CN110222980A - 轨道交通轴承的健康评估方法及系统 - Google Patents
轨道交通轴承的健康评估方法及系统 Download PDFInfo
- Publication number
- CN110222980A CN110222980A CN201910486451.3A CN201910486451A CN110222980A CN 110222980 A CN110222980 A CN 110222980A CN 201910486451 A CN201910486451 A CN 201910486451A CN 110222980 A CN110222980 A CN 110222980A
- Authority
- CN
- China
- Prior art keywords
- parameter
- data
- bearing
- current
- history
- 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
- 230000036541 health Effects 0.000 title claims abstract description 116
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000012549 training Methods 0.000 claims abstract description 51
- 239000011159 matrix material Substances 0.000 claims description 107
- 230000002159 abnormal effect Effects 0.000 claims description 31
- 238000011156 evaluation Methods 0.000 claims description 29
- 238000000605 extraction Methods 0.000 claims description 21
- 230000001934 delay Effects 0.000 claims description 11
- 239000000284 extract Substances 0.000 claims description 11
- 238000005096 rolling process Methods 0.000 claims description 8
- 239000000203 mixture Substances 0.000 claims description 7
- 238000000513 principal component analysis Methods 0.000 claims description 7
- 241000208340 Araliaceae Species 0.000 claims description 5
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 claims description 5
- 235000003140 Panax quinquefolius Nutrition 0.000 claims description 5
- 235000008434 ginseng Nutrition 0.000 claims description 5
- 230000003111 delayed effect Effects 0.000 claims description 4
- 238000000465 moulding Methods 0.000 claims description 2
- 238000004364 calculation method Methods 0.000 claims 1
- 238000012423 maintenance Methods 0.000 abstract description 12
- 238000010586 diagram Methods 0.000 description 4
- 230000007257 malfunction Effects 0.000 description 3
- 238000010276 construction Methods 0.000 description 2
- 235000013399 edible fruits Nutrition 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000008439 repair process Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000003862 health status Effects 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 244000045947 parasite Species 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
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
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N3/00—Investigating strength properties of solid materials by application of mechanical stress
- G01N3/56—Investigating resistance to wear or abrasion
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- 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
- G06F2218/10—Feature extraction by analysing the shape of a waveform, e.g. extracting parameters relating to peaks
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Operations Research (AREA)
- Health & Medical Sciences (AREA)
- Educational Administration (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Game Theory and Decision Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明公开了一种轨道交通轴承的健康评估方法及系统,所述健康评估方法包括:获取轨道交通的轴承在正常运行状态下的历史采样时间段内的历史运行数据;获取轨道交通的轴承在当前运行状态下的当前采样时间段内的当前运行数据;分别将历史运行数据和当前运行数据作为训练参数,输入高斯混合模型算法,输出第一高斯混合模型和第二高斯混合模型;根据第一高斯混合模型和第二高斯混合模型计算得到当前运行状态与正常运行状态的第一重合度;根据第一重合度确定当前运行情况的健康程度。本发明基于计算得到的当前运行状态与正常运行状态的重合度判断当前运行情况的健康程度,评估结果更加精准有效,便于提前进行适当的维护措施,避免轴承故障的发生。
Description
技术领域
本发明属于轨道交通轴承的评估领域,特别涉及一种轨道交通轴承的健康评估方法及系统。
背景技术
城市轨道交通轴承作为轨道交通车辆走行部最重要的部件之一,轨道交通轴承的故障或损坏往往会导致轨道交通车辆的晚点、清客、停运等故障发生,甚至对乘客及工作人员的生命安全造成严重威胁。
目前对轴承的健康评估,主要是基于轴承运行时产生的振动数据,然后使用神经网络等方式建模并构建轴承健康指标,以此对轴承健康状态进行评估。但是,现有的评估方法仅靠振动数据进行评估具有一定的片面性和风险,且基于神经网络模型构建的轴承健康模型容易产生过拟合现象,导致模型预测精度不高,另外,现有技术并未构建合适的健康报警阈值,用户基于现有的健康评估方法难以给出准确的判断指标进而难以确定何时应该采取维修措施。
发明内容
本发明要解决的技术问题是为了克服现有技术中轴承健康评估方法过于片面且精准度不高的缺陷,提供一种轨道交通轴承的健康评估方法及系统。
本发明是通过下述技术方案来解决上述技术问题:
一种轨道交通轴承的健康评估方法,所述健康评估方法包括:
S10、获取轨道交通的轴承在正常运行状态下的历史采样时间段内的历史运行数据;
S20、获取轨道交通的轴承在当前运行状态下的当前采样时间段内的当前运行数据;
S30、分别将所述历史运行数据和所述当前运行数据作为训练参数,输入高斯混合模型算法,输出用于表征所述轴承的正常运行情况的第一高斯混合模型和用于表征所述轴承的当前运行情况的第二高斯混合模型;
S40、根据所述第一高斯混合模型和所述第二高斯混合模型计算得到所述当前运行状态与所述正常运行状态的第一重合度;
S50、根据所述第一重合度确定所述当前运行情况的健康程度。
较佳地,所述历史运行数据和所述当前运行数据均包括高频振动数据和低频缓变量数据,步骤S30之前,所述健康评估方法还包括:
S21、从所述历史运行数据或所述当前运行数据的高频振动数据中对应提取影响所述轴承的健康程度的n个历史特征参数或n个当前特征参数,n为正整数;
S22、根据所述历史运行数据中的低频缓变量数据及n个历史特征参数或所述当前运行数据中的低频缓变量数据及n个当前特征参数对应生成历史特征矩阵或当前特征矩阵;
步骤S30中,分别将所述历史特征矩阵和所述当前特征矩阵作为训练参数。
较佳地,步骤S22之前,所述健康评估方法还包括:
S211、根据所述历史运行数据中的低频缓变量数据及所述n个历史特征参数或所述当前运行数据中的低频缓变量数据及所述n个当前特征参数对应生成历史数据矩阵或当前数据矩阵;
S212、基于主成分分析法对所述历史数据矩阵或所述当前数据矩阵进行特征提取,对应提取影响所述轴承的运行状态的贡献率大于预设百分比的m个历史特征参数或m个当前特征参数,m为正整数,m≤n;
步骤S22具体包括:
根据所述m个历史特征参数或所述m个当前特征参数对应生成历史特征矩阵或当前特征矩阵。
较佳地,所述历史特征参数和所述当前特征参数均包括均值、最大值、最小值、偏度、峭度、波形指标、方差、方根幅值、绝对平均值、均方根值、峰峰值、峰值指标、脉冲指标、峭度指标、裕度指标和偏斜度指标中的至少1个;
所述低频缓变量数据包括温度数据和/或载荷。
较佳地,步骤S30具体包括:
S301、预设一初始高斯混合模型及所述初始高斯混合模型的初始参数,所述初始参数包括平均向量、协方差矩阵和混合模型数量范围;
S302、遍历所述混合模型数量范围中的混合模型数量值,基于期望最大化算法将所述历史特征矩阵及所述初始参数或所述当前特征矩阵和所述初始参数输入所述初始高斯混合模型,对应训练得到至少1个第一混合模型及所述第一混合模型的第一参数或至少1个第二混合模型及所述第二混合模型的第二参数;所述第一参数或所述第二参数对应包括每个第一混合模型或每个第二混合模型中每个单高斯函数的模型参数及优先向量;
S303、基于模型选择准则对每个第一混合模型或每个第二混合模型进行打分;所述模型选择准则包括BIC准则(贝叶斯信息准则)、AIC准则(赤池信息量准则)或HQ准则(Hannan-Quinn信息准则);
S304、对应提取分值最小的第一混合模型作为所述第一高斯混合模型或提取分值最小的第二混合模型作为所述第二高斯混合模型。
较佳地,所述健康评估方法中的第一高斯混合模型或第二高斯混合模型为:
其中,h(x;θi)是单高斯函数,x是d维历史特征矩阵或当前特征矩阵,I是混合模型数量,pi是预设的第i个单高斯函数的优先向量,满足θi表示第i个单高斯函数的模型参数,所述模型参数包括平均向量μi和协方差矩阵σi。
较佳地,步骤S40中通过以下公式计算所述第一重合度:
其中,CVd为第一重合度,g1(x)为第一高斯混合模型,g2(x)为第二高斯混合模型,x是特征矩阵。
较佳地,步骤S50具体包括:
S501、获取轨道交通的轴承在异常运行状态下的历史采样时间段内的多个故障运行数据;所述异常运行状态包括轴承外圈故障、轴承内圈故障和滚动体故障中的至少一个;
S502、对每个故障数据,将所述每个故障运行数据作为训练参数,输入高斯混合模型算法,输出用于表征所述轴承的故障运行情况的第三高斯混合模型;
S503、根据所述第一高斯混合模型和每个第三高斯混合模型计算得到每个异常运行状态与所述正常运行状态的第二重合度;
S504、根据所有异常运行状态的第二重合度设定判断所述轴承的健康程度的阈值范围;
S505、根据所述第一重合度和所述阈值范围确定所述轴承在当前运行状态下的健康程度。
较佳地,步骤S504中,通过以下公式设定所述阈值范围:
CVmax=a+max(CV1,CV2,CV3,…,CVj)
CV=[0,CVmax)
CV为阈值范围,CVj为第j个异常运行状态与正常运行状态的重合度,a为0到0.5的预先设定值。
一种轨道交通轴承的健康评估系统,所述健康评估系统包括历史数据获取模块、当前数据获取模块、训练模块、重合度计算模块和健康程度确定模块;
所述历史数据获取模块用于获取轨道交通的轴承在正常运行状态下的历史采样时间段内的历史运行数据;
所述当前数据获取模块用于获取轨道交通的轴承在当前运行状态下的当前采样时间段内的当前运行数据;
所述训练模块用于分别将所述历史运行数据和所述当前运行数据作为训练参数,输入高斯混合模型算法,输出用于表征所述轴承的正常运行情况的第一高斯混合模型和用于表征所述轴承的当前运行情况的第二高斯混合模型;
所述重合度计算模块用于根据所述第一高斯混合模型和所述第二高斯混合模型计算得到所述当前运行状态与所述正常运行状态的第一重合度;
所述健康程度确定模块用于根据所述第一重合度确定所述当前运行情况的健康程度。
较佳地,所述历史运行数据和所述当前运行数据均包括高频振动数据和低频缓变量数据,所述健康评估系统还包括特征参数提取模块和特征矩阵生成模块;
所述特征参数提取模块用于从所述历史运行数据或所述当前运行数据的高频振动数据中对应提取影响所述轴承的健康程度的n个历史特征参数或n个当前特征参数,n为正整数;
所述特征矩阵生成模块用于根据所述历史运行数据中的低频缓变量数据及n个历史特征参数或所述当前运行数据中的低频缓变量数据及n个当前特征参数对应生成历史特征矩阵或当前特征矩阵;
所述训练模块用于分别将所述历史特征矩阵和所述当前特征矩阵作为训练参数。
较佳地,所述健康评估系统还包括数据矩阵生成模块;
所述数据矩阵生成模块用于根据所述历史运行数据中的低频缓变量数据及所述n个历史特征参数或所述当前运行数据中的低频缓变量数据及所述n个当前特征参数对应生成历史数据矩阵或当前数据矩阵;
所述特征参数提取模块用于基于主成分分析法对所述历史数据矩阵或所述当前数据矩阵进行特征提取,对应提取影响所述轴承的运行状态的贡献率大于预设百分比的m个历史特征参数或m个当前特征参数,m为正整数,m≤n;
所述特征矩阵生成模块用于根据所述m个历史特征参数或所述m个当前特征参数对应生成历史特征矩阵或当前特征矩阵。
较佳地,所述历史特征参数和所述当前特征参数均包括均值、最大值、最小值、偏度、峭度、波形指标、方差、方根幅值、绝对平均值、均方根值、峰峰值、峰值指标、脉冲指标、峭度指标、裕度指标和偏斜度指标中的至少1个;
所述低频缓变量数据包括温度数据和/或载荷。
较佳地,所述训练模块包括预设单元、训练单元、打分单元和模型确定单元;
所述预设单元用于预设一初始高斯混合模型及所述初始高斯混合模型的初始参数,所述初始参数包括平均向量、协方差矩阵和混合模型数量范围;
所述训练单元用于遍历所述混合模型数量范围中的混合模型数量值,基于期望最大化算法将所述历史特征矩阵及所述初始参数或所述当前特征矩阵和所述初始参数输入所述初始高斯混合模型,对应训练得到至少1个第一混合模型及所述第一混合模型的第一参数或至少1个第二混合模型及所述第二混合模型的第二参数;所述第一参数或所述第二参数对应包括每个第一混合模型或每个第二混合模型中每个单高斯函数的模型参数及优先向量;
所述打分单元用于基于模型选择准则对每个第一混合模型或每个第二混合模型进行打分;所述模型选择准则包括BIC准则、AIC准则或HQ准则;
所述模型确定单元用于对应提取分值最小的第一混合模型作为所述第一高斯混合模型或提取分值最小的第二混合模型作为所述第二高斯混合模型。
较佳地,所述健康评估系统中的第一高斯混合模型或第二高斯混合模型为:
其中,h(x;θi)是单高斯函数,x是d维历史特征矩阵或当前特征矩阵,I是混合模型数量,pi是预设的第i个单高斯函数的优先向量,满足θi表示第i个单高斯函数的模型参数,所述模型参数包括平均向量μi和协方差矩阵σi。
较佳地,所述重合度计算模块通过以下公式计算所述第一重合度:
其中,CVd为第一重合度,g1(x)为第一高斯混合模型,g2(x)为第二高斯混合模型,x是特征矩阵。
较佳地,所述健康评估系统还包括阈值范围确定模块;
所述历史数据获取模块还用于获取轨道交通的轴承在异常运行状态下的历史采样时间段内的多个故障运行数据;所述异常运行状态包括轴承外圈故障、轴承内圈故障和滚动体故障中的至少一个;
所述训练模块还用于对每个故障数据,将所述每个故障运行数据作为训练参数,输入高斯混合模型算法,输出用于表征所述轴承的故障运行情况的第三高斯混合模型;
所述重合度计算模块还用于根据所述第一高斯混合模型和每个第三高斯混合模型计算得到每个异常运行状态与所述正常运行状态的第二重合度;
所述阈值范围确定模块用于根据所有异常运行状态的第二重合度设定判断所述轴承的健康程度的阈值范围;
所述健康程度确定模块用于根据所述第一重合度和所述阈值范围确定所述轴承在当前运行状态下的健康程度。
较佳地,所述阈值范围确定模块通过以下公式设定所述阈值范围:
CVmax=a+max(CV1,CV2,CV3,…,CVj)
CV=[0,CVmax)
CV为阈值范围,CVj为第j个异常运行状态与正常运行状态的重合度,a为0到0.5的预先设定值。
本发明的积极进步效果在于:本发明基于高斯混合模型的方式不易产生过拟合现象,模型精度更高,基于计算得到的当前运行状态与正常运行状态的重合度判断当前运行情况的健康程度,评估结果更加精准有效,进而便于在合适的时间提醒用户和维修人员对轴承提前进行适当的维护措施,避免轴承故障的发生。
附图说明
图1为本发明实施例1的轨道交通轴承的健康评估方法的流程图。
图2为本发明实施例2的轨道交通轴承的健康评估方法的流程图。
图3为本发明实施例3的轨道交通轴承的健康评估方法中步骤30的流程图。
图4为本发明实施例4的轨道交通轴承的健康评估方法中步骤50的流程图。
图5为本发明实施例5的轨道交通轴承的健康评估系统的模块示意图。
图6为本发明实施例6的轨道交通轴承的健康评估系统的模块示意图。
图7为本发明实施例7的轨道交通轴承的健康评估系统中训练模块的模块示意图。
图8为本发明实施例8的轨道交通轴承的健康评估系统的模块示意图。
具体实施方式
下面通过实施例的方式进一步说明本发明,但并不因此将本发明限制在所述的实施例范围之中。
实施例1
一种轨道交通轴承的健康评估方法,如图1所示,所述健康评估方法包括:
步骤10、获取轨道交通的轴承在正常运行状态下的历史采样时间段内的历史运行数据;
步骤20、获取轨道交通的轴承在当前运行状态下的当前采样时间段内的当前运行数据;
步骤30、分别将历史运行数据和当前运行数据作为训练参数,输入高斯混合模型算法,输出用于表征轴承的正常运行情况的第一高斯混合模型和用于表征轴承的当前运行情况的第二高斯混合模型;
步骤40、根据第一高斯混合模型和第二高斯混合模型计算得到当前运行状态与正常运行状态的第一重合度;
步骤50、根据第一重合度确定当前运行情况的健康程度。
本实施例中,基于高斯混合模型的方式不易产生过拟合现象,模型精度更高,基于计算得到的当前运行状态与正常运行状态的重合度判断当前运行情况的健康程度,评估结果更加精准有效,进而便于在合适的时间提醒用户和维修人员对轴承提前进行适当的维护措施,避免轴承故障的发生。
实施例2
本实施例的轨道交通轴承的健康评估方法是在实施例1的基础上进一步改进,所述历史运行数据和所述当前运行数据均包括高频振动数据和低频缓变量数据,所述历史特征参数和所述当前特征参数均包括均值、最大值、最小值、偏度、峭度、波形指标、方差、方根幅值、绝对平均值、均方根值、峰峰值、峰值指标、脉冲指标、峭度指标、裕度指标和偏斜度指标中的至少1个;所述低频缓变量数据包括温度数据和/或载荷。
如图2所示,步骤30之前,所述健康评估方法还包括:
步骤21、从历史运行数据或当前运行数据的高频振动数据中对应提取影响轴承的健康程度的n个历史特征参数或n个当前特征参数,n为正整数;
步骤22、根据历史运行数据中的低频缓变量数据及n个历史特征参数或当前运行数据中的低频缓变量数据及n个当前特征参数对应生成历史数据矩阵或当前数据矩阵;
步骤23、基于主成分分析法对历史数据矩阵或当前数据矩阵进行特征提取,对应提取影响轴承的运行状态的贡献率大于预设百分比的m个历史特征参数或m个当前特征参数;m为正整数,m≤n;
步骤24、根据m个历史特征参数或m个当前特征参数对应生成历史特征矩阵或当前特征矩阵。
进一步的,步骤30中,分别将所述历史特征矩阵和所述当前特征矩阵作为训练参数。
本实施例中,针对轨道交通轴承的健康评估,不仅考虑了轴承运行时的高频振动数据,而且也考虑了轴承运行时的温度等低频缓变量数据,其中,基于振动数据提取影响轴承健康程度的特征参数,并根据特征参数和低频缓变量数据构建特征矩阵,进而利用高斯混合模型算法对特征矩阵进行训练,得到第一高斯混合模型和第二高斯混合模型。
实施例3
本实施例的轨道交通轴承的健康评估方法是在实施例2的基础上进一步改进,如图3所示,步骤30具体包括:
步骤301、预设一初始高斯混合模型及初始高斯混合模型的初始参数;初始参数包括平均向量、协方差矩阵和混合模型数量范围;
步骤302、遍历混合模型数量范围中的混合模型数量值,基于期望最大化算法将历史特征矩阵及初始参数或当前特征矩阵和初始参数输入初始高斯混合模型,对应训练得到至少1个第一混合模型及第一混合模型的第一参数或至少1个第二混合模型及第二混合模型的第二参数;第一参数或第二参数对应包括每个第一混合模型或每个第二混合模型中每个单高斯函数的模型参数及优先向量;
步骤303、基于模型选择准则对每个第一混合模型或每个第二混合模型进行打分;模型选择准则包括BIC准则、AIC准则或HQ准则;
步骤304、对应提取分值最小的第一混合模型作为第一高斯混合模型或提取分值最小的第二混合模型作为第二高斯混合模型。
举个具体示例进一步说明轨道交通轴承的健康评估方法:
一、获取历史运行数据,包括高频振动数据(包括轴箱轴承在X、Y、Z三个方向上的振动数据)和低频缓变量数据(温度);
二、对高频振动数据进行特征提取,提取以下16个特征参数(参见表1);
表1特征参数表
以上公式中,xp为第p个振动数据,N为振动数据的总个数,本示例中取16个特征参数,那么X、Y、Z三个方向共提取48个特征参数。
三、基于以上16个特征参数和温度生成历史数据矩阵(49维矩阵),并基于主成分分析法对所述历史数据矩阵进行特征提取,提取影响所述轴承的运行状态的贡献率大于预设百分比(如90%)的m个历史特征参数,并将m个历史特征参数生成历史特征矩阵;
需要说明的是,主成分分析法特征提取的内容为现有技术中较成熟的技术手段,本申请不再赘述。
四、将所述历史特征矩阵作为训练参数,输入高斯混合模型算法,输出用于表征所述轴承的正常运行情况的第一高斯混合模型,具体地:
1)预设一初始高斯混合模型及所述初始高斯混合模型的初始参数θ,所述初始参数包括平均向量、协方差矩阵和混合模型数量范围(本示例中设定可取数量为1、2、3);
2)基于期望最大化算法(EM算法)将所述历史特征矩阵及所述初始参数输入所述初始高斯混合模型,对应训练得到3个第一混合模型及所述第一混合模型的第一参数;第一参数包括每个单高斯函数的平均向量、协方差矩阵和优先向量;EM算法为现有技术中较成熟的技术手段,本申请不再赘述;
3)基于贝叶斯信息准则(BIC)算法从第一混合模型中确定第一高斯混合模型;
具体地,通过以下公式对每个第一混合模型进行打分:
上式中Hj是第j个候选模型(第一混合模型),D是训练特征(历史特征矩阵),是第j个候选模型的最大对数似然函数,k是被估计参数的数字,d是特征的大小,最终建立有最小贝叶斯信息准则分数的最佳高斯混合模型作为第一高斯混合模型。
具体的,第一高斯混合模型为:
其中,h(x;θi)是单高斯函数,x是d维历史特征矩阵,I是混合模型数量,pi是预设的第i个单高斯函数的优先向量,满足θi表示第i个单高斯函数的模型参数,所述模型参数包括平均向量μi和协方差矩阵σi。
五、获取当前运行数据,并重复以上步骤一~步骤四,得到与当前运行数据对应的第二高斯混合模型;
六、根据所述第一高斯混合模型和所述第二高斯混合模型计算得到所述当前运行状态与所述正常运行状态的第一重合度,并根据所述第一重合度确定所述当前运行情况的健康程度。
实施例4
本是实施例的轨道交通轴承的健康评估方法是在实施例2的基础上进一步改进,如图4所示,步骤50具体包括:
步骤501、获取轨道交通的轴承在异常运行状态下的历史采样时间段内的多个故障运行数据;异常运行状态包括轴承外圈故障、轴承内圈故障和滚动体故障中的至少一个;
步骤502、对每个故障数据,将每个故障运行数据作为训练参数,输入高斯混合模型算法,输出用于表征轴承的故障运行情况的第三高斯混合模型;
步骤503、根据第一高斯混合模型和每个第三高斯混合模型计算得到每个异常运行状态与正常运行状态的第二重合度;
步骤504、根据所有异常运行状态的第二重合度设定判断轴承的健康程度的阈值范围;
步骤505、根据第一重合度和阈值范围确定轴承在当前运行状态下的健康程度。
其中,步骤40中通过以下公式计算所述第一重合度:
其中,g1(x)为第一高斯混合模型,g2(x)为第二高斯混合模型,x是特征矩阵。
步骤504中,通过以下公式设定所述阈值范围:
CVmax=a+max(CV1,CV2,CV3,…,CVj)
CV=[0,CVmax)
CV为阈值范围,CVj为第j个异常运行状态与正常运行状态的重合度,a为0到0.5的预先设定值。
针对轨道交通轴承的三类常见故障:外圈故障、内圈故障、滚动体故障,计算求取其三类异常运行状态与正常运行状态的重合度分别为CV=0.431、0.221、0.197,设定健康预警值CVmax=a+max(0.431,0.221,0.197),设定a=0.2,则CVmax=0.631;
进而,在实际评估中,若待评估轨道交通轴承的重合度CV<CVmax,系统发出报警,提示需要对轴承进行适维护措施,运维人员及时对轴承进行维修措施,避免了轴承后续故障的发生。
实施例5
一种轨道交通轴承的健康评估系统,如图5所示,所述健康评估系统包括历史数据获取模块1、当前数据获取模块2、训练模块3、重合度计算模块4和健康程度确定模块5;
所述历史数据获取模块1用于获取轨道交通的轴承在正常运行状态下的历史采样时间段内的历史运行数据;
所述当前数据获取模块2用于获取轨道交通的轴承在当前运行状态下的当前采样时间段内的当前运行数据;
所述训练模块3用于分别将所述历史运行数据和所述当前运行数据作为训练参数,输入高斯混合模型算法,输出用于表征所述轴承的正常运行情况的第一高斯混合模型和用于表征所述轴承的当前运行情况的第二高斯混合模型;
所述重合度计算模块4用于根据所述第一高斯混合模型和所述第二高斯混合模型计算得到所述当前运行状态与所述正常运行状态的第一重合度;
所述健康程度确定模块5用于根据所述第一重合度确定所述当前运行情况的健康程度。
本实施例中,基于高斯混合模型的方式不易产生过拟合现象,模型精度更高,基于计算得到的当前运行状态与正常运行状态的重合度判断当前运行情况的健康程度,评估结果更加精准有效,进而便于在合适的时间提醒用户和维修人员对轴承提前进行适当的维护措施,避免轴承故障的发生。
实施例6
本实施例的轨道交通轴承的健康评估系统是在实施例5的基础上进一步改进,所述历史运行数据和所述当前运行数据均包括高频振动数据和低频缓变量数据,所述历史特征参数和所述当前特征参数均包括均值、最大值、最小值、偏度、峭度、波形指标、方差、方根幅值、绝对平均值、均方根值、峰峰值、峰值指标、脉冲指标、峭度指标、裕度指标和偏斜度指标中的至少1个;所述低频缓变量数据包括温度数据和/或载荷。
如图6所示,所述健康评估系统还包括特征参数提取模块6、数据矩阵生成模块7和特征矩阵生成模块8;
所述特征参数提取模块6用于从所述历史运行数据或所述当前运行数据的高频振动数据中对应提取影响所述轴承的健康程度的n个历史特征参数或n个当前特征参数,n为正整数;
数据矩阵生成模块7所述数据矩阵生成模块7用于根据所述历史运行数据中的低频缓变量数据及所述n个历史特征参数或所述当前运行数据中的低频缓变量数据及所述n个当前特征参数对应生成历史数据矩阵或当前数据矩阵;
所述特征参数提取模块6用于基于主成分分析法对所述历史数据矩阵或所述当前数据矩阵进行特征提取,对应提取影响所述轴承的运行状态的贡献率大于预设百分比的m个历史特征参数或m个当前特征参数,m为正整数,m≤n;
所述特征矩阵生成模块8用于根据所述m个历史特征参数或所述m个当前特征参数对应生成历史特征矩阵或当前特征矩阵。
进一步,所述训练模块3用于分别将所述历史特征矩阵和所述当前特征矩阵作为训练参数。
本实施例中,针对轨道交通轴承的健康评估,不仅考虑了轴承运行时的高频振动数据,而且也考虑了轴承运行时的温度等低频缓变量数据,其中,基于振动数据提取影响轴承健康程度的特征参数,并根据特征参数和低频缓变量数据构建特征矩阵,进而利用高斯混合模型算法对特征矩阵进行训练,得到第一高斯混合模型和第二高斯混合模型。
实施例7
本实施例的轨道交通轴承的健康评估系统是在实施例6的基础上进一步改进,如图7所示,所述训练模块3包括预设单元31、训练单元32、打分单元33和模型确定单元34;
所述预设单元31用于预设一初始高斯混合模型及所述初始高斯混合模型的初始参数,所述初始参数包括平均向量、协方差矩阵和混合模型数量范围;
所述训练单元32用于遍历所述混合模型数量范围中的混合模型数量值,基于期望最大化算法将所述历史特征矩阵及所述初始参数或所述当前特征矩阵和所述初始参数输入所述初始高斯混合模型,对应训练得到至少1个第一混合模型及所述第一混合模型的第一参数或至少1个第二混合模型及所述第二混合模型的第二参数;所述第一参数或所述第二参数对应包括每个第一混合模型或每个第二混合模型中每个单高斯函数的模型参数及优先向量;
所述打分单元33用于基于模型选择准则对每个第一混合模型或每个第二混合模型进行打分;所述模型选择准则包括BIC准则、AIC准则或HQ准则;
所述模型确定单元34用于对应提取分值最小的第一混合模型作为所述第一高斯混合模型或提取分值最小的第二混合模型作为所述第二高斯混合模型。
具体地,通过以下公式对每个第一混合模型进行打分:
上式中Hj是第j个候选模型(第一混合模型或第二混合模型),D是训练特征(历史特征矩阵或当前特征矩阵),是第j个候选模型的最大对数似然函数,k是被估计参数的数字,d是特征的大小,最终对应建立有最小贝叶斯信息准则分数的最佳高斯混合模型作为第一高斯混合模型或第二高斯混合模型。
所述健康评估系统中的第一高斯混合模型或第二高斯混合模型为:
其中,h(x;θi)是单高斯函数,x是d维历史特征矩阵或当前特征矩阵,I是混合模型数量,pi是预设的第i个单高斯函数的优先向量,满足θi表示第i个单高斯函数的模型参数,所述模型参数包括平均向量μi和协方差矩阵σi。
实施例8
本是实施例的轨道交通轴承的健康评估方法是在实施例6的基础上进一步改进,如图8所示,所述健康评估系统还包括阈值范围确定模块9;
所述历史数据获取模块1还用于获取轨道交通的轴承在异常运行状态下的历史采样时间段内的多个故障运行数据;所述异常运行状态包括轴承外圈故障、轴承内圈故障和滚动体故障中的至少一个;
所述训练模块3还用于对每个故障数据,将所述每个故障运行数据作为训练参数,输入高斯混合模型算法,输出用于表征所述轴承的故障运行情况的第三高斯混合模型;
所述重合度计算模块4还用于根据所述第一高斯混合模型和每个第三高斯混合模型计算得到每个异常运行状态与所述正常运行状态的第二重合度;
所述阈值范围确定模块9用于根据所有异常运行状态的第二重合度设定判断所述轴承的健康程度的阈值范围;
所述健康程度确定模块5用于根据所述第一重合度和所述阈值范围确定所述轴承在当前运行状态下的健康程度。
所述重合度计算模块4通过以下公式计算所述第一重合度:
其中,g1(x)为第一高斯混合模型,g2(x)为第二高斯混合模型,x是特征矩阵。
所述阈值范围确定模块9通过以下公式设定所述阈值范围:
CVmax=a+max(CV1,CV2,CV3,…,CVj)
CV=[0,CVmax)
CV为阈值范围,CVj为第j个异常运行状态与正常运行状态的重合度,a为0到0.5的预先设定值。
针对轨道交通轴承的三类常见故障:外圈故障、内圈故障、滚动体故障,计算求取其三类异常运行状态与正常运行状态的重合度分别为CV=0.431、0.221、0.197,设定健康预警值CVmax=a+max(0.431,0.221,0.197),设定a=0.2,则CVmax=0.631;
进而,在实际评估中,若待评估轨道交通轴承的重合度CV<CVmax,系统发出报警,提示需要对轴承进行适维护措施,运维人员及时对轴承进行维修措施,避免了轴承后续故障的发生。
虽然以上描述了本发明的具体实施方式,但是本领域的技术人员应当理解,这仅是举例说明,本发明的保护范围是由所附权利要求书限定的。本领域的技术人员在不背离本发明的原理和实质的前提下,可以对这些实施方式做出多种变更或修改,但这些变更和修改均落入本发明的保护范围。
Claims (18)
1.一种轨道交通轴承的健康评估方法,其特征在于,所述健康评估方法包括:
S10、获取轨道交通的轴承在正常运行状态下的历史采样时间段内的历史运行数据;
S20、获取轨道交通的轴承在当前运行状态下的当前采样时间段内的当前运行数据;
S30、分别将所述历史运行数据和所述当前运行数据作为训练参数,输入高斯混合模型算法,输出用于表征所述轴承的正常运行情况的第一高斯混合模型和用于表征所述轴承的当前运行情况的第二高斯混合模型;
S40、根据所述第一高斯混合模型和所述第二高斯混合模型计算得到所述当前运行状态与所述正常运行状态的第一重合度;
S50、根据所述第一重合度确定所述当前运行情况的健康程度。
2.如权利要求1所述的轨道交通轴承的健康评估方法,其特征在于,所述历史运行数据和所述当前运行数据均包括高频振动数据和低频缓变量数据,步骤S30之前,所述健康评估方法还包括:
S21、从所述历史运行数据或所述当前运行数据的高频振动数据中对应提取影响所述轴承的健康程度的n个历史特征参数或n个当前特征参数,n为正整数;
S22、根据所述历史运行数据中的低频缓变量数据及n个历史特征参数或所述当前运行数据中的低频缓变量数据及n个当前特征参数对应生成历史特征矩阵或当前特征矩阵;
步骤S30中,分别将所述历史特征矩阵和所述当前特征矩阵作为训练参数。
3.如权利要求2所述的轨道交通轴承的健康评估方法,其特征在于,步骤S22之前,所述健康评估方法还包括:
S211、根据所述历史运行数据中的低频缓变量数据及所述n个历史特征参数或所述当前运行数据中的低频缓变量数据及所述n个当前特征参数对应生成历史数据矩阵或当前数据矩阵;
S212、基于主成分分析法对所述历史数据矩阵或所述当前数据矩阵进行特征提取,对应提取影响所述轴承的运行状态的贡献率大于预设百分比的m个历史特征参数或m个当前特征参数,m为正整数,m≤n;
步骤S22具体包括:
根据所述m个历史特征参数或所述m个当前特征参数对应生成历史特征矩阵或当前特征矩阵。
4.如权利要求2所述的轨道交通轴承的健康评估方法,其特征在于,所述历史特征参数和所述当前特征参数均包括均值、最大值、最小值、偏度、峭度、波形指标、方差、方根幅值、绝对平均值、均方根值、峰峰值、峰值指标、脉冲指标、峭度指标、裕度指标和偏斜度指标中的至少1个;
所述低频缓变量数据包括温度数据和/或载荷。
5.如权利要求2所述的轨道交通轴承的健康评估方法,其特征在于,步骤S30具体包括:
S301、预设一初始高斯混合模型及所述初始高斯混合模型的初始参数,所述初始参数包括平均向量、协方差矩阵和混合模型数量范围;
S302、遍历所述混合模型数量范围中的混合模型数量值,基于期望最大化算法将所述历史特征矩阵及所述初始参数或所述当前特征矩阵和所述初始参数输入所述初始高斯混合模型,对应训练得到至少1个第一混合模型及所述第一混合模型的第一参数或至少1个第二混合模型及所述第二混合模型的第二参数;所述第一参数或所述第二参数对应包括每个第一混合模型或每个第二混合模型中每个单高斯函数的模型参数及优先向量;
S303、基于模型选择准则对每个第一混合模型或每个第二混合模型进行打分;所述模型选择准则包括BIC准则、AIC准则或HQ准则;
S304、对应提取分值最小的第一混合模型作为所述第一高斯混合模型或提取分值最小的第二混合模型作为所述第二高斯混合模型。
6.如权利要求5所述的轨道交通轴承的健康评估方法,其特征在于,所述健康评估方法中的第一高斯混合模型或第二高斯混合模型为:
其中,h(x;θi)是单高斯函数,x是d维历史特征矩阵或当前特征矩阵,I是混合模型数量,pi是预设的第i个单高斯函数的优先向量,满足θi表示第i个单高斯函数的模型参数,所述模型参数包括平均向量μi和协方差矩阵σi。
7.如权利要求2所述的轨道交通轴承的健康评估方法,其特征在于,步骤S40中通过以下公式计算所述第一重合度:
其中,CVd为第一重合度,g1(x)为第一高斯混合模型,g2(x)为第二高斯混合模型,x是特征矩阵。
8.如权利要求2所述的轨道交通轴承的健康评估方法,其特征在于,步骤S50具体包括:
S501、获取轨道交通的轴承在异常运行状态下的历史采样时间段内的多个故障运行数据;所述异常运行状态包括轴承外圈故障、轴承内圈故障和滚动体故障中的至少一个;
S502、对每个故障数据,将所述每个故障运行数据作为训练参数,输入高斯混合模型算法,输出用于表征所述轴承的故障运行情况的第三高斯混合模型;
S503、根据所述第一高斯混合模型和每个第三高斯混合模型计算得到每个异常运行状态与所述正常运行状态的第二重合度;
S504、根据所有异常运行状态的第二重合度设定判断所述轴承的健康程度的阈值范围;
S505、根据所述第一重合度和所述阈值范围确定所述轴承在当前运行状态下的健康程度。
9.如权利要求8所述的轨道交通轴承的健康评估方法,其特征在于,步骤S504中,通过以下公式设定所述阈值范围:
CVmax=a+max(CV1,CV2,CV3,…,CVj)
CV=[0,CVmax)
CV为阈值范围,CVj为第j个异常运行状态与正常运行状态的重合度,a为0到0.5的预先设定值。
10.一种轨道交通轴承的健康评估系统,其特征在于,所述健康评估系统包括历史数据获取模块、当前数据获取模块、训练模块、重合度计算模块和健康程度确定模块;
所述历史数据获取模块用于获取轨道交通的轴承在正常运行状态下的历史采样时间段内的历史运行数据;
所述当前数据获取模块用于获取轨道交通的轴承在当前运行状态下的当前采样时间段内的当前运行数据;
所述训练模块用于分别将所述历史运行数据和所述当前运行数据作为训练参数,输入高斯混合模型算法,输出用于表征所述轴承的正常运行情况的第一高斯混合模型和用于表征所述轴承的当前运行情况的第二高斯混合模型;
所述重合度计算模块用于根据所述第一高斯混合模型和所述第二高斯混合模型计算得到所述当前运行状态与所述正常运行状态的第一重合度;
所述健康程度确定模块用于根据所述第一重合度确定所述当前运行情况的健康程度。
11.如权利要求10所述的轨道交通轴承的健康评估系统,其特征在于,所述历史运行数据和所述当前运行数据均包括高频振动数据和低频缓变量数据,所述健康评估系统还包括特征参数提取模块和特征矩阵生成模块;
所述特征参数提取模块用于从所述历史运行数据或所述当前运行数据的高频振动数据中对应提取影响所述轴承的健康程度的n个历史特征参数或n个当前特征参数,n为正整数;
所述特征矩阵生成模块用于根据所述历史运行数据中的低频缓变量数据及n个历史特征参数或所述当前运行数据中的低频缓变量数据及n个当前特征参数对应生成历史特征矩阵或当前特征矩阵;
所述训练模块用于分别将所述历史特征矩阵和所述当前特征矩阵作为训练参数。
12.如权利要求11所述的轨道交通轴承的健康评估系统,其特征在于,所述健康评估系统还包括数据矩阵生成模块;
所述数据矩阵生成模块用于根据所述历史运行数据中的低频缓变量数据及所述n个历史特征参数或所述当前运行数据中的低频缓变量数据及所述n个当前特征参数对应生成历史数据矩阵或当前数据矩阵;
所述特征参数提取模块用于基于主成分分析法对所述历史数据矩阵或所述当前数据矩阵进行特征提取,对应提取影响所述轴承的运行状态的贡献率大于预设百分比的m个历史特征参数或m个当前特征参数,m为正整数,m≤n;
所述特征矩阵生成模块用于根据所述m个历史特征参数或所述m个当前特征参数对应生成历史特征矩阵或当前特征矩阵。
13.如权利要求11所述的轨道交通轴承的健康评估系统,其特征在于,所述历史特征参数和所述当前特征参数均包括均值、最大值、最小值、偏度、峭度、波形指标、方差、方根幅值、绝对平均值、均方根值、峰峰值、峰值指标、脉冲指标、峭度指标、裕度指标和偏斜度指标中的至少1个;
所述低频缓变量数据包括温度数据和/或载荷。
14.如权利要求11所述的轨道交通轴承的健康评估系统,其特征在于,所述训练模块包括预设单元、训练单元、打分单元和模型确定单元;
所述预设单元用于预设一初始高斯混合模型及所述初始高斯混合模型的初始参数,所述初始参数包括平均向量、协方差矩阵和混合模型数量范围;
所述训练单元用于遍历所述混合模型数量范围中的混合模型数量值,基于期望最大化算法将所述历史特征矩阵及所述初始参数或所述当前特征矩阵和所述初始参数输入所述初始高斯混合模型,对应训练得到至少1个第一混合模型及所述第一混合模型的第一参数或至少1个第二混合模型及所述第二混合模型的第二参数;所述第一参数或所述第二参数对应包括每个第一混合模型或每个第二混合模型中每个单高斯函数的模型参数及优先向量;
所述打分单元用于基于模型选择准则对每个第一混合模型或每个第二混合模型进行打分;所述模型选择准则包括BIC准则、AIC准则或HQ准则;
所述模型确定单元用于对应提取分值最小的第一混合模型作为所述第一高斯混合模型或提取分值最小的第二混合模型作为所述第二高斯混合模型。
15.如权利要求14所述的轨道交通轴承的健康评估系统,其特征在于,所述健康评估系统中的第一高斯混合模型或第二高斯混合模型为:
其中,h(x;θi)是单高斯函数,x是d维历史特征矩阵或当前特征矩阵,I是混合模型数量,pi是预设的第i个单高斯函数的优先向量,满足θi表示第i个单高斯函数的模型参数,所述模型参数包括平均向量μi和协方差矩阵σi。
16.如权利要求11所述的轨道交通轴承的健康评估系统,其特征在于,所述重合度计算模块通过以下公式计算所述第一重合度:
其中,CVd为第一重合度,g1(x)为第一高斯混合模型,g2(x)为第二高斯混合模型,x是特征矩阵。
17.如权利要求11所述的轨道交通轴承的健康评估系统,其特征在于,所述健康评估系统还包括阈值范围确定模块;
所述历史数据获取模块还用于获取轨道交通的轴承在异常运行状态下的历史采样时间段内的多个故障运行数据;所述异常运行状态包括轴承外圈故障、轴承内圈故障和滚动体故障中的至少一个;
所述训练模块还用于对每个故障数据,将所述每个故障运行数据作为训练参数,输入高斯混合模型算法,输出用于表征所述轴承的故障运行情况的第三高斯混合模型;
所述重合度计算模块还用于根据所述第一高斯混合模型和每个第三高斯混合模型计算得到每个异常运行状态与所述正常运行状态的第二重合度;
所述阈值范围确定模块用于根据所有异常运行状态的第二重合度设定判断所述轴承的健康程度的阈值范围;
所述健康程度确定模块用于根据所述第一重合度和所述阈值范围确定所述轴承在当前运行状态下的健康程度。
18.如权利要求17所述的轨道交通轴承的健康评估系统,其特征在于,所述阈值范围确定模块通过以下公式设定所述阈值范围:
CVmax=a+max(CV1,CV2,CV3,…,CVj)
CV=[0,CVmax)
CV为阈值范围,CVj为第j个异常运行状态与正常运行状态的重合度,a为0到0.5的预先设定值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910486451.3A CN110222980A (zh) | 2019-06-05 | 2019-06-05 | 轨道交通轴承的健康评估方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910486451.3A CN110222980A (zh) | 2019-06-05 | 2019-06-05 | 轨道交通轴承的健康评估方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110222980A true CN110222980A (zh) | 2019-09-10 |
Family
ID=67819440
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910486451.3A Pending CN110222980A (zh) | 2019-06-05 | 2019-06-05 | 轨道交通轴承的健康评估方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110222980A (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110879971A (zh) * | 2019-10-23 | 2020-03-13 | 上海宝信软件股份有限公司 | 工业生产设备运行异常情况预测方法及系统 |
CN110894038A (zh) * | 2019-11-20 | 2020-03-20 | 上海电气集团股份有限公司 | 电梯门系统运行状态的预测方法及装置 |
CN111157245A (zh) * | 2020-02-10 | 2020-05-15 | 上海电气集团股份有限公司 | 一种轨道交通走行部轴承的监管方法及系统 |
CN111489071A (zh) * | 2020-03-30 | 2020-08-04 | 上海电气集团股份有限公司 | 一种轨道交通车辆维保方法及系统 |
CN111947928A (zh) * | 2020-08-10 | 2020-11-17 | 山东大学 | 一种多源信息融合的轴承故障预测系统及方法 |
CN112700162A (zh) * | 2021-01-12 | 2021-04-23 | 上海电气集团股份有限公司 | 轨道交通空调运行状态的评估方法及装置 |
CN112836941A (zh) * | 2021-01-14 | 2021-05-25 | 哈电发电设备国家工程研究中心有限公司 | 一种煤电机组汽轮机高加系统在线健康状况评估方法 |
CN112881044A (zh) * | 2019-11-29 | 2021-06-01 | 中国钢铁股份有限公司 | 变转速设备异常诊断方法 |
CN113554247A (zh) * | 2020-04-23 | 2021-10-26 | 北京京东乾石科技有限公司 | 自动导引运输车运行状况评估方法、装置和系统 |
CN113673793A (zh) * | 2020-04-30 | 2021-11-19 | 比亚迪股份有限公司 | 轨道车辆监测方法和装置、介质、设备、轨道车辆 |
CN114091204A (zh) * | 2021-11-25 | 2022-02-25 | 重庆大学 | 基于高斯重合度指标的轴承健康指标构建方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102831325A (zh) * | 2012-09-04 | 2012-12-19 | 北京航空航天大学 | 一种基于高斯过程回归的轴承故障预测方法 |
US20140372602A1 (en) * | 2011-12-13 | 2014-12-18 | China Unionpay Co., Ltd. | Automatic health-check method and device for on-line system |
CN106776288A (zh) * | 2016-11-25 | 2017-05-31 | 北京航空航天大学 | 一种基于Hadoop的分布式系统的健康度量方法 |
CN107132310A (zh) * | 2017-03-28 | 2017-09-05 | 浙江大学 | 基于高斯混合模型的变压器设备健康状态判别方法 |
CN108377209A (zh) * | 2018-01-17 | 2018-08-07 | 北京和利时智能技术有限公司 | 基于scada的设备故障检测系统和检测方法 |
-
2019
- 2019-06-05 CN CN201910486451.3A patent/CN110222980A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140372602A1 (en) * | 2011-12-13 | 2014-12-18 | China Unionpay Co., Ltd. | Automatic health-check method and device for on-line system |
CN102831325A (zh) * | 2012-09-04 | 2012-12-19 | 北京航空航天大学 | 一种基于高斯过程回归的轴承故障预测方法 |
CN106776288A (zh) * | 2016-11-25 | 2017-05-31 | 北京航空航天大学 | 一种基于Hadoop的分布式系统的健康度量方法 |
CN107132310A (zh) * | 2017-03-28 | 2017-09-05 | 浙江大学 | 基于高斯混合模型的变压器设备健康状态判别方法 |
CN108377209A (zh) * | 2018-01-17 | 2018-08-07 | 北京和利时智能技术有限公司 | 基于scada的设备故障检测系统和检测方法 |
Non-Patent Citations (2)
Title |
---|
李巍华 等: "基于小波包熵和高斯混合模型的轴承性能退化评估", 《振动与冲击》 * |
钟鑫: "基于逻辑回归和高斯混合模型的设备故障诊断技术研究与应用", 《中国优秀硕士学位论文全文数据库》 * |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110879971A (zh) * | 2019-10-23 | 2020-03-13 | 上海宝信软件股份有限公司 | 工业生产设备运行异常情况预测方法及系统 |
CN110879971B (zh) * | 2019-10-23 | 2023-06-13 | 上海宝信软件股份有限公司 | 工业生产设备运行异常情况预测方法及系统 |
CN110894038A (zh) * | 2019-11-20 | 2020-03-20 | 上海电气集团股份有限公司 | 电梯门系统运行状态的预测方法及装置 |
CN110894038B (zh) * | 2019-11-20 | 2021-06-11 | 上海电气集团股份有限公司 | 电梯门系统运行状态的预测方法及装置 |
CN112881044B (zh) * | 2019-11-29 | 2024-02-06 | 台湾中国钢铁股份有限公司 | 变转速设备异常诊断方法 |
CN112881044A (zh) * | 2019-11-29 | 2021-06-01 | 中国钢铁股份有限公司 | 变转速设备异常诊断方法 |
CN111157245A (zh) * | 2020-02-10 | 2020-05-15 | 上海电气集团股份有限公司 | 一种轨道交通走行部轴承的监管方法及系统 |
CN111489071A (zh) * | 2020-03-30 | 2020-08-04 | 上海电气集团股份有限公司 | 一种轨道交通车辆维保方法及系统 |
CN113554247A (zh) * | 2020-04-23 | 2021-10-26 | 北京京东乾石科技有限公司 | 自动导引运输车运行状况评估方法、装置和系统 |
CN113673793A (zh) * | 2020-04-30 | 2021-11-19 | 比亚迪股份有限公司 | 轨道车辆监测方法和装置、介质、设备、轨道车辆 |
CN111947928A (zh) * | 2020-08-10 | 2020-11-17 | 山东大学 | 一种多源信息融合的轴承故障预测系统及方法 |
CN111947928B (zh) * | 2020-08-10 | 2021-11-05 | 山东大学 | 一种多源信息融合的轴承故障预测系统及方法 |
CN112700162A (zh) * | 2021-01-12 | 2021-04-23 | 上海电气集团股份有限公司 | 轨道交通空调运行状态的评估方法及装置 |
CN112836941A (zh) * | 2021-01-14 | 2021-05-25 | 哈电发电设备国家工程研究中心有限公司 | 一种煤电机组汽轮机高加系统在线健康状况评估方法 |
CN112836941B (zh) * | 2021-01-14 | 2024-01-09 | 哈电发电设备国家工程研究中心有限公司 | 一种煤电机组汽轮机高加系统在线健康状况评估方法 |
CN114091204A (zh) * | 2021-11-25 | 2022-02-25 | 重庆大学 | 基于高斯重合度指标的轴承健康指标构建方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110222980A (zh) | 轨道交通轴承的健康评估方法及系统 | |
CN106080655B (zh) | 一种列车轴温异常的检测方法、装置以及列车 | |
CN104408916B (zh) | 基于路段速度、流量数据的道路交通运行状态评估方法 | |
CN105357063B (zh) | 一种网络空间安全态势实时检测方法 | |
CN111626372B (zh) | 一种线上教学监督管理方法及系统 | |
CN109559025A (zh) | 一种桥梁检监测一体化健康状况评估体系及其使用方法 | |
CN111680875B (zh) | 基于概率基线模型的无人机状态风险模糊综合评价方法 | |
CN101718634A (zh) | 基于多元概率模型的设备状态综合动态报警方法 | |
CN114783183A (zh) | 一种基于交通态势算法的监控方法与系统 | |
Gadhavi et al. | Student final grade prediction based on linear regression | |
CN103512751A (zh) | 一种基于概率神经网络的轴承健康状态识别方法 | |
CN110441478A (zh) | 一种河流生态环境数据在线监测方法、系统及存储介质 | |
CN105069187A (zh) | 一种基于飞参面板数据模型的重着陆预测方法 | |
CN115542099A (zh) | 一种在线gis局部放电检测方法和装置 | |
CN114117682B (zh) | 齿轮箱的故障识别方法、装置、设备及存储介质 | |
CN112395684A (zh) | 一种高速列车走行部系统智能故障诊断方法 | |
CN103413207A (zh) | 基于定性标准化和影响因子评价法的科技人才评价方法 | |
CN112287586B (zh) | 基于中小桥损伤识别结果的快速可靠度评估方法 | |
CN110108474A (zh) | 一种旋转机械运行稳定性在线监测与评估方法及系统 | |
CN106127407A (zh) | 基于多传感器信息融合的飞机行程打分方法及打分系统 | |
Yanli et al. | Road traffic accidents model and its application based on driver's self-mistakes | |
CN105426665B (zh) | 基于状态监测的动态可靠度确定方法 | |
CN110047167A (zh) | 车辆急转弯次数等效统计方法 | |
CN102938068B (zh) | 桥梁结构多体系损伤识别方法 | |
CN113229791B (zh) | 一种基于眼动和生理数据的飞行员任务负荷在线评估方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190910 |