CN116822652A - 地铁故障预测方法、装置、电子设备、系统及存储介质 - Google Patents

地铁故障预测方法、装置、电子设备、系统及存储介质 Download PDF

Info

Publication number
CN116822652A
CN116822652A CN202310836066.3A CN202310836066A CN116822652A CN 116822652 A CN116822652 A CN 116822652A CN 202310836066 A CN202310836066 A CN 202310836066A CN 116822652 A CN116822652 A CN 116822652A
Authority
CN
China
Prior art keywords
operation data
real
data
fault prediction
subway
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
Application number
CN202310836066.3A
Other languages
English (en)
Inventor
万力
段志强
颜晓凯
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
New United Rail Transit Technology Co Ltd
New United Group Co Ltd
Original Assignee
New United Rail Transit Technology Co Ltd
New United Group Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by New United Rail Transit Technology Co Ltd, New United Group Co Ltd filed Critical New United Rail Transit Technology Co Ltd
Priority to CN202310836066.3A priority Critical patent/CN116822652A/zh
Publication of CN116822652A publication Critical patent/CN116822652A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
    • 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/26—Government or public services

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Tourism & Hospitality (AREA)
  • Mathematical Physics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Biomedical Technology (AREA)
  • Development Economics (AREA)
  • Educational Administration (AREA)
  • Medical Informatics (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种地铁故障预测方法、装置、电子设备、系统及存储介质，涉及地铁系统领域，方法包括：获取地铁车辆在当前时间段内产生的各类型的实时运行数据；从本地数据库获取与实时运行数据同类型的、产生于与当前时间段相邻的历史时间段内的相邻历史运行数据；将各实时运行数据与同类型的相邻历史运行数据整合为输入数据，并将输入数据输入至已训练的机器学习模型中进行故障预测，生成地铁车辆对应的故障预测结果；不仅可采用地铁车辆所产生的各类型的实时运行数据进行故障预测，以实现全方位实时故障预测，还可以采用将实时运行数据与历史运行数据相结合的方式进行深层次故障预测，从而可提升故障预测的实时性及可靠性。

