CN110728373A - 一种通过机器学习算法进行轨交报警数据排序的方法 - Google Patents
一种通过机器学习算法进行轨交报警数据排序的方法 Download PDFInfo
- Publication number
- CN110728373A CN110728373A CN201910926212.5A CN201910926212A CN110728373A CN 110728373 A CN110728373 A CN 110728373A CN 201910926212 A CN201910926212 A CN 201910926212A CN 110728373 A CN110728373 A CN 110728373A
- Authority
- CN
- China
- Prior art keywords
- alarm
- rail transit
- machine learning
- learning algorithm
- severity
- 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.)
- Pending
Links
- 238000010801 machine learning Methods 0.000 title claims abstract description 10
- 238000000034 method Methods 0.000 title claims abstract description 10
- 238000012163 sequencing technique Methods 0.000 claims abstract description 5
- 238000004458 analytical method Methods 0.000 claims abstract description 4
- 230000000694 effects Effects 0.000 claims description 3
- 241000282414 Homo sapiens Species 0.000 abstract description 5
- 230000009286 beneficial effect Effects 0.000 abstract description 3
- 238000012423 maintenance Methods 0.000 abstract description 2
- 230000001149 cognitive effect Effects 0.000 abstract 1
- 238000005516 engineering process Methods 0.000 description 2
- 238000004590 computer program Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003466 welding Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B61—RAILWAYS
- B61L—GUIDING RAILWAY TRAFFIC; ENSURING THE SAFETY OF RAILWAY TRAFFIC
- B61L23/00—Control, warning or like safety means along the route or between vehicles or trains
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Mechanical Engineering (AREA)
- Alarm Systems (AREA)
Abstract
本发明涉及轨道交通维护技术领域,尤其是一种通过机器学习算法进行轨交报警数据排序的方法;它包括以下步骤:S1采集数据;S2OCC将根据预先定义的规则进行推断并报警;S3进行警报情况分析:首先按严重性、资产、站点、时间安排,格式化概率和认识到影响,然后做出反应;S4通过算法得到警报等级。没有固定的排序,通过警报信息内的各种信息及其程度综合对报警信息进行权重和排序,系统给出的排序有助于人类进行警报的处理和解除。
Description
技术领域
本发明涉及轨道交通维护技术领域,尤其是一种通过机器学习算法进行轨交报警数据排序的方法。
背景技术
使用器具、计算机程序等方式对可能出现的危险进行声光电报警是一种现有技术,例如使用闹钟提醒起床,高层建筑使用警铃警示火灾。部分技术甚至可以对若干种预见的危险进行排序,例如全自动焊接生产线,它通常设有人体接近传感器、电压传感器、温度传感器等,人体接近传感器得到的报警数据通常排在首位,因为人身安全最重要,然后依次是电压传感器、温度传感器得到的报警数据。
显而易见地,上述技术方案中的报警数据排序是固定的,任何时候它都依照既定的顺序运作,但当这种程序运用在具有大批量多种类的报警数据系统中时,则无法真正分清轻重缓急,没有办法像人类一样对各种上报的报警数据进行辨别和排序,只会导致系统频繁发出警报而对事件的解决没有太大帮助。
发明内容
针对现有技术的不足,本发明提供一种通过机器学习算法进行轨交报警数据排序的方法。
本发明的技术方案为:
一种通过机器学习算法进行轨交报警数据排序的方法,它包括以下步骤:
S1采集数据;
S2 OCC将根据预先定义的规则进行推断并报警;
S3进行警报情况分析:首先按严重性、资产、站点、时间安排,格式化概率和
认识到影响,然后做出反应;
S4通过算法得到警报等级。
其中,S3中为每个警报赋值,赋值的类型为严重性、资产、站点、时间安排、概率、影响度,赋值格式为严重性(H/M/L)、资产(H/M/L)、站点(H/M/L)、时间安排(H/M/L)、概率(H/M/L)、影响度(H/M/L)。
其中,S4中算法规则如下:赋值中的(H/M/L)对应数值为(3/2/1),将同一批次的各个警报信息的赋值各自相乘,按照乘积数值大小依次进行排序。
本发明的有益效果为:没有固定的排序,通过警报信息内的各种信息及其程度综合对报警信息进行权重和排序,系统给出的排序有助于人类进行警报的处理和解除。
附图说明
图1为本发明的结构示意图。
具体实施方式
下面结合附图对本发明的具体实施方式作进一步说明:
如图1所示,一种通过机器学习算法进行轨交报警数据排序的方法,它包括以下步骤:
S1采集数据;
S2 OCC将根据预先定义的规则进行推断并报警;
S3进行警报情况分析:首先按严重性、资产、站点、时间安排,格式化概率和
认识到影响,然后做出反应;
S4通过算法得到警报等级。
其中,S3中为每个警报赋值,赋值的类型为严重性、资产、站点、时间安排、概率、影响度,赋值格式为严重性(H/M/L)、资产(H/M/L)、站点(H/M/L)、时间安排(H/M/L)、概率(H/M/L)、影响度(H/M/L)。
其中,S4中算法规则如下:赋值中的(H/M/L)对应数值为(3/2/1),将同一批次的各个警报信息的赋值各自相乘,按照乘积数值大小依次进行排序。
上述实施例和说明书中描述的只是说明本发明的原理和最佳实施例,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。
Claims (3)
1.一种通过机器学习算法进行轨交报警数据排序的方法,它包括以下步骤:
S1采集数据;
S2OCC将根据预先定义的规则进行推断并报警;
S3进行警报情况分析:首先按严重性、资产、站点、时间安排,格式化概率和
认识到影响,然后做出反应;
S4通过算法得到警报等级。
2.根据权利要求1所述的一种通过机器学习算法进行轨交报警数据排序的方法,其特征在于:S3中为每个警报赋值,赋值的类型为严重性、资产、站点、时间安排、概率、影响度,赋值格式为严重性(H/M/L)、资产(H/M/L)、站点(H/M/L)、时间安排(H/M/L)、概率(H/M/L)、影响度(H/M/L)。
3.根据权利要求1所述的一种通过机器学习算法进行轨交报警数据排序的方法,其特征在于:S4中算法规则如下:赋值中的(H/M/L)对应数值为(3/2/1),将同一批次的各个警报信息的赋值各自相乘,按照乘积数值大小依次进行排序。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910926212.5A CN110728373A (zh) | 2019-09-27 | 2019-09-27 | 一种通过机器学习算法进行轨交报警数据排序的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910926212.5A CN110728373A (zh) | 2019-09-27 | 2019-09-27 | 一种通过机器学习算法进行轨交报警数据排序的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110728373A true CN110728373A (zh) | 2020-01-24 |
Family
ID=69218546
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910926212.5A Pending CN110728373A (zh) | 2019-09-27 | 2019-09-27 | 一种通过机器学习算法进行轨交报警数据排序的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110728373A (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101807314A (zh) * | 2009-02-17 | 2010-08-18 | 同济大学 | 嵌入式车辆工况混杂异构数据信息实时处理方法 |
CN103529707A (zh) * | 2013-11-07 | 2014-01-22 | 南京国电南自轨道交通工程有限公司 | 一种地铁综合监控系统中全面向对象智能报警模型的设计方法 |
CN104778821A (zh) * | 2015-04-09 | 2015-07-15 | 银江股份有限公司 | 一种交通设备自动报警系统及方法 |
CN106292496A (zh) * | 2016-08-31 | 2017-01-04 | 浙江浙大中控信息技术有限公司 | 一种地铁监控系统报警管理方法 |
CN109391629A (zh) * | 2018-11-23 | 2019-02-26 | 上海电科智能系统股份有限公司 | 轨道交通综合监控系统数据处理方法 |
CN109870988A (zh) * | 2019-03-15 | 2019-06-11 | 中铁工程服务有限公司 | 一种基于关联规则的盾构施工故障预警方法及系统 |
-
2019
- 2019-09-27 CN CN201910926212.5A patent/CN110728373A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101807314A (zh) * | 2009-02-17 | 2010-08-18 | 同济大学 | 嵌入式车辆工况混杂异构数据信息实时处理方法 |
CN103529707A (zh) * | 2013-11-07 | 2014-01-22 | 南京国电南自轨道交通工程有限公司 | 一种地铁综合监控系统中全面向对象智能报警模型的设计方法 |
CN104778821A (zh) * | 2015-04-09 | 2015-07-15 | 银江股份有限公司 | 一种交通设备自动报警系统及方法 |
CN106292496A (zh) * | 2016-08-31 | 2017-01-04 | 浙江浙大中控信息技术有限公司 | 一种地铁监控系统报警管理方法 |
CN109391629A (zh) * | 2018-11-23 | 2019-02-26 | 上海电科智能系统股份有限公司 | 轨道交通综合监控系统数据处理方法 |
CN109870988A (zh) * | 2019-03-15 | 2019-06-11 | 中铁工程服务有限公司 | 一种基于关联规则的盾构施工故障预警方法及系统 |
Non-Patent Citations (1)
Title |
---|
李洪朋: "铁路信号集中监测智能综合分析系统研究与实现", 《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》, no. 01, 15 January 2019 (2019-01-15), pages 033 - 602 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109271512B (zh) | 舆情评论信息的情感分析方法、装置及存储介质 | |
CN103703487B (zh) | 信息识别方法以及系统 | |
US20090283596A1 (en) | Safety equipment | |
CN110837718B (zh) | 道岔故障检测方法、装置、电子设备及存储介质 | |
CN108535759B (zh) | 百万千瓦级核电站的远程辐射防护监控方法、装置及系统 | |
CN112258362B (zh) | 危险源识别方法、系统及可读存储介质 | |
CN116823227A (zh) | 一种基于物联网的智能设备管理系统及方法 | |
CN115524002B (zh) | 一种电厂旋转设备的运行状态预警方法、系统及存储介质 | |
CN111459692A (zh) | 用于预测驱动器故障的方法、设备和计算机程序产品 | |
CN112950344A (zh) | 数据评估方法、装置、电子设备及存储介质 | |
EP4038557A1 (en) | Method and system for continuous estimation and representation of risk | |
CN114994565A (zh) | 一种电气柜防水漏电警报系统 | |
CN110728373A (zh) | 一种通过机器学习算法进行轨交报警数据排序的方法 | |
CN112723075B (zh) | 一种数据不平衡的电梯振动影响因素分析方法 | |
CN111639213A (zh) | 一种异常行为的识别方法及装置 | |
CN115169650B (zh) | 一种大数据分析的装备健康预测方法 | |
US10295965B2 (en) | Apparatus and method for model adaptation | |
CN113955149A (zh) | 一种电机系统的健康诊断方法和装置 | |
CN114490829A (zh) | 一种故障识别方法、装置、设备及存储介质 | |
CN102608303A (zh) | 一种橡胶硬度的在线测量方法 | |
CN112882896A (zh) | 数据监控方法、装置和电子设备 | |
CN113361855A (zh) | 一种短中长期风险的告警方法及装置 | |
CN112578759A (zh) | 一种基于mes系统的多终端数据采集方法及装置 | |
CN110888361A (zh) | 一种含工器具探伤功能的带电作业工器具管理系统及方法 | |
CN111883226A (zh) | 一种信息处理和模型训练方法、装置、设备及存储介质 |
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 |