CN111538958B - 一种基于数据驱动的磁浮列车悬浮系统故障检测方法 - Google Patents
一种基于数据驱动的磁浮列车悬浮系统故障检测方法 Download PDFInfo
- Publication number
- CN111538958B CN111538958B CN202010319948.9A CN202010319948A CN111538958B CN 111538958 B CN111538958 B CN 111538958B CN 202010319948 A CN202010319948 A CN 202010319948A CN 111538958 B CN111538958 B CN 111538958B
- Authority
- CN
- China
- Prior art keywords
- data
- matrix
- representing
- fault detection
- suspension system
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M17/00—Testing of vehicles
- G01M17/08—Railway vehicles
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Mathematical Analysis (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Computational Mathematics (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- Complex Calculations (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明公开了一种基于数据驱动的磁浮列车悬浮系统故障检测方法,包括以下步骤:S1、利用悬浮系统数据辨识得到残差生成器;S2、根据悬浮系统正常工作下的数据训练得到与故障检测相关的统计特征量;S3、根据样本数据构建故障检测统计量进行故障检测。上述诊断方法不需要有系统模型的支撑,根据悬浮系统数据直接辨识出残差生成器,再依据输入数据与训练数据设置的阈值做比较就可以直接判断是否发生故障,降低了模型带来的不确定性,具有故障检测准确的优点。
Description
技术领域
本发明属于磁浮列车技术领域,具体涉及一种基于数据驱动的磁浮列车悬浮系统故障检测方法。
背景技术
随着磁悬浮列车的普及,悬浮系统的安全性和可靠性越来越受到关注。在磁浮列车运行过程中,一旦悬浮系统发生故障,列车将无法运行。如果能在悬浮系统故障发生时迅速检测出系统故障,将很大程度上避免事故发生。传统的故障诊断方法主要基于模型展开,但是其对模型准确性的要求较高。因此,如何在不需要有系统模型的支撑的情形下,就可以准确的检测悬浮系统故障,进而降低模型带来的不确定性,成了本领域技术人员亟需解决的问题。
发明内容
本发明的目的在于避免现有技术中的不足而提供一种基于数据驱动的磁浮列车悬浮系统故障检测方法,其无需事先获知系统数学模型,根据悬浮系统数据直接辨识出残差生成器,即可对系统是否发生故障进行判断。
本发明的目的通过以下技术方案实现:提供一种基于数据驱动的磁浮列车悬浮系统故障检测方法,包括以下步骤:
S1、利用悬浮系统数据辨识得到残差生成器;
S2、根据悬浮系统正常工作下的数据训练得到与故障检测相关的统计特征量;
S3、根据样本数据构建故障检测统计量进行故障检测。
作为进一步的改进,所述一种基于数据驱动的磁浮列车悬浮系统故障检测方法还包括步骤S0定义数据结构,具体表现为:
假定t(k)表示控制系统中的任意变量,可为输入变量或输出变量或状态变量或噪声或控制量或故障向量,定义:
式中,tk,s表示s行单位列向量,t(k)、t(k+1)和t(k+s-1)均表示单位列向量里面的元素;
tk(N)=[t'(k) t'(k+1) … t'(k+N-1)] (2)
式中,tk(N)表示N列单位行向量,t'(k)、t'(k+1)和t'(k+N-1)均表示单位行向量里面的元素;
式中,tk,s(N)表示s行N列向量,tk,s、tk+1,s、tk+N-1,s表示tk,s(N)里面的元素,tk(N)、tk+1(N)、tk+s-1(N)亦表示tk,s(N)里面的元素。
作为进一步的改进,所述步骤S1利用悬浮系统数据辨识得到残差生成器具体分为如下步骤:
S11、假定悬浮系统动态模型表示成如下离散线性时不变系统:
式中,x(k+1)表示(k+1)时刻的状态变量,x(k)表示状态变量,y(k)表示输出变量,u(k)表示控制量,f(k)表示故障向量,w(k)表示过程噪声,v(k)表示量测噪声,且x(k+1)、x(k)、y(k)、u(k)、f(k)、w(k)和v(k)均可通过公式(1)至(3)中任一种形式表达,A表示系统矩阵,B表示控制矩阵,C表示输出矩阵,D表示直接传递矩阵,Ef表示故障向量的发生方式,Ff表示故障向量的的发生位置,其中,w(k)与v(k)符合正态分布,并通过如下公式表达:
w(k)~N(0,∑w) (5)
式中,∑w表示系统噪声w(k)的方差;
v(k)~N(0,∑v) (6)
式中,∑v表示量测噪声v(k)的方差。
S12、依据公式(1)至(3)所示的数据结构,由公式(4)递推得到的悬浮系统输出数据与悬浮系统输入数据和状态数据之间的关系可以分别表示为:
yk,s=Γ(s)x(k)+Hu(s)uk,s+Hf(s)fk,s+Hw(s)wk,s+vk,s (7)
yk,s(N)=Γ(s)xk(N)+Hu(s)uk,s(N)+Hf(s)fk,s(N)+Hw(s)wk,s(N)+vk,s(N) (8)
式(7)和(8)中,yk,s、uk,s、fk,s、wk,s、vk,s分别是输出变量y(k)、控制量u(k)、故障向量f(k)、过程噪声w(k)、量测噪声v(k)按照数据结构定义中公式(1)构成的数据集合,yk,s(N)、uk,s(N)、fk,s(N)、wk,s(N)、vk,s(N)分别是输出变量y(k)、控制量u(k)、故障向量f(k)、过程噪声w(k)、量测噪声v(k)按照数据结构定义中公式(3)构成的数据集合,xk(N)为状态变量x(k)按照数据结构定义中公式(2)构成的数据集合,Γ(s)表示与状态变量相关的转移矩阵,Hu(s)表示与控制量相关的转移矩阵,Hf(s)表示与故障向量相关的转移矩阵,Hw(s)表示与过程噪声相关的转移矩阵,其中:
式中,Rsm×n表示sm行n列矩阵集合;
式中,Rsm×sl表示sm行sl列矩阵集合;
式中,Rsm×sn表示sm行sn列矩阵集合;
S13、当sm>n时,存在单位化矩阵Γ⊥(s)∈∈R(sm-n)×sm满足条件:
式中,(Γ⊥(s))T表示单位化矩阵Γ⊥(s)的转置矩阵;
S14、将公式(8)中输入输出数据归到等式一侧,并在等式两边同时左乘Γ(s)的正交矩阵Γ⊥(s),得到:
Γ⊥(s)(-Hu(s)uk,s(N)+yk,s(N))=Γ⊥(s)(Hf(s)fk,s(N)+Hw(s)wk,s(N)+vk,s(N)) (14)
S15、定义悬浮系统的稳定核为κs,用于表示近似关系辨识系统:
κs=[-Γ⊥(s)Hu(s)Γ⊥(s)] (15)
则系统输出与状态之间的关系可以表达:
S16、生成的残差生成器通过如下公式表达:
作为进一步的改进,步骤S16中残差生成器具体通过以下步骤实现:
(3)根据公式(19),得到如下公式(20),即符合残差产生公式:
作为进一步的改进,所述步骤S2根据悬浮系统正常工作下的数据训练得到与故障检测相关的统计特征量具体表现为:
S21、设定最新采样到的残差值测试数据为rt,设定通过步骤S1获取到N个m维残差值样本数据为r,且r通过如下公式表达:
r=[r1 r2 … rm] (24)
式中,σ1、σ2和σm分别表示第1、2、m个分量的样本数据标准差;
S23、分别计算样本数据的均值和方差:
式中,σi表示样本数据的方差;
S24、数据标准化,对样本数据进行正规化处理,得到样本数据的残差:
式中,I1,N=[1 1 … 1];
S25、通过如下公式计算样本数据的协方差矩阵:
式中,∑r表示样本数据的协方差矩阵。
作为进一步的改进,所述步骤S3根据样本数据构建故障检测统计量进行故障检测,具体表现为:
S31、利用样本数据的协方差矩阵构建故障检测统计量,表达式如下:
S32、在预设虚警率为α的情况下,设置检测阈值为Ta 2,且存在如下公式:
本发明提供的一种基于数据驱动的磁浮列车悬浮系统故障检测方法,主要通过三个步骤实现故障诊断:首先,利用悬浮系统数据辨识得到残差生成器;其次、根据悬浮系统正常工作下的数据训练得到与故障检测相关的统计特征量;最后、根据样本数据构建故障检测统计量进行故障检测。相比现有技术,上述诊断方法不需要有系统模型的支撑,根据悬浮系统数据直接辨识出残差生成器,再依据输入数据与训练数据设置的阈值做比较就可以直接判断是否发生故障,降低了模型带来的不确定性,具有故障检测准确的优点。
