CN114625837A - 一种铁路车站联锁系统智能运维方法及系统 - Google Patents
一种铁路车站联锁系统智能运维方法及系统 Download PDFInfo
- Publication number
- CN114625837A CN114625837A CN202210229778.4A CN202210229778A CN114625837A CN 114625837 A CN114625837 A CN 114625837A CN 202210229778 A CN202210229778 A CN 202210229778A CN 114625837 A CN114625837 A CN 114625837A
- Authority
- CN
- China
- Prior art keywords
- fault
- knowledge
- maintenance
- interlocking system
- railway station
- 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
- 238000012423 maintenance Methods 0.000 title claims abstract description 66
- 238000000034 method Methods 0.000 title claims abstract description 31
- 238000007781 pre-processing Methods 0.000 claims abstract description 4
- 238000012545 processing Methods 0.000 claims description 31
- 238000003672 processing method Methods 0.000 claims description 16
- 238000000605 extraction Methods 0.000 claims description 9
- 239000013598 vector Substances 0.000 claims description 9
- 238000013507 mapping Methods 0.000 claims description 8
- 238000010276 construction Methods 0.000 claims description 4
- 230000002457 bidirectional effect Effects 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 claims description 3
- 238000003062 neural network model Methods 0.000 claims description 3
- 238000003745 diagnosis Methods 0.000 claims description 2
- 230000000306 recurrent effect Effects 0.000 claims description 2
- 230000008676 import Effects 0.000 claims 1
- 230000005540 biological transmission Effects 0.000 abstract 1
- 230000003287 optical effect Effects 0.000 abstract 1
- 238000004458 analytical method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000013024 troubleshooting Methods 0.000 description 2
- 125000002015 acyclic group Chemical group 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000001228 spectrum Methods 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
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/33—Querying
- G06F16/3331—Query processing
- G06F16/3332—Query translation
- G06F16/3335—Syntactic pre-processing, e.g. stopword elimination, stemming
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/33—Querying
- G06F16/3331—Query processing
- G06F16/334—Query execution
- G06F16/3344—Query execution using natural language analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/35—Clustering; Classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
- G06F16/367—Ontology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/279—Recognition of textual entities
- G06F40/289—Phrasal analysis, e.g. finite state techniques or chunking
- G06F40/295—Named entity recognition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/02—Knowledge representation; Symbolic representation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Databases & Information Systems (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Animal Behavior & Ethology (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Train Traffic Observation, Control, And Security (AREA)
Abstract
本发明公开了一种铁路车站联锁系统智能运维方法及系统,方法为:构建铁路车站联锁系统故障运维知识图谱,通过分析联锁系统故障相关知识,总结知识图谱模式层,以自顶向下方式构建数据层;基于知识图谱的光缆传输系统运维方案决策,故障描述映射到故障知识图谱中,获得故障子图,进一步在知识图谱中搜索,将故障描述与知识图谱中已有知识进行匹配,并输出运维方案;基于现场故障数据,将故障现象描述与已有故障数据进行对比,利用贝叶斯公式获得最大概率故障,并输出;系统包括:故障数据预处理模块、知识图谱存储模块、结果输出展示模块。本发明能够有效提高铁路车站联锁系统的运维效率,减少误差,提高工作效率。
Description
技术领域
本发明属于智能控制与决策领域,具体涉及一种铁路车站联锁系统智能运维方法及系统。
背景技术
我国铁路事业飞速发展,保证列车的安全行驶是当前铁路运行中重点研究发展的方向。车站铁路联锁系统是保证铁路列车安全运行的关键系统之一,主要保障列车在车站内的安全防护,利用信号设备之间的相互制约关系实现设备互锁,保证列车的安全运行。联锁系统每天24小时都处于日夜不间断的工作状态,发生故障是不可避免的,联锁系统发生故障如果不能够及时准确地找到故障原因及故障点,会危及到行车安全,造成严重后果。由于联锁系统结构复杂,工作环境恶劣,是故障的高频发生区域,故障原因复杂,排障工作主要是依靠车站现场工作人员依据设备原理及对故障现象的分析来推断故障点,十分依赖工作人员的专业素养及工作经验,随着列车运行速度的增长和行车密度的增大,单纯依靠维修人员的维护维修是极不效率的。而且这种人工查找故障点的方法,由于人为因素存在很大的误差性,很有可能造成错判、漏判的危险,容易造成铁路运行事故。而且由于人工排障需要一定的时间,如果排障周期过长,可能会扰乱铁路的运营秩序。
在人工智能快速发展的现代社会,由于以上问题的存在,智能化的联锁系统运维系统得到了研究者们的广泛关注,并致力于降低运维门槛,提高运维人员工作效率,实现铁路联锁系统的智能化运维符合高速铁路未来发展的趋势。
发明内容
为实现铁路车站联锁系统故障的智能化诊断、分析和决策处理。本发明提供一种铁路车站联锁系统智能运维方法及系统。
本发明的一种铁路车站联锁系统智能运维方法,包括以下步骤:
步骤1:基于相关知识数据构建铁路车站联锁系统故障运维知识图谱。
通过分析相关联锁系统故障非结构化知识、半结构化知识以及结构化知识,总结概括联锁故障运维知识图谱模式层,自顶向下的方式构建联锁故障运维知识图谱数据层。
步骤2:基于铁路车站联锁系统故障知识图谱推荐运维方案。
首先将故障描述映射到故障知识图谱中,得到故障描述子图,然后,进一步在联锁故障知识图谱中进行搜索,将故障描述与知识图谱中已有的知识进行匹配,在知识图谱中搜索可行的运维方案。
步骤3:基于贝叶斯网络和知识图谱的铁路车站联锁系统故障诊断。
基于在铁路车站现场工作人员所看到的故障现象以及联锁系统的监测数据,将故障现象描述与所获得的所有故障数据进行对比,得到该故障现象在故障现象中出现的次数,并统计在故障数据中与之相对应的故障原因、故障位置的类别数和分别出现的次数,然后通过贝叶斯公式来计算该故障现象与每个故障原因、故障位置对应的概率,然后在故障知识图谱中进行搜索,输出概率最大的故障原因、故障位置,并输出与之对应的处理方法。
进一步的,联锁故障运维知识图谱模式层是车站联锁系统相关的实体、实体间的关系以及属性的概括性描述,包括故障类型、故障现象、故障位置、故障原因、处理方法以及它们之间的相互关系构成。
进一步的,联锁故障运维知识图谱数据层的构建包括结构化知识数据处理、半结构化知识数据处理、非结构化知识数据处理。
进一步的,已有的结构化故障数据采用直接映射的方式进行处理,可直接利用Python语言。结构化知识数据处理采用直接映射的方式将CSV格式的故障数据按照实体类别导入到Neo4j图数据库中。
进一步的,半结构化知识数据处理,通过构建网络信息包装器对相应属性特征进行抽取,将抽取到的信息按照结构化知识数据格式进行存储,然后按照结构化知识数据处理方法进行处理。
进一步的,非结构化知识数据处理,先将非结构化知识数据中的关键信息抽取出来,转换为结构化数据,然后按照结构化知识数据处理方法进行处理,包括:命名实体识别、实体间关系抽取。
进一步的,命名实体识别具体为:采用双向长短期记忆网络配合条件随机场模型Bi-LSTM-CRF来获取铁路联锁系统故障知识实体,首先将每个字或词转化成固定长度的向量表示,模型输入的每个单元代表着字嵌入或词嵌入构成的向量;这些字或词向量使用前向和后向LSTM捕捉每个词左侧和右侧的上下文特征,并将两者合成输出;合成的结果再使用CRF模型为最后预测的标签添加一些约束来保证预测标签的合法性。
进一步的,实体间关系抽取具体为:采用循环神经网络模型RNN进行实体间关系抽取,将关系抽取看做一个二分类的问题,首先把无关实体过滤掉,将存在关系的实体提取出来,分为“头实体head entity”和“尾实体tail entity”,在根据两个实体间的实体类别以及距离判断两个实体间的关系。
本发明的一种铁路车站联锁系统智能运维系统包括:故障数据预处理模块、知识图谱存储模块、结果输出展示模块;
系统首先将对输入的故障文本信息进行分析处理,通过计算输入文本与知识图谱内实体间的TF-IDF相似度,如果相似度大于设置阈值,搜索相应故障子图谱,然后输出展示搜索结果;若相似度小于阈值,证明知识图谱内不存在这条故障信息,运维人员可对知识图谱进行更新。
本发明的有益技术效果为:
(1)本发明的铁路车站联锁系统故障的知识图谱构建,实现了铁路车站联锁系统故障处理信息的知识抽取、表示和管理,可以用于辅助技术运维人员进行故障处理,提升铁路车站联锁系统的故障应急处理能力和智能化水平。
(2)本发明的基于知识图谱的铁路车站联锁系统运维方案决策,能够基于系统运维需求与铁路车站联锁系统故障的知识图谱,匹配准确的运维方案,从而为运维人员提供可行的故障处理方案支持,提升故障处理效率。
(3)本发明的基于铁路车站联锁系统故障知识图谱的智能运维系统,整个系统主要包括:故障数据预处理模块、知识图谱存储模块、结果输出展示模块,系统便于工作人员对现场故障数据的管理以及更新,有助于降低运维门槛,提高运维人员工作效率。
附图说明
图1为本发明铁路车站联锁系统智能运维方法的处理流程示意图;
图2为本发明铁路车站联锁系统智能运维系统框架结构示意图。
具体实施方式
下面结合附图和具体实施方法对本发明做进一步详细说明。
本发明的一种铁路车站联锁系统智能运维方法如图1所示,包括以下步骤:
1、铁路车站联锁系统故障处理知识图谱构建。
通过分析相关联锁系统故障文本类非结构化知识,现场维修日志及网页百科类等半结构化知识,以及已有的结构化知识,总结概括联锁故障运维知识图谱模式层,然后通过自顶向下的方式构建知识图谱的数据层。
其中,知识图谱的模式层是车站联锁系统相关的实体、实体间的关系以及属性的概括性描述,主要包括故障类型、故障现象、故障位置、故障原因、处理方法以及它们之间的相互关系构成。知识图谱数据层的构建,主要包括:结构化数据处理、半结构化数据处理、非结构数据处理。
已有的结构化故障数据采用直接映射的方式进行处理,可直接利用Python语言,结构化知识数据采用直接映射的方式进行处理,首先将故障数据整理为三元组形式(“头实体,关系,尾实体”)存储,然后直接将CSV文件的故障数据导入到Neo4j图数据库中。
现场维修日志及网页百科类半结构化数据,通过构建网络信息包装器对相应属性特征进行抽取,将抽取的知识转换成结构化数据进行存储,然后按照结构化知识处理方法进行处理。
故障文本类非结构化数据处理,首先将非结构化数据先转换为结构化数据,然后按照结构化数据处理方法进行处理,主要包括:命名实体识别、实体间关系抽取两个步骤。
命名实体识别的实施方案如下:采用双向长短期记忆网络配合条件随机场模型(Bi-LSTM-CRF)来获取铁路联锁系统故障知识实体,首先将每个字或词转化成固定长度的向量表示,模型输入的每个单元代表着字嵌入或词嵌入构成的向量;这些字或词向量使用前向和后向LSTM捕捉每个词左侧和右侧的上下文特征,并将两者合成输出;合成的结果再使用CRF模型为最后预测的标签添加一些约束来保证预测标签的合法性。
实体间关系抽取的实施方案如下:采用神经网络模型(RNN)进行实体间关系抽取,将关系抽取看做一个二分类的问题,首先把无关实体过滤掉,将存在关系的实体提取出来,分为“头实体(head entity)”和“尾实体(tail entity)”,在根据两个实体间的实体类别以及距离判断两个实体间的关系。
2、基于铁路车站联锁系统故障知识图谱推荐运维方案。
首先将故障描述映射到故障知识图谱中,得到故障描述子图,然后,进一步在联锁故障知识图谱中进行搜索,将故障描述与知识图谱中已有的知识进行匹配,在知识图谱中搜索可行的运维方案。在具体应用实例中,针对单一故障处理与处理方法匹配展开。对于铁路车站联锁系统的单一故障描述O,其中所包含的所有实体和实体关系,能够映射为知识图谱中的单个无环子图。此时,若在构建的故障知识谱中存在一条故障描述P,该描述与O的TF-IDF相似度大于设定阈值,则认为O和P匹配成功,输出相应的运维方案。为了处理故障描述文本与已有故障数据的匹配程度,构建一个“停用词词典”,去除输入的故障描述中的“停用词”,保留关键信息,通过与已有故障描述的TF-IDF相似度来进行匹配。具体的匹配过程为:(1)输入故障描述O,并对O进行分词,并去除停用词,得到分词集合X;(2)计算X与已有的故障数据之间的TF-IDF相似度;(3)若相似度大于提前设定的阈值,则证明在图谱中存在相应的故障描述P,输出相应运维方案。
3、基于贝叶斯和知识图谱的铁路车站联锁系统故障诊断。
基于在铁路车站现场工作人员所看到的故障现象以及联锁系统的监测数据,将故障现象描述与所获得的所有故障数据进行对比,得到该故障现象在故障现象中出现的次数,并统计在故障数据中与之相对应的故障原因、故障位置的类别数和分别出现的次数,然后通过贝叶斯公式来计算该故障现象与每个故障原因、故障位置对应的概率,然后在故障知识图谱中进行搜索,输出概率最大的故障原因、故障位置,并输出与之对应的处理方法。通过以上实施例的铁路车站联锁系统智能运维方法,通过充分利用已有的运维经验和现场知识,通过知识图谱和贝叶斯网络,能够有效提升铁路车站联锁系统运维的智能化水平。
本发明的一种铁路车站联锁系统智能运维系统,整个系统框架主要分为:故障数据预处理模块、知识图谱存储模块、结果输出展示模块,系统首先将对输入的故障文本信息进行分析处理,通过计算输入文本与知识图谱内实体间的TF-IDF相似度,如果相似度大于设置阈值,搜索相应故障子图谱,然后输出展示搜索结果;若相似度小于阈值,证明知识图谱内不存在这条故障信息,运维人员可对知识图谱进行更新。
本发明技术方案,通过已有经验组织和大数据采集,能够有效提高铁路车站联锁系统的运维效率,减少误差,提高工作效率。
Claims (9)
1.一种铁路车站联锁系统智能运维方法,其特征在于,包括以下步骤:
步骤1:基于相关知识数据构建铁路车站联锁系统故障运维知识图谱;
通过分析相关联锁系统故障非结构化知识、半结构化知识以及结构化知识,总结概括联锁故障运维知识图谱模式层,自顶向下的方式构建联锁故障运维知识图谱数据层;
步骤2:基于铁路车站联锁系统故障知识图谱推荐运维方案;
首先将故障描述映射到故障知识图谱中,得到故障描述子图,然后,进一步在联锁故障知识图谱中进行搜索,将故障描述与知识图谱中已有的知识进行匹配,在知识图谱中搜索可行的运维方案;
步骤3:基于贝叶斯网络和知识图谱的铁路车站联锁系统故障诊断;
基于在铁路车站现场工作人员所看到的故障现象以及联锁系统的监测数据,将故障现象描述与所获得的所有故障数据进行对比,得到该故障现象在故障现象中出现的次数,并统计在故障数据中与之相对应的故障原因、故障位置的类别数和分别出现的次数,然后通过贝叶斯公式来计算该故障现象与每个故障原因、故障位置对应的概率,然后在故障知识图谱中进行搜索,输出概率最大的故障原因、故障位置,并输出与之对应的处理方法。
2.根据权利要求1所述的一种铁路车站联锁系统智能运维方法,其特征在于,所述联锁故障运维知识图谱模式层是车站联锁系统相关的实体、实体间的关系以及属性的概括性描述,包括故障类型、故障现象、故障位置、故障原因、处理方法以及它们之间的相互关系构成。
3.根据权利要求1所述的一种铁路车站联锁系统智能运维方法,其特征在于,所述联锁故障运维知识图谱数据层的构建包括结构化知识数据处理、半结构化知识数据处理、非结构化知识数据处理。
4.根据权利要求3所述的一种铁路车站联锁系统智能运维方法,其特征在于,所述结构化知识数据处理采用直接映射的方式将CSV格式的故障数据按照实体类别导入到Neo4j图数据库中。
5.根据权利要求4所述的一种铁路车站联锁系统智能运维方法,其特征在于,所述半结构化知识数据处理,通过构建网络信息包装器对相应属性特征进行抽取,将抽取到的信息按照结构化知识数据格式进行存储,然后按照结构化知识数据处理方法进行处理。
6.根据权利要求4所述的一种铁路车站联锁系统智能运维方法,其特征在于,所述非结构化知识数据处理,先将非结构化知识数据中的关键信息抽取出来,转换为结构化数据,然后按照结构化知识数据处理方法进行处理,包括:命名实体识别、实体间关系抽取。
7.根据权利要求6所述的一种铁路车站联锁系统智能运维方法,其特征在于,所述命名实体识别具体为:采用双向长短期记忆网络配合条件随机场模型Bi-LSTM-CRF来获取铁路联锁系统故障知识实体,首先将每个字或词转化成固定长度的向量表示,模型输入的每个单元代表着字嵌入或词嵌入构成的向量;这些字或词向量使用前向和后向LSTM捕捉每个词左侧和右侧的上下文特征,并将两者合成输出;合成的结果再使用CRF模型为最后预测的标签添加一些约束来保证预测标签的合法性。
8.根据权利要求6所述的一种铁路车站联锁系统智能运维方法,其特征在于,所述实体间关系抽取具体为:采用循环神经网络模型RNN进行实体间关系抽取,将关系抽取看做一个二分类的问题,首先把无关实体过滤掉,将存在关系的实体提取出来,分为“头实体headentity”和“尾实体tail entity”,在根据两个实体间的实体类别以及距离判断两个实体间的关系。
9.一种铁路车站联锁系统智能运维系统,其特征在于,包括:故障数据预处理模块、知识图谱存储模块、结果输出展示模块;
系统首先将对输入的故障文本信息进行分析处理,通过计算输入文本与知识图谱内实体间的TF-IDF相似度,如果相似度大于设置阈值,搜索相应故障子图谱,然后输出展示搜索结果;若相似度小于阈值,证明知识图谱内不存在这条故障信息,运维人员可对知识图谱进行更新。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210229778.4A CN114625837A (zh) | 2022-03-09 | 2022-03-09 | 一种铁路车站联锁系统智能运维方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210229778.4A CN114625837A (zh) | 2022-03-09 | 2022-03-09 | 一种铁路车站联锁系统智能运维方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114625837A true CN114625837A (zh) | 2022-06-14 |
Family
ID=81900946
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210229778.4A Pending CN114625837A (zh) | 2022-03-09 | 2022-03-09 | 一种铁路车站联锁系统智能运维方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114625837A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115184807A (zh) * | 2022-07-05 | 2022-10-14 | 东莞新能安科技有限公司 | 电池的故障检测方法、装置、设备、介质和产品 |
CN115766404A (zh) * | 2022-10-24 | 2023-03-07 | 浪潮通信信息系统有限公司 | 一种基于智能分析的通信运营商网络故障管理方法及系统 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113723632A (zh) * | 2021-08-27 | 2021-11-30 | 北京邮电大学 | 一种基于知识图谱的工业设备故障诊断方法 |
-
2022
- 2022-03-09 CN CN202210229778.4A patent/CN114625837A/zh active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113723632A (zh) * | 2021-08-27 | 2021-11-30 | 北京邮电大学 | 一种基于知识图谱的工业设备故障诊断方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115184807A (zh) * | 2022-07-05 | 2022-10-14 | 东莞新能安科技有限公司 | 电池的故障检测方法、装置、设备、介质和产品 |
CN115766404A (zh) * | 2022-10-24 | 2023-03-07 | 浪潮通信信息系统有限公司 | 一种基于智能分析的通信运营商网络故障管理方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112905804B (zh) | 一种电网调度知识图谱的动态更新方法及装置 | |
CN114625837A (zh) | 一种铁路车站联锁系统智能运维方法及系统 | |
Lao et al. | Intelligent fault diagnosis for rail transit switch machine based on adaptive feature selection and improved LightGBM | |
Hua et al. | Extraction and analysis of risk factors from Chinese railway accident reports | |
CN113191148A (zh) | 一种基于半监督学习和聚类的轨道交通实体识别方法 | |
CN107340766A (zh) | 基于相似度的电力调度告警信号文本归类及故障诊断方法 | |
CN116910633B (zh) | 一种基于多模态知识混合推理的电网故障预测方法 | |
Zhu et al. | Relationship extraction method for urban rail transit operation emergencies records | |
CN112884179A (zh) | 基于机器故障和文本主题分析的城轨折返故障诊断方法 | |
CN114580978A (zh) | 一种环评报告质量检查系统及其方法 | |
CN115757775A (zh) | 基于文本蕴含的无触发词文本事件检测方法及系统 | |
CN114139781A (zh) | 一种电力系统的运行趋势预测方法及系统 | |
CN117852541A (zh) | 一种实体关系三元组抽取方法、系统及计算机设备 | |
CN118037261A (zh) | 基于知识图谱的输变电设备运维方法、装置、设备及介质 | |
CN117725904A (zh) | 一种面向ctc系统操作日志数据的分析方法 | |
Wang et al. | Correlation Analysis of External Environment Risk Factors for High‐Speed Railway Derailment Based on Unstructured Data | |
CN116957236A (zh) | 一种基于知识图谱的电网告警信息辅助决策方法 | |
CN116975161A (zh) | 电力设备局放文本的实体关系联合抽取方法、设备、介质 | |
CN114298339B (zh) | 一种变电站设备告警智能决策方法及系统 | |
CN116258206A (zh) | 一种基于中文自然语言处理的分布式专家系统 | |
CN115545437A (zh) | 一种基于多源异构数据融合的金融企业经营风险预警方法 | |
CN114090732A (zh) | 轨道交通故障处理方案自动生成方法及系统 | |
Qu et al. | Adversarial training for named entity recognition of rail fault text | |
CN116994104B (zh) | 基于张量融合和对比学习的零样本识别方法和系统 | |
US11823477B1 (en) | Method and system for extracting data from tables within regulatory content |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20220614 |
|
RJ01 | Rejection of invention patent application after publication |