CN112860658A - 基于数据挖掘的高速列车电磁发射预测方法 - Google Patents
基于数据挖掘的高速列车电磁发射预测方法 Download PDFInfo
- Publication number
- CN112860658A CN112860658A CN202110054547.XA CN202110054547A CN112860658A CN 112860658 A CN112860658 A CN 112860658A CN 202110054547 A CN202110054547 A CN 202110054547A CN 112860658 A CN112860658 A CN 112860658A
- Authority
- CN
- China
- Prior art keywords
- data
- speed train
- train
- electromagnetic
- model
- 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
- 238000000034 method Methods 0.000 title claims abstract description 60
- 238000007418 data mining Methods 0.000 title claims abstract description 24
- 238000005259 measurement Methods 0.000 claims abstract description 39
- 238000004458 analytical method Methods 0.000 claims abstract description 26
- 230000005855 radiation Effects 0.000 claims abstract description 21
- 238000005065 mining Methods 0.000 claims abstract description 17
- 230000008569 process Effects 0.000 claims abstract description 17
- 238000013528 artificial neural network Methods 0.000 claims abstract description 13
- 238000004140 cleaning Methods 0.000 claims abstract description 5
- 238000007781 pre-processing Methods 0.000 claims abstract description 5
- 238000005070 sampling Methods 0.000 claims abstract description 4
- 230000001133 acceleration Effects 0.000 claims abstract description 3
- 238000010276 construction Methods 0.000 claims description 15
- 238000012549 training Methods 0.000 claims description 15
- 230000008878 coupling Effects 0.000 claims description 12
- 238000010168 coupling process Methods 0.000 claims description 12
- 238000005859 coupling reaction Methods 0.000 claims description 12
- 238000012795 verification Methods 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 8
- 238000001514 detection method Methods 0.000 claims description 7
- 230000005670 electromagnetic radiation Effects 0.000 claims description 4
- 230000005540 biological transmission Effects 0.000 claims description 3
- 238000010219 correlation analysis Methods 0.000 claims description 3
- 230000037361 pathway Effects 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims description 2
- 238000012360 testing method Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 5
- 238000011160 research Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000005684 electric field Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000010287 polarization Effects 0.000 description 1
- 230000000750 progressive effect Effects 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
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/21—Design, administration or maintenance of databases
- G06F16/211—Schema design and management
- G06F16/212—Schema design and management with details for data modelling support
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/21—Design, administration or maintenance of databases
- G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2465—Query processing support for facilitating data mining operations in structured databases
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Probability & Statistics with Applications (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明一种基于数据挖掘的高速列车电磁发射预测方法,包括:基于对高速列车电磁环境的分析,在列车静止、加速、减速制动、匀速运行四种不同工况条件下完成对高速列车整车辐射发射测量数据的采集;结合数据挖掘理念分为定义挖掘目标、数据取样、数据探索、数据清洗、数据预处理五个过程对采集的高速列车整车辐射发射测量数据进行处理;基于处理后的数据采用神经网络的建模方法进行挖掘建模,通过对误差值的比较对所建模型进行评价完善,完成高速列车电磁发射预测模型的构建,利用高速列车电磁发射预测模型实现高速列车电磁发射预测。本发明采用了数据挖掘的理念,有效地建立高速列车电磁发射预测模型,更好的分析高速列车的电磁发射特性。
Description
技术领域
本发明涉及数据挖掘、电磁兼容和电磁测量技术领域,尤其涉及一种基于数据挖掘的高速列车电磁发射预测方法。
背景技术
高速动车组车内电气电子设备众多、车内空间有限、电磁环境非常复杂。因此尽管各车载电气电子设备均已在EMC实验室进行过各项电磁兼容认证试验,但仍有必要对动车组列车内部空间电磁环境和关键信号设备的电磁兼容性能进行现场测量。
在研究高速列车电磁发射测量数据的过程中,需要从大量的,不完全的、有噪声的、模糊的、随机的实际应用数据中,提取隐含在其中的,人们事先不知道的、但又是潜在有用的信息和知识,因此电磁兼容测量数据的维度比较大,而且测量中很难保证每个维度的数据都是完整的,为解决这一问题,采用数据挖掘处理方法来对测量数据进行处理,并在此基础上建立高速列车电磁发射预测模型,实现对高速列车电磁发射的预测分析。
发明内容
本发明的实施例提供了一种基于数据挖掘的高速列车电磁发射预测方法,以克服现有技术的缺陷。
为了实现上述目的,本发明采取了如下技术方案。
一种基于数据挖掘的高速列车电磁发射预测方法,包括以下步骤:
S110、基于对高速列车电磁环境的分析,在列车静止、加速、减速制动、匀速运行四种不同工况条件下完成对高速列车整车辐射发射测量数据的采集;
S120、结合数据挖掘理念分为挖掘目标、数据取样、数据探索、数据清洗、数据预处理五个过程对采集的高速列车整车辐射发射测量数据进行处理;
S130、基于处理后的数据采用神经网络的建模方法进行挖掘建模,通过对误差值的比较对所建模型进行评价完善,完成高速列车电磁发射预测模型的构建,利用所述高速列车电磁发射预测模型实现高速列车电磁发射预测。
优选地,所述S110包括:
以电磁兼容三要素为出发点对高速列车的电磁环境进行全面分析,包括:首先,分析高速列车中存在的三种骚扰源,即列车牵引和逆变系统产生的低频磁场骚扰、列车弓网离线产生的高频辐射骚扰及牵引电流产生的传导性干扰;其次,分析三种传输耦合途径:传导耦合、辐射耦合及串扰耦合;最后,根据各设备实际工作特点分析存在的敏感设备;
结合上述电磁环境分析,依照现有的测量标准,选择测量环境及测量位置,分别对不同工况下高速列车整车的辐射发射进行实际测量,完成对原始测量数据的采集。
优选地,所述S120包括:
(1)确定挖掘目标为高速列车整车辐射发射预测分析,收集和整理整车辐射发射测量数据;
(2)采用相关分析检测方法去除原始测量数据中无关和冗余数据;
(3)采用属性规约的方法减少数据维数,从处理后的测量数据中抽取一个与挖掘数据有关的样本数据子集;采用属性构造的方法对样本数据子集中数据进行规范化处理,使其适用于挖掘任务的需要。
优选地,所述S130包括:
利用神经网络建模方法建立列车工况判断模型和高速列车电磁发射预测模型,实现对不同工况的判断以及不同工况下高速列车电磁辐射发射的预测分析,具体地:
列车工况判别模型的构建:(1)将处理后的数据按比例分为训练数据集和验证数据集;(2)选择RBF神经网络建模方法,利用训练数据集对模型进行训练;(3)模型训练完成后,利用验证数据集的数据对模型的有效性进行验证分析;(4)根据模型输出结果的误差大小,不断对模型进行反复的训练验证分析,直到误差满足设定的要求为止,完成列车工况判别模型的构建;
首先,利用所构建的列车工况判别模型判断高速列车的所处的工况,然后在该种工况下对列车的辐射发射特性进行预测分析:采用建立列车工况判别模型相同的建模方法完成高速列车电磁发射预测模型的构建,通过所述高速列车电磁发射预测模型预测不同工况下高速列车电磁发射数据,分析预测的电磁发射数据是否超过了标准中所规定的限值,若超过则按照指定的格式发布预警信息,若没有超过,则继续对电磁发射数据进行预测对比,重复此过程,从而实现对高速列车电磁发射特性的预测。
由上述本发明的实施例提供的技术方案可以看出,本发明实施例提供了一种基于数据挖掘的高速列车电磁发射预测方法,采用了数据挖掘的理念对实际测量得到的高速列车发射数据进行处理,通过采用相关分析检测方法、属性规约以及属性构造的方法对数据进行处理,可以帮助研究人员在大量的实际数据中提取出有价值的信息或知识,为研究工作打开突破口。而且,通过数据挖掘的过程可以从高速列车的实际运行环境中采集列车的车况信息,例如是否带电,车体速度变化情况,车辆运行的空间位置等,以及关键敏感设备的电磁发射测量数据,然后利用神经网络建模分析方法,可以实现对高速列车电磁发射测量数据的预测以及测量工况的判断。
本发明附加的方面和优点将在下面的描述中部分给出,这些将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅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为本发明实施例提供的一种基于数据挖掘的高速列车电磁发射预测方法流程图;
图2为本发明实施例提供的一种实际测量的高速列车电磁发射数据测试系统图;
图3为本发明实施例提供的一种数据挖掘过程示意图;
图4为本发明实施例提供的一种列车工况的识别流程图;
图5为本发明实施例提供的一种预警流程图。
具体实施方式
下面详细描述本发明的实施方式,所述实施方式的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施方式是示例性的,仅用于解释本发明,而不能解释为对本发明的限制。
本技术领域技术人员可以理解,除非特意声明,这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是,本发明的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件,但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。应该理解,当我们称元件被“连接”或“耦接”到另一元件时,它可以直接连接或耦接到其他元件,或者也可以存在中间元件。此外,这里使用的“连接”或“耦接”可以包括无线连接或耦接。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的任一单元和全部组合。
本技术领域技术人员可以理解,除非另外定义,这里使用的所有术语(包括技术术语和科学术语)具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是,诸如通用字典中定义的那些术语应该被理解为具有与现有技术的上下文中的意义一致的意义,并且除非像这里一样定义,不会用理想化或过于正式的含义来解释。
为便于对本发明实施例的理解,下面将结合附图以几个具体实施例为例做进一步的解释说明,且各个实施例并不构成对本发明实施例的限定。
本发明实施例提供了一种基于数据挖掘的高速列车电磁发射预测方法,以实现有效地建立高速列车电磁发射预测模型,为更好的分析高速列车的电磁发射特性提供条件。如图1所示,包括以下步骤:
步骤S110、基于对高速列车电磁环境的分析,选择合适的测量环境及测量位置,对不同工况下高速列车的电磁发射进行测量,完成对高速列车电磁发射现场测量数据的采集。
以电磁兼容三要素为出发点对高速列车的电磁环境进行全面分析,首先对高速列车中存在的三种主要骚扰源,即列车牵引和逆变系统产生的低频磁场骚扰、列车弓网离线产生的高频辐射骚扰及牵引电流产生的传导性干扰进行分析;进而分析三种主要传输耦合途径:传导耦合、辐射耦合及串扰耦合;最后根据各设备实际工作特点分析存在的主要敏感设备。
结合实际的电磁环境,依照现有的测量标准,选择合适的测量环境及测量位置,分别对不同工况下高速列车整车的辐射特性、ATP系统的电磁环境及系统设备主要信号线缆的共模骚扰进行实际测量,完成对原始测量数据的采集。
图2为本发明实施例提供的一种实际测量的高速列车电磁发射数据测试系统图。如图2所示,测试仪器选用R&S公司的EB200测量接收机和R&S公司HE200对数周期天线,技术指标为500~3000MHz,以及HL023 A1对数周期天线,技术指标为80~1300MHz,主要用于电场的测量。
测量过程中,首先将各测试仪器进行通电预热,直到仪器达到可以稳定工作的状态。然后连接信号源进行测试通路校准,接收机输出应在信号源输出电平的±1.5dB以内,最后连接测试设备。测试过程中天线应架高1.5米,天线距离轨道线路10米,天线口面正对高速列车。启动程序,接收机进行循环扫描,检波方式设置为峰值(最大值)检波。无车通过时可以对周围环境噪声进行测试,时间不少于10分钟。完成水平和垂直极化两种测试。
步骤S120、结合数据挖掘理念分为定义挖掘目标、数据取样、数据探索、数据清洗、数据预处理五个过程对采集的高速列车整车辐射发射测量数据进行处理。
如图3所示为本发明实施例提供的一种数据挖掘过程图。主要包括以下几个步骤:(1)数据准备:首先确定挖掘目标为对高速列车整车辐射发射进行预测分析,在此基础上对测量数据进行初步的整理;(2)数据清洗:采用相关分析检测方法去除原始测量数据中的无关和冗余数据;(3)数据预处理:采用属性规约的方法减少数据维数,从处理后的测量数据中抽取一个与挖掘数据有关的样本数据子集,并采用属性构造的方法对样本数据子集中数据进行规范化处理。
对高速列车的电磁发射预测分析研究而言,本次的挖掘探索的基本任务就是从高速列车的实际运行环境中采集列车的车况信息、整车电磁辐射发射数据,以及关键设备上的电磁发射测量数据,然后利用神经网络建模的数据挖掘方法,实现对高速列车电磁发射测量数据的预测以及测量工况的判断。
步骤S130、基于处理后的数据采用神经网络的建模方法进行挖掘建模,然后通过对误差值的比较实现对模型的评价完善,最终完成高速列车电磁发射预测模型的构建,利用高速列车电磁发射预测模型实现高速列车电磁发射预测。
图4为本发明实施例提供的一种列车工况的识别流程图。在前面数据处理的基础上,采用神经网络的建模分析方法建立列车工况判断模型,并通过对判断结果的误差分析,实现对模型的评价完善,最终实现对不同工况的判断分析。
列车工况判别模型的构建主要包括以下几个步骤:(1)在前面对测量数据进行处理的基础上,将数据按比例分为训练数据集和验证数据集;(2)选择RBF神经网络建模方法,利用训练数据集对模型进行训练;(3)模型训练完成后,利用验证数据集的数据对模型的有效性进行验证分析;(4)根据模型输出结果的误差大小,不断对模型进行反复的训练验证分析,直到误差满足设定的要求为止,这样就完成了模型的构建。
按照图4的流程对工况判别模型构建完成后,就可以对模型进行应用,实现不同工况下高速列车电磁测量值的预测及报警,具体过程如图5所示。
首先,利用所构建的工况判别模型可以准确判断高速列车的所处的工况,然后在该种工况下对列车的辐射发射特性进行预测分析,具体地:利用和建立工况判别模型相同的建模方法完成高速列车电磁发射预测模型的构建,模型构建步骤与前面相同,此处不再赘述。这样就可以在判别出不同工况的同时实现对高速列车电磁发射数据的预测,然后可以分析预测的电磁发射数据是否超过了标准中所规定的限值,若超过则按照指定的格式发布预警信息,若没有超过,则继续对电磁发射数据进行预测对比,重复此过程,从而实现对高速列车电磁发射特性的预测,提高列车的电磁兼容性。
综上所述,本发明实施例提供了一种基于数据挖掘的高速列车电磁发射预测方法,采用了数据挖掘的理念对实际测量得到的高速列车发射数据进行处理,通过采用相关分析检测方法、属性规约以及属性构造的方法对数据进行处理,可以帮助研究人员在大量的实际数据中提取出有价值的信息或知识,为研究工作打开突破口。而且,通过数据挖掘的过程可以从高速列车的实际运行环境中采集列车的车况信息、整车电磁辐射发射测量数据以及关键敏感设备的电磁发射测量数据,然后利用神经网络建模分析方法,可以实现对高速列车电磁发射测量数据的预测以及测量工况的判断。
本领域普通技术人员可以理解:附图只是一个实施例的示意图,附图中的模块或流程并不一定是实施本发明所必须的。
通过以上的实施方式的描述可知,本领域的技术人员可以清楚地了解到本发明可借助软件加必需的通用硬件平台的方式来实现。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)执行本发明各个实施例或者实施例的某些部分所述的方法。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于装置或系统实施例而言,由于其基本相似于方法实施例,所以描述得比较简单,相关之处参见方法实施例的部分说明即可。以上所描述的装置及系统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实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下,即可以理解并实施。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应该以权利要求的保护范围为准。
Claims (4)
1.一种基于数据挖掘的高速列车电磁发射预测方法,其特征在于,包括以下步骤:
S110、基于对高速列车电磁环境的分析,在列车静止、加速、减速制动、匀速运行四种不同工况条件下完成对高速列车整车辐射发射测量数据的采集;
S120、结合数据挖掘理念分为挖掘目标、数据取样、数据探索、数据清洗、数据预处理五个过程对采集的高速列车整车辐射发射测量数据进行处理;
S130、基于处理后的数据采用神经网络的建模方法进行挖掘建模,通过对误差值的比较对所建模型进行评价完善,完成高速列车电磁发射预测模型的构建,利用所述高速列车电磁发射预测模型实现高速列车电磁发射预测。
2.根据权利要求1所述的方法,其特征在于,所述S110包括:
以电磁兼容三要素为出发点对高速列车的电磁环境进行全面分析,包括:首先,分析高速列车中存在的三种骚扰源,即列车牵引和逆变系统产生的低频磁场骚扰、列车弓网离线产生的高频辐射骚扰及牵引电流产生的传导性干扰;其次,分析三种传输耦合途径:传导耦合、辐射耦合及串扰耦合;最后,根据各设备实际工作特点分析存在的敏感设备;
结合上述电磁环境分析,依照现有的测量标准,选择测量环境及测量位置,分别对不同工况下高速列车整车的辐射发射进行实际测量,完成对原始测量数据的采集。
3.根据权利要求1所述的方法,其特征在于,所述S120包括:
(1)确定挖掘目标为高速列车整车辐射发射预测分析,收集和整理整车辐射发射测量数据;
(2)采用相关分析检测方法去除原始测量数据中无关和冗余数据;
(3)采用属性规约的方法减少数据维数,从处理后的测量数据中抽取一个与挖掘数据有关的样本数据子集;采用属性构造的方法对样本数据子集中数据进行规范化处理,使其适用于挖掘任务的需要。
4.根据权利要求1所述的方法,其特征在于,所述S130包括:
利用神经网络建模方法建立列车工况判断模型和高速列车电磁发射预测模型,实现对不同工况的判断以及不同工况下高速列车电磁辐射发射的预测分析,具体地:
列车工况判别模型的构建:(1)将处理后的数据按比例分为训练数据集和验证数据集;(2)选择RBF神经网络建模方法,利用训练数据集对模型进行训练;(3)模型训练完成后,利用验证数据集的数据对模型的有效性进行验证分析;(4)根据模型输出结果的误差大小,不断对模型进行反复的训练验证分析,直到误差满足设定的要求为止,完成列车工况判别模型的构建;
首先,利用所构建的列车工况判别模型判断高速列车的所处的工况,然后在该种工况下对列车的辐射发射特性进行预测分析:采用建立列车工况判别模型相同的建模方法完成高速列车电磁发射预测模型的构建,通过所述高速列车电磁发射预测模型预测不同工况下高速列车电磁发射数据,分析预测的电磁发射数据是否超过了标准中所规定的限值,若超过则按照指定的格式发布预警信息,若没有超过,则继续对电磁发射数据进行预测对比,重复此过程,从而实现对高速列车电磁发射特性的预测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110054547.XA CN112860658B (zh) | 2021-01-15 | 2021-01-15 | 基于数据挖掘的高速列车电磁发射预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110054547.XA CN112860658B (zh) | 2021-01-15 | 2021-01-15 | 基于数据挖掘的高速列车电磁发射预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112860658A true CN112860658A (zh) | 2021-05-28 |
CN112860658B CN112860658B (zh) | 2024-04-09 |
Family
ID=76006757
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110054547.XA Active CN112860658B (zh) | 2021-01-15 | 2021-01-15 | 基于数据挖掘的高速列车电磁发射预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112860658B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114646907A (zh) * | 2021-12-24 | 2022-06-21 | 中铁二院工程集团有限责任公司 | 一种基于机器学习的轨道交通低频磁场现场测量方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102981064A (zh) * | 2012-10-09 | 2013-03-20 | 中国人民解放军63892部队 | 飞机外部射频电磁环境预测方法及预测系统 |
CN105302958A (zh) * | 2015-10-28 | 2016-02-03 | 北京交通大学 | 高速列车系统级的电磁兼容模型的建立方法 |
CN108960639A (zh) * | 2018-07-09 | 2018-12-07 | 武汉瑞莱保能源技术有限公司 | 一种基于数据挖掘的输电线路电磁环境参数预测方法 |
CN110646698A (zh) * | 2019-10-10 | 2020-01-03 | 中车长春轨道客车股份有限公司 | 一种获取动车组牵引系统的电磁兼容性能的方法 |
JP2020024544A (ja) * | 2018-08-07 | 2020-02-13 | 株式会社キーエンス | データ分析装置及びデータ分析方法 |
CN110968949A (zh) * | 2019-11-25 | 2020-04-07 | 北京交通大学 | 一种高速列车车载设备电磁敏感性预测模型的建模方法 |
-
2021
- 2021-01-15 CN CN202110054547.XA patent/CN112860658B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102981064A (zh) * | 2012-10-09 | 2013-03-20 | 中国人民解放军63892部队 | 飞机外部射频电磁环境预测方法及预测系统 |
CN105302958A (zh) * | 2015-10-28 | 2016-02-03 | 北京交通大学 | 高速列车系统级的电磁兼容模型的建立方法 |
CN108960639A (zh) * | 2018-07-09 | 2018-12-07 | 武汉瑞莱保能源技术有限公司 | 一种基于数据挖掘的输电线路电磁环境参数预测方法 |
JP2020024544A (ja) * | 2018-08-07 | 2020-02-13 | 株式会社キーエンス | データ分析装置及びデータ分析方法 |
CN110646698A (zh) * | 2019-10-10 | 2020-01-03 | 中车长春轨道客车股份有限公司 | 一种获取动车组牵引系统的电磁兼容性能的方法 |
CN110968949A (zh) * | 2019-11-25 | 2020-04-07 | 北京交通大学 | 一种高速列车车载设备电磁敏感性预测模型的建模方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114646907A (zh) * | 2021-12-24 | 2022-06-21 | 中铁二院工程集团有限责任公司 | 一种基于机器学习的轨道交通低频磁场现场测量方法 |
CN114646907B (zh) * | 2021-12-24 | 2023-10-20 | 中铁二院工程集团有限责任公司 | 一种基于机器学习的轨道交通低频磁场现场测量方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112860658B (zh) | 2024-04-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113705412B (zh) | 基于深度学习的多源数据融合的轨道状态检测方法及装置 | |
CN109649432B (zh) | 基于导波技术的云端平台钢轨完整性监测系统及方法 | |
CN110210149B (zh) | 一种道路内部应力、应变动态响应信息获取系统及方法 | |
CN112985574B (zh) | 基于模型融合的光纤分布式声波传感信号高精度分类识别方法 | |
CN105913059A (zh) | 一种车辆vin码的自动识别系统及其控制方法 | |
CN113687433B (zh) | 一种基于Bi-LSTM的大地电磁信号去噪方法及系统 | |
CN111783616B (zh) | 一种基于数据驱动自学习的无损检测方法 | |
CN115758289B (zh) | 一种基于多任务学习神经网络的钢轨波磨识别方法 | |
CN114486259A (zh) | 优化变分模态分解的分布式光纤声传感系统的信号处理方法 | |
CN115905832A (zh) | 一种基于振动信号聚类识别的变压器故障诊断方法 | |
CN102519577B (zh) | 道路中路面的识别方法及系统 | |
CN112860658B (zh) | 基于数据挖掘的高速列车电磁发射预测方法 | |
CN111461183A (zh) | 改进人工鱼群算法优化bp神经网络的平轮故障检测方法 | |
CN117169639B (zh) | 一种电源适配器生产用产品检测方法及系统 | |
CN110020637A (zh) | 一种基于多粒度级联森林的模拟电路间歇故障诊断方法 | |
CN116466408B (zh) | 一种基于航磁数据的人工神经网络超基性岩识别方法 | |
CN117454100A (zh) | 一种面向工程结构的缺失数据重构方法 | |
CN110160778A (zh) | 基于序贯假设检验的齿轮箱故障状态识别方法 | |
CN116610990A (zh) | 一种基于特征空间差异化的断路器隐患识别方法及装置 | |
CN105651526A (zh) | 基于振动信号分析的车辆工况识别方法 | |
CN115356599A (zh) | 一种多模态城市电网故障诊断方法及系统 | |
CN112729531B (zh) | 配电变压器设备故障研判方法及系统 | |
CN115310499A (zh) | 一种基于数据融合的工业设备故障诊断系统及方法 | |
CN110703080B (zh) | 一种gis尖刺放电诊断方法、放电程度识别方法及装置 | |
Anuraga et al. | Design of Fractal Features-Based Partial Discharge Pattern Recognition using Multi Support Vector Machine Method |
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 |