CN110175434B - 一种基于卷积神经网络的铁路扣件系统损伤检测方法 - Google Patents

一种基于卷积神经网络的铁路扣件系统损伤检测方法 Download PDF

Info

Publication number
CN110175434B
CN110175434B CN201910533149.9A CN201910533149A CN110175434B CN 110175434 B CN110175434 B CN 110175434B CN 201910533149 A CN201910533149 A CN 201910533149A CN 110175434 B CN110175434 B CN 110175434B
Authority
CN
China
Prior art keywords
neural network
damage
convolutional neural
fastener system
data set
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
Application number
CN201910533149.9A
Other languages
English (en)
Other versions
CN110175434A (zh
Inventor
袁站东
朱胜阳
翟婉明
袁玄成
陈美�
张庆铼
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Southwest Jiaotong University
Original Assignee
Southwest Jiaotong University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Southwest Jiaotong University filed Critical Southwest Jiaotong University
Priority to CN201910533149.9A priority Critical patent/CN110175434B/zh
Publication of CN110175434A publication Critical patent/CN110175434A/zh
Application granted granted Critical
Publication of CN110175434B publication Critical patent/CN110175434B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/15—Vehicle, aircraft or watercraft design
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Hardware Design (AREA)
  • Health & Medical Sciences (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于卷积神经网络的铁路扣件系统损伤检测方法，基于列车‑轨道耦合动力学计算分析模型，利用弹簧刚度折减模拟扣件损伤，仿真计算得到不同不平顺激励、不同损伤位置和损伤程度下钢轨的振动加速度响应，以构建一个大数据集。设计一维卷积神经网络，利用上述数据集对建立的网络进行训练，交叉验证调参。将训练好的网络在测试集上进行性能测试，测试结果表明该检测方法具有较高的检测精度和鲁棒性。进一步的，开展目标监测线路关键区段动力学实验，构建系统损伤的实测大数据集，利用该大数据集对预训练的一维卷积神经网络模型进行迁移学习。

Description

一种基于卷积神经网络的铁路扣件系统损伤检测方法
技术领域
本发明属于轨道交通技术领域，具体涉及一种基于卷积神经网络的铁路扣件系统损伤检测方法。
背景技术
近年来，我国的铁路建设规模迅速增长，其健康状态的实时监测对高铁的安全运营是十分关键的，面对规模如此庞大的线路网络，传统的人工巡检是费时费力的。因此，开发一种自动检测铁路网络的健康状态的方法十分必要，特别是对某些特殊区段线路结构关键部件的损伤检测。目前，在结构损伤智能检测方法上大都基于计算机视觉。这种方法的局限性在于无法识别结构的早期损伤和不可见的缺陷，例如橡胶垫的老化、扣件系统中扣件的不可见裂缝、扣件系统螺栓松动等。由于结构损伤会带来结构物理参数的改变，进而直接影响结构的动力学响应，因此基于动力学响应识别结构的健康状态本质上可视为模式识别问题。基于结构振动响应的损伤检测方法，可以在很大程度上解决上述基于图像检测方法的局限性。
一般来说，智能检测方法，其中人工神经网络(ANN)和支持向量机(SVM)应用最为广泛，包括两个主要过程：特征提取和损伤识别分类。特征提取通过对原始数据进行信号处理，如傅里叶变换、小波包变换等，以提取数据特征；在特征提取的基础上选择对结构损伤最为敏感的特征作为分类器的输入；该类方法虽然获得了部分成功，然其识别精度受到原始数据中得到的特征的极大影响；另一方面，人工提取、选择特征费时费力，并且需要大量先验知识。
因此，需要提供一种基于卷积神经网络的铁路扣件系统损伤检测方法。
发明内容
本发明目的在于提供一种基于卷积神经网络的铁路扣件系统损伤检测方法，基于列车-轨道耦合动力学计算分析模型，利用弹簧刚度折减模拟扣件损伤，仿真计算得到不同不平顺激励、不同损伤位置和损伤程度下钢轨的振动加速度响应，以构建一个大数据集；设计一维卷积神经网络，利用上述数据集对建立的网络进行训练，交叉验证调参；将训练好的网络在测试集上进行性能测试，测试结果表明该检测方法具有较高的检测精度和鲁棒性。进一步的，开展目标监测线路关键区段动力学实验，构建系统损伤的实测大数据集，利用该大数据集对预训练的一维卷积神经网络模型进行迁移学习。
为实现上述目的，本发明所采用的技术方案是：
一种基于卷积神经网络的铁路扣件系统损伤检测方法，包括以下步骤：
S1：根据列车与轨道结构信息，利用MATLAB建立列车-轨道列车-轨道耦合动力学计算分析模型，通过扣件弹簧刚度折减程度来模拟扣件系统损伤程度；
S2：通过步骤S1中的列车-轨道列车-轨道耦合动力学计算分析模型，计算不同轨道不平顺激励、不同扣件损伤位置和损伤程度下钢轨的加速度响应，利用计算得到的钢轨加速度响应构建扣件系统损伤的大数据集；
S3：将步骤S2中的大数据集进行标准化处理以得到样本数据，并将样本数据进行数据增强；
S4：设计一维卷积神经网络模型，利用步骤S3中的样本数据进行网络训练和交叉验证调参；
S5：对步骤S4中的一维卷积神经网络模型进行检测性能测试；
S6：开展目标监测线路关键区段动力学实验，构建系统损伤的实测大数据集，利用该大数据集对步骤S5中的一维卷积神经网络模型进行迁移学习；
S7：采集目标监测线路关键区段钢轨的加速度响应，直接将该加速度响应信号作为网络输入，利用一维卷积神经网络模型进行扣件系统的损伤检测。
进一步的，步骤S1中，列车与轨道结构信息包括列车、轨道的结构参数、不平顺信息、扣件刚度折减程度。
进一步的，步骤S2中的大数据集包括训练集、验证集和测试集，且所述训练集、验证集和测试集均转化为TFRECORD文件。
进一步的，步骤S3中的标准化处理包括：将大数据集分布标准化为一个均值为0，方差为1的正态分布，进而得到样本数据。
进一步的，步骤S3中的数据增强包括：将所有样本数据在时间维度上进行倒序处理。
进一步的，步骤S4包括：利用步骤S3中构建的训练集，通过Adam优化算法进行网络训练；基于步骤S3中提供的验证集对一维卷积神经网络模型进行交叉验证调参。
进一步的，步骤S5包括：利用步骤S3中的测试集对步骤S4训练好的网络检测性能测试，通过一维卷积神经网络模型预测的模式与实际标签的对比计算网络的识别精度。
本发明的有益技术效果是：(1)本发明利用考虑了扣件损伤行为的列车-轨道耦合动力学计算分析程序构建轨道扣件系统大数据集，用以训练CNN，解决了故障数据难以获取的难题。
(2)本发明的方法相较于视觉检测，可以检测到扣件的早期损伤，如扣件螺栓松动、弹条裂纹导致的扣减系统刚度退化，可以检测到扣件系统中的轨下胶垫硬化。
(3)由于CNN自动从原始响应数据中提取对结构损伤敏感特征，故本发明的方法相较于传统智能检测方法，无需人工设计、选择特征。
(4)本发明的检测方法检测精度高，鲁棒性强。
附图说明
图1显示为本发明的一个实施例的流程示意图。
图2显示为本发明的一个实施例考虑扣件损伤的列车-轨道耦合动力学模型图。
图3显示为本发明的一个实施例的一维卷积神经网络模型示意图。
图4显示为本发明的一个实施例的网络在测试集上检测结果的混淆矩阵。
具体实施方式
