CN112561094A - 列车停靠故障分析方法、装置及电子设备 - Google Patents
列车停靠故障分析方法、装置及电子设备 Download PDFInfo
- Publication number
- CN112561094A CN112561094A CN202011515640.8A CN202011515640A CN112561094A CN 112561094 A CN112561094 A CN 112561094A CN 202011515640 A CN202011515640 A CN 202011515640A CN 112561094 A CN112561094 A CN 112561094A
- Authority
- CN
- China
- Prior art keywords
- stop
- train
- information
- historical
- group
- 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
- 238000004458 analytical method Methods 0.000 title claims description 93
- 230000002159 abnormal effect Effects 0.000 claims abstract description 71
- 238000000034 method Methods 0.000 claims abstract description 16
- 238000004364 calculation method Methods 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 11
- 238000004422 calculation algorithm Methods 0.000 claims description 9
- 238000013528 artificial neural network Methods 0.000 claims description 6
- 238000007619 statistical method Methods 0.000 claims description 6
- 230000002776 aggregation Effects 0.000 description 8
- 238000004220 aggregation Methods 0.000 description 8
- 238000004891 communication Methods 0.000 description 8
- 238000003032 molecular docking Methods 0.000 description 8
- 238000004939 coking Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 238000012423 maintenance Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 235000013311 vegetables Nutrition 0.000 description 2
- 241000282376 Panthera tigris Species 0.000 description 1
- 230000001174 ascending effect Effects 0.000 description 1
- 239000011324 bead Substances 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000004141 dimensional analysis Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 238000006467 substitution reaction Methods 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
- G06Q10/20—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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
-
- G06Q50/40—
Abstract
本发明实施例提供了一种列车停靠故障分析方法、装置及电子设备,所述方法包括:获取多条列车历史停靠信息,其中,所述列车历史停靠信息包括列车停靠点和停靠关联信息;基于所述多条列车历史停靠信息的列车停靠点,将所述多条列车历史停靠信息划分为若干历史停靠信息组;计算每个所述历史停靠信息组中多条列车历史停靠信息的列车停靠点的中心点值;判断每个所述历史停靠信息组的中心点值是否属于第一预设停靠范围;若不属于,则将该历史停靠信息组作为异常群组,并基于所述异常群组中各条列车历史停靠信息的停靠关联信息,进行列车停靠故障分析。该方法可以快速确定停车故障的真实原因,能够提前发现列车停靠不准确问题,以进行故障提示。
Description
技术领域
本发明涉及轨道交通工业技术领域,尤其涉及一种列车停靠故障分析方法、装置及电子设备。
背景技术
现有轨道交通技术中,轨道交通列车,在进行停靠时,每次停靠点并不确定,也常会因为列车司机个人驾驶经验、列车运营状况以及相关轨道交通设备或配套设备的不同情况,导致每次列车停靠不够精准。设定一个可接受的停靠波动范围,比如设置停靠波动范围为距离停靠标准参考点(视为坐标0点)50cm的取值范围,意味着列车在-50cm到+50cm这段范围内进行停靠,均处于可被接受的误差范围内,视为停车正常。而在列车停车点未到达-50cm处时认定停车欠标,或者列车停车点超过了+50cm处时认定停车过标,停车欠标和停车过标均视为停车不准确的停车故障状态。
现有技术通常通过对轨道交通列车本身进行技术升级或改造,提升其控制精度,以防止出现列车停车不准确的现象,如此只能在列车发生故障后才能获知列车停车故障,再去进行维修,维修管理的时间长且成本高,还容易耽误列车运行时间,甚至给大量乘客造成不好的乘车体验。
发明内容
针对现有技术存在的问题,本发明实施例提供了一种状态监测与资产管理联动管理方法及装置。
第一方面,本发明实施例提供了一种列车停靠故障分析方法,包括:
获取多条列车历史停靠信息,其中,所述列车历史停靠信息包括列车停靠点和停靠关联信息;
基于所述多条列车历史停靠信息的列车停靠点,将所述多条列车历史停靠信息划分为若干历史停靠信息组;
计算每个所述历史停靠信息组中多条列车历史停靠信息的列车停靠点的中心点值;
判断每个所述历史停靠信息组的中心点值是否属于第一预设停靠范围;
若不属于,则将该历史停靠信息组作为异常群组,并基于所述异常群组中各条列车历史停靠信息的停靠关联信息,进行列车停靠故障分析。
进一步地,所述停靠关联信息至少包括与所述列车停靠点相关联的停靠时刻、停靠车次号、停靠站台名称。
进一步地,基于所述异常群组中各条列车历史停靠信息的停靠关联信息,进行列车停靠故障分析,具体包括:
记录所述异常群组中各列车停靠点和与所述列车停靠点相关联的停靠时刻、停靠车次号、停靠站台名称,并对所述停靠时刻、停靠车次号、停靠站台名称分别进行统计分析,基于统计分析结果进行故障分析。
进一步地,在若不属于,则将该历史停靠信息组作为异常群组之前,所述方法还包括:
若属于,则将该历史停靠信息组作为正常群组。
进一步地,所述判断每个所述历史停靠信息组的中心点值是否属于第一预设停靠范围;若不属于,则将该历史停靠信息组作为异常群组,并基于所述异常群组中各条列车历史停靠信息的停靠关联信息,进行列车停靠故障分析,具体包括:
将每个所述历史停靠信息组的中心点值分别与第一预设停靠范围和第二预设停靠范围进行比较,所述第二预设停靠范围大于所述第一预设停靠范围;
若不属于所述第一预设停靠范围,属于第二预设停靠范围,则将该历史停靠信息组作为异样群组,并基于所述异样群组中各条列车历史停靠信息的停靠关联信息,进行列车停靠故障分析,并根据故障分析结果进行故障提醒;
若不属于第二预设停靠范围,则将该历史停靠信息组作为故障群组,并基于所述故障群组中各条列车历史停靠信息的停靠关联信息,进行列车停靠故障分析,并根据故障分析结果进行故障报警。
进一步地,所述基于所述多条列车历史停靠信息的列车停靠点,将所述多条列车历史停靠信息划分为若干历史停靠信息组,具体包括:
基于所述多条列车历史停靠信息的列车停靠点,通过K-MEANS神经网络算法,将所述多条列车历史停靠信息划分为若干历史停靠信息组。
第二方面,本发明实施例还提供了一种列车停靠故障分析装置,包括:
获取模块,用于获取多条列车历史停靠信息,其中,所述列车历史停靠信息包括列车停靠点和停靠关联信息;
划分模块,用于基于所述多条列车历史停靠信息的列车停靠点,将所述多条列车历史停靠信息划分为若干历史停靠信息组;
计算模块,用于计算每个所述历史停靠信息组中多条列车历史停靠信息的列车停靠点的中心点值;
判断模块,用于判断每个所述历史停靠信息组的中心点值是否属于第一预设停靠范围;
故障分析模块,用于若不属于第一预设停靠范围,则将该历史停靠信息组作为异常群组,并基于所述异常群组中各条列车历史停靠信息的停靠关联信息,进行列车停靠故障分析。
进一步地,所述停靠关联信息至少包括与所述列车停靠点相关联的停靠时刻、停靠车次号、停靠站台名称。
第三方面,本发明实施例提供了一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如上所述的列车停靠故障分析方法。
第四方面,本发明实施例提供了一种非暂态计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现如上所述的列车停靠故障分析方法。
本发明实施例提供的一种列车停靠故障分析方法、装置及电子设备,所述方法,通过收集大量的历史停车信息分类分组,并对每组历史停车信息组进行列车停靠点和预设的停靠范围进行比对,根据比对结果认定该历史停车信息组属于正常群组还是属于异常群组,并在认定为异常群组时,对基于异常群组的停靠关联信息对其进行停车故障分析,快速确定停车故障的真实原因,从而能够提前发现列车停靠不准确的问题,还能有效分析出发生停车故障的趋势,预先进行故障分析与预警,有效地辅助轨道交通列车的运行管理。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作一简单的介绍,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为本发明实施例提供的一种列车停靠故障分析方法的流程示意图;
图2为本发明实施例提供的一种列车停靠故障分析装置的结构示意图;
图3为本发明实施例提供的一种电子设备的结构示意图。
附图标记:
201:获取模块;202:划分模块;203:计算模块;204:判断模块;205:故障分析模块;
301:处理器;302:通信接口;303:存储器;304:通信总线。
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。
本发明实施例提供了一种列车停靠故障分析方法、装置及电子设备,所述方法,包括:
获取多条列车历史停靠信息,其中,所述列车历史停靠信息包括列车停靠点和停靠关联信息;
基于所述多条列车历史停靠信息的列车停靠点,将所述多条列车历史停靠信息划分为若干历史停靠信息组;
计算每个所述历史停靠信息组中多条列车历史停靠信息的列车停靠点的中心点值;
判断每个所述历史停靠信息组的中心点值是否属于第一预设停靠范围;
若不属于,则将该历史停靠信息组作为异常群组,并基于所述异常群组中各条列车历史停靠信息的停靠关联信息,进行列车停靠故障分析。
本发明实施例提供的列车停靠故障分析方法,通过收集大量的历史停车信息分类分组,并对每组历史停车信息组进行列车停靠点和预设的停靠范围进行比对,根据比对结果认定该历史停车信息组属于正常群组还是属于异常群组,并在认定为异常群组时,对基于异常群组的停靠关联信息对其进行停车故障分析,快速确定停车故障的真实原因,从而能够提前发现列车停靠不准确的问题,还能有效分析出发生停车故障的趋势,预先进行故障分析与预警,有效地辅助轨道交通列车的运行管理。
下面结合附图对本发明实施例提供的列车停靠故障分析方法详细说明。
第一方面,本发明实施例提供了一种列车停靠故障分析方法,图1为本发明实施例提供的一种列车停靠故障分析方法的流程示意图,如图1所示,所述方法包括:
S101、获取多条列车历史停靠信息,其中,所述列车历史停靠信息包括列车停靠点和停靠关联信息;
获取一段时间内多个列车、多个站台的大量的列车历史停靠信息,以作为初始数据样本,所述列车历史停靠信息包括列车停靠点和停靠关联信息,所述停靠关联信息包括与所述列车停靠点相关联的停靠时刻、停靠车次号、停靠站台名称等等。可以按照一定频率定时进行列车历史停靠信息的数据采集,也可以在需要进行故障分析时随机进行列车历史停靠信息的数据采集。
所述多条列车历史停靠信息可以随着轨道交通列车的运行而不断更新。
S102、基于所述多条列车历史停靠信息的列车停靠点,将所述多条列车历史停靠信息划分为若干历史停靠信息组;
基于所述多条列车历史停靠信息中的列车停靠点进行分组,由于所述初始数据样本中,具有大量的多个列车停靠点(每条列车历史停靠信息中有一个列车停靠点),可以设置一个分类参考点,根据所述分类参考点和多个列车停靠点的实际数值范围的上下限临界值,将到分类参考点距离远近程度划分为若干个距离等级,根据不同的距离等级来将所述多条列车历史停靠信息进行划分,距离等级相同的多条列车历史停靠信息视为聚集程度较高,距离等级不同的多条列车历史停靠信息视为聚集程度较低,据此将聚集程度较高的多条列车历史停靠信息划分为同一组,聚集程度较低的,则分到不同的组,最终形成若干历史停靠信息组。具体进行分组时,还可以结合一定的算法,比如神经网络算法等进行聚类划分,通过多次迭代分组,最终得到若干历史停靠信息组。每组历史停靠信息组中列车历史停靠信息的条数可以相同,也可以不同。
S103、计算每个所述历史停靠信息组中多条列车历史停靠信息的列车停靠点的中心点值;
每组历史停靠信息组中的多条列车历史停靠信息,相当于具有相似表现的数据子样本,对于每组历史停靠信息组中的多条列车历史停靠信息对应的多个列车停靠点,两两结合,以计算其中心点,多次重复迭代进行两个列车停靠点之间的位置中心点,并在该组所有列车停靠点均参与计算完毕之后,最终确定出多个列车停靠点综合的中心点,作为该历史停靠信息组的中心点值。
需要说明的是,多次重复迭代进行两个列车停靠点之间取位置中心点的计算时,具体迭代的顺序,或者说各列车停靠点参与计算的顺序,按照实际需求进行设定即可,此处不作任何限定。
S104、判断每个所述历史停靠信息组的中心点值是否属于第一预设停靠范围;
将步骤S103计算出的每个所述历史停靠信息组的中心点值分别与第一预设停靠范围进行比较,判断其是否落在第一预设停靠范围之内,若落在此范围内,则属于正常群组,也就是该群组下的条列车历史停靠信息中对应的该列车、该站台或者该时段均不会出现故障,无需进行故障分析。
S105、若不属于,则将该历史停靠信息组作为异常群组,并基于所述异常群组中各条列车历史停靠信息的停靠关联信息,进行列车停靠故障分析。
将步骤S103计算出的每个所述历史停靠信息组的中心点值分别与第一预设停靠范围进行比较,判断其是否超出第一预设停靠范围之外,若超出了该范围,则属于异常群组,也就是该群组下的条列车历史停靠信息中对应的该列车、该站台或者该时段有可能在未来出现故障,需要进行故障分析。
并且,异常群组有异样群组和故障群组两种,异样群组是,虽然不在正常的第一预设停靠范围内,但是超出第一预设停靠范围的程度不大,此时该群组下的各条列车历史停靠信息中对应的该列车、该站台或者该时段,在未来出现故障的可能性较小。此时可以进行故障分析,以严格预警可能会发生的停车故障。也可以根据实际运行情况,将当前情况认定为属于微异常情况,属于可接受的范围,而不需要进行故障分析和故障预警。
并且,基于所述异常群组中各条列车历史停靠信息的停靠关联信息,进行列车停靠故障分析,由于停靠关联信息就是指与所述列车停靠点相关联的停靠时刻、停靠车次号、停靠站台名称等等关联属性类的信息。那么可以记录和统计归纳异常群组中每一条列车历史停靠信息对应的停靠时刻、停靠车次号、停靠站台名称,然后进行分类汇总,观察分析,确定出是哪一种关联属性的维度上发生的故障,从而准确确定出故障原因。
本发明实施例提供的列车停靠故障分析方法,通过收集大量的历史停车信息分类分组,并对每组历史停车信息组进行列车停靠点和预设的停靠范围进行比对,根据比对结果认定该历史停车信息组属于正常群组还是属于异常群组,并在认定为异常群组时,对基于异常群组的停靠关联信息对其进行停车故障分析,快速确定停车故障的真实原因,从而能够提前发现列车停靠不准确的问题,还能有效分析出发生停车故障的趋势,预先进行故障分析与预警,有效地辅助轨道交通列车的运行管理。
在上述实施例的基础上,基于所述异常群组中各条列车历史停靠信息的停靠关联信息,进行列车停靠故障分析,具体包括:
记录所述异常群组中各列车停靠点和与所述列车停靠点相关联的停靠时刻、停靠车次号、停靠站台名称,并对所述停靠时刻、停靠车次号、停靠站台名称分别进行统计分析,基于统计分析结果进行故障分析。
停靠关联信息就是指与所述列车停靠点相关联的停靠时刻、停靠车次号、停靠站台名称等等关联属性类的信息。记录所述异常群组中各列车停靠点和与所述列车停靠点相关联的停靠时刻、停靠车次号、停靠站台名称,并对所述停靠时刻、停靠车次号、停靠站台名称分别进行统计,然后进行分类汇总,观察分析围绕该组中心点上下(易出现故障的某几条历史停靠信息),来确定出是哪一种关联属性的维度上发生的故障,从而准确确定出故障原因。
在上述实施例的基础上,在若不属于,则将该历史停靠信息组作为异常群组之前,所述方法还包括:
S106、若属于,则将该历史停靠信息组作为正常群组。
判断其是否落在第一预设停靠范围之内,若落在此范围内,则属于正常群组,也就是该群组下的条列车历史停靠信息中对应的该列车、该站台或者该时段均不会出现故障,无需进行故障分析。
需要说明的是,所述步骤S106和步骤S105的执行顺序可以互换。
在上述实施例的基础上,所述S104、判断每个所述历史停靠信息组的中心点值是否属于第一预设停靠范围;S105、若不属于,则将该历史停靠信息组作为异常群组,并基于所述异常群组中各条列车历史停靠信息的停靠关联信息,进行列车停靠故障分析,具体包括:
S1041、判断每个所述历史停靠信息组的中心点值分别与第一预设停靠范围和第二预设停靠范围进行比较,所述第二预设停靠范围大于所述第一预设停靠范围;
S1051、若不属于所述第一预设停靠范围,属于第二预设停靠范围,则将该历史停靠信息组作为异样群组,并基于所述异样群组中各条列车历史停靠信息的停靠关联信息,进行列车停靠故障分析,并根据故障分析结果进行故障提醒;
S1052、若不属于第二预设停靠范围,则将该历史停靠信息组作为故障群组,并基于所述故障群组中各条列车历史停靠信息的停靠关联信息,进行列车停靠故障分析,并根据故障分析结果进行故障报警。
具体地,异常群组有异样群组和故障群组两种。异样群组是,虽然不在正常的第一预设停靠范围内,但是超出第一预设停靠范围的程度不大,此时未超出第二预设停靠范围,其中,第二预设停靠范围大于第一预设停靠范围,此时该群组下的各条列车历史停靠信息中对应的该列车、该站台或者该时段,在未来出现故障的可能性较小。此时可以进行故障分析,以严格预警可能会发生的停车故障。也可以根据实际运行情况,将当前情况认定为属于微异常情况,属于可接受的范围,而不进行故障分析和故障预警。
而故障群组则是超出了第二预设停靠范围,此时该群组下的各条列车历史停靠信息中对应的该列车、该站台或者该时段,在未来出现故障的可能性非常大。因此,此时必须进行故障分析,才能严格预警可能会发生的故障。
在上述实施例的基础上,所述基于所述多条列车历史停靠信息的列车停靠点,将所述多条列车历史停靠信息划分为若干历史停靠信息组,具体包括:
基于所述多条列车历史停靠信息的列车停靠点,通过K-MEANS神经网络算法,将所述多条列车历史停靠信息划分为若干历史停靠信息组。
具体进行分组时,还可以结合K-MEANS神经网络算法、KNN相似性算法等算法进行聚类划分,通过多次迭代分组,最终得到若干历史停靠信息组。
本发明实施例提供的一种列车停靠故障分析方法的具体应用过程:
1数据处理阶段
1.1初始样本采集
ATO系统获取一段时间内多个列车、多个站台的大量的列车历史停靠信息(也可以理解为列车历史停车精度信息),以作为初始数据样本,所述列车历史停靠信息包括列车停靠点和停靠关联信息,所述停靠关联信息包括与所述列车停靠点相关联的停靠时刻、停靠车次号、停靠站台名称等等,如下表1所示。
表1
列车历史停靠信息 | 名称 |
列车停靠点 | 列车停靠点 |
停靠关联信息 | 停靠时刻 |
停靠关联信息 | 停靠车次号 |
停靠关联信息 | 停靠站台名称 |
1.2基于1.1获取的所述多条列车历史停靠信息中多个具体的列车停靠点,将所述多条列车历史停靠信息划分为若干历史停靠信息组;
基于所述多条列车历史停靠信息中的列车停靠点进行分组,由于所述初始数据样本中,具有大量的多个列车停靠点(每条列车历史停靠信息中有一个列车停靠点),可以设置一个分类参考点,根据所述分类参考点和多个列车停靠点的实际数值范围的上下限临界值,将到分类参考点距离远近程度划分为若干个距离等级,根据不同的距离等级来将所述多条列车历史停靠信息进行划分,距离等级相同的多条列车历史停靠信息视为聚集程度较高,距离等级不同的多条列车历史停靠信息视为聚集程度较低,据此再结合K-MEANS神经网络算法进行系统聚类划分,通过多次迭代分组,将聚集程度较高的多条列车历史停靠信息划分为同一组,聚集程度较低的,则分到不同的组,最终形成若干历史停靠信息组。每个历史停靠信息组代表了一批具有相似表现的数据子样本。每组历史停靠信息组中列车历史停靠信息的条数可以相同,也可以不同。比如将采集的149342条列车历史停靠信息划分为8组,每组信息条数随机,如下表2第1列和第2列所示。
表2
组编号 | 组内数据条数 | 各组中心点值 |
1 | 36 | 66.47cm |
2 | 7737 | 1.12cm |
3 | 71979 | -16.06cm |
4 | 34714 | -9.28cm |
5 | 622 | 32.45cm |
6 | 31381 | -22.7cm |
7 | 2633 | 15.88cm |
8 | 240 | 125.89cm |
1.3计算每个所述历史停靠信息组中多条列车历史停靠信息的列车停靠点的中心点值;
对于每组历史停靠信息组中的多条列车历史停靠信息对应的多个列车停靠点,两两结合,以计算其中心点,多次重复迭代进行两个列车停靠点之间的位置中心点,并在该组所有列车停靠点均参与计算完毕之后,最终确定出多个列车停靠点综合的中心点,作为该历史停靠信息组的中心点值。
需要说明的是,多次重复迭代进行两个列车停靠点之间取位置中心点的计算时,具体迭代的顺序,或者说各列车停靠点参与计算的顺序,在本实例中是按照该停靠关联信息中的停车时刻的先后顺序来进行的计算,计算结果分别如上表2的第3列所示。
1.4将每个所述历史停靠信息组的中心点值分别与第一预设停靠范围和第二预设停靠范围进行比较,所述第二预设停靠范围大于所述第一预设停靠范围;
1.4.1将1.3中计算出的每个所述历史停靠信息组的中心点值分别与第一预设停靠范围和第二预设停靠范围进行比较,本实例设置第一预设停靠范围为-30cm到+30cm的坐标范围,设置第二预设停靠范围为-50cm到+30cm的坐标范围。判断各中心点值是否落在第一预设停靠范围-30cm到+30cm之内,若落在此范围内,则属于正常群组,也就是该群组下的条列车历史停靠信息中对应的该列车、该站台或者该时段均不会出现故障,无需进行故障分析。例如,表2中的群组2、3、4、6、7的中心点值均落在第一预设停靠范围-30cm到+30cm之内,若落在此范围内,则群组2、3、4、6、7均属于正常群组,无需进行故障分析。
1.4.2若不属于所述第一预设停靠范围-30cm到+30cm,而属于第二预设停靠范围-50cm到+50cm的坐标范围之内,则将该历史停靠信息组作为异样群组。异样群组是,虽然不在正常的第一预设停靠范围内,但是超出第一预设停靠范围的程度不大,此时未超出第二预设停靠范围,其中,第二预设停靠范围大于第一预设停靠范围,此时该群组下的各条列车历史停靠信息中对应的该列车、该站台或者该时段,在未来出现故障的可能性较小。此时可以基于所述异样群组中各条列车历史停靠信息的停靠关联信息,进行列车停靠故障分析,并根据故障分析结果进行故障提醒,以严格预警可能会发生的停车故障。比如表2中的群组5,超出了所述第一预设停靠范围-30cm到+30cm,而属于第二预设停靠范围-50cm到+50cm的坐标范围之内,则将该历史停靠信息组5作为异样群组。既可以进行故障分析,也可以不进行故障分析。
1.4.3若不属于第二预设停靠范围,超出了第二预设停靠范围-50cm到+50cm的坐标范围,则将该历史停靠信息组作为故障群组。此时该群组下的各条列车历史停靠信息中对应的该列车、该站台或者该时段,在未来出现故障的可能性非常大。因此,此时必须基于所述故障群组中各条列车历史停靠信息的停靠关联信息,进行列车停靠故障分析,并根据故障分析结果进行故障报警,才能严格预警可能会发生的停车故障。比如表2中的群组1和群组8,群组1的中心点值为66.47cm,群组8的中心点值为125.89cm,均大于50cm,群组1和群组8的停车精度偏离较大,均被作为故障群组,必须对其进行故障分析。
2故障分析阶段
2.1进行故障原因分析
基于所述异常群组中各条列车历史停靠信息的停靠关联信息,进行列车停靠故障分析,由于停靠关联信息就是指与所述列车停靠点相关联的停靠时刻、停靠车次号、停靠站台名称等等关联属性类的信息。那么可以记录和统计归纳异常群组中每一条列车历史停靠信息对应的停靠时刻、停靠车次号、停靠站台名称,然后进行分类汇总,观察分析,确定出是哪一种关联属性的维度上发生的故障,从而准确确定出故障原因。
表3
记录和统计归纳异常群组1中每一条列车历史停靠信息对应的停靠时刻、停靠车次号、停靠站台名称,形成上表3所示的数据表,然后进行分类汇总,观察分析,判断中心点值66.47cm附近的各列车停靠点的数据情况,比如查看62-70范围内所有数据,可以得出,这些列车历史停靠信息中的时间段比较集中,多处于早晨的5:00-7:00之间,而这个时间段属于每天列车运营的初始阶段。而停靠车次号、停靠站台名称等没有规律可循。因此,确定出是运营时段维度的原因,进一步确定是因为运营初始时段,由于客流量大导致的高载重引起的停车精度的偏离,从而准确确定出故障原因。
表4
停靠站台名称 | 在各站台停靠的次数 |
百子湾站下行站台 | 1 |
菜市口站上行站台 | 1 |
菜市口站下行站台 | 1 |
达官营站下行站台 | 1 |
大郊亭站上行站台 | 1 |
大郊亭站下行站台 | 1 |
垡头站下行站台 | 2 |
广安门内站上行站台 | 1 |
广安门内站下行站台 | 2 |
广渠门内站下行站台 | 1 |
广渠门外站上行站台 | 2 |
虎坊桥站上行站台 | 3 |
焦化厂站下行站台 | 220 |
桥湾站上行站台 | 1 |
双合站上行站台 | 1 |
珠市口站上行站台 | 1 |
记录和统计归纳异常群组8中每一条列车历史停靠信息对应的停靠时刻、停靠车次号、停靠站台名称,并根据统计的情况,判断中心点值125.89cm附近的各条信息对应的停靠站台名称,统计出每个站台停靠的次数,以形成上表4所述的数据表。进而从在每个站台停靠的次数的维度分析,可以得出,这些列车历史停靠信息中在焦化厂站下行站台停靠的次数最多,达到220次。因此,可以得出在焦化厂站下行站台出现了大量的停车不准确的故障问题,可以将故障诊断为焦化厂站下行站台的站台设备故障。
2.2根据确定的故障原因,进行故障提醒或者故障报警
根据上述群组1确定的故障原因:运营初始时段由于客流量大导致的高载重引起的停车精度的偏离,发出故障报警信息,并提醒相关人员关注列车制动系统的性能变化,提前设置好制动系统,以避免故障的发生。
根据上述群组8确定的故障原因:焦化厂站下行站台的站台设备故障,发出故障报警信息,并提醒相关人员尽快维修好焦化厂站下行站台的站台设备,以避免故障的发生。
本例提供的列车停靠故障分析方法,通过收集大量的历史停车信息分类分组,并对每组历史停车信息组进行列车停靠点和预设的停靠范围进行比对,根据比对结果认定该历史停车信息组属于正常群组还是属于异常群组,并在认定为异常群组时,对基于异常群组的停靠关联信息对其进行停车故障分析,快速确定停车故障的真实原因,从而能够提前发现列车停靠不准确的问题,还能有效分析出发生停车故障的趋势,预先进行故障分析与预警,有效地辅助轨道交通列车的运行管理。
第二方面,本发明实施例还提供了一种列车停靠故障分析装置,所述装置未上述列车停靠故障分析方法的应用装置,具体工作原理可以参考上述方法工作原理的描述,此处不作赘述。图2为本发明实施例提供的一种列车停靠故障分析装置的结构示意图,如图2所示,所述装置包括:获取模块201、划分模块202、计算模块203、判断模块204和故障分析模块205,各模块依次相连,其中,
获取模块201,用于获取多条列车历史停靠信息,其中,所述列车历史停靠信息包括列车停靠点和停靠关联信息;
划分模块202,用于基于所述多条列车历史停靠信息的列车停靠点,将所述多条列车历史停靠信息划分为若干历史停靠信息组;
计算模块203,用于计算每个所述历史停靠信息组中多条列车历史停靠信息的列车停靠点的中心点值;
判断模块204,用于判断每个所述历史停靠信息组的中心点值是否属于第一预设停靠范围;
故障分析模块205,用于若不属于第一预设停靠范围,则将该历史停靠信息组作为异常群组,并基于所述异常群组中各条列车历史停靠信息的停靠关联信息,进行列车停靠故障分析。
本发明实施例提供的列车停靠故障分析装置,获取模块201、划分模块202、计算模块203、判断模块204和故障分析模块205,各模块依次相连,相互协同配合,能够通过收集大量的历史停车信息分类分组,并对每组历史停车信息组进行列车停靠点和预设的停靠范围进行比对,根据比对结果认定该历史停车信息组属于正常群组还是属于异常群组,并在认定为异常群组时,对基于异常群组的停靠关联信息对其进行停车故障分析,快速确定停车故障的真实原因,从而能够提前发现列车停靠不准确的问题,还能有效分析出发生停车故障的趋势,预先进行故障分析与预警,有效地辅助轨道交通列车的运行管理。
在上述实施例的基础上,所述停靠关联信息至少包括与所述列车停靠点相关联的停靠时刻、停靠车次号、停靠站台名称。
第三方面,本发明实施例提供了一种电子设备,图3是本发明实施例提供的一种电子设备的结构示意图,如图3所示,所述电子设备包括:处理器(processor)301、通信接口(Communications Interface)302、存储器(memory)303和通信总线304,其中,处理器301,通信接口302,存储器303通过通信总线304完成相互间的通信。所述处理器301可以调用存储器303中的计算机程序或逻辑指令,以实现下述的列车停靠故障分析方法,所述方法包括:
获取多条列车历史停靠信息,其中,所述列车历史停靠信息包括列车停靠点和停靠关联信息;
基于所述多条列车历史停靠信息的列车停靠点,将所述多条列车历史停靠信息划分为若干历史停靠信息组;
计算每个所述历史停靠信息组中多条列车历史停靠信息的列车停靠点的中心点值;
判断每个所述历史停靠信息组的中心点值是否属于第一预设停靠范围;
若不属于,则将该历史停靠信息组作为异常群组,并基于所述异常群组中各条列车历史停靠信息的停靠关联信息,进行列车停靠故障分析。此外,上述的存储器303中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述列车停靠故障分析方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
第四方面,本发明实施例提供了一种非暂态计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现如上所述的列车停靠故障分析方法,所述方法包括:
获取多条列车历史停靠信息,其中,所述列车历史停靠信息包括列车停靠点和停靠关联信息;
基于所述多条列车历史停靠信息的列车停靠点,将所述多条列车历史停靠信息划分为若干历史停靠信息组;
计算每个所述历史停靠信息组中多条列车历史停靠信息的列车停靠点的中心点值;
判断每个所述历史停靠信息组的中心点值是否属于第一预设停靠范围;
若不属于,则将该历史停靠信息组作为异常群组,并基于所述异常群组中各条列车历史停靠信息的停靠关联信息,进行列车停靠故障分析。
以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
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 (10)
1.一种列车停靠故障分析方法,其特征在于,包括:
获取多条列车历史停靠信息,其中,所述列车历史停靠信息包括列车停靠点和停靠关联信息;
基于所述多条列车历史停靠信息的列车停靠点,将所述多条列车历史停靠信息划分为若干历史停靠信息组;
计算每个所述历史停靠信息组中多条列车历史停靠信息的列车停靠点的中心点值;
判断每个所述历史停靠信息组的中心点值是否属于第一预设停靠范围;
若不属于,则将该历史停靠信息组作为异常群组,并基于所述异常群组中各条列车历史停靠信息的停靠关联信息,进行列车停靠故障分析。
2.根据权利要求1所述的列车停靠故障分析方法,其特征在于,所述停靠关联信息至少包括与所述列车停靠点相关联的停靠时刻、停靠车次号、停靠站台名称。
3.根据权利要求2所述的列车停靠故障分析方法,其特征在于,基于所述异常群组中各条列车历史停靠信息的停靠关联信息,进行列车停靠故障分析,具体包括:
记录所述异常群组中各列车停靠点和与所述列车停靠点相关联的停靠时刻、停靠车次号、停靠站台名称,并对所述停靠时刻、停靠车次号、停靠站台名称分别进行统计分析,基于统计分析结果进行故障分析。
4.根据权利要求3所述的列车停靠故障分析方法,其特征在于,在若不属于,则将该历史停靠信息组作为异常群组之前,所述方法还包括:
若属于,则将该历史停靠信息组作为正常群组。
5.根据权利要求1-4任一所述的列车停靠故障分析方法,其特征在于,所述判断每个所述历史停靠信息组的中心点值是否属于第一预设停靠范围;若不属于,则将该历史停靠信息组作为异常群组,并基于所述异常群组中各条列车历史停靠信息的停靠关联信息,进行列车停靠故障分析,具体包括:
将每个所述历史停靠信息组的中心点值分别与第一预设停靠范围和第二预设停靠范围进行比较,所述第二预设停靠范围大于所述第一预设停靠范围;
若不属于所述第一预设停靠范围,属于第二预设停靠范围,则将该历史停靠信息组作为异样群组,并基于所述异样群组中各条列车历史停靠信息的停靠关联信息,进行列车停靠故障分析,并根据故障分析结果进行故障提醒;
若不属于第二预设停靠范围,则将该历史停靠信息组作为故障群组,并基于所述故障群组中各条列车历史停靠信息的停靠关联信息,进行列车停靠故障分析,并根据故障分析结果进行故障报警。
6.根据权利要求1所述的列车停靠故障分析方法,其特征在于,所述基于所述多条列车历史停靠信息的列车停靠点,将所述多条列车历史停靠信息划分为若干历史停靠信息组,具体包括:
基于所述多条列车历史停靠信息的列车停靠点,通过K-MEANS神经网络算法,将所述多条列车历史停靠信息划分为若干历史停靠信息组。
7.一种列车停靠故障分析装置,其特征在于,包括:
获取模块,用于获取多条列车历史停靠信息,其中,所述列车历史停靠信息包括列车停靠点和停靠关联信息;
划分模块,用于基于所述多条列车历史停靠信息的列车停靠点,将所述多条列车历史停靠信息划分为若干历史停靠信息组;
计算模块,用于计算每个所述历史停靠信息组中多条列车历史停靠信息的列车停靠点的中心点值;
判断模块,用于判断每个所述历史停靠信息组的中心点值是否属于第一预设停靠范围;
故障分析模块,用于若不属于第一预设停靠范围,则将该历史停靠信息组作为异常群组,并基于所述异常群组中各条列车历史停靠信息的停靠关联信息,进行列车停靠故障分析。
8.根据权利要求7所述的列车停靠故障分析装置,其特征在于,所述停靠关联信息至少包括与所述列车停靠点相关联的停靠时刻、停靠车次号、停靠站台名称。
9.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至6任一项所述的列车停靠故障分析方法。
10.一种非暂态计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至6任一项所述的列车停靠故障分析方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011515640.8A CN112561094A (zh) | 2020-12-21 | 2020-12-21 | 列车停靠故障分析方法、装置及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011515640.8A CN112561094A (zh) | 2020-12-21 | 2020-12-21 | 列车停靠故障分析方法、装置及电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112561094A true CN112561094A (zh) | 2021-03-26 |
Family
ID=75030635
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011515640.8A Pending CN112561094A (zh) | 2020-12-21 | 2020-12-21 | 列车停靠故障分析方法、装置及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112561094A (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109034424A (zh) * | 2018-08-30 | 2018-12-18 | 国网河北省电力有限公司沧州供电分公司 | 一种变电站设备维护管理方法、装置及终端设备 |
CN109709485A (zh) * | 2019-02-01 | 2019-05-03 | 北京长城华冠汽车科技股份有限公司 | 动力电池的故障检测方法、装置、介质和电子设备 |
WO2020052147A1 (zh) * | 2018-09-11 | 2020-03-19 | 清华大学合肥公共安全研究院 | 监测设备故障检测方法及装置 |
-
2020
- 2020-12-21 CN CN202011515640.8A patent/CN112561094A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109034424A (zh) * | 2018-08-30 | 2018-12-18 | 国网河北省电力有限公司沧州供电分公司 | 一种变电站设备维护管理方法、装置及终端设备 |
WO2020052147A1 (zh) * | 2018-09-11 | 2020-03-19 | 清华大学合肥公共安全研究院 | 监测设备故障检测方法及装置 |
CN109709485A (zh) * | 2019-02-01 | 2019-05-03 | 北京长城华冠汽车科技股份有限公司 | 动力电池的故障检测方法、装置、介质和电子设备 |
Non-Patent Citations (1)
Title |
---|
李沃: "基于主动维保的城轨列车停车精度数据分析方法研究", 科技视界, pages 14 - 15 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2020244288A1 (zh) | 一种基于gps轨迹数据的大货车驾驶行为评估方法及装置 | |
Sheridan et al. | An application of dbscan clustering for flight anomaly detection during the approach phase | |
EP3105644B1 (en) | Method of identifying anomalies | |
CN109000940B (zh) | 一种机车车辆异常轴温诊断方法及系统 | |
CN109754110B (zh) | 一种牵引变流器故障的预警方法及系统 | |
CN102375452B (zh) | 改善故障代码设定和隔离故障的事件驱动的数据挖掘方法 | |
AU2020103488A4 (en) | Method and device for evaluating driving behaviour of truck based on gps trajectory data | |
CN112949715A (zh) | 一种基于svm的轨道交通故障诊断方法 | |
CN109598931B (zh) | 基于交通安全风险的群体划分与差异性分析方法及系统 | |
CN110740061A (zh) | 故障预警方法、装置及计算机存储介质 | |
CN109726737B (zh) | 基于轨迹的异常行为检测方法及装置 | |
CN102360335A (zh) | 定量评估核电厂安全级dcs系统应用软件缺陷价值的方法 | |
CN110887679A (zh) | 一种轨道交通车辆健康管理方法、装置和系统 | |
CN110321912A (zh) | 多计量异常事件关联度分析方法 | |
CN113569462A (zh) | 一种计及天气因素的配电网故障等级预测方法及系统 | |
CN106910334B (zh) | 一种基于大数据预测路段状况的方法及装置 | |
CN110243598B (zh) | 列车轴承温度的处理方法、装置及存储介质 | |
CN112364910B (zh) | 基于峰值聚类高速公路收费数据异常事件检测方法及装置 | |
CN110047167B (zh) | 车辆急转弯次数等效统计方法 | |
CN112561094A (zh) | 列车停靠故障分析方法、装置及电子设备 | |
CN115114124A (zh) | 主机风险的评估方法及评估装置 | |
CN117194177A (zh) | 一种提高存储系统慢盘检测准确率的方法 | |
US20230061829A1 (en) | Outlier detection apparatus and method | |
CN116108972A (zh) | 一种自动驾驶接管绩效预测方法及系统 | |
CN115690681A (zh) | 异常判断依据的处理方法、异常判断方法及装置 |
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 |