[发明专利]面向动车组重要部件的设备画像与个性化运维服务方法

权利要求书

1.一种面向动车组重要部件的设备画像与个性化运维服务方法，其特征在于：包括以下步骤：

步骤1：通过整合动车组关键部件的设计、制造和运维场景信息，建立动车组关键部件的标签库，包括动车组关键部件的评价标签、属性标签和行为标签；

步骤2：从动车组运维管理相关的系统中收集动车组历史故障信息，并基于面向对象技术与数据库技术相结合的案例表示方法，构建特征案例库：

步骤2.1：从动车组列控系统、调度系统、联锁系统及外部系统收集动车组历史故障信息，并对动车组进行FMEA分析，确定每一个子系统可能发生的故障类别，并对每一故障类别的故障现象、故障发生的原因、故障影响以及故障发生频率进行分析，总结出典型的故障模式，并筛选出具有代表性的故障案例；

步骤2.2：对收集到的故障案例文本进行文本处理，抽取故障现象关键词，并将动车组故障案例用一个四元组来定义：

C＝(D,(S,E),R)

其中，D＝{d₁,d₂,…,d_n}表示对动车组故障案例的描述，包括车次、故障编号、故障发生地点、故障类别；(S,E)表示故障案例的特征集，S是故障案例的故障现象特征集，表现形式为S＝{(attr₁:η₁),(attr₂:η₂),…,(attr_n:η_n)}，包括故障案例特的故障现象关键词attr_i与对应权重η_i，E是故障案例的属性标签与行为标签信息，包括故障位置、运行环境、运行参数，表现形式是

E＝{(name₁:W₁),(name₂:W₂),…,(name_m:W_m)}；

R是动车组故障结论信息，包括维修方案、结果评价；

步骤3：构建每一动车组个体的设备画像模型，具体包括以下步骤：

步骤3.1：构建每一动车组个体的设备画像模型M_u为如下形式：

M_u＝{(F₁,E₁):ω₁,(F₂,E₂):ω₂,…,(F_n,E_n):ω_n}

在设备画像模型M_u中，(F_i,E_i)表示某一动车组的某一重要部件的一个故障类别特征向量，每一个故障类别特征向量都关联一个权重ω_i，该权重ω_i是指该部件发生第i个故障类别的次数占设定的固定历史时间窗口中发生所有故障类别数量的比重，只有权重大于设定阈值ω_threshold的故障类别特征向量才能出现在设备画像模型M_u中；

在故障类别特征向量(F_i,E_i)中，F_i为故障现象兴趣模型，表现形式是F_i＝{(attr₁:η₁),(attr₂:η₂),…,(attr_p:η_p)}，其中，attr_j表示一个故障现象关键词，η_j是相应的权重，表示该故障特征的重要程度；E_i是设备部件的属性与行为特征模型，表现形式是E_i＝{(name₁:W₁),(name₂:W₂),…,(name_q:W_q)}，name_k是属性标签或行为标签，W_k是标签内容；

步骤3.2：周期性更新设备画像模型M_u：

设备画像模型的更新是一个周期性的更新过程，根据设备具体的运维情况设置更新周期，统计分析一个周期内的故障反馈信息来更新设备画像模型M_u中的故障类别特征向量(F_i,E_i),i＝1,…,n，包括根据最新的设备属性和行为信息更新设备画像模型M_u中的设备部件的属性与行为特征模型E_i,i＝1,…,n，以及应用Rocchio反馈算法更新故障现象兴趣模型F_i,i＝1,…,n；

步骤4：为设备画像模型M_u中的每一个故障类别特征向量推荐最佳相似案例，以形成该设备每一故障类别的个性化运维方案；具体包括以下步骤：

步骤4.1：遍历设备画像模型M_u中每一个故障类别(F_i,E_i),i＝1,…,n，找出特征案例库中第i个故障类别下的故障案例集合，计算故障类别特征向量(F_i,E_i),i＝1,…,n与该故障案例集合中的历史故障案例的相似度，并将相似度最高的历史故障案例及其解决方案进行推送；

步骤4.2：判断设备画像模型M_u中每个故障类别(F_i,E_i),i＝1,…,n被推送的历史故障案例及其解决方案是否适用，若适用，则直接应用其解决方法解决当前问题；若不完全适用，则对最佳相似案例的维修方案进行修正并保存到特征案例库之后，形成该设备故障类别特征向量的个性化维修方案。