CN110516744A - 基于多种算法的道岔转换设备的故障检测方法及系统 - Google Patents
基于多种算法的道岔转换设备的故障检测方法及系统 Download PDFInfo
- Publication number
- CN110516744A CN110516744A CN201910804079.6A CN201910804079A CN110516744A CN 110516744 A CN110516744 A CN 110516744A CN 201910804079 A CN201910804079 A CN 201910804079A CN 110516744 A CN110516744 A CN 110516744A
- Authority
- CN
- China
- Prior art keywords
- data
- switching device
- phase current
- model
- training
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 15
- 238000012549 training Methods 0.000 claims abstract description 40
- 238000012360 testing method Methods 0.000 claims abstract description 14
- 238000000605 extraction Methods 0.000 claims abstract description 12
- 238000003066 decision tree Methods 0.000 claims abstract description 8
- 230000003862 health status Effects 0.000 claims abstract description 7
- 230000002159 abnormal effect Effects 0.000 claims abstract description 3
- 238000003062 neural network model Methods 0.000 claims abstract description 3
- 239000013598 vector Substances 0.000 claims description 12
- 238000004458 analytical method Methods 0.000 claims description 9
- 230000005611 electricity Effects 0.000 claims description 8
- 238000011156 evaluation Methods 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 7
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 230000008859 change Effects 0.000 claims description 4
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 230000000750 progressive effect Effects 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 230000004913 activation Effects 0.000 claims description 2
- 230000007257 malfunction Effects 0.000 claims description 2
- 238000005259 measurement Methods 0.000 claims description 2
- 238000000034 method Methods 0.000 abstract description 5
- 230000008569 process Effects 0.000 abstract description 3
- 238000012423 maintenance Methods 0.000 description 3
- 230000005284 excitation Effects 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 241000208340 Araliaceae Species 0.000 description 1
- 201000004569 Blindness Diseases 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000012797 qualification Methods 0.000 description 1
Classifications
-
- 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
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24147—Distances to closest patterns, e.g. nearest neighbour classification
-
- 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
-
- 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
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/40—Business processes related to the transportation industry
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Strategic Management (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Economics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Marketing (AREA)
- General Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Entrepreneurship & Innovation (AREA)
- Tourism & Hospitality (AREA)
- Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Quality & Reliability (AREA)
- Computing Systems (AREA)
- Operations Research (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Game Theory and Decision Science (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Primary Health Care (AREA)
- Emergency Protection Circuit Devices (AREA)
Abstract
本发明公开了基于多种算法的道岔转换设备的故障检测方法及系统，将道岔转换设备上的三相电流采集系统收集得到的三相电流数据，存入数据库。该三相电流数据为道岔转换设备一次动作周期的完整表示。将提取得到的特征数据用于SVM、KNN、决策树、神经网络模型的训练，得到各个模型，并保存。将测试集喂给训练得到的各个模型。通过在系统中选择道岔设备，选择得到的最优模型，最终得到道岔转换设备是否异常、故障原因、以及评判道岔转换设备的健康状况。本发明通过对数据加工处理，并训练出最优模型。通过该公司的道岔转换设备的实时数据，录入道岔转换设备的故障检测系统中，得到是否故障、故障现象及其故障原因。
Description
技术领域
本发明涉及轨道交通道岔转换设备的故障检测和分析技术领域，尤其涉及多种算法模型的故障检测和分析。
背景技术
随着我国轨道交通的快速发展，庞大的高铁及其各大城市的地铁体系对于设备维护后的安全可靠性、检修效率，提出了更高的要求。道岔转换设备作为信号系统的重要组成部分，是列车行进间得以变换方向的关键设备。道岔转换设备的故障分析成为了日常维护、检修的前提，通过高效率的算法检测方法和系统，代替耗时耗力的人为故障分析，大大提高了道岔设备的检修合格率、维修成功率。由于各大城市的轨道交通设计存在不一致性，导致各大城市的轨道交通的道岔转换设备的不一致性，通过对多种算法模型的评估，针对不同城市的轨道交通，采用适合该城市的道岔故障检测模型。
发明内容
为解决人工诊断故障的低效盲目性和各大城市轨道交通的道岔转换设备存在差异性的问题，本发明提供了一种，基于多种算法的道岔转换设备的故障检测方法及系统。
本发明通过以下技术方案实现：
基于多种算法的道岔转换设备的故障检测方法，包括：
步骤1、将道岔转换设备上的三相电流采集系统收集得到的三相电流数据，存入数据库。该三相电流数据为道岔转换设备一次动作周期的完整表示。
步骤2、若步骤1中采集得到的三相电流数据为缺损数据，那么进行清除；若步骤1中采集得到的三相电流数据为错误数据，那么进行修正。
步骤3、按照道岔设备一次动作的四个阶段，包括解锁阶段、转换阶段、锁闭阶段、缓放结束阶段，将步骤2中清洗得到的三相电流数据划分为一次动作的四个阶段，进行提取特征数据，并保存到数据库。
步骤4、将步骤3中提取得到的特征数据用于SVM、KNN、决策树、神经网络模型的训练，得到各个模型，并保存。经调试，SVM核函数设为线性核函数时，预测结果较为准确，公式如下：
其中，k(xi,xj)表示核函数。首先对三相电流训练集进行特征提取得到特征训练集，xi,xj则是特征训练集中的特征向量。使用核函数对xi,xj两个三相电流特征向量进行内积变换，使数据线性可分。
KNN采用最近邻居算法，经测试将邻居数量设置为1，获得最佳的预测精度。使用Lp距离来度量，公式如下：
其中，其中p是一个变参数。当p＝1时，就是曼哈顿距离；当p＝2时，就是欧氏距离；当p→∞时，就是切比雪夫距离，根据变参数的不同，闵氏距离表示一类的距离。xi和xj是三相电流特征训练集中的特征向量。
决策树采用“基尼指数”，即CART决策树来划分属性。公式如下：
其中，D为当前三相电流训练集样本；离散属性a有着V个可能的取值，使用a对样本D进行划分，产生得到了V个分支结点；Dv是其中第v个分支点在D训练集样本中所有在离散属性a上取值为aν的三相电流训练集样本；Gini(Dv)为数据Dv的纯度度量的基尼值表示。表达式为：
其中，pk为当前三相电流训练集样本D内的第k个类所占样本的比例，k＝1,2,3,...,|y|。
神经网络中，经过测试，激活函数采用tanh函数，获得较为稳定的预测结果，公式如下：
其中，众所周知正弦数学公式为：
余弦数学公式为：
式(5)、(6)、(7)中x为输入向量加权求和后得到的线性变换的值，其中，输入向量则为三相电流特征数据集中的特征向量。
步骤5、将测试集喂给步骤4中训练得到的各个模型，将得到的预测故障代码和实际故障代码比对，对各个模型进行评估，获得最优模型。
步骤6、通过在系统中选择道岔设备，选择步骤5中得到的最优模型，最终得到道岔转换设备是否异常、故障原因、以及评判道岔转换设备的健康状况。
基于多种算法的道岔转换设备的故障检测系统，包括：
数据采集和处理单元(1)、特征提取单元(2)、模型训练单元(3)、模型评价单元(4)、新数据预测和故障分析单元(5)，这五个单元按照递进关系依次采集数据和处理数据，对正确的数据集进行特征的提取并自动保存入库。通过系统模型训练单元(3)按键，将特征提取单元(2)获得的特征数据用于多种模型的训练。将测试集数据喂给模型训练单元(3)中训练好的模型，通过模型评价单元(4)中和实际故障代码的比对，得到模型评分报告和最终的预测得分，最终得到最优模型。通过新数据预测和故障分析单元(5)中，通过下拉键选择需检测的道岔转换设备，预测按键完成对该设备的状态展示，包括健康状态和故障状态，其中若为故障，会推荐展示故障原因、设备健康状况。
附图说明
为了清楚的说明本发明各个实施环节，通过以下附图进一步详细说明。
图1为系统操作流程。
图2展示四种算法模型的评测文本和评分，其中precision、recall、f1-score为遍历的100次模型中的其中一次，而模型得分为遍历100次的测试平均值。
图3列出数据集中道岔设备健康电流信号图和道岔设备故障电流信号图，并附带检测结果。
具体实施方式
下面结合实施例及图例对本发明作进一步的阐述。
如图1所示，基于多种算法的道岔转换设备的故障检测系统，该系统分为数据采集和处理单元(1)、特征提取单元(2)、模型训练单元(3)、模型评价单元(4)、新数据预测和故障分析单元(5)，单元是递进关系，如图1。
步骤1、数据采集和处理单元(1)，是获取道岔转换设备的三相电流信号，作为实时测试集。同时，清洗道岔转换设备的历史故障电流数据，排除缺失、有误的错误数据，并按一定格式存入数据库中。
步骤2、特征提取单元(2)是对数据采集和处理单元(1)处理好的历史训练集特征提取，按照一次动作，包括解锁阶段、转换阶段、锁闭阶段、缓放结束阶段，将每相电流分割为四部分，并提取电流特征，并存入数据库中。
步骤3、模型训练单元(3)时将特征提取单元(2)提取的特征数据用于模型训练，将特征数据分割为训练集和测试集，所训练的模型包括SVM、KNN、决策树、神经网络，分别对各个模型优化调参。通过训练集遍历训练模型，训练最佳模型。
步骤4、模型评价单元(4)是对模型训练单元(3)的总结，通过模型训练单元(3)分割出来的测试集对四种算法模型进行评测，分别通过precision、recall、f1-score等指标以及最终的模型得分，判定该训练集下的模型优劣。
步骤5、新数据预测和故障分析单元(5)是将模型评价单元(4)评测得到的最优模型，用于实际故障检测，图3为实际电流曲线，预测结果为health。实际故障电流曲线中，在模型预测下，判别故障代码为121，故障现象为：A机道岔动作2s左右三相电瞬间为零,导致道岔转换不到位,B机动作到位但因A机2s后无法转换,导致功率升高,室外道岔A机应已完成解锁,B机动作到位。定-反、反定接点为：道岔三相电空开故障， DBQ故障，BHJ1-4,QDJ11-12,A机BHJ31-32,A机1DQJ1-2；故障原因是：因A机动作2s后三相电同时掉电,可基本排除道岔控制电路和保护电路故障。导致三相电突然掉电的故障原因可能为三相电动作电源空开同时跳闸、DBQ故障等,1DQJ自闭后若因BH励磁电路故障、1DQJ自闭电路中个别继电器故障,三相电仍会掉电。因1DQJ落下后,1DQJF励磁电路被切断,1DJF落下,故三相电归零顺序一般会存在一个时间差。
下面结合具体实施例作进一步阐述。
实施例1某地铁公司的道岔转换设备为ZD(J)9-A/B系列，本发明获取的正是该公司的道岔转换设备数据，通过对数据加工处理，并训练出最优模型。通过该公司的道岔转换设备的实时数据，录入道岔转换设备的故障检测系统中，得到是否故障、故障现象及其故障原因。图3是通过最优模型，判定得到的分析结果，通过与历史故障数据对比，结果吻合。
上述为本发明最佳案例，对本发明而论，仅仅体现说明性，而非限制性。对于本领域的普通技术人员来说，上述内容仅为简单表述，仍然可以做很多方式的改变，这里无法对所有方向面面俱到，凡属于本发明的技术方案改变或变动所得的技术仍属于本发明的保护范围之内。
Claims (2)
1.基于多种算法的道岔转换设备的故障检测方法，其特征在于：包括：
步骤1、将道岔转换设备上的三相电流采集系统收集得到的三相电流数据，存入数据库；该三相电流数据为道岔转换设备一次动作周期的完整表示；
步骤2、若步骤1中采集得到的三相电流数据为缺损数据，那么进行清除；若步骤1中采集得到的三相电流数据为错误数据，那么进行修正；
步骤3、按照道岔设备一次动作的四个阶段，包括解锁阶段、转换阶段、锁闭阶段、缓放结束阶段，将步骤2中清洗得到的三相电流数据划分为一次动作的四个阶段，进行提取特征数据，并保存到数据库；
步骤4、将步骤3中提取得到的特征数据用于SVM、KNN、决策树、神经网络模型的训练，得到各个模型，并保存；SVM核函数设为线性核函数时，公式如下：
其中，k(xi,xj)表示核函数；首先对三相电流训练集进行特征提取得到特征训练集，xj则是特征训练集中的特征向量；使用核函数对xj两个三相电流特征向量进行内积变换，使数据线性可分；
KNN采用最近邻居算法，经测试将邻居数量设置为1，获得最佳的预测精度；使用Lp距离来度量，公式如下：
其中，其中p是一个变参数；当p＝1时，就是曼哈顿距离；当p＝2时，就是欧氏距离；当p→∞时，就是切比雪夫距离，根据变参数的不同，闵氏距离表示一类的距离；和xj是三相电流特征训练集中的特征向量；
决策树采用“基尼指数”，即CART决策树来划分属性；公式如下：
其中，D为当前三相电流训练集样本；离散属性a有着V个可能的取值，使用a对样本D进行划分，产生得到了V个分支结点；Dv是其中第v个分支点在D训练集样本中所有在离散属性a上取值为aν的三相电流训练集样本；Gini(Dv)为数据Dv的纯度度量的基尼值表示；表达式为：
其中，pk为当前三相电流训练集样本D内的第k个类所占样本的比例，k＝1,2,3,...,|y|；
神经网络中，经过测试，激活函数采用tanh函数，获得较为稳定的预测结果，公式如下：
其中，正弦数学公式为：
余弦数学公式为：
式(5)、(6)、(7)中x为输入向量加权求和后得到的线性变换的值，其中，输入向量则为三相电流特征数据集中的特征向量；
步骤5、将测试集喂给步骤4中训练得到的各个模型，将得到的预测故障代码和实际故障代码比对，对各个模型进行评估，获得最优模型；
步骤6、通过在系统中选择道岔设备，选择步骤5中得到的最优模型，最终得到道岔转换设备是否异常、故障原因、以及评判道岔转换设备的健康状况。
2.基于多种算法的道岔转换设备的故障检测系统，包括：
数据采集和处理单元(1)、特征提取单元(2)、模型训练单元(3)、模型评价单元(4)、新数据预测和故障分析单元(5)，这五个单元按照递进关系依次采集数据和处理数据，对正确的数据集进行特征的提取并自动保存入库；通过系统模型训练单元(3)按键，将特征提取单元(2)获得的特征数据用于多种模型的训练；将测试集数据喂给模型训练单元(3)中训练好的模型，通过模型评价单元(4)中和实际故障代码的比对，得到模型评分报告和最终的预测得分，最终得到最优模型；通过新数据预测和故障分析单元(5)中，通过下拉键选择需检测的道岔转换设备，预测按键完成对该设备的状态展示，包括健康状态和故障状态，其中若为故障，会推荐展示故障原因、设备健康状况。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910804079.6A CN110516744A (zh) | 2019-08-28 | 2019-08-28 | 基于多种算法的道岔转换设备的故障检测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910804079.6A CN110516744A (zh) | 2019-08-28 | 2019-08-28 | 基于多种算法的道岔转换设备的故障检测方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110516744A true CN110516744A (zh) | 2019-11-29 |
Family
ID=68628542
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910804079.6A Pending CN110516744A (zh) | 2019-08-28 | 2019-08-28 | 基于多种算法的道岔转换设备的故障检测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110516744A (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111105147A (zh) * | 2019-12-02 | 2020-05-05 | 北京交通大学 | 一种基于动态时间规整的道岔健康状态评估方法 |
| CN112001532A (zh) * | 2020-08-04 | 2020-11-27 | 交控科技股份有限公司 | 道岔故障预测方法、装置、电子设备及存储介质 |
| CN112084673A (zh) * | 2020-09-17 | 2020-12-15 | 广西交控智维科技发展有限公司 | 道岔摩擦电流自动设置方法及装置 |
| CN116304955A (zh) * | 2023-05-15 | 2023-06-23 | 河北省科学院应用数学研究所 | 道岔设备故障检测方法、装置、终端设备及存储介质 |
| CN116628446A (zh) * | 2023-05-24 | 2023-08-22 | 成都工业职业技术学院 | 基于聚类算法的道岔健康度标准值智能分析方法及系统 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105787511A (zh) * | 2016-02-26 | 2016-07-20 | 清华大学 | 基于支持向量机的道岔故障诊断方法及系统 |
| CN110068759A (zh) * | 2019-05-22 | 2019-07-30 | 四川华雁信息产业股份有限公司 | 一种故障类型获得方法及装置 |
| CN110162013A (zh) * | 2019-05-29 | 2019-08-23 | 上海理工大学 | 一种制冷系统故障诊断方法 |
-
2019
- 2019-08-28 CN CN201910804079.6A patent/CN110516744A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105787511A (zh) * | 2016-02-26 | 2016-07-20 | 清华大学 | 基于支持向量机的道岔故障诊断方法及系统 |
| CN110068759A (zh) * | 2019-05-22 | 2019-07-30 | 四川华雁信息产业股份有限公司 | 一种故障类型获得方法及装置 |
| CN110162013A (zh) * | 2019-05-29 | 2019-08-23 | 上海理工大学 | 一种制冷系统故障诊断方法 |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111105147A (zh) * | 2019-12-02 | 2020-05-05 | 北京交通大学 | 一种基于动态时间规整的道岔健康状态评估方法 |
| CN111105147B (zh) * | 2019-12-02 | 2021-12-21 | 北京交通大学 | 一种基于动态时间规整的道岔健康状态评估方法 |
| CN112001532A (zh) * | 2020-08-04 | 2020-11-27 | 交控科技股份有限公司 | 道岔故障预测方法、装置、电子设备及存储介质 |
| CN112001532B (zh) * | 2020-08-04 | 2024-03-01 | 交控科技股份有限公司 | 道岔故障预测方法、装置、电子设备及存储介质 |
| CN112084673A (zh) * | 2020-09-17 | 2020-12-15 | 广西交控智维科技发展有限公司 | 道岔摩擦电流自动设置方法及装置 |
| CN116304955A (zh) * | 2023-05-15 | 2023-06-23 | 河北省科学院应用数学研究所 | 道岔设备故障检测方法、装置、终端设备及存储介质 |
| CN116628446A (zh) * | 2023-05-24 | 2023-08-22 | 成都工业职业技术学院 | 基于聚类算法的道岔健康度标准值智能分析方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110516744A (zh) | 基于多种算法的道岔转换设备的故障检测方法及系统 | |
| CN105260595B (zh) | 道岔动作电流曲线的特征提取方法及道岔故障诊断方法 | |
| CN103245861B (zh) | 一种基于贝叶斯网络的变压器故障诊断方法 | |
| CN106682303B (zh) | 一种基于经验模态分解和决策树rvm的三电平逆变器故障诊断方法 | |
| CN107482621B (zh) | 一种基于电压时序轨迹的电力系统暂态电压稳定评估方法 | |
| CN109501834A (zh) | 一种道岔转辙机故障预测方法及装置 | |
| CN103713628B (zh) | 基于符号有向图和数据重构的故障诊断方法 | |
| CN106054104A (zh) | 一种基于决策树的智能电表故障实时预测方法 | |
| CN107340766B (zh) | 基于相似度的电力调度告警信号文本归类及故障诊断方法 | |
| CN109887122A (zh) | 一种船闸机电故障远程智能诊断方法及系统 | |
| CN107798395A (zh) | 一种电网事故信号自动诊断方法及系统 | |
| CN107561997A (zh) | 一种基于大数据决策树的电力设备状态监测方法 | |
| CN103269279B (zh) | 一种主子站联合拓扑辨识方法 | |
| Zhou et al. | Fault diagnosis of high-speed railway turnout based on support vector machine | |
| CN107332199B (zh) | 一种基于多级信息融合的继电保护动作智能评估方法 | |
| CN102789676B (zh) | 一种基于报警证据融合的工业报警器设计方法 | |
| CN105606931A (zh) | 一种基于量子遗传算法的中压配电网故障诊断方法 | |
| CN109389325A (zh) | 基于小波神经网络的变电站电子式互感器状态评估方法 | |
| CN110045207A (zh) | 一种基于电网架构和多源数据融合的复杂故障诊断方法 | |
| CN112464439A (zh) | 基于三层数据挖掘的电力系统故障类型分析方法及装置 | |
| CN104101795A (zh) | 一种变压器故障控制方法 | |
| CN109768877A (zh) | 一种基于空间最优编码集及dhnn纠错的电网故障诊断方法 | |
| CN115293383A (zh) | 融合博弈论的变压器风险致因分析方法 | |
| CN106526465A (zh) | 一种基于改进的模糊Petri网络的高压断路器故障智能诊断方法 | |
| CN103311960A (zh) | 一种强联系电网同调稳定区域划分方法 |
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 |
Application publication date: 20191129 |
|
| RJ01 | Rejection of invention patent application after publication |