CN112529232A - 车站设备故障预测方法、系统及轨道交通管理系统 - Google Patents
车站设备故障预测方法、系统及轨道交通管理系统 Download PDFInfo
- Publication number
- CN112529232A CN112529232A CN201910817275.7A CN201910817275A CN112529232A CN 112529232 A CN112529232 A CN 112529232A CN 201910817275 A CN201910817275 A CN 201910817275A CN 112529232 A CN112529232 A CN 112529232A
- Authority
- CN
- China
- Prior art keywords
- fault
- station
- station equipment
- prediction result
- preliminary
- 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
- 238000000034 method Methods 0.000 title claims abstract description 52
- 230000036541 health Effects 0.000 claims abstract description 50
- 238000010219 correlation analysis Methods 0.000 claims abstract description 12
- 238000012098 association analyses Methods 0.000 claims abstract description 11
- 239000011159 matrix material Substances 0.000 claims description 19
- 238000004590 computer program Methods 0.000 claims description 9
- 238000012216 screening Methods 0.000 claims description 6
- 238000012544 monitoring process Methods 0.000 abstract description 9
- 230000008439 repair process Effects 0.000 abstract description 6
- 239000013589 supplement Substances 0.000 abstract description 5
- 238000002360 preparation method Methods 0.000 abstract description 4
- 239000000047 product Substances 0.000 description 31
- 238000012423 maintenance Methods 0.000 description 11
- 238000004378 air conditioning Methods 0.000 description 8
- 238000004891 communication Methods 0.000 description 7
- 238000005057 refrigeration Methods 0.000 description 7
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 7
- 238000009423 ventilation Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000005065 mining Methods 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 238000007689 inspection Methods 0.000 description 4
- 230000005236 sound signal Effects 0.000 description 4
- 239000000463 material Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007123 defense Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 239000003507 refrigerant Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 239000008399 tap water Substances 0.000 description 1
- 235000020679 tap water Nutrition 0.000 description 1
Images
Classifications
-
- 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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
-
- G06Q50/40—
Abstract
本公开涉及一种车站设备故障预测方法、系统及轨道交通管理系统。该车站设备故障预测系统包括车站关联分析子系统、车站健康管理子系统及多个设备故障预测和健康管理子系统。本公开通过设备故障预测和健康管理子系统和车站关联分析子系统,共同对车站设备进行实时监控和故障预测,相辅相成,具有较高的预测准确率。且本公开为提前预测故障,相较于事后维修,可以提前做好维修准备,缩短停机时长,提高车站系统的运营效率。
Description
技术领域
本公开涉及交通运输技术领域,具体地,涉及一种车站设备故障预测方法、系统及轨道交通管理系统。
背景技术
目前国内建成的轨道交通车站监控系统,基本上只具有对设备异常或故障的报警,由监控人员通知维修人员维修。这种事后维修,会导致停机时间长,降低系统的运营效率。
发明内容
本公开的目的是提供一种能够提前预测故障的车站设备故障预测方法、系统及轨道交通管理系统,以解决事后维修导致的停机时间长和降低系统的运营效率的问题。
为了实现上述目的,本公开实施例提供一种车站设备故障预测方法,包括:
获取同一种类型的多个车站设备的运行数据,并根据所述多个车站设备的运行数据及所述多个车站设备的历史运行数据对每个车站设备进行故障初步预测,得到每个车站设备的故障初步预测结果;
获取同一车站的多种车站设备的历史故障数据,并根据所述历史故障数据确定同一车站内不同车站设备之间的故障关联规则,其中,所述故障关联规则用于指示导致一车站设备发生故障的先导车站设备;
针对每一车站设备,根据所述故障关联规则确定该车站设备的先导车站设备,并根据该车站设备的故障初步预测结果及所述先导车站设备的故障初步预测结果,确定该车站设备的故障最终预测结果。
可选地,所述方法还包括:
针对每一车站设备,将该车站设备的各关键运行数据与其相应的预设阈值范围进行比较,在确定所述车站设备的至少一个关键运行数据不在其相应的预设阈值范围内时,进行报警。
可选地,所述方法还包括:
在确定任一车站设备的故障最终预测结果为故障时,获取与该车站设备同一种类型的多个车站设备的所有故障记录,所述故障记录包括故障名称和故障解决办法;
