CN114048882A - 铁路故障处理运维决策建议方法 - Google Patents
铁路故障处理运维决策建议方法 Download PDFInfo
- Publication number
- CN114048882A CN114048882A CN202210029155.2A CN202210029155A CN114048882A CN 114048882 A CN114048882 A CN 114048882A CN 202210029155 A CN202210029155 A CN 202210029155A CN 114048882 A CN114048882 A CN 114048882A
- Authority
- CN
- China
- Prior art keywords
- fault
- maintenance
- data
- scene graph
- fault data
- 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
- 238000012423 maintenance Methods 0.000 title claims abstract description 182
- 238000000034 method Methods 0.000 title claims abstract description 51
- 230000004927 fusion Effects 0.000 claims abstract description 26
- 238000001514 detection method Methods 0.000 claims abstract description 19
- 238000012545 processing Methods 0.000 claims description 21
- 239000013598 vector Substances 0.000 claims description 18
- 238000012549 training Methods 0.000 claims description 16
- 230000008569 process Effects 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 7
- 238000005516 engineering process Methods 0.000 claims description 5
- 238000013528 artificial neural network Methods 0.000 claims description 4
- 238000007418 data mining Methods 0.000 claims description 4
- 230000009193 crawling Effects 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 238000002372 labelling Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000007405 data analysis Methods 0.000 abstract description 4
- 238000003745 diagnosis Methods 0.000 abstract description 2
- 239000000463 material Substances 0.000 description 23
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 14
- 238000004891 communication Methods 0.000 description 11
- 238000010586 diagram Methods 0.000 description 7
- 229910052742 iron Inorganic materials 0.000 description 7
- 230000006870 function Effects 0.000 description 5
- 230000008439 repair process Effects 0.000 description 5
- 238000007726 management method Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 206010012411 Derailment Diseases 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000001502 supplementing effect Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000013024 troubleshooting 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
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/903—Querying
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- 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
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- 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)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Tourism & Hospitality (AREA)
- Human Resources & Organizations (AREA)
- General Business, Economics & Management (AREA)
- Strategic Management (AREA)
- General Engineering & Computer Science (AREA)
- Marketing (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Databases & Information Systems (AREA)
- Bioinformatics & Computational Biology (AREA)
- Primary Health Care (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Computational Linguistics (AREA)
- Entrepreneurship & Innovation (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本公开的实施例提供了铁路故障处理运维决策建议方法、装置、设备和计算机可读存储介质。所述方法包括获取状态数据;将所述状态数据输入至故障检测模型,得到所述状态数据中的故障数据;基于所述故障数据,生成与其对应的场景图特征;将所述故障数据和与其对应的场景图特征进行融合,得到融合特征;将所述融合特征和运维方案数据库中的运维决策建议模板进行匹配,得到与其对应的运维决策建议。以此方式,提高了轨道交通数据分析和故障诊断的效率和准确性。
Description
技术领域
本公开的实施例一般涉及轨道数据处理领域,并且更具体地,涉及铁路故障处理运维决策建议方法、装置、设备和计算机可读存储介质。
背景技术
随着我国铁路运输的高速发展,高速铁路、普速铁路、货运铁路、重载铁路、城市轨道交通等铁路运输的运营里程也在飞速增长中,各类铁路的正常运营与铁路日常维护维修的矛盾也越来越突出。如何在故障发生时,合理的调配人力、物资、时间等资源,成为铁路日常运维中提高管理水平和运维决策能力重要课题。
目前,铁路日常运营中,针对工务、电务、供电专业的基础设施故障处理的流程是:通过监测、检测、人工巡检等方式发现设施设备出现的故障,利用铁路专业系统或者铁路专业专家分析故障的原因,根据故障原因,依据铁路各级单位制定的铁路维修作业指导书、铁路维修作业安全管理实施细则等各类规章制度,以及相关铁路专业的专家经验,制定故障维修计划、安排维修作业人员、安排维修使用的工器具和物料、安排维修故障维修时间,铁路运维人员根据故障维修计划上线进行故障维修,最终使得故障问题得以处理解决。
发明内容
根据本公开的实施例,提供了一种铁路故障处理运维决策建议方案。
在本公开的第一方面,提供了一种铁路故障处理运维决策建议方法。该方法包括:
获取状态数据;
将所述状态数据输入至故障检测模型,得到所述状态数据中的故障数据;基于所述故障数据,生成与其对应的场景图特征;
将所述故障数据和与其对应的场景图特征进行融合,得到融合特征;
将所述融合特征和运维方案数据库中的运维决策建议模板进行匹配,得到与其对应的运维决策建议。
进一步地,所述故障检测模型通过如下方式进行训练:
生成训练样本集合,其中,训练样本包括带有标注信息的状态数据;所述标注信息包括故障数据;
利用所述训练样本集合中的样本对故障检测模型进行训练,以所述状态数据作为输入,以故障数据作为输出,当输出的故障数据与标注的故障数据的统一率满足预设阈值时,完成对故障检测模型的训练。
进一步地,所述基于所述故障数据,生成与其对应的场景图特征包括:
将所述故障数据转化成场景图,场景图是一种数据结构,其中每个节点代表一个对象,连接对象之间的边代表所属关系,使用词嵌入技术Skip-Gram网络将场景图中的所有对象以及对象之间的所属关系转换为嵌入向量。
进一步地,还包括:
通过CBOW模型提取所述嵌入向量的对象与对象之间的注意力系数,定义为:
所述矩阵f,用于将场景图中所有对象及关系向量集转换为更高级的特征向量,使其具有更强的表达能力;
进一步地,所述运维方案数据库通过如下方式进行构建:
通过数据挖掘爬取相关数据库的现有故障数据和对应的解决方案;
基于所述现有故障数据,生成与其对应的现有场景图特征;
根据所述现有场景图特征和所述对应的解决方案生成故障特征,所述故障特征包括故障的内容、故障发生的设备设施、故障设施设备的台账信息和/或故障的严重程度以及与所述故障特征对应的文字描述;
将所述故障特征通过词组嵌入,映射到N维空间向量,生成运维方案数据,利用对抗神经网络对所述运维方案数据进行学习,生成新的运维解决方案;
将所述新的运维解决方案进行汇总,得到运维方案数据库。
进一步地,在所述根据所述现有场景图特征和所述对应的解决方案生成故障特征之后,还包括:
将所述故障特征按照主题词进行分类,并将分类后的故障特征通过TF-IDF进行文本提取,提取出主要的特征和对应的解决方法:
进一步地,还包括:
获取用户基于所述运维决策建议的反馈意见;
基于所述反馈意见对运维方案数据库进行迭代处理,完善所述运维方案数据库中的运维决策建议模板。
在本公开的第二方面,提供了一种铁路故障处理运维决策建议装置。该装置包括:
获取模块,用于获取状态数据;
提取模块,用于将所述状态数据输入至故障检测模型,得到所述状态数据中的故障数据;基于所述故障数据,生成与其对应的场景图特征;
融合模块,用于将所述故障数据和与其对应的场景图特征进行融合,得到融合特征;
建议模块,用于将所述融合特征和运维方案数据库中的运维决策建议模板进行匹配,得到与其对应的运维决策建议。
在本公开的第三方面,提供了一种电子设备。该电子设备包括:存储器和处理器,所述存储器上存储有计算机程序,所述处理器执行所述程序时实现如以上所述的方法。
在本公开的第四方面,提供了一种计算机可读存储介质,其上存储有计算机程序,所述程序被处理器执行时实现如根据本公开的第一方面的方法。
本申请实施例提供的铁路故障处理运维决策建议方法,通过获取状态数据;将所述状态数据输入至故障检测模型,得到所述状态数据中的故障数据;基于所述故障数据,生成与其对应的场景图特征;将所述故障数据和与其对应的场景图特征进行融合,得到融合特征;将所述融合特征和运维方案数据库中的运维决策建议模板进行匹配,得到与其对应的运维决策建议,提高了轨道交通数据分析和故障诊断的效率和准确性。
应当理解,发明内容部分中所描述的内容并非旨在限定本公开的实施例的关键或重要特征,亦非用于限制本公开的范围。本公开的其它特征将通过以下的描述变得容易理解。
附图说明
结合附图并参考以下详细说明,本公开各实施例的上述和其他特征、优点及方面将变得更加明显。在附图中,相同或相似的附图标记表示相同或相似的元素,其中:
图1示出了能够在其中实现本公开的实施例的示例性运行环境的示意图;
图2示出了根据本公开的实施例的铁路故障处理运维决策建议方法的流程图;
图3示出了根据本公开的实施例的运维方案数据库的构建流程图;
图4示出了根据本公开的实施例的铁路故障处理运维决策建议装置的方框图;
图5示出了能够实施本公开的实施例的示例性电子设备的方框图。
具体实施方式
为使本公开实施例的目的、技术方案和优点更加清楚,下面将结合本公开实施例中的附图,对本公开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公开一部分实施例,而不是全部的实施例。基于本公开中的实施例,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全部其他实施例,都属于本公开保护的范围。
另外,本文中术语“和/或”,仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。另外,本文中字符“/”,一般表示前后关联对象是一种“或”的关系。
图1示出了可以应用本申请的铁路故障处理运维决策建议方法或铁路故障处理运维决策建议装置的实施例的示例性系统架构100。
如图1所示,系统架构100可以包括终端设备101、102、103,网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备101、102、103通过网络104与服务器105交互,以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用,例如模型训练类应用、视频识别类应用、网页浏览器应用、社交平台软件等。
终端设备101、102、103可以是硬件,也可以是软件。当终端设备101、102、103为硬件时,可以是具有显示屏的各种电子设备,包括但不限于智能手机、平板电脑、电子书阅读器、MP3播放器(Moving Picture Experts Group Audio Layer III,动态影像专家压缩标准音频层面3)、MP4(Moving Picture Experts Group Audio Layer IV,动态影像专家压缩标准音频层面4)播放器、膝上型便携计算机和台式计算机等等。当终端设备101、102、103为软件时,可以安装在上述所列举的电子设备中。其可以实现成多个软件或软件模块(例如用来提供分布式服务的多个软件或软件模块),也可以实现成单个软件或软件模块。在此不做具体限定。
当终端101、102、103为硬件时,其上还可以安装有视频采集设备。视频采集设备可以是各种能实现采集视频功能的设备,如摄像头、传感器等等。用户可以利用终端101、102、103上的视频采集设备来采集视频。
服务器105可以是提供各种服务的服务器,例如对终端设备101、102、103上显示的数据处理的后台服务器。后台服务器可以对接收到的数据进行分析等处理,并可以将处理结果(例如运维决策建议)反馈给终端设备。
需要说明的是,服务器可以是硬件,也可以是软件。当服务器为硬件时,可以实现成多个服务器组成的分布式服务器集群,也可以实现成单个服务器。当服务器为软件时,可以实现成多个软件或软件模块(例如用来提供分布式服务的多个软件或软件模块),也可以实现成单个软件或软件模块。在此不做具体限定。
应该理解,图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备、网络和服务器。特别地,在目标数据不需要从远程获取的情况下,上述系统架构可以不包括网络,而只包括终端设备或服务器。
如图2所示,是本申请实施例铁路故障处理运维决策建议方法的流程图。从图2中可以看出,本实施例的铁路故障处理运维决策建议方法,包括以下步骤:
S210,获取状态数据。
在本实施例中,用于铁路故障处理运维决策建议方法的执行主体(例如图1所示的服务器)可以通过有线方式或者无线连接的方式获取状态数据。
进一步地,上述执行主体可以获取与之通信连接的电子设备(例如图1所示的终端设备)发送的状态数据,也可以是预先存储于本地的状态数据。
在一些实施例中,所述状态数据为设备的当前运行状态数据,通常是通过运营线路设备上配置的各类传感设备获取的。
在本公开中,铁路类型包括高速铁路、普速铁路、重载铁路和/或城市轨道交通,同时每个类型中可包含工务专业、电务专业和/或供电专业类型等。
系统在建设过程中首先需要确定运维的线路情况。线路的实际运维情况不同,线路对应不同的运维决策建议,即便线路是相同的技术类型,相互运维建议情况并不冲突。
铁路故障维修规则规范数据首先按照高速铁路、普速铁路、重载铁路、城市轨道等铁路技术类型进行分类,然后在按照工务、供电、电务等专业类型进行划分管理,例如:
高速铁路——工务专业:《高速铁路线路维修岗位(修订版)》《高速铁路桥隧维修岗位(修订版)》《高速铁路桥隧建筑物修理规则(试行)(铁运(2011)131号)》《高速铁路无砟轨道线路维修规则(试行)(铁运(2012)83号)》《高速铁路有砟轨道线路维修规则(试行)(铁运(2013)29号)》《高速铁路工务安全规则(试行)(32开)》《高速铁路路基修理规则》等。
高速铁路——电务专业:《高速铁路通信综合维修岗位(修订版)》《高速铁路现场信号设备维修岗位(修订版)》《动车组车载通信设备维修岗位(修订版)》《高速铁路控制中心信号设备维修岗位(修订版)》《动车组列控车载设备维修岗位(修订版)》等。
普速铁路——工务专业:《TG/GW 102-2019 普速铁路线路修理规则》《TG/GW 103-2018 普速铁路桥隧建筑物修理规则》《普速铁路工务安全规则》《铁路营业线施工安全管理办法 铁运280号(铁运(2012)280号)》等。
普速铁路——电务专业:《普速铁路接触网安全工作规则 普速铁路接触网运行维修规则》、《普速铁路信号维护规则业务管理(铁总运[2015]238号)》、《普速铁路信号维护规则技术标准》、《铁路电务安全规则(铁总运(2015)26号)》、《铁路通信维护规则(铁总运(2014)295号)》等。
在一些实施例中,根据实际应用场景预先设置对应的铁路日常运维规范。根据对线路日常运维经验,按照铁路的技术类型(高速铁路、普速铁路、重载铁路、城市轨道),制定铁路不同区段日常运维的人数和工种规范,作为该技术类型铁路的运维人员安排的规范,作为运维决策的基础数据内容。
例如:高速铁路——重点区段——每10KM配置工务人员5名、供电人员2名、电务人员2名;高速铁路——普通区段——每10KM配置工务人员2名、供电人员1名、电务人员0.5名。
进一步地,可根据线路特点,对铁路工务、电务、供电等各专业的故障排除所需的人数、工种、故障排除所需时间,是否需要占用天窗、所需携带的工具、所需要消耗的物料进行规范化和标准化,同样作为运维决策的基础数据内容。收集目标线路实际运维人员的配置情况以及运维人员信息,包括运维人员的姓名、年龄、工种、参加运维作业情况等详细信息。通过将铁路专家制定的铁路日常运维人员工种规范同线路中的实际运维人员情况进行融合,从而形成线路运维人员配置规范。规范根据数据信息情况,通过数据分析手段,对数据进行状态标记,作为运维决策的基础数据内容。所述规范包括:1、铁路故障维修规则规范;2、铁路专家根据线路特点制定的铁路日常运维规范;3、线路运维人员配置规范等。
根据应用场景配置对应的台账信息。铁路设备设施台账信息主要记录铁路运营线路中各种设备设施基本信息,包含设备设施的所属于的线路、行别、线路中的里程位置、编号、名称、长度(有长度的设备设施,例如桥梁、隧道等)和/或结构类型等信息。
所述台账信息的类型包括:
工务设备:股道、道岔、曲线、桥梁、隧道、涵渠、路基、坡度、长短链、道床和/或轨枕等;
供电设备:接触网、支柱、坠砣和/或补偿装置等;
电务设备:应答器、基站和/或直放站等。
S220,将所述状态数据输入至故障检测模型,得到所述状态数据中的故障数据;基于所述故障数据,生成与其对应的场景图特征。
在一些实施例中,所述故障检测模型可通过如下方式进行训练:
生成训练样本集合,其中,训练样本包括带有标注信息的状态数据;所述标注信息包括故障数据;
利用所述训练样本集合中的样本对故障检测模型进行训练,以所述状态数据作为输入,以故障数据作为输出,当输出的故障数据与标注的故障数据的统一率满足预设阈值时,完成对故障检测模型的训练。
在一些实施例中,将所述状态数据输入至所述故障检测模型,得到故障数据。
进一步地,根据所述状态数据所属的铁路类型和与其对应的专业类型,匹配对应的规范(参考步骤S210),对所述故障数据进行规范化处理(同一类故障按照统一的故障类型进行输出);其中,规范后的故障数据包括对同一故障进行统一描述的文本信息。
在一些实施例中,将规范后的故障数据对应的故障描述文本信息转换成场景图;
其中,所述场景图中的每个节点代表一个对象,连接对象之间的边代表所属关系。
进一步地,可通过CBOW模型,将所述场景图中的集和X、Y、Z中的元素转化为嵌入向量,即得到与X对应的对象特征向量集,和与所述Y对应的关系特征向量集,和与所述Z对应的边特征向量集;其中,所述和的特征维度相同。
在一些实施例中,可通过GAT网络提取所述场景图中的特征向量,通过如下公式计算对象间的注意力系数:
所述矩阵f,用于将场景图中所有对象及关系向量集转换为更高级的特征向量,使其具有更强的表达能力;
S230,将所述故障数据和与其对应的场景图特征进行融合,得到融合特征。
在一些实施例中,将所述故障数据和与其对应的场景图特征进行融合,得到融合特征,所述融合特征可使得生成的场景图像与真实的场景图像更接近,能够有效描述场景图像中对象之间的位置关系。例如,发生故障的设备与相关人员、设备和/或物料间的位置关系等,可使得后续生成的运维方案的可行性和准确性更高。
S240,将所述融合特征和运维方案数据库中的运维决策建议模板进行匹配,得到与其对应的运维决策建议。
在一些实施例中,将所述融合特征和运维方案数据库中的运维决策建议模板进行匹配,得到与其对应的运维决策建议。
其中,所述运维决策建议中包括故障处理的人工信息和/或物料信息等;
所述人工信息包括工种、人数和/或作业时长等信息。
进一步地,将所述运维决策建议发送至相关人员前,还包括:
通过人工智能技术根据运维决策建议的工种、人数和既有系统中人员的工种信息,作业信息、排班信息进行匹配,匹配出本工区符合作业要求的作业人员和借调邻近工区符合作业要求的作业人员的多套方案,根据人员获取的可以作业的时间,从中选择本工区人员最近可维修作业时间和借调邻近工区最近可维修作业时间,并结合其他数据,形成最优运维决策建议。将所述最优运维决策建议发送至相关人员。
所述其他数据包括:
基于运维决策建议中所需的物料信息,向相关资源库(工器具和物料的库存情况)进行查询的结果数据。所述资源库包括以下情况:
1、物料、工器具满足:物料和工器具库存都满足,将结果作为参考条件反馈给服务器。如果此决策建议确定实行,则通知既有系统,将对应的物料和工器具进行锁定,即,不能给其他的决策建议使用;
2、物料缺少、工器具占用、缺少,可以补全:分别查询工器具和物料补充最短的时间,并将工器具和物料缺少和物料最短补全时间进行记录,计算出最短的满足时间,并将结果作为参考条件反馈给服务器。若运维决策建议实行,则发送物料采购补全通知(发送需求,可标明时限),并将对应的工器具和物料进行预先锁定;
3、物料缺少、工器具占用、缺少,无法补全:查询既有系统,出现工器具和物料不满足运维决策建议情况时,反馈给服务器,此运维决策建议无法实施,更换其他相近的故障处理运维决策建议。
以对道岔转辙机的出轨间有异物卡阻为例,运维决策建议为:此故障的严重程度较高,需要尽快处理;此故障处理需要天窗点进行作业,作业时间为30分种,工作内容是处理该点位道岔转辙机所属的道岔间异物;故障处理专业是工务专业,故障处理人数1人;需要使用的工具,铁锹1把;需要物料钢轨接头1个。
在一些实施例中,所述运维方案数据库可通过如下方式进行构建:
S241,通过数据挖掘爬取相关数据库的现有故障数据和对应的解决方案。
在一些实施例中,可通过大数据分析、数据挖掘得方式,从相关数据库(网站等)爬取现有的故障数据和对应的解决方案。即,具体的故障类型和与其对应的解决方案。
S242,基于所述现有故障数据,生成与其对应的现有场景图特征。
参考步骤S220,在此不在赘述。
S243,根据所述现有场景图特征和所述对应的解决方案生成故障特征。
其中,所述故障特征包括故障的内容、故障发生的设备设施、故障设施设备的台账信息和/或故障的严重程度以及与所述故障特征对应的文字描述;例如,以对道岔转辙机的动作电流曲线数据(状态数据)进行分析为例,根据分析结果可以判断出轨间有异物卡阻,从而确定故障原因。此故障的严重程度较高,需要尽快处理;此故障处理需要天窗点进行作业,作业时间为30分种,工作内容是处理该点位道岔转辙机所属的道岔间异物;故障处理专业是工务专业,故障处理人数1人;需要使用的工具,铁锹1把;需要物料钢轨接头1个。
S244,将所述故障特征通过词组嵌入,映射到N维空间向量,生成运维方案数据,利用对抗神经网络对所述运维方案数据进行学习,生成新的运维解决方案。
在一些实施例中,利用一个运维方案G和一个判别运维方案模型D对所述运维方案数据进行学习,其进行学习的目标函数如下所示:
其中,所述G是一个生成式网络,由G接收一个随机噪声Z,同时输入故障特征,基于所述Z生成新的运维解决方案:
设置生成器为递归神经网络,其目标函数如下:
其中,
进一步地,求和过程表示,每生成一个运维方案,均会计算其生成该运维方案的概率与其对应的期望值,两者乘积表示生成所述运维方案的期望值,求和后即为该整个运维方案的期望值。
所述D为判别网络,用于识别生成的运维方案与真实运维方案间的差异。将新生成的运维方案输入至所述判别网络,输出的为该运维方案为正确(真实)运维方案的概率,输出结果越接近1表明该运维方案越接近正确运维方案。
S245,将所述新的运维解决方案进行汇总,得到运维方案数据库。
可通过设置阈值的方法,将概率大于阈值的方案(运维方案模板)进行汇总,生成运维方案数据库。通过上述方法生成运维方案数据库可使得故障解决方案更加丰富。
进一步地,在所述根据所述现有场景图特征和所述对应的解决方案生成故障特征之后,还包括:
将所述故障特征按照主题词进行分类,并将分类后的故障特征通过词频算法进行文本提取,提取出主要的特征和对应的解决方法。例如,按照高速铁路、普速铁路、重载铁路和/或城市轨道交通等不同的铁路类型对所述故障特征进行主题词分类。
具体地,将所述故障特征按照主题词进行分类包括:
将分类后的故障特征通过词频算法进行文本提取,得到主要的故障特征和对应的解决方法。
进一步地,还包括:
获取用户基于所述运维决策建议的反馈意见;
基于所述反馈意见对运维方案数据库进行迭代处理,完善所述运维方案数据库中的运维决策建议模板。即,根据用户的评价内容和建议使用对运维方案数据库中的运维决策建议模板进行修正(更新),最终使得提供给用户的决策建议符合实际情况和用户需求。
根据本公开的实施例,实现了以下技术效果:
将铁路专家故障处理的人员配置、物料消耗、所需工时等人为经验使用基于人工智能的系统进行替代,结合线路的实际运营状态,通过设施、设备的监测、检测数据客观的分析出设施设备的故障原因,利用人工智能技术对故障处理的各项条件进行数字量化,结合运营人员的分布情况,分析出故障处理所需的人力、时间、资源情况,用以指导故障处理相关资源情况的调配。
当线路中的设备设施发生故障时,系统根据故障发生的设备设施,提供关于故障维修的人员、物料、维修时间的决策建议方案。决策建议方案需要考虑维修人员的数量、工种、是否在岗,故障处理的时间、所需的物料、故障处理是否需要使用天窗、建议故障处理的时间等情况,同时系统提供对决策建议进行迭代优化。
需要说明的是,对于前述的各方法实施例,为了简单描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本公开并不受所描述的动作顺序的限制,因为依据本公开,某些步骤可以采用其他顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于可选实施例,所涉及的动作和模块并不一定是本公开所必须的。
以上是关于方法实施例的介绍,以下通过装置实施例,对本公开所述方案进行进一步说明。
图4示出了根据本公开的实施例的铁路故障处理运维决策建议装置400的方框图。如图4所示,装置400包括:
获取模块410,用于获取状态数据;
提取模块420,用于将所述状态数据输入至故障检测模型,得到所述状态数据中的故障数据;基于所述故障数据,生成与其对应的场景图特征;
融合模块430,用于将所述故障数据和与其对应的场景图特征进行融合,得到融合特征;
建议模块440,用于将所述融合特征和运维方案数据库中的运维决策建议模板进行匹配,得到与其对应的运维决策建议。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,所述描述的模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
图5示出了可以用来实施本公开的实施例的电子设备500的示意性框图。如图所示,设备500包括中央处理单元(CPU)501,其可以根据存储在只读存储器(ROM)502中的计算机程序指令或者从存储单元508加载到随机访问存储器(RAM)503中的计算机程序指令,来执行各种适当的动作和处理。在RAM503中,还可以存储设备500操作所需的各种程序和数据。CPU 501、ROM502以及RAM 503通过总线504彼此相连。输入/输出(I/O)接口505也连接至总线504。
设备500中的多个部件连接至I/O接口505,包括:输入单元506,例如键盘、鼠标等;输出单元507,例如各种类型的显示器、扬声器等;存储单元508,例如磁盘、光盘等;以及通信单元509,例如网卡、调制解调器、无线通信收发机等。通信单元509允许设备500通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
处理单元501执行上文所描述的各个方法和处理,例如方法200。例如,在一些实施例中,方法200可被实现为计算机软件程序,其被有形地包含于机器可读介质,例如存储单元508。在一些实施例中,计算机程序的部分或者全部可以经由ROM 502和/或通信单元509而被载入和/或安装到设备500上。当计算机程序加载到RAM 503并由CPU 501执行时,可以执行上文描述的方法200的一个或多个步骤。备选地,在其他实施例中,CPU501可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行方法200。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如,非限制性地,可以使用的示范类型的硬件逻辑部件包括:现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)等等。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器,使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
此外,虽然采用特定次序描绘了各操作,但是这应当理解为要求这样操作以所示出的特定次序或以顺序次序执行,或者要求所有图示的操作应被执行以取得期望的结果。在一定环境下,多任务和并行处理可能是有利的。同样地,虽然在上面论述中包含了若干具体实现细节,但是这些不应当被解释为对本公开的范围的限制。在单独的实施例的上下文中描述的某些特征还可以组合地实现在单个实现中。相反地,在单个实现的上下文中描述的各种特征也可以单独地或以任何合适的子组合的方式实现在多个实现中。
尽管已经采用特定于结构特征和/或方法逻辑动作的语言描述了本主题,但是应当理解所附权利要求书中所限定的主题未必局限于上面描述的特定特征或动作。相反,上面所描述的特定特征和动作仅仅是实现权利要求书的示例形式。
Claims (10)
1.一种铁路故障处理运维决策建议方法,其特征在于,包括:
获取状态数据;
将所述状态数据输入至故障检测模型,得到所述状态数据中的故障数据;基于所述故障数据,生成与其对应的场景图特征;
将所述故障数据和与其对应的场景图特征进行融合,得到融合特征;
将所述融合特征和运维方案数据库中的运维决策建议模板进行匹配,得到与其对应的运维决策建议。
2.根据权利要求1所述的方法,其特征在于,所述故障检测模型通过如下方式进行训练:
生成训练样本集合,其中,训练样本包括带有标注信息的状态数据;所述标注信息包括故障数据;
利用所述训练样本集合中的样本对故障检测模型进行训练,以所述状态数据作为输入,以故障数据作为输出,当输出的故障数据与标注的故障数据的统一率满足预设阈值时,完成对故障检测模型的训练。
3.根据权利要求2所述的方法,其特征在于,所述基于所述故障数据,生成与其对应的场景图特征包括:
将所述故障数据转化成场景图,场景图是一种数据结构,其中每个节点代表一个对象,连接对象之间的边代表所属关系,使用词嵌入技术Skip-Gram网络将场景图中的所有对象以及对象之间的所属关系转换为嵌入向量。
5.根据权利要求4所述的方法,其特征在于,所述运维方案数据库通过如下方式进行构建:
通过数据挖掘爬取相关数据库的现有故障数据和对应的解决方案;
基于所述现有故障数据,生成与其对应的现有场景图特征;
根据所述现有场景图特征和所述对应的解决方案生成故障特征,所述故障特征包括故障的内容、故障发生的设备设施、故障设施设备的台账信息和/或故障的严重程度以及与所述故障特征对应的文字描述;
将所述故障特征通过词组嵌入,映射到N维空间向量,生成运维方案数据,利用对抗神经网络对所述运维方案数据进行学习,生成新的运维解决方案;
将所述新的运维解决方案进行汇总,得到运维方案数据库。
7.根据权利要6所述的方法,其特征在于,还包括:
获取用户基于所述运维决策建议的反馈意见;
基于所述反馈意见对运维方案数据库进行迭代处理,完善所述运维方案数据库中的运维决策建议模板。
8.一种铁路故障处理运维决策建议装置,其特征在于,包括:
获取模块,用于获取状态数据;
提取模块,用于将所述状态数据输入至故障检测模型,得到所述状态数据中的故障数据;基于所述故障数据,生成与其对应的场景图特征;
融合模块,用于将所述故障数据和与其对应的场景图特征进行融合,得到融合特征;
建议模块,用于将所述融合特征和运维方案数据库中的运维决策建议模板进行匹配,得到与其对应的运维决策建议。
9.一种电子设备,包括存储器和处理器,所述存储器上存储有计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1~7中任一项所述的方法。
10.一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,所述程序被处理器执行时实现如权利要求1~7中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210029155.2A CN114048882B (zh) | 2022-01-12 | 2022-01-12 | 铁路故障处理运维决策建议方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210029155.2A CN114048882B (zh) | 2022-01-12 | 2022-01-12 | 铁路故障处理运维决策建议方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114048882A true CN114048882A (zh) | 2022-02-15 |
CN114048882B CN114048882B (zh) | 2022-05-03 |
Family
ID=80196225
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210029155.2A Active CN114048882B (zh) | 2022-01-12 | 2022-01-12 | 铁路故障处理运维决策建议方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114048882B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116664148A (zh) * | 2023-08-01 | 2023-08-29 | 南京大全电气研究院有限公司 | 一种售后消缺管理方法、装置及电子设备 |
CN116755403A (zh) * | 2023-06-13 | 2023-09-15 | 英利新能源(宁夏)有限公司 | 基于光伏组件生产控制系统的数据采集方法及系统 |
CN116757058A (zh) * | 2023-03-31 | 2023-09-15 | 中国船舶集团有限公司第七一九研究所 | 一种基于模型模块故障概率分析预报方法及装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109343995A (zh) * | 2018-10-25 | 2019-02-15 | 金税信息技术服务股份有限公司 | 基于多源异构数据融合、机器学习及客服机器人的智能运维分析系统 |
US20190311120A1 (en) * | 2018-04-10 | 2019-10-10 | Raytheon Company | Device behavior anomaly detection |
CN112217674A (zh) * | 2020-10-12 | 2021-01-12 | 西安交通大学 | 基于因果网络挖掘和图注意力网络的告警根因识别方法 |
CN113572260A (zh) * | 2021-06-21 | 2021-10-29 | 大唐互联科技(武汉)有限公司 | 一种基于数字孪生技术的分布式能源站智慧运维系统 |
-
2022
- 2022-01-12 CN CN202210029155.2A patent/CN114048882B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190311120A1 (en) * | 2018-04-10 | 2019-10-10 | Raytheon Company | Device behavior anomaly detection |
CN109343995A (zh) * | 2018-10-25 | 2019-02-15 | 金税信息技术服务股份有限公司 | 基于多源异构数据融合、机器学习及客服机器人的智能运维分析系统 |
CN112217674A (zh) * | 2020-10-12 | 2021-01-12 | 西安交通大学 | 基于因果网络挖掘和图注意力网络的告警根因识别方法 |
CN113572260A (zh) * | 2021-06-21 | 2021-10-29 | 大唐互联科技(武汉)有限公司 | 一种基于数字孪生技术的分布式能源站智慧运维系统 |
Non-Patent Citations (3)
Title |
---|
兰红,刘秦邑: ""图注意力网络的场景图到图像生成模型"", 《中国图像图形学报》 * |
李佳玮,王小君,和敬涵,张永杰,张大海: ""基于图注意力网络的配电网故障定位方法"", 《电 网 技 术》 * |
李廷进: ""基于主题模型的文本聚类研究与应用"", 《中国硕士学位论文全文数据库》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116757058A (zh) * | 2023-03-31 | 2023-09-15 | 中国船舶集团有限公司第七一九研究所 | 一种基于模型模块故障概率分析预报方法及装置 |
CN116757058B (zh) * | 2023-03-31 | 2024-05-14 | 中国船舶集团有限公司第七一九研究所 | 一种基于模型模块故障概率分析预报方法及装置 |
CN116755403A (zh) * | 2023-06-13 | 2023-09-15 | 英利新能源(宁夏)有限公司 | 基于光伏组件生产控制系统的数据采集方法及系统 |
CN116755403B (zh) * | 2023-06-13 | 2024-03-26 | 英利新能源(宁夏)有限公司 | 基于光伏组件生产控制系统的数据采集方法及系统 |
CN116664148A (zh) * | 2023-08-01 | 2023-08-29 | 南京大全电气研究院有限公司 | 一种售后消缺管理方法、装置及电子设备 |
CN116664148B (zh) * | 2023-08-01 | 2023-10-13 | 南京大全电气研究院有限公司 | 一种售后消缺管理方法、装置及电子设备 |
Also Published As
Publication number | Publication date |
---|---|
CN114048882B (zh) | 2022-05-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114048882B (zh) | 铁路故障处理运维决策建议方法 | |
Ghofrani et al. | Recent applications of big data analytics in railway transportation systems: A survey | |
Lu et al. | Case-based reasoning for automated safety risk analysis on subway operation: Case representation and retrieval | |
Soleimanmeigouni et al. | Prediction of railway track geometry defects: a case study | |
Jiang et al. | Forecasting primary delay recovery of high-speed railway using multiple linear regression, supporting vector machine, artificial neural network, and random forest regression | |
