大數(shù)據(jù)技術(shù)在LKJ 設(shè)備分析系統(tǒng)中的應(yīng)用研究

楊 獻(xiàn)，言 圣

（湖南中車時(shí)代通信信號(hào)有限公司，湖南 長沙 410100）

0 引言

列車運(yùn)行控制裝置（LKJ）為鐵路行車安全保障設(shè)備。雖然其記錄了豐富的列車運(yùn)行數(shù)據(jù)，同時(shí)設(shè)備的監(jiān)測、生產(chǎn)、返修、故障記錄數(shù)據(jù)都有相應(yīng)的系統(tǒng)進(jìn)行管理，但目前仍存在以下問題：現(xiàn)場LKJ 設(shè)備文件分析不全面且分析效率低，致使故障查找定位難；設(shè)備維護(hù)管理采用定期修和故障修兩種模式，設(shè)備故障易導(dǎo)致事故，且設(shè)備故障修影響列車運(yùn)行效率；既有設(shè)備質(zhì)量分析、生產(chǎn)管理、LKJ 設(shè)備運(yùn)行監(jiān)測管理（LMD）等系統(tǒng)的數(shù)據(jù)獨(dú)立，未關(guān)聯(lián)融合，綜合數(shù)據(jù)的價(jià)值有待發(fā)掘。

大數(shù)據(jù)技術(shù)隨著第四次產(chǎn)業(yè)革命而發(fā)展，在產(chǎn)、供、銷、創(chuàng)新等環(huán)節(jié)發(fā)揮了重要作用[1]，推動(dòng)企業(yè)向精益生產(chǎn)和服務(wù)型制造業(yè)的快速轉(zhuǎn)型升級(jí)；工業(yè)大數(shù)據(jù)和人工智能技術(shù)的出現(xiàn)正是著眼于產(chǎn)品全生命周期內(nèi)服務(wù)能力的提升，以全面提升產(chǎn)品和服務(wù)品質(zhì)，實(shí)現(xiàn)降本增效，提高企業(yè)的核心競爭力。如何利用大數(shù)據(jù)技術(shù)實(shí)現(xiàn)LKJ設(shè)備的智能分析，提升產(chǎn)品可靠性，提高維修效率，降低維護(hù)成本，是當(dāng)前亟待解決的問題。為此，本文通過研究分析大數(shù)據(jù)關(guān)鍵技術(shù)，提出一種基于大數(shù)據(jù)技術(shù)的LKJ 設(shè)備分析系統(tǒng)方案及其功能實(shí)現(xiàn)方法，并進(jìn)行了實(shí)驗(yàn)驗(yàn)證。

1 大數(shù)據(jù)關(guān)鍵技術(shù)

大數(shù)據(jù)技術(shù)是信息化社會(huì)的代表技術(shù)之一，其應(yīng)用范圍廣泛[2]。根據(jù)大數(shù)據(jù)的信息處理流程，基于大數(shù)據(jù)技術(shù)的LKJ 設(shè)備分析系統(tǒng)信息處理流程可分為數(shù)據(jù)采集、處理、存儲(chǔ)、挖掘分析和結(jié)果展示5 部分（圖1），其中數(shù)據(jù)采集、處理和挖掘分析是關(guān)鍵技術(shù)。下面主要介紹數(shù)據(jù)處理和挖掘分析技術(shù)。

圖1 信息處理流程Fig. 1 Information processing process

1.1 數(shù)據(jù)處理技術(shù)

傳統(tǒng)的數(shù)據(jù)處理方法是以處理器為中心；而在大數(shù)據(jù)環(huán)境下，需要采取以數(shù)據(jù)為中心的模式，以減少數(shù)據(jù)移動(dòng)帶來的開銷。大數(shù)據(jù)處理模式包括流處理和批處理，其中批處理模式采用先數(shù)據(jù)存儲(chǔ)后處理方式，流處理模式采用直接處理方式。根據(jù)大數(shù)據(jù)的數(shù)據(jù)特征和計(jì)算需求，數(shù)據(jù)處理方法還包括內(nèi)存計(jì)算、圖計(jì)算和迭代計(jì)算等。

大數(shù)據(jù)的基本處理流程與傳統(tǒng)數(shù)據(jù)處理流程差別不大。由于大數(shù)據(jù)要處理大量非結(jié)構(gòu)化的數(shù)據(jù)，所以在各處理環(huán)節(jié)都采用Map Reduce 方式進(jìn)行并行處理。Map Reduce 適合進(jìn)行數(shù)據(jù)分析、日志分析、商業(yè)智能分析、客戶營銷、大規(guī)模索引等業(yè)務(wù)。Spark Streaming 是構(gòu)建在Spark 上的處理Stream 數(shù)據(jù)的框架，其基本原理是將Stream 數(shù)據(jù)分成小的時(shí)間片段（幾秒鐘），以支持高吞吐量和容錯(cuò)的實(shí)時(shí)數(shù)據(jù)流處理。

1.2 數(shù)據(jù)挖掘分析技術(shù)

數(shù)據(jù)挖掘分析是大數(shù)據(jù)的核心。由于大數(shù)據(jù)具有海量、復(fù)雜多樣及變化快等特性[3]，需要采用適應(yīng)大數(shù)據(jù)特點(diǎn)的分析方法。常用分析方法有數(shù)據(jù)挖掘方法、概率統(tǒng)計(jì)法、相關(guān)系數(shù)法和機(jī)器學(xué)習(xí)方法。

（1）數(shù)據(jù)挖掘方法

數(shù)據(jù)挖掘方法[4]主要包括分類分析、關(guān)聯(lián)分析、聚類分析和異常檢測等4 種。分類分析包括模式識(shí)別、決策樹、貝葉斯分類及人工神經(jīng)網(wǎng)絡(luò)等；關(guān)聯(lián)分析包括Apriori 算法、FP 增長算法及頻繁子圖挖掘等方法；聚類分析包括基于原型的聚類、基于密度的聚類以及基于圖的聚類等方法；異常檢測包括離群點(diǎn)檢測等。

（2）概率統(tǒng)計(jì)法

概率統(tǒng)計(jì)法又稱數(shù)理統(tǒng)計(jì)方法，是研究自然界中隨機(jī)現(xiàn)象統(tǒng)計(jì)規(guī)律的數(shù)學(xué)方法。概率統(tǒng)計(jì)法主要研究對(duì)象為隨機(jī)事件、變量和過程，采用概率理論研究大量隨機(jī)現(xiàn)象的規(guī)律性，通過一組樣本判定能否以相當(dāng)大的概率來保證某一判斷的正確性，并可以控制出現(xiàn)錯(cuò)誤的概率。概率統(tǒng)計(jì)中常用的異常檢測方法是利用高斯密度函數(shù)，計(jì)算數(shù)據(jù)出現(xiàn)的概率，如果概率小于某個(gè)閾值的數(shù)據(jù)，就認(rèn)為該數(shù)據(jù)是異常的。

（3）相關(guān)系數(shù)法

相關(guān)系數(shù)是最早由統(tǒng)計(jì)學(xué)家卡爾·皮爾遜設(shè)計(jì)的統(tǒng)計(jì)指標(biāo)，是研究變量之間線性相關(guān)程度的量，一般用字母r 表示。由于研究對(duì)象的不同，相關(guān)系數(shù)有多種定義方式，較為常用的是皮爾遜相關(guān)系數(shù)。皮爾遜相關(guān)系數(shù)是用以反映變量之間相關(guān)關(guān)系密切程度的統(tǒng)計(jì)指標(biāo)，其按積差方法計(jì)算，同樣以兩變量與各自平均值的離差為基礎(chǔ)，通過兩個(gè)離差相乘來反映兩變量之間相關(guān)程度，一段著重研究線性的單相關(guān)系數(shù)。皮爾遜相關(guān)系數(shù)的定義為

式中：Cov(X, Y) ——X 與Y 的協(xié)方差；Var[X] ——X 的方差；Var[Y]——Y 的方差。

（4）機(jī)器學(xué)習(xí)法

機(jī)器學(xué)習(xí)的本質(zhì)是使用實(shí)例數(shù)據(jù)或經(jīng)驗(yàn)訓(xùn)練模型進(jìn)行分析處理，其包括歸納學(xué)習(xí)、分析學(xué)習(xí)、類比學(xué)習(xí)、遺傳算法、聯(lián)結(jié)學(xué)習(xí)及增強(qiáng)學(xué)習(xí)等。機(jī)器學(xué)習(xí)是面向任務(wù)、基于經(jīng)驗(yàn)提煉模型以實(shí)現(xiàn)最優(yōu)解設(shè)計(jì)的計(jì)算機(jī)程序，其利用經(jīng)驗(yàn)學(xué)習(xí)規(guī)律，一般應(yīng)用在缺少理論模型指導(dǎo)但存在經(jīng)驗(yàn)觀測的領(lǐng)域中。

2 系統(tǒng)方案

根據(jù)上述大數(shù)據(jù)關(guān)鍵技術(shù)分析，本文提出一套基于大數(shù)據(jù)的LKJ 設(shè)備分析系統(tǒng)方案。該LKJ 設(shè)備分析系統(tǒng)通過與其他信息系統(tǒng)接口，獲取LKJ 設(shè)備的運(yùn)行記錄、故障記錄、現(xiàn)場反饋記錄及檢修記錄等數(shù)據(jù)，并對(duì)這些數(shù)據(jù)進(jìn)行清洗融合、抽取轉(zhuǎn)換加載（extraction-transformation loading, ETL）和事件攔截分析；采用聚類分析、貝葉斯網(wǎng)絡(luò)[5]、復(fù)雜關(guān)系網(wǎng)絡(luò)、有向概率圖等模型算法，通過數(shù)值理論分析、數(shù)據(jù)挖掘等環(huán)節(jié)，生成大數(shù)據(jù)模型與算法，建立故障規(guī)則和質(zhì)量項(xiàng)點(diǎn)分析規(guī)則，通過趨勢、突變、關(guān)聯(lián)及因素分析，生成LKJ 設(shè)備的狀態(tài)圖或異常趨勢圖，形成故障或異常出現(xiàn)的規(guī)律，以便及早發(fā)現(xiàn)LKJ 產(chǎn)品潛在故障點(diǎn)或故障隱患，并及時(shí)提醒設(shè)備檢修。系統(tǒng)采用分層架構(gòu)，主要包括數(shù)據(jù)源、數(shù)據(jù)清洗層、數(shù)據(jù)存儲(chǔ)層、數(shù)據(jù)分析層以及應(yīng)用層(圖2）。

圖2 基于大數(shù)據(jù)的LKJ 設(shè)備分析系統(tǒng)總體框架 Fig. 2 Overall framework of the LKJ equipment analysis system based on big data

（1）數(shù)據(jù)源

主要包括LKJ 設(shè)備運(yùn)行記錄、設(shè)備狀態(tài)、故障記錄、返修及設(shè)備管理等數(shù)據(jù)。

（2）數(shù)據(jù)清洗層

主要包含Sqoop2 和自語語言處理模型兩種工具。結(jié)構(gòu)化的LKJ 運(yùn)行數(shù)據(jù)采用Sqoop2 工具進(jìn)行數(shù)據(jù)采集、清洗和轉(zhuǎn)換；非結(jié)構(gòu)化的LKJ 設(shè)備故障記錄日志采用自然語言處理模型，用以識(shí)別出符合LKJ 設(shè)備的故障和故障表征詞庫。

（3）數(shù)據(jù)存儲(chǔ)層

用于存儲(chǔ)源數(shù)據(jù)、模型分析中間過程數(shù)據(jù)及分析結(jié)果。建立相應(yīng)的數(shù)據(jù)庫和存儲(chǔ)目錄，以文件和數(shù)據(jù)庫形式存儲(chǔ)在大數(shù)據(jù)分析平臺(tái)：采用文件形式存儲(chǔ)LKJ設(shè)備運(yùn)行記錄文件和故障數(shù)據(jù)，采用Hive 數(shù)據(jù)倉庫和Mysql 數(shù)據(jù)庫存儲(chǔ)分析結(jié)果。

（4）數(shù)據(jù)分析層

采用數(shù)理統(tǒng)計(jì)、機(jī)器學(xué)習(xí)領(lǐng)域[6]的異常識(shí)別方法和異常離群點(diǎn)檢測法來識(shí)別LKJ 設(shè)備數(shù)據(jù)的異常情況；采用對(duì)比、同比、類比及分布等方法實(shí)現(xiàn)對(duì)設(shè)備狀態(tài)或故障不同維度的統(tǒng)計(jì)分析；采用滑動(dòng)窗口找出速度、管壓、缸壓及轉(zhuǎn)速（電流）突變情況，并利用相關(guān)系數(shù)法進(jìn)行相關(guān)性分析；采用聚類方法實(shí)現(xiàn)質(zhì)量項(xiàng)點(diǎn)和異常事件趨勢分析；采用故障診斷有向概率圖模型實(shí)現(xiàn)設(shè)備故障關(guān)聯(lián)分析；采用復(fù)雜網(wǎng)絡(luò)模型實(shí)現(xiàn)故障因素分析，挖掘分析突變和趨勢閾值。

（5）應(yīng)用層

采用折線圖、餅圖、散點(diǎn)圖及樹形關(guān)系等形式展示挖掘分析結(jié)果，對(duì)故障報(bào)警和預(yù)警進(jìn)行及時(shí)提示。

3 功能實(shí)現(xiàn)

基于大數(shù)據(jù)的LKJ 設(shè)備分析系統(tǒng)主要功能包括數(shù)據(jù)處理、異常攔截、趨勢分析、故障關(guān)聯(lián)分析、故障因素分析、故障預(yù)警及統(tǒng)計(jì)分析等。

3.1 數(shù)據(jù)處理

與LMD 系統(tǒng)接口，獲取LKJ 設(shè)備運(yùn)行記錄數(shù)據(jù)和實(shí)時(shí)狀態(tài)數(shù)據(jù)；與其他系統(tǒng)接口，獲取故障記錄、反饋、檢修、設(shè)備管理等數(shù)據(jù)；采用批處理模式對(duì)數(shù)據(jù)進(jìn)行轉(zhuǎn)換處理并存儲(chǔ)在LKJ 設(shè)備數(shù)據(jù)處理服務(wù)器；定期通過ETL 工具Sqoop2 將LKJ 設(shè)備的轉(zhuǎn)換數(shù)據(jù)導(dǎo)入到大數(shù)據(jù)分析平臺(tái)[7]；對(duì)某機(jī)車的在線運(yùn)行數(shù)據(jù)進(jìn)行異常診斷，將診斷結(jié)果保存到Hive 數(shù)據(jù)倉庫，同時(shí)，通過Sqoop2將診斷結(jié)果保存到Mysql 數(shù)據(jù)庫；基于某機(jī)車異常診斷結(jié)果和故障關(guān)聯(lián)庫，利用故障診斷模型，實(shí)現(xiàn)故障診斷，并更新故障診斷庫，供可視化系統(tǒng)展示。圖3 示出LKJ系統(tǒng)數(shù)據(jù)流圖。

圖3 數(shù)據(jù)流圖Fig. 3 Data flow diagram

3.2 異常攔截

異常點(diǎn)識(shí)別方法主要有Delphi 專家咨詢法、概率統(tǒng)計(jì)法、Isolation Forest 算法、FP-Growth 算法和Apriori算法。LKJ 設(shè)備記錄數(shù)據(jù)具有體量大、類型繁多及數(shù)據(jù)特征復(fù)雜等特點(diǎn)[8]。通過比較各種異常點(diǎn)識(shí)別方法的優(yōu)劣性，并結(jié)合LKJ 設(shè)備記錄數(shù)據(jù)特征和識(shí)別方法的數(shù)據(jù)要求，來選擇合適的異常點(diǎn)識(shí)別方法。

故障診斷的異常值攔截分為兩大步驟：一是利用LKJ 設(shè)備歷史數(shù)據(jù)建立異常值識(shí)別規(guī)則；二是根據(jù)已有規(guī)則對(duì)新的LKJ 設(shè)備數(shù)據(jù)實(shí)現(xiàn)異常值的實(shí)時(shí)診斷。根據(jù)LKJ 設(shè)備記錄數(shù)據(jù)的具體特征，采用不同的異常值識(shí)別方法，從LKJ 設(shè)備歷史數(shù)據(jù)中篩選可能的異常值，確定異常值并建立相應(yīng)的規(guī)則庫。通過異常模式庫、通用模式庫、頻繁模式庫及波動(dòng)范圍庫，匹配入庫事件，以判斷是否存在異常；若存在異常，則直接輸出異常，并將異常攔截分析結(jié)果存儲(chǔ)在Hive 數(shù)據(jù)庫中，用于數(shù)據(jù)挖掘分析。圖4 示出異常攔截流程。

圖4 異常攔截流程圖Fig. 4 Abnormal intercept diagram

3.3 設(shè)備趨勢分析

采用離散序列的偏態(tài)分析，總結(jié)異常規(guī)律，形成故障數(shù)據(jù)的趨勢分析[9]，實(shí)現(xiàn)設(shè)備狀態(tài)的預(yù)警提示。LKJ系統(tǒng)故障/異常趨勢分析時(shí)，按時(shí)間維度分析故障/異常發(fā)生的趨勢，生成某種故障/異常狀態(tài)趨勢圖并總結(jié)出相關(guān)規(guī)律，為LKJ 設(shè)備的檢修形成指導(dǎo)依據(jù)。在分析過程中，增加車型（機(jī)車型號(hào)、機(jī)車號(hào)）、地域、區(qū)間和時(shí)間等要素，以分析在特定條件下的趨勢規(guī)律；同時(shí)，針對(duì)不同分析維度添加預(yù)警線，也能幫助定位到極度異常事件。圖5 示出異常狀態(tài)趨勢分析結(jié)果展示界面。

圖5 異常狀態(tài)趨勢分析 Fig. 5 Abnormal state trend analysis

3.4 故障關(guān)聯(lián)分析

LKJ 設(shè)備的運(yùn)行數(shù)據(jù)文件、故障反饋單等信息中含有故障檢修和故障關(guān)聯(lián)的相關(guān)信息。對(duì)于故障文本數(shù)據(jù)，可以通過對(duì)其進(jìn)行數(shù)據(jù)預(yù)處理，篩選出有關(guān)故障表征、故障原因的數(shù)據(jù)，結(jié)合專家知識(shí)建立自然分詞庫和人工提詞庫，并通過機(jī)器語言算法和人工篩選分類建立故障表征和故障設(shè)備的關(guān)聯(lián)關(guān)系；基于故障特征建立故障關(guān)聯(lián)分析，其中提取故障特征是關(guān)鍵的分析環(huán)節(jié)，其分析結(jié)果的好壞直接影響到故障之間關(guān)系的映射。針對(duì)故障文本特征的提取算法有Viterbi 算法、N-Gram 算法、TF-IDF 算法、基于信息熵的新詞發(fā)現(xiàn)等，通過上述算法實(shí)現(xiàn)最初的中文分詞，從不同的角度對(duì)分詞結(jié)果進(jìn)行篩選和優(yōu)化，分類建立故障表征和故障設(shè)備的關(guān)聯(lián)關(guān)系；通過參數(shù)學(xué)習(xí)和結(jié)構(gòu)學(xué)習(xí)，分類建立故障與異常之間關(guān)聯(lián)關(guān)系。

采用故障/異常之間關(guān)聯(lián)圖，展現(xiàn)故障和異常事件、異常事件和異常事件、故障和故障之間的關(guān)聯(lián)關(guān)系，以及關(guān)聯(lián)的精密度，為故障的預(yù)測和深度故障的挖掘[10]提供數(shù)據(jù)支撐。圖6 示出LKJ 設(shè)備故障關(guān)聯(lián)分析圖。

圖6 故障關(guān)聯(lián)分析圖Fig. 6 Fault association analysis chart

3.5 故障因素分析

故障因素分析采用復(fù)雜網(wǎng)絡(luò)模型實(shí)現(xiàn)。復(fù)雜網(wǎng)絡(luò)模型主要研究事物的關(guān)聯(lián)性，基于異常變量的關(guān)系，探索故障關(guān)聯(lián)性；借鑒復(fù)雜網(wǎng)絡(luò)模型，構(gòu)建故障關(guān)聯(lián)的復(fù)雜網(wǎng)絡(luò)模型，實(shí)現(xiàn)從大量運(yùn)行記錄數(shù)據(jù)中挖掘分析與故障相關(guān)的關(guān)鍵要素。對(duì)接入大數(shù)據(jù)分析平臺(tái)的LKJ 設(shè)備文件實(shí)時(shí)進(jìn)行挖掘模型分析，找出該文件出現(xiàn)故障或異常的關(guān)鍵要素，以便于故障定位，提高分析效率。故障因素分析主要包括單機(jī)運(yùn)行、顯示器黑屏、輪對(duì)空轉(zhuǎn)、信號(hào)異常（綠燈轉(zhuǎn)白燈、滅燈、雙黃燈轉(zhuǎn)紅黃燈、紅黃燈轉(zhuǎn)紅燈、綠燈轉(zhuǎn)紅黃燈）等項(xiàng)點(diǎn)，其主要實(shí)現(xiàn)的功能如下：

（1）顯示挖掘分析的模型關(guān)鍵要素及當(dāng)前運(yùn)行記錄數(shù)據(jù)中該故障或異常出現(xiàn)的關(guān)鍵要素，進(jìn)行故障定位分析（圖7）；

（2）顯示該故障或異常的全程運(yùn)行記錄數(shù)據(jù)；

（3）顯示挖掘分析結(jié)論；

（4）顯示故障前置事件并進(jìn)行排序；

（5）提供指導(dǎo)意見的編輯功能；

（6）顯示關(guān)鍵前置事件并進(jìn)行排序；

（7）實(shí)現(xiàn)按時(shí)間、車型、車號(hào)查詢出現(xiàn)故障的因素分析。

圖7 故障因素分析界面 Fig. 7 Fault factor analysis interface

3.6 統(tǒng)計(jì)分析

基于設(shè)備故障的經(jīng)驗(yàn)規(guī)則方面的研究，全面綜合地分析利用各類LKJ 設(shè)備數(shù)據(jù)和與設(shè)備相關(guān)的數(shù)據(jù)，對(duì)大量歷史運(yùn)行記錄數(shù)據(jù)文件進(jìn)行檢索分析并對(duì)同一LKJ設(shè)備狀態(tài)或故障進(jìn)行累計(jì)，按路局、電務(wù)段、時(shí)間、線路、故障類型等維度對(duì)設(shè)備故障或異常進(jìn)行分析統(tǒng)計(jì)，對(duì)LKJ 設(shè)備使用里程、時(shí)間、按鍵次數(shù)、開關(guān)情況進(jìn)行累計(jì)分析，實(shí)現(xiàn)設(shè)備維修預(yù)警和使用壽命管理，并及時(shí)提醒檢修和設(shè)備更換，以減少設(shè)備故障。

4 實(shí)驗(yàn)驗(yàn)證

該系統(tǒng)已在實(shí)驗(yàn)室進(jìn)行部署并應(yīng)用；通過在實(shí)驗(yàn)室搭建大數(shù)據(jù)分析平臺(tái)，將大數(shù)據(jù)挖掘分析算法部署到大數(shù)據(jù)平臺(tái)，將近3 年LKJ 運(yùn)行記錄數(shù)據(jù)和故障反饋數(shù)據(jù)導(dǎo)入大數(shù)據(jù)分析平臺(tái)，進(jìn)行挖掘分析，并對(duì)分析結(jié)果進(jìn)行展示。圖8 示出綜合分析結(jié)果數(shù)據(jù)的展示界面。

圖8 分析結(jié)果數(shù)據(jù)展示界面 Fig. 8 Data display of analysis results interface

通過該系統(tǒng)的實(shí)驗(yàn)室應(yīng)用，找出LKJ 設(shè)備運(yùn)行過程中出現(xiàn)的速度、管壓、缸壓、轉(zhuǎn)速、電流的突變情況，發(fā)現(xiàn)轉(zhuǎn)速記錄異常、速度跳變等問題，并及時(shí)進(jìn)行處理；建立設(shè)備故障趨勢統(tǒng)計(jì)指標(biāo)，以可視化方式展示各LKJ設(shè)備狀態(tài)的歷史趨勢和設(shè)備故障的分布情況，用于針對(duì)性地指導(dǎo)維護(hù)策略的制定；形成現(xiàn)場各LKJ 設(shè)備的使用時(shí)長、使用里程、按鍵、開關(guān)等壽命管理數(shù)據(jù)，為設(shè)備檢修和維護(hù)提供指導(dǎo)；得到LKJ 設(shè)備的單機(jī)運(yùn)行、顯示器黑屏等典型故障的關(guān)鍵因素及支持度，為分析設(shè)備故障原因提供數(shù)據(jù)支撐。

5 結(jié)語

本文給出基于大數(shù)據(jù)技術(shù)的LKJ 設(shè)備分析系統(tǒng)設(shè)計(jì)方案及其功能實(shí)現(xiàn)。通過部署與試用，所設(shè)計(jì)的系統(tǒng)可以從大量歷史運(yùn)行記錄數(shù)據(jù)中找出設(shè)備運(yùn)行記錄的異常情況，形成設(shè)備累積里程和使用時(shí)間，生成典型設(shè)備故障相關(guān)因素匯總、設(shè)備狀態(tài)歷史趨勢曲線、設(shè)備故障異常趨勢曲線以及故障指標(biāo)統(tǒng)計(jì)，以輔助維護(hù)人員及時(shí)發(fā)現(xiàn)問題并及時(shí)處理，從而降低設(shè)備故障率，并為設(shè)備維護(hù)提供數(shù)據(jù)支撐和決策指導(dǎo)。

隨著LKJ 設(shè)備相關(guān)數(shù)據(jù)的不斷完善及異常故障數(shù)據(jù)的不斷歷史累積，后續(xù)將通過深入研究設(shè)備故障特征、故障因素及故障規(guī)律，挖掘分析模型，不斷更新智能化分析技術(shù)，以進(jìn)一步提升設(shè)備的故障定位和故障預(yù)測的準(zhǔn)確率。