CN113570088B - 一种基于人工智能的机车配件检修方法及*** - Google Patents
一种基于人工智能的机车配件检修方法及*** Download PDFInfo
- Publication number
- CN113570088B CN113570088B CN202111132375.XA CN202111132375A CN113570088B CN 113570088 B CN113570088 B CN 113570088B CN 202111132375 A CN202111132375 A CN 202111132375A CN 113570088 B CN113570088 B CN 113570088B
- Authority
- CN
- China
- Prior art keywords
- accessory
- fault degree
- scatter
- fault
- degree
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 60
- 230000003137 locomotive effect Effects 0.000 title claims abstract description 57
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 26
- 238000010586 diagram Methods 0.000 claims description 32
- 238000000611 regression analysis Methods 0.000 claims description 14
- 238000012423 maintenance Methods 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 6
- 238000013528 artificial neural network Methods 0.000 description 7
- 238000000429 assembly Methods 0.000 description 7
- 238000007689 inspection Methods 0.000 description 7
- 238000012549 training Methods 0.000 description 7
- 230000036541 health Effects 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 230000000712 assembly Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000008439 repair process Effects 0.000 description 3
- 239000013598 vector Substances 0.000 description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 230000003862 health status Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000750 progressive effect 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
- G06Q10/20—Administration of product repair or maintenance
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Operations Research (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Quality & Reliability (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及人工智能领域,具体涉及一种基于人工智能的机车配件检修方法及***,该方法包括以下步骤:获取机车每个待检修的主配件的实时运行参数,根据实时运行参数预测每个主配件的故障程度;获取与每个待检修的次配件具备相关性的主配件及其相关性的置信度,每个次配件与至少一个主配件相关;根据每个相关的主配件的故障程度和相应的置信度得到每个次配件的故障程度;根据每个主配件的故障程度和次配件的故障程度得到待检修配件的平均故障程度以及最大故障程度,根据平均故障程度和最大故障程度确定故障程度的检修范围,以通过检修范围确定待检修的主配件和次配件。本发明实施例所提供的方法能够准确的确定待检修的配件范围,提高了工作效率。
