行业领域

新一代信息技术产业,制造业,人工智能

需求背景

在轨道交通系统中，设备故障的实时检测和准确诊断是保障系统安全、可靠和高效的关键。随着机器学习（ML）和人工智能（AI）技术的迅猛发展，这些技术在设备故障检测和诊断中变得越来越重要。

需解决的主要技术难题

1.数据采集与预处理。如何高效、准确地采集轨道交通设备的运行数据，并对数据进行清洗、标准化等预处理。

2.特征提取与选择。如何从海量的设备运行数据中提取有效的特征，并选择最具有区分性和代表性的特征子集。

3.故障检测算法。如何设计高效、准确的故障检测算法，尤其是针对早期故障和微小异常的检测。

4.故障诊断与定位。如何实现故障类型的准确诊断和故障位置的精确定位。

5.模型的可解释性。如何增强机器学习模型的可解释性，使其诊断结果可以被人类专家理解和信任。

        6.模型的持续学习与优化。如何实现模型的持续学习和优化，适应设备状态的变化和新型故障的出现。

        7.系统集成与实时性能。如何将机器学习模型集成到实际的轨道交通监控系统中，并保证实时性能。

期望实现的主要技术目标

1.实时数据采集系统的建立。开发高效的实时数据采集系统，能在100毫秒内捕捉并传输设备状态数据，数据准确率达到99%。

目前行业标准的数据采集延时一般为几秒到几十秒，准确率约为95%。

2.高精度的故障检测算法。开发机器学习算法，提高故障检测的准确率至98%，并能在初期故障发生时进行有效预警。

现有技术的平均故障检测准确率通常在90%左右，对早期故障识别的敏感性较低。

3.故障诊断时间的优化。实现系统在接收到异常信号后，1秒内完成故障类型诊断和位置定位，诊断准确率至少95%。

当前市场上的系统完成相同任务的时间平均为3-5秒。

4.模型自适应性和可持续学习。设计模型能够实现连续学习，适应新的故障模式和设备老化的影响，保持长期的高精度和低延迟性能。

大多数现有系统需定期手动更新模型，自适应能力较低。

5.系统的集成与部署。开发一套符合国际标准的轨道交通安全系统集成方案，在确保数据安全和系统稳定性的前提下，实现快速部署和低成本维护。

系统集成的平均时间为数月，维护成本高。

6.增强的可解释AI性能。提供能够生成易于理解的故障诊断解释的人工智能模型，以增强操作人员的信任度和接受度。

      大多数现有模型缺乏足够的解释性，难以获得用户的信任。

处理进度