基于知识图谱的站台门智能运维与健康管理方法及系统与流程

本发明涉及轨道交通，尤其涉及基于知识图谱的站台门智能运维与健康管理方法及系统。

背景技术：

1、在国内城市轨道交通的快速发展背景下，站台门控制系统作为一种关键的安全设备，起着至关重要的作用。它被设置在地铁站台的边缘，有效地将地铁运行区与候车区进行隔离。因此，站台门控制系统的有效性、安全性、可靠性以及维修的实时性对城市轨道交通的正常运行有着直接的影响。

2、目前的研究中，人们对站台门控制系统各项指标进行实时监控，更注重状态数据的收集和研究，但往往忽视了知识数据的重要性。人们通常认为状态数据反映的故障特征足以有效诊断设备故障并降低故障率。但是，实际诊断与故障排除过程往往需要不断排查才能最终确定故障原因，因此需要维修人员及时与智能运维系统之间进行知识的交互。每一次成功或失败的诊断经验都是提升未来诊断效果、改进设备装配和制造工艺、提高设备可靠性工作的重要依据。

3、基于深度学习的故障诊断可以准确地诊断故障，但诊断结果信息不足，仅仅能得到故障存在的部位或故障类型，而一个更为全面的故障诊断流程，理应包括故障的维修策略和原因分析等关键环节。

4、中国专利cn110262463公开了一种基于深度学习的轨道交通站台门故障诊断系统。故障诊断系统利用深度学习的卷积神经网络自动提取监测传感器所采集的数据的多维特征，实现了对大量多模态数据信息的深层次挖掘，能很好的对异常数据做出快速有效反应，从而能很好的响应复杂多变的轨道交通站台门系统。上述专利只能利用有限的故障案例与状态监测数据，会造成训练数据不平衡导致模型在训练过程中偏向于预测出现频率较高的类别，对于因部件寿命周期较长而未出现的故障诊断性能较差。同时上述专利依赖于庞大故障数据集且深度学习神经网络可解释性差，难以解释其决策过程和工作原理，不利于现场维护人员迅速做出诊断决策。

5、因此，相比传统关系型数据库，如何将图数据库对故障诊断知识数据进行存储和查询，并用于基于知识图谱的诊断推理，从而解决了轨道交通站台门故障诊断与管理的是本技术需要解决的问题。

技术实现思路

1、针对现有技术中存在的技术问题，本发明提供基于知识图谱的站台门智能运维与健康管理方法及系统，通过设置基于fta(故障树分析)、fmeca(故障模式影响和危害度分析)的知识图谱构建方法，解决了轨道交通站台门故障诊断与管理的问题。

2、根据本发明的第一方面，本发明提供基于知识图谱的站台门智能运维与健康管理方法，包括以下步骤：

3、对站台门进行故障机理分析，基于分析结果建立故障诊断知识图谱；包括：利用故障模式影响和危害度分析中的风险顺序数指标去量化评价各种故障模式的危害性和风险程度，将站台门故障诊断的知识进行系统化和结构化，并在此基础上，应用故障树分析方法，基于站台门系统实时监测数据来构建故障诊断知识图谱；

4、将故障诊断知识图谱的知识数据通过图数据库进行存储和管理；

5、将基于故障树分析、故障模式影响和危害度分析的知识图谱融入智能运维系统的开发和管理中。

6、在上述技术方案的基础上，本发明还可以作出如下改进。

7、可选的，所述对站台门进行故障机理分析包括：

8、步骤1-1.根据轨道交通站台门系统故障影响、故障案例、诊断经验，确定故障产生时出现的征兆，利用风险顺序数值去量化评价各种故障模式的危害性和风险程度，绘制站台门系统关键部件故障模式影响和危害度分析表；

9、步骤1-2.确认涉及安全的故障顶事件，基于步骤1-1的故障模式影响和危害度分析表中严酷程度等级进行排序，选择严酷程度等级和风险顺序数较高的故障模式作为故障树的顶事件，逐一选取顶事件事例进行故障树搭建，通过分析列出直接造成顶事件的故障原因作为中间事件，采用下行法对顶事件展开分析，得出故障树的最小割集作为底事件；

10、步骤1-3.定义知识图谱所要表达的部件、故障模式、测点、征兆的节点之间的关系；

11、步骤1-4.利用故障模式影响和危害度分析及故障树分析数据构建知识图谱。

12、可选的，所述风险顺序数是由发生度(o)、严酷度(s)、检测度(d)三个影响因子共同构成，故障模式的风险顺序数的公式如下，

13、rpn＝s×o×d。

14、可选的，所述故障顶事件包括但不限于站台门异常打开、列车到站时站台门无法打开、列车出站时站台门无法打开、防夹功能失效致乘客夹伤；所述中间事件包括但不限于dcu故障、pedc故障、电源系统失效。

15、可选的，所述定义知识图谱要表达的部件、故障模式、测点、征兆等节点与它们之间的关系包括：

16、1)通过前述基于部件树分析、故障模式影响和危害度分析的归纳整理，以及与故障诊断相关性差或重复的知识被剔除，得出最终的故障诊断相关知识类别；

17、2)确定好知识中类的概念后，进一步确定各类别在实例化过程中需要描述的属性信息；

18、3)基于以类、属性和关系的定义，建立故障诊断知识图谱表达框架。

19、可选的，所述知识类别包括部件信息类和故障信息类；其中，所述部件信息类分为部件和测点两个子类，故障信息类则分为故障原因、故障模式、故障征兆和处理措施四个子类；测点类的主要属性信息有名称、编码、类型和备注的信息。

20、可选的，所述利用故障模式影响和危害度分析及故障树分析数据构建知识图谱包括：

21、1)整合故障模式影响和危害度分析信息到知识图谱，将故障模式影响和危害度分析中的信息整合到知识图谱的实体和关系中；

22、2)关联故障模式影响和危害度分析和故障树分析信息：将故障模式影响和危害度分析中识别到的故障模式和故障树分析中的故障树结构关联起来；

23、3)结合故障树分析和故障模式影响和危害度分析的概率信息：在知识图谱中引入故障树分析和故障模式影响和危害度分析的概率信息，包括故障发生概率、影响程度；

24、4)建立故障处理知识库，利用知识图谱建立一个故障处理知识库，包含故障模式影响和危害度分析和故障树分析中识别到的故障模式、原因、影响以及相应的处理措施；

25、5)结合实时监测数据，将实时监测数据整合到知识图谱中，与故障树分析和故障模式影响和危害度分析的信息相结合。

26、可选的，在所述基于分析结果建立故障诊断知识图谱过程中，还包括：

27、通过计算本体之间的映射关系来测量相邻概念的相似度；其中，使用以下相似度计算公式来测量这两个概念之间的语义相似度:

28、

29、式中：γ为调节系数，随两概念的相似字符个数增大而增大；k为两概念中相同字符数量；l为概念1存在而概念2不存在的字符数量；m为概念2存在而概念1不存在的字符数量；n为两概念的总字符数量。

30、可选的，所述知识数据来自轨道交通站台门说明书、维修手册、专家经验和维修案例等非结构化数据，而状态数据则来自各种监测设备形成的结构化数据，所述智能运维与健康管理系统将所述知识数据与所述状态数据相融合。

31、根据本发明的第二方面，提供基于知识图谱的站台门智能运维与健康管理系统，包括：

32、故障诊断知识图谱建立模块，用于对站台门进行故障机理分析，基于分析结果建立故障诊断知识图谱；包括：利用故障模式影响和危害度分析中的风险顺序数指标去量化评价各种故障模式的危害性和风险程度，将站台门故障诊断的知识进行系统化和结构化，并在此基础上，应用故障树分析，基于站台门系统实时监测数据来构建故障诊断知识图谱；

33、知识数据存储模块，用于将故障诊断知识图谱的知识数据通过图数据库进行存储和管理；

34、知识图谱运用模块，用于将基于故障树分析、故障模式影响和危害度分析的知识图谱融入智能运维系统的开发和管理中。

35、本发明的技术效果和优点：

36、本发明提出了基于知识图谱的站台门智能运维与健康管理方法及系统，通过设置基于fta(故障树分析)、fmeca(故障模式影响和危害度分析)的知识图谱构建方法，解决了轨道交通站台门故障诊断与管理的问题。

37、本发明应用fta(故障树分析)方法，基于站台门系统实时监测数据来构建故障诊断知识图谱，有效表达了部件、故障模式、测点、征兆等节点它们之间的关系，形成了与故障现象和故障原因相对应并包含具体故障处理措施的知识数据。其次，这些知识数据通过neo4j图数据库进行存储和管理。与传统的关系型数据库相比，图数据库能更清晰、更灵活地表示知识之间的关系，且可以直接表达逻辑关系，有利于知识的重用。实现了基于多源异构信息的智能化故障诊断处理。