下面结合本发明的附图1-4，对本发明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。
实施例1：
如图1所示，一种基于卷积神经网络的铁路扣件系统损伤检测方法，包括以下步骤：
S1：根据列车与轨道结构信息，利用MATLAB建立列车-轨道列车-轨道耦合动力学计算分析模型，通过扣件弹簧刚度折减程度来模拟扣件系统损伤程度；
S2：通过步骤S1中的列车-轨道列车-轨道耦合动力学计算分析模型，计算不同轨道不平顺激励、不同扣件损伤位置和损伤程度下钢轨的加速度响应，利用计算得到的钢轨加速度响应构建扣件系统损伤的大数据集；
S3：将步骤S2中的大数据集进行标准化处理以得到样本数据，并将样本数据进行数据增强；
S4：设计一维卷积神经网络模型，利用步骤S3中的样本数据进行网络训练和交叉验证调参；
S5：对步骤S4中的一维卷积神经网络模型进行检测性能测试；
S6：开展目标监测线路关键区段动力学实验，构建系统损伤的实测大数据集，利用该大数据集对步骤S5中的一维卷积神经网络模型进行迁移学习；
S7：采集目标监测线路关键区段钢轨的加速度响应，直接将该加速度响应信号作为网络输入，利用一维卷积神经网络模型进行扣件系统的损伤检测。
进一步的，步骤S1中，列车与轨道结构信息包括列车、轨道的结构参数、不平顺信息、扣件刚度折减程度。
进一步的，步骤S2中的大数据集包括训练集、验证集和测试集，且所述训练集、验证集和测试集均转化为TFRECORD文件。
进一步的，步骤S3中的标准化处理包括：将大数据集分布标准化为一个均值为0，方差为1的正态分布，进而得到样本数据。
进一步的，步骤S3中的数据增强包括：将所有样本数据在时间维度上进行倒序处理。
进一步的，步骤S4包括：利用步骤S3中构建的训练集，通过Adam优化算法进行网络训练；基于步骤S3中提供的验证集对一维卷积神经网络模型进行交叉验证调参。
进一步的，步骤S5包括：利用步骤S3中的测试集对步骤S4训练好的网络检测性能测试，通过一维卷积神经网络模型预测的模式与实际标签的对比计算网络的识别精度。
实施例2：
在实施例1的基础上优选的，如图2、3和4所示，现通过在工程中的实际应用，将进行评估的具体步骤进行展示：
首先根据高速模型车和有砟轨道的结构参数，利用MATLAB软件编制列车-轨道耦合计算分析程序，包括车辆子模型、轨道子模型和轮轨作用模型。由于在该模型中扣件系统简化为弹簧-阻尼元件，故可以利用该元件的刚度折减以模拟扣件系统的损伤。
如图2所示，考虑轨道上连续10个扣件刚度折减0.1、0.3、0.5、0.7、1以及未发生损伤情况，选取44种不同轨道不平顺激励，采用新型显式积分方法计算扣件对应钢轨位置的加速度响应，以构建带有扣件损伤状态标签的钢轨加速度响应大数据集。该数据集中的标签共有11类，分别对应着损伤位置0-9，以及未发生损伤。前十类均包含220个样本(44种不平顺激励×5种损伤程度)，扣件健康这一类别包含44个样本(44种不平顺激励)，为保证数据集中各类别样本数量的均衡，将扣件健康类的样本复制五次。综上，原始数据集共包含2420个样本(220×11)。训练集、验证集和测试集分别占70％、10％和20％。为加速网络训练时的收敛速度，将原始数据集进行标准化。为减小网络过拟合的风险，对原始数据集进行了数据增强。
设计一维卷积神经网络(CNN)，该网络旨在提取对损伤最为敏感的特征，然后基于该特征识别扣件系统的健康状况。如图3所示，所设计的CNN的结构可以分为两部分：用于特征提取的卷积块和用于分类的全连接块。在卷积块中，时间序列数据首先输入卷积层(激活函数为Leaky-Relu)，然后经过最大池化层。类似的子结构被堆叠两次，以获得原始数据特征的分层表达。具体而言，卷积层的滤波器大小和步长分别设置为16和4。在每个卷积层之后插入批标准化层以解决由于网络参数改变带来的不同网络层数据分布偏移问题，从而加速网络训练过程的收敛。在全连接块中，最后一个池化层的输出被展平为1D矢量，然后使用三个完全连接层(全连接)和Softmax层来执行特征转换和分类。在全连接层中采用称为Dropout的技巧来缓解网络的过度拟合问题。CNN的训练和测试过程通过Google开发的Tensorflow实现。网络共计958,315(958,867个可训练)参数和6个非线性层。CNN网络参数通过Adam优化算法更新，以最小化损失函数，即交叉熵。网络的最终构架和超参数是由交叉验证调参确定的。
将训练好的网络在测试集进行检测性能测试，图4给出了网络在测试集上检测结果的混淆矩阵，下表1给出了其统计结果。该表具体给出了所有类别的识别结果。表格纵轴表示样本的真实标签，横轴表示对应样本CNN检测结果。表格中的元素表示各类样本网络的检测结果。具体而言，对角线中的元素是准确分类的样本个数，表左侧给出了各模式的识别精度。
Figure BDA0002100377980000051
表1
在本发明的描述中，需要理解的是，术语“逆时针”、“顺时针”“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。

Claims (7)

1.一种基于卷积神经网络的铁路扣件系统损伤检测方法，其特征在于，包括以下步骤：
S1：根据列车与轨道结构信息，利用MATLAB建立列车-轨道列车-轨道耦合动力学计算分析模型，通过扣件弹簧刚度折减程度来模拟扣件系统损伤程度；
S2：通过步骤S1中的列车-轨道列车-轨道耦合动力学计算分析模型，计算不同轨道不平顺激励、不同扣件损伤位置和损伤程度下钢轨的加速度响应，利用计算得到的钢轨加速度响应构建扣件系统损伤的大数据集；
S3：将步骤S2中的大数据集进行标准化处理以得到样本数据，并将样本数据进行数据增强；
S4：设计一维卷积神经网络模型，利用步骤S3中的样本数据进行网络训练和交叉验证调参；
S5：对步骤S4中的一维卷积神经网络模型进行检测性能测试；
S6：开展目标监测线路关键区段动力学实验，构建系统损伤的实测大数据集，利用该大数据集对步骤S5中的一维卷积神经网络模型进行迁移学习；
S7：采集目标监测线路关键区段钢轨的加速度响应，直接将该加速度响应信号作为网络输入，利用一维卷积神经网络模型进行扣件系统的损伤检测。
2.根据权利要求1所述的一种基于卷积神经网络的铁路扣件系统损伤检测方法，其特征在于，步骤S1中，列车与轨道结构信息包括列车、轨道的结构参数、不平顺信息、扣件刚度折减程度。
3.根据权利要求1所述的一种基于卷积神经网络的铁路扣件系统损伤检测方法，其特征在于，步骤S2中的大数据集包括训练集、验证集和测试集，且所述训练集、验证集和测试集均转化为TFRECORD文件。
4.根据权利要求1所述的一种基于卷积神经网络的铁路扣件系统损伤检测方法，其特征在于，步骤S3中的标准化处理包括：将大数据集分布标准化为一个均值为0，方差为1的正态分布，进而得到样本数据。
5.根据权利要求4所述的一种基于卷积神经网络的铁路扣件系统损伤检测方法，其特征在于，步骤S3中的数据增强包括：将所有样本数据在时间维度上进行倒序处理。
6.根据权利要求3所述的一种基于卷积神经网络的铁路扣件系统损伤检测方法，其特征在于，步骤S4包括：利用步骤S3中构建的训练集，通过Adam优化算法进行网络训练；基于步骤S3中提供的验证集对一维卷积神经网络模型进行交叉验证调参。
7.根据权利要求6所述的一种基于卷积神经网络的铁路扣件系统损伤检测方法，其特征在于，步骤S5包括：利用步骤S3中的测试集对步骤S4训练好的网络检测性能测试，通过一维卷积神经网络模型预测的模式与实际标签的对比计算网络的识别精度。
CN201910533149.9A 2019-06-19 2019-06-19 一种基于卷积神经网络的铁路扣件系统损伤检测方法 Active CN110175434B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910533149.9A CN110175434B (zh) 2019-06-19 2019-06-19 一种基于卷积神经网络的铁路扣件系统损伤检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910533149.9A CN110175434B (zh) 2019-06-19 2019-06-19 一种基于卷积神经网络的铁路扣件系统损伤检测方法

Publications (2)

Publication Number Publication Date
CN110175434A CN110175434A (zh) 2019-08-27
CN110175434B true CN110175434B (zh) 2022-06-14

Family

ID=67697400

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910533149.9A Active CN110175434B (zh) 2019-06-19 2019-06-19 一种基于卷积神经网络的铁路扣件系统损伤检测方法

Country Status (1)

Country Link
CN (1) CN110175434B (zh)

Families Citing this family (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110705456A (zh) * 2019-09-29 2020-01-17 华南理工大学 一种基于迁移学习的微型电机异常检测方法
CN111080597A (zh) * 2019-12-12 2020-04-28 西南交通大学 一种基于深度学习的轨道扣件缺陷识别算法
CN111311668B (zh) * 2020-02-12 2024-01-05 东南大学 一种基于卷积神经网络的清水混凝土表面气孔分析方法
CN111623868B (zh) * 2020-05-12 2021-08-20 西南交通大学 用于钢轨波磨识别的卷积神经网络构建方法
CN111637964B (zh) * 2020-05-12 2021-10-26 西南交通大学 钢轨波磨识别方法
CN111862016B (zh) * 2020-07-09 2022-06-24 浙江东南网架股份有限公司 一种球节点螺栓松动损伤识别方法
CN111767897B (zh) * 2020-07-14 2023-08-18 上海应用技术大学 一种基于支持向量机的钢轨裂纹缺陷的识别方法
CN111912612A (zh) * 2020-07-16 2020-11-10 中国特种设备检测研究院 一种长管拖车气瓶损伤的监测方法及系统
CN111859676B (zh) * 2020-07-23 2022-11-22 西南交通大学 一种针对浮置板轨道钢弹簧损伤的智能检测方法
CN112131781B (zh) * 2020-08-26 2024-06-21 浙江工业大学 基于全连接神经网络与传递率函数的钢结构损伤检测方法
CN112113655B (zh) * 2020-09-21 2021-06-01 西南交通大学 一种地铁轨道扣件振动信号检测装置及健康评估方法
CN112465000A (zh) * 2020-11-19 2021-03-09 国家高速列车青岛技术创新中心 基于卷积变分编码器和异常检测算法的钢轨隐伤定位方法
CN112685842B (zh) * 2021-02-04 2022-11-22 中国人民解放军63863部队 一种目标典型关键部件毁伤准则的建立方法
CN113591270B (zh) * 2021-06-29 2024-01-19 北京交通大学 基于mdcd在钢轨焊缝数据集上性能分析对比的监测方法
CN113642216B (zh) * 2021-08-17 2024-04-02 西安理工大学 一种基于多层神经网络和支持向量机的随机信号识别方法
CN114186624B (zh) * 2021-12-08 2024-09-10 华中科技大学 基于二维卷积神经网络的损伤识别模型建立方法及设备
CN114684217B (zh) * 2022-03-16 2024-03-01 武汉理工大学 一种轨道交通健康监测系统及方法
CN118211473B (zh) * 2024-03-13 2024-09-27 成都信息工程大学 基于深度学习的钢轨扣件系统非表观损伤检测方法
CN118364378A (zh) * 2024-04-18 2024-07-19 西南交通大学 基于cbam注意力的铁路轨枕支撑状态检测方法及系统

Family Cites Families (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2007147412A (ja) * 2005-11-27 2007-06-14 Teruya:Kk センサ入力機能付きバッテリーレス型ｒｆｉｄタグを用いたレール締結装置のリアルタイム緩み検査システム
CN1873674B (zh) * 2006-05-18 2012-11-07 北京交通大学 专用铁路道岔群下开采沉陷预计与治理专家系统
WO2013185057A1 (en) * 2012-06-07 2013-12-12 V Squared Wind, Inc. Efficient systems and methods for construction and operation of mobile wind power platforms
US11327475B2 (en) * 2016-05-09 2022-05-10 Strong Force Iot Portfolio 2016, Llc Methods and systems for intelligent collection and analysis of vehicle data
CN107505334A (zh) * 2017-10-13 2017-12-22 成都精工华耀机械制造有限公司 一种基于点光源阵列线阵成像的铁轨扣件异常检测系统
CN107729649B (zh) * 2017-10-16 2020-09-29 西南交通大学 一种计算车辆-轨道耦合系统动力学的方法
CN109664916B (zh) * 2017-10-17 2021-04-27 交控科技股份有限公司 以车载控制器为核心的列车运行控制系统
CN107766886A (zh) * 2017-10-20 2018-03-06 华中师范大学 高速铁路钢轨扣件弹条疲劳断口自动识别方法
US11835955B2 (en) * 2017-12-08 2023-12-05 Camso Inc. Systems and methods for monitoring off-road vehicles
CN109658397A (zh) * 2018-12-12 2019-04-19 广州地铁集团有限公司 一种轨道巡检方法及系统
CN109767427A (zh) * 2018-12-25 2019-05-17 北京交通大学 列车轨道扣件缺陷的检测方法

Also Published As

Publication number Publication date
CN110175434A (zh) 2019-08-27

Similar Documents

Publication Publication Date Title
CN110175434B (zh) 一种基于卷积神经网络的铁路扣件系统损伤检测方法
CN110378869B (zh) 一种样本自动标注的钢轨扣件异常检测方法
CN111274737A (zh) 一种机械设备剩余使用寿命预测方法及系统
CN104712542B (zh) 一种基于物联网的往复压缩机敏感特征提取与故障诊断方法
CN107742420A (zh) 一种用于突发交通事件下道路交通流预测的方法
CN110348752B (zh) 一种考虑环境干扰的大型工业系统结构安全性评估方法
CN113642754A (zh) 一种基于rf降噪自编码信息重构和时间卷积网络的复杂工业过程故障预测方法
CN110706213A (zh) 基于应变响应累积分布函数差的桥梁集群结构损伤判别方法
WO2021114320A1 (zh) 一种oica和rnn融合模型的污水处理过程故障监测方法
CN113188807A (zh) 一种abs结果自动判定算法
CN114997218A (zh) 一种针对轨道车辆车轮多边形磨耗的识别检测方法
CN105866664A (zh) 一种基于幅频特征的模拟电路智能化故障诊断方法
CN106021671A (zh) 结合相关性关系和灰色聚类技术的电路健康分级评估方法
CN113126489B (zh) 一种基于cnn-gru-binn的重型燃气轮机控制系统智能bit设计方法
CN111832442B (zh) 从海量桥梁动态应变数据中自动化分离温度应变成分的方法
CN112800540B (zh) 一种基于高斯过程回归的航空发动机载荷谱任务段建模方法
CN112069621B (zh) 基于线性可靠度指标的滚动轴承剩余使用寿命的预测方法
CN117352088A (zh) 一种基于卷积神经网络的空间污染物分布的预测方法
CN109164794A (zh) 基于偏f值selm的多变量工业过程故障分类方法
CN105824785A (zh) 基于惩罚回归的快速异常点检测方法
Zhang et al. Structural damage detection using convolutional neural networks based on modal strain energy and population of structures
CN117633690A (zh) 一种基于数据驱动的旋转机械健康状态监测方法及设备
CN110320802B (zh) 基于数据可视化的复杂系统信号时序识别方法
CN116757085A (zh) 基于残差连接卷积循环网络的冲击荷载作用位置反演方法
CN116502526A (zh) 基于改进pso-grnn神经网络称重传感器故障诊断方法

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
GR01 Patent grant
GR01 Patent grant