CN110562296A - 一种基于lkj列控运行文件数据连续波动异常识别方法 - Google Patents
一种基于lkj列控运行文件数据连续波动异常识别方法 Download PDFInfo
- Publication number
- CN110562296A CN110562296A CN201910912164.4A CN201910912164A CN110562296A CN 110562296 A CN110562296 A CN 110562296A CN 201910912164 A CN201910912164 A CN 201910912164A CN 110562296 A CN110562296 A CN 110562296A
- Authority
- CN
- China
- Prior art keywords
- fluctuation
- lkj
- abnormal
- continuous
- value
- 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.)
- Withdrawn
Links
- 238000000034 method Methods 0.000 title claims abstract description 35
- 230000002159 abnormal effect Effects 0.000 claims abstract description 70
- 230000005856 abnormality Effects 0.000 claims description 9
- 230000000007 visual effect Effects 0.000 claims description 5
- 230000001186 cumulative effect Effects 0.000 claims description 3
- 230000001965 increasing effect Effects 0.000 claims description 3
- 230000004931 aggregating effect Effects 0.000 claims description 2
- 238000012163 sequencing technique Methods 0.000 claims description 2
- 238000012544 monitoring process Methods 0.000 abstract description 2
- 230000003137 locomotive effect Effects 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 230000001939 inductive effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B61—RAILWAYS
- B61L—GUIDING RAILWAY TRAFFIC; ENSURING THE SAFETY OF RAILWAY TRAFFIC
- B61L15/00—Indicators provided on the vehicle or train for signalling purposes
- B61L15/0054—Train integrity supervision, e.g. end-of-train [EOT] devices
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B61—RAILWAYS
- B61L—GUIDING RAILWAY TRAFFIC; ENSURING THE SAFETY OF RAILWAY TRAFFIC
- B61L15/00—Indicators provided on the vehicle or train for signalling purposes
- B61L15/0072—On-board train data handling
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B61—RAILWAYS
- B61L—GUIDING RAILWAY TRAFFIC; ENSURING THE SAFETY OF RAILWAY TRAFFIC
- B61L15/00—Indicators provided on the vehicle or train for signalling purposes
- B61L15/0081—On-board diagnosis or maintenance
Landscapes
- Engineering & Computer Science (AREA)
- Mechanical Engineering (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Electric Propulsion And Braking For Vehicles (AREA)
- Train Traffic Observation, Control, And Security (AREA)
Abstract
本发明公开了一种基于LKJ列控运行文件数据连续波动异常识别方法,包括对LKJ设备传感器传输的连续数值进行异常波动捕获,所述捕获方法包括以下步骤:S1:连续波动识别方法,建立连续波动异常范围,对传感器传输的LKJ速度、LKJ限速、管压、缸压等连续型数值进行波动合理范围、异常范围识别;S2:形成连续波动异常模式库,将一段历史时间的LKJ运行文件数据识别出来的LKJ速度、LKJ限速、管压、缸压等连续型数值的波动异常范围进行保存,并形成连续波动异常模式库。本发明所述的一种基于LKJ列控运行文件数据连续波动异常识别方法,通过将大数据异常识别技术与LKJ列控流式时间序列数据进行结合,实现了海量数据的整体异常监测。
Description
技术领域
本发明涉及LKJ运行文件数据异常检测领域,特别涉及一种基于LKJ列控运行文件数据连续波动异常识别方法。
背景技术
列车运行监控记录装置LKJ是中国技术人员研究开发的以防止列车冒进信号、运行超速和辅助司机提高操纵能力为主要目标的列车速度控制系统。LKJ2000釆集并记录与列车安全运行有关的各种机车运行状态信息,比如当前速度、限速、公里标、机车信号、当前工况、列车管压等,并形成LKJ运行记录数据文件。生成的大量的流式时间序列数据,无法通过人工经验判断数据波动范围异常,无法归纳性的分析连续型数值异常与设备异常之间的关联关系。
发明内容
本发明的主要目的在于提供一种基于LKJ列控运行文件数据连续波动异常识别方法,可以有效解决背景技术中的问题。
为实现上述目的,本发明采取的技术方案为:
一种基于LKJ列控运行文件数据连续波动异常识别方法,包括对LKJ设备传感器传输的连续数值进行异常波动捕获,所述捕获方法包括以下步骤:
S1:连续波动识别方法,建立连续波动异常范围,对传感器传输的LKJ速度、LKJ限速、管压、缸压等连续型数值进行波动合理范围、异常范围识别;
S2:形成连续波动异常模式库,将一段历史时间的LKJ运行文件数据识别出来的LKJ速度、LKJ限速、管压、缸压等连续型数值的波动异常范围进行保存,并形成连续波动异常模式库;
S3:定时匹配连续波动异常模式库,查找异常;保存异常数据;
S4:可视化界面定时输出异常结果,根据异常结果分车型、车号、时间、线路对异常结果进行异常频次汇总展示;或视波动严重程度对车型进行重点定位。
优选的,根据时间窗口滑动捕获波动值,连续波动识别方法包括以下步骤:
1)、确定窗口宽度,并设置起始和结束两个指针,作为窗口的边界;
2)、对于同一车型的每一个运行文件,两个指针从文件记录开始,每次递增一个时间单位,时间单位选取小于窗口宽度,直至文件末尾,如窗口宽度内包含事件,记录下对应的各个连续型变量的数值;
3)、对于窗口内的每个变量,将其最大值减去最小值,形成一个波动记录;
4)、统计所有波动值出现的次数,按照波动值从小到大排序,计算每个波动值出现频数的累积百分比,取最大的3%或5%作为异常波动范围;
5)、横向比较同个车型不同时间的多个运行文件,判断异常范围内的波动值是否在每个文件中都会出现,如只在极少文件中出现,则可列为异常,若大多数文件中均出现这一波动值,视为正常。
优选的,将连续波动识别方法提取的异常数据聚合形成连续波动异常标准模式库。
优选的,对于一个新的运行文件,按照统一的窗口宽度和时间单位计算连续变量的波动值,与对应车型的波动值阈值进行比较,超过阈值的视为异常。
优选的,根据异常结果分车型、车号、时间、线路对异常结果进行异常频次汇总展示,或视波动严重程度对车型进行重点定位。
与现有技术相比,本发明具有如下有益效果:
本发明中,通过将大数据异常识别技术与LKJ列控流式时间序列数据进行结合,实现了海量数据的整体异常监测,同时利用可视化终端分层次、分维度进行有效汇总、重点分析,帮助工作人员迅速开展异常定位,及时响应从而进一步降低故障损失成本,具体来说,整个方法包括连续波动识别方法,建立连续波动异常范围;形成连续波动异常模式库;定时匹配连续波动异常模式库,查找异常;可视化界面定时输出异常结果。
附图说明
图1是本发明的识别方法流程图。
具体实施方式
为使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解,下面结合具体实施方式,进一步阐述本发明。
实施例:
如图1所示,一种基于LKJ列控运行文件数据连续波动异常识别方法,包括对LKJ设备传感器传输的连续数值进行异常波动捕获,所述捕获方法包括以下步骤:
S1:连续波动识别方法,建立连续波动异常范围,对传感器传输的LKJ速度、LKJ限速、管压、缸压等连续型数值进行波动合理范围、异常范围识别,首先,确定连续型数值的滑动窗口宽度(如5秒,10秒等),并设置起始和结束两个指针,作为窗口的边界,其次,对于同一车型的每一个运行文件,两个指针从文件记录开始,每次递增一个时间单位(向前滑动),时间单位选取小于窗口宽度,如1秒,2秒等,直至文件末尾,如窗口宽度内包含事件,记录下对应的各个连续型变量的数值,然后,对于窗口内的每个变量,将其最大值减去最小值,形成一个波动记录,此外,统计所有波动值出现的次数,按照波动值从小到大排序,计算每个波动值出现频数的累积百分比,取最大的3%或5%作为异常波动范围,最后,横向比较同个车型不同时间的多个运行文件,判断异常范围内的波动值是否在每个文件中都会出现,如只在极少文件中出现,则可列为异常,若大多数文件中均出现这一波动值,视为正常,将连续波动识别方法提取的异常数据聚合形成连续波动异常标准模式库,对于一个新的运行文件,按照统一的窗口宽度和时间单位计算连续变量的波动值,与对应车型的波动值阈值进行比较,超过阈值的视为异常,根据异常结果分车型、车号、时间、线路对异常结果进行异常频次汇总展示,或视波动严重程度对车型进行重点定位;
