[发明专利]一种机车车载数据处理方法及系统

说明书

技术领域

本发明涉及机车车载数据处理领域，尤其涉及一种机车车载数据处理方法及系统。

背景技术

随着信息技术的发展，各企业数据收集和数据存储技术快速发展，积累了海量数据。然而，要从这些大量繁杂的数据中提取出有用的信息已经成为巨大的挑战。通常因为数据来源于不同的类、自然变异以及数据测量或者收集误差导致数据不一致，因此在进行数据挖掘之前对数据进行预处理是很有必要的。

对机车车载数据而言，首先由于机车运行环境的复杂性，导致了在测量和收集机车车载数据的过程中存在一定的误差，如：数据缺失、数据重复甚至是数据从机车传回地面的过程引起的数据错误，因此，筛选出这些离群点对提高数据质量至关重要。其次，随着机车的大量使用和机车速度的提高，产生了大量的机车数据，人们迫切希望从这些海量数据中挖掘出有价值的信息，以提高机车的节能性和安全性。

发明内容

在轨道交通领域，由于难以对机车车载数据进行有效分析并挖掘出有价值的信息，因此本发明提出了一种机车车载数据处理方法。

为了解决上述技术问题，本申请的实施例首先提供了一种机车车载数据处理方法，包括：对采集到的机车车载数据进行预处理得到降噪后的机车车载数据；对所述降噪后的机车车载数据中进行信息挖掘，进而分析机车能耗或机车故障。

优选地，在对采集到的机车车载数据进行预处理得到降噪后的机车车载数据的步骤中，基于马氏距离的方法、最小二乘估计拟合或者聚类中的K均值的方法来检测含噪的机车车载数据。

优选地，在基于马氏距离的方法来检测含噪的机车车载数据的步骤中，进一步包括：计算所述机车车载数据的均值，确定均值向量；依次计算每个机车车载数据到均值向量的马氏距离；根据所述马氏距离判别含噪的机车车载数据，并将其去除以得到降噪后的机车车载数据。

优选地，利用莱茵达准则、Grubbs检验或者Dixon检验方法对所述马氏距离进行离群点判别进而判别出含噪的机车车载数据。

优选地，基于SVM算法，通过大数据平台的分布式并行处理来对所述降噪后的机车车载数据中进行信息挖掘。

根据本发明的另一方面，还提供了一种机车车载数据处理系统，包括：预处理模块，其对采集到的机车车载数据进行预处理得到降噪后的机车车载数据；数据处理模块，其对所述降噪后的机车车载数据中进行信息挖掘，进而分析机车能耗或机车故障。

优选地，所述预处理模块基于马氏距离的方法、最小二乘估计拟合或者聚类中的K均值的方法来检测含噪的机车车载数据。

优选地，所述预处理模块进一步用于：计算所述机车车载数据的均值，确定均值向量；依次计算每个机车车载数据到均值向量的马氏距离；根据所述马氏距离判别含噪的机车车载数据，并将其去除以得到降噪后的机车车载数据。

优选地，所述预处理模块利用莱茵达准则、Grubbs检验或者Dixon检验方法对所述马氏距离进行离群点判别进而判别出含噪的机车车载数据。

优选地，所述数据处理模块基于SVM算法，通过大数据平台的分布式并行处理来对所述降噪后的机车车载数据中进行信息挖掘。

与现有技术相比，上述方案中的一个或多个实施例可以具有如下优点或有益效果。

本发明实施例提出了一种机车车载数据处理方法，尽管机车车载数据量大，但可以通过大数据平台在各个节点上采用该数据处理方法进行分布式并行处理以提高算法效率。该处理方法可以对大量繁杂的车载数据进行列车能耗的分析，提高列车的节能性。除此之外，还可以将该方法用于故障检测，提前预知列车可能发生的故障，提高列车的安全性。

本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明的技术方案而了解。本发明的目的和其他优点可通过在说明书、权利要求书以及附图中所特别指出的结构和/或流程来实现和获得。

附图说明

附图用来提供对本申请的技术方案或现有技术的进一步理解，并且构成说明书的一部分。其中，表达本申请实施例的附图与本申请的实施例一起用于解释本申请的技术方案，但并不构成对本申请技术方案的限制。

图1为本申请实施例的机车车载数据处理方法的流程示意图。

图2为本申请实施例的步骤S110的具体流程示意图。

图3为本申请实施例的步骤S120的具体流程示意图。

图4为本申请实施例的机车车载数据处理系统的结构示意图。

具体实施方式