CN111210604A - 基于轨道车运行事件关联模型的异常事件预警方法 - Google Patents
基于轨道车运行事件关联模型的异常事件预警方法 Download PDFInfo
- Publication number
- CN111210604A CN111210604A CN201911007960.XA CN201911007960A CN111210604A CN 111210604 A CN111210604 A CN 111210604A CN 201911007960 A CN201911007960 A CN 201911007960A CN 111210604 A CN111210604 A CN 111210604A
- Authority
- CN
- China
- Prior art keywords
- event
- abnormal
- early warning
- abnormal event
- events
- 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
Images
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B29/00—Checking or monitoring of signalling or alarm systems; Prevention or correction of operating errors, e.g. preventing unauthorised operation
- G08B29/18—Prevention or correction of operating errors
- G08B29/185—Signal analysis techniques for reducing or preventing false alarms or for enhancing the reliability of the system
- G08B29/188—Data fusion; cooperative systems, e.g. voting among different detectors
Landscapes
- Engineering & Computer Science (AREA)
- Computer Security & Cryptography (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Train Traffic Observation, Control, And Security (AREA)
Abstract
本发明公开了一种基于轨道车运行事件关联模型的异常事件预警方法,包括如下步骤:利用轨道车运行的历史事件数据,找出异常事件频发的路段;针对不同路段建立起基于事件相关规则的异常事件的预警模型;再将预警模型和实时事件数据结合,预测异常事件的发生概率,在线给驾驶员发出预警信息。本发明具有如下有益效果:基于轨道车运行事件数据输入预警模型,涉及的因素全面,包括司机操作、设备状态和机车信号,能够进行全方面的预警;本发明中不同异常事件频发路段使用不同的预警模型,避免一种模型不能适用全部路段的问题;本发明使用apriori关联挖掘算法找出异常事件和前置事件的关联规则,基于关联规则构建预警模型。
Description
技术领域
本发明涉及轨道车安全技术领域,尤其是涉及一种能够进行全面预警,不同路段使用不同的预警模型的基于轨道车运行事件关联模型的异常事件预警方法。
背景技术
轨道车行驶中产生各种事件,如超速、紧急制动、管压为零、轴温报警、公里标校正、公里标突变、机车信号变化、速度传感器异常、开机等,当中有常规的事件,如开机,也有异常的事件,如紧急制动,异常事件是轨道车驾驶过程中应尽量避免的。异常事件一般由驾驶员不规范操作、设备欠维护、特殊路段等因素造成。现有的异常事件预防方法有基于机器视觉的驾驶员疲劳检测方法,这种方法通过驾驶员眼睛朝向或者驾驶行为判断驾驶员是否处于疲劳状态,给处于疲劳状态的驾驶员发出预警,然而这种方法只考虑了驾驶员疲劳这一因素,预警因素单一,忽略了设备欠维护等因素。
发明内容
本发明为了克服现有技术中存在的预警因素单一的不足,提供了一种能够进行全面预警,不同路段使用不同的预警模型的基于轨道车运行事件关联模型的异常事件预警方法。
为了实现上述目的,本发明采用了以下技术方案:
一种基于轨道车运行事件关联模型的异常事件预警方法,包括如下步骤:
(1-1)基于轨道车的历史运行事件数据划分异常事件频发路段r1,r2,...,ri,...,rn;
(1-2)基于划分的异常事件频发路段构建各个路段的预警模型;
(1-3)获取当前时刻前T时间内的实时事件集;
(1-4)根据获取的当前时刻的实时事件集找出所属路段的预警模型,将实时事件集与预警模型中的异常事件集进行对比,如果存在相同异常事件集,向司机发出异常事件报警。
本发明利用轨道车运行的历史事件数据,找出异常事件频发的路段,针对不同路段建立起基于事件相关规则的异常事件的预警模型,再将预警模型和实时事件数据结合,预测异常事件的发生概率,在线给驾驶员发出预警信息。
作为优选,步骤(1-1)的具体步骤如下:
(2-1)收集轨道车的历史运行事件数据,轨道车运行事件用集合S1表示,一辆轨道车一次运行事件表示为{(e1,m1),(e2,m2),...,(ek,mk),...,(en,mn)},其中,ek表示第k个事件,是S1中的一个元素;mk表示第k个事件发生时的公里标;
(2-2)提取历史运行事件数据中的异常事件,异常事件用集合S2表示,一辆轨道车的历史异常数据表示为{(u1,m1),(u2,m2),...,(uk,mk),...,(un,mn)},中,uk表示第k个事件,是S2中的一个元素;mk表示第k个事件发生时的公里标;
(2-3)统计异常事件的路段分布,得到异常事件频发路段。
作为优选,步骤(2-3)的具体步骤如下:
(3-1)将轨道车运行线路按照w米进行切分,得到l1,l2,...,ln个线段,l1表示1米到w米的线路,l2表示w+1米到2w米的线路,…;
(3-2)统计各个线路的异常事件个数,表示为t1,t2,...,tn,t1表示线段l1的异常数据个数,t2表示线段l2的异常数据个数,…,tn表示线段ln的异常数据个数;
(3-3)如果连续的v个线段的事件个数总和大于a,连续的v个线段属于同一个异常事件频发路段ri,最终可得到异常事件频发路段r1,r2,...,ri,...,rn。
作为优选,步骤(1-2)的具体步骤如下:
(4-1)设置关联规则置信度的最大值Cth和异常事件出现频率指定值;
(4-2)提取构造第i个异常事件频发路段ri中第j种异常事件fij预警模型的数据集;异常事件fij的前T时间内的事件集表示为[Sij1,Sij2,...,Sijk,...,Sijn],其中Sijk={e1,e2,...,ek,...,en}为线路ri的异常事件fij的第k个前置事件集,ek表示第k个事件;
(4-3)基于提取的数据集,获取路段ri的异常事件预警模型Mi={Mi1,Mi2,...,Mik,...,Min},其中,Mik表示线路ri的第k种异常事件的预警模型;
(4-4)获取各个路段的预警模型M={M1,M2,...,Mk,...,Mn}。
作为优选,步骤(4-3)到步骤(4-4)的具体步骤如下:
(5-1)基于提取的数据集,使用apriori算法挖掘异常事件频发路段ri的异常事件fij前置事件集的频繁集及其关联规则置信度,得到异常事件fk的前置事件频繁集Fij1,Fij2,...,Fijk,...,Fijn,其中Fijk={e1,e2,...,ek,...,en}表示fij异常事件的第k个频繁集,其中,频繁集指异常事件出现频率高于指定值的集合;
(5-2)基于统计方法计算频繁集Fijk和异常事件fij的置信度,即出现Fijk事件后,出现fij事件的概率Cijk;
(5-3)将关联规则置信度大于Cth的关联规则放入预警模型,形成模型Mij={(Fij1,Cij1),(Fij2,Cij2),...,(Fijk,Cijk),...,(Fijn,Cijn)},其中,Cijk表示出现频繁集Fijk后出现fij事件的概率。
(5-4)依次对异常事件频发路段ri的不同事件执行步骤(5-1)到步骤(5-3),获取路段ri的异常事件预警模型Mi={Mi1,Mi2,...,Mik,...,Min},其中,Mik表示线路ri的第k种异常事件的预警模型;
(5-5)依次对各个异常事件频发路段r1,r2,...,ri,...,rn执行步骤(5-1)到步骤(5-4),获取各个路段的预警模型M={M1,M2,...,Mk,...,Mn}。
作为优选,轨道车运行事件包括公里标校正、公里标突变,机车信号变化,速度传感器异常,限速突降,超速,紧急制动,管压为零,轴温报警,加速度异常,过信号机,半自闭进站,溜坡控制,地面信号确认,引导进站和按警惕键。
因此,本发明具有如下有益效果:基于轨道车运行事件数据输入预警模型,涉及的因素全面,包括司机操作、设备状态和机车信号,能够进行全方面的预警;本发明基于多模型技术,不同异常事件频发路段使用不同的预警模型,避免一种模型不能适用全部路段的问题;本发明使用apriori关联挖掘算法找出异常事件和前置事件的关联规则,基于关联规则构建预警模型。
附图说明
图1是本发明的一种流程图;
图2是本发明的异常事件频发路段划分的一种流程图;
图3是本发明的预警模型构建的一种流程图。
具体实施方式
下面结合附图与具体实施方式对本发明做进一步描述:
如图1所示的实施例是一种基于轨道车运行事件关联模型的异常事件预警方法,包括如下步骤:
步骤100,如图2所示,基于轨道车的历史运行事件数据划分异常事件频发路段r1,r2,...,ri,...,rn;
步骤101,收集轨道车的历史运行事件数据,轨道车运行事件用集合S1表示,S1={公里标校正、公里标突变,机车信号变化,速度传感器异常,限速突降,超速,紧急制动,管压为零,轴温报警,加速度异常,过信号机,半自闭进站,溜坡控制,地面信号确认,引导进站,按警惕键};一辆轨道车一次运行事件表示为{(e1,m1),(e2,m2),...,(ek,mk),...,(en,mn)},其中,ek表示第k个事件,是S1中的一个元素;mk表示第k个事件发生时的公里标;
步骤102,提取历史运行事件数据中的异常事件,异常事件用集合S2表示,一辆轨道车的历史异常数据表示为{(u1,m1),(u2,m2),...,(uk,mk),...,(un,mn)},中,uk表示第k个事件,是S2中的一个元素;mk表示第k个事件发生时的公里标;
步骤103,将轨道车运行线路按照w米进行切分,得到l1,l2,...,ln个线段,l1表示1米到w米的线路,l2表示w+1米到2w米的线路,…;
步骤104,统计各个线路的异常事件个数,表示为t1,t2,...,tn,t1表示线段l1的异常数据个数,t2表示线段l2的异常数据个数,…,tn表示线段ln的异常数据个数;
步骤105,如果连续的v个线段的事件个数总和大于a,连续的v个线段属于同一个异常事件频发路段ri,最终可得到异常事件频发路段r1,t2,...,ri,...,rn;
步骤200,如图3所示,基于划分的异常事件频发路段构建各个路段的预警模型;
步骤201,设置关联规则置信度的最大值Cth和异常事件出现频率指定值;
步骤202,提取构造第i个异常事件频发路段ri中第j种异常事件fij预警模型的数据集;异常事件fij的前T时间内的事件集表示为[Sij1,Sij2,...,Sijk,...,Sijn],其中Sijk={e1,e2,...,ek,...,en}为线路ri的异常事件fij的第k个前置事件集,ek表示第k个事件;
步骤203,基于提取的数据集,使用apriori算法挖掘异常事件频发路段ri的异常事件fij前置事件集的频繁集及其关联规则置信度,得到异常事件fk的前置事件频繁集Fij1,Fij2,...,Fijk,...,Fijn,其中Fijk={e1,e2,...,ek,...,en}表示fij异常事件的第k个频繁集,其中,频繁集指异常事件出现频率高于指定值的集合;
步骤204,基于统计方法计算频繁集Fijk和异常事件fij的置信度,即出现Fijk事件后,出现fij事件的概率Cijk;
(5-3)将关联规则置信度大于Cth的关联规则放入预警模型,形成模型Mij={(Fij1,Cij1),(Fij2,Cij2),...,(Fijk,Cijk),...,(Fijn,Cijn)},其中,Cijk表示出现频繁集Fijk后出现fij事件的概率。
步骤206,依次对异常事件频发路段ri的不同事件执行步骤203到步骤205,获取路段ri的异常事件预警模型Mi={Mi1,Mi2,...,Mik,...,Min},其中,Mik表示线路ri的第k种异常事件的预警模型;
步骤207,依次对各个异常事件频发路段r1,r2,...,ri,...,rn执行步骤203到步骤206,获取各个路段的预警模型M={M1,M2,...,Mk,...,Mn};
步骤300,获取当前时刻前T时间内的实时事件集Sc={e1,e2,...,ek,...,en};
步骤400,根据获取的当前时刻的实时事件集找出所属路段的预警模型Mi,将实时事件集Sc与事件fij预警模型Mij中的Fijk事件集进行对比,如果存在相同异常事件集,有Cijk概率发生fij异常事件,向司机发出异常事件报警。
应理解,本实施例仅用于说明本发明而不用于限制本发明的范围。此外应理解,在阅读了本发明讲授的内容之后,本领域技术人员可以对本发明作各种改动或修改,这些等价形式同样落于本申请所附权利要求书所限定的范围。
Claims (6)
1.一种基于轨道车运行事件关联模型的异常事件预警方法,其特征在于,包括如下步骤:
(1-1)基于轨道车的历史运行事件数据划分异常事件频发路段r1,r2,...,ri,...,rn;
(1-2)基于划分的异常事件频发路段构建各个路段的预警模型;
(1-3)获取当前时刻前T时间内的实时事件集;
(1-4)根据获取的当前时刻的实时事件集找出所属路段的预警模型,将实时事件集与预警模型中的异常事件集进行对比,如果存在相同异常事件集,向司机发出异常事件报警。
2.根据权利要求1所述的基于轨道车运行事件关联模型的异常事件预警方法,其特征在于,步骤(1-1)的具体步骤如下:
(2-1)收集轨道车的历史运行事件数据,轨道车运行事件用集合S1表示,一辆轨道车一次运行事件表示为{(e1,m1),(e2,m2),...,(ek,mk),...,(en,mn)},其中,ek表示第k个事件,是S1中的一个元素;mk表示第k个事件发生时的公里标;
(2-2)提取历史运行事件数据中的异常事件,异常事件用集合S2表示,一辆轨道车的历史异常数据表示为{(u1,m1),(u2,m2),...,(uk,mk),...,(un,mn)},中,uk表示第k个事件,是S2中的一个元素;mk表示第k个事件发生时的公里标;
(2-3)统计异常事件的路段分布,得到异常事件频发路段。
3.根据权利要求2述的基于轨道车运行事件关联模型的异常事件预警方法,其特征在于,步骤(2-3)的具体步骤如下:
(3-1)将轨道车运行线路按照w米进行切分,得到l1,l2,...,ln个线段,l1表示1米到w米的线路,l2表示w+1米到2w米的线路,…;
(3-2)统计各个线路的异常事件个数,表示为t1,t2,...,tn,t1表示线段l1的异常数据个数,t2表示线段l2的异常数据个数,…,tn表示线段ln的异常数据个数;
(3-3)如果连续的v个线段的事件个数总和大于a,连续的v个线段属于同一个异常事件频发路段ri,最终可得到异常事件频发路段r1,r2,...,ri,...,rn。
4.根据权利要求1述的基于轨道车运行事件关联模型的异常事件预警方法,其特征在于,步骤(1-2)的具体步骤如下:
(4-1)设置关联规则置信度的最大值Cth和异常事件出现频率指定值;
(4-2)提取构造第i个异常事件频发路段ri中第j种异常事件fij预警模型的数据集;异常事件fij的前T时间内的事件集表示为[Sij1,Sij2,...,Sijk,...,Sijn],其中Sijk={e1,e2,...,ek,...,en}为线路ri的异常事件fij的第k个前置事件集,ek表示第k个事件;
(4-3)基于提取的数据集,获取路段ri的异常事件预警模型Mi={Mi1,Mi2,...,Mik,...,Min},其中,Mik表示线路ri的第k种异常事件的预警模型;
(4-4)获取各个路段的预警模型M={M1,M2,...,Mk,...,Mn}。
5.根据权利要求4所述的基于轨道车运行事件关联模型的异常事件预警方法,其特征在于,步骤(4-3)到步骤(4-4)的具体步骤如下:
(5-1)基于提取的数据集,使用apriori算法挖掘异常事件频发路段ri的异常事件fij前置事件集的频繁集及其关联规则置信度,得到异常事件fk的前置事件频繁集Fij1,Fij2,...,Fijk,...,Fijn,其中Fijk={e1,e2,...,ek,...,en}表示fij异常事件的第k个频繁集,其中,频繁集指异常事件出现频率高于指定值的集合;
(5-2)基于统计方法计算频繁集Fijk和异常事件fij的置信度,即出现Fijk事件后,出现fij事件的概率Cijk;
(5-3)将关联规则置信度大于Cth的关联规则放入预警模型,形成模型Mij={(Fij1,Cij1),(Fij2,Cij2),...,(Fijk,Cijk),...,(Fijn,Cijn)},其中,Cijk表示出现频繁集Fijk后出现fij事件的概率。
(5-4)依次对异常事件频发路段ri的不同事件执行步骤(5-1)到步骤(5-3),获取路段ri的异常事件预警模型Mi={Mi1,Mi2,...,Mik,...,Min},其中,Mik表示线路ri的第k种异常事件的预警模型;
(5-5)依次对各个异常事件频发路段r1,r2,...,ri,...,rn执行步骤(5-1)到步骤(5-4),获取各个路段的预警模型M={M1,M2,...,Mk,...,Mn}。
6.根据权利要求1或2或3或4或5所述的基于轨道车运行事件关联模型的异常事件预警方法,其特征在于,轨道车运行事件包括公里标校正、公里标突变,机车信号变化,速度传感器异常,限速突降,超速,紧急制动,管压为零,轴温报警,加速度异常,过信号机,半自闭进站,溜坡控制,地面信号确认,引导进站和按警惕键。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911007960.XA CN111210604B (zh) | 2019-10-22 | 2019-10-22 | 基于轨道车运行事件关联模型的异常事件预警方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911007960.XA CN111210604B (zh) | 2019-10-22 | 2019-10-22 | 基于轨道车运行事件关联模型的异常事件预警方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111210604A true CN111210604A (zh) | 2020-05-29 |
CN111210604B CN111210604B (zh) | 2021-06-15 |
Family
ID=70789536
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911007960.XA Active CN111210604B (zh) | 2019-10-22 | 2019-10-22 | 基于轨道车运行事件关联模型的异常事件预警方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111210604B (zh) |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101739818A (zh) * | 2009-11-19 | 2010-06-16 | 北京世纪高通科技有限公司 | 基于关联规则的道路交通事故数据挖掘方法及装置 |
CN106023586A (zh) * | 2015-03-28 | 2016-10-12 | 英特尔公司 | 用于检测车辆交通模式中的异常的技术 |
CN106485922A (zh) * | 2016-12-20 | 2017-03-08 | 东南大学 | 基于高精度交通流数据的二次交通事故预警方法 |
CN107845262A (zh) * | 2017-11-09 | 2018-03-27 | 山东浪潮云服务信息科技有限公司 | 一种交通事故预测方法和装置 |
CN108346288A (zh) * | 2018-02-12 | 2018-07-31 | 山东路科公路信息咨询有限公司 | 路段运行状态预警方法、装置及电子设备 |
CN109145170A (zh) * | 2018-06-27 | 2019-01-04 | 公安部道路交通安全研究中心 | 一种道路交通事故数据挖掘服务器、方法和系统 |
KR101960044B1 (ko) * | 2018-10-23 | 2019-03-20 | 대아티아이 (주) | 트러스트 존 기반의 에지 컴퓨팅 환경에서 열차 운행을 통제하는 현장 인터페이스 장치 및 제어방법 |
CN109641603A (zh) * | 2017-07-19 | 2019-04-16 | 株式会社东芝 | 异常检测装置、异常检测方法和计算机程序 |
CN109671264A (zh) * | 2017-10-13 | 2019-04-23 | 南京唯实科技有限公司 | 一种基于大数据的公路交通事故预警方法 |
CN109760718A (zh) * | 2017-11-09 | 2019-05-17 | 许昌许继软件技术有限公司 | 一种城市地铁告警集中处理方法 |
US20190185036A1 (en) * | 2013-05-17 | 2019-06-20 | International Electronic Machines Corporation | Operations Monitoring in an Area |
CN110264724A (zh) * | 2019-07-09 | 2019-09-20 | 哈尔滨工业大学 | 一种交互式高速公路交通事故预测方法 |
-
2019
- 2019-10-22 CN CN201911007960.XA patent/CN111210604B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101739818A (zh) * | 2009-11-19 | 2010-06-16 | 北京世纪高通科技有限公司 | 基于关联规则的道路交通事故数据挖掘方法及装置 |
US20190185036A1 (en) * | 2013-05-17 | 2019-06-20 | International Electronic Machines Corporation | Operations Monitoring in an Area |
CN106023586A (zh) * | 2015-03-28 | 2016-10-12 | 英特尔公司 | 用于检测车辆交通模式中的异常的技术 |
CN106485922A (zh) * | 2016-12-20 | 2017-03-08 | 东南大学 | 基于高精度交通流数据的二次交通事故预警方法 |
CN109641603A (zh) * | 2017-07-19 | 2019-04-16 | 株式会社东芝 | 异常检测装置、异常检测方法和计算机程序 |
CN109671264A (zh) * | 2017-10-13 | 2019-04-23 | 南京唯实科技有限公司 | 一种基于大数据的公路交通事故预警方法 |
CN107845262A (zh) * | 2017-11-09 | 2018-03-27 | 山东浪潮云服务信息科技有限公司 | 一种交通事故预测方法和装置 |
CN109760718A (zh) * | 2017-11-09 | 2019-05-17 | 许昌许继软件技术有限公司 | 一种城市地铁告警集中处理方法 |
CN108346288A (zh) * | 2018-02-12 | 2018-07-31 | 山东路科公路信息咨询有限公司 | 路段运行状态预警方法、装置及电子设备 |
CN109145170A (zh) * | 2018-06-27 | 2019-01-04 | 公安部道路交通安全研究中心 | 一种道路交通事故数据挖掘服务器、方法和系统 |
KR101960044B1 (ko) * | 2018-10-23 | 2019-03-20 | 대아티아이 (주) | 트러스트 존 기반의 에지 컴퓨팅 환경에서 열차 운행을 통제하는 현장 인터페이스 장치 및 제어방법 |
CN110264724A (zh) * | 2019-07-09 | 2019-09-20 | 哈尔滨工业大学 | 一种交互式高速公路交通事故预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111210604B (zh) | 2021-06-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104091070B (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 | |
EP1900597B1 (en) | Diagnostic system and method for monitoring a rail system | |
CN111114519B (zh) | 一种铁路车辆制动故障预测方法及健康管理系统 | |
CN110120153A (zh) | 一种公交驾驶事故风险评估系统及其方法 | |
CN104240499A (zh) | 一种基于微波数据的异常拥堵点判别方法 | |
CN106650157A (zh) | 车辆零部件故障发生概率估算方法、装置及系统 | |
AU2015264781A1 (en) | System for monitoring the operating conditions of a train | |
CN106976468A (zh) | 一种基于dwt和c‑svm的道岔故障诊断方法 | |
CN109272603A (zh) | 车辆故障分析数据库及构建方法、故障预测方法、故障预测系统 | |
CN112469613A (zh) | 用于对车辆、车辆组件和行车道进行诊断和监控的方法和设备 | |
CN117671818B (zh) | 一种车辆数据的管理系统 | |
CN116246229A (zh) | 一种基于车联网的骑行状态监控系统及方法 | |
WO2005015326A1 (en) | System for monitoring the working condition of an installation | |
CN111210604B (zh) | 基于轨道车运行事件关联模型的异常事件预警方法 | |
CN114953861A (zh) | 一种车辆的胎压监测系统 | |
CN108528475B (zh) | 一种基于多级融合的轨道高低不平顺故障报警方法 | |
CN110047167B (zh) | 车辆急转弯次数等效统计方法 | |
CN113032907A (zh) | 基于波形相关关系的晃车病害数据偏差纠正方法及系统 | |
CN110060370B (zh) | 车辆急加速急减速次数等效统计方法 | |
CN116562437A (zh) | 轨道电路补偿电容故障预测方法和装置 | |
CN116524698A (zh) | 一种基于人工智能的计算机设备故障预警系统及方法 | |
CN114582083B (zh) | 一种隧道监控多传感器数据融合火灾预警方法 | |
CN115081784A (zh) | 用于机车车轮的故障预测与健康管理系统 | |
Zhao et al. | CPDM: An efficient crowdsensing-based pothole detection and measurement system design | |
CN109823370B (zh) | 一种评判列车级失稳的方法及系统 |
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 | ||
CP01 | Change in the name or title of a patent holder | ||
CP01 | Change in the name or title of a patent holder |
Address after: 310013 5 floor, 10 building, 30 Wan Tang Road, Xihu District, Hangzhou, Zhejiang. Patentee after: Gaoxing Chuanglian Technology Co.,Ltd. Address before: 310013 5 floor, 10 building, 30 Wan Tang Road, Xihu District, Hangzhou, Zhejiang. Patentee before: GOSUNCN CHUANGLIAN TECHNOLOGY Co.,Ltd. |