CN114077635A - 基于大数据分析与深度学习的城轨智能运维平台 - Google Patents
基于大数据分析与深度学习的城轨智能运维平台 Download PDFInfo
- Publication number
- CN114077635A CN114077635A CN202111385066.3A CN202111385066A CN114077635A CN 114077635 A CN114077635 A CN 114077635A CN 202111385066 A CN202111385066 A CN 202111385066A CN 114077635 A CN114077635 A CN 114077635A
- Authority
- CN
- China
- Prior art keywords
- data
- analysis system
- equipment
- big data
- analysis
- 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
- 238000007405 data analysis Methods 0.000 title claims abstract description 57
- 238000012423 maintenance Methods 0.000 title claims abstract description 32
- 238000013135 deep learning Methods 0.000 title claims abstract description 17
- 230000036541 health Effects 0.000 claims abstract description 42
- 238000004458 analytical method Methods 0.000 claims abstract description 31
- 238000007726 management method Methods 0.000 claims abstract description 27
- 238000013523 data management Methods 0.000 claims abstract description 21
- 238000004140 cleaning Methods 0.000 claims abstract description 20
- 238000013075 data extraction Methods 0.000 claims abstract description 20
- 238000012545 processing Methods 0.000 claims abstract description 15
- 238000006243 chemical reaction Methods 0.000 claims abstract description 12
- 238000011156 evaluation Methods 0.000 claims abstract description 11
- 238000004364 calculation method Methods 0.000 claims description 11
- 238000012986 modification Methods 0.000 claims description 6
- 230000004048 modification Effects 0.000 claims description 6
- 239000000178 monomer Substances 0.000 claims description 6
- 230000010354 integration Effects 0.000 claims description 5
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 claims description 5
- 230000002776 aggregation Effects 0.000 claims description 3
- 238000004220 aggregation Methods 0.000 claims description 3
- 230000005540 biological transmission Effects 0.000 claims description 3
- 230000003442 weekly effect Effects 0.000 claims description 3
- 238000013501 data transformation Methods 0.000 claims 1
- 238000007689 inspection Methods 0.000 abstract description 4
