CN111351664B - 一种基于lstm模型的轴承温度预测和报警诊断方法 - Google Patents
一种基于lstm模型的轴承温度预测和报警诊断方法 Download PDFInfo
- Publication number
- CN111351664B CN111351664B CN202010091305.3A CN202010091305A CN111351664B CN 111351664 B CN111351664 B CN 111351664B CN 202010091305 A CN202010091305 A CN 202010091305A CN 111351664 B CN111351664 B CN 111351664B
- Authority
- CN
- China
- Prior art keywords
- temperature
- shaft
- axle
- data
- target
- 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
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M13/00—Testing of machine parts
- G01M13/04—Bearings
Abstract
本发明公开了一种基于LSTM模型的轴承温度预测和报警诊断方法;首先生成轴承温度预测模型,再根据实时监测温度获取模型输入数据,然后预测目标轴位温度数据;最后根据温度报警机制判断轴承运行状态,输出报警结果。本发明通过辅助轴位温度值进行目标轴位的温度预测,采用长短时记忆网络模型,避免了基于温度传感器的轴承故障报警系统在使用过程中会受到温度跳变和温度保持不变干扰,而出现误报和漏报,可以分析时间序列中的关联关系、预测时间序列数据的趋势,同时也克服了其他神经网络无法长时间预测的缺陷。可以更精准进行温度报警。
Description
技术领域
本发明涉及铁路运输安全监控以及列车故障检测技术领域,具体涉及一种基于LSTM递归神经网络模型的转向架滚动轴承温度预测以及温度报警机制研究。
背景技术
随着我国高速、重载铁路和城市轨道交通的快速发展,对轨道交通车辆运营和维护提出了挑战,而滚动轴承时是列车转向架关键部件之一,其运行状态直接影响列车的稳定性和安全性,因此突破高速列车关键部件健康状态监测和在线故障诊断技术,是保障高速列车安全高效运行的重要途径。若干公司研发的转向架滚动轴承故障监测系统中,均采用温度传感器采集轴承运行时的温度,并分别通过监测测点温度是否超过监测系统设定的阈值,判断对应滚动轴承是否出现故障,从而触发报警。
然而,温度传感器会因为电磁干扰出现温度跳变;温度传感器自身损坏或温度传感器与焊接部分松动而长时间保持不变。基于温度传感器的轴承故障报警系统在使用过程中会受到温度跳变和温度保持不变干扰,而出现误报和漏报。因此,为了提高轴承报警系统的准确性和稳定性,降低报警系统的错报率和误报率,迫切需要发明一种新的轴温监测技术。
发明内容
本发明所要解决的技术问题是:现有转向架故障诊断系统中出现的由于传感器损坏、电磁干扰等引起的误报以及减少机车大功率运行等正常轴温升高的温度报警问题,轴承报警系统的准确性和稳定性不够。
为解决上述技术问题。
本发明通过下述技术方案实现:
本发明提供一种基于LSTM模型的轴承温度预测和报警诊断方法,包括以下步骤:
S1、获取第i时刻下机车目标轴轴位的轴温、辅助轴轴位的轴温、目标轴和辅助轴的轴端环境温度、机车运行参数数据,;
S2、对S1获取的数据进行预处理得到第i时刻下的数据输入参数;
S3、先将预处理后的输入参数输入预测时间步长为n的轴温LSTM预测模型,该轴温LSTM预测模型是由历史轴温数据参数和对应时刻机车运行参数经LSTM模型搭建并训练得到;再将轴温LSTM预测模型输出结果进行反标准化处理后得到第i+n时刻下目标轴温的预测值;
S4、获取第i+n时刻下机车目标轴温的实测值;
S6、将第i+n时刻下目标轴轴位的轴温预测值和实测值间的差值与设定的警告阈值进行比较,输出警告结果。
所述机车运行参数包括:机车运行里程和速度。
现有的轴承异常检测方法对异常的诊断时间主要发生在行车过程。轴承异常检测主要是针对列车各个轴承的温度进行实时检测。各轴温度传输至机车控制单元,控制中心通过绝对温度、轴温度偏离等值的计算,然后与阈值进行比较。当判断轴温异常时,列车将减速或限速行驶,在特殊情况下,会进行紧急制动,以保障人车安全。这种方式的异常检出会对繁忙的列车线路造成大量延误,造成经济和效率损失。本方案所使用的轴温温度预测和温度报警诊断方法是通过采集的非目标轴但是与目标轴测点点位相同的同位轴轴温,以辅助轴同位轴温和目标轴轴温以及机车运行参数为基础来建立LSTM预测模型;模型通过辅助轴同位轴温值进行目标轴位的温度预测,可以通过其他辅助轴同位轴温值进行目标轴位轴温的理想温度预测,如果真实值大于预测出来的温度值,且差值超过设定的预警阈值,说明轴承现行运行状态和理想状态存在差异,那么就发出预警;进一步,如果真实值大于预测出来的温度值,且差值已超过设定的报警阈值,说明轴承现行运行状态和理想状态存在很大差异,已经故障,那么系统就发出报警。本发明通过融合时间和空间多维度输入数据进行模型训练,得到目标轴位的预测轴温,根据预测值与真实值之间的关系进行温度报警识别,改进温度报警机制,并且可以预测未来一定时间的温度数据。
进一步优选方案为,所述对获取的第i时刻下轴温数据和机车运行参数数据进行预处理包括:先对目标轴和辅助轴的轴温数据进行有效性判断;再提取第i时刻下数据输入参数并对输入参数进行标准化处理。
所述有效性判断方法为:在连续采集的温度数据中,两时间点间隔1s,若待测时间点温度高于或低于上一个时间点5度视为无效数据,若待测时间点温度高于或低于上一个时间点5度以内视为有效数据。
所述第i时刻下数据输入参数包括:辅助轴轴位的轴温、目标轴和辅助轴的轴端环境温度、机车运行参数、辅助轴与目标轴之间的最大同位温差、辅助轴与目标轴之间的最小同位温差。
所述对第i时刻下数据输入参数进行标准化处理,标准化方法使用z-score,其公式为:
x′=(x-μ)/σ
进一步优选方案为,辅助轴有若干组,所述辅助轴轴位与目标轴轴位的空间位置一致;例如某机车的转向架滚动轴目标轴轴位至少有6个点位可以选择:齿端轴箱位、齿端电机位、齿端报轴位、刷端报轴位、刷端电机位、刷端轴箱位;若目标轴的待测轴位选择齿端电机位,则辅助轴选择目标轴所在车厢的其他轴,轴位为齿端电机位。
进一步优选方案为,所述的一种轴承温度的预测和报警诊断方法,在第i+n时刻下,目标轴轴位的轴温预测值和实测值误差满足设定的预警阈值时,系统输出预警命令;在第i+n时刻下,目标轴轴位的轴温预测值和实测值误差满足设定的报警阈值时,系统输出报警命令。
本发明通过计算地面系统采集到的列车的轴温数据,并将计算得到的特征数据输入到预警模型中,得到预警结果。其中,该轴温LSTM预测模型是选取轴承发生故障时刻前一段时间的数据,并基于历史轴温数据建立的分级模型。将特征数据与轴温LSTM预测模型中的各阈值进行比对,可得到相应的预警结果。采用历史轴温数据作为轴温LSTM预测模型的建立基础,更贴近轴承的实际运行状况,提高轴温LSTM预测模型的准确性。基于轴承故障分级预警方式,能够有效利用列车的历史轴温数据,在出现轴承异常的早期进行预警,实现异常的早发现早处理,预防轴承故障的发生;同时,保障轴承状态正常,能够降低行车过程异常发生,保障正常行车,减少因为车辆轴承引发事故造成的线路拥堵。
本发明还提供一种获得轴温LSTM预测模型的方法,包括以下步骤:
A1、提取机车转向架历史数据中第u时刻下的目标轴轴位的轴温、辅助轴轴位的轴温、目标轴和辅助轴的轴端环境温度、机车运行参数(行驶里程和速度)数据;
A2、对A1提取的数据进行预处理得到历史第u时刻下的数据输入参数;
A3、提取历史数据第u+n时刻下目标轴轴位的轴温数据进行预处理后作为预测参数;
A4、将预处理后的第u时刻下的历史数据输入参数作为LSTM模型的输入数据、将预处理后的第u+n时刻下的预测参数作为LSTM模型的预测值,基于输入数据和预测值搭建并训练轴温预测的LSTM模型,得到预测时间步长为n的轴温LSTM预测模型。
进一步优选方案为,所述的一种获得轴温LSTM预测模型的方法,所述对获取的第u时刻下温度数据和机车运行参数数据进行预处理包括:先对目标轴轴位和辅助轴轴位的轴温数据进行有效性判断;再提取第u时刻下数据输入参数并对输入参数进行标准化处理。
进一步优选方案为,所述的一种获得轴温LSTM预测模型的方法,所述第u时刻下的历史数据输入参数包括:辅助轴轴位的轴温、目标轴和辅助轴的轴端环境温度、机车运行参数、辅助轴温与目标轴温最大同位温差、辅助轴温与目标轴温最小同位温差。
进一步优选方案为,所述的一种获得轴温LSTM预测模型的方法,所述轴温预测的LSTM模型搭建过程为:
(1)设置LSTM模型输入维度和预测时间步长n;
(2)设置LSTM模型优化器和学习速率;
(3)设置隐层神经节点数;
(4)设置迭代次数;
(5)不断调整参数,以模型损失查看模型收敛程度,选择高收敛参数,形成基于LSTM的轴温预测模型。
所述的一种获得轴温LSTM预测模型的方法,其特征在于,所述LSTM模型输入维度包括:辅助轴位的轴温、轴端环境温度、机车运行参数;所述LSTM模型输出维度为目标轴温预测数据。
长短时记忆网络(LSTM)是深度学习中能预测未知时长延时时间序列的深层网络模型,可以分析时间序列中的关联关系、预测时间序列数据的趋势,同时也克服了其他神经网络无法长时间预测的缺陷。在轨道交通领域,存在基于时间维度的轴温预测模型,而没有基于空间维度的温度预测模型。而基于空间维度的温度预测模型可以预测目标轴位理想状态下的温度,当预测值与真实值差异很大时,说明目标轴位轴承状态或所处环境发生异常(例如风机异常、润滑异常),可以更精准进行温度报警。本发明通过融合时间和空间多维度输入数据进行模型训练,得到目标轴位的预测轴温,根据预测值与真实值之间的关系进行温度报警识别,改进温度报警机制;可以有效解决现有转向架故障诊断系统中出现的由于传感器损坏、电磁干扰等引起的误报以及减少机车大功率运行等正常轴温升高的温度报警问题,同时提高温度报警精度。
本发明与现有技术相比,具有如下的优点和有益效果:
1、本发明提供一种基于LSTM模型的轴承温度预测和报警诊断方法;模型通过辅助位温度值进行目标位的温度预测,可以通过其辅助轴的同位温度值进行目标轴位的理想温度的预测,避免了基于温度传感器的轴承故障报警系统在使用过程中会受到温度跳变和温度保持不变干扰,而出现误报和漏报,可以更精准进行温度报警。
2、本发明一种基于LSTM模型的轴承温度预测和报警诊断方法,采用长短时记忆网络可以分析时间序列中的关联关系、预测时间序列数据的趋势,同时也克服了其他神经网络无法长时间预测的缺陷。
3、本发明一种基于LSTM模型的轴承温度预测和报警诊断方法,该模型融合时间和空间实现了多维度输入数据进行模型训练,预测结果准确性更高,并且可以预测未来一定时间内的温度数据。
附图说明
此处所说明的附图用来提供对本发明实施例的进一步理解,构成本申请的一部分,并不构成对本发明实施例的限定。
在附图中:
图1为本发明预测和报警诊断轴承温度的LSTM模型方法流程图。
图2为机车转向架滚动轴轴温测点点位分布示意图。
1-1位-齿端轴箱。2-2位-齿端电机,3-3位-齿端抱轴,4-4位:刷端抱轴,5-5位-刷端电机,6-6位-刷端轴箱。
图3为历史实验数据机车中4个轴5位的温度变化趋势曲线图。
图4为轴温LSTM模型损失率随学习时间步长变化趋势。
图5为轴温LSTM预测模型测试效果
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白,下面结合实施例和附图,对本发明作进一步的详细说明,本发明的示意性实施方式及其说明仅用于解释本发明,并不作为对本发明的限定。
本发明提供的一种基于LSTM模型的轴承温度预测和报警诊断方法包括以下步骤:
S1、获取第i时刻下机车目标轴轴位的轴温、辅助轴轴位的轴温、目标轴和辅助轴的轴端环境温度、机车运行参数数据,数据精度为秒;
S2、对S1获取的数据进行预处理得到第i时刻下的数据输入参数;
S3、先将预处理后的输入参数输入预测时间步长为n的轴温LSTM预测模型,该轴温LSTM预测模型是由历史轴温数据参数和对应时刻机车运行参数经LSTM模型搭建并训练得到;再将轴温LSTM预测模型输出结果进行反标准化处理后得到第i+n时刻下目标轴温的预测值;
S4、获取第i+n时刻下机车目标轴温的实测值;
S6、将第i+n时刻下目标轴轴位的轴温预测值和实测值间的差值与设定的警告阈值进行比较,输出警告结果。
所述机车运行参数包括:机车运行里程和速度。
所述对获取的第i时刻下轴温数据和机车运行参数数据进行预处理包括:先对目标轴和辅助轴的轴温数据进行有效性判断;再提取第i时刻下数据输入参数并对输入参数进行标准化处理。
所述有效性判断方法为:在连续采集的温度数据中,两时间点间隔1s,若待测时间点温度高于或低于上一个时间点5度视为无效数据,若待测时间点温度高于或低于上一个时间点5度以内视为有效数据。
所述第i时刻下数据输入参数包括:辅助轴轴位的轴温、目标轴和辅助轴的轴端环境温度、机车运行参数、辅助轴与目标轴之间的最大同位温差、辅助轴与目标轴之间的最小同位温差。
所述对第i时刻下数据输入参数进行标准化处理,标准化方法使用z-score,其公式为:
x′=(x-μ)/σ
所述辅助轴有若干组,所述辅助轴轴位与目标轴轴位的空间位置一致;例如某机车的转向架滚动轴目标轴轴位至少有6个点位可以选择:齿端轴箱位、齿端电机位、齿端报轴位、刷端报轴位、刷端电机位、刷端轴箱位;若目标轴的待测轴位选择齿端电机位,则辅助轴选择目标轴所在车厢的其他轴,轴位为齿端电机位。
在第i+n时刻下,目标轴轴位的轴温预测值和实测值误差满足设定的预警阈值时,系统输出预警命令;在第i+n时刻下,目标轴轴位的轴温预测值和实测值误差满足设定的报警阈值时,系统输出报警命令。
本发明提供的一种获得轴温LSTM预测模型的方法,包括以下步骤:
A1、提取机车转向架历史数据中第u时刻下的目标轴轴位的轴温、辅助轴轴位的轴温、目标轴和辅助轴的轴端环境温度、机车运行参数(行驶里程和速度)数据;
A2、对A1提取的数据进行预处理得到历史第u时刻下的数据输入参数;
A3、提取历史数据第u+n时刻下目标轴轴位的轴温数据进行预处理后作为预测参数;
A4、将预处理后的第u时刻下的历史数据输入参数作为LSTM模型的输入数据、将预处理后的第u+n时刻下的预测参数作为LSTM模型的预测值,基于输入数据和预测值搭建并训练轴温预测的LSTM模型,得到预测时间步长为n的轴温LSTM预测模型。
实施例
使用本发明提供的一种基于LSTM模型的轴承温度预测和报警诊断方法,如图1流程图所示,该方法包括步骤:
步骤1生成轴承温度预测模型;
步骤2根据实时监测温度获取模型输入数据;
步骤3预测目标轴位温度数据;
步骤4根据温度报警机制判断轴承运行状态,输出报警结果。
所述具体步骤如下:
1a)选取某机务段某车型机车走行部轴温监测数据,该车型机车每节共有4轴,每一个转向架轴承上共6个测点,各测点分布示意图见图2。本发明以1轴5位(1)温度数据为目标轴位进行轴温预测和温度报警识别,则该节机车中2轴5位(2)、3轴5位(3)、4轴5位(4)为辅助轴位。
1b)提取该机车1轴5位(1)、2轴5位(2)、3轴5位(3)、4轴5位(4)的轴温以及轴端环境温度历史数据,历史实验数据4个轴5位温度变化趋势曲线图如图3;对应时间的机车行驶里程和速度,对提取的数据进行预处理。数据时间包括从2018年1月1日至2019年4月1日机车轴温数据,时间粒度为秒,数据长度为1900000条。
1a)提取输入参数:提取上述有效的历史轴温数据,包括2轴5位(2)、3轴5位(3)、4轴5位(4)历史轴温数据,机车4个轴的环境温度数据以及机车运行速度与里程,辅助轴温与目标轴温最大同位温差、辅助轴温与目标轴温最小同位温差数据。
1b)提取预测参数:提取输入参数对应时间点1轴5位轴温数据,并向后平移10分钟后的温度数据作为轴温预测模型预测值。
1c)将处理后的输入参数输入LSTM模型,得到预测模型。图4表示不同学习步长下LSTM整体损失,从图3可以看出,当学习步长在100以上时,LSTM模型整体损失开始趋于稳定。当学习步长为130时整体损失最低,为0.06823。
2a)使用实时监测的温度数据提取模型输入数据:1轴5位轴温、2轴5位轴温、3轴5位轴温、4轴5位轴温、各轴端环境温度及对应时间的机车行驶里程和速度。
3a)将输入数据输入预测模型,将模型输出结果进行反z-score标准化处理,处理得到轴温预测值。
4a)温度报警判断:当真实温度大于预测温度5摄氏度,发出温度预警,当真实温度大于预测温度15摄氏度,发出温度报警。
模型通过辅助轴的同位温度值进行目标轴位的温度预测,可以通过其他轴的同位温度值进行目标轴位的理想温度预测,如果测量目标轴位温度的真实值大于通过模型预测出来的值,且差值超过设定的阈值,说明轴承现行运行状态和理想存在差异,那么系统就发出报警,可以更精准地对机车转向架滚动轴进行温度报警,并且可以预测目标轴位未来十分钟的温度数据。图5为模型模拟测试效果,从图中看又模型预测的轴温与实测的轴温数据误差比较小。
以上所述的具体实施方式,对本发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本发明的具体实施方式而已,并不用于限定本发明的保护范围,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (11)
1.一种基于LSTM模型的轴承温度预测和报警诊断方法,其特征在于,包括以下步骤:
S1、获取第i时刻下机车目标轴轴位的轴温、辅助轴轴位的轴温、目标轴和辅助轴的轴端环境温度、机车运行参数数据;
S2、对S1获取的数据进行预处理得到第i时刻下的数据输入参数;
S3、先将预处理后的输入参数输入预测时间步长为n的轴温LSTM预测模型,该轴温LSTM预测模型是由历史轴温数据参数和对应时刻机车运行参数经LSTM模型搭建并训练得到;再将轴温LSTM预测模型输出结果进行反标准化处理后得到第i+n时刻下目标轴温的预测值;
S4、获取第i+n时刻下机车目标轴温的实测值;
S5、将第i+n时刻下目标轴轴位的轴温预测值和实测值间的差值与设定的警告阈值进行比较,输出警告结果;
对获取的第i时刻下轴温数据和机车运行参数数据进行预处理包括:先对目标轴和辅助轴的轴温数据进行有效性判断;再提取第i时刻下数据输入参数并对输入参数进行标准化处理;
所述有效性判断为:在连续采集的温度数据中,两时间点间隔1s,若待测时间点温度高于或低于上一个时间点5摄氏度视为无效数据,若待测时间点温度高于或低于上一个时间点5摄氏度以内视为有效数据;
所述辅助轴有若干组,所述辅助轴轴位与目标轴轴位的空间位置一致。
2.根据权利要求1所述的一种基于LSTM模型的轴承温度预测和报警诊断方法,其特征在于,所述机车运行参数包括:机车运行里程和速度。
3.根据权利要求1所述的一种基于LSTM模型的轴承温度预测和报警诊断方法,其特征在于,所述第i时刻下数据输入参数包括:辅助轴轴位的轴温、目标轴和辅助轴的轴端环境温度、机车运行参数、辅助轴与目标轴之间的最大同位温差、辅助轴与目标轴之间的最小同位温差。
5.根据权利要求1所述的一种基于LSTM模型的轴承温度预测和报警诊断方法,其特征在于,某机车的转向架滚动轴目标轴轴位至少有6个点位选择:齿端轴箱位、齿端电机位、齿端报轴位、刷端报轴位、刷端电机位、刷端轴箱位;若目标轴的待测轴位选择齿端电机位,则辅助轴选择目标轴所在车厢的其他轴,轴位为齿端电机位。
6.根据权利要求1所述的一种基于LSTM模型的轴承温度预测和报警诊断方法,其特征在于,在第i+n时刻下,目标轴轴位的轴温预测值和实测值误差满足设定的预警阈值时,系统输出预警命令;在第i+n时刻下,目标轴轴位的轴温预测值和实测值误差满足设定的报警阈值时,系统输出报警命令。
7.一种获得轴温LSTM预测模型的方法,其特征在于,包括以下步骤:
A1、提取机车转向架历史数据中第u时刻下的目标轴轴位的轴温、辅助轴轴位的轴温、目标轴和辅助轴的轴端环境温度、机车运行参数数据;
A2、对A1提取的数据进行预处理得到历史第u时刻下的数据输入参数;
A3、提取历史数据第u+n时刻下目标轴轴位的轴温数据进行预处理后作为预测参数;
A4、将预处理后的第u时刻下的历史数据输入参数作为LSTM模型的输入数据、将预处理后的第u+n时刻下的预测参数作为LSTM模型的预测值,基于输入数据和预测值搭建并训练轴温预测的LSTM模型,得到预测时间步长为n的轴温LSTM预测模型。
8.根据权利要求7所述的一种获得轴温LSTM预测模型的方法,其特征在于,对获取的第u时刻下温度数据和机车运行参数数据进行预处理包括:先对目标轴轴位和辅助轴轴位的轴温数据进行有效性判断;再提取第u时刻下数据输入参数并对输入参数进行标准化处理。
9.根据权利要求7所述的一种获得轴温LSTM预测模型的方法,其特征在于,所述第u时刻下的历史数据输入参数包括:辅助轴轴位的轴温、目标轴和辅助轴的轴端环境温度、机车运行参数、辅助轴温与目标轴温最大同位温差、辅助轴温与目标轴温最小同位温差。
10.根据权利要求7所述的一种获得轴温LSTM预测模型的方法,其特征在于,所述轴温预测的LSTM模型搭建过程为:
(1)设置LSTM模型输入维度和预测时间步长n;
(2)设置LSTM模型优化器和学习速率;
(3)设置隐层神经节点数;
(4)设置迭代次数;
(5)不断调整参数,以模型损失查看模型收敛程度,选择高收敛参数,形成基于LSTM的轴温预测模型。
11.根据权利要求7所述的一种获得轴温LSTM预测模型的方法,其特征在于,所述LSTM模型输入维度包括:辅助轴位的轴温、轴端环境温度、机车运行参数;所述LSTM模型输出维度为目标轴温预测数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010091305.3A CN111351664B (zh) | 2020-02-13 | 2020-02-13 | 一种基于lstm模型的轴承温度预测和报警诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010091305.3A CN111351664B (zh) | 2020-02-13 | 2020-02-13 | 一种基于lstm模型的轴承温度预测和报警诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111351664A CN111351664A (zh) | 2020-06-30 |
CN111351664B true CN111351664B (zh) | 2022-02-01 |
Family
ID=71194099
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010091305.3A Active CN111351664B (zh) | 2020-02-13 | 2020-02-13 | 一种基于lstm模型的轴承温度预测和报警诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111351664B (zh) |
Families Citing this family (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111829693B (zh) * | 2020-07-30 | 2021-10-22 | 成都运达科技股份有限公司 | 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 |
CN112132267B (zh) * | 2020-09-24 | 2022-04-01 | 杭州市余杭区工大智能制造技术与装备研究院 | 一种基于lstm神经网络的体温快速预测方法 |
CN112304283A (zh) * | 2020-10-21 | 2021-02-02 | 国网福建省电力有限公司莆田供电公司 | 基于北斗和4g双模通信的杆塔状态智能监测终端及方法 |
CN112572522A (zh) * | 2020-11-10 | 2021-03-30 | 中车青岛四方机车车辆股份有限公司 | 车辆轴承的轴温故障的预警方法及装置 |
CN112532717A (zh) * | 2020-11-25 | 2021-03-19 | 四川易诚智讯科技有限公司 | 基于stm32单片机及长短时记忆网络的生产过程安全监控方法 |
CN114577364B (zh) * | 2020-12-01 | 2022-11-08 | 株洲中车时代电气股份有限公司 | 一种列车轴温传感器故障诊断方法、系统及装置 |
CN113008591B (zh) * | 2021-03-10 | 2021-12-17 | 山东大学 | 一种基于物联网的设备全生命周期监测方法及系统 |
CN113408739A (zh) * | 2021-05-28 | 2021-09-17 | 联合汽车电子有限公司 | 定子温度的监控方法、装置、设备和存储介质 |
CN114044022B (zh) * | 2021-10-28 | 2023-05-30 | 上海工程技术大学 | 一种轨道车辆轴箱温度零碳感知系统 |
CN114626627A (zh) * | 2022-03-28 | 2022-06-14 | 王大成 | 区域内碳排放的监测预警系统 |
CN115358281B (zh) * | 2022-10-21 | 2023-01-13 | 深圳市耐思特实业有限公司 | 一种基于机器学习的冷热一体机监测控制方法及系统 |
CN116090939B (zh) * | 2023-04-12 | 2023-06-23 | 山东民生集团有限公司 | 基于人工智能的供应链内问题产品识别跟踪方法 |
CN117232840A (zh) * | 2023-11-13 | 2023-12-15 | 山东省宇捷轴承制造有限公司 | 一种基于机器学习算法的轴承故障诊断方法及系统 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106815639A (zh) * | 2016-12-27 | 2017-06-09 | 东软集团股份有限公司 | 流数据的异常点检测方法及装置 |
CN108860211A (zh) * | 2018-05-25 | 2018-11-23 | 中车青岛四方机车车辆股份有限公司 | 一种基于轴温传感器的误报识别方法及装置 |
CN108510132A (zh) * | 2018-07-03 | 2018-09-07 | 华际科工(北京)卫星通信科技有限公司 | 一种基于lstm的海表面温度预测方法 |
CN108803576A (zh) * | 2018-07-24 | 2018-11-13 | 广东工业大学 | 一种温控系统的故障预警方法及相关装置 |
CN109883699A (zh) * | 2018-12-20 | 2019-06-14 | 上海理工大学 | 一种基于长短时记忆网络的滚动轴承剩余寿命预测方法 |
CN110210174A (zh) * | 2019-06-21 | 2019-09-06 | 西南交通大学 | 一种基于多层lstm的动车组轴箱轴承温度预测方法 |
CN110348536A (zh) * | 2019-07-18 | 2019-10-18 | 广州大学 | 数据智能预测方法、装置、计算机设备及存储介质 |
CN110501160B (zh) * | 2019-07-31 | 2021-07-02 | 中国神华能源股份有限公司神朔铁路分公司 | 列车轴承故障预警方法、装置、系统和存储介质 |
-
2020
- 2020-02-13 CN CN202010091305.3A patent/CN111351664B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN111351664A (zh) | 2020-06-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111351664B (zh) | 一种基于lstm模型的轴承温度预测和报警诊断方法 | |
Wang et al. | Real-time defect detection of high-speed train wheels by using Bayesian forecasting and dynamic model | |
CN110764493B (zh) | 一种适用于高速铁路的phm应用系统、方法及存储介质 | |
CN108569607B (zh) | 基于双向门控循环神经网络的电梯故障预警方法 | |
CN111207938B (zh) | 一种铁道车辆故障检测方法 | |
Wang et al. | A Bayesian network approach for condition monitoring of high-speed railway catenaries | |
CN105976578A (zh) | 一种基于监测数据的高速列车轴温动态报警阈值设定方法 | |
CN113283003B (zh) | 一种基于时空融合决策的高速列车轴温异常检测方法 | |
Galar et al. | Hybrid prognosis for railway health assessment: an information fusion approach for PHM deployment | |
CN114323671A (zh) | 借助人工智能方法基于对电驱动系统的组件的预测诊断来确定剩余使用寿命的方法和设备 | |
Ma et al. | A prediction method based on stepwise regression analysis for train axle temperature | |
CN110243598B (zh) | 列车轴承温度的处理方法、装置及存储介质 | |
CN112597581B (zh) | 一种基于时空融合决策的高速列车温度异常检测方法 | |
KR102169791B1 (ko) | 철도차량 주요부품 및 시스템 진단장치 | |
CN113610188B (zh) | 弓网接触力非区段异常识别方法及装置 | |
CN109141945B (zh) | 一种基于多方向重构的列车轴承故障诊断方法 | |
WO2020211846A1 (zh) | 一种基于安全树模型的电动车辆运维优化方法 | |
WO2020211844A1 (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 | |
CN112733446A (zh) | 一种数据驱动的自适应异常检测方法 | |
Mishra et al. | Bearing Life Prediction With Informed Hyperprior Distribution: A Bayesian Hierarchical and Machine Learning Approach | |
Lee et al. | Generative adversarial network-based missing data handling and remaining useful life estimation for smart train control and monitoring systems | |
CN115062867A (zh) | 基于Teager能量谱和改进型CNN模型的轴承故障预测方法 | |
Davari et al. | A fault detection framework based on lstm autoencoder: A case study for volvo bus data set | |
Liu et al. | Research of prognostics and health management for EMU | |
Miguelanez et al. | Fault diagnosis of a train door system based on semantic knowledge representation |
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 |