CN107527140A - 一种基于模糊隶属度的高速列车运行工况确定方法 - Google Patents
一种基于模糊隶属度的高速列车运行工况确定方法 Download PDFInfo
- Publication number
- CN107527140A CN107527140A CN201710631185.XA CN201710631185A CN107527140A CN 107527140 A CN107527140 A CN 107527140A CN 201710631185 A CN201710631185 A CN 201710631185A CN 107527140 A CN107527140 A CN 107527140A
- Authority
- CN
- China
- Prior art keywords
- mrow
- msub
- mtd
- fuzzy
- mtr
- 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.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
- G06N5/048—Fuzzy inferencing
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Software Systems (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Automation & Control Theory (AREA)
- Fuzzy Systems (AREA)
- Tourism & Hospitality (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Feedback Control In General (AREA)
Abstract
本发明公开了一种基于模糊隶属度的高速列车运行工况确定方法,包括以下步骤实施:步骤1、对列车运行产生的速度数据进行去噪处理;步骤2、对去噪后的数据采样;步骤3、高速列车运行工况的确定。通过对列车运行时产生的速度数据分析发现,高速列车停车时间大约为两分钟左右,在一个运行周期内,运行工况较多,且当加速到一定程度的时候,其速度依旧会有一定幅度的变化,故本发明依据大数据的思想对速度数据先进行去噪处理,然后利用其运行工况的模糊性,选择模糊变量以及隶属度函数,进而确定模糊隶属度函数,通过模糊推理判断列车的运行工况,解决了列车运行工况难以确定的问题。
Description
技术领域
本发明属于高速列车运行工况自动识别技术领域,具体涉及一种基于模糊隶属度的高速列车运行工况确定方法。
背景技术
伴随着我国高速列车的飞速发展,运营里程的不断增加,列车向着大功率、高速、重载的方向发展,安全也成为铁路运输永恒的主题。在列车运行的过程中,当出现环境突变,变轨、转弯、上下坡、驶向以及驶离站点等情况时,列车运行的工况就会发生变化,实际上,列车在运行的过程中,运行工况不仅有牵引运行,还有惰力运行和制动运行,即加速、平稳运行和减速,在这三种运行工况下列车的能耗也是不同的。
当列车在转弯或者上下坡时,运行工况变化较频繁,速度变化过于剧烈,则会影响平均的行车速度,同时会因为频繁的加速和减速造成车轴温度的升高,严重的话会造成热轴故障问题。虽然根据列车在运行过程中所产生的数据可以判断出一个时间点的速度处于哪种运行工况,但是对于其在两种运行工况转换的过程中到底处于哪种工况是不确定的,且如若对运行工况进行自动识别,则可以在三种运行工况下,基于大数据的思想对轴温进行预测。故针对此问题,首先对列车运行所产生的速度数据进行去噪处理,然后利用模糊隶属度的方法对列车的运行工况进行自动识别。
发明内容
本发明的目的是提供一种基于模糊隶属度的高速列车运行工况确定的方法,解决了列车运行过程中由于环境突变、转弯等因素造成的运行工况不确定的问题。
为解决上述问题,本发明采用以下技术方案:
一种基于模糊隶属度的高速列车运行工况确定方法,具体包括以下步骤:
步骤1、对列车运行产生的速度数据进行去噪处理;
步骤2、对去噪后的数据采样;
步骤3、高速列车运行工况的确定。
作为本发明进一步的方案:步骤1具体为:
步骤(1.1)、采集数据,采集高速列车的运行速度v,且生成速度向量如下:
vt=[v1,v2,...,vn]T;
步骤(1.2)、去掉停车阶段,将步骤(1.1)中所得的速度数据的停车阶段去掉,即去掉vt=0的点,记为vt0;
步骤(1.3)、缺失值处理,将步骤(1.2)中所得的速度数据vt0,对其进行缺失值处理,若vt0i为缺失值,则令
vt0i=(vt0(i-1)+vt0(i+1))/2
其中vt0(i-1)、vt0(i+1)分别为缺失值vt0i的相邻前后两项的值,将其值补入步骤(1.2)中的去掉停车阶段后的速度数据vt0中,生成新的速度数据vt1;
