CN111523253B - 一种基于载荷融合数据确定铁路继电器吸合时间阈值的方法 - Google Patents

一种基于载荷融合数据确定铁路继电器吸合时间阈值的方法 Download PDF

Info

Publication number
CN111523253B
CN111523253B CN202010545563.4A CN202010545563A CN111523253B CN 111523253 B CN111523253 B CN 111523253B CN 202010545563 A CN202010545563 A CN 202010545563A CN 111523253 B CN111523253 B CN 111523253B
Authority
CN
China
Prior art keywords
fusion
data
suction time
load
relay
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
Application number
CN202010545563.4A
Other languages
English (en)
Other versions
CN111523253A (zh
Inventor
李文华
邵文玉
潘如政
赵正元
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hebei University of Technology
Original Assignee
Hebei University of Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Hebei University of Technology filed Critical Hebei University of Technology
Priority to CN202010545563.4A priority Critical patent/CN111523253B/zh
Publication of CN111523253A publication Critical patent/CN111523253A/zh
Application granted granted Critical
Publication of CN111523253B publication Critical patent/CN111523253B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/10—Numerical modelling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Biology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Train Traffic Observation, Control, And Security (AREA)

Abstract

本发明提供了一种基于载荷融合数据确定铁路继电器吸合时间阈值的方法。所述基于载荷融合数据确定铁路继电器吸合时间阈值的方法包括以下步骤：整理加速寿命试验中铁路继电器所有样本的6种相关参数数据，整理原始数据后对其做维度降低处理并融合，同时将参数的阈值做融合处理，确定铁路继电器寿命预测的数学模型，将融合得到的结果输入到数学模型，其结果达到失效阈值的时间即为铁路继电器的寿命，将吸合时间输入到寿命预测数学模型中进行训练，当其达到铁路继电器寿命时对应的时间即为吸合时间阈值。利用载荷融合数据提高了铁路继电器寿命预测的精确度，对确定铁路继电器吸合时间阈值提供好的基础。

Description

一种基于载荷融合数据确定铁路继电器吸合时间阈值的方法
技术领域
本发明涉及可靠性技术领域，具体是一种基于载荷融合数据确定铁路继电器吸合时间阈值的方法。
背景技术
铁路继电器是铁路信号设备***当中一个很重要的基础部件，也是不可替代的一部分，其工作的可靠性也影响着整个铁路***的安全运行，铁路继电器在运行中监测其各种参数，其中，铁路继电器吸合时间的阈值没有准确的定值，而对吸合时间阈值的确定，对于判断铁路继电器是否失效是一个很重要的依据。
传统的对铁路继电器寿命预测的方法多是通过单个参数的分析预测达到对铁路继电器的寿命预测的目的。研究证明，单参数对继电器的寿命预测评估不够准确，为了突破这个缺点，本发明研究出载荷融合数据的方法对铁路继电器的寿命进行预测，比传统的方法准确性更高。
文献(苗建伟，王文军，李斌.低压继电器寿命的智能预测分析[J].电器与能效管理技术，2018(04)：61-65.)中以吸合时间为主要特征参数，设计了一种测试继电器寿命的方法，选择BP神经网络算法和灰色理论算法对继电器的寿命进行预测分析，通过预测结果评估两种智能算法的预测性能，其预测思路见图2。继电器自身性能复杂，显然只使用一种参数对继电器的寿命进行预测分析这一方法不够完善，预测结果可能存在较大的误差。
单参数对铁路继电器的寿命预测不够全面，为了能确定继电器吸合时间的阈值，本发明提供一个基于载荷融合数据确定铁路继电器吸合时间阈值的方法。
发明内容
加速寿命试验过程中每20万次实验结束后监测的参数有动合接点压力、动断接点压力、绝对间隙、吸合电压、释放电压和接触电阻参数，各参数的变化反应了继电器的性能参数退化过程。
分析铁路继电器的退化性能时，不能仅仅只关注一种参数变化，而应综合考虑各个对铁路继电器寿命有影响的参数。表征继电器性能的参数很多，而只利用某个参数对继电器的寿命进行预测分析不够准确，不能全面的评估继电器的寿命。铁路继电器的吸合时间阈值在实际使用中很难确定，而吸合时间又是一个检测铁路继电器是否失效的有效依据。
为解决上述问题并实现预测的目标，本发明提供一种基于载荷融合数据确定铁路继电器吸合时间阈值的方法，所述基于载荷融合数据确定铁路继电器吸合时间阈值的方法如下所述：
首先整理加速寿命试验铁路继电器的6种相关参数数据。
对参数进行维度降低处理并融合，同时将参数的阈值做融合处理。先对原始数据进行无量纲化处理，获得标准化数据：
对于每个序列X：
Figure BSA0000211084740000011
其中，m为6种参数，n为每种参数选取的数据量；
标准化公式(对第一列来看)，将i为从1到n逐次加1，得序列yi1：
Figure BSA0000211084740000012
其中：
Figure BSA0000211084740000021
Figure BSA0000211084740000022
同理，计算得yi2，yi3，...yim；
最终得到变换后的序列Y：
Figure BSA0000211084740000023
所述对得到的新矩阵求协方差矩阵，协方差cov(x，y)定义如下：
cov(x，y)＝E[(x-μx)(y-μy)]
其中，E(x)＝μx，E(y)＝μy；
因此，对于矩阵
Figure BSA0000211084740000024
得协方差矩阵为：
Figure BSA0000211084740000025
根据|Y-λE|＝0求出协方差矩阵的特征值λi(i＝1，2，…，m)和特征向量ei(i＝1，2，...，m)，并将特征向量按特征值大小顺序排列。
通过特征值得到各个元素占比率以及累计占比率：
Figure BSA0000211084740000026
累计占比率：
Figure BSA0000211084740000027
所述通过选择累计占比率大与90％的元素进行下一步的计算。
对原始数据进行维度降低处理再融合的好处是，以上过程能有效的将原始数据的维度降低，并尽可能少的丢失原始数据的信息。
根据以上计算结果，计算元素载荷：
Figure BSA0000211084740000028
其中，eij为特征向量中的数值。
其载荷矩阵为：
Figure BSA0000211084740000029
所述载荷矩阵表示每个参数在对应元素的载荷。通过得到的载荷矩阵和各个元素占比率，将原始数据做融合。维度降低处理后得到的元素数量与原始参数类别数相同，即为m个元素，假设前p(p＜m)个元素的累计占比率大与等于90％，融合过程如下。
每个原始参数在对应元素的载荷分别乘以该原始数据，再相加得到新的矩阵如下：
Figure BSA00002110847400000311
每个元素的占比率不同，可将以上融合后的矩阵再进行融合。每个元素对应的占比率λi(i＜p)占所选出来的元素的总占比率lgxp的比重乘以对应的融合结果rhi，即：
Figure BSA0000211084740000031
选取的参数有其固定的阈值，将阈值按照上述的处理，分别融合成rhyz1，rhyz2，…，rhyzp，并最终融合成zrhyz。
所述建立铁路继电器的寿命预测模型，过程如下：
S1：由原始数据序列x0＝{x0(1)，x0(2)，…x0(n)}累加生成x1＝{x0(1)，x0(2)，…x0(n)}，设生成序列x1满足一阶常微分方程
Figure BSA0000211084740000032
未知；
S2：建立矩阵B，Yn，Yn＝BU，其中：
Figure BSA0000211084740000033
Figure BSA0000211084740000034
S3：求逆矩阵(BTB)-1；
S4：根据
Figure BSA0000211084740000035
求估计值
Figure BSA0000211084740000036
和
Figure BSA0000211084740000037
S5：将得到的结果带入方程：
Figure BSA0000211084740000038
当k＝1，2，…，n-1时，由上式计算的
Figure BSA0000211084740000039
是拟合值；
当k≥n时，
Figure BSA00002110847400000310
为预报值。
S6：精度检验与预测，将上述的融合结果输入到预测模型中进行预测，当其结果达到设定阈值时即判断铁路继电器达到其寿命。当误差在0.8～0.95，比值在0.35～0.45之间时，预测结果合格。
所述数据融合预测得到的铁路继电器的寿命，将已有的铁路继电器的吸合时间输入到预测模型里，当达到铁路继电器失效时的寿命时对应的数据即为吸合时间的阈值。
如上所述，本发明优点在于：
(1)本发明打破传统使用单参数对继电器的寿命进行预测的方法，提出了一种基于载荷融合数据对继电器寿命进行预测的方法。
(2)本发明使用的将原始数据先进行维度降低处理再融合的方法，可有效地减少原始数据的维度，同时能保留原始数据的大部分的原始信息。
(3)本发明在融合过程中考虑了各个参数在某个元素中的载荷，并且考虑了某个元素在所有选出来的元素中的权重，提高了可信度。
(4)本发明利用了影响铁路继电器寿命的参数进行数据融合，再对其寿命进行预测，综合考虑了所有参数的影响，并且在得到铁路继电器的预测寿命后，再次利用寿命预测模型确定铁路继电器吸合时间的阈值。
附图说明
图1为现有技术中确定铁路继电器吸合时间阈值的结构示意图。
图2为以吸合时间预测继电器寿命的预测过程。
图3为本发明寿命预测模型结构示意图。
图4铁路继电器寿命预测曲线。
图5铁路继电器吸合时间预测曲线。
具体实施方式
下面给出本发明的具体实施过程。
恒定温度下加速寿命试验铁路继电器0到200万次试验过程中，每动作20万次测一次参数，共11次数据。整理其中一台铁路继电器的动合接点压力动、断接点压力、绝对间隙、吸合电压、释放电压以及接点电阻6个参数。对原始数据进行标准化处理，获得标准化数据：
表1各参数标准化处理后的数据表
-0.6444 1.6370 1.2103 -1.7566 -0.4567 -0.7910
1.5366 0.4753 0.4624 -1.6503 0.0864 -0.4691
0.9914 -0.1056 2.4070 0.3707 0.6294 -0.7584
1.5366 1.0561 -0.4352 -0.8171 0.901 -0.8307
-1.1896 1.0561 -0.7343 -0.3384 0.7652 -0.5064
0.4461 0.4753 -1.0335 0.4770 0.5616 -0.4084
-0.6444 -1.2674 -0.2856 0.9557 1.444 -0.8983
-0.0991 -0.6865 -0.4352 1.0266 -0.1173 0.2074
-0.6444 -0.6865 -0.4352 0.6720 -0.5924 1.4718
-0.0991 -0.6865 -0.2856 0.3529 -1.4749 1.4858
-1.1896 -1.2674 -0.4352 0.7075 -1.7464 1.4974
求出标准化后的数据矩阵的协方差矩阵如表2所示：
表2标准化后数据的协方差矩阵
1 0.3052 0.3114 -0.3704 0.3462 -0.4138
0.3052 1 0.1927 -0.8209 0.3137 0.5976
0.3114 0.1927 1 -0.3307 0.0546 -0.3394
-0.3704 -0.8209 -0.3307 1 -0.0729 0.4465
0.3462 0.3137 0.0546 -0.0729 1 -0.8522
-0.4138 0.5976 -0.3394 0.4465 -0.8522 1
根据|Y-λE|＝0求出协方差矩阵的特征值和特征向量，并将向量按照特征值的大小顺序进行排列。
特征值λi(i＝1，2，…，6)从大到小依次为λ1＝3.0102，λ2＝1.2307，λ3＝0.9312，λ4＝0.6516，λ5＝0.1292，λ6＝0.0470，对应的特征向量为：
表3各特征值从大到小排列的对应特征向量即得到的各个元素：
元素一 元素二 元素三 元素四 元素五 元素六
-1.8355 -1.7725 -0.5530 -1.2793 -0.0189 -0.1613
-1.8744 -0.8838 0.3435 0.9675 -0.6295 0.0829
-1.4148 0.2063 2.2951 -0.6403 0.4122 0.0668
-2.0381 0.3210 -0.4245 1.1789 0.0882 0.0235
-0.5557 0.4134 -1.6621 -0.8455 0.1703 0.2005
-0.3204 0.9431 -0.7117 0.6798 0.4373 -0.2253
0.3070 2.1976 0.2272 -0.7345 -0.6274 -0.0015
1.0592 0.7021 0.2153 0.1794 0.1627 -0.2474
1.9275 -0.2400 -0.0450 0.1102 0.1567 0.4828
1.8919 -1.0372 0.2613 0.5847 0.0685 -0.0037
2.8534 -0.8500 0.0539 -0.2008 -0.2202 -0.2173
通过得到的特征值计算各个元素的占比率
Figure BSA0000211084740000051
依次gx1＝50.1703％，gx2＝20.5123％，gx3＝15.5194％，gx4＝10.8597，gx5＝2.1541％，gx5＝0.7841％。
在得到各个元素的占比率后，通过依次累加，得到元素累计占比率
Figure BSA0000211084740000052
Figure BSA0000211084740000053
依次为lgx1＝50.1703％，lgx2＝70.8626％，lgx3＝86.202％，lgx4＝97.0618％，lgx5＝99.216％，lgx6＝100％。又lgx4＞90％，因而在后续的计算中，所选择的元素为元素一到元素四。这种选择方法可以有效的降低原始数据维度，同时保留了原始数据的大部分信息。
得到这些数据之后，由公式
Figure BSA0000211084740000054
得载荷矩阵：
表4载荷矩阵
元素一 元素二 元素三 元素四 元素五 元素六
动合接点压力 -0.3601 0.0157 0.4229 0.8230 0.0958 -0.0686
动断接点压力 -0.4648 -0.2789 -0.4488 -0.0470 0.7081 0.0343
绝对间隙 -0.2670 -0.2956 0.7429 -0.4962 0.1387 0.1552
吸合电压 0.4271 0.5191 0.2538 -0.0490 0.6537 -0.2324
释放电压 -0.3738 0.6700 -0.0512 -0.0916 -0.0506 0.6307
接触电阻 0.5107 -0.3410 0.0284 0.2520 0.2008 0.7199
根据以上的到的数据对原始数据进行融合处理，按照以下方式对原始数据进行融合，融合结果如表5所示：
rh1＝I11*X1+I21*X2+…+I61*X6
rh2＝I12*X1+I22*X2+…+I62*X6
rh3＝I13*X1+I23*X2+…+I63*X6
rh4＝I14*X1+I24*X2+…+I64*X6
表5融合结果
<![CDATA[rh<sub>1</sub>]]> <![CDATA[rh<sub>2</sub>]]> <![CDATA[rh<sub>3</sub>]]> <![CDATA[rh<sub>4</sub>]]>
-227.2213 -57.1155 31.1934 260.4732
-229.0615 -54.3835 44.1525 277.7655
-225.1479 -52.0378 44.6286 273.4453
-232.0051 -54.9074 41.9331 277.1356
-222.1646 -55.6412 31.4548 256.9094
-224.8146 -53.9298 40.1576 269.5854
-215.2607 -48.9747 42.7000 261.4813
-216.8588 -52.0375 42.7196 266.5798
-212.3495 -54.1149 40.7119 263.8469
-214.1503 -54.2404 42.7965 267.9928
-208.0968 -52.9399 40.8583 260.0092
所述每个元素的占比率已知，再根据每个元素对应的占比率λi(i＜p)占所选出来的元素的总占比率lgx4的比重乘以对应的融合结果，最终融合结果矩阵如表6所示：
Figure BSA0000211084740000061
表6得到最终融合的矩阵
zrh
-95.3947
-91.7615
-89.6501
-93.8193
-92.8262
-91.0245
-85.5386
-86.4386
-85.1736
-85.3338
-83.1329
按照得到的元素占比率以及载荷矩阵对各个参数的阈值进行融合处理，得到阈值融合后的结果如表7所示：
表7阈值融合后的结果
<![CDATA[rhyz<sub>1</sub>]]> <![CDATA[rhyz<sub>2</sub>]]> <![CDATA[rhyz<sub>3</sub>]]> <![CDATA[rhyz<sub>4</sub>]]>
-128.4512 -44.0991 44.2942 209.9117
将以上结果结合各个元素占比率再进行融合得zrhyz＝-45.1467。
根据以上所得的原始数据的融合结果，将其融合结果输入到数学模型中进行预测，修改预测的次数，当其预测结果达到阈值融合的结果时，判断铁路继电器失效。预测曲线如图2所示，由于使用的参数为每20万次测试数据，取横坐标为62时对应的参数为铁路继电器预测寿命，所预测结果对应的次数乘以20万即为铁路继电器的预测寿命，由实际数据所得预测寿命为1220万次。
检验其误差为0.8＜0.8182＜0.95，比值为0.35＜0.4231＜0.45，检验结果为合格。
根据预测的结果，再将我们在试验过程中所测的吸合时间输入到铁路继电器寿命预测模型中，输入预测次数，预测次数对应的数值即为吸合时间的阈值。误差为0.8＜0.9052＜0.95，比值为0.35＜0.4138＜0.45，检验结果为合格。预测曲线如图3所示，通过数学模型得到的吸合时间的阈值如表8所示：
表8数学模型得到的铁路继电器寿命以及吸合时间阈值
预测寿命 吸合时间阈值
1220万次 227.71ms
以上结果表明：本发明可以有效地对铁路继电器的吸合时间阈值进行预测。

Claims (5)

1.一种基于载荷融合数据确定铁路继电器吸合时间阈值的方法，其特征在于，所述基于载荷融合数据确定铁路继电器吸合时间阈值的方法包括以下步骤：
S1：整理特定型号的继电器在加速寿命试验中的6种相关参数数据；
S2：对参数进行维度降低处理并融合，同时将参数的阈值做融合处理；先对原始数据进行无量纲化处理，获得标准化数据：
对于每个序列X：
Figure FDA0004110196060000011
其中，m为6种参数，n为每种参数选取的数据量；
最终得到变换后的序列y：
Figure FDA0004110196060000012
S3：对得到的新矩阵求协方差矩阵，同时求出协方差矩阵的特征值λi和特征向量ei，其中，i＝1,2,…,m，且将特征向量按特征值大小排列；
计算每个元素的占比率以及累计占比率，选择累计占比率大于90％的元素进行下一步的计算；
利用
Figure FDA0004110196060000013
计算出元素载荷矩阵：
Figure FDA0004110196060000014
载荷矩阵表示每个参数在其对应元素上的载荷量；
按照得出的结果进行加下来的融合；
S4：维度降低处理后得到的元素数与原始参数类别数相同，即为m个元素，假设前p个元素的累计占比率大于等于90％，其中，p＜m，融合的过程为：每个原始参数在对应元素的载荷分别乘以该原始数据，再相加得到新的矩阵；
S5：每个元素的占比率不同，可将融合后的矩阵再进行融合，每个元素对应的占比率λi占所选出来的元素的总占比率lgxp的比重乘以对应的融合结果rhi，再相加后得到zrh，其中，i＜p；
选取的参数有其固定的阈值，将阈值分别融合成rhyz1，rhyz2，…，rhyzp，并最终融合成zrhyz；
S6：确定铁路继电器寿命预测的数学模型，建模过程如下：
由原始数据序列X0＝{X0(1),X0(2),…X0(n)}累加生成X1＝{X0(1),X0(2),…X0(n)}，设生成序列X(1)满足一阶常微分方程
Figure FDA0004110196060000021
a，u未知；
建立矩阵B，Yn，Yn＝BU，其中：
Figure FDA0004110196060000022
Figure FDA0004110196060000023
求逆矩阵(BTB)-1；
根据
Figure FDA0004110196060000024
求估计值
Figure FDA0004110196060000025
和
Figure FDA0004110196060000026
将得到的结果代入方程
Figure FDA0004110196060000027
当k＝1，2，…，n-1时，由上式计算的
Figure FDA0004110196060000028
是拟合值；
当k≥n时，
Figure FDA0004110196060000029
为预报值；
精度检验与预测，将融合结果输入到预测模型中进行预测，当其预测结果达到设定阈值时即判断铁路继电器达到其寿命；当误差在0.8到0.95，比值在0.35到0.45之间时，预测结果合格；
S7：将已有的吸合时间的试验数据输入到预测模型中，当其达到铁路继电器的寿命时，对应的时间即为吸合时间的阈值。
2.根据权利要求1所述的一种基于载荷融合数据确定铁路继电器吸合时间阈值的方法，其特征在于，在步骤S2中的标准变换公式为：
Figure FDA00041101960600000210
其中：
Figure FDA0004110196060000031
Figure FDA0004110196060000032
3.根据权利要求1所述的一种基于载荷融合数据确定铁路继电器吸合时间阈值的方法，其特征在于，步骤S3中通过特征值得到各个元素占比率以及累计占比率的计算公式为：
Figure FDA0004110196060000033
累计占比率：
Figure FDA0004110196060000034
4.根据权利要求1所述的一种基于载荷融合数据确定铁路继电器吸合时间阈值的方法，其特征在于，步骤S4中的融合公式为：
rh1＝I11*X1+I21*X2+…+Im1*Xm
rh2＝I12*X1+I22*X2+…+Im2*Xm
Figure FDA0004110196060000035
rhp＝I1p*X1+I2p*X2+…+Imp*Xm。
5.根据权利要求1所述的一种基于载荷融合数据确定铁路继电器吸合时间阈值的方法，其特征在于，步骤S5中的再融合公式为：
Figure FDA0004110196060000036
CN202010545563.4A 2020-06-16 2020-06-16 一种基于载荷融合数据确定铁路继电器吸合时间阈值的方法 Active CN111523253B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010545563.4A CN111523253B (zh) 2020-06-16 2020-06-16 一种基于载荷融合数据确定铁路继电器吸合时间阈值的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010545563.4A CN111523253B (zh) 2020-06-16 2020-06-16 一种基于载荷融合数据确定铁路继电器吸合时间阈值的方法

Publications (2)

Publication Number Publication Date
CN111523253A CN111523253A (zh) 2020-08-11
CN111523253B true CN111523253B (zh) 2023-05-16

Family

ID=71912984

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010545563.4A Active CN111523253B (zh) 2020-06-16 2020-06-16 一种基于载荷融合数据确定铁路继电器吸合时间阈值的方法

Country Status (1)

Country Link
CN (1) CN111523253B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112446157A (zh) * 2020-12-14 2021-03-05 广东省科学院智能制造研究所 一种交通设备剩余寿命预测方法及装置

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106446317A (zh) * 2016-06-01 2017-02-22 河北工业大学 一种基于数学模型的密封式继电器贮存寿命预测方法
CN110332103A (zh) * 2019-07-29 2019-10-15 浙江鸿友压缩机制造有限公司 带延时关闭电磁卸荷阀的电子压力开关

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106446317A (zh) * 2016-06-01 2017-02-22 河北工业大学 一种基于数学模型的密封式继电器贮存寿命预测方法
CN110332103A (zh) * 2019-07-29 2019-10-15 浙江鸿友压缩机制造有限公司 带延时关闭电磁卸荷阀的电子压力开关

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
Life Prediction of Electromagnetic Relay Based on;Jiang Wenman et al.;《2018 IEEE International Conference of Safety Produce》;20190414;第340-345页 *
Research on life prediction based on wavelet;Qiong Yu et al.;《2009 4th IEEE Conference on Industrial Electronics and》;20090630;第1275-1280页 *
航天继电器步退加速寿命试验温度应力;李文华等;《航天控制》;20181031;第36卷(第5期);第15-20、75页 *
铁磁性多余物对航天继电器;李超等;《电器与能效管理技术》;20161231;第87-92、98页 *

Also Published As

Publication number Publication date
CN111523253A (zh) 2020-08-11

Similar Documents

Publication Publication Date Title
CN108664700B (zh) 基于不确定数据包络分析的加速退化信息融合建模方法
Wei et al. Prediction of state of health and remaining useful life of lithium-ion battery using graph convolutional network with dual attention mechanisms
Li et al. A mutated particle filter technique for system state estimation and battery life prediction
CN105930976B (zh) 基于加权理想点法的节点电压暂降严重程度综合评估方法
Xiao et al. Decentralized PCA modeling based on relevance and redundancy variable selection and its application to large-scale dynamic process monitoring
CN109061504A (zh) 同类型不同锂离子电池剩余使用寿命预测方法和***
JP5313250B2 (ja) バッテリーの長期特性予測システム及び方法
CN109409425B (zh) 一种基于近邻成分分析的故障类型识别方法
CN113762329A (zh) 一种大型轧机状态预测模型的构建方法及构建***
EP3633343A1 (en) A physics-based model particle-filtering framework for predicting rul using resistance measurements
Li et al. Residual useful life estimation by a data‐driven similarity‐based approach
CN113702855B (zh) 一种基于多物理场仿真与神经网络方法的锂电池组健康状态在线预测方法
Chen et al. A health index construction framework for prognostics based on feature fusion and constrained optimization
CN113125095A (zh) 一种基于深度学习的万能式断路器触头***剩余机械寿命预测方法
CN111523253B (zh) 一种基于载荷融合数据确定铁路继电器吸合时间阈值的方法
CN110782546A (zh) 基于组合树模型的半导体pvd制程的电阻率虚拟量测方法
CN108830006B (zh) 基于线性评价因子的线性-非线性工业过程故障检测方法
Yuan et al. A Bayesian approach to degradation-based burn-in optimization for display products exhibiting two-phase degradation patterns
Lyu et al. Reliability analysis of the multi-state system with nonlinear degradation model under Markov environment
CN114611067A (zh) 一种基于典型变量相异性分析的化工过程缓变故障检测方法
Wang et al. Assessing the Performance Degradation of Lithium‐Ion Batteries Using an Approach Based on Fusion of Multiple Feature Parameters
CN112580254A (zh) 一种基于多级决策融合的换流变多维度分析和预警方法
CN111310781A (zh) 一种基于pca-ann的制冷设备制冷剂泄漏识别方法
Zhang et al. The early prediction of lithium-ion battery remaining useful life using a novel long short-term memory network
Park et al. A study on life evaluation & prediction of railway vehicle contactor based on accelerated life test data

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
DD01 Delivery of document by public notice
DD01 Delivery of document by public notice

Addressee: Shao Wenyu

Document name: Notification of Conformity

GR01 Patent grant
GR01 Patent grant