基于维修工单的轨道交通排故方法、系统、装置和介质与流程

本发明涉及轨道交通，具体涉及一种基于维修工单的轨道交通排故方法、系统、装置和介质。

背景技术：

1、在轨道交通行业中，需要定期对车载设备部件进行维修或故障排除。在排故过程中，车载设备部件的辅助排故工具较为传统，大都是通过有经验的维修工程人员凭经验进行维修，或通过海量的维修工单上记录的数据来人工查找故障类型，再依据故障类型来进行维修。

2、然而由于轨道交通的车载设备故障工单数据量充足，在上述排故方式中，对故障工单数据的主要处理措施仅是简单的存储和展示，没有对数据进行充分的利用和处理，缺乏对故障模块、故障内容描述、故障分析和现场处置措施等信息的提取和加工，未能发挥数据的价值。在设备维修现场，这些数据无法直接使用，导致无维修经验的工程师无法直接根据这些数据对设备故障进行排查和维修，排故难度极大。同时，维修部人员有限，查找数据费时费力，人员压力较大。

技术实现思路

1、有鉴于此，本发明提供了一种基于维修工单的轨道交通排故方法、系统、装置和介质，以解决现有轨道交通排故技术中数据缺乏预处理、排故人员技术门槛要求高、排故难度高和排故效率低下的问题。

2、本发明提供了一种基于维修工单的轨道交通排故方法，所述方法包括：

3、制作原始数据集；其中，所述原始数据集中包含多个维修工单，且每个所述维修工单均包括用于描述故障类型、故障内容和处置措施的原始文本数据；

4、对所述原始数据集进行预处理，得到目标数据集；

5、对所述目标数据集进行特征提取，得到每个所述维修工单中用于描述所述故障内容的特征向量；

6、根据所述特征向量进行模型训练，得到排故分类模型；

7、获取待测维修工单，根据所述排故分类模型确定所述待测维修工单对应的目标故障类型和目标处置措施。

8、可选地，所述对所述原始数据集进行预处理，得到目标数据集，包括：

9、对所述原始数据集进行文本清洗，得到第一数据集；

10、对所述第一数据集进行分词处理，得到第二数据集；

11、对所述第二数据集进行去停用词处理，得到第三数据集；

12、对所述第三数据集进行词干提取，得到所述目标数据集。

13、可选地，所述目标数据集包括每个所述维修工单对应的用于描述所述故障类型、所述故障内容和所述处置措施的目标文本数据，且每个所述目标文本数据中均包括多个用于描述所述故障内容的目标词语；

14、所述对所述目标数据集进行特征提取，得到每个所述维修工单中用于描述所述故障内容的特征向量，包括：

15、在所述目标数据集中任选一个所述维修工单对应的所述目标文本数据，采用词嵌入方法，对选取的所述目标文本数据中的每个所述目标词语分别进行转换，得到选取的所述目标文本数据中每个所述目标词语一一对应的数值向量；

16、采用词频-逆文档频率统计方法，分别计算选取的所述目标文本数据中每个所述数值向量一一对应的词频-逆文档频率值；

17、将所有所述词频-逆文档频率值中的最大值所对应的所述数值向量确定为选取的所述维修工单中用于描述所述故障内容的所述特征向量；

18、遍历所述目标数据集中每个所述维修工单对应的所述目标文本数据，按照同样的方法，得到每个所述维修工单中用于描述所述故障内容的所述特征向量。

19、可选地，所述根据所述特征向量进行模型训练，得到排故分类模型，包括：

20、从所述目标数据集中获取训练集；

21、根据所述训练集中的所有所述特征向量进行模型训练，得到所述排故分类模型。

22、可选地，所述待测维修工单包括用于描述所述故障内容的待测文本数据；

23、所述根据所述排故分类模型确定所述待测维修工单对应的目标故障类型和目标处置措施，包括：

24、对所述待测文本数据依次进行预处理和特征提取，得到所述待测维修工单对应的待测特征向量；

25、将所述待测特征向量输入所述排故分类模型中，得到所述待测维修工单对应的所述目标故障类型和所述目标处置措施。

26、可选地，所述得到排故分类模型之后，所述方法还包括：

27、预先设定所述排故分类模型输出的相似度指标组合以及所述相似度指标组合对应的初始权重组合；

28、从所述目标数据集中获取验证集，利用所述验证集和所述排故分类模型对所述初始权重组合进行交叉验证，得到所述相似度指标组合对应的优化权重组合；

29、其中，所述相似度指标组合包括多个相似度指标。

30、可选地，，将所述待测特征向量输入所述排故分类模型中，得到所述待测维修工单对应的所述目标故障类型和所述目标处置措施，包括：

31、将所述待测特征向量输入所述排故分类模型中，得到所述待测维修工单对应的至少一个潜在故障类型；

32、当所述潜在故障类型为一个时，将所述潜在故障类型确定为所述目标故障类型，并将所述潜在故障类型对应的所述处置措施确定为所述目标处置措施；

33、当所述潜在故障类型为多个时，预先获取存储有多个历史故障案例的故障案例库；根据所述相似度指标组合以及所述相似度指标组合对应的所述优化权重组合，分别计算每个所述潜在故障类型的所述特征向量与所述历史故障案例中的历史特征向量之间的潜在相似度；将所有所述潜在相似度中的最大值所对应的所述历史故障案例的历史故障类型确定所述目标故障类型，并将所有所述潜在相似度中的最大值所对应的所述历史故障案例的历史处理措施确定为所述目标处理措施。

34、此外，本发明还提供了一种基于维修工单的轨道交通排故系统，应用于前述的基于维修工单的轨道交通排故方法中，包括：

35、数据集获取模块，用于制作原始数据集；其中，所述原始数据集中包含多个维修工单，且每个所述维修工单均包括用于描述故障类型、故障内容和处置措施的原始文本数据；

36、数据预处理模块，用于对所述原始数据集进行预处理，得到目标数据集；

37、特征提取模块，用于对所述目标数据集进行特征提取，得到每个所述维修工单中用于描述所述故障内容的特征向量；

38、模型训练模块，用于根据所述特征向量进行模型训练，得到排故分类模型；

39、模型检测模块，用于获取待测维修工单，根据所述排故分类模型确定所述待测维修工单对应的目标故障类型和目标处置措施。

40、此外，本发明还提供了一种基于维修工单的轨道交通排故装置，包括处理器、存储器和存储在所述存储器中且可运行在所述处理器上的计算机程序，所述计算机程序运行时实现前述基于维修工单的轨道交通排故方法中的方法步骤。

41、此外，本发明还提供了一种计算机存储介质，所述计算机存储介质包括：至少一个指令，在所述指令被执行时实现前述基于维修工单的轨道交通排故方法中的方法步骤。

42、本发明的有益效果：通过对包含多个维修工单的原始数据集进行预处理，能够将维修工单中大量的关于故障类型、故障内容和处理措施的文本数据进行充分地预处理，提升后续模型训练时所使用数据的质量，进而确保最终排故分类模型的准确性和鲁棒性；利用特征提取得到的特征向量可以反映出维修工单的文本数据中的语义信息，更符合轨道交通的真实维修环境；然后基于该特征向量进行模型训练，能够得到更符合轨道交通的真实维修环境的排故分类模型；最后利用该排故分类模型对待测维修工单进行检测分类，即可得到相应的目标故障类型和目标处理措施；

43、本发明的轨道交通排故方法、系统、装置和介质，基于维修工单中大量的关于故障类型、故障内容和处理措施的文本数据，实现了轨道交通的智能排故，对排故人员技术门槛要求低，大大降低了轨道交通中故障排除难度，有效提升了故障排除的准确率和效率，进而提高了排故人员的工作效率，降低维修成本，确保了车载设备的可靠性和安全性。