一種基於svm的軌道交通故障診斷方法及系統的製作方法
2023-07-06 09:21:56
一種基於svm的軌道交通故障診斷方法及系統的製作方法
【專利摘要】本發明涉及一種基於SVM的軌道交通故障診斷方法及系統，該方法包括：採集軌道交通的歷史監測數據及實時監測數據，並傳輸到數據分析伺服器中，數據分析伺服器對其進行預處理、特徵選擇、數據向量化和模型訓練，然後根據由歷史監測數據得到的分類模型，對實時監測數據進行計算分析和分類，判斷是否有故障並得出故障產生的原因。該系統包括數據歸集組件、數據存儲組件、數據預處理組件、特徵選擇組件、數據向量化組件、模型訓練組件和實時數據分析組件。本發明通過自動化的監測手段來代替人工在海量的監測信號中進行故障的判斷和分析，可以大量節約的人力成本以及故障原因分析的時間，為後續的維修、救援等工作提供時間保障。
【專利說明】—種基於SVM的軌道交通故障診斷方法及系統
【技術領域】
[0001]本發明提供一種基於SVM的軌道交通故障診斷方法及系統，涉及鐵路信號數據、鐵路通信數據、鐵路知識數據、系統報警數據、機器學習、SVM (支持向量機)、等【技術領域】，用以解決軌道交通監測數據的數據分析問題。
【背景技術】
[0002]目前，軌道交通(國有鐵路、企業鐵路和城市軌道交通)領域、監測維護產品主要有三類:CSM(信號集中監測系統)、各設備維護機、通信網管系統。為了提高我國鐵路信號系統設備的現代化維修水平，從90年代開始，先後自主研製了 TJWX-1型和TJWX-2000型等不斷升級中的信號集中監測CSM系統。目前大部分車站都採用了計算機監測系統，實現了對車站信號設備狀態的實時監測，並通過監測與記錄信號設備的主要運行狀態，為電務部門掌握設備的當前狀態和進行事故分析提供了基本依據，發揮了重要作用。並且，對城市軌道交通信號設備，集中監測CSM系統也被廣泛部署在城軌集中站/車輛段等處，供城軌運維使用。此外，伴隨我國高速鐵路的建設發展，高鐵特有的RBC系統、TSRS系統、ATP系統，也面臨著納入信號集中監測系統的需求，也面臨著提高其監測能力、運維能力，以及設備自診斷能力的需求。
[0003]數據挖掘分析是利用統計分析的數學知識，分析文本、圖像、數值等數據，發現數據的隱含規則、關係，建立數據模型，用於對數據進行分類、聚類、統計等操作。SVM是非常成熟的數據分類算法，支持二類分類和多類分類。SVM的主要思想為:它是針對線性可分情況進行分析，對於線性不可分的情況，通過使用非線性映射算法將低維輸入空間線性不可分的樣本轉化為高維特徵空間使其線性可分，從而使得高維特徵空間採用線性算法對樣本的非線性特徵進行線性分析成為可能。
[0004]軌道交通監測數據的挖掘分析，對於判斷和分析軌道交通的技術故障具有重要的意義。目前多是靠人工在海量的監測數據中進行故障的判斷和分析，需要大量的人力成本以及故障原因分析的時間，從而難以為後續的維修、救援等工作提供時間保障，因而需要研究更高效的軌道交通監測數據分析和故障分析方法。隨著軌道交通監測技術的不斷發展，越來越多的監測設備被安裝使用，採集得到的監測數據的種類和數量也越來越多，使用算法在一定程度上替代人工分析是一個必然的趨勢。
【發明內容】
[0005]本發明的目的是針對軌道交通監測數據進行數據分析，利用SVM對監測數據進行分類，可以顯示故障原因分類等操作。通過自動化的監測手段來代替人工在海量的監測數據中進行故障的判斷和分析，大量節約的人力成本以及故障原因分析的時間，為後續的維修、救援等工作提供時間保障。
[0006]為實現上述目的，本發明採用的技術方案如下:
[0007]一種基於SVM的軌道交通故障診斷方法，其步驟包括:[0008]I)通過數據歸集組件採集軌道交通的歷史監測數據及實時監測數據，並將這些數據傳輸到數據分析伺服器中；
[0009]2)數據分析伺服器存儲各類監測數據，並對其進行預處理以將其規範化；
[0010]3)數據分析伺服器分析具體的故障以及故障產生的原因，對監測數據進行特徵選擇，映射出與故障問題相關的監測數據；
[0011]4)數據分析伺服器對特徵數據進行向量化，將其轉換為可被SVM處理的空間向量模型數據；
[0012]5)數據分析伺服器根據空間向量模型對歷史監測數據進行模型訓練，產生對應的問題分類模型；
[0013]6)數據分析伺服器根據由歷史監測數據得到的分類模型，對實時監測數據進行計算分析和分類，判斷是否有故障並得出故障產生的原因。
[0014]進一步地，步驟I)所述數據歸集組件包括歷史監測數據歸集和實時數據歸集，並與運維部門如車站、電務段的集中監測系統(CSM)連接。歷史數據可以從歷史資料庫中獲取，實時監測數據則需要與相應的數據採集設備進行交互。
[0015]進一步地，步驟2)中數據分析伺服器在存儲監測數據時，將格式化的監測數據以文本的格式存儲在本地文件系統之中，如存儲到Excel或者文本中，這樣更有助於數據的處理，並對數據預處理步驟提供數據支撐。
[0016]進一步地，步驟2)中數據分析伺服器對監測數據進行的預處理，包括檢查並處理得到的監測數據中的異常點，檢查數據的完整性，對不同車站、電務段的監測數據進行融合，對監測數據進行變換、歸一化等操作，以統一數據的格式和取值範圍。對歷史監測數據進行預處理，包括數據的清洗、數據轉換、數據規範化等步驟，去掉噪音數據、不完整的數據等，將監測數據規範化。
[0017]進一步地，步驟3)中數據分析伺服器進行特徵選擇時，根據問題的理解和數據的特點，利用經驗或特徵選擇算法選擇出於問題相關的數據。將這些數據從原始數據中抽取出來。特徵選擇支持人工、機器的特徵選擇，針對問題及SVM選擇合適的特徵數據進行處理。特徵選擇模塊需要對問題進行分析，找出相關的特徵，然後對預處理之後的監測數據進行選擇。將相關的特徵作為模型訓練的輸入數據進行處理，而不是處理所有的數據。這裡的特徵指的是數據監測的值，如某一個軌道設備的電壓值，可以作為一個特徵來處理。
[0018]進一步地，步驟4)中數據分析伺服器對數據進行向量化時，通過對輸入數據格式的分析，編程實現數據格式的轉換，將輸入的數據轉換為向量模式，適用於SVM處理的空間向量模型格式。如果對一個問題選擇了 η個相關的特徵，並根據預處理的結果，包含了 m組數據。那麼就是n*m個數據，形成一個m行η列的二維矩陣。也相當於得到了 m個向量，每個向量有η個數據。特徵的取值就是對應二維數組相應位置的值。
[0019]進一步地，步驟5)中數據分析伺服器進行模型訓練時，首先選擇合適的內核，如線性核、圖核、樹核、多項式核、神經網絡核、RBF核等，不同的核函數適用於不同類型的問題。核函數的選擇主要是根據對問題的理解，和不同核函數的經驗進行選擇。在選擇了核函數之後，需要對數據進行分類，分為訓練數據和測試數據兩部分。訓練數據用於對模型訓練，得到相應的參數，然後使用測試數據進行測試，驗證模型的泛化能力。利用十倍交叉驗證的方式來增加模型分類的準確率和召回率。在一個實施例中，可以將得到的VSM監測數據平均的分成十組，編號為1-10，進行十次模型訓練，每次選用不重複的編號作為測試集，剩下的9份數據作為訓練集進行訓練，然後使用不同的參數進行十倍交叉驗證，得到更為準確的準確率和召回率對應的參數。
[0020]進一步地，步驟6)數據分析伺服器對實時監測數據進行分析時，需要對數據歸集組件在CSM系統中採集實時的軌道交通監測數據進行與歷史監測數據相同的步驟，包括預處理、特徵選擇、數據向量化等步驟，然後利用已經得到的分類模型，對這些數據進行分類，以判斷是否出現故障，以及產生故障的原因。
[0021]上面步驟I)到6)可以用於設備級和運維級的故障監測數據分析。設備級監測數據分析是數據分析算法針對某一個指定的設備進行監測數據採集、處理、模型生成和故障分析；運維級監測數據分析是針對整個運行系統的某一類故障進行監測數據的採集、處理、模型生成和故障分析。
[0022]一種基於SVM的軌道交通故障診斷系統，包括:
[0023]數據歸集組件，位於軌道交通運維部門，用於採集軌道交通的歷史監測數據及實時監測數據，並將其傳輸到數據分析伺服器中；
[0024]數據分析伺服器，包括:
[0025]數據存儲組件，連接所述數據歸集組件，用於存儲數據歸集組件發送過來的各類監測數據；
[0026]數據預處理組件，連接所述數據存儲組件，用於對監測數據進行預處理以將其規範化；
[0027]特徵選擇組件，連接所述數據預處理組件，用於分析具體的故障以及故障產生的原因，對監測數據進行特徵選擇，映射出與故障問題相關的監測數據；
[0028]數據向量化組件，連接所述特徵選擇組件，用於對特徵數據進行向量化，轉換為SVM可以處理的空間向量模型數據；
[0029]模型訓練組件，連接所述數據向量化組件，用於對歷史監測數據進行模型訓練，產生對應的問題分類模型；
[0030]實時數據分析組件，連接所述數據向量化組件和所述模型訓練組件，用於對實時監測數據進行計算分析和分類，判斷是否有故障並得出故障產生的原因。
[0031]進一步地，所述軌道交通運維部門包括各車站、電務段，所述數據歸集組件與這些運維部門的集中監測系統(CSM)連接。歷史數據可以從歷史資料庫中獲取，實時監測數據則需要與相應的數據採集設備進行交互。
[0032]本發明利用SVM對監測數據進行分類，通過自動化的監測手段來代替人工在海量的監測數據中進行故障的判斷和分析，與現有技術相比，優點如下:
[0033]I)本發明加快了故障識別的速度，採用SVM分類器對軌道交通監測數據進行故障識別，可以加快故障識別的速度，通過對實時監測數據進行分析，可以快速的發現故障，並識別出故障的類型。
[0034]2)本發明通過使用模型識別故障，節省了大量的人力成本，不再需要人工的去觀察監測信息然後進行故障識別和分析。
[0035]3)本發明通過雲平臺進行擴展，對監測數據進行分布式存儲和並行計算，可以解決不斷增加的軌道交通監測數據的存儲和處理問題。從而可以比較從容的應複雜的設備故障和行車事故原因。
[0036]4)在本發明的基礎上，加入算法的學習能力，則可以不斷的提高故障識別的能力，通過不斷的累積學習可以發現人工還沒有總結出現的新故障，以及故障產生的新原因，即能夠提高預警能力、預診斷能力。
【專利附圖】
【附圖說明】
[0037]圖1是本發明的軌道交通監測數據分析方法的步驟流程圖。
[0038]圖2是本發明的軌道交通監測數據分析系統的組件連接示意圖。
[0039]圖3是本發明的運維級軌道故障分析實例的流程圖。
[0040]圖4是本發明的設備級軌道故障分析實例的流程圖。
【具體實施方式】
[0041]下面通過具體實施例和附圖，對本發明做詳細的說明。
[0042]本發明的基於SVM對監測數據進行分析處理的流程如圖1所示，主要分為模型訓練階段和實時數據分析階段。輸入的數據包括歷史監測數據和實時監測數據，輸出的是針對實時監測數據的分析結果。通過本發明，可以快速的對監測數據進行分析，實時的得到故障原因等分析結果。
[0043]圖2是實現上述處理流程的相應的系統組成圖。主要包括:位於運維部門的數據歸集組件、位於數據分析伺服器的數據存儲組件、數據預處理組件、特徵選擇組件、數據向量化組件、模型訓練組件和實時數據分析組件。
[0044]監測數據分析模型主要由兩個步驟:一是根據給定的訓練集找到合適的SVM核函數及參數，通常稱為模型訓練階段；二是使用第一步訓練完成的函數模型分析實時監測數據，以得到系統是否出現故障以及故障產生的原因。下面結合圖1和圖2具體說明各組件的功能。
[0045]1、數據歸集組件
[0046]以中國的鐵路系統為例，包括位於各車間、電務段、鐵路局、鐵路總公司的數據歸集組件；數據歸集組件與對應位置的集中監測系統(CSM)相連接，獲取其中的數據。其中獲取的監測數據分為歷史監測數據和實時監測數據；歷史監測數據在模型訓練階段使用，用於對模型進行訓練以得到分類模型；訓練得到的模型用於對實時監測數據進行分類，以得到系統當前的運行狀態，如是否有故障以及故障的原因等。
[0047]數據歸集組件與數據分析伺服器連接，數據歸集組件將獲取到的監測數據傳輸給數據分析伺服器上的數據存儲組件。具體實施時，數據歸集組件可以為軟體模塊，CSM提供一個接口，數據歸集組件就是調用這個接口，定期的獲取數據。因為不同的CSM數據差別較大，歸集組件需要識別各種數據格式。
[0048]2、數據存儲組件
[0049]數據存儲組件位於數據分析伺服器中，支持格式化、半格式化和非格式化的數據存儲。歷史監測數據由於數據量較大，為了便於並行處理，一般採用文件的方式進行存儲。進一步的可以採用分布式文件系統進行歷史監測數據的存儲，並且採用並行計算架構對監測數據進行計算，以提高數據存儲的能力和數據計算的能力。數據存儲組件對外提供數據訪問的接口。數據歸集組件利用其與數據分析伺服器的連接，調用數據存儲組件的數據存儲接口，將歷史監測數據和實時監測數據存儲在數據分析伺服器中。
[0050]3、數據預處理組件
[0051]數據預處理組件位於數據分析伺服器中，通過與數據存儲組件之間的連接，調用數據訪問的接口，對得到的監測數據進行預處理。首先檢查數據的正確性和完整性，然後進行相應的處理，如數據條刪除等。進一步地，對監測數據進行歸一化，形成格式正確、樣本空間完整的監測數據集。
[0052]4、特徵選擇組件和數據向量化組件
[0053]特徵選擇組件與數據預處理組件連接，在進行了特徵選擇之後，通過與數據預處理組件的連接，將處理好的監測數據集進行樣本抽取，映射出只和特徵相關的部分數據，形成新的監測數據集。特徵選擇組件與數據向量化組件連接，將映射出的監測數據集傳輸給數據向量化組件，數據向量化組件對數據進行空間向量化，形成SVM支持的VSM格式的數據。
[0054]5、模型訓練組件
[0055]模型訓練組件與數據向量化組件連接，通過該連接獲取VSM格式的監測數據，然後使用不同的參數對該數據進行十倍交叉驗證。以得到分類和泛華能力最好的模型以及參數。通過與實時數據分析組件的連接，將訓練好的模型傳輸給實時數據分析組件。
[0056]6、實時數據分析組件
[0057]實時數據分析組件與數據向量化組件連接，並與模型訓練組件連接。實時監測數據也需要經歷與歷史監測數據類似的流程，最後將VSM格式的實時監測數據作為輸入，輸入到實時數據分析組件，通過計算就可以得到當前的系統是否存在特定的故障，以及該故障產生的原因。
[0058]SVM在軌道交通監測數據進行數據分析中的意義在於對歷史監測到的數據進行分析處理，然後得到預測模型。然後利用該數學模型對採集到的實時監測數據進行分析處理，可以得到實時的分析結果，如故障預警、異常報警等。避免了採用人工分析方式所造成的人力資源浪費，以及分析結果過於依賴分析經驗和專注度、人工分析所帶來的延遲以及海量監測數據造成的分析困難。具體來說，本發明利用SVM進行軌道交通監測數據的分析時，包括以下步驟:
[0059]I)歸集數據
[0060]SVM數據分析時需要利用到兩類數據，軌道交通歷史監測數據和軌道交通實時監測數據:
[0061]軌道交通歷史監測數據:歷史監測數據需要包含出現各類故障情況時的完整數據，用於獲取各類情況下數據的特徵；
[0062]軌道交通實時監測數據:實時監測數據是指從軌道交通採集到的實時數據，SVM對這部分數據進行分析處理，可以監測到當前運行環境下，是否已經出現故障，以及故障的原因分析。
[0063]2)監測數據預處理
[0064]對歷史監測數據和實時監測數據進行處理分析時，需要對監測數據進行預處理，包括數據清洗、數據集成、數據變換和數據規約。[0065]軌道交通監測數據存儲不完整、不一致等髒數據，導致無法進行數據分析或者挖掘結果比較差。為了提高數據分析的質量產生了數據預處理技術。數據預處理有多種方法:數據清理，數據集成，數據變換，數據歸約等。這些數據處理技術在數據分析之前使用，大大提高了數據分析模式的質量，降低實際挖掘所需要的時間。
[0066]數據清洗:數據清理通過填寫缺失的值、光滑噪聲數據、識別或刪除離群點並解決不一致性來「清理」數據。主要是達到如下目標:格式標準化，異常數據清除，錯誤糾正，重複數據的清除。軌道監測數據有時候會出現電壓、電路等監測值的瞬間異常等信息，並不會對系統造成影響，因此需要對這些數據進行清洗。去掉一些異常值，如果出現某些監測值空缺的情況，依據經驗值進行填補，或者將對應的監測數據刪除。
[0067]數據集成:數據集成將多個數據源中的數據結合起來並統一存儲,建立數據倉庫的過程實際上就是數據集成。軌道交通監測數據很不同設備、站點之間可能存在相互關係，將數據進行集成有利於對設備、站點之間的關係進行挖掘、分析，如進行關聯分析等。
[0068]數據變換:通過平滑聚集，數據概化，規範化等方式將數據轉換成適用於數據分析的形式。監測數據因為監測的信號不同，如電流、電壓等，不同信號值的的類型和取值範圍區別較大，有些是模擬量，有些是布爾量的。需要對這些數據進行規約，這樣更有利於模型的建立和分析的精確度。
[0069]數據規約:數據分析時往往數據量非常大，在少量數據上進行挖掘分析需要很長的時間，數據歸約技術可以用來得到數據集的歸約表示，它小得多，但仍然接近於保持原數據的完整性，並結果與歸約前結果相同或幾乎相同。
[0070]3)特徵選擇
[0071]特徵選擇也叫特徵子集選擇(FSS, Feature Subset Selection)。是指從已有的M個特徵(Feature)中選擇N個特徵使得系統的特定指標最優化。在本文中,特徵提取主要是根據具體的問題進行分析，找出與其相關的特徵，然後利用SVM對這些特徵進行分析，而不是對全部的特徵進行分析。在本文中，特徵指的是監測數據得到的數據，監測數據的種類多、採樣頻率高，因此數據量較大。針對具體問題如軌道電路故障判斷進行分析的時，它僅與很少的幾個特徵相關，而不是全部的監測數據。通過特徵選擇，可以大大減少數據的計算量，在提高計算速度的同時，還可以避免引入過多的不相關特徵，從而提高分析的精確度。
[0072]4)數據向量化
[0073]SVM對數據進行處理分析時，需要轉換為特定的格式一空間向量模型(VSM)，空間向量模型最早被用於計算文本的相似度。VSM概念簡單，把對文本內容的處理簡化為向量空間中的向量運算，並且它以空間上的相似度表達語義的相似度，直觀易懂。當文檔被表示為文檔空間的向量，就可以通過計算向量之間的相似性來度量文檔間的相似性。因此需要編程實現對預處理過的監測數據進行格式轉換，變為空間向量模型格式的數據。
[0074]5)模型訓練
[0075]SVM的實質是對數據進行分類，針對有限樣本情況的學習機器，實現的是結構風險最小化:在對給定的數據逼近的精度與逼近函數的複雜性之間尋求折衷，以期獲得最好的泛華能力。它最終解決的是一個凸二次規劃問題，從理論上說，得到的將是全局最優解，解決了在神經網絡方法中無法避免的局部極值問題。它將實際問題通過非線性變換轉換到高維的特徵空間，在高維空間中構造線性決策函數來實現原空間中的非線性決策函數，巧妙地解決了維數問題，並保證了有較好的推廣能力，而且算法複雜度與樣本維數無關。最終目的是通過找到一個最優的超平面對數據進行劃分。
[0076]SVM支持多種類型的核函數，如線性核、圖核、樹核、多項式核、神經網絡核等。不同核函數針對不同的問題，在本文的例子中選取RBF (徑向基函數)核作為SVM的核函數。核函數的選擇一般是基於經驗的。
[0077]RBF核，是一種常用的核函數。它是支持向量機分類中最為常用的核函數。關於兩個樣本χ和X』的RBF核可表示為某個「輸入空間」(input space)的特徵向量，它的定義如下所示:
[0078]
【權利要求】
1.一種基於SVM的軌道交通故障診斷方法，其步驟包括: 1)通過數據歸集組件採集軌道交通的歷史監測數據及實時監測數據，並將其傳輸到數據分析伺服器中； 2)數據分析伺服器存儲各類監測數據，並對其進行預處理以將其規範化； 3)數據分析伺服器分析具體的故障以及故障產生的原因，對監測數據進行特徵選擇，映射出與故障問題相關的監測數據； 4)數據分析伺服器對特徵數據進行向量化，將其轉換為可被SVM處理的空間向量模型數據； 5)數據分析伺服器根據空間向量模型對歷史監測數據進行模型訓練，產生對應的問題分類模型； 6)數據分析伺服器根據由歷史監測數據得到的分類模型，對實時監測數據進行計算分析和分類，判斷是否有故障並得出故障產生的原因。
2.如權利要求1所述的方法，其特徵在於:步驟2)中數據分析伺服器在存儲監測數據時，將格式化的監測數據以文本的格式存儲在本地文件系統之中，並對數據預處理步驟提供數據支撐。
3.如權利要求1所述的方法，其特徵在於，步驟2)中數據分析伺服器對監測數據進行的預處理包括數據清洗 、數據集成、數據變換和數據規約。
4.如權利要求1所述的方法，其特徵在於:步驟3)中數據分析伺服器進行特徵選擇時，根據問題的理解和數據的特點，利用經驗或特徵選擇算法選擇出與問題相關的數據，將其從原始數據中抽取出來。
5.如權利要求1所述的方法，其特徵在於:步驟4)中數據分析伺服器通過對輸入數據格式的分析，編程實現數據格式的轉換，將輸入的數據轉換為向量模式和適用於SVM處理的空間向量模型格式。
6.如權利要求1所述的方法，其特徵在於:步驟5)中數據分析伺服器進行模型訓練時，首先選擇合適的內核，然後將數據分為訓練數據和測試數據兩部分，訓練數據用於對模型訓練，得到相應的參數，之後使用測試數據進行測試，驗證模型的泛華能力。
7.如權利要求6所述的方法，其特徵在於:步驟5)利用十倍交叉驗證的方式來增加模型分類的準確率和召回率。
8.如權利要求7所述的方法，其特徵在於:步驟5)將得到的VSM監測數據平均分成十組，編號為1-10，進行十次模型訓練，每次選用不重複的編號作為測試集，剩下的9份數據作為訓練集進行訓練，然後使用不同的參數進行十倍交叉驗證，得到更為準確的準確率和召回率對應的參數。
9.一種基於SVM的軌道交通故障診斷系統，其特徵在於，包括: 數據歸集組件，位於軌道交通運維部門，用於採集軌道交通的歷史監測數據及實時監測數據，並將其傳輸到數據分析伺服器中； 數據分析伺服器，包括: 數據存儲組件，連接所述數據歸集組件，用於存儲數據歸集組件發送過來的各類監測數據； 數據預處理組件，連接所述數據存儲組件，用於對監測數據進行預處理以將其規範化； 特徵選擇組件，連接所述數據預處理組件，用於分析具體的故障以及故障產生的原因，對監測數據進行特徵選擇，映射出與故障問題相關的監測數據； 數據向量化組件，連接所述特徵選擇組件，用於對特徵數據進行向量化，轉換為SVM可以處理的空間向量模型數據； 模型訓練組件，連接所述數據向量化組件，用於對歷史監測數據進行模型訓練，產生對應的問題分類模型； 實時數據分析組件，連接所述數據向量化組件和所述模型訓練組件，用於對實時監測數據進行計算分析和分類，判斷是否有故障並得出故障產生的原因。
10.如權利要求9所述的系統，其特徵在於:所述數據歸集組件與所述數據分析伺服器通過乙太網進行數據傳輸；或者所述數據歸集組件與所述數據分析伺服器集成於一個工作站內，通過數據總線進行數據傳輸。`
【文檔編號】G06K9/62GK103745229SQ201410009600
【公開日】2014年4月23日 申請日期:2014年1月9日 優先權日:2013年12月31日
【發明者】鮑俠 申請人:北京泰樂德信息技術有限公司