JP2023538686A - 列車車室の振動監視方法、振動信号特徴ライブラリの構築及び応用方法 - Google Patents
列車車室の振動監視方法、振動信号特徴ライブラリの構築及び応用方法 Download PDFInfo
- Publication number
- JP2023538686A JP2023538686A JP2023513270A JP2023513270A JP2023538686A JP 2023538686 A JP2023538686 A JP 2023538686A JP 2023513270 A JP2023513270 A JP 2023513270A JP 2023513270 A JP2023513270 A JP 2023513270A JP 2023538686 A JP2023538686 A JP 2023538686A
- Authority
- JP
- Japan
- Prior art keywords
- vibration
- train
- measurement point
- vibration signal
- total measurement
- 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 73
- 238000012544 monitoring process Methods 0.000 title claims abstract description 44
- 238000010276 construction Methods 0.000 title description 5
- 238000005259 measurement Methods 0.000 claims abstract description 147
- 230000002159 abnormal effect Effects 0.000 claims abstract description 36
- 238000005457 optimization Methods 0.000 claims description 22
- 230000004927 fusion Effects 0.000 claims description 14
- 238000012549 training Methods 0.000 claims description 13
- 238000011156 evaluation Methods 0.000 claims description 8
- 238000010801 machine learning Methods 0.000 claims description 5
- 239000006185 dispersion Substances 0.000 claims description 2
- 238000012545 processing Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 abstract 1
- 239000013585 weight reducing agent Substances 0.000 abstract 1
- 230000010363 phase shift Effects 0.000 description 14
- 230000006870 function Effects 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 238000013500 data storage Methods 0.000 description 4
- 238000000354 decomposition reaction Methods 0.000 description 4
- 238000002474 experimental method Methods 0.000 description 4
- 238000013473 artificial intelligence Methods 0.000 description 3
- 238000002790 cross-validation Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 241000282461 Canis lupus Species 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 230000001186 cumulative effect Effects 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000003595 spectral effect Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 241000282421 Canidae Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000007499 fusion processing Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000009469 supplementation Effects 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
- G01H1/00—Measuring characteristics of vibrations in solids by using direct conduction to the detector
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B61—RAILWAYS
- B61L—GUIDING RAILWAY TRAFFIC; ENSURING THE SAFETY OF RAILWAY TRAFFIC
- B61L15/00—Indicators provided on the vehicle or train for signalling purposes
- B61L15/0081—On-board diagnosis or maintenance
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Mechanical Engineering (AREA)
- Theoretical Computer Science (AREA)
- Computational Linguistics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
- Burglar Alarm Systems (AREA)
- Electric Propulsion And Braking For Vehicles (AREA)
Abstract
Description
列車車室外での既知の振動源が正常に振動している条件及び異常に振動している条件において、それぞれ列車車室内での複数のサブ測定点の横方向、縦方向、垂直方向における振動データMを予め収集し、列車車室内での総測定点の横方向、縦方向、垂直方向における振動データCを予め収集し、列車車室外での各既知の振動源の横方向、縦方向、垂直方向における振動データSを予め収集するステップ1と、
各サブ測定点での振動データMの上位1~J次高調波信号の位相情報及び振幅情報を抽出し、総測定点での振動データCの上位1~J次高調波信号の位相情報及び振幅情報を抽出し、各既知の振動源での上位1~J次高調波信号の位相情報及び振幅情報を抽出するステップ2と、
各非総測定点での振動データと総測定点での振動データとの間の上位1~J次高調波位相差及び高調波振幅比を入力とし、総測定点に対する各非総測定点の横方向、縦方向、垂直方向における位置情報を出力とし、機械学習アルゴリズムによって訓練してモデル1を取得し、
各非総測定点での振動データと総測定点での振動データとの間の上位1~J次高調波位相差を入力とし、各非総測定点での振動データと総測定点での振動データとの間の上位1~J次高調波振幅比を出力とし、機械学習アルゴリズムによって訓練してモデル2を取得し、
非総測定点がサブ測定点と既知の振動源とで構成されるステップ3と、
総測定点の横方向、縦方向、垂直方向におけるリアルタイム振動データCRを収集するステップ4と、
総測定点に対する振動源の位相オフセット、各既知の振動源の組み合わせの動作状態、異常振動タイプを独立変数とし、最適化目的を設定し、モデル1及びモデル2に基づいて多目的最適化アルゴリズムを実行し、列車車室の振動監視結果情報を出力し、前記振動監視結果情報は振動が発生する振動源の位置及び/又は振動が発生する振動源の異常振動タイプ及び/又は総測定点に対する振動が発生する振動源での上位1~J次高調波位相オフセット及び/又は総測定点に対する振動が発生する振動源での上位1~J次高調波振幅比を含むステップ5と、を含むことを特徴とする。
リアルタイム振動源振動信号の周波数領域特徴、時間領域特徴及び画像特徴を抽出して、リアルタイム振動源振動信号の周波数領域特徴及び時間領域特徴に対して特徴融合又は特徴再構築を行うステップ7と、
ステップ7において取得された周波数領域特徴、時間領域特徴、画像特徴、特徴融合又は特徴再構築結果に基づいて、列車車室の振動信号特徴ライブラリを構築するステップ8と、を更に含むことを特徴とする。
訓練して列車車室の振動信号特徴ライブラリにおける振動信号特徴と列車就役性能評価パラメータとの関係モデルを取得し、列車運行過程において、リアルタイムに取得された列車車室の振動信号特徴ライブラリにおける振動信号特徴を関係モデルの入力とし、リアルタイム列車就役性能評価パラメータを出力して取得することを特徴とする。
列車車室の振動信号特徴ライブラリにおける振動信号特徴の時系列情報を利用して、時系列予測方法によって将来のある時刻での振動源での異常振動状況を予測することを特徴とする。
本発明においては、列車車室の非侵入的な振動監視を行う前に、初期訓練データの一部を予め収集する必要がある。該初期訓練データは複数の測定点での侵入的な収集を用い、
ステップ101においては、まず、列車車室内に複数のサブ測定点及び1つの総測定点を配置する。サブ測定点の配置ルールは、列車の複数の横方向断面に対して、横方向断面毎には列車車室の横方向振動信号を測定するための振動センサを少なくとも2つ配置すること、列車の複数の縦方向断面に対して、縦方向断面毎には列車車室の縦方向振動信号を測定するための振動センサを少なくとも2つ配置すること、列車の複数の垂直方向断面に対して、垂直方向断面毎には列車車室の垂直方向振動信号を測定するための振動センサを少なくとも2つ配置すること、である。総測定点には、それぞれ総測定点での横方向、縦方向、垂直方向における振動信号を測定するための振動センサが合計して3つ配置されている。それと同時に、列車車室外での各既知の振動源に対して、各既知の振動源には、それぞれ対応する既知の振動源での横方向、縦方向、垂直方向における振動信号を測定するための振動センサがいずれも3つ配置されている。
信号の更なる分析を容易にし、且つ信号の非侵入的な監視を実現するために、初期訓練セット信号の周波数領域特徴に対して分析抽出を行う必要がある。異なる振動源で発生した振動信号はその時間周波数領域特徴並びに総振動信号測定点との高調波位相シフト、信号時間シフト及び振幅減衰などの特性が区別可能性を有し、同じ振動源での異なる異常振動状況に対応する信号特徴も一意性を有し、信号に対して時間周波数領域分析を行うことは非侵入的な監視及び特徴収集の精度を向上させることができる。
本発明はデータモデリング方式を用いて異なる測定点振動信号の位相シフト、振幅減衰及び測定点位置の関係を分析する。理想的な状態において、振動信号の位相オフセット、振幅減衰及び信号伝搬距離は特定関係を持つが、列車車室の材料の構造が複雑であるなどにより、従来の方法は信号オフセット、減衰及び測定点位置の本当の関係を反映することができない場合が多く、このため、本発明はデータモデリング方式を用いてそれを分析する。
(1)横方向、縦方向、垂直方向における総測定点に対する各サブ測定点及び振動源での測定点の高調波位相差、高調波振幅比データ及び総測定点に対する位置関係データを読み取って、データセットの80%を訓練セット、20%をテストセットとする。
(1)横方向、縦方向、垂直方向における総測定点に対する各サブ測定点及び振動源での測定点の高調波位相差、高調波振幅比データを読み取って、データセットの80%を訓練セット、20%をテストセットとする。
列車の高速運行過程において、列車車室の内部での総測定点のみに横方向、縦方向、垂直方向の3つの方向における総測定点のための振動センサを取り付け、3つの方向における総測定点振動信号をリアルタイムに収集し、且つタイムスタンプを記録し、4G方式でリアルタイム収集データをデータ記憶モジュールに送信し、データ伝送間隔を1分間とする。
ステップ5は具体的に以下を含み、
ステップ501においては、多目的グレイウルフオプティマイザー方法を選択して振動源信号及びその位相シフト決定モデルを構築し、多目的最適化方法を選択して対応するハイパーパラメータを合理的に選択し、それについては、多目的粒子群最適化モデルを用いて対応するパラメータ、例えば最大反復回数を50、グレイウルフ数を100、アーカイブ数を50として決定する。モデル特徴ライブラリは振動源振動信号の周波数領域特徴で構成される特徴ライブラリのみを用いる。
(2)対応する連続独立変数は、
式中、d∈[0.5,z+0.5)、Lci∈(0,1)、Lgi∈(0,1)であり、
且つD=[d+1/2]、lci=[Lci]、lgi=[Lgi]であり、即ちDがdの切り上げであり、lci、lgiがそれぞれLci、Lgiの四捨五入であり、d、lci、lgiは他の特別な意味がない。
ここで、
ここで、F1及びF2が2つの目的関数を示し、wjが各次高調波の重みであり、
リアルタイム振動信号に対して特徴抽出を行うステップ701
(1)信号に対して周波数領域の特徴抽出を行うことについては、ステップ6において取得されたリアルタイム振動源信号に対してステップ2において言及した周波数領域の特徴抽出方法を繰り返して、その周波数領域特徴を抽出する。
KPCA方法を用いて時間領域、周波数領域特徴に対して特徴融合又は特徴再構築を行い、カーネル関数がガウスカーネルを用い、特徴融合過程において、特徴の累積寄与率を計算し、累積寄与率が95%よりも大きな特徴を特徴融合結果とする。すべての特徴データに対して10分割交差検証を行って最適な特徴数を決定する。
ステップ7において抽出した信号特徴に基づいて特徴の適用方法及び特徴の特性に応じて多重特徴ライブラリを構築し、
(1)非侵入的な振動信号の最適化分解特徴ライブラリの構築
上記ステップにおいて取得された各リアルタイム振動源信号特徴において、その周波数領域特徴は高調波位相、高調波振幅、高調波位相シフト、高調波振幅比などの特徴を含み、振動源信号の周波数領域特徴ライブラリを更に豊富化することができ、ステップ2におけるデータフォーマットでデータ記憶モジュールに記憶して、非侵入的な振動信号の多目的最適化分解特徴ライブラリのリアルタイム更新及び補足を完了する。該特徴ライブラリは非侵入的な振動監視に再び応用され得る。
上記ステップにおいて取得された異なる位置でのリアルタイム振動源信号特徴に基づいて、リアルタイムに更新される非侵入的な振動信号認識特徴ライブラリを構築することができ、該非侵入的な振動信号認識特徴ライブラリは人工知能アルゴリズムによる異なる発生源振動信号の認識に応用することができ、該リアルタイム振動源信号特徴はその周波数領域特徴、時間領域特徴、融合特徴を含む。
上記ステップにおいて取得された異なるリアルタイム振動源信号特徴に基づいて、その中の異常振動信号特徴に対して指定収集を行い、リアルタイムに更新される非侵入的な異常振動信号認識特徴ライブラリを構築することができる。
画像学習に基づく深層学習アルゴリズムは振動特徴をより正確に認識することができ、リアルタイム且つ非侵入的に収集された振動源信号に基づいて1つの膨大な列車車室での振動源画像特徴ライブラリを構築することができ、人工知能画像識別方法の応用のために基礎を築く。
ステップ7における特徴融合、特徴再構築方法に基づいて各振動源信号の融合特徴を取得することができ、融合特徴は振動信号の認識過程において効果がより顕著であり、非侵入的な列車車室振動信号の融合特徴ライブラリの構築は人工知能アルゴリズムの本分野での応用を促進することに役立つ。
(1)列車部材の就役性能のリアルタイム評価
実験データを用いて列車車室の振動信号特徴ライブラリにおける振動信号特徴と列車就役性能評価パラメータとの関係モデルを構築し、モデル構築方法はサポートベクターマシン、極限学習機械、人工ニューラルネットワーク、長短期ディープニューラルネットワークなどを用いてもよく、列車運行過程において、ステップ8によって取得された列車車室の振動信号特徴ライブラリにおける振動信号特徴を関係モデルの入力とし、リアルタイム列車就役性能評価パラメータを出力して取得し、列車部材の就役性能のリアルタイム評価を実現することができる。
ステップ8において構築された列車車室の振動信号特徴ライブラリにおける振動信号特徴の時系列情報に基づいて、よく使用される時系列予測方法を用いて将来のある時刻での振動源での異常振動状況を予測し、列車運行過程における分間レベルの列車部材の故障予測を実現することができ、列車の安全性能のリアルタイム管理に役立つ。
Claims (10)
- 列車車室の非侵入的な振動監視方法であって、
列車車室外での既知の振動源が正常に振動している条件及び異常に振動している条件において、それぞれ列車車室内での複数のサブ測定点の横方向、縦方向、垂直方向における振動データMを予め収集し、列車車室内での総測定点の横方向、縦方向、垂直方向における振動データCを予め収集し、列車車室外での各既知の振動源の横方向、縦方向、垂直方向における振動データSを予め収集するステップ1と、
各サブ測定点での振動データMの上位1~J次高調波信号の位相情報及び振幅情報を抽出し、総測定点での振動データCの上位1~J次高調波信号の位相情報及び振幅情報を抽出し、各既知の振動源での上位1~J次高調波信号の位相情報及び振幅情報を抽出するステップ2と、
各非総測定点での振動データと総測定点での振動データとの間の上位1~J次高調波位相差及び高調波振幅比を入力とし、総測定点に対する各非総測定点の横方向、縦方向、垂直方向における位置情報を出力とし、機械学習アルゴリズムによって訓練してモデル1を取得し、
各非総測定点での振動データと総測定点での振動データとの間の上位1~J次高調波位相差を入力とし、各非総測定点での振動データと総測定点での振動データとの間の上位1~J次高調波振幅比を出力とし、機械学習アルゴリズムによって訓練してモデル2を取得し、
非総測定点がサブ測定点と既知の振動源とで構成されるステップ3と、
総測定点の横方向、縦方向、垂直方向におけるリアルタイム振動データCRを収集するステップ4と、
総測定点に対する振動源の位相オフセット、各既知の振動源の組み合わせの動作状態、異常振動タイプを独立変数とし、最適化目的を設定し、モデル1及びモデル2に基づいて多目的最適化アルゴリズムを実行し、列車車室の振動監視結果情報を出力し、前記振動監視結果情報は振動が発生する振動源の位置及び/又は振動が発生する振動源の異常振動タイプ及び/又は総測定点に対する振動が発生する振動源での上位1~J次高調波位相オフセット及び/又は総測定点に対する振動が発生する振動源での上位1~J次高調波振幅比を含むステップ5と、を含むことを特徴とする列車車室の非侵入的な振動監視方法。 - 前記ステップ1において、列車車室外での既知の振動源が正常に振動していることは、列車車室外での各既知の振動源がいずれも正常に振動している第1の場合と、列車車室外でのいずれか1つの既知の振動源が独立して正常に振動しているが、残りの既知の振動源が振動していない第2の場合と、を含むことを特徴とする請求項1に記載の列車車室の非侵入的な振動監視方法。
- 前記ステップ1において、列車車室外での既知の振動源が異常に振動していることは、列車車室外でのいずれか1つの既知の振動源が独立して異常に振動しているが、残りの既知の振動源が振動していない第1の場合と、列車車室外でのいずれか1つの既知の振動源が独立して異常に振動しているが、残りの既知の振動源が正常に振動している第2の場合と、を含むことを特徴とする請求項1に記載の列車車室の非侵入的な振動監視方法。
- 前記ステップ1において、M=[LM,m(t)]、C=[LC,c(t)]、S=[LS,s(t)]であり、m(t)がサブ測定点に対応する振動信号値であり、c(t)が総測定点に対応する振動信号値であり、s(t)が既知の振動源に対応する振動信号値であり、LMがサブ測定点に対応する振動データのタグ値であり且つLM=[lM,lt,lg,ld,lo1]であり、LCが総測定点に対応する振動データのタグ値であり且つLC=[ls,lt,lg,ld]であり、LSが既知の振動源に対応する振動データのタグ値であり且つLS=[lS,lt,lg,ld,lo2]であり、lMがサブ測定点の番号タグであり、ltがタイムスタンプタグであり、lgが異常振動タイプタグであり、lo1が総測定点に対するサブ測定点の横方向、縦方向又は垂直方向における位置情報タグであり、lsは振動が同時に発生する既知の振動源タグであり、ldが振動方向タグであり、lSが既知の振動源の番号タグであり、lo2が総測定点に対する既知の振動源の横方向、縦方向又は垂直方向における位置情報タグであることを特徴とする請求項1に記載の列車車室の非侵入的な振動監視方法。
- 前記ステップ5において、各既知の振動源振動信号の周波数領域特徴の和と総測定点振動信号の各高調波次数の周波数領域特徴との加重差の最小化を実現することを第1最適化目的とし、各既知の振動源振動信号の各高調波次数差の加重分散の最小化を実現することを第2最適化目的とすることを特徴とする請求項4に記載の列車車室の非侵入的な振動監視方法。
- ステップ5において取得された振動監視結果情報を時間領域内のリアルタイム振動源振動信号に変換・復元するステップ6を更に含むことを特徴とする請求項1~5のいずれか1項に記載の列車車室の非侵入的な振動監視方法。
- 列車車室の振動信号特徴ライブラリの構築方法であって、
請求項6に記載の列車車室の非侵入的な振動監視方法を含み、
リアルタイム振動源振動信号の周波数領域特徴、時間領域特徴及び画像特徴を抽出して、リアルタイム振動源振動信号の周波数領域特徴及び時間領域特徴に対して特徴融合又は特徴再構築を行うステップ7と、
ステップ7において取得された周波数領域特徴、時間領域特徴、画像特徴、特徴融合又は特徴再構築結果に基づいて、列車車室の振動信号特徴ライブラリを構築するステップ8と、を更に含むことを特徴とする列車車室の振動信号特徴ライブラリの構築方法。 - 列車車室の振動信号特徴ライブラリにおける情報を利用して前記モデル1及び/又はモデル2に対してオンライン訓練を行うことを更に含むことを特徴とする請求項7に記載の列車車室の振動信号特徴ライブラリの構築方法。
- 請求項7に記載の列車車室の振動信号特徴ライブラリの構築方法で構築された列車車室の振動信号特徴ライブラリの応用方法であって、
訓練して列車車室の振動信号特徴ライブラリにおける振動信号特徴と列車就役性能評価パラメータとの関係モデルを取得し、列車運行過程において、リアルタイムに取得された列車車室の振動信号特徴ライブラリにおける振動信号特徴を関係モデルの入力とし、リアルタイム列車就役性能評価パラメータを出力して取得することを含むことを特徴とする列車車室の振動信号特徴ライブラリの応用方法。 - 請求項7に記載の列車車室の振動信号特徴ライブラリの構築方法で構築された列車車室の振動信号特徴ライブラリの応用方法であって、
列車車室の振動信号特徴ライブラリにおける振動信号特徴の時系列情報を利用して、時系列予測方法によって将来のある時刻での振動源での異常振動状況を予測することを含むことを特徴とする列車車室の振動信号特徴ライブラリの応用方法。
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
PCT/CN2021/070117 WO2022141623A1 (zh) | 2021-01-04 | 2021-01-04 | 列车车室振动监测方法、振动信号特征库建立及应用方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2023538686A true JP2023538686A (ja) | 2023-09-08 |
JP7417342B2 JP7417342B2 (ja) | 2024-01-18 |
Family
ID=82258831
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2023513270A Active JP7417342B2 (ja) | 2021-01-04 | 2021-01-04 | 列車車室の振動監視方法、振動信号特徴ライブラリの構築及び応用方法 |
Country Status (4)
Country | Link |
---|---|
US (1) | US11988547B2 (ja) |
JP (1) | JP7417342B2 (ja) |
AU (1) | AU2021413008B2 (ja) |
WO (1) | WO2022141623A1 (ja) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116256054B (zh) * | 2023-05-15 | 2023-08-04 | 广东电网有限责任公司阳江供电局 | 一种桥臂电抗器的故障监测方法、系统、设备和介质 |
CN117272022B (zh) * | 2023-09-19 | 2024-07-05 | 北京中关村集成电路设计园发展有限责任公司 | 一种mems振荡器的检测方法 |
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 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2011051518A (ja) * | 2009-09-03 | 2011-03-17 | Railway Technical Res Inst | 鉄道車両の状態監視システム |
JP2017077055A (ja) * | 2015-10-13 | 2017-04-20 | 公益財団法人鉄道総合技術研究所 | 状態診断装置及びプログラム |
JP2018184014A (ja) * | 2017-04-24 | 2018-11-22 | 日本車輌製造株式会社 | 鉄道車両の振動表示システム |
US20200189393A1 (en) * | 2018-12-14 | 2020-06-18 | Metro De Madrid, S.A. | Monitoring device for monitoring catenary-pantograph interaction in railway vehicles |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2012088707A1 (zh) | 2010-12-31 | 2012-07-05 | 中国科学院自动化研究所 | 用于设备故障检测的智能检测系统及检测方法 |
AU2016206598B2 (en) * | 2015-01-16 | 2019-11-28 | International Electronic Machines Corp. | Abnormal vehicle dynamics detection |
CN107192444A (zh) | 2017-07-11 | 2017-09-22 | 国电联合动力技术有限公司 | 智能输出式振动监测装置和包括该装置的系统及监测方法 |
CN108750856A (zh) | 2017-12-13 | 2018-11-06 | 浙江新再灵科技股份有限公司 | 一种基于振动分析的电梯平台检测系统及方法 |
CN109353376A (zh) | 2018-10-24 | 2019-02-19 | 西安英特迈思信息科技有限公司 | 轨道车辆监测系统及其监测方法 |
US11429900B1 (en) * | 2021-10-26 | 2022-08-30 | Tractian Limited | Systems and methods for automatic detection of error conditions in mechanical machines |
-
2021
- 2021-01-04 US US17/760,937 patent/US11988547B2/en active Active
- 2021-01-04 WO PCT/CN2021/070117 patent/WO2022141623A1/zh active Application Filing
- 2021-01-04 AU AU2021413008A patent/AU2021413008B2/en active Active
- 2021-01-04 JP JP2023513270A patent/JP7417342B2/ja active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2011051518A (ja) * | 2009-09-03 | 2011-03-17 | Railway Technical Res Inst | 鉄道車両の状態監視システム |
JP2017077055A (ja) * | 2015-10-13 | 2017-04-20 | 公益財団法人鉄道総合技術研究所 | 状態診断装置及びプログラム |
JP2018184014A (ja) * | 2017-04-24 | 2018-11-22 | 日本車輌製造株式会社 | 鉄道車両の振動表示システム |
US20200189393A1 (en) * | 2018-12-14 | 2020-06-18 | Metro De Madrid, S.A. | Monitoring device for monitoring catenary-pantograph interaction in railway vehicles |
Also Published As
Publication number | Publication date |
---|---|
WO2022141623A1 (zh) | 2022-07-07 |
AU2021413008A1 (en) | 2023-03-09 |
US20240044695A1 (en) | 2024-02-08 |
US11988547B2 (en) | 2024-05-21 |
AU2021413008B2 (en) | 2024-05-16 |
JP7417342B2 (ja) | 2024-01-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7417342B2 (ja) | 列車車室の振動監視方法、振動信号特徴ライブラリの構築及び応用方法 | |
Galar et al. | Context awareness for maintenance decision making: A diagnosis and prognosis approach | |
Lindemann et al. | Anomaly detection and prediction in discrete manufacturing based on cooperative LSTM networks | |
CN107851057A (zh) | 预测模型的动态执行 | |
CN110457786B (zh) | 基于深度置信网络的卸船机关联规则故障预测模型方法 | |
CN113247041B (zh) | 一种基于数字孪生模型的轮对轴箱装置状态监测方法 | |
KR20190142600A (ko) | 머신러닝을 이용한 시계열 데이터의 에너지 엔트로피 기반의 진동 이상 징후 탐지시스템 | |
CN112816052B (zh) | 列车车室振动监测方法、振动信号特征库建立及应用方法 | |
CN112800855B (zh) | 一种列车转向架非侵入式实时故障监测方法 | |
CN116380445A (zh) | 基于振动波形的设备状态诊断方法及相关装置 | |
Sun et al. | Prognostics and health management via long short-term digital twins | |
Rahman et al. | Remote condition monitoring of rail tracks using distributed acoustic sensing (DAS): a deep CNN-LSTM-SW based model | |
KR101242060B1 (ko) | 도시철도차량의 신뢰도 및 가용도 관리 시스템 | |
Neves et al. | Development and validation of a data-based SHM method for railway bridges | |
Davari et al. | A fault detection framework based on lstm autoencoder: A case study for volvo bus data set | |
Rahman et al. | Deep learning model for railroad structural health monitoring via distributed acoustic sensing | |
Zeng et al. | Rail break prediction and cause analysis using imbalanced in-service train data | |
Gregori et al. | Assessment of catenary condition monitoring by means of pantograph head acceleration and Artificial Neural Networks | |
CN117648858A (zh) | 机车状态评估方法、装置、设备和介质 | |
Yuan et al. | Unsupervised cross-domain damage detection and localization for vibration isolators in metro floating-slab track | |
CN115600695A (zh) | 一种计量设备的故障诊断方法 | |
Sobrinho et al. | IoT and Big Data Analytics: Under-Rail Maintenance Management at Vitória–Minas Railway | |
Zhang | Sparse bayesian learning approach for damage detection in a population of nominally identical structures | |
He et al. | Remaining Useful Life Prediction of Parts and Components based on BiLSTM Autoencoder with Attention Mechanism and Skip Connection | |
Girstmair et al. | Railway bogie diagnostics using machine learning and Bayesian net reasoning approaches |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20230223 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20231219 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20231225 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20231227 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7417342 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |