CN117708747A - 一种列车运行中轨道振动数据异常的监测方法 - Google Patents
一种列车运行中轨道振动数据异常的监测方法 Download PDFInfo
- Publication number
- CN117708747A CN117708747A CN202410156912.1A CN202410156912A CN117708747A CN 117708747 A CN117708747 A CN 117708747A CN 202410156912 A CN202410156912 A CN 202410156912A CN 117708747 A CN117708747 A CN 117708747A
- Authority
- CN
- China
- Prior art keywords
- vibration data
- track vibration
- sequence
- track
- data
- 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.)
- Withdrawn
Links
- 238000000034 method Methods 0.000 title claims abstract description 59
- 238000012544 monitoring process Methods 0.000 title claims abstract description 24
- 230000005856 abnormality Effects 0.000 title claims abstract description 8
- 238000005070 sampling Methods 0.000 claims abstract description 143
- 230000002159 abnormal effect Effects 0.000 claims abstract description 31
- 238000013507 mapping Methods 0.000 claims description 15
- 230000011218 segmentation Effects 0.000 claims description 5
- 238000001514 detection method Methods 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 abstract description 3
- 230000008569 process Effects 0.000 description 18
- 238000013459 approach Methods 0.000 description 9
- 238000001914 filtration Methods 0.000 description 4
- 238000012549 training Methods 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000003213 activating effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000002955 isolation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000005215 recombination Methods 0.000 description 1
- 230000006798 recombination Effects 0.000 description 1
- 230000008521 reorganization Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B61—RAILWAYS
- B61L—GUIDING RAILWAY TRAFFIC; ENSURING THE SAFETY OF RAILWAY TRAFFIC
- B61L23/00—Control, warning or like safety means along the route or between vehicles or trains
- B61L23/04—Control, warning or like safety means along the route or between vehicles or trains for monitoring the mechanical state of the route
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
- G01H17/00—Measuring mechanical vibrations or ultrasonic, sonic or infrasonic waves, not provided for in the preceding groups
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2123/00—Data types
- G06F2123/02—Data types in the time domain, e.g. time-series data
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Mechanical Engineering (AREA)
- Train Traffic Observation, Control, And Security (AREA)
Abstract
本发明涉及数据处理技术领域,具体涉及一种列车运行中轨道振动数据异常的监测方法。方法包括:获取初始轨道振动数据序列;利用不同采样步长对初始轨道振动数据序列进行采样,得到初始轨道振动数据序列对应的最小周期;根据最小周期,得到各目标子序列;根据各目标子序列中相同位置的轨道振动数据,得到各重组轨道振动数据序列;根据各重组轨道振动数据序列中的各轨道振动数据,得到噪声轨道振动数据;根据噪声轨道振动数据和各重组轨道振动数据序列对应的数据均值,得到目标轨道振动数据序列;根据目标轨道振动数据序列,得到目标轨道振动数据序列中的异常轨道振动数据。本发明能够提高对异常轨道振动数据进行监测的准确性。
