WO2016091084A1 - 一种基于复杂网络的高速列车系统安全评估方法 - Google Patents

一种基于复杂网络的高速列车系统安全评估方法 Download PDF

Info

Publication number
WO2016091084A1
WO2016091084A1 PCT/CN2015/095721 CN2015095721W WO2016091084A1 WO 2016091084 A1 WO2016091084 A1 WO 2016091084A1 CN 2015095721 W CN2015095721 W CN 2015095721W WO 2016091084 A1 WO2016091084 A1 WO 2016091084A1
Authority
WO
WIPO (PCT)
Prior art keywords
speed train
sample
safety
security level
train system
Prior art date
Application number
PCT/CN2015/095721
Other languages
English (en)
French (fr)
Inventor
贾利民
秦勇
王艳辉
林帅
史浩
毕利锋
郭磊
李莉洁
李曼
Original Assignee
北京交通大学
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 北京交通大学 filed Critical 北京交通大学
Priority to US15/123,684 priority Critical patent/US9630637B2/en
Publication of WO2016091084A1 publication Critical patent/WO2016091084A1/zh

Links

Images

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B61—RAILWAYS
    • B61L—GUIDING RAILWAY TRAFFIC; ENSURING THE SAFETY OF RAILWAY TRAFFIC
    • B61L99/00—Subject matter not provided for in other groups of this subclass
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B61—RAILWAYS
    • B61L—GUIDING RAILWAY TRAFFIC; ENSURING THE SAFETY OF RAILWAY TRAFFIC
    • B61L27/00—Central railway traffic control systems; Trackside control; Communication systems specially adapted therefor
    • B61L27/50—Trackside diagnosis or maintenance, e.g. software upgrades
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B61—RAILWAYS
    • B61L—GUIDING RAILWAY TRAFFIC; ENSURING THE SAFETY OF RAILWAY TRAFFIC
    • B61L27/00—Central railway traffic control systems; Trackside control; Communication systems specially adapted therefor
    • B61L27/60—Testing or simulation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/01—Protocols
    • H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks

Definitions

  • the invention belongs to the technical field of high-speed train system safety, and particularly relates to a safety evaluation method for a high-speed train system based on a complex network.
  • SVM Small Vector Machine
  • kNN k-nearest neighbor
  • the weighted kNN-SVM-based safety assessment method based on the position of the component in the system and the reliability of the component, removes the subjective factors in the matrix method, so The safety assessment of high-speed rail has great practical value and promotion significance.
  • the object of the present invention is to provide a high-speed train system safety evaluation method based on a complex network, which comprises the following steps:
  • Step 1 According to the physical structure relationship of the high-speed train, construct a high-speed train network model G(V, E).
  • ⁇ i is the failure rate of node i
  • k i is the degree of node i in the complex network theory, that is, the number of edges connected to the node
  • Step 2 By analyzing the fault data of the high-speed train operation and combining the physical structure of the high-speed train system, extracting the functional attribute value of the component
  • the failure rate ⁇ i and the mean time between failures (MTBF) are used as a training sample set to normalize the training sample set:
  • the mean time between failures MTBF is derived from the fault time recorded in the fault data, ie
  • Step 3 Use kNN-SVM to classify the security level of the sample.
  • the SVM classifiers are respectively created with the most classified faces, and their expressions are as follows:
  • K(x ij , x) is a kernel function
  • x is a support vector
  • a t is a weight coefficient of SVM
  • b ij is an offset coefficient
  • the above two types of classifiers are respectively combined, and the voting level is used to count the security level to which the component belongs.
  • the class with the most votes is the security level of the component;
  • the weighting kNN-based discriminant function is defined to re-areify the safety level of the components. The specific steps are as follows:
  • x jm is the mth feature attribute of the jth sample point in the test sample
  • c im is the mth feature attribute in the i-th sample center
  • m is the number of k-nearest neighbors
  • u i (x) is the degree of closeness membership of the test sample belonging to the i-th training data
  • u i (x (j) ) is the j-th neighbor belonging to the i-th security level Affiliation
  • the safety of the high-speed train is divided into the following levels:
  • the invention has the beneficial effects that compared with the prior art, the method utilizes the functional attribute degree of the complex network extraction node, and extracts the failure rate and the average time between failures according to the fault data, and performs training through the SVM;
  • the existence of the problem of unclassification, considering the positional importance of the node in the system; introducing the weighted kNN-SVM to test the sample points, and finally obtaining the influence of the components on the safety of the high-speed train system, can obtain more accurate classification results, high speed The safety judgment of the train has been verified, and the verification results show that this method has high practical value.
  • Figure 1 is a flow chart of a high-speed train safety assessment method based on complex network and weighted kNN-SVM.
  • Figure 2 shows the physical structure network model of the high-speed train system.
  • Figure 3 shows the areas where the SVM method cannot be classified.
  • Figure 4 shows the training set samples.
  • the invention provides a high-speed train system safety evaluation method based on a complex network, and the present invention is further described below with reference to the accompanying drawings.
  • Figure 1 shows the flow chart of the safety assessment procedure for the high-speed train system.
  • 33 components in the bogie system are extracted for the functional structural characteristics of the high-speed train bogie system (step 1.1).
  • step 1.2 Based on the physical structure of the bogie system, the interaction between the 33 components is abstracted (step 1.2).
  • the components are abstracted into nodes, and the relationship between the components is abstracted into edges.
  • the network model of the high-speed train bogie system is shown in Figure 2.
  • the functional attribute degree of the node As an input quantity (step 1.3); from the perspective of the reliability attribute of the component, combined with the high-speed train operation failure data, the failure rate ⁇ i and the mean time between failures (MTBF) are selected as inputs (steps 2.1, 2.2).
  • the failure rate ⁇ i and the mean time between failures (MTBF) are selected as inputs (steps 2.1, 2.2).
  • MTBF mean time between failures
  • the classification discriminant function g i (x) s i (x) ⁇ i (x) of the three security levels is calculated, and the final classification of the test sample (as shown in FIG. 4) x (0.02746, 0.01443, 200.75) is obtained.
  • the result is the level of security.

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Mechanical Engineering (AREA)
  • Software Systems (AREA)
  • Physics & Mathematics (AREA)
  • Medical Informatics (AREA)
  • Computing Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Biomedical Technology (AREA)
  • Signal Processing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Train Traffic Observation, Control, And Security (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Architecture (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明公开了属于高速列车系统安全技术领域的一种基于复杂网络的高速列车系统安全评估方法，该方法包括如下步骤：(1)构建高速列车系统物理结构网络模型，基于网络模型构建节点功能属性度；(2)提取部件的功能属性度、失效率、平均无故障时间作为输入量，并利用LIBSVM软件进行SVM训练；(3)进行加权kNN-SVM判断：对于无法分类的样本点进行判断，得出高速列车系统的安全性等级。对于物理结构及运行情况复杂的高速列车系统，该方法能够解决当系统中部件状态发生变化后对系统安全性影响程度的评估。实验结果表明该算法的精确度高，实用性好。

Description

一种基于复杂网络的高速列车系统安全评估方法 技术领域
本发明属于高速列车系统安全技术领域，特别涉及一种基于复杂网络的高速列车系统安全评估方法。
背景技术
随着高速铁路的发展，动车组的安全性问题也得到广泛的关注。针对高铁列车安全性研究，“频度-后果”矩阵法是比较成熟的，也是应用最广泛的方法。矩阵法中的频率、后果都是由根据专家经验给出，存在较强的主观性。
SVM(支持向量机)具有结构简单、学习速度快、推广性能好、优化求解时具有唯一的极小点等。SVM是为了解决二分类问题而提出来的，对于多分类问题，SVM算法存在一个缺点：当投票结果出现平票时，无法正确判断出样本所属安全等级。加权kNN(k近邻)是对SVM无法准确分类的样本进行重新判断，即对于k个类别，判断样本点距离哪一类近，就把样本点分到哪一类。
与目前比较常用的高铁安全性评价方法矩阵法相比，基于加权kNN-SVM的安全评估方法，从部件在系统中的地位以及部件的可靠性出发，剔出了矩阵法中的主观因素，因此对高铁的安全性评估具有重大的实用价值和推广意义。
发明内容
本发明的目的是提供了一种基于复杂网络的高速列车系统安全评估方法，其特征在于，包括下述步骤：
步骤一、根据高速列车物理结构关系，构建高速列车网络模型G(V,E)，
1.1.将高速列车系统中的部件抽象为节点，即V＝{v1,v2,…,vn}，其中V为节点集合，vi为高速列车系统中的节点(部件)，n为高速列车系统中节点的个数；
1.2.部件与部件之间存在的物理连接关系抽象为连接边，即E＝{e12,e13,…,eij}，i,j≤n。其中E为连接边的集合，eij为节点i和节点j之间的连接边；
1.3.基于高速列车网络模型，计算节点的功能属性度值
Figure PCTCN2015095721-appb-000001
节点i的功能属性度为
Figure PCTCN2015095721-appb-000002
其中λi为节点i的失效率，ki为复杂网络理论中节点i的度，即与该节点相连的边数；
步骤二，通过对高速列车运营故障数据分析，结合高速列车系统的物理结构，提取部件的功能属性度值
Figure PCTCN2015095721-appb-000003
失效率λi、平均无故障时间(MTBF)作为训练样本集，对训练样本集进行归一化处理：
2.1.失效率λi的计算公式为
Figure PCTCN2015095721-appb-000004
2.2，平均无故障时间MTBF由故障数据中记录的故障时间得出，即
Figure PCTCN2015095721-appb-000005
2.3，利用SVM对样本进行训练，
步骤三、利用kNN-SVM对样本进行安全等级划分。
3.1，对k个安全等级的训练样本进行两两分区，针对
Figure PCTCN2015095721-appb-000006
个SVM分类器，分别建立最有分类面，其表达式如下：
Figure PCTCN2015095721-appb-000007
其中：l为第i个安全等级和第j个安全等级的样本数，K(xij,x)为核函数，x为支持向量，at为SVM的权值系数，bij为偏移系数。
3.2，对于待测部件，分别组合上述两类分类器，并使用投票法，对部件所属的安全等级进行计票。得票最多的类，则为该部件所属安全等级；
3.3，由于高速列车系统运行环境复杂，因此，利用SVM分类时容易出现无法分类的情况，因此定义基于加权kNN的判别函数，对部件重新进行安全等级划分，具体步骤如下：
训练集{xi,yi}，…，{xn,yn}中，共有k个安全等级即ca1，ca2，…，cak，第i个安全等级的样本中心为
Figure PCTCN2015095721-appb-000008
其中ni为第i个安全等级的样本数，则部件xj到第i个安全等级样本中心的欧式距离为
Figure PCTCN2015095721-appb-000009
式中：xjm为测试样本中第j个样本点的第m个特征属性；cim为第i类样本中心中第m个特征属性；
定义距离判别函数
Figure PCTCN2015095721-appb-000010
定义基于加权kNN的不同类别的样本紧密度为
Figure PCTCN2015095721-appb-000011
其中：m为k近邻的个数；ui(x)为测试样本属于第i个训练数据的紧密度隶属度；ui(x(j))为第j个近邻属于第i个安全等级的隶属度，即
Figure PCTCN2015095721-appb-000012
则样本点的分类判别函数为
di(x)＝si(x)×μi(x)  (6)
计算样本属于各个安全等级的紧密度di(x)，di(x)值最高的类别为样本点预测结果；
依据动车组一二级检修章程与故障数据记录，所述高速列车安全性划分为如下等级：
Figure PCTCN2015095721-appb-000013
即y＝1对应的安全等级1为安全，包含列车的运行状态为无影响、继续运行；y＝5对应的安全等级2是较安全，包含列车的运行状态为临修、碎修，晚点；y＝10对应的安全等级3是不安全，包含列车的运行状态为停运、未出库。
本发明的有益效果是与现有技术相比，该方法利用复杂网络提取节点的功能属性度，根据故障数据提取失效率、平均无故障时间等特征，通过SVM进行训练；由于SVM对于多分类问题存在的无法分类问题，考虑了节点在系统中的位置重要性；引入加权kNN-SVM对样本点进行检验，最终得出部件对高速列车系统安全性的影响，能够得到更加准确的分类结果，高速列车的安全性判断得到了验证，验证结果表明此方法具有很高的实用价值。
附图说明
图1为基于复杂网络和加权kNN-SVM的高速列车安全评估方法流程图。
图2为高速列车系统物理结构网络模型。
图3为SVM方法无法进行分类的区域。
图4为训练集样本。
具体实施方式
本发明提供了一种基于复杂网络的高速列车系统安全评估方法，下面结合附图对本发明进一步说明。
图1所示为高速列车系统安全评估步骤流程图。图中所示，首先对高速列车转向架系统的功能结构特点，提取出转向架系统中的33个部件(步骤1.1)。基于转向架系统的物理结构关系，抽象出33个部件之间的作用关系(步骤1.2)。将部件抽象为节点，将部件之间的作用关系抽象为边，构建高速列车转向架系统网络模型如图2所示。
从部件的结构角度，基于转向架网络模型，选取节点的功能属性度
Figure PCTCN2015095721-appb-000014
作为一个输入量(步骤1.3)；从部件的可靠性属性角度，结合高速列车运营故障数据，选取失效率λi、平均无故障时间(MTBF)作为输入量(步骤2.1，2.2)。针对高速列车转向架系统中的同一个部件，分别计算其在不同运营公里下的
Figure PCTCN2015095721-appb-000015
λi、MTBF作为训练集。例如，节点14齿轮箱总成在列车运行至2450990公里时，其
Figure PCTCN2015095721-appb-000016
λ14,1＝0.013502，MTBF14,1 ＝150.2262。依据动车组一二级检修章程与故障数据记录，将高速列车系统的安全等级划分为三级，即y＝1为安全、y＝5为较安全、y＝10为不安全：
以部件齿轮箱总成为例，选取齿轮箱总成的三个安全等级共90组输入量作为训练集，利用LIBSVM软件包进行SVM训练，计算结果的准确率仅为55.7778％。通过分析发现，高速列车的运行环境比较复杂，利用SVM进行分类时，经常出现无法分类的情况(如图3所示)，因此需要利用kNN进行二次判断。
计算齿轮箱总成影响系统安全性的3个等级样本中心
Figure PCTCN2015095721-appb-000017
以及待测样本x(0.02746,0.01443,200.75)到3个安全等级的距离
Figure PCTCN2015095721-appb-000018
然后分步计算3个安全等级下的：i＝1,2,3
Figure PCTCN2015095721-appb-000019
Figure PCTCN2015095721-appb-000020
最后计算三个安全等级的分类判别函数gi(x)＝si(x)×μi(x)，得出测试样本(如图4所示)x(0.02746,0.01443,200.75)的最终分类结果为即安全等级。经过大量实验，得到部件齿轮箱总成利用kNN-SVM分类的准确率为96.6667％。针对高速列车转向架系统中的每一个部件，分别建立训练集，通过实验对比发现，利用kNN-SVM分类方法显著提高了系统安全评估的准确率，如表2所示。
表2两种方法比较
Figure PCTCN2015095721-appb-000021

Claims (2)

  1. 一种基于复杂网络的高速列车系统安全评估方法，其特征在于，包括下述步骤：
    步骤一，根据高速列车物理结构关系，构建高速列车网络模型G(V,E)，
    1.1.将高速列车系统中的部件抽象为节点，即V＝{v1,v2,…,vn}，其中V为节点集合，vi为高速列车系统中的节点，n为高速列车系统中节点的个数；
    1.2.部件与部件之间存在的物理连接关系抽象为连接边，即E＝{e12,e13,…,eij}，i,j≤n；其中E为连接边的集合，eij为节点i和节点j之间的连接边；
    1.3.基于高速列车网络模型，计算节点的功能属性度值
    Figure PCTCN2015095721-appb-100001
    节点i的功能属性度为
    Figure PCTCN2015095721-appb-100002
    其中λi为节点i的失效率，ki为复杂网络理论中节点i的度，即与该节点相连的边数；
    步骤二，通过对高速列车运营故障数据分析，结合高速列车系统的物理结构，提取部件的功能属性度值
    Figure PCTCN2015095721-appb-100003
    失效率λi、平均无故障时间MTBF作为训练样本集，对训练样本集进行归一化处理：
    2.1.失效率λi的计算公式为
    Figure PCTCN2015095721-appb-100004
    2.2.平均无故障时间MTBF由故障数据中记录的故障时间得出，即
    Figure PCTCN2015095721-appb-100005
    2.3.利用支持向量机SVM对样本进行训练；
    步骤三，利用kNN-SVM对样本进行安全等级划分；
    3.1.对k个安全等级的训练样本进行两两分区，针对
    Figure PCTCN2015095721-appb-100006
    个SVM分类器，分别建立最优分类面，其表达式如下：
    Figure PCTCN2015095721-appb-100007
    其中，l为第i个安全等级和第j个安全等级的样本数，K(xij,x)为核函数，x为支持向量，at为SVM的权值系数，bij为偏移系数；
    3.2.对于待测部件，分别组合上述两类分类器，并使用投票法，对部件所属的安全等级进行计票；得票最多的类，则为该部件所属安全等级；
    3.3.由于高速列车系统运行环境复杂，因此，利用SVM分类时容易出现无法分类的情况，因此定义基于加权kNN的判别函数，对部件重新进行安全等级划分，具体步骤如下：
    训练集{xi,yi}，…，{xn,yn}中，共有l个安全等级即ca1，ca2，...，cal，第i个安全等级的样本中心为
    Figure PCTCN2015095721-appb-100008
    其中ni为第i个安全等级的样本数，则部件xj到第i个安全等级样本中心的欧式距离为
    Figure PCTCN2015095721-appb-100009
    式中：xjm为测试样本中第j个样本点的第m个特征属性；cim为第i类样本中心中第m个特征属性；
    定义距离判别函数
    Figure PCTCN2015095721-appb-100010
    定义基于加权kNN的不同类别的样本紧密度为
    Figure PCTCN2015095721-appb-100011
    其中：m为k个近邻的个数；ui(x)为测试样本属于第i个训练数据的紧密度隶属度；ui(x(j))为第j个近邻属于第i个安全等级的隶属度，即
    Figure PCTCN2015095721-appb-100012
    则样本点的分类判别函数为
    di(x)＝si(x)×μi(x)   (6)
    计算样本属于各个安全等级的紧密度di(x)，di(x)值最高的类别为样本点预测结果。
  2. 根据权利要求1所述一种基于复杂网络的高速列车系统安全评估方法，其特征在于，依据动车组一二级检修章程与故障数据记录，所述高速列车安全性划分为如下等级：
    Figure PCTCN2015095721-appb-100013
    即y＝1对应的安全等级1为安全，包含列车的运行状态为无影响、继续运行；y＝5对应的安全等级2是较安全，包含列车的运行状态为临修、碎修，晚点；y＝10对应的安全等级3是不安全，包含列车的运行状态为停运、未出库。
PCT/CN2015/095721 2014-12-12 2015-11-27 一种基于复杂网络的高速列车系统安全评估方法 WO2016091084A1 (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
US15/123,684 US9630637B2 (en) 2014-12-12 2015-11-27 Complex network-based high speed train system safety evaluation method

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN201410768888.3 2014-12-12
CN201410768888.3A CN104392071B (zh) 2014-12-12 2014-12-12 一种基于复杂网络的高速列车系统安全评估方法

Publications (1)

Publication Number Publication Date
WO2016091084A1 true WO2016091084A1 (zh) 2016-06-16

Family

ID=52609974

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/CN2015/095721 WO2016091084A1 (zh) 2014-12-12 2015-11-27 一种基于复杂网络的高速列车系统安全评估方法

Country Status (3)

Country Link
US (1) US9630637B2 (zh)
CN (1) CN104392071B (zh)
WO (1) WO2016091084A1 (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108995675A (zh) * 2018-06-28 2018-12-14 上海工程技术大学 一种轨道交通运营风险智能识别预警系统及方法
CN110781553A (zh) * 2018-07-12 2020-02-11 西安英特迈思信息科技有限公司 一种高速列车多参数智能阈值监测方法

Families Citing this family (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104392071B (zh) * 2014-12-12 2017-09-29 北京交通大学 一种基于复杂网络的高速列车系统安全评估方法
US9824243B2 (en) * 2015-09-11 2017-11-21 Nxp Usa, Inc. Model-based runtime detection of insecure behavior for system on chip with security requirements
CN105629928A (zh) * 2015-12-23 2016-06-01 潘小胜 一种地铁紧急处理安全装置
CN105809251B (zh) * 2016-03-01 2018-01-30 北京交通大学 一种多属性融合的动车组系统关键部件辨识方法
CN106778796B (zh) * 2016-10-20 2020-04-21 江苏大学 基于混合式协同训练的人体动作识别方法及系统
CN107862763B (zh) * 2017-11-06 2020-12-29 中国人民解放军国防科技大学 列车安全预警评估模型训练方法、模块及监测评估系统
CN107733089A (zh) * 2017-11-10 2018-02-23 国网福建省电力有限公司 一种基于svm的变电站刀闸二次回路故障预测方法
CN109918687B (zh) * 2017-12-08 2021-01-15 通号城市轨道交通技术有限公司 一种基于机器学习的列车动力学仿真方法及仿真平台
CN108196525B (zh) * 2017-12-27 2019-11-12 卡斯柯信号有限公司 高速列车运行控制系统的运行安全风险动态分析方法
CN108583629A (zh) * 2018-05-04 2018-09-28 兰州容大信息科技有限公司 一种铁路车务故障处理方法
CN110059126B (zh) * 2019-04-25 2023-04-07 湖南中车时代通信信号有限公司 基于lkj异常值数据的复杂关联网络分析方法及系统
CN110309550B (zh) * 2019-06-10 2021-06-22 北京交通大学 一种基于势能场与网络效率的高速列车系统可靠性分析方法
CN111061246B (zh) * 2019-12-06 2021-01-22 北京航空航天大学 一种机械产品装配过程故障模式、影响及危害性分析方法
CN111539374B (zh) * 2020-05-07 2022-05-20 上海工程技术大学 基于多维数据空间的轨道列车轴承故障诊断方法
CN113139335B (zh) * 2021-04-09 2023-05-09 郑州宥新算法智能科技有限公司 一种基于bp神经网络的轨道电路故障智能诊断方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102521432A (zh) * 2011-11-18 2012-06-27 北京交通大学 轨道不平顺状态的安全性评判方法
CN103955556A (zh) * 2014-03-27 2014-07-30 北京交通大学 高速铁路列车运行控制车载系统故障逻辑建模方法
CN104392071A (zh) * 2014-12-12 2015-03-04 北京交通大学 一种基于复杂网络的高速列车系统安全评估方法

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP0848241A1 (en) * 1996-12-12 1998-06-17 European Community Impact test apparatus
US20050100992A1 (en) * 2002-04-17 2005-05-12 Noble William S. Computational method for detecting remote sequence homology
GB0713096D0 (en) * 2007-02-02 2007-08-15 Duong Henri Detectable anti-collision automatic braking device for vehicle
CN101866544A (zh) * 2010-05-11 2010-10-20 北京交通大学 基于复杂网络分析灾害天气对列车开行影响的方法及系统
CN101853441A (zh) * 2010-05-11 2010-10-06 北京交通大学 基于复杂网络提高铁路旅客运送效率的方法及系统
US9283945B1 (en) * 2013-03-14 2016-03-15 Wabtec Holding Corp. Braking systems and methods of determining a safety factor for a braking model for a train
JP6420972B2 (ja) * 2014-06-13 2018-11-07 公益財団法人鉄道総合技術研究所 列車制御システム設計用シミュレータ

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102521432A (zh) * 2011-11-18 2012-06-27 北京交通大学 轨道不平顺状态的安全性评判方法
CN103955556A (zh) * 2014-03-27 2014-07-30 北京交通大学 高速铁路列车运行控制车载系统故障逻辑建模方法
CN104392071A (zh) * 2014-12-12 2015-03-04 北京交通大学 一种基于复杂网络的高速列车系统安全评估方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
WANG, YANHUI ET AL.: "Design of the Simulation Platform for Safety Safeguard of High-Speed Trains Operation", CHINA RAILWAY SCIENCE, vol. 32, no. 6, 30 November 2011 (2011-11-30), ISSN: 1001-4632 *
XIAO, XUEMEI ET AL.: "Safety Assessment Model for Urban Rail Transit Network Operations Based on Complex Network and Entropy Theory", CHINA SAFETY SCIENCE JOURNAL, vol. 21, no. 11, 30 November 2011 (2011-11-30), ISSN: 1003-3033 *
ZHU, HAIHONG ET AL.: "RESEARCH ON PROBABILISTIC SAFETY ASSESSMENT IN RAILWAY SYSTEM BASED ON BAYES NETWORKS", COMPUTER APPLICATIONS AND SOFTWARE, vol. 28, no. 3, 31 March 2011 (2011-03-31), ISSN: 1000-386X *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108995675A (zh) * 2018-06-28 2018-12-14 上海工程技术大学 一种轨道交通运营风险智能识别预警系统及方法
CN108995675B (zh) * 2018-06-28 2020-07-24 上海工程技术大学 一种轨道交通运营风险智能识别预警系统及方法
CN110781553A (zh) * 2018-07-12 2020-02-11 西安英特迈思信息科技有限公司 一种高速列车多参数智能阈值监测方法
CN110781553B (zh) * 2018-07-12 2023-08-25 西安英特迈思信息科技有限公司 一种高速列车多参数智能阈值监测方法

Also Published As

Publication number Publication date
US20170015339A1 (en) 2017-01-19
US9630637B2 (en) 2017-04-25
CN104392071A (zh) 2015-03-04
CN104392071B (zh) 2017-09-29

Similar Documents

Publication Publication Date Title
WO2016091084A1 (zh) 一种基于复杂网络的高速列车系统安全评估方法
US10706332B2 (en) Analog circuit fault mode classification method
CN110262463B (zh) 一种基于深度学习的轨道交通站台门故障诊断系统
CN111046931A (zh) 一种基于随机森林的道岔故障诊断方法
CN103077347B (zh) 一种基于改进核心向量机数据融合的复合式入侵检测方法
WO2015158198A1 (zh) 一种基于神经网络自学习的故障识别方法及系统
CN108932527A (zh) 使用交叉训练模型检测对抗样本的方法
CN111680875B (zh) 基于概率基线模型的无人机状态风险模糊综合评价方法
CN108958217A (zh) 一种基于深度学习的can总线报文异常检测方法
CN103760901A (zh) 一种基于关联规则分类器的轨道交通故障识别方法
CN105653518A (zh) 一种基于微博数据的特定群体发现及扩充方法
CN103995237A (zh) 一种卫星电源系统在线故障诊断方法
CN104123678A (zh) 一种基于状态等级评估模型的电力继电保护状态检修方法
CN104954210A (zh) 配电通信网中的不同业务类型与无线通信方式的匹配方法
CN103678869A (zh) 一种飞行参数缺失数据的预测估计方法
CN110689069A (zh) 一种基于半监督bp网络的变压器故障类型诊断方法
CN109858503A (zh) 基于梯度提升决策树的牵引变流器故障诊断方法
CN110852441B (zh) 一种基于改进朴素贝叶斯算法的火灾预警方法
CN109389325A (zh) 基于小波神经网络的变电站电子式互感器状态评估方法
CN105516206A (zh) 基于偏最小二乘的网络入侵检测方法及系统
CN110705693A (zh) 一种无人机异常行为识别模块及其识别方法
CN109636068A (zh) 一种列车门电机故障预测方法
He [Retracted] Early Warning Model of Sports Injury Based on RBF Neural Network Algorithm
CN111931420B (zh) 基于核再生希尔伯特空间的燃气轮机故障预测方法
Wang et al. Temperature forecast based on SVM optimized by PSO algorithm

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 15866592

Country of ref document: EP

Kind code of ref document: A1

WWE Wipo information: entry into national phase

Ref document number: 15123684

Country of ref document: US

NENP Non-entry into the national phase

Ref country code: DE

32PN Ep: public notification in the ep bulletin as address of the adressee cannot be established

Free format text: NOTING OF LOSS OF RIGHTS PURSUANT TO RULE 112(1) EPC (EPO FORM 1205A DATED 07.12.2017)

122 Ep: pct application non-entry in european phase

Ref document number: 15866592

Country of ref document: EP

Kind code of ref document: A1