CN114633776A - 用于智能列车的全局监测方法、系统和电子设备 - Google Patents
用于智能列车的全局监测方法、系统和电子设备 Download PDFInfo
- Publication number
- CN114633776A CN114633776A CN202210199874.9A CN202210199874A CN114633776A CN 114633776 A CN114633776 A CN 114633776A CN 202210199874 A CN202210199874 A CN 202210199874A CN 114633776 A CN114633776 A CN 114633776A
- Authority
- CN
- China
- Prior art keywords
- matrix
- similarity
- feature
- intelligent
- state
- 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.)
- Withdrawn
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 65
- 238000000034 method Methods 0.000 title claims abstract description 49
- 239000011159 matrix material Substances 0.000 claims description 238
- 239000013598 vector Substances 0.000 claims description 127
- 238000013528 artificial neural network Methods 0.000 claims description 38
- 238000012545 processing Methods 0.000 claims description 27
- 238000013527 convolutional neural network Methods 0.000 claims description 24
- 230000014509 gene expression Effects 0.000 claims description 23
- 238000010586 diagram Methods 0.000 claims description 17
- 230000001788 irregular Effects 0.000 claims description 13
- 238000004378 air conditioning Methods 0.000 claims description 12
- 238000012512 characterization method Methods 0.000 claims description 11
- 230000006870 function Effects 0.000 claims description 11
- 230000002159 abnormal effect Effects 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 10
- 238000011176 pooling Methods 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 10
- 230000004913 activation Effects 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 6
- 230000005540 biological transmission Effects 0.000 claims description 3
- 238000012546 transfer Methods 0.000 claims description 2
- 238000003745 diagnosis Methods 0.000 abstract description 8
- 230000005856 abnormality Effects 0.000 description 6
- 238000001514 detection method Methods 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000006798 recombination Effects 0.000 description 1
- 238000005215 recombination Methods 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B61—RAILWAYS
- B61L—GUIDING RAILWAY TRAFFIC; ENSURING THE SAFETY OF RAILWAY TRAFFIC
- B61L15/00—Indicators provided on the vehicle or train for signalling purposes
- B61L15/0081—On-board diagnosis or maintenance
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Mechanical Engineering (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本申请涉及智能列车监测的领域，其具体地公开了一种用于智能列车的全局监测方法、系统和电子设备，其通过包含嵌入层的上下文编码器来得到各个系统的全局性状态信息，然后计算所述状态特征向量之间的相似性，以提取出所述各个系统的状态之间的关联关系，进一步利用图神经网络来通过可学习的神经网络参数来生成包含特征信息与不规则的拓扑结构信息的表征矩阵，并且本申请还基于所有列车作为整体的特征相似性来进行分类，从而使得分类的精准度更高。这样，能够提高对于智能列车的全局系统异常诊断的准确度，从而保证智能列车的正常运行。
Description
技术领域
本发明涉及智能列车监测的领域，且更为具体地，涉及一种用于智能列车的全局监测方法、系统和电子设备。
背景技术
随着车辆智能化和信息化水平的提升，面向在线运行实时监测列车运行状态的监测系统变得尤为重要。一辆列车包括多个相互关联的系统：车门系统、PIS系统、致动系统、牵引系统、空调系统、走行部系统、蓄电池系统等，且每个系统包括一个或多个设备。
在列车运行时，各个系统之间相互协调工作，当有一个系统出现故障时，就会影响其他系统的正常使用，并且每一个系统的故障都可能会导致整车无法运行，严重时还会造成安全事故，因此对于列车的异常诊断尤为重要。但是，目前的列车系统的诊断和检测大多是依靠人工进行判断，并且各个系统以及各个列车都是独立进行诊断，这样不仅会使得对于列车安全性的检测效率低下，还会导致漏判误判，从而使得检测的准确度难以达到应有的要求。
因此，为了提高对于智能列车的全局系统异常诊断的准确度，期望一种用于智能列车的全局监测方法。
发明内容
为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种用于智能列车的全局监测方法、系统和电子设备，其通过包含嵌入层的上下文编码器来得到各个系统的全局性状态信息，然后计算所述状态特征向量之间的相似性，以提取出所述各个系统的状态之间的关联关系，进一步利用图神经网络来通过可学习的神经网络参数来生成包含特征信息与不规则的拓扑结构信息的表征矩阵，并且本申请还基于所有列车作为整体的特征相似性来进行分类，从而使得分类的精准度更高。这样，能够提高对于智能列车的全局系统异常诊断的准确度，从而保证智能列车的正常运行。
根据本申请的一个方面，提供了一种用于智能列车的全局监测方法，其包括：
获得单个智能列车的各个系统的状态数据，其中，所述智能列车包括车门系统、PIS系统、致动系统、牵引系统、空调系统、走行部系统和蓄电池系统；
将所述单个智能列车的各个系统的状态数据通过包含嵌入层的上下文编码器以获得所述单个智能列车的各个系统的状态特征向量；
计算所述单个智能列车的各个系统的状态特征向量中每两个状态特征向量之间的相似性值以获得由多个相似性值构成的第一相似性矩阵；
将所述单个智能列车的各个系统的状态特征向量进行二维排列为状态特征矩阵；
将所述第一相似性矩阵和所述状态特征矩阵通过图神经网络以获得图特征矩阵，所述图特征矩阵的每一个行向量对应于一个系统的特征表达，其中，所述图神经网络用于通过可学习的神经网络参数来生成包含特征信息与不规则的拓扑结构信息的表征矩阵；
获得多个所述智能列车的相应一个系统的多个行向量，并计算所述多个行向量之间的相似性值以获得由多个相似性值构成的第二相似性矩阵；
将所述多个智能列车的各个系统的第二相似性矩阵排列为第二特征图，其中，所述第二特征图用于表示各个智能列车的相应系统之间的状态相似关系；
将所述第二特征图通过卷积神经网络以获得相似性特征矩阵；
获取待监测智能列车的图特征矩阵；
将所述相似性特征矩阵与所述图特征矩阵进行矩阵相乘以获得分类特征矩阵；以及
将所述分类特征矩阵通过分类器以获得分类结果，所述分类结果用于表示待监测智能列车是否存在异常。
根据本申请的另一方面，提供了一种用于智能列车的全局监测系统，其包括：
状态数据获取单元，用于获得单个智能列车的各个系统的状态数据，其中，所述智能列车包括车门系统、PIS系统、致动系统、牵引系统、空调系统、走行部系统和蓄电池系统；
编码单元，用于将所述状态数据获取单元获得的单个智能列车的各个系统的状态数据通过包含嵌入层的上下文编码器以获得所述单个智能列车的各个系统的状态特征向量；
相似性计算单元，用于计算所述编码单元获得的所述单个智能列车的各个系统的状态特征向量中每两个状态特征向量之间的相似性值以获得由多个相似性值构成的第一相似性矩阵；
二维排列单元，用于将所述编码单元获得的所述单个智能列车的各个系统的状态特征向量进行二维排列为状态特征矩阵；
图神经网络单元，用于将所述相似性计算单元获得的所述第一相似性矩阵和所述二维排列单元获得的所述状态特征矩阵通过图神经网络以获得图特征矩阵，所述图特征矩阵的每一个行向量对应于一个系统的特征表达，其中，所述图神经网络用于通过可学习的神经网络参数来生成包含特征信息与不规则的拓扑结构信息的表征矩阵；
第二相似性矩阵生成单元，用于获得多个所述智能列车的相应一个系统的多个行向量，并计算所述多个行向量之间的相似性值以获得由多个相似性值构成的第二相似性矩阵；
第二特征图生成单元，用于将所述第二相似性矩阵生成单元获得的所述多个智能列车的各个系统的第二相似性矩阵排列为第二特征图，其中，所述第二特征图用于表示各个智能列车的相应系统之间的状态相似关系；
相似性特征矩阵生成单元，用于将所述第二特征图生成单元获得的所述第二特征图通过卷积神经网络以获得相似性特征矩阵；
图特征矩阵获取单元，用于获取待监测智能列车的图特征矩阵；
分类特征矩阵生成单元，用于将所述相似性特征矩阵生成单元获得的所述相似性特征矩阵与所述图特征矩阵获取单元获得的所述图特征矩阵进行矩阵相乘以获得分类特征矩阵；以及
分类单元，用于将所述分类特征矩阵生成单元获得的所述分类特征矩阵通过分类器以获得分类结果，所述分类结果用于表示待监测智能列车是否存在异常。
根据本申请的又一方面，提供了一种电子设备，包括：处理器；以及，存储器，在所述存储器中存储有计算机程序指令，所述计算机程序指令在被所述处理器运行时使得所述处理器执行如上所述的用于智能列车的全局监测方法。
根据本申请的再又一方面，提供了一种计算机可读介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行如上所述的用于智能列车的全局监测方法。
与现有技术相比，本申请提供的用于智能列车的全局监测方法、系统和电子设备，其通过包含嵌入层的上下文编码器来得到各个系统的全局性状态信息，然后计算所述状态特征向量之间的相似性，以提取出所述各个系统的状态之间的关联关系，进一步利用图神经网络来通过可学习的神经网络参数来生成包含特征信息与不规则的拓扑结构信息的表征矩阵，并且本申请还基于所有列车作为整体的特征相似性来进行分类，从而使得分类的精准度更高。这样，能够提高对于智能列车的全局系统异常诊断的准确度，从而保证智能列车的正常运行。
附图说明
通过结合附图对本申请实施例进行更详细的描述，本申请的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本申请实施例的进一步理解，并且构成说明书的一部分，与本申请实施例一起用于解释本申请，并不构成对本申请的限制。在附图中，相同的参考标号通常代表相同部件或步骤。
图1为根据本申请实施例的用于智能列车的全局监测方法的应用场景图；
图2为根据本申请实施例的用于智能列车的全局监测方法的流程图；
图3为根据本申请实施例的用于智能列车的全局监测方法的系统架构示意图；
图4为根据本申请实施例的用于智能列车的全局监测系统的框图；
图5为根据本申请实施例的电子设备的框图。
具体实施方式
下面，将参考附图详细地描述根据本申请的示例实施例。显然，所描述的实施例仅仅是本申请的一部分实施例，而不是本申请的全部实施例，应理解，本申请不受这里描述的示例实施例的限制。
场景概述
如前所述，在列车运行时，各个系统之间相互协调工作，当有一个系统出现故障时，就会影响其他系统的正常使用，并且每一个系统的故障都可能会导致整车无法运行，严重时还会造成安全事故，因此对于列车的异常诊断尤为重要。但是，目前的列车系统的诊断和检测大多是依靠人工进行判断，并且各个系统以及各个列车都是独立进行诊断，这样不仅会使得对于列车安全性的检测效率低下，还会导致漏判误判，从而使得检测的准确度难以达到应有的要求。
因此，为了提高对于智能列车的全局系统异常诊断的准确度，期望一种用于智能列车的全局监测方法。
相应地，在本申请的技术方案中，首先获得单个列车的每个系统的状态数据，并输入包括嵌入层的上下文编码器以得到各个系统的状态特征向量，然后计算状态特征向量之间的第一相似性，例如欧氏距离和余弦距离以获得状态特征向量之间的第一相似性矩阵。由于该第一相似性矩阵表示各个系统的状态之间的关联，因此如果将系统本身看作节点，则第一相似性矩阵实质上起到了拓扑结构中的邻接矩阵的作用，用于表示各个系统之间的邻接关系。
基于此，将第一相似性矩阵和各个系统的状态特征向量二维排列得到的状态特征矩阵输入图神经网络，以得到图特征矩阵，这样，图特征矩阵的每个行向量对应于一个系统的特征表达。
但是，考虑到这里如果将系统作为节点，则每个节点并不是如传统节点那样的同质节点，而是属于异质节点，因此每个行向量是异质节点的特征表达，如果直接通过分类器，则会使得分类器的参数训练困难，降低分类精确度。
因此，在本申请的技术方案中，并非基于特征表达本身，而是基于所有列车作为整体的特征相似性来进行分类。具体地，获得多个列车的相应系统的多个行向量，并计算多个行向量之间的第二相似性，以获得第二相似性矩阵，这样，可以对于每个系统获得一个第二相似性矩阵，以得到第二特征图，该第二特征图用于表示各个列车的相应系统之间的状态相似关系。
然后，将第二特征图输入卷积神经网络(III类)，以获得相似特征矩阵。这样，对于某个列车的图特征矩阵，当要使用分类器进行分类时，可以首先将相似特征矩阵乘以图特征矩阵得到分类矩阵，以将该列车的状态特征表达映射到各个列车的整体状态的关联特征空间内，从而以该列车的系统状态与其它同类列车的系统状态的相似性来代替列车的各个系统之间的状态表达，从而避免状态表达差异所造成的误差。这可以直观理解为如果某列车的各系统的状态表达之间的相似性显著偏离以所有列车作为整体的系统状态表达之间的相似性分布，则该列车可能存在故障。
最后，将分类矩阵输入分类器得到分类结果。
基于此，本申请提出了一种用于智能列车的全局监测方法，其包括：获得单个智能列车的各个系统的状态数据，其中，所述智能列车包括车门系统、PIS系统、致动系统、牵引系统、空调系统、走行部系统和蓄电池系统；将所述单个智能列车的各个系统的状态数据通过包含嵌入层的上下文编码器以获得所述单个智能列车的各个系统的状态特征向量；计算所述单个智能列车的各个系统的状态特征向量中每两个状态特征向量之间的相似性值以获得由多个相似性值构成的第一相似性矩阵；将所述单个智能列车的各个系统的状态特征向量进行二维排列为状态特征矩阵；将所述第一相似性矩阵和所述状态特征矩阵通过图神经网络以获得图特征矩阵，所述图特征矩阵的每一个行向量对应于一个系统的特征表达，其中，所述图神经网络用于通过可学习的神经网络参数来生成包含特征信息与不规则的拓扑结构信息的表征矩阵；获得多个所述智能列车的相应一个系统的多个行向量，并计算所述多个行向量之间的相似性值以获得由多个相似性值构成的第二相似性矩阵；将所述多个智能列车的各个系统的第二相似性矩阵排列为第二特征图，其中，所述第二特征图用于表示各个智能列车的相应系统之间的状态相似关系；将所述第二特征图通过卷积神经网络以获得相似性特征矩阵；获取待监测智能列车的图特征矩阵；将所述相似性特征矩阵与所述图特征矩阵进行矩阵相乘以获得分类特征矩阵；以及，将所述分类特征矩阵通过分类器以获得分类结果，所述分类结果用于表示待监测智能列车是否存在异常。
图1图示了根据本申请实施例的用于智能列车的全局监测方法的应用场景图。如图1所示，在该应用场景中，首先，获取待监测的多个智能列车(例如，如图1中所示意的T)中每个列车的各个系统的状态数据，所述智能列车包括车门系统、PIS系统、致动系统、牵引系统、空调系统、走行部系统和蓄电池系统，其中，所述各个系统之间相互电连接，所述多个智能列车之间通过互联网相互连接。然后，将获得的所述状态数据输入至部署有用于智能列车的全局监测算法的服务器中(例如，如图1中所示意的S)，其中，所述服务器能够以用于智能列车的全局监测算法对所述状态数据进行处理，以生成用于表示待监测智能列车是否存在异常的分类结果。
在介绍了本申请的基本原理之后，下面将参考附图来具体介绍本申请的各种非限制性实施例。
示例性方法
图2图示了用于智能列车的全局监测方法的流程图。如图2所示，根据本申请实施例的用于智能列车的全局监测方法，包括：S110，获得单个智能列车的各个系统的状态数据，其中，所述智能列车包括车门系统、PIS系统、致动系统、牵引系统、空调系统、走行部系统和蓄电池系统；S120，将所述单个智能列车的各个系统的状态数据通过包含嵌入层的上下文编码器以获得所述单个智能列车的各个系统的状态特征向量；S130，计算所述单个智能列车的各个系统的状态特征向量中每两个状态特征向量之间的相似性值以获得由多个相似性值构成的第一相似性矩阵；S140，将所述单个智能列车的各个系统的状态特征向量进行二维排列为状态特征矩阵；S150，将所述第一相似性矩阵和所述状态特征矩阵通过图神经网络以获得图特征矩阵，所述图特征矩阵的每一个行向量对应于一个系统的特征表达，其中，所述图神经网络用于通过可学习的神经网络参数来生成包含特征信息与不规则的拓扑结构信息的表征矩阵；S160，获得多个所述智能列车的相应一个系统的多个行向量，并计算所述多个行向量之间的相似性值以获得由多个相似性值构成的第二相似性矩阵；S170，将所述多个智能列车的各个系统的第二相似性矩阵排列为第二特征图，其中，所述第二特征图用于表示各个智能列车的相应系统之间的状态相似关系；S180，将所述第二特征图通过卷积神经网络以获得相似性特征矩阵；S190，获取待监测智能列车的图特征矩阵；S200，将所述相似性特征矩阵与所述图特征矩阵进行矩阵相乘以获得分类特征矩阵；以及，S210，将所述分类特征矩阵通过分类器以获得分类结果，所述分类结果用于表示待监测智能列车是否存在异常。
图3图示了根据本申请实施例的用于智能列车的全局监测方法的架构示意图。如图3所示，在所述用于智能列车的全局监测方法的网络架构中，首先，将获得的所述单个智能列车的各个系统的状态数据(例如，如图3中所示意的P)通过包含嵌入层的上下文编码器(例如，如图3中所示意的E)以获得所述单个智能列车的各个系统的状态特征向量(例如，如图3中所示意的VF1)；接着，计算所述单个智能列车的各个系统的状态特征向量中每两个状态特征向量之间的相似性值以获得由多个相似性值构成的第一相似性矩阵(例如，如图3中所示意的M1)；然后，将所述单个智能列车的各个系统的状态特征向量进行二维排列为状态特征矩阵(例如，如图3中所示意的MF1)；接着，将所述第一相似性矩阵和所述状态特征矩阵通过图神经网络(例如，如图3中所示意的GNN)以获得图特征矩阵(例如，如图3中所示意的MF2)；然后，获得多个所述智能列车的相应一个系统的多个行向量(例如，如图3中所示意的V)，并计算所述多个行向量之间的相似性值以获得由多个相似性值构成的第二相似性矩阵(例如，如图3中所示意的M2)；接着，将所述多个智能列车的各个系统的第二相似性矩阵排列为第二特征图(例如，如图3中所示意的F)；然后，将所述第二特征图通过卷积神经网络(例如，如图3中所示意的CNN)以获得相似性特征矩阵(例如，如图3中所示意的MF3)；接着，获取待监测智能列车的图特征矩阵(例如，如图3中所示意的MF4)；然后，将所述相似性特征矩阵与所述图特征矩阵进行矩阵相乘以获得分类特征矩阵(例如，如图3中所示意的MF)；以及，最后，将所述分类特征矩阵通过分类器(例如，如图3中所示意的分类器)以获得分类结果，所述分类结果用于表示待监测智能列车是否存在异常。
在步骤S110和步骤S120中，获得单个智能列车的各个系统的状态数据，其中，所述智能列车包括车门系统、PIS系统、致动系统、牵引系统、空调系统、走行部系统和蓄电池系统，并将所述单个智能列车的各个系统的状态数据通过包含嵌入层的上下文编码器以获得所述单个智能列车的各个系统的状态特征向量。如前所述，考虑到一辆列车包括多个相互关联的系统：车门系统、PIS系统、致动系统、牵引系统、空调系统、走行部系统、蓄电池系统等，且每个系统包括一个或多个设备，因此，在本申请的技术方案中，可将一辆列车作为整体，通过单个智能列车中的各个系统的设备的状态数据之间的关联关系，并且结合其他列车的特征来进行智能列车的异常监测。
相应地，在一个具体示例中，首先获取待监测的多个智能列车中的单个个列车的各个系统的状态数据，所述智能列车包括车门系统、PIS系统、致动系统、牵引系统、空调系统、走行部系统和蓄电池系统，这里，所述各个系统之间相互电连接，所述多个智能列车之间通过互联网相互连接。然后，将所述单个智能列车的各个系统的状态数据通过包含嵌入层的上下文编码器中进行编码，以获得所述单个智能列车的各个系统的状态特征向量。应可以理解，基于上下文的编码器模型可以基于上下文对所述输入向量进行编码处理，从而使得所获得的所述状态特征向量能够包括全局性的状态关联信息。
具体地，在本申请实施例中，将所述单个智能列车的各个系统的状态数据通过包含嵌入层的上下文编码器以获得所述单个智能列车的各个系统的状态特征向量的过程，包括：首先，将所述单个智能列车的各个系统的状态数据输入所述上下文编码器的嵌入层以将所述单个智能列车的各个系统的状态数据转化为输入向量，以获得输入向量的序列；然后，将所述输入向量的序列通过所述上下文编码器的转换器以获得所述单个智能列车的各个系统的状态特征向量。
在步骤S130中，计算所述单个智能列车的各个系统的状态特征向量中每两个状态特征向量之间的相似性值以获得由多个相似性值构成的第一相似性矩阵。也就是，进一步再计算所述单个智能列车的各个系统的状态特征向量之间的第一相似性，例如欧氏距离和余弦距离以获得状态特征向量之间的第一相似性矩阵。这里，所述第一相似性矩阵表示所述各个系统的状态之间的关联关系。
具体地，在本申请实施例中，计算所述单个智能列车的各个系统的状态特征向量中每两个状态特征向量之间的相似性值以获得由多个相似性值构成的第一相似性矩阵的过程，包括：首先，计算所述单个智能列车的各个系统的状态特征向量之间的每两个状态向量之间的欧式距离或余弦距离作为所述相似性值；然后，将所述相似性值进行矩阵排列以获得所述第一相似性矩阵。应可以理解，所述欧氏距离函数，也被称为最小平方误差(LSE)，它是目标值与估计值的差值的平方和，也叫L2距离，所述公式为D＝|xi-yi|2，xi和yi分别表示所述智能列车的各个系统的状态特征向量之间的每两个状态向量中的各个位置的特征值。这里，计算所述智能列车的各个系统的状态特征向量之间的每两个状态向量之间的欧式距离或余弦距离，能够从数值维度上反映出所述智能列车的各个系统的状态特征向量之间的每两个状态向量中各个特征向量之间的特征差异程度。
在步骤S140和步骤S150中，将所述单个智能列车的各个系统的状态特征向量进行二维排列为状态特征矩阵，并将所述第一相似性矩阵和所述状态特征矩阵通过图神经网络以获得图特征矩阵，所述图特征矩阵的每一个行向量对应于一个系统的特征表达，其中，所述图神经网络用于通过可学习的神经网络参数来生成包含特征信息与不规则的拓扑结构信息的表征矩阵。应可以理解，由于所述第一相似性矩阵表示各个系统的状态之间的关联，因此如果将系统本身看作节点，则所述第一相似性矩阵实质上起到了拓扑结构中的邻接矩阵的作用，用于表示所述各个系统之间的邻接关系。因此，在本申请的技术方案中，进一步将所述第一相似性矩阵和所述各个系统的状态特征向量二维排列得到的状态特征矩阵输入图神经网络，以得到图特征矩阵。这样，所述图特征矩阵的每个行向量对应于一个系统的特征表达。应可以理解，所述图神经网络用于通过可学习的神经网络参数来生成包含特征信息与不规则的拓扑结构信息的表征矩阵，从而提取出数据样本由于特征信息和不规则的拓扑结构信息而存在的关联信息，因此所获得的所述图特征矩阵相比直接拼接得到特征矩阵能够提高后续分类的准确性。
在步骤S160中，获得多个所述智能列车的相应一个系统的多个行向量，并计算所述多个行向量之间的相似性值以获得由多个相似性值构成的第二相似性矩阵。应可以理解，考虑到如果将系统作为节点，则每个所述节点并不是如传统节点那样的同质节点，而是属于异质节点，因此每个行向量是所述异质节点的特征表达，如果直接通过分类器，则会使得所述分类器的参数训练困难，降低分类精确度。因此，在本申请的技术方案中，并非基于特征表达本身，而是基于所有列车作为整体的特征相似性来进行分类。也就是，在一个具体示例中，类似地，获得多个所述列车的相应系统的多个行向量，接着计算所述多个行向量之间的第二相似性，以获得第二相似性矩阵。
在步骤S170和步骤S180中，将所述多个智能列车的各个系统的第二相似性矩阵排列为第二特征图，其中，所述第二特征图用于表示各个智能列车的相应系统之间的状态相似关系，并将所述第二特征图通过卷积神经网络以获得相似性特征矩阵。也就是，在本申请的技术方案中，考虑到对于所述多个智能列车的每个系统可以获得一个第二相似性矩阵，因此，进一步将所述多个智能列车的各个系统的第二相似性矩阵排列为以得到第二特征图，这里，所述第二特征图用于表示各个智能列车的相应系统之间的状态相似关系。然后，再将所述第二特征图通过卷积神经网络中进行处理，以获得相似性特征矩阵。相应地，在一个具体示例中，所述卷积神经网络的各层在层的正向传递过程中对输入数据进行卷积处理、沿通道维度的均值池化处理和激活处理以获得所述相似性特征矩阵。
具体地，在本申请实施例中，将所述第二特征图通过卷积神经网络以获得相似性特征矩阵的过程，包括：首先，所述卷积神经网络的除最后一层以外的各层在层的正向传递过程中对输入数据进行卷积处理、池化处理和激活处理以获得所述相似性特征图；然后，所述卷积神经网络的最后一层对所述相似性特征图进行卷积处理、沿通道维度的全局平均池化处理和激活处理以获得所述相似性特征矩阵。应可以理解，通过对所述相似性特征图进行全局池化处理，可以减少参数的数量，以提高训练的速度，进而对整个网络在结构上做正规化防止过拟合。
在步骤S190和步骤S200中，获取待监测智能列车的图特征矩阵，并将所述相似性特征矩阵与所述图特征矩阵进行矩阵相乘以获得分类特征矩阵。应可以理解，对于某个列车的图特征矩阵，当要使用分类器进行分类时，可以首先将所述相似特征矩阵乘以所述图特征矩阵得到分类特征矩阵，以将该所述列车的状态特征表达映射到所述各个列车的整体状态的关联特征空间内，从而以该所述列车的系统状态与其它同类列车的系统状态的相似性来代替列车的所述各个系统之间的状态表达，从而避免所述状态表达差异所造成的误差。这可以直观理解为如果某列车的所述各系统的状态表达之间的相似性显著偏离以所有列车作为整体的系统状态表达之间的相似性分布，则所述列车可能存在故障。
在步骤S210中，将所述分类特征矩阵通过分类器以获得分类结果，所述分类结果用于表示待监测智能列车是否存在异常。也就是，在本申请的技术方案中，在得到所述分类特征矩阵后，将所述分类特征矩阵通过分类器以获得用于表示待监测智能列车是否存在异常的分类结果。
具体地，在本申请实施例中，将所述分类特征矩阵通过分类器以获得分类结果的过程，包括：首先，将所述分类特征矩阵投影为分类向量；然后，使用所述分类器的多个全连接层对所述分类向量进行全连接编码以获得分类特征向量；最后，将所述分类特征向量输入所述分类器的Softmax分类函数以获得所述分类结果。
特别地，在一个具体示例中，所述分类器以如下公式对所述分类特征矩阵进行处理以获得所述分类结果，其中，所述公式为：softmax{(Wn,Bn):…:(W1,B1)|Project(F)}，其中Project(F)表示将所述分类特征矩阵投影为向量，W1至Wn为各层全连接层的权重矩阵，B1至Bn表示各层全连接层的偏置矩阵。
综上，本申请实施例的用于智能列车的全局监测方法被阐明，其通过包含嵌入层的上下文编码器来得到各个系统的全局性状态信息，然后计算所述状态特征向量之间的相似性，以提取出所述各个系统的状态之间的关联关系，进一步利用图神经网络来通过可学习的神经网络参数来生成包含特征信息与不规则的拓扑结构信息的表征矩阵，并且本申请还基于所有列车作为整体的特征相似性来进行分类，从而使得分类的精准度更高。这样，能够提高对于智能列车的全局系统异常诊断的准确度，从而保证智能列车的正常运行。
示例性系统
图4图示了根据本申请实施例的用于智能列车的全局监测系统的框图。如图4所示，根据本申请实施例的用于智能列车的全局监测系统400，包括：状态数据获取单元410，用于获得单个智能列车的各个系统的状态数据，其中，所述智能列车包括车门系统、PIS系统、致动系统、牵引系统、空调系统、走行部系统和蓄电池系统；编码单元420，用于将所述状态数据获取单元410获得的单个智能列车的各个系统的状态数据通过包含嵌入层的上下文编码器以获得所述单个智能列车的各个系统的状态特征向量；相似性计算单元430，用于计算所述编码单元420获得的所述单个智能列车的各个系统的状态特征向量中每两个状态特征向量之间的相似性值以获得由多个相似性值构成的第一相似性矩阵；二维排列单元440，用于将所述编码单元420获得的所述单个智能列车的各个系统的状态特征向量进行二维排列为状态特征矩阵；图神经网络单元450，用于将所述相似性计算单元430获得的所述第一相似性矩阵和所述二维排列单元440获得的所述状态特征矩阵通过图神经网络以获得图特征矩阵，所述图特征矩阵的每一个行向量对应于一个系统的特征表达，其中，所述图神经网络用于通过可学习的神经网络参数来生成包含特征信息与不规则的拓扑结构信息的表征矩阵；第二相似性矩阵生成单元460，用于获得多个所述智能列车的相应一个系统的多个行向量，并计算所述多个行向量之间的相似性值以获得由多个相似性值构成的第二相似性矩阵；第二特征图生成单元470，用于将所述第二相似性矩阵生成单元460获得的所述多个智能列车的各个系统的第二相似性矩阵排列为第二特征图，其中，所述第二特征图用于表示各个智能列车的相应系统之间的状态相似关系；相似性特征矩阵生成单元480，用于将所述第二特征图生成单元470获得的所述第二特征图通过卷积神经网络以获得相似性特征矩阵；图特征矩阵获取单元490，用于获取待监测智能列车的图特征矩阵；分类特征矩阵生成单元500，用于将所述相似性特征矩阵生成单元480获得的所述相似性特征矩阵与所述图特征矩阵获取单元490获得的所述图特征矩阵进行矩阵相乘以获得分类特征矩阵；以及，分类单元510，用于将所述分类特征矩阵生成单元500获得的所述分类特征矩阵通过分类器以获得分类结果，所述分类结果用于表示待监测智能列车是否存在异常。
在一个示例中，在上述用于智能列车的全局监测系统400中，所述编码单元420，进一步用于：将所述单个智能列车的各个系统的状态数据输入所述上下文编码器的嵌入层以将所述单个智能列车的各个系统的状态数据转化为输入向量，以获得输入向量的序列；以及，将所述输入向量的序列通过所述上下文编码器的转换器以获得所述单个智能列车的各个系统的状态特征向量。
在一个示例中，在上述用于智能列车的全局监测系统400中，所述相似性计算单元430，进一步用于：计算所述单个智能列车的各个系统的状态特征向量之间的每两个状态向量之间的欧式距离或余弦距离作为所述相似性值；以及，将所述相似性值进行矩阵排列以获得所述第一相似性矩阵。
在一个示例中，在上述用于智能列车的全局监测系统400中，所述相似性特征矩阵生成单元480，进一步用于：所述卷积神经网络的各层在层的正向传递过程中对输入数据进行卷积处理、沿通道维度的均值池化处理和激活处理以获得所述相似性特征矩阵。
在一个示例中，在上述用于智能列车的全局监测系统400中，所述相似性特征矩阵生成单元480，进一步用于：所述卷积神经网络的除最后一层以外的各层在层的正向传递过程中对输入数据进行卷积处理、池化处理和激活处理以获得所述相似性特征图；所述卷积神经网络的最后一层对所述相似性特征图进行卷积处理、沿通道维度的全局平均池化处理和激活处理以获得所述相似性特征矩阵。
在一个示例中，在上述用于智能列车的全局监测系统400中，所述分类单元510，进一步用于：将所述分类特征矩阵投影为分类向量；使用所述分类器的多个全连接层对所述分类向量进行全连接编码以获得分类特征向量；以及，将所述分类特征向量输入所述分类器的Softmax分类函数以获得所述分类结果。
在一个示例中，在上述用于智能列车的全局监测系统400中，所述分类单元510，进一步用于：所述分类器以如下公式对所述分类特征矩阵进行处理以获得所述分类结果，其中，所述公式为：softmax{(Wn,Bn):…:(W1,B1)|Project(F)}，其中Project(F)表示将所述分类特征矩阵投影为向量，W1至Wn为各层全连接层的权重矩阵，B1至Bn表示各层全连接层的偏置矩阵。
这里，本领域技术人员可以理解，上述用于智能列车的全局监测系统400中的各个单元和模块的具体功能和操作已经在上面参考图1到图3的用于智能列车的全局监测方法的描述中得到了详细介绍，并因此，将省略其重复描述。
如上所述，根据本申请实施例的用于智能列车的全局监测系统400可以实现在各种终端设备中，例如用于智能列车的全局监测算法的服务器等。在一个示例中，根据本申请实施例的用于智能列车的全局监测系统400可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如，该用于智能列车的全局监测系统400可以是该终端设备的操作系统中的一个软件模块，或者可以是针对于该终端设备所开发的一个应用程序；当然，该用于智能列车的全局监测系统400同样可以是该终端设备的众多硬件模块之一。
替换地，在另一示例中，该用于智能列车的全局监测系统400与该终端设备也可以是分立的设备，并且该用于智能列车的全局监测系统400可以通过有线和/或无线网络连接到该终端设备，并且按照约定的数据格式来传输交互信息。
示例性电子设备
下面，参考图5来描述根据本申请实施例的电子设备。如图5所示，电子设备包括10包括一个或多个处理器11和存储器12。所述处理器11可以是中央处理单元(CPU)或者具有数据处理能力和/或指令执行能力的其他形式的处理单元，并且可以控制电子设备10中的其他组件以执行期望的功能。
存储器12可以包括一个或多个计算机程序产品，所述计算机程序产品可以包括各种形式的计算机可读存储介质，例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器(RAM)和/或高速缓冲存储器(cache)等。所述非易失性存储器例如可以包括只读存储器(ROM)、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令，处理器11可以运行所述程序指令，以实现上文所述的本申请的各个实施例的用于智能列车的全局监测方法的功能以及/或者其他期望的功能。在所述计算机可读存储介质中还可以存储诸如第一相似性矩阵、图特征矩阵等各种内容。
在一个示例中，电子设备10还可以包括：输入系统13和输出系统14，这些组件通过总线系统和/或其他形式的连接机构(未示出)互连。
该输入系统13可以包括例如键盘、鼠标等等。
该输出系统14可以向外部输出各种信息，包括分类结果等。该输出系统14可以包括例如显示器、扬声器、打印机、以及通信网络及其所连接的远程输出设备等等。
当然，为了简化，图5中仅示出了该电子设备10中与本申请有关的组件中的一些，省略了诸如总线、输入/输出接口等等的组件。除此之外，根据具体应用情况，电子设备10还可以包括任何其他适当的组件。
示例性计算机程序产品和计算机可读存储介质
除了上述方法和设备以外，本申请的实施例还可以是计算机程序产品，其包括计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本申请各种实施例的用于智能列车的全局监测方法中的功能中的步骤。
所述计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用于执行本申请实施例操作的程序代码，所述程序设计语言包括面向对象的程序设计语言，诸如Java、C++等，还包括常规的过程式程序设计语言，诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。
此外，本申请的实施例还可以是计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的用于智能列车的全局监测方法中的步骤。
所述计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不限于电、磁、光、电磁、红外线、或半导体的系统、系统或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
以上结合具体实施例描述了本申请的基本原理，但是，需要指出的是，在本申请中提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势、效果等是本申请的各个实施例必须具备的。另外，上述公开的具体细节仅是为了示例的作用和便于理解的作用，而非限制，上述细节并不限制本申请为必须采用上述具体的细节来实现。
本申请中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的，可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇，指“包括但不限于”，且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”，且可与其互换使用，除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”，且可与其互换使用。
还需要指出的是，在本申请的装置、设备和方法中，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本申请的等效方案。
提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本申请。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的，并且在此定义的一般原理可以应用于其他方面而不脱离本申请的范围。因此，本申请不意图被限制到在此示出的方面，而是按照与在此公开的原理和新颖的特征一致的最宽范围。
为了例示和描述的目的已经给出了以上描述。此外，此描述不意图将本申请的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例，但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。
Claims (10)
1.一种用于智能列车的全局监测方法，其特征在于，包括：
获得单个智能列车的各个系统的状态数据，其中，所述智能列车包括车门系统、PIS系统、致动系统、牵引系统、空调系统、走行部系统和蓄电池系统；
将所述单个智能列车的各个系统的状态数据通过包含嵌入层的上下文编码器以获得所述单个智能列车的各个系统的状态特征向量；
计算所述单个智能列车的各个系统的状态特征向量中每两个状态特征向量之间的相似性值以获得由多个相似性值构成的第一相似性矩阵；
将所述单个智能列车的各个系统的状态特征向量进行二维排列为状态特征矩阵；
将所述第一相似性矩阵和所述状态特征矩阵通过图神经网络以获得图特征矩阵，所述图特征矩阵的每一个行向量对应于一个系统的特征表达，其中，所述图神经网络用于通过可学习的神经网络参数来生成包含特征信息与不规则的拓扑结构信息的表征矩阵；
获得多个所述智能列车的相应一个系统的多个行向量，并计算所述多个行向量之间的相似性值以获得由多个相似性值构成的第二相似性矩阵；
将所述多个智能列车的各个系统的第二相似性矩阵排列为第二特征图，其中，所述第二特征图用于表示各个智能列车的相应系统之间的状态相似关系；
将所述第二特征图通过卷积神经网络以获得相似性特征矩阵；
获取待监测智能列车的图特征矩阵；
将所述相似性特征矩阵与所述图特征矩阵进行矩阵相乘以获得分类特征矩阵；以及
将所述分类特征矩阵通过分类器以获得分类结果，所述分类结果用于表示待监测智能列车是否存在异常。
2.根据权利要求1所述的用于智能列车的全局监测方法，其中，将所述单个智能列车的各个系统的状态数据通过包含嵌入层的上下文编码器以获得所述单个智能列车的各个系统的状态特征向量，包括：
将所述单个智能列车的各个系统的状态数据输入所述上下文编码器的嵌入层以将所述单个智能列车的各个系统的状态数据转化为输入向量，以获得输入向量的序列；以及
将所述输入向量的序列通过所述上下文编码器的转换器以获得所述单个智能列车的各个系统的状态特征向量。
3.根据权利要求2所述的用于智能列车的全局监测方法，其中，计算所述单个智能列车的各个系统的状态特征向量中每两个状态特征向量之间的相似性值以获得由多个相似性值构成的第一相似性矩阵，包括：
计算所述单个智能列车的各个系统的状态特征向量之间的每两个状态向量之间的欧式距离或余弦距离作为所述相似性值；以及
将所述相似性值进行矩阵排列以获得所述第一相似性矩阵。
4.根据权利要求3所述的用于智能列车的全局监测方法，其中，将所述第二特征图通过卷积神经网络以获得相似性特征矩阵，包括：
所述卷积神经网络的各层在层的正向传递过程中对输入数据进行卷积处理、沿通道维度的均值池化处理和激活处理以获得所述相似性特征矩阵。
5.根据权利要求3所述的用于智能列车的全局监测方法，其中，将所述第二特征图通过卷积神经网络以获得相似性特征矩阵，包括：
所述卷积神经网络的除最后一层以外的各层在层的正向传递过程中对输入数据进行卷积处理、池化处理和激活处理以获得所述相似性特征图；和
所述卷积神经网络的最后一层对所述相似性特征图进行卷积处理、沿通道维度的全局平均池化处理和激活处理以获得所述相似性特征矩阵。
6.根据权利要求5所述的用于智能列车的全局监测方法，其中，将所述分类特征矩阵通过分类器以获得分类结果，包括：
将所述分类特征矩阵投影为分类向量；
使用所述分类器的多个全连接层对所述分类向量进行全连接编码以获得分类特征向量；以及
将所述分类特征向量输入所述分类器的Softmax分类函数以获得所述分类结果。
7.根据权利要求6所述的用于智能列车的全局监测方法，其中，将所述分类特征矩阵通过分类器以获得分类结果，包括：
所述分类器以如下公式对所述分类特征矩阵进行处理以获得所述分类结果，其中，所述公式为：softmax{(Wn,Bn):…:(W1,B1)|Project(F)}，其中Project(F)表示将所述分类特征矩阵投影为向量，W1至Wn为各层全连接层的权重矩阵，B1至Bn表示各层全连接层的偏置矩阵。
8.一种用于智能列车的全局监测系统，其特征在于，包括：
状态数据获取单元，用于获得单个智能列车的各个系统的状态数据，其中，所述智能列车包括车门系统、PIS系统、致动系统、牵引系统、空调系统、走行部系统和蓄电池系统；
编码单元，用于将所述状态数据获取单元获得的单个智能列车的各个系统的状态数据通过包含嵌入层的上下文编码器以获得所述单个智能列车的各个系统的状态特征向量；
相似性计算单元，用于计算所述编码单元获得的所述单个智能列车的各个系统的状态特征向量中每两个状态特征向量之间的相似性值以获得由多个相似性值构成的第一相似性矩阵；
二维排列单元，用于将所述编码单元获得的所述单个智能列车的各个系统的状态特征向量进行二维排列为状态特征矩阵；
图神经网络单元，用于将所述相似性计算单元获得的所述第一相似性矩阵和所述二维排列单元获得的所述状态特征矩阵通过图神经网络以获得图特征矩阵，所述图特征矩阵的每一个行向量对应于一个系统的特征表达，其中，所述图神经网络用于通过可学习的神经网络参数来生成包含特征信息与不规则的拓扑结构信息的表征矩阵；
第二相似性矩阵生成单元，用于获得多个所述智能列车的相应一个系统的多个行向量，并计算所述多个行向量之间的相似性值以获得由多个相似性值构成的第二相似性矩阵；
第二特征图生成单元，用于将所述第二相似性矩阵生成单元获得的所述多个智能列车的各个系统的第二相似性矩阵排列为第二特征图，其中，所述第二特征图用于表示各个智能列车的相应系统之间的状态相似关系；
相似性特征矩阵生成单元，用于将所述第二特征图生成单元获得的所述第二特征图通过卷积神经网络以获得相似性特征矩阵；
图特征矩阵获取单元，用于获取待监测智能列车的图特征矩阵；
分类特征矩阵生成单元，用于将所述相似性特征矩阵生成单元获得的所述相似性特征矩阵与所述图特征矩阵获取单元获得的所述图特征矩阵进行矩阵相乘以获得分类特征矩阵；以及
分类单元，用于将所述分类特征矩阵生成单元获得的所述分类特征矩阵通过分类器以获得分类结果，所述分类结果用于表示待监测智能列车是否存在异常。
9.根据权利要求8所述的用于智能列车的全局监测系统，其中，所述编码单元，进一步用于：
将所述单个智能列车的各个系统的状态数据输入所述上下文编码器的嵌入层以将所述单个智能列车的各个系统的状态数据转化为输入向量，以获得输入向量的序列；以及，将所述输入向量的序列通过所述上下文编码器的转换器以获得所述单个智能列车的各个系统的状态特征向量。
10.一种电子设备，包括：
处理器；以及
存储器，在所述存储器中存储有计算机程序指令，所述计算机程序指令在被所述处理器运行时使得所述处理器执行如权利要求1-7中任一项所述的用于智能列车的全局监测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210199874.9A CN114633776A (zh) | 2022-03-02 | 2022-03-02 | 用于智能列车的全局监测方法、系统和电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210199874.9A CN114633776A (zh) | 2022-03-02 | 2022-03-02 | 用于智能列车的全局监测方法、系统和电子设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114633776A true CN114633776A (zh) | 2022-06-17 |
Family
ID=81947267
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210199874.9A Withdrawn CN114633776A (zh) | 2022-03-02 | 2022-03-02 | 用于智能列车的全局监测方法、系统和电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114633776A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115471732A (zh) * | 2022-09-19 | 2022-12-13 | 温州丹悦线缆科技有限公司 | 电缆的智能化制备方法及其系统 |
| CN115796173A (zh) * | 2023-02-20 | 2023-03-14 | 杭银消费金融股份有限公司 | 针对监管报送需求的数据处理方法和系统 |
-
2022
- 2022-03-02 CN CN202210199874.9A patent/CN114633776A/zh not_active Withdrawn
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115471732A (zh) * | 2022-09-19 | 2022-12-13 | 温州丹悦线缆科技有限公司 | 电缆的智能化制备方法及其系统 |
| CN115471732B (zh) * | 2022-09-19 | 2023-04-18 | 温州丹悦线缆科技有限公司 | 电缆的智能化制备方法及其系统 |
| CN115796173A (zh) * | 2023-02-20 | 2023-03-14 | 杭银消费金融股份有限公司 | 针对监管报送需求的数据处理方法和系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109163913B (zh) | 一种汽车故障诊断方法及相关设备 | |
| CN114633776A (zh) | 用于智能列车的全局监测方法、系统和电子设备 | |
| JP7240691B1 (ja) | データドライブの能動配電網異常状態検知方法及びシステム | |
| CN115796173B (zh) | 针对监管报送需求的数据处理方法和系统 | |
| CN112131673A (zh) | 基于融合神经网络模型的发动机喘振故障预测系统及方法 | |
| CN109117941A (zh) | 告警预测方法、系统、存储介质及计算机设备 | |
| CN114724386B (zh) | 智慧交通下的短时交通流量预测方法、系统和电子设备 | |
| JPWO2008114863A1 (ja) | 診断装置 | |
| CN115783923B (zh) | 基于大数据的电梯故障模式识别系统 | |
| CN115834433B (zh) | 基于物联网技术的数据处理方法及系统 | |
| KR20170104705A (ko) | 설비 고장 진단 장치 및 방법 | |
| CN113111591B (zh) | 基于模块化配电终端内部故障自动诊断方法、装置及设备 | |
| Maniak et al. | Hierarchical spatial-temporal state machine for vehicle instrument cluster manufacturing | |
| CN115146676A (zh) | 电路故障检测方法及其系统 | |
| CN115324843A (zh) | 基于监测数据的风力发电机组的故障诊断系统及其方法 | |
| CN115374822A (zh) | 基于多级特征融合的故障诊断方法及其系统 | |
| CN114881157A (zh) | 换流阀工作状态的检测方法、装置、设备和存储介质 | |
| KR102132077B1 (ko) | 설비 데이터의 이상 정도 평가 방법 | |
| Zhang et al. | A Simultaneous Fault Diagnosis Method Based on Cohesion Evaluation and Improved BP‐MLL for Rotating Machinery | |
| CN114636890A (zh) | 案例推理的故障定位方法以及系统、存储介质、电子设备 | |
| CN113837302A (zh) | 基于物联网的城市安全管理监控方法、系统和电子设备 | |
| Dash et al. | Bond Graph-CNN based hybrid fault diagnosis with minimum labeled data | |
| CN113824575B (zh) | 故障节点识别的方法、装置、计算设备及计算机存储介质 | |
| CN112800217A (zh) | 基于向量关联性矩阵的政务事务处理报告的智能评估方法 | |
| CN117231590A (zh) | 液压系统的故障预测系统及其方法 |
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 | ||
| WW01 | Invention patent application withdrawn after publication | ||
| WW01 | Invention patent application withdrawn after publication |
Application publication date: 20220617 |