故障预测方法、模型训练方法及电子设备、可读存储介质

本申请属于轨道交通与人工智能交叉，尤其涉及故障预测方法、模型训练方法及电子设备、可读存储介质。

背景技术：

1、城市轨道交通是现代城市的一项极其重要的基础设施，其基本任务是安全、准时、高效率地运送乘客至目的地，其中，轨道交通的信号设备是保证列车正点、安全到达目的地的重要设备。若轨道交通的信号设备发生故障，往往会导致列车晚点，严重干扰列车运行秩序，甚至还将危及行车安全引发轨道交通事故，因此确保信号设备的正常运行至关重要。

2、目前主要采用定期检查维护或者在故障后进行维修的方式来确保信号设备的正常运行，进而为轨道交通正常运行提供保障。然而，定期检查维护通常伴随着较高的成本，在故障发生后的维修则可能需要中断列车运行和更高的维修成本。如果能够提前预测出可能出现故障的轨道交通信号，就可以在故障发生前提早采取维修措施，减少损失。因此当前亟需对信号设备进行预测性维护，从而保障轨道交通的安全性、可靠性和运营效率。

技术实现思路

1、有鉴于此，本申请实施例提供了故障预测方法、模型训练方法及电子设备、可读存储介质，能够对轨道交通信号系统中信号设备的各个信号单元故障情况提前进行较准确的预测。

2、本申请实施例的第一方面提供了一种故障预测方法，包括：

3、获取信号单元在所需预测月份之前的预设时间段内的样本特征数据；

4、将信号单元在所需预测月份之前的预设时间段内的样本特征数据输入至目标故障预测模型，得到信号单元在所需预测月份的故障发生概率；目标故障预测模型为从各个优化后的待选故障预测模型中确定出的性能最佳的模型。

5、在本申请实施例中，可以得到性能更佳的故障预测模型，从而可以得到更准确的预测结果。且因为该故障预测模型可以对轨道交通信号系统中信号设备的各个信号单元的状态进行预测，所以在实际应用中可以使得对轨道交通信号系统中信号设备的检修更具针对性，减少故障的发生。

6、在第一方面的第一种可能的实现方式中，样本特征数据为样本特征对应的具体数据，样本特征包括：信号单元位置、故障发生的月份、上次故障至今的天数、在过去预设时间段内每个信号单元的故障总数、上次发生故障所采取的处理措施。

7、在第一方面的第二种可能的实现方式中，优化后的待选故障预测模型为基于测试数据集对各个基于不同机器学习算法的待选故障预测模型优化后的模型；

8、待选故障预测模型为基于重采样后的训练数据集训练得到的。

9、在第一方面的第三种可能的实现方式中，基于不同机器学习算法的待选故障预测模型至少包括：基于xgboost的待选故障预测模型。

10、本发明实施例的第二方面提供了一种模型训练方法，包括：

11、获取信号单元的原始数据，信号单元的原始数据包括信号设备注册表和历史故障记录。

12、对信号单元的原始数据进行样本特征数据提取，得到每个信号单元的样本特征数据；对样本特征数据进行数据编码，得到数据编码后的样本特征数据。

13、基于数据编码后的样本特征数据得到样本数据集，将样本数据集分割成训练数据集和测试数据集；并对训练数据集进行重采样，得到重采样后的训练数据集。

14、基于重采样后的训练数据集，训练得到若干个基于不同机器学习算法的待选故障预测模型。

15、基于测试数据集对各个基于不同机器学习算法的待选故障预测模型进行评估和优化，得到优化后的待选故障预测模型。

16、对各个优化后的待选故障预测模型进行性能评估，得到各个优化后的待选故障预测模型的性能评估结果；根据各个优化后的待选故障预测模型的性能评估结果，确定出性能最佳的优化后的待选故障预测模型并将其作为目标故障预测模型。

17、在本申请实施例中，可以根据原始数据中信号单元的样本特征数据与故障之间的关系，构建出基于不同机器学习算法的待选故障预测模型，并选取出性能最佳的模型作为目标故障预测模型。因此本申请实施例能够提升对信号单元故障预测的准确性。

18、在第二方面的第一种可能的实现方式中，样本特征数据为样本特征对应的具体数据；样本特征包括：对信号单元执行维护或维修的公司、信号单元位置大类、信号单元位置、上次维修的类型、上次故障的现象、上次故障的类型、上次故障的原因、上次发生故障所采取的处理措施、故障发生的月份、上次故障至今的天数、在过去预设时间段内，每个月的故障数目以及在过去预设时间段内的故障总数。

19、在第二方面的第二种可能的实现方式中，若干个基于不同机器学习算法的待选故障预测模型中至少包括基于xgboost的待选故障预测模型。

20、在第二方面的第三种可能的实现方式中，基于测试数据集对各个基于不同机器学习算法的待选故障预测模型进行评估和优化包括：

21、基于测试数据集，采用贝叶斯算法对各个基于不同机器学习算法的待选故障预测模型进行优化。

22、本申请实施例的第三方面提供了一种电子设备，电子设备包括：存储器、处理器，存储器上存储有可在处理器上运行的计算机程序，处理器执行计算机程序时，使得电子设备实现如上述第一方面中任一项故障预测方法的步骤。

23、本申请实施例的第四方面提供了一种电子设备，电子设备包括：存储器、处理器，存储器上存储有可在处理器上运行的计算机程序，处理器执行所述计算机程序时，使得电子设备实现如上述第二方面中任一项模型训练方法的步骤。

24、本申请实施例的第五方面提供了一种故障预测装置，包括：

25、第一处理模块，用于建立故障预测模型。

26、第二处理模块，用于获取信号单元在所需预测月份之前的预设时间段内的样本特征数据。

27、第三处理模块，用于将信号单元在所需预测月份之前的预设时间段内的样本特征数据输入至目标故障预测模型，得到信号单元在所需预测月份的故障发生概率。

28、本申请实施例的第六方面提供了一种计算机可读存储介质，包括：存储有计算机程序，所述计算机程序被处理器执行时，使得电子设备实现如上述第一方面中任一项所述故障预测方法的步骤，或者实现如如上述第二方面中任一项所述故障预测方法的步骤。

29、可以理解的是，上述第三方面至第六方面的有益效果可以参见上述第一方面或第二方面中的相关描述，在此不再赘述。

技术特征：

1.一种故障预测方法，其特征在于，应用于电子设备，包括：

2.根据权利要求1所述的故障预测方法，其特征在于，所述样本特征数据为样本特征对应的具体数据，所述样本特征包括：对信号单元执行维护或维修的公司、信号单元位置大类、信号单元位置、上次维修的类型、上次故障的现象、上次故障的类型、上次故障的原因、上次发生故障所采取的处理措施、故障发生的月份、上次故障至今的天数、在过去预设时间段内，每个月的故障数目以及在过去预设时间段内的故障总数。

3.根据权利要求1所述的故障预测方法，其特征在于，所述优化后的待选故障预测模型为基于测试数据集对各个基于不同机器学习算法的待选故障预测模型优化后的模型；

4.根据权利要求3所述的故障预测方法，其特征在于，所述基于不同机器学习算法的待选故障预测模型至少包括：基于xgboost的待选故障预测模型。

5.一种模型训练方法，其特征在于，包括：

6.根据权利要求5所述的模型训练方法，其特征在于，所述样本特征数据为样本特征对应的具体数据；所述样本特征包括：对信号单元执行维护或维修的公司、信号单元位置大类、信号单元位置、上次维修的类型、上次故障的现象、上次故障的类型、上次故障的原因、上次发生故障所采取的处理措施、故障发生的月份、上次故障至今的天数、在过去预设时间段内，每个月的故障数目以及在过去预设时间段内的故障总数。

7.根据权利要求5所述的模型训练方法，其特征在于，所述若干个基于不同机器学习算法的待选故障预测模型中至少包括基于xgboost的待选故障预测模型。

8.根据权利要求5至7任一项所述的模型训练方法，其特征在于，所述基于所述测试数据集对各个所述基于不同机器学习算法的待选故障预测模型进行评估和优化包括：

9.一种电子设备，其特征在于，所述电子设备包括：存储器、处理器，所述存储器上存储有可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如权利要求1至4任一项所述方法的步骤，或者所述处理器执行所述计算机程序时实现如权利要求5至8任一项所述方法的步骤。

10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至4任一项所述方法的步骤，或者所述计算机程序被处理器执行时实现如权利要求5至8任一项所述方法的步骤。

技术总结本申请提供了故障预测方法、模型训练方法及电子设备、可读存储介质，适用于轨道交通技术领域，故障预测方法包括：获取信号单元在所需预测月份之前的预设时间段内的样本特征数据；将信号单元在所需预测月份之前的预设时间段内的样本特征数据输入至目标故障预测模型，得到信号单元在所需预测月份的故障发生概率；目标故障预测模型为从各个优化后的待选故障预测模型中确定出的性能更佳的模型。在本申请实施例中，根据原始数据中信号单元的样本特征数据与故障之间的关系，构建出基于不同机器学习算法的待选故障预测模型，并选取出性能更佳的模型作为目标故障预测模型。因此本申请实施例能够提升对信号单元故障预测的准确性。技术研发人员：林艳艳,邓志君,曾子鸣,郑昂润,王志驹受保护的技术使用者：深圳职业技术大学技术研发日：技术公布日：2024/7/29