[發明專利]一種基于大數據分析的地鐵機電設備狀態異常檢測方法

有效

• 申請號: 201711371666.8
• 申請日: 2017-12-19
• 公開（公告）號: CN108052092B
• 公開（公告）日: 2020-02-21
• 發明（設計）人: 鄧敏;趙軍鋒;張志賢;于洋;趙明桂;李上
• 申請（專利權）人: 南京軌道交通系統工程有限公司
• 主分類號: G05B23/02
• 分類號: G05B23/02
• 代理公司: 江蘇圣典律師事務所 32237
• 代理人: 賀翔

本發明公開了一種基于大數據分析的地鐵機電設備狀態異常檢測方法，從數據演化過程、數據關聯的全新角度實現地鐵機電設備的異常檢測。通過時間序列模型和自適應神經網絡對歷史數據潛在的特征進行挖掘，并將數據對時間的動態變化規律用轉移概率序列表示。針對多維的監測數據，運用無監督聚類方法簡化各參量之間的相關關系，從而避免參量間相關性難以確定的問題。提出異常檢測體系，并使之適用于地鐵機電設備狀態監測數據流，實現數據流中異常的快速檢出。

技術領域

本發明屬于大數據環境下的神經網絡設備故障技術領域，具體指代一種大數據環境下基于自組織神經網絡(self-organized maps，SOM)算法的地鐵機電設備狀態異常的檢測方法。

背景技術

地鐵機電設備在實際運行過程中會受到過負荷、過電壓、內部絕緣老化、自然環境等異常事件影響，這些異常運行狀態會導致設備缺陷、故障的發生，因此對地鐵機電設備狀態進行異常檢測具有很強的必要性。在設備實際運維中，大都是基于單一系統的部分設備信息，采用簡單閾值判定方法來檢測異常。這種傳統的閾值判定具有局限性，一方面設備信息利用率和狀態評價正確率都偏低，另一方面難以檢測出設備的潛伏性故障及故障類別，而且相關規范標準中的固定閾值難以結合設備運行工況的差異性。

由于地鐵機電設備狀態數據(包括在線監測、帶電檢測、預防性試驗數據等)體量大、類型繁多的特點，可以將大數據技術引入到設備異常檢測中，充分挖掘狀態數據的異常信息。近兩年大數據技術在互聯網、金融、物流領域的發展迅速，體現出極高的社會價值，而在軌道交通行業大數據技術正處于起步階段，大數據分析技術通過尋找設備信息間的關聯關系，為提供設備異常檢測準確性提供了全新的解決方法和思路。

地鐵機電設備狀態變化具有復雜性、隨機性和周期性的特征。監測地鐵機電設備狀態異常具有高度的非線性和不確定性，并且同時間相關性較強，該類問題常用的方法主要有回歸模型預測方法和以神經網絡為代表的機器學習方法。

時間序列的自回歸模型(auto-regressive，AR)適用于很多工業過程，其特點是AR系統記憶性強，在時間t的值依賴于從前時刻的行為，這與設備運行過程中的低動態性相符。地鐵機電設備在正常運行過程中一部分狀態量的變化較小，如拉力、接地電流等，這些狀態量數據都屬于平穩序列，可直接用AR擬合；另一部分狀態量呈日周期性變化，但變化幅值不大，如油溫、環境溫度等，去除其日周期性后也可通過AR擬合。由于地鐵機電設備的潛伏性故障發展緩慢，因此當設備處于異常狀態時，監測到的參量往往未超出導則或規程中的限值，從而難以察覺。根據以上結論可知，對于沒有超出狀態量限值的在線監測數據，單純地用AR模型不能夠檢測出其異常狀態。

神經網絡(Neural Networks)是一個高度復雜的非線性動力學習系統，作為對復雜非線性系統的逼近器，具有自學習、自組織及泛化能力，在預測領域有很大的優勢。自組織神經網絡(self organized maps，SOM)工作原理是通過無監督學習方法，讓競爭層各神經元通過競爭與輸入模式進行匹配，最后僅有一個神經元成為競爭的勝者，這一獲取神經元的輸入就代表對輸入模式的分類。由于無監督學習的訓練樣本中不含有期望輸出，沒有任何先驗知識，因此適用于數據量大、不含標簽的狀態監測數據。

發明內容

針對于上述現有技術的不足，本發明的目的在于提供一種基于大數據分析的地鐵機電設備狀態異常檢測方法，以解決現有技術中傳統的地鐵機電設備狀態異常檢測方法具有局限性，設備信息利用率和狀態評價正確率都偏低，以及難以檢測出設備的潛伏性故障及故障類別的問題。

為達到上述目的，本發明采用的技術方案如下：

本發明的一種基于大數據分析的地鐵機電設備狀態異常檢測方法，包括如下步驟：

1)從地鐵機電設備歷史狀態數據庫中提取機電設備狀態數據，并將其導入大數據存儲系統；

2)從上述的大數據存儲系統中讀取地鐵機電設備歷史狀態數據；