CN110580492A - 一种基于小幅波动检测的轨道电路故障前兆发现方法 - Google Patents
一种基于小幅波动检测的轨道电路故障前兆发现方法 Download PDFInfo
- Publication number
- CN110580492A CN110580492A CN201910364708.8A CN201910364708A CN110580492A CN 110580492 A CN110580492 A CN 110580492A CN 201910364708 A CN201910364708 A CN 201910364708A CN 110580492 A CN110580492 A CN 110580492A
- Authority
- CN
- China
- Prior art keywords
- fluctuation
- abnormal
- variance
- data
- small
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 47
- 238000001514 detection method Methods 0.000 title claims abstract description 13
- 239000002243 precursor Substances 0.000 title claims abstract description 9
- 230000002159 abnormal effect Effects 0.000 claims abstract description 69
- 238000012544 monitoring process Methods 0.000 claims abstract description 43
- 238000003066 decision tree Methods 0.000 claims abstract description 20
- 238000013145 classification model Methods 0.000 claims abstract description 18
- 238000012423 maintenance Methods 0.000 claims abstract description 6
- 238000012549 training Methods 0.000 claims description 10
- 238000010586 diagram Methods 0.000 claims description 9
- 238000012360 testing method Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 claims description 4
- 238000001308 synthesis method Methods 0.000 claims description 4
- 238000011835 investigation Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 230000005856 abnormality Effects 0.000 claims description 2
- 230000006870 function Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000002194 synthesizing effect Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 230000007488 abnormal function Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000013024 troubleshooting Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Train Traffic Observation, Control, And Security (AREA)
Abstract
一种基于小幅波动检测的轨道电路故障前兆发现方法，该方法包括以下步骤：S1:选用m个监测数据点作为数据窗口，记录每个数据窗口的方差值；S2:获取正常工作状态一段时期内的方差序列，从中提取方差阈值来检测异常小幅数据波动；S3:将现场小幅波动下的异常事件总结为n类。其中，n为大于1的整数；S4:提取能够涵盖所有类别异常事件的t个波动特征值，作为判断故障模式的特征属性。其中，t为大于1的整数；S5:基于决策树分类模型，对检测到的异常小幅波动下的监测数据进行实时分类，识别异常事件类别。本发明识别准确率高，对异常小幅波动的检测快速简便，适用于维修现场。
Description
技术领域
本发明属于安全工程技术领域，涉及一种轨道电路故障前兆发现技术，包括一种基于小幅波动检测的轨道电路故障前兆发现方法。
背景技术
我国铁路运输不断向更高速、更高密度和重载的方向发展，列车运行控制***也逐渐向电子化、智能化、复杂化的方向发展。轨道电路作为列车控制***中极其重要的关键安全基础设备之一，发挥着监测轨道区段的列车占用情况及检测列车完整性的作用。轨道电路更加智能化的同时，故障的出现也越加频繁，如果未能及时发现并处理故障，则可能会产生严重的后果。ZPW-2000A轨道电路广泛应用在我国的高速铁路、客运专线及既有线改造中的列车运行控制***中。轨道电路故障的检测与排查是相关工作人员的一项极其繁重的任务，对轨道电路不良工作状态的分析及预警也是目前的热门研究方向。
现有的专利中，对于轨道电路故障诊断及预测预警的专利成果较少。已有的专利成果均聚焦于明显异常发生时的具体故障的定位，并未涉及到轨道电路在故障发生前的异常的检测与故障预警。
而现有文献中轨道电路故障预警方法主要分为以下几类：（1）传输机理建模法。该方法是基于轨道电路的传输机理，搭建相关等效电路模型来建立预警指标。（2）回归预测的方法。该方法主要是通过提取正常及异常模式下的多类特征，继而建立机器学习的分类和预测模型来实现对故障的回归预测。（3）模糊识别的方法。该方法主要是使用模糊识别算法来对设备的剩余寿命进行预测或对评价设备所呈现的当前工作状态。
目前对轨道电路故障预警方法的研究主要是针对轨道电路产生较大异常情况时的故障预警。例如当监测***所采集的监测数据发生大幅偏离正常值的情况或超过报警上限，预警算法能够根据相应的特征值来输出预警结果。
但是，有些监测数据的值可能从整体上看表现十分平稳，只是在某个时刻或者某个短时间段内，数值发生了小幅度的波动，远未超限。这些小幅波动因此无法触发超限报警，且往往不被发现。但是这类监测数据的值的小幅波动下往往有着较大的隐患，首先，它直接代表着某组件功能发生异常；其次，组件功能发生异常代表着该组件的服役周期进入后半阶段，可能进一步地引发故障。因此监测量的小幅波动往往包含着故障的前兆信息。而现有的研究成果中还未有对该方向的研究。
发明内容
本发明的目的在于提供一种基于小幅波动检测的轨道电路故障前兆发现方法。
为了达到上述目的，本发明的解决方案是：
一种基于小幅波动检测的轨道电路故障前兆发现方法，包括以下步骤：
S1：选用m个监测数据点（,,…,）作为一个数据窗口；所述的监测数据点是指
ZPW-2000A轨道电路监测***所实时采集的某类监测参数的监测数据。后文的轨道电路皆
指的是ZPW-2000A轨道电路。
S2：设定数据窗口的数据间隔为t，依次计算出一段时间内i个数据窗口的方差序
列（,,…,）。
S3：获取正常工作状态一段时期内的方差序列，从中确定正常工作下的方差阈值。
S4：如果计算得到某方差大于正常工作状态下的方差阈值，则可认为产生了异常小幅波动。
S5：根据现场所记录的小幅波动下的排查维修记录，将小幅波动下的异常事件总结为n类。其中，n为大于1的整数。
S6：根据n类异常事件下的小幅波动特征，提取能够涵盖所有类别异常事件的t个波动特征值，作为判断故障模式的特征属性。其中，t为大于1的整数。
S7：通过铁路信号集中监测平台采集相关异常事件下的监测数据，提取每一个异常事件下的特征值，构成故障样本集。所述的异常事件是步骤7中每一类异常事件下的所有异常事件，所述的特征值与步骤6中的波动特征值一致。将所述样本集分为训练样本和测试样本。
S8：根据所述训练样本和所述测试样本，构建决策树分类模型；
S9：基于所述决策树分类模型，对检测到的异常小幅波动下的监测数据进行实时分类，识别异常事件类别。
所述异常事件为轨道电路组件发生功能异常的事件。
所述步骤S2中，计算一段时间内的方差序列（,,…,）包含以下步骤：
S21：计算窗口1（,,…,）内的方差。
S22：当监测***采集至时，如图所示，数据窗口滑动至（,…,），计算
窗口2的方差。
S23：依次获取各个数据窗口的方差，便得到了一段时间内i个数据窗口下的的方
差序列（,,…,）。
所述步骤S3中，优选地，正常工作下的方差阈值选用的是该序列箱型图的上内限。
所述的箱型图的上内限值指的是箱型图的Q3＋1.5IQR（四分位距）处。Q3指的是数值序列的75分位数。IQR指的是四分位距，是上四分位数与下四分位数之差。
所述步骤S6中，优选地，所述的能够涵盖所有类别异常事件的t个波动特征值，是先对每类异常事件分别提取特征值，然后再取其并集。
所述步骤S7中，部分类别下的现场异常事件由于其发生概率低，样本数量少，导致样本量不平衡。优选地，使用合成样本的方法，通过案例库中已有的样本的各个特征值来产生新的样本。选用的合成方法是SMOTE（Synthetic Minority Over-sampling Technique），是从已有样本的各个特征中随机选出一个已有值，然后拼接成一个新的样本，这种方法增加了样本数目较少的类别的样本数。而对多样本的故障种类，则完全现场案例记录生成样本。
所述步骤S8中构建的决策树分类模型为C4.5决策树分类模型；优选地，所述步骤S8中构建决策树分类模型包括以下步骤：
S81：根节点代表整个训练样本集。
S82：通过在每个节点对某个属性的***属性,选择***属性值最大的将数据集切分成更小的数据集。
S83：这个递归过程一直进行下去,直到某一节点对应的子树对应的数据集都属于同一个类为止。
进一步优选地，所述***属性等于信息增益率。
进一步优选地，所述的信息增益率指的是按照A属性切分后的信息熵增益与按照A属性分类前的信息熵的比率。
所述异常事件识别方法在所述步骤S8之后还包括：通过设置不同的参数，对模型进行调优。所述的模型调优是指在模型的诸多参数组合中，调整参数的组合搭配，使模型达到最优的拟合及分类结果。
由于采用上述方案，本发明的有益效果是：本发明对铁路运输维修现场所处理的监测数据小幅波动下的异常事件，首先总结出多类异常事件；接着对多类异常事件下分别提取其检测数据波动特征，并取波动特征并集。在某些异常事件类别样本量缺失的情况下，选用合成样本的方法平衡各类样本。在分类器的选择方面，本发明选择了C4.5分类模型，模型简单，分类速度快，效率高。本发明同时对监测***呈现的监测量小幅波动，选用了滑动方差法检验波动，检验速度快，适用性强。本发明能够及时捕捉监测数据的小幅波动，定位异常事件和异常组件，防止轨道电路组件功能恶化，触发故障报警，为现场维修提供参考。
附图说明
图1为本发明该实施例中ZPW-2000A轨道电路的主轨入电压小幅波动图；
图2为本发明该实施例中计算方差阈值的流程图；
图3为本发明该实施例中案例库学习及异常事件推理的流程图；
图4是本发明该实施例所采用的滑动方差法的滑动窗口示意图；
图5是本发明该实施例所选用的决策树模型的结构示意图。
具体实施方式
以下结合附图所示实施例对本发明作进一步的说明。
本发明提出了一种基于小幅波动检测的轨道电路故障前兆发现方法，图1所示为该异常事件定位识别方法中识别过程（即以下步骤S5-步骤S9）的流程图。图2所示为该小幅波动检测方法的滑动窗口示意图。该方法基于滑动方差法实现监测数据的小幅波动检测。再通过异常事件类别的整理，波动特征值的提取、决策树分类模型的构建、异常事件定位结果输出等进行综合分析，实现小幅波动下异常事件定位判断。在本实施例中，ZPW-2000A无绝缘轨道电路是发明实施的具体对象。ZPW-2000A无绝缘轨道电路多用于我国普通铁路及高速铁路的区间轨道区段。
该方法包括以下步骤：
S1：选用m个监测数据点（,,…,）作为一个数据窗口；所述的监测数据点是指
ZPW-2000A轨道电路监测***所实时采集的某类监测参数的监测数据。后文的轨道电路皆
指的是ZPW-2000A轨道电路。
本实施例中，监测数据点的采集周期为1s到10s不等。m取20，即以连续20个监测数据作为一个数据窗口。
S2：设定数据窗口的数据间隔为t，依次计算出一段时间内i个数据窗口的方差序
列（,,…,）。
在本实施例中，数据窗口的数据间隔即两个数据窗口之间相隔的数据点的个数。在此选用的数据间隔为10。
S3：获取正常工作状态一段时期内的方差序列，从中确定正常工作下的方差阈值。
在本实施例中，选用的正常工作状态一段时间内的方差序列的序列数为30，总计涵盖约为一个小时的监测数据。
S4：如果计算得到某方差大于正常工作状态下的方差阈值，则可认为产生了异常小幅波动。
S5：根据现场所记录的小幅波动下的排查维修记录，将小幅波动下的异常事件总结为n类。其中，n为大于1的整数。
在本实施例中，将小幅波动下的异常事件总结为8类，即等阻线故障、变压器故障、监测***采集模块故障、电容故障、防雷模拟网络盘故障、调谐单元故障、衰耗器故障、引接线故障八类故障。
S6：根据n类异常事件下的小幅波动特征，提取能够涵盖所有类别异常事件的t个波动特征值，作为判断异常事件的特征属性。其中，t为大于1的整数。
在本实施例中，提取的能够涵盖所有类别异常事件的波动特征值有9个，即t取9。波动特征值有小轨出电压是否波动、小轨出电压波动幅度、主轨入电压是否波动、主轨入电压波动幅度、电缆侧接收电压是否波动、电缆侧接收电压波动幅度、小轨入电压是否波动、小轨入电压波动幅度、是否发生了“突降”和“突升”。
在本实施例中，特征量不仅仅有针对波动幅度的大小的特征量，以具体数值表示；还有包括“0”，“1”等表征监测量是否波动的量。
S7：通过铁路信号集中监测平台采集相关异常事件下的监测数据，提取每一个异常事件下的特征值，构成异常事件样本集。所述的异常事件是步骤5中每一类异常事件下的所有异常事件，所述的特征值与步骤6中的波动特征值一致。将所述样本集分为训练样本和测试样本。
在本实施例中，8类异常事件每一类故障都构建了20个样本，构建成最后的样本集。样本集中的80%设定为训练样本，剩下的20%为测试样本。
S8：根据所述训练样本和所述测试样本，构建决策树分类模型；
S9：基于所述决策树分类模型，对检测到的异常小幅波动下的监测数据进行实时分类，识别异常事件类别。
所述步骤S2中，计算一段时间内的方差序列（,,…,）包含以下步骤：
S21：计算窗口1（,,…,）内的方差。
S22：当监测***采集至时，如图所示，数据窗口滑动至（,…,），计算窗口
2的方差。
S23：依次获取各个数据窗口的方差，便得到了一段时间内30个数据窗口下的的方
差序列（,,…,）。
所述步骤S3中，优选地，正常工作下的方差阈值选用的是该序列箱型图的上内限。
所述的箱型图的上内限值指的是箱型图的Q3＋1.5IQR（四分位距）处。Q3指的是数值序列的75分位数。IQR指的是四分位距，是上四分位数与下四分位数之差。
所述步骤S6中，优选地，所述的能够涵盖所有类别异常事件的9个波动特征值，是先对每类异常事件分别提取特征值，然后再取其并集。
在本实施例中，“等阻线故障”这一异常事件的特征值有小轨出电压是否波动、小轨出电压波动幅度、主轨入电压是否波动、主轨入电压波动幅度、电缆侧接收电压是否波动、电缆侧接收电压波动幅度，但对于另外三个特征，则无相应特征值。对于“调谐单元故障”这类事件，则只具备主轨入电压是否波动、主轨入电压波动幅度、电缆侧接收电压是否波动、电缆侧接收电压波动幅度、是否发生了“突降”和“突升”这几类特征。因此，当采用9种特征值对所有案例进行描述时，不具备的特征的特征值取0。
所述步骤S7中，部分类别下的现场异常事件由于其发生概率低，样本数量少，导致样本量不平衡。优选地，使用合成样本的方法，通过案例库中已有的样本的各个特征值来产生新的样本。选用的合成方法是SMOTE（Synthetic Minority Over-sampling Technique），是从已有样本的各个特征中随机选出一个已有值，然后拼接成一个新的样本，这种方法增加了样本数目较少的类别的样本数。而对多样本的故障种类，则完全现场案例记录生成样本。
所述步骤S8中构建的决策树分类模型为C4.5决策树分类模型；优选地，所述步骤S8中构建决策树分类模型包括以下步骤：
S81：根节点代表整个训练样本集。
S82：通过在每个节点对某个属性的***属性,选择***属性值最大的将数据集切分成更小的数据集。
S83：这个递归过程一直进行下去,直到某一节点对应的子树对应的数据集都属于同一个类为止。
进一步优选地，所述***属性等于信息增益率。
进一步优选地，所述的信息增益率指的是按照A属性切分后的信息熵增益与按照A属性分类前的信息熵的比率。
在本实施例中，使用的模型调优的方法为网格搜索法。即将参数的所有取值都罗列出来，然后程序自动地使用穷举法将所有的参数组合都执行一遍，然后从中选择出精度最高的那一组参数组合，即是最优的决策树模型。
通过网格搜索法求得当min_impurity_decrease=0.11，criterion= 'entropy'，max_depth=5时，求得拥有最高精度的决策树模型。
上述的对实施例的描述是为便于该技术领域的普通技术人员能理解和应用本发明。熟悉本领域技术的人员显然可以容易地对这些实施例做出各种修改，并把在此说明的一般原理应用到其他实施例中而不必经过创造性的劳动。因此，本发明不限于这里的实施例，本领域技术人员根据本发明的揭示，不脱离本发明范畴所做出的改进和修改都应该在本发明的保护范围之内。
Claims (9)
1.一种基于小幅波动检测的轨道电路故障前兆发现方法，其特征在于，包括以下步骤：
S1、选用m个监测数据点（,,…,）作为一个数据窗口，所述的监测数据点是指ZPW-2000A轨道电路监测***所实时采集的某类监测参数的监测数据，后文的轨道电路皆指的是ZPW-2000A轨道电路；
S2、设定数据窗口的数据间隔为t，依次计算出一段时间内i个数据窗口的方差序列（,,…,）；
S3、获取正常工作状态一段时期内的方差序列，从中确定正常工作下的方差阈值；
S4、如果计算得到某方差大于正常工作状态下的方差阈值，则可认为产生了异常小幅波动；
S5、根据现场所记录的小幅波动下的排查维修记录，将小幅波动下的异常事件总结为n类，其中，n为大于1的整数；
S6、根据n类异常事件下的小幅波动特征，提取能够涵盖所有类别异常事件的t个波动特征值，作为判断故障模式的特征属性，其中，t为大于1的整数；
S7、通过铁路信号集中监测平台采集相关异常事件下的监测数据，提取每一个异常事件下的特征值，构成故障样本集，所述的异常事件是步骤7中每一类异常事件下的所有异常事件，所述的特征值与步骤6中的波动特征值一致，将所述样本集分为训练样本和测试样本；
S8、根据所述训练样本和所述测试样本，构建决策树分类模型；
S9、基于所述决策树分类模型，对检测到的异常小幅波动下的监测数据进行实时分类，识别异常事件类别；
所述异常事件为轨道电路组件发生功能异常的事件。
2.根据权利要求1所述的方法，其特征在于，所述步骤S2中，计算一段时间内的方差序列（,,…,）包含以下步骤：
S21：计算窗口1（,,…,）内的方差；
S22：当监测***采集至时，如图所示，数据窗口滑动至（,…,），计算窗口2的方差；
S23：依次获取各个数据窗口的方差，便得到了一段时间内i个数据窗口下的的方差序列（,,…,）。
3.根据权利要求1所述的方法，其特征在于，所述步骤S3中，正常工作下的方差阈值选用的是该序列箱型图的上内限；
所述的箱型图的上内限值指的是箱型图的Q3＋1.5IQR（四分位距）处，Q3指的是数值序列的75分位数，IQR指的是四分位距，是上四分位数与下四分位数之差。
4.根据权利要求1所述的方法，其特征在于，所述步骤S6中，所述的能够涵盖所有类别异常事件的t个波动特征值，是先对每类异常事件分别提取特征值，然后再取其并集。
5.根据权利要求1所述的方法，其特征在于，所述步骤S7中，使用合成样本的方法，通过案例库中已有的样本的各个特征值来产生新的样本，选用SMOTE（Synthetic MinorityOver-sampling Technique）合成方法，是从已有样本的各个特征中随机选出一个已有值，然后拼接成一个新的样本。
6.根据权利要求1所述的方法，其特征在于，所述步骤S8中构建的决策树分类模型为C4.5决策树分类模型；优选地，所述步骤S8中构建决策树分类模型包括以下步骤：
S81：根节点代表整个训练样本集；
S82：通过在每个节点对某个属性的***属性,选择***属性值最大的将数据集切分成更小的数据集；
S83：这个递归过程一直进行下去,直到某一节点对应的子树对应的数据集都属于同一个类为止。
7.根据权利要求6所述的方法，其特征在于，所述***属性等于信息增益率。
8.根据权利要求7所述的方法，其特征在于，所述的信息增益率指的是按照A属性切分后的信息熵增益与按照A属性分类前的信息熵的比率。
9.根据权利要求1所述的方法，其特征在于，所述步骤S8之后还包括：通过设置不同的参数，对模型进行调优，所述的模型调优是指在模型的诸多参数组合中，调整参数的组合搭配，使模型达到最优的拟合及分类结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910364708.8A CN110580492A (zh) | 2019-04-30 | 2019-04-30 | 一种基于小幅波动检测的轨道电路故障前兆发现方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910364708.8A CN110580492A (zh) | 2019-04-30 | 2019-04-30 | 一种基于小幅波动检测的轨道电路故障前兆发现方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110580492A true CN110580492A (zh) | 2019-12-17 |
Family
ID=68810790
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910364708.8A Pending CN110580492A (zh) | 2019-04-30 | 2019-04-30 | 一种基于小幅波动检测的轨道电路故障前兆发现方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110580492A (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112381697A (zh) * | 2020-11-20 | 2021-02-19 | 深圳衡伟环境技术有限公司 | 一种水污染源在线监测数据弄虚作假行为自动识别方法 |
| CN113447733A (zh) * | 2020-03-24 | 2021-09-28 | 北京金风科创风电设备有限公司 | 风力发电机组变桨***超级电容的故障检测设备和方法 |
| CN113984736A (zh) * | 2021-11-03 | 2022-01-28 | 江南大学 | 一种基于空间偏移拉曼光谱的带包装食品信号分离方法 |
| CN116257811A (zh) * | 2023-05-16 | 2023-06-13 | 天津新科成套仪表有限公司 | 一种基于燃气流量检测深度学习的异常处理方法 |
| CN116510223A (zh) * | 2023-06-29 | 2023-08-01 | 欣灵电气股份有限公司 | 基于物联网的自识别消防泵电参数巡检监测*** |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103714348A (zh) * | 2014-01-09 | 2014-04-09 | 北京泰乐德信息技术有限公司 | 一种基于决策树的轨道交通故障诊断方法和*** |
| CN106096096A (zh) * | 2016-06-01 | 2016-11-09 | 北京交通大学 | 基于mpca的列车悬挂***故障分析方法及*** |
| CN108196165A (zh) * | 2018-01-09 | 2018-06-22 | 贵州大学 | 基于样本协方差矩阵最大特征值的电网异常状态检测方法 |
| CN108663995A (zh) * | 2017-03-30 | 2018-10-16 | 郑州大学 | 一种工业过程变量趋势异常检测方法及装置 |
| KR20190008515A (ko) * | 2017-07-13 | 2019-01-24 | 고려대학교 산학협력단 | 개선된 sax 기법 및 rtc 기법을 이용한 공정 모니터링 장치 및 방법 |
| CN109635358A (zh) * | 2018-11-20 | 2019-04-16 | 天津大学 | 一种基于滑动窗口多尺度主元分析的机组故障检测方法 |
-
2019
- 2019-04-30 CN CN201910364708.8A patent/CN110580492A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103714348A (zh) * | 2014-01-09 | 2014-04-09 | 北京泰乐德信息技术有限公司 | 一种基于决策树的轨道交通故障诊断方法和*** |
| CN106096096A (zh) * | 2016-06-01 | 2016-11-09 | 北京交通大学 | 基于mpca的列车悬挂***故障分析方法及*** |
| CN108663995A (zh) * | 2017-03-30 | 2018-10-16 | 郑州大学 | 一种工业过程变量趋势异常检测方法及装置 |
| KR20190008515A (ko) * | 2017-07-13 | 2019-01-24 | 고려대학교 산학협력단 | 개선된 sax 기법 및 rtc 기법을 이용한 공정 모니터링 장치 및 방법 |
| CN108196165A (zh) * | 2018-01-09 | 2018-06-22 | 贵州大学 | 基于样本协方差矩阵最大特征值的电网异常状态检测方法 |
| CN109635358A (zh) * | 2018-11-20 | 2019-04-16 | 天津大学 | 一种基于滑动窗口多尺度主元分析的机组故障检测方法 |
Non-Patent Citations (4)
| Title |
|---|
| 吴志鹏: "基于决策树算法的ZPW_2000A轨道电路故障诊断", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 * |
| 康琦 等: "《机器学***衡分类方法》", 31 October 2017 * |
| 李丽清 等: "《统计学原理及应用》", 31 January 2019 * |
| 苑天琪: "基于多元统计分析的故障诊断方法研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113447733A (zh) * | 2020-03-24 | 2021-09-28 | 北京金风科创风电设备有限公司 | 风力发电机组变桨***超级电容的故障检测设备和方法 |
| CN113447733B (zh) * | 2020-03-24 | 2023-07-28 | 北京金风科创风电设备有限公司 | 风力发电机组变桨***超级电容的故障检测设备和方法 |
| CN112381697A (zh) * | 2020-11-20 | 2021-02-19 | 深圳衡伟环境技术有限公司 | 一种水污染源在线监测数据弄虚作假行为自动识别方法 |
| CN112381697B (zh) * | 2020-11-20 | 2024-02-02 | 深圳衡伟环境技术有限公司 | 一种水污染源在线监测数据弄虚作假行为自动识别方法 |
| CN113984736A (zh) * | 2021-11-03 | 2022-01-28 | 江南大学 | 一种基于空间偏移拉曼光谱的带包装食品信号分离方法 |
| CN113984736B (zh) * | 2021-11-03 | 2022-07-29 | 江南大学 | 一种基于空间偏移拉曼光谱的带包装食品信号分离方法 |
| CN116257811A (zh) * | 2023-05-16 | 2023-06-13 | 天津新科成套仪表有限公司 | 一种基于燃气流量检测深度学习的异常处理方法 |
| CN116257811B (zh) * | 2023-05-16 | 2023-07-25 | 天津新科成套仪表有限公司 | 一种基于燃气流量检测深度学习的异常处理方法 |
| CN116510223A (zh) * | 2023-06-29 | 2023-08-01 | 欣灵电气股份有限公司 | 基于物联网的自识别消防泵电参数巡检监测*** |
| CN116510223B (zh) * | 2023-06-29 | 2023-09-01 | 欣灵电气股份有限公司 | 基于物联网的自识别消防泵电参数巡检监测*** |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110580492A (zh) | 一种基于小幅波动检测的轨道电路故障前兆发现方法 | |
| CN110414155B (zh) | 一种带有单测点的风机部件温度异常检测和报警方法 | |
| CN111507376B (zh) | 一种基于多种无监督方法融合的单指标异常检测方法 | |
| CN104698343A (zh) | 基于历史录波数据的电网故障判断方法和*** | |
| CN112990656B (zh) | 一种it设备监测数据的健康评价***及健康评价方法 | |
| CN109753499A (zh) | 一种运维监控数据治理方法 | |
| CN107844067B (zh) | 一种水电站闸门在线状态监测控制方法及监测*** | |
| CN110738255A (zh) | 一种基于聚类算法的设备状态监测方法 | |
| CN116739829B (zh) | 一种基于大数据的电力数据分析方法、***及介质 | |
| CN114201374A (zh) | 基于混合机器学习的运维时序数据异常检测方法及*** | |
| CN103674538A (zh) | 一种直升机自动倾斜器多故障模式识别方法及装置 | |
| CN116914917A (zh) | 一种基于大数据的配电柜运行状态监测管理*** | |
| CN117041312A (zh) | 基于物联网的企业级信息技术监控*** | |
| CN112904148A (zh) | 智能电缆运行监测***、方法及装置 | |
| CN108446202B (zh) | 一种机房设备的安全状况的判断方法 | |
| CN114912678A (zh) | 电网调控异常操作在线自动检测预警方法及*** | |
| CN117782198B (zh) | 一种基于云边端架构的公路机电设备运行监测方法及*** | |
| CN114487705A (zh) | 一种电网设备故障定位检测方法 | |
| CN207992717U (zh) | 一种水电站闸门在线状态监测*** | |
| CN117331790A (zh) | 一种用于数据中心的机房故障检测方法及装置 | |
| CN117150418A (zh) | 基于状态特征故障树的变压器运检周期制定方法和*** | |
| CN117277566A (zh) | 基于大数据的电网数据分析电力调度***及方法 | |
| CN117113135A (zh) | 一种可对异常数据整理分类的碳排放异常监测分析*** | |
| CN114021602A (zh) | 一种转辙机故障诊断模型中数据处理方法和*** | |
| CN114428775A (zh) | 油田实时数据质量监控处理方法及*** |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20191217 |
|
| RJ01 | Rejection of invention patent application after publication |