CN109556862A - 基于自供电传感网络的列车轮对轴承安全监测系统 - Google Patents
基于自供电传感网络的列车轮对轴承安全监测系统 Download PDFInfo
- Publication number
- CN109556862A CN109556862A CN201811402698.4A CN201811402698A CN109556862A CN 109556862 A CN109556862 A CN 109556862A CN 201811402698 A CN201811402698 A CN 201811402698A CN 109556862 A CN109556862 A CN 109556862A
- Authority
- CN
- China
- Prior art keywords
- data
- sample
- wireless sensor
- vibration acceleration
- bearing
- 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
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M13/00—Testing of machine parts
- G01M13/04—Bearings
- G01M13/045—Acoustic or vibration analysis
Landscapes
- Physics & Mathematics (AREA)
- Acoustics & Sound (AREA)
- General Physics & Mathematics (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明提供了基于自供电传感网络的轨道列车轮对轴承的安全监测系统,包括:能量收集装置、无线传感器和数据分析中心;能量收集装置,用于将列车运行过程中产生的振动机械能转化为电能,并将所述的电能输出给所述的无线传感器,所述的无线传感器通过所述的电能进行工作;无线传感器,用于以一定的频率采集列车运行过程中轮对轴承的振动加速度数据,并将所述振动加速度数据实时发送到所述数据分析中心;数据分析中心,用于对接收到的所述无线传感器发送的列车轮对轴承实时振动加速度数据进行实时分析。实现了轴承运行状态的实时监控预警,为列车的服役安全和健康管理提供了有效的技术手段。
Description
技术领域
本发明涉及轨道交通运行安全监测领域,尤其涉及基于自供电传感网络的轨道列车轮对轴承的安全监测系统。
背景技术
随着轨道交通技术的发展,越来越多的轨道交通列车投入到运营当中,列车的运行安全成为保障轨道交通高效安全运行的重要环节,而列车轮对轴承作为轨道交通列车走行部的重要组成部分,其安全状态对于整个列车的运行安全有着不可忽视的作用。因此,轨道列车轮对轴承的安全监测成为列车运行安全保障的必要内容。
现有传统的轮对轴承安全监测方法主要包括:基于温度的监测方法、基于油样分析的监测方法和基于振动信号的监测方法。基于温度的监测方法对轴承载荷、速度和润滑情况的变化反映比较敏感,但对于早期点蚀、剥落、轻微磨损等早期故障并不适用。基于油样分析方法只适用于油润滑轴承,而不适用于脂润滑轴承,而且不能对列车进行实时监测。振动分析方法不仅可以有效的诊断出早期故障,而且诊断结果较为可靠和稳定,可操作性强,在实际中得到了极为广泛的应用,但是现有技术中采用的振动分析方法对轮对轴承安全监测系统体积和重量都很大,并且基于监控的耗电情况,很难对其进行实时监控预警,难以保证列车运行中的安全性。
由于我国目前主要采用基于列车运行里程的列车轴承的维修机制,即在列车行驶固定里程之后就统一成批次更换新的轴承,这样可以保证因列车轴承的失效引起事故的风险降到最低。但事实表明,多数被更换的轴承没有失效甚至没有故障,这样势必会造成巨大的经济浪费。
发明内容
本发明提供了基于自供电传感网络的轨道列车轮对轴承的安全监测系统,以通过收集列车运行产生的振动能量为无线传感模块供电,无线传感模块实现数据收集和传输,通过信噪比增强、频带优选、特征提取和机器学习的方法对列车轮对轴承的状态进行监测。
为了实现上述目的,本发明采取了如下技术方案。
本发明提供了一种基于自供电传感网络的轨道列车轮对轴承的安全监测系统,其特征在于,包括:能量收集装置、无线传感器和数据分析中心;
能量收集装置,用于将列车运行过程中产生的振动机械能转化为电能,并将所述的电能输出给所述的无线传感器,所述的无线传感器通过所述的电能进行工作;
无线传感器,用于以一定的频率采集列车运行过程中轮对轴承的振动加速度数据,并将所述振动加速度数据实时发送到所述数据分析中心;
数据分析中心,用于对接收到的所述无线传感器发送的列车轮对轴承实时振动加速度数据进行实时分析。
进一步地,能量收集装置包括发电模块和电源管理模块;
发电模块,用于将列车运行过程中产生的机械能转化为电能;
电源管理模块,用于将所述的电能转化为直流电,并对所述的直流电进行稳压和输出。
进一步地,能量收集装置安装于列车走行部的轴箱上。
进一步地,发电模块包括第一摩擦层、用作电极的第二摩擦层、贴合于第二摩擦层下表面的包含有电解质的凝胶层和贴合于所述凝胶层下表面的电极层。
进一步地,第一摩擦层和第二摩擦层为上下两个相对独立的基于接触分离式的发电机,所述第一摩擦层和第二摩擦层之间由弹性部件相连。
进一步地,无线传感器包括振动加速度计和无线数据传输模块;
所述的振动加速度计,用于列车轮对轴承的振动加速度信号采集;所述的无线数据传输模块,用于将采集到的振动加速度数据发送至数据分析中心。
进一步地,数据分析中心包括数据存储模块和数据分析模块;
所述的数据存储模块,用于接收并存储所述振动加速度数据;
所述的数据分析模块,用于采用振动信号分析算法对接收的振动加速度数据进行分析,通过分析结果对列车轮对轴承的状态进行辨识和预测。
进一步地,数据分析模块用于采用振动信号分析算法对接收的振动加速度数据进行分析,所述的振动信号分析算法包括:
1)特征提取,根据采样频率对振动信号样本分段,并计算每一段振动信号样本的时域特征参数;
2)根据所述的时域特征参数,辨识训练集数据分布是否平衡,若不平衡,则执行步骤3),否则,执行步骤4);
3)采用改进的自适应合成抽样算法对通过自供电传感网采集到的轴承数据集重新采样,将采样结果作为梯度提升树的输入;
4)训练梯度提升树模型,采用十字交叉验证对训练集数据和验证集数据进行划分;
5)新样本辨识,将新采集的振动信号样本输入到训练得到的梯度提升树模型进行故障辨识;
所述的改进自适应合成抽样算法包括以下步骤:
1)根据重新采样的振动信号样本中每类样本的数目将样本分类,按照每类样本的数目顺序排列各类样本;
2)计算第二大类样本数据的不平衡度,如果第二大类的不平衡度大于标准阈值,则不需要重新采样,否则,进行重新采样;
3)计算增加样本后的各类样本数据的不平衡度,若各类样本数据的不均衡度大于标准阈值,则不需要进行重采样;否则,综合每类样本的样本数目进行重新采样。
由上述本发明提供的技术方案可以看出,本发明的基于自供电传感网络的列车轮对轴承安全监测系统具有节省供电、体积小、重量轻以及智能化程度高的特点,实现了轴承运行状态的实时监控预警,并且通过实际实验证明,采用本发明方法对列车轮对轴承安全监测的诊断准确率达92%以上,为列车的服役安全和健康管理提供了有效的技术手段。
本发明附加的方面和优点将在下面的描述中部分给出,这些将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,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为本发明提供的基于自供电传感网络的轨道列车轮对轴承的安全监测系统示意图;
图2为本发明提供的基于自供电传感网络的轨道列车轮对轴承的安全监测系统应用示意图;
图3为本发明的振动信号分析算法流程图;
图4为本发明数据分析算法与基础分析算法的结果对比图。
具体实施方式
下面详细描述本发明的实施方式,所述实施方式的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施方式是示例性的,仅用于解释本发明,而不能解释为对本发明的限制。
本技术领域技术人员可以理解,除非另外定义,这里使用的所有术语(包括技术术语和科学术语)具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是,诸如通用字典中定义的那些术语应该被理解为具有与现有技术的上下文中的意义一致的意义,并且除非像这里一样定义,不会用理想化或过于正式的含义来解释。
为便于对本发明实施例的理解,下面将结合附图以具体实施例为例做进一步的解释说明。
本发明实施例的基于自供电传感网络的轨道列车轮对轴承的安全监测系统,旨在通过自供电的方式实现了对列车轮对轴承行状态的实时监控预警。
实施例
图1为本发明提供的基于自供电传感网络的轨道列车轮对轴承的安全监测系统示意图,图2为为本发明提供的基于自供电传感网络的轨道列车轮对轴承的安全监测系统应用示意图,参照图1和图2,该系统包括:能量收集装置、无线传感器和数据分析中心;
能量收集装置,用于将列车运行过程中产生的振动机械能转化为电能,并将所述的电能输出给所述的无线传感器,所述的无线传感器通过所述的电能进行工作;
无线传感器,用于以一定的频率采集列车运行过程中轮对轴承的振动加速度数据,并将所述振动加速度数据实时发送到所述数据分析中心;
数据分析中心,用于对接收到的所述无线传感器发送的列车轮对轴承实时振动加速度数据进行实时分析。分析得到的结果可以为列车调度维修计划提供决策支持。
优选地,能量收集装置包括发电模块和电源管理模块。
发电模块,用于将列车运行过程中产生的机械能转化为电能。
电源管理模块,用于将所述的电能转化为直流电,并对所述的直流电进行稳压和输出。
优选地,能量收集装置,安装于列车走行部的轴箱上,收集列车在运行过程中产生的垂向振动的机械能,并将其转化为电能,通过直流电的方式传输给无线传感器。
优选地,发电模块包括第一摩擦层、用作电极的第二摩擦层、贴合于第二摩擦层下表面的包含有电解质的凝胶层和贴合于凝胶层下表面的电极层。
进一步地,第一摩擦层和第二摩擦层为上下两个相对独立的基于接触分离式的发电机,所述第一摩擦层和第二摩擦层之间由弹性部件相连贴合于凝胶层下表面的电极层组成,优选地,所述发电机为摩擦纳米发电机。
通过所述的第二摩擦层和电极层输出电信号。当施加外力时,所述第一摩擦层和第二摩擦层发生接触的分离,导致所述第一摩擦层得到电子带负电,所述第二摩擦层失去电子带正电,所述电极层上表面感应出负电荷。所述第二摩擦层和电极层之间形成电场,驱动所述凝胶层的带电离子发生移动,产生离子通道,增大了所述第二摩擦层和电极层表面电荷浓度,提高了输出电流。
优选地,无线传感器包括振动加速度计和无线数据传输模块。
振动加速度计,用于列车轮对轴承的振动加速度信号采集;无线数据传输模块,用于将采集到的振动加速度数据发送至数据分析中心。
优选地,数据分析中心包括数据存储模块和数据分析模块;
数据存储模块,用于接收并存储所述振动加速度数据;
数据分析模块,通过振动信号分析算法对接收的振动加速度数据进行分析,通过分析结果对列车轮对轴承的状态进行辨识和预测。
进一步地,图3为本发明的振动信号分析算法流程图,参照图3,振动信号分析算法包括:
1)特征提取,根据采样频率对振动信号样本分段,计算每一段振动信号样本的时域特征参数,时域特征参数,包括均方根、峰值、偏度、峭度、偏度因数、峭度因数、形状因子、峰值因子、冲击因子、能量、香农熵和能量熵。
2)根据所述的时域特征参数,辨识训练集数据分布是否平衡,若不平衡,则执行步骤3),否则,执行步骤4)。优选地,辨识训练集数据分布是否平衡,设置标准阈值为0.5,若小于0.5为不平衡,否则,为平衡。
3)采用改进的自适应合成(Adaptive Synthetic,ADSYN)抽样算法对通过自供电传感网采集到的轴承数据集重新采样,将所述的采样结果作为梯度提升树的输入;
4)训练梯度提升树(Gradient Boosting Decision Tree,GBDT)模型,采用十字交叉验证对训练集数据和验证集数据进行划分为两组,分别为训练集和验证集,训练集数据用于产生梯度提升树,验证集数据用于测试训练得出的梯度提升树的分类效果。示意性地,将原始数据均分成10组,将每个子集数据分别做一次验证集,其余的9组子集数据作为训练集,这样会得到K个模型,用这10个模型最终的验证集的分类准确率的平均数作为此分类器的性能指标。
5)新样本辨识。将新采集的振动信号样本输入到训练得到的梯度提升树模型进行故障辨识。示意性地,运营商可以根据分析结果制定列车的调度维修计划。
进一步地,改进自适应合成抽样算法包括以下步骤:
①根据重新采样的振动信号样本中每类样本的数目将样本分类,按照每类样本的数目顺序排列各类样本如式(1)所示,示意性地,轴承样本包括正常轴承样本C0,内圈故障轴承样本C1,外圈故障轴承样本C2和滚动体故障轴承样本C3,这四类数据样本共同构成振动信号样本。可能存在的样本排序为C0C1C2C3,则C0为第一大类样本,C1为第二大类样本,C2为第三大类样本,C3为第四大类样本。
Cn:某类样本的数目;Sort{}:根据每类样本的数目,对样本进行排序;
SC0,SC1,...,SCN表示排序后的各类样本。
②计算第二大类样本数据的不平衡度,如式(2)所示,如果第二大类样本数据的不平衡度大于标准阈值,则不需要重新采样,否则,进行重新采样,所述的重新采样指基于原采样数据改变采样频率产生新的数据集。
rN-1=SCN-1/Cmax (2)
其中,rN-1为不平衡度。
进一步地,进行重新采样方法包括如下步骤:
ⅰ.计算需要产生的第二大类类样本总数目,如式(3)所示
GN-1=(Cmax-SCN-1)×β (3)
β∈[0,1],代表进行重新采样产生的第二大类样本比例占大类样本的比例。其中,大类样本指样本数目最大的样本。
ⅱ.对xi∈SCN-1,基于欧氏距离找出K临近点,并计算比例En,N-1:
En,N-1=Δn,N-1/K (4)
Δn,N-1:属于Cmax的K临近范围内的样本点xi。
ⅲ.为保证En,N-1的同密度分布,对所述比例En,N-1采用归一化处理,如下式(5)所示:
ⅳ.计算对于每个样本xi需要产生的重新采样的样本数,如式(6)所示
ⅴ.根据下式(7),对第二大类样本重新采样产生新的训练集。
newSCN-1=SCN-1+gN-1 (7)
③本步骤与步操②作基本相同,但需要计算增加样本后的第三大类相对于第一大类和第二大类数据的不平衡度,如式(8)所示。
rN-2,1=SCN-2/Cmax
rN-2,2=SCN-2/newSCN-1 (8)
如果第三大类样本数据的不平衡度大于标准阈值,则不需要重新采样,否则,进行重新采样,采样方法包括:
ⅰ.计算所述第三大类需要产生的样本总数目,如式(9)所示。
ⅱ.对xi∈SCN-2,计算比例En,N-2,1,En,N-2,2,如式(10)所示。
En,N-2,1=Δn,N-2,1/K
En,N-2,2=Δn,N-2,2/K (10)
Δn,N-2,1属于Cmax的K临近范围内的样本点xi;
Δn,N-2,2属于newSCN-1的K临近范围内的样本点xi。
ⅲ.计算对于每个样本xi需要产生的重新采样的样本数目如式(11)所示。
ⅳ.产生新训练集如式(12)所示。
newSCN-2=SCN-2+gN-2,1+gN-2,2 (12)
需要说明的是,计算SCN-3,SCN-4到SC1,每次计算都需要比较产生的新类别与已有类别的数量关系。示意性地,是否对第四大类样本进行重采样以及采样数目,需要基于第四大类样本相对于前三大类样本的不平衡度和前三大类样本重采样后的样本数目进行计算,计算各类增加样本后的样本数据的不平衡度,若各类样本数据的不均衡度大于标准阈值,则不需要进行重采样;否则,综合每类样本的样本数目进行重新采样。
图4为本发明数据分析算法与基础分析算法的结果对比图。其中,图4(a)-图4(d)分别表示,在同一数据集下,k-Nearest Neighbor(KNN),Support Vector Machine(SVM),Gaussian Naive Bayes(Gaussian NB)和ADSYN-GBDT四种方法的分类结果,主对角线上的结果表示分类正确率,由图可知,ADSYN-GBDT的分类正确率明显优于其他三种方法。
综上所述,本发明实施例通过收集列车运行产生的振动能量为无线传感模块供电,无线传感模块实现数据收集和传输,通过信噪比增强、频带优选、特征提取、机器学习的方法对列车轮对轴承的状态进行监测,并且本发明的系统具有节省供电、体积小、重量轻以及智能化程度高的特点,实现了轴承运行状态的实时监控预警,并且通过实验证明,其诊断准确率达92%以上,为实现高速列车的服役安全和健康管理提供了有效的技术手段。
本领域普通技术人员可以理解:附图只是一个实施例的示意图,附图中的模块或流程并不一定是实施本发明所必须的。
通过以上的实施方式的描述可知,本领域的技术人员可以清楚地了解到本发明可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例或者实施例的某些部分所述的方法。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应该以权利要求的保护范围为准。
Claims (8)
1.一种基于自供电传感网络的轨道列车轮对轴承的安全监测系统,其特征在于,包括:能量收集装置、无线传感器和数据分析中心;
所述的能量收集装置,用于将列车运行过程中产生的振动机械能转化为电能,并将所述的电能输出给所述的无线传感器,所述的无线传感器通过所述的电能进行工作;
所述的无线传感器,用于以一定的频率采集列车运行过程中轮对轴承的振动加速度数据,并将所述振动加速度数据实时发送到所述数据分析中心;
所述的数据分析中心,用于对接收到的所述无线传感器发送的列车轮对轴承实时振动加速度数据进行实时分析。
2.根据权利要求1所述的系统,其特征在于,所述的能量收集装置包括发电模块和电源管理模块;
所述的发电模块,用于将列车运行过程中产生的机械能转化为电能;
所述的电源管理模块,用于将所述的电能转化为直流电,并对所述的直流电进行稳压和输出。
3.根据权利要求1所述的系统,其特征在于,所述的能量收集装置安装于列车走行部的轴箱上。
4.根据权利要求2所述的系统,其特征在于,所述的发电模块包括第一摩擦层、用作电极的第二摩擦层、贴合于第二摩擦层下表面的包含有电解质的凝胶层和贴合于所述凝胶层下表面的电极层。
5.根据权利要求4所述的系统,其特征在于,所述的第一摩擦层和第二摩擦层为上下两个相对独立的基于接触分离式的发电机,所述第一摩擦层和第二摩擦层之间由弹性部件相连。
6.根据权利要求1所述的系统,其特征在于,所述的无线传感器包括振动加速度计和无线数据传输模块;
所述的振动加速度计,用于列车轮对轴承的振动加速度信号采集;所述的无线数据传输模块,用于将采集到的振动加速度数据发送至数据分析中心。
7.根据权利要求1所述的系统,其特征在于,所述的数据分析中心包括数据存储模块和数据分析模块;
所述的数据存储模块,用于接收并存储所述振动加速度数据;
所述的数据分析模块,用于采用振动信号分析算法对接收的振动加速度数据进行分析,通过分析结果对列车轮对轴承的状态进行辨识和预测。
8.根据权利要求7所述的系统,其特征在于,所述的数据分析模块用于采用振动信号分析算法对接收的振动加速度数据进行分析,所述的振动信号分析算法包括:
1)特征提取,根据采样频率对振动信号样本分段,并计算每一段振动信号样本的时域特征参数;
2)根据所述的时域特征参数,辨识训练集数据分布是否平衡,若不平衡,则执行步骤3),否则,执行步骤4);
3)采用改进的自适应合成抽样算法对通过自供电传感网采集到的轴承数据集重新采样,将采样结果作为梯度提升树的输入;
4)训练梯度提升树模型,采用十字交叉验证对训练集数据和验证集数据进行划分;
5)新样本辨识,将新采集的振动信号样本输入到训练得到的梯度提升树模型进行故障辨识;
所述的改进自适应合成抽样算法包括以下步骤:
1)根据重新采样的振动信号样本中每类样本的数目将样本分类,按照每类样本的数目顺序排列各类样本;
2)计算第二大类样本数据的不平衡度,如果第二大类的不平衡度大于标准阈值,则不需要重新采样,否则,进行重新采样;
3)计算增加样本后的各类样本数据的不平衡度,若各类样本数据的不均衡度大于标准阈值,则不需要进行重采样;否则,综合每类样本的样本数目进行重新采样。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811402698.4A CN109556862A (zh) | 2018-11-23 | 2018-11-23 | 基于自供电传感网络的列车轮对轴承安全监测系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811402698.4A CN109556862A (zh) | 2018-11-23 | 2018-11-23 | 基于自供电传感网络的列车轮对轴承安全监测系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109556862A true CN109556862A (zh) | 2019-04-02 |
Family
ID=65867043
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811402698.4A Pending CN109556862A (zh) | 2018-11-23 | 2018-11-23 | 基于自供电传感网络的列车轮对轴承安全监测系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109556862A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111207938A (zh) * | 2020-01-13 | 2020-05-29 | 西南交通大学 | 一种铁道车辆故障检测方法 |
CN112697261A (zh) * | 2021-01-14 | 2021-04-23 | 浙江大学 | 基于摩擦纳米发电机的铁路轨道板振动监测系统及监测方法 |
WO2021213142A1 (zh) * | 2020-04-23 | 2021-10-28 | 中车株洲电力机车研究所有限公司 | 一种牵引电机故障诊断方法及装置 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101882304A (zh) * | 2010-06-24 | 2010-11-10 | 西北工业大学 | 一种sar图像自适应去噪和特征增强方法 |
CN103592122A (zh) * | 2013-10-25 | 2014-02-19 | 北京交通大学 | 城市轨道交通列车走行部故障诊断设备及方法 |
CN106326929A (zh) * | 2016-08-24 | 2017-01-11 | 北京工商大学 | 轨道列车走行部滚动轴承故障的诊断方法 |
WO2017149352A1 (en) * | 2016-03-01 | 2017-09-08 | B-K Medical Aps | 3-d ultrasound imaging with multiple single-element transducers and ultrasound signal propagation correction |
CN107458418A (zh) * | 2017-07-21 | 2017-12-12 | 深圳市亚泰光电技术有限公司 | 自供电式列车运行状态监测系统 |
CN107966308A (zh) * | 2018-01-23 | 2018-04-27 | 唐智科技湖南发展有限公司 | 一种轨道交通车辆故障信号采集传输的方法及装置 |
-
2018
- 2018-11-23 CN CN201811402698.4A patent/CN109556862A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101882304A (zh) * | 2010-06-24 | 2010-11-10 | 西北工业大学 | 一种sar图像自适应去噪和特征增强方法 |
CN103592122A (zh) * | 2013-10-25 | 2014-02-19 | 北京交通大学 | 城市轨道交通列车走行部故障诊断设备及方法 |
WO2017149352A1 (en) * | 2016-03-01 | 2017-09-08 | B-K Medical Aps | 3-d ultrasound imaging with multiple single-element transducers and ultrasound signal propagation correction |
CN106326929A (zh) * | 2016-08-24 | 2017-01-11 | 北京工商大学 | 轨道列车走行部滚动轴承故障的诊断方法 |
CN107458418A (zh) * | 2017-07-21 | 2017-12-12 | 深圳市亚泰光电技术有限公司 | 自供电式列车运行状态监测系统 |
CN107966308A (zh) * | 2018-01-23 | 2018-04-27 | 唐智科技湖南发展有限公司 | 一种轨道交通车辆故障信号采集传输的方法及装置 |
Non-Patent Citations (3)
Title |
---|
LINLIN KOU: "Integrating synthetic minorityover sampling and gradient boosting decision tree for bogie fault diagnosisin rail vehicles", 《JOURNAL OF RAIL AND RAPID TRANSIT》 * |
崔恩放: "无源无线传感网在轨道交通车辆健康监测中的应用", 《北京交通大学学报》 * |
杜小振等: "自供能传感器能量采集技术的研究现状", 《微纳电子技术》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111207938A (zh) * | 2020-01-13 | 2020-05-29 | 西南交通大学 | 一种铁道车辆故障检测方法 |
CN111207938B (zh) * | 2020-01-13 | 2020-12-04 | 西南交通大学 | 一种铁道车辆故障检测方法 |
WO2021213142A1 (zh) * | 2020-04-23 | 2021-10-28 | 中车株洲电力机车研究所有限公司 | 一种牵引电机故障诊断方法及装置 |
CN112697261A (zh) * | 2021-01-14 | 2021-04-23 | 浙江大学 | 基于摩擦纳米发电机的铁路轨道板振动监测系统及监测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Gundewar et al. | Condition monitoring and fault diagnosis of induction motor | |
Zhang et al. | Deep learning algorithms for bearing fault diagnostics—A comprehensive review | |
Li et al. | Deep learning-based adversarial multi-classifier optimization for cross-domain machinery fault diagnostics | |
CN109556862A (zh) | 基于自供电传感网络的列车轮对轴承安全监测系统 | |
Liu et al. | Industrial AI enabled prognostics for high-speed railway systems | |
Ye et al. | Shock detection of rotating machinery based on activated time-domain images and deep learning: An application to railway wheel flat detection | |
Fang et al. | A roller-bearing-based triboelectric nanosensor for freight train synergistic maintenance in smart transportation | |
CN110806324A (zh) | 基于轨道位移的车轮多边形磨耗检测方法及数据采集设备 | |
CN104807640A (zh) | 基于振动敏感时频特征的空间滚动轴承寿命状态检测方法 | |
US20230347948A1 (en) | Rail corrugation recognition method and apparatus based on support vector machine, device, and medium | |
CN114861741B (zh) | 一种基于轮对横移量的蛇行状态识别方法 | |
Xu et al. | Fault diagnosis method of wheelset based on EEMD-MPE and support vector machine optimized by quantum-behaved particle swarm algorithm | |
CN111401661B (zh) | 一种机械设备的预测性维护方法和维护系统 | |
Sun et al. | Condition monitoring and fault diagnosis strategy of railway point machines using vibration signals | |
Li et al. | Alarm prediction in large-scale sensor networks—A case study in railroad | |
Choudhary et al. | Fault diagnosis of electric two-wheeler under pragmatic operating conditions using wavelet synchrosqueezing transform and CNN | |
Zhang et al. | Multi-sensor graph transfer network for health assessment of high-speed rail suspension systems | |
Wang et al. | A small-amplitude hunting motion recognition method based on transfer learning | |
Hu et al. | Vibration-based bearing fault diagnosis of high-speed trains: A literature review | |
Zegrari et al. | Data-driven Diagnostics for Electric Traction Systems: A Study of Induction Motor | |
CN114202198A (zh) | 云边缘协同计算的智慧驱动桥健康监测系统及其方法 | |
Guo et al. | Personalized federated learning for multi-task fault diagnosis of rotating machinery | |
Xiao et al. | A Heavy‐Haul Railway Corrugation Diagnosis Method Based on WPD‐ASTFT and SVM | |
CN113514547A (zh) | 一种基于声振法的高铁制动片无损检测方法 | |
Tang et al. | Feature selection and analysis of single lateral damper fault based on SVM-RFE with correlation bias reduction |
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: 20190402 |
|
RJ01 | Rejection of invention patent application after publication |