CN106959681A - 一种基于fhn的城轨列车门故障诊断方法 - Google Patents

一种基于fhn的城轨列车门故障诊断方法 Download PDF

Info

Publication number
CN106959681A
CN106959681A CN201610038584.0A CN201610038584A CN106959681A CN 106959681 A CN106959681 A CN 106959681A CN 201610038584 A CN201610038584 A CN 201610038584A CN 106959681 A CN106959681 A CN 106959681A
Authority
CN
China
Prior art keywords
fhn
train door
rail train
municipal rail
failure
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
Application number
CN201610038584.0A
Other languages
English (en)
Other versions
CN106959681B (zh
Inventor
潘炼
王文利
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Wuhan University of Science and Engineering WUSE
Original Assignee
Wuhan University of Science and Engineering WUSE
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Wuhan University of Science and Engineering WUSE filed Critical Wuhan University of Science and Engineering WUSE
Priority to CN201610038584.0A priority Critical patent/CN106959681B/zh
Publication of CN106959681A publication Critical patent/CN106959681A/zh
Application granted granted Critical
Publication of CN106959681B publication Critical patent/CN106959681B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0243—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model
    • G05B23/0254—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model based on a quantitative model, e.g. mathematical relationships between inputs and outputs; functions: observer, Kalman filter, residual calculation, Neural Networks

Abstract

本发明涉及了一种基于FHN的城轨列车门故障诊断方法，该方法根据FHN模型，通过对列车门系统的H结点的变迁转移过程分析，利用FHN的产生式规则及FHN推理算法，能简单、快捷、准确的定位出故障位置及原因，并有效的避免了Petri网中组合爆炸的问题；由于FHN只有一种H结点，相较于Petri网，其诊断过程更简单，效率更高，在列车门系统的故障诊断中具有积极意义；同时还涉及到一种基于FHN的城轨列车门故障诊断系统，用以实现所提供的FHN故障诊断方法。

