CN111046940A - 一种基于决策树与神经网络的车门故障诊断方法 - Google Patents
一种基于决策树与神经网络的车门故障诊断方法 Download PDFInfo
- Publication number
- CN111046940A CN111046940A CN201911242018.1A CN201911242018A CN111046940A CN 111046940 A CN111046940 A CN 111046940A CN 201911242018 A CN201911242018 A CN 201911242018A CN 111046940 A CN111046940 A CN 111046940A
- Authority
- CN
- China
- Prior art keywords
- fault
- neural network
- tree
- vehicle door
- probability
- 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.)
- Withdrawn
Links
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 40
- 238000003066 decision tree Methods 0.000 title claims abstract description 36
- 238000003745 diagnosis Methods 0.000 title claims abstract description 29
- 238000000034 method Methods 0.000 title claims abstract description 20
- 238000012549 training Methods 0.000 claims abstract description 32
- 238000004458 analytical method Methods 0.000 claims abstract description 8
- 238000004451 qualitative analysis Methods 0.000 claims abstract description 7
- 238000004445 quantitative analysis Methods 0.000 claims abstract description 7
- 238000007619 statistical method Methods 0.000 claims abstract description 5
- 238000004364 calculation method Methods 0.000 claims description 16
- 238000001514 detection method Methods 0.000 claims description 4
- 238000012360 testing method Methods 0.000 claims description 4
- 230000014509 gene expression Effects 0.000 claims description 3
- 238000003062 neural network model Methods 0.000 claims description 3
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 101100346177 Arabidopsis thaliana MORC5 gene Proteins 0.000 description 8
- 241000271559 Dromaiidae Species 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000012938 design process Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 230000007306 turnover Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computational Linguistics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
一种基于决策树与神经网络的车门故障诊断方法，其特征在于根据动车组车门系统的历史故障数据进行数据整体统计分析和系统的故障模式分析，确定故障模式类别，并按照故障影响大小，进行故障级别分类；并对底层节点的故障模式进行定性分析和定量分析，得出故障模式对应的发生概率、关键重要度参数；根据车门系统的实际电气数据和对应的故障模式进行神经网络的训练；本发明构建的模型有助于快速排除动车组车门故障情况，为动车组车门系统的故障诊断和预测提供了基础，对动车组的安全稳定运行具有一定的意义。
Description
技术领域
本发明涉及车门故障诊断技术领域，尤其是涉及一种基于决策树与神经网络的车门故障诊断方法。
背景技术
当今社会中，轨道交通运营安全对国家发展具有非常重要的意义，其中，动车组塞拉门作为乘客进出车门必经的通道，其安全性在动车组的整体安全性中占了很大的比重。而且在轨道运输车辆中，因车门控制系统造成事故发生占系统总故障的30％，这说明客室车门的安全系数对于轨道运输具有非常重要的意义。因此，研究轨道车辆客室车门系统的安全性，可以有效提高轨道车辆运行的安全程度。目前车门系统故障诊断模型应用比较多的是线性回归模型和基于神经网络的故障诊断模型，但是由于目前车门故障模式分类不够明确，分级不够系统，而且基于BP神经网络的车门故障诊断方法存在对初始值敏感、易陷入局部极小值、收敛速度较慢、训练时间较长、没有确定隐含层节点的合适方法、训练中存在过学习以及欠学习的问题等缺点，无法准确预测和诊断车门故障模式。因此，针对车门故障诊断问题，需要设计研究新方法来提高模型诊断准确性。
发明内容
本发明的目的是为了克服现有技术中的不足，提供一种基于决策树与神经网络的车门故障诊断方法，该方法能够有效的提高模型诊断和预测的准确性。
为实现上述发明目的，本发明提供一种基于决策树与神经网络的车门故障诊断方法，其特征在于包括以下步骤：
1)根据动车组车门系统的历史故障数据进行数据整体统计分析和系统的故障模式分析，确定故障模式类别，并按照故障影响大小，进行故障级别分类；
2)根据步骤1)的故障模式，建立故障树，分析每种车型对应故障树的每一个节点，并对底层节点的故障模式进行定性分析和定量分析，得出故障模式对应的发生概率、关键重要度参数；
3)根据步骤2)确定故障率及关键重要度排名前三名高的大类故障分类模式和多级别故障分类模式，其中大类故障模式参数作为决策树模型的训练集的输出层参数，多级别故障分类模式中最小级别的故障模式参数作为决策树的神经网络车门故障诊断及预测模型的输出层参数，建立基于决策树的神经网络车门故障诊断及预测模型，根据车门系统的实际电气数据和对应的故障模式进行神经网络的训练。
所述的动车组车门系统故障树表示为如下式：
其中，基本事件用C表示，中间时间用B和A表示，顶事件用T表示。
所述的故障树定性分析的步骤为：先建立车门系统故障树、外门门机构故障树模型、外门站台补偿机构和外门电子控制组件故障树模型；然后用布尔代数化简求故障树的最小割集，最后得到动车组车门系统故障树。
所述的故障树定量分析的步骤为：根据动车组故障统计数据，统计计算得到动车组基本事件的概率，其中基本事件故障概率计算公式如下：
式中Fi(X)为基本事件i的故障概率，z为基本事件i故障次数，m为检测次数，n为该型号列车数；
概率事件重要度计算公式如下：
式中，Fs(X)为顶事件不可靠度，Fi(X)为节点i不可靠度；
基本事件Fi(X)的关键重要度计算公式为：
上式中FS(X)为系统不可靠度，Fi(X)为节点i的不可靠度，VGi(X)为点i的概率重要度；
故障树中存在“或”和“与”的逻辑关系，故障树顶事件概率表达式分别为公式(4)和(5)，F(X)为顶事件概率，F(Xi)为各个基本事件Xi发生的概率，m为基本事件的总数，“或”逻辑门时，顶事件概率为：
“与”逻辑门时，顶事件概率为：
根据上述计算公式，计算车型车门系统基本事件概率和关键重要度。
所述基于决策树的神经网络模型的设计过程如下：
步骤1：导入动车组车门数据集，数据集主要包括模型的输入参数和输出参数，并且分为训练集和测试集两个数据集合；
步骤2：确定输入参数对应的大类故障模式，如输入参数对应的是开门故障，其大类故障模式为开关门故障；
步骤3：创建决策树分类器，根据输入参数和对应大类故障模式训练决策树；
步骤4：将决策树产生的输出参数与动车组车门运行数据结合，作为训练BP神经网络的输入参数，对应实际具体的故障模式为输出参数；
步骤5：训练BP神经网络；
步骤6：当BP神经网络的误差均方值小于设定值时，模型训练完毕，若没有，需更新权阈值，继续重复训练步骤5。
所述的输入参数包括车门系统电机转角、转速、电流、门位置、速度和驱动力压力值参数，输出参数是车门系统故障模式。
本发明首先采用故障树分析法，以优化故障模式分类为目的，对动车组车门的几种故障模式和故障原因分别进行了定性分析和定量分析，为动车组检修和维护提供了最优的故障模式分类以及分类级别。为了优化BP神经网络的收敛速度慢、训练时间长和存在的过学习和前学习问题，在模型中，利用决策树对数据分析挖掘的优势，对动车组车门系统的数据进行初始分类，得到运行参数对应的大类故障模式参数，根据大类故障模式参数，再次与实际的运行数据相结合利用BP神经网络进行分析，有效的排除了大量的故障可能性，有效地缩短了BP神经网络的收敛速度和训练时间，在一定程度上优化了训练中存在的过学习和欠学习的问题。构建的模型有助于快速排除动车组车门故障情况，为动车组车门系统的故障诊断和预测提供了基础，对动车组的安全稳定运行具有一定的意义。
附图说明
图1是动车组各车型车门系统故障趋势图；
图2是车门结构示意图；
图3是车门系统故障树；
图4是外门门机构故障树模型；
图5是外门站台补偿机构和外门电子控制组件故障树模型；
图6是基于决策树的神经网络车门故障检测模型设计流程图。
具体实施方式
步骤1：参照图1，根据动车组车门系统的历史故障数据进行数据整体统计分析和系统的故障模式分析以及分类。
根据查阅资料，分析2012年-2018年7种车型：CRH5、CRH5G、CRH380B、CRH380BG、CRH380BL、CRH380CL和标准动车组车门系统的故障模式，并对所有车型6年的故障数量进行统计分析，绘制故障发展趋势图。
在七种车型的故障率统计中，计算车门在某一月份的故障率的公式为故障率＝故障数/月份对应车组数
对各个车型进行具体故障分析，统计各车型的故障原因，为后续车门故障树的建立奠定基础。由于动车组车型较多，本申请以CRH5型车门系统分析为例详细描述。
步骤2：参照图2，根据步骤1统计的不同车型的基本故障数量统计，结合动车组车门系统子系统分类情况，建立CRH5车门系统故障树。其中，基本事件用C表示，中间时间用B和A表示，顶事件用T表示。
参照图3、图4、图5，CRH5型车门系统故障树包括23个基本事件，表1为CRH5车型车门系统故障树事件列表，用布尔代数化简化求故障树的最小割集，则动车组车门系统故障树可表示为如下式：
各参数取值见表1，通过故障树可以看出CRH5型车塞拉门系统有23个一阶最小割集，从故障树的定性分析来看限位开关C14和门控器C23故障数量占总故障数量比例较大，一般来说，这两种故障模式重要性最大。
1CRH车型车门系统故障树事件列表
对故障树进行定性分析，其步骤为：
1.建立车门系统故障树、外门门机构故障树模型、外门站台补偿机构和外门电子控制组件故障树模型如图3、4、5；
2.用布尔代数化简求故障树的最小割集，最后得到动车组车门系统故障树；
3.对故障树进行定量分析，其步骤为：
根据动车组故障统计数据，统计计算得到动车组基本事件的概率，其中基本事件故障概率计算公式如下：
式中Fi(X)为基本事件i的故障概率，z为基本事件i故障次数，m为检测次数，n为该型号列车数。
概率事件重要度计算公式如下：
式中，Fs(X)为顶事件不可靠度，Fi(X)为节点i不可靠度。
基本事件Fi(X)的关键重要度计算公式为：
上式中FS(X)为系统不可靠度，Fi(X)为节点i的不可靠度，VGi(X)为点i的概率重要度。
故障树中存在“或”和“与”的逻辑关系，故障树顶事件概率表达式分别为公式(1.5)和(1.6)，F(X)为顶事件概率，F(Xi)为各个基本事件Xi发生的概率，m为基本事件的总数。“或”逻辑门时，顶事件概率为：
“与”逻辑门时，顶事件概率为：
根据上述计算公式，本申请计算了7种车型车门系统基本事件概率和关键重要度。根据上述计算结果确定大类故障分类模式(即A1～A3)和故障率及关键重要度排名前十名高的多级别故障分类模式(即从C1～C23选出前十名)，其中大类故障模式参数作为决策树模型的训练集的输出层参数，多级别故障分类模式中故障模式参数作为决策树的神经网络车门故障诊断及预测模型的输出层参数，建立基于决策树的神经网络车门故障诊断及预测模型，根据车门系统的实际电气数据和对应的故障模式进行神经网络的训练。
CRH5车型车门故障树中逻辑门都是或门，因此，车门系统故障概率为0.07376，可靠性为0.92624。见表2.
表2 CRH5车型车门系统基本事件概率和关键重要度
步骤3：建立基于决策树的神经网络车门故障诊断及预测模型。根据车门的实际数据和对应的故障模式进行神经网络的训练。
以车门系统电机转角、转速、电流、门位置、速度和驱动力压力值参数为输入节点，以故障模式对应的编号为输出节点划分神经网络样本；在全部的样本中，随机选择训练样本和测试样本。为了提高动车组车门系统故障模式诊断及预测的准确率，加快其诊断速度，应尽量科学合理地划分样本集的大小、数量。
建立基于决策树的神经网络模型，其设计过程如下：
步骤1：导入动车组车门数据集，数据集主要包括模型的输入参数(车门系统电机转角、转速、电流、门位置、速度和驱动力压力值参数)和输出参数(车门系统大类故障模式)，并且分为训练集和测试集两个数据集合；
步骤2：确定输入参数对应的大类故障模式，如输入参数对应的是外门门机构故障特征数据，其大类故障模式为外门门机构故障；
步骤3：创建决策树分类器，根据输入参数和对应大类故障模式训练决策树；
步骤4：将决策树产生的输出参数与动车组车门运行数据(车门系统电机转角、转速、电流、门位置、速度和驱动力压力值参数)结合，作为训练BP神经网络的输入参数，对应实际具体的多级别故障模式为输出参数；
步骤5：训练BP神经网络；
步骤6：当BP神经网络的误差均方值小于设定值时，模型训练完毕，若没有，需更新权阈值，继续重复训练步骤5。
Claims (6)
1.一种基于决策树与神经网络的车门故障诊断方法，其特征在于包括以下步骤：
1)根据动车组车门系统的历史故障数据进行数据整体统计分析和系统的故障模式分析，确定故障模式类别，并按照故障影响大小，进行故障级别分类；
2)根据步骤1)的故障模式，建立故障树，分析每种车型对应故障树的每一个节点，并对底层节点的故障模式进行定性分析和定量分析，得出故障模式对应的发生概率、关键重要度参数；
3)根据步骤2)确定故障率及关键重要度排名前三名高的大类故障分类模式和多级别故障分类模式，其中大类故障模式参数作为决策树模型的训练集的输出层参数，多级别故障分类模式中最小级别的故障模式参数作为决策树的神经网络车门故障诊断及预测模型的输出层参数，建立基于决策树的神经网络车门故障诊断及预测模型，根据车门系统的实际电气数据和对应的故障模式进行神经网络的训练。
2.根据权利要求1所述的一种基于决策树与神经网络的车门故障诊断方法，其特征在于：所述的动车组车门系统故障树表示为如下式：
其中，基本事件用C表示，中间时间用B和A表示，顶事件用T表示。
3.根据权利要求1所述的一种基于决策树与神经网络的车门故障诊断方法，其特征在于所述的故障树定性分析的步骤为：先建立车门系统故障树、外门门机构故障树模型、外门站台补偿机构和外门电子控制组件故障树模型；然后用布尔代数化简求故障树的最小割集，最后得到动车组车门系统故障树。
4.根据权利要求1所述的一种基于决策树与神经网络的车门故障诊断方法，其特征在于所述的故障树定量分析的步骤为：根据动车组故障统计数据，统计计算得到动车组基本事件的概率，其中基本事件故障概率计算公式如下：
式中Fi(X)为基本事件i的故障概率，z为基本事件i故障次数，m为检测次数，n为该型号列车数；
概率事件重要度计算公式如下：
式中，Fs(X)为顶事件不可靠度，Fi(X)为节点i不可靠度；
基本事件Fi(X)的关键重要度计算公式为：
上式中FS(X)为系统不可靠度，Fi(X)为节点i的不可靠度，VGi(X)为点i的概率重要度；
故障树中存在“或”和“与”的逻辑关系，故障树顶事件概率表达式分别为公式(4)和(5)，F(X)为顶事件概率，F(Xi)为各个基本事件Xi发生的概率，m为基本事件的总数，“或”逻辑门时，顶事件概率为：
“与”逻辑门时，顶事件概率为：
根据上述计算公式，计算车型车门系统基本事件概率和关键重要度。
5.根据权利要求1所述的一种基于决策树与神经网络的车门故障诊断方法，其特征在于，所述基于决策树的神经网络模型的设计过程如下：
步骤1：导入动车组车门数据集，数据集主要包括模型的输入参数和输出参数，并且分为训练集和测试集两个数据集合；
步骤2：确定输入参数对应的大类故障模式，如输入参数对应的是开门故障，其大类故障模式为开关门故障；
步骤3：创建决策树分类器，根据输入参数和对应大类故障模式训练决策树；
步骤4：将决策树产生的输出参数与动车组车门运行数据结合，作为训练BP神经网络的输入参数，对应实际具体的故障模式为输出参数；
步骤5：训练BP神经网络；
步骤6：当BP神经网络的误差均方值小于设定值时，模型训练完毕，若没有，需更新权阈值，继续重复训练步骤5。
6.根据权利要求5所述的一种基于决策树与神经网络的车门故障诊断方法，其特征在于：输入参数包括车门系统电机转角、转速、电流、门位置、速度和驱动力压力值参数，输出参数是车门系统故障模式。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911242018.1A CN111046940A (zh) | 2019-12-06 | 2019-12-06 | 一种基于决策树与神经网络的车门故障诊断方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911242018.1A CN111046940A (zh) | 2019-12-06 | 2019-12-06 | 一种基于决策树与神经网络的车门故障诊断方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111046940A true CN111046940A (zh) | 2020-04-21 |
Family
ID=70233566
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911242018.1A Withdrawn CN111046940A (zh) | 2019-12-06 | 2019-12-06 | 一种基于决策树与神经网络的车门故障诊断方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111046940A (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111797944A (zh) * | 2020-08-04 | 2020-10-20 | 上海仁童电子科技有限公司 | 一种车门异常诊断方法及装置 |
| CN112560165A (zh) * | 2020-06-11 | 2021-03-26 | 中车青岛四方机车车辆股份有限公司 | 一种城轨车辆及其客室车门故障诊断方法 |
| CN113222140A (zh) * | 2021-05-10 | 2021-08-06 | 重庆邮电大学 | 一种基于c4.5算法和bp神经元的配电网故障辅助决策方法 |
| CN114594750A (zh) * | 2022-02-28 | 2022-06-07 | 杨少伟 | 一种基于故障树的高铁塞拉门故障诊断方法 |
| CN114594750B (zh) * | 2022-02-28 | 2024-05-31 | 杨少伟 | 一种基于故障树的高铁塞拉门故障诊断方法 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103544389A (zh) * | 2013-10-18 | 2014-01-29 | 丽水学院 | 基于故障树和模糊神经网络的汽车起重机故障诊断方法 |
| CN106961249A (zh) * | 2017-03-17 | 2017-07-18 | 广西大学 | 一种光伏阵列故障诊断和预警方法 |
| CN106991240A (zh) * | 2017-04-11 | 2017-07-28 | 宁波如意股份有限公司 | 基于故障树的仓储搬运设备故障诊断方法 |
| CN108876057A (zh) * | 2018-07-24 | 2018-11-23 | 合肥阳光新能源科技有限公司 | 一种微电网的故障预测方法、装置及电子设备 |
| CN109523786A (zh) * | 2018-11-30 | 2019-03-26 | 哈尔滨工业大学 | 一种高速公路交通事故成因分析方法 |
| US20190122096A1 (en) * | 2017-10-25 | 2019-04-25 | SparkCognition, Inc. | Automated evaluation of neural networks using trained classifier |
| CN109961186A (zh) * | 2019-03-22 | 2019-07-02 | 大唐环境产业集团股份有限公司 | 基于决策树和bp神经网络的脱硫系统运行参数预测方法 |
| CN110363347A (zh) * | 2019-07-12 | 2019-10-22 | 江苏天长环保科技有限公司 | 基于决策树索引的神经网络预测空气质量的方法 |
-
2019
- 2019-12-06 CN CN201911242018.1A patent/CN111046940A/zh not_active Withdrawn
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103544389A (zh) * | 2013-10-18 | 2014-01-29 | 丽水学院 | 基于故障树和模糊神经网络的汽车起重机故障诊断方法 |
| CN106961249A (zh) * | 2017-03-17 | 2017-07-18 | 广西大学 | 一种光伏阵列故障诊断和预警方法 |
| CN106991240A (zh) * | 2017-04-11 | 2017-07-28 | 宁波如意股份有限公司 | 基于故障树的仓储搬运设备故障诊断方法 |
| US20190122096A1 (en) * | 2017-10-25 | 2019-04-25 | SparkCognition, Inc. | Automated evaluation of neural networks using trained classifier |
| CN108876057A (zh) * | 2018-07-24 | 2018-11-23 | 合肥阳光新能源科技有限公司 | 一种微电网的故障预测方法、装置及电子设备 |
| CN109523786A (zh) * | 2018-11-30 | 2019-03-26 | 哈尔滨工业大学 | 一种高速公路交通事故成因分析方法 |
| CN109961186A (zh) * | 2019-03-22 | 2019-07-02 | 大唐环境产业集团股份有限公司 | 基于决策树和bp神经网络的脱硫系统运行参数预测方法 |
| CN110363347A (zh) * | 2019-07-12 | 2019-10-22 | 江苏天长环保科技有限公司 | 基于决策树索引的神经网络预测空气质量的方法 |
Non-Patent Citations (1)
| Title |
|---|
| 杜亚林 等: "城轨车辆车门故障诊断技术研究", 《中国设备工程》, no. 2, pages 1 - 2 * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112560165A (zh) * | 2020-06-11 | 2021-03-26 | 中车青岛四方机车车辆股份有限公司 | 一种城轨车辆及其客室车门故障诊断方法 |
| CN111797944A (zh) * | 2020-08-04 | 2020-10-20 | 上海仁童电子科技有限公司 | 一种车门异常诊断方法及装置 |
| CN113222140A (zh) * | 2021-05-10 | 2021-08-06 | 重庆邮电大学 | 一种基于c4.5算法和bp神经元的配电网故障辅助决策方法 |
| CN114594750A (zh) * | 2022-02-28 | 2022-06-07 | 杨少伟 | 一种基于故障树的高铁塞拉门故障诊断方法 |
| CN114594750B (zh) * | 2022-02-28 | 2024-05-31 | 杨少伟 | 一种基于故障树的高铁塞拉门故障诊断方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111046940A (zh) | 一种基于决策树与神经网络的车门故障诊断方法 | |
| CN110262463B (zh) | 一种基于深度学习的轨道交通站台门故障诊断系统 | |
| CN103163877B (zh) | 用于系统级故障的根本原因分析和质量监控的方法和系统 | |
| CN108569607B (zh) | 基于双向门控循环神经网络的电梯故障预警方法 | |
| CN102520697B (zh) | 一种远程协同诊断的现场信息预处理方法 | |
| CN112365066A (zh) | 电梯故障预测方法、系统、装置、计算机设备和存储介质 | |
| CN111829693B (zh) | 基于时间与空间维度的lstm模型的轴承温度检测方法及系统 | |
| CN104298881A (zh) | 一种基于贝叶斯网络模型的公交环境动态变化预报方法 | |
| CN110209999A (zh) | 一种车载设备故障趋势预测方法 | |
| CN110428109B (zh) | 地铁屏蔽门故障间隔时间预测模型建立及预测方法 | |
| CN112529341A (zh) | 一种基于朴素贝叶斯算法的钻井漏失机率预测方法 | |
| EP3511224A1 (en) | Dynamic analysis method of operating safety risks for a high-speed train operating control system | |
| CN113807678A (zh) | 站台安全门能效管理方法、装置、计算机设备和存储介质 | |
| CN104077483A (zh) | 城轨车辆部件故障模式和故障原因综合影响度的确定方法 | |
| CN109711635A (zh) | 一种基于车站能力保持的设备维修策略优化方法 | |
| CN114912678A (zh) | 电网调控异常操作在线自动检测预警方法及系统 | |
| CN111260823B (zh) | 基于i/o测点故障依赖矩阵的故障诊断方法 | |
| CN111797944A (zh) | 一种车门异常诊断方法及装置 | |
| CN112232553A (zh) | 一种基于贝叶斯网络的高铁列车晚点影响因素诊断方法 | |
| CN112232607B (zh) | 一种地铁客流量预测方法及装置 | |
| CN114510776A (zh) | 一种轨道车辆门系统亚健康诊断系统和方法 | |
| CN114492967A (zh) | 基于ceemdan和blstm组合模型的城轨车站客流预测方法和介质 | |
| Lv et al. | Safety Analysis of Metro Turnouts Based on Fuzzy FMECA | |
| CN114358539A (zh) | 一种基于风险的铁路运营安全判识方法 | |
| CN114463151A (zh) | 一种轨道车辆门系统亚健康诊断方法 |
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 | ||
| WW01 | Invention patent application withdrawn after publication | ||
| WW01 | Invention patent application withdrawn after publication |
Application publication date: 20200421 |