CN111177939B - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN111177939B CN111177939B CN202010005981.4A CN202010005981A CN111177939B CN 111177939 B CN111177939 B CN 111177939B CN 202010005981 A CN202010005981 A CN 202010005981A CN 111177939 B CN111177939 B CN 111177939B
- Authority
- CN
- China
- Prior art keywords
- brake cylinder
- data
- pressure
- train
- deep learning
- 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
- 238000000034 method Methods 0.000 title claims abstract description 50
- 238000013135 deep learning Methods 0.000 title claims abstract description 22
- 238000012549 training Methods 0.000 claims abstract description 20
- 238000013136 deep learning model Methods 0.000 claims abstract description 19
- 230000008569 process Effects 0.000 claims abstract description 15
- 238000012795 verification Methods 0.000 claims abstract description 14
- 238000011156 evaluation Methods 0.000 claims abstract description 8
- 238000007781 pre-processing Methods 0.000 claims abstract description 4
- 230000006870 function Effects 0.000 claims description 11
- 230000007246 mechanism Effects 0.000 claims description 5
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 4
- 238000004140 cleaning Methods 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 230000000007 visual effect Effects 0.000 claims description 3
- 238000012423 maintenance Methods 0.000 description 9
- 238000012360 testing method Methods 0.000 description 6
- 230000004913 activation Effects 0.000 description 4
- 230000036541 health Effects 0.000 description 4
- 238000010276 construction Methods 0.000 description 3
- 230000011218 segmentation Effects 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000010998 test method Methods 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Images
Classifications
-
- 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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Tourism & Hospitality (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Valves And Accessory Devices For Braking Systems (AREA)
- Regulating Braking Force (AREA)
Abstract
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,包括步骤S1,通过列车系统传感器采集列车管和制动缸压力数据,并对数据进行预处理;步骤S2,对预处理后的列车管和制动缸压力数据按固定时间分段,并划分训练集和验证集;步骤S3,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;步骤S4,训练并保存模型;步骤S5,使用训练好的模型预测制动缸压力,进行制动过程的性能评估。本发明利用深度学习算法,根据列车管压力曲线计算出制动缸预期压力曲线,从而实现对制动过程和制动阀的性能评估。
Description
技术领域
本发明涉及列车空气制动系统压力预测领域,特别涉及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。
背景技术
列车空气制动系统作为行车安全的关键子系统,承担着保证列车安全、可靠停车的重要职能。目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,即只有“正常”、“故障”2种状态判断。而且,目前的列车空气制动系统的制动阀实施计划性检修,即维修周期根据车辆的走行公里和时间确定,存在着维修不足或维修过剩的现象,无法做到预测性维护。
故障预测与健康管理系统(PHM)是指利用传感器采集和分析系统运行状态数据,以提供先进的故障诊断和行为预测,进而能够预测未来的健康状况、问题的出现及需要的维修行为。随着物联网和人工智能技术的发展,建立PHM是列车空气制动系统维护的必然发展趋势。
在列车空气制动系统中,列车管压力提供制动所需的动力并同时传递制动控制信号,控制制动缸的压力输出。建模列车管压力和制动缸压力之间的关系是对列车空气制动系统运行状态分析、预测性维护和建立PHM的重要基础方法。但列车管压力和制动缸压力之间的关系非常复杂,涉及管路和腔体的几何形状、运动部件的惯性、摩擦力、空气流体力学特性,很难人工写出映射关系。传统的计算机物理建模方法存在过度抽象简化、实施难度大、精度不高的缺点。
综上所述,合适的制动缸压力预测方法,是对列车空气制动系统进行预测性维护、建立PHM的关键环节。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,实际制动机发生动作过程中,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,提出一种基于深度学习的列车空气制动系统制动缸压力预测方法,本发明利用深度学习算法,根据列车管压力曲线计算出制动缸预期压力曲线,从而实现对制动过程和制动阀的性能评估。
本发明采用的技术方案:
本发明基于深度学习的列车空气制动系统制动缸压力预测方法,实现过程如下:
步骤S1,通过列车系统传感器采集列车管和制动缸压力数据,并对数据进行预处理;
步骤S2,对预处理后的列车管和制动缸压力数据按固定时间分段,并划分训练集和验证集;
步骤S3,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;
步骤S4,训练并保存模型;
步骤S5,使用训练好的模型预测制动缸压力,进行制动过程的性能评估。
进一步的,步骤S1具体包括以下步骤:列车系统传感器采集到的列车管和制动缸压力数据,按1s的时间间隔采样,形成2个时间序列;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;整理后的列车管和制动缸压力数据分别记作PLt和PZt,t∈N,t为时间;根据专家规则和已有的迭代模型,删除明显不合常规的压力数据序列。1s的时间间隔在不同的实现中可以在0.1秒-2秒间微调。
进一步的,步骤S2具体包括以下步骤:对预处理后的列车管和制动缸压力数据按固定时间分段,分段的方法如下:
PLt从t0开始连续5s大于等于580,并且在t0之后的60s内的最小值小于560,则从t0开始连续取480s的PLt和PZt数据段作为一个样本;两个样本的开始时间至少间隔5s;PLt和PZt的单位为kPa,下同;单个样本时间序列长度480可以在300-1000间选择;
分段后的数据样本集合构成了制动压力数据集S,数据集S包括了海量的样本数据,每个样本数据结构为:
si=[xi,yi],i∈N
xi=[PL0,PL1,PL2,…PL479]
yi=[PZ0,PZ1,PZ2,…PZ479]
S=[s1,s2,…sn]
X=[x1,x2,…xn]
Y=[y1,y2,…yn]
将样本数据随机打乱后,划分为训练集和验证集,验证集的样本数目占总数样本数的10%;制动压力数据集S的构建不需要高成本的人工标注,列车系统传感器可以采集到海量的数据。
进一步的,步骤S3中具体包括以下步骤:
用列车管压力时间序列xi作为输入,用制动缸压力时间序列yi作为预期输出,构建深度学习模型。
构建深度学习模型的误差损失函数为均方误差函数,具体公式为:
构建的深度学习模型结构包括卷积层或者LSTM层或者GRU层。:输入层、BN层、1D卷积层1、LSTM层1、LSTM层2、1D卷积层2、Dense层、输出层。卷积层和Dense层使用ReLU激活换数,输出层使用线性激活函数。
步骤S4中,使用Adam算法或者其它基于梯度下降算法的优化算法训练深度学习模型,优化其权重参数,直到模型在验证集上的误差收敛到足够小,保存模型权重到model文件。优选的,使用Adam算法训练深度学习模型。
步骤S5中,使用训练好的模型,用任意给出的一段长度不限的列车管压力时间序列PL做为输入,可以得到相应的输出为预期制动缸压力时间序列PZ',从而实现对制动缸压力的预测。对于输入PL,使用训练好的模型得到输出PZ',传感器采集得到真实的制动缸压力时间序列记为PZ,通过比较PZ和PZ'曲线,以对制动过程或者车辆制动机构的性能进行直观的评估;通过评估函数比较PZ和PZ',可以对制动过程或者车辆制动机构的性能进行评估,评估函数为:
f(x)=x2或者f(x)=|x|
将PL、PZ、PZ'和score的时间序列绘制在同一张图上做可视化展示。
本发明的有益技术效果:
本发明基于深度学习的列车空气制动系统制动缸压力预测方法,利用深度学习算法,根据列车管压力曲线计算出制动缸预期压力曲线,从而实现对制动过程和制动阀的性能评估。与现有技术相比,本发明提供的制动缸压力预测方法,在故障发生前,就可以通过对比制动缸压力预测值和制动缸压力实测值提出预警。制动压力数据集的构建不需要高成本的人工标注,列车系统传感器可以采集到海量的数据,通过大量样本的训练,对于正常制动阀验证集,模型可以达到预测制动缸压力和实际制动缸压力平均误差小于5.3kPa的精度。
本发明基于深度学习的列车空气制动系统制动缸压力预测方法,训练数据获取成本低、预测精度高、应用范围广。能够广泛应用于列车空气制动系统的健康管理、寿命预测、故障分析、新型制动阀研发、试验台和单车、整列试验等领域。
附图说明
图1为本发明基于深度学习的列车空气制动系统制动缸压力预测方法流程图;
图2为本发明基于深度学习的列车空气制动系统制动缸压力预测方法深度学习模型结构示意图。
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
参见图1,本发明基于深度学习的列车空气制动系统制动缸压力预测方法,步骤如下:
步骤S1,通过列车系统传感器采集列车管和制动缸压力数据,并对数据进行预处理;
步骤S2,对预处理后的列车管和制动缸压力数据按固定时间分段,并划分训练集和验证集;
步骤S3,用列车管压力时间序列xi作为输入,用制动缸压力时间序列yi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;
步骤S4,训练并保存模型;
步骤S5,使用训练好的模型预测制动缸压力,进行评估和可视化展示。
实施例2
本实施例基于深度学习的列车空气制动系统制动缸压力预测方法,和实施例1的不同之处在于:进一步的,步骤S1中,对数据进行预处理的过程如下:
1)对列车系统传感器采集到的列车管和制动缸压力数据,按1s的时间间隔采样,形成2个时间序列;1s的时间间隔在不同的实现中可以在0.1秒-2秒间微调;
2)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;
3)整理后的列车管和制动缸压力数据分别记作PLt和PZt,t∈N;t为时间;根据专家规则和已有的迭代模型,删除明显不合常规的压力数据序列;
4)已完成预处理的数据保存到数据库压力记录表中,压力记录表包含制动阀编号、时间、PL、PZ、车次、组、顺位等字段,用于后继的训练和预测步骤。
实施例3
本实施例基于深度学习的列车空气制动系统制动缸压力预测方法,和实施例2的不同之处在于:进一步的,步骤S2中,对预处理后的列车管和制动缸压力数据按固定时间分段,分段的方法如下:
1)PLt从t0开始连续5s大于等于580,并且在t0之后的60s内的最小值小于560,则从t0开始连续取480s的PLt和PZt数据段作为一个样本;两个样本的开始时间至少间隔5s;PLt和PZt的单位为kPa;单个样本时间序列长度480可以在300-1000间选择;
按时间顺序扫描PL序列,完成分段,并将PL和PZ分段对应保存到数据csv文件中;
2)分段后的数据样本集合构成了制动压力数据集S,数据集S包括了海量的样本数据,每个样本数据结构为:si=[xi,yi]i∈N
si为一个数据样本,i为样本编号,xi为该样本的输入部分,是由480个时间点的列车管压力构成的时间序列;yi为该样本的输出部分,是由480个时间点的制动缸压力构成的时间序列;
xi=[PL0,PL1,PL2,…PL479]
yi=[PZ0,PZ1,PZ2,…PZ479]
S=[s1,s2,…sn]
X=[x1,x2,…xn]
Y=[y1,y2,…yn]
其中,S为所有数据样本的集合,X为所有样本输入数据的集合,Y为所有样本输出数据的集合,将样本数据随机打乱后,划分为训练集和验证集,验证集的样本数目占总数样本数的10%;3)对于不同型号的制动阀,分别构造数据集和训练模型;构造样本数据集时,应当包括不同车次、不同运行时段、不同制动阀的数据。
在训练成本约束的前提下,数据量应尽量加大。制动压力数据集S的构建不需要高成本的人工标注,列车系统传感器可以采集到海量的数据。
实施例4
本实施例基于深度学习的列车空气制动系统制动缸压力预测方法,和实施例3的不同之处在于:进一步的,步骤S3中,构建深度学习模型的误差损失函数为均方误差函数,具体公式为:
其中,L为损失值,n为样本个数,y为预期输出,y'为模型预测输出。
参见图2,构建的深度学习模型结构包括:输入层、BN层、1D卷积层1、LSTM层1、LSTM层2、1D卷积层2、Dense层、输出层;卷积层和Dense层使用ReLU激活换数,输出层使用线性激活函数;每一层的输出作为到下一层的输入;
1D卷积层1具体参数:filters=200,kernel_size=10,padding='same'
LSTM层1具体参数:units=200,return_sequences=True
LSTM层2具体参数:units=200,return_sequences=True
1D卷积层2具体参数:filters=20,kernel_size=10,padding='same'
Dense层具体参数:units=1
本实施例中的LSTM层可以替换为GRU层或者卷积层;LSTM层或者卷积层的重复次数可以在1-10层之间调整。
设置学习率lr=0.0005;然后,使用Adam算法或者其它基于梯度下降算法的优化算法训练深度学习模型,优化其权重参数,直到模型在验证集上的误差收敛到足够小,保存模型权重到model文件。
实施例5
本实施例基于深度学习的列车空气制动系统制动缸压力预测方法,和前述各实施例不同的是:步骤S5中,使用训练好的模型,用任意给出的一段长度不限的列车管压力时间序列PL作为输入,得到相应的输出为预期制动缸压力时间序列PZ',传感器采集得到真实的制动缸压力时间序列记为PZ,通过比较PZ和PZ',对制动过程或者车辆制动机构的性能进行评估,从而实现对制动缸压力的预测;
使用的评估函数为:
f(x)=x2或者f(x)=|x|
实施例6
本实施例基于深度学习的列车空气制动系统制动缸压力预测方法,和前述各实施例不同的是:步骤S5中将PL、PZ、PZ'和score的时间序列绘制在同一张图上做可视化展示。
以上为本发明较佳的实现方式。在不背离本发明精神及其实质的情况下,熟悉本领域的技术人员当可根据本发明做出各种相应的改变,都应属于本发明的保护范围。
Claims (4)
1.一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,实现过程包括:
步骤S1,通过列车系统传感器采集列车管和制动缸压力数据,并对数据进行预处理:
1)对列车系统传感器采集到的列车管和制动缸压力数据,按0.1~2s的时间间隔采样,形成2个时间序列;
2)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;
3)整理后的列车管和制动缸压力数据分别记作PLt和PZt,t∈N;t为时间,根据专家规则和已有的迭代模型,删除明显不合常规的压力数据序列;
步骤S2,对预处理后的列车管和制动缸压力数据按固定时间分段,并划分训练集和验证集;具体方法如下:
1)PLt从t0开始连续5s大于等于580,并且在t0之后的60s内的最小值小于560,则从t0开始连续取480s的PLt和PZt数据段作为一个样本;两个样本的开始时间至少间隔5s;PLt和PZt的单位为kPa;
2)分段后的数据样本集合构成了制动压力数据集S,数据集S包括了海量的样本数据,每个样本数据结构为:
si=[xi,yi]i∈N
其中,si为一个数据样本,i为样本编号,xi为该样本的输入部分,是由480个时间点的列车管压力构成的时间序列;yi为该样本的输出部分,是由480个时间点的制动缸压力构成的时间序列;单个样本时间序列长度480可以在300-1000间选择;
xi=[PL0,PL1,PL2,…PL479]
yi=[PZ0,PZ1,PZ2,…PZ479]
S=[s1,s2,…sn]
X=[x1,x2,…xn]
Y=[y1,y2,…yn]
其中,S为所有数据样本的集合,X为所有样本输入数据的集合,Y为所有样本输出数据的集合,将样本数据随机打乱后,划分为训练集和验证集,验证集的样本数目占总数样本数的10%;3)对于不同型号的制动阀,分别构造数据集和训练模型;构造样本数据集时,应当包括不同车次、不同运行时段、不同制动阀的数据;
步骤S3,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;
构建深度学习模型的误差损失函数为均方误差函数,具体公式为:
L为损失值,n为样本个数,y为预期输出,y′为模型预测输出;
步骤S4,训练并保存模型;
步骤S5,使用训练好的模型预测制动缸压力,进行制动过程的性能评估,用任意给出的一段长度不限的列车管压力时间序列PL作为输入,得到相应的输出为预期制动缸压力时间序列PZ′,从而实现对制动缸压力的预测;传感器采集得到真实的制动缸压力时间序列记为PZ,通过比较PZ和PZ′曲线,以对制动过程或者车辆制动机构的性能进行直观的评估;
f(x)=x2或者f(x)=|x|。
2.根据权利要求1所述的基于深度学习的列车空气制动系统制动缸压力预测方法,其特征在于:步骤S3中,构建的深度学习模型结构包含卷积层或者LSTM层或者GRU层。
3.根据权利要求1或2所述的基于深度学习的列车空气制动系统制动缸压力预测方法,其特征在于:步骤S4中,使用Adam算法或者基于梯度下降算法的优化算法训练深度学习模型,优化其权重参数,直到模型在验证集上的误差收敛到足够小,保存模型权重到model文件。
4.根据权利要求3所述的基于深度学习的列车空气制动系统制动缸压力预测方法,其特征在于:步骤S5中,将PL、PZ、PZ′和score的时间序列绘制在同一张图上做可视化展示。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010005981.4A CN111177939B (zh) | 2020-01-03 | 2020-01-03 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010005981.4A CN111177939B (zh) | 2020-01-03 | 2020-01-03 | 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 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111177939A CN111177939A (zh) | 2020-05-19 |
CN111177939B true CN111177939B (zh) | 2023-04-18 |
Family
ID=70652482
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010005981.4A Active CN111177939B (zh) | 2020-01-03 | 2020-01-03 | 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 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111177939B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN112124277B (zh) * | 2020-09-27 | 2021-11-16 | 中车唐山机车车辆有限公司 | 轨道车辆制动缸压力控制方法、装置及轨道车辆 |
CN113222187B (zh) * | 2021-04-15 | 2024-05-03 | 中通服咨询设计研究院有限公司 | 一种共享助力车刹车健康度智能监测方法 |
CN113238483B (zh) * | 2021-04-16 | 2023-05-23 | 北京航空航天大学 | 飞行器刹车控制方法、设备及存储器 |
CN113282011B (zh) * | 2021-04-25 | 2022-12-20 | 同济大学 | 应用于单编组列车制动智能化级联试验的预测模型构建和实施方法 |
CN113378296B (zh) * | 2021-06-04 | 2023-04-18 | 中南大学 | 列车电空复合制动系统的建模方法、系统及存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109783843A (zh) * | 2018-12-05 | 2019-05-21 | 交控科技股份有限公司 | 基于lstm的仿真系统车辆动力学模型速度预测方法 |
CN109829587A (zh) * | 2019-02-12 | 2019-05-31 | 国网山东省电力公司电力科学研究院 | 基于深度lstm网络的小区域级超短期负荷预测及可视化方法 |
CN109934130A (zh) * | 2019-02-28 | 2019-06-25 | 中国空间技术研究院 | 基于深度学习的卫星故障在轨实时故障诊断方法及系统 |
CN110033135A (zh) * | 2019-04-15 | 2019-07-19 | 北京交通大学 | 多变量时间序列特征加强的列车制动系统故障预测方法 |
CN110262491A (zh) * | 2019-06-25 | 2019-09-20 | 南京航空航天大学 | 一种基于混合学习方式的车辆制动意图预测的方法及系统 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
AUPR221900A0 (en) * | 2000-12-20 | 2001-01-25 | Central Queensland University | Vehicle dynamics prediction system and method |
US20180341876A1 (en) * | 2017-05-25 | 2018-11-29 | Hitachi, Ltd. | Deep learning network architecture optimization for uncertainty estimation in regression |
-
2020
- 2020-01-03 CN CN202010005981.4A patent/CN111177939B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109783843A (zh) * | 2018-12-05 | 2019-05-21 | 交控科技股份有限公司 | 基于lstm的仿真系统车辆动力学模型速度预测方法 |
CN109829587A (zh) * | 2019-02-12 | 2019-05-31 | 国网山东省电力公司电力科学研究院 | 基于深度lstm网络的小区域级超短期负荷预测及可视化方法 |
CN109934130A (zh) * | 2019-02-28 | 2019-06-25 | 中国空间技术研究院 | 基于深度学习的卫星故障在轨实时故障诊断方法及系统 |
CN110033135A (zh) * | 2019-04-15 | 2019-07-19 | 北京交通大学 | 多变量时间序列特征加强的列车制动系统故障预测方法 |
CN110262491A (zh) * | 2019-06-25 | 2019-09-20 | 南京航空航天大学 | 一种基于混合学习方式的车辆制动意图预测的方法及系统 |
Non-Patent Citations (2)
Title |
---|
王祥雪 ; 许伦辉 ; .基于深度学习的短时交通流预测研究.交通运输系统工程与信息.2018,(01),全文. * |
赵岩 ; 周俊冬 ; 任双双 ; .基于深度学习算法的粮堆温度预测研究.粮食科技与经济.2019,(11),全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN111177939A (zh) | 2020-05-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
CN111114519B (zh) | 一种铁路车辆制动故障预测方法及健康管理系统 | |
CN110376003B (zh) | 基于bim的智能列车整车服役寿命预测方法及其系统 | |
CN111274737A (zh) | 一种机械设备剩余使用寿命预测方法及系统 | |
CN109783843B (zh) | 基于lstm的仿真系统车辆动力学模型速度预测方法 | |
CN110361180B (zh) | 智能列车受电弓服役性能动态监测与评估方法及其系统 | |
CN107577910B (zh) | 一种基于深层次神经网络的车辆尾气浓度反演方法 | |
CN110826772A (zh) | 车辆尾气排放预测方法、装置、设备及存储介质 | |
CN114239377A (zh) | 一种城轨机电设备健康状态评估方法、系统及存储介质 | |
CN113743016B (zh) | 基于自编码器和回声状态网络的发动机剩余寿命预测方法 | |
JP7360218B2 (ja) | 列車車両用空気調和方法に用いる評価方法、装置、記憶媒体及びプログラム製品 | |
CN116541790B (zh) | 基于多特征融合的新能源车辆健康评估方法和装置 | |
Son et al. | Deep learning-based anomaly detection to classify inaccurate data and damaged condition of a cable-stayed bridge | |
CN111353640B (zh) | 一种组合法风速预测模型构建方法 | |
CN115324698B (zh) | 基于神经网络的柴油机尾气分析传感方法 | |
CN115371724A (zh) | 轨道状态评价方法及装置 | |
CN116881819A (zh) | 一种基于孤立森林的斜拉索工作状态监测方法 | |
CN114547795A (zh) | 一种基于数据驱动的滚动轴承剩余寿命预测方法 | |
KR20220078456A (ko) | 앙상블 지도 학습기반 공기청정기 필터 수명 예측 방법 | |
CN114723042B (zh) | 一种基于优化神经网络的桥梁损伤位置和损伤程度的识别方法 | |
CN116300812A (zh) | 轨道列车vobc健康诊断方法、系统、装置及存储介质 | |
CN106224067A (zh) | 一种基于数据驱动的汽车三元催化器的故障诊断方法 | |
CN111241629A (zh) | 基于数据驱动的飞机液压泵性能变化趋势智能预测方法 | |
CN112560252B (zh) | 一种航空发动机剩余寿命预测方法 | |
CN112990329A (zh) | 一种系统异常诊断方法和装置 |
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 |