一种基于配网维修数据分析的预检方法及系统与流程

propagation 算法，最终确定维设备故障关联性数据，然后依据最新的故障信息来获取预检信息；在这整个过程中，即结合了实施过程中的相关流程，也通过对历史数据的计算和分析，并充分结合实时的现场数据，因此具有较高的可信性和可行性；最后的预检数据使用方式，充分将实时情况考虑其中；通过本发明的信息化的方案，可以使整个配抢、维修流程在整个信息化管理过程中更为顺畅，为整个配抢工作带来实质化的改进。
附图说明
11.图1是本发明实施例提供的一种基于配网维修数据分析的预检方法的主要流程示意图。
具体实施方式
12.下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。
13.实施例一：如图1所示，一种基于配网维修数据分析的预检方法，包括：获取维修工单数据；依照维修工单数据从构建的预检关联度数据集中检索出需要预检的设备信息，并形成预检工单数据。
14.所述预检关联度数据集的构建方法，包括：对历史维修工单数据进行清洗和筛选，然后拆分为空间维度数据、时间维度数据和设备维度数据；将空间维度数据、时间维度数据和设备维度数据分为时间-空间维度数据和时间-设备维度数据两类，并对这两类数据进行聚类分析、存储，得到预检关联度数据集；其中，时间-空间维度数据的聚类结果表示在某一个时间维度下，具备数据相关性的地点；时间-设备维度数据的聚类结果表示在某一个时间维度下，具备数据相关性的设备。
15.本实施例利用维修历史业务，对历史数据做聚类分析，得到聚类数据之后，依据实际业务特点，在新的维修数据出现的时候，可以以此相关性分析得出需要预检的设备信息，这样为维修工作提供指导。
16.本实施例技术方案具体包括如下步骤，如图1所示：步骤ss1：对所有的历史维修工单数据进行清洗和筛选，将历史维修工单数据分解为三个维度表示[t，d，m]， 其中，t表示时间，d表示地点，m表示设备。
[0017]
历史维修工单数据分解逻辑如下：1、获取维修数据的设备故障发生时间在历史维修数据中，将设备故障发生时间作为基准维度，是数据拆分分解分析的基准，此时间定义为配网设备故障发生时间，此发生时间是后期数据聚类中，唯一用来标识和后期数据选取的主要标识。
[0018]
2、维修信息中的设备地点和设备类型数据设备地点和设备类型数据是维修信息中的两个基础数据，本实施例做数据分析时，使用这两类最基础的数据，以保证数据的完整性。将设备的地址、设备类型和第一点中的发生数据相结合，可以得到设备的统计数据，此统计数据，依赖于时间跨度和区域的设定范围，这也是在实际的操作中，需要在依据是数据情况去判断和测试的。本实施例在这里假
设时间维度跨度为1小时，区域以一个行政区域的片区为基准。
[0019]
这三个维度均为维修数据中必然具备的属性数据，但是在本实施例中，它们具有极其重要的地位。以此三个基本属性为数据源，保证了本实施例在数据选取上的普适性。此三个维度的数据在清洗和筛选之后，作为历史维修工单数据池数据，为下面ss2中聚合提供数据源。
[0020]
步骤ss2：对ss1清洗过的历史维修工单数据进行拆分形成[t，d]， [t，m] 两个组合，然后对所有的历史维修工单数据的这两类维度数据进行聚合。
[0021]
本步骤中，需要将ss1中的数据源分解为两类。其中设备故障时间维度和故障设备地点维度相结合，形成时间-地点数据，本实施例中用[t, d]表示；设备故障时间维度和设备类型数据相结合，形成时间-设备数据，本发明中使用[t, m]来表示，这样就将ss1中的数据源分解形成的两类聚合所需要的最重要的数据源。
[0022]
数据的聚合算法有很多，经过和实际业务相关度的对比考察之后，本实施例选择affinity propagation 算法。此算法相比于传统的聚类算法，在聚类性能和效率方面都有很大的提升。最重要的是，它的预设较为简单，对于非规数据，不需要指定最终聚类族的个数，它可以根据提供的数据决定聚类的数目；而且此模型对数据的初始值不敏感，对于维修数据这种较为分散的时序数据，是很合适的一种选择；另外，ap（affinity propagation）算法对初始相似度矩阵数据的对称性没有要求，而且相比于k-centers聚类方法，其结果的平方差误差较小。它有两个重要的参数：1、preference：参考度或称为偏好参数，是相似度矩阵中横轴纵轴索引相同的点，如s(i,i)，若按欧氏距离计算其值应为0，但在ap聚类中其表示数据点i作为聚类中心的程度，因此不能为0。迭代开始前假设所有点成为聚类中心的能力相同，因此参考度一般设为相似度矩阵中所有值得最小值或者中位数，但是参考度越大则说明个数据点成为聚类中心的能力越强，则最终聚类中心的个数则越多；2、damping factor：阻尼因子，用于减少吸引信息和归属信息以防止更新减少吸引度和归属度信息时数据振荡。
[0023]
依据此算法，本实施例将时间-地点数据，即[t, d]和时间-设备数据，即[t, m] 分别作为样本数据输入，其中两个核心参数：damping factor(阻尼因子)设置为0.75, preference不设置值，意味着设置为相似矩阵的中位数。随后可以得到对此样本数据的聚类分析结果，即多个时间段，地点的相关度矩阵以及多个时间段，设备的相关度矩阵。
[0024]
步骤ss3：依据ss2的聚类分析结果，得出时间维度t 和地点维度d的聚类结果；以及时间维度t和设备维度m的聚类结果。这两类聚类结果表示，在某一个时间维度下，某些地点会出现数据相关性；另外，在某一个时间维度下，某些设备会出现明显的数据相关性。在得到将这两类结果数据之后，对数据进行存储，形成两类预检数据。
[0025]
在本步骤中，将ss2中获取的相关度矩阵数据依据时间维度进行保存。形成地点、设备预检相关度数据。
[0026]
步骤ss4：在得到新的维修工单，维修完成之后，对维修的地点、设备进行录入，依据ss3中形成的预检数据，即可得到是相关的需要预检的设备以及需要预检关注的地区。
[0027]
在本步骤ss4，当出现一个新的检修任务工单后，维修人员到达现场，对设备进行维修，维修完成之后，输入设备故障发生时间以及故障设备地点、故障设备类型之后，查询
由步骤ss3中产生预检相关度数据，这时候可以得到是故障相关度可能性的设备，此时，依据结果，对相关的设备进行预检，以此来预防其相关的设备出现故障。
[0028]
步骤ss5：当所有的维修和预检工作都完成后，将当前完成的维修工单数据回到ss1的步骤，作为新的输入数据，修正和完善系统数据，使得相关度算法更加符合准确，符合现场需求。
[0029]
在本步骤中，当维修完成之后，新的维修数据将将会进入历史维修数据库中，重新按步骤ss1中的步骤开始清洗数据，将数据分类，然后计算相关度。这样一直不断的使用目前的现场数据修正数据，使得维修关联度数据更加准确。
[0030]
本实施例结合实用性、指导性、经济性等角度，结合行业规范和操作确认维修预检指标，并通过历史维修工单数据，通过属性分类和分级，再运用affinity propagation 算法，最终确定维设备故障关联性数据，然后依据最新的故障信息来获取预检信息。在这整个过程中，即结合了实施过程中的相关流程，也通过对历史数据的计算和分析，并充分结合实时的现场数据，因此具有较高的可信性和可行性。最后的预检数据使用方式，也相对于传统的完全依赖于历史数据分析的方式有了很大的改进，充分将实时情况考虑其中。通过本发明的信息化的方案，可以使整个配抢、维修流程在整个信息化管理过程中更为顺畅，为整个配抢工作带来实质化的改进。
[0031]
实施例二：基于实施例一所述的一种基于配网维修数据分析的预检方法，本实施例提供一种基于配网维修数据分析的预检系统，包括：数据获取模块，用于获取维修工单数据；预检工单生成模块，用于依照维修工单数据从构建的预检关联度数据集中检索出需要预检的设备信息，并形成预检工单数据。
[0032]
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。