CN113033663A - 一种基于机器学习的自动化集装箱码头设备健康预测方法 - Google Patents

一种基于机器学习的自动化集装箱码头设备健康预测方法 Download PDF

Info

Publication number
CN113033663A
CN113033663A CN202110324789.6A CN202110324789A CN113033663A CN 113033663 A CN113033663 A CN 113033663A CN 202110324789 A CN202110324789 A CN 202110324789A CN 113033663 A CN113033663 A CN 113033663A
Authority
CN
China
Prior art keywords
equipment
abnormal
state
data
health
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
Application number
CN202110324789.6A
Other languages
English (en)
Inventor
张冬冬
丁小虎
张连钢
张蕾
张常江
徐斌
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Tongji University
Qingdao Port International Co Ltd
Original Assignee
Tongji University
Qingdao Port International Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Tongji University, Qingdao Port International Co Ltd filed Critical Tongji University
Priority to CN202110324789.6A priority Critical patent/CN113033663A/zh
Publication of CN113033663A publication Critical patent/CN113033663A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • 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
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • 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)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

本发明公开了一种基于机器学习的自动化集装箱码头设备健康预测方法。本发明针对超大型集装箱码头中协同设备异常种类复杂多变，健康程度难以判断的现状，提出了一种自动化集装箱码头设备健康指数计算方法，解决了传统方法只能对设备进行正常或者异常判断，而无法准确评估设备健康程度的缺点。该方法采用主成分分析方法对高维监测数据进行降维，通过LSTM网络提取隐藏层数据特征，根据设备状态与隐层特征之间的联系，设计自动化集装箱码头设备健康指数计算公式，进而对设备健康程度及异常发展趋势进行监测。

