本发明属于轨道交通设备告警技术领域，尤其是涉及一种轨道交通综合监控智能短信告警方法。
背景技术：
随着我国铁路行业的迅速发展，为了提高经济效益，提高劳动生产率，很多变电所都实现了无人值守。现有的大多变电所都是采用短信方式告警，而现有的告警短信的发送具有内容拖沓、重复、频繁、单向无交互等缺点。不能够将设备告警信息情况有效、及时、准确的发送至监控平台。
技术实现要素：
有鉴于此，本发明旨在提出一种轨道交通综合监控智能短信告警方法，以解决现有的短信告警的内容拖沓、重复、频繁、单向无交互等情况。
为达到上述目的，本发明的技术方案是这样实现的：
一种轨道交通综合监控智能短信告警方法，包括以下步骤：
s1、建立基于神经网络的多隐层深度学习数学模型；
s2、根据建立的数学模型对采集到的告警数据进行机器学习处理，并将优化处理后的内容以短信的方式发送给用户；
s3、对用户反馈的结果进行执行，以及将学习知识进行学习库入库处理。
进一步的，所述步骤s1中，所述基于神经网络的多隐层深度学习数学模型包括从前往后依次执行的输入元、归类层、净化层、决策层、输出元、反馈层。
进一步的，所述数学模型的输入元包括监控平台的所有实时数据和故障报告的异常及告警，以及监控对象的从属关系、布局。
进一步的，所述数学模型的归类层包括对异常数据和告警的归属、分类；一个监控对象提取归纳出的所有表征，采用一条短信描述。
进一步的，数学模型中的净化层包括净化层输入元，所述净化层输入元包括归类层的输出元、监控对象告警等级、告警形式、表征周期、自学习基础判断库，净化层主要对净化层输入元进行净化，防止告警短信的重复发送、不必要发送、漏送情况的发生。
进一步的，数学模型的决策层包括决策层输入元，所述决策层输入元包括净化层的输出元、告警联动策略、告警分析策略、应急执行策略、学习库、接收对象判断策略。
进一步的，数学模型中的决策层在告警信息进行短信内容生成时，对告警的应对策略进行汇报建议和分析，对短信内容的发送对象进行梳理和确定，所述短信内容包括阅读对象的期望反馈内容。
进一步的，所述步骤s2的具体执行方法如下：
s201、启动事件采集进程，对监控系统的实时数据和故障报告进行采集；
s202、启动深度学习数据模型进程，对实时数据和故障报告的变化进行分析处理；
s203、将采集到的告警数据和设备及参数配置做为输入元进行归类处理，对属于同一设备或监控对象的告警进行归类，并结合告警等级及学习库做为下一级的输入；
s204、进入净化层后，对告警按等级、先后顺序以及重复判断等进行处理、提炼，生成简炼纯洁数据，然后结合联动策略、学习库做为下一级输入；
s205、在决策层通过输入的数据源进行短信内容的生成，包括告警内容、建议、处理措施、请求反馈内容、发送对象的确定，最终生成输出元；
s206、告警的输出元通过消息队列传递给短信发送进程；短信发送进程将接收到的告警信息通过移动通讯调制解调器发送至用户手机。
进一步的，所述步骤s3的具体执行方法如下：
用户接收短信后，根据短信提示进行回复，回复包括信息确认、肯定、拒绝、指导、控制命令对应代码的组合，数学模型接收反馈后进行控制命令的执行，以及将学习知识存入学习库。
进一步的，所述步骤s201中，所述事件采集进程通过kf6600规约从综合监控系统中获取实时数据和故障报告的变化。相对于现有技术，本发明所述的轨道交通综合监控智能短信告警方法具有以下优势：
(1)本发明所述的轨道交通综合监控智能短信告警方法适用于轨道交通变电所无人值守的状况，当综合监控系统中用户监测的对象发生变化时，通过移动通讯调制解调器发出短信至用户手机，使用户能够实时、直接地了解和掌握变电所现场情况，并及时对发生的情况做出应对。也改变了传统方式中短信内容完全照搬监控后台报警提示，使提示更简练、精准，并能及时反馈交互，也节省了用户的大量通信费用。
(2)本发明所述的轨道交通综合监控智能短信告警方法采用深度学习模型，通过不断的学习，使模块在收到告警后，能准确的发送到对应的用户，告警内容更符合用户要求，给出的处理和执行意见更准确，告警的预测和原因判断更合理正确。
附图说明
构成本发明的一部分的附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1为本发明实施例所述的轨道交通综合监控智能短信告警方法数学模型原理示意图。
具体实施方式
需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。
在本发明的描述中，需要理解的是，术语“中心”、“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”等仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”等的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中，除非另有说明，“多个”的含义是两个或两个以上。
在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以通过具体情况理解上述术语在本发明中的具体含义。
下面将参考附图并结合实施例来详细说明本发明。
如图1所示，轨道交通综合监控智能短信告警方法，包括以下步骤：
s1、建立基于神经网络的多隐层深度学习数学模型；
s2、根据建立的数学模型对采集到的告警数据进行机器学习、处理，并将优化处理后的内容以短信的方式发送给用户；
s3、对用户反馈的结果进行执行，以及将学习知识进行学习库入库处理。
深度学习数学模型接收的用户反馈信息，在模型中进行整理学习，学习内容包括告警信息针对不同用户的贴切告警级别、告警内容，以及故障识别、用户的处理意见和方式等，通过不断的学习，使模块在收到告警后，能准确的发送到对应的用户，告警内容更符合用户要求，给出的处理和执行意见更准确，告警的预测和原因判断更合理正确。
其中，所述步骤s1中，所述基于神经网络的多隐层深度学习数学模型包括从前往后依次执行的输入元、归类层、净化层、决策层、输出元、反馈层。
其中，所述步骤s2的具体执行方法如下：
s201、启动事件采集进程，对监控系统的实时数据和故障报告进行采集；
s202、启动深度学习数据模型进程，对实时数据和故障报告的变化进行分析处理；
s203、将采集到的告警数据和设备及参数配置做为输入元进行归类处理，对属于同一设备或监控对象的告警进行归类，并结合告警等级及自学习库做为下一级的输入；
s204、进入净化层后，对告警按等级及先后顺序以及重复判断等进行处理、提炼，生成简炼纯洁数据结合联动策略、学习库做为下一级输入；
s205、在决策层通过输入的数据源进行短信内容的生成，包括告警内容、建议、处理措施、请求反馈内容、发送对象的确定，最终生成输出元；
s206、告警的输出元通过消息队列传递给短信发送进程；短信发送进程将接收到的告警信息通过移动通讯调制解调器发送至用户手机。
其中，所述步骤s3的具体执行方法如下：
用户接收短信后，根据短信提示进行回复，回复包括信息确认、肯定、拒绝、指导、控制命令对应代码的组合，数学模型接收反馈后进行控制命令的执行，以及生成自学习知识存入知识库。
其中，所述步骤s201中，所述事件采集进程通过kf6600规约从综合监控系统中获取实时数据和故障报告的变化。
其中，所述数学模型的输入元包括监控平台的所有实时数据和故障报告的异常及告警，以及监控对象的从属关系、布局。
其中，所述数学模型的归类层包括对异常数据和告警的归属、分类；一个监控对象提取归纳出的所有表征，采用一条短信描述。
其中，数学模型中的净化层包括净化层输入元，所述净化层输入元包括归类层的输出元、监控对象告警等级、告警形式、表征周期、自学习基础判断库，净化层主要对净化层输入元进行净化，防止告警短信的重复发送、不必要发送、漏送情况的发生。
其中，数学模型的决策层包括决策层输入元，所述决策层输入元包括净化层的输出元、告警联动策略、告警分析策略、应急执行策略、学习库、接收对象判断策略。
其中，数学模型中的决策层在告警信息进行短信内容生成时，对告警的应对策略进行汇报建议和分析，对短信内容的发送对象进行梳理和确定，所述短信内容包括阅读对象的期望反馈内容。
通过建立基于神经网络的多隐层深度学习数学模型，对综合监控采集到的告警数据进行机器学习处理，输出优化的短信内容，进行告警通知的发送，并将反馈结果进行执行及学习库入库处理；具体过程如下：启动事件采集进程后，对实时数据和故障报告进行采集；启动深度学习数学模型进程，对实时数据和故障报告的变化进行分析处理；首先将采集到的告警数据和设备及参数配置做为输入进行归类处理，对属于同一设备或监控对象的告警进行归类，并结合告警等级及自学习库等做为下一级的输入。进入净化层后，对告警按等级及先后顺序以及重复判断等进行处理、提炼，生成简炼纯洁数据结合联动策略、学习库等做为下一级输入。在决策层通过输入的数据源进行短信内容的生成，包括告警内容、建议、处理措施、请求反馈内容、发送对象等的确定，最终生成输出元。告警的输出元通过消息队列传递给短信发送进程；短信发送进程将接收到的告警信息通过移动通讯调制解调器发送至用户手机。用户接收短信后，可根据短信提示进行回复，包括信息确认、肯定、拒绝、指导、控制命令等对应代码组合。模型接收反馈后进行控制命令的执行或是生成自学习知识存入知识库。
所述基于神经网络的短信通知深度学习数学模型包括输入元、归类层、净化层、决策层、输出元、反馈层。
模型中输入元包括平台监控所有实时数据及故障报告的异常及告警、监控对象的从属关系、布局等
模型中归类层包括对异常数据和告警的归属和分类。对于同一个监控对象提取归纳出所有表征，用来描述对象异常，在一条短信中描述。
模型中净化层的输入元包括归类层的输出元、监控对象告警等级、告警形式、表征周期、自学习基础判断库等。
模型中净化层主要对告警结合重复性、按等级、按用户反馈、表征周期等进行净化。避免了短时内告警的重复发送、不必要发送、漏送等情况的发生。
模型中决策层的输入元包括净化层的输出元、告警联动策略、告警分析策略、应急执行策略、学习库、接收对象判断策略等。
模型中决策层主要对告警信息进行短信内容生成时，对告警的应对策略进行汇报建议和分析，对短信内容的发送对象进行梳理和确定。并且内容中包括阅读对象的期望反馈内容。
用户接收短信后，可根据短信提示进行回复，包括信息确认、肯定、拒绝、指导、控制命令等对应代码组合。模型接收反馈后进行控制命令的执行或是生成自学习知识存入知识库。
所述实时数据对象包括遥信对象和遥测对象。
所述事件采集进程通过kf6600规约从综合监控系统中获取实时数据和故障报告的变化。
所述短息发送进程通过消息传递方式从深度学习数学模块进程中获取故障报告告警信息和实时数据告警信息，并通过移动通讯调制解调器将故障报告告警信息和实时数据告警信息发送至用户手机。
所述短息发送进程和移动通讯调制解调器之间通过kf6601规约来通信。
下面以收到213馈线装置通信中断信号为实施例，进一步解释智能短信告警的具体方法，深度学习数学模型在收到这个告警信息时，先对这个信号进行设备识别，是属于213馈线的监控内容，同时也是通信中断类，然后从这两个类别里去查找告警等级，馈线故障和通信中断都属于一级告警，最高级别告警，从学习库中可以查到接收对象对这一告警的接收关注度较高，提取关注度，做为发送的优化级评判标准。进入到净化层以后，将模型中的告警进行等级的排序。并且看通信中断中还有哪个装置也有同样的告警，报警的数量和恢复情况，判断是否属于闪断。另外看213馈线还有哪些告警，进行分类归集。并对同一类的告警进行整理提炼。在决策层，对纯化层的数据进行故障的分析，此时看到通信中断所有的装置都报一个，并且没有恢复，并且时间一致。从知识库中可以分析出，通信故障应该发生在交换机侧或是交换机与通信管理机之间的通信上。然后决策系统判断通信管理机与各装置通信的接口进程的运行状态，发现过程正常运行，但是tcp连接中断，属于等待状态。因此可以判断出是交换机故障。编辑交换机故障告警短信内容，建议为查看交换机是否运行正常或是硬件掉电、建议带交换机进行现场维护。查找配置库确定此类故障属于工班中谁的工作范围，确定短信接收人。此前系统中配置了两个接收人员，所以本次告警发送给两人。经过模型的上述处理，避免了大量通信中断告警的信息发送，并且也避免所有维管人员都去接收处理，直接将告警原因发送到对应的接收人。
以上所述仅为本发明的较佳实施例而已，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。