CN109501834B - 一种道岔转辙机故障预测方法及装置 - Google Patents
一种道岔转辙机故障预测方法及装置 Download PDFInfo
- Publication number
- CN109501834B CN109501834B CN201811434777.3A CN201811434777A CN109501834B CN 109501834 B CN109501834 B CN 109501834B CN 201811434777 A CN201811434777 A CN 201811434777A CN 109501834 B CN109501834 B CN 109501834B
- Authority
- CN
- China
- Prior art keywords
- switch machine
- turnout switch
- current
- current data
- working stage
- 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
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B61—RAILWAYS
- B61L—GUIDING RAILWAY TRAFFIC; ENSURING THE SAFETY OF RAILWAY TRAFFIC
- B61L5/00—Local operating mechanisms for points or track-mounted scotch-blocks; Visible or audible signals; Local operating mechanisms for visible or audible signals
- B61L5/06—Electric devices for operating points or scotch-blocks, e.g. using electromotive driving means
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- 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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- General Engineering & Computer Science (AREA)
- Geometry (AREA)
- Game Theory and Decision Science (AREA)
- Evolutionary Computation (AREA)
- Computer Hardware Design (AREA)
- Mechanical Engineering (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Train Traffic Observation, Control, And Security (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种道岔转辙机故障预测方法及装置，方法包括：获取道岔转辙机动作电流数据，将电流数据作为预测集；提取预测集中每个电流数据的电流特征值；采用道岔转辙机每个工作阶段的决策树分别对预测集中每个电流数据电流特征值进行决策分类，获得预测集中每个电流数据在道岔转辙机每个工作阶段内是否故障的分类结果，并在预测集中某一电流数据在道岔转辙机任一工作阶段内故障时确定异常电流特征值，获得故障预测结果；道岔转辙机每个工作阶段的决策树是基于获取的每个工作阶段的道岔转辙机动作电流数据样本、道岔转辙机每个工作阶段的电流的特征值集合和预先建立的道岔转辙机的故障特征集而预先建立的。本发明可实现道岔转辙机故障预测功能。
Description
技术领域
本发明实施例涉及轨道交通技术领域，尤其涉及一种道岔转辙机故障预测方法及装置。
背景技术
道岔转辙机运营维护一直是地铁协同运维的重要一环，转辙机能否及时、可靠地响应系统命令并实现道岔转换，关系到行车安全和乘客的生命财产安全。
目前国内的道岔转辙机运营维护方法一般分为三大类：基于解析模型的诊断方法、基于知识的诊断方法和基于规章制度的权限管理。该三种方法属于“计划修”和“故障修”的范畴。其中，“计划修”是指在道岔转辙机使用一定时间后，无论转辙机状态如何、是否出现故障都进行一次检修或更换。尤其是使用年限较长的转辙机，运维人员根据使用经验和设备损耗时间表以求在转辙机损坏前一段时间内进行设备的更换。“故障修”是指依据故障现象，建立模型库或知识库来扩充对故障的敏感度。例如，近年来运营方在新开通线路中引入了MSS机组监视系统，该系统可以在设备发生故障时进行报警提醒工作人员进行维修或记录运维工作日志。以MSS为代表的这一类设备维护系统依然只是“计划修”的自动化版本，做到了“故障修”而不是“预测修”。
对于“计划修”，运维人员需要提前预判设备故障时间，在设备未达到使用极限之前更换设备，造成资金和设备的严重浪费。并且，当道岔转辙机处于正常和故障之间的某个临界状态时，运维人员很难根据经验来判断设备在后续使用过程中能否处于正常工作状态，也很难定位故障原因，从而难以有针对性的采取运维措施。对于“故障修”，企业应急手段滞后，容易造成较大的运行事故；在建立经验知识库的过程中，由于对故障机理的研究不够透彻导致运维能力低下；而且，随着设备运行数据的不断积累，设备数据库越来越大，数据内容也变得越来越复杂，传统的小样本统计方法已经失效。
