CN110598750A - 一种基于转辙机动作曲线相似度特征的工况识别方法 - Google Patents
一种基于转辙机动作曲线相似度特征的工况识别方法 Download PDFInfo
- Publication number
- CN110598750A CN110598750A CN201910749023.5A CN201910749023A CN110598750A CN 110598750 A CN110598750 A CN 110598750A CN 201910749023 A CN201910749023 A CN 201910749023A CN 110598750 A CN110598750 A CN 110598750A
- Authority
- CN
- China
- Prior art keywords
- curve
- action
- switch machine
- curves
- switch
- 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.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Analysis (AREA)
- Pure & Applied Mathematics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computing Systems (AREA)
- Evolutionary Biology (AREA)
- Computational Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Mathematical Optimization (AREA)
- Medical Informatics (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明涉及一种基于转辙机动作曲线相似度特征的工况识别方法,包括以下步骤:步骤1:从转辙机历史动作曲线中选取参照模板;步骤2:构建配对矩阵;步骤3:计算Pn,m中每一组曲线对的距离di,j,构建动作曲线距离矩阵Dn,m;步骤4:通过降维算法对Dn,m进行降维;步骤5:绘制转辙机历史动作曲线C的相对曲线形状分布图;步骤6:通过聚类算法对Fn,2:[f1,f2,…,fn]进行聚类;步骤7:调整聚类参数,重复执行步骤6,直到Sc内动作曲线的形状相同;步骤8:以代表工况种类的c来标记Sc内的曲线,完成对转辙机工况的识别。与现有技术相比,本发明具有有效解决了转辙机动作曲线由于没有数据标签而无法进一步通过机器学习、大数据进行分析的困难、用途广、工况变化趋势可视化和效率高等优点。
Description
技术领域
本发明涉及城市轨道交通和高速铁路列车运行控制系统信号系统运维技术领域,尤其是涉及一种基于转辙机动作曲线相似度特征的工况识别方法。
背景技术
随着我国高速铁路及城市轨道交通网线的不断延伸,越来越多的铁路通信及信号系统设备部署在了轨道沿线,以保证列车运行的安全、可靠与高效。在这一过程中,由于通信及信号系统设备的技术升级,其工作效率不断提高,同时结构也愈发精密,也为后勤运营维护工作造成了沉重的压力。为进一步保障行车安全,提高运维工作效率,人们亟待采用基于数据驱动的智能维护技术以优化运维作业,并最终实现由当前“周期修”向“状态修”和“预防修”的升级。
其中,道岔转辙机作为目前铁路中唯一的无冗余信号控制设备,是控制列车变轨转轨的重要执行单元,该设备的故障可能引发列车运行晚点,甚至导致脱轨或相撞等重大事故。另一方面,由于道岔转辙机作为室外机电设备,其故障率相对其他铁路信号系统设备是最高的,因此是运营维护单位的工作重点之一。目前,保障铁路信号系统设备安全作业的集中监测系统已投入使用,可以不断收集转辙机的动作曲线(工作电流、工作功率等),进而实时监测道岔转辙机的工作状态并报警。随着信息技术的不断进步,监测数据的不断累计,通过机器学习和大数据分析方法进一步研究转辙机的服役性状的条件已成熟。通过关联转辙机的正常工作状态、亚健康工作状态以及故障工作状态的思想,引入智能维护方案来降低维护成本,提高维护效率的发展方向得到了人们的重视。为实现这一目标,大规模监测数据的存储、检索以及合理的数据标注至关重要。尤其是转辙机的动作曲线,其故障现象和原因直接体现在曲线形态上,需要丰富的工作经验与扎实的专业知识来根据动作曲线区分判定转辙机的服役性状,因此,由于过高的技术门槛,使得大规模的数据标注成本过高,制约了智能维护技术的研究和应用。
此外,由于工业生产环境中转辙机型号不同、监测电路采样频率和采样精度不同以及采样过程中的动态干扰导致的转辙机动作曲线作为一条时间序列,其序列长度不同,且转辙机动作阶段在时间序列中对应的索引也存在差异。故而,目前常见的基于对数据分段的分析方法也不具备广泛迁移使用的普适性。
针对高速铁路和城市轨道交通中转辙机设备型号不同、供应商不同、服役时间不同以及数据监测电路动态误差等问题,海量的转辙机历史动作曲线规格繁杂,没有经过专业的人工标记,无法直接运用于机器学习和大数据分析方法。本发明提出了一种基于转辙机动作曲线相似度特征的工况识别方法,旨在以最小的人力成本为海量繁杂的转辙机历史动作曲线数据附加合理的数据标签,为基于数据驱动的智能运维技术提供数据支撑。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于转辙机动作曲线相似度特征的工况识别方法。
本发明的目的可以通过以下技术方案来实现:
一种基于转辙机动作曲线相似度特征的工况识别方法,包括以下步骤:
步骤1:从转辙机历史动作曲线C:[C1,C2,…,Cn]中选取参照模板R:[R1,R2,…Rn];
步骤2:构建配对矩阵Pn,m如下:
步骤3:计算Pn,m中每一组曲线对的距离di,j,构建动作曲线距离矩阵Dn,m;
步骤4:通过降维算法对Dn,m进行降维,得到低维相似度特征,即:Fn,2:[f1,f2,…,fn]=DR(Dn,m),其中DR(·)表示通过降维算法进行数据降维,Fn,2表示二维相似度特征矩阵;
步骤5:绘制转辙机历史动作曲线C的相对曲线形状分布图;
步骤6:通过聚类算法对Fn,2:[f1,f2,…,fn]进行聚类,得到象征曲线形状种类的类簇S:[S1,S2,…,Sk],其中Sc是包含若干动作曲线的第c类,k是聚类的类簇总数;
步骤7:调整聚类参数,重复执行步骤6,直到Sc内动作曲线的形状相同;
步骤8:以代表工况种类的c来标记Sc内的曲线,完成对转辙机工况的识别。
优选地,所述步骤3中的di,j通过动态时间规整算法计算,即di,j=DTW(Ci,Rj)。
优选地,所述步骤4中的降维算法为MDS算法或t-SNE算法。
优选地,所述步骤4中fi是Ci的二维相似度特征,即fi:[fi,1,fi,2]。
优选地,所述的步骤5中的转辙机历史动作曲线C的相对曲线形状分布图以fi,1为横坐标,fi,2为纵坐标绘制。
优选地,所述步骤6中的聚类算法为基于密度的聚类算法。
优选地,所述的转辙机动作曲线包括转辙机动作三相电流曲线、转辙机动作直流电流曲线和转辙机动作功率曲线。
优选地,所述步骤1中参照模板R的选取具体包括以下步骤:
步骤101:对转辙机历史动作曲线进行预处理;
步骤102:生成候选参考曲线;
步骤103:从候选曲线中选取最终的参考曲线。
优选地,所述步骤101具体包括以下步骤:
步骤101-1:根据转辙机的编号对动作曲线分组;
步骤101-2:剥离天窗时间的动作曲线;
步骤101-3:剥离非正常的动作曲线。
优选地,所述步骤102中候选参考曲线的生成步骤具体为:
步骤102-1:获取进行预处理后的转辙机历史动作曲线;
步骤102-2:提取动作曲线的形状特征;
步骤102-3:根据形状特征将动作曲线分类成簇;
步骤102-4:以类簇为单位生成推荐参考曲线;
步骤102-5:结合历史参考曲线和步骤102-4中生成的推荐参考曲线,分析出参考曲线的推荐度,并根据推荐度大小对参考曲线进行排序。
与现有技术相比,本发明具有以下优点:
一、有效解决了转辙机动作曲线由于没有数据标签而无法进一步通过机器学习、大数据进行分析的困难:本发明标识转辙机动作曲线的工况不需要预先依据经验估计工况种类,也不需要预先设定分段阈值等参数,有效的提升了前期数据处理流程的普适性和便利性,解决了海量转辙机动作曲线由于没有数据标签而无法进一步通过机器学习、大数据分析的困难。
二、用途广:本发明不仅可以标识常见的已知故障曲线和正常曲线,还可以进步一标识处稀少的罕见故障。
三、工况变化趋势可视化:本发明通过转辙机动作曲线相似度特征可视化可以反映出转辙机的工况变化趋势,为进一步研究转辙机故障预测、故障预警提供数据支撑,可以为基于智能运维的“状态修”和“预测修”提供研究基础。
四、效率高:本发明有效的降低了人工标注数据的工作量,提高了工作效率。
附图说明
图1为本发明的流程图;
图2为本发明中参考曲线选取方法的流程图;
图3为本发明中使用DTW算法度量转辙机动作曲线差异度的示意图;
图4为本发明中转辙机动作曲线相似度特征可视化及工况识别示意图。
具体实施方式
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、完整地描述,显然,所描述的实施例是本发明的一部分实施例,而不是全部实施例。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的前提下所获得的所有其他实施例,都应属于本发明保护的范围。
本发明提出了一种基于转辙机动作曲线相似度特征的工况识别方法,旨在以最小的人力成本为海量繁杂的转辙机历史动作曲线数据附加合理的数据标签,为基于数据驱动的智能运维技术提供数据支撑。
本发明包括转辙机动作曲线的相似度特征提取子流程和相似度特征可视化及工况标识子流程。
记待识别的转辙机历史动作曲线为C:[C1,C2,…,Cn],其中Ci表示第i条历史动作曲线,n表示待识别的历史动作曲线总数。
如图1所示,相似度特征提取子流程包括以下步骤:
步骤1:选取参考曲线。
步骤2:通过C和R构建配对矩阵Pn,m如下:
步骤3:通过动态时间规整(Dynamic Time Warping,DTW)算法计算Pn,m中每一组曲线对的距离,即di,j=DTW(Ci,Rj),构建动作曲线距离矩阵Dn,m如下:
图3为使用DTW算法度量转辙机动作曲线差异度的示意图,由图3可以看出,DTW算法可以有效的衡量两个长度不同的时间序列的相似度,为解决现有技术中存在的由于工业生产环境中转辙机型号不同、监测电路采样频率和采样精度不同以及采样过程中的动态干扰导致的转辙机动作曲线作为一条时间序列,其序列长度不同的问题提供了解决方案。
步骤4:通过MDS(Multidimensional Scaling,MDS)算法或t-SNE(t-distributedstochastic neighbor embedding,t-SNE)等降维算法对Dn,m进行降维,得到低维相似度特征矩阵Fn,2:[f1,f2,…,fn]=DR(Dn,m),其中Fn,2表示二维相似度特征矩阵DR(·)表示通过降维算法进行数据降维,Fn,2表示二维相似度特征矩阵,fi是Ci的二维相似度特征。
本发明中相似度特征可视化及工况标识子流程包括以下步骤:
步骤5:对转辙机的所有历史动作曲线C:[C1,C2,…,Cn]和相似度特征矩阵Fn,2,存在关联Ci→fi:[fi,1,fi,2],以fi,1为横坐标,fi,2为纵坐标,绘制C的相对曲线形状分布图。
步骤6:通过基于密度的聚类算法对Fn,2:[f1,f2,…,fn]进行聚类,得到象征曲线形状种类的类簇S:[S1,S2,…,Sk],其中,Sc是包含若干动作曲线的第c类,k是聚类的类簇总数。
步骤7:观察聚类后的相对曲线形状分布图,调整聚类参数并重复执行步骤6,直到Sc内动作曲线的形状不存在明显的差异性。
步骤8:以工况c来表示Sc内的曲线,记为其中表示第c中工况下的第j条动作曲线,l表示第c中工况内动作曲线的总数,且
如图4所示,通过调整聚类参数,得到了明显的聚类类簇,不同的类簇代表不同的工况,进而达到标识工况的目的。
通过对聚类参数的调整可以获得更多的类簇,这就代表着本发明可以区分正常动作曲线中的微小工况变化以及以下稀少的罕见故障。
本发明可以根据转辙机动作三相电流曲线、转辙机动作直流电流曲线和转辙机动作功率曲线对转辙机的工况进行标识。
本发明中的工况识别方法不需对转辙机动作曲线分割,避免了由于监测电路采样精度和频率差异,转辙机设计、制造差异以及现场信号动态干扰等造成的动作曲线采样点数不同、采样值精度不同影响曲线分段准确性。同时,本发明通过可视化方法复核动作曲线的差异性分布,进一步区分了正常动作曲线中的微小工况变化,可有效挖掘动作曲线中内在的未知异常工况和亚健康工况。
本发明参考曲线的选取方法如图2所示。数据存储中心存储有转辙机历史动作曲线、故障维护日志和监测报警记录。从数据存储中心选取转辙机的历史动作曲线进行预处理,预处理步骤如下:
步骤1:根据转辙机对动作曲线分组;
步骤2:剥离天窗时间曲线;
步骤3:剥离非正常曲线。
然后分别对各个转辙机的工况进行标识,具体步骤如下:
步骤1:获取历史动作曲线;
步骤2:提取曲线的形状特征;
步骤3:自适应分类成簇;
步骤4:以类簇为单位,生成推荐参考曲线;
步骤5:结合历史参考曲线和步骤4中生成的参考曲线,分析参考曲线的推荐度,并根据推荐度对参考曲线进行排序。
最终,用户根据排序结果选取参考曲线。
本发明具有以下创新点:
1.本发明标识转辙机动作曲线的工况不需要预先依据经验估计工况种类,也不需要预先设定分段阈值等参数,有效的提升了前期数据处理流程的普适性和便利性。
2.本发明不仅可以标识常见的已知故障曲线和正常曲线,还可以进一步标识出稀少的罕见故障。同时,本发明通过转辙机动作曲线相似度特征可视化可以反应出转辙机的工况变化趋势,为进一步研究转辙机故障预测、故障预警提供数据支撑,可以为基于智能运维的“状态修”和“预测修”提供研究基础。
3.本发明有效的降低了人工标注数据的工作量,解决了海量转辙机动作曲线由于没有数据标签而无法进一步通过机器学习、大数据分析的困难。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到各种等效的修改或替换,这些修改或替换都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种基于转辙机动作曲线相似度特征的工况识别方法,其特征在于,所述的工况识别方法包括以下步骤:
步骤1:从转辙机历史动作曲线C:[C1,C2,…,Cn]中选取参照模板R:[R1,R2,…Rn];
步骤2:构建配对矩阵Pn,m如下:
步骤3:计算Pn,m中每一组曲线对的距离di,j,构建动作曲线距离矩阵Dn,m;
步骤4:通过降维算法对Dn,m进行降维,得到低维相似度特征,即:Fn,2:[f1,f2,…,fn]=DR(Dn,m),其中DR(·)表示通过降维算法进行数据降维,Fn,2表示二维相似度特征矩阵;
步骤5:绘制转辙机历史动作曲线C的相对曲线形状分布图;
步骤6:通过聚类算法对Fn,2:[f1,f2,…,fn]进行聚类,得到象征曲线形状种类的类簇S:[S1,S2,…,Sk],其中Sc是包含若干动作曲线的第c类,k是聚类的类簇总数;
步骤7:调整聚类参数,重复执行步骤6,直到Sc内动作曲线的形状相同;
步骤8:以代表工况种类的c来标记Sc内的曲线,完成对转辙机工况的识别。
2.根据权利要求1所述的一种基于转辙机动作曲线相似度特征的工况识别方法,其特征在于,所述步骤3中的di,j通过动态时间规整算法计算,即di,j=DTW(Ci,Rj)。
3.根据权利要求1所述的一种基于转辙机动作曲线相似度特征的工况识别方法,其特征在于,所述步骤4中的降维算法为MDS算法或t-SNE算法。
4.根据权利要求1所述的一种基于转辙机动作曲线相似度特征的工况识别方法,其特征在于,所述步骤4中fi是Ci的二维相似度特征,即fi:[fi,1,fi,2]。
5.根据权利要求1或4所述的一种基于转辙机动作曲线相似度特征的工况识别方法,其特征在于,所述的步骤5中的转辙机历史动作曲线C的相对曲线形状分布图以fi,1为横坐标,fi,2为纵坐标绘制。
6.根据权利要求1所述的一种基于转辙机动作曲线相似度特征的工况识别方法,其特征在于,所述步骤6中的聚类算法为基于密度的聚类算法。
7.根据权利要求1所述的一种基于转辙机动作曲线相似度特征的工况识别方法,其特征在于,所述的转辙机动作曲线包括转辙机动作三相电流曲线、转辙机动作直流电流曲线和转辙机动作功率曲线。
8.根据权利要求1所述的一种基于转辙机动作曲线相似度特征的工况识别方法,其特征在于,所述步骤1中参照模板R的选取具体包括以下步骤:
步骤101:对转辙机历史动作曲线进行预处理;
步骤102:生成候选参考曲线;
步骤103:从候选曲线中选取最终的参考曲线。
9.根据权利要求8所述的一种基于转辙机动作曲线相似度特征的工况识别方法,其特征在于,所述步骤101具体包括以下步骤:
步骤101-1:根据转辙机的编号对动作曲线分组;
步骤101-2:剥离天窗时间的动作曲线;
步骤101-3:剥离非正常的动作曲线。
10.根据权利要求8所述的一种基于转辙机动作曲线相似度特征的工况识别方法,其特征在于,所述步骤102中候选参考曲线的生成步骤具体为:
步骤102-1:获取进行预处理后的转辙机历史动作曲线;
步骤102-2:提取动作曲线的形状特征;
步骤102-3:根据形状特征将动作曲线分类成簇;
步骤102-4:以类簇为单位生成推荐参考曲线;
步骤102-5:结合历史参考曲线和步骤102-4中生成的推荐参考曲线,分析出参考曲线的推荐度,并根据推荐度大小对参考曲线进行排序。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910749023.5A CN110598750B (zh) | 2019-08-14 | 2019-08-14 | 一种基于转辙机动作曲线相似度特征的工况识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910749023.5A CN110598750B (zh) | 2019-08-14 | 2019-08-14 | 一种基于转辙机动作曲线相似度特征的工况识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110598750A true CN110598750A (zh) | 2019-12-20 |
CN110598750B CN110598750B (zh) | 2021-09-28 |
Family
ID=68854272
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910749023.5A Active CN110598750B (zh) | 2019-08-14 | 2019-08-14 | 一种基于转辙机动作曲线相似度特征的工况识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110598750B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112345261A (zh) * | 2020-10-29 | 2021-02-09 | 南京航空航天大学 | 基于改进dbscan算法的航空发动机泵调系统异常检测方法 |
CN116956087A (zh) * | 2023-05-22 | 2023-10-27 | 成都工业职业技术学院 | 一种基于密度聚类的道岔摩擦电流智能计算方法及系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2175462A1 (de) * | 2008-10-10 | 2010-04-14 | RAFI GmbH & Co. KG | Abgedichteter Schalter |
CN105260595A (zh) * | 2015-04-02 | 2016-01-20 | 北京交通大学 | 道岔动作电流曲线的特征提取方法及道岔故障诊断方法 |
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 |
CN108256738A (zh) * | 2017-12-22 | 2018-07-06 | 同济大学 | 道岔动作参考曲线选取方法及其应用 |
CN108985380A (zh) * | 2018-07-25 | 2018-12-11 | 西南交通大学 | 一种基于聚类集成的转辙机故障识别方法 |
CN109934245A (zh) * | 2018-11-03 | 2019-06-25 | 同济大学 | 一种基于聚类的转辙机故障识别方法 |
-
2019
- 2019-08-14 CN CN201910749023.5A patent/CN110598750B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2175462A1 (de) * | 2008-10-10 | 2010-04-14 | RAFI GmbH & Co. KG | Abgedichteter Schalter |
CN105260595A (zh) * | 2015-04-02 | 2016-01-20 | 北京交通大学 | 道岔动作电流曲线的特征提取方法及道岔故障诊断方法 |
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 |
CN108256738A (zh) * | 2017-12-22 | 2018-07-06 | 同济大学 | 道岔动作参考曲线选取方法及其应用 |
CN108985380A (zh) * | 2018-07-25 | 2018-12-11 | 西南交通大学 | 一种基于聚类集成的转辙机故障识别方法 |
CN109934245A (zh) * | 2018-11-03 | 2019-06-25 | 同济大学 | 一种基于聚类的转辙机故障识别方法 |
Non-Patent Citations (2)
Title |
---|
李孟澜: "基于聚类集成的转辙机故障数据挖掘", 《万方学位论文库》 * |
黄世泽等: "基于弗雷歇距离的道岔故障诊断方法", 《同济大学学报(自然科学版)》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112345261A (zh) * | 2020-10-29 | 2021-02-09 | 南京航空航天大学 | 基于改进dbscan算法的航空发动机泵调系统异常检测方法 |
CN112345261B (zh) * | 2020-10-29 | 2022-05-03 | 南京航空航天大学 | 基于改进dbscan算法的航空发动机泵调系统异常检测方法 |
CN116956087A (zh) * | 2023-05-22 | 2023-10-27 | 成都工业职业技术学院 | 一种基于密度聚类的道岔摩擦电流智能计算方法及系统 |
CN116956087B (zh) * | 2023-05-22 | 2024-02-09 | 成都工业职业技术学院 | 一种基于密度聚类的道岔摩擦电流智能计算方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN110598750B (zh) | 2021-09-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105512474B (zh) | 一种变压器状态监测数据的异常检测方法 | |
CN106407589B (zh) | 一种风机状态评估与预测方法及系统 | |
CN104091070A (zh) | 一种基于时间序列分析的轨道交通故障诊断方法和系统 | |
CN104386449B (zh) | 用于矿用皮带运输机头尾轮在线检测智能保护装置 | |
CN101799320B (zh) | 一种旋转设备故障预测方法及其装置 | |
CN107054410A (zh) | 道岔转辙机的智能诊断系统及诊断方法 | |
CN111898669B (zh) | 一种基于机器学习的直流矿热炉异常事件预警系统 | |
CN110598750B (zh) | 一种基于转辙机动作曲线相似度特征的工况识别方法 | |
CN104200396A (zh) | 一种风力发电机部件故障预警方法 | |
CN111127517A (zh) | 一种基于监控视频的生产线产品定位方法 | |
CN113466597A (zh) | 一种轨道交通供电系统设备状态智能检测方法 | |
CN101738998B (zh) | 一种基于局部判别分析的工业过程监测系统及方法 | |
CN113570200B (zh) | 一种基于多维信息的电网运行状态监测方法及系统 | |
CN107844067A (zh) | 一种水电站闸门在线状态监测控制方法及监测系统 | |
CN114781476B (zh) | 一种量测设备故障分析系统和方法 | |
CN114201374A (zh) | 基于混合机器学习的运维时序数据异常检测方法及系统 | |
CN114580666A (zh) | 一种多模式融合电动机智能维护系统 | |
CN110690699A (zh) | 一种基于泛在电力物联网的变电站智慧检测系统 | |
CN105978145B (zh) | 智能变电站二次系统信息融合系统 | |
CN105911424A (zh) | 一种基于故障指示器误报信号的识别方法 | |
CN116244765A (zh) | 一种基于工业互联网的设备维护管理方法 | |
CN111367909A (zh) | 一种智能制造设备的健康管理方法及系统 | |
CN113471864A (zh) | 一种变电站二次设备现场检修装置及方法 | |
CN116845863A (zh) | 基于时空轨迹的末端电网异常设备接入告警方法及装置 | |
CN116961215A (zh) | 一种电力系统故障快速反应处理方法 |
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 | ||
REG | Reference to a national code |
Ref country code: HK Ref legal event code: DE Ref document number: 40018756 Country of ref document: HK |
|
GR01 | Patent grant | ||
GR01 | Patent grant |