CN111144639A - 一种基于alln算法的地铁设备故障预测方法及*** - Google Patents
一种基于alln算法的地铁设备故障预测方法及*** Download PDFInfo
- Publication number
- CN111144639A CN111144639A CN201911345915.5A CN201911345915A CN111144639A CN 111144639 A CN111144639 A CN 111144639A CN 201911345915 A CN201911345915 A CN 201911345915A CN 111144639 A CN111144639 A CN 111144639A
- Authority
- CN
- China
- Prior art keywords
- fault
- subway equipment
- equipment
- alln
- target
- 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
- 238000000034 method Methods 0.000 title claims abstract description 61
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 28
- 238000012423 maintenance Methods 0.000 claims abstract description 26
- 230000003044 adaptive effect Effects 0.000 claims abstract description 12
- 238000012549 training Methods 0.000 claims description 45
- 230000008569 process Effects 0.000 claims description 14
- 230000006870 function Effects 0.000 claims description 11
- 238000012544 monitoring process Methods 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 5
- 238000004458 analytical method Methods 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims description 4
- 238000013528 artificial neural network Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 238000012886 linear function Methods 0.000 description 6
- 238000003745 diagnosis Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 230000014509 gene expression Effects 0.000 description 4
- 238000010276 construction Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000008439 repair process Effects 0.000 description 2
- 230000003252 repetitive effect Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000011418 maintenance treatment Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
Images
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
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/20—Administration of product repair or maintenance
-
- 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
- G06Q50/40—Business processes related to the transportation industry
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了地铁设备维修管理技术领域的一种基于ALLN算法的地铁设备故障预测方法及***,旨在解决现有技术中采取全面检修方式对机电设备的状态进行维修,造成检修成本居高不下、零部件更换不合理的技术问题。所述方法包括如下步骤:获取目标地铁设备的实时状态信息和实际无故障运行时间;将所述实时状态信息输入预先训练好的自适应线性逻辑网络,获取目标地铁设备的预测无故障运行时间;基于预测无故障运行时间和实际无故障运行时间,判定是否对目标地铁设备进行检修处理。
Description
技术领域
本发明涉及一种基于ALLN算法的地铁设备故障预测方法及***,属于地铁设备维修管理技术领域。
背景技术
轨道交通综合监控(ISCS)***是以现代计算机技术、网络技术、自动化技术和信息技术为基础的大型计算机集成***。ISCS***集成有维修管理数据库,各类地铁设备日常维修数据存储于维修管理数据库中。管好用好维修管理数据库,提高地铁设备维修管理水平,对于保障地铁安全运营具有重要意义。
现阶段,我国的城市轨道交通建设进入了高速发展期,预计在今后数十年时间内,城市轨道交通建设都将是都市建设的主要领域。随着轨道交通的不断壮大,ISCS***设备维修管理中所存在的问题越来越引起重视。目前,我国地铁机电设备的维护工作主要有两种方式:一种是在故障发生后进行维修,另一种是采取全面检修方式对机电设备的状态进行维修。这两种维护方式都存在明显缺陷,前种方式属于“事后维修”,势必影响到地铁的正常运行;后种方式极大增加了检修工作量,造成检修成本居高不下、零部件更换不合理等问题。
发明内容
针对现有技术的不足,本发明的目的在于提供一种基于ALLN算法的地铁设备故障预测方法及***,以解决现有技术中采取全面检修方式对机电设备的状态进行维修,造成检修成本居高不下、零部件更换不合理的技术问题。
为解决上述技术问题,本发明所采用的技术方案是:
一种基于ALLN算法的地铁设备故障预测方法,包括如下步骤:
获取目标地铁设备的实时状态信息和实际无故障运行时间;
将所述实时状态信息输入预先训练好的自适应线性逻辑网络,获取目标地铁设备的预测无故障运行时间;
基于预测无故障运行时间和实际无故障运行时间,判定是否对目标地铁设备进行检修处理。
进一步地,所述目标地铁设备包括电力监控专业断路器、电力监控专业刀闸、环控专业风机、环控专业风阀。
进一步地,所述实时状态信息包括目标地铁设备的无故障通断运行次数、无故障上电运行时间、故障发生次数中的至少任一项。
进一步地,所述自适应线性逻辑网络的训练方法,包括:
获取与目标地铁设备同类设备的历史状态信息,构建训练样本;
以预构建的损失函数最小为目标,利用训练样本对自适应线性逻辑网络进行训练。
进一步地,所述历史状态信息包括与目标地铁设备同类设备的无故障通断运行次数、无故障上电运行时间、故障发生次数中的至少任一项。
进一步地,基于预测无故障运行时间和实际无故障运行时间,判定是否对目标地铁设备进行检修处理,包括:
求取实际无故障运行时间与预测无故障运行时间的比值;
如果所述比值大于预设阈值,判定对所述目标地铁设备进行检修处理。
为达到上述目的,本发明还提供了一种基于ALLN算法的地铁设备故障预测***,包括:
地铁故障预测分析模块:用于获取目标地铁设备的实时状态信息和实际无故障运行时间,以及将所述实时状态信息输入预先训练好的自适应线性逻辑网络,获取目标地铁设备的预测无故障运行时间;
检修告警模块:用于基于预测无故障运行时间和实际无故障运行时间,判定是否对目标地铁设备进行检修处理。
进一步地,还包括:
模型训练模块:用于获取与目标地铁设备同类设备的历史状态信息以构建训练样本,以及以预构建的损失函数最小为目标,利用训练样本对自适应线性逻辑网络进行训练。
为达到上述目的,本发明还提供了计算机处理控制装置,包括:
存储器:用于存储指令;
处理器:用于根据所述指令进行操作以执行本发明提供的一种基于ALLN算法的地铁设备故障预测方法的步骤。
为达到上述目的,本发明还提供了计算机可读存储介质,其上存储有计算机程序,所述程序被处理器执行时实现本发明提供的一种基于ALLN算法的地铁设备故障预测方法的步骤。
与现有技术相比,本发明所达到的有益效果:本发明方法及***从ISCS***中获取地铁设备的历史状态信息对ALLN模型以获取故障诊断预测模型,从ISCS***中获取地铁设备的实时状态信息和实际无故障运行时间,并将实时状态信息输入故障诊断预测模型以获取地铁设备的预测无故障运行时间,求取实际无故障运行时间与预测无故障运行时间的比值,以决定是否需要对地铁设备进行检修处理,从而能够在***层面预测可能出现的故障隐患,并在故障损害发生之前,提出防范措施,更换相关零部件,极大提高了维修针对性、合理性,降低了检修成本。ALLN算法融合有神经网络和经典统计学的建模特点,不仅支持在线重复训练,而且具备训练速度快、执行速度快等诸多优点,有利于提高预测效率和准确性。
附图说明
图1是本发明具体实施方式所述ALLN结构示意图;
图2是本发明具体实施方式所述ALLN训练原理示意图;
图3是本发明具体实施方式所述式(3)的ALLN拟合结果;
图4是本发明具体实施方式所述ALLN训练过程示意图;
图5是本发明方法实施例的流程示意图。
具体实施方式
下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案,而不能以此来限制本发明的保护范围。
1、ALLN的基本结构与建模方法
自适应线性逻辑网络(ALLN)与经典神经网络的结构类似,具有很强的自适应性,表现为可以包含多个独立的输入节点和输出节点,而不需要对***内部结构进行透彻的了解,就能够将N个独立输入变量通过W个逻辑表达式与输出变量之间建立映射关系,其线性方程组的形式如下:
式(1)中,n为独立输入变量的个数(类似于神经网络的输入节点数量),Lj为第j个逻辑表达式的阈值,Xi为第i个独立输入变量(类似于神经网络的输入变量),wij为第j个逻辑表达式中输入变量Xi的权值系数,Y为输出变量(类似于神经网络的输出)。通常为了模型表示的一般性,规定X0≡1,即表示方程的常数项。ALLN就是通过不断调整其线性方程组中的权重wij来训练模型的。
若令式(1)中阈值Lj≥0,则式(1)转化为线性不等式组:
式(2)即带有阈值评判的线性关系式(Linear Threshold Unit,LTU)。在对每个节点评判Lj≥0是否成立时,其结果若为“真”,则表示未达到阈值;若结果为“假”,则表明达到了阈值。
ALLN最大的特点就是将这种LTU作为网络的节点,即将这些LTU节点的直接输出结果(“非真即假”)作为网络的输入节点,再通过逻辑运算符“AND”和“OR”连接起来(可能存在多层的逻辑连接),最后将结果作为输出节点。如图1所示,是本发明具体实施方式所述ALLN结构示意图,其描述了一个三层的ALLN结构,该ALLN算法公式为:
Output=OR(AND(4+2X-Y>0,12-2X-Y>0),AND(X-Y>0,-18+4X-Y>0)) (3)
式中,Output为ALLN拟合的模型结果,X为独立输入变量。ALLN结构的大小是有界的,由于用于参数估计的数据样本有限,因而决定了其LTU数量是有限的。若有n个独立的自变量,则LTU中需要估计的权值向量为n+1维。
任何曲线都可以分割为无穷多个很小长度的折线,折线个数不同,所拟合曲线的精度也不同,一般情况下,折线个数越多,拟合的精度越高。基于ALLN结构的ALLN算法正是利用了这种折线拟合曲线的方式,其训练过程从一个单独的线性函数开始,然后将该线性函数不断地分解成若干折线,来逼近所要拟合的非线性模型,拟合的过程中可以加以精度要求进行控制。
如图2所示,是本发明具体实施方式所述ALLN训练原理示意图,其描述了图1中ALLN的二维输出空间。图2中,区域A和区域B中所有样本点(X,Y)使得网络输出为“真”。AND连接模式表示取两直线的最小值(MIN),即当且仅当所有样本点落在区域A时,逻辑表达式AND(4+2X-Y>0,12-2X-Y>0)的输出结果为“真”。同理,当且仅当所有样本点落在区域B时,逻辑表达式AND(X-Y>0,-18+4X-Y>0)的输出结果为“真”。OR连接模式表示取两个区域的最大值(MAX),当且仅当所有样本点落在区域A或区域B中时,式(3)的输出结果为“真”。
在二维空间中,ALLN拟合的最终模型为“0”空间与“1”空间交接的折线段。如图3所示,是本发明具体实施方式所述式(3)的ALLN拟合结果,图中的虚线部分曲线即为式(3)的ALLN算法的拟合结果,该曲线实际为连续曲线,图中采用虚线仅为了便于图形表示。可以看出,其结果是连续函数,但非单调,也不是单纯的凸函数或凹函数。在更高维空间,ALLN输出将是一组超平面的拼接,其形状可以通过修改树的结构或LTU权值和阈值来改变。例如,凸凹性可通过逻辑运算符改变。AND(取MIN)得到一个凸面,而OR(取MAX)得到的是凹面。单调性可以通过修正LTU的权值系数的正负来得到。ALLN允许对这些特性作为约束条件来进行强制。ALLN网络的建模类似于神经网络,其结果也便于解释和理解,这是由ALLN机理所决定的。在某个直线段范围内,其输出值的变化与输入值成正比,LTU的权系数代表了变化率。而在标准的神经网络结构中,输出和输入的关系无法得知,除非所有其他的输入变量被赋予固定值,否则其他输入变量细小的变化都会引起输出量的较大改变。
2、ALLN的学习和预测算法
ALLN学习的过程,实质上就是参数估计的过程,通过对权值系数进行学习更新,从而拟合任意的曲线函数。ALLN算法使用类似最小二乘法的方法进行LTU权值系数的估计,其参数选取原则满足使观测值与估计值的总方差最小的条件。
在训练开始时,所有LTU的权值系数wij都是随机分配的,但若存在约束条件或专家知识,也可固定分配系数;将给定样本和对应的输出值作为训练条件依次输入到ALLN网络中,逻辑运算的结果在ALLN网络中传递出去,输出最终值。每输入一组样本值,都有可能引起一个LTU权值系数的变化,经过大量的样本训练后,最终将得到可以获得最大精确率的权值系数。
下面,以图1所示ALLN结构为例,说明在输入样本为(Xi,Yi)=(4,2)的学习过程,如图4所示,是本发明实施例所述ALLN训练过程示意图,假定当前激活的LTU公式为-18+4X-Y>0,则在Xi=4时,Y=-18+4Xi=-2≠Yi,显然,估计值与观察值不同,需要使用最小二乘法对该公式的权值***进行修正,这个过程中必须满足使观察值与估计值之间的误差最小。
假定训练率α=0.2,则当前计算过程如下:
E=0.5(Y-Yi)2=0.5(-2-2)2=8
w0(new)=w0(old)+w0=-18+0.8=-17.2
w1(new)=w1(old)+w1=4+3.2=7.2
因此,当前被激活的LTU公式-18+4X-Y>0,在此轮训练后应该更新为公式-17.2+7.2X-Y>0参与下一轮的训练。
在ALLN的学习过程中每次只选择激活一个LTU公式,这非常有助于提高训练的速度。一般来说,需要对大量的样本进行若干轮的训练,每次训练前的LTU所表示的折线段被更新的折线段所替换,一次一次的训练将使得整条折线更加逼近实际曲线。另外,参数训练率α∈(0,1)一般在训练的初期可以取值稍大(如0.6),使曲线做相对大级别的调整,在训练的后期可以取值较小(如0.1),使曲线做适量调整。
3、基于ALLN算法的预防性维修策略
ALLN算法融合有基于神经网络和基于经典统计学的建模特点,并在功能原理上加以改进,可以分析和学习不同源输入数据与输出结果之间的复杂关联,因而能够广泛应用于包括预测在内的诸多领域。ALLN的训练过程易于数学分析,结果稳定可控。从结构上说,ALLN是由一些线性函数组建构成,且连续可导。ALLN可以构建多组独立,含噪声数据之间的非线性关系。尽管训练完毕的网络会包含有成千上万的线性函数单元,但是数据空间可以被分割处理,便于分析。其训练过程从一个单独的线性函数拟合开始,然后将该线性函数不断地分解成若干折线,来逼近要拟合的非线性模型,拟合过程可根据精度要求加以控制,训练的精度可以方便调节。对噪声的处理有独特的方法,可以减低噪声对训练过程的影响。该算法可以用于任意多变量的训练。ALLN的训练速度快,并支持在线重复训练。一旦训练完成后,网络执行速度很快,可以在毫秒级之内。
鉴于ALLN算法的上述特性,本发明具体实施方式提供了一种基于ALLN算法的地铁设备故障预测方法,如图5所示,是本发明方法实施例的流程示意图,所述方法包括如下步骤:
步骤1,从ISCS***的告警数据库和历史数据库中获取地铁设备的历史状态信息,对预构建的ALLN模型进行训练。所述历史状态信息通常包括地铁设备自出厂装配以来的无故障通断运行次数、无故障上电运行时间、故障发生次数等信息数据,所述地铁设备包括电力监控专业断路器、电力监控专业刀闸、环控专业风机、环控专业风阀等各型设备。本实施例中,以电力监控专业断路器为例,通过训练能够得到设备故障状态发生次数和设备分闸次数与断路器无故障运行时间之间的对应关系,训练好的ALLN模型可作为故障诊断预测模型。
步骤2,从ISCS***的实时库中获取地铁设备的实时状态信息和目前实际无故障运行时间,所述实时状态信息通常包括地铁设备目前的无故障通断运行次数、无故障上电运行时间、故障发生次数,将前述实时状态信息输入故障诊断预测模型,即可预测出该地铁设备的预测无故障运行时间,基于该预测无故障运行时间可生产对应的设备故障预测报告。
步骤3,求取该地铁设备的目前实际无故障运行时间与预测无故障运行时间的比值,若该比值大于预设阈值(比如90%),则向ISCS***的实时库中推送实时告警信息,就本实施例中所述电力监控专业断路器的检修状态进行预警,通知调度员对该断路器进行检修处理。
本发明具体实施方式还提供了一种基于ALLN算法的地铁设备故障预测***,本发明方法需要借助本发明***加以实现,所述***包括:
模型训练模块:用于实现本发明方法中步骤1中的功能,更具体地,用于获取与目标地铁设备同类设备的历史状态信息以构建训练样本,以及以预构建的损失函数最小为目标,利用训练样本对自适应线性逻辑网络进行训练,以获取故障诊断预测模型。
地铁故障预测分析模块:用于实现本发明方法中步骤2中的功能,更具体地,用于获取目标地铁设备的实时状态信息和实际无故障运行时间,以及将所述实时状态信息输入预先训练好的自适应线性逻辑网络,获取目标地铁设备的预测无故障运行时间;
检修告警模块:用于实现本发明方法中步骤3中的功能,更具体地,用于基于预测无故障运行时间和实际无故障运行时间,判定是否对目标地铁设备进行检修处理。
本发明具体实施方式还提供了计算机处理控制装置,包括:
存储器:用于存储指令;
处理器:用于根据所述指令进行操作以执行本发明方法的各个步骤。
本发明具体实施方式还提供了计算机可读存储介质,其上存储有计算机程序,所述程序被处理器执行时实现本发明方法的各个步骤。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明技术原理的前提下,还可以做出若干改进和变形,这些改进和变形也应视为本发明的保护范围。
Claims (10)
1.一种基于ALLN算法的地铁设备故障预测方法,其特征是,包括如下步骤:
获取目标地铁设备的实时状态信息和实际无故障运行时间;
将所述实时状态信息输入预先训练好的自适应线性逻辑网络,获取目标地铁设备的预测无故障运行时间;
基于预测无故障运行时间和实际无故障运行时间,判定是否对目标地铁设备进行检修处理。
2.根据权利要求1所述的基于ALLN算法的地铁设备故障预测方法,其特征是,所述目标地铁设备包括电力监控专业断路器、电力监控专业刀闸、环控专业风机、环控专业风阀。
3.根据权利要求1所述的基于ALLN算法的地铁设备故障预测方法,其特征是,所述实时状态信息包括目标地铁设备的无故障通断运行次数、无故障上电运行时间、故障发生次数中的至少任一项。
4.根据权利要求1所述的基于ALLN算法的地铁设备故障预测方法,其特征是,所述自适应线性逻辑网络的训练方法,包括:
获取与目标地铁设备同类设备的历史状态信息,构建训练样本;
以预构建的损失函数最小为目标,利用训练样本对自适应线性逻辑网络进行训练。
5.根据权利要求4所述的基于ALLN算法的地铁设备故障预测方法,其特征是,所述历史状态信息包括与目标地铁设备同类设备的无故障通断运行次数、无故障上电运行时间、故障发生次数中的至少任一项。
6.根据权利要求1所述的基于ALLN算法的地铁设备故障预测方法,其特征是,基于预测无故障运行时间和实际无故障运行时间,判定是否对目标地铁设备进行检修处理,包括:
求取实际无故障运行时间与预测无故障运行时间的比值;
如果所述比值大于预设阈值,判定对所述目标地铁设备进行检修处理。
7.一种基于ALLN算法的地铁设备故障预测***,其特征是,包括:
地铁故障预测分析模块:用于获取目标地铁设备的实时状态信息和实际无故障运行时间,以及将所述实时状态信息输入预先训练好的自适应线性逻辑网络,获取目标地铁设备的预测无故障运行时间;
检修告警模块:用于基于预测无故障运行时间和实际无故障运行时间,判定是否对目标地铁设备进行检修处理。
8.根据权利要求7所述的基于ALLN算法的地铁设备故障预测***,其特征是,还包括:
模型训练模块:用于获取与目标地铁设备同类设备的历史状态信息以构建训练样本,以及以预构建的损失函数最小为目标,利用训练样本对自适应线性逻辑网络进行训练。
9.计算机处理控制装置,其特征是,包括:
存储器:用于存储指令;
处理器:用于根据所述指令进行操作以执行权利要求1至6中任一项所述方法的步骤。
10.计算机可读存储介质,其上存储有计算机程序,其特征是,所述程序被处理器执行时实现权利要求1至6中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911345915.5A CN111144639A (zh) | 2019-12-24 | 2019-12-24 | 一种基于alln算法的地铁设备故障预测方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911345915.5A CN111144639A (zh) | 2019-12-24 | 2019-12-24 | 一种基于alln算法的地铁设备故障预测方法及*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111144639A true CN111144639A (zh) | 2020-05-12 |
Family
ID=70519674
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911345915.5A Pending CN111144639A (zh) | 2019-12-24 | 2019-12-24 | 一种基于alln算法的地铁设备故障预测方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111144639A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111612112A (zh) * | 2020-05-26 | 2020-09-01 | 八维通科技有限公司 | 一种基于数字孪生地铁台站门的识别方法和*** |
CN116384980A (zh) * | 2023-05-25 | 2023-07-04 | 杭州青橄榄网络技术有限公司 | 一种报修方法与*** |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102411729A (zh) * | 2011-11-04 | 2012-04-11 | 国电南京自动化股份有限公司 | 基于自适应线性逻辑网络的风电功率预测方法 |
CN104268678A (zh) * | 2014-09-15 | 2015-01-07 | 中国石油化工股份有限公司武汉分公司 | 一种以动态可靠性为基础的设备预防性维修方法 |
CN109299828A (zh) * | 2018-09-30 | 2019-02-01 | 南京地铁集团有限公司 | 一种基于生存分析的城轨设备无故障运行时间预测方法 |
CN109376846A (zh) * | 2018-08-21 | 2019-02-22 | 南京理工大学 | 基于Hadoop平台的BP神经网络的地铁信号***故障预测方法 |
CN109639450A (zh) * | 2018-10-23 | 2019-04-16 | 平安壹钱包电子商务有限公司 | 基于神经网络的故障告警方法、计算机设备及存储介质 |
CN110298497A (zh) * | 2019-06-11 | 2019-10-01 | 武汉蓝智科技有限公司 | 基于大数据的工业预测维修***及其使用方法 |
CN110428109A (zh) * | 2019-08-07 | 2019-11-08 | 佳都新太科技股份有限公司 | 地铁屏蔽门故障间隔时间预测模型建立及预测方法 |
-
2019
- 2019-12-24 CN CN201911345915.5A patent/CN111144639A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102411729A (zh) * | 2011-11-04 | 2012-04-11 | 国电南京自动化股份有限公司 | 基于自适应线性逻辑网络的风电功率预测方法 |
CN104268678A (zh) * | 2014-09-15 | 2015-01-07 | 中国石油化工股份有限公司武汉分公司 | 一种以动态可靠性为基础的设备预防性维修方法 |
CN109376846A (zh) * | 2018-08-21 | 2019-02-22 | 南京理工大学 | 基于Hadoop平台的BP神经网络的地铁信号***故障预测方法 |
CN109299828A (zh) * | 2018-09-30 | 2019-02-01 | 南京地铁集团有限公司 | 一种基于生存分析的城轨设备无故障运行时间预测方法 |
CN109639450A (zh) * | 2018-10-23 | 2019-04-16 | 平安壹钱包电子商务有限公司 | 基于神经网络的故障告警方法、计算机设备及存储介质 |
CN110298497A (zh) * | 2019-06-11 | 2019-10-01 | 武汉蓝智科技有限公司 | 基于大数据的工业预测维修***及其使用方法 |
CN110428109A (zh) * | 2019-08-07 | 2019-11-08 | 佳都新太科技股份有限公司 | 地铁屏蔽门故障间隔时间预测模型建立及预测方法 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111612112A (zh) * | 2020-05-26 | 2020-09-01 | 八维通科技有限公司 | 一种基于数字孪生地铁台站门的识别方法和*** |
CN116384980A (zh) * | 2023-05-25 | 2023-07-04 | 杭州青橄榄网络技术有限公司 | 一种报修方法与*** |
CN116384980B (zh) * | 2023-05-25 | 2023-08-25 | 杭州青橄榄网络技术有限公司 | 一种报修方法与*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115201608A (zh) | 一种基于神经网络的电厂设备运行参数监测方法 | |
CN110135064B (zh) | 一种发电机后轴承温度故障预测方法、***及控制器 | |
CN112882954B (zh) | 一种分布式数据库运维动态阈值告警方法及装置 | |
CN110287543B (zh) | 一种继电保护装置寿命预测方法 | |
CN111144639A (zh) | 一种基于alln算法的地铁设备故障预测方法及*** | |
CN110826237B (zh) | 基于贝叶斯信念网络的风电设备可靠性分析方法及装置 | |
Cunningham et al. | Application of delay-time analysis via Monte Carlo simulation | |
CN115392627A (zh) | 一种配电网的在线风险评估方法及*** | |
CN115562225A (zh) | 工业机器人运维管理方法、装置、计算机设备和存储介质 | |
CN112379325A (zh) | 一种用于智能电表的故障诊断方法及*** | |
CN116308304A (zh) | 基于元学习概念漂移检测的新能源智慧运维方法及*** | |
CN112286088A (zh) | 一种动力设备故障预测模型在线应用的方法及应用*** | |
CN116090626A (zh) | 一种基于云边协同的风电机组状态评估与智能预警***及方法 | |
CN117252051A (zh) | 一种基于数字孪生的电缆隧道监测预警方法及*** | |
CN115347915A (zh) | 一种电力线载波通信设备运行状态的检测方法及装置 | |
CN106548284A (zh) | 一种面向运行调控的自适应模块化电网安全预警评价方法 | |
CN110033181B (zh) | 一种基于自编码器的发电设备状态评估方法 | |
CN113627533B (zh) | 一种基于强化学习的电力设备检修决策生成方法 | |
CN112098715B (zh) | 基于5g和修正gcn图神经网络的电能监控与预警*** | |
Yan et al. | Reliability prediction of CNC machine tool spindle based on optimized cascade feedforward neural network | |
Borissova et al. | A concept of intelligent e-maintenance decision making system | |
CN116882582A (zh) | 基于产量预测的烟厂设备生产计划制定方法 | |
CN116452041A (zh) | 一种基于交叉熵重要抽样的配电网可靠性评估方法 | |
CN116363843A (zh) | 试验室设备预警*** | |
CN110163389A (zh) | 运用于预见性维护管理中的神经元网络方法 |
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 |