CN110389570A - 一种机车牵引系统故障诊断装置及方法 - Google Patents
一种机车牵引系统故障诊断装置及方法 Download PDFInfo
- Publication number
- CN110389570A CN110389570A CN201810353869.2A CN201810353869A CN110389570A CN 110389570 A CN110389570 A CN 110389570A CN 201810353869 A CN201810353869 A CN 201810353869A CN 110389570 A CN110389570 A CN 110389570A
- Authority
- CN
- China
- Prior art keywords
- unit
- traction system
- locomotive traction
- fault
- failure
- 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
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0243—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/20—Pc systems
- G05B2219/24—Pc safety
- G05B2219/24065—Real time diagnostics
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Electric Propulsion And Braking For Vehicles (AREA)
Abstract
本发明公开了一种机车牵引系统故障诊断装置及方法,装置包括:车载部分和地面部分。车载部分进一步包括事件记录单元和车载数据中心单元,地面部分进一步包括故障诊断单元和地面数据中心单元。在机车运行过程中,事件记录单元实时采集网络控制系统和牵引变流器的数据,并存储为事件记录文件。在需要进行数据分析时,事件记录文件通过车载数据中心单元,经无线传输传送至地面数据中心单元,并进行数据解析。解析后的数据输入至故障诊断单元,利用建立的神经网络进行故障诊断,故障诊断单元的稳态输出为机车牵引系统故障的具体原因。本发明能够解决现有机车牵引系统故障诊断装置及方法需要耗费大量人力物力,同时结果不准确的技术问题。
Description
技术领域
本发明涉及故障诊断技术领域,尤其是涉及一种应用于机车牵引系统的故障诊断装置及方法。
背景技术
机车在运行过程中,一旦牵引系统发生故障,由于牵引系统自身故障类型较多,引发各类型故障的原因也不尽相同,司乘人员往往较难排查故障。此时,牵引系统如复位多次仍然不能恢复正常,机车则会封锁牵引系统故障所在轴,也会损失相应的轴动力,从而严重影响整列车的正常运输。因而各科研院所、相关企业也广泛开展了对牵引系统的故障诊断研究,以协助司乘人员、检修人员高效、精准排查故障原因,以提高机车牵引系统产品的检修和维护效率。
目前,机车牵引系统故障诊断主要还是通过人工手动分析牵引系统记录文件,自动化智能故障诊断分析手段尚未大规模应用。人工故障分析诊断方法主要通过查看相应波形进行数据分析与诊断,这就需要耗费大量的人力、物力和财力,而且由于分析人员水平差异,分析过程主观因素影响较大,所以诊断结果也不一定准确。此外,在现有技术中,还有以下文献与本发明申请相关:
文献1为西南交通大学于2012年11月28日申请,并于2016年04月06日公开,公开号为CN103018592B的中国发明专利《基于模型诊断的牵引变压器故障诊断方法》。该发明专利公开了一种基于模型诊断的牵引变压器故障诊断方法:应用牵引变压器结构模型知识建立两层结构模型,利用电压、电流互感器参数进行诊断。
文献2为北京交通大学于2014年04月15日申请,并于2016年08月17日公开,公开号为CN103901882B的中国发明专利《一种列车动力系统在线监控故障诊断的系统及其方法》。该发明专利公开了一种列车动力系统在线监控故障诊断的系统及其方法,通过传感器获取状态栏,经滤波、降噪,提取有用信号,采用小波算法完成特征提取,进行故障诊断与融合,最终定位与诊断。
文献3为株洲南车时代电气股份有限公司于2015年06月30日申请,并于2018年02月02日公开,公开号为CN103018592B的中国发明专利《一种机车牵引变流器的中间电压传感器故障诊断方法》。该发明专利公开了一种机车牵引变流器的中间电压传感器故障诊断方法,通过研究网压值与中间直流电压值之间的关系,建立模型进行故障诊断。
但是上述故障诊断方法均是利用牵引变压器结构模型知识建立模型,然后通过一定的算法进行故障诊断,这种算法依据模型结构复杂,诊断所需数据量大,智能化程度较低,故障诊断速度慢,且故障诊断结果可行度不高。
发明内容
有鉴于此,本发明的目的在于提供一种机车牵引系统故障诊断装置及方法,以解决现有机车牵引系统故障诊断装置及方法需要耗费大量人力物力,智能化程度不高,同时结果不准确的技术问题。
为了实现上述发明目的,本发明具体提供了一种机车牵引系统故障诊断装置的技术实现方案,一种机车牵引系统故障诊断装置,包括:
车载部分和地面部分;
所述车载部分进一步包括事件记录单元和车载数据中心单元,所述地面部分进一步包括故障诊断单元和地面数据中心单元;
在机车运行过程中,所述事件记录单元实时采集网络控制系统和牵引变流器的数据,并存储为事件记录文件。在需要进行数据分析时,事件记录文件通过所述车载数据中心单元,经无线传输传送至地面数据中心单元,并进行数据解析。解析后的数据输入至所述故障诊断单元,利用建立的神经网络进行故障诊断,所述故障诊断单元的稳态输出为机车牵引系统故障的具体原因。
优选的,所述车载部分还包括人机接口单元,由所述故障诊断单元诊断出的具体原因能经所述地面数据中心单元,通过无线传输发回至所述车载数据中心单元,并通过所述人机接口单元进行显示。
优选的,所述故障诊断单元包括若干个RBFNN单元,针对机车牵引系统的每一种典型故障均单独建立用于该故障诊断的RBFNN单元。在所述RBFNN单元神经网络建立阶段,通过收集运用现场的机车牵引系统各部件包括碎修、临修在内的检修数据,并按故障发生频次排列出机车牵引系统包括主逆模块故障、逆变过流、接触器故障、四象限模块故障、辅逆故障、直流过压、四象限输入过流、充电超时、原边过流、电机缺相、速度传感器故障、温度传感器故障、电流传感器故障、电压传感器故障在内的典型故障。
优选的,在所述RBFNN单元神经网络建立阶段,针对所述机车牵引系统的每一种典型故障,均按照机车牵引系统原理分析出导致该典型故障存在的层层原因,并根据导致该典型故障的底层原因建立故障树,最终形成各典型故障对应的故障树,所述故障树用于所述RBFNN单元神经网络的建立和运用。
