设备无法显示隐藏文件夹

ISSN1674-8484CN11-5904/U汽车安全与节能学报,第10卷第1期,2019年JAutomotiveSafetyandEnergy,Vol.
10No.
1,2019基于数据挖掘的汽车运行数据采集设备故障诊断方法张宏1,2(1.
内蒙古大学交通学院,呼和浩特010070,中国;2.
内蒙古自治区城市交通数据科学及应用工程技术研究中心,呼和浩特010070,中国)摘要:提出了一种基于大数据挖掘技术的、用于汽车运行工况数据采集设备的故障诊断方法.
该方法依托中国汽车测试工况(CATC)项目和内蒙古道路运输企业节能降耗监控技术研究(NJ-2017-8),运用了k-means故障模式聚类算法、诊断状态参数Apriori关联规则、及相关性分析算法.
并进行了案例实证分析.
结果表明:采用k-mean算法能有效分析数据采集设备的故障模式,Apriori算法挖掘出的数据采集设备特征参数之间的关联规则与相关性能,有效地找出数据采集设备的故障环节和原因;与设备实际维修试验结果相符.
因此,该方法可为数据采集设备的运行维护与管控提供参考.
关键词:公路交通;汽车运行;故障诊断;大数据挖掘;Apriori关联算法;聚类分析;相关性分析中图分类号:U472.
9文献标识码:ADOI:10.
3969/j.
issn.
1674-8484.
2019.
01.
006FaultdiagnosismethodofvehicledrivingdataacquisitiondevicesbasedondataminingZHANGHong1,2(1.
TransportationInstituteofInnerMongoliaUniversity,Hohhot010070,China;2.
InnerMongoliaEngineeringResearchCentreforUrbanTransportationDataScienceandApplications,Hohhot010070,China)Abstract:AfaultdiagnosismethodofvehiclesdrivingcycledataacquisitiondeviceswereproposedbasedonaprojectsponsoredbytheChinaAutomotiveTestCycle(CATC)andtheResearchonMonitoringTechnologyofEnergySavingandConsumptionReductionforRoadTransportationEnterprisesinInnerMongolia(NJ-2017-8)byusinglargedataminingtechnology,ak-meansclusteringalgorithm,anApriorialgorithmassociationrules,acorrelationanalysisalgorithm,andmadeanempiricalstudywithacase.
Theresultsshowthatthefaultmodesofdataacquisitiondevicescanbeeffectivelyanalyzedbyk-meansalgorithm,andthefaultdiagnosisandcausesofdataacquisitiondevicescaneffectivelyfindoutbyApriorialgorithmofassociationrulesandcorrelationbetweenthecharacteristicparametersofdataacquisitiondevices,whichareconsistentwiththeactualmaintenancetestresults.
Therefore,thismethodprovidesareferencefortheoperation,maintenanceandcontrolofdataacquisitiondevices.
Keywords:roadtraffic;vehiclerunning;faultdiagnosis;bigdatamining;Aprioriassociationalgorithm;clusteringalgorithm;correlationanalysis收稿日期/Received:2018-10-16.
基金项目/Supportedby:工业和信息化部项目(中国新能源汽车产品检测工况研究和开发CATC);内蒙古自治区交通运输厅科技项目(NJ-2017-8);中央高校基本科研业务费专项资金项目(310822171134);中国国家留学基金资助(201806815002).
第一作者/Firstauthor:张宏(1981—),女(汉),内蒙古,副教授.
E-mail:zhang2001hong@126.
com.
6/1554—5955张宏:基于数据挖掘的汽车运行数据采集设备故障诊断方法随着国民经济水平的提高,汽车远程驾驶的概率越来越大;汽车的安全稳定无故障运行对组织运输具有重大意义.
汽车智能化水平的不断提升,利用大数据进行准确、有效地汽车行驶运行状态评估、诊断和预测,使得运输可靠性得到了显著提高.
当前,数据采集设备远程故障诊断方法主要是通过电话救援、4G(thefourthgenerationofmobilephonemobilecommunicationtechnologystandards,第4代移动通信技术)网络,传递给专家进行系统评估,以及传统机器学习和样本训练的方法.
传统方法的核心是根据数据采集设备各种诊断状态参数推断和构建故障概率数学模型或物理模型.
汽车行驶和运行数据采集设备诊断参数的特征值很多,每个特征值在诊断不同故障中所起的作用不同,也就是权重不同.
关于权重的确定,有主观法和客观法2种方法:1)主观法确定权重的关键是专家意见,重点取决于专家的主观性;2)客观法确定权重采用了模糊理论、灰色理论、层次分析法等数学方法[1-3].
在中间过程中,虽然减少了专家主观性的影响,但是其科学性还需要进一步检验,当数据量很大时,其算法的反复对比和计算,模糊判断也会增加误差;相对客观的熵权法由数据决定权重,但各指标之间没有横向比较,在实际应用中受限[4].
将专家系统方法和机器学习方法相结合,开发出的远程专家故障诊断系统可以发挥这2种方法的优点[5-6],准确性有所提高,但模型固化的问题仍然无法解决[7-10],数据量仍然是有限制的,无法将运行环境等外在因素考虑进来.
随着车载电子设备和电子控制单元(electroniccontrolunit,ECU)的智能化发展,汽车运行数据采集设备诊断状态参数来源于汽车多个不同的总成和系统,数据量呈指数级增长,这些传统的设备诊断状态参数评估方法已无法处理异构多源的海量数据.
汽车行驶和运行数据不同特征值之间相互影响,有些还存在着某种联系,数据挖掘技术与方法中的AprioriAlgorithm正适合于去解决特征值数据之间的关联关系.
基于大规模数据分析,结合数理统计理论,将故障结果与汽车运行数据采集设备状态参数都作为输入值,每次的输出模型不确定,关键挖掘故障结果与数据采集设备诊断状态参数之间的关联关系,找出输入参数之间的关联度及关联规则[11-13].
这种动态建模的方式无需反复构建模型,通过不断修正回归系数,保证了输入参数之间的高度相关性,而且对评价指标参数没有特殊要求,没有模型固化等问题,甚至可以将个性化、差异化因素考虑进来,只要存在海量数据,采用适当的大数据挖掘方法,就能分析出各因素之间的关系,前提是要求诊断状态参数准确和有足够的数据量,才能将多源、不同时空维度的海量数据融合与集成,发现它们之间隐藏的内在关联关系.
该方法同样适用于维修厂、保险公司等单位远程对汽车故障进行诊断、定损.
近年来,车载设备维护人员工作负担重已成为常态,因而车载设备故障数据挖掘与分析对汽车运行维护和管理具有重要的指导意义.
为了克服传统的数据采集设备故障诊断方法中专家主观意见的影响和模型固化的弊端,本文提出了基于数据挖掘技术的汽车运行数据采集设备远程故障诊断方法,采用轮廓系数k-means聚类算法进行故障分类,用Apriori关联算法得出状态参量之间的强弱关系,配合相关性系数构造故障诊断矩阵.
最后通过实证案例验证了方法的准确性和可行性.
1故障诊断状态参数数据挖掘理论汽车运行数据采集设备故障诊断状态参数量大而且繁杂,相关状态参数之间存在千丝万缕的联系,需要对这些参数进行数据挖掘,进而认识故障诊断状态参数之间的相关关系,找出它们之间的系统性关联,并对预估的相关关系准确性进行评价.
数据采集设备出现故障会在ECU中监测出来并报警提示,积累故障异常状态参量数据进行挖掘,常用比较成熟的k-means聚类分析方法,该算法核心是确定对象的中心点,关键是确定k值,选取的k值决定了聚类效果.
为获得理想的k值,用轮廓系数评估聚类效果,第i个元素轮廓系数为max(mi,ni).
(1)其中:ni是同簇内第i个元素与其他元素之间的平均距离;簇外选取某一簇m,计算m中所有元素与该元素的平均距离,找出最小值,用mi表示,mi=min{mi1,mi2,,mij}.
当nimi时,Si=ni/mi-1.
Si越接近1,表明聚类效果越好.
另一方面,通过AprioriAlgorithm关联规则分析,将各个故障状态参数进行组合、聚类分析和提取特征值,进而分析故障状态参数之间相互影响程度.
设AprioriAlgorithm中X为输入采集设备诊断状态参数,Y为故障参数.
一般地,若X,则Y,表示为X→Y.
其中,X为一个或多个参数的集合,Y为一个状态参数的集合.
关联规则所涉及的一个事务称为一个项目,由汽车安全与节能学报56第10卷第1期2019年不同的项目构成的集合称为项集[4].
设事务T合集有n个事务,由m项组成,T={I1,I2,,Im};D={T1,T2,,Tn},是关联规则的待挖掘库.
对于X→Y关联规则,设N(X∪Y)为含有项集X、Y的数量,其支持度表示为(2)用置信度C表示同时包含项集X和Y的概率,即(3)支持度S和置信度C是评价关联规则优劣的2个关键指标[6].
设置S和C的边界阈值,来探索和挖掘出使S和C的关联度同时较高的AprioriAlgorithm.
上述算法在汽车运行数据采集设备远程故障诊断应用中,要挖掘出某些异常诊断状态参数出现时发生某些故障的可能性,也就是远程诊断状态参数与故障之间的关系,计算出诊断状态参数与设备故障的相关系数,构建汽车运行数据采集设备故障远程诊断矩阵R.
采用计量经济学中的计算方法,若令cov(X,Y)为X与Y的协方差,var[X]为X的方差,var[Y]为Y的方差,则相关系数定义为r(4)相关系数r的取值范围是[0,1],取值为0表示2个变量之间无线性关系,取值为1表示2个变量之间完全相关.
远程诊断状态参数用向量U表示,U=[U1,U2,,Uw]T,第t个诊断参数为Ut,t∈[1,w].
数据采集设备故障用向量B表示,B=[B1,B2,,Bz]T,第r种设备故障为Br,r∈[1,z].
设备在第t个状态下的相关系数用Rrt表示.
算出所有状态下的相关系数,求得相关系数矩阵R.
最终,故障诊断结果向量为F=R*K.
(5)其中:K=[K1,K2,,Kt,,Kz]T,表示数据采集设备远程故障诊断实测数据向量,在F=[F1,F2,,Ft,,Fw]T中,每个元素表示该实测数据与各数据采集设备故障的隶属度.
选取隶属度最大的故障作为最终对设备故障的远程诊断结果.
2算例本文采用内蒙古道路运输企业节能降耗监控技术研究和"中国工况"数据库中的大数据为挖掘对象,进行汽车运行数据采集设备远程故障诊断研究.
2.
1样本数据收集上述两个项目在内蒙古地区共收集96辆车一整年度内的汽车运行数据,采集的数据通过专用数据采集设备传输至数据库,如图1所示.
图1数据采集器通常每天均有部分数据采集设备存在某些故障,为挖掘出设备故障原因及对应车辆,首先对车辆进行编号,用Cv表示(v=1,2,,96).
故障参数代码用Gu表示(u=1,2,,20).
对各故障和缺陷进行远程诊断状态参数赋值.
造成缺陷的成因很多,有参数设置、设备质量、全球定位系统(globalpositioningsystem,GPS)信号弱、控制器局域网络(controllerareanetwork,CAN)总线通讯故障、接触欠佳、超期使用、产品设计等,故障和缺陷可能发生在程序元件、供电、接线、显示器、功能模块等,通常将缺陷分为一般、重大和紧急3种情况.
对诊断状态参数进行数据挖掘,本文构建的知识图谱获得设备异常结果即可,即判断参数是否异常,无需关注设备故障等级,简化了处理数据的难度.
所以,Gu=1表示该参数异常,出现故障,Gu=0表示该参数正常,无故障.
本文根据实际情况共考虑18组诊断状态参数.
2.
2聚类分析聚类分析k-means算法将样本聚类k个簇,对Gu∈Γn训练.
首先随机抽取k个聚类质心,(τ1,τ2,,τm)∈Γn;假设簇划分为(C1,C2,,Ck),计算每个样例i应该属于的类为(6)57张宏:基于数据挖掘的汽车运行数据采集设备故障诊断方法其中,τj是Ci的均值,即质心.
重新计算类j的质心为μ∈Ci(7)经反复计算,直到收敛.
在样本数据的预处理阶段,采用合并层次聚类分析方法,k-means将所有故障分为3—6类,所以k=3,4,5,6,通过聚类簇数k的轮廓系数Si对聚类结果进行评估.
不同聚类簇数k对应的轮廓系数如表1所示.
由表1可知:当故障设备分为5类进行聚类所得效果最好.
对18组故障进行聚类,结合中国工况数据采集设备生产厂家经验和设备使用背景,聚类分析结果如表2所示.
表1聚类簇数-轮廓系数对应关系表聚类簇数k轮廓系数Si30.
40240.
43550.
45260.
449表2设备故障聚类结果(k=5)序号故障设备故障现象故障1C3、C4、C6、C12、C18GPS信号弱故障2C11、C13、C16接触不良故障3C8、C10、C14、C15、C17供电不足故障4C1、C5、C7CAN信号异常故障5C2、C9漏电2.
3故障远程诊断若获得比较理想的关联规则,需合理选择支持度S和置信度C.
确定关联规则中的支持度和置信度是非常重要的,不同的支持度S阈值和置信度C阈值产生的规则数不同,如表3所示.
在本文中,因诊断状态参数种类多,减少规则数能生成更有效的关联规则,如图2所示.
为简化规则总数,Q1代表规则前项为单一项集的规则集合;Q2代表规则后项为Y的规则集合;Q3代表规则前项为X的规则集合.
样本量太大会导致各类型样本数占比较低,因此通过观察图2和比较,支持度设置为S=0.
12,置0204060800.
50.
60.
70.
8数最小置信度01002000.
50.
60.
70.
8数最小置信度01002003000.
50.
60.
70.
8数最小置信度02040600.
50.
60.
70.
8数最小置信度Q1Q2Q3(a)支持度0.
11(b)支持度0.
12(c)支持度0.
13(d)支持度0.
14图2简化后不同支持度和置信度下的关联规则数汽车安全与节能学报58第10卷第1期2019年表5CATC轻型车数据采集设备故障处理案例故障状态原因处理方法安装时灯都不闪烁.
CAN或K线不通,电源不通,或车型不匹配.
检查线路,更换车辆.
安装时GPS、GSM灯都不亮.
GPS接收信号弱,车辆有遮蔽物(或车辆贴有金属隔热膜).
移动到空旷地方,更换车辆.
GSM(上绿灯)不持续2次/秒闪烁.
流量卡接触不良、没有激活、没有流量.
4G卡加3M电工胶粘贴,如使用小卡加卡套,将小卡先贴3M电工胶,放入卡套后整个贴3M胶.
CAN、K线闪烁频率不正确.
车型不匹配.
更换车辆.
数据采集设备运行一段时间后,没有数据,灯正常.
数据采集设备安装时没有稳固,导致写SD卡出错.
使用标准配件魔术贴固定好设备后,升级文件,删除SD卡中文件夹外全部文件,剪切文件夹到电脑,格式化SD卡,放入升级文件中全部文件,修改VIN,将SD卡正面贴一层3M胶,放入设备运行.
GSM绿灯持续1次/秒闪烁,不通信.
数据采集设备故障.
更换数据采集设备.
启动时CAN、K线亮红灯(下面红灯亮).
SD卡接触不良.
将SD卡正面贴一层3M胶,删除SD卡中文件夹外全部文件、删除文件夹中最新日期文件,放入升级文件,修改VIN,再运行数据采集设备.
车辆保险烧坏、金属连接器位置正常.
配套线束短路.
更换线束.
车辆保险烧坏、金属连接器位置角度大.
数据采集设备连接器移位.
更换数据采集设备.
车辆运行后出现警告或不正常警告灯,启动慢.
车型匹配不好.
更换车辆.
注释:SD—安全数字卡(securedigitalcard,SD);3M—明尼苏达矿业制造公司(MinnesotaMiningandManufacturing)VIN—车辆识别码(vehicleidenticationnumber)GSM—全球通(globalsystemformobilecommunications)信度设置为C=0.
6较好,关联规则数目处于可接受范围,可靠性好.
经过筛选,得出对分析汽车运行数据采集设备故障比较有借鉴意义的关联规则18项,支持度S=0.
12267,AprioriAlgorithm挖掘方法得到的结果如表4所示.
表3不同支持度S和置信度C生成的关联规则数量C阈值关联规则数量S=0.
110.
120.
130.
140.
5130765185543119650297510.
6129981183451114827276260.
7126629177205108769272310.
812297616986310208726398从表4中可以得出高支持度的关联规则,汽车运行数据采集设备状态参数主要集中在GPS信号弱和供电不足.
说明这2个故障是采集设备数据传输至数据库过程中容易出现问题的地方.
由于内蒙古地质情况复杂,往往会出现GPS收不到信号或信号数量不足5颗星的情况;在内蒙古地区安装数据采集设备的轻型汽车多为私家车,占86%,车辆用途主要为代步,数据采集设备在车辆停驶期间依然耗电,导致再次启动汽车后设备供电不足.
实验结果与现场实际情况相吻合.
以接触不良故障模式为案例,会出现在线情况空白、设备与平台未通讯、绝缘电阻、引出线等异常状态.
绘制接触不良故障模式下各种异常状态参数与接触不良的相关性系数,可以得到接触不良故障与各状态参数之间的相关关系,如图3所示,接触不良点电阻增加,通过测温器可找出此点.
中国汽车检测工况(ChinaAutomotiveTestCycle,CATC)项目的数据采集设备已使用2年.
针对高发故障,总结CATC轻型车数据采集设备运行过程中出现的故障及处理方法,如表5所示.
表4基于项集的关联规则序号关联规则置信度1接触不良+GSM信号→工作站0.
651272参数设置+设备质量→功能0.
876123GPS信号+接触不良→测控0.
976244设备质量+超期使用→工作站0.
6512717CAN信号+产品设计→测控0.
6512718CAN信号+接触不良→工作站1.
0000059张宏:基于数据挖掘的汽车运行数据采集设备故障诊断方法从故障状态及处理历史记录来看,GPS、CAN、GSM信号弱和接触不良故障比例较大,数据采集设备使用过程中,一方面是设备接收信号弱导致,另一方面由于车辆振动导致GSM、CAN接触不良.
可见,使用关联规则挖掘出的故障与设备实际维修结果相符.
3结论本文基于大数据挖掘技术k-means聚类算法和Apriori算法对汽车运行数据采集设备远程故障诊断进行了分析与研究,以案例分析的形式将此方法应用于中国工况数据采集设备故障的数据挖掘与分析中,通过分析数据挖掘的结果,得到如下结论:采用k-means聚类算法挖掘了数据采集设备的故障模式,确定了分类故障的数目,该方法能指出生产厂家在设备生产与制造中存在的问题,使厂家能有针对性地制定改进方案.
AprioriAlgorithm挖掘了数据采集设备特征参数之间的关联规则,计算了相关性,实现了设备多参数组合,该方法能有效找出数据采集设备的故障环节和原因,给数据采集设备的运行维护与管控,提供参考依据.
本文方法在数据清理阶段采用人工的方式,易出错;尚存在数据安全隐患和隐私问题,描述故障现象时存在差异和信息残缺,效率不高等缺点.
作者下一步将重点提升海量数据和不同的数据类型的清理效率.
参考文献(References)[1]WittenIH,FrankE,HallMA,etal.
DataMining:Practicalmachinelearningtoolsandtechniques[M].
SanFrancisco:MorganKaufmann,2016:83-139.
[2]LaroseDT,LaroseCD.
DiscoveringKnowledgeinData:AnIntroductiontoDataMining[M].
Hoboken:JohnWiley&Sons,2014:25-45.
[3]ChenPhilipCL,ZHANGChunyang.
Data-intensiveapplications,challenges,techniquesandtechnologies:Asurveyonbigdata[J].
InfoSciences,2014,275:314-347.
[4]张延旭,胡春潮,黄曙,等.
基于Apriori算法的二次设备缺陷数据挖掘与分析方法[J].
电力系统自动化,2017,41(19):147-151+163.
ZHANGYanxu,HUChunchao,HUANGShu,etal.
Apriorialgorithmbaseddataminingandanalysismethodforsecondarydevicedefects[J].
AutomatElectricPowerSyst,2017,41(19):147-151+163.
[5]胡军,尹立群,李振,等.
基于大数据挖掘技术的输变电设备故障诊断方法[J].
高电压技术,2017,43(11):3690-3697.
HUJun,YINLiqun,LIZhen,etal.
Faultdiagnosismethodoftransmissionandtransformationequipmentbasedonbigdataminingtechnology[J].
HighVoltageEngi,2017,43(11):3690-3697.
[6]刘云,向婵.
基于虚构理论对不平衡数据集中少数关联规则挖掘的研究[J].
云南大学学报:自然科学版,2017,39(1):33-38.
LIUYun,XIANGChan.
Researchonassociationruleminingforminorityclassesofunbalanceddatabasebyconfabulationtheory[J].
JYunanUniv:NatSci,2017,39(1):33-38.
[7]KuJH.
AstudyonpredictionmodelofequipmentfailurethroughanalysisofbigdatabasedonRHadoop[J].
WirelessPersCommun,2018,98(4):3163-3176.
[8]LIUBinghan,FUZhongguang,WANGPengkai,etal.
Big-data-mining-basedimprovedk-meansalgorithmforenergyuseanalysisofcoal-redpowerplantunits:Acasestudy[J].
Entropy,2018,20(9),doi:10.
3390/e20090702.
[9]AmruthnathN,GuptaT.
Faultclasspredictioninunsupervisedlearningusingmodel-basedclusteringapproach[C]//InfoandComputerTech(ICICT),2018Int'lConf,IEEE,2018:5-12.
[10]SHENGGehao,HOUHuijuan,JIANGXiuchen,etal.
Anovelassociationruleminingmethodofbigdataforpowertransformersstateparametersbasedonprobabilisticgraphmodel[J].
IEEETSmartGrid,2018,9(2):695-702.
[11]ZHANGFeng,LIUMin,GUIFeng,etal.
AdistributedfrequentitemsetminingalgorithmusingSparkforBigDataanalytics[J].
ClusterComput,2015,18(4):1493-1501.
[12]ZHOUXinhao,HUANGYongfeng.
AnimprovedparallelassociationrulesalgorithmbasedonMapReduceframeworkforbigdata[C]//FuzzySystemsandKnowledgeDiscovery(FSKD),201411thInt'lConf,IEEE,2014:284-288.
[13]WUXindong,ZHUXingquan,WUGongqing,etal.
Dataminingwithbigdata[J].
IEEETKnowlDataEng,2014,26(1):97-107.
00.
51未通讯接线绝缘电阻引出线在线空白相关性系数状态参数名称图3接触不良故障模式下状态参数与其相关性系数