本发明涉及数据处理技术领域，具体涉及基于多传感器的轮轴瓦异常状态监测方法及系统，包括：通过对时序数据序列进行小波分解，得到每层小波分解系数，确定数据的相对位置，从而确定数据的数据变化量，结合其小波系数，确定数据的小波系数变化特征，进而确定时序数据序列中数据的精准小波系数变化特征，再结合其时差特征，确定时序数据序列中数据的异常性，由此区分异常数据和正常数据，根据同一轮轴瓦对应的所有时序数据序列中异常数据和正常数据的异常性，确定轮轴瓦对应的实际异常性时序数据序列，判断轮轴瓦是否存在真正异常。本发明通过时序数据序列的小波分解，和多传感数据之间的联合分析，提高了对轮轴瓦异常状态监测的准确率。
1.基于多传感器的轮轴瓦异常状态监测方法，其特征在于，该方法包括以下步骤：
使用加速度传感器采集轮轴瓦的振动信号，得到时序数据序列；对时序数据序列进行小波分解，得到时序数据序列对应的每层小波分解系数，每层小波分解系数包含了若干个数据的小波系数；
根据每层小波分解系数中数据的序号值，确定每层小波分解系数中数据的相对位置；
根据每层小波分解系数中数据的相对位置对应的相对位置窗口内数据的小波系数之间的差异，确定每层小波分解系数中数据的数据变化量；
根据每层小波分解系数中数据的数据变化量和数据的小波系数，确定每层小波分解系数中数据的小波系数变化特征；根据所有层小波分解系数中相同相对位置大小对应的数据的小波系数变化特征，确定时序数据序列中数据的精准小波系数变化特征；
根据时序数据序列中数据的精准小波系数变化特征和数据的时差特征，确定时序数据序列中数据的异常性；根据时序数据序列中所有数据的异常性，将时序数据序列中所有数据分为异常数据和正常数据；
根据同一轮轴瓦对应的所有时序数据序列中异常数据和正常数据的异常性，确定轮轴瓦对应的实际异常性时序数据序列；根据轮轴瓦对应的实际异常性时序数据序列中非零值的分类特征，判断轮轴瓦是否存在真正异常。
2.根据权利要求1所述基于多传感器的轮轴瓦异常状态监测方法，其特征在于，所述根据每层小波分解系数中数据的序号值，确定每层小波分解系数中数据的相对位置；根据每层小波分解系数中数据的相对位置对应的相对位置窗口内数据的小波系数之间的差异，确定每层小波分解系数中数据的数据变化量，包括的具体步骤如下：从每层小波分解系数中第一个数据开始加一递增的排序，确定每层小波分解系数中每个数据的序号值；
将每层小波分解系数中每个数据的序号值除以每层小波分解系数中最后一个数据的序号值的商，记为每层小波分解系数中数据的相对位置；
预设相对位置窗口，将每层小波分解系数中数据的相对位置对应的相对位置窗口内最大的数据的小波系数减去最小的数据的小波系数之差，记为数据变化量。
3.根据权利要求1所述基于多传感器的轮轴瓦异常状态监测方法，其特征在于，所述根据每层小波分解系数中数据的数据变化量和数据的小波系数，确定每层小波分解系数中数据的小波系数变化特征，包括的具体步骤如下：将每层小波分解系数中数据的小波系数绝对值与数据的数据变化量的乘积，记为数据的小波系数变化特征。
4.根据权利要求1所述基于多传感器的轮轴瓦异常状态监测方法，其特征在于，所述根据所有层小波分解系数中相同相对位置大小对应的数据的小波系数变化特征，确定时序数据序列中数据的精准小波系数变化特征，包括的具体步骤如下：在所有层小波分解系数中，且在相同相对位置大小对应的所有数据的小波系数变化特征中，将选取的最小的小波系数变化特征，记为精准小波系数变化特征；
根据所有相同相对位置大小对应的精准小波系数变化特征，确定时序数据序列中数据的精准小波系数变化特征。
5.根据权利要求1所述基于多传感器的轮轴瓦异常状态监测方法，其特征在于，所述根据时序数据序列中数据的精准小波系数变化特征和数据的时差特征，确定时序数据序列中数据的异常性，包括的具体步骤如下：将轮轴瓦功率正常转变时的时间点，记为轮轴瓦功率正常变化的时间点；
将时序数据序列中数据对应的时间点到轮轴瓦功率正常变化的时间点中的最小时间差，记为时差特征；
使用线性归一化函数，对时序数据序列中所有数据对应的时差特征进行归一化处理，得到时序数据序列中数据对应的时差特征的归一化值；
将时序数据序列中数据对应的时差特征的归一化值和时序数据序列中数据的精准小波系数变化特征的乘积，记为时序数据序列中数据的初始异常性；
根据时序数据序列中数据对应的时差特征的归一化值和时序数据序列中所有数据的初始异常性的均值，确定时序数据序列中数据的初始异常性的补偿值；
将时序数据序列中数据的初始异常性的补偿值和时序数据序列中数据的初始异常性之和，记为时序数据序列中数据的异常性。
6.根据权利要求5所述基于多传感器的轮轴瓦异常状态监测方法，其特征在于，所述将时序数据序列中数据的初始异常性的补偿值和时序数据序列中数据的初始异常性之和，记为时序数据序列中数据的异常性对应的具体计算公式为：其中 为时序数据序列中第x个数据的异常性， 为时序数据序列中第x个数据的时差特征的归一化值，y为时序数据序列中的数据数量， 为时序数据序列中第x个数据的精准小波系数变化特征。
7.根据权利要求1所述基于多传感器的轮轴瓦异常状态监测方法，其特征在于，所述根据时序数据序列中所有数据的异常性，将时序数据序列中所有数据分为异常数据和正常数据，包括的具体步骤如下：预设DBSCAN算法的分类半径和邻域内的样本点数，根据时序数据序列中所有数据的异常性，使用DBSCAN算法将时序数据序列中所有数据划分为若干个异常类；
将数据数量最多的异常类内所有数据记为正常数据，将非数据数量最多的异常类内所有数据记为异常数据，确定时序数据序列中的正常数据和异常数据。
8.根据权利要求1所述基于多传感器的轮轴瓦异常状态监测方法，其特征在于，所述根据同一轮轴瓦对应的所有时序数据序列中异常数据和正常数据的异常性，确定轮轴瓦对应的实际异常性时序数据序列，包括的具体步骤如下：将同一轮轴瓦对应的所有时序数据序列中的正常数据的异常性重置为零，将同一轮轴瓦对应的所有时序数据序列中的异常数据的异常性保持不变，确定同一轮轴瓦对应的所有时序数据序列中所有数据的新异常性；
将同一轮轴瓦上对应的所有时序数据序列中，同时间点上的数据的新异常性之和，记为实际异常性，确定轮轴瓦对应的实际异常性时序数据序列。
9.根据权利要求1所述基于多传感器的轮轴瓦异常状态监测方法，其特征在于，所述根据轮轴瓦对应的实际异常性时序数据序列中非零值的分类特征，判断轮轴瓦是否存在真正异常，包括的具体步骤如下：利用最大值最小值方法对轮轴瓦对应的实际异常性时序数据序列中的数据进行归一化处理，得到轮轴瓦对应的实际异常性时序数据序列中每个数据对应的归一化值；
将轮轴瓦对应的实际异常性时序数据序列中任意两个非零值数据对应的归一化值中的最小值，记为所述两个非零值数据之间的距离；
预设均值漂移算法的分类半径，根据轮轴瓦对应的实际异常性时序数据序列中所有非零值数据之间的距离，使用均值漂移算法将实际异常性时序数据序列中所有非零值数据对应的时间点划分为若干个时间类；
将每个时间类内非零值数据对应的时间点中的最大值减去最小值的差值，记为时间类的时间阈值；将时间类的时间阈值小于等于轮轴转动一周所需时间的时间类，记为疑似异常时间类；
若存在疑似异常时间类，预设异常阈值，当所有疑似异常时间类内的所有非零值数据的实际异常性中存在大于预设异常阈值的非零值数据时，则判断轮轴瓦存在真正异常；当所有疑似异常时间类内的所有非零值数据的实际异常性中不存在大于预设异常阈值的非零值数据时，则判断轮轴瓦无真正异常。
10.基于多传感器的轮轴瓦异常状态监测系统，所述系统包括存储器和处理器，其特征在于，所述处理器执行所述存储器存储的计算机程序，以实现根据权利要求1‑9任一项所述的方法。
基于多传感器的轮轴瓦异常状态监测方法及系统
技术领域
[0001] 本发明涉及数据处理技术领域，具体涉及基于多传感器的轮轴瓦异常状态监测方法及系统。
背景技术
[0002] 多传感器的轮轴瓦异常状态监测方法及系统在工业领域具有重要的应用价值。在工程机械、交通运输等领域，轮轴瓦作为关键部件之一，其状态的异常可能导致设备故障、安全事故和生产停滞，给企业和社会带来严重的经济损失和安全隐患。因此，建立有效的轮轴瓦异常监测方法是工业领域迫切需要解决的问题。
[0003] 然而，目前在不同功率下对轮轴瓦振动进行异常检测时，会出现一定的干扰现象。由于轮轴瓦在不同转速下的振动频率存在差异，使得监测过程中的振动信号不稳定，同时不同传感器采集到的数据也可能存在微小的差异。这些因素导致在对轮轴瓦进行异常检测时可能会造成误判或漏报，降低了监测系统的准确性和可靠性。
[0004] 小波变换作为一种有效的信号处理方法，其可以提供信号在不同时间和频率尺度上的分析能力，从而能更好地揭示信号的局部特征，并且可以将信号与噪声分离开来，从而准确的从信号中提取关键特征。
[0005] 现有问题：由于振动信号的复杂性和功率变化的影响，现有的小波分析方法无法很好地适应不同功率工况下的振动信号特性，导致在处理分段过程中存在困难和误差，这可能进一步加剧振动异常检测的干扰问题，降低了监测系统的稳定性和精度。
发明内容
[0006] 本发明提供基于多传感器的轮轴瓦异常状态监测方法及系统，以解决现有的问题。
[0007] 本发明的基于多传感器的轮轴瓦异常状态监测方法及系统采用如下技术方案：
[0008] 本发明一个实施例提供了基于多传感器的轮轴瓦异常状态监测方法，该方法包括以下步骤：
[0009] 使用加速度传感器采集轮轴瓦的振动信号，得到时序数据序列；对时序数据序列进行小波分解，得到时序数据序列对应的每层小波分解系数，每层小波分解系数包含了若干个数据的小波系数；
[0010] 根据每层小波分解系数中数据的序号值，确定每层小波分解系数中数据的相对位置；根据每层小波分解系数中数据的相对位置对应的相对位置窗口内数据的小波系数之间的差异，确定每层小波分解系数中数据的数据变化量；
[0011] 根据每层小波分解系数中数据的数据变化量和数据的小波系数，确定每层小波分解系数中数据的小波系数变化特征；根据所有层小波分解系数中相同相对位置大小对应的数据的小波系数变化特征，确定时序数据序列中数据的精准小波系数变化特征；
[0012] 根据时序数据序列中数据的精准小波系数变化特征和数据的时差特征，确定时序数据序列中数据的异常性；根据时序数据序列中所有数据的异常性，将时序数据序列中所有数据分为异常数据和正常数据；
[0013] 根据同一轮轴瓦对应的所有时序数据序列中异常数据和正常数据的异常性，确定轮轴瓦对应的实际异常性时序数据序列；根据轮轴瓦对应的实际异常性时序数据序列中非零值的分类特征，判断轮轴瓦是否存在真正异常。
[0014] 进一步地，所述根据每层小波分解系数中数据的序号值，确定每层小波分解系数中数据的相对位置；根据每层小波分解系数中数据的相对位置对应的相对位置窗口内数据的小波系数之间的差异，确定每层小波分解系数中数据的数据变化量，包括的具体步骤如下：
[0015] 从每层小波分解系数中第一个数据开始加一递增的排序，确定每层小波分解系数中每个数据的序号值；
[0016] 将每层小波分解系数中每个数据的序号值除以每层小波分解系数中最后一个数据的序号值的商，记为每层小波分解系数中数据的相对位置；
[0017] 预设相对位置窗口，将每层小波分解系数中数据的相对位置对应的相对位置窗口内最大的数据的小波系数减去最小的数据的小波系数之差，记为数据变化量。
[0018] 进一步地，所述根据每层小波分解系数中数据的数据变化量和数据的小波系数，确定每层小波分解系数中数据的小波系数变化特征，包括的具体步骤如下：
[0019] 将每层小波分解系数中数据的小波系数绝对值与数据的数据变化量的乘积，记为数据的小波系数变化特征。
[0020] 进一步地，所述根据所有层小波分解系数中相同相对位置大小对应的数据的小波系数变化特征，确定时序数据序列中数据的精准小波系数变化特征，包括的具体步骤如下：
[0021] 在所有层小波分解系数中，且在相同相对位置大小对应的所有数据的小波系数变化特征中，将选取的最小的小波系数变化特征，记为精准小波系数变化特征；
[0022] 根据所有相同相对位置大小对应的精准小波系数变化特征，确定时序数据序列中数据的精准小波系数变化特征。
[0023] 进一步地，所述根据时序数据序列中数据的精准小波系数变化特征和数据的时差特征，确定时序数据序列中数据的异常性，包括的具体步骤如下：
[0024] 将轮轴瓦功率正常转变时的时间点，记为轮轴瓦功率正常变化的时间点；
[0025] 将时序数据序列中数据对应的时间点到轮轴瓦功率正常变化的时间点中的最小时间差，记为时差特征；
[0026] 使用线性归一化函数，对时序数据序列中所有数据对应的时差特征进行归一化处理，得到时序数据序列中数据对应的时差特征的归一化值；
[0027] 将时序数据序列中数据对应的时差特征的归一化值和时序数据序列中数据的精准小波系数变化特征的乘积，记为时序数据序列中数据的初始异常性；
[0028] 根据时序数据序列中数据对应的时差特征的归一化值和时序数据序列中所有数据的初始异常性的均值，确定时序数据序列中数据的初始异常性的补偿值；
[0029] 将时序数据序列中数据的初始异常性的补偿值和时序数据序列中数据的初始异常性之和，记为时序数据序列中数据的异常性。
[0030] 进一步地，所述将时序数据序列中数据的初始异常性的补偿值和时序数据序列中数据的初始异常性之和，记为时序数据序列中数据的异常性对应的具体计算公式为：
[0031]
[0032] 其中 为时序数据序列中第x个数据的异常性， 为时序数据序列中第x个数据的时差特征的归一化值，y为时序数据序列中的数据数量， 为时序数据序列中第x个数据的精准小波系数变化特征。
[0033] 进一步地，所述根据时序数据序列中所有数据的异常性，将时序数据序列中所有数据分为异常数据和正常数据，包括的具体步骤如下：
[0034] 预设DBSCAN算法的分类半径和邻域内的样本点数，根据时序数据序列中所有数据的异常性，使用DBSCAN算法将时序数据序列中所有数据划分为若干个异常类；
[0035] 将数据数量最多的异常类内所有数据记为正常数据，将非数据数量最多的异常类内所有数据记为异常数据，确定时序数据序列中的正常数据和异常数据。
[0036] 进一步地，所述根据同一轮轴瓦对应的所有时序数据序列中异常数据和正常数据的异常性，确定轮轴瓦对应的实际异常性时序数据序列，包括的具体步骤如下：
[0037] 将同一轮轴瓦对应的所有时序数据序列中的正常数据的异常性重置为零，将同一轮轴瓦对应的所有时序数据序列中的异常数据的异常性保持不变，确定同一轮轴瓦对应的所有时序数据序列中所有数据的新异常性；
[0038] 将同一轮轴瓦上对应的所有时序数据序列中，同时间点上的数据的新异常性之和，记为实际异常性，确定轮轴瓦对应的实际异常性时序数据序列。
[0039] 进一步地，所述根据轮轴瓦对应的实际异常性时序数据序列中非零值的分类特征，判断轮轴瓦是否存在真正异常，包括的具体步骤如下：
[0040] 利用最大值最小值方法对轮轴瓦对应的实际异常性时序数据序列中的数据进行归一化处理，得到轮轴瓦对应的实际异常性时序数据序列中每个数据对应的归一化值；
[0041] 将轮轴瓦对应的实际异常性时序数据序列中任意两个非零值数据对应的归一化值中的最小值，记为所述两个非零值数据之间的距离；
[0042] 预设均值漂移算法的分类半径，根据轮轴瓦对应的实际异常性时序数据序列中所有非零值数据之间的距离，使用均值漂移算法将实际异常性时序数据序列中所有非零值数据对应的时间点划分为若干个时间类；
[0043] 将每个时间类内非零值数据对应的时间点中的最大值减去最小值的差值，记为时间类的时间阈值；将时间类的时间阈值小于等于轮轴转动一周所需时间的时间类，记为疑似异常时间类；
[0044] 若不存在疑似异常时间类，则判断轮轴瓦无真正异常；
[0045] 若存在疑似异常时间类，预设异常阈值，当所有疑似异常时间类内的所有非零值数据的实际异常性中存在大于预设异常阈值的非零值数据时，则判断轮轴瓦存在真正异常；当所有疑似异常时间类内的所有非零值数据的实际异常性中不存在大于预设异常阈值的非零值数据时，则判断轮轴瓦无真正异常。
[0046] 本发明还提出了基于多传感器的轮轴瓦异常状态监测系统，包括存储器和处理器，所述处理器执行所述存储器存储的计算机程序，以实现前述所述的方法。
[0047] 本发明的技术方案的有益效果是：
[0048] 本发明实施例中，通过对时序数据序列进行小波分解，得到时序数据序列对应的每层小波分解系数，根据每层小波分解系数中数据的序号值，确定每层小波分解系数中数据的相对位置，根据每层小波分解系数中数据的相对位置对应的相对位置窗口内数据的小波系数之间的差异，确定每层小波分解系数中数据的数据变化量，结合其小波系数，确定每层小波分解系数中数据的小波系数变化特征，进而确定时序数据序列中数据的精准小波系数变化特征，使得小波变换在振动异常检测中能够更好地适应不同功率工况下的振动信号特性，从而提高监测系统的准确性、可靠性和效率。再结合时序数据序列中数据的时差特征，确定时序数据序列中数据的异常性，由此将时序数据序列中所有数据分为异常数据和正常数据，考虑到仅通过单一传感器进行数据检测时，可能由于单一传感受到外界干扰，导致检测结果并不准确，为此根据同一轮轴瓦对应的所有时序数据序列中异常数据和正常数据的异常性，确定轮轴瓦对应的实际异常性时序数据序列，根据轮轴瓦对应的实际异常性时序数据序列中非零值的分类特征，判断轮轴瓦是否存在真正异常。其通过对轮轴瓦对应的时序数据序列进行小波分解，降低了设备功率变化时对轮轴瓦异常状态监测的误差，并通过多传感数据之间的联合分析，降低了检测结果出现误检的可能性，提高了对轮轴瓦异常状态监测的准确率。
附图说明
[0049] 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，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地介绍，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他的附图。
[0050] 图1为本发明基于多传感器的轮轴瓦异常状态监测方法的步骤流程图。
具体实施方式
[0051] 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多传感器的轮轴瓦异常状态监测方法，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。
[0052] 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。
[0053] 下面结合附图具体的说明本发明所提供的基于多传感器的轮轴瓦异常状态监测方法的具体方案。
[0054] 请参阅图1，其示出了本发明一个实施例提供的基于多传感器的轮轴瓦异常状态监测方法的步骤流程图，该方法包括以下步骤：
[0055] 步骤S001：使用加速度传感器采集轮轴瓦的振动信号，得到时序数据序列；对时序数据序列进行小波分解，得到时序数据序列对应的每层小波分解系数，每层小波分解系数包含了若干个数据的小波系数。
[0056] 采集多处轮轴瓦振动信号，并对振动信号进行加速度传感器监测，以获取相关数据。以下是具体的数据采集过程：
[0057] 采集设备类型为：加速度传感器。采集数据要求为：获取多处轮轴瓦在不同功率工况下的振动信号数据。对于每处轮轴瓦，需要采集一段时间内的振动信号，确保数据具有足够的时序信息。采集数据传输方式为：将采集的振动信号通过有线或无线方式传输到数据采集系统。采集数据形式：采集得到的数据为时序数据序列，每个采样点包含振动信号在不同时间点的加速度值。
[0058] 通过对不同功率工况下的振动信号数据进行分析，可以确定不同功率对应的振动频率范围，找到振动信号中可能存在的干扰因素，从而为后续优化特征的构建提供依据。
[0059] 其中由于设备功率发生变化时，对应的振动频率发生变化，使得对应的时序数据序列发生变化，但是如果存在异常时，也会引起振动频率的变化，进而在小波分解后会在不同层上出现突变部分，进而为了实现对轮轴瓦的异常检测，则通过轮轴瓦对应的时序数据序列在不同层中对应的小波分解系数进行突变性检测，得到对应异常频率变化点。
[0060] 进而在得到对应的异常频率变化点之后，由于单一传感器检测结果比较弱，可能一部分传感器受噪声影响强，另一部分传感器受噪声影响弱，使得异常变化点的可信度存在问题，进而聚类分析，根据多传感器数据之间的时间间隔值进行异常监测，实现最终的轮轴瓦异常检测。
[0061] 取一个加速度传感器对应振动信号对应的时序数据序列为例，使用小波变换算法对该时序数据序列进行小波分解，本实施例设定的小波基函数为db4小波，小波分解层数为n=5，其它实施方式中可设置为其它值，本实施例不进行限定，由此获得该时序数据序列对应的n+1层小波分解系数，其中第一层小波分解系数为该时序数据序列，每层小波分解系数包含了若干个数据的小波系数。
[0062] 步骤S002：根据每层小波分解系数中数据的序号值，确定每层小波分解系数中数据的相对位置；根据每层小波分解系数中数据的相对位置对应的相对位置窗口内数据的小波系数之间的差异，确定每层小波分解系数中数据的数据变化量。
[0063] 由于不同小波系数对应的长度值不一样，但是在频率发生变化时，其在频率变化位置相对于整个数据长度的位置比值固定。
[0064] 取该时序数据序列对应的第i层小波分解系数中第j个数据为例，获取第i层小波分解系数中第j个数据对应的序号值 其中序号值为从第i层小波分解系数中第1个数据开始加1递增的排序。由此获取第i层小波分解系数中第j个数据的相对位置 的计算公式为：
[0065]
[0066] 其中 为第i层小波分解系数中第j个数据的相对位置， 为第i层小波分解系数中第j个数据对应的序号值， 为第i层小波分解系数中最后一个数据对应的序号值。
[0067] 按照上述方式，获取该时序数据序列对应的所有层小波分解系数中所有数据的相对位置。所需说明的是：可通过相同大小的相对位置表示不同层小波分解系数中的同一个位置。
[0068] 在不同层小波分解系数中同一个相对位置大小处，如果小波系数的变化量都比较大，则该相对位置为频率变化点的可能性越大。但是由于在不同层上分解出来的频率变化可能存在一定的变化范围，导致不能仅通过单点数据进行数据变化估计，以防止频率变化检测不准确。
[0069] 进而以该时序数据序列对应的所有层小波分解系数中各数据的相对位置为中心建立相对位置窗口，本实施例设定的相对位置窗口为横向的线性窗口，窗口长度为0.1，其它实施方式中可设置为其它值，本实施例不进行限定。
[0070] 将第i层小波分解系数中第j个数据的相对位置 对应的相对位置窗口内最大的数据的小波系数减去最小的数据的小波系数之差，记为第i层小波分解系数中第j个数据的数据变化量 。
[0071] 步骤S003：根据每层小波分解系数中数据的数据变化量和数据的小波系数，确定每层小波分解系数中数据的小波系数变化特征；根据所有层小波分解系数中相同相对位置大小对应的数据的小波系数变化特征，确定时序数据序列中数据的精准小波系数变化特征。
[0072] 由于相对位置窗口长度固定，使得当相对位置窗口内出现极大的数据变化量时，会导致相对位置窗口内非功率变化和异常对应的相对位置也会具有极大的数据变化量，甚至相等，使得无法进行有效的异常判断。
[0073] 由此获取第i层小波分解系数中第j个数据的小波系数变化特征 的计算公式为：
[0074]
[0075] 其中 为第i层小波分解系数中第j个数据的小波系数变化特征， 为第i层小波分解系数中第j个数据的小波系数绝对值， 为第i层小波分解系数中第j个数据的数据变化量。
[0076] 所需说明的是：当相对位置处存在较大的小波系数变化量时，必定存在具有相对较大的 值，才能引起较大的小波系数。进而可以采用 防止同一相对位置窗口内不同位置处对应的 过分近似或者相等。如果相对位置处存在较大的小波系数值变化时，则会存在较大的 值。
[0077] 按照上述方式，获取该时序数据序列对应的所有层小波分解系数中所有数据的小波系数变化特征。
[0078] 其中不同层小波分解系数中数据的小波系数变化特征可能不同，但是在功率变化的位置或者故障开始发生的位置必然都会有一定较大的小波系数变化特征，而噪声的话，由于仅属于高频信息，则会只使得部分层的小波系数引起较大变化，即当所有层小波分解系数中相同大小的相对位置对应的小波系数变化特征存在某些层的小波系数越偏向于0值时，则表示当前其余层的相同大小的相对位置对应的小波系数变化特征，即使存在较大的值时也可能是噪声造成，可能会存在对轮轴瓦异常检测造成误判。
[0079] 进而在所有层小波分解系数中每个相同大小的相对位置的数据的小波系数变化特征中，选取最小的小波系数变化特征 ，记为精准小波系数变化特征，由此获得该时序数据序列中每个数据对应的 。
[0080] 步骤S004：根据时序数据序列中数据的精准小波系数变化特征和数据的时差特征，确定时序数据序列中数据的异常性；根据时序数据序列中所有数据的异常性，将时序数据序列中所有数据分为异常数据和正常数据。
[0081] 根据所获取的功率变化的时间点进行对不同时间点的数据对应的 进行筛选，以获取异常频率变化点，因为在设备功率变化时，也会引起轮轴瓦的频率正常变化，进而可根据功率变化的时间点得到属于正常的设备功率变化点，从而筛选出异常频率的变化点。
[0082] 其中常规方法可能会直接利用时间进行数据对齐进行异常的 筛选，但是由于在设备功率变化后，设备不可能立即进行频率变化，而是需要一个过程，即使过程可能会短，但是由于加速度传感器的采样频率较高，所以仍会得到一段时间的功率变化的数据。
[0083] 进而需要对 进行再次调整，使得越靠近正常功率变化时间的数据，则其对应的越接近平均值，其中越接近平均值的目的是防止调整后数据过小，从而仍被视作异常数据。
[0084] 由于设备功率正常转变时的数据易被误认为异常，因此将轮轴瓦功率正常转变时的时间点，记为轮轴瓦功率正常变化的时间点，其中轮轴瓦功率正常转变时的时间点已知。取该时序数据序列中第x个数据为例，计算该时序数据序列中第x个数据对应的时间点到轮轴瓦功率正常变化的时间点的最小时间差 ，记为时差特征。进而利用Norm线性归一化函数，将该时序数据序列中所有数据对应的时差特征 归一化至[0,1]区间内。
[0085] 由此获取该时序数据序列中第x个数据的异常性 的计算公式为：
[0086]
[0087] 其中 为该时序数据序列中第x个数据的异常性， 为该时序数据序列中第x个数据的时差特征 的归一化值，y为该时序数据序列中的数据数量， 为该时序数据序列中第x个数据的精准小波系数变化特征。
[0088] 所需说明的是：如果 的值越大，则表示该时序数据序列中第x个数据引起的受正常功率变化的影响越小，如果此时的 越大，且 越大，则表示该处的异常性越大；如果此时的 越大，且 越小，则表示该处的异常性越小。因此用 和 的乘积为该时序数据序列中第x个数据的初始异常性，但是会出现所述部分值在相乘后会变小从而使得数据也呈现异常性，进而利用该时序数据序列中所有数据的初始异常性的均值进行补偿，进而利用1减去 后与 的乘积为该时序数据序列中第x个数据的初始异常性的补偿值，从而获取该时序数据序列中第x个数据的异常性。
[0089] 按照上述方式，获取该时序数据序列中所有数据的异常性。
[0090] 由于DBSCAN算法在分类是利用密度可达和不可达的特性，使得分类结果具有一定的连续性，进而使用DBSCAN算法该时序数据序列中所有数据的异常性进行筛选。本实施例设定的DBSCAN算法的分类半径为0.05，邻域内的样本点数为3，其它实施方式中可设置为其它值，本实施例不进行限定。
[0091] 由此利用DBSCAN算法将该时序数据序列中数据的异常性近似，且连续分布的数据分为一类，故通过DBSCAN算法将该时序数据序列划分为若干个异常类。其中在所有异常类中具有的数据数量最多的异常类内的数据必定为正常的数据。进而将具有数据数量最多的异常类内所有数据标记为正常数据，将非数据数量最多的异常类内所有数据标记为异常数据。
[0092] 步骤S005：根据同一轮轴瓦对应的所有时序数据序列中异常数据和正常数据的异常性，确定轮轴瓦对应的实际异常性时序数据序列；根据轮轴瓦对应的实际异常性时序数据序列中非零值的分类特征，判断轮轴瓦是否存在真正异常。
[0093] 至此获得该时序数据序列中的异常数据。如果仅通过单一传感器进行数据检测时，可能由于单一传感受到外界干扰，导致检测结果并不准确，为此通过多个加速度传感器采集同一个轮轴瓦的时序数据序列，按照上述方式，获取所有时序数据序列中数据的异常性，并将其分为异常数据和正常数据。
[0094] 但是利用多传感器进行异常数据检测时，由于检测的为同一个轮轴瓦的数据，所以轮轴在转过一周的同时，则会分别经过所有的加速度传感器，进而不同加速度传感器之间的异常数据应当分布在轮轴转动的一个转动周期内。
[0095] 得到的不同传感器之间的异常数据应当分布在轮轴转动的一个转动周期内。将该轮轴瓦上的所有加速度传感器采集的时序数据序列中的正常数据的异常性重置为0，异常数据的异常性不变，得到该轮轴瓦上的所有加速度传感器采集的时序数据序列中所有数据的新异常性。根据时间点大小，计算该轮轴瓦上的所有加速度传感器采集的时序数据序列中同时间点上的数据的新异常性之和，记为实际异常性，根据所有时间点上的新异常性之和构成该轮轴瓦的一个实际异常性时序数据序列。再利用最大值最小值方法对该实际异常性时序数据序列进行归一化至区间[0,1]内，得到该实际异常性时序数据序列中每个数据的归一化值。
[0096] 统计该实际异常性时序数据序列中所有非零值数据，将任意两个非零值数据对应的归一化值中的最小值，记为两非零值数据之间的距离，由此获取该实际异常性时序数据序列中所有非零值数据之间的距离，因为异常数据的最大时间跨度应当小于轮轴转动一周的时间，所以在时间接近的非零值数据对应的时间点会分布成一个小团簇，时间不接近的非零值数据分布较为离散。其中由于无法确定具体分类个数，并且时间接近的非零值数据对应的时间点分布成一个小团簇呈现高密度局部区域。
[0097] 进而使用均值漂移算法将该实际异常性时序数据序列中非零值数据对应的时间点划分为若干个时间类，其中均值漂移算法的聚类衡量参数为该实际异常性时序数据序列中所有非零值数据之间的距离。由此将该实际异常性时序数据序列中非零值数据按照时间近似的分为一类，本实施例设定的均值漂移算法的分类半径为3，其它实施方式中可设置为其它值，本实施例不进行限定。
[0098] 其中，DBSCAN算法和最大值最小值方法以及均值漂移算法均为公知技术，具体方法在此不做介绍。
[0099] 得到该实际异常性时序数据序列中非零值数据对应的时间点划分的时间类，将每个时间类内非零值数据对应的时间点中的最大值减去最小值的差值P，记为时间类的时间阈值，将时间类的时间阈值P小于等于轮轴转动一周所需时间的时间类，记为疑似异常时间类，其中轮轴转动一周所需时间已知。
[0100] 若不存在疑似异常时间类，则判断轮轴瓦无真正异常。
[0101] 若存在疑似异常时间类，本实施例设定的异常阈值Q为3.5，其它实施方式中可设置为其它值，本实施例不进行限定。当所有疑似异常时间类内的所有非零值数据的实际异常性中存在大于异常阈值Q的非零值数据时，则判断轮轴瓦存在真正异常；当所有疑似异常时间类内的所有非零值数据的实际异常性中不存在大于异常阈值Q的非零值数据时，则判断轮轴瓦无真正异常,由此完成轮轴瓦异常状态监测。
[0102] 按照上述方式，判断不同功率工况下轮轴瓦是否存在真正异常。
[0103] 至此，本发明完成。
[0104] 综上所述，在本发明实施例中，通过对时序数据序列进行小波分解，得到时序数据序列对应的每层小波分解系数，根据每层小波分解系数中数据的序号值，确定每层小波分解系数中数据的相对位置，根据每层小波分解系数中数据的相对位置对应的相对位置窗口内数据的小波系数之间的差异，确定每层小波分解系数中数据的数据变化量，结合其小波系数，确定每层小波分解系数中数据的小波系数变化特征，进而确定时序数据序列中数据的精准小波系数变化特征，再结合其时差特征，确定时序数据序列中数据的异常性，由此将时序数据序列中所有数据分为异常数据和正常数据，根据同一轮轴瓦对应的所有时序数据序列中异常数据和正常数据的异常性，确定轮轴瓦对应的实际异常性时序数据序列，根据轮轴瓦对应的实际异常性时序数据序列中非零值的分类特征，判断轮轴瓦是否存在真正异常。其通过对轮轴瓦对应的时序数据序列进行小波分解，降低了设备功率变化时对轮轴瓦异常状态监测的误差，并通过多传感数据之间的联合分析，降低了检测结果出现误检的可能性，提高了对轮轴瓦异常状态监测的准确率。
[0105] 本发明还提供了基于多传感器的轮轴瓦异常状态监测系统，系统包括存储器和处理器，处理器执行存储器存储的计算机程序，以实现前述的基于多传感器的轮轴瓦异常状态监测方法。
[0106] 以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
