CN116205636A - 一种基于物联网技术的地铁设施维护管理方法及系统 - Google Patents
一种基于物联网技术的地铁设施维护管理方法及系统 Download PDFInfo
- Publication number
- CN116205636A CN116205636A CN202310483474.5A CN202310483474A CN116205636A CN 116205636 A CN116205636 A CN 116205636A CN 202310483474 A CN202310483474 A CN 202310483474A CN 116205636 A CN116205636 A CN 116205636A
- Authority
- CN
- China
- Prior art keywords
- subway
- facility
- prediction
- fault
- maintenance management
- 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 157
- 238000007726 management method Methods 0.000 title claims abstract description 128
- 238000005516 engineering process Methods 0.000 title claims abstract description 18
- 238000010276 construction Methods 0.000 claims abstract description 45
- 238000013461 design Methods 0.000 claims abstract description 43
- 230000000737 periodic effect Effects 0.000 claims abstract description 35
- 238000004458 analytical method Methods 0.000 claims abstract description 28
- 238000000034 method Methods 0.000 claims abstract description 19
- 230000004927 fusion Effects 0.000 claims abstract description 13
- 238000007781 pre-processing Methods 0.000 claims description 14
- 238000012549 training Methods 0.000 claims description 13
- 230000008859 change Effects 0.000 claims description 11
- 238000009877 rendering Methods 0.000 claims description 11
- 238000009434 installation Methods 0.000 claims description 10
- 238000007689 inspection Methods 0.000 claims description 7
- 238000000275 quality assurance Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 abstract description 3
- 230000003068 static effect Effects 0.000 description 8
- 230000000694 effects Effects 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000000605 extraction Methods 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 238000007637 random forest analysis Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000002441 reversible effect Effects 0.000 description 2
- 230000004931 aggregating effect Effects 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 238000004519 manufacturing process Methods 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
- 238000012544 monitoring process Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000009423 ventilation 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
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/13—Architectural design, e.g. computer-aided architectural design [CAAD] related to design of buildings, bridges, landscapes, production plants or roads
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/20—Ensemble learning
-
- 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
- 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
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
- G16Y10/00—Economic sectors
- G16Y10/40—Transportation
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- General Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Operations Research (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Geometry (AREA)
- Computer Hardware Design (AREA)
- Computing Systems (AREA)
- Development Economics (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Entrepreneurship & Innovation (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Optimization (AREA)
- Medical Informatics (AREA)
- Architecture (AREA)
- Structural Engineering (AREA)
- Civil Engineering (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Mathematical Analysis (AREA)
- Pure & Applied Mathematics (AREA)
- Game Theory and Decision Science (AREA)
- Mathematical Physics (AREA)
- Accounting & Taxation (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Computational Mathematics (AREA)
Abstract
本发明提供了一种基于物联网技术的地铁设施维护管理方法及系统，涉及数据处理技术领域，方法包括：对地铁设施全生命周期进行阶段划分得到阶段信息组集合，根据设计阶段信息组和施工阶段信息组构建地铁设施几何模型，得到地铁设施BIM模型，分析地铁设施维护管理日志中M次定期维护管理记录得到数据集，并进行级联学习，得到目标故障预测模型集，对N个预测模型进行集成融合分析，得到多个集成故障预测模型后确定目标集成故障预测模型，得到地铁设施动态信息，得到地铁设施故障预测进行地铁设施的预知维护管理，解决现有技术缺乏对地铁设施的维护，导致地铁设施故障率高技术问题，实现对地铁设施的精准预知维护管理，降低地铁设施故障率。
Description
技术领域
本发明涉及数据处理技术领域，具体涉及一种基于物联网技术的地铁设施维护管理方法及系统。
背景技术
地铁的维护支持工作量巨大，目前主要依赖人工完成，不仅需要的人员数量多，而且特别依赖人的经验。随着人工智能技术的发展，对设备运行过程中的数据进行分析，实现设备故障预测及故障类型判断成为可能。结合移动设备在维护人员一线具备使用条件，维护工作变得敏捷高效成为可以追求的目标。敏捷一方面来自于对设备的故障预测与诊断的研究；一方面以体现在如何快速有效的基于管理流程和规范，组织具体的工作安排，这对依托的信息化系统的 灵活性提出了很高的要求。
地铁运维安全的关键是预防，地铁运维系统具备可靠的安全分析和故障预测能力至关重要。首先，目前的安全分析和故障预测，一般以组件、子系统间相互独立为假设条件，现有的研究中，由于没有考虑系统组件间存在的多重耦合关系，以及由此形成具有涌现特征的复杂系统行为，以至于无法准确描述耦合与功能依赖关系，从而难以解决列车运行的安全性问题。其次，现阶段对于列车运行控制系统的状态建模缺乏对多种不确定性的综合考虑，导致信息建模准确性较低，并且维修管理方案如何反馈于列车运行控制系统的设计和日程管理缺乏深入研究，增加了故障发生率或维修损失。 在运维过程中，由于地铁行业特有的严谨性，一旦设备出现故障或者报警，涉及的部门多，参与的人员广，层层汇报，流程复杂，维修人员响应缓慢，消耗了大量的人力和管理成本，在当前需要高效的地铁运营环境下，迫切需要优化。
发明内容
本申请提供了一种基于物联网技术的地铁设施维护管理方法及系统，用于针对解决现有技术中存在的缺乏对地铁设施的维护，导致地铁设施故障率高技术问题。
鉴于上述问题，本申请提供了一种基于物联网技术的地铁设施维护管理方法及系统。
第一方面，本申请提供了一种基于物联网技术的地铁设施维护管理方法，所述方法包括：对地铁设施全生命周期进行阶段划分，得到阶段划分结果，并依次分析得到阶段信息组集合，其中，所述阶段信息组集合包括设计阶段信息组、施工阶段信息组和运营维护阶段信息组；根据所述设计阶段信息组和所述施工阶段信息组构建地铁设施几何模型，并通过集成所述运营维护阶段信息组对所述地铁设施几何模型进行渲染，得到地铁设施BIM模型；获取地铁设施维护管理日志，其中，所述地铁设施维护管理日志包括M次定期维护管理记录，其中，M为大于1的整数，并且所述M次定期维护管理记录包括预设故障类型的维护管理记录；分析所述M次定期维护管理记录得到数据集，并对所述数据集进行级联学习，得到目标故障预测模型集，其中，所述目标故障预测模型集包括N个预测模型，其中，N为大于1的整数；对所述N个预测模型进行集成融合分析，得到多个集成故障预测模型，并对比分析确定目标集成故障预测模型；基于所述地铁设施BIM模型得到地铁设施动态信息，并通过所述目标集成故障预测模型对所述地铁设施动态信息进行分析，得到地铁设施故障预测；根据所述地铁设施故障预测进行地铁设施的预知维护管理。
第二方面，本申请提供了一种基于物联网技术的地铁设施维护管理系统，所述系统包括：阶段划分模块，所述阶段划分模块用于对地铁设施全生命周期进行阶段划分，得到阶段划分结果，并依次分析得到阶段信息组集合，其中，所述阶段信息组集合包括设计阶段信息组、施工阶段信息组和运营维护阶段信息组；渲染模块，所述渲染模块用于根据所述设计阶段信息组和所述施工阶段信息组构建地铁设施几何模型，并通过集成所述运营维护阶段信息组对所述地铁设施几何模型进行渲染，得到地铁设施BIM模型；日志获取模块，所述日志获取模块用于获取地铁设施维护管理日志，其中，所述地铁设施维护管理日志包括M次定期维护管理记录，其中，M为大于1的整数，并且所述M次定期维护管理记录包括预设故障类型的维护管理记录；级联学习模块，所述级联学习模块用于分析所述M次定期维护管理记录得到数据集，并对所述数据集进行级联学习，得到目标故障预测模型集，其中，所述目标故障预测模型集包括N个预测模型，其中，N为大于1的整数；集成融合分析模块，所述集成融合分析模块用于对所述N个预测模型进行集成融合分析，得到多个集成故障预测模型，并对比分析确定目标集成故障预测模型；分析模块，所述分析模块用于基于所述地铁设施BIM模型得到地铁设施动态信息，并通过所述目标集成故障预测模型对所述地铁设施动态信息进行分析，得到地铁设施故障预测；预知维护管理模块，所述预知维护管理模块用于根据所述地铁设施故障预测进行地铁设施的预知维护管理。
本申请中提供的一个或多个技术方案，至少具有如下技术效果或优点：
本申请提供的一种基于物联网技术的地铁设施维护管理方法及系统，涉及数据处理技术领域，解决了现有技术中缺乏对地铁设施的维护，导致地铁设施故障率高技术问题，实现了对地铁设施的精准预知维护管理，降低地铁设施故障率。
附图说明
图1为本申请提供了一种基于物联网技术的地铁设施维护管理方法流程示意图；
图2为本申请提供了一种基于物联网技术的地铁设施维护管理方法中构建地铁设施几何模型流程示意图；
图3为本申请提供了一种基于物联网技术的地铁设施维护管理方法中组建数据集流程示意图；
图4为本申请提供了一种基于物联网技术的地铁设施维护管理方法中目标集成故障预测模型流程示意图；
图5为本申请提供了一种基于物联网技术的地铁设施维护管理系统结构示意图。
附图标记说明：阶段划分模块1，渲染模块2，日志获取模块3，级联学习模块4，集成融合分析模块5，分析模块6，预知维护管理模块7。
具体实施方式
本申请通过提供一种基于物联网技术的地铁设施维护管理方法及系统，用于解决现有技术中缺乏对地铁设施的维护，导致地铁设施故障率高技术问题。
实施例一
如图1所示，本申请实施例提供了一种基于物联网技术的地铁设施维护管理方法，该方法包括：
步骤S100：对地铁设施全生命周期进行阶段划分，得到阶段划分结果，并依次分析得到阶段信息组集合，其中，所述阶段信息组集合包括设计阶段信息组、施工阶段信息组和运营维护阶段信息组；
具体而言，本申请实施例提供的一种基于物联网技术的地铁设施维护管理方法应用于一种基于物联网技术的地铁设施维护管理系统，为保证对地铁设施故障进行预测的准确性，首先需要以地铁设施全生命周期为基础，对其进行阶段性划分，并对所划分出的阶段划分结果以此进行分析，获取的阶段信息组集合，且阶段信息组集合中包含设计阶段信息组、施工阶段信息组、运营维护阶段信息组。
阶段信息组集合是指在对地铁设施进行运维管理前需要明确设施设备管理者对运维数据的需求，不同阶段对应不同的需求进行模型的补充和完善，同时根据需求明确模型的深度和设施设备属性信息，设计阶段信息组是指信息的管理赋值从设计阶段开始，分为项目的静态信息和部分动态信息，包括几何信息、成本、功能、制造商、型号、ID编码等静态信息和创建、设计变更等动态信息，施工阶段信息组是指施工阶段主要为安装日期、保修年限、操作说明等静态信息，运营维护阶段信息组是指在运营维护中主要是维修历史、空间规划、巡检记录、备件管理、维护成本等信息，为后期实现对地铁设施故障进行预知维护管理作为重要参考依据。
步骤S200：根据所述设计阶段信息组和所述施工阶段信息组构建地铁设施几何模型，并通过集成所述运营维护阶段信息组对所述地铁设施几何模型进行渲染，得到地铁设施BIM模型；
具体而言，在上述阶段信息组集合中所包含的设计阶段信息组以及施工阶段信息组的基础上对地铁设施集合模型进行构建，其中设计阶段信息组包括地铁设施的结构尺寸信息、型号编码信息、设计变更信息、施工阶段信息组包括地铁设施的安装建设信息、操作说明信息、质量保证信息，通过结构尺寸信息完成地铁设施的安装建设，通过型号编码完成对地铁设施的操作，通过设计变更信息对地铁设施的质量进行保证，由所完成安装建设、操作以及质量的地铁设施信息对地铁设施的三维图像进行构建，进一步的，将地铁设施的三维图像记作地铁设施几何模型。
继而通过集成地铁设施运营维护阶段信息组，运营维护阶段信息组的集成信息可以包含地铁设施的名称信息、区间信息、标准信息、生产信息、设计信息、施工信息、建设方信息、生产厂商信息、基本属性信息以及维护信息等，在此基础上对所构建的地铁设施几何模型进行渲染，即在地铁设施几何模型中将集成信息进行对应添加与整合，从而得到地铁设施BIM模型，地铁设施BIM模型是包含的地铁设施的三维图像以及地铁设施运营维护阶段信息的模型，为实现对地铁设施故障进行预知维护管理做保障。
步骤S300：获取地铁设施维护管理日志，其中，所述地铁设施维护管理日志包括M次定期维护管理记录，其中，M为大于1的整数，并且所述M次定期维护管理记录包括预设故障类型的维护管理记录；
具体而言，由于对地铁设施在进行日常维护时会进行对应记录，为更好的对地铁设施进行故障预测，因此需要对日常维护记录信息进行提取，即地铁设施维护管理日志，且在地铁设施维护管理日志中包含M次定期维护管理记录，其中M为大于1的整数，同时M次定期维护管理记录是指对地铁设施进行周期性的维护管理，以保证在地铁设施出现故障前对隐患进行排除，且M次定期维护管理记录中包含预设故障类型的维护管理记录，为后续实现对地铁设施故障进行预知维护管理夯实基础。
步骤S400：分析所述M次定期维护管理记录得到数据集，并对所述数据集进行级联学习，得到目标故障预测模型集，其中，所述目标故障预测模型集包括N个预测模型，其中，N为大于1的整数；
具体而言，通过对上述地铁设施维护管理日志中所包含的M次定期维护管理记录进行分析，是指将地铁设施预设故障类型中的故障类型与M次定期维护管理记录进行遍历分析，得到当前地铁设施的状态信息，将其与预设故障类型中的故障类型进行训练，继而完成对数据集的组建，进一步的，对所组建的数据集进行级联学习后生成目标故障预测模型集，级联学习是指数据集中多个数据之间的映射关系,建立数据之间的级联关系提高对地铁设施管理效率，是两个对象之间的操作联动关系，且所获目标故障预测模型集包含N个预测模型，其中N个预测模型与数据集中的数据为对应关系，且N为大于1的整数，实现对地铁设施故障有着预知维护管理的作用。
步骤S500：对所述N个预测模型进行集成融合分析，得到多个集成故障预测模型，并对比分析确定目标集成故障预测模型；
具体而言，在目标故障预测模型集中所包含的N个预测模型的基础上，对N个预测模型进行集成融合分析，是指将N各预测模型中的多个故障预测数据聚集在一起进行多个模型的搭建，以提高分类的准确率，获得多个集成故障预测模型，进一步的，将多个集成故障预测模型进行对比分析，依次通过多个集成预测模型对M次定期维护管理记录得到数据集中地铁设施故障数据所对应的地铁设施状态信息进行预测，同时将预测结果依次与多个故障数据进行对比后，对当前最佳的预测结果进行确定，继而反向匹配得到最佳预测结果所集成的预测模型，并将其作为目标集成故障预测模型，以便为后期对地铁设施故障有着预知维护管理时作为参照数据。
步骤S600：基于所述地铁设施BIM模型得到地铁设施动态信息，并通过所述目标集成故障预测模型对所述地铁设施动态信息进行分析，得到地铁设施故障预测；
具体而言，通过集成运营维护阶段信息组对地铁设施集合模型进行渲染所获的地铁设施BIM模型，对当前地铁设施的动态信息进行获取，地铁设施的动态信息包含地铁设施的进程变化情况的信息，同时通过目标集成故障预测模型对所获地铁设施动态信息进行分析，是指对地铁设施动态信息中地铁设施变化情况数据输入至目标集成故障预测模型中后，目标集成故障预测模型输出其可能对应的故障预测信息，并将其视为对当前地铁设施的故障预测，提高后期实现对地铁设施故障有着预知维护管理的准确率。
步骤S700：根据所述地铁设施故障预测进行地铁设施的预知维护管理。
具体而言，以目标集成故障预测模型所输出的地铁设施故障预测作为基础，对当前地铁设施进行预知维护管理，是指根据地铁设施故障预测中基于当前地铁设施的动态对地铁设施未来可能出现的故障状态进行预测，并在所预测故障信息的基础上，完成对地铁设施的维护管理，实现了对地铁设施的精准预知维护管理，降低地铁设施故障率。
进一步而言，如图2所示，本申请步骤S200还包括：
步骤S210：所述设计阶段信息组包括地铁设施的结构尺寸信息、型号编码信息、设计变更信息；
步骤S220：所述施工阶段信息组包括地铁设施的安装建设信息、操作说明信息、质量保证信息；
步骤S230：结合所述设计阶段信息组和所述施工阶段信息组构建所述地铁设施几何模型。
具体而言，以阶段信息组集合中包含的设计阶段信息组、施工阶段信息组对地铁设施几何模型进行构建，在设计阶段信息组中包括地铁设施的结构尺寸信息、型号编码信息、设计变更信息，在施工阶段信息组中包括地铁设施的安装建设信息、操作说明信息、质量保证信息，设计阶段信息组是指信息的管理赋值从设计阶段开始，分为项目的静态信息和部分动态信息，包括几何信息、成本、功能、制造商、型号、ID编码等静态信息和创建、设计变更等动态信息，施工阶段信息组是指施工阶段主要为安装日期、保修年限、操作说明等静态信息，通过将地铁设施的结构尺寸信息与安装建设信息、型号编码信息与操作说明信息、设计变更信息与质量保证信息进行两两结合，同时通过两两结合后的设计信息与施工信息对地铁设施几何模型进行构建，即使用设计信息中的几何概念与施工信息中的几何概念描述当前地铁设施的物体形状，达到为后期实现对地铁设施故障进行预知维护管理提供重要依据的技术效果。
进一步而言，如图3所示，本申请步骤S400还包括：
步骤S410：提取所述预设故障类型中的第一预设故障类型；
步骤S420：基于所述第一预设故障类型对所述M次定期维护管理记录进行遍历，匹配第一记录；
步骤S430：获取所述第一记录中的第一地铁设施动态信息，并组合所述第一预设故障类型得到第一训练数据组；
步骤S440：根据所述第一训练数据组组建所述数据集。
具体而言，对地铁设施可能出现的故障类型进行预设，并同时从预设故障类型中任意提取一故障类型作为第一预设故障类型，其中所获预设故障类型由相关技术人员根据大数据中地铁设施的故障数据进行预设，并在第一预设故障类型的基础上对M次定期维护管理记录进行遍历，即对M次定期维护管理记录中所包含的每次维护管理记录节点进行访问，且在访问的同时与第一预设故障类型进行对应匹配，以此获得匹配第一记录，进一步的，对所匹配的第一记录中的第一地铁设施动态信息进行提取，第一地铁设施动态信息是指对地铁设施的全生命周期的进程中任意一节点的动态信息进行提取，同时将第一地铁设施动态信息与第一预设故障类型结合成整体，且将第一地铁设施动态信息与第一预设故障类型为对应关系，将其作为第一训练数据组的训练数据，继而由第一训练数据组对数据集进行组建，数据集中包含地铁设施的所有动态数据，以及故障类型，以此保证后期对地铁设施故障更好的进行预知维护管理。
进一步而言，本申请步骤S410包括：
步骤S411：获取预设分类编码标准；
步骤S412：基于所述预设分类编码标准对地铁设施进行种类划分，得到种类划分结果；
步骤S413：随机提取所述种类划分结果中的设施类型，并设为目标设施类型；
步骤S414：匹配所述目标设施类型的故障信息，得到目标设施故障，并组建地铁设施故障集；
步骤S415：将所述地铁设施故障集作为所述预设故障类型。
具体而言，通过OnmiClass 的分类编码标准、GB/T 37486-2019《城市轨道交通设施 设备分类与代码》标准对地铁设施设备系统对编码标准进行划分，从而获取预设分类编码标准，在预设分类编码标准的基础上对当前地铁设施的种类根据供电照明设施、通信设施、监控设施、自动售票设施、通风取暖设施、自动报警设施、能源设施进行对应划分，从而对种类划分结果进行获取，进一步的，在种类划分结果中进行设施类型的随机提取，并将随机提取的设施类型对应设置为当前的目标设施类型，并同时对目标设施类型所可能出现的故障信息进行匹配，示例性的，若目标设施类型为供电照明设施，则该设施的故障信息可以为照明故障，则将与目标设施类型对应的故障信息视为目标设施故障，同时将所获所有目标设施故障进行汇总，组建后对地铁设施故障集进行获取，达到基于地铁设施故障集对地铁设施故障进行预知维护管理。
进一步而言，本申请步骤S440包括：
步骤S441：对所述数据集进行划分，分别得到第一数据集和第二数据集；
步骤S442：依次对所述第一数据集和所述第二数据集进行有监督学习，分别得到第一有监督模型和第二有监督模型；
步骤S443：对所述数据集进行预处理，得到数据集预处理结果；
步骤S444：对所述数据集预处理结果进行划分，分别得到第三数据集和第四数据集；
步骤S445：依次对所述第三数据集和所述第四数据集进行无监督学习，分别得到第一无监督模型和第二无监督模型；
步骤S446：结合所述第一有监督模型和所述第二有监督模型、所述第一无监督模型和所述第二无监督模型组建所述目标故障预测模型集。
具体而言，对分析M次定期维护管理记录所得到数据集按照不同类型进行数据划分，对应获得第一数据集与第二数据集，其中，第一数据集与第二数据集均为数据集中随机划分出的数据集，且为不同数据类型的数据集，进一步的，以此对第一数据集与第二数据集进行有监督学习，有监督学习可以为knn、逻辑（线性）回归、决策树、随机森林、adaboost、GBDT、xgboost、svm、朴素贝叶斯、人工神经网络等算法，并通过有监督学习分别得到与第一数据集、第二数据集所对应的第一有监督模型和第二有监督模型。
再对分析M次定期维护管理记录所得到数据集进行预处理，其预处理是指在数据集中仅保留地铁设施动态信息，对地铁设施的故障类型进行剔除，将其记作数据集预处理结果，进一步的，对数据集预处理结果根据数据类型进行划分，对应获得第三数据集与第四数据集，其中，第一数据集与第二数据集均为数据集预处理结果中随机划分出的数据集，且为不同数据类型的数据集，在此基础上，对第三数据集与第四数据集进行无监督学习，无监督学习可以是K均值聚类、层次聚类、密度聚类等，并通过无监督学习分别得到与第三数据集、第四数据集所对应的第一无监督模型和第二无监督模型。
结合第一有监督模型和第二有监督模型、第一无监督模型和第二无监督模型，用于后续对目标故障预测模型集的集成，使得集成所获的目标故障预测模型集同时拥有各类模型的优势，在此基础上达到对地铁设施的预测结果更加精准的技术效果。
进一步而言，如图4所示，本申请步骤S500还包括：
步骤S510：基于集成学习方法原理对所述N个预测模型进行模型搭建，得到多个集成预测模型；
步骤S520：根据所述数据集组建预测检验数据集，其中，所述预测检验数据集包括多组地铁设施动态信息；
步骤S530：所述多组地铁设施动态信息具备多个故障类型标识；
步骤S540：依次通过所述多个集成预测模型对所述多组地铁设施动态信息进行预测，得到多个预测结果；
步骤S550：将所述多个预测结果依次与所述多个故障类型标识进行对比，得到对比结果；
步骤S560：分析所述对比结果并确定最佳预测结果；
步骤S570：反向匹配得到所述最佳预测结果的集成预测模型，作为所述目标集成故障预测模型。
具体而言，在集成学习方法原理的基础上，对N个预测模型进行模型搭建，其集成学习方法可以包含自助法、自助聚合(bagging)、随机森林、提升法(boosting)、 堆叠法(stacking)等算法，从而获得多个集成预测模型，进一步的，通过根据对分析M次定期维护管理记录所得到数据集对预测检验数据集进行组建，且在预测检验数据集中包括多组地铁设施动态信息，并对多组地铁设施动态信息进行对应故障类型的故障标识，因此多组地铁设施动态信息中具备多个故障类型标识，进一步的，以此通过所构建的多个集成模型对多组地铁设施动态信息进行预测，将每组地铁设施动态信息对应输入至多个集成模型中相应的集成预测模型内，通过将所有集成预测模型输出的结果进行汇总，获得多个预测结果，进一步的，将所获多个预测结果以此与多组地铁设施动态信息所具备的多个故障类型标识进行故障标识对比，若存在对比一致的数据，则视为预测当前地铁设施在未来时间会存在故障，且根据对比结果对最佳预测结果进行分析确定，即在对比数据中，一致性越高，则预测效果越佳，并同时将一致性最高的对比结果记作最佳预测结果，继而将最佳预测结果反向匹配至其所对应的集成预测模型中，并将该集成预测模型视为目标集成故障预测模型，以保证在对地铁设施故障进行预知维护管理时的高效性。
进一步而言，本申请步骤S540包括：
步骤S541：提取所述多个集成预测模型中的第一集成预测模型；
步骤S542：获得所述第一集成预测模型的初级学习器、元学习器；
步骤S543：通过所述初级学习器对所述多组地铁设施动态信息进行分析预测，得到初级预测结果；
步骤S544：将所述初级预测结果输入所述元学习器，得到输出结果；
步骤S545：将所述输出结果作为所述第一集成预测模型的第一预测结果；
步骤S546：基于所述第一预测结果得到所述多个预测结果。
具体而言，在多个集成测试模型中任意提取一集成预测模型作为第一集成预测模型，且集成方法是通过将这些个体学习器的偏置和/或方差结合起来，个体学习器可以包含初级学习器、元学习器，从而创建一个集成预测模型，从而获得更精准的预测，进一步的，通过第一集成预测模型中的初级学习器对多组地铁设施动态信息进行分析预测，即对多组地铁设施动态信息进行动态拆分，将不同的动态信息根据类别进行分析预测，并将其记作初级预测结果，同时输入至第一集成预测模型中的元学习器进行输出，进一步的，将所输出的结果作为第一集成预测模型的第一预测结果，从而将多个集成预测模型中每个集成预测模型所输出的预测结果进行整合汇总，并将汇总结果作为多个预测结果进行输出，达到对地铁设施故障进行预知维护管理的技术效果。
综上所述，本申请实施例提供的一种基于物联网技术的地铁设施维护管理方法，至少包括如下技术效果：解决了现有技术中缺乏对地铁设施的维护，导致地铁设施故障率高技术问题，实现了对地铁设施的精准预知维护管理，降低地铁设施故障率。
实施例二
基于与前述实施例中一种基于物联网技术的地铁设施维护管理方法相同的发明构思，如图5所示，本申请提供了一种基于物联网技术的地铁设施维护管理系统，系统包括：
阶段划分模块1，所述阶段划分模块1用于对地铁设施全生命周期进行阶段划分，得到阶段划分结果，并依次分析得到阶段信息组集合，其中，所述阶段信息组集合包括设计阶段信息组、施工阶段信息组和运营维护阶段信息组；
渲染模块2，所述渲染模块2用于根据所述设计阶段信息组和所述施工阶段信息组构建地铁设施几何模型，并通过集成所述运营维护阶段信息组对所述地铁设施几何模型进行渲染，得到地铁设施BIM模型；
日志获取模块3，所述日志获取模块3用于获取地铁设施维护管理日志，其中，所述地铁设施维护管理日志包括M次定期维护管理记录，其中，M为大于1的整数，并且所述M次定期维护管理记录包括预设故障类型的维护管理记录；
级联学习模块4，所述级联学习模块4用于分析所述M次定期维护管理记录得到数据集，并对所述数据集进行级联学习，得到目标故障预测模型集，其中，所述目标故障预测模型集包括N个预测模型，其中，N为大于1的整数；
集成融合分析模块5，所述集成融合分析模块5用于对所述N个预测模型进行集成融合分析，得到多个集成故障预测模型，并对比分析确定目标集成故障预测模型；
分析模块6，所述分析模块6用于基于所述地铁设施BIM模型得到地铁设施动态信息，并通过所述目标集成故障预测模型对所述地铁设施动态信息进行分析，得到地铁设施故障预测；
预知维护管理模块7，所述预知维护管理模块7用于根据所述地铁设施故障预测进行地铁设施的预知维护管理。
进一步而言，系统还包括：
第一信息获取模块，所述第一信息获取模块用于所述设计阶段信息组包括地铁设施的结构尺寸信息、型号编码信息、设计变更信息；
第二信息获取模块，所述第二信息获取模块用于所述施工阶段信息组包括地铁设施的安装建设信息、操作说明信息、质量保证信息；
第一构建模块，所述第一构建模块用于结合所述设计阶段信息组和所述施工阶段信息组构建所述地铁设施几何模型。
进一步而言，系统还包括：
第一提取模块，所述第一提取模块用于提取所述预设故障类型中的第一预设故障类型；
遍历模块，所述遍历模块用于基于所述第一预设故障类型对所述M次定期维护管理记录进行遍历，匹配第一记录；
组合模块，所述组合模块用于获取所述第一记录中的第一地铁设施动态信息，并组合所述第一预设故障类型得到第一训练数据组；
第一组建模块，所述第一组建模块用于根据所述第一训练数据组组建所述数据集。
进一步而言，系统还包括：
标准模块，所述标准模块用于获取预设分类编码标准；
种类划分模块，所述种类划分模块用于基于所述预设分类编码标准对地铁设施进行种类划分，得到种类划分结果；
随机提取模块，所述随机提取模块用于随机提取所述种类划分结果中的设施类型，并设为目标设施类型；
匹配模块，所述匹配模块用于匹配所述目标设施类型的故障信息，得到目标设施故障，并组建地铁设施故障集；
预设故障类型模块，所述预设故障类型模块用于将所述地铁设施故障集作为所述预设故障类型。
进一步而言，系统还包括：
第一划分模块，所述第一划分模块用于对所述数据集进行划分，分别得到第一数据集和第二数据集；
有监督学习模块，所述有监督学习模块用于依次对所述第一数据集和所述第二数据集进行有监督学习，分别得到第一有监督模型和第二有监督模型；
预处理模块，所述预处理模块用于对所述数据集进行预处理，得到数据集预处理结果；
第二划分模块，所述第二划分模块用于对所述数据集预处理结果进行划分，分别得到第三数据集和第四数据集；
无监督学习模块，所述无监督学习模块用于依次对所述第三数据集和所述第四数据集进行无监督学习，分别得到第一无监督模型和第二无监督模型；
结合模块，所述结合模块用于结合所述第一有监督模型和所述第二有监督模型、所述第一无监督模型和所述第二无监督模型组建所述目标故障预测模型集。
进一步而言，系统还包括：
模型搭建模块，所述模型搭建模块用于基于集成学习方法原理对所述N个预测模型进行模型搭建，得到多个集成预测模型；
第一组建模块，所述第一组建模块用于根据所述数据集组建预测检验数据集，其中，所述预测检验数据集包括多组地铁设施动态信息；
标识模块，所述标识模块用于所述多组地铁设施动态信息具备多个故障类型标识；
预测模块，所述预测模块用于依次通过所述多个集成预测模型对所述多组地铁设施动态信息进行预测，得到多个预测结果；
标识对比模块，所述标识对比模块用于将所述多个预测结果依次与所述多个故障类型标识进行对比，得到对比结果；
结果确定模块，所述结果确定模块用于分析所述对比结果并确定最佳预测结果；
反向匹配模块，所述反向匹配模块用于反向匹配得到所述最佳预测结果的集成预测模型，作为所述目标集成故障预测模型。
进一步而言，系统还包括：
第二提取模块，所述第二提取模块用于提取所述多个集成预测模型中的第一集成预测模型；
学习器模块，所述学习器模块用于获得所述第一集成预测模型的初级学习器、元学习器；
分析预测模块，所述分析预测模块用于通过所述初级学习器对所述多组地铁设施动态信息进行分析预测，得到初级预测结果；
输入模块，所述输入模块用于将所述初级预测结果输入所述元学习器，得到输出结果；
输出模块，所述输出模块用于将所述输出结果作为所述第一集成预测模型的第一预测结果；
预测结果获取模块，所述预测结果获取模块用于基于所述第一预测结果得到所述多个预测结果。
本说明书通过前述对一种基于物联网技术的地铁设施维护管理方法的详细描述，本领域技术人员可以清楚的知道本实施例中一种基于物联网技术的地铁设施维护管理系统，对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下，在其它实施例中实现。因此，本申请将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (8)
1.一种基于物联网技术的地铁设施维护管理方法，其特征在于，包括：
对地铁设施全生命周期进行阶段划分，得到阶段划分结果，并依次分析得到阶段信息组集合，其中，所述阶段信息组集合包括设计阶段信息组、施工阶段信息组和运营维护阶段信息组；
根据所述设计阶段信息组和所述施工阶段信息组构建地铁设施几何模型，并通过集成所述运营维护阶段信息组对所述地铁设施几何模型进行渲染，得到地铁设施BIM模型；
获取地铁设施维护管理日志，其中，所述地铁设施维护管理日志包括M次定期维护管理记录，其中，M为大于1的整数，并且所述M次定期维护管理记录包括预设故障类型的维护管理记录；
分析所述M次定期维护管理记录得到数据集，并对所述数据集进行级联学习，得到目标故障预测模型集，其中，所述目标故障预测模型集包括N个预测模型，其中，N为大于1的整数；
对所述N个预测模型进行集成融合分析，得到多个集成故障预测模型，并对比分析确定目标集成故障预测模型；
基于所述地铁设施BIM模型得到地铁设施动态信息，并通过所述目标集成故障预测模型对所述地铁设施动态信息进行分析，得到地铁设施故障预测；
根据所述地铁设施故障预测进行地铁设施的预知维护管理。
2.根据权利要求1所述地铁设施维护管理方法，其特征在于，所述根据所述设计阶段信息组和所述施工阶段信息组构建地铁设施几何模型，包括：
所述设计阶段信息组包括地铁设施的结构尺寸信息、型号编码信息、设计变更信息；
所述施工阶段信息组包括地铁设施的安装建设信息、操作说明信息、质量保证信息；
结合所述设计阶段信息组和所述施工阶段信息组构建所述地铁设施几何模型。
3.根据权利要求1所述地铁设施维护管理方法，其特征在于，所述分析所述M次定期维护管理记录得到数据集，包括：
提取所述预设故障类型中的第一预设故障类型；
基于所述第一预设故障类型对所述M次定期维护管理记录进行遍历，匹配第一记录；
获取所述第一记录中的第一地铁设施动态信息，并组合所述第一预设故障类型得到第一训练数据组；
根据所述第一训练数据组组建所述数据集。
4.根据权利要求3所述地铁设施维护管理方法，其特征在于，在所述提取所述预设故障类型中的第一预设故障类型之前，包括：
获取预设分类编码标准；
基于所述预设分类编码标准对地铁设施进行种类划分，得到种类划分结果；
随机提取所述种类划分结果中的设施类型，并设为目标设施类型；
匹配所述目标设施类型的故障信息，得到目标设施故障，并组建地铁设施故障集；
将所述地铁设施故障集作为所述预设故障类型。
5.根据权利要求3所述地铁设施维护管理方法，其特征在于，在所述根据所述第一训练数据组组建所述数据集之后，包括：
对所述数据集进行划分，分别得到第一数据集和第二数据集；
依次对所述第一数据集和所述第二数据集进行有监督学习，分别得到第一有监督模型和第二有监督模型；
对所述数据集进行预处理，得到数据集预处理结果；
对所述数据集预处理结果进行划分，分别得到第三数据集和第四数据集；
依次对所述第三数据集和所述第四数据集进行无监督学习，分别得到第一无监督模型和第二无监督模型；
结合所述第一有监督模型和所述第二有监督模型、所述第一无监督模型和所述第二无监督模型组建所述目标故障预测模型集。
6.根据权利要求5所述地铁设施维护管理方法，其特征在于，对所述N个预测模型进行集成融合分析，得到多个集成故障预测模型，并对比分析确定目标集成故障预测模型，包括：
基于集成学习方法原理对所述N个预测模型进行模型搭建，得到多个集成预测模型；
根据所述数据集组建预测检验数据集，其中，所述预测检验数据集包括多组地铁设施动态信息；
所述多组地铁设施动态信息具备多个故障类型标识；
依次通过所述多个集成预测模型对所述多组地铁设施动态信息进行预测，得到多个预测结果；
将所述多个预测结果依次与所述多个故障类型标识进行对比，得到对比结果；
分析所述对比结果并确定最佳预测结果；
反向匹配得到所述最佳预测结果的集成预测模型，作为所述目标集成故障预测模型。
7.根据权利要求6所述地铁设施维护管理方法，其特征在于，所述依次通过所述多个集成预测模型对所述多组地铁设施动态信息进行预测，得到多个预测结果，包括：
提取所述多个集成预测模型中的第一集成预测模型；
获得所述第一集成预测模型的初级学习器、元学习器；
通过所述初级学习器对所述多组地铁设施动态信息进行分析预测，得到初级预测结果；
将所述初级预测结果输入所述元学习器，得到输出结果；
将所述输出结果作为所述第一集成预测模型的第一预测结果；
基于所述第一预测结果得到所述多个预测结果。
8.一种基于物联网技术的地铁设施维护管理系统，其特征在于，包括：
阶段划分模块，所述阶段划分模块用于对地铁设施全生命周期进行阶段划分，得到阶段划分结果，并依次分析得到阶段信息组集合，其中，所述阶段信息组集合包括设计阶段信息组、施工阶段信息组和运营维护阶段信息组；
渲染模块，所述渲染模块用于根据所述设计阶段信息组和所述施工阶段信息组构建地铁设施几何模型，并通过集成所述运营维护阶段信息组对所述地铁设施几何模型进行渲染，得到地铁设施BIM模型；
日志获取模块，所述日志获取模块用于获取地铁设施维护管理日志，其中，所述地铁设施维护管理日志包括M次定期维护管理记录，其中，M为大于1的整数，并且所述M次定期维护管理记录包括预设故障类型的维护管理记录；
级联学习模块，所述级联学习模块用于分析所述M次定期维护管理记录得到数据集，并对所述数据集进行级联学习，得到目标故障预测模型集，其中，所述目标故障预测模型集包括N个预测模型，其中，N为大于1的整数；
集成融合分析模块，所述集成融合分析模块用于对所述N个预测模型进行集成融合分析，得到多个集成故障预测模型，并对比分析确定目标集成故障预测模型；
分析模块，所述分析模块用于基于所述地铁设施BIM模型得到地铁设施动态信息，并通过所述目标集成故障预测模型对所述地铁设施动态信息进行分析，得到地铁设施故障预测；
预知维护管理模块，所述预知维护管理模块用于根据所述地铁设施故障预测进行地铁设施的预知维护管理。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310483474.5A CN116205636B (zh) | 2023-05-04 | 2023-05-04 | 一种基于物联网技术的地铁设施维护管理方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310483474.5A CN116205636B (zh) | 2023-05-04 | 2023-05-04 | 一种基于物联网技术的地铁设施维护管理方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116205636A true CN116205636A (zh) | 2023-06-02 |
| CN116205636B CN116205636B (zh) | 2023-07-18 |
Family
ID=86509794
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310483474.5A Active CN116205636B (zh) | 2023-05-04 | 2023-05-04 | 一种基于物联网技术的地铁设施维护管理方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116205636B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116485212A (zh) * | 2023-06-25 | 2023-07-25 | 天津津轨汇海科技发展有限公司 | 一种轨道交通供电设备用安全操作管理方法及系统 |
| CN118096123A (zh) * | 2024-03-13 | 2024-05-28 | 山东泽悦信息技术有限公司 | 一种基于区块链的设备预测性维护方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108491936A (zh) * | 2018-03-08 | 2018-09-04 | 上海同岩土木工程科技股份有限公司 | 基于bim的地铁设施设备运维管理系统及方法 |
| CN109117864A (zh) * | 2018-07-13 | 2019-01-01 | 华南理工大学 | 基于异构特征融合的冠心病风险预测方法、模型及系统 |
| CN110647133A (zh) * | 2019-09-09 | 2020-01-03 | 深圳市永达电子信息股份有限公司 | 轨道交通设备状态检测维护方法及系统 |
| CN112633623A (zh) * | 2020-10-12 | 2021-04-09 | 南京交通职业技术学院 | 一种轨道交通智慧运维系统 |
| CN115760073A (zh) * | 2022-12-02 | 2023-03-07 | 国网福建省电力有限公司经济技术研究院 | 一种基于bim模型的变电站设备维护系统和方法 |
-
2023
- 2023-05-04 CN CN202310483474.5A patent/CN116205636B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108491936A (zh) * | 2018-03-08 | 2018-09-04 | 上海同岩土木工程科技股份有限公司 | 基于bim的地铁设施设备运维管理系统及方法 |
| CN109117864A (zh) * | 2018-07-13 | 2019-01-01 | 华南理工大学 | 基于异构特征融合的冠心病风险预测方法、模型及系统 |
| CN110647133A (zh) * | 2019-09-09 | 2020-01-03 | 深圳市永达电子信息股份有限公司 | 轨道交通设备状态检测维护方法及系统 |
| CN112633623A (zh) * | 2020-10-12 | 2021-04-09 | 南京交通职业技术学院 | 一种轨道交通智慧运维系统 |
| CN115760073A (zh) * | 2022-12-02 | 2023-03-07 | 国网福建省电力有限公司经济技术研究院 | 一种基于bim模型的变电站设备维护系统和方法 |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116485212A (zh) * | 2023-06-25 | 2023-07-25 | 天津津轨汇海科技发展有限公司 | 一种轨道交通供电设备用安全操作管理方法及系统 |
| CN116485212B (zh) * | 2023-06-25 | 2023-09-12 | 天津津轨汇海科技发展有限公司 | 一种轨道交通供电设备用安全操作管理方法及系统 |
| CN118096123A (zh) * | 2024-03-13 | 2024-05-28 | 山东泽悦信息技术有限公司 | 一种基于区块链的设备预测性维护方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116205636B (zh) | 2023-07-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116205636B (zh) | 一种基于物联网技术的地铁设施维护管理方法及系统 | |
| CN114579875B (zh) | 基于知识图谱的设备故障诊断与维修知识推荐系统 | |
| US20230112783A1 (en) | Subject matter expert knowledge mapping using dynamic clustering | |
| CN113688169B (zh) | 基于大数据分析的矿山安全隐患辨识与预警系统 | |
| US20230123527A1 (en) | Distributed client server system for generating predictive machine learning models | |
| CN112256761A (zh) | 一种基于电梯全生命周期的大数据挖掘和故障预测方法 | |
| CN117393076B (zh) | 耐热环氧树脂生产过程智能监测方法及系统 | |
| Beyerer et al. | Machine Learning for Cyber Physical Systems: Selected Papers from the International Conference ML4CPS 2018 | |
| CN116882978A (zh) | 一种基于产品信息框架的深海潜水器运维保障平台 | |
| CN115619090A (zh) | 一种基于模型和数据驱动的安全评估方法 | |
| Bond et al. | A hybrid learning approach to prognostics and health management applied to military ground vehicles using time-series and maintenance event data | |
| Rizvi | Powering Efficiency: Exploring Artificial Intelligence for Real-time Energy Management in Buildings | |
| CN117217734A (zh) | 一种基于bim地铁车站机电设备的维护管理系统 | |
| US20230376795A1 (en) | Device, computing platform and method of analyzing log files of an industrial plant | |
| CN113835739B (zh) | 一种软件缺陷修复时间的智能化预测方法 | |
| KR102437917B1 (ko) | 장비 운영 시스템 | |
| Noursalehi et al. | Machine-learning-augmented analysis of textual data: application in transit disruption management | |
| KR102717859B1 (ko) | 사출 공정 데이터를 기반으로 학습된 인공지능 모델을 활용한 사출 불량 예측 솔루션 제공 방법, 장치 및 시스템 | |
| Ślusarczyk et al. | Machine learning methods in BIM-based applications: a review | |
| CN117669984B (zh) | 基于数字孪生及知识图谱的强化学习的车间调度方法 | |
| CN118096131B (zh) | 一种基于电力场景模型的运维巡检方法 | |
| Wang et al. | Customized product configuration rule intelligent extraction and dynamic updating method based on the least recently used dynamic decision tree | |
| KR102682863B1 (ko) | 사출 불량 및 상태 분석을 위한 인공지능 모델을 활용한 사출 설비 스마트 제어 방법, 장치 및 시스템 | |
| CN117436444B (zh) | 基于标签的数据处理方法、设备及计算机可读存储介质 | |
| CN118153881B (zh) | 基于数据中台的业扩全流程监测方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |