CN107947984B - 一种面向铁路客运服务的故障预测处理方法及其系统 - Google Patents

一种面向铁路客运服务的故障预测处理方法及其系统 Download PDF

Info

Publication number
CN107947984B
CN107947984B CN201711194030.0A CN201711194030A CN107947984B CN 107947984 B CN107947984 B CN 107947984B CN 201711194030 A CN201711194030 A CN 201711194030A CN 107947984 B CN107947984 B CN 107947984B
Authority
CN
China
Prior art keywords
fault
data
terminal
prediction
module
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201711194030.0A
Other languages
English (en)
Other versions
CN107947984A (zh
Inventor
陈根土
钱红兴
沈新锋
钟娟娟
唐宗生
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhejiang Insigma Electric Technology Co ltd
Original Assignee
Zhejiang Insigma Electric Technology Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Zhejiang Insigma Electric Technology Co ltd filed Critical Zhejiang Insigma Electric Technology Co ltd
Priority to CN201711194030.0A priority Critical patent/CN107947984B/zh
Publication of CN107947984A publication Critical patent/CN107947984A/zh
Application granted granted Critical
Publication of CN107947984B publication Critical patent/CN107947984B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/06—Management of faults, events, alarms or notifications
    • H04L41/0631—Management of faults, events, alarms or notifications using root cause analysis; using analysis of correlation between notifications, alarms or events based on decision criteria, e.g. hierarchy, tree or time analysis
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/14—Network analysis or design
    • H04L41/142—Network analysis or design using statistical or mathematical methods
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/14—Network analysis or design
    • H04L41/145—Network analysis or design involving simulating, designing, planning or modelling of a network
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/14—Network analysis or design
    • H04L41/147—Network analysis or design for predicting network behaviour

Abstract

本发明涉及系统故障预测技术领域，尤其是涉及一种面向铁路客运服务的故障预测处理方法及其系统。本发明包括：(1)铁路客运服务系统各终端发送实时数据多采样率数据信号Xn；(2)铁路客运服务系统的多采样率数据采集模块采集多采样率数据信号Xn并实时发送至核偏最小二乘法故障预测模块；(3)核偏最小二乘法故障预测模块对多采样率数据信号Xn进行核偏最小二乘建模并进行故障预测得到核偏最小二乘法故障预测数据信号Xns等。本发明提供的故障检测方法和系统中通过三种数据的对比从而解决了现有技术中存在的系统单一故障预测检验和维修模式，进一步提高了容错率和可靠性。

Description

一种面向铁路客运服务的故障预测处理方法及其系统
技术领域
本发明涉及系统故障预测技术领域，尤其是涉及一种面向铁路客运服务的故障预测处理方法及其系统。
背景技术
随着信息化水平提升，目前铁路车站的客运服务大量应用自助取票机、进站X光安检机、旅客身份核验设备、自动检票闸机、车次信息显示大屏幕等电子设备；这些设备一旦发生故障，就会给客运服务带来困难，容易造成人员滞留拥堵等安全问题。因此，对于铁路车站电子设备的故障隐患早发现早排除是一个重要的工作。事实上，电子设备发生故障之前都会出现一些指标的表征，比如耗电量发生异常、温度异常升高、通信信号时断时续、设备收发数据速率和数据量异常，等等。
传统的控制系统是通过点对点的方法进行节点间信息的传输。然而当控制对象变得十分的复杂的时候，控制系统的分布区域也随之不断地扩大，传统的点对点控制系统布线繁琐，可扩展性随之变差。于此同时控制系统的成本变的非常昂贵而可靠性却在降低，传统的控制系统已经难以满足社会发展的需求。21世纪信息技术的发展以及控制系统的需求的提高，使得计算机和网络技术应用于控制系统，将网络作为各个节点间的信息传输的媒介，由此产生网络控制系统(Networked Control Systems,NCSs)。它是利用通信网络来传输传感器、控制器、执行器等节点信息的闭环控制系统，使得比较复杂和各个部件不能在同一物理空间的控制系统在生活的各个方面得以应用。将各个功能节点间采用网络进行信息传输，大大地减少了布线的成本，解决了传统点对点控制系统所带来的一些根本性问题。同时通过通信网络这种载体进行信息传输还可以实现信息资源的共享并减少系统的布线，使控制系统易于安装和维护，降低了系统的扩展成本，增加了系统的灵活性。网络控制系统(NCSs)使得控制系统不再受到地理空间的约束，开阔了其应用范围和前景，如智能交通系统、铁路车站客运服务控制系统等。由于科技发展速度很快，随着工业过程的现代化水平也提高了很多，这些系统也变得越来越复杂，系统规模也一直在扩大，当这些复杂的系统发生故障时，可能会造成灾难性的事故。所以，需要建立一个实时的监测系统，实时的监测系统的变化以及故障是否发生，从而提高系统的可靠性和安全性。在这种时代背景的推动下，故障检测技术快速发展起来了。过程监控技术的出现为提高复杂的过程工业系统的安全性能打开了一条新的途径。考虑到实际的系统的运行流程，为了防止运行过程中由于某种故障的出现致使整个服务流程的瘫痪，必须在故障发生伊始迅速进行有效处理，维持系统的工程基本正常，从而提高设备的利用效率和使用安全性，保证生产过程安全可靠地进行。过程监控技术是指在系统运行状态或工作状态下，通过各种检测手段判断其是否正常工作。针对异常工况，进行识别并判别出现异常状况的原因。给现场的职员一个提醒，有效地帮操作人员解决过程中存在的异常情况。或者，在事故未发生之前，对将会发生的事故进行预报，方便操作员及时采取防护措施或处理手段，避免事故的发生，降低车站因事故带来的经济损失。
发明内容
本发明的目的在于提供一种面向铁路客运服务的故障预测处理方法及其系统，以解决现有技术中存在的复杂的客运服务系统节点和系统故障难以预测和处理的问题，以保障铁路客运服务控制系统整体故障的及时预测、查找、定位和处理。
一种面向铁路客运服务的故障预测处理方法，包括如下步骤：
(1)铁路客运服务系统各终端发送实时数据多采样率数据信号Xn，n∈N，n为终端序号，N为自然数；
(2)铁路客运服务系统的多采样率数据采集模块采集多采样率数据信号Xn并实时发送至核偏最小二乘法故障预测模块；
(3)核偏最小二乘法故障预测模块对多采样率数据信号Xn进行核偏最小二乘建模并进行故障预测得到核偏最小二乘法故障预测数据信号Xns；
(4)核偏最小二乘法故障预测模块将核偏最小二乘法故障预测数据信号Xns发送至预测数据接收模块；
(5)铁路客运服务系统的网络通讯数据包采集模块采集系统通信数据包Hn并实时发送至网络控制系统故障预测模块；
(6)网络控制系统故障预测模块对系统通信数据包Hn进行故障预测得到系统通信数据包故障预测信号Hns；
(7)网络控制系统故障预测模块将系统通信数据包故障预测信号Hns发送至预测数据接收模块；
(8)铁路客运服务系统的数据流采集模块采集系统流数据Pn并实时发送至流数据故障预测模块；
(9)流数据故障预测模块将对系统流数据Pn进行故障预测得到系统流数据故障预测信号Pns；
(10)流数据故障预测模块将系统流数据故障预测信号Pns发送至预测数据接收模块；
(11)预测数据接收模块将核偏最小二乘法故障预测数据信号Xns、系统通信数据包故障预测信号Hns和系统流数据故障预测信号Pns发送至预测数据对比模块；
(12)预测数据对比模块将核偏最小二乘法故障预测数据信号Xns、系统通信数据包故障预测信号Hns和系统流数据故障预测信号Pns中重复的元素Ins提取出来发送至铁路客运服务系统的故障处理模块；预测数据对比模块将核偏最小二乘法故障预测数据信号Xns、系统通信数据包故障预测信号Hns和系统流数据故障预测信号Pns中未重复的元素Qns发送至铁路客运服务系统的故障预警模块；
(13)故障处理模块切断元素Ins对应的铁路客运服务系统的终端的控制信号和电源并发送该终端编号至维修通知模块；
(14)故障预警模块联通未重复的元素Qns对应的铁路客运服务系统的终端的故障预警装置并将该终端编号发送至维修通知模块；
(15)维修通知模块分别提示元素Ins对应的铁路客运服务系统的终端为故障终端，元素Qns对应的铁路客运服务系统的终端为预测故障终端；并按照预先设置在系统中的各终端的权重U按照由大到小的顺序进行排列；
(16)故障维修模块对预测故障终端和故障终端进行故障维修。
所述的核偏最小二乘法故障预测模块对多采样率数据信号Xn进行核偏最小二乘建模并进行故障预测得到核偏最小二乘法故障预测数据信号Xns的具体步骤包括：
(3.1)采集客运服务系统正常运行时间段TI的历史数据并进行归一化；
(3.2)计算客运服务系统历史数据的协方差矩阵的特征值λn与特征向量
Figure BDA0001481608910000031
(3.3)确定所需的各终端的个数，建立离线模型：对多采样率数据信号Xn进行归一化处理，将处理后的数据记为
Figure BDA0001481608910000032
构建数据矩阵S，
Figure BDA0001481608910000033
P为核偏最小二乘法故障预测模块的原始数据矩阵的负载矩阵，T为转置，
Figure BDA0001481608910000034
(3.4)获得核偏最小二乘法故障预测模块的观测变量在残差子空间中的变化律：
E＝Xn(I-PPT)Xn T
(3.5)计算核偏最小二乘法故障预测数据信号Xns并与各终端对应的控制限进行比较，确定是否有故障发生；
Xns＝ES。
所述的网络控制系统故障预测模块对系统通信数据包Hn进行故障预测得到系统通信数据包故障预测信号Hns的具体步骤包括：
(6.1)对铁路客运服务系统的通信数据包Hn的回归系数矩阵Mk进行奇异值分解：
Figure BDA0001481608910000041
M1、M2分别为系统通信数据包Hn和回归系数矩阵的统计量；
(6.2)对初始通信数据包K的核矩阵的球形核矩阵K*进行正交分解：
Figure BDA0001481608910000042
Figure BDA0001481608910000043
Figure BDA0001481608910000044
Figure BDA0001481608910000045
(6.3)获取铁路客运服务系统的联通部分终端的得分向量：
Figure BDA0001481608910000046
Figure BDA0001481608910000047
(6.4)分别结算
Figure BDA0001481608910000048
和
Figure BDA0001481608910000049
的子空间的统计量：
Figure BDA00014816089100000410
Figure BDA00014816089100000411
(6.5)根据各终端所对应的实时统计量分别与
Figure BDA00014816089100000412
和
Figure BDA00014816089100000413
子空间的统计量进行对比，如果与
Figure BDA00014816089100000414
和
Figure BDA00014816089100000415
子空间的统计量的任何一个不匹配，即确定为故障终端；如果与
Figure BDA00014816089100000416
和
Figure BDA00014816089100000417
子空间的统计量的任何一个相匹配，则确定为正常终端；
(6.6)将故障终端和正常终端的结果集合为系统通信数据包故障预测信号Hns。
所述的流数据故障预测模块将对系统流数据Pn进行故障预测得到系统流数据故障预测信号Pns包括如下步骤：
(9.1)提取系统流数据Pn的终端件事件序列L，L＝[τ1，τ2，τ3…τn]，τn为数据流中第n个终端的事件；
(9.2)将数据流中第n个终端的事件τn与系统流数据Pn的数据类型EVENT进行对应，τn＝{SN，WS，[[(k1，v1)，…(kn，vn)]]}；
SN为EVENT的序号，WS为EVENT的kn的长度，kn为数据窗口，序号vn为时间窗口；
(9.3)计算数据流负载量：
Figure BDA0001481608910000051
为当前EVENT最后一项kn的记录；
Figure BDA0001481608910000052
为当前EVENT最后一项vn的记录；
(9.4)流数据故障预测模块将数据流负载量封装后由流数据故障预测模块内部的前驱处理单元计算出该数据流负载量所在的上游数据流负载量的总量：
Figure BDA0001481608910000053
(9.5)评价上游数据流负载量的总量的值是否超过预先设定的数据流负载量，若超过预先设定的数据流负载量，则判断为异常数据流，重新设定该系统流数据Pn为Pns1；若未超过预先设定的数据流负载量，则判断为正常数据流，重新设定该系统流数据Pn为Pns2,Pns＝Pns1+Pns2。
所述的铁路客运服务系统各终端包括自助取票机、进站X光安检机、旅客身份核验设备、自动检票闸机、车次信息显示大屏幕和工作人员终端；所述的核偏最小二乘法故障预测数据信号Xns、系统通信数据包故障预测信号Hns和系统流数据故障预测信号Pns中的元素均包含有铁路客运服务系统各终端的序号n；所述的故障维修模块对预测故障终端和故障终端进行故障维修包括如下步骤：
(16.1)节点故障检测：系统使用故障维修模块的管理全局终端配置信息，实现集中式的信息管理，观察系统中终端连接状况，超过时间阈值at未响应，判定终端故障；
(16.2)处理单元部署：检测到某终端故障后，铁路客运服务系统立即在其他节点部署新的操作实例，接管故障终端处理任务；处理单元部署时间表示为bt；
(16.3)处理状态恢复：从外存中读取最新的检查点文件，通过反序列化进行处理单元状态重构，通过记录检查点状态备份时间tt以代表其状态恢复时间；c
(16.4)传输链接建立：重新确定铁路客运服务系统上下游终端的分区和连接关系，初始化数据传输链接配置；
(16.5)上游数据重演：处理单元状态恢复后，上游终端依据EVENT序列号信息重新发送EVENT，数据重演时间，故障恢复时上游节点需重新发送EVENT数据。
一种面向铁路客运服务的故障预测处理系统，包括：
铁路客运服务系统终端：铁路客运服务系统各终端发送实时数据多采样率数据信号Xn，n∈N，n为终端序号，N为自然数；
多采样率数据采集模块：采集多采样率数据信号Xn并实时发送至核偏最小二乘法故障预测模块；
核偏最小二乘法故障预测模块：对多采样率数据信号Xn进行核偏最小二乘建模并进行故障预测得到核偏最小二乘法故障预测数据信号Xns；将核偏最小二乘法故障预测数据信号Xns发送至预测数据接收模块；
网络通讯数据包采集模块：采集系统通信数据包Hn并实时发送至网络控制系统故障预测模块；
网络控制系统故障预测模块：对系统通信数据包Hn进行故障预测得到系统通信数据包故障预测信号Hns；
网络控制系统故障预测模块：将系统通信数据包故障预测信号Hns发送至预测数据接收模块；
数据流采集模块：采集系统流数据Pn并实时发送至流数据故障预测模块；
流数据故障预测模块：将对系统流数据Pn进行故障预测得到系统流数据故障预测信号Pns；将系统流数据故障预测信号Pns发送至预测数据接收模块；
预测数据接收模块：将核偏最小二乘法故障预测数据信号Xns、系统通信数据包故障预测信号Hns和系统流数据故障预测信号Pns发送至预测数据对比模块；
预测数据对比模块：将核偏最小二乘法故障预测数据信号Xns、系统通信数据包故障预测信号Hns和系统流数据故障预测信号Pns中重复的元素Ins提取出来发送至铁路客运服务系统的故障处理模块；预测数据对比模块将核偏最小二乘法故障预测数据信号Xns、系统通信数据包故障预测信号Hns和系统流数据故障预测信号Pns中未重复的元素Qns发送至铁路客运服务系统的故障预警模块；
故障处理模块：切断元素Ins对应的铁路客运服务系统的终端的控制信号和电源并发送该终端编号至维修通知模块；
故障预警模块：联通未重复的元素Qns对应的铁路客运服务系统的终端的故障预警装置并将该终端编号发送至维修通知模块；
维修通知模块：分别提示元素Ins对应的铁路客运服务系统的终端为故障终端，元素Qns对应的铁路客运服务系统的终端为预测故障终端；并按照预先设置在系统中的各终端的权重U按照由大到小的顺序进行排列；
故障维修模块：对预测故障终端和故障终端进行故障维修。
所述的核偏最小二乘法故障预测模块对多采样率数据信号Xn进行核偏最小二乘建模并进行故障预测得到核偏最小二乘法故障预测数据信号Xns的具体步骤包括：
(3.1)采集客运服务系统正常运行时间段TI的历史数据并进行归一化；
(3.2)计算客运服务系统历史数据的协方差矩阵的特征值λn与特征向量
Figure BDA0001481608910000071
(3.3)确定所需的各终端的个数，建立离线模型：对多采样率数据信号Xn进行归一化处理，将处理后的数据记为
Figure BDA0001481608910000072
构建数据矩阵S，
Figure BDA0001481608910000073
P为核偏最小二乘法故障预测模块的原始数据矩阵的负载矩阵，T为转置，
Figure BDA0001481608910000074
(3.4)获得核偏最小二乘法故障预测模块的观测变量在残差子空间中的变化律：
E＝Xn(I-PPT)Xn T
(3.5)计算核偏最小二乘法故障预测数据信号Xns并与各终端对应的控制限进行比较，确定是否有故障发生；
Xns＝ES。
所述的网络控制系统故障预测模块对系统通信数据包Hn进行故障预测得到系统通信数据包故障预测信号Hns的具体步骤包括：
(6.1)对铁路客运服务系统的通信数据包Hn的回归系数矩阵Mk进行奇异值分解：
Figure BDA0001481608910000075
M1、M2分别为系统通信数据包Hn和回归系数矩阵的统计量；
(6.2)对初始通信数据包K的核矩阵的球形核矩阵K*进行正交分解：
Figure BDA0001481608910000076
Figure BDA0001481608910000081
Figure BDA0001481608910000082
Figure BDA0001481608910000083
(6.3)获取铁路客运服务系统的联通部分终端的得分向量：
Figure BDA0001481608910000084
Figure BDA0001481608910000085
(6.4)分别结算
Figure BDA0001481608910000086
和
Figure BDA0001481608910000087
的子空间的统计量：
Figure BDA0001481608910000088
Figure BDA0001481608910000089
(6.5)根据各终端所对应的实时统计量分别与
Figure BDA00014816089100000810
和
Figure BDA00014816089100000811
子空间的统计量进行对比，如果与
Figure BDA00014816089100000812
和
Figure BDA00014816089100000813
子空间的统计量的任何一个不匹配，即确定为故障终端；如果与
Figure BDA00014816089100000814
和
Figure BDA00014816089100000815
子空间的统计量的任何一个相匹配，则确定为正常终端；
(6.6)将故障终端和正常终端的结果集合为系统通信数据包故障预测信号Hns。
所述的流数据故障预测模块将对系统流数据Pn进行故障预测得到系统流数据故障预测信号Pns包括如下步骤：
(9.1)提取系统流数据Pn的终端件事件序列L，L＝[τ1，τ2，τ3…τn]，τn为数据流中第n个终端的事件；
(9.2)将数据流中第n个终端的事件τn与系统流数据Pn的数据类型EVENT进行对应，τn＝{SN，WS，[[(k1，v1)，…(kn，vn)]]}；
SN为EVENT的序号，WS为EVENT的kn的长度，kn为数据窗口，序号vn为时间窗口；
(9.3)计算数据流负载量：
Figure BDA0001481608910000091
为当前EVENT最后一项kn的记录；
Figure BDA0001481608910000092
为当前EVENT最后一项vn的记录；
(9.4)流数据故障预测模块将数据流负载量封装后由流数据故障预测模块内部的前驱处理单元计算出该数据流负载量所在的上游数据流负载量的总量：
Figure BDA0001481608910000093
(9.5)评价上游数据流负载量的总量的值是否超过预先设定的数据流负载量，若超过预先设定的数据流负载量，则判断为异常数据流，重新设定该系统流数据Pn为Pns1；若未超过预先设定的数据流负载量，则判断为正常数据流，重新设定该系统流数据Pn为Pns2,Pns＝Pns1+Pns2。
所述的铁路客运服务系统各终端包括自助取票机、进站X光安检机、旅客身份核验设备、自动检票闸机、车次信息显示大屏幕和工作人员终端；所述的核偏最小二乘法故障预测数据信号Xns、系统通信数据包故障预测信号Hns和系统流数据故障预测信号Pns中的元素均包含有铁路客运服务系统各终端的序号n；所述的故障维修模块对预测故障终端和故障终端进行故障维修包括如下步骤：
(16.1)节点故障检测：系统使用故障维修模块的管理全局终端配置信息，实现集中式的信息管理，观察系统中终端连接状况，超过时间阈值at未响应，判定终端故障；
(16.2)处理单元部署：检测到某终端故障后，铁路客运服务系统立即在其他节点部署新的操作实例，接管故障终端处理任务；处理单元部署时间表示为bt；
(16.3)处理状态恢复：从外存中读取最新的检查点文件，通过反序列化进行处理单元状态重构，通过记录检查点状态备份时间tt以代表其状态恢复时间；c
(16.4)传输链接建立：重新确定铁路客运服务系统上下游终端的分区和连接关系，初始化数据传输链接配置；
(16.5)上游数据重演：处理单元状态恢复后，上游终端依据EVENT序列号信息重新发送EVENT，数据重演时间，故障恢复时上游节点需重新发送EVENT数据。
本发明的有益效果在于：
本发明涉及的一种面向铁路客运服务的故障预测处理方法及其系统，采用三种形式的故障预测处理客服的终端，核偏最小二乘法故障预测模块对多采样率数据信号Xn进行核偏最小二乘建模并进行故障预测得到核偏最小二乘法故障预测数据信号Xns，使系统作为非线性特性的多采样率系统降低了误报率，而监控效果良好。网络控制系统故障预测模块对系统通信数据包Hn进行故障预测得到系统通信数据包故障预测信号Hns用通信序列的方法解决通信约束问题，采用描述丢包将系统建模为有限的切换系统。利用随机稳定性理论构造合适的函数，得到具有更高稳定性和性能的故障检测能力；流数据故障预测模块将对系统流数据Pn进行故障预测得到系统流数据故障预测信号Pns能够满足流数据在处理结构上对灵活性、通用性的需求。本发明提供的故障检测方法和系统中通过三种数据的对比从而解决了现有技术中存在的系统单一故障预测检验和维修模式，进一步提高了容错率和可靠性。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1示出了本发明提供的一种面向铁路客运服务的故障预测处理方法的流程图；
图2示出了本发明一种面向铁路客运服务的故障预测处理方法系统结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明提供了一种面向铁路客运服务的故障预测处理方法及其系统。本发明对铁路车站的自助取票机、进站X光安检机、旅客身份核验设备、自动检票闸机、车次信息显示大屏幕等电子设备的指标进行采集，然后通过物联网上传到车站后台的服务器进行监测分析，如果发现指标存在异常变化，且异常变化与某些故障发生的预测标准的相吻合。就给出提示，让工作人员对发生故障概率比较高的电子设备进行排查。
事实上，电子设备发生故障之前都会出现一些指标的表征，比如耗电量发生异常、温度异常升高、通信信号时断时续、设备收发数据速率和数据量异常，等等。因此，本发明提供了一种面向铁路客运服务的故障预测处理方法及其系统。本发明对铁路车站的自助取票机、进站X光安检机、旅客身份核验设备、自动检票闸机、车次信息显示大屏幕等电子设备的指标进行采集，然后通过物联网上传到车站后台的服务器进行监测分析，如果发现指标存在异常变化，且异常变化与某些故障发生的预测标准的相吻合。就给出提示，让工作人员对发生故障概率比较高的电子设备进行排查。
结合本发明的图1和图2所示的，一种面向铁路客运服务的故障预测处理方法，包括如下步骤：
(1)铁路客运服务系统通常指由包括有线网络和无线网络组成的互联网尽进行相互关联的所有设备组成的全自动一体化系统，该系统的各终端遍布整个铁路客运服务区域，包括摄像头、各类传感器、电子显示屏、安检系统、保安对讲系统、车辆调度系统等等，这些终端发送实时数据多采样率数据信号Xn，n∈N，n为终端序号，N为自然数；该系统的工作过程中一般不会使用统一的采样频率，为了适应不同的过程变量的需求，对各过程变量经常使用不同的采样频率。比如安检系统需要高的采样频率，售票系统需要低的采样频率；在该种情况下，那些采样频率比较的低的变量是变化比较小的变量，而采样频率比较高的变量是变化比较大的变量，这样来，有些变量在某些时刻就会出现没有采样值的情况。针对这样的多采样率系统，需要使用多采样率的方法对多采样率数据进行处理。
(2)铁路客运服务系统的多采样率数据采集模块采集多采样率数据信号Xn并实时发送至核偏最小二乘法故障预测模块；一般情况下，PLS只针对于过程变量是线性的情况，而当过程变量是非线性时，这种方法的检测效果并不好。为了解决这一问题，引入了核函数，当观测变量是非线性的情况时，数据被映射到相应的高维空间中，原始空间中的非线性数据结构在映射到高维的特征空间后基本上就转换成线性结构了。通过选择合适的核函数来实现线性偏最小二乘到非线性核偏最小二乘的转换。
(3)核偏最小二乘法故障预测模块对多采样率数据信号Xn进行核偏最小二乘建模并进行故障预测得到核偏最小二乘法故障预测数据信号Xns,具体步骤包括：
(3.1)采集客运服务系统正常运行时间段TI的历史数据并进行归一化；
(3.2)计算客运服务系统历史数据的协方差矩阵的特征值λn与特征向量
Figure BDA0001481608910000111
(3.3)确定所需的各终端的个数，建立离线模型：对多采样率数据信号Xn进行归一化处理，将处理后的数据记为
Figure BDA0001481608910000112
构建数据矩阵S，
Figure BDA0001481608910000113
P为核偏最小二乘法故障预测模块的原始数据矩阵的负载矩阵，T为转置，
Figure BDA0001481608910000114
(3.4)获得核偏最小二乘法故障预测模块的观测变量在残差子空间中的变化律：
E＝Xn(I-PPT)Xn T
(3.5)计算核偏最小二乘法故障预测数据信号Xns并与各终端对应的控制限进行比较，确定是否有故障发生；
Xns＝ES。
(4)核偏最小二乘法故障预测模块将核偏最小二乘法故障预测数据信号Xns发送至预测数据接收模块；预测数据接收模块通常部署在服务器中，可以通过统一的采集模式采集本系统的各类预测数据并进行分析。
(5)铁路客运服务系统的网络通讯数据包采集模块采集系统通信数据包Hn并实时发送至网络控制系统故障预测模块；尽管网络控制系统有许多的优点，然而用来传输信息的网络不可避免的带来时延，通信受限和丢包的现象，尤其是通讯限制是对控制系统有非常大影响的一个因素。通常铁路客运服务系统采用的是异步通信方式TCP通信，在同一个软件同一台机中收发数据完全正确，但当分到不同计算机上运行时通信质量时好时坏。网络带来的这些问题会减弱系统的性能甚至引起其不稳定性。
(6)网络控制系统故障预测模块对系统通信数据包Hn进行故障预测得到系统通信数据包故障预测信号Hns；具体步骤包括：
(6.1)对铁路客运服务系统的通信数据包Hn的回归系数矩阵Mk进行奇异值分解：
Figure BDA0001481608910000121
M1、M2分别为系统通信数据包Hn和回归系数矩阵的统计量；
(6.2)对初始通信数据包K的核矩阵的球形核矩阵K*进行正交分解：
Figure BDA0001481608910000122
Figure BDA0001481608910000123
Figure BDA0001481608910000124
Figure BDA0001481608910000125
(6.3)获取铁路客运服务系统的联通部分终端的得分向量：
Figure BDA0001481608910000126
Figure BDA0001481608910000127
(6.4)分别结算
Figure BDA0001481608910000128
和
Figure BDA0001481608910000129
的子空间的统计量：
Figure BDA0001481608910000131
Figure BDA0001481608910000132
(6.5)根据各终端所对应的实时统计量分别与
Figure BDA0001481608910000133
和
Figure BDA0001481608910000134
子空间的统计量进行对比，如果与
Figure BDA0001481608910000135
和
Figure BDA0001481608910000136
子空间的统计量的任何一个不匹配，即确定为故障终端；如果与
Figure BDA0001481608910000137
和
Figure BDA0001481608910000138
子空间的统计量的任何一个相匹配，则确定为正常终端；
(6.6)将故障终端和正常终端的结果集合为系统通信数据包故障预测信号Hns。上述步骤消除异常值对数据建模造成的不利影响，有效地用更精确的估计数据对过程预测，对数据中含有不同比例的异常值时，仍能保证其鲁棒性。成功地减轻了对数据的要求，并可以在工业过程获得更好的检测性能。
(7)网络控制系统故障预测模块将系统通信数据包故障预测信号Hns发送至预测数据接收模块；
(8)铁路客运服务系统的数据流采集模块采集系统流数据Pn并实时发送至流数据故障预测模块；
(9)流数据故障预测模块将对系统流数据Pn进行故障预测得到系统流数据故障预测信号Pns；包括如下步骤：
(9.1)提取系统流数据Pn的终端件事件序列L，L＝[τ1，τ2，τ3…τn]，τn为数据流中第n个终端的事件；
(9.2)将数据流中第n个终端的事件τn与系统流数据Pn的数据类型EVENT进行对应，τn＝{SN，WS，[[(k1，v1)，…(kn，vn)]]}；
SN为EVENT的序号，WS为EVENT的kn的长度，kn为数据窗口，序号vn为时间窗口；
(9.3)计算数据流负载量：
Figure BDA0001481608910000139
为当前EVENT最后一项kn的记录；
Figure BDA00014816089100001310
为当前EVENT最后一项vn的记录；
(9.4)流数据故障预测模块将数据流负载量封装后由流数据故障预测模块内部的前驱处理单元计算出该数据流负载量所在的上游数据流负载量的总量：
Figure BDA0001481608910000141
(9.5)评价上游数据流负载量的总量的值是否超过预先设定的数据流负载量，若超过预先设定的数据流负载量，则判断为异常数据流，重新设定该系统流数据Pn为Pns1；若未超过预先设定的数据流负载量，则判断为正常数据流，重新设定该系统流数据Pn为Pns2,Pns＝Pns1+Pns2。
流数据为动态数据，数据流在处理过程中持续地流入和流出系统，无法预先获得。受限于数据规模，往往只能缓存部分数据或数据概要。要求系统支持数据集的动态持续更新，并能够在不完整的数据上进行增量操作。通常使用有状态的处理机并主要依靠内存计算，以实现低延迟的持续处理。上述方法能够实时预测出恢复时间变化，帮助节点及时调整检查点周期，有效地控制了恢复时间。
(10)流数据故障预测模块将系统流数据故障预测信号Pns发送至预测数据接收模块；
(11)(11)本发明提出预测数据接收模块将核偏最小二乘法故障预测数据信号Xns、系统通信数据包故障预测信号Hns和系统流数据故障预测信号Pns发送至预测数据对比模块；
(12)预测数据对比模块将核偏最小二乘法故障预测数据信号Xns、系统通信数据包故障预测信号Hns和系统流数据故障预测信号Pns中重复的元素Ins提取出来发送至铁路客运服务系统的故障处理模块；预测数据对比模块将核偏最小二乘法故障预测数据信号Xns、系统通信数据包故障预测信号Hns和系统流数据故障预测信号Pns中未重复的元素Qns发送至铁路客运服务系统的故障预警模块；
(13)故障处理模块切断元素Ins对应的铁路客运服务系统的终端的控制信号和电源并发送该终端编号至维修通知模块；
(14)故障预警模块联通未重复的元素Qns对应的铁路客运服务系统的终端的故障预警装置并将该终端编号发送至维修通知模块；
(15)维修通知模块分别提示元素Ins对应的铁路客运服务系统的终端为故障终端，元素Qns对应的铁路客运服务系统的终端为预测故障终端；并按照预先设置在系统中的各终端的权重U按照由大到小的顺序进行排列；
(16)故障维修模块对预测故障终端和故障终端进行故障维修。所述的铁路客运服务系统各终端包括自助取票机、进站X光安检机、旅客身份核验设备、自动检票闸机、车次信息显示大屏幕和工作人员终端；所述的核偏最小二乘法故障预测数据信号Xns、系统通信数据包故障预测信号Hns和系统流数据故障预测信号Pns中的元素均包含有铁路客运服务系统各终端的序号n；所述的故障维修模块对预测故障终端和故障终端进行故障维修包括如下步骤：
(16.1)节点故障检测：系统使用故障维修模块的管理全局终端配置信息，实现集中式的信息管理，观察系统中终端连接状况，超过时间阈值at未响应，判定终端故障；
(16.2)处理单元部署：检测到某终端故障后，铁路客运服务系统立即在其他节点部署新的操作实例，接管故障终端处理任务；处理单元部署时间表示为bt；
(16.3)处理状态恢复：从外存中读取最新的检查点文件，通过反序列化进行处理单元状态重构，通过记录检查点状态备份时间tt以代表其状态恢复时间；c
(16.4)传输链接建立：重新确定铁路客运服务系统上下游终端的分区和连接关系，初始化数据传输链接配置；
(16.5)上游数据重演：处理单元状态恢复后，上游终端依据EVENT序列号信息重新发送EVENT，数据重演时间，故障恢复时上游节点需重新发送EVENT数据。
上述方法能够协调上下游节点之间的检查点操作，通过动态调整下游检查点操作，上游可及时进行数据备份修剪。流量变化期间，有效避免了容错负载过重的问题。
该发明总体上能将铁路客运服务系统的核偏最小二乘法故障预测、流数据故障预测和流数据故障预测有机结合在一起，通过三种不同的线程进行故障检测，大大增强了故障预测和处理的全覆盖能力，通过三种结果的覆盖的终端的检测结果能够更加精确。
同理的，我们提出一种面向铁路客运服务的故障预测处理系统，包括：
铁路客运服务系统终端：铁路客运服务系统各终端发送实时数据多采样率数据信号Xn，n∈N，n为终端序号，N为自然数；
多采样率数据采集模块：采集多采样率数据信号Xn并实时发送至核偏最小二乘法故障预测模块；
核偏最小二乘法故障预测模块：对多采样率数据信号Xn进行核偏最小二乘建模并进行故障预测得到核偏最小二乘法故障预测数据信号Xns；将核偏最小二乘法故障预测数据信号Xns发送至预测数据接收模块；
网络通讯数据包采集模块：采集系统通信数据包Hn并实时发送至网络控制系统故障预测模块；
网络控制系统故障预测模块：对系统通信数据包Hn进行故障预测得到系统通信数据包故障预测信号Hns；
网络控制系统故障预测模块：将系统通信数据包故障预测信号Hns发送至预测数据接收模块；
数据流采集模块：采集系统流数据Pn并实时发送至流数据故障预测模块；
流数据故障预测模块：将对系统流数据Pn进行故障预测得到系统流数据故障预测信号Pns；将系统流数据故障预测信号Pns发送至预测数据接收模块；
预测数据接收模块：将核偏最小二乘法故障预测数据信号Xns、系统通信数据包故障预测信号Hns和系统流数据故障预测信号Pns发送至预测数据对比模块；
预测数据对比模块：将核偏最小二乘法故障预测数据信号Xns、系统通信数据包故障预测信号Hns和系统流数据故障预测信号Pns中重复的元素Ins提取出来发送至铁路客运服务系统的故障处理模块；预测数据对比模块将核偏最小二乘法故障预测数据信号Xns、系统通信数据包故障预测信号Hns和系统流数据故障预测信号Pns中未重复的元素Qns发送至铁路客运服务系统的故障预警模块；
故障处理模块：切断元素Ins对应的铁路客运服务系统的终端的控制信号和电源并发送该终端编号至维修通知模块；
故障预警模块：联通未重复的元素Qns对应的铁路客运服务系统的终端的故障预警装置并将该终端编号发送至维修通知模块；
维修通知模块：分别提示元素Ins对应的铁路客运服务系统的终端为故障终端，元素Qns对应的铁路客运服务系统的终端为预测故障终端；并按照预先设置在系统中的各终端的权重U按照由大到小的顺序进行排列；
故障维修模块：对预测故障终端和故障终端进行故障维修。
所述的核偏最小二乘法故障预测模块对多采样率数据信号Xn进行核偏最小二乘建模并进行故障预测得到核偏最小二乘法故障预测数据信号Xns的具体步骤包括：
采集客运服务系统正常运行时间段TI的历史数据并进行归一化；
计算客运服务系统历史数据的协方差矩阵的特征值λn与特征向量
Figure BDA0001481608910000161
确定所需的各终端的个数，建立离线模型：对多采样率数据信号Xn进行归一化处理，将处理后的数据记为
Figure BDA0001481608910000162
构建数据矩阵S，
Figure BDA0001481608910000163
P为核偏最小二乘法故障预测模块的原始数据矩阵的负载矩阵，T为转置，
Figure BDA0001481608910000164
获得核偏最小二乘法故障预测模块的观测变量在残差子空间中的变化律：
E＝Xn(I-PPT)Xn T
计算核偏最小二乘法故障预测数据信号Xns并与各终端对应的控制限进行比较，确定是否有故障发生；
Xns＝ES。
所述的网络控制系统故障预测模块对系统通信数据包Hn进行故障预测得到系统通信数据包故障预测信号Hns的具体步骤包括：
对铁路客运服务系统的通信数据包Hn的回归系数矩阵Mk进行奇异值分解：
Figure BDA0001481608910000171
M1、M2分别为系统通信数据包Hn和回归系数矩阵的统计量；
对初始通信数据包K的核矩阵的球形核矩阵K*进行正交分解：
Figure BDA0001481608910000172
Figure BDA0001481608910000173
Figure BDA0001481608910000174
Figure BDA0001481608910000175
获取铁路客运服务系统的联通部分终端的得分向量：
Figure BDA0001481608910000176
Figure BDA0001481608910000177
分别结算
Figure BDA0001481608910000178
和
Figure BDA0001481608910000179
的子空间的统计量：
Figure BDA00014816089100001710
Figure BDA00014816089100001711
根据各终端所对应的实时统计量分别与
Figure BDA00014816089100001712
和
Figure BDA00014816089100001713
子空间的统计量进行对比，如果与
Figure BDA00014816089100001714
和
Figure BDA00014816089100001715
子空间的统计量的任何一个不匹配，即确定为故障终端；如果与
Figure BDA00014816089100001716
和
Figure BDA00014816089100001717
子空间的统计量的任何一个相匹配，则确定为正常终端；
将故障终端和正常终端的结果集合为系统通信数据包故障预测信号Hns。
所述的流数据故障预测模块将对系统流数据Pn进行故障预测得到系统流数据故障预测信号Pns包括如下步骤：
提取系统流数据Pn的终端件事件序列L，L＝[τ1，τ2，τ3…τn]，τn为数据流中第n个终端的事件；
将数据流中第n个终端的事件τn与系统流数据Pn的数据类型EVENT进行对应，τn＝{SN，WS，[[(k1，v1)，…(kn，vn)]]}；
SN为EVENT的序号，WS为EVENT的kn的长度，kn为数据窗口，序号vn为时间窗口；
计算数据流负载量：
Figure BDA0001481608910000181
为当前EVENT最后一项kn的记录；
Figure BDA0001481608910000182
为当前EVENT最后一项vn的记录；
流数据故障预测模块将数据流负载量封装后由流数据故障预测模块内部的前驱处理单元计算出该数据流负载量所在的上游数据流负载量的总量：
Figure BDA0001481608910000183
评价上游数据流负载量的总量的值是否超过预先设定的数据流负载量，若超过预先设定的数据流负载量，则判断为异常数据流，重新设定该系统流数据Pn为Pns1；若未超过预先设定的数据流负载量，则判断为正常数据流，重新设定该系统流数据Pn为Pns2,Pns＝Pns1+Pns2。
所述的铁路客运服务系统各终端包括自助取票机、进站X光安检机、旅客身份核验设备、自动检票闸机、车次信息显示大屏幕和工作人员终端；所述的核偏最小二乘法故障预测数据信号Xns、系统通信数据包故障预测信号Hns和系统流数据故障预测信号Pns中的元素均包含有铁路客运服务系统各终端的序号n；所述的故障维修模块对预测故障终端和故障终端进行故障维修包括如下步骤：
节点故障检测：系统使用故障维修模块的管理全局终端配置信息，实现集中式的信息管理，观察系统中终端连接状况，超过时间阈值at未响应，判定终端故障；
处理单元部署：检测到某终端故障后，铁路客运服务系统立即在其他节点部署新的操作实例，接管故障终端处理任务；处理单元部署时间表示为bt；
处理状态恢复：从外存中读取最新的检查点文件，通过反序列化进行处理单元状态重构，通过记录检查点状态备份时间tt以代表其状态恢复时间；c
传输链接建立：重新确定铁路客运服务系统上下游终端的分区和连接关系，初始化数据传输链接配置；
上游数据重演：处理单元状态恢复后，上游终端依据EVENT序列号信息重新发送EVENT，数据重演时间，故障恢复时上游节点需重新发送EVENT数据。
与传统的故障预测系统不同的是，本系统结合具体的预测模型的使用，基于三种模型，以数据序列为单位进行分析，更加适合于实际平台系统故障预测的应用。同时将最后的预判问题转化成为分类问题，提高了预测结果的准确性。系统所有的数据来源于实际场景中的日志数据，其中包含着丰富的有效数据，同时针对预测模型的特点，对日志数据进行了高效复杂地处理，从海量的数据中提取出真正有效的信息，提高了方法的可行性和预测结果的准确性。因此能够对于收集来的数据进行实时地计算处理，及时给出预测结果，为运维工作提供宝贵的反应时间，提高系统服务的稳定性和运维工作的效率。

Claims (4)

1.一种面向铁路客运服务的故障预测处理方法，其特征在于：包括如下步骤：
（1）铁路客运服务系统各终端发送实时数据多采样率数据信号X n ，n∈N，n为终端序号，N为自然数；
（2）铁路客运服务系统的多采样率数据采集模块采集多采样率数据信号X n 并实时发送至核偏最小二乘法故障预测模块；
（3）核偏最小二乘法故障预测模块对多采样率数据信号X n 进行核偏最小二乘建模并进行故障预测得到核偏最小二乘法故障预测数据信号X ns ；
（4）核偏最小二乘法故障预测模块将核偏最小二乘法故障预测数据信号X ns 发送至预测数据接收模块；
（5）铁路客运服务系统的网络通讯数据包采集模块采集系统通信数据包H n 并实时发送至网络控制系统故障预测模块；
（6）网络控制系统故障预测模块对系统通信数据包H n 进行故障预测得到系统通信数据包故障预测信号H ns ；
（7）网络控制系统故障预测模块将系统通信数据包故障预测信号H ns 发送至预测数据接收模块；
（8）铁路客运服务系统的数据流采集模块采集系统流数据P n 并实时发送至流数据故障预测模块；
（9）流数据故障预测模块将对系统流数据P n 进行故障预测得到系统流数据故障预测信号P ns ；
（10）流数据故障预测模块将系统流数据故障预测信号P ns 发送至预测数据接收模块；
（11）预测数据接收模块将核偏最小二乘法故障预测数据信号X ns 、系统通信数据包故障预测信号H ns 和系统流数据故障预测信号P ns 发送至预测数据对比模块；
（12）预测数据对比模块将核偏最小二乘法故障预测数据信号X ns 、系统通信数据包故障预测信号H ns 和系统流数据故障预测信号P ns 中重复的元素I ns 提取出来发送至铁路客运服务系统的故障处理模块；预测数据对比模块将核偏最小二乘法故障预测数据信号X ns 、系统通信数据包故障预测信号H ns 和系统流数据故障预测信号P ns 中未重复的元素Q ns 发送至铁路客运服务系统的故障预警模块；
（13）故障处理模块切断元素I ns 对应的铁路客运服务系统的终端的控制信号和电源并发送该终端编号至维修通知模块；
（14）故障预警模块联通未重复的元素Q ns 对应的铁路客运服务系统的终端的故障预警装置并将该终端编号发送至维修通知模块；
（15）维修通知模块分别提示元素I ns 对应的铁路客运服务系统的终端为故障终端，元素Q ns 对应的铁路客运服务系统的终端为预测故障终端；并按照预先设置在系统中的各终端的权重U按照由大到小的顺序进行排列；
（16）故障维修模块对预测故障终端和故障终端进行故障维修。
2.根据权利要求1所述的一种面向铁路客运服务的故障预测处理方法，其特征在于：所述的网络控制系统故障预测模块对系统通信数据包H n 进行故障预测得到系统通信数据包故障预测信号H ns 的具体步骤包括：
（6.1）对铁路客运服务系统的通信数据包H n 的回归系数矩阵M k 进行奇异值分解：
、分别为系统通信数据包H n 和回归系数矩阵的统计量；
（6.2）对初始通信数据包K的核矩阵的球形核矩阵K * 进行正交分解：
Figure DEST_PATH_IMAGE002
Figure DEST_PATH_IMAGE004
Figure DEST_PATH_IMAGE006
（6.3）获取铁路客运服务系统的联通部分终端的得分向量：
Figure DEST_PATH_IMAGE008
；
Figure DEST_PATH_IMAGE010
；
（6.4）分别结算和的子空间的统计量：
Figure DEST_PATH_IMAGE012
；
Figure DEST_PATH_IMAGE014
（6.5）根据各终端所对应的实时统计量分别与
Figure DEST_PATH_IMAGE016
和
Figure DEST_PATH_IMAGE018
子空间的统计量进行对比，如果与
Figure DEST_PATH_IMAGE016A
和
Figure DEST_PATH_IMAGE018A
子空间的统计量的任何一个不匹配，即确定为故障终端；如果与
Figure DEST_PATH_IMAGE016AA
和
Figure DEST_PATH_IMAGE018AA
子空间的统计量的任何一个相匹配，则确定为正常终端；
（6.6）将故障终端和正常终端的结果集合为系统通信数据包故障预测信号H ns 。
3.一种面向铁路客运服务的故障预测处理系统，其特征在于：包括：
铁路客运服务系统终端：铁路客运服务系统各终端发送实时数据多采样率数据信号X n ，n∈N，n为终端序号，N为自然数；
多采样率数据采集模块：采集多采样率数据信号X n 并实时发送至核偏最小二乘法故障预测模块；
核偏最小二乘法故障预测模块：对多采样率数据信号X n 进行核偏最小二乘建模并进行故障预测得到核偏最小二乘法故障预测数据信号X ns ；将核偏最小二乘法故障预测数据信号X ns 发送至预测数据接收模块；
网络通讯数据包采集模块：采集系统通信数据包H n 并实时发送至网络控制系统故障预测模块；
网络控制系统故障预测模块：对系统通信数据包H n 进行故障预测得到系统通信数据包故障预测信号H ns ；网络控制系统故障预测模块将系统通信数据包故障预测信号H ns 发送至预测数据接收模块；
数据流采集模块：采集系统流数据P n 并实时发送至流数据故障预测模块；
流数据故障预测模块：将对系统流数据P n 进行故障预测得到系统流数据故障预测信号P ns ；将系统流数据故障预测信号P ns 发送至预测数据接收模块；
预测数据接收模块：将核偏最小二乘法故障预测数据信号X ns 、系统通信数据包故障预测信号H ns 和系统流数据故障预测信号P ns 发送至预测数据对比模块；
预测数据对比模块：将核偏最小二乘法故障预测数据信号X ns 、系统通信数据包故障预测信号H ns 和系统流数据故障预测信号P ns 中重复的元素I ns 提取出来发送至铁路客运服务系统的故障处理模块；预测数据对比模块将核偏最小二乘法故障预测数据信号X ns 、系统通信数据包故障预测信号H ns 和系统流数据故障预测信号P ns 中未重复的元素Q ns 发送至铁路客运服务系统的故障预警模块；
故障处理模块：切断元素I ns 对应的铁路客运服务系统的终端的控制信号和电源并发送该终端编号至维修通知模块；
故障预警模块：联通未重复的元素Q ns 对应的铁路客运服务系统的终端的故障预警装置并将该终端编号发送至维修通知模块；
维修通知模块：分别提示元素I ns 对应的铁路客运服务系统的终端为故障终端，元素Q ns 对应的铁路客运服务系统的终端为预测故障终端；并按照预先设置在系统中的各终端的权重U按照由大到小的顺序进行排列；
故障维修模块：对预测故障终端和故障终端进行故障维修。
4.根据权利要求3所述的一种面向铁路客运服务的故障预测处理系统，其特征在于：所述的网络控制系统故障预测模块对系统通信数据包H n 进行故障预测得到系统通信数据包故障预测信号H ns 的具体步骤包括：
（6.1.1）对铁路客运服务系统的通信数据包H n 的回归系数矩阵M k 进行奇异值分解：
、分别为系统通信数据包H n 和回归系数矩阵的统计量；
（6.1.2）对初始通信数据包K的核矩阵的球形核矩阵K * 进行正交分解：
Figure DEST_PATH_IMAGE002A
Figure DEST_PATH_IMAGE004A
Figure DEST_PATH_IMAGE006A
（6.1.3）获取铁路客运服务系统的联通部分终端的得分向量：
Figure DEST_PATH_IMAGE008A
；
Figure DEST_PATH_IMAGE010A
；
（6.1.4）分别结算和的子空间的统计量：
Figure DEST_PATH_IMAGE012A
；
Figure DEST_PATH_IMAGE019
（6.1.5）根据各终端所对应的实时统计量分别与
Figure DEST_PATH_IMAGE016AAA
和
Figure DEST_PATH_IMAGE018AAA
子空间的统计量进行对比，如果与
Figure DEST_PATH_IMAGE016AAAA
和
Figure DEST_PATH_IMAGE018AAAA
子空间的统计量的任何一个不匹配，即确定为故障终端；如果与
Figure DEST_PATH_IMAGE016AAAAA
和
Figure DEST_PATH_IMAGE018AAAAA
子空间的统计量的任何一个相匹配，则确定为正常终端；
（6.1.6）将故障终端和正常终端的结果集合为系统通信数据包故障预测信号H ns 。
CN201711194030.0A 2017-11-24 2017-11-24 一种面向铁路客运服务的故障预测处理方法及其系统 Active CN107947984B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711194030.0A CN107947984B (zh) 2017-11-24 2017-11-24 一种面向铁路客运服务的故障预测处理方法及其系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711194030.0A CN107947984B (zh) 2017-11-24 2017-11-24 一种面向铁路客运服务的故障预测处理方法及其系统

Publications (2)

Publication Number Publication Date
CN107947984A CN107947984A (zh) 2018-04-20
CN107947984B true CN107947984B (zh) 2021-08-03

Family

ID=61948787

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711194030.0A Active CN107947984B (zh) 2017-11-24 2017-11-24 一种面向铁路客运服务的故障预测处理方法及其系统

Country Status (1)

Country Link
CN (1) CN107947984B (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2542971A1 (en) * 2010-03-01 2013-01-09 Silver Tail Systems, Inc. System and method for network security including detection of attacks through partner websites
CN103093094A (zh) * 2013-01-14 2013-05-08 湖州师范学院 基于核偏最小二乘回归算法的软件失效时间预测方法
CN104914847A (zh) * 2015-04-09 2015-09-16 东北大学 基于方向核偏最小二乘的工业过程故障诊断方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CA2825780A1 (en) * 2011-01-25 2012-08-02 Power Analytics Corporation Systems and methods for real-time dc microgrid power analytics for mission-critical power systems

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2542971A1 (en) * 2010-03-01 2013-01-09 Silver Tail Systems, Inc. System and method for network security including detection of attacks through partner websites
CN103093094A (zh) * 2013-01-14 2013-05-08 湖州师范学院 基于核偏最小二乘回归算法的软件失效时间预测方法
CN104914847A (zh) * 2015-04-09 2015-09-16 东北大学 基于方向核偏最小二乘的工业过程故障诊断方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于核偏最小二乘的故障诊断方法研究;李洪强;《中国优秀硕士学位论文全文数据库》;20120615(第6期);全文 *

Also Published As

Publication number Publication date
CN107947984A (zh) 2018-04-20

Similar Documents

Publication Publication Date Title
KR101984730B1 (ko) 서버 장애 자동 예측 시스템 및 자동 예측 방법
CN111555716B (zh) 光伏阵列工作状态的确定方法、装置、设备及存储介质
CN101470426B (zh) 一种故障检测的方法和系统
CN107707431A (zh) 一种面向云平台的数据安全监测方法及系统
CN114267178B (zh) 一种车站的智能运营维护方法及装置
EP3553044A1 (en) System and method of remote object monitoring
CN108919044B (zh) 一种基于互校验机制的单元制配电网故障主动识别方法
CN110865924B (zh) 电力信息系统内部服务器健康度诊断方法与健康诊断框架
CN109740772A (zh) 基于大数据的铁路列车检测维修分析方法
CN109491339B (zh) 一种基于大数据的变电站设备运行状态预警系统
WO2019209146A1 (ru) Способ и система идентификации и прогнозирования развития дефектов объектов
CN116839656A (zh) 一种用于工业互联网的工业现场监测系统及检测方法
CN109842209B (zh) 一种智能变电站在线故障分析方法
WO2019019429A1 (zh) 一种虚拟机异常检测方法、装置、设备及存储介质
CN114676791A (zh) 一种基于模糊证据推理的电力系统告警信息处理方法
CN107947984B (zh) 一种面向铁路客运服务的故障预测处理方法及其系统
CN115114124A (zh) 主机风险的评估方法及评估装置
CN111314110B (zh) 一种用于分布式系统的故障预警方法
CN106656618A (zh) 基于通信量分析的通信铁塔传感器异常识别方法及系统
KR101896442B1 (ko) Ict 융합형 풍력 발전 단지 모니터링 시스템, 서버 및 방법
CN115422504A (zh) 一种配电设备故障风险辨识方法及装置
WO2021186762A1 (ja) 保守支援システム及び保守支援方法
CN114429240A (zh) 高速公路设备运行状态监测方法及装置
Cai et al. Performance degradation based reliability prediction method for CTCS on-board equipment
JP2004306880A (ja) 移動体異常検知システム，移動体、及び地上システム

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant