CN112001532B - 道岔故障预测方法、装置、电子设备及存储介质 - Google Patents
道岔故障预测方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN112001532B CN112001532B CN202010772725.8A CN202010772725A CN112001532B CN 112001532 B CN112001532 B CN 112001532B CN 202010772725 A CN202010772725 A CN 202010772725A CN 112001532 B CN112001532 B CN 112001532B
- Authority
- CN
- China
- Prior art keywords
- data
- turnout
- performance degradation
- switch
- driving
- 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 55
- 230000015556 catabolic process Effects 0.000 claims abstract description 239
- 238000006731 degradation reaction Methods 0.000 claims abstract description 239
- 230000036541 health Effects 0.000 claims description 50
- 230000008859 change Effects 0.000 claims description 17
- 230000001419 dependent effect Effects 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 11
- 238000010276 construction Methods 0.000 claims description 4
- 238000012544 monitoring process Methods 0.000 description 9
- 230000006870 function Effects 0.000 description 7
- 230000008569 process Effects 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- CSRZQMIRAZTJOY-UHFFFAOYSA-N trimethylsilyl iodide Chemical compound C[Si](C)(C)I CSRZQMIRAZTJOY-UHFFFAOYSA-N 0.000 description 5
- 230000002159 abnormal effect Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000007704 transition Effects 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000000265 homogenisation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- 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)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Educational Administration (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Train Traffic Observation, Control, And Security (AREA)
Abstract
本发明实施例提供一种道岔故障预测方法、装置、电子设备及存储介质，方法包括：获取第一车务数据和第一行车数据；获取第一道岔性能退化指标数据；根据第一车务数据、第一行车数据和第一道岔性能退化指标数据建立道岔性能退化模型；根据行车计划获取第二车务数据和第二行车数据；将第二车务数据和第二行车数据输入至道岔性能退化模型中得到第二道岔性能退化指标数据；根据第二道岔性能退化指标数据预测道岔是否会发生故障。本发明实施例创新性地考虑了车务数据、行车数据与道岔性能退化指标数据之间的关系，建立了道岔性能退化模型，然后依据道岔性能退化模型和未来行车计划对道岔故障进行预测，从而可以得到较为准确的道岔故障预测结果。
Description
技术领域
本发明涉及铁路安全技术领域，尤其涉及一种道岔故障预测方法、装置、电子设备及存储介质。
背景技术
道岔是轨道交通中的关键设计，道岔的健康程度直接关系到行车安全。在现有的技术条件下，对于道岔的故障预测和寿命预计主要基于微机监测的数据，目前主要存在以下两种方法：
①单纯计算道岔转换次数，当道岔转换到一定的次数时，发出预警，例如，厂家标定道岔寿命为10万次，当实际使用到8万次时发出警报，提醒维护或更换。
②基于微机监测提供的转动电流和功率等数据，分析其变化的趋势；这种方法对于列车种类不同，运营计划多变，环境条件变化大的场景是不适用的。
可见，上面两种方法共同的问题是假设未来的负载量与历史工作负荷是同样的，不考虑未来一段时间的行车计划是变化的。但是对于铁路线路，每一个道岔经过车型，载重，编组等状况是不断变化的，同时行车计划也是不断变化的。基于历史行车状况预测未来一段时间的行车负荷是不准确的。
因此可知，目前对于道岔的故障预测缺乏准确合理的预测方式，目前对于道岔的故障预测结果不够理想。
发明内容
针对现有技术中的问题，本发明实施例提供一种道岔故障预测方法、装置、电子设备及存储介质。
具体地，本发明实施例提供了以下技术方案：
第一方面，本发明实施例提供了一种道岔故障预测方法，包括：
获取预设历史时间段内的第一车务数据和第一行车数据；其中，车务数据为表征车辆自身特点和车重的数据；行车数据为表征车辆行驶情况的数据；
获取在所述预设历史时间段内与所述第一车务数据和第一行车数据对应的第一道岔性能退化指标数据；其中，道岔性能退化指标数据为表征道岔健康情况的数据；
根据所述第一车务数据、所述第一行车数据和所述第一道岔性能退化指标数据，建立道岔性能退化模型；其中，所述道岔性能退化模型是以车务参数和行车参数为自变量，以道岔性能退化指标参数为因变量的模型；
获取未来时间段内的行车计划，并根据所述行车计划获取第二车务数据和第二行车数据；
将所述第二车务数据和所述第二行车数据输入至所述道岔性能退化模型中，得到第二道岔性能退化指标数据；
根据所述第二道岔性能退化指标数据，预测道岔是否会发生故障。
进一步地，在根据所述第一车务数据、所述第一行车数据和所述第一道岔性能退化指标数据，建立道岔性能退化模型之后，所述方法还包括：
定期获取一段时间段内新产生的第三车务数据和第三行车数据；
获取与所述第三车务数据和第三行车数据对应的第三道岔性能退化指标数据；
根据所述第三车务数据、所述第三行车数据和所述第三道岔性能退化指标数据，对所述道岔性能退化模型进行更新。
进一步地，所述车务数据包括车辆数据和车重数据，所述车辆数据包括车型、编组、轴数和车长中的一种或多种；
所述行车数据包括速度数据和进路数据。
进一步地，所述道岔性能退化指标数据包括：道岔转换时间、道岔转换电流的平均值、道岔解锁电流峰值、道岔锁闭电流、道岔缺口值、道岔过车时缺口值的变化幅度和道岔转换功率中的一种或多种。
进一步地，根据所述第二道岔性能退化指标数据，预测道岔是否会发生故障，包括：
根据所述第二道岔性能退化指标数据，判断各道岔性能退化指标是否超过对应的预设值，若均未超过，则确定道岔处于健康状态，否则，确定道岔会发生故障。
进一步地，所述的道岔故障预测方法，还包括：
当确定道岔处于健康状态时，根据所述第二道岔性能退化指标数据，以及，各道岔性能退化指标的权重，确定所述道岔的健康值；
根据所述健康值所处的健康区间确定所述道岔的健康等级。
进一步地，所述的道岔故障预测方法，还包括：
当确定道岔会发生故障时，根据所述第二道岔性能退化指标数据，确定各道岔性能退化指标偏离对应预设值的偏移量；
根据各道岔性能退化指标偏离对应预设值的偏移量，以及，各道岔性能退化指标的权重，确定所述道岔的故障值；
根据所述故障值所处的故障区间确定所述道岔的故障等级。
第二方面，本发明实施例还提供了一种道岔故障预测装置，包括：
第一获取模块，用于获取预设历史时间段内的第一车务数据和第一行车数据；其中，车务数据为表征车辆自身特点和车重的数据；行车数据为表征车辆行驶情况的数据；
第二获取模块，用于获取在所述预设历史时间段内与所述第一车务数据和第一行车数据对应的第一道岔性能退化指标数据；其中，道岔性能退化指标数据为表征道岔健康情况的数据；
模型构建模块，用于根据所述第一车务数据、所述第一行车数据和所述第一道岔性能退化指标数据，建立道岔性能退化模型；其中，所述道岔性能退化模型是以车务参数和行车参数为自变量，以道岔性能退化指标参数为因变量的模型；
第三获取模块，用于获取未来时间段内的行车计划，并根据所述行车计划获取第二车务数据和第二行车数据；
第四获取模块，用于将所述第二车务数据和所述第二行车数据输入至所述道岔性能退化模型中，得到第二道岔性能退化指标数据；
故障预测模块，用于根据所述第二道岔性能退化指标数据，预测道岔是否会发生故障。
第三方面，本发明实施例还提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如第一方面所述道岔故障预测方法的步骤。
第四方面，本发明实施例还提供了一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如第一方面所述道岔故障预测方法的步骤。
由上面技术方案可知，本发明实施例提供的道岔故障预测方法、装置、电子设备及存储介质，创新性地考虑了车务数据、行车数据与道岔性能退化指标数据之间的关系，建立了以车务参数和行车参数为自变量，以道岔性能退化指标参数为因变量的道岔性能退化模型，进而在对未来道岔故障进行预测时，通过引入未来行车计划数据，将根据未来行车计划数据得到的车务数据和行车数据作为输入参数，输入至建立好的道岔性能退化模型中，以预测与未来行车计划对应的道岔性能退化指标数据，从而在根据与未来行车计划对应的道岔性能退化指标数据进行道岔故障预测时，可以得到更为准确的道岔故障预测结果。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明一实施例提供的道岔故障预测方法的流程图；
图2是本发明一实施例提供的道岔故障预测方法处理过程示意图；
图3为本发明一实施例提供的道岔故障预测装置的结构示意图；
图4为本发明一实施例提供的电子设备的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
道岔是轨道交通中的关键设计，道岔的健康程度直接关系到行车安全。在现有的技术条件下，对于道岔的故障预测和寿命预计主要基于微机监测的数据，目前主要存在以下两种方法：
①单纯计算道岔转换次数，当道岔转换到一定的次数时，发出预警，例如，厂家标定道岔寿命为10万次，当实际使用到8万次时发出警报，提醒维护或更换。不考虑列车数量、重量、速度等对于线路的影响。
②基于微机监测提供的转动电流和功率等数据，分析其变化的趋势；这种方法对于列车种类不同，运营计划多变，环境条件变化大的场景是不适用的。
可见，上面两种方法仅考虑道岔的表象数据，有的是根据道岔转换次数来进行预测或预警，有的是根据道岔转动电流和功率的变化趋势来进行预测或预警，这两种方式均忽略了造成道岔故障的根本原因。此外，上面两种方法均默认未来的负载量与历史工作负荷是同样的，不考虑未来一段时间的行车计划是变化的。但是对于铁路线路，每一个道岔经过车型，载重，编组等状况是不断变化的，同时行车计划也是不断变化的。基于历史行车状况预测未来一段时间的行车负荷是不准确的。
因此可知，目前对于道岔的故障预测缺乏准确合理的预测方式，目前对于道岔的故障预测结果不够理想。针对该问题，本发明通过引入电务数据、车务数据、行车数据和列车行车计划数据，从应用的实际情况的角度出发预测道岔故障发生的可能性。下面将通过具体实施例对本发明提供的方案进行详细解释说明。
图1示出了本发明实施例提供的道岔故障预测方法的流程图。如图1所示，本发明实施例提供的道岔故障预测方法包括如下步骤：
步骤101：获取预设历史时间段内的第一车务数据和第一行车数据；其中，车务数据为表征车辆自身特点和车重的数据；行车数据为表征车辆行驶情况的数据；
在本步骤中，车务数据为表征车辆自身特点和车重的数据，例如，车务数据可以包括车辆数据和车重数据，所述车辆数据可以包括车型、编组和车长等中的一种或多种；
在本步骤中，行车数据为表征车辆行驶情况的数据，例如，行车数据可以包括速度数据和进路数据。
在本步骤中，需要说明的是，车型、编组、车长等这些车辆数据可以从列车调度指挥系统TDCS或列车管理信息系统TMIS获取；列车车重数据可以从TMIS系统获取。
在本步骤中，需要说明的是，行车数据中的速度数据可以从LKJ系统获取；行车数据中的进路数据可以从CTC系统获取。
步骤102：获取在所述预设历史时间段内与所述第一车务数据和第一行车数据对应的第一道岔性能退化指标数据；其中，道岔性能退化指标数据为表征道岔健康情况的数据；
在本步骤中，需要获取与所述第一车务数据和第一行车数据对应的第一道岔性能退化指标数据。这里，与所述第一车务数据和第一行车数据对应的第一道岔性能退化指标数据是指：在发生所述第一车务数据和第一行车数据的时间道岔表现所出来的性能指标，如道岔转换时间、道岔转换电流的平均值、道岔解锁电流峰值、道岔锁闭电流、道岔缺口值、道岔过车时缺口值的变化幅度和道岔转换功率等。
在本步骤中，可以从用于监测道岔工作状态的微机监测系统中获取上述第一道岔性能退化指标数据，因此，道岔性能退化指标数据也可以叫做电务数据。需要说明的是，可以先确定发生所述第一车务数据和第一行车数据对应的时间信息，然后根据该时间信息在微机监测系统中获取对应的性能指标数据作为所述第一道岔性能退化指标数据。
步骤103：根据所述第一车务数据、所述第一行车数据和所述第一道岔性能退化指标数据，建立道岔性能退化模型；其中，所述道岔性能退化模型是以车务参数和行车参数为自变量，以道岔性能退化指标参数为因变量的模型；
在本步骤中，在得到与所述第一车务数据和第一行车数据对应的第一道岔性能退化指标数据后，以车务参数和行车参数为自变量，以道岔性能退化指标参数为因变量，进行函数拟合，建立道岔性能退化预测函数关系式，也即建立道岔性能退化模型。
在本步骤中，需要说明的是，由于获取的是预设历史时间段内的第一车务数据和第一行车数据，以及预设历史时间段内的与所述第一车务数据和第一行车数据对应的第一道岔性能退化指标数据，因此，根据这些数据集合，可以进行函数拟合，建立道岔性能退化预测函数关系式，也即建立道岔性能退化模型。
在本步骤中，需要说明的是，可以基于历史数据建立车务和行车数据与道岔性能退化的关联。例如，可以基于切片技术和大数据的技术，建立车务，行车数据与微机监测数据(微机监测数据也即道岔性能退化指标数据)之间的关联，从而获取道岔性能退化与车务和行车数据的关系模型(也即道岔性能退化模型)。
步骤104：获取未来时间段内的行车计划，并根据所述行车计划获取第二车务数据和第二行车数据；
在本步骤中，未来时间段内的行车计划可以从TMIS系统获取。本步骤引入了未来行车计划，利用未来行车计划中的车务数据和行车数据进行道岔故障预测，从而能够得到更为准确有效的预测结果。需要说明的是，由于对于铁路线路来说，行车计划变化很大，包括车型、车重、车速、编组等这些信息变化很大，如果还是按照历史行车计划或历史车务数据和行车数据预测道岔故障情况，将会存在预测不准确的问题，本步骤直接获取未来时间段内的行车计划，并根据所述行车计划获取第二车务数据和第二行车数据，然后依据第二车务数据和第二行车数据进行道岔故障预测，从而能够得到更为准确有效的预测结果。需要说明的是，这里的未来时间段一般指距离当前时间最近且还未来临的时间段。当然，根据实际预测需要，还可以预测距离当前时间较远且还未来临的时间段。
步骤105：将所述第二车务数据和所述第二行车数据输入至所述道岔性能退化模型中，得到第二道岔性能退化指标数据；
在本步骤中，在根据未来行车计划获取第二车务数据和第二行车数据后，将第二车务数据和所述第二行车数据输入至道岔性能退化模型中，得到第二道岔性能退化指标数据，该第二道岔性能退化指标数据可以用于进行道岔故障预测。
步骤106：根据所述第二道岔性能退化指标数据，预测道岔是否会发生故障。
在本步骤中，在获取第二道岔性能退化指标数据后，由于第二道岔性能退化指标数据中包含了各道岔性能退化指标对应的数值，因此，可以根据各道岔性能退化指标对应的数值与对应的预设值之间的对比，判断各道岔性能退化指标是否异常，进而判断道岔是否会发生故障。一般情况下，只要有一个道岔性能退化指标异常，则可以预测道岔未来会发生故障。当然本实施例对此不作限定，根据需要，还可以设定在有两个或两个以上道岔性能退化指标异常时，才预测道岔未来会发生故障。
在本实施例中，需要说明的是，本实施例将电务数据(道岔性能退化指标数据)认定为道岔健康度的表现，而将车务数据和行车数据等数据认定为道岔健康度发生变化的原因，因此，本实施例以车务参数和行车参数为自变量，以道岔性能退化指标参数为因变量，建立了道岔性能退化模型，从而后续可以根据未来时间段的车务数据和行车数据以及道岔性能退化模型来对未来道岔性能退化指标进行预测。
从上面技术内容可以看出，本实施例与现有技术不同，现有技术只关注电务数据(即道岔性能退化指标，如道岔转换时间、道岔转换电流的平均值、道岔解锁电流峰值、道岔锁闭电流、道岔缺口值、道岔过车时缺口值的变化幅度和道岔转换功率等)和电务数据的变化趋势进行道岔故障预测，与现有技术所不同的是，本实施例不再仅仅考虑结果因素(道岔性能退化指标或道岔性能退化指标的变化趋势)进行预测，而是进一步挖掘了事情的本质，考虑了有可能引起道岔故障的原因因素，也即车务数据和行车数据，然后以车务参数和行车参数为自变量，以道岔性能退化指标参数为因变量，进行函数拟合，建立道岔性能退化模型，从而可以根据未来时间对应的车务数据和行车数据(原因因素)预测未来时间对应的道岔性能退化指标数据(结果因素)，从而使得道岔故障预测结果更加准确和可信。
可以理解的是，本实施例提供的道岔故障预测方法，可以用于铁路，也可以用于其他轨道交通，例如地铁、快轨等。需要说明的是，本实施例提供的道岔故障预测方法，尤其适用于铁路线路，这是因为对于铁路线路来说，行车计划变化很大，包括车型、车重、车速、编组等这些信息变化很大，如果还是按照历史行车计划或历史车务数据和行车数据预测道岔故障情况，将会存在预测不准确的问题，本实施例创新性地考虑了车务数据、行车数据与道岔性能退化指标数据之间的关系，建立了以车务参数和行车参数为自变量，以道岔性能退化指标参数为因变量的道岔性能退化模型，然后直接获取未来时间段内的行车计划，根据未来行车计划获取第二车务数据和第二行车数据，然后依据第二车务数据和第二行车数据进行道岔故障预测，从而能够得到更为准确有效的预测结果。
由上面技术方案可知，本发明实施例提供的道岔故障预测方法，创新性地考虑了车务数据、行车数据与道岔性能退化指标数据之间的关系，建立了以车务参数和行车参数为自变量，以道岔性能退化指标参数为因变量的道岔性能退化模型，进而在对未来道岔故障进行预测时，通过引入未来行车计划数据，将根据未来行车计划数据得到的车务数据和行车数据作为输入参数，输入至建立好的道岔性能退化模型中，以预测与未来行车计划对应的道岔性能退化指标数据，从而在根据与未来行车计划对应的道岔性能退化指标数据进行道岔故障预测时，可以得到更为准确的道岔故障预测结果。
基于上述实施例的内容，在本实施例中，在根据所述第一车务数据、所述第一行车数据和所述第一道岔性能退化指标数据，建立道岔性能退化模型之后，所述方法还包括：
定期获取一段时间段内新产生的第三车务数据和第三行车数据；
获取与所述第三车务数据和第三行车数据对应的第三道岔性能退化指标数据；
根据所述第三车务数据、所述第三行车数据和所述第三道岔性能退化指标数据，对所述道岔性能退化模型进行更新。
在本实施例中，由于在不同的环境或场景或行车计划下，会发生数据漂移的情况，因此为了能够保持道岔性能退化模型的准确性，需要不断采集最新数据对所述道岔性能退化模型进行训练更新，从而使得所述道岔性能退化模型能够实现更为准确的预测。
举例来说，假设所述道岔性能退化模型建立时利用是1-3月份的车务数据、行车数据和道岔性能退化指标数据，那么在实际应用过程中，可以利用新产生的4-5月份的车务数据、行车数据和道岔性能退化指标数据对所述道岔性能退化模型进行训练更新，从而使得所述道岔性能退化模型能够实现更为准确的预测。可以理解的是，参见图2所示，模型的训练更新过程需要持续定时的进行，而不仅仅是一次或两次的更新。
基于上述实施例的内容，在本实施例中，所述车务数据包括车辆数据和车重数据，所述车辆数据包括车型、编组、轴数和车长中的一种或多种；
所述行车数据包括速度数据和进路数据。
在本实施例中，车务数据为表征车辆自身特点和车重的数据，例如，车务数据可以包括车辆数据和车重数据，所述车辆数据可以包括车型、编组、轴数和车长等中的一种或多种；
在本实施例中，行车数据为表征车辆行驶情况的数据，例如，行车数据可以包括速度数据和进路数据。
在本实施例中，需要说明的是，车型、编组、轴数和车长等这些车辆数据可以从列车调度指挥系统TDCS或列车管理信息系统TMIS获取；列车车重数据可以从TMIS系统获取。行车数据中的速度数据可以从LKJ系统获取；行车数据中的进路数据可以从CTC系统获取。
基于上述实施例的内容，在本实施例中，所述道岔性能退化指标数据包括：道岔转换时间、道岔转换电流的平均值、道岔解锁电流峰值、道岔锁闭电流、道岔缺口值、道岔过车时缺口值的变化幅度和道岔转换功率中的一种或多种。
在本实施例中，所述道岔性能退化指标数据为表征道岔健康状态的数据，例如可以为道岔转换时间、道岔转换电流的平均值、道岔解锁电流峰值、道岔锁闭电流、道岔缺口值、道岔过车时缺口值的变化幅度和道岔转换功率等，通过这些数据可以判断道岔的健康度。
基于上述实施例的内容，在本实施例中，根据所述第二道岔性能退化指标数据，预测道岔是否会发生故障，包括：
根据所述第二道岔性能退化指标数据，判断各道岔性能退化指标是否超过对应的预设值，若均未超过，则确定道岔处于健康状态，否则，确定道岔会发生故障。
在本实施例中，在得到第二道岔性能退化指标数据后，可以根据所述第二道岔性能退化指标数据，预测道岔是否会发生故障，具体预测方法为：
根据所述第二道岔性能退化指标数据，判断各道岔性能退化指标是否超过对应的预设值，若均未超过，则确定道岔处于健康状态，否则，确定道岔会发生故障。
在本实施例中，道岔性能退化指标至少包括如下几种：①道岔转换时间；②道岔转换电流的平均值；③道岔解锁电流峰值；④道岔锁闭电流；⑤道岔缺口值；⑥道岔过车是缺口值的变化幅度；⑦道岔转换功率。其中，每个道岔性能退化指标都对应有一个预设值，该预设值用于判断对应的道岔性能退化指标是否正常，若在该预设值范围内，则表示正常，若超过该预设值，则表示不正常。
在本实施例中，根据所述第二道岔性能退化指标数据，判断各道岔性能退化指标是否超过对应的预设值，若均未超过，则确定道岔处于健康状态，若有一个或多个超过，则确定道岔会发生故障。
在本实施例中，需要说明的是，与各道岔性能退化指标对应的预设值是预先根据统计数据或经验值确定的。
基于上述实施例的内容，在本实施例中，所述道岔故障预测方法，还包括：
当确定道岔处于健康状态时，根据所述第二道岔性能退化指标数据，以及，各道岔性能退化指标的权重，确定所述道岔的健康值；
根据所述健康值所处的健康区间确定所述道岔的健康等级。
在本实施例中，当确定道岔处于健康状态时，可以根据各道岔性能退化指标的取值以及各道岔性能退化指标的权重，采用加权求和的方式，确定所述道岔的健康值，然后根据所述健康值所处的健康区间确定所述道岔的健康等级。
在本实施例中，为方便进行加权求和处理，在根据所述第二道岔性能退化指标数据得到各道岔性能退化指标的取值时，可以计算各道岔性能退化指标的归一化值，这样处理可以使得各道岔性能退化指标具有统一的量级，从而方便进行加权求和处理。
举例来说，假设①道岔转换时间的权重为2，②道岔转换电流的平均值的权重为1；③道岔解锁电流峰值的权重为1；④道岔锁闭电流的权重为2；⑤道岔缺口值的权重为2；⑥道岔过车是缺口值的变化幅度的权重为1；⑦道岔转换功率的权重为1，则根据各道岔性能退化指标的归一化值和权重，采用加权求和的方式，确定所述道岔的健康值。此外，预先可以设定各个健康区间，每个健康区间均对应一个健康等级，比如，健康状况优、健康状况良、健康状况中等、健康状况差等，然后根据所述健康值所处的健康区间确定所述道岔的健康等级。
在本实施例中，需要说明的是，还可以进一步设置健康等级与剩余寿命的对应关系，这样，本实施例在得到健康等级后，就可以根据健康等级预测道岔的剩余寿命。举例来说，例如，当健康等级为健康状况优时，对应的剩余寿命为5年，当健康等级为健康状况良时，对应的剩余寿命为3年，当健康等级为健康状况中等时，对应的剩余寿命为2年，当健康等级为健康状况差时，对应的剩余寿命为1年。
基于上述实施例的内容，在本实施例中，所述道岔故障预测方法，还包括：
当确定道岔会发生故障时，根据所述第二道岔性能退化指标数据，确定各道岔性能退化指标偏离对应预设值的偏移量；
根据各道岔性能退化指标偏离对应预设值的偏移量，以及，各道岔性能退化指标的权重，确定所述道岔的故障值；
根据所述故障值所处的故障区间确定所述道岔的故障等级。
在本实施例中，当确定道岔会发生故障时，可以根据所述第二道岔性能退化指标数据确定道岔的故障等级，具体确定方式为：根据所述第二道岔性能退化指标数据，确定各道岔性能退化指标的取值，然后根据各道岔性能退化指标的取值确定偏离对应预设值的偏移量，然后对各道岔性能退化指标的偏移量进行均一化处理，得到各道岔性能退化指标的偏移量归一化值，最后根据各道岔性能退化指标的偏移量归一化值和各道岔性能退化指标的权重，确定所述道岔的故障值，然后根据所述故障值所处的故障区间确定所述道岔的故障等级。
在本实施例中，需要说明的是，利用各道岔性能退化指标偏离对应预设值的偏移量可以较为准确地确定道岔发生故障的程度，因此，本实施例提供的这种故障预测方式可以较为准确地预测道岔故障情况。
在本实施例中，需要说明的是，为方便进行加权求和处理，在据各道岔性能退化指标的取值确定偏离对应预设值的偏移量时，可以计算各偏移量的归一化值，这样处理可以使得各道岔性能退化指标的偏移量具有统一的量级，从而方便进行加权求和处理。
举例来说，假设①道岔转换时间的权重为2，②道岔转换电流的平均值的权重为1；③道岔解锁电流峰值的权重为1；④道岔锁闭电流的权重为2；⑤道岔缺口值的权重为2；⑥道岔过车是缺口值的变化幅度的权重为1；⑦道岔转换功率的权重为1，则根据各道岔性能退化指标的偏移量归一化值和权重，采用加权求和的方式，确定所述道岔的故障值。此外，预先可以设定各个故障区间，每个故障区间均对应一个故障等级，比如，故障状况非常严重、故障状况严重、故障状况中等、故障状况较轻等，然后根据所述故障值所处的故障区间确定所述道岔的故障等级。
在本实施例中，需要说明的是，还可以进一步设置故障等级与剩余寿命的对应关系，这样，本实施例在得到故障等级后，就可以根据故障等级预测道岔的剩余寿命。举例来说，例如，当故障等级为故障状况非常严重时，对应的剩余寿命为0，当故障等级为故障状况严重时，对应的剩余寿命为10天，当故障等级为故障状况中等时，对应的剩余寿命为1个月，当故障等级为故障状况较轻时，对应的剩余寿命为2个月。
在本实施例中，需要说明的是，本实施例将电务数据认定为道岔健康度的表现，而将车务和行车等数据认定为道岔健康度发生变化的原因，因此，本实施例将多专业数据引入到道岔故障预测中，包括车务数据，如车重，轴数，编组等，行车数据，如速度信息和进路信息等，从而使得预测结果更为准确。此外，本实施例引入未来行车计划，分析道岔未来的负荷数据，从而使得预测结果更为准确。由此可见，本实施例与现有的道岔故障预测思路不同，本实施例创新性地考虑了车务数据、行车数据与道岔性能退化指标数据之间的关系，建立了道岔性能退化模型，然后依据道岔性能退化模型和未来行车计划对道岔故障进行预测，从而可以得到较为准确的道岔故障预测结果。
图3示出了本发明实施例提供的道岔故障预测装置的结构示意图。如图3所示，本实施例提供的道岔故障预测装置，包括：第一获取模块21、第二获取模块22、模型构建模块23、第三获取模块24、第四获取模块25和故障预测模块26，其中：
第一获取模块21，用于获取预设历史时间段内的第一车务数据和第一行车数据；其中，车务数据为表征车辆自身特点和车重的数据；行车数据为表征车辆行驶情况的数据；
第二获取模块22，用于获取在所述预设历史时间段内与所述第一车务数据和第一行车数据对应的第一道岔性能退化指标数据；其中，道岔性能退化指标数据为表征道岔健康情况的数据；
模型构建模块23，用于根据所述第一车务数据、所述第一行车数据和所述第一道岔性能退化指标数据，建立道岔性能退化模型；其中，所述道岔性能退化模型是以车务参数和行车参数为自变量，以道岔性能退化指标参数为因变量的模型；
第三获取模块24，用于获取未来时间段内的行车计划，并根据所述行车计划获取第二车务数据和第二行车数据；
第四获取模块25，用于将所述第二车务数据和所述第二行车数据输入至所述道岔性能退化模型中，得到第二道岔性能退化指标数据；
故障预测模块26，用于根据所述第二道岔性能退化指标数据，预测道岔是否会发生故障。
由于本发明实施例提供的道岔故障预测装置，可以用于执行上述实施例所述的道岔故障预测方法，其工作原理和有益效果类似，故此处不再详述，具体内容可参见上述实施例的介绍。
在本实施例中，需要说明的是，本发明实施例的装置中的各个模块可以集成于一体，也可以分离部署。上述模块可以合并为一个模块，也可以进一步拆分成多个子模块。
基于相同的发明构思，本发明又一实施例提供了一种电子设备，参见图4，所述电子设备具体包括如下内容：处理器301、存储器302、通信接口303和通信总线304；
其中，所述处理器301、存储器302、通信接口303通过所述通信总线304完成相互间的通信；
所述处理器301用于调用所述存储器302中的计算机程序，所述处理器执行所述计算机程序时实现上述道岔故障预测方法的全部步骤，例如，所述处理器执行所述计算机程序时实现下述过程：获取预设历史时间段内的第一车务数据和第一行车数据；其中，车务数据为表征车辆自身特点和车重的数据；行车数据为表征车辆行驶情况的数据；获取在所述预设历史时间段内与所述第一车务数据和第一行车数据对应的第一道岔性能退化指标数据；其中，道岔性能退化指标数据为表征道岔健康情况的数据；根据所述第一车务数据、所述第一行车数据和所述第一道岔性能退化指标数据，建立道岔性能退化模型；其中，所述道岔性能退化模型是以车务参数和行车参数为自变量，以道岔性能退化指标参数为因变量的模型；获取未来时间段内的行车计划，并根据所述行车计划获取第二车务数据和第二行车数据；将所述第二车务数据和所述第二行车数据输入至所述道岔性能退化模型中，得到第二道岔性能退化指标数据；根据所述第二道岔性能退化指标数据，预测道岔是否会发生故障。
可以理解的是，所述计算机程序可以执行的细化功能和扩展功能可参照上面实施例的描述。
基于相同的发明构思，本发明又一实施例提供了一种非暂态计算机可读存储介质，该非暂态计算机可读存储介质上存储有计算机程序，该计算机程序被处理器执行时实现上述道岔故障预测方法的全部步骤，例如，所述处理器执行所述计算机程序时实现下述过程：获取预设历史时间段内的第一车务数据和第一行车数据；其中，车务数据为表征车辆自身特点和车重的数据；行车数据为表征车辆行驶情况的数据；获取在所述预设历史时间段内与所述第一车务数据和第一行车数据对应的第一道岔性能退化指标数据；其中，道岔性能退化指标数据为表征道岔健康情况的数据；根据所述第一车务数据、所述第一行车数据和所述第一道岔性能退化指标数据，建立道岔性能退化模型；其中，所述道岔性能退化模型是以车务参数和行车参数为自变量，以道岔性能退化指标参数为因变量的模型；获取未来时间段内的行车计划，并根据所述行车计划获取第二车务数据和第二行车数据；将所述第二车务数据和所述第二行车数据输入至所述道岔性能退化模型中，得到第二道岔性能退化指标数据；根据所述第二道岔性能退化指标数据，预测道岔是否会发生故障。
可以理解的是，所述计算机程序可以执行的细化功能和扩展功能可参照上面实施例的描述。
此外，上述的存储器中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本发明实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的道岔故障预测方法。
此外，在本发明中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
此外，在本发明中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (4)
1.一种道岔故障预测方法，其特征在于，包括：
获取预设历史时间段内的第一车务数据和第一行车数据；其中，车务数据为表征车辆自身特点和车重的数据；行车数据为表征车辆行驶情况的数据；
获取在所述预设历史时间段内与所述第一车务数据和第一行车数据对应的第一道岔性能退化指标数据；其中，道岔性能退化指标数据为表征道岔健康情况的数据；
根据所述第一车务数据、所述第一行车数据和所述第一道岔性能退化指标数据，建立道岔性能退化模型；其中，所述道岔性能退化模型是以车务参数和行车参数为自变量，以道岔性能退化指标参数为因变量的模型；
获取未来时间段内的行车计划，并根据所述行车计划获取第二车务数据和第二行车数据；
将所述第二车务数据和所述第二行车数据输入至所述道岔性能退化模型中，得到第二道岔性能退化指标数据；
根据所述第二道岔性能退化指标数据，预测道岔是否会发生故障；
所述车务数据包括车辆数据和车重数据，所述车辆数据包括车型、编组、轴数和车长中的一种或多种；所述行车数据包括速度数据和进路数据；
所述道岔性能退化指标数据包括：道岔转换时间、道岔转换电流的平均值、道岔解锁电流峰值、道岔锁闭电流、道岔缺口值、道岔过车时缺口值的变化幅度和道岔转换功率中的一种或多种；
在根据所述第一车务数据、所述第一行车数据和所述第一道岔性能退化指标数据，建立道岔性能退化模型之后，所述方法还包括：
定期获取一段时间段内新产生的第三车务数据和第三行车数据；
获取与所述第三车务数据和第三行车数据对应的第三道岔性能退化指标数据；
根据所述第三车务数据、所述第三行车数据和所述第三道岔性能退化指标数据，对所述道岔性能退化模型进行更新；
根据所述第二道岔性能退化指标数据，预测道岔是否会发生故障，包括：
根据所述第二道岔性能退化指标数据，判断各道岔性能退化指标是否超过对应的预设值，若均未超过，则确定道岔处于健康状态，否则，确定道岔会发生故障；
所述道岔故障预测方法，还包括：
当确定道岔处于健康状态时，根据所述第二道岔性能退化指标数据，以及，各道岔性能退化指标的权重，确定所述道岔的健康值；
根据所述健康值所处的健康区间确定所述道岔的健康等级；
所述道岔故障预测方法，还包括：
当确定道岔会发生故障时，根据所述第二道岔性能退化指标数据，确定各道岔性能退化指标偏离对应预设值的偏移量；
根据各道岔性能退化指标偏离对应预设值的偏移量，以及，各道岔性能退化指标的权重，确定所述道岔的故障值；
根据所述故障值所处的故障区间确定所述道岔的故障等级。
2.一种道岔故障预测装置，其特征在于，包括：
第一获取模块，用于获取预设历史时间段内的第一车务数据和第一行车数据；其中，车务数据为表征车辆自身特点和车重的数据；行车数据为表征车辆行驶情况的数据；
第二获取模块，用于获取在所述预设历史时间段内与所述第一车务数据和第一行车数据对应的第一道岔性能退化指标数据；其中，道岔性能退化指标数据为表征道岔健康情况的数据；
模型构建模块，用于根据所述第一车务数据、所述第一行车数据和所述第一道岔性能退化指标数据，建立道岔性能退化模型；其中，所述道岔性能退化模型是以车务参数和行车参数为自变量，以道岔性能退化指标参数为因变量的模型；
第三获取模块，用于获取未来时间段内的行车计划，并根据所述行车计划获取第二车务数据和第二行车数据；
第四获取模块，用于将所述第二车务数据和所述第二行车数据输入至所述道岔性能退化模型中，得到第二道岔性能退化指标数据；
故障预测模块，用于根据所述第二道岔性能退化指标数据，预测道岔是否会发生故障；
所述车务数据包括车辆数据和车重数据，所述车辆数据包括车型、编组、轴数和车长中的一种或多种；所述行车数据包括速度数据和进路数据；
所述道岔性能退化指标数据包括：道岔转换时间、道岔转换电流的平均值、道岔解锁电流峰值、道岔锁闭电流、道岔缺口值、道岔过车时缺口值的变化幅度和道岔转换功率中的一种或多种；
在根据所述第一车务数据、所述第一行车数据和所述第一道岔性能退化指标数据，建立道岔性能退化模型之后，所述模型构建模块还用于：
定期获取一段时间段内新产生的第三车务数据和第三行车数据；
获取与所述第三车务数据和第三行车数据对应的第三道岔性能退化指标数据；
根据所述第三车务数据、所述第三行车数据和所述第三道岔性能退化指标数据，对所述道岔性能退化模型进行更新；
根据所述第二道岔性能退化指标数据，预测道岔是否会发生故障，包括：
根据所述第二道岔性能退化指标数据，判断各道岔性能退化指标是否超过对应的预设值，若均未超过，则确定道岔处于健康状态，否则，确定道岔会发生故障；
所述道岔故障预测装置还用于：
当确定道岔处于健康状态时，根据所述第二道岔性能退化指标数据，以及，各道岔性能退化指标的权重，确定所述道岔的健康值；
根据所述健康值所处的健康区间确定所述道岔的健康等级；
所述道岔故障预测装置还用于：
当确定道岔会发生故障时，根据所述第二道岔性能退化指标数据，确定各道岔性能退化指标偏离对应预设值的偏移量；
根据各道岔性能退化指标偏离对应预设值的偏移量，以及，各道岔性能退化指标的权重，确定所述道岔的故障值；
根据所述故障值所处的故障区间确定所述道岔的故障等级。
3.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1所述道岔故障预测方法的步骤。
4.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1所述道岔故障预测方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010772725.8A CN112001532B (zh) | 2020-08-04 | 2020-08-04 | 道岔故障预测方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010772725.8A CN112001532B (zh) | 2020-08-04 | 2020-08-04 | 道岔故障预测方法、装置、电子设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112001532A CN112001532A (zh) | 2020-11-27 |
| CN112001532B true CN112001532B (zh) | 2024-03-01 |
Family
ID=73462859
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010772725.8A Active CN112001532B (zh) | 2020-08-04 | 2020-08-04 | 道岔故障预测方法、装置、电子设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112001532B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113988375A (zh) * | 2021-09-28 | 2022-01-28 | 通号城市轨道交通技术有限公司 | 铁路道岔故障预测方法及装置 |
| CN114368409A (zh) * | 2021-12-20 | 2022-04-19 | 广西交控智维科技发展有限公司 | 轨道交通道岔的健康状况分析方法及装置 |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2005186822A (ja) * | 2003-12-26 | 2005-07-14 | Railway Technical Res Inst | 設備機器の動作状況監視システムとその動作状況監視プログラム |
| CN1873674A (zh) * | 2006-05-18 | 2006-12-06 | 北京交通大学 | 专用铁路道岔群下开采沉陷预计与治理专家系统 |
| JP2012030756A (ja) * | 2010-08-03 | 2012-02-16 | Yasuhide Yamauchi | 列車運転再開時間の予測方法及び予測システム |
| CN103488805A (zh) * | 2012-06-13 | 2014-01-01 | 北京交通大学 | 基于联合仿真的桥上无砟道岔结构系统及其动力分析方法 |
| CN103530715A (zh) * | 2013-08-22 | 2014-01-22 | 北京交通大学 | 高速铁路行车固定设备网格化管理系统及管理方法 |
| CN106406295A (zh) * | 2016-12-02 | 2017-02-15 | 南京康尼机电股份有限公司 | 基于多工况的轨道交通车辆门系统故障诊断及预警方法 |
| CN109406923A (zh) * | 2017-08-17 | 2019-03-01 | 株洲中车时代电气股份有限公司 | 一种列车供电系统接地漏电故障预测方法及装置 |
| CN110516744A (zh) * | 2019-08-28 | 2019-11-29 | 北京工业大学 | 基于多种算法的道岔转换设备的故障检测方法及系统 |
| CN110610260A (zh) * | 2019-08-21 | 2019-12-24 | 南京航空航天大学 | 行车能耗预测系统、方法、存储介质和设备 |
| CN110837718A (zh) * | 2019-11-07 | 2020-02-25 | 交控科技股份有限公司 | 道岔故障检测方法、装置、电子设备及存储介质 |
| CN110851342A (zh) * | 2019-11-08 | 2020-02-28 | 中国工商银行股份有限公司 | 故障预测方法、装置、计算设备以及计算机可读存储介质 |
-
2020
- 2020-08-04 CN CN202010772725.8A patent/CN112001532B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2005186822A (ja) * | 2003-12-26 | 2005-07-14 | Railway Technical Res Inst | 設備機器の動作状況監視システムとその動作状況監視プログラム |
| CN1873674A (zh) * | 2006-05-18 | 2006-12-06 | 北京交通大学 | 专用铁路道岔群下开采沉陷预计与治理专家系统 |
| JP2012030756A (ja) * | 2010-08-03 | 2012-02-16 | Yasuhide Yamauchi | 列車運転再開時間の予測方法及び予測システム |
| CN103488805A (zh) * | 2012-06-13 | 2014-01-01 | 北京交通大学 | 基于联合仿真的桥上无砟道岔结构系统及其动力分析方法 |
| CN103530715A (zh) * | 2013-08-22 | 2014-01-22 | 北京交通大学 | 高速铁路行车固定设备网格化管理系统及管理方法 |
| CN106406295A (zh) * | 2016-12-02 | 2017-02-15 | 南京康尼机电股份有限公司 | 基于多工况的轨道交通车辆门系统故障诊断及预警方法 |
| CN109406923A (zh) * | 2017-08-17 | 2019-03-01 | 株洲中车时代电气股份有限公司 | 一种列车供电系统接地漏电故障预测方法及装置 |
| CN110610260A (zh) * | 2019-08-21 | 2019-12-24 | 南京航空航天大学 | 行车能耗预测系统、方法、存储介质和设备 |
| CN110516744A (zh) * | 2019-08-28 | 2019-11-29 | 北京工业大学 | 基于多种算法的道岔转换设备的故障检测方法及系统 |
| CN110837718A (zh) * | 2019-11-07 | 2020-02-25 | 交控科技股份有限公司 | 道岔故障检测方法、装置、电子设备及存储介质 |
| CN110851342A (zh) * | 2019-11-08 | 2020-02-28 | 中国工商银行股份有限公司 | 故障预测方法、装置、计算设备以及计算机可读存储介质 |
Non-Patent Citations (1)
| Title |
|---|
| 探索创新 综合施策 全面提升库存物资科学管理水平;铁路采购与物流;20191225(第12期);11-17 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112001532A (zh) | 2020-11-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112001532B (zh) | 道岔故障预测方法、装置、电子设备及存储介质 | |
| Chen et al. | Fault detection and diagnosis for railway track circuits using neuro-fuzzy systems | |
| CN107054410B (zh) | 道岔转辙机的智能诊断系统及诊断方法 | |
| CN102721924B (zh) | 风力发电机组的故障预警方法 | |
| CN105787511A (zh) | 基于支持向量机的道岔故障诊断方法及系统 | |
| CN109885021A (zh) | 一种基于实时采集数据对采集设备进行监测的方法及系统 | |
| CN112036505A (zh) | 道岔转辙机的设备状态确定方法、装置和电子设备 | |
| CN105224782A (zh) | 一种基于故障模式的变电设备故障概率计算方法 | |
| CN110287543B (zh) | 一种继电保护装置寿命预测方法 | |
| CA3030059C (en) | Method and device for monitoring a power supply device of a traffic system | |
| CN113177650A (zh) | 一种铁路货车车厢的预测性维护方法及装置 | |
| Cheng et al. | Fault detection and diagnosis for railway switching points using fuzzy neural network | |
| CN104680239A (zh) | 一种基于元件失效模型的配电网检修方案优化方法及装置 | |
| CN101807314A (zh) | 嵌入式车辆工况混杂异构数据信息实时处理方法 | |
| CN113127984A (zh) | 设备维护的方法、装置、设备及存储介质 | |
| CN103985059B (zh) | 一种基于模糊故障率的电网变压器运行风险评估方法 | |
| CN109697554B (zh) | 提速道岔的健康状态评估方法 | |
| CN109782680A (zh) | 一种发电机组的状态预警方法及系统 | |
| CN115601005A (zh) | 铁路工务设备技改大修立项智能辅助决策方法及装置 | |
| CN112944603A (zh) | 用于轨道交通的空调健康评估方法 | |
| Huang et al. | A Time‐Replacement Policy for Multistate Systems with Aging Components under Maintenance, from a Component Perspective | |
| CN117360592B (zh) | 一种列车运行状态监控方法、装置、设备及存储介质 | |
| CN112777442A (zh) | 基于物联网大数据的电梯安全区域风险预测方法 | |
| Trstenjak et al. | A Decision Support System for the Prediction of Wastewater Pumping Station Failures Based on CBR Continuous Learning Model. | |
| CN112198462A (zh) | 基于铁路调度运行计划的牵引变压器异常状态辨识方法 |
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 |