本发明涉及数据处理,具体涉及一种用于智能化衬砌台车的偏压预警方法。
背景技术:
1、智能化衬砌台车是一种铁路维护设备,用于铁路轨道维修和砟石更换工作,能够提高施工效率和确保施工质量。衬砌台车偏压指在铺设或更换石子、混凝土等材料时,衬砌台车在轨道上的位置发生了侧向偏移或不稳定的现象;出现偏压会严重影响铁路线路安全和稳定性,因此在衬砌台车运行过程中需要进行偏压状态的预警。
2、传统方式下对衬砌台车的偏压状态预警是通过获取表征偏压特征的监测数据并预设数据阈值,当监测数据超过数据阈值时进行预警;但衬砌台车在工作过程中会受到外界因素的影响,例如外界振动和传感器的短暂噪声会导致监测数据瞬时异常,出现频繁的错误预警,造成偏压预警准确性低。
技术实现思路
1、为了解决上述根据数据阈值对监测数据进行预警会导致偏压预警准确性低的技术问题,本发明的目的在于提供一种用于智能化衬砌台车的偏压预警方法,所采用的技术方案具体如下:
2、获取监测衬砌台车偏压状况的二维特征监测数据;根据所述二维特征监测数据构建基础散点图;对所述基础散点图中的数据点使用聚类算法进行筛选获得特征散点图;
3、根据所述特征散点图中数据点与邻域内其他数据点的距离特征获得聚类的最小邻域半径;根据所述特征散点图中数据点的分布特征获得不同的邻域最小数目;根据所述最小邻域半径和邻域最小数目通过密度聚类算法对特征散点图中的数据点进行聚类,获得不同的聚类簇;
4、根据数据点所在聚类簇中数据点的数量特征获得近邻数量值;根据数据点的近邻数量值和预设第三数值获得自适应近邻值;根据数据点的自适应近邻值和近邻数量值通过knn算法获得数据点的改进最近邻距离;
5、根据特征散点图中数据点的分布特征和改进最近邻距离获得距离阈值;根据数据点的改进最近邻距离和所述距离阈值对衬砌台车的偏压进行预警。
6、进一步地,所述对所述基础散点图中的数据点使用聚类算法进行筛选获得特征散点图的步骤包括:
7、根据基础散点图中数据点之间的距离特征通过knn聚类算法获得任意数据点的近邻平均距离;当任意数据点的近邻平均距离超过预设第一阈值时,在基础散点图中将所述任意数据点剔除,获得所述特征散点图。
8、进一步地,所述根据所述特征散点图中数据点与邻域内其他数据点的距离特征获得聚类的最小邻域半径的步骤包括:
9、在特征散点图中计算数据点与距离最近的预设第一数量个其他数据点的欧氏距离的平均值,获得数据点的邻域距离表征值;计算特征散点图中所有数据点的所述邻域距离表征值的平均值,获得聚类的最小邻域半径。
10、进一步地,所述根据所述特征散点图中数据点的分布特征获得不同的邻域最小数目的步骤包括:
11、将所述特征散点图划分为预设第二数量个特征区域,根据每个特征区域中数据点反映衬砌台车偏压状态的概率程度预设不同的邻域最小数目,特征区域的所述概率程度越大,对应的邻域最小数目越小。
12、进一步地,所述根据所述最小邻域半径和邻域最小数目通过密度聚类算法对特征散点图中的数据点进行聚类,获得不同的聚类簇的步骤包括:
13、根据所述最小邻域半径和每个特征区域对应的邻域最小数目通过dbscan密度聚类算法对特征散点图中的数据点进行聚类,获得不同的聚类簇。
14、进一步地,所述根据数据点所在聚类簇中数据点的数量特征获得近邻数量值的步骤包括:
15、将数据点所在的聚类簇中数据点数量值作为数据点的近邻数量值。
16、进一步地,所述根据数据点的近邻数量值和预设第三数值获得自适应近邻值的步骤包括:
17、计算数据点的近邻数量值与预设第三数值获得数据点的自适应近邻值。
18、进一步地,所述根据数据点的自适应近邻值和近邻数量值通过knn算法获得数据点的改进最近邻距离的步骤包括:
19、在特征散点图中通过knn算法,计算数据点与距离最近的第近邻数量值个至第自适应近邻值个其他数据点的欧氏距离的平均值,获得数据点的改进最近邻距离。
20、进一步地,所述根据特征散点图中数据点的分布特征和改进最近邻距离获得距离阈值的步骤包括:
21、计算每个特征区域中数据点的改进最近邻距离的平均值与预设权重的乘积,获得特征区域的距离特征值;特征区域的所述概率程度越大,预设权重越小;计算所有特征区域的距离特征值的和值,获得所述距离阈值。
22、进一步地,所述根据数据点的改进最近邻距离和所述距离阈值对衬砌台车的偏压进行预警的步骤包括:
23、当数据点的改进最近邻距离超过所述距离阈值时,数据点作为异常数据点;当异常数据点的数量超过预设预警数量时,对衬砌台车的偏压进行预警。
24、本发明具有如下有益效果:
25、在本发明中,对基础散点图进行筛选获得特征散点图能够将二维特征监测数据的噪声数据,初步提高偏压预警的准确性。根据最小邻域半径和邻域最小数目获得聚类簇能够将特征散点图中表征衬砌台车不同运行状态的数据点进行聚类;获取近邻数据值能够表征聚类簇内任意数据点簇外的距离最近的其他数据点的次序;获取自适应近邻值能够确定聚类簇内任意数据点簇外的距离最近的其他数据点的数量值。根据近邻数量值和自适应近邻值通过knn算法获得数据点的改进最近邻距离,能够避免因聚类簇内数据点之间的距离特征不能准确反映表征偏压状态的数据点的问题;根据改进最近邻距离能够突出正常数据点和反映偏压状态的异常数据点之间的差异特征,最终根据改进最近邻距离和距离阈值对衬砌台车的偏压进行预警,提高了偏压预警的准确性。
1.一种用于智能化衬砌台车的偏压预警方法,其特征在于,所述方法包括以下步骤:
2.根据权利要求1所述的一种用于智能化衬砌台车的偏压预警方法,其特征在于,所述对所述基础散点图中的数据点使用聚类算法进行筛选获得特征散点图的步骤包括:
3.根据权利要求1所述的一种用于智能化衬砌台车的偏压预警方法,其特征在于,所述根据所述特征散点图中数据点与邻域内其他数据点的距离特征获得聚类的最小邻域半径的步骤包括:
4.根据权利要求1所述的一种用于智能化衬砌台车的偏压预警方法,其特征在于,所述根据所述特征散点图中数据点的分布特征获得不同的邻域最小数目的步骤包括:
5.根据权利要求4所述的一种用于智能化衬砌台车的偏压预警方法,其特征在于,所述根据所述最小邻域半径和邻域最小数目通过密度聚类算法对特征散点图中的数据点进行聚类,获得不同的聚类簇的步骤包括:
6.根据权利要求1所述的一种用于智能化衬砌台车的偏压预警方法,其特征在于,所述根据数据点所在聚类簇中数据点的数量特征获得近邻数量值的步骤包括:
7.根据权利要求1所述的一种用于智能化衬砌台车的偏压预警方法,其特征在于,所述根据数据点的近邻数量值和预设第三数值获得自适应近邻值的步骤包括:
8.根据权利要求1所述的一种用于智能化衬砌台车的偏压预警方法,其特征在于,所述根据数据点的自适应近邻值和近邻数量值通过knn算法获得数据点的改进最近邻距离的步骤包括:
9.根据权利要求4所述的一种用于智能化衬砌台车的偏压预警方法,其特征在于,所述根据特征散点图中数据点的分布特征和改进最近邻距离获得距离阈值的步骤包括:
10.根据权利要求1所述的一种用于智能化衬砌台车的偏压预警方法,其特征在于,所述根据数据点的改进最近邻距离和所述距离阈值对衬砌台车的偏压进行预警的步骤包括: