CN111199078B - 一种基于多区间运动曲线样本熵的减速顶物联网故障预警方法 - Google Patents
一种基于多区间运动曲线样本熵的减速顶物联网故障预警方法 Download PDFInfo
- Publication number
- CN111199078B CN111199078B CN202010027247.8A CN202010027247A CN111199078B CN 111199078 B CN111199078 B CN 111199078B CN 202010027247 A CN202010027247 A CN 202010027247A CN 111199078 B CN111199078 B CN 111199078B
- Authority
- CN
- China
- Prior art keywords
- retarder
- curve
- sample entropy
- node
- sequence
- 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 51
- 230000033001 locomotion Effects 0.000 title claims abstract description 42
- 230000036541 health Effects 0.000 claims abstract description 9
- 238000005516 engineering process Methods 0.000 claims abstract description 7
- 238000003860 storage Methods 0.000 claims abstract description 7
- 238000011156 evaluation Methods 0.000 claims abstract description 6
- 230000008569 process Effects 0.000 claims description 16
- 230000011218 segmentation Effects 0.000 claims description 13
- 238000006073 displacement reaction Methods 0.000 claims description 10
- 238000012952 Resampling Methods 0.000 claims description 6
- 238000005452 bending Methods 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 6
- 238000003825 pressing Methods 0.000 claims description 6
- 239000013598 vector Substances 0.000 claims description 6
- 238000004458 analytical method Methods 0.000 claims description 4
- 230000005540 biological transmission Effects 0.000 claims description 4
- 238000013461 design Methods 0.000 claims description 4
- 108010076504 Protein Sorting Signals Proteins 0.000 claims description 3
- 238000004590 computer program Methods 0.000 claims description 3
- 238000011161 development Methods 0.000 claims description 3
- 230000018109 developmental process Effects 0.000 claims description 3
- 230000006870 function Effects 0.000 claims description 3
- 238000010801 machine learning Methods 0.000 claims description 3
- 230000000630 rising effect Effects 0.000 claims description 3
- 238000005096 rolling process Methods 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 abstract description 4
- 230000006855 networking Effects 0.000 abstract description 3
- 238000012545 processing Methods 0.000 abstract description 3
- 230000003993 interaction Effects 0.000 abstract description 2
- 238000001514 detection method Methods 0.000 description 10
- 230000006872 improvement Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 229910001416 lithium ion Inorganic materials 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000000737 periodic effect Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
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
- G06F16/2474—Sequence data queries, e.g. querying versioned data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Educational Administration (AREA)
- Fuzzy Systems (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Probability & Statistics with Applications (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Alarm Systems (AREA)
Abstract
本发明公开了一种基于多区间运动曲线样本熵的减速顶物联网故障预警方法。第一,本发明通过NB‑IOT组网技术将普通减速顶设计成物联网感知层的节点,实现对减速顶运动曲线的监测、存储、处理和联网转发。第二,本发明通过部署云端数据库实现减速顶各节点数据的批量化存储和应用,将采集到的数据加入时间戳,采用分时上传技术避免网络信道拥堵。第三,本发明通过北向应用层与云端数据库实现数据交互,通过构造标准周期曲线、计算多区间运动曲线的样本熵系数来评价减速顶的健康状态。本发明基于物联网技术和样本熵原理构建减速顶健康管理平台,实现对减速顶健康状态的动态监测和数字化评估,能有效降低调车事故,具有广泛的应用前景。
Description
技术领域
本发明属于智慧物联与智慧交通技术领域,具体涉及一种基于多区间运动曲线样本熵的减速顶物联网故障预警方法,该方法利用NB-IOT技术搭建物联网***,完成数据的采集、传输和云平台存储,利用滑动双窗口、二次重采样和样本熵原理进行数据的机器学习和分析,对减速顶的健康状态进行实时动态监测,实现智能化的评估预测。
背景技术
目前对铁轨上安装的减速顶的故障检测主要有三种手段,分别为人工检测、室内减速顶综合检测设备和减速顶检测车。人工检测主要依靠观察和脚踩的方式进行,这种方式与工人的经验和责任心有密切的关系,而且检测记录通常以台账的方式呈现,无法做到及时性和准确性,不利于数据统计,不能从中发现较多有价值的规律,而且,人工检测的差异性不仅不利于设备的维护和保养,还在一定程度上造成了人力资源的浪费。室内减速顶综合检测设备需要将现场的滑动油缸组合件运回室内,对室内维修后的滑动油缸组合件进行检测,难以解决现场使用中出现的问题。减速顶检测车只能检测油气足不足,高不高,但是缺乏对减速顶垂直反力的检测,而且不能对停车顶、止轮顶进行检测,并且检测车作业的时候需要停止调车作业,无法实现减速顶的动态实时监测。因此,针对现有减速顶故障检测手段的不足,有必要提供一种全天候、实时、在线监测减速顶***设备运行状态,并在出现设备故障时报警,出现问题趋势时预警的智能化减速顶健康管理***。
发明内容
为克服上述现有技术的短板,本发明提供了一种基于多区间运动曲线样本熵的减速顶物联网故障预警方法,该方法基于物联网技术和样本熵原理构建减速顶健康管理平台,对减速顶健康状态进行动态监测。本发明旨在从物联网和大数据挖掘的角度出发,利用NB-IOT节点组网技术,探索减速顶的非周期时变过程、运动曲线的波动性特征指标以及故障减速顶的精准定位,完成对减速顶运行状态的在线监测、故障顶报警和报警、大数目节点功耗流和数据流的优化,形成智能化的减速顶健康状态评价体系。
本发明采用如下技术方案来实现的:
一种基于多区间运动曲线样本熵的减速顶物联网故障预警方法,包括如下步骤:
步骤1:感知层和网络层配置
感知层由若干智能减速顶末端组成,并简称为节点;在***工作之前,完成所有感知层节点的软硬件调试,完成网络配置与连接,便于进行数据采集与感知;
步骤2:应用层配置
根据减速顶的区段和个数,在应用层进行数据库的逻辑结构设计,并完成人机界面的开发,便于进行数据的存储和学习分析;
步骤3:节点标准周期曲线提取
利用数据库中采集到的节点位移数据,利用滑动双窗口原理完成周期分割,并借助二次重采样技术实现节点标准周期曲线的输出;
步骤4:区间波动性建模
利用动态时间弯曲算法求取运动周期曲线与节点标准周期曲线的波动差值,波动差值大小反应了两个序列的相似程度;
步骤5:多区间样本熵系数求解
利用步骤4求出的N个区间的波动差值,依据样本熵原理求解多区间的样本熵系数,对减速顶健康状态进行评估,其中N为列车过顶时下压减速顶的次数。
本发明进一步的改进在于,步骤1的具体实现方法如下:
101)将下位机程序下载至所有减速顶节点,在下载过程中注意配置节点所属的区段和地址,以便进行数据库存储;
102)在进行网络配置与连接过程中,采用UDP协议进行数据传输;
103)上电后将节点配置为低功耗模式,利用列车滚压作为中断信号激活节点设备。
本发明进一步的改进在于,步骤2的具体实现方法如下:
201)基于不同区段不同地址的减速顶节点,在数据库中进行链式存储,根据区段信息定义数据库的名称,根据地址信息定义对应数据库中数据表的名称,便于外部访问;
202)在进行人机界面开发的时候,加入数据访问、提取和机器学习功能,并依据学习结果向用户展示最终的评价结果。
本发明进一步的改进在于,步骤3的具体实现方法如下:
301)利用滑动双窗口对运动曲线进行分割,将若干运动周期曲线分割出来,每个运动周期曲线都包括下压阶段和回弹阶段;其中,SW(t)为滑动窗口t时刻的均值,S(i)为位移信号序列,box为滑动窗口大小的0.5倍,Δ为分割阈值调节量;
302)将同一列车的过顶曲线按照下压过程和上升过程分别进行二次重采样,得到节点标准周期曲线。
本发明进一步的改进在于,步骤4的具体实现方法如下:
401)将节点标准周期曲线的m个数据存放在序列A中:A1×m={a1,a2,......am};将运动周期曲线的n各数据存放在序列B中:B1×n={b1,b2,......bn};
402)求解序列A和序列B的欧式距离弯曲矩阵:
403)求解序列A和序列B的区间最小弯曲距离:
(max(m,n)≤l≤m+n)
404)求解序列A和序列B的区间波动差值:
本发明进一步的改进在于,步骤5的具体实现方法如下:
501)求解减速顶N段的波动差值,组成长度为N的时间序列{s(i):1≤i≤N};
502)构造一组m维空间的向量X(1),X(2)…X(N-m+1),其中m<n;
503)求解符合d[X(i),X(j)]<r的个数t,并求t与N-m比值,其中r为相似容限;
504)将向量空间增加一维,变为m+1,得到一个新的数值比,步骤503与步骤504的结果比值求解后取lg负运算,得到样本熵:
本发明至少具有如下有益的技术效果:
本发明基于运动曲线样本熵对减速顶进行物联网云预警,以滑动双窗口模型和样本熵算法为核心,实现了全天候、实时、在线监测减速顶设备运行状态,并在出现设备故障时报警,出现问题趋势时预警。
该方法通过利用物联网感知层采集到的数据,在应用层进行数据分析,形成评价体系和指标,能有效消除车辆脱线的隐患,降低车辆超速连挂的风险,解决了人为因素的疏漏,对于生产效率和生活质量的提高都具有重要的意义。
附图说明
图1为本发明专利整体***架构图;
图2为本发明的感知层节点模块组成图;
图3为本发明的运动曲线周期分割流程图;
图4为本发明的区间标准区间求解流程图。
图5为本发明的样本波动特征量序列图。
附图标记说明:
100为感知层,110为智能减速顶末端,200为网络层,210为NB-IOT基站,220为中继器,230为核心网,300为应用层,310为云平台,320为用户应用。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分的实施例,不是全部的实施例,而并非要限制本发明公开的范围。此外,在以下说明中,省略了对公知结构和技术的描述,以避免不必要的混淆本发明公开的概念。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本发明保护的范围。
在附图中示出了根据本发明公开实施例的各种示意图。这些图并非是按比例绘制的,其中为了清楚表达的目的,放大了某些细节,并且可能省略了某些细节。图中所示出的各种区域、层的形状及它们之间的相对大小、位置关系仅是示例性的,实际中可能由于制造公差或技术限制而有所偏差,并且本领域技术人员根据实际所需可以另外设计具有不同形状、大小、相对位置的区域/层。
下面结合附图进一步阐明本发明:
参考图1,100为感知层,110为智能减速顶末端,200为网络层,210为NB-IOT基站,220为中继器,230为核心网,300为应用层,310为云平台,320为用户应用。感知层由众多智能减速顶末端组成,每一个减速顶智能末端称为一个节点。节点通过位移传感器采集减速顶的位移曲线,并通过物联网卡接入蜂窝网,实现数据的传输。
参考图2,感知层节点主要由减速顶、MCU、传感器、定位模块、OLED彩色屏幕、NB-IOT模块和能源管理模块(太阳能电池板、锂离子电池)组成。MCU是整个感知层节点的核心,负责数据处理与运算;传感器负责采集减速顶的位移运动数值;定位模块负责与卫星通讯,获取当前减速顶的坐标位置;OLED彩色屏幕负责人机交互,将采集到的信息显示出来;NB-IOT模块负责接入网络,实现数据的云端上传和接收;电源管理模块由太阳能电池板和锂离子电池组成,负责为整个***供电。
参考图3,该流程图为减速顶运动曲线的分割流程,利用滑动双窗口算法,对运动曲线进行分割,步骤有:
第一步:用卡尔曼滤波器对原始信号进行降噪处理,剔除曲线中的无效数据区段;
第二步:定义运动曲线的单流程各阶段名称,进行时域分析,求解时域指标参数;
第三步:利用时域各阶指标参数对信号进行初步定性;
第四步:随机确定滑动窗口初始大小,计算滑动窗口的滑动均值,形成分割曲线;
第五步:依据分割曲线峰峰值大小优化滑动窗口大小,迭代计算至峰峰值小于设定的阈值,然后对滑动窗口起始半个窗和最后半个窗进行端点效应处理;
第六部:借助分割曲线构建各段曲线数据序列表,寻找各数据序列表对应的最大极值点;
第七部:利用分割点数据表对运动曲线进行分割,然后寻找分割后各段曲线最小值,构建双窗口模型。
第八步:利用小波变换对第一步的信号进行后处理,对周期分割的正确性进行验证。
具体的,本发明提供的基于多区间运动曲线样本熵的减速顶物联网故障预警方法,包括如下步骤:
步骤1:感知层100和网络层200配置
感知层100由若干智能减速顶末端110组成,并简称为节点;在***工作之前,完成所有感知层节点的软硬件调试,完成网络配置与连接,便于进行数据采集与感知;具体实现方法如下:
101)将下位机程序下载至所有减速顶节点,在下载过程中注意配置节点所属的区段和地址,以便进行数据库存储;
102)在进行网络配置与连接过程中,采用UDP协议进行数据传输;
103)上电后将节点配置为低功耗模式,利用列车滚压作为中断信号激活节点设备。
步骤2:应用层300配置
根据减速顶的区段和个数,在应用层300进行数据库的逻辑结构设计,并完成人机界面的开发,便于进行数据的存储和学习分析;具体实现方法如下:
201)基于不同区段不同地址的减速顶节点,在数据库中进行链式存储,根据区段信息定义数据库的名称,根据地址信息定义对应数据库中数据表的名称,便于外部访问;
202)在进行人机界面开发的时候,加入数据访问、提取和机器学习功能,并依据学习结果向用户展示最终的评价结果。
步骤3:节点标准周期曲线提取
利用数据库中采集到的节点位移数据,利用滑动双窗口原理完成周期分割,并借助二次重采样技术实现节点标准周期曲线的输出;具体实现方法如下:
301)利用滑动双窗口对运动曲线进行分割,将若干运动周期曲线分割出来,每个运动周期曲线都包括下压阶段和回弹阶段;其中,SW(t)为滑动窗口t时刻的均值,S(i)为位移信号序列,box为滑动窗口大小的0.5倍,Δ为分割阈值调节量;
302)将同一列车的过顶曲线按照下压过程和上升过程分别进行二次重采样,得到节点标准周期曲线。
步骤4:区间波动性建模
利用动态时间弯曲算法求取运动周期曲线与节点标准周期曲线的波动差值,波动差值大小反应了两个序列的相似程度;具体实现方法如下:
401)将节点标准周期曲线的m个数据存放在序列A中:A1×m={a1,a2,......am};将运动周期曲线的n各数据存放在序列B中:B1×n={b1,b2,......bn};
402)求解序列A和序列B的欧式距离弯曲矩阵:
403)求解序列A和序列B的区间最小弯曲距离:
(max(m,n)≤l≤m+n)
404)求解序列A和序列B的区间波动差值:
步骤5:多区间样本熵系数求解
利用步骤4求出的N个区间的波动差值,依据样本熵原理求解多区间的样本熵系数,对减速顶健康状态进行评估,其中N为列车过顶时下压减速顶的次数;具体实现方法如下:
501)求解减速顶N段的波动差值,组成长度为N的时间序列{s(i):1≤i≤N};
502)构造一组m维空间的向量X(1),X(2)…X(N-m+1),其中m<n;
503)求解符合d[X(i),X(j)]<r的个数t,并求t与N-m比值,其中r为相似容限;
504)将向量空间增加一维,变为m+1,得到一个新的数值比,步骤503与步骤504的结果比值求解后取lg负运算,得到样本熵:
参考图4,该流程图为减速顶区间标准曲线的求解流程,在求解过程中需要分别求解下压阶段和上升阶段的区间标准曲线点数,在满足采样定理要求的情况下,保证采样后的点数能保留原始信号的所有特征,将曲线先分段求解标准曲线后再进行重组。
参考图5,为本发明的样本波动特征量序列图,每一个序列点对应一个标准曲线与实时运动曲线的波动特征量,通过样本熵的公式求解N(本次实验采用的是28)个波动特征量的样本熵来描述减速顶健康状态。
本发明经过实验仿真和验证具有以下结果:
基于滑动双窗口模型的位移曲线分割算法实时性、动态性较好,能精准的分割减速顶运动流程,具有较强的鲁棒性和自适应性;样本波动熵系数可以对整个序列的波动情况进行量化评价,其值越大,序列波动性越大,减速顶的运动波动性越强,故障率越高;其值越小,序列的波动性越小,减速顶的运动波动性越弱,故障率越低。
Claims (6)
1.一种基于多区间运动曲线样本熵的减速顶物联网故障预警方法,其特征在于,包括如下步骤:
步骤1:感知层(100)和网络层(200)配置
感知层(100)由若干智能减速顶末端(110)组成,并简称为节点;在***工作之前,完成所有感知层节点的软硬件调试,完成网络配置与连接,便于进行数据采集与感知;
步骤2:应用层(300)配置
根据减速顶的区段和个数,在应用层(300)进行数据库的逻辑结构设计,并完成人机界面的开发,便于进行数据的存储和学习分析;
步骤3:节点标准周期曲线提取
利用数据库中采集到的节点位移数据,利用滑动双窗口原理完成周期分割,并借助二次重采样技术实现节点标准周期曲线的输出;
步骤4:区间波动性建模
利用动态时间弯曲算法求取运动周期曲线与节点标准周期曲线的波动差值,波动差值大小反应了两个序列的相似程度;
步骤5:多区间样本熵系数求解
利用步骤4求出的N个区间的波动差值,依据样本熵原理求解多区间的样本熵系数,对减速顶健康状态进行评估,其中N为列车过顶时下压减速顶的次数。
2.根据权利要求1所述的一种基于多区间运动曲线样本熵的减速顶物联网故障预警方法,其特征在于,步骤1的具体实现方法如下:
101)将下位机程序下载至所有减速顶节点,在下载过程中注意配置节点所属的区段和地址,以便进行数据库存储;
102)在进行网络配置与连接过程中,采用UDP协议进行数据传输;
103)上电后将节点配置为低功耗模式,利用列车滚压作为中断信号激活节点设备。
3.根据权利要求2所述的一种基于多区间运动曲线样本熵的减速顶物联网故障预警方法,其特征在于,步骤2的具体实现方法如下:
201)基于不同区段不同地址的减速顶节点,在数据库中进行链式存储,根据区段信息定义数据库的名称,根据地址信息定义对应数据库中数据表的名称,便于外部访问;
202)在进行人机界面开发的时候,加入数据访问、提取和机器学习功能,并依据学习结果向用户展示最终的评价结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010027247.8A CN111199078B (zh) | 2020-01-10 | 2020-01-10 | 一种基于多区间运动曲线样本熵的减速顶物联网故障预警方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010027247.8A CN111199078B (zh) | 2020-01-10 | 2020-01-10 | 一种基于多区间运动曲线样本熵的减速顶物联网故障预警方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111199078A CN111199078A (zh) | 2020-05-26 |
CN111199078B true CN111199078B (zh) | 2022-04-22 |
Family
ID=70744785
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010027247.8A Active CN111199078B (zh) | 2020-01-10 | 2020-01-10 | 一种基于多区间运动曲线样本熵的减速顶物联网故障预警方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111199078B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112085073B (zh) * | 2020-08-24 | 2022-12-09 | 西安交通大学 | 一种rbf神经网络的减速顶多节点故障分类方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103707893A (zh) * | 2014-01-22 | 2014-04-09 | 陈佳怡 | 一种铁路减速顶性能现场检测车 |
CN105109520A (zh) * | 2015-08-01 | 2015-12-02 | 宁波佰斯特铁路安全设备制造有限公司 | 基于压力传感器的减速顶在线监测*** |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6907445B2 (en) * | 2001-02-12 | 2005-06-14 | International Truck Intellectual Property Company, Llc | Consistent application programming interface for communicating with disparate vehicle network classes |
-
2020
- 2020-01-10 CN CN202010027247.8A patent/CN111199078B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103707893A (zh) * | 2014-01-22 | 2014-04-09 | 陈佳怡 | 一种铁路减速顶性能现场检测车 |
CN105109520A (zh) * | 2015-08-01 | 2015-12-02 | 宁波佰斯特铁路安全设备制造有限公司 | 基于压力传感器的减速顶在线监测*** |
Non-Patent Citations (1)
Title |
---|
减速顶在线故障检测***结构及原理;邢潮汀;《减速顶与调速技术》;20171225(第04期);5-7 * |
Also Published As
Publication number | Publication date |
---|---|
CN111199078A (zh) | 2020-05-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111999657B (zh) | 一种电动汽车的锂离子电池剩余寿命的行驶里程评估方法 | |
CN107563426B (zh) | 一种机车运行时序特征的学习方法 | |
CN111381170A (zh) | 基于大数据的电动汽车电池包健康状态预测方法及*** | |
CN105279964A (zh) | 一种基于低秩算法的路网交通数据的补全方法 | |
CN103761748A (zh) | 异常行为检测方法和装置 | |
CN111428558A (zh) | 一种基于改进YOLOv3方法的车辆检测方法 | |
CN112347927B (zh) | 基于卷积神经网络概率决策融合的高分影像建筑提取方法 | |
CN114360030A (zh) | 一种基于卷积神经网络的人脸识别方法 | |
CN112446114A (zh) | 基于三维模型比对的输电线路工程施工进度监测方法 | |
CN111199078B (zh) | 一种基于多区间运动曲线样本熵的减速顶物联网故障预警方法 | |
CN103679214A (zh) | 基于在线面积估计和多特征决策融合的车辆检测方法 | |
CN116384020A (zh) | 一种融合多维语义信息的数字孪生变电站空间布局方法 | |
CN116861503A (zh) | 一种基于大数据的电力变压器数字孪生模型的构建方法 | |
CN103258134B (zh) | 一种高维的振动信号的降维处理方法 | |
CN113362630B (zh) | 交通信号设备故障分析处理方法、***及计算机存储介质 | |
CN116129327A (zh) | 一种基于改进YOLOv7算法的红外车辆检测方法 | |
CN117011692A (zh) | 一种道路识别的方法以及相关装置 | |
CN113159358A (zh) | 一种基于深度时空残差网络预测城市pm2.5的方法 | |
CN111653087A (zh) | 一种城市交通异常探测模型的构建方法 | |
CN116737797B (zh) | 一种基于高性能时序数据库的桥梁在线健康监测*** | |
CN114013285B (zh) | 一种电动汽车实际续驶里程评估方法 | |
CN117423229A (zh) | 基于维度保护分解的3d卷积神经网络交通数据预测方法及模型 | |
Xue et al. | Traffic Forecasting Model Based on Two-stage Stacked Graph Convolution Network | |
CN112749914A (zh) | 一种信息物理融合的园区综合能源***性能评价方法 | |
XU et al. | Deep Learning-Based Corroded Crack Identification in Reinforced Concrete Using SCNet Model |
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 |