CN110728768B - 一种道岔运维方法及系统 - Google Patents
一种道岔运维方法及系统 Download PDFInfo
- Publication number
- CN110728768B CN110728768B CN201910925687.2A CN201910925687A CN110728768B CN 110728768 B CN110728768 B CN 110728768B CN 201910925687 A CN201910925687 A CN 201910925687A CN 110728768 B CN110728768 B CN 110728768B
- Authority
- CN
- China
- Prior art keywords
- classification
- classification model
- edge node
- node
- data
- 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
- 238000000034 method Methods 0.000 title claims abstract description 68
- 238000012423 maintenance Methods 0.000 title claims abstract description 44
- 238000013145 classification model Methods 0.000 claims abstract description 158
- 238000004458 analytical method Methods 0.000 claims abstract description 103
- 238000007405 data analysis Methods 0.000 claims abstract description 19
- 230000001360 synchronised effect Effects 0.000 claims abstract description 9
- 230000036541 health Effects 0.000 claims description 32
- 238000012549 training Methods 0.000 claims description 17
- 238000012706 support-vector machine Methods 0.000 claims description 8
- 238000004891 communication Methods 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 5
- 230000008569 process Effects 0.000 description 17
- 230000009471 action Effects 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000003862 health status Effects 0.000 description 3
- 238000007781 pre-processing Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000010224 classification analysis Methods 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
- G07C3/00—Registering or indicating the condition or the working of machines or other apparatus, other than vehicles
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/40—Business processes related to the transportation industry
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Business, Economics & Management (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Train Traffic Observation, Control, And Security (AREA)
Abstract
本发明实施例提供一种道岔运维方法及系统。所述方法包括边缘节点根据第一分类模型对获取的特征数据进行数据分析，得到第一分类结果；第一分类模型与智能分析节点的第二分类模型同步；边缘节点将特征数据和第一分类结果发送给智能分析节点，以使智能分析节点基于聚类算法得到第二分类结果，并根据比较结果来确定是否对第一分类模型进行更新，本发明实施例通过在边缘节点预设的第一分类模型对特征数据进行数据分析得到第一分类结果，再由所述智能分析节点对基于聚类算法得到第二分类结果，并判断所述第一分类结果的正确率，来确定对第一分类模型进行更新，从而利用所述边缘节点提高对所述道岔设备产生的数据进行分析、判断的效率和准确性。
Description
技术领域
本发明涉及轨道交通技术领域，尤其涉及一种道岔运维方法及系统。
背景技术
道岔引导轨道车辆由一条线路转往另一条线路的过渡设备，至少包括转辙器、辙叉部分和连接部分。目前的道岔运维系统主要依靠“传感器+通信机+通信线缆+路由设备(交换机)+中心数据库+控制中心”的模式展开，该模式的系统以中心化的形式，所有数据的处理与分析都在控制中心进行。
在轨道交通运输压力不断增长的背景下，轨道交通对道岔运维系统的要求逐步提升。从而暴露出了现有运维系统由于过度采用中心化架构，采集到的道岔工况数据需要上传到设备集中站或控制中心进行处理和分析，中心服务器计算压力过大，工作效率底且数据时延高。
发明内容
由于现有方法存在上述问题，本发明实施例提供一种道岔运维方法及系统。
第一方面，本发明实施例提供了一种道岔运维方法，包括：
边缘节点根据预设的第一分类模型对获取的道岔设备的特征数据进行数据分析，得到所述特征数据的第一分类结果；其中，所述第一分类模型与智能分析节点的第二分类模型同步，所述第二分类模型为，将经过标注的训练特征数据作为样本进行预先训练后获取；
所述边缘节点将所述特征数据和对应的第一分类结果发送给所述智能分析节点，以使所述智能分析节点基于预设的聚类算法得到所述特征数据的第二分类结果，并根据所述第一分类结果和第二分类结果的比较结果来确定是否对所述第一分类模型进行更新。
进一步地，所述边缘节点根据预设的第一分类模型对道岔设备的特征数据进行数据分析，得到所述特征数据的第一分类结果，具体包括：
所述边缘节点通过与其连接的传感器获取与所述传感器对应的道岔设备的工况数据；
所述边缘节点对所述工况数据进行特征提取，得到所述特征数据；
所述边缘节点将所述特征数据输入到预设的第一分类模型中，得到所述道岔设备的健康状态，作为所述特征数据的第一分类结果。
进一步地，所述边缘节点将所述特征数据输入到预设的第一分类模型中，得到所述道岔设备的健康状态，作为所述特征数据的第一分类结果，具体包括：
所述边缘节点将所述特征数据输入到预存的基于支持向量机的第一分类模型中，得到所述道岔设备的健康状态，作为所述特征数据的第一分类结果。
进一步地，所述道岔运维方法还包括：
所述边缘节点接收所述智能分析节点发送的训练后的所述第二分类模型的模型参数；
所述边缘节点根据所述模型参数对所述第一分类模型进行更新。
第二方面，本发明实施例提供了另一种道岔运维方法，包括：
智能分析节点接收由边缘节点上传的道岔设备的特征数据和与所述特征数据对应的第一分类结果；其中，所述第一分类结果为所述边缘节点根据预设的第一分类模型对获取的所述特征数据进行数据分析后得到，所述第一分类模型与所述智能分析节点的第二分类模型同步，所述第二分类模型为，将经过标注的训练特征数据作为样本进行预先训练后获取；
所述智能分析节点基于预设的聚类算法得到所述特征数据的第二分类结果；
所述智能分析节点根据所述第一分类结果和第二分类结果的比较结果来确定是否对所述第一分类模型进行更新。
进一步地，所述智能分析节点基于预设的聚类算法得到所述特征数据的第二分类结果；具体包括：
根据预设的周期，所述智能分析节点对接收到的所有特征数据执行预设的聚类算法，得到与每个特征数据对应的簇；
根据预设的簇与健康状态的对应关系，得到与所述特征数据对应的道岔设备的健康状态，作为所述特征数据的第二分类结果。
进一步地，所述智能分析节点根据所述第一分类结果和第二分类结果的比较结果来确定是否对所述第一分类模型进行更新；具体包括：
将所述第一分类结果与第二分类结果进行比较来判断所述第一分类结果是否正确；
根据比较结果，得到所述第一分类结果在所述预设的周期内的正确率；
若所述正确率低于预设的正确率阈值，则判定需要对所述第一分类模型进行更新。
进一步地，所述道岔运维方法还包括：
若所述智能分析节点判定需要对所述第一分类模型进行更新，则将根据所述比较结果判定为错误的第一分类结果对应的特征数据进行标注，作为新的样本对所述第二分类模型进行更新；
将更新后的第二分类模型的模型参数发送给所述边缘节点，以使所述边缘节点根据所述模型参数更新所述第一分类模型。
进一步地，所述道岔运维方法还包括：
所述智能分析节点统计所述第一分类模型被连续判定为需要进行更新的周期数；
若所述周期数超过了预设的周期阈值，则向专家知识库发送报警信息。
第三方面，本发明实施例提供了一种道岔运维系统，包括：至少一个边缘节点，至少一个的智能分析节点，各边缘节点与至少一个传感器相连，各传感器与对应的道岔设备相连，各智能分析节点与至少一个边缘节点通过通信网络相连，各智能分析节点与专家知识库相连；其中，所述边缘节点用于执行上述道岔运维方法，所述智能分析节点用于执行上述道岔运维方法。
本发明实施例提供的道岔运维方法及系统，通过在边缘节点预设的第一分类模型对道岔设备的特征数据进行数据分析得到第一分类结果，再由所述智能分析节点对所述特征数据进行基于聚类算法的数据分析得到第二分类结果，并判断所述第一分类结果的正确率，来确定是否需要对所述第一分类模型进行更新，从而利用所述边缘节点提高对所述道岔设备产生的数据进行分析、判断的效率和准确性。
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为本发明实施例的道岔运维方法流程图；
图2为本发明实施例的另一道岔运维方法流程图；
图3为本发明实施例的道岔运维系统结构示意图；
图4为本发明实施例的专家知识系统工作逻辑示意图。
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为本发明实施例的道岔运维方法流程图，所述方法包括：
步骤S01、边缘节点根据预设的第一分类模型对获取的道岔设备的特征数据进行数据分析，得到所述特征数据的第一分类结果；其中，所述第一分类模型与智能分析节点的第二分类模型同步，所述第二分类模型为，将经过标注的训练特征数据作为样本进行预先训练后获取。
为了解决现有的采用中心化形式的道岔运维系统带来的一系列问题，本发明实施例采用一套基于边缘计算的道岔运维系统，将既有的中心服务器的功能进行分布式分解，将道岔故障的分析、判断和预警功能下沉到边缘节点和智能分析节点，降低数据时延和系统整体的数据传输压力，提升系统稳定性。其中，每个边缘节点与至少一个道岔设备对应的传感器相连，每个智能分析节点与至少一个边缘节点相连。
所述边缘节点通过接收与其连接的传感器上传的道岔设备的工况数据，并对所述工况数据进行预处理，得到用于表征所述道岔设备在本次执行任务的过程中表现出的特征的特征数据，所述特征数据可具体以向量形式表示。
另外，所述边缘节点预先构建第一分类模型，所述第一分类模型与智能分析节点的第二分类模型同步。所述智能分析节点构建了与所述第一分类模型具有相同结构的第二分类模型，并将预先获取的经过标注的训练特征数据作为样本来对所述第二分类模型进行训练。然后再将训练完成后的第二分类模型与所述边缘节点的第一分类模型进行同步。
在实际的应用过程中，所述第一分类模型与对应的第二分类模型的数量可以针对不同的需求来进行设定。具体地，可以为整个道岔运维系统设定一个总的第一分类模型和第二分类模型；也可以根据道岔设备所在的地区、应用场景、或者具体的设备架构等对所有道岔设备进行分类，并为每种类型的道岔设备设置对应的第一分类模型和第二分类模型；还可以为每个道岔设备设定一个对应的第一分类模型和第二分类模型。为了简便起见，在下面的实施例中都仅以只存在一个第一分类模型和对应第二分类模型为例进行举例说明。
所述边缘节点利用同步后的第一分类模型对得到的特征数据进行数据分析，得到与所述特征数据对应的第一分类结果。
步骤S02、所述边缘节点将所述特征数据和对应的第一分类结果发送给所述智能分析节点，以使所述智能分析节点基于预设的聚类算法得到所述特征数据的第二分类结果，并根据所述第一分类结果和第二分类结果的比较结果来确定是否对所述第一分类模型进行更新。
所述边缘节点将获取到的所述道岔设备的特征数据，以及对所述特征数据进行数据分析后得到的第一分类结果发送给所述智能分析节点。
由所述智能分析节点通过预设的聚类算法来对所述特征数据进行数据分析，以得到与所述特征数据对应的第二分类结果。
通过将所述特征数据的第一分类结果和第二分类结果进行比较，并统计比较结果，计算由所述边缘节点得到的第一分类结果的正确率。根据所述正确率可以判断出当前的第一分类模型是否足够准确，若正确率低于预期，则判定需要对所述第一分类模型进行更新，即相当于判定需要对所述第二分类模型进行更新。此时，所述智能分析节点对所述第二分类模型再次进行训练，并将完成更新后的第二分类模型与所述边缘节点的第一分类模型进行同步。
进一步地，所述方法还包括：
所述边缘节点接收所述智能分析节点发送的训练后的所述第二分类模型的模型参数；
所述边缘节点根据所述模型参数对所述第一分类模型进行更新。
所述边缘节点通过接收所述智能分析节点发送的第二分类模型的模型参数来实现所述第一分类模型与所述第二分类模型的同步过程。
所述智能分析节点将每次训练完成后的第二分类模型的模型参数实时发送给所述边缘节点，从而使所述边缘节点能够及时更新所述第一分类模型的模型参数，保持与所述第二分类模型的同步。
本发明实施例通过在边缘节点预设的第一分类模型对道岔设备的特征数据进行数据分析得到第一分类结果，再由所述智能分析节点对所述特征数据进行基于聚类算法的数据分析得到第二分类结果，并判断所述第一分类结果的正确率，来确定是否需要对所述第一分类模型进行更新，从而利用所述边缘节点提高对所述道岔设备产生的数据进行分析、判断的效率和准确性。
基于上述实施例，进一步地，所述步骤S01具体包括：
步骤S011、所述边缘节点通过与其连接的传感器获取与所述传感器对应的道岔设备的工况数据。
所述传感器负责感知对应的道岔设备的工况数据，可以检测道岔设备在任务执行过程中的电流、电压、动作杆微小形变、道岔缺口状态等数据，并将所述工况数据发送给与其连接的边缘节点。
步骤S012、所述边缘节点对所述工况数据进行特征提取，得到所述特征数据。
所述边缘节点通过对接收到的工况数据进行预处理来进行特征提取。具体的预处理过程可以先根据预先的设定对接收到的工况数据进行数据格式转换，然后再从转换后的工况数据进行特征提取，从而得到用于表征所述道岔设备在本次执行任务的过程中的特征数据。
步骤S013、所述边缘节点将所述特征数据输入到预设的第一分类模型中，得到所述道岔设备的健康状态，作为所述特征数据的第一分类结果。
所述边缘节点将得到的特征数据输入到预设的第一分类模型中，所述第一分类模型的输出为根据所述特征数据得到的所述道岔设备的健康状态。所述健康状态可以根据实际的需要来进行划分，而本发明实施例仅给出了其中的一种举例说明，将所述健康状态分为：故障、亚健康和健康三种。所述边缘节点将所述道岔设备的健康状态作为所述特征数据的第一分类结果，并将所述特征数据和对应第一分类结果发送给所述智能分析节点。
进一步地，所述步骤S013具体包括：
所述边缘节点将所述特征数据输入到预存的基于支持向量机的第一分类模型中，得到所述道岔设备的健康状态，作为所述特征数据的第一分类结果。
所述第一分类模型和第二分类模型的构建方法有很多，本发明实施例以支持向量机(Support Vector Machine，SVM)算法为例进行举例说明。所述SVM是一类按监督学习(supervised learning)方式对数据进行二元分类的广义线性分类器(generalizedlinear classifier)。将数据映射至高维空间，在高维空间寻找线性可分超平面，通过核函数选择和约束松弛，对样本进行合理的故障分类分析，即判别新产生的数据属于哪一个已经识别的类别。道岔设备的一次完整任务执行过程存在解锁、动作、锁闭等明显的动作过程，为进行特征提取提供了数据支持，SVM算法通过特征降维和特征选取，能够在多项式时间内完成算法计算，对道岔设备在本次任务执行过程中的动作进行正确分类，即判别当前动作属于故障、健康或亚健康状态。
本发明实施例通过边缘节点从传感器上传的工况数据中提取出特征数据，并输入到基于SVM算法的第一分类模型中，以得到所述特征数据的第一分类结果，从而利用所述边缘节点提高对所述道岔设备产生的数据进行分析、判断的效率和准确性。
图2为本发明实施例的另一道岔运维方法流程图，如图2所示，所述方法包括：
步骤S11、智能分析节点接收由边缘节点上传的道岔设备的特征数据和与所述特征数据对应的第一分类结果；其中，所述第一分类结果为所述边缘节点根据预设的第一分类模型对获取的所述特征数据进行数据分析后得到，所述第一分类模型与所述智能分析节点的第二分类模型同步，所述第二分类模型为，将经过标注的训练特征数据作为样本进行预先训练后获取。
所述智能分析节点构建第二分类模型，并将预先获取的经过标注的训练特征数据作为样本来对所述第二分类模型进行训练。
所述智能分析节点再将训练完成后的第二分类模型的模型参数发送给所述边缘节点，以使所述边缘节点构建的第一分类模型与所述智能分析节点中训练后的第二分类模型实现同步。
此时，所述边缘节点就可以根据所述第一分类模型来对获取到的特征数据进行数据分析，以得到所述特征数据的第一分类结果。具体地，所述边缘节点通过接收与其连接的传感器上传的道岔设备的工况数据，并对所述工况数据进行预处理，得到用于表征所述道岔设备在本次执行任务的过程中表现出的特征的特征数据，所述特征数据可具体以向量形式表示。
在实际的应用过程中，所述第一分类模型和第二分类模型的数量可以针对不同的需求来进行设定。具体地，可以为整个道岔运维系统设定一个总的第一分类模型和第二分类模型；也可以根据道岔设备所在的地区、应用场景、或者具体的设备架构等对所有道岔设备进行分类，并为每种类型的道岔设备设置对应的第一分类模型和第二分类模型；还可以为每个道岔设备设定一个对应的第一分类模型和第二分类模型。
所述智能分析节点将接收到由所述边缘节点在得到第一分类结果后发送的所述道岔设备的特征数据，以及对所述特征数据进行数据分析后得到的第一分类结果。
步骤S12、所述智能分析节点基于预设的聚类算法得到所述特征数据的第二分类结果。
所述智能分析节点采用预设的聚类算法来对接收到的特征数据进行数据分析，从而得到与所述特征数据对应的第二分类结果。
步骤S13、所述智能分析节点根据所述第一分类结果和第二分类结果的比较结果来确定是否对所述第一分类模型进行更新。
所述智能分析节点通过将所述特征数据的第一分类结果和第二分类结果进行比较，并统计比较结果，计算由所述边缘节点得到的第一分类结果的正确率。根据所述正确率可以判断出当前的第一分类模型是否足够准确，若正确率低于预期，则所述智能分析节点判定需要对所述第一分类模型进行更新，即相当于对所述第二分类模型进行更新。从而所述智能分析节点再次对所述第二分类模型继续进行训练，并将更新后的第二分类模型的模型参数发送给所述边缘节点，用于更新所述边缘节点的第一分类模型。
本发明实施例通过智能分析节点对边缘节点得到的第一分类结果的正确率进行监控，进而更新所述边缘节点的第一分类模型，从而利用所述边缘节点提高对所述道岔设备产生的数据进行分析、判断的效率和准确性。
基于上述实施例，进一步地，所述步骤S12具体包括：
步骤S121、根据预设的周期，所述智能分析节点对接收到的所有特征数据执行预设的聚类算法，得到与每个特征数据对应的簇。
所述智能分析节点，根据预设的周期，例如一周或者一个月等，将在本周期内接收到的所有特征数据进行汇总后采用聚类算法进行分簇，以将每个特征数据均划分到对应的簇。
所述聚类算法的种类有很多，本发明实施例仅以k-means算法为例进行举例说明。通过k-means算法可以将具有较高相似度的特征数据划分至同一簇，将差异度较大的特征数据划分至不同的簇。聚类过程为无监督过程，即不需要对待处理的特征数据进行先验处理，算法自动计算特征数据中存在的类别数量。
步骤S122、根据预设的簇与健康状态的对应关系，得到与所述特征数据对应的道岔设备的健康状态，作为所述特征数据的第二分类结果。
所述智能分析节点再根据预先设定的每个簇与健康状态间的对应关系，得到每个特征数据对应的健康状态，即得到了与所述特征数据对应的道岔设备的健康状态。其中，所述健康状态在本发明实施例中分为故障、亚健康和健康三种。所述智能分析节点将所述特征数据对应的健康状态作为所述特征数据的第二分类结果，用于判断所述特征数据的第一分类结果的正确性。
本发明实施例通过将预设周期内接收到的特征数据采用聚类算法进行分簇，并根据预设的簇与健康状态之间的对应关系，得到每个特征数据的第二分类结果，从能够以此对每个特征数据的第一分类结果进行验证，用以判断所述第一分类模型的准确性，进而提高所述边缘节点对所述道岔设备产生的数据进行分析、判断的效率和准确性。
基于上述实施例，进一步地，所述步骤S13具体包括：
步骤S131、将所述第一分类结果与第二分类结果进行比较来判断所述第一分类结果是否正确。
由上述实施例可知，所述第一分类结果和第二分类结果分别为对应的特征数据的健康状态。所述智能分析节点将两者进行比较，若得到的是相同的健康状态，则判定所述第一分类结果为正确，若得到的是不同的健康状态，则判定所述第一分类结果为错误。
步骤S132、根据比较结果，得到所述第一分类结果在所述预设的周期内的正确率。
所述智能分析节点将本周期内得到的所有第一分类结果与第二分类结果的比较结果进行汇总，可以计算出所述第一分类结果的正确率。
步骤S133、若所述正确率低于预设的正确率阈值，则判定需要对所述第一分类模型进行更新。
所述智能分析节点预先设置了正确率阈值，该正确率阈值具体可以由与所述智能分析节点连接的专家知识库下发。
所述智能分析节点将计算出的第一分类结果的正确率与所述正确率阈值进行比较。若所述正确率大于等于所述正确率阈值，则判定当前所述第一分类模型适用于当前的应用环境；而若所述正确率小于所述正确率阈值，则判定当前所述第一分类模型不适用于当前的应用环境，需要通过对所述第二分类模型继续执行训练过程来进行更新从而更新所述第一分类模型。
本发明实施例通过将统计预设周期内所述第一分类结果的正确率，并在所述正确率小于预设的正确率阈值时对所述第一分类模型进行更新，从而提高所述边缘节点对所述道岔设备产生的数据进行分析、判断的准确性。
基于上述实施例，进一步地，在所述步骤S133后所述方法还包括：
若所述智能分析节点判定需要对所述第一分类模型进行更新，则将根据所述比较结果判定为错误的第一分类结果对应的特征数据进行标注，作为新的样本对所述第二分类模型进行更新；
将更新后的第二分类模型的模型参数发送给所述边缘节点，以使所述边缘节点根据所述模型参数更新所述第一分类模型。
当所述智能分析节点判定需要对所述第一分类模型进行更新后，可以向所述第二分类模型的训练库和测试库中增加新的样本。具体可以将本周期内根据比较结果判定为错误的第一分类结果对应的特征数据进行汇总，并重新进行标注，作为新的样本加入到所述训练库和测试库中。
再根据新的训练库和测试库对所述第二分类模型进行训练，所述智能分析节点将更新后的第二分类模型的模型参数发送给所述边缘节点用以更新所述边缘节点的第一分类模型。
本发明实施例通过智能分析节点将出错的第一分类结果对应的特征数据作为新的样本对所述第二分类模型再次进行训练，并将更新后的第二分类模型的模型参数发送给所述边缘节点，从而能够提高所述第一分类模型对当前应用环境的适应性，进而使提高所述边缘节点对所述道岔设备产生的数据进行分析、判断的准确性。
基于上述实施例，进一步地，所述方法还包括：
所述智能分析节点统计所述第一分类模型被连续判定为需要进行更新的周期数；
若所述周期数超过了预设的周期阈值，则向专家知识库发送报警信息。
所述智能分析节点在判定需要对所述第一分类模型进行更新时，记录连续的周期数，即记录下所述第一分类模型连续多个周期的进行更新的周期数。
将该周期数与所述预设的周期阈值，例如3，进行比较，若所述周期数超过了所述周期阈值，则所述智能分析节点需要发出报警信息，具体可以向所述专家知识库发送报警信息，用于向专家知识库寻求协助对分类模型进行调整以使其能够更好得适应当前的应用环境。
本发明实施例通过所述智能分析节点统计对所述第一分类模型连续进行更新的周期数，并在超过所述周期阈值时向所述专家知识库发送报警信息，从而能够提高所述第一分类模型对当前应用环境的适应性，进而使提高所述边缘节点对所述道岔设备产生的数据进行分析、判断的准确性。
图3为本发明实施例的道岔运维系统结构示意图，图4为本发明实施例的专家知识系统工作逻辑示意图，如图3所示，所述系统包括：至少一个边缘节点，至少一个的智能分析节点，各边缘节点与至少一个传感器相连，各传感器与对应的道岔设备相连，各智能分析节点与至少一个边缘节点通过通信网络相连，各智能分析节点与专家知识库相连；具体地：
每个道岔设备与一个的传感器相连，由所述传感器负责感知对应的道岔设备的工况数据，可以检测道岔在执行任务的过程中的电流、电压、动作杆微小形变、道岔缺口状态等工况数据，并将所述工况数据发送给与所述传感器连接的边缘节点。
每个边缘节点根据实际的需要可以连接一个或多个传感器，例如，可以根据地理位置或者道岔设备的类别等信息对传感器进行分组，从而使每组传感器连接同一个边缘节点。
每个边缘节点分为计算和存储两个模块，计算模块用于通过传感器获取对应的道岔设备的工况数据、对工况数据进行预处理得到特征数据、并对特征数据根据预设的第一分类模型进行数据分析，得到所述特征数据的第一分类结果，并将所述特征数据和对应的第一分类结果通过通信网络上传至智能分析节点。存储模块用于接收并存储智能分析节点下发的模型参数用于更新第一分类模型、同时存储所述计算模块得出的第一分类结果。
所述智能分析节点则根据实际的需要连接预设数量的边缘节点，例如5或者10个等。
所述智能分析节点负责承载对于人工智能算法的训练工作并得出适用于道岔设备的故障分析和预警模型。具体地，通过构建与所述第一分类模型相同的第二分类模型，并对所述第二分类模型进行训练，然后将训练后的第二分类模型的模型数据发送给所述边缘节点，以使所述边缘节点的第一分类模型与第二分类模型同步。
所述智能分析节点还用于收集由边缘节点发送的特征数据和对应的第一分类结果，并转发给专家知识库进行汇总。
此外，所述智能分析节点还需要监测边缘节点的第一分类结果并监督第一分类结果的正确率，一旦发现正确率低于预设的正确率阈值，智能分析节点需要启动算法训练机制，将所述智能节点的第二分类模型重新进行训练优化，然后将更新的第二分类模型的模型参数下发至边缘节点以更新、提升第一分类模型的分析能力。若智能分析节点在连续3次优化第二分类模型后依然无法有效改善第一分类结果的正确率，则需要向专家知识库发出预警，请示所述专家知识库的协助，例如，可以交付人工分析流程。
其中，对于第一分类结果的监督过程具体包括：通过k-means聚类算法将接收到特征数据进行分簇，将每个特征数据划分到对应的簇中，并根据预设的簇与健康状态的对应关系，得到所述特征数据的第二分类结果。将所述第二分类结果与对应的第一分类结果进行比较来验证所述第一分类结果的正确率。
所述专家知识库与所有的智能分析节点相连，所述专家知识库是所述道岔运维系统的决策和展现，在专家知识库中存放了故障分析、判断和预警所需要的领域知识的集合，保存着以一定方式表示的领域专家的经验、常识和书本的知识，以用于对全线路范围内所有的道岔设备进行一个直观、整体的健康状态判断。
此外，专家知识库可以评判全部道岔设备节点的维护水平，并作为整个道岔运维系统的指挥和调度中心角色。
如图4所示，所述专家系统采用“最小系统观点”进行原型设计，逐步修改扩充为一个具有一定规模并逐渐完善的系统。
①数据知识化，就是要分清数据的实质，比如：每种类型的数据分别可以解决什么问题，是否可以进一步提取特征等；
②知识概念化，指进行知识表示需要的关键概念及关系，比如：数据特征和控制命令的关系、各种数据结构设计等；
③概念形式化，指确定数据结构形式用于组织知识，把知识进行正确的表达，包括数据特征、过程模型和假设空间等；
④形式规则化，把形式化的知识用编程语言变为计算机识别的语句或程序；
⑤规则合法化，确认规则的准确性、规则化的知识的合理性并校验规则的有效性，并判断何时更新模型参数。
本发明实施例提供的系统用于执行上述方法，其功能具体参考上述方法实施例，其具体方法流程在此处不再赘述。
本发明实施例通过构建道岔运维系统，包括至少一个边缘节点，至少一个智能分析节点，所述边缘节点与至少一个传感器相连，每个传感器与对应的道岔设备相连，所述智能分析节点与至少一个边缘节点通过通信网络相连，每个智能分析节点与专家知识库相连，从而利用所述边缘节点提高对所述道岔设备产生的数据进行分析、判断的效率和准确性。
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)
1.一种道岔运维方法，其特征在于，包括：
边缘节点根据预设的第一分类模型对获取的道岔设备的特征数据进行数据分析，得到所述特征数据的第一分类结果；其中，所述第一分类模型与智能分析节点的第二分类模型同步，所述第二分类模型为，将经过标注的训练特征数据作为样本进行预先训练后获取；
所述边缘节点将所述特征数据和对应的第一分类结果发送给所述智能分析节点，以使所述智能分析节点基于预设的聚类算法得到所述特征数据的第二分类结果，并根据所述第一分类结果和第二分类结果的比较结果来确定是否对所述第一分类模型进行更新。
2.根据权利要求1所述的道岔运维方法，其特征在于，所述边缘节点根据预设的第一分类模型对道岔设备的特征数据进行数据分析，得到所述特征数据的第一分类结果，具体包括：
所述边缘节点通过与其连接的传感器获取与所述传感器对应的道岔设备的工况数据；
所述边缘节点对所述工况数据进行特征提取，得到所述特征数据；
所述边缘节点将所述特征数据输入到预设的第一分类模型中，得到所述道岔设备的健康状态，作为所述特征数据的第一分类结果。
3.根据权利要求2所述的道岔运维方法，其特征在于，所述边缘节点将所述特征数据输入到预设的第一分类模型中，得到所述道岔设备的健康状态，作为所述特征数据的第一分类结果，具体包括：
所述边缘节点将所述特征数据输入到预存的基于支持向量机的第一分类模型中，得到所述道岔设备的健康状态，作为所述特征数据的第一分类结果。
4.根据权利要求3所述的道岔运维方法，其特征在于，所述道岔运维方法还包括：
所述边缘节点接收所述智能分析节点发送的训练后的所述第二分类模型的模型参数；
所述边缘节点根据所述模型参数对所述第一分类模型进行更新。
5.根据权利要求1所述的道岔运维方法，其特征在于，所述以使所述智能分析节点基于预设的聚类算法得到所述特征数据的第二分类结果；具体包括：
根据预设的周期，所述智能分析节点对接收到的所有特征数据执行预设的聚类算法，得到与每个特征数据对应的簇；
根据预设的簇与健康状态的对应关系，得到与所述特征数据对应的道岔设备的健康状态，作为所述特征数据的第二分类结果。
6.根据权利要求5所述的道岔运维方法，其特征在于，所述并根据所述第一分类结果和第二分类结果的比较结果来确定是否对所述第一分类模型进行更新；具体包括：
将所述第一分类结果与第二分类结果进行比较来判断所述第一分类结果是否正确；
根据比较结果，得到所述第一分类结果在所述预设的周期内的正确率；
若所述正确率低于预设的正确率阈值，则判定需要对所述第一分类模型进行更新。
7.根据权利要求6所述的道岔运维方法，其特征在于，所述道岔运维方法还包括：
若所述智能分析节点判定需要对所述第一分类模型进行更新，则将根据所述比较结果判定为错误的第一分类结果对应的特征数据进行标注，作为新的样本对所述第二分类模型进行更新；
将更新后的第二分类模型的模型参数发送给所述边缘节点，以使所述边缘节点根据所述模型参数更新所述第一分类模型。
8.根据权利要求7所述的道岔运维方法，其特征在于，所述道岔运维方法还包括：
所述智能分析节点统计所述第一分类模型被连续判定为需要进行更新的周期数；
若所述周期数超过了预设的周期阈值，则向专家知识库发送报警信息。
9.一种道岔运维系统，其特征在于，包括：至少一个边缘节点，至少一个的智能分析节点，各边缘节点与至少一个传感器相连，各传感器与对应的道岔设备相连，各智能分析节点与至少一个边缘节点通过通信网络相连，各智能分析节点与专家知识库相连；其中，所述边缘节点用于执行权利要求1-4任一所述的道岔运维方法，所述智能分析节点用于执行权利要求5-8任一所述的道岔运维方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910925687.2A CN110728768B (zh) | 2019-09-27 | 2019-09-27 | 一种道岔运维方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910925687.2A CN110728768B (zh) | 2019-09-27 | 2019-09-27 | 一种道岔运维方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110728768A CN110728768A (zh) | 2020-01-24 |
| CN110728768B true CN110728768B (zh) | 2021-08-03 |
Family
ID=69218513
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910925687.2A Active CN110728768B (zh) | 2019-09-27 | 2019-09-27 | 一种道岔运维方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110728768B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113562030A (zh) * | 2021-07-26 | 2021-10-29 | 西安和利时系统工程有限公司 | 一种道岔综合管控系统 |
| CN115001941B (zh) * | 2022-04-20 | 2023-10-13 | 广东省电信规划设计院有限公司 | 一种通信网管故障的确定方法及装置 |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| DE102004045457B4 (de) * | 2004-09-20 | 2009-04-23 | Deutsche Bahn Ag | Verfahren zur Diagnose und zum Zustandsmonitoring von Weichen, Kreuzungen oder Kreuzungsweichen sowie Schienenstößen durch ein Schienenfahrzeug |
| CA3034131A1 (en) * | 2016-08-15 | 2018-02-22 | Arc Infrastructure Pty Ltd | Measuring assembly, detection device and method of using same |
| CN108090573A (zh) * | 2017-12-12 | 2018-05-29 | 交控科技股份有限公司 | 一种预防性地铁运维系统及方法 |
| CN109766927B (zh) * | 2018-12-10 | 2023-08-22 | 清华大学 | 基于混合深度学习的高铁道岔智能故障检测方法 |
| CN110263471A (zh) * | 2019-06-27 | 2019-09-20 | 四川易亨机械制造有限公司 | 一种切削区域的确定方法及装置 |
-
2019
- 2019-09-27 CN CN201910925687.2A patent/CN110728768B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN110728768A (zh) | 2020-01-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111047082B (zh) | 设备的预警方法及装置、存储介质和电子装置 | |
| US11294754B2 (en) | System and method for contextual event sequence analysis | |
| US20190179691A1 (en) | Log-based computer failure diagnosis | |
| WO2015158198A1 (zh) | 一种基于神经网络自学习的故障识别方法及系统 | |
| CN109977624A (zh) | 基于深度神经网络的光伏电站缓变故障监测方法 | |
| CN109633369B (zh) | 一种基于多维数据相似性匹配的电网故障诊断方法 | |
| CN103699698A (zh) | 一种基于改进贝叶斯的轨道交通故障识别方法及系统 | |
| CN110728768B (zh) | 一种道岔运维方法及系统 | |
| CN109501834A (zh) | 一种道岔转辙机故障预测方法及装置 | |
| CN113282461A (zh) | 传输网的告警识别方法和装置 | |
| CN113822366A (zh) | 业务指标异常检测方法及装置、电子设备、存储介质 | |
| CN113626502A (zh) | 基于集成学习的电网数据异常检测方法及装置 | |
| CN112367303A (zh) | 分布式自学习异常流量协同检测方法及系统 | |
| CN115877198A (zh) | 基于边缘计算的一二次融合开关故障诊断预警系统 | |
| CN115836283A (zh) | 制造过程决策支持的模型保真度监测和重新生成 | |
| CN116992376A (zh) | 用于检测电网中的异常的装置、系统和方法 | |
| CN114816468A (zh) | 云边协同系统、数据处理方法、电子设备及存储介质 | |
| KR102433598B1 (ko) | 데이터 경계 도출 시스템 및 방법 | |
| CN116070143A (zh) | 一种基于人工智能的配电网多源异构数据融合方法及系统 | |
| CN113377630B (zh) | 一种通用的kpi异常检测框架实现方法 | |
| CN113807462B (zh) | 一种基于ai的网络设备故障原因定位方法及其系统 | |
| CN115047313A (zh) | 基于oc-svm和dnn的zpw-2000r轨道电路故障诊断方法及装置 | |
| CN114299338A (zh) | 用于系统管理的故障预测与健康管理系统与相关方法 | |
| CN115858606A (zh) | 时序数据的异常检测方法、装置、设备及存储介质 | |
| Trstenjak et al. | A Decision Support System for the Prediction of Wastewater Pumping Station Failures Based on CBR Continuous Learning Model. |
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: 20230721 Address after: No.2 and No.3 building, Beijing headquarters international, No.6 Haiying Road, science and Technology Park, Fengtai District, Beijing 100070 Patentee after: TRAFFIC CONTROL TECHNOLOGY Co.,Ltd. Patentee after: Beijing Yunjie Technology 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 |