CN109204389A - 一种地铁设备故障诊断和自愈方法、系统 - Google Patents
一种地铁设备故障诊断和自愈方法、系统 Download PDFInfo
- Publication number
- CN109204389A CN109204389A CN201811062568.0A CN201811062568A CN109204389A CN 109204389 A CN109204389 A CN 109204389A CN 201811062568 A CN201811062568 A CN 201811062568A CN 109204389 A CN109204389 A CN 109204389A
- Authority
- CN
- China
- Prior art keywords
- equipment
- subway
- device signal
- fault diagnosis
- self
- 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
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B61—RAILWAYS
- B61L—GUIDING RAILWAY TRAFFIC; ENSURING THE SAFETY OF RAILWAY TRAFFIC
- B61L27/00—Central railway traffic control systems; Trackside control; Communication systems specially adapted therefor
- B61L27/50—Trackside diagnosis or maintenance, e.g. software upgrades
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B61—RAILWAYS
- B61L—GUIDING RAILWAY TRAFFIC; ENSURING THE SAFETY OF RAILWAY TRAFFIC
- B61L27/00—Central railway traffic control systems; Trackside control; Communication systems specially adapted therefor
- B61L27/40—Handling position reports or trackside vehicle data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Mechanical Engineering (AREA)
- Theoretical Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Telephonic Communication Services (AREA)
Abstract
本发明公开了一种地铁设备故障诊断和自愈方法、系统,其中地铁设备故障自愈方法包括:针对不同的地铁设备类型分别建立历史数据库;将历史数据库中的设备信号进行预处理,分别对划分的不同频率范围内的设备信号进行特征提取,将所有特征融合后输入训练网络,并将设备信号对应的设备状态输入训练网络进行训练,建立故障诊断预测模型;接收实时采集的某一地铁设备的设备信号,输入故障诊断预测模型,进行地铁设备故障诊断,并更新历史数据库,阶段性训练故障诊断预测模型;当诊断出设备故障时,查找故障对应的自愈方案生成故障自愈指令发送至故障设备,故障设备根据故障自愈指令执行自愈动作,完成地铁设备故障自愈。
Description
技术领域
本公开属于地铁设备诊断的技术领域,涉及一种地铁设备故障诊断和自愈方法、系统。
背景技术
本部分的陈述仅仅是提供了与本公开相关的背景技术信息,不必然构成在先技术。
地铁的自动化系统程度较高,其顺利运行背后需要众多不同地铁设备进行协同工作。地铁设备是共同保障地铁运输安全的设施,同时也是在列车安全运营的前提下使运输效率提高和地铁员工劳动条件得以改善的重要设备。保障地铁设备的安全、可靠、高效运行,对关键设备进行在线监测、故障诊断和预示,是当前的一个重要研究课题。为了使地铁设备无故障工作得到保证,地铁设备监控系统比不可少。
目前,地铁有综合监控系统、环境和设备监控系统,这两个系统对设备进行监视和控制,主要能诊断出设备的出现故障,但是不能发现具体是哪一类故障,并且出现故障后,不能进行相对的故障自愈。
此外,有些地铁设备发生故障后不容易被监测到,一旦监测到故障将会对地铁系统产生安全威胁。
发明内容
针对现有技术中存在的不足,本公开的一个或多个实施例提供了一种地铁设备故障诊断和自愈方法、系统,实现地铁设备的故障状态分析预测,在地铁设备出现故障后进行设备故障自愈,大幅度提高地铁自动化程度并且具有较大的经济价值。
根据本公开的一个或多个实施例的一个方面,提供一种地铁设备故障诊断方法。
一种地铁设备故障诊断方法,该方法包括:
针对不同的地铁设备类型分别建立历史数据库,所述历史数据库包括设备名称、设备信号和设备信号对应的设备状态;
将历史数据库中的设备信号进行预处理,分别对划分的不同频率范围内的设备信号进行特征提取,将所有特征融合后输入训练网络,并将设备信号对应的设备状态输入训练网络进行训练,建立故障诊断预测模型;
接收实时采集的某一地铁设备的设备信号,输入故障诊断预测模型,进行地铁设备故障诊断,并更新历史数据库,阶段性训练故障诊断预测模型。
进一步地,在该方法中,建立某一类型地铁设备的历史数据库的具体步骤包括:
记录该类型地铁设备中某一设备的设备名称,收集该设备的大量设备信号数据,并记录各个设备信号对应的设备状态;
记录该类型地铁设备中的下一个设备的设备名称,收集该设备的大量设备信号数据,并记录各个设备信号对应的设备状态,直至遍历该类型地铁设备中的全部设备。
进一步地,所述设备状态带有地铁设备类别标签,所述设备状态包括某一类型地铁设备的正常状态和该类型地铁设备的全部故障状态。
进一步地,所述建立故障诊断预测模型的具体步骤包括:
将历史数据库中的设备信号进行滤波处理;
将历史数据库中的设备信号进行小波变换,并将小波变换后的设备信号根据频率的不同划分不同的频率范围;
分别对不同频率范围内小波变换后的设备信号进行特征提取,将所有特征进行融合,得到第一融合特征;
将历史数据库中的该设备信号进行EMD变换,并将EMD变换后的设备信号根据频率的不同划分不同的频率范围;
分别对不同频率范围内EMD变换后的设备信号进行特征提取,将所有特征进行融合,得到第二融合特征;
组合第一融合特征和第二融合特征,作为故障诊断预测模型训练网络的输入;
重复上述步骤,直至遍历历史数据库中的所有设备信号;
将设备信号对应的设备状态输入训练网络进行训练,得到设备信号和设备状态的对应关系,建立故障诊断预测模型。
进一步地,所述建立故障诊断预测模型的具体步骤还包括:
改变第一融合特征和/或第二融合特征融合时的排列组合,输入训练网络,将网络正确率最高的排列组合下的第一融合特征和第二融合特征进行组合,作为故障诊断预测模型训练网络的输入进行训练。
根据本公开的一个或多个实施例的另一个方面,还提供一种地铁设备故障诊断系统。
一种地铁设备故障诊断系统,基于上述一种地铁设备故障诊断方法,包括:
数据存储模块,被配置为:针对不同的地铁设备类型分别建立历史数据库,所述历史数据库包括设备名称、设备信号和设备信号对应的设备状态;将历史数据库中的设备信号进行预处理,分别对划分的不同频率范围内的设备信号进行特征提取,将所有特征融合后输入训练网络,并将设备信号对应的设备状态输入训练网络进行训练,建立故障诊断预测模型;
故障诊断模块,被配置为:实时采集某一地铁设备的设备信号,输入调用的数据存储模块中的故障诊断预测模型,进行地铁设备故障诊断,并更新数据存储模块中的历史数据库,阶段性训练故障诊断预测模型。
进一步地,所述数据存储模块包括:
历史数据采集子模块,被配置为:采集不同的地铁设备类型的设备名称、设备信号和设备信号对应的设备状态;
数据库子模块,被配置为:针对不同的地铁设备类型分别建立历史数据库,所述历史数据库包括设备名称、设备信号和设备信号对应的设备状态;
数据分析子模块,被配置为:将历史数据库中的设备信号进行预处理,分别对划分的不同频率范围内的设备信号进行特征提取,将所有特征融合后输入训练网络,并将设备信号对应的设备状态输入训练网络进行训练,建立故障诊断预测模型;
进一步地,所述故障诊断模块包括:
实时数据采集子模块,被配置为:实时采集的某一地铁设备的设备信号;
故障诊断模块子模块,被配置为:接收实时采集的某一地铁设备的设备信号,输入调用的数据存储模块中的故障诊断预测模型,进行地铁设备故障诊断,并更新数据存储模块中的历史数据库,阶段性训练故障诊断预测模型。
根据本公开的一个或多个实施例的另一个方面,还提供一种地铁设备故障自愈方法。
一种地铁设备故障自愈方法,该方法包括:
针对不同的地铁设备类型分别建立历史数据库,所述历史数据库包括设备名称、设备信号、设备信号对应的设备状态和设备状态中故障对应的自愈方案;
将历史数据库中的设备信号进行预处理,分别对划分的不同频率范围内的设备信号进行特征提取,将所有特征融合后输入训练网络,并将设备信号对应的设备状态输入训练网络进行训练,建立故障诊断预测模型;
接收实时采集的某一地铁设备的设备信号,输入故障诊断预测模型,进行地铁设备故障诊断,并更新历史数据库,阶段性训练故障诊断预测模型;
当诊断出设备故障时,查找故障对应的自愈方案生成故障自愈指令发送至故障设备,故障设备根据故障自愈指令执行自愈动作,完成地铁设备故障自愈。
进一步地,在该方法中,建立某一类型地铁设备的历史数据库的具体步骤包括:
记录该类型地铁设备中某一设备的设备名称,收集该设备的大量设备信号数据,并记录各个设备信号对应的设备状态;
记录该类型地铁设备中的下一个设备的设备名称,收集该设备的大量设备信号数据,并记录各个设备信号对应的设备状态,直至遍历该类型地铁设备中的全部设备;
接收设备状态中故障对应的自愈方案。
进一步地,所述设备状态带有地铁设备类别标签,所述设备状态包括某一类型地铁设备的正常状态和该类型地铁设备的全部故障状态。
进一步地,所述建立故障诊断预测模型的具体步骤包括:
将历史数据库中的设备信号进行滤波处理;
将历史数据库中的设备信号进行小波变换,并将小波变换后的设备信号根据频率的不同划分不同的频率范围;
分别对不同频率范围内小波变换后的设备信号进行特征提取,将所有特征进行融合,得到第一融合特征;
将历史数据库中的该设备信号进行EMD变换,并将EMD变换后的设备信号根据频率的不同划分不同的频率范围;
分别对不同频率范围内EMD变换后的设备信号进行特征提取,将所有特征进行融合,得到第二融合特征;
组合第一融合特征和第二融合特征,作为故障诊断预测模型训练网络的输入;
重复上述步骤,直至遍历历史数据库中的所有设备信号;
将设备信号对应的设备状态输入训练网络进行训练,得到设备信号和设备状态的对应关系,建立故障诊断预测模型。
进一步地,所述建立故障诊断预测模型的具体步骤还包括:
改变第一融合特征和/或第二融合特征融合时的排列组合,输入训练网络,将网络正确率最高的排列组合下的第一融合特征和第二融合特征进行组合,作为故障诊断预测模型训练网络的输入进行训练。
根据本公开的一个或多个实施例的另一个方面,还提供一种一种地铁设备故障自愈系统。
一种地铁设备故障自愈系统,基于上述一种地铁设备故障自愈方法,包括:
数据存储模块,被配置为:针对不同的地铁设备类型分别建立历史数据库,所述历史数据库包括设备名称、设备信号、设备信号对应的设备状态和设备状态中故障对应的自愈方案;将历史数据库中的设备信号进行预处理,分别对划分的不同频率范围内的设备信号进行特征提取,将所有特征融合后输入训练网络,并将设备信号对应的设备状态输入训练网络进行训练,建立故障诊断预测模型;
故障自愈模块,被配置为:实时采集某一地铁设备的设备信号,输入故障诊断预测模型,进行地铁设备故障诊断,并更新历史数据库,阶段性训练故障诊断预测模型;当诊断出设备故障时,查找故障对应的自愈方案生成故障自愈指令发送至故障设备,故障设备根据故障自愈指令执行自愈动作,完成地铁设备故障自愈。
进一步地,所述数据存储模块包括:
历史数据采集子模块,被配置为:采集不同的地铁设备类型的设备名称、设备信号和设备信号对应的设备状态;
数据库子模块,被配置为:针对不同的地铁设备类型分别建立历史数据库,所述历史数据库包括设备名称、设备信号、设备信号对应的设备状态和设备状态中故障对应的自愈方案;
数据分析子模块,被配置为:将历史数据库中的设备信号进行预处理,分别对划分的不同频率范围内的设备信号进行特征提取,将所有特征融合后输入训练网络,并将设备信号对应的设备状态输入训练网络进行训练,建立故障诊断预测模型;
进一步地,所述故障自愈模块包括:
实时数据采集子模块,被配置为:实时采集的某一地铁设备的设备信号;
故障自愈模块子模块,被配置为:接收实时采集的某一故障设备的设备信号,输入调用的数据存储模块中的故障诊断预测模型,进行地铁设备故障诊断,并更新数据存储模块中的历史数据库,阶段性训练故障诊断预测模型;当诊断出设备故障时,查找故障对应的自愈方案生成故障自愈指令发送至故障设备,故障设备根据故障自愈指令执行自愈动作,完成地铁设备故障自愈。
进一步地,所述的一种地铁设备故障自愈系统还包括与所述故障自愈模块配合工作的故障设备。
本公开的有益效果:
本发明所述的一种地铁设备故障诊断和自愈方法、系统,针对地铁设备可以预测到不同的设备状态,实时判断故障状态,如果发现故障,启动故障自愈方案,提高自动化的程度,给运营带来了较大的便捷性,节约了人力物力,有很大的经济价值。
附图说明
