CN112233420B - 一种智能交通控制系统的故障诊断的方法及装置 - Google Patents
一种智能交通控制系统的故障诊断的方法及装置 Download PDFInfo
- Publication number
- CN112233420B CN112233420B CN202011094650.9A CN202011094650A CN112233420B CN 112233420 B CN112233420 B CN 112233420B CN 202011094650 A CN202011094650 A CN 202011094650A CN 112233420 B CN112233420 B CN 112233420B
- Authority
- CN
- China
- Prior art keywords
- subsystem
- subsystems
- total number
- control system
- traffic control
- 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 31
- 238000003745 diagnosis Methods 0.000 title claims abstract description 11
- 230000008859 change Effects 0.000 claims abstract description 160
- 230000035945 sensitivity Effects 0.000 claims description 55
- 238000012545 processing Methods 0.000 claims description 17
- 238000001514 detection method Methods 0.000 abstract description 11
- 238000004891 communication Methods 0.000 abstract description 4
- 230000000875 corresponding effect Effects 0.000 description 118
- 230000006870 function Effects 0.000 description 11
- 238000010586 diagram Methods 0.000 description 10
- 230000015556 catabolic process Effects 0.000 description 7
- 238000004590 computer program Methods 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 7
- 238000005286 illumination Methods 0.000 description 7
- 238000012544 monitoring process Methods 0.000 description 7
- 238000013473 artificial intelligence Methods 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 5
- 206010039203 Road traffic accident Diseases 0.000 description 4
- 238000007726 management method Methods 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 230000001276 controlling effect Effects 0.000 description 3
- 230000004075 alteration Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 230000002596 correlated effect Effects 0.000 description 2
- 230000001808 coupling effect Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000010897 surface acoustic wave method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0125—Traffic data processing
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/07—Controlling traffic signals
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明涉及通信领域,特别涉及一种智能交通控制系统的故障诊断的方法及装置。用以高效,准确地判断出智能交通控制系统是否发生故障。该方法为:智能终端将指定路段在指定时间段内的路况信息,分别上报至智能交通控制系统包含的各个子系统后,根据各个子系统各自输出的一组道路安全指标在指定时间段内的时间变化曲线,分别确定各个子系统与与其时间变化曲线的变化趋势不匹配的子系统的总数目,作为故障子系统总数目,以及根据获得的各个故障子系统总数目与预设门限值的比较结果,判断智能交通控制系统是否发生故障。这样,从宏观上准确地判断智能交通控制系统整体的故障程度,从而提高了智能交通控制系统的故障检测效率。
Description
技术领域
本发明涉及车联网及自动驾驶领域,特别涉及一种智能交通控制系统的故障诊断的方法及装置。
背景技术
相关技术下,通信技术已经可以应用于各个领域,其中也包括智能交通控制系统。智能交通控制系统通过通信手段,收集路况信息,分析道路通行情况,以及给出相应的应对建议,极大地提高了对于交通综合管理的能力。
实际应用中,智能交通控制系统可以由多个子系统构成,例如,参阅图1所示,通常情况下,构成智能交通控制系统的子系统包括交通信号控制系统,交通图像监视系统,交通信息诱导系统,交通信息管理系统,交通紧急救援系统(仅为举例,实际应用中子系统数目不定)。
A、交通信号控制系统,用于基于路况信息控制交通指示设备。
例如,控制交通信号灯的切换时间和持续时长。
B、交通图像监视系统,用于基于路况信息获得实时的道路车辆行驶情况图像,并分析路况图像,对图像中的关键信息进行提取。
例如,分析摄像头所抓拍的超速车辆,并提取车辆的牌照信息。
C、交通信息诱导系统,用于基于路况信息进行交通指挥。
例如,在施工路段引导往来车辆避开施工区域。
D、交通信息管理系统,用于基于路况信息对在道路上行驶的车辆加以管控。
例如,向往来车辆给出当前道路限速指示。
E、交通紧急救援系统,用于基于路况信息对救援过程予以协助。
例如,向救援人员告知救援物资到达时间。
实际应用中,智能交通控制系统具有一定的容错率,当部分子系统的功能发生故障时,如果占比不高,则智能交通控制系统可以继续正常运行。
然而,相关技术下,对智能交通控制系统进行故障排查时,只能对各个子系统逐一进行故障检测,进而分析整个智能交通控制系统的故障程度,执行步骤复杂,执行效率十分低下。
因此,需要设计一种智能交通控制系统的故障诊断的方法及装置,以及克服上述缺陷。
发明内容
本发明提供一种智能交通控制系统的故障诊断的方法及装置,用以高效,准确地判断出智能交通控制系统的故障程度。
本申请提供的具体技术方案如下:
第一方面,一种智能交通控制系统的故障诊断的方法,包括:
将指定路段在指定时间段内的路况信息,分别上报至智能交通控制系统包含的各个子系统;
接收所述各个子系统基于所述路况信息各自输出的一组道路安全指标,以及分别获得各个子系统输出的一组道路安全指标在所述指定时间段内的时间变化曲线;
基于各个子系统对应的时间变化曲线,针对各个子系统,分别确定与其时间变化曲线的变化趋势不匹配的子系统的总数目,作为故障子系统总数目;
将各个子系统对应的故障子系统总数目,与预设门限值进行比较,获得比较结果,并将所述比较结果作为判断所述智能交通控制系统是否发生故障的结果。
第二方面,一种智能交通控制系统的故障诊断的装置,包括:
第一处理单元,用于将指定路段在指定时间段内的路况信息,分别上报至智能交通控制系统包含的各个子系统;
第二处理单元,用于接收所述各个子系统基于所述路况信息各自输出的一组道路安全指标,以及分别获得各个子系统输出的一组道路安全指标在所述指定时间段内的时间变化曲线;
第三处理单元,用于基于各个子系统对应的时间变化曲线,针对各个子系统,分别确定与其时间变化曲线的变化趋势不匹配的子系统的总数目,作为故障子系统总数目;
判别单元,用于将各个子系统对应的故障子系统总数目,与预设门限值进行比较,获得比较结果,并将所述比较结果作为判断所述智能交通控制系统是否发生故障的结果。
第三方面,一种电子设备,包括:
存储器,用于存储可执行指令;
处理器,用于读取并执行所述存储器中存储的可执行指令,以实现上述第一方面中的方法。
