CN116520817A - 基于高速公路的etc系统运行状态实时监控系统及方法 - Google Patents
基于高速公路的etc系统运行状态实时监控系统及方法 Download PDFInfo
- Publication number
- CN116520817A CN116520817A CN202310815487.8A CN202310815487A CN116520817A CN 116520817 A CN116520817 A CN 116520817A CN 202310815487 A CN202310815487 A CN 202310815487A CN 116520817 A CN116520817 A CN 116520817A
- Authority
- CN
- China
- Prior art keywords
- data
- fault
- prediction
- association relation
- fault data
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 25
- 238000000034 method Methods 0.000 title claims abstract description 16
- 238000012423 maintenance Methods 0.000 claims abstract description 31
- 238000005070 sampling Methods 0.000 claims description 48
- 238000013441 quality evaluation Methods 0.000 claims description 29
- 238000012549 training Methods 0.000 claims description 24
- 238000010276 construction Methods 0.000 claims description 10
- 238000003062 neural network model Methods 0.000 claims description 10
- 238000012216 screening Methods 0.000 claims description 10
- 230000001364 causal effect Effects 0.000 claims description 6
- 238000011156 evaluation Methods 0.000 claims description 6
- 238000013075 data extraction Methods 0.000 claims description 5
- 238000004088 simulation Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 description 15
- 230000009286 beneficial effect Effects 0.000 description 10
- 238000012545 processing Methods 0.000 description 8
- 238000012795 verification Methods 0.000 description 6
- 230000008859 change Effects 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 210000004258 portal system Anatomy 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000017525 heat dissipation Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000003449 preventive effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
-
- 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
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Abstract
本发明公开了基于高速公路的ETC系统运行状态实时监控系统及方法,系统包括:运行参数获取模块,用于获取ETC系统的运行参数,获得运行参数集;数据分类模块,用于对运行参数集中的数据通过故障模型进行分类,获得故障数据和非故障数据;预测模块,用于为非故障数据匹配预测模型,获得与非故障数据匹配的预测模型,基于匹配出的预测模型对非故障数据进行故障预测,获得预测结果;故障原因查找模块,用于基于故障数据以及预测结果中故障概率高的数据查找出对应的故障原因;运维策略模块,用于为故障原因自动匹配出相应的运维策略。通过预测模型可以对非故障数据进行预测,进一步提升故障预测能力,提前运维可能发生故障的设备,避免故障发生。
Description
技术领域
本发明涉及高速公路的ETC技术领域,具体涉及基于高速公路的ETC系统运行状态实时监控系统及方法。
背景技术
ETC门架是目前世界上最先进的路桥收费方式,是高速公路运营状态数据最有力的采集前端,也是智慧交通发展中不可或缺的重要部分。ETC门架系统涉及到高速公路收费计算的关键业务,故对于ETC门架系统运行的稳定性有着很高要求,但是ETC门架数量多、分布广、设备种类多,传统的“人工巡查、被动发现”的运维方式费时、费力、效率低,发生故障时运维往往依靠人工和经验进行排查,操作麻烦且耗时,增加了故障带来的影响,所以为确保ETC门架的正常运维,研究建立智能化的运维模式是非常有必要的。
但是现有技术采用的智能监控系统对可能会发生故障的设备进行故障预测时一般时基于简单的预测模型进行预测,需要预测的数据量较大,造成计算耗时长,导致预测结果延迟,预测效果差的问题。
发明内容
本发明提供基于高速公路的ETC系统运行状态实时监控系统及方法,以解决现有技术中存在的上述问题。
本发明提供基于高速公路的ETC系统运行状态实时监控系统,该系统包括:
运行参数获取模块,用于获取ETC系统的运行参数,获得运行参数集;
数据分类模块,用于对运行参数集中的数据通过故障模型进行分类,获得故障数据和非故障数据;
预测模块,用于为非故障数据匹配预测模型,获得与非故障数据匹配的预测模型,基于匹配出的预测模型对非故障数据进行故障预测,获得预测结果;
故障原因查找模块,用于基于故障数据以及预测结果中故障概率高的数据查找出对应的故障原因;
运维策略模块,用于为故障原因自动匹配出相应的运维策略;
所述数据分类模块包括:
关联关系构建单元,用于对运行参数集的数据进行关联关系构建,形成关联关系对;关联关系包括:因果关系、并行关系、顺序关系和多逻辑关系;多逻辑关系为多个数据之间产生多种逻辑关联的关系;每一个关联关系对中包括至少两组数据;
关联关系对划分单元,用于对构建的关联关系按照关联强弱进行关联等级划分,划分为强关联关系对和弱关联关系对;
故障数据查找单元,用于通过故障模型分别从强关联关系对和弱关联关系对中分别查找是否有故障数据,若有故障数据,将所有故障数据构成故障数据集,将所有非故障数据构成非故障数据集;
所述预测模块包括:
匹配单元,用于根据非故障数据的类型匹配相应的预测模型;
匹配度判断单元,用于判断非故障数据的类型与预测模型的匹配度,若匹配度达到设定的匹配度阈值,将匹配的预测模型设定为最终的预测模型。
优选的,所述预测模块还包括:
筛选单元,用于获取ETC系统的历史大数据,筛选出所有历史故障数据;
数据抽取单元,用于对历史故障数据的故障发生时刻之前的设定时间段的数据进行抽取,形成故障前数据集;
训练单元,用于基于深度神经网络模型对故障前数据集进行模拟训练,直至输出结果为历史故障数据时,停止训练;
预测模型形成单元,用于将训练完成的深度神经网络模型设定为相应故障类型对应的预测模型,预测模型输出的是非故障数据对应的预测数据;所述相应故障类型是该历史故障数据对应的故障类型;
预测结果单元,用于基于训练好的预测模型对非故障数据进行故障预测,获得预测结果,预测结果包括:预测数据在设定的标准范围内时,为非故障数据,若预测数据超过设定的标准范围时,通过预测模型预测的结果为该数据为故障概率高的数据。
优选的,所述运行参数获取模块包括:
网络连接状态数据采集单元,用于采集每个ETC系统中所有设备之间的网络连接状态,形成网络连接状态数据,为每个网络连接状态数据标记设备号;
图像数据采集单元,用于采集每个ETC系统中获取的视频图像和图片图像;
交易数据采集单元,用于采集每个ETC系统中交易数据;
机电设备状态参数数据采集单元,用于采集每个ETC系统中所有机电设备的状态参数,形成机电设备状态参数数据。
优选的,所述关联关系对划分单元包括:
强关联关系对设定子单元,用于将具有关联强度大于等于设定强度阈值的关联关系对设定为强关联关系对;
弱关联关系对设定子单元,用于将具有关联强度小于设定强度阈值的关联关系对设定为强关联关系对。
优选的,所述故障数据查找单元包括:
顶端数据查找子单元,用于从每个强关联关系对中查找出顶端数据,所述顶端数据是该强关联关系对中逻辑关系顶端的数据;
第一查找子单元,用于基于故障模型判断顶端数据是否为故障数据,若为故障数据,将该强关联关系对中所有的数据设定为故障数据,将所有故障数据设定为故障数据,若为非故障数据,将该强关联关系对中的所有数据设定为非故障数据,将所有非故障数据设定为非故障数据。
优选的,所述故障数据查找单元还包括:
采样子单元,用于从每个弱关联关系数据对中随机抽取设定数量的数据,形成随机采样数据;
第二查找子单元,用于基于故障模型判断随机采样数据是否为故障数据,若随机采样数据为故障数据,则再次进行随机采样,形成二次采样数据,对二次采样数据采用故障模型判断是否为故障数据,若二次采样数据为故障数据,将该弱关联关系对中所有的数据设定为故障数据;
第三查找子单元,用于若随机采样数据为非故障数据,将所有非故障数据设定为非故障数据。
优选的,所述故障原因查找模块包括:
故障节点确定单元,用于基于故障数据的来源,确定故障数据对应的节点为故障节点;
节点质量评估单元,用于对故障节点进行质量评估,确定质量评估值;
故障确定单元,用于若质量评估值小于等于评估阈值,将该故障节点设定为故障数据对应的故障原因。
本发明还提供基于高速公路的ETC系统运行状态实时监控方法,该方法包括:
S100,获取ETC系统的运行参数,获得运行参数集;
S200,对运行参数集中的数据通过故障模型进行分类,获得故障数据和非故障数据;
S300,为非故障数据匹配预测模型,获得与非故障数据匹配的预测模型,基于匹配出的预测模型对非故障数据进行故障预测,获得预测结果;
S400,基于故障数据以及预测结果中故障概率高的数据查找出对应的故障原因;
S500,为故障原因自动匹配出相应的运维策略。
与现有技术相比,本发明具有以下优点:
本发明提供基于高速公路的ETC系统运行状态实时监控系统及方法,系统包括:运行参数获取模块,用于获取ETC系统的运行参数,获得运行参数集;数据分类模块,用于对运行参数集中的数据通过故障模型进行分类,获得故障数据和非故障数据;预测模块,用于为非故障数据匹配预测模型,获得与非故障数据匹配的预测模型,基于匹配出的预测模型对非故障数据进行故障预测,获得预测结果;故障原因查找模块,用于基于故障数据以及预测结果中故障概率高的数据查找出对应的故障原因;运维策略模块,用于为故障原因自动匹配出相应的运维策略。通过预测模型可以对非故障数据进行预测,减少了预测数据,有针对性的对可能存在故障的数据进行进一步的预测,因此可以进一步的提升故障预测能力,提升预测效率,以实现提前运维可能发生故障的设备,避免故障发生。
本发明的其它特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
下面通过附图和实施例,对本发明的技术方案做进一步的详细描述。
附图说明
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例一起用于解释本发明,并不构成对本发明的限制。在附图中:
图1为本发明实施例中基于高速公路的ETC系统运行状态实时监控系统的结构示意图;
图2为本发明实施例中预测模块的结构示意图;
图3为本发明实施例中基于高速公路的ETC系统运行状态实时监控方法的流程图。
具体实施方式
以下结合附图对本发明的优选实施例进行说明,应当理解,此处所描述的优选实施例仅用于说明和解释本发明,并不用于限定本发明。
本发明实施例提供了基于高速公路的ETC系统运行状态实时监控系统,请参照图1,该基于高速公路的ETC系统运行状态实时监控系统包括:
运行参数获取模块,用于获取ETC系统的运行参数,获得运行参数集;
数据分类模块,用于对运行参数集中的数据通过故障模型进行分类,获得故障数据和非故障数据;
预测模块,用于为非故障数据匹配预测模型,获得与非故障数据匹配的预测模型,基于匹配出的预测模型对非故障数据进行故障预测,获得预测结果;
故障原因查找模块,用于基于故障数据以及预测结果中故障概率高的数据查找出对应的故障原因;
运维策略模块,用于为故障原因自动匹配出相应的运维策略。
上述技术方案的工作原理为:本实施例采用的方案是运行参数获取模块,用于获取ETC系统的运行参数,获得运行参数集;数据分类模块,用于对运行参数集中的数据通过故障模型进行分类,获得故障数据和非故障数据;预测模块,用于为非故障数据匹配预测模型,获得与非故障数据匹配的预测模型,基于匹配出的预测模型对非故障数据进行故障预测,获得预测结果;故障原因查找模块,用于基于故障数据以及预测结果中故障概率高的数据查找出对应的故障原因;运维策略模块,用于为故障原因自动匹配出相应的运维策略。通过查找处的故障原因,根据故障原因确定的故障设备或故障线路等,相应的有相匹配的运维策略,运维策略是指通过运维手段将故障设备或故障线路进行维修维护,保障所有设备或系统的正常运行,运维人员根据该系统匹配出的运维策略执行相应的操作即可。
另外,故障模型是通过对ETC系统的历史运行数据进行训练生成的,可以获得历史运行数据,将历史运行数据划分为训练集和验证集,通过对训练集的数据进行训练,获得初始故障模型,训练过程如下:通过将训练集中数据与标准的故障特征进行聚类计算,将训练集中所有数据分类为故障数据和非故障数据,构成初始故障模型,基于验证集作为反馈验证,优化初始故障模型的参数,构成最终的故障模型,通过故障模型,可以将输入的数据进行二类划分,划分为故障数据和非故障数据。
其中,预测模块首先进行预测模型匹配时,可以通过特征的相似度或者特征的属性等进行匹配相应的预测模型,预测模型中,可以通过数据曲线的方式进行数据预测,或者根据数据分布的方式进行数据预测,或者可以根据采用描绘散点图的方式(图形识别)和差分法的方式进行数据预测,或者通过最小均方误差进行递推的卡尔曼滤波预测算法进行预测。只要可以实现进行数据预测的方式均属于本申请的保护范围。
需要说明的是,高速公路智慧行车ETC 门架系统包括:5.8G 天线采集系统、高清车牌识别系统、ETC 门架控制、传输系统、供电系统、ETC 门架及交安设施等子系统,其中,在ETC 门架系统中还包括有:关键设备,关键设备包括:车道控制器、RSU 设备、摄像头图像识别设备、供电设备。
针对上述关键设备,通过每5分钟向省中心和部中心发送一次心跳,采集心跳状态数据,本实施例的实时监控系统获取的运行参数即为心跳状态数据,通过对心跳状态数据进行故障数据和非故障数据的分类。
本实施例中的实时监控系统用于监测门架设备状态信息、路段异常事件、预警统计、实时告警推送等数据,另外,还可以历史数据进行统计与分析,对超出阈值范围地发出预警提示,对相应设备进行提前干预,通过异常点位门架检测进行预防性维修,节省运维成本,提高运维效率。
心跳状态数据包括了门架相关设备(前端系统、后端系统)的运行状态。首先,需要获取心跳状态数据,例如,获取到的心跳状态数据为门架数据的上传情况后,进而可以对门架数据的上传情况进行具体分析,其次,通过门架数据上传情况(未传、传失败、已传),判断网络链路是否连通;通过分析未传数据,判断是否发生网络延时或丢包等情况;通过分析传失败数据,判断是否发生重传、网络带宽上限、服务端未响应等情况,排除异常情况。最后,确认已传数据的质量是否符合省中心和部中心的要求,进行验证处理。经过上述处理后的心跳状态数据可以作为本实施例的运行参数,进而根据运行参数形成运行参数集,进一步对运行参数集中的数据进行故障数据分析判断。
上述技术方案的有益效果为:采用本实施例提供的方案通过预测模型可以对非故障数据进行预测,减少了预测数据,有针对性的对可能存在故障的数据进行进一步的预测,因此可以进一步的提升故障预测能力,提升预测效率,以实现提前运维可能发生故障的设备,避免故障发生。
在另一实施例中,所述运行参数获取模块包括:
网络连接状态数据采集单元,用于采集每个ETC系统中所有设备之间的网络连接状态,形成网络连接状态数据,为每个网络连接状态数据标记设备号;
图像数据采集单元,用于采集每个ETC系统中获取的视频图像和图片图像;
交易数据采集单元,用于采集每个ETC系统中交易数据;
机电设备状态参数数据采集单元,用于采集每个ETC系统中所有机电设备的状态参数,形成机电设备状态参数数据。
上述技术方案的工作原理为:本实施例采用的方案是所述运行参数获取模块包括:网络连接状态数据采集单元,用于采集每个ETC系统中所有设备之间的网络连接状态,形成网络连接状态数据,为每个网络连接状态数据标记设备号;图像数据采集单元,用于采集每个ETC系统中获取的视频图像和图片图像;交易数据采集单元,用于采集每个ETC系统中交易数据;机电设备状态参数数据采集单元,用于采集每个ETC系统中所有机电设备的状态参数,形成机电设备状态参数数据。
上述技术方案的有益效果为:采用本实施例提供的方案所述运行参数获取模块包括:网络连接状态数据采集单元,用于采集每个ETC系统中所有设备之间的网络连接状态,形成网络连接状态数据,为每个网络连接状态数据标记设备号;图像数据采集单元,用于采集每个ETC系统中获取的视频图像和图片图像;交易数据采集单元,用于采集每个ETC系统中交易数据;机电设备状态参数数据采集单元,用于采集每个ETC系统中所有机电设备的状态参数,形成机电设备状态参数数据。通过对各个关键设备或系统进行数据采集,获得可以进行故障分析的数据以对ETC系统运行状态进行实时监控,维护并保障各设备和系统的正常运行。
在另一实施例中,所述数据分类模块包括:
关联关系构建单元,用于对运行参数集的数据进行关联关系构建,形成关联关系对;关联关系包括:因果关系、并行关系、顺序关系和多逻辑关系;多逻辑关系为多个数据之间产生多种逻辑关联的关系;每一个关联关系对中包括至少两组数据;
关联关系对划分单元,用于对构建的关联关系按照关联强弱进行关联等级划分,划分为强关联关系对和弱关联关系对;
故障数据查找单元,用于通过故障模型分别从强关联关系对和弱关联关系对中分别查找是否有故障数据,若有故障数据,将所有故障数据构成故障数据集,将所有非故障数据构成非故障数据集。
上述技术方案的工作原理为:本实施例采用的方案是所述数据分类模块包括:关联关系构建单元,用于对运行参数集的数据进行关联关系构建,形成关联关系对;关联关系包括:因果关系、并行关系、顺序关系和多逻辑关系;多逻辑关系为多个数据之间产生多种逻辑关联的关系;每一个关联关系对中包括至少两组数据;关联关系对划分单元,用于对构建的关联关系按照关联强弱进行关联等级划分,划分为强关联关系对和弱关联关系对;故障数据查找单元,用于通过故障模型分别从强关联关系对和弱关联关系对中分别查找是否有故障数据,若有故障数据,将所有故障数据构成故障数据集,将所有非故障数据构成非故障数据集。
需要说明的是,本实施例提供的上述分类模块中的关联关系对划分单元,可以通过强弱关联关系进行划分,可以计算每个关联关系对中数据之间的关联性,以及平均关联性,根据平均关联性的值去判断若该值在强关联关系对的设定范围内,则该关联关系对为强关联关系对。只要是根据每个关联关系对中的数据的关联性关系进行区分强弱关联关系对的,都属于本申请的保护范围。
需要说明的是,针对故障数据查找单元,可以通过强关联关系对的特点进行故障数据查找,例如根据强关联数据对的数据关联程度强的特点,进行查找,也可以对所有关联关系对中的数据进行随机抽取的方式进行验证查找,或者对所有关联关系对中数据先进行分组,对每组的数据进行随机抽取的方式进行验证查找,查找是否有故障数据。因此,任何可以从关联关系对中查找出故障数据的方案都属于本申请的保护范围。
上述技术方案的有益效果为:采用本实施例提供的方案所述数据分类模块包括:关联关系构建单元,用于对运行参数集的数据进行关联关系构建,形成关联关系对;关联关系包括:因果关系、并行关系、顺序关系和多逻辑关系;多逻辑关系为多个数据之间产生多种逻辑关联的关系;每一个关联关系对中包括至少两组数据;关联关系对划分单元,用于对构建的关联关系按照关联强弱进行关联等级划分,划分为强关联关系对和弱关联关系对;故障数据查找单元,用于分别从强关联关系对和弱关联关系对中分别查找是否有故障数据,若有故障数据,将所有故障数据构成故障数据集,将所有非故障数据构成非故障数据集。通过构建关联关系对的方式,对数据进行分类关联处理,针对关联关系对中数据的关联程度,可以对数据进行打包处理,进一步提升数据处理的速度和效率,从这一侧面提升预测计算的效率,及时获得预测结果,对可能发生故障的设备和系统进行提前查看运维,减少故障事件的发生。
在另一实施例中,所述关联关系对划分单元包括:
强关联关系对设定子单元,用于将具有关联强度大于等于设定强度阈值的关联关系对设定为强关联关系对;
弱关联关系对设定子单元,用于将具有关联强度小于设定强度阈值的关联关系对设定为强关联关系对。
上述技术方案的工作原理为:本实施例采用的方案是所述关联关系对划分单元包括:强关联关系对设定子单元,用于将具有关联强度大于等于设定强度阈值的关联关系对设定为强关联关系对;弱关联关系对设定子单元,用于将具有关联强度小于设定强度阈值的关联关系对设定为强关联关系对。
其中,设定的强度阈值是指设定一个值,超过该值,则认定为关联强度较大,相应的设定为关联关系对。另外,关联强度是计算两个以上的数据之间的关联程度,具体的可以通一个数据的变化对另一个数据的影响程度进行体现,一个数据的变化对另一个数据变化影响越大,两个数据之间的关联强度越大。因此,可以通过两个数据的变化率的相似度进行判断,两个数据的变化率相似度越高,则关联强度越大。相似度计算可以通过相似度计算公式实现,例如:欧式距离计算相似度或者余弦距离计算公式等等。
上述技术方案的有益效果为:采用本实施例提供的方案所述关联关系对划分单元包括:强关联关系对设定子单元,用于将具有关联强度大于等于设定强度阈值的关联关系对设定为强关联关系对;弱关联关系对设定子单元,用于将具有关联强度小于设定强度阈值的关联关系对设定为强关联关系对。设置强弱关联关系对,通过阈值的方式予以区分,为关联关系对的特性进行界定,进一步的通过针对不同特性的关联关系按照其相应的特性进行特性化处理,提升数据处理的逻辑性,进而提升数据处理效率。
在另一实施例中,所述故障数据查找单元包括:
顶端数据查找子单元,用于从每个强关联关系对中查找出顶端数据,所述顶端数据是该强关联关系对中逻辑关系顶端的数据;
第一查找子单元,用于基于故障模型判断顶端数据是否为故障数据,若为故障数据,将该强关联关系对中所有的数据设定为故障数据,将所有故障数据设定为故障数据,若为非故障数据,将该强关联关系对中的所有数据设定为非故障数据,将所有非故障数据设定为非故障数据。
上述技术方案的工作原理为:本实施例采用的方案是所述故障数据查找单元包括:顶端数据查找子单元,用于从每个强关联关系对中查找出顶端数据,所述顶端数据是该强关联关系对中逻辑关系顶端的数据;第一查找子单元,用于基于故障模型判断顶端数据是否为故障数据,若为故障数据,将该强关联关系对中所有的数据设定为故障数据,将所有故障数据设定为故障数据,若为非故障数据,将该强关联关系对中的所有数据设定为非故障数据,将所有非故障数据设定为非故障数据。
上述技术方案的有益效果为:采用本实施例提供的方案所述故障数据查找单元包括:顶端数据查找子单元,用于从每个强关联关系对中查找出顶端数据,所述顶端数据是该强关联关系对中逻辑关系顶端的数据;第一查找子单元,用于基于故障模型判断顶端数据是否为故障数据,若为故障数据,将该强关联关系对中所有的数据设定为故障数据,将所有故障数据设定为故障数据,若为非故障数据,将该强关联关系对中的所有数据设定为非故障数据,将所有非故障数据设定为非故障数据。
不需要将所有数据进行故障判断,通过关联关系对的方式,对某一个数据进行故障判断后,对关联关系对中所有数据进行结果分类即可,降低数据处理的工作量,提升实时监控系统的时效性。更进一步的,通过确定顶端数据,该顶端数据是因果逻辑中的果,即最终呈现的效果或最终的结果等数据可设定为顶端数据,若顶端数据预测为故障数据,可能与该顶端数据相关联的数据极大概率为故障数据,从这个逻辑考虑,本实施例同样可以节省计算步骤,减少计算时间,提升计算效率,进一步提升预测结果的效率。
在另一实施例中,所述故障数据查找单元还包括:
采样子单元,用于从每个弱关联关系数据对中随机抽取设定数量的数据,形成随机采样数据;
第二查找子单元,用于基于故障模型判断随机采样数据是否为故障数据,若随机采样数据为故障数据,则再次进行随机采样,形成二次采样数据,对二次采样数据采用故障模型判断是否为故障数据,若二次采样数据为故障数据,将该弱关联关系对中所有的数据设定为故障数据;
第三查找子单元,用于若随机采样数据为非故障数据,将所有非故障数据设定为非故障数据。
上述技术方案的工作原理为:本实施例采用的方案是所述故障数据查找单元还包括:采样子单元,用于从每个弱关联关系数据对中随机抽取设定数量的数据,形成随机采样数据;第二查找子单元,用于基于故障模型判断随机采样数据是否为故障数据,若随机采样数据为故障数据,则再次进行随机采样,形成二次采样数据,对二次采样数据采用故障模型判断是否为故障数据,若二次采样数据为故障数据,将该弱关联关系对中所有的数据设定为故障数据;第三查找子单元,用于若随机采样数据为非故障数据,将所有非故障数据设定为非故障数据。
上述技术方案的有益效果为:采用本实施例提供的方案所述故障数据查找单元还包括:采样子单元,用于从每个弱关联关系数据对中随机抽取设定数量的数据,形成随机采样数据;第二查找子单元,用于基于故障模型判断随机采样数据是否为故障数据,若随机采样数据为故障数据,则再次进行随机采样,形成二次采样数据,对二次采样数据采用故障模型判断是否为故障数据,若二次采样数据为故障数据,将该弱关联关系对中所有的数据设定为故障数据;第三查找子单元,用于若随机采样数据为非故障数据,将所有非故障数据设定为非故障数据。弱关联关系对中的数据,之间的关联关系不那么紧密,针对这种特性的数据关系,可以通过随机采样的方式,进行二次的数据采样,并对二次采样数据进行故障分析,虽然进行了二次采样,但是其是针对关联关系对的,其计算量和计算步骤还是减少的,同样可以提升计算效率。
在另一实施例中,所述预测模块包括:
匹配单元,用于根据非故障数据的类型匹配相应的预测模型;
匹配度判断单元,用于判断非故障数据的类型与预测模型的匹配度,若匹配度达到设定的匹配度阈值,将匹配的预测模型设定为最终的预测模型。