Description

地铁故障预测方法、装置、电子设备、系统及存储介质
技术领域
本发明涉及地铁系统领域，特别涉及一种地铁故障预测方法、装置、电子设备、系统及计算机可读存储介质。
背景技术
在地铁系统中，对地铁车辆故障情况的诊断与分析通常仅能在车辆结束运营后进行，并且难以进行深层次的故障预测，进而显著影响了车辆维护及故障诊断的效率。
发明内容
本发明的目的是提供一种地铁故障预测方法、装置、电子设备、系统及计算机可读存储介质，可基于地铁车辆所产生的实时运行数据及历史运行数据进行故障预测，从而可提升地铁车辆故障预测的实时性及可靠性。
为解决上述技术问题，本发明提供一种地铁故障预测方法，包括：
获取地铁车辆在当前时间段内产生的各类型的实时运行数据；
从本地数据库获取与所述实时运行数据同类型的、产生于与所述当前时间段相邻的历史时间段内的相邻历史运行数据；
将各所述实时运行数据与同类型的相邻历史运行数据整合为输入数据，并将所述输入数据输入至已训练的机器学习模型中进行故障预测，生成所述地铁车辆对应的故障预测结果。
可选地，所述将各所述实时运行数据与同类型的相邻历史运行数据整合为输入数据，包括：
基于直观判别分析方法对所述实时运行数据和所述相邻历史运行数据进行降维处理；
基于最小最大规范化算法对降维后的实时运行数据和降维后的相邻历史运行数据进行归一化处理；
将处理后的实时运行数据和处理后的相邻历史运行数据拼接为所述输入数据。
可选地，在获取地铁车辆在当前时间段内产生的各类型的实时运行数据之后，还包括：
利用所述实时运行数据所属类型对应的预设阈值对所述实时运行数据进行故障检测；
当确定所述实时运行数据未通过所述故障检测时，输出表示所述实时运行数据所属部件异常的告警信息。
可选地，所述获取地铁车辆在当前时间段内产生的各类型的实时运行数据，包括：
通过车地通信方式接收所述地铁车辆中的车载数据通信模块从车载系统实时采集的所述实时运行数据。
可选地，在获取地铁车辆在当前时间段内产生的各类型的实时运行数据之后，还包括：
将所述实时运行数据保存至所述本地数据库。
可选地，所述机器学习模型为长短期记忆网络模型。
可选地，所述故障预测结果包含故障类型及所述故障类型对应的故障发生概率，在生成所述地铁车辆对应的故障预测结果之后，还包括：
当确定所述故障预测结果中包含故障发生概率大于预设值的目标故障类型时，生成所述目标故障类型对应的告警信息，并查找所述目标故障类型对应的预设维护方案；
对所述告警信息及所述预设维护方案进行输出显示。
可选地，在将各所述实时运行数据与同类型的相邻历史运行数据整合为输入数据之前，还包括：
确定所述实时运行数据中缺失数据的位置，并利用所述位置及所述位置前后预设数量的运行数据组成匹配序列；
将所述本地数据库中与所述实时运行数据同类型的历史运行数据设置为待匹配历史运行数据；
将所述匹配序列转换为第一数据波形，将各所述待匹配历史运行数据转换为第二数据波形；
基于互信息分析方法确定所述第一数据波形与各所述第二数据波形间的相似度；
利用相似度最高的第二数据波形对应的待匹配历史运行数据对所述缺失数据的位置进行数据补充。
本发明还提供一种地铁故障预测装置，包括：
第一获取模块，用于获取地铁车辆在当前时间段内产生的各类型的实时运行数据；
第二获取模块，用于从本地数据库获取与所述实时运行数据同类型的、产生于与所述当前时间段相邻的历史时间段内的相邻历史运行数据；
预测模块，用于将各所述实时运行数据与同类型的相邻历史运行数据整合为输入数据，并将所述输入数据输入至已训练的机器学习模型中进行故障预测，生成所述地铁车辆对应的故障预测结果。
本发明还提供一种电子设备，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序时实现如上所述的地铁故障预测方法。
本发明还提供一种地铁故障预测系统，包括：
电子设备，用于执行如上所述的地铁故障预测方法；
本地数据库，用于保存地铁车辆的运行数据；
车载数据通信模块，用于从所述地铁车辆的车载系统实时采集实时运行数据，并通过车地通信方式发送至所述电子设备。
本发明还提供一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机可执行指令，所述计算机可执行指令被处理器加载并执行时，实现如上所述的地铁故障预测方法。
本发明提供一种地铁故障预测方法，包括：获取地铁车辆在当前时间段内产生的各类型的实时运行数据；从本地数据库获取与所述实时运行数据同类型的、产生于与所述当前时间段相邻的历史时间段内的相邻历史运行数据；将各所述实时运行数据与同类型的相邻历史运行数据整合为输入数据，并将所述输入数据输入至已训练的机器学习模型中进行故障预测，生成所述地铁车辆对应的故障预测结果。
可见，本发明首先可获取地铁车辆在当前时间段内产生的各类型的实时运行数据，并可从本地数据库中获取与该实时运行数据同类型的、产生于与当前时间段相邻的历史时间段内的相邻历史运行数据；进而，本发明可将各类实时运行数据与其同类型的相邻历史运行数据整合为输入数据，并将该输入数据输入至已训练的机器学习模型中进行故障预测，以确定地铁车辆可能发生的故障类型。换句话说，本发明不仅可采用地铁车辆所产生的各类型的实时运行数据进行故障预测，以实现全方位实时故障预测，还可以采用将实时运行数据与历史运行数据相结合的方式进行故障预测，以结合地铁车辆前后的运行情况对其进行深层次故障预测，从而可提升故障预测的实时性及可靠性。本发明还提供一种地铁故障预测装置、电子设备、系统及计算机可读存储介质，具有上述有益效果。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。
图1为本发明实施例所提供的一种地铁故障预测方法的流程图；
图2为本发明实施例所提供的一种地铁故障预测装置的结构框图；
图3为本发明实施例所提供的一种地铁故障预测系统的结构框图；
图4为本发明实施例所提供的另一种地铁故障预测系统的结构框图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中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。
在地铁系统中，维护人员通常仅能在车辆结束运行之后，从车辆的车载系统中拷贝出运行数据进行故障诊断、分析及简单预测，不仅无法对地铁车辆的故障情况进行实时预测，同时也难以进行深层次的故障预测，这显著影响了车辆维护及故障诊断的效率，同时也为地铁车辆的运营带来了安全隐患。有鉴于此，本发明可提供一种地铁车辆故障预测方法，不仅可采用地铁车辆所产生的各类型的实时运行数据进行故障预测，以实现全方位实时故障预测，还可以采用将实时运行数据与历史运行数据相结合的方式进行深层次故障预测，从而可有效提升地铁车辆故障预测的实时性及可靠性。
需要说明的是，本发明实施例并不限定具体执行本方法的硬件设备，例如可以为个人电脑、工作站、服务器等，可根据实际应用需求进行设定。考虑到故障预测对计算资源的消耗较大，因此本发明实施例可选择服务器作为执行本方法的硬件设备。
请参考图1，图1为本发明实施例所提供的一种地铁故障预测方法的流程图，该方法可以包括：
S101、获取地铁车辆在当前时间段内产生的各类型的实时运行数据。
在本发明实施例中，运行数据为地铁车辆中的各部件在运行过程中所产生的数据，例如直线电机温度、功率单元冷脚水泵电机通讯状态、电芯压力、车厢探测器状态、送风传感器状态、冷凝风机电流电压、牵引系统输入电流电压、牵引系统电机温度、悬浮控制单元加速度垂向纵向状态值、冷却控制系统通信状态、当前车速等。为实现实时故障预测，本发明实施例将实时获取地铁车辆所产生的各类型的实时运行数据，并将利用地铁车辆在当前时间段内产生的各类型的实时运行数据进行故障预测，其中当前时间段为执行本次故障预测所针对的时间段，而当前时间段内产生的所有实时运行数据反映了地铁车辆中的各部件在当前时间段内的工作状态及工作状态变化趋势。需要说明的是，本发明实施例并不限定当前时间段的具体时长，可根据实际应用需求进行设定。
进一步，可以理解的是，地铁车辆中的运行数据均可由车载系统(如TCMS，TrainControl and Management System，列车控制管理系统)采集，进而服务器仅需从这一系统中获取运行数据即可。需要说明的是，本发明实施例并不限定服务器所部署的位置，例如其被部署于地铁车辆上，也可以被部署于轨道旁。为方便地面检修人员及时了解地铁车辆情况，执行本方法的硬件设备可部署于轨道旁。进而，本发明实施例可在车辆上设置一个车载数据通信模块，该模块负责从车载系统中获取实时运行数据，并通过车地通信方式将该数据发送至地面服务器。
基于此，获取地铁车辆在当前时间段内产生的各类型的实时运行数据，可以包括：
步骤11：通过车地通信方式接收地铁车辆中的车载数据通信模块从车载系统实时采集的实时运行数据。
需要说明的是，本发明实施例并不限定具体的车地通信方式，例如可通过LTE网络(Long Term Evolution，长期演进)进行发送。
进一步，为进行故障预测及方便维护人员查阅，在获取到实施运行数据后，本发明实施例还可将将实时运行数据保存至本地数据库。同时，由于实时运行数据表征地铁车辆中的各部件当下的工作状态，因此本发明实施例除了利用实时运行数据进行故障预测外，还可利用其对地铁车辆当前的故障情况进行实时诊断。具体的，本发明实施例将采用实时运行数据所属类型对应的预设阈值对其进行故障诊断，当确定实时运行数据未通过故障诊断时(如确定实时运行数据大于对应的预设阈值时)，则输出表示实时运行数据所属部件异常的告警信息。
基于此，在获取地铁车辆在当前时间段内产生的各类型的实时运行数据之后，还可以包括：
步骤21：利用实时运行数据所属类型对应的预设阈值对实时运行数据进行故障检测；
步骤22：当确定实时运行数据未通过故障检测时，输出表示实时运行数据所属部件异常的告警信息。
例如，当客室车厢空调机组电流若大于45A时则产生报警，牵引辅助供电网压大于20V则产生报警。当然，告警信息也可保存至本地数据库，并在完成保存之后再进行输出显示。
S102、从本地数据库获取与实时运行数据同类型的、产生于与当前时间段相邻的历史时间段内的相邻历史运行数据。
除了获取实时运行数据外，本发明实施例还将从本地数据库中获取与实时运行数据同类型的、产生于当前时间段相邻的历史时间段内的相邻历史运行数据，其中历史时间段的时长与当前时间段的时长相同。例如，若当前时间段为10:00～10:05，则历史时间段可以为9:55～10:00。换句话说，本发明实施例除考虑地铁车辆在当前时间段内的工作情况外，还将考虑地铁车辆在历史时间段内的工作情况，从而可结合地铁车辆在较长时间范围内的工作状态来预测其是否会产生故障，并可以此提升地铁车辆故障预测的层次及可靠性。
S103、将各实时运行数据与同类型的相邻历史运行数据整合为输入数据，并将输入数据输入至已训练的机器学习模型中进行故障预测，生成地铁车辆对应的故障预测结果。
