CN108446864B - 基于大数据分析的轨道交通设备的故障预警系统及方法 - Google Patents
基于大数据分析的轨道交通设备的故障预警系统及方法 Download PDFInfo
- Publication number
- CN108446864B CN108446864B CN201810318729.1A CN201810318729A CN108446864B CN 108446864 B CN108446864 B CN 108446864B CN 201810318729 A CN201810318729 A CN 201810318729A CN 108446864 B CN108446864 B CN 108446864B
- Authority
- CN
- China
- Prior art keywords
- equipment
- early warning
- data
- module
- fault early
- 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
Links
- 238000007405 data analysis Methods 0.000 title claims abstract description 54
- 238000000034 method Methods 0.000 title claims abstract description 24
- 238000012545 processing Methods 0.000 claims abstract description 26
- 238000004458 analytical method Methods 0.000 claims abstract description 10
- 238000013523 data management Methods 0.000 claims description 32
- 238000004891 communication Methods 0.000 claims description 28
- 230000036541 health Effects 0.000 claims description 27
- 230000006870 function Effects 0.000 claims description 20
- 238000007726 management method Methods 0.000 claims description 19
- 238000000605 extraction Methods 0.000 claims description 12
- 238000011156 evaluation Methods 0.000 claims description 10
- 238000010801 machine learning Methods 0.000 claims description 10
- 239000011159 matrix material Substances 0.000 claims description 10
- 238000003745 diagnosis Methods 0.000 claims description 9
- 238000012417 linear regression Methods 0.000 claims description 9
- 238000013178 mathematical model Methods 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 7
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 230000005662 electromechanics Effects 0.000 abstract description 2
- 238000006243 chemical reaction Methods 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 6
- 238000012423 maintenance Methods 0.000 description 6
- 238000012884 algebraic function Methods 0.000 description 2
- 238000009795 derivation Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06395—Quality analysis or management
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/20—Administration of product repair or maintenance
-
- G06Q50/40—
Abstract
本发明涉及交通机电及信息技术领域,具体公开了一种基于大数据分析的轨道交通设备的故障预警系统,包括用于提取设备特征模型函数的大数据分析模块、用于管理设备基础数据的数据管理模块、用于存储轨道交通设备的基础数据的数据库模块、用于接入轨道交通设备以及采集设备数据的通信接口处理模块和用于管理所述故障预警系统的各个子模块的系统管理模块。本发明又公开了一种基于大数据分析的轨道交通设备的故障预警方法包括以下步骤:S1,数据采集;S2,数据转换与处理;S3,求到设备当前故障预警值;S4,故障预警分析。本发明有助于提前对关键设备进行检修,有效避免了关键设备发生故障,完善了系统的预警模型,提高了系统判断的准确性。
Description
技术领域
本发明涉及交通机电及信息技术领域,具体涉及一种基于大数据分析的轨道交通设备的故障预警系统及方法。
背景技术
国内轨道交通目前已经普及了自动化,大大提高了运营的效率,减少了运营的人力,但随之带来一些问题:需要对大量的机电设备进行维护,当设备出现故障时,可能会影响轨道交通的正常运营,需要维修人员马上进行抢修。虽然目前轨道交通运营公司已经建立了一些故障维修系统,但这些系统只能针对设备出现故障后的处理跟踪,目前还没有对设备故障发生前进行预警的系统。
发明内容
有鉴于此,有必要针对上述的问题,提出一种基于大数据分析的轨道交通设备的故障预警系统及方法,以解决上述背景技术中的缺点。
为实现上述目的,本发明采取以下的技术方案:
一种基于大数据分析的轨道交通设备的故障预警系统,与轨道交通设备进行通信连接,该故障预警系统包括:大数据分析模块、数据管理模块、数据库模块、通信接口处理模块和系统管理模块;
所述大数据分析模块用于提取设备特征模型函数,评估设备的健康状态,预估设备故障概率,以及诊断设备故障;
所述数据管理模块用于管理设备基础数据、设备故障预警模型数据库和知识库;
所述数据库模块用于存储轨道交通设备的基础数据、设备故障预警模型的数据和关键设备数据;
所述通信接口处理模块用于接入外部的轨道交通设备以及采集设备数据;
所述系统管理模块用于管理所述故障预警系统的各个子模块。
进一步地,所述大数据分析模块包括特征提取子模块、设备健康评估子模块、设备健康预测子模块和设备故障诊断子模块;
所述特征提取子模块用于提取设备的特征参数得到设备特征模型函数;
所述设备健康评估子模块用于根据设备当前的特征参数评估设备的健康状况;
所述设备健康预测子模块用于根据设备健康评估子模块得到的设备健康状况及设备故障预测概率;
所述设备故障诊断子模块用于根据设备健康评估子模块判定故障概率诊断故障类型。
进一步地,所述数据管理模块包括基础数据管理子模块、实时数据管理子模块、预警模型管理子模块与知识库管理子模块;
所述基础数据管理子模块用于管理设备基础数据,该设备基础数据数据来源于通信接口处理模块;
所述实时数据管理子模块用于管理设备实时数据,该设备实时数据来源于通信接口处理模块;
所述预警模型管理子模块用于管理各个设备故障预警模型数据库的数据,该设备故障预警模型数据库的数据来源于大数据分析模块;
所述知识库管理子模块用于管理知识库。
进一步地,所述数据库模块包括基础数据库子模块、模型数据库子模块和关键设备数据库子模块;
所述基础数据库子模块用于存储轨道交通设备的基础数据;
所述模型数据库子模块用于存储设备故障预警模型的数据;
所述关键设备数据库子模块用于存储需要进行故障预警的车站关键设备数据。
一种基于大数据分析的轨道交通设备的故障预警方法包括以下步骤:
S1,通信接口处理模块对轨道交通设备进行数据采集;
S2,数据管理模块对采集到的数据进行转换与处理;
S3,大数据分析模块根据样本值得到特征方程并根据历史样本与知识库调整特征方程系数,并根据特征方程、知识库中的历史故障预警实际值以及设备当前参数求到设备当前故障预警值;
S4,大数据分析模块对采集到的数据对应数据管理模块的数据和/或模型进行故障预警分析。
进一步地,于S4之后,该故障预警方法还包括以下步骤:
S5,所述故障预警系统对故障预警进行通知/推送。
进一步地,于S4中,所述的故障预警分析过程包括以下步骤:
S41,大数据分析模块采用机器学习的方法根据设备历史特征值得到特征方程;
S42,通信接口处理模块不断采集到新的样本数据;
S43,大数据分析模块采用代数函数根据历史特征值对新的样本数据进行修正,从而得到新的预测值。
进一步地,于S41中,所述特征方程提取过程包括如下步骤:
S411,采用机器学习方法中的线性回归数学模型进行设备故障预警;
所述线性回归数学模型为:f(xi)=a1x1+a2x2+...+anxn;[a1 a2...an]是根据样本[x1 x2...xn]求解得到的,表示设备特征参数对应的系数;[x1 x2...xn]表示设备特征参数。
所述代价函数根据历史样本值X、Y对A值不断进行修正,然后根据修正之后的A来得到y值,即为预测值。
本发明的有益效果为:
本设备故障预警系统通过大数据分析的方法对轨道交通的关键设备使用过程中产生的海量状态数据进行分析,为轨道交通运营提供关键设备预警信息,帮助运营的维修人员提前对关键设备进行检修,可有效避免关键设备发生故障而影响正常运营。同时,本故障预警方法采取机器学习等智能算法,不断完善系统的预警模型,持续提高系统判断的准确性。
本发明提供的方法和系统,能够根据设备的特征参数实时进行故障预警,大大降低设备故障对轨道交通正常运营产生的影响。
附图说明
图1为本发明的一种基于大数据分析的轨道交通设备的故障预警系统的结构示意图;
图2为本发明的大数据分析模块的结构示意图;
图3为本发明的数据管理模块的结构示意图;
图4为本发明的数据库模块的结构示意图;
图5为本发明的一种基于大数据分析的轨道交通设备的故障预警系统的工作原理示意图;
图6为本发明的一种基于大数据分析的轨道交通设备的故障预警方法的工作原理示意图;
图7为本发明的一种基于大数据分析的轨道交通设备的故障预警方法的工作流程图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合本发明实施例,对本发明的技术方案作进一步清楚、完整地描述。需要说明的是,所描述的实施例仅仅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。
需要理解的是,术语“上”、“下”、“前”、“后”、“左”、“右”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。
实施例
如图1、图2、图3、图4与图5所示,一种基于大数据分析的轨道交通设备的故障预警系统,与轨道交通设备进行通信连接,该故障预警系统包括:大数据分析模块1、数据管理模块2、数据库模块3、通信接口处理模块4和系统管理模块5;通信接口处理模块4负责采集数据,数据管理模块2将采集的数据统一进行结构化处理,然后由大数据分析模块1进行分析,分析之后得到的数据由数据管理模块2进行处理,如果超过一阈值,则有系统管理模块5向维护系统推送故障预警;该阀值可以由用户进行设置,表示故障出现的概率,以百分比数值表示,当系统进行数据分析后,发现设备将要出现故障的概率超过设定的阀值,则需要向维护系统发送故障预警消息,提醒相关人员对该设备进行检查;
所述大数据分析模块1用于提取设备特征模型函数,评估设备的健康状态,预估设备故障概率,以及诊断设备故障;
所述数据管理模块2用于管理设备基础数据、设备故障预警模型数据库和知识库;
所述数据库模块3用于存储轨道交通设备的基础数据、设备故障预警模型的数据和关键设备数据;
所述通信接口处理模块4用于接入外部的轨道交通设备以及采集设备数据;
所述系统管理模块5用于管理所述故障预警系统的各个子模块。
如图1、图2与图5所示,所述大数据分析模块1包括特征提取子模块11、设备健康评估子模块12、设备健康预测子模块13和设备故障诊断子模块14;
所述特征提取子模块11用于提取设备的特征参数得到设备特征模型函数;所述设备特征模型函数是由影响设备正常运行的重要因素组成的一个函数,大数据分析模块1通过由通信接口处理模块4采集到的设备重要因素的值(设备重要因素包括温度、电流、电压、连续运行时间等因素)并得到所述设备重要因素的系数,从而最终的得到设备特征模型函数,由该函数得到故障预警值;
所述设备健康评估子模块12用于根据设备当前的特征参数评估设备的健康状况;所述特征参数表示影响设备正常运行的由通信接口处理模块4采集得到的设备重要因素的值(设备重要因素包括温度、电流、电压、连续运行时间等因素),用于调整设备特征参数的系数以及计算预警值;
所述设备健康预测子模块13用于根据设备健康评估子模块12得到的设备健康状况及设备故障预测概率;
所述设备故障诊断子模块14用于根据设备健康评估子模块12判定故障概率诊断故障类型。
如图1、图2、图3与图5所示,所述数据管理模块2包括基础数据管理子模块21、实时数据管理子模块22、预警模型管理子模块23与知识库管理子模块24;
所述基础数据管理子模块21用于管理设备基础数据,该设备基础数据数据来源于通信接口处理模块4;
所述实时数据管理子模块22用于管理设备实时数据,该设备实时数据来源于通信接口处理模块4;
所述预警模型管理子模块23用于管理各个设备故障预警模型数据库的数据,该设备故障预警模型数据库的数据来源于大数据分析模块1;该设备故障预警模型数据库的数据具体来源于特征提取子模块11;
所述知识库管理子模块24用于管理知识库;知识库用于存放故障预警的评估规则和算法,使得程序能够根据预警模型,从当前采集到的设备状态数据计算出设备故障预警结果。
如图1、图4与图5所示,所述数据库模块3包括基础数据库子模块31、模型数据库子模块32和关键设备数据库子模块33;
所述基础数据库子模块31用于存储轨道交通设备的基础数据;
所述模型数据库子模块32用于存储设备故障预警模型的数据;
所述关键设备数据库子模块33用于存储需要进行故障预警的车站关键设备数据。
如图1、图2、图6与图7所示,一种基于大数据分析的轨道交通设备的故障预警方法包括以下步骤:
S1,通信接口处理模块4对轨道交通设备进行数据采集;
S2,数据管理模块2对采集到的数据进行转换与处理;
S3,大数据分析模块1(具体为特征提取子模块11)根据样本值得到特征方程并根据历史样本与知识库调整特征方程系数,预警分析模块根据特征方程、知识库中的历史故障预警实际值以及设备当前参数求到设备当前故障预警值;样本值表示设备特征参数的值即[x1 x2...xn],来源于通信接口采集到数据,用于特征方程系数的调整和计算预警值;特征方程由表示设备特征参数组成的一个线性回归函数,即f(xi)=a1x1+a2x2+...+anxn,根据历史样本值推导得到,用于计算预警值;历史样本表示特征参数的历史值,即用于完善特征方程的系数;特征方程系数即[a1 a2...an],用于计算预警值;
S4,大数据分析模块1对采集到的数据对应数据管理模块2的数据和/或模型进行故障预警分析;
S5,所述故障预警系统对故障预警进行通知/推送。
于S4中,故障预警分析包括以下步骤:
S41,大数据分析模块1采用机器学习的方法根据设备历史特征值得到特征方程;
S42,通信接口处理模块4不断采集到新的样本数据;
S43,大数据分析模块1采用代数函数根据历史特征值对新的样本数据进行修正,从而得到新的预测值。
所述数据管理模块2根据S4中设备故障概率预估值与其阈值对比,判定向维护系统推送故障预警;大数据分析模块1具备机器学习能力,能够根据采集的数据不断完善预警模型,使系统的预测越来越准确。
于S41中,所述特征方程提取过程如下:
采用机器学习方法中的线性回归数学模型进行设备故障预警;
所述线性回归数学模型为:f(xi)=a1x1+a2x2+...+anxn,[a1 a2...an]是需要根据样本[x1 x2...xn]求解得到的;[a1 a2...an]表示设备特征参数对应的系数,根据历史样本值推导得到;[x1 x2...xn]表示设备特征参数,如温度、电流、电压、连续运行时间等,其值由通信接口处理模块4从设备采集得到。
该模型的目的是尽可能预测输出结果;
用Y矩阵表示样本特征参数(样本特征参数表示影响设备正常运行的重要因素,如温度、电流、电压、连续运行时间等)对应的实际值:
Y=[y1 y2...yn];
那么可以得到线性模型:hA(x)=XA;
为了使预测更准确,需要使f(xi)和yi之间差值尽可能小,因此可以得到代价函数:
求J(A)解得到:
A=(XTX)-1XTY;XT表示矩阵X的转置;
然后就可以使用模型f(xi)=a1x1+a2x2+...+anxn预测设备某个样本发生故障的概率了。
以上所述实施例仅表达了本发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
Claims (6)
1.一种基于大数据分析的轨道交通设备的故障预警系统,与轨道交通设备进行通信连接,其特征在于,该故障预警系统包括:大数据分析模块(1)、数据管理模块(2)、数据库模块(3)、通信接口处理模块(4)和系统管理模块(5);
所述大数据分析模块(1)用于提取设备特征模型函数,评估设备的健康状态,预估设备故障概率,以及诊断设备故障;
所述数据管理模块(2)用于管理设备基础数据、设备故障预警模型数据库和知识库;
所述数据库模块(3)用于存储轨道交通设备的基础数据、设备故障预警模型的数据和关键设备数据;
所述通信接口处理模块(4)用于接入外部的轨道交通设备以及采集设备数据;
所述系统管理模块(5)用于管理所述故障预警系统的各个子模块;
大数据分析模块(1)根据样本值得到特征方程并根据历史样本与知识库调整特征方程系数,并根据特征方程、知识库中的历史故障预警实际值以及设备当前参数求到设备当前故障预警值;
大数据分析模块(1)对采集到的数据对应数据管理模块(2)的数据和/或模型进行故障预警分析;具体为:大数据分析模块(1)采用机器学习的方法根据设备历史特征值得到特征方程;通信接口处理模块(4)不断采集到新的样本数据;大数据分析模块(1)采用代价函数根据历史特征值对新的样本数据进行修正,从而得到新的预测值;
所述特征方程提取过程包括如下步骤:
采用机器学习方法中的线性回归数学模型进行设备故障预警;
所述线性回归数学模型为:f(xi)=a1x1+a2x2+...+anxn;[a1 a2 ... an]是根据样本[x1x2 ... xn]求解得到的,表示设备特征参数对应的系数;[x1 x2 ... xn]表示设备特征参数;
所述代价函数根据历史样本值X、Y对A值不断进行修正,然后根据修正之后的A来得到y值,即为预测值。
2.根据权利要求1所述的基于大数据分析的轨道交通设备的故障预警系统,其特征在于,所述大数据分析模块(1)包括特征提取子模块(11)、设备健康评估子模块(12)、设备健康预测子模块(13)和设备故障诊断子模块(14);
所述特征提取子模块(11)用于提取设备的特征参数得到设备特征模型函数;
所述设备健康评估子模块(12)用于根据设备当前的特征参数评估设备的健康状况;
所述设备健康预测子模块(13)用于根据设备健康评估子模块(12)得到的设备健康状况及设备故障预测概率;
所述设备故障诊断子模块(14)用于根据设备健康评估子模块(12)判定故障概率诊断故障类型。
3.根据权利要求1所述的基于大数据分析的轨道交通设备的故障预警系统,其特征在于,所述数据管理模块(2)包括基础数据管理子模块(21)、实时数据管理子模块(22)、预警模型管理子模块(23)与知识库管理子模块(24);
所述基础数据管理子模块(21)用于管理设备基础数据,该设备基础数据数据来源于通信接口处理模块(4);
所述实时数据管理子模块(22)用于管理设备实时数据,该设备实时数据来源于通信接口处理模块(4);
所述预警模型管理子模块(23)用于管理各个设备故障预警模型数据库的数据,该设备故障预警模型数据库的数据来源于大数据分析模块(1);
所述知识库管理子模块(24)用于管理知识库。
4.根据权利要求1所述的基于大数据分析的轨道交通设备的故障预警系统,其特征在于,所述数据库模块(3)包括基础数据库子模块(31)、模型数据库子模块(32)和关键设备数据库子模块(33);
所述基础数据库子模块(31)用于存储轨道交通设备的基础数据;
所述模型数据库子模块(32)用于存储设备故障预警模型的数据;
所述关键设备数据库子模块(33)用于存储需要进行故障预警的车站关键设备数据。
5.一种基于大数据分析的轨道交通设备的故障预警方法,其特征在于,该故障预警方法包括以下步骤:
S1,通信接口处理模块(4)对轨道交通设备进行数据采集;
S2,数据管理模块(2)对采集到的数据进行转换与处理;
S3,大数据分析模块(1)根据样本值得到特征方程并根据历史样本与知识库调整特征方程系数,并根据特征方程、知识库中的历史故障预警实际值以及设备当前参数求到设备当前故障预警值;
S4,大数据分析模块(1)对采集到的数据对应数据管理模块(2)的数据和/或模型进行故障预警分析;
S4中,所述的故障预警分析过程包括以下步骤:
S41,大数据分析模块(1)采用机器学习的方法根据设备历史特征值得到特征方程;
S42,通信接口处理模块(4)不断采集到新的样本数据;
S43,大数据分析模块(1)采用代价函数根据历史特征值对新的样本数据进行修正,从而得到新的预测值;
S41中,所述特征方程提取过程包括如下步骤:
S411,采用机器学习方法中的线性回归数学模型进行设备故障预警;
所述线性回归数学模型为:f(xi)=a1x1+a2x2+...+anxn;[a1 a2 ... an]是根据样本[x1x2 ... xn]求解得到的,表示设备特征参数对应的系数;[x1 x2 ... xn]表示设备特征参数;
所述代价函数根据历史样本值X、Y对A值不断进行修正,然后根据修正之后的A来得到y值,即为预测值。
6.根据权利要求5所述的基于大数据分析的轨道交通设备的故障预警方法,其特征在于,S4之后,该故障预警方法还包括以下步骤:
S5,所述故障预警系统对故障预警进行通知/推送。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810318729.1A CN108446864B (zh) | 2018-04-10 | 2018-04-10 | 基于大数据分析的轨道交通设备的故障预警系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810318729.1A CN108446864B (zh) | 2018-04-10 | 2018-04-10 | 基于大数据分析的轨道交通设备的故障预警系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108446864A CN108446864A (zh) | 2018-08-24 |
CN108446864B true CN108446864B (zh) | 2022-03-29 |
Family
ID=63199178
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810318729.1A Active CN108446864B (zh) | 2018-04-10 | 2018-04-10 | 基于大数据分析的轨道交通设备的故障预警系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108446864B (zh) |
Families Citing this family (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109544304B (zh) * | 2018-11-29 | 2021-02-05 | 每日互动股份有限公司 | 根据移动终端信息进行预警的方法 |
CN109816474B (zh) * | 2018-12-21 | 2021-01-22 | 中车工业研究院有限公司 | 轨道交通产品的模块化配置方法、装置与电子设备 |
CN110334106A (zh) * | 2019-05-06 | 2019-10-15 | 深圳供电局有限公司 | 一种基于大数据分析的运维故障分析预警方法 |
CN110673036B (zh) * | 2019-07-24 | 2021-09-28 | 广州中国科学院计算机网络信息中心 | 基于obd计算技术的车辆故障预警方法及系统 |
US11551488B2 (en) * | 2019-08-22 | 2023-01-10 | GM Global Technology Operations LLC | Adaptive fault diagnostic system for motor vehicles |
CN110490486B (zh) * | 2019-08-27 | 2022-04-29 | 北京远舢智能科技有限公司 | 一种企业大数据管理系统 |
CN110647133B (zh) * | 2019-09-09 | 2022-03-15 | 深圳市永达电子信息股份有限公司 | 轨道交通设备状态检测维护方法及系统 |
CN110703743A (zh) * | 2019-11-12 | 2020-01-17 | 深圳市亲邻科技有限公司 | 设备故障预测与检测系统和方法 |
CN111077886A (zh) * | 2019-12-31 | 2020-04-28 | 上海申铁信息工程有限公司 | 一种车站故障实时监测系统 |
CN113673793A (zh) * | 2020-04-30 | 2021-11-19 | 比亚迪股份有限公司 | 轨道车辆监测方法和装置、介质、设备、轨道车辆 |
CN111651505B (zh) * | 2020-06-05 | 2023-05-16 | 中国民用航空厦门空中交通管理站 | 一种基于数据驱动的设备运行态势分析预警方法及系统 |
CN112860511A (zh) * | 2020-08-13 | 2021-05-28 | 孙小丽 | 基于智能在线通信和大数据的信息生成方法、系统及平台 |
CN116308286A (zh) * | 2023-03-23 | 2023-06-23 | 江苏工鼎工业技术有限公司 | 轨道交通自诊断型门机系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105046370A (zh) * | 2015-08-18 | 2015-11-11 | 国电南瑞科技股份有限公司 | 四线一库备品备件库存量预测系统及其建立方法 |
CN107730087A (zh) * | 2017-09-20 | 2018-02-23 | 平安科技(深圳)有限公司 | 预测模型训练方法、数据监控方法、装置、设备及介质 |
CN107844917A (zh) * | 2017-12-04 | 2018-03-27 | 杭州云算信达数据技术有限公司 | 一种基于大数据的企业生命周期分析方法和系统 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140249882A1 (en) * | 2012-10-19 | 2014-09-04 | The Curators Of The University Of Missouri | System and Method of Stochastic Resource-Constrained Project Scheduling |
