CN115314401B - 接触网状态监测方法、装置、电子设备及存储介质 - Google Patents
接触网状态监测方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN115314401B CN115314401B CN202210771975.9A CN202210771975A CN115314401B CN 115314401 B CN115314401 B CN 115314401B CN 202210771975 A CN202210771975 A CN 202210771975A CN 115314401 B CN115314401 B CN 115314401B
- Authority
- CN
- China
- Prior art keywords
- state
- monitoring data
- overhead
- data
- preset
- 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
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 212
- 238000000034 method Methods 0.000 title claims abstract description 59
- 238000000605 extraction Methods 0.000 claims description 14
- 238000013507 mapping Methods 0.000 claims description 13
- 238000003062 neural network model Methods 0.000 claims description 12
- 238000004140 cleaning Methods 0.000 claims description 10
- 238000012549 training Methods 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 8
- 238000012806 monitoring device Methods 0.000 claims description 6
- 230000001133 acceleration Effects 0.000 claims description 4
- 238000006073 displacement reaction Methods 0.000 claims description 4
- 238000012423 maintenance Methods 0.000 description 18
- 238000004422 calculation algorithm Methods 0.000 description 16
- 230000001360 synchronised effect Effects 0.000 description 9
- 238000012545 processing Methods 0.000 description 6
- 238000013527 convolutional neural network Methods 0.000 description 5
- 230000005291 magnetic effect Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000003068 static effect Effects 0.000 description 4
- 239000012212 insulator Substances 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000012512 characterization method Methods 0.000 description 2
- 238000003064 k means clustering Methods 0.000 description 2
- 230000003137 locomotive effect Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000005294 ferromagnetic effect Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000003449 preventive effect Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 210000000707 wrist Anatomy 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/14—Network analysis or design
- H04L41/147—Network analysis or design for predicting network behaviour
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L43/00—Arrangements for monitoring or testing data switching networks
- H04L43/04—Processing captured monitoring data, e.g. for logfile generation
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L43/00—Arrangements for monitoring or testing data switching networks
- H04L43/08—Monitoring or testing based on specific metrics, e.g. QoS, energy consumption or environmental parameters
- H04L43/0805—Monitoring or testing based on specific metrics, e.g. QoS, energy consumption or environmental parameters by checking availability
- H04L43/0817—Monitoring or testing based on specific metrics, e.g. QoS, energy consumption or environmental parameters by checking availability by checking functioning
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Environmental & Geological Engineering (AREA)