第四方面,一种计算机可读存储介质,当所述计算机可读存储介质中的指令由处理器执行时,使得所述处理器能够执行上述第一方面中的方法。
第五方面,一种计算机程序产品或计算机程序,所述计算机程序产品或计算机程序包括计算机指令,所述计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取所述计算机指令,处理器执行所述计算机指令,使得所述计算机设备执行上述第一方面中的方法。
本申请实施例中,智能终端将指定路段在指定时间段内的路况信息,分别上报至智能交通控制系统包含的各个子系统后,根据各个子系统各自输出的一组道路安全指标在指定时间段内的时间变化曲线,分别确定各个子系统和与其时间变化曲线的变化趋势不匹配的子系统的总数目,作为故障子系统总数目,进而基于各个子系统对应的故障子系统总数目与预设门限值的比较结果,判断智能交通控制系统是否发生故障。这样,便可以通过各个子系统对应的时间变化曲线的变化趋势以及各子系统对应的时间变化曲线之间的相关性,从宏观上准确地判断智能交通控制系统整体的故障程度,从而避免了需要对各个子系统进行逐一检测的繁琐过程,简化了故障检测的执行步骤,降低了实现难度,有效提高了智能交通控制系统的故障检测效率。
附图说明
图1为相关技术下智能交通控制系统的组成示意图;
图2A为本申请实施例中智能交通控制系统的第一种应用架构示意图;
图2B为本公开实施例中智能交通控制系统的第二种应用架构示意图;
图3为本申请实施例中智能终端对智能交通控制系统进行故障检测的概述流程示意图;
图4为本公开实施例中智能终端对智能交通控制系统进行故障检测的详细流程示意图;
图5为本申请实施例中子系统a对应的时间变化曲线示意图;
图6为本申请实施例中子系统b对应的时间变化曲线示意图;
图7为本申请实施例中子系统c对应的时间变化曲线示意图;
图8为本申请实施例中子系统d对应的时间变化曲线示意图;
图9为本申请实施例中智能终端逻辑架构示意图;
图10为本申请实施例中智能终端实体架构示意图。
具体实施方式
为了使本申请的目的、技术方案及有益效果更加清楚明白,以下结合附图及实施例,对本申请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申请,并不用于限定本申请。
为便于对本申请实施例的理解,下面先对几个概念进行简单介绍:
智能终端:可以安装各类应用,并且能够将已安装的应用中提供的对象进行显示的设备,可以是移动的,也可以是固定的。例如,手机、阅读器电脑、各类可穿戴设备、车载设备、个人数字助理(personal digital assistant,PDA)、销售终端(point of sales,POS)或其它能够实现上述功能的电子设备等。
时间变化曲线:本申请实施例中,指将智能交通控制系统的子系统输出的一组道路安全指标,通过拟合函数,拟合成一条随时间变化的曲线,拟合函数可以采用例如最小二乘法等函数。
灵敏度:时间变化曲线是可导的,求导之后的时间变化曲线称为子系统的灵敏度。
相关系数:用于表征两个元素之间的相关性。
人工智能(Artificial Intelligence,AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能,感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。换句话说,人工智能是计算机科学的一个综合技术,它企图了解智能的实质,并生产出一种新的能以人类智能相似的方式做出反应的智能机器。人工智能也就是研究各种智能机器的设计原理与实现方法,使机器具有感知、推理与决策的功能。本申请实施例提供的方案涉及人工智能的环境感知,行为决策以及判断故障等技术,具体通过如下实施例进行说明。
为了解决相关技术下,在发现智能交通控制系统故障后,逐一排查各个子系统,进而判断故障程度,导致的判断智能交通控制系统的故障程度的效率低下的问题。本申请实施例中,结合人工智能基础技术如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统等技术,令智能终端首先将指定路段在指定时间内的路况信息,通过网络上传到服务器中的各个子系统,各个子系统基于路况信息输出相应的一组道路安全指标,并通过网络将各个子系统输出的一组道路安全指标发送至智能终端,智能终端确定各个子系统输出的一组道路安全指标在指定时间段内对应的时间变化曲线,再基于各个子系统对应的时间变化曲线,针对各个子系统,分别确定与其时间变化曲线的变化趋势不匹配的子系统的总数目,作为故障子系统总数目,以及将各个子系统对应的故障子系统总数目,与预设门限值进行比较,获得比较结果,并将比较结果作为判断智能交通控制系统是否发生故障的结果。
下面结合附图对本申请优选的实施方式作出进一步详细说明。
具体实施中,智能交通控制系统可以应用于多种应用场景。例如,参阅图2A所示,在一个应用场景中,智能交通控制系统包括若干服务器201和若干智能终端202,智能交通控制系统由运行于各个服务器201的子系统构成,包括:交通信号控制系统、交通图像监视系统、交通信息诱导系统等等,智能终端202可以通过网络200(如有线网络或者无线网络)与各个服务器201上的子系统建立连接。上述图2A的例子只是实现本发明实施例的一个应用架构实例,本申请实施例并不限于上述图2A描述的应用结构。
又例如,参阅图2B所示,在另一个应用场景中,智能交通控制系统211由若干子系统212构成,各个子系统212分别对应车路协同,道路规划,注册服务,信号优化,公众信息发布等不同的功能,各个子系统212接收来自各个子系统的管控对象213发送的信息,智能交通控制系统将数据提供给服务器210,服务器210通过智能反哺将处理之后的数据返还给智能交通控制系统211,最终智能交通控制系统将服务器处理好的数据进一步的传输给第三方应用214,其中,第三方应用指可以接入智能交通控制系统,使用智能交通控制系统提供的各类服务功能。第三方应用包括:网联汽车,导航应用程序,物流平台,车辆运营,交警管控等。
参阅图3所示,本公开实施例中,智能终端判断智能交通控制系统是否发生故障的详细流程如下:
步骤300:智能终端将指定路段在指定时间段内的路况信息,分别上报至智能交通控制系统包含的各个子系统中。
本申请实施例中,智能终端即是车辆上安装的车载电脑,后续实施例中将不再赘述。
具体的,指定路段在指定时间段内的路况信息,包括但不限于以下参数中的一种或组合:
1、指定路段在指定时间段内的温度变化情况;
2、指定路段在指定时间段内的湿度变化情况;
3、指定路段在指定时间段内的光照变化情况;
4、指定路段在指定时间段内的能见度变化情况;
5、指定路段在指定时间段内的车流量变化情况。
例如,智能终端获得的路况信息为:
在指定时间段内的第一时刻,道路温度为35℃,道路湿度为70%,路面光照100000勒克斯,车流量:每千米50辆,能见度为50米。
在指定时间段内的第二时刻,道路温度为37℃,道路湿度为50%,路面光照150000勒克斯,车流量:每千米55辆,能见度为10000米。
在指定时间段内的第三时刻,道路温度为34℃,道路湿度为60%,路面光照90 000勒克斯,车流量:每千米40辆,能见度为9000米。
步骤310:智能终端接收各个子系统基于路况信息各自输出的一组道路安全指标,以及分别获得各个子系统输出的一组道路安全指标在指定时间段内的时间变化曲线。
例如,智能终端将同一路况信息上报至各个子系统后,会获得各个子系统基于路况信息分别返回的一组道路安全指标;其中,道路安全指标可以是指发生交通事故的概率。
如,基于“第一时刻中能见度为50米”的路况信息,交通图像监视系统返回:当前路段有雾,请谨慎驾驶,道路安全指标为70%。
基于“第二时刻中能见度为10000米”的路况信息,交通图像监视系统返回:当前路段无雾,道路安全指标为50%。
基于“第三时刻中能见度为9000米”的路况信息,交通图像监视系统返回:当前路段无雾,道路安全指标为55%。
因此,交通图像监视系统返回一组道路安全指标即为:70%、50%和55%。
具体实施中,道路安全指标还可以是其他类型的数据,如,发生交通事故的风险等级,1级、2级、3级等等;又如,发生交通事故的预测次数,如,3次,5次,9次等等;具体实现方式可以根据应用环境灵活设置,在此不再赘述。
进一步地,本申请实施例中,智能终端获得各个子系统输出的一组道路安全指标后,可以分别获得的各个子系统输出的一组道路安全指标在指定时间段内的时间变化曲线,可以采用但不限于以下方法:最小二乘法、多项式拟合法等等。
具体的,以一个子系统i为例,将子系统i对应指定时间段内的某一时刻输出的道路安全指标记为si,l,其中,i表示子系统的序号,l表示指定时间段内的某一时刻,那么,将子系统i对应指定时间段内的各个时刻输出的一组道路安全指标进行拟合后,即可以得到子系统i输出的一组道路安全指标在指定时间段内的时间变化曲线。
例如,假设指定时间段包含的各个时刻为:[0,1,2,3……t],子系统i基于获得的指定路段在指定时间段内的路况信息,对应指定时间段内的各个时刻输出的一组道路安全指标,分别记为si,1,si,2,……,si,t。其中,1是指定时间段的起始时刻,t是指定时间段的结束时刻。各个时刻可以是连续的,也可以是离散的,在此不作限定。
进一步,智能终端对子系统i输出的一组道路安全指标si,1,si,2,……,si,t进行拟合,得到拟合后的时间变化曲线fi(x);其中,x的取值范围为区间[1,t]。
步骤320:智能终端基于各个子系统对应的时间变化曲线,针对各个子系统,分别确定与其时间变化曲线的变化趋势不匹配的子系统的总数目,作为故障子系统总数目。
具体的,在执行步骤320时,可以包含但不限于以下步骤:
A、智能终端分别对各个子系统对应的时间变化曲线,相对于时间进行求导,获得各个子系统对应的时间变化曲线在指定时间段内的灵敏度。
具体的,以一个子系统i为例,假设子系统i对应的时间变化曲线为fi(x),则子系统i对应的时间变化曲线为fi(x)的灵敏度为:
其中,x的取值范围为区间[1,t],其中,1是指定时间段的起始时刻,t是指定时间段的结束时刻。
B、智能终端基于各个子系统对应的时间变化曲线在指定时间段内的灵敏度,分别获得各个子系统与其他子系统之间的相关系数。
具体实施中,在获得各个子系统对应的时间变化曲线在指定时间段内的灵敏度后,智能终端可以分别获得每一个子系统,与其他各个子系统之间的相关系数。
具体的,仍以子系统i为例,假设子系统j为其他子系统中的任意一个,那么,子系统i和子系统j之间的相关系数可以记为ci,j。
进一步的,相关系数具有对称性,子系统i对于子系统j的相关系数记为:ci,j,子系统j对于子系统i的相关系数记为:cj,i,则
ci,j=cj,i
即,子系统i和子系统j之间的相关系数既可以用ci,j表示,也可以cj,i表示。
具体的,在获得子系统i的时间变化曲线为fi(x)的灵敏度gi(x)和子系统j的时间变化曲线为fi(x)的灵敏度gj(x)之后,可以按照如下的公式进行计算:
其中,x的取值范围为区间[1,t],其中,1是指定时间段的起始时刻,t是指定时间段的结束时刻。
进一步的,本申请实施例中,智能终端是基于子系统对应的时间变化曲线的灵敏度,来获得各个子系统之间相关系数,这是因为,灵敏度是对由一组道路安全指标拟合成的时间变化曲线求导后获得的参量,因此,灵敏度包含了相邻两个时刻对应的道路安全指标的变化量,即灵敏度本身便能体现相邻两个时刻的道路安全指标的变化趋势。
而各个子系统的各组道路安全指标之间具有耦合性,那么,各个子系统对应的时间变化曲线的灵敏度之间也便具有耦合性,因此,基于各个子系统对应的时间变化曲线的灵敏度,便也可以准确计算出各个子系统之间的相关系数。
C、智能终端基于各个子系统与其他子系统之间的相关系数,针对各个子系统,分别确定与其时间变化曲线的变化趋势不匹配的子系统的总数目,作为故障子系统总数目。
具体的,智能终段向各个子系统上报的指定路段在指定时间段内的路况信息是相同的,因此,若任意两个子系统之间的相关系数的是正相关的,则这两个子系统,在相同的指定时间段内的时间变化曲线的灵敏度的趋势应当是都为正向变化或者都为负向变化,或者,若任意两个子系统之间的相关系数的是负相关的,则这两个子系统,在相同的指定时间段内的时间变化曲线的灵敏度的趋势应当是一个是正向变化,一个是负向变化。
但是,若任意两个子系统之间相关系数的是正相关的,但这两个子系统,在相同的指定时间段内的时间变化曲线的灵敏度的趋势一个是正向变化,一个是负向变化,或者,若任意两个子系统之间的相关系数的是负相关的,但这两个子系统,在相同的指定时间段内的时间变化曲线的灵敏度的趋势是两者都为正向变化或者两者都为负向变化。则认定这种情况下的两个子系统之间的时间变化曲线的变化趋势不匹配。
其中,各个子系统对应的时间变化曲线的灵敏度的趋势可以通过如下算式来判断:
其中,x的取值范围为区间[1,t],其中,1是指定时间段的起始时刻,t是指定时间段的结束时刻,i是子系统的序号。
进一步地,本申请实施例中,在执行上述步骤C时,具体可以包含但不限于如下步骤:
针对各个子系统中的每一个子系统分别执行以下操作:
C1、将一个子系统对应的各个相关系数中取值不小于零的相关系数划分为正相关集合,以及将一个子系统对应的各个相关系数中取值小于零的相关系数划分为负相关集合。
具体的,当一个子系统,与其他各个子系统之间的相关系数为正时,则这些子系统的相关系数构成的集合为正相关集合,当一个子系统,与其他各个子系统之间的相关系数为负时,则这些子系统的相关系数构成的集合为负相关集合。
以任意一个子系统i为例,
假设通过计算得到子系统i与其他各个子系统的相关系数共有n个,其中正相关的相关系数有k个,负相关的相关系数有(n-k)个,则,
其正相关集合记为:
Cpositive,i={Cpositive,i1,Cpositive,i2,Cpositive,i3,……,Cpositive,ik}
其负相关集合记为:
Cnegative,i={Cnegative,ik+1,Cnegative,ik+2,Cnegative,ik+3,……,Cnegative,in}
C2、智能终端确定一个子系统对应的时间变化曲线的灵敏度的第一变化趋势,以及,在一个子系统对应的正相关集合中,分别确定各个相关系数关联的非该子系统对应的时间变化曲线的灵敏度的第二变化趋势,并记录与第一变化趋势相反的第二变化趋势对应的相关系数的第一数目。
例如,以子系统i对应的正相关集合Cpositive,i为例。
假设子系统i对应的时间变化曲线的灵敏度的第一变化趋势为正向变化,那么,在正相关集合中,假设存在一个相关系数为Cpositive,i2,Cpositive,i2是基于子系统i对应的时间变化曲线的灵敏度与子系统2对应的时间变化曲线的灵敏度生成的。
然而,子系统2对应的时间变化曲线的灵敏度的第二变化趋势为负向变化,即与第一变化趋势相反,则认为Cpositive,i2对应的子系统i与子系统2的时间变化曲线的变化趋势不匹配。
采用以上方式,可以从子系统i对应的正相关集合中,筛选出各个子系统中与子系统i的时间变化曲线的变化趋势不匹配的子系统,将其总数记为第一数目。
C3、智能终端确定一个子系统对应的时间变化曲线的灵敏度的第一变化趋势,以及,在一个子系统对应的负相关集合中,分别确定各个相关系数关联的非该子系统对应的时间变化曲线的灵敏度的第三变化趋势,并记录与第一变化趋势相同的第三变化趋势对应的相关系数的第二数目。
例如,以子系统i对应的负相关集合Cnegative,i为例。
假设子系统i对应的时间变化曲线的灵敏度的第一变化趋势为正向变化,那么,在负相关集合中,假设存在一个相关系数为Cnegative,ik+3,Cnegative,ik+3是基于子系统i对应的时间变化曲线的灵敏度与子系统k+3对应的时间变化曲线的灵敏度生成的。
然而,子系统k+3对应的时间变化曲线的灵敏度的第三变化趋势为正向变化,即与第一变化趋势相同,则认为Cnegative,ik+3对应的子系统i与子系统k+3的时间变化曲线的变化趋势不匹配。
采用以上方式,可以从子系统i对应的负相关集合中,筛选出各个子系统中与子系统i的时间变化曲线的变化趋势不匹配的子系统,将其总数记为第二数目。
C4、智能终端将第一数目和第二数目相加,得到与一个子系统的时间变化曲线的变化趋势不匹配的子系统的总数目,作为一个子系统对应的故障子系统总数目。
例如,智能终端将子系统i对应的第一数目和第二数目相加,得到子系统i对应的故障子系统总数目,记为kbreakdown,i,其中i为子系统的序号。
基于上述方式,智能终端可以获得各个子系统对应的各个子系统中与其时间变化曲线的变化趋势不匹配的子系统总数目,分别记为kbreakdown,1,kbreakdown,2,……,kbreakdown,i,……,kbreakdown,n,其中,n为子系统的总数目。
本申请实施例中,两个子系统之间的时间变化曲线的变化趋势不匹配,则证明这两个子系统之间至少有一个故障的子系统,且本申请实施例中由于各个子系统都会作为相关系数的对比项和被对比项,为了避免重复计算发生混乱,认为作为被对比项的子系统都是未发生故障的,因此各个子系统对应的与其时间变化曲线的变化趋势不匹配的子系统总数目,也可以作为各个子系统对应的故障子系统总数目。
步骤330:智能终端将各个子系统对应的故障子系统总数目,与预设门限值进行比较,获得比较结果,并将比较结果作为判断智能交通控制系统是否发生故障的结果。
具体的,本申请实施例中,在执行步骤330时,智能终端可以采用但不限于以下步骤:
1)智能终端对各个子系统对应的故障子系统总数目进行排序,选择各个故障子系统总数目中的最大值和最小值。
具体的,以子系统i和子系统j为例,
假设子系统i对应的故障子系统总数目为10,为各个子系统中对应的故障子系统总数目最多的子系统,因此,此时:
kbreakdown,max=10
假设子系统j对应的故障子系统总数目为1,为各个子系统中对应的故障子系统总数目最少的子系统,因此,此时:
kbreakdown,min=1
2)智能终端计算最小值在子系统总数目中的第一占比,以及计算最大值在子系统总数目中的第二占比。
其中,上述第一占比可以采用如下公式计算:
其中,y表示子系统总数目。
其中,上述第二占比可以采用如下公式计算:
其中,y表示子系统的总数目。
3)将第一占比和第一占比与预设门限值进行比较,获得比较结果。
结果1:故障子系统总数目的最小值在子系统总数目中的第一占比,大于等于预设门限值。
实际应用中,预设门限值可以是基于历史交通事故率获得的,记为Ptraffic,后续实施例中均相同,不再赘述。
结果1可以采用如下公式表示:
其中,y表示子系统总数目。
结果2:故障子系统总数目的最大值在子系统总数目中的第二占比,小于等于预设门限值。
结果2可以采用如下公式表示:
其中,y表示子系统的总数目。
结果3:故障子系统总数目的最小值在子系统总数目中的第一占比,小于预设门限值,以及故障子系统总数目的最大值在子系统总数目中的第二占比,大于预设门限值。
结果3可以采用如下公式表示:
其中,y表示子系统的总数目。
4)智能终端将比较结果作为判断智能交通控制系统是否发生故障的结果。
若为结果1,则说明故障子系统总数目的最小值在子系统总数目中的第一占比已经达到了预设门限值,那么,其他故障子系统总数目的取值在子系统总数目中的占比也必然达到了预设门限值,这表示,无论在哪一种情况下,故障子系统总数目的占比必定均会达到历史交通故障率,因此,可以判断智能交通控制系统的故障程度已经超出智能交通控制系统的容错程度,即各个子系统的故障率已经不能满足使用需求。
此时,智能终端会判定智能交通控制系统发生故障,并进行告警:智能交通控制系统出现故障,请检查并维修。
例如,假设预设门限值为0.5,若故障子系统总数目的最小值在子系统总数目中的第一占比为0.6,则判定智能交通控制系统整体上已发生故障,需要进行告警:智能交通控制系统出现故障,请检查并维修。
若为结果2,则说明故障子系统总数目的最大值在子系统总数目中的第二占比未超过预设门限值,那么,其他故障子系统总数目的取值在子系统总数目中的占比也必然不会超过预设门限值,这表示,无论在哪一种情况下,故障子系统总数目的占比均不会超过历史交通故障率,因此,可以确定智能交通控制系统的故障程度尚未超出智能交通控制系统的容错程度,即各个子系统的故障率还可以满足使用需求。
此时,智能终端系统判定智能交通控制系统尚未故障,不进行告警。
例如,假设预设门限值为0.5,若故障子系统总数目的最大值在子系统总数目中的第二占比为0.4,则判定智能交通控制系统整体上未发生故障,不需要进行告警。
若为结果3,则说明智能交通控制系统的故障程度需要作进一步判定,可选的,可以采用计算概率的方式,判断智能交通控制系统是否发生故障。
具体的,可以基于第一占比和第二占比以及预设门限值计算智能交通控制系统的可信概率,并生成一个服从0-1均匀分布的随机数,记为ξ,若随机数ξ大于等于智能交通控制系统的可信概率,则确定智能交通控制系统发生故障,并进行告警,若随机数ξ小于智能交通控制系统的可信概率,则不进行告警。
具体的,可以采用以下公式计算智能交通控制系统的可信概率:
从上述公式可以看出,可信概率的取值在0-1之间,因此,随机变量的取值也设置在0-1之间。
例如,假设预设门限值为0.5,若故障子系统总数目的最小值在子系统总数目中的第一占比为0.4,而故障子系统总数目的最大值在子系统总数目中的第二占比为0.6,,则计算智能交通控制系统的可信概率为:
若生成的随机数为0.2,则判定智能交通控制系统整体上未发生故障,不需要进行告警。
若生成的随机数为0.6,则判定智能交通控制系统整体上已发生故障,需要进行告警:智能交通控制系统出现故障,请检查并维修。
参阅图4所示,下面采用一个具体的应用场景,对以上实施例做出进一步详细说明:
假设智能交通控制系统由四个子系统构成,分别为子系统a,子系统b,子系统c,子系统d。假设指定时间段中,智能终端收集路况信息的时刻包括时刻1、时刻2、时刻3。
步骤400::智能终端收集时刻1,时刻2,时刻3的路况信息,分别发送至子系统a,子系统b,子系统c,子系统d。
具体的,在指定时间段内的第一时刻,道路温度为35℃,道路湿度为70%,路面光照100 000勒克斯,车流量:每千米50辆,能见度为50米。
在指定时间段内的第二时刻,道路温度为37℃,道路湿度为50%,路面光照150000勒克斯,车流量:每千米55辆,能见度为9000米。
在指定时间段内的第三时刻,道路温度为34℃,道路湿度为60%,路面光照90 000勒克斯,车流量:每千米40辆,能见度为10000米。
步骤410:智能终端接收子系统a,子系统b,子系统c,子系统d分别基于各自以上路况信息各自输出的一组道路安全指标。
具体的,假设智能终端接收的一组道路安全指标包括:
子系统a输出:sa,1=10%,sa,2=20%,sa,3=30%;
子系统b输出:sb,1=20%,sb,2=10%,sb,3=30%;
子系统c输出:sc,1=70%,sc,2=50%,sc,3=30%;
子系统d输出:sd,1=40%,sd,2=60%,sd,3=50%。
步骤420:智能终端对获得的各组道路安全指标分别进行拟合,得到相应的拟合后的时间变化曲线fi(x)。
参阅图5所示,假设子系统a对应的时间变化曲线为fa(x);
参阅图6所示,假设子系统b对应的时间变化曲线为fb(x);
参阅图7所示,假设子系统c对应的时间变化曲线为fc(x);
参阅图8所示,假设子系统d对应的时间变化曲线为fd(x)。
步骤430:智能终端分别对各个时间变化曲线相对于时间进行求导,获得相应的灵敏度,再基于获得的各个时间变化曲线的灵敏度,计算出各个子系统与其他子系统之间的相关系数。
具体的,为了便于描述,本申请实施例中提供的相关系数的取值仅为举例,并非图5-图8中所示的时间变化曲线经过严格求导后计算出的值。
假设对应子系统a存在相关系数:ca,b=1,ca,c=2,ca,d=-1;
假设对应子系统b存在相关系数:ca,b=1,cb,c=-2,cb,d=-1;
假设对应子系统c存在相关系数:ca,c=2,cb,c=-2,cc,d=1;
假设对应子系统d存在相关系数:ca,d=1,cb,d=2,cc,d=-1;
步骤440:智能终端基于各个子系统与其他子系统之间的相关系数,筛选出各个子系统对应的正相关集合和负相关集合。
具体的,假设子系统a对应的正相关集合为:Cpositive,a={Cpositive,ab,Cpositive,ac},以及假设子系统a对应的负相关集合为:Cnegative,a={Cnegative,ad}。
子系统b,子系统c,子系统d各自对应的正相关集合和负相关集合可以采用相同方式获得,在此不在最赘述。
步骤450:智能终端基于各个子系统对应的时间变化曲线的灵敏度的变化趋势,结合各个子系统对应的正相关集合和负相关集合,获得各个子系统对应的故障子系统总数目。
本公开实施例中,从子系统a对应的正相关集合中推测,子系统a对应的时间变化曲线的灵敏度的变化趋势为正向变化时,子系统b和子系统c各自对应的时间变化曲线的灵敏度的变化趋势也应当为正向变化,而从子系统a对应的负相关集合中推测,子系统a对应的时间变化曲线的灵敏度的变化趋势为正向变化时,子系统d对应的时间变化曲线的灵敏度应当为负负向变化。
而假设具体实施中,子系统b和子系统d各自对应的时间变化曲线的灵敏的变化趋势为正向变化,子系统c对应的时间变化曲线的灵敏度的变化趋势为为负向变化,那么,则判定子系统b为正常的子系统,子系统c,子系统d为故障的子系统,因此,子系统a对应的第一数目为1,第二数目为1,则子系统a对应的故障子系统总数目为2。
同理,假设子系统b对应的第一数目为0,第二数目为1,子系统b对应的故障子系统总数目为1。
假设子系统c对应的第一数目为1,第二数目为0,则子系统c对应的故障子系统总数目为1。
假设子系统d对应的第一数目为0,第二数目为0,则子系统d对应的故障子系统总数目为0。
步骤460:智能终端将各个子系统对应的故障子系统总数目,与预设门限值进行比较,获得比较结果,并将所述比较结果作为判断所述智能交通控制系统是否发生故障的结果。
具体实施中,智能终端将各个子系统对应的故障子系统总数目进行排序,从中选择出最大值和最小值,假设最大值为2,最小值为1,则智能终端可以进一步根据最大值和最小值,计算出第一占比为33.3%,第二占比为66.7%。
假设预设门限值为20%,则第一占比大于预设门限值,那么,智能终端判定智能交通控制系统整体上已发生故障,需要进行告警:智能交通控制系统出现故障,请检查并维修。
假设预设门限值为70%,则第二占比小于预设门限值,那么,智能终端判定智能交通控制系统整体上未发生故障,不需要进行告警。
假设预设门限值为50%,则第一占比小于预设门限值,且第二占比大于预设门限值,那么,智能终端会计算智能交通控制系统的可信概率,具体数值为:
若智能终端生成的随机数为0.2,则随机数小于可信概率,那么,智能终端判定智能交通控制系统整体上未发生故障,不需要进行告警。
若生成的随机数为0.6,则随机数大于可信概率,那么,智能终端判定智能交通控制系统整体上已发生故障,需要进行告警:智能交通控制系统出现故障,请检查并维修。
基于同一发明构思,参阅图9所示,本申请实施例中,提供一种智能交通控制系统的故障诊断的装置(如,智能终端),至少包括:第一处理单元91,第二处理单元92,第三处理单元93和判别单元94。
第一处理单元91,用于将指定路段在指定时间段内的路况信息,分别上报至智能交通控制系统包含的各个子系统;
第二处理单元92,用于接收各个子系统基于路况信息各自输出的一组道路安全指标,以及分别获得各个子系统输出的一组道路安全指标在指定时间段内的时间变化曲线;
第三处理单元93,用于基于各个子系统对应的时间变化曲线,针对各个子系统,分别确定与其时间变化曲线的变化趋势不匹配的子系统的总数目,作为故障子系统总数目;
判别单元94,用于将各个子系统对应的故障子系统总数目,与预设门限值进行比较,获得比较结果,并将比较结果作为判断智能交通控制系统是否发生故障的结果。
可选的,基于各个子系统对应的时间变化曲线,针对各个子系统,分别确定与其时间变化曲线的变化趋势不匹配的子系统的总数目,作为故障子系统总数目,第三处理单元93用于:
分别对各个子系统对应的时间变化曲线,相对于时间进行求导,获得各个子系统对应的时间变化曲线在指定时间段内的灵敏度;
基于各个子系统对应的时间变化曲线在指定时间段内的灵敏度,分别获得各个子系统与其他子系统之间的相关系数;
基于各个子系统与其他子系统之间的相关系数,针对各个子系统,分别确定与其时间变化曲线的变化趋势不匹配的子系统的总数目,作为故障子系统总数目。
可选的,基于各个子系统与其他子系统之间的相关系数,针对各个子系统,分别确定与其时间变化曲线的变化趋势不匹配的子系统的总数目,作为故障子系统总数目,第三处理单元93用于:
针对各个子系统中的每一个子系统分别执行以下操作:
将一个子系统对应的各个相关系数中取值不小于零的相关系数划分为正相关集合,以及将一个子系统对应的各个相关系数中取值小于零的相关系数划分为负相关集合;
确定一个子系统对应的时间变化曲线的灵敏度的第一变化趋势;
在正相关集合中,分别确定各个相关系数关联的非该子系统对应的时间变化曲线的灵敏度的第二变化趋势,并记录与第一变化趋势相反的第二变化趋势对应的相关系数的第一数目;
在负相关集合中,分别确定各个相关系数关联的非该子系统对应的时间变化曲线的灵敏度的第三变化趋势,并记录与第一变化趋势相同的第三变化趋势对应的相关系数的第二数目;
将第一数目和第二数目相加,得到与一个子系统的时间变化曲线的变化趋势不匹配的子系统的总数目,作为一个子系统对应的故障子系统总数目。
可选的,将各个子系统对应的故障子系统总数目,与预设门限值进行比较,获得比较结果,判别单元94用于:
对各个子系统对应的故障子系统总数目进行排序,选择各个故障子系统总数目中的最大值和最小值;
计算最小值在子系统总数目中的第一占比,以及计算最大值在子系统总数目中的第二占比;
将第一占比和第一占比与预设门限值进行比较,获得比较结果。
可选的,将比较结果作为判断智能交通控制系统是否发生故障的结果,判别单元94用于:
若第一占比大于预设门限值,判定智能交通控制系统发生故障;
若第二占比小于预设门限值,判定智能交通控制系统尚未故障;
若第一占比小于预设门限值,且第二占比大于预设门限值,则基于第一占比和第二占比以及预设门限值计算智能交通控制系统的可信概率,生成一个随机数;
若随机数不超过可信概率,则确定智能交通控制系统尚未故障;
若随机数超过可信概率,则确定智能交通控制系统发生故障。
基于同一发明构思,参阅图10所示,本申请实施例还提供了一种智能终端1000,该智能终端1000可以为智能手机、平板电脑,手提电脑或PC机等电子设备。如图10所示,智能终端1000包括显示单元1040、处理器1080以及存储器1020,其中,显示单元1040包括显示面板1041,用于显示由用户输入的信息或提供给用户的信息以及智能终端1000的各种对象选择页面等,在本申请实施例中主要用于显示智能终端1000中已安装的应用的页面、快捷窗口等。可选的,可以采用液晶显示器(Liquid Crystal Display,LCD)或有机发光二极管(Organic Light-Emitting Diode,OLED)等形式来配置显示面板1041。
处理器1080用于读取计算机程序,然后执行计算机程序定义的方法,例如处理器1080读取社交应用程序,从而在智能终端1000上运行应用,在显示单元1040上显示应用的页面。处理器1080可以包括一个或多个通用处理器,还可包括一个或多个数字信号处理器(Digital Signal Processor,DSP),用于执行相关操作,以实现本申请实施例所提供的技术方案。
存储器1020一般包括内存和外存,内存可以为随机存储器(RAM),只读存储器(ROM),以及高速缓存(CACHE)等。外存可以为硬盘、光盘、USB盘、软盘或磁带机等。存储器1020用于存储计算机程序和其他数据,该计算机程序包括应用对应的应用程序等,其他数据可包括操作系统或应用程序被运行后产生的数据,该数据包括系统数据(例如操作系统的配置参数)和用户数据。本申请实施例中程序指令存储在存储器1020中,处理器1080执行存储在存储器1020中的程序指令,实现前文论述的音频节目内容的文稿显示控制方法,或者实现前文论述的适配应用的功能。
此外,智能终端1000还可以包括显示单元1040,用于接收输入的数字信息、字符信息或接触式触摸操作/非接触式手势,以及产生与智能终端1000的用户设置以及功能控制有关的信号输入等。具体地,本申请实施例中,该显示单元1040可以包括显示面板1041。显示面板1041例如触摸屏,可收集用户在其上或附近的触摸操作(比如玩家使用手指、触笔等任何适合的物体或附件在显示面板1041上或在显示面板1041的操作),并根据预先设定的程式驱动对应的连接装置。可选的,显示面板1041可包括触摸检测装置和触摸控制器两个部分。其中,触摸检测装置用户的触摸方位,并检测触摸操作带来的信号,将信号传送给触摸控制器;触摸控制器从触摸检测装置上接收触摸信息,并将它转换成触点坐标,再送给处理器1080,并能接收处理器1080发来的命令并加以执行。
其中,显示面板1041可以采用电阻式、电容式、红外线以及表面声波等多种类型实现。除了显示单元1040,智能终端1000还可以包括输入单元1030,输入单元1030可以包括但不限于物理键盘、功能键(比如音量控制按键、开关按键等)、轨迹球、鼠标、操作杆等中的一种或多种。图10中是以输入单元1030包括图像输入设备1031和其它输入设备1032为例。
除以上之外,智能终端1000还可以包括用于给其他模块供电的电源1090、音频电路1060、近场通信模块1070和RF电路1010。智能终端1000还可以包括一个或多个传感器1050,例如加速度传感器、光传感器、压力传感器等。音频电路1060具体包括扬声器1061和麦克风1062等,例如用户可以使用语音控制,智能终端1000可以通过麦克风1062采集用户的声音,可以用户的声音进行控制,并在需要提示用户时,通过扬声器1061播放对应的提示音。
基于同一发明构思,本申请实施例提供了一种计算机可读介质,当上述计算机可读存储介质中的指令由处理器执行时,使得上述处理器能够执行如上述各个实施例中智能终端执行的任意一种方法。
可选地,计算机可读介质可以是非临时性计算机可读存储介质,例如,上述非临时性计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等等。
基于同一发明构思,本申请实施例提供了一种计算机程序产品或计算机程序,该计算机程序产品或计算机程序包括计算机指令,该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令,处理器执行该计算机指令,使得该计算机设备执行如上述各个实施例中智能终端执行的任意一种方法。
程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读信号介质例如可以是但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
本申请的实施方式的程序产品可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码,并可以在计算装置上运行。然而,本申请的程序产品不限于此,在本文件中,可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被命令执行系统、装置或者器件使用或者与其结合使用。
可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了可读程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。可读信号介质还可以是可读存储介质以外的任何可读介质,该可读介质可以发送、传播或者传输用于由命令执行系统、装置或者器件使用或者与其结合使用的程序。
可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于无线、有线、光缆、RF等等,或者上述的任意合适的组合。
尽管已描述了本申请的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例做出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本申请范围的所有变更和修改。
显然,本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样,倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内,则本申请也意图包含这些改动和变型在内。
Claims (10)
1.一种智能交通控制系统的故障诊断的方法,其特征在于,包括:
将指定路段在指定时间段内的路况信息,分别上报至智能交通控制系统包含的各个子系统;
接收所述各个子系统基于所述路况信息各自输出的一组道路安全指标,以及分别获得各个子系统输出的一组道路安全指标在所述指定时间段内的时间变化曲线;
基于各个子系统对应的时间变化曲线,针对各个子系统,分别确定与其时间变化曲线的变化趋势不匹配的子系统的总数目,作为故障子系统总数目;
将各个子系统对应的故障子系统总数目,与预设门限值进行比较,获得比较结果,并将所述比较结果作为判断所述智能交通控制系统是否发生故障的结果;
所述基于各个子系统对应的时间变化曲线,针对各个子系统,分别确定与其时间变化曲线的变化趋势不匹配的子系统的总数目,作为故障子系统总数目,包括:
分别对各个子系统对应的时间变化曲线,相对于时间进行求导,获得所述各个子系统对应的时间变化曲线在所述指定时间段内的灵敏度;
基于所述各个子系统对应的时间变化曲线在所述指定时间段内的灵敏度,分别获得各个子系统与其他子系统之间的相关系数;
基于各个子系统与其他子系统之间的相关系数,针对各个子系统,分别确定与其时间变化曲线的变化趋势不匹配的子系统的总数目,作为故障子系统总数目。
2.如权利要求1所述的方法,其特征在于,基于各个子系统与其他子系统之间的相关系数,针对各个子系统,分别确定与其时间变化曲线的变化趋势不匹配的子系统的总数目,作为故障子系统总数目,包括:
针对所述各个子系统中的每一个子系统分别执行以下操作:
将一个子系统对应的各个相关系数中取值不小于零的相关系数划分为正相关集合,以及将所述一个子系统对应的各个相关系数中取值小于零的相关系数划分为负相关集合;
确定所述一个子系统对应的时间变化曲线的灵敏度的第一变化趋势;
在所述正相关集合中,分别确定各个相关系数关联的非所述一个子系统对应的时间变化曲线的灵敏度的第二变化趋势,并记录与所述第一变化趋势相反的第二变化趋势对应的相关系数的第一数目;
在所述负相关集合中,分别确定各个相关系数关联的非所述一个子系统对应的时间变化曲线的灵敏度的第三变化趋势,并记录与所述第一变化趋势相同的第三变化趋势对应的相关系数的第二数目;
将所述第一数目和所述第二数目相加,得到与所述一个子系统的时间变化曲线的变化趋势不匹配的子系统的总数目,作为所述一个子系统对应的故障子系统总数目。
3.如权利要求1或2所述的方法,其特征在于,将各个子系统对应的故障子系统总数目,与预设门限值进行比较,获得比较结果,包括:
对所述各个子系统对应的故障子系统总数目进行排序,选择各个故障子系统总数目中的最大值和最小值;
计算所述最小值在子系统总数目中的第一占比,以及计算所述最大值在子系统总数目中的第二占比;
将所述第一占比和第二占比与所述预设门限值进行比较,获得比较结果。
4.如权利要求3所述的方法,其特征在于,将所述比较结果作为判断所述智能交通控制系统是否发生故障的结果,包括:
若所述第一占比大于所述预设门限值,则判定所述智能交通控制系统发生故障;
若所述第二占比小于所述预设门限值,则判定所述智能交通控制系统尚未故障;
若所述第一占比小于所述预设门限值,且所述第二占比大于所述预设门限值,则基于所述第一占比和所述第二占比以及所述预设门限值计算所述智能交通控制系统的可信概率,生成一个随机数;
若所述随机数不超过所述可信概率,则判定所述智能交通控制系统尚未故障;
若所述随机数超过所述可信概率,则判定所述智能交通控制系统发生故障。
5.一种智能交通控制系统的故障诊断的装置,其特征在于,包括:
第一处理单元,用于将指定路段在指定时间段内的路况信息,分别上报至智能交通控制系统包含的各个子系统;
第二处理单元,用于接收所述各个子系统基于所述路况信息各自输出的一组道路安全指标,以及分别获得各个子系统输出的一组道路安全指标在所述指定时间段内的时间变化曲线;
第三处理单元,用于基于各个子系统对应的时间变化曲线,针对各个子系统,分别确定与其时间变化曲线的变化趋势不匹配的子系统的总数目,作为故障子系统总数目;
判别单元,用于将各个子系统对应的故障子系统总数目,与预设门限值进行比较,获得比较结果,并将所述比较结果作为判断所述智能交通控制系统是否发生故障的结果;
所述第三处理单元具体用于:
分别对各个子系统对应的时间变化曲线,相对于时间进行求导,获得所述各个子系统对应的时间变化曲线在所述指定时间段内的灵敏度;
基于所述各个子系统对应的时间变化曲线在所述指定时间段内的灵敏度,分别获得各个子系统与其他子系统之间的相关系数;
基于各个子系统与其他子系统之间的相关系数,针对各个子系统,分别确定与其时间变化曲线的变化趋势不匹配的子系统的总数目,作为故障子系统总数目。
6.如权利要求5所述的装置,其特征在于,基于各个子系统与其他子系统之间的相关系数,针对各个子系统,分别确定与其时间变化曲线的变化趋势不匹配的子系统的总数目,作为故障子系统总数目,第三处理单元用于:
针对所述各个子系统中的每一个子系统分别执行以下操作:
将一个子系统对应的各个相关系数中取值不小于零的相关系数划分为正相关集合,以及将所述一个子系统对应的各个相关系数中取值小于零的相关系数划分为负相关集合;
确定所述一个子系统对应的时间变化曲线的灵敏度的第一变化趋势;
在所述正相关集合中,分别确定各个相关系数关联的非所述一个子系统对应的时间变化曲线的灵敏度的第二变化趋势,并记录与所述第一变化趋势相反的第二变化趋势对应的相关系数的第一数目;
在所述负相关集合中,分别确定各个相关系数关联的非所述一个子系统对应的时间变化曲线的灵敏度的第三变化趋势,并记录与所述第一变化趋势相同的第三变化趋势对应的相关系数的第二数目;
将所述第一数目和所述第二数目相加,得到与所述一个子系统的时间变化曲线的变化趋势不匹配的子系统的总数目,作为所述一个子系统对应的故障子系统总数目。
7.如权利要求5或6所述的装置,其特征在于,将各个子系统对应的故障子系统总数目,与预设门限值进行比较,获得比较结果,判别单元用于:
对所述各个子系统对应的故障子系统总数目进行排序,选择各个故障子系统总数目中的最大值和最小值;
计算所述最小值在子系统总数目中的第一占比,以及计算所述最大值在子系统总数目中的第二占比;
将所述第一占比和第二占比与所述预设门限值进行比较,获得比较结果。
8.如权利要求7所述的装置,其特征在于,将所述比较结果作为判断所述智能交通控制系统是否发生故障的结果,判别单元用于:
若所述第一占比大于所述预设门限值,判定所述智能交通控制系统发生故障;
若所述第二占比小于所述预设门限值,判定所述智能交通控制系统尚未故障;
若所述第一占比小于所述预设门限值,且所述第二占比大于所述预设门限值,则基于所述第一占比和所述第二占比以及所述预设门限值计算所述智能交通控制系统的可信概率,生成一个随机数;
若所述随机数不超过所述可信概率,则判定所述智能交通控制系统尚未故障;
若所述随机数超过所述可信概率,则判定所述智能交通控制系统发生故障。
9.一种电子设备,其特征在于,包括:
存储器,用于存储可执行指令;
处理器,用于读取并执行所述存储器中存储的可执行指令,以实现如权利要求1-4任一项所述的方法。
10.一种计算机可读存储介质,其特征在于,当所述计算机可读存储介质中的指令由处理器执行时,使得所述处理器能够执行如权利要求1-4任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011094650.9A CN112233420B (zh) | 2020-10-14 | 2020-10-14 | 一种智能交通控制系统的故障诊断的方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011094650.9A CN112233420B (zh) | 2020-10-14 | 2020-10-14 | 一种智能交通控制系统的故障诊断的方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112233420A CN112233420A (zh) | 2021-01-15 |
CN112233420B true CN112233420B (zh) | 2023-12-15 |
Family
ID=74112613
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011094650.9A Active CN112233420B (zh) | 2020-10-14 | 2020-10-14 | 一种智能交通控制系统的故障诊断的方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112233420B (zh) |
Citations (30)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH05116601A (ja) * | 1991-10-25 | 1993-05-14 | Mazda Motor Corp | 故障診断方法 |
US5327123A (en) * | 1992-04-23 | 1994-07-05 | Traffic Sensor Corporation | Traffic control system failure monitoring |
US5414645A (en) * | 1991-10-25 | 1995-05-09 | Mazda Motor Corporation | Method of fault diagnosis in an apparatus having sensors |
JP2006027391A (ja) * | 2004-07-14 | 2006-02-02 | Toyota Motor Corp | 故障解析システム |
KR200407975Y1 (ko) * | 2005-11-21 | 2006-02-06 | 주식회사 인디건 | 교통상황정보시스템의 고장 검출 기능을 가지는현장제어장치 |
US7075427B1 (en) * | 1996-01-12 | 2006-07-11 | Eva Signal Corporation | Traffic warning system |
JP2010268275A (ja) * | 2009-05-15 | 2010-11-25 | Nippon Telegr & Teleph Corp <Ntt> | ネットワーク管理システムおよびネットワーク管理方法、ならびにそのためのプログラム |
CN102238604A (zh) * | 2011-08-18 | 2011-11-09 | 无锡儒安科技有限公司 | 无线传感器网络故障诊断方法 |
JP2012159298A (ja) * | 2011-01-28 | 2012-08-23 | Mitsubishi Heavy Ind Ltd | 健全性評価装置及びその方法並びにプログラム |
CN103116277A (zh) * | 2011-10-24 | 2013-05-22 | 费希尔-罗斯蒙特系统公司 | 预测故障分析 |
JP2014010538A (ja) * | 2012-06-28 | 2014-01-20 | Nec Corp | 運用管理装置、運用管理システム及び運用管理方法 |
CN103971025A (zh) * | 2014-05-28 | 2014-08-06 | 吉林大学 | 一种数控机床故障相关关系动态变化分析方法 |
EP2860601A1 (en) * | 2013-10-09 | 2015-04-15 | The Boeing Company | Failure Analysis System |
CN104599189A (zh) * | 2014-12-25 | 2015-05-06 | 国家电网公司 | 一种计入电力系统运行方式的电网规划方案风险评估方法 |
CN104809878A (zh) * | 2015-05-14 | 2015-07-29 | 重庆大学 | 利用公交车gps数据检测城市道路交通异常状态的方法 |
CN105590146A (zh) * | 2016-02-29 | 2016-05-18 | 上海带来科技有限公司 | 一种基于大数据的电厂设备智能预测检修方法和系统 |
CN107681691A (zh) * | 2017-09-30 | 2018-02-09 | 太原理工大学 | 计及不确定性因素的风电并网系统运行可靠性评估方法 |
CN107831443A (zh) * | 2017-10-20 | 2018-03-23 | 开沃新能源汽车集团有限公司 | 基于相关系数的电池系统短路故障诊断方法 |
JP2018055567A (ja) * | 2016-09-30 | 2018-04-05 | 三菱重工業株式会社 | リスク評価装置、リスク変化量の評価方法及びプログラム |
CN108152664A (zh) * | 2017-11-24 | 2018-06-12 | 国网北京市电力公司 | 配电网监测方法和系统 |
CN108775914A (zh) * | 2018-05-07 | 2018-11-09 | 青岛海信网络科技股份有限公司 | 一种交通设备检测方法及检测设备 |
CN109614981A (zh) * | 2018-10-17 | 2019-04-12 | 东北大学 | 基于斯皮尔曼等级相关的卷积神经网络的电力系统智能故障检测方法及系统 |
WO2019184263A1 (zh) * | 2018-03-28 | 2019-10-03 | 北京大米科技有限公司 | 网络线路故障判定方法及服务器 |
CN110333995A (zh) * | 2019-07-09 | 2019-10-15 | 英赛克科技(北京)有限公司 | 对工业设备运行状态进行监测的方法及装置 |
CN110530630A (zh) * | 2019-01-21 | 2019-12-03 | 天津工业大学 | 一种基于改进动态时间规整的行星齿轮箱齿轮局部故障诊断方法 |
CN110593867A (zh) * | 2019-10-08 | 2019-12-20 | 西安石油大学 | 一种基于瞬变电磁法的套后储层驱替前缘监测方法、系统及计算机存储介质 |
CN110606106A (zh) * | 2019-09-26 | 2019-12-24 | 北京唐智科技发展有限公司 | 一种列车安全运行综合监控系统、方法以及故障诊断仪 |
CN110887679A (zh) * | 2019-08-23 | 2020-03-17 | 唐智科技湖南发展有限公司 | 一种轨道交通车辆健康管理方法、装置和系统 |
WO2020166156A1 (ja) * | 2019-02-15 | 2020-08-20 | 株式会社日立製作所 | 故障リスク評価システム及び故障リスク評価方法 |
CN111613053A (zh) * | 2020-04-21 | 2020-09-01 | 北京掌行通信息技术有限公司 | 一种交通扰动的检测分析方法、装置、存储介质及终端 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP4859558B2 (ja) * | 2006-06-30 | 2012-01-25 | 株式会社日立製作所 | コンピュータシステムの制御方法及びコンピュータシステム |
CN101976827B (zh) * | 2010-12-01 | 2013-04-10 | 江西省电力公司 | 自适应外部环境的电力系统预防控制候选措施识别方法 |
US20130326038A1 (en) * | 2012-06-05 | 2013-12-05 | Microsoft Corporation | Management of datacenters for fault tolerance and bandwidth |
US9325748B2 (en) * | 2012-11-15 | 2016-04-26 | Microsoft Technology Licensing, Llc | Characterizing service levels on an electronic network |
US9565080B2 (en) * | 2012-11-15 | 2017-02-07 | Microsoft Technology Licensing, Llc | Evaluating electronic network devices in view of cost and service level considerations |
EP3491894B1 (en) * | 2016-07-26 | 2021-12-29 | Signify Holding B.V. | Lighting sensor analysis |
KR102440335B1 (ko) * | 2016-10-28 | 2022-09-02 | 삼성에스디에스 주식회사 | 이상 감지 관리 방법 및 그 장치 |
JP7251924B2 (ja) * | 2018-04-24 | 2023-04-04 | 株式会社日立製作所 | 故障診断装置、故障診断方法並びに故障診断装置が適用された機械 |
-
2020
- 2020-10-14 CN CN202011094650.9A patent/CN112233420B/zh active Active
Patent Citations (30)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH05116601A (ja) * | 1991-10-25 | 1993-05-14 | Mazda Motor Corp | 故障診断方法 |
US5414645A (en) * | 1991-10-25 | 1995-05-09 | Mazda Motor Corporation | Method of fault diagnosis in an apparatus having sensors |
US5327123A (en) * | 1992-04-23 | 1994-07-05 | Traffic Sensor Corporation | Traffic control system failure monitoring |
US7075427B1 (en) * | 1996-01-12 | 2006-07-11 | Eva Signal Corporation | Traffic warning system |
JP2006027391A (ja) * | 2004-07-14 | 2006-02-02 | Toyota Motor Corp | 故障解析システム |
KR200407975Y1 (ko) * | 2005-11-21 | 2006-02-06 | 주식회사 인디건 | 교통상황정보시스템의 고장 검출 기능을 가지는현장제어장치 |
JP2010268275A (ja) * | 2009-05-15 | 2010-11-25 | Nippon Telegr & Teleph Corp <Ntt> | ネットワーク管理システムおよびネットワーク管理方法、ならびにそのためのプログラム |
JP2012159298A (ja) * | 2011-01-28 | 2012-08-23 | Mitsubishi Heavy Ind Ltd | 健全性評価装置及びその方法並びにプログラム |
CN102238604A (zh) * | 2011-08-18 | 2011-11-09 | 无锡儒安科技有限公司 | 无线传感器网络故障诊断方法 |
CN103116277A (zh) * | 2011-10-24 | 2013-05-22 | 费希尔-罗斯蒙特系统公司 | 预测故障分析 |
JP2014010538A (ja) * | 2012-06-28 | 2014-01-20 | Nec Corp | 運用管理装置、運用管理システム及び運用管理方法 |
EP2860601A1 (en) * | 2013-10-09 | 2015-04-15 | The Boeing Company | Failure Analysis System |
CN103971025A (zh) * | 2014-05-28 | 2014-08-06 | 吉林大学 | 一种数控机床故障相关关系动态变化分析方法 |
CN104599189A (zh) * | 2014-12-25 | 2015-05-06 | 国家电网公司 | 一种计入电力系统运行方式的电网规划方案风险评估方法 |
CN104809878A (zh) * | 2015-05-14 | 2015-07-29 | 重庆大学 | 利用公交车gps数据检测城市道路交通异常状态的方法 |
CN105590146A (zh) * | 2016-02-29 | 2016-05-18 | 上海带来科技有限公司 | 一种基于大数据的电厂设备智能预测检修方法和系统 |
JP2018055567A (ja) * | 2016-09-30 | 2018-04-05 | 三菱重工業株式会社 | リスク評価装置、リスク変化量の評価方法及びプログラム |
CN107681691A (zh) * | 2017-09-30 | 2018-02-09 | 太原理工大学 | 计及不确定性因素的风电并网系统运行可靠性评估方法 |
CN107831443A (zh) * | 2017-10-20 | 2018-03-23 | 开沃新能源汽车集团有限公司 | 基于相关系数的电池系统短路故障诊断方法 |
CN108152664A (zh) * | 2017-11-24 | 2018-06-12 | 国网北京市电力公司 | 配电网监测方法和系统 |
WO2019184263A1 (zh) * | 2018-03-28 | 2019-10-03 | 北京大米科技有限公司 | 网络线路故障判定方法及服务器 |
CN108775914A (zh) * | 2018-05-07 | 2018-11-09 | 青岛海信网络科技股份有限公司 | 一种交通设备检测方法及检测设备 |
CN109614981A (zh) * | 2018-10-17 | 2019-04-12 | 东北大学 | 基于斯皮尔曼等级相关的卷积神经网络的电力系统智能故障检测方法及系统 |
CN110530630A (zh) * | 2019-01-21 | 2019-12-03 | 天津工业大学 | 一种基于改进动态时间规整的行星齿轮箱齿轮局部故障诊断方法 |
WO2020166156A1 (ja) * | 2019-02-15 | 2020-08-20 | 株式会社日立製作所 | 故障リスク評価システム及び故障リスク評価方法 |
CN110333995A (zh) * | 2019-07-09 | 2019-10-15 | 英赛克科技(北京)有限公司 | 对工业设备运行状态进行监测的方法及装置 |
CN110887679A (zh) * | 2019-08-23 | 2020-03-17 | 唐智科技湖南发展有限公司 | 一种轨道交通车辆健康管理方法、装置和系统 |
CN110606106A (zh) * | 2019-09-26 | 2019-12-24 | 北京唐智科技发展有限公司 | 一种列车安全运行综合监控系统、方法以及故障诊断仪 |
CN110593867A (zh) * | 2019-10-08 | 2019-12-20 | 西安石油大学 | 一种基于瞬变电磁法的套后储层驱替前缘监测方法、系统及计算机存储介质 |
CN111613053A (zh) * | 2020-04-21 | 2020-09-01 | 北京掌行通信息技术有限公司 | 一种交通扰动的检测分析方法、装置、存储介质及终端 |
Also Published As
Publication number | Publication date |
---|---|
CN112233420A (zh) | 2021-01-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2019191002A1 (en) | Object movement behavior learning | |
CN109345829B (zh) | 无人车的监控方法、装置、设备及存储介质 | |
WO2019099226A1 (en) | Weakly-supervised action localization by sparse temporal pooling network | |
KR102033050B1 (ko) | 시간차 모델을 위한 비지도 학습 기법 | |
WO2020197897A1 (en) | Dynamic monitoring, detection of emerging computer events | |
CN110209281B (zh) | 对运动信号进行处理的方法、电子设备和介质 | |
JPWO2014174738A1 (ja) | 監視装置、監視方法および監視用プログラム | |
CN111814646B (zh) | 基于ai视觉的监控方法、装置、设备及介质 | |
SE536947C2 (sv) | Körfältsvaktsystem och en metod för ett körfältsvaktsystem | |
JP2023527100A (ja) | イベント検出方法、装置、電子機器、読み取り可能な記憶媒体、及びコンピュータプログラム | |
CN117152156B (zh) | 一种基于多模态数据融合的铁路异常检测方法及系统 | |
CN109697473A (zh) | 一种施工隧道车辆违章的检测方法、计算机装置以及计算机可读存储介质 | |
CN111459692A (zh) | 用于预测驱动器故障的方法、设备和计算机程序产品 | |
WO2018103024A1 (zh) | 智能导盲方法和装置 | |
JP2012243128A (ja) | 監視装置、監視方法及び監視プログラム | |
CN114639233A (zh) | 一种拥堵状态预测方法、装置、电子设备及存储介质 | |
JP6626549B1 (ja) | 判定装置および判定方法 | |
CN112233420B (zh) | 一种智能交通控制系统的故障诊断的方法及装置 | |
CN115700204A (zh) | 自动驾驶策略的置信度确定方法及装置 | |
CN115331204A (zh) | 疲劳驾驶识别方法、系统、电子设备及存储介质 | |
CN116385185A (zh) | 一种车险评估辅助方法、装置、计算机设备及存储介质 | |
CN112488307A (zh) | 使用占有测度对强化学习动作进行自动解释 | |
JP2021135816A (ja) | データ処理装置、データ処理方法およびプログラム | |
US20200074213A1 (en) | Gpb algorithm based operation and maintenance multi-modal decision system prototype | |
CN114037978A (zh) | 一种疲劳度检测方法、装置、电子设备和存储介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |