本發(fā)明涉及鐵路設(shè)備數(shù)據(jù)管理領(lǐng)域，具體是涉及一種鐵路設(shè)備運(yùn)維數(shù)據(jù)傳輸管理方法及系統(tǒng)。

背景技術(shù)：

1、鐵路設(shè)備運(yùn)維數(shù)據(jù)傳輸管理是保障鐵路運(yùn)營安全和穩(wěn)定的重要環(huán)節(jié)，提高傳輸數(shù)據(jù)的準(zhǔn)確性和穩(wěn)定性，加強(qiáng)鐵路設(shè)備運(yùn)維數(shù)據(jù)處理分析能力，實(shí)現(xiàn)對鐵路設(shè)備的實(shí)時監(jiān)控、故障預(yù)警和快速響應(yīng)，為鐵路運(yùn)營提供有力支持具有非常重要的意義。

2、然而現(xiàn)有的技術(shù)主要集中在鐵路設(shè)備的實(shí)時監(jiān)控和處理問題的決策方面，缺乏針對不同鐵路設(shè)備監(jiān)測環(huán)境的預(yù)測和預(yù)警能力，抗風(fēng)險(xiǎn)能力較弱，難以適應(yīng)復(fù)雜多變的鐵路運(yùn)行環(huán)境，不利于鐵路運(yùn)營的長期發(fā)展。

技術(shù)實(shí)現(xiàn)思路

1、為解決上述技術(shù)問題，提供一種鐵路設(shè)備運(yùn)維數(shù)據(jù)傳輸管理方法及系統(tǒng)，本技術(shù)方案解決了上述背景技術(shù)中提出的缺乏針對不同鐵路設(shè)備監(jiān)測環(huán)境的預(yù)測和預(yù)警能力，抗風(fēng)險(xiǎn)能力較弱，難以適應(yīng)復(fù)雜多變的鐵路運(yùn)行環(huán)境，不利于鐵路運(yùn)營的長期發(fā)展問題。

2、為達(dá)到以上目的，本發(fā)明采用的技術(shù)方案為：

3、一種鐵路設(shè)備運(yùn)維數(shù)據(jù)傳輸管理方法，包括：

4、獲取歷史設(shè)備運(yùn)行狀態(tài)、故障信息、環(huán)境參數(shù)、傳輸日志的數(shù)據(jù)，并建立樣本清單；

5、基于卡爾曼濾波算法，對實(shí)時監(jiān)測到的鐵路設(shè)備運(yùn)維數(shù)據(jù)進(jìn)行優(yōu)化處理；

6、基于bp神經(jīng)網(wǎng)絡(luò)算法，評判在未來一段時間內(nèi)的鐵路設(shè)備運(yùn)行的狀態(tài)情況；

7、利用數(shù)據(jù)壓縮與傳輸優(yōu)化技術(shù)，優(yōu)化數(shù)據(jù)中的重復(fù)和冗余信息，減少存儲空間和提高傳輸效率；

8、制定數(shù)據(jù)傳輸安全管理措施和方案，用于確保鐵路設(shè)備運(yùn)維數(shù)據(jù)傳輸安全；

9、建立云端數(shù)據(jù)庫平臺，用于存儲、管理和分析上傳的鐵路設(shè)備運(yùn)行信息。

10、優(yōu)選的，所述獲取歷史設(shè)備運(yùn)行狀態(tài)、故障信息、環(huán)境參數(shù)、傳輸日志的數(shù)據(jù)，并建立樣本清單具體包括：

11、基于云端數(shù)據(jù)庫，獲取并分析歷史設(shè)備運(yùn)行狀態(tài)、故障信息、環(huán)境參數(shù)、傳輸日志的數(shù)據(jù)和實(shí)時采集到的鐵路設(shè)備運(yùn)維數(shù)據(jù)，建立設(shè)備運(yùn)維數(shù)據(jù)樣本數(shù)據(jù)；

12、其中，設(shè)備運(yùn)行狀態(tài)指的是移動設(shè)備的動態(tài)檢測數(shù)據(jù)，包括：速度、振動、溫度、壓力，故障信息包括：設(shè)備故障發(fā)生的次數(shù)、時間、現(xiàn)象、原因、處理措施、處理結(jié)果和處理的時耗，環(huán)境參數(shù)包括：溫度、濕度、氧化程度、腐蝕度以及突發(fā)自然災(zāi)害的因素，傳輸日志包括：文件和數(shù)據(jù)包信息、數(shù)據(jù)的基本信息、錯誤和異常信息、安全事件信息。

13、優(yōu)選的，所述基于卡爾曼濾波算法，對實(shí)時監(jiān)測到的鐵路設(shè)備運(yùn)維數(shù)據(jù)進(jìn)行優(yōu)化處理具體包括：

14、根據(jù)監(jiān)測數(shù)據(jù)的類別和歷史經(jīng)驗(yàn)，構(gòu)建卡爾曼濾波器的相關(guān)參數(shù)矩陣a、b、h、q、r，其中，a表示狀態(tài)轉(zhuǎn)移矩陣，b表示控制矩陣，h表示測量矩陣，r表示噪聲協(xié)方差矩陣，q表示過程激勵噪聲協(xié)方差矩陣；

15、基于卡爾曼濾波算法，計(jì)算下一個狀態(tài)和狀態(tài)的誤差協(xié)方差的預(yù)測值；

16、基于卡爾曼濾波算法，構(gòu)建更新狀態(tài)和狀態(tài)的誤差協(xié)方差表達(dá)式；

17、基于監(jiān)測數(shù)據(jù)和參數(shù)矩陣的設(shè)定，實(shí)時輸出監(jiān)測鐵路設(shè)備運(yùn)維數(shù)據(jù)預(yù)測值，并通過可視化圖表顯示實(shí)時監(jiān)測的數(shù)據(jù)值和預(yù)測值的曲線圖；

18、所述計(jì)算下一個狀態(tài)和狀態(tài)的誤差協(xié)方差的預(yù)測值表達(dá)式為：

19、；

20、；

21、其中，為第個時刻的狀態(tài)預(yù)測值，為第個時刻的最優(yōu)狀態(tài)估計(jì)值，為控制輸入的量值，為第個時刻的噪聲協(xié)方差預(yù)測值，為第個時刻的最優(yōu)狀態(tài)估計(jì)的噪聲協(xié)方差值；

22、所述更新狀態(tài)和狀態(tài)的誤差協(xié)方差表達(dá)式為：

23、；

24、；

25、其中，為第個時刻的最優(yōu)狀態(tài)估計(jì)值，為卡爾曼增益，為第個時刻監(jiān)測設(shè)備的監(jiān)測值，為第個時刻的最優(yōu)狀態(tài)估計(jì)的噪聲協(xié)方差值，為元素全為1的矩陣。

26、優(yōu)選的，所述基于bp神經(jīng)網(wǎng)絡(luò)算法，評判在未來一段時間內(nèi)的鐵路設(shè)備運(yùn)行的狀態(tài)情況具體包括：

27、根據(jù)設(shè)備運(yùn)維數(shù)據(jù)樣本，基于z-score歸一化算法，將數(shù)據(jù)標(biāo)準(zhǔn)化；

28、根據(jù)設(shè)備運(yùn)維數(shù)據(jù)樣本，建立輸入向量矩陣x，，其中，為第個輸入數(shù)據(jù)值，為輸入類別的個數(shù)，所述輸入的類別是根據(jù)實(shí)際的設(shè)備運(yùn)維的要求，結(jié)合設(shè)備運(yùn)維數(shù)據(jù)樣本進(jìn)行設(shè)定；

29、根據(jù)輸入向量矩陣，確定隱含層神經(jīng)元個數(shù)；

30、根據(jù)每項(xiàng)輸入類別的歷史檢驗(yàn)經(jīng)驗(yàn)，設(shè)置的初始權(quán)重向量矩陣f；

31、基于sigmoid函數(shù)，設(shè)置bp神經(jīng)網(wǎng)絡(luò)的激活函數(shù)；

32、基于bp神經(jīng)網(wǎng)絡(luò)算法，得到反饋的權(quán)重向量矩陣；

33、基于bp神經(jīng)網(wǎng)絡(luò)算法訓(xùn)練后的模型，根據(jù)實(shí)際情況，設(shè)置輸入向量矩陣，依據(jù)模型的迭代結(jié)果，來評判在未來一段時間內(nèi)的鐵路設(shè)備運(yùn)行的狀態(tài)情況；

34、所述z-score歸一化算法表達(dá)式為：

35、；

36、其中，為標(biāo)準(zhǔn)化后的設(shè)備運(yùn)維數(shù)據(jù)值，為設(shè)備運(yùn)維數(shù)據(jù)原始數(shù)據(jù)，為設(shè)備運(yùn)維數(shù)據(jù)原始數(shù)據(jù)的平均值，為設(shè)備運(yùn)維數(shù)據(jù)原始數(shù)據(jù)的標(biāo)準(zhǔn)差；

37、所述確定隱含層神經(jīng)元個數(shù)的方法為：

38、；

39、其中，為隱含層神經(jīng)元個數(shù)，為輸入類別的個數(shù)，為輸出類別的個數(shù)，?為1-10的常數(shù)項(xiàng)，為設(shè)備運(yùn)維數(shù)據(jù)樣本的數(shù)據(jù)個數(shù)；

40、所述初始權(quán)重向量矩陣f為：

41、；

42、其中，每行表示的是單個輸入對應(yīng)的所有神經(jīng)元的權(quán)重值，每列表示的是單個神經(jīng)元對應(yīng)的所有輸入類別權(quán)重值；

43、所述sigmoid函數(shù)表達(dá)式為：

44、；

45、其中，為常數(shù)，為經(jīng)過隱藏層神經(jīng)元得到的值；

46、所述得到反饋的權(quán)重向量矩陣的表達(dá)式為：

47、；

48、；

49、其中，為第行第列面向輸出層的反饋的權(quán)重值，為第行第列面向輸入層反饋的權(quán)重值，為學(xué)習(xí)率，為第個誤差項(xiàng)，為第個預(yù)測值，其中，，為目標(biāo)值；

50、所述反饋的權(quán)重向量矩陣為：

51、；

52、其中，每行表示的是單個輸入對應(yīng)的所有神經(jīng)元的反饋權(quán)重值，每列表示的是單個神經(jīng)元對應(yīng)所有輸入類別的反饋權(quán)重值。

53、優(yōu)選的，所述利用數(shù)據(jù)壓縮與傳輸優(yōu)化技術(shù)，優(yōu)化數(shù)據(jù)中的重復(fù)和冗余信息，減少存儲空間和提高傳輸效率具體包括：

54、利用無損壓縮技術(shù)，基于lzw編碼方式對采集到的數(shù)據(jù)中的重復(fù)和冗余信息進(jìn)行優(yōu)化處理，確保數(shù)據(jù)在壓縮和解壓縮過程中不丟失任何數(shù)據(jù)，保持?jǐn)?shù)據(jù)的完整性和原始質(zhì)量。

55、優(yōu)選的，所述制定數(shù)據(jù)傳輸安全管理措施和方案，用于確保鐵路設(shè)備運(yùn)維數(shù)據(jù)傳輸安全具體包括：

56、采用非對稱加密技術(shù)對傳輸?shù)臄?shù)據(jù)進(jìn)行加密處理，確保數(shù)據(jù)在傳輸過程中不被非法截獲或篡改，提高數(shù)據(jù)傳輸和存儲的安全性；

57、根據(jù)鐵路設(shè)備信息的通信需求和綜合環(huán)境傳輸特性要求，基于tcp協(xié)議和sftp協(xié)議，構(gòu)建安全的數(shù)據(jù)傳輸過程，其中，所述綜合環(huán)境傳輸特性包括：穩(wěn)定性、可靠性、實(shí)時性、帶寬占用和安全性。

58、優(yōu)選的，所述建立云端數(shù)據(jù)庫平臺，用于存儲、管理和分析上傳的鐵路設(shè)備運(yùn)行信息具體包括：

59、建立云端數(shù)據(jù)庫平臺，用于存儲、管理和分析上傳的鐵路設(shè)備運(yùn)行信息，并通過可視化圖表顯示實(shí)時監(jiān)測的數(shù)據(jù)值和預(yù)測值的曲線圖，根據(jù)觀察界面顯示的bp神經(jīng)網(wǎng)絡(luò)算法模型的迭代結(jié)果，判斷鐵路設(shè)備運(yùn)行狀態(tài)是否出現(xiàn)異常。

60、進(jìn)一步的，本方案提出一種鐵路設(shè)備運(yùn)維數(shù)據(jù)傳輸管理系統(tǒng)，用于實(shí)現(xiàn)如上述的一種鐵路設(shè)備運(yùn)維數(shù)據(jù)傳輸管理方法，包括：

61、數(shù)據(jù)優(yōu)化與評判模塊，所述數(shù)據(jù)優(yōu)化與評判模塊用于獲取歷史設(shè)備運(yùn)行狀態(tài)、故障信息、環(huán)境參數(shù)、傳輸日志的數(shù)據(jù)，并建立樣本清單；基于卡爾曼濾波算法，對實(shí)時監(jiān)測到的鐵路設(shè)備運(yùn)維數(shù)據(jù)進(jìn)行優(yōu)化處理；基于bp神經(jīng)網(wǎng)絡(luò)算法，評判在未來一段時間內(nèi)的鐵路設(shè)備運(yùn)行的狀態(tài)情況；

62、數(shù)據(jù)傳輸與管理模塊，所述數(shù)據(jù)傳輸與管理模塊用于利用數(shù)據(jù)壓縮與傳輸優(yōu)化技術(shù)，優(yōu)化數(shù)據(jù)中的重復(fù)和冗余信息，減少存儲空間和提高傳輸效率；制定數(shù)據(jù)傳輸安全管理措施和方案，用于確保鐵路設(shè)備運(yùn)維數(shù)據(jù)傳輸安全；建立云端數(shù)據(jù)庫平臺，用于存儲、管理和分析上傳的鐵路設(shè)備運(yùn)行信息。

63、優(yōu)選的，所述數(shù)據(jù)優(yōu)化與評判模塊包括：

64、建立樣本清單單元，所述建立樣本清單單元用于獲取歷史設(shè)備運(yùn)行狀態(tài)、故障信息、環(huán)境參數(shù)、傳輸日志的數(shù)據(jù)，并建立樣本清單，為數(shù)據(jù)優(yōu)化單元和運(yùn)行狀態(tài)評判單元提供鐵路設(shè)備運(yùn)維數(shù)據(jù)的支持；

65、數(shù)據(jù)優(yōu)化單元，所述數(shù)據(jù)優(yōu)化單元用于基于卡爾曼濾波算法，對實(shí)時監(jiān)測到的鐵路設(shè)備運(yùn)維數(shù)據(jù)進(jìn)行優(yōu)化處理；

66、運(yùn)行狀態(tài)評判單元，所述運(yùn)行狀態(tài)評判單元用于基于bp神經(jīng)網(wǎng)絡(luò)算法，評判在未來一段時間內(nèi)的鐵路設(shè)備運(yùn)行的狀態(tài)情況。

67、優(yōu)選的，所述數(shù)據(jù)傳輸與管理模塊包括：

68、壓縮與傳輸優(yōu)化單元，所述壓縮與傳輸優(yōu)化單元用于利用數(shù)據(jù)壓縮與傳輸優(yōu)化技術(shù)，優(yōu)化數(shù)據(jù)中的重復(fù)和冗余信息，減少存儲空間和提高傳輸效率；

69、數(shù)據(jù)安全管理單元，所述數(shù)據(jù)安全管理單元用于制定數(shù)據(jù)傳輸安全管理措施和方案，用于確保鐵路設(shè)備運(yùn)維數(shù)據(jù)傳輸安全；

70、云端數(shù)據(jù)庫單元，所述云端數(shù)據(jù)庫單元用于建立云端數(shù)據(jù)庫平臺，用于存儲、管理和分析上傳的鐵路設(shè)備運(yùn)行信息。

71、與現(xiàn)有技術(shù)相比，本發(fā)明的有益效果在于：

72、通過卡爾曼濾波算法可以有效過濾激勵峰值和異常數(shù)據(jù)的影響，使得數(shù)據(jù)保持平滑穩(wěn)定的狀態(tài)，提高傳輸數(shù)據(jù)的準(zhǔn)確性和穩(wěn)定性，其次，利用bp神經(jīng)網(wǎng)絡(luò)算法進(jìn)行樣本數(shù)據(jù)訓(xùn)練，用來評判在未來一段時間內(nèi)的鐵路設(shè)備運(yùn)行的狀態(tài)情況，從而提高在不同鐵路設(shè)備監(jiān)測環(huán)境的預(yù)警能力和抗風(fēng)險(xiǎn)能力，確保鐵路設(shè)備正常運(yùn)行，實(shí)現(xiàn)對鐵路設(shè)備的實(shí)時監(jiān)控、故障預(yù)警和快速響應(yīng)。