构成本申请的一部分的说明书附图用来提供对本申请的进一步理解,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。
图1是根据一个或多个实施例的一种地铁设备故障诊断方法流程图;
图2是根据一个或多个实施例的一种地铁设备故障诊断系统结构图;
图3是根据一个或多个实施例的一种地铁设备故障自愈方法流程图。
具体实施方式:
下面将结合本公开的一个或多个实施例中的附图,对本公开的一个或多个实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本公开的一个或多个实施例,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。
应该指出,以下详细说明都是例示性的,旨在对本申请提供进一步的说明。除非另有指明,本实施例使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本申请的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
需要注意的是,附图中的流程图和框图示出了根据本公开的各种实施例的方法和系统的可能实现的体系架构、功能和操作。应当注意,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,所述模块、程序段、或代码的一部分可以包括一个或多个用于实现各个实施例中所规定的逻辑功能的可执行指令。也应当注意,在有些作为备选的实现中,方框中所标注的功能也可以按照不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,或者它们有时也可以按照相反的顺序执行,这取决于所涉及的功能。同样应当注意的是,流程图和/或框图中的每个方框、以及流程图和/或框图中的方框的组合,可以使用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以使用专用硬件与计算机指令的组合来实现。
在不冲突的情况下,本公开中的实施例及实施例中的特征可以相互组合,下面结合附图与实施例对本公开作进一步说明。
根据本公开的一个或多个实施例的一个方面,提供一种地铁设备故障诊断方法。本公开的一个或多个实施例主要针对地铁的硬件设备,比如风水电设备,综合监控系统设备等,同时,该发明也可以用在其他场所的硬件设备。
如图1所示,一种地铁设备故障诊断方法,该方法包括:
针对不同的地铁设备类型分别建立历史数据库,所述历史数据库包括设备名称、设备信号和设备信号对应的设备状态;
将历史数据库中的设备信号进行预处理,分别对划分的不同频率范围内的设备信号进行特征提取,将所有特征融合后输入训练网络,并将设备信号对应的设备状态输入训练网络进行训练,建立故障诊断预测模型;
接收实时采集的某一地铁设备的设备信号,输入故障诊断预测模型,进行地铁设备故障诊断,当诊断出设备故障时进行预警,并更新历史数据库,阶段性训练故障诊断预测模型。
根据本公开的一个或多个实施例的针对的地铁设备,比如空调专业设备,动照专业设备,水专业设备,综合监控专业设备,自动售票专业设备,通信信号专业设备,车辆专业设备,轨道专业设备等设备,每一种设备有着不同的故障类型,并且在某种故障类型下对应不同故障处理手段。
根据本公开的一个或多个实施例,首先确定设备类型,然后针对不同的设备类型建立历史数据库;
进一步地,在该方法中,建立某一类型地铁设备的历史数据库的具体步骤包括:
记录该类型地铁设备中某一设备的设备名称,收集该设备的大量设备信号数据,并记录各个设备信号对应的设备状态;可以采用传感器采集该设备的设备信号;一般状态可以分为正常,故障1,故障2,故障3.....等内容。
记录该类型地铁设备中的下一个设备的设备名称,收集该设备的大量设备信号数据,并记录各个设备信号对应的设备状态,直至遍历该类型地铁设备中的全部设备。
进一步地,所述设备状态带有地铁设备类别标签,所述设备状态包括某一类型地铁设备的正常状态和该类型地铁设备的全部故障状态。
建立的某一类型地铁设备的历史数据库,主要记录输入数据和输出数据,输入数据和输出数据一一映射,输入数据就是传感器采集的设备信号数据,然后输出数据是对应设备状态,设备状态分类带上类别标签,分别用1,2,3.代表,或者用000,001,010,100,101等代表输出的信号。这部分要求,数据库庞大,采集到所有设备的内容,并且要设备的输入信号和对应的输出信号完整,长期采集到的信号,并且采集信号全面不能漏,并且数据具有代表性,采集的周期长,涵盖各种故障状态,作为大数据分析的数据支撑。
进一步地,所述建立故障诊断预测模型的具体步骤包括:
步骤(1):将输入信号(历史数据库中的设备信号)进行滤波处理;
步骤(2):将历史数据库中的设备信号进行小波变换,并将小波变换后的设备信号根据频率的不同划分不同的频率范围;
对于采集的输入信号1,进行小波变换,然后划分不同的频率范围。A=A1-A2;B=A3-A4;C=A5-A6....D,E,F,G,H范围,记录不同的范围并存储。
步骤(3):分别对不同频率范围内小波变换后的设备信号进行特征提取,将所有特征进行融合,得到第一融合特征;
步骤(3-1):对于范围A,进行特征提取,进行时域特征提取;提取均值,方差,最大值,最小值,众数,中位数,均方根误差等内容,记录特征t1;
步骤(3-2):对于范围B,C,D....进行步骤(3-1)操作,记录为t2,t3,t4....;
步骤(3-3):将t1,t2,t3,....等所有的特征进行融合,集成特征M1;
步骤(4):将历史数据库中的该设备信号进行EMD变换,并将EMD变换后的设备信号根据频率的不同划分不同的频率范围;
对于采集的输入信号1,进行emd变换,然后划分不同的频率范围。A=A1-A2;B=A3-A4.C=A5-A6....D,E,F,G,H范围,记录不同的范围并存储
步骤(5):分别对不同频率范围内EMD变换后的设备信号进行特征提取,将所有特征进行融合,得到第二融合特征;;然后重复进行步骤(3),记录融合特征为M2;
步骤(6):组合第一融合特征和第二融合特征,作为故障诊断预测模型训练网络的输入;
特征M1和M2组合,作为CNN网络的输入;在本公开的一个或多个实施例中不仅限于采用CNN网络进行模型训练;
步骤(7):重复上述步骤,直至遍历历史数据库中的所有设备信号;
针对输入信号2,3,4....采取步骤(1)-(6)的操作;
步骤(8):改变第一融合特征和/或第二融合特征融合时的排列组合,输入训练网络,将网络正确率最高的排列组合下的第一融合特征和第二融合特征进行组合,作为故障诊断预测模型训练网络的输入进行训练;
对于不同的范围A,B,C,D,E,F等,选择不同的排列组合,输入到CNN中,查看网络的正确率,并且选择正确率最高的方案下的范围组合,记成组合ZUHE1,记录方案;
步骤(9):将设备信号对应的设备状态输入训练网络进行训练,得到设备信号和设备状态的对应关系,建立故障诊断预测模型。
运用范围ZUHE1,进行CNN的训练,得到输入信号和输出信号的对应关系,并且保存net,供后面的识别用。
根据本公开的一个或多个实施例的另一个方面,还提供一种地铁设备故障诊断系统。
一种地铁设备故障诊断系统,基于上述一种地铁设备故障诊断方法,包括:
数据存储模块,被配置为:针对不同的地铁设备类型分别建立历史数据库,所述历史数据库包括设备名称、设备信号和设备信号对应的设备状态;将历史数据库中的设备信号进行预处理,分别对划分的不同频率范围内的设备信号进行特征提取,将所有特征融合后输入训练网络,并将设备信号对应的设备状态输入训练网络进行训练,建立故障诊断预测模型;
故障诊断模块,被配置为:实时采集某一地铁设备的设备信号,输入调用的数据存储模块中的故障诊断预测模型,进行地铁设备故障诊断,当诊断出设备故障时进行预警,并更新数据存储模块中的历史数据库,阶段性训练故障诊断预测模型。
特别的,本系统具有增加WEB浏览功能,趋势预测功能。
如图2所示,进一步地,所述数据存储模块包括:
历史数据采集子模块,被配置为:采集不同的地铁设备类型的设备名称、设备信号和设备信号对应的设备状态;历史数据采集子模块是通过传感器安装在被检测的设备上,例如,风机上安装位移传感器,频率传感器,加速度传感器,那么可以采集到风机的位移,频率,加速度等相关信息。然后收集大量的数据并且记录该数据下的设备状态,一般状态可以分为正常,故障1,故障2,故障3.....等内容。
数据库子模块,被配置为:针对不同的地铁设备类型分别建立历史数据库,所述历史数据库包括设备名称、设备信号和设备信号对应的设备状态;数据库部分,主要记录输入数据和输出数据,输入数据和输出数据一一映射,输入数据就是传感器采集的数据,然后输出数据是对应设备状态,设备状态分类带上类别标签,分别用1,2,3.代表,或者用000,001,010,100,101等代表输出的信号。这部分要求,数据库庞大,采集到所有设备的内容,并且要设备的输入信号和对应的输出信号完整,长期采集到的信号,并且采集信号全面不能漏,并且数据具有代表性,采集的周期长,涵盖各种故障状态,作为大数据分析的数据支撑。
数据分析子模块,被配置为:将历史数据库中的设备信号进行预处理,分别对划分的不同频率范围内的设备信号进行特征提取,将所有特征融合后输入训练网络,并将设备信号对应的设备状态输入训练网络进行训练,建立故障诊断预测模型。数据分析子模块主要是针对传感器采集的数据和相关的故障类型之间建立网络,包装成暗箱,当有新的数据输入时,调用暗箱分析预测出设备的状态。
需要注意的是,本公开中的一个或多个实施例的数据存储模块要求:
(1)采集设备种类齐全,故障类型和故障的输入信号全面有代表性,并且网络搭建准确,正确率高。
(2)要求不定时更新,自我学习,可以进行阶段性的学习和更新,保证存储系统可以最先进的水平
(3)该系统预留未来设备的接入接口,可以对新设备进行增加或者旧设备删除等功能。
进一步地,所述故障诊断模块包括:
实时数据采集子模块,被配置为:实时采集的某一地铁设备的设备信号;
故障诊断模块子模块,被配置为:接收实时采集的某一地铁设备的设备信号,输入调用的数据存储模块中的故障诊断预测模型,进行地铁设备故障诊断,当诊断出设备故障时进行预警,并更新数据存储模块中的历史数据库,阶段性训练故障诊断预测模型。
根据本公开的一个或多个实施例的另一个方面,还提供一种地铁设备故障自愈方法。
如图3所示,一种地铁设备故障自愈方法,该方法包括:
针对不同的地铁设备类型分别建立历史数据库,所述历史数据库包括设备名称、设备信号、设备信号对应的设备状态和设备状态中故障对应的自愈方案;
将历史数据库中的设备信号进行预处理,分别对划分的不同频率范围内的设备信号进行特征提取,将所有特征融合后输入训练网络,并将设备信号对应的设备状态输入训练网络进行训练,建立故障诊断预测模型;
接收实时采集的某一地铁设备的设备信号,输入故障诊断预测模型,进行地铁设备故障诊断,并更新历史数据库,阶段性训练故障诊断预测模型;
当诊断出设备故障时,查找故障对应的自愈方案生成故障自愈指令发送至故障设备,故障设备根据故障自愈指令执行自愈动作,完成地铁设备故障自愈。
进一步地,在该方法中,建立某一类型地铁设备的历史数据库的具体步骤包括:
记录该类型地铁设备中某一设备的设备名称,收集该设备的大量设备信号数据,并记录各个设备信号对应的设备状态;
记录该类型地铁设备中的下一个设备的设备名称,收集该设备的大量设备信号数据,并记录各个设备信号对应的设备状态,直至遍历该类型地铁设备中的全部设备;
接收设备状态中故障对应的自愈方案。设备的故障状态可以分为多种形式,不单纯只有一个故障状态,分为故障类型1,故障类型2.....,并且相关的故障类型下,对应一种或者多种自愈方案。
进一步地,所述设备状态带有地铁设备类别标签,所述设备状态包括某一类型地铁设备的正常状态和该类型地铁设备的全部故障状态。
进一步地,所述建立故障诊断预测模型的具体步骤包括:
步骤(1):将输入信号(历史数据库中的设备信号)进行滤波处理;
步骤(2):将历史数据库中的设备信号进行小波变换,并将小波变换后的设备信号根据频率的不同划分不同的频率范围;
对于采集的输入信号1,进行小波变换,然后划分不同的频率范围。A=A1-A2;B=A3-A4;C=A5-A6....D,E,F,G,H范围,记录不同的范围并存储。
步骤(3):分别对不同频率范围内小波变换后的设备信号进行特征提取,将所有特征进行融合,得到第一融合特征;
步骤(3-1):对于范围A,进行特征提取,进行时域特征提取;提取均值,方差,最大值,最小值,众数,中位数,均方根误差等内容,记录特征t1;
步骤(3-2):对于范围B,C,D....进行步骤(3-1)操作,记录为t2,t3,t4....;
步骤(3-3):将t1,t2,t3,....等所有的特征进行融合,集成特征M1;
步骤(4):将历史数据库中的该设备信号进行EMD变换,并将EMD变换后的设备信号根据频率的不同划分不同的频率范围;
对于采集的输入信号1,进行emd变换,然后划分不同的频率范围。A=A1-A2;B=A3-A4.C=A5-A6....D,E,F,G,H范围,记录不同的范围并存储
步骤(5):分别对不同频率范围内EMD变换后的设备信号进行特征提取,将所有特征进行融合,得到第二融合特征;;然后重复进行步骤(3),记录融合特征为M2;
步骤(6):组合第一融合特征和第二融合特征,作为故障诊断预测模型训练网络的输入;
特征M1和M2组合,作为CNN网络的输入;在本公开的一个或多个实施例中不仅限于采用CNN网络进行模型训练;
步骤(7):重复上述步骤,直至遍历历史数据库中的所有设备信号;
针对输入信号2,3,4....采取步骤(1)-(6)的操作;
步骤(8):改变第一融合特征和/或第二融合特征融合时的排列组合,输入训练网络,将网络正确率最高的排列组合下的第一融合特征和第二融合特征进行组合,作为故障诊断预测模型训练网络的输入进行训练;
对于不同的范围A,B,C,D,E,F等,选择不同的排列组合,输入到CNN中,查看网络的正确率,并且选择正确率最高的方案下的范围组合,记成组合ZUHE1,记录方案;
步骤(9):将设备信号对应的设备状态输入训练网络进行训练,得到设备信号和设备状态的对应关系,建立故障诊断预测模型。
运用范围ZUHE1,进行CNN的训练,得到输入信号和输出信号的对应关系,并且保存net,供后面的识别用。
故障类型属于分类问题,本发明中用CNN(卷积神经网络)进行分类识别,可以认为采用其他分类方法属于同一类发明。
进一步地,所述建立故障诊断预测模型的具体步骤还包括:
改变第一融合特征和/或第二融合特征融合时的排列组合,输入训练网络,将网络正确率最高的排列组合下的第一融合特征和第二融合特征进行组合,作为故障诊断预测模型训练网络的输入进行训练。
在本公开的一个或多个实施例中,故障自愈方案的内容是诊断故障类型启动自我修复的方法。故障自愈的具体方案是
(1)找到故障类型,发送相应的脉冲和定时信号
(2)故障脉冲传递给相关设备的机械设备
(3)机械设备启动相关的执行机构
(4)接受定时信号结束信息,执行机构停止操作。
例如,如果是风机缺少油,那么根据预先在风机设备的加油机械装置,如果发生缺油的故障,那么系统给一个触发信号,启动自动加油的执行机构,给风机加油,完成自愈功能。其他的设备故障对应下的方案类似。
根据本公开的一个或多个实施例的另一个方面,还提供一种地铁设备故障自愈系统。
一种地铁设备故障自愈系统,基于上述一种地铁设备故障自愈方法,包括:
数据存储模块,被配置为:针对不同的地铁设备类型分别建立历史数据库,所述历史数据库包括设备名称、设备信号、设备信号对应的设备状态和设备状态中故障对应的自愈方案;将历史数据库中的设备信号进行预处理,分别对划分的不同频率范围内的设备信号进行特征提取,将所有特征融合后输入训练网络,并将设备信号对应的设备状态输入训练网络进行训练,建立故障诊断预测模型;
故障自愈模块,被配置为:实时采集某一地铁设备的设备信号,输入故障诊断预测模型,进行地铁设备故障诊断,并更新历史数据库,阶段性训练故障诊断预测模型;当诊断出设备故障时,预警并查找故障对应的自愈方案生成故障自愈指令发送至故障设备,故障设备根据故障自愈指令执行自愈动作,完成地铁设备故障自愈。
特别的,本系统具有增加WEB浏览功能,趋势预测功能。
进一步地,所述数据存储模块包括:
历史数据采集子模块,被配置为:采集不同的地铁设备类型的设备名称、设备信号和设备信号对应的设备状态;
数据库子模块,被配置为:针对不同的地铁设备类型分别建立历史数据库,所述历史数据库包括设备名称、设备信号、设备信号对应的设备状态和设备状态中故障对应的自愈方案;设备的故障状态可以分为多种形式,不单纯只有一个故障状态,分为故障类型1,故障类型2.....,并且相关的故障类型下,对应一种或者多种自愈方案。故障类型属于分类问题,本发明中用CNN(卷积神经网络)进行分类识别,可以认为采用其他分类方法属于同一类发明。
数据库子模块主要记录输入数据和输出数据,输入数据和输出数据一一映射,输入数据就是传感器采集的数据,然后输出数据是对应设备状态,设备状态分类带上类别标签,分别用1,2,3.代表,或者用000,001,010,100,101等代表输出的信号。这部分要求,数据库庞大,采集到所有设备的内容,并且要设备的输入信号和对应的输出信号完整,长期采集到的信号,并且采集信号全面不能漏,并且数据具有代表性,采集的周期长,涵盖各种故障状态,作为大数据分析的数据支撑。
数据分析子模块,被配置为:将历史数据库中的设备信号进行预处理,分别对划分的不同频率范围内的设备信号进行特征提取,将所有特征融合后输入训练网络,并将设备信号对应的设备状态输入训练网络进行训练,建立故障诊断预测模型;
进一步地,所述故障自愈模块包括:
实时数据采集子模块,被配置为:实时采集的某一地铁设备的设备信号;
故障自愈模块子模块,被配置为:接收实时采集的某一故障设备的设备信号,输入调用的数据存储模块中的故障诊断预测模型,进行地铁设备故障诊断,并更新数据存储模块中的历史数据库,阶段性训练故障诊断预测模型;当诊断出设备故障时,查找故障对应的自愈方案生成故障自愈指令发送至故障设备,故障设备根据故障自愈指令执行自愈动作,完成地铁设备故障自愈。
进一步地,所述的一种地铁设备故障自愈系统还包括与所述故障自愈模块配合工作的故障设备。
应当注意,尽管在上文的详细描述中提及了设备的若干模块或子模块,但是这种划分仅仅是示例性而非强制性的。实际上,根据本公开的实施例,上文描述的两个或更多模块的特征和功能可以在一个模块中具体化。反之,上文描述的一个模块的特征和功能可以进一步划分为由多个模块来具体化。
本领域内的技术人员应明白,本公开的实施例可提供为方法、系统、或计算机程序产品。因此,本公开可采用硬件实施例、软件实施例、或结合软件和硬件方面的实施例的形式。而且,本公开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和光学存储器等)上实施的计算机程序产品的形式。
本公开是参照根据本公开实施例的方法、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。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-OnlyMemory,ROM)或随机存储记忆体(RandomAccessMemory,RAM)等。
本公开的有益效果:
本发明所述的一种地铁设备故障诊断和自愈方法、系统,针对地铁设备可以存储设备输入信号并且进行分析,输入到网络进行训练、网络模型保存,可以预测到不同的设备状态,并且设备可以进行在线式实时监测故障类型,实时判断故障状态,针对故障类型可以进行相应的自愈处理,如果发现故障,启动故障自愈方案,达到设备自我修复的能力,提高自动化的程度,给运营带来了较大的便捷性,节约了人力物力,有很大的经济价值。
以上所述仅为本申请的优选实施例而已,并不用于限制本申请,对于本领域的技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种地铁设备故障诊断方法,其特征在于,该方法包括:
针对不同的地铁设备类型分别建立历史数据库,所述历史数据库包括设备名称、设备信号和设备信号对应的设备状态;
将历史数据库中的设备信号进行预处理,分别对划分的不同频率范围内的设备信号进行特征提取,将所有特征融合后输入训练网络,并将设备信号对应的设备状态输入训练网络进行训练,建立故障诊断预测模型;
接收实时采集的某一地铁设备的设备信号,输入故障诊断预测模型,进行地铁设备故障诊断,并更新历史数据库,阶段性训练故障诊断预测模型。
2.如权利要求1所述的一种地铁设备故障诊断方法,其特征在于,在该方法中,建立某一类型地铁设备的历史数据库的具体步骤包括:
记录该类型地铁设备中某一设备的设备名称,收集该设备的大量设备信号数据,并记录各个设备信号对应的设备状态;
记录该类型地铁设备中的下一个设备的设备名称,收集该设备的大量设备信号数据,并记录各个设备信号对应的设备状态,直至遍历该类型地铁设备中的全部设备;
进一步地,所述设备状态带有地铁设备类别标签,所述设备状态包括某一类型地铁设备的正常状态和该类型地铁设备的全部故障状态。
3.如权利要求1所述的一种地铁设备故障诊断方法,其特征在于,所述建立故障诊断预测模型的具体步骤包括:
将历史数据库中的设备信号进行滤波处理;
将历史数据库中的设备信号进行小波变换,并将小波变换后的设备信号根据频率的不同划分不同的频率范围;
分别对不同频率范围内小波变换后的设备信号进行特征提取,将所有特征进行融合,得到第一融合特征;
将历史数据库中的该设备信号进行EMD变换,并将EMD变换后的设备信号根据频率的不同划分不同的频率范围;
分别对不同频率范围内EMD变换后的设备信号进行特征提取,将所有特征进行融合,得到第二融合特征;
组合第一融合特征和第二融合特征,作为故障诊断预测模型训练网络的输入;
重复上述步骤,直至遍历历史数据库中的所有设备信号;
将设备信号对应的设备状态输入训练网络进行训练,得到设备信号和设备状态的对应关系,建立故障诊断预测模型;
进一步地,所述建立故障诊断预测模型的具体步骤还包括:
改变第一融合特征和/或第二融合特征融合时的排列组合,输入训练网络,将网络正确率最高的排列组合下的第一融合特征和第二融合特征进行组合,作为故障诊断预测模型训练网络的输入进行训练。
4.一种地铁设备故障诊断系统,其特征在于,基于如权利要求1-3中任一项所述的一种地铁设备故障诊断方法,包括:
数据存储模块,被配置为:针对不同的地铁设备类型分别建立历史数据库,所述历史数据库包括设备名称、设备信号和设备信号对应的设备状态;将历史数据库中的设备信号进行预处理,分别对划分的不同频率范围内的设备信号进行特征提取,将所有特征融合后输入训练网络,并将设备信号对应的设备状态输入训练网络进行训练,建立故障诊断预测模型;
故障诊断模块,被配置为:实时采集某一地铁设备的设备信号,输入调用的数据存储模块中的故障诊断预测模型,进行地铁设备故障诊断,并更新数据存储模块中的历史数据库,阶段性训练故障诊断预测模型。
5.如权利要求4所述的一种地铁设备故障诊断系统,其特征在于,所述数据存储模块包括:
历史数据采集子模块,被配置为:采集不同的地铁设备类型的设备名称、设备信号和设备信号对应的设备状态;
数据库子模块,被配置为:针对不同的地铁设备类型分别建立历史数据库,所述历史数据库包括设备名称、设备信号和设备信号对应的设备状态;
数据分析子模块,被配置为:将历史数据库中的设备信号进行预处理,分别对划分的不同频率范围内的设备信号进行特征提取,将所有特征融合后输入训练网络,并将设备信号对应的设备状态输入训练网络进行训练,建立故障诊断预测模型;
进一步地,所述故障诊断模块包括:
实时数据采集子模块,被配置为:实时采集的某一地铁设备的设备信号;
故障诊断模块子模块,被配置为:接收实时采集的某一地铁设备的设备信号,输入调用的数据存储模块中的故障诊断预测模型,进行地铁设备故障诊断,并更新数据存储模块中的历史数据库,阶段性训练故障诊断预测模型。
6.一种地铁设备故障自愈方法,其特征在于,该方法包括:
针对不同的地铁设备类型分别建立历史数据库,所述历史数据库包括设备名称、设备信号、设备信号对应的设备状态和设备状态中故障对应的自愈方案;
将历史数据库中的设备信号进行预处理,分别对划分的不同频率范围内的设备信号进行特征提取,将所有特征融合后输入训练网络,并将设备信号对应的设备状态输入训练网络进行训练,建立故障诊断预测模型;
接收实时采集的某一地铁设备的设备信号,输入故障诊断预测模型,进行地铁设备故障诊断,并更新历史数据库,阶段性训练故障诊断预测模型;
当诊断出设备故障时,查找故障对应的自愈方案生成故障自愈指令发送至故障设备,故障设备根据故障自愈指令执行自愈动作,完成地铁设备故障自愈。
7.如权利要求6所述的一种地铁设备故障自愈方法,其特征在于,在该方法中,建立某一类型地铁设备的历史数据库的具体步骤包括:
记录该类型地铁设备中某一设备的设备名称,收集该设备的大量设备信号数据,并记录各个设备信号对应的设备状态;
记录该类型地铁设备中的下一个设备的设备名称,收集该设备的大量设备信号数据,并记录各个设备信号对应的设备状态,直至遍历该类型地铁设备中的全部设备;
接收设备状态中故障对应的自愈方案;
进一步地,所述设备状态带有地铁设备类别标签,所述设备状态包括某一类型地铁设备的正常状态和该类型地铁设备的全部故障状态。
8.如权利要求6所述的一种地铁设备故障自愈方法,其特征在于,所述建立故障诊断预测模型的具体步骤包括:
将历史数据库中的设备信号进行滤波处理;
将历史数据库中的设备信号进行小波变换,并将小波变换后的设备信号根据频率的不同划分不同的频率范围;
分别对不同频率范围内小波变换后的设备信号进行特征提取,将所有特征进行融合,得到第一融合特征;
将历史数据库中的该设备信号进行EMD变换,并将EMD变换后的设备信号根据频率的不同划分不同的频率范围;
分别对不同频率范围内EMD变换后的设备信号进行特征提取,将所有特征进行融合,得到第二融合特征;
组合第一融合特征和第二融合特征,作为故障诊断预测模型训练网络的输入;
重复上述步骤,直至遍历历史数据库中的所有设备信号;
将设备信号对应的设备状态输入训练网络进行训练,得到设备信号和设备状态的对应关系,建立故障诊断预测模型;
进一步地,所述建立故障诊断预测模型的具体步骤还包括:
改变第一融合特征和/或第二融合特征融合时的排列组合,输入训练网络,将网络正确率最高的排列组合下的第一融合特征和第二融合特征进行组合,作为故障诊断预测模型训练网络的输入进行训练。
9.一种地铁设备故障自愈系统,其特征在于,基于如权利要求6-8中任一项所述的一种地铁设备故障自愈方法,包括:
数据存储模块,被配置为:针对不同的地铁设备类型分别建立历史数据库,所述历史数据库包括设备名称、设备信号、设备信号对应的设备状态和设备状态中故障对应的自愈方案;将历史数据库中的设备信号进行预处理,分别对划分的不同频率范围内的设备信号进行特征提取,将所有特征融合后输入训练网络,并将设备信号对应的设备状态输入训练网络进行训练,建立故障诊断预测模型;
故障自愈模块,被配置为:实时采集某一地铁设备的设备信号,输入故障诊断预测模型,进行地铁设备故障诊断,并更新历史数据库,阶段性训练故障诊断预测模型;当诊断出设备故障时,查找故障对应的自愈方案生成故障自愈指令发送至故障设备,故障设备根据故障自愈指令执行自愈动作,完成地铁设备故障自愈。
10.如权利要求9所述的一种地铁设备故障自愈系统,其特征在于,所述数据存储模块包括:
历史数据采集子模块,被配置为:采集不同的地铁设备类型的设备名称、设备信号和设备信号对应的设备状态;
数据库子模块,被配置为:针对不同的地铁设备类型分别建立历史数据库,所述历史数据库包括设备名称、设备信号、设备信号对应的设备状态和设备状态中故障对应的自愈方案;
数据分析子模块,被配置为:将历史数据库中的设备信号进行预处理,分别对划分的不同频率范围内的设备信号进行特征提取,将所有特征融合后输入训练网络,并将设备信号对应的设备状态输入训练网络进行训练,建立故障诊断预测模型;
进一步地,所述故障自愈模块包括:
实时数据采集子模块,被配置为:实时采集的某一地铁设备的设备信号;
故障自愈模块子模块,被配置为:接收实时采集的某一故障设备的设备信号,输入调用的数据存储模块中的故障诊断预测模型,进行地铁设备故障诊断,并更新数据存储模块中的历史数据库,阶段性训练故障诊断预测模型;当诊断出设备故障时,查找故障对应的自愈方案生成故障自愈指令发送至故障设备,故障设备根据故障自愈指令执行自愈动作,完成地铁设备故障自愈;
进一步地,所述的一种地铁设备故障自愈系统还包括与所述故障自愈模块配合工作的故障设备。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811062568.0A CN109204389B (zh) | 2018-09-12 | 2018-09-12 | 一种地铁设备故障诊断和自愈方法、系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811062568.0A CN109204389B (zh) | 2018-09-12 | 2018-09-12 | 一种地铁设备故障诊断和自愈方法、系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109204389A true CN109204389A (zh) | 2019-01-15 |
CN109204389B CN109204389B (zh) | 2020-11-13 |
Family
ID=64983778
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811062568.0A Active CN109204389B (zh) | 2018-09-12 | 2018-09-12 | 一种地铁设备故障诊断和自愈方法、系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109204389B (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110361207A (zh) * | 2019-07-25 | 2019-10-22 | 中南大学 | 一种智能列车走行部在线状态预测系统及其方法 |
CN110428109A (zh) * | 2019-08-07 | 2019-11-08 | 佳都新太科技股份有限公司 | 地铁屏蔽门故障间隔时间预测模型建立及预测方法 |
CN110758478A (zh) * | 2019-11-27 | 2020-02-07 | 佳讯飞鸿(北京)智能科技研究院有限公司 | 铁路信号设备预告警系统及方法 |
CN111596604A (zh) * | 2020-06-12 | 2020-08-28 | 中国科学院重庆绿色智能技术研究院 | 一种基于数字孪生的工程装备故障智能诊断与自愈控制系统及方法 |
CN111835082A (zh) * | 2020-05-22 | 2020-10-27 | 华南理工大学 | 一种地铁直流牵引供电系统故障自愈的智能控制方法 |
CN112583876A (zh) * | 2019-09-30 | 2021-03-30 | 比亚迪股份有限公司 | 车站管理方法、装置、电子设备及存储介质 |
CN113392862A (zh) * | 2020-03-12 | 2021-09-14 | 中国移动通信集团山东有限公司 | 感知数据的自愈管控方法、装置、计算机设备和存储介质 |
CN113537519A (zh) * | 2020-04-10 | 2021-10-22 | 北京京东乾石科技有限公司 | 一种识别异常设备的方法和装置 |
WO2022037536A1 (zh) * | 2020-08-17 | 2022-02-24 | 中兴通讯股份有限公司 | 故障处理方法、装置、网络设备和存储介质 |
CN115809281A (zh) * | 2022-11-28 | 2023-03-17 | 青岛方维智能科技有限公司 | 基于数据采集和设备诊断的专家数据库自学习方法和装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120087547A1 (en) * | 2010-10-12 | 2012-04-12 | Ncr Corporation | Produce recognition method |
CN103714348A (zh) * | 2014-01-09 | 2014-04-09 | 北京泰乐德信息技术有限公司 | 一种基于决策树的轨道交通故障诊断方法和系统 |
CN108032878A (zh) * | 2017-12-07 | 2018-05-15 | 交控科技股份有限公司 | 一种列车电子化维护系统和维护方法 |
CN108268355A (zh) * | 2016-12-31 | 2018-07-10 | 中国移动通信集团四川有限公司 | 用于数据中心的监控系统及方法 |
CN108304960A (zh) * | 2017-12-29 | 2018-07-20 | 中车工业研究院有限公司 | 一种轨道交通设备故障诊断方法 |
-
2018
- 2018-09-12 CN CN201811062568.0A patent/CN109204389B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120087547A1 (en) * | 2010-10-12 | 2012-04-12 | Ncr Corporation | Produce recognition method |
CN103714348A (zh) * | 2014-01-09 | 2014-04-09 | 北京泰乐德信息技术有限公司 | 一种基于决策树的轨道交通故障诊断方法和系统 |
CN108268355A (zh) * | 2016-12-31 | 2018-07-10 | 中国移动通信集团四川有限公司 | 用于数据中心的监控系统及方法 |
CN108032878A (zh) * | 2017-12-07 | 2018-05-15 | 交控科技股份有限公司 | 一种列车电子化维护系统和维护方法 |
CN108304960A (zh) * | 2017-12-29 | 2018-07-20 | 中车工业研究院有限公司 | 一种轨道交通设备故障诊断方法 |
Non-Patent Citations (1)
Title |
---|
林选: ""基于小波包和EMD相结合的电机轴承故障诊断"", 《万方学位论文》 * |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110361207A (zh) * | 2019-07-25 | 2019-10-22 | 中南大学 | 一种智能列车走行部在线状态预测系统及其方法 |
CN110428109A (zh) * | 2019-08-07 | 2019-11-08 | 佳都新太科技股份有限公司 | 地铁屏蔽门故障间隔时间预测模型建立及预测方法 |
CN110428109B (zh) * | 2019-08-07 | 2020-11-03 | 佳都新太科技股份有限公司 | 地铁屏蔽门故障间隔时间预测模型建立及预测方法 |
CN112583876A (zh) * | 2019-09-30 | 2021-03-30 | 比亚迪股份有限公司 | 车站管理方法、装置、电子设备及存储介质 |
CN110758478A (zh) * | 2019-11-27 | 2020-02-07 | 佳讯飞鸿(北京)智能科技研究院有限公司 | 铁路信号设备预告警系统及方法 |
CN110758478B (zh) * | 2019-11-27 | 2021-08-31 | 佳讯飞鸿(北京)智能科技研究院有限公司 | 铁路信号设备预告警系统及方法 |
CN113392862B (zh) * | 2020-03-12 | 2022-12-09 | 中国移动通信集团山东有限公司 | 感知数据的自愈管控方法、装置、计算机设备和存储介质 |
CN113392862A (zh) * | 2020-03-12 | 2021-09-14 | 中国移动通信集团山东有限公司 | 感知数据的自愈管控方法、装置、计算机设备和存储介质 |
CN113537519A (zh) * | 2020-04-10 | 2021-10-22 | 北京京东乾石科技有限公司 | 一种识别异常设备的方法和装置 |
CN113537519B (zh) * | 2020-04-10 | 2024-05-24 | 北京京东乾石科技有限公司 | 一种识别异常设备的方法和装置 |
CN111835082B (zh) * | 2020-05-22 | 2021-04-09 | 华南理工大学 | 一种实现地铁直流牵引供电系统故障自愈的智能控制方法 |
CN111835082A (zh) * | 2020-05-22 | 2020-10-27 | 华南理工大学 | 一种地铁直流牵引供电系统故障自愈的智能控制方法 |
CN111596604A (zh) * | 2020-06-12 | 2020-08-28 | 中国科学院重庆绿色智能技术研究院 | 一种基于数字孪生的工程装备故障智能诊断与自愈控制系统及方法 |
WO2022037536A1 (zh) * | 2020-08-17 | 2022-02-24 | 中兴通讯股份有限公司 | 故障处理方法、装置、网络设备和存储介质 |
CN115809281A (zh) * | 2022-11-28 | 2023-03-17 | 青岛方维智能科技有限公司 | 基于数据采集和设备诊断的专家数据库自学习方法和装置 |
CN115809281B (zh) * | 2022-11-28 | 2023-10-20 | 青岛方维智能科技有限公司 | 基于数据采集和设备诊断的专家数据库自学习方法和装置 |
Also Published As
Publication number | Publication date |
---|---|
CN109204389B (zh) | 2020-11-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109204389A (zh) | 一种地铁设备故障诊断和自愈方法、系统 | |
CN108073497B (zh) | 一种基于数据中心数据采集平台的多指标异动分析方法 | |
CN109343395B (zh) | 一种核电厂dcs操作日志的异常检测系统和方法 | |
KR20210019564A (ko) | 운영 유지 시스템 및 방법 | |
CN103530715B (zh) | 高速铁路行车固定设备网格化管理系统及管理方法 | |
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 | |
CN109840157A (zh) | 故障诊断的方法、装置、电子设备和存储介质 | |
CN105574593B (zh) | 基于云计算和大数据的轨道状态静态检控系统及方法 | |
CN109501834A (zh) | 一种道岔转辙机故障预测方法及装置 | |
CN106712713A (zh) | 一种光伏电站的监测系统以及监测和异常定位方法 | |
CN112926257A (zh) | 往复式天然气压缩机故障诊断系统以及诊断方法 | |
CN105759784B (zh) | 一种基于数据包络分析的故障诊断方法 | |
CN106301522A (zh) | 遥感卫星地面站数据接收任务的可视化故障诊断方法及系统 | |
CN103902816A (zh) | 基于数据挖掘技术的带电检测数据处理方法 | |
CN107479540B (zh) | 故障诊断方法以及系统 | |
CN110728381A (zh) | 一种基于rfid和数据处理的发电厂智能巡检方法及系统 | |
CN112687022A (zh) | 一种基于视频的智能楼宇巡检方法及系统 | |
CN103023028A (zh) | 一种基于实体间依赖关系图的电网故障快速定位方法 | |
CN115328036A (zh) | 一种智能化生产线运行管理平台 | |
CN112000558A (zh) | 轨道交通信号系统自动化测试用例生成方法 | |
CN107084853A (zh) | 云制造下设备故障预测方法 | |
CN117150418B (zh) | 基于状态特征故障树的变压器运检周期制定方法和系统 | |
CN107025293A (zh) | 一种电力二次设备缺陷数据挖掘方法及系统 | |
CN114331073A (zh) | 一种储能电站运维管理方法、系统及装置 | |
Mao et al. | A visual model-based evaluation framework of cloud-based prognostics and health management |
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 |