优选的,所述故障诊断单元通过建立和运用各种典型故障对应的RBFNN单元神经网络,将由所述事件记录单元采集到的包括模拟量、数字量、指令、状态反馈在内的输入数据经所述RBFNN单元的映射输出机车牵引系统故障的具体原因。
优选的,所述RBFNN单元进一步包括依次相连的输入层、隐含层和输出层。针对每种典型故障,根据机车牵引系统的特点对与该典型故障原因相关的模拟量、数字量、指令、状态反馈进行整理,作为所述输入层的输入感觉神经元,输入层的感觉神经元个数为N,并将导致该典型故障的M类原因作为所述输出层的M个反应神经元。
优选的,在所述RBFNN单元神经网络训练阶段,RBFNN单元针对机车牵引系统的某一种典型故障,根据M类原因利用机车牵引系统或机车牵引系统仿真平台依次模拟产生该典型故障的不同过程,并收集所述输入层的感觉神经元所需的相关数据。统计与整理的机车牵引系统发生某一种典型故障时的事件记录数据,从中筛选所述输入层的感觉神经元所需的相关数据。将以上两部分的相关数据进行合并,形成建立所述RBFNN单元神经网络所需的训练样本向量xr,N,r表示某一种典型故障。
优选的,在所述RBFNN单元神经网络训练过程中,所述隐含层的联想神经元采用基于无监督学习的聚类算法训练,所述输出层的反应神经元采用基于有监督的最小二乘法学习算法训练,训练完成后建立某一种典型故障诊断所需的RBFNN单元神经网络。
本发明还另外具体提供了一种机车牵引系统故障诊断方法的技术实现方案,一种机车牵引系统故障诊断方法,包括以下步骤:
S10)在机车运行过程中,事件记录单元实时采集网络控制系统和牵引变流器的数据,并存储为事件记录文件;
S20)在需要进行数据分析时,事件记录文件通过车载数据中心单元,经无线传输传送至地面数据中心单元,并进行数据解析;
S30)解析后的数据输入至故障诊断单元,利用建立的神经网络进行故障诊断,所述故障诊断单元的稳态输出为机车牵引系统故障的具体原因。
优选的,在所述步骤S30)之后还包括以下步骤:
S40)由所述故障诊断单元诊断出的具体原因能经所述地面数据中心单元,通过无线传输发回至所述车载数据中心单元,并通过人机接口单元进行显示。
优选的,所述故障诊断单元建立若干个RBFNN单元,并通过对机车牵引系统的每一种典型故障均建立单独的RBFNN单元进行该典型故障的诊断,所述故障诊断方法包括RBFNN单元神经网络建立过程,该过程包括以下步骤:
收集运用现场的机车牵引系统各部件包括碎修、临修在内的检修数据,并按故障发生频次排列出机车牵引系统包括主逆模块故障、逆变过流、接触器故障、四象限模块故障、辅逆故障、直流过压、四象限输入过流、充电超时、原边过流、电机缺相、速度传感器故障、温度传感器故障、电流传感器故障、电压传感器故障在内的典型故障。
优选的,所述RBFNN单元神经网络建立过程还包括以下步骤:
针对所述机车牵引系统的每一种典型故障,均按照机车牵引系统原理分析出导致该典型故障存在的层层原因,并根据导致该典型故障的底层原因建立故障树,最终形成各典型故障对应的故障树,所述故障树用于所述RBFNN单元神经网络的建立和运用。
优选的,所述故障诊断单元通过建立和运用各种典型故障对应的RBFNN单元神经网络,将由所述事件记录单元采集到的包括模拟量、数字量、指令、状态反馈在内的输入数据经所述RBFNN单元的映射输出机车牵引系统故障的具体原因。
优选的,所述RBFNN单元进一步包括依次相连的输入层、隐含层和输出层。所述RBFNN单元神经网络建立过程进一步包括以下步骤:
针对每种典型故障,根据机车牵引系统的特点对与该典型故障原因相关的模拟量、数字量、指令、状态反馈进行整理,作为所述输入层的输入感觉神经元,输入层的感觉神经元个数为N,并将导致该典型故障的M类原因作为所述输出层的M个反应神经元。
优选的,所述故障诊断方法还包括RBFNN单元神经网络训练过程,该过程包括以下步骤:
所述RBFNN单元针对机车牵引系统的某一种典型故障,根据M类原因利用机车牵引系统或机车牵引系统仿真平台依次模拟产生该典型故障的不同过程,并收集所述输入层的感觉神经元所需的相关数据。统计与整理的机车牵引系统发生某一种典型故障时的事件记录数据,从中筛选所述输入层的感觉神经元所需的相关数据。将以上两部分的相关数据进行合并,形成建立所述RBFNN单元神经网络所需的训练样本向量xr,N,r表示某一种典型故障。
优选的,在所述RBFNN单元神经网络训练过程中,所述隐含层的联想神经元采用基于无监督学习的聚类算法训练,所述输出层的反应神经元采用基于有监督的最小二乘法学习算法训练,训练完成后建立某一种典型故障诊断所需的RBFNN单元神经网络。
优选的,所述隐含层的联想神经元采用无监督学习的聚类算法具体包括以下步骤:
S31)初始化隐含层的联想神经元的各个聚类中心ηr,j,j=1,2,…,L,L为聚类个数,j为第j个聚类中心,r代表某一种典型故障;初始聚类中心从训练样本中随机选取,为机车牵引系统各单元包括模拟量、数字量、指令、状态反馈在内的数据;
S32)对训练样本进行归类,输入的训练样本xr,i若满足以下条件:
则将其归于q类,i为第i个输入样本;
S33)归类完毕后,再求出每个聚类中心的新中心ηr,j和宽度σr,j,即:
其中,mj为归于聚类中心ηr,j的训练样本个数。
优选的,所述输出层的反应神经元采用有监督的最小二乘法学习算法具体包括以下步骤:
S34)记某一典型故障的诊断结果为yr,n,则对第k个典型故障的诊断结果有:
式中,ωr,ik为隐含层第i个联想神经元单元到输出层第k个反应神经元单元典型故障诊断结果的权值,ηr,i为聚类中心,||·||为距点ηr,i的距离,L为隐含层的单元数,R(·)为选取的高斯函数;
式中,A为比例因子,Rr,j为隐含层第j个联想神经元的输出,ηr,j为隐含层第j个联想神经元的高斯函数中心,σ为高斯函数的宽度;
S35)设分类器的输出为:
S36)定义故障诊断输出的误差函数为:
式中,dr,k为输出层第k个反应神经元的期望故障诊断值,yr,k为第k个反应神经元的实际故障诊断输出值,将式④代入式⑦中可得:
S37)求解使误差函数E最小时的一组权系数ωr,ik,令:
则得到一系列方程组:
S38)求解上述方程组即可得到最优权系数ωr,ikopt,最优权系数ωr,ikopt确定后,某一种典型故障诊断所需的RBFNN单元神经网络建立完毕;
将机车牵引系统的相关事件记录数据经过预处理后,输入训练好的机车牵引系统各典型故障诊断所需的RBFNN单元神经网络,所述RBFNN单元的稳态输出为导致牵引系统故障的原因。
通过实施上述本发明提供的机车牵引系统故障诊断装置及方法的技术方案,具有如下有益效果:
(1)本发明通过利用智能化计算诊断,可以节省大量的人力,具有极强的自适应、自组织、自学习和容错能力,增强了数据分析的客观性;
(2)本发明根据机车牵引系统的历史故障记录统计故障原因,建立故障诊断树,再依据典型故障树,分类建立RBFNN,进行故障诊断,故障诊断所需的网络规模更小、更可信,故障诊断更专业、更有针对性。
(3)本发明针对机车牵引系统故障的诊断基于RBFNN,通过将智能计算引入到机车牵引系统的故障诊断中来,通过建立合适的数学模型,实现了问题的智能求解,提高了诊断过程的智能化程度和诊断结果的可信度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍。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它的实施例。
图1是本发明机车牵引系统故障诊断装置一种具体实施例的结构组成框图;
图2是本发明机车牵引系统故障诊断装置一种具体实施例的故障诊断原理框图;
图3是本发明机车牵引系统故障诊断装置一种具体实施例的逆变过流故障诊断原理框图;
图4是本发明机车牵引系统故障诊断方法一种具体实施例的程序流程图;
图中:1-事件记录单元,2-人机接口单元,3-车载数据中心单元,4-故障诊断单元,5-地面数据中心单元,6-网络控制系统,7-牵引变流器,8-牵引电机,9-牵引变压器,10-辅助变压器,11-辅助设备,12-冷却塔,20-RBFNN单元,201-输入层,202-隐含层,203-输出层,100-机车牵引系统故障诊断装置。
具体实施方式
为了引用和清楚起见,将下文中使用的技术名词、简写或缩写记载如下:
RBFNN:Radical Basis Function,径向基函数神经网络的简称;
IGBT:Insulated Gate Bipolar Transistor,绝缘栅双极型晶体管的简称;
PWM:Pulse Width Modulation,脉冲宽度调制的简称;
VVVF:Variable Voltage and Variable Frequency,变压变频的简称;
TCU:Traction Control Unit,牵引控制单元的简称;
3G/4G/WLAN:三代/四代移动通信/无线局域网络的简称。
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整的描述。显然,所描述的实施例仅仅是本发明的一部分实施例,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作出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
如附图1至附图4所示,给出了本发明机车牵引系统故障诊断装置及方法的具体实施例,下面结合附图和具体实施例对本发明作进一步说明。
机车牵引变流器主要用于控制牵引变压器与牵引电机之间的能量传输,进而控制牵引电机以获得所期望的转矩。本发明具体实施例的方案以某型机车为例进行详细描述,该型机车配置有2台牵引变流器,每台牵引变流器为两个转向架的四台牵引电机供电。牵引电机轴功率为1.2MW,牵引逆变器-牵引电机采用轴控方式。牵引变流器中集成一个辅助变流器为辅助设备供电,额定输出容量为120kVA,最大输出容量240kVA。牵引变流器采用IGBT作为开关器件,直流环节电压为1800VDC,采用水冷散热。变流器主电路采用二电平四象限PWM整流器+VVVF逆变器+辅助变流器模式。两重四象限PWM整流器和两个VVVF逆变器,每两重四象限PWM整流器和两个逆变器组成一个独立的供电单元,为两台牵引电机供电。两个单元共用直流回路和二次谐振回路。每个主电路单元具有独立的充电短接回路、固定放电回路。当任意一个逆变器模块故障时,TCU封锁故障逆变器模块脉冲,机车功率损失1/8。当逆变器模块发生短路故障时,将切除一架动力,机车功率损失1/4。
实施例1
如附图1所示,一种机车牵引系统故障诊断装置的实施例,机车牵引系统故障诊断装置100具体包括:
车载部分和地面部分;
车载部分进一步包括事件记录单元1和车载数据中心单元3,地面部分进一步包括故障诊断单元4和地面数据中心单元5;
在机车运行过程中,事件记录单元1实时采集网络控制系统6和牵引变流器7的数据,并存储为事件记录文件。在需要进行数据分析时,事件记录文件通过车载数据中心单元3,经车-地无线传输通道(3G/4G/WLAN等)传送至地面数据中心单元5,并进行数据解析。解析后的数据输入至故障诊断单元4,利用建立的神经网络进行故障诊断,故障诊断单元4的稳态输出为机车牵引系统故障的具体原因。牵引变流器7与牵引电机8、牵引变压器9、辅助变压器10、冷却塔12相连,辅助变压器10的输出电压可以驱动冷却塔12的风机等辅助设备11。
车载部分还包括人机接口单元2,由故障诊断单元4诊断出的具体原因能经地面数据中心单元5,通过车-地无线传输通道(3G/4G/WLAN等)发回至车载数据中心单元3,并通过人机接口单元2进行显示。
故障诊断单元4包括若干个RBFNN单元20,针对机车牵引系统的每一种典型故障均单独建立用于该故障诊断的RBFNN单元20。在RBFNN单元20神经网络建立阶段,通过收集运用现场的机车牵引系统各部件包括碎修、临修在内的检修数据,并按故障发生频次排列出机车牵引系统包括主逆模块故障、逆变过流、接触器故障、四象限模块故障、辅逆故障、直流过压、四象限输入过流、充电超时、原边过流、电机缺相、速度传感器故障、温度传感器故障、电流传感器故障、电压传感器故障在内的典型故障。
在RBFNN单元20神经网络建立阶段,针对机车牵引系统的每一种典型故障,均按照机车牵引系统原理分析出导致该典型故障存在的层层原因,并根据导致该典型故障的底层原因建立故障树,最终形成各典型故障对应的故障树,故障树用于RBFNN单元20神经网络的建立和运用。例如:导致逆变过流故障的原因就包括中间电压异常、电机负载异常和控制异常等。其中,仅导致中间电压异常的下一层原因也很多,包括:整流模块故障、支撑电容故障、谐振电容故障、正负母排放电、逆变模块故障等。详细梳理并最终形成各典型故障对应的故障树,为后续实现对机车牵引系统的故障诊断建立基础,故障树建立好后,才能以故障树为参照,辅助构建用于故障诊断的RBFNN。如果某种典型故障有超过两层或更多层的原因,则可以只列举最底层的各类原因建立故障树。故障诊断单元4通过建立和运用各种典型故障对应的RBFNN单元20神经网络,将由事件记录单元1采集到的包括模拟量、数字量、指令、状态反馈在内的输入数据经RBFNN单元20的映射输出机车牵引系统故障的具体原因,故障诊断原理如附图2所示。
RBFNN单元20进一步包括依次相连的输入层201、隐含层202和输出层203。针对每种典型故障,根据机车牵引系统的特点对与该典型故障原因相关的模拟量、数字量、指令、状态反馈进行整理,作为输入层201的输入感觉神经元,输入层201的感觉神经元个数为N,并将导致该典型故障的M类原因作为输出层203的M个反应神经元。在RBFNN单元20神经网络训练阶段,RBFNN单元20针对机车牵引系统的某一种典型故障,根据M类原因利用机车牵引系统或机车牵引系统仿真平台依次模拟产生该典型故障的不同过程,并收集输入层201的感觉神经元所需的相关数据。统计与整理的机车牵引系统发生某一种典型故障时的事件记录数据,从中筛选输入层201的感觉神经元所需的相关数据。将以上两部分的相关数据进行合并,形成建立RBFNN单元20神经网络所需的训练样本向量xr,N,r表示某一种典型故障,即针对某一种典型故障进行的RBFNN训练。
在RBFNN单元20神经网络训练过程中,隐含层202的联想神经元采用基于无监督学习的聚类算法训练,输出层203的反应神经元采用基于有监督的最小二乘法学习算法训练,训练完成后建立某一种典型故障诊断所需的RBFNN单元20神经网络。
实施例2
如附图4所示,一种机车牵引系统故障诊断方法的实施例,具体包括以下步骤:
S10)在机车运行过程中,事件记录单元1实时采集网络控制系统6和牵引变流器7的数据,并存储为事件记录文件;
S20)在需要进行数据分析时,事件记录文件通过车载数据中心单元3,经无线传输传送至地面数据中心单元5,并进行数据解析;
S30)解析后的数据输入至故障诊断单元4,利用建立的神经网络进行故障诊断,故障诊断单元4的稳态输出为机车牵引系统故障的具体原因。
在步骤S30)之后还包括以下步骤:
S40)由故障诊断单元4诊断出的具体原因能经地面数据中心单元5,通过无线传输发回至车载数据中心单元3,并通过人机接口单元2进行显示。
故障诊断单元4建立若干个RBFNN单元20,并通过对机车牵引系统的每一种典型故障均建立单独的RBFNN单元20进行该典型故障的诊断,故障诊断方法包括RBFNN单元20神经网络建立过程,该过程包括以下步骤:
收集运用现场的机车牵引系统各部件包括碎修、临修在内的检修数据,并按故障发生频次排列出机车牵引系统包括主逆模块故障、逆变过流、接触器故障、四象限模块故障、辅逆故障、直流过压、四象限输入过流、充电超时、原边过流、电机缺相、速度传感器故障、温度传感器故障、电流传感器故障、电压传感器故障在内的典型故障。
RBFNN单元20神经网络建立过程还包括以下步骤:
针对机车牵引系统的每一种典型故障,均按照机车牵引系统原理分析出导致该典型故障存在的层层原因,并根据导致该典型故障的底层原因建立故障树,最终形成各典型故障对应的故障树,故障树用于RBFNN单元20神经网络的建立和运用。
RBFNN单元20进一步包括依次相连的输入层201、隐含层202和输出层203。RBFNN单元20神经网络建立过程进一步包括以下步骤:
针对每种典型故障,根据机车牵引系统的特点对与该典型故障原因相关的模拟量、数字量、指令、状态反馈进行整理,作为输入层201的输入感觉神经元,输入层201的感觉神经元个数为N,并将导致该典型故障的M类原因作为输出层203的M个反应神经元。
故障诊断方法还包括RBFNN单元20神经网络训练过程,该过程包括以下步骤:
RBFNN单元20针对机车牵引系统的某一种典型故障,根据M类原因利用机车牵引系统或机车牵引系统仿真平台依次模拟产生该典型故障的不同过程,并收集输入层201的感觉神经元所需的相关数据。统计与整理的机车牵引系统发生某一种典型故障时的事件记录数据,从中筛选输入层201的感觉神经元所需的相关数据。将以上两部分的相关数据进行合并,形成建立RBFNN单元20神经网络所需的训练样本向量xr,N,r表示针对某一种典型故障进行的RBFNN训练。
在RBFNN单元20神经网络训练过程中,隐含层202的联想神经元采用基于无监督学习的聚类算法训练,输出层203的反应神经元采用基于有监督的最小二乘法学习算法训练,训练完成后建立某一种典型故障诊断所需的RBFNN单元20神经网络。
故障诊断单元4通过建立和运用各种典型故障对应的RBFNN单元20神经网络,将由事件记录单元1采集到的包括模拟量、数字量、指令、状态反馈在内的输入数据经RBFNN(Radical Basis Function,径向基函数神经网络,一种高效的前馈式神经网络)单元20的映射输出机车牵引系统故障的具体原因,故障诊断原理如附图2所示。
针对每类典型故障,均需要单独建立用于故障诊断的径向基函数神经网络。以下以逆变过流故障诊断为例,描述故障诊断RBFNN的建立过程,如附图3所示为逆变过流RBFNN的故障诊断原理。
一、输入层数据
机车牵引系统的数据信息非常大,首先根据机车牵引系统的特点,将与逆变过流故障原因相关的各类数据进行整理,包括牵引控制单元、四象限整流器单元、主逆变器单元、直流回路单元、谐振回路单元等的模拟量、数字量、指令、状态反馈等,作为网络的输入感觉神经元,输入层201的感觉神经元个数为N。
二、输出层数据
将导致逆变过流的M类原因作为网络的输出,输出层203的反应神经元个数为M。
三、样本数据获取
样本数据包括以下两部分:
第一部分为针对机车牵引系统的逆变过流典型故障,根据M类原因,依次模拟产生逆变过流故障的不同过程,收集输入层感觉神经元所需的相关数据;
第二部分为机车运行过程中,统计与整理的部分机车牵引系统发生逆变过流故障时的事件记录数据,从中筛选输入层感觉神经元所需的相关数据。此部分数据即是上面提到的输入层数据类型,与逆变过流故障原因相关的各类数据,包括牵引控制单元、四象限整流器单元、主逆变器单元、直流回路单元、谐振回路单元等的模拟量、数字量、指令、状态反馈等。第一、二部分数据类型一致,只是第一部分数据为实验室模拟数据,第二部分数据为机车运用过程中的真实数据。
将以上两部分数据合并后,就形成了建立径向基函数神经网络所需的训练样本向量xr,N,r表示针对逆变过流进行RBFNN训练。
四、训练RBFNN
隐含层202的联想神经元采用基于无监督学习的聚类算法训练,输出层203的反应神经元采用有监督的最小二乘法学习算法训练。
训练完成后就建立了可用的逆变过流故障诊断所需的RBFNN。
针对隐含层202的联想神经元采用基于无监督学习的聚类算法训练,具体包括以下步骤:
S31)初始化隐含层202(从训练样本中随机选取部分机车牵引系统各单元的模拟量、数字量、指令、状态反馈等,作为隐含层各个聚类中心的初始值,通过后面的算法进行迭代训练,并及时更新)的联想神经元的各个聚类中心ηr,j,j=1,2,…,L,L为聚类个数,j为第j个聚类中心,r代表某一种典型故障;初始聚类中心从训练样本中随机选取,为机车牵引系统各单元包括模拟量、数字量、指令、状态反馈在内的数据;
S32)对训练样本进行归类,输入的训练样本xr,i若满足以下条件:
则将其归于q类,i为第i个输入样本;
S33)归类完毕后,再求出每个聚类中心的新中心ηr,j和宽度σr,j,即:
其中,mj为归于聚类中心ηr,j的训练样本个数。
针对输出层203的反应神经元采用基于有监督的最小二乘法学习算法训练,具体包括以下步骤:
S34)记某一典型故障的诊断结果为yr,n,则对第k个典型故障的诊断结果有:
式中,ωr,ik为隐含层202第i个联想神经元单元到输出层203第k个反应神经元单元典型故障诊断结果的权值,ηr,i为聚类中心,||·||为距点ηr,i的距离,L为隐含层202的单元数,也即隐含层202的聚类个数,R(·)为选取的高斯函数;
式中,A为比例因子,Rr,j为隐含层202第j个联想神经元的输出,ηr,j为隐含层202第j个联想神经元的高斯函数中心,σ为高斯函数的宽度;
S35)设分类器的输出为:
式⑥主要对输出层203的故障诊断结果进行赋值,如果当前输入的数据,对应的真实故障原因为第3类原因,则yr,3=1,其它y值则都为0;
S36)定义故障诊断输出的误差函数为:
式中,dr,k为输出层203第k个反应神经元的期望故障诊断值,yr,k为第k个反应神经元的实际故障诊断输出值,将式④代入式⑦中可得:
S37)求解使误差函数E最小时的一组权系数ωr,ik,令:
则得到一系列方程组:
S38)求解上述方程组即可得到最优权系数ωr,ikopt,最优权系数ωr,ikopt确定后,某一种典型故障诊断所需的RBFNN单元20神经网络建立完毕。
其它故障诊断RBFNN的建立过程也按照类似于上述逆变过流故障诊断方法的描述进行建立。
五、故障诊断应用,将机车牵引系统的相关事件记录数据经过预处理(相关事件记录数据是所有的数据,通过预处理筛选其中相关的一部分,作为输入层201的数据)后,输入训练好的机车牵引系统各典型故障诊断所需的RBFNN单元20神经网络,RBFNN单元20的稳态输出为导致牵引系统故障的原因。
本实施例中采用的径向基函数神经网络(RBFNN)也可以采用其它计算智能模型或方法进行替代。
本发明具体实施例提出了一种利用智能计算实现机车牵引系统故障诊断的系统及方法,即利用径向基函数神经网络(也可采用其它计算智能模型或方法)建立机车牵引系统故障诊断的模型,通过建立机车牵引系统数据与典型故障的映射关系,实现机车牵引系统的故障诊断。本发明具体实施例将“软建模”、“软计算”方法运用到解决故障诊断这一技术难题上来,即利用人工神经网络的计算智能方法来实现故障诊断。本发明具体实施例通过借助现代计算工具,模拟人智能求解问题的理论和方法,建立合适的数学模型,通过自学习实现问题的智能求解,这种方法不仅计算量小,具有极强的容错性,还具有极强的自适应、自组织和自学习能力。
通过实施本发明具体实施例描述的机车牵引系统故障诊断装置机车牵引系统故障诊断及方法的技术方案,能够产生如下技术效果:
(1)本发明具体实施例描述的机车牵引系统故障诊断装置及方法通过利用智能化计算诊断,可以节省大量的人力,具有极强的自适应、自组织、自学习和容错能力,增强了数据分析的客观性;
(2)本发明具体实施例描述的机车牵引系统故障诊断装置及方法根据机车牵引系统的历史故障记录统计故障原因,建立故障诊断树,再依据典型故障树,分类建立RBFNN,进行故障诊断,故障诊断所需的网络规模更小、更可信,故障诊断更专业、更有针对性;
(3)本发明具体实施例描述的机车牵引系统故障诊断装置及方法针对机车牵引系统故障的诊断基于RBFNN,通过将智能计算引入到机车牵引系统的故障诊断中来,通过建立合适的数学模型,实现了问题的智能求解,提高了诊断过程的智能化程度和诊断结果的可信度。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其它实施例的不同之处,各个实施例之间相同相似部分互相参见即可。
以上所述,仅是本发明的较佳实施例而已,并非对本发明作任何形式上的限制。虽然本发明已以较佳实施例揭示如上,然而并非用以限定本发明。任何熟悉本领域的技术人员,在不脱离本发明的精神实质和技术方案的情况下,都可利用上述揭示的方法和技术内容对本发明技术方案做出许多可能的变动和修饰,或修改为等同变化的等效实施例。因此,凡是未脱离本发明技术方案的内容,依据本发明的技术实质对以上实施例所做的任何简单修改、等同替换、等效变化及修饰,均仍属于本发明技术方案保护的范围。
Claims (18)
1.一种机车牵引系统故障诊断装置,其特征在于,包括:
车载部分和地面部分;
所述车载部分进一步包括事件记录单元(1)和车载数据中心单元(3),所述地面部分进一步包括故障诊断单元(4)和地面数据中心单元(5);
在机车运行过程中,所述事件记录单元(1)实时采集网络控制系统(6)和牵引变流器(7)的数据,并存储为事件记录文件;在需要进行数据分析时,事件记录文件通过所述车载数据中心单元(3),经无线传输传送至地面数据中心单元(5),并进行数据解析;解析后的数据输入至所述故障诊断单元(4),利用建立的神经网络进行故障诊断,所述故障诊断单元(4)的稳态输出为机车牵引系统故障的具体原因。
2.根据权利要求1所述的机车牵引系统故障诊断装置,其特征在于:所述车载部分还包括人机接口单元(2),由所述故障诊断单元(4)诊断出的具体原因能经所述地面数据中心单元(5),通过无线传输发回至所述车载数据中心单元(3),并通过所述人机接口单元(2)进行显示。
3.根据权利要求1或2所述的机车牵引系统故障诊断装置,其特征在于:所述故障诊断单元(4)包括若干个RBFNN单元(20),针对机车牵引系统的每一种典型故障均单独建立用于该故障诊断的RBFNN单元(20);在所述RBFNN单元(20)神经网络建立阶段,通过收集运用现场的机车牵引系统各部件包括碎修、临修在内的检修数据,并按故障发生频次排列出机车牵引系统包括主逆模块故障、逆变过流、接触器故障、四象限模块故障、辅逆故障、直流过压、四象限输入过流、充电超时、原边过流、电机缺相、速度传感器故障、温度传感器故障、电流传感器故障、电压传感器故障在内的典型故障。
4.根据权利要求3所述的机车牵引系统故障诊断装置,其特征在于:在所述RBFNN单元(20)神经网络建立阶段,针对所述机车牵引系统的每一种典型故障,均按照机车牵引系统原理分析出导致该典型故障存在的层层原因,并根据导致该典型故障的底层原因建立故障树,最终形成各典型故障对应的故障树,所述故障树用于所述RBFNN单元(20)神经网络的建立和运用。
5.根据权利要求4所述的机车牵引系统故障诊断装置,其特征在于:所述故障诊断单元(4)通过建立和运用各种典型故障对应的RBFNN单元(20)神经网络,将由所述事件记录单元(1)采集到的包括模拟量、数字量、指令、状态反馈在内的输入数据经所述RBFNN单元(20)的映射输出机车牵引系统故障的具体原因。
6.根据权利要求4或5所述的机车牵引系统故障诊断装置,其特征在于:所述RBFNN单元(20)进一步包括依次相连的输入层(201)、隐含层(202)和输出层(203);针对每种典型故障,根据机车牵引系统的特点对与该典型故障原因相关的模拟量、数字量、指令、状态反馈进行整理,作为所述输入层(201)的输入感觉神经元,输入层(201)的感觉神经元个数为N,并将导致该典型故障的M类原因作为所述输出层(203)的M个反应神经元。
7.根据权利要求6所述的机车牵引系统故障诊断装置,其特征在于:在所述RBFNN单元(20)神经网络训练阶段,RBFNN单元(20)针对机车牵引系统的某一种典型故障,根据M类原因利用机车牵引系统或机车牵引系统仿真平台依次模拟产生该典型故障的不同过程,并收集所述输入层(201)的感觉神经元所需的相关数据;统计与整理的机车牵引系统发生某一种典型故障时的事件记录数据,从中筛选所述输入层(201)的感觉神经元所需的相关数据;将以上两部分的相关数据进行合并,形成建立所述RBFNN单元(20)神经网络所需的训练样本向量xr,N,r表示某一种典型故障。
8.根据权利要求7所述的机车牵引系统故障诊断装置,其特征在于:在所述RBFNN单元(20)神经网络训练过程中,所述隐含层(202)的联想神经元采用基于无监督学习的聚类算法训练,所述输出层(203)的反应神经元采用基于有监督的最小二乘法学习算法训练,训练完成后建立某一种典型故障诊断所需的RBFNN单元(20)神经网络。
9.一种机车牵引系统故障诊断方法,其特征在于,包括以下步骤:
S10)在机车运行过程中,事件记录单元(1)实时采集网络控制系统(6)和牵引变流器(7)的数据,并存储为事件记录文件;
S20)在需要进行数据分析时,事件记录文件通过车载数据中心单元(3),经无线传输传送至地面数据中心单元(5),并进行数据解析;
S30)解析后的数据输入至故障诊断单元(4),利用建立的神经网络进行故障诊断,所述故障诊断单元(4)的稳态输出为机车牵引系统故障的具体原因。
10.根据权利要求9所述的机车牵引系统故障诊断方法,其特征在于,在所述步骤S30)之后还包括以下步骤:
S40)由所述故障诊断单元(4)诊断出的具体原因能经所述地面数据中心单元(5),通过无线传输发回至所述车载数据中心单元(3),并通过人机接口单元(2)进行显示。
11.根据权利要求9或10所述的机车牵引系统故障诊断方法,其特征在于,所述故障诊断单元(4)建立若干个RBFNN单元(20),并通过对机车牵引系统的每一种典型故障均建立单独的RBFNN单元(20)进行该典型故障的诊断,所述故障诊断方法包括RBFNN单元(20)神经网络建立过程,该过程包括以下步骤:
收集运用现场的机车牵引系统各部件包括碎修、临修在内的检修数据,并按故障发生频次排列出机车牵引系统包括主逆模块故障、逆变过流、接触器故障、四象限模块故障、辅逆故障、直流过压、四象限输入过流、充电超时、原边过流、电机缺相、速度传感器故障、温度传感器故障、电流传感器故障、电压传感器故障在内的典型故障。
12.根据权利要求11所述的机车牵引系统故障诊断方法,其特征在于,所述RBFNN单元(20)神经网络建立过程还包括以下步骤:
针对所述机车牵引系统的每一种典型故障,均按照机车牵引系统原理分析出导致该典型故障存在的层层原因,并根据导致该典型故障的底层原因建立故障树,最终形成各典型故障对应的故障树,所述故障树用于所述RBFNN单元(20)神经网络的建立和运用。
13.根据权利要求12所述的机车牵引系统故障诊断方法,其特征在于:所述故障诊断单元(4)通过建立和运用各种典型故障对应的RBFNN单元(20)神经网络,将由所述事件记录单元(1)采集到的包括模拟量、数字量、指令、状态反馈在内的输入数据经所述RBFNN单元(20)的映射输出机车牵引系统故障的具体原因。
14.根据权利要求12或13所述的机车牵引系统故障诊断方法,其特征在于:所述RBFNN单元(20)进一步包括依次相连的输入层(201)、隐含层(202)和输出层(203);所述RBFNN单元(20)神经网络建立过程进一步包括以下步骤:
针对每种典型故障,根据机车牵引系统的特点对与该典型故障原因相关的模拟量、数字量、指令、状态反馈进行整理,作为所述输入层(201)的输入感觉神经元,输入层(201)的感觉神经元个数为N,并将导致该典型故障的M类原因作为所述输出层(203)的M个反应神经元。
15.根据权利要求14所述的机车牵引系统故障诊断方法,其特征在于,所述故障诊断方法还包括RBFNN单元(20)神经网络训练过程,该过程包括以下步骤:
所述RBFNN单元(20)针对机车牵引系统的某一种典型故障,根据M类原因利用机车牵引系统或机车牵引系统仿真平台依次模拟产生该典型故障的不同过程,并收集所述输入层(201)的感觉神经元所需的相关数据;统计与整理的机车牵引系统发生某一种典型故障时的事件记录数据,从中筛选所述输入层(201)的感觉神经元所需的相关数据;将以上两部分的相关数据进行合并,形成建立所述RBFNN单元(20)神经网络所需的训练样本向量xr,N,r表示某一种典型故障。
16.根据权利要求15所述的机车牵引系统故障诊断方法,其特征在于:在所述RBFNN单元(20)神经网络训练过程中,所述隐含层(202)的联想神经元采用基于无监督学习的聚类算法训练,所述输出层(203)的反应神经元采用基于有监督的最小二乘法学习算法训练,训练完成后建立某一种典型故障诊断所需的RBFNN单元(20)神经网络。
17.根据权利要求15或16所述的机车牵引系统故障诊断方法,其特征在于,所述隐含层(202)的联想神经元采用无监督学习的聚类算法具体包括以下步骤:
S31)初始化隐含层(202)的联想神经元的各个聚类中心ηr,j,j=1,2,…,L,L为聚类个数,j为第j个聚类中心,r代表某一种典型故障;初始聚类中心从训练样本中随机选取,为机车牵引系统各单元包括模拟量、数字量、指令、状态反馈在内的数据;
S32)对训练样本进行归类,输入的训练样本xr,i若满足以下条件:
则将其归于q类,i为第i个输入样本;
S33)归类完毕后,再求出每个聚类中心的新中心ηr,j和宽度σr,j,即:
其中,mj为归于聚类中心ηr,j的训练样本个数。
18.根据权利要求17所述的机车牵引系统故障诊断方法,其特征在于:所述输出层(203)的反应神经元采用有监督的最小二乘法学习算法具体包括以下步骤:
S34)记某一典型故障的诊断结果为yr,n,则对第k个典型故障的诊断结果有:
式中,ωr,ik为隐含层(202)第i个联想神经元单元到输出层(203)第k个反应神经元单元典型故障诊断结果的权值,ηr,i为聚类中心,||·||为距点ηr,i的距离,L为隐含层(202)的单元数,R(·)为选取的高斯函数;
式中,A为比例因子,Rr,j为隐含层(202)第j个联想神经元的输出,ηr,j为隐含层(202)第j个联想神经元的高斯函数中心,σ为高斯函数的宽度;
S35)设分类器的输出为:
S36)定义故障诊断输出的误差函数为:
式中,dr,k为输出层(203)第k个反应神经元的期望故障诊断值,yr,k为第k个反应神经元的实际故障诊断输出值,将式④代入式⑦中可得:
S37)求解使误差函数E最小时的一组权系数ωr,ik,令:
则得到一系列方程组:
S38)求解上述方程组即可得到最优权系数ωr,ikopt,最优权系数ωr,ikopt确定后,某一种典型故障诊断所需的RBFNN单元(20)神经网络建立完毕;
将机车牵引系统的相关事件记录数据经过预处理后,输入训练好的机车牵引系统各典型故障诊断所需的RBFNN单元(20)神经网络,所述RBFNN单元(20)的稳态输出为导致牵引系统故障的原因。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810353869.2A CN110389570A (zh) | 2018-04-19 | 2018-04-19 | 一种机车牵引系统故障诊断装置及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810353869.2A CN110389570A (zh) | 2018-04-19 | 2018-04-19 | 一种机车牵引系统故障诊断装置及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110389570A true CN110389570A (zh) | 2019-10-29 |
Family
ID=68283383
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810353869.2A Pending CN110389570A (zh) | 2018-04-19 | 2018-04-19 | 一种机车牵引系统故障诊断装置及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110389570A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111204363A (zh) * | 2020-04-23 | 2020-05-29 | 湖南中车时代通信信号有限公司 | 一种牵引系统故障诊断预警和状态评估方法、装置及系统 |
CN112859658A (zh) * | 2019-11-27 | 2021-05-28 | 株洲中车时代电气股份有限公司 | 一种干节点输出控制装置 |
CN113805056A (zh) * | 2021-09-18 | 2021-12-17 | 中车大连电力牵引研发中心有限公司 | 一种智能在线监测牵引电机绝缘故障的方法 |
CN114004268A (zh) * | 2020-07-28 | 2022-02-01 | 株洲中车时代电气股份有限公司 | 一种牵引系统故障的在线诊断方法及装置 |
CN114132361A (zh) * | 2021-12-06 | 2022-03-04 | 安徽达尔智能控制系统股份有限公司 | 一种城市智能交通运维优化服务诊断系统、方法 |
WO2022178865A1 (zh) * | 2021-02-26 | 2022-09-01 | 西门子股份公司 | 轨道交通的牵引供电系统的监控和预测方法及装置 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101334667A (zh) * | 2007-06-26 | 2008-12-31 | 株洲南车时代电气股份有限公司 | 机车状态信息检测与诊断记录的方法及装置 |
CN201780498U (zh) * | 2010-08-12 | 2011-03-30 | 中国北车股份有限公司大连电力牵引研发中心 | 一种轨道交通车辆的牵引变流器的监控系统 |
CN102063109A (zh) * | 2010-11-29 | 2011-05-18 | 株洲南车时代电气股份有限公司 | 一种基于神经网络的地铁列车故障诊断装置及其方法 |
CN104683413A (zh) * | 2013-11-28 | 2015-06-03 | 北车大连电力牵引研发中心有限公司 | 列车数据传输系统 |
CN106021548A (zh) * | 2016-05-27 | 2016-10-12 | 大连楼兰科技股份有限公司 | 基于分布式人工智能图像识别的远程定损方法及系统 |
CN106354118A (zh) * | 2016-08-25 | 2017-01-25 | 株洲中车时代电气股份有限公司 | 一种基于故障树的列车故障诊断系统及方法 |
CN106407108A (zh) * | 2016-09-06 | 2017-02-15 | 株洲中车时代电气股份有限公司 | 一种列车网络事件记录软件的测试方法和系统 |
CN106647724A (zh) * | 2017-02-15 | 2017-05-10 | 北京航空航天大学 | 一种基于车辆异常数据监测的t‑box信息安全检测及防护方法 |
CN106657081A (zh) * | 2016-12-27 | 2017-05-10 | 株洲中车时代电气股份有限公司 | 实现机车车载高密数据远程访问的方法、车载模块及系统 |
CN107247993A (zh) * | 2017-06-02 | 2017-10-13 | 浙江泰克松德能源科技有限公司 | 基于人工神经网络的合金牌号识别方法 |
CN107449994A (zh) * | 2017-07-04 | 2017-12-08 | 国网江苏省电力公司电力科学研究院 | 基于cnn‑dbn网络的局放故障诊断方法 |
CN107726358A (zh) * | 2017-10-12 | 2018-02-23 | 东南大学 | 基于cfd数值模拟和智能建模的锅炉燃烧优化系统及方法 |
-
2018
- 2018-04-19 CN CN201810353869.2A patent/CN110389570A/zh active Pending
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101334667A (zh) * | 2007-06-26 | 2008-12-31 | 株洲南车时代电气股份有限公司 | 机车状态信息检测与诊断记录的方法及装置 |
CN201780498U (zh) * | 2010-08-12 | 2011-03-30 | 中国北车股份有限公司大连电力牵引研发中心 | 一种轨道交通车辆的牵引变流器的监控系统 |
CN102063109A (zh) * | 2010-11-29 | 2011-05-18 | 株洲南车时代电气股份有限公司 | 一种基于神经网络的地铁列车故障诊断装置及其方法 |
CN104683413A (zh) * | 2013-11-28 | 2015-06-03 | 北车大连电力牵引研发中心有限公司 | 列车数据传输系统 |
CN106021548A (zh) * | 2016-05-27 | 2016-10-12 | 大连楼兰科技股份有限公司 | 基于分布式人工智能图像识别的远程定损方法及系统 |
CN106354118A (zh) * | 2016-08-25 | 2017-01-25 | 株洲中车时代电气股份有限公司 | 一种基于故障树的列车故障诊断系统及方法 |
CN106407108A (zh) * | 2016-09-06 | 2017-02-15 | 株洲中车时代电气股份有限公司 | 一种列车网络事件记录软件的测试方法和系统 |
CN106657081A (zh) * | 2016-12-27 | 2017-05-10 | 株洲中车时代电气股份有限公司 | 实现机车车载高密数据远程访问的方法、车载模块及系统 |
CN106647724A (zh) * | 2017-02-15 | 2017-05-10 | 北京航空航天大学 | 一种基于车辆异常数据监测的t‑box信息安全检测及防护方法 |
CN107247993A (zh) * | 2017-06-02 | 2017-10-13 | 浙江泰克松德能源科技有限公司 | 基于人工神经网络的合金牌号识别方法 |
CN107449994A (zh) * | 2017-07-04 | 2017-12-08 | 国网江苏省电力公司电力科学研究院 | 基于cnn‑dbn网络的局放故障诊断方法 |
CN107726358A (zh) * | 2017-10-12 | 2018-02-23 | 东南大学 | 基于cfd数值模拟和智能建模的锅炉燃烧优化系统及方法 |
Non-Patent Citations (1)
Title |
---|
石岩松等: "一种新型电力机车远程监视及专家数据分析系统", 《控制与信息技术》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112859658A (zh) * | 2019-11-27 | 2021-05-28 | 株洲中车时代电气股份有限公司 | 一种干节点输出控制装置 |
CN111204363A (zh) * | 2020-04-23 | 2020-05-29 | 湖南中车时代通信信号有限公司 | 一种牵引系统故障诊断预警和状态评估方法、装置及系统 |
CN114004268A (zh) * | 2020-07-28 | 2022-02-01 | 株洲中车时代电气股份有限公司 | 一种牵引系统故障的在线诊断方法及装置 |
WO2022178865A1 (zh) * | 2021-02-26 | 2022-09-01 | 西门子股份公司 | 轨道交通的牵引供电系统的监控和预测方法及装置 |
CN113805056A (zh) * | 2021-09-18 | 2021-12-17 | 中车大连电力牵引研发中心有限公司 | 一种智能在线监测牵引电机绝缘故障的方法 |
CN113805056B (zh) * | 2021-09-18 | 2023-12-19 | 中车大连电力牵引研发中心有限公司 | 一种智能在线监测牵引电机绝缘故障的方法 |
CN114132361A (zh) * | 2021-12-06 | 2022-03-04 | 安徽达尔智能控制系统股份有限公司 | 一种城市智能交通运维优化服务诊断系统、方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110389570A (zh) | 一种机车牵引系统故障诊断装置及方法 | |
CN110262463B (zh) | 一种基于深度学习的轨道交通站台门故障诊断系统 | |
CN110929918B (zh) | 一种基于CNN和LightGBM的10kV馈线故障预测方法 | |
CN106443297B (zh) | 光伏二极管箝位型三电平逆变器的决策树svm故障诊断方法 | |
CN102707256B (zh) | 基于BP-AdaBoost神经网络的电子式电能表故障诊断方法 | |
CN102063109B (zh) | 一种基于神经网络的地铁列车故障诊断装置及其方法 | |
WO2015158198A1 (zh) | 一种基于神经网络自学习的故障识别方法及系统 | |
CN104155596B (zh) | 一种基于随机森林的模拟电路故障诊断系统 | |
CN104765842B (zh) | 一种最佳学习方案推送方法及系统 | |
CN107392304A (zh) | 一种风电机组异常数据识别方法及装置 | |
CN105930861A (zh) | 一种基于Adaboost算法的变压器故障诊断方法 | |
CN109948833A (zh) | 一种基于长短期记忆网络的水电机组劣化趋势预测方法 | |
CN104052612B (zh) | 一种电信业务的故障识别与定位的方法及系统 | |
CN108732528A (zh) | 一种基于深度置信网络的数字化电能表故障诊断方法 | |
CN107085763A (zh) | 一种电动汽车用驱动电机系统性能评价方法 | |
CN104777418B (zh) | 一种基于深度波尔兹曼机的模拟电路故障诊断方法 | |
CN109245100A (zh) | 考虑交直流配电网负荷组成时变性的负荷动态建模方法 | |
US20220360084A1 (en) | Transient stability assessment method for an electric power system | |
CN110084106A (zh) | 基于小波变换和概率神经网络的微网逆变器故障诊断方法 | |
CN103761569A (zh) | 一种风力发电机故障诊断方法及装置 | |
CN106980073A (zh) | 一种基于卷积神经网络的输电线路双端故障录波数据匹配方法 | |
CN108876163A (zh) | 综合因果分析与机器学习的暂态功角稳定快速评估方法 | |
CN108154223A (zh) | 基于网络拓扑及长时序信息的配电网工况录波分类方法 | |
CN106199332A (zh) | 一种改进的轨道电路红光带故障诊断方法 | |
Wang et al. | Design and implementation of early warning system based on educational big data |
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: 20191029 |
|
RJ01 | Rejection of invention patent application after publication |