CN113467420A - 区域控制器故障检测方法及装置 - Google Patents
区域控制器故障检测方法及装置 Download PDFInfo
- Publication number
- CN113467420A CN113467420A CN202110735247.8A CN202110735247A CN113467420A CN 113467420 A CN113467420 A CN 113467420A CN 202110735247 A CN202110735247 A CN 202110735247A CN 113467420 A CN113467420 A CN 113467420A
- Authority
- CN
- China
- Prior art keywords
- variable data
- data
- key variable
- zone controller
- 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.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
- G05B23/0262—Confirmation of fault detection, e.g. extra checks to confirm that a failure has indeed occurred
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/20—Pc systems
- G05B2219/24—Pc safety
- G05B2219/24065—Real time diagnostics
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明实施例提供一种区域控制器故障检测方法及装置,该区域控制器故障检测方法包括:获取区域控制器的输入数据以及实际关键变量数据;基于数字孪生模型,对实际关键变量数据进行初步诊断,得到初步诊断结果;将输入数据输入到故障诊断模型中,输出预测关键变量数据,故障诊断模型为预先以输入样本数据为样本,以与输入样本数据对应的样本变量数据为样本标签进行训练得到;基于实际关键变量数据和预测关键变量数据,确定参考诊断结果;基于初步诊断结果和参考诊断结果,确定最终诊断结果。本发明提供的区域控制器故障检测方法及装置,能够降低人工成本,提高检测效率,降低故障的遗漏程度,提高故障诊断准确率。
Description
技术领域
本发明涉及轨道交通技术领域,尤其涉及一种区域控制器故障检测方法及装置。
背景技术
随着轨道交通的发展,基于通信的列车运行控制系统(CBTC,Communication BaseTrain Control)已在城市轨道交通中广泛应用,在CBTC中,地面信号设备的区域控制器(ZC,Zone Controller)为列车计算移动授权并进行安全防护,是实现移动闭塞的核心设备,其安全性和稳定性至关重要,但是,由于其功能复杂,在运行过程中不可避免地会存在一些潜在问题,而且是在非设计预期的特定条件下激发的一类问题,用常规的测试方法和可靠性分析方法很难发现这类问题,具有很高的隐蔽性,因此,如何对区域控制器进行故障检测,成为了需要关注的技术问题。
目前,对区域控制器进行故障检测的方案主要是由人工检测,当区域控制器发生故障之后,人工找到故障时间段的接口监测设备,导入到可视化解析工具中进行逐条分析,但是这种方案可能存在数据缺失和错误等问题,且人工分析耗时耗力,且由于潜在问题的隐蔽性,故障诊断可能存在遗漏,故障定位的准确率较低。
发明内容
本发明实施例提供一种区域控制器故障检测方法及装置,用以解决现有技术中人工分析耗时耗力,且由于潜在问题的隐蔽性,故障诊断可能存在遗漏,故障定位的准确率较低的缺陷,实现降低人工成本,提高检测效率,降低故障诊断的遗漏程度,提高故障诊断的准确率。
本发明实施例提供一种区域控制器故障检测方法,该区域控制器故障检测方法包括:获取区域控制器的输入数据以及实际关键变量数据,所述输入数据和所述实际关键变量数据均为区域控制器的监测接口输出;基于数字孪生模型,对所述实际关键变量数据进行初步诊断,得到初步诊断结果;将所述输入数据输入到故障诊断模型中,输出预测关键变量数据,所述故障诊断模型为预先以输入样本数据为样本,以与所述输入样本数据对应的样本变量数据为样本标签进行训练得到;基于所述实际关键变量数据和所述预测关键变量数据,确定参考诊断结果;基于所述初步诊断结果和所述参考诊断结果,确定最终诊断结果。
根据本发明一个实施例的区域控制器故障检测方法,所述获取输入数据以及实际关键变量数据包括:从所述区域控制器的监测接口获取原始输入数据以及原始关键变量数据;对所述原始输入数据进行预处理,得到所述输入数据,并对所述原始关键变量数据进行预处理,得到所述实际关键变量数据。
