[发明专利]一种基于大数据分析的地铁机电设备状态异常检测方法

说明书

本发明公开了一种基于大数据分析的地铁机电设备状态异常检测方法，从数据演化过程、数据关联的全新角度实现地铁机电设备的异常检测。通过时间序列模型和自适应神经网络对历史数据潜在的特征进行挖掘，并将数据对时间的动态变化规律用转移概率序列表示。针对多维的监测数据，运用无监督聚类方法简化各参量之间的相关关系，从而避免参量间相关性难以确定的问题。提出异常检测体系，并使之适用于地铁机电设备状态监测数据流，实现数据流中异常的快速检出。

技术领域

本发明属于大数据环境下的神经网络设备故障技术领域，具体指代一种大数据环境下基于自组织神经网络(self-organized maps，SOM)算法的地铁机电设备状态异常的检测方法。

背景技术

地铁机电设备在实际运行过程中会受到过负荷、过电压、内部绝缘老化、自然环境等异常事件影响，这些异常运行状态会导致设备缺陷、故障的发生，因此对地铁机电设备状态进行异常检测具有很强的必要性。在设备实际运维中，大都是基于单一系统的部分设备信息，采用简单阈值判定方法来检测异常。这种传统的阈值判定具有局限性，一方面设备信息利用率和状态评价正确率都偏低，另一方面难以检测出设备的潜伏性故障及故障类别，而且相关规范标准中的固定阈值难以结合设备运行工况的差异性。

由于地铁机电设备状态数据(包括在线监测、带电检测、预防性试验数据等)体量大、类型繁多的特点，可以将大数据技术引入到设备异常检测中，充分挖掘状态数据的异常信息。近两年大数据技术在互联网、金融、物流领域的发展迅速，体现出极高的社会价值，而在轨道交通行业大数据技术正处于起步阶段，大数据分析技术通过寻找设备信息间的关联关系，为提供设备异常检测准确性提供了全新的解决方法和思路。

地铁机电设备状态变化具有复杂性、随机性和周期性的特征。监测地铁机电设备状态异常具有高度的非线性和不确定性，并且同时间相关性较强，该类问题常用的方法主要有回归模型预测方法和以神经网络为代表的机器学习方法。

时间序列的自回归模型(auto-regressive，AR)适用于很多工业过程，其特点是AR系统记忆性强，在时间t的值依赖于从前时刻的行为，这与设备运行过程中的低动态性相符。地铁机电设备在正常运行过程中一部分状态量的变化较小，如拉力、接地电流等，这些状态量数据都属于平稳序列，可直接用AR拟合；另一部分状态量呈日周期性变化，但变化幅值不大，如油温、环境温度等，去除其日周期性后也可通过AR拟合。由于地铁机电设备的潜伏性故障发展缓慢，因此当设备处于异常状态时，监测到的参量往往未超出导则或规程中的限值，从而难以察觉。根据以上结论可知，对于没有超出状态量限值的在线监测数据，单纯地用AR模型不能够检测出其异常状态。

神经网络(Neural Networks)是一个高度复杂的非线性动力学习系统，作为对复杂非线性系统的逼近器，具有自学习、自组织及泛化能力，在预测领域有很大的优势。自组织神经网络(self organized maps，SOM)工作原理是通过无监督学习方法，让竞争层各神经元通过竞争与输入模式进行匹配，最后仅有一个神经元成为竞争的胜者，这一获取神经元的输入就代表对输入模式的分类。由于无监督学习的训练样本中不含有期望输出，没有任何先验知识，因此适用于数据量大、不含标签的状态监测数据。

发明内容

针对于上述现有技术的不足，本发明的目的在于提供一种基于大数据分析的地铁机电设备状态异常检测方法，以解决现有技术中传统的地铁机电设备状态异常检测方法具有局限性，设备信息利用率和状态评价正确率都偏低，以及难以检测出设备的潜伏性故障及故障类别的问题。

为达到上述目的，本发明采用的技术方案如下：

本发明的一种基于大数据分析的地铁机电设备状态异常检测方法，包括如下步骤：

1)从地铁机电设备历史状态数据库中提取机电设备状态数据，并将其导入大数据存储系统；

2)从上述的大数据存储系统中读取地铁机电设备历史状态数据；