CN112560165A - 一种城轨车辆及其客室车门故障诊断方法 - Google Patents
一种城轨车辆及其客室车门故障诊断方法 Download PDFInfo
- Publication number
- CN112560165A CN112560165A CN202010528309.3A CN202010528309A CN112560165A CN 112560165 A CN112560165 A CN 112560165A CN 202010528309 A CN202010528309 A CN 202010528309A CN 112560165 A CN112560165 A CN 112560165A
- Authority
- CN
- China
- Prior art keywords
- matrix
- fault
- vehicle door
- data
- statistic
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 51
- 238000003745 diagnosis Methods 0.000 title claims abstract description 23
- 239000011159 matrix material Substances 0.000 claims description 93
- 238000000354 decomposition reaction Methods 0.000 claims description 3
- 238000009499 grossing Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000000926 separation method Methods 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 238000012880 independent component analysis Methods 0.000 abstract description 3
- 238000004458 analytical method Methods 0.000 abstract 1
- 238000010197 meta-analysis Methods 0.000 abstract 1
- 230000007246 mechanism Effects 0.000 description 5
- 238000000513 principal component analysis Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- NAXKFVIRJICPAO-LHNWDKRHSA-N [(1R,3S,4R,6R,7R,9S,10S,12R,13S,15S,16R,18S,19S,21S,22S,24S,25S,27S,28R,30R,31R,33S,34S,36R,37R,39R,40S,42R,44R,46S,48S,50R,52S,54S,56S)-46,48,50,52,54,56-hexakis(hydroxymethyl)-2,8,14,20,26,32,38,43,45,47,49,51,53,55-tetradecaoxa-5,11,17,23,29,35,41-heptathiapentadecacyclo[37.3.2.23,7.29,13.215,19.221,25.227,31.233,37.04,6.010,12.016,18.022,24.028,30.034,36.040,42]hexapentacontan-44-yl]methanol Chemical compound OC[C@H]1O[C@H]2O[C@H]3[C@H](CO)O[C@H](O[C@H]4[C@H](CO)O[C@H](O[C@@H]5[C@@H](CO)O[C@H](O[C@H]6[C@H](CO)O[C@H](O[C@H]7[C@H](CO)O[C@@H](O[C@H]8[C@H](CO)O[C@@H](O[C@@H]1[C@@H]1S[C@@H]21)[C@@H]1S[C@H]81)[C@H]1S[C@@H]71)[C@H]1S[C@H]61)[C@H]1S[C@@H]51)[C@H]1S[C@@H]41)[C@H]1S[C@H]31 NAXKFVIRJICPAO-LHNWDKRHSA-N 0.000 description 2
- 230000032683 aging Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012847 principal component analysis method Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000010561 standard procedure Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/15—Vehicle, aircraft or watercraft design
