CN110490297B - 一种铁路道岔动作功率曲线智能分段方法 - Google Patents
一种铁路道岔动作功率曲线智能分段方法 Download PDFInfo
- Publication number
- CN110490297B CN110490297B CN201910673005.3A CN201910673005A CN110490297B CN 110490297 B CN110490297 B CN 110490297B CN 201910673005 A CN201910673005 A CN 201910673005A CN 110490297 B CN110490297 B CN 110490297B
- Authority
- CN
- China
- Prior art keywords
- point
- curve
- window
- segmentation
- sampling
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2465—Query processing support for facilitating data mining operations in structured databases
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Fuzzy Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Train Traffic Observation, Control, And Security (AREA)
Abstract
本发明公开了一种铁路道岔动作功率曲线智能分段方法,首先使用滑动窗口,设定窗口大小,计算窗口内方差值;设定阈值,比较当前时刻与前一时刻方差差值绝对值与阈值大小,得出第一个分段点;然后设置卷积神经网络模型,使用数据训练模型;依据训练好的模型,得出第二个分段点;最后根据两个分段点,对曲线进行分段。本发明更精确智能地分段了铁路道岔功率曲线。节省了人力物力的同时,对于实际情况中时间上长短不一的功率曲线,均可适用,不仅通用性强,而且准确性高,可以更多体现不同区段特征之间的差异性,从而提高数据分析的正确率。本发明解决了现有技术中存在的道岔监测数据预处理方法准确率低、通用性差的问题。
Description
技术领域
本发明属于大数据分析技术领域,具体涉及一种铁路道岔动作功率曲线智能分段方法。
背景技术
近几年,随着大数据技术的不断发展,包括计算机在内的许多行业在数据挖掘分析过程中,都不可避免地进行数据预处理,这也是大数据技术的核心问题之一。其中,很多情况下,需要应用到曲线分段这一做法。例如,在医学中,常见问题是基于心室功能曲线来分析病人心室功能,此时需要将心室功能曲线根据腔内压力分为三段,从而分析病人心室功能泵血能力是否存在问题;在铁路道岔的故障诊断中,一般可依据铁路道岔的动作功率曲线的峰值、抖动、时长等特征来判断道岔故障与否,通常需要依据铁路道岔动作的解锁、转换、锁闭三个过程将功率曲线划分成对应三段去进行特征提取处理,这样可以有效提高故障识别的准确度和效率。
常规的铁路道岔的动作功率曲线分段方法是根据动作时间长度将功率曲线划分为三段。例如,将铁路道岔从动作开始到开始后一秒的功率曲线划分为铁路道岔的解锁过程,从动作开始后一秒到开始后五秒的功率曲线划分为铁路道岔的转换过程,从动作开始后五秒到最后结束的功率曲线划分为铁路道岔的锁闭过程。但是道岔每次开解锁过程时间长度是不一的,在实际获得的铁路道岔动作功率曲线中,其存在着同一道岔两次开解锁获得的曲线横轴长度都不一样的问题,有时甚至相差一百个采样点,在这种情况下,道岔监测设备采集间隔为40毫秒,就意味着道岔完成一次完整动作所花时间与另一次完整动作所花时间相差大约4秒。那么在对道岔监测数据进行分析时,如果仍然根据定时长的分段方法对铁路道岔的动作功率曲线进行分段,必然会影响到下一步对划分后曲线进行数据分析结果的准确性。
现阶段处理以上问题的一般分段方法为人工处理或“一刀切”的作法。面对海量实时道岔监控数据,人工处理方法常常无法满足数据处理要求,而“一刀切”方法即按照固定时间或比例作为划分点,超过所划定范围长度的数据就舍弃掉,而不足所划定范围长度的数据就进行补零。这种做法会影响数据原始特征的差异性,使得不同类数据更加难以区分,降低了接下来道岔监测数据分析的准确率,提高了分析的难度。
发明内容
本发明的目的是提供一种铁路道岔动作功率曲线智能分段方法,解决了现有技术中存在的道岔监测数据预处理方法准确率低、通用性差的问题。
本发明所采用的技术方案是,铁路道岔动作功率曲线智能分段方法,具体按照以下步骤实施:
步骤1、将采集得到的铁路道岔动作功率信号转换成铁路道岔动作功率曲线,设置一个长度为5个采样点的滑动窗口,沿横轴方向从上述道岔动作功率曲线起始点至终点滑动,滑动前计算当前窗口区段中5个采样点对应功率值的平均值,然后计算各采样点与均值的方差和并保存为窗口方差值;
步骤2、设定阈值为10,计算当前时刻的窗口方差值与前一时刻的窗口方差值的绝对误差,若绝对误差大于阈值,则判定当前时刻窗口的第一个采样点为第一个分段点,窗口滑动结束;否则继续滑动窗口,直到绝对误差大于阈值,得到当前窗口第一个采样点作为第一个分段点;
步骤3、使用数据库中300条铁路道岔功率数据转换得到功率曲线,手动标记每条功率曲线第二个分段点,标记距离数据曲线最后一个采样点的长度作为标签,提取上述功率曲线的最后一百个采样点作为输入特征,训练卷积神经网络模型;
步骤4、将步骤1中需要分段的铁路道岔功率曲线的最后一百个采样点作为输入特征,输入步骤3已经训练好的卷积神经网络模型中,得到输出为1到100之间的一个数字,此数字即为上述卷积神经网络模型预测曲线最后一个采样点距离第二个分段点的长度,以此得到第二个分段点;
步骤5、依据步骤2得到的第一个分段点与步骤4得到的第二个分段点,将铁路道岔动作功率曲线第一个采样点至步骤2得到的第一个分段点之间的部分曲线判定为道岔解锁过程曲线,将步骤2得到的第一个分段点至步骤4得到的第二个分段点之间的部分曲线判定为道岔转换过程曲线,将步骤4得到的第二个分段点至铁路道岔动作功率曲线最后一个采样点的部分曲线判定为道岔锁闭过程曲线,最终得到对应铁路道岔动作过程中三个阶段的三段曲线,使不同阶段提取的特征有效地保留原始数据的特征变化情况,降低对于数据分析的难度。
本发明的特点还在于,
步骤1具体如下:
根据采集的铁路道岔动作功率信号转换得到的铁路道岔动作功率曲线,设曲线由m个采样点组成,当前窗口起始采样点为整段曲线中第i个采样点,设置长度为5个采样点的滑动窗口,沿横轴方向从曲线起始点至终点以每次1个采样点的距离滑动,即从i=1时开始取长度为5个采样点的滑动窗口至i=m-5+1时滑动,并计算窗口方差值,公式如下:
步骤2具体如下:
根据步骤1中曲线采样点对应的方差值,从i=1时开始,将i=2时的方差值减去i=1时的方差值,求得绝对值,并将该绝对值与事先设定好的阈值进行比较,若该绝对值大于该阈值,则停止窗口滑动与计算,判定此时i=1为曲线第一个分段点;若该绝对值小于该阈值,则继续滑动一次,并计算i=2时与i=3时所得方差值的绝对误差,再将绝对误差与阈值比较,直到绝对误差大于阈值时,得到当前窗口第一个采样点为第一个分段点。
步骤3具体如下:
从数据库中获取300条道岔设备微机监测设备采集的铁路道岔动作功率信号,将功率信号转换为功率曲线,以数值对应采样点的方式将值保存在表格文件中,然后提取上述功率数据曲线最后一百个采样点形成的部分曲线,并采取手动标记的方式记录合适的分段点,由一百个采样点形成的数据作为输入特征、手动标记的分段点距离最后一个采样点的长度作为标签,训练卷积神经网络模型,最后根据其迭代次数停止训练,得到已经训练完毕,能够有效分段的卷积神经网络模型。
步骤4具体如下:
对于需要分段的铁路道岔动作功率曲线,在经过步骤1与步骤2得到第一个分段点后,取该曲线的最后一百个采样点作为模型的输入特征,输入步骤3已经训练好的卷积神经网络模型中,输出为一个1至100的数字i,代表卷积神经网络模型预测第二个分段点与上述功率曲线最后一个采样点的距离,从上述功率曲线最后一个采样点至该其第一个采样点的方向查找该条功率曲线中第i个点,即为第二个分段点。
本发明的有益效果是,一种铁路道岔动作功率曲线智能分段方法,按照滑动窗口以及使用卷积神经网络分段数据曲线,节省了人力物力的同时,不仅可以适用实际情况中道岔设备微机监测设备采集转换得到的功率信号曲线,还可以使最后选取的特征尽可能的保留原始数据的特征变化情况,这样针对不同样本类别的原始数据,可以降低下一步对于数据分析的难度。
附图说明
图1是本发明铁路道岔动作功率曲线智能分段方法对于选取第一个分段点的流程图;
图2是本发明铁路道岔动作功率曲线智能分段方法窗口滑动方法的演示图;
图3是本发明铁路道岔动作功率曲线智能分段方法对于选取第二个分段点的流程图;
图4是本发明铁路道岔动作功率曲线智能分段方法对于已知两个分段点将曲线分段的流程图。
具体实施方式
下面结合附图和具体实施方式对本发明进行详细说明。
如图1所示,本发明铁路道岔动作功率曲线智能分段方法,具体按照以下步骤实施:
步骤1、将采集得到的铁路道岔动作功率信号转换成铁路道岔动作功率曲线,设置一个长度为5个采样点的滑动窗口,沿横轴方向从上述道岔动作功率曲线起始点至终点滑动,滑动前计算当前窗口区段中5个采样点对应功率值的平均值,然后计算各采样点与均值的方差和并保存为窗口方差值;
步骤2、设定阈值为10,计算当前时刻的窗口方差值与前一时刻的窗口方差值的绝对误差,若绝对误差大于阈值,则判定当前时刻窗口的第一个采样点为第一个分段点,窗口滑动结束;否则继续滑动窗口,直到绝对误差大于阈值,得到当前窗口第一个采样点作为第一个分段点;
步骤3、使用数据库中300条铁路道岔功率数据转换得到功率曲线,手动标记每条功率曲线第二个分段点,标记距离数据曲线最后一个采样点的长度作为标签,提取上述功率曲线的最后一百个采样点作为输入特征,训练卷积神经网络模型;
步骤4、将步骤1中需要分段的铁路道岔功率曲线的最后一百个采样点作为输入特征,输入步骤3已经训练好的卷积神经网络模型中,得到输出为1到100之间的一个数字,此数字即为上述卷积神经网络模型预测曲线最后一个采样点距离第二个分段点的长度,以此得到第二个分段点;
如图4所示,步骤5、依据步骤2得到的第一个分段点与步骤4得到的第二个分段点,将铁路道岔动作功率曲线第一个采样点至步骤2得到的第一个分段点之间的部分曲线判定为道岔解锁过程曲线,将步骤2得到的第一个分段点至步骤4得到的第二个分段点之间的部分曲线判定为道岔转换过程曲线,将步骤4得到的第二个分段点至铁路道岔动作功率曲线最后一个采样点的部分曲线判定为道岔锁闭过程曲线,最终得到对应铁路道岔动作过程中三个阶段的三段曲线,使不同阶段提取的特征有效地保留原始数据的特征变化情况,降低对于数据分析的难度。
其中,如图2所示,步骤1具体如下:
根据采集的铁路道岔动作功率信号转换得到的铁路道岔动作功率曲线,设曲线由m个采样点组成,当前窗口起始采样点为整段曲线中第i个采样点,设置长度为5个采样点的滑动窗口,沿横轴方向从曲线起始点至终点以每次1个采样点的距离滑动,即从i=1时开始取长度为5个采样点的滑动窗口至i=m-5+1时滑动,并计算窗口方差值,公式如下:
步骤2具体如下:
根据步骤1中曲线采样点对应的方差值,从i=1时开始,将i=2时的方差值减去i=1时的方差值,求得绝对值,并将该绝对值与事先设定好的阈值进行比较,若该绝对值大于该阈值,则停止窗口滑动与计算,判定此时i=1为曲线第一个分段点;若该绝对值小于该阈值,则继续滑动一次,并计算i=2时与i=3时所得方差值的绝对误差,再将绝对误差与阈值比较,直到绝对误差大于阈值时,得到当前窗口第一个采样点为第一个分段点。
如图3所示,步骤3具体如下:
从数据库中获取300条道岔设备微机监测设备采集的铁路道岔动作功率信号,将功率信号转换为功率曲线,以数值对应采样点的方式将值保存在表格文件中,然后提取上述功率数据曲线最后一百个采样点形成的部分曲线,并采取手动标记的方式记录合适的分段点,由一百个采样点形成的数据作为输入特征、手动标记的分段点距离最后一个采样点的长度作为标签,训练卷积神经网络模型,最后根据其迭代次数停止训练,得到已经训练完毕,能够有效分段的卷积神经网络模型。
步骤4具体如下:
对于需要分段的铁路道岔动作功率曲线,在经过步骤1与步骤2得到第一个分段点后,取该曲线的最后一百个采样点作为模型的输入特征,输入步骤3已经训练好的卷积神经网络模型中,输出为一个1至100的数字i,代表卷积神经网络模型预测第二个分段点与上述功率曲线最后一个采样点的距离,从上述功率曲线最后一个采样点至该其第一个采样点的方向查找该条功率曲线中第i个点,即为第二个分段点。
本发明铁路道岔动作功率曲线智能分段方法中,采用滑动窗口并设置阈值的方法来选取第一个分段点,窗口的长度若过短,则无法体现出窗口对于单个特殊采样点功率值的包容性,增大了设置阈值的难度;窗口的长度若过长,则弱化了窗口内可能出现的曲折波动,减少了窗口与窗口之间的差异性。两者都会降低选取分段点的准确性,而选择窗口长度为5是根据大量真实数据实验所得,在基于长度为5的窗口进行滑动时,既不会因过短减少对单个特殊采样点功率值的包容性,也不会因过长减小窗口与窗口之间的差异性。铁路道岔动作过程中分为三个阶段,其中第一个阶段为解锁阶段,此时,道岔会被给予一个短暂的较大的功率,以达到启动道岔的目的,相对应的道岔功率曲线为一个陡峭的峰形曲线;第二阶段为转换阶段,此阶段是当解锁阶段成功后,道岔正常启动后,道岔由起始位置向目的位置转动的过程,此时,道岔会有一段持续给予的功率以支持道岔运动,相对应的道岔功率曲线较长且平缓;所以,滑动窗口计算得到的方差值来表示其趋于平缓的程度,两个时刻的方差差值来表示其趋于平缓程度变化的幅度。通过用变化幅度大于阈值与否来判定分段点是否划分解锁过程与转换过程。若变化幅度大于差值,则是;反之,则否。该阈值是通过大量真实数据实验所得。根据300条手动标记好第一个分段点的数据,进行以上方法选取第一个分段点,我们发现当阈值为10时,能有效选取第一个分段点。步骤3中,将训练数据的曲线分为两部分,其中一部分为所有曲线最后一百个采样点的数据,这部分作为训练模型所需要的输入特征,其原因在于实际情况中,道岔设备微机监测设备采集的道岔动作功率信号中,对于相同曲线序号的功率信号,每一时间点的数据曲线长短不一。对此将整条数据作为输入特征进行训练模型变得不太实际,所以取其最后一百个点作为输入特征可以有效地针对选取第二个分段点进行模型训练;且在实际情况中,转换阶段的功率曲线虽然大范围内趋于平缓,但小范围内仍然有波动,这导致使用滑动窗口设置阈值来选取第二个分段点的作法不再合适,而采用训练卷积神经网络模型的方法使得结果具有一定的准确性的同时,增加了该方法的通用性。
本发明更精确智能地分段了铁路道岔功率曲线。节省了人力物力的同时,对于实际情况中时间上长短不一的功率曲线,均可适用,不仅通用性强,而且准确性高,可以更多体现不同区段特征之间的差异性,从而提高数据分析的正确率。
Claims (5)
1.铁路道岔动作功率曲线智能分段方法,其特征在于,具体按照以下步骤实施:
步骤1、将采集得到的铁路道岔动作功率信号转换成铁路道岔动作功率曲线,设置一个长度为5个采样点的滑动窗口,沿横轴方向从上述道岔动作功率曲线起始点至终点滑动,滑动前计算当前窗口区段中5个采样点对应功率值的平均值,然后计算各采样点与均值的方差和并保存为窗口方差值;
步骤2、设定阈值为10,计算当前时刻的窗口方差值与前一时刻的窗口方差值的绝对误差,若绝对误差大于阈值,则判定当前时刻窗口的第一个采样点为第一个分段点,窗口滑动结束;否则继续滑动窗口,直到绝对误差大于阈值,得到当前窗口第一个采样点作为第一个分段点;
步骤3、使用数据库中300条铁路道岔功率数据转换得到功率曲线,手动标记每条功率曲线第二个分段点,标记距离数据曲线最后一个采样点的长度作为标签,提取上述功率曲线的最后一百个采样点作为输入特征,训练卷积神经网络模型;
步骤4、将步骤1中需要分段的铁路道岔功率曲线的最后一百个采样点作为输入特征,输入步骤3已经训练好的卷积神经网络模型中,得到输出为1到100之间的一个数字,此数字即为上述卷积神经网络模型预测曲线最后一个采样点距离第二个分段点的长度,以此得到第二个分段点;
步骤5、依据步骤2得到的第一个分段点与步骤4得到的第二个分段点,将铁路道岔动作功率曲线第一个采样点至步骤2得到的第一个分段点之间的部分曲线判定为道岔解锁过程曲线,将步骤2得到的第一个分段点至步骤4得到的第二个分段点之间的部分曲线判定为道岔转换过程曲线,将步骤4得到的第二个分段点至铁路道岔动作功率曲线最后一个采样点的部分曲线判定为道岔锁闭过程曲线,最终得到对应铁路道岔动作过程中三个阶段的三段曲线,使不同阶段提取的特征有效地保留原始数据的特征变化情况,降低对于数据分析的难度。
3.根据权利要求2所述的铁路道岔动作功率曲线智能分段方法,其特征在于,所述步骤2具体如下:
根据步骤1中曲线采样点对应的方差值,从i=1时开始,将i=2时的方差值减去i=1时的方差值,求得绝对值,并将该绝对值与事先设定好的阈值进行比较,若该绝对值大于该阈值,则停止窗口滑动与计算,判定此时i=1为曲线第一个分段点;若该绝对值小于该阈值,则继续滑动一次,并计算i=2时与i=3时所得方差值的绝对误差,再将绝对误差与阈值比较,直到绝对误差大于阈值时,得到当前窗口第一个采样点为第一个分段点。
4.根据权利要求3所述的铁路道岔动作功率曲线智能分段方法,其特征在于,所述步骤3具体如下:
从数据库中获取300条道岔设备微机监测设备采集的铁路道岔动作功率信号,将功率信号转换为功率曲线,以数值对应采样点的方式将值保存在表格文件中,然后提取上述功率曲线最后一百个采样点形成的部分曲线,并采取手动标记的方式记录合适的分段点,由一百个采样点形成的数据作为输入特征、手动标记的分段点距离最后一个采样点的长度作为标签,训练卷积神经网络模型,最后根据其迭代次数停止训练,得到已经训练完毕,能够有效分段的卷积神经网络模型。
5.根据权利要求4所述的铁路道岔动作功率曲线智能分段方法,其特征在于,所述步骤4具体如下:
对于需要分段的铁路道岔动作功率曲线,在经过步骤1与步骤2得到第一个分段点后,取该曲线的最后一百个采样点作为模型的输入特征,输入步骤3已经训练好的卷积神经网络模型中,输出为一个1至100的数字i,代表卷积神经网络模型预测第二个分段点与上述功率曲线最后一个采样点的距离,从上述功率曲线最后一个采样点至该条功率曲线第一个采样点的方向查找该条功率曲线中第i个点,即为第二个分段点。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910673005.3A CN110490297B (zh) | 2019-07-24 | 2019-07-24 | 一种铁路道岔动作功率曲线智能分段方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910673005.3A CN110490297B (zh) | 2019-07-24 | 2019-07-24 | 一种铁路道岔动作功率曲线智能分段方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110490297A CN110490297A (zh) | 2019-11-22 |
CN110490297B true CN110490297B (zh) | 2021-10-15 |
Family
ID=68548202
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910673005.3A Active CN110490297B (zh) | 2019-07-24 | 2019-07-24 | 一种铁路道岔动作功率曲线智能分段方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110490297B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111915061B (zh) * | 2020-07-06 | 2022-06-07 | 同济大学 | 一种道岔动作电流曲线预测方法及其故障判别方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2013212885A (ja) * | 2012-03-30 | 2013-10-17 | Mitsui Eng & Shipbuild Co Ltd | コンテナターミナルとその制御方法 |
CN105787511A (zh) * | 2016-02-26 | 2016-07-20 | 清华大学 | 基于支持向量机的道岔故障诊断方法及*** |
CN108416362A (zh) * | 2018-01-29 | 2018-08-17 | 同济大学 | 一种道岔异常预警与故障诊断方法 |
CN109532949A (zh) * | 2018-12-17 | 2019-03-29 | 深圳科安达电子科技股份有限公司 | 铁路道岔转换过程分析评估*** |
CN109677448A (zh) * | 2018-12-29 | 2019-04-26 | 广州铁科智控有限公司 | 一种基于转辙机功率的道岔故障分析方法 |
CN109815983A (zh) * | 2018-12-10 | 2019-05-28 | 清华大学 | 基于混合深度学习的高铁道岔智能故障预测方法 |
-
2019
- 2019-07-24 CN CN201910673005.3A patent/CN110490297B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2013212885A (ja) * | 2012-03-30 | 2013-10-17 | Mitsui Eng & Shipbuild Co Ltd | コンテナターミナルとその制御方法 |
CN105787511A (zh) * | 2016-02-26 | 2016-07-20 | 清华大学 | 基于支持向量机的道岔故障诊断方法及*** |
CN108416362A (zh) * | 2018-01-29 | 2018-08-17 | 同济大学 | 一种道岔异常预警与故障诊断方法 |
CN109815983A (zh) * | 2018-12-10 | 2019-05-28 | 清华大学 | 基于混合深度学习的高铁道岔智能故障预测方法 |
CN109532949A (zh) * | 2018-12-17 | 2019-03-29 | 深圳科安达电子科技股份有限公司 | 铁路道岔转换过程分析评估*** |
CN109677448A (zh) * | 2018-12-29 | 2019-04-26 | 广州铁科智控有限公司 | 一种基于转辙机功率的道岔故障分析方法 |
Non-Patent Citations (2)
Title |
---|
Method on the Fault Detection and Diagnosis for the Railway Turnout Based on the Current Curve of Switch Machine;Xue Mei Mo et al;《Applied Mechanics and Materials》;20130930;全文 * |
基于微机监测的提速道岔故障分析方法;张莉等;《铁道通信信号》;20111031;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN110490297A (zh) | 2019-11-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Aversano et al. | A new text-independent method for phoneme segmentation | |
CN110018670B (zh) | 一种基于动态关联规则挖掘的工业过程异常工况预测方法 | |
CN107451004B (zh) | 一种基于定性趋势分析的道岔故障诊断方法 | |
CN109446189A (zh) | 一种工业参数离群点检测***及方法 | |
CN114167838B (zh) | 一种伺服***多尺度健康评估与故障预测方法 | |
CN111275198B (zh) | 一种轴承异常检测方法及*** | |
CN113096088A (zh) | 一种基于深度学习的混凝土结构检测方法 | |
CN116335925B (zh) | 基于数据增强的煤矿井下乳化泵站智能调控*** | |
CN112380992B (zh) | 一种加工过程监控数据准确性评估与优化方法及装置 | |
CN110490297B (zh) | 一种铁路道岔动作功率曲线智能分段方法 | |
CN111178156A (zh) | 一种应用于机器学习的时序特征有效窗口提取方法 | |
CN109934100A (zh) | 一种基于滑动窗口的幅频时变工艺信号分割方法 | |
CN112200000A (zh) | 一种焊接稳定性识别模型训练方法、焊接稳定性识别方法 | |
CN117708625B (zh) | 一种乏数据背景下大坝监测历史数据填补方法 | |
CN111563886B (zh) | 基于非监督特征学习的隧道钢轨表面病害检测方法及装置 | |
CN117574283A (zh) | 基于飞行参数的复杂飞行动作分割与检测方法及装置 | |
CN111538755B (zh) | 一种基于归一化互相关与单位根检验的设备运行状态异常检测方法 | |
CN110598674B (zh) | 一种基于模式识别的转辙机故障识别方法 | |
CN110991363A (zh) | 不同采煤工序下煤矿安全监控***co涌出特征提取方法 | |
CN110489810B (zh) | 一种基于数据块的趋势自动提取方法 | |
CN114970630B (zh) | 一种时序数据多尺度分段的模型训练方法 | |
CN115255566B (zh) | 一种基于高质量时域特征的焊偏实时智能检测方法 | |
CN114666236B (zh) | 一种全自动信号检测识别报警方法 | |
CN115106615A (zh) | 一种基于工况智能识别的焊偏实时检测方法及*** | |
CN114490235A (zh) | 智能化识别日志数据中的数量关系及其异常的算法模型 |
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 |