CN112036581A - 交通工具空调系统的性能检测方法及装置、存储介质、终端 - Google Patents
交通工具空调系统的性能检测方法及装置、存储介质、终端 Download PDFInfo
- Publication number
- CN112036581A CN112036581A CN201910402897.3A CN201910402897A CN112036581A CN 112036581 A CN112036581 A CN 112036581A CN 201910402897 A CN201910402897 A CN 201910402897A CN 112036581 A CN112036581 A CN 112036581A
- Authority
- CN
- China
- Prior art keywords
- data
- performance index
- air conditioning
- conditioning system
- performance
- 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.)
- Granted
Links
- 238000004378 air conditioning Methods 0.000 title claims abstract description 145
- 238000001514 detection method Methods 0.000 title claims abstract description 76
- 238000012549 training Methods 0.000 claims abstract description 26
- 238000000034 method Methods 0.000 claims abstract description 20
- 238000005057 refrigeration Methods 0.000 claims description 25
- 230000002159 abnormal effect Effects 0.000 claims description 24
- 238000012417 linear regression Methods 0.000 claims description 9
- 230000008859 change Effects 0.000 claims description 5
- 238000012360 testing method Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 239000012634 fragment Substances 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 description 5
- 238000013467 fragmentation Methods 0.000 description 5
- 238000006062 fragmentation reaction Methods 0.000 description 5
- 238000012423 maintenance Methods 0.000 description 5
- 230000005856 abnormality Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000001816 cooling Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000002349 favourable effect Effects 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 230000035772 mutation Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000009423 ventilation Methods 0.000 description 2
- 230000001174 ascending effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 238000004064 recycling Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 239000003507 refrigerant Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
- 238000013024 troubleshooting Methods 0.000 description 1
Images
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
- G06Q10/00—Administration; Management
- G06Q10/20—Administration of product repair or maintenance
-
- 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)
- Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Educational Administration (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Air-Conditioning For Vehicles (AREA)
- Air Conditioning Control Device (AREA)
Abstract
一种交通工具空调系统的性能检测方法及装置、存储介质、终端，所述方法包括：从交通工具空调系统的历史运行数据中获取多个样本数据，其中，每个样本数据包括性能指标影响因素信息及其关联的性能指标值；利用性能指标影响因素信息及其关联的性能指标值，训练得到交通工具空调系统的性能检测模型；获取预设时间段内的待检测数据，待检测数据包括性能指标影响因素信息及其关联的性能指标值；基于待检测数据内的性能指标影响因素信息和性能检测模型，计算得到期望性能指标值；计算待检测数据内的性能指标值与期望性能指标值之间的偏差值，并基于偏差值判断交通工具空调系统在预设时间段内的性能。通过本发明的方案，可以对空调系统性能进行检测。
Description
技术领域
本发明涉及交通工具空调系统健康管理技术领域，具体地涉及一种交通工具空调系统的性能检测方法及装置、存储介质、终端。
背景技术
动车组是尖端技术的高度集成，其空调系统作为高速动车组十大配套技术之一，具有保证旅客舒适安全、保障车辆正常运行的作用。在任何气候和行驶条件下，动车组空调系统均可以通过强迫通风、人工制冷和采暖等方法，调节车内的温度、湿度、气流速度、车内压力等参数指标，从而为旅客提供舒适的车内环境。
随着全路各高速铁路、客运专线的相继开通，全路动车组配属数目呈直线上升趋势；与此同时，动车组故障率也在日益增加。在高速动车组各类故障中，空调系统故障已成为直接影响旅客乘坐体验的重要故障之一。由于动车组内的空气调节、通风换气均依靠空调系统进行；尤其是在天气炎热的夏季，空调系统一旦发生故障，将直接影响旅客的乘车环境，严重时甚至可能导致动车组无法继续运行，极大地影响正常的运输组织秩序。所以对动车组空调系统的故障识别和预警分析迫在眉睫。
目前对动车组空调系统的维修策略主要侧重于定时检修和事后维修，对于故障的早期检测尚且缺乏适用的方法和有效的技术，而且定时检修在一定程度上耗费了大量的人力物力财力。
类似地，可以从动车组空调系统扩展至其他交通工具空调系统，其他交通工具空调系统也存在类似技术问题和缺陷。因此，为了提高动车组和其他交通工具运行效率，降低运营成本，对交通工具空调系统进行性能检测，构建空调系统预警分析是非常必要的。
发明内容
本发明解决的技术问题是如何对交通工具空调系统进行性能检测。
为解决上述技术问题，本发明实施例提供一种交通工具空调系统的性能检测方法，包括：从交通工具空调系统的历史运行数据中获取多个样本数据，其中，每个样本数据包括性能指标影响因素信息及其关联的性能指标值；利用所述性能指标影响因素信息及其关联的性能指标值，训练得到所述交通工具空调系统的性能检测模型；获取预设时间段内的待检测数据，所述待检测数据包括性能指标影响因素信息及其关联的性能指标值；基于待检测数据内的性能指标影响因素信息和所述性能检测模型，计算得到期望性能指标值；计算所述待检测数据内的性能指标值与所述期望性能指标值之间的偏差值，并基于所述偏差值判断所述交通工具空调系统在所述预设时间段内的性能。
可选的，所述性能指标影响因素信息包括：所述交通工具的运行速度和所述交通工具的室外温度。
可选的，所述交通工具空调系统的性能指标值指的是所述交通工具内的制冷系统高压值。
可选的，所述基于所述偏差值判断所述交通工具空调系统在所述预设时间段内的性能包括：如果所述期望性能指标值与所述待检测数据内的性能指标值之间的偏差值超过预设阈值，则判断所述交通工具空调系统在所述预设时间段内存在异常风险。
可选的，所述待检测数据包括按照时间排布的多个数据点，所述计算所述待检测数据内的性能指标值与所述期望性能指标值之间的偏差值，并基于所述偏差值判断所述交通工具空调系统的性能包括：对于所述待检测数据，依次计算每个数据点的期望性能指标值与该数据点的性能指标值之间的偏差值，以得到按照时间排布的偏差值序列；如果所述偏差值序列中的各个偏差值按照预设趋势排布，则判断所述交通工具空调系统在所述预设时间段内存在异常风险。
可选的，所述待检测数据包括按照时间排布的多个数据点，所述计算所述待检测数据内的性能指标值与所述期望性能指标值之间的偏差值，并基于所述偏差值判断所述交通工具空调系统在所述预设时间段内的性能包括：对于所述多个数据点，依次计算每个数据点的期望性能指标值与该数据点的性能指标值之间的偏差值，以得到按照时间排布的偏差值序列；如果所述偏差值序列中具有突变偏差值，则判断所述交通工具空调系统在所述预设时间段内存在异常风险。
可选的，所述利用所述性能指标影响因素信息及其关联的性能指标值，训练得到所述交通工具空调系统的性能检测模型包括：基于线性回归模型，拟合得到所述性能指标影响因素信息及其关联的性能指标值之间的函数关系式的参数；将所述参数代入所述函数关系式，以得到所述交通工具空调系统的性能检测模型。
可选的，所述历史运行数据包括按时间排布的多个数据点，每个数据点携带的信息包括交通工具运行速度、所述交通工具空调系统的低压值和高压值，所述从交通工具空调系统的历史运行数据中获取多个样本数据包括：将所述交通工具空调系统的历史运行数据按照预设时间进行分片，以得到多个分片数据；对于所述多个分片数据中的每个分片数据，将包含数据点数量超出预设数量的分片数据作为备选分片数据，以得到备选分片数据集；对于所述备选分片数据集中的每个备选分片数据，将其中具有最大压差的数据点作为该备选分片数据的备选样本数据，以得到多个备选样本数据，所述最大压差指的是：对于该备选分片数据中的所有数据点，同一数据点的高压值与低压值的最大差值；对于所述备选样本数据，将其中满足预设运行速度条件的各个数据点作为所述多个样本数据。
为解决上述技术问题，本发明实施例还提供一种交通工具空调系统的性能检测装置，包括：第一获取模块，适于从交通工具空调系统的历史运行数据中获取多个样本数据，其中，每个样本数据包括性能指标影响因素信息及其关联的性能指标值；训练模块，适于利用所述性能指标影响因素信息及其关联的性能指标值，训练得到所述交通工具空调系统的性能检测模型；第二获取模块，适于获取预设时间段内的待检测数据，所述待检测数据包括性能指标影响因素信息及其关联的性能指标值；计算模块，适于基于待检测数据内的性能指标影响因素信息和所述性能检测模型，计算得到期望性能指标值；判断模块，适于计算所述待检测数据内的性能指标值与所述期望性能指标值之间的偏差值，并基于所述偏差值判断所述交通工具空调系统在所述预设时间段内的性能。
为解决上述技术问题，本发明实施例还提供一种存储介质，其上存储有计算机指令，所述计算机指令运行时执行上述方法的步骤。
为解决上述技术问题，本发明实施例还提供一种终端，包括存储器和处理器，所述存储器上存储有可在所述处理器上运行的计算机指令，所述处理器运行所述计算机指令时执行上述方法的步骤。
与现有技术相比，本发明实施例的技术方案具有以下有益效果：
本发明实施例提供一种交通工具空调系统的性能检测方法，包括：从交通工具空调系统的一组历史运行数据中选取得到多个样本数据，其中，每个样本数据包括性能指标影响因素信息及其关联的性能指标值；利用所述性能指标影响因素信息及其关联的性能指标值，训练得到所述交通工具空调系统的性能检测模型；获取预设时间段内的待检测数据，所述待检测数据包括性能指标影响因素信息及其关联的性能指标值；基于待检测数据内的性能指标影响因素信息和所述性能检测模型，计算得到期望性能指标值；计算所述待检测数据内的性能指标值与所述期望性能指标值之间的偏差值，并基于所述偏差值判断所述交通工具空调系统在所述预设时间段内的性能。本发明实施例通过分析交通工具(例如，动车组或地铁列车)空调系统实际运行时的性能指标值与基于性能检测模型计算得到的期望性能指标值之间的偏离情况，可以判断空调系统是否处于异常状态，进而检测出所述空调系统的早期故障。进一步，本发明实施例可以在不改变交通工具现有设备和检测条件的情况下，充分利用所述交通工具的历史运行数据，对空调系统进行性能判断和预测，有助于提前发现所述交通工具空调系统的潜在故障，可以减少空调系统故障对交通工具正常运营的影响。
进一步，所述性能指标影响因素信息包括：交通工具运行速度和交通工具室外温度。在交通工具运行过程中，本发明实施例将所述交通工具运行速度和交通工具室外温度作为性能指标影响因素信息，是现有设备易于获得的运行数据，无需更改现有设备，即可完成空调系统性能预测，进一步为检测出所述交通工具空调系统的潜在故障提供可行方案。
附图说明
图1是本发明实施例的一种交通工具空调系统的性能检测方法的流程示意图；
图2是本发明实施例的一种典型应用场景中的动车组空调系统的性能检测方法的流程示意图；
图3是本发明实施例的一种样本数据的选取方法的流程示意图；
图4是本发明实施例的一种交通工具空调系统的性能检测装置的结构示意图。
具体实施方式
本领域技术人员理解，如背景技术所言，当前的交通工具(如动车组)空调系统侧重于定时检修和事后维修，运营成本高，动车组空调系统的故障识别和预警分析迫在眉睫。
本发明实施例提供一种交通工具空调系统的性能检测方法，包括：从交通工具空调系统的一组历史运行数据中选取得到多个样本数据，其中，每个样本数据包括性能指标影响因素信息及其关联的性能指标值；利用所述性能指标影响因素信息及其关联的性能指标值，训练得到所述交通工具空调系统的性能检测模型；获取预设时间段内的待检测数据，所述待检测数据包括性能指标影响因素信息及其关联的性能指标值；基于所述待检测数据内的性能指标影响因素信息和所述性能检测模型，计算得到期望性能指标值；计算所述待检测数据内的性能指标值与所述期望性能指标值之间的偏差值，并基于所述偏差值判断所述交通工具空调系统在所述预设时间段内的性能。
本发明实施例通过分析交通工具(例如，动车组或地铁列车)空调系统实际运行时的性能指标值与基于性能检测模型计算得到的期望性能指标值之间的偏离情况，可以判断空调系统是否处于异常状态，进而检测出所述空调系统的早期故障。
进一步，本发明实施例可以在不改变动车组现有设备和检测条件的情况下，充分利用所述交通工具的历史运行数据，对空调系统进行性能判断和预测，有助于提前发现所述交通工具空调系统的潜在故障，可以减少空调系统故障对交通工具正常运营的影响。
为使本发明的上述目的、特征和有益效果能够更为明显易懂，下面结合附图对本发明的具体实施例做详细的说明。
图1是本发明实施例的一种交通工具空调系统的性能检测方法的流程示意图。所述性能检测方法可以用于检测交通工具空调系统是否正常运转，例如，用于检测动车组空调系统是否正常运转。
具体而言，所述性能检测方法可以包括以下步骤：
步骤S101，从交通工具空调系统的历史运行数据中获取多个样本数据，其中，每个样本数据包括性能指标影响因素信息及其关联的性能指标值；
步骤S102，利用所述性能指标影响因素信息及其关联的性能指标值，训练得到所述交通工具空调系统的性能检测模型；
步骤S103，获取预设时间段内的待检测数据，所述待检测数据包括性能指标影响因素信息及其关联的性能指标值；
步骤S104，基于所述待检测数据内的性能指标影响因素信息和所述性能检测模型，计算得到期望性能指标值；
步骤S105，计算所述待检测数据内的性能指标值与所述期望性能指标值之间的偏差值，并基于所述偏差值判断所述交通工具空调系统在所述预设时间段内的性能。
更具体而言，交通工具可以所述交通工具包括但不限于动车组列车、高速动车组列车、飞机、轮船等。交通工具在运行过程中，可以实时对其空调系统以及列车其他运行数据进行记录，从而可以形成按照时间排布的一组历史运行数据。所述历史运行数据可以包括按时间排布的多个数据点，每个数据点的信息可以包括交通工具的运行速度和室外温度、所述交通工具空调系统的低压值和高压值等信息。需要说明的是，所述历史运行数据是所述交通工具的性能状态为优良，处于正常运行，非性能故障时得到的数据。
在步骤S101中，可以从交通工具空调系统的一组历史运行数据中选取多个样本数据，以所述多个样本数据刻画交通工具空调系统正常运行时的系统性能。
在一个实施例中，所述样本数据至少可以包括性能指标影响因素信息及其关联的性能指标值。所述性能指标影响因素信息可以是交通工具的运行速度和交通工具的室外温度。与其关联的性能指标值可以是与所述性能指标影响因素信息同一时间采集的制冷系统高压值。本领域技术人员理解，当所述交通工具为动车组或高速动车组时，所述制冷系统高压值可以指的是客室制冷系统高压值。所述客室可以指的是所述动车组或高速动车组内，供旅客坐卧的各节车厢。
在具体实施中，从所述历史运行数据中得到所述多个样本数据，可以按照如下步骤获取：
首先，将所述交通工具空调系统的历史运行数据按照预设时间进行分片，以得到多个分片数据。在一个实施例中，所述预设时间可以是一天，半天、一个月等，具体取值可以根据实际需求确定。
其次，可以将包含数据点数量超出预设数量的分片数据作为备选分片数据，因而，可以从所述多个分片数据得到多个备选分片数据，所述多个备选分片数据可以形成备选分片数据集。其中，所述预设数量可以是基于用户经验确定的。
再次，对于所述备选分片数据集中的每个备选分片数据，可以将其中具有最大压差的数据点作为该备选分片数据的备选样本数据，以得到多个备选样本数据。其中，所述最大压差可以指的是：对于该备选分片数据中的所有数据点，同一数据点的高压值与低压值的最大差值。
之后，对于所述备选样本数据，可以将其中满足预设运行速度条件的各个数据点作为所述多个样本数据。满足所述预设运行速度条件，表示所述交通工具处于平稳、高速运行状态。所述预设运行速度条件可以指的是运行速度大于预设运行速度，或者运行速度在预设运行速度范围内。
例如，可以将具有所述交通工具的运行速度大于预设速度或处于预设速度范围内的各个备选样本数据作为所述样本数据。所述交通工具的运行速度大于预设速度或处于预设速度范围，表示所述交通工具平稳、高速运行。
在步骤S102中，可以利用所述样本数据中的每个数据点的性能指标影响因素信息及其关联的性能指标值进行训练，进而训练得到所述交通工具空调系统的性能检测模型。
在一个实施例中，所述性能检测模型可以是线性回归模型。基于所述线性回归模型，利用所述样本数据进行拟合，可以拟合得到所述性能指标影响因素信息及其关联的性能指标值之间的函数关系式的参数。之后，将所述参数代入所述函数关系式，就可以得到所述交通工具空调系统的性能检测模型。
具体而言，所述线性回归模型如下：
其中，
表示所述交通工具空调系统中的制冷系统的高压值的期望值；V表示所述交通工具的运行速度；Tout表示所述交通工具的室外温度；ε表示所述性能检测模型的拟合误差；f()函数表示所述性能检测模型，用于描述所述交通工具空调系统中的制冷系统的高压值与所述运行速度、所述室外温度之间的函数关系。需要说明的是，如果检测目标是所述交通工具空调系统中的各个制冷系统，则
表示制冷系统的高压值的期望值。
在步骤S103中，可以获取预设时间段内的待检测数据。所述待检测数据至少可以包括性能指标影响因素信息及其关联的性能指标值。其中，所述预设时间段可以是一段时间范围，也可以是时间点。
在步骤S104中，如果确定了所述待检测数据，则可以将所述待检测数据中的性能指标影响因素信息代入所述性能检测模型，并求解出该性能检测模型的期望性能指标值。
之后，可以在步骤S105中，从所述待检测数据提取出其性能指标影响因素信息关联的性能指标值，并可以对所述待检测数据的性能指标值与所述期望性能指标值进行比较，从而可以得到二者的偏差值。进一步，可以根据所述偏差值，判断所述交通工具空调系统的性能。
在一个实施例中，所述待检测数据可以仅包括一个数据点，此时，如果所述期望性能指标值与所述待检测数据内的性能指标值之间的偏差值超过预设阈值，则可以判断所述交通工具空调系统存在异常风险，具有很高概率处于性能超限状态。其中，所述异常风险指的是所述交通工具牵引变压器冷却系统具有较高概率存在异常，是否异常或是否故障需要其他进一步检测，从而可以准确判断所述系统是否发生故障。
在另一个实施例中，所述待检测数据可以包括按照时间排布的多个数据点。对于所述待检测数据，可以依次计算每个数据点的期望性能指标值与该数据点的性能指标值之间的偏差值，从而可以得到按照时间排布的偏差值序列。之后，可以根据所述偏差值序列呈现的性能趋势，判断所述交通工具空调系统在所述预设时间段内的性能。例如，所述预设趋势为偏差值逐渐增大，表示发生故障概率较大或性能下降。在此条件下，如果所述偏差值序列呈现的性能趋势与所述预设趋势相符，则可以判断所述交通工具空调系统存在异常风险，例如发生异常或者发生故障或性能呈下降趋势，并可以发出性能趋势预警，以提前对所述交通工具空调系统进行检修。
在另一个实施例中，所述待检测数据可以包括按照时间排布的多个数据点。对于所述待检测数据，可以依次计算每个数据点的期望性能指标值与该数据点的性能指标值之间的偏差值，从而可以得到按照时间排布的偏差值序列。如果所述偏差值序列中具有突变偏差值，则可以判断所述交通工具空调系统存在异常风险，例如发生异常、发生故障或性能下降。其中，所述突变偏差值与所述偏差值序列中的其他偏差值差异较大。当出现上述突变偏差值时，可能会破坏所述偏差值序列的排布规律。例如，所述偏差值序列中，数据点x与其他数据点之间的差值大于所述预设阈值，则可以认为该交通工具空调系统发生故障或存在异常，需要检修。
下面以动车组空调系统为具体实施例进行详细阐述。图2是本发明实施例的一种典型场景中的动车组空调系统的性能检测方法的流程示意图。
参考图2，所述动车组空调系统的性能检测方法的具体实施步骤如下：
首先，执行操作s1，即定义性能指标，所述性能指标可以是动车组内的客室制冷系统高压，其值(即性能指标值)为所述客室制冷系统高压值。具体而言，通过对动车组空调系统功能结构和工作原理的分析总结，定义动车组内的客室制冷系统高压值为动车组空调系统的性能指标，通过此性能指标来刻画动车组空调系统的整体性能。
其次，执行操作s2，即定义影响因素，也即性能指标影响因素信息。具体而言，通过对动车组空调系统工作原理和工作环境的分析总结，可以确定所述性能指标影响因素信息为动车组的运行速度和室外温度。
再次，执行操作s31和操作s32，即选择数据，并定义性能检测模型。具体而言，确定所述性能指标值与所述性能指标影响因素信息之间的函数关系，记性能检测模型为：
其中，
表示用于建模分析的客室制冷系统高压值期望值；V表示动车组的运行速度；Tout表示动车组的室外温度；ε表示所述性能检测模型的拟合误差；f()函数表示所述性能检测模型，用于描述所述动车组的客室制冷系统高压值与所述动车组的运行速度、所述动车组的室外温度之间的函数关系。
之后，执行操作s42，即选择线性回归模型拟合，并执行操作s41，即确定样本数据，可以从选择的数据中选出所述样本数据。
在具体实施时，可以将动车组空调系统中每个客室制冷系统看作是一个独立的模型研究对象，然后对该客室制冷系统进行数据采样，以得到所述样本数据。所述样本数据选择的是所述动车组空调系统无故障、无性能退化、并且处于正常运行状态(例如，高速、稳定运行状态)下的数据。
在具体实施中，选出所述样本数据的具体步骤可以参考图3。图3是本发明实施例的一种样本数据的选取方法的流程示意图。所述选取方法可以包括以下步骤：
步骤S301，对于指定的客室制冷系统，确定训练样本集S1。具体而言，可以采用指定的客室制冷系统对应的数据构建样本数据集，以进行性能检测模型训练，并将该样本数据集记为训练样本集S1；
步骤S302，对于训练样本集S1，匹配相同时刻下的性能指标值及其性能指标影响因素信息，得到训练样本集S2。具体而言，可以根据所述样本数据集S1中的时间信息，匹配相同时刻下，所述客室制冷系统高压值与低压值(为挑选建模数据时使用)、各性能指标影响因素信息(如动车组的运行速度和室外温度)，得到训练样本集S2；
步骤S303，对训练样本集S2进行分片，去除数量小于预设阈值的数据，以得到样本集S3。具体实施中，可以根据所述训练样本集S2，预设时间按“天”进行分片处理，其中若某个分片中的数据个数n<δ1，则将此分片去除，并将保留下来的N个分片，记为样本集S3。其中，δ1、N为正整数，可以根据经验确定；
进一步，在步骤S304中，从样本集S3中选择压差最大的数据，以得到样本集S4。具体地，可以确定每个分片选择客室制冷系统高压值与客室制冷系统低压值之间的压差中的最大插值对应的数据，使得每个分片仅有一个样本点，将所述N个分片经处理后得到的样本点作为建模模型的样本数据点，然后再循环处理其他各个分片，从而得到样本集S4；
步骤S305，从样本集S4中选出超过预设速度阈值的数据，以得到样本集S5。具体实施中，为避免因列车停车，开关门时造成的压力变化，所以需要对所述样本集S4作进一步处理，即选取动车组处于正常运行状态(如高速、稳定运行状态)下的数据，例如，动车组的运行速度为V，预设速度为v2，选择V>v2的数据，从而得到样本集S5，样本集S5包含所述样本数据。其中，v2是经验值，可以是正实数。
进一步，继续参考图2，基于得到的样本数据和线性回归模型，执行操作s5，即训练和测试性能检测模型，对所述性能检测模型进行拟合，以确定所述性能检测模型的参数。具体地，可以根据所述性能检测模型的函数关系，确定线性回归的输入变量数为2个，即所述影响因素；输出变量数为1个，即所述性能指标；所述影响因素的权重(例如，所述函数关系的参数)由训练决定，从而可以执行操作s6，即得到性能检测模型。
进一步，可以基于所述性能检测模型以及待检测数据中的性能指标影响因素信息进行动车组空调系统性能检测，即执行步骤s7，计算客室制冷系统高压值期望值，具体实施时，可以按照所述性能检测模型的输入，得到相应的客室制冷系统高压值的期望值
需要说明的是，所述待检测数据是通过执行操作s43，即确定待检测数据得到的。
之后，可以执行操作s8，即计算得到偏差值及偏差值序列。具体而言，可以从相关客室制冷系统传感器得到相应的客室制冷系统高压值的实际值Ph，计算偏差值
以及由偏差值构成的偏差值序列。
进一步，可以对偏差值ΔP及其构成的偏差值序列进行分析：
(1)执行操作s9，如果偏差值ΔP超过阈值，则执行操作s91，表明性能存在异常风险，例如性能超限，需要进行检修，排除故障或其他原因，则可以执行操作s91，发出性能超限预警；
(2)一并执行操作s10，如果偏差值序列发生了突变，表明性能存在异常风险，例如，动车组空调系统发生了故障，需要进行检修和故障排除，则可以执行操作s101，发出性能突变预警；
(3)一并执行操作s11，如果偏差值序列形成趋势，表明性能存在异常风险，例如动车组空调系统发生了故障或者性能在比较稳定的下降，需要密切关注并进行故障诊断，则可以执行操作s111，发出性能趋势预警，否则表明空调系统处于正常运行状态，无需提前检修。
此外，还可以根据ΔP的大小对动车组空调系统进行健康量化评估，为动车组的检修提供决策支持。
本领域技术人员理解，上述对偏差值ΔP及其构成的偏差值序列的分析过程可以并列执行，也可以顺序执行，在实际应用中，当执行操作s9发现性能存在异常风险时，可以停止执行操作s10和操作s11；或者，在执行操作s9和操作s10后发现性能存在异常风险时，可以停止执行操作s11，又或者，在执行操作s9和操作s11后发现性能存在异常风险时，可以停止执行操作s10。
由上，本发明实施例提出的交通工具空调系统的性能检测方法，可以通过分析空调系统实际运行时的性能指标与其期望值的偏离情况，检测空调系统的异常状态，进而识别空调系统的早期故障。同时可以在不改变交通工具现有设备和检测条件的情况下，充分利用历史运行数据，对动车组空调系统进行性能检测，提前发现空调系统故障，进一步减少空调系统故障对交通工具的正常运营影响。
图4是本发明实施例的一种交通工具空调系统的性能检测装置的结构示意图。所述交通工具空调系统的性能检测装置4(以下简称为性能检测装置4)可以用于采用上述图1至图3所示方法对交通工具空调系统进行预测，并可以根据预测结果发出预警信号。
具体而言，所述性能检测装置4可以包括：第一获取模块41，适于从交通工具空调系统的历史运行数据中获取多个样本数据，其中，每个样本数据包括性能指标影响因素信息及其关联的性能指标值；训练模块42，适于利用所述性能指标影响因素信息及其关联的性能指标值，训练得到所述交通工具空调系统的性能检测模型；第二获取模块43，适于获取预设时间段内的待检测数据，所述待检测数据包括性能指标影响因素信息及其关联的性能指标值；计算模块44，适于基于所述待检测数据内的性能指标影响因素信息和所述性能检测模型，计算得到期望性能指标值；判断模块45，适于计算所述待检测数据内的性能指标值与所述期望性能指标值之间的偏差值，并基于所述偏差值判断所述交通工具空调系统在所述预设时间段内的性能。
在具体实施中，所述性能指标影响因素信息可以包括：所述交通工具的运行速度和所述交通工具的室外温度。
在具体实施中，所述交通工具空调系统的性能指标值可以指的是所述交通工具内的制冷系统高压值。
在具体实施中，所述判断模块45可以包括：第一判断子模块451，如果所述期望性能指标值与所述待检测数据内的性能指标值之间的偏差值超过预设阈值，则所述第一判断子模块451适于判断所述交通工具空调系统存在异常风险。
在具体实施中，所述待检测数据包括按照时间排布的多个数据点，所述判断模块45可以包括：第一计算子模块452，适于对于所述待检测数据，依次计算每个数据点的期望性能指标值与该数据点的性能指标值之间的偏差值，以得到按照时间排布的偏差值序列；第二判断子模块453，如果所述偏差值序列中的各个偏差值按照预设趋势排布，则所述第二判断子模块453适于判断所述交通工具空调系统存在异常风险。
在具体实施中，所述待检测数据包括按照时间排布的多个数据点，所述判断模块45可以包括：第二计算子模块454，适于对于所述多个数据点，依次计算每个数据点的期望性能指标值与该数据点的性能指标值之间的偏差值，以得到按照时间排布的偏差值序列；第三判断子模块455，如果所述偏差值序列中具有突变偏差值，则所述第三判断子模块455适于判断所述交通工具空调系统存在异常风险。
在具体实施中，所述训练模块42可以包括：拟合子模块421，基于线性回归模型，拟合得到所述性能指标影响因素信息及其关联的性能指标值之间的函数关系式的参数；代入子模块422，适于将所述参数代入所述函数关系式，以得到所述交通工具空调系统的性能检测模型。
在具体实施中，所述历史运行数据包括按时间排布的多个数据点，每个数据点携带的信息包括交通工具运行速度、所述交通工具空调系统的低压值和高压值，所述第一获取模块41可以包括：分片子模块411，适于将所述交通工具空调系统的历史运行数据按照预设时间进行分片，以得到多个分片数据；第一生成子模块412，适于对于所述多个分片数据中的每个分片数据，将包含数据点数量超出预设数量的分片数据作为备选分片数据，以得到备选分片数据集；第二生成子模块413，适于对于所述备选分片数据集中的每个备选分片数据，将其中具有最大压差的数据点作为该备选分片数据的备选样本数据，以得到多个备选样本数据，所述最大压差指的是：对于该备选分片数据中的所有数据点，同一数据点的高压值与低压值的最大差值；第三生成子模块414，适于将对于所述备选样本数据，将其中满足预设运行速度条件的各个数据点作为所述多个样本数据。
关于所述性能检测装置4的工作原理、工作方式的更多内容，可以一并参照上述图1至图3所示实施例中的相关描述，这里不再赘述。
进一步地，本发明实施例还公开一种存储介质，其上存储有计算机指令，所述计算机指令运行时执行上述图1至图3所示实施例中所述方法技术方案。优选地，所述存储介质可以包括诸如非挥发性(non-volatile)存储器或者非瞬态(non-transitory)存储器等计算机可读存储介质。所述计算机可读存储介质可以包括ROM、RAM、磁盘或光盘等。
进一步地，本发明实施例还公开一种终端，包括存储器和处理器，所述存储器上存储有能够在所述处理器上运行的计算机指令，所述处理器运行所述计算机指令时执行上述图1至图3所示实施例中所述方法技术方案。具体而言，所述终端可以为动车组或其他车辆、轮船、飞机等。
虽然本发明披露如上，但本发明并非限定于此。任何本领域技术人员，在不脱离本发明的精神和范围内，均可作各种更动与修改，因此本发明的保护范围应当以权利要求所限定的范围为准。
Claims (11)
1.一种交通工具空调系统的性能检测方法，其特征在于，包括：
从交通工具空调系统的历史运行数据中获取多个样本数据，其中，每个样本数据包括性能指标影响因素信息及其关联的性能指标值；
利用所述性能指标影响因素信息及其关联的性能指标值，训练得到所述交通工具空调系统的性能检测模型；
获取预设时间段内的待检测数据，所述待检测数据包括性能指标影响因素信息及其关联的性能指标值；
基于所述待检测数据内的性能指标影响因素信息和所述性能检测模型，计算得到期望性能指标值；
计算所述待检测数据内的性能指标值与所述期望性能指标值之间的偏差值，并基于所述偏差值判断所述交通工具空调系统在所述预设时间段内的性能。
2.根据权利要求1所述的性能检测方法，其特征在于，所述性能指标影响因素信息包括：所述交通工具的运行速度和所述交通工具的室外温度。
3.根据权利要求1所述的性能检测方法，其特征在于，所述交通工具空调系统的性能指标值指的是所述交通工具内的制冷系统高压值。
4.根据权利要求1至3任一项所述的性能检测方法，其特征在于，所述基于所述偏差值判断所述交通工具空调系统在所述预设时间段内的性能包括：如果所述期望性能指标值与所述待检测数据内的性能指标值之间的偏差值超过预设阈值，则判断所述交通工具空调系统在所述预设时间段内存在异常风险。
5.根据权利要求1至3任一项所述的性能检测方法，其特征在于，所述待检测数据包括按照时间排布的多个数据点，所述计算所述待检测数据内的性能指标值与所述期望性能指标值之间的偏差值，并基于所述偏差值判断所述交通工具空调系统在所述预设时间段内的性能包括：
对于所述待检测数据，依次计算每个数据点的期望性能指标值与该数据点的性能指标值之间的偏差值，以得到按照时间排布的偏差值序列；
如果所述偏差值序列中的各个偏差值按照预设趋势排布，则判断所述交通工具空调系统在所述预设时间段内存在异常风险。
6.根据权利要求1至3任一项所述的性能检测方法，其特征在于，所述待检测数据包括按照时间排布的多个数据点，所述计算所述待检测数据内的性能指标值与所述期望性能指标值之间的偏差值，并基于所述偏差值判断所述交通工具空调系统在所述预设时间段内的性能包括：
对于所述多个数据点，依次计算每个数据点的期望性能指标值与该数据点的性能指标值之间的偏差值，以得到按照时间排布的偏差值序列；
如果所述偏差值序列中具有突变偏差值，则判断所述交通工具空调系统在所述预设时间段内存在异常风险。
7.根据权利要求1至3任一项所述的性能检测方法，其特征在于，所述利用所述性能指标影响因素信息及其关联的性能指标值，训练得到所述交通工具空调系统的性能检测模型包括：
基于线性回归模型，拟合得到所述性能指标影响因素信息及其关联的性能指标值之间的函数关系式的参数；
将所述参数代入所述函数关系式，以得到所述交通工具空调系统的性能检测模型。
8.根据权利要求1至3任一项所述的性能检测方法，其特征在于，所述历史运行数据包括按时间排布的多个数据点，每个数据点携带的信息包括交通工具运行速度、所述交通工具空调系统的低压值和高压值，所述从交通工具空调系统的历史运行数据中获取多个样本数据包括：
将所述交通工具空调系统的历史运行数据按照预设时间进行分片，以得到多个分片数据；
对于所述多个分片数据中的每个分片数据，将包含数据点数量超出预设数量的分片数据作为备选分片数据，以得到备选分片数据集；
对于所述备选分片数据集中的每个备选分片数据，将其中具有最大压差的数据点作为该备选分片数据的备选样本数据，以得到多个备选样本数据，所述最大压差指的是：对于该备选分片数据中的所有数据点，同一数据点的高压值与低压值的最大差值；
对于所述备选样本数据，将其中满足预设运行速度条件的各个数据点作为所述多个样本数据。
9.一种交通工具空调系统的性能检测装置，其特征在于，包括：
第一获取模块，适于从交通工具空调系统的历史运行数据中获取多个样本数据，其中，每个样本数据包括性能指标影响因素信息及其关联的性能指标值；
训练模块，适于利用所述性能指标影响因素信息及其关联的性能指标值，训练得到所述交通工具空调系统的性能检测模型；
第二获取模块，适于获取预设时间段内的待检测数据，所述待检测数据包括性能指标影响因素信息及其关联的性能指标值；
计算模块，适于基于所述待检测数据内的性能指标影响因素信息和所述性能检测模型，计算得到期望性能指标值；
判断模块，适于计算所述待检测数据内的性能指标值与所述期望性能指标值之间的偏差值，并基于所述偏差值判断所述交通工具空调系统在所述预设时间段内的性能。
10.一种存储介质，其上存储有计算机指令，其特征在于，所述计算机指令运行时执行权利要求1至8任一项所述的方法的步骤。
11.一种终端，包括存储器和处理器，所述存储器上存储有可在所述处理器上运行的计算机指令，其特征在于，所述处理器运行所述计算机指令时执行权利要求1至8任一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910402897.3A CN112036581B (zh) | 2019-05-15 | 2019-05-15 | 交通工具空调系统的性能检测方法及装置、存储介质、终端 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910402897.3A CN112036581B (zh) | 2019-05-15 | 2019-05-15 | 交通工具空调系统的性能检测方法及装置、存储介质、终端 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112036581A true CN112036581A (zh) | 2020-12-04 |
| CN112036581B CN112036581B (zh) | 2024-03-26 |
Family
ID=73575715
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910402897.3A Active CN112036581B (zh) | 2019-05-15 | 2019-05-15 | 交通工具空调系统的性能检测方法及装置、存储介质、终端 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112036581B (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113657490A (zh) * | 2021-08-16 | 2021-11-16 | 沭阳县源美装饰材料有限公司 | 一种基于人工智能的门窗静音检测方法 |
| CN113867306A (zh) * | 2021-07-30 | 2021-12-31 | 西安建筑科技大学 | 一种地铁站厅空调系统故障检测方法及系统 |
| CN114312213A (zh) * | 2021-12-14 | 2022-04-12 | 华人运通(江苏)技术有限公司 | 车辆的制冷剂容量异常预测方法、装置、设备及介质 |
| WO2023108953A1 (zh) * | 2021-12-16 | 2023-06-22 | 维谛技术有限公司 | 一种空调机组预测维护方法、装置、设备及介质 |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20130148817A1 (en) * | 2011-12-09 | 2013-06-13 | Tokyo Electron Limited | Abnormality detection apparatus for periodic driving system, processing apparatus including periodic driving system, abnormality detection method for periodic driving system, and computer program |
| CN103234753A (zh) * | 2013-04-11 | 2013-08-07 | 华北电力大学 | 基于高斯过程建模的风电机组轴系状态监测方法 |
| CN106161525A (zh) * | 2015-04-03 | 2016-11-23 | 阿里巴巴集团控股有限公司 | 一种多集群管理方法与设备 |
| CN106528940A (zh) * | 2016-10-13 | 2017-03-22 | 中车长春轨道客车股份有限公司 | 基于数理模型对列车车轴性能进行评价和预警的方法 |
| CN107168205A (zh) * | 2017-06-07 | 2017-09-15 | 南京航空航天大学 | 一种民机空调系统在线健康监测数据采集与分析方法 |
| CN107346565A (zh) * | 2016-05-04 | 2017-11-14 | 斑马网络技术有限公司 | 一种交通工具数据处理方法、装置和终端设备 |
| CN107807628A (zh) * | 2017-10-16 | 2018-03-16 | 南京航空航天大学 | 民用飞机空调系统热交换器性能退化评估方法 |
| CN109409621A (zh) * | 2019-01-18 | 2019-03-01 | 新誉轨道交通科技有限公司 | 一种列车空调维修调度系统及其工作方法 |
| CN109684118A (zh) * | 2018-12-10 | 2019-04-26 | 深圳前海微众银行股份有限公司 | 异常数据的检测方法、装置、设备及计算机可读存储介质 |
| CN109684179A (zh) * | 2018-09-03 | 2019-04-26 | 平安科技（深圳）有限公司 | 系统故障的预警方法、装置、设备及存储介质 |
| CN109727336A (zh) * | 2017-10-27 | 2019-05-07 | 波音公司 | 交通工具故障检测系统和用于交通工具故障检测的方法 |
-
2019
- 2019-05-15 CN CN201910402897.3A patent/CN112036581B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20130148817A1 (en) * | 2011-12-09 | 2013-06-13 | Tokyo Electron Limited | Abnormality detection apparatus for periodic driving system, processing apparatus including periodic driving system, abnormality detection method for periodic driving system, and computer program |
| CN103234753A (zh) * | 2013-04-11 | 2013-08-07 | 华北电力大学 | 基于高斯过程建模的风电机组轴系状态监测方法 |
| CN106161525A (zh) * | 2015-04-03 | 2016-11-23 | 阿里巴巴集团控股有限公司 | 一种多集群管理方法与设备 |
| CN107346565A (zh) * | 2016-05-04 | 2017-11-14 | 斑马网络技术有限公司 | 一种交通工具数据处理方法、装置和终端设备 |
| CN106528940A (zh) * | 2016-10-13 | 2017-03-22 | 中车长春轨道客车股份有限公司 | 基于数理模型对列车车轴性能进行评价和预警的方法 |
| CN107168205A (zh) * | 2017-06-07 | 2017-09-15 | 南京航空航天大学 | 一种民机空调系统在线健康监测数据采集与分析方法 |
| CN107807628A (zh) * | 2017-10-16 | 2018-03-16 | 南京航空航天大学 | 民用飞机空调系统热交换器性能退化评估方法 |
| CN109727336A (zh) * | 2017-10-27 | 2019-05-07 | 波音公司 | 交通工具故障检测系统和用于交通工具故障检测的方法 |
| CN109684179A (zh) * | 2018-09-03 | 2019-04-26 | 平安科技（深圳）有限公司 | 系统故障的预警方法、装置、设备及存储介质 |
| CN109684118A (zh) * | 2018-12-10 | 2019-04-26 | 深圳前海微众银行股份有限公司 | 异常数据的检测方法、装置、设备及计算机可读存储介质 |
| CN109409621A (zh) * | 2019-01-18 | 2019-03-01 | 新誉轨道交通科技有限公司 | 一种列车空调维修调度系统及其工作方法 |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113867306A (zh) * | 2021-07-30 | 2021-12-31 | 西安建筑科技大学 | 一种地铁站厅空调系统故障检测方法及系统 |
| CN113657490A (zh) * | 2021-08-16 | 2021-11-16 | 沭阳县源美装饰材料有限公司 | 一种基于人工智能的门窗静音检测方法 |
| CN113657490B (zh) * | 2021-08-16 | 2022-05-31 | 沭阳县源美装饰材料有限公司 | 一种基于人工智能的门窗静音检测方法 |
| CN114312213A (zh) * | 2021-12-14 | 2022-04-12 | 华人运通(江苏)技术有限公司 | 车辆的制冷剂容量异常预测方法、装置、设备及介质 |
| CN114312213B (zh) * | 2021-12-14 | 2023-10-17 | 华人运通(江苏)技术有限公司 | 车辆的制冷剂容量异常预测方法、装置、设备及介质 |
| WO2023108953A1 (zh) * | 2021-12-16 | 2023-06-22 | 维谛技术有限公司 | 一种空调机组预测维护方法、装置、设备及介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112036581B (zh) | 2024-03-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112036581B (zh) | 交通工具空调系统的性能检测方法及装置、存储介质、终端 | |
| CN110764493B (zh) | 一种适用于高速铁路的phm应用系统、方法及存储介质 | |
| CN111114519B (zh) | 一种铁路车辆制动故障预测方法及健康管理系统 | |
| CN103617110B (zh) | 服务器设备状态检修系统 | |
| CN110647539A (zh) | 一种用于车辆故障的预测方法和系统 | |
| CN108053075B (zh) | 一种报废车辆预测方法及系统 | |
| CN106662072A (zh) | 风力发电机状态监控方法与系统 | |
| CN105324900B (zh) | 用于电力设备的缺陷预警的方法和装置 | |
| 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 | |
| WO2011049667A1 (en) | System and method for selecting a maintenance operation | |
| JP2017077055A (ja) | 状態診断装置及びプログラム | |
| CN116380496B (zh) | 一种汽车车门疲劳耐久测试方法、系统及介质 | |
| CN109507992B (zh) | 一种机车制动系统部件的故障预测方法、装置及设备 | |
| Ma et al. | A prediction method based on stepwise regression analysis for train axle temperature | |
| CN111950822B (zh) | 交通工具牵引变压器冷却系统的性能检测方法及装置、存储介质、终端 | |
| CN112990329B (zh) | 一种系统异常诊断方法和装置 | |
| CN118391783A (zh) | 一种基于rams的地铁空调水系统实时监控与故障预测系统及方法 | |
| CN112319550B (zh) | 一种基于列车初上电的故障诊断方法、系统、装置及列车 | |
| CN105260814A (zh) | 一种基于大数据的输变电设备评估模型及处理方法 | |
| CN115114124A (zh) | 主机风险的评估方法及评估装置 | |
| CN112460738B (zh) | 空调系统的状态识别方法及装置、存储介质、终端 | |
| CN114004268A (zh) | 一种牵引系统故障的在线诊断方法及装置 | |
| CN116432397A (zh) | 一种基于数据模型的轨道交通故障预警方法 | |
| JP2023151268A (ja) | 車両用ドア装置診断システム、及び、車両用ドア装置診断方法 | |
| US12030537B2 (en) | Method for analyzing conditions of technical components |
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 |