CN114897197B - 基于缺陷统计和预测的接触网维修策略调整方法 - Google Patents

基于缺陷统计和预测的接触网维修策略调整方法 Download PDF

Info

Publication number
CN114897197B
CN114897197B CN202210823160.0A CN202210823160A CN114897197B CN 114897197 B CN114897197 B CN 114897197B CN 202210823160 A CN202210823160 A CN 202210823160A CN 114897197 B CN114897197 B CN 114897197B
Authority
CN
China
Prior art keywords
defect
cluster
prediction
contact network
maintenance
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202210823160.0A
Other languages
English (en)
Other versions
CN114897197A (zh
Inventor
皋金龙
李逢源
张芳志
杜智恒
杨建兴
周玉杰
王正
陈凯
李金龙
朱政
丁为民
李文祥
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.)
China Railway Electrification Survey Design and Research Institute Co Ltd
Original Assignee
China Railway Electrification Survey Design and Research Institute 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 China Railway Electrification Survey Design and Research Institute Co Ltd filed Critical China Railway Electrification Survey Design and Research Institute Co Ltd
Priority to CN202210823160.0A priority Critical patent/CN114897197B/zh
Publication of CN114897197A publication Critical patent/CN114897197A/zh
Application granted granted Critical
Publication of CN114897197B publication Critical patent/CN114897197B/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
    • 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
    • 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
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • 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
    • 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
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • General Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Biomedical Technology (AREA)
  • Economics (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Strategic Management (AREA)
  • Computational Linguistics (AREA)
  • Marketing (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Evolutionary Biology (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Primary Health Care (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供了基于缺陷统计和预测的接触网维修策略调整方法，包括以下步骤：描绘以公里标和时间为坐标轴的接触网实际缺陷分布图；针对接触网实际缺陷分布图，划分簇、计算各簇质心；计算各簇所对应的实际风险度；通过应用长短期记忆神经网络对接触网缺陷进行概率学预测，得到接触网预测缺陷记录；构建接触网预测缺陷分布图，计算得到簇划分结果及各簇对应的预测风险度；根据接触网预测缺陷记录和簇划分结果及各簇对应的预测风险度，调整维修策略，确定维修频率和维修重点。本发明预测下一个检修周期内接触网系统重点缺陷类型发生的时间分布和高发位置，显著提高运营维护策略与被运营线路特点的匹配性，提高人员和资源利用率。

Description

基于缺陷统计和预测的接触网维修策略调整方法
技术领域
本发明属于轨道交通接触网健康评估领域，特别涉及基于缺陷统计和预测的接触网维修策略调整方法。
背景技术
截止到2021年末，国内已开通地铁线路8000km，组建了相关专业管理和运维人员作为地铁线路的“医生”保障列车的正常运行，运维和管理人员以定期检修作业，发现缺陷上报运维管理中心后，由运维管理中心开具工作票，完成缺陷维修工作，其中巡检是发现故障或缺陷征兆的有效检查手段。
国内地铁运营多以周期检修和边检边修相结合的方式组织作业的传统作业方式开展，其检修周期分为季度修、半年修、年修、两年修等，巡视范围未结合时间和里程，造成巡检和维修资源无针对性，人工效率和资源利用率双低情形，多数依托友邻线路或友邻城市的经验，在摸索中完善被运营线路。
发明内容
本发明针对现有技术中存在的技术问题，提供一种基于缺陷统计和预测的接触网维修策略调整方法，利用缺陷类型的时间信息和空间信息，挖掘重点缺陷类型在各个检修周期的分布所反映出的和变化规律，预测下一个检修周期内接触网系统重点缺陷类型发生的时间分布和高发位置，显著提高运营维护策略与被运营线路特点的匹配性，提高人员和资源利用率。
本发明采用的技术方案是：基于缺陷统计和预测的接触网维修策略调整方法，包括以下步骤：
S1：将接触网实际现场收集的缺陷数据整合成接触网缺陷记录，接触网缺陷记录的信息包括时间和公里标，将接触网缺陷记录逐一描绘于以公里标和时间为坐标轴的二维平面上，得到接触网实际缺陷分布图；
S2：结合接触网业务，给定簇划分数K的范围为[K1,K2]，针对接触网实际缺陷分布 图，对每一个K值的聚类结果分别计算各簇的轮廓系数，选择轮廓系数最大的聚类结果，确 定K值；使用KMeans聚类方法对接触网实际缺陷分布图进行时空划分，得到簇划分结果
Figure DEST_PATH_IMAGE001
与各自质心
Figure DEST_PATH_IMAGE002
；
S3：对于以各簇质心为圆心，各簇内的数据点到对应簇质心的距离的中位数为圆 半径，作圆；计算各个簇中在圆内点的个数占该簇的所有点的总个数的比例；第i个簇所对 应的实际风险度
Figure DEST_PATH_IMAGE003
，其中
Figure DEST_PATH_IMAGE004
表示第i个簇在圆内数据点的个数，
Figure DEST_PATH_IMAGE005
表示第i个 簇所有点的总数；
S4：基于步骤S1的接触网缺陷记录，通过应用长短期记忆神经网络对接触网缺陷 进行概率学预测，提取历史缺陷记录学习模型，历史缺陷记录学习模型的纵坐标为缺陷频 度，横坐标为时间或公里标，预测缺陷频度；当预测缺陷时间频度和预测缺陷公里标频度的 几何平均值超过
Figure DEST_PATH_IMAGE006
时，定义为预测缺陷发生，得到接触网预测缺陷记录；接触网预测缺陷 记录的信息包括时间和公里标；
S5：接触网预测缺陷记录按照步骤S1的方法构建接触网预测缺陷分布图；再按照步骤S2-S3，计算得到簇划分结果及各簇对应的预测风险度；
S6：根据步骤S4的接触网预测缺陷记录和步骤S5的簇划分结果及各簇对应的预测风险度，调整维修策略，确定维修频率和维修重点。
进一步的，步骤S2中，轮廓系数
Figure DEST_PATH_IMAGE007
，其中，
Figure DEST_PATH_IMAGE008
为该条缺陷记录 在分布平面上距离同簇内其他缺陷记录的平均距离，
Figure DEST_PATH_IMAGE009
该条缺陷记录在分布平面上距离 其他簇内其他缺陷记录的平均距离，所有缺陷记录的轮廓系数的均值为本次聚类结果的轮 廓系数。
进一步的，步骤S2中，K1为2,K2为20。
进一步的，步骤S5中，
Figure 117306DEST_PATH_IMAGE006
为60%。
进一步的，步骤S6中，根据接触网预测缺陷记录的数量确定维修频率；某个簇的预测风险度数值越大，说明在该簇对应的公里标和时间的接触网缺陷发生的几率越大，确定为维修重点。
与现有技术相比，本发明所具有的有益效果是：
1.本发明将实际缺陷分布和预测缺陷分布纳入考量，更为全面的评价接触网系统的运行情况，是“定期修”向“状态修”转变的重要一环。
2．本发明将传统固定检修时间和空间调整为基于缺陷统计的缺陷簇空间和时间，向一线人员给出了明确的高风险时期和巡检区域，降低缺陷和事故发生率。
3．本发明具有风险评估和改善动态调整功能，为接触网系统零部件寿命预测和健康评定提供数据支撑。
附图说明
图1为本发明实施例的流程图；
图2为本发明实施例的接触网实际缺陷分布图；
图3为本发明实施例的缺陷频度-时间或公里标图；
图4为本发明实施例的预测结果与标准值的对比图；
图5为本发明实施例的预测缺陷数量统计分布图。
具体实施方式
为使本领域技术人员更好的理解本发明的技术方案，下面结合附图和具体实施例对本发明作详细说明。
本发明的实施例提供了一种基于缺陷统计和预测的接触网维修策略调整方法，如图1所示，其包括以下步骤：
S1：将接触网实际现场收集的缺陷数据整合成接触网缺陷记录，接触网缺陷记录的信息包括时间和公里标，将接触网缺陷记录逐一描绘于以公里标和时间为坐标轴的二维平面上，得到接触网实际缺陷分布图，如图2所示。接触网实际缺陷分布图中的每个点代表一个接触网缺陷记录。
S2：结合接触网业务，给定簇划分数K的范围为[K1,K2]，K1为2,K2为20。针对接触网实际缺陷分布图，对每一个K值的聚类结果分别计算各簇的轮廓系数，选择轮廓系数最大的聚类结果，确定K值。
轮廓系数
Figure 237709DEST_PATH_IMAGE007
，其中，
Figure 486287DEST_PATH_IMAGE008
为该条缺陷记录在分布平面上距离同 簇内其他缺陷记录的平均距离，
Figure 84759DEST_PATH_IMAGE009
该条缺陷记录在分布平面上距离其他簇内其他缺陷记 录的平均距离，所有缺陷记录的轮廓系数的均值为本次聚类结果的轮廓系数。
结合K值，使用KMeans聚类方法对接触网实际缺陷分布图进行时空划分，得到簇划 分结果
Figure 899131DEST_PATH_IMAGE001
与各自质心
Figure 190435DEST_PATH_IMAGE002
；具体计算步骤为：
第一步，缺陷记录在接触网实际缺陷分布图中的点集合
Figure DEST_PATH_IMAGE010
，其中
Figure DEST_PATH_IMAGE011
为所有缺陷总数，规定最大迭代次数
Figure DEST_PATH_IMAGE012
。
第二步，迭代求解：从集合
Figure DEST_PATH_IMAGE014
中随机选择i条缺陷记录作为初始的
Figure DEST_PATH_IMAGE016
个质心：
Figure DEST_PATH_IMAGE017
，i为簇划分数
Figure DEST_PATH_IMAGE018
的值，计算每条缺陷记录
Figure DEST_PATH_IMAGE019
与各个质心
Figure DEST_PATH_IMAGE020
之间的距离
Figure DEST_PATH_IMAGE021
，将
Figure 349146DEST_PATH_IMAGE019
划分至最小时空距离
Figure DEST_PATH_IMAGE022
所对应的质心
Figure DEST_PATH_IMAGE023
的簇
Figure DEST_PATH_IMAGE024
；根据
Figure 423413DEST_PATH_IMAGE024
中的所有缺陷记录重新计算新的质心
Figure 92292DEST_PATH_IMAGE023
，再重新计算每条缺陷记录
Figure 288918DEST_PATH_IMAGE019
与各个质心
Figure 13553DEST_PATH_IMAGE023
的最小时空距离，更新
Figure 953828DEST_PATH_IMAGE024
；直到连续两次迭代中所有质心不发生变化或迭代次数达到最大迭代次数
Figure 946054DEST_PATH_IMAGE012
，得到簇划分结果
Figure DEST_PATH_IMAGE025
与各自质心
Figure DEST_PATH_IMAGE026
。
S3：对于以各簇质心为圆心，各簇内的数据点到对应簇质心的距离的中位数为圆 半径，作圆；计算各个簇中在圆内点的个数占该簇的所有点的总个数的比例；第i个簇所对 应的实际风险度
Figure 48003DEST_PATH_IMAGE003
，其中
Figure 492890DEST_PATH_IMAGE004
表示第i个簇在圆内数据点的个数，
Figure 768014DEST_PATH_IMAGE005
表示第i个 簇所有点的总数。
S4：基于步骤S1的接触网缺陷记录，通过应用长短期记忆神经网络对接触网缺陷 进行概率学预测，提取历史缺陷记录学习模型，历史缺陷记录学习模型的纵坐标为缺陷频 度，横坐标为时间或公里标，预测缺陷频度，如图3所示。由于实际缺陷分布图在实际作业记 录过程中有可能缺失数据，采用均值填充来完成缺失数据填充，即缺失位置的值等于前后 实际值的均值。当预测缺陷时间频度和预测缺陷公里标频度的几何平均值超过
Figure 113282DEST_PATH_IMAGE006
时，定义 为预测缺陷发生，得到接触网预测缺陷记录；接触网预测缺陷记录的信息包括时间和公里 标。
Figure 917290DEST_PATH_IMAGE006
为60%。
历史缺陷记录学习模型进行定位装置缺陷频度预测，接触网实际现场收集的缺陷数据来源于京广高铁某接触网工区的等电位线散股、定位管帽脱落、防风拉线变形、定位环装反等缺陷数据。
数据公里标范围：K1980+323始330km范围。
数据时间范围：2016年11月1日至2020年11月30日。
其中2016年11月至2019年12月的数据用作历史缺陷记录学习模型， 2020年1月至12月的定位装置缺陷为预测缺陷，使用数据源中的对应记录作为实际次数与预测次数对比校验。原始数据记录如表1：
表1 实际缺陷原始数据统计表
发现日期 数量 发现日期 数量
2016/01 0 2017/01 6
2016/02 0 2017/02 1
2016/03 0 2017/03 0
2016/04 0 2017/04 0
2016/05 0 2017/05 8
2016/06 0 2017/06 5
2016/07 0 2017/07 0
2016/08 0 2017/08 4
2016/09 0 2017/09 48
2016/10 0 2017/10 13
2016/11 1 2017/11 3
2016/12 0 2017/12 8
2018/01 30 2019/01 26
2018/02 0 2019/02 27
2018/03 12 2019/03 20
2018/04 58 2019/04 4
2018/05 0 2019/05 6
2018/06 0 2019/06 0
2018/07 0 2019/07 1
2018/08 1 2019/08 37
2018/09 18 2019/09 12
2018/10 0 2019/10 43
2018/11 6 2019/11 3
2018/12 3 2019/12 24
2020/01 38 2020/07 54
2020/02 35 2020/08 9
2020/03 99 2020/09 0
2020/04 65 2020/10 34
2020/05 30 2020/11 0
2020/06 19
预测结果与标准值的对比图如图4所示。定位装置缺陷的预测达成率81%，缺陷发展趋势的短期预测具有较好的效果。
S5：接触网预测缺陷记录按照步骤S1的方法构建接触网预测缺陷分布图；再按照步骤S2-S3，计算得到预测簇划分结果及各簇对应的预测风险度。
S6：根据步骤S4的接触网预测缺陷记录和步骤S5的簇划分结果及各簇对应的预测风险度，调整维修策略，确定维修频率和维修重点。
某个簇的预测风险度数值越大，说明在该簇对应的公里标和时间的接触网缺陷发生的几率越大，确定为维修重点，向一线人员给出了明确的高风险时期和巡检区域。
根据接触网预测缺陷记录的数量确定维修频率。例如：如图5所示，一年周期的月 份预测缺陷数量统计分布，缺陷发生数量大于月平均数量2倍的月份记为缺陷发生峰值点。 由于最小维修周期为季度修，若两相邻峰值点距离小于等于3个月，将其合并视为一个峰值 点。若缺陷发生峰值点个数
Figure DEST_PATH_IMAGE027
小于等于1，表示该缺陷发生率保持稳定，建议该类维修计划 修程为“年修”或“两年修”；若缺陷发生峰值点个数
Figure 849474DEST_PATH_IMAGE027
为2，建议该类维修计划修程为“半年 修”；若缺陷发生峰值点个数
Figure 600393DEST_PATH_IMAGE027
为3或4，建议该类维修计划修程为“季度修”。图5中，缺陷总 数量为74个，月平均数量为6.17个，超过月平均数量2倍的月份为2月和8月，即2月和8月为 缺陷发生峰值点。2月和8月的距离大于3个月，因此，缺陷发生峰值点个数
Figure DEST_PATH_IMAGE028
为2，建议该类维 修计划修程为“半年修”。
以上通过实施例对本发明进行了详细说明，但所述内容仅为本发明的示例性实施例，不能被认为用于限定本发明的实施范围。本发明的保护范围由权利要求书限定。凡利用本发明所述的技术方案，或本领域的技术人员在本发明技术方案的启发下，在本发明的实质和保护范围内，设计出类似的技术方案而达到上述技术效果的，或者对申请范围所作的均等变化与改进等，均应仍归属于本发明的专利涵盖保护范围之内。

Claims (5)

1.基于缺陷统计和预测的接触网维修策略调整方法，其特征在于：包括以下步骤：
S1：将接触网实际现场收集的缺陷数据整合成接触网缺陷记录，接触网缺陷记录的信息包括时间和公里标，将接触网缺陷记录逐一描绘于以公里标和时间为坐标轴的二维平面上，得到接触网实际缺陷分布图；
S2：结合接触网业务，给定簇划分数K的范围为[K1,K2]，针对接触网实际缺陷分布图，对每一个K值的聚类结果分别计算各簇的轮廓系数，选择轮廓系数最大的聚类结果，确定K值；使用KMeans聚类方法对接触网实际缺陷分布图进行时空划分，得到簇划分结果
Figure 544796DEST_PATH_IMAGE001
与各自质心
Figure 9407DEST_PATH_IMAGE002
；
S3：对于以各簇质心为圆心，各簇内的数据点到对应簇质心的距离的中位数为圆半径，作圆；计算各个簇中在圆内点的个数占该簇的所有点的总个数的比例；第i个簇所对应的实际风险度
Figure 320302DEST_PATH_IMAGE003
，其中
Figure 512249DEST_PATH_IMAGE004
表示第i个簇在圆内数据点的个数，
Figure 372627DEST_PATH_IMAGE005
表示第i个簇所有点的总数；
S4：基于步骤S1的接触网缺陷记录，通过应用长短期记忆神经网络对接触网缺陷进行概率学预测，提取历史缺陷记录学习模型，历史缺陷记录学习模型的纵坐标为缺陷频度，横坐标为时间或公里标，预测缺陷频度；当预测缺陷时间频度和预测缺陷公里标频度的几何平均值超过
Figure 195089DEST_PATH_IMAGE006
时，定义为预测缺陷发生，得到接触网预测缺陷记录；接触网预测缺陷记录的信息包括时间和公里标；
S5：接触网预测缺陷记录按照步骤S1的方法构建接触网预测缺陷分布图；再按照步骤S2-S3，计算得到簇划分结果及各簇对应的预测风险度；
S6：根据步骤S4的接触网预测缺陷记录和步骤S5的簇划分结果及各簇对应的预测风险度，调整维修策略，确定维修频率和维修重点。
2.如权利要求1所述的基于缺陷统计和预测的接触网维修策略调整方法，其特征在于：步骤S2中，轮廓系数
Figure 993281DEST_PATH_IMAGE007
，其中，
Figure 988919DEST_PATH_IMAGE008
为该条缺陷记录在分布平面上距离同簇内其他缺陷记录的平均距离，
Figure 188956DEST_PATH_IMAGE009
该条缺陷记录在分布平面上距离其他簇内其他缺陷记录的平均距离，所有缺陷记录的轮廓系数的均值为本次聚类结果的轮廓系数。
3.如权利要求1所述的基于缺陷统计和预测的接触网维修策略调整方法，其特征在于：步骤S2中，K1为2,K2为20。
4.如权利要求1所述的基于缺陷统计和预测的接触网维修策略调整方法，其特征在于：步骤S5中，
Figure 182320DEST_PATH_IMAGE006
为60%。
5.如权利要求1所述的基于缺陷统计和预测的接触网维修策略调整方法，其特征在于：步骤S6中，根据接触网预测缺陷记录的数量确定维修频率；某个簇的预测风险度数值越大，说明在该簇对应的公里标和时间的接触网缺陷发生的几率越大，确定为维修重点。
CN202210823160.0A 2022-07-14 2022-07-14 基于缺陷统计和预测的接触网维修策略调整方法 Active CN114897197B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210823160.0A CN114897197B (zh) 2022-07-14 2022-07-14 基于缺陷统计和预测的接触网维修策略调整方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210823160.0A CN114897197B (zh) 2022-07-14 2022-07-14 基于缺陷统计和预测的接触网维修策略调整方法

Publications (2)

Publication Number Publication Date
CN114897197A CN114897197A (zh) 2022-08-12
CN114897197B true CN114897197B (zh) 2022-10-04

Family

ID=82729226

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210823160.0A Active CN114897197B (zh) 2022-07-14 2022-07-14 基于缺陷统计和预测的接触网维修策略调整方法

Country Status (1)

Country Link
CN (1) CN114897197B (zh)

Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108398934A (zh) * 2018-02-05 2018-08-14 常州高清信息技术有限公司 一种用于轨道交通的设备故障监控的系统
CN108872796A (zh) * 2018-07-31 2018-11-23 广州科易光电技术有限公司 基于车载接触网运行状态检测的地面控制平台
CN109142978A (zh) * 2018-09-17 2019-01-04 成都国铁电气设备有限公司 一种铁路接触网运行状态主动监测方法
CN208795275U (zh) * 2018-07-31 2019-04-26 广州科易光电技术有限公司 车载接触网运行状态检测装置
CN111402241A (zh) * 2020-03-19 2020-07-10 中铁电气化局集团有限公司 接触网数据的处理方法、装置、计算机设备和存储介质
CN111582697A (zh) * 2020-04-29 2020-08-25 西安交通大学 一种配电网故障的评估与调度方法及系统
CN111652395A (zh) * 2020-06-12 2020-09-11 成都国铁电气设备有限公司 一种高速铁路接触网设备健康评估方法
CN111667392A (zh) * 2020-06-12 2020-09-15 成都国铁电气设备有限公司 一种基于时空聚类的铁路接触网缺陷热点区域预警方法
CN112393684A (zh) * 2020-11-24 2021-02-23 中铁十一局集团电务工程有限公司 一种接触网参数测量设备及测量方法
CN112819071A (zh) * 2021-01-29 2021-05-18 上海明略人工智能(集团)有限公司 故障信息聚类方法、装置、计算机设备及存储介质
CN113673582A (zh) * 2021-07-30 2021-11-19 西南交通大学 基于系统聚类分析的铁路动态基准点多层级分群方法
CN113900116A (zh) * 2021-11-16 2022-01-07 武汉汉宁轨道交通技术有限公司 接触网几何参数动态检测方法和装置
CN114167217A (zh) * 2021-12-09 2022-03-11 中国路桥工程有限责任公司 一种铁路配电网的多重故障诊断方法
CN114610699A (zh) * 2022-02-25 2022-06-10 成都唐源电气股份有限公司 一种接触网缺陷关联挖掘及预防方法

Patent Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108398934A (zh) * 2018-02-05 2018-08-14 常州高清信息技术有限公司 一种用于轨道交通的设备故障监控的系统
CN108872796A (zh) * 2018-07-31 2018-11-23 广州科易光电技术有限公司 基于车载接触网运行状态检测的地面控制平台
CN208795275U (zh) * 2018-07-31 2019-04-26 广州科易光电技术有限公司 车载接触网运行状态检测装置
CN109142978A (zh) * 2018-09-17 2019-01-04 成都国铁电气设备有限公司 一种铁路接触网运行状态主动监测方法
CN111402241A (zh) * 2020-03-19 2020-07-10 中铁电气化局集团有限公司 接触网数据的处理方法、装置、计算机设备和存储介质
CN111582697A (zh) * 2020-04-29 2020-08-25 西安交通大学 一种配电网故障的评估与调度方法及系统
CN111652395A (zh) * 2020-06-12 2020-09-11 成都国铁电气设备有限公司 一种高速铁路接触网设备健康评估方法
CN111667392A (zh) * 2020-06-12 2020-09-15 成都国铁电气设备有限公司 一种基于时空聚类的铁路接触网缺陷热点区域预警方法
CN112393684A (zh) * 2020-11-24 2021-02-23 中铁十一局集团电务工程有限公司 一种接触网参数测量设备及测量方法
CN112819071A (zh) * 2021-01-29 2021-05-18 上海明略人工智能(集团)有限公司 故障信息聚类方法、装置、计算机设备及存储介质
CN113673582A (zh) * 2021-07-30 2021-11-19 西南交通大学 基于系统聚类分析的铁路动态基准点多层级分群方法
CN113900116A (zh) * 2021-11-16 2022-01-07 武汉汉宁轨道交通技术有限公司 接触网几何参数动态检测方法和装置
CN114167217A (zh) * 2021-12-09 2022-03-11 中国路桥工程有限责任公司 一种铁路配电网的多重故障诊断方法
CN114610699A (zh) * 2022-02-25 2022-06-10 成都唐源电气股份有限公司 一种接触网缺陷关联挖掘及预防方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
"基于聚类分析法对我国高速铁路网供电系统缺陷进行空间分布研究";王明辉;《现代商贸工业》;20201231(第19期);全文 *
"接触网高压隔离开关的机械故障诊断新策略";刘仕兵等;《华东交通大学学报》;20191031;第36卷(第5期);全文 *

Also Published As

Publication number Publication date
CN114897197A (zh) 2022-08-12

Similar Documents

Publication Publication Date Title
CN107239874B (zh) 一种面向轨道交通的电能质量及节能分析系统
CN104123682B (zh) 一种基于气象影响因素的配网故障风险评估方法
CN111488896B (zh) 一种基于多源数据挖掘的配电线路时变故障概率计算方法
WO2020098728A1 (zh) 集群负荷预测方法、装置及存储介质
CN108734342B (zh) 区域天气预报用于地区电网架空线路热定值概率预测方法
CN106022538B (zh) 基于k均值聚类改进广义天气的光伏发电预测方法
CN112966941B (zh) 一种基于交通事故大数据的事故黑点识别方法及系统
CN113033110B (zh) 一种基于交通流模型的重点区域人员应急疏散系统及方法
CN116521764B (zh) 基于人工智能的环境设计数据处理方法
CN114386753A (zh) 一种基于主变负载状况的设备风险综合分析预警方法
CN116796904A (zh) 一种轨道交通新线客流预测方法、系统、电子设备及介质
CN117892165B (zh) 一种基于灾情分析的低温灾害农业影响预测方法
CN114897197B (zh) 基于缺陷统计和预测的接触网维修策略调整方法
CN109829658B (zh) 一种基于不同人群需求的停车泊位分配方法
DOMNIKOV et al. Diagnostics of competitiveness of power-generating companies
CN117575073A (zh) 一种城市二氧化碳排放量监测系统及其运作方法
CN103115598B (zh) 电网覆冰区域分布的测绘方法
CN114676931B (zh) 一种基于数据中台技术的电量预测系统
WO2021098430A1 (zh) 基于多层耦合关系的列车运行偏差传播情况识别方法
CN111062509A (zh) 一种基于改进神经网络的风功率中短期预测方法及系统
CN107273703B (zh) 一种路面使用性能分布情况预测方法
CN116191412A (zh) 电力负荷预测方法
CN113344290B (zh) 基于U-Net网络的次季节降水气象预报订正方法
CN112070302A (zh) 一种电网用电安全的预警方法及系统
CN110210631A (zh) 一种高速铁路综合维修方案的制定方法

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