CN106959681B - 一种基于fhn的城轨列车门故障诊断方法 - Google Patents
一种基于fhn的城轨列车门故障诊断方法 Download PDFInfo
- Publication number
- CN106959681B CN106959681B CN201610038584.0A CN201610038584A CN106959681B CN 106959681 B CN106959681 B CN 106959681B CN 201610038584 A CN201610038584 A CN 201610038584A CN 106959681 B CN106959681 B CN 106959681B
- Authority
- CN
- China
- Prior art keywords
- action
- fhn
- node
- fault
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0243—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model
- G05B23/0254—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model based on a quantitative model, e.g. mathematical relationships between inputs and outputs; functions: observer, Kalman filter, residual calculation, Neural Networks
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Train Traffic Observation, Control, And Security (AREA)
Abstract
本发明涉及了一种基于FHN的城轨列车门故障诊断方法,该方法根据FHN模型,通过对列车门***的H结点的变迁转移过程分析,利用FHN的产生式规则及FHN推理算法,能简单、快捷、准确的定位出故障位置及原因,并有效的避免了Petri网中组合***的问题;由于FHN只有一种H结点,相较于Petri网,其诊断过程更简单,效率更高,在列车门***的故障诊断中具有积极意义;同时还涉及到一种基于FHN的城轨列车门故障诊断***,用以实现所提供的FHN故障诊断方法。
Description
技术领域
本发明涉及一种基于FHN的城轨列车门故障诊断方法,属于城轨列车门故障诊断技术领域。
背景技术
随着城市的经济不断发展,人口和汽车数量的不断增加,导致城市交通变得拥堵,再加上城市面积的不断扩张,导致原有的公共交通工具不能满足市民的出行需求。一种快捷、安全、舒适的城市轨道交通随之发展起来,地铁、轻轨等成为了大城市的重要交通工具。城轨交通发展速度很快,其在公共交通中的比重越来越大,城轨交通的安全性和可靠性就显得越来越重要。但市场调研显示,城市轨道交通的各类安全问题层出不穷,列车自身故障导致的安全问题也不少。
列车是城市轨道交通***中关键的一环,其车门***又占有相当重要的位置。许多安全事故往往是由于列车门的故障导致的。据国内外的数据统计,列车门***的故障率在整个列车车辆故障中高达30%。可见,列车门的故障对整个轨道交通的安全运行构成了严重的威胁,最直接的表现就是威胁到乘客的人身安全。据车辆维修部门的统计,列车车门在查找故障所需时间和排除故障时间的比例大概是3∶2。迅速、准确的定位故障部位和诊断出故障原因,以最短的时间将故障排除,才能确保轨道交通的安全运营。因此,需要对列车车门***故障诊断技术进行更深入的研究和理论创新。鉴于目前国内在城轨列车门故障诊断方法的欠缺,故本发明提出一种基于FHN的城轨列车门故障诊断方法,以便能更快速、简便的检测和诊断出车门***故障,确保确保轨道交通能更安全的运营。FHN(Fuzzy HNetwork即模糊H网)是一种与模糊Petri网相似的信息处理网,是对离散***的动态实时建模和快速分析具有很强的实用性的工具,其可应用于非线性***的分析和诊断中。FHN只有一种结点,即H结点。相较于模糊Petri网,其具有模型更简单,建模更容易,推理表达能力更强等优点。
发明内容
FHN(模糊H网)适用于非线性***的分析和诊断,能对离散动态***实时建模和快速分析。通过图形建模结合模糊产生规则并对规则库状态变化进行分析和模糊推理,以便对城轨列车门故障进行快速准确诊断,故本发明提出一种基于FHN的城轨列车门故障诊断方法。
一种基于FHN的城轨列车门故障诊断方法,其故障诊断流程包括以下步骤:
(1)构建城轨列车门***的FHN模型;
车门***包括控制单元、机构装置和门扇三大部分。根据离散的列车车门***的***结构图和故障信息及各个位置发生故障的先验知识,确定FHN故障模型的顶事件(给出的故障事件),推出导致事件的直接原因;再依次进行递推,最终找出导致故障的最终原因,从而建立起城轨列车门***的FHN模型;
(2)根据FHN的城轨列车门***模型及模糊H结点间的逻辑关系,即可以获得城轨列车门***的FHN结点Pi的可达性结点集合RS(pi)、立即可达性结点集合IRS(pi)和相邻结点集合AP(pij);
可达性结点集合RS(pi)是结点Pi经过一次或多次触发点火后能够达到的结点集合;立即可达性结点集合IRS(pi)是结点Pi经过一次触发点火后能够达到的结点集合;相邻结点集合AP(pij)是除了本结点Pi的且经过该结点的其他只经过一次触发点火后的结点集合;
(3)城轨列车门***的故障诊断;
通过分析FHN结点Pi的可达性结点集合RS(pi),立即可达性结点集合IRS(pi)和相邻结点集合AP(pij),根据FHN产生式规则、FHN推理算法,并通过运算,得出故障产生原因和诊断结果。
模糊产生式规则是指根据城轨列车门***的FHN所示的逻辑关系生成的规则,是用来描述事件之间的不确定性关系,一般形式为P1,…Pm->C1,…Cn(CF=u),其逻辑表达形式为If A and B,then C and D,常用模糊产生式规则如下:
1)If A and B,then C,CF=u,点火条件为:min{A.k×u,B.k×u}≥C.τ,运算结果为:C.g=min{A.k×u,B.k×u},A.k=0,B.k=0,C.k=C.k+C.g。
2)If A or B,then C,CF=u,点火条件为:max{A.k×u,B.k×u}≥C.τ,运算结果为:C.g=max{A.k×u,B.k×u},A.k=0,B.k=0,C.k=C.k+C.g。
3)If A,then B and C,CF=u,点火条件为:A.k×u≥max{C.Bτ,C.Cτ},运算结果为:P.g=A.k×u,A.k=0,B.k=B.k+P.g,C.k=C.k+P.g。
4)If A,then B or C,CF=u,点火条件为:A.k×u≥min{C.Bτ,C.Cτ},运算结果为:P.g=A.k×u,A.k=0,B.k=B.k+P.g,C.k=C.k+P.g。
其中,CF=u是可信度,τ是点火阈值,A、B、C、D、P表示不同的结点,τ是点火阈值,A.k、B.k、C.k、D.k是结点A、B、C、D的初值矩阵,C.τ是C结点的点火阈值矩阵,P.g是结点P的标记转移函数矩阵,i、j、m、n是结点脚标,取值范围为大于0,小于等于总结点数,Pi、Pj、Pm表示第i个、第j个、第m个结点,Cn表示第n个结点。
根据每个车门由电子门控器(EDCU)控制,EDCU经由总线连到车辆控制单元。车辆控制单元通过通讯总线信号,EDCU驱动电机动作,带动丝杆螺母副传动机构,螺母副带动门扇运动,制动机构实现门扇运动速度调节,实现自动开关门的运行原理,现定义如下模糊产生式规则:
(1)If中间解锁装置故障(P1)动作,then解锁装置故障(P8)动作,u=0.92;
(2)If EDCU内部模块故障(P2)动作,then解锁失效(P12)动作,u=0.71;
(3)If电机组件故障(P3)动作,then电机无动作(P13)动作,u=0.70;
(4)If门限位开关故障(P4)动作,then无开门信号(P9)动作,u=0.89;
(5)If EDCU不能输出开门信号(P5)动作,then无开门信号(P9)动作,u=0.90;
(6)If延时继电器故障(P6)动作,then车门保持电路失效(P11)动作,u=0.85;
(7)If继电器故障(P7)动作,then车门保持电路失效(P11)动作,u=0.83;
(8)If解锁装置故障(P8)动作,then解锁失效(P12)动作,u=0.93;
(9)If无开门信号(P9)动作,then门控信号错误(P14)动作,u=0.84;
(10)If列车接收非零速信号(P10)动作,then门控信号错误(P14)动作,u=0.85;
(11)If车门保持电路失效(P11)动作,then门控信号错误(P14)动作,u=0.84;
(12)If解锁失效(P12)动作,then车门打开故障(P15)动作,u=0.77;
(13)If电机无动作(P13)动作,then车门打开故障(P15)动作,u=0.81;
(14)If门控信号错误(P14)动作,then车门打开故障(P15)动作,u=0.77。
然后根据FHN模型,利用FHN的产生式规则,逐步进行FHN的推理,得出最终诊断结果。
城轨列车门***故障的FHN推理算法如下:
(1)***初始化并给相应的结点赋值,根据专家经验和历史数据,假设模糊H结点的点火阈值τ(0≤τ≤1);
(2)假设H结点P0发生故障,则判断其是否属于立即可达集合,属于的话,则记下故障路径Pi(该路径对应可信度最高的H结点)到P0,否则,找不到故障路径及原因;
(3)将Pi的可信度与结点所赋初值进行计算,算出转移函数值,当转移函数值大于点火阈值时,该结点则点火动作。则Pi的下一结点初值标识自动增加,Pi的初值标识则自动减少。Pi结点点火动作后,下一结点则重复(2),此时(2)中的假设结点P0即为Pi的下一结点;
(4)如果(3)中算出的转移函数值小于点火阈值,说明Pi结点不能动作,则该路径上没有故障。则对次高可信度结点Pi进行(2)推理,如此重复,直到找出最终故障路径,并找出故障及原因。
本发明还提供了一种基于FHN的城轨列车门故障诊断***,其特征在于包括:
AVR单片机,用于各器件间进行信息交换和统一协调处理彼此之间的相互关系,并进行城轨列车门故障诊断;
A/D转换器,用于将模拟量信号转化为数字量信号;
传感器,用于测量列车门元件故障信号,并转化为电信号;
时钟电路,用于给AVR单片机提供时钟信号;
EEPROM存储器,用于进行整个***的数据存储和处理;
通信电路,用于与进行***的通讯联系;
键盘,用于进行各种功能键和数字键的处理;
LED数码显示器,用于进行各种数字信号的显示;
***通过传感器获取列车门元件故障信号,利用A/D转换器将模拟量信号转化为数字量信号送入AVR单片机进行FHN智能化故障处理,利用时钟电路产生AVR单片机所需要的时钟信号,通过通信电路,将AVR单片机与***进行通讯联系,利用键盘进行故障诊断过程中各种数据的输入和处理,通过EEPROM存储器存储整个***的各种数据,将AVR单片机处理的数据和结果送到LED数码显示器上进行显示。
本发明的有益效果为:本发明涉及了一种基于FHN的城轨列车门故障诊断方法,该方法根据FHN模型,通过对列车门***的H结点的变迁转移过程分析,利用FHN的产生式规则及FHN推理算法,能简单、快捷、准确的定位出故障位置及原因,并有效的避免了Petri网中组合***的问题。由于FHN只有一种H结点,相较于Petri网,其诊断过程更简单,效率更高,在列车门***的故障诊断中具有积极意义。
通过结合以下附图,阅读本发明实施方式的详细描述后,本发明的其他特征、特点和优点将会变得更加清楚。
附图说明
图1为一种基于FHN的列车门故障诊断流程图;
图2为一种基于FHN的列车门故障模型示意图;
图3为一种基于FHN的城轨列车门故障诊断***图,图1到图2中所示的城轨列车门故障诊断方法可在该***中实现。
具体实施方式
下面将结合附图对本发明的具体实施方式进行详细说明:
图1为一种基于FHN的列车门故障诊断流程图,图2为一种基于FHN的列车门故障模型示意图。图3为一种基于FHN的城轨列车门故障诊断***图。
如图1所示,一种基于FHN的城轨列车门故障诊断方法流程图,该故障诊方法包括以下步骤:
步骤101,***开始;
步骤102,判断***是否存在故障,如果无,继续查找,返回步骤101;如果有,进行步骤103;
步骤103,构建城轨列车门***的FHN模型;
车门***包括控制单元、机构装置和门扇三大部分。根据离散的列车车门***的***结构图和故障信息及各个位置发生故障的先验知识,确定FHN故障模型的顶事件(给出的故障事件),推出导致事件的直接原因;再依次进行递推,最终找出导致故障的最终原因,从而建立起城轨列车门***的FHN模型;
步骤104,根据FHN的城轨列车门***模型及模糊H结点间的逻辑关系,即可以获得城轨列车门***的FHN结点Pi的可达性结点集合RS(pi)、立即可达性结点集合IRS(pi)和相邻结点集合AP(pij);
可达性结点集合RS(pi)是结点Pi经过一次或多次触发点火后能够达到的结点集合;立即可达性结点集合IRS(pi)是结点Pi经过一次触发点火后能够达到的结点集合;相邻结点集合是除了本结点Pi的且经过该结点的其他只经过一次触发点火后的结点集合;表1即是获得FHN结点Pi的可达性结点集合RS(pi)、立即可达性结点集合IRS(pi)和相邻结点集合AP(pij);
表1 结点Pi的RS、IRS、AP
步骤105,定义模糊产生式规则;
模糊产生式规则是指根据城轨列车门***的FHN所示的逻辑关系生成的规则,是用来描述事件之间的不确定性关系,一般形式为P1,…Pm->C1,…Cn(CF=u),其逻辑表达形式为If A and B,then C and D,常用模糊产生式规则如下:
1)If A and B,then C,CF=u,点火条件为:min{A.k×u,B.k×u}≥C.τ,运算结果为:C.g=min{A.k×u,B.k×u},A.k=0,B.k=0,C.k=C.k+C.g。
2)If A or B,then C,CF=u,点火条件为:max{A.k×u,B.k×u}≥C.τ,运算结果为:C.g=max{A.k×u,B.k×u},A.k=0,B.k=0,C.k=C.k+C.g。
3)If A,then B and C,CF=u,点火条件为:A.k×u≥max{C.Bτ,C.Cτ},运算结果为:P.g=A.k×u,A.k=0,B.k=B.k+P.g,C.k=C.k+P.g。
4)If A,then B or C,CF=u,点火条件为:A.k×u≥min{C.Bτ,C.Cτ},运算结果为:P.g=A.k×u,A.k=0,B.k=B.k+P.g,C.k=C.k+P.g。
其中,CF=u是可信度,τ是点火阈值,A、B、C、D、P表示不同的结点,τ是点火阈值,A.k、B.k、C.k、D.k是结点A、B、C、D的初值矩阵,C.τ是C结点的点火阈值矩阵,P.g是结点P的标记转移函数矩阵,i、j、m、n是结点脚标,取值范围为大于0,小于等于总结点数,Pi、Pj、Pm表示第i个、第j个、第m个结点,Cn表示第n个结点。
根据每个车门由电子门控器(EDCU)控制,EDCU经由总线连到车辆控制单元。车辆控制单元通过通讯总线信号,EDCU驱动电机动作,带动丝杆螺母副传动机构,螺母副带动门扇运动,制动机构实现门扇运动速度调节,实现自动开关门的运行原理,现定义如下:
(1)If中间解锁装置故障(P1)动作,then解锁装置故障(P8)动作,u=0.92;
(2)If EDCU内部模块故障(P2)动作,then解锁失效(P12)动作,u=0.71;
(3)If电机组件故障(P3)动作,then电机无动作(P13)动作,u=0.70;
(4)If门限位开关故障(P4)动作,then无开门信号(P9)动作,u=0.89;
(5)If EDCU不能输出开门信号(P5)动作,then无开门信号(P9)动作,u=0.90;
(6)If延时继电器故障(P6)动作,then车门保持电路失效(P11)动作,u=0.85;
(7)If继电器故障(P7)动作,then车门保持电路失效(P11)动作,u=0.83;
(8)If解锁装置故障(P8)动作,then解锁失效(P12)动作,u=0.93;
(9)If无开门信号(P9)动作,then门控信号错误(P14)动作,u=0.84;
(10)If列车接收非零速信号(P10)动作,then门控信号错误(P14)动作,u=0.85;
(11)If车门保持电路失效(P11)动作,then门控信号错误(P14)动作,u=0.84;
(12)If解锁失效(P12)动作,then车门打开故障(P15)动作,u=0.77;
(13)If电机无动作(P13)动作,then车门打开故障(P15)动作,u=0.81;
(14)If门控信号错误(P14)动作,then车门打开故障(P15)动作,u=0.77。
步骤106,FHN算法推理,进行城轨列车门***故障诊断;
通过分析FHN结点Pi的可达性结点集合RS(pi),立即可达性结点集合IRS(pi)和相邻结点集合AP(pij),根据FHN产生式规则、FHN推理算法,并通过运算,得出故障产生原因和诊断结果;
步骤107,得出元件诊断结果,实现城轨列车门***故障诊断;
利用FHN模型,按照FHN的产生式规则,逐步进行FHN的算法推理,得出最终诊断结果。
结合图2,一种基于FHN的列车门故障方法模型示意图;城轨列车门***故障的FHN推理算法如下:
步骤1,***初始化并给相应的结点赋值,根据专家经验和历史数据,假设FHN结点的点火阈值τ(0≤τ≤1);
根据城轨列车门故障的专家经验和历史数据,假设模FHN结点的点火阈值τ为0.5;
步骤2,假设H结点P0发生故障,则判断其是否属于立即可达集合,属于的话,则记下故障路径Pi(该路径对应可信度最高的H结点)到P0,否则,找不到故障路径及原因;
假设发生门控信号错误,即对应的结点P14处出现故障,通过表1可知,引起P14发生的路径有三条,P9->P14,P10->P14,P11->P14;
步骤3,将Pi的可信度与结点所赋初值进行计算,算出转移函数值,当转移函数值大于点火阈值时,该结点则点火动作。则Pi的下一结点初值标识自动增加,Pi的初值标识则自动减少。Pi结点点火动作后,下一结点则重复步骤2,此时步骤2中的假设结点P0即为Pi的下一结点;
步骤4,根据初值、可信度值和模糊式产生规则,P10->P14的可信度值0.85最大,那么这是唯一的路径,经计算P10,P14处转移函数值均大于0.5,那么很容推理出故障及故障原因。显然最终故障是车门打开故障,故障原因是列车接收非零速信号,则车门不能打开。如果P10结点的初值为0,那么则进行步骤4,可得最终路径可能有四条,P4->P9->P14,P5->P9->P14,P6->P11->P14,P7->P11->P14;故障的原因可能是门限位开关故障,EDCU不能输出开门信号,延时继电器故障,继电器故障;按照上述P10->P14路径所用方法即可推理出故障;具体原因则需要对四条路径逐一推理计算,根据P4,P5,P6,P7初值,按照上述推理计算方法则可得P5->P9->P14路径可能性最大,则故障原因是EDCU不能输出开门信号;其他故障照此推理即可,直至诊断出最终故障及故障原因;
步骤5,如果步骤3中算出的转移函数值小于点火阈值,说明Pi结点不能动作,则该路径上没有故障。则对次高可信度结点Pi进行步骤2推理,如此重复,直到找出最终故障路径,并找出故障及原因。
图3为一种基于FHN的城轨列车门故障诊断***图;
包括:AVR单片机305、模数A/D转换器303、传感器302、时钟电路307、EEPROM存储器306、通信电路304、键盘308和LED数码显示器309、列车门元件301等组成。其特征在于,该故障诊断***能实现快速、准确、实时、智能诊断出故障,AVR单片机305分别与A/D转换器303、时钟电路307、通信电路304、EEPROM存储器306、键盘308和LED数码显示器309等相连接,A/D转换器303与传感器302相连接,传感器302与列车门元件301相连接;
AVR单片机305,用于各器件间进行信息交换和统一协调处理彼此之间的相互关系,并调用程序进行故障诊断;
A/D转换器303,用于将模拟量转化为数字量;
传感器302,用于将列车门元件故障信号转化为电压信号;
时钟电路307,用于给单片机提供时钟信号;
EEPROM存储器306,用于进行整个***的大批量的存储数据的处理;
通信电路304,用于与***进行通讯联系;
键盘308,用于进行各种功能键和数字键的处理;
LED数码显示器309,用于进行各种数字信号的显示;
列车门元件301,构成城轨列车门的构成机械及电气元件。
技术方案是:***通过传感器302获取列车门元件301故障信号,利用A/D转换器303将模拟量转化为数字量送入AVR单片机305进行FHN智能化故障推理,利用时钟电路307产生AVR单片机305所需要的时钟信号,通过通讯电路304,将AVR单片机305与***进行通信联系,利用键盘308进行故障诊断过程中各种数据的输入和处理,通过EEPROM存储器306存储整个***的大量存储数据,将AVR单片机305处理的数据和结果送到LED数码显示器309上进行显示。
本发明的有益效果为:本发明提出了一种基于FHN的城轨列车门故障诊断方法,该方法根据FHN模型,通过对列车门***的H结点的变迁转移过程分析,利用FHN的产生式规则及FHN推理算法,能简单、快捷、准确的定位出故障位置及原因,并有效的避免了Petri网中组合***的问题。由于FHN只有一种H结点,相较于Petri网,其诊断过程更简单,效率更高,在城轨列车门***的故障诊断中具有积极意义。
Claims (2)
1.一种基于FHN的城轨列车门故障诊断方法,其特征在于,包括以下步骤:
(1)构建城轨列车门***的FHN模型;
根据离散的列车车门***的结构图和故障信息及各个位置发生故障的先验知识,将给出的故障事件确定为FHN故障模型的顶事件,建立起城轨列车门***的FHN模型;
(2)根据城轨列车门***的FHN模型及模糊H结点间的逻辑关系,获得城轨列车门***的FHN结点Pi的可达性结点集合RS(pi)、立即可达性结点集合IRS(pi)和相邻结点集合AP(pij);
(3)城轨列车门***的故障诊断;
通过分析FHN结点Pi的可达性结点集合RS(pi),立即可达性结点集合IRS(pi)和相邻结点集合AP(pij),根据FHN产生式规则、FHN推理算法,并通过运算,得出故障产生原因和诊断结果;
定义如下FHN产生式规则:
If中间解锁装置故障P1动作,then解锁装置故障P8动作,u=0.92;
If EDCU内部模块故障P2动作,then解锁失效P12动作,u=0.71;
If电机组件故障P3动作,then电机无动作P13动作,u=0.70;
If门限位开关故障P4动作,then无开门信号P9动作,u=0.89;
If EDCU不能输出开门信号P5动作,then无开门信号P9动作,u=0.90;
If延时继电器故障P6动作,then车门保持电路失效P11动作,u=0.85;
If继电器故障P7动作,then车门保持电路失效P11动作,u=0.83;
If解锁装置故障P8动作,then解锁失效P12动作,u=0.93;
If无开门信号P9动作,then门控信号错误P14动作,u=0.84;
If列车接收非零速信号P10动作,then门控信号错误P14动作,u=0.85;
If车门保持电路失效P11动作,then门控信号错误P14动作,u=0.84;
If解锁失效P12动作,then车门打开故障P15动作,u=0.77;
If电机无动作P13动作,then车门打开故障P15动作,u=0.81;
If门控信号错误P14动作,then车门打开故障P15动作,u=0.77;
u是可信度,P1-P15为FHN节点;
城轨列车门***故障的FHN推理算法如下:
步骤1:***初始化并给相应的结点赋值,根据专家经验和历史数据,假设模糊H结点的点火阈值τ,0≤τ≤1;
步骤2:假设H结点P0发生故障,则判断其是否属于立即可达集合,属于的话,则记下故障路径对应可信度最高的H结点Pi到P0,Pi为该路径对应可信度最高的H结点;否则,找不到故障路径及原因;
步骤3:将Pi的可信度与结点所赋初值进行计算,算出转移函数值,当转移函数值大于点火阈值时,该结点则点火动作;则Pi的下一结点初值标识自动增加,Pi的初值标识则自动减少;Pi结点点火动作后,下一结点则重复步骤2,此时步骤2中的假设结点P0即为Pi的下一结点;
步骤4:如果步骤3中算出的转移函数值小于点火阈值,说明Pi结点不能动作,则该路径上没有故障;则对次高可信度结点Pi进行步骤2推理,如此重复,直到找出最终故障路径,并找出故障及原因。
2.一种基于FHN的城轨列车门故障诊断***,其特征在于,包括:
AVR单片机,用于各器件间进行信息交换和统一协调处理彼此之间的相互关系,并进行城轨列车门故障诊断;
A/D转换器,用于将模拟量信号转化为数字量信号;
传感器,用于测量列车门元件故障信号,并转化为电信号;
时钟电路,用于给AVR单片机提供时钟信号;
EEPROM存储器,用于进行整个***的数据存储和处理;
通信电路,用于与进行***的通讯联系;
键盘,用于进行各种功能键和数字键的处理;
LED数码显示器,用于进行各种数字信号的显示;
该***用以实现权利要求1所述的一种基于FHN的城轨列车门故障诊断方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610038584.0A CN106959681B (zh) | 2016-01-12 | 2016-01-12 | 一种基于fhn的城轨列车门故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610038584.0A CN106959681B (zh) | 2016-01-12 | 2016-01-12 | 一种基于fhn的城轨列车门故障诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106959681A CN106959681A (zh) | 2017-07-18 |
CN106959681B true CN106959681B (zh) | 2023-06-06 |
Family
ID=59481460
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610038584.0A Active CN106959681B (zh) | 2016-01-12 | 2016-01-12 | 一种基于fhn的城轨列车门故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106959681B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112560165A (zh) * | 2020-06-11 | 2021-03-26 | 中车青岛四方机车车辆股份有限公司 | 一种城轨车辆及其客室车门故障诊断方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2008071323A1 (de) * | 2006-12-14 | 2008-06-19 | Volkswagen Aktiengesellschaft | Verfahren und vorrichtung zum diagnostizieren von funktionen und fahrzeugsystemen |
CN102063109A (zh) * | 2010-11-29 | 2011-05-18 | 株洲南车时代电气股份有限公司 | 一种基于神经网络的地铁列车故障诊断装置及其方法 |
KR20110092846A (ko) * | 2010-02-10 | 2011-08-18 | 성균관대학교산학협력단 | 베이스 스테이션과 이를 포함하는 센서 네트워크 시스템 및 그 보안 경계 값 결정방법 |
EP2853972A2 (en) * | 2013-09-30 | 2015-04-01 | YPF Tecnologia S.A. | Device and method for detection and/or diagnosis of faults in a process, equipment and sensors |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101666711B (zh) * | 2009-09-16 | 2011-06-15 | 中国人民解放军海军航空工程学院 | 一种基于模糊语义网络的发动机综合故障诊断方法 |
CN103905114B (zh) * | 2012-12-25 | 2017-02-22 | ***通信集团广西有限公司 | 光缆线路故障点定位方法、装置和*** |
CN103544389B (zh) * | 2013-10-18 | 2018-07-10 | 丽水学院 | 基于故障树和模糊神经网络的汽车起重机故障诊断方法 |
-
2016
- 2016-01-12 CN CN201610038584.0A patent/CN106959681B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2008071323A1 (de) * | 2006-12-14 | 2008-06-19 | Volkswagen Aktiengesellschaft | Verfahren und vorrichtung zum diagnostizieren von funktionen und fahrzeugsystemen |
KR20110092846A (ko) * | 2010-02-10 | 2011-08-18 | 성균관대학교산학협력단 | 베이스 스테이션과 이를 포함하는 센서 네트워크 시스템 및 그 보안 경계 값 결정방법 |
CN102063109A (zh) * | 2010-11-29 | 2011-05-18 | 株洲南车时代电气股份有限公司 | 一种基于神经网络的地铁列车故障诊断装置及其方法 |
EP2853972A2 (en) * | 2013-09-30 | 2015-04-01 | YPF Tecnologia S.A. | Device and method for detection and/or diagnosis of faults in a process, equipment and sensors |
Non-Patent Citations (2)
Title |
---|
"FHM MODEL-BASED H 1 OPTIMAL CONTROL OF NONLINEAR NETWORKED CONTROL SYSTEMS";芮万智 等;《***科学与数学》;第35卷(第10期);1161-1167 * |
"一种基于模糊神经网络的故障诊断方法";潘炼;《中南大学学报(自然科学版)》;第38卷;746-751 * |
Also Published As
Publication number | Publication date |
---|---|
CN106959681A (zh) | 2017-07-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110262463B (zh) | 一种基于深度学习的轨道交通站台门故障诊断*** | |
Cai et al. | Bayesian networks in fault diagnosis | |
US10234495B2 (en) | Decision tree SVM fault diagnosis method of photovoltaic diode-clamped three-level inverter | |
CN104536435B (zh) | 一种线控***网络在线诊断方法 | |
CN107563069A (zh) | 一种风力发电机组故障智能诊断方法 | |
Hu et al. | A framework for probabilistic generic traffic scene prediction | |
Zhu et al. | Urban link travel time estimation using traffic states‐based data fusion | |
Xue et al. | An intelligent contraflow control method for real-time optimal traffic scheduling using artificial neural network, fuzzy pattern recognition, and optimization | |
CN110007663A (zh) | 核安全级dcs的开关量输出动态诊断***及方法 | |
CN112308336A (zh) | 一种基于多步时序预测的高速铁路大风限速动态处置方法 | |
CN113112819A (zh) | 一种基于改进lstm的图卷积交通速度预测方法 | |
WO2018088949A1 (en) | Method and system for vehicle analysis | |
Gu et al. | An improved sensor fault diagnosis scheme based on TA-LSSVM and ECOC-SVM | |
CN113734928A (zh) | 一种基于神经网络的在用电梯故障预测方法 | |
CN113033772A (zh) | 一种基于联邦学习的多设备状态监测方法 | |
CN110597235A (zh) | 一种通用智能故障诊断方法 | |
CN116205265A (zh) | 一种基于深层神经网络的电网故障诊断方法及装置 | |
CN106959681B (zh) | 一种基于fhn的城轨列车门故障诊断方法 | |
CN116595319A (zh) | 应用于轨道交通电机健康状态评估的预测方法及*** | |
Cheng et al. | Fault detection and diagnosis for railway switching points using fuzzy neural network | |
Cai et al. | Bayesian networks in fault diagnosis: Practice and application | |
Alavi et al. | IGBT fault detection for three phase motor drives using neural networks | |
CN112085043B (zh) | 一种变电站网络安全智能监控方法及*** | |
Messai et al. | Neural networks for local monitoring of traffic magnetic sensors | |
CN112633550B (zh) | 一种基于rnn的接触网故障趋势预测方法、设备及存储介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |