[发明专利]一种基于机器学习和孤立森林的动车轴温故障预警方法

权利要求书

1.一种基于机器学习和孤立森林的动车轴温故障预警方法，其特征在于，包括建模过程和定时调度过程；

所述建模过程包括建立基于LSTM的动车轴温模型和建立基于iForest的轴温异常检测模型；

所述定时调度过程，包括如下步骤：

S1)采集预设时长内列车运行的历史动车轴温数据，定时先执行基于LSTM的动车轴温模型，将历史动车轴温数据输入所述基于LSTM的动车轴温模型，利用所述基于LSTM的动车轴温模型对未来预设时长内的动车轴温进行预测，获得未来预设时长内动车的预测轴温；

S2)调用基于iForest的轴温异常检测模型，利用所述基于iForest的轴温异常检测模型对所述预测轴温进行异常检测，获得异常检测结果，根据所述异常检测结果进行动车轴温故障预警；

步骤S1)中，将历史动车轴温数据输入所述基于LSTM的动车轴温模型，利用所述基于LSTM的动车轴温模型对未来预设时长内的动车轴温进行预测，所述历史动车轴温样本数据集为一维轴温数据，对所述一维轴温数据进行特征变换，将所述一维轴温数据变为M维轴温数据，M为选定的动车轴温的变化周期，利用基于LSTM的动车轴温模型完成对未来预设时长内的动车轴温的预测，动车轴温的预测状态量个数为N，每次预测Q个时刻的动车轴温值，组成N次M维到Q维的轴温数据映射；

建立基于iForest的轴温异常检测模型，包括以下步骤：

B1)获取历史动车轴温数据正常样本集，所述历史动车轴温数据正常样本集包括若干个正常动车轴温样本；

B2)构建独异森林iForest，独异森林iForest包括w个孤立树iTree，每个孤立树iTree是一个二叉树结构，每个孤立树iTree包含若干个节点，第一个节点为根节点，除根节点外的其他节点依次为继承节点；

B3)从所述历史动车轴温数据正常样本集中随机选择m个样本作为第i个孤立树iTree的子样本，将所述第i个孤立树iTree的子样本放入所述第i个孤立树iTree的根节点中；i＝1、2、...、w；

B4)在当前节点中随机产生一个切割点p，所述切割点p的取值范围为当前节点中历史动车轴温数据正常样本的最大值和最小值之间；

B5)通过切割点p生成超平面，判断第i个孤立树iTree的子样本中的第j个样本的值是否小于切割点p，若是，则将第i个孤立树iTree的子样本中历史动车轴温数据小于切割点p的样本放入当前节点的左继承中；若否，则将第i个孤立树iTree的子样本中历史动车轴温数据大于或等于切割点p的样本放入当前节点放在当前节点的右继承中；

B6)设定第i个孤立树iTree的限定高度，在继承节点中不断递归步骤S34)和步骤S35),直到继承节点中所述第i个孤立树iTree的子样本不可再分或已到达第i个孤立树iTree的限定高度,停止递归；

B7)依次构造出w个孤立树iTree，组成独异森林IForest；

步骤S2)中，调用基于iForest的轴温异常检测模型，利用所述基于iForest的轴温异常检测模型对所述预测轴温进行异常检测，包括以下步骤：

S21)将第t时刻的预测轴温记为y_t，将第t时刻的预测轴温y_t遍历每一个孤立树iTree，获得第t时刻的预测轴温y_t分别位于每一个孤立树iTree的高度，根据第t时刻的预测轴温y_t分别位于每一个孤立树iTree的高度获得出第t时刻的预测轴温y_t在每一个孤立树iTree的高度平均值h(y_t)，计算第t时刻的预测轴温y_t的异常概率m为样本个数，c(m)的表达式为ζ为欧拉常数；

S22)设定异常阈值，判断第t时刻的预测轴温y_t的异常概率是否超过异常阈值，若是，则将第t时刻的预测轴温y_t判定为异常值，若否，则将第t时刻的预测轴温y_t判定为正常值。