故障诊断方法及装置与流程

1.本发明涉及轨道交通设备故障检测技术领域，尤其涉及一种故障诊断方法及装置。


背景技术：

2.在轨道交通列车运行控制系统中，智能运维系统能够对信号系统关键设备数据实现全覆盖采集，包括多个子系统，以及关键设备的状态和报警信息。
3.相关技术中，智能运维系统通常会监控区域控制器(zone controller，zc)的运行状态，并人工检测的方式对zc维护数据中包含的故障信息进行识别或预测，但随着待识别的zc维护数据的增加以及故障类型趋于复杂化，人工诊断故障类型的效率低，且诊断结果的准确率低。


技术实现要素：

4.本发明提供一种故障诊断方法及装置，用以解决现有技术利用人工检测的方式识别大量的zc维护数据的故障类型时时效率低，且诊断结果不准确的缺陷，提高了对zc维护数据中故障信息的识别效率。
5.本发明提供一种故障诊断方法，应用于智能运维系统，包括：
6.获取区域控制器zc的维护数据；
7.在确认维护数据中包括报警信息的情况下，基于预设的故障诊断模型，得到所述维护数据对应的诊断结果，所述诊断结果包括所述报警信息对应的故障类型，所述故障诊断模型基于样本故障数据和在线学习算法得到。
8.根据本发明提供的一种故障诊断方法，所述维护数据包括所述zc的运行状态信息、列车移动授权信息、所述zc的故障报警信息和所述zc的板卡运行状态信息，在所述接收zc发送的维护数据之后，所述方法还包括：
9.以所述zc的运行状态信息、列车移动授权信息、所述zc的故障报警信息和所述zc的板卡运行状态信息中的至少一项为检索条件，在预设的知识库中进行检索，得到所述维护数据对应的诊断结果；
10.其中，所述知识库基于已存在的故障数据和所述已存在的故障数据对应的诊断方案确定。
11.根据本发明提供的一种故障诊断方法，所述在线学习算法为感知器算法，所述故障诊断模型通过如下步骤得到：
12.获取所述zc的样本故障数据，所述样本故障数据包括多种故障分类信息；
13.基于所述多种故障分类信息，得到所述故障特征；
14.将所述故障特征输入在线学习模型，通过所述感知器算法对所述在线学习模型进行训练，得到所述故障诊断模型。
15.根据本发明提供的一种故障诊断方法，所述多种故障分类信息包括故障设备、故
障名称、故障等级、故障内容、故障发生时间、故障发生次数和故障发生间隔，所述基于所述多种故障分类信息，得到所述故障特征，包括：
16.将所述多种故障分类信息分别转换为目标字符串，并将所述目标字符串按预设的排列顺序进行组合，得到所述故障特征对应的特征向量。
17.根据本发明提供的一种故障诊断方法，在所述得到所述故障类型对应的诊断结果之后，所述方法还包括：
18.在所述智能运维系统的显示屏显示所述诊断结果。
19.本发明还提供一种故障诊断装置，包括：
20.获取模块，用于获取区域控制器zc的维护数据；
21.诊断模块，用于在确认维护数据中包括报警信息的情况下，基于预设的故障诊断模型，得到所述维护数据对应的诊断结果，所述诊断结果包括所述报警信息对应的故障类型，所述故障诊断模型基于样本故障数据和在线学习算法得到。
22.根据本发明提供的一种故障诊断装置，所述装置还包括：
23.显示模块，用于在所述得到所述故障类型对应的诊断结果之后，显示所述诊断结果。
24.本发明还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一种所述故障诊断方法。
25.本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述故障诊断方法。
26.本发明还提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如上述任一种所述故障诊断方法。
27.本发明提供的故障诊断方法及装置，通过利用在线学习算法得到的故障诊断模型对zc维护数据包含的故障类型进行分类，实现了对未知的故障类型的预测，并提高了故障诊断效率，节约时间成本和人力成本。
附图说明
28.为了更清楚地说明本发明或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，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他的附图。
29.图1是本发明提供的故障诊断方法的流程示意图；
30.图2是本发明提供的故障诊断装置的结构示意图之一；
31.图3是本发明提供的故障诊断装置的结构示意图之二；
32.图4是本发明提供的电子设备的结构示意图。
具体实施方式
33.为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，
而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。
34.下面结合图1-图3描述本发明的故障诊断方法及装置。
35.图1是本发明提供的故障诊断方法的流程示意图，如图1所示，该故障诊断方法包括如下步骤：
36.步骤110、获取区域控制器zc的维护数据。
37.在该步骤中，智能运维系统可以周期性接收zc发送的维护数据，该维护数据可以是zc的运行状态信息，也可以是列车移动授权信息、zc的故障报警信息或zc的板卡运行状态信息等。
38.在该实施例中，智能运维系统在周期性地接收zc维护数据后，能够实时监控zc的运行状态。
39.在一些实施例中，当维护数据包括报警信息时，可以根据专家经验判断该报警信息对应的故障类型以及故障发生原因。
40.在该施例中，当zc运行时出现新的故障类型，根据现有的专家经验不能推测故障类型和故障原因时，需要借助机器学习模型或深度学习模型通过分析故障数据的内在联系，对新出现的故障类型进行识别或预测。
41.步骤120、在确认维护数据中包括报警信息的情况下，基于预设的故障诊断模型，得到维护数据对应的诊断结果，诊断结果包括报警信息对应的故障类型，故障诊断模型基于样本故障数据和在线学习算法得到。
42.可以理解的是，当zc运行过程出现故障时，智能运维系统接收的zc维护数据通常包含相应的报警信息，用于提醒维护人员当前接收的维护数据异常。
43.在该步骤中，故障诊断模型可以是深度学习模型，例如，用于在线学习的感知器，也可以是机器学习模型。
44.在该步骤中，样本故障数据可以是已出现的故障数据，例如，包括故障设备、故障名称、故障等级、故障发生时间信息等信息的zc故障数据。
45.在该步骤中，维护数据对应的诊断结果可以包含历史出现过的故障类型，可以通过历史保存的故障诊断方案进行处理，诊断结果也可以包含新的故障类型，针对该新的故障类型无现存的诊断方案时，可以将该诊断结果发送至显示屏进行显示，以便运维人员进行分析和处理。
46.在该实施例中，故障诊断模型输出的诊断结果包括历史出现过的故障类型时，例如，诊断结果为“进路锁闭后，信号未开放”，对应的诊断方案可以是：1、维护人员：临时处理方式(快速恢复行车组织)和最终处理方式(夜间更换设备完成修复)；2、调度人员：故障恢复前组织行车方法和维护人员修复后恢复正常行车方法。
47.在该实施例中，在线学习算法可以是感知器感知算法，也可以是被动攻击(passive-aggressive)算法等。
48.本发明实施例提供的故障诊断方法，通过利用在线学习算法得到的故障诊断模型对zc维护数据包含的故障类型进行分类，实现了对未知的故障类型的预测，并提高了故障诊断效率，节约时间成本和人力成本。
49.在一些实施例中，维护数据包括zc的运行状态信息、列车移动授权信息、zc的故障
报警信息和zc的板卡运行状态信息，在接收zc发送的维护数据之后，该方法还包括：以zc的运行状态信息、列车移动授权信息、zc的故障报警信息和zc的板卡运行状态信息中的至少一项为检索条件，在预设的知识库中进行检索，得到维护数据对应的诊断结果；其中，知识库基于已存在的故障数据和已存在的故障数据对应的诊断方案确定。
50.在该实施例中，知识库是结合处理不同类型故障时的专家经验和知识建立的资源库。
51.在该实施例中，知识库中可以是多个知识和不同知识间的关联关系构成的故障树。
52.在该实施例中，知识库中的结论知识之间具有故障树所特有的层次关系，即知识库中的一个结论性知识可能是另一个结论知识的前提条件。
53.在该实施例中，处理不同类型故障数据的知识为知识树的节点，相邻两节点的连线可以是不同知识间的逻辑推理关系，例如，节点a与节点b之间的连线某种推理逻辑方式，通过该逻辑推理方式可以是不同知识对应的故障源和故障原因。
54.在该实施例中，利用检索条件在知识库中进行检索是运用领域专家多年积累的经验和专门知识、模拟人类专家的思维推理过程，而这些经验知识都带有某种程度的不确定性。
55.本发明实施例提供的故障诊断方法，通过将zc的维护数据发送至知识库进行快速匹配，当维护数据的故障类型在知识库存在对应的知识时，能够直接从知识库中确定该故障类型以及故障解决方案，进而及时应对zc运行时出现的故障，提高了安全性。
56.在一些实施例中，在线学习算法为感知器算法，故障诊断模型通过如下步骤得到：获取zc的样本故障数据，样本故障数据包括多种故障分类信息；基于多种故障分类信息，得到故障特征；将故障特征输入在线学习模型，通过感知器算法对在线学习模型进行训练，得到故障诊断模型。
57.在该实施例中，在线学习算法可以是感知器算法，感知器算法用经验数据相关矩阵表示，感知器算法近似最大边缘超平面，适用于线性可分的数据。
58.在其他实施例中，在线学习算法也可以是被动攻击算法，该算法与感知器算法计算复杂度相同，但基于被动攻击算法获取的故障诊断模型比基于感知器算法获取的故障诊断模型对维护数据中故障信息的识别能力更强。
59.在该实施例中，构建故障诊断模型的步骤如下：
60.(1)从zc系统的历史故障数据中获取样本故障数据，并对每个样本故障数据设置样本标签。
61.在该实施例中，历史故障数据对应的故障类型可以是无线通讯延时、zc与相邻zc延迟、列车无移动授权、头筛未完成、特殊控制命令、板卡宕机、位置报告非法等。
62.在该实施例中，样本标签的内容可以更具用户实际需求地定义设置，例如，样本标签可以是数字“0、1、2
…”
，也可以是除数字外的其他字符类型。
63.(2)从样本故障数据中提取故障特征，故障特征可以是样本故障数据中包含的故障设备、故障名称、故障等级、故障内容、故障发生时间等。
64.在一些实施例中，提取故障特征之前，先判断样本故障数据的合法性，例如，检查故障信息中是否包含故障设备、故障名称、故障等级等指向故障信息的特定信息，若样本故
障数据为与上述特定信息无关的内容，则该样本故障数据被判定为不合法数据。
65.(3)以上述故障特征为输入特征，以感知器算法为训练算法对在线学习模型进行训练，得到故障诊断模型，并以该故障诊断模型作为分类器去实时监测故障，得出分类结果。
66.需要说明的是，相较于批量学习方法，在线学习算法更适合处理故障特征信息，在线学习算法是一种增量学习算法，每次用一个样本训练，然后根据损失调整权向量，直至得到可用的故障诊断模型。
67.本发明实施例提供的故障诊断方法，通过从样本故障数据获取故障特征，并结合感知器算法对在线学习模型进行训练得到故障诊断模型，提高了对维护数据的故障识别效率和准确率。
68.在一些实施例中，多种故障分类信息包括故障设备、故障名称、故障等级、故障内容、故障发生时间、故障发生次数和故障发生间隔，基于多种故障分类信息，得到故障特征，包括：将多种故障分类信息分别转换为目标字符串，并将目标字符串按预设的排列顺序进行组合，得到故障特征对应的特征向量。
69.在该实施例中，目标字符串可以根据实际需求自定义设置，例如，目标字符串可以是数字，字母或其他类型的字符。
70.在该实施例中，排列顺序可以根据实际需求自定义设置。
71.在该实施例中，将多种故障分类信息分别提取成目标字符串，并按照预设的排列顺序进行排列组合，得到特征向量，该特征向量可以用于表示故障特征。
72.在该实施例中，每个目标字符串可以作为一个特征，并赋予唯一代码，特征值用布尔型表示，例如，特征出现为1，未出现为0；特征和代码的映射关系用map容器表示，在容器中查询特征字符串，若不存在则将新的特征字符串和代码添加到map容器中。
73.本发明实施例提供的故障诊断方法，通过提取多种故障分类信息对应的目标字符串，并将目标字符串组合成特征向量，提高了故障特征对故障类型的表征能力，进而提高了由该故障特征获取的故障诊断模型的识别准确率。
74.在一些实施例中，在得到故障类型对应的诊断结果之后，该方法还包括：在智能运维系统的显示屏显示诊断结果。
75.在该实施例，智能运维系统对zc维护数据进行诊断时，当诊断结果为历史出现过的故障类型，可以通过历史保存的故障诊断方案进行处理，并将诊断结果和处理方式进行可视化显示，以便运维人员按照显示屏的提示内容指导现场设备维修作业。
76.在该实施例中，当诊断结果为新的故障类型，针对该新的故障类型无现存的诊断方案时，可以将该诊断结果发进行可视化处理，以便运维人员进行分析和处理。
77.本发明实施例提供的故障诊断方法，通过将诊断结果进行可视化显示，便于运维人员及时根据显示屏的提示内容执行运维操作，提高了zc运维的安全性，同时能够降低维修时间，节约时间成本和人力成本。
78.下面对本发明提供的故障诊断装置进行描述，下文描述的故障诊断装置与上文描述的故障诊断方法可相互对应参照。
79.图2是本发明提供的故障诊断装置的结构示意图之一，如图2所示，本发明还提供一种故障诊断装置，包括获取模块210和诊断模块。
80.获取模块210，用于获取zc的维护数据；
81.诊断模块220，用于在确认维护数据中包括报警信息的情况下，基于预设的故障诊断模型，得到维护数据对应的诊断结果，诊断结果包括报警信息对应的故障类型，故障诊断模型基于在线学习算法得到。
82.本发明实施例提供的故障诊断装置，通过利用在线学习算法得到的故障诊断模型对zc维护数据包含的故障类型进行分类，实现了对未知的故障类型的预测，并提高了故障诊断效率，节约时间成本和人力成本。
83.图3是本发明提供的故障诊断装置的结构示意图之二，如图3所示，根据本发明提供的故障诊断装置还包括：
84.显示模块230，用于在得到故障类型对应的诊断结果之后，显示诊断结果。
85.本发明实施例提供的故障诊断装置，通过将诊断结果进行可视化显示，便于运维人员及时根据显示屏的提示内容执行运维操作，提高了zc运维的安全性，同时能够降低维修时间，节约时间成本和人力成本。
86.图4示例了一种电子设备的实体结构示意图，如图4所示，该电子设备可以包括：处理器(processor)410、通信接口(communications interface)420、存储器(memory)430和通信总线440，其中，处理器410，通信接口420，存储器430通过通信总线440完成相互间的通信。处理器410可以调用存储器430中的逻辑指令，以执行故障诊断方法，该方法包括：获取zc的维护数据，在确认维护数据中包括报警信息的情况下，基于预设的故障诊断模型，得到维护数据对应的诊断结果，诊断结果包括报警信息对应的故障类型，故障诊断模型基于在线学习算法得到。
87.此外，上述的存储器430中的逻辑指令可以通过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，可以存储在一个计算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，该计算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-only memory)、随机存取存储器(ram，random access memory)、磁碟或者光盘等各种可以存储程序代码的介质。
88.另一方面，本发明还提供一种计算机程序产品，所述计算机程序产品包括计算机程序，计算机程序可存储在非暂态计算机可读存储介质上，所述计算机程序被处理器执行时，计算机能够执行上述各方法所提供的故障诊断方法，该方法包括：获取zc的维护数据，在确认维护数据中包括报警信息的情况下，基于预设的故障诊断模型，得到维护数据对应的诊断结果，诊断结果包括报警信息对应的故障类型，故障诊断模型基于在线学习算法得到。
89.又一方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各方法提供的故障诊断方法，该方法包括：获取zc的维护数据，在确认维护数据中包括报警信息的情况下，基于预设的故障诊断模型，得到维护数据对应的诊断结果，诊断结果包括报警信息对应的故障类型，故障诊断模型基于在线学习算法得到。
90.以上所描述的装置实施例仅仅是示意性的，其中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模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
91.通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述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，该计算机软件产品可以存储在计算机可读存储介质中，如rom/ram、磁碟、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)执行各个实施例或者实施例的某些部分所述的方法。
92.最后应说明的是：以上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精神和范围。