Description

一种基于机器学习的自动化集装箱码头设备健康预测方法
技术领域：
本发明涉及异常检测和机器学习领域，特别涉及一种基于LSTM网络提取隐层特征，并根据设备状态与隐层特征之间的联系评估自动化集装箱码头设备当前健康程度及异常发展趋势的方法。
背景技术：
在超大型集装箱码头的复杂场景下，各种设备协同作业，一旦发生故障就会全面停产，打乱整个生产计划，给码头企业造成重大经济损失，现代化的工业场景对故障检测技术提出更高的要求，不仅需要能够判断设备是否在正常工作，而且还需要能够对设备健康程度进行分析，进而将可能出现的故障提前处理。设备健康问题越来越受到人们的关注，目前大多数技术方法都能够准确的判断集装箱码头自动化设备的正常与异常状态，缺少能够分析设备健康程度及异常发展趋势的方法。本发明提出了一种基于机器学习的自动化集装箱码头设备健康程度及异常发展趋势的评估方法。
最接近现有技术及其评析：
对于设备健康程度评估的问题，也有学者通过编码-解码模型获得重构误差，从而进行设备健康状态评估(Malhotra P,TV V,Ramakrishnan A,et al.Multi-sensorprognostics using an unsupervised health index based on lstm encoder-decoder[J].2016)。Pankaj Malhotra等人提出了一个针对多传感器时间序列数据的基于长短时记忆的编码器-解码器(Long Short Term Memory-Encoder Decoder，LSTM-ED)模型，该方法通过对正常状态下的数据进行学习，利用编码-解码结构获得数据重构误差，根据误差的大小来判断设备的健康程度，但是该方法只能判断设备当前状态和正常状态的偏离程度，而无法分析设备的异常趋势。
发明内容
本发明的目的在于提供一种基于机器学习的自动化集装箱码头设备健康程度及异常发展趋势评估方法。通过同时学习正常状态和异常状态，基于LSTM单元获取所有状态的隐层特征，构建当前状态下的特征值和正常与异常状态特征值的距离关系，来分析设备的健康程度，同时也能够判断出可能会发生的异常状态趋势。
技术方案：
一种基于机器学习的自动化集装箱码头设备健康预测方法，其特征在于：在处理设备异常数据集时，通过分析故障在实际生产过程中所表现出的特征以及包含该故障的数据集中所涉及到的传感器数据是否超出了正常范围，以此将当前故障判断并归入四类系统中某个系统异常引起的，四类系统为导航系统、电控系统、液压系统和设备管理系统。将故障类型归纳为导航异常、电控异常、液压异常和设备管理系统异常，利用LSTM网络学习正常状态和这四类异常状态，提取隐藏层数据特征，并计算数据中心以及正常状态下距离正常状态数据中心的最大距离。对于要检测的时间片段，同样通过LSTM网络计算隐层数据特征，分别计算与正常状态和四个异常类型的隐层数据中心的距离。如果待测状态距离正常状态中心的距离小于正常状态下的最大距离，则判定当前状态为正常状态，同时根据距离其他四个异常中心的远近来计算健康值，距离越远则越健康，距离越近则发生对应异常的趋势越大。反之，如果待测状态距离正常状态过远，则判定为异常，距离最近的异常中心类别就是当前发生的异常状态。
上述方法，实现过程：首先，依据自动化集装箱码头自动引导车设备健康指数的分类和设定，采集布设于设备上的传感器检测的信号，组成数据集；接着，利用滑动窗口机制获取连续时间片段，用PCA模型对高维的设备监测时间序列数据降维；然后，将降维后的数据送入到LSTM网络中进行学习，并提取隐层特征；最后，计算不同设备状态下隐层特征的中心点以及彼此之间的欧氏距离，通过处理运算获得健康指数，评估设备健康状态。
本发明技术方案基于自动化集装箱码头设备异常种类分类具有潜在联系的现象，首先根据经验知识将异常种类进行归纳，然后利用PCA方法将高维的设备检测数据进行降维，并将降维后的数据送入LSTM网络，对设备状态进行学习，并获得数据时间维度隐层特征，计算不同状态隐层特征之间的欧式距离，根据待测状态距离正常状态的远近来判断设备健康程度，根据待测状态距离异常状态的远近来计算每种异常发生的趋势大小，从而实现设备健康程度和异常发展趋势的评估。
采用上述方案，本发明的有益效果是：
1、本发明提出了自动化集装箱码头设备健康指数的规定方法，有效地利用数据时间维度特征，判断设备健康状态，从而能够预测设备未来一段时间的健康趋势，达到设备预警的效果；
2、本发明克服了传统方法仅能判断设备距离正常状态的偏离程度，而无法分析其异常趋势的缺点，充分利用隐层特征之间的数据关系，不仅能判断设备健康程度，而且能够指出其异常发展趋势，具有很大的指导意义。
附图说明
图1是本发明基于机器学习的自动化集装箱码头设备健康程度及异常发展趋势评估基本流程图。
图2是对训练集A进行PCA降维分析时前30个特征值所占方差百分比。
图3是LSTM网络结构。
图4是自动化集装箱码头自动导引车(AGV)异常种类划分示意图。
图5是不同状态下的隐层特征值。
图6是本发明的实验结果图。
图7是健康值及健康评估示例。
具体实施方式
以下结合附图1所示流程图对本实施例作进一步的说明。
实施例
步骤1：有关自动化集装箱码头自动引导车设备健康指数的分类和设定：
将自动化集装箱码头自动引导车(Automatic guided vehicle,AGV)设备分类成四个系统构成：导航系统、电控系统、液压系统和设备管理系统。
其中，导航系统主要负责绝对位置校正以及航位推算，通过车体前后两端安装RFID天线采集读取地面磁钉，获得：
前天线最新探测到磁钉绝对坐标t_Antenna_F_AbsX，t_Antenna_F_AbsY，后天线最新探测到磁钉绝对坐标t_Antenna_R_AbsX，t_Antenna_R_AbsY，和
前后天线自身中心点的坐标Localization_AnnCenter_F_X，Localization_AnnCenter_F_Y，Localization_AnnCenter_R_X，Localization_AnnCenter_R_Y，来实现车辆的绝对位置定位。
磁钉在码头地面每隔2米铺设一个，其内部记录自己的身份号、自己在码头坐标系内的绝对位置。当AGV前后两个天线同时读到磁钉时，就可以计算出AGV在场地内的绝对位置和行驶方向。天线读取磁钉，进而实现车辆行驶偏差的绝对位置计算，为车轮纠偏提供依据。
安装于车桥位置的4个轮速编码器，对应测量4个车轮轴的旋转速度Wheel_FL_AngleEncoder、Wheel_FR_AngleEncoder、Wheel_RL_AngleEncoder、Wheel_RR_AngleEncoder，进而计算出每个车轮的行驶速度。
安装于4个车轮转轴的角度编码器，对应测量4个车轮的旋转角度Wheel_FL_SteerAngle、Wheel_FR_SteerAngle、Wheel_RL_SteerAngle、Wheel_RR_SteerAngle，同一车桥的两个车轮角度偏差应符合阿克曼原理要求。结合轮速、角度测量值和AGV车体运动模型，可以模拟计算出AGV的运动情况，包括运动速度和运动角度，实现AGV在堆场内读不到磁钉时的位置推算，进而计算出AGV的行驶位置。
陀螺仪主要用于测量AGV航向角Gyro_Heading和加速度Gyro_acceleration。结合上述地面磁钉定位方式，基于陀螺仪的角度和加速度数据，也可以计算出AGV的运动状态，包括航位推算，陀螺仪计算结果用于校验基于轮速、角度的推算值是否准确，进而确保航位推算的准确度。这里陀螺仪的角度计算值作为航位推算使用值。
安装于车头和车尾的平面激光传感器，用于扫描车辆行驶方向前方有没有障碍物，保护范围与车速相关(s＝7v+2)，借其扇形扫描区域，分别采取了4种保护策略，包括直行、转弯、蟹行、支架的行驶保护策略，基于车辆行驶时需要覆盖的区域大小和形状，做出对应形状的保护范围。当保护范围内扫描到障碍物，根据距离产生减速、停车动作。
当导航系统出现故障时，指定的RFID天线、轮速编码器、陀螺仪和平面激光传感器等传感器采集到的数据就会偏离正常值，据此就可以准确找出异常发生点。
其中，电控系统主要负责管理并控制电气系统工作，AGV搭载有1个充电机、2个行走逆变器、1个液压逆变器，通过内置的电压、电流互感器、温度传感器散热继电器工作状态检测传感器，获得获得前后驱DC电压DC_INV_F_IW10，VDC_INV_R_IW10，驱动器DC电压DC_INV_HYD_IW10，控制器供电电压ControllerSUPPLY_VOLTAGE，继电器工作状态TraceDataBool_VSdiagnose1等信息，来检测工作电压、电流、温度、散热系统工作状态。
通过AGV防撞保险杠(机械结构，受碰撞会产生摆动)的接近限位OffsetX_ToEnd_F，OffsetX_ToEnd_R，用于检测是否产生碰撞动作。利用顶升平台超声波传感器，得到信号TraceDataBool_tamp1，用于检测其部75cm范围内是否有障碍物(结合AGV作业工况，顶升往支架送箱时，该传感器工作)，AGV不顶升该传感器不工作。利用安装于车体上部集装箱取放导向板的箱型限位(超声波、光电限位)，通过其信号TraceDataBool_tamp2的组合逻辑，判断AGV所栽集装箱箱型(20、双20、40、45尺)。
其中，液压系统主要负责设备的转向、顶升以及制动器的控制，主要通过压力传感器、温湿度传感器、常闭制动器打开压力传感器、顶升平台位移传感器等采集主系统压力信息和制动器及顶升平台状态信息，如前中后顶升磁尺位移F_L_PAGE2_Steering_Ref，F_R_PAGE2_Steering_Ref，R_L_PAGE2_Steering_Ref，R_R_PAGE2_Steering_Ref，PAGE12_Brake_FrtWheel,PAGE12_Brake_BakWheel,前后桥压力反馈VS_BigPump_PV05_1，VS_SmallPump_PV05_2，转向比例阀反馈VS_Steer，液压驱动器速度及功率反馈VS_HydraulicDriveSpeedFeedback，VS_HydraulicDrivePower。当液压系统出现故障时，指定的压力传感器、温湿度传感器、常闭制动器打开压力传感器、顶升平台位移传感器等采集到的数据就会呈现特殊的规律，根据不同传感器的不同现象就可以分析出液压系统的具体故障。
其中，设备管理系统则主要根据运动工况，如USINT指令类型Vms2NSCmd_TCP_CommandType，陀螺仪矫正状态TraceDataBool_tamp6，取电小车伸缩状态TraceDataBool_tamp3，DC电压工作状态TraceDataBool_VSdiagnose等，通过指令校验采集故障状态信息。不同的数据组合代表了不同的设备管理系统异常。
由上述传感器检测的信号组成数据集。
将自动化集装箱码头自动导引车(AGV)数据集按9:1的比例随机分为原始训练集和原始测试集。对数据集中各种异常种类进行划分，如图4所示，分为导航异常、电控异常、液压异常、设备管理系统异常，生成训练集A和测试集B。
本实施例在实验中所用的数据集是来自于青岛港自动化集装箱码头自动导引车(AGV)现场采集到的250个传感器监测数据。该数据集由21组正常数据，91组异常数据组成，每组数据的大小约180000*250，采样频率为每秒92次。
步骤2：利用数据集A训练PCA模型，并对自动化集装箱码头自动导引车(AGV)传感器监测数据进行降维并做归一化处理，如图2所示，前30个特征值即可保留原始数据超过90％的方差百分比；
步骤3：按照每30次采样为一个时间片段，并利用滑动窗口的机制进行对降维后的数据集A进行拆分，并用拆分后的数据训练含有三个LSTM层和一个全连接层的LSTM网络，，优化算法使用RMSProp算法，损失函数使用交叉熵损失函数,其网络结构如图3所示；
步骤4：与传统LSTM方法直接对最后一层LSTM隐层特征进行全连接得到分类结果不同，通过提取最后一层LSTM单元节点的特征值，得到正常状态、导航异常、电控异常、液压异常、设备管理系统异常，五种状态的样本隐层特征值，利用该特征值训练新的PCA模型，将得到的特征值降至两维，可以看到每种状态的隐层特征具有明显的距离关系。如图5所示：图中数值1代表正常状态，数值2，3，4，5分别代表电控异常，液压异常，导航异常和设备管理系统异常。；
步骤5：用公式(1)分别计算步骤4中得到的每种状态的特征值中心点
Figure BDA0002994155200000061
其中k代表数据集中每种状态时间片段的个数，x,y代表LSTM提取到的样本特征值；
步骤6：将待测数据集B按照每30次采样为一个时间片段，并按照滑动窗口的机制进行采集，并利用训练集A的均值和方差对数据进行归一化；
步骤7：用步骤2训练好的PCA模型对待测数据B进行降维,提供步骤8；
步骤8：将待检测数据送入步骤3训练好的LSTM网络，获取隐层特征，提供给步骤9；
步骤9：利用步骤4中得到的新的PCA模型对步骤8中获得的隐层特征进行降维，得到新的特征值(x,y)，然后与步骤5种计算得到的异常状态中心值计算欧氏距离，通过公式(2)得到样本健康指数H以及异常趋势i，用于提供给步骤10；
Figure BDA0002994155200000062
其中(x0,y0)代表数据集中正常状态下的特征值中心点，(xi,yi)代表数据集中异常状态下的特征值中心点，dis(a,b)，代表数值a,b之间的欧氏距离；
步骤10：通过获取到的健康因子H的大小对当前设备进行健康评估，同时根据i的值指出异常最有可能发生的方向，即第i种异常即为最有可能发生的异常。
本发明主要提出了对自动化集装箱码头设备健康指数的计算方法，为此本发明还做了额外对比试验，利用LSTM-ED算法对原始数据集进行训练和测试，其结果如图6所示，试验结果表明LSTM-ED算法无法准确检测异常状态，通过我们的方法，在LSTM网络基础上能够有效预测健康状态，准确率达到了90.6％，此外，如图7所示，健康值不仅能判断设备健康状态，还能有效预测设备异常发展趋势。

Claims (2)

1.一种基于机器学习的自动化集装箱码头设备健康预测方法，其特征在于：在处理设备异常数据集时，通过分析故障在实际生产过程中所表现出的特征以及包含该故障的数据集中所涉及到的传感器数据是否超出了正常范围，以此将当前故障判断并归入四类系统中某个系统异常引起的，四类系统为导航系统、电控系统、液压系统和设备管理系统；将故障类型归纳为导航异常、电控异常、液压异常和设备管理系统异常，利用LSTM网络学习正常状态和这四类异常状态，提取隐藏层数据特征，并计算数据中心以及正常状态下距离正常状态数据中心的最大距离；对于要检测的时间片段，同样通过LSTM网络计算隐层数据特征，分别计算与正常状态和四个异常类型的隐层数据中心的距离；如果待测状态距离正常状态中心的距离小于正常状态下的最大距离，则判定当前状态为正常状态，同时根据距离其他四个异常中心的远近来计算健康值，距离越远则越健康，距离越近则发生对应异常的趋势越大；反之，如果待测状态距离正常状态过远，则判定为异常，距离最近的异常中心类别就是当前发生的异常状态。
2.如权利要求1所述的一种基于机器学习的自动化集装箱码头设备健康预测方法，其特征在于：实现过程如下：首先，依据自动化集装箱码头自动引导车设备健康指数的分类和设定，采集布设于设备上的传感器检测的信号，组成数据集；接着，利用滑动窗口机制获取连续时间片段，用PCA模型对高维的设备监测时间序列数据降维；然后，将降维后的数据送入到LSTM网络中进行学习，并提取隐层特征；最后，计算不同设备状态下隐层特征的中心点以及彼此之间的欧氏距离，通过处理运算获得健康指数，评估设备健康状态。
CN202110324789.6A 2021-03-26 2021-03-26 一种基于机器学习的自动化集装箱码头设备健康预测方法 Pending CN113033663A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110324789.6A CN113033663A (zh) 2021-03-26 2021-03-26 一种基于机器学习的自动化集装箱码头设备健康预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110324789.6A CN113033663A (zh) 2021-03-26 2021-03-26 一种基于机器学习的自动化集装箱码头设备健康预测方法

Publications (1)

Publication Number Publication Date
CN113033663A true CN113033663A (zh) 2021-06-25

Family

ID=76474104

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110324789.6A Pending CN113033663A (zh) 2021-03-26 2021-03-26 一种基于机器学习的自动化集装箱码头设备健康预测方法

Country Status (1)

Country Link
CN (1) CN113033663A (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109238735A (zh) * 2018-08-08 2019-01-18 上海交通大学 港口货运电动agv的故障监测诊断系统
CN109446187A (zh) * 2018-10-16 2019-03-08 浙江大学 基于注意力机制与神经网络的复杂装备健康状态监测方法
CN110441065A (zh) * 2019-07-04 2019-11-12 杭州华电江东热电有限公司 基于lstm的燃气轮机在线检测方法与装置
CN110826335A (zh) * 2019-11-14 2020-02-21 北京明略软件系统有限公司 一种命名实体识别的方法和装置
CN111368890A (zh) * 2020-02-26 2020-07-03 珠海格力电器股份有限公司 故障检测方法及装置、信息物理融合系统
CN111461551A (zh) * 2020-04-01 2020-07-28 未必然数据科技(北京)有限公司 一种基于深度学习和spc准则的电潜泵故障预警方法
CN111813084A (zh) * 2020-07-10 2020-10-23 重庆大学 一种基于深度学习的机械装备故障诊断方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109238735A (zh) * 2018-08-08 2019-01-18 上海交通大学 港口货运电动agv的故障监测诊断系统
CN109446187A (zh) * 2018-10-16 2019-03-08 浙江大学 基于注意力机制与神经网络的复杂装备健康状态监测方法
CN110441065A (zh) * 2019-07-04 2019-11-12 杭州华电江东热电有限公司 基于lstm的燃气轮机在线检测方法与装置
CN110826335A (zh) * 2019-11-14 2020-02-21 北京明略软件系统有限公司 一种命名实体识别的方法和装置
CN111368890A (zh) * 2020-02-26 2020-07-03 珠海格力电器股份有限公司 故障检测方法及装置、信息物理融合系统
CN111461551A (zh) * 2020-04-01 2020-07-28 未必然数据科技(北京)有限公司 一种基于深度学习和spc准则的电潜泵故障预警方法
CN111813084A (zh) * 2020-07-10 2020-10-23 重庆大学 一种基于深度学习的机械装备故障诊断方法

Similar Documents

Publication Publication Date Title
CN107010053A (zh) 用于选择优化轨迹的方法
CN109649396B (zh) 一种营运车辆驾驶员安全性检测方法
CN103471865A (zh) 基于线性判别法的列车悬挂系统故障分离方法
CN109917213B (zh) 一种基于降维融合与因子分析的接触网检测故障预警方法
CN115540987B (zh) 基于载荷传感器的动态车辆超载检测方法及控制装置
CN108710637A (zh) 基于时空关系的出租车异常轨迹实时检测方法
Wei et al. Trajectory-based identification of critical instantaneous decision events at mixed-flow signalized intersections
CN116611603A (zh) 一种车辆路径调度方法、装置、计算机及存储介质
CN113435404B (zh) 基于雷达及图像检测的电客车调车安全辅助驾驶方法与系统
CN117141472A (zh) 一种车辆行驶主动避障控制系统及方法
Ghiasi et al. An unsupervised anomaly detection framework for onboard monitoring of railway track geometrical defects using one-class support vector machine
CN112015180B (zh) 一种智能实验小车及其控制系统
CN113033663A (zh) 一种基于机器学习的自动化集装箱码头设备健康预测方法
CN109633657A (zh) 一种基于多个超声波雷达对障碍物进行追踪的方法及系统
CN109406076A (zh) 一种利用位移传感器列阵输出的移动主成分进行梁桥结构损伤定位的方法
CN203580808U (zh) 一种模拟隧道考试中实时检测车辆占道行驶的检测仪
CN104271428B (zh) 用于调查轮轨接触的方法
CN210591925U (zh) 轴箱振动的轮径差检测系统
CN102518012B (zh) 融合多种设备检测数据进行轨道检测的方法
Gordon et al. Vibration transmission from road surface features: Vehicle measurement and detection
CN114814825B (zh) 一种基于雷达和视频融合的车辆轨迹感知与状态提取方法
Gräbe et al. Advancing the digital railway with 4IR technologies
CN110450817B (zh) 轴箱振动的轮径差检测系统和方法
CN114595514B (zh) 轨道安全智能计算方法
CN116691768B (zh) 一种道岔监控方法及系统

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
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20210625

WD01 Invention patent application deemed withdrawn after publication