根据本发明一个实施例的区域控制器故障检测方法,所述基于所述实际关键变量数据和所述预测关键变量数据,得到参考诊断结果,包括:比较所述实际关键变量数据与所述预测关键变量数据的差异程度信息;基于所述差异程度信息,确定所述参考诊断结果。
根据本发明一个实施例的区域控制器故障检测方法,所述基于数字孪生模型,对所述实际关键变量数据进行初步诊断,得到初步诊断结果,包括:提取所述实际关键变量数据中的物理特征和功能特征;基于所述物理特征和所述功能特征以及对应的物理约束阈值和功能约束阈值,得到初步诊断结果。
根据本发明一个实施例的区域控制器故障检测方法,所述物理特征包括:温度、湿度、电压值、电流值和功耗中的至少一种;所述功能特征包括:区段占用状态检测功能特征、筛选计算功能特征、移动授权计算功能特征、列车移交功能特征和临时限速功能特征中的至少一种。
根据本发明一个实施例的区域控制器故障检测方法,所述故障诊断模型的训练过程包括:从所述输入样本数据中提取输入样本特征,所述输入样本特征包括:列车位置报告特征、计轴区段占用特征和区段锁闭特征、信号机显示特征;基于所述输入样本特征以及所述样本关键变量数据,训练所述故障诊断模型。
根据本发明一个实施例的区域控制器故障检测方法,所述区域控制器故障检测方法还包括:从区域控制器的监测接口获取报警信息;基于所述报警信息,得到所述初步诊断结果。
本发明实施例还提供一种区域控制器故障检测装置,该区域控制器故障检测装置包括:获取模块,用于获取区域控制器的输入数据以及实际关键变量数据,所述输入数据和所述实际关键变量数据均为区域控制器的监测接口输出;初步诊断模块,用于基于数字孪生模型,对所述实际关键变量数据进行初步诊断,得到初步诊断结果;输出模块,用于将所述输入数据输入到故障诊断模型中,输出预测关键变量数据,所述故障诊断模型为预先以输入样本数据为样本,以与所述输入样本数据对应的样本变量数据为样本标签进行训练得到;第一确定模块,用于基于所述实际关键变量数据和所述预测关键变量数据,确定参考诊断结果;第二确定模块,用于基于所述初步诊断结果和所述参考诊断结果,确定最终诊断结果。
本发明实施例还提供一种电子设备,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,所述处理器执行所述程序时实现如上述任一种所述区域控制器故障检测方法的步骤。
本发明实施例还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如上述任一种所述区域控制器故障检测方法的步骤。
本发明提供的区域控制器故障检测方法及装置,将数字孪生模型和机器学习算法相结合,对区域控制器的中间变量数据进行双重检测,得到诊断结果,能够降低人工成本,提高检测效率,降低故障诊断的遗漏程度,提高故障诊断的准确率。
附图说明
为了更清楚地说明本发明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是本发明实施例提供的一种区域控制器故障检测方法的流程示意图;
图2是本发明实施例提供的一种区域控制器故障检测装置的结构示意图;
图3是本发明实施例提供的一种电子设备的结构示意图。
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。
下面结合图1至图3描述本发明提供的区域控制器故障检测方法及装置。
如图1所示,本发明提供一种区域控制器故障检测方法,该区域控制器故障检测方法包括:如下步骤110至步骤150。
其中,步骤110、获取区域控制器的输入数据以及实际关键变量数据,输入数据和实际关键变量数据均为区域控制器的监测接口输出。
可以理解的是,在CBTC系统中,区域控制器是地面信号核心设备,区域控制器连接有多个外部设备,区域控制器能够接收到外部设备的输入数据,并对输入数据进行逻辑运算,得到输出数据,并将输出数据发送给对应的外部数据,在输入数据到输出数据的逻辑运算过程中,会存在中间变量,将此处监测到的该中间变量称为实际关键变量数据,如延时值、列车信息表以及区段占用状态等。
该区域控制器故障检测方法可以被故障诊断主机所执行,故障诊断主机可以为计算机或者服务器,故障诊断主机可以与区域控制器的监测接口通信连接,上述输入数据和实际关键变量数据均为区域控制器的监测接口输出到故障诊断主机上的。
步骤120、基于数字孪生模型,对实际关键变量数据进行初步诊断,得到初步诊断结果。
可以理解的是,实际关键变量数据中包含有多种反映区域控制器的工作状态的特征,其中一部分特征,可以通过数字孪生模型进行初步诊断,即可得到初步诊断结果。
数字孪生是充分利用物理模型、传感器更新以及运行历史等数据,集成多学科、多物理量、多尺度和多概率的仿真过程,在虚拟空间中完成映射,从而反映相对应的实体装备的全生命周期过程。数字孪生可以被视为一个或多个重要的和彼此依赖的装备系统的数字映射系统。
本实施例中,可以建立数字孪生模型,数字孪生模型可以由数字孪生物理子模型、数字孪生结构子模型、数字孪生规则子模型和数字孪生行为子模型组成。
可以建立数字孪生物理子模型,通过对实际关键变量数据的检测来描述区域控制器的物理特征,比如温度、湿度、电压值、电流值和功耗等;可以建立数字孪生结构子模型,通过对实际关键变量数据的检测来描述区域控制器的功能特征,比如列车注册注销管理功能特征、列车位置报告管理功能特征、区段占用状态检测功能特征、筛选计算功能特征、移动授权计算功能特征、列车移交功能特征和临时限速功能特征等。
可以在数字孪生物理子模型和数字孪生结构子模型的基础上,建立数字孪生规则子模型和数字孪生行为子模型,比如可以根据区域控制器的运行限制约束条件建立软件系统对应的数字孪生规则子模型;可以根据外部输入和内部历史状态数据系统做出的响应建立数字孪生行为子模型。
也就是说,数字孪生模型可以用来对实际关键变量数据进行初步诊断,从而得出初步诊断结果,能够判断一些简单的故障情况。
步骤130、将输入数据输入到故障诊断模型中,输出预测关键变量数据,故障诊断模型为预先以输入样本数据为样本,以与输入样本数据对应的样本变量数据为样本标签进行训练得到。
可以理解的是,除了对实际关键变量数据中的部分特征数据进行初步诊断以外,对另外一些潜在的特征数据,还需要利用故障诊断模型来进行诊断。
故障诊断模型可以是一种神经网络模型,比如可以是在卷积神经网络模型或者残差神经网络模型上搭建起来的,也就是可以将神经网络模型进行训练,得到能够实际应用的故障诊断模型。
可以利用输入样本数据和与输入样本数据所对应的样本变量数据作为样本数据集来对故障诊断模型进行训练。
输入样本数据和对应的样本变量数据可以是区域控制器的监测接口在一定的历史时间段内输出的数据,可以利用大量的输入样本数据以及对应的样本变量数据来对故障诊断模型进行训练,使得故障诊断模型更加准确。
当故障诊断模型训练完成之后,将输入数据输入到故障诊断模型中,故障诊断模型就可以输出预测关键变量数据。
预测关键变量数据是区域控制器在正常工作状态下,接收到输入数据之后,正常运算得到的中间变量数据,也就是一种理论情况下的数据形式。
步骤140、基于实际关键变量数据和预测关键变量数据,确定参考诊断结果。
可以理解的是,实际关键变量数据是区域控制器在实际运算过程中得到的中间变量数据,可以将实际关键变量数据与预测关键变量数据进行对比,这样可以发现实际关键变量数据与预测关键变量数据之间的差距,如果实际关键变量数据与预测关键变量数据之间的差距过大时,就可以认为区域控制器产生了故障。
可以预设偏差阈值,当实际关键变量数据和预测关键变量数据之间的偏差大于偏差阈值时,认为区域控制器出现了相应的故障,当实际关键变量数据和预测关键变量数据之间的偏差小于或者等于偏差阈值时,认为区域控制器正常运转,没有出现故障。
参考诊断结果就是反映区域控制器出现故障情况的数据形式,参考诊断结果有别于初步诊断结果,参考诊断结果是相对于初步诊断结果对区域控制器的更为潜在问题的描述。
步骤150、基于初步诊断结果和参考诊断结果,确定最终诊断结果。
可以理解的是,可以将初步诊断结果和参考诊断结果取并集,就可以确定最终诊断结果,这样就对区域控制器进行了一个较为完整的故障评估诊断,能够提高故障诊断的准确率和效率。
值得注意的是,由于区域控制器功能的复杂性,其不可避免的存在潜在问题,潜在问题是在特定条件下会导致期望功能被非期望地抑制或非期望功能被非期望地激发的一类问题,用常规的测试方法和可靠性分析方法很难发现这类问题,具有很高的隐蔽性。潜在问题是系统的复杂性和设计、测试人员有限把握能力之间矛盾斗争的必然结果。如果问题在被激发之前就可被有效识别,则可避免一系列灾难性后果。
针对区域控制器的故障诊断,目前的技术方案是在故障发生后,找到故障时间段的接口监测数据,人工导入到可视化解析工具中并逐条分析,但存在数据缺失和数据错误等问题,而且人工分析耗时耗力,故障定位的准确率也不高。
此处利用数字孪生技术与机器学习技术对区域控制器进行仿真建模,通过实时获取大量监测数据,进行故障预测与诊断,及时识别潜在问题,避免由潜在问题被激发带来的一系列灾难性后果。
本发明提供的区域控制器故障检测方法,将数字孪生模型和机器学习算法相结合,对区域控制器的中间变量数据进行双重检测,得到诊断结果,能够降低人工成本,提高检测效率,降低故障诊断的遗漏程度,提高故障诊断的准确率。
在一些实施例中,步骤110、获取区域控制器的输入数据以及实际关键变量数据包括:从区域控制器的监测接口获取原始输入数据以及原始关键变量数据;对原始输入数据进行预处理,得到输入数据,并对原始关键变量数据进行预处理,得到实际关键变量数据。
