吴星辰

（中车长春轨道客车股份有限公司国家轨道客车工程技术研究中心，吉林长春 130000）

对城市轨道车辆运行状态的实时监测，并对监测结果进行处理、分析，实现数据驱动、模型驱动的城市轨道车辆故障的分析、预测，为城市轨道车辆延长检修周期、优化检修内容、优化修程和修制、提升检修效率、促进动车组检修服务方式的转变和安全运营提供了重要保证，国内外对城市轨道车辆运行状态数据的异常检测进行了大量研究。城市轨道车辆关键系统和部件种类繁杂，车辆运营时间长，传统基于阈值和机理的异常检测、分析方法已无法适用于海量、实时的城市轨道车辆时序数据分析要求。随着人工智能、大数据和云计算等新兴技术的产生和发展，机器学习算法逐渐被应用于解决工业设备的时序数据异常检测领域。

异常检测就是将数据集中偏离数据簇的数据检测出来，而时序数据的异常检测在上个世纪末就在各个领域得到了广泛应用。

Knorr和Ng通过计算数据点和目标之间的欧氏距离实现异常点的检测，实现最初基于空间距离的异常检测算法[1-2]。Breuin等[3]根据数据集中、数据密度分布不均的特点，提出了基于密度的异常检测算法，此算法处理大数据集时复杂度过高，无法取得时间复杂度与检测精度间的平衡。Eamoon等[4]通过将时间序列符号化，通过符号检索出时间序列中的异常子序列，实现了对时间序列中异常子序列的检测。高嘉伟等[5]提出了一种基于密度和网格的聚类算法，引入动态划分网格的方法，通过当前数据块内数据的特征，动态设置网格划分、网格密度阈值等参数并自适应生成网格，适用于处理轨迹信息等时序数据流的异常检测问题。……