一种空气弹簧安全风险检测方法及系统与流程

本发明涉及空气弹簧检测，特别是涉及一种空气弹簧安全风险检测方法和一种空气弹簧安全风险检测空气弹簧安全风险检测系统、一种计算机设备及一种存储介质。

背景技术：

1、空气弹簧作为车辆悬挂系统和轨道交通系统中的关键弹性元件，其工作状态直接关系到整车的行驶安全性、平顺性和乘坐舒适性。空气弹簧在使用过程中，由于长期承受交变载荷、橡胶材料老化、气体泄漏等因素，会出现性能退化甚至突发性失效，严重时可能导致车辆失控，造成重大安全事故。因此，对空气弹簧进行有效的安全风险检测具有重要的现实意义。

2、目前，现有的空气弹簧安全风险检测技术主要存在以下几方面的不足，现有系统多采用固定阈值进行故障判断，停留在“故障后报警”的被动阶段，无法实现早期故障识别和预测性维护。部分系统虽然引入了基于规则或阈值的判断逻辑，但仍无法从历史数据中学习故障模式。

技术实现思路

1、鉴于上述问题，提出了本发明实施例以便提供一种克服上述问题或者至少部分地解决上述问题的一种空气弹簧安全风险检测方法、一种空气弹簧安全风险检测系统、一种计算机设备及一种存储介质。

2、为了解决上述问题，本发明实施例公开了一种空气弹簧安全风险检测方法，包括：

3、获取空气弹簧中多种传感器的监测数据，将所述监测数据转换为监测数据向量集；

4、将所述监测数据向量集划分为多个子集，通过每个子集拟合高斯混合模型进行离散化，确定最优高斯分量数，生成多个离散区间，为每个离散区间分配区间标识符，得到离散化监测数据集；

5、生成离散化监测数据集对应的规则参数，通过加权关联分类器进行规则参数的排序，得到排序后的规则参数；

6、通过多策略灰狼种群模型优化所述加权关联分类器，得到优化后的加权关联分类器；

7、将新的监测数据转换为离散化监测数据集，通过所述优化后的加权关联分类器进行分类，得到空气弹簧对应的风险等级。

8、优选地，所述获取空气弹簧中多种传感器的监测数据，将所述监测数据转换为监测数据向量集，包括：

9、采集所述空气弹簧中的气压传感器、位移传感器、温度传感器、加速度传感器对应的四维监测数据；

10、将所述四维监测数据进行归一化预处理，得到监测数据向量集。

11、优选地，所述将所述监测数据向量集划分为多个子集，通过每个子集拟合高斯混合模型进行离散化，确定最优高斯分量数，生成多个离散区间，为每个离散区间分配区间标识符，得到离散化监测数据集，包括：

12、获取所述子集对应的状态类别数据；

13、对每个子集，采用期望最大化算法拟合高斯混合模型，得到高斯混合模型的概率密度函数，针对所述高斯混合模型的概率密度函数进行迭代更新，确定最优高斯分量数；

14、计算每个高斯分量的均值及标准差，生成初始区间， 采用类比率对存在重叠的初始区间进行合并或删除处理，生成多个离散区间，为每个离散区间分配区间标识符，得到离散化监测数据集。

15、优选地，所述生成离散化监测数据集对应的规则参数，通过加权关联分类器进行规则参数的排序，得到排序后的规则参数，包括：

16、将所述离散化监测数据集及状态类别数据组成生成多个规则参数；

17、通过加权关联分类器计算所述规则参数的加权支持度及置信度，根据所述加权支持度及置信度生成调和平均值；

18、根据所述调和平均值进行规则参数的排序，得到排序后的规则参数。

19、优选地，所述通过多策略灰狼种群模型优化所述加权关联分类器，得到优化后的加权关联分类器，包括：

20、采用henon混沌映射生成灰狼种群的初始位置；

21、计算种群中每个个体的适应度值，选取适应度最优的三个个体分别作为α狼、β狼和δ狼；

22、设置时间乘误差绝对值积分指标为适应度函数，采用三条不同的非线性曲线更新收敛因子；

23、根据收敛因子计算控制参数，迭代执行上述直至达到最大迭代次数，输出使适应度函数值最小的个体位置，将适应度函数值最小的个体位置确定为最优的加权关联分类器的参数组合，得到优化后的加权关联分类器。

24、优选地，所述将新的监测数据转换为离散化监测数据集，通过所述优化后的加权关联分类器进行分类，得到空气弹簧对应的风险等级，包括：

25、将新的监测数据进行归一化预处理，得到监测数据向量集；

26、将所述监测数据向量集进行离散化，确定最优高斯分量数，生成多个离散区间，得到离散化后的测试样本数据集；

27、通过优化后的加权关联分类器对离散化后的测试样本数据集进行分类，计算每个类别的调和平均值，确定调和平均值最大的类别作为风险等级，得到空气弹簧对应的风险等级。

28、本发明实施例公开了一种空气弹簧安全风险检测系统，包括：

29、获取模块，用于获取空气弹簧中多种传感器的监测数据，将所述监测数据转换为监测数据向量集；

30、离散化模块，用于将所述监测数据向量集划分为多个子集，通过每个子集拟合高斯混合模型进行离散化，确定最优高斯分量数，生成多个离散区间，为每个离散区间分配区间标识符，得到离散化监测数据集；

31、规则排序模块，用于生成离散化监测数据集对应的规则参数，通过加权关联分类器进行规则参数的排序，得到排序后的规则参数；

32、优化模块，用于通过多策略灰狼种群模型优化所述加权关联分类器，得到优化后的加权关联分类器；

33、分类模块，用于将新的监测数据转换为离散化监测数据集，通过所述优化后的加权关联分类器进行分类，得到空气弹簧对应的风险等级。

34、优选地，所述获取模块包括：

35、采集子模块，用于采集所述空气弹簧中的气压传感器、位移传感器、温度传感器、加速度传感器对应的四维监测数据；

36、归一化子模块，用于将所述四维监测数据进行归一化预处理，得到监测数据向量集。

37、本发明实施例还公开了一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述的空气弹簧安全风险检测的步骤。

38、本发明实施例还公开了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述的空气弹簧安全风险检测的步骤。

39、本发明实施例包括以下优点：

40、本发明实施例中，该空气弹簧安全风险检测方法包括：获取空气弹簧中多种传感器的监测数据，将所述监测数据转换为监测数据向量集；将所述监测数据向量集划分为多个子集，通过每个子集拟合高斯混合模型进行离散化，确定最优高斯分量数，生成多个离散区间，为每个离散区间分配区间标识符，得到离散化监测数据集；生成离散化监测数据集对应的规则参数，通过加权关联分类器进行规则参数的排序，得到排序后的规则参数；通过多策略灰狼种群模型优化所述加权关联分类器，得到优化后的加权关联分类器；将新的监测数据转换为离散化监测数据集，通过所述优化后的加权关联分类器进行分类，得到空气弹簧对应的风险等级。本发明通过部署气压、位移、温度、加速度四类传感器，实现了对空气弹簧多维健康状态的全面感知，克服了现有技术仅监测单一或少量参数的缺陷。通过基于高斯混合模型的离散化算法和特征加权关联分类算法，实现了从历史监测数据中自动提取“监测模式到风险等级”的可解释诊断规则参数，能够对空气弹簧的潜在风险进行提前预判，实现了从“被动报警”到“主动预测”的效果。通过特征权重分配、调和平均值排序、多策略改进灰狼算法参数优化等多重机制，显著提升了关联分类器的分类精度，通过多策略改进灰狼算法对分类器参数进行持续优化，使系统能够适应不同工况和环境变化，具有较强的泛化能力和鲁棒性。