CN116181635B 基于孤立森林的地鐵空調壓縮機的異常檢測方法與系統 （中車青島四方車輛研究所有限公司）

司基于孤立森林的地鐵空調壓縮機的異常檢本發明公開了一種基于孤立森林的地鐵空調壓縮機的異常檢測方法與系統，上述方法包計算得到樣本矩陣；構造孤立森林異常檢測模2數據獲取步驟：獲取地鐵列車中空調壓縮機的排氣溫度數據并進行特征計算步驟：對每組排氣溫度數據進行統計特征計算得到路徑長度獲得步驟：構造孤立森林異常檢測模型，將所述樣本矩異常檢測步驟：根據每一所述樣本的平均路徑長度獲得樣本的第一歸一化步驟：根據所述孤立森林異常檢測模型的樹第二歸一化步驟：根據所述樣本矩陣的分數中的最小值與最大模型構造步驟：根據空調壓縮機的排氣溫度數據的組數設置所述孤立森樣本分割步驟：選擇所述樣本矩陣中的一個特征，并在所述特征的最循環步驟：將所述左子節點樣本和所述右子節點樣本分5.一種基于孤立森林的地鐵空調壓縮機的異常檢測系統，用于實現上述權利要求1_4數據獲取單元：獲取地鐵列車中空調壓縮機的排氣溫度數據并進行特征計算單元：對每組排氣溫度數據進行統計特征計算得到3路徑長度獲得單元：構造孤立森林異常檢測模型，將所述樣本矩異常檢測單元：根據每一所述樣本的平均路徑長度獲得樣本的模型構造模塊：根據空調壓縮機的排氣溫度數據的組數設置所述孤立森樣本分割模塊：選擇所述樣本矩陣中的一個特征，并在所述特征的最循環模塊：將所述左子節點樣本和所述右子節點樣本分4冷劑液體在蒸發器中氣化制冷和在冷凝器中常溫液化的條件。因此它是整個空調裝置的[0004]目前對空調壓縮機異常的檢測多基于一些傳統的檢查方法，通過日常檢查來排5[0024]數據篩選步驟：篩選出列車速度大于0且站臺號數據等于車輛段編號的地鐵列車6[0040]數據篩選模塊：篩選出列車速度大于0且站臺號數據等于車輛段編號的地鐵列車[0046]圖1為本發明提供的基于孤立森林的地鐵空調壓縮機的異常檢測方法的步驟示意[0051]圖6為本發明提供的基于孤立森林的地鐵空調壓縮機的異常檢測方法的一實施例[0057]圖12為本發明提供的基于孤立森林的地鐵空調壓縮機的異常檢測系統的結構示7列出的步驟或單元，或可以還包括對于這些過程、方法、產品或設備固有的其它步驟或單8[0066]如圖1所示，本實施例揭示了一種基于孤立森林的地鐵空調壓縮機的異常檢測方[0075]具體的，對每組排氣溫征分別為壓縮機排氣溫度數據的均值(mean)，標準差(std)，最小值(min),(outlier％)，最大5％樣本數據的均值(top5％mean)和最小5％樣本的均值(bottom5%[0078]步驟S31：根據空調壓縮機的排氣溫度數據的組數設置所述孤立森林異常檢測模選取分割點，根據所述分割點對所述樣本矩陣進行分割得到左子節點樣本和右子節點樣[0080]步驟S33：將所述左子節點樣本和所述右子節點樣本分別作為輸入數據重復所述9[0098]具體的，計算X中每個樣本x根節點開始到包含樣本x所經歷的邊的個數得到h(x),計算T棵樹的路徑長度后，就[0105]與現有技術相比，本發明通過對采集到的壓縮機溫度等[0113]如圖11所示，圖11為某輛列車的檢測結果圖，明顯觀察到算法在2021.6.2到[0115]1、本發明采用的孤立森林異常檢測算法可以在傳統人工檢測之前就可以檢測出[0122]數據篩選模塊11：篩選出列車速度大于0且站臺號數據等于車輛段編號的地鐵列[0135]第一歸一化模塊411：根據所述孤立森林異常檢測模型的樹的平均路徑長度對所[0136]第二歸一化模塊412：根據所述樣本矩陣的分數中的最小值與最大值對所述樣本[0139]本實施例所揭示的一種基于孤立森林的地鐵空調壓縮機的異常檢測系統與實施例一所揭示的一種基于孤立森林的地鐵空調壓縮機的異常檢測方法中其余相同部分的技