CN113625094A - 一种地铁站台屏蔽门故障诊断系统 - Google Patents

一种地铁站台屏蔽门故障诊断系统 Download PDF

Info

Publication number
CN113625094A
CN113625094A CN202111064977.6A CN202111064977A CN113625094A CN 113625094 A CN113625094 A CN 113625094A CN 202111064977 A CN202111064977 A CN 202111064977A CN 113625094 A CN113625094 A CN 113625094A
Authority
CN
China
Prior art keywords
resistor
parallel
acquisition unit
data acquisition
convolution
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202111064977.6A
Other languages
English (en)
Inventor
朱建光
郑浩
董一汉
周园
陈双双
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.)
Shenyang University of Technology
Original Assignee
Shenyang University of Technology
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 Shenyang University of Technology filed Critical Shenyang University of Technology
Priority to CN202111064977.6A priority Critical patent/CN113625094A/zh
Publication of CN113625094A publication Critical patent/CN113625094A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Train Traffic Observation, Control, And Security (AREA)

Abstract

本发明公开了一种地铁站台屏蔽门故障诊断系统，属于屏蔽门故障诊断技术领域，包括控制器、无刷直流电机、数据采集单元和云服务器；所述控制器与无刷直流电机通过三相线连接，控制器通过CAN总线和电流传感器与数据采集单元的输入端相接，控制器的母线端上还接有数据采集单元输入端连接的电流传感器。本发明提出的一种地铁站台屏蔽门故障诊断系统，提供了坚实可靠的技术保障可以在工作时间内不间断检测，节约人力资本，提高了系统安全性，应用智能检测运算算法，提高系统故障诊断精度。可以快速准确定位故障，有助于地铁维修人员的维修，节省维修时间。保障了人民出行安全，让智能设备更好的服务于。

Description

一种地铁站台屏蔽门故障诊断系统
技术领域
本发明涉及屏蔽门故障诊断技术领域，特别涉及一种地铁站台屏蔽门故障诊断系统。
背景技术
站台门故障预测与健康管理(PHM)系统的故障诊断部分，是一种先进的智能故障诊断技术。地铁站台屏蔽门重要部件包括：无刷直流电机及控制系统，站台屏蔽门本体等，因此这些部件的故障诊断对整个站台门PHM系统具有重要的意义。现有的站台门故障检测定位需耗费大量的时间和人力。
发明内容
本发明的目的在于提供一种地铁站台屏蔽门故障诊断系统，以解决上述背景技术中提出的问题。
为实现上述目的，本发明提供如下技术方案：一种地铁站台屏蔽门故障诊断系统，包括控制器、无刷直流电机、数据采集单元和云服务器；
所述控制器与无刷直流电机通过三相线连接，控制器通过CAN总线和电流传感器与数据采集单元的输入端相接，控制器的母线端上还接有数据采集单元输入端连接的电流传感器，无刷直流电机三相端通过电流传感器与数据采集单元的输入端连接，数据采集单元通过网线与云服务器相接，数据采集单元用于采集无刷直流电机的电压和电流信号，各个电流传感器的信号通过数据采集单元接收，并传送到地铁站的云服务器，云服务器对采集到的信号数据进行转化、处理并保存，并根据智能算法建立模型、计算并定位故障。
进一步地，电流传感器的LM2902放大器芯片U1的引脚5接电阻R6和电阻R8的并联点，LM2902U1的引脚7与电阻R8另一端的并联点接入放大器输入P2的端角3上，电阻R6另一端接入与接地的电容C3和电流传感器芯片U2的端角7并联；
放大器芯片LM2902U1的引脚6与接地的电阻R5和电阻R4并联，电阻R4的另一端串联电阻R3与REF2912基准电压芯片U4端角2和电阻R1并联，电阻R1的另一端串联电阻R2接入LM2902放大器芯片U1端角9和接地的电阻R10并联点；
放大器芯片LM2902U1的引脚8接入放大器输入P2端角4和电阻R7的并联点，电阻R7的另一端与放大器芯片LM2902U1的引脚10并联接入电阻R9，电阻R9的另一端与接地的电容C4和电流传感器芯片U3的端角7并联。
进一步地，无刷直流电机的数学模型：
(1)三相定子绕组的电压平衡方程可表示为：
Figure BDA0003258011380000021
(2)电磁转矩和运动方程可表示为：
电机的电磁转矩和运动平衡方程为：
Figure BDA0003258011380000022
Figure BDA0003258011380000023
进一步地，云服务器定位故障的方法：
S1：故障定位：每一条地铁站台均编号，同一条地铁每个站的屏蔽门进行二级编号，检测到屏蔽门锁故障根据编号获取具体位置的屏蔽门问题；
S2：屏蔽门锁故障诊断：屏蔽门锁中电磁铁的衔铁进、出是门锁上或开锁，当门没有锁好，衔铁伸出的长度就会有变化，导致供电电流变化，数据经过数据采集单元存入云服务器，云服务器根据电流的变化判断屏蔽门锁是否上锁。
进一步地，云服务器的智能算法通过经多尺度残差卷积结构进行电流变化的特征提取，通过层间残差跳连机制增加网络深度的同时减轻梯度消失或爆炸，增强网络的表现力，特征提取后的数据由全连接网络进行分类输出，引入dropout正则化增强了模型的泛化性；
卷积结构：
模型的基础结构是卷积结构，其中卷积过程的数学表达式如公式4所示：
Figure BDA0003258011380000031
Figure BDA0003258011380000032
表示特征值；g表示激活函数；bij表示偏置；m是特征图的序号；
Figure BDA0003258011380000033
是权重值；
使用的激活函数是线性整流单元，表达式如公式5所示：
g(z)＝max{0,z} (5)
线性整流单元使得模型的训练更加容易，易于优化模型；
卷积层的导数计算公式如公式6所示：
Figure BDA0003258011380000034
残差结构：
残差结构是一种利用层间跳连思想，利用前面层的信息来对后面层加以影响，通过增加恒等映射层使得网络层数加深的同时获得更好的表现力；
模型的输出是H(x)，其表达式如公式7所示：
H(x)＝F(x)+x (7)
F(x)是传统路径的输出，前层输入跳过中间层直接与F(x)作用，得到最后的输出H(x)；
基于l层分析残差结构的反向传播其表达式如公式8所示：
Figure BDA0003258011380000041
进一步地，卷积结构的算法流程：
Figure BDA0003258011380000042
进一步地，残差结构是多个卷积结构块的堆叠，通过层数的提升来提升网络的表现力，每个残差结构中的滤波器数量各不相同，分别为16、32、64、128，由于残差结构的滤波器数量的不同，需要引入1×1卷积进行维度的统一，模型经过多层残差结构后，会统一进行最大池化，最后将采样后的结果输出。
进一步地，智能算法的模型结构设计是利用平行路径卷积的策略，通过不同尺寸的卷积核来提取数据在不同时间尺度上的特征，对于局部的故障使用小尺寸的卷积核，对于全局类的故障使用大尺寸的卷积核，通过这种平行路径实现对故障数据的多尺度学习，提取不同尺寸的特征来增强模型的表征力。
与现有技术相比，本发明的有益效果是：
本发明提出的一种地铁站台屏蔽门故障诊断系统，本技术不同于传统检测，在故障发生时第一时间自动定位故障位置，节省检测人力的同时方便维修人员的维修，为地铁的安全运营、为人民的出行安全提供了坚实可靠的技术保障可以在工作时间内不间断检测，节约人力资本，提高了系统安全性。
应用智能检测运算算法，提高系统故障诊断精度。可以快速准确定位故障，有助于地铁维修人员的维修，节省维修时间。保障了人民出行安全，让智能设备更好的服务于。
附图说明
图1为本发明的数据单元与传输系统框图；
图2为本发明的电流传感器连接电路图；
图3为本发明的主电路中T1管失效电流回路；
图4为本发明的不同转速下T1单管故障时的三相电流波形图；
图5为本发明的匝间短路时的实测的电动机a相电流波形图；
图6为本发明的局部退磁时的实测电动机a相电流波形图；
图7为本发明的残差结构块；
图8为本发明的卷积结构块；
图9为本发明的多层残差结构图；
图10为本发明的网络结构图；
图11为本发明的Dropout机理图；
图12为本发明的准确率与损失函数图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
请参阅图1，一种地铁站台屏蔽门故障诊断系统，包括控制器、无刷直流电机、数据采集单元和云服务器。
控制器与无刷直流电机通过三相线连接，控制器通过CAN总线和电流传感器与数据采集单元的输入端相接，控制器的母线端上还接有数据采集单元输入端连接的电流传感器，无刷直流电机三相端通过电流传感器与数据采集单元的输入端连接，数据采集单元通过网线与云服务器相接，数据采集单元用于采集无刷直流电机的电压和电流信号，各个电流传感器的信号通过数据采集单元接收，并传送到地铁站的云服务器，云服务器对采集到的信号数据进行转化、处理并保存，并根据智能算法建立模型、计算并定位故障。
由于屏蔽门本体底部轴承故障时，也会导致BLDC负载增加，但是与BLDC的匝间短路、转子局部失磁有所不同，故障信号的特征值就可以从这些信号分辨出来，而不用另外增加振动传感器。
请参阅图2，电流传感器的LM2902放大器芯片U1的引脚5接电阻R6和电阻R8的并联点，LM2902U1的引脚7与电阻R8另一端的并联点接入放大器输入P2的端角3上，电阻R6另一端接入与接地的电容C3和电流传感器芯片U2的端角7并联。
放大器芯片LM2902U1的引脚6与接地的电阻R5和电阻R4并联，电阻R4的另一端串联电阻R3与REF2912基准电压芯片U4端角2和电阻R1并联，电阻R1的另一端串联电阻R2接入LM2902放大器芯片U1端角9和接地的电阻R10并联点。
放大器芯片LM2902U1的引脚8接入放大器输入P2端角4和电阻R7的并联点，电阻R7的另一端与放大器芯片LM2902U1的引脚10并联接入电阻R9，电阻R9的另一端与接地的电容C4和电流传感器芯片U3的端角7并联，三相端以及母线端的电流传感器检测供电电流，并经过放大器芯片LM2902U1放大信号至云服务器内处理。
其中，无刷直流电机的数学模型：
(1)三相定子绕组的电压平衡方程可表示为：
Figure BDA0003258011380000071
(2)电磁转矩和运动方程可表示为：
电机的电磁转矩和运动平衡方程为：
Figure BDA0003258011380000072
Figure BDA0003258011380000073
图3是当T1管失效时主电路图电流回路，当T1管失效时不同转速下控制电流波形图如图4所示：
一种匝间短路时的实测的电动机a相电流波形如图5所示，一种局部退磁时的实测电动机a相电流波形如图6所示。
通过无刷直流电机的电流波形直观反映处于电机的故障与否。
云服务器定位故障的方法：
步骤一：故障定位：每一条地铁站台均编号，同一条地铁每个站的屏蔽门进行二级编号，检测到屏蔽门锁故障根据编号获取具体位置的屏蔽门问题；
步骤二：屏蔽门锁故障诊断：屏蔽门锁中电磁铁的衔铁进、出是门锁上或开锁，当门没有锁好，衔铁伸出的长度就会有变化，导致供电电流变化，数据经过数据采集单元存入云服务器，云服务器根据电流的变化判断屏蔽门锁是否上锁。
云服务器的智能算法通过经多尺度残差卷积结构进行电流变化的特征提取，通过层间残差跳连机制增加网络深度的同时减轻梯度消失或爆炸，增强网络的表现力，特征提取后的数据由全连接网络进行分类输出，引入dropout正则化增强了模型的泛化性；
卷积结构：
模型的基础结构是卷积结构，其中卷积过程的数学表达式如公式4所示：
Figure BDA0003258011380000081
Figure BDA0003258011380000082
表示特征值；g表示激活函数；bij表示偏置；m是特征图的序号；
Figure BDA0003258011380000083
是权重值；
使用的激活函数是线性整流单元，表达式如公式5所示：
g(z)＝max{0,z} (5)
线性整流单元使得模型的训练更加容易，易于优化模型；
卷积层的导数计算公式如公式6所示：
Figure BDA0003258011380000084
残差结构：
残差结构是一种利用层间跳连思想，利用前面层的信息来对后面层加以影响，通过增加恒等映射层使得网络层数加深的同时获得更好的表现力，残差结构块如图7-8所示；
模型的输出是H(x)，其表达式如公式7所示：
H(x)＝F(x)+x (7)
F(x)是传统路径的输出，前层输入跳过中间层直接与F(x)作用，得到最后的输出H(x)；
基于l层分析残差结构的反向传播其表达式如公式8所示：
Figure BDA0003258011380000091
卷积结构的算法流程：
Figure BDA0003258011380000092
残差结构是多个卷积结构块的堆叠，通过层数的提升来提升网络的表现力，其结构如图9所示，每个残差结构中的滤波器数量各不相同，分别为16、32、64、128，由于残差结构的滤波器数量的不同，需要引入1×1卷积进行维度的统一，模型经过多层残差结构后，会统一进行最大池化，最后将采样后的结果输出。
智能算法的模型结构设计是利用平行路径卷积的策略，通过不同尺寸的卷积核来提取数据在不同时间尺度上的特征，对于局部的故障使用小尺寸的卷积核，对于全局类的故障使用大尺寸的卷积核，通过这种平行路径实现对故障数据的多尺度学习，提取不同尺寸的特征来增强模型的表征力，模型结构如图10所示，模型按照不同的路径，设置了4、8、16的卷积核尺寸，通过这种倍增策略提取更多的时间尺寸信息。训练数据进入模型的不同子路径训练，然后对不同路径的特征进行融合并拉伸，最后送到全练级网络中进行训练并输出。其中具体的参数设置如表1所示。
表1 网络参数表
Figure BDA0003258011380000101
模型优化
adam优化
使用adam优化算法进行优化处理，如表2所示。
表2 Adam优化算法
Adam优化算法
1：前提:步长∈(默认∈＝0.001)
2：前提:矩估计的指数衰减率，ρ1和ρ2在区间[0,1)内。(默认ρ1＝0.9，ρ2＝0.999)
3：前提：常数δ(默认：10-8)
4：前提：初始参数θ；对一阶和二阶矩变量初始化s＝0，r＝0，t＝0
5：while未达到停止条件运行
6：获得样本y(i)＝{x(1),…,x(m)}
7：得到梯度：
Figure BDA0003258011380000111
8：对一阶矩估计更新：s←ρ1s+(1-ρ1)g
9：对二阶矩估计更新：γ←ρ2γ+(1-ρ1)g⊙g
10：对阶矩偏差进行调整：
Figure BDA0003258011380000112
11：对一阶矩的偏差进行调整：
Figure BDA0003258011380000113
12：更新：
Figure BDA0003258011380000114
13：对更新进行应用：θ←θ+Δθ
14：END
Dropout正则化策略
Dropout正则化策略如图11所示
全连接数学表达式如公式9所示。
Figure BDA0003258011380000115
引入Dropout后表达式如公式7所示。
Figure BDA0003258011380000116
以训练集和验证集的准确率指标对模型进行衡量，本模型的表现如图12所示，图12中可以看出，模型在训练集与验证集上的分布较为稳定，从整体上看模型表现较好，可以进行故障的判别。利用验证集上最佳表现的模型进行测试，模型在测试集上的表现可以达到95.37％。
综上所述；本发明的地铁站台屏蔽门故障诊断系统，本技术不同于传统检测，在故障发生时第一时间自动定位故障位置，节省检测人力的同时方便维修人员的维修，为地铁的安全运营、为人民的出行安全提供了坚实可靠的技术保障可以在工作时间内不间断检测，节约人力资本，提高了系统安全性。应用智能检测运算算法，提高系统故障诊断精度。可以快速准确定位故障，有助于地铁维修人员的维修，节省维修时间。保障了人民出行安全，让智能设备更好的服务于民。
以上所述，仅为本发明较佳的具体实施方式，但本发明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披露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。

Claims (8)

1.一种地铁站台屏蔽门故障诊断系统，其特征在于，包括控制器、无刷直流电机、数据采集单元和云服务器；
所述控制器与无刷直流电机通过三相线连接，控制器通过CAN总线和电流传感器与数据采集单元的输入端相接，控制器的母线端上还接有数据采集单元输入端连接的电流传感器，无刷直流电机三相端通过电流传感器与数据采集单元的输入端连接，数据采集单元通过网线与云服务器相接，数据采集单元用于采集无刷直流电机的电压和电流信号，各个电流传感器的信号通过数据采集单元接收，并传送到地铁站的云服务器，云服务器对采集到的信号数据进行转化、处理并保存，并根据智能算法建立模型、计算并定位故障。
2.如权利要求1所述的一种地铁站台屏蔽门故障诊断系统，其特征在于，电流传感器的LM2902放大器芯片U1的引脚5接电阻R6和电阻R8的并联点，LM2902U1的引脚7与电阻R8另一端的并联点接入放大器输入P2的端角3上，电阻R6另一端接入与接地的电容C3和电流传感器芯片U2的端角7并联；放大器芯片LM2902U1的引脚6与接地的电阻R5和电阻R4并联，电阻R4的另一端串联电阻R3与REF2912基准电压芯片U4端角2和电阻R1并联，电阻R1的另一端串联电阻R2接入LM2902放大器芯片U1端角9和接地的电阻R10并联点；放大器芯片LM2902U1的引脚8接入放大器输入P2端角4和电阻R7的并联点，电阻R7的另一端与放大器芯片LM2902U1的引脚10并联接入电阻R9，电阻R9的另一端与接地的电容C4和电流传感器芯片U3的端角7并联。
3.如权利要求1所述的一种地铁站台屏蔽门故障诊断系统，其特征在于，无刷直流电机的数学模型：
(1)三相定子绕组的电压平衡方程可表示为：
Figure FDA0003258011370000011
(2)电磁转矩和运动方程可表示为：
电机的电磁转矩和运动平衡方程为：
Figure FDA0003258011370000021
Figure FDA0003258011370000022
4.如权利要求1所述的一种地铁站台屏蔽门故障诊断系统，其特征在于，云服务器定位故障的方法：
S1：故障定位：每一条地铁站台均编号，同一条地铁每个站的屏蔽门进行二级编号，检测到屏蔽门锁故障根据编号获取具体位置的屏蔽门问题；
S2：屏蔽门锁故障诊断：屏蔽门锁中电磁铁的衔铁进、出是门锁上或开锁，当门没有锁好，衔铁伸出的长度就会有变化，导致供电电流变化，数据经过数据采集单元存入云服务器，云服务器根据电流的变化判断屏蔽门锁是否上锁。
5.如权利要求1所述的一种地铁站台屏蔽门故障诊断系统，其特征在于，云服务器的智能算法通过经多尺度残差卷积结构进行电流变化的特征提取，通过层间残差跳连机制增加网络深度的同时减轻梯度消失或爆炸，增强网络的表现力，特征提取后的数据由全连接网络进行分类输出，引入dropout正则化增强了模型的泛化性；
卷积结构：
模型的基础结构是卷积结构，其中卷积过程的数学表达式如公式4所示：
Figure FDA0003258011370000023
Figure FDA0003258011370000025
表示特征值；g表示激活函数；bij表示偏置；m是特征图的序号；
Figure FDA0003258011370000024
是权重值；
使用的激活函数是线性整流单元，表达式如公式5所示：
g(z)＝max{0,z} (5)
线性整流单元使得模型的训练更加容易，易于优化模型；
卷积层的导数计算公式如公式6所示：
Figure FDA0003258011370000031
残差结构：
残差结构是一种利用层间跳连思想，利用前面层的信息来对后面层加以影响，通过增加恒等映射层使得网络层数加深的同时获得更好的表现力；
模型的输出是H(x)，其表达式如公式7所示：
H(x)＝F(x)+x (7)
F(x)是传统路径的输出，前层输入跳过中间层直接与F(x)作用，得到最后的输出H(x)；
基于l层分析残差结构的反向传播其表达式如公式8所示：
Figure FDA0003258011370000032
6.如权利要求5所述的一种地铁站台屏蔽门故障诊断系统，其特征在于，卷积结构的算法流程：
S1：输入：Values of x over a mini-batch:B＝{x1…m}；
Parameters to be learned:γ,β
S2：输出：{y1＝BNγ,β}
S2：输出：{y1＝BNγ,β} //均值
Figure FDA0003258011370000041
Figure FDA0003258011370000042
Figure FDA0003258011370000043
7.如权利要求5所述的一种地铁站台屏蔽门故障诊断系统，其特征在于，残差结构是多个卷积结构块的堆叠，通过层数的提升网络的表现力，每个残差结构中的滤波器数量各不相同，分别为16、32、64、128，由于残差结构的滤波器数量的不同，引入1×1卷积进行维度的统一，模型经过多层残差结构后，统一进行最大池化，最后将采样后的结果输出。
8.如权利要求1所述的一种地铁站台屏蔽门故障诊断系统，其特征在于，智能算法的模型结构设计是利用平行路径卷积的策略，通过不同尺寸的卷积核来提取数据在不同时间尺度上的特征，对于局部的故障使用小尺寸的卷积核，对于全局类的故障使用大尺寸的卷积核，通过平行路径实现对故障数据的多尺度学习，提取不同尺寸的特征来增强模型的表征力。
CN202111064977.6A 2021-09-11 2021-09-11 一种地铁站台屏蔽门故障诊断系统 Pending CN113625094A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111064977.6A CN113625094A (zh) 2021-09-11 2021-09-11 一种地铁站台屏蔽门故障诊断系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111064977.6A CN113625094A (zh) 2021-09-11 2021-09-11 一种地铁站台屏蔽门故障诊断系统

Publications (1)

Publication Number Publication Date
CN113625094A true CN113625094A (zh) 2021-11-09

Family

ID=78389651

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111064977.6A Pending CN113625094A (zh) 2021-09-11 2021-09-11 一种地铁站台屏蔽门故障诊断系统

Country Status (1)

Country Link
CN (1) CN113625094A (zh)

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103777607A (zh) * 2014-01-22 2014-05-07 苏州闪联高压电器有限公司 一种地铁屏蔽门门机控制器
US20150198668A1 (en) * 2014-01-16 2015-07-16 Rolls-Royce Plc Fault detection in brushless exciters
CN108806792A (zh) * 2017-05-03 2018-11-13 金波 深度学习面诊系统
CN110221200A (zh) * 2019-06-10 2019-09-10 河北工业大学 一种基于深度学习的万能式断路器附件故障诊断方法
CN110262463A (zh) * 2019-07-09 2019-09-20 河海大学常州校区 一种基于深度学习的轨道交通站台门故障诊断系统
CN212054273U (zh) * 2020-07-30 2020-12-01 湖南凌翔磁浮科技有限责任公司 高铁站台智能屏蔽门控制系统
CN112171721A (zh) * 2020-11-30 2021-01-05 北京科技大学 一种机器人关节传感器和执行器故障诊断方法及系统
CN112231975A (zh) * 2020-10-13 2021-01-15 中国铁路上海局集团有限公司南京供电段 一种基于铁路供电设备可靠性分析的数据建模方法及系统
US20210190882A1 (en) * 2019-12-10 2021-06-24 Wuhan University Transformer failure identification and location diagnosis method based on multi-stage transfer learning

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150198668A1 (en) * 2014-01-16 2015-07-16 Rolls-Royce Plc Fault detection in brushless exciters
CN103777607A (zh) * 2014-01-22 2014-05-07 苏州闪联高压电器有限公司 一种地铁屏蔽门门机控制器
CN108806792A (zh) * 2017-05-03 2018-11-13 金波 深度学习面诊系统
CN110221200A (zh) * 2019-06-10 2019-09-10 河北工业大学 一种基于深度学习的万能式断路器附件故障诊断方法
CN110262463A (zh) * 2019-07-09 2019-09-20 河海大学常州校区 一种基于深度学习的轨道交通站台门故障诊断系统
US20210190882A1 (en) * 2019-12-10 2021-06-24 Wuhan University Transformer failure identification and location diagnosis method based on multi-stage transfer learning
CN212054273U (zh) * 2020-07-30 2020-12-01 湖南凌翔磁浮科技有限责任公司 高铁站台智能屏蔽门控制系统
CN112231975A (zh) * 2020-10-13 2021-01-15 中国铁路上海局集团有限公司南京供电段 一种基于铁路供电设备可靠性分析的数据建模方法及系统
CN112171721A (zh) * 2020-11-30 2021-01-05 北京科技大学 一种机器人关节传感器和执行器故障诊断方法及系统

Non-Patent Citations (9)

* Cited by examiner, † Cited by third party
Title
HELMI H等: "A Rolling bearing fault detection of electric motor using time domain and frequency domain features extraction and ANFIS", IET ELECTRIC POWER APPLICATIONS, vol. 13, no. 5, pages 662 - 669, XP006101445, DOI: 10.1049/iet-epa.2018.5274 *
YANN LECUN等: "Gradient-Based Learning Applied to Document Recognition", PROCEEDINGS OF THE IEEE, vol. 86, no. 11, pages 2278, XP000875095, DOI: 10.1109/5.726791 *
刘晓琳等: "基于WOA的飞机舵机电动加载系统双环复合控制研究", 振动与冲击, vol. 40, no. 12, pages 246 - 253 *
朱建光等: "无位置传感器无刷直流电机直接转矩控制系统", 自动化控制, pages 176 - 177 *
李宏: "基于参数估计模型的对转永磁无数直流电机实时故障诊断方法", 西北工业大学学报, vol. 29, no. 15, pages 732 - 737 *
李彦冬等: "卷积神经网络研究综述", 计算机应用, vol. 36, no. 9, pages 2508 - 2515 *
杨柳青等: "利用卷积神经网络对储层孔隙度的预测研究与应用", 地球物理学进展, vol. 34, no. 4, pages 1548 - 1555 *
苏正青等: "基于卷积神经网络的交通标志模糊影像识别", 计算机仿真, vol. 37, no. 1, pages 117 - 120 *
郑浩等: "直接驱动XY平台位置域轮廓跟踪控制", 沈阳工业大学学报, vol. 37, no. 4, pages 367 - 371 *

Similar Documents

Publication Publication Date Title
Wu et al. Incipient winding fault detection and diagnosis for squirrel-cage induction motors equipped on CRH trains
Lee et al. Attention recurrent neural network-based severity estimation method for interturn short-circuit fault in permanent magnet synchronous machines
Heydarzadeh et al. A wavelet-based fault diagnosis approach for permanent magnet synchronous motors
CN103901882A (zh) 一种列车动力系统在线监控故障诊断的系统及其方法
CN105158723B (zh) 一种数字化电能计量系统的误差评估系统及方法
CN110531266A (zh) 一种同步电机励磁绕组匝间短路故障预警方法
CN107783006B (zh) 水轮发电机转子绕组匝间短路故障检测方法
CN102135600A (zh) 异步电动机故障检测装置及方法
CN107451364B (zh) 一种dfig风电场等值参数的辨识方法
CN107453401A (zh) 一种双馈风力发电机参数辨识方法
CN108196154B (zh) 航空三级式同步电机旋转整流器故障检测及故障定位方法
CN105716844A (zh) 建立机电作动器的卡尔曼滤波模型及故障诊断方法
CN110293997A (zh) 有轨电车抗干扰的信号控制系统及计轴设备
CN106841900A (zh) 微型电磁发电机定子绕组的故障检测装置及方法
CN104270050B (zh) 一种基于wams动态数据的发电机参数辨识方法
CN103281031A (zh) 基于可测电气量的鼠笼式异步电机等值电路参数辨识方法
KR20120124805A (ko) 매입형 영구자석 동기 모터 제어 시스템 및 그의 센서 고장 검출 방법
CN112327218B (zh) 一种变压器在线监测与故障诊断方法
CN113625094A (zh) 一种地铁站台屏蔽门故障诊断系统
Shim et al. Fault diagnosis of inverter current sensor using artificial neural network considering out-of-distribution
CN103743955B (zh) 一种电机电感的测量方法
Moaveni et al. Introducing improved iterated extended Kalman Filter (IIEKF) to estimate the rotor rotational speed, rotor and stator resistances of induction motors
Hashemi et al. A Robust Approach for Inter-Turn Fault Detection of PMSM Used for Autonomous Vehicles
CN110568311A (zh) 一种配电网故障识别装置及识别方法
Kou et al. A random forest and current fault texture feature–based method for current sensor fault diagnosis in three-phase pwm vsr

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