传感器异常诊断方法及装置、存储介质与流程

1.本发明涉及车载称重领域，具体而言，涉及一种传感器异常诊断方法及装置、存储介质。


背景技术：

2.传统的车辆超限超载检测是在车辆通过称重检测站时进行的，而称重检测站是不能覆盖整个路网的，超载车辆容易绕行逃避检查。
3.面对称重检测站的缺点，产生了车载动态称重系统，即通过车载称重系统获取车辆的重量，用以判断车辆是否超限超载。但是，由于车载称重系统安装多、分布广的特点，通常安装标定后难以进行有效监管。一些超限超载车辆通过破坏传感器、改变测量区域正常受力等方式，使车载称重系统测量结果出现异常，以此逃避监管。
4.针对相关技术中，无法对车载称重传感器进行实时监测管理，识别车载传感器异常等问题，尚未提出有效的技术方案。


技术实现要素：

5.本发明实施例提供了一种传感器异常诊断方法及装置、存储介质，以至少解决相关技术中，无法对车载称重传感器进行实时监测管理，识别车载传感器异常等问题。
6.根据本发明的一个实施例，提供了一种传感器异常诊断方法，包括：通过目标车辆搭载的车载传感器对目标车辆的重量相关信息进行获取；在确定已获取到多个采集时刻的重量相关信息的情况下，对n个采样周期内得到的所述多个采集时刻的重量相关信息进行相似性分析，判定所述车载传感器是否异常，其中，所述n≥1。
7.在一个示例性实施例中，在确定已获取到多个采集时刻的重量相关信息的情况下，对n个采样周期内得到的所述多个采集时刻的重量相关信息进行相似性分析，判定所述车载传感器是否异常，包括：对每一采样周期内的多个采集时刻得到的重量相关信息进行聚类分析，确定是否存在异常数据；在多个采集时刻得到的重量相关信息存在异常数据的情况下，判定车载传感器存在异常。
8.在一个示例性实施例中，在确定已获取到多个采集时刻的重量相关信息的情况下，对n个采样周期内得到的所述多个采集时刻的重量相关信息进行相似性分析，判定所述车载传感器是否异常，包括：确定每一采样周期内的所述多个采集时刻得到的重量相关信息，得到所述每一采样周期内的每一采集时刻每一个车载传感器之间的变化趋势；当所述变化趋势存在异常的情况下，判定当前所述目标车辆上搭载的车载传感器存在异常。
9.在一个示例性实施例中，所述对n个采样周期内得到的所述多个采集时刻的重量相关信息进行相关性进行分析，判定所述车载传感器是否异常，包括：确定当前采样周期内的多个车载传感器之间的第一相对关系，其中，所述第一相对关系包含重量增量或重量变化率；在存在两个所述第一相对关系之间的变化满足预设的第一判断条件的情况下，确定当前采样周期内存在异常数据，则判定所述车载传感器存在异常。
10.在一个示例性实施例中，所述对n个采样周期内得到的所述多个采集时刻的重量相关信息进行相关性进行分析，判定所述车载传感器是否异常，包括：确定当前采样周期内的多个车载传感器之间的第二相对关系；其中，所述第二相对关系包括重量相关信息中的任一类数据的均值、方差、标准差中的一个；根据与所述当前采样周期相邻的n-1个采样周期内的重量相关信息，确定在所述n-1个采样周期内各个车载传感器之间的第二相对关系；其中，n为正整数；在所述前采样周期内的第二相对关系和所述n-1个采样周期内的第二相对关系的变化满足预设的第二判断条件的情况下，判定所述车载传感器存在异常。
11.在一个示例性实施例中，上述重量相关信息包括以下至少之一：重量数据、位移数据、压力数据。
12.在一个示例性实施例中，对每一采样周期内多个采集时刻得到的重量相关信息进行聚类分析，包括：对于同一车载传感器，确定每一采样时刻的邻域与采样时刻之间的最大可达距离；根据最大可达距离确定每一个采样区间中的采样点到达最大可达距离范围内其他采样时刻的局部可达密度；确定每一个采样区间中包含的每一个数据点对应邻域中数据点的局部可达密度与每一个数据点的局部可达密度的目标比值；将重量相关信息对应的信号数据中每一个数据点对应的目标比值相加除以信号数据中存在数据点的总个数，得到信号数据中每一个数据点对应的目标因子值。
13.在一个示例性实施例中，车载传感器包括以下至少之一：称重传感器、压力传感器、位移传感器、微形变传感器、应变片、电容传感器。
14.根据本发明的另一个实施例，提供了一种传感器异常诊断装置，包括：获取模块，用于通过目标车辆搭载的车载传感器对所述目标车辆的重量相关信息进行获取；判定模块，用于在确定已获取到多个采集时刻的重量相关信息的情况下，对n个采样周期内得到的所述多个采集时刻的重量相关信息进行相似性分析，判定所述车载传感器是否异常，其中，所述n≥1。
15.在一个示例性实施例中，上述判定模块，还用于对每一采样周期内的多个采集时刻得到的重量相关信息进行聚类分析，确定是否存在异常数据；在多个采集时刻得到的重量相关信息存在异常数据的情况下，判定车载传感器存在异常。
16.在一个示例性实施例中，上述判定模块，还用于确定每一采样周期内的所述多个采集时刻得到的重量相关信息，得到所述每一采样周期内的每一采集时刻每一个车载传感器之间的变化趋势；当所述变化趋势存在异常的情况下，判定当前所述目标车辆上搭载的车载传感器存在异常。
17.在一个示例性实施例中，上述判定模块，还用于确定当前采样周期内的多个车载传感器之间的第一相对关系，其中，所述第一相对关系包含重量增量或重量变化率；在存在两个所述第一相对关系之间的变化满足预设的第一判断条件的情况下，确定当前采样周期内存在异常数据，则判定所述车载传感器存在异常。
18.在一个示例性实施例中，上述判定模块，还用于确定当前采样周期内的多个车载传感器之间的第二相对关系；其中，所述第二相对关系包括重量相关信息中的任一类数据的均值、方差、标准差中的一个；根据与所述当前采样周期相邻的n-1个采样周期内的重量相关信息，确定在所述n-1个采样周期内各个车载传感器之间的第二相对关系；其中，n为正整数；在所述前采样周期内的第二相对关系和所述n-1个采样周期内的第二相对关系的变
化满足预设的第二判断条件的情况下，判定所述车载传感器存在异常。
19.在一个示例性实施例中，上述重量相关信息包括以下至少之一：重量数据、位移数据、压力数据。
20.在一个示例性实施例中，上述判定模块还包括：聚类单元，用于对于同一车载传感器，确定每一采样时刻的邻域与采样时刻之间的最大可达距离；根据最大可达距离确定每一个采样区间中的采样点到达最大可达距离范围内其他采样时刻的局部可达密度；确定每一个采样区间中包含的每一个数据点对应邻域中数据点的局部可达密度与每一个数据点的局部可达密度的目标比值；将重量相关信息对应的信号数据中每一个数据点对应的目标比值相加除以信号数据中存在数据点的总个数，得到信号数据中每一个数据点对应的目标因子值。
21.在一个示例性实施例中，车载传感器包括以下至少之一：称重传感器、压力传感器、位移传感器、微形变传感器、应变片、电容传感器。
22.根据本发明的又一个实施例，还提供了一种存储介质，所述存储介质中存储有计算机程序，其中，所述计算机程序被设置为运行时执行上述任一项方法实施例中的步骤。
23.根据本发明的又一个实施例，还提供了一种电子装置，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器被设置为运行所述计算机程序以执行上述任一项方法实施例中的步骤。
24.通过本发明，通过目标车辆搭载的车载传感器对所述目标车辆的重量相关信息进行获取；在确定已获取到多个采集时刻的重量相关信息的情况下，对n个采样周期内得到的所述多个采集时刻的重量相关信息进行相似性分析，判定所述车载传感器是否异常，其中，所述n≥1，也就是说，通过对车载称重系统接收的车载传感器上传的重量相关信息行分析，确定当前目标车辆搭载的车载传感器的运行是否异常，因此，可以解决现有技术中无法对车载称重传感器进行实时监测管理，识别车载传感器异常等问题，提升了目标车辆的称重系统检测车辆重量信息的准确性和有效性，避免了对于安装有异常传感器的目标车辆无法及时监管的情况的发生。
附图说明
25.此处所说明的附图用来提供对本发明的进一步理解，构成本技术的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
26.图1是本发明实施例的一种传感器异常诊断方法的计算机终端的硬件结构框图；
27.图2是根据本发明实施例的传感器异常诊断方法的流程图；
28.图3是根据本发明可选实施例的车载传感器对应监测系统的结构示意图；
29.图4是根据本发明实施例的传感器异常诊断装置的结构框图。
具体实施方式
30.下文中将参考附图并结合实施例来详细说明本发明。需要说明的是，在不冲突的情况下，本技术中的实施例及实施例中的特征可以相互组合。
31.需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。
32.本技术实施例所提供的方法实施例可以在计算机终端或者设备终端类似的运算装置中执行。以运行在计算机终端上为例，图1是本发明实施例的一种传感器异常诊断方法的计算机终端的硬件结构框图。如图1所示，计算机终端可以包括一个或多个(图1中仅示出一个)处理器102(处理器102可以包括但不限于微处理器mcu或可编程逻辑器件fpga等的处理装置)和用于存储数据的存储器104，在一个示例性实施例中，上述计算机终端还可以包括用于通信功能的传输设备106以及输入输出设备108。本领域普通技术人员可以理解，图1所示的结构仅为示意，其并不对上述计算机终端的结构造成限定。例如，计算机终端还可包括比图1中所示更多或者更少的组件，或者具有与图1所示等同功能或比图1所示功能更多的不同的配置。
33.存储器104可用于存储计算机程序，例如，应用软件的软件程序以及模块，如本发明实施例中的传感器异常诊断方法对应的计算机程序，处理器102通过运行存储在存储器104内的计算机程序，从而执行各种功能应用以及数据处理，即实现上述的方法。存储器104可包括高速随机存储器，还可包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中，存储器104可进一步包括相对于处理器102远程设置的存储器，这些远程存储器可以通过网络连接至计算机终端。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
34.传输装置106用于经由一个网络接收或者发送数据。上述的网络具体实例可包括计算机终端的通信供应商提供的无线网络。在一个实例中，传输装置106包括一个网络适配器(network interface controller，简称为nic)，其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中，传输装置106可以为射频(radio frequency，简称为rf)模块，其用于通过无线方式与互联网进行通讯。
35.在本实施例中提供了一种传感器异常诊断方法，图2是根据本发明实施例的传感器异常诊断方法的流程图，该流程包括如下步骤：
36.步骤s202，通过目标车辆搭载的车载传感器对所述目标车辆的重量相关信息进行获取；
37.可选的，车载传感器可设置于车辆的悬架上，或者是车辆上的承重点出，进而通过车载传感器对车辆的重量变化进行采集，进而输出对应的传感器信号数据，其中，传感器信号数据与目标车辆的重量相关信息相对应。
38.步骤s204，在确定已获取到多个采集时刻的重量相关信息的情况下，对n个采样周期内得到的所述多个采集时刻的重量相关信息进行相似性分析，判定所述车载传感器是否异常，其中，所述n≥1。
39.通过上述步骤，通过目标车辆搭载的车载传感器对所述目标车辆的重量相关信息进行获取；在确定已获取到多个采集时刻的重量相关信息的情况下，对n个采样周期内得到的所述多个采集时刻的重量相关信息进行相似性分析，判定所述车载传感器是否异常，其中，所述n≥1，也就是说，通过对车载称重系统接收的车载传感器上传的重量相关信息行分析，确定当前目标车辆搭载的车载传感器的运行是否异常，因此，可以解决现有技术中无法对车载称重传感器进行实时监测管理，识别车载传感器异常等问题，提升了目标车辆的称重系统检测车辆重量信息的准确性和有效性，避免了对于安装有异常传感器的目标车辆无法及时监管的情况的发生。
40.在一个示例性实施例中，在确定已获取到多个采集时刻的重量相关信息的情况下，对n个采样周期内得到的所述多个采集时刻的重量相关信息进行相似性分析，判定所述车载传感器是否异常，包括：对每一采样周期内的多个采集时刻得到的重量相关信息进行聚类分析，确定是否存在异常数据；在多个采集时刻得到的重量相关信息存在异常数据的情况下，判定车载传感器存在异常。
41.简而言之，由于目标车辆在不同状态以及环境下对应的运行情况不同，进而根据车载传感器确定出的目标车辆的重量相关信息也会存在不同的差异，为了提升识别判定的准确率，对同一采样周期内的多个采集时刻得到的重量相关信息进行聚类分析，使得重量相关信息的变化量被维持在预设误差之内，并在确定多个采集时刻得到的重量相关信息存在异常数据，可以快速确定出目标车辆的车载传感器出现了异常。
42.在一个示例性实施例中，在确定已获取到多个采集时刻的重量相关信息的情况下，对n个采样周期内得到的所述多个采集时刻的重量相关信息进行相似性分析，判定所述车载传感器是否异常，包括：确定每一采样周期内的所述多个采集时刻得到的重量相关信息，得到所述每一采样周期内的每一采集时刻每一个车载传感器之间的变化趋势；当所述变化趋势存在异常的情况下，判定当前所述目标车辆上搭载的车载传感器存在异常。
43.可选的，确定每一采样周期内的多个采集时刻得到的重量相关信息，得到每一采样周期内的每一采集时刻车载传感器的实时状态；当同一车载传感器存在两个实时状态之间的变化超过第一阈值的情况下，确定车载传感器之间的变化趋势存在异常，判定当前目标车辆上搭载的车载传感器存在异常。
44.可以理解的是，目标车辆上可能同时存在多个车载传感器，为了更好的对多个车载传感器进行监测，在判定目标车辆的车载传感器异常的情况下，对多个车载传感器在每一采样周期内的多个采集时刻得到的重量相关信息进行分析，确定出每一采样周期内的每一采集时刻多个车载传感器之间的目标相对关系，当多个车载传感器中的任意两个车载传感器对应的目标相对关系出现异常，即存在两个目标相对关系之间的变化超过第一阈值，表示车载传感器确定出重量相关信息超出车载传感器之间的正常阈值，目标车辆上的多个车载传感器中必然存在一个车载传感器存在异常。
45.例如，通常情况下，在车辆装卸货过程中，车载传感器的信号变化率应该在某一范围(通常是一个缓慢变化的过程，因此变化率较小)。但是当人为破坏时，车载传感器的信号变化率会超出正常范围(通常是短时间内的大幅变化，因此变化率大)，进而通过上述方式可以对目标车辆搭载的车载传感器的进行异常的快速识别。
46.在一个示例性实施例中，所述对n个采样周期内得到的所述多个采集时刻的重量相关信息进行相关性进行分析，判定所述车载传感器是否异常，包括：确定当前采样周期内的多个车载传感器之间的第一相对关系，其中，所述第一相对关系包含重量增量或重量变化率；在存在两个所述第一相对关系之间的变化满足预设的第一判断条件的情况下，确定当前采样周期内存在异常数据，则判定所述车载传感器存在异常。
47.可以理解的是，第一判断条件是为了更好的识别多个车载传感器之间的第一相对关系与是否超出预设的多个车载传感器之间的标准相对关系，当所述第一相对关系大于预设的标准相对关系，说明多个车载传感器之间存在有异常的传感器；当所述第一相对关系小于等于预设的标准相对关系，说明多个车载传感器之间存在的异常满足预设的误差，多
个车载传感器之间不存在异常传感器。需要说明的是，上述第一相对关系可以是重量相关信息中任一类数据的均值、方差、比值等，即确定出的可以在当前采样周期内对多个车载传感器进行直观比较的数据或者数值。
48.在一个示例性实施例中，所述对n个采样周期内得到的所述多个采集时刻的重量相关信息进行相关性进行分析，判定所述车载传感器是否异常，包括：确定当前采样周期内的多个车载传感器之间的第二相对关系；其中，所述第二相对关系包括重量相关信息中的任一类数据的均值、方差、标准差中的一个；根据与所述当前采样周期相邻的n-1个采样周期内的重量相关信息，确定在所述n-1个采样周期内各个车载传感器之间的第二相对关系；其中，n为正整数；在所述前采样周期内的第二相对关系和所述n-1个采样周期内的第二相对关系的变化满足预设的第二判断条件的情况下，判定所述车载传感器存在异常。
49.即由于通过车载传感器确定的重量相关信息会出现不同采样周期之间的较大变化，为了在判定车载传感器异常时更加准确，确定与当前采样周期相邻的n个采样周期内的重量相关信息，并进一步比较不同采样周期之间相同车载传感器的第二相对关系，以排除车载传感器记录的重量相关信息发生突变导致的车载传感器存在异常的误判。继而结合第一相对关系以及第二相对关系综合考虑，实现车载传感器存在异常的更加精细的判断。
50.例如，通常情况下，车辆上安装的车载传感器的信号变化比例是接近的，例如装货时所有车载传感器信号以近似比例增加，卸货时所有车载传感器信号以近似比例减小。但是当某些车载传感器在被破坏车载传感器中，通常是被破坏的车载传感器信号的变化比例会明显。
51.在一个示例性实施例中，上述重量相关信息包括以下至少之一：重量数据、位移数据、压力数据。
52.在一个示例性实施例中，对每一采样周期内多个采集时刻得到的重量相关信息进行聚类分析，包括：对于同一车载传感器，确定每一采样时刻的邻域与采样时刻之间的最大可达距离；根据最大可达距离确定每一个采样区间中的采样点到达最大可达距离范围内其他采样时刻的局部可达密度；确定每一个采样区间中包含的每一个数据点对应邻域中数据点的局部可达密度与每一个数据点的局部可达密度的目标比值；将重量相关信息对应的信号数据中每一个数据点对应的目标比值相加除以信号数据中存在数据点的总个数，得到信号数据中每一个数据点对应的目标因子值。
53.例如，针对与传感器中常规的数据点α以及异常的数据点β，两点之间的欧氏距离diantance(α,β)与diantance(β,α)距离是一致的，但是在异常的数据点的k-近邻中由于距离原因既有尽可能不包含类似节点，因此，可以通过确定信号数据中相邻采样点之间的局部可达密度的差异，快速确定对应的采样点是否为待确认的异常数据节点，并进一步进行分析确定。
54.可选的，先求取传感器数据集中任意节点p的k-近邻距离d(p,o)，并计算出该采样区间中任意一点的k-distance，也就是距离该点的最近的前k个相邻点，|nk(p)|≥k,依据k-近邻距离可得出第k距离的邻域，在该集合中得出该数据域中的最大可达距离，rech-distancek(p,o)＝max{k-distance(o),d(p,o)}；进而通过局部可达密度作为评估两个节点之间的关系：
55.针对任意的节点p局部离群因子表达如下，计算每一个采样点的离群因子，当数据中比值越接近1表明该点的数据与中心点在一个类中可能性越大，反而当该值越大，越有可能成为异常数据点；通过该方式将全部的节点进行评估，在原集合中求取常规数据的均值作为该数据的阈值fo，如果存在大于该数据的值，则极有可能当前数据存在不合理操作，可能为异常数据点随之向远端控制平台报警。
56.在一个示例性实施例中，车载传感器包括以下至少之一：称重传感器、压力传感器、位移传感器、微形变传感器、应变片、电容传感器。
57.可选的，还可以直接对车载信号输出的信号数据进行识别，来实现车载传感器是否存在异常的判断，具体的：获取目标车辆搭载的车载称重系统中的信号数据，其中，所述信号数据为运行状态下所述车载称重系统接收的车载传感器上传的数据集，所述车载传感器设置于所述目标车辆上，所述车载传感器包括以下至少之一：称重传感器、压力传感器、位移传感器、微形变传感器、应变片、电容传感器；确定所述信号数据中每一个数据点对应的目标因子值，其中，所述目标因子值用于指示所述每一个数据点与所述信号数据处于同一数据类的可能性；比较所述目标因子与预设阈值的大小，以确定所述信号数据是否存在异常数据点，也就是说，通过对车载称重系统接收的车载传感器上传的重量相关信息行分析，确定当前目标车辆的车载称重系统附属的车载传感器的运行是否异常，因此，可以解决现有技术中无法对车载称重传感器进行实时监测管理，识别车载传感器异常等问题，提升了目标车辆的称重系统检测车辆重量信息的准确性和有效性，避免了对于安装有异常传感器的目标车辆无法及时监管的情况的发生。
58.在一个示例性实施例中，比较所述目标因子与预设阈值的大小，以确定所述信号数据是否存在异常数据点，上述方法还包括：在所述目标因子值大于预设阈值的情况下，确定当前所述信号数据存在异常数据点；在所述目标因子值小于或者等于预设阈值的情况下，确定当前所述信号数据不存在异常数据点。
59.可以理解的是，通过计算每一个采样点的离群因子(相当于本发明实施例中的目标因子值)，当数据中比值越接近1表明该点的数据与中心点在一个类中可能性越大，反而当该值越大，越有可能成为异常数据点。而通过该方式将全部的节点进行评估，在车载称重系统处于正常运行状态下的数据原集合中求取常规数据的均值作为该数据的阈值，如果存在大于该数据的值，则极有可能当前数据存在不合理操作，可能为异常数据点随之向远端控制平台报警。
60.在一个示例性实施例中，在所述目标因子值大于预设阈值的情况下，确定当前所述信号数据存在异常数据点，包括：统计所述信号数据中存在异常数据点的异常数量；在所述异常数量大于预设数量的情况下，将所述异常数据点汇总成异常数据集，并生成携带所述异常数据集的预警信息，其中，所述预警信息用于提醒目标对象对所述目标车辆的车载称重系统进行校验。
61.也就是说，当出现车辆称重系统为阶段性异常时，例如，目标对象在某一段时间进行了调节，使得对应的车载传感器无论输出何种数据车辆称重系统均显示正常，并在该时
间段后将传感器调节正常，故为了准确监控上述情况，依据异常数据点以及所述异常数据点的出现时间生成所述目标车辆的预警信息，使得无论目标车辆何时存在异常均可以监控。
62.在一个示例性实施例中，在所述异常数量大于预设数量的情况下，将所述异常数据点汇总成异常数据集，并生成携带所述异常数据集的预警信息之后，上述方法还包括：确定所述目标车辆的通信质量；在所述通信质量小于目标传输速率的情况下，将所述预警信息存储在所述目标车辆搭载的车载称重系统的数据存储空间中；在所述通信质量大于目标传输速率的情况下，将所述预警信息上传至所述目标车辆对应的数据管理中心。
63.简而言之，由于目标车辆在行驶过程中通信质量可能实时变化，为了监控到通信质量差或者没有通信状态下目标车辆的预警信息，实时监测目标车辆的通信质量，进而实现对不同通信状态下的预警信息的准确记录，使得后续的查找或者管理，以及目标车辆的车载传感器标定具有一定的数据参照。
64.在一个示例性实施例中，确定所述信号数据中每一个数据点对应的目标因子值之前，上述方法还包括：将所述信号数据通过预设采样周期划分为多个采样区间；获取所述多个采样区间中每一个采样区间中的采样点，其中，所述采样点为所述采样区间上任意一点，所述采样区间包括：多个数据点；确定与所述采样点在第k距离以内的多个目标数据点作为所述采样点的邻域。
65.可以理解的是，为了提升对于信号数据的分析效率，将从车载称重系统中获取的信号进行区间划分，进而可以对出现异常频率较高的时间段对应的部分信号数据进行优先确定，使得对于车载称重系统的监控可以根据实际情况进行调整。
66.在一个示例性实施例中，确定与所述采样点在第k距离以内的多个目标数据点作为所述采样点的邻域之后，上述方法还包括：确定所述采样点的邻域与所述采样点之间的最大可达距离；根据所述最大可达距离确定所述每一个采样区间中的采样点到达所述最大可达距离范围内其他数据点的局部可达密度。
67.在一个示例性实施例中，确定所述信号数据中每一个数据点对应的目标因子值，包括：确定所述每一个数据点对应邻域中数据点的局部可达密度与所述每一个数据点的局部可达密度的目标比值；将所述信号数据中每一个数据点对应的目标比值相加除以所述信号数据中存在数据点的总个数，得到所述信号数据中每一个数据点对应的目标因子值。
68.在一个示例性实施例中，通过目标算法对所述信号数据进行异常分析，包括：将所述信号数据通过预设采样周期划分为多个采样区间；确定所述多个采样区间中每一个采样区间中的采样点，其中，所述采样点用于指示所述信号数据中待分析的数据节点，所述采样点为所述采样区间上任意一点，所述采样区间包括：多个数据节点。
69.在一个示例性实施例中，确定所述多个采样区间中每一个采样区间中的采样点之后，所述方法还包括：确定所述采样点在采样区间上的邻域，其中，所述邻域用于指示与所述采样点距离处于第k距离以内的多个目标数据节点的集合；根据所述邻域确定所述采样点的最大可达距离；确定所述最大可达距离范围内所有数据节点的局部可达密度。
70.在一个示例性实施例中，确定所述最大可达距离范围内所有数据节点对应的局部可达密度之后，所述方法还包括：获取所述目标车辆对应的预设标准局部可达密度，并确定所述局部可达密度与预设标准局部可达密度的差值；在所述局部可达密度与预设标准局部
可达密度的差值小于第一预设阈值的情况下，确定所述采样点为正常数据节点；在所述局部可达密度与预设标准局部可达密度的差值大于第一预设阈值的情况下，确定所述采样点为待确认的异常数据节点。
71.在一个示例性实施例中，确定所述采样点为异常数据节点之后，所述方法还包括：确定所述待确认的异常数据节点的离群因子，其中，所述离群因子用于指示待确认的异常数据节点的邻域点的局部可达密度与所述待确认的异常数据节点的局部可达密度之比的平均数；确定所述离群因子的数值与目标数值的差值；在所述差值超出第二预设阈值的情况下，确定所述待确认的异常数据节点为异常数据点，其中，所述异常数据点用于指示车载传感器存在异常操作。
72.为了更好的理解上述传感器异常诊断方法的过程，以下结合几个可选实施例对上述传感器异常诊断方法流程进行说明。
73.为了更好的理解本发明可选实施例的应用场景，现就相关内容进行说明。
74.可选的，车载称重方式对应的常用的检测方式为：当车辆载荷不同时，钢板弹簧会产生不同的形变，因此可以对车辆受力时钢板弹簧变形量进行分析，建立钢板弹簧变形量与车辆载荷之间的关系，最终得到车辆载荷。
75.车载式车辆荷载质量动态称重系统基本原理：在车辆行驶过程中，车的重量主要由悬架承担。对于货车来说，其悬架系统多数为钢板弹簧悬架，随着载货量的不同，钢板弹簧的形变量会发生很大变化，因此在车载式动态称重系统中，可以通过测量钢板弹簧的变化量来间接测量车辆载荷。称重传感器可将重量信号转变为可测的电信号输出，是称重系统的前端，为后续的显示、存储、控制等提供重要的基础。
76.可选的，车载称重传感器按照所测试载荷方法的不同，可分为五类：轮荷检测式、单悬架检测式、空气悬架式、压力传感器式和平衡弹簧悬架式。这几种类型的车载称重传感器有其一定的优点，但加装或改装这几种传感器时，需要拆卸车厢，工程量较大，而且在车辆行驶过程中传感器需要承受持续的交变载荷的作用，如遇到路面不平、装卸货物、车辆碰撞等极易造成传感器的过载而损坏。
77.作为一种可选的实施方式，载称重系统可选的称重方法包括以下几种：
78.(1)柱式称重传感器安装在车轴与钢板弹簧的接触处，用骑马螺栓固定，称重传感器输出即为簧载质量。这种称重方法精度高，稳定性好；但是安装过程十分复杂，目前柱式称重传感器的高度均大于40mm，安装这种传感器会严重影响车体的稳定性。
79.(2)直线位移传感器安装在钢板弹簧的两端，通过检测车辆钢板弹簧的水平位移变化间接测量簧载质量。采用这种方法传感器拉绳的保护工作非常困难，易于遭受人为或者自然破坏。
80.(3)电容传感器安装在车架和车轴之间，通过检测车辆钢板弹簧垂直位移变化测得簧载质量。
81.(4)钢板弹簧表面安装应变传感器，通过检测钢板弹簧表面的应变间接测得簧载质量。
82.(5)轮胎中安装压力传感器，通过检测轮胎压力间接得轮载质量。这种方法受环境因素影响很大。
83.本发明可选实施例中，主要提供了一种车载称重系统异常监控方法，首先由传感
器信号采集模块采集车载称重系统传感器信号；然后异常分析模块根据传感器信号，利用异常分析算法，识别系统运行异常，并将分析结果发送至异常预警模块；异常预警模块收到异常分析模块发送的分析结果后，如果结果异常，则生成预警信息，并将预警信息发送至监管平台。以实现对车载称重系统的运行情况监控，对于人为或者非人为原因造成的车载称重系统异常都能有效检测并预警。
84.可选的，图3是根据本发明可选实施例的车载传感器对应监测系统的结构示意图，具体如下：
85.传感器信号采集模块32：采集车载称重系统传感器信号，包括称重传感器、压力传感器、位移传感器等用于车载称重系统的传感器；
86.异常分析模块34：根据传感器信号，利用异常分析算法，识别系统运行异常，并将分析结果发送至异常预警模块；
87.异常预警模块36：生成预警信息，并将预警信息发送至监管平台；
88.可选的，通过以下几种方法判断车载传感器是否发生异常。
89.方式一、判断传感器信号是否超出正常阈值；
90.正常情况下传感器的输出信号处于其量程之内，或者根据车辆的实际合理负载状况，传感器输出信号处于某一区间。当传感器失效或者遭受人为破坏时，通常其输出信号会发生明显异常。
91.方式二、判断传感器信号变化率是否超出正常阈值；
92.通常情况下，在车辆装卸货过程中，传感器的信号变化率应该在某一范围(通常是一个缓慢变化的过程，因此变化率较小)。但是当人为破坏时，传感器的信号变化率会超出正常范围(通常是短时间内的大幅变化，因此变化率大)。为排除自卸车情况，需要配合倾角仪检测货箱状态。
93.方式三、判断传感器信号变化比例；
94.通常情况下，车辆上安装的车载传感器的信号变化比例是接近的，例如装货时所有传感器信号以近似比例增加，卸货时所有传感器信号以近似比例减小。但是当某些传感器在被破坏传感器中，通常是被破坏的传感器信号的变化比例会明显。
95.可选的，对于传感器的输出信号通过lof(local outlier factor，局部异常因子，简称lof)算法进行离群点检测，具体步骤如下：
96.步骤1.先求取传感器数据集中任意节点p的k-近邻距离d(p,o)，并计算出该采样区间中任意一点的k-distance，也就是距离该点的最近的前k个相邻点，|nk(p)|≥k，
97.步骤2.依据k-近邻距离可得出第k距离的邻域，在该集合中得出该数据域中的最大可达距离，rech-distancek(p,o)＝max{k-distance(o),d(p,o)}；
98.也就是说针对与传感器中常规的数据点α以及异常的数据点β，两点之间的欧氏距离diantance(α,β)与diantance(β,α)距离是一致的，但是在异常的数据点的k-近邻中由于距离原因既有尽可能不包含类似节点，故通过局部可达密度作为评估两个节点之间的关系如下：
[0099][0100]
而针对任意的节点p局部离群因子表达如下，计算每一个采样点的离群因子，当数
据中比值越接近1表明该点的数据与中心点在一个类中可能性越大，反而当该值越大，越有可能成为异常数据点。
[0101][0102]
而通过该方式将全部的节点进行评估，在原集合中求取常规数据的均值作为该数据的阈值fo，如果存在大于该数据的值，则极有可能当前数据存在不合理操作，可能为异常数据点随之向远端控制平台报警。
[0103]
综上，通过本发明可选实施例，通过采集车载称重系统传感器信号，包括称重传感器、压力传感器、位移传感器等用于车载称重系统的传感器；根据传感器信号，利用异常分析算法，识别车载称重系统的运行是否异常，并将分析结果发送至异常预警模块；在确定车载称重系统异常的情况下，通过异常预警模块生成预警信息，并将预警信息发送至监管平台，实现了对于车载称重系统的运行情况监控，可以实时对于人为或者非人为原因造成的车载称重系统异常进行有效检测并预警。
[0104]
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到根据上述实施例的方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如rom/ram、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。
[0105]
在本实施例中还提供了一种传感器异常诊断装置，该装置用于实现上述实施例及优选实施方式，已经进行过说明的不再赘述。如以下所使用的，术语“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。
[0106]
图4是根据本发明实施例的传感器异常诊断装置的结构框图，如图4所示，该装置包括：
[0107]
获取模块52，用于通过目标车辆搭载的车载传感器对所述目标车辆的重量相关信息进行获取；
[0108]
判定模块54，用于在确定已获取到多个采集时刻的重量相关信息的情况下，对n个采样周期内得到的所述多个采集时刻的重量相关信息进行相似性分析，判定所述车载传感器是否异常，其中，所述n≥1。
[0109]
通过上述装置，通过目标车辆搭载的车载传感器对所述目标车辆的重量相关信息进行获取；在确定已获取到多个采集时刻的重量相关信息的情况下，对n个采样周期内得到的所述多个采集时刻的重量相关信息进行相似性分析，判定所述车载传感器是否异常，其中，所述n≥1，也就是说，通过对车载称重系统接收的车载传感器上传的重量相关信息行分析，确定当前目标车辆搭载的车载传感器的运行是否异常，因此，可以解决现有技术中无法对车载称重传感器进行实时监测管理，识别车载传感器异常等问题，提升了目标车辆的称重系统检测车辆重量信息的准确性和有效性，避免了对于安装有异常传感器的目标车辆无法及时监管的情况的发生。
[0110]
在一个示例性实施例中，上述判定模块，还用于对每一采样周期内的多个采集时刻得到的重量相关信息进行聚类分析，确定是否存在异常数据；在多个采集时刻得到的重量相关信息存在异常数据的情况下，判定车载传感器存在异常。
[0111]
简而言之，由于目标车辆在不同状态以及环境下对应的运行情况不同，进而根据车载传感器确定出的目标车辆的重量相关信息也会存在不同的差异，为了提升识别判定的准确率，对同一采样周期内的多个采集时刻得到的重量相关信息进行聚类分析，使得重量相关信息的变化量被维持在预设误差之内，并在确定多个采集时刻得到的重量相关信息存在异常数据，可以快速确定出目标车辆的车载传感器出现了异常。
[0112]
在一个示例性实施例中，上述判定模块，还用于确定每一采样周期内的所述多个采集时刻得到的重量相关信息，得到所述每一采样周期内的每一采集时刻每一个车载传感器之间的变化趋势；当所述变化趋势存在异常的情况下，判定当前所述目标车辆上搭载的车载传感器存在异常。
[0113]
可选的，确定每一采样周期内的多个采集时刻得到的重量相关信息，得到每一采样周期内的每一采集时刻车载传感器的实时状态；当同一车载传感器存在两个实时状态之间的变化超过第一阈值的情况下，确定车载传感器之间的变化趋势存在异常，判定当前目标车辆上搭载的车载传感器存在异常。
[0114]
可以理解的是，目标车辆上可能同时存在多个车载传感器，为了更好的对多个车载传感器进行监测，在判定目标车辆的车载传感器异常的情况下，对多个车载传感器在每一采样周期内的多个采集时刻得到的重量相关信息进行分析，确定出每一采样周期内的每一采集时刻多个车载传感器之间的目标相对关系，当多个车载传感器中的任意两个车载传感器对应的目标相对关系出现异常，即存在两个目标相对关系之间的变化超过第一阈值，表示车载传感器确定出重量相关信息超出车载传感器之间的正常阈值，目标车辆上的多个车载传感器中必然存在一个车载传感器存在异常。
[0115]
例如，通常情况下，在车辆装卸货过程中，车载传感器的信号变化率应该在某一范围(通常是一个缓慢变化的过程，因此变化率较小)。但是当人为破坏时，车载传感器的信号变化率会超出正常范围(通常是短时间内的大幅变化，因此变化率大)，进而通过上述方式可以对目标车辆搭载的车载传感器的进行异常的快速识别。
[0116]
在一个示例性实施例中，上述判定模块，还用于确定当前采样周期内的多个车载传感器之间的第一相对关系，其中，所述第一相对关系包含重量增量或重量变化率；在存在两个所述第一相对关系之间的变化满足预设的第一判断条件的情况下，确定当前采样周期内存在异常数据，则判定所述车载传感器存在异常。
[0117]
可以理解的是，第一判断条件是为了更好的识别多个车载传感器之间的第一相对关系与是否超出预设的多个车载传感器之间的标准相对关系，当所述第一相对关系大于预设的标准相对关系，说明多个车载传感器之间存在有异常的传感器；当所述第一相对关系小于等于预设的标准相对关系，说明多个车载传感器之间存在的异常满足预设的误差，多个车载传感器之间不存在异常传感器。需要说明的是，上述第一相对关系可以是重量相关信息中任一类数据的均值、方差、比值等，即确定出的可以在当前采样周期内对多个车载传感器进行直观比较的数据或者数值。
[0118]
在一个示例性实施例中，上述判定模块，还用于确定当前采样周期内的多个车载
传感器之间的第二相对关系；其中，所述第二相对关系包括重量相关信息中的任一类数据的均值、方差、标准差中的一个；根据与所述当前采样周期相邻的n-1个采样周期内的重量相关信息，确定在所述n-1个采样周期内各个车载传感器之间的第二相对关系；其中，n为正整数；在所述前采样周期内的第二相对关系和所述n-1个采样周期内的第二相对关系的变化满足预设的第二判断条件的情况下，判定所述车载传感器存在异常。
[0119]
即由于通过车载传感器确定的重量相关信息会出现不同采样周期之间的较大变化，为了在判定车载传感器异常时更加准确，确定与当前采样周期相邻的n个采样周期内的重量相关信息，并进一步比较不同采样周期之间相同车载传感器的第二相对关系，以排除车载传感器记录的重量相关信息发生突变导致的车载传感器存在异常的误判。继而结合第一相对关系以及第二相对关系综合考虑，实现车载传感器存在异常的更加精细的判断。
[0120]
例如，通常情况下，车辆上安装的车载传感器的信号变化比例是接近的，例如装货时所有车载传感器信号以近似比例增加，卸货时所有车载传感器信号以近似比例减小。但是当某些车载传感器在被破坏车载传感器中，通常是被破坏的车载传感器信号的变化比例会明显。
[0121]
在一个示例性实施例中，上述重量相关信息包括以下至少之一：重量数据、位移数据、压力数据。
[0122]
在一个示例性实施例中，上述判定模块还包括：聚类单元，用于对于同一车载传感器，确定每一采样时刻的邻域与采样时刻之间的最大可达距离；根据最大可达距离确定每一个采样区间中的采样点到达最大可达距离范围内其他采样时刻的局部可达密度；确定每一个采样区间中包含的每一个数据点对应邻域中数据点的局部可达密度与每一个数据点的局部可达密度的目标比值；将重量相关信息对应的信号数据中每一个数据点对应的目标比值相加除以信号数据中存在数据点的总个数，得到信号数据中每一个数据点对应的目标因子值。
[0123]
例如，针对与传感器中常规的数据点α以及异常的数据点β，两点之间的欧氏距离diantance(α,β)与diantance(β,α)距离是一致的，但是在异常的数据点的k-近邻中由于距离原因既有尽可能不包含类似节点，因此，可以通过确定信号数据中相邻采样点之间的局部可达密度的差异，快速确定对应的采样点是否为待确认的异常数据节点，并进一步进行分析确定。
[0124]
可选的，先求取传感器数据集中任意节点p的k-近邻距离d(p,o)，并计算出该采样区间中任意一点的k-distance，也就是距离该点的最近的前k个相邻点，|nk(p)|≥k，依据k-近邻距离可得出第k距离的邻域，在该集合中得出该数据域中的最大可达距离，rech-distancek(p,o)＝max{k-distance(o),d(p,o)}；进而通过局部可达密度作为评估两个节点之间的关系：
[0125]
针对任意的节点p局部离群因子表达如下，计算每一个采样点的离群因子，当
数据中比值越接近1表明该点的数据与中心点在一个类中可能性越大，反而当该值越大，越有可能成为异常数据点；通过该方式将全部的节点进行评估，在原集合中求取常规数据的均值作为该数据的阈值fo，如果存在大于该数据的值，则极有可能当前数据存在不合理操作，可能为异常数据点随之向远端控制平台报警。
[0126]
在一个示例性实施例中，车载传感器包括以下至少之一：称重传感器、压力传感器、位移传感器、微形变传感器、应变片、电容传感器。
[0127]
需要说明的是，上述各个模块是可以通过软件或硬件来实现的，对于后者，可以通过以下方式实现，但不限于此：上述模块均位于同一处理器中；或者，上述各个模块以任意组合的形式分别位于不同的处理器中。
[0128]
本发明的实施例还提供了一种存储介质，该存储介质中存储有计算机程序，其中，该计算机程序被设置为运行时执行上述任一项方法实施例中的步骤。
[0129]
在一个示例性实施例中，在本实施例中，上述存储介质可以被设置为存储用于执行以下步骤的计算机程序：
[0130]
s1，通过目标车辆搭载的车载传感器对所述目标车辆的重量相关信息进行获取；
[0131]
s2，在确定已获取到多个采集时刻的重量相关信息的情况下，对n个采样周期内得到的所述多个采集时刻的重量相关信息进行相似性分析，判定所述车载传感器是否异常，其中，所述n≥1。
[0132]
在一个示例性实施例中，在本实施例中，上述存储介质可以包括但不限于：u盘、只读存储器(read-only memory，简称为rom)、随机存取存储器(random access memory，简称为ram)、移动硬盘、磁碟或者光盘等各种可以存储计算机程序的介质。
[0133]
本发明的实施例还提供了一种电子装置，包括存储器和处理器，该存储器中存储有计算机程序，该处理器被设置为运行计算机程序以执行上述任一项方法实施例中的步骤。
[0134]
在一个示例性实施例中，上述电子装置还可以包括传输设备以及输入输出设备，其中，该传输设备和上述处理器连接，该输入输出设备和上述处理器连接。
[0135]
在一个示例性实施例中，在本实施例中，上述处理器可以被设置为通过计算机程序执行以下步骤：
[0136]
s1，通过目标车辆搭载的车载传感器对所述目标车辆的重量相关信息进行获取；
[0137]
s2，在确定已获取到多个采集时刻的重量相关信息的情况下，对n个采样周期内得到的所述多个采集时刻的重量相关信息进行相似性分析，判定所述车载传感器是否异常，其中，所述n≥1。
[0138]
在一个示例性实施例中，本实施例中的具体示例可以参考上述实施例及可选实施方式中所描述的示例，本实施例在此不再赘述。
[0139]
显然，本领域的技术人员应该明白，上述的本发明的各模块或各步骤可以用通用的计算装置来实现，它们可以集中在单个的计算装置上，或者分布在多个计算装置所组成的网络上，在一个示例性实施例中，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，并且在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样，本发明不限制于任何特定的
硬件和软件结合。
[0140]
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。