【技術實現步驟摘要】
本專利技術涉及智能運維技術，尤其涉及軌交站臺門多層架構智能運維及預測性維護方法及系統。
技術介紹
1、傳統的定期檢修模式無法及時發現潛在故障，容易造成設備意外停機和安全隱患。由于缺乏實時監測和智能分析手段，難以準確把握站臺門各部件的實際運行狀態，導致維護工作被動、滯后。
2、其次，現有的故障診斷方法主要依賴維護人員的經驗判斷，缺乏對多源異構數據的綜合分析能力。站臺門系統涉及機械、電氣、控制等多個領域，單一的故障特征難以全面反映設備健康狀態，影響了故障預測的準確性和可靠性。
3、最后，傳統的維護決策缺乏數據支撐和智能優化，難以實現精準維護和資源優化配置。維護計劃往往是固定的，未能根據設備實際狀態和運營需求進行動態調整，造成了維護資源的浪費和維護效率的低下。
4、因此，亟需開發一種智能化、預測性的站臺門維護方法，以提高設備可靠性、降低維護成本、保障運營安全。
技術實現思路
1、本專利技術實施例提供軌交站臺門多層架構智能運維及預測性維護方法及系統，能夠解決現有技術中的問題。
2、本專利技術實施例的第一方面，
3、提供軌交站臺門多層架構智能運維及預測性維護方法，包括：
4、建立軌交站臺門多層數據采集體系，通過設置在站臺門底部機構、驅動機構和門體結構上的振動傳感器、溫度傳感器、位移傳感器和電流傳感器采集站臺門運行參數，所述運行參數包括振動頻率、驅動電流、部件溫度和開關門位移，將所述運行參數通過現場總線傳輸至邊緣計算單元進
5、將所述站臺門健康狀態特征向量輸入至包含卷積層、池化層和全連接層的深度神經網絡中，通過對所述特征向量進行時序相關性分析和多尺度特征提取，結合歷史維修數據訓練所述深度神經網絡，構建基于深度學習的站臺門故障預測模型；
6、基于基于深度學習的站臺門故障預測模型的輸出結果，采用決策樹算法對站臺門部件的維護優先級進行動態評估，生成包含維護時間、維護項目和維護資源的智能維護方案，通過移動終端向現場維護人員推送維護指令，并將維護過程中采集的新數據反饋至所述深度學習模型進行在線優化更新，實現站臺門維護策略的自適應調整。
7、將所述運行參數通過現場總線傳輸至邊緣計算單元進行數據預處理，生成站臺門健康狀態特征向量包括：
8、通過設置在站臺門底部機構上的振動傳感器、設置在站臺門驅動機構上的電流傳感器、設置在站臺門門體結構上的溫度傳感器和位移傳感器采集站臺門運行參數，所述振動傳感器的采樣頻率為1000hz，所述溫度傳感器的采樣頻率為1hz，所述位移傳感器的采樣頻率為100hz，所述電流傳感器的采樣頻率為500hz；將所述振動傳感器、所述溫度傳感器、所述位移傳感器和所述電流傳感器劃分為機械組、驅動組和門體組，每組配置獨立的can控制器和can收發器，采用差分信號傳輸方式，以250kbps的傳輸速率通過時分復用方式將所述運行參數傳輸至邊緣計算單元；
9、所述邊緣計算單元采用雙核arm處理器，利用db4小波基函數對所述運行參數進行3層分解，通過軟閾值方法濾除高頻噪聲，基于3σ準則識別并剔除異常值，采用分段線性插值方法將所述運行參數統一對齊到100hz的時間軸；對所述運行參數進行時域特征和頻域特征提取，所述時域特征包括均值、標準差、峰值因子和裕度因子，所述頻域特征包括主頻分量和頻帶能量分布，計算所述運行參數之間的相關系數；
10、提取站臺門開關門過程中的速度曲線特征、加速度特征和位移特征作為工況特征，通過滑動時間窗口計算振動信號的包絡譜和電流信號的諧波比作為性能退化特征，結合溫度變化趨勢和振動響應的相關性分析建立環境影響特征，將所述工況特征、所述性能退化特征和所述環境影響特征組合形成145維特征向量，采用主成分分析方法對所述145維特征向量進行降維處理，選取累計貢獻率達到95%的主成分生成站臺門健康狀態特征向量。
11、基于深度學習的站臺門故障預測模型包括時序特征分支、空間特征分支和注意力特征分支；
12、所述時序特征分支包括串聯的三個一維卷積層，所述三個一維卷積層的卷積核大小分別為3、5、7，每個所述一維卷積層的輸出連接一個最大池化層，所述最大池化層的池化窗口大小為2，所述時序特征分支的輸出用于表征所述健康狀態特征向量的時序特征；
13、所述空間特征分支包括串聯的四個二維卷積層，所述四個二維卷積層均采用4×4卷積核，所述四個二維卷積層的通道數依次為32、64、128、256，所述空間特征分支的輸出用于表征所述健康狀態特征向量的空間特征；
14、所述注意力特征分支包括自注意力計算單元，所述自注意力計算單元計算所述健康狀態特征向量各維度之間的關聯權重，并通過softmax函數對所述關聯權重進行歸一化處理得到歸一化權重，所述注意力特征分支的輸出用于表征所述健康狀態特征向量的注意力特征；
15、將所述時序特征、所述空間特征和所述注意力特征進行特征融合得到融合特征，所述融合特征用于站臺門故障預測。
16、構建基于深度學習的站臺門故障預測模型包括：
17、獲取站臺門健康狀態特征向量，并對所述站臺門健康狀態特征向量進行遞歸圖分析，通過設置嵌入維數為5、時間延遲為2的相空間重構參數將所述站臺門健康狀態特征向量映射至高維相空間得到特征軌跡點，計算所述特征軌跡點之間的歐氏距離構建遞歸矩陣；
18、采用復morlet小波對所述站臺門健康狀態特征向量進行時頻分解，計算不同尺度下的互相關系數；將所述站臺門健康狀態特征向量通過局部模式分解方法分解為多個積分模態函數，對所述積分模態函數計算瞬時頻率和瞬時幅值得到微觀尺度特征；
19、將所述站臺門健康狀態特征向量通過經驗模態分解與希爾伯特變換相結合的方法構建時頻能量譜，計算邊際譜和瞬時頻率譜得到中觀尺度特征；將所述站臺門健康狀態特征向量通過變分模態分解算法分解為趨勢項、周期項和殘差項得到宏觀尺度特征；將所述微觀尺度特征、所述中觀尺度特征和所述宏觀尺度特征輸入至深度神經網絡中進行訓練，得到站臺門故障預測模型。
20、基于基于深度學習的站臺門故障預測模型的輸出結果，采用決策樹算法對站臺門部件的維護優先級進行動態評估，生成包含維護時間、維護項目和維護資源的智能維護方案包括：
21、基于深度學習模型輸出的剩余壽命預測值和故障類型概率分布構建維護優先級評估指標，通過將所述剩余壽命預測值按照時間區間進行分段映射得到健康狀態指標，基于所述故障類型概率分布與故障類型危害程度權重矩陣的乘積計算得到故障風險指標，結合站臺門客流量、站點位置和備用資源狀況通過層次分析法計算得到運營影響指標；
22、將所述健康狀態指標、所述故障風險指標和所述運營影響指標輸入至cart決策樹，所述cart決策樹的最小樣本分割數設置為50、節點最小純度閾值設置為0.85，通過交叉驗證確定剪枝參數為0.02，得到站臺門部件的維護優先級評估結果；<本文檔來自技高網...
【技術保護點】
1.軌交站臺門多層架構智能運維及預測性維護方法，其特征在于，包括：
2.根據權利要求1所述的方法，其特征在于，將所述運行參數通過現場總線傳輸至邊緣計算單元進行數據預處理，生成站臺門健康狀態特征向量包括：
3.根據權利要求1所述的方法，其特征在于，基于深度學習的站臺門故障預測模型包括時序特征分支、空間特征分支和注意力特征分支；
4.根據權利要求1所述的方法，其特征在于，構建基于深度學習的站臺門故障預測模型包括：
5.根據權利要求1所述的方法，其特征在于，基于基于深度學習的站臺門故障預測模型的輸出結果，采用決策樹算法對站臺門部件的維護優先級進行動態評估，生成包含維護時間、維護項目和維護資源的智能維護方案包括：
6.根據權利要求5所述的方法，其特征在于，基于所述維護優先級評估結果建立時間成本和風險成本的優化目標函數，通過遺傳算法計算得到維護時間窗口包括：
7.軌交站臺門多層架構智能運維及預測性維護系統，用于實現前述權利要求1-6中任一項所述的方法，其特征在于，包括：
8.一種電子設備，其特征在于，包括：
9.一種計算機可讀存儲介質，其上存儲有計算機程序指令，其特征在于，所述計算機程序指令被處理器執行時實現權利要求1至6中任意一項所述的方法。
...【技術特征摘要】
1.軌交站臺門多層架構智能運維及預測性維護方法，其特征在于，包括：
2.根據權利要求1所述的方法，其特征在于，將所述運行參數通過現場總線傳輸至邊緣計算單元進行數據預處理，生成站臺門健康狀態特征向量包括：
3.根據權利要求1所述的方法，其特征在于，基于深度學習的站臺門故障預測模型包括時序特征分支、空間特征分支和注意力特征分支；
4.根據權利要求1所述的方法，其特征在于，構建基于深度學習的站臺門故障預測模型包括：
5.根據權利要求1所述的方法，其特征在于，基于基于深度學習的站臺門故障預測模型的輸出結果，采用決策樹算法對站臺門...
【專利技術屬性】
技術研發人員：侯淑麗，
申請(專利權)人：常州市東方浩友科技有限公司，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。