- 238000001914 filtration Methods 0.000 description 6
- 238000000034 method Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 4
- 238000011144 upstream manufacturing Methods 0.000 description 4
- 230000006399 behavior Effects 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000013508 migration Methods 0.000 description 2
- 230000005012 migration Effects 0.000 description 2
- 238000000611 regression analysis Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 238000012731 temporal analysis Methods 0.000 description 2
- 238000000700 time series analysis Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000008021 deposition Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/25—Integrating or interfacing systems involving database management systems
- G06F16/254—Extract, transform and load [ETL] procedures, e.g. ETL data flows in data warehouses
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/28—Databases characterised by their database models, e.g. relational or object models
- G06F16/283—Multi-dimensional databases or data warehouses, e.g. MOLAP or ROLAP
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/28—Databases characterised by their database models, e.g. relational or object models
- G06F16/284—Relational databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/46—Multiprogramming arrangements
- G06F9/54—Interprogram communication
- G06F9/546—Message passing systems or structures, e.g. queues
-
- 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- G06Q50/40—
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2209/00—Indexing scheme relating to G06F9/00
- G06F2209/54—Indexing scheme relating to G06F9/54
- G06F2209/548—Queue
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Tourism & Hospitality (AREA)
- Software Systems (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种基于大数据分析与深度学习的城轨智能运维平台，包括：基础数据管理系统、大数据分析系统及设备健康分析系统；基础数据管理系统，用于所需基础数据的汇聚、处理、报警及跨专业联动；大数据分析系统，用于数据源管理，数据仓库建模及数据的提取、清洗、转换、分析；设备健康分析系统，用于实现轨道交通各专业运行设备的故障预测、故障关联评估、设备的健康度预判；本发明可以有效提升了城市轨道交通设备运维的智能化水平，降低了设备故障发生的几率与巡检的人力成本。
Description
技术领域
本发明属于数据采集技术领域，具体涉及一种基于大数据分析与深度学习的城轨智能运维平台。
背景技术
随着我国城市化进程的加快，轨道交通由于其安全、高速、环保等特点得到迅猛发展。城市轨道已经成为广大市民出行首选的交通方式。而城市轨道交通本身是一个涉及多个专业和学科的复杂系统工程，具有很多的分支且又很分散，各个分支不一样，差异性比较大。在此情况下城市轨道交通数据的几何级增长，在管理、生产和服务中产生的海量数据，给传统管理模式提出了新的挑战。
以及，随着城市轨道交通的不断发展以及工业互联网、大数据、人工智能等技术的不断进步，对城市轨道交通智能运维系统提出了新的要求：融合大数据分析平台，构建统一的数据抽取、清洗、存储、可视化展示等组件，并构建算法库，用于支撑设备健康预测等应用功能。
新型的城市轨道交通智能运维系统需要借助大数据和人工智能等技术，发挥对人员、设备、物资、工器具等从人工管理向智能化方向发展，对其进行充分的信息化管理，达到跨专业的设备采集数据、设备告警、设备履历、维修记录、人员组织、工器具统一管控，并利用机器学习、数据挖掘等手段提高运维效率，加快数据沉淀，实现智能分析，达到智能运维的目的。
发明内容
针对于上述现有技术的不足，本发明的目的在于提供一种基于大数据分析与深度学习的城轨智能运维平台，以解决现有技术中面对城市轨道交通多专业系统智慧化运维难以满足要求的问题。
为达到上述目的，本发明采用的技术方案如下：
本发明的一种基于大数据分析与深度学习的城轨智能运维平台，包括：基础数据管理系统、大数据分析系统及设备健康分析系统；
基础数据管理系统，用于所需基础数据的汇聚、处理、报警及跨专业联动；对各外部数据进行缓存，通过kafka消息队列将数据推送给大数据分析系统；
大数据分析系统，用于数据源管理，数据仓库建模及数据的提取、清洗、转换、分析；并将数据仓库存储按贴源层、主题层、集市层进行设计，数据经过维度的转换与调度的物化，最终形成数据集，并将处理后的数据发送给设备健康分析系统；
设备健康分析系统，用于实现轨道交通各专业运行设备的故障预测、故障关联评估、设备的健康度预判，并根据设备的故障预测、健康度预判、故障关联评估的结果，驱动网络中运维管理系统(包含设备物资管理、检维修管理、故障管理、工单管理、作业标准化管理)的流程运转，实现整体业务流程的完整闭环。
进一步地，所述基础数据管理系统中数据汇聚包含：数据解析与数据推送，即将从外系统获取的字符串进行解码，形成一个个数据单体，并将其以内部约定的格式推送到消息队列，以供上层获取使用。
进一步地，所述基础数据管理系统中数据处理包含：数据的计算、查询以及订阅，即通过计算引擎进行实时逻辑计算，并开放API，供客户端进行数据的属性查询以及相关的订阅推送，当客户端订阅某个数据点的属性后，若其发生变化，服务端便会将其推送给客户端。
进一步地，所述基础数据管理系统中数据报警是对实时数据进行数值范围触发，针对与各类设备健康度相关的数据进行阈值报警，并提供报警信息查询接口。
进一步地，所述基础数据管理系统中数据跨专业联动是对实时数据进行条件触发，针对跨专业之间的各类协同联动行为进行相关的策略配置，并提供全流程的执行步骤实时展示。
进一步地，所述基础数据管理系统中通过kafka消息队列进行数据推送具体包括：kafka对消息保存时根据主题(Topic)进行归类，发送消息者成为生产者(Producer),消息接受者成为消费者(Consumer),kafka集群是由多个kafka实例组成。
进一步地，所述大数据分析系统中的数据类型包括：元数据、时序数据以及数据仓库。
进一步地，所述大数据分析系统中数据仓库建模后的内容包括：基础数据表、模型数据表、专业数据表以及建模工具。
进一步地，所述大数据分析系统中数据源管理具体为提供数据源列表，包含数据源名称、数据源类型、数据源说明、作者、修改时间的信息；输入数据源名称对数据源进行查询，能够得到数据源名称对应的数据源类型、数据源说明、作者、修改时间的信息。
进一步地，所述大数据分析系统中数据提取包括：
添加数据的抽取、转换、下载任务并配置数据源(数据来源的表或文件)，选择目的源(数据存储的表或文件)，执行数据提取传输的任务；
调度任务按照配置的执行时间和周期，定期执行数据的抽取、转换、下载任务，同步数据；调度任务的时间可配置为按月执行，按周执行，按天执行或按小时执行；
根据用户权限查询出调度任务的历史执行情况，包括名称、用户名、调度名、开始时间、结束时间、执行时长及状态。
进一步地，所述大数据分析系统中数据清洗具体为：根据不同数据源数据，定制不同的数据清洗规则，并保存数据的清洗规则。
进一步地，所述数据清洗规则具体为：可通过制定过滤规则，对特定字段进行过滤清洗。规则清洗只能过滤数值以及时间类型；过滤方式有两种：通过SQL语句过滤，或者直接选择要清洗的列手动设置。
进一步地，所述大数据分析系统中数据转换具体为：在数据提取、清洗完成后，得到计算指标所需要的各类原始数据，根据需求来抽取数据至预先构建的主题专题范围中，并关联相关的主键、外键以及字段。
进一步地，所述计算指标为上层智能运维应用所构建的指标体系中的具体数据。
进一步地，所述大数据分析系统中数据分析具体为：对大量数据进行聚类、关联规则分析、回归分析、分类、时间序列分析、文本分析。
进一步地，所述大数据分析系统中数据仓库贴源层包括：数据仓库的部分特征和OLTP系统的部分特征，其为结构与源系统保持一致的增量或全量数据，具体根据业务数据库数据进行同步结构设计。
进一步地，所述大数据分析系统中数据仓库主题层用于完成公共数据加工与整合，建立一致性的维度，构建可复用面向分析和统计的明细事实表以及汇总事实表；分为公共维度(DIM)层与明细宽表(DWD)层。
进一步地，所述大数据分析系统中数据仓库集市层用于提供直接面向业务或应用的数据，对个性化指标数据进行架构处理；如无公用性或复杂性(如指数型、比值型、排名型等指标数据)的指标数据加工；同时为方便实现数据应用、数据消费的诉求，进行面向应用逻辑的数据组装(如打宽表集市、横表转纵表、趋势指标串等)。
进一步地，所述设备健康分析系统中包含有专家知识库，其是通过历史数据的训练从而优化模型，得出最优的预测结果，将预测结果与实时数据进行比对，其中符合标准的模型数据将形成专家知识库。
进一步地，所述设备健康分析系统中的设备故障预测具体为：基于各专业运行设备运行积累的历史数据，将设备上报的历史状态数据设定为时序数据，即同一统计指标的数值按其先后发生的时间顺序排列而成的数列，通过采用差分整合移动平均自回归模型ARIMA，实现了设备故障的预测。
进一步地，所述回归模型ARIMA包含：AR模型(自回归模型)、MA模型(滑动平均模型)及差分的阶数。
进一步地，所述设备健康分析系统中的设备健康度预判包括：
(1)针对各类专业运行设备提供各自的健康规则约束，通过健康规则的编辑，由实时处理引擎完成对应规则约束的实现；
(2)针对一些特定设备形成多种满足预判要求的健康度预判算法，最终形成设备健康库。
进一步地，所述设备健康分析系统中的故障关联评估具体包括：根据各专业运行设备的关联性进行评估，形成关联拓扑表；并在故障发生时根据关联关系作出故障的关联评估。
其中，关联规则配置以知识图谱方式进行设备关系存储，支持两类设备关系：组合关系和影响关系；
组合关系：设备父节点与子节点之间为包含关系；如车厢子系统包含该车厢迁移子系统；
影响关系：设备父节点的运行情况会影响子节点设备；如电源屏设备影响被其供电的多个设备。
设备故障关联：当某个设备触发告警或故障后，则显示被该故障影响的上、下游设备，其影响类型包括组合关系和影响关系。
本发明的有益效果：
本发明可以有效提升了城市轨道交通设备运维的智能化水平，降低了设备故障发生的几率与巡检的人力成本，同时还具有如下特点：
1、利用本平台跨专业的优势，对实时数据进行条件触发，针对跨专业之间的各类协同联动行为进行相关的策略配置，并提供全流程的执行步骤实时展示。
2、利用深度学习能力，可针对一些特定设备形成多种满足预测要求的故障预测算法，从而为设备的精准维护提供技术支撑。
3、可根据设备的故障预测、健康度预判等应用结果为条件，打通运维管理系统，为运维管理的智能化运转提供全体系支撑。
附图说明
图1为本发明的原理框图。
具体实施方式
为了便于本领域技术人员的理解，下面结合实施例与附图对本发明作进一步的说明，实施方式提及的内容并非对本发明的限定。
参照图1所示，本发明的一种基于大数据分析与深度学习的城轨智能运维平台，包括：基础数据管理系统、大数据分析系统及设备健康分析系统；
基础数据管理系统，用于所需基础数据的汇聚、处理、报警及跨专业联动；对各外部数据进行缓存，通过kafka消息队列将数据推送给大数据分析系统的数据仓库；
大数据分析系统，用于数据源管理，数据仓库建模及数据的提取、清洗、转换、分析；并将数据仓库存储按贴源层、主题层、集市层进行设计，数据经过维度的转换与调度的物化，最终形成数据集，并将处理后的数据通过API接口发送给设备健康分析系统；
设备健康分析系统，用于实现轨道交通各专业运行设备的故障预测、故障关联评估、设备的健康度预判，并根据设备的故障预测、健康度预判、故障关联评估的结果，驱动网络中运维管理系统(包含设备物资管理、检维修管理、故障管理、工单管理、作业标准化管理)的流程运转，实现整体业务流程的完整闭环。
具体地，所述基础数据管理系统中数据汇聚包含：数据解析与数据推送，即将从外系统获取的字符串进行解码，形成一个个数据单体，并将其以内部约定的格式推送到消息队列，以供上层获取使用。
所述基础数据管理系统中数据处理包含：数据的计算、查询以及订阅，即通过计算引擎进行实时逻辑计算，并开放API，供客户端进行数据的属性查询以及相关的订阅推送，当客户端订阅某个数据点的属性后，若其发生变化，服务端便会将其推送给客户端。
所述基础数据管理系统中数据报警是对实时数据进行数值范围触发，针对与各类设备健康度相关的数据进行阈值报警，并提供报警信息查询接口。
所述基础数据管理系统中数据跨专业联动是对实时数据进行条件触发，针对跨专业之间的各类协同联动行为进行相关的策略配置，并提供全流程的执行步骤实时展示。
所述基础数据管理系统中通过kafka消息队列进行数据推送具体包括：kafka对消息保存时根据主题(Topic)进行归类，发送消息者成为生产者(Producer),消息接受者成为消费者(Consumer),kafka集群是由多个kafka实例组成。
具体地，所述大数据分析系统中的数据类型包括：元数据、时序数据以及数据仓库。
所述大数据分析系统中数据仓库建模后的内容包括：基础数据表、模型数据表、专业数据表以及建模工具。
所述大数据分析系统中数据源管理具体为提供数据源列表，包含数据源名称、数据源类型、数据源说明、作者、修改时间的信息；输入数据源名称对数据源进行查询，能够得到数据源名称对应的数据源类型、数据源说明、作者、修改时间的信息。
所述大数据分析系统中数据提取包括：
添加数据的抽取、转换、下载任务并配置数据源(数据来源的表或文件)，选择目的源(数据存储的表或文件)，执行数据提取传输的任务；
调度任务按照配置的执行时间和周期，定期执行数据的抽取、转换、下载任务，同步数据；调度任务的时间可配置为按月执行，按周执行，按天执行或按小时执行；
根据用户权限查询出调度任务的历史执行情况，包括名称、用户名、调度名、开始时间、结束时间、执行时长及状态。
所述大数据分析系统中数据清洗具体为：根据不同数据源数据，定制不同的数据清洗规则，并保存数据的清洗规则。
所述数据清洗规则具体为：可通过制定过滤规则，对特定字段进行过滤清洗。规则清洗只能过滤数值以及时间类型；过滤方式有两种：通过SQL语句过滤，或者直接选择要清洗的列手动设置。
所述大数据分析系统中数据转换具体为：在数据提取、清洗完成后，得到计算指标所需要的各类原始数据，根据需求来抽取数据至预先构建的主题专题范围中，并关联相关的主键、外键以及字段。
所述计算指标为上层智能运维应用所构建的指标体系中的具体数据。
所述大数据分析系统中数据分析具体为：对大量数据进行聚类、关联规则分析、回归分析、分类、时间序列分析、文本分析。
所述大数据分析系统中数据仓库贴源层包括：数据仓库的部分特征和OLTP系统的部分特征，其为结构与源系统保持一致的增量或全量数据，具体根据业务数据库数据进行同步结构设计。
所述大数据分析系统中数据仓库主题层用于完成公共数据加工与整合，建立一致性的维度，构建可复用面向分析和统计的明细事实表以及汇总事实表；分为公共维度(DIM)层与明细宽表(DWD)层。
所述大数据分析系统中数据仓库集市层用于提供直接面向业务或应用的数据，对个性化指标数据进行架构处理；如无公用性或复杂性(如指数型、比值型、排名型等指标数据)的指标数据加工；同时为方便实现数据应用、数据消费的诉求，进行面向应用逻辑的数据组装(如打宽表集市、横表转纵表、趋势指标串等)。
具体地，所述设备健康分析系统中包含有专家知识库，其是通过历史数据的训练从而优化模型，得出最优的预测结果，将预测结果与实时数据进行比对，其中符合标准的模型数据将形成专家知识库。
所述设备健康分析系统中的设备故障预测具体为：基于各专业运行设备运行积累的历史数据，将设备上报的历史状态数据设定为时序数据，即同一统计指标的数值按其先后发生的时间顺序排列而成的数列，通过采用差分整合移动平均自回归模型ARIMA，实现了设备故障的预测。
所述回归模型ARIMA包含：AR模型(自回归模型)、MA模型(滑动平均模型)及差分的阶数。
所述设备健康分析系统中的设备健康度预判包括：
(1)针对各类专业运行设备提供各自的健康规则约束，通过健康规则的编辑，由实时处理引擎完成对应规则约束的实现；
(2)针对一些特定设备形成多种满足预判要求的健康度预判算法，最终形成设备健康库。
所述设备健康分析系统中的故障关联评估具体包括：根据各专业运行设备的关联性进行评估，形成关联拓扑表；并在故障发生时根据关联关系作出故障的关联评估。
其中，关联规则配置以知识图谱方式进行设备关系存储，支持两类设备关系：组合关系和影响关系；
组合关系：设备父节点与子节点之间为包含关系；如车厢子系统包含该车厢迁移子系统；
影响关系：设备父节点的运行情况会影响子节点设备；如电源屏设备影响被其供电的多个设备。
设备故障关联：当某个设备触发告警或故障后，则显示被该故障影响的上、下游设备，其影响类型包括组合关系和影响关系。
本发明具体应用途径很多，以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以作出若干改进，这些改进也应视为本发明的保护范围。
Claims (9)
1.一种基于大数据分析与深度学习的城轨智能运维平台，其特征在于，包括：基础数据管理系统、大数据分析系统及设备健康分析系统；
基础数据管理系统，用于所需基础数据的汇聚、处理、报警及跨专业联动；对各外部数据进行缓存，通过kafka消息队列将数据推送给大数据分析系统；
大数据分析系统，用于数据源管理，数据仓库建模及数据的提取、清洗、转换、分析；并将数据仓库存储按贴源层、主题层、集市层进行设计，数据经过维度的转换与调度的物化，最终形成数据集，并将处理后的数据发送给设备健康分析系统；
设备健康分析系统，用于实现轨道交通各专业运行设备的故障预测、故障关联评估、设备的健康度预判，并根据设备的故障预测、健康度预判、故障关联评估的结果，驱动网络中运维管理系统的流程运转，实现整体业务流程的完整闭环。
2.根据权利要求1所述的基于大数据分析与深度学习的城轨智能运维平台，其特征在于，所述基础数据管理系统中数据汇聚包含：数据解析与数据推送，即将从外系统获取的字符串进行解码，形成一个个数据单体，并将其以内部约定的格式推送到消息队列，以供上层获取使用。
3.根据权利要求1所述的基于大数据分析与深度学习的城轨智能运维平台，其特征在于，所述基础数据管理系统中数据处理包含：数据的计算、查询以及订阅，即通过计算引擎进行实时逻辑计算，并开放API，供客户端进行数据的属性查询以及相关的订阅推送，当客户端订阅某个数据点的属性后，若其发生变化，服务端便会将其推送给客户端。
4.根据权利要求1所述的基于大数据分析与深度学习的城轨智能运维平台，其特征在于，所述基础数据管理系统中数据报警是对实时数据进行数值范围触发，针对与各类设备健康度相关的数据进行阈值报警，并提供报警信息查询接口。
5.根据权利要求1所述的基于大数据分析与深度学习的城轨智能运维平台，其特征在于，所述大数据分析系统中数据源管理具体为提供数据源列表，包含数据源名称、数据源类型、数据源说明、作者、修改时间的信息；输入数据源名称对数据源进行查询，能够得到数据源名称对应的数据源类型、数据源说明、作者、修改时间的信息。
6.根据权利要求1所述的基于大数据分析与深度学习的城轨智能运维平台，其特征在于，所述大数据分析系统中数据提取包括：
添加数据的抽取、转换、下载任务并配置数据源，选择目的源，执行数据提取传输的任务；
调度任务按照配置的执行时间和周期，定期执行数据的抽取、转换、下载任务，同步数据；调度任务的时间可配置为按月执行，按周执行，按天执行或按小时执行；
根据用户权限查询出调度任务的历史执行情况，包括名称、用户名、调度名、开始时间、结束时间、执行时长及状态。
7.根据权利要求1所述的基于大数据分析与深度学习的城轨智能运维平台，其特征在于，所述大数据分析系统中数据清洗具体为：根据不同数据源数据，定制不同的数据清洗规则，并保存数据的清洗规则。
8.根据权利要求7所述的基于大数据分析与深度学习的城轨智能运维平台，其特征在于，所述大数据分析系统中数据转换具体为：在数据提取、清洗完成后，得到计算指标所需要的各类原始数据，根据需求来抽取数据至预先构建的主题专题范围中，并关联相关的主键、外键以及字段。
9.根据权利要求1所述的基于大数据分析与深度学习的城轨智能运维平台，其特征在于，所述设备健康分析系统中的设备故障预测具体为：基于各专业运行设备运行积累的历史数据，将设备上报的历史状态数据设定为时序数据，即同一统计指标的数值按其先后发生的时间顺序排列而成的数列，通过采用差分整合移动平均自回归模型ARIMA，实现了设备故障的预测。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111385066.3A CN114077635A (zh) | 2021-11-22 | 2021-11-22 | 基于大数据分析与深度学习的城轨智能运维平台 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111385066.3A CN114077635A (zh) | 2021-11-22 | 2021-11-22 | 基于大数据分析与深度学习的城轨智能运维平台 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114077635A true CN114077635A (zh) | 2022-02-22 |
Family
ID=80284194
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111385066.3A Pending CN114077635A (zh) | 2021-11-22 | 2021-11-22 | 基于大数据分析与深度学习的城轨智能运维平台 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114077635A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115879913A (zh) * | 2023-02-13 | 2023-03-31 | 成都秦川物联网科技股份有限公司 | 一种智慧燃气管网维修物资预测方法和物联网系统、介质 |
| CN116881880A (zh) * | 2023-09-06 | 2023-10-13 | 智成时空(西安)创新科技有限公司 | 时空数据管理系统及时空数据服务化资源协同调度方法 |
-
2021
- 2021-11-22 CN CN202111385066.3A patent/CN114077635A/zh active Pending
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115879913A (zh) * | 2023-02-13 | 2023-03-31 | 成都秦川物联网科技股份有限公司 | 一种智慧燃气管网维修物资预测方法和物联网系统、介质 |
| CN115879913B (zh) * | 2023-02-13 | 2023-05-05 | 成都秦川物联网科技股份有限公司 | 一种智慧燃气管网维修物资预测方法和物联网系统、介质 |
| US11966885B2 (en) | 2023-02-13 | 2024-04-23 | Chengdu Qinchuan Iot Technology Co., Ltd. | Methods and Internet of Things (IoT) systems for predicting maintenance materials of smart gas pipeline networks |
| CN116881880A (zh) * | 2023-09-06 | 2023-10-13 | 智成时空(西安)创新科技有限公司 | 时空数据管理系统及时空数据服务化资源协同调度方法 |
| CN116881880B (zh) * | 2023-09-06 | 2023-11-14 | 智成时空(西安)创新科技有限公司 | 时空数据管理系统及时空数据服务化资源协同调度方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107256219B (zh) | 应用于自动列车控制系统海量日志的大数据融合分析方法 | |
| CN104820670B (zh) | 一种电力信息大数据的采集和存储方法 | |
| Chen et al. | The thematic and citation landscape of data and knowledge engineering (1985–2007) | |
| CN102289569B (zh) | 一种电力系统突发事件应急处理方法 | |
| CN114077635A (zh) | 基于大数据分析与深度学习的城轨智能运维平台 | |
| CN109272155A (zh) | 一种基于大数据的企业行为分析系统 | |
| CN109739922A (zh) | 一种工业数据智能分析系统 | |
| CN111435344A (zh) | 一种基于大数据的钻井提速影响因素分析模型 | |
| CN110007913A (zh) | 可视化的数据处理流程设置方法、装置、设备及存储介质 | |
| CN111475509A (zh) | 一种基于大数据的用户画像和多维分析系统 | |
| CN112580831B (zh) | 一种基于知识图谱的电力通信网智能辅助运维方法及系统 | |
| CN112527886A (zh) | 一种基于城市大脑的数据仓库系统 | |
| CN111178603A (zh) | 一种基于语义的工业生产设备预测性维护系统 | |
| CN109754177A (zh) | 污染源画像标签体系、污染源画像的构造方法及其应用 | |
| Zhang | Application of data mining technology in digital library. | |
| CN109299199A (zh) | 基于数据仓库的易制毒化学品多维分析系统及实现方法 | |
| CN115564071A (zh) | 一种电力物联网设备数据标签生成方法及系统 | |
| CN111680027A (zh) | 基于知识驱动实现智能云管理的方法及其系统 | |
| CN111666499A (zh) | 一种基于大数据的舆情监测云服务平台 | |
| CN113918724A (zh) | 一种河湖健康知识图谱的构建方法 | |
| Chen et al. | Research on equipment situation display based on multi-source data fusion | |
| Shi et al. | Intelligent Make Policy Support Systemic for Business Management Based on Big Data Analysis | |
| Miao et al. | Intelligent auxiliary operation and maintenance system of power communication network based on knowledge graph | |
| Nica et al. | New research directions in knowledge discovery and allied spheres | |
| CN114064997A (zh) | 一种基于大数据的人工智能电力调度决策系统 |
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 |