-
- G—PHYSICS
- 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
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Computational Mathematics (AREA)
- Geometry (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Aviation & Aerospace Engineering (AREA)
- Computing Systems (AREA)
- Automation & Control Theory (AREA)
- Algebra (AREA)
- Computer Hardware Design (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明公开了一种城轨车辆及其客室车门故障诊断方法,客室车门故障诊断方法包括以下步骤S1)采集车门故障样本,求取车门故障样本的统计量I2、统计量T2和统计量SPE;S2)判断车门故障样本的统计量I2、统计量T2和统计量SPE是否超出各自的统计限I2 lim、T2 lim、SPElim,若三者均未超出统计限,则判定为车门没有发生故障,否则判定为车门发生故障;步骤S1前还包括S01)车门故障影响参数分析;S02)车门故障特征的标准化处理;S03)车门故障模型的建立。本发明在车门运行数据中利用独立成分分析法和主元分析法分离出非高斯信息和高斯信息建立故障诊断模型,有效地判断是否真正发生运行故障,避免误报车门故障,降低车辆发生清客掉线的概率,提高车辆的运行效率。
Description
技术领域
本发明属于城轨列车技术领域,具体地说,涉及一种城轨车辆及其客室车门故障诊断方法。
背景技术
随着城市的经济不断发展,人口和汽车数量的不断增加,导致城市交通变得拥堵,再加上城市面积的不断扩张,导致原有的公共交通工具不能满足市民的出行需求。一种快捷、安全、舒适的城市轨道交通随之发展起来,地铁、轻轨等成为了大城市的重要交通工具。城轨交通发展速度很快,其在公共交通中的比重越来越大,城轨交通的安全性和可靠性就显得越来越重要。但市场调研显示,城市轨道交通的各类安全问题层出不穷,列车自身故障导致的安全问题也不少。
列车是城市轨道交通系统中关键的一环,其车门系统又占有相当重要的位置。许多安全事故往往是由于列车门的故障导致的。据国内外的数据统计,列车门系统的故障率在整个列车车辆故障中高达30%。可见,列车门的故障对整个轨道交通的安全运行构成了严重的威胁,最直接的表现就是威胁到乘客的人身安全。因此,需要对列车车门系统故障诊断技术进行更深入的研究和理论创新。
针对城轨车辆客室车门的故障诊断,目前主要有基于定量机理模型的方法、基于知识的方法和基于数据驱动的方法。基于定量机理模型的方法对系统机理的依赖性较强,某些系统机理较易获得的系统当然可以应用,但是城轨车辆客室车门过程变量间存在较强的非线性、多耦合和非高斯等特征,系统的定量机理难以获得;基于知识的方法需要大量的专家知识和过程经验,仅仅适用于具备大量专家知识和过程经验的系统;基于大数据的车门故障诊断方法可以有效地避免以上问题,然而传统的数据处理方法仅仅适用于简单的线性高斯数据系统。
有鉴于此,特提出本发明。
发明内容
本发明要解决的技术问题在于克服现有技术的不足,提供一种城轨车辆客室车门故障诊断方法,旨在有效地提取出车门运行数据的非高斯信息,有效地判断是否真正发生车门运行故障,消除因车门故障造成的城轨车辆清客掉线问题,提高车辆的运行效率。
本发明的另一目的是提供一种城轨车辆,采用如上所述的一种城轨车辆客室车门故障诊断方法。
为解决上述技术问题,本发明采用技术方案的基本构思是:
一种城轨车辆客室车门故障诊断方法,包括以下步骤
S1)采集车门故障样本,求取车门故障样本的统计量I2、统计量T2和统计量SPE;
S2)判断车门故障样本的统计量I2、统计量T2和统计量SPE是否超出各自的统计限I2 lim、T2 lim、SPElim,若三者均未超出统计限,则判定为车门没有发生故障,否则判定为车门发生故障。
进一步的,步骤S1前还包括以下步骤:
S01)车门故障影响参数分析;
S02)车门故障特征的标准化处理;
S03)车门故障模型的建立。
进一步的,步骤S01包括以下步骤:
A)在无故障状态下,客室车门参数经过n次采样之后获得原始数据矩阵为Xorig∈Rn ×m,其中m是过程变量的数目,n是每一个变量的样本数目;
步骤S02包括以下步骤:
B)将Xorig的每一列化为均值为0,标准差为1,标准化处理的方式为:
其中xi为原始数据的第i次采样,xmean为原始数据的均值,xstd为原始数据的方差,ri为标准化处理后的数据;
C)标准化处理后的数据矩阵表示为:
进一步的,步骤S03包括以下步骤:
D)对数据矩阵X独立成分分析,共提取出r个非高斯信息,则:
X=AS+E
