CN112033709B - 一种基于动力学监测的城轨车辆服役能力评估方法 - Google Patents
一种基于动力学监测的城轨车辆服役能力评估方法 Download PDFInfo
- Publication number
- CN112033709B CN112033709B CN202010967476.8A CN202010967476A CN112033709B CN 112033709 B CN112033709 B CN 112033709B CN 202010967476 A CN202010967476 A CN 202010967476A CN 112033709 B CN112033709 B CN 112033709B
- Authority
- CN
- China
- Prior art keywords
- vehicle
- dynamic
- vibration
- indexes
- index
- 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
- G01M17/00—Testing of vehicles
- G01M17/08—Railway vehicles
-
- 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
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明公开了一种基于动力学监测的城轨车辆服役能力评估方法,包括:S1:集成采集车辆多位置的振动数据;S2:根据步骤S1采集的车辆多位置的振动数据,进行多指标的动力学特征提取,构造特征矩阵;S3:构建基于车辆多指标的神经网络模型,进行模型训练;根据训练好的模型,对待监测的车辆特征矩阵进行计算与分析,自动输出其对应的动力学综合指标值,评价车辆当前的服役能力状态。本方法运用在城轨车辆上,可实现全方位的动力学信号监测,由信号计算的三类指标从多角度展现车辆动力学性能状态,动力学综合指标则是服役能力的整体表征。训练好的神经网络模型具有适应性和抗干扰性,能够自动评估出特征矩阵对应的动力学综合指标值。
Description
技术领域
本发明涉及城轨车辆技术领域,具体涉及一种基于动力学监测的城轨车辆服役能力评估方法。
背景技术
城轨车辆的系统部件随着运营里程的增加,会出现性能劣化甚至故障损坏,这些情况将改变车辆的动力学性能,影响车辆运行的安全性和稳定性。动力学性能是车辆服役能力的直观体现,因此能够从动力学的角度对车辆服役能力作出评估。
动力学性能主要体现在三个方面,分别是车体性能、转向架性能和轮轨关系,而能够反映这三方面的动力学指标较多,在同一方面使用多种指标,可能会造成重复冗余甚至相互矛盾的情况,选取具有代表性的指标反而能够使动力学状态更加清晰明确。
目前的动力学监测设备主要针对车辆的某一方面的性能进行监测,往往只能得到单一的动力学指标,缺少布局合理的全方位车载监测装置。单一的动力学指标只能反映车辆某一方面的动力学性能,需要一个综合评估动力学状态的指标从整体上表征车辆的服役能力。目前服役能力的整体评估主要由人工根据多种动力学参数主观判断,得出的结论误差较大,并且效率较低。
发明内容
为克服上述现有技术中的问题,本发明提供一种基于动力学监测的城轨车辆服役能力评估方法,本发明引入机器学习进行自动评判,本发明的评估方法高效且稳定,从动力学角度给出综合评价。
本发明通过下述技术方案实现:
一种基于动力学监测的城轨车辆服役能力评估方法,该方法包括以下步骤:
S1:集成采集车辆多位置的振动数据;
S2:根据步骤S1采集的车辆多位置的振动数据,进行多指标的动力学特征提取,构造特征矩阵;
S3:构建基于车辆多指标的神经网络模型,进行模型训练;根据训练好的模型,对待监测的车辆特征矩阵进行计算与分析,自动输出其对应的动力学综合指标值,评价车辆当前的服役能力状态。
工作原理是:基于目前的动力学监测设备主要针对车辆的某一方面的性能进行监测,往往只能得到单一的动力学指标,缺少布局合理的全方位车载监测装置。单一的动力学指标只能反映车辆某一方面的动力学性能,需要一个综合评估动力学状态的指标从整体上表征车辆的服役能力。目前服役能力的整体评估主要由人工根据多种动力学参数主观判断,得出的结论误差较大,并且效率较低。
本发明针对以上不足点提出新的城轨车辆服役能力评估方法,本发明方法以列车车体与转向架的振动加速度信号为数据源,通过对振动信号的分析处理,得到综合表征动力学性能的指标,来评价车辆的服役能力状态。具体地,首先,可以采用车载装置集成了多位置的振动传感器,可以同时采集车体、构架、轴箱的振动加速度信号,实现了全方位的动力学监测,并可统一打包传输,便于后续计算处理;其次,进行多指标的动力学特征提取,由各位置振动数据计算的平稳性、横向稳定性、轮轨振动强度,从不同角度反映了车辆动力学性能状态,提取三类指标的特征所构成的特征矩阵是动力学性能的综合表征,由此得到的动力学综合指标值的准确性较高;最后,采用神经网络模型的自动评估,使用特征矩阵和指标矩阵将神经网络模型训练好后,对于新的特征矩阵,该模型可以自动输出其对应的动力学综合指标值,反映车辆当前的服役能力状态。
本发明采用车载装置采集车体、构架、轴箱三个位置的振动,可对应得到平稳性、横向稳定性、轮轨振动强度三类动力学指标,通过提取各指标的特征值构造特征矩阵输入网络模型得到动力学综合指标。本方法运用在城轨车辆上,可实现全方位的动力学信号监测,由信号计算的三类指标从多角度展现车辆动力学性能状态,动力学综合指标则是服役能力的整体表征。训练好的神经网络模型具有适应性和抗干扰性,能够自动评估出特征矩阵对应的动力学综合指标值。
进一步地,步骤S1包括以下子步骤:
S11:利用车载装置采集与动力学相关的车辆各个位置的振动加速度信号,且所述述车辆各个位置上均布置有对应的传感器,所述车辆各个位置包括车体、构架、轴箱;其中,传感器分别布置在车体车底架中梁下盖板上、转向架车轮轴箱盖上、转向架构架上;
S12:对步骤S11采集的原始数据进行清洗处理。
进一步地,步骤S11中的采样频率为2kHz。
进一步地,S12中,对步骤S11采集的原始数据进行清洗处理,保留列车以大于70km/h的速度在轨道正线运行时各个位置传感器采集的振动加速度数据,将每一段连续数据作为一个数据组。
进一步地,步骤S2包括以下子步骤:
S21:进行车辆动力学指标计算,使用车体振动、构架振动、轴箱振动分别计算出每组数据的车辆平稳性、转向架横向稳定性、轮轨振动强度三类动力学指标;
S22:将每组数据中三类动力学指标的平均值作为其特征值,各组特征值构成一个特征矩阵T;
S23:将每组数据的特征值进行专家经验评判,每组给出一个对应的动力学综合评价指标,共分为五级,从1级到5级服役能力依次降低,1为最好,5为最差;各组的指标值构成一个指标矩阵S;
S24:将特征矩阵中的各个值与其标准值进行比较后,构成新的特征矩阵T*:
其中,x0、y0、z0分别取平稳性、横向稳定性、轮轨振动强度的阈值。
进一步地,步骤S3中,基于车辆多指标的神经网络模型为BP神经网络模型,具体地,将特征矩阵T*与指标矩阵S作为训练样本输入模型进行训练;在训练好的网络模型中输入新的特征矩阵T*,即可自动输出其对应的动力学综合评价指标S。
本发明与现有技术相比,具有如下的优点和有益效果:
本发明采用车载装置采集车体、构架、轴箱三个位置的振动,可对应得到平稳性、横向稳定性、轮轨振动强度三类动力学指标,通过提取各指标的特征值构造特征矩阵输入网络模型得到动力学综合指标。本方法运用在城轨车辆上,可实现全方位的动力学信号监测,由信号计算的三类指标从多角度展现车辆动力学性能状态,动力学综合指标则是服役能力的整体表征。训练好的神经网络模型具有适应性和抗干扰性,能够自动评估出特征矩阵对应的动力学综合指标值。
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为本发明一种基于动力学监测的城轨车辆服役能力评估方法流程图。
图2为本发明一种基于动力学监测的城轨车辆服役能力评估方法详细流程图。
图3为本发明车载监测振动加速度传感器布置图。
图4为本发明的车载装置采集的原始振动数据图。
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。
在以下描述中,为了提供对本发明的透彻理解阐述了大量特定细节。然而,对于本领域普通技术人员显而易见的是:不必采用这些特定细节来实行本发明。在其他实例中,为了避免混淆本发明,未具体描述公知的结构、电路、材料或方法。
在整个说明书中,对“一个实施例”、“实施例”、“一个示例”或“示例”的提及意味着:结合该实施例或示例描述的特定特征、结构或特性被包含在本发明至少一个实施例中。因此,在整个说明书的各个地方出现的短语“一个实施例”、“实施例”、“一个示例”或“示例”不一定都指同一实施例或示例。此外,可以以任何适当的组合和、或子组合将特定的特征、结构或特性组合在一个或多个实施例或示例中。此外,本领域普通技术人员应当理解,在此提供的示图都是为了说明的目的,并且示图不一定是按比例绘制的。这里使用的术语“和/或”包括一个或多个相关列出的项目的任何和所有组合。
在本发明的描述中,需要理解的是,术语“前”、“后”、“左”、“右”、“上”、“下”、“竖直”、“水平”、“高”、“低”“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明保护范围的限制。
实施例
如图1、图2所示,本发明一种基于动力学监测的城轨车辆服役能力评估方法,本发明从动力学监测参数中提取出综合特征指标来评价车辆整体服役能力状态;本发明通过车载装置监测车体、轴箱、构架的振动加速度信号,计算得到平稳性、横向稳定性、轮轨振动强度三类动力学参数,再从参数中提取出特征值组成特征向量,运用神经网络得到评估车辆服役能力的综合动力学指标。此方法在城轨车辆中应用的具体过程如下:
S1:集成采集车辆多位置的振动数据;步骤S1具体包括:
S11:本发明利用车载装置采集车体底部、车轮轴箱、构架横梁三个位置的振动加速度信号,具体的传感器布置位置如图3所示,ZZC01表示轴箱振动传感器,GZC01表示构架振动传感器,CZC01表示车体振动传感器。通过该装置,在车辆正线运行时进行数据采集,采样频率为2kHz,车载装置采集的原始振动数据图如图4所示,(a)为车体振动数据,(b)为构架振动数据,(c)轴箱振动数据。
S12:清洗处理原始数据,从原数据中截取出每一段速度大于70km/h的连续振动数据作为数据组,每组数据包含车体振动信号x(t)、构架振动信号y(t)、轴箱振动信号z(t)。
S2:根据步骤S1采集的车辆多位置的振动数据,进行多指标的动力学特征提取,构造特征矩阵;步骤S2具体包括:
S21:计算各个数据组的三类动力学指标,计算过程如下:
(1)车辆平稳性
将车体垂向振动信号x(t)进行FFT变换并计算其频谱;对各个振动频率对应的所有频谱分别进行如下计算:
式中,W表示平稳性指标;A是振动加速度,g;f为振动频率,Hz;F(f)表示频率修正系数。
将各个频率的平稳性值进行加权处理,合成的平稳性指标W为:
其中,Ai为振动信号经过频谱分析后频率fi所对应的振动加速度幅值。
(2)转向架横向稳定性
取构架横向振动信号y(t)进行截止频率为40Hz的低通滤波;对滤波信号每秒计算出一个均方根值,即为横向稳定性指标。
其中,yrms为每秒的均方根,N为2k,yi为振动数值。
(3)轮轨振动强度
取车轮轴箱垂向振动信号z(t),计算其每秒的均方根,即为轮轨振动强度
其中,zrms为每秒的均方根,N为2k,zi为振动数值。
S22:求取每组数据中三类动力学指标的平均值,再将其作为特征值构造特征矩阵T:
其中,xj、yj、zj分别表示第j组数据的平稳性、横向稳定性、轮轨振动强度的特征值。
S24:将特征矩阵中的各个值与其标准值进行比较后,构成新的特征矩阵T*:
其中,x0表示平稳性阈值2.5,y0为横向稳定性阈值1.1,z0是轮轨振动强度阈值3.8。
S3:构建基于车辆多指标的BP神经网络模型,进行模型训练;根据训练好的模型,对待监测的车辆特征矩阵进行计算与分析,自动输出其对应的动力学综合指标值,评价车辆当前的服役能力状态。步骤S3具体包括:
首先确定神经网络结构,由于特征矩阵T*每行含有3个元素,动力学综合指标有5个等级,则输入层和输出层节点数分别为3和5;经过数值实验,确定隐含层的节点数为6,即BP神经网络的结构为3-6-5。然后将上述的特征矩阵T*与指标矩阵S分别作为神经网络的输入层和输出层进行模型训练;在训练好的网络模型中输入待监测的车辆的特征矩阵T*=[1.45 0.82 2.67],即可自动输出其对应的动力学综合评价指标S=[3]。
由此可知,上述计算出的动力学综合评价指标S=[3],表示车辆目前的服役能力为3级,该值在五个等级中处于中等水平,说明车辆的服役能力不佳。
实施时:首先,可以采用车载装置集成了多位置的振动传感器,可以同时采集车体、构架、轴箱的振动加速度信号,实现了全方位的动力学监测,并可统一打包传输,便于后续计算处理;其次,进行多指标的动力学特征提取,由各位置振动数据计算的平稳性、横向稳定性、轮轨振动强度,从不同角度反映了车辆动力学性能状态,提取三类指标的特征所构成的特征矩阵是动力学性能的综合表征,由此得到的动力学综合指标值的准确性较高;最后,采用神经网络模型的自动评估,使用特征矩阵和指标矩阵将神经网络模型训练好后,对于新的特征矩阵,该模型可以自动输出其对应的动力学综合指标值,反映车辆当前的服役能力状态。
本发明采用车载装置采集车体、构架、轴箱三个位置的振动,可对应得到平稳性、横向稳定性、轮轨振动强度三类动力学指标,通过提取各指标的特征值构造特征矩阵输入网络模型得到动力学综合指标。本方法运用在城轨车辆上,可实现全方位的动力学信号监测,由信号计算的三类指标从多角度展现车辆动力学性能状态,动力学综合指标则是服役能力的整体表征。训练好的神经网络模型具有适应性和抗干扰性,能够自动评估出特征矩阵对应的动力学综合指标值。
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 (4)
1.一种基于动力学监测的城轨车辆服役能力评估方法,其特征在于,该方法包括以下步骤:
S1:集成采集车辆多位置的振动数据;
S2:根据步骤S1采集的车辆多位置的振动数据,进行多指标的动力学特征提取,构造特征矩阵;
S3:构建基于车辆多指标的神经网络模型,进行模型训练;根据训练好的模型,对待监测的车辆特征矩阵进行计算与分析,自动输出其对应的动力学综合指标值,评价车辆当前的服役能力状态;
步骤S1包括以下子步骤:
S11:利用车载装置采集与动力学相关的车辆各个位置的振动加速度信号,且所述车辆各个位置上均布置有对应的传感器,所述车辆各个位置包括车体、构架、轴箱;其中,传感器分别布置在车体车底架中梁下盖板上、转向架车轮轴箱盖上、转向架构架上;
S12:对步骤S11采集的原始数据进行清洗处理;
步骤S2包括以下子步骤:
S21:进行车辆动力学指标计算,使用车体振动、构架振动、轴箱振动分别计算出每组数据的车辆平稳性、转向架横向稳定性、轮轨振动强度三类动力学指标;
S22:将每组数据中三类动力学指标的平均值作为其特征值,各组特征值构成一个特征矩阵T;
S23:将每组数据的特征值进行专家经验评判,每组给出一个对应的动力学综合评价指标,共分为五级,从1级到5级服役能力依次降低,1为最好,5为最差;各组的指标值构成一个指标矩阵S;
S24:将特征矩阵中的各个值与其标准值进行比较后,构成新的特征矩阵T*:
其中,x0、y0、z0分别取平稳性、横向稳定性、轮轨振动强度的阈值。
2.根据权利要求1所述的一种基于动力学监测的城轨车辆服役能力评估方法,其特征在于,步骤S11中的采样频率为2kHz。
3.根据权利要求1所述的一种基于动力学监测的城轨车辆服役能力评估方法,其特征在于,S12中,对步骤S11采集的原始数据进行清洗处理,保留列车以大于70km/h的速度在轨道正线运行时各个位置传感器采集的振动加速度数据,将每一段连续数据作为一个数据组。
4.根据权利要求3所述的一种基于动力学监测的城轨车辆服役能力评估方法,其特征在于,步骤S3中,基于车辆多指标的神经网络模型为BP神经网络模型,具体地,将特征矩阵T*与指标矩阵S作为训练样本输入模型进行训练;在训练好的网络模型中输入新的特征矩阵T*,即可自动输出其对应的动力学综合评价指标S。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010967476.8A CN112033709B (zh) | 2020-09-15 | 2020-09-15 | 一种基于动力学监测的城轨车辆服役能力评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010967476.8A CN112033709B (zh) | 2020-09-15 | 2020-09-15 | 一种基于动力学监测的城轨车辆服役能力评估方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112033709A CN112033709A (zh) | 2020-12-04 |
CN112033709B true CN112033709B (zh) | 2022-06-24 |
Family
ID=73590223
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010967476.8A Active CN112033709B (zh) | 2020-09-15 | 2020-09-15 | 一种基于动力学监测的城轨车辆服役能力评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112033709B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113312711B (zh) * | 2021-07-28 | 2021-09-28 | 成都运达科技股份有限公司 | 列车动力学下平稳驾驶分析方法、系统、终端及介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105973618A (zh) * | 2016-08-03 | 2016-09-28 | 南京理工大学 | 一种车轮服役状态安全域初步评估方法 |
CN109900501A (zh) * | 2019-01-31 | 2019-06-18 | 石家庄铁道大学 | 高速动车组整车人工智能无损检测方法 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103852269B (zh) * | 2012-12-01 | 2016-08-17 | 中车青岛四方机车车辆股份有限公司 | 高速列车运行动力学参数检测方法 |
JP2017173082A (ja) * | 2016-03-23 | 2017-09-28 | Ntn株式会社 | 鉄道用異常診断システムおよびデータ収集装置 |
CN105973457A (zh) * | 2016-04-28 | 2016-09-28 | 中国铁道科学研究院 | 动车组车载平稳性监控装置及方法 |
CN106250613A (zh) * | 2016-07-28 | 2016-12-21 | 南京理工大学 | 一种车轮服役状态安全域估计及故障诊断方法 |
CN110274776B (zh) * | 2019-06-19 | 2021-07-06 | 中国国家铁路集团有限公司 | 一种评判高速列车横向运动稳定性的方法及装置 |
CN110376003B (zh) * | 2019-07-25 | 2021-01-26 | 中南大学 | 基于bim的智能列车整车服役寿命预测方法及其系统 |
CN210533729U (zh) * | 2019-10-12 | 2020-05-15 | 广州运达智能科技有限公司 | 一种列车动力学状态采集系统 |
-
2020
- 2020-09-15 CN CN202010967476.8A patent/CN112033709B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105973618A (zh) * | 2016-08-03 | 2016-09-28 | 南京理工大学 | 一种车轮服役状态安全域初步评估方法 |
CN109900501A (zh) * | 2019-01-31 | 2019-06-18 | 石家庄铁道大学 | 高速动车组整车人工智能无损检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112033709A (zh) | 2020-12-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103852271B (zh) | 基于物联网的高速列车走行部故障诊断与远程监测系统 | |
CN102317770B (zh) | 用于对发声过程进行分类的方法和装置 | |
CN110308002B (zh) | 一种基于地面检测的城轨列车悬挂系统故障诊断方法 | |
CN103592122B (zh) | 城市轨道交通列车走行部故障诊断设备及方法 | |
CN104792937A (zh) | 一种基于车载重力加速度传感器的桥头跳车检测评价方法 | |
CN110409234B (zh) | 一种高速铁路钢轨平顺度动态检测方法和装置 | |
CN106092600A (zh) | 一种针对汽车试验场强化道路的路面识别方法 | |
CN109693679A (zh) | 一种列车运行品质的监测系统 | |
CN111751117A (zh) | 一种特种车辆健康状态评估方法及装置 | |
CN108180967B (zh) | 一种基于音频辅助的车辆动态称重系统及其作弊检测方法 | |
CN113562562A (zh) | 一种电梯安全预警监测系统及其判断方法 | |
CN106672015A (zh) | 动车组车轮故障监测的方法、装置和系统 | |
CN112033709B (zh) | 一种基于动力学监测的城轨车辆服役能力评估方法 | |
CN107121285A (zh) | 一种滚动轴承振动信号故障特征提取方法 | |
CN105572492A (zh) | 一种城轨列车辅助逆变器故障诊断装置 | |
CN106710242A (zh) | 基于桥梁动应变识别车队车辆数的方法 | |
CN114001819A (zh) | 轨道交通振动噪声监控系统 | |
CN110533115B (zh) | 基于变分模态分解的轨道电路传输特性定量评价方法 | |
CN102519577B (zh) | 道路中路面的识别方法及系统 | |
CN110809280B (zh) | 一种铁路无线网络质量的检测预警方法及装置 | |
CN115758289A (zh) | 一种基于多任务学习神经网络的钢轨波磨识别方法 | |
CN113281414B (zh) | 钢轨短波病害类型的识别方法及装置、以及电子设备 | |
CN114386467A (zh) | 基于声学特征的轨道车辆底架故障异响监测系统及方法 | |
CN105572493A (zh) | 一种车载-地面辅助逆变器远程故障诊断系统 | |
CN112860658A (zh) | 基于数据挖掘的高速列车电磁发射预测方法 |
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 |