S2:形成连续波动异常模式库,将一段历史时间的LKJ运行文件数据识别出来的LKJ速度、LKJ限速、管压、缸压等连续型数值的波动异常范围进行保存,并形成连续波动异常模式库;
S3:定时匹配连续波动异常模式库,查找异常;保存异常数据;
S4:可视化界面定时输出异常结果,根据异常结果分车型、车号、时间、线路对异常结果进行异常频次汇总展示;或视波动严重程度对车型进行重点定位。
需要说明的是,本发明为一种基于LKJ列控运行文件数据连续波动异常识别方法,使用时统计展示每天不同列车不同设备连续值(LKJ速度、机车管压、机车缸压、转速(电流))异常波动出现的次数;根据车型、车号、设备事件状态名称、时间段展示总设备连续规则分布、单一设备(车型、车号)连续规则车分布、单一设备连续规则车型分布、同一列车设备连续规则分布、同一列车设备连续规则趋势、单一设备连续规则分布、同一设备连续规则多台车趋势图、同一列车多种设备连续规则趋势图等统计图;展示同一设备连续规则在不同时间点(精确到分)的分布。
以上显示和描述了本发明的基本原理和主要特征和本发明的优点。本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的只是说明本发明的原理,在不脱离本发明精神和范围的前提下,本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (5)
1.一种基于LKJ列控运行文件数据连续波动异常识别方法,包括对LKJ设备传感器传输的连续数值进行异常波动捕获,其特征在于:所述捕获方法包括以下步骤:
S1:连续波动识别方法,建立连续波动异常范围,对传感器传输的LKJ速度、LKJ限速、管压、缸压等连续型数值进行波动合理范围、异常范围识别;
S2:形成连续波动异常模式库,将一段历史时间的LKJ运行文件数据识别出来的LKJ速度、LKJ限速、管压、缸压等连续型数值的波动异常范围进行保存,并形成连续波动异常模式库;
S3:定时匹配连续波动异常模式库,查找异常;保存异常数据;
S4:可视化界面定时输出异常结果,根据异常结果分车型、车号、时间、线路对异常结果进行异常频次汇总展示;或视波动严重程度对车型进行重点定位。
2.根据权利要求1所述的一种基于LKJ列控运行文件数据连续波动异常识别方法,其特征在于:根据时间窗口滑动捕获波动值,连续波动识别方法包括以下步骤:
1)、确定窗口宽度,并设置起始和结束两个指针,作为窗口的边界;
2)、对于同一车型的每一个运行文件,两个指针从文件记录开始,每次递增一个时间单位,时间单位选取小于窗口宽度,直至文件末尾,如窗口宽度内包含事件,记录下对应的各个连续型变量的数值;
3)、对于窗口内的每个变量,将其最大值减去最小值,形成一个波动记录;
4)、统计所有波动值出现的次数,按照波动值从小到大排序,计算每个波动值出现频数的累积百分比,取最大的3%或5%作为异常波动范围;
5)、横向比较同个车型不同时间的多个运行文件,判断异常范围内的波动值是否在每个文件中都会出现,如只在极少文件中出现,则可列为异常,若大多数文件中均出现这一波动值,视为正常。
3.根据权利要求2所述的一种基于LKJ列控运行文件数据连续波动异常识别方法,其特征在于:将连续波动识别方法提取的异常数据聚合形成连续波动异常标准模式库。
4.根据权利要求2所述的一种基于LKJ列控运行文件数据连续波动异常识别方法,其特征在于:对于一个新的运行文件,按照统一的窗口宽度和时间单位计算连续变量的波动值,与对应车型的波动值阈值进行比较,超过阈值的视为异常。
5.根据权利要求2所述的一种基于LKJ列控运行文件数据连续波动异常识别方法,其特征在于:根据异常结果分车型、车号、时间、线路对异常结果进行异常频次汇总展示,或视波动严重程度对车型进行重点定位。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910912164.4A CN110562296A (zh) | 2019-09-25 | 2019-09-25 | 一种基于lkj列控运行文件数据连续波动异常识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910912164.4A CN110562296A (zh) | 2019-09-25 | 2019-09-25 | 一种基于lkj列控运行文件数据连续波动异常识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110562296A true CN110562296A (zh) | 2019-12-13 |
Family
ID=68782447
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910912164.4A Withdrawn CN110562296A (zh) | 2019-09-25 | 2019-09-25 | 一种基于lkj列控运行文件数据连续波动异常识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110562296A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111843616A (zh) * | 2020-07-01 | 2020-10-30 | 广州华工中云信息技术有限公司 | 一种数控机床进给轴连续波动异常识别方法 |
CN114634391A (zh) * | 2022-03-21 | 2022-06-17 | 广东宏大韶化民爆有限公司 | 一种膨化结晶机的运行状态实时评估方法及系统 |
-
2019
- 2019-09-25 CN CN201910912164.4A patent/CN110562296A/zh not_active Withdrawn
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111843616A (zh) * | 2020-07-01 | 2020-10-30 | 广州华工中云信息技术有限公司 | 一种数控机床进给轴连续波动异常识别方法 |
CN114634391A (zh) * | 2022-03-21 | 2022-06-17 | 广东宏大韶化民爆有限公司 | 一种膨化结晶机的运行状态实时评估方法及系统 |
CN114634391B (zh) * | 2022-03-21 | 2022-10-11 | 广东宏大韶化民爆有限公司 | 一种膨化结晶机的运行状态实时评估方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107703920B (zh) | 基于多元时间序列的列车制动系统的故障检测方法 | |
CN108073497B (zh) | 一种基于数据中心数据采集平台的多指标异动分析方法 | |
US8988238B2 (en) | Change detection system using frequency analysis and method | |
CN103744389B (zh) | 一种油气生产设备运行状态的预警方法 | |
JP6060261B2 (ja) | 状態監視装置 | |
CN109186813A (zh) | 一种温度传感器自检装置及方法 | |
WO2015159577A1 (ja) | 状態監視装置 | |
CN111866031B (zh) | 设备监测分析方法、装置、服务器及存储介质 | |
CN110414154B (zh) | 一种带有双测点的风机部件温度异常检测和报警方法 | |
CN110562296A (zh) | 一种基于lkj列控运行文件数据连续波动异常识别方法 | |
CN110469496B (zh) | 一种水泵智能预警方法及系统 | |
CN117251812A (zh) | 一种基于大数据分析的高压电力线路运行故障检测方法 | |
CN111666978B (zh) | 一种it系统运维大数据的智能故障预警系统 | |
JP2011247695A (ja) | パターンライブラリを用いた異常診断方法および異常診断システム | |
CN110687851A (zh) | 一种终端运行监控系统及方法 | |
CN114664063A (zh) | 一种基于通用指标趋势分析的设备分级报警方法 | |
JP4434795B2 (ja) | 運転データ管理装置および運転データ管理方法 | |
CN117435883A (zh) | 一种基于数字孪生的设备故障预测的方法和系统 | |
CN117708637A (zh) | 基于改进k均值聚类分析的风电机组叶片故障诊断方法 | |
CN112524077A (zh) | 检测风机故障的方法及装置、系统 | |
US10656637B2 (en) | Monitoring system and monitoring method | |
CN115630284A (zh) | 一种考虑服役周期的空压机故障分析与寿命预测系统 | |
CN113052272B (zh) | 一种异常检测方法、装置、电子设备及存储介质 | |
CN106650154B (zh) | 一种基于热力性能指标的核电常规岛设备可靠性监测方法 | |
CN112526558B (zh) | 一种局部数据缺失条件下的系统运行工况识别与切割方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
WW01 | Invention patent application withdrawn after publication | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20191213 |