CN117341781B - 轨道交通故障处理方法、装置、计算机设备及存储介质 - Google Patents
轨道交通故障处理方法、装置、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN117341781B CN117341781B CN202311644635.0A CN202311644635A CN117341781B CN 117341781 B CN117341781 B CN 117341781B CN 202311644635 A CN202311644635 A CN 202311644635A CN 117341781 B CN117341781 B CN 117341781B
- Authority
- CN
- China
- Prior art keywords
- fault
- result
- determining
- early warning
- rail transit
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000003672 processing method Methods 0.000 title claims abstract description 9
- 238000004458 analytical method Methods 0.000 claims abstract description 78
- 238000000034 method Methods 0.000 claims abstract description 52
- 238000012545 processing Methods 0.000 claims abstract description 27
- 238000005516 engineering process Methods 0.000 claims abstract description 15
- 230000002159 abnormal effect Effects 0.000 claims description 45
- 238000001514 detection method Methods 0.000 claims description 35
- 238000007781 pre-processing Methods 0.000 claims description 26
- 238000003745 diagnosis Methods 0.000 claims description 25
- 238000004422 calculation algorithm Methods 0.000 claims description 23
- 238000004590 computer program Methods 0.000 claims description 21
- 238000004088 simulation Methods 0.000 claims description 20
- 238000013528 artificial neural network Methods 0.000 claims description 18
- 238000012423 maintenance Methods 0.000 claims description 14
- 238000005457 optimization Methods 0.000 claims description 13
- 230000008569 process Effects 0.000 claims description 11
- 238000007621 cluster analysis Methods 0.000 claims description 3
- 230000010485 coping Effects 0.000 claims description 3
- 238000007405 data analysis Methods 0.000 claims description 3
- 238000005553 drilling Methods 0.000 claims 2
- 238000010586 diagram Methods 0.000 description 9
- 230000005540 biological transmission Effects 0.000 description 8
- 206010039203 Road traffic accident Diseases 0.000 description 5
- 230000006399 behavior Effects 0.000 description 5
- 230000006870 function Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000005065 mining Methods 0.000 description 2
- 238000012015 optical character recognition Methods 0.000 description 2
- 230000002265 prevention Effects 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 235000019800 disodium phosphate Nutrition 0.000 description 1
- 210000005069 ears Anatomy 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B61—RAILWAYS
- B61L—GUIDING RAILWAY TRAFFIC; ENSURING THE SAFETY OF RAILWAY TRAFFIC
- B61L27/00—Central railway traffic control systems; Trackside control; Communication systems specially adapted therefor
- B61L27/20—Trackside control of safe travel of vehicle or train, e.g. braking curve calculation
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B61—RAILWAYS
- B61L—GUIDING RAILWAY TRAFFIC; ENSURING THE SAFETY OF RAILWAY TRAFFIC
- B61L27/00—Central railway traffic control systems; Trackside control; Communication systems specially adapted therefor
- B61L27/10—Operations, e.g. scheduling or time tables
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B61—RAILWAYS
- B61L—GUIDING RAILWAY TRAFFIC; ENSURING THE SAFETY OF RAILWAY TRAFFIC
- B61L27/00—Central railway traffic control systems; Trackside control; Communication systems specially adapted therefor
- B61L27/70—Details of trackside communication
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/35—Clustering; Classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
- G06F16/367—Ontology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/205—Parsing
- G06F40/216—Parsing using statistical methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/253—Grammatical analysis; Style critique
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/279—Recognition of textual entities
- G06F40/289—Phrasal analysis, e.g. finite state techniques or chunking
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/30—Semantic analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/02—Knowledge representation; Symbolic representation
- G06N5/022—Knowledge engineering; Knowledge acquisition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/17—Terrestrial scenes taken from planes or by drones
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
- G06V20/54—Surveillance or monitoring of activities, e.g. for recognising suspicious objects of traffic, e.g. cars on the road, trains or boats
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Multimedia (AREA)
- Mechanical Engineering (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Remote Sensing (AREA)
- Probability & Statistics with Applications (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Animal Behavior & Ethology (AREA)
- Mathematical Physics (AREA)
- Train Traffic Observation, Control, And Security (AREA)
Abstract
本发明实施例公开了轨道交通故障处理方法、装置、计算机设备及存储介质。所述方法包括：获取基于5G技术传输的轨道交通故障预警信息；对所述轨道交通故障预警信息进行分析，以得到分析结果；根据所述分析结果进行路径避让规划，以得到规划结果；输出所述规划结果至相关对象，以使得相关对象进行路径避让处理。通过实施本发明实施例的方法可实现准确跟踪到故障的根源，且给出有效的处理方案。
Description
技术领域
本发明涉及轨道交通安全技术领域，更具体地说是指轨道交通故障处理方法、装置、计算机设备及存储介质。
背景技术
近年来，随着轨道交通网络的不断发展建设，与轨道交通有关的事故频繁发生，威胁着轨道交通的安全管理水平。直接导致轨道交通事故发生的危险源因素是单一的，然而在整个轨道交通系统，常见的危险源因素是多样的，各种危险源因素通过复杂多变的关系最终会导致轨道交通事故的发生。对以往发生过的轨道交通事故中的危险源数据进行分析，获取危险源之间的关联关系，有利于轨道交通事故的预防和整个轨道交通系统的安全管理。因此，有效的危险源分析方法决定了轨道交通事故预防的科学性。
目前，现有技术中的轨道交通故障仅停留在分析环节，并不能很有效的给出处理方案，而且分析时并未能考虑到多维复杂的因素引起的综合故障，只能检测定位到单一的问题，无法准确追踪到故障发生的根源。
因此，有必要设计一种新的方法，实现准确跟踪到故障的根源，且给出有效的处理方案。
发明内容
本发明的目的在于克服现有技术的缺陷，提供轨道交通故障处理方法、装置、计算机设备及存储介质。
为实现上述目的，本发明采用以下技术方案：轨道交通故障处理方法，包括：
获取基于5G技术传输的轨道交通故障预警信息；
对所述轨道交通故障预警信息进行分析，以得到分析结果；
根据所述分析结果进行路径避让规划，以得到规划结果；
输出所述规划结果至相关对象，以使得相关对象进行路径避让处理。
其进一步技术方案为：所述轨道交通故障预警信息包括轨道交通对象发出的故障预警提示信息、轨道交通对象最近一次运行所经过的轨道图像、检测人员上传的文书信息。
其进一步技术方案为：所述对所述轨道交通故障预警信息进行分析，以得到分析结果，包括：
对所述故障预警提示信息结合预设的专家诊断规则库进行故障定位，以得到定位结果；
对所述轨道图像进行异常情况检测，且当所述轨道交通出现异常情况时，对所述轨道图像中出现异常情况的区域图像采用神经网络算法进行异物的识别，以得到识别结果；
对所述文书信息进行字段识别，并确定故障发生的根源，以得到根源确定结果；
确定定位结果、识别结果以及所述根源确定结果的关联关系，并确定相关的故障根源；
对所述相关的故障根源进行模拟以及应对方案的演练，以得到分析结果。
其进一步技术方案为：所述专家诊断规则库内包括有不同的故障预警提示信息所对应的故障问题，且所述专家诊断规则库是通过专家经验结合每次故障分析之后的相关的故障根源以及故障预警提示信息进行自学习更新所得的数据库。
其进一步技术方案为：所述对所述轨道图像进行异常情况检测，且当所述轨道交通出现异常情况时，对所述轨道图像中出现异常情况的区域图像采用神经网络算法进行异物的识别，以得到识别结果，包括：
对所述轨道图像进行预处理，以得到预处理结果；
对所述预处理结果提取轨道区域图像；
对所述轨道区域图像进行红外检测，以确定检测区域；
将所述检测区域与所述预处理结果叠加，以得到出现异常情况的区域图像；
对出现异常情况的区域图像采用神经网络算法进行异物的识别，以得到识别结果。
其进一步技术方案为：所述确定定位结果、识别结果以及所述根源确定结果的关联关系，并确定相关的故障根源，以得到分析结果，包括：
采用知识图谱确定定位结果、识别结果以及所述根源确定结果的关联关系，并从知识图谱中确定相关的故障根源，以得到分析结果。
所述确定定位结果、识别结果以及所述根源确定结果的关联关系，并确定相关的故障根源，以得到分析结果之前，还包括：
搭建知识图谱；
所述搭建知识图谱，包括：
获取设备历史运维信息以及轨道交通日常检测日志，以得到状态信息；
根据所述状态信息以及预设的故障根源数据库，创建知识图谱。
其进一步技术方案为：所述根据所述分析结果进行路径避让规划，以得到规划结果，包括：
当所述分析结果属于轨道交通自身问题的类型，则确定途径轨道交通的对象，并采用多目标优化方式确定最优路径，以得到规划结果；当所述分析结果属于轨道交通对象自身问题的类型，则确定所述轨道交通对象所在的位置，采用多目标优化方式确定最优路径，以得到规划结果。
本发明还提供了轨道交通故障处理装置，包括：
信息获取单元，用于获取基于5G技术传输的轨道交通故障预警信息；
分析单元，用于对所述轨道交通故障预警信息进行聚类分析以及大数据分析，以得到分析结果；
规划单元，用于根据所述分析结果进行路径避让规划，以得到规划结果；
输出单元，用于输出所述规划结果至相关对象，以使得相关对象进行路径避让处理。
本发明还提供了一种计算机设备，所述计算机设备包括存储器及处理器，所述存储器上存储有计算机程序，所述处理器执行所述计算机程序时实现上述的方法。
本发明还提供了一种存储介质，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述的方法。
本发明与现有技术相比的有益效果是：本发明通过获取不同来源的轨道交通故障预警信息，对这些信息进行分析，从多维的根源中确定导致故障发生的根源，并给出了解决故障的方案，还对相关的对象进行路径避让规划，形成规划结果，实现准确跟踪到故障的根源，且给出有效的处理方案。
下面结合附图和具体实施例对本发明作进一步描述。
附图说明
为了更清楚地说明本发明实施例技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，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，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的轨道交通故障处理方法的应用场景示意图；
图2为本发明实施例提供的轨道交通故障处理方法的流程示意图；
图3为本发明实施例提供的轨道交通故障处理方法的子流程示意图；
图4为本发明实施例提供的轨道交通故障处理方法的子流程示意图；
图5为本发明实施例提供的轨道交通故障处理装置的示意性框图；
图6为本发明实施例提供的轨道交通故障处理装置的分析单元的示意性框图；
图7为本发明实施例提供的轨道交通故障处理装置的识别子单元的示意性框图；
图8为本发明实施例提供的计算机设备的示意性框图。
具体实施方式
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。
应当理解，当在本说明书和所附权利要求书中使用时，术语“包括”和 “包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解，在此本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当进一步理解，在本发明说明书和所附权利要求书中使用的术语“和/ 或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
请参阅图1和图2，图1为本发明实施例提供的轨道交通故障处理方法的应用场景示意图。图2为本发明实施例提供的轨道交通故障处理方法的示意性流程图。该轨道交通故障处理方法应用于服务器中。该服务器与终端以及摄像头、检测设备进行数据交互，通过获取不同的预警信息，进行大数据的分析，确定最终的故障根源，还会进行故障模拟以进一步确定是否是真实的故障根源，还进行应对方案的演练，以确保故障解除的方案的可行性，对于分析结果的故障根源类型进行路径避让规划，确保其他轨道交通对象的运行尽可能不受影响，实现准确跟踪到故障的根源，且给出有效的处理方案，实现准确跟踪到故障的根源，且给出有效的处理方案。
图2是本发明实施例提供的轨道交通故障处理方法的流程示意图。如图2所示，该方法包括以下步骤S110至S140。
S110、获取基于5G技术传输的轨道交通故障预警信息。
在本实施例中，所述轨道交通故障预警信息包括轨道交通对象发出的故障预警提示信息、轨道交通对象最近一次运行所经过的轨道图像、检测人员上传的文书信息。
在本实施例中，故障预警提示信息是指轨道交通对象的各个设备发出的故障预警信息，比如车头灯提示故障等。
轨道图像是指通过无人机载摄像头拍摄的轨道的整体图像，可以是若干帧不同位置图像进行拼接形成的整体图像。
文书信息是指检测人员日常检测时所记录的文本信息。
在本实施例中，除了基于5G技术传输这些信息之后，还可以采用物联网传输方式进行数据传输。5G数据传输技术所采用的频段要比4G技术采用的频段高出很多。在高于6GHz的频段每秒传送数Gb数据的技术时利用了64个天线单元的自适应阵列传输技术。相当于人耳的64个天线单元可以随时确认客户端的位置并交换信号。
物联网是指通过信息传感设备，按约定的协议，将任何物体与网络相连接，物体通过信息传播媒介进行信息交换和通信，以实现智能化识别、定位、跟踪、监管等功能。在本实施例中，对于检测设备采用物联网技术进行数据传输，可以快速定位该检测设备的位置，从而确定当前出现故障预警信息的轨道交通对象所在的位置，确保故障处理的准确率。
S120、对所述轨道交通故障预警信息进行分析，以得到分析结果。
在本实施例中，分析结果是指产生轨道交通故障的根源以及对应的应对方案。
在一实施例中，请参阅图3，上述的步骤S120可包括步骤S121~ S125。
S121、对所述故障预警提示信息结合预设的专家诊断规则库进行故障定位，以得到定位结果。
在本实施例中，定位结果是指利用专家诊断规则库确定的产生该故障的根源。
具体地，所述专家诊断规则库内包括有不同的故障预警提示信息所对应的故障问题，且所述专家诊断规则库是通过专家经验结合每次故障分析之后的相关的故障根源以及故障预警提示信息进行自学习更新所得的数据库。
具体地，对该故障预警提示信息进行关键词提取，以关键词作为搜索条件，在专家诊断规则库内进行搜索，以确定与关键词关联的信息，以此筛选出故障根源。
上述专家诊断规则库中的诊断规则用于描述每种故障根源，以及该故障对应的一系列的智能设备和故障预警提示信息组合而成的逻辑关系，获取到故障预警提示信息之后，能够根据提取到的报警标识和设备标识构建的关键词，并进行一定的逻辑组合，如果组合后形成的逻辑恰满足专家系统诊断规则库中的诊断规则，则可以根据专家系统诊断规则库进行故障的诊断，例如，根据符合诊断规则的组合逻辑，以及前述报警标识、设备标识等给出相关的诊断意见和处理意见等等。
逻辑组合可以根据设备之间的关联关系进行组合，比如A设备出现某个故障，会导致B设备什么行为，以此构建一整个完整的设备故障传递途径，可以按照该传递途径进行关键词的逻辑组合，从而在专家诊断规则库内进行关键词匹配；从而将未出现的故障也可以一并进行预测，进而解决可能出现的故障问题。
S122、对所述轨道图像进行异常情况检测，且当所述轨道交通出现异常情况时，对所述轨道图像中出现异常情况的区域图像采用神经网络算法进行异物的识别，以得到识别结果。
在本实施例中，除了设备自身的问题之外，实则产生的故障还可能与轨道有关，因此，需要对轨道进行进一步的问题确定。
识别结果是指导致故障预警的存在轨道的异物及其类型。
在一实施例中，请参阅图4，上述的步骤S122可包括步骤S1221~ S1225。
S1221、对所述轨道图像进行预处理，以得到预处理结果。
在本实施例中，预处理结果是指图像灰度化、图像滤波、图像加强、边缘检测等，可以减少天气、路况、光照角度的变化对轨道识别的重大影响，提高抗干扰能力，突出轨道信息、快速准确地检测出轨道异物、改善图像。
S1222、对所述预处理结果提取轨道区域图像。
在本实施例中，可以采用目标检测方式识别出轨道所在的区域，只呈现轨道所在的区域图像，去除其他内容，这种目标检测方式可以通过若干个带有标签的轨道图像作为样本集训练深度学习网络形成的模型进行识别。
S1223、对所述轨道区域图像进行红外检测，以确定检测区域。
在本实施例中，检测区域是指可能存在异物的区域。
具体的，根据提取出的轨道区域图像在高清摄像头采集到的原图中的位置信息，结合红外热成像仪和高清摄像头的位置和角度关系得到红外热像图中对应的轨道位置，并将红外成热像仪接收到的红外热像图灰度化，提取灰度值，采用相对温差法判断轨道上是否存在高温区，若存在则提取高温区并计算区域面积和最高温度点，根据最高温度点确定异物存在的位置，此处属于现有技术，无需赘述。
S1224、将所述检测区域与所述预处理结果叠加，以得到出现异常情况的区域图像。
在本实施例中，区域图像是指该异物在实际图像上的位置构成的图像。
S1225、对出现异常情况的区域图像采用神经网络算法进行异物的识别，以得到识别结果。
在本实施例中，采用神经网络算法确定异物的类型，属于现有技术，此处不再赘述。
另外，在本实施例中，在确定了异物的类型以及所在的位置时，需要对异物所导致的故障情况进行确定，也就是需要采用3D建模方式搭建出现异物的交通轨道模型以及交通轨道对象的模型，在交通轨道对象的模型中加载历史数据得到的运行条件，采用3D模型模拟的方式进行模拟，以确定故障出现的现象是否与得到的故障预警信息一致，当一致时可以将该异物所在的位置以及类型确定为识别结果；如果出现不一致，则对确定的异物类型进行相近似类型的扩充，再执行3D模型模拟，以及位置的微调，并调用出现与故障预警信息相近似的历史数据中异物类型与确定的异物类型属于同一类的数据，进行3D模型模拟，以此确定模拟过程中出现与故障预警信息的近似程度达到阈值的情况的异物类型和位置，作为识别结果；通过不断地进行3D模型模拟，以最终确定识别结果，可以更加准确的确定根源。
S123、对所述文书信息进行字段识别，并确定故障发生的根源，以得到根源确定结果。
在本实施例中，根源确定结果是指通过文本信息确定的导致故障发生的原因。
具体地，对所述文书信息进行问题描述字段的识别，以得到问题描述字段。
在本实施例中，问题描述字段是指文书信息内描述问题的相关字段。可以采用中文分词、语义分析和语法分析的文本挖掘和处理技术手段，对水环境文书信息进行问题描述字段的识别，而中文分词、语义分析和语法分析的文本挖掘和处理技术进行特殊字段的识别属于现有技术，此处不再赘述。
另外，对于问题描述字段的读取，可以采用检测人员在上传之前会按照自己的理解对该文本信息对问题描述所涉及的字段进行下划线标注，上传时，实际上上传文本信息的图片，使用OPENCV、PIL对文本区域图片本身进行操作，对识别的直线进行过滤掉太短或者太长的线段、将临近的直线合并为一条直线，以此确定问题描述字段，使用图像处理包如OPENCV、PIL等，可以对文本区域图片本身进行操作，对识别的直线进行过滤如过滤掉太短或者太长的线段、合并如将临近的直线合并为一条直线等处理，以提高线段检测的准确率，进而提升整个图片解析的准确率。
根据所述问题描述字段从问题与根源的集合中进行智能匹配，以得到匹配结果；其中，问题与根源的集合是指设备运行过程中可能出现的问题以及出现该问题的根源进行映射后形成的列表。
当确定问题描述字段后，可采用语义搜索的技术手段将该问题描述字段作为搜索条件，在问题与根源的集合内进行搜索，寻找吻合程度最高的根源，由此确定为匹配结果；另外，语义搜索技术手段指搜索引擎的工作不再拘泥于用户所输入请求语句的字面本身，而是透过现象看本质，准确地捕捉到用户所输入语句后面的真正意图，并以此来进行搜索，从而更准确地向用户返回最符合其需求的搜索结果。采用语义搜索手段进行根源的确定，可以准确获取到对应的根源，且中和了每个人描述问题的表达方式的差异性。
其中，当不能从问题与根源的集合中匹配到与所述问题描述字段吻合的问题与根源时，从云服务器拉取未记录在集合内的问题与根源，以对问题与根源的集合进行更新，再根据所述问题描述字段从更新后的问题与根源的集合中进行智能匹配，寻找吻合的问题以及根源，以得到匹配结果；
云服务器内存储了来自不同类型的轨道交通对象运行过程的问题和根源的集合，还存储了不同的轨道交通的问题根源以及导致的轨道交通对象运行过程的问题的集合。
在本实施例中，服务器会定时从云服务器出拉取问题与根源的集合，及时更新存储在服务器上对应的集合，当问题描述字段不能从服务器内的问题与根源的集合中搜索到对应的根源时，则存在两种可能：一种是当前服务器内的问题与根源集合并不是最新版本的集合，此时服务器从云服务器拉取最新版本的集合，将未记录在服务器内对应集合中的问题与根源进行更新，再进行问题描述字段的语义搜索，若能搜索到集合内的问题，则可定位至该问题对应的根源，确定为第一根源；如果此时还不能搜索到问题描述字段对应的根源，则属于第二种可能，可对问题描述字段进行纠正或者人工确定根源，对问题描述字段进行纠正可采用通过对TF-IDF算法结合余弦相似度计算生成对多候选字列表进行权重生成并排序的筛选算法，结合错误规则推理模型和特征交叉算法针对OCR转换文本进行错误判断及纠正，对问题描述字段进行纠正，纠正过程需要先对问题描述字段进行错误判断，此处可采用N-Gram模型实现，并利用知识推理模型和TF-IDF算法进行正确候选字段的生成及判断，从而进行问题描述字段的纠正，从文本描述准确性进行问题纠正后进行第三次搜索；若还是不能搜索到根源，此时则采用人工确定问题的根源，以确保能够确定匹配结果。
S124、确定定位结果、识别结果以及所述根源确定结果的关联关系，并确定相关的故障根源。
在本实施例中，相关的故障根源是指实际上导致故障发生的根本原因。
具体地，采用知识图谱确定定位结果、识别结果以及所述根源确定结果的关联关系，并从知识图谱中确定相关的故障根源，以得到分析结果。
在确定相关的故障根源之前，还需要搭建知识图谱；
其中，搭建知识图谱具体包括：
获取设备历史运维信息以及轨道交通日常检测日志，以得到状态信息；
根据所述状态信息以及预设的故障根源数据库，创建知识图谱。
在本实施例中，设备历史运维信息是指设备历史运行状态、运行出现故障时的行为数据（即故障预警提示信息）以及设备发生故障的原因，轨道交通日常检测日志包括轨道交通出现问题时所导致的轨道交通对象出现故障时的行为数据以及对应的问题根源。
对于预设的故障根源数据库可以来自于不同的生产商做设备测试时的记录故障根源、交通轨道检测时所记录的故障根源等。
当确定了设备历史运维信息中出现故障时的行为数据以及对应的故障原因，结合轨道交通自身的问题所导致的轨道交通对象出现故障时的行为以及对应的问题根源，按照实体-关系-属性方式进行知识抽取，抽取故障根源、关联的故障根源以及行为，生成知识图谱，当确定了定位结果、识别结果以及所述根源确定结果之后，便可从知识图谱中确定彼此之间的关联关系，并确定途径这三个结果的相关故障根源，从而确定导致该故障的所有根源，确定所有根源，形成相关的故障根源。
S125、对所述相关的故障根源进行模拟以及应对方案的演练，以得到分析结果。
为了进一步排查所有的相关故障根源中具体是哪一个或者哪几个根源综合导致了故障的发生，此时可以对确定的所有故障根源进行排列组合，并按照常规的运行条件加载到上述提及的3D模型中采用虚拟现实建模语言交互机制进行模拟，以确定可能性最高的根源，并在确定了可能性最高的根源之后，从应对方案集合中查找与可能性最高的根源匹配的解决方案，并进行演练，在演练的过程中不断地进行人工调整，这个人工调整主要是由维修人员进行参数调整，先在3D模型的基础上进行方案的调整，直至方案可以解决当前的故障，且轨道交通对象运行无问题时，才将该调整后的方案作为最终的应对方案，先在3D模型上进行演练，可以大大的减少维修成本以及维修时间，而且还可以提高维修的准确率。
S130、根据所述分析结果进行路径避让规划，以得到规划结果。
在本实施例中，规划结果是指与轨道交通以及轨道交通对象相关的对象的运行路径。
具体地，当所述分析结果属于轨道交通自身问题的类型，则确定途径轨道交通的对象，并采用多目标优化方式确定最优路径，以得到规划结果；当所述分析结果属于轨道交通对象自身问题的类型，则确定所述轨道交通对象所在的位置，采用多目标优化方式确定最优路径，以得到规划结果。
具体地，多目标优化方式指将对象运行的时间以及成本等作为目标，确定避开出现问题的轨道交通或者时出现问题的轨道交通对象所在的位置的最优路径。可以根据实际情况确定哪一个作为主要目标，是时间、成本还是其他，以此来确定最优路径。
S140、输出所述规划结果至相关对象，以使得相关对象进行路径避让处理。
上述的轨道交通故障处理方法，通过获取不同来源的轨道交通故障预警信息，对这些信息进行分析，从多维的根源中确定导致故障发生的根源，并给出了解决故障的方案，还对相关的对象进行路径避让规划，形成规划结果，实现准确跟踪到故障的根源，且给出有效的处理方案。
图5是本发明实施例提供的一种轨道交通故障处理装置300的示意性框图。如图5所示，对应于以上轨道交通故障处理方法，本发明还提供一种轨道交通故障处理装置300。该轨道交通故障处理装置300包括用于执行上述轨道交通故障处理方法的单元，该装置可以被配置于服务器中。具体地，请参阅图5，该轨道交通故障处理装置300包括信息获取单元301、分析单元302、规划单元303以及输出单元304。
信息获取单元301，用于获取基于5G技术传输的轨道交通故障预警信息；分析单元302，用于对所述轨道交通故障预警信息进行聚类分析以及大数据分析，以得到分析结果；规划单元303，用于根据所述分析结果进行路径避让规划，以得到规划结果；输出单元304，用于输出所述规划结果至相关对象，以使得相关对象进行路径避让处理。
在一实施例中，如图6所示，所述分析单元302包括定位子单元3021、识别子单元3022、根源确定子单元3023、相关根源确定子单元3024以及模拟演练子单元3025。
定位子单元3021，用于对所述故障预警提示信息结合预设的专家诊断规则库进行故障定位，以得到定位结果；识别子单元3022，用于对所述轨道图像进行异常情况检测，且当所述轨道交通出现异常情况时，对所述轨道图像中出现异常情况的区域图像采用神经网络算法进行异物的识别，以得到识别结果；根源确定子单元3023，用于对所述文书信息进行字段识别，并确定故障发生的根源，以得到根源确定结果；相关根源确定子单元3024，用于确定定位结果、识别结果以及所述根源确定结果的关联关系，并确定相关的故障根源；模拟演练子单元3025，用于对所述相关的故障根源进行模拟以及应对方案的演练，以得到分析结果。
在一实施例中，如图7所示，所述识别子单元3022包括预处理模块30221、提取模块30222、检测模块30223、叠加模块30224以及异物识别模块30225。
预处理模块30221，用于对所述轨道图像进行预处理，以得到预处理结果；提取模块30222，用于对所述预处理结果提取轨道区域图像；检测模块30223，用于对所述轨道区域图像进行红外检测，以确定检测区域；叠加模块30224，用于将所述检测区域与所述预处理结果叠加，以得到出现异常情况的区域图像；异物识别模块30225，用于对出现异常情况的区域图像采用神经网络算法进行异物的识别，以得到识别结果。
在一实施例中，所述相关根源确定子单元3024，用于采用知识图谱确定定位结果、识别结果以及所述根源确定结果的关联关系，并从知识图谱中确定相关的故障根源，以得到分析结果。
所述分析单元302还包括：搭建子单元，用于搭建知识图谱；
所述搭建子单元，包括：信息获取模块以及创建模块。
信息获取模块，用于获取设备历史运维信息以及轨道交通日常检测日志，以得到状态信息；创建模块，用于根据所述状态信息以及预设的故障根源数据库，创建知识图谱。
在一实施例中，所述规划单元303，用于当所述分析结果属于轨道交通自身问题的类型，则确定途径轨道交通的对象，并采用多目标优化方式确定最优路径，以得到规划结果；当所述分析结果属于轨道交通对象自身问题的类型，则确定所述轨道交通对象所在的位置，采用多目标优化方式确定最优路径，以得到规划结果。
需要说明的是，所属领域的技术人员可以清楚地了解到，上述轨道交通故障处理装置300和各单元的具体实现过程，可以参考前述方法实施例中的相应描述，为了描述的方便和简洁，在此不再赘述。
上述轨道交通故障处理装置300可以实现为一种计算机程序的形式，该计算机程序可以在如图8所示的计算机设备上运行。
请参阅图8，图8是本申请实施例提供的一种计算机设备的示意性框图。该计算机设备500可以是服务器，其中，服务器可以是独立的服务器，也可以是多个服务器组成的服务器集群。
参阅图8，该计算机设备500包括通过系统总线501连接的处理器502、存储器和网络接口505，其中，存储器可以包括非易失性存储介质503和内存储器504。
该非易失性存储介质503可存储操作系统5031和计算机程序5032。该计算机程序5032包括程序指令，该程序指令被执行时，可使得处理器502执行一种轨道交通故障处理方法。
该处理器502用于提供计算和控制能力，以支撑整个计算机设备500的运行。
该内存储器504为非易失性存储介质503中的计算机程序5032的运行提供环境，该计算机程序5032被处理器502执行时，可使得处理器502执行一种轨道交通故障处理方法。
该网络接口505用于与其它设备进行网络通信。本领域技术人员可以理解，图8中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备500的限定，具体的计算机设备500可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
其中，所述处理器502用于运行存储在存储器中的计算机程序5032，以实现如下步骤：
获取基于5G技术传输的轨道交通故障预警信息；对所述轨道交通故障预警信息进行分析，以得到分析结果；根据所述分析结果进行路径避让规划，以得到规划结果；输出所述规划结果至相关对象，以使得相关对象进行路径避让处理。
其中，所述轨道交通故障预警信息包括轨道交通对象发出的故障预警提示信息、轨道交通对象最近一次运行所经过的轨道图像、检测人员上传的文书信息。
在一实施例中，处理器502在实现所述对所述轨道交通故障预警信息进行分析，以得到分析结果步骤时，具体实现如下步骤：
对所述故障预警提示信息结合预设的专家诊断规则库进行故障定位，以得到定位结果；对所述轨道图像进行异常情况检测，且当所述轨道交通出现异常情况时，对所述轨道图像中出现异常情况的区域图像采用神经网络算法进行异物的识别，以得到识别结果；对所述文书信息进行字段识别，并确定故障发生的根源，以得到根源确定结果；确定定位结果、识别结果以及所述根源确定结果的关联关系，并确定相关的故障根源；对所述相关的故障根源进行模拟以及应对方案的演练，以得到分析结果。
其中，所述专家诊断规则库内包括有不同的故障预警提示信息所对应的故障问题，且所述专家诊断规则库是通过专家经验结合每次故障分析之后的相关的故障根源以及故障预警提示信息进行自学习更新所得的数据库。
在一实施例中，处理器502在实现所述对所述轨道图像进行异常情况检测，且当所述轨道交通出现异常情况时，对所述轨道图像中出现异常情况的区域图像采用神经网络算法进行异物的识别，以得到识别结果步骤时，具体实现如下步骤：
对所述轨道图像进行预处理，以得到预处理结果；对所述预处理结果提取轨道区域图像；对所述轨道区域图像进行红外检测，以确定检测区域；将所述检测区域与所述预处理结果叠加，以得到出现异常情况的区域图像；对出现异常情况的区域图像采用神经网络算法进行异物的识别，以得到识别结果。
在一实施例中，处理器502在实现所述确定定位结果、识别结果以及所述根源确定结果的关联关系，并确定相关的故障根源，以得到分析结果步骤时，具体实现如下步骤：
采用知识图谱确定定位结果、识别结果以及所述根源确定结果的关联关系，并从知识图谱中确定相关的故障根源，以得到分析结果。
在一实施例中，处理器502在实现所述确定定位结果、识别结果以及所述根源确定结果的关联关系，并确定相关的故障根源，以得到分析结果步骤之前，还实现如下步骤：
搭建知识图谱；
其中，所述搭建知识图谱，包括：
获取设备历史运维信息以及轨道交通日常检测日志，以得到状态信息；
根据所述状态信息以及预设的故障根源数据库，创建知识图谱。
在一实施例中，处理器502在实现所述根据所述分析结果进行路径避让规划，以得到规划结果步骤时，具体实现如下步骤：
当所述分析结果属于轨道交通自身问题的类型，则确定途径轨道交通的对象，并采用多目标优化方式确定最优路径，以得到规划结果；当所述分析结果属于轨道交通对象自身问题的类型，则确定所述轨道交通对象所在的位置，采用多目标优化方式确定最优路径，以得到规划结果。
应当理解，在本申请实施例中，处理器502可以是中央处理单元 (CentralProcessing Unit，CPU)，该处理器502还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路 (Application Specific IntegratedCircuit，ASIC)、现成可编程门阵列 (Field-Programmable Gate Array，FPGA) 或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。其中，通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
本领域普通技术人员可以理解的是实现上述实施例的方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成。该计算机程序包括程序指令，计算机程序可存储于一存储介质中，该存储介质为计算机可读存储介质。该程序指令被该计算机系统中的至少一个处理器执行，以实现上述方法的实施例的流程步骤。
因此，本发明还提供一种存储介质。该存储介质可以为计算机可读存储介质。该存储介质存储有计算机程序，其中该计算机程序被处理器执行时使处理器执行如下步骤：
获取基于5G技术传输的轨道交通故障预警信息；对所述轨道交通故障预警信息进行分析，以得到分析结果；根据所述分析结果进行路径避让规划，以得到规划结果；输出所述规划结果至相关对象，以使得相关对象进行路径避让处理。
其中，所述轨道交通故障预警信息包括轨道交通对象发出的故障预警提示信息、轨道交通对象最近一次运行所经过的轨道图像、检测人员上传的文书信息。
在一实施例中，所述处理器在执行所述计算机程序而实现所述对所述轨道交通故障预警信息进行分析，以得到分析结果步骤时，具体实现如下步骤：
对所述故障预警提示信息结合预设的专家诊断规则库进行故障定位，以得到定位结果；对所述轨道图像进行异常情况检测，且当所述轨道交通出现异常情况时，对所述轨道图像中出现异常情况的区域图像采用神经网络算法进行异物的识别，以得到识别结果；对所述文书信息进行字段识别，并确定故障发生的根源，以得到根源确定结果；确定定位结果、识别结果以及所述根源确定结果的关联关系，并确定相关的故障根源；对所述相关的故障根源进行模拟以及应对方案的演练，以得到分析结果。
其中，所述专家诊断规则库内包括有不同的故障预警提示信息所对应的故障问题，且所述专家诊断规则库是通过专家经验结合每次故障分析之后的相关的故障根源以及故障预警提示信息进行自学习更新所得的数据库。
在一实施例中，所述处理器在执行所述计算机程序而实现所述对所述轨道图像进行异常情况检测，且当所述轨道交通出现异常情况时，对所述轨道图像中出现异常情况的区域图像采用神经网络算法进行异物的识别，以得到识别结果步骤时，具体实现如下步骤：
对所述轨道图像进行预处理，以得到预处理结果；对所述预处理结果提取轨道区域图像；对所述轨道区域图像进行红外检测，以确定检测区域；将所述检测区域与所述预处理结果叠加，以得到出现异常情况的区域图像；对出现异常情况的区域图像采用神经网络算法进行异物的识别，以得到识别结果。
在一实施例中，所述处理器在执行所述计算机程序而实现所述确定定位结果、识别结果以及所述根源确定结果的关联关系，并确定相关的故障根源，以得到分析结果步骤时，具体实现如下步骤：
采用知识图谱确定定位结果、识别结果以及所述根源确定结果的关联关系，并从知识图谱中确定相关的故障根源，以得到分析结果。
在一实施例中，所述处理器在执行所述计算机程序而实现所述确定定位结果、识别结果以及所述根源确定结果的关联关系，并确定相关的故障根源，以得到分析结果步骤之后，还实现如下步骤：
搭建知识图谱；
其中，所述搭建知识图谱，包括：
获取设备历史运维信息以及轨道交通日常检测日志，以得到状态信息；
根据所述状态信息以及预设的故障根源数据库，创建知识图谱。
在一实施例中，所述处理器在执行所述计算机程序而实现所述根据所述分析结果进行路径避让规划，以得到规划结果步骤时，具体实现如下步骤：
当所述分析结果属于轨道交通自身问题的类型，则确定途径轨道交通的对象，并采用多目标优化方式确定最优路径，以得到规划结果；当所述分析结果属于轨道交通对象自身问题的类型，则确定所述轨道交通对象所在的位置，采用多目标优化方式确定最优路径，以得到规划结果。
所述存储介质可以是U盘、移动硬盘、只读存储器（Read-Only Memory，ROM）、磁碟或者光盘等各种可以存储程序代码的计算机可读存储介质。
本领域普通技术人员可以意识到，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。
在本发明所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的。例如，各个单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。
本发明实施例方法中的步骤可以根据实际需要进行顺序调整、合并和删减。本发明实施例装置中的单元可以根据实际需要进行合并、划分和删减。另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以是两个或两个以上单元集成在一个单元中。
该集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分，或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，终端，或者网络设备等）执行本发明各个实施例所述方法的全部或部分步骤。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。
Claims (9)
1.轨道交通故障处理方法，其特征在于，包括：
获取基于5G技术传输的轨道交通故障预警信息；
对所述轨道交通故障预警信息进行分析，以得到分析结果；
根据所述分析结果进行路径避让规划，以得到规划结果；
输出所述规划结果至相关对象，以使得相关对象进行路径避让处理；
所述对所述轨道交通故障预警信息进行分析，以得到分析结果，包括：
对所述故障预警提示信息结合预设的专家诊断规则库进行故障定位，以得到定位结果；
对所述轨道图像进行异常情况检测，且当所述轨道交通出现异常情况时，对所述轨道图像中出现异常情况的区域图像采用神经网络算法进行异物的识别，以得到识别结果；在确定了异物的类型以及所在的位置时，需要对异物所导致的故障情况进行确定，需要采用3D建模方式搭建出现异物的交通轨道模型以及交通轨道对象的模型，在交通轨道对象的模型中加载历史数据得到的运行条件，采用3D模型模拟的方式进行模拟，以确定故障出现的现象是否与得到的故障预警信息一致，当一致时将该异物所在的位置以及类型确定为识别结果；如果出现不一致，则对确定的异物类型进行相近似类型的扩充，再执行3D模型模拟，以及位置的微调，并调用出现与故障预警信息相近似的历史数据中异物类型与确定的异物类型属于同一类的数据，进行3D模型模拟，以此确定模拟过程中出现与故障预警信息的近似程度达到阈值的情况的异物类型和位置，作为识别结果；通过不断地进行3D模型模拟，以最终确定识别结果；
对文书信息进行字段识别，并确定故障发生的根源，以得到根源确定结果；
确定定位结果、识别结果以及所述根源确定结果的关联关系，并确定相关的故障根源；
对所述相关的故障根源进行模拟以及应对方案的演练，以得到分析结果；
对确定的所有故障根源进行排列组合，并按照常规的运行条件加载到上述提及的3D模型中采用虚拟现实建模语言交互机制进行模拟，以确定可能性最高的根源，并在确定了可能性最高的根源之后，从应对方案集合中查找与可能性最高的根源匹配的解决方案，并进行演练，在演练的过程中不断地进行人工调整，这个人工调整主要是由维修人员进行参数调整，先在3D模型的基础上进行方案的调整，直至方案可以解决当前的故障，且轨道交通对象运行无问题时，才将调整后的方案作为最终的应对方案。
2.根据权利要求1所述的轨道交通故障处理方法，其特征在于，所述轨道交通故障预警信息包括轨道交通对象发出的故障预警提示信息、轨道交通对象最近一次运行所经过的轨道图像、检测人员上传的文书信息。
3.根据权利要求1所述的轨道交通故障处理方法，其特征在于，所述专家诊断规则库内包括有不同的故障预警提示信息所对应的故障问题，且所述专家诊断规则库是通过专家经验结合每次故障分析之后的相关的故障根源以及故障预警提示信息进行自学习更新所得的数据库。
4.根据权利要求1所述的轨道交通故障处理方法，其特征在于，所述对所述轨道图像进行异常情况检测，且当所述轨道交通出现异常情况时，对所述轨道图像中出现异常情况的区域图像采用神经网络算法进行异物的识别，以得到识别结果，包括：
对所述轨道图像进行预处理，以得到预处理结果；
对所述预处理结果提取轨道区域图像；
对所述轨道区域图像进行红外检测，以确定检测区域；
将所述检测区域与所述预处理结果叠加，以得到出现异常情况的区域图像；
对出现异常情况的区域图像采用神经网络算法进行异物的识别，以得到识别结果。
5.根据权利要求1所述的轨道交通故障处理方法，其特征在于，所述确定定位结果、识别结果以及所述根源确定结果的关联关系，并确定相关的故障根源，以得到分析结果，包括：
采用知识图谱确定定位结果、识别结果以及所述根源确定结果的关联关系，并从知识图谱中确定相关的故障根源，以得到分析结果；
所述确定定位结果、识别结果以及所述根源确定结果的关联关系，并确定相关的故障根源，以得到分析结果之前，还包括：
搭建知识图谱；
所述搭建知识图谱，包括：
获取设备历史运维信息以及轨道交通日常检测日志，以得到状态信息；
根据所述状态信息以及预设的故障根源数据库，创建知识图谱。
6.根据权利要求5所述的轨道交通故障处理方法，其特征在于，所述根据所述分析结果进行路径避让规划，以得到规划结果，包括：
当所述分析结果属于轨道交通自身问题的类型，则确定途径轨道交通的对象，并采用多目标优化方式确定最优路径，以得到规划结果；当所述分析结果属于轨道交通对象自身问题的类型，则确定所述轨道交通对象所在的位置，采用多目标优化方式确定最优路径，以得到规划结果。
7.轨道交通故障处理装置，其特征在于，包括：
信息获取单元，用于获取基于5G技术传输的轨道交通故障预警信息；
分析单元，用于对所述轨道交通故障预警信息进行聚类分析以及大数据分析，以得到分析结果；
规划单元，用于根据所述分析结果进行路径避让规划，以得到规划结果；
输出单元，用于输出所述规划结果至相关对象，以使得相关对象进行路径避让处理；
所述分析单元包括定位子单元、识别子单元、根源确定子单元、相关根源确定子单元以及模拟演练子单元；
定位子单元，用于对所述故障预警提示信息结合预设的专家诊断规则库进行故障定位，以得到定位结果；识别子单元，用于对所述轨道图像进行异常情况检测，且当所述轨道交通出现异常情况时，对所述轨道图像中出现异常情况的区域图像采用神经网络算法进行异物的识别，以得到识别结果；在确定了异物的类型以及所在的位置时，需要对异物所导致的故障情况进行确定，需要采用3D建模方式搭建出现异物的交通轨道模型以及交通轨道对象的模型，在交通轨道对象的模型中加载历史数据得到的运行条件，采用3D模型模拟的方式进行模拟，以确定故障出现的现象是否与得到的故障预警信息一致，当一致时将该异物所在的位置以及类型确定为识别结果；如果出现不一致，则对确定的异物类型进行相近似类型的扩充，再执行3D模型模拟，以及位置的微调，并调用出现与故障预警信息相近似的历史数据中异物类型与确定的异物类型属于同一类的数据，进行3D模型模拟，以此确定模拟过程中出现与故障预警信息的近似程度达到阈值的情况的异物类型和位置，作为识别结果；通过不断地进行3D模型模拟，以最终确定识别结果；根源确定子单元，用于对文书信息进行字段识别，并确定故障发生的根源，以得到根源确定结果；相关根源确定子单元，用于确定定位结果、识别结果以及所述根源确定结果的关联关系，并确定相关的故障根源；模拟演练子单元，用于对所述相关的故障根源进行模拟以及应对方案的演练，以得到分析结果；对确定的所有故障根源进行排列组合，并按照常规的运行条件加载到上述提及的3D模型中采用虚拟现实建模语言交互机制进行模拟，以确定可能性最高的根源，并在确定了可能性最高的根源之后，从应对方案集合中查找与可能性最高的根源匹配的解决方案，并进行演练，在演练的过程中不断地进行人工调整，这个人工调整主要是由维修人员进行参数调整，先在3D模型的基础上进行方案的调整，直至方案可以解决当前的故障，且轨道交通对象运行无问题时，才将调整后的方案作为最终的应对方案。
8.一种计算机设备，其特征在于，所述计算机设备包括存储器及处理器，所述存储器上存储有计算机程序，所述处理器执行所述计算机程序时实现如权利要求1至6中任一项所述的方法。
9.一种存储介质，其特征在于，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至6中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311644635.0A CN117341781B (zh) | 2023-12-04 | 2023-12-04 | 轨道交通故障处理方法、装置、计算机设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311644635.0A CN117341781B (zh) | 2023-12-04 | 2023-12-04 | 轨道交通故障处理方法、装置、计算机设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117341781A CN117341781A (zh) | 2024-01-05 |
| CN117341781B true CN117341781B (zh) | 2024-03-22 |
Family
ID=89363569
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311644635.0A Active CN117341781B (zh) | 2023-12-04 | 2023-12-04 | 轨道交通故障处理方法、装置、计算机设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117341781B (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107369303A (zh) * | 2017-08-23 | 2017-11-21 | 北京赛普泰克技术有限公司 | 工厂智能诊断方法、装置及系统 |
| CN108297898A (zh) * | 2018-02-02 | 2018-07-20 | 武汉瞬行科技有限公司 | 无人驾驶式管道交通智慧管理方法 |
| CN110261436A (zh) * | 2019-06-13 | 2019-09-20 | 暨南大学 | 基于红外热成像和计算机视觉的轨道故障检测方法及系统 |
| CN113327071A (zh) * | 2021-08-04 | 2021-08-31 | 深圳市深水水务咨询有限公司 | 基于5g的环境管理方法、装置、计算机设备及存储介质 |
| CN114625110A (zh) * | 2022-03-25 | 2022-06-14 | 上海富欣智能交通控制有限公司 | 故障诊断方法、装置、系统及智能轨道交通系统 |
| CN115619383A (zh) * | 2022-12-19 | 2023-01-17 | 中国空气动力研究与发展中心超高速空气动力研究所 | 一种基于知识图谱的故障诊断方法、装置及计算设备 |
| CN116307672A (zh) * | 2022-09-08 | 2023-06-23 | 中国农业银行股份有限公司 | 一种故障诊断方法、装置、电子设备及介质 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111210133A (zh) * | 2019-12-30 | 2020-05-29 | 卡斯柯信号有限公司 | 一种城市轨道交通运控运维协同系统及方法 |
-
2023
- 2023-12-04 CN CN202311644635.0A patent/CN117341781B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107369303A (zh) * | 2017-08-23 | 2017-11-21 | 北京赛普泰克技术有限公司 | 工厂智能诊断方法、装置及系统 |
| CN108297898A (zh) * | 2018-02-02 | 2018-07-20 | 武汉瞬行科技有限公司 | 无人驾驶式管道交通智慧管理方法 |
| CN110261436A (zh) * | 2019-06-13 | 2019-09-20 | 暨南大学 | 基于红外热成像和计算机视觉的轨道故障检测方法及系统 |
| CN113327071A (zh) * | 2021-08-04 | 2021-08-31 | 深圳市深水水务咨询有限公司 | 基于5g的环境管理方法、装置、计算机设备及存储介质 |
| CN114625110A (zh) * | 2022-03-25 | 2022-06-14 | 上海富欣智能交通控制有限公司 | 故障诊断方法、装置、系统及智能轨道交通系统 |
| CN116307672A (zh) * | 2022-09-08 | 2023-06-23 | 中国农业银行股份有限公司 | 一种故障诊断方法、装置、电子设备及介质 |
| CN115619383A (zh) * | 2022-12-19 | 2023-01-17 | 中国空气动力研究与发展中心超高速空气动力研究所 | 一种基于知识图谱的故障诊断方法、装置及计算设备 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117341781A (zh) | 2024-01-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Ye et al. | Railway traffic object detection using differential feature fusion convolution neural network | |
| KR101967339B1 (ko) | 심층학습 기반의 ａｄａｓ 센서 고장 진단 및 백업을 위한 장치 및 방법 | |
| CN110084165B (zh) | 基于边缘计算的电力领域开放场景下异常事件的智能识别与预警方法 | |
| WO2022121186A1 (zh) | 基于目标匹配的油气管道巡检方法、装置、设备及介质 | |
| CN110119701B (zh) | 基于视觉关系检测的煤矿综采工作面不安全行为识别方法 | |
| KR102015947B1 (ko) | 자율주행을 위한 학습대상 이미지 추출 장치 및 방법 | |
| CN111507164B (zh) | 实时更新可检测类的类别的对象检测系统的方法和设备 | |
| KR102015945B1 (ko) | 자율주행을 위한 학습대상 이미지 패키징 장치 및 방법 | |
| CN113269042B (zh) | 基于行驶车辆违章识别的智能交通管理方法及系统 | |
| US11767028B2 (en) | Change detection criteria for updating sensor-based reference maps | |
| CN103020956A (zh) | 一种基于决策判断Hausdorff距离的图像匹配方法 | |
| CN112084835A (zh) | 基于航拍数据和遥测数据生成地图特征 | |
| CN109376736A (zh) | 一种基于深度卷积神经网络的视频小目标检测方法 | |
| CN114926791A (zh) | 一种路口车辆异常变道检测方法、装置、存储介质及电子设备 | |
| CN111352414B (zh) | 用于车辆的假目标移除装置和方法及包括该装置的车辆 | |
| CN117341781B (zh) | 轨道交通故障处理方法、装置、计算机设备及存储介质 | |
| KR102494953B1 (ko) | 딥러닝 기반 온-디바이스 실시간 교통제어 시스템 | |
| CN106874928B (zh) | 跟踪目标突发关键事件自动判决方法及系统 | |
| CN112509321A (zh) | 一种基于无人机的城市复杂交通情景的驾驶控制方法、系统及可读存储介质 | |
| Gleirscher et al. | Probabilistic risk assessment of an obstacle detection system for goa 4 freight trains | |
| CN114708498A (zh) | 图像处理方法、装置、电子设备以及存储介质 | |
| CN111860100B (zh) | 行人数量的确定方法、装置、电子设备及可读存储介质 | |
| CN114758294A (zh) | 分拨中心危险行为的监控方法、装置、设备和存储介质 | |
| CN114495049A (zh) | 识别车道线的方法和装置 | |
| CN115587358A (zh) | 一种二进制代码相似性检测方法、装置及存储介质 |
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 |