当信号设备出现故障，后果往往是大面积的列车晚点，严重的故障甚至造成地铁安全性事故。目前各城市的地铁运营公司主要通过设备日常性维修来保证信号设备的稳定性，减少设备出现故障。故障预测系统模型采用BP神经网络来建立，BP神经网络在数据预测方面有其先天优势，可以无限逼近事物的未来趋势。通过实践应用验证了本地铁信号设备故障预测系统的正确性和可用性。......
2023-06-28
银行设备故障告警优化方案
【摘要】：通过机器学习算法对这些数据进行挖掘进而告警预测，可以对银行故障进行主动告警排查，最大限度保证银行业务的正常运作。图6-12银行故障告警系统架构图6-13机器学习模拟生成流程示意图该系统中数据的特性：数据量很大，属性之间可以近乎满足独立性并且数据有一定的缺失，选择朴素贝叶斯、支持向量机和EM的组合算法作为该系统的机器学习算法。
银行设备的正常运行对银行业务正常运作非常重要，银行运维系统的集中构建是对这些设备进行监控从而保障系统正常运行最重要的一环，目前银行对这些运维系统中产生的大量告警以及性能数据没有充分利用，告警的产生往往通过捕获而非预测。通过机器学习算法对这些数据进行挖掘进而告警预测，可以对银行故障进行主动告警排查，最大限度保证银行业务的正常运作。
虽然目前的监控系统已经取得了一定的成效，在生产系统的正常运行以及故障排查中起到了很好的作用，但是仍需要进一步深化改善，以加强运维系统的监控告警功能，从而提升整个生产系统的安全管理需求。银行系统目前项目中采用的系统预警机制是基于传统阈值管理的概念，通过人为设置预警的阈值，当采集的指标达到或者超过设定的阈值时进行告警，但是这种情况下的告警基本已经是事后告警，无法达到提前进行处置排除故障的要求，一旦出现了重要系统的告警信号，往往已经对业务造成了极大的影响。通过对监控的历史数据进行深度挖掘，应用机器学习算法包括朴素贝叶斯、支持向量机以及最大期望值算法等对数据进行学习预测，并进行后续迭代优化，并通过软件系统开发，搭建架构系统，实现对业务级系统性能告警数据的监控与可视化展示，从而搭建一整套银行运维管理所需要的智能化故障告警系统，这样就可以制定系统的主动式故障预测与预防的一体化解决方案，建立运维故障告警预测的高可用性机制，提高对银行故障告警预测的管控能力，最大限度保证银行信息系统的稳定运行以及银行核心业务的正常持续进行。
该银行故障告警系统设计的技术架构与系统总体架构是相对应的，该系统软件开发框架分为前台交互系统与后台服务系统构成，如图6-12所示。
在该系统中主要有两个机器学习引擎：一是对交易超时故障的分析预测；二是对硬件故障告警的分析预测。两者的不同主要体现在不同的业务领域，具有不同的特征值，而总的学习流程大体相同，具体如图6-13所示。
系统中机器学习模型的生成主要有以下几个步骤：
①从数据库读取性能和告警数据，并对这些数据进行聚合，得到数据集A；
②将数据集A作为样本数据，并进行特征选择与提取，选取对模型建立起最大支撑作用的属性值，得到数据集B；
③对数据集B中的数据进行缺失数据填补，得到数据集C；
④将数据集C作为最终学习样本输入到机器学习算法中进行学习，栈到模型的参数，并输出模型M；
⑤将模型M保存到数据库中以供将来直接对数据进行预测或者直接由前端分析平台调用进行数据分析。
图6-12 银行故障告警系统架构
图6-13 机器学习模拟生成流程示意图
该系统中数据的特性：数据量很大，属性之间可以近乎满足独立性并且数据有一定的缺失，选择朴素贝叶斯、支持向量机和EM的组合算法作为该系统的机器学习算法。结合特征选择算法，机器学习流程图如图6-14所示。
图6-14 银行故障告警系统机器学习流程
其中，D（F1，F2，…，Fm）为包括个特征的数据集，S=Search（D）为在特征空间通过启发式搜索找到特征子集，res=Eval（S，D）表示通过评价函数对选择的特征子进行评估，如果评估结果更好，则更新以及表示迭代停止的条件，如果达到停止对条件，则停止特征选择流程，并用选择的特征进行分类器的训练；若停止条件没有达到，则进行继续启发式搜索查询最优特征子集，最后对分类器进行测试，评估准确率、时间性能等指标。
对于该机器模型的有效性测试主要分两部分：对所设计的特征选择算法在系统中性能表现的评估；对机器学习算法在业务故障以及硬件故障定位中的准确率与时间性能的评估。
从表6-4可以看出，特征选择算法在特征子集优良性以及模型学习时间性能方面表现良好，其中优良性越好，所选特征子集在分类模型预测中准确率较高。
表6-4 不同特征选择算法对数据处理的效果比较
从表6-5中可以看出，在银行运维数据量达到之前，SVM算法的模型学习时间比朴素贝叶斯要少，而大于15 000时，朴素贝叶斯有更好的时间效率，并且随着数据量增大，SVM耗费时间的增长率要明显大于朴素贝叶斯。虽然此时模型的预测准确率比SVM稍微低些，但是准确率已经足够高，并且时间效率比SVM要高很多，所以综合性能更高。此外15 000的数据量在实际系统中相当于5个多月的数据量（实际系统每15分钟或1分钟采集一次数据），这些数据已经可以反映系统的大体运行状态。
从表6-6中可以看出，整体来说算法比朴素贝叶斯在对银行告警数据有更好的预测准确率，随着学习样本数目的增大，朴素贝叶斯预测准确率与算法的差距越来越小；算法与朴素贝叶斯组合在大多数情况下，对银行设备告警预测准确率会比单独使用算法或朴素贝叶斯要高，银行缺失数据填补对预测是有效果的。
表6-5 机器学习算法对银行运维数据学习时间性能展示
表6-6 机器学习算法对银行运维数据分类准确率展示
表6-7展示了使用机器学习算法前后对银行运维人员处理故障效率的影响。
表6-7 使用机器学习算法前后银行运维人员处理故障效率的比较
综合来看，使用机器学习算法后，故障正确预防率有了明显提升，通过机器学习算法主动预测故障，使得故障在发生之前得到密切关注，一经发现马上处理，有的甚至在未发生时就处理，从而显著降低了故障的平均处理时间。
有关工业智能技术与应用的文章
- 详细阅读
-
设备状态监测与故障诊断的融合优化方案详细阅读
在实际工作中遇到的问题通常需要综合各学科的知识才能够解决，设备状态监测与故障诊断技术也不例外。由此可见，设备状态监测与故障诊断技术包括识别设备状态和预测发展趋势两方面的内容。图11.7设备状态监测与故障诊断的三个阶段在这信息和信号中，有些是有用的，能反映设备故障发生部位的症状，这种信息称为征兆或故障征兆；有些并不是诊断所需要的信号，因而需要处理和排除。......
2023-06-22
-
备料加工设备优化方案详细阅读
表11-2 GYX-nM钢材预处理装置技术数据图11-7 GYX-nM钢材预处理成套设备2.开卷落料线板厚0.5～6mm的钢板，钢厂有卷料供应，特别供汽车制造用钢板，厚度在0.6～2.3mm的范围内，几乎100%采用卷料，最大卷料重量已由33t发展到45t，板宽最大至2600mm。表11-3 数控板料开卷校平剪切线开卷落料自动线 厚度0.55～2.6mm，板宽1830mm的卷料钢板开卷、落料、堆垛生产线是汽车制造厂等冲压生产线的前置设备，见图11-8。通用切割设备 通用切割设备是泛指切割板料设备的统称。......
2023-07-02
-
如何正确润滑设备？—优化润滑技术，避免设备故详细阅读
其中80％的零件损坏是由于异常磨损引起的；60％的设备故障由于不良润滑引起；54％的轴承失效是由于不良润滑引起的。2)高温固体润滑。②润滑油是设备润滑应用得最广泛的润滑剂。高温下工作的机械设备，如空气压缩机、内燃机、气锤等要求润滑油具有较高的闪点。贮存和使用中的润滑油酸值增高，表示润滑油的氧化变质。如空气压缩机、内燃机等设备使用的润滑油，残炭指标应低。......
2023-06-21
- 详细阅读
-
激光切割设备及工艺优化方案详细阅读
以工业领域最为常见的CO2激光切割系统为例，介绍激光切割设备的组成。CO2激光器有轴流式和横流式激光器之分，激光切割一般使用的是轴流式激光器。因此，激光切割的工艺参数主要包括光束参数、辅助气体两大类参数。单模激光的切割能力要优于多模，300W的单模激光与500W的多模激光具有同等的切割能力。研究表明，氧气纯度降低2%，切割速度会降低50%。......
2023-07-02
-
彩电行扫描电路故障检修优化方案详细阅读
图11-42所示为彩色电视机行扫描电路的检修方案。若经检测信号正常，则说明行扫描电路正常，若无信号输出或信号输出异常，则均表明行扫描电路中存在故障元件，需对其进行下一步的检修。若输出的行逆程脉冲信号正常，则说明行扫描电路正常，若无信号输出，则会引起图像跳动、不同步或字符抖动的故障，应对相关元器件进行检查。......
2023-06-26
-
设备和工艺过程优化方案详细阅读
通过真空除气器后水中残余的CO2可低于3mg/L，残余的O2可低于0.05mg/L。真空除气器所用填料与填料塔基本相同，如需提高水温，则应考虑水温对填料的影响，例如超过40℃则不应采用硬PVC拉西环，存水部分的大小应根据处理水量的大小及工艺要求的停留时间确定，也可在下部设卧式贮水箱，以加大存水部分的容积。......
2023-06-19
相关推荐