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 PDF

Info

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
Application number
CN202111036149.1A
Other languages
English (en)
Other versions
CN113469388B (zh
Inventor
李峰
景宁
杨泽迎
刘达
房伟
郑睿
王洪琳
张玉
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.)
Jiangsu CRRC Digital Technology Co Ltd
Original Assignee
Jiangsu CRRC Digital Technology 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 Jiangsu CRRC Digital Technology Co Ltd filed Critical Jiangsu CRRC Digital Technology Co Ltd
Priority to CN202111036149.1A priority Critical patent/CN113469388B/zh
Publication of CN113469388A publication Critical patent/CN113469388A/zh
Application granted granted Critical
Publication of CN113469388B publication Critical patent/CN113469388B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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

轨道交通车辆维保系统及方法
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：
Figure 933224DEST_PATH_IMAGE001
其中，
Figure 381523DEST_PATH_IMAGE002
表示增强后的第
Figure 193883DEST_PATH_IMAGE003
个部件的超声图像，
Figure 385830DEST_PATH_IMAGE004
表示第
Figure 731361DEST_PATH_IMAGE003
个部件 的超声图像，
Figure 84982DEST_PATH_IMAGE005
表示第
Figure 148753DEST_PATH_IMAGE003
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，
Figure 878811DEST_PATH_IMAGE006
表示第
Figure 78849DEST_PATH_IMAGE003
个部件运行时的声音对应的超声图像特征，
Figure 361626DEST_PATH_IMAGE007
表示第
Figure 647114DEST_PATH_IMAGE003
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:
Figure 180863DEST_PATH_IMAGE008
Figure 235407DEST_PATH_IMAGE009
其中，
Figure 461989DEST_PATH_IMAGE010
表示质量评估值，
Figure 234773DEST_PATH_IMAGE011
表示外观影响系数，
Figure 542520DEST_PATH_IMAGE012
表示部件标准外观值，
Figure 717149DEST_PATH_IMAGE013
表示部件维保后的外观值，
Figure 583474DEST_PATH_IMAGE014
表示性能影响系数，
Figure 843554DEST_PATH_IMAGE015
表示部件的标准材料的性能 值，
Figure 719106DEST_PATH_IMAGE016
表示部件维保后的材料的性能值，
Figure 748242DEST_PATH_IMAGE017
表示部件标准值，
Figure 51047DEST_PATH_IMAGE018
、
Figure 532844DEST_PATH_IMAGE019
、
Figure 445043DEST_PATH_IMAGE020
、
Figure 328685DEST_PATH_IMAGE021
、
Figure 802392DEST_PATH_IMAGE022
、
Figure 771485DEST_PATH_IMAGE023
、
Figure 723261DEST_PATH_IMAGE024
表示焊接电流影响系数，
Figure 992568DEST_PATH_IMAGE025
表示晶粒直径与电流关 系中指数项因数，
Figure 637176DEST_PATH_IMAGE026
表示焊接电流，
Figure 595030DEST_PATH_IMAGE027
表示咬边率与电流关系中指数项因数，
Figure 350496DEST_PATH_IMAGE028
表示电弧频率与电流关系中指数项因数，
Figure 943152DEST_PATH_IMAGE029
表示咬边率与电流关系中对数项 因数，
Figure 758661DEST_PATH_IMAGE030
、
Figure 702346DEST_PATH_IMAGE031
、
Figure 261503DEST_PATH_IMAGE032
、
Figure 974245DEST_PATH_IMAGE033
、
Figure 695076DEST_PATH_IMAGE034
、
Figure 896031DEST_PATH_IMAGE035
表示电弧电压影响系数，
Figure 993300DEST_PATH_IMAGE036
表示气孔率与电压关系中指数项因数，
Figure 826127DEST_PATH_IMAGE037
表示电弧电压，
Figure 717859DEST_PATH_IMAGE038
表示电弧频率与电压 关系中指数项因数，
Figure 901716DEST_PATH_IMAGE039
表示咬边率与电压关系中对数项因数，
Figure 802676DEST_PATH_IMAGE040
、
Figure 224430DEST_PATH_IMAGE041
、
Figure 54108DEST_PATH_IMAGE042
、
Figure 194102DEST_PATH_IMAGE043
表示焊接速度影响系数，
Figure 164332DEST_PATH_IMAGE044
表示晶粒直径与焊接速度关系中指数项 因数，
Figure 706172DEST_PATH_IMAGE045
表示变形率与焊接速度关系中指数项因数，
Figure 205287DEST_PATH_IMAGE046
表示焊接速度，
Figure 832577DEST_PATH_IMAGE047
表示质量 评估常数因子，
Figure 75340DEST_PATH_IMAGE048
表示取绝对值，
Figure 471686DEST_PATH_IMAGE049
表示质量评估等级，
Figure 640237DEST_PATH_IMAGE050
、
Figure 20402DEST_PATH_IMAGE051
、
Figure 801277DEST_PATH_IMAGE052
、
Figure 317709DEST_PATH_IMAGE053
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。
优选的：质量评估等级阈值之间的关系如下：
Figure 158626DEST_PATH_IMAGE054
。
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：
Figure 26088DEST_PATH_IMAGE001
其中，
Figure 610653DEST_PATH_IMAGE002
表示增强后的第
Figure 483056DEST_PATH_IMAGE003
个部件的超声图像，
Figure 494874DEST_PATH_IMAGE004
表示第
Figure 584053DEST_PATH_IMAGE003
个部件 的超声图像，
Figure 972309DEST_PATH_IMAGE005
表示第
Figure 197754DEST_PATH_IMAGE003
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，
Figure 380474DEST_PATH_IMAGE006
表示第
Figure 956949DEST_PATH_IMAGE003
个部件运行时的声音对应的超声图像特征，
Figure 477509DEST_PATH_IMAGE007
表示第
Figure 557460DEST_PATH_IMAGE003
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:
Figure 176660DEST_PATH_IMAGE008
Figure 240431DEST_PATH_IMAGE055
其中，
Figure 236069DEST_PATH_IMAGE010
表示质量评估值，
Figure 436106DEST_PATH_IMAGE011
表示外观影响系数，
Figure 993252DEST_PATH_IMAGE012
表示部件标准外观值，
Figure 75477DEST_PATH_IMAGE013
表示部件维保后的外观值，
Figure 874806DEST_PATH_IMAGE014
表示性能影响系数，
Figure 929350DEST_PATH_IMAGE015
表示部件的标准材料的性能 值，
Figure 890353DEST_PATH_IMAGE016
表示部件维保后的材料的性能值，
Figure 161672DEST_PATH_IMAGE017
表示部件标准值，
Figure 233533DEST_PATH_IMAGE018
、
Figure 408162DEST_PATH_IMAGE019
、
Figure 274487DEST_PATH_IMAGE020
、
Figure 800146DEST_PATH_IMAGE021
、
Figure 675699DEST_PATH_IMAGE022
、
Figure 704834DEST_PATH_IMAGE023
、
Figure 243525DEST_PATH_IMAGE024
表示焊接电流影响系数，
Figure 256481DEST_PATH_IMAGE025
表示晶粒直径与电流关 系中指数项因数，
Figure 670145DEST_PATH_IMAGE026
表示焊接电流，
Figure 553787DEST_PATH_IMAGE027
表示咬边率与电流关系中指数项因数，
Figure 27494DEST_PATH_IMAGE028
表示电弧频率与电流关系中指数项因数，
Figure 262166DEST_PATH_IMAGE029
表示咬边率与电流关系中对数项 因数，
Figure 213941DEST_PATH_IMAGE030
、
Figure 722064DEST_PATH_IMAGE031
、
Figure 101093DEST_PATH_IMAGE032
、
Figure 557482DEST_PATH_IMAGE033
、
Figure 312948DEST_PATH_IMAGE034
、
Figure 436762DEST_PATH_IMAGE035
表示电弧电压影响系数，
Figure 252271DEST_PATH_IMAGE036
表示气孔率与电压关系中指数项因数，
Figure 461536DEST_PATH_IMAGE037
表示电弧电压，
Figure 522158DEST_PATH_IMAGE038
表示电弧频率与电压 关系中指数项因数，
Figure 234899DEST_PATH_IMAGE039
表示咬边率与电压关系中对数项因数，
Figure 486889DEST_PATH_IMAGE040
、
Figure 917870DEST_PATH_IMAGE041
、
Figure 15139DEST_PATH_IMAGE042
、
Figure 582387DEST_PATH_IMAGE043
表示焊接速度影响系数，
Figure 739699DEST_PATH_IMAGE044
表示晶粒直径与焊接速度关系中指数项 因数，
Figure 156511DEST_PATH_IMAGE045
表示变形率与焊接速度关系中指数项因数，
Figure 57471DEST_PATH_IMAGE046
表示焊接速度，
Figure 744804DEST_PATH_IMAGE047
表示质量 评估常数因子，
Figure 73017DEST_PATH_IMAGE048
表示取绝对值，
Figure 213012DEST_PATH_IMAGE049
表示质量评估等级，
Figure 917663DEST_PATH_IMAGE050
、
Figure 459502DEST_PATH_IMAGE051
、
Figure 725661DEST_PATH_IMAGE052
、
Figure 352951DEST_PATH_IMAGE053
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：
Figure 595714DEST_PATH_IMAGE056
其中，
Figure 257639DEST_PATH_IMAGE057
表示待融合的第
Figure 927655DEST_PATH_IMAGE003
个部件运行时的声音对应的超声图像特征，
Figure 307821DEST_PATH_IMAGE006
表示第
Figure 88695DEST_PATH_IMAGE003
个部件运行时的声音对应的超声图像特征，
Figure 97803DEST_PATH_IMAGE007
表示第
Figure 938720DEST_PATH_IMAGE003
个部件运行时 的声音对应的超声图像概率。
将得到的待融合的第
Figure 540603DEST_PATH_IMAGE003
个部件运行时的声音对应的超声图像特征与第
Figure 390747DEST_PATH_IMAGE003
个部件 的超声图像进行融合增强：
Figure 761685DEST_PATH_IMAGE058
其中，
Figure 773504DEST_PATH_IMAGE059
表示融合后的第
Figure 597103DEST_PATH_IMAGE003
个部件的超声图像，
Figure 752403DEST_PATH_IMAGE060
表示第
Figure 977848DEST_PATH_IMAGE003
个部件 运行时的声音对应的的超声图像，
Figure 160568DEST_PATH_IMAGE005
表示第
Figure 737043DEST_PATH_IMAGE003
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。
则声音增强超声图像模型：
Figure 928990DEST_PATH_IMAGE001
其中，
Figure 8941DEST_PATH_IMAGE002
表示增强后的第
Figure 628141DEST_PATH_IMAGE003
个部件的超声图像，
Figure 924868DEST_PATH_IMAGE004
表示第
Figure 389348DEST_PATH_IMAGE003
个部件 的超声图像，
Figure 589385DEST_PATH_IMAGE005
表示第
Figure 645065DEST_PATH_IMAGE003
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，
Figure 664974DEST_PATH_IMAGE006
表示第
Figure 198724DEST_PATH_IMAGE003
个部件运行时的声音对应的超声图像特征，
Figure 253267DEST_PATH_IMAGE007
表示第
Figure 948691DEST_PATH_IMAGE003
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。
第
Figure 222940DEST_PATH_IMAGE003
个部件的焊接工艺如下：
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。
Figure 560380DEST_PATH_IMAGE061
其中，
Figure 469430DEST_PATH_IMAGE062
表示电流影响值，
Figure 601334DEST_PATH_IMAGE063
，
Figure 126993DEST_PATH_IMAGE064
表示焊条种类数目，
Figure 2546DEST_PATH_IMAGE065
，
Figure 536076DEST_PATH_IMAGE066
表示部件个数，
Figure 573302DEST_PATH_IMAGE067
表示电流影响下晶粒系数，
Figure 320678DEST_PATH_IMAGE068
表示 电流影响下的晶粒直径，
Figure 999921DEST_PATH_IMAGE069
表示电流影响下咬边率系数，
Figure 883564DEST_PATH_IMAGE070
表示电流影响下的咬 边率，
Figure 91691DEST_PATH_IMAGE071
表示电流影响下的气孔率系数，
Figure 60784DEST_PATH_IMAGE072
表示电流影响下的气孔率，
Figure 45183DEST_PATH_IMAGE073
表 示电流影响下的飞溅率系数，
Figure 783332DEST_PATH_IMAGE074
表示电流影响下的飞溅率，
Figure 427940DEST_PATH_IMAGE075
表示电流影响下的 夹渣率系数，
Figure 884329DEST_PATH_IMAGE076
表示电流影响下的夹渣率，
Figure 639795DEST_PATH_IMAGE077
表示电流影响下的电弧频率系数，
Figure 763609DEST_PATH_IMAGE078
表示电流影响下的电弧频率。
确定各因子曲线：
Figure 579118DEST_PATH_IMAGE079
Figure 257224DEST_PATH_IMAGE080
其中，
Figure 314917DEST_PATH_IMAGE068
表示电流影响下的晶粒直径，
Figure 293237DEST_PATH_IMAGE081
、
Figure 279648DEST_PATH_IMAGE025
、
Figure 710629DEST_PATH_IMAGE082
表示晶粒直径 与电流关系因数，
Figure 807898DEST_PATH_IMAGE083
表示电流影响下的晶粒直径阈值。
Figure 375146DEST_PATH_IMAGE084
Figure 532457DEST_PATH_IMAGE085
其中，
Figure 686621DEST_PATH_IMAGE070
表示电流影响下的咬边率，
Figure 853160DEST_PATH_IMAGE086
、
Figure 540493DEST_PATH_IMAGE029
、
Figure 868706DEST_PATH_IMAGE087
表示咬边率与 电流关系因数，
Figure 8700DEST_PATH_IMAGE088
表示电流影响下的咬边率阈值。
Figure 447772DEST_PATH_IMAGE089
Figure 255191DEST_PATH_IMAGE090
其中，
Figure 270419DEST_PATH_IMAGE072
表示电流影响下的气孔率，
Figure 897709DEST_PATH_IMAGE091
、
Figure 140472DEST_PATH_IMAGE027
、
Figure 802397DEST_PATH_IMAGE092
表示咬边率与电 流关系因数，
Figure 472413DEST_PATH_IMAGE093
表示电流影响下的气孔率阈值。
Figure 321420DEST_PATH_IMAGE094
Figure 633453DEST_PATH_IMAGE095
其中，
Figure 916929DEST_PATH_IMAGE074
表示电流影响下的飞溅率，
Figure 757846DEST_PATH_IMAGE096
、
Figure 625308DEST_PATH_IMAGE097
、
Figure 209873DEST_PATH_IMAGE098
表示飞溅率与 电流关系因数，
Figure 846391DEST_PATH_IMAGE099
表示电流影响下的飞溅率阈值。
Figure 858209DEST_PATH_IMAGE100
Figure 711502DEST_PATH_IMAGE101
其中，
Figure 99758DEST_PATH_IMAGE076
表示电流影响下的夹渣率，
Figure 590782DEST_PATH_IMAGE102
表示夹渣率与电流关系因数，
Figure 773502DEST_PATH_IMAGE103
表示电流影响下的夹渣率阈值。
Figure 349977DEST_PATH_IMAGE104
Figure 276345DEST_PATH_IMAGE105
其中，
Figure 621875DEST_PATH_IMAGE078
表示电流影响下的电弧频率，
Figure 476961DEST_PATH_IMAGE106
、
Figure 275153DEST_PATH_IMAGE028
、
Figure 5211DEST_PATH_IMAGE107
表示电弧频 率与电流关系因数，
Figure 470828DEST_PATH_IMAGE108
表示电流影响下的电弧频率最小值，
Figure 995350DEST_PATH_IMAGE109
表示电流影响下的 电弧频率最大值。
将各因子曲线代入得到：
Figure 280838DEST_PATH_IMAGE110
整理得到：
Figure 80167DEST_PATH_IMAGE111
得到最终的最佳焊接电流模型：
Figure 639105DEST_PATH_IMAGE112
约束条件：
Figure 334528DEST_PATH_IMAGE113
Figure 107312DEST_PATH_IMAGE114
Figure 179173DEST_PATH_IMAGE115
Figure 353803DEST_PATH_IMAGE116
Figure 485707DEST_PATH_IMAGE117
Figure 745787DEST_PATH_IMAGE118
Figure 122804DEST_PATH_IMAGE119
其中，
Figure 151940DEST_PATH_IMAGE062
表示电流影响值，
Figure 454745DEST_PATH_IMAGE063
，
Figure 936542DEST_PATH_IMAGE064
表示焊条种类数目，
Figure 350206DEST_PATH_IMAGE003
表 示第
Figure 233848DEST_PATH_IMAGE003
个部件，
Figure 707555DEST_PATH_IMAGE067
表示电流影响下晶粒系数，
Figure 676648DEST_PATH_IMAGE069
表示电流影响下咬边率系数，
Figure 658117DEST_PATH_IMAGE071
表示电流影响下的气孔率系数，
Figure 396266DEST_PATH_IMAGE073
表示电流影响下的飞溅率系数，
Figure 40874DEST_PATH_IMAGE075
表 示电流影响下的夹渣率系数，
Figure 497263DEST_PATH_IMAGE077
表示电流影响下的电弧频率系数，
Figure 252729DEST_PATH_IMAGE081
、
Figure 110964DEST_PATH_IMAGE025
、
Figure 926473DEST_PATH_IMAGE082
表示晶粒直径与电流关系因数，
Figure 371623DEST_PATH_IMAGE086
、
Figure 930781DEST_PATH_IMAGE029
、
Figure 643522DEST_PATH_IMAGE087
表示咬边率与电流关系 因数，
Figure 629932DEST_PATH_IMAGE091
、
Figure 795334DEST_PATH_IMAGE027
、
Figure 892603DEST_PATH_IMAGE092
表示咬边率与电流关系因数，
Figure 991009DEST_PATH_IMAGE096
、
Figure 640997DEST_PATH_IMAGE097
、
Figure 293695DEST_PATH_IMAGE098
表 示飞溅率与电流关系因数，
Figure 194655DEST_PATH_IMAGE102
表示夹渣率与电流关系因数，
Figure 881988DEST_PATH_IMAGE106
、
Figure 210202DEST_PATH_IMAGE028
、
Figure 350196DEST_PATH_IMAGE107
表示电弧频率与电流关系因数，
Figure 54847DEST_PATH_IMAGE083
表示电流影响下的晶粒直径阈值，
Figure 596687DEST_PATH_IMAGE088
表示电流 影响下的咬边率阈值，
Figure 597266DEST_PATH_IMAGE093
表示电流影响下的气孔率阈值，
Figure 490135DEST_PATH_IMAGE099
表示电流影响下的飞溅 率阈值，
Figure 732898DEST_PATH_IMAGE103
表示电流影响下的夹渣率阈值，
Figure 129244DEST_PATH_IMAGE108
表示电流影响下的电弧频率最小值，
Figure 799260DEST_PATH_IMAGE109
表示电流影响下的电弧频率最大值，
Figure 913847DEST_PATH_IMAGE120
表示电流最小值，
Figure 960300DEST_PATH_IMAGE121
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：
Figure 975267DEST_PATH_IMAGE122
其中，
Figure 816184DEST_PATH_IMAGE123
表示电压影响值，
Figure 418067DEST_PATH_IMAGE124
表示电压影响下的熔宽系数，
Figure 2632DEST_PATH_IMAGE125
表示 电压影响下的咬边率系数，
Figure 373570DEST_PATH_IMAGE126
表示电压影响下的气孔率系数，
Figure 385389DEST_PATH_IMAGE127
表示电压电压 影响下的飞溅率，
Figure 474567DEST_PATH_IMAGE128
表示电压影响下的熔深系数，
Figure 597244DEST_PATH_IMAGE129
表示电压影响下的电弧频 率系数，
Figure 589733DEST_PATH_IMAGE130
表示电压影响下的焊波粗糙度系数，
Figure 38032DEST_PATH_IMAGE131
表示电压影响下的熔宽，
Figure 348928DEST_PATH_IMAGE132
表示电压影响下的咬边率，
Figure 275295DEST_PATH_IMAGE133
表示电压影响下的气孔率，
Figure 620826DEST_PATH_IMAGE134
表示电压影响 下的飞溅率，
Figure 240026DEST_PATH_IMAGE135
表示电压影响下的熔深，
Figure 38218DEST_PATH_IMAGE136
表示电压影响下的电弧频率，
Figure 272671DEST_PATH_IMAGE137
表示电压影响下的焊波粗糙度。
确定各因子曲线：
Figure 472708DEST_PATH_IMAGE138
Figure 997231DEST_PATH_IMAGE139
其中，
Figure 282718DEST_PATH_IMAGE131
表示电压影响下的熔宽，
Figure 550889DEST_PATH_IMAGE140
、
Figure 605432DEST_PATH_IMAGE141
表示熔宽与电压关系因 数，
Figure 832014DEST_PATH_IMAGE142
表示电压影响下的熔宽最小值，
Figure 106263DEST_PATH_IMAGE143
表示电压影响熔宽下的最大值。
Figure 912545DEST_PATH_IMAGE144
Figure 87175DEST_PATH_IMAGE145
其中，
Figure 953499DEST_PATH_IMAGE132
表示电压影响下的咬边率，
Figure 213579DEST_PATH_IMAGE146
、
Figure 89132DEST_PATH_IMAGE039
、
Figure 118267DEST_PATH_IMAGE147
表示咬边率 与电压关系因数，
Figure 421073DEST_PATH_IMAGE148
表示电压影响下的咬边率阈值。
Figure 401405DEST_PATH_IMAGE149
Figure 815069DEST_PATH_IMAGE150
其中，
Figure 698711DEST_PATH_IMAGE133
表示电压影响下的气孔率，
Figure 437997DEST_PATH_IMAGE151
、
Figure 407090DEST_PATH_IMAGE036
、
Figure 358865DEST_PATH_IMAGE152
表示气孔率与 电压关系因数，
Figure 362594DEST_PATH_IMAGE153
表示电压影响下的气孔率阈值。
Figure 508666DEST_PATH_IMAGE154
Figure 965056DEST_PATH_IMAGE155
其中，
Figure 720522DEST_PATH_IMAGE134
表示电压影响下的飞溅率，
Figure 578757DEST_PATH_IMAGE156
、
Figure 394266DEST_PATH_IMAGE157
、
Figure 337951DEST_PATH_IMAGE158
表示飞溅率与 电压关系因数，
Figure 897108DEST_PATH_IMAGE159
表示电压影响下的飞溅率阈值。
Figure 609849DEST_PATH_IMAGE160
Figure 112373DEST_PATH_IMAGE161
其中，
Figure 543355DEST_PATH_IMAGE135
表示电压影响下的熔深，
Figure 640624DEST_PATH_IMAGE162
、
Figure 473450DEST_PATH_IMAGE163
表示熔深与电压关系因 数，
Figure 365183DEST_PATH_IMAGE164
表示电压影响下的最小熔深值，
Figure 549040DEST_PATH_IMAGE165
表示电压影响下的最大熔深值。
Figure 450000DEST_PATH_IMAGE166
Figure 373218DEST_PATH_IMAGE167
其中，
Figure 701432DEST_PATH_IMAGE136
表示电压影响下的电弧频率，
Figure 107005DEST_PATH_IMAGE168
、
Figure 77235DEST_PATH_IMAGE038
、
Figure 619075DEST_PATH_IMAGE169
表示电弧频 率与电压关系因数，
Figure 118189DEST_PATH_IMAGE170
表示电压影响下的电弧频率最小值，
Figure 745480DEST_PATH_IMAGE171
表示电压影响下 的电弧频率最大值。
Figure 486778DEST_PATH_IMAGE172
Figure 883124DEST_PATH_IMAGE173
其中，
Figure 818719DEST_PATH_IMAGE137
表示电压影响下的焊波粗糙度，
Figure 198885DEST_PATH_IMAGE174
、
Figure 979759DEST_PATH_IMAGE175
表示焊波粗糙度 与电压关系因数，
Figure 761770DEST_PATH_IMAGE176
表示焊波粗糙度阈值。
Figure 104152DEST_PATH_IMAGE177
其中，
Figure 971614DEST_PATH_IMAGE178
表示电压最小值，
Figure 556179DEST_PATH_IMAGE179
表示电压最大值。
将各因子曲线代入得到：
Figure 927117DEST_PATH_IMAGE180
整理得到：
Figure 938936DEST_PATH_IMAGE181
得到最终的最佳焊接电流模型：
Figure 762535DEST_PATH_IMAGE182
约束条件：
Figure 150791DEST_PATH_IMAGE183
Figure 376236DEST_PATH_IMAGE184
Figure 328930DEST_PATH_IMAGE185
Figure 905404DEST_PATH_IMAGE186
Figure 831772DEST_PATH_IMAGE187
Figure 911724DEST_PATH_IMAGE188
Figure 530924DEST_PATH_IMAGE189
Figure 594695DEST_PATH_IMAGE177
其中，
Figure 324753DEST_PATH_IMAGE123
表示电压影响值，
Figure 760676DEST_PATH_IMAGE124
表示电压影响下的熔宽系数，
Figure 550778DEST_PATH_IMAGE125
表示 电压影响下的咬边率系数，
Figure 101845DEST_PATH_IMAGE126
表示电压影响下的气孔率系数，
Figure 370015DEST_PATH_IMAGE127
表示电压电压 影响下的飞溅率，
Figure 424559DEST_PATH_IMAGE128
表示电压影响下的熔深系数，
Figure 651141DEST_PATH_IMAGE129
表示电压影响下的电弧频 率系数，
Figure 158345DEST_PATH_IMAGE130
表示电压影响下的焊波粗糙度系数，
Figure 728742DEST_PATH_IMAGE140
、
Figure 903371DEST_PATH_IMAGE141
表示熔宽与电压关 系因数，
Figure 769696DEST_PATH_IMAGE146
、
Figure 295355DEST_PATH_IMAGE039
、
Figure 905328DEST_PATH_IMAGE147
表示咬边率与电压关系因数，
Figure 934464DEST_PATH_IMAGE151
、
Figure 971690DEST_PATH_IMAGE036
、
Figure 220531DEST_PATH_IMAGE152
表示气孔率与电压关系因数，
Figure 634195DEST_PATH_IMAGE156
、
Figure 517837DEST_PATH_IMAGE157
、
Figure 257123DEST_PATH_IMAGE158
表示飞溅率与电压关系 因数，
Figure 226216DEST_PATH_IMAGE162
、
Figure 177992DEST_PATH_IMAGE163
表示熔深与电压关系因数，
Figure 181720DEST_PATH_IMAGE168
、
Figure 319003DEST_PATH_IMAGE038
、
Figure 775393DEST_PATH_IMAGE169
表示电弧频 率与电压关系因数，
Figure 530859DEST_PATH_IMAGE174
、
Figure 389094DEST_PATH_IMAGE175
表示焊波粗糙度与电压关系因数，
Figure 470182DEST_PATH_IMAGE142
表示电压 影响下的熔宽最小值，
Figure 413867DEST_PATH_IMAGE143
表示电压影响熔宽下的最大值，
Figure 707445DEST_PATH_IMAGE148
表示电压影响下的咬 边率阈值，
Figure 420186DEST_PATH_IMAGE153
表示电压影响下的气孔率阈值，
Figure 173641DEST_PATH_IMAGE159
表示电压影响下的飞溅率阈值，
Figure 604622DEST_PATH_IMAGE164
表示电压影响下的最小熔深值，
Figure 701891DEST_PATH_IMAGE165
表示电压影响下的最大熔深值，
Figure 269139DEST_PATH_IMAGE170
表示电压影响下的电弧频率最小值，
Figure 426451DEST_PATH_IMAGE171
表示电压影响下的电弧频率最大值，
Figure 344728DEST_PATH_IMAGE176
表 示焊波粗糙度阈值，
Figure 245688DEST_PATH_IMAGE178
表示电压最小值，
Figure 431557DEST_PATH_IMAGE179
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：
Figure 759770DEST_PATH_IMAGE190
其中，
Figure 899764DEST_PATH_IMAGE191
表示焊接速度影响值，
Figure 604415DEST_PATH_IMAGE192
表示焊接速度影响系数，
Figure 146255DEST_PATH_IMAGE193
表示 焊接速度影响系数，
Figure 910948DEST_PATH_IMAGE194
表示焊接速度影响系数，
Figure 538239DEST_PATH_IMAGE195
表示焊接速度影响系数，
Figure 16887DEST_PATH_IMAGE196
表示焊接速度影响系数，
Figure 678812DEST_PATH_IMAGE197
表示焊接速度影响系数，
Figure 348828DEST_PATH_IMAGE198
表示焊接速度影 响下的熔宽，
Figure 728994DEST_PATH_IMAGE199
表示焊接速度影响下的晶粒直径，
Figure 509868DEST_PATH_IMAGE200
表示焊接速度影响下的气孔 率，
Figure 26300DEST_PATH_IMAGE201
表示焊接速度影响下的熔深。
确定各因子曲线：
Figure 867217DEST_PATH_IMAGE202
Figure 469100DEST_PATH_IMAGE203
其中：
Figure 823639DEST_PATH_IMAGE198
表示焊接速度影响下的熔宽，
Figure 194577DEST_PATH_IMAGE204
、
Figure 206396DEST_PATH_IMAGE205
表示熔宽与焊接速度 关系因数，
Figure 29995DEST_PATH_IMAGE206
表示焊接速度影响下的熔宽阈值。
Figure 418251DEST_PATH_IMAGE207
Figure 643696DEST_PATH_IMAGE208
其中：
Figure 826416DEST_PATH_IMAGE199
表示焊接速度影响下的晶粒直径，
Figure 904355DEST_PATH_IMAGE209
、
Figure 96302DEST_PATH_IMAGE044
、
Figure 176254DEST_PATH_IMAGE210
表示晶 粒直径与焊接速度关系因数，
Figure 795454DEST_PATH_IMAGE211
表示焊接速度影响下的晶粒直径阈值。
Figure 593646DEST_PATH_IMAGE212
Figure 58125DEST_PATH_IMAGE213
其中：
Figure 258162DEST_PATH_IMAGE200
表示焊接速度影响下的气孔率，
Figure 812378DEST_PATH_IMAGE214
、
Figure 832287DEST_PATH_IMAGE215
表示气孔率与焊接 速度关系因数，
Figure 366036DEST_PATH_IMAGE216
表示焊接速度影响下的气孔率阈值。
Figure 420580DEST_PATH_IMAGE217
Figure 116003DEST_PATH_IMAGE218
其中：
Figure 888787DEST_PATH_IMAGE219
表示焊接速度影响下的热影响区，
Figure 226228DEST_PATH_IMAGE220
、
Figure 135278DEST_PATH_IMAGE221
表示热影响区与 焊接速度关系因数，
Figure 768647DEST_PATH_IMAGE222
表示焊接速度影响下的热影响区阈值。
Figure 763148DEST_PATH_IMAGE223
Figure 638700DEST_PATH_IMAGE224
其中：
Figure 667836DEST_PATH_IMAGE201
表示焊接速度影响下的熔深，
Figure 970641DEST_PATH_IMAGE225
、
Figure 718017DEST_PATH_IMAGE226
表示熔深与焊接速度 关系因数，
Figure 131681DEST_PATH_IMAGE227
表示焊接速度影响下的熔深阈值。
Figure 531437DEST_PATH_IMAGE228
Figure DEST_PATH_IMAGE229
其中：
Figure 270723DEST_PATH_IMAGE230
表示焊接速度影响下的变形率，
Figure DEST_PATH_IMAGE231
、
Figure 36553DEST_PATH_IMAGE045
、
Figure 253908DEST_PATH_IMAGE232
表示变形 率与焊接速度关系因数，
Figure DEST_PATH_IMAGE233
表示焊接速度影响下的变形阈值。
将各因子曲线代入得到：
Figure 523215DEST_PATH_IMAGE234
整理得到：
Figure DEST_PATH_IMAGE235
得到最终的最佳焊接电流模型：
Figure 200446DEST_PATH_IMAGE236
约束条件：
Figure DEST_PATH_IMAGE237
Figure 453573DEST_PATH_IMAGE238
Figure DEST_PATH_IMAGE239
Figure 740198DEST_PATH_IMAGE240
Figure DEST_PATH_IMAGE241
Figure 893706DEST_PATH_IMAGE242
其中，
Figure 709215DEST_PATH_IMAGE191
表示焊接速度影响值，
Figure 387321DEST_PATH_IMAGE192
表示焊接速度影响系数，
Figure 212057DEST_PATH_IMAGE193
表示 焊接速度影响系数，
Figure 924798DEST_PATH_IMAGE194
表示焊接速度影响系数，
Figure 176788DEST_PATH_IMAGE195
表示焊接速度影响系数，
Figure 607770DEST_PATH_IMAGE196
表示焊接速度影响系数，
Figure 206503DEST_PATH_IMAGE197
表示焊接速度影响系数，
Figure 773751DEST_PATH_IMAGE204
、
Figure 196642DEST_PATH_IMAGE205
表示熔 宽与焊接速度关系因数，
Figure 849340DEST_PATH_IMAGE206
表示焊接速度影响下的熔宽阈值，
Figure 15879DEST_PATH_IMAGE209
、
Figure 703213DEST_PATH_IMAGE044
、
Figure 31426DEST_PATH_IMAGE210
表示晶粒直径与焊接速度关系因数，
Figure 941394DEST_PATH_IMAGE211
表示焊接速度影响下的晶粒直径阈值，
Figure 380466DEST_PATH_IMAGE214
、
Figure 922305DEST_PATH_IMAGE215
表示气孔率与焊接速度关系因数，
Figure 421420DEST_PATH_IMAGE216
表示焊接速度影响下的气孔率阈 值，
Figure 314289DEST_PATH_IMAGE220
、
Figure 557052DEST_PATH_IMAGE221
表示热影响区与焊接速度关系因数，
Figure 218977DEST_PATH_IMAGE222
表示焊接速度影响下的热 影响区阈值，
Figure 390458DEST_PATH_IMAGE225
、
Figure 239465DEST_PATH_IMAGE226
表示熔深与焊接速度关系因数，
Figure 551498DEST_PATH_IMAGE227
表示焊接速度影响下 的熔深阈值，
Figure 67930DEST_PATH_IMAGE231
、
Figure 440005DEST_PATH_IMAGE045
、
Figure 41888DEST_PATH_IMAGE232
表示变形率与焊接速度关系因数，
Figure 124988DEST_PATH_IMAGE233
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：
Figure DEST_PATH_IMAGE243
其中，
Figure 27085DEST_PATH_IMAGE244
，
Figure DEST_PATH_IMAGE245
表示校正电流，
Figure 570062DEST_PATH_IMAGE246
表示最佳焊接电流，
Figure DEST_PATH_IMAGE247
表示实时电流，
Figure 455978DEST_PATH_IMAGE248
表示电流校正阈值，
Figure DEST_PATH_IMAGE249
表示校正电弧电压，
Figure 611279DEST_PATH_IMAGE250
表示最佳电弧电压，
Figure DEST_PATH_IMAGE251
表示实时电压，
Figure 899040DEST_PATH_IMAGE252
表示电压校正阈值，
Figure DEST_PATH_IMAGE253
表示校正焊接速度，
Figure 878498DEST_PATH_IMAGE250
表示最佳焊接速度，
Figure 189393DEST_PATH_IMAGE254
表示实时焊接速 度，
Figure DEST_PATH_IMAGE255
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:
Figure 139595DEST_PATH_IMAGE256
将最佳焊接电流、电弧电压、焊接速度代入：
Figure DEST_PATH_IMAGE257
整理得到：
Figure 281864DEST_PATH_IMAGE258
Figure DEST_PATH_IMAGE259
其中：
Figure 166643DEST_PATH_IMAGE260
Figure DEST_PATH_IMAGE261
Figure 263037DEST_PATH_IMAGE262
Figure DEST_PATH_IMAGE263
其中，
Figure 524254DEST_PATH_IMAGE010
表示质量评估值，
Figure 724292DEST_PATH_IMAGE011
表示外观影响系数，
Figure 248814DEST_PATH_IMAGE012
表示部件标准外观值，
Figure 534302DEST_PATH_IMAGE013
表示部件维保后的外观值，
Figure 333630DEST_PATH_IMAGE014
表示性能影响系数，
Figure 388174DEST_PATH_IMAGE015
表示部件的标准材料的性能 值，
Figure 582133DEST_PATH_IMAGE016
表示部件维保后的材料的性能值，
Figure 354917DEST_PATH_IMAGE017
表示部件标准值，
Figure 426778DEST_PATH_IMAGE018
、
Figure 335828DEST_PATH_IMAGE019
、
Figure 467732DEST_PATH_IMAGE020
、
Figure 727812DEST_PATH_IMAGE021
、
Figure 603364DEST_PATH_IMAGE022
、
Figure 868386DEST_PATH_IMAGE023
、
Figure 171191DEST_PATH_IMAGE024
表示焊接电流影响系数，
Figure 652988DEST_PATH_IMAGE025
表示晶粒直径与电流关 系中指数项因数，
Figure 332231DEST_PATH_IMAGE026
表示焊接电流，
Figure 215873DEST_PATH_IMAGE027
表示咬边率与电流关系中指数项因数，
Figure 689580DEST_PATH_IMAGE028
表示电弧频率与电流关系中指数项因数，
Figure 658673DEST_PATH_IMAGE029
表示咬边率与电流关系中对数项 因数，
Figure 876028DEST_PATH_IMAGE030
、
Figure 384150DEST_PATH_IMAGE031
、
Figure 28758DEST_PATH_IMAGE032
、
Figure 485148DEST_PATH_IMAGE033
、
Figure 240614DEST_PATH_IMAGE034
、
Figure 98849DEST_PATH_IMAGE035
表示电弧电压影响系数，
Figure 648779DEST_PATH_IMAGE036
表示气孔率与电压关系中指数项因数，
Figure 592464DEST_PATH_IMAGE037
表示电弧电压，
Figure 918665DEST_PATH_IMAGE038
表示电弧频率与电压 关系中指数项因数，
Figure 631406DEST_PATH_IMAGE039
表示咬边率与电压关系中对数项因数，
Figure 617817DEST_PATH_IMAGE040
、
Figure 48798DEST_PATH_IMAGE041
、
Figure 146067DEST_PATH_IMAGE042
、
Figure 978894DEST_PATH_IMAGE043
表示焊接速度影响系数，
Figure 136206DEST_PATH_IMAGE044
表示晶粒直径与焊接速度关系中指数项 因数，
Figure 553018DEST_PATH_IMAGE045
表示变形率与焊接速度关系中指数项因数，
Figure 453978DEST_PATH_IMAGE046
表示焊接速度，
Figure 141312DEST_PATH_IMAGE047
表示质量 评估常数因子，
Figure 469525DEST_PATH_IMAGE048
表示取绝对值，
Figure 609519DEST_PATH_IMAGE049
表示质量评估等级，
Figure 314170DEST_PATH_IMAGE050
、
Figure 856010DEST_PATH_IMAGE051
、
Figure 856589DEST_PATH_IMAGE052
、
Figure 483879DEST_PATH_IMAGE053
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：
Figure DEST_PATH_IMAGE002AA
其中，
Figure DEST_PATH_IMAGE004AA
表示增强后的第
Figure DEST_PATH_IMAGE006AA
个部件的超声图像，
Figure DEST_PATH_IMAGE008AA
表示第
Figure DEST_PATH_IMAGE006AAA
个部件的超声图像，
Figure DEST_PATH_IMAGE010AA
表示第
Figure DEST_PATH_IMAGE006AAAA
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，
Figure DEST_PATH_IMAGE012AAAA
表示第
Figure DEST_PATH_IMAGE006AAAAA
个部件运行时的声音对应的超声图像特征，
Figure DEST_PATH_IMAGE014AA
表示第
Figure DEST_PATH_IMAGE006AAAAAA
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:
Figure DEST_PATH_IMAGE016A
Figure DEST_PATH_IMAGE018A
其中，
Figure DEST_PATH_IMAGE020A
表示质量评估值，
Figure DEST_PATH_IMAGE022A
表示外观影响系数，
Figure DEST_PATH_IMAGE024A
表示部件标准外观值，
Figure DEST_PATH_IMAGE026AAA
表示部件维保后的外观值，
Figure DEST_PATH_IMAGE028A
表示性能影响系数，
Figure DEST_PATH_IMAGE030A
表示部件的标准材料的性能值，
Figure DEST_PATH_IMAGE032A
表示部件维保后的材料的性能值，
Figure DEST_PATH_IMAGE034A
表示部件标准值，
Figure DEST_PATH_IMAGE036A
、
Figure DEST_PATH_IMAGE038A
、
Figure DEST_PATH_IMAGE040A
、
Figure DEST_PATH_IMAGE042A
、
Figure DEST_PATH_IMAGE044A
、
Figure DEST_PATH_IMAGE046A
、
Figure DEST_PATH_IMAGE048A
表示焊接电流影响系数，
Figure DEST_PATH_IMAGE050A
表示晶粒直径与电流关系中指数项因数，
Figure DEST_PATH_IMAGE052A
表示焊接电流，
Figure DEST_PATH_IMAGE054A
表示咬边率与电流关系中指数项因数，
Figure DEST_PATH_IMAGE056A
表示电弧频率与电流关系中指数项因数，
Figure DEST_PATH_IMAGE058A
表示咬边率与电流关系中对数项因数，
Figure DEST_PATH_IMAGE060A
、
Figure DEST_PATH_IMAGE062A
、
Figure DEST_PATH_IMAGE064A
、
Figure DEST_PATH_IMAGE066A
、
Figure DEST_PATH_IMAGE068A
、
Figure DEST_PATH_IMAGE070A
表示电弧电压影响系数，
Figure DEST_PATH_IMAGE072A
表示气孔率与电压关系中指数项因数，
Figure DEST_PATH_IMAGE074A
表示电弧电压，
Figure DEST_PATH_IMAGE076A
表示电弧频率与电压关系中指数项因数，
Figure DEST_PATH_IMAGE078A
表示咬边率与电压关系中对数项因数，
Figure DEST_PATH_IMAGE080A
、
Figure DEST_PATH_IMAGE082A
、
Figure DEST_PATH_IMAGE084A
、
Figure DEST_PATH_IMAGE086A
表示焊接速度影响系数，
Figure DEST_PATH_IMAGE088A
表示晶粒直径与焊接速度关系中指数项因数，
Figure DEST_PATH_IMAGE090A
表示变形率与焊接速度关系中指数项因数，
Figure DEST_PATH_IMAGE092A
表示焊接速度，
Figure DEST_PATH_IMAGE094A
表示质量评估常数因子，
Figure DEST_PATH_IMAGE096A
表示取绝对值，
Figure DEST_PATH_IMAGE098A
表示质量评估等级，
Figure DEST_PATH_IMAGE100A
、
Figure DEST_PATH_IMAGE102A
、
Figure DEST_PATH_IMAGE104A
、
Figure DEST_PATH_IMAGE106A
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。
4.根据权利要求3所述轨道交通车辆维保方法，其特征在于：质量评估等级阈值之间的关系如下：
Figure DEST_PATH_IMAGE108A
。
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：
Figure DEST_PATH_IMAGE002AAA
其中，
Figure DEST_PATH_IMAGE004AAA
表示增强后的第
Figure DEST_PATH_IMAGE006AAAAAAA
个部件的超声图像，
Figure DEST_PATH_IMAGE008AAA
表示第
Figure DEST_PATH_IMAGE006AAAAAAAA
个部件的超声图像，
Figure DEST_PATH_IMAGE010AAA
表示第
Figure DEST_PATH_IMAGE006AAAAAAAAA
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，
Figure DEST_PATH_IMAGE012AAAAA
表示第
Figure DEST_PATH_IMAGE006AAAAAAAAAA
个部件运行时的声音对应的超声图像特征，
Figure DEST_PATH_IMAGE014AAA
表示第
Figure DEST_PATH_IMAGE006AAAAAAAAAAA
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:
Figure DEST_PATH_IMAGE016AA
Figure DEST_PATH_IMAGE110A
其中，
Figure DEST_PATH_IMAGE020AA
表示质量评估值，
Figure DEST_PATH_IMAGE022AA
表示外观影响系数，
Figure DEST_PATH_IMAGE024AA
表示部件标准外观值，
Figure DEST_PATH_IMAGE026AAAA
表示部件维保后的外观值，
Figure DEST_PATH_IMAGE028AA
表示性能影响系数，
Figure DEST_PATH_IMAGE030AA
表示部件的标准材料的性能值，
Figure DEST_PATH_IMAGE032AA
表示部件维保后的材料的性能值，
Figure DEST_PATH_IMAGE034AA
表示部件标准值，
Figure DEST_PATH_IMAGE036AA
、
Figure DEST_PATH_IMAGE038AA
、
Figure DEST_PATH_IMAGE040AA
、
Figure DEST_PATH_IMAGE042AA
、
Figure DEST_PATH_IMAGE044AA
、
Figure DEST_PATH_IMAGE046AA
、
Figure DEST_PATH_IMAGE048AA
表示焊接电流影响系数，
Figure DEST_PATH_IMAGE050AA
表示晶粒直径与电流关系中指数项因数，
Figure DEST_PATH_IMAGE052AA
表示焊接电流，
Figure DEST_PATH_IMAGE054AA
表示咬边率与电流关系中指数项因数，
Figure DEST_PATH_IMAGE056AA
表示电弧频率与电流关系中指数项因数，
Figure DEST_PATH_IMAGE058AA
表示咬边率与电流关系中对数项因数，
Figure DEST_PATH_IMAGE060AA
、
Figure DEST_PATH_IMAGE062AA
、
Figure DEST_PATH_IMAGE064AA
、
Figure DEST_PATH_IMAGE066AA
、
Figure DEST_PATH_IMAGE068AA
、
Figure DEST_PATH_IMAGE070AA
表示电弧电压影响系数，
Figure DEST_PATH_IMAGE072AA
表示气孔率与电压关系中指数项因数，
Figure DEST_PATH_IMAGE074AA
表示电弧电压，
Figure DEST_PATH_IMAGE076AA
表示电弧频率与电压关系中指数项因数，
Figure DEST_PATH_IMAGE078AA
表示咬边率与电压关系中对数项因数，
Figure DEST_PATH_IMAGE080AA
、
Figure DEST_PATH_IMAGE082AA
、
Figure DEST_PATH_IMAGE084AA
、
Figure DEST_PATH_IMAGE086AA
表示焊接速度影响系数，
Figure DEST_PATH_IMAGE088AA
表示晶粒直径与焊接速度关系中指数项因数，
Figure DEST_PATH_IMAGE090AA
表示变形率与焊接速度关系中指数项因数，
Figure DEST_PATH_IMAGE092AA
表示焊接速度，
Figure DEST_PATH_IMAGE094AA
表示质量评估常数因子，
Figure DEST_PATH_IMAGE096AA
表示取绝对值，
Figure DEST_PATH_IMAGE098AA
表示质量评估等级，
Figure DEST_PATH_IMAGE100AA
、
Figure DEST_PATH_IMAGE102AA
、
Figure DEST_PATH_IMAGE104AA
、
Figure DEST_PATH_IMAGE106AA
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。
CN202111036149.1A 2021-09-06 2021-09-06 轨道交通车辆维保系统及方法 Active CN113469388B (zh)

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)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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

Patent Citations (8)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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