US9852230B2 (en) * | 2013-06-29 | 2017-12-26 | Google Llc | Asynchronous message passing for large graph clustering |
CN105045256B (zh) * | 2015-07-08 | 2018-11-20 | 北京泰乐德信息技术有限公司 | 基于数据对比分析的轨道交通实时故障诊断方法和系统 |
CN105867347B (zh) * | 2016-03-29 | 2020-01-17 | 全球能源互联网研究院 | 一种基于机器学习技术的跨空间级联故障检测方法 |
CN107450439B (zh) * | 2017-08-25 | 2019-07-12 | 山东建筑大学 | 一种路灯智能故障诊断方法 |
-
2018
- 2018-04-10 CN CN201810318729.1A patent/CN108446864B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105046370A (zh) * | 2015-08-18 | 2015-11-11 | 国电南瑞科技股份有限公司 | 四线一库备品备件库存量预测系统及其建立方法 |
CN107730087A (zh) * | 2017-09-20 | 2018-02-23 | 平安科技(深圳)有限公司 | 预测模型训练方法、数据监控方法、装置、设备及介质 |
CN107844917A (zh) * | 2017-12-04 | 2018-03-27 | 杭州云算信达数据技术有限公司 | 一种基于大数据的企业生命周期分析方法和系统 |
Also Published As
Publication number | Publication date |
---|---|
CN108446864A (zh) | 2018-08-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108446864B (zh) | 基于大数据分析的轨道交通设备的故障预警系统及方法 | |
CN111046564B (zh) | 两阶段退化产品的剩余寿命预测方法 | |
WO2019080367A1 (zh) | 一种机械设备健康状态评估方法 | |
CN107480440A (zh) | 一种基于两阶段随机退化建模的剩余寿命预测方法 | |
CN111597204A (zh) | 一种基于ai技术的智慧运维知识分析方法 | |
CN114723285B (zh) | 一种电网设备安全性评估预测方法 | |
CN116028887B (zh) | 一种连续性工业生产数据的分析方法 | |
CN116308300B (zh) | 一种电力设备状态监测评价与指挥方法及系统 | |
CN111506635A (zh) | 一种基于自回归和朴素贝叶斯算法的居民用电行为分析的系统及方法 | |
CN116823227A (zh) | 一种基于物联网的智能设备管理系统及方法 | |
CN112414576A (zh) | 一种基于无线传感器网络的工厂环境温度检测系统 | |
CN113177646A (zh) | 一种基于自适应边缘代理的配电设备在线监测方法及系统 | |
CN116502160A (zh) | 一种电量数据自动采集系统 | |
CN115470850A (zh) | 一种基于管网水质时空数据的水质异常事件识别预警方法 | |
CN115664038A (zh) | 一种用于电气安全管理的智能配电运维监控系统 | |
CN105488572A (zh) | 一种配电设备健康状态评价方法 | |
CN115406483A (zh) | 一种水电机组故障识别方法、装置、设备及可读存储介质 | |
CN106325258B (zh) | 一种基于在线监测信息的继电保护装置状态评估方法 | |
CN114936614B (zh) | 一种基于神经网络的作业风险识别方法及系统 | |
CN116307886A (zh) | 一种企业生产状态的实时监测方法及装置 | |
CN115600695A (zh) | 一种计量设备的故障诊断方法 | |
CN101923605B (zh) | 铁路防灾风预警方法 | |
CN110322063B (zh) | 一种耗电功率仿真预测方法及存储介质 | |
CN114442543A (zh) | 一种适用于水电站故障预警的计算机监测方法 | |
CN113052224A (zh) | 一种电力与气象多源数据的交互融合方法和系统 |
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 |