Bai et al. | Classification-learning-based framework for predicting railway track irregularities | |
CN111209472B (zh) | 一种铁路事故故障关联和事故故障原因分析方法及系统 | |
Morant et al. | Data-driven model for maintenance decision support: A case study of railway signalling systems | |
Falamarzi et al. | Development of a tram track degradation prediction model based on the acceleration data | |
Jin et al. | Disruption response planning for an urban mass rapid transit network | |
Khouzani et al. | Railway maintenance management using a stochastic geometrical degradation model | |
Britton et al. | Analysis of train derailment cause and outcome in Victoria, Australia, between 2007 and 2013: Implications for regulation | |
Brahimi et al. | Development of a prognostics and health management system for the railway infrastructure—Review and methodology | |
Shubinsky et al. | Application of machine learning methods for predicting hazardous failures of railway track assets | |
Liu et al. | Data analytics approach for train timetable performance measures using automatic train supervision data | |
Posada et al. | A metaheuristic for evaluation of an integrated special transport service | |
Mohammadi et al. | Reliable, effective, and sustainable urban railways: A model for optimal planning and asset management | |
Li et al. | Predictive models for influence of primary delays using high‐speed train operation records | |
Fu et al. | Operational risk assessment of railway train based on type-2 intuitionistic fuzzy set and dynamic VIKOR approach | |
Li et al. | Passenger travel behavior analysis under unplanned metro service disruption: Using stated preference data in Guangzhou, China | |
Grandhi et al. | An estimation framework to quantify railway disruption parameters | |
CN111709597B (zh) | 一种电网生产域运营监测系统 | |
Wang et al. | Analysis of risk factors affecting delay of high-speed railway in China based on Bayesian network modeling | |
ALawad et al. | Unsupervised machine learning for managing safety accidents in railway stations | |
Tu | Human reliability analysis of roof bolting operation in underground coal mines |
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 | ||
PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: Railway fault handling operation and maintenance decision-making method Effective date of registration: 20220715 Granted publication date: 20220503 Pledgee: Haidian Beijing science and technology enterprise financing Company limited by guarantee Pledgor: BEIJING DINGXINGDA INFORMATION TECHNOLOGY CO.,LTD. Registration number: Y2022990000460 |
|
PE01 | Entry into force of the registration of the contract for pledge of patent right |