CN115326437A - 一种转向架故障监测与诊断的嵌入式系统装置及方法 - Google Patents
一种转向架故障监测与诊断的嵌入式系统装置及方法 Download PDFInfo
- Publication number
- CN115326437A CN115326437A CN202210999340.4A CN202210999340A CN115326437A CN 115326437 A CN115326437 A CN 115326437A CN 202210999340 A CN202210999340 A CN 202210999340A CN 115326437 A CN115326437 A CN 115326437A
- Authority
- CN
- China
- Prior art keywords
- bogie
- embedded
- fault
- deep learning
- monitoring
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 62
- 238000012544 monitoring process Methods 0.000 title claims abstract description 60
- 238000003745 diagnosis Methods 0.000 claims abstract description 83
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 52
- 238000013135 deep learning Methods 0.000 claims abstract description 47
- 238000013136 deep learning model Methods 0.000 claims abstract description 41
- 238000012545 processing Methods 0.000 claims abstract description 33
- 238000012549 training Methods 0.000 claims abstract description 30
- 238000012360 testing method Methods 0.000 claims abstract description 29
- 238000005520 cutting process Methods 0.000 claims abstract description 8
- 238000013528 artificial neural network Methods 0.000 claims description 25
- 238000013016 damping Methods 0.000 claims description 18
- 230000008569 process Effects 0.000 claims description 18
- 230000007547 defect Effects 0.000 claims description 17
- 238000005457 optimization Methods 0.000 claims description 14
- 230000036541 health Effects 0.000 claims description 13
- 238000007635 classification algorithm Methods 0.000 claims description 11
- 238000001514 detection method Methods 0.000 claims description 10
- 230000006870 function Effects 0.000 claims description 10
- 238000009826 distribution Methods 0.000 claims description 9
- 238000005516 engineering process Methods 0.000 claims description 9
- 238000011156 evaluation Methods 0.000 claims description 9
- 238000005452 bending Methods 0.000 claims description 8
- 238000004519 manufacturing process Methods 0.000 claims description 8
- 238000005259 measurement Methods 0.000 claims description 7
- 239000000758 substrate Substances 0.000 claims description 7
- 229920001967 Metal rubber Polymers 0.000 claims description 6
- 230000005540 biological transmission Effects 0.000 claims description 6
- 238000012423 maintenance Methods 0.000 claims description 6
- 239000002184 metal Substances 0.000 claims description 6
- 238000003062 neural network model Methods 0.000 claims description 6
- 238000002360 preparation method Methods 0.000 claims description 6
- 238000001228 spectrum Methods 0.000 claims description 6
- 238000005299 abrasion Methods 0.000 claims description 5
- 230000001133 acceleration Effects 0.000 claims description 5
- 230000003044 adaptive effect Effects 0.000 claims description 5
- 238000013473 artificial intelligence Methods 0.000 claims description 5
- 230000003750 conditioning effect Effects 0.000 claims description 5
- 238000001914 filtration Methods 0.000 claims description 5
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 238000013145 classification model Methods 0.000 claims description 4
- 239000003990 capacitor Substances 0.000 claims description 3
- 230000008034 disappearance Effects 0.000 claims description 3
- 238000004880 explosion Methods 0.000 claims description 3
- 230000010354 integration Effects 0.000 claims description 3
- 238000007789 sealing Methods 0.000 claims description 3
- 238000003466 welding Methods 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 2
- 238000000605 extraction Methods 0.000 claims description 2
- 230000004907 flux Effects 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 6
- 230000003595 spectral effect Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 230000004927 fusion Effects 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 239000000725 suspension Substances 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000007646 gravure printing Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000010223 real-time analysis Methods 0.000 description 1
- 229910000679 solder Inorganic materials 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M17/00—Testing of vehicles
- G01M17/08—Railway vehicles
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
- G05B23/0262—Confirmation of fault detection, e.g. extra checks to confirm that a failure has indeed occurred
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/15—Correlation function computation including computation of convolution operations
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/20—Pc systems
- G05B2219/24—Pc safety
- G05B2219/24065—Real time diagnostics
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Pure & Applied Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Mathematical Physics (AREA)
- Computational Mathematics (AREA)
- Algebra (AREA)
- Automation & Control Theory (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明涉及轨道交通智能化监测领域，特别涉及一种转向架故障监测与诊断的嵌入式系统装置及方法。嵌入式微处理系统在线采集转向架的多参量信息，构建了典型故障下转向架结构的训练与测试样本集，提取典型故障下转向架的特征信息，不同特征值连线绘制成典型转向架故障状态对应的雷达图；传感‑传输‑处理一体化功能装置集成到柔性电路板上，通过程序裁剪与编译，经过裁剪后的深度学习算法成功植入到嵌入式处理器，并且嵌入式微处理器上的深度学习模型实现了转向架故障诊断与分类，提升了轨道交通结构的智能化监测水平。
Description
技术领域
本发明涉及轨道交通智能监测领域，特别涉及一种转向架故障监测与诊断的嵌入式系统装置及方法。
背景技术
转向架承载着轨道交通车辆，控制列车转向，其结构健康状态直接决定列车的安全性能。因此，有待研制面向转向架故障监测与诊断的装置与方法，深度学习算法已经广泛应用在转向架与轨道交通结构健康监测中，然而，应用在转向架上监测设备的处理功能难以训练和运行深度学习模型，面向转向架在线健康监测需求，嵌入式系统装置上如何训练与执行深度学习模型，解决转向架故障诊断的在线监测难题。
近年来，转向架监测装置与方法得到了快速发展。发明专利（CN110209147A，转向架故障位置识别方法及系统、映射关系建立方法装置）公开了一种铁路货车转向架悬挂元件故障位置识别方法，在动力学特性检测结果相对应的列车运行影响信息超出设定范围的情况下，判断列车故障，并根据其中异常列车运行影响信息确定列车故障位置，可以实现转向架悬挂元件故障源和故障位置的精准定位。发明专利（CN110146308A，用于诊断转向架故障的方法、服务器及故障诊断系统）公开了一种用于诊断转向架故障的方法、服务器及故障诊断系统，所述故障诊断信号包括振动信号和冲击信号；确定转向架的部件的故障特征系数；以及基于所述故障诊断信号和所述故障特征系数诊断所述转向架是否存在磨损类故障和冲击类故障。发明专利（CN108152059A，基于多传感器数据融合的高速列车转向架故障检测方法）公开了一种基于多传感器数据融合的高速列车转向架故障检测方法，对所有通道频谱图的分类结果进行融合，得到故障类型。然而，现有技术存在的关键问题是用于转向架故障监测与诊断的装置将采集转向架的结构状态信息，发送到服务器端，并运行相应的深度学习模型，用于转向架故障诊断识别的离线处理，难以在转向架端在线处理其结构状态信息。亟待在转向架端上的嵌入式系统装置，在线运行故障监测与诊断模型与方法，实现转向架故障的在线诊断，提高转向架故障诊断的实时性。
本发明一种转向架故障监测与诊断的嵌入式系统装置及方法并且采用柔性混合电子制造与柔性电路板制备工艺将所有功能模块集成设计在柔性衬底上，具有良好的柔软性能，与转向架曲面结构共形，提高了装置的主动适应能力；嵌入式微处理系统在线采集转向架的多参量信息，构建了典型故障下转向架结构的训练与测试样本集，提取典型故障下转向架的特征信息，不同特征值连线绘制成典型转向架故障状态对应的雷达图；传感-传输-处理一体化功能装置集成到柔性电路板上，通过程序裁剪与编译，经过裁剪后的深度学习算法成功植入到嵌入式处理器，并且嵌入式微处理器上的深度学习模型实现了转向架故障诊断与分类，拓展了嵌入式微处理器的应用功能，提升了轨道交通结构的智能化监测水平。
发明内容
针对现有技术的以上缺陷或改进需求，本发明的第一目的在于发明一种嵌入式故障在线诊断装置与方法，包括用于转向架结构状态数据监测的传感器模块、AD数据采集模块、信号调理、滤波与放大模块、微控制器模块、电源模块；所有功能模块集成在嵌入式微系统中，并且采用柔性混合电子制造与柔性电路板制备工艺将所有功能模块集成设计在柔性衬底上，嵌入式故障诊断装置安装在转向架上面，应用于轨道交通车辆转向架结构故障在线诊断。嵌入式系统安装在微主控器中，实时采集转向架状态数据信息，所提出转向架故障诊断系统内集成智能算法通过平台编译植入到嵌入式控制系统，基于深度学习的转向架故障诊断智能算法会下载到嵌入式主控器中运行，在嵌入式系统平台上实现转向架故障的在线诊断，提高转向架故障诊断的实时性与可靠性，所提出基于嵌入式系统的转向架故障诊断操作流程如下：
（1）嵌入式微处理器系统中的传感器模块（应变、压电和加速度）用于实时采集典型故障下的转向架结构健康数据，用于转向架运行环境与工况的状态数据的实时采集；
（2）构建转向架故障的训练与测试数据集，在转向架典型故障（构架缺陷、阻尼失效、弹簧松弛），嵌入式系统中的传感器将记录典型故障下的转向架多参量数据，分为两组，一组（训练数据集）用于训练转向架故障诊断与分类算法的网络结构参数，另一组（测试数据集）用于测试转向架故障分类算法的故障成功率；
（3）在上位机系统通过C语言构建基于嵌入式系统多参量数据的转向架故障诊断与分类模型，采用多层人工神经网络模型来表示转向架故障数据的处理流程；
（4）针对上位机所构建的人工神经网络模型，采用无监督训练阶段和微调阶段来训练网络参数，获取各层的条件概率分布，采用BP算法对网络参数进行调整，实现神经网络模型的参数自适应调整；
（5）通过人工智能与深度学习工具将建立人工神经网络模型（基于C语言开发）导入stm32cube.ai，构建上位机C语言的深度学习模型与底层硬件（嵌入式STM32处理器）之间的代码转化的接口；
（6）预先训练好的神经网络植入到一个微控制器（STM32）中，支持深度学习模型从上位机下载到底层嵌入式处理器上，在STM32 MCU上运行验证深度学习模型的输出性能，同时，深度学习算法也支持无线远程下载（更新）到嵌入式处理器；
（7）优化后并安装在转向架上面嵌入式深度学习模型将用于计算处理测试数据样本集，实时测试嵌入式处理器上深度学习算法的转向架故障分类与识别成功率；
（8）嵌入式微处理器系统安装在转向架上，深度学习模型实时处理转向架多参量数据，并实时对转向架的运行状态进行在线评估，实时诊断转向架的结构故障，提高转向架的智能化监测水平。
针对现有技术的以上缺陷或改进需求，本发明的第二目的在于发明一种面向转向架故障诊断与监测的柔性嵌入式系统装置，包括用于转向架结构状态数据监测的传感器模块、AD数据采集模块、信号调理、滤波与放大模块、微控制器模块、电源模块；所有功能模块集成在嵌入式微系统中，采用柔性混合电子技术制备，采用低温焊料技术实现硬质电阻、电容、电感、芯片、传感器相关硬质电子元件与柔性电路板有效集成，具有柔性可弯曲变形能力，具备轻质、超薄特点，所制备的柔性嵌入式系统装置能共形安装在转向架表面，提高采集转向架状态数据的精度，提高面向转向架故障诊断与分类的嵌入式系统装置与转向架构架曲面的适应能力，支持用于转向架故障诊断的智能算法的运行，实现转向架故障的在线诊断，提升转向架智能化监测水平，将柔性嵌入式系统装置拓展到复杂曲面工程结构件以及基础设施的结构健康监测应用中.
进一步地，所述一种转向架故障监测与诊断的嵌入式系统装置及方法，装置中集成无线通信模块能够将采集到转向架状态数据，并传输到远程监控端，用于长时间转向架的实时分析，生成新转向架故障数据集，优化故障诊断的深度学习算法主要参数，提高转向架故障诊断算法性能，进行编译工作，生成新的应用程序，并且动态更新，并且支持远程程序下载到嵌入式微控制器，提升转向架远程智能运维与故障诊断水平。
进一步地，所述一种转向架故障监测与诊断的嵌入式系统装置及方法，对智能算法进行裁剪，支撑在嵌入式处理器上实时运行，深度学习算法的裁剪主要流程如下：
（1）设计合理的深度学习网络结构，选用多层人工神经网络结构，明确网络结构的输入层、隐含层与输出层；
（2）设计合理的Loss函数，减少初始loss期望值和实际值之间的差值，尽量保证训练与测试数据的均衡；
（3）检查网络中间输出性能，保证多层网络结构的良好连接；
（4）确认所有子网络的输入输出shape对齐；
（5）梯度更新策略，时刻监测网络模型搜索的梯度值，避免梯度消失与梯度爆炸；
（6）优化模型参数，实时动态更新网络结构参数，保证网络的输入与输出值；
（7）调整网络参数batch size，保持合适的batch size，保证网络的优化效率，避免局部最优；
（8）通过Loss反向传播计算算法搜索的梯度，提高网络计算效率；
（9）优化人工神经网络的结构参数，提高网络的鲁棒性；
（10）调整learning rate学习率，提高网络的学习效率与泛化能力；
（11）梯度裁剪，在网络反向传播时，控制梯度参数的范围，提高网络的搜索计算效率；
（12）进一步优化网络参数，在PC端口完成基于深度学习的程序裁剪，减少深度学习算法的计算量，为植入到嵌入式微控制器奠定基础。
进一步地，所述一种转向架故障监测与诊断的嵌入式系统装置及方法，主要采集转向架的动态应变、结构振动以及主动探伤的回波信号，在时域、频域以及时频域分别提取当前数据的特征信号，在典型转向架结构故障下，提取不同传感模块的特征信息。（1）主动探测中回波信号的特征量：回波损伤信号能量
；协相关因子
，
为参考信号与测量信号之间的协方差系数，
和
为参考信号与测量信号的标准差；空间相位差Spatial phase difference (SPD): 
；频谱损失Spectrum loss： 
，中心频谱损失Central spectrum loss：
。（2）转向架构架结构动态应变信号的特征量：幅值
；差分值
；应变能量
。（3）转向架振动信号的特征量：振动强度
；峰-峰值
；中心频率
；均方频率
。转向架结构状态数据维度大，数据之间相互耦合，提出转向架运行过程中的特征状态信息，用于反应转向架的结构故障信息，将这些不同特征值连线绘制成典型转向架故障状态对应的雷达图，直观反映转向架故障状态与传感特征信号的内在关系，为转向架故障的在线监测与快速诊断提供支持，并给出转向架故障等级的预估方法，实现转向架故障的综合评估，对转向架特征数据进行快速评价与分类处理。
进一步地，所述一种转向架故障监测与诊断的嵌入式系统装置及方法，转向架故障源部位包括构架、防偏阻尼、横向阻尼、轴承、传动轴、金属橡胶弹簧、金属螺旋弹簧和空气弹簧；构架的主要缺陷有表面裂纹、弯曲变形与长时间的磨耗，防偏阻尼和横向阻尼主要存在密封性能不好与失效等；轴承和传动轴主要是断裂和磨耗等；金属橡胶弹簧、金属螺旋弹簧和空气弹簧在长时间运行过程中会出现松弛与老化现象；嵌入式系统中的不同类型传感器布置在转向架上，实时采集转向架输出的结构状态信号，不同的缺陷形式会产生不同的输出信号，综合分析转向架多传感器的状态信号，能够实现转向架缺陷的在线诊断以及划定缺陷等级。
进一步地，所述一种转向架故障监测与诊断的嵌入式系统装置及方法，涉及主要流程包括数据样本集构建、模型参数优化与程序裁剪、动态更新与远程维护；数据样本集构建用于支持模型数据特征提取以及模型训练与测试工作；模型参数优化与程序裁剪是转向架故障的深度学习模型植入到嵌入式微处理器的关键；动态更新与远程维护为上位机对嵌入式处理器提供远程技术维护与程序更新服务。
进一步地，所述一种转向架故障监测与诊断的嵌入式系统装置及方法，用于转向架故障的在线实时处理，深度学习算法在嵌入式处理器中运行具有很高的效率，所提出的转向架故障算法在典型故障使用所构建的测试样本集下故障识别的平均成功率96.7%，满足嵌入式转向架在线故障诊断的需求，为工程实际应用奠定基础。
进一步地，所述一种转向架故障监测与诊断的嵌入式系统装置及方法在转向架故障在线诊断工程应用中，利用优化后的人工神经网络模型，并下载到嵌入式微处理器中，对实时采集到转向架的多参量状态数据进行在线处理，得到转向架故障状态的评估信息，实时评价转向架的结构健康信息，提升转向架的智能化监测水平。
进一步地，所述一种转向架故障监测与诊断的嵌入式系统装置及方法，针对转向架结构状态数据复杂多变，转向架结构故障亟待实时在线处理的需求，深度学习算法如何在嵌入式处理器上运行并实现转向架故障的在线诊断是本发明解决的主要技术问题，通过程序裁剪与编译，将转向架运行的深度学习模型植入到嵌入式处理，实现转向架故障的分类识别，在线评估转向架的结构健康水平。
总体而言，通过本发明所构思的以上技术方案与现有技术相比，一种嵌入式故障诊断装置与方法，并且采用柔性混合电子制造与柔性电路板制备工艺将所有功能模块集成设计在柔性衬底上，具有良好的柔软性能，与转向架曲面结构共形，提高了嵌入式故障在线诊断装置的主动适应能力；嵌入式微处理系统在线采集转向架的多参量信息，构建了典型故障下转向架结构的训练与测试样本集，提取典型故障下转向架的特征信息，不同特征值连线绘制成典型转向架故障状态对应的雷达图；通过程序裁剪与编译，将转向架运行的深度学习模型植入到嵌入式处理系统中，实现转向架故障的在线诊断。
由于本发明一种转向架故障监测与诊断的嵌入式系统装置及方法，传感-传输-处理一体化功能装置集成到柔性电路板上，具备柔软弯曲变形能力，拓展了嵌入式微处理系统的工程应用范围；经过裁剪后的深度学习算法成功植入到嵌入式处理器，并且嵌入式微处理器上的深度学习模型实现了转向架故障诊断与分类，拓展了嵌入式微处理器的应用功能，提升了轨道交通结构的智能化监测水平。
综上所述，本发明一种转向架故障监测与诊断的嵌入式系统装置及方法，所述柔性嵌入式处理系统装置，集成传感-传输-处理一体化功能，制备在柔性电路板，提高了柔性嵌入式处理系统装置的曲面适应能力；通过对深度学习网络程序的裁剪与编译，成功将转向架运行的深度学习模型植入到嵌入式处理系统，实现转向架故障的在线诊断；提出的嵌入式系统深度学习模型及实现步骤，解决了嵌入式微处理器上运行深度学习的难题，并且实现了转向架故障的在线诊断与分类。
附图说明
图1为嵌入式系统在转向架故障诊断的应用场景。（a）与转向架构架曲面的集成效果；（b）转向架故障诊断的嵌入式装置主要功能模块；（c）基于嵌入式系统装置与智能诊断算法的转向架故障诊断实现流程。
图2为转向架的主要故障源分类及故障树表示方法。
图3为柔性嵌入式系统装置电路原理图及实物效果图。
图4为转向架多参量指标及故障特征雷达图。
图5为基于生成对抗网络的转向架故障分类结构框图。
图6为转向架故障诊断模型训练流程图。
图7为转向架故障诊断程序裁剪流程及远程更新。
图8为基于嵌入式深度学习算法的转向架故障诊断流程图。
图9为转向架典型故障识别分类的混淆矩阵图。
图中符号意义说明如下：
11-列车车轮；12-列车轮轴；13-转向架构架；14-嵌入式转向架故障诊断装置与系统；15-传感数据采集与无线通信模块；16-嵌入式微处理器系统。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
参见图1，发明的嵌入式故障诊断装置与方法，包括用于转向架结构13状态数据监测的传感器模块、AD数据采集模块、信号调理、滤波与放大模块、微控制器模块、电源模块；所有功能模块集成在嵌入式微系统14中，并且采用柔性混合电子制造与柔性电路板制备工艺将所有功能模块集成设计在柔性衬底上，嵌入式故障诊断装置14安装在转向架构架13上面，用于轨道交通车辆转向架结构故障在线诊断，所提出转向架故障诊断的神经网络模型（集成深度学习算法），在上位机平台编译，并植入到嵌入式微主控器中，在嵌入式系统平台上实现转向架故障的在线诊断，提出基于嵌入式多传感数据的转向架故障指标实时评价与监测方法，用于转向架故障的在线诊断与分类识别，主要流程如下：
（1）嵌入式微处理器系统16中的传感器模块15（应变、压电和加速度）用于实时采集典型故障下的转向架结构健康数据，用于转向架运行环境与工况的状态数据的实时采集；
（2）构建转向架故障的训练与测试数据集，在转向架典型故障（构架缺陷、阻尼失效、弹簧松弛），嵌入式系统中的传感器将记录典型故障下的转向架多参量数据，分为两组，一组（训练数据集）用于训练转向架故障诊断与分类算法的网络结构参数，另一组（测试数据集）用于测试转向架故障分类算法的故障成功率；
（3）在上位机系统通过C语言构建基于嵌入式系统多参量数据的转向架故障诊断与分类模型，采用多层人工神经网络模型来表示转向架故障数据的处理流程；
（4）针对上位机所构建的人工神经网络模型，采用无监督训练阶段和微调阶段来训练网络参数，获取各层的条件概率分布，采用BP算法对网络参数进行调整，实现神经网络模型的参数自适应调整；
（5）通过人工智能与深度学习工具将建立人工神经网络模型（基于C语言开发）导入stm32cube.ai，构建上位机C语言的深度学习模型与底层硬件（嵌入式STM32处理器）之间的代码转化的接口；
（6）预先训练好的神经网络植入到到一个微控制器（STM32）中，支持深度学习模型从上位机下载到底层嵌入式处理器上，在STM32 MCU上运行验证深度学习模型的输出性能，同时，深度学习算法也支持无线远程下载（更新）到嵌入式处理器；
（7）优化后并安装在转向架上面嵌入式深度学习模型将用于计算处理测试数据样本集，实时测试嵌入式处理器上深度学习算法的转向架故障分类与识别成功率；
（8）嵌入式微处理器系统安装在转向架上，深度学习模型实时处理转向架多参量数据，并实时对转向架的运行状态进行在线评估，实时诊断转向架的结构故障，提高转向架的智能化监测水平。
转向架在高速运行过程故障部位与形式多样，采用故障树形式对转向架的故障源及原因进行分类，如图2所示。主要涉及的部位包括构架、防偏阻尼、横向阻尼、轴承、传动轴、金属橡胶弹簧、金属螺旋弹簧和空气弹簧。构架的主要缺陷有表面裂纹、弯曲变形与长时间的磨耗，防偏阻尼和横向阻尼主要存在密封性能不好与失效等；轴承和传动轴主要是断裂和磨耗等；金属橡胶弹簧、金属螺旋弹簧和空气弹簧在长时间运行过程中会出现松弛与老化现象。嵌入式系统中的不同类型传感器布置在转向架上，实时采集转向架输出的结构状态信号，不同的缺陷形式会产生不同的输出信号，综合分析转向架多传感器的状态信号，能够实现转向架缺陷的在线诊断。
图3为基于柔性混合电子制造技术制备的柔性嵌入式微控制器系统，面向转向架故障在线诊断的嵌入式实时诊断装置采用低温焊料技术实现硬质电子元件与柔性基板的有效链接，传感器、电阻、电容、电感、芯片等电子元件通过低温焊接技术固连在柔性电路板上，柔性电路板采用凹版印刷技术在柔性基板上制造出指定图案的电路板，结合嵌入式实时诊断装置功能需求，设计合理的柔性电路板，基于柔性混合电子制造技术完成柔性嵌入式实时诊断装置的实时制备，具有一定的柔软弯曲变形能力，能够与转向架曲面构架共形集成，提高转向架多参量数据的感知精度。
图4为转向架故障特征雷达图，反应转向架运行过程状态信号的特征分布。嵌入式装置中传感器模块集成应变、压电、加速度传感单元，实时采集转向架运行过程中的结构状态信号，在时域、频域以及时频域分别提取当前数据的特征信号，主要采集转向架的动态应变、结构振动以及主动探伤的回波信号，在典型转向架结构故障下，提取不同传感模块的特征信息。（1）主动探测中回波信号的特征量：回波损伤信号能量
；协相关因子
，
为参考信号与测量信号之间的协方差系数，
和
为参考信号与测量信号的标准差；空间相位差Spatial phase difference (SPD):
；频谱损失Spectrum loss：
，中心频谱损失Central spectrum loss：
。（2）转向架构架结构动态应变信号的特征量：幅值
；差分值
；应变能量
。（3）转向架振动信号的特征量：振动强度 
；峰-峰值
；中心频率
；均方频率
。转向架结构状态数据的维度大，数据之间相互耦合，提出转向架运行过程中的特征状态信息，用于反应转向架的结构故障信息，将这些不同特征值连线绘制成典型转向架故障状态对应的雷达图，直观反映转向架故障状态与传感特征信号的内在关系，为转向架故障的在线监测与快速诊断提供支持，并给出转向架故障等级的预估方法，实现转向架故障的综合评估，从时频域上对转向架特征数据进行快速评价与分类处理。
图5为基于生成对抗网络的转向架故障分类结构框图。采用典型转向架典型故障（构架变形与断裂、轴承磨损、阻尼失效、弹簧松弛）状态下，通过提取嵌入式系统多传感器采集的转向架结构状态信号及提取相应的特征值，提出基于生成对抗网络的转向架故障快速诊断与分类算法，通过压缩感知（CS）将多参量轮轨特征信号处理成测量向量y，作为生成网络（Generator，G）的输入，生成网络G在判别网络（Discriminator，D）的指导下建立从高斯分布到转向架故障状态数据分布之间的映射关系，经过卷积与池化等操作重构轮轨作用信号。优化判别网络D和对抗G的权值和偏差设置，使得网络D和G对应的损失函数L D (θ,φ)和L G (θ,φ)最小化，评估转向架典型故障（构架变形与断裂、轴承磨损、阻尼失效、弹簧松弛）对转向架及高速列车安全运行性能的影响，提高基于多参量转向架状态数据融合感知的转向架故障诊断与分类结果的可靠性。
转向架故障诊断模型训练效果直接决定模型的动态性能与识别成功率，以此优化模型主要参数，提高模型的动态性能，方便深度学习模型在嵌入式处理装置的转向架故障诊断，转向架故障诊断模型流程图参见图6，主要步骤包括：
（1）原始多传感数据采集与分割处理；
（2）实现多传感数据的对齐与同步；
（3）提取多传感数据的特征信息；
（4）基于特征数据计算得到特征信息的概率密度分布；
（5）进一步提取多种传感数据的概率特征信息；
（6）通过无监督贪婪逐层训练方法获得各层的条件概率分布；
（7）微调阶段：利用带标签数据和BP算法调整网络参数；
（8）更新深度学习网络模型；
（9）实现神经网络模型的参数自适应调整。
深度学习模型需要强大的计算机运算能力支持，然而单片机、嵌入式系统等功能难以训练与运行深度学习模型，如何保证嵌入式边缘设备运行深度学习模型，有待对其进行程序裁剪，然后下载到嵌入式设备上运行深度学习模型，转向架故障诊断程序裁剪流程，参见图7，主要流程如下：
（1）设计合理的深度学习网络结构，选用多层人工神经网络结构，明确网络结构的输入层、隐含层与输出层；
（2）设计合理的Loss函数，减少初始loss期望值和实际值之间的差值，尽量保证训练与测试数据的均衡；
（3）检查网络中间输出性能，保证多层网络结构的良好连接；
（4）确认所有子网络的输入输出shape对齐；
（5）梯度更新策略，时刻监测梯度值，避免梯度消失与梯度爆炸；
（6）优化模型参数，实时动态更新网络结构参数，保证网络的输入与输出值；
（7）调整网络参数batch size，保持合适的batch size，保证网络的优化效率，避免局部最优；
（8）通过Loss反向传播计算算法搜索的梯度，提高网络计算效率；
（9）优化人工神经网络的结构参数，提高网络的鲁棒性；
（10）调整learning rate学习率，提高网络的学习效率与泛化能力；
（11）梯度裁剪，在网络反向传播时，控制梯度参数的范围，提高网络的搜索计算效率；
（12）进一步优化网络参数，在PC端口完成基于深度学习的程序裁剪，减少深度学习算法的计算量，为植入到嵌入式微控制器奠定基础。
图7还在深度学习基础上，通过人工智能工具将剪裁后的深度学习模型编译成嵌入式处理器STM32支持的程序，并通过本地下载到嵌入式处理器STM32中，用于转向架故障的在线诊断，并且支持远程程序下载到嵌入式微控制器，不断更新嵌入式处理运行的故障诊断程序，提升转向架远程智能运维与故障诊断水平。
图8为基于嵌入式深度学习算法的转向架故障诊断流程图，转向架故障诊断操作流程如下：
（1）嵌入式微处理器系统中的传感器模块（应变、压电和加速度）用于实时采集典型故障下的转向架结构健康数据，用于转向架运行环境与工况的状态数据的实时采集；
（2）构建转向架故障的训练与测试数据集，嵌入式系统中的传感器将记录典型故障下的转向架多参量数据，分为两组，一组（训练数据集）用于训练转向架故障诊断与分类算法的网络结构参数，另一组（测试数据集）用于测试转向架故障分类算法的故障成功率；
（3）特征提取，时域、频域以及时频域分别提取转向架的动态应变、结构振动以及主动探伤的回波信号的特征信息；
（4）构建多层深度学习网络模型；在上位机系统通过C语言构建基于嵌入式系统多参量数据的转向架故障诊断与分类模型，采用多层人工神经网络模型来表示转向架故障数据的处理流程；
（5）训练，针对上位机所构建的人工神经网络模型，采用无监督训练阶段和微调阶段来训练网络参数，获取各层的条件概率分布，采用BP算法对网络参数进行调整，实现神经网络模型的参数自适应调整；
（6）测试，将所构建的测试样本集数据作为训练后的网络模型的输入，用于验证深度学习模型的动态输出结果与故障识别成功率；
（7）通过人工智能与深度学习工具将建立人工神经网络模型（基于C语言开发）导入stm32cube.ai，构建上位机C语言的深度学习模型与底层硬件（嵌入式STM32处理器）之间的代码转化的接口；
（8）预先训练好的神经网络植入到微控制器（STM32）中；
（9）深度学习模型从上位机下载到底层嵌入式处理器上，保证嵌入式处理器上正常运行所构建的深度学习模型；
（10）在STM32 MCU上运行验证深度学习模型的输出性能，深度学习算法也支持无线远程下载（更新）到嵌入式处理器；
（11）优化后并安装在转向架上面嵌入式深度学习模型将用于计算处理测试数据样本集，实时测试嵌入式处理器上深度学习算法的转向架故障分类与识别成功率；
（12）嵌入式微处理器系统安装在转向架上，深度学习模型实时处理转向架多参量数据，并实时对转向架的运行状态进行在线评估，实时诊断转向架的结构故障，提高转向架的智能化监测水平。
图9为转向架典型故障分类与识别结果的混淆矩阵图，典型转向架典型故障（构架变形与断裂、轴承磨损、阻尼失效、弹簧松弛）状态下，通过提取嵌入式系统多传感器采集的转向架结构状态信号及提取相应的特征值，提出基于生成对抗网络的转向架故障快速诊断与分类算法，用于转向架故障的在线实时处理，深度学习算法在嵌入式处理器中运行具有很高的效率，所提出的转向架故障算法在典型故障使用所构建的测试样本集下故障识别的平均成功率96.7%，满足嵌入式转向架在线故障诊断的需求，为工程实际应用奠定基础。
本发明一种转向架故障监测与诊断的嵌入式系统装置及方法，传感-传输-处理一体化功能装置集成到柔性电路板上，具备柔软弯曲变形能力，拓展了嵌入式微处理系统的工程应用范围；经过裁剪后的深度学习算法成功植入到嵌入式处理器，并且嵌入式微处理器上的深度学习模型实现了转向架故障诊断与分类，拓展了嵌入式微处理器的应用功能，提升了轨道交通结构的智能化监测水平。
本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。
Claims (9)
1.一种转向架故障监测与诊断的嵌入式系统装置及方法，其特征在于，包括用于转向架结构状态数据监测的传感器模块，AD数据采集模块、信号调理、滤波与放大模块，微控制器模块，电源模块；所有功能模块集成在嵌入式微系统中，并且采用柔性混合电子制造与柔性电路板制备工艺将所有功能模块集成设计在柔性衬底上，嵌入式故障诊断装置安装在转向架上面，应用于轨道交通车辆转向架结构故障在线诊断；嵌入式系统安装在微主控器中，实时采集转向架状态数据信息，所提出转向架故障诊断系统内集成智能算法通过平台编译植入到嵌入式控制系统，基于深度学习的转向架故障诊断智能算法会下载到嵌入式主控器中运行，在嵌入式系统平台上实现转向架故障的在线诊断，提高转向架故障诊断的实时性与可靠性，所提出基于嵌入式系统的转向架故障诊断操作流程如下：
（1）嵌入式微处理器系统中的传感器模块（应变、压电和加速度）用于实时采集典型故障下的转向架结构健康数据，用于转向架运行环境与工况的状态数据的实时采集；
（2）构建转向架故障的训练与测试数据集，在转向架典型故障（构架缺陷、阻尼失效、弹簧松弛），嵌入式系统中的传感器将记录典型故障下的转向架多参量数据，分为两组，一组（训练数据集）用于训练转向架故障诊断与分类算法的网络结构参数，另一组（测试数据集）用于测试转向架故障分类算法的故障成功率；
（3）在上位机系统通过C语言构建基于嵌入式系统多参量数据的转向架故障诊断与分类模型，采用多层人工神经网络模型来表示转向架故障数据的处理流程；
（4）针对上位机所构建的人工神经网络模型，采用无监督训练阶段和微调阶段来训练网络参数，获取各层的条件概率分布，采用BP算法对网络参数进行调整，实现神经网络模型的参数自适应调整；
（5）通过人工智能与深度学习工具将建立人工神经网络模型（基于C语言开发）导入stm32cube.ai，构建上位机C语言的深度学习模型与底层硬件（嵌入式STM32处理器）之间的代码转化的接口；
（6）预先训练好的神经网络植入到一个微控制器（STM32）中，支持深度学习模型从上位机下载到底层嵌入式处理器上，在STM32 MCU上运行验证深度学习模型的输出性能，同时，深度学习算法也支持无线远程下载（更新）到嵌入式处理器；
（7）优化后并安装在转向架上面嵌入式深度学习模型将用于计算处理测试数据样本集，实时测试嵌入式处理器上深度学习算法的转向架故障分类与识别成功率；
（8）嵌入式微处理器系统安装在转向架上，深度学习模型实时处理转向架多参量数据，并实时对转向架的运行状态进行在线评估，实时诊断转向架的结构故障，提高转向架的智能化监测水平。
2.根据权利要求1所述的一种面向转向架故障诊断与监测的柔性嵌入式系统装置，其特征在于，包括用于转向架结构状态数据监测的传感器模块、AD数据采集模块、信号调理、滤波与放大模块、微控制器模块、电源模块；所有功能模块集成在嵌入式微系统中，采用柔性混合电子技术制备，采用低温焊料技术实现硬质电阻、电容、电感、芯片、传感器相关硬质电子元件与柔性电路板有效集成，具有柔性可弯曲变形能力，具备轻质、超薄特点，所制备的柔性嵌入式系统装置能共形安装在转向架表面，提高采集转向架状态数据的精度，提高面向转向架故障诊断与分类的嵌入式系统装置与转向架构架曲面的适应能力，支持用于转向架故障诊断的智能算法的运行，实现转向架故障的在线诊断，提升转向架智能化监测水平，将柔性嵌入式系统装置拓展到复杂曲面工程结构件以及基础设施的结构健康监测应用中。
3.根据权利要求1到2所述的一种转向架故障监测与诊断的嵌入式系统装置及方法，其特征在于，对智能算法进行裁剪，支撑在嵌入式处理器上实时运行，深度学习算法的裁剪主要流程如下：
（1）设计合理的深度学习网络结构，选用多层人工神经网络结构，明确网络结构的输入层、隐含层与输出层；
（2）设计合理的Loss函数，减少初始loss期望值和实际值之间的差值，尽量保证训练与测试数据的均衡；
（3）检查网络中间输出性能，保证多层网络结构的良好连接；
（4）确认所有子网络的输入输出shape对齐；
（5）梯度更新策略，时刻监测网络模型搜索的梯度值，避免梯度消失与梯度爆炸；
（6）优化模型参数，实时动态更新网络结构参数，保证网络的输入与输出值；
（7）调整网络参数batch size，保持合适的batch size，保证网络的优化效率，避免局部最优；
（8）通过Loss反向传播计算算法搜索的梯度，提高网络计算效率；
（9）优化人工神经网络的结构参数，提高网络的鲁棒性；
（10）调整learning rate学习率，提高网络的学习效率与泛化能力；
（11）梯度裁剪，在网络反向传播时，控制梯度参数的范围，提高网络的搜索计算效率；
（12）进一步优化网络参数，在PC端口完成基于深度学习的程序裁剪，减少深度学习算法的计算量，为植入到嵌入式微控制器奠定基础。
4.根据权利要求1到3所述的一种转向架故障监测与诊断的嵌入式系统装置及方法，其特征在于，主要采集转向架的动态应变、结构振动以及主动探伤的回波信号，在时域、频域以及时频域分别提取当前数据的特征信号，在典型转向架结构故障下，提取不同传感模块的特征信息：（1）主动探测中回波信号的特征量：回波损伤信号能量
；协相关因子
，
为参考信号与测量信号之间的协方差系数，
和
为参考信号与测量信号的标准差；空间相位差Spatial phasedifference (SPD):
；频谱损失Spectrum loss：
，中心频谱损失Central spectrum loss：
；（2）转向架构架结构动态应变信号的特征量：幅值
；差分值
；应变能量
；（3）转向架振动信号的特征量：振动强度
；峰-峰值
；中心频率
；均方频率
；转向架结构状态数据维度大，数据之间相互耦合，提出转向架运行过程中的特征状态信息，用于反应转向架的结构故障信息，将这些不同特征值连线绘制成典型转向架故障状态对应的雷达图，直观反映转向架故障状态与传感特征信号的内在关系，为转向架故障的在线监测与快速诊断提供支持，并给出转向架故障等级的预估方法，实现转向架故障的综合评估，对转向架特征数据进行快速评价与分类处理。
5.根据权利要求1到4所述的一种转向架故障监测与诊断的嵌入式系统装置及方法，其特征在于，转向架故障源部位包括构架、防偏阻尼、横向阻尼、轴承、传动轴、金属橡胶弹簧、金属螺旋弹簧和空气弹簧；构架的主要缺陷有表面裂纹、弯曲变形与长时间的磨耗，防偏阻尼和横向阻尼主要存在密封性能不好与失效等；轴承和传动轴主要是断裂和磨耗等；金属橡胶弹簧、金属螺旋弹簧和空气弹簧在长时间运行过程中会出现松弛与老化现象；嵌入式系统中的不同类型传感器布置在转向架上，实时采集转向架输出的结构状态信号，不同的缺陷形式会产生不同的输出信号，综合分析转向架多传感器的状态信号，能够实现转向架缺陷的在线诊断以及划定缺陷等级。
6.根据权利要求1到5所述的一种转向架故障监测与诊断的嵌入式系统装置及方法，其特征在于，涉及主要流程包括数据样本集构建、模型参数优化与程序裁剪、动态更新与远程维护；数据样本集构建用于支持模型数据特征提取以及模型训练与测试工作；模型参数优化与程序裁剪是转向架故障的深度学习模型植入到嵌入式微处理器的关键；动态更新与远程维护为上位机对嵌入式处理器提供远程技术维护与程序更新服务。
7.根据权利要求1到6所述的一种转向架故障监测与诊断的嵌入式系统装置及方法，其特征在于，在线实时处理转向架故障信息，深度学习算法在嵌入式处理器中运行具有很高的效率，所提出的转向架故障算法在典型故障使用所构建的测试样本集下故障识别的平均成功率96.7%，满足嵌入式转向架在线故障诊断的需求，为工程实际应用奠定基础。
8.根据权利要求1到4所述的一种转向架故障监测与诊断的嵌入式系统装置及方法，其特征在于，在转向架故障在线诊断工程应用中，利用优化后的人工神经网络模型，并下载到嵌入式微处理器中，对实时采集到转向架的多参量状态数据进行在线处理，得到转向架故障状态的评估信息，实时评价转向架的结构健康信息，提升转向架的智能化监测水平。
9.根据权利要求1到4所述一种转向架故障监测与诊断的嵌入式系统装置及方法，其特征在于，针对转向架结构状态数据复杂多变，转向架结构故障亟待实时在线处理的需求，深度学习算法如何在嵌入式处理器上运行并实现转向架故障的在线诊断是本发明解决的主要技术问题，通过程序裁剪与编译，将转向架运行的深度学习模型植入到嵌入式处理，实现转向架故障的分类识别，在线评估转向架的结构健康水平。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210999340.4A CN115326437B (zh) | 2022-08-19 | 2022-08-19 | 一种转向架故障监测与诊断的嵌入式系统装置及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210999340.4A CN115326437B (zh) | 2022-08-19 | 2022-08-19 | 一种转向架故障监测与诊断的嵌入式系统装置及方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115326437A true CN115326437A (zh) | 2022-11-11 |
| CN115326437B CN115326437B (zh) | 2024-06-21 |
Family
ID=83926094
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210999340.4A Active CN115326437B (zh) | 2022-08-19 | 2022-08-19 | 一种转向架故障监测与诊断的嵌入式系统装置及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115326437B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115791221A (zh) * | 2022-11-28 | 2023-03-14 | 华东交通大学 | 基于数字孪生的转向架横向失稳状态实时监测方法 |
| CN117454262A (zh) * | 2023-12-22 | 2024-01-26 | 华东交通大学 | 一种接触网故障识别方法、系统、存储介质及电子设备 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20120259487A1 (en) * | 2009-11-18 | 2012-10-11 | Knorr-Bremse Systeme für Schienenfahrzeuge GmbH | Method for monitoring the state of a bogie of a railway vehicle comprising at least one wheel set |
| CN104819856A (zh) * | 2015-04-29 | 2015-08-05 | 中国铁道科学研究院 | 列车转向架横向稳定性检测方法及装置 |
| US20160282229A1 (en) * | 2014-08-28 | 2016-09-29 | Beijing Jiaotong University | Fault Prediction and Condition-based Repair Method of Urban Rail Train Bogie |
| CN106840715A (zh) * | 2017-02-13 | 2017-06-13 | 中国铁道科学研究院 | 列车转向架失稳检测传感器检测系统及方法 |
| CN107589695A (zh) * | 2017-09-12 | 2018-01-16 | 中国中车股份有限公司 | 一种列车组故障预测与健康管理系统 |
| CN109685331A (zh) * | 2018-12-06 | 2019-04-26 | 中国软件与技术服务股份有限公司 | 一种基于机器学习的高铁转向架传感器故障诊断方法 |
| DE102019210931A1 (de) * | 2019-07-24 | 2021-01-28 | Zf Friedrichshafen Ag | Verfahren und Vorrichtung zur Erkennung und Verifikation einer fehlerhaften Fahrzeugkomponente eines Fahrzeugs |
| CN114397121A (zh) * | 2022-01-21 | 2022-04-26 | 西南交通大学 | 一种转向架故障诊断方法 |
-
2022
- 2022-08-19 CN CN202210999340.4A patent/CN115326437B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20120259487A1 (en) * | 2009-11-18 | 2012-10-11 | Knorr-Bremse Systeme für Schienenfahrzeuge GmbH | Method for monitoring the state of a bogie of a railway vehicle comprising at least one wheel set |
| US20160282229A1 (en) * | 2014-08-28 | 2016-09-29 | Beijing Jiaotong University | Fault Prediction and Condition-based Repair Method of Urban Rail Train Bogie |
| CN104819856A (zh) * | 2015-04-29 | 2015-08-05 | 中国铁道科学研究院 | 列车转向架横向稳定性检测方法及装置 |
| CN106840715A (zh) * | 2017-02-13 | 2017-06-13 | 中国铁道科学研究院 | 列车转向架失稳检测传感器检测系统及方法 |
| CN107589695A (zh) * | 2017-09-12 | 2018-01-16 | 中国中车股份有限公司 | 一种列车组故障预测与健康管理系统 |
| CN109685331A (zh) * | 2018-12-06 | 2019-04-26 | 中国软件与技术服务股份有限公司 | 一种基于机器学习的高铁转向架传感器故障诊断方法 |
| DE102019210931A1 (de) * | 2019-07-24 | 2021-01-28 | Zf Friedrichshafen Ag | Verfahren und Vorrichtung zur Erkennung und Verifikation einer fehlerhaften Fahrzeugkomponente eines Fahrzeugs |
| CN114397121A (zh) * | 2022-01-21 | 2022-04-26 | 西南交通大学 | 一种转向架故障诊断方法 |
Non-Patent Citations (2)
| Title |
|---|
| 任斌;: "大数据环境下高速动车组转向架状态监测及其故障诊断研究", 装备维修技术, no. 02, 15 April 2020 (2020-04-15) * |
| 李鹏;彭嘉潮;黄培炜;刘根柱;杜艺博;: "基于双目标传感器分布优化的转向架构架状态监测", 中国测试, no. 09, 30 September 2020 (2020-09-30) * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115791221A (zh) * | 2022-11-28 | 2023-03-14 | 华东交通大学 | 基于数字孪生的转向架横向失稳状态实时监测方法 |
| CN117454262A (zh) * | 2023-12-22 | 2024-01-26 | 华东交通大学 | 一种接触网故障识别方法、系统、存储介质及电子设备 |
| CN117454262B (zh) * | 2023-12-22 | 2024-03-22 | 华东交通大学 | 一种接触网故障识别方法、系统、存储介质及电子设备 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115326437B (zh) | 2024-06-21 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115326437B (zh) | 一种转向架故障监测与诊断的嵌入式系统装置及方法 | |
| CN107941537B (zh) | 一种机械设备健康状态评估方法 | |
| CN100485342C (zh) | 机械故障的集成支持向量机混合智能诊断方法 | |
| CN110308002B (zh) | 一种基于地面检测的城轨列车悬挂系统故障诊断方法 | |
| CN103335617B (zh) | 一种基于振动信号的铁路钢轨几何形变检测方法 | |
| CN113705412B (zh) | 基于深度学习的多源数据融合的轨道状态检测方法及装置 | |
| CN101650221A (zh) | 铁路列车车内噪声测量分析方法及其系统 | |
| CN111207938A (zh) | 一种铁道车辆故障检测方法 | |
| CN103471865A (zh) | 基于线性判别法的列车悬挂系统故障分离方法 | |
| CN112381027B (zh) | 基于列车轴箱垂向加速度信号的车轮多边形波深估计方法 | |
| CN118130070B (zh) | 自动扶梯故障预测诊断方法、装置及系统 | |
| CN112329520B (zh) | 基于生成对抗学习的货车轴承故障识别方法 | |
| CN113247041A (zh) | 一种基于数字孪生模型的轮对轴箱装置状态监测方法 | |
| CN111678699A (zh) | 一种面向滚动轴承早期故障监测与诊断方法及系统 | |
| CN109580260A (zh) | 一种轨道车辆门系统的亚健康诊断方法 | |
| CN102452403B (zh) | 机车发动机与传动机构异常状态的智能识别方法及装置 | |
| CN102519577B (zh) | 道路中路面的识别方法及系统 | |
| Nowakowski et al. | Diagnostics of the drive shaft bearing based on vibrations in the high-frequency range as a part of the vehicle's self-diagnostic system | |
| CN116080692A (zh) | 一种车载式振噪结合病害监测系统及其使用方法 | |
| CN114616441A (zh) | 用于评估汽车嵌装玻璃上的外部事件的方法 | |
| CN106339720A (zh) | 一种汽车发动机的失效检测方法 | |
| Shi et al. | Wayside acoustic fault diagnosis of train bearing based on improved linear discriminant analysis | |
| Zhang et al. | Multi-sensor graph transfer network for health assessment of high-speed rail suspension systems | |
| CN116467570B (zh) | 一种基于数据驱动的重载机车车钩摆角定量识别方法 | |
| CN118094746A (zh) | 一种机车转向架疲劳载荷谱提取方法 |
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 |