CN113392874A - 轨道车辆异常状态诊断方法、装置及终端设备 - Google Patents
轨道车辆异常状态诊断方法、装置及终端设备 Download PDFInfo
- Publication number
- CN113392874A CN113392874A CN202110522376.9A CN202110522376A CN113392874A CN 113392874 A CN113392874 A CN 113392874A CN 202110522376 A CN202110522376 A CN 202110522376A CN 113392874 A CN113392874 A CN 113392874A
- Authority
- CN
- China
- Prior art keywords
- diagnosed
- rail vehicle
- abnormal state
- feature
- 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.)
- Granted
Links
- 230000002159 abnormal effect Effects 0.000 title claims abstract description 152
- 238000003745 diagnosis Methods 0.000 title claims abstract description 113
- 238000000034 method Methods 0.000 title claims abstract description 58
- 238000000605 extraction Methods 0.000 claims abstract description 26
- 238000001228 spectrum Methods 0.000 claims description 40
- 238000004590 computer program Methods 0.000 claims description 20
- 238000012545 processing Methods 0.000 claims description 11
- 238000010183 spectrum analysis Methods 0.000 claims description 9
- 230000011218 segmentation Effects 0.000 claims description 6
- 238000010586 diagram Methods 0.000 description 13
- 238000004422 calculation algorithm Methods 0.000 description 10
- 230000006870 function Effects 0.000 description 8
- 230000008569 process Effects 0.000 description 7
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000003595 spectral effect Effects 0.000 description 3
- 239000013598 vector Substances 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 238000011835 investigation Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 206010044565 Tremor Diseases 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000010186 staining Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000013024 troubleshooting Methods 0.000 description 1
Images
Classifications
-
- 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
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B61—RAILWAYS
- B61L—GUIDING RAILWAY TRAFFIC; ENSURING THE SAFETY OF RAILWAY TRAFFIC
- B61L15/00—Indicators provided on the vehicle or train for signalling purposes
- B61L15/0081—On-board diagnosis or maintenance
-
- 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
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/20—Administration of product repair or maintenance
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/40—Business processes related to the transportation industry
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Computation (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- General Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Probability & Statistics with Applications (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Entrepreneurship & Innovation (AREA)
- Mechanical Engineering (AREA)
- Biomedical Technology (AREA)
- Primary Health Care (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
- Train Traffic Observation, Control, And Security (AREA)
Abstract
本发明适用于轨道车辆异常诊断技术领域,提供了一种轨道车辆异常状态诊断方法、装置及终端设备,该方法包括:获取轨道车辆不同运行状态下的样本数据;对样本数据进行聚类及特征提取,获得每种运行状态对应的中心特征;采集轨道车辆的待诊断运行数据;对待诊断运行数据进行特征提取,获得待诊断特征;分别计算待诊断特征与每种运行状态对应的中心特征的相似度,根据相似度确定轨道车辆的异常状态诊断结果。本发明根据相似度确定轨道车辆的异常状态诊断结果,可以提高轨道车辆异常状态诊断方法的适应性及准确度,避免轨道车辆异常状态诊断时发生误判和漏判。
Description
技术领域
本发明属于轨道车辆异常诊断技术领域,尤其涉及一种轨道车辆异常状态诊断方法、装置及终端设备。
背景技术
对于长期运行的轨道车辆,由于轮轨长期磨耗等原因,伴随着车辆运行里程的增加,在运行时往往会出现一些异常振动、异常噪声或者异常电参量等,这些异常状态轻则影响乘客舒适度,严重的话还会影响行车安全并且加速车辆部件的疲劳老化。因此,对运营的轨道车辆进行异常状态的排查和识别至关重要。
然而,目前常用的轨道车辆异常状态排查方法中,由于通过人工排查数据量比较大,导致效率较低。通过计算机自动识别方法进行轨道车辆异常状态诊断时,由于轨道车辆异常状态的幅频特性不固定,导致自动识别方法的诊断判据不具有普适性,诊断结果往往存在误判或漏判。
发明内容
有鉴于此,本发明实施例提供了一种轨道车辆异常状态诊断方法、装置及终端设备,以解决现有技术中轨道车辆异常状态诊断方法存在误判或漏判的问题。
本发明实施例的第一方面提供了一种轨道车辆异常状态诊断方法,包括:
获取轨道车辆不同运行状态下的样本数据;
对所述样本数据进行聚类及特征提取,获得每种运行状态对应的中心特征;
采集轨道车辆的待诊断运行数据;
对所述待诊断运行数据进行特征提取,获得待诊断特征;
分别计算所述待诊断特征与每种运行状态对应的中心特征的相似度,根据所述相似度确定轨道车辆的异常状态诊断结果。
本发明实施例的第二方面提供了一种轨道车辆异常状态诊断装置,包括:
样本数据获取模块,用于获取轨道车辆不同运行状态下的样本数据;
中心特征提取模块,用于对所述样本数据进行聚类及特征提取,获得每种运行状态对应的中心特征;
采集模块,用于采集轨道车辆的待诊断运行数据;
提取模块,用于对所述待诊断运行数据进行特征提取,获得待诊断特征;
诊断模块,用于分别计算所述待诊断特征与每种运行状态对应的中心特征的相似度,根据所述相似度确定轨道车辆的异常状态诊断结果。
本发明实施例的第三方面提供了一种终端设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如上任一项所述轨道车辆异常状态诊断方法的步骤。
本发明实施例的第四方面提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如上任一项所述轨道车辆异常状态诊断方法的步骤。
本发明实施例与现有技术相比存在的有益效果是:本发明实施例通过获取轨道车辆不同运行状态下的样本数据,对样本数据进行聚类及特征提取,获得轨道车辆在每种运行状态时对应的中心特征,将轨道车辆的待诊断运行数据的待诊断特征分别与每种运行状态时对应的中心特征进行对比,分别计算与每种运行状态时对应的中心特征的相似度,根据相似度确定轨道车辆的待诊断运行数据的异常状态诊断结果,可以通过收集少量不同运行状态下的样本数据,对任意轨道车辆的待诊断运行数据进行诊断,提高轨道车辆异常状态诊断方法的适应性及准确度,避免不同车辆在相同线路区段时或者相同车辆在不同线路区段时的异常状态对应的诊断判据不一致导致的误判和漏判。
附图说明
为了更清楚地说明本发明实施例中的技术方案,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性的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的轨道车辆异常状态诊断方法的实现流程示意图;
图2是本发明实施例提供的低频异常振动诊断时所有样本数据段分别对应的频谱特征图;
图3是本发明实施例提供的低频异常振动诊断对应的预设聚类数目为3类时的频谱特征图;
图4是本发明另一实施例提供的低频异常振动诊断对应的预设聚类数目为3类时的频谱特征图;
图5是本发明又一实施例提供的低频异常振动诊断对应的预设聚类数目为3类时的频谱特征图;
图6是本发明实施例提供的低频异常振动诊断对应的预设聚类数目为3类时的中心特征图;
图7是本发明实施例提供的轨道车辆异常状态诊断装置的示意图;
图8是本发明实施例提供的终端设备的示意图。
具体实施方式
以下描述中,为了说明而不是为了限定,提出了诸如特定系统结构、技术之类的具体细节,以便透彻理解本发明实施例。然而,本领域的技术人员应当清楚,在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中,省略对众所周知的系统、装置、电路以及方法的详细说明,以免不必要的细节妨碍本发明的描述。
为了说明本发明所述的技术方案,下面通过具体实施例来进行说明。
图1为本发明实施例提供的轨道车辆异常状态诊断方法的实现流程示意图,详述如下。
步骤S101,获取轨道车辆不同运行状态下的样本数据。
其中,对于运营中的轨道车辆来说,轨道车辆的异常状态诊断可以包括低频异常振动诊断、高频异常振动诊断、异常噪声诊断以及异常电参量诊断等。
示例性的,目前发现的因轮轨关系变化造成的低频异常振动现象有抖车、晃车等,这些低频异常振动在实际情况中,伴随着不同车辆,不同线路区段,往往具有以下三个特点:(1)振动主频不固定。不同车辆,在相同线路区段上振动主频会略有区别,而相同车辆在不同线路区段上振动主频也会略有区别。例如对于抖车来说,相同车辆在不同线路区段上振动的主频大概在7~9Hz左右,极端的会出现6Hz左右或者10Hz左右的主频。(2)振动幅度大小不固定。在不同速度下同一列车,在同一线路上发生抖车时的主频振幅大小从0.02g到0.1g大小不等。(3)无论振动主频和振动幅度如何,低频异常振动往往给人以相似的感官感受。基于这些特点,当异常振动发生时需要对运行车辆进行大规模的普查和识别时,若采用固定的频率阈值或幅度阈值对异常振动进行诊断,由于振动幅度或振动主频不固定,可能造成漏判或误判。若通过乘客评价的乘坐舒适性进行诊断,需要浪费大量的人力物力,且实时性不高,而且由于人的主观性,也无法制定一个明确的指标以区分各种异常状态。
但是,对于运行中的车辆来说,无论是低频异常振动诊断、高频异常振动诊断、异常噪声诊断以及异常电参量诊断等,均可能存在若干种运行状态,从动力学范畴来说,不同运行状态引起的车辆固定部位的振动在幅频特性上各有不同,因此,可以获取轨道车辆在不同运行状态下的数据作为样本数据。
其中,在获取轨道车辆不同运行状态下的样本数据时,需要获取包含异常运行状态的样本数据。
示例性的,对于低频异常振动诊断,可以获取轨道车辆地板面、车体侧墙或者转向架上的振动数据作为样本数据。
对于高频异常振动诊断、异常噪声诊断以及异常电参量诊断等,可以获取轨道车辆其他部位的运行状态数据作为样本数据。
本实施例通过获取轨道车辆在不同运行状态下的数据作为样本数据,对任意轨道车辆的待诊断运行数据进行异常诊断,有利于通过小范围的数据采集,方便大规模的异常排查。
步骤S102,对样本数据进行聚类及特征提取,获得每种运行状态对应的中心特征。
可选的,在对样本数据进行聚类及特征提取,获得每种运行状态对应的中心特征之前,还可以包括:根据获取样本数据时对应的时刻对样本数据进行分段处理,获得多个样本数据段;分别对多个样本数据段中的每个样本数据段进行频谱分析,获得所有样本数据段分别对应的频谱特征。
其中,步骤S101中获得的样本数据一般为时域序列,但轨道车辆的异常状态一般需要在频域上识别,因此可以按照获取样本数据时对应的时刻对样本数据进行分段处理,获得多个样本数据段,分别对多个样本数据段中的每个样本数据段进行频谱分析,获得所有样本数据段分别对应的频谱特征。根据所有样本数据段分别对应的频谱特征获得轨道车辆在每种运行状态对应的中心特征。
示例性的,可以根据预设时间长度,按照获取样本数据时对应的时刻对样本数据进行分段处理。例如获取一段1小时的样本数据,可以按照每分钟将获取的样本数据分为60段,或者按照每2秒中将获取的样本数据分为1800段。其中,对样本数据进行分段的预设时间长度可以根据需要进行的异常状态诊断确定,既能够反映轨道车辆运行状态的瞬时变化情况,又能包含异常状态所在的频段。
示例性的,根据需要诊断的异常状态的不同,分段处理后,可以分别计算每个样本数据段的频谱、功率谱、能量谱或者功率密度谱等,或者对以上提到的谱通过传递函数计算、加权计算等以获得所有样本数据段分别对应的频谱特征。本发明实施例对具体进行何种频谱分析获得对应的频谱特征不做限定。
示例性的,参见图2,对于低频异常振动诊断,获取轨道车辆地板面的样本数据,其中样本数据中包括低频异常振动时的运行数据。以2s为预设时间长度对获取的样本数据进行分段处理,并对每个样本数据段进行快速傅里叶变换,获得所有样本数据段分别对应的频谱特征,图2中,横坐标为2倍的频率,即横坐标为20时,实际代表10Hz频率。染色代表振动大小,单位为重力加速度g。
可选的,对样本数据进行聚类及特征提取,获得每种运行状态对应的中心特征,可以包括:获取预设聚类数目;根据预设聚类数目对所有样本数据段分别对应的频谱特征进行聚类,获得每种运行状态的频谱特征集合;分别对每种运行状态的频谱特征集合进行特征提取,获得每种运行状态对应的中心特征。
其中,对所有样本数据段分别对应的频谱特征进行聚类,可以利用无监督学习自动获得所有样本数据段分别对应的频谱特征的内在联系,将所有样本数据段分别对应的频谱特征分为预设聚类数目个类别,基于聚类后的结果获得的每种运行状态对应的中心特征更具有普适性。
示例性的,可以使用k-means算法对所有样本数据段分别对应的频谱特征进行聚类,k-means算法原理简单且运算效率高,可以进一步提高轨道车辆异常状态诊断方法的效率。根据需要诊断的异常状态的不同,也可以使用改进的k-means算法、支持向量机、改进的支持向量机、神经网络原理的其他机器学习分类算法对所有样本数据段分别对应的频谱特征进行聚类,本发明实施例对具体的聚类算法不做限定。
示例性的,对于低频异常振动诊断来说,低频异常振动一般包括抖车、晃车及正常状态三种,因此,预设聚类数目可以设置为3类,使用k-means算法对图2所示的频谱特征图进行聚类,其中,每段样本数据段对应的频谱特征可以表示为一维向量[x1,x2,x3,……xn],其中xn是某个频率下的振幅的大小,频率信息包含在向量序列中,例如当分段处理的时间长度为a秒时,x1为0/aHz下的振动大小,x2为1/aHz下的振动大小,x3为2/aHz下的振动大小,依次类推。使用k-means算法对图2所示的频谱特征图进行聚类即使用k-means算法对这些一维向量进行聚类,预设聚类数目为3类时,每一类的频谱特征图如图3-图5所示。
参考图3-图5所示的3类频谱特征图,其中,图3所示的频谱特征图的显著特点频率在6~9Hz,振幅在0.02~0.06g不等,符合抖车特征。图4所示的频谱特征图的显著特点频率在2Hz左右,振幅在0.015~0.035g不等,符合晃车特征,而且可以看出该类别中包含车辆过道岔等时候的晃动等。图5所示的频谱特征图无显著特征可视为车辆正常运行状态。对图3-图5所示的每种运行状态的频谱特征几何进行特征提取,获得每种运行状态对应的中心特征如图6所示。基于图6所示的中心特征,可以对轨道车辆的待诊断运行数据进行异常状态诊断。
本实施例中,通过获取轨道车辆不同运行状态下的样本数据,对样本数据进行聚类及特征提取,获得每种运行状态对应的中心特征,可以通过少量带异常状态的运行数据获得轨道车辆不同运行状态对应的中心特征,无须进行大规模跟踪试验即可获取不同运行状态对应的中心特征,并应用到后续的测试中去,不仅节约了轨道车辆异常状态诊断的成本,也提高了轨道车辆异常状态诊断的效率。
步骤S103,采集轨道车辆的待诊断运行数据。
其中,可以实时采集轨道车辆的运行数据作为待诊断运行数据,当轨道车辆出现异常状态时,可以基于步骤S102获得的每种运行状态对应的中心特征对轨道车辆进行异常状态诊断。也可以实时采集轨道车辆的运行数据作为待诊断运行数据,并基于步骤S102获得的每种运行状态对应的中心特征实时对轨道车辆进行异常状态诊断。
其中,待诊断运行数据可以通过传感装置、模数转换模块和数据存储模块获得,传感装置可以探测车辆固定部位的振动并将其转换成电信号,模数转换模块可以将传感装置的电信号转换成数字信号,数据存储模块可以保存振动的数字信号,得到待诊断运行数据。
步骤S104,对待诊断运行数据进行特征提取,获得待诊断特征。
可选的,在对待诊断运行数据进行特征提取,获得待诊断特征之前,还可以包括:根据采集待诊断运行数据的时刻对待诊断运行数据进行分段处理,获得多个待诊断运行数据段;
对待诊断运行数据进行特征提取,获得待诊断特征,可以包括:
对多个待诊断运行数据段中的每个待诊断运行数据段分别进行特征提取,获得每个待诊断运行数据段对应的待诊断特征。
其中,在对待诊断运行数据进行特征提取时,由于待诊断运行数据也为时域序列,因此也需要按照一定的时间长度获取待诊断运行数据的待诊断特征,其中,获取待诊断运行数据的待诊断特征的时间长度一般与对样本数据进行分段处理的预设时间长度相同,以便于计算待诊断特征与每种运行状态对应的中心特征的相似度。
可选的,可以每获得预设时间长度的待诊断运行数据段,则对该待诊断运行数据段进行频谱分析,提取该待诊断运行数据段的频谱特征作为待诊断特征。
可选的,也可以获得一段待诊断运行数据后,按照预设时间长度对待诊断运行数据进行分段处理,获得多个待诊断运行数据段,再分别对多个待诊断运行数据段中的每个待诊断运行数据段分别进行频谱分析,提取每个待诊断运行数据段对应的频谱特征作为每个待诊断运行数据段对应的待诊断特征。
其中,对待诊断运行数据段进行频谱分析的方法与对每个样本数据段进行频谱分析的方法相同,在此不再赘述。
本实施例中,通过对待诊断运行数据进行分段处理,并基于每个待诊断运行数据段对应的待诊断特征进行异常状态诊断,还可以找出轨道车辆出现异常状态的时间段,以及出现异常状态的时间段对应的线路段,进而为消除轨道车辆的异常状态提供方便。
步骤S105,分别计算待诊断特征与每种运行状态对应的中心特征的相似度,根据相似度确定轨道车辆的异常状态诊断结果。
可选的,分别计算待诊断特征与每种运行状态对应的中心特征的相似度,根据相似度确定轨道车辆的异常状态诊断结果,可以包括:
分别计算每个待诊断运行数据段对应的待诊断特征与每种运行状态对应的中心特征的相似度,根据相似度确定每个待诊断运行数据段的异常状态诊断结果;根据每个待诊断运行数据段的异常状态诊断结果确定轨道车辆的异常状态诊断结果。
其中,某一时间段内轨道车辆的异常状态诊断结果由每个待诊断运行数据段的异常状态诊断结果确定,若在该时间段内,每个待诊断运行数据段的异常状态诊断结果均为正常状态,则该时间段内轨道车辆的异常状态诊断结果为正常状态,若在该时间段内,某个待诊断运行数据段的异常状态诊断结果为异常状态,则该时间段内轨道车辆的异常状态诊断结果为异常状态,且可以根据异常状态对应的待诊断运行数据段,确定异常状态发生的时间段,基于异常状态发生的时间段以及轨道车辆的运行参数,还可以确定异常状态发生时对应的线路段。对通过线路维修或车辆整改等方式进行异常状态处理具有重要意义。
作为本发明的一实施例,分别计算每个待诊断运行数据段对应的待诊断特征与每种运行状态对应的中心特征的相似度,根据相似度确定每个待诊断运行数据段的异常状态诊断结果,可以包括:
分别计算每个待诊断运行数据段对应的待诊断特征与每种运行状态对应的中心特征的距离,确定每个待诊断运行数据段对应的待诊断特征的最小距离;将每个最小距离对应的运行状态确定为对应待诊断运行数据段的异常状态诊断结果。
其中,本实施例可以用于异常状态排查,例如,当轨道车辆运行时不怀疑有未知异常状态,分别计算每个待诊断运行数据段对应的待诊断特征与每种运行状态对应的中心特征的距离后,比较每个待诊断运行数据段对应的待诊断特征与每种运行状态对应的中心特征的距离的大小,其中最小距离代表相似度最高,也就是该待诊断运行数据段与最小距离对应的运行状态最相似,则认为该待诊断运行数据段的异常状态诊断结果为最小距离对应的运行状态。例如低频异常振动诊断中,若某个待诊断运行数据段与抖车的中心特征的距离最小,则认为该待诊断运行数据段的常状态诊断结果为抖车异常状态。
作为本发明的另一实施例,分别计算每个待诊断运行数据段对应的待诊断特征与每种运行状态对应的中心特征的相似度,根据相似度确定每个待诊断运行数据段的异常状态诊断结果,可以包括:
分别计算每个待诊断运行数据段对应的待诊断特征与每种运行状态对应的中心特征的距离,确定每个待诊断运行数据段对应的待诊断特征的最小距离;若某个最小距离小于对应运行状态的运行状态阈值,则将当前最小距离对应的运行状态确定为对应待诊断运行数据段的异常状态诊断结果。
其中,本实施例可以用于异常状态探索,例如,当轨道车辆运行时疑有未知异常状态,分别计算每个待诊断运行数据段对应的待诊断特征与每种运行状态对应的中心特征的距离后,比较每个待诊断运行数据段对应的待诊断特征与每种运行状态对应的中心特征的距离的大小,找到其中的最小距离,并判断最小距离是否小于对应运行状态的运行状态阈值,若最小距离小于对应运行状态的运行状态阈值,则代表该待诊断运行数据段与最小距离对应的运行状态最相似,认为该待诊断运行数据段的异常状态诊断结果为最小距离对应的运行状态。例如低频异常振动诊断中,若某个待诊断运行数据段与抖车的中心特征的距离最小,且最小距离小于抖车的运行状态阈值,则认为该待诊断运行数据段的常状态诊断结果为抖车异常状态。
可选的,可以根据聚类时使用的算法计算待诊断特征与每种运行状态对应的中心特征的相似度,例如,使用k-means算法聚类时,可以计算待诊断特征与每种运行状态对应的中心特征的距离,将待诊断特征与每种运行状态对应的中心特征的距离作为其相似度。大部分聚类算法对应的相似度均可以用距离表示,也不排除可以用其他量衡量待诊断特征与每种运行状态对应的中心特征的相似度。
本实施例通过计算每个待诊断运行数据段对应的待诊断特征与每种运行状态时对应的中心特征的相似度,根据相似度确定每个待诊断运行数据段的异常状态诊断结果,根据每个待诊断运行数据段的异常状态诊断结果确定轨道车辆的异常状态诊断结果,可以提高轨道车辆异常状态诊断方法的适应性及准确度,避免不同车辆在相同线路区段时或者相同车辆在不同线路区段时的异常状态对应的诊断判据不一致导致的误判和漏判,还可以确定异常状态发生的时间段和线路段,有利于对异常状态的处理。
上述轨道车辆异常状态诊断方法,通过获取轨道车辆不同运行状态下的样本数据,对样本数据进行聚类及特征提取,获得轨道车辆在每种运行状态时对应的中心特征,将轨道车辆的待诊断运行数据的待诊断特征分别与每种运行状态时对应的中心特征进行对比,分别计算与每种运行状态时对应的中心特征的相似度,根据相似度确定轨道车辆的待诊断运行数据的异常状态诊断结果,可以通过收集少量不同运行状态下的样本数据,对任意轨道车辆的待诊断运行数据进行诊断,提高轨道车辆异常状态诊断方法的适应性及准确度,避免不同车辆在相同线路区段时或者相同车辆在不同线路区段时的异常状态对应的诊断判据不一致导致的误判和漏判。
应理解,上述实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本发明实施例的实施过程构成任何限定。
对应于上文实施例所述的轨道车辆异常状态诊断方法,图7示出了本发明实施例提供的轨道车辆异常状态诊断装置的示例图。如图7所示,该装置可以包括:样本数据获取模块71、中心特征提取模块72、采集模块73、提取模块74和诊断模块75。
样本数据获取模块71,用于获取轨道车辆不同运行状态下的样本数据;
中心特征提取模块72,用于对所述样本数据进行聚类及特征提取,获得每种运行状态对应的中心特征;
采集模块73,用于采集轨道车辆的待诊断运行数据;
提取模块74,用于对所述待诊断运行数据进行特征提取,获得待诊断特征;
诊断模块75,用于分别计算所述待诊断特征与每种运行状态对应的中心特征的相似度,根据所述相似度确定轨道车辆的异常状态诊断结果。
可选的,中心特征提取模块72,还可以用于根据获取所述样本数据时对应的时刻对所述样本数据进行分段处理,获得多个样本数据段;分别对所述多个样本数据段中的每个样本数据段进行频谱分析,获得所有样本数据段分别对应的频谱特征。
可选的,中心特征提取模块72,可以用于获取预设聚类数目;根据所述预设聚类数目对所述所有样本数据段分别对应的频谱特征进行聚类,获得每种运行状态的频谱特征集合;分别对每种运行状态的频谱特征集合进行特征提取,获得每种运行状态对应的中心特征。
可选的,提取模块74,还可以用于根据采集所述待诊断运行数据的时刻对所述待诊断运行数据进行分段处理,获得多个待诊断运行数据段;提取模块74,可以用于对所述多个待诊断运行数据段中的每个待诊断运行数据段分别进行特征提取,获得每个待诊断运行数据段对应的待诊断特征。
可选的,诊断模块75,可以用于分别计算每个待诊断运行数据段对应的待诊断特征与每种运行状态对应的中心特征的相似度,根据所述相似度确定每个待诊断运行数据段的异常状态诊断结果;根据每个待诊断运行数据段的异常状态诊断结果确定轨道车辆的异常状态诊断结果。
可选的,诊断模块75,可以用于分别计算每个待诊断运行数据段对应的待诊断特征与每种运行状态对应的中心特征的距离,确定每个待诊断运行数据段对应的待诊断特征的最小距离;将每个最小距离对应的运行状态确定为对应待诊断运行数据段的异常状态诊断结果。
可选的,诊断模块75,可以用于分别计算每个待诊断运行数据段对应的待诊断特征与每种运行状态对应的中心特征的距离,确定每个待诊断运行数据段对应的待诊断特征的最小距离;若某个最小距离小于对应运行状态的运行状态阈值,则将当前最小距离对应的运行状态确定为对应待诊断运行数据段的异常状态诊断结果。
可选的,轨道车辆异常状态诊断装置还可以包括报警模块,当诊断模块识别到异常状态时,可以通过报警模块进行报警或发出异常信息等其他动作。
上述轨道车辆异常状态诊断装置,通过获取轨道车辆不同运行状态下的样本数据,对样本数据进行聚类及特征提取,获得轨道车辆在每种运行状态时对应的中心特征,将轨道车辆的待诊断运行数据的待诊断特征分别与每种运行状态时对应的中心特征进行对比,分别计算与每种运行状态时对应的中心特征的相似度,根据相似度确定轨道车辆的待诊断运行数据的异常状态诊断结果,可以通过收集少量不同运行状态下的样本数据,对任意轨道车辆的待诊断运行数据进行诊断,提高轨道车辆异常状态诊断方法的适应性及准确度,避免不同车辆在相同线路区段时或者相同车辆在不同线路区段时的异常状态对应的诊断判据不一致导致的误判和漏判。
图8是本发明一实施例提供的终端设备的示意图。如图8所示,该实施例的终端设备800包括:处理器801、存储器802以及存储在所述存储器802中并可在所述处理器801上运行的计算机程序803,例如轨道车辆异常状态诊断程序。所述处理器801执行所述计算机程序803时实现上述轨道车辆异常状态诊断方法实施例中的步骤,例如图1所示的步骤S101至S105,所述处理器801执行所述计算机程序803时实现上述各装置实施例中各模块的功能,例如图7所示模块71至75的功能。
示例性的,所述计算机程序803可以被分割成一个或多个程序模块,所述一个或者多个程序模块被存储在所述存储器802中,并由所述处理器801执行,以完成本发明。所述一个或多个程序模块可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述所述计算机程序803在所述轨道车辆异常状态诊断装置或者终端设备800中的执行过程。例如,所述计算机程序803可以被分割成样本数据获取模块71、中心特征提取模块72、采集模块73、提取模块74和诊断模块75,各模块具体功能如图7所示,在此不再一一赘述。
所述终端设备800可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述终端设备可包括,但不仅限于,处理器801、存储器802。本领域技术人员可以理解,图8仅仅是终端设备800的示例,并不构成对终端设备800的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如所述终端设备还可以包括输入输出设备、网络接入设备、总线等。
所称处理器801可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器802可以是所述终端设备800的内部存储单元,例如终端设备800的硬盘或内存。所述存储器802也可以是所述终端设备800的外部存储设备,例如所述终端设备800上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(SecureDigital,SD)卡,闪存卡(Flash Card)等。进一步地,所述存储器802还可以既包括所述终端设备800的内部存储单元也包括外部存储设备。所述存储器802用于存储所述计算机程序以及所述终端设备800所需的其他程序和数据。所述存储器802还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将所述装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中,上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。另外,各功能单元、模块的具体名称也只是为了便于相互区分,并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
在本发明所提供的实施例中,应该理解到,所揭露的装置/终端设备和方法,可以通过其它的方式实现。例如,以上所描述的装置/终端设备实施例仅仅是示意性的,例如,所述模块或单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口,装置或单元的间接耦合或通讯连接,可以是电性,机械或其它的形式。
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单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是,所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减,例如在某些司法管辖区,根据立法和专利实践,计算机可读介质不包括电载波信号和电信信号。
以上所述实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围,均应包含在本发明的保护范围之内。
Claims (10)
1.一种轨道车辆异常状态诊断方法,其特征在于,包括:
获取轨道车辆不同运行状态下的样本数据;
对所述样本数据进行聚类及特征提取,获得每种运行状态对应的中心特征;
采集轨道车辆的待诊断运行数据;
对所述待诊断运行数据进行特征提取,获得待诊断特征;
分别计算所述待诊断特征与每种运行状态对应的中心特征的相似度,根据所述相似度确定轨道车辆的异常状态诊断结果。
2.如权利要求1所述的轨道车辆异常状态诊断方法,其特征在于,在所述对所述样本数据进行聚类及特征提取,获得每种运行状态对应的中心特征之前,还包括:
根据获取所述样本数据时对应的时刻对所述样本数据进行分段处理,获得多个样本数据段;
分别对所述多个样本数据段中的每个样本数据段进行频谱分析,获得所有样本数据段分别对应的频谱特征。
3.如权利要求2所述的轨道车辆异常状态诊断方法,其特征在于,所述对所述样本数据进行聚类及特征提取,获得每种运行状态对应的中心特征,包括:
获取预设聚类数目;
根据所述预设聚类数目对所述所有样本数据段分别对应的频谱特征进行聚类,获得每种运行状态的频谱特征集合;
分别对每种运行状态的频谱特征集合进行特征提取,获得每种运行状态对应的中心特征。
4.如权利要求1至3任一项所述的轨道车辆异常状态诊断方法,其特征在于,在所述对所述待诊断运行数据进行特征提取,获得待诊断特征之前,还包括:
根据采集所述待诊断运行数据的时刻对所述待诊断运行数据进行分段处理,获得多个待诊断运行数据段;
所述对所述待诊断运行数据进行特征提取,获得待诊断特征,包括:
对所述多个待诊断运行数据段中的每个待诊断运行数据段分别进行特征提取,获得每个待诊断运行数据段对应的待诊断特征。
5.如权利要求4所述的轨道车辆异常状态诊断方法,其特征在于,所述分别计算所述待诊断特征与每种运行状态对应的中心特征的相似度,根据所述相似度确定轨道车辆的异常状态诊断结果,包括:
分别计算每个待诊断运行数据段对应的待诊断特征与每种运行状态对应的中心特征的相似度,根据所述相似度确定每个待诊断运行数据段的异常状态诊断结果;
根据每个待诊断运行数据段的异常状态诊断结果确定轨道车辆的异常状态诊断结果。
6.如权利要求5所述的轨道车辆异常状态诊断方法,其特征在于,所述分别计算每个待诊断运行数据段对应的待诊断特征与每种运行状态对应的中心特征的相似度,根据所述相似度确定每个待诊断运行数据段的异常状态诊断结果,包括:
分别计算每个待诊断运行数据段对应的待诊断特征与每种运行状态对应的中心特征的距离,确定每个待诊断运行数据段对应的待诊断特征的最小距离;
将每个最小距离对应的运行状态确定为对应待诊断运行数据段的异常状态诊断结果。
7.如权利要求5所述的轨道车辆异常状态诊断方法,其特征在于,所述分别计算每个待诊断运行数据段对应的待诊断特征与每种运行状态对应的中心特征的相似度,根据所述相似度确定每个待诊断运行数据段的异常状态诊断结果,包括:
分别计算每个待诊断运行数据段对应的待诊断特征与每种运行状态对应的中心特征的距离,确定每个待诊断运行数据段对应的待诊断特征的最小距离;
若某个最小距离小于对应运行状态的运行状态阈值,则将当前最小距离对应的运行状态确定为对应待诊断运行数据段的异常状态诊断结果。
8.一种轨道车辆异常状态诊断装置,其特征在于,包括:
样本数据获取模块,用于获取轨道车辆不同运行状态下的样本数据;
中心特征提取模块,用于对所述样本数据进行聚类及特征提取,获得每种运行状态对应的中心特征;
采集模块,用于采集轨道车辆的待诊断运行数据;
提取模块,用于对所述待诊断运行数据进行特征提取,获得待诊断特征;
诊断模块,用于分别计算所述待诊断特征与每种运行状态对应的中心特征的相似度,根据所述相似度确定轨道车辆的异常状态诊断结果。
9.一种终端设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述方法的步骤。
10.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至7任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110522376.9A CN113392874B (zh) | 2021-05-13 | 2021-05-13 | 轨道车辆异常状态诊断方法、装置及终端设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110522376.9A CN113392874B (zh) | 2021-05-13 | 2021-05-13 | 轨道车辆异常状态诊断方法、装置及终端设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113392874A true CN113392874A (zh) | 2021-09-14 |
CN113392874B CN113392874B (zh) | 2022-12-13 |
Family
ID=77617145
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110522376.9A Active CN113392874B (zh) | 2021-05-13 | 2021-05-13 | 轨道车辆异常状态诊断方法、装置及终端设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113392874B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114781467A (zh) * | 2022-06-22 | 2022-07-22 | 济南嘉宏科技有限责任公司 | 一种基于振动相似度的故障检测方法及装置 |
CN117056764A (zh) * | 2023-10-11 | 2023-11-14 | 唐山市南堡经济开发区航天万源新能源有限公司 | 一种发电机组智能保护方法及系统 |
Citations (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102855638A (zh) * | 2012-08-13 | 2013-01-02 | 苏州大学 | 基于谱聚类的车辆异常行为检测方法 |
CN105631596A (zh) * | 2015-12-29 | 2016-06-01 | 山东鲁能软件技术有限公司 | 一种基于多维分段拟合的设备故障诊断方法 |
CN106326929A (zh) * | 2016-08-24 | 2017-01-11 | 北京工商大学 | 轨道列车走行部滚动轴承故障的诊断方法 |
CN106650576A (zh) * | 2016-09-22 | 2017-05-10 | 中国矿业大学 | 一种基于噪声特征统计量的矿山设备健康状态判决方法 |
CN108416362A (zh) * | 2018-01-29 | 2018-08-17 | 同济大学 | 一种道岔异常预警与故障诊断方法 |
CN108700875A (zh) * | 2018-04-25 | 2018-10-23 | 深圳市元征软件开发有限公司 | 车辆诊断方法、系统、设备及计算机可读存储介质 |
CN108836310A (zh) * | 2018-07-13 | 2018-11-20 | 希蓝科技(北京)有限公司 | 一种基于人工智能的自动判断用户心电状态的方法及系统 |
CN109186813A (zh) * | 2018-10-23 | 2019-01-11 | 株洲中车时代电气股份有限公司 | 一种温度传感器自检装置及方法 |
CN109374318A (zh) * | 2018-09-27 | 2019-02-22 | 南京康尼机电股份有限公司 | 基于dpc的轨道车辆多门系统异常检测方法和系统 |
CN109829487A (zh) * | 2019-01-16 | 2019-05-31 | 上海上塔软件开发有限公司 | 一种基于分段统计特征距离的聚类方法 |
CN110689642A (zh) * | 2019-09-18 | 2020-01-14 | 山东大学 | 基于车载obd数据及概率统计的异常驾驶判别方法及系统 |
CN110825548A (zh) * | 2019-10-24 | 2020-02-21 | 新华三信息安全技术有限公司 | 异常检测方法、模型训练方法及相关装置 |
CN111060844A (zh) * | 2019-12-09 | 2020-04-24 | 南京航空航天大学 | 一种用于高速列车牵引传动系统的匝间短路故障诊断方法及装置 |
CN112257755A (zh) * | 2020-09-24 | 2021-01-22 | 北京航天测控技术有限公司 | 航天器运行状态的分析方法和装置 |
CN112326280A (zh) * | 2021-01-06 | 2021-02-05 | 西门子交通技术(北京)有限公司 | 列车转向架的故障检测方法、装置和计算机可读介质 |
CN112348078A (zh) * | 2020-11-09 | 2021-02-09 | 南京工程学院 | 一种具有亚健康预诊断及故障类型聚类功能的门机控制器 |
CN112686279A (zh) * | 2021-02-08 | 2021-04-20 | 杭州电子科技大学 | 一种基于k均值聚类和证据融合的齿轮箱故障诊断方法 |
-
2021
- 2021-05-13 CN CN202110522376.9A patent/CN113392874B/zh active Active
Patent Citations (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102855638A (zh) * | 2012-08-13 | 2013-01-02 | 苏州大学 | 基于谱聚类的车辆异常行为检测方法 |
CN105631596A (zh) * | 2015-12-29 | 2016-06-01 | 山东鲁能软件技术有限公司 | 一种基于多维分段拟合的设备故障诊断方法 |
CN106326929A (zh) * | 2016-08-24 | 2017-01-11 | 北京工商大学 | 轨道列车走行部滚动轴承故障的诊断方法 |
CN106650576A (zh) * | 2016-09-22 | 2017-05-10 | 中国矿业大学 | 一种基于噪声特征统计量的矿山设备健康状态判决方法 |
CN108416362A (zh) * | 2018-01-29 | 2018-08-17 | 同济大学 | 一种道岔异常预警与故障诊断方法 |
CN108700875A (zh) * | 2018-04-25 | 2018-10-23 | 深圳市元征软件开发有限公司 | 车辆诊断方法、系统、设备及计算机可读存储介质 |
CN108836310A (zh) * | 2018-07-13 | 2018-11-20 | 希蓝科技(北京)有限公司 | 一种基于人工智能的自动判断用户心电状态的方法及系统 |
CN109374318A (zh) * | 2018-09-27 | 2019-02-22 | 南京康尼机电股份有限公司 | 基于dpc的轨道车辆多门系统异常检测方法和系统 |
CN109186813A (zh) * | 2018-10-23 | 2019-01-11 | 株洲中车时代电气股份有限公司 | 一种温度传感器自检装置及方法 |
CN109829487A (zh) * | 2019-01-16 | 2019-05-31 | 上海上塔软件开发有限公司 | 一种基于分段统计特征距离的聚类方法 |
CN110689642A (zh) * | 2019-09-18 | 2020-01-14 | 山东大学 | 基于车载obd数据及概率统计的异常驾驶判别方法及系统 |
CN110825548A (zh) * | 2019-10-24 | 2020-02-21 | 新华三信息安全技术有限公司 | 异常检测方法、模型训练方法及相关装置 |
CN111060844A (zh) * | 2019-12-09 | 2020-04-24 | 南京航空航天大学 | 一种用于高速列车牵引传动系统的匝间短路故障诊断方法及装置 |
CN112257755A (zh) * | 2020-09-24 | 2021-01-22 | 北京航天测控技术有限公司 | 航天器运行状态的分析方法和装置 |
CN112348078A (zh) * | 2020-11-09 | 2021-02-09 | 南京工程学院 | 一种具有亚健康预诊断及故障类型聚类功能的门机控制器 |
CN112326280A (zh) * | 2021-01-06 | 2021-02-05 | 西门子交通技术(北京)有限公司 | 列车转向架的故障检测方法、装置和计算机可读介质 |
CN112686279A (zh) * | 2021-02-08 | 2021-04-20 | 杭州电子科技大学 | 一种基于k均值聚类和证据融合的齿轮箱故障诊断方法 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114781467A (zh) * | 2022-06-22 | 2022-07-22 | 济南嘉宏科技有限责任公司 | 一种基于振动相似度的故障检测方法及装置 |
CN114781467B (zh) * | 2022-06-22 | 2022-09-06 | 济南嘉宏科技有限责任公司 | 一种基于振动相似度的故障检测方法 |
CN117056764A (zh) * | 2023-10-11 | 2023-11-14 | 唐山市南堡经济开发区航天万源新能源有限公司 | 一种发电机组智能保护方法及系统 |
CN117056764B (zh) * | 2023-10-11 | 2024-01-09 | 唐山市南堡经济开发区航天万源新能源有限公司 | 一种发电机组智能保护方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN113392874B (zh) | 2022-12-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11022633B2 (en) | Enhanced system and method for conducting PCA analysis on data signals | |
RU2488815C2 (ru) | Способ и устройство для классификации генерирующих звук процессов | |
CN113392874B (zh) | 轨道车辆异常状态诊断方法、装置及终端设备 | |
CN111259990B (zh) | 基于多源信息融合的海水泵故障监测装置与诊断方法 | |
CN112785016A (zh) | 基于机器学习的新能源汽车保养维护与故障监测诊断方法 | |
US20160343180A1 (en) | Automobiles, diagnostic systems, and methods for generating diagnostic data for automobiles | |
CN104236911A (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 | |
Nguyen et al. | Analysis and comparison of multiple features for fault detection and prognostic in ball bearings | |
CN111678699B (zh) | 一种面向滚动轴承早期故障监测与诊断方法及系统 | |
US6591682B1 (en) | Device and process for signal analysis | |
JP2017077055A (ja) | 状態診断装置及びプログラム | |
Attoui et al. | Novel machinery monitoring strategy based on time–frequency domain similarity measurement with limited labeled data | |
GB2277151A (en) | Machine monitoring using neural network | |
CN111595515B (zh) | 万向轴不平衡故障的间接检测方法 | |
Lu et al. | CEEMD-assisted bearing degradation assessment using tight clustering | |
Minhas et al. | Improvement in classification accuracy and computational speed in bearing fault diagnosis using multiscale fuzzy entropy | |
Ali et al. | Threshold-based induction motors single-and multifaults diagnosis using discrete wavelet transform and measured stator current signal | |
CN117471227A (zh) | 汽车线束参数性能测试方法及测试系统 | |
CN114755017A (zh) | 一种跨域数据驱动无监督领域共享网络的变转速轴承故障诊断方法 | |
Attoui | Novel fast and automatic condition monitoring strategy based on small amount of labeled data | |
CN114330430A (zh) | 一种基于大数据特征分析的电梯故障判断方法及系统 | |
KR20210006832A (ko) | 기계고장 진단 방법 및 장치 | |
CN115931318A (zh) | 故障智能诊断方法、装置、设备及存储介质 | |
CN116699400A (zh) | 一种发电机转子短路故障监测系统、方法及可读存储介质 | |
CN110555457A (zh) | 发动机润滑油磨损信号特征处理系统及方法 |
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 |