CN110501160B - 列车轴承故障预警方法、装置、***和存储介质 - Google Patents
列车轴承故障预警方法、装置、***和存储介质 Download PDFInfo
- Publication number
- CN110501160B CN110501160B CN201910704374.4A CN201910704374A CN110501160B CN 110501160 B CN110501160 B CN 110501160B CN 201910704374 A CN201910704374 A CN 201910704374A CN 110501160 B CN110501160 B CN 110501160B
- Authority
- CN
- China
- Prior art keywords
- temperature
- value
- early warning
- deviation
- data
- 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
- 238000000034 method Methods 0.000 title claims abstract description 52
- 238000003860 storage Methods 0.000 title claims abstract description 11
- 238000012423 maintenance Methods 0.000 claims description 56
- 238000012549 training Methods 0.000 claims description 31
- 238000004590 computer program Methods 0.000 claims description 14
- 238000013145 classification model Methods 0.000 claims description 9
- 230000009467 reduction Effects 0.000 claims description 9
- 230000008569 process Effects 0.000 abstract description 11
- 230000002159 abnormal effect Effects 0.000 abstract description 8
- 238000012545 processing Methods 0.000 abstract description 5
- 238000001514 detection method Methods 0.000 description 13
- 230000003137 locomotive effect Effects 0.000 description 13
- 238000004364 calculation method Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 6
- 230000005856 abnormality Effects 0.000 description 3
- 238000012512 characterization method Methods 0.000 description 2
- 238000003066 decision tree Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 230000002411 adverse Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000003442 weekly effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01K—MEASURING TEMPERATURE; MEASURING QUANTITY OF HEAT; THERMALLY-SENSITIVE ELEMENTS NOT OTHERWISE PROVIDED FOR
- G01K13/00—Thermometers specially adapted for specific purposes
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M13/00—Testing of machine parts
- G01M13/04—Bearings
-
- 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
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
- Rolling Contact Bearings (AREA)
Abstract
本申请涉及一种列车轴承故障预警方法、装置、***和存储介质。其中，列车轴承故障预警方法通过计算地面***采集到的列车的轴温数据，并将计算得到的特征数据输入到预警模型中，得到预警结果。预警模型是选取轴承发生故障时刻前一段时间的数据，并基于历史轴温数据建立的分级模型。将特征数据与预警模型中的各阈值进行比对，可得到相应的预警结果。基于轴承故障分级预警方式，能够有效利用列车的历史轴温数据，在出现轴承异常的早期进行预警，实现异常的早发现早处理，预防轴承故障的发生；同时，保障轴承状态正常，能够降低行车过程异常发生，保障正常行车，减少因为车辆轴承引发事故造成的线路拥堵。
Description
技术领域
本申请涉及轨道交通技术领域，特别是涉及一种列车轴承故障预警方法、装置、***和存储介质。
背景技术
货运或客运机车目前在国内通行车辆数已经多年保持6000多台，对应车辆的一线维护工作难度巨大。对机车的安全运行需要机车各个部件的正常工作，需要做好机车的各项日常维护，对应车辆部件需要进行周期性异常监测。轴承作为机车最重要的部件之一，轴承的安全状态对机车的安全运行占据重要地位。轴承的机械异常或者电异常通常肯定会导致轴承温度发生剧烈变化，热轴事故一旦发生，如果没有及时采取措施，基本上都会造成行车事故，形成较大的经济损失。
轴承节点分布广，维护工作繁重，在实现过程中，发明人发现传统技术中至少存在如下问题：传统的轴承异常检测方法对异常的诊断时间主要发生在行车过程，会对繁忙的列车线路造成大量延误，引发经济和效率损失。
发明内容
基于此，有必要针对传统的轴承异常检测方法会对轨道线路造成不良影响的问题，提供一种列车轴承故障预警方法、装置、***和存储介质。
为了实现上述目的，一方面，本申请实施例提供了一种列车轴承故障预警方法，包括：
根据地面***采集到的列车的轴温数据进行计算，得到特征数据；特征数据包括绝对温度值、时刻温度偏差值和偏离值；时刻温度偏差值为单个轴承的温度值与对应的时刻温度中位值的差值；时刻温度中位值为同一时刻、列车上其它轴承的温度值中的中位值；偏离值为基于时刻温度偏差值与标准差的差值得到；标准差基于各时刻温度偏差值得到。
将特征数据输入到训练好的预警模型中，获取预警模型输出的预警结果；预警模型为基于轴承发生故障前的历史轴温数据建立的分级模型；分级模型包括基于历史轴温数据得到的绝对温度阈值、时刻温度偏差阈值和偏离阈值。
在其中一个实施例中，根据地面***采集到的列车的轴温数据进行计算，得到特征数据的步骤之前，还包括：
将历史轴温数据作为训练集。
从训练集中获取绝对温度值的维度数据，并在绝对温度值的维度数据中确认绝对温度阈值。
从训练集中获取时刻温度偏差值的维度数据，并在时刻温度偏差值的维度数据中确认时刻温度偏差阈值。
从训练集中统计出现偏离值大于预设偏离值的次数，并在统计得到的次数中确认偏离阈值。
基于绝对温度阈值、时刻温度偏差阈值和偏离阈值，建立预警模型。
在其中一个实施例中，将特征数据输入到训练好的预警模型中，获取预警模型输出的预警结果的步骤包括：
在绝对温度值大于绝对温度阈值时，预警模型输出降速并进行维护的预警结果。
在绝对温度值小于绝对温度阈值、且时刻温度偏差值大于时刻温度偏差阈值时，预警模型输出结束行车后进行维护的预警结果。
在绝对温度值小于绝对温度阈值、时刻温度偏差值小于时刻温度偏差阈值时，统计偏离值出现大于预设偏离值的次数；在统计得到的次数大于偏离阈值时，预警模型输出期限内进行维护的预警结果。
在其中一个实施例中，绝对温度阈值在高温数据中得到；高温数据为绝对温度值的维度数据中前5％的数据。
和/或，时刻温度偏差阈值在高温偏差数据中得到；高温偏差数据为时刻温度偏差值的维度数据中前5％的数据。
在其中一个实施例中，时刻温度偏差阈值包括第一时刻温度偏差阈值和第二时刻温度偏差阈值；第一时刻温度偏差阈值为绝对温度值的维度数据中、99％分位值对应的数据；第二时刻温度偏差阈值为绝对温度值的维度数据中、95％分位值对应的数据。
和/或，偏离阈值包括第一偏离阈值和第二偏离阈值；第一偏离阈值为统计得到的次数中、99％分位值对应的次数；第二偏离阈值为统计得到的次数中、95％分位值对应的次数。
在其中一个实施例中，在根据地面***采集到的列车的轴温数据进行计算，得到特征数据的步骤中，基于以下公式获取偏离值：
Δ2T＝ΔT-3.5δ-median(ΔT)
其中，Δ2T为偏离值，ΔT为时刻温度偏差值，δ为标准差，median(ΔT)为同一时刻、列车上其它轴承的时刻温度偏差值中的中位值。
在其中一个实施例中，获取预警模型输出的预警结果的步骤之后，还包括步骤：
基于预警结果，生成维护计划，并将维护计划发送给调度中心。
另一方面，本申请实施例还提供了一种列车轴承故障预警装置，包括：
特征数据获取模块，用于根据地面***采集到的列车的轴温数据进行计算，得到特征数据；特征数据包括绝对温度值、时刻温度偏差值和偏离值；时刻温度偏差值为单个轴承的温度值与对应的时刻温度中位值的差值；时刻温度中位值为同一时刻、列车上其它轴承的温度值中的中位值；偏离值为基于时刻温度偏差值与标准差的差值得到；标准差基于各时刻温度偏差值得到。
预警结果获取模块，用于将特征数据输入到训练好的预警模型中，获取预警模型输出的预警结果；预警模型为基于轴承发生故障前的历史轴温数据建立的分类模型；分类模型包括基于历史轴温数据得到的绝对温度阈值、时刻温度偏差阈值和偏离阈值。
在其中一个实施例中，提供了一种***，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现如上述的列车轴承故障预警方法。
在其中一个实施例中，提供了一种计算机存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述的列车轴承故障预警方法。
上述技术方案中的一个技术方案具有如下优点和有益效果：
计算地面***采集到的列车的轴温数据，并将计算得到的特征数据输入到预警模型中，得到预警结果。其中，预警模型是选取轴承发生故障时刻前一段时间的数据，并基于历史轴温数据建立的分级模型。将特征数据与预警模型中的各阈值进行比对，可得到相应的预警结果。基于轴承故障分级预警方式，能够有效利用列车的历史轴温数据，在出现轴承异常的早期进行预警，实现异常的早发现早处理，预防轴承故障的发生；同时，保障轴承状态正常，能够降低行车过程异常发生，保障正常行车，减少因为车辆轴承引发事故造成的线路拥堵。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：
图1为一个实施例中列车轴承故障预警方法的第一示意性流程图；
图2为一个实施例中列车轴承故障预警方法的第二示意性流程图；
图3为一个实施例中列车轴承故障预警方法的第三示意性流程图；
图4为一个实施例中列车轴承故障预警方法的预警模型示意图；
图5为一个实施例中列车轴承故障预警方法的第四示意性流程图；
图6为一个实施例中列车轴承故障预警装置的结构示意图。
具体实施方式
为了便于理解本申请，下面将参照相关附图对本申请进行更全面的描述。附图中给出了本申请的首选实施例。但是，本申请可以以许多不同的形式来实现，并不限于本文所描述的实施例。相反地，提供这些实施例的目的是使对本申请的公开内容更加透彻全面。
需要说明的是，当一个元件被认为是“连接”另一个元件，它可以是直接连接到另一个元件并与之结合为一体，或者可能同时存在居中元件。
除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。本文中在本申请的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本申请。本文所使用的术语“和/或”包括一个或多个相关的所列项目的任意的和所有的组合。
现有的轴承异常检测方法对异常的诊断时间主要发生在行车过程。轴承异常检测主要是针对列车各个轴承的温度进行实时检测。各轴温度传输至机车控制单元，控制中心通过绝对温度、轴温度偏离等值的计算，然后与阈值进行比较。当判断轴温异常时，列车将减速或限速行驶，在特殊情况下，会进行紧急制动，以保障人车安全。这种方式的异常检出会对繁忙的列车线路造成大量延误，造成经济和效率损失。
机车的安全运行依赖于良好的轴承状态，热轴事故会导致重大事故。现行的机车一般都有热轴现象检测***，但是发现“热轴”后的停车措施对繁忙的铁路线路会造成困扰，因此，有效地进行机车热轴的预警***是具有很大必要性。本申请实施例提出一种轴承故障预警方法，通过引入各个机车的历史轴温数据，获取绝对温度、偏离温度的绝对温度、偏离温度的相对值，以及以上部分指标的偏离频次等指标，进而可建立类决策树的特征值与车辆轴承状态间对应关系，基于此，能够针对不同分级结果，给出不同的车辆轴承检修措施，保障列车的安全运行。
在一个实施例中，提供了一种列车轴承故障预警方法，如图1所示，包括：
步骤S110，根据地面***采集到的列车的轴温数据进行计算，得到特征数据。特征数据包括绝对温度值、时刻温度偏差值和偏离值；时刻温度偏差值为单个轴承的温度值与对应的时刻温度中位值的差值；时刻温度中位值为同一时刻、列车上其它轴承的温度值中的中位值；偏离值为基于时刻温度偏差值与标准差的差值得到；标准差基于各时刻温度偏差值得到。
步骤S120，将特征数据输入到训练好的预警模型中，获取预警模型输出的预警结果；预警模型为基于轴承发生故障前的历史轴温数据建立的分类模型；分类模型包括基于历史轴温数据得到的绝对温度阈值、时刻温度偏差阈值和偏离阈值。
具体而言，获取地面***采集到的列车轴温数据；该列车轴温数据包括一段时间内，该列车上各个轴承在各检测时刻的温度值。基于获取到的轴温数据计算特征数据，包括列车上各个轴承的绝对温度值、时刻温度偏差值和偏离值。其中，绝对温度值可为地面***在检测时刻采集到的温度数据。时刻温度偏差值可为同一时刻下，该轴承的温度值与剩余轴承的温度中位值的差值；具体地，可通过对轴承的温度值与对应的时刻温度中位值进行求差，得到该轴承的时刻温度偏差值；时刻温度中位值为同一时刻下、除了该轴承外、列车上其它轴承的温度值中的中位值。偏离值为基于对应轴承的时刻温度偏差值与标准差的差值得到；具体地，可根据基于计算得到的各个时刻温度偏差值，计算得到该列车轴温数据对应的时刻温度偏差值的标准差；对时刻温度偏差值和标准差进行求差，可得到偏离值。应该注意的是，计算偏离值的过程中，可对时刻温度偏差值和预设倍数的标准差进行求差，还可进一步结合偏离中位值进行计算，例如在时刻温度偏差值中减去偏离中位值和预设倍数的标准差，得到偏离值。
将计算得到的特征数据输入到预警模型中，获取预警模型基于输入的特征数据得到的预警结果。预警模型是采用轴承在发生故障时刻之前的一段时间的历史轴温数据建立得到；具体地，预警模型为包括绝对温度阈值、时刻温度偏差阈值和偏离阈值的分级模型，通过将输入的特征数据与各阈值进行对比，能够得到相应预警结果。其中，绝对温度阈值、时刻温度偏差阈值和偏离阈值均基于历史轴温数据得到；绝对温度阈值可基于历史轴温数据中、各个轴承在不同时刻下的绝对温度值得到；时刻温度偏差阈值可基于历史轴温数据中、各个轴承在不同时刻下的时刻温度偏差值得到；偏离阈值可基于历史轴温数据中、各个轴承在不同时刻下的偏离值得到。应该注意的是，历史轴温数据中绝对温度值、时刻温度偏差值和偏离值的获得方式与上述特征数据的计算方式类似，此处不再重复赘述；具体的阈值可根据实际的轴承结构参数、运行参数等情况进行选择，例如，以基础数据中排序靠前的第20个数据作为判定阈值等，此处不做具体限制。此外，阈值的选取方式还有多种，例如采用对历史轴温数据进行加权计算得到。
需要说明的是，本申请实施例可应用于列车控制单元、调度中心控制台或地面检测***等计算机设备，此处不做具体限制。地面***设有轴温检测单元，可用于检测、采集列车的轴承温度。特征数据用于表征列车的轴承温度状态，包括但不限于绝对温度值、时刻温度偏差值和偏离值。绝对温度阈值可用于与特征数据中的绝对温度值进行对比；时刻温度偏差阈值可用于与特征数据中的时刻温度偏差值进行对比；偏离阈值可用于与特征数据中的偏离值进行对比。预警模型可基于特征数据与阈值的对比结果，生成对应的预警结果；可选地，通对比特征数据与阈值大小，确定对应的预警结果；根据对比特征数据与阈值的差值大小，确定对应的预警结果；根据出现特征数据超过阈值的次数，确定对应的预警结果。进一步地，不同的对比结果可对应不同的预警结果，具体的对应关系与预警结果内容可根据实际需求进行设置，此处不做具体限定。
本申请实施例计算地面***采集到的列车的轴温数据，并将计算得到的特征数据输入到预警模型中，得到预警结果。其中，预警模型是选取轴承发生故障时刻前一段时间的数据，并基于历史轴温数据建立的分级模型。将特征数据与预警模型中的各阈值进行比对，可得到相应的预警结果。采用历史轴温数据作为预警模型的建立基础，更贴近轴承的实际运行状况，提高预警模型的准确性。基于轴承故障分级预警方式，能够有效利用列车的历史轴温数据，在出现轴承异常的早期进行预警，实现异常的早发现早处理，预防轴承故障的发生；同时，保障轴承状态正常，能够降低行车过程异常发生，保障正常行车，减少因为车辆轴承引发事故造成的线路拥堵。
在一个实施例中，如图2所示，根据地面***采集到的列车的轴温数据进行计算，得到特征数据的步骤之前，还包括：
步骤S101，将历史轴温数据作为训练集。
步骤S102，从训练集中获取绝对温度值的维度数据，并在绝对温度值的维度数据中确认绝对温度阈值。
步骤S104，从训练集中获取时刻温度偏差值的维度数据，并在时刻温度偏差值的维度数据中确认时刻温度偏差阈值。
步骤S106，从训练集中统计出现偏离值大于预设偏离值的次数，并在统计得到的次数中确认偏离阈值。
步骤S108，基于绝对温度阈值、时刻温度偏差阈值和偏离阈值，建立预警模型。
具体而言，将获取到的历史轴温数据作为训练集，进而基于训练集确认绝对温度阈值、时刻温度偏差阈值和偏离阈值，并建立预警模型。其中，可从训练集中获取绝对温度值的维度数据、时刻温度偏差值的维度数据并统计出现偏离值大于预设偏离值的次数；进而从两个维度数据中分别选取对应的阈值，并在统计得到的次数中确认偏离阈值。
需要说明的是，历史轴温数据可为列车轴承发生故障前三周、一个月、四十天、五十天或2个月等的数据，此处不做具体限制。维度数据包括列车上各个轴承在各个采集时刻下的数据。在维度数据中选取阈值的方式至少包括：选取排序前位的数据作为阈值，选取平均值或中位值作为阈值，选取平均值或中位值并作加权计算、得到阈值。绝对温度阈值可用于检测特征数据中是否有温度大于发生故障时刻的温度；时刻温度偏差阈值可用于检测特征数据中是否有与正常温度偏差过大的轴温。
预设偏离值可根据偏离值的生成方式进行相应地设置；示例性地，偏离值由时刻温度偏差值与预设倍数的标准差求差得到时，预设偏离值可为同一时刻、列车上其它轴承的时刻温度偏差值中的中位值；偏离值由时刻温度偏差值依次对预设倍数的标准差，以及时刻温度偏差中位值求差得到时，预设偏离值可为零。偏离阈值的类型可为次数，用于检测轴温偏离正常数据的次数，进而可确定相应的预警结果。
本申请实施例采用与特征数据相同的方式，从历史轴温数据中确认阈值，能够提高预警模型的判别准确度，做出高精度的预警提示。此外，对于绝对温度值和温度偏差值的检测，采用直接的温度对比方式，能够直接快速地反应轴温是否异常；对于偏离值的检测，采用次数来反应偏离的发生频率，能够反应轴承的整体运行状况，进而实现全方位的检测和预警。
在一个实施例中，如图3所示，将特征数据输入到训练好的预警模型中，获取预警模型输出的预警结果的步骤包括：
步骤S122，在绝对温度值大于绝对温度阈值时，预警模型输出降速并进行维护的预警结果。
具体而言，若特征数据中存在大于绝对温度阈值的绝对温度值，则预警模型输出降速并进行维护的预警结果，以指示列车降速行驶至维护中心进行及时维护。轴承的绝对温度值超过预警模型中的阈值时，表明轴承极可能处于异常状态，需及时降速运行至维护中心进行检修。
在一个实施例中，如图3所示，将特征数据输入到训练好的预警模型中，获取预警模型输出的预警结果的步骤包括：
步骤S124，在绝对温度值小于绝对温度阈值、且时刻温度偏差值大于时刻温度偏差阈值时，预警模型输出结束行车后进行维护的预警结果。
具体而言，若特征数据中不存在大于绝对温度阈值的绝对温度值，则检测是否存在大于时刻温度偏差阈值的时刻温度偏差值：若是，则预警模型输出结束行车后进行维护的预警结果，以指示列车在结束行车过程后进行维修，保障列车后续的正常运行。
在一个实施例中，如图3所示，将特征数据输入到训练好的预警模型中，获取预警模型输出的预警结果的步骤包括：
步骤S126，在绝对温度值小于绝对温度阈值、时刻温度偏差值小于时刻温度偏差阈值时，统计偏离值出现大于预设偏离值的次数；在统计得到的次数大于偏离阈值时，预警模型输出期限内进行维护的预警结果。
具体而言，若特征数据中不存在大于绝对温度阈值的绝对温度值，且不存在大于时刻温度偏差阈值的时刻温度偏差值，则统计偏离值出现大于预设偏离值的次数，并检测统计得到的次数是否大于偏离阈值：若是，则预警模型输出期限内进行维护的预警结果，以指示列车在期限内进行维修，便于列车的调度安排。此外，在绝对温度值小于绝对温度阈值、时刻温度偏差值小于时刻温度偏差阈值、且特征数据中不存在大于预设偏离值的偏离值时，预警模型可输出轴承正常的预警结果。
在一个实施例中，绝对温度阈值在高温数据中得到；高温数据为绝对温度值的维度数据中前5％的数据。
具体而言，历史轴温数据中，绝对温度值的维度数据可按温度从高到低进行排序；绝对温度阈值可在排序前5％的数据中选取。
在一个实施例中，时刻温度偏差阈值在高温偏差数据中得到；高温偏差数据为时刻温度偏差值的维度数据中前5％的数据。
具体而言，历史轴温数据中，时刻温度偏差值的维度数据可按高温偏差从大到小进行排序；时刻温度偏差阈值可在排序前5％的数据中选取。
在一个实施例中，偏离阈值包括第一偏离阈值和第二偏离阈值；第一偏离阈值为统计得到的次数中、99％分位值对应的次数；第二偏离阈值为统计得到的次数中、95％分位值对应的次数。
具体而言，从历史轴温数据中可得到多个偏离阈值，用于预警模型的多级预警。具体地，可按从小到大的顺序对训练集中统计得到的次数进行排序，并将99％的分位值对应的次数作为第一偏离阈值，将95％的分位值对应的次数作为第二偏离阈值。其中，第一偏离阈值可用于提示特征数据存在严重偏离的情况，第二偏离阈值可用于提示特征数据存在偏离的可能。
在一个实施例中，时刻温度偏差阈值包括第一时刻温度偏差阈值和第二时刻温度偏差阈值；第一时刻温度偏差阈值为绝对温度值的维度数据中、99％分位值对应的数据；第二时刻温度偏差阈值为绝对温度值的维度数据中、95％分位值对应的数据。
具体而言，从历史轴温数据中可得到多个时刻温度偏差阈值，用于预警模型的多级预警。具体地，可按从小到大的顺序对训练集中统计得到的次数进行排序，并将99％的分位值对应的次数作为第一时刻温度偏差阈值，将95％的分位值对应的次数作为第二时刻温度偏差阈值。其中，第一时刻温度偏差阈值可用于提示特征数据存在严重偏差的情况，第二时刻温度偏差阈值可用于提示特征数据有潜在的偏差异常。
示例性地，在绝对温度值小于绝对温度阈值、时刻温度偏差值小于第一时刻温度偏差阈值时，统计时刻温度偏差值出现大于第二时刻温度偏差阈值的频次。
在统计得到的次数大于第一偏差频次时，预警模型输出第一期限内进行维护的预警结果。
在统计得到的次数小于第一偏差频次且大于第二偏差频次时，预警模型输出第二期限内进行维护的预警结果；第一偏差频次大于第二偏差频次；第一偏差频次和第二偏差频次可根据历史轴温数据中时刻温度偏差值大于第二时刻温度偏差阈值的频次来设置。
在一个实施例中，在根据地面***采集到的列车的轴温数据进行计算，得到特征数据的步骤中，基于以下公式获取偏离值：
Δ2T＝ΔT-3.5δ-median(ΔT)
其中，Δ2T为偏离值，ΔT为时刻温度偏差值，δ为标准差，median(ΔT)为同一时刻、列车上其它轴承的时刻温度偏差值中的中位值。
具体而言，特征数据的偏离值，以及历史轴温数据的偏离值可根据上述公式进行计算获得。
在一个实施例中，获取预警模型输出的预警结果的步骤之后，还包括步骤：
基于预警结果，生成维护计划，并将维护计划发送给调度中心。
具体而言，在得到预警结果后，可生成维护计划，并发送给调度中心和/或相应的列车，以及时安排调度及检修。
在一个实施例中，轴承故障预警方法包含两个部分，第一步是建立预警模型：选取轴承发生故障时刻前一个月的数据，对历史数据进行特征计算，生成数据样本，并建立类似决策树结构的故障分级模型；第二步是描述地面维护流程：获取地面数据，输入模型，结合分级结果，对不同分级结果发出对应的检修建议推送至机务段售后调度中心，实现异常的提前处理，预防轴承故障的发生。具体地，建立列车轴承状态分级模型时，可取出有轴承检修记录的车次在检修之前的历史一个月轴温数据作为训练集D0，按照以下步骤进行处理，建立轴承状态分级模型：
1)取出D0中各轴温度数据，以单次轴承故障数据为1个样本，计算以下特征值：
绝对温度值：Tabs。
轴承的时刻温度偏差值：ΔT＝T-median(T)；其中，T为某个时刻单个轴承的温度，median(T)表示除去该轴承后剩余轴承的该时刻的温度中位值。
将单次故障作为整体，计算ΔT的标准差：δ；
计算偏差与标准差的偏离值：Δ2T＝ΔT-3.5δ-median(ΔT)。
基于1)中计算的特征值，对选取的异常数据，基于以下步骤进行阈值的确定：
取Tabs的维度数据，取99％分位值作为绝对温度阈值：t1。
取ΔT的维度数据，取99％分位值作为第一偏差阈值：t2；取95％分位值作为第二偏差阈值：t3。
在样本中，按周进行ΔT>t3的发生次数的统计，取99％分位值作为第一偏差频次m1，取95％分位值作为第二偏差频次m2。
在样本中，对Δ2T>0的发生次数进行分布统计，取99％分位值作为第一偏离阈值n1，取95％分位值作为第二偏离阈值n2。
上述步骤算出的参数值导入如图4所示模型，即可用于轴承故障预警方法。
在一个实施例中，如图5所示，基于轴承异常预警的轴承维护流程可如下所示：选取地面大数据平台中的轴温数据，按车进行数据特征计算，并将特征输入轴承状态分级预警模型，给出状态等级，对应每个预警等级，按照如下给出维护计划：
当预警等级＝4时，即时进行降速行驶至可维护地点，即时进行维护。
当预警等级＝3时，发送加急维护计划至售后中心，在当次行车过程结束后进行维护。
当预警等级＝2时，发送维护计划至售后中心，在5日内选取合适时间开展检修。
当预警等级＝1时，发送维护计划至售后中心，在10日内安排时间进行检修。
本申请实施例采用类决策树结构建立预警模型，并进行列车轴承故障的提前预警和提前维护，能够大大提前异常发现时间，实现异常的提前发现，以及异常轴承的提前维护。
应该理解的是，虽然图1至3的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图1至3中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中，提供了一种列车轴承故障预警装置，如图6所示，包括：
特征数据获取模块，用于根据地面***采集到的列车的轴温数据进行计算，得到特征数据；特征数据包括绝对温度值、时刻温度偏差值和偏离值；时刻温度偏差值为单个轴承的温度值与对应的时刻温度中位值的差值；时刻温度中位值为同一时刻、列车上其它轴承的温度值中的中位值；偏离值为基于时刻温度偏差值与标准差的差值得到；标准差基于各时刻温度偏差值得到。
预警结果获取模块，用于将特征数据输入到训练好的预警模型中，获取预警模型输出的预警结果；预警模型为基于轴承发生故障前的历史轴温数据建立的分类模型；分类模型包括基于历史轴温数据得到的绝对温度阈值、时刻温度偏差阈值和偏离阈值。
在一个实施例中，列车轴承故障预警装置还包括：
训练集模块，用于将历史轴温数据作为训练集。
绝对温度阈值确认模块，用于从训练集中获取绝对温度值的维度数据，并在绝对温度值的维度数据中确认绝对温度阈值。
时刻温度偏差阈值确认模块，用于从训练集中获取时刻温度偏差值的维度数据，并在时刻温度偏差值的维度数据中确认时刻温度偏差阈值。
偏离阈值确认模块，用于从训练集中统计出现偏离值大于预设偏离值的次数，并在统计得到的次数中确认偏离阈值。
预警模型建立模块，用于基于绝对温度阈值、时刻温度偏差阈值和偏离阈值，建立预警模型。
在一个实施例中，预警结果获取模块包括：
第一预警单元，用于在绝对温度值大于绝对温度阈值时，预警模型输出降速并进行维护的预警结果。
第二预警单元，用于在绝对温度值小于绝对温度阈值、且时刻温度偏差值大于时刻温度偏差阈值时，预警模型输出结束行车后进行维护的预警结果。
第三预警单元，用于在绝对温度值小于绝对温度阈值、时刻温度偏差值小于时刻温度偏差阈值时，统计偏离值出现大于预设偏离值的次数；在统计得到的次数大于偏离阈值时，预警模型输出期限内进行维护的预警结果。
在一个实施例中，特征数据获取模块可基于以下公式获取偏离值：
Δ2T＝ΔT-3.5δ-median(ΔT)
其中，Δ2T为偏离值，ΔT为时刻温度偏差值，δ为标准差，median(ΔT)为同一时刻、列车上其它轴承的时刻温度偏差值中的中位值。
在一个实施例中，列车轴承故障预警装置还包括：
维护计划生产模块，用于基于预警结果，生成维护计划，并将维护计划发送给调度中心。
关于列车轴承故障预警装置的具体限定可以参见上文中对于列车轴承故障预警方法的限定，在此不再赘述。上述列车轴承故障预警装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种***，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现如下步骤：
根据地面***采集到的列车的轴温数据进行计算，得到特征数据；特征数据包括绝对温度值、时刻温度偏差值和偏离值；时刻温度偏差值为单个轴承的温度值与对应的时刻温度中位值的差值；时刻温度中位值为同一时刻、列车上其它轴承的温度值中的中位值；偏离值为基于时刻温度偏差值与标准差的差值得到；标准差基于各时刻温度偏差值得到。
将特征数据输入到训练好的预警模型中，获取预警模型输出的预警结果；预警模型为基于轴承发生故障前的历史轴温数据建立的分级模型；分级模型包括基于历史轴温数据得到的绝对温度阈值、时刻温度偏差阈值和偏离阈值。
在一个实施例中，处理器执行根据地面***采集到的列车的轴温数据进行计算，得到特征数据之前，还实现以下步骤：
将历史轴温数据作为训练集。
从训练集中获取绝对温度值的维度数据，并在绝对温度值的维度数据中确认绝对温度阈值。
从训练集中获取时刻温度偏差值的维度数据，并在时刻温度偏差值的维度数据中确认时刻温度偏差阈值。
从训练集中统计出现偏离值大于预设偏离值的次数，并在统计得到的次数中确认偏离阈值。
基于绝对温度阈值、时刻温度偏差阈值和偏离阈值，建立预警模型。
在一个实施例中，处理器执行将特征数据输入到训练好的预警模型中，获取预警模型输出的预警结果时，还实现以下步骤：
在绝对温度值大于绝对温度阈值时，预警模型输出降速并进行维护的预警结果。
在绝对温度值小于绝对温度阈值、且时刻温度偏差值大于时刻温度偏差阈值时，预警模型输出结束行车后进行维护的预警结果。
在绝对温度值小于绝对温度阈值、时刻温度偏差值小于时刻温度偏差阈值时，统计偏离值出现大于预设偏离值的次数；在统计得到的次数大于偏离阈值时，预警模型输出期限内进行维护的预警结果。
在一个实施例中，处理器执行在根据地面***采集到的列车的轴温数据进行计算，得到特征数据时，还实现以下步骤：
基于以下公式获取偏离值：
Δ2T＝ΔT-3.5δ-median(ΔT)
其中，Δ2T为偏离值，ΔT为时刻温度偏差值，δ为标准差，median(ΔT)为同一时刻、列车上其它轴承的时刻温度偏差值中的中位值。
在一个实施例中，在一个实施例中，处理器执行获取预警模型输出的预警结果之后，还实现以下步骤：
基于预警结果，生成维护计划，并将维护计划发送给调度中心。
关于***的具体限定可以参见上文中对于列车轴承故障预警方法的限定，在此不再赘述。
在一个实施例中，提供一种计算机存储介质，其上存储有计算机程序，该程序被处理器执行时实现如下步骤：
根据地面***采集到的列车的轴温数据进行计算，得到特征数据；特征数据包括绝对温度值、时刻温度偏差值和偏离值；时刻温度偏差值为单个轴承的温度值与对应的时刻温度中位值的差值；时刻温度中位值为同一时刻、列车上其它轴承的温度值中的中位值；偏离值为基于时刻温度偏差值与标准差的差值得到；标准差基于各时刻温度偏差值得到。
将特征数据输入到训练好的预警模型中，获取预警模型输出的预警结果；预警模型为基于轴承发生故障前的历史轴温数据建立的分级模型；分级模型包括基于历史轴温数据得到的绝对温度阈值、时刻温度偏差阈值和偏离阈值。
在一个实施例中，计算机程序被处理器执行根据地面***采集到的列车的轴温数据进行计算，得到特征数据的之前，还实现以下步骤：
将历史轴温数据作为训练集。
从训练集中获取绝对温度值的维度数据，并在绝对温度值的维度数据中确认绝对温度阈值。
从训练集中获取时刻温度偏差值的维度数据，并在时刻温度偏差值的维度数据中确认时刻温度偏差阈值。
从训练集中统计出现偏离值大于预设偏离值的次数，并在统计得到的次数中确认偏离阈值。
基于绝对温度阈值、时刻温度偏差阈值和偏离阈值，建立预警模型。
在一个实施例中，计算机程序被处理器执行将特征数据输入到训练好的预警模型中，获取预警模型输出的预警结果时，实现以下步骤：
在绝对温度值大于绝对温度阈值时，预警模型输出降速并进行维护的预警结果。
在绝对温度值小于绝对温度阈值、且时刻温度偏差值大于时刻温度偏差阈值时，预警模型输出结束行车后进行维护的预警结果。
在绝对温度值小于绝对温度阈值、时刻温度偏差值小于时刻温度偏差阈值时，统计偏离值出现大于预设偏离值的次数；在统计得到的次数大于偏离阈值时，预警模型输出期限内进行维护的预警结果。
在一个实施例中，计算机程序被处理器执行在根据地面***采集到的列车的轴温数据进行计算，得到特征数据中，还实现以下步骤：
基于以下公式获取偏离值：
Δ2T＝ΔT-3.5δ-median(ΔT)
其中，Δ2T为偏离值，ΔT为时刻温度偏差值，δ为标准差，median(ΔT)为同一时刻、列车上其它轴承的时刻温度偏差值中的中位值。
在一个实施例中，计算机程序被处理器执行获取预警模型输出的预警结果之后，还实现以下步骤：
基于预警结果，生成维护计划，并将维护计划发送给调度中心。
关于存储介质的具体限定可以参见上文中对于列车轴承故障预警方法的限定，在此不再赘述。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本申请范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请的保护范围应以所附权利要求为准。
Claims (10)
1.一种列车轴承故障预警方法，其特征在于，包括：
根据地面***采集到的列车的轴温数据进行计算，得到特征数据；所述特征数据包括绝对温度值、时刻温度偏差值和偏离值；所述时刻温度偏差值为单个轴承的温度值与对应的时刻温度中位值的差值；所述时刻温度中位值为同一时刻、所述列车上其它轴承的温度值中的中位值；所述偏离值为基于所述时刻温度偏差值与标准差的差值得到；所述标准差基于各所述时刻温度偏差值得到；
将所述特征数据输入到训练好的预警模型中，获取所述预警模型输出的预警结果；所述预警结果用于指示对所述列车进行相应的检修措施；所述预警模型为基于轴承发生故障前的历史轴温数据建立的分级模型；所述分级模型包括基于所述历史轴温数据得到的绝对温度阈值、时刻温度偏差阈值和偏离阈值。
2.根据权利要求1所述的列车轴承故障预警方法，其特征在于，根据地面***采集到的列车的轴温数据进行计算，得到特征数据的步骤之前，还包括：
将所述历史轴温数据作为训练集；
从所述训练集中获取绝对温度值的维度数据，并在所述绝对温度值的维度数据中确认所述绝对温度阈值；
从所述训练集中获取时刻温度偏差值的维度数据，并在所述时刻温度偏差值的维度数据中确认所述时刻温度偏差阈值；
从所述训练集中统计出现偏离值大于预设偏离值的次数，并在统计得到的次数中确认所述偏离阈值；
基于所述绝对温度阈值、所述时刻温度偏差阈值和所述偏离阈值，建立所述预警模型。
3.根据权利要求2所述的列车轴承故障预警方法，其特征在于，将所述特征数据输入到训练好的预警模型中，获取所述预警模型输出的预警结果的步骤包括：
在所述绝对温度值大于所述绝对温度阈值时，所述预警模型输出降速并进行维护的预警结果；
在所述绝对温度值小于所述绝对温度阈值、且所述时刻温度偏差值大于所述时刻温度偏差阈值时，所述预警模型输出结束行车后进行维护的预警结果；
在所述绝对温度值小于所述绝对温度阈值、所述时刻温度偏差值小于所述时刻温度偏差阈值时，统计所述偏离值出现大于所述预设偏离值的次数；在统计得到的次数大于所述偏离阈值时，所述预警模型输出期限内进行维护的预警结果。
4.根据权利要求2所述的列车轴承故障预警方法，其特征在于，
所述绝对温度阈值在高温数据中得到；所述高温数据为所述绝对温度值的维度数据中前5%的数据；
所述时刻温度偏差阈值在高温偏差数据中得到；所述高温偏差数据为所述时刻温度偏差值的维度数据中前5%的数据。
5.根据权利要求4所述的列车轴承故障预警方法，其特征在于，
所述时刻温度偏差阈值包括第一时刻温度偏差阈值和第二时刻温度偏差阈值；所述第一时刻温度偏差阈值为所述绝对温度值的维度数据中、99%分位值对应的数据；所述第二时刻温度偏差阈值为所述绝对温度值的维度数据中、95%分位值对应的数据；
所述偏离阈值包括第一偏离阈值和第二偏离阈值；所述第一偏离阈值为所述统计得到的次数中、99%分位值对应的次数；所述第二偏离阈值为所述统计得到的次数中、95%分位值对应的次数。
6.根据权利要求1所述的列车轴承故障预警方法，其特征在于，在根据地面***采集到的列车的轴温数据进行计算，得到特征数据的步骤中，还可以基于以下公式获取偏离值：
其中，
为上述公式中的偏离值，
为所述时刻温度偏差值，
为所述标准差，
为同一时刻、所述列车上其它轴承的时刻温度偏差值中的中位值。
7.根据权利要求1至6任一项所述的列车轴承故障预警方法，其特征在于，获取所述预警模型输出的预警结果的步骤之后，还包括步骤：
基于所述预警结果，生成维护计划，并将所述维护计划发送给调度中心。
8.一种列车轴承故障预警装置，其特征在于，包括：
特征数据获取模块，用于根据地面***采集到的列车的轴温数据进行计算，得到特征数据；所述特征数据包括绝对温度值、时刻温度偏差值和偏离值；所述时刻温度偏差值为单个轴承的温度值与对应的时刻温度中位值的差值；所述时刻温度中位值为同一时刻、所述列车上其它轴承的温度值中的中位值；所述偏离值为基于所述时刻温度偏差值与标准差的差值得到；所述标准差基于各所述时刻温度偏差值得到；
预警结果获取模块，用于将所述特征数据输入到训练好的预警模型中，获取所述预警模型输出的预警结果；所述预警结果用于指示对所述列车进行相应的检修措施；所述预警模型为基于轴承发生故障前的历史轴温数据建立的分类模型；所述分类模型包括基于所述历史轴温数据得到的绝对温度阈值、时刻温度偏差阈值和偏离阈值。
9.一种用于列车轴承故障预警的***，包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至7任意一项所述的列车轴承故障预警方法。
10.一种计算机存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1至7任意一项所述的列车轴承故障预警方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910704374.4A CN110501160B (zh) | 2019-07-31 | 2019-07-31 | 列车轴承故障预警方法、装置、***和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910704374.4A CN110501160B (zh) | 2019-07-31 | 2019-07-31 | 列车轴承故障预警方法、装置、***和存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110501160A CN110501160A (zh) | 2019-11-26 |
| CN110501160B true CN110501160B (zh) | 2021-07-02 |
Family
ID=68586834
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910704374.4A Active CN110501160B (zh) | 2019-07-31 | 2019-07-31 | 列车轴承故障预警方法、装置、***和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110501160B (zh) |
Families Citing this family (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111351664B (zh) * | 2020-02-13 | 2022-02-01 | 成都运达科技股份有限公司 | 一种基于lstm模型的轴承温度预测和报警诊断方法 |
| CN114576102A (zh) * | 2020-12-02 | 2022-06-03 | 新疆金风科技股份有限公司 | 风电机组轴承状态的预测方法、装置、设备及存储介质 |
| CN112769643B (zh) * | 2020-12-28 | 2023-12-29 | 北京达佳互联信息技术有限公司 | 资源调度方法、装置、电子设备及存储介质 |
| CN112722007B (zh) * | 2021-01-04 | 2022-10-25 | 中国铁道科学研究院集团有限公司 | 一种基于深度学习的列车运行综合预警方法 |
| CN113776828A (zh) * | 2021-07-30 | 2021-12-10 | 贵州西电电力股份有限公司黔北发电厂 | 轴承温度测量异常的智能判断方法及*** |
| CN116414097B (zh) * | 2023-05-15 | 2023-09-29 | 广东思创智联科技股份有限公司 | 基于工业设备数据的告警管理方法及*** |
Family Cites Families (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP5553002B2 (ja) * | 2010-11-05 | 2014-07-16 | 日本精工株式会社 | 軸受異常診断装置およびこれを備えた鉄道車両、並びに軸受異常診断方法 |
| CN104990709B (zh) * | 2015-08-07 | 2017-10-13 | 杨玉娇 | 用于检测机车轴承故障的方法 |
| CN106080655B (zh) * | 2016-08-24 | 2018-05-04 | 中车株洲电力机车研究所有限公司 | 一种列车轴温异常的检测方法、装置以及列车 |
| CN108072524B (zh) * | 2016-11-10 | 2020-07-07 | 中国电力科学研究院 | 一种风电机组齿轮箱轴承故障预警方法 |
| CN108051211B (zh) * | 2017-12-29 | 2019-10-18 | 湖南优利泰克自动化***有限公司 | 一种风电机组主轴承温度预警诊断方法 |
| CN108896299B (zh) * | 2018-05-25 | 2020-05-12 | 中车青岛四方机车车辆股份有限公司 | 一种齿轮箱故障检测方法 |
| CN108897954A (zh) * | 2018-06-29 | 2018-11-27 | 龙源（北京）风电工程技术有限公司 | 基于BootStrap置信度计算的风电机组温度预警方法及其*** |
| CN109307553B (zh) * | 2018-09-27 | 2020-10-09 | 潍柴重机股份有限公司 | 基于主轴承温度偏差的主轴承检修提示方法 |
| CN109829245B (zh) * | 2019-02-25 | 2023-05-26 | 中科诺维(北京)科技有限公司 | 轴承故障预警方法和装置 |
| CN109933905B (zh) * | 2019-03-13 | 2022-11-25 | 西安因联信息科技有限公司 | 一种基于多维预警分析的机械设备健康状态评估方法 |
-
2019
- 2019-07-31 CN CN201910704374.4A patent/CN110501160B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN110501160A (zh) | 2019-11-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110501160B (zh) | 列车轴承故障预警方法、装置、***和存储介质 | |
| CN114559819B (zh) | 一种基于信号处理的电动汽车电池安全预警方法 | |
| CN108053075B (zh) | 一种报废车辆预测方法及*** | |
| CN103197188A (zh) | 电池电流传感器故障诊断***及其方法 | |
| CN102530027B (zh) | 高速铁路风险分析控制方法及*** | |
| KR102141988B1 (ko) | 자율주행 대중버스에 대한 실시간 버스 신뢰성 통합지표 모니터링 시스템 및 방법 | |
| CN108009723A (zh) | 一种船舶航行状态判断与能效状态评估*** | |
| CN106650157A (zh) | 车辆零部件故障发生概率估算方法、装置及*** | |
| US20200156680A1 (en) | Railway vehicle major component and system diagnosis apparatus | |
| Chen et al. | Dangerous driving behavior recognition and prevention using an autoregressive time-series model | |
| CN114662954A (zh) | 车辆性能评估*** | |
| CN105302123A (zh) | 在线测量数据的监控方法 | |
| CN113189503A (zh) | 一种电动汽车电池多级故障预警方法及*** | |
| CN112836967B (zh) | 新能源汽车电池安全风险评估*** | |
| CN105574039A (zh) | 一种晶圆测试数据的处理方法及*** | |
| CN115958990A (zh) | 一种v2g充电桩信息诊断与安全防护方法 | |
| CN117312879A (zh) | 一种注塑机生产数据监督预警方法、***及介质 | |
| CN111624985B (zh) | 燃气轮机控制***传感器故障诊断方法 | |
| CN105138755A (zh) | 一种液体火箭发动机试验台故障响应生成器的设计方法 | |
| CN114858480A (zh) | 应用于车辆中的部件故障预警方法、装置、设备及介质 | |
| Asplund et al. | Assessment of the data quality of wayside wheel profile measurements. | |
| CN113723732A (zh) | 用于离心泵的状态判定方法及*** | |
| CN114987208B (zh) | 一种电动汽车动力丧失风险预警***及方法 | |
| Wang et al. | Double-Layer Fuzzy enhanced Failure Mode and Effects Analysis Method for Automatic Train Operation System | |
| Yang et al. | Analysis and application of functional safety based on modified FMEA method |
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 |