CN116070779B - 机电设备运行状态预测方法、装置及存储介质 - Google Patents
机电设备运行状态预测方法、装置及存储介质 Download PDFInfo
- Publication number
- CN116070779B CN116070779B CN202310200668.XA CN202310200668A CN116070779B CN 116070779 B CN116070779 B CN 116070779B CN 202310200668 A CN202310200668 A CN 202310200668A CN 116070779 B CN116070779 B CN 116070779B
- Authority
- CN
- China
- Prior art keywords
- electromechanical
- highway
- equipment
- matrix
- time
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 25
- 239000011159 matrix material Substances 0.000 claims description 49
- 230000008859 change Effects 0.000 claims description 17
- 230000005540 biological transmission Effects 0.000 claims description 4
- 238000000638 solvent extraction Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 description 10
- 238000012423 maintenance Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 230000006978 adaptation Effects 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 230000007704 transition Effects 0.000 description 2
- 238000010977 unit operation Methods 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- 238000004220 aggregation Methods 0.000 description 1
- 230000002238 attenuated effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000004092 self-diagnosis Methods 0.000 description 1
- 238000012546 transfer 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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/067—Enterprise or organisation modelling
-
- G06Q50/40—
Abstract
本发明是关于一种机电设备运行状态预测方法、装置及存储介质,方法包括:按照公路路段对公路机电系统网络进行划分,得到划分后的公路机电系统;用图对所述划分后的公路机电系统进行描述,建立机电设备的拓扑网络结构;根据所述机电设备的拓扑网络结构,以每个机电设备的运行状态作为其状态量,建立所述公路机电系统的混杂自动机模型;根据所述公路机电系统的混杂自动机模型,对所述公路机电系统的每个机电设备的运行状态进行预测。通过该技术方案,提高公路网中机电设备运行状态预测的效率和准确性。
Description
技术领域
本公开涉及智能交通系统技术领域,尤其涉及一种机电设备运行状态预测方法、装置及存储介质。
背景技术
交通基础设施数字化已成为行业的主要发展目标和重点任务,公路机电系统是公路信息化发展的主要着力点,是保障公路实现安全、便捷、高效运行的重要支撑。当前我国公路沿线布设的机电设备规模庞大、厂商众多、品牌各异。以某省某高速公路段为例,其单个路段共计147.28公里,布设不同类型机电设备多达608种,设备品牌超过200个,各类型设备数量总和超过37000个。且大部分机电设备不具有自检测、自诊断等功能,其运行维护手段单一,过分依赖人工或半人工运维模式,而且部分专业设备需要配备专业的技术人员进行维修维护,缺少智能化的手段和方法。因此亟需通过数字化手段提升机电系统的运维。
发明内容
为克服相关技术中存在的问题,本公开提供一种机电设备运行状态预测方法、装置及存储介质,从而提高公路网中机电设备运行状态预测的效率和准确性。
根据本公开实施例的第一方面,提供一种用于公路机电系统的机电设备运行状态预测方法,所述方法包括:
按照公路路段对公路机电系统网络进行划分,得到划分后的公路机电系统;
用图对所述划分后的公路机电系统进行描述,建立机电设备的拓扑网络结构;
根据所述机电设备的拓扑网络结构,以每个机电设备的运行状态作为其状态量,建立所述公路机电系统的混杂自动机模型;
根据所述公路机电系统的混杂自动机模型,对所述公路机电系统的每个机电设备的运行状态进行预测。
在一个实施例中,优选地,按照公路路段对公路机电系统网络进行划分,包括:
按照公路路段的所属单位、路段规模和路段类型进行划分并编号,其中,划分后的每个路段为一个机电系统单元;
在每个机电系统单元中按照机电设备类型进行分类。
在一个实施例中,优选地,用图对所述划分后的公路机电系统进行描述,建立机电设备的拓扑网络结构,包括:
将每个机电系统单元作为有向图的顶点,每个顶点包含多个机电设备,将所述机电设备的信息传递方向作为有向图的有向边。
在一个实施例中,优选地,根据所述机电设备的拓扑网络结构,以每个机电设备的运行状态作为其状态量,建立所述公路机电系统的混杂自动机模型,包括:
根据所述机电设备的拓扑网络结构,以每个机电设备的运行状态作为其状态量,根据每个机电设备的状态量和机电设备的变化因子,确定该机电设备的预测运行状态值;
根据每个机电设备的预测运行状态和机电系统单元的实时单元矩阵,确定每个机电系统单元的机电设备状态的集合;
根据每个机电系统单元的机电设备状态的集合和公路机电系统的实时系统矩阵,确定公路机电系统的混杂自动机模型。
在一个实施例中,优选地,根据所述公路机电系统的混杂自动机模型,对所述公路机电系统的每个机电设备的运行状态进行预测,包括:
根据所述公路机电系统的混杂自动机模型,确定公路机电系统中各个机机电系统单元中各个机电设备的预测运行状态值是否超过对应的预设阈值;
当机电设备的预测运行状态值超过对应的预设阈值时,确定该机电设备处于衰变期,需要进行维修和更换;
当机电设备的预测运行状态值不超过对应的预设阈值时,确定该机电设备处于正常期,不需要进行维修和更换。
在一个实施例中,优选地,采用以下第一计算公式,确定该机电设备的预测运行状态值:
采用以下第二计算公式,确定每个机电系统单元的机电设备状态的集合:
其中,表示机电系统单元i在/>时刻机电设备状态的集合,/>表示机电系统单元i在t时刻机电设备状态的集合,其中,机电系统单元i包括n个机电设备,矩阵/>和/>分别表示实时单元矩阵和单元变化因子矩阵,矩阵/>和/>均为时变的矩阵;
所述公路机电系统的混杂自动机模型包括:
根据本公开实施例的第二方面,提供一种用于公路机电系统的机电设备运行状态预测装置,所述装置包括:
划分模块,用于按照公路路段对公路机电系统网络进行划分,得到划分后的公路机电系统;
构图模块,用于用图对所述划分后的公路机电系统进行描述,建立机电设备的拓扑网络结构;
建模模块,用于根据所述机电设备的拓扑网络结构,以每个机电设备的运行状态作为其状态量,建立所述公路机电系统的混杂自动机模型;
预测模块,用于根据所述公路机电系统的混杂自动机模型,对所述公路机电系统的每个机电设备的运行状态进行预测。
根据本公开实施例的第三方面,提供一种用于公路机电系统的机电设备运行状态预测装置,所述装置包括:
处理器;
用于存储处理器可执行指令的存储器;
其中,所述处理器被配置为:
按照公路路段对公路机电系统网络进行划分,得到划分后的公路机电系统;
用图对所述划分后的公路机电系统进行描述,建立机电设备的拓扑网络结构;
根据所述机电设备的拓扑网络结构,以每个机电设备的运行状态作为其状态量,建立所述公路机电系统的混杂自动机模型;
根据所述公路机电系统的混杂自动机模型,对所述公路机电系统的每个机电设备的运行状态进行预测。
根据本公开实施例的第四方面,提供一种计算机可读存储介质,其上存储有计算机指令,该指令被处理器执行时实现第一方面中任一项所述方法的步骤。
本公开的实施例提供的技术方案可以包括以下有益效果:
本发明实施例中,基于图论和混杂自动机理论,建立公路机电系统的空间网络模型,并以机电设备运行状态作为其状态量,推导出公路机电系统网络的状态空间模型,从而预测公路机电系统的每个机电设备的运行状态,提高公路网中机电设备运行状态预测的效率和准确性。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本公开。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本公开的实施例,并与说明书一起用于解释本公开的原理。
图1是根据一示例性实施例示出的一种用于公路机电系统的机电设备运行状态预测方法的流程图。
图2是根据一示例性实施例示出的一种用于公路机电系统的机电设备运行状态预测方法步骤S103的流程图。
图3是根据一示例性实施例示出的一种用于公路机电系统的机电设备运行状态预测方法步骤S104的流程图。
图4是根据一示例性实施例示出的一种用于公路机电系统的机电设备运行状态预测装置的框图。
具体实施方式
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。
在进行公路机电系统建模之前,首先分别给出图论和混杂自动机的相关概念。
有向图:若图G中的每条边都是有方向的,则称G为有向图。同样,在有向图中,V是顶点的有限非空集合,E是有向边的集合,每条边是由两个顶点组成的有序对/>,用/>表示,这指的是从顶点/>到顶点/>的一条边。
边加权图:边加权图或加权有向图也是一个三元组,其中,/>是一个图或有向图,/>是给每个边/>或/>分配一个权值/>的函数,Y也是预先设定的一个集合。一个完全加权图或加权有向图是/>指给图的顶点和边都分配了权值。
动态图:如果图(有向图)的顶点数目/>是时变的,那么图的顶点集合V则是动态的。同样的,如果图(有向图)/>的边是时变通断切换的,则图的边集也是动态的。如果顶点加权函数(边加权函数)/>是时变的,则该加权图是动态的。如果一个加权图的四个元素中的任何一个都是时变的,则称该完全加权图是动态的。
如果一个系统既包含连续状态,也包含离散状态,并且连续动态系统与有限自动机描述的离散事件动态系统之间是相互影响的,则自然要求连续状态模型中包含离散状态,而有限自动机模型中的离散事件也可能由连续动态过程产生。
由此给出混杂自动机如下的描述:
一个使能转移的条件,称之为保证集合;
需要说明的是,在本发明中,混杂自动机的连续状态部分也使用离散动态系统来描述,即用差分方程的形式来表示动态系统。
结合动态图和混杂自动机的描述,可以推导出动态图混杂自动机如下的描述:
(4)混杂自动机的并行组合:在中,混杂自动机/>是通过将H中的混杂自动机/>并行组合后得到的图/>上的混杂自动机,也就是,,/>和/>被定义为/>,并且 />描述了顶点的动力学,其是通过将/> 代入方程(2)得到:/>
作为一个描述动态混杂系统的统一的模型框架,动态图混杂自动机能被应用到不同领域的各种复杂网络中。当然,公路机电系统网络作为一个典型的复杂网络系统更适合用动态图混杂自动机来描述。
图1是根据一示例性实施例示出的一种用于公路机电系统的机电设备运行状态预测方法的流程图。
如图1所示,用于公路机电系统的机电设备运行状态预测方法,包括:
步骤S101,按照公路路段对公路机电系统网络进行划分,得到划分后的公路机电系统;
在一个实施例中,优选地,按照公路路段对公路机电系统网络进行划分,包括:
按照公路路段的所属单位、路段规模和路段类型进行划分并编号,其中,划分后的每个路段为一个机电系统单元;
在每个机电系统单元中按照机电设备类型进行分类。
例如,若该路段属于一个单位运行管理,则只需按照路段长度进行划分,若路段中有桥梁和隧道,则将桥梁、隧道单独作为一段进行区分;若该路段属于不同的单位运行管理,则先按照归属权不同进行划分,然后再按照路段规模(路段长度)和类型(普通路段、桥梁路段、隧道路段)进行划分,划分后的每个路段称为一个机电系统单元。然后,在每个机电系统单元中按照机电设备类型进行分类,如视频监控设备、通信设备等,每个设备有两种状态,即通和断,可以1和0表示;对于视频监控设备而言,在通和断之间,可根据视频采集的图像质量判断视频的当前状态,当完全断电状态下,该状态为断;当通电状态下,视频设备处于工作状态,根据监控设备的是由寿命,所采集的图像质量逐渐由好变差,直至设备处于无法工作状态。
步骤S102,用图对所述划分后的公路机电系统进行描述,建立机电设备的拓扑网络结构;
在一个实施例中,优选地,用图对所述划分后的公路机电系统进行描述,建立机电设备的拓扑网络结构,包括:
将每个机电系统单元作为有向图的顶点,每个顶点包含多个机电设备,将所述机电设备的信息传递方向作为有向图的有向边。
具体地,每个单元看作图的顶点,每个顶点包含若干个机电设备,通常情况下每个机电设备的服役状态都会随着工作时长进行衰减;机电设备采集的信息将实时的传输到控制中心。控制中心根据各机电设备传输的信息进行该设备当前状态的估计和使用寿命的预测,机电设备信息的传递方向可看作有向图的有向边/>。
步骤S103,根据所述机电设备的拓扑网络结构,以每个机电设备的运行状态作为其状态量,建立所述公路机电系统的混杂自动机模型;
步骤S104,根据所述公路机电系统的混杂自动机模型,对所述公路机电系统的每个机电设备的运行状态进行预测。
在该实施例中,基于图论和混杂自动机理论,建立公路机电系统的空间网络模型,并以机电设备运行状态作为其状态量,推导出公路机电系统网络的状态空间模型,从而预测公路机电系统的每个机电设备的运行状态,提高公路网中机电设备运行状态预测的效率和准确性。
如图2所示,在一个实施例中,优选地,步骤S103包括:
步骤S201,根据所述机电设备的拓扑网络结构,以每个机电设备的运行状态作为其状态量,根据每个机电设备的状态量和机电设备的变化因子,确定该机电设备的预测运行状态值;
在一个实施例中,优选地,采用以下第一计算公式,确定该机电设备的预测运行状态值:
即机电设备i当前的运行状态是由上一时刻的状态与两个时刻之间的变化因子决定的,当机电设备的运行状态处于正常期内,则说明该设备可进行正常工作,无需进行维护;当机电设备处于衰变期,则说明该设备需要进行维修,根据运行状态的具体值确定是否需要更换。
步骤S202,根据每个机电设备的预测运行状态和机电系统单元的实时单元矩阵,确定每个机电系统单元的机电设备状态的集合;
采用以下第二计算公式,确定每个机电系统单元的机电设备状态的集合:
其中,表示机电系统单元i在/>时刻机电设备状态的集合,/>表示机电系统单元i在t时刻机电设备状态的集合,其中,机电系统单元i包括n个机电设备,矩阵/>和/>分别表示实时单元矩阵和单元变化因子矩阵,矩阵/>和/>均为时变的矩阵;
步骤S203,根据每个机电系统单元的机电设备状态的集合和公路机电系统的实时系统矩阵,确定公路机电系统的混杂自动机模型。
所述公路机电系统的混杂自动机模型包括:
如图3所示,在一个实施例中,优选地,步骤S104包括:
步骤S301,根据所述公路机电系统的混杂自动机模型,确定公路机电系统中各个机电系统单元中各个机电设备的预测运行状态值是否超过对应的预设阈值;
步骤S302,当机电设备的预测运行状态值超过对应的预设阈值时,确定该机电设备处于衰变期,需要进行维修和更换;
步骤S303,当机电设备的预测运行状态值不超过对应的预设阈值时,确定该机电设备处于正常期,不需要进行维修和更换。
将每个单元机电设备的运行状态作为其状态量,且每个枢纽机电设备的状态都设置一个阈值,记作q0;当根据机电设备采集的信息诊断该设备当前状态超过阈值q0时,即q>q0时,称为衰变期,表示该设备的使用周期过长,需要及时维修会更换;当根据机电设备采集的信息诊断该设备当前状态低于阈值q0,即 0<q≤q0时,称为正常期,表示该设备处于正常工作状态,不需要进行维修或更换。因此可将每个机电系统单元内当前的机电设备的运行状态以阈值q0为界限分为衰变期和正常期两个模态,当处于衰变期的设备经过维修或更换后,将切换到正常期,因此两个模态的切换是由设备使用时长的连续变化决定的,这一规律符合混杂动态系统的特性,因此每个机电系统单元的状态可用混杂自动机描述。
图4是根据一示例性实施例示出的一种用于公路机电系统的机电设备运行状态预测装置的框图。
如图4所示,根据本公开实施例的第二方面,提供一种用于公路机电系统的机电设备运行状态预测装置,所述装置包括:
划分模块41,用于按照公路路段对公路机电系统网络进行划分,得到划分后的公路机电系统;
构图模块42,用于用图对所述划分后的公路机电系统进行描述,建立机电设备的拓扑网络结构;
建模模块43,用于根据所述机电设备的拓扑网络结构,以每个机电设备的运行状态作为其状态量,建立所述公路机电系统的混杂自动机模型;
预测模块44,用于根据所述公路机电系统的混杂自动机模型,对所述公路机电系统的每个机电设备的运行状态进行预测。
根据本公开实施例的第三方面,提供一种用于公路机电系统的机电设备运行状态预测装置,所述装置包括:
处理器;
用于存储处理器可执行指令的存储器;
其中,所述处理器被配置为:
按照公路路段对公路机电系统网络进行划分,得到划分后的公路机电系统;
用图对所述划分后的公路机电系统进行描述,建立机电设备的拓扑网络结构;
根据所述机电设备的拓扑网络结构,以每个机电设备的运行状态作为其状态量,建立所述公路机电系统的混杂自动机模型;
根据所述公路机电系统的混杂自动机模型,对所述公路机电系统的每个机电设备的运行状态进行预测。
根据本公开实施例的第四方面,提供一种计算机可读存储介质,其上存储有计算机指令,该指令被处理器执行时实现第一方面中任一项所述方法的步骤。
进一步可以理解的是,本公开中“多个”是指两个或两个以上,其它量词与之类似。“和/或”,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。字符“/”一般表示前后关联对象是一种“或”的关系。单数形式的“一种”、“所述”和“该”也旨在包括多数形式,除非上下文清楚地表示其他含义。
进一步可以理解的是,术语“第一”、“第二”等用于描述各种信息,但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开,并不表示特定的顺序或者重要程度。实际上,“第一”、“第二”等表述完全可以互换使用。例如,在不脱离本公开范围的情况下,第一信息也可以被称为第二信息,类似地,第二信息也可以被称为第一信息。
进一步可以理解的是,本公开实施例中尽管在附图中以特定的顺序描述操作,但是不应将其理解为要求按照所示的特定顺序或是串行顺序来执行这些操作,或是要求执行全部所示的操作以得到期望的结果。在特定环境中,多任务和并行处理可能是有利的。
本领域技术人员在考虑说明书及实践这里公开的发明后,将容易想到本公开的其它实施方案。本申请旨在涵盖本公开的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本公开的真正范围和精神由下面的权利要求指出。
应当理解的是,本公开并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限制。
Claims (7)
1.一种用于公路机电系统的机电设备运行状态预测方法,其特征在于,所述方法包括:
按照公路路段对公路机电系统网络进行划分,得到划分后的公路机电系统;
用图对所述划分后的公路机电系统进行描述,建立机电设备的拓扑网络结构;
根据所述机电设备的拓扑网络结构,以每个机电设备的运行状态作为其状态量,建立所述公路机电系统的混杂自动机模型;
根据所述公路机电系统的混杂自动机模型,对所述公路机电系统的每个机电设备的运行状态进行预测;
其中,根据所述机电设备的拓扑网络结构,以每个机电设备的运行状态作为其状态量,建立所述公路机电系统的混杂自动机模型,包括:
根据所述机电设备的拓扑网络结构,以每个机电设备的运行状态作为其状态量,根据每个机电设备的状态量和机电设备的变化因子,确定该机电设备的预测运行状态值;
根据每个机电设备的预测运行状态和机电系统单元的实时单元矩阵,确定每个机电系统单元的机电设备状态的集合;
根据每个机电系统单元的机电设备状态的集合和公路机电系统的实时系统矩阵,确定公路机电系统的混杂自动机模型;
并且,采用以下第一计算公式,确定该机电设备的预测运行状态值:
采用以下第二计算公式,确定每个机电系统单元的机电设备状态的集合:
其中,表示机电系统单元/>在/>时刻机电设备状态的集合,/>表示机电系统单元/>在/>时刻机电设备状态的集合,其中,机电系统单元/>包括/>个机电设备,矩阵和/>分别表示实时单元矩阵和单元变化因子矩阵,矩阵/>和/>均为时变的矩阵;
所述公路机电系统的混杂自动机模型包括:
2.根据权利要求1所述的方法,其特征在于,按照公路路段对公路机电系统网络进行划分,包括:
按照公路路段的所属单位、路段规模和路段类型进行划分并编号,其中,划分后的每个路段为一个机电系统单元;
在每个机电系统单元中按照机电设备类型进行分类。
3.根据权利要求1所述的方法,其特征在于,用图对所述划分后的公路机电系统进行描述,建立机电设备的拓扑网络结构,包括:
将每个机电系统单元作为有向图的顶点,每个顶点包含多个机电设备,将所述机电设备的信息传递方向作为有向图的有向边。
4.根据权利要求1所述的方法,其特征在于,根据所述公路机电系统的混杂自动机模型,对所述公路机电系统的每个机电设备的运行状态进行预测,包括:
根据所述公路机电系统的混杂自动机模型,确定公路机电系统中各个机电系统单元中各个机电设备的预测运行状态值是否超过对应的预设阈值;
当机电设备的预测运行状态值超过对应的预设阈值时,确定该机电设备处于衰变期,需要进行维修和更换;
当机电设备的预测运行状态值不超过对应的预设阈值时,确定该机电设备处于正常期,不需要进行维修和更换。
5.一种用于公路机电系统的机电设备运行状态预测装置,其特征在于,所述装置包括:
划分模块,用于按照公路路段对公路机电系统网络进行划分,得到划分后的公路机电系统;
构图模块,用于用图对所述划分后的公路机电系统进行描述,建立机电设备的拓扑网络结构;
建模模块,用于根据所述机电设备的拓扑网络结构,以每个机电设备的运行状态作为其状态量,建立所述公路机电系统的混杂自动机模型;
预测模块,用于根据所述公路机电系统的混杂自动机模型,对所述公路机电系统的每个机电设备的运行状态进行预测;
其中,根据所述机电设备的拓扑网络结构,以每个机电设备的运行状态作为其状态量,建立所述公路机电系统的混杂自动机模型,包括:
根据所述机电设备的拓扑网络结构,以每个机电设备的运行状态作为其状态量,根据每个机电设备的状态量和机电设备的变化因子,确定该机电设备的预测运行状态值;
根据每个机电设备的预测运行状态和机电系统单元的实时单元矩阵,确定每个机电系统单元的机电设备状态的集合;
根据每个机电系统单元的机电设备状态的集合和公路机电系统的实时系统矩阵,确定公路机电系统的混杂自动机模型;
并且,采用以下第一计算公式,确定该机电设备的预测运行状态值:
采用以下第二计算公式,确定每个机电系统单元的机电设备状态的集合:
其中,表示机电系统单元/>在/>时刻机电设备状态的集合,/>表示机电系统单元/>在/>时刻机电设备状态的集合,其中,机电系统单元/>包括/>个机电设备,矩阵和/>分别表示实时单元矩阵和单元变化因子矩阵,矩阵/>和均为时变的矩阵;
所述公路机电系统的混杂自动机模型包括:
6.一种用于公路机电系统的机电设备运行状态预测装置,其特征在于,所述装置包括:
处理器;
用于存储处理器可执行指令的存储器;
其中,所述处理器被配置为:
按照公路路段对公路机电系统网络进行划分,得到划分后的公路机电系统;
用图对所述划分后的公路机电系统进行描述,建立机电设备的拓扑网络结构;
根据所述机电设备的拓扑网络结构,以每个机电设备的运行状态作为其状态量,建立所述公路机电系统的混杂自动机模型;
根据所述公路机电系统的混杂自动机模型,对所述公路机电系统的每个机电设备的运行状态进行预测;
其中,根据所述机电设备的拓扑网络结构,以每个机电设备的运行状态作为其状态量,建立所述公路机电系统的混杂自动机模型,包括:
根据所述机电设备的拓扑网络结构,以每个机电设备的运行状态作为其状态量,根据每个机电设备的状态量和机电设备的变化因子,确定该机电设备的预测运行状态值;
根据每个机电设备的预测运行状态和机电系统单元的实时单元矩阵,确定每个机电系统单元的机电设备状态的集合;
根据每个机电系统单元的机电设备状态的集合和公路机电系统的实时系统矩阵,确定公路机电系统的混杂自动机模型;
并且,采用以下第一计算公式,确定该机电设备的预测运行状态值:
采用以下第二计算公式,确定每个机电系统单元的机电设备状态的集合:
其中,表示机电系统单元/>在/>时刻机电设备状态的集合,/>表示机电系统单元/>在/>时刻机电设备状态的集合,其中,机电系统单元/>包括/>个机电设备,矩阵/>和/>分别表示实时单元矩阵和单元变化因子矩阵,矩阵/>和均为时变的矩阵;
所述公路机电系统的混杂自动机模型包括:
7.一种计算机可读存储介质,其上存储有计算机指令,其特征在于,该指令被处理器执行时实现权利要求1-4中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310200668.XA CN116070779B (zh) | 2023-03-06 | 2023-03-06 | 机电设备运行状态预测方法、装置及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310200668.XA CN116070779B (zh) | 2023-03-06 | 2023-03-06 | 机电设备运行状态预测方法、装置及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116070779A CN116070779A (zh) | 2023-05-05 |
CN116070779B true CN116070779B (zh) | 2023-06-09 |
Family
ID=86175434
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310200668.XA Active CN116070779B (zh) | 2023-03-06 | 2023-03-06 | 机电设备运行状态预测方法、装置及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116070779B (zh) |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE19858477B4 (de) * | 1998-12-17 | 2004-12-02 | Siemens Ag | Verfahren zum Ermitteln von Verkehrsinformationen |
CN109145402B (zh) * | 2018-07-31 | 2022-11-25 | 北京航空航天大学 | 一种基于故障混杂模型的机电系统故障传播分析方法 |
CN110852650B (zh) * | 2019-11-19 | 2021-11-02 | 交通运输部公路科学研究所 | 基于动态图混杂自动机的综合客运枢纽群网络建模方法 |
CN111008363B (zh) * | 2019-11-21 | 2021-11-19 | 西安交通大学 | 多变量因果驱动的复杂机电系统服役安全态势评估方法 |
-
2023
- 2023-03-06 CN CN202310200668.XA patent/CN116070779B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN116070779A (zh) | 2023-05-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Peeta et al. | Multiple user classes real-time traffic assignment for online operations: a rolling horizon solution framework | |
CN102779223A (zh) | 短期电力负荷预测的方法及装置 | |
WO2013167085A2 (zh) | 一种基于栅格映射生长的交通网络划分方法及配置服务器 | |
CN110209467B (zh) | 一种基于机器学习的弹性资源扩展方法和系统 | |
CN110830570B (zh) | 软件定义网络中鲁棒的有限控制器资源均衡部署方法 | |
CN105634974A (zh) | 软件定义网络中的路由确定方法和装置 | |
CN112906934A (zh) | 基于gis地图的城市配电网故障抢修路径优化方法及系统 | |
CN112953007A (zh) | 配电网调度方法、装置及系统、处理器、电子设备 | |
CN103034267A (zh) | 用于控制设施装置的设备和方法 | |
CN113703984B (zh) | 5g云边协同场景下基于soa架构的云任务优化策略方法 | |
CN116070779B (zh) | 机电设备运行状态预测方法、装置及存储介质 | |
CN113225994B (zh) | 一种面向数据中心的智能空调控制方法 | |
CN112562325B (zh) | 基于块坐标下降的大规模城市交通网络流量监测方法 | |
CN112541614B (zh) | 一种分布式有源电网供电路径优化方法及实现该方法的系统 | |
KR20220128051A (ko) | 도시부 도로의 도로망 셀 단위 교통량 변화 시뮬레이션 방법 및 컴퓨터 프로그램 | |
CN113381888A (zh) | 控制方法、装置、设备及存储介质 | |
CN116794532A (zh) | 基于多模态传感器融合算法的无人机电池电量预测方法 | |
CN107590747A (zh) | 基于综合能源大数据分析的电网资产周转率计算方法 | |
CN116109058A (zh) | 一种基于深度强化学习的变电站巡视管理方法和装置 | |
CN106406082A (zh) | 一种系统控制方法、装置,控制器及控制系统 | |
CN111210088B (zh) | 一种基于时空因素的交通状态指数预测方法 | |
Zhang et al. | Offloading demand prediction-driven latency-aware resource reservation in edge networks | |
CN110781352B (zh) | 一种最低成本优化拓扑结构实现网络结构可控性的方法 | |
CN112766609A (zh) | 一种基于云计算的用电量预测方法 | |
Ling et al. | Constrained multiagent reinforcement learning for large agent population |
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 |