CN115758120B - 基于不确定信息融合的车门系统诊断方法 - Google Patents

基于不确定信息融合的车门系统诊断方法 Download PDF

Info

Publication number
CN115758120B
CN115758120B CN202211453590.4A CN202211453590A CN115758120B CN 115758120 B CN115758120 B CN 115758120B CN 202211453590 A CN202211453590 A CN 202211453590A CN 115758120 B CN115758120 B CN 115758120B
Authority
CN
China
Prior art keywords
evidence
door system
motor
matrix
vehicle door
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
CN202211453590.4A
Other languages
English (en)
Other versions
CN115758120A (zh
Inventor
陆宁云
周珂仪
姜斌
余启星
陈健飞
孙畅励
杨欣薇
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.)
Nanjing University of Aeronautics and Astronautics
Nanjing Kangni Mechanical and Electrical Co Ltd
Original Assignee
Nanjing University of Aeronautics and Astronautics
Nanjing Kangni Mechanical and Electrical 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 Nanjing University of Aeronautics and Astronautics, Nanjing Kangni Mechanical and Electrical Co Ltd filed Critical Nanjing University of Aeronautics and Astronautics
Priority to CN202211453590.4A priority Critical patent/CN115758120B/zh
Publication of CN115758120A publication Critical patent/CN115758120A/zh
Application granted granted Critical
Publication of CN115758120B publication Critical patent/CN115758120B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation

Abstract

本申请公开了一种基于不确定信息融合的车门系统诊断方法，涉及轨道交通技术领域，该方法将电机信号和振动信号结合进行故障诊断得到初始的证据体，然后考虑证据体间的间接冲突程度及证据体自身的不确定性，能够将证据体分配进行修正从而得到准确的故障诊断类型，这种考虑间接冲突的基于证据信度散度及模糊偏好关系的信息融合诊断方法可以弥补单一信号源进行故障诊断准确率较低的缺陷，能使多源数据进行相互校正，具有较强的鲁棒性，可以对轨道车辆的车门系统存在的常见亚健康状态进行准确的故障诊断，有利于提高车门系统运行可靠性。

Description

基于不确定信息融合的车门系统诊断方法
技术领域
本申请涉及轨道交通技术领域，尤其是一种基于不确定信息融合的车门系统诊断方法。
背景技术
据统计，在轨道车辆的长期运行过程中，车门故障次数占轨道车辆总故障次数的30％以上，而车门系统的正常运行对乘客的出行安全又至关重要，因此车门故障诊断对于轨道车辆的安全稳定运行、高效维护具有重要意义。
虽然目前轨道车辆大都已具备运行监测系统，可积累大量车门状态数据，使得应用数据驱动方法进行车门故障诊断具备可行性。但是车门系统工况复杂，外界不可控影响大，且系统零件众多，结构复杂，亚健康发生的原因错综复杂，且通常具有微小、隐蔽的特点，因此往往导致车门故障诊断的准确度和可靠性较低，导致目前主流的还是依靠检修人员现场观察判断车门故障原因，排查耗时耗力。
发明内容
本申请人针对上述问题及技术需求，提出了一种基于不确定信息融合的车门系统诊断方法，本申请的技术方案如下：
一种基于不确定信息融合的车门系统诊断方法，该方法包括：
采集轨道车辆的车门系统的电机信号并提取电机信号特征，将电机信号特征输入第一诊断模型得到第一诊断结果，第一诊断结果包含车门系统处于各种运行工况的第一基本概率；
采集车门系统的振动信号并提取振动信号特征，将振动信号特征输入第二诊断模型得到第二诊断结果，第二诊断结果包含车门系统处于各种运行工况的第二基本概率；
结合第一诊断结果得到的至少一个证据体和第二诊断结果得到的至少一个证据体、共得到n个证据体，任意第i个证据体mi中包含N个证据元素，各个证据元素分别指示车门系统处于各种运行工况的基本概率，车门系统的运行工况共包括一种正常工况和N-1个故障工况，1≤i≤n；
基于证据信度散度计算得到任意证据体mi的支持度权重Wcrd(mi)；
基于模糊偏好关系计算得到任意证据体mi的可信度权重WIOQ(mi)；
基于支持度权重Wcrd(mi)和可信度权重WIOQ(mi)对证据体mi的各个证据元素进行修正，基于修正后的n个证据体的证据元素利用Dempster证据组合规则得到故障诊断结果，故障诊断结果指示车门系统当前所处的运行工况。
其进一步的技术方案为，基于证据信度散度计算得到任意证据体mi的支持度权重Wcrd(mi)的方法包括：
计算n个证据体的n*n的散度矩阵RC并归一化处理得到直接关系矩阵X；
计算得到n*n的总关系矩阵T＝X(1-X)-1；
基于总关系矩阵T计算得到任意证据体mi的支持度Wcrd(mi)＝Ri+Ci，其中，证据体mi的影响因子Ri是总关系矩阵T中的第i行的n个元素之和，证据体mi的受影响因子Ci是总关系矩阵中的第i列的n个元素之和。
其进一步的技术方案为，计算得到的n个证据体的n*n的散度矩阵RC中的任意第i行第j列的元素
Figure BDA0003952555330000021
表示任意证据体mi和任意证据体mj之间的散度，1≤j≤n，且
Figure BDA0003952555330000022
其中，/>
Figure BDA0003952555330000023
表示辨识框架Θ中的任意一种运行工况，mi(Ft)是证据体mi中指示车门系统处于运行工况Ft的证据元素，mj(Ft)是证据体mj中指示车门系统处于运行工况Ft的证据元素，辨识框架Θ中包括车门系统的所有N种运行工况，
Figure BDA0003952555330000024
其中，信度函数/>
Figure BDA0003952555330000025
表示证据体mi中对车门系统处于运行工况Ft的假设为真的信任程度，似然函数/>
Figure BDA0003952555330000026
表示证据体mi中对车门系统处于运行工况Ft的假设不为假的信任程度。
其进一步的技术方案为，基于模糊偏好关系计算得到任意证据体mi的可信度权重WIOQ(mi)的方法包括：
计算任意证据体mi包含的信息量IOQi；
基于所有证据体的信息量均值的方差vari构建得到模糊偏好关系矩阵P，模糊偏好关系矩阵P中的任意第i行第j列的元素
Figure BDA0003952555330000027
根据模糊偏好关系矩阵P构造一致性矩阵
Figure BDA0003952555330000028
一致性矩阵/>
Figure BDA0003952555330000029
中的任意第i行第j列的元素/>
Figure BDA0003952555330000031
Figure BDA0003952555330000032
表示模糊偏好关系矩阵P中第i行的n个元素以及第j列的n个元素之和；
基于一致性矩阵
Figure BDA0003952555330000033
计算得到证据体mi的可信度权重/>
Figure BDA0003952555330000034
其进一步的技术方案为，计算任意证据体mi的信息量均值的方差vari的方法包括：
利用邓熵表示证据体包含的信息，计算得到任意证据体mi包含的信息量
Figure BDA0003952555330000035
mi(Ft)表示证据体mi中指示车门系统处于运行工况Ft的证据元素，/>
Figure BDA0003952555330000036
表示辨识框架Θ中的任意一种运行工况，辨识框架Θ中包括车门系统的所有N种运行工况；
根据所有n个证据体包含的信息量计算得到任意证据体mi的信息量均值的方差
Figure BDA0003952555330000037
其进一步的技术方案为，基于支持度权重Wcrd(mi)和可信度权重WIOQ(mi)对证据体mi的各个证据元素进行修正的方法包括：
计算证据体mi的综合权重
Figure BDA0003952555330000038
利用综合权重W(mi)将证据体mi中指示车门系统处于任意的运行工况Ft的证据元素mi(Ft)修正为W(mi)×mi(Ft)，
Figure BDA0003952555330000039
表示辨识框架Θ中的任意一种运行工况，辨识框架Θ中包括车门系统的所有N种运行工况。
其进一步的技术方案为，第一诊断模型基于BP神经网络训练得到，第二诊断模型基于SVM支持向量机训练得到。
其进一步的技术方案为，提取电机信号特征和振动信号特征的方法包括：
对车门系统的一个运行周期内的电机信号提取时域统计信息得到电机信号特征；
对车门系统的一个运行周期内的振动信号提取频域统计信息得到振动信号特征。
其进一步的技术方案为，车门系统的电机信号包括电机电流、电机转速、电机行程和电机转角，对每一类电机信号提取的时域统计信息包括电机信号的最大值、最小值、均值、标准差、偏度、峭度指标。
其进一步的技术方案为，对振动信号提取的频域统计信息包括振动信号的均值、标准差、最大值、最小值、偏度、峭度、均方根、峰峰值、振幅因数、波形因数、脉冲因数、裕度因数、能量。
本申请的有益技术效果是：
本申请公开了一种基于不确定信息融合的车门系统诊断方法，该方法将电机信号和振动信号结合进行故障诊断，考虑证据体间的间接冲突程度及证据体自身的不确定性，能够将证据体分配进行修正从而得到准确的故障诊断类型，该方法可以弥补单一信号源进行故障诊断准确率较低的缺陷，能使多源数据进行相互校正，具有较强的鲁棒性，可以对轨道车辆的车门系统存在的常见亚健康状态进行准确的故障诊断，有利于提高车门系统运行可靠性。
另外由于该方法对初始证据体进行修正后融合诊断，因此可降低对前期数据特征提取的准确度要求，不需要将重点集中于特征提取与筛选，从而也可以减小正线系统面对海量数据的故障诊断压力，减少数据处理量，提高故障诊断的速度和效率。
附图说明
图1是本申请一个实施例的车门系统诊断方法的方法流程图。
具体实施方式
下面结合附图对本申请的具体实施方式做进一步说明。
本申请公开了一种基于不确定信息融合的车门系统诊断方法，请参考图1所示的流程图，该方法包括如下步骤：
步骤1，采集轨道车辆的车门系统的电机信号并提取电机信号特征。车门系统的运动过程具有周期性，根据车门系统的运行周期可以截取一个运行周期内的电机信号，考虑电机信号的频域信息匮乏，因此对车门系统的一个运行周期内的电机信号提取时域统计信息得到电机信号特征，通过提取时域统计信息可以得到电机信号的时间序列的低阶或高阶统计量，计算简单，物理意义明确，可以全面反映车门系统运行过程中的特征。
在一个实施例中，提取得到的车门系统的电机信号包括多类，包括电机电流、电机转速、电机行程和电机转角。对每一类电机信号提取的时域统计信息包括电机信号的最大值、最小值、均值、标准差、偏度、峭度指标。
步骤2，将电机信号特征输入第一诊断模型得到第一诊断结果，第一诊断结果包含车门系统处于各种运行工况的第一基本概率，所有运行工况的第一基本概率之和为1。
第一诊断模型是预先训练得到的，在一个实施例中，第一诊断模型基于BP神经网络训练得到。在进行模型训练时，采集车门系统在不同运行工况下的多个运行周期的电机信号并提取电机信号特征，基于BP神经网络进行模型训练，即可得到第一诊断模型。
步骤3，采集车门系统的振动信号并提取振动信号特征。
在一个实施例中，对车门系统的一个运行周期内的振动信号提取频域统计信息得到振动信号特征。对振动信号提取的频域统计信息包括振动信号的均值、标准差、最大值、最小值、偏度、峭度、均方根、峰峰值、振幅因数、波形因数、脉冲因数、裕度因数、能量。
步骤4，将振动信号特征输入第二诊断模型得到第二诊断结果，第二诊断结果包含车门系统处于各种运行工况的第二基本概率。
第二诊断模型也是预先训练得到的，在一个实施例中，第二诊断模型基于SVM支持向量机训练得到。在进行模型训练时，采集车门系统在不同运行工况下的多个运行周期的振动信号并提取振动信号特征，基于SVM支持向量机进行模型训练，即可得到第二诊断模型。
本申请使用的SVM支持向量机是Libsvm，传统的SVM支持向量机最初是为了解决二元分类问题而提出的，输出的是所属的运行工况的确定性标签。然而本申请的应用场景是一个多类别分类问题。在本申请中，假设车门系统共包含N种运行工况，分别为一种正常工况和N-1个故障工况，则本申请属于N分类的问题。Libsvm在二分类支持向量机基础上使用“One-against-one”法，可用于多分类问题中，通过构造N(N-1)/2个分类器，即可输出每种运行工况的第二基本概率。
步骤5，结合第一诊断结果和第二诊断结果得到n个证据体。
其中，由电机信号得到的第一诊断结果得到至少一个证据体，实际可以由多组电机信号得到多个第一诊断结果，从而得到多个证据体。同样的，由振动信号得到的第二诊断结果得到至少一个证据体，实际可以由多组振动信号得到多个第二诊断结果，从而得到多个证据体。由此总共得到n个证据体，n≥2。
对于任意的第i个证据体mi，不管该证据体来自于第一诊断结果还是第二诊断结果，该任意第i个证据体mi中均包含N个证据元素，1≤i≤n。证据体mi中的各个证据元素分别指示所述车门系统处于各种运行工况的基本概率。
在本申请中，车门系统总共有N个不同运行工况构成辨识框架Θ，假设表示为Θ＝{F1,F2,F3,…FN}，其中任意的运行工况
Figure BDA0003952555330000061
1≤t≤N。比如在一个实例中，车门系统总共包含N＝7种运行工况，其中F1表示正常工况，其余6种均表示故障工况，各种运行工况分别如下：
表示的运行工况
F1 正常工况
F2 预定机械部件磨损故障(9mm)
F3 预定机械部件磨损故障(8mm)
F4 预定机械部件磨损故障(7mm)
F5 门尺寸调节故障
F6 下挡销横向干涉故障
F7 压轮不压故障
比如基于上述车门系统总共包含7种运行工况的举例，假设由电机信号得到的第一诊断结构构造得到证据体m1、由振动信号得到的第二诊断结果构造得到证据体m2，则这两个证据体各自包含7个证据元素，每个证据体中的每个证据元素指示车门系统所处的运行工况以及相应的基本概率为：
车门系统所处的运行工况 证据体m1 证据体m2
F1 0.000198 0.037449
F2 0.000008 0.148954
F3 0.002405 0.172723
F4 0.282244 0.198525
F5 0.012536 0.198685
F6 0.008199 0.032513
F7 0.694411 0.211151
基于上表的举例，证据体m1中指示车门系统处于运行工况F1的概率为0.000198，证据体m2中指示车门系统处于运行工况F5的概率为0.198685，其他情况可以以此类推。
步骤6，基于证据信度散度计算得到任意证据体mi的支持度权重Wcrd(mi)。在一个实施例中，计算得到证据体mi的支持度权重Wcrd(mi)的方法包括：
(1)计算n个证据体的n*n的散度矩阵RC并归一化处理得到直接关系矩阵X。散度矩阵RC中的任意第i行第j列的元素
Figure BDA0003952555330000071
表示任意证据体mi和任意证据体mj之间的散度，1≤j≤n且i和j的取值可以相等。
Figure BDA0003952555330000072
其中，/>
Figure BDA0003952555330000073
信度函数/>
Figure BDA0003952555330000074
表示证据体mi中对车门系统处于运行工况Ft的假设为真的信任程度，似然函数
Figure BDA0003952555330000075
表示证据体mi中对所述车门系统处于运行工况Ft的假设不为假的信任程度。
Figure BDA0003952555330000076
的计算公式和含义是类似的，不再赘述。
(2)计算得到n*n的总关系矩阵T＝X(1-X)-1。
(3)基于总关系矩阵T计算得到任意证据体mi的支持度Wcrd(mi)＝Ri+Ci，其中，证据体mi的影响因子Ri是总关系矩阵T中的第i行的n个元素之和，证据体mi的受影响因子Ci是总关系矩阵中的第i列的n个元素之和。
步骤7，基于模糊偏好关系计算得到任意证据体mi的可信度权重WIOQ(mi)。在一个实施例中，计算证据体mi的可信度权重WIOQ(mi)的方法包括：
(1)计算任意证据体mi包含的信息量IOQi。利用邓熵表示证据体包含的信息，计算得到任意证据体mi包含的信息量
Figure BDA0003952555330000077
Figure BDA0003952555330000078
mi(Ft)表示证据体mi中指示车门系统处于运行工况Ft的证据元素。
(2)根据所有n个证据体包含的信息量计算得到任意证据体mi的信息量均值的方差
Figure BDA0003952555330000079
Figure BDA00039525553300000710
表示证据体mi-1的信息量均值，其他以此类推。
(3)基于所有证据体的信息量均值的方差vari构建得到模糊偏好关系矩阵P，模糊偏好关系矩阵P中的任意第i行第j列的元素
Figure BDA00039525553300000711
(4)根据模糊偏好关系矩阵P构造一致性矩阵
Figure BDA00039525553300000712
一致性矩阵/>
Figure BDA00039525553300000713
中的任意第i行第j列的元素/>
Figure BDA00039525553300000714
Figure BDA00039525553300000715
表示模糊偏好关系矩阵P中第i行的n个元素以及第j列的n个元素之和。
(5)基于一致性矩阵
Figure BDA00039525553300000716
计算得到证据体mi的可信度权重/>
Figure BDA00039525553300000717
步骤8，基于支持度权重Wcrd(mi)和可信度权重WIOQ(mi)对证据体mi的各个证据元素进行修正。包括：计算任意证据体mi的综合权重
Figure BDA0003952555330000081
然后利用综合权重W(mi)将证据体mi中指示车门系统处于任意的运行工况Ft的证据元素mi(Ft)修正为W(mi)×mi(Ft)。
步骤9，基于修正后的n个证据体的基本概率利用Dempster证据组合规则得到故障诊断结果，故障诊断结果指示车门系统当前所处的运行工况。
利用Dempster证据组合规对n个证据体中指示同一种运行工况的证据体的基本概率进行融合，可以得到辨识框架Θ中每一种运行工况的融合概率，将其中融合概率最大的运行工况作为车门系统当前所处的运行工况，得到故障诊断结果。
在一个实例中，以某轨道塞拉门台架为待诊断的车门系统，采用本申请的方法进行故障测试诊断，该车门系统共包括7种运行工况，各种运行工况表示的运行状态如上述列表举例，分别控制该车门系统依次在运行工况F1～F7下运行并采用本申请的方法进行故障诊断，在每一次测试过程中基于本申请的方法得到的各种运行工况的融合概率以及得到的故障诊断结果如下表所示：
Figure BDA0003952555330000082
通过上表可以看出，车门系统实际在各种运行工况下运行时，利用本申请的方法都能准确的得到故障诊断结果，经实际实验得到，每种运行工况的诊断正确率都能达到95％以上。
以上所述的仅是本申请的优选实施方式，本申请不限于以上实施例。可以理解，本领域技术人员在不脱离本申请的精神和构思的前提下直接导出或联想到的其他改进和变化，均应认为包含在本申请的保护范围之内。

Claims (6)

1.一种基于不确定信息融合的车门系统诊断方法，其特征在于，所述方法包括：
采集轨道车辆的车门系统的电机信号并提取电机信号特征，将所述电机信号特征输入第一诊断模型得到第一诊断结果，所述第一诊断结果包含所述车门系统处于各种运行工况的第一基本概率；
采集所述车门系统的振动信号并提取振动信号特征，将所述振动信号特征输入第二诊断模型得到第二诊断结果，所述第二诊断结果包含所述车门系统处于各种运行工况的第二基本概率；
结合所述第一诊断结果得到的至少一个证据体和所述第二诊断结果得到的至少一个证据体、共得到n个证据体，任意第i个证据体mi中包含N个证据元素，各个证据元素分别指示所述车门系统处于各种运行工况的基本概率，所述车门系统的运行工况共包括一种正常工况和N-1个故障工况，1≤i≤n；
基于证据信度散度计算得到任意证据体mi的支持度权重Wcrd(mi)，包括：计算n个证据体的n*n的散度矩阵RC并归一化处理得到直接关系矩阵X，计算得到n*n的总关系矩阵T＝X(1-X)-1，基于所述总关系矩阵T计算得到任意证据体mi的支持度Wcrd(mi)＝Ri+Ci，其中，证据体mi的影响因子Ri是总关系矩阵T中的第i行的n个元素之和，证据体mi的受影响因子Ci是总关系矩阵中的第i列的n个元素之和；
基于模糊偏好关系计算得到任意证据体mi的可信度权重WIOQ(mi)，包括：利用邓熵表示证据体包含的信息，计算得到任意证据体mi包含的信息量
Figure FDA0004182995760000011
mi(Ft)表示证据体mi中指示所述车门系统处于运行工况Ft的证据元素，/>
Figure FDA0004182995760000012
表示辨识框架Θ中的任意一种运行工况，辨识框架Θ中包括所述车门系统的所有N种运行工况，根据所有n个证据体包含的信息量计算得到任意证据体mi的信息量均值的方差/>
Figure FDA0004182995760000013
基于所有证据体的信息量均值的方差vari构建得到模糊偏好关系矩阵P，模糊偏好关系矩阵P中的任意第i行第j列的元素/>
Figure FDA0004182995760000021
1≤j≤n，根据模糊偏好关系矩阵P构造一致性矩阵/>
Figure FDA00041829957600000214
一致性矩阵/>
Figure FDA0004182995760000022
中的任意第i行第j列的元素/>
Figure FDA0004182995760000023
Figure FDA00041829957600000215
表示模糊偏好关系矩阵P中第i行的n个元素以及第j列的n个元素之和，基于一致性矩阵/>
Figure FDA0004182995760000024
计算得到证据体mi的可信度权重
Figure FDA0004182995760000025
基于支持度权重Wcrd(mi)和可信度权重WIOQ(mi)对证据体mi的各个证据元素进行修正，包括：计算证据体mi的综合权重
Figure FDA0004182995760000026
利用综合权重W(mi)将证据体mi中指示所述车门系统处于任意的运行工况Ft的证据元素mi(Ft)修正为W(mi)×mi(Ft)，
Figure FDA0004182995760000027
表示辨识框架Θ中的任意一种运行工况，辨识框架Θ中包括所述车门系统的所有N种运行工况；
基于修正后的n个证据体的证据元素利用Dempster证据组合规则得到故障诊断结果，所述故障诊断结果指示所述车门系统当前所处的运行工况。
2.根据权利要求1所述的方法，其特征在于，计算得到的n个证据体的n*n的散度矩阵RC中的任意第i行第j列的元素
Figure FDA0004182995760000028
表示任意证据体mi和任意证据体mj之间的散度，1≤j≤n，且/>
Figure FDA0004182995760000029
其中，/>
Figure FDA00041829957600000210
表示辨识框架Θ中的任意一种运行工况，mi(Ft)是证据体mi中指示所述车门系统处于运行工况Ft的证据元素，mj(Ft)是证据体mj中指示所述车门系统处于运行工况Ft的证据元素，辨识框架Θ中包括所述车门系统的所有N种运行工况，/>
Figure FDA00041829957600000211
信度函数/>
Figure FDA00041829957600000212
表示证据体mi中对所述车门系统处于运行工况Ft的假设为真的信任程度，似然函数/>
Figure FDA00041829957600000213
表示证据体mi中对所述车门系统处于运行工况Ft的假设不为假的信任程度。
3.根据权利要求1所述的方法，其特征在于，所述第一诊断模型基于BP神经网络训练得到，所述第二诊断模型基于SVM支持向量机训练得到。
4.根据权利要求1所述的方法，其特征在于，提取电机信号特征和振动信号特征的方法包括：
对所述车门系统的一个运行周期内的电机信号提取时域统计信息得到所述电机信号特征；
对所述车门系统的一个运行周期内的振动信号提取频域统计信息得到所述振动信号特征。
5.根据权利要求4所述的方法，其特征在于，所述车门系统的电机信号包括电机电流、电机转速、电机行程和电机转角，对每一类电机信号提取的时域统计信息包括所述电机信号的最大值、最小值、均值、标准差、偏度、峭度指标。
6.根据权利要求4所述的方法，其特征在于，对所述振动信号提取的频域统计信息包括所述振动信号的均值、标准差、最大值、最小值、偏度、峭度、均方根、峰峰值、振幅因数、波形因数、脉冲因数、裕度因数、能量。
CN202211453590.4A 2022-11-21 2022-11-21 基于不确定信息融合的车门系统诊断方法 Active CN115758120B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211453590.4A CN115758120B (zh) 2022-11-21 2022-11-21 基于不确定信息融合的车门系统诊断方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211453590.4A CN115758120B (zh) 2022-11-21 2022-11-21 基于不确定信息融合的车门系统诊断方法

Publications (2)

Publication Number Publication Date
CN115758120A CN115758120A (zh) 2023-03-07
CN115758120B true CN115758120B (zh) 2023-06-13

Family

ID=85333176

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211453590.4A Active CN115758120B (zh) 2022-11-21 2022-11-21 基于不确定信息融合的车门系统诊断方法

Country Status (1)

Country Link
CN (1) CN115758120B (zh)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107368854A (zh) * 2017-07-20 2017-11-21 华北电力大学（保定） 一种基于改进证据理论的断路器故障诊断方法
CN113177328A (zh) * 2021-05-24 2021-07-27 河南大学 基于多传感器融合的机械故障诊断方法

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107391682B (zh) * 2017-07-24 2020-06-09 京东方科技集团股份有限公司 知识验证方法、知识验证设备以及存储介质
CN109086470A (zh) * 2018-04-08 2018-12-25 北京建筑大学 一种基于模糊偏好关系与d-s证据理论的故障诊断方法
CN110119713A (zh) * 2019-05-14 2019-08-13 云南电网有限责任公司电力科学研究院 基于d-s证据理论的高压断路器机械故障诊断方法
CN110297141A (zh) * 2019-07-01 2019-10-01 武汉大学 基于多层评估模型的故障定位方法及系统
CN112668164A (zh) * 2020-12-18 2021-04-16 武汉大学 诱导有序加权证据推理的变压器故障诊断方法及系统
CN113295421B (zh) * 2021-05-24 2022-02-01 河南大学 基于改进冲突系数和信度熵的发动机故障诊断方法
CN114510776A (zh) * 2021-12-31 2022-05-17 南京康尼机电股份有限公司 一种轨道车辆门系统亚健康诊断系统和方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107368854A (zh) * 2017-07-20 2017-11-21 华北电力大学（保定） 一种基于改进证据理论的断路器故障诊断方法
CN113177328A (zh) * 2021-05-24 2021-07-27 河南大学 基于多传感器融合的机械故障诊断方法

Also Published As

Publication number Publication date
CN115758120A (zh) 2023-03-07

Similar Documents

Publication Publication Date Title
CN111830408B (zh) 一种基于边缘计算和深度学习的电机故障诊断系统及方法
CN112101220B (zh) 一种无监督模型参数迁移的滚动轴承寿命预测方法
CN109000940B (zh) 一种机车车辆异常轴温诊断方法及系统
CN110224160B (zh) 一种燃料电池系统故障诊断方法
CN111353482A (zh) 一种基于lstm的疲劳因子隐性异常检测及故障诊断方法
CN111580506A (zh) 基于信息融合的工业过程故障诊断方法
CN111474475B (zh) 一种电机故障诊断系统及方法
CN110852365B (zh) 一种zpw-2000a型无绝缘轨道电路故障诊断方法
CN108490923A (zh) 用于电气牵引系统的微小故障检测与定位的系统设计方法
CN113283003B (zh) 一种基于时空融合决策的高速列车轴温异常检测方法
CN108257365A (zh) 一种基于全局不确定性证据动态融合的工业报警器设计方法
CN112560997A (zh) 故障识别模型训练方法、故障识别方法及相关装置
CN115758083A (zh) 一种基于时域和时频域融合的电机轴承故障诊断方法
CN115099260A (zh) 双螺杆输油泵在线监测机械故障实时诊断方法
CN115496108A (zh) 一种基于流形学习和大数据分析的故障监测方法及系统
CN115758120B (zh) 基于不确定信息融合的车门系统诊断方法
CN112597581A (zh) 一种基于时空融合决策的高速列车温度异常检测方法
CN113064976A (zh) 基于深度学习算法的事故车判定方法
CN115791174B (zh) 一种滚动轴承异常诊断方法、系统、电子设备及存储介质
CN110530631B (zh) 一种基于混合分类器的齿轮单类型故障检测方法
CN116578922A (zh) 基于多通道卷积神经网络的阀冷系统故障诊断方法及装置
CN116720073A (zh) 一种基于分类器的异常检测提取方法与系统
CN117032165A (zh) 一种工业设备故障诊断方法
CN114547796B (zh) 一种基于优化bn网络的球磨机特征融合故障诊断方法
CN116502134A (zh) 一种自诊断预警功能异常状态识别系统

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