CN107330823A - 列控车载设备的故障案例管理方法 - Google Patents
列控车载设备的故障案例管理方法 Download PDFInfo
- Publication number
- CN107330823A CN107330823A CN201710413430.XA CN201710413430A CN107330823A CN 107330823 A CN107330823 A CN 107330823A CN 201710413430 A CN201710413430 A CN 201710413430A CN 107330823 A CN107330823 A CN 107330823A
- Authority
- CN
- China
- Prior art keywords
- fault case
- data
- fault
- failure
- train control
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000007726 management method Methods 0.000 title claims abstract description 9
- 238000012549 training Methods 0.000 claims abstract description 41
- 238000000034 method Methods 0.000 claims abstract description 25
- 238000012545 processing Methods 0.000 claims abstract description 19
- 238000004458 analytical method Methods 0.000 claims abstract description 8
- 230000003993 interaction Effects 0.000 claims abstract description 7
- 230000003068 static effect Effects 0.000 claims description 14
- 230000002159 abnormal effect Effects 0.000 claims description 8
- 230000006870 function Effects 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000004888 barrier function Effects 0.000 claims description 2
- 238000000151 deposition Methods 0.000 claims 1
- 238000012163 sequencing technique Methods 0.000 claims 1
- 230000008859 change Effects 0.000 abstract description 5
- 241000894007 species Species 0.000 description 7
- 238000010586 diagram Methods 0.000 description 4
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000011065 in-situ storage Methods 0.000 description 2
- 230000002452 interceptive effect Effects 0.000 description 2
- 241000208340 Araliaceae Species 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/20—Education
- G06Q50/205—Education administration or guidance
- G06Q50/2057—Career enhancement or continuing education service
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/279—Recognition of textual entities
- G06F40/289—Phrasal analysis, e.g. finite state techniques or chunking
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Educational Technology (AREA)
- Educational Administration (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Tourism & Hospitality (AREA)
- Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Artificial Intelligence (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Linguistics (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- Economics (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- General Business, Economics & Management (AREA)
- Train Traffic Observation, Control, And Security (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种列控车载设备的故障案例管理方法。该方法主要包括:利用收集的列控车载设备的故障案例,训练出故障案例的分类器,利用所述故障案例的分类器,对未分类的故障案例进行分类处理,对分类处理后的故障案例进行场景再现。本发明通过文本分类的方式将故障案例按照生产厂家和故障发生部位的不同进行了分类,学员在培训模块,获取每一类典型故障案例的故障概况、故障分析、处理措施、故障点评等相关信息,同时,针对某一具体故障案例,将故障发生时的状态变化进行了情景再现,学员通过人机交互界面,形象生动的获取故障发生前后DMI异常现象。
Description
技术领域
本发明涉及列控车载设备管理技术领域,尤其涉及一种列控车载设备的故障案例管理方法。
背景技术
高速铁路在运营的过程中,不可避免的会遇到各种各样故障,针对这些故障案例,务必采取铁路职工的培训教育,以提高应对故障时的分析和处理能力,保证列车能安全、高效、有序的运营。因而,故障案例的培训对于提高职工防范和解决问题的能力具有不可替代的重要作用。
由于列车在运行过程中发生的故障情况繁多,各个路局故障发生的部位不尽相同,故障案例的培训显得尤为复杂。目前,列控车载设备故障案例的培训主要是通过专业知识书本的学习、故障案例的记录文本、有经验人员的讲解以及自己的理解来获取故障案例的相关信息,从而达到故障案例培训的目的。
目前,现有的列控车载设备故障案例的培训是通过专业人员讲解以及书本知识来获取故障案例的具体信息。这种方法对于培训广大学员需要耗费巨大的人力物力。同时,由于列控车载设备本身的复杂性,故障案例的培训周期较长,难以将故障案例全面的、深入浅出的传授给学员,达到预期的效果;只通过图片和文字的说明,不能将故障发生时的场景重现给学员,导致培训效果不佳。
发明内容
本发明的实施例提供了一种列控车载设备的故障案例管理方法,以实现对故障发生时的状态变化进行情景再现。
为了实现上述目的,本发明采取了如下技术方案。
一种列控车载设备的故障案例管理方法,包括:
利用收集的列控车载设备的故障案例,训练出故障案例的分类器;
利用所述故障案例的分类器,对未分类的故障案例进行分类处理;
对分类处理后的故障案例进行场景再现。
进一步地,所述的利用收集的列控车载设备的故障案例,训练出故障案例的分类器,包括:
收集一定数量的列控车载设备的故障案例,所述故障案例的记录中包括故障发生时的故障概况、故障原因、处理措施和故障点评内容,根据列控车载设备的生产厂家、故障发生部位对所有故障案例进行分类处理;
提取出每个种类的故障案例中的典型故障案例,将所述典型的故障案例的文本作为文本分类的训练集,对训练集进行文本分词、特征抽取、计算特征向量权值,训练出故障案例的分类器。
进一步地,所述的对训练集进行文本分词、特征抽取、计算特征向量权值,训练出故障案例的分类器,包括:
故障案例文本经过文本分词后,分为地点词汇、数量词汇、列控词汇、停用词汇、动作词汇五种词汇;根据典型故障案例的类别,从分词中提取的特征包括默认报文、机车信号异常、无线连接超时、紧急停车、行车许可异常、文本提示异常;
采用了TF-IDF的权值计算方法计算特征向量的权值,TF-IDF中特征向量i的权值公式为:
其中Mi表示某个词在该篇文中出现的次数,Q表示文中出现的总词数,相同的词第二次出现则Q不会叠加,Q统计的总次数,不存在重复,D表示语料库文章总数,Si表示在D的样本中包含词i的文章篇数。
进一步地,所述的根据列控车载设备的生产厂家、故障发生部位对所有故障案例进行分类处理,包括:
根据列控车载设备生产厂家的不同将列控车载设备的故障案例分为5个种类:CTCS3-300T、CTCS3-300S、CTCS3-300H、CTCS3-200H和CTCS3-200C,根据故障发生部位的不同将列控车载设备的故障案例分为7个种类:ATP、TCR、TIU、GSM-R、SDU、DMI、BTM。
进一步地,所述的利用所述故障案例的分类器,对未分类的故障案例进行分类处理,包括:
对未分类的故障案例进行故障文本分词,使用训练集中的特征对未分类的故障案例计算特征向量权值,根据未分类的故障案例的特征向量权值通过训练集训练出的分类器对未分类的故障案例进行分类,将未分类的故障案例归属于相应的故障案例的类别中。
进一步地,所述的对分类处理后的故障案例进行场景再现,包括:
在场景再现***中将包含故障案例的列控车载设备运行数据与正确无故障时的列控车载设备运行数据在同一坐标轴中进行同步显示,在两方数据出现运行不一致时,实现对故障案例进行场景再现,具体处理过程包括:
步骤1、按照给定的特定数据模板填写列控车载设备正常运行过程中的相应数据和故障运行时的相应数据,所述相应数据包括静态工程数据和运行动态数据,所述静态工程数据为标准格式的数据,支持自动导入;
步骤2、将填写好的所述相应数据加载到场景再现***中,场景再现***读取所述相应数据中的静态工程数据,将所述静态工程数据按照公里标递增的方式进行排列,在坐标轴中以图形化的方式绘制出来;
步骤3、场景再现***读取列控车载设备正常运行过程中的运行动态数据,将该运行动态数据添加到图形化的静态工程数据上,在坐标轴中绘制列车运行曲线和关键事件;
步骤4、场景再现***读取列控车载设备故障运行时的相应数据,将该相应数据存入缓存中;
点击场景再现***的开始运行按钮,将列控车载设备故障运行时的相应数据按照时间先后顺序逐步以图形化方式显示出来,在运行过程中,按照一定的规则判断当前运行数据与正常运行数据是否一致,如果判断为数据一致,则继续运行;如果判断为数据不一致,则场景再现***暂停,并以文本和图形化方式提示不一致的内容,场景再现***暂停后,能够继续运行。
进一步地,所述的对分类处理后的故障案例进行场景再现,包括:
通过仿真的人机交互界面,将现场出现故障的前后一段时间内的图像进行模拟运行,在模拟运行过程中,通过点击实现暂停、继续运行、回退或者重新运行操作,具体处理过程包括:
将现场运行过程中得到的记录数据自动读入场景再现***中,并将所述记录数据转化成场景再现***所需的数据格式;
场景再现***解析所述记录数据,并利用所述故障案例的分类器将所述记录数据按照故障案例类别进行自动分类;在分类的同时,按照提前设定好的时间窗范围,将故障数据文件进行截取和存放,并按照故障案例类别自动命名该故障数据文件;
通过场景再现***的界面选择要回放的故障数据文件,将该故障数据文件执行运行、暂停、继续运行、回退以及重新运行功能。
由上述本发明的实施例提供的技术方案可以看出,本发明实施例对全国18个路局发生过的故障案例进行收集,通过文本分类的方式将故障案例按照生产厂家和故障发生部位的不同进行了分类,学员在培训模块,获取每一类典型故障案例的故障概况、故障分析、处理措施、故障点评等相关信息,同时,针对某一具体故障案例,将故障发生时的状态变化进行了情景再现,学员通过人机交互界面,形象生动的获取故障发生前后DMI异常现象。
本发明附加的方面和优点将在下面的描述中部分给出,这些将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种列控车载设备的故障案例管理方法的处理流程图;
图2为本发明实施例提供的一种对列控车载设备的故障案例进行分类的示意图。
具体实施方式
下面详细描述本发明的实施方式,所述实施方式的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施方式是示例性的,仅用于解释本发明,而不能解释为对本发明的限制。
本技术领域技术人员可以理解,除非特意声明,这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是,本发明的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件,但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。应该理解,当我们称元件被“连接”或“耦接”到另一元件时,它可以直接连接或耦接到其他元件,或者也可以存在中间元件。此外,这里使用的“连接”或“耦接”可以包括无线连接或耦接。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的任一单元和全部组合。
本技术领域技术人员可以理解,除非另外定义,这里使用的所有术语(包括技术术语和科学术语)具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是,诸如通用字典中定义的那些术语应该被理解为具有与现有技术的上下文中的意义一致的意义,并且除非像这里一样定义,不会用理想化或过于正式的含义来解释。
为便于对本发明实施例的理解,下面将结合附图以几个具体实施例为例做进一步的解释说明,且各个实施例并不构成对本发明实施例的限定。
本发明实施例提供了一个典型故障案例培训的***,该***主要适用于培训铁路职工对典型故障案例的理解,并提高学员对故障的分析和处理能力。利用该***对铁路职工的培训,能大大缩短培训周期、降低培训费用,通过互动的方式对故障案例进行培训,将故障案例通俗易懂的展现给学员,快速的提高培训质量。
本发明实施例提供的一种列控车载设备的故障案例管理方法的处理流程如图1所示,包括如下的处理步骤:
步骤S110、利用收集的大量的列控车载设备的故障案例,训练出故障案例的分类器。
在进行列控车载设备的故障案例的录入之前,对全国18个路局进行调研工作,在调研工作中收集了大量的列控车载设备的故障案例,在故障案例的记录中,所述故障案例的记录中包括故障发生时的故障概况、故障原因、处理措施和故障点评等内容,根据列控车载设备的生产厂家、故障发生部位对所有故障案例进行分类处理。
由于各个路局列控车载设备发生故障的部位不尽相同,同时,使用了不同厂家的列控车载设备,相同部位发生故障时表现出来的故障现象也不完全相同,在这种情况下,根据列控车载设备生产厂家的不同,将故障案例分为5个种类:分别为CTCS3-300T、CTCS3-300S、CTCS3-300H、CTCS3-200H、CTCS3-200C。根据故障发生部位的不同将列控车载设备的故障案例分为7个种类:ATP、TCR、TIU、GSM-R、SDU、DMI、BTM。通过这样的方式,将列控车载设备典型的故障进行全方位的分类。
图2为本发明实施例提供的一种对列控车载设备的故障案例进行分类的示意图,以便进行分类培训,处理过程包括:提取出每个种类的故障案例中的典型故障案例,将所述典型的故障案例的文本作为文本分类的训练集,对训练集进行文本分词、特征抽取、计算特征向量权值,最终训练出故障案例的分类器。
故障案例文本经过文本分词后,分为地点词汇、数量词汇、列控词汇、停用词汇、动作词汇五种词汇。根据典型故障案例的类别,从分词中提取的特征包括默认报文、机车信号异常、无线连接超时、紧急停车、行车许可异常、文本提示异常。
提取出的特征用于特征向量权值的计算,采用了TF-IDF的权值计算方法。TF-IDF(term frequency–inverse document frequency)是一种用于信息检索与数据挖掘的常用加权技术,是一种统计方法,即根据某个词/短语在自身文章中出现的比例,以及该短语在总体语料库中出现的比例,来计算该词/短语的权值,权值越高,证明该词越能表示这篇文章的类别,相反权值越低,该词对文章的贡献度越小,用这种方法来评估一个字词对于一篇文章或一个语料库的重要程度。
TF-IDF中特征向量i的权值公式为:
其中Mi表示某个词在该篇文中出现的次数,Q表示文中出现的总词数,相同的词第二次出现则Q不会叠加,Q统计的总次数,不存在重复。D表示语料库文章总数,Si表示在D的样本中包含词i的文章篇数。
步骤120、利用故障案例的分类器,对未分类的故障案例进行分类处理。
从路局获取的大量未分类的故障案例,对未分类的故障案例进行故障文本分词,使用训练集中的特征对未分类的故障案例计算特征向量权值。
根据未分类的故障案例的特征向量权值通过训练集训练出的分类器对未分类的故障案例进行分类,
本发明使用的是朴素贝叶斯分类器,其基本思想是对于给定的待分类文本,计算出每一个待分类样本出现时属于每个类别的概率,最大值概率所属类别即为待分类样本的类别。其基本分类步骤为:获取每一个待分类项的特征属性以及已知分类的类别集合;对每个已知的分类类别计算特征属性的概率,然后计算每一个特征属性所有划分的条件概率;最后条件概率最大的类别为待分类文本的所属类别。
最终自动的将未分类的故障案例归属于相应的故障案例的类别中。
步骤130、对分类处理后的故障案例进行场景再现。
本发明需要设置各种种类的故障案例的回放软件,利用故障案例的回放软件通过DMI(Driver Machine Interface,人机交互界面)的实时展示,对当前的故障案例进行场景再现,将故障发生时的情景以互动、形象直观的方式对学员进行培训,使学员对故障现场有更加清晰的理解。在故障情景再现的过程中,学员可以模拟司机驾驶。
故障案例的场景再现主要分为两种不同的实现形式,用户能够根据需要选择其中一种或者两种进行场景再现。
方式一:将包含故障案例的运行数据与正确无故障时的运行数据在同一距离坐标轴中进行同步显示,在两方数据出现运行不一致时,***能够给出报警提示。该方式的实现主要分为以下几个步骤:
(1)第一步,按照***给定的特定数据模板(主要包括静态工程数据、列车运行动态数据),用户填写日常正常运行过程中的相应数据和故障运行时的相应数据。其中,静态工程数据是标准格式的数据,***能够支持自动导入;列车运行动态数据需要用户自行填入。
(2)第二步,将填写好的数据加载到***中,***读取静态工程数据,将这些数据按照公里标递增的方式进行排列,最终以图形化的方式绘制出来。
(3)第三步,***读取正常运行过程数据,将这些数据在静态数据基础上,绘制列车运行曲线和关键事件。
(4)第四步,***读取故障运行时的数据,将这些数据读入后暂存在***缓存中。
(5)第五步,用户能够点击开始、暂停以及重新运行按钮。当点击开始按钮时,***将故障运行数据按照时间先后顺序逐步以图形化方式显示出来。同时,在运行过程中,***按照一定的规则不停的判断当前数据与正常运行数据。如果判断为数据一致,则继续运行;如果判断为数据不一致,则***暂停,并以文本和图形化方式提示不一致的内容。***暂停后,用户能够继续运行。
方式二:另外一种实现形式是通过仿真的人机交互界面(即仿真DMI),将现场出现故障的前后一段时间内的图像进行模拟运行。在模拟运行过程中,能够随时通过点击实现暂停、继续运行、回退或者重新运行操作。该方式的主要思路为:
(1)第一步,***将现场运行过程中得到的记录数据自动读入***中,并将这些数据转化成本***所需的数据格式。
(2)第二步,***自动解析记录数据,并利用上述所示故障案例分类器将这些记录数据按照故障案例类别进行自动分类;在分类的同时,按照提前设定好的时间窗范围,将相关数据进行截取和存放,并按照故障案例类别自动命名该数据截取文件。
(3)第三步,用户通过***界面能够选择要回放的故障数据文件,并将这些数据文件执行运行、暂停、继续运行、回退以及重新运行功能。
步骤140、将分类后的故障案例以图文并茂的形式进行展示,制作故障分类报表。
分类处理后的故障案例通过图文并茂的形式在培训界面的右侧进行展示,学员可以轻松获取故障概况、故障分析、处理措施、故障点评等相关内容,通过文字性的资料还不足以将故障展现得淋漓尽致,针对具体的故障案例,可以通过培训页面右下方的故障再现进行故障的回放,对故障现场有更加清晰的理解。
针对故障案例制作故障分类报表,在故障分类报表中,包含了全国18个铁路局的故障案例发生的具体情况,在调研过程中获取的各路局的故障案例详细记录,根据故障发生的部位,将故障案例分类整理为ATP、TCR、TIU、GSM-R、SDU、DMI、BTM七类,每个路局这7类故障发生的情况,在故障分类报表中使用柱状图显示,使学员清晰的了解每个路局发生故障的概况,并针对所在路局的情况,对常见的、易发生的故障案例进行强化培训,同时还对路局中出现的故障进行章节对应,对应到培训模块中的典型故障案例,通过类比的形式将培训效果达到最佳。
综上所述,本发明实施例对全国18个路局发生过的故障案例进行收集,通过文本分类的方式将故障案例按照生产厂家和故障发生部位的不同进行了分类,学员在培训模块,获取每一类典型故障案例的故障概况、故障分析、处理措施、故障点评等相关信息,同时,针对某一具体故障案例,将故障发生时的状态变化进行了情景再现,学员通过人机交互界面,形象生动的获取故障发生前后DMI异常现象。
故障报表模块为学员提供了全国各个路局的具体故障案例信息,方便学员了解各路局故障发生数量及故障常见发生部位,从而有针对性的对故障案例进行培训。最后,通过故障自测模块,学员可对自己的学习效果进行评估,以加深对故障案例的理解。
本领域普通技术人员可以理解:附图只是一个实施例的示意图,附图中的模块或流程并不一定是实施本发明所必须的。
通过以上的实施方式的描述可知,本领域的技术人员可以清楚地了解到本发明可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例或者实施例的某些部分所述的方法。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于装置或***实施例而言,由于其基本相似于方法实施例,所以描述得比较简单,相关之处参见方法实施例的部分说明即可。以上所描述的装置及***实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下,即可以理解并实施。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应该以权利要求的保护范围为准。
Claims (7)
1.一种列控车载设备的故障案例管理方法,其特征在于,包括:
利用收集的列控车载设备的故障案例,训练出故障案例的分类器;
利用所述故障案例的分类器,对未分类的故障案例进行分类处理;
对分类处理后的故障案例进行场景再现。
2.根据权利要求1所述的方法,其特征在于,所述的利用收集的列控车载设备的故障案例,训练出故障案例的分类器,包括:
收集一定数量的列控车载设备的故障案例,所述故障案例的记录中包括故障发生时的故障概况、故障原因、处理措施和故障点评内容,根据列控车载设备的生产厂家、故障发生部位对所有故障案例进行分类处理;
提取出每个种类的故障案例中的典型故障案例,将所述典型的故障案例的文本作为文本分类的训练集,对训练集进行文本分词、特征抽取、计算特征向量权值,训练出故障案例的分类器。
3.根据权利要求2所述的方法,其特征在于,所述的对训练集进行文本分词、特征抽取、计算特征向量权值,训练出故障案例的分类器,包括:
故障案例文本经过文本分词后,分为地点词汇、数量词汇、列控词汇、停用词汇、动作词汇五种词汇;根据典型故障案例的类别,从分词中提取的特征包括默认报文、机车信号异常、无线连接超时、紧急停车、行车许可异常、文本提示异常;
采用了TF-IDF的权值计算方法计算特征向量的权值,TF-IDF中特征向量i的权值公式为:
<mrow>
<msub>
<mi>W</mi>
<mi>i</mi>
</msub>
<mo>=</mo>
<msub>
<mi>TF</mi>
<mi>i</mi>
</msub>
<mo>*</mo>
<msub>
<mi>IDF</mi>
<mi>i</mi>
</msub>
<mo>=</mo>
<mfrac>
<msub>
<mi>M</mi>
<mi>i</mi>
</msub>
<mi>Q</mi>
</mfrac>
<mo>*</mo>
<mi>lg</mi>
<mfrac>
<mi>D</mi>
<msub>
<mi>S</mi>
<mi>i</mi>
</msub>
</mfrac>
</mrow>
其中Mi表示某个词在该篇文中出现的次数,Q表示文中出现的总词数,相同的词第二次出现则Q不会叠加,Q统计的总次数,不存在重复,D表示语料库文章总数,Si表示在D的样本中包含词i的文章篇数。
4.根据权利要求3所述的方法,其特征在于,所述的根据列控车载设备的生产厂家、故障发生部位对所有故障案例进行分类处理,包括:
根据列控车载设备生产厂家的不同将列控车载设备的故障案例分为5个种类:CTCS3-300T、CTCS3-300S、CTCS3-300H、CTCS3-200H和CTCS3-200C,根据故障发生部位的不同将列控车载设备的故障案例分为7个种类:ATP、TCR、TIU、GSM-R、SDU、DMI、BTM。
5.根据权利要求1或2或3或4所述的方法,其特征在于,所述的利用所述故障案例的分类器,对未分类的故障案例进行分类处理,包括:
对未分类的故障案例进行故障文本分词,使用训练集中的特征对未分类的故障案例计算特征向量权值,根据未分类的故障案例的特征向量权值通过训练集训练出的分类器对未分类的故障案例进行分类,将未分类的故障案例归属于相应的故障案例的类别中。
6.根据权利要求5所述的方法,其特征在于,所述的对分类处理后的故障案例进行场景再现,包括:
在场景再现***中将包含故障案例的列控车载设备运行数据与正确无故障时的列控车载设备运行数据在同一坐标轴中进行同步显示,在两方数据出现运行不一致时,实现对故障案例进行场景再现,具体处理过程包括:
步骤1、按照给定的特定数据模板填写列控车载设备正常运行过程中的相应数据和故障运行时的相应数据,所述相应数据包括静态工程数据和运行动态数据,所述静态工程数据为标准格式的数据,支持自动导入;
步骤2、将填写好的所述相应数据加载到场景再现***中,场景再现***读取所述相应数据中的静态工程数据,将所述静态工程数据按照公里标递增的方式进行排列,在坐标轴中以图形化的方式绘制出来;
步骤3、场景再现***读取列控车载设备正常运行过程中的运行动态数据,将该运行动态数据添加到图形化的静态工程数据上,在坐标轴中绘制列车运行曲线和关键事件;
步骤4、场景再现***读取列控车载设备故障运行时的相应数据,将该相应数据存入缓存中;
点击场景再现***的开始运行按钮,将列控车载设备故障运行时的相应数据按照时间先后顺序逐步以图形化方式显示出来,在运行过程中,按照一定的规则判断当前运行数据与正常运行数据是否一致,如果判断为数据一致,则继续运行;如果判断为数据不一致,则场景再现***暂停,并以文本和图形化方式提示不一致的内容,场景再现***暂停后,能够继续运行。
7.根据权利要求5所述的方法,其特征在于,所述的对分类处理后的故障案例进行场景再现,包括:
通过仿真的人机交互界面,将现场出现故障的前后一段时间内的图像进行模拟运行,在模拟运行过程中,通过点击实现暂停、继续运行、回退或者重新运行操作,具体处理过程包括:
将现场运行过程中得到的记录数据自动读入场景再现***中,并将所述记录数据转化成场景再现***所需的数据格式;
场景再现***解析所述记录数据,并利用所述故障案例的分类器将所述记录数据按照故障案例类别进行自动分类;在分类的同时,按照提前设定好的时间窗范围,将故障数据文件进行截取和存放,并按照故障案例类别自动命名该故障数据文件;
通过场景再现***的界面选择要回放的故障数据文件,将该故障数据文件执行运行、暂停、继续运行、回退以及重新运行功能。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710413430.XA CN107330823A (zh) | 2017-06-05 | 2017-06-05 | 列控车载设备的故障案例管理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710413430.XA CN107330823A (zh) | 2017-06-05 | 2017-06-05 | 列控车载设备的故障案例管理方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107330823A true CN107330823A (zh) | 2017-11-07 |
Family
ID=60194873
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710413430.XA Pending CN107330823A (zh) | 2017-06-05 | 2017-06-05 | 列控车载设备的故障案例管理方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107330823A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108334049A (zh) * | 2017-12-26 | 2018-07-27 | 中车唐山机车车辆有限公司 | 车辆故障数据的管理方法及装置 |
CN110502306A (zh) * | 2019-08-26 | 2019-11-26 | 湖南中车时代通信信号有限公司 | 一种用于车载列车自动防护***的安全人机交互***及方法 |
CN112634696A (zh) * | 2020-12-21 | 2021-04-09 | 贝壳技术有限公司 | 故障定位练习方法、装置、电子设备和存储介质 |
CN113553724A (zh) * | 2021-07-30 | 2021-10-26 | 中国石油化工股份有限公司 | 一种页岩气井生产过程井筒异常分析及处理*** |
CN113947893A (zh) * | 2021-09-03 | 2022-01-18 | 网络通信与安全紫金山实验室 | 一种自动驾驶车辆行车场景还原方法及*** |
CN114475731A (zh) * | 2021-12-29 | 2022-05-13 | 卡斯柯信号有限公司 | 一种信号设备故障知识库***及其实现方法 |
CN116414390A (zh) * | 2023-03-29 | 2023-07-11 | 南京审计大学 | 一种针对大数据审计的可动态运行案例开发*** |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070288409A1 (en) * | 2005-05-31 | 2007-12-13 | Honeywell International, Inc. | Nonlinear neural network fault detection system and method |
-
2017
- 2017-06-05 CN CN201710413430.XA patent/CN107330823A/zh active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070288409A1 (en) * | 2005-05-31 | 2007-12-13 | Honeywell International, Inc. | Nonlinear neural network fault detection system and method |
Non-Patent Citations (2)
Title |
---|
杨官霞: "抽水蓄能电站事故演习及培训***设计", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 * |
王峰: "基于文本挖掘的高铁车载设备故障诊断方法研究", 《中国优秀硕士学位论文全文数据库 工程科技II辑》 * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108334049A (zh) * | 2017-12-26 | 2018-07-27 | 中车唐山机车车辆有限公司 | 车辆故障数据的管理方法及装置 |
CN108334049B (zh) * | 2017-12-26 | 2020-09-22 | 中车唐山机车车辆有限公司 | 车辆故障数据的管理方法及装置 |
CN110502306A (zh) * | 2019-08-26 | 2019-11-26 | 湖南中车时代通信信号有限公司 | 一种用于车载列车自动防护***的安全人机交互***及方法 |
CN110502306B (zh) * | 2019-08-26 | 2023-02-03 | 湖南中车时代通信信号有限公司 | 一种用于车载列车自动防护***的安全人机交互***及方法 |
CN112634696A (zh) * | 2020-12-21 | 2021-04-09 | 贝壳技术有限公司 | 故障定位练习方法、装置、电子设备和存储介质 |
CN112634696B (zh) * | 2020-12-21 | 2023-01-31 | 贝壳技术有限公司 | 故障定位练习方法、装置、电子设备和存储介质 |
CN113553724A (zh) * | 2021-07-30 | 2021-10-26 | 中国石油化工股份有限公司 | 一种页岩气井生产过程井筒异常分析及处理*** |
CN113947893A (zh) * | 2021-09-03 | 2022-01-18 | 网络通信与安全紫金山实验室 | 一种自动驾驶车辆行车场景还原方法及*** |
CN114475731A (zh) * | 2021-12-29 | 2022-05-13 | 卡斯柯信号有限公司 | 一种信号设备故障知识库***及其实现方法 |
CN116414390A (zh) * | 2023-03-29 | 2023-07-11 | 南京审计大学 | 一种针对大数据审计的可动态运行案例开发*** |
CN116414390B (zh) * | 2023-03-29 | 2024-04-05 | 南京审计大学 | 一种针对大数据审计的可动态运行案例开发*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107330823A (zh) | 列控车载设备的故障案例管理方法 | |
Bodily et al. | Open learner models and learning analytics dashboards: a systematic review | |
Spurgin | Human reliability assessment theory and practice | |
Arai et al. | Testing methodological developments in the conduct of narrative synthesis: a demonstration review of research on the implementation of smoke alarm interventions | |
Dawson et al. | SNAPP: Realising the affordances of real-time SNA within networked learning environments | |
Pardo et al. | Stepping out of the box: towards analytics outside the learning management system | |
Lundberg et al. | Strategies for dealing with resistance to recommendations from accident investigations | |
Temnikova et al. | The case for readability of crisis communications in social media | |
CN106205261A (zh) | 一种危险化学品应急3d虚拟操作考试***及考试方法 | |
McLaren et al. | Using machine learning techniques to analyze and support mediation of student e-discussions | |
CN103077650A (zh) | 一种测试安全认知心理与行为用的仿真培训***装置 | |
Abbas et al. | Qualitative life-grids: A proposed method for comparative European educational research | |
Irwin-Rogers et al. | Youth Violence Commission | |
Naweed | Simulator integration in the rail industry: the Robocop problem | |
CN112419111A (zh) | 一种多功能远程教育平台及流程 | |
Curtotti et al. | Enhancing the visualization of law | |
Burt et al. | Connotative meanings of student performance labels used in standard setting | |
May et al. | A closer look at tracking human and computer interactions in web‐based communications | |
Bianchi et al. | Investigating student choices in performing higher-level comprehension tasks using TED | |
Pons et al. | A Learning Quality Metadata approach: Automatic quality assessment of virtual training from metadata | |
Newbury | Are Design Elements in Blended Learning Courses Factors of Student Completion Rate?. | |
Mellar | Towards a modelling curriculum | |
Scheffel et al. | Exploring LogiAssist–the mobile learning and assistance platform for truck drivers | |
Foss et al. | Adaptive hypermedia content authoring using MOT3. 0 | |
Chen et al. | Understand and analyzing learning objects: A foundation for long-term substantiality and use for e-learning |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20171107 |
|
WD01 | Invention patent application deemed withdrawn after publication |