[發(fā)明專利]一種基于大數(shù)據(jù)分析的地鐵機電設(shè)備狀態(tài)異常檢測方法

有效

• 申請?zhí)枺?/td>: 201711371666.8
• 申請日: 2017-12-19
• 公開（公告）號: CN108052092B
• 公開（公告）日: 2020-02-21
• 發(fā)明（設(shè)計）人: 鄧敏;趙軍鋒;張志賢;于洋;趙明桂;李上
• 申請（專利權(quán)）人: 南京軌道交通系統(tǒng)工程有限公司
• 主分類號: G05B23/02
• 分類號: G05B23/02
• 代理公司: 江蘇圣典律師事務(wù)所 32237
• 代理人: 賀翔

1.一種基于大數(shù)據(jù)分析的地鐵機電設(shè)備狀態(tài)異常檢測方法，其特征在于，包括如下步驟：

1)從地鐵機電設(shè)備歷史狀態(tài)數(shù)據(jù)庫中提取機電設(shè)備狀態(tài)數(shù)據(jù)，并將其導(dǎo)入大數(shù)據(jù)存儲系統(tǒng)；

2)從上述的大數(shù)據(jù)存儲系統(tǒng)中讀取地鐵機電設(shè)備歷史狀態(tài)數(shù)據(jù)；

3)將上述的地鐵機電設(shè)備歷史狀態(tài)數(shù)據(jù)代入AR模型和SOM模型進行訓(xùn)練，然后建立多維設(shè)備運行特征參數(shù)；

4)根據(jù)上述的多維設(shè)備運行特征參數(shù)對實時的設(shè)備監(jiān)測數(shù)據(jù)進行異常判別；

所述步驟3)中具體還包含：

31)針對每個參量的歷史數(shù)據(jù)，通過AR模型、SOM算法計算出轉(zhuǎn)移概率矩陣{X1,X2,…,Xn}；

32)針對所有參量的歷史數(shù)據(jù)，通過DBSCAN算法對多維時間序列進行聚類，將歷史數(shù)據(jù)聚成m個簇；

所述步驟4)中具體包含：將在線監(jiān)測的機電設(shè)備實時數(shù)據(jù)流代入步驟31)中的轉(zhuǎn)移概率矩陣得到各參量的轉(zhuǎn)移概率序列，并判斷各時間點的數(shù)據(jù)是否屬于步驟32)中的m個聚類；

a.當各參量的轉(zhuǎn)移概率序列都不存在0值，且數(shù)據(jù)流中各時間點的數(shù)據(jù)屬于m個簇中的1個時，則各時間點的數(shù)據(jù)不存在異常；

b.當各參量的轉(zhuǎn)移概率序列存在少于3個0值，且數(shù)據(jù)流中少于三個采樣周期的數(shù)據(jù)不屬于m個簇，則各時間點的數(shù)據(jù)中存在少于3個噪聲點，屬于傳感器異常；

c.當k個參量的轉(zhuǎn)移概率序列存在一段0值，k<N，且數(shù)據(jù)流中多于3個采樣周期的數(shù)據(jù)不屬于m個簇，則判斷設(shè)備出現(xiàn)了異常運行狀態(tài)；

d.對上述步驟c中異常運行狀態(tài)，根據(jù)參量轉(zhuǎn)移概率序列的過0點，判斷設(shè)備異常狀態(tài)的發(fā)生時間。

2.根據(jù)權(quán)利要求1所述的基于大數(shù)據(jù)分析的地鐵機電設(shè)備狀態(tài)異常檢測方法，其特征在于，所述步驟1)中所提取的設(shè)備歷史狀態(tài)數(shù)據(jù)包括：溫度、電壓、電流、壓力、客流數(shù)據(jù)或交易數(shù)據(jù)。

3.根據(jù)權(quán)利要求1或2所述的基于大數(shù)據(jù)分析的地鐵機電設(shè)備狀態(tài)異常檢測方法，其特征在于，所述步驟1)具體還包括：數(shù)據(jù)提取時，周期性的從數(shù)據(jù)庫中讀取增量數(shù)據(jù)，并寫入大數(shù)據(jù)存儲系統(tǒng)。