原文传递
基于知识库的动车组运维决策推荐技术的研究与实现
| 论文题名： | 基于知识库的动车组运维决策推荐技术的研究与实现 |
| 关键词： | 动车组;运维决策推荐系统;程序设计;工作效率;知识库理论 |
| 摘要： | 随着动车组的高速发展和大规模的使用，动车组已经成为了铁路客运和货运的重要工具，具有高效、安全、快速、高标准的服务功能，在交通中起到的重要作用也日益凸显。但是动车组在运营服务中难免会发生故障，如何保障动车组高效安全快速运行成为了工作的重中之重，如何充分利用采集到的故障数据建立动车组运维服务系统，进而支持动车组运维管理成为动车组运维领域的研究重点。目前动车组采取修程修制的运维方式，是以计划修为主，这种运维方式很容易造成资源的浪费和故障维修效率的低下。随着动车组数量的增加和第二代WTD的投入使用，动车组产生的数据越来越多，现有系统对数据的处理越来越不适应，检索的速度越来越慢。 基于上述的问题，本文设计和实现了动车组运维决策推荐系统，主要实现对实时运行数据中缺失的数据进行填充;基于故障知识库和实时运行状态数据，利用推荐技术对在线的动车组可能发生的故障进行推荐，然后通过解决方案知识库为该动车组提供运维决策支持。首先，针对动车组实时运行数据中关键部件状态有缺失的问题，提出利用改进后的贝叶斯算法对缺失数据进行填充，并以动车组牵引电机关键部件为例来验证。另外，基于实时运行状态数据利用协同过滤的推荐算法对在线动车组可能发生的故障进行推荐，利用解决方案知识库为可能发生故障的动车组提供运维决策服务。最后，将这些方法应用到了Hadoop框架下，解决了数据量大和数据处理速度慢的问题。 实验表明，利用改进后的贝叶斯算法对动车组关键部件的状态进行填充，提高了用来进行数据挖掘的数据质量;采用协同过滤的算法对可能发生的故障进行推荐，有利于提高运维的效率和故障的维修速度;通过实现这些方法的MapReduce并行化，提高了数据的处理速度，进而提高了动车组运维的效率。 |
| 作者： | 郭明亮 |
| 专业： | 计算机科学与技术 |
| 导师： | 张春 |
| 授予学位： | 硕士 |
| 授予学位单位： | 北京交通大学 |
| 学位年度： | 2015 |
| 正文语种： | 中文 |
检索历史
应用推荐
