CN111114519B - 一种铁路车辆制动故障预测方法及健康管理系统 - Google Patents
一种铁路车辆制动故障预测方法及健康管理系统 Download PDFInfo
- Publication number
- CN111114519B CN111114519B CN202010005460.9A CN202010005460A CN111114519B CN 111114519 B CN111114519 B CN 111114519B CN 202010005460 A CN202010005460 A CN 202010005460A CN 111114519 B CN111114519 B CN 111114519B
- Authority
- CN
- China
- Prior art keywords
- brake
- pressure
- performance
- action
- data
- 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.)
- Active
Links
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60T—VEHICLE BRAKE CONTROL SYSTEMS OR PARTS THEREOF; BRAKE CONTROL SYSTEMS OR PARTS THEREOF, IN GENERAL; ARRANGEMENT OF BRAKING ELEMENTS ON VEHICLES IN GENERAL; PORTABLE DEVICES FOR PREVENTING UNWANTED MOVEMENT OF VEHICLES; VEHICLE MODIFICATIONS TO FACILITATE COOLING OF BRAKES
- B60T17/00—Component parts, details, or accessories of power brake systems not covered by groups B60T8/00, B60T13/00 or B60T15/00, or presenting other characteristic features
- B60T17/18—Safety devices; Monitoring
- B60T17/22—Devices for monitoring or checking brake systems; Signal devices
- B60T17/228—Devices for monitoring or checking brake systems; Signal devices for railway vehicles
Landscapes
- Engineering & Computer Science (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Valves And Accessory Devices For Braking Systems (AREA)
Abstract
本发明涉及一种铁路车辆制动故障预测方法及健康管理系统。一种铁路车辆制动故障预测方法,采集列车管和制动缸压力数据,并对数据进行清洗整理;将数据按制动机动作状态分为制动、缓解、保压阶段;采用专家系统分析判定各阶段的作用性能,得到制动机动作过程性能分数和专家评估信息;运用深度学习算法根据列车管压力曲线计算出制动缸预期压力曲线,并与实际曲线进行比较,判定制动机动作过程的作用性能。一种铁路车辆制动故障预测及健康管理系统,包括制动数据预处理模块;作用性能分析模块:通过专家系统及AI两种方式结合后对制动机动作过程进行精准分析,判定制动机的作用性能;制动阀健康管理模块:当制动阀处于亚健康状况时提出预警。
Description
技术领域
本发明涉及列车制动故障预测技术,尤其是涉及一种铁路车辆制动故障预测方法及其健康管理系统。
背景技术
目前中国铁路客车、货车及160Km/h的动力集中动车组均采用自动空气制动机,空气压力既作为动力又作为控制信号。在车辆故障中,空气制动故障约占40%以上,主要表现为漏风、抱闸、不制动等故障。故障数量较大,对列车安全影响较大,因此有必要对车辆空气制动的健康状况进行研究。
由于制动机结构复杂,受温度、震动、磨损、润滑等因素的影响较多,制动规律不确定,加上没有制动数据的积累,因此国内外还没有对自动空气制动机进行设计、研发和应用故障预测和健康管理系统的先例。目前制动阀实行计划性检修,即制动阀根据车辆的运行里程和检修时间确定,走行公里为60±6万公里,距上次检修时间最长一年。一方面,只要到期必须检修,存在过度维修情况,维修成本高,另一方面,对有健康隐患的制动阀无法进行管理,无法产生预警。
当前常用的列车空气制动系统检验方法包括制动阀试验台、单车试验和列车试验,TCDS系统可以动态检测运行客车的制动系统压力,但这些方式无法实现故障的中间状态预警,诊断条件只能等故障影响到一定程度后才能发现故障,即只有“正常”、“故障”2 种状态判断。
现有方法通过比对同一列车中的相邻车辆的制动缸压力值来判断故障,或者根据同一列车中所有车辆的制动缸压力值均值和方差来判定故障,实际制动机动作过程中,空气波在列车管中传播过程存在延时和衰减,会造成同一列车各车辆的列车管压力和制动缸压力值是不同的,相邻车辆的比对只能粗略判定是否发生了故障,不能定量分析制动机动作过程,不能进行健康状况预测,不能用于单车试验。
发明内容
本发明针对现有技术不足,提出一种铁路车辆制动故障预测方法及健康管理系统,可以有效预测制动阀的健康状况,当制动阀处于亚健康状况时提出预警,从而避免严重制动故障的发生,提高制动阀运行期间的安全性能。
本发明采用的技术方案:
一种铁路车辆制动故障预测方法,实现步骤如下:
1)接收列车系统传感器采集到的列车管和制动缸压力数据,并对数据进行清洗整理,按时间顺序排序,删除重复的点,对缺失的点进行线性插值补齐;
2)根据列车管和制动缸压力变化特征,将数据按制动机动作状态分为制动、缓解、保压阶段;
3)将分段后的数据采用专家系统分析判定各阶段的作用性能,得到制动机动作过程性能分数和专家评估信息;
4)AI分析作用性能:运用深度学习算法根据列车管压力曲线计算出制动缸预期压力曲线,并与实际曲线进行比较,判定制动机动作过程的作用性能。
所述的铁路车辆制动故障预测方法,采用步骤3)、4)两种方式分析制动机的作用性能,进行综合的性能判定:对每次制动机动作过程进行打分,并按时间顺序综合历史动作过程得分计算每个制动阀的性能分数,对低于阈值的动作过程和制动阀性能分数进行故障预警判定。
采用专家系统分析判定各阶段的作用性能包括以下步骤:
1)根据制动阶段的列车管压力和制动缸压力时间序列,计算出制动响应时间、制动缸压力升压量、制动缸升压量与列车管减压量的比值,并根据计算结果和专家规则给出5分制作用性能分数和评估信息;
2)根据缓解阶段的列车管压力和制动缸压力时间序列,计算出缓解响应时间、制动缸压力下降量、制动缸压力下降速率,并根据计算结果和专家规则给出5分制作用性能分数和评估信息;
3)根据保压阶段的列车管压力和制动缸压力时间序列,计算出保压时间、保压阶段的制动缸漏泄量、保压阶段的制动缸漏泄速率,并根据计算结果和专家规则给出5分制作用性能分数和评估信息。
所述的铁路车辆制动故障预测方法,AI分析作用性能包括以下步骤:
1)用列车管压力时间序列作为输入,用制动缸压力时间序列作为预期输出,建立包含卷积层或者LSTM层或者GRU层的深度学习模型;
2)使用最小均方误差作为损失函数,使用Adam优化方法训练深度学习模型,收敛后保存模型;
3)使用保存的深度学习模型进行预测,得到任意一段列车管压力时间序列对应的预期制动缸压力时间序列;
4)比较预期制动缸压力时间序列和实际制动缸压力时间序列,计算平均误差,得到动作过程的AI作用性能分数。
一种铁路车辆制动故障预测及健康管理系统,包括如下模块:
M1制动数据预处理模块:接收列车系统传感器采集到的列车管和制动缸压力数据,并对数据进行清洗整理;
M2作用性能分析模块:通过专家系统及AI两种方式结合后对动作过程进行精准分析,判定制动机的作用性能,从而有效预测制动阀的健康状况;
M3制动阀健康管理模块:构建健康管理系统,当制动阀处于亚健康状况时提出预警。
所述制动数据预处理模块执行数据采集及整理的步骤如下:S11,接收列车系统传感器采集到的列车管和制动缸压力数据;S12,对数据进行清洗整理,按时间顺序排序,删除重复的点,对缺失的点进行线性插值补齐;S13,清洗整理后的数据保存到数据库。
所述作用性能分析模块执行制动机综合性能分析的过程如下:S21,数据分段:根据列车管压力变化特征,将数据按制动状态分为制动、缓解、保压分段;S22,分段后的数据分别交给相应的专家系统分析判定各阶段的作用性能,得到制动机动作过程性能分数和专家评估信息;S23,AI分析作用性能:运用深度学习算法根据列车管压力曲线计算出制动缸预期压力曲线,并与实际曲线进行比较,判定制动机的作用性能;S24,预警判定:综合S22和S23的性能判定,对每次制动机动作过程进行打分,并按时间顺序综合历史制动机动作过程得分计算每个制动阀的性能分数,对低于阈值的动作过程和制动阀性能分数产生预警信息,保存至数据库。
所述的铁路车辆制动故障预测及健康管理系统,所述制动阀健康管理模块是一个WEB服务程序,根据预警信息,向车辆管理部门提供制动阀健康管理服务页面,具体包括:
S31,基础数据管理模块,所述基础数据管理模块包括用户管理、维护单位管理、列车管理、制动阀管理、车辆管理等页面;
S32,概览模块,所述概览模块包括概览页面,内容有指定时间段内的在线车辆数、制动、保压、缓解总次数和预警事件次数、预警阀个数、已处理预警阀个数等信息,并进行表格和图形化展示;
S33,监控模块,所述监控模块包括以下页面:当前预警制动阀查询、制动阀健康状况查询、制动阀预警处理、传感器数据完整性情况列表;
S34,分析模块,所述分析模块包括以下页面:预警事件查询和人工验证标注、指定制动阀压力曲线、同列车多个制动阀压力曲线对比。
所述分析模块的制动阀压力曲线页面中,在一张图上,同时展示列车管压力曲线、制动缸压力曲线、AI预测制动缸压力曲线、专家评判作用性能分数、专家评判详细预警信息。
本发明的有益技术效果
1、本发明铁路车辆制动故障预测方法及健康管理系统,可以对管理范围内的车辆制动阀的综合健康状况进行精准分析并判定打分,可以有效预测制动阀的健康状况,当制动阀处于亚健康状况时提出预警,从而避免严重制动故障的发生,提高制动阀运行期间的安全性能。并可为铁路车辆制动阀检修的修程修制改革提供理论和实践依据。
2、本发明铁路车辆制动故障预测方法及健康管理系统,利用专家系统和深度学习算法结合的方式分析制动机各动作过程和制动机作用性能,可以根据对制动、缓解、保压阶段的作用性能进行专家系统打分并得到评估信息,可以运用深度学习算法根据列车管压力曲线计算出制动缸预期压力曲线,并与实际曲线进行比较,判定制动机各动作过程的作用性能。可以对制动阀的综合健康状况进行精准分析。
附图说明
图1为铁路车辆制动故障预测及健康管理系统总体流程图;
图2为作用性能分析模块流程图;
图3为制动阀健康管理模块结构图;
图4为系统构架示意图;
图5为压力可视化分析页面。
具体实施方式
下面通过具体实施方式,结合附图对本发明技术方案做进一步的详细描述。
实施例1
本发明铁路车辆制动故障预测方法,实现步骤如下:
1)接收列车系统传感器采集到的列车管和制动缸压力数据,并对数据进行清洗整理,按时间顺序排序,删除重复的点,对缺失的点进行线性插值补齐;
2)根据列车管和制动缸压力变化特征,将数据按制动状态分为制动、缓解、保压阶段;
3)将分段后的数据采用专家系统分析判定各阶段的作用性能,得到制动机动作过程性能分数和专家评估信息;
4)AI分析作用性能:运用深度学习算法根据列车管压力曲线计算出制动缸预期压力曲线,并与实际曲线进行比较,判定制动机动作过程的作用性能。
采用步骤3)、4)两种方式分析制动机的作用性能,进行综合的性能判定:对每次制动机动作过程进行打分,并按时间顺序综合历史动作过程得分计算每个制动阀的性能分数,对低于阈值的动作过程和制动阀性能分数进行故障预警判定。
实施例2
本实施例所述的铁路车辆制动故障预测方法,与实施例1不同的是:进一步的,采用专家系统分析判定各阶段的作用性能包括以下步骤:
1)根据制动阶段的列车管压力和制动缸压力时间序列,计算出制动响应时间、制动缸压力升压量、制动缸升压量与列车管减压量的比值,并根据计算结果和专家规则给出5分制作用性能分数和评估信息;
2)根据缓解阶段的列车管压力和制动缸压力时间序列,计算出缓解响应时间、制动缸压力下降量、制动缸压力下降速率,并根据计算结果和专家规则给出5分制作用性能分数和评估信息;
3)根据保压阶段的列车管压力和制动缸压力时间序列,计算出保压时间、保压阶段的制动缸漏泄量、保压阶段的制动缸漏泄速率,并根据计算结果和专家规则给出5分制作用性能分数和评估信息。
实施例3
本实施例的铁路车辆制动故障预测方法,与实施例1或实施例2不同的是,进一步的, AI分析作用性能的过程包括以下步骤:
1)用列车管压力时间序列作为输入,用制动缸压力时间序列作为预期输出,建立包含卷积层或者LSTM层或者GRU层的深度学习模型;
2)使用最小均方误差作为损失函数,使用Adam优化方法训练深度学习模型,收敛后保存模型;
3)使用保存的深度学习模型进行预测,得到任意一段列车管压力时间序列对应的预期制动缸压力时间序列;
4)比较预期制动缸压力时间序列和实际制动缸压力时间序列,计算平均误差,得到动作过程的AI作用性能分数。
实施例4
本实施例为铁路车辆制动故障预测及健康管理系统实施方式,如图1所示,本发明铁路车辆制动故障预测及健康管理系统,包括如下模块:
M1制动数据预处理模块:接收列车系统传感器采集到的列车管和制动缸压力数据,并对数据进行清洗整理;
M2作用性能分析模块:通过专家系统及AI两种方式结合后对制动机动作过程进行精准分析,判定制动机的作用性能,从而有效预测制动阀的健康状况;
如图4所示,作用性能分析模块部署在多个计算节点服务器上,并行进行性能分析计算;
M3制动阀健康管理模块:构建健康管理系统,当制动阀处于亚健康状况时提出预警。
实施例5
本实施例的铁路车辆制动故障预测及健康管理系统,与实施例4不同的是,进一步的,所述制动数据预处理模块执行数据采集及整理的步骤如下:
S11,列车系统传感器每秒种采集一次列车管和制动缸的压力数据,制动数据预处理模块接收列车系统传感器采集到的列车管和制动缸压力数据;
S12,对数据进行清洗整理,按时间顺序排序,删除重复的点,对缺失的点进行线性插值补齐;
S13,清洗整理后的数据保存到数据库。数据库使用mysql数据库系统,部署在数据库服务器上。对于可以判定为显然是正常缓解运行状态的压力数据,可以不保存。
实施例6
参见图1-图4,本实施例的铁路车辆制动故障预测及健康管理系统,与实施例5不同的是,如图2所示,所述作用性能分析模块执行制动机综合性能分析的过程如下:
S21,数据分段:根据列车管压力变化特征,将数据按制动状态分为制动、缓解、保压分段;
S22,专家系统分析作用性能:分段后的数据分别交给相应的专家系统分析判定各阶段的作用性能,计算列车管压力发生变化后制动缸动作滞后时间、制动缸压力变化和列车管压力变化的关系,从而分析可能存在的故障及健康状况,得到制动机动作过程性能分数和专家评估信息;专家系统判定各阶段的作用性能为5分制得分。制动机在每次发生动作时,系统都对发生符合条件的制动、缓解、保压状态进行累积评价,根据累积评价健康值分数判定制动机分别处于良好、亚健康、故障状态。
S23,AI分析作用性能:运用深度学习算法根据列车管压力曲线计算出制动缸预期压力曲线,并与实际曲线进行比较,判定制动机的作用性能;深度学习模型由卷积层、LSTM层、Dense层构成,输入为列车管压力时间序列,输出为制动缸压力时间序列,用正常的车辆制动系统产生的海量数据训练模型。
S24,预警判定:综合S22和S23的性能判定,对每次制动机动作过程进行打分,并按时间顺序综合历史动作过程得分计算每个制动阀的性能分数,对低于阈值的动作过程和制动阀性能分数产生预警信息,保存至数据库。
如图3所示,所述制动阀健康管理模块是一个WEB服务程序,可以根据预警信息,向车辆管理部门提供制动阀健康管理服务页面,具体包括:
S31,基础数据管理模块,所述基础数据管理模块包括用户管理、维护单位管理、列车管理、制动阀管理、车辆管理等页面;
S32,概览模块,所述概览模块包括概览页面,内容有指定时间段内的在线车辆数、制动、保压、缓解总次数和预警事件次数、预警阀个数、已处理预警阀个数等信息,并进行表格和图形化展示;通过概览模块,用户可以了解自己所属单位负责维修的制动阀的总体健康状况和变化趋势。
S33,监控模块,所述监控模块包括以下页面:当前预警制动阀查询、制动阀健康状况查询、制动阀预警处理、传感器数据完整性情况列表;通过监控模块,用户可以跟踪某个特定制动阀的健康状况和变化趋势。
S34,分析模块,所述分析模块包括以下页面:预警事件查询和人工验证标注、指定制动阀压力曲线、同列车多个制动阀压力曲线对比。用户选择特定的制动阀、指定任意时间段进行回放,可以查看预警事件过程的压力曲线和健康分析。
如图5所示,所述分析模块的制动阀压力曲线页面中,在一张图上,同时展示列车管压力曲线、制动缸压力曲线、AI预测制动缸压力曲线、专家评判作用性能分数、专家评判详细预警信息。同列车多个制动阀压力曲线绘制在一张图上便于进行比对分析。
实施例7
本实施例的铁路车辆制动故障预测及健康管理系统,与前述各实施例不同的是,进一步的,采用专家系统根据制动阶段的列车管压力和制动缸压力时间序列,计算出制动响应时间、制动缸压力升压量、制动缸升压量与列车管减压量的比值,并根据计算结果和专家规则给出5分制作用性能分数和评估信息;
专家系统子程序根据缓解阶段的列车管压力和制动缸压力时间序列,计算出缓解响应时间、制动缸压力下降量、制动缸压力下降速率,并根据计算结果和专家规则给出5分制作用性能分数和评估信息;
专家系统子程序根据保压阶段的列车管压力和制动缸压力时间序列,计算出保压时间、保压阶段的制动缸漏泄量、保压阶段的制动缸漏泄速率,并根据计算结果和专家规则给出5分制作用性能分数和评估信息;
相关评判规则和标准参考中国铁路总公司指定的《铁路客车空气制动装置检修规则》。
实施例8
本实施例的铁路车辆制动故障预测及健康管理系统,与前述各实施例不同的是,进一步的,采用AI作用性能分析程序用列车管压力时间序列作为输入,用制动缸压力时间序列作为预期输出,建立包含卷积层或者LSTM层或者GRU层的深度学习模型;
AI作用性能分析程序使用最小均方误差作为损失函数,使用Adam优化方法训练深度学习模型,收敛后保存模型;
AI作用性能分析程序使用保存的深度学习模型进行预测,得到任意一段列车管压力时间序列对应的预期制动缸压力时间序列;
AI作用性能分析程序比较预期制动缸压力时间序列和实际制动缸压力时间序列,计算平均误差,得到动作过程的AI作用性能分数。
制动机在每次发生动作时,系统都对发生符合条件的制动、缓解、保压过程进行累积评价,根据累积评价健康值分数判定制动机分别处于良好、亚健康、故障状态。
以上各实施例仅用于说明本发明,不应当构成对本发明专利要求保护范围的限定。可以预见,本领域技术人员在结合现有技术的情况下,实施情况可能产生种种变化。本领域普通技术人员对本发明的技术方案所做的其他修改或者等同替换,只要不脱离本发明技术方案的精神和范围,均应涵盖在本发明的权利要求范围当中。
Claims (7)
1.一种铁路车辆制动故障预测方法,实现步骤如下:
1)接收列车系统传感器采集到的列车管和制动缸压力数据,并对数据进行清洗整理,按时间顺序排序,删除重复的点,对缺失的点进行线性插值补齐;
2)根据列车管和制动缸压力变化特征,将数据按制动状态分为制动、缓解、保压阶段;
3)将分段后的数据采用专家系统分析判定各阶段的作用性能,得到制动机动作过程性能分数和专家评估信息;
采用专家系统分析判定各阶段的作用性能包括以下步骤:
(1)根据制动阶段的列车管压力和制动缸压力时间序列,计算出制动响应时间、制动缸压力升压量、制动缸升压量与列车管减压量的比值,并根据计算结果和专家规则给出5分制作用性能分数和评估信息;
(2)根据缓解阶段的列车管压力和制动缸压力时间序列,计算出缓解响应时间、制动缸压力下降量、制动缸压力下降速率,并根据计算结果和专家规则给出5分制作用性能分数和评估信息;
(3)根据保压阶段的列车管压力和制动缸压力时间序列,计算出保压时间、保压阶段的制动缸漏泄量、保压阶段的制动缸漏泄速率,并根据计算结果和专家规则给出5分制作用性能分数和评估信息;
4)AI分析作用性能:运用深度学习算法根据列车管压力曲线计算出制动缸预期压力曲线,并与实际曲线进行比较,判定制动机动作过程的作用性能;
采用AI分析作用性能的过程包括以下步骤:
(1)用列车管压力时间序列作为输入,用制动缸压力时间序列作为预期输出,建立包含卷积层或者LSTM层或者GRU层的深度学习模型;
(2)使用最小均方误差作为损失函数,使用Adam优化方法训练深度学习模型,收敛后保存模型;
(3)使用保存的深度学习模型进行预测,得到任意一段列车管压力时间序列对应的预期制动缸压力时间序列;
(4)比较预期制动缸压力时间序列和实际制动缸压力时间序列,计算平均误差,得到制动机动作过程的AI作用性能分数。
2.根据权利要求1所述的铁路车辆制动故障预测方法,其特征在于:采用步骤3)、4)两种方式分析制动机的作用性能,进行综合的性能判定:对每次制动机动作过程进行打分,并按时间顺序综合历史动作过程得分计算每个制动阀的当前性能分数,对低于阈值的动作过程和制动阀当前性能分数进行故障预警判定。
3.一种铁路车辆制动故障预测及健康管理系统,采用如权利要求1所述的铁路车辆制动故障预测方法,包括如下模块:
M1制动数据预处理模块:接收列车系统传感器采集到的列车管和制动缸压力数据,并对数据进行清洗整理;
M2作用性能分析模块:利用专家系统及AI两种方式结合后对动作过程进行精准分析,判定制动机的作用性能,从而有效预测制动阀的健康状况;
M3制动阀健康管理模块:构建健康管理系统,当制动阀处于亚健康状况时提出预警。
4.根据权利要求3所述的铁路车辆制动故障预测及健康管理系统,其特征在于:所述制动数据预处理模块执行数据采集及整理的步骤如下:
S11,接收列车系统传感器采集到的列车管和制动缸压力数据;
S12,对数据进行清洗整理,按时间顺序排序,删除重复的点,对缺失的点进行线性插值补齐;
S13,清洗整理后的数据保存到数据库。
5.根据权利要求3或4所述的铁路车辆制动故障预测及健康管理系统,其特征在于:所述作用性能分析模块执行制动机综合性能分析的过程如下:
S21,数据分段:根据列车管压力变化特征,将数据按制动状态分为制动、缓解、保压阶段;
S22,分段后的数据分别交给相应的专家系统分析判定各阶段的作用性能,得到制动机动作过程性能分数和专家评估信息;
S23,AI分析作用性能:运用深度学习算法根据列车管压力曲线计算出制动缸预期压力曲线,并与实际曲线进行比较,判定制动机的作用性能;
S24,预警判定:综合S22和S23的性能判定,对每次动作过程进行打分,并按时间顺序综合历史动作过程得分计算每个制动阀的性能分数,对低于阈值的动作过程和制动阀性能分数产生预警信息,保存至数据库。
6.根据权利要求5所述的铁路车辆制动故障预测及健康管理系统,其特征在于:所述制动阀健康管理模块是一个WEB服务程序,根据预警信息,向车辆管理和运用部门提供制动阀健康管理服务页面,具体包括:
S31,基础数据管理模块,所述基础数据管理模块包括用户管理、维护单位管理、列车管理、制动阀管理、车辆管理页面;
S32,概览模块,所述概览模块包括概览页面,内容有指定时间段内的在线车辆数、制动、保压、缓解总次数和预警事件次数、预警阀个数、已处理预警阀个数信息,并进行表格和图形化展示;
S33,监控模块,所述监控模块包括以下页面:当前预警制动阀查询、制动阀健康状况查询、制动阀预警处理、传感器数据完整性情况列表;
S34,分析模块,所述分析模块包括以下页面:预警事件查询和人工验证标注、指定制动阀压力曲线、同列车多个制动阀压力曲线对比。
7.根据权利要求6所述的铁路车辆制动故障预测及健康管理系统,其特征在于:所述分析模块的制动阀压力曲线页面中,在一张图上,同时展示列车管压力曲线、制动缸压力曲线、AI预测制动缸压力曲线、专家评判作用性能分数、专家评判详细预警信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010005460.9A CN111114519B (zh) | 2020-01-03 | 2020-01-03 | 一种铁路车辆制动故障预测方法及健康管理系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010005460.9A CN111114519B (zh) | 2020-01-03 | 2020-01-03 | 一种铁路车辆制动故障预测方法及健康管理系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111114519A CN111114519A (zh) | 2020-05-08 |
CN111114519B true CN111114519B (zh) | 2022-04-08 |
Family
ID=70507814
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010005460.9A Active CN111114519B (zh) | 2020-01-03 | 2020-01-03 | 一种铁路车辆制动故障预测方法及健康管理系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111114519B (zh) |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111873978B (zh) * | 2020-07-10 | 2021-11-12 | 中车齐齐哈尔车辆有限公司 | 列车管压力的监测方法和系统 |
CN112141069B (zh) * | 2020-09-10 | 2022-06-28 | 中车长春轨道客车股份有限公司 | 一种动车组用制动及供风系统的健康管理系统 |
CN112208506B (zh) * | 2020-09-23 | 2021-07-06 | 西南交通大学 | 用于铁路货车空气制动装置的智能故障检测方法 |
CN112304596B (zh) * | 2020-10-20 | 2023-01-24 | 神华铁路装备有限责任公司 | 机车单元制动器的检测设备及检测方法 |
CN114776742B (zh) * | 2022-04-27 | 2023-06-30 | 江西五十铃汽车有限公司 | 基于车联网平台的汽车刹车片的更换提醒方法及系统 |
CN115158271A (zh) * | 2022-05-24 | 2022-10-11 | 广州南科铁路器材有限公司 | 一种制动铁路机车车辆的方法 |
CN115837899B (zh) * | 2023-02-16 | 2023-05-16 | 华东交通大学 | 动车组制动系统的多模型自适应故障补偿控制方法及系统 |
CN116501027B (zh) * | 2023-06-29 | 2023-10-03 | 中南大学 | 分布式制动系统健康评估方法、系统、设备及存储介质 |
CN117114352B (zh) * | 2023-09-15 | 2024-04-09 | 北京阿帕科蓝科技有限公司 | 车辆维护方法、装置、计算机设备和存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104571073A (zh) * | 2013-10-24 | 2015-04-29 | 同济大学 | 针对列车制动系统的隐患和故障特征提取方法 |
CN105730431A (zh) * | 2016-01-29 | 2016-07-06 | 清华大学 | 动车组制动缸故障监测方法及故障监测系统 |
CN205524319U (zh) * | 2016-04-29 | 2016-08-31 | 中国铁道科学研究院 | 基于现场存盘数据的制动状态及报警回放装置 |
CN109814529A (zh) * | 2019-01-23 | 2019-05-28 | 北京博得交通设备有限公司 | 一种列车门故障预测与健康管理系统 |
CN110293949A (zh) * | 2019-06-06 | 2019-10-01 | 山东科技大学 | 一种高速列车空气制动系统微小故障检测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8781671B2 (en) * | 2005-06-09 | 2014-07-15 | New York Air Brake Corporation | On-board brake system diagnostic and reporting system |
-
2020
- 2020-01-03 CN CN202010005460.9A patent/CN111114519B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104571073A (zh) * | 2013-10-24 | 2015-04-29 | 同济大学 | 针对列车制动系统的隐患和故障特征提取方法 |
CN105730431A (zh) * | 2016-01-29 | 2016-07-06 | 清华大学 | 动车组制动缸故障监测方法及故障监测系统 |
CN205524319U (zh) * | 2016-04-29 | 2016-08-31 | 中国铁道科学研究院 | 基于现场存盘数据的制动状态及报警回放装置 |
CN109814529A (zh) * | 2019-01-23 | 2019-05-28 | 北京博得交通设备有限公司 | 一种列车门故障预测与健康管理系统 |
CN110293949A (zh) * | 2019-06-06 | 2019-10-01 | 山东科技大学 | 一种高速列车空气制动系统微小故障检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111114519A (zh) | 2020-05-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111114519B (zh) | 一种铁路车辆制动故障预测方法及健康管理系统 | |
CN110764493B (zh) | 一种适用于高速铁路的phm应用系统、方法及存储介质 | |
CN107991870B (zh) | 一种电扶梯设备的故障预警与寿命预测方法 | |
CN110208019B (zh) | 一种动设备状态监测动态阈值预警方法 | |
CN103617110B (zh) | 服务器设备状态检修系统 | |
CN111351664B (zh) | 一种基于lstm模型的轴承温度预测和报警诊断方法 | |
CN110376003B (zh) | 基于bim的智能列车整车服役寿命预测方法及其系统 | |
CN102520697B (zh) | 一种远程协同诊断的现场信息预处理方法 | |
WO2016029590A1 (zh) | 一种城轨列车转向架的故障预测与视情维修方法 | |
CN110658308B (zh) | 考虑共因失效的烟气在线监测系统安全可靠性评价方法 | |
CN111177939B (zh) | 一种基于深度学习的列车空气制动系统制动缸压力预测方法 | |
CN112036581B (zh) | 交通工具空调系统的性能检测方法及装置、存储介质、终端 | |
CN106600047A (zh) | 基于bp神经网络的动车组客室空调故障识别与预警方法 | |
CN113177650A (zh) | 一种铁路货车车厢的预测性维护方法及装置 | |
CN114004262A (zh) | 一种齿轮箱轴承故障检测方法及系统 | |
CN111353640B (zh) | 一种组合法风速预测模型构建方法 | |
CN114519923A (zh) | 一种电厂智能诊断预警方法和系统 | |
CN112303810A (zh) | 一种基于机器学习的空调健康预测方法 | |
CN112785010B (zh) | 一种轨道交通列车系统多部件动态维修策略优化方法 | |
CN112232553B (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 | |
CN110097219B (zh) | 一种基于安全树模型的电动车辆运维优化方法 | |
CN110084500B (zh) | 基于安全树概率和安全重要度的电动车辆安全控制方法和电动车辆 | |
Zeng et al. | Rail break prediction and cause analysis using imbalanced in-service train data | |
CN116300812A (zh) | 轨道列车vobc健康诊断方法、系统、装置及存储介质 | |
CN115545101A (zh) | 一种基于残差神经网络的高速列车转向架故障诊断方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |