CN108491855B - 一种信号机故障识别方法 - Google Patents
一种信号机故障识别方法 Download PDFInfo
- Publication number
- CN108491855B CN108491855B CN201810126367.6A CN201810126367A CN108491855B CN 108491855 B CN108491855 B CN 108491855B CN 201810126367 A CN201810126367 A CN 201810126367A CN 108491855 B CN108491855 B CN 108491855B
- Authority
- CN
- China
- Prior art keywords
- curve
- steps
- following
- loop current
- method comprises
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
- G06F2218/04—Denoising
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Circuit Arrangement For Electric Light Sources In General (AREA)
Abstract
本发明提供了一种信号机故障识别方法,该方法包括:采集信号机点灯回路电流曲线;将所获取的信号机点灯回路电流曲线等时间分为Y段曲线D;利用距离算法计算曲线Di(i=1,2,…,Y)与曲线Dj(j=1,2,…,Y)的距离Jij,得到距离矩阵;根据距离矩阵判断此信号机点灯回路电流曲线类型。通过本发明解决了现有技术中,通过人工检查信号机故障,导致误报和漏报的问题,从而实现了信号机自动识别故障类别,提高检修效率及系统可靠性,保证行车安全。
Description
技术领域
本发明涉及轨道交通领域,具体涉及一种信号机故障识别方法。
背景技术
铁路信号机是指铁路上利用不同颜色和数量的灯光或不同颜色和形状的臂板位置显示指挥行、调车命令的固定信号机,是铁路信号系统的重要组成部分之一。一旦信号机发生故障,司机按照错误指示运行列车,轻则设备损坏,重则站内车辆碰撞,造成乘客与正在站内工作的工作人员伤亡。
目前,我国主要采用微机监测系统对信号机状态进行监测,从现场的实际运用情况看,主要通过人工观察微机监测系统所采集的信号机点灯回路电流曲线来识别故障类型,需要大量的工作人员;其识别准确性主要依赖于相关人员的工作经验是否丰富,这使得漏报和误报现象时有出现;工作人员需要时间分析曲线特征并判断故障类型,不能实时在线识别,效率较低。另外,铁路部门为了进一步防止事故的发生,安排相关人员定期检查并维修信号机,需要大量的人力和物力资源。这种信号机故障的诊断方式已不适应高速铁路快速发展的要求,如何快速准确的判断信号机故障类型是保证行车安全与乘客生命安全的重要举措。
现有技术中,还无法自动识别信号机故障类型,也未提出快速有效的解决方案。
发明内容
本发明提供了一种信号机故障识别方法,以至少解决现有技术中通过人工经验判断信号机故障类型,导致漏报和误报的问题。
本发明提出的一种信号机故障识别方法,包括以下步骤:
(1):采集信号机点灯回路电流曲线;
(2):将所获取的信号机点灯回路电流曲线等时间分为Y段曲线D;
(3):利用距离算法计算任意一条曲线Di(i=1,2,…,Y)与所有曲线Dj(j=1,2,…,Y)的距离Jij,得到距离矩阵
(4):根据距离矩阵判断此信号机点灯回路电流曲线类型;所述根据距离矩阵判断此信号机点灯回路电流曲线类型,包括以下步骤:
(4a):若距离矩阵J的值均小于105,则此曲线为信号机正常点灯回路电流曲线;
(4b):若距离矩阵J中某一行的值均大于等于105且小于106,则此曲线中含有电流波动故障;
(4c):若距离矩阵J中某一行的值有且仅有一个大于等于10308,则此曲线中含有电流突降故障;
(4d):若距离矩阵J中某一行的值有两个大于等于10308,则此曲线中含有电流不达标故障。
本发明中,步骤(1)中所述采集信号机点灯回路电流曲线为微机监测系统中生成的信号机点灯回路电流曲线数据或图像,或为纸质文件中的信号机点灯回路电流曲线数据或图像。
本发明中,在步骤(2)之前对所获取信号机点灯回路电流曲线进行预处理,包括以下步骤:
(2a):取彩色信号机点灯回路电流曲线图像中每个像素的R、G、B分量之间的均值作为该像素点的灰度值,将彩色信号机点灯回路电流曲线图像变换为灰度图像;
(2b):设置一个阈值使得灰度值大于该阈值的像素点取值为1,灰度值小于该阈值的像素点取值为0,将灰度图像变换为二值图像;
(2c):找出坐标轴所围成的目标区域,去除目标区域中游离孤立的像素点,并对曲线的边缘进行平滑处理,去除噪声;
(2d):使每一个时刻对应一个值,其像素点取值为0,对存在一列有多个像素点为0的情况进行细化处理;
(2e):通过函数变换,提取曲线上各点坐标。
本发明中,步骤(2)中对将所获取的信号机点灯回路电流曲线等时间分为Y段曲线D,每段曲线的时间长度为30s。
本发明中,步骤(3)之前对所获取信号机点灯回路电流曲线进行阈值判断,若信号机点灯回路电流出现零值,则可直接判断此段曲线中含有电流间断故障。
本发明中,步骤(3)中所述利用距离算法计算曲线Di(i=1,2,…,Y)与曲线Dj(j=1,2,…,Y)的距离Jij,得到距离矩阵
所述距离算法为动态时间规整算法,包括以下步骤:
(3a):曲线Di可表示为T={T(1),T(2),……,T(n),……,T(N)},n为时间序列的时序标号,n=1为时间序列起点,n=N为时间序列终点,T(n)为所述时间序列的值;
(3b):曲线Dj可表示为R={R(1),R(2),……,R(m),……,R(M)},m为时间序列的时序标号,m=1为时间序列起点,m=M为时间序列终点,R(m)为所述时间序列的值;
(3c):在横轴标出曲线Di时间序列的各个时序标号n,在纵轴标出曲线Dj时间序列的各个时序标号m,通过这些时序标号的整数坐标画出一些纵横线可形成一个网络,所有格点依次为(1,1),……,(n,m),……,(N,M),搜索(1,1)到(N,M)的最优路径;
(3d):路径通过(n,m)后,下一个通过的格点只能是(n,m+1)、(n+1,m)、(n+1,m+1),选择(n,m)到下一格点的最小距离为最优路径,计算(1,1)到(N,M)的积累最小距离;
(3e):计算曲线Di时间序列T与曲线Dj时间序列R之间的欧式距离;
(3f):起点(1,1)到终点(N,M)的总的积累距离为起点(1,1)到终点(N,M)的积累最小距离、任意一条曲线Di时间序列T与所有曲线Dj时间序列R之间的欧式距离之和Jij。
综上所述,本发明的有益效果在于:
(1)在微机监测系统中采集信号机每次动作曲线,无需额外安装其他装置就可识别道岔故障,经济方便,实用性较强。
(2)对所获取的信号机点灯回路电流曲线进行预处理,可以消除网格、噪声等干扰,提高信号机故障诊断准确性。
(3)实现了自动识别信号机点灯回路故障,解决了通过人工经验判断信号机故障类型带来的低效率和不可靠性,节约了大量人力物力,提高了判断准确性。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施方式,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是根据本发明实施例的信号机故障识别方法流程图;
图2是根据本发明实施例1的信号机故障识别方法流程图;
图3是根据本发明实施例1中对所获取信号机点灯回路电流曲线进行预处理后选择的正常曲线与4种故障曲线图像;其中:(a)为正常曲线,(b)为电流间断曲线,(c)为电流突降曲线,(d)为电流不达标曲线,(e)为电流波动曲线。
具体实施方式
下面将结合附图对本发明的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
在本发明的描述中,需要说明的是,术语“第一”、“第二”、“第三”仅用于描述目的,而不能理解为指示或暗示相对重要性。
此外,下面所描述的本发明不同实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互结合。
实施例1
在本实施例中提供了一种信号机故障识别方法,图1是根据本发明实施例的信号机故障识别方法流程图,如图1所示,该流程图包括如下步骤:
(1):采集信号机点灯回路电流曲线;
(2):将所获取的信号机点灯回路电流曲线等时间分为Y段曲线D;
(3):利用距离算法计算任意一条曲线Di(i=1,2,…,Y)与所有曲线Dj(j=1,2,…,Y)的距离Jij,得到距离矩阵;
(4):根据距离矩阵判断此信号机点灯回路电流曲线类型。
通过上述步骤,将自动识别采集到的信号机点灯电流回路曲线故障类别,相比于现有技术中,通过人工经验判断信号机故障类型带来的低效率和不可靠性,上述步骤解决了现有技术中,通过人工经验判断信号机故障类型,导致漏报和误报的问题,从而实现了信号机自动识别故障类别,提高检修效率及系统可靠性,保证行车安全。
图2是根据本发明实施例1的信号机故障识别方法流程图,如图2所示,该方法包括如下步骤:在微机监测系统中采集5分钟的信号机点灯回路电流曲线;对此曲线进行灰度变换、二值化、去除噪声和细化处理;接着对所获取曲线分为10段,每段的时间长度为30s;若信号机点灯回路电流值有零值,则此曲线中含有电流间断曲线;利用距离算法计算任意一条曲线Di(i=1,2,…,10)与所有曲线Dj(j=1,2,…,10)的距离Jij,得到距离矩阵;根据距离矩阵判断此信号机点灯回路电流曲线类型。
下面结合一个具体的可选实施例进行说明。
(一):在微机监测系统中采集5分钟的信号机点灯回路电流曲线;
(二):取彩色信号机点灯回路电流曲线图像中每个像素的R、G、B分量之间的均值作为该像素点的灰度值,将彩色信号机点灯回路电流曲线图像变换为灰度图像;
(三):设置一个阈值使得灰度值大于该阈值的像素点取值为1,灰度值小于该阈值的像素点取值为0,将灰度图像变换为二值图像;
(四):找出坐标轴所围成的目标区域,去除目标区域中游离孤立的像素点,并对曲线的边缘进行平滑处理,去除噪声;
(五):使每一个时刻对应一个值,其像素点取值为0,对存在一列有多个像素点为0的情况进行细化处理;
(六):通过函数变换,提取曲线上各点坐标;
(七):将所获取的信号机点灯回路电流曲线等时间分为10段曲线D,每段曲线的时间长度为30s;
(八):对所获取信号机点灯回路电流曲线进行阈值判断,无零值;
(九):利用距离算法计算曲线Di(i=1,2,…,10)与曲线Dj(j=1,2,…,10)的距离Jij,得到距离矩阵J:
所述距离算法为动态时间规整算法,包括以下步骤:
(1)取第一段曲线D1,可表示为T={T(1),T(2),……,T(169)},T(1)=150.2841,T(2)=150.2841,……,T(169)=153.7189;
(2)第二段曲线D2可表示为R={R(1),R(2),……,R(182)},R(1)=152.5386,R(2)=152.5386,……,R(182)=152.4529;
(3)在横轴标出待识别曲线时间序列的各个时序标号169,在纵轴标出代表曲线时间序列的各个时序标号182,通过这些时序标号的整数坐标画出一些纵横线可形成一个网络,所有格点依次为(1,1),……,(169,182),搜索(1,1)到(169,182)的最优路径;
(4):路径通过(1,1)后,下一个通过的格点只能是(1,2)、(2,1)、(2,2),计算可得(1,1)到(169,182)的积累最小距离为0.2316e+05;
(5):计算可得曲线D1时间序列T与曲线D2时间序列R之间的欧式距离为3.0884e+05;
(6):起点(1,1)到终点(169,182)的总的积累距离为3.32e+05;
计算曲线D1与其他曲线Dj(j=1,2,…,10)的距离方法同上所述,所得距离值为3.32e+05,4.22e+05,5.61e+05,8.22e+308,7.38e+05,6.02e+05,3.92e+05,8.95e+05,6.83e+05,8.29e+05;
计算曲线Di(i=1,2,…,10)与曲线Dj(j=1,2,…,10)的距离方法同上所述,所得距离矩阵为
(十):根据距离矩阵可知,第一行距离值第四个大于10308,则此曲线中含有电流突降故障。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,
使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
显然,上述实施例仅仅是为清楚地说明所作的举例,而并非对实施方式的限定。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引伸出的显而易见的变化或变动仍处于本发明创造的保护范围之中。
Claims (6)
1.一种信号机故障识别方法,其特征在于,包括以下步骤:
(1):采集信号机点灯回路电流曲线;
(2):将所获取的信号机点灯回路电流曲线等时间分为Y段曲线D;
(3):利用距离算法计算任意一条曲线Di(i=1,2,…,Y)与所有曲线Dj(j=1,2,…,Y)的距离Jij,得到距离矩阵J:
(4):根据距离矩阵J判断此信号机点灯回路电流曲线类型;所述根据距离矩阵判断此信号机点灯回路电流曲线类型的判定方法,具体为:
(4a):若距离矩阵J的值均小于105,则此曲线为信号机正常点灯回路电流曲线;
(4b):若距离矩阵J中某一行的值均大于等于105且小于106,则此曲线中含有电流波动故障;
(4c):若距离矩阵J中某一行的值有且仅有一个大于等于10308,则此曲线中含有电流突降故障;
(4d):若距离矩阵J中某一行的值有两个大于等于10308,则此曲线中含有电流不达标故障。
2.根据权利要求1所述的信号机故障识别方法,其特征在于,步骤(1)中所述采集信号机点灯回路电流曲线为微机监测系统中生成的信号机点灯回路电流曲线数据或图像,或为纸质文件中的信号机点灯回路电流曲线数据或图像。
3.根据权利要求1所述的信号机故障识别方法,其特征在于,在步骤(2)之前对所获取信号机点灯回路电流曲线进行预处理,包括以下步骤:
(2a):取彩色信号机点灯回路电流曲线图像中每个像素的R、G、B分量之间的均值作为该像素点的灰度值,将彩色信号机点灯回路电流曲线图像变换为灰度图像;
(2b):设置一个阈值使得灰度值大于该阈值的像素点取值为1,灰度值小于该阈值的像素点取值为0,将灰度图像变换为二值图像;
(2c):找出坐标轴所围成的目标区域,去除目标区域中游离孤立的像素点,并对曲线的边缘进行平滑处理,去除噪声;
(2d):使每一个时刻对应一个值,其像素点取值为0,对存在一列有多个像素点为0的情况进行细化处理;
(2e):通过函数变换,提取曲线上各点坐标。
4.根据权利要求1所述的信号机故障识别方法,其特征在于,步骤(2)中对将所获取的信号机点灯回路电流曲线等时间分为Y段曲线D,每段曲线的时间长度为30s。
5.根据权利要求1所述的信号机故障识别方法,其特征在于,步骤(3)之前对所获取信号机点灯回路电流曲线进行阈值判断,若信号机点灯回路电流出现零值,则可直接判断此段曲线中含有电流间断故障。
6.根据权利要求1所述的信号机故障识别方法,其特征在于,步骤(3)中所述利用距离算法计算任意一条曲线Di(i=1,2,…,Y)与所有曲线Dj(j=1,2,…,Y)的距离Jij,得到距离矩阵J:
所述距离算法为动态时间规整算法,包括以下步骤:
(3a):曲线Di可表示为T={T(1),T(2),……,T(n),……,T(N)},n为时间序列的时序标号,n=1为时间序列起点,n=N为时间序列终点,T(n)为所述时间序列的值;
(3b):曲线Dj可表示为R={R(1),R(2),……,R(m),……,R(M)},m为时间序列的时序标号,m=1为时间序列起点,m=M为时间序列终点,R(m)为所述时间序列的值;
(3c):在横轴标出曲线Di时间序列的各个时序标号n,在纵轴标出曲线Dj时间序列的各个时序标号m,通过这些时序标号的整数坐标画出一些纵横线可形成一个网络,所有格点依次为(1,1),……,(n,m),……,(N,M),搜索(1,1)到(N,M)的最优路径;
(3d):路径通过(n,m)后,下一个通过的格点只能是(n,m+1)、(n+1,m)、(n+1,m+1),选择(n,m)到下一格点的最小距离为最优路径,计算(1,1)到(N,M)的积累最小距离;
(3e):计算曲线Di时间序列T与曲线Dj时间序列R之间的欧式距离;
(3f):起点(1,1)到终点(N,M)的总的积累距离为起点(1,1)到终点(N,M)的积累最小距离、第一曲线Di时间序列T与第二曲线Dj时间序列R之间的欧式距离之和Jij。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810126367.6A CN108491855B (zh) | 2018-02-08 | 2018-02-08 | 一种信号机故障识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810126367.6A CN108491855B (zh) | 2018-02-08 | 2018-02-08 | 一种信号机故障识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108491855A CN108491855A (zh) | 2018-09-04 |
CN108491855B true CN108491855B (zh) | 2021-10-26 |
Family
ID=63339909
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810126367.6A Active CN108491855B (zh) | 2018-02-08 | 2018-02-08 | 一种信号机故障识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108491855B (zh) |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104807651B (zh) * | 2014-03-26 | 2017-11-21 | 浙江万向精工有限公司 | 一种电子驻车制动系统机电故障诊断方法 |
SE540019C2 (sv) * | 2014-06-03 | 2018-02-27 | Xylem Ip Man Sarl | Metod för styrning av ett pumparrangemang vid igensättning av en pump |
CN104483598B (zh) * | 2014-12-19 | 2017-03-08 | 成都高斯电子技术有限公司 | 一种电缆故障检测分析方法 |
CN105260595B (zh) * | 2015-04-02 | 2017-03-15 | 北京交通大学 | 道岔动作电流曲线的特征提取方法及道岔故障诊断方法 |
CN106022352A (zh) * | 2016-05-05 | 2016-10-12 | 哈尔滨理工大学 | 基于支持向量机的潜油柱塞泵故障诊断方法 |
CN107203746B (zh) * | 2017-05-12 | 2020-06-19 | 同济大学 | 一种道岔故障识别方法 |
-
2018
- 2018-02-08 CN CN201810126367.6A patent/CN108491855B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN108491855A (zh) | 2018-09-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107203746B (zh) | 一种道岔故障识别方法 | |
CN104091070B (zh) | 一种基于时间序列分析的轨道交通故障诊断方法和系统 | |
CN107612756A (zh) | 一种具有智能故障分析处理功能的运维管理系统 | |
CN107273802B (zh) | 一种铁路列车闸瓦钎环故障的检测方法及装置 | |
CN103699698A (zh) | 一种基于改进贝叶斯的轨道交通故障识别方法及系统 | |
CN105045256A (zh) | 基于数据对比分析的轨道交通实时故障诊断方法和系统 | |
CN103760901A (zh) | 一种基于关联规则分类器的轨道交通故障识别方法 | |
CN108872796A (zh) | 基于车载接触网运行状态检测的地面控制平台 | |
CN103164775A (zh) | 一种电网设备状态自动评价平台及方法 | |
CN110889339A (zh) | 基于头肩检测的危险区域分级预警方法与系统 | |
CN113269042B (zh) | 基于行驶车辆违章识别的智能交通管理方法及系统 | |
CN105241679A (zh) | 一种动车组隐蔽故障检测方法 | |
CN104731970B (zh) | 高速公路多源异构数据的数据质量评价与控制方法 | |
CN115880722A (zh) | 一种配电作业人员穿戴的智能识别方法、系统和介质 | |
CN109242131A (zh) | 道岔信息处理方法及装置 | |
CN116976865B (zh) | 基于大数据分析的船舶维修器件调配管理系统 | |
CN108491855B (zh) | 一种信号机故障识别方法 | |
CN113065462A (zh) | 用于电网架空线路的监测方法、装置、设备及存储介质 | |
CN115145214B (zh) | 一种高速公路设备控制系统 | |
CN112351247A (zh) | 一种基于图像处理的水电厂内电光闪光检测方法 | |
CN113762115B (zh) | 一种基于关键点检测的配网作业人员行为检测方法 | |
CN116032003A (zh) | 一种基于电力专网数据处理的电网巡检方法及系统 | |
CN104504713A (zh) | 一种动车组运行状态图像监控故障自动识别方法 | |
CN113032907A (zh) | 基于波形相关关系的晃车病害数据偏差纠正方法及系统 | |
CN111780809A (zh) | 轨道车辆零部件温度和振动监测预警方法及其系统 |
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 |