步骤(1.4)、去噪处理,对步骤(1.3)中的速度向量vt1进行去噪处理,本发明选用二次指数平滑法去噪,且平滑常数α取值0.95,则
St'=αvt1+(1-α)S′t-1
St”=αvt'1+(1-α)S″t-1
St'为一次指数平滑值;St”为二次指数平滑值,故生成去噪后的速度表示为St”。
作为本发明进一步的方案:步骤2具体为:
采样,对经过所述步骤(1.4)处理后的高速列车的速度数据St”进行采样,记为vc,记采样频率为σ,本发明取σ=10,且生成向量如下;
vc=[vc1,vc2,...,vcn]T。
作为本发明进一步的方案:步骤3具体为:
步骤(3.1)、选择输入参数,对步骤(2.1)得到的vc进行一阶差分,即连续相邻两项之差,然后用其差值与采样频率σ相除,得到加速度a,且生成向量如下:
a=[a1,a2,...ai,...,an-1]T
其中ai=(vc(i+1)-vci)/σ,设a为论域X上的集合;
步骤(3.2)、建立模糊规则库,将步骤(3.1)得到的a作为输入参数,且将此参数模糊化,生成三个模糊等级,并表示称模糊集合a={A1,A2,A3},A1,A2,A3分别表示很小、中间、很大;然后根据列车的运行模态,将其分为三个模糊等级,分别为B1=减速阶段、B2=惰行阶段、B3=加速阶段,1个模糊变量,有3个模糊等级,则生成3条模糊规则;如表1所示:
表1模糊规则
序号 | 加速度a | 结果 |
1 | 很小A1 | 减速B1 |
2 | 中间A3 | 惰行B2 |
3 | 很大A5 | 加速B3 |
步骤(3.3)、模糊变量论域的确定,对步骤(3.1)得到的a取最大值以及最小值,得到amax=1.8,amin=-1.4,取模糊变量a的隶属度函数为三角形分布,其隶属度函数的中心点按照以下方法确定:
第一个中心点为c1=amin/2=-0.7;
第二个中心点为c2=(amin+amax)/2=0.2;
第三个中心点为c3=amax/2=0.9;
步骤(3.4)、隶属度函数的确定,通过步骤(3.3)得到3个隶属度函数的中心点,则模糊变量a的隶属度函数分别为:
步骤(3.5)、模糊推理,对步骤(3.1)得到的模糊输入a用步骤(3.2)的模糊规则进行推理,用ν表示模糊推理的值;
步骤(3.6)、去模糊化,对步骤(3.4)得到模糊值用加权平均法对其进行清晰化,得到去模糊化公式为
其中γ是模糊推理的输出结果,γi是模糊输出的中心点,即运行工况,1代表减速阶段、2代表惰行阶段、3代表加速阶段。
通过对列车运行时产生的速度数据分析发现,高速列车停车时间大约为两分钟左右,在一个运行周期内,运行工况较多,且在加速到一定的速度的时候,其速度依旧会有一定幅度的变化,故本发明依据大数据的思想对速度数据先进行去噪处理,然后基于模糊隶属度的方法对其运行工况进行自动的辨识,进而在此基础上可以基于三个运行工况对轴温进行预测,从而对列车的热轴判别提供一定的理论基础。
本发明的有益效果是:一种基于模糊隶属度的高速列车运行工况确定方法,研究如何能更科学的对来列车的运行工况自动识别;通过对轴温数据进行预处理,即去噪和抽样,得到处理后的数据,然后利用其运行工况的模糊性,选择模糊变量以及隶属度函数,进而确定模糊隶属度函数,通过模糊推理判断列车的运行工况。
附图说明
图1是本发明的总体流程图;
图2是本发明加速度变换图。
图3是本发明加速度的隶属度函数图。
具体实施方式
下面结合附图和具体实施方式对本发明进行详细说明。
在对数据进行预处理的过程中,发现列车的运行速度变化较大,可能遇到转弯,变换轨道等情况,且由于传感器的误差,可能会导致速度数据有缺失值等情况,故对缺失值进行补值处理和去噪处理,然后基于此建立基于模糊隶属度的高速列车运行工自动辨识的方法。
如图1-3所示,一种基于模糊隶属度的高速列车运行工况确定方法,具体按照以下步骤实施:
步骤1、对列车运行产生的速度数据进行去噪处理,具体为:
步骤(1.1)、采集高速列车的运行速度v,且生成速度向量如下;
vt=[v1,v2,...,vn]T
步骤(1.2)、将步骤(1.1)中所得的速度数据的停车阶段去掉,即去掉vt=0的点,记为vt0;
步骤(1.3)、将步骤(1.2)中所得的速度数据vt0,对其进行缺失值处理,若vt0i为缺失值,则令
vt0i=(vt0(i-1)+vt0(i+1))/2
其中vt0(i-1)、vt0(i+1)分别为缺失值vt0i的相邻前后两项的值,将其值补入步骤(1.2)中的去掉停车阶段后的速度数据vt0中,生成新的速度数据vt1。
步骤(1.4)、对步骤(1.3)中的速度向量vt1进行去噪处理,本发明选用二次指数平滑法去噪,且平滑常数α取值0.95,则
St'=αvt1+(1-α)S′t-1
St”=αvt'1+(1-α)S″t-1
St'为一次指数平滑值;St”为二次指数平滑值,故生成去噪后的速度表示为St”。
步骤2、对去噪后的数据采样,具体为:
步骤(2.1)、对经过所述步骤(1.4)处理后的高速列车的速度数据St”进行采样,记为vc,记采样频率为σ,本发明取σ=10。且生成向量如下;
vc=[vc1,vc2,...,vcn]T
步骤3、高速列车运行工况的确定,具体为:
步骤(3.1)、选择输入参数,对步骤(2.1)得到的vc进行一阶差分,即连续相邻两项之差,然后用其差值与采样频率σ相除,得到加速度a,且生成向量如下:
a=[a1,a2,...ai,...,an-1]T
其中ai=(vc(i+1)-vci)/σ,设a为论域X上的集合。
步骤(3.2)、建立模糊规则库,将步骤(3.1)得到的a作为输入参数,且将此参数模糊化,生成三个模糊等级,并表示称模糊集合a={A1,A2,A3},A1,A2,A3分别表示很小、中间、很大;然后根据列车的运行模态,将其分为三个模糊等级,分别为B1=减速阶段、B2=惰行阶段、B3=加速阶段。1个模糊变量,有3个模糊等级,则生成3条模糊规则,如表1所示:
表1模糊规则
序号 | 加速度a | 结果 |
1 | 很小A1 | 减速B1 |
2 | 中间A3 | 惰行B2 |
3 | 很大A5 | 加速B3 |
步骤(3.3)、模糊变量论域的确定,对步骤(3.1)得到的a取最大值以及最小值,得到amax=1.8,amin=-1.4,取模糊变量a的隶属度函数为三角形分布,其隶属度函数的中心点按照以下方法确定:
第一个中心点为c1=amin/2=-0.7;
第二个中心点为c2=(amin+amax)/2=0.2;
第三个中心点为c3=amax/2=0.9;
步骤(3.4)、隶属度函数的确定,通过步骤(3.3)得到3个隶属度函数的中心点,则模糊变量a的隶属度函数分别为:
步骤(3.5)、模糊推理,对步骤(3.1)得到的模糊输入a用步骤(3.2)的模糊规则进行推理,用ν表示模糊推理的值。
步骤(3.6)、去模糊化,对步骤(3.4)得到模糊值用加权平均法对其进行清晰化,得到去模糊化公式为
其中γ是模糊推理的输出结果,γi是模糊输出的中心点,即运行工况(1代表减速阶段、2代表惰行阶段、3代表加速阶段)
通过对列车运行时产生的速度数据分析发现,高速列车停车时间大约为两分钟左右,在一个运行周期内,运行工况较多,且在加速到一定的速度的时候,其速度依旧会有一定幅度的变化,故本发明依据大数据的思想对速度数据先进行去噪处理,然后基于模糊隶属度的方法对其运行工况进行自动的辨识,进而在此基础上可以基于三个运行工况对轴温进行预测,从而对列车的热轴判别提供一定的理论基础,解决了列车运行工况难以确定的问题。
以上所述为本发明较佳实施例,对于本领域的普通技术人员而言,根据本发明的教导,在不脱离本发明的原理与精神的情况下,对实施方式所进行的改变、修改、替换和变形仍落入本发明的保护范围之内。
Claims (4)
1.一种基于模糊隶属度的高速列车运行工况确定方法,其特征在于,具体包括以下步骤:
步骤1、对列车运行产生的速度数据进行去噪处理;
步骤2、对去噪后的数据采样;
步骤3、高速列车运行工况的确定。
2.根据权利要求1所述的一种基于模糊隶属度的高速列车运行工况确定方法,其特征在于,步骤1具体为:
步骤(1.1)、采集数据,采集高速列车的运行速度v,且生成速度向量如下:
vt=[v1,v2,...,vn]T;
步骤(1.2)、去掉停车阶段,将步骤(1.1)中所得的速度数据的停车阶段去掉,即去掉vt=0的点,记为vt0;
步骤(1.3)、缺失值处理,将步骤(1.2)中所得的速度数据vt0,对其进行缺失值处理,若vt0i为缺失值,则令
vt0i=(vt0(i-1)+vt0(i+1))/2
其中vt0(i-1)、vt0(i+1)分别为缺失值vt0i的相邻前后两项的值,将其值补入步骤(1.2)中的去掉停车阶段后的速度数据vt0中,生成新的速度数据vt1;
步骤(1.4)、去噪处理,对步骤(1.3)中的速度向量vt1进行去噪处理,本发明选用二次指数平滑法去噪,且平滑常数α取值0.95,则:
S′t=αvt1+(1-α)S′t-1
S″t=αv′t1+(1-α)S″t-1
S′t为一次指数平滑值;S″t为二次指数平滑值,故生成去噪后的速度表示为S″t。
3.根据权利要求1所述的一种基于模糊隶属度的高速列车运行工况确定方法,其特征在于,步骤2具体为:
采样,对经过所述步骤(1.4)处理后的高速列车的速度数据St”进行采样,记为vc,记采样频率为σ,本发明取σ=10,且生成向量如下;
vc=[vc1,vc2,...,vcn]T。
4.根据权利要求1所述的一种基于模糊隶属度的高速列车运行工况确定方法,其特征在于,步骤3具体为:
步骤(3.1)、选择输入参数,对步骤(2.1)得到的vc进行一阶差分,即连续相邻两项之差,然后用其差值与采样频率σ相除,得到加速度a,且生成向量如下:
a=[a1,a2,...ai,...,an-1]T
其中ai=(vc(i+1)-vci)/σ,设a为论域X上的集合;
步骤(3.2)、建立模糊规则库,将步骤(3.1)得到的a作为输入参数,且将此参数模糊化,生成三个模糊等级,并表示称模糊集合a={A1,A2,A3},A1,A2,A3分别表示很小、中间、很大;然后根据列车的运行模态,将其分为三个模糊等级,分别为B1=减速阶段、B2=惰行阶段、B3=加速阶段,1个模糊变量,有3个模糊等级,则生成3条模糊规则;如表1所示:
步骤(3.3)、模糊变量论域的确定,对步骤(3.1)得到的a取最大值以及最小值,得到amax=1.8,amin=-1.4,取模糊变量a的隶属度函数为三角形分布,其隶属度函数的中心点按照以下方法确定:
第一个中心点为c1=amin/2=-0.7;
第二个中心点为c2=(amin+amax)/2=0.2;
第三个中心点为c3=amax/2=0.9;
步骤(3.4)、隶属度函数的确定,通过步骤(3.3)得到3个隶属度函数的中心点,则模糊变量a的隶属度函数分别为:
<mrow>
<msub>
<mi>&mu;</mi>
<mrow>
<mi>A</mi>
<mn>1</mn>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>a</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mn>1</mn>
</mtd>
<mtd>
<mrow>
<mi>a</mi>
<mo>&le;</mo>
<msub>
<mi>c</mi>
<mn>1</mn>
</msub>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mfrac>
<mrow>
<msub>
<mi>c</mi>
<mn>2</mn>
</msub>
<mo>-</mo>
<mi>a</mi>
</mrow>
<mrow>
<msub>
<mi>c</mi>
<mn>2</mn>
</msub>
<mo>-</mo>
<msub>
<mi>c</mi>
<mn>1</mn>
</msub>
</mrow>
</mfrac>
</mtd>
<mtd>
<mrow>
<msub>
<mi>c</mi>
<mn>1</mn>
</msub>
<mo><</mo>
<mi>a</mi>
<mo>&le;</mo>
<msub>
<mi>c</mi>
<mn>2</mn>
</msub>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mn>0</mn>
</mtd>
<mtd>
<mrow>
<msub>
<mi>c</mi>
<mn>2</mn>
</msub>
<mo><</mo>
<mi>a</mi>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
</mrow>
<mrow>
<msub>
<mi>&mu;</mi>
<mrow>
<mi>A</mi>
<mn>2</mn>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>a</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mn>0</mn>
</mtd>
<mtd>
<mrow>
<mi>a</mi>
<mo>&le;</mo>
<msub>
<mi>c</mi>
<mn>1</mn>
</msub>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mfrac>
<mrow>
<mi>a</mi>
<mo>-</mo>
<msub>
<mi>c</mi>
<mn>1</mn>
</msub>
</mrow>
<mrow>
<msub>
<mi>c</mi>
<mn>2</mn>
</msub>
<mo>-</mo>
<msub>
<mi>c</mi>
<mn>1</mn>
</msub>
</mrow>
</mfrac>
</mtd>
<mtd>
<mrow>
<msub>
<mi>c</mi>
<mn>1</mn>
</msub>
<mo><</mo>
<mi>a</mi>
<mo>&le;</mo>
<msub>
<mi>c</mi>
<mn>2</mn>
</msub>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mfrac>
<mrow>
<msub>
<mi>c</mi>
<mn>3</mn>
</msub>
<mo>-</mo>
<mi>a</mi>
</mrow>
<mrow>
<msub>
<mi>c</mi>
<mn>3</mn>
</msub>
<mo>-</mo>
<msub>
<mi>c</mi>
<mn>2</mn>
</msub>
</mrow>
</mfrac>
</mtd>
<mtd>
<mrow>
<msub>
<mi>c</mi>
<mn>2</mn>
</msub>
<mo><</mo>
<mi>a</mi>
<mo>&le;</mo>
<msub>
<mi>c</mi>
<mn>3</mn>
</msub>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mn>0</mn>
</mtd>
<mtd>
<mrow>
<msub>
<mi>c</mi>
<mn>3</mn>
</msub>
<mo><</mo>
<mi>a</mi>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
</mrow>
<mrow>
<msub>
<mi>&mu;</mi>
<mrow>
<mi>A</mi>
<mn>3</mn>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>a</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mn>0</mn>
</mtd>
<mtd>
<mrow>
<mi>a</mi>
<mo>&le;</mo>
<msub>
<mi>c</mi>
<mn>1</mn>
</msub>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mfrac>
<mrow>
<mi>a</mi>
<mo>-</mo>
<msub>
<mi>c</mi>
<mn>2</mn>
</msub>
</mrow>
<mrow>
<msub>
<mi>c</mi>
<mn>3</mn>
</msub>
<mo>-</mo>
<msub>
<mi>c</mi>
<mn>2</mn>
</msub>
</mrow>
</mfrac>
</mtd>
<mtd>
<mrow>
<msub>
<mi>c</mi>
<mn>2</mn>
</msub>
<mo><</mo>
<mi>a</mi>
<mo>&le;</mo>
<msub>
<mi>c</mi>
<mn>3</mn>
</msub>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mn>1</mn>
</mtd>
<mtd>
<mrow>
<msub>
<mi>c</mi>
<mn>3</mn>
</msub>
<mo><</mo>
<mi>a</mi>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
</mrow>
步骤(3.5)、模糊推理,对步骤(3.1)得到的模糊输入a用步骤(3.2)的模糊规则进行推理,用γ表示模糊推理的值;
步骤(3.6)、去模糊化,对步骤(3.4)得到模糊值用加权平均法对其进行清晰化,得到去模糊化公式为
<mrow>
<mi>&gamma;</mi>
<mo>=</mo>
<mfrac>
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mn>3</mn>
</munderover>
<msub>
<mi>&gamma;</mi>
<mi>i</mi>
</msub>
<msub>
<mi>&mu;</mi>
<mrow>
<mi>A</mi>
<mi>i</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<msub>
<mi>&gamma;</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mn>3</mn>
</munderover>
<msub>
<mi>&mu;</mi>
<mrow>
<mi>A</mi>
<mi>i</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<msub>
<mi>&gamma;</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
</mrow>
其中γ是模糊推理的输出结果,γi是模糊输出的中心点,即运行工况,1代表减速阶段、2代表惰行阶段、3代表加速阶段。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710631185.XA CN107527140A (zh) | 2017-07-28 | 2017-07-28 | 一种基于模糊隶属度的高速列车运行工况确定方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710631185.XA CN107527140A (zh) | 2017-07-28 | 2017-07-28 | 一种基于模糊隶属度的高速列车运行工况确定方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107527140A true CN107527140A (zh) | 2017-12-29 |
Family
ID=60680400
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710631185.XA Pending CN107527140A (zh) | 2017-07-28 | 2017-07-28 | 一种基于模糊隶属度的高速列车运行工况确定方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107527140A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109086494A (zh) * | 2018-07-13 | 2018-12-25 | 西安理工大学 | 一种基于工况的多模型融合列车轴温估计方法 |
CN109657259A (zh) * | 2018-07-13 | 2019-04-19 | 西安理工大学 | 一种基于多状态模型融合的高速列车轴温在线估计方法 |
CN109960889A (zh) * | 2019-04-03 | 2019-07-02 | 中车青岛四方车辆研究所有限公司 | 轨道交通工具线路典型速度-时间行驶工况构建方法 |
CN109960890A (zh) * | 2019-04-03 | 2019-07-02 | 中车青岛四方车辆研究所有限公司 | 轨道交通工具地区典型速度-时间行驶工况构建方法 |
CN111257592A (zh) * | 2020-03-05 | 2020-06-09 | 广东零偏科技有限公司 | 一种用于检测装置的静态判别的方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR100581254B1 (ko) * | 2003-12-17 | 2006-05-22 | 현대자동차주식회사 | 자동 변속기의 퍼지 능동 제어장치 및 방법 |
CN101941450A (zh) * | 2010-08-26 | 2011-01-12 | 北京交通大学 | 列车工况转换控制方法及系统 |
CN102142195A (zh) * | 2011-03-16 | 2011-08-03 | 浙江工业大学 | 城市快速公交行驶工况信息的获取方法 |
CN105045983A (zh) * | 2015-07-06 | 2015-11-11 | 西安理工大学 | 一种基于轴温数据的高速列车车轴老化分析方法 |
-
2017
- 2017-07-28 CN CN201710631185.XA patent/CN107527140A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR100581254B1 (ko) * | 2003-12-17 | 2006-05-22 | 현대자동차주식회사 | 자동 변속기의 퍼지 능동 제어장치 및 방법 |
CN101941450A (zh) * | 2010-08-26 | 2011-01-12 | 北京交通大学 | 列车工况转换控制方法及系统 |
CN102142195A (zh) * | 2011-03-16 | 2011-08-03 | 浙江工业大学 | 城市快速公交行驶工况信息的获取方法 |
CN105045983A (zh) * | 2015-07-06 | 2015-11-11 | 西安理工大学 | 一种基于轴温数据的高速列车车轴老化分析方法 |
Non-Patent Citations (1)
Title |
---|
KOUROSH NOORI 等: "Intelligent Traction Control Model for Speed Sensor Vehicles in Computer-Based Transit System", 《IEEE TRANSACTIONS ON INTELLIGENT TRANSPORTATION SYSTEMS》 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109086494A (zh) * | 2018-07-13 | 2018-12-25 | 西安理工大学 | 一种基于工况的多模型融合列车轴温估计方法 |
CN109657259A (zh) * | 2018-07-13 | 2019-04-19 | 西安理工大学 | 一种基于多状态模型融合的高速列车轴温在线估计方法 |
CN109086494B (zh) * | 2018-07-13 | 2022-12-02 | 西安理工大学 | 一种基于工况的多模型融合列车轴温估计方法 |
CN109657259B (zh) * | 2018-07-13 | 2022-12-02 | 西安理工大学 | 一种基于多状态模型融合的高速列车轴温在线估计方法 |
CN109960889A (zh) * | 2019-04-03 | 2019-07-02 | 中车青岛四方车辆研究所有限公司 | 轨道交通工具线路典型速度-时间行驶工况构建方法 |
CN109960890A (zh) * | 2019-04-03 | 2019-07-02 | 中车青岛四方车辆研究所有限公司 | 轨道交通工具地区典型速度-时间行驶工况构建方法 |
CN109960890B (zh) * | 2019-04-03 | 2023-02-03 | 中车青岛四方车辆研究所有限公司 | 轨道交通工具地区典型速度-时间行驶工况构建方法 |
CN109960889B (zh) * | 2019-04-03 | 2023-02-07 | 中车青岛四方车辆研究所有限公司 | 轨道交通工具线路典型速度-时间行驶工况构建方法 |
CN111257592A (zh) * | 2020-03-05 | 2020-06-09 | 广东零偏科技有限公司 | 一种用于检测装置的静态判别的方法 |
CN111257592B (zh) * | 2020-03-05 | 2022-04-12 | 广东零偏科技有限公司 | 一种用于检测装置的静态判别的方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107527140A (zh) | 一种基于模糊隶属度的高速列车运行工况确定方法 | |
Zhang et al. | Instance-based ensemble deep transfer learning network: A new intelligent degradation recognition method and its application on ball screw | |
CN107662503B (zh) | 基于加速与制动踏板状态的电动汽车制动意图辨识方法 | |
CN106933778A (zh) | 一种基于爬坡事件特征识别的风电功率组合预测方法 | |
CN101419679B (zh) | 一种混合动力电动汽车行驶状态的智能识别方法 | |
CN103661434B (zh) | 一种列车运行控制方法 | |
CN106374465B (zh) | 基于gsa-lssvm模型的短期风电功率预测方法 | |
CN108647836B (zh) | 一种驾驶员节能评价方法和系统 | |
CN108549962B (zh) | 基于历史分段序列搜索和时序稀疏化的风电功率预测方法 | |
CN101519073A (zh) | 一种混合动力汽车行驶负载预测方法 | |
CN105654509A (zh) | 基于复合深度神经网络的运动跟踪方法 | |
CN104881871A (zh) | 基于改进多目标和声搜索算法的交通图像分割方法 | |
CN101419677B (zh) | 一种识别混合动力电动汽车行驶状态的方法 | |
CN107403222A (zh) | 一种基于辅助更新模型和有效性检验的运动跟踪方法 | |
CN103927874A (zh) | 基于欠抽样面向不平衡数据集的交通事件自动检测方法 | |
CN105632174B (zh) | 一种基于语义技术的交通事件检测系统及其方法 | |
CN104680234A (zh) | 发动机故障诊断方法 | |
Fa-jun et al. | Compound fault diagnosis of gearbox based on wavelet packet transform and sparse representation classification | |
CN101419678B (zh) | 一种识别混合动力电动汽车运行状态的方法 | |
Wang et al. | Research on vehicle adaptive cruise control based on BP neural network working condition recognition | |
Wang et al. | A braking intention identification method based on data mining for electric vehicles | |
CN107274356A (zh) | 一种自适应的灰度图像增强系统 | |
Zhu et al. | Fault diagnosis of gearbox of wind turbine based on improved decision tree algorithm | |
Zhou et al. | Energy optimization for intelligent hybrid electric vehicles based on hybrid system approach in a car‐following process | |
CN109284540B (zh) | 一种基于工况识别的变衰减因子指数预测模型方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20171229 |