CN118411153A - 一种动车车轮尺寸检测设备健康评价方法及系统 - Google Patents
一种动车车轮尺寸检测设备健康评价方法及系统 Download PDFInfo
- Publication number
- CN118411153A CN118411153A CN202410825720.5A CN202410825720A CN118411153A CN 118411153 A CN118411153 A CN 118411153A CN 202410825720 A CN202410825720 A CN 202410825720A CN 118411153 A CN118411153 A CN 118411153A
- Authority
- CN
- China
- Prior art keywords
- health
- evaluation
- model
- equipment
- 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.)
- Pending
Links
- 230000036541 health Effects 0.000 title claims abstract description 118
- 238000011156 evaluation Methods 0.000 title claims abstract description 108
- 238000001514 detection method Methods 0.000 title claims abstract description 42
- 238000000034 method Methods 0.000 claims abstract description 37
- 238000013210 evaluation model Methods 0.000 claims abstract description 34
- 230000009467 reduction Effects 0.000 claims abstract description 18
- 238000009826 distribution Methods 0.000 claims abstract description 15
- 230000000007 visual effect Effects 0.000 claims abstract description 11
- 238000007781 pre-processing Methods 0.000 claims abstract description 9
- 238000004422 calculation algorithm Methods 0.000 claims description 16
- 230000002159 abnormal effect Effects 0.000 claims description 9
- 238000000605 extraction Methods 0.000 claims description 9
- 238000010276 construction Methods 0.000 claims description 8
- 238000005457 optimization Methods 0.000 claims description 8
- 238000012795 verification Methods 0.000 claims description 8
- 238000011161 development Methods 0.000 claims description 5
- 238000012800 visualization Methods 0.000 claims description 5
- 238000009825 accumulation Methods 0.000 claims description 4
- 238000007637 random forest analysis Methods 0.000 claims description 4
- 230000008859 change Effects 0.000 claims description 3
- 230000009471 action Effects 0.000 claims description 2
- 238000012854 evaluation process Methods 0.000 claims description 2
- 238000012545 processing Methods 0.000 claims description 2
- 238000012423 maintenance Methods 0.000 abstract description 20
- 230000003111 delayed effect Effects 0.000 abstract description 2
- 238000004519 manufacturing process Methods 0.000 description 9
- 238000005516 engineering process Methods 0.000 description 6
- 230000008439 repair process Effects 0.000 description 5
- 238000007726 management method Methods 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 238000011160 research Methods 0.000 description 3
- 206010063385 Intellectualisation Diseases 0.000 description 2
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000009412 basement excavation Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 230000003862 health status Effects 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000035800 maturation Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003449 preventive effect Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000011084 recovery Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 229910052742 iron Inorganic materials 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
Landscapes
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明公开了一种动车车轮尺寸检测设备健康评价方法及系统，包括：采集车轮尺寸检测设备的功能参数；对功能参数进行预处理，使其满足正态分布后，对功能参数进行降维；构建综合评价模型，将降维后提取的数据作为该模型的输入参数，通过综合评价模型反馈车轮尺寸检测设备的健康评价结果；将健康评价结果进行可视化展示，可视化展示包括建立健康评价报告与构建数字孪生模型。针对车轮组车轮检测设备计划检修和事后检修造成的检修维护时机滞后、效率低以及成本高等问题，对设备健康状态进行评估和预测，可改进动车检测设备维修保养方式，解决目前阶段维修成本高、效率低等问题，提升车轮组车轮检测设备的可靠性，保障铁路安全。
Description
技术领域
本发明涉及车轮检查设备健康评价领域，具体而言，涉及一种动车车轮尺寸检测设备健康评价方法及系统。
背景技术
加快推动新一代信息技术与制造技术的融合发展，将智能制造作为两化深度融合的主攻方向，着力发展智能装备和智能产品，推动生产过程智能化，培育新型生产方式，全面提升企业研发、生产、管理和服务的智能化水平。设备健康状态评估是工业企业的核心业务，是设备智能化和设备管理智能化的重要组成部分。基于设备使用现状的，对设备的健康状态进行科学合理的评价，开展合理科学的大修、小修、计划修、预防修至关重要。此外，铁总发布的[2021]114 号、[2021]59 号文件也要求实现标准化、自动化及智能化检修，在保障设备可靠性的情况下，开展计划性预防修。设备健康状态评估是一种促进设备全面健康的管理模式，能够帮助作业人员准确掌握设备技术状态和风险点的情况，通过准确有效的设备检维修活动，减少设备健康风险，因此，对设备进行科学、合理的健康评价至关重要。
目前对设备进行评价的主要有两个方向：一是利用设备目前监测到的运行指标，通过与专家诊断出各指标的重要性关系，利用层次分析法等主观性较强的方法对设备健康状态进行评价，该技术存在主观性较强，考虑指标不全等问题，不能完整的体显出设备的健康状态。二是增加监测的传感器，监测主要影响设备运行的器件，使用机器学习、深度学习算法对设备健康状态进行识别，判断出设备的状态，但部分设备构造较为复杂，需要监测的器件较多，对监测传感器的型号、配置要求较高，设备生产的成本加大，且部分器件无法通过传感器进行监测，监测的项目也无法完全反映出设备的状态信息。
发明内容
有鉴于此，本发明提供一种动车车轮尺寸检测设备健康评价方法及系统，以解决上述问题。
为解决以上技术问题，本发明提供了一种动车车轮尺寸检测设备健康评价方法，包括：
采集车轮尺寸检测设备的功能参数；
对功能参数进行预处理，使其满足正态分布后，对功能参数进行降维；
构建综合评价模型，将降维后提取的数据作为该模型的输入参数，通过综合评价模型反馈车轮尺寸检测设备的健康评价结果；
将健康评价结果进行可视化展示，可视化展示包括建立健康评价报告与构建数字孪生模型。
作为一种可选方式，功能参数包括车轮尺寸检测设备的运行数据、数据质量数据、设备综合评价数据与故障数据。
作为一种可选方式，对功能参数进行预处理为对功能参数进行标准化处理；
对功能参数进行降维包括：
按照预设将功能参数中对设备健康影响贡献率大于阈值的特征作为第一主要特征；之后对每个第一主要特征中，线性组合关系对第一主要特征的影响绝对值大于预设值的功能参数指标进行汇总，得到第二主要特征；第二主要特征为综合评价模型的输入参数。
作为一种可选方式，综合评价模型在进行评估时，如若综合评价模型在准确率达不到要求时和/或输入参数未进行积累时，此阶段会将模型的输出参数进行打包用于模型的二次构建与优化；直到综合评价模型的准确率达到预期，其输出参数才会作为模型数据集的积累。
作为一种可选方式，综合评价模型的评价过程包括：
输入参数后，分别进行主观评价与客观评价，并对主观评价与客观评价的结果进行加权得到设备评价权重后，进行结果汇总。
作为一种可选方式，主观评价包括：
通过专家根据目前数据的分布情况和现阶段设备运行情况，对降维后的指标重要性进行打分，然后综合汇总所有结果并剔除异常值，根据各特征的均值，计算出各指标的权重；
客观评价包括：
利用熵权法对目前数据特征进行赋权，从数据分布角度，得到设备各特征客观权重。
作为一种可选方式，将降维数据输入后，选择特征的新数据和以往数据通过熵权法计算出综合权重，当综合权重与主观权重结合计算出的结果不满足验证时，对加权公式进行调整，直到参数满足验证条件。
作为一种可选方式，以随机森林、GBDT与XGBoost算法为基学习器，使用stacking方法计算综合结果，并将该结果将作为健康评价的最后结果。
作为一种可选方式，健康评价报告用于展示设备健康评估的分数及状态、该设备近期的状态趋势曲线、有关设备健康评估的明细数据及该设备与同类型设备状态变化、发展情况的横向对比；
数字孪生模型用于实现设备物理模型与虚拟模型的同步性和交互性，其配置有BIM模型、图表、指标和报警模块，用于快速了解设备和设施的运行情况，并及时采取措施；采取措施后，异常设备或者部件标记会被取消。
另一方面，本发明还提供了一种动车车轮尺寸检测设备健康评价系统，用于执行上述的动车车轮尺寸检测设备健康评价方法，包括：
数据采集模块，数据采集模块用于采集车轮尺寸检测设备的功能参数；
特征提取模块，特征提取模块用于对功能参数进行预处理，使其满足正态分布后，对功能参数进行降维；
模型构建模块，模型构建模块用于构建综合评价模型，将降维后提取的数据作为该模型的输入参数，通过综合评价模型反馈车轮尺寸检测设备的健康评价结果；
健康评价模块，健康评价模块用于将积累的模型输出参数按照预设方法转化为最终健康评价结果；
健康评价可视化模块，健康评价可视化模块将健康评价结果进行可视化展示，可视化展示包括建立健康评价报告与构建数字孪生模型。
本发明的有益效果为：
针对车轮组车轮检测设备计划检修和事后检修造成的检修维护时机滞后、效率低以及成本高等问题，本发明提出了一种动车车轮尺寸检测设备健康评价方法和系统，对设备健康状态进行评估和预测，可改进动车检测设备维修保养方式，解决目前阶段维修成本高、效率低等问题，提升动车组车轮检测设备的可靠性，保障铁路安全。
附图说明
图1为本发明实施例提供的健康评估方法应用流程示意图；
图2为本发明实施例提供的车轮尺寸检测设备健康评价算法流程图；
图3为本发明实施例提供的主成分析提取特征流程示意图；
图4为本发明实施例提供的模型构建流程图；
图5为本发明实施例提供的健康评价模型应用示意图。
具体实施方式
为了使本领域的技术人员更好地理解本发明的技术方案，下面结合具体实施方式对本发明作进一步的详细说明。
实施例
目前对设备进行评价的主要有两个方向：一是利用设备目前监测到的运行指标，通过与专家诊断出各指标的重要性关系，利用层次分析法等主观性较强的方法对设备健康状态进行评价，该技术存在主观性较强，考虑指标不全等问题，不能完整的体显出设备的健康状态。二是增加监测的传感器，监测主要影响设备运行的器件，使用机器学习、深度学习算法对设备健康状态进行识别，判断出设备的状态，但是部分设备构造较为复杂，需要监测的器件较多，对监测传感器的型号、配置要求较高，设备生产的成本加大，且部分器件无法通过传感器进行监测，监测的项目也无法完全反映出设备的状态信息。
请参阅图1，其为本实施例健康评估方法应用流程，为应对目前技术发展现状，从数据的获取、健康评估的算法以及结果可视化的展示上进行了创新与改进。本实施例深入对设备运行、构造等进行了解与掌握，为保障数据的全面性，本实施例增加了物联网关，改进了数据的接入方式，实现了设备多种格式的数据接入，然后进行全面数据的挖掘与分析，并结合相关专家、技术人员的意见，归纳出可从设备的稳定性、设备的性能、设备的维护水平对设备健康状态进行评价，三个维度的指标能较为全面的体现出设备健康状态。此外，评价的方法结合了主客观因素的意见，对设备进行评价，并结合多种算法对设备状态进行预测。最后，目前多数设备健康研究只对算法进行研究，未考虑现场应用人员工作的便捷性与操作性，故本实施例融合了数字孪生技术，将现实设备映射到虚拟空间，对设备的状态进行可视化展示，便于操作人员查看与使用。
请参阅图2-图5，本实施例是这样实现的：
一种动车车轮尺寸检测设备健康评价方法，包括：采集车轮尺寸检测设备的功能参数；对功能参数进行预处理，使其满足正态分布后，对功能参数进行降维；构建综合评价模型，将降维后提取的数据作为该模型的输入参数，通过综合评价模型反馈车轮尺寸检测设备的健康评价结果；将健康评价结果进行可视化展示，可视化展示包括建立健康评价报告与构建数字孪生模型。
在进行数据采集时，因车轮尺寸检测设备运行会实时产生多种不同格式的数据（功能参数），如图像数据、超声数据、状态数据等，数据量较大，以往的数据接入方式无法将其高效、完整的接入，进行数据的积累。本实施例增加了物联网关实现对数据进行接入，通过其采集车轮尺寸检测设备的运行数据、数据质量数据、设备综合评价数据、故障数据等，这些数据主要包含设备稳定性、设备数据质量、数据维保维修维度，各维度之下有一些对应的指标，各维度分别有11个指标、7个指标、5个指标，指标总共23个，指标详情如表1所示，这些指标可以比较全面的反映出设备的健康状态情况。
表1 设备健康评估指标表
| 设备稳定性 | 数据质量 | 维护水平 |
| 数据采集箱1 | 精度满足率 | 故障平均恢复时间 |
| 数据采集箱2 | 设备有效作业率 | 软件正常运行时间 |
| 数据采集箱3 | 设备利用率 | 硬件正常运行时间 |
| 数据采集箱4 | 时间利用率 | 单设备维护人员比例 |
| 数据采集箱5 | 故障停机率 | 设备月检修次数 |
| 数据采集箱6 | 设备故障率 | |
| 数据采集箱7 | 时间完好率 | |
| 数据采集箱8 | ||
| 精确触发传感器 | ||
| 轨边综合控制箱 | ||
| 轨边环境控制箱 |
之后，对上述的数据进行特征提取，通过特征提取模块首先会对数据进行标准化处理，由于之后要进行主成分分析提取指标，需要使数据满足正态分布，所以使用z-score标准化。公式为：(x-mean)/std，其中x为原始数据，mean和std为数据的平均值和标准差。
本实施例流程如图3所示，本实施例对数据进行降维，提取出第一主要特征作为主成分。找出对贡献率影响较大的指标作为第二主要特征，作为降维结果以进行模型输入。
作为可选的是，按照主成分贡献率大于80%的成分作为主成分的结果，选取了3个主成分。另外，再由于选择的主成分是组合后的变量，为保证指标的完备性，本实施例对主成分方法进行了简单的修改，选择对每个主成分的线性组合关系中对主成分的影响绝对值大于0.6的指标进行汇总统计，汇总后的指标作为进行下一步健康评价的指标，一共选择出了13个指标，设备稳定性、设备数据质量、数据维保维修维度指标分别有6个，4个，3个，具体如表2所示。
表2 主成分提取特征结果
| 设备稳定性 | 数据质量 | 维护水平 |
| 数据采集箱1 | 精度满足率 | 故障平均恢复时间 |
| 数据采集箱4 | 设备有效作业率 | 软件正常运行时间 |
| 数据采集箱6 | 故障停机率 | 硬件正常运行时间 |
| 数据采集箱8 | 设备故障率 | |
| 轨边综合控制箱 | ||
| 精确触发传感器 |
特别的，落实到本实施例中，根据健康评估的阶段，将其分为两个阶段，分别为调试优化阶段和模型成熟阶段。在健康评价模型调试优化阶段，应用于健康评估算法准确率不太高或者健康评估数据集未进行积累或者积累数据量较少时，此阶段降维后的数据会输入模型构建模块，进行评价模型构建、优化调整，健康评价模型准确性达到预期之后，降维后的数据会输入健康评价模块，作为健康评价模型数据集的积累。
本实施例的模型构建模块如图4所示，主要分为两个部分，第一部分是综合评价模型，第二部分是综合评价模型的调整优化。降维后的数据输入后，会通过主观评价与客观评价来计算出健康评价结果。
本实施例的主观评价部分采用专家评价法。通过一些相关的专家和对设备熟悉的技术人员根据目前数据的分布情况和现阶段设备运行情况，对降维后的指标重要性进行打分，然后综合汇总所有结果并剔除异常值，根据各特征的均值，计算出各指标的权重，其中表示第i个指标的主观权重。之后输入的数据会根据所得权重，计算出设备健康评价主观结果。
本实施例的客观评价部分采用熵权法。利用熵权法对目前数据特征进行赋权，从数据分布角度，得到设备各特征客观权重，其中表示第i个指标的客观权重。之后输入的数据会根据所得权重，计算出设备健康评价客观结果。
之后，对上述主观评价和客观评价进行综合时，采用加权平均法。对各两种评价方法所得指标权重进行加权，得到的结果作为设备指标最终权重。加权公式为：，表示第i个指标的主客观加权权重，k为加权因子，k的取值会根据实践效果进行调整优化，k值调整依据为先前设备健康评价结果及其反馈的准确率。
最后进行结果汇总。汇总后综合权重结果及特征数值作为设备的健康评价结果，公式为：，其中F为设备健康分数，表示指标权重，表示指标分值。以及现场反馈，现场技术人员会每天跟踪设备的情况，对各指标的结果进行核对，反馈设备的真实状态；算法人员会根据目前阶段的反馈数据，不断调整评价的相关算法，利用算法结果与实际结果的准确率作为验证模型的依据，准确率达到设置的阈值之后，模型再试用一段时间无明显问题，认为模型达到成熟。
可选的，除了单纯的训练，本实施例还包括了综合评价模型调整与优化。在降维数据输入后，选择特征的新数据和以往数据通过熵权法计算出权重，权重会与主观权重结合计算出的结果不满足验证时，会自动调整加权公式主观与客观加权的参数，直到参数满足验证条件。
上述模型构建完之后，且当模型处于成熟阶段时，健康评价模块会根据目前积累的数据，以随机森林、GBDT、XGBoost算法为基学习器，使用stacking方法计算出三种方法的综合结果，其结果将作为健康评价的最后结果，如图5所示，之后只需定期更新模型的参数及算法。目前此模块考虑了自动训练的功能，每次输入数据前会根据计算日期前的数据训练多种基学习器（随机森林、GBDT、XGBoost算法），再使用stacking方法训练出综合模型，模型根据阈值（以往反馈数据准确率）自动训练，调整模型相关的参数，输出局部最优的参数，最后会结合多个模型结果，得到多个模型的综合结果作为最终的健康评价分数，用于指导生产、应用实践。若某次模型训练未达到阈值，会选择目前训练最优结果进行输出，并对当前日期进行标记，便于之后的验证与调整优化。模型成熟后特征提取模块的结果会直接输入到健康评价模块，用于之后的设备健康状态的预测。
最后，为了方便技术人员进行使用，本实施例还将对对健康评价结果进行可视化展示，主要分为两个部分，第一部分是健康评价报告，健康评价报告展示了设备健康评估的分数及状态、该设备近期的状态趋势曲线、有关设备健康评估的明细数据及该设备与同类型设备状态变化、发展情况的横向对比；第二部分是数字孪生模型，实现了设备物理模型与虚拟模型的同步性和交互性，用户可以通过BIM模型、图表、指标和报警信息等方式，快速了解设备和设施的运行情况，并及时采取措施。采取相应措施后，异常设备或者部件标记会被取消。此外，用户也可以通过其快速了解设备，培训新员工及开展相关的技术论证研究。
基于上述方案，本实施例为解决设备健康状态评估领域评价方法主观性较强、对设备的挖掘不够深入全面、迁移性和实用性不强的问题，本实施例从设备多源数据接入、算法优化、结果可视化创新入手，通过构建多维度设备健康评估指标体系，提出了一种深入挖掘与分析设备情况的评价方法、健康评估多模型组合预测方法及健康评估结果数字孪生展示。
本实施例从设备的稳定性、性能和维护水平三个维度，对设备健康状态进行全面评价，涉及的指标能够全面反映设备健康状态。评价方法不仅考虑了相关专家、技术人员的意见，还兼顾了数据的分布情况，从实际客观出发计算出设备各指标的权重，综合考虑主客观因素，对设备进行评价。多模型组合预测方法能够大大提高设备健康状态评估的准确性和实用性，增加评价的效率，为实现智能制造和设备可靠性提供支持。
此外，本实施例还提供了一种动车车轮尺寸检测设备健康评价系统，用于执行上述的动车车轮尺寸检测设备健康评价方法，包括：
数据采集模块，数据采集模块用于采集车轮尺寸检测设备的功能参数；
特征提取模块，特征提取模块用于对功能参数进行预处理，使其满足正态分布后，对功能参数进行降维；
模型构建模块，模型构建模块用于构建综合评价模型，将降维后提取的数据作为该模型的输入参数，通过综合评价模型反馈车轮尺寸检测设备的健康评价结果；
健康评价模块，健康评价模块用于将积累的模型输出参数按照预设方法转化为最终健康评价结果；
健康评价可视化模块，健康评价可视化模块将健康评价结果进行可视化展示，可视化展示包括建立健康评价报告与构建数字孪生模型。
综合上述，本实施例应用领域是车轮组车轮尺寸检测设备，并从数据角度考虑了数据的全面性，基于设备运行情况，分析了设备的运行规律、故障规律，然后结合主观因素、客观因素多维度对设备进行了评价，以及将评价结果应用到了现场，进行了实践验证。此外，本实施例还融合了数字孪生技术及物联网技术， 基于设备的健康状态及使用情况，对异常设备或者部件进行标记，展示给用户，实现了设备的物理实体与虚拟实体的同步性和交互性，提升了对物理实体的实时监测、仿真和预测能力，促进了设备的智能化管理与运维。用户可以通过BIM模型、图表、指标和报警信息等方式，快速了解设备和设施的运行情况，并及时采取措施。采取相应措施后，异常设备或者部件标记会被取消。数字孪生技术与健康评估的结合应用，可快速、直观的展示出设备的健康情况，便于问题的快速解决。
以上仅是本发明的优选实施方式，应当指出的是，上述优选实施方式不应视为对本发明的限制，本发明的保护范围应当以权利要求所限定的范围为准。对于本技术领域的普通技术人员来说，在不脱离本发明的精神和范围内，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。
Claims (10)
1.一种动车车轮尺寸检测设备健康评价方法，其特征在于，包括：
采集车轮尺寸检测设备的功能参数；
对所述功能参数进行预处理，使其满足正态分布后，对所述功能参数进行降维；
构建综合评价模型，将降维后提取的数据作为该模型的输入参数，通过所述综合评价模型反馈车轮尺寸检测设备的健康评价结果；
将所述健康评价结果进行可视化展示，所述可视化展示包括建立健康评价报告与构建数字孪生模型。
2.根据权利要求1所述的一种动车车轮尺寸检测设备健康评价方法，其特征在于，所述功能参数包括车轮尺寸检测设备的运行数据、数据质量数据、设备综合评价数据与故障数据。
3.根据权利要求1所述的一种动车车轮尺寸检测设备健康评价方法，其特征在于，所述对所述功能参数进行预处理为对所述功能参数进行标准化处理；
所述对所述功能参数进行降维包括：
按照预设将功能参数中对设备健康影响贡献率大于阈值的特征作为第一主要特征；之后对每个第一主要特征中，线性组合关系对第一主要特征的影响绝对值大于预设值的功能参数指标进行汇总，得到第二主要特征；所述第二主要特征为所述综合评价模型的输入参数。
4.根据权利要求3所述的一种动车车轮尺寸检测设备健康评价方法，其特征在于，所述综合评价模型在进行评估时，如若所述综合评价模型在准确率达不到要求时和/或输入参数未进行积累时，此阶段会将模型的输出参数进行打包用于模型的二次构建与优化；直到综合评价模型的准确率达到预期，其输出参数才会作为模型数据集的积累。
5.根据权利要求1所述的一种动车车轮尺寸检测设备健康评价方法，其特征在于，所述综合评价模型的评价过程包括：
输入参数后，分别进行主观评价与客观评价，并对所述主观评价与客观评价的结果进行加权得到设备评价权重后，进行结果汇总。
6.根据权利要求5所述的一种动车车轮尺寸检测设备健康评价方法，其特征在于，所述主观评价包括：
通过专家根据目前数据的分布情况和现阶段设备运行情况，对降维后的指标重要性进行打分，然后综合汇总所有结果并剔除异常值，根据各特征的均值，计算出各指标的权重；
所述客观评价包括：
利用熵权法对目前数据特征进行赋权，从数据分布角度，得到设备各特征客观权重。
7.根据权利要求6所述的一种动车车轮尺寸检测设备健康评价方法，其特征在于，将降维数据输入后，选择特征的新数据和以往数据通过熵权法计算出综合权重，当综合权重与主观权重结合计算出的结果不满足验证时，对加权公式进行调整，直到参数满足验证条件。
8.根据权利要求1所述的一种动车车轮尺寸检测设备健康评价方法，其特征在于，以随机森林、GBDT与XGBoost算法为基学习器，使用stacking方法计算综合结果，并将该结果将作为健康评价的最后结果。
9.根据权利要求1所述的一种动车车轮尺寸检测设备健康评价方法，其特征在于，所述健康评价报告用于展示设备健康评估的分数及状态、该设备近期的状态趋势曲线、有关设备健康评估的明细数据及该设备与同类型设备状态变化、发展情况的横向对比；
所述数字孪生模型用于实现设备物理模型与虚拟模型的同步性和交互性，其配置有BIM模型、图表、指标和报警模块，用于快速了解设备和设施的运行情况，并及时采取措施；采取措施后，异常设备或者部件标记会被取消。
10.一种动车车轮尺寸检测设备健康评价系统，用于执行如权利要求1-9任意一项所述的动车车轮尺寸检测设备健康评价方法，其特征在于，包括：
数据采集模块，所述数据采集模块用于采集车轮尺寸检测设备的功能参数；
特征提取模块，所述特征提取模块用于对所述功能参数进行预处理，使其满足正态分布后，对所述功能参数进行降维；
模型构建模块，所述模型构建模块用于构建综合评价模型，将降维后提取的数据作为该模型的输入参数，通过所述综合评价模型反馈车轮尺寸检测设备的健康评价结果；
健康评价模块，所述健康评价模块用于将积累的模型输出参数按照预设方法转化为最终健康评价结果；
健康评价可视化模块，所述健康评价可视化模块将所述健康评价结果进行可视化展示，所述可视化展示包括建立健康评价报告与构建数字孪生模型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410825720.5A CN118411153A (zh) | 2024-06-25 | 2024-06-25 | 一种动车车轮尺寸检测设备健康评价方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410825720.5A CN118411153A (zh) | 2024-06-25 | 2024-06-25 | 一种动车车轮尺寸检测设备健康评价方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN118411153A true CN118411153A (zh) | 2024-07-30 |
Family
ID=91983260
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410825720.5A Pending CN118411153A (zh) | 2024-06-25 | 2024-06-25 | 一种动车车轮尺寸检测设备健康评价方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN118411153A (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111240300A (zh) * | 2020-01-07 | 2020-06-05 | 国电南瑞科技股份有限公司 | 基于大数据的车辆健康状态评估模型构建方法 |
| CN112213103A (zh) * | 2019-07-12 | 2021-01-12 | 中车株洲电力机车研究所有限公司 | 轨道交通机车车辆轴承的故障诊断方法、装置、系统及介质 |
| CN116562670A (zh) * | 2023-03-28 | 2023-08-08 | 国网辽宁省电力有限公司电力科学研究院 | 一种变压器健康指数快速简化评价方法 |
| CN116859259A (zh) * | 2023-07-20 | 2023-10-10 | 重庆理工大学 | 基于集成学习和实车大数据的电池健康状态估计方法 |
-
2024
- 2024-06-25 CN CN202410825720.5A patent/CN118411153A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112213103A (zh) * | 2019-07-12 | 2021-01-12 | 中车株洲电力机车研究所有限公司 | 轨道交通机车车辆轴承的故障诊断方法、装置、系统及介质 |
| CN111240300A (zh) * | 2020-01-07 | 2020-06-05 | 国电南瑞科技股份有限公司 | 基于大数据的车辆健康状态评估模型构建方法 |
| CN116562670A (zh) * | 2023-03-28 | 2023-08-08 | 国网辽宁省电力有限公司电力科学研究院 | 一种变压器健康指数快速简化评价方法 |
| CN116859259A (zh) * | 2023-07-20 | 2023-10-10 | 重庆理工大学 | 基于集成学习和实车大数据的电池健康状态估计方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108154291B (zh) | 一种基于策略库的供电厂性能指标评价方法及系统 | |
| CN106327062A (zh) | 一种配电网设备的状态评估方法 | |
| CN109857080B (zh) | 一种基于bim的智能船闸运维系统 | |
| CN107256449B (zh) | 一种智能变电站继电保护装置状态评价与评估方法 | |
| CN104638764A (zh) | 配网设备状态智能诊断和检修系统 | |
| CN109272140B (zh) | 一种基于大数据分析的变电设备运行期成本预测方法 | |
| CN115639840B (zh) | 一种基于光伏电站运维分析的无人机巡检方法 | |
| CN104933477A (zh) | 一种利用输变电设备风险评估优化检修策略的方法 | |
| JP4176596B2 (ja) | 設備運用計画作成システム | |
| CN113672592A (zh) | 基于区块链的温室气体核算系统 | |
| CN106570567A (zh) | 一种主网检修多约束多目标评估专家系统及优化方法 | |
| CN113537523A (zh) | 一种变电设备状态检修及辅助决策方法 | |
| CN115511367B (zh) | 生产线的质量智能管理系统 | |
| CN102545381A (zh) | 一种电网设备技术监督数据分析中心系统 | |
| CN118353162A (zh) | 一种电厂变压器智能检测预警方法及系统 | |
| CN118462500A (zh) | 一种智慧风电场综合效能评估方法 | |
| CN115062901A (zh) | 一种电力信息化综合绩效的评估方法 | |
| CN118378832A (zh) | 基于人工智能的调度负荷数据分析提示系统 | |
| CN113902236B (zh) | 一种自适应现场作业风险动态评估方法 | |
| CN114298590A (zh) | 一种医疗机构院感管理质量评估系统及方法 | |
| CN113313365A (zh) | 一种一次风机的劣化预警方法及设备 | |
| CN117455450A (zh) | 大型能源装备部件运维决策支持及检修作业指导平台 | |
| CN118411153A (zh) | 一种动车车轮尺寸检测设备健康评价方法及系统 | |
| CN114861973B (zh) | 一种计及多源因素的风力发电系统风险评估方法 | |
| CN109299863A (zh) | Btm设备评价系统 |
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 |