Description
技术领域
本发明涉及人工智能领域,具体涉及一种基于人工智能的机车配件检修方法及***。
背景技术
机车随着投入运行时间的推移,各个部件会发生不同程度的磨耗、变形或者损坏,任何一个部件出现问题都会影响机车的健康运行,潜在或者直接威胁着车载乘客的生命安全。因此,为了使机车在健康的运行状态下稳定可靠的运行,同时延长使用期限,必须对机车进行有计划的检查和检修。
目前机车检测的方法为,通过比较机车在规定运行状态下的实时运行参数与给定的预设参数进行比对,实时运行参数在给定预设参数的范围内的,则不检修;否则,按照规定的检修标准进行检修。
发明人在实践中发现上述技术方案存在以下缺陷:
机车某一运行参数可以反映与其密切关联的主要配件的工作状态,但该运行参数的变化往往还会受到其他多个关联的次要配件的影响。因此在机车某一运行参数存在异常需要检修时,待检修的配件包括与该运行参数密切相关的主要配件以及相关联的次要配件,由于待检修的配件较多,该无差别检修的方式不仅工作效率低而且会耗费大量的人力和时间成本。
发明内容
为了解决上述技术问题,本发明的目的在于提供一种基于人工智能的机车配件检修方法及***,所采用的技术方案具体如下:
第一方面,本发明实施例提供了一种基于人工智能的机车配件检修方法,该方法包括以下步骤:
获取机车每个待检修的主配件的实时运行参数,根据所述实时运行参数预测每个所述主配件的故障程度;
获取与每个待检修的次配件具备相关性的主配件及其相关性的置信度,每个所述次配件与至少一个所述主配件相关;根据每个相关的所述主配件的故障程度和相应的置信度得到每个所述次配件的故障程度;
根据每个所述主配件的故障程度和次配件的故障程度得到待检修配件的平均故障程度以及最大故障程度,根据所述平均故障程度和所述最大故障程度确定故障程度的检修范围,以通过所述检修范围确定待检修的主配件和次配件。
进一步,所述主配件的获取方法为:
获取历史数据中的每个所述待检修配件的历史运行参数及每个所述历史运行参数对应的实际故障程度;
对每个所述历史运行参数所对应的配件的故障程度进行预估得到预估故障程度;
在所述预估故障程度与所述实际故障程度之间的误差小于允许误差时,确定所述运行参数所对应的配件为主配件。
进一步,所述获取与每个待检修的次配件具备相关性的主配件的步骤包括:
根据历史数据统计每个待匹配的主配件对应的多个实际故障程度和每个待匹配的次配件对应的多个实际故障程度;
获取任意一个所述待匹配的主配件的实际故障程度和所述待匹配的次配件的实际故障程度的散点图;对所述散点图中的散点进行回归分析,判断所述待匹配的主配件的实际故障程度与所述待匹配的次配件的实际故障程度之间的相关性。
进一步,所述对所述散点图中的散点进行回归分析的步骤之前进一步包括:
对所述散点图进行密度聚类,将密度最大的类别中的散点作为回归分析的目标散点。
进一步,所述对所述散点图中的散点进行回归分析,判断所述待匹配的主配件与所述待匹配的次配件之间的相关性的步骤包括:
对所述目标散点进行拟合得到第一回归方程;
获取剩余散点与所述第一回归方程之间的偏差,所述剩余散点为散点图中非目标散点的散点;在所述偏差小于偏差给定值时,将所述偏差对应的散点作为候选散点;
对所述目标散点和所述候选散点再次进行拟合得到第二回归方程;
在所述第二回归方程与所述第一回归方程相似时,确定所述待匹配的主配件与所述待匹配的次配件之间的相关性方程。
进一步,所述判断所述目标主配件与所述目标次配件之间的相关性的方法进一步包括:
在所述目标散点和所述候选散点的总数量与散点图中散点的总数量的比值大于数量给定值时,确定所述目标主配件与所述目标次配件之间具备相关性。
进一步,所述相关性的置信度的获取步骤包括:
将所述目标散点和所述候选散点的总数量与散点图中散点的总数量的比值作为所述置信度。
进一步,根据所述主配件的故障程度和相应的置信度得到每个所述次配件的故障程度的步骤包括:
将所述主配件的故障程度输入相应的所述相关性方程得到所述次配件的关联故障程度;
将所述置信度作为相应的所述关联故障程度的权重进行加权求和得到所述次配件的所述故障程度。
进一步,在所述确定故障程度的检修范围的步骤之后还包括:
对于在所述检修范围内的待检修配件,记录无需检修的配件的故障程度得到配件的故障程度的无效集合;
根据所述无效集合的最大值与所述平均故障程度的比值调节所述平均故障程度,以调节后的所述平均故障程度得到更新后的检修范围,通过所述更新后的检修范围确定待检修的主配件和次配件。
第二方面,本发明实施例提供了一种基于人工智能的机车配件检修***,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现上述任意一项所述方法的步骤。
本发明实施例具有如下有益效果:
本发明实施例通过获取主配件的实时运行参数,根据该运行参数预测每个主配件的故障程度;获取与次配件相关的主配件,并根据预测的主配件的故障程度及相关性的置信度得到每个次配件的故障程度,在主次配件故障程度的最大值大于等于预设的阈值时,根据主次配件故障程度的均值和最大值确定故障程度的检修范围,进而将检修范围内的相应检修配件作为待检修的配件范围。通过该方法有针对性的筛选待检修的配件,确定精确的检修范围,提高了检修的效率,降低了人力和时间成本。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案和优点,下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍,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的前提下,还可以根据这些附图获得其它附图。
图1为本发明一个实施例所提供的一种基于人工智能的机车配件检修方法;
图2为本发明一个实施例提供的预测故障程度的神经网络的架构示意图;
图3为本发明一个实施例所提供的主次配件的实际故障程度的散点示意图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明提出的一种基于人工智能的机车配件检修方法,其具体实施方式、结构、特征及其功效,详细说明如下。在下述说明中,不同的“一个实施例”或“另一个实施例”指的不一定是同一个实施例。此外,一个或多个实施例中的特定特征、结构、或特点可由任何合适形式组合。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
本发明实施例适用的具体场景为通过获取机车在运行期间的运行参数,对相应的运行参数进行分析确定机车待检修的配件范围。在机车上部署有大量的传感器,用于获取相应的运行参数以监控相关配件的健康状态。在机车按照规定的运行状态运行时,至少一个运行参数异常,则根据与该运行参数相关的主配件及次配件确定检修范围,以锁定需要密切关注的配件,重点检修锁定的配件,以达到快速修复配件、提高工作效率的目的,同时相比较无差别检修的方式降低了人力和时间成本。
其中,机车可以是高铁、动车、普通列车、地铁或者城铁等。运行参数为机车运行过程中需要监控的重要参数。
下面结合附图具体的说明本发明所提供的一种基于人工智能的机车配件检修方法的具体方案。
请参阅图1,其示出了本发明一个实施例提供的基于人工智能的机车配件检修方法流程图,该方法包括以下步骤:
步骤S001:获取机车每个待检修的主配件的实时运行参数,根据实时运行参数预测每个主配件的故障程度。
具体的,某一传感器按照预设的时间间隔实时采集相应的运行参数数据,得到按照时间顺序记录的数据列,称为该传感器的时序数据;通过对该时序数据的分析判断相应的配件是否处于故障状态。获取机车上所有传感器的时序数据,进而得到该机车所有传感器的时序数据的数据集S,该数据集的尺寸为[N,t],其中N表示该机车上所有传感器的数量,t表示时间间隔。例如时间间隔的取值为15s。
在利用本发明所提供的方法对机车配件进行检修之前,通过对数据库中历史时序数据的分析,将机车中的配件区分为了主配件和次配件。主配件是指与相应的运行参数密切相关的主要配件,该运行参数直接反映的相关的主要配件的健康状态;次配件是指与该运行参数相关的次要配件,该运行参数并不能准确反映次要配件的健康状态。例如对于发动机的温度参数,该温度参数密切相关的主要配件为发动机和散热器、冷却风扇,如果任意一个主要配件发生一定程度的故障会导致温度参数变化;相应的,从温度参数的角度看,温度参数的变化直接反映了相关主配件的健康状态。与该温度参数非密切相关的次要配件为水泵、补偿水箱、节温器、气缸盖中的水套等,如果任意一个次要配件发生一定程度的故障,温度参数会受到相应的影响,但温度参数的变化并不能直接反映次要配件的健康状态。本发明实施例将主要配件统称为主配件、将次要配件统称为次配件,下文不再特别声明。
请参阅附图2,对于根据实时运行参数预测每个主配件的故障程度的方法是通过神经网络预测每个主配件的故障程度。具体的,假设机车的主配件的数量为M,因此该神经网络的架构为编码器-M个分类器(Encoder-M×FC)的结构,其中编码器作为共享编码器,由一个共享编码器连接M个分类器,每个分类器由注意力机制模块(SEnet Block)和全连接层(FC)连接构成。将尺寸为[N,t]的数据集S输入训练好的神经网络,经共享编码器的处理得到特征向量,每个注意力机制模块根据不同配件的分类需求自适应的学习有用的特征,输出M个主配件的故障程度。
该神经网络的训练过程包括:以数据库中该机车所有传感器的历史时序数据的数据集为训练集、以主配件对应的实际故障程度为样本标签,将该训练集以及标签数据输入神经网络,经过共享编码器的处理得到相应的特征向量,在通过每个注意力机制模块对特征向量进行分类,得到每个主配件的故障程度。该神经网络的损失函数采用交叉熵损失函数,该损失函数Loss为:
对于训练集中作为样本标签的实际故障程度的获取,是通过数据库中所保存的历史数据得到。由于在对机车进行实际检修的过程中,数据库中会录入根据检修结果所获得的每一个配件的实际故障程度。实际故障程度是按照对机车的安全运行影响的严重程度分为个等级。在本发明实施例中的取值为5,也即共计分为5个等级,相应的故障程度的分级为0-4,其中故障程度为0表示配件不存在故障,故障程度为4表示配件已经严重影响机车的安全运行,故障程度的数值越大表示故障程度越大、故障越严重。
步骤S002:获取与每个待检修的次配件具备相关性的主配件及其相关性的置信度,每个次配件与至少一个主配件相关;根据每个相关的主配件的故障程度和相应的置信度得到每个次配件的故障程度。
预先对数据库中保存的实际故障程度进行分析确定主配件与次配件之间是否具备相关性。具体的,通过构建历史数据中主配件和次配件所对应的实际故障程度的散点图,拟合得到相应的回归方程作为相关性方程,并同时结合置信度确定两个变量之间是否存在相关关系。置信度为符合相关关系规律的散点与散点图中散点总数量的比值。对于相关的主次配件的实际故障程度来说,一个次配件可以与一个或者多个主配件相关,一个主配件也可以与一个或者多个次配件相关。
在实际应用中,在已知主配件与次配件之间的相关关系、相应的置信度以及预测的主配件的故障程度的情况下,通过相关性方程能够确定次配件相关的关联故障程度。又因为一个次配件可以与一个或者多个主配件相关,因此该次配件的故障程度为根据与其相关的主配件得到的多个关联故障程度的叠加。由于次配件与每个主配件之间相关性的置信度不同,因此以该置信度作为权重调节相应的关联故障程度,以得到次配件的故障程度。
具体的,将步骤S001预测得到的主配件的故障程度输入相应的相关性方程得到次配件的关联故障程度;将置信度作为相应的关联故障程度的权重进行加权求和得到次配件的故障程度。假设将步骤S001中预测的第个主配件的故障程度记为,相关性方程记为,与第个次配件存在相关性的主配件的数量记为,第个主配件和第个次配件之间的相关性的置信度记为,则第个次配件的故障程度为:
根据相同的方法获取每个次配件的故障程度。
步骤S003:根据每个主配件的故障程度和次配件的故障程度得到待检修配件的平均故障程度以及最大故障程度,根据平均故障程度和最大故障程度确定故障程度的检修范围,以通过检修范围确定待检修的主配件和次配件。
具体的,记待检修配件的平均故障程度为、最大故障程度为,当最大故障程度大于等于故障程度阈值时,需要对机车进行检修,为确保机车安全运行,确定的检修范围为故障程度在之间的机车配件。其中为检修范围系数,用于控制每次检修时的检修范围。
综上所述,本发明实施例通过获取主配件的实时运行参数,根据该运行参数预测每个主配件的故障程度;获取与次配件相关的主配件,并根据预测的主配件的故障程度及相关性的置信度得到每个次配件的故障程度,在主次配件故障程度的最大值大于等于预设的阈值时,根据主次配件故障程度的均值和最大值确定故障程度的检修范围,进而将检修范围内的相应检修配件作为待检修的配件范围。通过该方法有针对性的筛选待检修的配件,确定精确的检修范围,提高了检修的效率。
优选的,对于步骤S001中,由于运行参数的变化直接反映了主配件的故障程度,因此主配件的获取方法包括以下步骤:
步骤S101,获取历史数据中的每个待检修配件的历史运行参数及每个历史运行参数对应的实际故障程度。
在数据库中,每个配件都有一个唯一的身份编号,每个身份编号都对应的保存有检修前的历史运行参数、检修后的实际故障程度等基本信息。其中检修前的历史运行参数是按照时间顺序记录的时序数据。检修后的实际故障程度是检修人员根据配件的实际故障情况确定的实际故障程度。
步骤S102,对每个历史运行参数所对应的配件的故障程度进行预估得到预估故障程度。
对于从数据库中获取的历史运行参数,通过专家评估的方式对每个历史运行参数所对应配件的故障程度进行预估。为了消除评估误差,本发明实施例采用多名专家同时对该同一历史运行参数进行预估,得到预估的多个初始故障程度。对该多个初始故障程度求均值得到多名专业人士对该配件预估的平均故障程度,以该平均故障程度作为预估故障程度。
步骤S103,在预估故障程度与实际故障程度之间的误差小于允许误差时,确定运行参数所对应的配件为主配件。
在本发明实施例中允许误差的取值为1;在其他实施例中,该允许误差的取值可以根据配件的实际情况进行设置。
利用上述主配件的获取方法能够通过客观的数据分析,准确的区分开主配件和次配件。
优选的,对于步骤S002中,获取与每个待检修的次配件具备相关性的主配件的方法包括以下步骤:
步骤S201,根据历史数据统计每个待匹配的主配件对应的多个实际故障程度和每个待匹配的次配件对应的多个实际故障程度。
根据机车多次检修的历史数据,统计待匹配的主配件在每次检修时对应的实际故障程度,得到多个实际故障程度。相应的,统计待匹配的次配件所对应的多个实际故障程度。
步骤S202,获取任意一个待匹配的主配件的实际故障程度和待匹配的次配件的实际故障程度的散点图;对散点图中的散点进行回归分析,判断待匹配的主配件的实际故障程度与待匹配的次配件的实际故障程度之间的相关性。
请参阅图2,散点图的获取方法为:选取任意一个待匹配的主配件作为目标主配件、任意一个待匹配的次配件为目标次配件;获取以目标主配件的实际故障程度为横轴、以目标次配件的实际故障程度为纵轴的散点图。假设选取第个主配件为目标主配件,第个次配件为目标次配件;构建以第个主配件的实际故障程度为横坐标、以第个次配件的实际故障程度为纵坐标的二维平面坐标系,得到以坐标点为散点的二维平面散点图。
散点图中的每一个点代表每次检修得到的历史数据,散点图的分布用于判断两变量之间是否存在某种关联,因此根据散点图中对应点的离散程度来判断两个变量之间是否具有相关关系。通过对散点图中的散点进行回归分析拟合出相应的回归方程,在散点图中在该回归曲线周围的点的占比大于给定阈值时,确定两个变量之间存在相关关系。
优选的,对步骤S202中,在对散点图中的散点进行回归分析的步骤之前进一步包括:
对散点图进行密度聚类,将密度最大的类别中的散点作为回归分析的目标散点。具体的,
密度聚类的方法采用DBSCAN密度聚类算法,预设邻域为半径为1.5的圆形区域,最小包含点数为5,根据散点图中散点的自身分布特征得到聚类结果,聚类结果包括每个簇内的散点数目以及密度,簇的密度越大表示点分布的越密集,该簇内的样本置信度越大。因此在得到聚类的簇及相应簇的密度之后,选择密度最大的簇进行分析,将密度最大的类别中的散点作为回归分析的目标散点。
优选的,对于步骤S202中,对散点图中的散点进行回归分析,判断待匹配的主配件与待匹配的次配件之间的相关性的步骤包括:
步骤S211,对目标散点进行拟合得到第一回归方程。
目标散点为聚类结果中密度最大的类别中所包含的散点。本发明实施例采用最小二乘法拟合得到第一回归方程为:,其中多项式的最高次幂为5,为人为设定的经验值,可很好的拟合主要配件和次要配件的相关性,待定系数的值通过数据拟合得到。该最小二乘法为公知技术,不再赘述。
步骤S212,获取剩余散点与第一回归方程之间的偏差,剩余散点为散点图中非目标散点的散点;在偏差小于偏差给定值时,将偏差对应的散点作为候选散点。
在本发明实施例中,偏差给定值的取值为1;在其他实施例中可根据实际情况给定相应的取值。也即当剩余散点到步骤S211中拟合得到的多项式曲线之间的距离小于1时,确定该剩余散点满足相关性公式,将该剩余散点作为候选散点;否则,将相应的剩余散点记为噪声点;其中为横坐标对应的纵坐标值,为根据多项式得到的坐标值。按照相同的方法遍历散点图中除了目标散点之外的剩余散点,得到满足相关性公式的所有候选散点。
步骤S213,对目标散点和候选散点再次进行拟合得到第二回归方程。
步骤S214,在第二回归方程与第一回归方程相似时,确定待匹配的主配件与待匹配的次配件之间的相关性方程。
第一回归方程与第二回归方程相似的条件为:且,其中为预先设定的超参数,在本发明实施例中的取值为0.5。在满足相似条件时,确定目标主配件和目标次配件的相关性,则第个主配件和第个次配件的相关性计算公式为:,根据相关性确定相关性方程为。否则,说明未得到满足要求的相关性,则相关性计算公式更新多项式系数后,重复执行步骤S212-S214直至得到满足要求的相关性以及对应的相关性的置信度。其中,表示相关性的待定系数,拟合得到的曲线如图3所示。
优选的,对于步骤S002中,相关性的置信度的获取方法为:将目标散点和候选散点的总数量与散点图中散点的总数量的比值作为置信度。
优选的,为了得到准确的次配件的故障程度,判断目标主配件与目标次配件之间的相关性的方法进一步包括:在目标散点和候选散点的总数量与散点图中散点的总数量的比值大于数量给定值时,确定目标主配件与目标次配件之间具备相关性,并保留步骤S214获得的相关性。否则,确定目标主配件与目标次配件之间不相关,并将步骤S214获得的相关性舍去。
按照相同的方法能够得到每一个目标主配件和每一个目标次配件之间的相关性及其置信度,得到每个配件的关联图谱。根据该关联图谱能够快速的确定与目标配件相关联的其他相关配件。
优选的,在步骤S103之后,为了控制下次检修时的检修范围,确保在不漏检的情况下降低检修的工作量,根据每次的检修结果调节检修范围系数。具体的,对于在检修范围内的待检修配件,当待检修配件无需检修时,记录无需检修的配件的故障程度得到配件的故障程度的无效集合;根据无效集合的最大值与步骤S003中获取的平均故障程度的比值更新平均故障程度,以调节后的平均故障程度得到更新后的检修范围,以通过更新后的检修范围确定待检修的主配件和次配件。将无效集合的最大值与平均值的比值作为更新后的检修范围系数:
利用调整后的系数可以获得准确的检修范围,降低检修的工作量,提高作业效率。
基于与上述方法实施例相同的发明构思,本发明实施例一种基于人工智能的机车配件检修***,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述任意一个实施例所述的一种基于人工智能的机车配件检修方法的步骤。其中一种基于人工智能的机车配件检修方法在上述实施例中已经详细说明,不再赘述。
需要说明的是:上述本发明实施例先后顺序仅仅为了描述,不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
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。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于人工智能的机车配件检修方法,其特征在于,该方法包括以下步骤:
获取机车每个待检修的主配件的实时运行参数,根据所述实时运行参数预测每个所述主配件的故障程度;
获取与每个待检修的次配件具备相关性的主配件及其相关性的置信度,每个所述次配件与至少一个所述主配件相关;根据每个相关的所述主配件的故障程度和相应的置信度得到每个所述次配件的故障程度;
根据每个所述主配件的故障程度和次配件的故障程度得到待检修配件的平均故障程度以及最大故障程度,根据所述平均故障程度和所述最大故障程度确定故障程度的检修范围,以通过所述检修范围确定待检修的主配件和次配件。
2.根据权利要求1所述的一种基于人工智能的机车配件检修方法,其特征在于,所述主配件的获取方法为:
获取历史数据中的每个所述待检修配件的历史运行参数及每个所述历史运行参数对应的实际故障程度;
对每个所述历史运行参数所对应的配件的故障程度进行预估得到预估故障程度;
在所述预估故障程度与所述实际故障程度之间的误差小于允许误差时,确定所述运行参数所对应的配件为主配件。
3.根据权利要求1所述的一种基于人工智能的机车配件检修方法,其特征在于,所述获取与每个待检修的次配件具备相关性的主配件的步骤包括:
根据历史数据统计每个待匹配的主配件对应的多个实际故障程度和每个待匹配的次配件对应的多个实际故障程度;
获取任意一个所述待匹配的主配件的实际故障程度和所述待匹配的次配件的实际故障程度的散点图;对所述散点图中的散点进行回归分析,判断所述待匹配的主配件的实际故障程度与所述待匹配的次配件的实际故障程度之间的相关性。
4.根据权利要求3所述的一种基于人工智能的机车配件检修方法,其特征在于,所述对所述散点图中的散点进行回归分析的步骤之前进一步包括:
对所述散点图进行密度聚类,将密度最大的类别中的散点作为回归分析的目标散点。
5.根据权利要求4所述的一种基于人工智能的机车配件检修方法,其特征在于,所述对所述散点图中的散点进行回归分析,判断所述待匹配的主配件与所述待匹配的次配件之间的相关性的步骤包括:
对所述目标散点进行拟合得到第一回归方程;
获取剩余散点与所述第一回归方程之间的偏差,所述剩余散点为散点图中非目标散点的散点;在所述偏差小于偏差给定值时,将所述偏差对应的散点作为候选散点;
对所述目标散点和所述候选散点再次进行拟合得到第二回归方程;
在所述第二回归方程与所述第一回归方程相似时,确定所述待匹配的主配件与所述待匹配的次配件之间的相关性方程。
6.根据权利要求5所述的一种基于人工智能的机车配件检修方法,其特征在于,所述判断所述待匹配的主配件与所述待匹配的次配件之间的相关性的方法进一步包括:
在所述目标散点和所述候选散点的总数量与散点图中散点的总数量的比值大于数量给定值时,确定所述待匹配的主配件与所述待匹配的次配件之间具备相关性。
7.根据权利要求5所述的一种基于人工智能的机车配件检修方法,其特征在于,所述相关性的置信度的获取步骤包括:
将所述目标散点和所述候选散点的总数量与散点图中散点的总数量的比值作为所述置信度。
8.根据权利要求5~7任意一项所述的一种基于人工智能的机车配件检修方法,其特征在于,根据所述主配件的故障程度和相应的置信度得到每个所述次配件的故障程度的步骤包括:
将所述主配件的故障程度输入相应的所述相关性方程得到所述次配件的关联故障程度;
将所述置信度作为相应的所述关联故障程度的权重进行加权求和得到所述次配件的所述故障程度。
9.根据权利要求1所述的一种基于人工智能的机车配件检修方法,其特征在于,在所述确定故障程度的检修范围的步骤之后还包括:
对于在所述检修范围内的待检修配件,记录无需检修的配件的故障程度得到配件的故障程度的无效集合;
根据所述无效集合的最大值与所述平均故障程度的比值调节所述平均故障程度,以调节后的所述平均故障程度得到更新后的检修范围,通过所述更新后的检修范围确定待检修的主配件和次配件。
10.一种基于人工智能的机车配件检修***,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1-9任意一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111132375.XA CN113570088B (zh) | 2021-09-27 | 2021-09-27 | 一种基于人工智能的机车配件检修方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111132375.XA CN113570088B (zh) | 2021-09-27 | 2021-09-27 | 一种基于人工智能的机车配件检修方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113570088A CN113570088A (zh) | 2021-10-29 |
CN113570088B true CN113570088B (zh) | 2021-11-30 |
Family
ID=78174705
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111132375.XA Active CN113570088B (zh) | 2021-09-27 | 2021-09-27 | 一种基于人工智能的机车配件检修方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113570088B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP4166419A1 (en) * | 2021-10-18 | 2023-04-19 | Tata Consultancy Services Limited | System and method for railway network access planning |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109782739A (zh) * | 2019-01-29 | 2019-05-21 | 中国能源建设集团广东省电力设计研究院有限公司 | 设备故障的检修方法、装置、计算机设备和存储介质 |
CN110471395A (zh) * | 2019-08-16 | 2019-11-19 | 深圳市元征科技股份有限公司 | 一种故障检测方法、装置、设备及存储介质 |
CN111160685A (zh) * | 2019-09-23 | 2020-05-15 | 上海安恪企业管理咨询有限公司 | 一种基于设备综合健康状况分析和管理的维修决策方法 |
CN111340160A (zh) * | 2020-03-05 | 2020-06-26 | 西安奥卡云数据科技有限公司 | 一种汽车配件监控方法及*** |
CN112819107A (zh) * | 2021-04-16 | 2021-05-18 | 四川九门科技股份有限公司 | 基于人工智能的燃气调压设备故障预测方法 |
-
2021
- 2021-09-27 CN CN202111132375.XA patent/CN113570088B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109782739A (zh) * | 2019-01-29 | 2019-05-21 | 中国能源建设集团广东省电力设计研究院有限公司 | 设备故障的检修方法、装置、计算机设备和存储介质 |
CN110471395A (zh) * | 2019-08-16 | 2019-11-19 | 深圳市元征科技股份有限公司 | 一种故障检测方法、装置、设备及存储介质 |
CN111160685A (zh) * | 2019-09-23 | 2020-05-15 | 上海安恪企业管理咨询有限公司 | 一种基于设备综合健康状况分析和管理的维修决策方法 |
CN111340160A (zh) * | 2020-03-05 | 2020-06-26 | 西安奥卡云数据科技有限公司 | 一种汽车配件监控方法及*** |
CN112819107A (zh) * | 2021-04-16 | 2021-05-18 | 四川九门科技股份有限公司 | 基于人工智能的燃气调压设备故障预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113570088A (zh) | 2021-10-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US7725293B2 (en) | System and method for equipment remaining life estimation | |
Dong et al. | Equipment PHM using non-stationary segmental hidden semi-Markov model | |
CN111597760B (zh) | 一种实现小样本条件下获取气路参数偏差值的方法 | |
CN112785091A (zh) | 一种对油田电潜泵进行故障预测与健康管理的方法 | |
Xue et al. | An instance-based method for remaining useful life estimation for aircraft engines | |
Chen et al. | Imperfect maintenance policy considering positive and negative effects for deteriorating systems with variation of operating conditions | |
CN113570088B (zh) | 一种基于人工智能的机车配件检修方法及*** | |
Kargah-Ostadi | Comparison of machine learning techniques for developing performance prediction models | |
Zhao et al. | Quantifying classification uncertainty using regularized evidential neural networks | |
CN113485863A (zh) | 基于改进生成对抗网络生成异构不平衡故障样本的方法 | |
CN112700162A (zh) | 轨道交通空调运行状态的评估方法及装置 | |
CN117611015A (zh) | 一种建筑工程质量实时监测*** | |
Dragomir et al. | Adaptive Neuro-Fuzzy inference system for mid term prognostic error stabilization. | |
CN112580254B (zh) | 一种基于多级决策融合的换流变多维度分析和预警方法 | |
CN111639688B (zh) | 一种基于线性核svm的物联网智能模型的局部解释方法 | |
CN117312972A (zh) | 一种刮板输送机减速器健康状态识别方法 | |
CN117267288A (zh) | 一种基于模糊神经网络的制动片磨损诊断方法 | |
Martínez et al. | Engine health monitoring for engine fleets using fuzzy radviz | |
Raptodimos et al. | An artificial neural network approach for predicting the performance of ship machinery equipment | |
CN113312722B (zh) | 一种城轨列车关键部件的可靠度预测优化方法 | |
CN115544886A (zh) | 高速电梯的失效时间节点预测方法、***、设备和介质 | |
Voronov et al. | Lead-acid battery maintenance using multilayer perceptron models | |
CN112949524B (zh) | 一种基于经验模态分解与多核学习的发动机故障检测方法 | |
Witczak et al. | A fuzzy logic approach to remaining useful life estimation of ball bearings | |
Teyi et al. | A review of application of data science tools in crack identification and localization |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |