一种基于人工智能的设备故障检测分析方法及装置与流程

本发明涉及计算机，具体而言，涉及一种基于人工智能的设备故障检测分析方法及装置。

背景技术：

1、随着铁路信息系统在运输生产和经营开发中的作用日益重要，系统规模的不断扩大带来了新的挑战。这些系统现在普遍采用云计算和微服务架构，这使得系统架构更为复杂，对功能性能的要求更高。特别是在系统运维方面，面临着故障间接传播、海量异构故障诊断指标、以及故障诊断的时效性等诸多挑战。目前的故障诊断方法主要采用专家系统，这些系统依赖于详尽的知识库，该知识库包含了从专家经验中提炼的规则和故障处理策略。然而，这种方法在处理新出现或复杂的故障时效率较低，主要是因为知识库的更新需要大量的人工干预，且在快速变化的技术环境中难以及时反映新的故障模式。此外，专家系统在复杂故障诊断时可能需要遍历大量规则，这不仅耗时而且效率低下。

2、针对上述现有技术的缺陷，现亟需一种基于人工智能的设备故障检测分析方法及装置。

技术实现思路

1、本发明的目的在于提供一种基于人工智能的设备故障检测分析方法及装置，以改善上述问题。为了实现上述目的，本发明采取的技术方案如下：

2、第一方面，本申请提供了基于人工智能的设备故障检测分析方法，包括：

3、获取第一信息和第二信息，所述第一信息包括铁路信息系统的历史故障数据，所述第二信息包括铁路信息系统的当前系统运行数据；

4、根据所述第一信息构建得到故障知识图谱，所述故障知识图谱包括历史故障模式以及对应的特征参数；

5、基于预设的深度学习数学模型对所述故障知识图谱进行故障原因分析处理得到故障分析结果；

6、根据所述故障分析结果进行多因素关联性评估和风险预测处理，建立可靠性预测模型；

7、根据所述可靠性预测模型和所述第二信息对铁路信息系统进行故障检测，得到实时的故障检测结果。

8、第二方面，本申请还提供了一种基于人工智能的设备故障检测分析装置，包括：

9、获取模块，用于获取第一信息和第二信息，所述第一信息包括铁路信息系统的历史故障数据，所述第二信息包括铁路信息系统的当前系统运行数据；

10、构建模块，用于根据所述第一信息构建得到故障知识图谱，所述故障知识图谱包括历史故障模式以及对应的特征参数；

11、分析模块，基于预设的深度学习数学模型对所述故障知识图谱进行故障原因分析处理得到故障分析结果；

12、评估模块，用于根据所述故障分析结果进行多因素关联性评估和风险预测处理，建立可靠性预测模型；

13、检测模块，用于根据所述可靠性预测模型和所述第二信息对铁路信息系统进行故障检测，得到实时的故障检测结果。

14、本发明的有益效果为：

15、本发明通过结合深度学习模型和多因素关联性评估，能够更准确地识别和预测铁路信息系统的故障，可以有效地从大量历史故障数据中学习和识别复杂的故障模式，从而提高故障检测的准确性；本发明利用实时数据流处理和动态概率计算，本发明能够及时响应系统状态的变化，快速检测并预测即将发生的故障。

16、本发明的其他特征和优点将在随后的说明书阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明实施例了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。

技术特征：

1.一种基于人工智能的设备故障检测分析方法，其特征在于，包括：

2.根据权利要求1所述的基于人工智能的设备故障检测分析方法，其特征在于,根据所述第一信息构建得到故障知识图谱，包括：

3.根据权利要求1所述的基于人工智能的设备故障检测分析方法，其特征在于,基于预设的深度学习数学模型对所述故障知识图谱进行故障原因分析处理得到故障分析结果，包括：

4.根据权利要求1所述的基于人工智能的设备故障检测分析方法，其特征在于,根据所述故障分析结果进行多因素关联性评估和风险预测处理，建立可靠性预测模型，包括：

5.根据权利要求1所述的基于人工智能的设备故障检测分析方法，其特征在于,根据所述可靠性预测模型和所述第二信息对铁路信息系统进行故障检测，得到实时的故障检测结果，包括：

6.一种基于人工智能的设备故障检测分析装置，其特征在于，包括：

7.根据权利要求6所述的基于人工智能的设备故障检测分析装置，其特征在于，所述构建模块包括：

8.根据权利要求6所述的基于人工智能的设备故障检测分析装置，其特征在于，所述分析模块包括：

9.根据权利要求6所述的基于人工智能的设备故障检测分析装置，其特征在于，所述评估模块包括：

10.根据权利要求6所述的基于人工智能的设备故障检测分析装置，其特征在于，所述检测模块包括：

技术总结
本发明提供了一种基于人工智能的设备故障检测分析方法及装置，涉及计算机技术领域，包括：获取第一信息和第二信息；根据第一信息构建得到故障知识图谱，故障知识图谱包括历史故障模式以及对应的特征参数；基于预设的深度学习数学模型对故障知识图谱进行故障原因分析处理得到故障分析结果；根据故障分析结果进行多因素关联性评估和风险预测处理，建立可靠性预测模型；根据可靠性预测模型和第二信息对铁路信息系统进行故障检测，得到实时的故障检测结果。本发明通过结合深度学习模型和多因素关联性评估，能够更准确地识别和预测铁路信息系统的故障，可以有效地从大量历史故障数据中学习和识别复杂的故障模式，从而提高故障检测的准确性。

技术研发人员：谢乙,张家豪,王前军,王小希,温勇,张熙祥,于冰
受保护的技术使用者：中国国家铁路集团有限公司
技术研发日：
技术公布日：2024/4/22