CN101110155A - 基于数据融合模式识别的嵌入式故障智能诊断装置及方法 - Google Patents
基于数据融合模式识别的嵌入式故障智能诊断装置及方法 Download PDFInfo
- Publication number
- CN101110155A CN101110155A CNA2007101208295A CN200710120829A CN101110155A CN 101110155 A CN101110155 A CN 101110155A CN A2007101208295 A CNA2007101208295 A CN A2007101208295A CN 200710120829 A CN200710120829 A CN 200710120829A CN 101110155 A CN101110155 A CN 101110155A
- Authority
- CN
- China
- Prior art keywords
- data
- module
- diagnosis
- fault
- recognition
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Landscapes
- Train Traffic Observation, Control, And Security (AREA)
Abstract
本发明公开了属于轨道交通故障智能诊断技术领域的一种基于数据融合模式识别的嵌入式故障智能诊断装置及方法。所述基于数据融合模式识别的嵌入式故障智能诊断装置包括硬件结构和软件结构组成；故障诊断装置采用高速的DSP微处理器，借助其高速数据处理的多级缓冲和流水线机制，组成一种分布式监测处理系统，即上、下位机两级微机结构。结合基于数据融合模式识别的传感器群信息，借助多神经网络局部诊断及决策级融合模式识别故障智能诊断机制，实现数据存储、图形显示及数据远程传输的功能，完成故障诊断任务。及时发现列车关键装备的潜在故障，保证列车关键装备工作的安全性和可靠性，最大限度地提高运营效率和安全保障。
Description
技术领域
本发明属于轨道交通故障智能诊断技术领域，特别涉及一种基于数据融合模式识别的嵌入式故障智能诊断装置及方法。特别是适用于关键设备众多，结构复杂的轨道交通列车(包括安全疏散门、车门、走行部、牵引系统、制动系统和车载信号系统等)，干扰信号复杂的故障诊断系统。
背景技术
国内外事故统计分析表明：车辆、信号、轨道及供电系统等是引发轨道交通事故的关键装备，尤其以关乎乘客生命安全的车辆更是重中之重。车辆由众多关键设备(安全疏散门、车门、走行部、牵引系统、制动系统和车载信号系统等)组成，故障后的危害性最大。这一危害性在城市轨道交通中尤为突出。尽管我国城市轨道交通已经部署了大量的监控系统，在保障运营安全方面发挥了重要作用。但是，由于缺乏对车辆等关键装备的一体化实时监控、故障诊断、隐患预警、维修和应急决策支持技术，导致无法为运营提供有效的安全保障。已成为制约我国城市轨道交通发展和效率提高的瓶颈，是提高运营效率及安全保障必须解决的难点问题。
70年代初，美国的军事机构就开始研究数据的自动化综合处理，1973年，美国防部资助开发了声呐信号理解系统，数据融合技术在该系统中得到了最早的体现。此后，数据融合技术蓬勃发展，不仅在C3I系统中尽可能采用多种传感器来收集信息，而且在工业控制和管理等领域也朝着多传感器的方向发展。
近20年来，信息融合技术越来越受到人们的普遍关注。西方发达国家相当重视信息融合技术，其研究与应用发展十分迅速，正从概念论证走向开发应用。1937年以来，美国国会一直将其列为对美国国防具有重要影响的21项关键技术之一，并在信息融合技术研究方面投入巨资。一些采用信息融合技术的军事系统也相继研制成功。信息融合另外一个有成就的研究和应用领域是智能机器人，智能机器人需要依靠本身的传感器系统综合信息、识别环境作出决策。
而将信息融合技术应用于轨道交通故障诊断领域成为了一种趋势。在故障诊断中应该充分利用各种信息，而不应仅局限于一种信息。因为从诊断学角度来看，任何一种诊断信息都是模糊的、不精确的。任何一种诊断对象，单用一方面信息来反映其状态行为都是不完整的，只有从多方面获得关于同一对象的多维信息，并加以融合利用，才能对设备进行更可靠更准确的诊断。
发明内容
本发明的目的在于提供一种基于数据融合模式识别的嵌入式故障智能诊断装置及方法。
所述基于数据融合模式识别的嵌入式故障智能诊断装置包括硬件结构和软件结构组成；
硬件结构包括数据采集模块和嵌入式模块。数据采集模块负责完成数据采集、信号处理的任务，1～n个信号采集单元通过CAN总线接口和中心处理单元PC104连接，信号采集单元直接安装固定在列车关键设备的主要部位上，完成传感器的故障诊断、标定和校准，列车设备工作状态参数采集、信号的特征提取和CAN总线通讯；中心处理单元是采用PC104总线的嵌入式PC，中心处理单元位于设备的监测中心，分别和液晶显示、键盘及存贮设备、CAN接口、适配卡连接，画通过网络与远程服务器通讯，主要完成采集信号的处理、工作状态的判断与报警，以及故障诊断工作。
所述软件结构采用模块化设计，具有据预处理、历史数据网络训练，网络知识库进行网络推理，故障解释功能，主要包括监测数据库、监测报警模块、故障诊断模块、CAN通讯模块及网络通讯模块通过数据库管理模块与故障诊断模块通讯。
所述PC104是一种专门为嵌入式控制而定义的工业控制总线，实质上是一种紧凑型的IEEE-P996标准，其信号定义和PC/AT基本一致，但电气和机械规范却完全不同，是一种优化的、小型、堆栈式结构的嵌入式系统，有极好的抗振性。PC104嵌入式计算机模块系列是一整套低成本、高可靠性、能迅速配置成产品的结构化模块。满足了系统抗振性和可靠性的要求。
所述信号采集单元包括传感器、信号调理、AD转换、DSP(或MCU)、数字量输入模块、FLASH存贮器。
所述监测报警模块根据具体工作状态恶劣程度的不同将报警分为3级。1级报警：只是提醒注意，在这种情况下设备还能工作一段时间；2级报警：要求密切注视故障的发展，但不需立即处理；3级报警：对这级报警，应立即进行应急处理。
所述网络推理，故障解释是靠多神经网络诊断模块实现，该模块包括三大模块：数据级融合模块、特征级并行多神经网络局部诊断模块及决策级融合诊断模块，是基于数据融合模式识别故障智能诊断机制，利用数据在不同层次(或级别)上的融合来进行故障诊断。为进行故障诊断，所需要的主要参数通过多传感器从试验台架上监测获得，经过D/A及A/D转换变换为数字信号输入到计算机中进行系统的监测及诊断。在特征级上采用3个结构相同的并行BP(back propagation)神经网络。故障诊断模块工作时，将监测数据库的下位机采集的数据取出并进行预处理，作为神经网络的输入量，神经网络的输出量代表故障诊断的结果。
所述基于数据融合模式识别的嵌入式故障智能诊断方法，其特征在于，所述嵌入式故障智能诊断是采用高速的DSP微处理器，借助其高速数据处理的多级缓冲和流水线机制，组成一种分布式监测处理系统，结合基于数据融合模式识别的传感器群信息，借助多神经网络局部诊断及决策级融合模式识别故障智能诊断机制实现故障决策融合方法，步骤如下：
1)数据采集并存入数据库；
2)从数据库读取特征数据；
3)判断特征提取是否完成，如果未完成，则返回步骤2；如果完成，则执行步骤4；
4)将读取的特征数据送入神经网络，进行多神经网络进行训练、推理、故障定位；
5)读取读取训练好的网络连接权值，进行计算网络输出；
6)对任意两个神经网络输出进行融合计算；
7)将融合结果与第3个网络进行融合；
8)对步骤7融合诊断结果进行判断，是否继续诊断，如果是，则返回步骤1，重复步骤1～7，否则结束。
所述多神经网络局部诊断采用最基本的三层BP算法，决策级将BP网络的局部诊断结果进行融合。
所述基于数据融合即上、下位机两级微机结构。其中，下位机是数据采集模块负责完成数据采集、信号处理的任务，包括采集传感器的输出信号和传感器数据的预处理；而上位机为嵌入式中心处理单元，实现数据存储、图形显示及数据远程传输的功能。另外，采用先进的嵌入式系统结构，实现数据存储、图形显示及数据远程传输的功能，完成故障诊断任务
本发明提出的基于数据融合模式识别嵌入式故障智能诊断技术具有很好的扩展性，非常适合大规模分布式系统，及监测关键设备众多的列车安全应用中，进行实时了解和掌握各设备运行过程中的状态，对各方面的信息综合分析和处理，克服目前故障诊断过程中存在的片面性和不确定性，从而建立故障诊断的基于数据融合模式识别的传感器群信息融合模型，并实现故障决策融合方法，保证得到更全面、更准确的故障诊断信息，早期发现故障，查明原因，提高设备工作的安全性和可靠性，改善设备运行状况，最大限度地提高设备的使用效率，保证列车关键装备工作的安全性和可靠性，最大限度地提高运营效率和安全保障。
附图说明
图1是本发明的硬件结构图；
图2是本发明的软件结构图；
图3是本发明软件程序流程图；
图4是故障诊断模块基于数据融合方法的诊断系统结构图；
图5是诊断程序流程图。
具体实施方式
基于数据融合模式识别轨道交通列车嵌入式故障智能诊断装置包括硬件和软件，硬件和软件均采用功能模块化设计，硬件结构如图1所示，包括数据采集模块和嵌入式模块。由信号采集单元和中心处理单元组成，其中信号采集单元包括传感器、信号调理、AD转换、DSP(或MCU)、数字量输入模块、FLASH存贮器和CAN总线接口。信号采集单元直接安装固定在列车关键设备各主要部位上，完成传感器的故障诊断、标定和校准，列车设备工作状态参数采集、信号的特征提取和CAN总线通讯。中心处理单元采用PC104总线的嵌入式PC，PC104是一种专门为嵌入式控制而定义的工业控制总线，实质上是一种紧凑型的IEEE-P996标准，其信号定义和PC/AT基本一致，但电气和机械规范却完全不同，是一种优化的、小型、堆栈式结构的嵌入式系统，有极好的抗振性。PC104嵌入式计算机模块系列是一整套低成本、高可靠性、能迅速配置成产品的结构化模块。满足了系统抗振性和可靠性的要求。中心处理单元位于设备的监测中心，主要完成采集信号的处理、工作状态的判断与报警，以及故障诊断等工作。
故障诊断装置采用高速的DSP微处理器，借助其高速数据处理的多级缓冲和流水线机制，组成一种分布式监测处理系统，即上、下位机两级微机结构。其中，数据采集模块负责完成数据采集、信号处理的任务，包括采集传感器的输出信号和传感器数据的预处理；而嵌入式模块实现数据存储、图形显示及数据远程传输的功能。另外，采用先进的嵌入式系统结构，实现数据存储、图形显示及数据远程传输的功能，完成故障诊断任务。采用这种嵌入式故障智能诊断技术，可以满足系统的速度、体积、功耗等要求，从而提高设备工作的安全性和可靠性，最大限度地提高设备的使用效率。
图2是发明的软件结构，软件系统主要包括监测数据库、监测报警模块、故障诊断模块、CAN通讯模块及网络通讯模块组成。
图3是软件模块程序流程图。软件模块程序流程是首先进行CAN，网络初始化，对读取数据预处理、调入网络知识库推理，可定位故障？如果故障可定位则显示结果，否则启用远程诊断？是则进行远程诊断，不是，则按概率列出故障原因，并显示结果进行故障参数存储。对诊断故障参数进行监测报警，监测报警模块根据当前的传感器信号，采用单参数阈值报警和多参数综合分析报警两种方式进行当前系统状态的预报。单参数报警是将单个工况参数的监测数据与其设定的正常工况阈值进行比较，根据差别程度的不同进行分级报警；多参数报警首先将几个关键工况参数的监测值进行归一化，然后进行综合的故障诊断，给出系统级的状态指示。监测报警模块根据具体工况恶劣程度的不同将报警分为3级。1级报警：只是提醒注意，在这种情况下设备还能工作一段时间；2级报警：要求密切注视故障的发展，但不需立即处理；3级报警：对这级报警，应立即进行应急处理。
故障诊断模块，设备结构的复杂性使得其故障具有多层次性、模糊和不确定性等特点，而且本系统要求实现在线诊断，因此故障诊断模块采用了神经网络诊断模型。故障诊断模块工作时，将监测数据库的下位机采集的数据取出并进行预处理，作为神经网络的输入量，神经网络的输出量代表故障诊断的结果。首先对神经网络进行训练学习，即将特定故障对应的状态参数作为样本，建立较全的样本库，然后用所有的样本对神经网络进行训练，这样就可以将样本库的知识以网络的形式存储在神经网络的连接权中，最后，通过神经网络输入量的计算就可以完成故障诊断。故障诊断中神经网络所采用的模型大多为BP模型，这主要是由于对BP模型的研究比较成熟，使用比较可靠。
图4是故障诊断模块基于数据融合方法的诊断系统。该系统包括三大模块：数据级融合模块、特征级并行多神经网络局部诊断模块及决策级融合诊断模块；数据级融合模块主要进行多传感器数据采集及特征提取。为进行故障诊断，所需要的主要参数通过多传感器从试验台架上监测获得，经过D/A及A/D转换变换为数字信号输入到计算机中进行系统的监测及诊断。在特征级上采用3个结构相同的并行BP(back propagation)神经网络。BP神经网络是目前较成熟的神经网络，本发明采用最基本的三层BP算法；决策级将BP网络的局部诊断结果进行融合，得到最终的诊断结果。诊断程序流程如图5所示。步骤如下：
1)数据采集并存入数据库；
2)从数据库读取特征数据；
3)判断特征提取是否完成，如果未完成，则返回步骤2；如果完成，则执行步骤4；
4)将读取的特征数据送入神经网络，进行多神经网络进行训练、推理、故障定位；
5)读取读取训练好的网络连接权值，进行计算网络输出；
6)对任意两个神经网络输出进行融合计算；
7)将融合结果与第3个网络进行融合；
8)对步骤7融合诊断结果进行判断，是否继续诊断，如果是，则返回步骤1，重复步骤1～7，否则结束。
Claims (9)
1.一种基于数据融合模式识别的嵌入式故障智能诊断装置，其特征在于，
所述基于数据融合模式识别的嵌入式故障智能诊断装置包括硬件结构和软件结构组成；
所述硬件结构包括数据采集模块和嵌入式模块，数据采集模块负责完成数据采集、信号处理的任务，信号采集单元(1)至信号采集单元(n)分别通过CAN总线接口和中心处理单元PC104连接，信号采集单元直接安装固定在列车关键设备的主要部位上，完成传感器的故障诊断、标定和校准，列车设备工作状态参数采集、信号的特征提取和CAN总线通讯；中心处理单元是采用PC104总线的嵌入式PC，中心处理单元位于设备的监测中心，分别和液晶显示、键盘及存贮设备、CAN接口、适配卡连接，画通过网络与远程服务器通讯，主要完成采集信号的处理、工作状态的判断与报警，以及故障诊断工作；
所述软件结构采用模块化设计，具有据预处理、历史数据网络训练，网络知识库进行网络推理，故障解释功能，主要包括监测数据库、监测报警模块、故障诊断模块、CAN通讯模块及网络通讯模块通过数据库管理模块与故障诊断模块通讯。
2.根据权利要求1所述基于数据融合模式识别的嵌入式故障智能诊断装置，其特征在于，所述PC104是一种专门为嵌入式控制而定义的工业控制总线，实质上是一种紧凑型的IEEE-P996标准，其信号定义和PC/AT基本一致，但电气和机械规范却完全不同，是一种优化的、小型、堆栈式结构的嵌入式系统，有极好的抗振性；PC104嵌入式计算机模块系列是一整套低成本、高可靠性、能迅速配置成产品的结构化模块，满足了系统抗振性和可靠性的要求。
3.根据权利要求1所述基于数据融合模式识别的嵌入式故障智能诊断装置，其特征在于，所述信号采集单元包括传感器、信号调理、AD转换、DSP(或MCU)、数字量输入模块、FLASH存贮器。
4.根据权利要求1所述基于数据融合模式识别的嵌入式故障智能诊断装置，其特征在于，所述监测报警模块根据具体工作状态恶劣程度的不同将报警分为3级；1级报警：只是提醒注意，在这种情况下设备还能工作一段时间；2级报警：要求密切注视故障的发展，但不需立即处理；3级报警：对这级报警，应立即进行应急处理。
5.根据权利要求1所述基于数据融合模式识别的嵌入式故障智能诊断装置，其特征在于，所述网络推理，故障解释是靠神经网络诊断模块实现，该模块包括三大模块：数据级融合模块、特征级并行多神经网络局部诊断模块及决策级融合诊断模块，是基于数据融合模式识别故障智能诊断机制，利用数据在不同层次(或级别)上的融合来进行故障诊断；为进行故障诊断，所需要的主要参数通过多传感器从试验台架上监测获得，经过D/A及A/D转换变换为数字信号输入到计算机中进行系统的监测及诊断，在特征级上采用3个结构相同的并行BP(backpropagation)神经网络，故障诊断模块工作时，将监测数据库的下位机采集的数据取出并进行预处理，作为神经网络的输入量，神经网络的输出量代表故障诊断的结果。
6.根据权利要求1所述基于数据融合模式识别的嵌入式故障智能诊断装置，其特征在于，所述神经网络诊断模块还包括一种基于模糊神经网络的故障诊断专家系统(FNN-FD-ES)，充分利用专家系统(ES)和模糊神经网络(FNN)的特点，由ES负责符号处理；FNN负责数值计算，完成知识获取、推理工作。
7.一种基于数据融合模式识别的嵌入式故障智能诊断方法，其特征在于，所述嵌入式故障智能诊断是采用高速的DSP微处理器，借助其高速数据处理的多级缓冲和流水线机制，组成一种分布式监测处理系统，结合基于数据融合模式识别的传感器群信息，借助多神经网络局部诊断及决策级融合模式识别故障智能诊断机制实现故障决策融合方法，步骤如下：
1)数据采集并存入数据库；
2)从数据库读取特征数据；
3)判断特征提取是否完成，如果未完成，则返回步骤2；如果完成，则执行步骤4；
4)将读取的特征数据送入神经网络，进行多神经网络进行训练、推理、故障定位；
5)读取读取训练好的网络连接权值，进行计算网络输出；
6)对任意两个神经网络输出进行融合计算；
7)将融合结果与第3个网络进行融合；
8)对步骤7融合诊断结果进行判断，是否继续诊断，如果是，则返回步骤1，重复步骤1～7，否则结束。
8.根据权利要求7所述基于数据融合模式识别的嵌入式故障智能诊断方法，其特征在于，所述多神经网络局部诊断采用最基本的三层BP算法，决策级将BP网络的局部诊断结果进行融合。
9.根据权利要求7所述基于数据融合模式识别的嵌入式故障智能诊断装置，其特征在于，所述基于数据融合即上、下位机两级微机结构，其中，下位机是数据采集模块负责完成数据采集、信号处理的任务，包括采集传感器的输出信号和传感器数据的预处理；而上位机为嵌入式中心处理单元，实现数据存储、图形显示及数据远程传输的功能；另外，采用先进的嵌入式系统结构，实现数据存储、图形显示及数据远程传输的功能，完成故障诊断任务。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CNB2007101208295A CN100538761C (zh) | 2007-08-27 | 2007-08-27 | 基于数据融合模式识别的嵌入式故障智能诊断装置及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CNB2007101208295A CN100538761C (zh) | 2007-08-27 | 2007-08-27 | 基于数据融合模式识别的嵌入式故障智能诊断装置及方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN101110155A true CN101110155A (zh) | 2008-01-23 |
| CN100538761C CN100538761C (zh) | 2009-09-09 |
Family
ID=39042215
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CNB2007101208295A Active CN100538761C (zh) | 2007-08-27 | 2007-08-27 | 基于数据融合模式识别的嵌入式故障智能诊断装置及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN100538761C (zh) |
Cited By (38)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101819411A (zh) * | 2010-03-17 | 2010-09-01 | 燕山大学 | 一种基于gpu的改进加权关联规则的设备故障预警与诊断方法 |
| CN101222400B (zh) * | 2008-02-01 | 2010-09-08 | 北京交通大学 | 道路交通信息采集传感器网络节点装置及其数据传输方法 |
| CN101483011B (zh) * | 2009-02-11 | 2010-11-10 | 北京交通大学 | 一种获取城市道路交通状态的传感器网络 |
| CN101477473B (zh) * | 2009-01-22 | 2011-01-19 | 浙江大学 | 硬件支持的数据库指令解释执行方法 |
| CN102063109A (zh) * | 2010-11-29 | 2011-05-18 | 株洲南车时代电气股份有限公司 | 一种基于神经网络的地铁列车故障诊断装置及其方法 |
| CN101520662B (zh) * | 2009-02-18 | 2011-08-31 | 嘉兴学院 | 流程工业分布式设备故障诊断系统 |
| CN102332222A (zh) * | 2011-08-05 | 2012-01-25 | 天津市优耐特汽车电控技术服务有限公司 | 汽车教学信号采集服务的方法和装置 |
| CN102514598A (zh) * | 2011-12-20 | 2012-06-27 | 北京交通大学 | 高铁信号系统级“故障-安全”方法 |
| CN102707713A (zh) * | 2012-06-15 | 2012-10-03 | 长春工业大学 | 汽车安全气囊装配工序的故障诊断系统及其诊断方法 |
| CN102785681A (zh) * | 2012-07-30 | 2012-11-21 | 北京锦鸿希电信息技术股份有限公司 | 列车在途安全状态监测方法、设备和系统 |
| CN102801775A (zh) * | 2012-04-17 | 2012-11-28 | 杭州群核信息技术有限公司 | 一种实时处理远程监控信息的云计算平台 |
| CN103196682A (zh) * | 2013-03-21 | 2013-07-10 | 北京交通大学 | 基于d-s证据理论的信息融合的列车悬挂系统故障分离方法 |
| CN103336198A (zh) * | 2013-06-21 | 2013-10-02 | 中国人民解放军国防科学技术大学 | 一种电气系统故障诊断装置 |
| CN103472814A (zh) * | 2012-06-05 | 2013-12-25 | 通用汽车环球科技运作有限责任公司 | 用于监测车辆故障的方法和系统 |
| CN103885406A (zh) * | 2014-03-11 | 2014-06-25 | 南京邮电大学 | 基于多数据融合的工业制气设备故障智能诊断和监控系统 |
| CN105530124A (zh) * | 2015-12-09 | 2016-04-27 | 中国航空工业集团公司西安航空计算技术研究所 | 一种afdx端系统故障快速定位方法 |
| CN105974904A (zh) * | 2016-04-27 | 2016-09-28 | 中铁第四勘察设计院集团有限公司 | 地铁车辆安全防护系统及其方法 |
| CN106094793A (zh) * | 2016-06-23 | 2016-11-09 | 南京中车浦镇城轨车辆有限责任公司 | 一种轨道车辆电气数据采集诊断系统 |
| CN107332708A (zh) * | 2017-07-28 | 2017-11-07 | 上海德衡数据科技有限公司 | 一种基于多核处理器的运维多模态决策感知系统 |
| CN107480095A (zh) * | 2017-07-28 | 2017-12-15 | 上海德衡数据科技有限公司 | 一种基于多核异构处理器的运维多模态决策系统接口 |
| CN107505892A (zh) * | 2017-09-22 | 2017-12-22 | 深圳安腾创新科技有限公司 | 一种微型数据中心制冷设备智能监测的方法和系统 |
| CN107682454A (zh) * | 2017-11-03 | 2018-02-09 | 北京建筑大学 | 一种基于远程支持的应急处置装置 |
| CN107909159A (zh) * | 2017-11-03 | 2018-04-13 | 北京建筑大学 | 一种城轨列车应急处置方法 |
| CN108932581A (zh) * | 2018-06-06 | 2018-12-04 | 深圳大学 | 多物理域信息融合的自主感知方法及系统 |
| CN109334467A (zh) * | 2018-11-08 | 2019-02-15 | 湖南根轨迹智能科技有限公司 | 基于dsp的磁悬浮列车悬浮控制系统及其控制方法 |
| DE102018201710A1 (de) | 2018-02-05 | 2019-08-08 | Robert Bosch Gmbh | Verfahren und Vorrichtung zum Überprüfen einer Funktion eines neuronalen Netzes |
| CN110709789A (zh) * | 2017-04-10 | 2020-01-17 | Abb瑞士股份有限公司 | 用于监测可再生发电装置或微电网内的子系统的状况的方法和设备 |
| CN110800273A (zh) * | 2017-04-24 | 2020-02-14 | 卡内基梅隆大学 | 虚拟传感器系统 |
| CN110794799A (zh) * | 2019-11-28 | 2020-02-14 | 桂林电子科技大学 | 应用于工业生产的具有故障诊断功能的大数据系统 |
| CN110988617A (zh) * | 2019-11-18 | 2020-04-10 | 国网河北省电力有限公司电力科学研究院 | 一种电力变压器放电故障诊断方法及装置 |
| CN111095149A (zh) * | 2017-09-28 | 2020-05-01 | 英特尔公司 | 具有自修复能力的自主驾驶车辆的多模态感测 |
| CN111199257A (zh) * | 2020-01-10 | 2020-05-26 | 中国铁道科学研究院集团有限公司电子计算技术研究所 | 高铁行车设备故障诊断方法及装置 |
| CN111522329A (zh) * | 2020-05-08 | 2020-08-11 | 扬州工业职业技术学院 | 一种工业机器人故障诊断方法 |
| CN111542791A (zh) * | 2018-01-29 | 2020-08-14 | 云泰株式会社 | 使用设施诊断系统的设施诊断方法 |
| CN111775978A (zh) * | 2020-06-25 | 2020-10-16 | 中车永济电机有限公司 | 机车牵引控制单元的安全架构 |
| CN112224241A (zh) * | 2020-11-18 | 2021-01-15 | 中国铁道科学研究院集团有限公司 | 一种速度采集系统、故障报警方法及装置 |
| CN113536658A (zh) * | 2021-05-21 | 2021-10-22 | 西北工业大学 | 基于stm32嵌入式处理器的机电设备轻量化故障诊断方法 |
| CN115063048A (zh) * | 2022-08-16 | 2022-09-16 | 天津津轨汇海科技发展有限公司 | 一种轨道交通供电运维用智能管理系统 |
-
2007
- 2007-08-27 CN CNB2007101208295A patent/CN100538761C/zh active Active
Cited By (50)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101222400B (zh) * | 2008-02-01 | 2010-09-08 | 北京交通大学 | 道路交通信息采集传感器网络节点装置及其数据传输方法 |
| CN101477473B (zh) * | 2009-01-22 | 2011-01-19 | 浙江大学 | 硬件支持的数据库指令解释执行方法 |
| CN101483011B (zh) * | 2009-02-11 | 2010-11-10 | 北京交通大学 | 一种获取城市道路交通状态的传感器网络 |
| CN101520662B (zh) * | 2009-02-18 | 2011-08-31 | 嘉兴学院 | 流程工业分布式设备故障诊断系统 |
| CN101819411B (zh) * | 2010-03-17 | 2011-06-15 | 燕山大学 | 一种基于gpu的改进加权关联规则的设备故障预警与诊断方法 |
| CN101819411A (zh) * | 2010-03-17 | 2010-09-01 | 燕山大学 | 一种基于gpu的改进加权关联规则的设备故障预警与诊断方法 |
| CN102063109B (zh) * | 2010-11-29 | 2012-09-05 | 株洲南车时代电气股份有限公司 | 一种基于神经网络的地铁列车故障诊断装置及其方法 |
| CN102063109A (zh) * | 2010-11-29 | 2011-05-18 | 株洲南车时代电气股份有限公司 | 一种基于神经网络的地铁列车故障诊断装置及其方法 |
| CN102332222A (zh) * | 2011-08-05 | 2012-01-25 | 天津市优耐特汽车电控技术服务有限公司 | 汽车教学信号采集服务的方法和装置 |
| CN102514598B (zh) * | 2011-12-20 | 2015-03-11 | 北京交通大学 | 高铁信号系统级“故障-安全”方法 |
| CN102514598A (zh) * | 2011-12-20 | 2012-06-27 | 北京交通大学 | 高铁信号系统级“故障-安全”方法 |
| CN102801775A (zh) * | 2012-04-17 | 2012-11-28 | 杭州群核信息技术有限公司 | 一种实时处理远程监控信息的云计算平台 |
| CN103472814A (zh) * | 2012-06-05 | 2013-12-25 | 通用汽车环球科技运作有限责任公司 | 用于监测车辆故障的方法和系统 |
| CN102707713A (zh) * | 2012-06-15 | 2012-10-03 | 长春工业大学 | 汽车安全气囊装配工序的故障诊断系统及其诊断方法 |
| CN102707713B (zh) * | 2012-06-15 | 2014-04-16 | 长春工业大学 | 汽车安全气囊装配工序的故障诊断系统及其诊断方法 |
| CN102785681A (zh) * | 2012-07-30 | 2012-11-21 | 北京锦鸿希电信息技术股份有限公司 | 列车在途安全状态监测方法、设备和系统 |
| CN102785681B (zh) * | 2012-07-30 | 2016-07-06 | 北京锦鸿希电信息技术股份有限公司 | 列车在途安全状态监测方法、设备和系统 |
| CN103196682A (zh) * | 2013-03-21 | 2013-07-10 | 北京交通大学 | 基于d-s证据理论的信息融合的列车悬挂系统故障分离方法 |
| CN103196682B (zh) * | 2013-03-21 | 2015-11-18 | 北京交通大学 | 基于d-s证据理论的信息融合的列车悬挂系统故障分离方法 |
| CN103336198B (zh) * | 2013-06-21 | 2015-06-17 | 中国人民解放军国防科学技术大学 | 一种电气系统故障诊断装置 |
| CN103336198A (zh) * | 2013-06-21 | 2013-10-02 | 中国人民解放军国防科学技术大学 | 一种电气系统故障诊断装置 |
| CN103885406A (zh) * | 2014-03-11 | 2014-06-25 | 南京邮电大学 | 基于多数据融合的工业制气设备故障智能诊断和监控系统 |
| CN105530124A (zh) * | 2015-12-09 | 2016-04-27 | 中国航空工业集团公司西安航空计算技术研究所 | 一种afdx端系统故障快速定位方法 |
| CN105974904A (zh) * | 2016-04-27 | 2016-09-28 | 中铁第四勘察设计院集团有限公司 | 地铁车辆安全防护系统及其方法 |
| CN106094793A (zh) * | 2016-06-23 | 2016-11-09 | 南京中车浦镇城轨车辆有限责任公司 | 一种轨道车辆电气数据采集诊断系统 |
| CN110709789A (zh) * | 2017-04-10 | 2020-01-17 | Abb瑞士股份有限公司 | 用于监测可再生发电装置或微电网内的子系统的状况的方法和设备 |
| US11604461B2 (en) | 2017-04-10 | 2023-03-14 | Hitachi Energy Switzerland Ag | Method and apparatus for monitoring the condition of subsystems within a renewable generation plant or microgrid |
| CN110709789B (zh) * | 2017-04-10 | 2024-05-31 | Abb瑞士股份有限公司 | 用于监测可再生发电装置或微电网内的子系统的状况的方法和设备 |
| CN110800273B (zh) * | 2017-04-24 | 2024-02-13 | 卡内基梅隆大学 | 虚拟传感器系统 |
| CN110800273A (zh) * | 2017-04-24 | 2020-02-14 | 卡内基梅隆大学 | 虚拟传感器系统 |
| CN107332708A (zh) * | 2017-07-28 | 2017-11-07 | 上海德衡数据科技有限公司 | 一种基于多核处理器的运维多模态决策感知系统 |
| CN107480095A (zh) * | 2017-07-28 | 2017-12-15 | 上海德衡数据科技有限公司 | 一种基于多核异构处理器的运维多模态决策系统接口 |
| CN107505892A (zh) * | 2017-09-22 | 2017-12-22 | 深圳安腾创新科技有限公司 | 一种微型数据中心制冷设备智能监测的方法和系统 |
| CN111095149A (zh) * | 2017-09-28 | 2020-05-01 | 英特尔公司 | 具有自修复能力的自主驾驶车辆的多模态感测 |
| CN107909159A (zh) * | 2017-11-03 | 2018-04-13 | 北京建筑大学 | 一种城轨列车应急处置方法 |
| CN107682454A (zh) * | 2017-11-03 | 2018-02-09 | 北京建筑大学 | 一种基于远程支持的应急处置装置 |
| CN111542791A (zh) * | 2018-01-29 | 2020-08-14 | 云泰株式会社 | 使用设施诊断系统的设施诊断方法 |
| DE102018201710A1 (de) | 2018-02-05 | 2019-08-08 | Robert Bosch Gmbh | Verfahren und Vorrichtung zum Überprüfen einer Funktion eines neuronalen Netzes |
| CN108932581A (zh) * | 2018-06-06 | 2018-12-04 | 深圳大学 | 多物理域信息融合的自主感知方法及系统 |
| CN109334467A (zh) * | 2018-11-08 | 2019-02-15 | 湖南根轨迹智能科技有限公司 | 基于dsp的磁悬浮列车悬浮控制系统及其控制方法 |
| CN110988617A (zh) * | 2019-11-18 | 2020-04-10 | 国网河北省电力有限公司电力科学研究院 | 一种电力变压器放电故障诊断方法及装置 |
| CN110794799A (zh) * | 2019-11-28 | 2020-02-14 | 桂林电子科技大学 | 应用于工业生产的具有故障诊断功能的大数据系统 |
| CN111199257A (zh) * | 2020-01-10 | 2020-05-26 | 中国铁道科学研究院集团有限公司电子计算技术研究所 | 高铁行车设备故障诊断方法及装置 |
| CN111522329A (zh) * | 2020-05-08 | 2020-08-11 | 扬州工业职业技术学院 | 一种工业机器人故障诊断方法 |
| CN111775978A (zh) * | 2020-06-25 | 2020-10-16 | 中车永济电机有限公司 | 机车牵引控制单元的安全架构 |
| CN111775978B (zh) * | 2020-06-25 | 2023-03-10 | 中车永济电机有限公司 | 机车牵引控制单元的安全架构 |
| CN112224241A (zh) * | 2020-11-18 | 2021-01-15 | 中国铁道科学研究院集团有限公司 | 一种速度采集系统、故障报警方法及装置 |
| CN112224241B (zh) * | 2020-11-18 | 2022-08-02 | 中国铁道科学研究院集团有限公司 | 一种速度采集系统、故障报警方法及装置 |
| CN113536658A (zh) * | 2021-05-21 | 2021-10-22 | 西北工业大学 | 基于stm32嵌入式处理器的机电设备轻量化故障诊断方法 |
| CN115063048A (zh) * | 2022-08-16 | 2022-09-16 | 天津津轨汇海科技发展有限公司 | 一种轨道交通供电运维用智能管理系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN100538761C (zh) | 2009-09-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN100538761C (zh) | 基于数据融合模式识别的嵌入式故障智能诊断装置及方法 | |
| Ata et al. | Modelling smart road traffic congestion control system using machine learning techniques | |
| CN103458236B (zh) | 危化品物流智能监控系统 | |
| CN104866982B (zh) | 一种互联网+危险废弃物管理的系统和方法 | |
| CN204515511U (zh) | 桥梁建养一体化监测系统 | |
| CN102622798B (zh) | 一种客流统计分析系统 | |
| CN102139700B (zh) | 一种轨道交通的车辆工况在线监测系统 | |
| CN111486893A (zh) | 一种桥梁结构健康监测与预警系统及预警方法 | |
| CN107600110A (zh) | 一种车载列车组故障预测与健康管理系统 | |
| CN113761728B (zh) | 基于车联网平台的机场电动特种车辆故障预警方法 | |
| CN105159283A (zh) | 城市轨道交通车辆远程故障分析与反馈系统 | |
| CN108398934A (zh) | 一种用于轨道交通的设备故障监控的系统 | |
| WO2022193713A1 (zh) | 配置式桥梁集群结构监测管理装置和方法 | |
| CN102180170A (zh) | 车辆数据采集存储分析显示装置 | |
| CN110057515A (zh) | 一种基于深度学习的桥梁缺陷检测系统和方法 | |
| CN101807314B (zh) | 嵌入式车辆工况混杂异构数据信息实时处理方法 | |
| CN100524367C (zh) | 基于波形识别的地铁机车牵引电路故障诊断系统 | |
| CN116506309B (zh) | 一种车载atp通信信号综合监测系统及方法 | |
| CN201717992U (zh) | 视频客流检测仪 | |
| CN111491029A (zh) | 一种废矿物油智慧管控系统 | |
| CN116022673A (zh) | 一种基于云边协同技术的塔式起重机辅助驾驶系统 | |
| KR102382215B1 (ko) | 사고음 딥러닝을 통한 음향기반 도로 사고 자동 검지 시스템 | |
| CN111275847B (zh) | 一种调表车检测方法和装置 | |
| CN104361467B (zh) | 一种基于重力感应和gps监控的餐厨垃圾督运系统及方法 | |
| CN115249387A (zh) | 一种轨道交通智慧监测及管理系统 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| C14 | Grant of patent or utility model | ||
| GR01 | Patent grant |