CN116432397A - 一种基于数据模型的轨道交通故障预警方法 - Google Patents
一种基于数据模型的轨道交通故障预警方法 Download PDFInfo
- Publication number
- CN116432397A CN116432397A CN202310197978.0A CN202310197978A CN116432397A CN 116432397 A CN116432397 A CN 116432397A CN 202310197978 A CN202310197978 A CN 202310197978A CN 116432397 A CN116432397 A CN 116432397A
- Authority
- CN
- China
- Prior art keywords
- model
- early warning
- data
- vehicle
- fault
- 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
- 238000000034 method Methods 0.000 title claims abstract description 51
- 238000013499 data model Methods 0.000 title claims abstract description 20
- 238000012549 training Methods 0.000 claims abstract description 42
- 238000012544 monitoring process Methods 0.000 claims abstract description 8
- 230000005856 abnormality Effects 0.000 claims description 26
- 238000012360 testing method Methods 0.000 claims description 18
- 238000001514 detection method Methods 0.000 claims description 16
- 238000010801 machine learning Methods 0.000 claims description 16
- 230000008569 process Effects 0.000 claims description 14
- 238000012216 screening Methods 0.000 claims description 7
- 238000004378 air conditioning Methods 0.000 claims description 6
- 238000013508 migration Methods 0.000 claims description 5
- 230000005012 migration Effects 0.000 claims description 5
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000012937 correction Methods 0.000 claims description 3
- 238000002372 labelling Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 238000004806 packaging method and process Methods 0.000 claims description 3
- 230000001502 supplementing effect Effects 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 3
- 238000012423 maintenance Methods 0.000 abstract description 8
- 230000036541 health Effects 0.000 abstract description 5
- 238000001556 precipitation Methods 0.000 abstract description 3
- 238000003745 diagnosis Methods 0.000 abstract description 2
- 238000004590 computer program Methods 0.000 description 10
- 230000006870 function Effects 0.000 description 8
- 230000002159 abnormal effect Effects 0.000 description 7
- 238000004422 calculation algorithm Methods 0.000 description 7
- 238000007726 management method Methods 0.000 description 5
- 238000013461 design Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000005457 optimization Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 238000000354 decomposition reaction Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 230000008676 import Effects 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000005057 refrigeration Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 235000018185 Betula X alpestris Nutrition 0.000 description 1
- 235000018212 Betula X uliginosa Nutrition 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013075 data extraction Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000556 factor analysis Methods 0.000 description 1
- 238000011049 filling Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000003032 molecular docking Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000013138 pruning Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000010223 real-time analysis Methods 0.000 description 1
- 238000011897 real-time detection Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 239000003507 refrigerant Substances 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 238000007789 sealing Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000002054 transplantation Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- 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
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Abstract
本发明涉及一种基于数据模型的轨道交通故障预警方法,其可根据轨道车辆数据平台的车辆工作信息数据训练获得不同的车辆预警模型,这些车辆预警模型作为子模型分别封装构成模型库以便后续调用,在进行具体的项目车辆的针对性故障预警时就可针对性地调用子模型进行组合构成所需的目标车辆预警模型,实现了多模型的结合移植以解决针对不同轨道车辆、不同的故障预警需求的问题,提高了对于列车关键子部件、子系统的健康状态监测诊断、故障预测预警的能力,有利于轨道交通行业在检修运维方面相关知识的沉淀。
Description
技术领域
本发明涉及轨道交通技术领域,具体是一种基于数据模型的轨道交通故障预警方法。
背景技术
目前在轨道交通行业已有各类算法模型、机理模型的实际应用,尤其在后市场服务的运维检修领域应用相对较多,目前出现了已经成型的。现有的故障预警模型能够保障车辆安全性与运营可靠性,但是针对不同的轨道车辆都需要针对设计预警模型,导致开发成本大,因此,图和在节约运行成本同时保证轨道车辆的故障预警准确性,从而实现一种可维护性设计的轨道交通故障预警,是目前需要解决的技术问题。
对以往项目、系统、装置和部件的数据进行统计分析,预测本项目故障发生规律。但现有的模型并不能做到完全适应不同场景、不同区域的轨道交通。
发明内容
本发明的目的是通过针对不同预警工况确立预警模型,再结合后期的模型迁移优化,提供一种基于数据模型的轨道交通故障预警方法,提高轨道交通车辆的故障预警模型的适应性。
为达到上述目的,本发明采用的技术方案是:
本发明提供了一种基于数据模型的轨道交通故障预警方法,包括:
构建模型库,根据待检测的项目车辆的故障预警需求,从多个样本车辆预警模型,并且对各个样本车辆预警模型进行封装;
模型筛选,根据待检测的项目车辆从所述模型数据库中选定调用至少一个样本车辆预警模型构建出目标车辆预警模型;
故障预警,将待检测项目车辆的车辆信息数据导入所述目标车辆预警模型得到车辆故障预警结果。
对于上述技术方案,申请人还有进一步的具体优化实施方式。
在一具体的实施方式下,所述模型库中的各个样本车辆预警模型分别基于样本车辆数据集进行训练获得,所述样本车辆数据集包括从轨道车辆数据平台获取的样本车辆的工作运行数据、预警数据以及故障数据。
在一具体的实施方式下,所述模型库中的各个样本车辆预警模型分别基于样本车辆数据集进行训练时采用的是弱学习器模型与集成学习器模型相结合的训练模型。
在一具体的实施方式下,所述样本车辆数据集拆分为训练集、测试集D2,所述弱学习器模型中包括K个弱学习器子模型,将所述训练集拆分构成K组训练子集,所述K组训练子集分别送入一弱学习器子模型对所述弱学习器子模型进行训练,在弱学习器子模型训练过程中通过测试集D2对训练后的弱学习器子模型进行测试,测试合格后再将所述训练集输入训练完成的弱学习器子模型进而得到K个预测结果,将所述K个预测结果与所述测试集D2中的故障数据作为训练数据对所述集成学习器模型进行训练,训练后的集成学习器模型作为样本车辆预警模型。
在一具体的实施方式下,在模型筛选的过程中,根据待检测的项目车辆的车辆类型以及对应的车辆故障目标数据选定调用模型库中的样本车辆预警模型。
在一具体的实施方式下,对于项目车辆所建立目标车辆预警模型分列出所对应的数据指标,与基于样本车辆的样本车辆预警模型的数据指标进行映射,如两者的数据指标相同则进行模型服用,如果两者的数据指标在设定的偏差值以内则进行手动校验,如果两者的数据指标在设定的偏差值以内则进入模型迁移的流程。
在一具体的实施方式下,在进行模型迁移时,将目标车辆预警模型的数据指标与样本车辆预警模型的数据指标做映射,将存在交集的数据指标直接引用,缺失的数据指标通过运算转换补齐,无法补齐的数据指标则调整原有参数或使用默认值,新增的数据指标在样本车辆预警模型的基础上优化训练。
在一具体的实施方式下,在进行故障预警的过程中,待检测项目车辆的车辆信息数据来源于实时采集的车辆运行数据。
在一具体的实施方式下,对实时采集到的车辆信息数据进行数据标注以及反馈校正,进而生成目标车辆数据集,对目标车辆数据集进行拆分后分为目标车辆训练集和目标车辆测试集D2,通过所述目标车辆训练集和目标车辆测试集D2对所述目标车辆预警模型进行训练优化。
在一具体的实施方式下,所述样本车辆预警模型包括传感器异常预警模型、制动总风管路泄漏异常预警模型、空调系统制冷效率异常预警模型、轮轴固死异常预警模型、车门状态监控和故障提醒机器学习模型、充电机电路输出电流传感器检测模型、充电机电压电流预警模型、辅逆内部温度提醒模型、辅逆输出电流一致性异常提醒模型、空转滑行异常检测机器学习模型、牵引电机温度提醒模型、跨系统异常检测机器学习模型。
与现有技术相比较,本发明专利申请的优点在于:
本申请的基于数据模型的轨道交通故障预警方法,其可根据轨道车辆数据平台的车辆工作信息数据训练获得不同的车辆预警模型,这些车辆预警模型作为子模型分别封装构成模型库以便后续调用,在进行具体的项目车辆的针对性故障预警时就可针对性地调用子模型进行组合构成所需的目标车辆预警模型,实现了多模型的结合移植以解决针对不同轨道车辆、不同的故障预警需求的问题,提高了对于列车关键子部件、子系统的健康状态监测诊断、故障预测预警的能力,有利于轨道交通行业在检修运维方面相关知识的沉淀。
附图说明
后文将参照附图以示例性而非限制性的方式详细描述本发明的一些具体实施例。附图中相同的附图标记标示了相同或类似的部件或部分。本领域技术人员应该理解,这些附图未必是按比例绘制的。附图中:
图1是根据本发明一个实施例的基于数据模型的轨道交通故障预警方法的流程示意图;
图2是根据本发明一个实施例的轨道交通故障预警方法中进行样本车辆预警模型的数据流转示意图;
图3是根据本申请另一个实施例的计算设备结构图;
图4是根据本申请另一个实施例的计算机可读存储介质结构图。
实施方式
下面将结合附图对本发明的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
此外,下面所描述的本发明不同实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互结合。
本实施例描述了一种基于数据模型的轨道交通故障预警方法,如图1所示,包括:
构建模型库,根据样本车辆配置多个样本车辆预警模型,并且对各个样本车辆预警模型进行封装;
模型筛选,根据待检测的项目车辆的故障预警需求,从所述模型数据库中选定调用至少一个样本车辆预警模型构建出目标车辆预警模型;
故障预警,将待检测项目车辆的车辆信息数据导入所述目标车辆预警模型得到车辆故障预警结果。
在一具体的实施方式下,所述模型库中的各个样本车辆预警模型分别基于样本车辆数据集进行训练获得,所述样本车辆数据集包括从轨道车辆数据平台获取的样本车辆的工作运行数据、预警数据以及故障数据,所述模型库中的各个样本车辆预警模型分别基于样本车辆数据集进行训练时采用的是弱学习器模型与集成学习器模型相结合的训练模型。
在样本车辆数据集的确立时,可首先根据样本车辆的车型搭建数据平台,此数据平台涵盖样本车辆各种车辆预警模型所需要的车辆信息并做出信息列表,根据信息列表设置传感器并通过CAN总线等收集样本车辆的工作运行数据、预警数据以及故障数据,包括车载走行部传感器(VTSe)、车载信号系统传感器(VSSe)、车载总线传感器(VBSe)及外围传感器网络各采集点采集到的相关信息。
在一具体的实施方式下,如图2所示,所述样本车辆数据集以随机采样的方式拆分为训练集D1、测试集D2,所述弱学习器模型中包括K个弱学习器子模型,将所述训练集D1拆分构成K组训练子集D1’,所述K组训练子集D1’分别送入一弱学习器子模型对所述弱学习器子模型进行训练,在弱学习器子模型训练过程中通过测试集D2对训练后的弱学习器子模型进行测试,测试合格后再将所述训练集D1输入训练完成的弱学习器子模型进而得到K个预测结果,将所述K个预测结果与所述测试集D2中的故障数据作为训练数据对所述集成学习器模型进行训练,训练后的集成学习器模型作为样本车辆预警模型。
其中,弱学习器模型由K个同类SVM学习器组成,将K个训练子集D1’一一对应作为所述弱学习器模型中K个SVM学习器的输入,每个SVM学习器进行有监督的训练。集成学习器模型可可支持SVM、神经网络等多类机器学习算法,本实施例中选用SVM学习器作为其集成学习器的学习算法,能避免现有如采用投票法等原始集成学习算法带来的主观性,集成学习器模型中所进行的也是有监督的学习。
所述样本车辆预警模型包括传感器异常预警模型、制动总风管路泄漏异常预警模型、空调系统制冷效率异常预警模型、轮轴固死异常预警模型、车门状态监控和故障提醒机器学习模型、充电机电路输出电流传感器检测模型、充电机电压电流预警模型、辅逆内部温度提醒模型、辅逆输出电流一致性异常提醒模型、空转滑行异常检测机器学习模型、牵引电机温度提醒模型、跨系统异常检测机器学习模型。具体的样本车辆预警模型的特性以及涉及的样本车辆的工作运行数据、预警数据以及故障数据的参数如下:
(1)传感器异常预警模型
针对传感器的常见件故障,主要是由于传感器内部线路或连接线路短路或者短路、连接线路松动、传感器内部故障引起。从故障表现的严重程度来看,严重的失效故障主要表现为测量值突然失灵,测量值始终保持为恒定常数;轻微故障主要表现为随机性开路故障、冲击故障、偏差故障、漂移故障、自身干扰故障等。类型包括温度、电流、电压、压力。
主要参数:传感器在线状态,通信协议,数据采集时延,传感器温度,传感器电流,传感器电压,传感器电阻数据,传感器湿度数据,不同传感器的数据值,传感器错误码等。
(2)制动总风管路泄漏异常预警
针对由于管路、橡胶件、管路接头的密封性能下降,开发泄漏预警算法,并区分发生泄漏的管路为总风管路或制动缸及相连管路。
主要参数:传感器数据,车速,风阻,制动总风管路实时图像。
(3)空调系统制冷效率异常预警
本模型针对由于制冷剂泄漏、冷凝风机堵转、冷凝器/蒸发器脏堵等问题引起的空调机组制冷效率下降问题进行分析、诊断、预警。由于空调系统的温度控制的影响因素很多,因此尽量减少不可控因素影响的条件。
主要参数:传感器数据,车速,全部车厢温度,室外温度,制冷效率历史数据,不同车厢温度偏离值等。
(4)轮轴固死异常预警模型
轮轴固死和滑行在机理上比较一致,但本项点意在检测出轮轴内部可能出现的一些老化、卡滞现象,当单根轴的轴速与对应转向架的参考速度之间的速度差达到3km/h时,控制系统会报出轮轴固死或滑行故障,并相应的增大、减小牵引力能够调整轴速的变化率,使之跟上参考速度的上升或下降,因此,在进行模型方案设计时,从速度差和电流两个方向寻找相关特征和判据。
主要参数:传感器数据,车速,温度,风速,湿度,摩擦系数等。
(5)车门状态监控和故障提醒机器学习模型
本模型主要用于车门系统的故障预测,实现对车门是否存在异常进行诊断的功能,为城轨健康管理提供技术支撑。
主要参数:传感器数据,电信号,车门调试历史数据,车门净高度,宽度,开门时间,关门时间,关门峰离值(N-牛), 锁定杆长度,锁定杆运行偏差值,同步杆长度,同步杆运行偏差值, 能检测到的最小物体尺寸(高度/宽度/重量/颜色),外表光滑硬物体夹住时撤出时间等。
(6)充电机电路输出电流传感器检测模型
该模型主要功能是通过对充电机电路输出电流的实时检测和分析,实现充电机电路输出电流传感器故障检测。
主要参数:传感器数据,电信号,额定电流,传感器带宽,零点漂移,温度漂移,时间漂移等。
(7)充电机电压电流预警模型
本模型主要功能是分析列车信号数据,建立充电机电压电流预警模型,实现对电流异常预警判断。
主要参数:传感器数据,电信号,额定电流,电流时序值。
(8)辅逆内部温度提醒模型
辅逆风机异常检测,特别是滤网脏堵的检测是一个城轨运维中的难点,本模型主要功能是分析列车信号数据,建立辅逆内部温度提醒模型,预判辅助逆变器风机是否存在异常。
主要参数:传感器数据,温度数据,湿度数据。
(9)辅逆输出电流一致性异常提醒模型
本模型通过数据分析和数据挖掘建立辅逆输出电流一致性异常提醒模型,通过辅助逆变器输出各相电流,进行预警。
主要参数:传感器数据,电信号,额定电流,电流时序值。
(10)空转滑行异常检测机器学习模型
本模型主要用于牵引系统的故障预测,实现对列车空转滑行是否存在异常进行检测的功能。
主要参数:传感器数据,电信号,额定电流,电流时序值。
(11)牵引电机温度提醒模型
牵引电机风机异常检测,特别是滤网堵塞的检测是一个城轨运维中的难点,本模型拟通过是分析列车信号数据,建立牵引电机温度提醒模型,预判电机风机滤网是否正常工作。
主要参数:电压、电流、速度、温度、压力,空气阻力等。
(12)跨系统异常检测机器学习模型
本模型主要用于整列车的故障预测,实现对复杂的监控数据项中可能存在的异常进行检测的功能,为城轨健康管理提供技术支撑。
在一具体的实施方式下,在模型筛选的过程中,根据待检测的项目车辆的车辆类型以及对应的车辆故障目标数据选定调用模型库中的样本车辆预警模型。模型筛选的构建基于SpringCloud+Kubernetes的在线服务,以便供使用者监控所有运行车辆,而在故障预警时,是将待检测项目车辆处通过实时传感器数据所得出的车辆信息数据导入所述目标车辆预警模型进而得到车辆故障预警结果,所获得的车辆信息数据以及车辆故障预警结果存储在数据平台的数据仓库中。
在一具体的实施方式下,对于项目车辆所建立目标车辆预警模型分列出所对应的数据指标,与基于样本车辆的样本车辆预警模型的数据指标进行映射,如两者的数据指标相同则进行模型服用,如果两者的数据指标在设定的偏差值以内则进行手动校验,如果两者的数据指标在设定的偏差值以内则进入模型迁移的流程。
在一具体的实施方式下,在进行模型迁移时,将目标车辆预警模型的数据指标与样本车辆预警模型的数据指标做映射,将存在交集的数据指标直接引用,缺失的数据指标通过运算转换补齐,无法补齐的数据指标则调整原有参数或使用默认值,新增的数据指标在样本车辆预警模型的基础上优化训练。
在一具体的实施方式下,在进行故障预警的过程中,待检测项目车辆的车辆信息数据来源于实时采集的车辆运行数据。
在一具体的实施方式下,对实时采集到的车辆信息数据进行数据标注以及反馈校正,进而生成目标车辆数据集,对目标车辆数据集进行拆分后分为目标车辆训练集D1和目标车辆测试集D2,通过所述目标车辆训练集D1和目标车辆测试集D2对所述目标车辆预警模型进行训练优化。
在一具体的实施方式下,方法还包括模型导入,模型导入是将已有的存在于其他模型库的样本车辆预警模型以及其余项目的目标车辆预警模型导入到新平台的模型库,供后续的移植和部署使用。
由于导入的模型可能由不同的编程方式编程,在具体的导入过程中,可以考虑以下几种方案:
1、通过模型设计模块的算子方式进行导入。
对于部分模型可以拆分为可复用的算子及节点,可以直接通过拆分节点,通过模型设计模块,将已有的模型导入到模型库中。这种方式,需要对模型的过程非常了解。
算子是大数据建模流程中的基本计算对象,系统算子管理将已有的算子进行归类、维护,以保证数据建模的实现。
(1)算子类型
系统内置了数据建模领域常用的算子,并对其进行了分类,对不同类别的算子以不同的颜色加以区分,增强分析建模过程中的用户体验。
根据轨道交通大数据分析建模需要,系统内置以下几类的算子类型:
数据访问类:包括Oracle连接、MySQL连接、Hadoop连接、Hudi连接、Hive连接等数据访问接入算子;
数据预处理类:包括分组聚合、数据关联、特征选择、特征过滤、缺失值填充、上采样等算子;
特征转换类:包括特征归一化、标准化、二值化、特征分箱、最大绝对值归一化、多项式特征生成等算子;
特征工程类:包括主成分分析、奇异值分解、方差阈值过滤、非负矩阵分解、因子分析等算子;
机器学习分类:包括逻辑回归、朴素贝叶斯、决策树、GBDT分类、K近邻分类、支持向量机分类等;
机器学习回归:包括线性回归、高斯过程回归、回归树、随机森林回归、Adaboost回归、极端随机树回归等;
机器学习聚类:包括谱聚类、BIRCH、DBSCAN、K-Means、高斯混合模型等;
Spark大数据处理:包括Spark轨道交通大数据抽取等必要的大数据分析建模算子。
(2)算子组件管理
组件管理提供了对算子进行增删改的基本维护工具。对于具体的业务场景,用户可以自行维护算子,将各种类型的数据算法程序(可能是Python、R等程序)文件上传到系统后,配置相应的算法基础信息即可建立新的算子。用于也可以在系统进行算子的修改、迭代以及升级等操作。
2、通过Docker镜像方式进行导入。
对于部分模型,可以直接封装为Docker镜像,系统对封装的Docker镜像进行管理。后续的部署通过Docker进行部署。
对于此种导入方式的模型,其优化过程需要单独在原模型基础上进行,优化迭代后可以更新模型,并重新发布到项目。
模型部署模块,模型部署,即将模型程序一键部署至指定的项目服务器,实现预测解决方案在部署环境的集成运行。模型程序可以是脚本程序或动态链接文件,通过外部程序或系统RPC实现程序调用;也可能是Docker镜像,部署时使用Docker技术实现镜像部署。对于使用频次和单次计算量要求不大的模型可以直接使用脚本程序调用或以Webservices的形式对外发布,实现与大数据平台上应用程序的对接;对于大规模高并发的模型计算的请求服务可以通过使用Web集群化部署。
综上,可知本申请的基于数据模型的轨道交通故障预警方法,其可根据轨道车辆数据平台的车辆工作信息数据训练获得不同的车辆预警模型,这些车辆预警模型作为子模型分别封装构成模型库以便后续调用,在进行具体的项目车辆的针对性故障预警时就可针对性地调用子模型进行组合构成所需的目标车辆预警模型,实现了多模型的结合移植以解决针对不同轨道车辆、不同的故障预警需求的问题,提高了对于列车关键子部件、子系统的健康状态监测诊断、故障预测预警的能力,有利于轨道交通行业在检修运维方面相关知识的沉淀。
本申请实施例还提供了一种计算设备,参照图3,该计算设备包括存储器1120、处理器1110和存储在所述存储器1120内并能由所述处理器1110运行的计算机程序,该计算机程序存储于存储器1120中的用于程序代码的空间1130,该计算机程序在由处理器1110执行时实现用于执行任一项根据本发明的方法步骤1131。
本申请实施例还提供了一种计算机可读存储介质。参照图4,该计算机可读存储介质包括用于程序代码的存储单元,该存储单元设置有用于执行根据本发明的方法步骤的程序1131′,该程序被处理器执行。
本申请实施例还提供了一种包含指令的计算机程序产品。当该计算机程序产品在计算机上运行时,使得计算机执行根据本发明的方法步骤。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机加载和执行所述计算机程序指令时,全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、获取其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质,(例如,软盘、硬盘、磁带)、光介质(例如,DVD)、或者半导体介质(例如固态硬盘Solid State Disk(SSD))等。
专业人员应该还可以进一步意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分步骤是可以通过程序来指令处理器完成,所述的程序可以存储于计算机可读存储介质中,所述存储介质是非短暂性(英文:non-transitory)介质,例如随机存取存储器,只读存储器,快闪存储器,硬盘,固态硬盘,磁带(英文:magnetic tape),软盘(英文:floppy disk),光盘(英文:optical disc)及其任意组合。
特别地,本发明还提供了一种计算设备,包括存储器、处理器和存储在所述存储器内并能由所述处理器运行的计算机程序,其中,所述处理器执行所述计算机程序时实现如上所述的方法。
本发明还提供了一种计算机可读存储介质,其内存储有计算机程序,所述计算机程序在由处理器执行时实现如上所述的方法。所述计算机可读存储介质优选为非易失性可读存储介质。
上述实施例只为说明本发明的技术构思及特点,其目的在于让熟悉此项技术的人士能够了解本发明的内容并据以实施,并不能以此限制本发明的保护范围,凡根据本发明精神实质所作的等效变化或修饰,都应涵盖在本发明的保护范围之内。
Claims (10)
1.一种基于数据模型的轨道交通故障预警方法,其特征在于,包括:
构建模型库,根据样本车辆配置多个样本车辆预警模型,并且对各个样本车辆预警模型进行封装;
模型筛选,根据待检测的项目车辆的故障预警需求,从所述模型数据库中选定调用至少一个样本车辆预警模型构建出目标车辆预警模型;
故障预警,将待检测项目车辆的车辆信息数据导入所述目标车辆预警模型得到车辆故障预警结果。
2.根据权利要求1所述的基于数据模型的轨道交通故障预警方法,其特征在于,所述模型库中的各个样本车辆预警模型分别基于样本车辆数据集进行训练获得,所述样本车辆数据集包括从轨道车辆数据平台获取的样本车辆的工作运行数据、预警数据以及故障数据。
3.根据权利要求2所述的基于数据模型的轨道交通故障预警方法,其特征在于,所述模型库中的各个样本车辆预警模型分别基于样本车辆数据集进行训练时采用的是弱学习器模型与集成学习器模型相结合的训练模型。
4.根据权利要求3所述的基于数据模型的轨道交通故障预警方法,其特征在于,所述样本车辆数据集拆分为训练集、测试集D2,所述弱学习器模型中包括K个弱学习器子模型,将所述训练集拆分构成K组训练子集,所述K组训练子集分别送入一弱学习器子模型对所述弱学习器子模型进行训练,在弱学习器子模型训练过程中通过测试集D2对训练后的弱学习器子模型进行测试,测试合格后再将所述训练集输入训练完成的弱学习器子模型进而得到K个预测结果,将所述K个预测结果与所述测试集D2中的故障数据作为训练数据对所述集成学习器模型进行训练,训练后的集成学习器模型作为样本车辆预警模型。
5.根据权利要求1所述的基于数据模型的轨道交通故障预警方法,其特征在于,在模型筛选的过程中,根据待检测的项目车辆的车辆类型以及对应的车辆故障目标数据选定调用模型库中的样本车辆预警模型。
6.根据权利要求5所述的基于数据模型的轨道交通故障预警方法,其特征在于,对于项目车辆所建立目标车辆预警模型分列出所对应的数据指标,与基于样本车辆的样本车辆预警模型的数据指标进行映射,如两者的数据指标相同则进行模型服用,如果两者的数据指标在设定的偏差值以内则进行手动校验,如果两者的数据指标在设定的偏差值以内则进入模型迁移的流程。
7.根据权利要求6所述的基于数据模型的轨道交通故障预警方法,其特征在于,在进行模型迁移时,将目标车辆预警模型的数据指标与样本车辆预警模型的数据指标做映射,将存在交集的数据指标直接引用,缺失的数据指标通过运算转换补齐,无法补齐的数据指标则调整原有参数或使用默认值,新增的数据指标在样本车辆预警模型的基础上优化训练。
8.根据权利要求1所述的基于数据模型的轨道交通故障预警方法,其特征在于,在进行故障预警的过程中,待检测项目车辆的车辆信息数据来源于实时采集的车辆运行数据。
9.根据权利要求8所述的基于数据模型的轨道交通故障预警方法,其特征在于,对实时采集到的车辆信息数据进行数据标注以及反馈校正,进而生成目标车辆数据集,对目标车辆数据集进行拆分后分为目标车辆训练集和目标车辆测试集D2,通过所述目标车辆训练集和目标车辆测试集D2对所述目标车辆预警模型进行训练优化。
10.根据权利要求1所述的基于数据模型的轨道交通故障预警方法,其特征在于,所述样本车辆预警模型包括传感器异常预警模型、制动总风管路泄漏异常预警模型、空调系统制冷效率异常预警模型、轮轴固死异常预警模型、车门状态监控和故障提醒机器学习模型、充电机电路输出电流传感器检测模型、充电机电压电流预警模型、辅逆内部温度提醒模型、辅逆输出电流一致性异常提醒模型、空转滑行异常检测机器学习模型、牵引电机温度提醒模型、跨系统异常检测机器学习模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310197978.0A CN116432397A (zh) | 2023-03-03 | 2023-03-03 | 一种基于数据模型的轨道交通故障预警方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310197978.0A CN116432397A (zh) | 2023-03-03 | 2023-03-03 | 一种基于数据模型的轨道交通故障预警方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116432397A true CN116432397A (zh) | 2023-07-14 |
Family
ID=87086339
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310197978.0A Pending CN116432397A (zh) | 2023-03-03 | 2023-03-03 | 一种基于数据模型的轨道交通故障预警方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116432397A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117647721A (zh) * | 2023-12-20 | 2024-03-05 | 黑龙江瑞兴科技股份有限公司 | 轨道电路故障诊断方法及系统 |
-
2023
- 2023-03-03 CN CN202310197978.0A patent/CN116432397A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117647721A (zh) * | 2023-12-20 | 2024-03-05 | 黑龙江瑞兴科技股份有限公司 | 轨道电路故障诊断方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110647539B (zh) | 一种用于车辆故障的预测方法和系统 | |
CN108303264B (zh) | 一种基于云的车辆故障诊断方法、装置及其系统 | |
CN110647133B (zh) | 轨道交通设备状态检测维护方法及系统 | |
CN102521613B (zh) | 一种汽车电子系统的故障诊断方法 | |
CN107703920B (zh) | 基于多元时间序列的列车制动系统的故障检测方法 | |
EP3156862B1 (en) | Methods and apparatus for the creation and use of reusable fault model components in fault modeling and complex system prognostics | |
CN113077172A (zh) | 一种设备状态趋势分析及故障诊断方法 | |
CN112949715A (zh) | 一种基于svm的轨道交通故障诊断方法 | |
CN108304661A (zh) | 基于tdp模型的诊断预测方法 | |
CN110515781B (zh) | 一种复杂系统状态监测及故障诊断方法 | |
CN113359664B (zh) | 故障诊断与维护系统、方法、设备及存储介质 | |
CN111444169A (zh) | 一种变电站电气设备状态监测与诊断系统及方法 | |
CN111915026A (zh) | 故障处理方法、装置、电子设备及存储介质 | |
CN116432397A (zh) | 一种基于数据模型的轨道交通故障预警方法 | |
CN117196066A (zh) | 智慧运维信息分析模型 | |
KR20200137085A (ko) | 전동차의 전기식 출입문 고장예측 장치 | |
CN110597235A (zh) | 一种通用智能故障诊断方法 | |
CN115877198A (zh) | 基于边缘计算的一二次融合开关故障诊断预警系统 | |
CN115016428A (zh) | 一种应用于特种车辆的立体化多级诊断系统及方法 | |
CN114281054A (zh) | 一种基于lstm-cnn的飞机远程故障分析方法及系统 | |
Azevedo et al. | Estimation of health indicators using advanced analytics for prediction of aircraft systems remaining useful lifetime | |
CN113093695A (zh) | 一种数据驱动的sdn控制器故障诊断系统 | |
CN108628279A (zh) | 一种基于云计算汽车异常数据流的分析方法 | |
CN116596301A (zh) | 基于零次学习法的电缆多状态变量评估模型设计方法及装置 | |
Davari et al. | A fault detection framework based on lstm autoencoder: A case study for volvo bus data set |
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 |