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】
本申请涉及设备故障检测,具体涉及一种民航物流领域rfid识别设备的运维方法及系统。
技术介绍
1、rfid(radio frequency identification,射频识别技术)是一种先进的通信技术,通过无线电讯号实现对特定目标的识别和数据读写,无需识别系统与特定目标之间建立机械或光学接触。在民航物流领域,特别是在机场行李全流程跟踪管理中,rfid技术展现出显著的优势。已有一些基于rfid技术的行李识别设备被研发并应用于实际场景中,如rfid可视化辅助分拣系统、通道式和简易式rfid行李识别设备,以及行李上下机识别设备等。这些设备的使用,使得行李在值机、安检、分拣、中转、装机、卸机、装车、卸车、提取等各个环节的rfid标签数据和行李照片信息得以高效采集,显著提高了识别准确率,有效减少了行李丢失和损坏的情况,降低了旅客投诉,提升了服务质量。
2、值得注意的是,此类rfid行李识别设备已在多个机场得到部署,并且有计划进一步扩大其应用范围。然而,当前的运维方式主要依赖于传统的人工驻场维护,这不仅消耗大量人力资源,增加了成本,而且对于设备故障的响应存在滞后性。鉴于此,如何在确保设备7*24小时不间断运行的前提下,实现智能运维,提升运维效率,成为亟待解决的关键问题。传统的基于可靠性的预测性维护方法已经无法满足现代用户的需求。
3、因此,研究和开发一种智能预测性维护方法显得尤为重要,实现面向设备运维网络的故障预测和寿命预计。
技术实现思路
1、有鉴于此,为了解决现
2、本申请通过以下技术手段解决上述问题:
3、本申请第一方面提供一种民航物流领域rfid识别设备的运维方法,包括如下步骤:
4、步骤s100、获取射频识别rfid行李识别设备的状态数据,对所述状态数据进行预处理,生成rfid行李识别设备训练数据;
5、步骤s200、构建卷积神经网络模型,根据所述rfid行李识别设备训练数据训练所述卷积神经网络模型,学习故障特征,直至模型收敛;
6、步骤s300、将训练好的卷积神经网络模型作为特征提取器,提取多个层次的神经网络特征,分别输入到多个随机森林分类器中进行训练;
7、步骤s400、通过胜者全取策略,将所述多个随机森林分类器的分类结果整合起来,实现集成学习;
8、步骤s500、获取rfid行李识别设备的实时状态数据,输入到所述卷积神经网络模型,实现对rfid行李识别设备的故障检测和寿命预测。
9、作为优选的,所述状态数据包含:
10、设备运行参数数据,包括设备的天线状态、工作频率、灵敏度;
11、设备环境监测数据,包括设备核心位置的温度、湿度、电压、电流;
12、设备基础信息,包括设备安装位置、设备型号、设备规格参数、设备设置参数;
13、设备的历史故障信息,包括故障时间、故障描述、故障处理办法、故障修复时长;
14、设备的历史维护信息,包括维护时间、维护内容、零部件更换记录;
15、维护人员基本信息,包括姓名、性别、基本技能、过去经验;
16、维护需求和计划,包括设备的维护需求、维护计划信息;
17、备附件库存情况,包括设备的备附件名称、数量、参数信息。
18、作为优选的,对所述状态数据进行预处理,包含:
19、根据预设的数据清洗规则、数据变换规则、数据选择规则对状态数据进行预处理;
20、所述设备环境监测数据以每小时为数据采用间隔进行降采样,通过时间窗口的方式进行数据清洗和整合,降低数据量;
21、所述设备运行参数数据,通过获取相位差时的数据,过滤中间的过程数据,减少数据量并保留关键信息;
22、设备基础信息、设备的历史故障信息、设备的历史维护信息、维护人员基本信息、维护需求和计划、备附件库存情况选择全部有效数据仅用于后续特征提取。
23、作为优选的,所述根据所述rfid行李识别设备训练数据训练所述卷积神经网络模型,包含:
24、根据rfid行李识别设备训练数据的构成,确定动态数据源和静态数据源;动态数据源包括带有时间戳的设备运行参数数据和设备环境监测数据;静态数据源包括设备基础信息、设备的历史故障信息、设备的历史维护信息、维护人员基本信息、维护需求和计划以及备附件库存情况;
25、根据预设的时间窗口或滞后阶数,对动态数据源中的数据进行处理,构造出反映设备状态变化趋势的滞后特征;
26、根据静态数据源中的各项信息,构建反映设备固有属性、历史状况、维护资源以及运营环境的静态特征。
27、作为优选的,所述构建卷积神经网络模型,根据所述rfid行李识别设备训练数据训练所述卷积神经网络模型,包含:
28、所述卷积神经网络模型预设多个卷积层以适应不同的故障检测场景,每个卷积层执行卷积操作,分别提取rfid行李识别设备的局部故障特征,生成反映局部故障特征的特征图;
29、池化层对特征图进行下采样,降低特征的维度,减少特征图的空间尺寸,同时保留重要的信息;
30、全连接层将前面多个卷积层提取的特征和池化层池化的特征进行整合。
31、作为优选的,所述将训练好的卷积神经网络模型作为特征提取器,提取多个层次的神经网络特征,分别输入到多个随机森林分类器中进行训练,包含以下步骤:
32、根据rfid行李识别设备的类型与预设规则,确定拥有局部细节特征的多个卷积层,与拥有全局特征的全连接层;
33、将从多个卷积层以及全连接层中提取的特征,分别输入随机森林分类器进行训练,每个随机森林分类器专注于处理一个层次的特征;
34、在训练过程中,每个随机森林分类器独立地学习和优化其对应的特征子集,从而形成多个基础分类器。
35、作为优选的,所述获取rfid行李识别设备的实时状态数据,输入到所述卷积神经网络模型,实现对rfid行李识别设备的故障检测和寿命预测,包括:
36、对于每种类型的rfid行李识别设备,根据其工作原理和基本功能,每种类型构建一个卷积神经网络模型,实时获取rfid行李识别设备的状态数据,输入到相应的卷积神经网络模型中,利用深度学习技术对设备的当前状态进行故障检测和预测;
37、对于同一台设备的历史数据,建立设备核心参数与设备衰退状态之间的关系模型,对设备的未来性能和剩余使用寿命进行预测,从而实现设备寿命预测。
38、本申请第二方面提供一种民航物流领域rfid识别设备的运维系统,包括:
39、处理模块、获取射频识别rfid行李识别设备的状态数据,对所述状态数据进行预处理,生成rfid行李识别设备训练数据;
40、提取模块、构建卷积神经网络模型,根据所述rfid行李识别设备本文档来自技高网...
【技术保护点】
1.一种民航物流领域RFID识别设备的运维方法,其特征在于,包括如下步骤:
2.根据权利要求1所述的民航物流领域RFID识别设备的运维方法,其特征在于,所述状态数据包含:
3.根据权利要求2所述的民航物流领域RFID识别设备的运维方法,其特征在于,对所述状态数据进行预处理,包含:
4.根据权利要求3所述的民航物流领域RFID识别设备的运维方法,其特征在于,所述根据所述RFID行李识别设备训练数据训练所述卷积神经网络模型,包含:
5.根据权利要求1-4任一项所述的民航物流领域RFID识别设备的运维方法,其特征在于,所述构建卷积神经网络模型,根据所述RFID行李识别设备训练数据训练所述卷积神经网络模型,包含:
6.根据权利要求5所述的民航物流领域RFID识别设备的运维方法,其特征在于,所述将训练好的卷积神经网络模型作为特征提取器,提取多个层次的神经网络特征,分别输入到多个随机森林分类器中进行训练,包含以下步骤:
7.根据权利要求6所述的民航物流领域RFID识别设备的运维方法,其特征在于,所述获取RFID行李识别设
8.一种民航物流领域RFID识别设备的运维系统,包括:
9.一种计算机设备,其特征在于,包括处理器和存储器,所述存储器用于存储可执行的指令,所述指令用于控制所述处理器执行根据权利要求1至7中任一项所述的方法。
10.一种计算机可读存储介质,其特征在于,其上存储有计算机程序,所述计算机程序在被处理器执行时实现如权利要求1至7中任一项所述的方法。
...【技术特征摘要】
1.一种民航物流领域rfid识别设备的运维方法,其特征在于,包括如下步骤:
2.根据权利要求1所述的民航物流领域rfid识别设备的运维方法,其特征在于,所述状态数据包含:
3.根据权利要求2所述的民航物流领域rfid识别设备的运维方法,其特征在于,对所述状态数据进行预处理,包含:
4.根据权利要求3所述的民航物流领域rfid识别设备的运维方法,其特征在于,所述根据所述rfid行李识别设备训练数据训练所述卷积神经网络模型,包含:
5.根据权利要求1-4任一项所述的民航物流领域rfid识别设备的运维方法,其特征在于,所述构建卷积神经网络模型,根据所述rfid行李识别设备训练数据训练所述卷积神经网络模型,包含:
6.根据权利要求5所述的民航物流领域rfid识别设备的运维方法,...
【专利技术属性】
技术研发人员:李庆祝,吴超宇,李瑞红,李剑彬,朱志宇,蓝海盛,盖瀚夫,廖永行,严海城,熊柳潜,严明喜,尤昌丰,戴昕成,蔡锦,
申请(专利权)人:广州市弘宇科技有限公司,
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。