CN112801321A - 轨道交通运输及载具运行系统中的数据处理方法、系统 - Google Patents
轨道交通运输及载具运行系统中的数据处理方法、系统 Download PDFInfo
- Publication number
- CN112801321A CN112801321A CN202110199651.8A CN202110199651A CN112801321A CN 112801321 A CN112801321 A CN 112801321A CN 202110199651 A CN202110199651 A CN 202110199651A CN 112801321 A CN112801321 A CN 112801321A
- Authority
- CN
- China
- Prior art keywords
- information
- historical
- event
- feature
- fault
- 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
- 238000003672 processing method Methods 0.000 title claims abstract description 30
- 238000003745 diagnosis Methods 0.000 claims abstract description 247
- 238000012549 training Methods 0.000 claims description 132
- 238000000034 method Methods 0.000 claims description 121
- 238000000605 extraction Methods 0.000 claims description 74
- 238000012545 processing Methods 0.000 claims description 33
- 238000004422 calculation algorithm Methods 0.000 claims description 30
- 238000013507 mapping Methods 0.000 claims description 18
- 230000002159 abnormal effect Effects 0.000 claims description 16
- 208000024891 symptom Diseases 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 10
- 238000003860 storage Methods 0.000 claims description 8
- 238000012986 modification Methods 0.000 claims description 7
- 230000004048 modification Effects 0.000 claims description 7
- 239000000969 carrier Substances 0.000 claims description 5
- 238000012790 confirmation Methods 0.000 claims description 5
- 238000009826 distribution Methods 0.000 claims description 4
- 230000001960 triggered effect Effects 0.000 claims description 4
- 239000000463 material Substances 0.000 claims description 3
- 238000012423 maintenance Methods 0.000 abstract description 15
- 238000010586 diagram Methods 0.000 description 15
- 230000006870 function Effects 0.000 description 13
- 230000008569 process Effects 0.000 description 10
- 238000012544 monitoring process Methods 0.000 description 9
- 238000004891 communication Methods 0.000 description 7
- 238000010276 construction Methods 0.000 description 6
- 238000004519 manufacturing process Methods 0.000 description 6
- 239000000284 extract Substances 0.000 description 5
- 230000006399 behavior Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 230000003449 preventive effect Effects 0.000 description 3
- 239000000126 substance Substances 0.000 description 3
- 230000005856 abnormality Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 238000005065 mining Methods 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000012550 audit Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001364 causal effect Effects 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000002405 diagnostic procedure Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000003754 machining Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000001556 precipitation Methods 0.000 description 1
- 238000007639 printing Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/10—File systems; File servers
- G06F16/18—File system types
- G06F16/1805—Append-only file systems, e.g. using logs or journals to store data
- G06F16/1815—Journaling file systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/237—Lexical tools
- G06F40/242—Dictionaries
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/40—Business processes related to the transportation industry
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Economics (AREA)
- Pure & Applied Mathematics (AREA)
- Computing Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Probability & Statistics with Applications (AREA)
- Software Systems (AREA)
- Entrepreneurship & Innovation (AREA)
- Mathematical Physics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Computational Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Algebra (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- Primary Health Care (AREA)
- Databases & Information Systems (AREA)
Abstract
本申请实施例提供一种轨道交通运输及载具运行系统中的数据处理方法、系统。其中,数据处理方法包括如下的步骤:从轨道交通运输系统产生的数据中,提取特征信息;确定特征序列,其中,所述特征序列中包含有从不同时间产生的所述数据中提取出的特征信息,并按时间顺序排列;基于所述特征序列,对所述轨道交通运输系统进行故障诊断。本申请实施例提供的技术方案,提高了系统故障诊断的自动化程度,诊断结果可指导定向检修,提高故障诊断的效率,减少轨道交通停车导致的延误等等。
Description
技术领域
本申请涉及计算机技术领域,尤其涉及一种轨道交通运输及载具运行系统中的数据处理方法、系统、设备、计算机存储介质及程序产品。
背景技术
SACEM(列车自动驾驶和列车自动防护)是地铁重要的信号系统,必须保证高可靠性,所以基于SACEM的设备维护是地铁稳定可靠运行的重要保障之一。
常用设备维护方式有预防维护和事后维护两种。其中,预防性维护是未发生事故,定期检查,定期更换设备,工作量大;设备频繁点检巡检,设备更换过于频繁,导致人工成本过高,导致备货组件严重浪费。事后维护是发生事故后,迅速恢复地铁运行,事后检测故障原因,维修更换的部件。现阶段维护方式大部分是采用人工的方式,导致效率比较低。
发明内容
鉴于现有技术存在的问题,本申请实施例提供一种轨道交通运输及载具运行系统中的数据处理方法、系统、设备、计算机存储介质及程序产品。
在本申请的一个实施例中,提供了一种轨道交通运输系统中的数据处理方法。该方法包括:
从所述轨道交通运输系统产生的数据中,提取特征信息;
确定特征序列,其中,所述特征序列中包含有从不同时间产生的所述数据中提取出的特征信息,并按时间顺序排列;
基于所述特征序列,对所述轨道交通运输系统进行故障诊断。
在本申请的另一个实施例中,提供了一种载具运行系统中的数据处理方法。所述载具运行系统包括至少一个载具、用以辅助所述至少一个载具运行的至少一个工作设备。其中,所述载具运行系统中的数据处理方法包括:
获取所述载具运行系统中至少一个工作设备产生的数据;
从所述数据中,提取特征信息;
确定特征序列,其中,所述特征序列中包含有从不同时间产生的所述数据中提取出的特征信息,并按时间顺序排列;
基于所述特征序列,对所述载具运行系统进行故障诊断。
在本申请的又一个实施例中,提供了一种数据处理方法。该方法包括:
从系统的日志信息中,提取特征信息;
确定特征序列,其中,所述特征序列中包含有从不同时间产生的所述日志信息中提取出的特征信息,且按时间顺序排列;
基于所述特征序列,确定至少一个事件的事件特征;
根据所述至少一个事件的事件特征,对所述系统进行故障诊断。
在本申请的又一个实施例中,提供了一种数据处理方法。该方法包括:
获取轨道交通运输系统历史时段产生的历史数据及历史运行状态信息;
从所述历史数据中提取特征信息;
确定所述历史数据的特征信息与所述历史运行状态信息间的关联关系;
根据所述历史数据的特征信息、所述历史运行状态信息及两者间的所述关联关系,确定训练样本;
利用所述训练样本,对待训练模型进行训练,得到故障诊断模型;
其中,所述故障诊断模型用于根据至少一个事件的事件特征对所述轨道交通运输系统进行故障诊断;所述至少一个事件的事件特征是基于所述轨道交通运输系统产生的数据对应的特征序列确定出的。
在本申请的又一个实施例中,提供了一种数据处理方法。所述方法包括:
获取系统历史时段产生的历史日志信息及历史运行状态信息;
从所述历史日志信息中,提取特征信息;
确定所述历史日志信息的特征信息与所述历史运行状态信息间的关联关系;
根据所述历史日志信息的特征信息、所述历史运行状态信息及两者间的所述关联关系,确定训练样本;
利用所述训练样本,对待训练模型进行训练,得到故障诊断模型;
其中,所述故障诊断模型用于根据至少一个事件的事件特征对所述系统进行故障诊断;所述至少一个事件的事件特征是基于所述系统产生的日志信息对应的特征序列确定出的。
在本申请的又一实施例中,提供了一种轨道交通运输系统。该轨道交通运输系统包括:
至少一个轨道车辆;
至少一个工作设备,用于辅助所述至少一个轨道车辆行进;
故障诊断设备,用于获取所述轨道交通运输系统产生的数据,从所述数据中提取特征信息;确定特征序列,其中,所述特征序列中包含有从不同时间产生的所述数据中提取出的特征信息,且按时间顺序排列;基于所述特征序列,确定属于一次事件的事件特征;根据所述事件特征,对所述轨道交通运输系统进行故障诊断;
输出设备,用于输出对所述轨道交通运输系统进行故障诊断的诊断结果。
在本申请的又一实施例中,提供了一种载具运行系统。该载具运行系统包括:
至少一个载具;
至少一个工作设备,用于辅助所述至少一个载具运行;
故障诊断设备,用于获取所述载具运行系统中所述至少一个工作设备产生的数据;从所述数据中,提取特征信息;确定特征序列,其中,所述特征序列中包含有从不同时间产生的所述数据中提取出的特征信息,并按时间顺序排列;基于所述特征序列,对所述载具运行系统进行故障诊断;
输出设备,用于输出对所述载具运行系统进行故障诊断的诊断结果。
在本申请的又一实施例中,提供了一种数据处理系统。该数据处理系统包括:
至少一个工作设备,用于产生日志信息;
故障诊断设备,用于获取所述至少一个工作设备产生的日志信息;从日志信息中提取特征信息;确定特征序列,其中,所述特征序列中包含有从不同时间产生的所述日志信息中提取出的特征信息,且按时间顺序排列;基于所述特征序列,确定至少一个事件的事件特征;根据所述至少一个事件的事件特征,对所述系统进行故障诊断;
输出设备,用于输出对所述系统进行故障诊断的诊断结果。
在本申请的又一个实施例中,提供了一种电子设备。该电子设备包括存储器和处理器,其中,
所述存储器,用于存储程序;
所述处理器,与所述存储器耦合,用于执行所述存储器中存储的所述程序,以实现上述各实施例提供的方法中的步骤。下文中会对此作进一步的描述。
在本申请的又一个实施例中,提供了一种计算机可读存储介质。该计算机可读存储介质用于存储计算机可读取的程序或指令,所述程序或指令被处理器执行时,能够实现上述各实施例提供的方法中的步骤。同样的,下文中会对此作进一步的描述。
在本申请的又一个实施例中,提供了一种计算机程序产品。该计算机程序产品包括计算机程序或指令。当所述计算机程序或指令被处理器执行时,能够实现上述各实施例提供的方法中的步骤。同样的,下文中会对此作进一步的描述。
本申请的一些实施例提供的技术方案,从轨道交通运输系统或载具运行系统产生的数据中提取特征信息;提取出的特征信息是用于确定特征序列;该特征序列包含有从不同时间产生的所述数据中抽取出的特征信息,并按时间顺序排列;然后基于特征序列对轨道交通运输系统或载具运行系统进行故障诊断,提高了系统故障诊断的自动化程度,诊断结果可指导定向检修,提高故障诊断的效率,减少轨道交通停车导致的延误等等。
本申请的另一些实施例提供的技术方案,从系统(如轨道交通运输系统、载具运行系统、网络系统、智能制造系统等)产生的日志信息中提取特征信息,以根据从不同时间产生的所述日志信息中提取出的特征信息确定特征序列,且特征序列中的特征信息按时间顺序排列;然后根据特征序列确定至少一个事件的事件特征,利用至少一个事件的事件特征对系统进行故障诊断。因日志信息中包含了发生在系统中的正常和不寻常活动的证据,所以本申请实施例提供的技术方案,通过挖掘系统日志信息中的特征,并从事件的整体角度来考量(即基于特征序列确定事件特征)诊断结果更准确,可实现故障提前预警,指导定向检修,从而降低故障率,减少轨道交通停车导致的延误等等。
本申请的又一些实施例还提供了故障诊断模型训练的方案,即通过系统的历史数据(或历史日志信息)及历史运行状态,确定训练样本,以利用训练样本对待训练模型进行训练,以得到故障诊断模型;该故障诊断模型可以上述各实施例中确定出的事件特征为输入,输出为诊断结果。可见,本实施例提供的技术方案,使得整个系统更加智能化,自动化;该故障诊断模型可实现提前故障预警,指导定向检修、减低系统故障率,减少系统因无法正常工作所带来的损失。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图是本申请的一些实施例,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为本申请一实施例提供的轨道交通运输系统中的数据处理方法的流程示意图;
图2为本申请实施例提供的轨道交通运输系统中的数据处理方法的理论逻辑示意图;
图3为本申请另一实施例提供的载具运行系统中的数据处理方法的流程示意图;
图4本申请一实施例提供的数据处理方法的流程示意图;
图5本申请另一实施例提供的数据处理方法的流程示意图;
图6本申请又一实施例提供的数据处理方法的流程示意图;
图7本申请一实施例提供的轨道交通运输系统的结构示意图;
图8为本申请一实施例提供的轨道交通运输系统中的数据处理装置的结构示意图;
图9为本申请另一实施例提供的载具运行系统中的数据处理装置的结构示意图;
图10为本申请另一实施例提供的数据处理装置的结构示意图;
图11为本申请一实施例提供的电子设备的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述。
在本申请的说明书、权利要求书及上述附图中描述的一些流程中,包含了按照特定顺序出现的多个操作,这些操作可以不按照其在本文中出现的顺序来执行或并行执行。操作的序号如101、102等,仅仅是用于区分各个不同的操作,序号本身不代表任何的执行顺序。另外,这些流程可以包括更多或更少的操作,并且这些操作可以按顺序执行或并行执行。此外,下文中所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
随着人工智能(Artificial Intelligence,简称AI)的发展,智能运维(Artificial Intelligence for operations,简称AIOps)的概念被提出。即利用人工智能计算分析来自于多种运维工具和设备的大规模数据,自动发现并实时响应系统出现的问题,进而提升系统运维能力和自动化程度。
在AIOps趋势下,以多源运维数据为驱动,以机器学习等算法为核心的智能化故障发现与根因诊断技术,引起了广泛关注。多源运维数据包括系统运行时数据和历史记录数据(如表单、系统更新文档、系统运行状态等)。与历史记录数据相比,系统运行时数据能够反映系统的动态特征及系统发生故障时的上下文信息,对未知故障具有更好的探测和表达能力。本申请如下各实施例就是利用系统实时产生的数据对系统进行故障诊断的。
图1示出了本申请一实施例提供的数据处理方法的流程示意图。如图所示,所述方法包括:
101、从轨道交通运输系统产生的数据中,提取特征信息。
102、确定特征序列,其中,所述特征序列中包含有从不同时间产生的所述数据中提取出的特征信息,且按时间顺序排列。
103、基于所述特征序列,对所述轨道交通运输系统进行故障诊断。
上述101中,系统运行过程中产生的数据可包括日志信息和监测数据。日志信息是程序开发人员为辅助调试,在程序中嵌入的打印输出代码所产生的文本数据,用以记录系统运行时的变量信息、程序执行状态等。监测数据是指系统运行状态下的具体运行情况;如在轨道交通运输系统中,轨道车辆的运行速度、停运等。日志信息和监测数据所处层次不同,日志信息关注细粒度的应用状态和跨组件的程序执行逻辑,监测数据则关注系统状态和粗粒度的应用状态。
数据对应特征信息的提取可利用特征词典来实现。该特征词典可根据轨道交通运输系统历史时段产生的历史数据构建。简单理解,特征词典提供了不同格式或类型数据对应的映射模板。在需从数据中提取特征信息时,可从所述特征词典中获取该数据适配的映射模板,然后按照该映射模板,确定所述数据的特征信息。
在该轨道交通运输系统进行系统更新时,比如软件升级或硬件升级,因出现新格式或类型数据,可及时更新该特征词典。
比如,轨道交通运输系统产生的日志信息量大,且结构、形式、类型多样。日志信息大体包括两类,分别为格式化日志、非格式化日志。格式化日志格式确定。非格式化日志基本包括:时间戳、设备ID、信息类型、详细信息。其中,时间戳表示设备生成日志消息的具体时间;设备ID表示生成日志消息的设备的标识;消息类型描述了日志消息的大致特征;详细信息描述了日志消息所描述的具体事件。非格式化日志格式多样,因此需要将非格式化日志的各信息映射到相应的映射模板上,然后基于映射模板,从数据中提取出所需(即有价值)的特征信息。
上述102中,轨道交通运输系统的数据是随时间推移不断产出的。轨道交通运输系统随时间推移不断产出的数据,可称为数据流。对数据流中的每个数据进行特征提取,然后按照时间顺序将提取出的特征信息添加到特征序列中。在具体实施时,可预先限定该特征序列中可包含的特征信息的最大数量,该最大数量本实施例不作具体限定。
上述103中,基于所述特征序列对所述轨道交通运输系统进行故障诊断,可采用但不限于如下两种方式来实现。
方式一、基于时间片的方式
即按照设定时间片从特征序列中截取特征序列段。比如,设定时间片为1:00~1:30时间段;相应的截取过程就是:截取特征序列中对应时间在1:00~1:30时间段内的特征序列段。然后,基于截取出的特征序列段,对所述轨道交通运输系统进行故障诊断。例如,在一方案中,利用故障诊断模型、专家系统等,对截取出的特征序列段进行处理,得到诊断结果。故障诊断模型可以是神经网络模型等。本实施例对于故障诊断模型、专家系统的具体实现不作具体限定。
方式一、基于事件的方式
在介绍基于事件的方式之前,先对“事件”进行一个简单的说明。一个事件是指在一时间片段和环境下发生的,由一个或多个角色参与,由一个或多个动作组成的一件事件。基于事件的方式,即从事件角度考量,从特征序列中截取一个事件对应的特征序列段作为该事件的事件特征,然后利用事件特征实现对所述轨道运输系统进行故障诊断。
具体的,上述步骤103“基于所述特征序列,对所述轨道交通运输系统进行故障诊断”可包括如下步骤:
1031、基于所述特征序列,确定至少一个事件的事件特征;
1032、根据所述至少一个事件的事件特征,对所述轨道交通运输系统进行故障诊断。
在一种可实现的方案中,上述步骤1031“基于所述特征序列,确定至少一个事件的事件特征”可采用如下步骤实现;
S11、获取所述轨道交通运输系统中轨道车辆的行驶信息;
S12、结合所述轨道车辆的行驶信息,对所述特征序列执行至少一次抽取操作,以在所述抽取操作后抽取出属于同一事件的至少一个特征信息,得到一个事件的事件特征。
与按照设定时间片从特征序列中截取特征序列段不同的是,方式二是以事件为截取依据。以事件为截取依据,就需要结合轨道车辆实时的行驶信息(如包括但不限于:速度、加速度、停驶时长等)。上述步骤S12中,抽取操作可理解为如下过程:从特征序列中,识别出符合一个事件要求的起始特征信息及结束特征信息;然后从特征序列中,提取出起始特征信息、结束特征信息及起始特征信息与结束特征信息间的特征序列段,作为事件特征。
在具体实施时,上述识别起始特征信息及结束特征信息,以及从特征序列中提取事件特征的过程,可由事件提取模型来实现。即将特征序列输入所述事件提取模型,事件提取模型对所述特征序列进行处理,便可输出至少一个事件的事件特征。换句话说,本实施例中事件提取模型的作用是从特征序列中提取出本实施例方案关心的属于一件事件的特征序列段,作为一个事件的事件特征。
即在另一种可实现的技术方案中,上述步骤1031“基于所述特征序列,确定至少一个事件的事件特征”可采用如下步骤实现;
S21、获取事件提取模型;
S22、将所述特征序列及所述轨道车辆的行驶信息作为所述事件提取模型的输入,执行所述事件提取模型输出至少一个事件的事件特征;
其中,所述事件提取模型是通过训练样本对待训练模型进行训练得到。
事件提取模型可选用机器学习模型(如神经网络模型)进行训练得到。比如,采用有监督学习的方法训练机器学习模型。其中,有监督学习的训练样本的选取,以及事件提取模型的训练过程,可参见现有技术中的相关内容,本实施例对此不作具体限定。在另一种可实现的技术方案中,还可采用聚类(无监督)学习的方法从生语料中直接抽取事件,减少了对语料库的依赖。K-means算法是一种基于距离的典型的聚类算法,采用距离作为相似性的指标,即两个对象相似度的大小取决于它们距离的远近。本文中所要讨论的是:事件提取是需要把同一事件里的不同要素(即特征信息)进行聚类,不同要素(即特征信息)所归属哪个类簇需要通过计算它们的相似度来决定。
进一步的,本实施例提供的方案也可为客户端提供一个调整事件提取模型的接口,以便于工作人员(或领域专家)对事件提取模型输出的事件特征进行审核后,提出针对所述事件提取模型的调整方案,以进一步的优化事件提取模型。即本实施例提供的所述方法还可包括如下步骤:
104、将输出的至少一个事件的事件特征发送至客户端;
105、接收客户端发送的针对所述事件提取模型的调整信息;
106、按照所述调整信息,对所述事件提取模型中的参数进行调整。
上述1032,在具体实施时可具体为:利用故障诊断模型,对所述至少一个事件的事件特征进行处理,得到所述轨道交通系统的故障诊断结果。故障诊断模型可用于检测系统是否出现异常,分析出现异常的根因、该异常致使系统在未来时段出现故障的概率、系统出现故障时分析故障根因等。
在一具体实施方案中,上述步骤1032根据所述至少一个事件的事件特征,对所述轨道交通运输系统进行故障诊断,可包括如下步骤:
S31、获取故障诊断模型;
S32、将所述至少一个事件的事件特征作为所述故障诊断模型的输入,执行所述故障诊断模型输出诊断结果。
其中,上述故障诊断模型是待训练模型经训练得到的。即本实施例提供的所述方法还可包括如下步骤:
107、获取特征字典及所述特征字典中字典项关联的运行状态信息;
108、基于所述特征字典及所述特征字典中字典项关联的运行状态信息,确定训练样本;
109、利用所述训练样本,对待训练模型进行训练,得到所述故障诊断模型。
在另一种可实现的技术方案中,本实施例提供的所述方法还可包括如下步骤:
110、获取故障特征字典及所述故障特征字典中字典项关联的故障信息;
111、根据所述故障特征字典及所述故障特征字典中字典项关联的故障信息,对贝叶斯网络模型进行网络结构训练及参数训练,以得到所述故障诊断模型。
其中,贝叶斯网络模型网络结构及参数训练的目的是训练出能更好的拟合数据的模型;该数据即上文中提及的所述故障特征字典中包含的各字典项(节点)及所述故障特征字典中字典项关联的故障信息(节点);字典项与故障信息之间的关联(即节点间的有向边)。
具体的,贝叶斯网络模型结构训练方法可包括:基于约束(依赖分享/条件独立性测试)的方法、基于评分(主要考虑模型的fit能力和模型复杂度)搜索的方法、基于以上两者的结合方法、基于随机抽样的方法等。具体可参见现有技术中的相应内容,本文不作赘述。
贝叶斯网络模型,又称信念网络或是有向无环图模型,是概率性的图形模型(一种统计模式),表示一组变量及其条件依赖通过有向无环图(DAG)。贝叶斯网络非常适合于采取已经发生的事件,并预测几个可能的已知原因中的任何一个是促成因素的可能性。形式上,贝叶斯网络是一个有向无环图(DAG),其节点代表贝叶斯意义上的变量。它们可以是可观察量、潜在变量、未知参数或假设。边表示条件依赖关系;未连接的节点(没有路径将一个节点连接到另一个节点)表示彼此条件独立的变量。每个节点都与一个概率函数相关联,该函数将节点的父变量的一组特征值作为输入,并给出(作为输出)由节点表示的变量的概率。
因此,贝叶斯网络模型的学习可以被分解成两个子阶段:1、网络拓扑结构即有向非循环图的学习,简称结构学习;2、网络中每个变量的局部条件概率分布的学习,简称为参数学习。同样的,贝叶斯网络模型的参数训练过程也可参见现有技术中的相关内容,本文不作限定。
除了贝叶斯网络模型外,本实施例还可采用支持向量机和神经网络等模型进行训练得到故障诊断模型。
同样的,本实施例提供的所述方案还可提供一个可对诊断结果进行人工标记的接口,这样便可将该诊断结果以及该诊断结果所基于的事件特征作为训练样本,以进一步训练所述故障诊断模型。即本实施例提供的所述方案还包括如下步骤:
112、将对所述轨道交通运输系统进行故障诊断得到的诊断结果发送至客户端;
113、在接收到用户通过所述客户端反馈的针对所述诊断结果的正确标记或错误标记后,将所述诊断结果对应的正确标记或错误标记,以及所述至少一个事件的事件特征作为样本数据,用于训练所述故障诊断模型。
系统故障过程包括3个阶段:故障根因出现、系统行为异常和系统运行故障。故障根因导致系统行为出现异常,进而引发系统故障。故障根因、异常和故障在软件系统故障过程中依次出现,具有时序和因果关系。故障诊断的目的是在系统行为异常阶段,检测系统表征的异常信息;预测未来可能发生的故障,诊断引发故障的根本原因。因此,故障诊断包括3个任务:异常检测、故障根因诊断和故障预测。即本实施例提供的所述方法中步骤S32中故障诊断模型输出的诊断结果可包括但不限于如下中的至少部分内容:所述轨道交通运输系统存在异常时的异常根因、所述轨道交通运输系统存在异常致使未来时段内出现故障的概率、所述轨道交通运输系统故障时的故障根因。
本实施例提供的技术方案中,从轨道交通运输系统产生的数据中提取特征信息,以基于从不同时间产生的数据中提取出的特征信息确定特征序列;然后根据特征序列确定至少一个事件的事件特征,利用至少一个事件的事件特征对轨道交通运输系统进行故障诊断,符合人进行故障诊断的思维逻辑,从事件的整体角度来考量,诊断结果更准确,可实现故障提前预警,指导定向检修,从而降低故障率,减少轨道交通停车导致的延误等等。
本实施例中的轨道交通运输系统可以是SACEM系统(轨道交通信号系统),比如地铁的SACEM系统。简单总结一下,本实施例提供的方法首先基于事件提取模型从特征序列中抽取出至少一个事件对应的事件特征,而后基于至少一个事件的事件特征对故障概率、故障类型、故障根因进行诊断。其中,特征序列是根据轨道交通运输系统实时产生的数据(如日志信息)确定的。
现有技术中一般是列车发生故障后,专家手工观察SACEM系统的日志信息,基于人工的经验判断故障类型。由于SACEM系统日志数量大,采用手工观察的方式诊断故障耗时长,不能快速定位故障原因;此外,专家的经验不同,可能出现误判,导致故障复发。还有,现有技术是事后诊断故障,不能实时进行故障预警。相较现有技术,采用本实施例提供的技术方案,可自动处理大量的日志信息,不需占用大量的人力资源,且不受专家经验的影响;除此之外,还可及时做出故障诊断,以便及时或提前做好预防措施,以降低故障率。
如上文所述本实施例中步骤101中在特征信息提取时可利用特征字典来实现。具体的,在一可实现的技术方案中,步骤“从轨道交通运输系统产生的数据中,提取特征信息”,可包括:
1011、获取特征字典;
1012、利用特征匹配算法,将所述数据与所述特征字典中的字典项进行匹配;
1013、按照所述数据匹配到的字典项,确定所述特征信息。
其中,上述字典项可包括上文中提及的映射模板。
上文中提及了系统产生的数据包括日志信息及监测数据。而在故障诊断时,日志信息相较监测数据更具优势。基于监测数据的故障诊断只能定位到某一个具体监测指标出现异常波动,而基于日志信息的故障诊断技术可以定位到特定的出错日志及事件。另外,日志信息可以更细粒度的反映出整个系统的运行轨迹,通过对日志信息进行处理可准确定位到故障位置。因此,本实施例中上述步骤101中提取特征信息的数据为日志信息。即所述轨道交通运输系统产生的数据包括日志信息;所述特征字典包括日志模板集(同上文中提及的映射模板),所述特征匹配算法为模板匹配算法。相应的,上述步骤1012“利用特征匹配算法,将所述数据与所述特征字典中的字典项进行匹配,按照所述数据匹配到的字典项,确定所述特征信息”,包括:
S41、利用所述模板匹配算法,将所述日志信息与所述日志模板集中的日志模板进行匹配;
S42、获取目标日志模板对应的模板标识,其中,所述目标日志模板与所述日志信息中的常量匹配;
S43、基于所述目标日志模板,确定所述日志信息中的变量;
S44、从所述日志信息的变量中,提取日志特征;
S45、根据所述目标日志模板对应的模板标识及所述日志特征,得到所述特征信息。
上述特征字典可基于历史数据来构建。即通过挖掘和选择系统历史时段产生的历史数据的特征信息,来构建所述特征字典。即本实施例提供的所述方案还包括:
114、获取所述轨道交通运输系统历史时段产生的历史数据;
115、基于所述历史数据,构建所述特征字典。
具体的,上述历史数据可以是系统的历史日志信息。一般的,日志信息包括常量和变量。常量(可理解为信息框架)概括了日志信息对应的事件以及类似日志信息对应的事件。变量,即在信息框架内随系统运行实时情况变化而变化的数据。
因此,在基于历史日志信息构建特征字典时,可先识别历史日志信息的常量,然后基于识别出的常量信息,构建所述特征字典。
当然在基于所述历史日志信息构建特征字典之前,还可对历史日志信息进行预处理,比如过滤掉重复的日志信息。例如,当一条历史日志所描述的信息完全包含在另一条历史日志中时,则可判定这两条历史日志是相同的,可以删除其中一条。而如果两条历史日志所描述的信息大致相同,只存在可忽略的较少差异,则判定两条历史日志是相似的,可把它们合并为一条记录。
进一步的,在具体实施时,本实施例提供的方案还可在特征字典中添加与字典项关联的运行状态信息。即,本实施例提供的所述方法还可包括如下步骤:
116、获取所述轨道交通运输系统在历史时段内的历史运行状态信息;
117、确定所述历史数据与所述历史运行状态信息间的关联关系;
118、根据所述历史数据、所述历史运行状态信息及两者间的所述关联关系,确定特征字典中字典项关联的运行状态信息。
其中,历史运行状态信息可包括:正常状态、故障状态;在故障状态时,还可包括故障症状、故障根因等。
当然,在一具体实施方案中,上述步骤116可仅获取轨道交通运输系统的历史故障信息。该历史故障信息可包括但不限于:故障症状、故障根因等。即获取到的所述历史运行状态信息包括历史故障信息;相应的,上述步骤118“根据所述历史数据、所述历史运行状态信息及两者间的所述关联关系,确定特征字典中字典项关联的运行状态信息”,可包括:
1181、根据所述历史数据、所述历史故障信息及两者间的关联关系,确定出所述历史数据中与历史故障信息相关的数据;
1182、基于所述历史数据中与历史故障信息相关的数据,确定故障特征字典;
1183、将所述故障特征字典中的字典项与对应的历史故障信息关联;
其中,所述故障信息包括:故障症状、故障根因。
为了提高特征字典的准确性,本实施例还可提供一个客户端接口,以便于用户(或是领域专家)根据所述客户端来调整特征字典中的字典项。具体的,本实施例提供的所述方法还可包括如下步骤:
119、将所述故障特征字典及故障特征字典中字典项关联的历史故障信息发送至客户端,以便用户通过所述客户端对所述故障特征字典和/或故障特征字典中字典项关联的历史故障信息进行审核确认或修改。
参见图2,总结本实施例提供的技术方案可简述为如下两部分:
第一部分训练部分
收集历史数据(即数据沉淀过程);比如利用特征构建及选择算法对历史数据进行处理,得到特征字典。该特征字典中包含有字典项以及与字典项关联的系统运行状态信息(如故障信息)。基于特征字典生成训练样本,利用训练样本对待训练模型进行训练,得到故障诊断模型。
图2中示出了选用贝叶斯网络模型的实例。基于训练样本,并采用贝叶斯网络结构学习算法,先训练得到贝叶斯网络结构;然后,在采用贝叶斯网络参数学习算法,训练贝叶斯网络结构中的参数,进而得到故障诊断模型。
此外,本实施例提供的方案在三个阶段提供了用户参与的接口,如图2所示,利用特征构建及选择算法构建特征字典阶段,用户可通过相应接口查看到特征字典,并能依据经验等在特征字典存在错误时,对特征字典进行调整,或是对特征构建及选择算法进行优化,以提高后续特征字典中字典项生成的准确性。在贝叶斯网络结构学习阶段,用户可通过相应接口参与对贝叶斯网络结构的确认与调整,或是对贝叶斯网络结构学习算法的调整。在贝叶斯网络参数学习阶段,用户也可通过相应接口参与贝叶斯网络参数的确认与调整,或是对贝叶斯网络参数学习算法的调整。
第二部分诊断过程
获取系统实时产生的数据流,即系统生成的按时间顺序排列的一组数据。然后,基于特征字典,采用特征匹配算法,从数据中提取特征信息,并按照时间顺序排序得到特征序列。随后,采用事件提取模型,从所述特征序列中抽取出特征序列段,作为单次事件的事件特征。最后,将事件特征作为故障诊断模型的输入,执行该故障诊断模型得到故障诊断结果。
参见图2中所示,本实施例提供的方案还为用户提供了可对事件提取模型进行调整的接口。用户可通过相应接口查看抽取出的特征序列片段,然后根据经验等对事件提取模型中的参数进行调整,以提高事件提取模型的计算精度。
得到的故障诊断结果可发送给用户对应的客户端,用户可通过客户端对故障诊断结果进行确认,如打标签,正确or错误。经打标签确认的故障诊断结果及事件特征可作为新的训练数据,以对故障诊断模型进行定期或不定期的训练优化。
上述实施例提供了一种轨道交通运输系统中的数据处理方法。实质上,上述实施例提供的技术方案的发明构思,即获取系统实时产生的数据(如日志信息),提取特征信息;确定特征序列;然后基于特征序列中包含的具有时间连续性的特征信息,对系统进行故障诊断;可应用于如下多种场景:公路交通系统、航空运输系统、海上运输系统等。当然,上述实施例提供的技术方案的发明构思,还可应用于智能加工系统中。相应的,图3示出了本申请一实施例提供的载具运行系统中的数据处理方法的流程示意图。其中,所述载具运行系统包括至少一个载具、用以辅助所述至少一个载具运行的至少一个工作设备。在不同应用场景下,载具的具体实现不同。所述载具运行系统为交通运输系统时,对应系统中的载具为交通工具;其中,所述交通工具为如下中的任意一种:机动车、电动车、物流配送车、飞行器、船等等。所述载具运行系统为物料分拣系统时,对应系统中的载具为分拣机器人或分拣车等等。所述载具运行系统为智能加工系统时,对应系统中的载具为加工设备、机器人、机械手臂等等。
上述至少一个工作设备可设置在载具上,或独立设置并与载具通信连接,又或者部分设置载具上,部分设置在载具外部并与载具通信连接。工作设备可包括但不限于:各类用于监测载具运行参数的传感器(如激光雷达、摄像头、陀螺仪等)、存储有相应控制程序或指令的存储介质、执行控制程序或指令的单片机或处理器、以及其他执行元件(如继电器、调制解调器等等)等。
参见图3所示,所述载具运行系统中的数据处理方法包括:
201、获取所述载具运行系统中至少一个工作设备产生的数据;
202、从所述数据中,提取特征信息;
203、确定特征序列,其中,所述特征序列中包含有从不同时间产生的所述数据中提取出的特征信息,并按时间顺序排列;
204、基于所述特征序列,对所述载具运行系统进行故障诊断。
上述201中,至少一个工作设备产生的数据产生的数据可包含有日志信息。
上述步骤204“基于所述特征序列,对所述载具运行系统进行故障诊断”可具体包括:
2041、基于所述特征序列,确定至少一个事件的事件特征;
2042、根据所述至少一个事件的事件特征,对所述载具运行系统进行故障诊断。
上述步骤202~204,以及2041~2042的具体实现,可参见上述实施例中的相应内容,此处不作赘述。
图4示出了本申请一实施例还提供了一种数据处理方法的流程示意图。本实施例中不限定系统的类型,可以是上述实施例提及的系统,还可以是CDN网络(内容分发网络)系统、交换机系统、智能制造系统等等。如图4所示,所述数据处理方法包括:
301、从系统的日志信息中,提取特征信息;
302、确定特征序列,其中,所述特征序列中包含有从不同时间产生的所述日志信息中提取出的特征信息,并按时间顺序排列;
303、基于所述特征序列,确定至少一个事件的事件特征;
304、根据所述至少一个事件的事件特征,对所述系统进行故障诊断。
上述步骤301~304的具体实现可参见上述各实施例中的相应内容。
从另一角度来描述,上述步骤301“从系统的日志信息中,提取特征信息”,可包括:
3021、将所述日志信息映射到日志模板集中的一目标日志模板上;
3022、基于所述目标日志模板,确定所述日志信息中的变量;
3023、从所述日志信息的变量中,提取日志特征;
3024、根据所述目标日志模板对应的模板标识及所述日志特征,得到所述特征信息。
只有对系统日志信息做合理地处理,才能把关键特征有效的提取出来。一般,对系统日志信息处理的方式是从历史系统日志信息中提取映射模板,然后,将日志信息映射到相应的映射模板上。当系统发生软件或硬件升级时,会产生新的类型的日志信息,所以需要产生新的映射模板。
即本实施例提供的所述方法还可包括如下步骤:
305、若所述日志信息无法映射到所述日志模板集中的任一日志模板上,则基于所述日志信息,确定一对应的日志模板;
306、将基于所述日志信息确定出的日志模板添加至所述日志模板集,以更新所述日志模板集。
上述步骤305中,采用系统日志学习方法或算法,可从系统日志信息中自动学习映射模板。这些映射模板之后被用于从日志信息中提取特征。另外,由于不同映射模板的数量远小于不同日志信息的数量,因此将日志信息映射到对应的映射模板后,后续特征提取的开销较低。
这里需要说明的是:本实施例中的日志模板集可包含在上述实施例中的特征字典中。
本实施例提供的方案还可提供一客户端接口,用户(或领域专家)可通过该客户端来完善或修改日志模板集。具体的,本实施例提供的所述方法还可包括如下步骤:
307、将基于所述日志信息确定出的日志模板发送至客户端;
308、在所述客户端反馈针对所述日志模板的确认信息的情况下,触发将基于所述日志信息确定出的日志模板添加至所述日志模板集的步骤;
309、在所述客户端反馈针对所述日志模板的修改信息的情况下,按照所述修改信息修改所述日志模板,以将修改后的所述日志模板添加至所述日志模板集。
进一步的,本实施例所述方法中步骤303“基于所述特征序列,确定至少一个事件的事件特征”可具体包括:
利用事件提取模型,确定所述特征序列中属于同一事件的起始特征信息及结束特征信息,并从所述特征序列中将所述起始特征信息、所述结束特征信息以及所述起始特征信息与所述结束特征信息间的特征序列段抽取出来;
将抽取结果作为所述一次事件的事件特征。
当然,事件提取模型也可一次性从特征序列中提取出不止一个事件的事件特征,本实施例对此不作限定。
同样的,本实施例提供的方案还提供了一个客户端接口,用户(或领域专家)通过客户端对事件提取模型进行调整。即本实施例提供的所述方法还可包括如下步骤:
310、接收到所述客户端基于抽取结果反馈的针对所述事件提取模型的调整信息后,根据所述调整信息对所述事件提取模型中参数进行调整。
进一步的,本实施例提供的方法中步骤304“根据所述至少一个事件的事件特征,对所述系统进行故障诊断”,包括:
3041、获取故障诊断模型;
3042、将所述至少一个事件的事件特征作为所述故障诊断模型的输入,执行所述故障诊断模型输出诊断结果。
具体的,所述故障诊断模型为经结构训练和参数训练的贝叶斯网络模型。
除了贝叶斯网络模型外,本实施例还可采用支持向量机和神经网络等模型进行训练得到故障诊断模型。
上述各实施例中提及了利用故障诊断模型对系统进行故障诊断。其中故障诊断模型可通过训练(或自学习)的方式得到。下面将提供一故障诊断模型确定方案。具体的,如图5所示的本申请一实施例提供的数据处理方法的流程示意图。如图5所示,所述方法包括:
401、获取轨道交通运输系统历史时段产生的历史数据及历史运行状态信息;
402、从所述历史数据中提取特征信息;
403、确定所述历史数据的特征信息与所述历史运行状态信息间的关联关系;
404、根据所述历史数据的特征信息、所述历史运行状态信息及两者间的关联关系,确定训练样本;
405、利用所述训练样本,对待训练模型进行训练,得到故障诊断模型;
其中,所述故障诊断模型用于根据至少一个事件的事件特征对所述轨道交通运输系统进行故障诊断;所述至少一个事件的事件特征是基于所述轨道交通运输系统产生的数据对应的特征序列确定出的。
本实施例提供的所述方案还可包括如下步骤:
406、根据多个历史数据,构建特征字典;
其中,所述特征字典为从数据中提取特征信息提供支持,即利用特征匹配算法,将所述数据与所述特征字典中的字典项进行匹配,以按照所述数据匹配到的字典项,确定所述数据的特征信息。
进一步的,所述历史运行状态信息包括历史故障信息。相应的,上述步骤404“根据所述历史数据的特征信息、所述历史运行状态信息及两者间的关联关系,确定训练样本”,包括:
4041、根据所述历史数据的特征信息、所述历史故障信息及两者间的关联关系,确定与所述历史故障信息相关的特征信息;
4042、将与所述历史故障信息相关的特征信息及所述历史故障信息作为训练样本;
其中,所述历史故障信息包括故障症状、故障根因。
在一具体实现方案中,本实施例提供的所述方法中步骤405“利用所述训练样本,对待训练模型进行训练,得到故障诊断模型”可具体为:
利用多个所述训练样本,对贝叶斯网络模型进行网络结构训练及参数训练,以得到所述故障诊断模型。
对故障诊断模型的训练可以是不定期触发,也可周期性的触发,以利用不断更新的训练样本对故障诊断模型进行训练,以不断优化故障诊断模型。
图6示出了本申请另一实施例提供的故障诊断模型的确定方案,具体的,本实施例提供一种数据处理方法,包括:
501、获取系统历史时段产生的历史日志信息及历史运行状态信息;
502、从所述历史日志信息中,提取特征信息;
503、确定所述历史日志信息的特征信息与所述历史运行状态信息间的关联关系;
504、根据所述历史日志信息的特征信息、所述历史运行状态信息及两者间的所述关联关系,确定训练样本;
505、利用所述训练样本,对待训练模型进行训练,得到故障诊断模型;
其中,所述故障诊断模型用于根据至少一个事件的事件特征对所述系统进行故障诊断;所述至少一个事件的事件特征是基于所述系统产生的日志信息对应的特征序列确定出的。
进一步的,本实施例提供的所述方法还可包括如下步骤:
506、根据多个历史日志信息的特征信息,构建日志模板集;
其中,所述日志模板集为从日志信息中提取特征信息提供支持,即通过将日志信息映射到日志模板集中的一个目标日志模板上,利用所述目标日志模板提取日志特征,根据所述目标日志模板对应的模板标识及所述日志特征,确定所述日志信息的特征信息。
在一具体实施方案中,所述历史运行状态信息包括历史故障信息。相应的,本实施例中步骤504“根据所述历史日志信息的特征信息、所述历史运行状态信息及两者间的关联关系,确定训练样本”,可包括:
5041、根据所述历史日志信息的特征信息、所述历史故障信息及两者间的关联关系,确定与所述历史故障信息相关的特征信息;
5042、将与所述历史故障信息相关的特征信息及所述历史故障信息作为训练样本;
其中,所述历史故障信息包括故障症状、故障根因。
进一步的,本实施例方法中步骤505“利用所述训练样本,对待训练模型进行训练,得到故障诊断模型”可包括:
利用多个所述训练样本,对贝叶斯网络模型进行网络结构训练及参数训练,以得到所述故障诊断模型。
同样的,对故障诊断模型的训练可以是不定期触发,也可周期性的触发,以利用不断更新的训练样本对故障诊断模型进行训练,以不断优化故障诊断模型。
上述各实施例提供的方法的执行主体可以是系统中的故障诊断设备,该故障诊断设备可以是部署在系统中的独立设备,也可以是部署在系统中某一工作设备中,还可以是部署在网络侧的服务端设备上,本实施例对此不作具体限定。相应的,本申请还提供一种应用上述各实施例方法的系统。
图7示出了一种轨道交通运输系统的结构示意图。如图7所示,所述系统包括:至少一个轨道车辆14、至少一个工作设备11、故障诊断设备12及输出设备13。其中,
至少一个工作设备11,用于辅助所述至少一个轨道车辆14行进;
故障诊断设备12,用于获取所述轨道交通运输系统产生的数据,从所述数据中提取特征信息;确定特征序列,其中,所述特征序列中包含有从不同时间产生的所述数据中提取出的特征信息,并按时间顺序排列;基于所述特征序列,对所述轨道交通运输系统进行故障诊断;
输出设备13,用于输出对所述轨道交通运输系统进行故障诊断的诊断结果。
其中,所述至少一个工作设备可包括但不限于:部署在轨道车辆上的设备、部署在站或轨道侧的设备。部署在轨道车辆上的设备可包括但不限于:加速度计、通信设备、速度控制器、车辆门控设备(如门感应传感器、开关门执行设备等)等等。部署在站或轨道侧的设备可包括但不限于:AP(接入点)设备、通信设备、电缆等等。
所述输出设备13可以是与故障诊断设备连接的显示设备。比如,部署在地铁或高铁总控室内的大屏幕等。
载具运行系统也可采用本申请提供的技术方案。即本申请还提供一个实施例一种载具运行系统,说明书附图中未示出相应的图示,其与上述图7类似,将图7中标号14指向的图示替换为如:车辆、AGV小车、无人机、飞机、轮船等等对应的图像即可。具体的,载具运行系统包括:至少一个载具、至少一个工作设备、故障诊断设备及输出设备。其中,
至少一个载具;
至少一个工作设备,用于辅助所述至少一个载具运行;
故障诊断设备,用于获取所述载具运行系统中所述至少一个工作设备产生的数据;从所述数据中,提取特征信息;确定特征序列,其中,所述特征序列中包含有从不同时间产生的所述数据中提取出的特征信息,并按时间顺序排列;基于所述特征序列,对所述载具运行系统进行故障诊断;
输出设备,用于输出对所述载具运行系统进行故障诊断的诊断结果。
除了轨道交通运输系统可采用上述各实施例提供的技术方案外,其他系统,如网络设备构成的通信系统、智能制造系统(如流水线设备构成的制造系统)等等。即本申请还一实施例提供一种数据处理系统。该数据处理系统包括:至少一个工作设备、故障诊断设备及输出设备。其中,
至少一个工作设备,用于产生日志信息;
故障诊断设备,用于获取所述至少一个工作设备产生的日志信息;从日志信息中提取特征信息;确定特征序列,其中,所述特征序列中包含有从不同时间产生的所述日志信息中提取出的特征信息,并按时间顺序排列;基于所述特征序列,确定至少一个事件的事件特征;根据所述至少一个事件的事件特征,对所述系统进行故障诊断;
输出设备,用于输出对所述系统进行故障诊断的诊断结果。
在不同形式的系统中,上述工作设备的具体实现会不同。比如,在智能制造系统中,工作设备可是制造设备(如数控加工设备、机械手臂等)。在网络设备构成的通信系统中,工作设备可以是交换机、路由器、服务器等等。
这里需要补充的是:上述各系统实施例中故障诊断设备除可实现各自实施例中所述的功能步骤外,还可实现上述各方法实施例中的其他功能步骤,具体内容可参见上文中的描述,此处不作赘述。
图8示出了本申请一实施例提供的轨道交通运输系统中的数据处理装置的结构示意图。如图8所示,所示装置包括:提取模块21、确定模块22及诊断模块23。其中,提取模块21用于从轨道交通运输系统产生的数据中,提取特征信息。确定模块22用于确定特征序列,其中,所述特征序列中包含有从不同时间产生的所述数据中提取出的特征信息,并按时间顺序排列。诊断模块23用于根据所述特征序列,对所述轨道交通运输系统进行故障诊断。
进一步的,所述提取模块21在从轨道交通运输系统产生的数据中,提取特征信息时,具体用于:
获取特征字典;利用特征匹配算法,将所述数据与所述特征字典中的字典项进行匹配;按照所述数据匹配到的字典项,确定所述特征信息。
进一步的,所述轨道交通运输系统产生的数据包括日志信息;所述特征字典包括日志模板集,所述特征匹配算法为模板匹配算法。相应的,所述提取模块21在利用特征匹配算法,将所述数据与所述特征字典中的字典项进行匹配,按照所述数据匹配到的字典项,确定所述特征信息时,具体用于:
利用所述模板匹配算法,将所述日志信息与所述日志模板集中的日志模板进行匹配;
获取目标日志模板对应的模板标识,其中,所述目标日志模板与所述日志信息中的常量匹配;
基于所述目标日志模板,确定所述日志信息中的变量;
从所述日志信息的变量中,提取日志特征;
根据所述目标日志模板对应的模板标识及所述日志特征,得到所述特征信息。
进一步的,本实施例提供的所述装置还可包括获取模块及构建模块。其中,获取模块用于获取所述轨道交通运输系统历史时段产生的历史数据。所述构建模块用于基于所述历史数据,构建所述特征字典。
进一步的,所述获取模块还用于获取所述轨道交通运输系统在历史时段内的历史运行状态信息。所述确定模块还用于确定所述历史数据与所述历史运行状态信息间的关联关系;根据所述历史数据、所述历史运行状态信息及两者间的关联关系,确定特征字典中字典项关联的运行状态信息。
进一步的,获取到的所述历史运行状态信息包括历史故障信息。相应的,所述确定模块22在根据所述历史数据、所述历史运行状态信息及两者间的关联关系,确定特征字典中字典项关联的运行状态信息时,具体用于:
根据所述历史数据、所述历史故障信息及两者间的关联关系,确定出所述历史数据中与历史故障信息相关的数据;
基于所述历史数据中与历史故障信息相关的数据,确定故障特征字典;
将所述故障特征字典中的字典项与对应的历史故障信息关联;
其中,所述故障信息包括:故障症状、故障根因。
进一步的,本实施例提供的所述装置还包括发送模块。该发送模块用于将所述故障特征字典及故障特征字典中字典项关联的历史故障信息发送至客户端,以便用户通过所述客户端对所述故障特征字典和/或故障特征字典中字典项关联的历史故障信息进行审核确认或修改。
进一步的,所述诊断模块23在基于所述特征序列,对所述轨道交通运输系统进行故障诊断时,具体用于:
基于所述特征序列,确定至少一个事件的事件特征;
根据所述至少一个事件的事件特征,对所述轨道交通运输系统进行故障诊断。
再进一步的,所述诊断模块23在基于所述特征序列,确定至少一个事件的事件特征时,具体用于:获取所述轨道交通运输系统中轨道车辆的行驶信息;结合所述轨道车辆的行驶信息,对所述特征序列执行至少一次抽取操作,以在所述抽取操作后抽取出属于同一事件的至少一个特征信息,得到一个事件的事件特征。
或者所述诊断模块23在基于所述特征序列,确定至少一个事件的事件特征时,具体用于:获取事件提取模型;获取所述轨道交通运输系统中轨道车辆的行驶信息;将所述特征序列及所述轨道车辆的行驶信息作为所述事件提取模型的输入,执行所述事件提取模型输出至少一个事件的事件特征;
其中,所述事件提取模型是通过训练样本对待训练模型进行训练得到。
进一步的,本实施例提供的所述装置包括发送模块、接收模块及调整模块。其中,发送模块用于将输出的至少一个事件的事件特征发送至客户端。接收模块用于接收客户端发送的针对所述事件提取模型的调整信息。调整模块用于按照所述调整信息,对所述事件提取模型中的参数进行调整。
进一步的,所述诊断模块23在根据所述至少一个事件的事件特征,对所述轨道交通运输系统进行故障诊断时,具体用于:获取故障诊断模型;将所述事件特征作为所述故障诊断模型的输入,执行所述故障诊断模型输出诊断结果。
进一步的,本实施例提供的装置还包括获取模块及训练模块。其中,获取模块用于获取特征字典及所述特征字典中字典项关联的运行状态信息;基于所述特征字典及所述特征字典中字典项关联的运行状态信息,确定训练样本。所述训练模块用于利用所述训练样本,对待训练模型进行训练,得到所述故障诊断模型。
或者,本实施例提供的所述装置中包括的获取模块用于获取故障特征字典及所述故障特征字典中字典项关联的故障信息。训练模块用于根据所述故障特征字典及所述故障特征字典中字典项关联的故障信息,对贝叶斯网络模型进行网络结构训练及参数训练,以得到所述故障诊断模型。
进一步的,本实施例提供的所述装置包括发送模块及样本数据确定模块。其中,发送模块用于将对所述轨道交通运输系统进行故障诊断得到的诊断结果发送至客户端。所述样本数据确定模块用于在接收到用户通过所述客户端反馈的针对所述诊断结果的正确标记或错误标记后,将所述诊断结果对应的正确标记或错误标记,以及所述事件特征作为样本数据,用于训练所述故障诊断模型。
进一步的,本实施例中所述诊断结果包括如下中的至少部分内容:
所述轨道交通运输系统存在异常时的异常根因、所述轨道交通运输系统存在异常致使未来时段内出现故障的概率、所述轨道交通运输系统故障时的故障根因。
这里需要说明的是:上述实施例提供的数据处理装置可实现上述各方法实施例中描述的技术方案,上述各模块或单元具体实现的原理可参见上述方法实施例中的相应内容,此处不再赘述。
图9示出了本申请另一实施例提供的载具运行系统中的数据处理装置的结构示意图。如图9所示,所述载具运行系统中的数据处理装置包括:获取模块31、提取模块32、确定模块33及诊断模块34。其中,获取模块31用于获取所述载具运行系统中至少一个工作设备产生的数据。所述提取模块32用于从所述数据中,提取特征信息。所述确定模块33用于确定特征序列,其中,所述特征序列中包含有从不同时间产生的所述数据中提取出的特征信息,并按时间顺序排列。所述诊断模块34用于基于所述特征序列,对所述载具运行系统进行故障诊断。
进一步的,所述诊断模块34在基于所述特征序列,对所述载具运行系统进行故障诊断时,具体用于:基于所述特征序列,确定至少一个事件的事件特征;根据所述至少一个事件的事件特征,对所述载具运行系统进行故障诊断。
进一步的,所述载具运行系统为交通运输系统,对应系统中的载具为交通工具;其中,所述交通工具为如下中的任意一种:机动车、电动车、物流配送车、飞行器、船。或者所述载具运行系统为物料分拣系统,对应系统中的载具为分拣机器人或分拣车。或者所述载具运行系统为智能加工系统,对应系统中的载具为加工设备、机器人、机械手臂。
这里需要说明的是:上述实施例提供的载具运行系统中的数据处理装置可实现上述相应方法实施例中描述的技术方案,上述各模块或单元具体实现的原理可参见上述方法实施例中的相应内容,此处不再赘述。
本申请又一实施例提供一种数据处理装置,其结构框图同图8所示。所述数据处理装置包括:提取模块、确定模块及诊断模块。提取模块用于从系统的日志信息中,提取特征信息。确定模块用于确定特征序列,其中,所述特征序列中包含有从不同时间产生的所述日志信息中提取出的特征信息,且按时间顺序排列;基于所述特征序列,确定至少一个事件的事件特征。诊断模块用于根据所述至少一个事件的事件特征,对所述系统进行故障诊断。
进一步的,提取模块在从系统的日志信息中,提取特征信息时,具体用于:
将所述日志信息映射到日志模板集中的一目标日志模板上;基于所述目标日志模板,确定所述日志信息中的变量;从所述日志信息的变量中,提取日志特征;根据所述目标日志模板对应的模板标识及所述日志特征,得到所述特征信息。
进一步的,确定模块还用于在所述日志信息无法映射到所述日志模板集中的任一日志模板上时,基于所述日志信息,确定一对应的日志模板。相应的,本实施例提供的装置还包括添加模块。添加模块用于将基于所述日志信息确定出的日志模板添加至所述日志模板集,以更新所述日志模板集。
进一步的,本实施例提供的装置还包括发送模块及触发模块。发送模块用于将基于所述日志信息确定出的日志模板发送至客户端。触发模块用于在所述客户端反馈针对所述日志模板的确认信息的情况下,触发添加模块将基于所述日志信息确定出的日志模板添加至所述日志模板集的步骤;在所述客户端反馈针对所述日志模板的修改信息的情况下,按照所述修改信息修改所述日志模板,并触发添加模块将修改后的所述日志模板添加至所述日志模板集。
进一步的,所述确定模块在基于所述特征序列,确定至少一个事件的事件特征时,具体用于:
利用事件提取模型,确定所述特征序列中属于同一事件的起始特征信息及结束特征信息,并从所述特征序列中将所述起始特征信息、所述结束特征信息以及所述起始特征信息与所述结束特征信息间的特征序列段抽取出来;
将抽取结果作为一个事件的事件特征。
进一步的,本实施例提供的装置包括发送模块、接收模块及调整模块。其中,发送模块用于将抽取结果发送至客户端;接收模块用于接收所述客户端基于抽取结果反馈的针对所述事件提取模型的调整信息;调整模块用于在所述接收模块接收到所述调整信息后,根据所述调整信息对所述事件提取模型中参数进行调整。
进一步的,所述诊断模块在根据所述至少一个事件的事件特征,对所述系统进行故障诊断时,具体用于:
获取故障诊断模型;将所述至少一个事件的事件特征作为所述故障诊断模型的输入,执行所述故障诊断模型输出诊断结果。
具体的,所述故障诊断模型为经结构训练和参数训练的贝叶斯网络模型。
这里需要说明的是:上述实施例提供的数据处理装置可实现上述各方法实施例中描述的技术方案,上述各模块或单元具体实现的原理可参见上述方法实施例中的相应内容,此处不再赘述。
图10示出了本申请一实施例提供的数据处理装置的结构示意图。所述装置包括:获取模块41、提取模块42、确定模块43及训练模块44。其中,获取模块41用于获取轨道交通运输系统历史时段产生的历史数据及历史运行状态信息。提取模块42用于从所述历史数据中提取特征信息。确定模块43用于确定所述历史数据的特征信息与所述历史运行状态信息间的关联关系;根据所述历史数据的特征信息、所述历史运行状态信息及两者间的关联关系,确定训练样本。训练模块44用于利用所述训练样本,对待训练模型进行训练,得到故障诊断模型。其中,所述故障诊断模型用于根据至少一个事件的事件特征对所述轨道交通运输系统进行故障诊断;所述至少一个事件的事件特征是基于所述轨道交通运输系统产生的数据对应的特征序列确定出的。
进一步的,本实施例提供的装置还包括构建模块。所述构建模块用于根据多个历史数据,构建特征字典。其中,所述特征字典为从数据中提取特征信息提供支持,即利用特征匹配算法,将所述数据与所述特征字典中的字典项进行匹配,以按照所述数据匹配到的字典项,确定所述数据的特征信息。
进一步的,所述历史运行状态信息包括历史故障信息。对应的,确定模块在根据所述历史数据的特征信息、所述历史运行状态信息及两者间的关联关系,确定训练样本时,具体用于:
根据所述历史数据的特征信息、所述历史故障信息及两者间的关联关系,确定与所述历史故障信息相关的特征信息;
将与所述历史故障信息相关的特征信息及所述历史故障信息作为训练样本;
其中,所述历史故障信息包括故障症状、故障根因。
进一步的,训练模块44在利用所述训练样本,对待训练模型进行训练,得到故障诊断模型时,具体用于:利用所述训练样本,对贝叶斯网络模型进行网络结构训练及参数训练,以得到所述故障诊断模型。
这里需要说明的是:上述实施例提供的数据处理装置可实现上述各方法实施例中描述的技术方案,上述各模块或单元具体实现的原理可参见上述方法实施例中的相应内容,此处不再赘述。
本申请还一实施例提供一种数据处理装置,结构同上图10。具体的,所述数据处理装置包括:获取模块、提取模块、确定模块及训练模块。其中,获取模块用于获取系统历史时段产生的历史日志信息及历史运行状态信息。提取模块用于从所述历史日志信息中,提取特征信息。确定模块用于确定所述历史日志信息的特征信息与所述历史运行状态信息间的关联关系;根据所述历史日志信息的特征信息、所述历史运行状态信息及两者间的关联关系,确定训练样本。训练模块用于利用所述训练样本,对待训练模型进行训练,得到故障诊断模型。其中,所述故障诊断模型用于根据至少一个事件的事件特征对所述系统进行故障诊断;所述至少一个事件的事件特征是基于所述系统产生的日志信息对应的特征序列确定出的。
进一步的,本实施例提供的数据处理装置还包括构建模块。构建模块用于根据多个历史日志信息的特征信息,构建日志模板集。其中,所述日志模板集为从日志信息中提取特征信息提供支持,即通过将日志信息映射到日志模板集中的一个目标日志模板上,利用所述目标日志模板提取日志特征,根据所述目标日志模板对应的模板标识及所述日志特征,确定所述日志信息的特征信息。
进一步的,所述历史运行状态信息包括历史故障信息。对应的,确定模块在根据所述历史日志信息的特征信息、所述历史运行状态信息及两者间的关联关系,确定训练样本时,具体用于:
根据所述历史日志信息的特征信息、所述历史故障信息及两者间的关联关系,确定与所述历史故障信息相关的特征信息;
将与所述历史故障信息相关的特征信息及所述历史故障信息作为训练样本;
其中,所述历史故障信息包括故障症状、故障根因。
进一步的,训练模块在利用所述训练样本,对待训练模型进行训练,得到故障诊断模型时,具体用于:
利用多个所述训练样本,对贝叶斯网络模型进行网络结构训练及参数训练,以得到所述故障诊断模型。
这里需要说明的是:上述实施例提供的数据处理装置可实现上述各方法实施例中描述的技术方案,上述各模块或单元具体实现的原理可参见上述方法实施例中的相应内容,此处不再赘述。
图11示出了本申请一实施例提供的电子设备的结构示意图。如图11所示,所述电子设备包括存储器51和处理器52。其中,存储器51可被配置为存储其它各种数据以支持在电子设备上的操作。这些数据的示例包括用于在电子设备上操作的任何应用程序或方法的指令。存储器51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,如静态随机存取存储器(SRAM),电可擦除可编程只读存储器(EEPROM),可擦除可编程只读存储器(EPROM),可编程只读存储器(PROM),只读存储器(ROM),磁存储器,快闪存储器,磁盘或光盘。
所述存储器51,用于存储程序;
所述处理器52,与所述存储器51耦合,用于执行所述存储器51中存储的所述程序,以用于:
从轨道交通运输系统产生的数据中,提取特征信息;
确定特征序列,其中,所述特征序列中包含有从不同时间产生的所述数据中提取出的特征信息,并按时间顺序排列;
基于所述特征序列,对所述轨道交通运输系统进行故障诊断。
其中,处理器52在执行存储器51中的程序时,除了上面的功能之外,还可实现其它功能,具体可参见前面相应方法实施例的描述。
进一步,如图11所示,电子设备还包括:通信组件53、显示器54、电源组件55、音频组件56等其它组件。图11中仅示意性给出部分组件,并不意味着电子设备只包括图11所示组件。
本申请另一实施例提供的电子设备,结构同上图11。具体的,电子设备包括存储器和处理器,其中,
所述存储器,用于存储程序;
所述处理器,与所述存储器耦合,用于执行所述存储器中存储的所述程序,以用于:
获取载具运行系统中至少一个工作设备产生的数据;
从所述数据中,提取特征信息;
确定特征序列,其中,所述特征序列中包含有从不同时间产生的所述数据中提取出的特征信息,并按时间顺序排列;
基于所述特征序列,对所述载具运行系统进行故障诊断。
同样的,处理器在执行存储器中的程序时,除了上面的功能之外,还可实现其它功能,具体可参见前面相应方法实施例的描述。
本申请又一实施例提供的电子设备,结构同上图11。具体的,电子设备包括存储器和处理器,其中,
所述存储器,用于存储程序;
所述处理器,与所述存储器耦合,用于执行所述存储器中存储的所述程序,以用于:
从系统的日志信息中,提取特征信息;
确定特征序列,其中,所述特征序列中包含有从不同时间产生的所述日志信息中提取出的特征信息,且按时间顺序排列;
基于所述特征序列,确定至少一个事件的事件特征;
根据所述至少一个事件的事件特征,对所述系统进行故障诊断。
同样的,处理器在执行存储器中的程序时,除了上面的功能之外,还可实现其它功能,具体可参见前面相应方法实施例的描述。
本申请又一实施例提供的电子设备,结构同上图。具体的,电子设备包括存储器和处理器,其中,
所述存储器,用于存储程序;
所述处理器,与所述存储器耦合,用于执行所述存储器中存储的所述程序,以用于:
获取轨道交通运输系统历史时段产生的历史数据及历史运行状态信息;
从所述历史数据中提取特征信息;
确定所述历史数据的特征信息与所述历史运行状态信息间的关联关系;
根据所述历史数据的特征信息、所述历史运行状态信息及两者间的关联关系,确定训练样本;
利用所述训练样本,对待训练模型进行训练,得到故障诊断模型;
其中,所述故障诊断模型用于根据至少一个事件的事件特征对所述轨道交通运输系统进行故障诊断;所述至少一个事件的事件特征是基于所述轨道交通运输系统产生的数据对应的特征序列确定出的。
同样的,处理器在执行存储器中的程序时,除了上面的功能之外,还可实现其它功能,具体可参见前面相应方法实施例的描述。
本申请又一实施例提供的电子设备,结构同上图。具体的,电子设备包括存储器和处理器,其中,
所述存储器,用于存储程序;
所述处理器,与所述存储器耦合,用于执行所述存储器中存储的所述程序,以用于:
获取系统历史时段产生的历史日志信息及历史运行状态信息;
从所述历史日志信息中,提取特征信息;
确定所述历史日志信息的特征信息与所述历史运行状态信息间的关联关系;
根据所述历史日志信息的特征信息、所述历史运行状态信息及两者间的关联关系,确定训练样本;
利用所述训练样本,对待训练模型进行训练,得到故障诊断模型;
其中,所述故障诊断模型用于根据至少一个事件的事件特征对所述系统进行故障诊断;所述至少一个事件的事件特征是基于所述系统产生的日志信息对应的特征序列确定出的。
同样的,处理器在执行存储器中的程序时,除了上面的功能之外,还可实现其它功能,具体可参见前面相应方法实施例的描述。
相应地,本申请实施例还提供一种计算机可读存储介质,计算机可读存储介质用于存储计算机可读取的程序或指令,所述程序或指令被处理器执行时,能够实现上述各方法实施例提供的方法步骤或功能。
本申请实施例还提供一种计算机程序产品。该计算机程序产品包括计算机程序或指令。当所述计算机程序或指令被处理器执行时,能够实现上述能够实现上述各方法实施例提供的方法步骤或功能。
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申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,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申请各实施例技术方案的精神和范围。
Claims (41)
1.一种轨道交通运输系统中的数据处理方法,其特征在于,包括:
从所述轨道交通运输系统产生的数据中,提取特征信息;
确定特征序列,其中,所述特征序列中包含有从不同时间产生的所述数据中提取出的特征信息,并按时间顺序排列;
基于所述特征序列,对所述轨道交通运输系统进行故障诊断。
2.根据权利要求1所述的方法,其特征在于,从所述轨道交通运输系统产生的数据中,提取特征信息,包括:
获取特征字典;
利用特征匹配算法,将所述数据与所述特征字典中的字典项进行匹配;
按照所述数据匹配到的字典项,确定所述特征信息。
3.根据权利要求2所述的方法,其特征在于,所述轨道交通运输系统产生的数据包括日志信息;所述特征字典包括日志模板集,所述特征匹配算法为模板匹配算法;
以及利用特征匹配算法,将所述数据与所述特征字典中的字典项进行匹配,按照所述数据匹配到的字典项,确定所述特征信息,包括:
利用所述模板匹配算法,将所述日志信息与所述日志模板集中的日志模板进行匹配;
获取目标日志模板对应的模板标识,其中,所述目标日志模板与所述日志信息中的常量匹配;
基于所述目标日志模板,确定所述日志信息中的变量;
从所述日志信息的变量中,提取日志特征;
根据所述目标日志模板对应的模板标识及所述日志特征,得到所述特征信息。
4.根据权利要求2或3所述的方法,其特征在于,还包括:
获取所述轨道交通运输系统历史时段产生的历史数据;
基于所述历史数据,构建所述特征字典。
5.根据权利要求4所述的方法,其特征在于,还包括:
获取所述轨道交通运输系统在历史时段内的历史运行状态信息;
确定所述历史数据与所述历史运行状态信息间的关联关系;
根据所述历史数据、所述历史运行状态信息及两者间的所述关联关系,确定特征字典中字典项关联的运行状态信息。
6.根据权利要求5所述的方法,其特征在于,获取到的所述历史运行状态信息包括历史故障信息;以及
根据所述历史数据、所述历史运行状态信息及两者间的所述关联关系,确定特征字典中字典项关联的运行状态信息,包括:
根据所述历史数据、所述历史故障信息及两者间的所述关联关系,确定出所述历史数据中与历史故障信息相关的数据;
基于所述历史数据中与历史故障信息相关的数据,确定故障特征字典;
将所述故障特征字典中的字典项与对应的历史故障信息关联;
其中,所述故障信息包括:故障症状、故障根因。
7.根据权利要求6所述的方法,其特征在于,还包括:
将所述故障特征字典及故障特征字典中字典项关联的历史故障信息发送至客户端,以便用户通过所述客户端对所述故障特征字典和/或故障特征字典中字典项关联的历史故障信息进行审核确认或修改。
8.根据权利要求1至3中任一项所述的方法,其特征在于,基于所述特征序列,对所述轨道交通运输系统进行故障诊断,包括:
基于所述特征序列,确定至少一个事件的事件特征;
根据所述至少一个事件的事件特征,对所述轨道交通运输系统进行故障诊断。
9.根据权利要求8所述的方法,其特征在于,基于所述特征序列,确定至少一个事件的事件特征,包括:
获取所述轨道交通运输系统中轨道车辆的行驶信息;
结合所述轨道车辆的行驶信息,对所述特征序列执行至少一次抽取操作,以在所述抽取操作后抽取出属于同一事件的至少一个特征信息,得到一个事件的事件特征。
10.根据权利要求8所述的方法,其特征在于,基于所述特征序列,确定至少一个事件的事件特征,包括:
获取事件提取模型;
将所述特征序列及所述轨道交通运输系统中轨道车辆的行驶信息作为所述事件提取模型的输入,执行所述事件提取模型输出至少一个事件的事件特征;
其中,所述事件提取模型是通过训练样本对待训练模型进行训练得到。
11.根据权利要求10所述的方法,其特征在于,还包括:
将输出的至少一个事件的事件特征发送至客户端;
接收客户端发送的针对所述事件提取模型的调整信息;
按照所述调整信息,对所述事件提取模型中的参数进行调整。
12.根据权利要求8所述的方法,其特征在于,根据所述至少一个事件的事件特征,对所述轨道交通运输系统进行故障诊断,包括:
获取故障诊断模型;
将所述至少一个事件的事件特征作为所述故障诊断模型的输入,执行所述故障诊断模型输出诊断结果。
13.根据权利要求12所述的方法,其特征在于,还包括:
获取特征字典及所述特征字典中字典项关联的运行状态信息;
基于所述特征字典及所述特征字典中字典项关联的运行状态信息,确定训练样本;
利用所述训练样本,对待训练模型进行训练,得到所述故障诊断模型。
14.根据权利要求12所述的方法,其特征在于,还包括:
获取故障特征字典及所述故障特征字典中字典项关联的故障信息;
根据所述故障特征字典及所述故障特征字典中字典项关联的故障信息,对贝叶斯网络模型进行网络结构训练及参数训练,以得到所述故障诊断模型。
15.根据权利要求12所述的方法,其特征在于,所述诊断结果包括如下中的至少部分内容:
所述轨道交通运输系统存在异常时的异常根因、所述轨道交通运输系统存在异常致使未来时段内出现故障的概率、所述轨道交通运输系统故障时的故障根因。
16.根据权利要求12所述的方法,其特征在于,还包括:
将对所述轨道交通运输系统进行故障诊断得到的诊断结果发送至客户端;
在接收到用户通过所述客户端反馈的针对所述诊断结果的正确标记或错误标记后,将所述诊断结果对应的正确标记或错误标记,以及所述至少一个事件的事件特征作为样本数据,用于训练所述故障诊断模型。
17.一种载具运行系统中的数据处理方法,其特征在于,所述方法包括:
获取所述载具运行系统中至少一个工作设备产生的数据;
从所述数据中,提取特征信息;
确定特征序列,其中,所述特征序列中包含有从不同时间产生的所述数据中提取出的特征信息,并按时间顺序排列;
基于所述特征序列,对所述载具运行系统进行故障诊断。
18.根据权利要求17所述的方法,其特征在于,基于所述特征序列,对所述载具运行系统进行故障诊断,包括:
基于所述特征序列,确定至少一个事件的事件特征;
根据所述至少一个事件的事件特征,对所述载具运行系统进行故障诊断。
19.根据权利要求17或18所述的方法,其特征在于,
所述载具运行系统为交通运输系统,对应系统中的载具为交通工具;其中,所述交通工具为如下中的任意一种:机动车、电动车、物流配送车、飞行器、船;
或者
所述载具运行系统为物料分拣系统,对应系统中的载具为分拣机器人或分拣车;
或者
所述载具运行系统为智能加工系统,对应系统中的载具为加工设备、机器人、机械手臂。
20.一种数据处理方法,其特征在于,包括:
从系统的日志信息中,提取特征信息;
确定特征序列,其中,所述特征序列中包含有从不同时间产生的所述日志信息中提取出的特征信息,且按时间顺序排列;
基于所述特征序列,确定至少一个事件的事件特征;
根据所述至少一个事件的事件特征,对所述系统进行故障诊断。
21.根据权利要求20所述的方法,其特征在于,从系统的日志信息中,提取特征信息,包括:
将所述日志信息映射到日志模板集中的一目标日志模板上;
基于所述目标日志模板,确定所述日志信息中的变量;
从所述日志信息的变量中,提取日志特征;
根据所述目标日志模板对应的模板标识及所述日志特征,得到所述特征信息。
22.根据权利要求21所述的方法,其特征在于,还包括:
若所述日志信息无法映射到所述日志模板集中的任一日志模板上,则基于所述日志信息,确定一对应的日志模板;
将基于所述日志信息确定出的日志模板添加至所述日志模板集,以更新所述日志模板集。
23.根据权利要求22所述的方法,其特征在于,还包括:
将基于所述日志信息确定出的日志模板发送至客户端;
在所述客户端反馈针对所述日志模板的确认信息的情况下,触发将基于所述日志信息确定出的日志模板添加至所述日志模板集的步骤;
在所述客户端反馈针对所述日志模板的修改信息的情况下,按照所述修改信息修改所述日志模板,以将修改后的所述日志模板添加至所述日志模板集。
24.根据权利要求20至23中任一项所述的方法,其特征在于,基于所述特征序列,确定至少一个事件的事件特征,包括:
利用事件提取模型,确定所述特征序列中属于同一事件的起始特征信息及结束特征信息,并从所述特征序列中将所述起始特征信息、所述结束特征信息以及所述起始特征信息与所述结束特征信息间的特征序列段抽取出来;
将抽取结果作为一个事件的事件特征。
25.根据权利要求24所述的方法,其特征在于,还包括:
将抽取结果发送至客户端;
接收到所述客户端基于抽取结果反馈的针对所述事件提取模型的调整信息后,根据所述调整信息对所述事件提取模型中参数进行调整。
26.根据权利要求20至23中任一项所述的方法,其特征在于,根据所述至少一个事件的事件特征,对所述系统进行故障诊断,包括:
获取故障诊断模型;
将所述至少一个事件的事件特征作为所述故障诊断模型的输入,执行所述故障诊断模型输出诊断结果。
27.根据权利要求26所述的方法,其特征在于,所述故障诊断模型为经结构训练和参数训练的贝叶斯网络模型。
28.一种数据处理方法,其特征在于,其特征在于,包括:
获取轨道交通运输系统历史时段产生的历史数据及历史运行状态信息;
从所述历史数据中提取特征信息;
确定所述历史数据的特征信息与所述历史运行状态信息间的关联关系;
根据所述历史数据的特征信息、所述历史运行状态信息及两者间的所述关联关系,确定训练样本;
利用所述训练样本,对待训练模型进行训练,得到故障诊断模型;
其中,所述故障诊断模型用于根据至少一个事件的事件特征对所述轨道交通运输系统进行故障诊断;所述至少一个事件的事件特征是基于所述轨道交通运输系统产生的数据对应的特征序列确定出的。
29.根据权利要求28所述的方法,其特征在于,还包括:
根据多个历史数据,构建特征字典;
其中,所述特征字典为从数据中提取特征信息提供支持,即利用特征匹配算法,将所述数据与所述特征字典中的字典项进行匹配,以按照所述数据匹配到的字典项,确定所述数据的特征信息。
30.根据权利要求28或29所述的方法,其特征在于,所述历史运行状态信息包括历史故障信息;以及
根据所述历史数据的特征信息、所述历史运行状态信息及两者间的关联关系,确定训练样本,包括:
根据所述历史数据的特征信息、所述历史故障信息及两者间的关联关系,确定与所述历史故障信息相关的特征信息;
将与所述历史故障信息相关的特征信息及所述历史故障信息作为训练样本;
其中,所述历史故障信息包括故障症状、故障根因。
31.根据权利要求30所述的方法,其特征在于,利用所述训练样本,对待训练模型进行训练,得到故障诊断模型,包括:
利用所述训练样本,对贝叶斯网络模型进行网络结构训练及参数训练,以得到所述故障诊断模型。
32.一种数据处理方法,其特征在于,包括:
获取系统历史时段产生的历史日志信息及历史运行状态信息;
从所述历史日志信息中,提取特征信息;
确定所述历史日志信息的特征信息与所述历史运行状态信息间的关联关系;
根据所述历史日志信息的特征信息、所述历史运行状态信息及两者间的所述关联关系,确定训练样本;
利用所述训练样本,对待训练模型进行训练,得到故障诊断模型;
其中,所述故障诊断模型用于根据至少一个事件的事件特征对所述系统进行故障诊断;所述至少一个事件的事件特征是基于所述系统产生的日志信息对应的特征序列确定出的。
33.根据权利要求32所述的方法,其特征在于,还包括:
根据多个历史日志信息的特征信息,构建日志模板集;
其中,所述日志模板集为从日志信息中提取特征信息提供支持,即通过将日志信息映射到日志模板集中的一个目标日志模板上,利用所述目标日志模板提取日志特征,根据所述目标日志模板对应的模板标识及所述日志特征,确定所述日志信息的特征信息。
34.根据权利要求32或33所述的方法,其特征在于,所述历史运行状态信息包括历史故障信息;以及
根据所述历史日志信息的特征信息、所述历史运行状态信息及两者间的关联关系,确定训练样本,包括:
根据所述历史日志信息的特征信息、所述历史故障信息及两者间的关联关系,确定与所述历史故障信息相关的特征信息;
将与所述历史故障信息相关的特征信息及所述历史故障信息作为训练样本;
其中,所述历史故障信息包括故障症状、故障根因。
35.根据权利要求34所述的方法,其特征在于,利用所述训练样本,对待训练模型进行训练,得到故障诊断模型,包括:
利用所述训练样本,对贝叶斯网络模型进行网络结构训练及参数训练,以得到所述故障诊断模型。
36.一种轨道交通运输系统,其特征在于,包括:
至少一个轨道车辆;
至少一个工作设备,用于辅助所述至少一个轨道车辆行进;
故障诊断设备,用于获取所述轨道交通运输系统产生的数据,从所述数据中提取特征信息;确定特征序列,其中,所述特征序列中包含有从不同时间产生的所述数据中提取出的特征信息,且按时间顺序排列;基于所述特征序列,对所述轨道交通运输系统进行故障诊断;
输出设备,用于输出对所述轨道交通运输系统进行故障诊断的诊断结果。
37.一种载具运行系统,其特征在于,包括:
至少一个载具;
至少一个工作设备,用于辅助所述至少一个载具运行;
故障诊断设备,用于获取所述载具运行系统中所述至少一个工作设备产生的数据;从所述数据中,提取特征信息;确定特征序列,其中,所述特征序列中包含有从不同时间产生的所述数据中提取出的特征信息,并按时间顺序排列;基于所述特征序列,对所述载具运行系统进行故障诊断;
输出设备,用于输出对所述载具运行系统进行故障诊断的诊断结果。
38.一种数据处理系统,其特征在于,包括:
至少一个工作设备,用于产生日志信息;
故障诊断设备,用于获取所述至少一个工作设备产生的日志信息;从日志信息中提取特征信息;确定特征序列,其中,所述特征序列中包含有从不同时间产生的所述日志信息中提取出的特征信息,且按时间顺序排列;基于所述特征序列,确定至少一个事件的事件特征;根据所述至少一个事件的事件特征,对所述系统进行故障诊断;
输出设备,用于输出对所述系统进行故障诊断的诊断结果。
39.一种电子设备,其特征在于,包括存储器和处理器,其中,
所述存储器,用于存储程序;
所述处理器,与所述存储器耦合,用于执行所述存储器中存储的所述程序,以实现上述权利要求1至16中任一项所述方法中的步骤;或者实现上述权利要求17至19中任一项所述方法中的步骤;或者实现上述权利要求20至27中任一项所述方法中的步骤;或者实现上述权利要求28至31中任一项所述方法中的步骤;或者实现上述权利要求32至35中任一项所述方法中的步骤。
40.一种计算机可读存储介质,其特征在于,用于存储计算机可读取的程序或指令,所述程序或指令被处理器执行时,能够实现上述权利要求1至16中任一项所述方法中的步骤;或者实现上述权利要求17至19中任一项所述方法中的步骤;或者实现上述权利要求20至27中任一项所述方法中的步骤;或者实现上述权利要求28至31中任一项所述方法中的步骤;或者实现上述权利要求32至35中任一项所述方法中的步骤。
41.一种计算机程序产品,包括计算机程序或指令,其特征在于,当所述计算机程序或指令被处理器执行时,能够实现上述权利要求1至16中任一项所述方法中的步骤;或者实现上述权利要求17至19中任一项所述方法中的步骤;或者实现上述权利要求20至27中任一项所述方法中的步骤;或者实现上述权利要求28至31中任一项所述方法中的步骤;或者实现上述权利要求32至35中任一项所述方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110199651.8A CN112801321A (zh) | 2021-02-22 | 2021-02-22 | 轨道交通运输及载具运行系统中的数据处理方法、系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110199651.8A CN112801321A (zh) | 2021-02-22 | 2021-02-22 | 轨道交通运输及载具运行系统中的数据处理方法、系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112801321A true CN112801321A (zh) | 2021-05-14 |
Family
ID=75815370
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110199651.8A Pending CN112801321A (zh) | 2021-02-22 | 2021-02-22 | 轨道交通运输及载具运行系统中的数据处理方法、系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112801321A (zh) |
-
2021
- 2021-02-22 CN CN202110199651.8A patent/CN112801321A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114585983B (zh) | 用于检测设备的异常运行状态的方法、装置和系统 | |
KR101713985B1 (ko) | 예지 정비 방법 및 장치 | |
US20170369190A1 (en) | Performance prediction methods and systems for maintenance of aircraft flight control surface components | |
CN109791401B (zh) | 生成用于嵌入式分析和诊断/预测推理的故障模型 | |
KR20190107080A (ko) | 클라우드 기반 차량 고장 진단 방법, 장치 및 시스템 | |
KR102235728B1 (ko) | 전동차의 전기식 출입문 고장예측 장치 | |
US20190026963A1 (en) | Fusion of aviation-related data for comprehensive aircraft system health monitoring | |
CN111199257A (zh) | 高铁行车设备故障诊断方法及装置 | |
CN113359664B (zh) | 故障诊断与维护系统、方法、设备及存储介质 | |
WO2014013226A1 (en) | Assessing performance of a system | |
CN113761728B (zh) | 基于车联网平台的机场电动特种车辆故障预警方法 | |
CN117277592B (zh) | 一种高压电路信号监测的保护切换方法 | |
Brahimi et al. | Development of a prognostics and health management system for the railway infrastructure—Review and methodology | |
CN114707401A (zh) | 信号系统设备的故障预警方法及装置 | |
KR20140036375A (ko) | 철도시스템의 지능형 고장자산관리시스템 | |
CN116205265A (zh) | 一种基于深层神经网络的电网故障诊断方法及装置 | |
Gopalakrishnan et al. | IIoT Framework Based ML Model to Improve Automobile Industry Product. | |
Ahn | Deep learning based anomaly detection for a vehicle in swarm drone system | |
EP3462266B1 (en) | Aircraft maintenance message prediction | |
CN113919207A (zh) | 上面级开放式电气智能健康监测与管理系统 | |
Azevedo et al. | Estimation of health indicators using advanced analytics for prediction of aircraft systems remaining useful lifetime | |
Poenaru-Olaru et al. | Maintaining and monitoring aiops models against concept drift | |
Soualhi et al. | Dealing with prognostics uncertainties: Combination of direct and recursive remaining useful life estimations | |
CN112286088A (zh) | 一种动力设备故障预测模型在线应用的方法及应用系统 | |
CN112801321A (zh) | 轨道交通运输及载具运行系统中的数据处理方法、系统 |
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 |