CN103901882B - 一种列车动力系统在线监控故障诊断的系统及其方法 - Google Patents
一种列车动力系统在线监控故障诊断的系统及其方法 Download PDFInfo
- Publication number
- CN103901882B CN103901882B CN201410150808.8A CN201410150808A CN103901882B CN 103901882 B CN103901882 B CN 103901882B CN 201410150808 A CN201410150808 A CN 201410150808A CN 103901882 B CN103901882 B CN 103901882B
- Authority
- CN
- China
- Prior art keywords
- signal
- fault
- wavelet
- current
- sensor
- 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.)
- Active
Links
Landscapes
- Train Traffic Observation, Control, And Security (AREA)
- Test And Diagnosis Of Digital Computers (AREA)
Abstract
本发明属于列车故障诊断领域,尤其是涉及一种列车动力系统在线监控故障诊断的系统及其方法。该系统主要包括:列车动力设备、信号检测单元、信号处理单元、故障诊断单元;通过传感器获得动力系统各设备相关的状态量,然后经过动力系统信号调理板对信号进行数字滤波、小波降噪,完成对噪声信号的消除,提取出有用的信号,然后采用小波算法完成小波能量谱的特征提取,把每个子系统的特征量输入相应的子网络进行故障诊断,然后将各子网络的诊断结果在中心节点进行融合,初步完成故障诊断,最后将各子网络的诊断结果进行模糊融合,完成对故障的最终定位与诊断,具有快速、高效、准确率高、可靠性高、网络自动化程度高的优点。
Description
技术领域
本发明属于列车故障诊断领域,尤其是涉及一种列车动力系统在线监控故障诊断的系统及其方法。
背景技术
随着城市轨道交通的快速发展,如何保证列车安全、稳定的运行已是一个重要的课题,而动力系统是列车的一个关键子系统,对列车动力系统各状态量的实时监测及对系统的故障诊断是保证列车可靠运行的关键。而传统的故障诊断方法大多是由人工诊断,费时、费力、准确度及可靠性都很低,从而影响系统的检修、调试及更换等,而且列车系统错综复杂,各子系统及设备之间都存在着干扰使得检测信号受噪声干扰而失真,不能真实体现出系统的状态,并且故障特征不能有效、准确的提取,因此导致传统的列车故障诊断系统的诊断准确率不是很高,而现有的车载故障诊断系统虽能实时的对列车状态进行监测,但是故障诊断的正确率也不高。
发明内容
本发明的目的在于,针对目前列车故障诊断准确率低和效率低的问题,提出一种用于列车动力系统在线监控故障诊断的系统及方法。
本发明提出一种列车动力系统在线监控故障诊断的系统,主要包括:列车动力设备、信号检测单元、信号处理单元、故障诊断单元;其中,列车动力设备包括:牵引电机、牵引变流器、制动电阻;信号检测单元包括:牵引变流器输入直流电流传感器、牵引电机输入交流电流传感器、制动电阻输入直流电流传感器、制动电阻温度传感器;信号处理单元为动力系统信号调理板;故障诊断单元为中心节点;
其中,牵引电机和牵引变流器相连,并且两者和牵引变流器输入直流电流 传感器及牵引电机输入交流电流传感器相连;制动电阻和牵引变流器相连,并且制动电阻和制动电阻输入直流电流传感器及制动电阻温度传感器相连;信号检测单元中的传感器和信号处理单元中的动力系统信号调理板相连,动力系统信号调理板通过接入节点背板和故障诊断单元中的中心节点相连。
所述系统的动力系统信号调理板包括控制核心、电源、传感器接口、直流A/D、交流A/D、测温模块、以太网、CAN、Modbus、看门狗、实时时钟、非易失性存储器、LED显示、外部板卡接口;
其中,传感器接口分别通过直流A/D、交流A/D、测温模块和控制核心并联,看门狗、实时时钟、非易失性存储器、LED显示分别和控制核心相连,外部板卡分别通过以太网、CAN、Modbus和控制核心并联;
其中,控制核心负责整个板卡工作的控制协调以及与接入节点背板的通信管理等工作;电源部分负责将外部输入的DC24V转换成DC+15V、DC-15V以及DC5V、DC3.3V和DC1.8V以供给板卡上的负载使用;传感器接口支持三路交流电流输入、两路直流电流输入以及一路温度传感器输入;外部板卡接口负责经由控制核心的SCI、eCAN、并口的控制,实现信号调理板与Modbus、CAN及以太网的硬件物理层及数据链路层接口;看门狗防扰单元负责监控控制核心软硬件的工作情况,当软件异常或硬件故障时,强行复位控制核心,使其工作过程导向可知的安全状况;实时时钟负责提供信号调理板上的时间信息;非易失性存储器中储存板卡工作的时间范围、工作状况、故障特征及其时间点基本的配置和特征信息。
所述系统通过传感器获得动力系统各设备相关的状态量,然后经过动力系统信号调理板对信号进行数字滤波、小波降噪,完成对噪声信号的消除,提取出有用的信号,然后采用小波算法完成小波能量谱的特征提取,把每个子系统的特征量输入相应的子网络进行故障诊断,然后将各子网络的诊断结果在中心节点进行融合,初步完成故障诊断,最后将各子网络的诊断结果进行模糊融合,完成对故障的最终定位与诊断。
所述系统的信号检测单元,只需要检测牵引变流器和电机的电压、电流、温度状态量,优化了传感器配置及故障特征量的维数。
所述系统的信号处理单元,完成了对检测信号的数字滤波及降噪,提高信号的鲁棒性和信噪比,实现了高可信复合滤波及故障特征的准确、有效提取功能。
所述系统的信号处理单元主要是通过信号调理板来完成的,其主要负责信号的鲁棒性调理和初步特征提取过程,以及故障初步特征和特征量检测数据的上传工作。
本发明提出一种列车动力系统在线监控故障诊断的方法,主要包括:
步骤1,首先是信号检测及预处理,将电压、电流及温度传感器获得的信号进行A/D采样,将模拟信号转化为数字信号,然后对信号进行数字滤波及小波降噪;
步骤2,对滤波后的信号进行小波分析,提取小波能量谱特征T=[E1',E2',E3',E4',E5',E6'],并对其归一化处理,得到神经网络的训练样本T=[E1'/E,E2'/E,E3'/E,E4'/E,E5'/E,E6'/E],其中E为信号的总能量,Ej为信号的每一频段的能量,E'各频段标幺化后的能量;
步骤3,将步骤2中提取的故障特征输入各子网络进行训练,获得最优的神经网络权值和阈值,使网络学习精度小于10e-5;
步骤4,将各子网络的诊断结果根据模糊理论进行融合,根据模糊融合规则其中m1,…mn分别表示n个信息的置信水平分配,m(A)表示融合后的置信水平函数。
所述步骤1的数字滤波算法包括:首先对信号进行限幅处理,滤除信号传输干扰产生的尖峰,然后采用平均值滤波,对多个信号求平均值,这样可以大大提高信号的鲁棒性,防止干扰产生错误的信息;最后对信号进行小波降噪。
所述步骤1的小波降噪主要分为三个步骤,首先是小波的分解,小波分解是不断对信号的低频部分进行分解,然后对小波分解得到的高频系数进行阈值量化处理,最后对信号进行小波重构,完成信号的小波降噪。
所述步骤3的神经网络分为3层,分别为输入层、隐含层、输出层,输入层输入信号的故障特征及故障征兆,隐含层完成对输入到输出的映射,采用一定的非线性函数进行加权与阈值处理,输出层输出故障诊断的结果。
所述步骤3的神经网络算法分为训练学习阶段和诊断测试阶段,首先要对其进行训练,以减小整个网络误差为目标不断的调整权值和阈值使其收敛并达到规定的误差,然后对其输入数据进行测试与诊断。
本发明的有益效果在于,针对目前列车动力系统故障诊断准确率低效率低的问题,通过采用现代传感器技术、数字滤波、小波降噪、小波能量谱特征提取、神经网络、模糊信息融合等技术手段,实现列车动力系统故障快速准确诊断,具有快速、高效、准确率高、可靠性高、网络自动化程度高的优点,具有重大技术、经济和社会意义。
附图说明
图1为列车动力系统在线监控故障诊断系统的组成结构示意图;
图2为本发明实施例提供的信号调理板硬件框图;
图3为列车动力系统在线监控故障诊断算法流程图;
图4为故障诊断系统子网络数据流图;
图5为本发明实施例提供的信号调理板软件流程图;
图6为本发明实施例中信号处理单元中的数字滤波及降噪算法;
图7为本发明中的小波分解流程图
图8为本发明中的三层神经网络故障诊断图
图9为本发明实施例提供的神经网络诊断算法学习训练流程图
具体实施方式
下面结合附图,对优选实施例作详细说明。
本发明提出一种列车动力系统在线监控故障诊断的系统,如图1所示,主要包括:列车动力设备、信号检测单元、信号处理单元、故障诊断单元。列车动力设备包括:牵引电机、牵引变流器、制动电阻。信号检测单元包括:牵引变流器输入直流电流传感器、牵引电机输入交流电流传感器、制动电阻输入直流电流传感器、制动电阻温度传感器。信号处理单元为动力系统信号调理板。故障诊断单元为中心节点。
其中,牵引电机和牵引变流器相连,并且两者和牵引变流器输入直流电流传感器及牵引电机输入交流电流传感器相连。制动电阻和牵引变流器相连,并且制动电阻和制动电阻输入直流电流传感器及制动电阻温度传感器相连。信号检测单元中的传感器和信号处理单元中的动力系统信号调理板相连,动力系统信号调理板通过接入节点背板和故障诊断单元中的中心节点相连。
其中,如图2所示,动力系统信号调理板包括控制核心(DSP、CPLD)、电源、传感器接口、直流A/D、交流A/D、测温模块、以太网、CAN、Modbus、看门狗、实时时钟、非易失性存储器、LED显示、外部板卡接口。
其中,传感器接口分别通过直流A/D、交流A/D、测温模块和控制核心并联,看门狗、实时时钟、非易失性存储器、LED显示分别和控制核心相连,外部板卡通过以太网、CAN、Modbus和控制核心相连。
其中,控制核心负责整个板卡工作的控制协调以及与接入节点背板的通信管理工作;电源部分负责将外部输入的DC24V转换成DC+15V、DC-15V以及DC5V、DC3.3V和DC1.8V以供给板卡上的负载使用;传感器接口支持三路交流电流输入、两路直流电流输入以及一路温度传感器输入;外部板卡接口负责经由控制核心的SCI、eCAN、并口的控制,实现信号调理板与Modbus、CAN及以太网的硬件物理层及数据链路层接口;看门狗防扰单元负责监控控制核心软硬件的工作情况,当软件异常或硬件故障时,强行复位控制核心,使其工作 过程导向可知的安全状况;实时时钟负责提供信号调理板上的时间信息;非易失性存储器中储存板卡工作的时间范围、工作状况、故障特征及其时间点基本的配置和特征信息。
系统通过各种交、直流电压电流及温度传感器获得动力系统各设备相关的状态量,然后经过信号调理板对信号进行数字滤波、小波降噪,完成对噪声信号的消除,提取出有用的信号,然后采用小波算法完成小波能量谱的特征提取,把每个子系统的特征量输入相应的子网络进行故障诊断,最后将各子网络的诊断结果在中心节点进行融合,初步完成故障诊断,最后将各子网络的诊断结果进行模糊融合,完成对故障的最终定位与诊断。
本发明提出一种列车动力系统在线监控故障诊断的方法,如图3所示,主要包括:
步骤1,首先是信号检测及预处理,将电压、电流及温度传感器获得的信号进行A/D采样,将模拟信号转化为数字信号,然后对信号进行数字滤波及小波降噪。
步骤2,对滤波后的信号进行小波分析,提取小波能量谱特征T=[E1',E2',E3',E4',E5',E6'],并对其归一化处理,得到神经网络的训练样本T=[E1'/E,E2'/E,E3'/E,E4'/E,E5'/E,E6'/E],其中E为信号的总能量,Ej为信号的每一频段的能量,E'各频段标幺化后的能量。
步骤3,将步骤2中提取的故障特征输入各子网络进行训练,获得最优的神经网络权值和阈值,使网络学习精度小于10e-5。
步骤4,将各子网络的诊断结果根据模糊理论进行融合,根据模糊融合规则其中m1,…mn分别表示n个信息的置信水平分配,m(A)表示融合后的置信水平函数,诊断出列车动力系统的故障,最后将故障诊断结果上传到终端显示界面。
如图4所示为故障诊断系统子网络数据流图,各个子网络获得的数据输入到牵引变流器、牵引电机、制动电阻三个处理模块,然后将处理好的数据汇聚到一起生成诊断结果,最后将诊断结果上传。
如图5所示为动力系统信号调理板软件流程图。程序执行顺序为:AD采集、鲁棒性滤波、特征提取及神经网络诊断、信息融合、判断是否发生故障(如果没有发生故障则数据上传,如果发生故障则进行特征提取并叠加时间信息、健康状况评估、然后数据上传。)需要指出的是,由于通讯并非是本板主流程中的任务,而是在中断服务程序中周期完成,因此并未表现在软件流程中。图中仅给出了各关键软件模块的工作时序和相互配合关系。
如上述步骤1中具体数字滤波算法如图6,首先对信号进行限幅处理,滤除信号传输干扰产生的尖峰,然后采用平均值滤波,对多个信号求平均值,这样可以大大提高信号的鲁棒性,防止干扰产生错误的信息;最后对信号进行小波降噪,如图7所示为本发明实例中小波分解图,小波降噪主要分为三个步骤,首先是小波的分解,小波分解是不断对信号的低频部分进行分解,然后对小波分解得到的高频系数进行阈值量化处理,最后对信号进行小波重构,完成信号的小波降噪。
如上述步骤3,本发明实施例提供的故障诊断神经网络结构图如图8,神经网络进行故障诊断是利用它的相似性、联想能力和通过学习不断调整权值来实现。该神经网络分为3层,分别为输入层、隐含层、输出层,输入层输入信号的故障特征及故障征兆,隐含层完成对输入到输出的映射,采用一定的非线性函数进行加权与阈值处理,输出层输出故障诊断的结果。
如图9所示为神经网络学习训练流程图,神经网络算法分为训练学习阶段和诊断测试阶段,首先要对其进行训练,以减小整个网络误差为目标不断的调整权值和阈值使其收敛并达到规定的误差,然后对其输入数据进行测试与诊断。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易 想到的变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应该以权利要求的保护范围为准。
Claims (10)
1.一种列车动力系统在线监控故障诊断的系统,其特征在于,系统主要包括:列车动力设备、信号检测单元、信号处理单元、故障诊断单元;其中,列车动力设备包括:牵引电机、牵引变流器、制动电阻;信号检测单元包括:牵引变流器输入直流电流传感器、牵引电机输入交流电流传感器、制动电阻输入直流电流传感器、制动电阻温度传感器;信号处理单元为动力系统信号调理板;故障诊断单元为中心节点;
其中,牵引电机和牵引变流器相连,并且两者和牵引变流器输入直流电流传感器及牵引电机输入交流电流传感器相连;制动电阻和牵引变流器相连,并且制动电阻和制动电阻输入直流电流传感器及制动电阻温度传感器相连;信号检测单元中的传感器和信号处理单元中的动力系统信号调理板相连,动力系统信号调理板通过接入节点背板和故障诊断单元中的中心节点相连;
所述系统的动力系统信号调理板包括控制核心、电源、传感器接口、直流A/D、交流A/D、测温模块、以太网、CAN、Modbus、看门狗、实时时钟、非易失性存储器、LED显示、外部板卡接口;
其中,传感器接口分别通过直流A/D、交流A/D、测温模块和控制核心并联,看门狗、实时时钟、非易失性存储器、LED显示分别和控制核心相连,外部板卡分别通过以太网、CAN、Modbus和控制核心并联;
其中,控制核心负责整个板卡工作的控制协调以及与接入节点背板的通信管理工作;电源部分负责将外部输入的DC24V转换成DC+15V、DC-15V以及DC5V、DC3.3V和DC1.8V以供给板卡上的负载使用;传感器接口支持三路交流电流输入、两路直流电流输入以及一路温度传感器输入;外部板卡接口负责经由控制核心的SCI、eCAN、并口的控制,实现信号调理板与Modbus、CAN及以太网的硬件物理层及数据链路层接口;看门狗防扰单元负责监控控制核心软硬件的工作情况,当软件异常或硬件故障时,强行复位控制核心,使其工作过程导向可知的安全状况;实时时钟负责提供信号调理板上的时间信息;非易失性存储器中储存板卡工作的时间范围、工作状况、故障特征及其时间点基本的配置和特征信息。
2.根据权利要求1所述的系统,其特征在于,所述系统通过传感器获得动力系统各设备相关的状态量,然后经过动力系统信号调理板对信号进行数字滤波、小波降噪,完成对噪声信号的消除,提取出有用的信号,然后采用小波算法完成小波能量谱的特征提取,把每个子系统的特征量输入相应的子网络进行故障诊断,然后将各子网络的诊断结果在中心节点进行融合,初步完成故障诊断,最后将各子网络的诊断结果进行模糊融合,完成对故障的最终定位与诊断。
3.根据权利要求1所述的系统,其特征在于,所述系统的信号检测单元,只需要检测牵引变流器和电机的电压、电流、温度状态量,优化了传感器配置及故障特征量的维数。
4.根据权利要求1所述的系统,其特征在于,所述系统的信号处理单元,完成了对检测信号的数字滤波及降噪,提高信号的鲁棒性和信噪比,实现了高可信复合滤波及故障特征的准确、有效提取功能。
5.根据权利要求1所述的系统,其特征在于,所述系统的信号处理单元主要是通过信号调理板来完成的,其主要负责信号的鲁棒性调理和初步特征提取过程,以及故障初步特征和特征量检测数据的上传工作。
6.一种列车动力系统在线监控故障诊断的方法,主要包括:
步骤1,首先是信号检测及预处理,将电压、电流及温度传感器获得的信号进行A/D采样,将模拟信号转化为数字信号,然后对信号进行数字滤波及小波降噪;
步骤2,对滤波后的信号进行小波分析,提取小波能量谱特征T=[E1',E2',E3',E4',E5',E6'],并对其归一化处理,得到神经网络的训练样本T=[E1'/E,E2'/E,E3'/E,E4'/E,E5'/E,E6'/E],其中E为信号的总能量,Ej为信号的每一频段的能量,E'各频段标幺化后的能量;
步骤3,将步骤2中提取的故障特征输入各子网络进行训练,获得最优的神经网络权值和阈值,使网络学习精度小于10e-5;
步骤4,将多个子网络的诊断结果进行模糊融合,根据模糊融合规则其中m1,…mn分别表示n个信息的置信水平分配,m(A)表示融合后的置信水平函数,诊断出列车动力系统的故障,最后将故障诊断结果上传到终端显示界面。
7.根据权利要求6所述的方法,其特征在于,所述步骤1的数字滤波算法包括:首先对信号进行限幅处理,滤除信号传输干扰产生的尖峰,然后采用平均值滤波,对多个信号求平均值,这样可以大大提高信号的鲁棒性,防止干扰产生错误的信息;最后对信号进行小波降噪。
8.根据权利要求6所述的方法,其特征在于,所述步骤1的小波降噪主要分为三个步骤,首先是小波的分解,小波分解是不断对信号的低频部分进行分解,然后对小波分解得到的高频系数进行阈值量化处理,最后对信号进行小波重构,完成信号的小波降噪。
9.根据权利要求6所述的方法,其特征在于,所述步骤3的神经网络分为3层,分别为输入层、隐含层、输出层,输入层输入信号的故障特征及故障征兆,隐含层完成对输入到输出的映射,采用一定的非线性函数进行加权与阈值处理,输出层输出故障诊断的结果。
10.根据权利要求6所述的方法,其特征在于,所述步骤3的神经网络算法分为训练学习阶段和诊断测试阶段,首先要对其进行训练,以减小整个网络误差为目标不断的调整权值和阈值使其收敛并达到规定的误差,然后对其输入数据进行测试与诊断。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410150808.8A CN103901882B (zh) | 2014-04-15 | 2014-04-15 | 一种列车动力系统在线监控故障诊断的系统及其方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410150808.8A CN103901882B (zh) | 2014-04-15 | 2014-04-15 | 一种列车动力系统在线监控故障诊断的系统及其方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103901882A CN103901882A (zh) | 2014-07-02 |
CN103901882B true CN103901882B (zh) | 2016-08-17 |
Family
ID=50993270
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410150808.8A Active CN103901882B (zh) | 2014-04-15 | 2014-04-15 | 一种列车动力系统在线监控故障诊断的系统及其方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103901882B (zh) |
Families Citing this family (24)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105044497B (zh) * | 2015-06-30 | 2018-02-02 | 株洲南车时代电气股份有限公司 | 一种牵引变流器故障智能分析方法 |
CN106228176A (zh) * | 2016-06-29 | 2016-12-14 | 中国商用飞机有限责任公司北京民用飞机技术研究中心 | 一种基于工况数据检测设备状态的方法和系统 |
CN106515745B (zh) * | 2016-12-22 | 2019-03-29 | 南宁市研祥装备科技有限公司 | 一种自动驾驶列车和站台的控制系统 |
CN106970293A (zh) * | 2017-04-28 | 2017-07-21 | 北京交通大学长三角研究院 | 一种高压双向牵引供电装置功率器件断路故障诊断装置及其方法 |
CN109754110B (zh) * | 2017-11-03 | 2023-07-11 | 株洲中车时代电气股份有限公司 | 一种牵引变流器故障的预警方法及系统 |
CN109917200B (zh) * | 2017-12-12 | 2021-07-30 | 株洲中车时代电气股份有限公司 | 列车牵引变流器故障诊断方法、系统、设备及存储介质 |
CN108417019A (zh) * | 2018-02-23 | 2018-08-17 | 盐城师范学院 | 一种汽车碰撞分级无线自动报警系统及报警方法 |
CN108536123B (zh) * | 2018-03-26 | 2019-08-30 | 北京交通大学 | 基于长短时记忆神经网络的列控车载设备故障诊断方法 |
CN110803192A (zh) * | 2018-08-06 | 2020-02-18 | 中车永济电机有限公司 | 一种列车车载phm设备及高速轨道列车 |
CN110059775A (zh) * | 2019-05-22 | 2019-07-26 | 湃方科技(北京)有限责任公司 | 旋转型机械设备异常检测方法及装置 |
CN110425092B (zh) | 2019-07-30 | 2020-06-16 | 华北电力大学 | 一种基于能量频谱的风电并网系统振荡源定位系统及方法 |
CN110618313A (zh) * | 2019-09-09 | 2019-12-27 | 中车唐山机车车辆有限公司 | 一种列车动力系统在线能耗检测与预测装置及方法 |
CN113075469A (zh) * | 2020-01-06 | 2021-07-06 | 株洲中车时代电气股份有限公司 | 逆变过流故障诊断方法、装置及系统 |
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 |
CN111339882B (zh) * | 2020-02-19 | 2022-05-31 | 山东大学 | 基于实例分割的输电线路隐患检测方法 |
CN111400114A (zh) * | 2020-03-06 | 2020-07-10 | 湖南城市学院 | 基于深度递归网络大数据计算机系统故障检测方法及系统 |
CN112014678A (zh) * | 2020-10-20 | 2020-12-01 | 中南大学 | 一种三相电压逆变器在线故障诊断方法、装置及电子设备 |
CN112666923A (zh) * | 2020-12-18 | 2021-04-16 | 卡斯柯信号有限公司 | 一种轨道交通车载控制器故障诊断系统 |
CN112306045B (zh) * | 2020-12-28 | 2021-07-02 | 西门子交通技术(北京)有限公司 | 列车自动控制系统的模糊测试方法和设备 |
CN112721902B (zh) * | 2021-01-29 | 2022-05-06 | 株洲中车奇宏散热技术有限公司 | 一种机车制动电阻故障智能监控方法 |
CN113065387B (zh) * | 2021-02-03 | 2022-03-18 | 中国船级社 | 一种机泵系统的小波降噪方法及系统 |
CN113505900B (zh) * | 2021-07-11 | 2023-12-01 | 中国国家铁路集团有限公司 | 动车组辅助变流模块数字化维修平台及方法 |
CN115758258B (zh) * | 2022-11-22 | 2023-12-12 | 西南交通大学 | 一种基于振动信号和领域知识的牵引变压器故障诊断方法 |
CN116552742B (zh) * | 2023-05-10 | 2024-06-21 | 广东海洋大学 | 一种船舶动力系统的故障检测模拟系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2002352368A (ja) * | 2001-05-25 | 2002-12-06 | Toshiba Corp | 機器監視システム |
US7246039B2 (en) * | 2002-07-19 | 2007-07-17 | Selex Communications Limited | Fault diagnosis system |
CN101290518A (zh) * | 2007-04-19 | 2008-10-22 | 四平市宏宇科技有限责任公司 | 工程车辆网络化电子控制系统装置 |
CN102280852A (zh) * | 2011-08-08 | 2011-12-14 | 深圳市英威腾交通技术有限公司 | 一种电动列车主电路的制动电阻保护方法及设备 |
CN102681526A (zh) * | 2011-03-16 | 2012-09-19 | 北汽福田汽车股份有限公司 | Can总线系统及其故障诊断方法 |
-
2014
- 2014-04-15 CN CN201410150808.8A patent/CN103901882B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2002352368A (ja) * | 2001-05-25 | 2002-12-06 | Toshiba Corp | 機器監視システム |
US7246039B2 (en) * | 2002-07-19 | 2007-07-17 | Selex Communications Limited | Fault diagnosis system |
CN101290518A (zh) * | 2007-04-19 | 2008-10-22 | 四平市宏宇科技有限责任公司 | 工程车辆网络化电子控制系统装置 |
CN102681526A (zh) * | 2011-03-16 | 2012-09-19 | 北汽福田汽车股份有限公司 | Can总线系统及其故障诊断方法 |
CN102280852A (zh) * | 2011-08-08 | 2011-12-14 | 深圳市英威腾交通技术有限公司 | 一种电动列车主电路的制动电阻保护方法及设备 |
Non-Patent Citations (2)
Title |
---|
基于面向元件神经网络与模糊积分融合技术的电网故障智能诊断;郭创新 等;《电工技术学报》;20100930;第25卷(第9期);第184页第5段,附图1 * |
电力机车交流牵引电机故障诊断技术研究;黄亮;《中国优秀硕士学位论文全文数据库工程科技II辑》;20100315(第3期);正文第3页、36页、37页、62页,63页,附图1-1、5-1、7-1 * |
Also Published As
Publication number | Publication date |
---|---|
CN103901882A (zh) | 2014-07-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103901882B (zh) | 一种列车动力系统在线监控故障诊断的系统及其方法 | |
Liang et al. | Two-terminal fault location method of distribution network based on adaptive convolution neural network | |
CN105512474B (zh) | 一种变压器状态监测数据的异常检测方法 | |
CN103793853B (zh) | 基于双向贝叶斯网络的架空输电线路运行状态评估方法 | |
CN106777984B (zh) | 一种基于密度聚类算法实现光伏阵列工作状态分析与故障诊断的方法 | |
CN104503399B (zh) | 一种集团级风电机组状态监测及故障诊断平台 | |
CN103713237B (zh) | 一种电力系统输电线路短路故障诊断方法 | |
CN107576887B (zh) | 一种电能质量扰动源的定位系统的自动定位方法 | |
CN105429304B (zh) | 对电网的谐波源进行监测的方法 | |
CN108802525A (zh) | 基于小样本的设备故障智能预测方法 | |
CN111010083B (zh) | 一种光伏电站故障综合预警系统 | |
CN103064008B (zh) | 一种基于希尔伯特-黄变换的非线性模拟电路软故障诊断方法 | |
CN101907437A (zh) | 一种基于小波差分算法的电缆故障测距方法 | |
CN107886171B (zh) | 一种基于pmu数据的断路器状态在线诊断方法及系统 | |
CN107798395A (zh) | 一种电网事故信号自动诊断方法及系统 | |
CN104133143B (zh) | 一种基于Hadoop云计算平台的电网线路故障诊断系统及方法 | |
CN110163075A (zh) | 一种基于权值训练的多信息融合故障诊断方法 | |
CN104318485A (zh) | 一种基于神经网络和模糊逻辑的输电线路故障判别方法 | |
CN104076813A (zh) | 基于贝叶斯决策树的tcas系统故障综合诊断方法和系统 | |
CN112134871A (zh) | 一种能源互联网信息支撑网络的异常流量检测装置及方法 | |
CN105572492A (zh) | 一种城轨列车辅助逆变器故障诊断装置 | |
CN103646013B (zh) | 一种基于协方差矩阵范数逼近的多重故障重构方法 | |
CN102800030A (zh) | 地区电网继电保护设备综合可靠性互动迭代评估方法 | |
CN113376476A (zh) | 一种基于phm的中低压配电网运维系统及方法 | |
CN111551823A (zh) | 一种基于角度相似度的配电网故障选线方法及系统 |
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 |