[發明專利]基于故障標志物的軌道交通系統業務故障預測方法

有效

• 申請號: 202111154631.5
• 申請日: 2021-09-29
• 公開（公告）號: CN113780682B
• 公開（公告）日: 2023-07-18
• 發明（設計）人: 黃寧;趙靜萌;張欣;吳祥蔚
• 申請（專利權）人: 北京航空航天大學
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q10/0639;G06Q50/30
• 代理公司: 北京孚睿灣知識產權代理事務所(普通合伙) 11474
• 代理人: 韓燕

1.一種基于故障標志物的軌道交通系統業務故障預測方法，其特征在于，其包括以下步驟：

步驟1：采集待分析軌道交通系統底層監測數據，基于所述底層監測數據進行業務故障標志物備選參數的分析與預處理，具體包括業務故障標志物備選參數分析、業務故障標志物備選參數預處理和業務故障判據分析；

步驟2：業務故障標志物識別，具體包括以下步驟：

步驟21：對所述步驟1獲得的業務故障標志物備選參數進行顯著性分析，獲得顯著性表達參數，所述顯著性分析包括t檢驗篩選、偽發現率FDR篩選和差異表達Fold-change篩選；

步驟22：對所述步驟21獲得的顯著性表達參數進行相關性分析，獲得關鍵性參數組，所述相關性分析包括計算相關性系數、計算參數相關距離和基于參數相關距離的聚類分析；

步驟23：計算所述步驟22獲得的關鍵性參數組的綜合指標CI、關鍵性參數組中所有參數的標準差的均值SD和BZ；

步驟24：根據所述步驟23獲得的關鍵性參數組的綜合指標CI，識別業務故障標志物，具體為繪制所述關鍵性參數組的綜合指標CI、關鍵性參數組中所有參數的標準差的均值SD和BZ隨時間變化的曲線，指標l∈{SD,BZ,CI}，獲取所述指標l隨時間變化的曲線中的最高峰位置、次高峰的影響和最高峰的峰度K^l:

式中：μ^l為指標l全過程中的均值；σ^l為指標l全過程中的標準差；v_i^l為指標l的第i個時序數據；N為全過程時間點總數；

對于所述指標l，所述最高峰位置為所述指標l隨時間變化的曲線最高峰值所處的時間點，如果所述時間點位于正常狀態時間段內，則所述指標l的得分score_l為0，所述正常狀態時間段包括故障輸入之前和故障完全恢復之后；所述次高峰為所述隨時間變化的曲線中第二高的波峰所處的時間點，如果所述次高峰在所述最高峰之前，并且所述次高峰的高度超過了所述最高峰的高度的80％，則認為所述次高峰對所述最高峰產生影響，則所述指標l的得分score_l為0，利用所述最高峰的峰度K^l計算關鍵性參數組的綜合得分，具體為：對所述峰度K^l進行歸一化獲得關鍵性參數組的綜合指標CI、關鍵性參數組中所有參數的標準差的均值SD和BZ的得分分別為score_CI、score_SD和score_BZ，分別對所述score_CI、score_SD和score_BZ賦予權值β₁、β₂、β₃，加和計算得到關鍵性參數組的綜合得分：

score＝β₁score_CI+β₂score_SD+β₃score_BZ

選取所述綜合得分最高的關鍵性參數組作為業務故障標志物的參數，所述關鍵性參數組的綜合指標CI的計算公式為所述關鍵性參數組的耦合關系，所述業務故障標志物包括所述業務故障標志物的參數和所述關鍵性參數組的耦合關系；

步驟3：基于滑動時間窗進行所述步驟2獲得的業務故障標志物的故障預測。

2.根據權利要求1所述的基于故障標志物的軌道交通系統業務故障預測方法，其特征在于，所述步驟3中劃分滑動時間窗具體為劃分3個時間窗，所述時間窗的大小為4個時間步。