一种高速公路机电设备故障诊断、解决方法及系统与流程

本发明涉及机电设备维护技术领域，具体涉及一种高速公路机电设备故障诊断、解决方法及系统。

背景技术：

高速公路机电系统中监控系统包含数量庞大、种类品牌繁多、相互关联的设备。该系统结构复杂，设备运行工况差，尤其是以隧道系统为甚，并且，高速公路的运营对机电设备的完好率有较高的要求，使得机电设备的维护工作处于一个相对重要的地位。由于设备种类繁多，工作环境恶劣，分布分散，使得日常维护工作成为经常性的工作之一。

现有技术中，设备故障的判断基本上依赖人工方式，这样，故障有时候不能发现，或者故障发现后也难以定位具体故障原因，不能及时诊断出故障原因，造成检修和恢复周期较长，给运行路段造成较大的安全隐患。

技术实现要素：

针对现有技术中的上述缺陷，本发明提供了一种高速公路机电设备故障诊断、解决方法及系统，能够快速、准确地诊断出高速公路机电设备的故障原因。

第一方面，本发明提供的一种高速公路机电设备故障诊断方法，包括：

获取影响高速公路机电设备运行状态的实时数据；

将所述实时数据输入预设的诊断模型，诊断所述机电设备的故障原因；

向用户输出所述故障原因。

可选的，在将所述实时数据输入预设的诊断模型，诊断所述机电设备的故障原因的步骤之前，还包括：

获取影响高速公路机电设备运行状态的历史数据和机电设备相应的历史故障原因；

采用神经网络算法，对所述历史数据和所述历史故障原因进行训练，建立诊断模型。

可选的，所述实时数据，包括：内因实时数据和/或外因实时数据；

所述内因实时数据，包括：当前所述机电设备的电流、电压、功率因数、运行时长、厂家、型号、生产年份和批次中的一种或多种组合；

所述外因实时数据，包括：天气数据、保养次数和地点中的一种或多种组合。

可选的，还包括：

采用神经网络算法，实时更新所述诊断模型。

可选的，所述将所述实时数据输入预设的诊断模型，诊断所述机电设备的故障原因，包括：

将所述实时数据输入预设的诊断模型，诊断所述机电设备在当前和/或预设时间段内的故障原因。

可选的，还包括：

采用取样方式对训练后的所述诊断模型进行检验。

第二方面，本发明提供一种高速公路机电设备故障诊断系统，包括：

实时数据获取模块，用于获取影响高速公路机电设备运行状态的实时数据；

诊断模块，用于将所述实时数据输入预设的诊断模型，诊断所述机电设备的故障原因；

故障原因输出模块，用于向用户输出所述故障原因。

第三方面，本发明提供一种高速公路机电设备故障解决方法，包括：

获取高速公路机电设备的故障原因；

将所述故障原因输入预先建立的知识库模型，获得所述故障原因相对应的解决方案；

向用户输出所述解决方案。

可选的，在将所述故障原因输入预先建立的知识库模型，获得所述故障原因相对应的解决方案的步骤之前，还包括：

获取高速公路机电设备的历史故障原因和相应的历史解决方案；

采用神经网络算法，对所述历史故障原因和所述历史解决方案进行训练，建立知识库模型。

第四方面，本发明提供一种高速公路机电设备故障解决系统，包括：

故障原因获取模块，用于获取高速公路机电设备的故障原因；

解决方案获得模块，用于将所述故障原因输入预先建立的知识库模型，获得所述故障原因相对应的解决方案；

解决方案输出模块，用于向用户输出所述解决方案。

由以上技术方案可知，本发明提供一种高速公路机电设备故障诊断、解决方法及系统。所述高速公路机电设备故障诊断方法，包括：获取影响高速公路机电设备运行状态的实时数据；将所述实时数据输入预设的诊断模型，诊断所述机电设备的故障原因；向用户输出所述故障原因。该方法能够快速、准确地诊断出机电设备的故障原因，解决了现有技术中依赖人工检测故障的方式，能够降低人工成本；同时，通过对故障原因的诊断，能够使缺乏经验的运维人员更加有针对性地对机电设备进行维护，进而提高维护效率。

所述高速公路机电设备故障解决方法，包括：获取高速公路机电设备的故障原因；将所述故障原因输入预先建立的知识库模型，获得所述故障原因相对应的解决方案；向用户输出所述解决方案。通过这种方法，能够快速的、准确的得到故障原因的解决方案，能够使经验欠缺的运维人员根据该解决方案快速解决故障问题，提高维护的效率，从而能够提高科学管理与决策水平。

本发明提供的一种高速公路机电设备故障诊断系统，与上述高速公路机电设备故障诊断方法出于相同的发明构思，具有相同的有益效果。本发明提供的一种高速公路机电设备故障解决系统，与上述高速公路机电设备故障解决方法出于相同的发明构思，具有相同的有益效果。

附图说明

为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍。在所有附图中，类似的元件或部分一般由类似的附图标记标识。附图中，各元件或部分并不一定按照实际的比例绘制。

图1示出了本发明第一实施例提供一种高速公路机电设备故障诊断方法的流程图；

图2示出了本发明第一实施例中深度神经网络逻辑关系的示意图。

图3示出了本发明第二实施例提供一种高速公路机电设备故障诊断系统的示意图；

图4示出了本发明第三实施例提供一种高速公路机电设备故障解决方法的流程图；

图5示出了本发明第四实施例提供一种高速公路机电设备故障解决系统的示意图。

具体实施方式

下面将结合附图对本发明技术方案的实施例进行详细的描述。以下实施例仅用于更加清楚地说明本发明的技术方案，因此只是作为示例，而不能以此来限制本发明的保护范围。

需要注意的是，除非另有说明，本申请使用的技术术语或者科学术语应当为本发明所属领域技术人员所理解的通常意义。

本发明的行为主体可以是服务器、单片机等，行为主体中设置有存储器，存储器上存储有实现本发明中的故障诊断方法和故障解决方法的计算机程序，行为主体可以执行上述计算机程序，进而实现本发明的方案。

本发明提供了一种高速公路机电设备故障诊断、解决方法及系统。下面结合附图对本发明的实施例进行说明。

第一实施例：

图1示出了本发明第一实施例所提供的一种高速公路机电设备故障诊断方法的流程图。如图1所示，本发明第一实施例提供的一种高速公路机电设备故障诊断方法包括以下步骤：

步骤s101：获取影响高速公路机电设备运行状态的实时数据。

步骤s102：将所述实时数据输入预设的诊断模型，诊断所述机电设备的故障原因。

步骤s103：向用户输出所述故障原因。

通过获取影响高速公路机电设备运行状态的实时数据，再将该实时数据输入到诊断模型，进而能够诊断出机电设备的故障原因。该方法能够快速、准确地诊断出机电设备的故障原因，解决了现有技术中依赖人工检测故障的方式，能够降低人工成本；同时，通过对故障原因的诊断，能够使缺乏经验的运维人员更加有针对性地对机电设备进行维护，进而提高维护效率。

其中，实时数据可以包括内因实时数据和/或外因实时数据；内因实时数据可以包括：当前机电设备的电流、电压、功率因数、运行时长、厂家、型号、生产年份、批次等中的一种或多种组合；外因实时数据可以包括：天气数据、保养次数、地点等中的一种或多种。其中，保养次数是指当前机电设备从开始使用到现在的保养次数。

在本发明提供的一个具体实施例中，所述将所述实时数据输入预设的诊断模型，诊断所述机电设备的故障原因，可以包括：将所述实时数据输入预设的诊断模型，诊断所述机电设备在当前和/或预设时间段内的故障原因。

在本发明中，可以根据诊断模型，诊断机电设备在当前的故障原因，还可以根据诊断模型，诊断机电设备在预设时间段内的故障原因。其中，预设时间段可以是在未来一段时间内，例如，未来一个星期、未来一个月等。

在本发明提供的一个具体实施例中，在将所述实时数据输入预设的诊断模型，诊断所述机电设备的故障原因的步骤之前，还可以包括：获取影响高速公路机电设备运行状态的历史数据和机电设备相应的历史故障原因；采用神经网络算法，对所述历史数据和所述历史故障原因进行训练，建立诊断模型。

其中，历史数据包括内因历史数据、外因历史数据等。内因历史数据可以包括：机电设备的历史电流、历史电压、功率因数、运行时长、厂家、型号、生产年份、批次等中的一种或多种组合；外因历史数据可以包括：机电设备历史故障时的天气数据、保养次数、地点等中的一种或多种。其中，保养次数是指机电设备从开始使用到故障时的保养次数。运行时长是指系统运行总时长。

在本发明中，历史数据还可以包括：系统软件品牌、plc(programmablelogiccontroller)品牌、plc型号、plc与上位机连接方式、通信网络产品的品牌、运营公司、施工安装公司、项目里程、完成工期状况、经费预算等中一种或多种数据，只要影响系统运行，就可以作为该历史数据，这都在本发明的保护范围内。

在本发明中，可以采用神经网络算法，对历史数据和历史故障原因进行训练，也可以采用机器学习算法、统计学习算法等其它算法来训练，这都在本发明的保护范围内。

采用神经网络算法建立诊断模型的具体建模过程如下：

深度神经网络逻辑关系如图2所示。

其中，输入层为：

其中，每一个元素代表一个特征值，也就是每一个元素代表一种历史数据，例如，x1代表机电设备的历史电流，x2代表机电设备的历史电压，x3代表机电设备的功率因素，等等，这里不再一一列举。

其中，a表示神经元，l表示深度神经网络有l个运算层。每一个神经元a都是一个可以进行逻辑回归运算的单元，该运算单元由一个线性函数z(x)和一个激活函数g(x)构成。

其中，z(x)＝wx+b

隐藏层为a^[l]…a^[l-1]

该层中的神经元使用relu函数作为激活函数,为：g(z)＝max(0,z)

输出层为a^[l]；

该层的神经元使用的激活函数为sigmoid函数，为：

输出结果为：

其中，每一个元素对应一个故障原因分类。

其中，故障原因可以包括：设备电器损坏、网络中断、软件故障、plc低压柜故障、线路连接中断、网络故障、电力中断等中的一种或多种组合。元素的值是0-1之间的一个值，表示模型判断为某类故障的可能性。

将输出结果和正确的答案进行比较，得出错误的计算值。

正确答案为：y；计算错误的函数为：

通过大量的训练数据，不断迭代调整模型参数w,b，寻找最优值，将s降到最小。

同时，还可以调整模型本身参数，例如，激活函数的选择、训练迭代的次数，学习速率等。

在计算最优参数时，可以通过梯度下降方法不断进行迭代，计算出最优参数。下面以一层隐藏层为例，进行说明：

第一步：初始化参数；第二步：根据模型设置进行预测；第三步，计算错误s；第四步：计算对于s的参数w,b的导数；第五步：根据四步计算的结果调整参数；第六步：重复第二步、第三步、第四步、第五步。

第一步：初始化参数：

采用一些小的随机值初始化各层的w,b的数值，因为当数值较大时，训练的时候每次朝最小值下降的速度也很慢。

向前计算错误：

根据输入的训练数据，每一次的迭代，都根据模型设定的算法和神经网络的各级参数w,b进行计算，得到预测结果

例如，使用m个样本数据进行训练：

x＝a^[0]＝[x1x2,xi,xm]

各级的w,b参数分别为：

对于每一次迭代的计算方法如下：z^[l]＝w^[l]a^[l-1]+b^[l]

a^[l]＝g(z^[l])

对每一个样本数据在每个分类上的错误求平均值：

其中，梯度下降方法：

对于参数w,b所需要下降的数值，具体的计算方法为：

dz^[l]＝da^[l]g′(z^[l])

下降优化的过程就是不断根据计算出来的dw和db来更新w^[l]、b^[l]。

w^[l]＝w^[l]-θdw^[l]

b^[l]＝b^[l]-θdb^[l]

在本发明提供的一个具体实施例中，还可以包括：采用神经网络算法，实时更新诊断模型。

在根据诊断模型诊断故障原因后，当运维人员根据该故障原因进行检测后，发展该故障原因诊断有误时，可以将当前的实时数据和正确的故障原因输入到本发明的执行主体中，使本发明的执行主体利用该实时数据和正确的故障原因重新优化更新诊断模型，进而提高诊断模型诊断的准确率。

在本发明提供的一个具体实施例中，还可以包括：采取取样方式对训练后的诊断模型进行检验。

当建立好诊断模型后，可以从历史数据中选取一组数据作为输入值，得到输出值后，与相应的历史故障原因进行对比，看是否正确，若不正确，则可以重新从获取影响高速公路机电设备运行状态的历史数据和机电设备相应的历史故障原因的步骤开始执行，重新建立模型；若正确，则可以确保该诊断模型的准确率较高。

以上，为本发明第一实施例提供的一种高速公路机电设备故障诊断方法的实施例说明。

第二实施例：

在上述的第一实施例中，提供了一种高速公路机电设备故障诊断方法，与之相对应的，本申请还提供一种高速公路机电设备故障诊断系统。请参考图3，其为本发明第二实施例提供的一种高速公路机电设备故障诊断系统的示意图。由于系统实施例基本相似于方法实施例，所以描述得比较简单，相关之处参见方法实施例的部分说明即可。下述描述的系统实施例仅仅是示意性的。

本发明第二实施例提供的一种高速公路机电设备故障诊断系统，包括：

实时数据获取模块101，用于获取影响高速公路机电设备运行状态的实时数据；

诊断模块102，用于将所述实时数据输入预设的诊断模型，诊断所述机电设备的故障原因；

故障原因输出模块103，用于向用户输出所述故障原因。

在本发明提供的一个具体实施例中，所述系统，还包括：

历史数据获取模块，用于获取影响高速公路机电设备运行状态的历史数据和机电设备相应的历史故障原因；

诊断模型建立模块，用于采用神经网络算法，对所述历史数据和所述历史故障原因进行训练，建立诊断模型。

在本发明提供的一个具体实施例中，所述实时数据，包括：内因实时数据和/或外因实时数据；

所述内因实时数据，包括：当前所述机电设备的电流、电压、功率因数、运行时长、厂家、型号、生产年份和批次中的一种或多种组合；

所述外因实时数据，包括：天气数据、保养次数和地点中的一种或多种组合。

在本发明提供的一个具体实施例中，所述系统，还包括：

优化模块，用于采用神经网络算法，实时更新所述诊断模型。

在本发明提供的一个具体实施例中，所述诊断模块102，具体用于：

将所述实时数据输入预设的诊断模型，诊断所述机电设备在当前和/或预设时间段内的故障原因。

在本发明提供的一个具体实施例中，所述系统，还包括：

检验模块，用于采用取样方式对训练后的所述诊断模型进行检验。

以上，为本发明第二实施例提供的一种高速公路机电设备故障诊断系统的实施例说明。

本发明提供的一种高速公路机电设备故障诊断系统与上述高速公路机电设备故障诊断方法出于相同的发明构思，具有相同的有益效果，此处不再赘述。

第三实施例：

相应的，本发明第三实施例还提供一种高速公路机电设备故障解决方法，可以与上述一种高速公路机电设备故障诊断方法配合使用，请参考图4，其为本发明实施例所提供的一种高速公路机电设备故障解决方法的流程图，具体包括以下步骤：

步骤s201：获取高速公路机电设备的故障原因。

步骤s202：将所述故障原因输入预先建立的知识库模型，获得所述故障原因相对应的解决方案。

步骤s203：向用户输出所述解决方案。

通过获取高速公路机电设备的故障原因，进而再将该故障原因，输入预先建立的知识库模型中，获得相应的解决方案，并输出给用户。通过这种方法，能够快速的、准确的得到故障原因的解决方案，能够使经验欠缺的运维人员根据该解决方案快速解决故障问题，提高维护的效率，从而能够提高科学管理与决策水平。

在本发明提供的一个具体实施例中，在将所述故障原因输入预先建立的知识库模型，获得所述故障原因相对应的解决方案的步骤之前，还可以包括：获取高速公路机电设备的历史故障原因和相应的历史解决方案；采用神经网络算法，对所述历史故障原因和所述历史解决方案进行训练，建立知识库模型。

其中，历史故障原因可以包括：设备电器损坏、网络中断、软件故障、plc低压柜故障、线路连接中断、网络故障、电力中断等中的一种或多种组合。

解决方案是指高速公路机电运维专家长期实践、积累、摸索出的解决每种故障原因的经验知识。

在对历史故障原因和历史解决方案进行训练时，可以采用神经网络算法，与本发明第一实施例中训练诊断模型的方法相同，都可以采用深度神经网络算法。通过训练历史故障原因和历史解决方案，能够得到知识库模型。此处不再赘述建模过程。

在训练时，历史故障原因就作为了输入值，而历史解决方案就作为了输出值。

在本发明中，同一个历史故障原因可以有不同的解决方案，也可以只有一种解决方案，这都在本发明保护的范围内。

在本发明中，在训练知识库模型时，还可以采用机器学习算法、统计学习算法等其它算法来训练知识库模型，这都在本发明的保护范围内。

在本发明中，当建立完知识库模型后，还可以实时更新优化知识库模型。当运维人员用输出的解决方案不能解决相应的故障原因时，通过查阅中外文献、大量有关高速公路机电设备故障的专著，得到的正确解决方案，运维人员可以将故障原因和相应的正确解决方案输入到该方法的执行主体中，使执行主体根据该故障原因和相应的正确解决方案优化知识库模型。

在本发明中，当建立完知识库模型后，还可以从历史故障原因和历史解决方案中选择一组数据，输入到本方法的执行主体，得到相应的解决方案，将输出的解决方案与正确的历史解决方案进行对比，看是否正确，若不正确，则重新执行获取高速公路机电设备的历史故障原因和相应的历史解决方案的步骤，中心建立知识库模型；若正确，则可以确保该知识库模型的准确率较高。

通过该方法，可以及时为运维人员提供专家级的解决方案。以上为本发明第三实施例提供的一种高速公路机电设备故障解决方法的实施例说明。

在上述的第三实施例中，提供了一种高速公路机电设备故障解决方法，与之相对应的，本申请还提供一种高速公路机电设备故障解决系统。请参考图5，其为本发明第四实施例提供的一种高速公路机电设备故障解决系统的示意图。由于系统实施例基本相似于方法实施例，所以描述得比较简单，相关之处参见方法实施例的部分说明即可。下述描述的系统实施例仅仅是示意性的。

本发明第四实施例提供的一种高速公路机电设备故障解决系统，包括：

故障原因获取模块201，用于获取高速公路机电设备的故障原因；

解决方案获得模块202，用于将所述故障原因输入预先建立的知识库模型，获得所述故障原因相对应的解决方案；

解决方案输出模块203，用于向用户输出所述解决方案。

在本发明提供的一个具体实施例中，所述系统，还包括：

历史样本数据获取模块，用于获取高速公路机电设备的历史故障原因和相应的历史解决方案；

知识库模型建立模块，用于采用神经网络算法，对所述历史故障原因和所述历史解决方案进行训练，建立知识库模型。

以上，为本发明第四实施例提供的一种高速公路机电设备故障解决系统的实施例说明。

本发明提供的一种高速公路机电设备故障解决系统与上述高速公路机电设备故障解决方法出于相同的发明构思，具有相同的有益效果，此处不再赘述。

在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不是必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。需要说明的是，本发明附图中的流程图和框图显示了根据本发明的多个实施例的系统、方法和获得机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与获得机指令的组合来实现。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统、系统和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

在本申请所提供的几个实施例中，应该理解到，所揭露的系统、系统和方法，可以通过其它的方式实现。以上所描述的系统实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，又例如，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。

所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个获得机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该获得机软件产品存储在一个存储介质中，包括若干指令用以使得一台获得机机器(可以是个人获得机，服务器，或者网络机器等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read-onlymemory)、随机存取存储器(ram，randomaccessmemory)、磁碟或者光盘等各种可以存储程序代码的介质。

最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围，其均应涵盖在本发明的权利要求和说明书的范围当中。