随着地铁系统自动化程度、复杂度和智能化的提升，道岔转辙机的安全稳定运行变得越来越重要。道岔转辙机故障的传统评估方法普遍存在危险源分散、复杂系统建模困难、模型对实际问题的适应度不高、耗费人力物力较高等诸多问题。随着地铁运输压力的提升，研究一种新型高效的道岔转辙机故障综合评估技术与设备健康管理技术，实现地铁智能运维已经迫在眉睫。
发明内容
针对现有技术存在的问题，本发明实施例提供一种道岔转辙机故障预测方法及装置。
本发明实施例提供一种道岔转辙机故障预测方法，包括：
获取道岔转辙机动作电流数据，将所述电流数据作为预测集；
提取所述预测集中每个电流数据的电流特征值；
采用道岔转辙机每个工作阶段的决策树分别对所述预测集中每个电流数据的电流特征值进行决策分类，获得所述预测集中每个电流数据在道岔转辙机每个工作阶段内是否故障的分类结果，并在所述预测集中某一个电流数据在道岔转辙机任意一工作阶段内故障时确定异常的电流特征值，获得道岔转辙机故障预测结果；
其中，所述道岔转辙机每个工作阶段的决策树是基于获取的每个工作阶段的道岔转辙机动作电流数据样本、道岔转辙机每个工作阶段的电流的特征值集合和预先建立的道岔转辙机的故障特征集而预先建立的。
本发明实施例提供一种道岔转辙机故障预测装置，包括：
第一获取模块，用于获取道岔转辙机动作电流数据，将所述电流数据作为预测集；
提取模块，用于提取所述预测集中每个电流数据的电流特征值；
预测模块，用于采用道岔转辙机每个工作阶段的决策树分别对所述预测集中每个电流数据的电流特征值进行决策分类，获得所述预测集中每个电流数据在道岔转辙机每个工作阶段内是否故障的分类结果，并在所述预测集中某一个电流数据在道岔转辙机任意一工作阶段内故障时确定异常的电流特征值，获得道岔转辙机故障预测结果；
其中，所述道岔转辙机每个工作阶段的决策树是基于获取的每个工作阶段的道岔转辙机动作电流数据样本、道岔转辙机每个工作阶段的电流的特征值集合和预先建立的道岔转辙机的故障特征集而预先建立的。
本发明实施例提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述方法的步骤。
本发明实施例提供的一种道岔转辙机故障预测方法及装置，通过获取道岔转辙机动作电流数据，将该电流数据作为预测集，提取预测集中每个电流数据的电流特征值；采用道岔转辙机每个工作阶段的决策树分别对预测集中每个电流数据的电流特征值进行决策分类，获得预测集中每个电流数据在道岔转辙机每个工作阶段内是否故障的分类结果，并在预测集中某一个电流数据在道岔转辙机任意一工作阶段内故障时确定异常的电流特征值，获得道岔转辙机故障预测结果，其中，道岔转辙机每个工作阶段的决策树是基于获取的每个工作阶段的道岔转辙机动作电流数据样本、道岔转辙机每个工作阶段的电流的特征值集合和预先建立的道岔转辙机的故障特征集而预先建立的，由此，能实现道岔转辙机故障的预测功能，提升道岔转辙机的使用时间，减少检修物料的投入，降低人力投入比重。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，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为本发明一实施例提供的一种道岔转辙机故障预测方法的流程示意图；
图2为本发明一实施例提供的一种道岔转辙机故障预测装置的结构示意图；
图3为本发明一实施例提供的电子设备的实体结构示意图。
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，下面将结合本发明实施例中的附图，对本发明实施例中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作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。
图1示出了本发明一实施例提供的一种道岔转辙机故障预测方法的流程示意图，如图1所示，本实施例的道岔转辙机故障预测方法，包括：
S1、获取道岔转辙机动作电流数据，将所述电流数据作为预测集。
在具体应用中，可以将所述预测集存储下来，等待后续处理。
S2、提取所述预测集中每个电流数据的电流特征值。
S3、采用道岔转辙机每个工作阶段的决策树分别对所述预测集中每个电流数据的电流特征值进行决策分类，获得所述预测集中每个电流数据在道岔转辙机每个工作阶段内是否故障的分类结果，并在所述预测集中某一个电流数据在道岔转辙机任意一工作阶段内故障时确定异常的电流特征值，获得道岔转辙机故障预测结果。
其中，所述道岔转辙机每个工作阶段的决策树是基于获取的每个工作阶段的道岔转辙机动作电流数据样本、道岔转辙机每个工作阶段的电流的特征值集合和预先建立的道岔转辙机的故障特征集而预先建立的。
本发明实施例提供的道岔转辙机故障预测方法，通过获取道岔转辙机动作电流数据，将该电流数据作为预测集，提取预测集中每个电流数据的电流特征值；采用道岔转辙机每个工作阶段的决策树分别对预测集中每个电流数据的电流特征值进行决策分类，获得预测集中每个电流数据在道岔转辙机每个工作阶段内是否故障的分类结果，并在预测集中某一个电流数据在道岔转辙机任意一工作阶段内故障时确定异常的电流特征值，获得道岔转辙机故障预测结果，其中，道岔转辙机每个工作阶段的决策树是基于获取的每个工作阶段的道岔转辙机动作电流数据样本、道岔转辙机每个工作阶段的电流的特征值集合和预先建立的道岔转辙机的故障特征集而预先建立的，由此，能实现道岔转辙机故障的预测功能，提升道岔转辙机的使用时间，减少检修物料的投入，降低人力投入比重，可提升故障应急管理水平。
进一步地，在具体应用中，所述步骤S1可以通过同机组监视系统MSS或微机监测系统通过专有局域网按照IP(网络之间互连的协议)地址和端口号进行通信(例如，与MSS或微机监测系统的通信接口格式可参考表1)，获取道岔转辙机动作电流数据。
表1
可以理解的是，本实施例所述方法所需数据来自于MSS或微机监测的数据，不需要在现场新增任何监测设备。
进一步地，在上述实施例的基础上，所述步骤S1可以包括：
获取道岔转辙机动作电流数据；
去除所获取的道岔转辙机动作电流数据中的不完成数据，将去除不完成数据后的道岔转辙机动作电流数据作为预测集。
具体地，在获取道岔转辙机动作电流数据的过程中，可能会存在部分不完整数据包或采集点顺序错乱的数据包，可以检查表1中的循环冗余校验CRC校验位以及Curve、Point参数的连续性，遇到CRC校验无法通过以及Curve、Point参数不连续的情况，将丢弃此数据包。
可以理解的是，去除所获取的道岔转辙机动作电流数据中的不完成数据，将去除不完成数据后的道岔转辙机动作电流数据作为预测集，能够提高本实施例最终获得的道岔转辙机故障预测结果的准确性。
进一步地，在上述实施例的基础上，在所述步骤S1之前，本实施例所述方法还可以包括图中未示出的步骤P1-P5：
P1、根据道岔转辙机的型号，确定道岔转辙机各个工作阶段的电流特征值集合。
可以理解的是，无论是一条完整的电流曲线还是采集点电流值都不能表达道岔转辙机的工作特征，因此，需要根据具体转辙机的型号确定道岔转辙机各个工作阶段的电流特征值集合。
以ZD(J)9—A/B型电动转辙机为例，其工作阶段可分为解锁(A)、转换(B)、锁闭(C)、和缓放(D)四个阶段，分别简称为A、B、C、D。在四个阶段内，电流的变化趋势代表了不同工作电路的工作情况。因此，做好A、B、C、D四个阶段内的实时电流特征与故障、正常电流特征的关系，即可判断出转辙机的亚健康状态，在大量亚健康数据的支持下，即可完成故障的预测功能。具体的电流特征值提取方式可基于表2，表2为提取特征值参考表(√表示需要提取该特征)。
表2
根据表2所示，A阶段具有5个特征值，B阶段具有8个特征值，C阶段具有4个特征值，D阶段具有6个特征值，每条电流曲线共有23个特征值。
当确认了所有需要提取的特征值后，需要分为两步走：建立故障特征集、提取实时采集的道岔电流特征值(即提取所述预测集中每个电流数据的电流特征值)。故障特征集里面存储了预测对比所需的数据依据，因此故障特征集只需要建立一次。实时采集的道岔电流属于待预测对象，需要实时地按照表2的规则解析其特征值。
P2、根据所述道岔转辙机各个工作阶段的电流的特征值集合，建立道岔转辙机的故障特征集。
仍然以ZD(J)9—A/B型电动转辙机为例，从该型号转辙机的继电器组合电路入手，在预测过程执行开始之前寻找出25种故障特征曲线作为预测依据。因此，故障特征集中应该具有25条曲线，一旦选定，这些曲线的特征值是不变的，除非预测模型有变化。本阶段完成后，将会得到一个如下表3所示的道岔转辙机(电流)故障特征数据集表，表3中已经输入了特征的实际可能取值(表3中的a-z字母表示表2中各特征的可能取值，非实测值)。编号1-25的每一组数据都对应了一种实际故障，状态一栏表示该阶段电流是否正常，只取两个值，即正常或故障；根据表3可知，每一种故障可能包含了A至D的某一个或某几个阶段的故障状态。本实施例还可建立如表4所示的故障特征数据编号与故障原因的对照关系表。
表3
表4
当采集到转辙机(动作电流数据)曲线后，本实施例会按照表2和表3的格式提取该曲线的特征值，后续会使用这些特征值预测该条曲线是否正常以及属于哪种故障原因。
P3、针对道岔转辙机每个工作阶段，获取本工作阶段的道岔转辙机动作电流数据样本。
P4、根据所获取的本工作阶段的道岔转辙机动作电流数据样本、所述道岔转辙机各个工作阶段的电流的特征值集合和所述道岔转辙机的故障特征集，从所述道岔转辙机的故障特征集选取最优划分属性。
P5、根据选取的最优划分属性，对所获取的本工作阶段的道岔转辙机动作电流数据样本进行决策划分，建立道岔转辙机本工作阶段的决策树。
可以理解的是，本实施例所述方法的核心在于根据特征值进行分类决策，因此，算法部分将采用机器学习领域的决策树算法，接下来以B阶段为例阐述道岔转辙机故障预测决策树的建立过程。
决策树是一种典型的分类方法，首先对数据进行处理，利用归纳算法生成可读的规则和决策树，然后使用决策对新数据进行分析。本质上决策树是通过一系列规则对数据进行分类的过程。
决策树的执行流程为：
其中，训练集D指的是(也就是表3中的故障特征集)训练故障树需要的电流数据。如前所述，转辙机电流曲线的25种故障分属于四个不同阶段中，每个阶段需要选取的属性个数并不完全一样，因此，每个阶段应该建立属于自己的决策树，即本实施例所述方法最后产生4颗决策树，对应的D也包含了D_A、D_B、D_C、D_D四个子集，这四个子集分别含有25个数据；属性集A指的是表2故障特征集中的属性；类别C指的是故障或者正常；执行流程12中所述的“D中样本最多的类”也是指故障或者正常。
所述步骤P4选取最优划分属性时，对于曲线来说，采集到的数据是都是连续值，表征了它在工作过程中的故障趋势，它的状态是介于正常和故障之间的。因此，决策树算法是在一个特征值的取值范围内对状态进行定义，算法在转辙机未发生故障但是表现出故障趋势时将其定义为“故障状态”，从而实现预测功能。因此，特征属性的选择和取值范围划分标准就变得至关重要。
对于执行流程8，本实施例可采用信息增益最大法确定最优划分，具体划分规则如下：
首先计算表3样本集的信息熵Ent(D_B)，计算方式如式(1)所示：
其中：D_B为表3中包含了全部B阶段电流采集的样本集；pk为样本集D_B中第k类故障类别出现的次数与样本集D_B中所包含的样本数据的组数的比值，k代表了样本的可能性，在本实施例中，k为2，代表了曲线只有故障倾向和正常两种可能性，y为样本集D_B中包括的故障类别数，因此，y的最大值也是2。
得到信息熵之后，需要计算在某个具体属性下面的“信息增益”。但是，因为本实施例所选择的属性取值为连续值，属性可取值的数目不再有限，因此不能直接根据连续属性的可取值进行结点划分。为了克服这个难题，本实施例可采用二分法对表2中的连续属性进行离散化处理。
若本次使用电流曲线的阶段B的Value_1属性对B阶段的样本集进行划分，Value_1会产生30个不同取值{m1，m2……m30}。
按照如下式(2)的方式选取Value_1集合的划分点t：
Ta即为连续划分点的集合。
基于式(2)，可得出具体的信息增益公式如下：
其中，t为Value_1集合的划分点；λ取值为“+”表示Value_1集合中大于t的点，λ取值为“-”表示Value_1集合中小于t的点；
表示根据t进行划分后，Value_1集合变为两个子集合，分别为元素值大于t的集合、元素值小于t的集合。
对所有阶段B的8个属性进行式(1)至(3)的计算后，可以得出一个最优划分属性，进而可以执行上述决策树的执行流程，完成B阶段的决策树建立。所有四个阶段的决策树建立过程都如上所示。
按照上述举例，对于待预测的电流曲线Curve，需要执行A-D四个阶段的四条决策树并得出在A-D四个阶段下的分类结果，即在四个阶段内分别属于故障或正常，并根据表3确定具体的异常特征值。之后，同表4中的序号1-25对比即可得出曲线Curve的预测结果。
例如：输入设备号为5的转辙机交流曲线，此时道岔转辙机并未发生实质故障但系统发现A、B、C三相曲线的A阶段均出现以下特征值变化：电流最大值(特征Value_2)稍低于正常值b；电流值的极大值出现时间(特征Value_8)稍晚于正常值d；A、B、C三相曲线的其他三个阶段均未发现偏离正常值的现象。故而决策树认为5号转辙机三相电流均发生了A阶段故障。根据表3，认定为发生了编号1的故障，根据表4，故障原因确定为A机BHJ励磁电路存在问题。
可以理解的是，本实施例引入机器学习中的决策树技术，从数学模型的角度对道岔转辙机每一次的动作曲线进行分类，使其归为正常类或者某一个故障类(即有故障倾向)，实现道岔转辙机的故障预测。
进一步地，在上述实施例的基础上，在所述步骤S3获得道岔转辙机故障预测结果之后，本实施例所述方法还可以包括图中未示出的步骤S4-S6：
S4、判断道岔转辙机故障预测结果是否达到预设预测精度值；
S5、若道岔转辙机故障预测结果达到预设预测精度值，则输出故障分类/故障溯因；
S6、若道岔转辙机故障预测结果没有达到预设预测精度值，则对已建立的道岔转辙机每个工作阶段的决策树进行剪枝处理；
相应地，所述步骤S3，可具体包括：
采用剪枝处理后的道岔转辙机每个工作阶段的决策树分别对所述预测集中每个电流数据的电流特征值进行决策分类，获得所述预测集中每个电流数据在道岔转辙机每个工作阶段内是否故障的分类结果，并在所述预测集中某一个电流数据在道岔转辙机任意一工作阶段内故障时确定异常的电流特征值，获得道岔转辙机故障预测结果。
具体地，所述对已建立的道岔转辙机每个工作阶段的决策树进行剪枝处理，可以包括：
针对已建立的道岔转辙机任意工作阶段的决策树：对决策树叶节点按照产生的顺序进行编号；
选取编号最大的叶节点，设此时所选取的叶节点的编号为N，N为正整数；
判断删除所选取的叶节点后预测精度是否提升；
若删除所选取的叶节点后预测精度提升，则删除所选取的叶节点，保存删除所选取的叶节点后的决策树；
若删除所选取的叶节点后预测精度没有提升，则选取编号为N-1的叶节点，判断本次所选取的叶节点是否为编号为1的节点，若否，则返回所述判断删除所选取的叶节点后预测精度是否提升的步骤。
可以理解的是，因为决策树在输入不同的故障特征集的情况时可能会产生预测精度不够的情况，此时需要通过剪枝处理来对决策树进行纠正。
本发明实施例提供的道岔转辙机故障预测方法，能够实现道岔转辙机故障的预测功能，提升道岔转辙机的使用时间，减少检修物料的投入，降低人力投入比重，可提升故障应急管理水平。本实施例所述方法摆脱了基于维修经验的故障建模，在该方法的实施过程中不需要投入大量人力确认故障模型；简化了现场运维人员的故障分析流程，能够提升道岔转辙机的运维效率；实现道岔转辙机的故障预测，可以在真正故障发生前发现问题，提前解决故障隐患，降低设备运维成本。
图2示出了本发明一实施例提供的一种道岔转辙机故障预测装置的结构示意图，如图2所示，本实施例的道岔转辙机故障预测装置，包括：第一获取模块21、提取模块22和预测模块23；其中：
所述第一获取模块21，用于获取道岔转辙机动作电流数据，将所述电流数据作为预测集；
所述提取模块22，用于提取所述预测集中每个电流数据的电流特征值；
所述预测模块23，用于采用道岔转辙机每个工作阶段的决策树分别对所述预测集中每个电流数据的电流特征值进行决策分类，获得所述预测集中每个电流数据在道岔转辙机每个工作阶段内是否故障的分类结果，并在所述预测集中某一个电流数据在道岔转辙机任意一工作阶段内故障时确定异常的电流特征值，获得道岔转辙机故障预测结果；
其中，所述道岔转辙机每个工作阶段的决策树是基于获取的每个工作阶段的道岔转辙机动作电流数据样本、道岔转辙机每个工作阶段的电流的特征值集合和预先建立的道岔转辙机的故障特征集而预先建立的。
具体地，所述第一获取模块21获取道岔转辙机动作电流数据，将所述电流数据作为预测集；所述提取模块22提取所述预测集中每个电流数据的电流特征值；所述预测模块23采用道岔转辙机每个工作阶段的决策树分别对所述预测集中每个电流数据的电流特征值进行决策分类，获得所述预测集中每个电流数据在道岔转辙机每个工作阶段内是否故障的分类结果，并在所述预测集中某一个电流数据在道岔转辙机任意一工作阶段内故障时确定异常的电流特征值，获得道岔转辙机故障预测结果；其中，所述道岔转辙机每个工作阶段的决策树是基于获取的每个工作阶段的道岔转辙机动作电流数据样本、道岔转辙机每个工作阶段的电流的特征值集合和预先建立的道岔转辙机的故障特征集而预先建立的。
本发明实施例提供的道岔转辙机故障预测方法，通过获取道岔转辙机动作电流数据，将该电流数据作为预测集，提取预测集中每个电流数据的电流特征值；采用道岔转辙机每个工作阶段的决策树分别对预测集中每个电流数据的电流特征值进行决策分类，获得预测集中每个电流数据在道岔转辙机每个工作阶段内是否故障的分类结果，并在预测集中某一个电流数据在道岔转辙机任意一工作阶段内故障时确定异常的电流特征值，获得道岔转辙机故障预测结果，其中，道岔转辙机每个工作阶段的决策树是基于获取的每个工作阶段的道岔转辙机动作电流数据样本、道岔转辙机每个工作阶段的电流的特征值集合和预先建立的道岔转辙机的故障特征集而预先建立的，由此，能实现道岔转辙机故障的预测功能，提升道岔转辙机的使用时间，减少检修物料的投入，降低人力投入比重，可提升故障应急管理水平。
进一步地，在上述实施例的基础上，本实施例所述装置还可以包括图中未示出的：
确定模块，用于根据道岔转辙机的型号，确定道岔转辙机各个工作阶段的电流特征值集合；
建立模块，用于根据所述道岔转辙机各个工作阶段的电流的特征值集合，建立道岔转辙机的故障特征集；
第二获取模块，用于针对道岔转辙机每个工作阶段，获取本工作阶段的道岔转辙机动作电流数据样本；根据所获取的本工作阶段的道岔转辙机动作电流数据样本、所述道岔转辙机各个工作阶段的电流的特征值集合和所述道岔转辙机的故障特征集，从所述道岔转辙机的故障特征集选取最优划分属性；根据选取的最优划分属性，对所获取的本工作阶段的道岔转辙机动作电流数据样本进行决策划分，建立道岔转辙机本工作阶段的决策树。
进一步地，在上述实施例的基础上，本实施例所述装置还可以包括图中未示出的：
判断模块，用于判断道岔转辙机故障预测结果是否达到预设预测精度值；
输出模块，用于若道岔转辙机故障预测结果达到预设预测精度值，则输出故障分类/故障溯因；
剪枝模块，用于若道岔转辙机故障预测结果没有达到预设预测精度值，则对已建立的道岔转辙机每个工作阶段的决策树进行剪枝处理；
相应地，所述预测模块23，可具体用于
采用剪枝处理后的道岔转辙机每个工作阶段的决策树分别对所述预测集中每个电流数据的电流特征值进行决策分类，获得所述预测集中每个电流数据在道岔转辙机每个工作阶段内是否故障的分类结果，并在所述预测集中某一个电流数据在道岔转辙机任意一工作阶段内故障时确定异常的电流特征值，获得道岔转辙机故障预测结果。
本发明实施例提供的道岔转辙机故障预测装置，能够实现道岔转辙机故障的预测功能，提升道岔转辙机的使用时间，减少检修物料的投入，降低人力投入比重，可提升故障应急管理水平。本实施例所述装置摆脱了基于维修经验的故障建模，在该方法的实施过程中不需要投入大量人力确认故障模型；简化了现场运维人员的故障分析流程，能够提升道岔转辙机的运维效率；实现道岔转辙机的故障预测，可以在真正故障发生前发现问题，提前解决故障隐患，降低设备运维成本。
本发明实施例提供的道岔转辙机故障预测装置，可以用于执行前述方法实施例的技术方案，其实现原理和技术效果类似，此处不再赘述。
图3示出了本发明一实施例提供的一种电子设备的实体结构示意图，如图3所示，该电子设备可以包括存储器302、处理器301及存储在存储器302上并可在处理器301上运行的计算机程序，所述处理器301执行所述程序时实现上述方法的步骤，例如包括：获取道岔转辙机动作电流数据，将所述电流数据作为预测集；提取所述预测集中每个电流数据的电流特征值；采用道岔转辙机每个工作阶段的决策树分别对所述预测集中每个电流数据的电流特征值进行决策分类，获得所述预测集中每个电流数据在道岔转辙机每个工作阶段内是否故障的分类结果，并在所述预测集中某一个电流数据在道岔转辙机任意一工作阶段内故障时确定异常的电流特征值，获得道岔转辙机故障预测结果；其中，所述道岔转辙机每个工作阶段的决策树是基于获取的每个工作阶段的道岔转辙机动作电流数据样本、道岔转辙机每个工作阶段的电流的特征值集合和预先建立的道岔转辙机的故障特征集而预先建立的。
本发明实施例提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述方法的步骤，例如包括：获取道岔转辙机动作电流数据，将所述电流数据作为预测集；提取所述预测集中每个电流数据的电流特征值；采用道岔转辙机每个工作阶段的决策树分别对所述预测集中每个电流数据的电流特征值进行决策分类，获得所述预测集中每个电流数据在道岔转辙机每个工作阶段内是否故障的分类结果，并在所述预测集中某一个电流数据在道岔转辙机任意一工作阶段内故障时确定异常的电流特征值，获得道岔转辙机故障预测结果；其中，所述道岔转辙机每个工作阶段的决策树是基于获取的每个工作阶段的道岔转辙机动作电流数据样本、道岔转辙机每个工作阶段的电流的特征值集合和预先建立的道岔转辙机的故障特征集而预先建立的。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
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各实施方式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。基于这样的理解，上述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，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (9)
1.一种道岔转辙机故障预测方法，其特征在于，包括：
获取道岔转辙机动作电流数据，将所述电流数据作为预测集；
提取所述预测集中每个电流数据的电流特征值；
采用道岔转辙机每个工作阶段的决策树分别对所述预测集中每个电流数据的电流特征值进行决策分类，获得所述预测集中每个电流数据在道岔转辙机每个工作阶段内是否故障的分类结果，并在所述预测集中某一个电流数据在道岔转辙机任意一工作阶段内故障时确定异常的电流特征值，获得道岔转辙机故障预测结果；
其中，所述道岔转辙机每个工作阶段的决策树是基于获取的每个工作阶段的道岔转辙机动作电流数据样本、道岔转辙机每个工作阶段的电流的特征值集合和预先建立的道岔转辙机的故障特征集而预先建立的；
其中，在获取道岔转辙机动作电流数据之前，所述方法还包括：
根据道岔转辙机的型号，确定道岔转辙机各个工作阶段的电流特征值集合；
根据所述道岔转辙机各个工作阶段的电流的特征值集合，建立道岔转辙机的故障特征集；
针对道岔转辙机每个工作阶段，获取本工作阶段的道岔转辙机动作电流数据样本；
根据所获取的本工作阶段的道岔转辙机动作电流数据样本、所述道岔转辙机各个工作阶段的电流的特征值集合和所述道岔转辙机的故障特征集，从所述道岔转辙机的故障特征集选取最优划分属性；
根据选取的最优划分属性，对所获取的本工作阶段的道岔转辙机动作电流数据样本进行决策划分，建立道岔转辙机本工作阶段的决策树。
2.根据权利要求1所述的方法，其特征在于，所述获取道岔转辙机动作电流数据，包括：
同机组监视系统MSS或微机监测系统通过专有局域网按照IP地址和端口号进行通信，获取道岔转辙机动作电流数据。
3.根据权利要求1所述的方法，其特征在于，所述获取道岔转辙机动作电流数据，将所述电流数据作为预测集，包括：
获取道岔转辙机动作电流数据；
去除所获取的道岔转辙机动作电流数据中的不完成数据，将去除不完成数据后的道岔转辙机动作电流数据作为预测集。
4.根据权利要求1所述的方法，其特征在于，在获得道岔转辙机故障预测结果之后，所述方法还包括：
判断道岔转辙机故障预测结果是否达到预设预测精度值；
若道岔转辙机故障预测结果达到预设预测精度值，则输出故障分类/故障溯因；
若道岔转辙机故障预测结果没有达到预设预测精度值，则对已建立的道岔转辙机每个工作阶段的决策树进行剪枝处理；
相应地，所述采用预先建立的道岔转辙机每个工作阶段的决策树分别对所述预测集中每个电流数据的电流特征值进行决策分类，获得所述预测集中每个电流数据在道岔转辙机每个工作阶段内是否故障的分类结果，并在所述预测集中某一个电流数据在道岔转辙机任意一工作阶段内故障时确定异常的电流特征值，获得道岔转辙机故障预测结果，包括：
采用剪枝处理后的道岔转辙机每个工作阶段的决策树分别对所述预测集中每个电流数据的电流特征值进行决策分类，获得所述预测集中每个电流数据在道岔转辙机每个工作阶段内是否故障的分类结果，并在所述预测集中某一个电流数据在道岔转辙机任意一工作阶段内故障时确定异常的电流特征值，获得道岔转辙机故障预测结果。
5.根据权利要求4所述的方法，其特征在于，所述对已建立的道岔转辙机每个工作阶段的决策树进行剪枝处理，包括：
针对已建立的道岔转辙机任意工作阶段的决策树：对决策树叶节点按照产生的顺序进行编号；
选取编号最大的叶节点，设此时所选取的叶节点的编号为N，N为正整数；
判断删除所选取的叶节点后预测精度是否提升；
若删除所选取的叶节点后预测精度提升，则删除所选取的叶节点，保存删除所选取的叶节点后的决策树；
若删除所选取的叶节点后预测精度没有提升，则选取编号为N-1的叶节点，判断本次所选取的叶节点是否为编号为1的节点，若否，则返回所述判断删除所选取的叶节点后预测精度是否提升的步骤。
6.一种道岔转辙机故障预测装置，其特征在于，包括：
第一获取模块，用于获取道岔转辙机动作电流数据，将所述电流数据作为预测集；
提取模块，用于提取所述预测集中每个电流数据的电流特征值；
预测模块，用于采用道岔转辙机每个工作阶段的决策树分别对所述预测集中每个电流数据的电流特征值进行决策分类，获得所述预测集中每个电流数据在道岔转辙机每个工作阶段内是否故障的分类结果，并在所述预测集中某一个电流数据在道岔转辙机任意一工作阶段内故障时确定异常的电流特征值，获得道岔转辙机故障预测结果；
其中，所述道岔转辙机每个工作阶段的决策树是基于获取的每个工作阶段的道岔转辙机动作电流数据样本、道岔转辙机每个工作阶段的电流的特征值集合和预先建立的道岔转辙机的故障特征集而预先建立的；
其中，在获取道岔转辙机动作电流数据之前，还包括：
根据道岔转辙机的型号，确定道岔转辙机各个工作阶段的电流特征值集合；
根据所述道岔转辙机各个工作阶段的电流的特征值集合，建立道岔转辙机的故障特征集；
针对道岔转辙机每个工作阶段，获取本工作阶段的道岔转辙机动作电流数据样本；
根据所获取的本工作阶段的道岔转辙机动作电流数据样本、所述道岔转辙机各个工作阶段的电流的特征值集合和所述道岔转辙机的故障特征集，从所述道岔转辙机的故障特征集选取最优划分属性；
根据选取的最优划分属性，对所获取的本工作阶段的道岔转辙机动作电流数据样本进行决策划分，建立道岔转辙机本工作阶段的决策树。
