【技术实现步骤摘要】
一种基于多元异构数据的管廊设备故障预测方法及系统
本专利技术涉及管廊监视管理
，尤其涉及一种基于多元异构数据的管廊设备故障预测方法及系统。
技术介绍
城市综合管廊(以下简称管廊)为地下集约化隧道，集电力、通信、燃气、给水、中水、污水等专业管线于一体。现有方案在管廊设备上配置多个传感器，通过第一目标传感器对设备状态进行检测，获取第一目标传感器输出的第一检测数据；根据预设条件判断第一检测数据是否为无效数据；如果第一检测数据为无效数据，再根据预定义的分级指标对若干备用传感器进行排序，确定第二目标传感器；然后通过第二目标传感器对管廊设备状态进行检测，获取第二目标传感器输出的第二检测数据；最后根据第二检测数据确定故障诊断结果。当前对于管廊设备的管理仅依赖于员工巡检传感器发现故障、报修等一系列人工操作，针对简单的项目级、公司级管廊的运维尚可正常运转，但在城市级综合管廊监管体系下则有很大弊端，仅靠传感器检测只能排除已发生故障，且效率低下。
技术实现思路
为了解决
技术介绍
中存在的技术问题，本专利技术提出了一...
【技术保护点】
1.一种基于多元异构数据的管廊设备故障预测系统，其特征在于，包括：/nSVM文本分类模块(10)，用于获取巡检文本数据，根据巡检文本数据识别出故障信息；/n逻辑回归影响因素分析模块(20)，与SVM文本分类模块(10)连接，用于接收SVM文本分类模块(10)输出的故障信息，并获取故障设备所在区域管廊内环境数据，提取设备故障影响因素；/n深度学习预测模块(30)，与逻辑回归影响因素分析模块(20)连接，接收设备故障影响因素信息，并获取故障设备所在区域管廊内环境数据和设备运行历史数据，综合设备运行历史数据、管廊内环境数据以及设备故障影响因素，通过自编码器以及深度神经网络训练数据...
【技术特征摘要】
1.一种基于多元异构数据的管廊设备故障预测系统，其特征在于，包括：
SVM文本分类模块(10)，用于获取巡检文本数据，根据巡检文本数据识别出故障信息；
逻辑回归影响因素分析模块(20)，与SVM文本分类模块(10)连接，用于接收SVM文本分类模块(10)输出的故障信息，并获取故障设备所在区域管廊内环境数据，提取设备故障影响因素；
深度学习预测模块(30)，与逻辑回归影响因素分析模块(20)连接，接收设备故障影响因素信息，并获取故障设备所在区域管廊内环境数据和设备运行历史数据，综合设备运行历史数据、管廊内环境数据以及设备故障影响因素，通过自编码器以及深度神经网络训练数据，得出设备故障预测预警情况。
2.根据权利要求1所述的基于多元异构数据的管廊设备故障预测系统，其特征在于，SVM文本分类模块(10)具体包括：
文本预处理子模块(11)，用于对训练文本进行文本预处理；
特征提取与向量表示子模块(13)，与文本预处理子模块(11)连接，用于对预处理后的文本进行文本向量表示，并进行归一化；
分类器构建子模块(13)，与特征提取与向量表示子模块(12)连接，用于对文本向量进行训练，构建分类器。
3.根据权利要求1所述的基于多元异构数据的管廊设备故障预测系统，其特征在于，逻辑回归影响因素分析模块(20)提取设备故障影响因素，具体包括：
1.初始化W，b：W随机初始化为接近0的数，b则初始化为0；
2.计算预测的输出结果逻辑回归的函数形式为；
z＝wTX+b(w，b∈R)
3.计算损失函数J(w，b)
假设训练样本共有m个，则上标i表示第i个样本，对于训练样本(x1，y1)，...，(xm，ym)，希望预测的输出结果尽可能的接近真实的结果，即
逻辑回归的损失函数为：
定义代价函数为m个训练样本损失函数的平均值
以上平均值衡量了预测结果与真实结果之间的平均错误代价，优化的目标是最小化代价函数J(w，b)；
4.计算梯度
梯度下降中，w,b的更新方式为：
α为学习率learning-rate表示移动步长；
5.根据梯度下降法更新w和b；
6.重复2-5步骤，直到导数得到最小化的代价函数J(w，b)；
7.确定权重W为环境变量对设备各自的影响因素权重。
4.根据权利要求1所述的基于多元异构数据的管廊设备故障预测系统，其特征在于，深度学习预测模块(30)通过自编码器以及...
【专利技术属性】
技术研发人员：欧阳康淼，曾国华，宫大庆，薛刚，张妍，史金栋，台启民，薛斐，张真继，马健，李清华，
申请(专利权)人：北京市基础设施投资有限公司原北京地铁集团有限责任公司，
类型：发明
国别省市：北京;11
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。