用于智能列车的全局监测方法、系统和电子设备与流程

技术特征：
1.一种用于智能列车的全局监测方法，其特征在于，包括：获得单个智能列车的各个系统的状态数据，其中，所述智能列车包括车门系统、pis系统、致动系统、牵引系统、空调系统、走行部系统和蓄电池系统；将所述单个智能列车的各个系统的状态数据通过包含嵌入层的上下文编码器以获得所述单个智能列车的各个系统的状态特征向量；计算所述单个智能列车的各个系统的状态特征向量中每两个状态特征向量之间的相似性值以获得由多个相似性值构成的第一相似性矩阵；将所述单个智能列车的各个系统的状态特征向量进行二维排列为状态特征矩阵；将所述第一相似性矩阵和所述状态特征矩阵通过图神经网络以获得图特征矩阵，所述图特征矩阵的每一个行向量对应于一个系统的特征表达，其中，所述图神经网络用于通过可学习的神经网络参数来生成包含特征信息与不规则的拓扑结构信息的表征矩阵；获得多个所述智能列车的相应一个系统的多个行向量，并计算所述多个行向量之间的相似性值以获得由多个相似性值构成的第二相似性矩阵；将所述多个智能列车的各个系统的第二相似性矩阵排列为第二特征图，其中，所述第二特征图用于表示各个智能列车的相应系统之间的状态相似关系；将所述第二特征图通过卷积神经网络以获得相似性特征矩阵；获取待监测智能列车的图特征矩阵；将所述相似性特征矩阵与所述图特征矩阵进行矩阵相乘以获得分类特征矩阵；以及将所述分类特征矩阵通过分类器以获得分类结果，所述分类结果用于表示待监测智能列车是否存在异常。2.根据权利要求1所述的用于智能列车的全局监测方法，其中，将所述单个智能列车的各个系统的状态数据通过包含嵌入层的上下文编码器以获得所述单个智能列车的各个系统的状态特征向量，包括：将所述单个智能列车的各个系统的状态数据输入所述上下文编码器的嵌入层以将所述单个智能列车的各个系统的状态数据转化为输入向量，以获得输入向量的序列；以及将所述输入向量的序列通过所述上下文编码器的转换器以获得所述单个智能列车的各个系统的状态特征向量。3.根据权利要求2所述的用于智能列车的全局监测方法，其中，计算所述单个智能列车的各个系统的状态特征向量中每两个状态特征向量之间的相似性值以获得由多个相似性值构成的第一相似性矩阵，包括：计算所述单个智能列车的各个系统的状态特征向量之间的每两个状态向量之间的欧式距离或余弦距离作为所述相似性值；以及将所述相似性值进行矩阵排列以获得所述第一相似性矩阵。4.根据权利要求3所述的用于智能列车的全局监测方法，其中，将所述第二特征图通过卷积神经网络以获得相似性特征矩阵，包括：所述卷积神经网络的各层在层的正向传递过程中对输入数据进行卷积处理、沿通道维度的均值池化处理和激活处理以获得所述相似性特征矩阵。5.根据权利要求3所述的用于智能列车的全局监测方法，其中，将所述第二特征图通过卷积神经网络以获得相似性特征矩阵，包括：
所述卷积神经网络的除最后一层以外的各层在层的正向传递过程中对输入数据进行卷积处理、池化处理和激活处理以获得所述相似性特征图；和所述卷积神经网络的最后一层对所述相似性特征图进行卷积处理、沿通道维度的全局平均池化处理和激活处理以获得所述相似性特征矩阵。6.根据权利要求5所述的用于智能列车的全局监测方法，其中，将所述分类特征矩阵通过分类器以获得分类结果，包括：将所述分类特征矩阵投影为分类向量；使用所述分类器的多个全连接层对所述分类向量进行全连接编码以获得分类特征向量；以及将所述分类特征向量输入所述分类器的softmax分类函数以获得所述分类结果。7.根据权利要求6所述的用于智能列车的全局监测方法，其中，将所述分类特征矩阵通过分类器以获得分类结果，包括：所述分类器以如下公式对所述分类特征矩阵进行处理以获得所述分类结果，其中，所述公式为：softmax{(w
n
,b
n
):
…
:(w1,b1)|project(f)}，其中project(f)表示将所述分类特征矩阵投影为向量，w1至w
n
为各层全连接层的权重矩阵，b1至b
n
表示各层全连接层的偏置矩阵。8.一种用于智能列车的全局监测系统，其特征在于，包括：状态数据获取单元，用于获得单个智能列车的各个系统的状态数据，其中，所述智能列车包括车门系统、pis系统、致动系统、牵引系统、空调系统、走行部系统和蓄电池系统；编码单元，用于将所述状态数据获取单元获得的单个智能列车的各个系统的状态数据通过包含嵌入层的上下文编码器以获得所述单个智能列车的各个系统的状态特征向量；相似性计算单元，用于计算所述编码单元获得的所述单个智能列车的各个系统的状态特征向量中每两个状态特征向量之间的相似性值以获得由多个相似性值构成的第一相似性矩阵；二维排列单元，用于将所述编码单元获得的所述单个智能列车的各个系统的状态特征向量进行二维排列为状态特征矩阵；图神经网络单元，用于将所述相似性计算单元获得的所述第一相似性矩阵和所述二维排列单元获得的所述状态特征矩阵通过图神经网络以获得图特征矩阵，所述图特征矩阵的每一个行向量对应于一个系统的特征表达，其中，所述图神经网络用于通过可学习的神经网络参数来生成包含特征信息与不规则的拓扑结构信息的表征矩阵；第二相似性矩阵生成单元，用于获得多个所述智能列车的相应一个系统的多个行向量，并计算所述多个行向量之间的相似性值以获得由多个相似性值构成的第二相似性矩阵；第二特征图生成单元，用于将所述第二相似性矩阵生成单元获得的所述多个智能列车的各个系统的第二相似性矩阵排列为第二特征图，其中，所述第二特征图用于表示各个智能列车的相应系统之间的状态相似关系；相似性特征矩阵生成单元，用于将所述第二特征图生成单元获得的所述第二特征图通过卷积神经网络以获得相似性特征矩阵；图特征矩阵获取单元，用于获取待监测智能列车的图特征矩阵；
分类特征矩阵生成单元，用于将所述相似性特征矩阵生成单元获得的所述相似性特征矩阵与所述图特征矩阵获取单元获得的所述图特征矩阵进行矩阵相乘以获得分类特征矩阵；以及分类单元，用于将所述分类特征矩阵生成单元获得的所述分类特征矩阵通过分类器以获得分类结果，所述分类结果用于表示待监测智能列车是否存在异常。9.根据权利要求8所述的用于智能列车的全局监测系统，其中，所述编码单元，进一步用于：将所述单个智能列车的各个系统的状态数据输入所述上下文编码器的嵌入层以将所述单个智能列车的各个系统的状态数据转化为输入向量，以获得输入向量的序列；以及，将所述输入向量的序列通过所述上下文编码器的转换器以获得所述单个智能列车的各个系统的状态特征向量。10.一种电子设备，包括：处理器；以及存储器，在所述存储器中存储有计算机程序指令，所述计算机程序指令在被所述处理器运行时使得所述处理器执行如权利要求1-7中任一项所述的用于智能列车的全局监测方法。

技术总结
本申请涉及智能列车监测的领域，其具体地公开了一种用于智能列车的全局监测方法、系统和电子设备，其通过包含嵌入层的上下文编码器来得到各个系统的全局性状态信息，然后计算所述状态特征向量之间的相似性，以提取出所述各个系统的状态之间的关联关系，进一步利用图神经网络来通过可学习的神经网络参数来生成包含特征信息与不规则的拓扑结构信息的表征矩阵，并且本申请还基于所有列车作为整体的特征相似性来进行分类，从而使得分类的精准度更高。这样，能够提高对于智能列车的全局系统异常诊断的准确度，从而保证智能列车的正常运行。行。行。


技术研发人员：刘忠和
受保护的技术使用者：上海俏晔物流有限公司
技术研发日：2022.03.02
技术公布日：2022/6/16