7.根据权利要求6所述的装置，其特征在于，所述装置还包括：
确定模块，用于根据道岔转辙机的型号，确定道岔转辙机各个工作阶段的电流特征值集合；
建立模块，用于根据所述道岔转辙机各个工作阶段的电流的特征值集合，建立道岔转辙机的故障特征集；
第二获取模块，用于针对道岔转辙机每个工作阶段，获取本工作阶段的道岔转辙机动作电流数据样本；根据所获取的本工作阶段的道岔转辙机动作电流数据样本、所述道岔转辙机各个工作阶段的电流的特征值集合和所述道岔转辙机的故障特征集，从所述道岔转辙机的故障特征集选取最优划分属性；根据选取的最优划分属性，对所获取的本工作阶段的道岔转辙机动作电流数据样本进行决策划分，建立道岔转辙机本工作阶段的决策树。
8.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至5任一项所述方法的步骤。
9.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1至5任一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811434777.3A CN109501834B (zh) | 2018-11-28 | 2018-11-28 | 一种道岔转辙机故障预测方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811434777.3A CN109501834B (zh) | 2018-11-28 | 2018-11-28 | 一种道岔转辙机故障预测方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109501834A CN109501834A (zh) | 2019-03-22 |
| CN109501834B true CN109501834B (zh) | 2020-09-25 |
Family
ID=65750973
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811434777.3A Active CN109501834B (zh) | 2018-11-28 | 2018-11-28 | 一种道岔转辙机故障预测方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109501834B (zh) |
Families Citing this family (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111391891A (zh) * | 2019-01-02 | 2020-07-10 | 北京城建智控科技有限公司 | 道岔故障预警方法和装置 |
| CN110749785A (zh) * | 2019-09-10 | 2020-02-04 | 交控科技股份有限公司 | 道岔转动时序分析方法和系统 |
| CN110646688B (zh) * | 2019-09-10 | 2021-11-12 | 交控科技股份有限公司 | 交流道岔自动开闭器的故障检测方法及系统 |
| CN110723166A (zh) * | 2019-11-07 | 2020-01-24 | 交控科技股份有限公司 | 一种道岔监测方法及系统 |
| CN110837718B (zh) * | 2019-11-07 | 2023-12-26 | 交控科技股份有限公司 | 道岔故障检测方法、装置、电子设备及存储介质 |
| CN110696874A (zh) * | 2019-11-22 | 2020-01-17 | 佳讯飞鸿（北京）智能科技研究院有限公司 | 一种转辙机故障预测方法和故障预测系统 |
| CN110927497B (zh) * | 2019-12-09 | 2022-03-08 | 交控科技股份有限公司 | 一种转辙机故障检测方法及装置 |
| CN111860971B (zh) * | 2020-06-29 | 2024-04-26 | 交控科技股份有限公司 | 道岔转辙机剩余寿命预测方法及装置 |
| CN111964883B (zh) * | 2020-07-24 | 2021-12-24 | 西安铁路信号有限责任公司 | 一种摆动结构中运动零件位置的检测方法 |
| CN112084673B (zh) * | 2020-09-17 | 2023-01-31 | 广西交控智维科技发展有限公司 | 道岔摩擦电流自动设置方法及装置 |
| CN112036505A (zh) * | 2020-09-17 | 2020-12-04 | 广西交控智维科技发展有限公司 | 道岔转辙机的设备状态确定方法、装置和电子设备 |
| WO2022056869A1 (zh) * | 2020-09-18 | 2022-03-24 | 西门子交通有限责任公司 | 故障预测、模型部署方法、装置、电子设备及存储介质 |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2009083843A (ja) * | 2007-09-13 | 2009-04-23 | Nippon Signal Co Ltd:The | 電子リレー |
| CN104932485A (zh) * | 2015-05-29 | 2015-09-23 | 中国铁路通信信号上海工程局集团有限公司 | 铁路道岔转辙机故障预测系统及方法 |
| CN105846780B (zh) * | 2016-03-19 | 2018-04-03 | 上海大学 | 一种基于决策树模型的光伏组件故障诊断方法 |
| CN107215357B (zh) * | 2017-05-25 | 2018-10-26 | 同济大学 | 一种道岔故障预测方法 |
| CN108664010A (zh) * | 2018-05-07 | 2018-10-16 | 广东省电信规划设计院有限公司 | 发电机组故障数据预测方法、装置和计算机设备 |
-
2018
- 2018-11-28 CN CN201811434777.3A patent/CN109501834B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN109501834A (zh) | 2019-03-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109501834B (zh) | 一种道岔转辙机故障预测方法及装置 | |
| CN111047082B (zh) | 设备的预警方法及装置、存储介质和电子装置 | |
| CN105894177B (zh) | 一种基于决策树算法的电力设备运行风险分析评估方法 | |
| CN110674189B (zh) | 一种智能变电站二次状态监测与故障定位的方法 | |
| CN105467953B (zh) | 一种面向工业大数据的知识表示及其自动化应用方法 | |
| CN110009208B (zh) | 一种基于混合智能算法的柱上开关成套设备健康状态评估方法及装置 | |
| CN114723285B (zh) | 一种电网设备安全性评估预测方法 | |
| CN111474444B (zh) | 一种基于知识图谱的线路故障复电决策方法 | |
| CN109933905A (zh) | 一种基于多维预警分析的机械设备健康状态评估方法 | |
| CN109936113B (zh) | 一种基于随机森林算法的保护动作智能诊断方法及系统 | |
| CN105967063B (zh) | 维保平台故障分析处理系统及方法 | |
| CN116562618A (zh) | 一种获得动态安全评估模型的方法 | |
| EP3968479A1 (en) | Systems and methods for automatic power topology discovery | |
| CN112990551A (zh) | 基于知识图谱的连锁故障演化路径溯源和预测方法及装置 | |
| CN112287624A (zh) | 基于生存分析加go法的继电保护系统可靠性评价方法 | |
| CN116304928A (zh) | 供电设备故障预测方法、装置、设备及存储介质 | |
| CN111044845B (zh) | 基于Apriori算法的配电网事故识别方法及系统 | |
| CN111049131B (zh) | 一种地区电网在线故障处置预案生成方法及系统 | |
| CN115170344A (zh) | 调控系统运行事件智能处理方法及装置、介质及设备 | |
| CN112506750A (zh) | 一种用于海量日志分析预警的大数据处理系统 | |
| CN115603459A (zh) | 一种基于数字孪生技术的配电网关键厂站监测方法与系统 | |
| Cheng et al. | Fault detection and diagnosis for railway switching points using fuzzy neural network | |
| CN107453354A (zh) | 一种配电网的薄弱环节识别方法 | |
| CN115983714A (zh) | 边图神经网络电力系统静态安全评估方法及系统 | |
| CN106156079A (zh) | 日志数据处理方法和装置 |
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 | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20210708 Address after: 530219 no.3095, 3rd floor, building 5, plot 4, Tianyu garden, No.16 Qinglin Road, Nanning District, China (Guangxi) pilot Free Trade Zone, Liangqing District, Nanning City, Guangxi Zhuang Autonomous Region Patentee after: Guangxi jiaokong Zhiwei Technology Development Co.,Ltd. Address before: No.2 and No.3 building, Beijing headquarters international, No.6 Haiying Road, science and Technology Park, Fengtai District, Beijing 100070 Patentee before: Traffic Control Technology Co.,Ltd. |
|
| TR01 | Transfer of patent right |