附图说明
利用附图对本发明作进一步说明,但附图中的实施例不构成对本发明的任何限制,对于本领域的普通技术人员,在不付出创造性劳动的前提下,还可以根据以下附图获得其它的附图。
图1是本发明一种基于数据驱动的磁浮列车悬浮系统故障检测方法的流程图。
具体实施方式
为了使本领域的技术人员更好地理解本发明的技术方案,下面结合附图和具体实施例对本发明作进一步详细的描述,需要说明的是,在不冲突的情况下,本申请的实施例及实施例中的特征可以相互组合。
图1是本发明一种基于数据驱动的磁浮列车悬浮系统故障检测方法的流程图。如图1所示,本发明实施例提供的一种基于数据驱动的磁浮列车悬浮系统故障检测方法,包括以下步骤:S1、利用悬浮系统数据辨识得到残差生成器;S2、根据悬浮系统正常工作下的数据训练得到与故障检测相关的统计特征量;S3、根据样本数据构建故障检测统计量进行故障检测。。
需要说明的是,为详细地对上述故障检测方法进行描述,首先,给出数据结构的定义:
假定t(k)表示控制系统中的任意变量,可为输入变量或输出变量或状态变量或噪声或控制量或故障向量,定义:
tk(N)=[t'(k) t'(k+1) … t'(k+N-1)] (2)
公式(1)至(3)中,k、s、N分别表示数据矩阵起点时刻、数据矩阵高度和数据矩阵宽度,且数据矩阵中数据序号按照沿高度、宽度增加的方向依次递增,tk,s表示s行单位列向量,t(k)、t(k+1)和t(k+s-1)均表示单位列向量里面的元素,tk(N)表示N列单位行向量,t'(k)、t'(k+1)和t'(k+N-1)均表示单位行向量里面的元素,tk,s(N)表示s行N列向量,tk,s、tk+1,s、tk+N-1,s表示tk,s(N)里面的元素,tk(N)、tk+1(N)、tk+s-1(N)亦表示tk,s(N)里面的元素。
考虑噪声及故障因素,作为进一步优选的实施方式,所述步骤S1利用悬浮系统数据辨识得到残差生成器具体分为如下步骤:
S11、假定悬浮系统动态模型表示成如下离散线性时不变系统:
式中,x(k+1)表示(k+1)时刻的状态变量,x(k)表示状态变量,y(k)表示输出变量,u(k)表示控制量,f(k)表示故障向量,w(k)表示过程噪声,v(k)表示量测噪声,且x(k+1)、x(k)、y(k)、u(k)、f(k)、w(k)和v(k)均可通过公式(1)至(3)中任一种形式表达,A表示系统矩阵,B表示控制矩阵,C表示输出矩阵,D表示直接传递矩阵,Ef表示故障向量的发生方式,Ff表示故障向量的的发生位置,其中,w(k)与v(k)符合正态分布,并通过如下公式表达:
w(k)~N(0,∑w) (5)
式中,∑w表示系统噪声w(k)的方差;
v(k)~N(0,∑v) (6)
式中,∑v表示量测噪声v(k)的方差;
需要说明的是,本步骤中x(k)∈Rn,y(k)∈Rm,u(k)∈Rl,w(k)∈Rn,v(k)∈Rm,A∈Rn×n,B∈Rn×l,C∈Rm×n,D∈Rn×l和/>其中Rn、Rm、Rl、/>分别表示n维、m维、l维以及nf维向量,Rn×n、Rn×l、Rm×n、/>分别表示n行n列矩阵集合、n行l列矩阵集合、m行n列矩阵集合、m行nf列矩阵集合;
S12、依据公式(1)至(3)所示的数据结构,由公式(4)递推得到的悬浮系统输出数据与悬浮系统输入数据和状态数据之间的关系可以分别表示为:
yk,s=Γ(s)x(k)+Hu(s)uk,s+Hf(s)fk,s+Hw(s)wk,s+vk,s (7)
yk,s(N)=Γ(s)xk(N)+Hu(s)uk,s(N)+Hf(s)fk,s(N)+Hw(s)wk,s(N)+vk,s(N) (8)
式(7)和(8)中,yk,s、uk,s、fk,s、wk,s、vk,s分别是输出变量y(k)、控制量u(k)、故障向量f(k)、过程噪声w(k)、量测噪声v(k)按照数据结构定义中公式(1)构成的数据集合,yk,s(N)、uk,s(N)、fk,s(N)、wk,s(N)、vk,s(N)分别是输出变量y(k)、控制量u(k)、故障向量f(k)、过程噪声w(k)、量测噪声v(k)按照数据结构定义中公式(3)构成的数据集合,xk(N)为状态变量x(k)按照数据结构定义中公式(2)构成的数据集合,Γ(s)表示与状态变量相关的转移矩阵,Hu(s)表示与控制量相关的转移矩阵,Hf(s)表示与故障向量相关的转移矩阵,Hw(s)表示与过程噪声相关的转移矩阵,其中:
式中,Rsm×n表示sm行n列矩阵集合;
式中,Rsm×sl表示sm行sl列矩阵集合;
式中,Rsm×sn表示sm行sn列矩阵集合;
S13、当sm>n时,存在单位化矩阵Γ⊥(s)∈∈R(sm-n)×sm满足条件:
式中,(Γ⊥(s))T表示单位化矩阵Γ⊥(s)的转置矩阵,需要说明的是,将由Γ⊥(s)中行向量张成的空间称为等价空间,称任意等价空间内向量为等价向量;
S14、将公式(8)中输入输出数据归到等式一侧,并在等式两边同时左乘Γ(s)的正交矩阵Γ⊥(s),得到:
Γ⊥(s)(-Hu(s)uk,s(N)+yk,s(N))=Γ⊥(s)(Hf(s)fk,s(N)+Hw(s)wk,s(N)+vk,s(N)) (14)
S15、定义悬浮系统的稳定核为κs,用于表示近似关系辨识系统:
κs=[-Γ⊥(s)Hu(s) Γ⊥(s)] (15)
则系统输出与状态之间的关系可以表达:
需要说明的是,由于在理想情况下:
同理可得到理想情况下:
因此,称矩阵[-Γ⊥(s)Hu(s) Γ⊥(s)]为系统的稳定核表示;
S16、生成的残差生成器通过如下公式表达:
进一步地,步骤S16具体通过以下步骤实现:
(3)根据公式(19),得到如下公式(20),即符合残差产生公式:
式中,U、V为酉矩阵,右上角的T表示转置,Λ是奇异值构成的对角矩阵,U1、U2是矩阵U的两个分量,Λ1、Λ2是矩阵Λ的两个分量,V1、V2是矩阵V的两个分量。
在进一步地的技术方案中,所述步骤S2根据悬浮系统正常工作下的数据训练得到与故障检测相关的统计特征量具体表现为:
S21、设定最新采样到的残差值测试数据为rt,设定通过步骤S1获取到N个m维残差值样本数据为r,且r通过如下公式表达:
r=[r1 r2 … rm] (24)
S22、样本数据的均值向量r和标准差矩阵σ分别通过如下公式表示:
S23、分别计算样本数据的均值和方差:
式中,σi表示样本数据的方差;
S24、数据标准化,对样本数据进行正规化处理,得到样本数据的残差:
式中,I1,N=[1 1 … 1];
S25、通过如下公式计算样本数据的协方差矩阵:
式中,∑r表示样本数据的协方差矩阵。
作为本发明优选实施例,所述步骤S3根据样本数据构建故障检测统计量进行故障检测,具体表现为:
S31、利用样本数据的协方差矩阵构建故障检测统计量,表达式如下:
S32、在预设虚警率为α的情况下,设置检测阈值为Ta 2,且存在如下公式:
总之,本发明无需事先获知系统数学模型,根据悬浮系统数据直接辨识出残差生成器,即可对悬浮系统是否发生故障进行判断,降低了模型带来的不确定性,具有故障检测准确的优点。
上面的描述中阐述了很多具体细节以便于充分理解本发明,但是,本发明还可以采用其他不同于在此描述的其他方式来实施,因此,不能理解为对本发明保护范围的限制。
总之,本发明虽然列举了上述优选实施方式,但是应该说明,虽然本领域的技术人员可以进行各种变化和改型,除非这样的变化和改型偏离了本发明的范围,否则都应该包括在本发明的保护范围内。
Claims (4)
1.一种基于数据驱动的磁浮列车悬浮系统故障检测方法,其特征在于,包括以下步骤:
S1、利用悬浮系统数据辨识得到残差生成器;
S2、根据悬浮系统正常工作下的数据训练得到与故障检测相关的统计特征量;
S3、根据样本数据构建故障检测统计量进行故障检测;
还包括步骤S0定义数据结构,具体表现为:
假定t(k)表示控制系统中的输入变量或输出变量或状态变量或噪声或控制量或故障向量,定义:
式中,k、s分别表示数据矩阵起点时刻和数据矩阵高度,tk,s表示s行单位列向量,t(k)、t(k+1)和t(k+s-1)均表示单位列向量里面的元素;
式中,N表示数据矩阵宽度,tk(N)表示N列单位行向量,t'(k)、t'(k+1)和t'(k+N-1)均表示单位行向量里面的元素;
式中,tk,s(N)表示s行N列向量,tk,s、tk+1,s、tk+N-1,s表示tk,s(N)里面的元素,tk(N)、tk+1(N)、tk+s-1(N)亦表示tk,s(N)里面的元素;
所述步骤S1利用悬浮系统数据辨识得到残差生成器具体分为如下步骤:
S11、假定悬浮系统动态模型表示成如下离散线性时不变系统:
式中,x(k+1)表示(k+1)时刻的状态变量,x(k)表示状态变量,y(k)表示输出变量,u(k)表示控制量,f(k)表示故障向量,w(k)表示过程噪声,v(k)表示量测噪声,且x(k+1)、x(k)、y(k)、u(k)、f(k)、w(k)和v(k)均可通过公式(1)至(3)中任一种形式表达,A表示系统矩阵,B表示控制矩阵,C表示输出矩阵,D表示直接传递矩阵,Ef表示故障向量的发生方式,Ff表示故障向量的的发生位置,其中,w(k)与v(k)符合正态分布,并通过如下公式表达:
w(k)~N(0,∑w) (5)
式中,Σw表示系统噪声w(k)的方差;
v(k)~N(0,Σv) (6)
式中,Σv表示量测噪声v(k)的方差;
S12、依据公式(1)至(3)所示的数据结构,由公式(4)递推得到的悬浮系统输出数据与悬浮系统输入数据和状态数据之间的关系可以分别表示为:
yk,s=Γ(s)x(k)+Hu(s)uk,s+Hf(s)fk,s+Hw(s)wk,s+vk,s (7)
yk,s(N)=Γ(s)xk(N)+Hu(s)uk,s(N)+Hf(s)fk,s(N)+Hw(s)wk,s(N)+vk,s(N) (8)
式(7)和(8)中,yk,s、uk,s、fk,s、wk,s、vk,s分别是输出变量y(k)、控制量u(k)、故障向量f(k)、过程噪声w(k)、量测噪声v(k)按照数据结构定义中公式(1)构成的数据集合,yk,s(N)、uk,s(N)、fk,s(N)、wk,s(N)、vk,s(N)分别是输出变量y(k)、控制量u(k)、故障向量f(k)、过程噪声w(k)、量测噪声v(k)按照数据结构定义中公式(3)构成的数据集合,xk(N)为状态变量x(k)按照数据结构定义中公式(2)构成的数据集合,Γ(s)表示与状态变量相关的转移矩阵,Hu(s)表示与控制量相关的转移矩阵,Hf(s)表示与故障向量相关的转移矩阵,Hw(s)表示与过程噪声相关的转移矩阵,其中:
式中,Rsm×n表示sm行n列矩阵集合;
式中,Rsm×sl表示sm行sl列矩阵集合;
式中,Rsm×sn表示sm行sn列矩阵集合;
S13、当sm>n时,存在单位化矩阵Γ⊥(s)∈R(sm-n)×sm满足条件:
式中,(Γ⊥(s))T表示单位化矩阵Γ⊥(s)的转置矩阵;
S14、将公式(8)中输入输出数据归到等式一侧,并在等式两边同时左乘Γ(s)的正交矩阵Γ⊥(s),得到:
Γ⊥(s)(-Hu(s)uk,s(N)+yk,s(N))=Γ⊥(s)(Hf(s)fk,s(N)+Hw(s)wk,s(N)+vk,s(N)) (14)
S15、定义悬浮系统的稳定核为κs,用于表示近似关系辨识系统:
κs=[-Γ⊥(s)Hu(s) Γ⊥(s)] (15)
则系统输出与状态之间的关系可以表达:
S16、生成的残差生成器通过如下公式表达:
3.根据权利要求2所述的基于数据驱动的磁浮列车悬浮系统故障检测方法,其特征在于,所述步骤S2根据悬浮系统正常工作下的数据训练得到与故障检测相关的统计特征量具体表现为:
S21、设定最新采样到的残差值测试数据为rt,设定通过步骤S1获取到N个m维残差值样本数据为r,且r通过如下公式表达:
r=[r1 r2 … rm] (24)
式中,σ1、σ2和σm分别表示第1、2、m个分量的样本数据标准差;
S23、分别计算样本数据的均值和方差:
式中,σi表示样本数据的方差;
S24、数据标准化,对样本数据进行正规化处理,得到样本数据的残差:
式中,I1,N=[1 1 … 1];
S25、通过如下公式计算样本数据的协方差矩阵:
式中,Σr表示样本数据的协方差矩阵。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010319948.9A CN111538958B (zh) | 2020-04-22 | 2020-04-22 | 一种基于数据驱动的磁浮列车悬浮系统故障检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010319948.9A CN111538958B (zh) | 2020-04-22 | 2020-04-22 | 一种基于数据驱动的磁浮列车悬浮系统故障检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111538958A CN111538958A (zh) | 2020-08-14 |
CN111538958B true CN111538958B (zh) | 2023-06-02 |
Family
ID=71979429
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010319948.9A Active CN111538958B (zh) | 2020-04-22 | 2020-04-22 | 一种基于数据驱动的磁浮列车悬浮系统故障检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111538958B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112306045B (zh) * | 2020-12-28 | 2021-07-02 | 西门子交通技术(北京)有限公司 | 列车自动控制系统的模糊测试方法和设备 |
CN112987579B (zh) * | 2021-05-13 | 2021-07-30 | 中国人民解放军国防科技大学 | 电磁悬浮控制系统中悬浮刚度的测量方法、系统及装置 |
CN113341721B (zh) * | 2021-06-17 | 2021-12-03 | 哈尔滨工业大学 | 面对含有未知扰动的工业系统的数据驱动鲁棒故障诊断方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103313046A (zh) * | 2012-03-06 | 2013-09-18 | 中兴通讯股份有限公司 | 一种残差的表示方法和熵编码输入装置 |
WO2016069522A1 (en) * | 2014-10-28 | 2016-05-06 | Carrier Corporation | Magnetic bearing fault-tolerant drive system |
CN109033719A (zh) * | 2018-09-12 | 2018-12-18 | 温州大学苍南研究院 | 一种风力涡轮机轴承故障诊断方法 |
CN109542080A (zh) * | 2018-10-16 | 2019-03-29 | 中国人民解放军国防科技大学 | 一种基于对偶空间变换的闭环控制系统故障检测方法 |
CN110187206A (zh) * | 2019-05-22 | 2019-08-30 | 中国人民解放军国防科技大学 | 一种复杂工况下非高斯过程的悬浮系统的故障检测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9964967B2 (en) * | 2012-02-28 | 2018-05-08 | Chevron U.S.A. Inc. | System and method for control performance monitoring |
-
2020
- 2020-04-22 CN CN202010319948.9A patent/CN111538958B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103313046A (zh) * | 2012-03-06 | 2013-09-18 | 中兴通讯股份有限公司 | 一种残差的表示方法和熵编码输入装置 |
WO2016069522A1 (en) * | 2014-10-28 | 2016-05-06 | Carrier Corporation | Magnetic bearing fault-tolerant drive system |
CN109033719A (zh) * | 2018-09-12 | 2018-12-18 | 温州大学苍南研究院 | 一种风力涡轮机轴承故障诊断方法 |
CN109542080A (zh) * | 2018-10-16 | 2019-03-29 | 中国人民解放军国防科技大学 | 一种基于对偶空间变换的闭环控制系统故障检测方法 |
CN110187206A (zh) * | 2019-05-22 | 2019-08-30 | 中国人民解放军国防科技大学 | 一种复杂工况下非高斯过程的悬浮系统的故障检测方法 |
Non-Patent Citations (1)
Title |
---|
Zhiqiang WANG,et al..Fault Analysis and Tolerant Control for High Speed PEMS Maglev Train End Joint Structure with Disturbance Rejection.Journal of Electrical Engineering& Technology.2019,第1357-1366页. * |
Also Published As
Publication number | Publication date |
---|---|
CN111538958A (zh) | 2020-08-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111538958B (zh) | 一种基于数据驱动的磁浮列车悬浮系统故障检测方法 | |
Gao et al. | Missing data recovery by exploiting low-dimensionality in power system synchrophasor measurements | |
McAleer et al. | Generalized autoregressive conditional correlation | |
US10650616B2 (en) | Fault diagnosis using distributed PCA architecture | |
AU2020103881A4 (en) | A Diagnosis Method of Train Body Assembly Deviation in the Manufacturing Process of High-Speed Train | |
CN111460392B (zh) | 一种磁悬浮列车及其列车的悬浮系统故障检测方法和系统 | |
CN112381351B (zh) | 一种基于奇异谱分析的用电行为变化检测方法及系统 | |
US20160300630A1 (en) | Method of synthesizing axial power distributions of nuclear reactor core using neural network circuit and in-core monitoring system (icoms) using the same | |
CN110568358A (zh) | 一种基于马尔科夫模型电机系统可靠性定量评估方法 | |
CN115840184B (zh) | 一种电压互感器运行误差分析方法、介质及终端 | |
CN114611409B (zh) | 一种配电终端异常检测模型的建立方法及装置 | |
CN105823801B (zh) | 一种基于深度信念网络特征提取的电子鼻漂移补偿方法 | |
CN117590311A (zh) | 一种基于m-lof算法的cvt异常通道检测方法、介质及终端 | |
CN113255775B (zh) | 一种电力系统异常数据的识别方法、装置和智能芯片 | |
CN115331081A (zh) | 图像目标检测方法与装置 | |
CN113050606A (zh) | 一种复杂非平稳过程的质量相关故障检测方法 | |
CN110222855B (zh) | 列车车轮退化数据的处理方法、装置及存储介质 | |
CN112491038B (zh) | 一种配电网设备寿命的概率分布估计方法及系统 | |
US20010011958A1 (en) | Method of compressing and reconstructing data using statistical analysis | |
CN115758284B (zh) | 基于融合核熵与信息增益的光伏热斑故障检测方法及系统 | |
CN111241632A (zh) | 基于随机矩阵理论和欧式距离的悬浮系统故障预诊方法 | |
CN111241633B (zh) | 基于主成分分析和双指数模型的斩波器剩余寿命预测方法 | |
CN112541554B (zh) | 基于时间约束的核稀疏表示的多模态过程监控方法及系统 | |
CN112364995B (zh) | 一种变压器故障率评估方法及系统、可读存储介质 | |
CN113495550B (zh) | 一种基于黎曼度量的航天器故障检测方法 |
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 |