在完成数据采集之后，本发明实施例便可基于已采集的实数运行数据及相邻历史运行数据对地铁车辆的故障情况进行预测。当然，为了进一步提升预测效果及降低运算量，还可对实时运行数据及相邻历史运行数据进行多步预处理。具体的，本发明实施例在进行故障预测之前，还将对实时运行数据进行数据清洗，以及对实时运行数据和相邻历史运行数据进行特征提取、数据归一化操作。下面将对上述三个步骤进行一一介绍。
对于数据清洗，本发明实施例将对实时运行数据中显著离群的异常错误数据进行去除，并将对缺漏数据进行补充。为了实现较好的数据补充效果，本发明实施例将挑选与实时运行数据较为近似的同类型历史运行数据，对实时运行数据进行补充。具体的，本发明实施例首先可确定实时运行数据中缺失数据的位置，并利用该位置及该位置前后预设数量(如100个)的连续的运行数据组成匹配序列。当实时运行数据中缺少组成匹配序列所需的运行数据时，可在本地数据库中进行查找。随后，可将本地数据库中与实时运行数据同类型的历史运行数据设置为待匹配历史运行数据，可将匹配序列转换为第一数据波形，将各待匹配历史运行数据转换为第二数据波形。进而，本发明实施例将确定第一数据波形与各第二数据波形间的相似度，该相似度可基于互信息分析方法进行计算，互信息分析主要计算公式如下：
其中，X表示实时运行数据的取值范围，Y表示待比对历史运行数据的取值范围，I(X,Y)表示实时运行数据与待比对历史运行数据间的相似度，p(x,y)为它们的联合概率密度，p(x)和p(y)为它们的边缘概率密度。可使用双重积分对连续密度函数进行积分计算，得到它们之间的互信息，其中连续随机变量的概率密度函数必须满足非负、归一化和可积性质，以保证计算的正确性。最后，本发明实施例将利用相似度最高的第二数据波形对应的待比对历史运行数据对实时运行数据中缺失数据的位置进行数据补充。这样，本发明实施例便可确保为实时运行数据中补充的数据能够更加贴近地铁车辆各部件的实际运行情况，从而可提升补充数据的可靠性。
基于此，在将各实时运行数据与同类型的相邻历史运行数据整合为输入数据之前，还可以包括：
步骤31：确定实时运行数据中缺失数据的位置，并利用位置及位置前后预设数量的运行数据组成匹配序列；
步骤32：将本地数据库中与实时运行数据同类型的历史运行数据设置为待匹配历史运行数据；
步骤33：将匹配序列转换为第一数据波形，将各待匹配历史运行数据转换为第二数据波形；
步骤34：基于互信息分析方法确定第一数据波形与各第二数据波形间的相似度；
步骤35：利用相似度最高的第二数据波形对应的待匹配历史运行数据对缺失数据的位置进行数据补充。
在完成数据补充之后，本发明实施例将会对实时运行数据和相邻历史运行数据进行特征提取处理及数据归一化处理。对于特征提取处理，本发明实施例具体将采用直观判别分析(LDA，Linear Discriminant Analysis)进行处理，其中直观判别分析用于将高维数据降低到低维，以便提取出数据中最有用的特征，并可降低数据处理的时间及空间复杂度。直观判别分析(LDA)中用到的四个公式分别为：
1、类内散度矩阵：其中x表示运行数据，Ci表示第i个类别，mi表示该类别的均值向量；
2、类间散度矩阵：其中ni表示第i个类别的样本个数，m表示所有样本的总均值向量；
3、投影方向，通过计算类内散度矩阵的逆矩阵与类间散度矩阵相乘，得到一个投影向量w：m1和m2分别表示两个类别的均值向量；
4、降维，将数据集X与投影向量w相乘，得到降维后的数据集Y：Y＝Xw，其中X由所有x组成。
对于数据归一化，本发明实施例将采用最小-最大规范化算法(Min-MaxNormalization Algorithm)进行处理，该算法通过将原始数据映射到[0,1]区间内来消除量纲的影响，使得数据的取值范围统一，以便于后续的数据分析和挖掘，能够提高数据预处理的效率，降低数据处理的难度和复杂度。该算法的公式为：
其中，xi表示第i个样本(即运行数据)的原始值，min(x)和max(x)分别表示该特征在所有样本中的最小值和最大值，xi′表示第i个样本映射到[0,1]区间内后的值。例如列车客室空调压缩机电流的最小值和最大值分别为8A和20A，所有压缩机电流均在[8,20]的范围内进行归一化。
最后，在完成数据清洗、特征提取及数据归一化处理后，本发明实施例便可将得到的实时运行数据与同类型的相邻历史运行数据进行拼接，得到输入数据，以将该输入数据输入至机器学习模型中进行故障预测。
基于此，将各实时运行数据与同类型的相邻历史运行数据整合为输入数据，可以包括：
步骤41：基于直观判别分析方法对实时运行数据和相邻历史运行数据进行降维处理；
步骤42：基于最小最大规范化算法对降维后的实时运行数据和降维后的相邻历史运行数据进行归一化处理；
步骤43：将处理后的实时运行数据和处理后的相邻历史运行数据拼接为输入数据。
进一步，需要说明的是，本发明实施例并不限定机器学习模型的具体类型，可根据实际应用需求进行选择。考虑到长短期记忆网络模型(LSTM，Long Short-Term Memory)能够达到较好的预测效果，因此本发明实施例将选择该网络作为本实施例中的机器学习模型。具体的，长短期记忆网络模型可依照运行数据的类型进行设置，即一个类型设置一个长短期记忆网络模型，用于对该类型运行数据所对应的故障进行预测。需要说明的是，本发明实施例并不限定使用何种损失函数、优化器来训练该模型，也不限定采用哪一流程来控制该模型进行训练，也不限定用于训练该模型的训练集的具体形式，以上均可根据实际应用需求进行选择。为达到较好且较为高效的训练效果，损失函数可选择均方误差函数(MSE，mean-square error)，优化器可选择Adam优化器，训练流程可通过批量梯度下降进行优化。此外，可以理解的是，训练集中的训练数据同样分为实时运行数据和历史运行数据两部分，且这些训练数据已根据对应部件的实际故障情况进行了标记，从而可依照标记的情况引导进行训练。选择训练数据时可以以数据数量、数据质量、数据分布、数据特征、数据时效性等作为考虑要素。
下面将对长短期记忆网络的结构及训练过程进行简单介绍。LSTM通过引入一个称为“门(gate)”的机制来控制信息流的更新和遗忘。具体来说，LSTM中包含了三个门：遗忘门(ForgetGate)、输入门(InputGate)和输出门(OutputGate)。其中，遗忘门用于控制前一个时间步的单元状态Ct-1中哪些信息应该被遗忘；输入门用于控制当前时间步的输入xt和前一时间步隐藏状态ht-1中哪些信息应该被加入到单元状态Ct中；输出门用于控制单元状态Ct中哪些信息应该输出到隐藏状态ht中。LSTM中每个时刻的计算过程可以描述为以下公式：
ft＝σ(Wf[ht-1，xt]+bf)
it＝σ(Wi[ht-1，xt]+bi)
ot＝σ(Wo[ht-1，xt]+bo)
Ct＝ft⊙Ct-1+it⊙tanh(WC[ht-1，xt]+bc)
ht＝ot⊙tanh(Ct)；
其中，σ表示Sigmoid函数，⊙表示元素级别的乘法，Wf，Wi，Wo，WC和bf，bi，bo，bc分别表示遗忘门、输入门、输出门和单元状态中的权重矩阵和偏置向量。LSTM的核心思想是通过遗忘门、输入门和输出门，控制信息的更新和遗忘，从而建立起序列数据之间的长程依赖关系。LSTM模型设计过程分为：
a.确定模型输入和输出，对于序列数据建模任务，模型输入通常为一个序列，每个时间步输入一个向量，模型输出为一个标量或序列；
b.设计LSTM单元，通过LSTM公式构建单元计算图，LSTM单元包括一个单元状态ct和一个隐藏状态ht，用于分别传递模型内部的信息和输出信息；
c.将LSTM单元堆叠到多层网络中，通过多个LSTM单元按照顺序堆叠可以形成一个多层LSTM网络，这有助于进一步提高模型的表现力和泛化性能；
d.在随机的位置添加dropout(随机丢弃操作)，为了防止模型过拟合，可以在多层LSTM网络中随机位置添加dropout用来随机的丢弃一些神经元的输出；
e.预测目标，可以直接在输出层使用线性激活函数；
f.选用Adam优化器和学习率来更新模型参数，Adam是一种常用的优化算法，用于训练深度神经网络，Adam算法结合了自适应学习率与动量方法，为优化算法提供了更加准确和迅速的结果，Adam算法是一个迭代算法，每一次迭代涉及对当前损失函数的梯度进行估算和权重的调整；
g.根据任务的不同，选择适合的损失函数，本发明中先用均方误差作为损失函数，MSE是用于衡量回归模型预测结果的常见指标之一，MSE是预测值与真实值之间差值的平方的均值，表示模型预测值与真实值的平均差异程度，其公式为： 表示模型预测的第i个样本的值，yi表示第i个样本的真实值，n表示样本数量；梯度下降算法主要公式为：/>θt表示在迭代次数为t时的参数向量，α表示学习率(即步长)，/>表示在参数向量为θt时的损失函数梯度，本发明中使用批量梯度下降(BGD，Batch Gradient Descent)，在每次迭代时，使用所有样本的梯度来更新模型参数。
在完成对长短期记忆网络模型的设计及训练之后，本发明实施例便可将实时运行数据和历史运行数据放入到已训练好的长短期记忆网络模型中进行故障预测，并生成地铁车辆对应的故障预测结果，其中该结果中可包含具体的故障类型，以及各故障类型对应的故障发生概率。该模型将基于两大原则来确定地铁车辆是否可能发生故障，这两大原则分别为数据异常和经验法则，其中数据异常的判断依据为若数据偏离了正常范围则可能是发生故障，经验法则是利用当前数据与历史故障发生时前后数据相结合判断是否可能发生故障。该模型在完成处理后，假若确定故障预测结果中某故障类型的故障发生概率较高时，可输出预警信息(如故障可能性>60％时一般预警，故障可能性>85％时紧急报警)，并可查找与故障类型对应的预设维护方案，以将该预设维护方案先存储再下发至指定终端设备。该预设维护方案中可包含故障对应的严重程度、对其他设备的影响及维护更换建议。进而维护人员可依照该预设维护方案进行相应处理。
基于此，所述故障预测结果包含故障类型及所述故障类型对应的故障发生概率，在生成地铁车辆对应的故障预测结果之后，还可以包括：
步骤51：当确定所述故障预测结果中包含故障发生概率大于预设值的目标故障类型时，生成所述目标故障类型对应的告警信息，并查找所述目标故障类型对应的预设维护方案；
步骤52：对告警信息及预设维护方案进行输出显示。
需要说明的是，本发明实施例并不限定预设值的具体数值，可根据实际应用需求进行设定。
基于上述实施例，本发明首先可获取地铁车辆在当前时间段内产生的各类型的实时运行数据，并可从本地数据库中获取与该实时运行数据同类型的、产生于与当前时间段相邻的历史时间段内的相邻历史运行数据；进而，本发明可将各类实时运行数据与其同类型的相邻历史运行数据整合为输入数据，并将该输入数据输入至已训练的机器学习模型中进行故障预测，以确定地铁车辆可能发生的故障类型。换句话说，本发明不仅可采用地铁车辆所产生的各类型的实时运行数据进行故障预测，以实现全方位实时故障预测，还可以采用将实时运行数据与历史运行数据相结合的方式进行故障预测，以结合地铁车辆前后的运行情况对其进行深层次故障预测，从而可提升故障预测的实时性及可靠性。
下面对本发明实施例提供的地铁故障预测装置、电子设备、地铁故障预测系统及计算机可读存储介质进行介绍，下文描述的地铁故障预测装置、电子设备、地铁故障预测系统及计算机可读存储介质与上文描述的地铁故障预测方法可相互对应参照。
请参考图2，图2为本发明实施例所提供的一种地铁故障预测装置的结构框图，该装置可以包括：
第一获取模块201，用于获取地铁车辆在当前时间段内产生的各类型的实时运行数据；
第二获取模块202，用于从本地数据库获取与实时运行数据同类型的、产生于与当前时间段相邻的历史时间段内的相邻历史运行数据；
预测模块203，用于将各实时运行数据与同类型的相邻历史运行数据整合为输入数据，并将输入数据输入至已训练的机器学习模型中进行故障预测，生成地铁车辆对应的故障预测结果。
可选地，预测模块203，可以包括：
降维处理子模块，用于基于直观判别分析方法对实时运行数据和相邻历史运行数据进行降维处理；
归一化处理子模块，用于基于最小最大规范化算法对降维后的实时运行数据和降维后的相邻历史运行数据进行归一化处理；
拼接子模块，用于将处理后的实时运行数据和处理后的相邻历史运行数据拼接为输入数据。
可选地，该装置还可以包括：
故障检测模块，用于利用实时运行数据所属类型对应的预设阈值对实时运行数据进行故障检测；
告警信息输出模块，用于当确定实时运行数据未通过故障检测时，输出表示实时运行数据所属部件异常的告警信息。
可选地，第一获取模块201，具体用于：
通过车地通信方式接收地铁车辆中的车载数据通信模块从车载系统实时采集的实时运行数据。
可选地，该装置还可以包括：
保存模块，用于将实时运行数据保存至本地数据库。
可选地，机器学习模型为长短期记忆网络模型。
可选地，该装置还可以包括：
告警信息生成模块，用于当确定所述故障预测结果中包含故障发生概率大于预设值的目标故障类型时，生成所述目标故障类型对应的告警信息，并查找所述目标故障类型对应的预设维护方案；
告警模块，用于对告警信息及预设维护方案进行输出显示。
可选地，该装置还可以包括：
匹配序列生成模块，用于确定所述实时运行数据中缺失数据的位置，并利用所述位置及所述位置前后预设数量的运行数据组成匹配序列；
设置模块，用于将本地数据库中与实时运行数据同类型的历史运行数据设置为待匹配历史运行数据；
波形转换模块，用于将匹配序列转换为第一数据波形，将各待匹配历史运行数据转换为第二数据波形；
相似度计算模块，用于基于互信息分析方法确定第一数据波形与各第二数据波形间的相似度；
数据补充模块，用于利用相似度最高的第二数据波形对应的待匹配历史运行数据对缺失数据的位置进行数据补充。
本发明实施例还提供一种电子设备，可以包括：
存储器，用于存储计算机程序；
处理器，用于执行计算机程序时实现如上述的地铁故障预测方法的步骤。
由于电子设备部分的实施例与地铁故障预测方法部分的实施例相互对应，因此电子设备部分的实施例请参见地铁故障预测方法部分的实施例的描述，这里不再赘述。
请参考图3，图3为本发明实施例所提供的一种地铁故障预测系统的结构框图，该系统可以包括：
电子设备301，用于执行如上所述的地铁故障预测方法；
本地数据库302，用于保存地铁车辆的运行数据；
车载数据通信模块303，用于从地铁车辆的车载系统实时采集实时运行数据，并通过车地通信方式发送至电子设备。
由于地铁故障预测系统部分的实施例与地铁故障预测方法部分的实施例相互对应，因此地铁故障预测系统部分的实施例请参见地铁故障预测方法部分的实施例的描述，这里不再赘述。
在一种可能的情况中，本发明实施例还可提供如图4所示的地铁故障预测系统，其中车载数据通信模块用于从车载系统中采集实时运行数据，并发送至轨旁无线通信模块；轨旁无线通信模块将实时运行数据发送至，并车辆专家工作站服务器集群进行故障预测、报警检测及数据存储；车辆专家工作站服务器集群在产生告警及预警信息后，可将这些信息推送至车辆专家工作站终端，以便维护人员及时了解车辆情况。
本发明实施例还提供一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，计算机程序被处理器执行时实现上述任意实施例的地铁故障预测方法的步骤。
由于计算机可读存储介质部分的实施例与地铁故障预测方法部分的实施例相互对应，因此存储介质部分的实施例请参见地铁故障预测方法部分的实施例的描述，这里不再赘述。
说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。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。
专业人员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发明的范围。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
以上对本发明所提供的一种地铁故障预测方法、装置、电子设备、系统及计算机可读存储介质进行了详细介绍。本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以对本发明进行若干改进和修饰，这些改进和修饰也落入本发明权利要求的保护范围内。

Claims (12)

1.一种地铁故障预测方法，其特征在于，包括：
获取地铁车辆在当前时间段内产生的各类型的实时运行数据；
从本地数据库获取与所述实时运行数据同类型的、产生于与所述当前时间段相邻的历史时间段内的相邻历史运行数据；
将各所述实时运行数据与同类型的相邻历史运行数据整合为输入数据，并将所述输入数据输入至已训练的机器学习模型中进行故障预测，生成所述地铁车辆对应的故障预测结果。
2.根据权利要求1所述的地铁故障预测方法，其特征在于，所述将各所述实时运行数据与同类型的相邻历史运行数据整合为输入数据，包括：
基于直观判别分析方法对所述实时运行数据和所述相邻历史运行数据进行降维处理；
基于最小最大规范化算法对降维后的实时运行数据和降维后的相邻历史运行数据进行归一化处理；
将处理后的实时运行数据和处理后的相邻历史运行数据拼接为所述输入数据。
3.根据权利要求1所述的地铁故障预测方法，其特征在于，在获取地铁车辆在当前时间段内产生的各类型的实时运行数据之后，还包括：
利用所述实时运行数据所属类型对应的预设阈值对所述实时运行数据进行故障检测；
当确定所述实时运行数据未通过所述故障检测时，输出表示所述实时运行数据所属部件异常的告警信息。
4.根据权利要求1所述的地铁故障预测方法，其特征在于，所述获取地铁车辆在当前时间段内产生的各类型的实时运行数据，包括：
通过车地通信方式接收所述地铁车辆中的车载数据通信模块从车载系统实时采集的所述实时运行数据。
5.根据权利要求1所述的地铁故障预测方法，其特征在于，在获取地铁车辆在当前时间段内产生的各类型的实时运行数据之后，还包括：
将所述实时运行数据保存至所述本地数据库。
6.根据权利要求1所述的地铁故障预测方法，其特征在于，所述机器学习模型为长短期记忆网络模型。
7.根据权利要求1所述的地铁故障预测方法，其特征在于，所述故障预测结果包含故障类型及所述故障类型对应的故障发生概率，在生成所述地铁车辆对应的故障预测结果之后，还包括：
当确定所述故障预测结果中包含故障发生概率大于预设值的目标故障类型时，生成所述目标故障类型对应的告警信息，并查找所述目标故障类型对应的预设维护方案；
对所述告警信息及所述预设维护方案进行输出显示。
8.根据权利要求1至7任一项所述的地铁故障预测方法，其特征在于，在将各所述实时运行数据与同类型的相邻历史运行数据整合为输入数据之前，还包括：
确定所述实时运行数据中缺失数据的位置，并利用所述位置及所述位置前后预设数量的运行数据组成匹配序列；
将所述本地数据库中与所述实时运行数据同类型的历史运行数据设置为待匹配历史运行数据；
将所述匹配序列转换为第一数据波形，将各所述待匹配历史运行数据转换为第二数据波形；
基于互信息分析方法确定所述第一数据波形与各所述第二数据波形间的相似度；
利用相似度最高的第二数据波形对应的待匹配历史运行数据对所述缺失数据的位置进行数据补充。
9.一种地铁故障预测装置，其特征在于，包括：
第一获取模块，用于获取地铁车辆在当前时间段内产生的各类型的实时运行数据；
第二获取模块，用于从本地数据库获取与所述实时运行数据同类型的、产生于与所述当前时间段相邻的历史时间段内的相邻历史运行数据；
预测模块，用于将各所述实时运行数据与同类型的相邻历史运行数据整合为输入数据，并将所述输入数据输入至已训练的机器学习模型中进行故障预测，生成所述地铁车辆对应的故障预测结果。
10.一种电子设备，其特征在于，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序时实现如权利要求1至8任一项所述的地铁故障预测方法。
11.一种地铁故障预测系统，其特征在于，包括：
电子设备，用于执行如权利要求1至8任一项所述的地铁故障预测方法；
本地数据库，用于保存地铁车辆的运行数据；
车载数据通信模块，用于从所述地铁车辆的车载系统实时采集实时运行数据，并通过车地通信方式发送至所述电子设备。
12.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有计算机可执行指令，所述计算机可执行指令被处理器加载并执行时，实现如权利要求1至8任一项所述的地铁故障预测方法。
CN202310836066.3A 2023-07-07 2023-07-07 地铁故障预测方法、装置、电子设备、系统及存储介质 Pending CN116822652A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310836066.3A CN116822652A (zh) 2023-07-07 2023-07-07 地铁故障预测方法、装置、电子设备、系统及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310836066.3A CN116822652A (zh) 2023-07-07 2023-07-07 地铁故障预测方法、装置、电子设备、系统及存储介质

Publications (1)

Publication Number Publication Date
CN116822652A true CN116822652A (zh) 2023-09-29

Family

ID=88112592

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310836066.3A Pending CN116822652A (zh) 2023-07-07 2023-07-07 地铁故障预测方法、装置、电子设备、系统及存储介质

Country Status (1)

Country Link
CN (1) CN116822652A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117540199A (zh) * 2024-01-05 2024-02-09 中国汽车技术研究中心有限公司 燃料电池汽车的故障预测方法、设备和存储介质
CN117591970A (zh) * 2024-01-18 2024-02-23 昆山曼赫电子科技有限公司 一种全自动组装设备的故障预警方法及系统

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117540199A (zh) * 2024-01-05 2024-02-09 中国汽车技术研究中心有限公司 燃料电池汽车的故障预测方法、设备和存储介质
CN117540199B (zh) * 2024-01-05 2024-05-07 中国汽车技术研究中心有限公司 燃料电池汽车的故障预测方法、设备和存储介质
CN117591970A (zh) * 2024-01-18 2024-02-23 昆山曼赫电子科技有限公司 一种全自动组装设备的故障预警方法及系统
CN117591970B (zh) * 2024-01-18 2024-04-05 昆山曼赫电子科技有限公司 一种全自动组装设备的故障预警方法及系统

Similar Documents

Publication Publication Date Title
CN109947086B (zh) 基于对抗学习的机械故障迁移诊断方法及系统
Zhou et al. Assignment of attribute weights with belief distributions for MADM under uncertainties
Barak et al. Forecasting energy consumption using ensemble ARIMA–ANFIS hybrid algorithm
Baptista et al. Relation between prognostics predictor evaluation metrics and local interpretability SHAP values
US10831577B2 (en) Abnormality detection system, abnormality detection method, abnormality detection program, and method for generating learned model
Soualhi et al. Prognosis of bearing failures using hidden Markov models and the adaptive neuro-fuzzy inference system
Khelif et al. RUL prediction based on a new similarity-instance based approach
Wang et al. Fault prognostics using dynamic wavelet neural networks
CN116822652A (zh) 地铁故障预测方法、装置、电子设备、系统及存储介质
CN104166787B (zh) 一种基于多阶段信息融合的航空发动机剩余寿命预测方法
Cai et al. Similarity-based particle filter for remaining useful life prediction with enhanced performance
US11840998B2 (en) Hydraulic turbine cavitation acoustic signal identification method based on big data machine learning
CN111237988B (zh) 地铁车载空调机组控制方法及系统
KR102215107B1 (ko) 주행 데이터 기반 차량 상태 예측 시스템 및 방법
Ta et al. Adaptive staged remaining useful life prediction method based on multi-sensor and multi-feature fusion
Aqlan et al. Integrating artificial neural networks and cluster analysis to assess energy efficiency of buildings
Liang et al. 1d convolutional neural networks for fault diagnosis of high-speed train bogie
CN117407797B (zh) 基于增量学习的设备故障诊断方法及模型的构建方法
CN111191823A (zh) 一种基于深度学习的生产物流预测方法
Bai et al. A two-phase-based deep neural network for simultaneous health monitoring and prediction of rolling bearings
CN116714437B (zh) 基于大数据的氢燃料电池汽车安全监控系统及监控方法
CN112149896A (zh) 一种基于注意力机制的机械设备多工况故障预测方法
CN117113086A (zh) 一种储能机组负荷预测方法、系统、电子设备及介质
CN116706907A (zh) 基于模糊推理的光伏发电预测方法和相关设备
CN115423091A (zh) 一种条件对抗神经网络训练方法、场景生成方法和系统

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