CN112326280B - 列车转向架的故障检测方法、装置和计算机可读介质 - Google Patents
列车转向架的故障检测方法、装置和计算机可读介质 Download PDFInfo
- Publication number
- CN112326280B CN112326280B CN202110012443.2A CN202110012443A CN112326280B CN 112326280 B CN112326280 B CN 112326280B CN 202110012443 A CN202110012443 A CN 202110012443A CN 112326280 B CN112326280 B CN 112326280B
- Authority
- CN
- China
- Prior art keywords
- fault detection
- feature
- train bogie
- group
- operation data
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Electric Propulsion And Braking For Vehicles (AREA)
- Train Traffic Observation, Control, And Security (AREA)
Abstract
本发明提供了列车转向架的故障检测方法、装置和计算机可读介质。该故障检测方法包括:获取列车转向架在运行过程中的当前运行数据;从至少两个特征组中确定一个目标特征组;将当前运行数据输入到一个与目标特征组相对应的故障检测模型,获得针对列车转向架当前运行状态的故障检测结果,其中在故障检测之前,所述至少两个特征组是根据该列车转向架的至少两种运行状态下运行时的历史运行数据确定的,且针对每一个特征组构建有与之对应的故障检测模型,该故障检测模型是利用该特征组对应的历史运行数据构建的,且与该特征组所表征的运行状态相对应。本方案能够提高对列车转向架进行故障检测的准确性。
Description
技术领域
本发明涉及轨道交通技术领域,特别涉及列车转向架的故障检测方法、装置和计算机可读介质。
背景技术
随着科学技术和经济的发展,轨道交通已经成为了人们日常生活和国家经济发展中必不可少的交通工具,当然,随之而来的是轨道交通的安全运营也越来越受到人们的关注。转向架是轨道列车的重要组成部分,它的性能直接关系到轨道列车的安全性和可靠性。转向架关键部件的故障往往会导致列车的各部位振动加剧、性能下降,甚至发生脱轨和翻车的情况。因此,对轨道列车的转向架进行故障诊断在实际应用中具有重要意义。
目前,在转向架的故障检测中主要采用支持向量机(Support Vector Machine,SVM)的故障诊断方法和故障搜索识别算法。SVM诊断方法通过非线性映射,将输入向量映射到一个高维的特征空间,通过在这个高维的特征空间构造最优分离超平面,达到对转向架典型故障进行分类识别的目的。故障搜索识别算法利用计算机对采集的信号进行频谱分析实现对故障类型的判别。
现有利用支持向量机的故障诊断方法和故障搜索识别方法检测转向架故障时,均采用列车恒定运行状态下列车转向架的运行数据构建故障检测模型,但列车实际运行过程中其运行状态是动态变化的,而列车转向架的运行状态会随列车运行状态同步变化,因此列车转向架的运行状态可能与故障检测模型所对应的运行状态不符,此时利用所构建的故障检测模型对列车转向架进行故障检测将产生较大的误差,从而导致对列车转向架进行故障检测的准确性较低。
发明内容
本发明提供了列车转向架的故障检测方法、装置和计算机可读介质,能够提高对列车转向架进行故障检测的准确性。
第一方面,本发明实施例提供了一种列车转向架的故障检测方法,该故障检测的方法包括:
获取列车转向架在运行过程中的当前运行数据;
从所述至少两个特征组中确定一个目标特征组,其中,所述目标特征组对应的历史运行数据所表征的运行状态更接近于所述当前运行数据所表征的运行状态;
将所述当前运行数据输入到一个与所述目标特征组相对应的故障检测模型,获得针对所述列车转向架当前运行状态的故障检测结果;
其中,在故障检测之前,所述至少两个特征组是根据该列车转向架的至少两种运行状态下运行时的历史运行数据确定的,且针对每一个特征组构建有与之对应的故障检测模型,该故障检测模型是利用该特征组对应的历史运行数据构建的,且与该特征组所表征的运行状态相对应。
在一种可能的实现方式中,运行数据包括如下中的至少一项:
所述列车转向架运行过程中的环境数据;
所述列车转向架所在列车接收到的运行指令;
在列车和/或列车转向架上设置的各个传感器的读数。
在一种可能的实现方式中,所述根据所述历史运行数据确定至少两个特征组的步骤,包括:
从所述历史运行数据中提取至少两种信号特征,其中,所述至少两种信号特征包括至少两种不同运行状态所对应的信号特征,所述信号特征用于表征所述列车转向架发生故障时发生变化的特征;
针对每一种信号特征,利用聚类算法对该信号特征进行聚类,获得至少两个特征组。
在一种可能的实现方式中,所述从所述至少两个特征组中确定一个目标特征组的步骤,包括:
提取所述当前运行数据的信号特征;
针对每一个所述特征组,确定该特征组对应的信号特征与所述当前运行数据的信号特征之间的相似度;
根据所述相似度,从所述至少两个特征组中确定所述目标特征组,其中,所述目标特征组对应的信号特征与所述当前运行数据的信号特征之间的相似度更大。
在一种可能的实现方式中,所述信号特征包括如下中的至少一项:频谱、熵、各子频带的能量比。
在一种可能的实现方式中,所述从所述至少两个特征组中确定一个目标特征组的步骤包括:
基于各个所述特征组中对应的历史运行数据,对所述当前运行数据进行监督学习,以预测得到所述目标特征组。
在一种可能的实现方式中,利用所述特征组对应的历史运行数据构建所述故障检测模型的步骤包括:
将该特征组对应的历史运行数据输入长短时记忆神经网络进行训练,获得与该特征组相对应的所述故障检测模型,以使所述故障检测模型根据所述当前运行数据输出故障检测结果,其中,所述故障检测结果用于指示所述列车转向架发生各种类型故障的概率。
在一种可能的实现方式中,利用所述特征组对应的历史运行数据构建所述故障检测模型的步骤包括:
将所述特征组对应的历史运行数据进行线性拟合,得到线性拟合结果和线性拟合残差;
对所述线性拟合残差进行非线性拟合,获得非线性拟合结果;
根据所述线性拟合结果和所述非线性拟合结果,获得与所述特征组相对应的所述故障检测模型。
第二方面,本发明实施例还提供了一种列车转向架的故障检测装置,包括:
一个特征组确定模块,用于获取列车转向架在至少两种运行状态下运行时的历史运行数据;根据所述历史运行数据,确定至少两个特征组,其中,每个所述特征组所对应的历史运行数据能够表征所述列车转向架的同一运行状态,不同的所述特征组分别表征所述列车转向架的不同运行状态;每一个所述特征组构建有与之对应的故障检测模型,该故障检测模型是利用该特征组对应的历史运行数据构建的,且与该特征组所表征的运行状态相对应;
一个当前运行数据获取模块,用于获取列车转向架在运行过程中的当前运行数据;
一个目标特征组确定模块,用于从所述特征组确定模块确定出的所述至少两个特征组中确定一个目标特征组,其中,所述目标特征组对应的历史运行数据所表征的运行状态更接近于所述当前运行数据所表征的运行状态;
一个结果输出模块,用于将所述当前运行数据输入到一个与所述目标特征组确定模块确定出的所述目标特征组相对应的故障检测模型,获得针对所述列车转向架当前运行状态的故障检测结果。
在一种可能的实现方式中,运行数据包括如下中的至少一项:
所述列车转向架运行过程中的环境数据;
所述列车转向架所在列车接收到的运行指令;
在列车和/或列车转向架上设置的各个传感器的读数。
在一种可能的实现方式中,所述特征组确定模块包括:
一个历史信号特征提取单元,用于从所述历史运行数据中提取至少两种信号特征,其中,所述至少两种信号特征包括至少两种不同运行状态所对应的信号特征,所述信号特征用于表征所述列车转向架发生故障时发生变化的特征;
一个信号特征聚类单元,用于针对所述历史信号特征提取单元得到的每一种信号特征,利用聚类算法对该信号特征进行聚类,获得至少两个特征组。
在一种可能的实现方式中,所述目标特征组确定模块包括:
一个当前信号特征提取单元,用于提取所述当前运行数据的信号特征;
一个相似度确定单元,用于针对每一个所述特征组,确定该特征组对应的信号特征与所述当前信号特征提取单元提取出的所述当前运行数据的信号特征之间的相似度;
一个目标特征组确定单元,用于根据所述相似度确定单元确定出的所述相似度,从所述至少两个特征组中确定所述目标特征组,其中,所述目标特征组对应的信号特征与所述当前运行数据的信号特征之间的相似度更大。
在一种可能的实现方式中,所述信号特征包括如下中的至少一项:频谱、熵、各子频带的能量比。
在一种可能的实现方式中,
所述目标特征组确定模块,用于基于各个所述特征组中对应的历史运行数据,对所述当前运行数据进行监督学习,以预测得到所述目标特征组。
在一种可能的实现方式中,
所述特征组确定模块,用于将该特征组对应的历史运行数据输入长短时记忆神经网络进行训练,获得与该特征组相对应的所述故障检测模型,以使所述故障检测模型根据所述当前运行数据输出故障检测结果,其中,所述故障检测结果用于指示所述列车转向架发生各种类型故障的概率。
在一种可能的实现方式中,所述特征组确定模块包括:
一个线性拟合单元,用于将所述特征组对应的历史运行数据进行线性拟合,得到线性拟合结果和线性拟合残差;
一个非线性拟合单元,用于对所述线性拟合单元得到的所述线性拟合残差进行非线性拟合,获得非线性拟合结果;
一个回归融合单元,用于根据所述线性拟合单元得到的所述线性拟合结果和所述非线性拟合单元得到的所述非线性拟合结果,获得与所述特征组相对应的所述故障检测模型。
第三方面,本发明实施例还提供了一种列车转向架的故障检测装置,包括:至少一个存储器和至少一个处理器;
所述至少一个存储器,用于存储机器可读程序;
所述至少一个处理器,用于调用所述机器可读程序,执行第一方面所述的列车转向架的故障检测方法中任一所述的方法。
第四方面,本发明实施例还提供了一种计算机可读介质,所述计算机可读介质上存储有计算机指令,所述计算机指令在被处理器执行时,使所述处理器执行第一方面所述的列车转向架的故障检测方法中任一所述的方法。
由上述技术方案可知,对列车转向架的故障进行检测是依托于该列车转向架的故障检测模型的。具体地,首先需要获取用于表征列车转向架不同运行状态的至少两个历史运行数据,然后对该两个历史运行数据进行特征组划分,以使每个特征组对应一种列车转向架的运行状态,进而利用每个特征组所对应的历史运行数据分别构建故障检测模型。当采集到列车转向架当前的运行数据时,将当前运行数据输入构建的与目标特征组相对应故障检测模型中,以获得故障检测结果,由此可见,本方案在构建故障检测模型时,是针对各种不同的运行状态分别构建了故障检测模型,当对列车转向架进行故障检测时,通过采集的当前运行数据确定出其所对应的列车转向架的运行状态,进而可以确定该运行数据所对应的故障检测模型,如此利用当前运行数据经该故障检测模型可以获得待检测的列车转向架的故障检测结果。因此,本方案解决了由于列车转向架的运行状态与故障检测模型所对应的运行状态不符而导致故障检测存在较大误差的问题,从而提高了对列车转向架进行故障检测的准确性。
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,还可以基于这些附图获得其他的附图。
图1是本发明一个实施例提供的一种列车转向架的故障检测方法的流程图;
图2是本发明一个实施例提供的一种确定特征组方法的流程图;
图3是本发明一个实施例提供的一种确定目标特征组方法的流程图;
图4是本发明一个实施例提供的一种构建故障检测模型的方法的流程图;
图5是本发明一个实施例提供的另一种列车转向架的故障检测方法的流程图;
图6是本发明一个实施例提供的一种列车转向架的故障检测装置的结构示意图;
图7是本发明一个实施例提供的一种特征组确定模块的结构示意图;
图8是本发明一个实施例提供的一种目标特征组确定模块的结构示意图;
图9是本发明一个实施例提供的另一种特征组确定模块的结构示意图;
图10是本发明一个实施例提供的一种包括存储器和处理器的列车转向架的故障检测装置的示意图。
附图标记列表
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做出创造性劳动的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。
如图1所示,本发明提供了一种列车转向架的故障检测方法100,在故障检测之前的步骤包括:需要获取列车转向架的至少两种运行状态下运行时的历史运行数据;根据历史运行数据,确定至少两个特征组,其中,每个特征组所对应的历史运行数据能够表征列车转向架的同一运行状态,不同的特征组分别表征列车转向架的不同运行状态;每一个特征组构建有与之对应的故障检测模型,该故障检测模型是利用该特征组对应的历史运行数据构建的,且与该特征组所表征的运行状态相对应;
该故障检测方法可以包括如下步骤:
步骤101:获取列车转向架在运行过程中的当前运行数据;
步骤102:从至少两个特征组中确定一个目标特征组,其中,目标特征组对应的历史运行数据所表征的运行状态更接近于当前运行数据所表征的运行状态;
步骤103:将当前运行数据输入到一个与目标特征组相对应的故障检测模型,获得针对列车转向架当前运行状态的故障检测结果。
在本发明实施例中,对列车转向架的故障进行检测是依托于该列车转向架的故障检测模型的。具体地,首先需要获取用于表征列车转向架不同运行状态的至少两个历史运行数据,然后对该两个历史运行数据进行特征组划分,以使每个特征组对应一种列车转向架的运行状态,进而利用每个特征组所对应的历史运行数据分别构建故障检测模型。当采集到列车转向架当前的运行数据时,将当前运行数据输入构建的与目标特征组相对应故障检测模型中,以获得故障检测结果,由此可见,本方案在构建故障检测模型时,是针对各种不同的运行状态分别构建了故障检测模型,当对列车转向架进行故障检测时,通过采集的当前运行数据确定出其所对应的列车转向架的运行状态,进而可以确定该运行数据所对应的故障检测模型,如此利用当前运行数据经该故障检测模型可以获得待检测的列车转向架的故障检测结果。因此,本方案解决了由于列车转向架的运行状态与故障检测模型所对应的运行状态不符而导致故障检测存在较大误差的问题,从而提高了对列车转向架进行故障检测的准确性。
在一种可能的实现方式中,如图1所示的列车转向架的故障检测方法,运行数据可以包括如下中的至少一项:
列车转向架运行过程中的环境数据;
列车转向架所在列车接收到的运行指令;
在列车和/或列车转向架上设置的各个传感器的读数。
在本发明实施例中,运行数据可以是历史运行数据,也可以是当前运行数据,其均可以至少包括列车转向架运行过程中的环境数据、列车转向架所在列车接收到的运行指令和列车和/或列车转向架上设置的各个传感器的读数中的至少一个,如此采集到的历史运行数据构建故障检测模型能够包括列车转向架的各种运行状态,能够为任意状态采集到的当前运行数据进行准确的故障检测提供了保证。即采集到的当前运行数据可以保证获取到与列车转向架的运行状态相关的各种特征参数,从而提高了列车转向架的运行状态识别和故障检测的准确性。
在一种可能的实现方式中,基于图1所示的列车转向架的故障检测方法的基础上,在根据历史运行数据确定至少两个特征组时可以通过聚类的方法得到。如图2所示,具体地可以通过如下步骤来实现:
步骤201:从历史运行数据中提取至少两种信号特征,其中,至少两种信号特征包括至少两种不同运行状态所对应的信号特征,信号特征用于表征列车转向架发生故障时发生变化的特征;
步骤202:针对每一种信号特征,利用聚类算法对该信号特征进行聚类,获得至少两个特征组。
在本发明实施例中,在根据历史运行数据确定至少两个特征组时,可以先从历史运行数据中提取出列车转向架发生故障时发生变化的至少两类信号特征,然后针对每一类信号特征进行聚类计算,从而确定出至少两个特征组。由此可见,本方案在构建模型过程中的确定特征组时,是通过聚类算法对信号特征进行了分类,即实现了将信号特征按照列车转向架的不同运行状态的分类,从而后续可以构建出针对不同运行状态的故障检测模型,以对不同的运行状态的故障进行检测。
除此之外,在获取列车转向架的历史运行数据之后,进一步需要根据预先设定的特征提取规则对获取到的历史运行数据进行特征提取,将历史运行数据中与该列车转向架运行状态相关的特征提取出来,最后可以通过预设的一些特征筛选的方法,将在列车转向架发生故障时会发生变化的运行特征筛选出来,如此确定出列车转向架的信号特征。由此可见,通过对获取到的历史运行数据进行特征提取和筛选,可以得到与列车转向架发生故障时会引起变化的特征,从而除去了与列车转向架发生故障时相关程度不高的特征,如此利用筛选后的特征构建模型时,对列车转向架的运行状态判断更加准确,从而也就可以得到更加准确的故障检测结果。而且对历史运行数据进行提取和筛选,精简了用于对列车转向架的运行状态进行分类的数据,如此不仅保证了对列车转向架的运行状态的分类精度,而且有利于释放处理器的内存,从而提升模型训练的效率。
在一种可能的实现方式中,基于图1所示的列车转向架的故障检测方法的基础上,在从至少两个特征组中确定目标特征组时,可以比较当前运行数据的信号特征与各个特征组对应的信号特征之间的相似度。如图3所示,具体的步骤可以包括:
步骤301:提取当前运行数据的信号特征;
步骤302:针对每一个特征组,确定该特征组对应的信号特征与当前运行数据的信号特征之间的相似度;
步骤303:根据相似度,从至少两个特征组中确定目标特征组,其中,目标特征组对应的信号特征与当前运行数据的信号特征之间的相似度更大。
在本发明实施例中,需要根据当前运行数据的信号特征从由历史运行数据确定的至少两个特征组中确定出目标特征组。具体地,首先需要判断每一个特征组所对应的信号特征与当前运行数据的信号特征之间的相似度大小,然后将特征组对应的信号特征与当前运行数据的信号特征之间的相似度较大的特征组确定为目标特征组。由此可见,本方案是通过判断当前运行数据的信号特征与特征组对应的信号特征的相似程度来确定目标特征组,在依据相似性作出判断时,可以根据实际应用中的需求动态调整相似度阈值,从而可以根据实际情况满足更多的需求。此外,基于相似度的算法具有很多类型,因此用于确定该目标特征组的相似度算法具有非常宽泛的可选择性。
在一种可能的实现方式中,如图2和3所示的列车转向架的故障检测方法,信号特征可以包括如下中的至少一项:频谱、熵、各子频带的能量比。
在本发明实施例中,考虑从运行数据中提取能够表征列车转向架运行状态的特征,诸如频谱变化,熵的变化以及子频带的能量比的变化等。如此通过这些在列车转向架发生故障时能够清晰的发生变化的特征,能够建立更加准确的故障检测模型,通过这些特征也能够从故障检测模型中得到更加准确的故障检测结果。
在一种可能的实现方式中,如图2所示的列车转向架的故障检测方法,在从至少两个特征组中确定一个目标特征组时,可以考虑基于各个特征组中对应的历史运行数据,对当前运行数据进行监督学习,以预测得到目标特征组。
在本发明实施例中,在从多个特征组中确定目标特征组时,通过监督学习的方式对目标特征组进行预测,不仅可以实现快速的利用运行数据与众多的特征组进行比对,而且能够使得预测出的目标特征组的结果更加准确。
在一种可能的实现方式中,如图1所示的方法,在利用特征组对应的历史运行数据构建故障检测模型时,可以考虑将该特征组对应的历史运行数据输入长短时记忆神经网络进行训练,获得与该特征组相对应的故障检测模型,以使故障检测模型根据当前运行特征输出故障检测结果。
在本发明实施例中,表征列车转向架处于故障运行状态的历史运行特征包括故障类型信息,其中故障类型信息用于表征列车转向架所发生的故障的类型,而由故障检测模型输出的故障检测结果可以用于指示该列车转向架发生各种类型故障的概率。
由于传统的循环神经网络的基本思想是随时间反向传播算法,但在随时间反向传播过程中,跨时间步和长时间学习使后续节点的梯度往往不能按照初值传到最初的位置,容易出现梯度弥散的问题。由于长短时记忆神经网络是通过设计来避免长期依赖问题的,因此在本发明实施例中,采用长短时记忆神经网络进行数据训练来获得模型,可以获得更加可靠的故障检测模型,从而在对列车转向架进行故障检测时能获得更加准确的故障检测结果。
在一种可能的实现方式中,基于图1所示的方法,在利用特征组对应的历史运行数据构建故障检测模型时,还可以考虑利用线性和非线性回归融合的方式进行模型构建。如图4所示,该步骤可以包括:
步骤401:将特征组对应的历史运行数据进行线性拟合,得到线性拟合结果和线性拟合残差;
步骤402:对线性拟合残差进行非线性拟合,获得非线性拟合结果;
步骤403:根据线性拟合结果和非线性拟合结果,获得与特征组相对应的故障检测模型。
在本发明实施例中,考虑利用线性和非线性回归融合的方式来进行模型构建。具体地,先通过线性拟合对历史运行数据进行拟合,然后针对线性拟合后的残差利用非线性拟合的方式再次进行拟合,如此通过综合线性拟合和非线性拟合的结果即可以得到精度更高的故障检测模型。
为使本发明的技术方案和优点更加明确,下面对本发明实施例提供的一种列车转向架的故障检测方法作进一步详细说明。如图5所示,该列车转向架的故障检测方法500可以包括:
步骤501:获取列车转向架在至少两个运行状态下的历史运行数据。
在本发明实施例中,历史运行数据包括环境数据、车辆运行数据、部件运行数据和传感器数据中的至少一个,环境数据包括列车转向架运行过程中的环境参数,车辆运行数据和部件运行数据可以包括列车转向架所在列车接收到的运行指令,传感器数据包括列车转向架的状态参数和列车的状态参数。所采集的历史运行数据应包括列车转向架的数据以及列车的数据。在采集数据时应尽量将与列车转向架的运行状态相关的数据都采集到,并将其作为进行数据分析的原始数据,如此在对列车的运行状态进行分类以及构建模型时才能更加准确和全面。
在本发明实施例中,环境数据主要包括列车运行过程中的周边的路况,例如列车的运行路线、列车处于上坡、下坡、直线运行以及曲线运行等,此外还可以包括外部环境的空气温度、轨道温度甚至空气湿度等。运行数据可以包括列车的运行数据和列车部件的运行数据,这些数据主要以接收到的启停指令为主,例如列车或列车转向架的启停频率。列车和列车转向架上应根据需求安装各种传感器,例如安装在主要部件(轴箱、牵引电机、齿轮箱等)上用于收集振动信号的振动传感器,安装在轴承、轴箱以及电机等上面用于实时监测温度变化的温度传感器,用于检测列车和列车转向架运行速度或用于监控齿轮转速的速度传感器,以及用于检测周边温湿状态的温度传感器和湿度传感器等。因为不同的数据可能对应不同的列车运行状态,因此应尽可能采集多的与列车和列车转向架相关的历史数据,从而可以获得更加全面的与列车转向架运行状态相关的信息。
步骤502:对历史运行数据进行处理,获得至少两个运行特征。
在本发明实施例中,对历史运行数据进行处理的过程主要可以包括对历史运行数据进行特征提取以及特征筛选。具体地,首先针对采集到的历史运行数据进行特征提取,以将与列车转向架的运行状态相关的数据提取出来,进一步,通过对提取的列车转向架的运行特征进行特征筛选,以将当列车转向架发生故障时会发生变化的特征筛选出来。
在车辆运行过程中,车辆和被研究部件的运行工况是复杂的、动态的,从而影响运行参数的因素很多。例如,所研究部件的温升模式可以与环境温度、列车速度、负载、转矩、制动力、连续运行时间、列车启停频率等相关,因此首先需要对采集到的参数进行特征提取。例如对部件的温升模式进行提取,以去除由于环境温度所导致的温升,同时将温差以及温度上升速率等参数提取出来。
在对信号进行提取时,可以采用诸如FFT(快速傅里叶变换)、EMD(经验模态分解)以及WPT(小波包分解)等信号处理手段对特征进行提取,比如提取信号的频谱、熵、各子频带的能量比等。同时可以对其分别在时域和频域等范围对信号进行特征提取。例如,对于传感器采集到的振动信号来说,在进行时域的数据提取时,对于每个振动信号,提取的特征主要包括:峰值、均值、方差、均方根值、标准差等;在进行频域的数据提取时,对于每个振动信号,结合Hilbert(希尔伯特)变换和FFT进行包络谱分析,从频谱分析中提取特征缺陷频带的最大振幅,建立频域特征矩阵。
在完成特征提取后,由于提取出的各种运行特征会比较复杂,因此,需要将当列车转向架发生故障时历史运行数据对应的特征会发生变化的一些特征筛选出来。在进行特征筛选时,可以采用相关性分析,通过分析提取出的各运行特征与列车转向架的运行状态的相关程度,以及各运行特征与列车转向架发生故障的相关程度,过滤掉一些相关程度不高的特征。除此之外,还可以采用约简算法(例如主成分分析PCA)以及专家知识等方法对特征进行筛选,以达到对由特征构成的特征矩阵进行降维的目的。
此处需要说明的是,由于外部环境是复杂的,往往存在各种各样的干扰,因此采集到的数据有时会偏离真实数值,因此在对历史运行数据进行特征提取之前可以根据具体情况先进行数据预处理。常用的数据预处理算法包括算术平均值法、加权平均值法、五点三次平滑法、滑动平均值法、中值法、模糊控制法等。除此之外,还可以对传感器采集到的数据进行除噪处理,例如可以通过阈值去噪方法滤除噪声干扰信号。如此得到的数据不仅有利于后面进行模型构建时进行数据训练,同时也提高了数据的真实性和可用性。
步骤503:根据至少两个运行特征确定至少两个特征组。
在本发明实施例中,需要将确定的运行特征按照列车转向架的运行状态划分为至少两个特征组。划分时需要保证每个特征组包括至少一个运行特征,同一特征组中运行特征用于表征列车转向架的同一运行状态,不同特征组中的运行特征用于表征列车转向架的不同运行状态。通过如此划分才能保证在后面对每一个特征组构建故障检测模型时,使每一个故障检测模型对应一种列车转向架的运行状态。
例如,将轴承温度位于50-70℃,列车加速度值为0.5-1m/s2,划分为一个特征组(列车的加速状态);将轴承温度位于40-50℃,列车加速度值为0±0.05m/s2划分为一个特征组(列车的匀速行驶状态)。特征组的划分可以不仅仅是根据一两个特征的特征值进行划分,可以通过多种特征或特征值结合划分,如此可以划分出更多的列车运行状态,从而可以构建出更多的故障检测模型,以使在对列车转向架进行故障检测时获得的故障检测结果的误差更小。
步骤504:针对每一个特征组,利用该特征组对应的运行特征构建与该特征组相对应的故障检测模型。
在本发明实施例中,由于在上述步骤503中,通过各运行特征按照对应的不同列车转向架的运行状态进行了特征组的划分,因此,本步骤针对划分出的每一个特征组,利用该特征组对应的运行特征构建故障检测模型,如此可以构建出每个特征组所对应的故障检测模型,同样也是列车转向架的每个运行状态所对应的故障检测模型。例如可对上述例中列车的加速状态和匀速行驶状态分别构建故障检测模型。
在本发明实施例中,故障检测模型采用回归融合模型来获取解释特征与响应变量之间的线性和非线性关系或数据中的时间关系。此外,还可以利用LSTM模型建立故障检测模型,或利用线性和非线性回归融合的方式建立故障检测模型。该模型可以提取参数之间的复杂非线性关系和内部时间依赖性,复杂的故障检测模型将提高异常行为的检测精度。
步骤505:获取列车转向架的当前的运行特征。
在本发明实施例中,当需要对列车转向架进行故障检测时,需要采集列车转向架当前的运行数据以及特征,该列车转向架当前的运行数据和特征的确定方法与上述步骤501和步骤502历史运行数据及对应的特征确定时所采用的方法一致,即通过获取列车转向架包括环境数据、运行数据和传感器数据中的至少一个当前数据,然后对该当前运行数据进行特征提取以及特征筛选等数据处理步骤以获得当前的运行特征。具体的确定列车转向架当前的运行特征的实施步骤可参见上述步骤501和步骤502,此处不再赘述。
步骤506:从至少两个特征组中确定目标特征组。
在本发明实施例中,根据上述步骤获取的当前的运行特征,需要从上述步骤503中划分出的特征组中确定出一个目标特征组,该目标特征组对应的历史运行特征需要与当前的运行特征所表征的运行状态相同。具体的来讲,首先需要针对每一特征组,利用相似度算法确定该特征组对应的运行特征与当前运行数据对应的特征(也就是当前运行数据的信号特征)之间的相似度,然后将相似度最大的特征组确定为目标特征组。当然在确定目标特征组时,还可以基于各个特征组中对应的历史运行数据,对当前运行数据进行监督学习,以预测得到目标特征组。
在本发明实施例中,在计算历史运行数据对应的特征与当前运行数据对应的特征之间的相似度时,至少可以有两种计算相似度的方式。
第一种方式,针对每一个特征组,先计算特征组包括的每一个特征的平均数值,然后再计算当前运行数据对应的特征与该平均值之间的相似度,以如此方法得到该特征组每一特征与当前运行数据对应的特征之间的相似度。例如,目标特征组中包含有温度和加速度两个特征,其中温度和加速度均各自包括10组数据,因此需要分别计算温度和加速度的10组数据的平均值,然后利用该平均值去和采集到的当前运行数据对应的特征进行相似度计算,可以理解的是,其他的每个特征组都应该如此进行相似度计算,进而可以将相似度最大的确定为目标特征组。
第二种方式,针对每一个特征组,先计算当前运行数据对应的特征与该特征组包括的特征中的每一组数据之间的相似度,然后再计算该特征对应的各组数据的平均值,以此方法来确定目标特征组。例如,目标特征组中包含有温度和加速度两个特征,其中温度和加速度均各自包括10组数据,可以利用采集到的当前运行数据对应的特征的数据分别与加速度的10组数据和温度的10组数据进行相似度计算,然后根据计算得到的各相似度值,计算温度和加速度值各自对应的10组相似度的平均值,以如此的方式获得其他特征组之间的相似度,进而可以将计算得到的相似度值最大的特征组确定为目标特征组。
步骤507:将当前运行数据对应的特征输入与目标特征组相对应的故障检测模型,获得针对列车转向架的故障检测结果。
在本发明实施例中,根据当前运行数据对应的特征确定好目标特征组后,即确定了当前运行数据对应的特征所对应的列车转向架的运行状态之后,将当前运行数据对应的特征输入到目标特征组所对应的故障检测模型中,从而可以通过故障检测模型确定出该列车转向架的故障检测结果。
此处需要清楚地是,列车转向架处于故障运行状态的历史运行数据对应的特征中会包括故障类型信息,而故障检测模型是通过线性-非线性回归融合模型或LSTM神经网络构建的,因此利用该故障检测模型输出的故障检测结果可以包括对当前列车转向架所处的各种故障类型的概率分析,例如,可以分析出当前列车转向架为轴承故障的概率为78%,转向架出现裂纹的概率为42%等。因此,通过对应不同运行状态的故障检测模型可以详细的获得故障检测结果,这为后续对列车转向架进行维护提供了方便。同时为了谨慎起见,工作人员也可以根据输出的故障检测结果中各故障类型的概率分析,对概率较高的故障进行排查,以进一步提升列车转向架的安全性。
如图6所示,本发明实施例提供了一种列车转向架的故障检测装置600,包括:
一个特征组确定模块601,用于获取列车转向架在至少两种运行状态下运行时的历史运行数据;根据历史运行数据,确定至少两个特征组,其中,每个特征组所对应的历史运行数据能够表征列车转向架的同一运行状态,不同的特征组分别表征列车转向架的不同运行状态;每一个特征组构建有与之对应的故障检测模型,该故障检测模型是利用该特征组对应的历史运行数据构建的,且与该特征组所表征的运行状态相对应;
一个当前运行数据获取模块602,用于获取列车转向架在运行过程中的当前运行数据;
一个目标特征组确定模块603,用于从特征组确定模块601确定出的至少两个特征组中确定一个目标特征组,其中,目标特征组对应的历史运行数据所表征的运行状态更接近于当前运行数据所表征的运行状态;
一个结果输出模块604,用于将当前运行数据获取模块602获取到的当前运行数据输入到一个与目标特征组确定模块603确定出的目标特征组相对应的故障检测模型,获得针对列车转向架当前运行状态的故障检测结果。
在本发明实施例中,特征组确定模块601可用于执行上述方法实施例中故障检测之前的步骤,当前运行数据获取模块602可用于执行上述方法实施例中的步骤101,目标特征组确定模块603可用于执行上述方法实施例中的步骤102,结果输出模块604可用于执行上述方法实施例中的步骤103。
如图6所示的列车转向架的故障检测装置600中,对应装置得到的运行数据应包括如下中的至少一项:
列车转向架运行过程中的环境数据;
列车转向架所在列车接收到的运行指令;
在列车和/或列车转向架上设置的各个传感器的读数。
在图6所示的列车转向架的故障检测装置600的基础上,如图7所示,特征组确定模块601包括:
一个历史信号特征提取单元6011,用于从历史运行数据中提取至少两种信号特征,其中,至少两种信号特征包括至少两种不同运行状态所对应的信号特征,信号特征用于表征列车转向架发生故障时发生变化的特征;
一个信号特征聚类单元6012,用于针对历史信号特征提取单元6011得到的每一种信号特征,利用聚类算法对该信号特征进行聚类,获得至少两个特征组。
在本发明实施例中,历史信号特征提取单元6011可用于执行上述方法实施例中的步骤201,信号特征聚类单元6012可用于执行上述方法实施例中的步骤202。
在图7所示的列车转向架的故障检测装置600的基础上,如图8所示,目标特征组确定模块603包括:
一个当前信号特征提取单元6031,用于提取当前运行数据的信号特征;
一个相似度确定单元6032,用于针对每一个特征组,确定该特征组对应的信号特征与当前信号特征提取单元6031提取出的当前运行数据的信号特征之间的相似度;
一个目标特征组确定单元6033,用于根据相似度确定单元6032确定出的相似度,从至少两个特征组中确定目标特征组,其中,目标特征组对应的信号特征与当前运行数据的信号特征之间的相似度更大。
在本发明实施例中,当前信号特征提取单元6031可用于执行上述方法实施例中的步骤301,相似度确定单元6032可用于执行上述方法实施例中的步骤302,目标特征组确定单元6033可用于执行上述方法实施例中的步骤303。
如图7或图8所示的列车转向架的故障检测装置600中,对应装置得到的信号特征应包括如下中的至少一项:频谱、熵、各子频带的能量比。
如图7所示的列车转向架的故障检测装置600,目标特征组确定模块603,用于基于各个特征组中对应的历史运行数据,对当前运行数据进行监督学习,以预测得到目标特征组。
如图6所示的列车转向架的故障检测装置600,特征组确定模块601,用于将该特征组对应的历史运行数据输入长短时记忆神经网络进行训练,获得与该特征组相对应的故障检测模型,以使故障检测模型根据当前运行数据输出故障检测结果,其中,故障检测结果用于指示列车转向架发生各种类型故障的概率。
在图6所示的列车转向架的故障检测装置600的基础上,如图9所示,特征组确定模块601包括:
一个线性拟合单元6013,用于将特征组对应的历史运行数据进行线性拟合,得到线性拟合结果和线性拟合残差;
一个非线性拟合单元6014,用于对线性拟合单元6013得到的线性拟合残差进行非线性拟合,获得非线性拟合结果;
一个回归融合单元6015,用于根据线性拟合单元6013得到的线性拟合结果和非线性拟合单元6014得到的非线性拟合结果,获得与特征组相对应的故障检测模型。
在本发明实施例中,线性拟合单元6013可用于执行上述方法实施例中的步骤401,非线性拟合单元6014可用于执行上述方法实施例中的步骤402,回归融合单元6015可用于执行上述方法实施例中的步骤403。
如图10所示,本发明一个实施例提供了另一种列车转向架的故障检测装置700,包括:至少一个存储器701和至少一个处理器702;
所述至少一个存储器701,用于存储机器可读程序;
所述至少一个处理器702,与至少一个存储器701耦合,用于调用所述机器可读程序,执行上述任一实施例提供的列车转向架的故障检测方法。
本发明还提供了一种计算机可读介质,存储用于使一机器执行如本文的列车转向架的故障检测方法的指令。具体地,可以提供配有存储介质的系统或者装置,在该存储介质上存储着实现上述实施例中任一实施例的功能的软件程序代码,且使该系统或者装置的计算机(或CPU或MPU)读出并执行存储在存储介质中的程序代码。
在这种情况下,从存储介质读取的程序代码本身可实现上述实施例中任何一项实施例的功能,因此程序代码和存储程序代码的存储介质构成了本发明的一部分。
用于提供程序代码的存储介质实施例包括软盘、硬盘、磁光盘、光盘(如CD-ROM、CD-R、CD-RW、DVD-ROM、DVD-RAM、DVD-RW、DVD+RW)、磁带、非易失性存储卡和ROM。可选择地,可以由通信网络从服务器计算机上下载程序代码。
此外,应该清楚的是,不仅可以通过执行计算机所读出的程序代码,而且可以通过基于程序代码的指令使计算机上操作的操作系统等来完成部分或者全部的实际操作,从而实现上述实施例中任意一项实施例的功能。
此外,可以理解的是,将由存储介质读出的程序代码写到插入计算机内的扩展板中所设置的存储器中或者写到与计算机相连接的扩展模块中设置的存储器中,随后基于程序代码的指令使安装在扩展板或者扩展模块上的CPU等来执行部分和全部实际操作,从而实现上述实施例中任一实施例的功能。
需要说明的是,上述各流程和各系统结构图中不是所有的步骤和模块都是必须的,可以根据实际的需要忽略某些步骤或模块。各步骤的执行顺序不是固定的,可以根据需要进行调整。上述各实施例中描述的系统结构可以是物理结构,也可以是逻辑结构,即,有些模块可能由同一物理实体实现,或者,有些模块可能分由多个物理实体实现,或者,可以由多个独立设备中的某些部件共同实现。
以上各实施例中,硬件模块可以通过机械方式或电气方式实现。例如,一个硬件模块可以包括永久性专用的电路或逻辑(如专门的处理器,FPGA或ASIC)来完成相应操作。硬件模块还可以包括可编程逻辑或电路(如通用处理器或其它可编程处理器),可以由软件进行临时的设置以完成相应操作。具体的实现方式(机械方式、或专用的永久性电路、或者临时设置的电路)可以基于成本和时间上的考虑来确定。
上文通过附图和优选实施例对本发明进行了详细展示和说明,然而本发明不限于这些已揭示的实施例,基与上述多个实施例本领域技术人员可以知晓,可以组合上述不同实施例中的代码审核手段得到本发明更多的实施例,这些实施例也在本发明的保护范围之内。
Claims (16)
1.列车转向架的故障检测方法(100),其特征在于,该方法包括:
获取列车转向架在运行过程中的当前运行数据;
从至少两个特征组中确定一个目标特征组,其中,所述目标特征组对应的历史运行数据所表征的运行状态更接近于所述当前运行数据所表征的运行状态;
将所述当前运行数据输入到一个与所述目标特征组相对应的故障检测模型,获得针对所述列车转向架当前运行状态的故障检测结果;
其中,所述至少两个特征组是根据所述列车转向架在至少两种运行状态下运行时的历史运行数据确定的,每个所述特征组所对应的历史运行数据能够表征所述列车转向架的同一运行状态,不同的所述特征组分别表征所述列车转向架的不同运行状态;每一个所述特征组构建有与之对应的故障检测模型,该故障检测模型是利用该特征组对应的历史运行数据构建的,且与该特征组所表征的运行状态相对应;
所述根据所述历史运行数据确定至少两个特征组的步骤,包括:
从所述历史运行数据中提取至少两种信号特征,其中,所述至少两种信号特征包括至少两种不同运行状态所对应的信号特征,所述信号特征用于表征所述列车转向架发生故障时发生变化的特征;
针对每一种信号特征,利用聚类算法对该信号特征进行聚类,获得至少两个特征组。
2.根据权利要求1所述的方法,其特征在于,运行数据包括如下中的至少一项:
所述列车转向架运行过程中的环境数据;
所述列车转向架所在列车接收到的运行指令;
在列车和/或列车转向架上设置的各个传感器的读数。
3.根据权利要求1所述的方法,其特征在于,所述从所述至少两个特征组中确定一个目标特征组的步骤,包括:
提取所述当前运行数据的信号特征;
针对每一个所述特征组,确定该特征组对应的信号特征与所述当前运行数据的信号特征之间的相似度;
根据所述相似度,从所述至少两个特征组中确定所述目标特征组,其中,所述目标特征组对应的信号特征与所述当前运行数据的信号特征之间的相似度更大。
4.根据权利要求1或3所述的方法,其特征在于,所述信号特征包括如下中的至少一项:频谱、熵、各子频带的能量比。
5.根据权利要求1所述的方法,其特征在于,所述从所述至少两个特征组中确定一个目标特征组的步骤包括:
基于各个所述特征组中对应的历史运行数据,对所述当前运行数据进行监督学习,以预测得到所述目标特征组。
6.根据权利要求1所述的方法,其特征在于,利用所述特征组对应的历史运行数据构建所述故障检测模型的步骤包括:
将该特征组对应的历史运行数据输入长短时记忆神经网络进行训练,获得与该特征组相对应的所述故障检测模型,以使所述故障检测模型根据所述当前运行数据输出故障检测结果,其中,所述故障检测结果用于指示所述列车转向架发生各种类型故障的概率。
7.根据权利要求1所述的方法,其特征在于,利用所述特征组对应的历史运行数据构建所述故障检测模型的步骤包括:
将所述特征组对应的历史运行数据进行线性拟合,得到线性拟合结果和线性拟合残差;
对所述线性拟合残差进行非线性拟合,获得非线性拟合结果;
根据所述线性拟合结果和所述非线性拟合结果,获得与所述特征组相对应的所述故障检测模型。
8.列车转向架的故障检测装置(600),其特征在于,包括:
一个特征组确定模块(601),用于获取列车转向架在至少两种运行状态下运行时的历史运行数据;根据所述历史运行数据,确定至少两个特征组,其中,每个所述特征组所对应的历史运行数据能够表征所述列车转向架的同一运行状态,不同的所述特征组分别表征所述列车转向架的不同运行状态;每一个所述特征组构建有与之对应的故障检测模型,该故障检测模型是利用该特征组对应的历史运行数据构建的,且与该特征组所表征的运行状态相对应;
一个当前运行数据获取模块(602),用于获取列车转向架在运行过程中的当前运行数据;
一个目标特征组确定模块(603),用于从所述特征组确定模块(601)确定出的所述至少两个特征组中确定一个目标特征组,其中,所述目标特征组对应的历史运行数据所表征的运行状态更接近于所述当前运行数据所表征的运行状态;
一个结果输出模块(604),用于将所述当前运行数据获取模块(602)获取到的所述当前运行数据输入到一个与所述目标特征组确定模块(603)确定出的所述目标特征组相对应的故障检测模型,获得针对所述列车转向架当前运行状态的故障检测结果;
所述特征组确定模块(601)包括:
一个历史信号特征提取单元(6011),用于从所述历史运行数据中提取至少两种信号特征,其中,所述至少两种信号特征包括至少两种不同运行状态所对应的信号特征,所述信号特征用于表征所述列车转向架发生故障时发生变化的特征;
一个信号特征聚类单元(6012),用于针对所述历史信号特征提取单元(6011)得到的每一种信号特征,利用聚类算法对该信号特征进行聚类,获得至少两个特征组。
9.根据权利要求8所述的装置,其特征在于,运行数据包括如下中的至少一项:
所述列车转向架运行过程中的环境数据;
所述列车转向架所在列车接收到的运行指令;
在列车和/或列车转向架上设置的各个传感器的读数。
10.根据权利要求8所述的装置,其特征在于,所述目标特征组确定模块(603)包括:
一个当前信号特征提取单元(6031),用于提取所述当前运行数据的信号特征;
一个相似度确定单元(6032),用于针对每一个所述特征组,确定该特征组对应的信号特征与所述当前信号特征提取单元(6031)提取出的所述当前运行数据的信号特征之间的相似度;
一个目标特征组确定单元(6033),用于根据所述相似度确定单元(6032)确定出的所述相似度,从所述至少两个特征组中确定所述目标特征组,其中,所述目标特征组对应的信号特征与所述当前运行数据的信号特征之间的相似度更大。
11.根据权利要求8或10所述的装置,其特征在于,所述信号特征包括如下中的至少一项:频谱、熵、各子频带的能量比。
12.根据权利要求8所述的装置,其特征在于,包括:
所述目标特征组确定模块(603),用于基于各个所述特征组中对应的历史运行数据,对所述当前运行数据进行监督学习,以预测得到所述目标特征组。
13.根据权利要求8所述的装置,其特征在于,
所述特征组确定模块(601),用于将该特征组对应的历史运行数据输入长短时记忆神经网络进行训练,获得与该特征组相对应的所述故障检测模型,以使所述故障检测模型根据所述当前运行数据输出故障检测结果,其中,所述故障检测结果用于指示所述列车转向架发生各种类型故障的概率。
14.根据权利要求8所述的装置,其特征在于,所述特征组确定模块(601)包括:
一个线性拟合单元(6013),用于将所述特征组对应的历史运行数据进行线性拟合,得到线性拟合结果和线性拟合残差;
一个非线性拟合单元(6014),用于对所述线性拟合单元(6013)得到的所述线性拟合残差进行非线性拟合,获得非线性拟合结果;
一个回归融合单元(6015),用于根据所述线性拟合单元(6013)得到的所述线性拟合结果和所述非线性拟合单元(6014)得到的所述非线性拟合结果,获得与所述特征组相对应的所述故障检测模型。
15.列车转向架的故障检测装置(700),其特征在于,包括:至少一个存储器(701)和至少一个处理器(702);
所述至少一个存储器(701),用于存储机器可读程序;
所述至少一个处理器(702),用于调用所述机器可读程序,执行权利要求1至7中任一所述的方法。
16.计算机可读介质,其特征在于,所述计算机可读介质上存储有计算机指令,所述计算机指令在被处理器执行时,使所述处理器执行权利要求1至7中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110012443.2A CN112326280B (zh) | 2021-01-06 | 2021-01-06 | 列车转向架的故障检测方法、装置和计算机可读介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110012443.2A CN112326280B (zh) | 2021-01-06 | 2021-01-06 | 列车转向架的故障检测方法、装置和计算机可读介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112326280A CN112326280A (zh) | 2021-02-05 |
CN112326280B true CN112326280B (zh) | 2021-06-15 |
Family
ID=74301518
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110012443.2A Active CN112326280B (zh) | 2021-01-06 | 2021-01-06 | 列车转向架的故障检测方法、装置和计算机可读介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112326280B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112541647A (zh) * | 2019-09-20 | 2021-03-23 | 中国石油化工股份有限公司 | 炼油动设备风险预警方法及预警系统 |
CN113392874B (zh) * | 2021-05-13 | 2022-12-13 | 中车唐山机车车辆有限公司 | 轨道车辆异常状态诊断方法、装置及终端设备 |
CN113255780B (zh) * | 2021-05-28 | 2024-05-03 | 润联智能科技股份有限公司 | 一种减速箱故障预测方法、装置、计算机设备及存储介质 |
CN114611561B (zh) * | 2022-03-29 | 2023-05-12 | 西门子交通技术(北京)有限公司 | 故障预测模型的训练方法、列车系统故障预测方法和装置 |
CN114604299B (zh) * | 2022-03-29 | 2023-07-11 | 西门子交通技术(北京)有限公司 | 故障预测模型的建立方法、列车系统故障预测方法和装置 |
CN116412973B (zh) * | 2023-06-12 | 2023-08-29 | 江苏金旺智能科技有限公司 | 一种软包装封口密封性检测方法及系统和设备 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103217286A (zh) * | 2013-03-23 | 2013-07-24 | 中国水利电力物资有限公司 | 基于故障数据的风电机组传动系统故障识别方法和系统 |
EP2853879A1 (en) * | 2013-09-25 | 2015-04-01 | DMA S.r.l. | Apparatus for the inspection of railway axles |
CN106596123A (zh) * | 2016-11-22 | 2017-04-26 | 东软集团股份有限公司 | 设备故障诊断的方法、装置及系统 |
CN110146308A (zh) * | 2019-06-21 | 2019-08-20 | 中国神华能源股份有限公司 | 用于诊断转向架故障的方法、服务器及故障诊断系统 |
CN111260822A (zh) * | 2019-12-31 | 2020-06-09 | 杭州安脉盛智能技术有限公司 | 一种基于大数据的轨道交通车辆健康状态分析方法及终端 |
-
2021
- 2021-01-06 CN CN202110012443.2A patent/CN112326280B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103217286A (zh) * | 2013-03-23 | 2013-07-24 | 中国水利电力物资有限公司 | 基于故障数据的风电机组传动系统故障识别方法和系统 |
EP2853879A1 (en) * | 2013-09-25 | 2015-04-01 | DMA S.r.l. | Apparatus for the inspection of railway axles |
CN106596123A (zh) * | 2016-11-22 | 2017-04-26 | 东软集团股份有限公司 | 设备故障诊断的方法、装置及系统 |
CN110146308A (zh) * | 2019-06-21 | 2019-08-20 | 中国神华能源股份有限公司 | 用于诊断转向架故障的方法、服务器及故障诊断系统 |
CN111260822A (zh) * | 2019-12-31 | 2020-06-09 | 杭州安脉盛智能技术有限公司 | 一种基于大数据的轨道交通车辆健康状态分析方法及终端 |
Also Published As
Publication number | Publication date |
---|---|
CN112326280A (zh) | 2021-02-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112326280B (zh) | 列车转向架的故障检测方法、装置和计算机可读介质 | |
US11022633B2 (en) | Enhanced system and method for conducting PCA analysis on data signals | |
KR102226687B1 (ko) | 딥러닝을 활용한 시계열 예측 기반의 정비 주기 예측 장치 및 방법 | |
Yang et al. | Bearing fault automatic classification based on deep learning | |
CN104236911B (zh) | 一种列车转向架轴承服役过程监测与故障诊断系统及方法 | |
Alamelu Manghai et al. | Vibration based brake health monitoring using wavelet features: A machine learning approach | |
US20230012186A1 (en) | System and method for vibroacoustic diagnostic and condition monitoring a system using neural networks | |
CN108229567B (zh) | 驾驶员身份识别方法及装置 | |
Azadani et al. | Performance evaluation of driving behavior identification models through can-bus data | |
CN110411766A (zh) | 列车转向架蛇形失稳检测方法、装置、系统和存储介质 | |
Ye et al. | Shock detection of rotating machinery based on activated time-domain images and deep learning: An application to railway wheel flat detection | |
CN112362368A (zh) | 列车牵引电机的故障诊断方法、装置、系统和可读介质 | |
CN115371988A (zh) | 基于多特征融合的工程机械故障诊断方法及系统 | |
CN115098962A (zh) | 一种基于隐半马尔夫模型的机械设备退化态下剩余寿命的预测方法 | |
Attoui | Novel fast and automatic condition monitoring strategy based on small amount of labeled data | |
Jia et al. | A clustered blueprint separable convolutional neural network with high precision for high-speed train bogie fault diagnosis | |
Xue et al. | Real-time diagnosis of an in-wheel motor of an electric vehicle based on dynamic Bayesian networks | |
Goyal et al. | An intelligent self-adaptive bearing fault diagnosis approach based on improved local mean decomposition | |
Siegel et al. | Surveying off-board and extra-vehicular monitoring and progress towards pervasive diagnostics | |
Lourenço et al. | Adaptive time series representation for out-of-round railway wheels fault diagnosis in wayside monitoring | |
CN117628005A (zh) | 一种融合信号液压马达故障诊断方法及系统 | |
CN113392874A (zh) | 轨道车辆异常状态诊断方法、装置及终端设备 | |
Decker et al. | Does your model think like an engineer? explainable ai for bearing fault detection with deep learning | |
CN112700016B (zh) | 预测性维护方法和装置 | |
Hao et al. | New fusion features convolutional neural network with high generalization ability on rolling bearing fault diagnosis |
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 |