用于检测臂架系统运行数据的方法、装置及存储介质与流程

1.本技术涉及工程机械技术领域，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。


背景技术：

2.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。


技术实现要素：

3.本技术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。
4.为了实现上述目的，本技术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：
5.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；
6.结合工况数据，通过目标深度神经网络预测阈值参数；
7.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。
8.在本技术实施例中，该方法还包括：
9.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；
10.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；
11.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；
12.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；
13.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。
14.在本技术实施例中，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：
15.获取训练样本；
16.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；
17.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。
18.在本技术实施例中，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：
19.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；
20.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。
21.在本技术实施例中，阈值参数包括邻域的半径和最小包含点数；
22.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：
23.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；
24.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；
25.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；
26.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；
27.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；
28.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；
29.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。
30.在本技术实施例中，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。
31.在本技术实施例中，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：
32.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；
33.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；
34.在代表点不为核心点的情况下，将代表点归类于聚类簇。
35.在本技术实施例中，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。
36.本技术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：
37.存储器，被配置成存储指令；以及
38.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。
39.本技术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。
40.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。本技术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。
41.本技术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
42.附图是用来提供对本技术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技术实施例，但并不构成对本技术实施例的限制。在附图中：
43.图1示意性示出了根据本技术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；
44.图2示意性示出了根据本技术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；
45.图3示意性示出了根据本技术实施例的一种目标深度神经网络的训练过程示意图；
46.图4示意性示出了根据本技术实施例的一种局部区域的示意图；
47.图5示意性示出了根据本技术一具体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；
48.图6示意性示出了根据本技术另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。
49.附图标记说明
50.101
ꢀꢀꢀꢀꢀꢀ
数据采集模块
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
102
ꢀꢀꢀꢀꢀꢀ
数据预处理模块
51.103
ꢀꢀꢀꢀꢀꢀ
阈值参数预测模块
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
104
ꢀꢀꢀꢀꢀꢀ
异常检测模块
具体实施方式
52.为使本技术实施例的目的、技术方案和优点更加清楚，下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述，应当理解的是，此处所描述的具体实施方式仅用于说明和解释本技术实施例，并不用于限制本技术实施例。基于本技术中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本技术保护的范围。
53.需要说明，若本技术实施例中有涉及方向性指示(诸如上、下、左、右、前、后
……
)，则该方向性指示仅用于解释在某一特定姿态(如附图所示)下各部件之间的相对位置关系、运动情况等，如果该特定姿态发生改变时，则该方向性指示也相应地随之改变。
54.另外，若本技术实施例中有涉及“第一”、“第二”等的描述，则该“第一”、“第二”等
的描述仅用于描述目的，而不能理解为指示或暗示其相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。另外，各个实施例之间的技术方案可以相互结合，但是必须是以本领域普通技术人员能够实现为基础，当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在，也不在本技术要求的保护范围之内。
55.图1示意性示出了根据本技术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。如图1所示，在本技术一实施例中，用于检测臂架系统运行数据的装置包括数据采集模块101、数据预处理模块102、阈值参数预测模块103和异常检测模块104。数据采集模块101可以采集臂架系统的运行数据。数据预处理模块102可以对臂架系统的运行数据进行处理，从而得到目标运行数据。阈值参数预测模块103可以结合目标运行数据中的工况数据，通过目标深度神经网络预测阈值参数。异常检测模块104可以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。通过数据采集模块101、数据预处理模块102、阈值参数预测模块103和异常检测模块104，可以完成对臂架系统运行数据中的异常数据的检测。
56.图2示意性示出了根据本技术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。如图2所示，本技术实施例提供一种用于检测臂架系统运行数据的方法，该方法可以包括下列步骤。
57.步骤201、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；
58.步骤202、结合工况数据，通过目标深度神经网络预测阈值参数；
59.步骤203、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。
60.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。本技术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。
61.下文将主要以处理器作为执行主体为例，对本技术实施例提供的用于检测臂架系统运行数据的方法进行说明。
62.在本技术实施例中，处理器可以获取臂架系统的多个运行数据，并对运行数据进行预先处理，以得到臂架系统的目标运行数据。其中，每个运行数据包括多个特征维度。目标运行数据包括但不限于基础数据、臂架状态数据和工况数据。预先处理包括缺失值插补、数据归一化和数据分割处理等过程。在缺失值插补过程中，处理器可以获取多个运行数据，多个运行数据包括第一运行数据和第二运行数据，每个运行数据包括多个特征维度，多个特征维度包括第一特征维度和第二特征维度。结合第一特征维度与第二特征维度的相关性系数，处理器可以确定第一运行数据与第二运行数据的数据距离。进一步地，根据数据距离，从第二运行数据中确定k个最小距离样本。选取的最小距离样本的个数为大于1的整数，可根据实际情况确定。基于各最小距离样本对应的数据距离，处理器可以确定各最小距离样本对应的权重值，并根据权重值对各最小距离样本中第一特征维度的特征值进行加权，
从而得到第一运行数据中第一特征维度的特征值的加权插补值，并以加权插补值填补第一运行数据中第一特征维度的特征值，以完成对运行数据的插补过程。加权插补值满足公式(1)：
[0063][0064]
其中，x
′
为加权插补值，ωi为第i个最小距离样本对应的权重值，与数据距离呈负相关的关系，yi为第i个最小距离样本，k为最小距离样本的个数。
[0065]
处理器可以采用多种方式确定权重值和第一运行数据与第二运行数据的数据距离，并不局限于某一特定的方式。在一个示例中，权重值可以满足公式(2)：
[0066][0067]
其中，ωi为第i个最小距离样本对应的权重值，k为最小距离样本的个数，di为第i个最小距离样本对应的数据距离，δ为远小于1的微小正扰动。
[0068]
第一运行数据与第二运行数据的数据距离可以满足公式(3)：
[0069][0070]
其中，x表示第一运行数据在第j个第二特征维度上的维度值，y为第二运行数据在第j个第二特征维度上的维度值，d表示第一运行数据与第二运行数据的数据距离，m表示第二特征维度的个数，p表示第一特征维度与第j个第二特征维度的相关性系数。
[0071]
在数据归一化过程中，处理器可以采用标准分数方法对数据进行简单归一化处理。在数据分割处理过程中，处理器可以采用固定长度的滑动时间窗对运行数据进行简单划分。需要说明的是，数据归一化和数据分割处理并不局限于前述的方法，在一个示例中，数据分割处理还可以采用变长度时间窗方法。这样，处理器可以完成对采集到的多个运行数据的预先处理，得到目标运行数据，以便后续完成对异常数据的检测。
[0072]
在本技术实施例中，目标运行数据包括臂架状态数据和工况数据。结合工况数据，处理器可以通过训练完成的目标深度神经网络对阈值参数进行预测，从而满足在复杂的工程机械臂架工作过程中获取阈值参数的需求。目标深度神经网络是指引入多个预编码训练器的深度神经网络。阈值参数包括邻域的半径和最小包含点数。通过目标深度神经网络确定邻域的半径和最小包含点数，可以适应复杂工况，满足后续通过聚类算法检测异常数据的需求。
[0073]
在本技术实施例中，目标运行数据包括臂架状态数据和工况数据。处理器可以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中的异常数据。阈值参数是目标深度神经网络结合工况数据预测得到的，可以根据工况调整阈值参数，避免因使用单一阈值参数导致异常检测结果不够精确。
[0074]
本技术实施例采用的聚类算法可以是常规的dbscan算法，也可以采用与现有技术不同的聚类算法，比如通过确定代表点集合，并对代表点集合中的代表点进行邻域扫描，从而扩充聚类簇，能够显著提高聚类算法的效率，该聚类算法的具体实现过程将在下文实施例中详细说明。
[0075]
图3示意性示出了根据本技术实施例的一种目标深度神经网络的训练过程示意
图。如图3所示，在本技术实施例中，该方法还可以包括：
[0076]
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；
[0077]
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；
[0078]
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；
[0079]
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；
[0080]
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。
[0081]
具体地，可以预先训练初始深度神经网络，得到目标深度神经网络，以通过目标深度神经网络预测阈值参数。由于目标预编码训练器能够模拟每个第一网络层进行隐含特征的提取，使第一网络层的初始权值接近最优解，能够快速学习到阈值参数的分布特性，因此，本技术实施例在训练初始深度神经网络过程中引入预编码训练器。首先，处理器可以构建初始深度神经网络，初始深度神经网络包括依次连接的第一预设数量的第一网络层。第一预设数量是指初始深度神经网络中第一网络层的数量，可以根据实际情况确定。每个第一网络层具有对应的节点数。针对初始神经网络中的前第二预设数量的第一网络层，处理器可以分别构建对应的初始预编码训练器。第二预设数量是需要构建对应的初始预编码训练器的第一网络层的数量，其取值可以等于第一预设数量的值减一。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，初始预编码训练器的输出层的节点数等于初始深度神经网络的最后一个第一网络层的节点数。并且，最后一个预编码训练器的隐含层的节点数设置为1。在一个示例中，初始深度神经网络包括依次连接的m个第一网络层，针对前m-1个第一网络层，可以分别构建m-1个与第一网络层对应的初始预编码训练器。并且，第i个预编码训练器的输入层的节点数等于第i个第一网络层的节点数，第i个预编码训练器的隐含层的节点数等于第i+1个预编码训练器的输入层的节点数，第m-1个初始预编码训练器的隐含层的节点数为1。其中，i为小于m的正整数。
[0082]
在完成初始深度神经网络和初始预编码训练器的构建后，处理器可以对初始预编码训练器进行训练。处理器可以基于训练样本对第一个初始预编码训练器进行训练，从而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。在这一过程中，可以对上一个目标预编码训练器的隐含层的输出值进行加噪。其余初始预编码训练器是指除第一个初始预编码训练器以外的初始预编码训练器。在完成对目标预编码训练器的训练后，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，再对初始深度神经网络进行训练，直至初始深度神经网络收敛，以得到目标深度神经网络。在初始深度神经网络的训练过程中，可以采用均方误差作为误差函数，采用
梯度下降方法进行权值更新，采用早停法确定训练是否完成，也可以采用其它方法，此处不作限定。这样，在训练样本数量较少时，也能提取准确的输入输出映射关系，可以弥补现有技术中深度神经网络训练难度高的不足。
[0083]
在本技术实施例中，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可以包括：
[0084]
获取训练样本；
[0085]
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；
[0086]
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。
[0087]
具体地，处理器可以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。首先，处理器可以获取训练样本，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。进一步地，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。在这一过程中，可以对上一个目标预编码训练器的隐含层的输出值进行加噪。这样，可以完成对初始预编码训练器的训练，得到目标预编码训练器。
[0088]
在本技术实施例中，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，可以包括：
[0089]
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；
[0090]
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。
[0091]
具体地，为提高目标深度神经网络的泛化性能，处理器可以对上一个目标预编码训练器的隐含层的输出值进行加噪，使得目标预编码训练器不仅能够学习到数据得原始特征信息，还能学习到因加噪而被破坏的退化特征。在完成对上一个目标预编码训练器的隐含层的输出值的加噪处理后，处理器可以得到目标隐含层输出值，再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，进而实现泛化性能的提升。
[0092]
图4示意性示出了根据本技术实施例的一种局部区域的示意图。如图4所示，在本技术实施例中，阈值参数包括邻域的半径和最小包含点数；
[0093]
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，可以包括：
[0094]
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；
[0095]
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；
[0096]
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；
[0097]
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；
[0098]
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；
[0099]
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；
[0100]
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。
[0101]
具体地，处理器可以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。阈值参数包括邻域的半径ε和最小包含点数minpts。基于邻域的半径ε，可以确定第一样本点、第二样本点和代表点的邻域的范围。邻域是指以邻域的半径ε为半径的圆形区域。最小包含点数minpts是指判定样本点为核心点时邻域内所需包含的最少的样本数。也就是说，若最小包含点数minpts等于3，那么样本点邻域内的样本数大于或等于3，则可判定该样本点为核心点。
[0102]
由此，可以将臂架状态数据中的所有样本点初始化为未访问状态，样本点在经邻域扫描后可以被标记为已访问。邻域扫描是指确定样本点邻域内的样本点和样本数的过程。处理器可以选取臂架状态数据中任意一个未访问状态的样本点作为第一样本点，并判断第一样本点是否为核心点。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。局部区域的半径可以为邻域的半径ε的预设倍数，即(+1)。预设倍数可以根据实际情况确定。局部数据集合是局部区域内样本点的集合。
[0103]
进一步地，处理器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。需要说明的是，第二样本点与第一样本点的距离应当小于或等于nε。在第二样本点为核心点的情况下，处理器可以基于第二样本点建立聚类簇，并确定第二样本点邻域内的代表点集合，以根据代表点集合扩充聚类簇。代表点集合为预设范围内的代表点的集合，预设范围为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范围。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未访问状态的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。在臂架状态数据中的样本点均已访问的情况下，处理器可以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，从而完成对臂架系统运行数据中异常数据的识别。
[0104]
在本技术实施例中，核心点可以是邻域内的样本数大于或等于最小包含点数的样本点。
[0105]
具体地，核心点可以是邻域内的样本数大于或等于最小包含点数minpts的样本点。最小包含点数minpts是指判定样本点为核心点时邻域内所需包含的最少的样本数。邻域是指以邻域的半径ε为半径的圆形区域。通过确定样本点邻域内的样本数是否大于或等于最小包含点数minpts，可以判断样本点是否为核心点。
[0106]
在本技术实施例中，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可以包括：
[0107]
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；
[0108]
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；
[0109]
在代表点不为核心点的情况下，将代表点归类于聚类簇。
[0110]
在一个示例中，代表点集合为预设范围内的代表点的集合，预设范围为与第二样
本点的距离大于二分之一半径且小于或等于半径的范围。
[0111]
具体地，为减少不必要的邻域扫描，在本技术实施例中，可以通过距离第二样本点较远的代表点集合来进行聚类簇的扩充。代表点集合为预设范围内的代表点的集合，预设范围为与第二样本点的距离大于二分之一的半径ε且小于或等于半径ε的范围。处理器可以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。代表点包括距离代表点和特征代表点。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。并且，处理器可以将邻域集合中的代表点并入到代表点集合中，以更新代表点集合。邻域集合是指代表点邻域内样本点的集合。在代表点不为核心点的情况下，仅将该代表点归类于聚类簇。这样，可以根据代表点集合完成对聚类簇的扩充。
[0112]
在本技术实施例中，代表点可以包括距离代表点和特征代表点中的至少一者，距离代表点可以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，特征代表点可以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。
[0113]
具体地，代表点集合包括距离代表点集合和特征代表点集合。代表点包括距离代表点和特征代表点。距离代表点可以是欧式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。距离代表点可以满足公式(4)：
[0114][0115]
其中，n0为第二样本点，n为第二样本点的邻域集合，q为邻域集合n中的任一个样本点，q1为距离代表点集合，ε为邻域的半径。
[0116]
特征代表点可以是邻域内的单一特征维度下与第二样本点的距离最远的样本点。特征代表点满足公式(5)：
[0117]
q2＝{q|q∈n，max(q
j-n
0j
)∪min(q
j-n
0j
)}；
ꢀꢀ
(5)
[0118]
其中，q2为特征代表点集合，下标j代表第j个特征维度，(q
j-n
0j
)为邻域集合n中的任一个样本点与第二样本点在第j个特征维度上的距离。
[0119]
代表点集合为距离代表点集合与特征代表点集合的并集。这样，可以确定第二样本点邻域内的代表点集合，以便后续根据代表点集合扩充聚类簇。
[0120]
图5示意性示出了根据本技术一具体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。如图5所示，用于检测臂架系统运行数据的方法可以包括以下步骤：
[0121]
s501、确定第一网络层的层数m和各第一网络层的节点数，初始化i＝1；
[0122]
s502、构建并训练第i个初始预编码训练器；
[0123]
s503、判断i是否小于m-1。若是，则进入s504，若否，则进入s505；
[0124]
s504、提取隐含层的输出值并加噪，使i＝i+1；
[0125]
s505、得到目标预编码训练器，并将目标预编码训练器的权值作为对应的第一网络层的初始权值；
[0126]
s506、训练初始深度神经网络至完成；
[0127]
s507、得到目标深度神经网络；
[0128]
s508、获取臂架状态数据x和工况数据y；
[0129]
s509、将数据归一化到[-1，1；
[0130]
s510、利用滑动时间窗对目标运行数据进行重新划分，臂架状态数据x进入s511，工况数据y进入s507；
[0131]
s511、选择未访问的第一样本点a，并全局扫描ε邻域；
[0132]
s512、判断第一样本点a是否为核心点。若是，进入s513，若否，进入s511；
[0133]
s513、以第一样本点a为中心点，生成局部数据集合s；
[0134]
s514、在第一样本点a的nε半径内选择未访问的第二样本点b，局部扫描生成样本集合n；
[0135]
s515、判断第二样本点b是否为核心点。若是，进入s516，若否，进入s514；
[0136]
s516、第二样本点b加入新的聚类簇c；
[0137]
s517、生成代表点集合q，选择代表点q；
[0138]
s518、判断代表点q是否已访问。若是，进入s521，若否，进入s519；
[0139]
s519、局部扫描以生成代表点q的邻域集合m；
[0140]
s520、判断代表点q是否为核心点。若是，进入s522，若否，进入s521；
[0141]
s521、判断代表点q是否已归类。若是，进入s517，若否，进入s523；
[0142]
s522、代表点q和邻域集合m归类于聚类簇c，生成邻域集合m中的代表点，并入代表点集合q；
[0143]
s523、代表点q为边界点，归类到聚类簇c中；
[0144]
s524、判断代表点集合q是否遍历完毕。若是，进入s525，若否，进入s517；
[0145]
s525、判断第一样本点a的nε半径内的样本点是否遍历完毕。若是，进入s526，若否，进入s514；
[0146]
s526、判断臂架状态数据x是否遍历完毕。若是，进入s527，若否，进入s511；
[0147]
s527、将不属于任何聚类簇的样本点标记为异常数据。
[0148]
具体地，处理器可以确定第一网络层的层数m和各第一网络层的节点数，初始化i＝1，并构建并训练第i个初始预编码训练器，判断i是否小于m-1。若i小于m-1，处理器可以提取目标预编码训练器的隐含层的输出值并加噪，得到目标隐含层输出值，并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，同时使i＝i+1。若i不小于m-1，处理器可以得到目标预编码训练器，并将各目标预编码训练器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，再训练初始深度神经网络，直至初始深度神经网络收敛，得到目标深度神经网络。
[0149]
并且，处理器可以获取臂架状态数据x和工况数据y，在将数据归一化到[-1，1后，利用滑动时间窗对目标运行数据进行重新划分，使得目标深度神经网络能够结合工况数据y预测阈值参数，使得处理器能够通过聚类算法识别臂架状态数据x中的异常数据。阈值参数包括邻域的半径ε和最小包含点数minpts。在通过聚类算法识别臂架状态数据x中的异常数据的过程中，处理器可以选择未访问的第一样本点a，并全局扫描其ε邻域，判断第一样本点a是否为核心点。如果第一样本点a为核心点，以第一样本点a为中心点，生成局部数据集合s。在第一样本点a的nε半径内选择未访问的第二样本点b，局部扫描生成样本集合n，再判断第二样本点b是否为核心点。若第二样本点b为核心点，则第二样本点b加入新的聚类簇c。在第二样本点b的预设范围内生成代表点集合q，选择代表点q。处理器需要先判断代表点q是否已访问。若代表点q已访问，再判断代表点q是否已经归类。若代表点q已经归类，那么返
回执行生成代表点集合q，选择代表点q的步骤。若代表点q没有归类，代表点q为边界点，归类到聚类簇c中。若代表点q没有被访问，处理器可以局部扫描以生成代表点q的邻域集合m，并判断代表点q是否为核心点。如果代表点q为核心点，代表点q和邻域集合m归类于聚类簇c，确定邻域集合m中的代表点，并入代表点集合q中。如果代表点q不为核心点，那么执行判断代表点q是否已归类的步骤。随后，处理器可以判断代表点集合q是否遍历完毕、第一样本点a的nε半径内的样本点是否遍历完毕以及臂架状态数据x是否遍历完毕。在臂架状态数据x遍历完毕时，将不属于任何聚类簇的样本点标记为异常数据。
[0150]
若第二样本点b不为核心点，则返回执行在第一样本点a的nε半径内选择未访问的第二样本点b这一步骤。如果第一样本点a不为核心点，返回执行选择未访问的第一样本点a，并全局扫描其ε邻域这一步骤。
[0151]
图6示意性示出了根据本技术另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。如图6所示，本技术实施例提供一种用于检测臂架系统运行数据的装置，可以包括：
[0152]
存储器610，被配置成存储指令；以及
[0153]
处理器620，被配置成从存储器610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。
[0154]
具体地，在本技术实施例中，处理器620可以被配置成：
[0155]
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；
[0156]
结合工况数据，通过目标深度神经网络预测阈值参数；
[0157]
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。
[0158]
进一步地，处理器620还可以被配置成：
[0159]
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；
[0160]
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；
[0161]
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；
[0162]
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；
[0163]
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。
[0164]
进一步地，处理器620还可以被配置成：
[0165]
获取训练样本；
[0166]
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；
[0167]
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。
[0168]
进一步地，处理器620还可以被配置成：
[0169]
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；
[0170]
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。
[0171]
进一步地，处理器620还可以被配置成：
[0172]
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；
[0173]
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；
[0174]
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；
[0175]
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；
[0176]
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；
[0177]
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；
[0178]
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。
[0179]
在本技术实施例中，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。
[0180]
进一步地，处理器620还可以被配置成：
[0181]
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；
[0182]
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；
[0183]
在代表点不为核心点的情况下，将代表点归类于聚类簇。
[0184]
在本技术实施例中，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。
[0185]
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。本技术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。
[0186]
本技术实施例还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。
[0187]
本领域内的技术人员应明白，本技术的实施例可提供为方法、系统、或计算机程序产品。因此，本技术可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本技术可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
[0188]
本技术是参照根据本技术实施例的方法、设备(系统)、和计算机程序产品的流程
图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
[0189]
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
[0190]
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
[0191]
在一个典型的配置中，计算设备包括一个或多个处理器(cpu)、输入/输出接口、网络接口和内存。
[0192]
存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(ram)和/或非易失性内存等形式，如只读存储器(rom)或闪存(flash ram)。存储器是计算机可读介质的示例。
[0193]
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(pram)、静态随机存取存储器(sram)、动态随机存取存储器(dram)、其他类型的随机存取存储器(ram)、只读存储器(rom)、电可擦除可编程只读存储器(eeprom)、快闪记忆体或其他内存技术、只读光盘只读存储器(cd-rom)、数字多功能光盘(dvd)或其他光学存储、磁盒式磁带，磁带磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
[0194]
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
[0195]
以上仅为本技术的实施例而已，并不用于限制本技术。对于本领域技术人员来说，本技术可以有各种更改和变化。凡在本技术的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本技术的权利要求范围之内。

技术特征：
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，包括：选取所述臂架状态数据中任意一个样本点作为第一样本点，判断所述第一样本点是否为核心点；在所述第一样本点为核心点的情况下，确定以所述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；选取所述局部数据集合中的任意一个样本点作为第二样本点，并判断所述第二样本点
是否为核心点；在所述第二样本点为核心点的情况下，基于所述第二样本点建立聚类簇；确定所述第二样本点邻域内的代表点集合，根据所述代表点集合扩充所述聚类簇；在完成扩充所述聚类簇的情况下，返回执行所述选取所述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；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所述异常数据。6.根据权利要求5所述的方法，其特征在于，所述核心点是邻域内的样本数大于或等于所述最小包含点数的样本点。7.根据权利要求5所述的方法，其特征在于，所述确定所述第二样本点邻域内的代表点集合，根据所述代表点集合扩充所述聚类簇包括：选取所述代表点集合中任意一个代表点，并判断所述代表点是否为核心点；在所述代表点为核心点的情况下，确定所述代表点邻域内样本点的邻域集合，将所述邻域集合归类于所述聚类簇；在所述代表点不为核心点的情况下，将所述代表点归类于所述聚类簇。8.根据权利要求7所述的方法，其特征在于，所述代表点包括距离代表点和特征代表点中的至少一者，所述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，所述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。9.一种用于检测臂架系统运行数据的装置，其特征在于，包括：存储器，被配置成存储指令；以及处理器，被配置成从所述存储器调用所述指令以及在执行所述指令时能够实现根据权利要求1至8中任一项所述的用于检测臂架系统运行数据的方法。10.一种机器可读存储介质，其特征在于，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根据权利要求1至8中任一项所述的用于检测臂架系统运行数据的方法。

技术总结
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。


技术研发人员：佘玲娟 付玲 颜镀镭 张鹏 尹莉 刘延斌 马德福
受保护的技术使用者：中联重科股份有限公司
技术研发日：2023.01.14
技术公布日：2023/7/26