System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及信息与通信,尤其涉及一种铁路设备故障预测方法、系统以及电子设备。
技术介绍
1、铁路设备是高速铁路列控系统的重要基础设施,是保证列车运行安全和运营效率的核心要素。随着我国高速铁路和运输体量的迅速增长,迫切需要提高高速路运输效率和运营安全,铁路设备故障的快速排除、定位、诊断和预测手段的优化是其决定性因素。然而,列车实际运行过程中,高速铁路设备快速、实时和连续地产生海量的流数据,数据量庞大、高维性、多源异构且故障模式分布不均衡等特点为数据的记录、整合和高效提取带来巨大挑战,难以快速实时地根据数据对故障进行准确预测。鉴于以上原因,实现准确高效的铁路设备故障识别预测具有极其重要的意义。
2、初期铁路设备故障预测模型主要是基于传统的静态存储数据如设备日志等对故障进行分析和挖掘,但是流式数据难以实现全部有效存储,静态存储数据后再进行遍历的传统方法明显不再有效。
3、因此,亟需提出一种新的铁路设备故障预测方法来根据铁路设备流数据进行故障预测,提高铁路设备故障识别预测效率和准确率。
技术实现思路
1、针对以上问题,本专利技术提供一种铁路设备故障预测方法、系统以及电子设备,实现对铁路设备故障的实时预测分析,提高铁路设备故障识别预测效率和准确率。
2、本专利技术提供的铁路设备故障预测方法,包括:
3、根据预设采集规则采集当前时刻对应的铁路设备故障数据,获得当前铁路设备故障数据集合;其中,铁路设备故障数据包括列车运行数据、列车履历数据、环境基
4、对当前铁路设备故障数据集合中的数据进行预处理,获得预处理后的故障数据集合,并根据预处理后的故障数据集合,确定待预测数据;
5、将待预测数据输入至训练好的故障预测模型中进行故障预测,以获得铁路设备故障预测结果;其中,训练好的故障预测模型通过预设模型训练策略获得。
6、进一步地,预设模型训练策略包括:
7、根据预设采集规则采集各预设历史时刻对应的铁路设备故障数据,获得多个历史铁路设备故障数据集合;
8、分别对每个历史铁路设备故障数据集合中的数据进行预处理,获得预处理后的历史故障数据集合;
9、分别对每个预处理后的历史故障数据集合进行数据标注,确定每个预处理后的历史故障数据集合的状态标签;其中,状态标签的状态类型包括正常状态和故障状态;
10、根据每个预处理后的历史故障数据集合及其状态标签,构建训练数据集;
11、根据训练数据集对预设深度学习网络模型进行训练,获得训练好的故障预测模型。
12、进一步地,根据每个预处理后的历史故障数据集合及其状态标签,构建训练数据集,包括:
13、将每个预处理后的历史故障数据集合及其状态标签作为一条训练数据,以构建训练数据集。
14、进一步地,根据预处理后的故障数据集合,确定待预测数据,包括:
15、将预处理后的故障数据集合确定为待预测数据。
16、进一步地,根据每个预处理后的历史故障数据集合及其状态标签,构建训练数据集,包括:
17、基于关联规则分析手段,分别对每个预处理后的历史故障数据集合进行特征提取,获得每个预处理后的历史故障数据集合对应的历史特征向量;
18、将每个预处理后的历史故障数据集合对应的历史特征向量及其状态标签作为一条训练数据,以构建训练数据集。
19、进一步地,根据预处理后的故障数据集合,确定待预测数据,包括:
20、基于关联规则分析手段,对预处理后的故障数据集合进行特征提取,获得当前特征向量;
21、将当前特征向量确定为待预测数据。
22、进一步地,预设深度学习网络模型包括:
23、深度置信网络模型、卷积神经网络模型、深度自动编码器模型或者循环神经网络模型。
24、本专利技术还提供一种铁路设备故障预测系统,系统包括:
25、数据采集模块,用于根据预设采集规则采集当前时刻对应的铁路设备故障数据,获得当前铁路设备故障数据集合;其中,铁路设备故障数据包括列车运行数据、列车履历数据、环境基础数据以及检修信息数据;
26、待预测数据确定模块,用于对当前铁路设备故障数据集合中的数据进行预处理,获得预处理后的故障数据集合,并根据预处理后的故障数据集合,确定待预测数据;
27、预测模块,用于将待预测数据输入至训练好的故障预测模型中进行故障预测,以获得铁路设备故障预测结果;其中,训练好的故障预测模型通过预设模型训练策略获得。
28、本专利技术还提供一种计算机可读存储介质,计算机可读存储介质存储的计算机程序,当被一个或多个处理器执行时,实现上述方法的步骤。
29、本专利技术还提供一种电子设备,包括存储器和一个或多个处理器,存储器上存储有计算机程序,当计算机程序被一个或多个处理器执行时,执行上述方法的步骤。
30、本专利技术提供的铁路设备故障预测方法、系统以及电子设备,通过实时采集当前时刻对应的铁路设备故障数据,并对利用预先训练得到的故障预测模型进行实时故障分析预测,大大提高了铁路设备故障识别预测效率和准确率。
本文档来自技高网...【技术保护点】
1.一种铁路设备故障预测方法,其特征在于,所述方法包括:
2.根据权利要求1所述的铁路设备故障预测方法,其特征在于,所述预设模型训练策略包括:
3.根据权利要求2所述的铁路设备故障预测方法,其特征在于,所述根据每个预处理后的历史故障数据集合及其状态标签,构建训练数据集,包括:
4.根据权利要求3所述的铁路设备故障预测方法,其特征在于,所述根据所述预处理后的故障数据集合,确定待预测数据,包括:
5.根据权利要求2所述的铁路设备故障预测方法,其特征在于,所述根据每个预处理后的历史故障数据集合及其状态标签,构建训练数据集,包括:
6.根据权利要求5所述的铁路设备故障预测方法,其特征在于,所述根据所述预处理后的故障数据集合,确定待预测数据,包括:
7.根据权利要求2所述的铁路设备故障预测方法,其特征在于,所述预设深度学习网络模型包括:
8.一种铁路设备故障预测系统,其特征在于,所述系统包括:
9.一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存储的计算机程序,当被一个或多个处理器执
10.一种电子设备,其特征在于,包括存储器和一个或多个处理器,所述存储器上存储有计算机程序,当所述计算机程序被所述一个或多个处理器执行时,执行如权利要求1至7中任一项所述方法的步骤。
...【技术特征摘要】
1.一种铁路设备故障预测方法,其特征在于,所述方法包括:
2.根据权利要求1所述的铁路设备故障预测方法,其特征在于,所述预设模型训练策略包括:
3.根据权利要求2所述的铁路设备故障预测方法,其特征在于,所述根据每个预处理后的历史故障数据集合及其状态标签,构建训练数据集,包括:
4.根据权利要求3所述的铁路设备故障预测方法,其特征在于,所述根据所述预处理后的故障数据集合,确定待预测数据,包括:
5.根据权利要求2所述的铁路设备故障预测方法,其特征在于,所述根据每个预处理后的历史故障数据集合及其状态标签,构建训练数据集,包括:
6.根据权利要求5所述的铁路设...
【专利技术属性】
技术研发人员:封博卿,唐永康,臧丽君,徐晓磊,李聪旭,刘文斌,王虎,王瑶瑶,王雪影,李宗洋,李雅兵,
申请(专利权)人:国能朔黄铁路发展有限责任公司,
类型:发明
国别省市:
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。