- Data Mining & Analysis (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本公开实施例公开了一种接触网状态监测方法、装置、电子设备及存储介质，所述方法包括：获取接触网当前工作的监测数据；其中，所述监测数据包括传感监测数据以及图像数据；基于预设状态监测模型、所述传感监测数据以及所述图像数据，获得所述接触网的运行状态的预测结果。
Description
技术领域
本公开涉及设备状态监测技术领域，尤其涉及一种接触网状态监测方法、装置、电子设备及存储介质。
背景技术
由于接触网工作环境复杂，其运行状态会随着使用时间的变化而不断的变化，性能也会随着时间逐渐变差，有可能会引发弓网故障，导致电力机车受电弓不能正常取流，严重时甚至可能会造成断线短路跳闸而中断供电，导致电力机车的安全运行，从而造成巨大的经济损失和社会影响。如何对接触网的运行状态进行预测，一直以来备受关注。
发明内容
为解决现有存在的技术问题，本公开实施例提供了一种接触网状态监测方法、装置、电子设备及计算机可读存储介质。
为达到上述目的，本公开实施例的技术方案是这样实现的：
本公开实施例提供了一种接触网状态监测方法，所述方法包括：
获取接触网当前工作的监测数据；其中，所述监测数据包括传感监测数据以及图像数据；
基于预设状态监测模型、所述传感监测数据以及所述图像数据，获得所述接触网的运行状态的预测结果。
在一些实施例中，所述基于预设状态监测模型、所述传感监测数据以及所述图像数据，获得所述接触网的运行状态的预测结果，包括：
对所述接触网所包括的不同零部件的传感监测数据，以及所述接触网所包括的不同零部件的图像数据进行融合，得到所述接触网当前的工作状态参数，其中，所述工作状态参数包括以下至少之一：导高、接触力以及拉出值；
基于所述预设状态监测模型以及所述当前的工作状态参数，获得所述接触网的运行状态的预测结果。
在一些实施例中，所述对所述接触网所包括的不同零部件的传感监测数据，以及所述接触网所包括的不同零部件的图像数据进行融合，得到所述接触网当前的工作状态参数，包括：
对所述接触网所包括的不同零部件的传感监测数据进行数据清洗后进行特征提取，得到第一特征；
对所述接触网所包括的不同零部件的图像数据进行特征提取，获得所述接触网的第二特征；对所述第一特征以及所述第二特征进行融合，得到所述接触网当前的工作状态参数。
在一些实施例中，所述对所述第一特征以及所述第二特征进行融合，得到所述接触网当前的工作状态参数，包括：
利用预设权重对所述第一特征以及所述第二特征进行加权后融合，得到所述接触网当前的工作状态参数。
在一些实施例中，所述方法还包括：
获取所述接触网不同运行时间段的样本监测数据；其中，所述样本监测数据覆盖所述接触网从正常状态到故障状态之间的多个运行状态的数据；
基于预设时间段内的样本监测数据，确定所述样本监测数据对应的工作状态参数的统计值；
对各预设时间段内的样本监测数据对应的工作状态参数的统计值进行聚类处理，得到预设运行状态与目标统计值的映射关系；其中，所述预设状态监测模型中包括所述映射关系，所述目标统计值用于标识聚类后的类中心；
所述基于预设状态监测模型以及所述工作状态参数，获得所述接触网的运行状态的预测结果，包括：
将当前的工作状态参数与所述预设状态监测模型中的所述目标统计值进行比较，获得所述接触网的运行状态的预测结果。
在一些实施例中，所述方法还包括：
获取所述接触网不同运行状态对应的样本监测数据；其中，各运行状态对应的样本监测数据包括预设时长内的样本监测数据；
确定各所述运行状态的样本监测数据对应的工作状态参数的统计值；
将不同运行状态对应的所述工作状态参数的统计值输入初始神经网络模型进行训练，得到训练后的所述预设状态监测模型；
所述基于预设状态监测模型以及所述工作状态参数，获得所述接触网的运行状态的预测结果，包括：
将所述当前的工作状态参数输入所述预设状态监测模型，获得所述接触网的运行状态的预测结果。
在一些实施例中，所述方法还包括：
在所述接触网的运行状态的预测结果表征所述接触网有故障时，输出所述接触网的运行状态对应的检修方案。
本公开实施例还提供了一种接触网状态监测装置，所述装置包括：
获取模块，用于获取接触网当前工作的监测数据；其中，所述监测数据包括传感监测数据以及图像数据；
预测模块，用于基于预设状态监测模型、所述传感监测数据以及所述图像数据，获得所述接触网的运行状态的预测结果。
在一些实施例中，所述预测模块，用于对所述接触网所包括的不同零部件的传感监测数据，以及所述接触网所包括的不同零部件的图像数据进行融合，得到所述接触网当前的工作状态参数，其中，所述工作状态参数包括以下至少之一：导高、接触力以及拉出值；
基于所述预设状态监测模型以及所述当前的工作状态参数，获得所述接触网的运行状态的预测结果。
在一些实施例中，所述预测模块，用于对所述接触网所包括的不同零部件的传感监测数据进行数据清洗后进行特征提取，得到第一特征；
对所述接触网所包括的不同零部件的图像数据进行特征提取，获得所述接触网的第二特征；其中，所述第二特征包括以下至少之一：边缘特征，轮廓特征，梯度直方图，以及角点；
对所述第一特征以及所述第二特征进行融合，得到所述接触网当前的工作状态参数。
在一些实施例中，所述预测模块，用于利用预设权重对所述第一特征以及所述第二特征进行加权后融合，得到所述接触网当前的工作状态参数。
在一些实施例中，所述装置还包括：
第一采集模块，用于获取所述接触网不同运行时间段的样本监测数据；其中，所述样本监测数据覆盖所述接触网从正常状态到故障状态之间的多个运行状态的数据；
统计模块，用于基于预设时间段内的样本监测数据，确定所述样本监测数据对应的工作状态参数的统计值；
聚类模块，用于对各预设时间段内的样本监测数据对应的工作状态参数的统计值进行聚类处理，得到预设运行状态与目标统计值的映射关系；其中，所述预设状态监测模型中包括所述映射关系，所述目标统计值用于标识聚类后的类中心；
所述预测模块，用于将当前的工作状态参数与所述预设状态监测模型中的所述目标统计值进行比较，获得所述接触网的运行状态的预测结果。
在一些实施例中，所述装置还包括：
第二采集模块，用于获取所述接触网不同运行状态对应的样本监测数据；其中，各运行状态对应的样本监测数据包括预设时长内的样本监测数据；
计算模块，用于确定各所述运行状态的样本监测数据对应的工作状态参数的统计值；
训练模块，用于将不同运行状态对应的所述工作状态参数的统计值输入初始神经网络模型进行训练，得到训练后的所述预设状态监测模型；
所述预测模块，用于将所述当前的工作状态参数输入所述预设状态监测模型，获得所述接触网的运行状态的预测结果。
在一些实施例中，所述装置还包括：
输出模块，用于在所述接触网的运行状态的预测结果表征所述接触网有故障时，输出所述接触网的运行状态对应的检修方案。
本公开实施例还提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现前述实施例所述接触网状态监测方法的步骤。
本公开实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现前述实施例所述接触网状态监测方法的步骤。
本公开的实施例提供的技术方案可以包括以下有益效果：
采用本公开实施例的技术方案，基于预设状态监测模型、接触网当前的传感监测数据以及图像数据，可以预测接触网的运行状态，从而可以使运维人员及时进行检修，进而提高对接触网的运维效率。
附图说明
为了更清楚地说明本公开实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本公开的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。
图1为本公开实施例提供的一种接触网状态监测方法的流程示意图；
图2为本公开实施例提供的另一种接触网状态监测方法的流程示意图；
图3为本公开实施例提供的一种接触网状态监测装置结构示意图；
图4为本公开实施例的电子设备的硬件组成结构示意图。
具体实施方式
为使本公开实施例的目的、技术方案和优点更加清楚，下面将结合本公开实施例中的附图，对本公开的具体技术方案做进一步详细描述。以下实施例用于说明本公开，但不用来限制本公开的范围。
目前接触网常用的检修方法是视情维修(Condition Based Maintenance，CBM)，包括人工检查、计划预防性维修以及事故紧急维修，即定期使用各种检修监测设备或监测手段对运行中的接触网进行监测，当发现出现故障后对接触网进行维修，使接触网恢复正常。
视情维修本质上属于状态监测、故障维修的事后方法，该方法存在以下不足：其一，维修效率低、成本高、工作量大，且容易导致维修不足或冗余；其二，该方法只能检测已经发生的故障，不能提前预知何时会发生故障。因此，视情维修已经无法满足日益增长的接触网运维工作，铁路安全运营部门迫切需要一种可以预测接触网故障的监测方法。
对此，本公开提供了一种接触网状态监测方法，图1为本公开实施例提供的一种接触网状态监测方法的流程示意图；如图1所示，所述方法包括：
S101：获取接触网当前工作的监测数据；其中，所述监测数据包括传感监测数据以及图像数据；
S102：基于预设状态监测模型、所述传感监测数据以及所述图像数据，获得所述接触网的运行状态的预测结果。
本公开实施例中，接触网工作的监测数据可以包括传感监测数据以及图像数据。其中，传感监测数据可以为通过加速度传感器、压力传感器或位移传感器等传感器监测得到的数据；图像数据可以为通过红外摄像机或紫外摄像机等摄像机采集得到的图片或视频。
本公开实施例中，在进行接触网的运行状态预测时，可以获取接触网当前工作的监测数据。需要说明的是，接触网当前工作的监测数据的数量可以根据预设状态监测模型的实际使用场景进行设定，在此不做限定，在一定的范围内基于获取的接触网当前工作的监测数据的数量的增多，预测的准确率可能会提高。
本公开实施例中，预设状态监测模型可以为基于样本工作状态数据采用神经网络模型训练而成的，其中，神经网络模型可以是全卷积神经网络(Fully ConvolutionalNetworks，FCN)或卷积神经网络(Convolutional Neural Networks，CNN)等任意一种神经网络模型，在此不做具体限定。预设状态监测模型也可以为基于样本工作状态数据采用机器学习算法得到的，其中，机器学习算法可以是k均值聚类算法(k-means clusteringalgorithm)或模糊C均值算法(fuzzy c-means algorithm，FCMA)等。
需要说明的是，本公开实施例中，接触网的运行状态可以根据接触网的实际使用场景分为多个。示例性的，接触网的运行状态可以包括良好状态、正常状态、警戒状态、紧急状态以及故障状态。
本公开实施例中，基于预设状态模型、接触网当前的传感监测数据以及图像数据，就可以获得接触网的运行状态的预测结果。示例性的，接触网的运行状态的预测结果可以是良好状态、正常状态、警戒状态、紧急状态以及故障状态中的任意一种。
可以理解的是，采用本公开实施例的技术方案，基于预设状态监测模型、接触网当前的传感监测数据以及图像数据，可以预测接触网的运行状态，从而可以使运维人员及时进行检修，进而提高对接触网的运维效率。
在一些实施例中，所述基于预设状态监测模型、所述传感监测数据以及所述图像数据，获得所述接触网的运行状态的预测结果，包括：
对所述接触网所包括的不同零部件的传感监测数据，以及所述接触网所包括的不同零部件的图像数据进行融合，得到所述接触网当前的工作状态参数，其中，所述工作状态参数包括以下至少之一：导高、接触力以及拉出值；
基于所述预设状态监测模型以及所述当前的工作状态参数，获得所述接触网的运行状态的预测结果。
需要说明的是，接触网由接触线、吊弦、承力索、弹性吊索、支柱、受电弓、绝缘子、腕臂支持装置及附加导线等零部件组成。
本公开实施例中，接触网工作的传感监测数据可以包括接触线、吊弦、承力索、弹性吊索、支柱、受电弓、绝缘子、腕臂支持装置及附加导线等其中的一个或多个零部件的传感监测数据；同样的，接触网工作的图像数据可以包括接触线、吊弦、承力索、弹性吊索、支柱、受电弓、绝缘子、腕臂支持装置及附加导线等其中的一个或多个零部件的图像数据。需要说明的是，传感监测数据对应的零部件与图像数据对应的零部件可以相同也可以不同，本公开实施例不做具体限定。
本公开实施例中，可以利用预设的融合算法对接触网包括的不同零部件的传感监测数据，以及接触网包括的不同零部件的图像数据进行融合，可以得到接触网当前的导高、接触力或拉出值。
本公开实施例中，基于预设状态监测模型以及接触网当前的导高、接触力或拉出值，就可以获得接触网的运行状态的预测结果。
可以理解的是，采用本公开实施例的技术方案，将接触网包括的不同零部件的传感监测数据以及接触网包括的不同零部件的图像数据融合得到接触网当前的工作状态参数，可以更加全面的反应接触网的工作状态。因此，基于预设状态模型以及当前的工作状态参数，获得的接触网的运行状态的预测结果也会更加准确。
在一些实施例中，所述对所述接触网所包括的不同零部件的传感监测数据，以及所述接触网所包括的不同零部件的图像数据进行融合，得到所述接触网当前的工作状态参数，包括：
对所述接触网所包括的不同零部件的传感监测数据进行数据清洗后进行特征提取，得到第一特征；
对所述接触网所包括的不同零部件的图像数据进行特征提取，获得所述接触网的第二特征；
对所述第一特征以及所述第二特征进行融合，得到所述接触网当前的工作状态参数。
本公开实施例中，对接触网包括的不同零部件的传感监测数据进行数据清洗，将传感监测数据中不完整的数据、错误的数据和重复的数据进行排除，得到数据清洗后的传感监测数据；然后对完成数据清洗的传感监测数据进行特征提取，得到第一特征，其中，第一特征可以包括加速度，压力或位移等。
本公开实施例中，对接触网包括的不同零部件的彩色图像进行灰度化处理得到相应的灰度图像，然后对灰度图像进行特征提取获得接触网的第二特征，其中，第二特征可以包括：边缘特征，轮廓特征，梯度直方图，以及角点等。当采用的特征提取算法为尺度不变特征变换(Scale Invariant Feature Transform，SIFT)或加速稳健特征(Speeded UpRobust Feature，SURF)算法时，得到的第二特征为边缘特征；当采用的特征提取算法为快速特征点提取和描述算法(Oriented Fast and Rotated Brief，ORB)时，得到的第二特征为轮廓特征；当采用的特征提取算法为方向梯度直方图(Histogram of OrientedGradient，HOG)算法时，得到的第二特征为梯度直方图；当采用的特征提取算法为哈尔特征(Haar-like features，HAAR)算法时，得到的第二特征为角点。
本公开实施例，对第一特征以及第二特征进行融合，就可以得到接触网当前的导高、接触力或拉出值。
可以理解的是，采用本公开实施例的技术方案，对传感特征进行特征提取得到第一特征，对图像数据进行特征提取得到第二特征，并将第一特征和第二特征进行特征融合得到接触网当前的工作状态参数，可以使得到的工作状态参数更加准确。
在一些实施例中，所述对所述第一特征以及所述第二特征进行融合，得到所述接触网当前的工作状态参数，包括：
利用预设权重对所述第一特征以及所述第二特征进行加权后融合，得到所述接触网当前的工作状态参数。
本公开实施例中，预设权重的取值大于0小于1，对第一特征加权的预设权重的数值和对第二特征进行加权的预设权重的数值可以相同也可以不同，具体的数值可以根据接触网实际使用场景的不同进行具体的配置，在此不做限定。示例性的，若根据经验确定基于图像获取的第二特征能更为准确的反映接触的运行状态，则可设置第二特征对应的权重大于第一特征对应的权重。
可以理解的是，采用本公开实施例的技术方案，利用预设权重对第一特征以及第二特征进行加权后得到接触网当前的工作状态参数，可以进一步提高工作状态参数的准确性，从而可以提高接触网的运行状态的预测结果的准确性。
在一些实施例中，所述方法还包括：
获取所述接触网不同运行时间段的样本监测数据；其中，所述样本监测数据覆盖所述接触网从正常状态到故障状态之间的多个运行状态的数据；
基于预设时间段内的样本监测数据，确定所述样本监测数据对应的工作状态参数的统计值；
对各预设时间段内的样本监测数据对应的工作状态参数的统计值进行聚类处理，得到预设运行状态与目标统计值的映射关系；其中，所述预设状态监测模型中包括所述映射关系，所述目标统计值用于标识聚类后的类中心；
所述基于预设状态监测模型以及所述工作状态参数，获得所述接触网的运行状态的预测结果，包括：
将当前的工作状态参数与所述预设状态监测模型中的所述目标统计值进行比较，获得所述接触网的运行状态的预测结果。
本公开实施例中，接触网从正常状态到故障状态之间有多个运行状态。获取每个运行状态对应的运行时间段的接触网所包括的不同零部件的传感监测数据以及接触网所包括的不同零部件的图像数据作为样本监测数据。
需要说明的是，本公开实施例中，预设时间段为预先设置的获取接触网不同运行时间段的样本监测数据的时长，预设时间段的具体时长可以根据接触网的实际运行场景进行设定，本公开实施例对此不做限定。
本公开实施例中，对预设时间段内的接触网所包括的不同零部件的传感监测数据，以及接触网所包括的不同零部件的图像数据进行融合，可以得到接触网的导高、接触力或拉出值；然后，对导高、接触力或拉出值进行统计得到导高的方差、均值和能量，接触力的方差、均值和能量或拉出值的方差、均值和能量，即为本公开实施例的统计值。其中，能量可用于表征当前工作状态的分布情况，如能量值越大，故障的可能性越大。
本公开实施例中，对各预设时间段内接触网所包括的不同零部件的传感监测数据以及接触网所包括的不同零部件的图像数据对应的导高的方差、均值和能量，接触力的的方差、均值和能量以及拉出值的方差、均值和能量进行聚类处理，基于预设分类数量得到聚类后每一类的类中心对应的导高、接触力以及拉出值，也即目标统计值。其中，预设分类数量可以是良好状态、正常状态、警戒状态、紧急状态以及故障状态对应的数量，预设分类数量也即所包括的运行状态的类型数量。同时，由于在接触网由正常状态逐步进入故障状态的过程中，统计值会随之变化，因此基于目标统计值可以确定出每一类对应的运行状态，从而建立映射关系。
需要说明的是，本公开实施例中，进行聚类处理的算法可以是前述的k-means、FCMA等算法，在此不做具体限定。
本公开实施例中，将接触网当前的导高、接触力或拉出值与预设状态监测模型中的预设运行状态对应的导高、接触力或拉出值进行比较，对比结果最相近的即为接触网的运行状态。
可以理解的是，采用本公开实施例的技术方案，通过将基于接触网不同时间段的样本监测数据得到的工作状态参数的统计值进行聚类处理，得到预设运行状态与目标统计值的对应关系，将当前的工作状态参数与预设状态监测模型中的目标统计值进行比较，就可以获得接触网的运行状态的预测结果，使接触网的的运行状态的预测过程变得简单、方便，并且容易实现。
在一些实施例中，所述方法还包括：
获取所述接触网不同运行状态对应的样本监测数据；其中，各运行状态对应的样本监测数据包括预设时长内的样本监测数据；
确定各所述运行状态的样本监测数据对应的工作状态参数的统计值；
将不同运行状态对应的所述工作状态参数的统计值输入初始神经网络模型进行训练，得到训练后的所述预设状态监测模型；
所述基于预设状态监测模型以及所述工作状态参数，获得所述接触网的运行状态的预测结果，包括：
将所述当前的工作状态参数输入所述预设状态监测模型，获得所述接触网的运行状态的预测结果。
需要说明的是，本公开实施例中，预设时长为预先设置的获取接触网不同运行状态对应的样本监测数据的时长，预设时长的具体时长可以根据接触网的实际运行场景进行设定，本公开实施例对此不做限定。
本公开实施例中，示例性的，当预设时长为半个月，接触网的运行状态包括良好状态、正常状态、警戒状态、紧急状态以及故障状态时，分别选取接触网良好状态、正常状态、警戒状态、紧急状态以及故障状态对应的半个月内接触网工作的监测数据，作为各运行状态对应样本监测数据。
本公开实施例中，根据预设时长内各运行状态对应的接触网所包括的不同零部件的传感监测数据，以及接触网所包括的不同零部件的图像数据，得到各运行状态对应的导高的方差和均值，接触力的的方差和均值以及拉出值的方差和均值。
本公开实施例中，将各运行状态对应的导高的方差和均值，接触力的方差和均值以及拉出值的方差和均值输入初始神经网络模型进行训练，得到预设状态监测模型。例如初始神经网络模型可以是前述的FCN或CNN等模型。
本公开实施例中，将接触网当前的导高、接触力和拉出值中的任意一个数值输入预设状态监测模型，就可以获得接触网的运行状态的预测结果。
可以理解的是，采用本公开实施例的技术方案，利用接触网不同运行状态的样本监测数据对应的工作状态参数的统计值，采用神经网络模型训练而成的预设状态监测模型，对接触网的运行状态进行预测，可以提高预测的速度以及预测结果的准确性。
在一些实施例中，所述方法还包括：
在所述接触网的运行状态的预测结果表征所述接触网有故障时，输出所述接触网的运行状态对应的检修方案。
需要说明的是，在本公开的实施例中，检修方案可以通过对话框、弹幕、语音等方式输出，在此不做限定。
本公开实施例中，当接触网的运行状态的预测结果表征接触网可能有故障时，输出接触网的当前运行状态对应的检修方案，及时提醒用户对接触网进行检修，降低实际故障发生的概率。
下面结合一个具体的示例对本公开实施例的接触网状态监测方法进行详细说明。图2为本公开实施例提供的另一种接触网状态监测方法的流程示意图；如图2所示，所述方法包括：
S201：数据采集。
在该实施例中，可通过传感器或摄像机等设备采集本公开实施例中接触网工作的监测数据。
S202：特征分析。
在该实施例中，接触网包括多个零部件。在对采集到的数据进行特征分析时，可以对接触网所包括的不同零部件的传感监测数据进行数据清洗后进行特征提取，得到第一特征；对接触网所包括的不同零部件的图像数据进行特征提取，获得接触网的第二特征；对第一特征以及第二特征进行融合，得到接触网工作状态参数，工作状态参数可以包括：导高、接触力或拉出值。
S203：接触网表征参数选取。
在该实施例中，接触网的表征参数就是接触网的工作状态参数的统计值。接触网表征参数的选取过程包括：获取接触网从正常状态到故障状态时间之间的多个运行时间段的样本监测数据，基于预设时间段内的样本监测数据，确定样本监测数据对应的工作状态参数的统计值；其中，工作状态参数的统计值可以包括导高、接触力或拉出值的均值、方差和能量。
S204：状态分类。
在该实施例中，状态分类就是将接触网的工作状态参数根据接触网的运行状态进行分类。具体的：可以采用聚类算法对样本监测数据对应的工作状态参数的统计值进行聚类处理，确定接触网的运行状态与目标统计值的映射关系；其中，目标统计值用于标识聚类后的类中心。
S205：预设状态监测模型。
在该实施例中，可以通过两种方式确定接触网的预设状态监测模型：方式一，可以根据接触网的运行状态与目标统计值的映射关系，确定预设状态监测模型。方式二，将不同运行状态对应的工作状态参数的统计值输入初始神经网络模型进行训练，得到训练后的预设状态监测模型。
S206：确定接触网运行状态。
在该实施例中，可以通过上述的两种预设状态监测模型确定接触网的运行状态。第一种，将当前的工作状态参数与预设状态监测模型中的目标统计值进行比较，获得接触网的运行状态的预测结果。第二种，将当前的工作状态参数输入预设状态监测模型，获得接触网的运行状态的预测结果。
这里，S201至步S206可参照前述实施例中的详细阐述，这里不再赘述。
可以理解的是，采用本公开实施例的技术方案，基于预设状态监测模型、接触网当前的传感监测数据以及图像数据，可以预测接触网的运行状态，从而可以使运维人员及时进行检修，进而提高对接触网的运维效率。
基于前述实施例，本公开实施例还提供了一种接触网状态监测装置，图3为本公开实施例提供的一种接触网状态监测装置结构示意图，如图3所示，所述装置包括：
获取模块301，用于获取接触网当前工作的监测数据；其中，所述监测数据包括传感监测数据以及图像数据；
预测模块302，用于基于预设状态监测模型、所述传感监测数据以及所述图像数据，获得所述接触网的运行状态的预测结果。
在一些实施例中，所述预测模块302，用于对所述接触网所包括的不同零部件的传感监测数据，以及所述接触网所包括的不同零部件的图像数据进行融合，得到所述接触网当前的工作状态参数，其中，所述工作状态参数包括以下至少之一：导高、接触力以及拉出值；
基于所述预设状态监测模型以及所述当前的工作状态参数，获得所述接触网的运行状态的预测结果。
在一些实施例中，所述预测模块302，用于对所述接触网所包括的不同零部件的传感监测数据进行数据清洗后进行特征提取，得到第一特征；
对所述接触网所包括的不同零部件的图像数据进行特征提取，获得所述接触网的第二特征；
对所述第一特征以及所述第二特征进行融合，得到所述接触网当前的工作状态参数。
在一些实施例中，所述预测模块302，用于利用预设权重对所述第一特征以及所述第二特征进行加权后融合，得到所述接触网当前的工作状态参数。
在一些实施例中，所述装置还包括：
第一采集模块303，用于获取所述接触网不同运行时间段的样本监测数据；其中，所述样本监测数据覆盖所述接触网从正常状态到故障状态之间的多个运行状态的数据；
统计模块304，用于基于预设时间段内的样本监测数据，确定所述样本监测数据对应的工作状态参数的统计值；
聚类模块305，用于对各预设时间段内的样本监测数据对应的工作状态参数的统计值进行聚类处理，得到预设运行状态与目标统计值的映射关系；其中，所述预设状态监测模型中包括所述映射关系，所述目标统计值用于标识聚类后的类中心；
所述预测模块302，用于将当前的工作状态参数与所述预设状态监测模型中的所述目标统计值进行比较，获得所述接触网的运行状态的预测结果。
在一些实施例中，所述装置还包括：
第二采集模块306，用于获取所述接触网不同运行状态对应的样本监测数据；其中，各运行状态对应的样本监测数据包括预设时长内的样本监测数据；
计算模块307，用于确定各所述运行状态的样本监测数据对应的工作状态参数的统计值；
训练模块308，用于将不同运行状态对应的所述工作状态参数的统计值输入初始神经网络模型进行训练，得到训练后的所述预设状态监测模型；
所述预测模块302，用于将所述当前的工作状态参数输入所述预设状态监测模型，获得所述接触网的运行状态的预测结果。
在一些实施例中，所述装置还包括：
输出模块309，用于在所述接触网的运行状态的预测结果表征所述接触网有故障时，输出所述接触网的运行状态对应的检修方案。
本公开实施例还提供了一种电子设备。图4为本公开实施例提供的电子设备的硬件组成结构示意图。如图4所示，电子设备400包括处理器401和用于存储能够在处理器401上运行的计算机程序的存储器402，其中，所述处理器401用于运行所述计算机程序时，执行本公开实施例所述云数据库的处理方法的步骤。
可选地，电子设备400还可包括至少一个网络接口403。电子设备400中的各个组件通过总线系统404耦合在一起。可理解，总线系统404用于实现这些组件之间的连接通信。总线系统404除包括数据总线之外，还包括电源总线、控制总线和状态信号总线。但是为了清楚说明起见，在图4中将各种总线都标为总线系统404。
可以理解，存储器402可以是易失性存储器或非易失性存储器，也可包括易失性和非易失性存储器两者。其中，非易失性存储器可以是只读存储器(ROM，Read Only Memory)、可编程只读存储器(PROM，Programmable Read-Only Memory)、可擦除可编程只读存储器(EPROM，Erasable Programmable Read-Only Memory)、电可擦除可编程只读存储器(EEPROM，Electrically Erasable Programmable Read-Only Memory)、磁性随机存取存储器(FRAM，ferromagnetic random access memory)、快闪存储器(Flash Memory)、磁表面存储器、光盘、或只读光盘(CD-ROM，Compact Disc Read-Only Memory)；磁表面存储器可以是磁盘存储器或磁带存储器。易失性存储器可以是随机存取存储器(RAM，Random AccessMemory)，其用作外部高速缓存。通过示例性但不是限制性说明，许多形式的RAM可用，例如静态随机存取存储器(SRAM，Static Random Access Memory)、同步静态随机存取存储器(SSRAM，Synchronous Static Random Access Memory)、动态随机存取存储器(DRAM，Dynamic Random Access Memory)、同步动态随机存取存储器(SDRAM，SynchronousDynamic Random Access Memory)、双倍数据速率同步动态随机存取存储器(DDRSDRAM，Double Data Rate Synchronous Dynamic Random Access Memory)、增强型同步动态随机存取存储器(ESDRAM，Enhanced Synchronous Dynamic Random Access Memory)、同步连接动态随机存取存储器(SLDRAM，SyncLink Dynamic Random Access Memory)、直接内存总线随机存取存储器(DRRAM，Direct Rambus Random Access Memory)。本公开实施例描述的存储器402旨在包括但不限于这些和任意其它适合类型的存储器。
本公开实施例中的存储器402用于存储各种类型的数据以支持电子设备400的操作。
上述本公开实施例揭示的方法可以应用于处理器401中，或者由处理器401实现。处理器401可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器401中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器401可以是通用处理器、DSP，或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。处理器401可以实现或者执行本公开实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者任何常规的处理器等。结合本公开实施例所公开的方法的步骤，可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于存储介质中，该存储介质位于存储器402，处理器401读取存储器402中的信息，结合其硬件完成前述方法的步骤。
在示例性实施例中，电子设备400可以被一个或多个应用专用集成电路(ASIC，Application Specific Integrated Circuit)、可编程逻辑器件(PLD，ProgrammableLogic Device)、复杂可编程逻辑器件(CPLD，Complex Programmable Logic Device)、FPGA、通用处理器、控制器、MCU、微处理器(Microprocessor)、或其他电子元件实现，用于执行前述方法。
本公开实施例还提供一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现本公开实施例云数据库的处理方法的步骤。
本申请所提供的几个方法实施例中所揭露的方法，在不冲突的情况下可以任意组合，得到新的方法实施例。
本申请所提供的几个产品实施例中所揭露的特征，在不冲突的情况下可以任意组合，得到新的产品实施例。
本申请所提供的几个方法或设备实施例中所揭露的特征，在不冲突的情况下可以任意组合，得到新的方法实施例或设备实施例。
在本申请所提供的几个实施例中，应该理解到，所揭露的设备和方法，可以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，如：多个单元或组件可以结合，或可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口，设备或单元的间接耦合或通信连接，可以是电性的、机械的或其它形式的。
上述作为分离部件说明的单元可以是、或也可以不是物理上分开的，作为单元显示的部件可以是、或也可以不是物理单元，即可以位于一个地方，也可以分布到多个网络单元上；可以根据实际的需要选择其中的部分或全部单元来实现本实施例方案的目的。
另外，在本公开各实施例中的各功能单元可以全部集成在一个处理单元中，也可以是各单元分别单独作为一个单元，也可以两个或两个以上单元集成在一个单元中；上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。
本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于一计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：移动存储设备、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
或者，本公开上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。基于这样的理解，本公开实施例的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机、服务器、或者网络设备等)执行本公开各个实施例所述方法的全部或部分。而前述的存储介质包括：移动存储设备、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，仅为本公开的具体实施方式，但本公开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公开揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本公开的保护范围之内。因此，本公开的保护范围应以所述权利要求的保护范围为准。
Claims (8)
1.一种接触网状态监测方法，其特征在于，所述方法包括：
获取接触网当前工作的监测数据；其中，所述监测数据包括传感监测数据以及图像数据；所述传感监测数据至少为通过加速度传感器、压力传感器或位移传感器监测得到的数据；
基于预设状态监测模型、所述传感监测数据以及所述图像数据，获得所述接触网的运行状态的预测结果；所述预测结果至少包括良好状态、正常状态、警戒状态、紧急状态以及故障状态中的任意一种；
其中，所述基于预设状态监测模型、所述传感监测数据以及所述图像数据，获得所述接触网的运行状态的预测结果，包括：
对所述接触网所包括的不同零部件的传感监测数据，以及所述接触网所包括的不同零部件的图像数据进行融合，得到所述接触网当前的工作状态参数，其中，所述工作状态参数包括以下至少之一：导高、接触力以及拉出值；
基于所述预设状态监测模型以及所述当前的工作状态参数，获得所述接触网的运行状态的预测结果；
所述对所述接触网所包括的不同零部件的传感监测数据，以及所述接触网所包括的不同零部件的图像数据进行融合，得到所述接触网当前的工作状态参数，包括：
对所述接触网所包括的不同零部件的传感监测数据进行数据清洗后进行特征提取，得到第一特征；
对所述接触网所包括的不同零部件的图像数据进行特征提取，获得所述接触网的第二特征；对所述第一特征以及所述第二特征进行融合，得到所述接触网当前的工作状态参数。
2.根据权利要求1所述的方法，其特征在于，所述对所述第一特征以及所述第二特征进行融合，得到所述接触网当前的工作状态参数，包括：
利用预设权重对所述第一特征以及所述第二特征进行加权后融合，得到所述接触网当前的工作状态参数。
3.根据权利要求1所述的方法，其特征在于，所述方法还包括：
获取所述接触网不同运行时间段的样本监测数据；其中，所述样本监测数据覆盖所述接触网从正常状态到故障状态之间的多个运行状态的数据；
基于预设时间段内的样本监测数据，确定所述样本监测数据对应的工作状态参数的统计值；
对各预设时间段内的样本监测数据对应的工作状态参数的统计值进行聚类处理，得到预设运行状态与目标统计值的映射关系；其中，所述预设状态监测模型中包括所述映射关系，所述目标统计值用于标识聚类后的类中心；
所述基于预设状态监测模型以及所述工作状态参数，获得所述接触网的运行状态的预测结果，包括：
将当前的工作状态参数与所述预设状态监测模型中的所述目标统计值进行比较，获得所述接触网的运行状态的预测结果。
4.根据权利要求1所述的方法，其特征在于，所述方法还包括：
获取所述接触网不同运行状态对应的样本监测数据；其中，各运行状态对应的样本监测数据包括预设时长内的样本监测数据；
确定各所述运行状态的样本监测数据对应的工作状态参数的统计值；
将不同运行状态对应的所述工作状态参数的统计值输入初始神经网络模型进行训练，得到训练后的所述预设状态监测模型；
所述基于预设状态监测模型以及所述工作状态参数，获得所述接触网的运行状态的预测结果，包括：
将所述当前的工作状态参数输入所述预设状态监测模型，获得所述接触网的运行状态的预测结果。
5.根据权利要求1所述的方法，其特征在于，所述方法还包括：
在所述接触网的运行状态的预测结果表征所述接触网有故障时，输出所述接触网的运行状态对应的检修方案。
6.一种接触网状态监测装置，其特征在于，所述装置包括：
获取模块，用于获取接触网当前工作的监测数据；其中，所述监测数据包括传感监测数据以及图像数据；所述传感监测数据至少为通过加速度传感器、压力传感器或位移传感器监测得到的数据；
预测模块，用于基于预设状态监测模型、所述传感监测数据以及所述图像数据，获得所述接触网的运行状态的预测结果；所述预测结果至少包括良好状态、正常状态、警戒状态、紧急状态以及故障状态中的任意一种；
所述预测模块，用于对所述接触网所包括的不同零部件的传感监测数据，以及所述接触网所包括的不同零部件的图像数据进行融合，得到所述接触网当前的工作状态参数，其中，所述工作状态参数包括以下至少之一：导高、接触力以及拉出值；基于所述预设状态监测模型以及所述当前的工作状态参数，获得所述接触网的运行状态的预测结果；
所述预测模块，用于对所述接触网所包括的不同零部件的传感监测数据进行数据清洗后进行特征提取，得到第一特征；对所述接触网所包括的不同零部件的图像数据进行特征提取，获得所述接触网的第二特征；对所述第一特征以及所述第二特征进行融合，得到所述接触网当前的工作状态参数。
7.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现权利要求1至5任一项所述方法的步骤。
8.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现权利要求1至5任一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210771975.9A CN115314401B (zh) | 2022-06-30 | 2022-06-30 | 接触网状态监测方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210771975.9A CN115314401B (zh) | 2022-06-30 | 2022-06-30 | 接触网状态监测方法、装置、电子设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115314401A CN115314401A (zh) | 2022-11-08 |
| CN115314401B true CN115314401B (zh) | 2024-03-15 |
Family
ID=83857789
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210771975.9A Active CN115314401B (zh) | 2022-06-30 | 2022-06-30 | 接触网状态监测方法、装置、电子设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115314401B (zh) |
Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2010084919A1 (ja) * | 2009-01-22 | 2010-07-29 | 株式会社 明電舎 | 接触力測定装置及び接触力測定方法 |
| FR3047451A1 (fr) * | 2016-02-09 | 2017-08-11 | Sncf Reseau | Procede, dispositif et systeme de detection de defaut(s) d’un pantographe d’un vehicule en mouvement sur une voie ferree |
| WO2018028086A1 (zh) * | 2016-08-12 | 2018-02-15 | 工业和信息化部电子第五研究所 | 电子设备健康监测预警系统和方法 |
| CN107806824A (zh) * | 2017-09-29 | 2018-03-16 | 常州安凯特电缆有限公司 | 一种低速状态下接触网几何参数的检测方法及装置 |
| 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 |
| CN110764493A (zh) * | 2019-11-14 | 2020-02-07 | 中国国家铁路集团有限公司 | 一种适用于高速铁路的phm应用系统、方法及存储介质 |
| CN110766059A (zh) * | 2019-10-14 | 2020-02-07 | 四川西部能源股份有限公司郫县水电厂 | 一种变压器故障的预测方法、装置和设备 |
| CN110824497A (zh) * | 2019-11-05 | 2020-02-21 | 河南格通智能科技有限公司 | 一种用于接触网智能检测装置和检测方法 |
| CN111611991A (zh) * | 2020-05-23 | 2020-09-01 | 中南大学 | 故障处理方法和装置、电子设备、计算机可读存储介质 |
| CN111784656A (zh) * | 2020-06-28 | 2020-10-16 | 京东数字科技控股有限公司 | 一种铁路接触网故障检测方法、装置、电子设备及存储介质 |
| CN112129445A (zh) * | 2020-09-27 | 2020-12-25 | 中国科学院力学研究所 | 一种弓网接触力在线测试方案 |
| AU2021107643A4 (en) * | 2020-11-17 | 2022-01-20 | Hitachi Building Technology (Guangzhou) Co., Ltd. | Method, system, device, computer device and storage medium for elevator fault prediction |
| CN114298175A (zh) * | 2021-12-14 | 2022-04-08 | 国网河北能源技术服务有限公司 | 基于边缘计算的电力设备状态监测与故障预警方法及系统 |
-
2022
- 2022-06-30 CN CN202210771975.9A patent/CN115314401B/zh active Active
Patent Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2010084919A1 (ja) * | 2009-01-22 | 2010-07-29 | 株式会社 明電舎 | 接触力測定装置及び接触力測定方法 |
| FR3047451A1 (fr) * | 2016-02-09 | 2017-08-11 | Sncf Reseau | Procede, dispositif et systeme de detection de defaut(s) d’un pantographe d’un vehicule en mouvement sur une voie ferree |
| WO2018028086A1 (zh) * | 2016-08-12 | 2018-02-15 | 工业和信息化部电子第五研究所 | 电子设备健康监测预警系统和方法 |
| CN107806824A (zh) * | 2017-09-29 | 2018-03-16 | 常州安凯特电缆有限公司 | 一种低速状态下接触网几何参数的检测方法及装置 |
| 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 |
| CN110766059A (zh) * | 2019-10-14 | 2020-02-07 | 四川西部能源股份有限公司郫县水电厂 | 一种变压器故障的预测方法、装置和设备 |
| CN110824497A (zh) * | 2019-11-05 | 2020-02-21 | 河南格通智能科技有限公司 | 一种用于接触网智能检测装置和检测方法 |
| CN110764493A (zh) * | 2019-11-14 | 2020-02-07 | 中国国家铁路集团有限公司 | 一种适用于高速铁路的phm应用系统、方法及存储介质 |
| CN111611991A (zh) * | 2020-05-23 | 2020-09-01 | 中南大学 | 故障处理方法和装置、电子设备、计算机可读存储介质 |
| CN111784656A (zh) * | 2020-06-28 | 2020-10-16 | 京东数字科技控股有限公司 | 一种铁路接触网故障检测方法、装置、电子设备及存储介质 |
| CN112129445A (zh) * | 2020-09-27 | 2020-12-25 | 中国科学院力学研究所 | 一种弓网接触力在线测试方案 |
| AU2021107643A4 (en) * | 2020-11-17 | 2022-01-20 | Hitachi Building Technology (Guangzhou) Co., Ltd. | Method, system, device, computer device and storage medium for elevator fault prediction |
| CN114298175A (zh) * | 2021-12-14 | 2022-04-08 | 国网河北能源技术服务有限公司 | 基于边缘计算的电力设备状态监测与故障预警方法及系统 |
Non-Patent Citations (2)
| Title |
|---|
| 《基于受电弓振动状态的接触网实时故障诊断技术研究》;谭梦颖;《工程科技Ⅱ辑》;全文 * |
| 《深圳城市轨道交通综合检测列车方案研究及实施》;徐炜彤;《工程科技Ⅱ辑》(第1期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115314401A (zh) | 2022-11-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109557896B (zh) | 用于飞机故障检测的系统和方法 | |
| CN116639010B (zh) | 充电桩的智能控制系统及其方法 | |
| Huang et al. | Arc detection and recognition in pantograph–catenary system based on convolutional neural network | |
| CN110766059A (zh) | 一种变压器故障的预测方法、装置和设备 | |
| CN111734885B (zh) | 一种换流阀在线监测与评估的方法及系统 | |
| CN111199257A (zh) | 高铁行车设备故障诊断方法及装置 | |
| CN111566493B (zh) | 用于断路器状态监测的方法和系统 | |
| CN109635823B (zh) | 用于识别卷扬乱绳的方法和装置及工程机械 | |
| CN113760670A (zh) | 电缆接头异常预警方法、装置、电子设备和存储介质 | |
| CN110570392A (zh) | 变电站设备开关状态检测方法、装置、系统、设备及介质 | |
| CN114707401A (zh) | 信号系统设备的故障预警方法及装置 | |
| CN114298175A (zh) | 基于边缘计算的电力设备状态监测与故障预警方法及系统 | |
| CN112766618A (zh) | 异常预测方法及装置 | |
| CN116089218A (zh) | 基于Kubernetes的历史数据和趋势分析的动态基线告警方法及系统 | |
| KR101960755B1 (ko) | 미취득 전력 데이터 생성 방법 및 장치 | |
| KR20210083418A (ko) | 건물의 화재 예측 분석 장치 및 방법 | |
| CN112070180B (zh) | 基于信息物理双侧数据的电网设备状态判断方法及装置 | |
| CN115314401B (zh) | 接触网状态监测方法、装置、电子设备及存储介质 | |
| CN114155472A (zh) | 厂区场景临空面防护设备异常状态检测方法、装置和设备 | |
| CN113283550A (zh) | 一种车网电气耦合数据的异常辨识模型训练方法 | |
| CN113220799A (zh) | 一种大数据预警管理系统 | |
| CN117474357A (zh) | 基于深度学习的配电房运维管理方法及系统 | |
| CN117235443A (zh) | 一种基于边缘ai的电力作业安全监测方法及系统 | |
| CN117237935A (zh) | 一种空间物体的识别方法、装置、电子设备及存储介质 | |
| CN114492636B (zh) | 一种变压器绕组状态信号的采集系统 |
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 |