CN109214277A - 一种用于高铁牵引系统在线故障检测的设计方法 - Google Patents
一种用于高铁牵引系统在线故障检测的设计方法 Download PDFInfo
- Publication number
- CN109214277A CN109214277A CN201810833629.2A CN201810833629A CN109214277A CN 109214277 A CN109214277 A CN 109214277A CN 201810833629 A CN201810833629 A CN 201810833629A CN 109214277 A CN109214277 A CN 109214277A
- Authority
- CN
- China
- Prior art keywords
- speed rail
- data
- trailer system
- residual error
- rail trailer
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Signal Processing (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明公开了一种用于高铁牵引系统在线故障检测的设计方法,包括离线阶段和在线阶段。离线阶段:(1)储存正常运行工况下高铁牵引系统的运行数据;(2)用主元分析对存储的数据进行处理,将其映射到主元空间与残差空间;(3)在主元空间,用ICA对非高斯成分进行特征提取;(4)对ICA处理后的数据与残差空间的数据,根据Kullback‐Leibler散度定义统计量;(5)确定统计量的阈值。在线阶段:(6)读取在线数据;(7)根据离线阶段(2)和(3)对在线数据进行处理;(8)计算在线数据统计量的值;(9)判断是否发生故障。该方法可以在高铁牵引系统模型未知的情况下,对其微小故障进行实时的有效的检测。
Description
技术领域
本发明属于高铁故障检测领域,尤其涉及一种用于高铁牵引系统在线故障检测的设 计方法。
背景技术
随着广泛的市场需求和科技的进步,近二十年国内外的高铁技术迅猛发展,并成功 地应用于实际当中。高铁以强大的优势受到国际智能交通领域的广泛重视和关注。目前, 高铁已逐步成为大众的交通工具。然而,高铁牵引系统频发的故障,日益受到人们的关注。当故障发生后,会影响到整个高铁运行的性能,甚至发生不可逆转的严重后果,比 如财产损失和人员伤亡。因此,这就增加了对高铁牵引系统故障诊断的必要性。
在中国的高铁系统中,为了保证高铁的安全运行,由于某个元器件性能的改变导致 某些参数的变化,引起牵引系统参数自备的故障保护系统开始动作,这是对故障进行保护的一方面。但是,这样的保护系统显然不能对微小故障或者复合故障进行准确的定位。例如连接电网,高铁的桥梁,和高铁牵引变压器等。高铁牵引系统十分容易发生故障, 尤其是微小故障。例如,牵引系统变压器的绕组变形。发生绕组变形时,由于磁场分布 发生变化,会使得电压电流相应的发生改变,从而导致供电故障,影响高铁的正常运行。
在目前的高铁故障检测与诊断领域,方法主要有三种:基于模型的,基于知识的和基于数据的。基于知识的故障诊断方法需要大量的专家知识,由于故障的很多故障目前 专家也很难进行解释和判断,因此这个方法不适合用于微小故障的检测。此外,国内外 学者对微小故障的研究才刚起步。对于高铁牵引变压器的微小故障,主要来自于自身老 化导致性能的变化、工作环境的影响的波动以及内部温度的变化等。由于微小故障介于 无故障与故障之间,其变化特性不是很明显,这对故障诊断算法的敏感性要求更高,原 有的算法不适合于对微小故障的诊断。
发明内容
发明目的:针对以上现有技术存在的问题,本发明提出一种用于高铁牵引系统在线 故障检测的设计方法,可以有效地对高铁牵引系统的微小故障进行实时的故障检测。
技术方案:为实现本发明的目的,本发明所采用的技术方案是:一种用于高铁牵引系统在线故障检测的设计方法,该方法包括以下步骤:
(1)保存正常运行工况下高铁牵引系统的运行数据;
(2)用主元分析法对该数据进行处理,将其映射到主元空间与残差空间;
(3)在主元空间,用ICA对非高斯成分进行特征提取;
(4)对ICA处理后的数据与残差空间的数据,根据Kullback-Leibler散度计算统计量值;
(5)确定统计量的阈值;
(6)读取高铁牵引系统的实时运行数据;
(7)根据步骤(2)和(3)对实时运行数据进行处理;
(8)根据步骤(4)计算在线数据统计量的值;
(9)判断是否发生故障。
其中,在步骤(1)中,获取的运行数据如下:定义离线矩阵X为
X=[x(1),…,x(i),…,x(N)] (1)
其中,x(i)为第i个采样值,其中N是采样个数,d是每个采样所采集 的信号个数,i=1…N。
其中,在步骤(2)中,先将离线矩阵X进行去均值化与归一化两步标准化处理, 而后对X的协方差矩阵进行奇异值分解:
其中,和为主元空间与残差空间的载荷矩阵,和为特征值矩阵,l为主元个数,根据(2),可得到X的载荷矩阵Pp和Pr, 并计算tP和tr:
其中,x也即为传感器所采集到的原始信号,即x(i);和为主元得分与残差得分,进一步地,X在主元空间与残差空间的映射为
其中,Xp为主元空间的映射,Xr为残差空间的映射。
其中,在步骤(3)中,用ICA算法对Xp中的非高斯成分进行特征提取,方法如下: 将Xp信号预处理,再将处理后的信号作为ICA算法的输入信号,以负熵最大作为一个 搜寻方向,找到一个解混矩阵W,并将其定义为:
W=[w(1)…w(i)…w(d)]T (5)
其中,w(i)为W第i个向量,从原始矩阵提取的非高斯特征可以表示为:
Y=WXp=[y(1)…y(i)…y(N)] (6)
其中,y(i)为矩阵Y的第i个所提取分离后的数据样本。
其中,在步骤(4)中,根据Kullback-Leibler散度定义统计量方法如下:分为非高斯的特征与高斯的特征,对于非高斯的特征,结合Kullback‐Leibler散度,残差可以定义为:
其中,yk为式(6)中的第k列数据,为yk的移动窗口数据,且为的概率密度函数,p(yk)为yk的概率密度函数;
对于高斯的特征,定义残差r为:
定义基于Kullback‐Leibler散度的残差为:
其中,rj为残差r的第j列数据,为rj的移动窗口数据,为的均值,为的 方差,为的概率密度函数,p(rj)为rj的概率密度函数;
对于高斯与非高斯特征,基于Kullback‐Leibler散度的统计量可以定义为:
其中,
其中,在步骤(5)中,用于故障检测的假设检验可以定义为:
否则,高铁牵引系统发生了故障,其中,Jp,th和Jr,th为统计量与的阈值,并 且Jp,th和Jr,th可以根据与的概率密度函数以及给定的置信限水平进行得到。
其中,在步骤(8)中,根据步骤(7)得到的统计量与步骤(5)得到的阈值进行比 较,如果统计量任意一个大于阈值,表明高铁牵引系统发生故障;否则,说明高铁牵引 系统运行正常。
有益效果:与现有技术相比,本发明的技术方案具有以下有益的技术效果:
本发明是针对高铁牵引系统的微小故障检测系统的设计,提出利用Kullback-Leibler 散度与ICA算法结合的方案,用于对故障进行在线的检测。根据传感器获得的数据,先 进行数据预处理,再得到正常工况下的系统模型。针对高铁牵引系统的特性,通过对在 线数据的处理,来判断高铁牵引系统是否存在故障。相对于现有的高铁故障检测方法,本发明的优点在于,该方案可以有效地提取高铁信号中的非高斯特征和高斯特征,并结 合Kullback-Leibler散度,极大地提高了对故障的检测能力。
附图说明
图1是本发明的实现过程示意图;
图2是f1故障下本发明对故障检测结果;
图3是f2故障下本发明对故障检测结果;
图4是f3故障下本发明对故障检测结果。
具体实施方式
以下将结合附图,对本发明的技术方案及有益效果进行详细说明。
本发明提供一种用于电气牵引系统的微小故障检测与定位的系统设计方法,包括如 下步骤:
离线阶段,离线是高铁还没有运行,用积累下来的正常运行的历史数据:
(1)储存正常运行工况下高铁牵引系统的运行数据;
(2)用PCA对存储的数据进行处理,将其映射到主元空间与残差空间;
(3)在主元空间,用ICA对非高斯成分进行特征提取;
(4)对ICA处理后的数据与残差空间的数据,根据Kullback-Leibler散度定义统计量;
(5)确定统计量的阈值。
在线阶段,其中在线是高铁处在实时运行中,然后采集实时数据:
(5)读取在线数据;
(6)根据离线阶段(2)和(3)对在线数据进行处理;
(7)计算在线数据统计量的值;
(8)判断是否发生故障。
本实施例中,高铁牵引系统一共有6路传感器测量信号,包括牵引逆变器上桥臂与下桥臂电压vdc1,vdc2,三路电机输出电流ia,ib和ic,以及转速sp。当高铁以200km/h稳定 运行时对系统进行早期故障注入,此时共注入三种不同形式的偏置故障用以分别绘制故 障诊断图2、图3、图4:1)对vdc1路测量量注入偏置f1=10V;2)对iA路测量量注入偏 置f2=0.15A;3)对sp路测量量注入偏置f3=0.2rad/s。
根据收集的传感器离线数据,可定义离线矩阵X为
X=[x(1),…,x(i),…,x(N)] (1)
其中,x(i)为第i个采样值,且其中N是采样个数,在本实施例中采样 个数包括6路传感器测量信号,即N=6,N的取值可以按照实际信号数目进行选择设置; 其中d是采集的信号个数,表示每个传感器所采集到的信号包含的数据个数。
所述步骤(2)中,先将离线矩阵X进行去中心化与归一化两步标准化处理,即用 运行数据本身减去数据的均值也即去中心化,再归一化也即将去中心化后的数据除以自 身的标准差,由此可以得到预处理后的数据;而后对X的协方差矩阵进行奇异值分解:
其中,和为主元空间与残差空间的载荷矩阵。和为特征值矩阵,l为主元个数。根据(2),可得到X的载荷矩阵Pp和Pr, 并计算主元得分与残差得分:
其中,x也即为传感器所采集到的原始信号,即x∈{x(1),x(2),...,x(N)},其中,和为主元得分与残差得分。进一步地,X在主元空间与残差空间的映射为
其中,Xp为主元空间的映射,Xr为残差空间的映射。
所述步骤(3)中,用ICA算法对Xp中的非高斯成分进行特征提取,具体地,将Xp信号预处理,即先去中心化再归一化处理,然后将处理后的信号作为ICA算法的输入信 号,以负熵最大作为一个搜寻方向,找到一个解混矩阵W,并将其定义为:
W=[w(1)…w(i)…w(d)]T (5)
其中,w(i)为W第i个向量,因此,从原始矩阵提取的非高斯特征可以表示为:
Y=WXp=[y(1)…y(i)…y(N)] (6)
其中,y(i)为矩阵Y的第i个所提取分离后的数据样本。
所述步骤(4)中,分为非高斯的特征与高斯的特征。
对于非高斯的特征,结合Kullback‐Leibler散度,残差可以定义为:
其中,yk为式(6)中的第k列数据,为yk的移动窗口数据,且为的概率密度函数,p(yk)为yk的概率密度函数。
对于高斯特征,首先定义残差r为:
定义基于Kullback‐Leibler散度的残差为:
其中,rj为残差r的第j列数据,为rj的移动窗口数据,为的均值,为的方差,为的概率密度函数,p(rj)为rj的概率密度函数。
进一步地,对于高斯与非高斯特征,基于Kullback‐Leibler散度的统计量可以定义为
其中,
(13)
所述步骤(5)中,用于故障检测的假设检验可以定义为:
否则,高铁牵引系统发生了故障。其中,Jp,th和Jr,th为统计量与的阈值。Jp,th和Jr,th可以根据与的概率密度函数,即满足正态分布(高斯分布)的概率密度函数, 以及给定的置信限水平进行得到。
所述步骤(6)中,在线读取到新的采集数据。
所述步骤(7)中,根据所述步骤(2)和(3)对在线数据进行处理;
所述步骤(8)中,对在线数据根据式(10),计算其统计量。
所述步骤(9)中,对在线数据得到的统计量,根据(12)判断是否发生了故障。
初始故障f1是影响实验初始电源电压的开路故障,图2给出了本发明对该类故障的 检测结果。从图中我们可以看出统计量和对故障f1有局部的故障检测能力。
初始故障f2是发生在电流传感器上的闭环故障。从图3可以看出,只有在故障发生后对f2故障的检测能力较低,而能及时地对f2故障准确检测。
类似地,所提方案对速度传感器故障f3也能准确检测。众所周知,高铁牵引系统有预设的反馈机制来保证系统运行的稳定性和快速性,而电流环通常比速度环具有更快的调节速度。从图4可以看出,本发明中的统计量和可以有效地检测速度传感器微 小故障。
本实施例的方法是基于ICA,PCA和Kullback‐Leibler散度。本发明的方法可以实现快 速的微小故障检测。这种故障检测方法能够满足高频电力牵引系统的实时性要求。尤其 是在高铁牵引系统的数学模型和系统参数未知情况下,也有很高的故障诊断能力。
Claims (8)
1.一种用于高铁牵引系统在线故障检测的设计方法,其特征在于,该方法包括以下步骤:
(1)保存正常运行工况下高铁牵引系统的运行数据;
(2)用主元分析法对该数据进行处理,将其映射到主元空间与残差空间;
(3)在主元空间,用ICA对非高斯成分进行特征提取;
(4)对ICA处理后的数据与残差空间的数据,根据Kullback-Leibler散度计算统计量值;
(5)确定统计量的阈值;
(6)读取高铁牵引系统的实时运行数据;
(7)根据步骤(2)和(3)对实时运行数据进行处理;
(8)根据步骤(4)计算实时数据统计量的值;
(9)判断是否发生故障。
2.根据权利要求1所述的一种用于高铁牵引系统在线故障检测的设计方法,其特征在于,在步骤(1)和步骤(6)中,获取运行数据如下:定义离线矩阵X为:
X=[x(1),…,x(i),…,x(N)] (1)
其中,x(i)为第i个采样值,其中N是采样个数,d是每个采样所采集的信号个数,i=1…N。
3.根据权利要求2所述的一种用于高铁牵引系统在线故障检测的设计方法,其特征在于,在步骤(2)中,先将离线矩阵X进行去均值化与归一化两步标准化处理,然后对X的协方差矩阵进行奇异值分解:
其中,和为主元空间与残差空间的载荷矩阵,和为特征值矩阵,l为主元个数,根据(2),可得到X的载荷矩阵Pp和Pr,并计算tP和tr:
其中,x也即为传感器所采集到的原始信号,即x(i);和为主元得分与残差得分,进一步地,X在主元空间与残差空间的映射为:
其中,Xp为主元空间的映射,Xr为残差空间的映射。
4.根据权利要求3所述的一种用于高铁牵引系统在线故障检测的设计方法,其特征在于,在步骤(3)中,用ICA算法对Xp中的非高斯成分进行特征提取,方法如下:将Xp信号预处理,再将处理后的信号作为ICA算法的输入信号,以负熵最大作为一个搜寻方向,找到一个解混矩阵W,并将其定义为:
W=[w(1)… w(i)… w(d)]T (5)
其中,w(i)为W第i个向量,从原始矩阵提取的非高斯特征可以表示为:
Y=WXp=[y(1)… y(i)… y(N)] (6)
其中,y(i)为矩阵Y的第i个所提取分离后的数据样本。
5.根据权利要求4所述的一种用于高铁牵引系统在线故障检测的设计方法,其特征在于,在步骤(4)中,根据Kullback-Leibler散度定义统计量方法如下:分为非高斯的特征与高斯的特征,对于非高斯的特征,结合Kullback-Leibler散度,残差可以定义为:
其中,yk为式(6)中的第k列数据,为yk的移动窗口数据,且为的概率密度函数,p(yk)为yk的概率密度函数;
对于高斯的特征,定义残差r为:
定义基于Kullback-Leibler散度的残差为:
其中,rj为残差r的第j列数据,为rj的移动窗口数据,为的均值,为的方差,为的概率密度函数,p(rj)为rj的概率密度函数;
对于高斯与非高斯特征,基于Kullback-Leibler散度的统计量可以定义为:
其中,
6.根据权利要求5所述的一种用于高铁牵引系统在线故障检测的设计方法,其特征在于,在步骤(5)中,用于故障检测的假设检验可以定义为:
无故障 (12)
否则,高铁牵引系统发生了故障,其中,Jp,th和Jr,th为统计量与Tr 2的阈值。
7.根据权利要求6所述的一种用于高铁牵引系统在线故障检测的设计方法,其特征在于,Jp,th和Jr,th可以根据与Tr 2的概率密度函数以及给定的置信限水平进行得到。
8.根据权利要求1所述的一种用于高铁牵引系统在线故障检测的设计方法,其特征在于,在步骤(8)中,根据步骤(7)得到的统计量与步骤(5)得到的阈值进行比较,如果统计量与Tr 2任意一个大于阈值,表明高铁牵引系统发生故障;否则,说明高铁牵引系统运行正常。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810833629.2A CN109214277A (zh) | 2018-07-26 | 2018-07-26 | 一种用于高铁牵引系统在线故障检测的设计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810833629.2A CN109214277A (zh) | 2018-07-26 | 2018-07-26 | 一种用于高铁牵引系统在线故障检测的设计方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109214277A true CN109214277A (zh) | 2019-01-15 |
Family
ID=64990138
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810833629.2A Pending CN109214277A (zh) | 2018-07-26 | 2018-07-26 | 一种用于高铁牵引系统在线故障检测的设计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109214277A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110187206A (zh) * | 2019-05-22 | 2019-08-30 | 中国人民解放军国防科技大学 | 一种复杂工况下非高斯过程的悬浮系统的故障检测方法 |
CN112348071A (zh) * | 2020-10-30 | 2021-02-09 | 浙江大学 | 一种模块化多电平换流器子模块开关管开路故障诊断方法 |
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 (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105301470A (zh) * | 2015-08-12 | 2016-02-03 | 南京航空航天大学 | 一种crh5型高速列车牵引传动系统igbt故障诊断方法 |
US20160236698A1 (en) * | 2015-02-16 | 2016-08-18 | Electro-Motive Diesel, Inc. | Automatic Disabling of Unpowered Locked Wheel Fault Detection for Slipped Traction Motor Pinion |
-
2018
- 2018-07-26 CN CN201810833629.2A patent/CN109214277A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160236698A1 (en) * | 2015-02-16 | 2016-08-18 | Electro-Motive Diesel, Inc. | Automatic Disabling of Unpowered Locked Wheel Fault Detection for Slipped Traction Motor Pinion |
CN105301470A (zh) * | 2015-08-12 | 2016-02-03 | 南京航空航天大学 | 一种crh5型高速列车牵引传动系统igbt故障诊断方法 |
Non-Patent Citations (1)
Title |
---|
HONGTIAN CHEN等: ""Real-time incipient fault detection for electrical traction systems of CRH2"", 《NEUROCOMPUTING》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110187206A (zh) * | 2019-05-22 | 2019-08-30 | 中国人民解放军国防科技大学 | 一种复杂工况下非高斯过程的悬浮系统的故障检测方法 |
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 |
CN112348071A (zh) * | 2020-10-30 | 2021-02-09 | 浙江大学 | 一种模块化多电平换流器子模块开关管开路故障诊断方法 |
CN112348071B (zh) * | 2020-10-30 | 2022-05-17 | 浙江大学 | 一种模块化多电平换流器子模块开关管开路故障诊断方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109324266B (zh) | 一种基于深度学习的配网接地故障分析方法 | |
CN109214277A (zh) | 一种用于高铁牵引系统在线故障检测的设计方法 | |
CN110879372B (zh) | 基于特征相关的牵引系统主回路接地故障诊断方法及系统 | |
CN104390657A (zh) | 一种发电机组运行参数测量传感器故障诊断方法及系统 | |
CN103901882A (zh) | 一种列车动力系统在线监控故障诊断的系统及其方法 | |
CN108490923A (zh) | 用于电气牵引系统的微小故障检测与定位的系统设计方法 | |
CN104134010A (zh) | 一种基于朴素贝叶斯算法面向离散型数据的卫星故障诊断方法 | |
Gu et al. | An improved sensor fault diagnosis scheme based on TA-LSSVM and ECOC-SVM | |
CN105044497A (zh) | 一种牵引变流器故障智能分析方法 | |
CN106151170B (zh) | 一种液压系统的故障诊断方法、装置及翻车机 | |
Li et al. | Intelligent fault diagnosis of aeroengine sensors using improved pattern gradient spectrum entropy | |
Deng et al. | A deep learning method based on long short term memory and sliding time window for type recognition and time location of power quality disturbance | |
CN112036087A (zh) | 一种多策略融合的核动力关键设备故障诊断方法及系统 | |
CN113030723A (zh) | 一种交流异步电机状态监测系统 | |
CN115320886A (zh) | 一种飞行器舵面故障实时监测方法及系统 | |
CN106355187A (zh) | 视觉信息在电力设备监测中的应用 | |
Yan et al. | Wind turbine generator fault detection based on multi-layer neural network and random forest algorithm | |
Xu et al. | Aero-Engine gas-path fault diagnosis based on spatial structural characteristics of QAR data | |
Ni et al. | A real-time fault diagnosis method for grid-side overcurrent in train traction system using signal time series feature pattern recognition | |
CN111947954B (zh) | 一种城轨门系统故障或亚健康诊断方法及系统 | |
CN114118166A (zh) | 一种基于智能频谱监测的变压器故障诊断系统及方法 | |
Peng et al. | A probabilistic finite state automata-based fault detection method for traction motor | |
Jia et al. | A Deep Learning Combination Model to Predict TBM Disc-cutter Wear Status | |
Zhen et al. | Electrical motor current signal analysis using a dynamic time warping method for fault diagnosis | |
Wei et al. | A PATTERN RECOGNITION METHOD TO IDENTIFY THE ROOT FAULTS DURING ALARM FLOODS |
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 |
Application publication date: 20190115 |
|
RJ01 | Rejection of invention patent application after publication |