Description
技术领域
本发明涉及数据处理技术领域,具体涉及一种列车运行中轨道振动数据异常的监测方法。
背景技术
由于列车轨道振动数据可以反映列车运行的状态,而列车的运行状态可以反映列车运行的安全性、可靠性等,因此对列车运行中的列车轨道振动数据进行异常监测至关重要。
但是采集列车轨道振动数据时通常会受到各种噪声来源的干扰,例如环境条件、列车运行状态以及传感器本身的局限性,这些都可能导致采集的列车轨道振动数据中存在异常数据,而由于噪声干扰导致的异常数据会影响对列车运行中轨道振动数据异常监测的结果,即影响对轨道振动数据异常监测的可靠性和准确性,因此通常情况下在进行异常监测前会先去除噪声,而现有技术中一般是通过传统的滤波方法去除噪声数据,如移动平均和中值滤波,使用滤波虽然能够一定程度上平滑信号,但是使用滤波时对所有数据的处理方法均是相同的,因此会导致在进行噪声平滑的过程中也会对部分不是受噪声干扰导致的异常数据进行平滑,进而导致在对列车运行中的轨道振动数据进行异常监测时的准确性较低。
发明内容
为了解决上述问题。本发明提供一种列车运行中轨道振动数据异常的监测方法,所采用的技术方案具体如下:
本发明一个实施例提供了一种列车运行中轨道振动数据异常的监测方法,包括以下步骤:
获取初始轨道振动数据序列;
利用不同采样步长对所述初始轨道振动数据序列进行采样,得到各采样步长对应的各数据集;
根据所述各数据集中的轨道振动数据,得到所述初始轨道振动数据序列对应的最小周期;
根据所述最小周期,得到所述初始轨道振动数据序列对应的各目标子序列;
根据所述各目标子序列中相同位置的轨道振动数据,得到各重组轨道振动数据序列;
根据所述各重组轨道振动数据序列中的各轨道振动数据,得到所述各重组轨道振动数据序列中的各噪声轨道振动数据;
根据所述噪声轨道振动数据和各重组轨道振动数据序列对应的数据均值,得到目标轨道振动数据序列;所述各重组轨道振动数据序列对应的数据均值为对应重组轨道振动数据序列中所有轨道振动数据的均值;
根据所述目标轨道振动数据序列,得到所述目标轨道振动数据序列中的异常轨道振动数据。
优选的,获取初始轨道振动数据序列的方法,包括:
获取列车运行时间段中各运行时刻对应的轨道振动数据和各运行时刻对应的列车运行速度;
按照时间的先后顺序对所述各运行时刻对应的轨道振动数据进行排序,得到列车运行时间段对应的完整轨道振动数据序列;
获取不同运行速度状态对应的列车运行速度区间;
对于任一运行时刻对应的列车运行速度,若判断该运行时刻对应的列车运行速度位于第y个运行速度状态对应的列车运行速度区间中,则将第y个运行速度状态,记为该运行时刻对应的运行速度状态,所述y为正整数;
根据各运行时刻对应的运行速度状态,对所述完整轨道振动数据序列进行划分,将所述进行划分后得到的各子序列,均记为初始轨道振动数据序列,所述初始轨道振动数据序列中所有轨道振动数据对应的运行时刻对应的运行速度状态一致。
优选的,得到各采样步长对应的各数据集的方法,包括:
获取采样步长区间;
对于采样步长区间中的任一采样步长a:
判断该采样步长的值是否大于等于1,若是,则从所述初始轨道振动数据序列中的第1个轨道振动数据开始,每间隔a-1个轨道振动数据进行一次采样,直至在所述初始轨道振动数据序列中无法完成采样时停止,将采样得到的所有轨道振动数据构建的数据集记为该采样步长对应的第一数据集;继续判断该采样步长的值是否大于等于2,若是,则从所述初始轨道振动数据序列中的第2个轨道振动数据开始,每间隔a-1个轨道振动数据进行一次采样,直至在初始轨道振动数据序列中无法完成采样时停止,将采样得到的所有轨道振动数据构建的数据集记为该采样步长对应的第二数据集;并继续判断该采样步长的值是否大于等于3,若不是,则停止判断,所述a为正整数。
优选的,得到所述初始轨道振动数据序列对应的最小周期的方法,包括:
对于所述采样步长区间中的任一采样步长:计算该采样步长对应的各数据集的方差,对数据集的方差进行负映射,将负映射后的值记为对应数据集的振动数据相似度;将该采样步长对应的所有数据集的振动数据相似度的均值记为该采样步长对应的优选程度;
将最大优选程度对应的采样步长记为所述初始轨道振动数据序列对应的最小周期。
优选的,得到所述初始轨道振动数据序列对应的各目标子序列的方法,包括:
利用所述最小周期对初始轨道振动数据序列进行分段,将所述分段后得到的各子序列记为初始轨道振动数据序列对应的各目标子序列。
优选的,得到各重组轨道振动数据序列的方法,包括:
将所有目标子序列中相同位置的轨道振动数据构建的序列,记为重组轨道振动数据序列。
优选的,得到所述各重组轨道振动数据序列中的各噪声轨道振动数据的方法,包括:
对于任一重组轨道振动数据序列中的任一轨道振动数据:将该轨道振动数据与该重组轨道振动数据序列对应的数据均值之间的差值的绝对值,记为该轨道振动数据的第一差异值,将该轨道振动数据的第一差异值与该重组轨道振动数据序列对应的数据均值的比值记为该轨道振动数据的目标程度值;
判断该重组轨道振动数据序列中所有轨道振动数据的目标程度值是否大于等于预设目标程度阈值,若是,则将对应轨道振动数据记为疑似噪声轨道振动数据;
以各重组轨道振动数据序列中的各疑似噪声轨道振动数据为中心,建立得到各重组轨道振动数据序列中各疑似噪声轨道振动数据对应的窗口;
对于任一重组轨道振动数据序列中的任一疑似噪声轨道振动数据:
将该疑似噪声轨道振动数据对应的窗口中相邻两个轨道振动数据之间差值的绝对值,记为该疑似噪声轨道振动数据对应的特征差值;
将根据该疑似噪声轨道振动数据对应的特征差值构建得到的序列,记为该疑似噪声轨道振动数据对应的第一序列;
对于该疑似噪声轨道振动数据对应的第一序列中的任一特征差值,若计算得到该特征差值的两个轨道振动数据中存在该疑似噪声轨道振动数据,则将该特征差值记为目标特征差值;
将该疑似噪声轨道振动数据对应的第一序列中去除目标特征差值后的所有特征差值构建的序列,记为该疑似噪声轨道振动数据对应的第二序列;
计算得到该疑似噪声轨道振动数据对应的第一序列的方差和该疑似噪声轨道振动数据对应的第二序列的方差;
对该疑似噪声轨道振动数据对应的第一序列的方差与其对应的第二序列的方差之间的差值的绝对值进行负映射,将得到的值记为映射值,并将1与所述映射值的差值记为该疑似噪声轨道振动数据对应的噪声程度;
判断各重组轨道振动数据序列中的各疑似噪声轨道振动数据的噪声程度是否大于等于预设噪声程度阈值,若是,则将对应疑似噪声轨道振动数据记为噪声轨道振动数据。
优选的,得到目标轨道振动数据序列的方法,包括
对于任一重组轨道振动数据序列中的各噪声轨道振动数据:
将该重组轨道振动数据序列中的各噪声轨道振动数据均替换成该重组轨道振动数据序列对应的数据均值,将替换后的重组轨道振动数据序列记为特征轨道振动数据序列;
按照采集轨道振动数据时间的先后顺序,依次对所有特征轨道振动数据序列进行拼接,将拼接后的序列记为目标轨道振动数据序列。
优选的,得到所述目标轨道振动数据序列中的异常轨道振动数据的方法,包括:
利用孤立森林算法对所述目标轨道振动数据序列进行异常检测,得到所述目标轨道振动数据序列中的异常轨道振动数据。
有益效果:本发明首先获取初始轨道振动数据序列,然后利用不同采样步长对初始轨道振动数据序列进行采样,得到各采样步长对应的各数据集,根据各数据集中的轨道振动数据,得到初始轨道振动数据序列对应的最小周期,并根据最小周期,得到初始轨道振动数据序列对应的各目标子序列;本发明依据不同采样步长对初始轨道振动数据序列进行采样可以较准确的确定初始轨道振动数据序列对应的最小周期;然后根据各目标子序列中相同位置的轨道振动数据,得到各重组轨道振动数据序列,根据各重组轨道振动数据序列中的各轨道振动数据,得到各重组轨道振动数据序列中的各噪声轨道振动数据;本发明依据各目标子序列中相同位置的轨道振动数据可以较准确的确定噪声轨道振动数据;最后根据噪声轨道振动数据和各重组轨道振动数据序列对应的数据均值,得到目标轨道振动数据序列,并根据目标轨道振动数据序列,得到目标轨道振动数据序列中的异常轨道振动数据。本发明能够提高对异常轨道振动数据进行监测的准确性和可靠性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案和优点,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的介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,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,还可以根据这些附图获得其它附图。
图1为本发明一种列车运行中轨道振动数据异常的监测方法的流程图。
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、完整的描述,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,基于本发明实施例,本领域普通技术人员所获得的所有其它实施例,都属于本发明实施例保护的范围。
除非另有定义,本文所使用的所有的技术和科学技术术语与属于本发明的技术人员通常理解的含义相同。
本实施例提供了一种列车运行中轨道振动数据异常的监测方法,详细说明如下:
如图1所示,该列车运行中轨道振动数据异常的监测方法,包括以下步骤:
步骤S001,获取初始轨道振动数据序列。
因为列车在正常运行时,传感器获取的轨道振动数据呈现周期性的特点,所以当列车运行过程中出现异常时,在相邻的若干个周期内均会出现异常数据,即使异常数据的大小会存在差异,但在周期内的对应位置均存在异常,而噪声引起的异常数据是随机出现的,因此本实施例将通过不同采样步长先对初始轨道振动数据序列进行采样,然后确定最小周期,紧接着依据最小周期得到初始轨道振动数据序列对应的各目标子序列,然后依据各目标子序列中的相同位置的轨道振动数据,最终确定噪声轨道振动数据,并进行去噪,这种进行去噪的方式可以避免使用滤波进行噪声平滑的过程中将部分真实的异常数据也进行平滑的问题,即本实施例提供的列车运行中轨道振动数据异常的监测方法,能够较准确的确定噪声数据,并针对性的对噪声数据进行去噪,减小了噪声对监测异常轨道振动数据的影响,保证了对异常轨道振动数据进行监测的准确性和可靠性。
因此本实施例首先利用传感器和相应的数据采集设备采集任意一辆列车运行时间段中各运行时刻对应的轨道振动数据,并获取列车运行时间段中各运行时刻对应的列车运行速度;具体应用中,需要根据实际情况设置列车运行时间段对应的时间长度,也需要根据实际情况设置相邻运行时刻之间的时间间隔,例如可以将相邻运行时刻之间的时间间隔均设置为1秒。
本实施例中需要根据实际情况选择适合测量轨道振动的传感器的类型以及设置传感器的安装位置,例如可以选择加速度计、振动传感器或者加速度传感器等中的任意一个,所述加速度计、振动传感器或者加速度传感器等能够测量振动的振幅、频率和方向等信息;具体应用中,需要根据所需数据的精确性和特定的研究目的,选择传感器的安装位置,而本实施例将传感器安装在列车的车厢或轮轨接触面附近,且要确保传感器安装的牢固,避免安装方面的因素对采集的数据造成的影响。
数据采集设备主要负责收集传感器发送的信号,并将其转换为数字数据以供进一步处理和分析,本实施例中需要根据实际情况选择数据采集设备,例如可以是数据记录仪、采集卡或连接到计算机的数据采集模块;而且一旦传感器和数据采集设备安装完毕,就可以开始采集轨道振动数据,通常包括启动数据采集设备来记录传感器产生的振动数据,且记录的数据可以是振动的时间序列或频域数据,记录的数据的不同主要取决于所选择的传感器和采集设备,而本实施例要求记录的数据为振动数据。
因此通过上述过程得到了列车运行时间段中各运行时刻对应的轨道振动数据和各运行时刻对应的列车运行速度;然后按照采集轨道振动数据时间的先后顺序对列车运行时间段中各运行时刻对应的轨道振动数据进行排序,将排序后的序列记为列车运行时间段对应的完整轨道振动数据序列;又因为当列车运行的速度不同时,产生的振动数据也不相同,故为了避免不同速度对振动产生的影响,即为了避免不同运行速度对后续分析的影响,接下来本实施例根据列车运行的速度对得到的完整轨道振动数据序列进行划分,使得划分后得到的时序序列中的数据处于同一速度区间,具体过程为:
获取预设第一速度阈值、预设第二速度阈值以及预设第三速度阈值,且所述预设第一速度阈值小于预设第二速度阈值,预设第二速度阈值小于预设第三速度阈值,并将预设第一速度阈值、预设第二速度阈值和预设第三速度阈值,分别记为A1、A2和A3;且具体应用中,需要根据实际情况设置A1、A2和A3的具体数值。
对于任一列车运行时间段中的任一运行时刻:当该运行时刻对应的列车运行速度处于区间[0,A1]时,则将该运行时刻对应的运行速度状态记为第一运行速度状态,即第一运行速度状态对应的列车运行速度区间为[0,A1];当该运行时刻对应的列车运行速度处于区间(A1,A2]时,则将该运行时刻对应的运行速度状态记为第二运行速度状态,即第二运行速度状态对应的列车运行速度区间为(A1,A2];当该运行时刻对应的列车运行速度处于区间(A2,A3]时,则将该运行时刻对应的运行速度状态记为第三运行速度状态,即第三运行速度状态对应的列车运行速度区间为(A2,A3]。
因此上述过程将运行速度划分为了三个状态,即三个速度区间,并得到了各运行时刻对应的运行速度状态;具体应用中,需要根据实际情况设置不同的运行速度状态的表征含义,本实施例设置第一运行速度状态为低速度运行,设置第二运行速度状态为中速度运行,设置第三运行速度状态为高速度运行;具体应用中,也可以根据实际情况设置运行速度状态的数量,例如可以设置四个速度阈值,将运行速度划分为四个状态。
然后根据各运行时刻对应的运行速度状态对完整轨道振动数据序列进行划分,得到完整轨道振动数据序列对应的各子序列,并将子序列记为初始轨道振动数据序列,即将根据各运行时刻对应的运行速度状态对完整轨道振动数据序列进行划分后得到的各子序列,均记为初始轨道振动数据序列。本实施例中同一初始轨道振动数据序列中所有轨道振动数据对应的运行时刻所对应的运行速度状态一致,在时间上相邻的初始轨道振动数据序列中的轨道振动数据对应的运行时刻所对应的运行速度状态不一致;同一初始轨道振动数据序列中的所有轨道振动数据在时间上是连续的,即同一初始轨道振动数据序列中的相邻的轨道振动数据对应的运行时刻之间的时间间隔均相同;且初始轨道振动数据中的所有数据是按照时间顺序排列的。
至此,得到了完整轨道振动数据序列对应的各初始轨道振动数据序列,后续本实施例将单独对初始轨道振动数据序列进行分析,且本实施例中对各初始轨道振动数据序列进行分析的方法相同。
步骤S002,利用不同采样步长对所述初始轨道振动数据序列进行采样,得到各采样步长对应的各数据集;根据所述各数据集中的轨道振动数据,得到所述初始轨道振动数据序列对应的最小周期;根据所述最小周期,得到所述初始轨道振动数据序列对应的各目标子序列。
接下来本实施例将对完整轨道振动数据序列对应的任一初始轨道振动数据序列进行单独分析,即本实施例接下来将以一个初始轨道振动数据序列为例进行分析,然后确定对应序列的最小周期,并依据最小周期得到初始轨道振动数据序列对应的各目标子序列,所述各目标子序列是后续确定噪声轨道振动数据的基础,因此本实施例得到目标子序列的具体过程为:
获取最小采样步长和最大采样步长,根据最小采样步长和最大采样步长,得到采样步长区间[a1,a2],所述a1为最小采样步长,a2为最大采样步长,且采样步长的取值为正整数;具体应用中,需要根据实际情况设置最小采样步长,和最大采样步长;本实施例设置最小采样步长为2,最大采样步长为35。
对于采样步长区间[a1,a2]中的任一采样步长a:
判断该采样步长的值是否大于等于1,若是,则从初始轨道振动数据序列中的第1个轨道振动数据开始,每间隔a-1个轨道振动数据进行一次采样,直至在初始轨道振动数据序列中无法完成采样时停止,即直至初始轨道振动数据序列中所有轨道振动数据完成采样后停止,并将采样得到的所有轨道振动数据构建的数据集记为该采样步长对应的第一数据集;然后再判断该采样步长的值是否大于等于2,若是,则从初始轨道振动数据序列中的第2个轨道振动数据开始,每间隔a-1个轨道振动数据进行一次采样,直至在初始轨道振动数据序列中无法完成采样时停止,并将采样得到的所有轨道振动数据构建的数据集记为该采样步长对应的第二数据集;然后再判断该采样步长的值是否大于等于3,若不是,则停止判断,并得到该采样步长对应的各数据集,且此时的采样步长为2,即本实施例中不同采样步长对应的数据集的数量与对应采样步长的值相同。
例如,若采样步长为2,从初始轨道振动数据序列中的第1个轨道振动数据开始,每间隔1个轨道振动数据进行一次采样,直至在初始轨道振动数据序列中无法完成采样时停止,并将采样得到的所有轨道振动数据构建的数据集记为采样步长为2时对应的第一数据集,如对初始轨道振动数据序列中的第1个轨道振动数据进行采样,再对初始轨道振动数据序列中的第3个轨道振动数据进行采样,继续对初始轨道振动数据序列中的第5个轨道振动数据进行采样,以此类推,得到采样步长为2时对应的第一数据集;再从初始轨道振动数据序列中的第2个轨道振动数据开始,每间隔1个轨道振动数据进行一次采样,直至在初始轨道振动数据序列中无法完成采样时停止,并将采样得到的所有轨道振动数据构建的数据集记为得到采样步长为2时对应的第二数据集,如对初始轨道振动数据序列中的第2个轨道振动数据进行采样,再对初始轨道振动数据序列中的第4个轨道振动数据进行采样,继续对初始轨道振动数据序列中的第6个轨道振动数据进行采样,以此类推,得到采样步长为2时对应的第二数据集,因此当采样步长为2时,对应了两组数据集。
至此,通过上述过程得到了各采样步长对应的各数据集;又因为若对应采样步长为对应序列的最小周期时,则对应采样步长对应的数据集中数据的相似度会较大,即当采样步长对应的数据集中数据的相似度越大时,对应采样步长为最小周期的概率越大,当采样步长对应的数据集中数据的相似度越小时,对应采样步长为最小周期的概率越小,且获取初始轨道振动数据序列的最小周期的目的是为了后续更加准确的确定噪声数据,即尽可能的减少噪声影响,同时不影响其他异常轨道振动数据的真实性;因此接下来本实施例将分析同一采样步长对应的数据集中数据的相似度,然后基于相似度确定采样步长区间中各采样步长对应的优选程度,且优选程度是确定最小周期的依据,具体过程为:
对于采样步长区间[a1,a2]中的任一采样步长:
计算该采样步长对应的各数据集的方差,并对数据集的方差进行负映射,将负映射后的值记为对应数据集的振动数据相似度;本实施例根据如下公式计算该采样步长对应的各数据集的振动数据相似度:
其中,为该采样步长对应的第c个数据集的振动数据相似度,exp()为以自然常数e为底的指数函数,为该采样步长对应的第c个数据集中轨道振动数据的数量,为该采样步长对应的第c个数据集中的第i个轨道振动数据,为该采样步长对应的第c个数据集中所有轨道振动数据的均值,即。
另外,为该采样步长对应的第c个数据集的方差,方差能表明对应序列中数据的离散程度,进而也能反应对应数据集中数据的相似程度,因此当越大时,越小,而越小,表明该采样步长为最小周期的概率越小,反之,当越小时,越大,而越大,表明该采样步长为最小周期的概率越大,即该采样步长越符合最小周期。
因此通过上述过程得到了该采样步长对应的所有数据集的振动数据相似度,然后将该采样步长对应的所有数据集的振动数据相似度的均值记为该采样步长对应的优选程度,且优选程度的值越大,表明该采样步长为最小周期的概率越大;根据如下公式计算该采样步长对应的优选程度:
其中,为该采样步长对应的优选程度,为该采样步长对应的数据集的数量,且也与该采样步长的值相同,为该采样步长对应的第j个数据集的振动数据相似度;且为该采样步长对应的所有数据集的振动数据相似度的均值,当的值越大时,的值越大;当的值越大时,表明该采样步长越符合最小周期,即当该采样步长的值与最小周期越接近时,该采样步长对应的各数据集中的数据的相似度越高。
因此通过上述过程得到了采样步长区间中的各采样步长对应的优选程度,并将最大优选程度对应的采样步长记为初始轨道振动数据序列对应的最小周期。
紧接着通过初始轨道振动数据序列对应的最小周期对初始轨道振动数据序列进行分段处理,将分段处理后得到的各子序列记为初始轨道振动数据序列对应的各目标子序列;例如,若初始轨道振动数据序列为,其中,为初始轨道振动数据序列中的第1个轨道振动数据,为初始轨道振动数据序列中的第2个轨道振动数据,为初始轨道振动数据序列中的第3个轨道振动数据,为初始轨道振动数据序列中的最后一个轨道振动数据,n为初始轨道振动数据序列中轨道振动数据的数量;若最小周期为,则通过最小周期对初始轨道振动数据序列进行分段处理,得到的初始轨道振动数据序列对应的各目标子序列为,其中,为初始轨道振动数据序列对应的第1个目标子序列,为初始轨道振动数据序列对应的第2个目标子序列,为初始轨道振动数据序列对应的最后1个目标子序列,x为目标子序列的数量,且得到的第1个目标子序列、得到的第2个目标子序列、得到的第3个目标子序列,以此类推,可以确定初始轨道振动数据序列对应的各目标子序列,其中,为初始轨道振动数据序列中的第个轨道振动数据,为初始轨道振动数据序列中的第个轨道振动数据,为初始轨道振动数据序列中的第个轨道振动数据,为初始轨道振动数据序列中的第个轨道振动数据,为初始轨道振动数据序列中的第个轨道振动数据,初始轨道振动数据序列中的第个轨道振动数据,初始轨道振动数据序列中的第个轨道振动数据。
至此,得到了初始轨道振动数据序列对应的各目标子序列。
步骤S003,根据所述各目标子序列中相同位置的轨道振动数据,得到各重组轨道振动数据序列;根据所述各重组轨道振动数据序列中的各轨道振动数据,得到所述各重组轨道振动数据序列中的各噪声轨道振动数据。
由于正常情况下,若轨道振动数据不存在异常,则每个目标子序列中相同位置的轨道振动数据相同或相似,若轨道振动数据出现异常且不是噪声,则相邻目标子序列间的轨道振动数据间也存在一定的变化趋势,若出现的异常轨道振动数据为噪声数据,则该异常轨道振动数据通常为孤立出现,并且与其他的目标子序列对应位置的轨道振动数据之间的关联性很小,因此本实施例接下来对各目标子序列中相同位置的轨道振动数据进行分析,确定噪声轨道振动数据,后续会对噪声轨道振动数据进行针对性的去噪,减少后续噪声数据对后续监测异常轨道振动数据的影响,具体过程为:
获取所有目标子序列中相同位置的轨道振动数据,将所有目标子序列中相同位置的轨道振动数据构建的序列,记为重组轨道振动数据序列;例如获取所有目标子序列中的第1个轨道振动数据,根据所有目标子序列中的第1个轨道振动数据,得到初始轨道振动数据序列对应的第1个重组轨道振动数据序列,其中,为第1个重组轨道振动数据序列,为初始轨道振动数据序列对应的第1个目标子序列中的第1个轨道振动数据,同时也是初始轨道振动数据序列中的第1个轨道振动数据,为初始轨道振动数据序列对应的第2个目标子序列中的第1个轨道振动数据,同时也是初始轨道振动数据序列中的第个轨道振动数据,为初始轨道振动数据序列对应的第3个目标子序列中的第1个轨道振动数据,也为初始轨道振动数据序列中的第个轨道振动数据,为初始轨道振动数据序列对应的最后1个目标子序列中的第1个轨道振动数据,也为初始轨道振动数据序列中的第个轨道振动数据,为最小周期的值,同理,也可以按照得到第1个重组轨道振动数据序列的方式分别得到其他的重组轨道振动数据序列。
对于初始轨道振动数据序列对应的任一重组轨道振动数据序列:
计算得到该重组轨道振动数据序列中所有轨道振动数据的均值,并记为该重组轨道振动数据序列对应的数据均值;对于该重组轨道振动数据序列中的任一轨道振动数据,将该轨道振动数据与该重组轨道振动数据序列对应的数据均值之间的差值的绝对值,记为该轨道振动数据的第一差异值,将该轨道振动数据的第一差异值与该重组轨道振动数据序列对应的数据均值的比值记为该轨道振动数据的目标程度值;根据如下公式计算该轨道振动数据的目标程度值:
其中,为该重组轨道振动数据序列中的第z个轨道振动数据的目标程度值,为该重组轨道振动数据序列中的第z个轨道振动数据,该重组轨道振动数据序列对应的数据均值;当的值越大时,表明的值越大;且的值表征的是第z个轨道振动数据偏离对应数据均值的程度,当轨道振动数据偏离对应数据均值越大时,表明对应轨道振动数据为噪声轨道振动数据的可能性越大。
因此通过上述过程得到了该重组轨道振动数据序列中所有轨道振动数据的目标程度值,紧接着判断该重组轨道振动数据序列中所有轨道振动数据的目标程度值是否大于等于预设目标程度阈值,若是,则将对应轨道振动数据标记为疑似噪声轨道振动数据;具体应用中,需要根据实际情况设置预设目标程度阈值,本实施例将预设目标程度阈值设置为0.35。
因此通过上述过程得到了所有重组轨道振动数据序列中所有疑似噪声轨道振动数据;然后以各重组轨道振动数据序列中的各疑似噪声轨道振动数据为中心,建立得到各重组轨道振动数据序列中各疑似噪声轨道振动数据对应的窗口,建立窗口的目的是为了后续准确的确定噪声轨道振动数据;具体应用中,需要根据实际情况设置窗口的大小,本实施例设置窗口大小为,即疑似噪声轨道振动数据对应的窗口中的轨道振动数据的数量为7。
由于噪声数据一般是孤立存在的,因此若某一疑似噪声轨道振动数据为噪声轨道振动数据,则该疑似噪声轨道振动数据对应的窗口中除该疑似噪声轨道振动数据之外的其它的轨道振动数据的相似度较高;若该疑似噪声轨道振动数据为异常轨道振动数据,则对应窗口中的轨道振动数据存在一定的变化规律,即呈现递增、递减或保持不变的特征,即若该疑似噪声轨道振动数据为异常轨道振动数据,则对应窗口中相邻轨道振动数据之间的差值的相似度较高;因此本实施例基于上述噪声轨道振动数据和异常轨道振动数据的特征,进一步对疑似噪声轨道振动数据进行判断,得到噪声轨道振动数据,具体过程为:
对于任一重组轨道振动数据序列中的任一疑似噪声轨道振动数据:
计算得到该疑似噪声轨道振动数据对应的窗口中相邻两个轨道振动数据之间差值的绝对值,将差值的绝对值记为该疑似噪声轨道振动数据对应的特征差值,并根据该疑似噪声轨道振动数据对应的特征差值,构建得到的序列记为该疑似噪声轨道振动数据对应的第一序列;对于该疑似噪声轨道振动数据对应的第一序列中的任一特征差值,若计算得到该特征差值的两个轨道振动数据中存在该疑似噪声轨道振动数据,则将该特征差值记为目标特征差值,所述目标特征差值直接与该疑似噪声轨道振动数据相关,因此本实施例将该疑似噪声轨道振动数据对应的第一序列中去除目标特征差值后的所有特征差值构建的序列,记为该疑似噪声轨道振动数据对应的第二序列。
例如,若疑似噪声轨道振动数据对应的第一序列为,其中,为第一序列中的第1个特征差值,也为该疑似噪声轨道振动数据对应的窗口中的第1个轨道振动数据和第2个轨道振动数据之间差值的绝对值,为第一序列中的第2个特征差值,也为该疑似噪声轨道振动数据对应的窗口中的第2个轨道振动数据和第3个轨道振动数据之间差值的绝对值;为第一序列中的第3个特征差值,也为该疑似噪声轨道振动数据对应的窗口中的第3个轨道振动数据和第4个轨道振动数据之间差值的绝对值,且对应窗口中第4个轨道振动数据为对应窗口的中心,即对应窗口中第4个轨道振动数据为疑似噪声轨道振动数据;为第一序列中的第4个特征差值,也为该疑似噪声轨道振动数据对应的窗口中的第4个轨道振动数据和第5个轨道振动数据之间差值的绝对值;为第一序列中的第5个特征差值,也为该疑似噪声轨道振动数据对应的窗口中的第5个轨道振动数据和第6个轨道振动数据之间差值的绝对值;为第一序列中的第6个特征差值,也为该疑似噪声轨道振动数据对应的窗口中的第6个轨道振动数据和第7个轨道振动数据之间差值的绝对值;由于该疑似噪声轨道振动数据对应窗口中第4个轨道振动数据为该疑似噪声轨道振动数据,且和与该疑似噪声轨道振动数据直接相关,即计算得到和的两个轨道振动数据中均存在该疑似噪声轨道振动数据,因此和均为目标特征差值,而为第二序列。
然后计算得到该疑似噪声轨道振动数据对应的第一序列的方差和该疑似噪声轨道振动数据对应的第二序列的方差;对该疑似噪声轨道振动数据对应的第一序列的方差与其对应的第二序列的方差之间的差值的绝对值进行负映射,将得到的值记为映射值,并将1与映射值的差值记为该疑似噪声轨道振动数据对应的噪声程度;根据如下公式计算得到该疑似噪声轨道振动数据对应的噪声程度:
其中,为该疑似噪声轨道振动数据对应的噪声程度,为该疑似噪声轨道振动数据对应的第一序列中的第r个特征差值,为该疑似噪声轨道振动数据对应的第一序列中所有特征差值的均值,该疑似噪声轨道振动数据对应的第二序列中的第s个特征差值,为该疑似噪声轨道振动数据对应的第二序列中所有特征差值的均值。
另外,当的值越大时,表明该疑似噪声轨道振动数据为噪声轨道振动数据的概率越大,当的值越小时,表明该疑似噪声轨道振动数据为噪声轨道振动数据的概率越小;为该疑似噪声轨道振动数据对应的第一序列的方差,为该疑似噪声轨道振动数据对应的第二序列的方差,且方差越大,表明对应序列中的数据越不相似或者越不稳定;且如果该疑似噪声轨道振动数据是噪声轨道振动数据的可能越小,则该疑似噪声轨道振动数据对应的第一序列和第二序列均较为规则,即对应的第一序列和第二序列的方差是相似的,且方差差值的绝对值趋近于0,而当方差差值的绝对值越趋近于0时,的值越趋近于1,而的值越趋近于0;反之,如果该疑似噪声轨道振动数据是噪声轨道振动数据的可能性越大,则对应的第一序列和第二序列的方差差值的绝对值趋近于1,而当方差差值的绝对值越趋近于1时,的值越趋近于0,而的值越趋近于1。
本实施例通过上述过程得到了各重组轨道振动数据序列中的各疑似噪声轨道振动数据的噪声程度,紧接着判断各重组轨道振动数据序列中的各疑似噪声轨道振动数据的噪声程度是否大于等于预设噪声程度阈值,若是,则将对应疑似噪声轨道振动数据标记为噪声轨道振动数据。
至此,得到了各重组轨道振动数据序列中的各噪声轨道振动数据。
步骤S004,根据所述噪声轨道振动数据和各重组轨道振动数据序列对应的数据均值,得到目标轨道振动数据序列;根据所述目标轨道振动数据序列,得到所述目标轨道振动数据序列中的异常轨道振动数据。
紧接着本实施例将对进行去噪处理,得到目标轨道振动数据序列,具体过程为:
对于任一重组轨道振动数据序列中的各噪声轨道振动数据,将该重组轨道振动数据序列中的各噪声轨道振动数据均替换成该重组轨道振动数据序列对应的数据均值,将替换后的重组轨道振动数据序列记为特征轨道振动数据序列;例如,若第1个重组轨道振动数据序列中的为噪声轨道振动数据,则将替换成第1个重组轨道振动数据序列对应的数据均值。
然后按照采集轨道振动数据时间的先后顺序,依次将所有特征轨道振动数据序列拼接到一起,将拼接后的序列记为目标轨道振动数据序列;然后利用孤立森林算法对目标轨道振动数据序列进行异常检测,得到目标轨道振动数据序列中的异常轨道振动数据;而且通过路径长度的计算孤立森林能够更有效地识别异常样本,因为正常样本通常需要更多的分割才能被孤立;孤立森林算法整个训练过程涉及构建多棵随机树,每棵树都是用随机的特征和切分值构建的,由于孤立森林算法的训练过程为公知技术,因此本实施例不再对孤立森林算法以及孤立森林算法的训练过程进行详细描述。
本实施例首先获取初始轨道振动数据序列;然后利用不同采样步长对初始轨道振动数据序列进行采样,得到各采样步长对应的各数据集,根据各数据集中的轨道振动数据,得到初始轨道振动数据序列对应的最小周期,并根据最小周期,得到初始轨道振动数据序列对应的各目标子序列;本实施例依据不同采样步长对初始轨道振动数据序列进行采样可以较准确的确定初始轨道振动数据序列对应的最小周期;然后根据各目标子序列中相同位置的轨道振动数据,得到各重组轨道振动数据序列,根据各重组轨道振动数据序列中的各轨道振动数据,得到各重组轨道振动数据序列中的各噪声轨道振动数据;本实施例依据各目标子序列中相同位置的轨道振动数据可以较准确的确定噪声轨道振动数据;最后根据噪声轨道振动数据和各重组轨道振动数据序列对应的数据均值,得到目标轨道振动数据序列,并根据目标轨道振动数据序列,得到目标轨道振动数据序列中的异常轨道振动数据。本实施例能够提高对异常轨道振动数据进行监测的准确性和可靠性。
以上所述实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围,均应包含在本申请的保护范围之内。
Claims (6)
1.一种列车运行中轨道振动数据异常的监测方法,其特征在于,该方法包括如下步骤:
获取初始轨道振动数据序列;
利用不同采样步长对所述初始轨道振动数据序列进行采样,得到各采样步长对应的各数据集;
根据所述各数据集中的轨道振动数据,得到所述初始轨道振动数据序列对应的最小周期;
根据所述最小周期,得到所述初始轨道振动数据序列对应的各目标子序列;
根据所述各目标子序列中相同位置的轨道振动数据,得到各重组轨道振动数据序列;
根据所述各重组轨道振动数据序列中的各轨道振动数据,得到所述各重组轨道振动数据序列中的各噪声轨道振动数据;
根据所述噪声轨道振动数据和各重组轨道振动数据序列对应的数据均值,得到目标轨道振动数据序列;所述各重组轨道振动数据序列对应的数据均值为对应重组轨道振动数据序列中所有轨道振动数据的均值;
根据所述目标轨道振动数据序列,得到所述目标轨道振动数据序列中的异常轨道振动数据;
得到各采样步长对应的各数据集的方法,包括:
获取采样步长区间;
对于采样步长区间中的任一采样步长a:
判断该采样步长的值是否大于等于自然常数1,若是,则从所述初始轨道振动数据序列中的第1个轨道振动数据开始,每间隔a-1个轨道振动数据进行一次采样,直至在所述初始轨道振动数据序列中无法完成采样时停止,将采样得到的所有轨道振动数据构建的数据集记为该采样步长对应的第一数据集;继续判断该采样步长的值是否大于等于自然常数2,若是,则从所述初始轨道振动数据序列中的第2个轨道振动数据开始,每间隔a-1个轨道振动数据进行一次采样,直至在初始轨道振动数据序列中无法完成采样时停止,将采样得到的所有轨道振动数据构建的数据集记为该采样步长对应的第二数据集;并继续判断该采样步长的值是否大于等于自然常数3,若不是,则停止判断,所述a为正整数;
得到所述初始轨道振动数据序列对应的最小周期的方法,包括:
对于所述采样步长区间中的任一采样步长:计算该采样步长对应的各数据集的方差,对数据集的方差进行负映射,将负映射后的值记为对应数据集的振动数据相似度;将该采样步长对应的所有数据集的振动数据相似度的均值记为该采样步长对应的优选程度;
将最大优选程度对应的采样步长记为所述初始轨道振动数据序列对应的最小周期;
得到所述各重组轨道振动数据序列中的各噪声轨道振动数据的方法,包括:
对于任一重组轨道振动数据序列中的任一轨道振动数据:将该轨道振动数据与该重组轨道振动数据序列对应的数据均值之间的差值的绝对值,记为该轨道振动数据的第一差异值,将该轨道振动数据的第一差异值与该重组轨道振动数据序列对应的数据均值的比值记为该轨道振动数据的目标程度值;
判断该重组轨道振动数据序列中所有轨道振动数据的目标程度值是否大于等于预设目标程度阈值,若是,则将对应轨道振动数据记为疑似噪声轨道振动数据;
以各重组轨道振动数据序列中的各疑似噪声轨道振动数据为中心,建立得到各重组轨道振动数据序列中各疑似噪声轨道振动数据对应的窗口;
对于任一重组轨道振动数据序列中的任一疑似噪声轨道振动数据:
将该疑似噪声轨道振动数据对应的窗口中相邻两个轨道振动数据之间差值的绝对值,记为该疑似噪声轨道振动数据对应的特征差值;
将根据该疑似噪声轨道振动数据对应的特征差值构建得到的序列,记为该疑似噪声轨道振动数据对应的第一序列;
对于该疑似噪声轨道振动数据对应的第一序列中的任一特征差值,若计算得到该特征差值的两个轨道振动数据中存在该疑似噪声轨道振动数据,则将该特征差值记为目标特征差值;
将该疑似噪声轨道振动数据对应的第一序列中去除目标特征差值后的所有特征差值构建的序列,记为该疑似噪声轨道振动数据对应的第二序列;
计算得到该疑似噪声轨道振动数据对应的第一序列的方差和该疑似噪声轨道振动数据对应的第二序列的方差;
对该疑似噪声轨道振动数据对应的第一序列的方差与其对应的第二序列的方差之间的差值的绝对值进行负映射,将得到的值记为映射值,并将自然常数1与所述映射值的差值记为该疑似噪声轨道振动数据对应的噪声程度;
判断各重组轨道振动数据序列中的各疑似噪声轨道振动数据的噪声程度是否大于等于预设噪声程度阈值,若是,则将对应疑似噪声轨道振动数据记为噪声轨道振动数据。
2.如权利要求1所述的一种列车运行中轨道振动数据异常的监测方法,其特征在于,获取初始轨道振动数据序列的方法,包括:
获取列车运行时间段中各运行时刻对应的轨道振动数据和各运行时刻对应的列车运行速度;
按照时间的先后顺序对所述各运行时刻对应的轨道振动数据进行排序,得到列车运行时间段对应的完整轨道振动数据序列;
获取不同运行速度状态对应的列车运行速度区间;
对于任一运行时刻对应的列车运行速度,若判断该运行时刻对应的列车运行速度位于第y个运行速度状态对应的列车运行速度区间中,则将第y个运行速度状态,记为该运行时刻对应的运行速度状态,所述y为正整数;
根据各运行时刻对应的运行速度状态,对所述完整轨道振动数据序列进行划分,将所述进行划分后得到的各子序列,均记为初始轨道振动数据序列,所述初始轨道振动数据序列中所有轨道振动数据对应的运行时刻对应的运行速度状态一致。
3.如权利要求1所述的一种列车运行中轨道振动数据异常的监测方法,其特征在于,得到所述初始轨道振动数据序列对应的各目标子序列的方法,包括:
利用所述最小周期对初始轨道振动数据序列进行分段,将所述分段后得到的各子序列记为初始轨道振动数据序列对应的各目标子序列。
4.如权利要求1所述的一种列车运行中轨道振动数据异常的监测方法,其特征在于,得到各重组轨道振动数据序列的方法,包括:
将所有目标子序列中相同位置的轨道振动数据构建的序列,记为重组轨道振动数据序列。
5.如权利要求1所述的一种列车运行中轨道振动数据异常的监测方法,其特征在于,得到目标轨道振动数据序列的方法,包括
对于任一重组轨道振动数据序列中的各噪声轨道振动数据:
将该重组轨道振动数据序列中的各噪声轨道振动数据均替换成该重组轨道振动数据序列对应的数据均值,将替换后的重组轨道振动数据序列记为特征轨道振动数据序列;
按照采集轨道振动数据时间的先后顺序,依次对所有特征轨道振动数据序列进行拼接,将拼接后的序列记为目标轨道振动数据序列。
6.如权利要求1所述的一种列车运行中轨道振动数据异常的监测方法,其特征在于,得到所述目标轨道振动数据序列中的异常轨道振动数据的方法,包括:
利用孤立森林算法对所述目标轨道振动数据序列进行异常检测,得到所述目标轨道振动数据序列中的异常轨道振动数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410156912.1A CN117708747A (zh) | 2024-02-04 | 2024-02-04 | 一种列车运行中轨道振动数据异常的监测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410156912.1A CN117708747A (zh) | 2024-02-04 | 2024-02-04 | 一种列车运行中轨道振动数据异常的监测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117708747A true CN117708747A (zh) | 2024-03-15 |
Family
ID=90159271
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410156912.1A Withdrawn CN117708747A (zh) | 2024-02-04 | 2024-02-04 | 一种列车运行中轨道振动数据异常的监测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117708747A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117951455A (zh) * | 2024-03-22 | 2024-04-30 | 汶上义桥煤矿有限责任公司 | 一种刮板输送机运行故障在线监测方法 |
CN117970168A (zh) * | 2024-03-29 | 2024-05-03 | 国网山东省电力公司莱芜供电公司 | 一种双电源转换装置的监测数据高效处理方法 |
CN118469431A (zh) * | 2024-07-10 | 2024-08-09 | 南京龙潭铁路有限公司 | 一种中欧班列铁路物流数据全程追溯方法及系统 |
-
2024
- 2024-02-04 CN CN202410156912.1A patent/CN117708747A/zh not_active Withdrawn
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117951455A (zh) * | 2024-03-22 | 2024-04-30 | 汶上义桥煤矿有限责任公司 | 一种刮板输送机运行故障在线监测方法 |
CN117951455B (zh) * | 2024-03-22 | 2024-06-07 | 汶上义桥煤矿有限责任公司 | 一种刮板输送机运行故障在线监测方法 |
CN117970168A (zh) * | 2024-03-29 | 2024-05-03 | 国网山东省电力公司莱芜供电公司 | 一种双电源转换装置的监测数据高效处理方法 |
CN117970168B (zh) * | 2024-03-29 | 2024-05-28 | 国网山东省电力公司莱芜供电公司 | 一种双电源转换装置的监测数据高效处理方法 |
CN118469431A (zh) * | 2024-07-10 | 2024-08-09 | 南京龙潭铁路有限公司 | 一种中欧班列铁路物流数据全程追溯方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN117708747A (zh) | 一种列车运行中轨道振动数据异常的监测方法 | |
KR101606239B1 (ko) | 센싱 데이터 분석 시스템 및 방법 | |
CN117191305B (zh) | 一种公路桥梁的状态评估方法及系统 | |
JP2008108250A (ja) | 移動体の異常検出システム、及び移動体の異常検出方法 | |
CN117591986B (zh) | 基于人工智能的汽车数据实时处理方法 | |
CN113901379A (zh) | 一种边缘端的实时数据动态在线快速处理方法 | |
CN117743836A (zh) | 一种轴承异常振动监测方法 | |
CN115973715A (zh) | 用于带式运输机的托辊故障检测模型的训练方法和装置 | |
CN112033656A (zh) | 一种基于宽带谱处理的机械系统故障检测方法 | |
JP4044837B2 (ja) | 移動体の異常検出システム、及び移動体の異常検出方法 | |
CN113447287A (zh) | 异常检测装置和方法 | |
WO2018212380A1 (ko) | 개인인증을 위한 웨어러블 디바이스의 ecg 템플릿 검출 방법 | |
CN116364108A (zh) | 变压器声纹检测方法及装置、电子设备、存储介质 | |
AU2021415086B2 (en) | Blade fault diagnosis method, apparatus and system, and storage medium | |
CN114114400A (zh) | 微地震事件有效信号拾取方法 | |
CN112504429A (zh) | 一种强干扰dvs的高精度解调算法 | |
CN114305442B (zh) | 基于滑动窗编码的房颤发生起止点的检测方法 | |
CN114255373B (zh) | 序列异常检测方法、装置、电子设备和可读介质 | |
Wu et al. | A novel acceleration-based fault detection method for lifts | |
CN115356109B (zh) | 一种滚动轴承故障识别方法及系统 | |
CN115511106B (zh) | 基于时序数据生成训练数据的方法、设备和可读存储介质 | |
KR102443221B1 (ko) | 수면 음성 분석 장치 및 방법 | |
CN110179459B (zh) | 一种睡眠微觉醒的识别方法、设备及系统 | |
CN118169745A (zh) | 一种分布式光纤微震监测系统及方法 | |
CN118427769A (zh) | 带式输送机故障诊断方法、系统、终端及存储介质 |
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 | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20240315 |
|
WW01 | Invention patent application withdrawn after publication |