可以理解的是,从区域控制器的监测接口获取到原始输入数据和原始关键变量数据,对原始输入数据进行预处理,比如将原始输入数据和原始关键变量数据进行格式化处理,得到对应的输入数据和实际关键变量数据。
值得注意的是,在利用输入样本数据和对应的样本变量数据对故障诊断模型进行训练之前,同样也可以先进行预处理操作,为机器学习过程提供基础数据。
在一些实施例中,步骤120、基于数字孪生模型,对关键实际关键变量数据进行初步诊断,得到初步诊断结果,包括:提取关键实际关键变量数据中的物理特征和功能特征;基于物理特征和功能特征以及对应的物理约束阈值和功能约束阈值,得到初步诊断结果。
可以理解的是,物理约束阈值是预先设定的实际关键变量数据中的物理特征不能超越的阈值,如果对应的物理特征超过了物理约束阈值,那么区域控制器就出现了相应的物理故障,功能约束阈值是预先设定的实际关键变量数据中的功能特征不能超越的阈值,如果对应的功能特征超过了功能约束阈值,那么区域控制器就出现了相应的功能故障。
将物理特征与物理约束阈值相比较,将功能特征与功能约束阈值相比较,就能够得到初步诊断结果。
在一些实施例中,物理特征包括:温度、湿度、电压值、电流值和功耗中的至少一种;功能特征包括:区段占用状态检测功能特征、筛选计算功能特征、移动授权计算功能特征、列车移交功能特征和临时限速功能特征中的至少一种。
在一些实施例中,故障诊断模型的训练过程包括:从输入样本数据中提取输入样本特征,输入样本特征包括:列车位置报告特征、计轴区段占用特征、区段锁闭特征以及信号机显示特征;基于输入样本特征以及样本变量数据,训练故障诊断模型。
可以理解的是,可以从输入样本数据中提取反映当前数据特征的值,也就是输入样本特征,输入样本特征可以包括列车位置报告特征、计轴区段占用特征、区段锁闭特征以及信号机显示特征等,可以将设定时间段内相关事件的特征和事件原因标签构成数据集,采用机器学习的不同算法在数据集上进行训练和验证,得到故障诊断模型。
在一些实施例中,步骤140、基于实际关键变量数据和预测关键变量数据,得到参考诊断结果,包括:比较实际关键变量数据与预测关键变量数据的差异程度信息;基于差异程度信息,确定参考诊断结果。
可以理解的是,可以将实际关键变量数据与预测关键变量数据进行对比,就可以发现实际关键变量数据与预测关键变量数据之间的差距,如果实际关键变量数据与预测关键变量数据之间的差距过大时,就可以认为区域控制器产生了故障。
差异程度信息可以为实际关键变量数据和预测关键变量数据之间的偏差。
可以预设偏差阈值,当实际关键变量数据和预测关键变量数据之间的偏差大于偏差阈值时,认为区域控制器出现了相应的故障,当实际关键变量数据和预测关键变量数据之间的偏差小于或者等于偏差阈值时,认为区域控制器正常运转,没有出现故障。
在一些实施例中,区域控制器故障检测方法还包括:从区域控制器的监测接口获取报警信息;基于报警信息,得到初步诊断结果。
可以理解的是,故障检测主机除了从区域控制器的监测接口获取输入数据和实际关键变量数据之外,还可以获取报警信息,报警信息是区域控制器在运行过程中进行简单的自我诊断所生成的,比如区域控制器在过载时会出现卡顿宕机,此时区域控制器就可以生成报警信息。
故障检测主机在接收到区域控制器的报警信息后,并不需要额外运算,直接根据报警信息得到初步诊断结果。
下面对本发明实施例提供的区域控制器故障检测装置进行描述,下文描述的区域控制器故障检测装置与上文描述的区域控制器故障检测方法可相互对应参照。
如图2所示,本发明提供一种区域控制器故障检测装置,该区域控制器故障检测装置包括:获取模块210、初步诊断模块220、输出模块230、第一确定模块240和第二确定模块250。
获取模块210,用于获取区域控制器的输入数据以及实际关键变量数据,输入数据和实际关键变量数据均为区域控制器的监测接口输出。
初步诊断模块220,用于基于数字孪生模型,对实际关键变量数据进行初步诊断,得到初步诊断结果。
输出模块230,用于将输入数据输入到故障诊断模型中,输出预测关键变量数据,故障诊断模型为预先以输入样本数据为样本,以与输入样本数据对应的样本变量数据为样本标签进行训练得到。
第一确定模块240,用于基于实际关键变量数据和预测关键变量数据,确定参考诊断结果。
第二确定模块250,用于基于初步诊断结果和参考诊断结果,确定最终诊断结果。
本发明实施例提供的区域控制器故障检测装置用于执行上述区域控制器故障检测方法,其具体的实施方式与方法的实施方式一致,此处不再赘述。
图3示例了一种电子设备的实体结构示意图,如图3所示,该电子设备可以包括:处理器(processor)310、通信接口(Communications Interface)320、存储器(memory)330和通信总线340,其中,处理器310,通信接口320,存储器330通过通信总线340完成相互间的通信。处理器310可以调用存储器330中的逻辑指令,以执行区域控制器故障检测方法,该方法包括:获取区域控制器的输入数据以及实际关键变量数据,输入数据和实际关键变量数据均为区域控制器的监测接口输出;基于数字孪生模型,对实际关键变量数据进行初步诊断,得到初步诊断结果;将输入数据输入到故障诊断模型中,输出预测关键变量数据,故障诊断模型为预先以输入样本数据为样本,以与输入样本数据对应的样本变量数据为样本标签进行训练得到;基于实际关键变量数据和预测关键变量数据,确定参考诊断结果;基于初步诊断结果和参考诊断结果,确定最终诊断结果。
此外,上述的存储器330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。
另一方面,本发明实施例还提供一种计算机程序产品,所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序,所述计算机程序包括程序指令,当所述程序指令被计算机执行时,计算机能够执行上述各方法实施例所提供的区域控制器故障检测方法,该方法包括:获取区域控制器的输入数据以及实际关键变量数据,输入数据和实际关键变量数据均为区域控制器的监测接口输出;基于数字孪生模型,对实际关键变量数据进行初步诊断,得到初步诊断结果;将输入数据输入到故障诊断模型中,输出预测关键变量数据,故障诊断模型为预先以输入样本数据为样本,以与输入样本数据对应的样本变量数据为样本标签进行训练得到;基于实际关键变量数据和预测关键变量数据,确定参考诊断结果;基于初步诊断结果和参考诊断结果,确定最终诊断结果。
又一方面,本发明实施例还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现以执行上述各实施例提供的区域控制器故障检测方法,该方法包括:获取区域控制器的输入数据以及实际关键变量数据,输入数据和实际关键变量数据均为区域控制器的监测接口输出;基于数字孪生模型,对实际关键变量数据进行初步诊断,得到初步诊断结果;将输入数据输入到故障诊断模型中,输出预测关键变量数据,故障诊断模型为预先以输入样本数据为样本,以与输入样本数据对应的样本变量数据为样本标签进行训练得到;基于实际关键变量数据和预测关键变量数据,确定参考诊断结果;基于初步诊断结果和参考诊断结果,确定最终诊断结果。
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)
1.一种区域控制器故障检测方法,其特征在于,包括:
获取区域控制器的输入数据以及实际关键变量数据,所述输入数据和所述实际关键变量数据均为区域控制器的监测接口输出;
基于数字孪生模型,对所述实际关键变量数据进行初步诊断,得到初步诊断结果;
将所述输入数据输入到故障诊断模型中,输出预测关键变量数据,所述故障诊断模型为预先以输入样本数据为样本,以与所述输入样本数据对应的样本变量数据为样本标签进行训练得到;
基于所述实际关键变量数据和所述预测关键变量数据,确定参考诊断结果;
基于所述初步诊断结果和所述参考诊断结果,确定最终诊断结果。
2.根据权利要求1所述的区域控制器故障检测方法,其特征在于,所述获取输入数据以及实际关键变量数据包括:
从所述区域控制器的监测接口获取原始输入数据以及原始关键变量数据;
对所述原始输入数据进行预处理,得到所述输入数据,并对所述原始关键变量数据进行预处理,得到所述实际关键变量数据。
3.根据权利要求1所述的区域控制器故障检测方法,其特征在于,所述基于所述实际关键变量数据和所述预测关键变量数据,得到参考诊断结果,包括:
比较所述实际关键变量数据与所述预测关键变量数据的差异程度信息;
基于所述差异程度信息,确定所述参考诊断结果。
4.根据权利要求1所述的区域控制器故障检测方法,其特征在于,所述基于数字孪生模型,对所述实际关键变量数据进行初步诊断,得到初步诊断结果,包括:
提取所述实际关键变量数据中的物理特征和功能特征;
基于所述物理特征和所述功能特征以及对应的物理约束阈值和功能约束阈值,得到初步诊断结果。
5.根据权利要求4所述的区域控制器故障检测方法,其特征在于,所述物理特征包括:温度、湿度、电压值、电流值和功耗中的至少一种;所述功能特征包括:区段占用状态检测功能特征、筛选计算功能特征、移动授权计算功能特征、列车移交功能特征和临时限速功能特征中的至少一种。
6.根据权利要求1至5中任一项所述的区域控制器故障检测方法,其特征在于,所述故障诊断模型的训练过程包括:
从所述输入样本数据中提取输入样本特征,所述输入样本特征包括:列车位置报告特征、计轴区段占用特征、区段锁闭特征和信号机显示特征;
基于所述输入样本特征以及所述样本关键变量数据,训练所述故障诊断模型。
7.根据权利要求1至5中任一项所述的区域控制器故障检测方法,其特征在于,还包括:
从区域控制器的监测接口获取报警信息;
基于所述报警信息,得到所述初步诊断结果。
8.一种区域控制器故障检测装置,其特征在于,包括:
获取模块,用于获取区域控制器的输入数据以及实际关键变量数据,所述输入数据和所述实际关键变量数据均为区域控制器的监测接口输出;
初步诊断模块,用于基于数字孪生模型,对所述实际关键变量数据进行初步诊断,得到初步诊断结果;
输出模块,用于将所述输入数据输入到故障诊断模型中,输出预测关键变量数据,所述故障诊断模型为预先以输入样本数据为样本,以与所述输入样本数据对应的样本变量数据为样本标签进行训练得到;
第一确定模块,用于基于所述实际关键变量数据和所述预测关键变量数据,确定参考诊断结果;
第二确定模块,用于基于所述初步诊断结果和所述参考诊断结果,确定最终诊断结果。
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程序时实现如权利要求1至7任一项所述区域控制器故障检测方法的步骤。
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,该计算机程序被处理器执行时实现如权利要求1至7任一项所述区域控制器故障检测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110735247.8A CN113467420B (zh) | 2021-06-30 | 2021-06-30 | 区域控制器故障检测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110735247.8A CN113467420B (zh) | 2021-06-30 | 2021-06-30 | 区域控制器故障检测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113467420A true CN113467420A (zh) | 2021-10-01 |
CN113467420B CN113467420B (zh) | 2022-10-18 |
Family
ID=77874395
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110735247.8A Active CN113467420B (zh) | 2021-06-30 | 2021-06-30 | 区域控制器故障检测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113467420B (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113895485A (zh) * | 2021-12-08 | 2022-01-07 | 比亚迪股份有限公司 | 列车运行调整方法、系统以及存储介质 |
CN114397876A (zh) * | 2022-01-24 | 2022-04-26 | 中国信息通信研究院 | 用于评估域控制器性能的方法及装置、电子设备、存储介质 |
CN114604299A (zh) * | 2022-03-29 | 2022-06-10 | 西门子交通技术(北京)有限公司 | 故障预测模型的建立方法、列车系统故障预测方法和装置 |
CN114625110A (zh) * | 2022-03-25 | 2022-06-14 | 上海富欣智能交通控制有限公司 | 故障诊断方法、装置、系统及智能轨道交通系统 |
CN114715234A (zh) * | 2022-03-08 | 2022-07-08 | 通号城市轨道交通技术有限公司 | 列车运行控制系统的数字孪生系统、装置和方法 |
CN115289606A (zh) * | 2022-07-13 | 2022-11-04 | 杭州安脉盛智能技术有限公司 | 除湿机在线故障诊断方法、系统、服务器及存储介质 |
CN115328080A (zh) * | 2022-07-27 | 2022-11-11 | 广州汽车集团股份有限公司 | 故障检测方法、装置、车辆以及存储介质 |
CN115639797A (zh) * | 2022-09-16 | 2023-01-24 | 上海嘉柒智能科技有限公司 | 一种嵌入式路灯控制器的边缘端故障分析系统及方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104050371A (zh) * | 2014-06-17 | 2014-09-17 | 南京航空航天大学 | 一种基于改进sdg的多故障诊断方法 |
CN110412967A (zh) * | 2018-04-27 | 2019-11-05 | 万洲电气股份有限公司 | 一种工业生产线故障诊断系统和方法 |
CN110632910A (zh) * | 2019-10-10 | 2019-12-31 | 江苏盖睿健康科技有限公司 | 一种远程诊断设备及方法 |
DE102018217118A1 (de) * | 2018-10-08 | 2020-04-09 | Volkswagen Aktiengesellschaft | Verfahren zum Erstellen einer Fehlerdiagnose eines Antriebsstrangs eines elektrisch betriebenen Kraftfahrzeugs und Kraftfahrzeug |
CN111475966A (zh) * | 2020-05-06 | 2020-07-31 | 安徽理工大学 | 一种基于数字孪生的电力电子电路故障诊断方法 |
CN111505424A (zh) * | 2020-05-06 | 2020-08-07 | 哈尔滨工业大学 | 一种基于深度卷积神经网络的大型实验装置电力设备故障诊断方法 |
CN112418451A (zh) * | 2020-11-05 | 2021-02-26 | 武汉大学 | 基于数字孪生的变压器故障诊断定位系统 |
CN112684379A (zh) * | 2020-11-25 | 2021-04-20 | 江苏科技大学 | 一种基于数字孪生的变压器故障诊断系统及其方法 |
-
2021
- 2021-06-30 CN CN202110735247.8A patent/CN113467420B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104050371A (zh) * | 2014-06-17 | 2014-09-17 | 南京航空航天大学 | 一种基于改进sdg的多故障诊断方法 |
CN110412967A (zh) * | 2018-04-27 | 2019-11-05 | 万洲电气股份有限公司 | 一种工业生产线故障诊断系统和方法 |
DE102018217118A1 (de) * | 2018-10-08 | 2020-04-09 | Volkswagen Aktiengesellschaft | Verfahren zum Erstellen einer Fehlerdiagnose eines Antriebsstrangs eines elektrisch betriebenen Kraftfahrzeugs und Kraftfahrzeug |
CN110632910A (zh) * | 2019-10-10 | 2019-12-31 | 江苏盖睿健康科技有限公司 | 一种远程诊断设备及方法 |
CN111475966A (zh) * | 2020-05-06 | 2020-07-31 | 安徽理工大学 | 一种基于数字孪生的电力电子电路故障诊断方法 |
CN111505424A (zh) * | 2020-05-06 | 2020-08-07 | 哈尔滨工业大学 | 一种基于深度卷积神经网络的大型实验装置电力设备故障诊断方法 |
CN112418451A (zh) * | 2020-11-05 | 2021-02-26 | 武汉大学 | 基于数字孪生的变压器故障诊断定位系统 |
CN112684379A (zh) * | 2020-11-25 | 2021-04-20 | 江苏科技大学 | 一种基于数字孪生的变压器故障诊断系统及其方法 |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113895485A (zh) * | 2021-12-08 | 2022-01-07 | 比亚迪股份有限公司 | 列车运行调整方法、系统以及存储介质 |
CN113895485B (zh) * | 2021-12-08 | 2022-03-18 | 比亚迪股份有限公司 | 列车运行调整方法、系统以及存储介质 |
CN114397876A (zh) * | 2022-01-24 | 2022-04-26 | 中国信息通信研究院 | 用于评估域控制器性能的方法及装置、电子设备、存储介质 |
CN114715234A (zh) * | 2022-03-08 | 2022-07-08 | 通号城市轨道交通技术有限公司 | 列车运行控制系统的数字孪生系统、装置和方法 |
CN114625110A (zh) * | 2022-03-25 | 2022-06-14 | 上海富欣智能交通控制有限公司 | 故障诊断方法、装置、系统及智能轨道交通系统 |
CN114625110B (zh) * | 2022-03-25 | 2023-08-29 | 上海富欣智能交通控制有限公司 | 故障诊断方法、装置、系统及智能轨道交通系统 |
CN114604299A (zh) * | 2022-03-29 | 2022-06-10 | 西门子交通技术(北京)有限公司 | 故障预测模型的建立方法、列车系统故障预测方法和装置 |
CN115289606A (zh) * | 2022-07-13 | 2022-11-04 | 杭州安脉盛智能技术有限公司 | 除湿机在线故障诊断方法、系统、服务器及存储介质 |
CN115328080A (zh) * | 2022-07-27 | 2022-11-11 | 广州汽车集团股份有限公司 | 故障检测方法、装置、车辆以及存储介质 |
CN115328080B (zh) * | 2022-07-27 | 2024-01-09 | 广州汽车集团股份有限公司 | 故障检测方法、装置、车辆以及存储介质 |
CN115639797A (zh) * | 2022-09-16 | 2023-01-24 | 上海嘉柒智能科技有限公司 | 一种嵌入式路灯控制器的边缘端故障分析系统及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113467420B (zh) | 2022-10-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113467420B (zh) | 区域控制器故障检测方法及装置 | |
CN111209131B (zh) | 一种基于机器学习确定异构系统的故障的方法和系统 | |
AU768225B2 (en) | A process for the monitoring and diagnostics of data from a remote asset | |
CN108027611B (zh) | 利用受专家意见监督的决策模式学习的用于机器维护的决策辅助系统和方法 | |
CN102375452A (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 | |
CN105912413B (zh) | 分析系统、特别是安全关键系统的可用性的方法和装置 | |
CN110703214A (zh) | 一种气象雷达状态评估和故障监测方法 | |
EP3948438B1 (en) | Method and system for anomaly detection and diagnosis in industrial processes and equipment | |
CN110245085B (zh) | 利用在线模型检验的嵌入式实时操作系统验证方法及系统 | |
CN114239377A (zh) | 一种城轨机电设备健康状态评估方法、系统及存储介质 | |
CN112905371B (zh) | 基于异构多源数据异常检测的软件变更检查方法和装置 | |
CN114862275B (zh) | 基于数字孪生模型的仓储物流系统可靠性评估方法及系统 | |
CN114323671A (zh) | 借助人工智能方法基于对电驱动系统的组件的预测诊断来确定剩余使用寿命的方法和设备 | |
CN111994137A (zh) | 一种基于铁路信号集中监测的报警分析方法 | |
CN109815124B (zh) | 基于mbse的联锁功能缺陷分析的方法及装置、联锁系统 | |
CN114548280A (zh) | 故障诊断模型的训练、故障诊断方法及电子设备 | |
CN114816917A (zh) | 监测数据处理方法、装置、设备及存储介质 | |
CN117435883A (zh) | 一种基于数字孪生的设备故障预测的方法和系统 | |
CN117221145A (zh) | 基于物联网平台的设备故障预测性维护系统 | |
CN115169650B (zh) | 一种大数据分析的装备健康预测方法 | |
CN116907772A (zh) | 桥梁结构监测传感器的自诊断与故障源鉴别方法及系统 | |
JP7062505B2 (ja) | 設備管理支援システム | |
CN114911982A (zh) | 一种车辆故障预警方法、装置、终端设备及存储介质 | |
Pimentel et al. | Numerical Evaluation of the Safety of Self-Driving Vehicles: Functionality Involving Vehicle Detection | |
CN117469152B (zh) | 流体泵异常检测方法、装置、电子设备和存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |