CN109323754A - 一种列车车轮多边形故障诊断检测方法 - Google Patents
一种列车车轮多边形故障诊断检测方法 Download PDFInfo
- Publication number
- CN109323754A CN109323754A CN201811010482.3A CN201811010482A CN109323754A CN 109323754 A CN109323754 A CN 109323754A CN 201811010482 A CN201811010482 A CN 201811010482A CN 109323754 A CN109323754 A CN 109323754A
- Authority
- CN
- China
- Prior art keywords
- signal
- imf
- training sample
- wheel
- imf component
- 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
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M17/00—Testing of vehicles
- G01M17/08—Railway vehicles
- G01M17/10—Suspensions, axles or wheels
-
- 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
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明公开了一种列车车轮多边形故障诊断检测方法。该方法为:首先选取1~4阶车轮多边形故障的轨道振动信号和正常车轮的轨道振动信号,作为训练样本的选择目标;采集训练样本信号,并进行改进的经验模态分解;然后选取分解得到的IMF分量,使用被选取的IMF分量求解对应的时频特征量,并作为训练样本的输入信号;选取该训练样本信号对应的故障特征作为该训练样本的标签值,生成训练样本数据;最后进行改进的BP神经网络训练,得到车轮全局不圆顺的故障识别模型,并进行车轮状态识别。本发明基于改进的经验模态分解及改进的BP神经网络算法,检测结果明显,适用性强。
Description
技术领域
本发明属于车轮检测技术领域,特别是一种列车车轮多边形故障诊断检测方法。
背景技术
列车走行系对城轨列车重要性不言而喻,需要时刻关注其状态,及时解决走行系故障。在城轨列车的运行中,由于需要频繁的启停,因此轮轨之间不断摩擦,导致轮对的踏面形状也随之改变;随着轮轨关系的不断影响,极易发生车轮不圆顺故障,车轮全局不圆顺故障会对轨道及车辆等各个部件造成伤害。
对于城轨列车车轮全局不圆顺故障,其不圆化波深一般都在毫米级别,仅靠人工观察很难识别,需要借助专业仪器检测,检测时间较长,且准确率不高。因此研究车轮全局不圆顺特征及实时检测方法,对于城轨列车安全运行非常重要,能够及时发现车轮异常情况并采取有效措施来消除安全问题。
EMD作为一种非平稳信号的分析处理方法,具有分析效果好、应用灵活的优点,可以方便地提取出各分量的特征。而EEMD作为EMD的改进型,通过在每次分解过程中添加白噪声,来解决EMD存在的模态混叠问题,然而,由于每次添加的白噪声都不一样,导致最后的IMF分量中存在残留噪声。
发明内容
本发明的目的在于提供一种准确性高、实时性好的列车车轮多边形故障诊断检测方法,从而及时采取有效措施消除安全隐患。
实现本发明目的的技术解决方案是:一种列车车轮多边形故障诊断检测方法,包括以下步骤:
步骤1,选取1~4阶车轮多边形故障的轨道振动信号和正常车轮的轨道振动信号,作为训练样本的选择目标;采集训练样本信号,并进行改进的经验模态分解;
步骤2,选取分解得到的IMF分量;
步骤3,使用被选取的IMF分量求解对应的时频特征量,并作为训练样本的输入信号;选取该训练样本信号对应的故障特征作为该训练样本的标签值,生成训练样本数据;
步骤4,进行改进的BP神经网络训练,得到车轮全局不圆顺的故障识别模型,并进行车轮状态识别。
进一步地,步骤1所述的选取1~4阶车轮多边形故障的轨道振动信号和正常车轮的轨道振动信号,作为训练样本的选择目标;采集训练样本信号,并进行改进的经验模态分解,具体如下:
步骤1.1、采用EMD算法对x(i)=x±βiw(i)进行分解,得到改进EMD的第1个IMF分量imf1:
其中,E1+(x(i))为对x(i)=x+βiw(i)使用EMD分解后得到的第1个IMF分量,E1-(x(i))为对x(i)=x-βiw(i)使用EMD分解后得到的第1个IMF分量;并且令w(i)为均值为零,幅值标准差为常数C的一组白噪声信号,不同车轮状态且作为原始训练样本的轨道振动信号为x,其第i次加噪后的信号为x(i),I为加噪声的总次数,βi为白噪声强度;
步骤1.2、计算第1个IMF分量imf1的残差r1:
r1=x-imf1 (2)
步骤1.3、采用EMD分解计算r1±βiw(i)的第一个模态,并定义为改进EMD分解的第2个IMF分量imf2:
其中,E1+(r1+βiw(i))为对r1+βiw(i)使用EMD分解后得到的第1个IMF分量,E1-(r1-βiw(i))为对r1-βiw(i)使用EMD分解后得到的第1个IMF分量;
步骤1.4、以此类推,直至求出原始轨道振动信号x的第K个IMF分量;其中,K为训练样本原信号x最终分解得到的IMF分量数目。
进一步地,步骤2所述的选取分解得到的IMF分量,具体步骤为:
步骤2.1、设训练样本原信号x离散后的信号序列为X={x(1),x(2)...x(n)},imfi离散后的信号序列为{yi(1),yi(2)..yi(n)},定义二者的互相关系数为:
求解所有imfi与训练样本原信号的互相关系数,并得到这K个互相关系数的标准差SD;
步骤2.2、设为{yi(1),yi(2)..yi(n)}的均值,定义imfi的信号峭度值Kurtosis为:
计算所有imfi的信号峭度值,并根据结果设置信号峭度值的阈值ε;
步骤2.3、选取保留所有信号峭度值大于阈值ε且互相关系数大于标准差SD的IMF分量,按照原序号大小重新顺序排列,记为{imfj},其中j=1,2....m,且m≤K。
进一步地,步骤3所述的使用被选取的IMF分量求解对应的时频特征量,并作为训练样本的输入信号;选取该训练样本信号对应的故障特征作为该训练样本的标签值,生成训练样本数据,具体如下:
步骤3.1、对经过步骤2.3选取的所有IMF分量进行峭度因子、能量、能量矩的求值,将其数值结果分别作为以K维向量形式存在的输入样本;
步骤3.2、设定标签值为3维向量,并设(0,0,0)为正常车轮,(0,0,1)为一阶车轮全局不圆顺,(0,1,0)为二阶车轮全局不圆顺,(0,1,1)为三阶车轮全局不圆顺,(1,0,0)为四阶车轮全局不圆顺;根据采集样本信号的故障形式设置对应的标签值。
进一步地,步骤4所述的进行改进的BP神经网络训练,得到车轮全局不圆顺的故障识别模型,并进行车轮状态识别,具体如下:
以输入样本与对应的样本标签值为单位样本数据,输送到神经网络中进行训练,并基于批量梯度下降法迭代训练神经网络,其中权重wij(t)的迭代公式为:
其中η(t)为学习率,为梯度函数,J(t)为代价函数,t为迭代训练次数,且t=0,1...tmax;
定义η(0)为初始自定义学习率,在进行第一次梯度下降时,记录下所有wij对应的当t=1,2...tmax时,定义
训练完成后,根据神经网络的输出结果,进行车轮多边形故障的判别。
本发明与现有技术相比,其显著优点是:(1)基于改进的经验模态分解及改进的BP神经网络算法,降低了传统梯度下降算法无法收敛的可能性,且随着迭代次数的增加能保证稳步收敛;(2)检测结果较为明显,方法适用性强。
附图说明
图1为本发明列车车轮多边形故障诊断检测方法的流程示意图。
图2为本发明中改进得EMD分解结果图。
图3为本发明实施例中各阶IMF相关系数值与峭度值计算结果图,其中(a)为各阶IMF相关系数值图,(b)为各阶IMF峭度值图。
图4为本发明实施例中基于信号峭度因子的BP神经网络分类效果图,其中(a)为BP神经网络训练效果图,(b)为BP神经网络预测效果。
图5为本发明实施例中基于信号能量的BP神经网络分类效果图,其中(a)为BP神经网络训练效果图,(b)为BP神经网络预测效果。
图6为本发明实施例中基于信号能量矩的BP神经网络分类效果图,其中(a)为BP神经网络训练效果图,(b)为BP神经网络预测效果。
具体实施方式
下面结合附图对本发明作进一步的详细说明。
结合图1,本发明列车车轮多边形故障诊断检测方法,基于改进的经验模态分解及改进的BP神经网络算法,首先选取1~4阶车轮多边形故障的轨道振动信号和正常车轮的轨道振动信号,作为训练样本的选择目标;采集训练样本信号,并进行改进的经验模态分解;选取分解得到的IMF分量;使用被选取的IMF分量求解对应的时频特征量,并作为训练样本的输入信号;选取该训练样本信号对应的故障特征作为该训练样本的标签值,生成训练样本数据;进行改进的BP神经网络训练,得到车轮全局不圆顺的故障识别模型,并进行车轮状态识别。包括以下步骤:
步骤1,首先选取1~4阶车轮多边形故障的轨道振动信号和正常车轮的轨道振动信号,作为训练样本的选择目标;采集训练样本信号,并进行改进的经验模态分解,具体如下:
步骤1.1、采用EMD算法对x(i)=x±βiw(i)进行分解,得到改进EMD的第1个IMF分量imf1:
其中,E1+(x(i))为对x(i)=x+βiw(i)使用EMD分解后得到的第1个IMF分量,E1-(x(i))为对x(i)=x-βiw(i)使用EMD分解后得到的第1个IMF分量;并且令w(i)为均值为零,幅值标准差为常数C的一组白噪声信号,不同车轮状态且作为原始训练样本的轨道振动信号为x,其第i次加噪后的信号为x(i),I为加噪声的总次数,βi为白噪声强度;
步骤1.2、计算第1个IMF分量imf1的残差r1:
r1=x-imf1 (2)
步骤1.3、采用EMD分解计算r1±βiw(i)的第一个模态,并定义为改进EMD分解的第2个IMF分量imf2:
其中,E1+(r1+βiw(i))为对r1+βiw(i)使用EMD分解后得到的第1个IMF分量,E1-(r1-βiw(i))为对r1-βiw(i)使用EMD分解后得到的第1个IMF分量;
步骤1.4、以此类推,结合图2,直至求出原始轨道振动信号x的第K个IMF分量;其中,K为训练样本原信号x最终分解得到的IMF分量数目。
步骤2,选取分解得到的IMF分量,具体如下:
步骤2.1、设训练样本原信号x离散后的信号序列为X={x(1),x(2)...x(n)},imfi离散后的信号序列为{yi(1),yi(2)..yi(n)},定义二者的互相关系数为:
求解所有imfi与训练样本原信号的互相关系数,并得到这K个互相关系数的标准差SD;
步骤2.2、设为{yi(1),yi(2)..yi(n)}的均值,定义imfi的信号峭度值Kurtosis为:
计算所有imfi的信号峭度值,并根据结果设置信号峭度值的阈值ε,例如阈值ε=8;
步骤2.3、结合图3,选取保留所有信号峭度值大于阈值ε且互相关系数大于标准差SD的IMF分量,按照原序号大小重新顺序排列,记为{imfj},其中j=1,2....m,且m≤K;
步骤3,使用被选取的IMF分量{imfj}求解对应的时频特征量,并作为训练样本的输入信号;选取该训练样本信号对应的故障特征作为该训练样本的标签值,生成训练样本数据,具体如下:
步骤3.1、结合图4、图5、图6,对经过步骤2.3选取后的所有IMF分量进行峭度因子、能量、能量矩的求值,其数值结果分别作为以K维向量形式存在的输入样本;
步骤3.2、设定标签值为3维向量,并设(0,0,0)为正常车轮,(0,0,1)为一阶车轮全局不圆顺,(0,1,0)为二阶车轮全局不圆顺,(0,1,1)为三阶车轮全局不圆顺,(1,0,0)为四阶车轮全局不圆顺;根据采集样本信号的故障形式设置对应的标签值。
步骤4,进行改进的BP神经网络训练,得到车轮全局不圆顺的故障识别模型,并进行车轮状态识别,具体如下:
以输入样本与对应的样本标签值为单位样本数据,输送到神经网络中进行训练,并基于批量梯度下降法迭代训练神经网络,其中权重wij(t)的迭代公式为:
其中η(t)为学习率,为梯度函数,J(t)为代价函数,t为迭代训练次数,且t=0,1...tmax;
定义η(0)为初始自定义学习率,在进行第一次梯度下降时,记录下所有wij对应的当t=1,2...tmax时,定义
训练完成后,根据神经网络的输出结果,进行车轮多边形故障的判别。
实施例1
使用本发明列车车轮多边形故障诊断检测方法,应用所述的改进的经验模态分解及改进的BP神经网络算法进行模型训练,并利用通过现场采集***采集得到广州地铁A型车8788车两组转向架共4对车轮的轨道振动信号进行试验验证。计算A型车8788现场采集的4组轨道振动信号分解所得到的IMF特征值,结果如表1,表2,表3,表4所示:
表1第1组轮对振动信号特征值
表2第2组轮对振动信号特征值
表3第3组轮对振动信号特征值
表4第4组轮对振动信号特征值
将IMF的信号特征值进行归一化处理,之后作为输入特征向量,输入到训练好的改进的BP神经网络中,识别信号中的故障。故障识别结果如表5所示。
表5故障分类识别结果
由表5的结果,对比轮对1~4对应车轮的实际情况得知,只有轮对4中含有二阶全局不圆顺故障,其余轮对对应的车轮均为无故障。对于上述广州地铁公司A型车8788列车,在通过上述算法检测出故障后,经现场测量,确定了全局不圆顺故障的存在。
Claims (5)
1.一种列车车轮多边形故障诊断检测方法,其特征在于,包括以下步骤:
步骤1,选取1~4阶车轮多边形故障的轨道振动信号和正常车轮的轨道振动信号,作为训练样本的选择目标;采集训练样本信号,并进行改进的经验模态分解;
步骤2,选取分解得到的IMF分量;
步骤3,使用被选取的IMF分量求解对应的时频特征量,并作为训练样本的输入信号;选取该训练样本信号对应的故障特征作为该训练样本的标签值,生成训练样本数据;
步骤4,进行改进的BP神经网络训练,得到车轮全局不圆顺的故障识别模型,并进行车轮状态识别。
2.根据权利要求1所述的列车车轮多边形故障诊断检测方法,其特征在于,步骤1所述的选取1~4阶车轮多边形故障的轨道振动信号和正常车轮的轨道振动信号,作为训练样本的选择目标;采集训练样本信号,并进行改进的经验模态分解,具体如下:
步骤1.1、采用EMD算法对x(i)=x±βiw(i)进行分解,得到改进EMD的第1个IMF分量imf1:
其中,E1+(x(i))为对x(i)=x+βiw(i)使用EMD分解后得到的第1个IMF分量,E1-(x(i))为对x(i)=x-βiw(i)使用EMD分解后得到的第1个IMF分量;并且令w(i)为均值为零,幅值标准差为常数C的一组白噪声信号,不同车轮状态且作为原始训练样本的轨道振动信号为x,其第i次加噪后的信号为x(i),I为加噪声的总次数,βi为白噪声强度;
步骤1.2、计算第1个IMF分量imf1的残差r1:
r1=x-imf1 (2)
步骤1.3、采用EMD分解计算r1±βiw(i)的第一个模态,并定义为改进EMD分解的第2个IMF分量imf2:
其中,E1+(r1+βiw(i))为对r1+βiw(i)使用EMD分解后得到的第1个IMF分量,E1-(r1-βiw(i))为对r1-βiw(i)使用EMD分解后得到的第1个IMF分量;
步骤1.4、以此类推,直至求出原始轨道振动信号x的第K个IMF分量;其中,K为训练样本原信号x最终分解得到的IMF分量数目。
3.根据权利要求2所述的列车车轮多边形故障诊断检测方法,其特征在于,步骤2所述的选取分解得到的IMF分量,具体步骤为:
步骤2.1、设训练样本原信号x离散后的信号序列为X={x(1),x(2)...x(n)},imfi离散后的信号序列为{yi(1),yi(2)..yi(n)},定义二者的互相关系数为:
求解所有imfi与训练样本原信号的互相关系数,并得到这K个互相关系数的标准差SD;
步骤2.2、设为{yi(1),yi(2)..yi(n)}的均值,定义imfi的信号峭度值Kurtosis为:
计算所有imfi的信号峭度值,并根据结果设置信号峭度值的阈值ε;
步骤2.3、选取保留所有信号峭度值大于阈值ε且互相关系数大于标准差SD的IMF分量,按照原序号大小重新顺序排列,记为{imfj},其中j=1,2....m,且m≤K。
4.根据权利要求3所述的列车车轮多边形故障诊断检测方法,其特征在于,步骤3所述的使用被选取的IMF分量求解对应的时频特征量,并作为训练样本的输入信号;选取该训练样本信号对应的故障特征作为该训练样本的标签值,生成训练样本数据,具体如下:
步骤3.1、对经过步骤2.3选取的所有IMF分量进行峭度因子、能量、能量矩的求值,将其数值结果分别作为以K维向量形式存在的输入样本;
步骤3.2、设定标签值为3维向量,并设(0,0,0)为正常车轮,(0,0,1)为一阶车轮全局不圆顺,(0,1,0)为二阶车轮全局不圆顺,(0,1,1)为三阶车轮全局不圆顺,(1,0,0)为四阶车轮全局不圆顺;根据采集样本信号的故障形式设置对应的标签值。
5.根据权利要求4所述的列车车轮多边形故障诊断检测方法,其特征在于,步骤4所述的进行改进的BP神经网络训练,得到车轮全局不圆顺的故障识别模型,并进行车轮状态识别,具体如下:
以输入样本与对应的样本标签值为单位样本数据,输送到神经网络中进行训练,并基于批量梯度下降法迭代训练神经网络,其中权重wij(t)的迭代公式为:
其中η(t)为学习率,为梯度函数,J(t)为代价函数,t为迭代训练次数,且t=0,1...tmax;
定义η(0)为初始自定义学习率,在进行第一次梯度下降时,记录下所有wij对应的当t=1,2...tmax时,定义
训练完成后,根据神经网络的输出结果,进行车轮多边形故障的判别。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811010482.3A CN109323754B (zh) | 2018-08-31 | 2018-08-31 | 一种列车车轮多边形故障诊断检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811010482.3A CN109323754B (zh) | 2018-08-31 | 2018-08-31 | 一种列车车轮多边形故障诊断检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109323754A true CN109323754A (zh) | 2019-02-12 |
CN109323754B CN109323754B (zh) | 2022-04-12 |
Family
ID=65264541
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811010482.3A Active CN109323754B (zh) | 2018-08-31 | 2018-08-31 | 一种列车车轮多边形故障诊断检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109323754B (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109738058A (zh) * | 2019-02-15 | 2019-05-10 | 江苏弘冉智能科技有限公司 | 一种自学习振动故障诊断方法 |
CN109974848A (zh) * | 2019-03-28 | 2019-07-05 | 中车青岛四方机车车辆股份有限公司 | 列车振动模拟检测方法 |
CN110806324A (zh) * | 2019-11-11 | 2020-02-18 | 成都西交智众科技有限公司 | 基于轨道位移的车轮多边形磨耗检测方法及数据采集设备 |
CN110836783A (zh) * | 2019-10-29 | 2020-02-25 | 杭州电子科技大学 | 基于阈值判断的ga-bp的磁悬浮列车故障检测方法 |
CN111811642A (zh) * | 2020-07-22 | 2020-10-23 | 三一重机有限公司 | 一种挖掘机发动机的故障检测方法及故障检测装置 |
DE102019207798A1 (de) * | 2019-05-28 | 2020-12-03 | Siemens Mobility GmbH | Verfahren zur Ermittlung des Zustandes eines Radsatzes |
CN112380631A (zh) * | 2020-12-02 | 2021-02-19 | 黑龙江科技大学 | 一种基于神经网络的新型迭代混合试验方法 |
CN112381027A (zh) * | 2020-11-23 | 2021-02-19 | 西南交通大学 | 基于列车轴箱垂向加速度信号的车轮多边形波深估计方法 |
CN112991577A (zh) * | 2021-02-25 | 2021-06-18 | 成都运达科技股份有限公司 | 一种轨道车辆车轮多边形状态诊断*** |
US12020221B2 (en) | 2019-12-31 | 2024-06-25 | Netsunion Clearing Corporation | Payment processing method, device and system |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105069291A (zh) * | 2015-08-06 | 2015-11-18 | 温州大学 | 一种基于emd和bp神经网络的电机轴承故障辨识方法 |
CN106250613A (zh) * | 2016-07-28 | 2016-12-21 | 南京理工大学 | 一种车轮服役状态安全域估计及故障诊断方法 |
CN106443310A (zh) * | 2016-11-22 | 2017-02-22 | 国网四川省电力公司广安供电公司 | 一种基于som神经网络的变压器故障检测方法 |
CN106990303A (zh) * | 2017-03-15 | 2017-07-28 | 国家电网公司 | 一种变压器故障诊断方法 |
CN107576884A (zh) * | 2016-07-05 | 2018-01-12 | 华北电力大学(保定) | 基于经验模态分解和神经网络的变压器绕组变形在线故障定位方法 |
CN108304623A (zh) * | 2018-01-15 | 2018-07-20 | 重庆大学 | 一种基于堆栈降噪自动编码器的概率潮流在线计算方法 |
-
2018
- 2018-08-31 CN CN201811010482.3A patent/CN109323754B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105069291A (zh) * | 2015-08-06 | 2015-11-18 | 温州大学 | 一种基于emd和bp神经网络的电机轴承故障辨识方法 |
CN107576884A (zh) * | 2016-07-05 | 2018-01-12 | 华北电力大学(保定) | 基于经验模态分解和神经网络的变压器绕组变形在线故障定位方法 |
CN106250613A (zh) * | 2016-07-28 | 2016-12-21 | 南京理工大学 | 一种车轮服役状态安全域估计及故障诊断方法 |
CN106443310A (zh) * | 2016-11-22 | 2017-02-22 | 国网四川省电力公司广安供电公司 | 一种基于som神经网络的变压器故障检测方法 |
CN106990303A (zh) * | 2017-03-15 | 2017-07-28 | 国家电网公司 | 一种变压器故障诊断方法 |
CN108304623A (zh) * | 2018-01-15 | 2018-07-20 | 重庆大学 | 一种基于堆栈降噪自动编码器的概率潮流在线计算方法 |
Non-Patent Citations (3)
Title |
---|
GABRIEL KRUMMENACHER 等: "Wheel Defect Detection With Machine Learning", 《IEEE TRANSACTIONS ON INTELLIGENT TRANSPORTATION SYSTEMS》 * |
周璇 等: "基于经验模式分解和神经网络的车轮踏面擦伤检测方法", 《润滑与密封》 * |
陈博 等: "基于MEEMD和GA-SVM的列车车轮多边形故障识别方法", 《噪声与振动控制》 * |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109738058A (zh) * | 2019-02-15 | 2019-05-10 | 江苏弘冉智能科技有限公司 | 一种自学习振动故障诊断方法 |
CN109974848A (zh) * | 2019-03-28 | 2019-07-05 | 中车青岛四方机车车辆股份有限公司 | 列车振动模拟检测方法 |
DE102019207798A1 (de) * | 2019-05-28 | 2020-12-03 | Siemens Mobility GmbH | Verfahren zur Ermittlung des Zustandes eines Radsatzes |
CN110836783A (zh) * | 2019-10-29 | 2020-02-25 | 杭州电子科技大学 | 基于阈值判断的ga-bp的磁悬浮列车故障检测方法 |
CN110806324A (zh) * | 2019-11-11 | 2020-02-18 | 成都西交智众科技有限公司 | 基于轨道位移的车轮多边形磨耗检测方法及数据采集设备 |
US12020221B2 (en) | 2019-12-31 | 2024-06-25 | Netsunion Clearing Corporation | Payment processing method, device and system |
CN111811642A (zh) * | 2020-07-22 | 2020-10-23 | 三一重机有限公司 | 一种挖掘机发动机的故障检测方法及故障检测装置 |
CN112381027A (zh) * | 2020-11-23 | 2021-02-19 | 西南交通大学 | 基于列车轴箱垂向加速度信号的车轮多边形波深估计方法 |
CN112380631A (zh) * | 2020-12-02 | 2021-02-19 | 黑龙江科技大学 | 一种基于神经网络的新型迭代混合试验方法 |
CN112380631B (zh) * | 2020-12-02 | 2023-02-14 | 黑龙江科技大学 | 一种基于神经网络的新型迭代混合试验方法 |
CN112991577A (zh) * | 2021-02-25 | 2021-06-18 | 成都运达科技股份有限公司 | 一种轨道车辆车轮多边形状态诊断*** |
CN112991577B (zh) * | 2021-02-25 | 2022-08-02 | 成都运达科技股份有限公司 | 一种轨道车辆车轮多边形状态诊断*** |
Also Published As
Publication number | Publication date |
---|---|
CN109323754B (zh) | 2022-04-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109323754A (zh) | 一种列车车轮多边形故障诊断检测方法 | |
CN108426713B (zh) | 基于小波变换和深度学习的滚动轴承微弱故障诊断方法 | |
CN109033612B (zh) | 一种基于振动噪声及bp神经网络的变压器故障诊断方法 | |
CN103728551B (zh) | 一种基于级联集成分类器的模拟电路故障诊断方法 | |
CN101833951B (zh) | 用于说话人识别的多背景模型建立方法 | |
CN103968933B (zh) | 基于模糊域特征的光纤振动信号识别方法 | |
CN107292330A (zh) | 一种基于监督学习和半监督学习双重信息的迭代式标签噪声识别算法 | |
CN110298085A (zh) | 基于XGBoost和随机森林算法的模拟电路故障诊断方法 | |
CN104596780B (zh) | 一种动车组制动***传感器故障的诊断方法 | |
CN103995237A (zh) | 一种卫星电源***在线故障诊断方法 | |
CN110705456A (zh) | 一种基于迁移学习的微型电机异常检测方法 | |
CN109620244A (zh) | 基于条件生成对抗网络和svm的婴儿异常行为检测方法 | |
CN102831476B (zh) | 脉冲神经网络模式探测装置和模式探测方法 | |
CN103471865A (zh) | 基于线性判别法的列车悬挂***故障分离方法 | |
CN112734809B (zh) | 基于Deep-Sort跟踪框架的在线多行人跟踪方法及装置 | |
CN105973595A (zh) | 一种滚动轴承故障的诊断方法 | |
CN104794312A (zh) | 轨道平顺状态的评定方法及装置 | |
CN107478418A (zh) | 一种旋转机械故障特征自动提取方法 | |
CN110289081A (zh) | 深度网络堆栈模型自适应加权特征融合的癫痫检测方法 | |
CN116776208B (zh) | 地震波分类模型的训练方法、地震选波方法、设备及介质 | |
CN106295708A (zh) | 一种基于Fisher分类器组的连续型数据预处理方法 | |
CN105890600A (zh) | 基于手机传感器的地铁乘客位置推测方法 | |
CN102519577B (zh) | 道路中路面的识别方法及*** | |
CN106548031A (zh) | 一种结构模态参数识别方法 | |
CN103530660B (zh) | 一种带钢张力传感器故障早期诊断方法 |
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 | ||
CB03 | Change of inventor or designer information |
Inventor after: Xing Zongyi Inventor after: Lang Kuan Inventor before: Lang Kuan Inventor before: Xing Zongyi |
|
CB03 | Change of inventor or designer information | ||
GR01 | Patent grant | ||
GR01 | Patent grant |