CN111651493B - 旅客提升设备的全寿命周期正向指导和反馈优化管理方法 - Google Patents

旅客提升设备的全寿命周期正向指导和反馈优化管理方法 Download PDF

Info

Publication number
CN111651493B
CN111651493B CN202010408579.0A CN202010408579A CN111651493B CN 111651493 B CN111651493 B CN 111651493B CN 202010408579 A CN202010408579 A CN 202010408579A CN 111651493 B CN111651493 B CN 111651493B
Authority
CN
China
Prior art keywords
design
data
lifting equipment
parameter data
maintenance
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
Application number
CN202010408579.0A
Other languages
English (en)
Other versions
CN111651493A (zh
Inventor
李成洋
朱丹
张琨
张�浩
殷勤
周明翔
史明红
邱绍峰
刘辉
张俊岭
彭方进
倪琍
郑燕
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China Railway Siyuan Survey and Design Group Co Ltd
Original Assignee
China Railway Siyuan Survey and Design Group Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by China Railway Siyuan Survey and Design Group Co Ltd filed Critical China Railway Siyuan Survey and Design Group Co Ltd
Priority to CN202010408579.0A priority Critical patent/CN111651493B/zh
Publication of CN111651493A publication Critical patent/CN111651493A/zh
Application granted granted Critical
Publication of CN111651493B publication Critical patent/CN111651493B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2457—Query processing with adaptation to user needs
    • G06F16/24573—Query processing with adaptation to user needs using data annotations, e.g. user-defined metadata
    • 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
    • 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
    • G06Q50/10—Services
    • G06Q50/14—Travel agencies

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • General Business, Economics & Management (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Marketing (AREA)
  • Library & Information Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种旅客提升设备的全寿命周期数据正向指导和反馈优化管理方法，其通过定义各库间数据资源的正向指导、反馈循环的条件动作规则，通过数据流与条件动作规则的融合，实现设计、建造、运维全寿命的正向指导；通过运维、建造有效经验数据反向的实例经验推理，实现对设计经验数据的优化反馈；获取旅客提升设备的目标指标参数数据和与目标指标参数数据匹配的设计案例，并依据设计需求对匹配的设计案例的设计参数数据进行调整以获取旅客提升设备的设计参数数据；利用建造元数据库和调整后的设计参数数据实现旅客提升设备的建造；获取旅客提升设备的多个在线运维参数数据，对多个在线运维参数数据进行降维处理，结合运维元数据库获取旅客提升设备的健康状态，依据健康状态实现对旅客提升设备的在线监测。

Description

旅客提升设备的全寿命周期正向指导和反馈优化管理方法
技术领域
本发明属于地下基础设施综合监测技术领域，具体涉及一种旅客提升设备的全寿命周期正向指导和反馈优化管理方法。
背景技术
目前，旅客出行离不开旅客提升设备，作为车站运载及疏散乘客的关键设备，同时也是特种设备，直接关系运营服务质量，其安全、可靠的运行备受使用乘客、社会大众的关注。轨道交通的旅客提升设备由于具有运行时间长、负载大、高峰时期经常超负荷运行等特点，经常难免会出现各种各样的故障。轨道交通旅客提升设备故障具有种类多、易扩大、难防控等特点。
旅客提升设备全寿命周期包括设计、建造、运维全过程，其在设计阶段通常采用设计标准规范的指导，以及设计人员对特定工程特征的经验积累，进行工程设计，这种方式依赖人为的设计经验，保证设计方案的可行性和安全可靠，易出现人工差错漏碰。其在建造阶段，依据项目特征、安装工艺图、业主需求等，进行旅客提升设备的选型、排产和安装调试，仅体现在施工阶段，并没有融合运维阶段的需求反馈，不能很好地承接设计数据的准确性，并规避以往积累的运维阶段出现的问题。其在运维阶段，采用设备监控系统(BAS)对旅客提升设备进行运营管理，收集设备故障状态和正常运行状态信息，设备故障报警后，由各系统进行事后维修。同时安排维保人员进行定期排查巡检，是故障维修与定期保养相结合的模式，由于没有一个合理的反馈机制对其进行优化调节，通常存在过度维修或欠缺维修情况，同时运营维保取得的数据和分析结果，不能有效的反馈给旅客提升设备设计、建造过程，所以对于旅客提升设备系统全寿命，无法实现迭代提升安全质量的机制。
发明内容
针对现有技术的以上缺陷或改进需求，本发明提供了一种旅客提升设备的全寿命周期正向指导和反馈优化管理方法，其通过运用元数据驱动的设计、建造、运维全寿命周期一体化迭代，获取设计、建造、运维全寿命周期大数据的积累和分析，并循环反馈，从而实现优化旅客提升设备的全寿命安全。
为实现上述目的，按照本发明的一个方面，提供了一种旅客提升设备的全寿命周期正向指导和反馈优化管理方法，该方法包括如下步骤：
建立设计元数据库、建造元数据库和运维元数据库，设计元数据库包括旅客提升设备的指标参数数据、工程设计规则数据和设计案例数据，建造元数据库包括旅客提升设备建造实例样本数据，运维元数据库包括特征数据库和测试样本数据；
获取旅客提升设备的目标指标参数数据，获取设计元数据库中与目标指标参数数据匹配的设计案例，并依据设计需求对匹配的设计案例的设计参数数据进行调整以获取旅客提升设备的设计参数数据；
利用建造元数据库对该设计参数数据进行仿真计算，并依据仿真计算结果和现场需求调整设计参数数据，依据调整后的设计参数数据实现旅客提升设备的建造；
获取旅客提升设备的多个在线运维参数数据，对多个在线运维参数数据进行降维处理，结合运维元数据库获取旅客提升设备的健康状态，依据健康状态实现对旅客提升设备的在线监测。
作为本发明的进一步改进，获取设计元数据库中与目标指标参数数据匹配的设计案例具体为：
获取旅客提升设备的目标指标参数数据，判断目标指标参数数据与设计元数据库中的工程设计规则数据是否匹配，输出匹配的工程设计规则数据；
获取与匹配的工程设计规则数据对应的多个设计案例，获取设计案例的指标参数数据与目标指标参数数据的关联度，依据关联度对设计案例进行筛选以获取匹配的设计案例。
作为本发明的进一步改进，利用ECA规则更新设计元数据库中的工程设计规则数据，具体为：
判断当前输入的设计案例是否为属于与当前工程设计规则数据对应的设计案例，否则更新设计元数据库与当前设计规则的设计案例数据。
作为本发明的进一步改进，获取设计元数据库中与目标指标参数数据匹配的设计案例具体为：
获取与匹配的工程设计规则数据对应的多个设计案例，获取设计案例的指标参数数据与目标指标参数数据的关联度，依据关联度对设计案例数据进行排序以获取匹配的设计案例数据。
作为本发明的进一步改进，采集在线监测的数据和历史维保数据以形成特征数据库和测试样本数据，特征数据库包括旅客提升设备的故障类型及与故障类型对应的阈值数据。
作为本发明的进一步改进，对多个在线运维参数数据进行降维处理具体为：
获取运维参数样本数据的欧式距离平方和，以确定运维参数阈值；利用运维参数阈值对所述多个在线运维参数数据进行判断，以获取旅客提升设备的运行状态。
作为本发明的进一步改进，利用PCA算法实现对所述多个在线运维参数数据的降维处理，PCA算法具体步骤为：
对特征参数样本数据进行标准化处理；求解标准化的特征参数样本数据的协方差矩阵；计算协方差矩阵的特征值及其对应的正交化特征向量，以确定计算各成分的信息贡献率；利用各成分的信息贡献率得到特征参数的阈值。
为实现上述目的，按照本发明的另一个方面，提供了一种终端设备，包括至少一个处理单元、以及至少一个存储单元，其中，存储单元存储有计算机程序，当程序被处理单元执行时，使得处理单元执行上述方法的步骤。
为实现上述目的，按照本发明的另一个方面，提供了一种计算机可读介质，其存储有可由终端设备执行的计算机程序，当程序在终端设备上运行时，使得终端设备执行上述方法的步骤。
总体而言，通过本发明所构思的以上技术方案与现有技术相比，具有以下有益效果：
本发明的一种旅客提升设备的全寿命周期正向指导和反馈优化管理方法，在旅客提升设备的工程设计、工程建造、运营维护全寿命周期内，在每个阶段内容利用数据分析方法建立内循环，保证各个阶段准确、可靠、安全，同时构建设计元数据库、建造元数据库、运维元数据库，用于记录有效的阶段性驱动数据，实现信息数据的不断积累，同时通过对其全寿命不同阶段间的正向指导和反向的反馈，实现旅客提升设备安全性的迭代优化。
本发明的一种旅客提升设备的全寿命周期正向指导和反馈优化管理方法，在设计阶段，利用ECA规则更新设计元数据库中的工程设计规则数据，通过ECA规则触发设计元数据库，让系统只传输满足条件的更新数据给设计人员，减少数据信息传输量，也降低错误数据产生的可能性。
本发明的一种旅客提升设备的全寿命周期正向指导和反馈优化管理方法，在运维阶段，通过自主学习演进的多维度维保数据分析模型，实现提升设备状态的多维度参数同步监测，在线监测数据、维系保障数据(维保次数、周期、零件)、故障零件数据的在线存储，基于PCA算法对数据进行降维处理，分析多维状态信息，通过与特征故障库进行对比，判断设备零部件健康状态，再通过零部件健康状态综合分析设备状态，提高设备状态监测的准确度，保障旅客提升设备的运行安全。
附图说明
图1为本发明实施例的一种旅客提升设备的全寿命周期正向指导和反馈优化管理方法的示意图；
图2为本发明实施例的PCA算法的示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。下面结合具体实施方式对本发明进一步详细说明。
图1为本发明实施例的一种旅客提升设备的全寿命周期正向指导和反馈优化管理方法的示意图。如图1所示，一种旅客提升设备的全寿命周期正向指导和反馈优化管理方法，该方法包括如下步骤：
建立设计元数据库、建造元数据库和运维元数据库，该设计元数据库包括旅客提升设备的指标参数数据、工程设计规则数据和设计案例数据，该建造元数据库包括旅客提升设备建造实例样本数据，该运维元数据库包括特征数据库和测试样本数据；作为一个示例，指标参数数据为设计目标参数，如城市、客流、载重等。
获取旅客提升设备的目标指标参数数据，获取设计元数据库中与目标指标参数数据匹配的设计案例，并依据设计需求对匹配的设计案例的设计参数数据进行调整以获取旅客提升设备的设计参数数据；
利用建造元数据库对该设计参数数据进行仿真计算，并依据仿真计算结果和现场需求调整设计参数数据，依据调整后的设计参数数据实现旅客提升设备的建造；
获取旅客提升设备的多个在线运维参数数据，对该多个在线运维参数数据进行降维处理，结合运维元数据库获取旅客提升设备的健康状态，依据健康状态实现对旅客提升设备的在线监测。
通过搭建设计元数据、建造元数据、运维元数据的分布式主动数据库，定义各库间数据资源的正向指导、反馈循环的条件动作规则，通过数据流与条件动作规则的融合，实现设计、建造、运维全寿命的正向指导，并可通过运维、建造有效经验数据反向的实例经验推理，实现对设计经验数据的优化反馈。
作为一个优选的方案，利用ECA规则更新设计元数据库中的工程设计规则数据，具体为：
判断当前输入的设计案例是否为属于与当前工程设计规则数据对应的设计案例，否则更新设计元数据库与当前设计规则的设计案例数据。具体地，定义R＝(E，C，A)。其中，E为激活提升设备设计规则的项目概况(指标数据)，如城市、客流、载重等，C为输入条件(这里为设计案例数据)，用以反映设计中的不同情况，A为不断根据工程经验积累的输出规则(与输入条件关联的输出规则)；当数据发生变化时，即发生了更新事件，E可以为时间T映射的布尔值函数，可以表示为：E：T→{True，False}，当T时刻发生改变则E(T)为true，否则为False。通过ECA规则触发设计元数据库，让系统只传输满足条件的更新数据给设计人员，减少数据信息传输量，也降低错误数据产生的可能性。
获取与匹配的工程设计规则数据对应的多个设计案例，获取设计案例的指标参数数据与目标指标参数数据的关联度，依据关联度对设计案例数据进行排序以获取匹配的设计案例数据。
作为一个优选的方案，可采用灰度关联分析方法获取设计案例的指标参数数据与目标指标参数数据的关联度，具体为：
将设计案例的指标参数数据表示为：
Xi＝{Xi(j),j＝1,…,k}
其中，Xi表示第i个设计案例，Xi(j)表示第i个设计案例的第j个指标参数，k为指标参数的总数；
将目标参数数据表示为：
X0＝{X0(j),j＝1,…,k}
其中，X0表示目标指标参数数据，X0(j)表示目标指标参数数据的第j个指标参数，k为设计参数的总数；
利用灰关联系数的计算公式计算第i个设计案例的第j个指标参数数据与目标指标参数数据的第j个指标参数数据之间的关联系数，该计算公式具体为：
Figure BDA0002492343580000071
其中，di(j)表示第i个设计案例的第j个指标参数与目标指标参数数据的第j个指标参数之间的关联系数，r为分辨系数，作为一个示例，r＝0.5。
当然以上计算关联系数计算仅为一个示例，也可依据需要采取其他的计算方式，在此不做累述。
计算设计案例的各个指标参数与目标指标参数数据的各个指标参数之间的关联度，以得到设计案例与目标指标参数数据之间的关联度，作为一个示例，该关联度的计算公式为：
Figure BDA0002492343580000072
g(X0,Xi)表示第i个设计案例与目标指标参数数据之间的关联度。
上述关联度反映了当前设计项目与工程经验项目的相似程度，关联度越大，相似度越高。可以设定阈值，当关联度大于该阈值时，则认为当前设计项目与工程经验项目匹配成功，从而输出新项目的近似设计结果，再结合设计人员的经验人工干预调整参数，得到最终方案。新的设计方案经过验证可存储为新实例，供新设计使用或参考。因此通过不断地积累实例库将逐渐增大，实例匹配的概率必然提高，推理速度也会得到相应的提升。
作为一个优选的实施例，通过采集在线监测的数据和历史维保数据以形成特征数据库和测试样本数据，特征数据库包括旅客提升设备的故障类型及与故障类型对应的特征参数数据。
通过对提升设备数据初始积累后，形成提升设备的初始的特征故障库，并对库中的每组数据都进行标识，标识出提升设备的运行过程中的具体状态，包括：正常运行状态、运行接触器系统故障、驱动链断链故障等。
图2为本发明实施例的PCA算法的示意图。如图2所示，通过PCA算法对述多个在线运维参数数据进行降维，获取运维参数样本数据的欧式距离平方和，以确定运维参数阈值；利用运维参数阈值对所述多个在线运维参数数据进行判断，以获取旅客提升设备的运行状态。作为一个示例，可以将测试后样本数据中每组数据对应的提升设备运行状态与原有标识的提升设备状态进行判断，若正确率达到90％以上，特征故障库数据没有问题，反之则更新特征故障库数据重新进行数据测试。通过一段时间的数据采集、测试后，再以提升设备的特征故障库为基础进行整合归纳，如将同一品牌、同一提升高度、类似环境下的提升设备故障特征库进行归纳合并，从而形成一个完善的共性特征故障库。这个过程也是随着时间及数据的采集量的增加而不断学习演进的过程。PCA主成分分析算法的求解具体步骤如下：对特征参数样本数据进行标准化处理；求解标准化的特征参数样本数据的协方差矩阵；计算协方差矩阵的特征值及其对应的正交化特征向量，以确定计算各成分的信息贡献率；利用各成分的信息贡献率得到特征参数的阈值，该信息贡献率反应了主成分与原变量之间的相互关联程度。通过完善特征故障库并实时获取旅客提升设备的监测数据，通过PCA选取若干个特征值后，在通过与特征故障库进行对比，从而分析出当前监测状态是否故障，以及发生故障的概率并反馈相应的故障类型。
一种终端设备，包括至少一个处理单元、以及至少一个存储单元，其中，存储单元存储有计算机程序，当程序被处理单元执行时，使得处理单元执行上述方法的步骤。
一种计算机可读介质，其存储有可由终端设备执行的计算机程序，当程序在终端设备上运行时，使得终端设备执行上述方法的步骤。
本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.一种旅客提升设备的全寿命周期正向指导和反馈优化管理方法，其特征在于，所述方法包括如下步骤：
建立设计元数据库、建造元数据库和运维元数据库，所述设计元数据库包括旅客提升设备的指标参数数据、工程设计规则数据和设计案例数据，所述建造元数据库包括旅客提升设备建造实例样本数据，所述运维元数据库包括特征数据库和测试样本数据；
获取旅客提升设备的目标指标参数数据，获取设计元数据库中与目标指标参数数据匹配的设计案例，并依据设计需求对匹配的设计案例的设计参数数据进行调整以获取旅客提升设备的设计参数数据；利用ECA规则更新设计元数据库中的工程设计规则数据，具体为：
判断当前输入的设计案例是否为属于与当前工程设计规则数据对应的设计案例，否则更新设计元数据库与当前设计规则的设计案例数据；
利用建造元数据库对所述设计参数数据进行仿真计算，并依据仿真计算结果和现场需求调整设计参数数据，依据调整后的设计参数数据进行旅客提升设备的建造；
获取旅客提升设备的多个在线运维参数数据，对所述多个在线运维参数数据进行降维处理，结合运维元数据库获取旅客提升设备的健康状态，依据健康状态实现对旅客提升设备的在线监测。
2.根据权利要求1所述的一种旅客提升设备的全寿命周期正向指导和反馈优化管理方法，其特征在于，获取设计元数据库中与目标指标参数数据匹配的设计案例具体为：
获取旅客提升设备的目标指标参数数据，判断目标指标参数数据与设计元数据库中的工程设计规则数据是否匹配，输出匹配的工程设计规则数据；
获取与匹配的工程设计规则数据对应的多个设计案例，获取设计案例的指标参数数据与目标指标参数数据的关联度，依据关联度对设计案例进行筛选以获取匹配的设计案例。
3.根据权利要求1所述的一种旅客提升设备的全寿命周期正向指导和反馈优化管理方法，其特征在于，获取设计元数据库中与目标指标参数数据匹配的设计案例具体为：
获取与匹配的工程设计规则数据对应的多个设计案例，获取设计案例的指标参数数据与目标指标参数数据的关联度，依据关联度对设计案例数据进行排序以获取匹配的设计案例数据。
4.根据权利要求1所述的一种旅客提升设备的全寿命周期正向指导和反馈优化管理方法，其特征在于，采集在线监测的数据和历史维保数据以形成特征数据库和测试样本数据，特征数据库包括旅客提升设备的故障类型及与故障类型对应的阈值数据。
5.根据权利要求1所述的一种旅客提升设备的全寿命周期正向指导和反馈优化管理方法，其特征在于，对所述多个在线运维参数数据进行降维处理具体为：
获取运维参数样本数据的欧式距离平方和，以确定运维参数阈值；利用运维参数阈值对所述多个在线运维参数数据进行判断，以获取旅客提升设备的运行状态。
6.根据权利要求5所述的一种旅客提升设备的全寿命周期正向指导和反馈优化管理方法，其特征在于，利用PCA算法实现对所述多个在线运维参数数据的降维处理，PCA算法具体步骤为：
对特征参数样本数据进行标准化处理；求解标准化的特征参数样本数据的协方差矩阵；计算协方差矩阵的特征值及其对应的正交化特征向量，以确定计算各成分的信息贡献率；利用各成分的信息贡献率得到特征参数的阈值。
7.一种终端设备，其特征在于，包括至少一个处理单元、以及至少一个存储单元，其中，所述存储单元存储有计算机程序，当所述程序被所述处理单元执行时，使得所述处理单元执行权利要求1～6任一权利要求所述方法的步骤。
8.一种计算机可读介质，其特征在于，其存储有可由终端设备执行的计算机程序，当所述程序在终端设备上运行时，使得所述终端设备执行权利要求1～6任一权利要求所述方法的步骤。
CN202010408579.0A 2020-05-14 2020-05-14 旅客提升设备的全寿命周期正向指导和反馈优化管理方法 Active CN111651493B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010408579.0A CN111651493B (zh) 2020-05-14 2020-05-14 旅客提升设备的全寿命周期正向指导和反馈优化管理方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010408579.0A CN111651493B (zh) 2020-05-14 2020-05-14 旅客提升设备的全寿命周期正向指导和反馈优化管理方法

Publications (2)

Publication Number Publication Date
CN111651493A CN111651493A (zh) 2020-09-11
CN111651493B true CN111651493B (zh) 2022-09-02

Family

ID=72346674

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010408579.0A Active CN111651493B (zh) 2020-05-14 2020-05-14 旅客提升设备的全寿命周期正向指导和反馈优化管理方法

Country Status (1)

Country Link
CN (1) CN111651493B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112528493A (zh) * 2020-12-09 2021-03-19 中铁第四勘察设计院集团有限公司 基于分布式数据中心的扶梯全寿命数字化设计方法及系统

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102354334B (zh) * 2011-09-27 2013-12-11 浙江省电力公司电力科学研究院 基于全寿命周期净费用最小的微网系统优化设计方法
CN103942392B (zh) * 2014-04-24 2017-04-26 天津职业技术师范大学 一种基于全生命周期的汽车底盘技术参数稳健设计方法
CN108984637B (zh) * 2018-06-21 2020-07-07 中铁第四勘察设计院集团有限公司 一种轨道交通自动扶梯数据挖掘方法与系统
CN109763683B (zh) * 2019-01-08 2020-11-06 中铁第四勘察设计院集团有限公司 一种数字化城市轨道交通车辆基地建造方法及系统

Also Published As

Publication number Publication date
CN111651493A (zh) 2020-09-11

Similar Documents

Publication Publication Date Title
Yin et al. Quantitative analysis for resilience-based urban rail systems: A hybrid knowledge-based and data-driven approach
Straub et al. Value of information: A roadmap to quantifying the benefit of structural health monitoring
Sun et al. Spatio‐Temporal Segmented Traffic Flow Prediction with ANPRS Data Based on Improved XGBoost
Kim et al. Diagnosis and prediction of traffic congestion on urban road networks using Bayesian networks
CN114267178B (zh) 一种车站的智能运营维护方法及装置
CN111860943A (zh) 基于数值气象数据与机器学习的电网故障预测方法及系统
CN115827411B (zh) 一种用于自动化设备的在线监测及运维评估系统和方法
CN111651493B (zh) 旅客提升设备的全寿命周期正向指导和反馈优化管理方法
CN114626684A (zh) 一种大数据驱动的高速公路交通事件持续时间预测方法
CN117763449A (zh) 一种多源故障自主定位与分类方法
CN116843071A (zh) 一种用于智慧港口的运输网络运行指数预测方法及装置
Musolino et al. A modelling framework to simulate paths and routes choices of freight vehicles in sub-urban areas
CN111598328A (zh) 一种计及疫情事件的电力负荷预测方法
CN114417732A (zh) 强台风下配电网多元源荷灾损自适应辨识方法及系统
CN108446202A (zh) 一种机房设备的安全状况的判断方法
Kirschenmann et al. Decision dependent stochastic processes
Pisica et al. Feature selection filter for classification of power system operating states
CN113807704A (zh) 一种城市轨道交通数据的智能算法平台构建方法
Azvine et al. Intelligent process analytics for CRM
CN114757386A (zh) 一种电网调度控制系统故障预测方法
CN117787660A (zh) 交通应急疏散与资源调度协同方法及系统、设备、介质
CN116227995B (zh) 一种基于机器学习的指标分析方法及系统
CN118182256A (zh) 车辆能耗管理方法、装置、设备及介质
Mohamed et al. Multidimensional Disturbance Propagation Model for a Network of Bus Lines
CN118278914A (zh) 一种基于gis系统设备故障抢修的实现方法

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