显示与该车站设备同一种类型的多个车站设备发生过的每种故障名称和故障解决办法。
可选地,所述根据所述历史故障数据确定同一车站内不同车站设备之间的故障关联规则包括:
根据所述多种车站设备的历史故障数据建立稀疏矩阵,所述稀疏矩阵中每列代表一种车站设备在各预设间隔时间内的故障状态,其中1表示该车站设备在该预设间隔时间内的故障状态为故障,0表示该车站设备在该预设间隔时间内的故障状态为非故障;
建立同一车站内车站设备与车站设备之间出现故障的关联规则;
对建立的每一关联规则进行相关分析,从所有关联规则中筛选出强关联规则,所述故障关联规则为强关联规则,所述强关联规则是关联性不小于最小支持度阈值且不小于最小置信度阈值的关联规则。
可选地,所述故障初步预测结果为故障或非故障,所述根据该车站设备的故障初步预测结果及所述先导车站设备的故障初步预测结果,确定该车站设备的故障最终预测结果包括:
当所述先导车站设备的故障初步预测结果为故障,且该车站设备的故障初步预测结果也为故障,确定该车站设备的故障最终预测结果为故障。
可选地,所述故障初步预测结果为故障或非故障,所述根据该车站设备的故障初步预测结果及所述先导车站设备的故障初步预测结果,确定该车站设备的故障最终预测结果包括:
根据该车站设备所在故障关联规则的出错率确定所述先导车站设备的故障初步预测结果的权重;
根据所述先导车站设备的故障初步预测结果的权重确定该车站设备的故障初步预测结果的权重;
将所述故障初步预测结果为故障和非故障分别赋值为1和0,或者分别赋值0和1;
计算所述先导车站设备的故障初步预测结果与其权重的乘积,及所述车站设备的故障初步预测结果与其权重的乘积,并计算该两个乘积的和;
当故障和非故障分别赋值为1和0时,在所述和大于或等于第一预设阈值时,确定该车站设备的故障最终预测结果为故障;在所述和小于所述第一预设阈值时,确定该车站设备的故障最终预测结果为非故障;
当故障和非故障分别赋值为0和1时,在所述和大于或等于所述第一预设阈值时,确定该车站设备的故障最终预测结果为非故障;在所述和小于所述第一预设阈值时,确定该车站设备的故障最终预测结果为故障。
可选地,所述故障初步预测结果为故障发生率,所述故障最终预测结果为故障发生率,所述根据该车站设备的故障初步预测结果及所述先导车站设备的故障初步预测结果,确定该车站设备的故障最终预测结果包括:
根据该车站设备所在故障关联规则的出错率确定所述先导车站设备的故障初步预测结果的权重;
根据所述先导车站设备的故障初步预测结果的权重确定该车站设备的故障初步预测结果的权重;
计算所述先导车站设备的故障发生率与其权重的乘积,及所述车站设备的故障发生率与其权重的乘积,并计算该两个乘积的和;
将所述和作为该车站设备的故障最终预测结果。
本公开实施例还提供一种车站设备故障预测系统,包括:车站关联分析子系统、车站健康管理子系统和多个设备故障预测和健康管理子系统;
所述设备故障预测和健康管理子系统,获取同一种类型的多个车站设备的运行数据,并根据所述多个车站设备的运行数据及所述多个车站设备的历史运行数据对每个车站设备进行故障初步预测,得到每个车站设备的故障初步预测结果;
所述车站关联分析子系统,用于获取同一车站的多种车站设备的历史故障数据,并根据所述历史故障数据确定同一车站内不同车站设备之间的故障关联规则,其中,所述故障关联规则用于指示导致一车站设备发生故障的先导车站设备;
所述车站健康管理子系统,用于对每一车站设备,根据所述故障关联规则确定该车站设备的先导车站设备,并根据该车站设备的故障初步预测结果及所述先导车站设备的故障初步预测结果,确定该车站设备的故障最终预测结果。
可选地,针对每一车站设备,所述设备故障预测和健康管理子系统还用于将该车站设备的各关键运行数据与其相应的预设阈值范围进行比较,在确定所述车站设备的至少一个关键运行数据不在其相应的预设阈值范围内时,进行报警。
可选地,所述车站健康管理子系统还用于在确定任一车站设备的故障最终预测结果为故障时,从所述设备故障预测和健康管理子系统中获取与该车站设备同一种类型的多个车站设备的所有故障记录,所述故障记录包括故障名称和故障解决办法;及
显示与该车站设备同一种类型的多个车站设备发生过的每种故障名称和故障解决办法。
可选地,所述车站关联分析子系统具体用于:
根据所述多种车站设备的历史故障数据建立稀疏矩阵,所述稀疏矩阵中每列代表一种车站设备在各预设间隔时间内的故障状态,其中1表示该车站设备在该预设间隔时间内的故障状态为故障,0表示该车站设备在该预设间隔时间内的故障状态为非故障;
建立同一车站内车站设备与车站设备之间出现故障的关联规则;
对建立的每一关联规则进行相关分析,从所有关联规则中筛选出强关联规则,所述故障关联规则为强关联规则,所述强关联规则是关联性不小于最小支持度阈值且不小于最小置信度阈值的关联规则。
可选地,所述故障初步预测结果为故障或非故障,所述车站健康管理子系统具体用于,当所述先导车站设备的故障初步预测结果为故障,且该车站设备的故障初步预测结果也为故障,确定该车站设备的故障最终预测结果为故障。
可选地,所述故障初步预测结果为故障或非故障,所述车站健康管理子系统具体用于:
根据该车站设备所在故障关联规则的出错率确定所述先导车站设备的故障初步预测结果的权重;
根据所述先导车站设备的故障初步预测结果的权重确定该车站设备的故障初步预测结果的权重;
将所述故障初步预测结果为故障和非故障分别赋值为1和0,或者分别赋值0和1;
计算所述先导车站设备的故障初步预测结果与其权重的乘积,及所述车站设备的故障初步预测结果与其权重的乘积,并计算该两个乘积的和;
当故障和非故障分别赋值为1和0时,在所述和大于或等于第一预设阈值时,确定该车站设备的故障最终预测结果为故障;在所述和小于所述第一预设阈值时,确定该车站设备的故障最终预测结果为非故障;
当故障和非故障分别赋值为0和1时,在所述和大于或等于所述第一预设阈值时,确定该车站设备的故障最终预测结果为非故障;在所述和小于所述第一预设阈值时,确定该车站设备的故障最终预测结果为故障。
可选地,所述故障初步预测结果为故障发生率,所述车站健康管理子系统具体用于:
根据该车站设备所在故障关联规则的出错率确定所述先导车站设备的故障初步预测结果的权重;
根据所述先导车站设备的故障初步预测结果的权重确定该车站设备的故障初步预测结果的权重;
计算所述先导车站设备的故障发生率与其权重的乘积,及所述车站设备的故障发生率与其权重的乘积,并计算该两个乘积的和;
将所述和作为该车站设备的故障最终预测结果。
本公开实施例还提供一种轨道交通管理系统,包括上述的车站设备故障预测系统。
本公开实施例还提供一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现上述方法的步骤。
本公开实施例还提供一种电子设备,包括:
存储器,其上存储有计算机程序;
处理器,用于执行所述存储器中的所述计算机程序,以实现上述方法的步骤。
本公开提供的技术方案,包括对多个同一种车站设备进行故障预测的设备故障预测和健康管理子系统,和对同一车站的多种车站设备进行故障关联挖掘分析的车站关联分析子系统,共同对车站设备进行实时监控和故障预测,相辅相成,具有较高的预测准确率。本公开提供的技术方案,为提前预测故障,相较于事后维修,可以提前做好维修准备,缩短停机时长,提高车站系统的运营效率。
本公开的其他特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
附图是用来提供对本公开的进一步理解,并且构成说明书的一部分,与下面的具体实施方式一起用于解释本公开,但并不构成对本公开的限制。在附图中:
图1是本公开实施例提供的一种车站设备故障预测系统的框图。
图2是本公开实施例提供的一种车站设备故障预测方法的流程图。
图3是本公开实施例提供的另一种车站设备故障预测方法的流程图。
图4是本公开实施例提供的另一种车站设备故障预测方法的流程图。
图5是本公开实施例提供的一种电子设备的框图。
具体实施方式
以下结合附图对本公开的具体实施方式进行详细说明。应当理解的是,此处所描述的具体实施方式仅用于说明和解释本公开,并不用于限制本公开。
请参阅图1,为本公开实施例提供的一种车站设备故障预测系统的框图。所述车站设备故障预测系统包括:多个设备故障预测和健康管理子系统11、车站关联分析子系统12和车站健康管理子系统13。
每一所述设备故障预测和健康管理子系统11,用于获取同一种类型的多个车站设备的运行数据,并根据所述多个车站设备的运行数据及所述多个车站设备的历史运行数据对每个车站设备进行故障初步预测,得到每个车站设备的故障初步预测结果。
其中,所述车站故障预测和健康管理子系统,是基于状态的维修,其能获取同一种类型的多个车站设备的运行数据,并根据所述多个车站设备的运行数据及所述多个车站设备的历史运行数据对每个车站设备进行故障初步预测,从而大幅度提高运维效率。
车站关联分析子系统12,用于获取同一车站的多种车站设备的历史故障数据,并根据所述历史故障数据确定同一车站内不同车站设备之间的故障关联规则,其中,所述故障关联规则用于指示导致一车站设备发生故障的先导车站设备。
其中,不同车站设备之间的故障关联规则,可以是某一种车站设备出现故障,另一种车站设备出现故障的故障关联规则;也可以是,某两种车站设备出现故障,另一种车站设备出现故障的故障关联规则。
车站健康管理子系统13,用于对每一车站设备,根据所述故障关联规则确定该车站设备的先导车站设备,并根据该车站设备的故障初步预测结果及所述先导车站设备的故障初步预测结果,确定该车站设备的故障最终预测结果。
关联规则是形如X→Y的蕴涵式,其中,X和Y分别称为关联规则的先导(antecedent或left-hand-side,LHS)和后继(consequent或right-hand-side,RHS)。本公开中先导车站设备为作为一故障关联规则的先导的车站设备。需要说明的是:对于一车站设备,其不作为一故障关联规则的后继时,车站健康管理子系统13确定的所述车站设备的故障最终预测结果为所述车站设备的故障初步预测结果。而对于一车站设备,其为作为一故障关联规则的后继时,车站健康管理子系统13确定的所述车站设备的故障最终预测结果为根据所述先导车站设备的故障初步预测结果与所述车站设备的故障初步预测结果进行融合得到的。
各车站具备有通风、空调、给排水、自动扶梯、照明、人防密闭隔断门、屏蔽门等车站设备。通过传感器监测各自实时运行状态,譬如某车站空调制冷设备,可以采集到蒸发器侧出水温度TEO,冷凝器侧出水温度TCO,冷凝器侧水流量FWC,冷凝器内制冷剂饱和温度TRC,压缩机排气温度TR_dis,供油压力PO_feed,蒸发器水环上阀门开度VE,自来水水温TWI。与空调制冷设备对应的设备故障预测和健康管理子系统11通过各车站空调制冷设备的运行数据、历史运行数据采用机器学习算法对目前该车站空调制冷设备进行评估。由于空调制冷设备的复杂性,通过自身设备采集的数据不能够完全体现目前空调制冷设备的是否出现故障,可以增加考虑车站其他设备的运行状态,例如根据通风设备、电力设备等做关联规则分析,依据以上两种结果的信息融合最终得到此车站空调制冷设备的故障最终预测结果。
综上所述,本公开提供的技术方案,包括对多个(可能所属不同车站)的同一种车站设备进行故障预测的设备故障预测和健康管理子系统11,和对同一车站的多种车站设备进行故障关联挖掘分析的车站关联分析子系统12,共同对车站设备进行实时监控和故障预测,相辅相成,具有较高的预测准确率。本公开提供的技术方案,为提前预测故障,相较于事后维修,可以提前做好维修准备,缩短停机时长,提高车站系统的运营效率。本公开提供的技术方案,其多个车站设备的运行数据和历史运行数据可以是先进传感器数据,通过对所述多个车站设备的运行数据及所述多个车站设备的历史运行数据的智能分析,相较于人工定期对设备进行检修维护,能较精准地预测将要出现故障的设备,避免了全面检查带来的浪费人力物力的问题及人工检查的局限性导致的不一定发现故障的问题。
可选地,针对每一车站设备,所述设备故障预测和健康管理子系统11还用于将该车站设备的各关键运行数据与其相应的预设阈值范围进行比较,在确定所述车站设备的至少一个关键运行数据不在其相应的预设阈值范围内时,进行报警。
一车站设备的关键运行数据可能只有一个,也可能有两个及两个以上。当车站设备的关键运行数据只有一个时,确定该关键运行数据不在其相应的预设阈值范围内时,确定该车站设备可能要出现严重故障或者已经出现严重故障,因而可以进行报警。当车站设备的关键运行数据有两个及两个以上时,根据预设规则,确定一个或两个或多个关键运行数据不在其相应的预设阈值范围内时,判断该车站设备可能要出现故障或者已经出现故障,并进行报警。其中报警可以是语音报警,也可以是文字显示提示,还可以是灯光报警。
示例地,车站设备的关键运行数据例如可以是与安全性直接相关的数据指标,例如,对于车站通风设备来说,运行关键数据可以是通风量或者气密性数据,也就是说,在预测到车站通风设备的通风量不处于对应的阈值范围内或者气密性数据不处于对应的阈值范围内时,可以进行报警。类似地,对于车站的空调设备,照明设备,给排水设备等,都可以根据实际需求,将相关的运行数据作为关键运行数据,以及时预防设备发生严重故障导致的安全问题。
通过上述技术方案,通过对车站设备的关键运行数据的监控及根据监控报警,可以减轻相关人员工作压力,不用时时盯着车站设备的关键运行数据。
可选地,针对每一车站设备,所述车站健康管理子系统还用于在确定任一车站设备的故障最终预测结果为故障时,从所述设备故障预测和健康管理子系统中获取与该车站设备同一种类型的多个车站设备的所有故障记录,所述故障记录包括故障名称和故障解决办法;显示与该车站设备同一种类型的多个车站设备发生过的每种故障名称及故障解决办法。
一般而言,每种车站设备出现的故障具有重复性,即一个车站设备现在出现的故障,以前在另一个同种车站设备已经出现过,或以前在该车站设备已经出现过。因而在车站健康管理子系统13获得的所述车站设备的故障最终预测结果为故障时,通过提供该种类型车站设备发生过的每种故障名称及故障解决办法可以为维修人员解决故障提供参考、决策支持。
可选地,所述车站关联分析子系统12,具体用于:根据所述多种车站设备的历史故障数据建立稀疏矩阵,所述稀疏矩阵中每列代表一种车站设备在各预设间隔时间内的故障状态,其中1表示该车站设备在该预设间隔时间内的故障状态为故障,0表示该车站设备在该预设间隔时间内的故障状态为非故障;建立同一车站内车站设备与车站设备之间出现故障的关联规则;对建立的每一关联规则进行相关分析,从所有关联规则中筛选出强关联规则,所述故障关联规则为强关联规则,所述强关联规则是关联性不小于最小支持度阈值且不小于最小置信度阈值的关联规则,本领域技术人员应该知悉,支持度和置信度是度量一个关联规则的两个指标,本公开实施例不做过多解释。
其中,所述历史故障数据包括根据每一车站设备历史维修记录确认的故障及故障时间。例如,历史故障数据可以为:A车站设备故障、故障时间为2018年8月1日。具体实施时,可以获取近几年该车站的多种车站设备的历史故障数据,则该历史故障数据有多个。在建立稀疏矩阵时,可以对该多个历史故障数据中的故障时间进行统计分析,确定稀疏矩阵中表示同时的预设间隔时间。例如,A车站设备故障时间为2018年8月1日,B车站设备故障时间为2018年8月2日,C车站设备故障时间为2018年8月15日,A车站设备故障时间为2017年6月1日,B车站设备故障时间为2017年6月3日,C车站设备故障时间为2017年7月15日,A车站设备故障时间为2017年9月1日,B车站设备故障时间为2017年9月4日,C车站设备故障时间为2017年9月7日。则可以将预设间隔时间定为5日内,表示若一车站设备出现故障的时间与另一车站设备出现故障的时间相差5日内,则这两个车站设备同时出现故障,例如,其故障状态写入稀疏矩阵表1的同一行中。在其他实施例中,稀疏矩阵中表示同时的预设间隔时间还可以自行设定,例如为7天,15天,30天等。可选地,当在一预设间隔时间内,该车站所有车站设备均未出现故障,在建立稀疏矩阵时,可以不记录该预设时间间隔的车站设备状态,例如表1中序号4对应的行可以删除。当然,不是所有的类似序号4对应的行(全为0的行)都删除。如表1所示,示例性地展示了根据多种车站设备的历史故障数据建立稀疏矩阵的示意图。表1中,与某车站设备同列的1表示对应车站设备故障,与某车站设备同列的0表示对应车站设备非故障。与序号同列的1表示第一预设间隔时间,2表示第二预设间隔时间,3表示第三预设间隔时间等。例如,第一预设间隔时间表示2018年6月1日至2018年6月5日,则表1中序号1对应的行表示:在2018年6月1日至2018年6月5日,A车站设备故障、B车站设备故障、C车站设备故障、D车站设备非故障、E车站设备非故障。
表1
序号 | A车站设备 | B车站设备 | C车站设备 | D车站设备 | E车站设备 |
1 | 1 | 1 | 1 | 0 | 0 |
2 | 1 | 1 | 1 | 0 | 0 |
3 | 1 | 1 | 0 | 1 | 1 |
4 | 0 | 0 | 0 | 0 | 0 |
5 | 1 | 1 | 0 | 1 | 0 |
6 | 1 | 0 | 1 | 0 | 0 |
根据上述稀疏矩阵,采用关联规则挖掘算法进行挖掘,找出所有频繁项集,其至少等于用户设定的最小支持度,然后确定频繁项中存在的强关联规则,置信度必须大于用户设定的最小置信度,从而建立同一车站内车站设备与车站设备之间出现故障的关联规则。其中,所述关联规则挖掘算法可以是Apriori算法、DHP算法、FP-Tree、灰色关联法等。Apriori算和DHP算法都是利用交替产生备选集和频繁项集的模式来挖掘强规则。FP-Tree针对Apriori算法的固有的多次扫描事务数据集的缺点,提出的不产生候选频繁项集的方法。灰色关联法分析和确定各因素之间的影响程度或是若干个子因素对主因素的贡献度而进行的一种分析方法。考虑到所建立的关联规则关联性不一定强,因此本公开还可以对建立的每一关联规则进行相关分析,筛选出强关联规则,所述强关联规则是关联性不小于最小支持度阈值且不小于最小置信度阈值的关联规则,并将该强关联规则作为车站设备之间的故障关联规则。
在另一种可能的实现方式中,本公开在具体实施时,根据实际需求还可以从强关联规则中筛选出有趣强关联规则,并将有趣强关联规则作为车站设备之间的故障关联规则,其中,该有趣强关联规则中的先导和后继车站设备为正相关,本公开对此不做限定。
通过上述技术方案,在进行挖掘强关联规则时,采用车站设备的历史故障数据而非其故障参数,简化了计算量,避免了出现故障参数却没有出现故障带来的不准确问题。同时,还可以通过相关分析筛选出有趣强关联规则,避免了强关联规则不有趣带来的先导和后继车站设备不相关的问题。
可选地,在一实施方式中,所述故障初步预测结果为故障或非故障,所述车站健康管理子系统13具体用于,当所述先导车站设备的故障初步预测结果为故障,且该车站设备的故障初步预测结果也为故障,确定该车站设备的故障最终预测结果为故障。
即根据与所述先导车站设备对应的设备故障预测和健康管理子系统11预测得到的先导车站设备的故障初步预测结果为故障,且与该车站设备对应的设备故障预测和健康管理子系统11预测得到的该车站设备的故障初步预测结果也为故障时,车站健康管理子系统13确定所述车站设备的故障最终预测结果为故障。也就是说,一车站设备,其通过设备故障预测和健康管理子系统11预测为故障,且其所在强关联规则的先导车站设备(根据强关联规则的原理,该先导车站设备故障,该车站设备也故障的概率很高)也被另一设备故障预测和健康管理子系统11预测为故障,则车站健康管理子系统13判定该车站设备的故障最终预测结果为故障。因此,上述技术方案,对于一车站设备,同时利用设备故障预测和健康管理子系统11及车站关联分析子系统12,共同进行故障预测,相辅相成,具有较高的预测准确率。
可选地,在另一实施方式中,所述故障初步预测结果为故障或非故障,所述车站健康管理子系统13具体用于:根据该车站设备所在故障关联规则的出错率确定所述先导车站设备的故障初步预测结果的权重;根据所述先导车站设备的故障初步预测结果的权重确定该车站设备的故障初步预测结果的权重;将所述故障初步预测结果为故障和非故障分别赋值为1和0,或者分别赋值0和1;计算所述先导车站设备的故障初步预测结果与其权重的乘积,及所述车站设备的故障初步预测结果与其权重的乘积,并计算该两个乘积的和;当故障和非故障分别赋值为1和0时,在所述和大于或等于第一预设阈值时,确定该车站设备的故障最终预测结果为故障;在所述和小于所述第一预设阈值时,确定该车站设备的故障最终预测结果为非故障;当故障和非故障分别赋值为0和1时,在所述和大于或等于所述第一预设阈值时,确定该车站设备的故障最终预测结果为非故障;在所述和小于所述第一预设阈值时,确定该车站设备的故障最终预测结果为故障。
其中,出错率Conviction的意义在于度量每一故障关联规则预测错误的概率,即度量一车站设备的先导车站设备出现故障而该车站设备不出现故障的概率。在根据所述车站设备所在故障关联规则的出错率确定所述先导车站设备的故障初步预测结果的权重,可以是该权重等于出错率与预设系数的积,该预设系数可以为小于等于0.5的数,例如为0.5、0.4、0.3、0.25、0.2等。为了更清楚的说明本方案,以下以一示例性例子简单说明。例如,预设系数为0.3,车站设备所在的故障关联规则的出错率为0.32,该先导车站设备的故障初步预测结果为非故障,该车站设备的故障初步预测结果为故障,故障和非故障的赋值分别为1和0,第一预设阈值为0.75,车站设备的故障最终预测结果的判定流程可以为:根据所述车站设备所在故障关联规则的出错率确定所述先导车站设备的故障初步预测结果的权重为(1-0.32)*0.3=0.204。显然,所述先导车站设备的故障初步预测结果的权重与所述车站设备的故障初步预测结果的权重和为1,则所述车站设备的故障初步预测结果的权重为1-0.204=0.796。计算所述先导车站设备的故障初步预测结果与其权重的乘积,及所述车站设备的故障初步预测结果与其权重的乘积,并计算该两个乘积的和为0.204*0+1*0.796=0.796。0.796大于第一预设阈值0.75,则该站设备的故障最终预测结果为故障。上述过程中第一预设阈值可以根据用户经验、统计规律等确定。
通过上述技术方案,可以解决当所述车站设备的故障初步预测结果和所述先导车站设备的故障初步预测结果不一致时,车站健康管理子系统13具体如何对以上两种结果进行融合获得所述车站设备的故障最终预测结果的问题。
可选地,在又另一实施方式中,所述故障初步预测结果为故障发生率,所述故障最终预测结果为故障发生率,所述车站健康管理子系统13具体用于:根据该车站设备所在故障关联规则的出错率确定所述先导车站设备的故障初步预测结果的权重;根据所述先导车站设备的故障初步预测结果的权重确定该车站设备的故障初步预测结果的权重;计算所述先导车站设备的故障发生率与其权重的乘积,及所述车站设备的故障发生率与其权重的乘积,并计算该两个乘积的和;将所述和作为该车站设备的故障最终预测结果。
该技术方案与上一技术方案类似,在此仅以一示例性例子对该技术方案简单说明。例如,预设系数为0.3,车站设备所在的故障关联规则的出错率为0.32,该先导车站设备的故障发生率为0.9,该车站设备的故障发生率为0.7,车站设备的故障最终预测结果的判定流程可以为:根据所述车站设备所在故障关联规则的出错率确定所述先导车站设备的故障初步预测结果的权重为(1-0.32)*0.3=0.204。显然,所述先导车站设备的故障初步预测结果的权重与所述车站设备的故障初步预测结果的权重和为1,则所述车站设备的故障初步预测结果的权重为1-0.204=0.796。计算所述先导车站设备的故障发生率与其权重的乘积,及所述车站设备的故障发生率与其权重的乘积,并计算该两个乘积的和为0.204*0.9+0.7*0.796=0.7408。则所述车站设备的故障最终预测结果为0.7408的故障发生率。可以通过设置第二预设阈值、第三预设阈值对故障最终预测结果进行应用。例如,当该车站设备的故障最终预测结果小于第三预设阈值时,表示该车站设备预测为不发生故障,不作处理;当该车站设备的故障最终预测结果大于或等于第三预设阈值且小于第二预设阈值时,表示该车站设备预测为可能发生故障,发出提示;当该车站设备的故障最终预测结果大于第二预设阈值时,表示该车站设备预测为会发生故障,发出报警。其中第二预设阈值、第三预设阈值可以根据用户经验、统计规律等确定。
通过上述技术方案,综合考虑所述车站设备的故障初步预测结果和所述先导车站设备的故障初步预测结果,相辅相成,提高预测准确率。
基于上述发明构思,本公开实施例还提供一种车站设备故障预测方法。所述车站设备故障预测方法可以,但不限于应用于上述的车站设备故障预测系统。图2是本公开实施例提供的车站设备故障预测方法的流程图。如图2所示,该轨道交通故障采集处理方法包括以下步骤:
步骤S11,获取同一种类型的多个车站设备的运行数据,并根据所述多个车站设备的运行数据及所述多个车站设备的历史运行数据对每个车站设备进行故障初步预测,得到每个车站设备的故障初步预测结果。
步骤S12,获取同一车站的多种车站设备的历史故障数据,并根据所述历史故障数据确定同一车站内不同车站设备之间的故障关联规则,其中,所述故障关联规则用于指示导致一车站设备发生故障的先导车站设备。
步骤S13,针对每一车站设备,根据所述故障关联规则确定该车站设备的先导车站设备,并根据该车站设备的故障初步预测结果及所述先导车站设备的故障初步预测结果,确定该车站设备的故障最终预测结果。
通过上述方法步骤,本公开提供的技术方案,为提前预测故障,相较于事后维修,可以提前做好维修准备,缩短停机时长,提高车站系统的运营效率。本公开提供的技术方案,基于先进传感器数据及智能分析,相较于人工定期对设备进行检修维护,能较精准地预测将要出现故障的设备,避免了全面检查带来的浪费人力物力的问题及人工检查的局限性导致的不一定发现故障的问题。
可选地,如图3所示,所述方法还包括:
步骤S14,每一车站设备,将该车站设备的各关键运行数据与其相应的预设阈值范围进行比较,在确定所述车站设备的至少一个关键运行数据不在其相应的预设阈值范围内时,进行报警。
通过上述方法步骤,通过对车站设备的关键运行数据的监控及根据监控报警,可以减轻相关人员工作压力,不用时时盯着车站设备的关键运行数据。
可选地,如图4所示,所述方法还包括:
步骤S15,在确定任一车站设备的故障最终预测结果为故障时,获取与该车站设备同一种类型的多个车站设备的所有故障记录,所述故障记录包括故障名称和故障解决办法;
步骤S16,显示与该车站设备同一种类型的多个车站设备发生过的每种故障名称和故障解决办法。
通过上述方法步骤,在获得的所述车站设备的故障最终预测结果为故障时,通过提供该种类型车站设备发生过的每种故障名称及故障解决办法可以为维修人员解决故障提供参考、决策支持。
可选地,步骤S12中根据所述历史故障数据确定同一车站内不同车站设备之间的故障关联规则包括:
根据所述多种车站设备的历史故障数据建立稀疏矩阵,所述稀疏矩阵中每列代表一种车站设备在各预设间隔时间内的故障状态,其中1表示该车站设备在该预设间隔时间内的故障状态为故障,0表示该车站设备在该预设间隔时间内的故障状态为非故障。
建立同一车站内车站设备与车站设备之间出现故障的关联规则。
对建立的每一关联规则进行相关分析,从所有关联规则中筛选出强关联规则,所述故障关联规则为强关联规则,所述强关联规则是关联性不小于最小支持度阈值且不小于最小置信度阈值的关联规则。
通过上述方法步骤,在进行挖掘强关联规则时,采用车站设备的历史故障数据而非其故障参数,简化了计算量,避免了出现故障参数却没有出现故障带来的不准确问题。可选地,还可以通过相关分析从强关联规则中筛选出有趣强关联规则,进而避免强关联规则不有趣带来的先导和后继车站设备不相关的问题。
可选地,在一实施方式中,所述故障初步预测结果为故障或非故障,步骤S13中所述故障初步预测结果为故障或非故障,所述根据该车站设备的故障初步预测结果及所述先导车站设备的故障初步预测结果,确定该车站设备的故障最终预测结果包括:当所述先导车站设备的故障初步预测结果为故障,且该车站设备的故障初步预测结果也为故障,确定该车站设备的故障最终预测结果为故障。
通过上述方法步骤,对于一车站设备,同时利用该车站设备的故障初步预测结果及所述先导车站设备的故障初步预测结果,共同进行故障预测,相辅相成,具有较高的预测准确率。
可选地,在另一实施方式中,所述故障初步预测结果为故障或非故障,步骤S13中根据该车站设备的故障初步预测结果及所述先导车站设备的故障初步预测结果,确定该车站设备的故障最终预测结果包括:根据该车站设备所在故障关联规则的出错率确定所述先导车站设备的故障初步预测结果的权重;根据所述先导车站设备的故障初步预测结果的权重确定该车站设备的故障初步预测结果的权重;将所述故障初步预测结果为故障和非故障分别赋值为1和0,或者分别赋值0和1;计算所述先导车站设备的故障初步预测结果与其权重的乘积,及所述车站设备的故障初步预测结果与其权重的乘积,并计算该两个乘积的和;当故障和非故障分别赋值为1和0时,在所述和大于或等于第一预设阈值时,确定该车站设备的故障最终预测结果为故障;在所述和小于所述第一预设阈值时,确定该车站设备的故障最终预测结果为非故障;当故障和非故障分别赋值为0和1时,在所述和大于或等于所述第一预设阈值时,确定该车站设备的故障最终预测结果为非故障;在所述和小于所述第一预设阈值时,确定该车站设备的故障最终预测结果为故障。
通过上述方法步骤,可以解决当所述车站设备的故障初步预测结果和所述先导车站设备的故障初步预测结果不一致时,具体如何对以上两种结果进行融合获得所述车站设备的故障最终预测结果的问题。
可选地,在又另一实施方式中,所述故障初步预测结果为故障发生率,所述故障最终预测结果为故障发生率,步骤S13中根据该车站设备的故障初步预测结果及所述先导车站设备的故障初步预测结果,确定该车站设备的故障最终预测结果包括:根据该车站设备所在故障关联规则的出错率确定所述先导车站设备的故障初步预测结果的权重;根据所述先导车站设备的故障初步预测结果的权重确定该车站设备的故障初步预测结果的权重;计算所述先导车站设备的故障发生率与其权重的乘积,及所述车站设备的故障发生率与其权重的乘积,并计算该两个乘积的和;将所述和作为该车站设备的故障最终预测结果。可以通过设置第二预设阈值、第三预设阈值对故障最终预测结果进行应用。例如,当该车站设备的故障最终预测结果小于第三预设阈值时,表示该车站设备预测为不发生故障,不作处理;当该车站设备的故障最终预测结果大于或等于第三预设阈值且小于第二预设阈值时,表示该车站设备预测为可能发生故障,发出提示;当该车站设备的故障最终预测结果大于第二预设阈值时,表示该车站设备预测为会发生故障,发出报警。其中第二预设阈值、第三预设阈值可以根据用户经验、统计规律等确定。
通过上述方法步骤,综合考虑所述车站设备的故障初步预测结果和所述先导车站设备的故障初步预测结果,相辅相成,提高预测准确率。
关于上述实施例中的方法,其中各个步骤的具体实现方式可以参照车站设备故障预测系统的实施例中的详细描述,此处将不做详细阐述说明。
基于上述发明构思,本公开实施例还提供一种轨道交通管理系统,包括上述的车站设备故障预测系统。
由于该轨道交通管理系统包括上述车站设备故障预测系统,因而具有与其类似的有益效果,在此不作赘述。
基于上述发明构思,本公开实施例还提供一种电子设备。图5是根据一示例性实施例示出的一种电子设备700的框图。如图5所示,该电子设备700可以包括:处理器701,存储器702。该电子设备700还可以包括多媒体组件703,输入/输出(I/O)接口704,以及通信组件705中的一者或多者。
其中,处理器701用于控制该电子设备700的整体操作,以完成上述的车站设备故障预测方法中的全部或部分步骤。存储器702用于存储各种类型的数据以支持在该电子设备700的操作,这些数据例如可以包括用于在该电子设备700上操作的任何应用程序或方法的指令,以及应用程序相关的数据,例如联系人数据、收发的消息、图片、音频、视频等等。该存储器702可以由任何类型的易失性或非易失性存储设备或者它们的组合实现,例如静态随机存取存储器(Static Random Access Memory,简称SRAM),电可擦除可编程只读存储器(Electrically Erasable Programmable Read-Only Memory,简称EEPROM),可擦除可编程只读存储器(Erasable Programmable Read-Only Memory,简称EPROM),可编程只读存储器(Programmable Read-Only Memory,简称PROM),只读存储器(Read-Only Memory,简称ROM),磁存储器,快闪存储器,磁盘或光盘。多媒体组件703可以包括屏幕和音频组件。其中屏幕例如可以是触摸屏,音频组件用于输出和/或输入音频信号。例如,音频组件可以包括一个麦克风,麦克风用于接收外部音频信号。所接收的音频信号可以被进一步存储在存储器702或通过通信组件705发送。音频组件还包括至少一个扬声器,用于输出音频信号。I/O接口704为处理器701和其他接口模块之间提供接口,上述其他接口模块可以是键盘,鼠标,按钮等。这些按钮可以是虚拟按钮或者实体按钮。通信组件705用于该电子设备700与其他设备之间进行有线或无线通信。无线通信,例如Wi-Fi,蓝牙,近场通信(Near FieldCommunication,简称NFC),2G、3G、4G、NB-IOT、eMTC、或其他5G等等,或它们中的一种或几种的组合,在此不做限定。因此相应的该通信组件705可以包括:Wi-Fi模块,蓝牙模块,NFC模块等等。
在一示例性实施例中,电子设备700可以被一个或多个应用专用集成电路(Application Specific Integrated Circuit,简称ASIC)、数字信号处理器(DigitalSignal Processor,简称DSP)、数字信号处理设备(Digital Signal Processing Device,简称DSPD)、可编程逻辑器件(Programmable Logic Device,简称PLD)、现场可编程门阵列(Field Programmable Gate Array,简称FPGA)、控制器、微控制器、微处理器或其他电子元件实现,用于执行上述的车站设备故障预测方法。
在另一示例性实施例中,还提供了一种包括程序指令的计算机可读存储介质,该程序指令被处理器执行时实现上述的车站设备故障预测方法的步骤。例如,该计算机可读存储介质可以为上述包括程序指令的存储器702,上述程序指令可由电子设备700的处理器701执行以完成上述的车站设备故障预测方法。
在另一示例性实施例中,还提供一种计算机程序产品,该计算机程序产品包含能够由可编程的装置执行的计算机程序,该计算机程序具有当由该可编程的装置执行时用于执行上述的车站设备故障预测方法的代码部分。以上结合附图详细描述了本公开的优选实施方式,但是,本公开并不限于上述实施方式中的具体细节,在本公开的技术构思范围内,可以对本公开的技术方案进行多种简单变型,这些简单变型均属于本公开的保护范围。
另外需要说明的是,在上述具体实施方式中所描述的各个具体技术特征,在不矛盾的情况下,可以通过任何合适的方式进行组合,为了避免不必要的重复,本公开对各种可能的组合方式不再另行说明。
此外,本公开的各种不同的实施方式之间也可以进行任意组合,只要其不违背本公开的思想,其同样应当视为本公开所公开的内容。
Claims (17)
1.一种车站设备故障预测方法,其特征在于,包括:
获取同一种类型的多个车站设备的运行数据,并根据所述多个车站设备的运行数据及所述多个车站设备的历史运行数据对每个车站设备进行故障初步预测,得到每个车站设备的故障初步预测结果;
获取同一车站的多种车站设备的历史故障数据,并根据所述历史故障数据确定同一车站内不同车站设备之间的故障关联规则,其中,所述故障关联规则用于指示导致一车站设备发生故障的先导车站设备;
针对每一车站设备,根据所述故障关联规则确定该车站设备的先导车站设备,并根据该车站设备的故障初步预测结果及所述先导车站设备的故障初步预测结果,确定该车站设备的故障最终预测结果。
2.根据权利要求1所述的车站设备故障预测方法,其特征在于,所述方法还包括:
针对每一车站设备,将该车站设备的各关键运行数据与其相应的预设阈值范围进行比较,在确定所述车站设备的至少一个关键运行数据不在其相应的预设阈值范围内时,进行报警。
3.根据权利要求1所述的车站设备故障预测方法,其特征在于,所述方法还包括:
在确定任一车站设备的故障最终预测结果为故障时,获取与该车站设备同一种类型的多个车站设备的所有故障记录,所述故障记录包括故障名称和故障解决办法;
显示与该车站设备同一种类型的多个车站设备发生过的每种故障名称和故障解决办法。
4.根据权利要求1所述的车站设备故障预测方法,其特征在于,所述根据所述历史故障数据确定同一车站内不同车站设备之间的故障关联规则包括:
根据所述多种车站设备的历史故障数据建立稀疏矩阵,所述稀疏矩阵中每列代表一种车站设备在各预设间隔时间内的故障状态,其中1表示该车站设备在该预设间隔时间内的故障状态为故障,0表示该车站设备在该预设间隔时间内的故障状态为非故障;
建立同一车站内车站设备与车站设备之间出现故障的关联规则;
对建立的每一关联规则进行相关分析,从所有关联规则中筛选出强关联规则,所述故障关联规则为强关联规则,所述强关联规则是关联性不小于最小支持度阈值且不小于最小置信度阈值的关联规则。
5.根据权利要求1-4中任一项所述的车站设备故障预测方法,其特征在于,所述故障初步预测结果为故障或非故障,所述根据该车站设备的故障初步预测结果及所述先导车站设备的故障初步预测结果,确定该车站设备的故障最终预测结果包括:
当所述先导车站设备的故障初步预测结果为故障,且该车站设备的故障初步预测结果也为故障,确定该车站设备的故障最终预测结果为故障。
6.根据权利要求1-4中任一项所述的车站设备故障预测方法,其特征在于,所述故障初步预测结果为故障或非故障,所述根据该车站设备的故障初步预测结果及所述先导车站设备的故障初步预测结果,确定该车站设备的故障最终预测结果包括:
根据该车站设备所在故障关联规则的出错率确定所述先导车站设备的故障初步预测结果的权重;
根据所述先导车站设备的故障初步预测结果的权重确定该车站设备的故障初步预测结果的权重;
将所述故障初步预测结果为故障和非故障分别赋值为1和0,或者分别赋值0和1;
计算所述先导车站设备的故障初步预测结果与其权重的乘积,及所述车站设备的故障初步预测结果与其权重的乘积,并计算该两个乘积的和;
当故障和非故障分别赋值为1和0时,在所述和大于或等于第一预设阈值时,确定该车站设备的故障最终预测结果为故障;在所述和小于所述第一预设阈值时,确定该车站设备的故障最终预测结果为非故障;
当故障和非故障分别赋值为0和1时,在所述和大于或等于所述第一预设阈值时,确定该车站设备的故障最终预测结果为非故障;在所述和小于所述第一预设阈值时,确定该车站设备的故障最终预测结果为故障。
7.根据权利要求1-4中任一项所述的车站设备故障预测方法,其特征在于,所述故障初步预测结果为故障发生率,所述故障最终预测结果为故障发生率,所述根据该车站设备的故障初步预测结果及所述先导车站设备的故障初步预测结果,确定该车站设备的故障最终预测结果包括:
根据该车站设备所在故障关联规则的出错率确定所述先导车站设备的故障初步预测结果的权重;
根据所述先导车站设备的故障初步预测结果的权重确定该车站设备的故障初步预测结果的权重;
计算所述先导车站设备的故障发生率与其权重的乘积,及所述车站设备的故障发生率与其权重的乘积,并计算该两个乘积的和;
将所述和作为该车站设备的故障最终预测结果。
8.一种车站设备故障预测系统,其特征在于,包括:车站关联分析子系统、车站健康管理子系统和多个设备故障预测和健康管理子系统;
所述设备故障预测和健康管理子系统,用于获取同一种类型的多个车站设备的运行数据,并根据所述多个车站设备的运行数据及所述多个车站设备的历史运行数据对每个车站设备进行故障初步预测,得到每个车站设备的故障初步预测结果;
所述车站关联分析子系统,用于获取同一车站的多种车站设备的历史故障数据,并根据所述历史故障数据确定同一车站内不同车站设备之间的故障关联规则,其中,所述故障关联规则用于指示导致一车站设备发生故障的先导车站设备;
所述车站健康管理子系统,用于对每一车站设备,根据所述故障关联规则确定该车站设备的先导车站设备,并根据该车站设备的故障初步预测结果及所述先导车站设备的故障初步预测结果,确定该车站设备的故障最终预测结果。
9.根据权利要求8所述的车站设备故障预测系统,其特征在于,针对每一车站设备,所述设备故障预测和健康管理子系统还用于将该车站设备的各关键运行数据与其相应的预设阈值范围进行比较,在确定所述车站设备的至少一个关键运行数据不在其相应的预设阈值范围内时,进行报警。
10.根据权利要求8所述的车站设备故障预测系统,其特征在于,所述车站健康管理子系统还用于在确定任一车站设备的故障最终预测结果为故障时,从所述设备故障预测和健康管理子系统中获取与该车站设备同一种类型的多个车站设备的所有故障记录,所述故障记录包括故障名称和故障解决办法;及
显示与该车站设备同一种类型的多个车站设备发生过的每种故障名称和故障解决办法。
11.根据权利要求8所述的车站设备故障预测系统,其特征在于,所述车站关联分析子系统具体用于:
根据所述多种车站设备的历史故障数据建立稀疏矩阵,所述稀疏矩阵中每列代表一种车站设备在各预设间隔时间内的故障状态,其中1表示该车站设备在该预设间隔时间内的故障状态为故障,0表示该车站设备在该预设间隔时间内的故障状态为非故障;
建立同一车站内车站设备与车站设备之间出现故障的关联规则;
对建立的每一关联规则进行相关分析,从所有关联规则中筛选出强关联规则,所述故障关联规则为强关联规则,所述强关联规则是关联性不小于最小支持度阈值且不小于最小置信度阈值的关联规则。
12.根据权利要求8-11中任一项所述的车站设备故障预测系统,其特征在于,所述故障初步预测结果为故障或非故障,所述车站健康管理子系统具体用于,当所述先导车站设备的故障初步预测结果为故障,且该车站设备的故障初步预测结果也为故障,确定该车站设备的故障最终预测结果为故障。
13.根据权利要求8-11中任一项所述的车站设备故障预测系统,其特征在于,所述故障初步预测结果为故障或非故障,所述车站健康管理子系统具体用于:
根据该车站设备所在故障关联规则的出错率确定所述先导车站设备的故障初步预测结果的权重;
根据所述先导车站设备的故障初步预测结果的权重确定该车站设备的故障初步预测结果的权重;
将所述故障初步预测结果为故障和非故障分别赋值为1和0,或者分别赋值0和1;
计算所述先导车站设备的故障初步预测结果与其权重的乘积,及所述车站设备的故障初步预测结果与其权重的乘积,并计算该两个乘积的和;
当故障和非故障分别赋值为1和0时,在所述和大于或等于第一预设阈值时,确定该车站设备的故障最终预测结果为故障;在所述和小于所述第一预设阈值时,确定该车站设备的故障最终预测结果为非故障;
当故障和非故障分别赋值为0和1时,在所述和大于或等于所述第一预设阈值时,确定该车站设备的故障最终预测结果为非故障;在所述和小于所述第一预设阈值时,确定该车站设备的故障最终预测结果为故障。
14.根据权利要求8-11中任一项所述的车站设备故障预测系统,其特征在于,所述故障初步预测结果为故障发生率,所述车站健康管理子系统具体用于:
根据该车站设备所在故障关联规则的出错率确定所述先导车站设备的故障初步预测结果的权重;
根据所述先导车站设备的故障初步预测结果的权重确定该车站设备的故障初步预测结果的权重;
计算所述先导车站设备的故障发生率与其权重的乘积,及所述车站设备的故障发生率与其权重的乘积,并计算该两个乘积的和;
将所述和作为该车站设备的故障最终预测结果。
15.一种轨道交通管理系统,其特征在于,包括权利要求8-14任一项所述的车站设备故障预测系统。
16.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现权利要求1-7中任一项所述方法的步骤。
17.一种电子设备,其特征在于,包括:
存储器,其上存储有计算机程序;
处理器,用于执行所述存储器中的所述计算机程序,以实现权利要求1-7中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910817275.7A CN112529232A (zh) | 2019-08-30 | 2019-08-30 | 车站设备故障预测方法、系统及轨道交通管理系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910817275.7A CN112529232A (zh) | 2019-08-30 | 2019-08-30 | 车站设备故障预测方法、系统及轨道交通管理系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112529232A true CN112529232A (zh) | 2021-03-19 |
Family
ID=74974103
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910817275.7A Pending CN112529232A (zh) | 2019-08-30 | 2019-08-30 | 车站设备故障预测方法、系统及轨道交通管理系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112529232A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113468245A (zh) * | 2021-07-19 | 2021-10-01 | 金陵科技学院 | 面向轨道交通应用的动态最小支持度计算方法 |
CN114267178A (zh) * | 2021-12-30 | 2022-04-01 | 佳都科技集团股份有限公司 | 一种车站的智能运营维护方法及装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103996077A (zh) * | 2014-05-22 | 2014-08-20 | 中国南方电网有限责任公司电网技术研究中心 | 一种基于多维时间序列的电气设备故障预测方法 |
CN106874491A (zh) * | 2017-02-22 | 2017-06-20 | 北京科技大学 | 一种基于动态关联规则的设备故障信息挖掘方法 |
CN107991580A (zh) * | 2017-11-27 | 2018-05-04 | 山东大学 | 基于关联权重离散性多源信息的配电网故障定位方法 |
US20190130294A1 (en) * | 2017-10-26 | 2019-05-02 | United Technologies Corporation | System fault isolation and ambiguity resolution |
-
2019
- 2019-08-30 CN CN201910817275.7A patent/CN112529232A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103996077A (zh) * | 2014-05-22 | 2014-08-20 | 中国南方电网有限责任公司电网技术研究中心 | 一种基于多维时间序列的电气设备故障预测方法 |
CN106874491A (zh) * | 2017-02-22 | 2017-06-20 | 北京科技大学 | 一种基于动态关联规则的设备故障信息挖掘方法 |
US20190130294A1 (en) * | 2017-10-26 | 2019-05-02 | United Technologies Corporation | System fault isolation and ambiguity resolution |
CN107991580A (zh) * | 2017-11-27 | 2018-05-04 | 山东大学 | 基于关联权重离散性多源信息的配电网故障定位方法 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113468245A (zh) * | 2021-07-19 | 2021-10-01 | 金陵科技学院 | 面向轨道交通应用的动态最小支持度计算方法 |
CN113468245B (zh) * | 2021-07-19 | 2023-05-05 | 金陵科技学院 | 面向轨道交通应用的动态最小支持度计算方法 |
CN114267178A (zh) * | 2021-12-30 | 2022-04-01 | 佳都科技集团股份有限公司 | 一种车站的智能运营维护方法及装置 |
CN114267178B (zh) * | 2021-12-30 | 2023-09-26 | 佳都科技集团股份有限公司 | 一种车站的智能运营维护方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20220147672A1 (en) | Method and system for adaptive learning of models for manufacturing systems | |
US11152126B2 (en) | Abnormality diagnosis system and abnormality diagnosis method | |
Mourtzis et al. | Intelligent predictive maintenance and remote monitoring framework for industrial equipment based on mixed reality | |
US20110010130A1 (en) | Health management systems and methods with predicted diagnostic indicators | |
US10901834B2 (en) | Interactive troubleshooting assistant | |
US10573421B2 (en) | Plant operation system and plant operation method | |
US20190018397A1 (en) | Plan generation apparatus, plan generation method, and computer readable medium | |
US10430269B2 (en) | Methods and systems for root cause analysis for assembly lines using path tracking | |
CN112529232A (zh) | 车站设备故障预测方法、系统及轨道交通管理系统 | |
US11423494B2 (en) | Plant assistance assessment system and plant assistance assessment method | |
JP2022549999A (ja) | 充電ステーション監視方法および装置 | |
WO2020066052A1 (ja) | 監視システム及び監視方法 | |
US20180150036A1 (en) | Systems and methods for concept drift learning with alternating learners | |
US20220405715A1 (en) | Inspection related systems and methods | |
CN116670608A (zh) | 用于物联网预测建模的混合系综方法 | |
CN110752944B (zh) | 告警派单方法及装置 | |
KR102232876B1 (ko) | 디지털 설비의 고장 유형 분석 시스템 및 방법 | |
WO2020175084A1 (ja) | 運営評価装置、運営評価方法、およびプログラム | |
US20200293877A1 (en) | Interactive assistant | |
US9249794B2 (en) | Condition-based and predictive maintenance of compressor systems | |
KR102041683B1 (ko) | 결함 예측 방법 | |
JP6697980B2 (ja) | 設備点検順位設定装置及び設備点検順位設定方法 | |
US20180182503A1 (en) | Plant abnormality predict detection system | |
CN116884183A (zh) | 氢气预警方法、装置、终端设备及存储介质 | |
US11665193B2 (en) | Method for managing plant, plant design device, and plant management device |
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 |