CN113247041B - 一种基于数字孪生模型的轮对轴箱装置状态监测方法 - Google Patents

一种基于数字孪生模型的轮对轴箱装置状态监测方法 Download PDF

Info

Publication number
CN113247041B
CN113247041B CN202110517759.7A CN202110517759A CN113247041B CN 113247041 B CN113247041 B CN 113247041B CN 202110517759 A CN202110517759 A CN 202110517759A CN 113247041 B CN113247041 B CN 113247041B
Authority
CN
China
Prior art keywords
box device
wheel
axle box
model
state
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
Application number
CN202110517759.7A
Other languages
English (en)
Other versions
CN113247041A (zh
Inventor
钟倩文
张鑫
郑树彬
彭乐乐
文静
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.)
Shanghai University of Engineering Science
Original Assignee
Shanghai University of Engineering Science
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 Shanghai University of Engineering Science filed Critical Shanghai University of Engineering Science
Priority to CN202110517759.7A priority Critical patent/CN113247041B/zh
Publication of CN113247041A publication Critical patent/CN113247041A/zh
Application granted granted Critical
Publication of CN113247041B publication Critical patent/CN113247041B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B61—RAILWAYS
    • B61K—AUXILIARY EQUIPMENT SPECIALLY ADAPTED FOR RAILWAYS, NOT OTHERWISE PROVIDED FOR
    • B61K9/00—Railway vehicle profile gauges; Detecting or indicating overheating of components; Apparatus on locomotives or cars to indicate bad track sections; General design of track recording vehicles
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • 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
    • G06N3/045—Combinations of 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/08—Probabilistic or stochastic CAD
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/02—Preprocessing
    • G06F2218/04—Denoising
    • G06F2218/06—Denoising by applying a scale-space analysis, e.g. using wavelet analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Software Systems (AREA)
  • Evolutionary Biology (AREA)
  • Mathematical Physics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Biophysics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • Medical Informatics (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Mechanical Engineering (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

本发明涉及一种基于数字孪生模型的轮对轴箱装置状态监测方法，包括以下步骤：首先获取轨道车辆走行部关联数据，并进行数据预处理；再获取轮对轴箱装置的物理模型，将走行部关联数据与物理模型的仿真输出进行特征融合，并将融合后的特征映射到走行部关联空间中；构建轮对轴箱装置的状态模型；最后基于轮对轴箱装置的物理模型和状态模型融合形成数字孪生模型；同时根据走行部状态关联空间预测轮对轴箱装置的状态特征，修正数字孪生模型，对轮对轴箱装置的状态特征进行预测，并根据预测结果指导实体使用策略，更新数字孪生模型，以期获得最优运维策略。与现有技术相比，本发明具有高保真、多尺度、实时表征预测等优点。

Description

一种基于数字孪生模型的轮对轴箱装置状态监测方法
技术领域
本发明涉及轨道交通优化运行技术领域，尤其是涉及一种基于数字孪生模型的轮对轴箱装置状态监测方法。
背景技术
随着轨道交通行业的跨越式发展，围绕轨道交通车辆运维的相关技术研究逐渐成为热点，主要目的是为了保证其安全有效的运行，提高服务质量、降低运营成本。轨道车辆具有运行状态复杂多变、噪声干扰大、故障模式复杂，对安全可靠性要求高等特点。轮对轴箱装置作为保证轨道交通车辆持续稳定运行的关键部件，其运行的可靠性、稳定性、安全性将直接影响整车安全稳定的运行。轮对轴箱装置位于车辆下部，在车辆正常行驶过程中，承载全部钢轨的冲击与载荷，工作环境十分恶劣。因此快速、准确地对列车轮对轴箱装置进行状态监测及预测，可达到预测故障、制定最佳维修策略、降低维修费用的目的。设备管理人员也可基于此制定一系列的轮对轴箱装置健康管理策略，这对确保轨道交通系统安全、可靠、稳定的运行具有重要意义。
目前，已有的方法都是被动的对轮对轴箱装置实现运维。这种传统运维方式，工作效率低，易造成不及时现象且无法早期预警一些潜在危险。已远远不能达到现在提倡的精细化、智能化的高标准控制要求，维修人员不能主动的对其生命状态进行健康管理，因此，需要一种全方位管理控制轮对轴箱装置的有效方法。
近年来数字孪生技术备受学术界、工业界、金融界以及政府部门的关注。其能将物理实体和系统的属性、结构、状态、性能、功能和行为映射到虚拟世界，形成高保真的动态多维、多尺度、多物理量模型，为观察、认识、理解、控制和改造物理世界提供一种有效的手段，但目前在轨道交通方面的应用极为有限，所以必将有很大的应用前景。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于数字孪生模型的轮对轴箱装置状态监测方法。
本发明的目的可以通过以下技术方案来实现：
一种基于数字孪生模型的轮对轴箱装置状态监测方法，包括以下步骤：
1)实时获取轨道车辆走行部关联数据，并进行数据预处理，包括降噪降维和特征提取；
2)采用轮对轴箱相关的物理模型进行仿真获取在极端工况下或故障情况下轮对轴箱装置的状态特征；
3)将物理模型仿真得到的状态特征与走行部关联数据提取的特征进行特征融合，并将融合后的特征映射到走行部关联特征空间中；
4)从走行部关联特征空间中提取轮对轴箱装置相关特征及其他部件关联特征，并进行最大信息系数法的耦合性分析，基于提取的轮对轴箱关联特征及耦合性分析结果构建轮对轴箱装置的状态模型；
5)根据物理模型和状态模型建立轮对轴箱装置的数字孪生模型；
6)根据走行部关联特征空间预测轮对轴箱装置状态特征，以预测结果动态修正数字孪生模型的对应参数；
7)应用数字孪生模型对轮对轴箱装置的状态特征进行实时表征及预测，并根据预测结果指导更新轮对轴箱装置的运维策略；
8)重复步骤1)-7)，获得最优的轮对轴箱装置数字孪生模型。
所述的步骤1)中，轨道车辆走行部关联数据包括车辆在线监测数据、轨道检测数据、轨旁检测数据、车辆检测数据、车辆及线路基本信息、列车运维记录和环境历史信息。
所述的步骤1)中，降噪方法采用时间序列方法和基于密度的聚类方法。
所述的步骤1)中，在降噪降维后采用多层卷积神经网络进行特征提取得到的特征包括振动加速度、位移、轴温、转速、轮对变形参数和载荷。
所述的步骤2)中，轮对轴箱相关的物理模型包括轮对轴箱装置的动力学模型、热力耦合模型、应力分析模型和损伤演化模型。
所述的步骤3)中，采用多层卷积神经网络进行特征融合，融合后的特征与由轨道车辆走行部关联数据提取得到的特征相同。
所述的步骤4)中，状态模型由描述系统动态特性行为的状态方程和描述系统输出变量与状态变量间的变换关系的输出方程组成。
所述的步骤6)中，轮对轴箱装置状态特征预测内容包括轮对轴箱装置的机械应力、热应力状况以及运行疲劳损伤状况。
所述的步骤6)中，根据预测结果采用扩展卡尔曼滤波算法动态修正数字孪生模型的对应参数。
所述的步骤7)中，轮对轴箱装置的运维策略包括轮对轴箱装置维修规程的制定以及更换周期的确定。
与现有技术相比，本发明具有以下优点：
一、高保真：体现在当轮对装置的工况和性能发生变化时，数字孪生模型能够进行同步的变化，从而准确的反映轮对轴箱装置实际的工作状态；
二、多尺度：体现在结构上能够反映从部件到轨道车辆整体的信息，因为数字孪生模型不仅考虑了轮对轴箱装置本身的因素，还融合了车辆走行部和环境等诸多的因素，在信息上能够反映轮对轴箱装置从传感数据到性能参数等不同层次的状态。
三、实时性高：本发明能够对轨道车辆轮对轴箱状态进行实时表征及预测，以此制定相应的维修策略、达到预测性维修的目的。
附图说明
图1为本发明的方法流程图。
图2为本发明的系统功能框图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。
实施例
现有的轮对轴箱装置建模方法基本是对单一物理模型的优化，但轮对轴箱装置长期工作于高速、高温、重载的环境下及动力学、热力学等多物理场耦合的复杂工况，此时的单一物理模型的计算结果准确性不高。此外，在轨道车辆行驶过程中，车辆的运行工况、性能参数也会随之不断变化，现有的检测方法对轮对轴箱装置运行状态实时变化考虑不足。采用固定不变的模型对工况不断改变的轮对轴箱装置进行仿真计算，同样会使得计算结果准确性不高。针对上述现有方法的两个不足，本发明提出一种基于数字孪生模型的轮对轴箱装置状态监测方法，实现物理实体到虚拟世界的动态数据交互，完成物理实体到虚拟世界的切实映射。
如图1和图2所示，本发明提供的一种基于数字孪生模型的轮对轴箱装置状态监测方法，具体包括以下步骤：
S1，获取轨道车辆走行部关联数据，并进行数据预处理；走行部关联数据包括：车辆在线监测数据、轨道检测数据、轨旁检测数据、车辆检测数据、车辆及线路基本信息、列车运维记录和环境历史信息；
数据预处理步骤包括：
(1)降噪，本例中采用时间序列方法和基于密度的聚类方法，步骤如下：
11)首先，对需要处理的多源数据按时间先后顺序的标准展开形成序列，并对其平稳化处理；
12)根据得到的平稳时间序列，分别求取序列的自相关系数，以及偏自相关系数；
13)通过对自相关、偏自相关函数的分析，求取最优的阶层和阶数，由以上得到的参数建立自回归积分平滑模型；
14)判断拟合残差是否符合正态性检验，当符合时，则当前数据不存在明显噪声数据，当不符合时，则可以断定包含噪声数据；
15)最后，对于包含噪声数据的序列，采用密度聚类的方法，达到将噪声数据剔除的目的。
(2)特征提取，本例中采用多层卷积神经网络方法：
构建的卷积神经网络由5个卷积层和一个Global Average-pooling层组成，每个卷积层后都紧跟一个Max-pooling层和一个Batch Normalization层，卷积神经网络的训练方法采用的是Adam梯度下降方法，批量大小为128。
提取出的特征包括振动加速度、位移、轴温、转速、轮对变形参数、载荷等。
(3)降维，本例中采用主成分分析方法，步骤如下：
31)初始化矩阵Xmn，代表m个n维的属性，将数据进行去均值、归一化；
32)求解协方差矩阵，以及该矩阵的特征值、对应的特征向量；
33)按照特征值从大到小的顺序，将对应的特征向量排列，选择前k个特征向量，由此组成投影矩阵n；
34)由Y＝PX就可以获得降到k维后的数据。
S2，使用轮对轴箱相关物理模型仿真某些极端工况下或故障情况下轮对轴箱装置的状态特征；轮对轴箱装置的物理模型包括轮对轴箱装置的动力学模型、热力耦合模型、应力分析模型和损伤演化模型。
S3，将物理模型仿真输出与走行部关联数据采用多层卷积神经网络的特征融合算法进行特征融合，并将此特征映射到走行部状态关联高维特征空间中。
S4，进一步，从步骤S3建立的特征空间中提取轮对轴箱装置相关特征及其他部件关联特征，并进行耦合性分析，基于提取的轮对轴箱关联特征及耦合性分析结果构建轮对轴箱装置的状态模型；本例中，从特征空间中提取轮对轴箱装置的相关特征和其他部件关联特征的算法采用小波包特征熵；小波包特征熵特征提取理论及步骤如下：
41)小波包理论：轮对轴箱装置的相关特征和其他部件关联特征信号u(t)采用递归式(1)进行小波包分解。
Figure BDA0003062377340000051
其中，h(k)为高通滤波器组，g(k)为低通滤波器组。从多分辨分析的角度看，小波包分解的实质是让信号u(t)通过高低通组合滤波器组，每次分解总是把原信号分解到高低两个频率通道内，接着对高低频部分分别进行同样的分解直到满足需要为止。
42)小波包特征熵：对特征信号u(t)进行j层小波包分解得到小波包分解序列S(j，k),(k＝0，1，···，2j-1)，在此可以把信号u(t)的小波包分解看成对信号的一种划分，定义这种划分的测度：
Figure BDA0003062377340000052
式中，
Figure BDA0003062377340000053
为S(j，k)，(k＝0，1，…，2j-1)的傅里叶变换列的第i个值；N为原始信号长度。
根据信息熵的基本理论，定义小波包特征熵：
Figure BDA0003062377340000054
式中：i＝0,1，···，2j-1；Hj，k为温度信号u(t)第j层的第k个小波包特征熵。
43)小波包特征熵算法步骤如下：
431)设u代表温度信号，用uij表示小波包分解树中第i层的第j个结点的小波包分解系数，其中i＝0，1，2，…，m；j＝0，1，2，···，2m－1；
432)重构最后一层小波包分解系数，得到各频带范围的信号um,j；
433)计算各频带信号um,j的小波包特征熵Hm,j；
434)构造特征向量，并归一化，得到一个特征向量T，即：
Figure BDA0003062377340000061
步骤S4中，耦合性分析的方法采用最大信息系数法(MIC)，分为三个步骤：
(1)给定i、j，对X、Y构成的散点图进行i列j行网格化，并求出最大的互信息值；
(2)将得到的最大互信息除以log(min(X，Y))，进行归一化处理；
(3)选择不同尺度下互信息的最大值作为MIC值。
步骤S4中，状态模型在MATLAB中构建，其由描述系统动态特性行为的状态方程和描述系统输出变量与状态变量间的变换关系的输出方程所组成。
S5，基于物理模型和状态模型融合建立轮对轴箱装置的数字孪生模型，本例中，数字孪生模型在MATLAB的Simulink中建立。
S6，根据步骤S3中的走行部关联特征空间预测轮对轴箱装置状态特征，以预测结果动态修正数字孪生模型对应参数；状态特征预测内容包括轮对轴箱装置的机械应力、热应力状况、运行疲劳损伤状况等，具体步骤为：
运用现代控制理论中的状态空间分析法，列出反应轮对轴箱装置变化特征的状态空间表达式，根据此表达式预测系统轮对轴箱装置未来状态。
步骤S6中，参数修正的方法采用扩展卡尔曼滤波算法，首先基于扩展卡尔曼滤波算法对数据进行去噪处理，同时得到修正系数，修正数字孪生模型对应参数。
具体滤波过程如下：
61)滤波的初值选择：
Figure BDA0003062377340000062
Figure BDA0003062377340000063
62)预测方程：
tk-1到tk时刻，状态值与方差的预测：
Figure BDA0003062377340000064
Figure BDA0003062377340000065
Figure BDA0003062377340000071
式中，
Figure BDA0003062377340000072
为k-1到k时刻的转移矩阵，Rk为系统误差矩阵，在滤波更新时间内，通过数值积分的方法进行预测状态变量估计值与方差的分析。此处选用数值积分方法为四阶龙格库塔方法；定义
Figure BDA0003062377340000073
为积分后的状态值，PK/K-1为方差。
63)滤波方程：
Figure BDA0003062377340000074
Figure BDA0003062377340000075
Pk＝(I-KkHk)Pk/k-1 (12)
式中，
Figure BDA0003062377340000076
为测量矩阵，Qk为测量误差矩阵，Kk为校正增益矩阵，Pk为获得的方差矩阵，yk为tk时刻获得的测量信息。
S7，应用数字孪生模型对轮对轴箱装置的状态特征进行实时表征及预测，并根据预测结果指导更新轮对轴箱装置的运维策略；轮对轴箱装置相关运维策略包括轮对轴箱装置维修规程的制定、更换周期的确定。
S8，重复上述步骤，以获得最优的轮对轴箱装置数字孪生模型。
最后有必要在此指出的是：以上仅为本发明专利较佳的具体实施方式，但本发明专利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专利揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明专利的保护范围之内。

Claims (7)

1.一种基于数字孪生模型的轮对轴箱装置状态监测方法，其特征在于，包括以下步骤：
1)实时获取轨道车辆走行部关联数据，并进行数据预处理，包括降噪降维和特征提取，轨道车辆走行部关联数据包括车辆在线监测数据、轨道检测数据、轨旁检测数据、车辆检测数据、车辆及线路基本信息、列车运维记录和环境历史信息，在降噪降维后采用多层卷积神经网络进行特征提取得到的特征包括振动加速度、位移、轴温、转速、轮对变形参数和载荷；
2)采用轮对轴箱相关的物理模型进行仿真获取在极端工况下或故障情况下轮对轴箱装置的状态特征，轮对轴箱相关的物理模型包括轮对轴箱装置的动力学模型、热力耦合模型、应力分析模型和损伤演化模型；
3)将物理模型仿真得到的状态特征与走行部关联数据提取的特征进行特征融合，并将融合后的特征映射到走行部关联特征空间中；
4)从走行部关联特征空间中提取轮对轴箱装置相关特征及其他部件关联特征，并进行最大信息系数法的耦合性分析，基于提取的轮对轴箱关联特征及耦合性分析结果构建轮对轴箱装置的状态模型；
5)根据物理模型和状态模型建立轮对轴箱装置的数字孪生模型；
6)根据走行部关联特征空间预测轮对轴箱装置状态特征，以预测结果动态修正数字孪生模型的对应参数；
7)应用数字孪生模型对轮对轴箱装置的状态特征进行实时表征及预测，并根据预测结果指导更新轮对轴箱装置的运维策略；
8)重复步骤1)-7)，获得最优的轮对轴箱装置数字孪生模型。
2.根据权利要求1所述的一种基于数字孪生模型的轮对轴箱装置状态监测方法，其特征在于，所述的步骤1)中，降噪方法采用时间序列方法和基于密度的聚类方法。
3.根据权利要求1所述的一种基于数字孪生模型的轮对轴箱装置状态监测方法，其特征在于，所述的步骤3)中，采用多层卷积神经网络进行特征融合，融合后的特征与由轨道车辆走行部关联数据提取得到的特征相同。
4.根据权利要求1所述的一种基于数字孪生模型的轮对轴箱装置状态监测方法，其特征在于，所述的步骤4)中，状态模型由描述系统动态特性行为的状态方程和描述系统输出变量与状态变量间的变换关系的输出方程组成。
5.根据权利要求1所述的一种基于数字孪生模型的轮对轴箱装置状态监测方法，其特征在于，所述的步骤6)中，轮对轴箱装置状态特征预测内容包括轮对轴箱装置的机械应力、热应力状况以及运行疲劳损伤状况。
6.根据权利要求1所述的一种基于数字孪生模型的轮对轴箱装置状态监测方法，其特征在于，所述的步骤6)中，根据预测结果采用扩展卡尔曼滤波算法动态修正数字孪生模型的对应参数。
7.根据权利要求1所述的一种基于数字孪生模型的轮对轴箱装置状态监测方法，其特征在于，所述的步骤7)中，轮对轴箱装置的运维策略包括轮对轴箱装置维修规程的制定以及更换周期的确定。
CN202110517759.7A 2021-05-12 2021-05-12 一种基于数字孪生模型的轮对轴箱装置状态监测方法 Active CN113247041B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110517759.7A CN113247041B (zh) 2021-05-12 2021-05-12 一种基于数字孪生模型的轮对轴箱装置状态监测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110517759.7A CN113247041B (zh) 2021-05-12 2021-05-12 一种基于数字孪生模型的轮对轴箱装置状态监测方法

Publications (2)

Publication Number Publication Date
CN113247041A CN113247041A (zh) 2021-08-13
CN113247041B true CN113247041B (zh) 2022-10-14

Family

ID=77224102

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110517759.7A Active CN113247041B (zh) 2021-05-12 2021-05-12 一种基于数字孪生模型的轮对轴箱装置状态监测方法

Country Status (1)

Country Link
CN (1) CN113247041B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113984416A (zh) * 2021-09-09 2022-01-28 中车青岛四方机车车辆股份有限公司 转向架的检测数据处理方法、装置、设备及可读存储介质
CN113821952B (zh) * 2021-09-18 2024-02-20 国网浙江省电力有限公司舟山供电公司 一种基于卡尔曼滤波算法的数字孪生无砟轨道优化方法
CN114943281B (zh) * 2022-05-12 2024-04-19 西安交通大学 一种热管冷却反应堆智能决策方法及系统
CN116957361B (zh) * 2023-07-27 2024-02-06 中国舰船研究设计中心 一种基于虚实结合的船舶任务系统健康状态检测方法

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190236489A1 (en) * 2018-01-30 2019-08-01 General Electric Company Method and system for industrial parts search, harmonization, and rationalization through digital twin technology
US11468215B2 (en) * 2018-06-13 2022-10-11 Toyota Jidosha Kabushiki Kaisha Digital twin for vehicle risk evaluation
CN109800531B (zh) * 2019-01-31 2023-01-06 山东大学 一种机电装备数字孪生模型一致性保持方法
CN111537173B (zh) * 2020-04-21 2021-08-03 武汉大学 一种基于数字孪生的微电子产品跌落冲击可靠性评估方法
CN111666712B (zh) * 2020-05-14 2023-08-08 大连理工大学 一种大型复杂机电装备的“测-算-控”智能化数字孪生方法
CN111652295B (zh) * 2020-05-21 2020-12-08 哈尔滨市科佳通用机电股份有限公司 一种铁路货车钩尾销托梁脱落故障识别方法
CN112487584A (zh) * 2020-12-03 2021-03-12 天津工业大学 一种基于动力学的滚动轴承数字孪生建模方法
CN112613646A (zh) * 2020-12-08 2021-04-06 上海交通大学烟台信息技术研究院 一种基于多维数据融合的设备状态预测方法及系统

Also Published As

Publication number Publication date
CN113247041A (zh) 2021-08-13

Similar Documents

Publication Publication Date Title
CN113247041B (zh) 一种基于数字孪生模型的轮对轴箱装置状态监测方法
CN109000940B (zh) 一种机车车辆异常轴温诊断方法及系统
US8781982B1 (en) System and method for estimating remaining useful life
Deutsch et al. Using deep learning based approaches for bearing remaining useful life prediction
CN111260125B (zh) 一种轨道车辆部件的温度异常检测方法
Gasparetto et al. Data-driven condition-based monitoring of high-speed railway bogies
CN110348752B (zh) 一种考虑环境干扰的大型工业系统结构安全性评估方法
CN110457786B (zh) 基于深度置信网络的卸船机关联规则故障预测模型方法
Wang et al. A hidden semi-markov model with duration-dependent state transition probabilities for prognostics
CN111967308A (zh) 一种在线路面不平度辨识方法及系统
CN112816052B (zh) 列车车室振动监测方法、振动信号特征库建立及应用方法
JP7417342B2 (ja) 列車車室の振動監視方法、振動信号特徴ライブラリの構築及び応用方法
Dong et al. A quantitative detection method for wheel polygonization of heavy-haul locomotives based on a hybrid deep learning model
Teng et al. A lightweight model of wheel‐rail force inversion for railway vehicles
CN116579697A (zh) 冷链全链路数据信息管理方法、装置、设备及存储介质
Zeng et al. Rail break prediction and cause analysis using imbalanced in-service train data
CN116862109A (zh) 一种区域碳排放态势感知预警方法
CN114925476A (zh) 一种滚动轴承退化轨迹增广四元数预测方法及存储介质
CN115130728A (zh) 列车车轮直径校准时间预测方法及装置
Zheng et al. A novel deep learning architecture and its application in dynamic load monitoring of the vehicle system
CN112700016A (zh) 预测性维护方法和装置
Yuan et al. Unsupervised cross-domain damage detection and localization for vibration isolators in metro floating-slab track
CN113887320B (zh) 一种基于多尺度图模型的平面并联机构状态诊断方法
Zhang et al. Generalized Zero-Shot Approach Leveraging Attribute Space for High-Speed Train Bogie
CN114841000B (zh) 一种基于模态共有特征分离的软测量建模方法

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
GR01 Patent grant
GR01 Patent grant