CN117592975A - 基于云计算的高速公路机电设备运维决策处理方法及系统 - Google Patents
基于云计算的高速公路机电设备运维决策处理方法及系统 Download PDFInfo
- Publication number
- CN117592975A CN117592975A CN202410074876.4A CN202410074876A CN117592975A CN 117592975 A CN117592975 A CN 117592975A CN 202410074876 A CN202410074876 A CN 202410074876A CN 117592975 A CN117592975 A CN 117592975A
- Authority
- CN
- China
- Prior art keywords
- data
- maintenance
- electromechanical equipment
- electromechanical
- maintenance decision
- 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
- 238000012423 maintenance Methods 0.000 title claims abstract description 167
- 238000003672 processing method Methods 0.000 title claims abstract description 21
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 49
- 238000000034 method Methods 0.000 claims abstract description 48
- 230000007613 environmental effect Effects 0.000 claims abstract description 40
- 238000012545 processing Methods 0.000 claims abstract description 31
- 230000015556 catabolic process Effects 0.000 claims abstract description 30
- 238000006731 degradation reaction Methods 0.000 claims abstract description 30
- 230000008569 process Effects 0.000 claims abstract description 25
- 230000004044 response Effects 0.000 claims abstract description 21
- 230000002787 reinforcement Effects 0.000 claims abstract description 15
- 230000007246 mechanism Effects 0.000 claims abstract description 10
- 238000013468 resource allocation Methods 0.000 claims abstract description 9
- 230000009471 action Effects 0.000 claims description 35
- 230000002159 abnormal effect Effects 0.000 claims description 25
- 238000001514 detection method Methods 0.000 claims description 25
- 230000000694 effects Effects 0.000 claims description 15
- 238000004458 analytical method Methods 0.000 claims description 12
- 230000006870 function Effects 0.000 claims description 11
- 238000005457 optimization Methods 0.000 claims description 11
- 238000012544 monitoring process Methods 0.000 claims description 10
- 230000005856 abnormality Effects 0.000 claims description 8
- 238000011156 evaluation Methods 0.000 claims description 8
- 238000010606 normalization Methods 0.000 claims description 8
- 238000012300 Sequence Analysis Methods 0.000 claims description 6
- 238000012806 monitoring device Methods 0.000 claims description 6
- 238000004140 cleaning Methods 0.000 claims description 5
- 238000010219 correlation analysis Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000005520 cutting process Methods 0.000 claims description 4
- 238000009826 distribution Methods 0.000 claims description 4
- 230000003993 interaction Effects 0.000 claims description 4
- 230000036541 health Effects 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 2
- 230000002829 reductive effect Effects 0.000 description 6
- 238000007405 data analysis Methods 0.000 description 5
- 230000009286 beneficial effect Effects 0.000 description 4
- 238000007726 management method Methods 0.000 description 4
- 238000003745 diagnosis Methods 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000002452 interceptive effect Effects 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000001364 causal effect Effects 0.000 description 1
- 238000007727 cost benefit analysis Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000036961 partial effect Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/20—Administration of product repair or maintenance
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/20—Ensemble learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06311—Scheduling, planning or task assignment for a person or group
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Data Mining & Analysis (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Development Economics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Medical Informatics (AREA)
- Educational Administration (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了基于云计算的高速公路机电设备运维决策处理方法及系统,用于高速公路运行维护领域,该方法包括以下步骤:采集环境数据和机电设备的运行数据;通过云计算平台处理环境数据和机电设备的运行数据;基于处理后环境数据和机电设备的运行数据构建预测模块,预测机电设备的潜在故障、性能退化和运行趋势;运用强化学习算法生成维护决策建议;将维护决策建议发送给维护团队;收集维护措施执行过程中的反馈信息,优化预测模型和维护决策建议;建立应急响应机制,提供快速维护决策和资源调配。本发明通过计算孤立二叉树的路径长度标准差,评估不同孤立二叉树在预测模型中的表现差异,并进行加权,提升整个模型的效能。
Description
技术领域
本发明涉及高速公路运行维护领域,具体来说,尤其涉及基于云计算的高速公路机电设备运维决策处理方法及系统。
背景技术
高速公路机电设备通常包括照明系统、监控摄像头、交通信号灯、应急通讯系统、收费站设备等,它们的主要功能是确保高速公路的顺畅运行和安全,由于高速公路机电设备直接关系到道路安全和交通效率,因此其运维决策至关重要。合理的维护和及时的故障处理能够减少交通事故,提高行车安全和舒适度,运维决策是指在运行和维护过程中,根据设备的运行状态、维护需求、成本效益分析等因素,制定的决策。这些决策旨在确保设备高效、安全地运行,同时也考虑长期的成本控制和风险管理。
现代技术,如物联网(IoT)、云计算、大数据分析和机器学习,正日益被应用于高速公路机电设备的运维管理中,以提高决策的准确性和效率,维护策略需要考虑多种因素,包括设备的重要性、故障率、维护成本以及对交通流的影响等。
传统的机电设备维护和故障预测方法往往依赖于经验判断或简单的历史数据分析,这可能导致预测准确性和及时性不足,无法有效预测和预防故障,旧的预测模型可能没有足够的泛化能力,无法适应不同的运行条件和环境变化,这限制了其在不同情境下的应用效果,以往的维护决策通常是静态的,不会根据设备的实时数据进行调整,这可能导致决策的滞后性和不准确性,在缺乏有效决策支持系统的情况下,维护资源的分配和调度可能不够高效,导致资源浪费和维护响应时间延长。
针对相关技术中的问题,目前尚未提出有效的解决方案。
发明内容
为了克服以上问题,本发明旨在提出基于云计算的高速公路机电设备运维决策处理方法及系统,目的在于解决传统的机电设备维护和故障预测方法往往依赖于经验判断或简单的历史数据分析,这可能导致预测准确性和及时性不足,无法有效预测和预防故障,旧的预测模型可能没有足够的泛化能力,无法适应不同的运行条件和环境变化,这限制了其在不同情境下的应用效果的问题。
为此,本发明采用的具体技术方案如下:
根据本发明的一个方面,提供了基于云计算的高速公路机电设备运维决策处理方法,该运维决策处理方法包括以下步骤:
S1、利用高速公路安装的监控设备实时采集环境数据和机电设备的运行数据;
S2、通过云计算平台处理环境数据和机电设备的运行数据;
S3、基于处理后环境数据和机电设备的运行数据构建预测模块,分析机电设备的运行状况,预测机电设备的潜在故障、性能退化和运行趋势;
S4、根据预测结果,运用强化学习算法生成维护决策建议;
S5、将维护决策建议发送给维护团队,并实施相应的维护措施;
S6、收集维护措施执行过程中的反馈信息,优化预测模型和维护决策建议;
S7、建立应急响应机制,为反馈信息中的紧急情况提供快速维护决策和资源调配。
可选地,通过云计算平台处理环境数据和机电设备的运行数据包括以下步骤:
S21、从监控设备接收采集的环境数据和机电设备运行数据;
S22、对环境数据和机电设备运行数据进行数据清洗;
S23、将来自不同监控设备的环境数据和机电设备运行数据进行整合,并进行归一化处理;
S24、将处理后的环境数据和机电设备运行数据存储在云平台的数据库中。
可选地,基于处理后环境数据和机电设备的运行数据构建预测模块,分析机电设备的运行状况,预测机电设备的潜在故障、性能退化和运行趋势包括以下步骤:
S31、从处理后的环境数据和机电设备运行数据提取运行状态特征;
S32、从运行状态特征中随机选择样本点,构成预测模型的样本集;
S33、在预测模型的样本集中随机选择特征和切割值构建预测模型;
S34、根据构建的预测模型,计算每棵孤立二叉树的路径长度标准差;
S35、根据路径长度标准差对孤立二叉树进行加权;
S36、使用加权的预测模型对机电设备的运行数据进行异常检测;
S37、分析异常检测结果,预测机电设备的潜在故障、性能退化和运行趋势。
可选地,根据构建的预测模型,计算每棵孤立二叉树的路径长度标准差包括以下步骤:
S341、对于每棵孤立二叉树,遍历所有叶子节点,对于每个叶子节点,计算从树的根节点到该叶子节点的路径长度;
S342、对于每棵孤立二叉树,计算所有叶子节点路径长度的平均值;
S343、根据所有叶子节点路径长度的平均值计算每棵孤立二叉树的路径长度标准差;
S344、使用标准差评估每棵孤立二叉树在检测异常样本的能力;
S345、对所有孤立二叉树进行评估,并根据路径长度标准差得到每棵孤立二叉的权重。
可选地,路径长度标准差的计算公式为:
;式中,/>表示第/>特征样本个运行状态特征样本的路径长度;
表示机电设备中运行状态特征的总数量;
表示机电设备不同运行状态的平均健康度指标;
表示孤立二叉树的路径长度标准差;
表示机电设备的运行状态特征。
可选地于,使用加权的预测模型对机电设备的运行数据进行异常检测包括以下步骤:
S361、在加权的预测模型中利用路径长度的标准差分配每棵树的权重;
S362、根据每棵孤立二叉树的权重和路径长度,使用异常值公式计算每个样本点的异常分数;
其中,每个样本点的异常分数公式为:
;
;式中,/>表示机电设备中运行状态特征的总数量;
表示每棵孤立二叉树的权重;
表示第/>特征样本中孤立二叉树的路径长度标准差;
表示孤立二叉树的路径长度标准差的最小值;
表示孤立二叉树的路径长度标准差的最大值;
表示第/>特征样本个运行状态特征样本的路径长度;
表示样本点/>的异常分数;
表示样本数量的正常化因子。
可选地,分析异常检测结果,预测机电设备的潜在故障、性能退化和运行趋势包括以下步骤:
S371、获取每个样本点的异常分数,并设定样本点的阈值;
S372、根据阈值,识别异常分数超过阈值的样本点;
S373、使用时间序列分析法,分析异常点在时间上的分布和变化趋势,识别机电设备运行中的潜在问题和性能退化;
S374、分析异常点与机电设备的运行参数或环境因素之间的关系,确定导致异常的原因;
S375、基于异常检测结果和相关性分析,对机电设备的潜在故障类型进行诊断,确定故障的性质;
S376、根据故障的性质,评估机电设备的性能退化程度;
S377、利用预测模型预测机电设备在未来一周内的运行状态。
可选地,根据预测结果,运用强化学习算法生成维护决策建议包括以下步骤:
S41、获取机电设备当前的运行数据和历史的运行数据,确定行动选项,并设计奖励函数;
S42、将机电设备当前的运行数据和历史的运行数据转换成统一格式;
S43、通过与环境的交互,使深度Q网络算法尝试不同的行动选项,形成策略,并利用奖励函数评估行动的效果;
S44、对策略进行定期评估,检查策略在实际应用中的有效性和安全性,并根据评估结果对策略和深度Q网络算法进行优化;
S45、将优化后的策略转换为维护决策建议。
可选地,对策略进行定期评估,检查策略在实际应用中的有效性和安全性,并根据评估结果对策略和深度Q网络算法进行优化包括以下步骤:
S441、初始化Q网络算法,输入机电设备当前运行数据和历史数据,并预测行动的预期回报值;
S442、观察机电设备当前运行数据和历史数据,收集当前状态信息;
S443、基于Q网络算法的预测结果,为设备状态选择行动选项;
S444、在机电设备中执行选定行动选项,观察对设备状态的影响;
S445、根据行动结果更新Q网络算法;
S446、重复执行S443-S445的步骤,直到达到预设的迭代次数。
根据本发明的另一个方面,还提供了基于云计算的高速公路机电设备运维决策处理系统,该系统包括:数据采集模块、数据处理模块、预测分析模块、决策生成模块、维护执行模块、反馈优化模块及应急响应模块;
数据采集模块,用于利用高速公路安装的监控设备实时采集环境数据和机电设备的运行数据;
数据处理模块,用于通过云计算平台处理环境数据和机电设备的运行数据;
预测分析模块,用于基于处理后环境数据和机电设备的运行数据构建预测模块,分析机电设备的运行状况,预测机电设备的潜在故障、性能退化和运行趋势;
决策生成模块,用于根据预测结果,运用强化学习算法生成维护决策建议;
维护执行模块,用于将维护决策建议发送给维护团队,并实施相应的维护措施;
反馈优化模块,用于收集维护措施执行过程中的反馈信息,优化预测模型和维护决策建议;
应急响应模块,用于建立应急响应机制,为反馈信息中的紧急情况提供快速维护决策和资源调配。
相较于现有技术,本申请具有以下有益效果:
1、本发明通过从环境数据和运行数据中提取关键特征,如温度、湿度、电流、电压等,能够更准确地反映机电设备的运行状况,构建更准确的预测模型,从而提高对潜在故障和性能退化的预测准确性,从特征中随机选择样本点构成样本集,确保了预测模型训练过程中的数据多样性和代表性,提高预测模型的泛化能力,使其能够适应多种运行条件和环境变化,通过计算孤立二叉树的路径长度标准差,可以有效地评估不同树在预测模型中的表现差异,并据此进行加权,加权方法使模型更加关注那些在预测机电设备运行状态时表现更好的树,从而提升整个模型的效能,使用加权的预测模型进行异常检测可以更准确地发现潜在的异常和问题,比较运行数据与模型的预测结果,有助于及早识别并处理潜在的故障,减少设备停机时间,分析异常检测结果,并利用时间序列分析法,可以更深入地理解机电设备的运行趋势和潜在问题,有助于进行更准确的故障诊断和性能退化评估,进而提出更有效的维护和改进措施,通过高效且精确的预测方法,显著提高机电设备的运行可靠性和整体性能,减少意外故障和维修成本,提升生产效率和设备使用寿命。
2、本发明的强化学习算法能够通过与环境的交互自主学习,适应不断变化的设备运行状况和维护需求,能够不断优化其决策,提高决策的准确性和效率,深度Q网络算法可以基于实时和历史运行数据动态生成维护策略,实现持续的优化和决策制定,动态性使得维护策略能够更好地适应设备的当前状态和潜在的变化,设计的奖励函数帮助指导学习过程,确保算法能够识别并优先考虑那些能带来更好运行效果的行动选项,实现最大化设备效率和最小化维护成本的目标,通过定期评估策略的有效性和安全性,可以确保所提出的维护决策建议不仅理论上可行,而且在实际应用中也是有效和安全的。
3、本发明中云平台提供强大的数据处理能力和存储空间,可以有效处理和存储大量的环境数据和机电设备运行数据,云平台使得数据易于访问和共享,有助于跨部门和团队协作,云计算平台提供更好的数据安全性和备份解决方案;维护决策建议及时发送给维护团队,确保快速响应和有效执行,根据维护建议,可以更合理地分配维护资源和人员,通过收集反馈信息,预测模型和维护决策得以不断优化,提高准确性和效率,建立应急响应机制能够及时识别并响应反馈信息中的紧急情况,减少潜在的损失或停机时间,为紧急情况提供快速的资源调配和决策,确保资源的有效利用。
附图说明
结合实施例的以下描述,本发明的上述特性、特征和优点及其实现方式和方法变得更明白易懂,实施例结合附图详细阐述。在此以示意图示出:
图1是根据本发明实施例的基于云计算的高速公路机电设备运维决策处理方法的流程图;
图2是根据本发明实施例的基于云计算的高速公路机电设备运维决策处理系统的原理框图。
图中:
1、数据采集模块;2、数据处理模块;3、预测分析模块;4、决策生成模块;5、维护执行模块;6、反馈优化模块;7、应急响应模块。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,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,都属于本申请保护的范围。
根据本发明的实施例,提供了基于云计算的高速公路机电设备运维决策处理方法及系统。
具体地,现对本申请涉及的技术术语或者部分名词进行解释:预测模型为孤立森林模型,通过计算孤立树的路径长度标准差并对孤立树进行加权,有效地改进了孤立森林算法在异常检测方面的性能。
加权孤立森林的构建算法包括:计算路径长度标准差、加权过程及异常值的计算;
其中,计算路径长度标准差包括对于每棵孤立二叉树,计算其叶子节点的路径长度标准差,这有助于评估每棵树在异常检测中的能力。
加权过程包括根据路径长度标准差对孤立树进行加权。具有较小路径长度标准差(即较好的异常检测能力)的树被赋予更高的权重。
异常值的计算包括使用加权后的孤立树来计算测试样本的异常值,从而提高整个孤立森林模型在异常检测中的效率和准确性。
Q网络算法一种在强化学习领域广泛使用的算法,它的核心是一个名为“Q表”的结构,用于存储和更新代理(Agent)在给定状态下采取不同行动的预期回报值,Q网络算法的目标是学习一个策略,该策略能够告诉代理在特定状态下采取哪个行动以最大化其总回报。
现结合附图和具体实施方式对本发明进一步说明,如图1所示,根据本发明的一个实施例,提供了基于云计算的高速公路机电设备运维决策处理方法,该运维决策处理方法包括以下步骤:
S1、利用高速公路安装的监控设备实时采集环境数据和机电设备的运行数据。
需要解释说明的是,监控设备,如摄像头、温度传感器、速度感应器等,被安装在高速公路的关键位置,用于收集各种数据,包括天气条件、交通流量、车辆速度、以及机电设备(如照明、信号灯、应急电话等)的运行状态,数据采集需要具备高度的可靠性和实时性,以确保在各种环境条件下都能稳定运行,实现对高速公路机电设备的有效监控和维护,确保其高效、安全的运行。
S2、通过云计算平台处理环境数据和机电设备的运行数据。
优选地,通过云计算平台处理环境数据和机电设备的运行数据包括以下步骤:
S21、从监控设备接收采集的环境数据和机电设备运行数据;
S22、对环境数据和机电设备运行数据进行数据清洗;
S23、将来自不同监控设备的环境数据和机电设备运行数据进行整合,并进行归一化处理;
S24、将处理后的环境数据和机电设备运行数据存储在云平台的数据库中。
需要解释说明的是,云平台首先从监控设备接收数据,通过安全的网络连接实现,确保数据传输的安全性和完整性,云平台的接收系统需要有足够的带宽和处理能力,以应对大量数据的实时传输,接收到的数据可能包含噪声、错误或无效的读数,通过各种数据清洗技术(如去除异常值、填补缺失值等)来提高数据质量,对于后续的数据分析至关重要,不同监控设备收集的数据可能有不同的格式和尺度,将数据整合到一个统一的格式中,并进行归一化处理,确保数据在后续分析中的可比较性,归一化是指调整数值范围,以消除不同尺度带来的影响,处理后的数据存储在云平台的数据库中,不仅为数据分析提供了基础,还为数据的远程访问、备份和恢复提供了便利,云数据库通常具备高可用性和可扩展性,可以根据需求增减存储容量和处理能力。
S3、基于处理后环境数据和机电设备的运行数据构建预测模块,分析机电设备的运行状况,预测机电设备的潜在故障、性能退化和运行趋势。
优选地,基于处理后环境数据和机电设备的运行数据构建预测模块,分析机电设备的运行状况,预测机电设备的潜在故障、性能退化和运行趋势包括以下步骤:
S31、从处理后的环境数据和机电设备运行数据提取运行状态特征;
S32、从运行状态特征中随机选择样本点,构成预测模型的样本集;
S33、在预测模型的样本集中随机选择特征和切割值构建预测模型;
S34、根据构建的预测模型,计算每棵孤立二叉树的路径长度标准差;
S35、根据路径长度标准差对孤立二叉树进行加权;
S36、使用加权的预测模型对机电设备的运行数据进行异常检测;
S37、分析异常检测结果,预测机电设备的潜在故障、性能退化和运行趋势。
此外,需要补充说明的是,从处理后的环境数据和机电设备运行数据中提取关键特征,包括温度、湿度、电流、电压等指标,识别出对机电设备运行状况有影响的因素,从上述特征中随机选择样本点,构成预测模型的样本集,确保了模型训练过程中的数据多样性和代表性,在样本集中随机选择特征和切割值,利用信息构建预测模型,为了提高模型的准确性,计算每棵孤立二叉树在预测模型中的路径长度标准差,获取不同树在模型中的表现差异,根据路径长度的标准差,对孤立二叉树进行加权,让模型更加关注那些在预测机电设备运行状态时表现更好的树,使用加权的预测模型对机电设备的运行数据进行异常检测,通过比较运行数据与模型的预测,可以发现潜在的异常和问题,分析异常检测的结果,基于这些结果预测机电设备的潜在故障、性能退化和运行趋势。
优选地,根据构建的预测模型,计算每棵孤立二叉树的路径长度标准差包括以下步骤:
S341、对于每棵孤立二叉树,遍历所有叶子节点,对于每个叶子节点,计算从树的根节点到该叶子节点的路径长度(路径长度是指在构建树的过程中,从根节点到达该叶子节点所需要经过的边的数量,在机电设备的上下文中,这代表确定从正常运行状态到每个特定异常状态的步骤数量);
S342、对于每棵树,计算所有叶子节点路径长度的平均值(平均值是该树中所有样本的平均路径长度,反映了机电设备从当前状态恢复到正常状态所需的平均步骤数);
S343、对于每棵树,计算所有叶子节点的路径长度与平均路径长度之差的平方和,除以叶子节点的数量,取平方根得到标准差(标准差是衡量每棵树在样本路径长度上的变异程度,评估不同运行状态到正常状态的“距离”变化程度,反映模型在区分不同运行状态的效能);
S344、使用计算得出的标准差来评估每棵孤立树在检测异常样本中的能力(一般来说,路径长度标准差越大,表明该树在区分正常样本和异常样本上的能力越强。这是因为异常样本通常会在孤立树中更早地被孤立出来,从而有更短的路径长度,判断每棵树在区分正常运行和潜在故障状态方面的效果);
S345、对所有孤立树进行评估后,可以根据它们的路径长度标准差来决定它们在最终模型中的权重(树的路径长度标准差越大,它在模型中的权重也应相应地越大,在机电设备预测的应用中,这确保在区分运行状态方面表现更好的树在模型中有更大的影响力)。
优选地,路径长度标准差的计算公式为:
;式中,/>表示第/>特征样本个运行状态特征样本的路径长度;
表示机电设备中运行状态特征的总数量;
表示机电设备不同运行状态的平均健康度指标;
表示孤立二叉树的路径长度标准差;
表示机电设备的运行状态特征。
优选地,使用加权的预测模型对机电设备的运行数据进行异常检测包括以下步骤:
S361、在加权的预测模型中利用路径长度的标准差分配每棵树的权重;
S362、根据每棵孤立二叉树的权重和路径长度,使用异常值公式计算每个样本点的异常分数;
其中,每个样本点的异常分数公式为:
;
;式中,/>表示机电设备中运行状态特征的总数量;
表示每棵孤立二叉树的权重;
表示第/>特征样本中孤立二叉树的路径长度标准差;
表示孤立二叉树的路径长度标准差的最小值;
表示孤立二叉树的路径长度标准差的最大值;
表示第/>特征样本个运行状态特征样本的路径长度;
表示样本点/>的异常分数;
表示样本数量的正常化因子。
优选地,分析异常检测结果,预测机电设备的潜在故障、性能退化和运行趋势包括以下步骤:
S371、获取每个样本点的异常分数,并设定样本点的阈值;
S372、根据阈值,识别异常分数超过阈值的样本点;
S373、使用时间序列分析法,分析异常点在时间上的分布和变化趋势,识别机电设备运行中的潜在问题和性能退化;
S374、分析异常点与机电设备的运行参数或环境因素之间的关系,确定导致异常的原因;
S375、基于异常检测结果和相关性分析,对机电设备的潜在故障类型进行诊断,确定故障的性质;
S376、根据故障的性质,评估机电设备的性能退化程度;
S377、利用预测模型预测机电设备在未来一周内的运行状态。
需要解释说明的是,首先计算每个样本点的异常分数,异常分数通常是基于样本点与正常运行模式之间的偏差程度来确定的,可以利用统计方法或机器学习算法来计算,之后,需要设定一个阈值,用于区分正常和异常的样本点,在阈值设定之后,根据这个阈值识别异常样本点,被标记为异常的样本点可能代表着机电设备的潜在故障或性能问题,利用时间序列分析方法来研究异常点在时间上的分布和变化趋势,通过分析数据可以帮助识别出机电设备运行中的周期性故障、长期性能下降或其他潜在问题;对异常点与机电设备运行参数或环境因素之间的关系进行分析,涉及到数据的相关性分析和因果关系研究,以便确定导致异常的可能原因,基于异常检测结果和相关性分析,对机电设备潜在故障类型的诊断,确定故障的具体性质,比如是硬件故障、软件问题还是外部环境因素引起的,最后,利用预测模型来预测机电设备在未来一段时间内的运行状态,包括潜在故障的预测和性能退化的趋势分析。
S4、根据预测结果,运用强化学习算法生成维护决策建议。
优选地,根据预测结果,运用强化学习算法生成维护决策建议包括以下步骤:
S41、获取机电设备当前的运行数据和历史的运行数据,确定行动选项,并设计奖励函数;
S42、将机电设备当前的运行数据和历史的运行数据转换成统一格式;
S43、通过与环境的交互,使深度Q网络算法尝试不同的行动选项,形成策略,并利用奖励函数评估行动的效果;
S44、对策略进行定期评估,检查策略在实际应用中的有效性和安全性,并根据评估结果对策略和深度Q网络算法进行优化;
S45、将优化后的策略转换为维护决策建议。
优选地,对策略进行定期评估,检查策略在实际应用中的有效性和安全性,并根据评估结果对策略和深度Q网络算法进行优化包括以下步骤:
S441、初始化Q网络算法,输入机电设备当前运行数据和历史数据,并预测行动的预期回报值;
S442、观察机电设备当前运行数据和历史数据,收集当前状态信息;
S443、基于Q网络算法的预测结果,为设备状态选择行动选项;
S444、在机电设备中执行选定行动选项,观察对设备状态的影响;
S445、根据行动结果更新Q网络算法;
S446、重复执行S443-S445的步骤,直到达到预设的迭代次数。
需要解释说明的是,利用强化学习算法,特别是深度Q网络算法生成针对机电设备的维护决策建议,从获取和格式化机电设备的当前和历史运行数据开始,机电设备的当前和历史运行数据用于确定可能的行动选项,并设计奖励函数来评估这些行动的效果。接着,深度Q网络通过与环境的交互来尝试不同的行动选项,并形成策略,这个过程中奖励函数用于指导学习过程,帮助算法识别哪些行动能带来更好的运行效果;在策略形成之后,需要对其进行定期评估,检查策略在实际应用中的有效性和安全性,模拟或实际应用中的测试及根据测试结果对策略和深度Q网络算法进行优化,优化过程包括使用Q网络算法预测行动的预期回报,基于预测结果为设备状态选择最优行动选项,实际执行这些行动,并观察其对设备状态的影响。然后,根据行动的结果来更新Q网络算法,不断迭代以提高策略的效果,通过这样一个综合的过程,深度Q网络可以学习如何在不同的运行情况下为机电设备制定最佳的维护策略,从而帮助提高设备的运行效率和可靠性,最终,这些优化后的策略被转换为具体的维护决策建议,为设备管理人员提供有价值的指导。
S5、将维护决策建议发送给维护团队,并实施相应的维护措施。
需要解释说明的是,基于前面S4步骤中利用深度Q网络算法得到的优化策略,生成具体的维护决策建议,包括对设备进行检查、更换零件、调整配置或执行其他维护任务,维护决策建议会通过企业内部的通信自动发送给维护团队,通过电子邮件、移动应用通知或集成在维护管理中的自动化流程来实现,维护团队收到建议后,将根据建议内容、设备的重要性以及其他运行要求来制定具体的维护计划,在制定好维护计划后,维护团队将在现场实施维护措施,包括对设备进行检查、清洁、修理或更换部件等操作,维护完成后,维护团队会将结果进行反馈,信息对于优化未来的维护决策建议至关重要,根据反馈结果调整算法,以提高未来决策的准确性和效率。
S6、收集维护措施执行过程中的反馈信息,优化预测模型和维护决策建议。
需要解释说明的是,在维护团队实施维护措施后,收集有关维护活动的详细信息,包括维护的类型、所需时间、消耗的资源以及任何在维护过程中遇到的问题,此外也会收集维护后设备的运行数据,以评估维护的效果,收集到的数据随后会被分析,以评估维护措施的有效性,例如通过比较维护前后设备的性能数据,可以评估维护措施对设备性能的具体影响。同时,也会分析维护过程中的任何问题或挑战,以识别改进的空间,根据收集到的数据和分析结果,预测模型会被调整和优化,包括调整模型参数,或者使用新收集的数据重新训练模型,以提高其预测准确性和可靠性,基于优化后的预测模型,维护决策建议也会相应进行更新,确保未来的维护建议更加精准,更好地反映实际设备状态和维护需求,随着更多维护措施的实施和反馈信息的积累,预测模型和维护决策建议将不断得到改进,从而逐步提升维护效率和设备性能。
S7、建立应急响应机制,为反馈信息中的紧急情况提供快速维护决策和资源调配。
需要解释说明的是,不断监测维护过程中收集的反馈信息,以及设备的实时运行数据,以便及时识别可能的紧急情况,紧急情况可能包括设备故障、性能突然下降、安全隐患等,一旦识别出紧急情况,迅速启动应急响应流程,自动通知维护团队、调动必要的资源,以及提供初步的故障诊断和处理建议,在紧急情况下,快速调配所需资源,包括人员、工具和备件等。同时,基于紧急情况的性质和严重程度,生成针对性的维护决策和行动计划,维护团队根据系统提供的决策和资源,快速执行紧急维护措施,以解决问题并最小化对设备运行的影响,紧急情况处理后,对事件进行后续跟踪和分析,以评估处理的效果,并从中学习以改进未来的应急响应机制。
根据本发明的另一个实施例,还提供了基于云计算的高速公路机电设备运维决策处理系统,该系统包括:数据采集模块1、数据处理模块2、预测分析模块3、决策生成模块4、维护执行模块5、反馈优化模块6及应急响应模块7;
数据采集模块1,用于利用高速公路安装的监控设备实时采集环境数据和机电设备的运行数据;
数据处理模块2,用于通过云计算平台处理环境数据和机电设备的运行数据;
预测分析模块3,用于基于处理后环境数据和机电设备的运行数据构建预测模块,分析机电设备的运行状况,预测机电设备的潜在故障、性能退化和运行趋势;
决策生成模块4,用于根据预测结果,运用强化学习算法生成维护决策建议;
维护执行模块5,用于将维护决策建议发送给维护团队,并实施相应的维护措施;
反馈优化模块6,用于收集维护措施执行过程中的反馈信息,优化预测模型和维护决策建议;
应急响应模块7,用于建立应急响应机制,为反馈信息中的紧急情况提供快速维护决策和资源调配。
综上所述,借助于本发明的上述技术方案,本发明通过从环境数据和运行数据中提取关键特征,如温度、湿度、电流、电压等,能够更准确地反映机电设备的运行状况,构建更准确的预测模型,从而提高对潜在故障和性能退化的预测准确性。从特征中随机选择样本点构成样本集,确保了预测模型训练过程中的数据多样性和代表性,提高预测模型的泛化能力,使其能够适应多种运行条件和环境变化,通过计算孤立二叉树的路径长度标准差,可以有效地评估不同树在预测模型中的表现差异,并据此进行加权,加权方法使模型更加关注那些在预测机电设备运行状态时表现更好的树,从而提升整个模型的效能,使用加权的预测模型进行异常检测可以更准确地发现潜在的异常和问题,比较运行数据与模型的预测结果,有助于及早识别并处理潜在的故障,减少设备停机时间,分析异常检测结果,并利用时间序列分析法,可以更深入地理解机电设备的运行趋势和潜在问题,有助于进行更准确的故障诊断和性能退化评估,进而提出更有效的维护和改进措施,通过高效且精确的预测方法,显著提高机电设备的运行可靠性和整体性能,减少意外故障和维修成本,提升生产效率和设备使用寿命;本发明的强化学习算法能够通过与环境的交互自主学习,适应不断变化的设备运行状况和维护需求,能够不断优化其决策,提高决策的准确性和效率,深度Q网络算法可以基于实时和历史运行数据动态生成维护策略,实现持续的优化和决策制定,动态性使得维护策略能够更好地适应设备的当前状态和潜在的变化,设计的奖励函数帮助指导学习过程,确保算法能够识别并优先考虑那些能带来更好运行效果的行动选项,实现最大化设备效率和最小化维护成本的目标,通过定期评估策略的有效性和安全性,可以确保所提出的维护决策建议不仅理论上可行,而且在实际应用中也是有效和安全的;本发明中云平台提供强大的数据处理能力和存储空间,可以有效处理和存储大量的环境数据和机电设备运行数据,云平台使得数据易于访问和共享,有助于跨部门和团队协作,云计算平台提供更好的数据安全性和备份解决方案;维护决策建议及时发送给维护团队,确保快速响应和有效执行,根据维护建议,可以更合理地分配维护资源和人员,通过收集反馈信息,预测模型和维护决策得以不断优化,提高准确性和效率,建立应急响应机制能够及时识别并响应反馈信息中的紧急情况,减少潜在的损失或停机时间,为紧急情况提供快速的资源调配和决策,确保资源的有效利用。
虽然本发明已以较佳实施例揭示如上,然所述实施例仅为了便于说明而举例而已,并非用以限定本发明,本领域的技术人员在不脱离本发明精神和范围的前提下可作若干的更动与润饰,本发明所主张的保护范围应以权利要求书所述为准。
Claims (10)
1.基于云计算的高速公路机电设备运维决策处理方法,其特征在于,该运维决策处理方法包括以下步骤:
S1、利用高速公路安装的监控设备实时采集环境数据和机电设备的运行数据;
S2、通过云计算平台处理环境数据和机电设备的运行数据;
S3、基于处理后环境数据和机电设备的运行数据构建预测模块,分析机电设备的运行状况,预测机电设备的潜在故障、性能退化和运行趋势;
S4、根据预测结果,运用强化学习算法生成维护决策建议;
S5、将维护决策建议发送给维护团队,并实施相应的维护措施;
S6、收集维护措施执行过程中的反馈信息,优化预测模型和维护决策建议;
S7、建立应急响应机制,为反馈信息中的紧急情况提供快速维护决策和资源调配。
2.根据权利要求1所述的基于云计算的高速公路机电设备运维决策处理方法,其特征在于,所述通过云计算平台处理环境数据和机电设备的运行数据包括以下步骤:
S21、从监控设备接收采集的环境数据和机电设备运行数据;
S22、对环境数据和机电设备运行数据进行数据清洗;
S23、将来自不同监控设备的环境数据和机电设备运行数据进行整合,并进行归一化处理;
S24、将处理后的环境数据和机电设备运行数据存储在云平台的数据库中。
3.根据权利要求1所述的基于云计算的高速公路机电设备运维决策处理方法,其特征在于,所述基于处理后环境数据和机电设备的运行数据构建预测模块,分析机电设备的运行状况,预测机电设备的潜在故障、性能退化和运行趋势包括以下步骤:
S31、从处理后的环境数据和机电设备运行数据提取运行状态特征;
S32、从运行状态特征中随机选择样本点,构成预测模型的样本集;
S33、在预测模型的样本集中随机选择特征和切割值构建预测模型;
S34、根据构建的预测模型,计算每棵孤立二叉树的路径长度标准差;
S35、根据路径长度标准差对孤立二叉树进行加权;
S36、使用加权的预测模型对机电设备的运行数据进行异常检测;
S37、分析异常检测结果,预测机电设备的潜在故障、性能退化和运行趋势。
4.根据权利要求3所述的基于云计算的高速公路机电设备运维决策处理方法,其特征在于,所述根据构建的预测模型,计算每棵孤立二叉树的路径长度标准差包括以下步骤:
S341、对于每棵孤立二叉树,遍历所有叶子节点,对于每个叶子节点,计算从树的根节点到该叶子节点的路径长度;
S342、对于每棵孤立二叉树,计算所有叶子节点路径长度的平均值;
S343、根据所有叶子节点路径长度的平均值计算每棵孤立二叉树的路径长度标准差;
S344、使用所述标准差评估每棵孤立二叉树在检测异常样本的能力;
S345、对所有孤立二叉树进行评估,并根据路径长度标准差得到每棵孤立二叉的权重。
5.根据权利要求4所述的基于云计算的高速公路机电设备运维决策处理方法,其特征在于,所述路径长度标准差的计算公式为:
;式中,/>表示第/>特征样本个运行状态特征样本的路径长度;
表示机电设备中运行状态特征的总数量;
表示机电设备不同运行状态的平均健康度指标;
表示孤立二叉树的路径长度标准差;
表示机电设备的运行状态特征。
6.根据权利要求5所述的基于云计算的高速公路机电设备运维决策处理方法,其特征在于,所述使用加权的预测模型对机电设备的运行数据进行异常检测包括以下步骤:
S361、在加权的预测模型中利用路径长度的标准差分配每棵树的权重;
S362、根据每棵孤立二叉树的权重和路径长度,使用异常值公式计算每个样本点的异常分数;
其中,所述每个样本点的异常分数公式为:
;
;式中,/>表示机电设备中运行状态特征的总数量;
表示每棵孤立二叉树的权重;
表示第/>特征样本中孤立二叉树的路径长度标准差;
表示孤立二叉树的路径长度标准差的最小值;
表示孤立二叉树的路径长度标准差的最大值;
表示第/>特征样本个运行状态特征样本的路径长度;
表示样本点/>的异常分数;
表示样本数量的正常化因子。
7.根据权利要求6所述的基于云计算的高速公路机电设备运维决策处理方法,其特征在于,所述分析异常检测结果,预测机电设备的潜在故障、性能退化和运行趋势包括以下步骤:
S371、获取每个样本点的异常分数,并设定样本点的阈值;
S372、根据阈值,识别异常分数超过阈值的样本点;
S373、使用时间序列分析法,分析异常点在时间上的分布和变化趋势,识别机电设备运行中的潜在问题和性能退化;
S374、分析异常点与机电设备的运行参数或环境因素之间的关系,确定导致异常的原因;
S375、基于异常检测结果和相关性分析,对机电设备的潜在故障类型进行诊断,确定故障的性质;
S376、根据故障的性质,评估机电设备的性能退化程度;
S377、利用预测模型预测机电设备在未来一周内的运行状态。
8.根据权利要求1所述的基于云计算的高速公路机电设备运维决策处理方法,其特征在于,所述根据预测结果,运用强化学习算法生成维护决策建议包括以下步骤:
S41、获取机电设备当前的运行数据和历史的运行数据,确定行动选项,并设计奖励函数;
S42、将机电设备当前的运行数据和历史的运行数据转换成统一格式;
S43、通过与环境的交互,使深度Q网络算法尝试不同的行动选项,形成策略,并利用奖励函数评估行动的效果;
S44、对所述策略进行定期评估,检查策略在实际应用中的有效性和安全性,并根据评估结果对策略和深度Q网络算法进行优化;
S45、将优化后的策略转换为维护决策建议。
9.根据权利要求8所述的基于云计算的高速公路机电设备运维决策处理方法,其特征在于,所述对所述策略进行定期评估,检查策略在实际应用中的有效性和安全性,并根据评估结果对策略和深度Q网络算法进行优化包括以下步骤:
S441、初始化Q网络算法,输入机电设备当前运行数据和历史数据,并预测行动的预期回报值;
S442、观察机电设备当前运行数据和历史数据,收集当前状态信息;
S443、基于Q网络算法的预测结果,为设备状态选择行动选项;
S444、在机电设备中执行选定行动选项,观察对设备状态的影响;
S445、根据行动结果更新Q网络算法;
S446、重复执行S443-S445的步骤,直到达到预设的迭代次数。
10.基于云计算的高速公路机电设备运维决策处理系统,用于实现权利要求1-9中任一项所述的基于云计算的高速公路机电设备运维决策处理方法,其特征在于,该系统包括:数据采集模块、数据处理模块、预测分析模块、决策生成模块、维护执行模块、反馈优化模块及应急响应模块;
数据采集模块,用于利用高速公路安装的监控设备实时采集环境数据和机电设备的运行数据;
数据处理模块,用于通过云计算平台处理环境数据和机电设备的运行数据;
预测分析模块,用于基于处理后环境数据和机电设备的运行数据构建预测模块,分析机电设备的运行状况,预测机电设备的潜在故障、性能退化和运行趋势;
决策生成模块,用于根据预测结果,运用强化学习算法生成维护决策建议;
维护执行模块,用于将维护决策建议发送给维护团队,并实施相应的维护措施;
反馈优化模块,用于收集维护措施执行过程中的反馈信息,优化预测模型和维护决策建议;
应急响应模块,用于建立应急响应机制,为反馈信息中的紧急情况提供快速维护决策和资源调配。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410074876.4A CN117592975A (zh) | 2024-01-18 | 2024-01-18 | 基于云计算的高速公路机电设备运维决策处理方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410074876.4A CN117592975A (zh) | 2024-01-18 | 2024-01-18 | 基于云计算的高速公路机电设备运维决策处理方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117592975A true CN117592975A (zh) | 2024-02-23 |
Family
ID=89910283
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410074876.4A Pending CN117592975A (zh) | 2024-01-18 | 2024-01-18 | 基于云计算的高速公路机电设备运维决策处理方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117592975A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117872097A (zh) * | 2024-03-08 | 2024-04-12 | 中科鉴芯(北京)科技有限责任公司 | 基于强化学习的数字电路自动测试向量生成方法和装置 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109976930A (zh) * | 2017-12-28 | 2019-07-05 | 腾讯科技(深圳)有限公司 | 异常数据的检测方法、系统及存储介质 |
CN112368200A (zh) * | 2018-06-28 | 2021-02-12 | 科路实有限责任公司 | 铁路维护计划 |
CN113420073A (zh) * | 2021-08-23 | 2021-09-21 | 平安科技(深圳)有限公司 | 基于改进的孤立森林的异常样本检测方法及相关设备 |
CN114090402A (zh) * | 2021-11-03 | 2022-02-25 | 中国电子科技集团公司第三十研究所 | 一种基于孤立森林的用户异常访问行为检测方法 |
CN114896733A (zh) * | 2022-05-20 | 2022-08-12 | 合肥工业大学 | 一种基于深度强化学习的滚动轴承故障类型识别方法 |
CN116034325A (zh) * | 2020-08-10 | 2023-04-28 | 西门子股份公司 | 检测异常数据点的系统、设备和方法 |
CN116862199A (zh) * | 2023-08-17 | 2023-10-10 | 浙江建设职业技术学院 | 基于大数据和云计算的建筑施工优化系统 |
CN116958825A (zh) * | 2023-08-28 | 2023-10-27 | 中国公路工程咨询集团有限公司 | 一种移动式遥感图像采集方法及公路维护监测方法 |
CN117236930A (zh) * | 2023-10-08 | 2023-12-15 | 中交长大桥隧技术有限公司 | 基于5g和人工智能的公路桥梁综合监测系统 |
-
2024
- 2024-01-18 CN CN202410074876.4A patent/CN117592975A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109976930A (zh) * | 2017-12-28 | 2019-07-05 | 腾讯科技(深圳)有限公司 | 异常数据的检测方法、系统及存储介质 |
CN112368200A (zh) * | 2018-06-28 | 2021-02-12 | 科路实有限责任公司 | 铁路维护计划 |
CN116034325A (zh) * | 2020-08-10 | 2023-04-28 | 西门子股份公司 | 检测异常数据点的系统、设备和方法 |
CN113420073A (zh) * | 2021-08-23 | 2021-09-21 | 平安科技(深圳)有限公司 | 基于改进的孤立森林的异常样本检测方法及相关设备 |
CN114090402A (zh) * | 2021-11-03 | 2022-02-25 | 中国电子科技集团公司第三十研究所 | 一种基于孤立森林的用户异常访问行为检测方法 |
CN114896733A (zh) * | 2022-05-20 | 2022-08-12 | 合肥工业大学 | 一种基于深度强化学习的滚动轴承故障类型识别方法 |
CN116862199A (zh) * | 2023-08-17 | 2023-10-10 | 浙江建设职业技术学院 | 基于大数据和云计算的建筑施工优化系统 |
CN116958825A (zh) * | 2023-08-28 | 2023-10-27 | 中国公路工程咨询集团有限公司 | 一种移动式遥感图像采集方法及公路维护监测方法 |
CN117236930A (zh) * | 2023-10-08 | 2023-12-15 | 中交长大桥隧技术有限公司 | 基于5g和人工智能的公路桥梁综合监测系统 |
Non-Patent Citations (3)
Title |
---|
刘少华: "高速公路机电设备智能监测在预防性养护中的应用", 《中国交通信息化》, no. 09, 30 September 2023 (2023-09-30), pages 93 * |
娄岩: "《智能医学概论》", 31 October 2018, 北京:中国铁道出版社, pages: 33 * |
王振成: "《设备管理故障诊断与维修》", 31 January 2020, 重庆:重庆大学出版社, pages: 281 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117872097A (zh) * | 2024-03-08 | 2024-04-12 | 中科鉴芯(北京)科技有限责任公司 | 基于强化学习的数字电路自动测试向量生成方法和装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110633855B (zh) | 一种桥梁健康状态检测与管养决策系统及方法 | |
CN112365066B (zh) | 电梯故障预测方法、系统、装置、计算机设备和存储介质 | |
CN112052979B (zh) | 基于故障预测与健康管理的设备备件需求预测系统 | |
KR20180108446A (ko) | Ict 인프라 관리 시스템 및 이를 이용한 ict 인프라 관리 방법 | |
KR102432284B1 (ko) | It관리대상의 이벤트 알람이나 장애 문제를 실시간 자동으로 조치하는 시스템 및 그 운용방법 | |
Pattison et al. | Intelligent integrated maintenance for wind power generation | |
CN114267178B (zh) | 一种车站的智能运营维护方法及装置 | |
CN110865924B (zh) | 电力信息系统内部服务器健康度诊断方法与健康诊断框架 | |
CN113708493A (zh) | 基于云边协同的配电终端运维方法、装置和计算机设备 | |
CN113516244B (zh) | 一种智能运维方法、装置、电子设备及存储介质 | |
CN115938124A (zh) | 一种城市轨道交通突发事件影响预测方法、系统及产品 | |
KR102656115B1 (ko) | 연료전지 시스템의 잔여 수명 예측 방법 및 이를 수행하는 디지털 트윈 장치 | |
CN117873036A (zh) | 一种高速公路隧道机电设备监测管理方法及系统 | |
CN117689373A (zh) | 一种柔性直流牵引供电系统能量路由器维护决策支持方法 | |
CN117074822A (zh) | 充电桩故障诊断方法、计算机设备及存储介质 | |
KR20220089853A (ko) | 머신러닝 기술을 활용한 신재생에너지 발전설비의 고장예지 및 건전성관리 방법 | |
KR102204199B1 (ko) | 자율주행 대중버스에 대한 차량 고장 진단 및 예측 방법 | |
CN117310500A (zh) | 电池状态分类模型构建方法及电池状态分类方法 | |
CN116702597A (zh) | 一种机械设备运行寿命预测与健康管理方法、系统及介质 | |
CN117592975A (zh) | 基于云计算的高速公路机电设备运维决策处理方法及系统 | |
WO2013034448A1 (en) | Method and system for optimizing and streamlining troubleshooting | |
CN116187932A (zh) | 一种信息系统工程监理项目风险自适应评估方法 | |
Trstenjak et al. | A Decision Support System for the Prediction of Wastewater Pumping Station Failures Based on CBR Continuous Learning Model. | |
Heikkilä et al. | Reliability-centered Development of a Wave Energy Converter: Interfaces between Reliability Modeling, FMECA and LCC | |
EP4325314A2 (en) | Systems and methods for estimating future risk of failure of a wind turbine component using machine learning |
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 |