铁路客站设备健康管理方法、装置、设备、系统及介质与流程

1.本发明涉及铁路设备管理技术领域，尤其涉及一种铁路客站设备健康管理方法、装置、设备、系统及介质。


背景技术：

2.相关技术中，铁路客站设备运维只是简单地更换失效零部件，通常采取被动式而不是主动式维护，而零部件失效后导致的维修会产生高昂的维修费用以及生产损失。即铁路客站设备运维存在零部件失效管理滞后的问题。


技术实现要素：

3.本发明的主要目的在于提供一种铁路客站设备健康管理方法、装置、设备以及存储介质，旨在解决现有技术中铁路客站设备整体运营管理中存在的零部件失效管理滞后的技术问题。
4.为实现上述目的，本发明提供一种铁路客站设备健康管理方法，用于控制设备，所述方法包括以下步骤：
5.实时获取所述铁路客站设备的状态监测数据；
6.对所述状态监测数据进行特征提取，得到设备故障特征；
7.将所述设备故障特征输入多监测健康预测模型，得到所述多监测健康预测模型输出的设备当前退化状态；
8.根据所述铁路客站设备的设备全生命状态以及所述设备当前退化状态，确定所述铁路客站设备的剩余使用寿命；
9.根据所述剩余使用寿命，输出相应的提示信息，以使工作人员对所述铁路客站设备进行检修或者继续监测。
10.可选地，所述对所述状态监测数据进行特征提取，得到设备故障特征的步骤，具体包括：
11.对所述状态监测数据进行矢量量化处理，得到矢量量化处理后的数据；
12.对所述矢量量化处理后的数据进行小波变换处理，得到设备故障特征。
13.可选地，所述将所述设备故障特征输入多监测健康预测模型，得到所述多监测健康预测模型输出的设备当前退化状态的步骤之前，所述方法还包括：
14.获取所述铁路客站设备的训练数据；
15.对所述训练数据进行聚类处理，得到所述设备全生命状态的各个周期状态对应的数据分组；多个所述周期状态至少包括健康状态、退化状态与故障状态；
16.根据所述数据分组，构建隐式马尔可夫模型的多个分类器，得到初始多监测健康预测模型；其中，多个所述分类器与多个所述周期状态一一对应设置；
17.利用所述训练数据对所述初始多监测健康预测模型进行训练，获得修正后的多监测健康预测模型，并得到所述修正后的多监测健康预测模型的输出概率；
18.判断所述输出概率与所述初始多监测健康预测模型的初始输出概率的差值是否小于或者等于预设阈值；
19.若大于所述所述预设阈值，则返回执行所述利用所述训练数据对所述初始多监测健康预测模型进行训练，获得修正后的多监测健康预测模型，并得到所述修正后的多监测健康预测模型的输出概率，直至所述输出概率小于或者等于预设阈值，得到所述多监测健康预测模型。
20.可选地，所述根据所述铁路客站设备的设备全生命状态以及所述设备当前退化状态，确定所述铁路客站设备的设备剩余使用寿命的步骤，具体包括：
21.从所述设备全生命状态中筛选出与所述设备当前退化状态匹配的目标状态；
22.确定出所有剩余周期状态的驻留时长的和；其中，所述剩余周期状态为在所述设备全生命状态中位于所述目标状态之后的周期状态；
23.根据所述驻留时长的和，确定出所述设备剩余使用寿命。
24.此外，为实现上述目的，本发明还提供一种铁路客站设备健康管理装置，所述装置包括：
25.数据获取模块，用于实时获取所述铁路客站设备的状态监测数据；
26.数据处理模块，用于根据小波变换，对所述铁路客站设备的状态监测数据进行特征提取，得到设备故障特征；
27.状态识别模块，用于将所述设备故障特征输入多监测健康预测模型，得到所述多监测健康预测模型输出的设备当前退化状态；
28.寿命预测模块，用于根据所述铁路客站设备的设备全生命状态以及所述设备当前退化状态，确定所述铁路客站设备的设备剩余使用寿命；
29.信息输出模块，用于根据所述剩余使用寿命，输出相应的提示信息，以使工作人员对所述铁路客站设备进行检修或者继续监测。
30.此外，为实现上述目的，本发明还提供一种控制设备，所述控制设备包括：处理器，存储器以及存储在所述存储器中的铁路客站设备健康管理程序，所述铁路客站设备健康管理程序被所述处理器运行时实现如上述任一项所述铁路客站设备健康管理方法的步骤。
31.此外，为实现上述目的，本发明还提供一种铁路客站设备健康管理系统，所述健康管理系统包括：
32.传感器，以及如上述所述的控制设备；
33.所述传感器与所述控制设备通信连接，所述传感器安装于铁路客站设备上，用于监测所述铁路客站设备的状态监测数据并发送至如上述所述的控制设备。
34.可选地，所述传感器至少包括光敏传感器、温敏传感器、电压传感器和电流传感器。
35.可选地，所述健康管理系统还包括：
36.信号放大器，所述信号放大器用于对所述铁路客站设备的状态监测数据进行放大处理。
37.此外，为实现上述目的，本发明还提供一种计算可读存储介质，所述计算机可读存储介质上存储有铁路客站设备健康管理程序，所述铁路客站设备健康管理程序被处理器执行时实现如上述任一项所述的铁路客站设备健康管理方法。
38.本发明实施例提出的一种铁路客站设备健康管理方法、装置、设备、系统及介质，通过实时获取铁路客站设备的状态监测数据，根据小波变化处理方法，对状态监测数据进行特征提取，得到设备故障特征，然后根据多监测健康预测模型对设备故障进行识别，得到设备的当前退化状态，然后根据设备的当前退化状态和设备的全生命状态，得到设备当前状态的剩余使用寿命，最后根据设备当前状态的剩余使用寿命判断设备是否需要进行维修或者继续对设备状态进行监测，实现了实时对铁路客站设备进行健康监测管理，可以及时提前对设备进行检修，避免了在设备故障后才进行检修，有效地提高了对于设备零部件失效管理的管理水平。
附图说明
39.图1为本发明铁路客站设备健康管理方法的设备硬件运行环境的结构示意图；
40.图2为本发明铁路客站设备健康管理方法第一实施例的流程示意图；
41.图3为本发明铁路客站设备健康管理方法第二实施例的流程示意图；
42.图4为本发明铁路客站设备健康管理方法第三实施例的流程示意图；
43.图5为本发明铁路客站设备健康管理方法第四实施例的流程示意图；
44.图6为本发明铁路客站设备健康管理方法第一实施例的功能模块示意图。
45.本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
46.应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
47.由于现有技术中对于铁路客站设备的运营只是简单地更换失效的零部件，设备维护管理系统落后，通常采取被动式而不是主动式维护，而零部件失效后导致的维修会产生高昂的维修费用以及生产损失，导致设备零部件失效管理水平滞后。
48.本发明提供一种解决方案，通过在铁路客站设备上安装不同类型的传感器，用以获取设备状态监测数据，通过小波变换的方法对设备状态检测数据进行特征提取，得到设备故障特征，然后根据多检测健康预测模型对故障特征进行识别预测，得到设备的剩余使用寿命，最后根据设备的剩余寿命判断是否需要对设备进行检修或继续监测，实现了可以实时对设备状态进行监测，能够在设备故障前及时进行检修，避免了在设备零部件失效后才进行更换，从而有效提高了铁路客站设备的零部件失效管理的管理水平。
49.参照图1，图1为本技术实施例方案涉及的硬件运行环境的铁路客站设备健康管理设备结构示意图。
50.如图1所示，该系统设备可以包括：处理器1001，例如中央处理器(central processing unit，cpu)，通信总线1002、用户接口1003，网络接口1004，存储器1005。其中，通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(display)、输入单元比如键盘(keyboard)，可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如无线保真(wireless-fidelity，wi-fi)接口)。存储器1005可以是高速的随机存取存储器(random access memory，ram)存储器，也可以是稳定的非易失性存储器(non-volatile memory，nvm)，例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
51.本领域技术人员可以理解，图1中示出的结构并不构成对系统设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
52.如图1所示，作为一种存储介质的存储器1005中可以包括操作系统、数据存储模块、网络通信模块、用户接口模块以及铁路客站设备健康管理程序。
53.在图1所示的系统设备中，网络接口1004主要用于与网络服务器进行数据通信；用户接口1003主要用于与用户进行数据交互；本发明系统设备中的处理器1001、存储器1005可以设置在系统设备中，系统设备通过处理器1001调用存储器1005中存储的铁路客站设备健康管理程序，并执行本技术实施例提供的铁路客站设备健康管理方法。
54.参照图2，图2是本发明铁路客站设备健康管理方法第一实施例的流程示意图，所述方法包括：
55.步骤s20，实时获取所述铁路客站设备的状态监测数据；
56.本实施例方法的执行主体是控制设备。铁路客站设备是指铁路上专门为旅客运输需要设置的各种设备的总称。铁路客站设备包括但不限于候车室、售检票处、旅客站台、跨线设备、导向设备、时钟和照明设备等，本发明在此不做具体限定。
57.状态监测数据是指在铁路客站设备上按照工艺要求安装的各类传感器后传感器获取的数据。
58.以下进行举例说明：铁路客站设备各节点的电能能耗通常使用电表进行监测，主要包括照明、插座、采暖空调用电、一般动力、客运信息展示屏、特殊用电和商业用电等等，本发明在此不做具体限定。通常在电能表上安装数字传感器来实时采集上述各节点的电能能耗数据，支持485通信协议并挂在485总线上，上述系统定时对各节点的电能能耗数据进行采集，采集完成后，采用hdfs(hadoop分布式文件系统)存储上述过程采集的数据，将结构化电能能耗数据文件映射为了hive数据库表格。hive是一种底层封装了hadoop(分布式系统基础架构)的数据仓库处理工具，使用类sql的hiveql语言实现数据查询，所有hive表中的数据存储在hadoop兼容的文件系统hdfs中，hive在加载数据过程中不会对数据进行任何的修改，只是将数据移动到hdfs中hive设定的目录下进行电能能耗数据存储。
59.步骤s40，对所述铁路客站设备的状态监测数据进行特征提取，得到设备故障特征；
60.监测数据的分析主要包括均方根和峰度两方面。均方根是一个基本特征，峰度主要描述每一监测时刻的监测数据的频谱趋势。频谱中一个高峭描绘了一个具有较长尾谱分，在数据监测过程中，均方根和峰度的特征显示出现了一个稳定的运转阶段。随着随着设备健康状态的不断演化和观测时刻点的增多，出现了一些具有强烈变化的时刻点，而强烈变化的时刻点也就是设备故障特征提取。
61.可理解的是，设备故障是由多种原因综合构成，比如设备的温度、湿度、压强、照度等等一系列原因造成的，因此，我们确定设备是否发生故障就需要根据设备的不同状态数据来分析处理和判断。
62.在不同类别的传感器监测到数据后，发送相应的信号至控制设备，然后对不同信号进行均方根和峰度的分析和小波变换以及矢量量化的处理，最终处理得到的结果就是故障特征。故障特征具体为多个不同的信号值，比如：60db，40db。
63.具体的，在控制设备获取到状态监测数据后，对状态监测数据开始进行分析和处
理，在经过分析和处理后得到设备故障特征，上述对于状态监测数据的分析具体包括峰度和均方根分析两方面，对于状态监测数据的处理具体包括矢量量化处理和小波变换处理两方面。
64.步骤s60，将所述设备故障特征输入多监测健康预测模型，得到所述多监测健康预测模型输出的设备当前退化状态；
65.可理解的是，在实际运用中，由于需要对铁路客站设备进行全面的监测，而全面的监测需要多中不同类别的监测数据监测来实现，一种类别的监测数据显然不能实现上述目的，因此，需要一种能够对多序列信息进行识别预测的方法，也即多监测健康预测模型。
66.需要说明的是，在获取到多种不同类别的状态监测数据后，经过分析和处理并进行特征提取后，得到多个设备故障特征，而多个设备故障特征在形式上被称为多序列。
67.多监测健康预测模型是对多序列信息进行识别预测的模型，是基于单监测健康预测模型建立的，而单监测健康预测模型是指根据单序列信息，构建隐式马尔可夫模型的多个分类器，进而建立单监测健康预测模型，二者的区别在于多监测健康模型是对多序列信息进行识别预测，而单监测健康预测模型是对单序列信息进行识别预测，而单监测健康预测模型识别预测往往不够精确。因此为了提高在线健康预测的精确度，基于单监测健康预测模型，所以提出了多监测健康预测模型。
68.以下对单监测健康预测模型进行说明：假设设备从正常到故障共经历m个健康退化状态，则需要设计m个分类器：hsmm(1)....hsmm(m)，以其中一个状态的分类器为例，此时设计的模型只含有设备的一种退化状态，模型参数λ＝(π,a,b,pi(d))，此模型参数为单监测健康预测模型：
69.其中，π：初始概率的分布矢量；
70.a：状态转移矩阵；b：观测值矩阵；
71.pi(d)：显示状态驻留时间概率分布；d：最大驻留时间。
72.在实际运用过程中，在对设备进行健康检测时，需要构建设备的全生命状态，设备的全生命状态包括多个周期状态，多个周期状态至少包括健康状态、退化状态和故障状态，多个周期状态与各个分类器一一对应设置，分类器的数量本发明在此不做限定，可以实际需要决定。比如：假设设备的全生命状态包括健康状态、退化状态和故障状态，而相应的多监测健康预测模型中包括λ(1)、λ(2)和λ(3)三个分类器，λ(1)表示健康状态，λ(2)表示退化状态，λ(3)表示故障状态。
73.另外，基于上述，可以知道各个周期状态的分类器对应的是设备的某一状态，而且分类器λ＝(π,a,b,pi(d))实际得到是一个概率值，因此，如果在某一状态内的概率值从状态x到x+1状态都是增加的，而且在x+1到达最大值，则说明x是某一状态的开始时刻，x+1是某一状态的结束时刻，可以理解的是，x+1也即某一状态的转折点，也就是说过了x+1时刻设备就进入另外一个状态了。以此类推，每个状态的分类器都按照这种方式设计。
74.设备退化状态是指设备故障特征输入到多监测健康预测模型后，然后多监测健康预测模型识别后输出的设备当前状态。
75.另外，多监测健康预测模型是对hsmm算法进行修正，提出了前向-后向算法、baum-welch算法，计算复杂性从o((md+m2)t)降低到o((d+m2)t)。在此基础上建立了自适应隐式马尔可夫模型，来处理多监测信息的在线健康预测问题。另外，对于自适应hsmm，利用最大
似然线性回归训练对输出概率分布和驻留概率分布进行自适应训练，处理多监测信息之间的差异性，进行有效的多监测信息在线健康预测。结合失效理论，提出了在线健康预测模型。
76.具体的，将设备故障特征输入多监测健康预测模型后，多监测健康预测模型对设备故障特征进行识别，然后多监测健康预测模型输出设备当前的状态。
77.步骤s80，根据所述铁路客站设备的设备全生命状态以及所述设备当前退化状态，确定所述铁路客站设备的剩余使用寿命。
78.设备剩余使用寿命是指设备的当前剩余使用寿命。
79.设备的全生命状态是指设备整个周期状态，至少包括健康状态、退化状态和故障状态。
80.具体的，在多监测健康预测模型输出设备当前退化状态后，与多监测健康预测模型中的多个周期状态进行匹配，接着将匹配的周期状态作为设备当前退化状态，然后确定匹配的周期状态之后的周期状态，也即剩余周期状态，然后根据剩余周期状态确定剩余周期状态的驻留时间之和，最后根据驻留时间之和确定设备的剩余寿命寿命。
81.需要说明的是，设备剩余使用寿命是一段区间值，不是一个具体数值，比如：设备剩余使用寿命可以理解成在[24-36]h范围内，是一个范围值，不是一个确定的具体数值，比如24h或者36h。
[0082]
步骤s100，根据所述剩余使用寿命，输出相应的提示信息，以使工作人员对所述铁路客站设备进行检修或者继续监测。
[0083]
提示信息是指在根据是否超出剩余使用寿命的范围而发出的信息，以提醒工作人员需要对设备进行检修或继续对设备状态进行检测。
[0084]
具体的，假设某一设备的全生命状态中健康状态的驻留时间为[0-36]天，退化状态的驻留时间为[36-54]天，故障状态的驻留时间为[54-63]天，在检测到设备处于退化状态时，此时设备的剩余使用寿命为退化状态之后的周期状态的驻留时长之和，由于设备处于退化状态时的驻留时间在[36-54]天范围内，比如为40天时，此时设备剩余寿命为63-54+54-40＝15天，正是因为设备此时剩余使用寿命大于9天，所以此时发出继续监测信息，比如为54天时，此时设备剩余寿命为63-54＝9天，则发出检修信息，然后工作人员可以及时对设备进行检修，避免在设备故障的时候才对设备进行检修。
[0085]
在本实施例中通过实时获取铁路客站设备状态监测数据，对监测数据进行特征提取，得到设备故障特征，然后对将设备故障特征输入多监测健康预测模型中，多监测健康预测模对其进行识别与预测，得到设备的当前状态，随后设备的当前状态与设备的全生命状态进行匹配，然后根据匹配的周期状态确定匹配周期状态之后的周期状态，然后根据之后的周期状态确定驻留时长，驻留时长也即设备剩余使用寿命。由此，本发明实施例通过多监测健康预测模型和剩余寿命预测模型对铁路设备状态监测数据进行识别与预测，实现了可以实时对铁路客站设备进行健康监测管理，能够尽早发现设备目前的状态，然后跟根据目前的状态判断是否进行检修，进而提升了铁路客站设备的零部件失效管理的管理水平。
[0086]
参照图3，图3是本发明铁路客站设备健康管理方法第二实施例的流程示意图，所述对所述状态监测数据进行特征提取，得到设备故障特征的步骤，具体包括：
[0087]
步骤s41，对所述状态监测数据进行矢量量化处理，得到矢量量化处理后的数据；
[0088]
矢量量化(vector quantization，vq)是20世纪70年代后期新发展起来的一种有效的有损压缩技术，其理论基础是香农的速率失真理论。矢量量化的基本原理是用码书中与输入矢量最匹配的码字的索引代替输入矢量进行传输与存储，而解码时仅需要简单地查表操作。其突出优点是压缩比大、解码简单且能够很好地保留信号的细节。
[0089]
具体的，在本实施例中，由于铁路客站设备状态监测数据数据较多，用矢量量化的方法对其处理，一是可以压缩数据，减少总的数据量；二是解码简单且保证数据不被丢失。
[0090]
步骤s42，对所述矢量量化处理后的数据进行小波变换处理，得到设备故障特征。
[0091]
小波变换(wavelet transform，wt)是一种新的变换分析方法，它继承和发展了短时傅立叶变换局部化的思想，同时又克服了窗口大小不随频率变化等缺点，能够提供一个随频率改变的“时间-频率”窗口，是进行信号时频分析和处理的理想工具。它的主要特点是通过变换能够充分突出问题某些方面的特征。
[0092]
具体的，由于客站设备的各部分结构是不同的，所以当一个设备发生故障时，经常会产生大量的非稳态信号。在每个频带，输出信号的性能是不同的，小波分析方法可以自动地把不同频率信号分解成不同的频带，这样可以增加时间—频率分辨率，并实现不同设备故障特征提取。
[0093]
在本实施例，通过对所述铁路客站设备状态监测数据进行矢量量化处理，得到矢量量化处理后的数据，对所述矢量量化处理后的数据进行小波变换处理，得到设备故障特征数据，实现了如何对设备状态监测数据进行有效处理，以使多监测健康预测模型能够准确地对设备进行健康识别与预测。
[0094]
参照图4，图4是本发明铁路客站设备健康管理方法第三实施例的流程示意图，所述将所述设备故障特征输入多监测健康预测模型，得到所述多监测健康预测模型输出的设备当前退化状态的步骤之前，所述方法还包括：
[0095]
步骤s50，获取所述铁路客站设备的训练数据；
[0096]
训练数据是指训练多监测健康预测模型的数据，具体为多个信号值，比如45db,60db,80db等等一系列信号值，可以是手动输入也可以是从服务器中获取，训练数据的来源在此不做具体限定。
[0097]
步骤s51，对所述训练数据进行聚类处理，得到所述设备全生命状态的各个周期状对应的数据分组；多个所述周期状态至少包括健康状态、退化状态与故障状态；
[0098]
聚类处理是指将训练数据分成多个类似于各个周期状态的多个分组。
[0099]
具体的，在获取到训练数据后，通过聚类处理，得到不同类别数据分组，比如分组一为健康状态数据，分组二为退化状态数据，分组三为故障状态数据。
[0100]
步骤s52，根据所述数据分组，构建隐式马尔可夫模型的多个分类器，得到初始多监测健康预测模型；其中，多个所述分类器与多个所述周期状态一一对应设置；
[0101]
具体的，将聚类处理后的数据输入隐式马尔可夫模型后，不同分组数据根据分类器λ＝(π,a,b,pi(d))建立起多个分类器，多个分类器表示设备的不同的状态，多个设备的不同状态组成了设备全生命状态，也即初始多监测健康预测模型构建成功。
[0102]
步骤s53，利用所述训练数据对所述初始多监测健康预测模型进行训练，获得修正后的多监测健康预测模型，并得到所述修正后的多监测健康预测模型的输出概率；
[0103]
步骤s54，判断所述输出概率与所述初始多监测健康预测模型的初始输出概率的
差值是否小于或者等于预设阈值；
[0104]
步骤s55，若大于所述所述预设阈值，则返回执行所述利用所述训练数据对所述初始多监测健康预测模型进行训练，获得修正后的多监测健康预测模型，并得到所述修正后的多监测健康预测模型的输出概率，直至所述输出概率小于或者等于所述预设阈值，得到所述多监测健康预测模型。
[0105]
需要说明的是，鲍姆-韦尔奇算法(baum-welch)是一种无监督的训练方法，用于解决解决隐式马尔可夫模型的学习问题。在实际运用中，第一步：可以根据观测变量和模型参数，推断隐变量的概率；第二步：由观测变量与隐变量的概率，推断模型参数，最后迭代直至模型收敛。
[0106]
需要说明的是，前向-后向算法是对于隐马尔可夫模型的参数进行一个初始的估计，然后通过对于给定的数据评估这些参数的价值并减少他们所引起的错误来重新修订这些参数，与上述鲍姆-韦尔奇算法(baum-welch)中第二部一致，其实前向-后向算法就是是鲍姆-韦尔奇算法(baum-welch)的一个步骤。
[0107]
具体的，在初始多监测健康预测模型构建成功后，通过baum-welch算法对各个分类进行修正，然后得到修正后的各个分类器，也即得到修正后的多监测健康预测模型，然后得到输出概率，最后判断修正后的多监测健康预测模型的输出概率与初始多监测健康预测模型的输出概率的差值是否小于预设阈值，这里的预设阈值根据设备的类型而设定不同的阈值，如果修正后的多监测健康预测模型的输出概率与初始多监测健康预测模型的输出概率的差值小于预设阈值，则不再循环迭代计算，最后将修正的多监测健康预测模型作为多监测健康预测模型。
[0108]
为了便于理解，以下对多监测健康预测模型训练方法进行说明：
[0109]
(1)对预设训练数据进行均值归一化处理；
[0110]
(2)用k-means聚类分析算法(k均值聚类分析算法)对训练数据进行聚类分析，得到多个周期状态对应的分组数据，以此得到模型初始参数；
[0111]
(3)将聚类分析后的数据输入隐式马尔可夫模型，得到多个周期状态对应的分类器，根据多个分类器构建初始多监测健康预测模型λ1；
[0112]
(4)用baum-welch(鲍姆-韦尔奇算法)算法不断修正λ1，得到；其中λ1表示初始多监测健康预测模型，表示修正后的多监测健康预测模型；
[0113]
(5)用前向后向算法计算λ1和得到p(o|λi)和
[0114]
(6)当时，停止迭代，训练成功；其中预设阈值ε根据铁路客站不同类型的设备来决定。
[0115]
需要说明的是，单序列：o＝[x1,x2,..xn](x在这里代表设备不同类别的特征值)，多序列：o＝[o1,o2,...on](括号中每一个o代表一组单观测序列)。观测值的长度是指采集的样本数量。
[0116]
在本实施例中通过将预设训练数据输入到多监测健康预测模型中，对预设训练数据进行均值归一化处理，便于后续聚类分析对均值归一化处理后的数据进行分组，然后将分组后的数据输入隐式马尔可夫模型，隐式马尔可夫模型对分组数据进行识别与预测，建立起设备从健康状态到故障状态的等多个周期状态的设备全生命状态，最后随着训练数据
的增多，通过计算最新获得的设备全生命状态与之前的全生命状态之间差值是否小于预设值，以此来减少模型的计算误差，对设备的状态能够更准确的识别与预测，实现了通过均值归一化和聚类分析对数据的前期处理，保证后续聚类分析的结果的效率与准确性，然后通过baum-welch算法和前向后向算法进行计算，通过不断迭代更新模型内的数据，以此提高多监测健康预测模型的计算精度，最后多监测健康预测模型训成功。
[0117]
参照图5，图5是本发明铁路客站设备健康管理方法第四实施例的流程示意图，所述根据所述铁路客站设备的设备全生命状态以及所述设备当前退化状态，确定所述铁路客站设备的设备剩余使用寿命的步骤，具体包括：
[0118]
步骤s81，从所述设备全生命状态中筛选出与所述设备当前退化状态匹配的目标状态；
[0119]
需要说明的是，多监测健康预测模型中在经过预设训练数据训练后，已经包括了铁路客站设备的整个生命状态，也即在将任一组设备故障特征输入多监测健康预测模型后，多监测健康预测模型都能够识别设备目前的退化状态。
[0120]
设备当前退化状态是指设备此时处于的状态。
[0121]
目标状态是指设备全生命状态中与设备当前退化状态匹配的周期状态。
[0122]
具体的，在多监测健康预测模型输出设备当前退化状态后，与多监测健康预测模型中的多个周期状态进行匹配，将匹配的周期状态作为设备当前退化状态。
[0123]
步骤s82，确定出所有剩余周期状态的驻留时长的和；其中，所述剩余周期状态为在所述设备全生命状态中位于所述目标状态之后的周期状态；
[0124]
步骤s83，根据所述驻留时长的和，确定出所述设备剩余使用寿命。
[0125]
驻留时长为多个周期状态的驻留时间之和，驻留时间通过不同周期状态对应的分类器λ＝(π,a,b,pi(d))即可得知每个周期状态对应的的驻留时间。
[0126]
具体的，当设备监测到处于健康状态时，剩余周期状态为退化状态和故障状态，剩余周期状态的驻留时长之和为退化状态的驻留时间与故障状态的驻留时间之和，而驻留时间之和即为设备剩余使用寿命。
[0127]
在本实施例中，将设备生命状态与设备全生命状态中的各个周期状态进行匹配，然后将匹配的周期状态作为设备的当前状态，然后根据匹配的周期状态确定剩余的周期状态，然后根据剩余周期状态的驻留时间之和得到设备当前的剩余使用寿命，实现了通过设备全生命状态来识别出设备当前设备的剩余寿命，进而可以根据设备的剩余寿命进行后续判断设备是否进行检修或继续监测。
[0128]
参照图6，基于同样的发明构思，本发明还提出一种铁路客站设备健康管理装置，所述装置包括：
[0129]
数据获取模块20，用于实时获取所述铁路客站设备的状态监测数据；
[0130]
数据处理模块40，用于根据小波变换，对所述铁路客站设备的状态监测数据进行特征提取，得到设备故障特征；
[0131]
状态识别模块60，用于将所述设备故障特征输入多监测健康预测模型，得到所述多监测健康预测模型输出的设备当前退化状态；
[0132]
寿命预测模块80，用于根据所述铁路客站设备的设备全生命状态以及所述设备当前退化状态，确定所述铁路客站设备的设备剩余使用寿命；
[0133]
信息输出模块100，用于根据所述剩余使用寿命，输出相应的提示信息，以使工作人员对所述铁路客站设备进行检修或者继续监测。
[0134]
本铁路客站设备健康管理装置参照上述方案实施例，此处不再赘述。
[0135]
此外，基于同样的发明构思，本发明还提出一种控制设备，所述控制设备还包括：
[0136]
处理器，存储器以及存储在所述存储器中的铁路客站设备健康管理程序，所述铁路客站设备健康管理程序被所述处理器运行时实现如上述任一项所述铁路客站设备健康管理方法的步骤。
[0137]
此外，基于同样的发明构思，本发明还提出一种铁路客站设备健康管理系统，所述健康管理系统包括：
[0138]
传感器，以及如上述所述的控制设备；
[0139]
所述传感器与所述控制设备通信连接，所述传感器安装于铁路客站设备上，用于监测所述铁路客站设备的状态监测数据并发送至如上述所述的控制设备。
[0140]
传感器可根据铁路设备的类型或者需要获取的数据选择相应的传感器，另外连接方式可根据现场实际情况选择有线连接或者无线连接，本发明在此不做具体限定。
[0141]
在本实施例中通过传感器实时监测铁路客站设备的状态数据，并将状态数据发送至控制设备，实现了为了后续对设备进行健康识别与预测提供了基础。
[0142]
可选地，所述传感器至少包括光敏传感器、温敏传感器、电压传感器和电流传感器。
[0143]
需要说明的是，由于需要获取不同数据，则需要根据设备的不同的工艺要求在不同设备上安装不同类别的传感器，如温度、压力、压差、照度、空气质量、流量、风速、震动、液位、电能表、水表、热能表、燃气表等，本发明在此不做具体限定。
[0144]
具体的，当需要根据消耗的电能数据来作为预测设备的退化状态时，此时则需要在铁路客站设备的电能表上安装数字传感器，然后根据数字传感器监测不同的设备的电能消耗。
[0145]
在本实施例中，通过根据安装不同类别的传感器来监测铁路客站设备的不同状态的数据，使得对设备状态的监测更加全面。
[0146]
可选地，所述健康管理系统还包括：
[0147]
信号放大器，所述信号放大器用于对所述铁路客站设备的状态监测数进行放大处理。
[0148]
可理解的是，在监测数据的传输过程中，考虑到各类信号传输距离及现场信号干扰强度。若存在信号传输过程出现问题，应适当增加信号放大器等装置以及充分考虑传感器的精度及稳定性，从而保证传感器获取的数据的实效性和准确性。
[0149]
在本实施例中，通过增加放大器对传输的设备状态监测数据的放大处理，实现了状态监测数据的实效性和准确性得到了有效保证。
[0150]
此外，本发明实施例还提出一种计算机存储介质，存储介质上存储有铁路客站设备健康管理程序，铁路客站设备健康管理程序被处理器执行时实现如上文的铁路客站设备健康管理方法的步骤。因此，这里将不再进行赘述。另外，对采用相同方法的有益效果描述，也不再进行赘述。对于本技术所涉及的计算机可读存储介质实施例中未披露的技术细节，请参照本技术方法实施例的描述。确定为示例，程序指令可被部署为在一个计算设备上执
行，或者在位于一个地点的多个计算设备上执行，又或者，在分布在多个地点且通过通信网络互连的多个计算设备上执行。
[0151]
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，上述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，上述的存储介质可为磁碟、光盘、只读存储记忆体(read-only memory，rom)或随机存储记忆体(random accessmemory，ram)等。
[0152]
另外需说明的是，以上所描述的装置实施例仅仅是示意性的，其中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模块来实现本实施例方案的目的。另外，本发明提供的装置实施例附图中，模块之间的连接关系表示它们之间具有通信连接，具体可以实现为一条或多条通信总线或信号线。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
[0153]
通过以上的实施方式的描述，所属领域的技术人员可以清楚地了解到本发明可借助软件加必需的通用硬件的方式来实现，当然也可以通过专用硬件包括专用集成电路、专用cpu、专用存储器、专用元器件等来实现。一般情况下，凡由计算机程序完成的功能都可以很容易地用相应的硬件来实现，而且，用来实现同一功能的具体硬件结构也可以是多种多样的，例如模拟电路、数字电路或专用电路等。但是，对本发明而言更多情况下软件程序实现是更佳的实施方式。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可以以软件产品的形式体现出来，该计算机软件产品存储在可读取的存储介质中，如计算机的软盘、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，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明实施例的方法。
[0154]
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。