本申请公开了一种用于检测臂架系统运行数据的方法、装置及存储介质。该方法包括：获取臂架系统的目标运行数据，目标运行数据包括工况数据和臂架状态数据；结合工况数据，通过目标深度神经网络预测阈值参数；将臂架状态数据作为异常检测对象数据，基于阈值参数，通过聚类算法识别臂架状态数据中的异常数据，以完成对臂架系统的运行数据的检测。本申请通过目标深度神经网络预测阈值参数，并基于阈值参数，通过聚类算法识别臂架状态数据中的异常数据，能够提高精度，适应复杂的工程机械臂架工作过程。程。程。
【技术实现步骤摘要】
用于检测臂架系统运行数据的方法、装置及存储介质
[0001]本申请涉及工程机械
，具体地涉及一种用于检测臂架系统运行数据的方法、装置及存储介质。
技术介绍
[0002]工程机械臂架系统由臂架、连杆、变幅油箱等部件组成，机动性能良好，在施工中应用广泛。其工作数据是由在线监测装置采集并实时回传的数据，这些实时数据的时间序列有时会受到突发事件的影响，而这些突发事件的干扰会导致异常数据的产生。但是，现有技术通常需要凭借经验来确定筛选异常数据所需要的阈值，阈值比较固定。当机械面对复杂多变的工况时，监测数据隐含多种演化规律，固定单一的阈值参数难以满足异常数据的精准检测需求。因此，现有的异常检测方法精度较低，无法适应复杂的工程机械臂架工作过程。
技术实现思路
[0003]本申请实施例的目的是提供一种用于检测臂架系统运行数据的方法、装置及存储介质，用以解决现有技术中异常检测方法精度较低，无法适应复杂的工程机械臂架工作过程的问题。
[0004]为了实现上述目的，本申请第一方面提供一种用于检测臂架系统运行数据的方法，该方法包括：
[0005]获取臂架系统的目标运行数据，目标运行数据包括工况数据和臂架状态数据；
[0006]结合工况数据，通过目标深度神经网络预测阈值参数；
[0007]将臂架状态数据作为异常检测对象数据，基于阈值参数，通过聚类算法识别臂架状态数据中的异常数据，以完成对臂架系统的运行数据的检测。
[0008]在本申请实施例中，该方法还包括：
[0009]构建初始深度神经网络，初始神经网络包括依次连接的第一预设数量的第一网络层，且每个第一网络层具有对应的节点数；
[0010]针对初始神经网络中的前第二预设数量的第一网络层，分别构建对应的初始预编码训练器，其中，每个初始预编码训练器均包括输入层、隐含层和输出层，初始预编码训练器的输入层的节点数等于对应的第一网络层的节点数，上一个初始预编码训练器的隐含层的节点数等于下一个初始预编码训练器的输入层的节点数；
[0011]训练初始预编码训练器，以得到第二预设数量的目标预编码训练器；
[0012]将各目标预编码训练器的输入层的权值，作为与各目标预编码训练器对应的第一网络层的初始权值；
[0013]训练初始深度神经网络，直至初始深度神经网络收敛，以得到目标深度神经网络。
[0014]在本申请实施例中，训练初始预编码训练器，以得到第二预设数量的目标预编码训练器包括：
[0015]获取训练样本；
[0016]通过训练样本训练第一个初始预编码训练器，以得到第一个目标预编码训练器和第一个目标预编码训练器的隐含层的输出值；
[0017]依次将上一个目标预编码训练器的隐含层的输出值作为下一个初始预编码训练器的输入层的输入值，训练其余初始预编码训练器，以获取第二预设数量的目标预编码训练器。
[0018]在本申请实施例中，依次将上一个目标预编码训练器的隐含层的输出值作为下一个初始预编码训练器的输入层的输入值，包括：
[0019]对上一个目标预编码训练器的隐含层的输出值进行加噪，以得到目标隐含层输出值；
[0020]将目标隐含层输出值作为下一个初始预编码训练器的输入层的输入值。
[0021]在本申请实施例中，阈值参数包括邻域的半径和最小包含点数；
[0022]将臂架状态数据作为异常检测对象数据，基于阈值参数，通过聚类算法识别臂架状态数据中的异常数据，以完成对臂架系统的运行数据的检测，包括：
[0023]选取臂架状态数据中任意一个样本点作为第一样本点，判断第一样本点是否为核心点；
[0024]在第一样本点为核心点的情况下，确定以第一样本点为中心点的局部区域和局部区域内样本点的局部数据集合；
[0025]选取局部数据集合中的任意一个样本点作为第二样本点，并判断第二样本点是否为核心点；
[0026]在第二样本点为核心点的情况下，基于第二样本点建立聚类簇；
[0027]确定第二样本点邻域内的代表点集合，根据代表点集合扩充聚类簇；
[0028]在完成扩充聚类簇的情况下，返回执行选取臂架状态数据中任意一个样本点作为第一样本点的步骤，直至臂架状态数据中的样本点均已访问；
[0029]将臂架状态数据中不属于任意一个聚类簇的样本点确定为异常数据。
[0030]在本申请实施例中，核心点是邻域内的样本数大于或等于最小包含点数的样本点。
[0031]在本申请实施例中，确定第二样本点邻域内的代表点集合，根据代表点集合扩充聚类簇包括：
[0032]选取代表点集合中任意一个代表点，并判断代表点是否为核心点；
[0033]在代表点为核心点的情况下，确定代表点邻域内样本点的邻域集合，将邻域集合归类于聚类簇；
[0034]在代表点不为核心点的情况下，将代表点归类于聚类簇。
[0035]在本申请实施例中，代表点包括距离代表点和特征代表点中的至少一者，距离代表点是距离尺度下与第二样本点的距离大于二分之一半径且小于或等于半径的样本点，特征代表点是邻域内的单一特征维度下与第二样本点的距离最远或最近的样本点。
[0036]本申请第二方面提供一种用于检测臂架系统运行数据的装置，包括：
[0037]存储器，被配置成存储指令；以及
[0038]处理器，被配置成从存储器调用指令以及在执行指令时能够实现上述的用于检测
臂架系统运行数据的方法。
[0039]本申请第三方面提供一种机器可读存储介质，该机器可读存储介质上存储有指令，该指令用于使得机器执行上述的用于检测臂架系统运行数据的方法。
[0040]通过上述技术方案，获取臂架系统的工况数据和臂架状态数据，并结合工况数据，通过目标深度神经网络预测阈值参数。再将臂架状态数据作为异常检测对象数据，基于阈值参数，通过聚类算法识别臂架状态数据中的异常数据，以完成对臂架系统的运行数据的检测。本申请基于目标深度神经网络预测的阈值参数，通过聚类算法识别臂架状态数据中的异常数据，能够提高精度，适应复杂的工程机械臂架工作过程。
[0041]本申请实施例的其它特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
[0042]附图是用来提供对本申请实施例的进一步理解，并且构成说明书的一部分，与下面的具体实施方式一起用于解释本申请实施例，但并不构成对本申请实施例的限制。在附图中：
[0043]图1示意性示出了根据本申请一实施例的一种用于检测臂架系统运行数据的装置的结构框图；
[0044]图2示意性示出了根据本申请实施例的一种用于检测臂架系统运行数据的方法的流程图；
[0045]图3示意性示出了根据本申请实施例的一种目标深度神经网络的训练过程示意图；
[0046]图4示意性示出了根据本申请实施例的一种局部区域的示意图；
[0047]图5示意性示出了根据本申请一具体实施例的一种用于检本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种用于检测臂架系统运行数据的方法，其特征在于，所述方法包括：获取臂架系统的目标运行数据，所述目标运行数据包括工况数据和臂架状态数据；结合所述工况数据，通过目标深度神经网络预测阈值参数；将所述臂架状态数据作为异常检测对象数据，基于所述阈值参数，通过聚类算法识别所述臂架状态数据中的异常数据，以完成对所述臂架系统的运行数据的检测。2.根据权利要求1所述的方法，其特征在于，所述方法还包括：构建初始深度神经网络，所述初始神经网络包括依次连接的第一预设数量的第一网络层，且每个第一网络层具有对应的节点数；针对所述初始神经网络中的前第二预设数量的第一网络层，分别构建对应的初始预编码训练器，其中，每个初始预编码训练器均包括输入层、隐含层和输出层，所述初始预编码训练器的输入层的节点数等于对应的第一网络层的节点数，上一个所述初始预编码训练器的隐含层的节点数等于下一个所述初始预编码训练器的输入层的节点数；训练所述初始预编码训练器，以得到第二预设数量的目标预编码训练器；将各所述目标预编码训练器的输入层的权值，作为与各所述目标预编码训练器对应的第一网络层的初始权值；训练所述初始深度神经网络，直至所述初始深度神经网络收敛，以得到所述目标深度神经网络。3.根据权利要求2所述的方法，其特征在于，所述训练所述初始预编码训练器，以得到第二预设数量的目标预编码训练器包括：获取训练样本；通过所述训练样本训练第一个初始预编码训练器，以得到第一个目标预编码训练器和第一个目标预编码训练器的隐含层的输出值；依次将上一个目标预编码训练器的隐含层的输出值作为下一个初始预编码训练器的输入层的输入值，训练其余所述初始预编码训练器，以获取第二预设数量的目标预编码训练器
。
4.根据权利要求3所述的方法，其特征在于，所述依次将上一个目标预编码训练器的隐含层的输出值作为下一个初始预编码训练器的输入层的输入值，包括：对所述上一个目标预编码训练器的隐含层的输出值进行加噪，以得到目标隐含层输出值；将所述目标隐含层输出值作为下一个初始预编码训练器的输入层的输入值。5.根据权利要求1所述的方法，其特征在于，所述阈值参数包括邻域的半径和最小包含点数；所述将所述臂架状态数据...
【专利技术属性】
技术研发人员：佘玲娟，付玲，颜镀镭，张鹏，尹莉，刘延斌，马德福，
申请(专利权)人：中联重科股份有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。