、EC车转向架2四轴左侧温度、EC车转向架2三轴右侧温度、EC车转向架2四轴右侧温度、本单元空簧载重，所以项目的集合I＝{速度，环境温度，EC车转向架1一轴左侧温度，EC车转向架1一轴右侧温度，EC车转向架2三轴左侧温度，EC车转向架2四轴左侧温度，EC车转向架2三轴右侧温度，EC车转向架2四轴右侧温度，本单元空簧载重}；扫描矩阵D，统计C1和C1中的每个候选1-项集在D中出现的次数，即支持频度；支持频度大于最小支持度s的候选1-项集C1组成频繁1-项集L1；步骤2.1.3、找出频繁2-项集为找出频繁2-项集，首先生成候选2-项集C2，候选2-项集C2是由频繁1-项集自身连接获得，即扫描矩阵D，统计C2和C2中的每个候选2-项集在D中出现的次数，即支持频度；支持频度大于最小支持度s的候选2-项集组成频繁2-项集L2；步骤2.1.4、找出频繁k-项集用频繁2-项集L2找出频繁3-项集L3，如此不断循环下去直到无法发现更多的频繁k-项集为止；最终频繁1-项集，频繁2-项集，…，频繁k-项集组成了频繁项集集合L；其中利用Lk-1获得Lk主要包含两个步骤：连接操作和删除操作。步骤2.1.4中所述利用Lk-1获得Lk主要包含的两个步骤，即连接操作和删除操作具体为：(a)连接操作：为找出频繁k-项集Lk，可以将频繁(k-1)-项集Lk-1中两个项集相连接以获得一个Lk的候选k-项集Ck；设l1和l2为Lk-1中的两个项集，li[j]表示li中的第j个项；为方便起见，假设D中各项记录均已按字典排序；若Lk-1的连接操作记为Lk-1⊕Lk-1，它表示若l1和l2中的前(k-2)项是相同的，即如果有：(l1[1]＝l2[1])∧…∧(l1[k-2]＝l2[k-2])∧(l1[k-1]＝l2[k-1])，则Lk-1中l1和l2就可以连接到一起；而条件(l1[k-1]＝l2[k-1])可以确保不产生重复项集；(b)删除操作：Lk是Ck的一个子集，它其中的各项集不一定都是频繁项集，但所有的频繁k-项集一定都在Ck，即扫描一遍D，找出矩阵D中包含Ck的项级出现的次数，即Ck中各候选项集的支持频度，由此获得频繁k-项集；所有频度不小于最小支持频度的候选项集就是属于Lk的频繁项集；然而由于Ck中的候选项集很多，该操作的时间复杂度会高，为了减少Ck的大小，需要利用Apriori性质：“一个非频繁(k-1)-项集不可能成为频繁k-项集的一个子集”；因此如果一个候选k-项集中任一子集((k-1)-项集)不属于Lk-1，那么该候选k-项集就不可能成为一个频繁k-项集，因而也就可以将其从Ck中删去。步骤2.2具体按照以下步骤实施：步骤2.2.1、对于频繁项集集合L中的每个频繁项集l，产生l的所有非空子集；步骤2.2.2、对于每个l的非空子集s，如果成立，则产生一个关联规则"s＝>(l-s)"，其中min_conf为最小置信度阈值；步骤2.2.3、遍历频繁项集集合L中所有的频繁项集，重复步骤2.2.1和步骤2.2.2得到关联规则，将关联规则存入强关联规则R中；步骤2.2.4、将强关联规则R输出到文本文件中进行分析、筛选得到有效的关联规则。本发明的有益效果是：本发明将关联挖掘算法Apriori算法应用于轴温数据的关联分析中，用现有采集到的数据挖掘出影响轴温变化的关联规则，通过观察规则中属性的变化，进而判断轴温的老化程度和其他部件的故障，为车轴的异常发现和预警提供决策支持。附图说明图1为本发明的关联分析流程图；图2为本发明中Apriori算法流程图。具体实施方式下面结合附图和具体实施方式对本发明进行详细说明：如图1所示，选择xx车xx天从xx-xx时间段的数据，即高速列车运行过程中一个速度的上升段作为研究对象，其属性包括速度、环境温度、EC车转向架1一轴左侧温度、EC车转向架1一轴右侧温度、EC车转向架2三轴左侧温度、EC车转向架2四轴左侧温度、EC车转向架2三轴右侧温度、EC车转向架2四轴右侧温度、本单元空簧载重。用Apriori算法来挖掘各属性之间的关联关系。表1轴温原始数据步骤1、数据预处理：步骤1.1、缺失数据的处理：本发明选择的如表1的原始数据，需要进行关联挖掘的属性包括：速度、环境温度、EC车转向架1一轴左侧温度、EC车转向架1一轴右侧温度、EC车转向架2三轴左侧温度、EC车转向架2四轴左侧温度、EC车转向架2三轴右侧温度、EC车转向架2四轴右侧温度、本单元空簧载重。在该步骤中，进行数据预处理。对于表1中缺失的数据，用线性插值的方法进行处理。由于该数据是每秒采集一条，所以(x0,f(x0)),(x1,f(x1))中的两个数据为(0,142.5797),(6,153.0797)，由此得到a0＝142.5797,a1＝1.75，插值多项式为y1(x)＝142.5797+1.75·x，所以，插入缺失的5个数据依次为144.3297，146.0797，147.8297，149.5797，151.3297。插值处理后的原始数据，用smooth函数滤波，得到表2的滤波处理后的原始数据。表2滤波处理后的原始数据步骤1.2、生成0-1矩阵：针对步骤1.1得到的矩阵A，将某一时刻和后一个时刻的数据进行对比，如果后一时刻数据大于此时刻数据，将此时刻的数据标记为1，否则标记为0，将标记存储到矩阵D中。步骤2、如图2所示，本步骤将预处理后数据矩阵D，利用关联挖掘算法Apriori算法进行训练得到强关联规则R，具体按照以下步骤实施：步骤2.1、生成频繁项集，并存入频繁项集集合L中；步骤2.1.1、设定最小支持度s＝0.001，最小置信度c＝0.7；步骤2.1.2、找出频繁1-项集：首先遍历矩阵D，获得各项集的支持频度：在本例中，项集I＝{I1，I2，…，I9}分别代表{速度，环境温度，EC车转向架1一轴左侧温度，EC车转向架1一轴右侧温度，EC车转向架2三轴左侧温度，EC车转向架2四轴左侧温度，EC车转向架2三轴右侧温度，EC车转向架2四轴右侧温度，本单元空簧载重}，I为9个不同的项目的集合。遍历矩阵D得到候选1-项集C1见表4，在表4中，1代表该候选/频繁项集中有这一项，0代表没有，比如表3代表的候选1-项集为{I1}，{I2}，{I3}，{I4}，{I5}，{I6}，{I7}，{I8}。支持度大于最小支持度0.001的为频繁1-项集，由于这里所有的项集支持度都大于0.001，所以，频繁1-项集L1等于候选1-项集C1。表3候选1-项集I1I2I3I4I5I6I7I8I9支持度1000000000.8440860220100000000.0994623660010000000.0295698920001000000.0080645160000100000.013440860000010000.0403225810000001000.0107526880000000100.01344086步骤2.1.3、找出频繁2-项集：为找出频繁2-项集，首先生成候选2-项集C2，遍历矩阵D，找到C2中的项集和每个候选2-项集的支持频度，C2中，支持频度大于最小支持度0.001的候选2-项集组成频繁2-项集L2。L2中所有项集的支持度都大于0.001，所以频繁2-项集L2等于候选2-项集C2，见表4。表4候选2-项集I1I2I3I4I5I6I7I8I9支持度1100000000.0887096771010000000.0295698921001000000.0080645161000100000.0107526881000010000.0322580651000001000.0107526881000000100.013440860101000000.0026881720100100000.0053763440100010000.0053763440100001000.0053763440010000100.0026881720001100000.005376344步骤2.1.4、找出频繁3-项集、频繁4-项集和频繁5-项集：为找出频繁3-项集，首先生成候选3-项集C3，见表5，遍历矩阵D，找到C3中的项集和每个候选3-项集的支持频度，C3中，支持频度大于最小支持度0.001的候选3-项集组成频繁3-项集L3。L3中所有项集的支持度都大于0.001，所以频繁3-项集L3为候选3-项集C3。循环该方法，得到如表6的频繁4-项集L4。表5候选3-项集I1I2I3I4I5I6I7I8I9支持度1101000000.0026881721100100000.0053763441100010000.0053763441100001000.0053763441010000100.0026881721001100000.0053763440101100000.002688172表6候选4-项集I1I2I3I4I5I6I7I8I9支持度1101100000.002688172步骤2.2、找出关联规则：通过这一步骤，找到满足最小支持度和最小置信度的关联规则，见表7，在该表格中，-1代表条件，1代表结论。然后根据实际需求进行筛选：(1)删除第一列到第九列只有1或者只有-1的行，因为其不构成关联规则；(2)删除只有-1的和只有1的行，-1只有蕴含式的前件，没有后件；1只有蕴含式的后件，没有前件；(3)删除后件中有I1(速度)的蕴含式，因为速度不由I2-I9的任何一个属性决定。筛选得到如表8的强关联规则。表7关联规则表表8强关联规则表表8的强关联规则可用如下的蕴含式来表示：1.EC车转向架1一轴右侧温度＝>EC车转向架2三轴左侧温度；2.速度∧EC车转向架1一轴右侧温度＝>EC车转向架2三轴左侧温度；3.环境温度∧EC车转向架1一轴右侧温度＝>EC车转向架2三轴左侧温度；4.速度∧环境温度∧EC车转向架1一轴右侧温度＝>EC车转向架2三轴左侧温度；实验证明，高速列车运行过程速度的上升段中，支持度和置信度都比较适中。EC车转向架1一轴左侧温度、EC车转向架2四轴左侧温度、EC车转向架2三轴右侧温度、EC车转向架2四轴右侧温度、本单元空簧载重这几个量之间可以认为没有关联。速度、环境温度、EC车转向架1一轴右侧温度、EC车转向架2三轴左侧温度之间的关联关系为速度∧环境温度∧EC车转向架1一轴右侧温度＝>EC车转向架2三轴左侧温度，即EC车转向架2三轴左侧温度与速度、环境温度和EC车转向架1一轴右侧温度相关。当前第1页1 2 3