CN113469388A - 轨道交通车辆维保系统及方法 - Google Patents
轨道交通车辆维保系统及方法 Download PDFInfo
- Publication number
- CN113469388A CN113469388A CN202111036149.1A CN202111036149A CN113469388A CN 113469388 A CN113469388 A CN 113469388A CN 202111036149 A CN202111036149 A CN 202111036149A CN 113469388 A CN113469388 A CN 113469388A
- Authority
- CN
- China
- Prior art keywords
- maintenance
- component
- ultrasonic image
- influence
- representing
- 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
- 238000012423 maintenance Methods 0.000 title claims abstract description 111
- 238000000034 method Methods 0.000 title claims abstract description 62
- 238000003466 welding Methods 0.000 claims abstract description 135
- 238000003745 diagnosis Methods 0.000 claims abstract description 46
- 238000012549 training Methods 0.000 claims abstract description 32
- 238000013441 quality evaluation Methods 0.000 claims abstract description 29
- 239000000463 material Substances 0.000 claims abstract description 14
- 239000000126 substance Substances 0.000 claims description 33
- 238000013528 artificial neural network Methods 0.000 claims description 31
- 238000001303 quality assessment method Methods 0.000 claims description 27
- 238000001514 detection method Methods 0.000 claims description 19
- 238000002604 ultrasonography Methods 0.000 claims description 19
- 230000004927 fusion Effects 0.000 claims description 10
- 238000002372 labelling Methods 0.000 claims description 6
- 230000007787 long-term memory Effects 0.000 claims description 6
- 238000012797 qualification Methods 0.000 claims description 6
- 230000006403 short-term memory Effects 0.000 claims description 6
- 239000010421 standard material Substances 0.000 claims description 5
- 238000004891 communication Methods 0.000 claims description 3
- 238000011478 gradient descent method Methods 0.000 claims description 3
- 230000004044 response Effects 0.000 claims 1
- 238000011156 evaluation Methods 0.000 abstract description 6
- 230000035515 penetration Effects 0.000 description 16
- 239000000155 melt Substances 0.000 description 12
- 238000012937 correction Methods 0.000 description 11
- 239000002893 slag Substances 0.000 description 8
- 238000005457 optimization Methods 0.000 description 3
- 239000010953 base metal Substances 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000010891 electric arc Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 229910000679 solder Inorganic materials 0.000 description 1
Images
Classifications
-
- 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
- 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
-
- G06Q50/40—
-
- 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
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Investigating Or Analyzing Materials By The Use Of Ultrasonic Waves (AREA)
Abstract
本发明公开了一种轨道交通车辆维保系统及方法,包括信息存储单元、信息采集单元、健康诊断单元、维修单元、维保质量评估单元,所述健康诊断单元包括模型训练模块、音频分类模块、超声图像增强模块、诊断模块,采用声音增强超声图像获取诊断结果,采用完成维保后的部件的外观数据、材料性能以及焊接工艺数据建立维保质量评估模型,得到维保后的部件的评级。本发明不仅诊断结果精确,而且评价结果客观。
Description
技术领域
本发明涉及一种轨道交通车辆维保系统及方法,属于轨道交通车辆技术领域。
背景技术
轨道交通是指运营车辆需要在特定轨道上行驶的一类交通工具或运输系统。车辆在运营过程中,受使用寿命、环境等因素的影响,一些关键部件的健康状态会逐渐恶化,若不及时进行维护最终可能会导致故障的发生,而在轨道交通系统中,维修计划以定期维修、故障维修为主,使得维修计划不够灵活,也无法及时、有效地排除车辆在运营过程中的健康隐患。
中国专利CN201911070794.8,公开了一种地铁车辆运维系统,该系统包括自动化检测部件、云服务器、资源库、信息平台和AI服务器,其中,自动化检测部件用于检测地铁车辆的工作状态参数并发送给云服务器储存,信息平台用于为运维人员提供人机接口并生成检修任务,AI服务器用于根据检修任务从云服务器和资源库中调取数据并分析得到地铁车辆检修策略。该专利将自动化检测技术、信息化技术和AI技术结合后,用于地铁车辆运维系统中,可以降低运维人员的工作量,提高地铁车辆运维系统的智能化水平。
中国专利CN202010238789.X,公开了一种轨道交通车辆维保方法及系统,获取待检测部件在当前状态下反映健康状况的指标的多组数据。采用待检测部件在当前状态下反映健康状况的指标的多组数据训练当前状态健康模型。根据当前状态健康模型与基准健康模型的重叠度得到健康值,当健康值小于报警阈值时,则判断待检测部件具有健康隐患。其中,基准健康模型为采用待检测部件在健康状态下相应的指标的多组数据训练的模型。当待检测部件具有健康隐患时生成健康保养工单,并根据健康保养工单制定第一维修作业计划。
现有技术中,对待检测部件诊断结果较粗糙,不精确,尤其是问题部件在隐患发生的初始阶段不能够被检测出。另外,对于维保后的部件一般采用主观评价,不能很好的反应出维保后的部件质量。
发明内容
发明目的:为了克服现有技术中存在的不足,本发明提供一种诊断结果精确,评级客观的轨道交通车辆维保系统及方法。
技术方案:为实现上述目的,本发明采用的技术方案为:
一种轨道交通车辆维保方法,包括以下步骤:
步骤1,采集各部件的训练音频样本和训练超声图像样本,将各部件的训练音频样本按音频对应帧超声图像进行标签,得到音频超声图像标签。将音频超声图像标签输入到CNN-RNN神经网络中进行训练,得到训练好的CNN-RNN神经网络。
步骤2,采集轨道交通车辆上工作的部件声音和各部件此时的超声图像。
步骤3,将采集到的各部件的运行时的声音信息输入到训练好的CNN-RNN神经网络,得到各部件运行时的声音对应的超声图像概率。
步骤4,根据声音增强超声图像模型建立声音增强超声图像模型,得到增强后各部件的超声图像。
声音增强超声图像模型:
其中,表示增强后的第个部件的超声图像,表示第个部件
的超声图像,表示第个部件运行时的声音对应的超声图像特征与超声图像的融合运
算,表示第个部件运行时的声音对应的超声图像特征,表示第个部件运
行时的声音对应的超声图像概率。
步骤5,将增强后的超声图像输入进训练好的CNN-RNN神经网络,得到各部件诊断结果,根据各部件诊断结果得到需要维保的部件信息。
步骤6,根据需要维保的部件信息、存储轨道交通车辆信息、人员信息、工艺信息进行工艺步骤编码,同时确定需要人员,根据工艺步骤编码将需要人员的执行工艺步骤发送给需要人员,完成部件维保。
步骤7,采集完成维保后的部件的外观数据、材料性能以及焊接工艺数据,建立维保质量评估模型,得到维保后的部件的评级。
所述维保质量评估模型:
其中,表示质量评估值,表示外观影响系数,表示部件标准外观值,表示部件维保后的外观值,表示性能影响系数,表示部件的标准材料的性能
值,表示部件维保后的材料的性能值,表示部件标准值,、、、、、、表示焊接电流影响系数,表示晶粒直径与电流关
系中指数项因数,表示焊接电流,表示咬边率与电流关系中指数项因数,表示电弧频率与电流关系中指数项因数,表示咬边率与电流关系中对数项
因数,、、、、、表示电弧电压影响系数,
表示气孔率与电压关系中指数项因数,表示电弧电压,表示电弧频率与电压
关系中指数项因数,表示咬边率与电压关系中对数项因数,、、、表示焊接速度影响系数,表示晶粒直径与焊接速度关系中指数项
因数,表示变形率与焊接速度关系中指数项因数,表示焊接速度,表示质量
评估常数因子,表示取绝对值,表示质量评估等级,、、、表示质量评
估等级阈值。
优选的:所述CNN-RNN神经网络包括依次连接的二维卷积层组成的编码器、长短期记忆网络块、输出层。
优选的:使用随机梯度下降方法CNN-RNN神经网络。
一种轨道交通车辆维保系统,包括信息存储单元、信息采集单元、健康诊断单元、维修单元、维保质量评估单元,其中:
所述信息存储单元用于存储轨道交通车辆信息、人员信息、工艺信息、工作状态参数、需要维保的部件信息。
所述信息采集单元包括声音检测模块和超声探伤检测模块,所述声音检测模块用于检测轨道交通车辆上工作的部件声音。所述超声探伤检测模块用于对轨道交通车辆上的各部件进行超声探伤,得到超声图像。同时将部件声音和超声图像发送给健康诊断单元。
所述健康诊断单元包括模型训练模块、音频分类模块、超声图像增强模块、诊断模块,其中:
所述模型训练模块用于采集各部件的训练音频样本和训练超声图像样本,将各部件的训练音频样本按音频对应帧超声图像进行标签,得到音频超声图像标签。将音频超声图像标签输入到CNN-RNN神经网络中进行训练,得到训练好的CNN-RNN神经网络。
所述音频分类模块用于将采集到的各部件的运行时的声音信息输入到训练好的CNN-RNN神经网络,得到各部件运行时的声音对应的超声图像概率。
所述超声图像增强模块采用声音增强超声图像模型增强超声图像,所述声音增强超声图像模型如下:
其中,表示增强后的第个部件的超声图像,表示第个部件
的超声图像,表示第个部件运行时的声音对应的超声图像特征与超声图像的融合运
算,表示第个部件运行时的声音对应的超声图像特征,表示第个部件运
行时的声音对应的超声图像概率。
所述诊断模块用于将增强后的超声图像输入进训练好的CNN-RNN神经网络,得到各部件诊断结果,根据各部件诊断结果得到需要维保的部件信息。
所述维修单元根据需要维保的部件信息、存储轨道交通车辆信息、人员信息、工艺信息进行工艺步骤编码,同时确定需要人员,根据工艺步骤编码将需要人员的执行工艺步骤发送给需要人员,完成部件维保。
所述维保质量评估单元采用维保质量评估模型对完成维保的部件的质量评估,通过质量评估的维保部件进行交付。
所述维保质量评估模型:
其中,表示质量评估值,表示外观影响系数,表示部件标准外观值,表示部件维保后的外观值,表示性能影响系数,表示部件的标准材料的性能
值,表示部件维保后的材料的性能值,表示部件标准值,、、、、、、表示焊接电流影响系数,表示晶粒直径与电流关
系中指数项因数,表示焊接电流,表示咬边率与电流关系中指数项因数,表示电弧频率与电流关系中指数项因数,表示咬边率与电流关系中对数项
因数,、、、、、表示电弧电压影响系数,
表示气孔率与电压关系中指数项因数,表示电弧电压,表示电弧频率与电压
关系中指数项因数,表示咬边率与电压关系中对数项因数,、、、表示焊接速度影响系数,表示晶粒直径与焊接速度关系中指数项
因数,表示变形率与焊接速度关系中指数项因数,表示焊接速度,表示质量
评估常数因子,表示取绝对值,表示质量评估等级,、、、表示质量评
估等级阈值。
优选的:包括备件库存管理系统,所述备件库存管理系统用于存储管理备件信息,且所述备件库存管理系统与维修单元连接。
优选的:所述信息存储单元、健康诊断单元、维修单元、维保质量评估单元搭建在云服务器上。
优选的:所述信息采集单元与信息存储单元、健康诊断单元、维修单元之间通过无线通信连接。
优选的:所述人员信息包括人员具有工种和资质的属性信息,所述工艺信息包括工种、资质要求、工艺资源要求。
本发明相比现有技术,具有以下有益效果:
1.本发明通过是采用声音增强超声图像,再通过增强后的超声图像提取出特征,根据提取出的特征得到部件的诊断结果,因此其诊断结果更加精确。尤其对于部件发生的初始阶段,超声图像检测不明确,通过声音对超声图像特征进行加强,在通过加强后的超声图像进行判断,能够得到在问题发生的初始阶段的诊断结果,提前判断出问题部件。
2.本发明采用部件的外观数据、材料性能以及焊接工艺数据,建立维保质量评估模型,使得评价体系结合了三者之间的因素,评价结果更加客观。
附图说明
图1为本发明的结构示意图。
具体实施方式
下面结合附图和具体实施例,进一步阐明本发明,应理解这些实例仅用于说明本发明而不用于限制本发明的范围,在阅读了本发明之后,本领域技术人员对本发明的各种等价形式的修改均落于本申请所附权利要求所限定的范围。
一种轨道交通车辆维保方法,包括以下步骤:
步骤1,采集各部件的训练音频样本和训练超声图像样本,将各部件的训练音频样本按音频对应帧超声图像进行标签,得到音频超声图像标签。将音频超声图像标签输入到CNN-RNN神经网络中进行训练,得到训练好的CNN-RNN神经网络。所述CNN-RNN神经网络包括依次连接的二维卷积层组成的编码器、长短期记忆网络块、输出层。使用随机梯度下降方法CNN-RNN神经网络。
步骤2,采集轨道交通车辆上工作的部件声音和各部件此时的超声图像。
步骤3,将采集到的各部件的运行时的声音信息输入到训练好的CNN-RNN神经网络,得到各部件运行时的声音对应的超声图像概率。
步骤4,根据声音增强超声图像模型建立声音增强超声图像模型,得到增强后各部件的超声图像。
待融合部件运行时的声音对应的超声图像特征提取和增强:
则声音增强超声图像模型:
其中,表示增强后的第个部件的超声图像,表示第个部件
的超声图像,表示第个部件运行时的声音对应的超声图像特征与超声图像的融合运
算,表示第个部件运行时的声音对应的超声图像特征,表示第个部件运
行时的声音对应的超声图像概率。
步骤5,将增强后的超声图像输入进训练好的CNN-RNN神经网络,得到各部件诊断结果,根据各部件诊断结果得到需要维保的部件信息。
步骤6,根据需要维保的部件信息、存储轨道交通车辆信息、人员信息、工艺信息进行工艺步骤编码,同时确定需要人员,根据工艺步骤编码将需要人员的执行工艺步骤发送给需要人员,完成部件维保。
步骤7,采集完成维保后的部件的外观数据、材料性能以及焊接工艺数据,建立维保质量评估模型,得到维保后的部件的评级。
本实施列中采用维保后的部件的外观数据、材料性能以及焊接工艺数据,建立维保质量评估模型,对于非焊接工艺维保的部件,则关于焊接工艺数据的项为0。
步骤71,根据部件的母材材质和母材厚度建立焊条种类和初始焊条直径模型,得到焊条种类和初始焊条直径。然后根据焊接层次和得到的焊条种类和初始焊条直径建立三层焊条直径模型,得到各层的焊条直径。
步骤72,根据得到的焊条直径建立焊接电流模型,得到焊接电流。根据得到焊接电流和电流优化参数建立最佳焊接电流模型,得到最佳焊接电流。
其中,表示电流影响值,,表示焊条种类数目,,表示部件个数,表示电流影响下晶粒系数,表示
电流影响下的晶粒直径,表示电流影响下咬边率系数,表示电流影响下的咬
边率,表示电流影响下的气孔率系数,表示电流影响下的气孔率,表
示电流影响下的飞溅率系数,表示电流影响下的飞溅率,表示电流影响下的
夹渣率系数,表示电流影响下的夹渣率,表示电流影响下的电弧频率系数,表示电流影响下的电弧频率。
确定各因子曲线:
将各因子曲线代入得到:
整理得到:
得到最终的最佳焊接电流模型:
约束条件:
其中,表示电流影响值,,表示焊条种类数目,表
示第个部件,表示电流影响下晶粒系数,表示电流影响下咬边率系数,表示电流影响下的气孔率系数,表示电流影响下的飞溅率系数,表
示电流影响下的夹渣率系数,表示电流影响下的电弧频率系数,、、表示晶粒直径与电流关系因数,、、表示咬边率与电流关系
因数,、、表示咬边率与电流关系因数,、、表
示飞溅率与电流关系因数,表示夹渣率与电流关系因数,、、
表示电弧频率与电流关系因数,表示电流影响下的晶粒直径阈值,表示电流
影响下的咬边率阈值,表示电流影响下的气孔率阈值,表示电流影响下的飞溅
率阈值,表示电流影响下的夹渣率阈值,表示电流影响下的电弧频率最小值,表示电流影响下的电弧频率最大值,表示电流最小值,表示电流最大
值。
步骤73,根据得到的焊条直径建立电弧电压模型,得到电弧电压。根据得到电弧电压和电弧电压优化参数建立最佳电弧电压模型,得到最佳电弧电压。
电弧电压模型:
其中,表示电压影响值,表示电压影响下的熔宽系数,表示
电压影响下的咬边率系数,表示电压影响下的气孔率系数,表示电压电压
影响下的飞溅率,表示电压影响下的熔深系数,表示电压影响下的电弧频
率系数,表示电压影响下的焊波粗糙度系数,表示电压影响下的熔宽,表示电压影响下的咬边率,表示电压影响下的气孔率,表示电压影响
下的飞溅率,表示电压影响下的熔深,表示电压影响下的电弧频率,
表示电压影响下的焊波粗糙度。
确定各因子曲线:
将各因子曲线代入得到:
整理得到:
得到最终的最佳焊接电流模型:
约束条件:
其中,表示电压影响值,表示电压影响下的熔宽系数,表示
电压影响下的咬边率系数,表示电压影响下的气孔率系数,表示电压电压
影响下的飞溅率,表示电压影响下的熔深系数,表示电压影响下的电弧频
率系数,表示电压影响下的焊波粗糙度系数,、表示熔宽与电压关
系因数,、、表示咬边率与电压关系因数,、、表示气孔率与电压关系因数,、、表示飞溅率与电压关系
因数,、表示熔深与电压关系因数,、、表示电弧频
率与电压关系因数,、表示焊波粗糙度与电压关系因数,表示电压
影响下的熔宽最小值,表示电压影响熔宽下的最大值,表示电压影响下的咬
边率阈值,表示电压影响下的气孔率阈值,表示电压影响下的飞溅率阈值,表示电压影响下的最小熔深值,表示电压影响下的最大熔深值,
表示电压影响下的电弧频率最小值,表示电压影响下的电弧频率最大值,表
示焊波粗糙度阈值,表示电压最小值,表示电压最大值。
步骤74,根据母材厚度以及得到的焊条直径、最佳焊接电流、最佳电弧电压建立焊接速度模型,得到焊接速度。根据得到焊接速度和焊接速度优化参数建立最佳焊接速度模型,得到最佳焊接速度。
焊接速度模型:
其中,表示焊接速度影响值,表示焊接速度影响系数,表示
焊接速度影响系数,表示焊接速度影响系数,表示焊接速度影响系数,表示焊接速度影响系数,表示焊接速度影响系数,表示焊接速度影
响下的熔宽,表示焊接速度影响下的晶粒直径,表示焊接速度影响下的气孔
率,表示焊接速度影响下的熔深。
确定各因子曲线:
将各因子曲线代入得到:
整理得到:
得到最终的最佳焊接电流模型:
约束条件:
其中,表示焊接速度影响值,表示焊接速度影响系数,表示
焊接速度影响系数,表示焊接速度影响系数,表示焊接速度影响系数,表示焊接速度影响系数,表示焊接速度影响系数,、表示熔
宽与焊接速度关系因数,表示焊接速度影响下的熔宽阈值,、、表示晶粒直径与焊接速度关系因数,表示焊接速度影响下的晶粒直径阈值,、表示气孔率与焊接速度关系因数,表示焊接速度影响下的气孔率阈
值,、表示热影响区与焊接速度关系因数,表示焊接速度影响下的热
影响区阈值,、表示熔深与焊接速度关系因数,表示焊接速度影响下
的熔深阈值,、、表示变形率与焊接速度关系因数,表示焊接
速度影响下的变形阈值。
步骤75,采集实时电流、实时电压、实时焊接速度,将实时电流与最佳焊接电流进行比较校正,得到校正电流。将实时电压与最佳电弧电压对进行比较校正,得到校正电弧电压。将实时焊接速度与最佳焊接速度进行比较校正,得到校正焊接速度。
所述实时校正模块为校正模型制成的电路,所述校正模型如下:
其中,,表示校正电流,表示最佳焊接电流,表示实时电流,表示电流校正阈值,表示校正电弧电压,表示最佳电弧电压,表示实时电压,表示电压校正阈值,表示校正焊接速度,表示最佳焊接速度,表示实时焊接速
度,表示焊接速度校正阈值。
步骤76,将校正电流、校正电弧电压输出到焊机电源控制系统,焊机电源控制系统输出校正电流、校正电弧电压。将校正焊接速度输送给焊接工人,焊接工人以校正焊接速度进行焊接。
根据完成维保后的部件的外观数据、材料性能以及焊接工艺数据,建立维保质量评估模型:
所述维保质量评估模型:
将最佳焊接电流、电弧电压、焊接速度代入:
整理得到:
其中:
其中,表示质量评估值,表示外观影响系数,表示部件标准外观值,表示部件维保后的外观值,表示性能影响系数,表示部件的标准材料的性能
值,表示部件维保后的材料的性能值,表示部件标准值,、、、、、、表示焊接电流影响系数,表示晶粒直径与电流关
系中指数项因数,表示焊接电流,表示咬边率与电流关系中指数项因数,表示电弧频率与电流关系中指数项因数,表示咬边率与电流关系中对数项
因数,、、、、、表示电弧电压影响系数,
表示气孔率与电压关系中指数项因数,表示电弧电压,表示电弧频率与电压
关系中指数项因数,表示咬边率与电压关系中对数项因数,、、、表示焊接速度影响系数,表示晶粒直径与焊接速度关系中指数项
因数,表示变形率与焊接速度关系中指数项因数,表示焊接速度,表示质量
评估常数因子,表示取绝对值,表示质量评估等级,、、、表示质量评
估等级阈值。
一种轨道交通车辆维保系统,如图1所示,包括信息存储单元、信息采集单元、健康诊断单元、维修单元、维保质量评估单元、备件库存管理系统,其中:
所述信息存储单元用于存储轨道交通车辆信息、人员信息、工艺信息、工作状态参数、需要维保的部件信息。所述人员信息包括人员具有工种和资质的属性信息,所述工艺信息包括工种、资质要求、工艺资源要求。
所述信息采集单元包括声音检测模块和超声探伤检测模块,所述声音检测模块用于检测轨道交通车辆上工作的部件声音。所述超声探伤检测模块用于对轨道交通车辆上的各部件进行超声探伤,得到超声图像。同时将部件声音和超声图像发送给健康诊断单元。
所述健康诊断单元包括模型训练模块、音频分类模块、超声图像增强模块、诊断模块,其中:
所述模型训练模块用于采集各部件的训练音频样本和训练超声图像样本,将各部件的训练音频样本按音频对应帧超声图像进行标签,得到音频超声图像标签。将音频超声图像标签输入到CNN-RNN神经网络中进行训练,得到训练好的CNN-RNN神经网络。
所述音频分类模块用于将采集到的各部件的运行时的声音信息输入到训练好的CNN-RNN神经网络,得到各部件运行时的声音对应的超声图像概率。
所述超声图像增强模块采用声音增强超声图像模型增强超声图像,得到增强后的超声图像。
所述诊断模块用于将增强后的超声图像输入进训练好的CNN-RNN神经网络,得到各部件诊断结果,根据各部件诊断结果得到需要维保的部件信息。
所述维修单元根据需要维保的部件信息、存储轨道交通车辆信息、人员信息、工艺信息进行工艺步骤编码,同时确定需要人员,根据工艺步骤编码将需要人员的执行工艺步骤发送给需要人员,完成部件维保。
所述维保质量评估单元采用维保质量评估模型对完成维保的部件的质量评估,通过质量评估的维保部件进行交付。
所述备件库存管理系统用于存储管理备件信息,且所述备件库存管理系统与维修单元连接。
所述信息存储单元、健康诊断单元、维修单元、维保质量评估单元搭建在云服务器上。所述信息采集单元与信息存储单元、健康诊断单元、维修单元之间通过无线通信连接。
本发明采用声音增强超声图像模型对超声图像进行增强后,再通过增强后的超声图像通过神经网络提取出特征,根据提取出的特征得到部件的诊断结果,因此其诊断结果更加精确。尤其对于部件发生的初始阶段,超声图像检测不明确,通过声音对超声图像特征进行加强,在通过加强后的超声图像进行判断,能够得到在问题发生的初始阶段的诊断结果,提前判断出问题部件。采用部件的外观数据、材料性能以及焊接工艺数据,建立维保质量评估模型,评价体系结合了三者之间的因素,使得评价结果更加客观,避免了认为因素的影响。
以上所述仅是本发明的优选实施方式,应当指出:对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (9)
1.一种轨道交通车辆维保方法,其特征在于:包括以下步骤:
步骤1,采集各部件的训练音频样本和训练超声图像样本,将各部件的训练音频样本按音频对应帧超声图像进行标签,得到音频超声图像标签;将音频超声图像标签输入到CNN-RNN神经网络中进行训练,得到训练好的CNN-RNN神经网络;
步骤2,采集轨道交通车辆上工作的部件声音和各部件此时的超声图像;
步骤3,将采集到的各部件的运行时的声音信息输入到训练好的CNN-RNN神经网络,得到各部件运行时的声音对应的超声图像概率;
步骤4,根据声音增强超声图像模型建立声音增强超声图像模型,得到增强后各部件的超声图像;
声音增强超声图像模型:
其中,表示增强后的第个部件的超声图像,表示第个部件的超声图像,表示第个部件运行时的声音对应的超声图像特征与超声图像的融合运算,表示第个部件运行时的声音对应的超声图像特征,表示第个部件运行时的声音对应的超声图像概率;
步骤5,将增强后的超声图像输入进训练好的CNN-RNN神经网络,得到各部件诊断结果,根据各部件诊断结果得到需要维保的部件信息;
步骤6,根据需要维保的部件信息、存储轨道交通车辆信息、人员信息、工艺信息进行工艺步骤编码,同时确定需要人员,根据工艺步骤编码将需要人员的执行工艺步骤发送给需要人员,完成部件维保;
步骤7,采集完成维保后的部件的外观数据、材料性能以及焊接工艺数据,建立维保质量评估模型,得到维保后的部件的评级;
所述维保质量评估模型:
其中,表示质量评估值,表示外观影响系数,表示部件标准外观值,表示部件维保后的外观值,表示性能影响系数,表示部件的标准材料的性能值,表示部件维保后的材料的性能值,表示部件标准值,、、、、、、表示焊接电流影响系数,表示晶粒直径与电流关系中指数项因数,表示焊接电流,表示咬边率与电流关系中指数项因数,表示电弧频率与电流关系中指数项因数,表示咬边率与电流关系中对数项因数,、、、、、表示电弧电压影响系数,表示气孔率与电压关系中指数项因数,表示电弧电压,表示电弧频率与电压关系中指数项因数,表示咬边率与电压关系中对数项因数,、、、表示焊接速度影响系数,表示晶粒直径与焊接速度关系中指数项因数,表示变形率与焊接速度关系中指数项因数,表示焊接速度,表示质量评估常数因子,表示取绝对值,表示质量评估等级,、、、表示质量评估等级阈值。
2.根据权利要求1所述轨道交通车辆维保方法,其特征在于:所述CNN-RNN神经网络包括依次连接的二维卷积层组成的编码器、长短期记忆网络块、输出层。
3.根据权利要求2所述轨道交通车辆维保方法,其特征在于:使用随机梯度下降方法CNN-RNN神经网络。
5.一种基于权利要求1所述的轨道交通车辆维保方法的维保系统,其特征在于:包括信息存储单元、信息采集单元、健康诊断单元、维修单元、维保质量评估单元,其中:
所述信息存储单元用于存储轨道交通车辆信息、人员信息、工艺信息、工作状态参数、需要维保的部件信息;
所述信息采集单元包括声音检测模块和超声探伤检测模块,所述声音检测模块用于检测轨道交通车辆上工作的部件声音;所述超声探伤检测模块用于对轨道交通车辆上的各部件进行超声探伤,得到超声图像;同时将部件声音和超声图像发送给健康诊断单元;
所述健康诊断单元包括模型训练模块、音频分类模块、超声图像增强模块、诊断模块,其中:
所述模型训练模块用于采集各部件的训练音频样本和训练超声图像样本,将各部件的训练音频样本按音频对应帧超声图像进行标签,得到音频超声图像标签;将音频超声图像标签输入到CNN-RNN神经网络中进行训练,得到训练好的CNN-RNN神经网络;
所述音频分类模块用于将采集到的各部件的运行时的声音信息输入到训练好的CNN-RNN神经网络,得到各部件运行时的声音对应的超声图像概率;
所述超声图像增强模块采用声音增强超声图像模型增强超声图像,所述声音增强超声图像模型如下:
其中,表示增强后的第个部件的超声图像,表示第个部件的超声图像,表示第个部件运行时的声音对应的超声图像特征与超声图像的融合运算,表示第个部件运行时的声音对应的超声图像特征,表示第个部件运行时的声音对应的超声图像概率;
所述诊断模块用于将增强后的超声图像输入进训练好的CNN-RNN神经网络,得到各部件诊断结果,根据各部件诊断结果得到需要维保的部件信息;
所述维修单元根据需要维保的部件信息、存储轨道交通车辆信息、人员信息、工艺信息进行工艺步骤编码,同时确定需要人员,根据工艺步骤编码将需要人员的执行工艺步骤发送给需要人员,完成部件维保;
所述维保质量评估单元采用维保质量评估模型对完成维保的部件的质量评估,通过质量评估的维保部件进行交付;
所述维保质量评估模型:
其中,表示质量评估值,表示外观影响系数,表示部件标准外观值,表示部件维保后的外观值,表示性能影响系数,表示部件的标准材料的性能值,表示部件维保后的材料的性能值,表示部件标准值,、、、、、、表示焊接电流影响系数,表示晶粒直径与电流关系中指数项因数,表示焊接电流,表示咬边率与电流关系中指数项因数,表示电弧频率与电流关系中指数项因数,表示咬边率与电流关系中对数项因数,、、、、、表示电弧电压影响系数,表示气孔率与电压关系中指数项因数,表示电弧电压,表示电弧频率与电压关系中指数项因数,表示咬边率与电压关系中对数项因数,、、、表示焊接速度影响系数,表示晶粒直径与焊接速度关系中指数项因数,表示变形率与焊接速度关系中指数项因数,表示焊接速度,表示质量评估常数因子,表示取绝对值,表示质量评估等级,、、、表示质量评估等级阈值。
6.根据权利要求5所述维保系统,其特征在于:包括备件库存管理系统,所述备件库存管理系统用于存储管理备件信息,且所述备件库存管理系统与维修单元连接。
7.根据权利要求6所述维保系统,其特征在于:所述信息存储单元、健康诊断单元、维修单元、维保质量评估单元搭建在云服务器上。
8.根据权利要求7所述维保系统,其特征在于:所述信息采集单元与信息存储单元、健康诊断单元、维修单元之间通过无线通信连接。
9.根据权利要求8所述维保系统,其特征在于:所述人员信息包括人员具有工种和资质的属性信息,所述工艺信息包括工种、资质要求、工艺资源要求。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111036149.1A CN113469388B (zh) | 2021-09-06 | 2021-09-06 | 轨道交通车辆维保系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111036149.1A CN113469388B (zh) | 2021-09-06 | 2021-09-06 | 轨道交通车辆维保系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113469388A true CN113469388A (zh) | 2021-10-01 |
CN113469388B CN113469388B (zh) | 2021-11-23 |
Family
ID=77867508
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111036149.1A Active CN113469388B (zh) | 2021-09-06 | 2021-09-06 | 轨道交通车辆维保系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113469388B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115577860A (zh) * | 2022-11-21 | 2023-01-06 | 南京地铁运营咨询科技发展有限公司 | 基于自适应调控的轨道交通智能维保方法及系统 |
US11912321B2 (en) * | 2021-10-18 | 2024-02-27 | Tata Consultancy Services Limited | System and method for railway network access planning |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101965613A (zh) * | 2008-03-06 | 2011-02-02 | 日本电信电话株式会社 | 信号增强装置、其方法、程序以及记录介质 |
CN102009474A (zh) * | 2010-08-31 | 2011-04-13 | 浙江大学 | 电熔接头焊接质量检测与实现自动评判的方法 |
US20190374165A1 (en) * | 2018-06-07 | 2019-12-12 | Canon Medical Systems Corporation | Image processing apparatus and method |
CN110751628A (zh) * | 2019-09-24 | 2020-02-04 | 河海大学常州校区 | 一种基于超声图像的焊缝缺陷自动识别方法 |
CN111310851A (zh) * | 2020-03-03 | 2020-06-19 | 四川大学华西第二医院 | 一种人工智能超声辅助系统及其应用 |
CN111489071A (zh) * | 2020-03-30 | 2020-08-04 | 上海电气集团股份有限公司 | 一种轨道交通车辆维保方法及系统 |
CN111976149A (zh) * | 2020-07-06 | 2020-11-24 | 华南理工大学 | 一种铝合金与abs材料摩擦搭接焊方法 |
CN112756768A (zh) * | 2020-12-18 | 2021-05-07 | 北京科技大学 | 一种基于超声图像特征融合的焊接质量评价方法及系统 |
-
2021
- 2021-09-06 CN CN202111036149.1A patent/CN113469388B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101965613A (zh) * | 2008-03-06 | 2011-02-02 | 日本电信电话株式会社 | 信号增强装置、其方法、程序以及记录介质 |
CN102009474A (zh) * | 2010-08-31 | 2011-04-13 | 浙江大学 | 电熔接头焊接质量检测与实现自动评判的方法 |
US20190374165A1 (en) * | 2018-06-07 | 2019-12-12 | Canon Medical Systems Corporation | Image processing apparatus and method |
CN110751628A (zh) * | 2019-09-24 | 2020-02-04 | 河海大学常州校区 | 一种基于超声图像的焊缝缺陷自动识别方法 |
CN111310851A (zh) * | 2020-03-03 | 2020-06-19 | 四川大学华西第二医院 | 一种人工智能超声辅助系统及其应用 |
CN111489071A (zh) * | 2020-03-30 | 2020-08-04 | 上海电气集团股份有限公司 | 一种轨道交通车辆维保方法及系统 |
CN111976149A (zh) * | 2020-07-06 | 2020-11-24 | 华南理工大学 | 一种铝合金与abs材料摩擦搭接焊方法 |
CN112756768A (zh) * | 2020-12-18 | 2021-05-07 | 北京科技大学 | 一种基于超声图像特征融合的焊接质量评价方法及系统 |
Non-Patent Citations (1)
Title |
---|
杜永鹏: "焊缝余高变异系数在水下湿法焊接质量", 《焊接学报》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11912321B2 (en) * | 2021-10-18 | 2024-02-27 | Tata Consultancy Services Limited | System and method for railway network access planning |
CN115577860A (zh) * | 2022-11-21 | 2023-01-06 | 南京地铁运营咨询科技发展有限公司 | 基于自适应调控的轨道交通智能维保方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN113469388B (zh) | 2021-11-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113469388B (zh) | 轨道交通车辆维保系统及方法 | |
WO2022053001A1 (zh) | 焊缝内部缺陷智能检测装置、方法及介质 | |
CN111815572B (zh) | 一种基于卷积神经网络对锂电池焊接质量的检测方法 | |
CN109727229B (zh) | 虚焊检测方法及装置 | |
CN111069819A (zh) | 一种基于人工智能的焊接质量预测系统及方法 | |
CN112150410A (zh) | 一种焊缝缺陷的自动检测方法及其系统 | |
CN112091472B (zh) | 焊接过程质量融合判断方法及装置 | |
CN112200225B (zh) | 基于深度卷积神经网络的钢轨伤损b显图像识别方法 | |
CN113878214B (zh) | 基于lstm与残差分布的焊接质量实时检测方法及系统 | |
CN109741295B (zh) | 产品质量检测方法及装置 | |
CN110458828A (zh) | 一种基于多模态融合网络的激光焊接缺陷识别方法及装置 | |
CN114871620A (zh) | 一种厚板焊接质量监测与控制系统及其焊接方法 | |
WO2022040819A2 (en) | Computer-implemented monitoring of a welding operation | |
CN114544920A (zh) | 盖梁施工用的振捣检测装置及方法 | |
CN107525725B (zh) | 一种轨道车辆用铝合金的疲劳寿命检测方法及系统 | |
CN113553762A (zh) | 基于焊接曲线进行焊点分析的神经网络及建立方法 | |
CN111738991A (zh) | 一种焊缝缺陷的数字射线检测模型的创建方法 | |
CN117173461A (zh) | 一种多视觉任务的灌装容器缺陷检测方法、系统及介质 | |
CN115239733B (zh) | 裂缝检测方法、装置、终端设备以及存储介质 | |
US20230038435A1 (en) | Method and apparatus for determining the size of defects during a surface modification process | |
CN116060817A (zh) | 一种复合集流体焊接质量的确定方法、装置及电子设备 | |
CN113945700A (zh) | 一种轨道伤损检测方法、装置、设备及存储介质 | |
CN115797326A (zh) | 一种基于改进yolox-s算法的金属铸件表面缺陷检测方法 | |
CN114862777A (zh) | 一种连接片焊接检测方法及其系统 | |
CN114118198A (zh) | 在表面改性方法中确定缺陷的方法和装置 |
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 |