上述技术方案的工作原理为:本实施例采用的方案是所述预测模块包括:匹配单元,用于根据非故障数据的类型匹配相应的预测模型;匹配度判断单元,用于判断非故障数据的类型与预测模型的匹配度,若匹配度达到设定的匹配度阈值,将匹配的预测模型设定为最终的预测模型。
上述技术方案的有益效果为:采用本实施例提供的方案所述预测模块包括:匹配单元,用于根据非故障数据的类型匹配相应的预测模型;匹配度判断单元,用于判断非故障数据的类型与预测模型的匹配度,若匹配度达到设定的匹配度阈值,将匹配的预测模型设定为最终的预测模型。对各个类型的数据,匹配与之相应的预测模型,具体的匹配方式通过匹配度计算,实现匹配自动化,不需要人工参与,保证匹配的准确性。
在另一实施例中,请参照图2,所述预测模块还包括:
筛选单元,用于获取ETC系统的历史大数据,筛选出所有历史故障数据;
数据抽取单元,用于对历史故障数据的故障发生时刻之前的设定时间段的数据进行抽取,形成故障前数据集;
训练单元,用于基于深度神经网络模型对故障前数据集进行模拟训练,直至输出结果为历史故障数据时,停止训练;
预测模型形成单元,用于将训练完成的深度神经网络模型设定为相应故障类型对应的预测模型,预测模型输出的是非故障数据对应的预测数据;所述相应故障类型是该历史故障数据对应的故障类型;
预测结果单元,用于基于训练好的预测模型对非故障数据进行故障预测,获得预测结果,预测结果包括:预测数据在设定的标准范围内时,为非故障数据,若预测数据超过设定的标准范围时,通过预测模型预测的结果为该数据为故障概率高的数据。
上述技术方案的工作原理为:本实施例采用的方案是所述预测模块还包括:筛选单元,用于获取ETC系统的历史大数据,筛选出所有历史故障数据;数据抽取单元,用于对历史故障数据的故障发生时刻之前的设定时间段的数据进行抽取,形成故障前数据集;训练单元,用于基于深度神经网络模型对故障前数据集进行模拟训练,直至输出结果为历史故障数据时,停止训练;预测模型形成单元,用于将训练完成的深度神经网络模型设定为相应故障类型对应的预测模型,预测模型输出的是非故障数据对应的预测数据;所述相应故障类型是该历史故障数据对应的故障类型;预测结果单元,用于基于训练好的预测模型对非故障数据进行故障预测,获得预测结果,预测结果包括:预测数据在设定的标准范围内时,为非故障数据,若预测数据超过设定的标准范围时,通过预测模型预测的结果为该数据为故障概率高的数据。
上述技术方案的有益效果为:采用本实施例提供的方案所述预测模块还包括:筛选单元,用于获取ETC系统的历史大数据,筛选出所有历史故障数据;数据抽取单元,用于对历史故障数据的故障发生时刻之前的设定时间段的数据进行抽取,形成故障前数据集;训练单元,用于基于深度神经网络模型对故障前数据集进行模拟训练,直至输出结果为历史故障数据时,停止训练;预测模型形成单元,用于将训练完成的深度神经网络模型设定为相应故障类型对应的预测模型,预测模型输出的是非故障数据对应的预测数据;所述相应故障类型是该历史故障数据对应的故障类型;预测结果单元,用于基于训练好的预测模型对非故障数据进行故障预测,获得预测结果,预测结果包括:预测数据在设定的标准范围内时,为非故障数据,若预测数据超过设定的标准范围时,通过预测模型预测的结果为该数据为故障概率高的数据。通过模型训练的过程介绍,可以基于历史故障数据进行训练学习,基于历史故障数据对应的实际故障情况,还可以将实际故障情况作为数据反馈的方式优化预测模型,提升预测模型的预测能力,保证预测结果的准确性。
在另一实施例中,所述故障原因查找模块包括:
故障节点确定单元,用于基于故障数据的来源,确定故障数据对应的节点为故障节点;
节点质量评估单元,用于对故障节点进行质量评估,确定质量评估值;
故障确定单元,用于若质量评估值小于等于评估阈值,将该故障节点设定为故障数据对应的故障原因。
上述技术方案的工作原理为:本实施例采用的方案是所述故障原因查找模块包括:故障节点确定单元,用于基于故障数据的来源,确定故障数据对应的节点为故障节点;节点质量评估单元,用于对故障节点进行质量评估,确定质量评估值;故障确定单元,用于若质量评估值小于等于评估阈值,将该故障节点设定为故障数据对应的故障原因。
其中,故障节点的质量评估可以通过获取故障节点的所有相关参数,并对所有相关参数进行质量评估,例如,某一故障节点的设备运行温度未在正常运行温度范围内,则说明该设备的散热出现故障,或者该设备的内部出现散热量不符合要求的模块等,因此,将获取的故障节点的相关参数与标准数据进行比对,即可获得该故障节点是否可能存在故障问题。
另外,质量评估值的计算如下:所有相关参数与相应的标准数据进行比对后形成若干个数据差,将所有数据差进行数据标准化处理,形成无量纲数据,将所有无量纲数据相加,形成总的数据为质量评估值。
上述技术方案的有益效果为:采用本实施例提供的方案所述故障原因查找模块包括:故障节点确定单元,用于基于故障数据的来源,确定故障数据对应的节点为故障节点;节点质量评估单元,用于对故障节点进行质量评估,确定质量评估值;故障确定单元,用于若质量评估值小于等于评估阈值,将该故障节点设定为故障数据对应的故障原因。通过故障节点的质量评估,确定质量评估值,若质量评估值小于评估阈值,说明故障节点的相应设备或系统发生故障的概率较高,因此,可以将该故障节点作为故障原因,通过本实施例的方案从多个角度进行故障原因分析,不但根据故障数据确定故障节点,还进一步的对故障节点进行质量评估,避免数据误差导致查找的故障节点错误,得出错误的故障原因的情况发生,本实施例的方案通过对故障节点的质量评估,避免了上述情况发生,其故障原因的分析更准确。
在另一实施例中,本发明还提供基于高速公路的ETC系统运行状态实时监控方法,请参照图3,该方法包括:
S100,获取不同模块的运行参数,获得运行参数集;
S200,对运行参数集中的数据通过故障模型进行分类,获得故障数据和非故障数据;
S300,为非故障数据匹配预测模型,获得与非故障数据匹配的预测模型,基于匹配出的预测模型对非故障数据进行故障预测,获得预测结果;
S400,基于故障数据以及预测结果中故障概率高的数据查找出对应的故障原因;
S500,为故障原因自动匹配出相应的运维策略。
上述技术方案的工作原理为:本实施例采用的方案是S100,获取不同模块的运行参数,获得运行参数集;S200,对运行参数集中的数据通过故障模型进行分类,获得故障数据和非故障数据;S300,为非故障数据匹配预测模型,获得与非故障数据匹配的预测模型,基于匹配出的预测模型对非故障数据进行故障预测,获得预测结果;S400,基于故障数据以及预测结果中故障概率高的数据查找出对应的故障原因;S500,为故障原因自动匹配出相应的运维策略。
上述技术方案的有益效果为:采用本实施例提供的方案是S100,获取不同模块的运行参数,获得运行参数集;S200,对运行参数集中的数据通过故障模型进行分类,获得故障数据和非故障数据;S300,为非故障数据匹配预测模型,获得与非故障数据匹配的预测模型,基于匹配出的预测模型对非故障数据进行故障预测,获得预测结果;S400,基于故障数据以及预测结果中故障概率高的数据查找出对应的故障原因;S500,为故障原因自动匹配出相应的运维策略。通过预测模型可以对非故障数据进行预测,减少了预测数据,有针对性的对可能存在故障的数据进行进一步的预测,因此可以进一步的提升故障预测能力,提升预测效率,以实现提前运维可能发生故障的设备,避免故障发生。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (7)
1.基于高速公路的ETC系统运行状态实时监控系统,其特征在于,包括:
运行参数获取模块,用于获取ETC系统的运行参数,获得运行参数集;
数据分类模块,用于对运行参数集中的数据通过故障模型进行分类,获得故障数据和非故障数据;
预测模块,用于为非故障数据匹配预测模型,获得与非故障数据匹配的预测模型,基于匹配出的预测模型对非故障数据进行故障预测,获得预测结果;
故障原因查找模块,用于基于故障数据以及预测结果中故障概率高的数据查找出对应的故障原因;
运维策略模块,用于为故障原因自动匹配出相应的运维策略;
所述数据分类模块包括:
关联关系构建单元,用于对运行参数集的数据进行关联关系构建,形成关联关系对;关联关系包括:因果关系、并行关系、顺序关系和多逻辑关系;多逻辑关系为多个数据之间产生多种逻辑关联的关系;每一个关联关系对中包括至少两组数据;其中每组数据是运行参数集的一个数据;
关联关系对划分单元,用于对构建的关联关系按照关联强弱进行关联等级划分,划分为强关联关系对和弱关联关系对;
故障数据查找单元,用于通过故障模型分别从强关联关系对和弱关联关系对中分别查找是否有故障数据,若有故障数据,将所有故障数据构成故障数据集,将所有非故障数据构成非故障数据集;
所述预测模块包括:
匹配单元,用于根据非故障数据的类型匹配相应的预测模型;
匹配度判断单元,用于判断非故障数据的类型与预测模型的匹配度,若匹配度达到设定的匹配度阈值,将匹配的预测模型设定为最终的预测模型;
所述预测模块还包括:
筛选单元,用于获取ETC系统的历史大数据,筛选出所有历史故障数据;
数据抽取单元,用于对历史故障数据的故障发生时刻之前的设定时间段的数据进行抽取,形成故障前数据集;
训练单元,用于基于深度神经网络模型对故障前数据集进行模拟训练,直至输出结果为历史故障数据时,停止训练;
预测模型形成单元,用于将训练完成的深度神经网络模型设定为相应故障类型对应的预测模型,预测模型输出的是非故障数据对应的预测数据;所述相应故障类型是该历史故障数据对应的故障类型;
预测结果单元,用于基于训练好的预测模型对非故障数据进行故障预测,获得预测结果,预测结果包括:预测数据在设定的标准范围内时,为非故障数据,若预测数据超过设定的标准范围时,通过预测模型预测的结果为该数据为故障概率高的数据。
2.根据权利要求1所述的基于高速公路的ETC系统运行状态实时监控系统,其特征在于,所述运行参数获取模块包括:
网络连接状态数据采集单元,用于采集每个ETC系统中所有设备之间的网络连接状态,形成网络连接状态数据,为每个网络连接状态数据标记设备号;
图像数据采集单元,用于采集每个ETC系统中获取的视频图像和图片图像;
交易数据采集单元,用于采集每个ETC系统中交易数据;
机电设备状态参数数据采集单元,用于采集每个ETC系统中所有机电设备的状态参数,形成机电设备状态参数数据。
3.根据权利要求1所述的基于高速公路的ETC系统运行状态实时监控系统,其特征在于,所述关联关系对划分单元包括:
强关联关系对设定子单元,用于将具有关联强度大于等于设定强度阈值的关联关系对设定为强关联关系对;
弱关联关系对设定子单元,用于将具有关联强度小于设定强度阈值的关联关系对设定为强关联关系对。
4.根据权利要求1所述的基于高速公路的ETC系统运行状态实时监控系统,其特征在于,所述故障数据查找单元包括:
顶端数据查找子单元,用于从每个强关联关系对中查找出顶端数据,所述顶端数据是该强关联关系对中逻辑关系顶端的数据;
第一查找子单元,用于基于故障模型判断顶端数据是否为故障数据,若为故障数据,将该强关联关系对中所有的数据设定为故障数据,若为非故障数据,将该强关联关系对中的所有数据设定为非故障数据,将所有非故障数据设定为非故障数据。
5.根据权利要求1所述的基于高速公路的ETC系统运行状态实时监控系统,其特征在于,所述故障数据查找单元还包括:
采样子单元,用于从每个弱关联关系数据对中随机抽取设定数量的数据,形成随机采样数据;
第二查找子单元,用于基于故障模型判断随机采样数据是否为故障数据,若随机采样数据为故障数据,则再次进行随机采样,形成二次采样数据,对二次采样数据采用故障模型判断是否为故障数据,若二次采样数据为故障数据,将该弱关联关系对中所有的数据设定为故障数据;
第三查找子单元,用于若随机采样数据为非故障数据,将所有非故障数据设定为非故障数据。
6.根据权利要求1所述的基于高速公路的ETC系统运行状态实时监控系统,其特征在于,所述故障原因查找模块包括:
故障节点确定单元,用于基于故障数据的来源,确定故障数据对应的节点为故障节点;
节点质量评估单元,用于对故障节点进行质量评估,确定质量评估值;
故障确定单元,用于若质量评估值小于等于评估阈值,将该故障节点设定为故障数据对应的故障原因。
7.基于高速公路的ETC系统运行状态实时监控方法,其特征在于,包括:
S100,获取ETC系统的运行参数,获得运行参数集;
S200,对运行参数集中的数据通过故障模型进行分类,获得故障数据和非故障数据;
S300,为非故障数据匹配预测模型,获得与非故障数据匹配的预测模型,基于匹配出的预测模型对非故障数据进行故障预测,获得预测结果;
S400,基于故障数据以及预测结果中故障概率高的数据查找出对应的故障原因;
S500,为故障原因自动匹配出相应的运维策略。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310815487.8A CN116520817B (zh) | 2023-07-05 | 2023-07-05 | 基于高速公路的etc系统运行状态实时监控系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310815487.8A CN116520817B (zh) | 2023-07-05 | 2023-07-05 | 基于高速公路的etc系统运行状态实时监控系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116520817A true CN116520817A (zh) | 2023-08-01 |
CN116520817B CN116520817B (zh) | 2023-08-29 |
Family
ID=87390760
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310815487.8A Active CN116520817B (zh) | 2023-07-05 | 2023-07-05 | 基于高速公路的etc系统运行状态实时监控系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116520817B (zh) |
Citations (52)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2002297387A (ja) * | 2001-03-30 | 2002-10-11 | Toshiba Corp | 因果関係モデル生成方法および因果関係モデル生成装置および因果システムモデル構成装置および原因推定方法および原因推定装置およびプログラムおよび記録媒体 |
JP2003114249A (ja) * | 2001-10-03 | 2003-04-18 | Sumitomo Electric Ind Ltd | 送電線の事故区間標定方法 |
US20030195718A1 (en) * | 2002-04-12 | 2003-10-16 | Crowder George E. | Method and device for machinery diagnostics and prognostics |
JP2004364151A (ja) * | 2003-06-06 | 2004-12-24 | Nippon Telegr & Teleph Corp <Ntt> | イベント処理方式及びイベント処理方法 |
US20050096873A1 (en) * | 2002-12-30 | 2005-05-05 | Renata Klein | Method and system for diagnostics and prognostics of a mechanical system |
US20100023307A1 (en) * | 2008-07-24 | 2010-01-28 | University Of Cincinnati | Methods for prognosing mechanical systems |
US20120317058A1 (en) * | 2011-06-13 | 2012-12-13 | Abhulimen Kingsley E | Design of computer based risk and safety management system of complex production and multifunctional process facilities-application to fpso's |
JP2013041173A (ja) * | 2011-08-18 | 2013-02-28 | Fuji Xerox Co Ltd | 障害予測システム及びプログラム |
CN105045256A (zh) * | 2015-07-08 | 2015-11-11 | 北京泰乐德信息技术有限公司 | 基于数据对比分析的轨道交通实时故障诊断方法和系统 |
CN107423156A (zh) * | 2017-07-29 | 2017-12-01 | 合肥千奴信息科技有限公司 | 基于分类聚类的故障预警算法 |
CN108038049A (zh) * | 2017-12-13 | 2018-05-15 | 西安电子科技大学 | 实时日志控制系统及控制方法、云计算系统及服务器 |
CN108051637A (zh) * | 2017-12-08 | 2018-05-18 | 国网河北省电力有限公司电力科学研究院 | 一种智能电能表时钟电池故障诊断方法 |
KR20180059898A (ko) * | 2015-09-29 | 2018-06-05 | 에이에스엠엘 네델란즈 비.브이. | 리소그래피 시스템들과 같은 시스템들을 모델링하거나 시스템들의 예측 유지보수를 수행하는 방법들, 및 연계된 리소그래피 시스템들. |
US20180188719A1 (en) * | 2016-12-30 | 2018-07-05 | Industrial Technology Research Institute | Heater condition monitoring and accessing method and applications thereof |
CN108664010A (zh) * | 2018-05-07 | 2018-10-16 | 广东省电信规划设计院有限公司 | 发电机组故障数据预测方法、装置和计算机设备 |
CN108872863A (zh) * | 2018-05-02 | 2018-11-23 | 广东工业大学 | 一种优化分类的电动汽车充电状态监测方法 |
US20190086911A1 (en) * | 2017-09-15 | 2019-03-21 | General Electric Company | Machine health monitoring, failure detection and prediction using non-parametric data |
CN109815983A (zh) * | 2018-12-10 | 2019-05-28 | 清华大学 | 基于混合深度学习的高铁道岔智能故障预测方法 |
JP2019139375A (ja) * | 2018-02-07 | 2019-08-22 | 株式会社Ye Digital | 故障予知方法、故障予知システムおよび故障予知プログラム |
CN110286668A (zh) * | 2019-07-15 | 2019-09-27 | 广东毓秀科技有限公司 | 一种基于大数据的轨交信号系统vim板卡故障预测方法 |
JP2019185422A (ja) * | 2018-04-11 | 2019-10-24 | 株式会社Ye Digital | 故障予知方法、故障予知装置および故障予知プログラム |
CN110456774A (zh) * | 2019-08-15 | 2019-11-15 | 中车大连机车研究所有限公司 | 一种快捷货运机车的故障诊断与预警装置及方法 |
US20190384255A1 (en) * | 2018-06-19 | 2019-12-19 | Honeywell International Inc. | Autonomous predictive real-time monitoring of faults in process and equipment |
CN110598736A (zh) * | 2019-08-06 | 2019-12-20 | 西安理工大学 | 一种电力设备红外图像故障定位、识别与预测方法 |
CN111191832A (zh) * | 2019-12-25 | 2020-05-22 | 国电南瑞科技股份有限公司 | 一种台风灾害配电网杆塔故障预测方法及系统 |
US10725463B1 (en) * | 2018-10-18 | 2020-07-28 | Northrop Grumman Systems Corporation | High frequency sensor data analysis and integration with low frequency sensor data used for parametric data modeling for model based reasoners |
US20200241514A1 (en) * | 2019-01-28 | 2020-07-30 | Exxonmobil Research And Engineering Company | Method and systems for fault detection and identification |
CN111580498A (zh) * | 2020-05-08 | 2020-08-25 | 北京航空航天大学 | 一种基于随机森林的飞机环控系统气冷设备鲁棒故障诊断方法 |
US20200272139A1 (en) * | 2019-02-21 | 2020-08-27 | Abb Schweiz Ag | Method and System for Data Driven Machine Diagnostics |
US20200302226A1 (en) * | 2019-03-19 | 2020-09-24 | King Fahd University Of Petroleum And Minerals | Apparatus and method for failure detection |
CN111709182A (zh) * | 2020-05-25 | 2020-09-25 | 温州大学 | 基于sa-pso优化的bp神经网络的电磁铁故障预测方法 |
CN212316325U (zh) * | 2020-06-04 | 2021-01-08 | 武汉道非科技有限公司 | 一种智能纺纱粗纱故障检测系统 |
US20210055719A1 (en) * | 2019-08-21 | 2021-02-25 | Hitachi, Ltd. | System for predictive maintenance using generative adversarial networks for failure prediction |
CN112417766A (zh) * | 2020-12-03 | 2021-02-26 | 深制科技(苏州)有限公司 | 一种以无故障数据为主的故障诊断方法 |
CN112488420A (zh) * | 2020-12-15 | 2021-03-12 | 浙江智昌机器人科技有限公司 | 一种基于条件概率的设备故障预测方法 |
CN113343633A (zh) * | 2021-06-10 | 2021-09-03 | 上海交通大学 | 动力锂电池热失控故障分类及风险预测方法、系统 |
CN113359664A (zh) * | 2021-05-31 | 2021-09-07 | 海南文鳐科技有限公司 | 故障诊断与维护系统、方法、设备及存储介质 |
CN113721579A (zh) * | 2021-07-08 | 2021-11-30 | 河北工业大学 | 基于专家系统和神经网络算法融合的织机故障诊断方法 |
CN113759868A (zh) * | 2021-08-16 | 2021-12-07 | 浙江运达风电股份有限公司 | 一种基于神经网络的工业以太网故障预测方法 |
CN113809786A (zh) * | 2020-07-23 | 2021-12-17 | 广东毓秀科技有限公司 | 通过大数据对ups整流和逆变模块进行故障预测的方法 |
CN113899093A (zh) * | 2021-10-20 | 2022-01-07 | 中国船舶重工集团公司第七0四研究所 | 螺杆式制冷压缩机回油故障的辨识和预判方法 |
CN113962331A (zh) * | 2021-11-25 | 2022-01-21 | 贵州宏信达高新科技有限责任公司 | 一种etc门架系统故障原因识别方法及系统 |
CN114528929A (zh) * | 2022-02-14 | 2022-05-24 | 国网山东省电力公司营销服务中心(计量中心) | 一种多源数据的台区量测系统和方法 |
CN115047313A (zh) * | 2022-06-02 | 2022-09-13 | 黑龙江瑞兴科技股份有限公司 | 基于oc-svm和dnn的zpw-2000r轨道电路故障诊断方法及装置 |
CN115129029A (zh) * | 2022-07-01 | 2022-09-30 | 中南大学 | 基于子领域适配字典学习的工业系统故障诊断方法和系统 |
US20220414526A1 (en) * | 2021-06-23 | 2022-12-29 | Intelligent Systems, LLC | Intelligent fault detection system |
CN115545101A (zh) * | 2022-09-29 | 2022-12-30 | 北京交通大学 | 一种基于残差神经网络的高速列车转向架故障诊断方法 |
US20230094389A1 (en) * | 2020-02-14 | 2023-03-30 | Cornell University | Quantum computing based deep learning for detection, diagnosis and other applications |
CN219017015U (zh) * | 2022-12-05 | 2023-05-12 | 贵州宏信达高新科技有限责任公司 | 一种etc数据车辆违规通行稽查装置 |
CN116125199A (zh) * | 2022-12-14 | 2023-05-16 | 广东电网有限责任公司 | 一种低压配电网线路故障预警方法及系统 |
CN116383727A (zh) * | 2023-04-11 | 2023-07-04 | 西安交通大学 | 一种电厂系统测量粗大误差识别方法、系统、设备及介质 |
CN116502141A (zh) * | 2023-06-26 | 2023-07-28 | 武汉新威奇科技有限公司 | 一种基于数据驱动的电动螺旋压力机故障预测方法及系统 |
-
2023
- 2023-07-05 CN CN202310815487.8A patent/CN116520817B/zh active Active
Patent Citations (52)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2002297387A (ja) * | 2001-03-30 | 2002-10-11 | Toshiba Corp | 因果関係モデル生成方法および因果関係モデル生成装置および因果システムモデル構成装置および原因推定方法および原因推定装置およびプログラムおよび記録媒体 |
JP2003114249A (ja) * | 2001-10-03 | 2003-04-18 | Sumitomo Electric Ind Ltd | 送電線の事故区間標定方法 |
US20030195718A1 (en) * | 2002-04-12 | 2003-10-16 | Crowder George E. | Method and device for machinery diagnostics and prognostics |
US20050096873A1 (en) * | 2002-12-30 | 2005-05-05 | Renata Klein | Method and system for diagnostics and prognostics of a mechanical system |
JP2004364151A (ja) * | 2003-06-06 | 2004-12-24 | Nippon Telegr & Teleph Corp <Ntt> | イベント処理方式及びイベント処理方法 |
US20100023307A1 (en) * | 2008-07-24 | 2010-01-28 | University Of Cincinnati | Methods for prognosing mechanical systems |
US20120317058A1 (en) * | 2011-06-13 | 2012-12-13 | Abhulimen Kingsley E | Design of computer based risk and safety management system of complex production and multifunctional process facilities-application to fpso's |
JP2013041173A (ja) * | 2011-08-18 | 2013-02-28 | Fuji Xerox Co Ltd | 障害予測システム及びプログラム |
CN105045256A (zh) * | 2015-07-08 | 2015-11-11 | 北京泰乐德信息技术有限公司 | 基于数据对比分析的轨道交通实时故障诊断方法和系统 |
KR20180059898A (ko) * | 2015-09-29 | 2018-06-05 | 에이에스엠엘 네델란즈 비.브이. | 리소그래피 시스템들과 같은 시스템들을 모델링하거나 시스템들의 예측 유지보수를 수행하는 방법들, 및 연계된 리소그래피 시스템들. |
US20180188719A1 (en) * | 2016-12-30 | 2018-07-05 | Industrial Technology Research Institute | Heater condition monitoring and accessing method and applications thereof |
CN107423156A (zh) * | 2017-07-29 | 2017-12-01 | 合肥千奴信息科技有限公司 | 基于分类聚类的故障预警算法 |
US20190086911A1 (en) * | 2017-09-15 | 2019-03-21 | General Electric Company | Machine health monitoring, failure detection and prediction using non-parametric data |
CN108051637A (zh) * | 2017-12-08 | 2018-05-18 | 国网河北省电力有限公司电力科学研究院 | 一种智能电能表时钟电池故障诊断方法 |
CN108038049A (zh) * | 2017-12-13 | 2018-05-15 | 西安电子科技大学 | 实时日志控制系统及控制方法、云计算系统及服务器 |
JP2019139375A (ja) * | 2018-02-07 | 2019-08-22 | 株式会社Ye Digital | 故障予知方法、故障予知システムおよび故障予知プログラム |
JP2019185422A (ja) * | 2018-04-11 | 2019-10-24 | 株式会社Ye Digital | 故障予知方法、故障予知装置および故障予知プログラム |
CN108872863A (zh) * | 2018-05-02 | 2018-11-23 | 广东工业大学 | 一种优化分类的电动汽车充电状态监测方法 |
CN108664010A (zh) * | 2018-05-07 | 2018-10-16 | 广东省电信规划设计院有限公司 | 发电机组故障数据预测方法、装置和计算机设备 |
US20190384255A1 (en) * | 2018-06-19 | 2019-12-19 | Honeywell International Inc. | Autonomous predictive real-time monitoring of faults in process and equipment |
US10725463B1 (en) * | 2018-10-18 | 2020-07-28 | Northrop Grumman Systems Corporation | High frequency sensor data analysis and integration with low frequency sensor data used for parametric data modeling for model based reasoners |
CN109815983A (zh) * | 2018-12-10 | 2019-05-28 | 清华大学 | 基于混合深度学习的高铁道岔智能故障预测方法 |
US20200241514A1 (en) * | 2019-01-28 | 2020-07-30 | Exxonmobil Research And Engineering Company | Method and systems for fault detection and identification |
US20200272139A1 (en) * | 2019-02-21 | 2020-08-27 | Abb Schweiz Ag | Method and System for Data Driven Machine Diagnostics |
US20200302226A1 (en) * | 2019-03-19 | 2020-09-24 | King Fahd University Of Petroleum And Minerals | Apparatus and method for failure detection |
CN110286668A (zh) * | 2019-07-15 | 2019-09-27 | 广东毓秀科技有限公司 | 一种基于大数据的轨交信号系统vim板卡故障预测方法 |
CN110598736A (zh) * | 2019-08-06 | 2019-12-20 | 西安理工大学 | 一种电力设备红外图像故障定位、识别与预测方法 |
CN110456774A (zh) * | 2019-08-15 | 2019-11-15 | 中车大连机车研究所有限公司 | 一种快捷货运机车的故障诊断与预警装置及方法 |
US20210055719A1 (en) * | 2019-08-21 | 2021-02-25 | Hitachi, Ltd. | System for predictive maintenance using generative adversarial networks for failure prediction |
CN111191832A (zh) * | 2019-12-25 | 2020-05-22 | 国电南瑞科技股份有限公司 | 一种台风灾害配电网杆塔故障预测方法及系统 |
US20230094389A1 (en) * | 2020-02-14 | 2023-03-30 | Cornell University | Quantum computing based deep learning for detection, diagnosis and other applications |
CN111580498A (zh) * | 2020-05-08 | 2020-08-25 | 北京航空航天大学 | 一种基于随机森林的飞机环控系统气冷设备鲁棒故障诊断方法 |
CN111709182A (zh) * | 2020-05-25 | 2020-09-25 | 温州大学 | 基于sa-pso优化的bp神经网络的电磁铁故障预测方法 |
CN212316325U (zh) * | 2020-06-04 | 2021-01-08 | 武汉道非科技有限公司 | 一种智能纺纱粗纱故障检测系统 |
CN113809786A (zh) * | 2020-07-23 | 2021-12-17 | 广东毓秀科技有限公司 | 通过大数据对ups整流和逆变模块进行故障预测的方法 |
CN112417766A (zh) * | 2020-12-03 | 2021-02-26 | 深制科技(苏州)有限公司 | 一种以无故障数据为主的故障诊断方法 |
CN112488420A (zh) * | 2020-12-15 | 2021-03-12 | 浙江智昌机器人科技有限公司 | 一种基于条件概率的设备故障预测方法 |
CN113359664A (zh) * | 2021-05-31 | 2021-09-07 | 海南文鳐科技有限公司 | 故障诊断与维护系统、方法、设备及存储介质 |
CN113343633A (zh) * | 2021-06-10 | 2021-09-03 | 上海交通大学 | 动力锂电池热失控故障分类及风险预测方法、系统 |
US20220414526A1 (en) * | 2021-06-23 | 2022-12-29 | Intelligent Systems, LLC | Intelligent fault detection system |
CN113721579A (zh) * | 2021-07-08 | 2021-11-30 | 河北工业大学 | 基于专家系统和神经网络算法融合的织机故障诊断方法 |
CN113759868A (zh) * | 2021-08-16 | 2021-12-07 | 浙江运达风电股份有限公司 | 一种基于神经网络的工业以太网故障预测方法 |
CN113899093A (zh) * | 2021-10-20 | 2022-01-07 | 中国船舶重工集团公司第七0四研究所 | 螺杆式制冷压缩机回油故障的辨识和预判方法 |
CN113962331A (zh) * | 2021-11-25 | 2022-01-21 | 贵州宏信达高新科技有限责任公司 | 一种etc门架系统故障原因识别方法及系统 |
CN114528929A (zh) * | 2022-02-14 | 2022-05-24 | 国网山东省电力公司营销服务中心(计量中心) | 一种多源数据的台区量测系统和方法 |
CN115047313A (zh) * | 2022-06-02 | 2022-09-13 | 黑龙江瑞兴科技股份有限公司 | 基于oc-svm和dnn的zpw-2000r轨道电路故障诊断方法及装置 |
CN115129029A (zh) * | 2022-07-01 | 2022-09-30 | 中南大学 | 基于子领域适配字典学习的工业系统故障诊断方法和系统 |
CN115545101A (zh) * | 2022-09-29 | 2022-12-30 | 北京交通大学 | 一种基于残差神经网络的高速列车转向架故障诊断方法 |
CN219017015U (zh) * | 2022-12-05 | 2023-05-12 | 贵州宏信达高新科技有限责任公司 | 一种etc数据车辆违规通行稽查装置 |
CN116125199A (zh) * | 2022-12-14 | 2023-05-16 | 广东电网有限责任公司 | 一种低压配电网线路故障预警方法及系统 |
CN116383727A (zh) * | 2023-04-11 | 2023-07-04 | 西安交通大学 | 一种电厂系统测量粗大误差识别方法、系统、设备及介质 |
CN116502141A (zh) * | 2023-06-26 | 2023-07-28 | 武汉新威奇科技有限公司 | 一种基于数据驱动的电动螺旋压力机故障预测方法及系统 |
Non-Patent Citations (6)
Title |
---|
B. KARADAYI: "Fault-related Alarm Detection of a Wind Turbine SCADA System", 2021 3RD INTERNATIONAL CONGRESS ON HUMAN-COMPUTER INTERACTION, OPTIMIZATION AND ROBOTIC APPLICATIONS, pages 1 - 5 * |
K.MORI: "An Implementation of Just-in-Time Fault-Prone Prediction Technique Using Text Classifier", 2015 IEEE 39TH ANNUAL COMPUTER SOFTWARE AND APPLICATIONS CONFERENCE, pages 609 - 612 * |
S. RANJBAR: "Fault Detection in Microgrids Using Combined Classification Algorithms and Feature Selection Methods", 2019 INTERNATIONAL CONFERENCE ON PROTECTION AND AUTOMATION OF POWER SYSTEM, pages 17 - 21 * |
周元龙;: "基于数据挖掘技术的保护设备故障信息管理与分析系统", 计算机光盘软件与应用, no. 10, pages 169 * |
张炳森: "轨道交通自动检票机设备故障预测技术研究", 中国优秀硕士学位论文全文数据库 * |
陈利;蒋维东;杨礼;: "支持向量数据描述法在变压器故障预警中的应用", 西南民族大学学报(自然科学版), no. 03, pages 172 - 175 * |
Also Published As
Publication number | Publication date |
---|---|
CN116520817B (zh) | 2023-08-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110647539B (zh) | 一种用于车辆故障的预测方法和系统 | |
CN107567005B (zh) | 基于人工免疫系统的车联网车辆异常行为检测方法及系统 | |
CN102385705B (zh) | 利用多特征自动集群法的异常行为侦测系统与方法 | |
KR20190107080A (ko) | 클라우드 기반 차량 고장 진단 방법, 장치 및 시스템 | |
CN105045256A (zh) | 基于数据对比分析的轨道交通实时故障诊断方法和系统 | |
CN108398934B (zh) | 一种用于轨道交通的设备故障监控的系统 | |
CN114267178B (zh) | 一种车站的智能运营维护方法及装置 | |
CN110324323B (zh) | 一种新能源厂站涉网端实时交互过程异常检测方法及系统 | |
CN104809878A (zh) | 利用公交车gps数据检测城市道路交通异常状态的方法 | |
WO2022083409A1 (zh) | 道路异常路面的检测方法、仿真方法和相关装置 | |
CN113269042B (zh) | 基于行驶车辆违章识别的智能交通管理方法及系统 | |
CN110288823B (zh) | 一种基于朴素贝叶斯网络的交通违章误判识别方法 | |
CN110633905A (zh) | 智能车云平台可靠性计算方法 | |
CN110322687B (zh) | 确定目标交叉口运行状态信息的方法和装置 | |
CN109740772A (zh) | 基于大数据的铁路列车检测维修分析方法 | |
CN111325410B (zh) | 基于样本分布的通用故障预警系统及其预警方法 | |
CN113487877A (zh) | 一种道路车辆违规停车监控方法 | |
CN116520817B (zh) | 基于高速公路的etc系统运行状态实时监控系统及方法 | |
CN114187763A (zh) | 一种智慧交通的车辆行驶数据筛选方法及系统 | |
CN117113135A (zh) | 一种可对异常数据整理分类的碳排放异常监测分析系统 | |
CN116821620A (zh) | 一种基于电动自行车充电桩的数据分析方法 | |
CN106195247A (zh) | 一种基于大数据管理模式的变速器控制系统 | |
CN115623004A (zh) | 一种基于区块链的轨道交通设备管理系统及方法 | |
CN109100492A (zh) | 一种拖拉机润滑油清洁度监测系统、拖拉机及监测方法 | |
CN114248818A (zh) | 一种基于轨道交通的智能化信息化运输监管方法及系统 |
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 |