CN110596490A - 铁路道岔故障的智能检测方法 - Google Patents
铁路道岔故障的智能检测方法 Download PDFInfo
- Publication number
- CN110596490A CN110596490A CN201910857428.0A CN201910857428A CN110596490A CN 110596490 A CN110596490 A CN 110596490A CN 201910857428 A CN201910857428 A CN 201910857428A CN 110596490 A CN110596490 A CN 110596490A
- Authority
- CN
- China
- Prior art keywords
- turnout
- railway
- fault
- classifier
- value
- 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
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
Landscapes
- Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Medical Informatics (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Train Traffic Observation, Control, And Security (AREA)
Abstract
一种铁路道岔的智能检测方法。传统的道岔故障检测方式不仅会耗费大量人力、物力、财力,而且检测结果完全依赖于个人工作经验。随着人工智能的飞速发展,研究铁路道岔的智能诊断器是亟待解决的问题。本发明方法包括:获取铁路道岔动作电流离散值;对所获离散值进行规范化处理及特征选择;构设训练集和验证集;根据得到的训练集,学习分类器;确定最终的分类器。本发明设计了更符合要求的道岔故障识别性能评价标准,通过matlab软件对广州钟村站W1902#和W1904#型号的道岔动作电流数据进行仿真实验。实验结果显示智能检测系统不仅具有非常高的识别性能和泛化能力,而且识别时间为0.04s,满足铁路实时性要求。
Description
技术领域
本发明涉及铁路道岔故障的智能识别系统,具体涉及通过微机监测系统采集道岔动作电流数据的特征选择与提取方法、识别器的学习模型构建、模型算法的设计、识别性能评价标准的设计、识别器的收益效果。
背景技术
作为一种重要的铁路信号基础设备,道岔的运行情况与列车的安全运行和运输效率密不可分。一旦道岔运行发生故障没有及时检修,会带来非常大的安全隐患,对人们的生命和财产安全造成巨大损失。因此,实时监控其运行状态,并及时处理故障是铁路安全运行的关键问题之一。
目前,我国大部分地区铁路道岔故障的传统检测方法是利用微机监测系统采集道岔转辙机动作时的电流值,图1给出了随着时间变化,道岔转辙机动作时产生的电流变化趋势图。该图可分为切断表示电流、解锁、转换、锁闭、接通表示电流五个阶段。具体地,正常道岔电流曲线有如下的变化趋势:在刚启动时会需要较大的功率,使得功率曲线急剧上升;随后设备平稳运行,其输出功率又急剧下降并趋于平稳;随着道岔锁闭的完成,功率曲线会出现一定小幅度的下降,但并不会降到0;当道岔位置给出,相应电路被断开,其功率也随之降为0。
道岔传统的故障检测方式主要是现场工作人员将微机监测系统监测出的道岔动作电流曲线与总结得到的电流曲线进行人为比对,最终确定道岔的工作状态。然而,这种人工识别方式存在三个方面的缺陷:(1).对维护人员的工作经验依赖度较高,容易出现误判或漏判等情况,特别是当道岔故障被误判为正常状态时,会导致未及时采取维护措施,造成无法挽回的损失。(2).在中国高速铁路和客运专线飞速发展的今天,这种单纯靠人工经验判断错综复杂的道岔设备的运行状态需要耗费大量的人力、物力和财力。(3).人工判断效率极其低下,已经完全不能满足经济发展的要求和人民出行的需求。因此,在当今人工智能和中国铁路事业飞速发展的大背景下,研究一种具备学习能力的道岔故障智能识别方法是亟待解决的问题之一。
当前道岔故障的智能诊断方法面临的两大技术问题在于:(1).由于道岔工作机理复杂,在动作过程产生的电流值变化较大,当前提取特征的方法有效信息量不够、信息不准确,导致后续识别准确性不高;(2).故障道岔是否准确及全的识别,才是我们研究的核心问题。当前,识别方法及对方法的评价标准的出发点存在偏差,导致即使识别率达到99%,也可能只是将100条道岔数据(包含99条正常道岔,1条故障道岔)全部识别为正常道岔。这对解决该问题没有任何意义。因此,如何解决以上两个关键技术问题实现真正意义上的道岔故障智能诊断是极具挑战的难题。
发明内容
本发明目的是解决现有技术存在的以上缺陷,提供一种铁路道岔故障的智能检测方法,真正实现道岔故障的高效、全面、精准的智能诊断,提高铁路运输系统安全和效率。本发明从道岔数据的缺失值补齐、特征提取、道岔智能识别问题的转化,道岔的智能识别技术,识别性能指标的设计方面进行研究,提供一种基于不均衡问题的铁路道岔故障智能诊断技术。
本发明的技术方案
一种铁路道岔故障的智能检测方法,具体如下:
步骤1、从铁路部门的微机监测系统中采集道岔动作电流离散值;
步骤1.1将道岔动作的电流离散值及动作时间记录在数据库中;
步骤1.2以时间为坐标系的横轴,离散电流值为纵轴,画出随时间变化时,道岔电流值得变化曲线;
步骤1.3记录道岔动作的电流离散值数量;
步骤2、对电流离散值数据进行规范化处理及特征提取;
步骤2.1对上述步骤中的所有道岔电流离散值实施以最大数量为特征维数的缺失值补零操作;
步骤2.2对于步骤2.1得到的维数相同的数据为高维小样本数据,并且是稀疏数据,为避免过拟合现象发生,采用主成分分析进行特征提取和选择;
步骤3、对特征提取后的数据,设定训练集、验证集和测试集;
步骤3.1设定正常工作道岔为负类样本,故障道岔为正类样本,以此形成机器学习的两分类问题;
步骤3.2由于故障道岔数量远远小于正常工作道岔的数量,故步骤3.1所述的两分类学习问题更进一步设定为基于不均衡问题的两分类学习问题;
步骤3.3为了确定最优的模型,故将所有正类和负类样本随机划分为80%训练样本和20%测试样本;
步骤3.4采取十折交叉验证方法,将训练集随机分为十份,其中九份为新的训练集,一份为验证集。
步骤4、根据得到的训练集和验证集,学习分类器;针对训练集,建立偏置支持向量机模型,并利用SMO算法对模型进行求解。进一步地,包括如下步骤:
步骤4.1对训练样本建立偏置支持向量机,即对正类样本设置更高的错分惩罚参数,对负类样本设置较低的错分惩罚参数;
步骤4.2选取高斯径向基核作为模型的核函数;
步骤4.3利用网格搜索法,对步骤4.1建立的模型中的核参数及惩罚参数,在步骤3.4中得到的验证集上进行参数寻优;参数寻优的步骤具体包含如下特征:
步骤4.3.1设定核参数和惩罚参数在(2-8,2-7,…,2-8)取值,在新的训练集上循环迭代每个取值,并在验证集上计算步骤5.1中的查全率、查准率和F值;
步骤4.3.2选取F值最高所对应的核参数及惩罚参数,并最终确定模型,得到最终的分类器。
步骤4.4利用SMO算法求解步骤4.1构建的偏置支持向量机模型,确定最终的铁路故障识别分类器。
步骤5、利用测试集,确定分类器的识别效果和泛化能力,并预测新的道岔工作是否故障,一旦发生故障及时报警;
步骤5.1由于更加关注故障道岔的准确、及时识别,故传统的分类精度、错误率等评价准则在铁路道岔识别问题中是毫无用处的;故该方法设置了道岔故障识别性能指标,包括:设计查全率、查准率和F值评价标准,做到真正意义的衡量识别系统的性能;
步骤5.2在测试集上,计算步骤5.1的评价指标值,确定分类器的分类性能;利用确定的模型,对测试集数据及任何新的道岔进行识别,一旦发生故障,则报警;
利用本发明得到的最终分类器,能够预测测试集数据的类别属性,同时也能够判断任何新的道岔工作是否故障,一旦发生故障及时报警。
另外,随着时间、气候环境、季节交替等外界因素的变化,道岔设备也会发生变化。因此,不定期的实施以上铁路道岔故障的智能检测方法,以此通过最新的道岔电流数据进行重新训练、学习分类器,以保证分类器具有强的泛化能力和自学习能力。
本发明的优点和有益效果:
利用本发明,对道岔数据在测试集上进行测试,其诊断的查全率达到98%-100%,F值保持在83%-100%;
本发明测试时间为0.04s,满足铁路实际识别的实时性要求。
本发明提供的铁路道岔故障的智能检测方法,不仅具有非常高的识别性能和泛化能力,查全率高达98%-100%,而且平均识别时间为0.04s,完全可以满足铁路实时检测的要求。
附图说明
图1是本发明一个实施例的道岔正常工作状态下的电流曲线;
图2是本发明一个实施例进行的道岔电流值的规范化处理过程;
图3是本发明一个实施例进行的主成分分析后的数据降维展示;
图4是本发明一个实施例中设计的查全率、查准率评价标准中各符号的含义,其中#正样本表示异常道岔数据量,#负样本表示正常道岔数据量,#特征表示道岔数据通过PCA降维后的数据维数,#训练(80%)表示随机取80%数据作为训练数据的个数,#测试(20%)表示测试数据个数;
图5是本发明一个实施例的参数寻优,模型选择的实施过程;
图6是本发明一个实施例的学习分类器及判别新道岔的实施技术路线;
图7是本发明一个实施例的铁路道岔W1902#-1和W1902#-2的检测结果;
图8是本发明一个实施例的铁路道岔W1904#-1和W1904#-2的检测结果;
图9是本发明摘要附图。
具体实施方式
下面结合附图,对本发明的实施过程做进一步的说明。
实施例1:
第1、从铁路部门的微机监测系统中获取铁路道岔动作电流离散值,具体步骤如下:
步骤1、将道岔动作的电流离散值、离散值数量及动作时间记录在数据库中;
步骤2、以时间为坐标系的横轴,离散电流值为纵轴,画出随时间变化时,道岔电流值得变化曲线;微机监测采集数据的周期为0.04s,道岔正常转换时,大概需要6.4s-10s,于是会产生160-250个电流数据;而道岔卡阻时,其转换时间可能长达30s,甚至更长时间,此时会采集600多个,甚至更多的电流数据。因此,这就可能存在两个问题:(1).以道岔动作一次得到的电流值为一个样本向量,那么多次动作将得到多个样本向量;以这些样本向量作为本文的训练样本,我们发现维度并不相同,这将大大增加后面的训练难度;(2).道岔卡阻时,会产生高维数据,这必然增加模型学习的训练时间,导致道岔故障识别迟缓,因此,本发明需要对采集数据进行处理。
第2、对上述所获离散值进行规范化处理和特征选择,其包括如下步骤并参考图2:
步骤1、如果将每个道岔动作的电流数据看做一个向量,那么所有的向量维数不一定相同,为了后续构建训练集,需要对所有道岔电流离散值实施以最大数量为特征维数的缺失值补零操作;
步骤2、补零操作会出现高维小样本及稀疏数据,很容易导致过拟合现象的出现。因此,本发明对高维小样本数据进行特征提取。具体实施如下:
(1)、本发明对样本的输入矩阵求协方差矩阵,计算协方差矩阵的特征值,对特征值从大到小排序,确定方差较大的属性,通过获得累计方差贡献率大于95%,选择协方差矩阵相应的特征向量,确定主成分,达到数据降维的目的。具体的操作步骤如下:
(2)、采集两种类型铁路道岔电流值,记为W1902#和W1904#,这些数据包括道岔的定位到反位、反位到定位数据(包括故障位)。设定累计贡献率θ=95%,保证95%的数据信息量不丢失。通过反复多次的仿真实验,本发明的特征选择方法对道岔动作电流数据维数,从600多维降到7至8维。这说明采集到的电流值大部分都是冗余的,没有区分度和实际意义的。具体的降维效果如图3。
第3、根据上述得到的数据,构设训练集和测试集,并确定学习问题,具体步骤如下:
步骤1、将规范化后的样本,随机取其中的80%作为训练集,剩余的20%作为测试集用于后续预测;
步骤2、道岔异常可能出现在任何一个阶段,且异常情况极其复杂;另一方面,出现异常道岔的概率较低,即我们得到的训练数据为不均衡数据,正常数据较多,而异常数据极少.鉴于此特点,区别于已有方法,本发明将学习问题转化为不均衡分类问题.即设道岔故障电流曲线数据为正类数据,记作x1,x2,…,xp,其标签记为yi=1,i=1,…,p,道岔正常电流曲线数据为负类数据,记作xp+1,xp+2,…,xn,其标签记为yi=-1,i=p+1,…,n.与负类样本相比较,正类数据的错误识别会导致更加严重的后果.因此,我们更看重正类数据的正确识别。本发明在已知两类训练样本前提下,通过学习一个决策函数f(x)判断任何新来道岔电流数据x∈Rr×1的所属类别。
第4、针对训练集,建立偏置支持向量并进行求解,具体步骤如下:
步骤1、为了保证正类样本能正确分类,本发明设定正类样本的惩罚参数大于负类样本的惩罚参数,以训练集为基础,构建非均衡学习的偏置支持向量机:
其中:是超平面的法向量,松弛变量ξi≥0i=1,2,...,n表示允许一些训练样本被错分.C+和C-是惩罚参数。其中C-从2-6-26取值,C+从2C--27取值,即正类样本点被错分的惩罚更严厉.为非线性映射函数,它将输入样本映射到高维特征空间中,将原空间中的线性不可分问题转化为高维特征空间的线性可分问题。最终,本发明试图寻找一个分类超平面:使得正类和负类样本的分类间隔最大。
步骤2、为了求解优化问题(1),我们引入Lagrange函数:
其中:α=(α1,α2,...,αn)T和β=(β1,β2,...,βn)T为Lagrange乘子向量,由KKT条件得:
由此可以推出:
将上述等式(2)带入到原模型(1)中,并利用Wolf对偶定理,求得其对偶问题为:
其中:是高斯径向基核函数,其中核参数σ在集合{2-10,2-9,……,210}中选择。显然,问题(3)是凸二次规划,存在全局最优解.通过求对偶问题(3),得到最优解α*后,相应的最优决策函数为:
于是,任何新来的样本,当f(x)=1,则被分为正类,否则被分为负类.以下给出了具体求解过程:
第5、设计符合实际要求的评价标准,具体如下并参考图4:
通过上述实施过程后,接下来需要对其分类性能进行评估。在铁路道岔故障识别的电流数据中可能有高达98%的情况是正常道岔,那么任何一个不做任何分析而简单的把每个数据分成“负类”的分类器,就能达到98%的精度.显然,传统的分类精度在铁路道岔识别问题中是毫无意义的。本发明设计新的评价标准,用于关注铁路故障道岔(正类)的识别情况。具体有:
(1)正类样本的查准率:
(2)正类样本的查全率:
其中公式中各个指标的具体含义见图5.
(3)这两个评估标准的直观含义是十分明显的,即更加关注正类样本是否更加准确及全的正确识别.然而,由于这两个标准从两个角度说明正类样本的识别性能,并不相关。本发明通过查全率和查准率求调和平均数,得到新的评价标准,F值:
该评价标准对故障道岔的识别提出更高的要求,只有查全率和查准率都大时,F值才大.有一个小,F值就不高.
第6、设计核参数及惩罚参数寻优策略,步骤如下:
步骤1、上述中的参数采取十折交叉验证方法进行参数寻优,即将数据集随机分成十份,轮流将其中9份作为训练样本,1份作为验证样本。
步骤2、惩罚参数C+,C-在集合{2-10,2-9,……,210}中选择。采用高斯核K(xi,x)=exp(-||xi-x||2/2σ2)进行数据分类,核参数σ在集合{2-10,2-9,……,210}中选择;
步骤3、每组参数在十折交叉验证中的验证样本得到10个F值,计算平均F值.取最高平均F值所对应的参数为最优参数,同时偏置支持向量机的模型随之确定;
第7、利用确定的模型预测测试集数据或者任何新的道岔工作是否故障,一旦发生故障及时报警,具体的技术路线见图6。
第8、随着时间、气候环境、季节交替等外界因素的变化,道岔设备也会发生变化。因此,不定期的实施以步骤,以此通过最新的道岔电流数据进行重新训练、学习分类器,以保证分类器具有强的泛化能力和自学习能力。
第9、收益效果
经过对上述的数据预处理、识别问题转化、模型建立、算法求解、评价标准的设计等步骤进行200次训练,得到本发明的铁路道岔故障智能诊断系统。该系统在测试集上进行预测,得到诊断的查全率、查准率和F值。诊断的查全率达到98%-100%,F值保持在83%-100%。具体的测试结果见图7-8。此外,在识别时间为0.04s,满足道岔识别的实时性要求。
将该方法应用于铁路现场的道岔故障诊断软件系统中,通过采集现场的微机监测系统中道岔工作电流数据,得到诊断的查全率达到98%以上。
本发明的铁路道岔故障诊断系统,不仅可以及时、全面的识别故障道岔,降低人力、物力、财力成本。同时,顺应了中国高速铁路发展的需求。因此,该系统对于铁路系统的安全和效率具有重要的现实意义。
以上所述仅是本发明的实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视本发明的保护范围。
Claims (9)
1.一种铁路道岔故障的智能检测方法,其特征在于,包括如下步骤:
步骤1、从铁路部门的微机监测系统中获取铁路道岔动作电流离散值;
步骤2、对所获离散值进行规范化处理及特征选择;
步骤3、构设训练集、验证集和测试集;
步骤4、根据得到的训练集和验证集,学习分类器;
步骤5、利用测试集,确定分类器的识别效果和泛化能力,并预测新的道岔工作是否故障,一旦发生故障及时报警。
2.根据权利要求1所述的铁路道岔故障的智能检测方法,其特征在于,步骤1所述获取铁路道岔动作电流离散值的具体步骤如下:
步骤1.1 将道岔动作的电流离散值及动作时间记录在数据库中;
步骤1.2 以时间为坐标系的横轴,离散电流值为纵轴,画出随时间变化时,道岔电流值得变化曲线;
步骤1.3 记录道岔动作的电流离散值数量。
3.根据权利要求1所述的铁路道岔故障的智能检测方法,其特征在于,步骤2所述对所获离散值进行规范化处理及特征选择,包括如下步骤:
步骤2.1 对所有道岔电流离散值实施以最大数量为特征维数的缺失值补零操作;
步骤2.2 步骤2.1得到的维数相同的数据为高维小样本数据,并且是稀疏数据,为避免过拟合现象发生,利用主成分分析法进行特征选择和提取。
4.根据权利要求1所述的铁路道岔故障的智能检测方法,其特征在于,步骤3所述的构设训练集、验证集和测试集的具体步骤如下:
步骤3.1 设定故障道岔为正类样本,正常工作道岔为负类样本,形成两分类学习问题;
步骤3.2 由于故障道岔数量远远小于正常工作道岔的数量,故步骤3.1所述的两分类学习问题更进一步设定为基于不均衡问题的两分类学习问题;
步骤3.3 将步骤3.1所构设的样本随机选取80%作为训练集用于训练模型,20%作为测试集,用于测试模型;
步骤3.4 采取十折交叉验证方法,将训练集随机分为十份,其中九份为新的训练集,一份为验证集。
5.根据权利要求4所述的铁路道岔故障的智能检测方法,其特征在于,步骤4所述的学习分类器的具体步骤如下:
步骤4.1 针对正类样本设置更高的错分惩罚参数,对负类样本设置较低的错分惩罚参数,以此构建偏置支持向量机模型;
步骤4.2 在步骤4.1构建的模型中,选取高斯径向基核作为模型的核函数;
步骤4.3 利用网格搜索法,对步骤4.1建立的模型中的核参数及惩罚参数,在步骤3.4中得到的验证集上进行参数寻优;
步骤4.4 利用SMO算法求解步骤4.1构建的偏置支持向量机模型,确定最终的铁路故障识别分类器。
6.根据权利要求5所述的铁路道岔故障的智能检测方法,其特征在于,步骤5所述的利用测试集,确定分类器的识别效果和泛化能力的具体步骤如下:
步骤5.1 由于更加关注故障道岔的准确、及时识别,该方法设置了道岔故障识别性能指标,包括:设计查全率、查准率和F值评价标准,做到真正意义的衡量识别系统的性能;
步骤5.2 在测试集上,计算步骤5.1的评价指标值,确定分类器的分类性能。
7.根据权利要求6所述的铁路道岔故障的智能检测方法,其特征在于,步骤4.3所述的参数寻优策略的步骤如下:
步骤4.3.1 设定核参数和惩罚参数在(2-8,2-7,…,2-8)取值,在新的训练集上循环迭代每个取值,并在验证集上计算步骤5.1中的查全率、查准率和F值;
步骤4.3.2 选取F值最高所对应的核参数及惩罚参数,并最终确定模型,得到最终的分类器。
8.根据权利要求6所述的铁路道岔故障的智能检测方法,其特征在于,利用步骤5.2得到的最终分类器,能够预测测试集数据的类别属性,同时也能够判断任何新的道岔工作是否故障,一旦发生故障及时报警。
9.根据权利要求1-8任一项所述的铁路道岔故障的智能检测方法,其特征在于,随着时间、气候环境、季节交替等外界因素的变化,道岔设备也会发生变化,因此,不定期的实施以上铁路道岔故障的智能检测,以此通过最新的道岔电流数据进行重新训练、学习分类器,以保证分类器具有强的泛化能力和自学习能力。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910857428.0A CN110596490A (zh) | 2019-09-11 | 2019-09-11 | 铁路道岔故障的智能检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910857428.0A CN110596490A (zh) | 2019-09-11 | 2019-09-11 | 铁路道岔故障的智能检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110596490A true CN110596490A (zh) | 2019-12-20 |
Family
ID=68858801
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910857428.0A Pending CN110596490A (zh) | 2019-09-11 | 2019-09-11 | 铁路道岔故障的智能检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110596490A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111914320A (zh) * | 2020-06-06 | 2020-11-10 | 同济大学 | 基于深度学习的无样本道岔故障诊断方法 |
CN113570253A (zh) * | 2021-07-29 | 2021-10-29 | 中国铁路设计集团有限公司 | 一种动态场景的考核方法、系统、电子设备及存储介质 |
CN113672859A (zh) * | 2021-08-17 | 2021-11-19 | 郑州铁路职业技术学院 | 一种道岔转辙机故障声学诊断系统 |
CN117741512A (zh) * | 2024-02-20 | 2024-03-22 | 山东铁路投资控股集团有限公司 | 一种基于神经网络的转辙机状态检测方法及系统 |
CN117741512B (zh) * | 2024-02-20 | 2024-06-07 | 山东铁路投资控股集团有限公司 | 一种基于神经网络的转辙机状态检测方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104503874A (zh) * | 2014-12-29 | 2015-04-08 | 南京大学 | 一种云计算平台的硬盘故障预测方法 |
CN104951809A (zh) * | 2015-07-14 | 2015-09-30 | 西安电子科技大学 | 基于不平衡分类指标与集成学习的不平衡数据分类方法 |
CN104978549A (zh) * | 2014-04-03 | 2015-10-14 | 北京邮电大学 | 三维人脸图像特征提取方法和系统 |
CN106650644A (zh) * | 2016-12-07 | 2017-05-10 | 上海交通大学 | 驾驶员危险行为识别方法及系统 |
CN109766927A (zh) * | 2018-12-10 | 2019-05-17 | 清华大学 | 基于混合深度学习的高铁道岔智能故障检测方法 |
-
2019
- 2019-09-11 CN CN201910857428.0A patent/CN110596490A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104978549A (zh) * | 2014-04-03 | 2015-10-14 | 北京邮电大学 | 三维人脸图像特征提取方法和系统 |
CN104503874A (zh) * | 2014-12-29 | 2015-04-08 | 南京大学 | 一种云计算平台的硬盘故障预测方法 |
CN104951809A (zh) * | 2015-07-14 | 2015-09-30 | 西安电子科技大学 | 基于不平衡分类指标与集成学习的不平衡数据分类方法 |
CN106650644A (zh) * | 2016-12-07 | 2017-05-10 | 上海交通大学 | 驾驶员危险行为识别方法及系统 |
CN109766927A (zh) * | 2018-12-10 | 2019-05-17 | 清华大学 | 基于混合深度学习的高铁道岔智能故障检测方法 |
Non-Patent Citations (2)
Title |
---|
何攸旻: "高速铁路道岔故障诊断方法研究", 《中国优秀硕士学位论文全文数据库 工程科技II辑》 * |
陈枝楠: "《供港食品全程溯源与实时监控关键技术及其应用》", 31 January 2017, 中国科学技术大学出版社 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111914320A (zh) * | 2020-06-06 | 2020-11-10 | 同济大学 | 基于深度学习的无样本道岔故障诊断方法 |
CN111914320B (zh) * | 2020-06-06 | 2024-02-02 | 同济大学 | 基于深度学习的无样本道岔故障诊断方法 |
CN113570253A (zh) * | 2021-07-29 | 2021-10-29 | 中国铁路设计集团有限公司 | 一种动态场景的考核方法、系统、电子设备及存储介质 |
CN113570253B (zh) * | 2021-07-29 | 2024-05-24 | 中国铁路设计集团有限公司 | 一种动态场景的考核方法、系统、电子设备及存储介质 |
CN113672859A (zh) * | 2021-08-17 | 2021-11-19 | 郑州铁路职业技术学院 | 一种道岔转辙机故障声学诊断系统 |
CN113672859B (zh) * | 2021-08-17 | 2024-03-29 | 郑州铁路职业技术学院 | 一种道岔转辙机故障声学诊断系统 |
CN117741512A (zh) * | 2024-02-20 | 2024-03-22 | 山东铁路投资控股集团有限公司 | 一种基于神经网络的转辙机状态检测方法及系统 |
CN117741512B (zh) * | 2024-02-20 | 2024-06-07 | 山东铁路投资控股集团有限公司 | 一种基于神经网络的转辙机状态检测方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106355030B (zh) | 一种基于层次分析法和加权投票决策融合的故障检测方法 | |
CN106371427B (zh) | 基于层次分析法和模糊融合的工业过程故障分类方法 | |
CN103914064B (zh) | 基于多分类器和d-s证据融合的工业过程故障诊断方法 | |
CN109766927B (zh) | 基于混合深度学习的高铁道岔智能故障检测方法 | |
CN110596490A (zh) | 铁路道岔故障的智能检测方法 | |
CN101738998B (zh) | 一种基于局部判别分析的工业过程监测系统及方法 | |
CN102778355A (zh) | 一种基于emd和pca的滚动轴承状态辨识方法 | |
CN104299115B (zh) | 基于模糊c均值聚类算法的智能变电站二次系统状态分析方法 | |
CN108304567B (zh) | 高压变压器工况模式识别与数据分类方法及系统 | |
Mao et al. | Anomaly detection for power consumption data based on isolated forest | |
CN102289682A (zh) | 基于集成学习Bagging算法的变压器故障诊断方法 | |
CN110223193A (zh) | 基于模糊聚类和rs-knn模型用于电网运行状态的判别方法及系统 | |
CN110428005A (zh) | 一种基于伞式算法的电力系统动态安全误分类约束方法 | |
CN113376516A (zh) | 一种基于深度学习的中压真空断路器运行故障自诊断与预警方法 | |
CN115524002B (zh) | 一种电厂旋转设备的运行状态预警方法、系统及存储介质 | |
CN112036087A (zh) | 一种多策略融合的核动力关键设备故障诊断方法及系统 | |
CN113435759A (zh) | 一种基于深度学习的一次设备风险智能评估方法 | |
CN115496108A (zh) | 一种基于流形学习和大数据分析的故障监测方法及系统 | |
CN108830006A (zh) | 基于线性评价因子的线性-非线性工业过程故障检测方法 | |
CN115659236A (zh) | 一种基于软分类的直流充电桩故障预警方法 | |
Zhang et al. | Vibration signal-based defect detection method for railway signal relay using parameter-optimized VMD and ensemble feature selection | |
CN107358297A (zh) | 一种状态检测数据的快速索引方法 | |
CN112285484B (zh) | 基于深度神经网络的电力系统故障诊断信息融合方法及装置 | |
Sun et al. | A fault diagnosis method for train plug doors based on MNPE and IPSO-MSVM | |
Bahrami et al. | Machine Learning Application to Extreme Weather Power Outage Forecasting in Distribution Networks using a Majority Under-Sampling and Minority Over-Sampling Strategy |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20191220 |
|
WD01 | Invention patent application deemed withdrawn after publication |