其中,A∈Rn×l为数据矩阵X的混合矩阵,S∈Rl×m为数据矩阵X的独立成分矩阵,E∈Rn×m为数据矩阵X的残差矩阵,W是分离矩阵;
E)对数据矩阵X的残差矩阵EPCA分解如下:
E=TP+F
其中,T为数据矩阵X的得分矩阵,P为数据矩阵X的载荷矩阵,F为数据矩阵X的残差矩阵。
进一步的,步骤D中包括
判断数据矩阵X的负熵值是否零或近似为零,如是,则数据矩阵X过程数据的非高斯信息提取完全。
进一步的,步骤S1包括
S11)车门打开或开关之后,采集车门故障样本,作为新的数据样本矩阵;
S12)将新的数据样本矩阵标准化,得到数据样本矩阵Z,计算数据样本矩阵的独立成分矩阵、得分矩阵如下:
t=PTZ;
S13)构建统计量I2、T2和SPE,
SPE(Z)=ZZT-ZPPTZT
其中,k为数据矩阵中选取的主成分数目,λj为数据矩阵的特征值。
进一步的,步骤S2中包括通过求解核密度函数的置信区间得到统计量I2的统计限I2 lim;
优选的,核密度函数为:
其中,x为数据矩阵考虑数据点,h为窗宽或光滑参数,n为样本数目,k为高斯核函数。
进一步的,高斯核函数满足以下条件:
k(-u)=k(u),
进一步的,步骤S2中包括
统计量T2的统计限T2 lim为:
统计量SPE的统计限SPElim为:
一种城轨车辆,采用如上所述的一种城轨车辆客室车门故障诊断方法。
采用上述技术方案后,本发明与现有技术相比具有以下有益效果。
本发明首先分析城轨车辆的客室车门工作结构并对客室车门故障影响参数进行分析,识别出造成客室车门故障的主要影响参数;其次,提出基于独立成分分析-主成分分析的客室车门数据处理方式,采用独立成分分析-主成分分析两步信息提取的策略,提取出高斯信息和非高斯信息,并构建统计量和与之相应的统计限,进而构建能够处理车门运行数据非高斯信息的故障诊断模型,并对新的车门运行数据进行故障诊断,能够有效地判断是否真正发生车门运行故障,消除因车门故障造成的城轨车辆清客掉线问题,提高车辆的运行效率。
下面结合附图对本发明的具体实施方式作进一步详细的描述。
附图说明
附图作为本发明的一部分,用来提供对本发明的进一步的理解,本发明的示意性实施例及其说明用于解释本发明,但不构成对本发明的不当限定。显然,下面描述中的附图仅仅是一些实施例,对于本领域普通技术人员来说,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附图。在附图中:
图1是本发明城轨车辆客室车门结构示意图;
图2是本发明城轨车辆客室车门故障诊断方法流程示意图;
图中:1、电机;2、丝杆支座;3、丝杆;4、螺母组件;5、携门架;6、导轨。
需要说明的是,这些附图和文字描述并不旨在以任何方式限制本发明的构思范围,而是通过参考特定实施例为本领域技术人员说明本发明的概念。
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,对实施例中的技术方案进行清楚、完整地描述,以下实施例用于说明本发明,但不用来限制本发明的范围。
在本发明的描述中,需要说明的是,术语“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“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的限制。
在本发明的描述中,需要说明的是,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。
本发明提供一种城轨车辆,其中,城轨车辆客室车门结构如图1所示。司机通过装载在司机室的开/关门按钮通过开门按钮或关门按钮直接向所有的车门电子门控单元发出开/关门指令,电子门控单元在预设延时后启动电机1并驱动丝杆3,丝杆3由丝杆支座2固定,丝杆3输出扭矩,经螺母组件4传动后,通过携门架5带动门扇沿导轨6运动,从而实现车门的开合。
城轨车辆客室车门采用闭环控制原理,客室车门因老化、磕碰或其他原因产生的故障主要与丝杠传动轮和丝杠的转动惯量、轴向载荷等参数有关,详见表1,表1中的数据可通过车门终端实时采集得到。
表1
如图2所示,本发明提供一种城轨车辆客室车门故障诊断方法,包括以下步骤:
S1)采集车门故障样本,求取车门故障样本的统计量I2、统计量T2和统计量SPE;
S2)判断车门故障样本的统计量I2、统计量T2和统计量SPE是否超出各自的统计限I2 lim、T2 lim、SPElim,若三者均未超出统计限,则判定为车门没有发生故障,否则判定为车门发生故障。
其中,统计量I2为用于表征主成分分析的统计量,统计量T2和统计量SPE为用于表征独立成分分析的统计量。
具体的,判断规则为:
详细的,本发明首先分析城轨车辆的客室车门工作结构并对客室车门故障影响参数进行分析,识别出造成客室车门故障的主要影响参数;其次针对城轨车辆客室车门复杂的运行工况,其工况数据服从非高斯分布,针对这一问题,提出在车门运行数据中利用独立成分分析法和主元分析法提取分离出非高斯信息和高斯信息进而建立故障诊断模型,并对新的车门运行数据进行故障诊断,能够在保证安全的前提下有效地判断是否真正发生车门运行故障,避免误报车门故障,降低车辆发生清客掉线的概率,提高车辆的运行效率。
进一步的,步骤S1前还包括以下步骤:
S01)车门故障影响参数分析;
具体的,步骤S01包括以下步骤:
A)在无故障状态下,客室车门参数经过n次采样之后获得原始数据矩阵为Xorig∈Rn ×m,其中m是过程变量的数目,n是每一个变量的样本数目。
详细的,如前所述,本发明的城轨车辆客室车门采用闭环控制原理,客室车门因老化、磕碰或其他原因产生的故障主要与丝杠传动轮和丝杠的转动惯量、轴向载荷等参数有关。因此,本发明的车门故障影响参数可通过车门终端实时采集得到,这样就得到了车门正常运行的数据组成的训练样本集,详见表1。
S02)车门故障特征的标准化处理;
详细的,获得车门故障训练样本集后,采用标准化方法对训练样本进行预处理,使得复杂的运行工况可以由单一模型来表示。
具体的,步骤S02包括以下步骤:
B)将Xorig的每一列化为均值为0,标准差为1,标准化处理的方式为:
其中xi为原始数据的第i次采样,xmean为原始数据的均值,xstd为原始数据的方差,ri为标准化处理后的数据;
C)标准化处理后的数据矩阵表示为:
S03)车门故障模型的建立;
详细的,步骤S03包括以下步骤:
D)对数据矩阵X独立成分分析,共提取出r个非高斯信息,则:
X=AS+E
其中,A∈Rn×l为数据矩阵X的混合矩阵,S∈Rl×m为数据矩阵X的独立成分矩阵,E∈Rn×m为数据矩阵X的残差矩阵,W是分离矩阵;
E)对数据矩阵X的残差矩阵EPCA分解如下:
E=TP+F
其中,T为数据矩阵X的得分矩阵,P为数据矩阵X的载荷矩阵,F为数据矩阵X的残差矩阵。
上述方案中,步骤D中包括:判断数据矩阵X的负熵值是否零或近似为零,如是,则数据矩阵X过程数据的非高斯信息提取完全。
具体的,本发明通过检测数据矩阵X负熵值选择独立成分的数目:如果当前数据矩阵X的负熵值为零或接近为零,说明数据矩阵X过程数据的非高斯信息提取完全。
上述方案中,主成分的数目可以由累计方差百分比规则决定。
进一步的,步骤S1包括
S11)车门打开或开关之后,采集车门故障样本,作为新的数据样本矩阵;
S12)将新的数据样本矩阵标准化,得到数据样本矩阵Z,计算数据样本矩阵的独立成分矩阵、得分矩阵如下:
t=PTZ;
S13)构建统计量I2、统计量T2和统计量SPE,
SPE(Z)=ZZT-ZPPTZT
其中,k为数据矩阵中选取的主成分数目,λj为数据矩阵的特征值。
进一步的,步骤S2中包括通过求解核密度函数的置信区间得到统计量I2的统计限I2 lim;
优选的,核密度函数为:
其中,x为数据矩阵考虑数据点,h为窗宽或光滑参数,n为样本数目,k为高斯核函数。
优选的,求得x均值的置信区间为0.99作为统计量I2的统计限I2 lim。
上述方案中,为了核密度函数估计的合理性和方便性,根据概率理论,高斯核函数应当满足以下条件:
k(-u)=k(u),
进一步的,步骤S2中统计量T2的统计限T2 lim为:
统计量SPE的统计限SPElim为:
上述方案中,本发明首先分析城轨车辆的客室车门工作结构并对客室车门故障影响参数进行分析,识别出造成客室车门故障的主要影响参数;其次,提出基于独立成分分析-主成分分析的客室车门数据处理方式,采用独立成分分析-主成分分析两步信息提取的策略,提取出高斯信息和非高斯信息,并构建统计量和与之相应的统计限,进而构建能够处理车门运行数据非高斯信息的故障诊断模型,并对新的车门运行数据进行故障诊断,能够有效地判断是否真正发生车门运行故障,消除因车门故障造成的城轨车辆清客掉线问题,提高车辆的运行效率。
本发明还提供一种城轨车辆,采用如上所述的一种城轨车辆客室车门故障诊断方法。
以上所述仅是本发明的较佳实施例而已,并非对本发明作任何形式上的限制,虽然本发明已以较佳实施例揭露如上,然而并非用以限定本发明,任何熟悉本专利的技术人员在不脱离本发明技术方案范围内,当可利用上述提示的技术内容作出些许更动或修饰为等同变化的等效实施例,但凡是未脱离本发明技术方案的内容,依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与修饰,均仍属于本发明方案的范围内。
Claims (10)
1.一种城轨车辆客室车门故障诊断方法,其特征在于:包括以下步骤
S1)采集车门故障样本,求取车门故障样本的统计量I2、统计量T2和统计量SPE;
S2)判断车门故障样本的统计量I2、统计量T2和统计量SPE是否超出各自的统计限I2 lim、T2 lim、SPElim,若三者均未超出统计限,则判定为车门没有发生故障,否则判定为车门发生故障。
2.根据权利要求1所述的一种城轨车辆客室车门故障诊断方法,其特征在于:步骤S1前还包括以下步骤:
S01)车门故障影响参数分析;
S02)车门故障特征的标准化处理;
S03)车门故障模型的建立。
5.根据权利要求4所述的一种城轨车辆客室车门故障诊断方法,其特征在于:步骤D中包括
判断数据矩阵X的负熵值是否零或近似为零,如是,则数据矩阵X过程数据的非高斯信息提取完全。
10.一种城轨车辆,其特征在于,采用如权利要求1-9任一所述的一种城轨车辆客室车门故障诊断方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010528309.3A CN112560165A (zh) | 2020-06-11 | 2020-06-11 | 一种城轨车辆及其客室车门故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010528309.3A CN112560165A (zh) | 2020-06-11 | 2020-06-11 | 一种城轨车辆及其客室车门故障诊断方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112560165A true CN112560165A (zh) | 2021-03-26 |
Family
ID=75040796
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010528309.3A Pending CN112560165A (zh) | 2020-06-11 | 2020-06-11 | 一种城轨车辆及其客室车门故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112560165A (zh) |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120065836A1 (en) * | 2010-09-13 | 2012-03-15 | Heinrichs Bjoern | Method and apparatus for fault diagnosis in a rail vehicle |
CN103455026A (zh) * | 2013-08-23 | 2013-12-18 | 王绍兰 | 一种车辆故障诊断和预警方法及装置 |
CN105425779A (zh) * | 2015-12-24 | 2016-03-23 | 江南大学 | 基于局部邻域标准化和贝叶斯推断的ica-pca多工况故障诊断方法 |
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 |
CN106959681A (zh) * | 2016-01-12 | 2017-07-18 | 武汉科技大学 | 一种基于fhn的城轨列车门故障诊断方法 |
CN107450525A (zh) * | 2017-09-15 | 2017-12-08 | 四川驹马企业管理有限公司 | 车辆故障检测装置与方法 |
WO2018149387A1 (zh) * | 2017-02-16 | 2018-08-23 | 大连理工大学 | 一种动态非高斯结构监测数据异常识别方法 |
CN108958226A (zh) * | 2018-08-08 | 2018-12-07 | 太原理工大学 | 基于生存信息势—主成分分析算法的te过程故障检测方法 |
CN109214277A (zh) * | 2018-07-26 | 2019-01-15 | 南京航空航天大学 | 一种用于高铁牵引系统在线故障检测的设计方法 |
CN110147648A (zh) * | 2019-06-20 | 2019-08-20 | 浙江大学 | 基于独立成分分析和稀疏去噪自编码器的汽车传感器故障检测方法 |
CN110187206A (zh) * | 2019-05-22 | 2019-08-30 | 中国人民解放军国防科技大学 | 一种复杂工况下非高斯过程的悬浮系统的故障检测方法 |
CN110714684A (zh) * | 2019-10-22 | 2020-01-21 | 中车株洲电力机车有限公司 | 一种车门控制方法及装置 |
CN111046940A (zh) * | 2019-12-06 | 2020-04-21 | 中车长春轨道客车股份有限公司 | 一种基于决策树与神经网络的车门故障诊断方法 |
-
2020
- 2020-06-11 CN CN202010528309.3A patent/CN112560165A/zh active Pending
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120065836A1 (en) * | 2010-09-13 | 2012-03-15 | Heinrichs Bjoern | Method and apparatus for fault diagnosis in a rail vehicle |
CN103455026A (zh) * | 2013-08-23 | 2013-12-18 | 王绍兰 | 一种车辆故障诊断和预警方法及装置 |
CN105425779A (zh) * | 2015-12-24 | 2016-03-23 | 江南大学 | 基于局部邻域标准化和贝叶斯推断的ica-pca多工况故障诊断方法 |
CN106959681A (zh) * | 2016-01-12 | 2017-07-18 | 武汉科技大学 | 一种基于fhn的城轨列车门故障诊断方法 |
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 |
WO2018149387A1 (zh) * | 2017-02-16 | 2018-08-23 | 大连理工大学 | 一种动态非高斯结构监测数据异常识别方法 |
CN107450525A (zh) * | 2017-09-15 | 2017-12-08 | 四川驹马企业管理有限公司 | 车辆故障检测装置与方法 |
CN109214277A (zh) * | 2018-07-26 | 2019-01-15 | 南京航空航天大学 | 一种用于高铁牵引系统在线故障检测的设计方法 |
CN108958226A (zh) * | 2018-08-08 | 2018-12-07 | 太原理工大学 | 基于生存信息势—主成分分析算法的te过程故障检测方法 |
CN110187206A (zh) * | 2019-05-22 | 2019-08-30 | 中国人民解放军国防科技大学 | 一种复杂工况下非高斯过程的悬浮系统的故障检测方法 |
CN110147648A (zh) * | 2019-06-20 | 2019-08-20 | 浙江大学 | 基于独立成分分析和稀疏去噪自编码器的汽车传感器故障检测方法 |
CN110714684A (zh) * | 2019-10-22 | 2020-01-21 | 中车株洲电力机车有限公司 | 一种车门控制方法及装置 |
CN111046940A (zh) * | 2019-12-06 | 2020-04-21 | 中车长春轨道客车股份有限公司 | 一种基于决策树与神经网络的车门故障诊断方法 |
Non-Patent Citations (3)
Title |
---|
胡吉晨等: "基于ICA-PCA的化工流程仪表故障诊断", 《计算机与应用化学》 * |
衷路生等: "基于ICA-PCA和Lasso的过程故障诊断", 《华中科技大学学报(自然科学版)》 * |
衷路生等: "基于分布式ICA-PCA模型的工业过程故障监测", 《化工学报》 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111325872B (zh) | 基于计算机视觉的司机驾驶异常检测方法 | |
RU2712435C1 (ru) | Дверной контроллер, включающий устройство сбора и передачи данных, а также способ обработки переданных данных | |
CN109741608A (zh) | 基于深度学习的机动车右转礼让行人分析抓拍系统及方法 | |
CN109919066B (zh) | 一种检测轨道交通车厢内乘客密度异常的方法和装置 | |
CN104863445A (zh) | 一种公交车双侧门的控制方法和控制系统 | |
CN112784695B (zh) | 一种基于图像及语音识别的司机异常状态检测方法 | |
CN101751705A (zh) | 一种单通道车辆出入的控制装置及其控制方法 | |
WO2020088199A1 (zh) | 一种基于人脸和车辆关联特征的智能出入口系统 | |
CN110154762A (zh) | 一种下电控制方法、装置、存储介质和设备 | |
CN110685536B (zh) | 一种自动驾驶车辆安全控制方法及装置 | |
CN109305125B (zh) | 一种安全开车门的控制系统和方法 | |
CN112435660A (zh) | 车辆控制方法、系统及车辆 | |
CN114436087B (zh) | 基于深度学习的电梯乘客扒门检测方法及系统 | |
CN111046940A (zh) | 一种基于决策树与神经网络的车门故障诊断方法 | |
CN112092863A (zh) | 列车车厢清客方法、装置及全自动运行清客确认联动系统 | |
CN115482611A (zh) | 基于视频分析的自助安检通道流量控制系统 | |
CN112560165A (zh) | 一种城轨车辆及其客室车门故障诊断方法 | |
CN204123971U (zh) | 车载酒精测试系统 | |
CN207348671U (zh) | 一种智能车门系统及车辆 | |
KR101019467B1 (ko) | 무인 철도차량용 도어 개폐시간 알림장치 및 방법 | |
CN111797943B (zh) | 一种城轨车辆及其客室车门故障诊断方法 | |
KR102514398B1 (ko) | 철도차량의 출입문 고장 예측 장치 및 그 방법 | |
CN114463151A (zh) | 一种轨道车辆门系统亚健康诊断方法 | |
CN115062867A (zh) | 基于Teager能量谱和改进型CNN模型的轴承故障预测方法 | |
CN108966167B (zh) | 基于物联网的智能车窗锁系统及其工作方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210326 |