一种基于规则引擎的正线故障智能处置方法及系统与流程

一种基于规则引擎的正线故障智能处置方法及系统
1.技术领域
2.本发明涉及轨道交通车辆运行维护、故障诊断与预测技术领域，具体涉及一种基于规则引擎的正线故障智能处置方法及系统。


背景技术：

3.随着城市化进程的逐步加速，近年来，我国城市轨道交通行业得到了高速的发展， 随着地铁线路的不断增加，地铁承载的人数和开行列数也不断地提升，不断提升的开行列数和庞大的承载量很容易让地铁车辆在运营过程中产生问题，进而造成晚点、停运，甚至是出现出轨、冲突等危险情况，给乘客出现造成极大的影响。
4.当列车发生故障时，可能需要协同车辆、供电、通号等多个领域的专家，花大量时间才能分析出对应的故障场景，找出对应的应急处置操作，很难在有限的时间内将一个正线故障解决，这就对列车安全稳定的运营带来了极大的挑战。这一系列的操作要求相关保障人员具备丰富的经验以及专业检修技术。正线故障表示列车在正常运营时发生的故障。
5.当前现有技术大多是遵循“轨道交通正线故障及救援作业标准”对正线故障进行处置。
6.现有技术存在者如下明显的缺点：1） 故障排查难：正线故障可能与车辆、供电、通号等多个专业都有关，然而故障现场可可依据的排查线索少，排查时间短，排查难度大；2）匹配正确的故障应急场景难：故障发生后，很难在短时间内梳理车辆的运行状态，了解列车整体的故障情况，因此很难快速识别出对应的故障场景，不能快速找到故障场景对应的应急处置操作；3） 执行故障应急处置操作时间紧：通常不同的故障场景，有不同的正线故障操作手册，每个应急操作手册有一系列的操作步骤，在正线5分钟的限制场景下，仅靠司机是很难准确且镇定的执行完相关应急操作的。


技术实现要素：

7.有鉴于此，本公开实施例提供一种基于规则引擎的正线故障智能处置方法及系统，至少部分解决现有技术中存在的问题。
8.第一方面，本公开实施例提供了一种基于规则引擎的正线故障智能处置方法，包括如下步骤：当列车发生故障时，启动故障智能处置过程；规则引擎获取列车实时信号数据，基于指标模型计算相关指标值；场景智能识别程序通过查询场景指标，根据所述指标值进行场景是否生效的判断，从而智能识别出对应的故障场景；
故障场景识别出来之后，故障诊断模块基于设备拓扑模型辅助定位具体的故障设备，辅助分析出具体的故障原因；在定位到故障设备以及故障原因之后触发处置建议推荐功能，向工作人员推荐出最佳的处置操作；工作人员根据推荐对列车进行操作，处置过程记录模块实时采集工作人员的操作，同时反馈操作的效果，操作记录根据操作模型的方式进行存储。
9.进一步地，所述规则引擎通过表达式计算引擎来实现，支持普通表达式规则的计算、支持内置函数的计算或支持添加自定义函数。进一步地，所述规则引擎是数据驱动的，同时满足指标实时和离线两种计算场景。
10.进一步地，设备间关系的拓扑模型包括：具体场景相关的所有关键设备、设备与设备之间所有的关键关联关系；以及设备相关的所有信号数据，包括故障信号、指令信号以及状态信号。
11.进一步地，场景智能识别的流程包括：过程1，当故障触发之后，首先根据指标模型计算场景指标，然后通过场景指标匹配相关的故障场景模型；过程2 ，当故障场景匹配成功后，基于故障场景对应的关键设备拓扑数据，查看相关设备的故障指标，从而根据故障指标找出发生故障的设备，同时也定位出故障的发生原因；过程3，当故障发生原因定位出来后，即可找到故障原因关联的处置操作，然后推荐最佳处置操作；过程4，当工作人员执行了某种操作后，将相关操作以及列车状态信息进行存储。
12.第二方面，本公开实施例提供了一种基于规则引擎的正线故障智能处置系统，包括：故障触发模块：当列车在正线发生故障时，启动故障智能处置过程；规则引擎模块：获取列车实时信号数据，基于指标模型计算相关指标值；场景智能识别模块：场景智能识别模块通过查询场景指标，根据所述指标值进行场景是否生效的判断，从而智能识别出对应的故障场景；故障诊断模块：故障场景识别出来之后，故障诊断模块基于设备拓扑模型辅助定位具体的故障设备，辅助分析出具体的故障原因；处置建议推荐模块：在定位到故障设备以及故障原因之后触发处置建议推荐功能，向工作人员推荐出最佳的处置操作；记录处置过程模块：工作人员根据推荐对列车进行操作，处置过程记录模块实时采集工作人员的操作，同时反馈操作的效果，操作记录根据操作模型的方式进行存储。
13.进一步地，还包括所述模型管理模块，其用于对指标模型、设备拓扑模型、处置知识库、场景模型、信号模型、设备模型以及操作模型进行管理。
14.进一步地，所述指标模型包括指标类型，指标类型用于对指标进行业务层面的分类，分为操作指标、场景指标和故障指标。
15.进一步地，所述信号数据包括信号标识、时间以及信号值。
16.第三方面，本公开实施例还提供了一种非暂态计算机可读存储介质，该非暂态计
算机可读存储介质存储计算机指令，该计算机指令用于使该计算机执行前述第一方面或第一方面的任一实现方式中的基于规则引擎的正线故障智能处置方法。
附图说明
17.为了更清楚地说明本公开实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本公开的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。
18.图1为本公开实施例提供的一种基于规则引擎的正线智能故障处置方法流程示意图；图2为本公开实施例提供的一种信号数据模型示意图；图3为本公开实施例提供的一种操作指标规则配置示意图；图4为本公开实施例提供的一种车门故障场景计算规则配置示意图；图5为本公开实施例提供的一种车门设备拓扑图模型示意图；图6为本公开实施例提供的一种故障处置知识库示意图。
具体实施方式
19.下面结合附图对本公开实施例进行详细描述。
20.以下通过特定的具体实例说明本公开的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本公开的其他优点与功效。显然，所描述的实施例仅仅是本公开一部分实施例，而不是全部的实施例。本公开还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本公开的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。基于本公开中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本公开保护的范围。
21.需要说明的是，下文描述在所附权利要求书的范围内的实施例的各种方面。应显而易见，本文中所描述的方面可体现于广泛多种形式中，且本文中所描述的任何特定结构及/或功能仅为说明性的。基于本公开，所属领域的技术人员应了解，本文中所描述的一个方面可与任何其它方面独立地实施，且可以各种方式组合这些方面中的两者或两者以上。举例来说，可使用本文中所阐述的任何数目个方面来实施设备及/或实践方法。另外，可使用除了本文中所阐述的方面中的一或多者之外的其它结构及/或功能性实施此设备及/或实践此方法。
22.还需要说明的是，以下实施例中所提供的图示仅以示意方式说明本公开的基本构想，图式中仅显示与本公开中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。
23.另外，在以下描述中，提供具体细节是为了便于透彻理解实例。然而，所属领域的技术人员将理解，可在没有这些特定细节的情况下实践所述方面。
24.图1示出了根据本发明的一种基于规则引擎的正线智能故障处置方法100的示意图。
25.如图1所示，在步骤s102处，故障触发，具体为当列车在正线发生故障时，工作人员立即启动故障智能处置过程。
26.接下来，转到步骤s104处，采用规则引擎获取列车实时信号数据，基于指标模型计算相关指标值，为后续处理过程奠定数据基础。
27.具体而言，例如，在根据本公开的实施例的一些方面，所述规则引擎用于计算指标数据，规则计算的基础是指标计算规则。规则引擎通过表达式计算引擎来实现，可以支持普通表达式规则的计算，也可以支持内置函数的计算，还可以支持添加自定义函数，满足各种复杂规则的计算。
28.具体可以包括规则引擎是数据驱动的，可以同时满足指标实时和离线两种计算场景。
29.具体而言，例如，在根据本公开的实施例的一些方面，所述信号数据模型如图2所示，其包括信号标识、时间以及信号值。信号数据是采集的列车状态信息，包括列车设备的运行状态、设备指令以及设备故障等信息，所有这些信息都是通过信号值来体现的。通过信号数据，可以确定列车每时每刻的状态。如表1所示，是列车部分实时信号数据的示例。
30.表1具体而言，例如，在根据本公开的实施例的一些方面，所述指标模型用于将列车的场景特征以及司机操作都数字化展示，将列车的信号模型和场景模型建立联系。
31.指标模型的相关属性如表2所示。
32.表2可选地，表3是指标的示例，仅做方案介绍的参考，实际应用中会有更多的指标，需要更加情况不断添加。
33.表3
故障指标对应到设备具体的故障信号，可以通过故障信号直接配置，如表3所示。
34.操作指标用于观察司机执行的相关操作。以表3停放制动缓解操作为例，计算规则配置过程如图3所示：停放制动缓解信号值从0变到1，即司机执行了相关操作，然后根据变化趋势梳理信号表达式，指令信号值从0变到1，最终形成计算规则，即(current-1秒，signal_001)==0&&(current，signal_001)==1。
35.场景指标的计算规则是根据场景的场景特征进行配置，每个场景的特征都可以对应到具体的信号表达式，最终组合成为场景的计算表达式。以表3的车门故障场景为例，根据场景特征，梳理场景的信号表达式，最终配置出计算规则的过程如图4所示：车门故障场景对应的场景特征为同时满足列车发出关门指令、列车车门处于关闭状态以及列车关门指示灯不亮的场景特征；根据场景特征，梳理场景的信号表达式，对应信号表达式即：关门信号=1,、车门状态=关闭、关门指示灯=不亮；最终配置出计算规则，即signal_002==1&&signal_003==1&&signal_004==0。
36.接下来转到步骤s106，在步骤s106处，进行场景智能识别：场景智能识别程序通过
查询场景指标，根据指标值进行场景是否生效的判断，从而智能识别出对应的故障场景。
37.接下来转到步骤s108，在步骤s108处，进行故障诊断，故障场景识别出来之后，会立即触发故障诊断流程，故障诊断模块基于设备拓扑模型辅助定位具体的故障设备，辅助分析出具体的故障原因。
38.具体而言，例如，在根据本公开的实施例的一些方面，设备拓扑是通过业务专家根据列车的物理结构梳理来的，是维护设备间关系的拓扑图，主要包含如下信息：1) 包含具体场景相关的所有关键设备；2) 包含设备与设备之间所有的关键关联关系；3) 包含设备相关的所有信号数据，包括故障信号、指令信号以及状态信号。
39.以车门故障场景为例，其对应的关键设备拓扑模型如图5所示。
40.该场景下相关的设备包括供电设备、列车控制设备、通信设备、设备控制器、车门和车门状态指示灯。
41.供电设备的信号数据包括供电设备运行状态信号和供电设备故障信号；供电设备为列车控制设备、通信设备和设备控制器提供电源；列车控制设备的信号数据包括控制器状态信号、控制器故障信号和控制信号；其发送相应的指令给通信设备；通信设备的信号数据包括通信状态信号和通信故障信号；其传输指令到设备控制器；设备控制器的信号数据包括门控器状态信号、门控器故障信号、门控器开门信号；其作用于车门执行指令；车门的信号数据包括车门状态信号、车门故障信号；车门状态指示灯的信号数据包括指示灯状态信号、指示灯故障信号；其用于显示车门状态。
42.设备拓扑图模型是故障发生时的关键诊断手段。当某个故障场景发生时，通过相关设备的信号值，可以及时监测到设备的状态信息，直观的、准确、及时地定位出发生故障的设备，从而有针对性地采取具体处置措施。
43.接下来转到步骤s110，在步骤s110处，处置建议推荐：每种设备以及设备故障的维修、处置操作都会记录在处置知识库中，定位到故障设备以及故障原因之后立即触发处置建议推荐功能，向工作人员推荐出最佳的处置操作。
44.具体而言，例如，在根据本公开的实施例的一些方面，处置知识库基于图谱的方式进行维护，维护了各个数据模型之间的关系，同时故障智能处置的四个关键过程也是根据处置知识库来执行的。具体如图6所示。
45.场景智能识别的流程如图6的过程1，当故障触发之后，首先根据指标模型计算场景指标，然后通过场景指标匹配相关的故障场景模型。
46.故障诊断的流程如图6的过程2 ，当故障场景匹配成功后，基于故障场景对应的关键设备拓扑数据，查看相关设备的故障指标，从而根据故障指标找出发生故障的设备，同时也定位出故障的发生原因。
47.例如根据关键设备拓扑模型确定故障属于故障设备a、故障设备b，并分别根据指标关系得到故障设备a的故障指标和故障设备b的故障指标a1、a2、b1、b2。
48.处置推荐操作的流程如图6的过程3，当故障发生原因定位出来后，即可找到故障原因关联的处置操作，然后向工作人员推荐最佳处置操作。
49.分别确定不同故障设备的故障指标的故障发生原因y1、y2、y3、y4，根据处置关系分别对应处置操作c1、c2、c1、c2。
50.处置操作记录的流程如图6的过程4，当工作人员执行了某种操作后，将相关操作以及列车状态信息进行存储。
51.根据指标关系分别记录操作指标s1、s2、s1、s2。
52.接下来转到步骤s112，在步骤s112处，记录处置过程：最后工作人员根据推荐对列车进行操作，处置过程记录模块实时采集工作人员的操作，同时反馈操作的效果，操作记录根据操作模型的方式进行存储，方便后续进行事件归档，经验总结。
53.具体而言，例如，在根据本公开的实施例的一些方面，操作模型是针对工作人员对列车操作的描述信息。每个操作都可以通过操作指标来显示，因此通过观察相关操作指标的值变化信息，即可反向推到出记录出司机的操作。操作模型的属性如表4所示。
54.表4具体而言，例如，在根据本公开的实施例的一些方面，还可以包括步骤s114模型管理，模型管理是一个模型数据维护模块，有业务人员进行人工维护，完成模型数据的添加、删除、修改和查询等操作。
55.模型管理还可以包括：场景模型、信号模型和设备模型。
56.具体而言，例如，在根据本公开的实施例的一些方面，所述场景模型是对正线故障的抽象，是对一个具体的故障现象描述，场景模型的属性信息如表5所示。
57.表5如表6所示，是具体列车故障场景的一些示例，如发生如下故障时，将会影响列车正线运营，严重时可能会导致列车晚点、停运以及救援等事故。
58.表6
具体而言，例如，在根据本公开的实施例的一些方面，所述信号模型用于描述信号的各种属性信息，信号通常分为“故障信号”、“状态信号”以及“指令信号”等，根据业务属性，还可以灵活扩展新的信号类型。状态信号记录的是设备的状态信息，具体记录的是设备运行时的参数信息；故障信号记录的是设备的报警信息，表达的是设备发生了故障。指令信号记录的是各种操作指令信号，可以通过信号的值变化反应司机的相关操作。信号模型的属性如表7所示。
59.表7具体而言，例如，在根据本公开的实施例的一些方面，通常采集信号是为了监控设备的状态，为了自动生成各种故障记录的处理规则，有必要建立基本的设备模型，设备模型的属性信息如表8所示。
60.表8如上参照步骤s102-s114，本实施例通过构建故障处置知识库，将故障处置与故障场景的关系建立起来，满足处置建议推荐的功能；通过构建指标体系，将故障场景、司机操作、设备故障数字化，满足故障场景识别、故障诊断以及操作跟踪等业务需要；通过构建设备拓扑模型来辅助完成故障诊断；通过构建规则引擎，满足各种业务指标的计算。
61.本发明还涉及一种基于规则引擎的正线智能故障处置系统300。
62.所述基于规则引擎的正线智能故障处置系统300包括故障智能处置模块和模型管理模块；所述故障智能处置模块包括：信号数据、指标数据、规则引擎模块、场景智能识别模块、故障诊断模块、处置建议推荐模块、处置过程记录模块。
63.所述模型管理模块包括：指标模型、设备拓扑模型、处置知识库、场景模型、信号模型、设备模型以及操作模型。
64.所述信号数据采集的列车状态信息，包括列车设备的运行状态、设备指令以及设备故障等信息，所有这些信息都是通过信号值来体现的。通过信号数据，可以重新列车每时每刻的状态。
65.所述指标数据包括操作指标、场景指标和故障指标。
66.所述规则引擎模块用于规则引擎获取列车实时信号数据，基于指标模型计算相关指标值，包括故障指标、场景指标以及操作指标，为后续处理过程奠定数据基础。
67.进一步地，规则引擎是数据驱动的，可以同时满足指标实时和离线两种计算场景。
68.所述场景智能识别模块通过查询场景指标，根据指标值进行场景是否生效的判断，从而智能识别出对应的故障场景所述故障诊断模块用于故障场景识别出来之后，会立即触发故障诊断流程，故障诊断模块基于设备拓扑模型辅助定位具体的故障设备，辅助分析出具体的故障原因。
69.所述处置建议推荐模块用于每种设备以及设备故障的维修、处置操作都会记录在处置知识库中，定位到故障设备以及故障原因之后立即触发处置建议推荐功能，向工作人员推荐出最佳的处置操作。
70.所述处置过程记录模块实时采集工作人员的操作，同时反馈操作的效果，操作记录根据操作模型的方式进行存储，方便后续进行事件归档，经验总结。
71.所述指标模型用于将列车的场景特征以及司机操作都数字化展示，将列车的信号模型和场景模型建立上联系。
72.所述设备拓扑模型通过业务专家根据列车的物理结构梳理来的，是维护设备间关系的拓扑图，主要包含如下信息。
73.1) 包含具体场景相关的所有关键设备；2) 包含设备与设备之间所有的关键关联关系；3) 包含设备相关的所有信号数据，包括故障信号、指令信号以及状态信号。
74.设备拓扑图模型是故障发生时的关键诊断手段。当某个故障场景发生时，通过相关设备的信号值，可以及时监测到设备的状态信息，直观的、准确、及时地定位出发生故障的设备，从而有针对性地采取具体处置措施。
75.所述处置知识库基于图谱的方式进行维护，维护了各个数据模型之间的关系，同时故障智能处置的四个关键过程也是根据处置知识库来执行的。
76.所述场景模型用于对正线故障的抽象，是对一个具体的故障现象描述。
77.所述信号模型于描述信号的各种属性信息。
78.所述设备模型用于监控设备的状态，其包括设备名称、设备类型和系统名称。
79.所述操作模型用于针对工作人员对列车操作的描述信息。每个操作都可以通过操
作指标来显示，因此通过观察相关操作指标的值变化信息，即可反向推到出记录出司机的操作。
80.在根据本发明的另一方面中，还提供了一种非暂态计算机可读存储介质，该非暂态计算机可读存储介质存储计算机指令，该计算机指令当由一个或多个处理器执行时，使所述一个或多个处理器执行前述的基于规则引擎的正线智能故障处置方法。
81.以上所述，仅为本公开的具体实施方式，但本公开的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本公开揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本公开的保护范围之内。因此，本公开的保护范围应以权利要求的保护范围为准。