CN111695201B - 一种基于数据的磁浮列车运行状态的监测方法 - Google Patents

一种基于数据的磁浮列车运行状态的监测方法 Download PDF

Info

Publication number
CN111695201B
CN111695201B CN202010527718.1A CN202010527718A CN111695201B CN 111695201 B CN111695201 B CN 111695201B CN 202010527718 A CN202010527718 A CN 202010527718A CN 111695201 B CN111695201 B CN 111695201B
Authority
CN
China
Prior art keywords
data
training
train
bogie
prediction model
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
Application number
CN202010527718.1A
Other languages
English (en)
Other versions
CN111695201A (zh
Inventor
余佩倡
马丹瑞
陈强
王连春
周丹峰
李�杰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
National University of Defense Technology
CRRC Tangshan Co Ltd
Original Assignee
National University of Defense Technology
CRRC Tangshan Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by National University of Defense Technology, CRRC Tangshan Co Ltd filed Critical National University of Defense Technology
Priority to CN202010527718.1A priority Critical patent/CN111695201B/zh
Publication of CN111695201A publication Critical patent/CN111695201A/zh
Application granted granted Critical
Publication of CN111695201B publication Critical patent/CN111695201B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/15—Vehicle, aircraft or watercraft design
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/20—Ensemble learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Geometry (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Computer Hardware Design (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Optimization (AREA)
  • Automation & Control Theory (AREA)
  • Pure & Applied Mathematics (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Train Traffic Observation, Control, And Security (AREA)

Abstract

本发明具体公开了一种基于数据的磁浮列车运行状态的监测方法，所述方法通过传感器采集磁浮列车运行过程中的数据并建立训练数据集，然后对训练数据集中的数据进行挖掘处理，再根据处理后的数据样本特征选择不同基学习器进行结合，建立单悬浮模块预测模型，同时将训练数据集中核心数据分别与磁浮列车车载网络上的转向架信息和整车信息进行组合，并分别利用卷积网络模型进行训练，得到转向架层次预测模型和整车层次预测模型，最后将磁浮列车运行状态的实时数据输入至不同层次的预测模型中，从而可得到磁浮列车中设备级、部件级和系统级的预测信息，实现了对磁浮列车中单悬浮模块、转向架和整车三个层次的监控，满足了对磁浮列车不同层次信息的需求。

Description

一种基于数据的磁浮列车运行状态的监测方法
技术领域
本发明涉及磁浮交通悬浮控制系统技术领域，尤其涉及一种基于数据的磁浮列车运行状态的监测方法。
背景技术
中低速磁浮列车是一种应用磁浮技术的现代化轨道交通工具。在磁浮列车运行过程中磁浮列车没有与轨道直接接触，克服了传统列车与轨道之间的摩擦损耗，进而可以减少运行成本，有效避免机械噪声。同时磁浮列车采用的是电磁牵引驱动系统、电磁导向系统和电磁悬浮系统，运行时不需要消耗燃油等化学燃料，对环境污染小。而且磁浮列车还具有爬坡能力强，舒适性高，轨道占用地相对较少等优势。
磁浮列车在运行的过程中由于轨道存在接缝故会出现梁振和轨振现象，从而导致磁浮列车的运行状态会出现一些异常。同时，在磁浮列车正常的运行过程中还有起车、落车、静止悬浮，以及行驶过程中过弯道、爬坡等多种运行状态。为了保证磁浮列车的安全运行和更好的状态控制，就需要对磁浮列车的单个悬浮模块、转向架以及整车运行状态进行信息提取和分析。目前，在国产的CMS系列中低速磁悬浮列车上，每一节磁浮列车车厢上有10台悬浮控制器。每个悬浮控制器有两个传感器模块可以测量间隙信息、电流信息和加速度信息，在磁浮列车运行的过程中可以得到大量的传感器数据，而且列车不同运行状态得到的传感器数据具有较明显的特征。鉴于此，本发明就是利用磁浮列车运行时传感器得到的数据进行数据挖掘分析处理，并通过分析不同悬浮模块和转向架的运行状态和工作情况，预测得到不同传感器数据下对应的列车运行状态，为磁浮列车的故障诊断和健康评判提供数据和信息支撑，从而保证悬浮系统达到更好的控制效果、实现列车的平稳运行和全寿命下的健康管理功能。
发明内容
本发明的目的是提供一种基于数据的磁浮列车运行状态的监测方法，所述方法通过分别建立悬浮模块预测模型、转向架层次预测模型和整车层次预测模型，实现了对磁浮列车运行状态中单悬浮模块、转向架和整车的有效监控，满足了对磁浮列车系统级、部件级和设备级不同层次信息的需求。
为解决上述技术问题，本发明提供一种基于数据的磁浮列车运行状态的监测方法，包括以下步骤：
S1、、采集磁浮列车运行过程中的数据并建立训练数据集；
S2、对所述训练数据集中的数据进行挖掘处理，获取磁浮列车的机器学习模型训练样本；
S3、利用Bagging集成学习法并根据机器学习模型训练样本中训练数据的特征选择不同核函数的支持向量机模型作为基学习器，并将所选择的不同基学习器进行结合建立悬浮模块预测模型；
S4、将步骤S1所建立的训练数据集中转向架的两个悬浮模块数据和磁浮列车中车载网络的所述转向架信息进行综合，并利用卷积网络模型进行训练，进而建立转向架层次预测模型；
S5、将步骤S1所建立的训练数据集中磁浮列车的所有悬浮模块数据和磁浮列车中车载网络的整车信息进行综合，并利用卷积网络模型进行训练，进而建立整车层次预测模型；
S6、将磁浮列车运行过程中所采集的悬浮模块数据分别输入悬浮模块预测模型、转向架层次预测模型和整车层次预测模型，即可获得每一个悬浮模块的状态信息以及转向架状态信息和整车状态信息，从而实现了磁浮列车运行状态的有效监控。
优选地，所述方法还包括步骤S7：将磁浮列车运行状态中所采集的新数据不断补充到所述训练数据集中形成新的训练数据集，然后对新的训练数据集中的数据进行挖掘处理，最后重复步骤S3～步骤S5，重新建立新的悬浮模块预测模型、转向架层次预测模型和整车层次预测模型以对磁浮列车进行有效监控。
优选地，所述步骤S1中训练数据集中的数据包括磁浮列车运行过程中的数据和matlab仿真模型中的数据，所述磁浮列车运行过程中的数据包括运行状态下的电压信号、状态信号和速度信号以及间隙传感器、电流传感器和加速度传感器所采集的数据；所述matlab仿真模型中的数据包括当在matlab仿真模型中磁浮列车运行状态下加入任意干扰和激励时的电压信号、状态信号和速度信号以及间隙传感器、电流传感器和加速度传感器所采集的数据。
优选地，所述步骤S2的具体实现方式包括：
S21、将训练数据集中的每一秒内传感器所采集的数据作为第一训练样本并进行运行状态类别标签的标定；
S22、对步骤S21中标定后的第一训练样本进行特征归一化处理，从而获取磁浮列车的机器学习模型训练样本。
优选地，所述步骤S2中，在传感器采集数据频率较低的情况下，机器学习模型训练样本包括训练数据集中的所有信号；在传感器采集频率较高的情况下，机器学习模型训练样本仅包括电流传感器、加速度传感器和间隙传感器所采集的数据。
优选地，所述步骤S3的具体实现方式包括：
S31、通过自主采样的方法选择步骤S2中机器学习模型训练样本中不相关但有交叠的训练数据；
S32、利用Bagging集成学习法并根据步骤S31所选择的训练数据选择不同核函数的支持向量机模型作为基学习器；
S33、设定权值并通过加权投票的方法对步骤S32中不同基学习器进行组合，从而完成单个悬浮模块预测模型的建立。
优选地，所述步骤S4的具体实现方式包括：
S41、从步骤S1的所述训练数据集中提取转向架的两个悬浮模块数据并作为第二训练样本；
S42、将磁浮列车车载网络中的所述转向架信息提取出来并加入至第二训练样本内进行组合构成第三训练样本；
S43、利用卷积网络模型对步骤S42中的第三训练样本进行训练，从而完成转向架层次预测模型的建立。
优选地，所述步骤S5的具体实现方式包括：
S51、从步骤S1的所述训练数据集中提取十个悬浮模块数据并作为第四训练样本；
S52、将磁浮列车车载网络中的整车信息提取出来并加入至第四训练样本内进行组合构成第五训练样本；
S53、利用卷积网络模型对步骤S52中的第五训练样本进行训练，从而完成整车层次预测模型的建立。
优选地，所述步骤S6中通过监控界面实现磁浮列车运行状态的有效监控，所述监控界面与悬浮模块通过现场总线进行连接，并利用网络协议接收悬浮模块中间隙传感器、电流传感器和加速度传感器所采集的实时数据。
与现有技术比较，本发明通过对磁浮列车运行状态的悬浮数据进行挖掘处理，并利用Bagging集成学习法、支持向量机模型和卷积网络模型等方法的结合建立了悬浮模块预测模型、转向架层次预测模型和整车层次预测模型，从而实现了对磁浮列车运行状态中单悬浮模块、转向架和整车的有效监控，满足了对磁浮列车系统级、部件级和设备级不同层次信息的需求。本发明只需要将现有悬浮控制系统已有的信息进行整合，并不需要增加其它传感器设备，具有监控效率佳和成本低的特点。
附图说明
图1是本发明一种基于数据的磁浮列车运行状态的监测方法的流程图，
图2是本发明中获取磁浮列车机器学习模型训练样本的方法流程图，
图3是本发明中建立悬浮模块预测模型的方法流程图，
图4是本发明中建立转向架层次预测模型的方法流程图，
图5是本发明中建立整车层次预测模型的方法示意图，
图6是本发明中磁浮列车的结构框图，
图7是本发明监控界面中磁浮列车运行状态预测结果示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明的技术方案，下面结合附图对本发明作进一步的详细说明。
如图1、图6所示，本发明的目的是提供一种基于数据的磁浮列车运行状态的监测方法，所述方法包括以下步骤：
S1、采集磁浮列车运行过程中的数据并建立训练数据集；
S2、对所述训练数据集中的数据进行挖掘处理，获取磁浮列车的机器学习模型训练样本；
S3、利用Bagging(Bootstrap aggregating，引导聚集)集成学习法并根据机器学习模型训练样本中训练数据的特征选择不同核函数的支持向量机模型作为基学习器，并将所选择的不同基学习器进行结合建立悬浮模块预测模型；
S4、将步骤S1所建立的训练数据集中转向架的两个悬浮模块数据和磁浮列车中车载网络的所述转向架信息进行综合，并利用卷积网络模型进行训练，进而建立转向架层次预测模型；
S5、将步骤S1所建立的训练数据集中磁浮列车的所有悬浮模块数据和磁浮列车中车载网络的整车信息进行综合，并利用卷积网络模型进行训练，进而建立整车层次预测模型；
S6、将磁浮列车运行过程中所采集的悬浮模块数据分别输入悬浮模块预测模型、转向架层次预测模型和整车层次预测模型，即可获得每一个悬浮模块的状态信息以及转向架状态信息和整车状态信息，从而实现了磁浮列车运行状态的有效监控。
S7、将磁浮列车运行状态中所采集的新数据不断补充到所述训练数据集中形成新的训练数据集，然后对新的训练数据集中的数据进行挖掘处理，最后重复步骤S3～步骤S5，重新建立新的悬浮模块预测模型、转向架层次预测模型和整车层次预测模型以对磁浮列车进行有效监控。
本实施例中，所述训练数据集中的数据包括磁浮列车运行过程中的数据和matlab仿真模型中的数据，所述磁浮列车运行过程中的数据包括运行状态下的电压信号、状态信号和速度信号以及间隙传感器、电流传感器和加速度传感器所采集的数据；所述matlab仿真模型中的数据包括当在matlab仿真模型中磁浮列车运行状态下加入任意干扰和激励时的电压信号、状态信号和速度信号以及间隙传感器、电流传感器和加速度传感器所采集的数据。其中将间隙传感器、电流传感器和加速度传感器所采集的数据作为核心数据，电压信号、状态信号和速度信号作为辅助数据，而matlab仿真模型中的数据作为训练数据集中的补充以构成完整的数据集。图6中，传感器1、传感器2和传感器3分别为间隙传感器、电流传感器和加速度传感器。
本实施例中，首先通过磁浮列车运行过程中所采集的数据建立一个训练数据集并进行挖掘处理，获取磁浮列车的机器学习模型训练样本，然后根据机器学习模型训练样本中的数据特征选择不同核函数的支持向量机模型作为基学习器，再将不同基学习器结合起来建立悬浮模块预测模型；同时将所述训练数据集中转向架的两个悬浮模块数据和磁浮列车中车载网络的所述转向架信息进行综合，并利用卷积网络模型进行训练，进而建立转向架层次预测模型；同时将所述训练数据集中磁浮列车的所有悬浮模块数据和磁浮列车中车载网络的整车信息进行综合，并利用卷积网络模型进行训练，进而建立整车层次预测模型，最后将磁浮列车运行过程中所采集的实时数据分别输入悬浮模块预测模型、转向架层次预测模型和整车层次预测模型中，即可得到每一个悬浮模块的状态信息以及转向架状态信息和整车状态信息，从而实现了磁浮列车运行状态的有效监控。而且还可以将磁浮列车运行过程中采集的新数据不断补充到所述数据训练集中以形成新的训练数据集，再重复各个层次预测模型的建立方法对不同层次预测模型进行优化，通过实际数据和预测数据结果对比，不断完善不同层次的预测模型，从而提高各个层次预测模型的准确率，保证了所述监测系统好的泛化能力。
如图2所示，所述步骤S2的具体实现方式包括：
S21、将训练数据集中的每一秒内传感器所采集的数据作为第一训练样本并进行运行状态类别标签的标定；
S22、对步骤S21中标定后的第一训练样本进行特征归一化处理，从而获取磁浮列车的机器学习模型训练样本。
本实施例中，通过先验知识和实际情况对第一训练样本进行状态类别标签的标定后再进行特征归一化处理，使得训练样本能够更好的代入机器学习模型中，以减少机器学习模型的训练时间，提高运算效率。同时，在传感器采集数据频率较低的情况下，机器学习模型训练样本包括训练数据集中的所有信号；在传感器采集频率较高的情况下，机器学习模型训练样本仅包括电流传感器、加速度传感器和间隙传感器所采集的核心数据。
如图3所示，所述步骤S3的具体实现方式包括：
S31、通过自主采样的方法选择步骤S2中机器学习模型训练样本中不相关但有交叠的训练数据；
S32、利用Bagging集成学习法并根据步骤S31所选择的训练数据选择不同核函数的支持向量机模型作为基学习器；
S33、设定权值并通过加权投票的方法对步骤S32中不同基学习器进行组合，从而完成单个悬浮模块预测模型的建立。
本实施例中，利用Bagging集成学习法并根据所选择的训练数据选择不同的基学习器，如适合磁浮列车低速状态的基学习器①，对梁振、轨振和异常振动现象的判断更为准确，适合磁浮列车高度状态的基学习器②，对剐蹭、磕碰轨道现象的判断效果更好，再通过设定权值并采用加权投票的方法对不同的基学习器进行组合，使得所建立的悬浮模块预测模型的训练和学习都能够得到适合不同问题的最优凸组合。本实施例中，通过自主采样的方法来选择不相关但又交叠的训练数据可保证基学习器能够同时兼顾差异性和学习性能。
如图4所示，所述步骤S4的具体实现方式包括：
S41、从步骤S1的所述训练数据集中提取转向架的两个悬浮模块数据并作为第二训练样本；
S42、将磁浮列车车载网络中的所述转向架信息提取出来并加入至第二训练样本内进行组合构成第三训练样本；
S43、利用卷积网络模型对步骤S42中的第三训练样本进行训练，从而完成转向架层次预测模型的建立。
本实施例中，首先将所述训练数据集中转向架的两个悬浮模块数据与磁浮列车车载网络上对应转向架信息进行组合，然后利用卷积网络模型进行训练，得到转向架层次预测模型，由于转向架的两个悬浮模块数据的数据量比较大，为了保证一定的运算效率，本实施例中，从所述训练数据集中选择的转向架两个悬浮模块数据为间隙传感器、电流传感器和加速度传感器的核心数据。
如图5所示，所述步骤S5的具体实现方式包括：
S51、从步骤S1的所述训练数据集中提取十个悬浮模块数据并作为第四训练样本；
S52、将磁浮列车车载网络中的整车信息提取出来并加入至第四训练样本内进行组合构成第五训练样本；
S53、利用卷积网络模型对步骤S52中的第五训练样本进行训练，从而完成整车层次预测模型的建立。
本实施例中，首先将所述训练数据集中整车的所有悬浮模块数据与磁浮列车车载网络上整车的信息进行组合，然后利用卷积网络模型进行训练，得到整车层次预测模型，由于整车中所有悬浮模块数据的数据量更为庞大，为了保证一定的运算效率，本实施例中，从所述训练数据集中选择的转向架两个悬浮模块数据为间隙传感器、电流传感器和加速度传感器的核心数据并通过卷积网络模型进行训练，同时还可以选择随机森林模型进行训练。
如图7所示，所述步骤S6中通过监控界面实现磁浮列车运行状态的有效监控，所述监控界面与悬浮模块通过现场总线进行连接，并利用网络协议接收悬浮模块中间隙传感器、电流传感器和加速度传感器所采集的实时数据。本实施例中，通过搭建与磁浮列车上的悬浮模块进行连接的监控界面，可以直观的从监控界面上对磁浮列车中多个悬浮模块各自的运行状态进行实时监控。图7中，状态0表示磁浮列车静止悬浮状态，状态1表示磁浮列车正常直线行驶状态，状态2表示磁浮列车梁振状态，状态3表示磁浮列车其他异常运行状态，状态4表示磁浮列车过接缝状态，状态5表示磁浮列车落车状态。
以上对本发明所提供的一种基于数据的磁浮列车运行状态的监测方法进行了详细介绍。本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的核心思想。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以对本发明进行若干改进和修饰，这些改进和修饰也落入本发明权利要求的保护范围内。

Claims (9)

1.一种基于数据的磁浮列车运行状态的监测方法，其特征在于，包括以下步骤：
S1、采集磁浮列车运行过程中的数据并建立训练数据集；
S2、对所述训练数据集中的数据进行挖掘处理，获取磁浮列车的机器学习模型训练样本；
S3、利用Bagging集成学习法并根据机器学习模型训练样本中训练数据的特征选择不同核函数的支持向量机模型作为基学习器，并将所选择的不同基学习器进行结合建立悬浮模块预测模型；
S4、将步骤S1所建立的训练数据集中转向架的两个悬浮模块数据和磁浮列车中车载网络的所述转向架信息进行综合，并利用卷积网络模型进行训练，进而建立转向架层次预测模型；
S5、将步骤S1所建立的训练数据集中磁浮列车的所有悬浮模块数据和磁浮列车中车载网络的整车信息进行综合，并利用卷积网络模型进行训练，进而建立整车层次预测模型；
S6、将磁浮列车运行过程中所采集的悬浮模块数据分别输入悬浮模块预测模型、转向架层次预测模型和整车层次预测模型，即可获得每一个悬浮模块的状态信息以及转向架状态信息和整车状态信息，从而实现了磁浮列车运行状态的有效监控。
2.如权利要求1所述的基于数据的磁浮列车运行状态的监测方法，其特征在于，所述方法还包括步骤S7：将磁浮列车运行状态中所采集的新数据不断补充到所述训练数据集中形成新的训练数据集，然后对新的训练数据集中的数据进行挖掘处理，最后重复步骤S3～步骤S5，重新建立新的悬浮模块预测模型、转向架层次预测模型和整车层次预测模型以对磁浮列车进行有效监控。
3.如权利要求2所述的基于数据的磁浮列车运行状态的监测方法，其特征在于，所述步骤S1中训练数据集中的数据包括磁浮列车运行过程中的数据和matlab仿真模型中的数据，所述磁浮列车运行过程中的数据包括运行状态下的电压信号、状态信号和速度信号以及间隙传感器、电流传感器和加速度传感器所采集的数据；所述matlab仿真模型中的数据包括当在matlab仿真模型中磁浮列车运行状态下加入任意干扰和激励时的电压信号、状态信号和速度信号以及间隙传感器、电流传感器和加速度传感器所采集的数据。
4.如权利要求3所述的基于数据的磁浮列车运行状态的监测方法，其特征在于，所述步骤S2的具体实现方式包括：
S21、将训练数据集中的每一秒内传感器所采集的数据作为第一训练样本并进行运行状态类别标签的标定；
S22、对步骤S21中标定后的第一训练样本进行特征归一化处理，从而获取磁浮列车的机器学习模型训练样本。
5.如权利要求4所述的基于数据的磁浮列车运行状态的监测方法，其特征在于，所述步骤S2中，在传感器采集数据频率较低的情况下，机器学习模型训练样本包括训练数据集中的所有信号；在传感器采集频率较高的情况下，机器学习模型训练样本仅包括电流传感器、加速度传感器和间隙传感器所采集的数据。
6.如权利要求5所述的基于数据的磁浮列车运行状态的监测方法，其特征在于，所述步骤S3的具体实现方式包括：
S31、通过自主采样的方法选择步骤S2中机器学习模型训练样本中不相关但有交叠的训练数据；
S32、利用Bagging集成学习法并根据步骤S31所选择的训练数据选择不同核函数的支持向量机模型作为基学习器；
S33、设定权值并通过加权投票的方法对步骤S32中不同基学习器进行组合，从而完成单个悬浮模块预测模型的建立。
7.如权利要求6所述的基于数据的磁浮列车运行状态的监测方法，其特征在于，所述步骤S4的具体实现方式包括：
S41、从步骤S1的所述训练数据集中提取转向架的两个悬浮模块数据并作为第二训练样本；
S42、将磁浮列车车载网络中的所述转向架信息提取出来并加入至第二训练样本内进行组合构成第三训练样本；
S43、利用卷积网络模型对步骤S42中的第三训练样本进行训练，从而完成转向架层次预测模型的建立。
8.如权利要求7所述的基于数据的磁浮列车运行状态的监测方法，其特征在于，所述步骤S5的具体实现方式包括：
S51、从步骤S1的所述训练数据集中提取十个悬浮模块数据并作为第四训练样本；
S52、将磁浮列车车载网络中的整车信息提取出来并加入至第四训练样本内进行组合构成第五训练样本；
S53、利用卷积网络模型对步骤S52中的第五训练样本进行训练，从而完成整车层次预测模型的建立。
9.如权利要求8所述的基于数据的磁浮列车运行状态的监测方法，其特征在于，所述步骤S6中通过监控界面实现磁浮列车运行状态的有效监控，所述监控界面与悬浮模块通过现场总线进行连接，并利用网络协议接收悬浮模块中间隙传感器、电流传感器和加速度传感器所采集的实时数据。
CN202010527718.1A 2020-06-11 2020-06-11 一种基于数据的磁浮列车运行状态的监测方法 Active CN111695201B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010527718.1A CN111695201B (zh) 2020-06-11 2020-06-11 一种基于数据的磁浮列车运行状态的监测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010527718.1A CN111695201B (zh) 2020-06-11 2020-06-11 一种基于数据的磁浮列车运行状态的监测方法

Publications (2)

Publication Number Publication Date
CN111695201A CN111695201A (zh) 2020-09-22
CN111695201B true CN111695201B (zh) 2023-06-02

Family

ID=72480189

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010527718.1A Active CN111695201B (zh) 2020-06-11 2020-06-11 一种基于数据的磁浮列车运行状态的监测方法

Country Status (1)

Country Link
CN (1) CN111695201B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112345276B (zh) * 2020-11-10 2022-03-15 北京交通大学 一种中速磁浮列车关键部件的状态评估和预测系统
CN114544204B (zh) * 2022-03-17 2024-05-14 成都原力辰教育科技有限公司 一种超导磁悬浮列车测试平台及扰动抵抗方法
CN116039393A (zh) * 2023-01-09 2023-05-02 西南交通大学 高温超导磁悬浮列车超导磁材悬浮状态监测系统

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102831301A (zh) * 2012-08-06 2012-12-19 江苏大学 一种无轴承异步电机磁链的软测量仪表的建模方法
CN109781442A (zh) * 2019-03-12 2019-05-21 中国人民解放军国防科技大学 一种磁浮列车转向架裂缝故障的检测方法
CN109829577A (zh) * 2019-01-17 2019-05-31 北京交通大学 基于深度神经网络结构模型的轨道列车运行状态预测方法
CN110209147A (zh) * 2019-06-12 2019-09-06 中国神华能源股份有限公司 转向架故障位置识别方法及系统、映射关系建立方法装置
CN110220725A (zh) * 2019-05-30 2019-09-10 河海大学 一种基于深度学习与bp集成的地铁车轮健康状态预测方法
CN110968949A (zh) * 2019-11-25 2020-04-07 北京交通大学 一种高速列车车载设备电磁敏感性预测模型的建模方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20200026277A1 (en) * 2018-07-19 2020-01-23 GM Global Technology Operations LLC Autonomous driving decisions at intersections using hierarchical options markov decision process

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102831301A (zh) * 2012-08-06 2012-12-19 江苏大学 一种无轴承异步电机磁链的软测量仪表的建模方法
CN109829577A (zh) * 2019-01-17 2019-05-31 北京交通大学 基于深度神经网络结构模型的轨道列车运行状态预测方法
CN109781442A (zh) * 2019-03-12 2019-05-21 中国人民解放军国防科技大学 一种磁浮列车转向架裂缝故障的检测方法
CN110220725A (zh) * 2019-05-30 2019-09-10 河海大学 一种基于深度学习与bp集成的地铁车轮健康状态预测方法
CN110209147A (zh) * 2019-06-12 2019-09-06 中国神华能源股份有限公司 转向架故障位置识别方法及系统、映射关系建立方法装置
CN110968949A (zh) * 2019-11-25 2020-04-07 北京交通大学 一种高速列车车载设备电磁敏感性预测模型的建模方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
Mingyuan Gao，etc..Condition monitoring of urban rail transit by local energy harvesting.《International Journal of Distributed Sensor Networks》.2018,1-16. *
徐蔚 ; 彭乐乐 ; 钟倩文 ; 郑树彬 ; .基于袋装回归树的高铁车体振动耦合因素分析及建模研究.铁道标准设计.2020,(第08期),15-19，26. *
蔡楹.基于机器学习的磁浮列车故障综合评估技术研究.《中国优秀硕士学位论文全文数据库信息科技辑》.2009,I140-296. *
赵春霞 ; 佘龙华 ; 常文森 ; .高速磁浮列车单转向架弯道运行导向系统研究.铁道学报.2011,(第07期),32-37. *

Also Published As

Publication number Publication date
CN111695201A (zh) 2020-09-22

Similar Documents

Publication Publication Date Title
CN111695201B (zh) 一种基于数据的磁浮列车运行状态的监测方法
CN107941537B (zh) 一种机械设备健康状态评估方法
CN110262463B (zh) 一种基于深度学习的轨道交通站台门故障诊断系统
CN110764493B (zh) 一种适用于高速铁路的phm应用系统、方法及存储介质
CN111947928B (zh) 一种多源信息融合的轴承故障预测系统及方法
CN103163781B (zh) 利用健康信息状态优化系统性能
CN105045256A (zh) 基于数据对比分析的轨道交通实时故障诊断方法和系统
CN108398934B (zh) 一种用于轨道交通的设备故障监控的系统
CN102521604B (zh) 一种基于巡检系统的设备性能退化评估装置及方法
CN103901882A (zh) 一种列车动力系统在线监控故障诊断的系统及其方法
CN110775107A (zh) 一种高速机车走行部齿轮箱大数据健康管理装置
CN105955233A (zh) 一种基于数据挖掘的车辆故障诊断方法及系统
CN111806516A (zh) 一种用于智能列车监测与运维的健康管理装置及方法
Man et al. AttGGCN model: A novel multi-sensor fault diagnosis method for high-speed train bogie
CN115577860A (zh) 基于自适应调控的轨道交通智能维保方法及系统
Xue et al. Real-time diagnosis of an in-wheel motor of an electric vehicle based on dynamic Bayesian networks
CN202046770U (zh) 电梯轿厢的wsn传感器节点装置
Du et al. A digital twin framework and an implementation method for urban rail transit
CN112116731A (zh) 一种基于云端的轨道交通多总线数据分析系统
CN105719359B (zh) 车辆信息的获取方法和装置
CN102096770A (zh) 基于网络实现的旋转机械性能退化评估方法
CN105426665B (zh) 基于状态监测的动态可靠度确定方法
CN115062867A (zh) 基于Teager能量谱和改进型CNN模型的轴承故障预测方法
CN105572493A (zh) 一种车载-地面辅助逆变器远程故障诊断系统
CN115222265A (zh) 一种铁路全线路轨道状态确定方法及装置

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