面向动车组重要部件的设备画像与个性化运维服务方法技术

本发明专利技术提出一种面向动车组重要部件的设备画像与个性化运维服务方法，首先针对动车组的各个重要部件进行FMEA分析，获取每一个子系统可能发生的故障类别，对故障案例样本抽取故障现象关键词及其权重后，形成特征案例库；其次，构建动车组运维故障的标签库，针对每一个动车组个体建立设备画像模型并进行周期性更新，精确刻画动车组故障规律；最后，基于最近邻搜索算法实现最佳相似案例推荐，最终实现动车组个性化和差异化运维，以降低运维成本，提高运维效率。

【技术实现步骤摘要】
面向动车组重要部件的设备画像与个性化运维服务方法
本专利技术涉及重要部件监控与运维方法
，具体为一种面向动车组重要部件的设备画像与个性化运维服务方法。
技术介绍
动车组是高速铁路运输的主要技术装备，承担着运输旅客和货物的重大任务，其高效运维直接影响高速铁路运输的安全与效益。动车组零部件众多、结构复杂、集成度高、运维数据庞大，包含有牵引、制动、控制、网络等多个子系统，涵盖了牵引电机、车轮、转向架等多个重要部件。现有的维修策略主要以计划预防修为主，体现为5级检修制度，包括一级例行检修、二级重点检查、三级重要部件分解检修、四级系统全面分解检修、五级整车全面分解检修，为不同车型设置对应固定的维修周期结构，存在缺乏维修或者过度维修导致的大量人力财力投入问题。随着检修诊断设备、物联网、信息物理系统等新一代信息与通信技术的迅猛发展，动车组检修制度融入了更灵活可变的状态修，充分考虑列车各部件的工作方式与故障模式，对一些已掌握寿命规律的重要零部件进行严格的寿命管理，但维修周期结构不应单一取决于运行里程或车型，还应考虑每一列车在运维过程中的差异化故障本文档来自技高网...

【技术保护点】
1.一种面向动车组重要部件的设备画像与个性化运维服务方法，其特征在于：包括以下步骤：/n步骤1：通过整合动车组关键部件的设计、制造和运维场景信息，建立动车组关键部件的标签库，包括动车组关键部件的评价标签、属性标签和行为标签；/n步骤2：从动车组运维管理相关的系统中收集动车组历史故障信息，并基于面向对象技术与数据库技术相结合的案例表示方法，构建特征案例库：/n步骤2.1：从动车组列控系统、调度系统、联锁系统及外部系统收集动车组历史故障信息，并对动车组进行FMEA分析，确定每一个子系统可能发生的故障类别，并对每一故障类别的故障现象、故障发生的原因、故障影响以及故障发生频率进行分析，总结出典型的故障...

【技术特征摘要】
1.一种面向动车组重要部件的设备画像与个性化运维服务方法，其特征在于：包括以下步骤：
步骤1：通过整合动车组关键部件的设计、制造和运维场景信息，建立动车组关键部件的标签库，包括动车组关键部件的评价标签、属性标签和行为标签；
步骤2：从动车组运维管理相关的系统中收集动车组历史故障信息，并基于面向对象技术与数据库技术相结合的案例表示方法，构建特征案例库：
步骤2.1：从动车组列控系统、调度系统、联锁系统及外部系统收集动车组历史故障信息，并对动车组进行FMEA分析，确定每一个子系统可能发生的故障类别，并对每一故障类别的故障现象、故障发生的原因、故障影响以及故障发生频率进行分析，总结出典型的故障模式，并筛选出具有代表性的故障案例；
步骤2.2：对收集到的故障案例文本进行文本处理，抽取故障现象关键词，并将动车组故障案例用一个四元组来定义：
C＝(D,(S,E),R)
其中，D＝{d1,d2,…,dn}表示对动车组故障案例的描述，包括车次、故障编号、故障发生地点、故障类别；(S,E)表示故障案例的特征集，S是故障案例的故障现象特征集，表现形式为S＝{(attr1:η1),(attr2:η2),…,(attrn:ηn)}，包括故障案例特的故障现象关键词attri与对应权重ηi，E是故障案例的属性标签与行为标签信息，包括故障位置、运行环境、运行参数，表现形式是
E＝{(name1:W1),(name2:W2),…,(namem:Wm)}；
R是动车组故障结论信息，包括维修方案、结果评价；
步骤3：构建每一动车组个体的设备画像模型，具体包括以下步骤：
步骤3.1：构建每一动车组个体的设备画像模型Mu为如下形式：
Mu＝{(F1,E1):ω1,(F2,E2):ω2,…,(Fn,En):ωn}
在设备画像模型Mu中，(Fi,Ei)表示某一动车组的某一重要部件的一个故障类别特征向量，每一个故障类别特征向量都关联一个权重ωi，该权重ωi是指该部件发生第i个故障类别的次数占设定的固定历史时间窗口中发生所有故障类别数量的比重，只有权重大于设定阈值ωthreshold的故障类别特征向量才能出现在设备画像模型Mu中；
在故障类别特征向量(Fi,Ei)中，Fi为故障现象兴趣模型，表现形式是Fi＝{(attr1:η1),(attr2:η2),…,(attrp:ηp)}，其中，attrj表示一个故障现象关键词，ηj是相应的权重，表示该故障特征的重要程度；Ei是设备部件的属性与行为特征模型，表现形式是Ei＝{(name1:W1),(name2:W2),…,(nameq:Wq)}，namek是属性标签或行为标签，Wk是标签内容；
步骤3.2：周期性更新设备画像模型Mu：
设备画像模型的更新是一个周期性的更新过程，根据设备具体的运维情况设置更新周期，统计分析一个周期内的故障反馈信息来更新设备画像模型Mu中的故障类别特征向量(Fi,Ei),i＝1,…,n，包括根据最新的设备属性和行为信息更新设备画像模型Mu中的设备部件的属性与行为特征模型Ei,i＝1,…,n，以及应用Rocchio反馈算法更新故障现象兴趣模型Fi,i＝1,…,n；
步骤4：为设备画像模型Mu中的每一个故障类别特征向量推荐最佳相似案例，以形成该设备每一故障类别的个性化运维方案；具体包括以下步骤：
步骤4.1：遍历设备画像模型Mu中每一个故障类别(Fi,Ei),i＝1,…,n，找出特征案例库中第i个故障类别下的故障案例集合，计算故障类别特征向量(Fi,Ei),i＝1,…,n与该故障案例集合中的历史故障案例的相似度，并将相似度最高的历史故障案例及其解决方案进行推送；
步骤4.2：判断设备画像模型Mu中每个故障类别(Fi,Ei),i＝1,…,n被推送的历史故障案例及其解决方案是否适用，若适用，则直接应用其解决方法解决当前问题；若不完全适用，则对最佳相似案例的维修方案进行修正并保存到特征案例库之后，形成该设备故障类别特征向量的个性化维修方案。


2.根据权利要求1所述一种面向动车组重要部件的设备画像与个性化运维服务方法，其特征在于：步骤1中所述标签是一个同时包含设备特定属性和值的二元组，其形式化描述为：Tag＝<Name:W>，其中Name表示属性名称，W表示权值，权值类型和取值范围由属性决定，包括数值型、区间数据型、文本型。


3.根据权利要求2所述一种面向动车组重要部件的设备画像与个性化运维服务方法，其特征在于：步骤1中所述标签的构建方法包括：从数据库直接获取，用于描述资产的基本信息；通过逻辑计算获得，用于描述部件的运行信息；通过文本挖掘获得：对于设备部件整个生命周期的文本信息，采用文本特征化方法，提取故障现象关键词信息。


4.根据权利要求1所述一种面向动车组重要部件的设备画像与个性化运维服务方法，其特征在于：步骤2.2中，对收集到的故障案例文本进行文本处理，抽取故障现象关键词的具体过程为：
步骤2.2.1：构建动车组专业词汇词典，对故障文本进行分词处理；
步骤2.2.2：构建停用词词典，去掉停用词；
步骤2.2.3：采用卡方检验判断词语与故障之间的相关性，筛选与动车组故障相关性高的词语作为故障现象关键词；具体包括以下步骤：
(1)假设共有N个故障样本，以是否包含特征词T和是否属于故障...

【专利技术属性】
技术研发人员：张映锋，史丽春，任杉，林琦，王刚，
申请(专利权)人：西北工业大学，
类型：发明
国别省市：陕西;61