Description

一种基于FHN的城轨列车门故障诊断方法
技术领域
本发明涉及一种基于FHN的城轨列车门故障诊断方法，属于城轨列车门故障诊断技术领域。
背景技术
随着城市的经济不断发展，人口和汽车数量的不断增加，导致城市交通变得拥堵，再加上城市面积的不断扩张，导致原有的公共交通工具不能满足市民的出行需求。一种快捷、安全、舒适的城市轨道交通随之发展起来，地铁、轻轨等成为了大城市的重要交通工具。城轨交通发展速度很快，其在公共交通中的比重越来越大，城轨交通的安全性和可靠性就显得越来越重要。但市场调研显示，城市轨道交通的各类安全问题层出不穷，列车自身故障导致的安全问题也不少。
列车是城市轨道交通系统中关键的一环，其车门系统又占有相当重要的位置。许多安全事故往往是由于列车门的故障导致的。据国内外的数据统计，列车门系统的故障率在整个列车车辆故障中高达30％。可见，列车门的故障对整个轨道交通的安全运行构成了严重的威胁，最直接的表现就是威胁到乘客的人身安全。据车辆维修部门的统计，列车车门在查找故障所需时间和排除故障时间的比例大概是3∶2。迅速、准确的定位故障部位和诊断出故障原因，以最短的时间将故障排除，才能确保轨道交通的安全运营。因此，需要对列车车门系统故障诊断技术进行更深入的研究和理论创新。鉴于目前国内在城轨列车门故障诊断方法的欠缺，故本发明提出一种基于FHN的城轨列车门故障诊断方法，以便能更快速、简便的检测和诊断出车门系统故障，确保确保轨道交通能更安全的运营。FHN(Fuzzy HNetwork即模糊H网)是一种与模糊Petri网相似的信息处理网，是对离散系统的动态实时建模和快速分析具有很强的实用性的工具，其可应用于非线性系统的分析和诊断中。FHN只有一种结点，即H结点。相较于模糊Petri网，其具有模型更简单，建模更容易，推理表达能力更强等优点。
发明内容
FHN(模糊H网)适用于非线性系统的分析和诊断，能对离散动态系统实时建模和快速分析。通过图形建模结合模糊产生规则并对规则库状态变化进行分析和模糊推理，以便对城轨列车门故障进行快速准确诊断，故本发明提出一种基于FHN的城轨列车门故障诊断方法。
一种基于FHN的城轨列车门故障诊断方法，其故障诊断流程包括以下步骤：
(1)构建城轨列车门系统的FHN模型；
车门系统包括控制单元、机构装置和门扇三大部分。根据离散的列车车门系统的系统结构图和故障信息及各个位置发生故障的先验知识，确定FHN故障模型的顶事件(给出的故障事件)，推出导致事件的直接原因；再依次进行递推，最终找出导致故障的最终原因，从而建立起城轨列车门系统的FHN模型；
(2)根据FHN的城轨列车门系统模型及模糊H结点间的逻辑关系，即可以获得城轨列车门系统的FHN结点Pi的可达性结点集合RS(pi)、立即可达性结点集合IRS(pi)和相邻结点集合AP(pij)；
可达性结点集合RS(pi)是结点Pi经过一次或多次触发点火后能够达到的结点集合；立即可达性结点集合IRS(pi)是结点Pi经过一次触发点火后能够达到的结点集合；相邻结点集合AP(pij)是除了本结点Pi的且经过该结点的其他只经过一次触发点火后的结点集合；
(3)城轨列车门系统的故障诊断；
通过分析FHN结点Pi的可达性结点集合RS(pi)，立即可达性结点集合IRS(pi)和相邻结点集合AP(pij)，根据FHN产生式规则、FHN推理算法，并通过运算，得出故障产生原因和诊断结果。
模糊产生式规则是指根据城轨列车门系统的FHN所示的逻辑关系生成的规则，是用来描述事件之间的不确定性关系，一般形式为P1，…Pm-＞C1，…Cn(CF＝u)，其逻辑表达形式为If A and B，then C and D，常用模糊产生式规则如下：
1)If A and B，then C，CF＝u，点火条件为：min{A.k×u，B.k×u}≥C.τ，运算结果为：C.g＝min{A.k×u，B.k×u}，A.k＝0，B.k＝0，C.k＝C.k+C.g。
2)If A or B，then C，CF＝u，点火条件为：max{A.k×u，B.k×u}≥C.τ，运算结果为：C.g＝max{A.k×u，B.k×u}，A.k＝0，B.k＝0，C.k＝C.k+C.g。
3)If A，then B and C，CF＝u，点火条件为：A.k×u≥max{C.Bτ，C.Cτ}，运算结果为：P.g＝A.k×u，A.k＝0，B.k＝B.k+P.g，C.k＝C.k+P.g。
4)If A，then B or C，CF＝u，点火条件为：A.k×u≥min{C.Bτ，C.Cτ}，运算结果为：P.g＝A.k×u，A.k＝0，B.k＝B.k+P.g，C.k＝C.k+P.g。
其中，CF＝u是可信度，τ是点火阈值，A、B、C、D、P表示不同的结点，τ是点火阈值，A.k、B.k、C.k、D.k是结点A、B、C、D的初值矩阵，C.τ是C结点的点火阈值矩阵，P.g是结点P的标记转移函数矩阵，i、j、m、n是结点脚标，取值范围为大于0，小于等于总结点数，Pi、Pj、Pm表示第i个、第j个、第m个结点，Cn表示第n个结点。
根据每个车门由电子门控器(EDCU)控制，EDCU经由总线连到车辆控制单元。车辆控制单元通过通讯总线信号，EDCU驱动电机动作，带动丝杆螺母副传动机构，螺母副带动门扇运动，制动机构实现门扇运动速度调节，实现自动开关门的运行原理，现定义如下模糊产生式规则：
(1)If中间解锁装置故障(P1)动作，then解锁装置故障(P8)动作，u＝0.92；
(2)If EDCU内部模块故障(P2)动作，then解锁失效(P12)动作，u＝0.71；
(3)If电机组件故障(P3)动作，then电机无动作(P13)动作，u＝0.70；
(4)If门限位开关故障(P4)动作，then无开门信号(P9)动作，u＝0.89；
(5)If EDCU不能输出开门信号(P5)动作，then无开门信号(P9)动作，u＝0.90；
(6)If延时继电器故障(P6)动作，then车门保持电路失效(P11)动作，u＝0.85；
(7)If继电器故障(P7)动作，then车门保持电路失效(P11)动作，u＝0.83；
(8)If解锁装置故障(P8)动作，then解锁失效(P12)动作，u＝0.93；
(9)If无开门信号(P9)动作，then门控信号错误(P14)动作，u＝0.84；
(10)If列车接收非零速信号(P10)动作，then门控信号错误(P14)动作，u＝0.85；
(11)If车门保持电路失效(P11)动作，then门控信号错误(P14)动作，u＝0.84；
(12)If解锁失效(P12)动作，then车门打开故障(P15)动作，u＝0.77；
(13)If电机无动作(P13)动作，then车门打开故障(P15)动作，u＝0.81；
(14)If门控信号错误(P14)动作，then车门打开故障(P15)动作，u＝0.77。
然后根据FHN模型，利用FHN的产生式规则，逐步进行FHN的推理，得出最终诊断结果。
城轨列车门系统故障的FHN推理算法如下：
(1)系统初始化并给相应的结点赋值，根据专家经验和历史数据，假设模糊H结点的点火阈值τ(0≤τ≤1)；
(2)假设H结点P0发生故障，则判断其是否属于立即可达集合，属于的话，则记下故障路径Pi(该路径对应可信度最高的H结点)到P0，否则，找不到故障路径及原因；
(3)将Pi的可信度与结点所赋初值进行计算，算出转移函数值，当转移函数值大于点火阈值时，该结点则点火动作。则Pi的下一结点初值标识自动增加，Pi的初值标识则自动减少。Pi结点点火动作后，下一结点则重复(2)，此时(2)中的假设结点P0即为Pi的下一结点；
(4)如果(3)中算出的转移函数值小于点火阈值，说明Pi结点不能动作，则该路径上没有故障。则对次高可信度结点Pi进行(2)推理，如此重复，直到找出最终故障路径，并找出故障及原因。
本发明还提供了一种基于FHN的城轨列车门故障诊断系统，其特征在于包括：
AVR单片机，用于各器件间进行信息交换和统一协调处理彼此之间的相互关系，并进行城轨列车门故障诊断；
A/D转换器，用于将模拟量信号转化为数字量信号；
传感器，用于测量列车门元件故障信号，并转化为电信号；
时钟电路，用于给AVR单片机提供时钟信号；
EEPROM存储器，用于进行整个系统的数据存储和处理；
通信电路，用于与进行系统的通讯联系；
键盘，用于进行各种功能键和数字键的处理；
LED数码显示器，用于进行各种数字信号的显示；
系统通过传感器获取列车门元件故障信号，利用A/D转换器将模拟量信号转化为数字量信号送入AVR单片机进行FHN智能化故障处理，利用时钟电路产生AVR单片机所需要的时钟信号，通过通信电路，将AVR单片机与系统进行通讯联系，利用键盘进行故障诊断过程中各种数据的输入和处理，通过EEPROM存储器存储整个系统的各种数据，将AVR单片机处理的数据和结果送到LED数码显示器上进行显示。
本发明的有益效果为：本发明涉及了一种基于FHN的城轨列车门故障诊断方法，该方法根据FHN模型，通过对列车门系统的H结点的变迁转移过程分析，利用FHN的产生式规则及FHN推理算法，能简单、快捷、准确的定位出故障位置及原因，并有效的避免了Petri网中组合爆炸的问题。由于FHN只有一种H结点，相较于Petri网，其诊断过程更简单，效率更高，在列车门系统的故障诊断中具有积极意义。
通过结合以下附图，阅读本发明实施方式的详细描述后，本发明的其他特征、特点和优点将会变得更加清楚。
附图说明
图1为一种基于FHN的列车门故障诊断流程图；
图2为一种基于FHN的列车门故障模型示意图；
图3为一种基于FHN的城轨列车门故障诊断系统图，图1到图2中所示的城轨列车门故障诊断方法可在该系统中实现。
具体实施方式
下面将结合附图对本发明的具体实施方式进行详细说明：
图1为一种基于FHN的列车门故障诊断流程图，图2为一种基于FHN的列车门故障模型示意图。图3为一种基于FHN的城轨列车门故障诊断系统图。
如图1所示，一种基于FHN的城轨列车门故障诊断方法流程图，该故障诊方法包括以下步骤：
步骤101，系统开始；
步骤102，判断系统是否存在故障，如果无，继续查找，返回步骤101；如果有，进行步骤103；
步骤103，构建城轨列车门系统的FHN模型；
车门系统包括控制单元、机构装置和门扇三大部分。根据离散的列车车门系统的系统结构图和故障信息及各个位置发生故障的先验知识，确定FHN故障模型的顶事件(给出的故障事件)，推出导致事件的直接原因；再依次进行递推，最终找出导致故障的最终原因，从而建立起城轨列车门系统的FHN模型；
步骤104，根据FHN的城轨列车门系统模型及模糊H结点间的逻辑关系，即可以获得城轨列车门系统的FHN结点Pi的可达性结点集合RS(pi)、立即可达性结点集合IRS(pi)和相邻结点集合AP(pij)；
可达性结点集合RS(pi)是结点Pi经过一次或多次触发点火后能够达到的结点集合；立即可达性结点集合IRS(pi)是结点Pi经过一次触发点火后能够达到的结点集合；相邻结点集合是除了本结点Pi的且经过该结点的其他只经过一次触发点火后的结点集合；表1即是获得FHN结点Pi的可达性结点集合RS(pi)、立即可达性结点集合IRS(pi)和相邻结点集合AP(pij)；
表1 结点Pi的RS、IRS、AP
步骤105，定义模糊产生式规则；
模糊产生式规则是指根据城轨列车门系统的FHN所示的逻辑关系生成的规则，是用来描述事件之间的不确定性关系，一般形式为P1，…Pm-＞C1，…Cn(CF＝u)，其逻辑表达形式为If A and B，then C and D，常用模糊产生式规则如下：
1)If A and B，then C，CF＝u，点火条件为：min{A.k×u，B.k×u}≥C.τ，运算结果为：C.g＝min{A.k×u，B.k×u}，A.k＝0，B.k＝0，C.k＝C.k+C.g。
2)If A or B，then C，CF＝u，点火条件为：max{A.k×u，B.k×u}≥C.τ，运算结果为：C.g＝max{A.k×u，B.k×u}，A.k＝0，B.k＝0，C.k＝C.k+C.g。
3)If A，then B and C，CF＝u，点火条件为：A.k×u≥max{C.Bτ，C.Cτ}，运算结果为：P.g＝A.k×u，A.k＝0，B.k＝B.k+P.g，C.k＝C.k+P.g。
4)If A，then B or C，CF＝u，点火条件为：A.k×u≥min{C.Bτ，C.Cτ}，运算结果为：P.g＝A.k×u，A.k＝0，B.k＝B.k+P.g，C.k＝C.k+P.g。
其中，CF＝u是可信度，τ是点火阈值，A、B、C、D、P表示不同的结点，τ是点火阈值，A.k、B.k、C.k、D.k是结点A、B、C、D的初值矩阵，C.τ是C结点的点火阈值矩阵，P.g是结点P的标记转移函数矩阵，i、j、m、n是结点脚标，取值范围为大于0，小于等于总结点数，Pi、Pj、Pm表示第i个、第j个、第m个结点，Cn表示第n个结点。
根据每个车门由电子门控器(EDCU)控制，EDCU经由总线连到车辆控制单元。车辆控制单元通过通讯总线信号，EDCU驱动电机动作，带动丝杆螺母副传动机构，螺母副带动门扇运动，制动机构实现门扇运动速度调节，实现自动开关门的运行原理，现定义如下：
(1)If中间解锁装置故障(P1)动作，then解锁装置故障(P8)动作，u＝0.92；
(2)If EDCU内部模块故障(P2)动作，then解锁失效(P12)动作，u＝0.71；
(3)If电机组件故障(P3)动作，then电机无动作(P13)动作，u＝0.70；
(4)If门限位开关故障(P4)动作，then无开门信号(P9)动作，u＝0.89；
(5)If EDCU不能输出开门信号(P5)动作，then无开门信号(P9)动作，u＝0.90；
(6)If延时继电器故障(P6)动作，then车门保持电路失效(P11)动作，u＝0.85；
(7)If继电器故障(P7)动作，then车门保持电路失效(P11)动作，u＝0.83；
(8)If解锁装置故障(P8)动作，then解锁失效(P12)动作，u＝0.93；
(9)If无开门信号(P9)动作，then门控信号错误(P14)动作，u＝0.84；
(10)If列车接收非零速信号(P10)动作，then门控信号错误(P14)动作，u＝0.85；
(11)If车门保持电路失效(P11)动作，then门控信号错误(P14)动作，u＝0.84；
(12)If解锁失效(P12)动作，then车门打开故障(P15)动作，u＝0.77；
(13)If电机无动作(P13)动作，then车门打开故障(P15)动作，u＝0.81；
(14)If门控信号错误(P14)动作，then车门打开故障(P15)动作，u＝0.77。
步骤106，FHN算法推理，进行城轨列车门系统故障诊断；
通过分析FHN结点Pi的可达性结点集合RS(pi)，立即可达性结点集合IRS(pi)和相邻结点集合AP(pij)，根据FHN产生式规则、FHN推理算法，并通过运算，得出故障产生原因和诊断结果；
步骤107，得出元件诊断结果，实现城轨列车门系统故障诊断；
利用FHN模型，按照FHN的产生式规则，逐步进行FHN的算法推理，得出最终诊断结果。
结合图2，一种基于FHN的列车门故障方法模型示意图；城轨列车门系统故障的FHN推理算法如下：
步骤1，系统初始化并给相应的结点赋值，根据专家经验和历史数据，假设FHN结点的点火阈值τ(0≤τ≤1)；
根据城轨列车门故障的专家经验和历史数据，假设模FHN结点的点火阈值τ为0.5；
步骤2，假设H结点P0发生故障，则判断其是否属于立即可达集合，属于的话，则记下故障路径Pi(该路径对应可信度最高的H结点)到P0，否则，找不到故障路径及原因；
假设发生门控信号错误，即对应的结点P14处出现故障，通过表1可知，引起P14发生的路径有三条，P9-＞P14，P10-＞P14，P11-＞P14；
步骤3，将Pi的可信度与结点所赋初值进行计算，算出转移函数值，当转移函数值大于点火阈值时，该结点则点火动作。则Pi的下一结点初值标识自动增加，Pi的初值标识则自动减少。Pi结点点火动作后，下一结点则重复步骤2，此时步骤2中的假设结点P0即为Pi的下一结点；
步骤4，根据初值、可信度值和模糊式产生规则，P10-＞P14的可信度值0.85最大，那么这是唯一的路径，经计算P10，P14处转移函数值均大于0.5，那么很容推理出故障及故障原因。显然最终故障是车门打开故障，故障原因是列车接收非零速信号，则车门不能打开。如果P10结点的初值为0，那么则进行步骤4，可得最终路径可能有四条，P4-＞P9-＞P14，P5-＞P9-＞P14，P6-＞P11-＞P14，P7-＞P11-＞P14；故障的原因可能是门限位开关故障，EDCU不能输出开门信号，延时继电器故障，继电器故障；按照上述P10-＞P14路径所用方法即可推理出故障；具体原因则需要对四条路径逐一推理计算，根据P4，P5，P6，P7初值，按照上述推理计算方法则可得P5-＞P9-＞P14路径可能性最大，则故障原因是EDCU不能输出开门信号；其他故障照此推理即可，直至诊断出最终故障及故障原因；
步骤5，如果步骤3中算出的转移函数值小于点火阈值，说明Pi结点不能动作，则该路径上没有故障。则对次高可信度结点Pi进行步骤2推理，如此重复，直到找出最终故障路径，并找出故障及原因。
图3为一种基于FHN的城轨列车门故障诊断系统图；
包括：AVR单片机305、模数A/D转换器303、传感器302、时钟电路307、EEPROM存储器306、通信电路304、键盘308和LED数码显示器309、列车门元件301等组成。其特征在于，该故障诊断系统能实现快速、准确、实时、智能诊断出故障，AVR单片机305分别与A/D转换器303、时钟电路307、通信电路304、EEPROM存储器306、键盘308和LED数码显示器309等相连接，A/D转换器303与传感器302相连接，传感器302与列车门元件301相连接；
AVR单片机305，用于各器件间进行信息交换和统一协调处理彼此之间的相互关系，并调用程序进行故障诊断；
A/D转换器303，用于将模拟量转化为数字量；
传感器302，用于将列车门元件故障信号转化为电压信号；
时钟电路307，用于给单片机提供时钟信号；
EEPROM存储器306，用于进行整个系统的大批量的存储数据的处理；
通信电路304，用于与系统进行通讯联系；
键盘308，用于进行各种功能键和数字键的处理；
LED数码显示器309，用于进行各种数字信号的显示；
列车门元件301，构成城轨列车门的构成机械及电气元件。
技术方案是：系统通过传感器302获取列车门元件301故障信号，利用A/D转换器303将模拟量转化为数字量送入AVR单片机305进行FHN智能化故障推理，利用时钟电路307产生AVR单片机305所需要的时钟信号，通过通讯电路304，将AVR单片机305与系统进行通信联系，利用键盘308进行故障诊断过程中各种数据的输入和处理，通过EEPROM存储器306存储整个系统的大量存储数据，将AVR单片机305处理的数据和结果送到LED数码显示器309上进行显示。
本发明的有益效果为：本发明提出了一种基于FHN的城轨列车门故障诊断方法，该方法根据FHN模型，通过对列车门系统的H结点的变迁转移过程分析，利用FHN的产生式规则及FHN推理算法，能简单、快捷、准确的定位出故障位置及原因，并有效的避免了Petri网中组合爆炸的问题。由于FHN只有一种H结点，相较于Petri网，其诊断过程更简单，效率更高，在城轨列车门系统的故障诊断中具有积极意义。

Claims (4)

1.一种基于FHN的城轨列车门故障诊断方法，其特征在于，包括以下步骤：
(1)构建城轨列车门系统的FHN模型；
根据离散的列车车门系统的结构图和故障信息及各个位置发生故障的先验知识，确定FHN故障模型的顶事件(给出的故障事件)，建立起城轨列车门系统的FHN模型；
(2)根据FHN的城轨列车门系统模型及模糊H结点间的逻辑关系，即可以获得城轨列车门系统的FHN结点Pi的可达性结点集合RS(pi)、立即可达性结点集合IRS(pi)和相邻结点集合AP(pij)；
(3)城轨列车门系统的故障诊断；
通过分析FHN结点pi的可达性结点集合RS(pi)，立即可达性结点集合IRS(pi)和相邻结点集合AP(pij)，根据FHN产生式规则、FHN推理算法，并通过运算，得出故障产生原因和诊断结果。
2.根据权利要求1所述的一种基于FHN的城轨列车门故障诊断方法，其特征在于所形成的故障诊断方法，是一个有机的整体。
3.根据权利要求1所述的一种基于FHN的城轨列车门故障诊断方法，其特征在于故障诊断对象为城轨列车门。
4.一种基于FHN的城轨列车门故障诊断系统，其特征在于，包括：
AVR单片机，用于各器件间进行信息交换和统一协调处理彼此之间的相互关系，并进行城轨列车门故障诊断；
A/D转换器，用于将模拟量信号转化为数字量信号；
传感器，用于测量列车门元件故障信号，并转化为电信号；
时钟电路，用于给AVR单片机提供时钟信号；
EEPROM存储器，用于进行整个系统的数据存储和处理；
通信电路，用于与进行系统的通讯联系；
键盘，用于进行各种功能键和数字键的处理；
LED数码显示器，用于进行各种数字信号的显示；
该系统用以实现权利要求1至3中任意一项所述的故障诊断方法。
CN201610038584.0A 2016-01-12 2016-01-12 一种基于fhn的城轨列车门故障诊断方法 Active CN106959681B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610038584.0A CN106959681B (zh) 2016-01-12 2016-01-12 一种基于fhn的城轨列车门故障诊断方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610038584.0A CN106959681B (zh) 2016-01-12 2016-01-12 一种基于fhn的城轨列车门故障诊断方法

Publications (2)

Publication Number Publication Date
CN106959681A true CN106959681A (zh) 2017-07-18
CN106959681B CN106959681B (zh) 2023-06-06

Family

ID=59481460

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610038584.0A Active CN106959681B (zh) 2016-01-12 2016-01-12 一种基于fhn的城轨列车门故障诊断方法

Country Status (1)

Country Link
CN (1) CN106959681B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112560165A (zh) * 2020-06-11 2021-03-26 中车青岛四方机车车辆股份有限公司 一种城轨车辆及其客室车门故障诊断方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2008071323A1 (de) * 2006-12-14 2008-06-19 Volkswagen Aktiengesellschaft Verfahren und vorrichtung zum diagnostizieren von funktionen und fahrzeugsystemen
CN101666711A (zh) * 2009-09-16 2010-03-10 中国人民解放军海军航空工程学院 一种基于模糊语义网络的发动机综合故障诊断方法
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
KR20110092846A (ko) * 2010-02-10 2011-08-18 성균관대학교산학협력단 베이스 스테이션과 이를 포함하는 센서 네트워크 시스템 및 그 보안 경계 값 결정방법
CN103544389A (zh) * 2013-10-18 2014-01-29 丽水学院 基于故障树和模糊神经网络的汽车起重机故障诊断方法
CN103905114A (zh) * 2012-12-25 2014-07-02 中国移动通信集团广西有限公司 光缆线路故障点定位方法、装置和系统
EP2853972A2 (en) * 2013-09-30 2015-04-01 YPF Tecnologia S.A. Device and method for detection and/or diagnosis of faults in a process, equipment and sensors

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2008071323A1 (de) * 2006-12-14 2008-06-19 Volkswagen Aktiengesellschaft Verfahren und vorrichtung zum diagnostizieren von funktionen und fahrzeugsystemen
CN101666711A (zh) * 2009-09-16 2010-03-10 中国人民解放军海军航空工程学院 一种基于模糊语义网络的发动机综合故障诊断方法
KR20110092846A (ko) * 2010-02-10 2011-08-18 성균관대학교산학협력단 베이스 스테이션과 이를 포함하는 센서 네트워크 시스템 및 그 보안 경계 값 결정방법
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
CN103905114A (zh) * 2012-12-25 2014-07-02 中国移动通信集团广西有限公司 光缆线路故障点定位方法、装置和系统
EP2853972A2 (en) * 2013-09-30 2015-04-01 YPF Tecnologia S.A. Device and method for detection and/or diagnosis of faults in a process, equipment and sensors
CN103544389A (zh) * 2013-10-18 2014-01-29 丽水学院 基于故障树和模糊神经网络的汽车起重机故障诊断方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
向旭龙: ""模糊神经H网（FNHN）方...在汽车故障诊断中的应用研究"" *
李遥: ""基于模糊H网的配电网故障诊断方法研究"" *
潘炼: ""一种基于模糊神经网络的故障诊断方法"", 《中南大学学报(自然科学版)》, vol. 38, pages 746 - 751 *
芮万智 等: ""FHM MODEL-BASED H 1 OPTIMAL CONTROL OF NONLINEAR NETWORKED CONTROL SYSTEMS"", 《系统科学与数学》, vol. 35, no. 10, pages 1161 - 1167 *
邱静 等: ""基于模糊H网模型与面向对象方法的加工设备融合型故障诊断专家系统"", vol. 10, no. 10, pages 1246 - 1250 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112560165A (zh) * 2020-06-11 2021-03-26 中车青岛四方机车车辆股份有限公司 一种城轨车辆及其客室车门故障诊断方法

Also Published As

Publication number Publication date
CN106959681B (zh) 2023-06-06

Similar Documents

Publication Publication Date Title
CN107563069A (zh) 一种风力发电机组故障智能诊断方法
CN105095963B (zh) 一种精确诊断与预测风洞设备故障的方法
CN102521613B (zh) 一种汽车电子系统的故障诊断方法
WO2019051571A1 (pt) Sistema preditivo, integrado e inteligente para controle de tempos em semáforos de trânsito
CN109886444A (zh) 一种交通短时客流预测方法、装置、设备和存储介质
CN105159283A (zh) 城市轨道交通车辆远程故障分析与反馈系统
CN104536435A (zh) 一种线控系统网络在线诊断方法
CN205563262U (zh) 一种新型城轨列车门故障诊断系统
CN105183952B (zh) 一种基于分层时间模糊Petri网的输电网故障诊断方法
CN106249632A (zh) 一种用于核电厂仪控系统的优选模块
CN103425884B (zh) 一种地铁换乘通道通行状态的模糊预测方法
CN109299827A (zh) 基于长短时记忆循环神经网络的城轨设备故障预测方法
CN106485594A (zh) 一种主配网一体化事故响应决策方法
Zhang The railway turnout fault diagnosis algorithm based on BP neural network
CN110837888A (zh) 一种基于双向循环神经网络的交通缺失数据补全方法
CN101833324A (zh) 胎面挤出过程智能故障诊断系统及其诊断方法
CN104536970B (zh) 遥信数据设备故障判断与分类系统及方法
CN104991549A (zh) 基于fta与多层次模糊神经子网络的轨道电路红光带故障诊断方法
CN106527411A (zh) 地铁列车网络控制系统测试装置和系统
CN106530676A (zh) 一种面向新能源城市公交车的数据融合方法及v2x系统
Xu et al. A combined model of random forest and multilayer perceptron to forecast expressway traffic flow
CN111046940A (zh) 一种基于决策树与神经网络的车门故障诊断方法
CN113807678A (zh) 站台安全门能效管理方法、装置、计算机设备和存储介质
Zou et al. Short-term traffic flow prediction based on PCC-BiLSTM
CN106959681A (zh) 一种基于fhn的城轨列车门故障诊断方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant