【技术实现步骤摘要】
本专利技术属于数据分析，尤其涉及一种机电设备健康监测数据分析方法及系统。
技术介绍
1、随着铁路运输系统的快速发展和人们生活水平的不断提高，无论是工作人员还是旅客，对交通、出行、工作、休息等环境的安全性和舒适性要求越来越高。为了提高铁路企业的安全生产水平，以及现代化管理水平，实现节能降耗的目标，铁路站房等重要建筑物的各类机电设备的运行状态监测也显得尤为重要。
2、站房机电设备监控系统将ba系统、智能照明系统、能源管理系统、电源系统、网络通信系统等子系统关键设备，各子系统的运行数据汇总于监控系统进行显示，方便管理人员了解系统的运行状态。
3、然而，这种方案虽然能够对各子系统的数据进行汇总，但缺少对各子系统数据的深度分析处理，无法结合各子系统运行状态数据对铁路系统站房的各机电设备的健康监测预警。
技术实现思路
1、本专利技术实施例的目的在于提供一种机电设备健康监测数据分析方法及系统，旨在解决上述
技术介绍
中所提出的技术问题。
2、为实现上述目的，本专利技术提供了如下的技术方案。
3、在本专利技术的一个实施例中，提供了一种机电设备健康监测数据分析方法，该数据分析方法包括以下步骤：
4、利用样本均衡的数据库训练多个基于时序数据异常检测模型，多个基于时序数据异常检测模型根据其设备标识信息分别配置于对应的设备子系统中；
5、构建监测主系统与多个设备子系统之间的多个数据传输通道；
6、在机电设备维护周期内，响应于数
7、作为本专利技术方案的进一步限定，所述利用样本均衡的数据库训练多个基于时序数据异常检测模型的步骤，包括：
8、获取多个含设备标识信息的样本均衡的数据库；
9、利用样本均衡的数据库训练含设备标识信息的基于时序数据异常检测模型。
10、作为本专利技术进一步的方案，通过训练好的基于时序数据异常检测模型输出所述数据传输通道中向监测主系统发送的异常检测结果，基于时序数据异常检测模型包括数据处理模块和异常检测模块；
11、在数据处理模块中，对新获取的设备时间序列数据进行预处理，经分解得到频率分量和对应的通道数、序列数和检测时间窗口长度，形成待检时间序列；
12、在所述异常检测模块中，构造一用于表示待检时间序列与正常序列模型差异的异常评分函数，利用异常评分函数计算异常分数；使用局部自适应阈值的方式找出异常序列，其中，对于每个滑动窗口的异常阈值，定义为与所述滑动窗口内异常分数的平均值相差4个标准差；将异常分数大于异常阈值的序列识别为异常，得到连续的异常序列。
13、作为本专利技术进一步的方案，对于连续异常序列中的每个异常序列，先获得该异常序列的最大异常分数，然后按照降序排序，计算下降百分比，当第一个下降百分比不超过下降阈值时，将连续异常序列中剩余的序列剔除。
14、作为本专利技术进一步的方案，所述构造一用于表示待检时间序列与正常序列模型差异的异常评分函数的步骤，包括：
15、对于每个时间点t，在待检序列和异常检测模型的正常序列预期值之间计算残差；
16、异常评分函数表示为：。
17、作为本专利技术进一步的方案，在所述使用局部自适应阈值的方式找出异常序列的步骤中，定义一个滑动窗口w，对于每个滑动窗口位置w，计算窗口内所有时间点的异常分数平均值：；
18、计算窗口内的标准差：；
19、对于每个滑动窗口，异常阈值为平均异常分数加上4倍的标准差，异常阈值表示为：。
20、作为本专利技术进一步的方案，所述将异常分数大于异常阈值的序列识别为异常，得到连续的异常序列的步骤，包括：
21、对于每个时间点t，如果异常分数大于对应滑动窗口的异常阈值，则认为该时间点的序列为异常；
22、将多个被识别为异常的时间点所对应序列进行排序，形成连续的异常序列。
23、作为本专利技术进一步的方案，所述预测模型的输入为异常检测结果的异常序列；所述预测模型的输出为未来时间段所对应的机电设备的状态预测序列；
24、所述预测模型的结构包括输入层、卷积层、池化层、lstm层、全连接层和输出层；
25、所述卷积层，包括3层一维卷积层，用于处理时间序列数据，捕捉数据得到局部特征，每层卷积层后面接有一个用于引入非线性的relu激活函数；每层卷积后，输入序列的局部特征转换成32个不同的特征表示；
26、所述池化层，池化层进行一维最大池化操作，池化窗口大小为2，在序列时间轴上，每两个连续的时间点，取其最大值作为输出；
27、所述lstm层，包含64个lstm单元；
28、所述全连接层，设置在lstm层之后，用于将lstm层学习到的特征映射到最终的输出层。
29、在本专利技术的另一个实施例中，提供了一种机电设备健康监测数据分析系统，该数据分析系统包括以下步骤：
30、异常检测模块，用于利用样本均衡的数据库训练多个基于时序数据异常检测模型，多个基于时序数据异常检测模型根据其设备标识信息分别配置于对应的设备子系统中；
31、数据传输模块，用于构建监测主系统与多个设备子系统之间的多个数据传输通道；
32、分析预警模块，用于在机电设备维护周期内，响应于数据传输通道中向监测主系统发送的异常检测结果，将异常检测结果对应的异常数据作为预测模型的输入，将预测模型的输出随异常检测结果一并在监测主系统进行预警输出。
33、与现有技术相比，本专利技术机电设备健康监测数据分析方法及系统的有益效果是：
34、第一，本专利技术利用样本均衡的数据库训练多个基于时序数据异常检测模型，多个基于时序数据异常检测模型根据其设备标识信息分别配置于对应的设备子系统中，在各设备子系统中进行独立的异常数据检测，避免了过多数据通过数据传输通道给数据传输通道带来的压力；
35、第二，本专利技术的基于时序数据异常检测模型，构造一用于表示待检时间序列与正常序列模型差异的异常评分函数，利用异常评分函数计算异常分数；使用局部自适应阈值的方式找出异常序列，提高了对异常数据检测的准确性；
36、第三，本专利技术将异常检测结果对应的异常数据作为预测模型的输入，将预测模型的输出随异常检测结果一并在监测主系统进行预警输出，不仅可以在监测系统中看到各设备子系统的异常数据，也可以直观的知晓异常数据所对应设备在未来一时间段内的状态预测结果，为机电设备的进一步处理提供数据支撑；其中，本专利技术提供的预测模型能捕捉到变电设备健康状态序列的复杂模式，并预测机电设备准确的未来健康趋势。
本文档来自技高网...【技术保护点】
1.一种机电设备健康监测数据分析方法，其特征在于，该数据分析方法包括以下步骤：
2.根据权利要求1所述的机电设备健康监测数据分析方法，其特征在于，所述利用样本均衡的数据库训练多个基于时序数据异常检测模型的步骤，包括：
3.根据权利要求2所述的机电设备健康监测数据分析方法，其特征在于，通过训练好的基于时序数据异常检测模型输出所述数据传输通道中向监测主系统发送的异常检测结果，基于时序数据异常检测模型包括数据处理模块和异常检测模块；
4.根据权利要求3所述的机电设备健康监测数据分析方法，其特征在于，对于连续异常序列中的每个异常序列，先获得该异常序列的最大异常分数，然后按照降序排序，计算下降百分比，当第一个下降百分比不超过下降阈值时，将连续异常序列中剩余的序列剔除。
5.根据权利要求4所述的机电设备健康监测数据分析方法，其特征在于，所述构造一用于表示待检时间序列与正常序列模型差异的异常评分函数的步骤，包括：
6.根据权利要求5所述的机电设备健康监测数据分析方法，其特征在于，在所述使用局部自适应阈值的方式找出异常序列的步骤中，定义
7.根据权利要求6所述的机电设备健康监测数据分析方法，其特征在于，将异常分数大于异常阈值的序列识别为异常，得到连续的异常序列的步骤，包括：
8.根据权利要求7所述的机电设备健康监测数据分析方法，其特征在于，预测模型的输入为异常检测结果的异常序列；所述预测模型的输出为未来时间段所对应的机电设备的状态预测序列；
9.一种用于实现如权利要求1至8任一项所述机电设备健康监测数据分析方法的数据分析系统，其特征在于，数据分析系统包括以下步骤：
...【技术特征摘要】
1.一种机电设备健康监测数据分析方法，其特征在于，该数据分析方法包括以下步骤：
2.根据权利要求1所述的机电设备健康监测数据分析方法，其特征在于，所述利用样本均衡的数据库训练多个基于时序数据异常检测模型的步骤，包括：
3.根据权利要求2所述的机电设备健康监测数据分析方法，其特征在于，通过训练好的基于时序数据异常检测模型输出所述数据传输通道中向监测主系统发送的异常检测结果，基于时序数据异常检测模型包括数据处理模块和异常检测模块；
4.根据权利要求3所述的机电设备健康监测数据分析方法，其特征在于，对于连续异常序列中的每个异常序列，先获得该异常序列的最大异常分数，然后按照降序排序，计算下降百分比，当第一个下降百分比不超过下降阈值时，将连续异常序列中剩余的序列剔除。
5.根据权利要求4所述的机电设备健康监测数据分析方法，其特...
【专利技术属性】
技术研发人员：谭学彪，汪诗超，杜喜军，王宽，江期洪，田菲，吴少儒，刘雪彪，胡春雨，贾志强，郭鑫焱，黄庆寿，
申请(专利权)人：中铁建设集团机电安装有限公司，
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。