CN112241511B - 交通工具辅助电气***的性能检测方法及装置、终端 - Google Patents
交通工具辅助电气***的性能检测方法及装置、终端 Download PDFInfo
- Publication number
- CN112241511B CN112241511B CN201910655325.6A CN201910655325A CN112241511B CN 112241511 B CN112241511 B CN 112241511B CN 201910655325 A CN201910655325 A CN 201910655325A CN 112241511 B CN112241511 B CN 112241511B
- Authority
- CN
- China
- Prior art keywords
- data
- performance index
- vehicle
- performance
- electrical system
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 69
- 230000002159 abnormal effect Effects 0.000 claims abstract description 33
- 238000000034 method Methods 0.000 claims abstract description 25
- 238000012549 training Methods 0.000 claims abstract description 21
- 238000012417 linear regression Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000012360 testing method Methods 0.000 claims description 5
- 239000012634 fragment Substances 0.000 claims description 3
- 238000011056 performance test Methods 0.000 claims 1
- 238000012423 maintenance Methods 0.000 description 14
- 230000008569 process Effects 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 5
- 230000015556 catabolic process Effects 0.000 description 4
- 238000006731 degradation reaction Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 230000005856 abnormality Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000035772 mutation Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000006399 behavior Effects 0.000 description 1
- 238000009529 body temperature measurement Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000002347 injection Methods 0.000 description 1
- 239000007924 injection Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011158 quantitative evaluation Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Algebra (AREA)
- Evolutionary Biology (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Electric Propulsion And Braking For Vehicles (AREA)
Abstract
一种交通工具辅助电气***的性能检测方法及装置、终端,方法包括:从交通工具辅助电气***正常运行产生的历史数据中获取多个样本数据,其中,每个样本数据包括性能指标影响因素信息及关联的性能指标值;利用性能指标影响因素信息及关联的性能指标值,训练得到性能检测模型;获取预设时间段内的待检测数据,待检测数据包括性能指标影响因素信息及关联的性能指标值;基于待检测数据内的性能指标影响因素信息和性能检测模型,计算得到性能指标期望值;计算待检测数据内的性能指标值与性能指标期望值的偏差值,基于偏差值判断交通工具辅助电气***在预设时间段内的性能是否出现异常。本发明技术方案可以对辅助电气***进行性能预测与检测。
Description
技术领域
本发明涉及电气***技术领域,具体地涉及一种交通工具辅助电气***的性能检测方法及装置、终端。
背景技术
动车组辅助电气***是为动车组所有(牵引动力***除外)用电负载设备提供电能的***,主要包括蓄电池与充电机***、中低压电气设备、辅助供电***等。辅助供电***在动车组各***中处于十分重要的位置,而辅助变流器是辅助电气***的核心电源设备,其电源由牵引变流器的中间直流环节提供,辅助变流器将来自牵引变流器中间直流电转换成三相交流电为辅助供电***、列车的中压负载等提供电源,一旦辅助供电***发生故障,将会影响动车组的正常运行。
为了确保动车组各***的安全可靠运行,动车组辅助电气***加装了大量传感器对辅助变流器等相关部件的工作参数进行实时有效地监测。此方式可以在一定程度上帮助动车组检修人员对故障信息做出判断,从而及时有效地排除故障,保障动车组安全可靠运行。
但是,目前动车组对辅助供电***的状态检测和日常检修重心还是在已经发生的故障,对于故障的早期检修尚且缺乏适用的方法和有效的技术。这种定时维修和事后维修的策略,不能够满足提高高速动车组运行效率及降低运营成本的要求。因此,对动车组辅助供电***中辅助变流器整体性能的早期检测是十分必要的。
类似地,可以从动车组辅助电气***扩展至其他交通工具辅助电气***,其他交通工具辅助电气***也存在类似技术问题和缺陷。因此,为了提高动车组和其他交通工具运行效率,降低运营成本,对交通工具辅助电气***进行性能检测,构建辅助电气***预警分析是非常必要的。
发明内容
本发明解决的技术问题是如何对交通工具辅助电气***进行性能检测。
为解决上述技术问题,本发明实施例提供一种交通工具辅助电气***的性能检测方法,包括:从交通工具辅助电气***正常运行产生的历史数据中获取多个样本数据,其中,每个样本数据包括性能指标影响因素信息及其关联的性能指标值;利用所述性能指标影响因素信息及其关联的性能指标值,训练得到所述交通工具辅助电气***的性能检测模型;获取预设时间段内的待检测数据,所述待检测数据包括性能指标影响因素信息及其关联的性能指标值;基于所述待检测数据内的性能指标影响因素信息和所述性能检测模型,计算得到性能指标期望值;计算所述待检测数据内的性能指标值与所述性能指标期望值之间的偏差值,并基于所述偏差值判断所述交通工具辅助电气***在所述预设时间段内的性能是否出现异常。
可选的,所述性能指标影响因素信息包括:所述交通工具辅助电气***中的辅助变流器的功率损耗、所述交通工具的运行速度和所述交通工具的室外温度。
可选的,所述交通工具辅助电气***的性能指标值指的是所述交通工具辅助电气***中的辅助变流器功率模块温度。
可选的,所述基于所述偏差值判断所述交通工具辅助电气***在所述预设时间段内的性能是否出现异常包括:如果所述性能指标期望值与所述待检测数据内的性能指标值之间的偏差值超过预设阈值,则判断所述交通工具辅助电气***在所述预设时间段内存在异常风险。
可选的,所述待检测数据包括按照时间排布的多个数据点,所述计算所述待检测数据内的性能指标值与所述性能指标期望值之间的偏差值,并基于所述偏差值判断所述交通工具辅助电气***在所述预设时间段内的性能是否出现异常包括:对于所述待检测数据,依次计算每个数据点的性能指标期望值与该数据点的性能指标值之间的偏差值,以得到按照时间排布的偏差值序列;如果所述偏差值序列中的各个偏差值按照预设趋势排布,则判断所述交通工具辅助电气***在所述预设时间段内存在异常风险。
可选的,所述待检测数据包括按照时间排布的多个数据点,所述计算所述待检测数据内的性能指标值与所述性能指标期望值之间的偏差值,并基于所述偏差值判断所述交通工具辅助电气***在所述预设时间段内的性能是否出现异常包括:对于所述多个数据点,依次计算每个数据点的性能指标期望值与该数据点的性能指标值之间的偏差值,以得到按照时间排布的偏差值序列;如果所述偏差值序列中具有突变偏差值,则判断所述交通工具辅助电气***在所述预设时间段内存在异常风险。
可选的,所述利用所述性能指标影响因素信息及其关联的性能指标值,训练得到所述交通工具辅助电气***的性能检测模型包括:基于线性回归模型,拟合得到所述性能指标影响因素信息及其关联的性能指标值之间的函数关系式的参数;将所述参数代入所述函数关系式,以得到所述交通工具辅助电气***的性能检测模型。
可选的,所述历史数据包括按时间排布的多个数据点,每个数据点携带的信息包括交通工具运行速度,所述从交通工具辅助电气***正常运行产生的历史数据中获取多个样本数据包括:对于所述交通工具辅助电气***正常运行产生的历史数据,将其中满足预设运行速度条件的历史数据作为候选历史数据;将所述候选历史数据按照预设时间进行分片,以得到多个分片数据;对于所述多个分片数据中的每个分片数据,将包含数据点数量超出预设数量的分片数据作为备选分片数据,以得到备选分片数据集;对于所述备选分片数据集,计算每个备选分片数据的平均值,以得到所述多个样本数据。
为解决上述技术问题,本发明实施例还提供一种交通工具辅助电气***的性能检测装置,包括:第一获取模块,适于从交通工具辅助电气***正常运行产生的历史数据中获取多个样本数据,其中,每个样本数据包括性能指标影响因素信息及其关联的性能指标值;训练模块,适于利用所述性能指标影响因素信息及其关联的性能指标值,训练得到所述交通工具辅助电气***的性能检测模型;第二获取模块,适于获取预设时间段内的待检测数据,所述待检测数据包括性能指标影响因素信息及其关联的性能指标值;计算模块,适于基于所述待检测数据内的性能指标影响因素信息和所述性能检测模型,计算得到性能指标期望值;判断模块,适于计算所述待检测数据内的性能指标值与所述性能指标期望值之间的偏差值,并基于所述偏差值判断所述交通工具辅助电气***在所述预设时间段内的性能。
为解决上述技术问题,本发明实施例还提供一种存储介质,其上存储有计算机指令,所述计算机指令运行时执行上述方法的步骤。
为解决上述技术问题,本发明实施例还提供一种终端,包括存储器和处理器,所述存储器上存储有可在所述处理器上运行的计算机指令,所述处理器运行所述计算机指令时执行上述方法的步骤。
与现有技术相比,本发明实施例的技术方案具有以下有益效果:
本发明实施例提供一种交通工具辅助电气***的性能检测方法,包括:从交通工具辅助电气***正常运行的历史数据中获取多个样本数据,其中,每个样本数据包括性能指标影响因素信息及其关联的性能指标值;利用所述性能指标影响因素信息及其关联的性能指标值,训练得到所述交通工具辅助电气***的性能检测模型;获取预设时间段内的待检测数据,所述待检测数据包括性能指标影响因素信息及其关联的性能指标值;基于所述待检测数据内的性能指标影响因素信息和所述性能检测模型,计算得到性能指标期望值;计算所述待检测数据内的性能指标值与所述性能指标期望值之间的偏差值,并基于所述偏差值判断所述交通工具辅助电气***在所述预设时间段内的性能。本发明实施例通过分析交通工具(例如,动车组或地铁列车)辅助电气***(例如,辅助变流器)实际运行时的性能指标值与基于性能检测模型计算得到的性能指标期望值之间的偏离情况,可以判断辅助电气***是否处于异常状态,进而检测出所述辅助电气***(例如,辅助变流器)的早期故障。进一步,本发明实施例可以在不改变交通工具现有设备和检测条件的情况下,充分利用所述交通工具辅助电气***正常运行产生的历史数据,对辅助电气***(例如,辅助变流器)进行性能判断和预测,有助于提前发现所述交通工具辅助电气***的性能退化及潜在故障,可以减少辅助电气***故障对交通工具正常运营的影响,为交通工具辅助电气***的状态检修提供有力支撑。
进一步,所述性能指标影响因素信息包括:交通工具运行速度和交通工具室外温度。在交通工具运行过程中,本发明实施例将所述交通工具运行速度和交通工具室外温度作为性能指标影响因素信息,是现有设备易于获得的运行数据,无需更改现有设备,即可完成辅助电气***性能预测,进一步为检测出所述交通工具辅助电气***的潜在故障提供可行方案。
附图说明
图1是本发明实施例的一种交通工具辅助电气***的性能检测方法的流程示意图;
图2是本发明实施例的一种典型应用场景下的动车组辅助电气***的性能检测方法的流程示意图;
图3是本发明实施例的一种样本数据的选取方法的流程示意图;
图4是本发明实施例的一种交通工具辅助电气***中的辅助变流器的性能检测装置的结构示意图。
具体实施方式
本领域技术人员理解,如背景技术所言,目前动车组等交通工具对辅助电气***的状态检测和日常检修主要侧重于已经发生的故障,对于故障的早期检测尚且缺乏适用的方法和有效的技术,其维修策略也主要是定时维修和事后维修,不能满足提高交通工具运行效率及降低运营成本的要求。
本发明实施例提供一种交通工具辅助电气***的性能检测方法,包括:从交通工具辅助电气***正常运行的历史数据中获取多个样本数据,其中,每个样本数据包括性能指标影响因素信息及其关联的性能指标值;利用所述性能指标影响因素信息及其关联的性能指标值,训练得到所述交通工具辅助电气***的性能检测模型;获取预设时间段内的待检测数据,所述待检测数据包括性能指标影响因素信息及其关联的性能指标值;基于所述待检测数据内的性能指标影响因素信息和所述性能检测模型,计算得到性能指标期望值;计算所述待检测数据内的性能指标值与所述性能指标期望值之间的偏差值,并基于所述偏差值判断所述交通工具辅助电气***在所述预设时间段内的性能。
本发明实施例通过分析交通工具(例如,动车组或地铁列车)辅助电气***(例如,辅助变流器)实际运行时的性能指标值与基于性能检测模型计算得到的性能指标期望值之间的偏离情况,可以判断辅助电气***是否处于异常状态,进而检测出所述辅助电气***(例如,辅助变流器)的早期故障。
进一步,本发明实施例可以在不改变交通工具现有设备和检测条件的情况下,充分利用所述交通工具辅助电气***正常运行产生的历史数据,对辅助电气***(例如,辅助变流器)进行性能判断和预测,有助于提前发现所述交通工具辅助电气***的性能退化及潜在故障,可以减少辅助电气***故障对交通工具正常运营的影响,为交通工具辅助电气***的状态检修提供有力支撑。
为使本发明的上述目的、特征和有益效果能够更为明显易懂,下面结合附图对本发明的具体实施例做详细的说明。
图1是本发明实施例的一种交通工具辅助电气***的性能检测方法的流程示意图。所述性能检测方法可以用于检测交通工具辅助电气***中的辅助变流器是否正常运转,例如,用于检测高速动车组辅助电气***中的辅助变流器是否正常运转。
具体而言,所述性能检测方法可以包括以下步骤:
步骤S101,从交通工具辅助电气***正常运行产生的历史数据中获取多个样本数据,其中,每个样本数据包括性能指标影响因素信息及其关联的性能指标值;
步骤S102,利用所述性能指标影响因素信息及其关联的性能指标值,训练得到所述交通工具辅助电气***的性能检测模型;
步骤S103,获取预设时间段内的待检测数据,所述待检测数据包括性能指标影响因素信息及其关联的性能指标值;
步骤S104,基于所述待检测数据内的性能指标影响因素信息和所述性能检测模型,计算得到性能指标期望值;
步骤S105,计算所述待检测数据内的性能指标值与所述性能指标期望值之间的偏差值,并基于所述偏差值判断所述交通工具辅助电气***在所述预设时间段内的性能是否出现异常。
更具体而言,交通工具在运行过程中,可以适时对其辅助电气***以及交通工具的其他运行数据进行记录,从而可以形成按照时间排布的历史运行数据。在具体实施中,可以将所述交通工具辅助电气***正常运行时产生的历史运行数据作为历史数据。所述历史数据可以指的是所述交通工具辅助电气***中的辅助变流器的性能状态为优良,处于正常运行,无性能故障时得到的数据。
所述历史数据可以包括按时间排布的多个数据点,每个数据点的信息可以包括交通工具的运行速度、交通工具的室外温度,所述交通工具辅助电气***中的辅助变流器的功率模块温度以及辅助变流器的功率损耗等信息。需要说明的是,所述功率损耗可以通过所述辅助变流器的输入电压值、辅助变流器输出的电压值(例如,3相交流电流,3-phaseAlternating Current,简称3AC)、辅助变流器的输入电流、辅助变流器的输出电流四个参数,基于现有方案计算得出,这里不再赘述。
在步骤S101中,可以从交通工具辅助电气***的一组历史运行数据中选取辅助变流器正常运行时产生的历史数据中,获取多个样本数据,以所述多个样本数据刻画交通工具辅助电气***正常运行时的***性能。
在一个实施例中,所述样本数据至少可以包括性能指标影响因素信息及其关联的性能指标值。所述性能指标影响因素信息可以是交通工具的运行速度和交通工具的室外温度,以及交通工具辅助电气***中的辅助变流器的功率损耗。与其关联的性能指标值可以是与所述性能指标影响因素信息同一时间采集的交通工具辅助电气***中的辅助变流器功率模块温度。
在具体实施中,从所述历史数据中得到所述多个样本数据,可以按照如下步骤获取:
首先,将所述交通工具辅助电气***中的辅助变流器正常运行产生的历史数据中,满足预设运行速度条件的历史数据作为候选历史数据;其中,所述预设运行速度条件可以是基于用户经验确定的。所述预设运行速度条件可以是所述交通工具处于平稳、高速运行时的速度范围,例如80千米/小时以上。在具体实施中,可以将处于预设速度范围内的历史运行数据作为所述候选历史数据。所述交通工具的运行速度处于预设速度范围,表示所述交通工具平稳、高速运行。
其次,可以将所述候选历史数据按照预设时间进行分片,以得到多个分片数据。在一个实施例中,所述预设时间可以是一天,半天等,具体取值可以根据实际需求确定。
再次,对于所述多个分片数据集中的每个分片数据,可以将包含数据点数量超出预设数量的分片数据作为备选分片数据,以得到备选分片数据集;所述预设数量可以是经验值。
之后,可以计算所述备选分片数据集中的每个备选分片数据的平均值,并将所述平均值作为样本点,进而可以得到所述样本数据。
在步骤S102中,可以利用所述样本数据中的每个数据点的性能指标影响因素信息及其关联的性能指标值进行训练,进而训练得到所述交通工具辅助电气***的性能检测模型。在一个实施例中,可以利用所述交通工具辅助电气***中的辅助变流器产生的历史数据得到辅助变流器的性能检测模型。
在一个实施例中,所述性能检测模型可以是线性回归模型。基于所述线性回归模型,利用所述样本数据进行拟合,可以拟合得到所述性能指标影响因素信息及其关联的性能指标值之间的函数关系式的参数。之后,将所述参数代入所述函数关系式,就可以得到所述交通工具辅助电气***的性能检测模型。例如,得到所述交通工具辅助电气***中的辅助变流器的性能检测模型。
具体而言,所述线性回归模型如下:
其中,表示所述交通工具辅助电气***中的辅助变流器功率模块温度的期望值;V表示所述交通工具的运行速度;Tout表示所述交通工具的室外温度;ΔP表示所述辅助变流器功率模块的功率损耗,需要说明的是,本发明实施例将所述辅助变流器整体的功率损耗近似看成是其功率模块的功率损耗;ε表示所述性能检测模型的拟合误差;Pin、Pout分别表示所述辅助变流器的输入功率、输出功率;Uin、Uout、Iin、Iout分别表示所述辅助变流器的输入电压值、所述辅助变流器的输出3AC电压值、所述辅助变流器的输入电流、所述辅助变流器的输出电流;f()函数表示所述性能检测模型,用于描述所述辅助变流器性能指标值与所述运行速度、所述室外温度、所述功率损耗之间的函数关系。
在步骤S103中,可以获取预设时间段内的待检测数据。所述待检测数据至少可以包括性能指标影响因素信息及其关联的性能指标值。其中,所述预设时间段可以是一段时间范围,也可以是时间点。
在步骤S104中,如果确定了所述待检测数据,则可以将所述待检测数据中的性能指标影响因素信息代入所述性能检测模型,并求解出该性能检测模型的性能指标期望值。
之后,可以在步骤S105中,从所述待检测数据提取出其性能指标影响因素信息关联的性能指标值,并可以对所述待检测数据的性能指标值与所述性能指标期望值进行比较,从而可以得到二者的偏差值。进一步,可以根据所述偏差值,判断所述交通工具辅助电气***(例如,辅助变流器)的性能是否存在异常风险。
在一个实施例中,所述待检测数据可以仅包括单个数据点,此时,如果所述性能指标期望值与所述待检测数据内的性能指标值之间的偏差值超过预设阈值,则可以判断所述交通工具辅助电气***存在异常风险,高概率处于性能超限状态,其中,所述异常风险指的是所述交通工具辅助电气***具有较高概率存在异常,是否异常或是否故障需要其他进一步检测,从而可以准确判断所述***是否发生故障。
在另一个实施例中,所述待检测数据可以包括按照时间排布的多个数据点。对于所述待检测数据,可以依次计算每个数据点的性能指标期望值与该数据点的性能指标值之间的偏差值,从而可以得到按照时间排布的偏差值序列。之后,可以根据所述偏差值序列呈现的性能趋势,判断所述交通工具辅助电气***在所述预设时间段内的性能。
例如,所述预设趋势为偏差值逐渐增大,表示发生故障概率较大或性能下降。在此条件下,如果所述偏差值序列呈现的性能趋势与所述预设趋势相符,则可以判断所述交通工具辅助电气***(例如,辅助变流器)存在异常风险,具有很高概率发生故障或性能呈下降趋势,并可以发出性能趋势预警,以提前对所述交通工具辅助电气***进行检修。
在另一个实施例中,所述待检测数据可以包括按照时间排布的多个数据点。对于所述待检测数据,可以依次计算每个数据点的性能指标期望值与该数据点的性能指标值之间的偏差值,从而可以得到按照时间排布的偏差值序列。如果所述偏差值序列中具有突变偏差值,则可以确定所述交通工具辅助电气***发生故障或性能下降。其中,所述突变偏差值与所述偏差值序列中的其他偏差值差异较大。当出现上述突变偏差值时,可能会破坏所述偏差值序列的排布规律。例如,所述偏差值序列中,数据点x与其他数据点之间的差值大于某个预设阈值,则可以认为该交通工具辅助电气***发生故障或存在异常,需要检修。
下面以动车组辅助电气***为具体实施例进行详细阐述。图2是本发明实施例的一种典型场景中的动车组辅助电气***中的辅助变流器的性能检测方法的流程示意图。
参考图2,所述动车组辅助电气***中的辅助变流器的性能检测方法的具体实施步骤如下:
首先,执行操作s1,即定义性能指标,所述性能指标可以是动车组辅助变流器功率模块温度。具体而言,通过对辅助变流器功能结构和工作原理的分析总结,定义动车组辅助变流器功率模块温度为辅助电气***的性能指标,通过此性能指标来刻画辅助电气***的整体性能。
其次,执行操作s2,定义影响因素,也即性能指标影响因素信息。具体而言,通过对辅助变流器工作原理和工作环境的分析总结,可以确定所述性能指标影响因素信息为动车组的运行速度和室外温度,以及所述辅助变流器的功率损耗。所述功率损耗可以由输入电压值、辅助变流器输出的3AC电压值、辅助变流器的输入电流、辅助变流器的输出电流四个参数计算得到。
再次,执行操作s31和操作s32,即选择数据,并定义辅助变流器整体性能的正常行为模型(即性能检测模型)。具体而言,确定所述性能指标值与所述性能指标影响因素信息之间的函数关系,用于描述动车组辅助变流器功率模块温度的变化过程。
所述性能检测模型记为:
其中,表示所述交通工具辅助电气***中的辅助变流器功率模块温度的期望值;V表示所述交通工具的运行速度;Tout表示所述交通工具的室外温度;ΔP表示所述辅助变流器功率模块的功率损耗,需要说明的是,本发明实施例将所述辅助变流器整体的功率损耗近似看成是其功率模块的功率损耗;ε表示所述性能检测模型的拟合误差;Pin、Pout分别表示所述辅助变流器的输入功率、输出功率;Uin、Uout、Iin、Iout分别表示所述辅助变流器的输入电压值、所述辅助变流器的输出3AC电压值、所述辅助变流器的输入电流、所述辅助变流器的输出电流;f()函数表示所述性能检测模型,用于描述所述辅助变流器性能指标值与所述运行速度、所述室外温度、所述功率损耗之间的函数关系。
之后,执行操作s42,即选择线性回归模型拟合,并执行操作s41,即确定样本数据,可以从选择的数据中选出所述样本数据。
在具体实施时,可以将动车组每一个辅助变流器看作是一个独立的模型研究对象,然后再对该辅助变流器进行数据采样,以得到所述样本数据。所述样本数据选择的是所述动车组辅助变流器无故障、无性能退化时的监测数据。
在具体实施中,选出所述样本数据的具体步骤可以参考图3。图3是本发明实施例的一种样本数据的选取方法的流程示意图。所述选取方法可以包括以下步骤:
步骤S301,采用每一个辅助变流器对应的数据,构建得到训练样本集S1,以进行性能检测模型训练;
步骤S302,对于训练样本集S1,匹配相同时刻下的性能指标值及其性能指标影响因素信息,得到样本数据集S2。具体而言,可以根据所述训练样本集S1中的时间信息,匹配相同时刻下,所述辅助变流器的各性能指标影响因素信息(如动车组的运行速度和室外温度以及所述辅助变流器的功率损耗),得到样本数据集S2;
步骤S303,从样本数据集S2中,选出符合预设速度条件的数据,以得到样本集S3。例如,所述符合预设速度条件的数据为大于预设速度阈值或位于预设速度范围内的数据。具体地,可以选取动车组处于正常运行状态(如高速、稳定运行状态)下的数据,例如,动车组的运行速度为V,预设速度为v2,选择V>v2的数据,从而得到样本集S3,样本集S3包含所述样本数据。其中,v2是经验值,可以是正实数。
进一步,在步骤S304中,对样本集S3进行分片处理,去除数量少于预设阈值的数据,以得到样本集S4。具体实施中,可以根据所述样本集S3,按预设时间为“天”进行分片处理,其中若某个分片中的数据个数n<δ1,则将此分片去除,并将保留下来的N个分片,记为样本集S4。其中,δ1为正整数,可以根据经验确定,N为正整数;
在步骤S305中,计算分片平均值,以得到样本集S5。具体地,可以依次处理每个分片,对每个分片中的数据计算平均值,使得每个分片仅有一个样本点,将经处理后的N个分片得到的样本点作为建模学习的样本集S5。
进一步,继续参考图2,执行操作s51,获取所述待检测数据的辅助变流器功率模块温度测量值(即真实值),并基于得到的样本数据和线性回归模型,执行操作s52,即训练和测试性能检测模型,对所述性能检测模型进行拟合,以确定所述性能检测模型的参数,得到描述动车组辅助变流器正常工作时的性能检测模型。
进一步,可以基于所述性能检测模型以及待检测数据中的性能指标影响因素信息进行辅助电气***性能检测,即执行操作s6,计算辅助变流器功率模块温度期望值。
具体实施时,可以按照所述性能检测模型的输入,得到相应的辅助变流器功率模块温度期望值需要说明的是,所述待检测数据是通过执行操作s43,即确定待检测数据得到的。
之后,可以执行操作s7,即计算得到偏差值及偏差值序列。具体而言,可以从对应辅助变流器传感器得到相应的功率模块温度(需要计算平均值)的实际值Tpm,计算偏差值以及由偏差值构成的偏差值序列。
进一步,可以对偏差值ΔT及其构成的偏差值序列进行分析:
(1)执行操作s8,如果偏差值ΔT超过阈值,表明动车组辅助变流器整体性能存在异常风险(例如性能超限),需要进行检修,排除故障或其他原因,则可以执行操作s81,发出性能超限预警;
(2)一并执行操作s9,如果偏差值序列发生了突变,表明动车组辅助变流器存在异常风险,例如发生了故障,需要进行检修和故障排除,则可以执行操作s91,发出性能突变预警;
(3)一并执行操作s10,如果偏差值序列形成趋势,表明动车组辅助变流器存在异常风险,发生了故障或性能在比较稳定的下降,需要密切关注并进行故障诊断,则可以执行操作s101,发出性能趋势预警,否则表明动车组辅助变流器处于正常运行状态,无需提前检修。
此外,还可以根据偏差值ΔT的大小对辅助变流器进行健康量化评估,为动车组的检修提供决策支持。
本领域技术人员理解,上述对偏差值ΔT及其构成的偏差值序列的分析过程可以并列执行,也可以顺序执行,在实际应用中,当执行操作s8发现性能存在异常风险时,可以停止执行操作s9和操作s10;或者,在执行操作s8和操作s9后发现性能存在异常风险时,可以停止执行操作s10,又或者,在执行操作s9和操作s10后发现性能存在异常风险时,可以停止执行操作s9。
由上,本发明实施例结合辅助变流器的工作原理和工作环境,充分利用动车组辅助变流器实际运行数据和分析技术,对辅助变流器的性能退化及早期故障进行了检测分析,优于现有动车组辅助变流器故障检测技术,能够为动车组辅助变流器的状态检修提供有力的支撑。此外,在数据分析建模过程中,只需要动车组辅助变流器正常运行数据构建训练样本,而不需要大量的故障样本,使得数据更加容易获取,不需要通过故障注入试验等获取模型训练数据,增加了本发明实施例的可操作性和可行性。
图4是本发明实施例的一种交通工具辅助电气***的性能检测装置的结构示意图。所述交通工具辅助电气***的性能检测装置4(以下简称为性能检测装置4)可以采用上述图1至图3所示方法对交通工具辅助电气***进行预测,并可以根据预测结果发出预警信号。
具体而言,所述性能检测装置4可以包括:第一获取模块41,用于从交通工具辅助电气***正常运行产生的历史数据中获取多个样本数据,其中,每个样本数据包括性能指标影响因素信息及其关联的性能指标值;训练模块42,用于利用所述性能指标影响因素信息及其关联的性能指标值,训练得到所述交通工具辅助电气***的性能检测模型;第二获取模块43,用于获取预设时间段内的待检测数据,所述待检测数据包括性能指标影响因素信息及其关联的性能指标值;计算模块44,基于所述待检测数据内的性能指标影响因素信息和所述性能检测模型,计算得到性能指标期望值;判断模块45,用于计算所述待检测数据内的性能指标值与所述性能指标期望值之间的偏差值,并基于所述偏差值判断所述交通工具辅助电气***在所述预设时间段内的性能是否出现异常。
在具体实施中,所述性能指标影响因素信息可以包括:所述交通工具辅助电气***中的辅助变流器的功率损耗、所述交通工具的运行速度和所述交通工具的室外温度。
在具体实施中,所述交通工具辅助电气***的性能指标值可以指的是所述交通工具辅助电气***中的辅助变流器功率模块温度。
在具体实施中,所述判断模块45可以包括:第一判断子模块451,如果所述性能指标期望值与所述待检测数据内的性能指标值之间的偏差值超过预设阈值,则所述第一判断子模块451用于判断所述交通工具辅助电气***在所述预设时间段内存在异常风险。
在具体实施中,所述待检测数据包括按照时间排布的多个数据点,所述判断模块45可以包括:第一计算子模块452,对于所述待检测数据,依次计算每个数据点的性能指标期望值与该数据点的性能指标值之间的偏差值,以得到按照时间排布的偏差值序列;第二判断子模块453,如果所述偏差值序列中的各个偏差值按照预设趋势排布,则所述第二判断子模块453用于判断所述交通工具辅助电气***在所述预设时间段内存在异常风险。
在具体实施中,所述待检测数据包括按照时间排布的多个数据点,所述判断模块45可以包括:第二计算子模块454,对于所述多个数据点,依次计算每个数据点的性能指标期望值与该数据点的性能指标值之间的偏差值,以得到按照时间排布的偏差值序列;第三判断子模块455,如果所述偏差值序列中具有突变偏差值,则所述第三判断子模块455判断所述交通工具辅助电气***在所述预设时间段内存在异常风险。
在具体实施中,所述训练模块42可以包括:拟合子模块421,基于线性回归模型,拟合得到所述性能指标影响因素信息及其关联的性能指标值之间的函数关系式的参数;代入子模块422,用于将所述参数代入所述函数关系式,以得到所述交通工具辅助电气***的性能检测模型。
在具体实施中,所述历史数据包括按时间排布的多个数据点,每个数据点携带的信息包括交通工具运行速度,所述第一获取模块41可以包括:第一生成子模块411,对于所述交通工具辅助电气***正常运行产生的历史数据,将其中满足预设运行速度条件的历史数据作为候选历史数据;分片子模块412,用于将所述候选历史数据按照预设时间进行分片,以得到多个分片数据;第二生成子模块413,对于所述多个分片数据中的每个分片数据,将包含数据点数量超出预设数量的分片数据作为备选分片数据,以得到备选分片数据集;第三生成子模块414,对于所述备选分片数据集,计算每个备选分片数据的平均值,以得到所述多个样本数据。
关于所述性能检测装置4的工作原理、工作方式的更多内容,可以一并参照上述图1至图3所示实施例中的相关描述,这里不再赘述。
进一步地,本发明实施例还公开一种存储介质,其上存储有计算机指令,所述计算机指令运行时执行上述图1至图3所示实施例中所述方法技术方案。优选地,所述存储介质可以包括诸如非挥发性(non-volatile)存储器或者非瞬态(non-transitory)存储器等计算机可读存储介质。所述计算机可读存储介质可以包括ROM、RAM、磁盘或光盘等。
进一步地,本发明实施例还公开一种终端,包括存储器和处理器,所述存储器上存储有能够在所述处理器上运行的计算机指令,所述处理器运行所述计算机指令时执行上述图1至图3所示实施例中所述方法技术方案。具体而言,所述终端可以为具有辅助电气***的交通工具,例如动车组。
虽然本发明披露如上,但本发明并非限定于此。任何本领域技术人员,在不脱离本发明的精神和范围内,均可作各种更动与修改,因此本发明的保护范围应当以权利要求所限定的范围为准。
Claims (8)
1.一种交通工具辅助电气***的性能检测方法,其特征在于,包括:
从交通工具辅助电气***正常运行产生的历史数据中获取多个样本数据,其中,每个样本数据包括性能指标影响因素信息及其关联的性能指标值;
利用所述性能指标影响因素信息及其关联的性能指标值,训练得到所述交通工具辅助电气***的性能检测模型;
获取预设时间段内的待检测数据,所述待检测数据包括性能指标影响因素信息及其关联的性能指标值;
基于所述待检测数据内的性能指标影响因素信息和所述性能检测模型,计算得到性能指标期望值;
计算所述待检测数据内的性能指标值与所述性能指标期望值之间的偏差值,并基于所述偏差值判断所述交通工具辅助电气***在所述预设时间段内的性能是否出现异常;
所述历史数据包括按时间排布的多个数据点,每个数据点携带的信息包括交通工具运行速度,所述从交通工具辅助电气***正常运行产生的历史数据中获取多个样本数据包括:
对于所述交通工具辅助电气***正常运行产生的历史数据,将其中满足预设运行速度条件的历史数据作为候选历史数据;
将所述候选历史数据按照预设时间进行分片,以得到多个分片数据;
对于所述多个分片数据中的每个分片数据,将包含数据点数量超出预设数量的分片数据作为备选分片数据,以得到备选分片数据集;
对于所述备选分片数据集,计算每个备选分片数据的平均值,以得到所述多个样本数据;
其中,所述性能指标影响因素信息包括:所述交通工具辅助电气***中的辅助变流器的功率损耗、所述交通工具的运行速度和所述交通工具的室外温度;所述交通工具辅助电气***的性能指标值指的是所述交通工具辅助电气***中的辅助变流器功率模块温度。
2.根据权利要求1所述的性能检测方法,其特征在于,所述基于所述偏差值判断所述交通工具辅助电气***在所述预设时间段内的性能是否出现异常包括:
如果所述性能指标期望值与所述待检测数据内的性能指标值之间的偏差值超过预设阈值,则判断所述交通工具辅助电气***在所述预设时间段内存在异常风险。
3.根据权利要求1所述的性能检测方法,其特征在于,所述待检测数据包括按照时间排布的多个数据点,所述计算所述待检测数据内的性能指标值与所述性能指标期望值之间的偏差值,并基于所述偏差值判断所述交通工具辅助电气***在所述预设时间段内的性能是否出现异常包括:
对于所述待检测数据,依次计算每个数据点的性能指标期望值与该数据点的性能指标值之间的偏差值,以得到按照时间排布的偏差值序列;
如果所述偏差值序列中的各个偏差值按照预设趋势排布,则判断所述交通工具辅助电气***在所述预设时间段内存在异常风险。
4.根据权利要求1所述的性能检测方法,其特征在于,所述待检测数据包括按照时间排布的多个数据点,所述计算所述待检测数据内的性能指标值与所述性能指标期望值之间的偏差值,并基于所述偏差值判断所述交通工具辅助电气***在所述预设时间段内的性能是否出现异常包括:
对于所述多个数据点,依次计算每个数据点的性能指标期望值与该数据点的性能指标值之间的偏差值,以得到按照时间排布的偏差值序列;
如果所述偏差值序列中具有突变偏差值,则判断所述交通工具辅助电气***在所述预设时间段内存在异常风险。
5.根据权利要求1所述的性能检测方法,其特征在于,所述利用所述性能指标影响因素信息及其关联的性能指标值,训练得到所述交通工具辅助电气***的性能检测模型包括:
基于线性回归模型,拟合得到所述性能指标影响因素信息及其关联的性能指标值之间的函数关系式的参数;
将所述参数代入所述函数关系式,以得到所述交通工具辅助电气***的性能检测模型。
6.一种交通工具辅助电气***的性能检测装置,其特征在于,包括:
第一获取模块,适于从交通工具辅助电气***正常运行产生的历史数据中获取多个样本数据,其中,每个样本数据包括性能指标影响因素信息及其关联的性能指标值;
训练模块,适于利用所述性能指标影响因素信息及其关联的性能指标值,训练得到所述交通工具辅助电气***的性能检测模型;
第二获取模块,适于获取预设时间段内的待检测数据,所述待检测数据包括性能指标影响因素信息及其关联的性能指标值;
计算模块,适于基于所述待检测数据内的性能指标影响因素信息和所述性能检测模型,计算得到性能指标期望值;
判断模块,适于计算所述待检测数据内的性能指标值与所述性能指标期望值之间的偏差值,并基于所述偏差值判断所述交通工具辅助电气***在所述预设时间段内的性能;
所述历史数据包括按时间排布的多个数据点,每个数据点携带的信息包括交通工具运行速度,所述第一获取模块对于所述交通工具辅助电气***正常运行产生的历史数据,将其中满足预设运行速度条件的历史数据作为候选历史数据;
将所述候选历史数据按照预设时间进行分片,以得到多个分片数据;
对于所述多个分片数据中的每个分片数据,将包含数据点数量超出预设数量的分片数据作为备选分片数据,以得到备选分片数据集;
对于所述备选分片数据集,计算每个备选分片数据的平均值,以得到所述多个样本数据;
其中,所述性能指标影响因素信息包括:所述交通工具辅助电气***中的辅助变流器的功率损耗、所述交通工具的运行速度和所述交通工具的室外温度;所述交通工具辅助电气***的性能指标值指的是所述交通工具辅助电气***中的辅助变流器功率模块温度。
7.一种存储介质,其上存储有计算机指令,其特征在于,所述计算机指令运行时执行权利要求1至5任一项所述的方法的步骤。
8.一种终端,包括存储器和处理器,所述存储器上存储有可在所述处理器上运行的计算机指令,其特征在于,所述处理器运行所述计算机指令时执行权利要求1至5任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910655325.6A CN112241511B (zh) | 2019-07-19 | 2019-07-19 | 交通工具辅助电气***的性能检测方法及装置、终端 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910655325.6A CN112241511B (zh) | 2019-07-19 | 2019-07-19 | 交通工具辅助电气***的性能检测方法及装置、终端 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112241511A CN112241511A (zh) | 2021-01-19 |
CN112241511B true CN112241511B (zh) | 2024-05-14 |
Family
ID=74167593
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910655325.6A Active CN112241511B (zh) | 2019-07-19 | 2019-07-19 | 交通工具辅助电气***的性能检测方法及装置、终端 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112241511B (zh) |
Citations (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101051469A (zh) * | 2006-04-03 | 2007-10-10 | 希捷科技有限公司 | 补偿热辅助磁性记录中的静态磁头-介质间距变化和非线性转换位移的影响 |
CN102567205A (zh) * | 2012-01-05 | 2012-07-11 | 铁道部运输局 | 列车网络控制软件仿真测试***及仿真测试装置 |
CN102880170A (zh) * | 2012-10-08 | 2013-01-16 | 南京航空航天大学 | 基于基线模型和贝叶斯因子的***故障早期预警方法 |
CN102879680A (zh) * | 2012-09-26 | 2013-01-16 | 中南大学 | 轨道交通车辆装备通用检测及故障诊断方法及*** |
CN103226185A (zh) * | 2013-03-26 | 2013-07-31 | 同济大学 | 一种基于谐波监测的变流器功率模块在线故障诊断方法 |
CN103234753A (zh) * | 2013-04-11 | 2013-08-07 | 华北电力大学 | 基于高斯过程建模的风电机组轴系状态监测方法 |
CN103502088A (zh) * | 2011-05-13 | 2014-01-08 | 川崎重工业株式会社 | 电动摩托车、交通工具控制装置及交通工具控制方法 |
CN104340372A (zh) * | 2013-07-31 | 2015-02-11 | 上海杰之能信息科技有限公司 | 机载辅助动力装置性能的监测方法、装置及监测服务器 |
CN205477853U (zh) * | 2016-04-06 | 2016-08-17 | 陈明福 | 一种汽车三元催化器监控*** |
CN205670237U (zh) * | 2016-06-02 | 2016-11-02 | 北京交通大学 | 一种轨道交通车辆牵引变流器监控*** |
CN107826118A (zh) * | 2017-11-01 | 2018-03-23 | 南京阿尔特交通科技有限公司 | 一种判别异常驾驶行为的方法及装置 |
CN108304941A (zh) * | 2017-12-18 | 2018-07-20 | 中国软件与技术服务股份有限公司 | 一种基于机器学习的故障预测方法 |
WO2018190718A2 (en) * | 2017-04-13 | 2018-10-18 | Rail Innovators Holding B.V. | Power system and associated methods |
CN108702113A (zh) * | 2014-06-13 | 2018-10-23 | 日本精工株式会社 | 电动机控制装置及搭载了该电动机控制装置的电动助力转向装置 |
CN109061224A (zh) * | 2018-05-08 | 2018-12-21 | 株洲科盟车辆配件有限责任公司 | 列车车轴监测方法、装置和*** |
CN109186813A (zh) * | 2018-10-23 | 2019-01-11 | 株洲中车时代电气股份有限公司 | 一种温度传感器自检装置及方法 |
CN109558295A (zh) * | 2018-11-15 | 2019-04-02 | 新华三信息安全技术有限公司 | 一种性能指标异常检测方法及装置 |
CN109581125A (zh) * | 2018-12-25 | 2019-04-05 | 北京金风科创风电设备有限公司 | 风电变流器功率模块的寿命检测方法和装置、存储介质 |
CN109615121A (zh) * | 2018-11-27 | 2019-04-12 | 西安理工大学 | 基于数据驱动支持向量机的高速列车车轴温度预测方法 |
CN109641603A (zh) * | 2017-07-19 | 2019-04-16 | 株式会社东芝 | 异常检测装置、异常检测方法和计算机程序 |
CN109752651A (zh) * | 2017-11-03 | 2019-05-14 | 株洲中车时代电气股份有限公司 | 一种牵引电机超温故障预测的方法及*** |
CN109878534A (zh) * | 2019-02-22 | 2019-06-14 | 初速度(苏州)科技有限公司 | 一种车辆的控制方法、模型的训练方法和装置 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130231798A1 (en) * | 2012-03-02 | 2013-09-05 | Mark A. Zurawski | Method to operate a powertrain by comparing historical to actual ambient operating conditions |
CN109146093B (zh) * | 2018-08-08 | 2020-08-11 | 成都保源酷码科技有限公司 | 一种基于学习的电力设备现场勘查方法 |
-
2019
- 2019-07-19 CN CN201910655325.6A patent/CN112241511B/zh active Active
Patent Citations (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101051469A (zh) * | 2006-04-03 | 2007-10-10 | 希捷科技有限公司 | 补偿热辅助磁性记录中的静态磁头-介质间距变化和非线性转换位移的影响 |
CN103502088A (zh) * | 2011-05-13 | 2014-01-08 | 川崎重工业株式会社 | 电动摩托车、交通工具控制装置及交通工具控制方法 |
CN102567205A (zh) * | 2012-01-05 | 2012-07-11 | 铁道部运输局 | 列车网络控制软件仿真测试***及仿真测试装置 |
CN102879680A (zh) * | 2012-09-26 | 2013-01-16 | 中南大学 | 轨道交通车辆装备通用检测及故障诊断方法及*** |
CN102880170A (zh) * | 2012-10-08 | 2013-01-16 | 南京航空航天大学 | 基于基线模型和贝叶斯因子的***故障早期预警方法 |
CN103226185A (zh) * | 2013-03-26 | 2013-07-31 | 同济大学 | 一种基于谐波监测的变流器功率模块在线故障诊断方法 |
CN103234753A (zh) * | 2013-04-11 | 2013-08-07 | 华北电力大学 | 基于高斯过程建模的风电机组轴系状态监测方法 |
CN104340372A (zh) * | 2013-07-31 | 2015-02-11 | 上海杰之能信息科技有限公司 | 机载辅助动力装置性能的监测方法、装置及监测服务器 |
CN108702113A (zh) * | 2014-06-13 | 2018-10-23 | 日本精工株式会社 | 电动机控制装置及搭载了该电动机控制装置的电动助力转向装置 |
CN205477853U (zh) * | 2016-04-06 | 2016-08-17 | 陈明福 | 一种汽车三元催化器监控*** |
CN205670237U (zh) * | 2016-06-02 | 2016-11-02 | 北京交通大学 | 一种轨道交通车辆牵引变流器监控*** |
WO2018190718A2 (en) * | 2017-04-13 | 2018-10-18 | Rail Innovators Holding B.V. | Power system and associated methods |
CN109641603A (zh) * | 2017-07-19 | 2019-04-16 | 株式会社东芝 | 异常检测装置、异常检测方法和计算机程序 |
CN107826118A (zh) * | 2017-11-01 | 2018-03-23 | 南京阿尔特交通科技有限公司 | 一种判别异常驾驶行为的方法及装置 |
CN109752651A (zh) * | 2017-11-03 | 2019-05-14 | 株洲中车时代电气股份有限公司 | 一种牵引电机超温故障预测的方法及*** |
CN108304941A (zh) * | 2017-12-18 | 2018-07-20 | 中国软件与技术服务股份有限公司 | 一种基于机器学习的故障预测方法 |
CN109061224A (zh) * | 2018-05-08 | 2018-12-21 | 株洲科盟车辆配件有限责任公司 | 列车车轴监测方法、装置和*** |
CN109186813A (zh) * | 2018-10-23 | 2019-01-11 | 株洲中车时代电气股份有限公司 | 一种温度传感器自检装置及方法 |
CN109558295A (zh) * | 2018-11-15 | 2019-04-02 | 新华三信息安全技术有限公司 | 一种性能指标异常检测方法及装置 |
CN109615121A (zh) * | 2018-11-27 | 2019-04-12 | 西安理工大学 | 基于数据驱动支持向量机的高速列车车轴温度预测方法 |
CN109581125A (zh) * | 2018-12-25 | 2019-04-05 | 北京金风科创风电设备有限公司 | 风电变流器功率模块的寿命检测方法和装置、存储介质 |
CN109878534A (zh) * | 2019-02-22 | 2019-06-14 | 初速度(苏州)科技有限公司 | 一种车辆的控制方法、模型的训练方法和装置 |
Non-Patent Citations (4)
Title |
---|
《Temperature dependence of a rectified permanent magnet traction generator》;M.Neubauer 等;《2014 International Conference on Electrical Machines (ICEM)》;20140905;303-309 * |
《中国标准化动车组辅助供电***故障的分析处理》;梁开源 等;《第十三届中国智能交通年会大会论文集》;20181231;765-774 * |
《基于任务剖面的高速动车组牵引变流器功率器件寿命评估》;田子思;《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》;20181015(第10期);C033-192 * |
《基于动车组轴温预报预警模型研究》;赵春阳 等;《中国设备工程》;20180731(第14期);154-155 * |
Also Published As
Publication number | Publication date |
---|---|
CN112241511A (zh) | 2021-01-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103115789B (zh) | 金属结构损伤剩余寿命的第二代小波支持向量机评估方法 | |
EP2989705B1 (en) | Method and apparatus for defect pre-warning of power device | |
CN111898669B (zh) | 一种基于机器学习的直流矿热炉异常事件预警*** | |
CN102252843B (zh) | 一种滚动轴承性能变异的评估方法 | |
CN112036581B (zh) | 交通工具空调***的性能检测方法及装置、存储介质、终端 | |
WO2009005810A1 (en) | System and method for predictive maintenance of a battery assembly using temporal signal processing | |
CN110837718B (zh) | 道岔故障检测方法、装置、电子设备及存储介质 | |
CN112179691A (zh) | 基于对抗学习策略的机械装备运行状态异常检测***和方法 | |
CN110469461B (zh) | 一种风机齿带的断裂预估方法、其装置及可读存储介质 | |
CN112115618A (zh) | 一种基于矩阵图及置信度的电力设备故障诊断方法及*** | |
CN112782614A (zh) | 一种基于多信息融合的变流器的故障预警方法及装置 | |
CN111950822B (zh) | 交通工具牵引变压器冷却***的性能检测方法及装置、存储介质、终端 | |
CN112241511B (zh) | 交通工具辅助电气***的性能检测方法及装置、终端 | |
CN103364669B (zh) | Gis设备运行状态在线检测方法与*** | |
CN117031201A (zh) | 一种配电网多场景拓扑异常识别方法及*** | |
CN112782499B (zh) | 一种基于多信息融合的变流器的状态评估方法及装置 | |
CN116933108A (zh) | 变电站设备运行状态监测方法、***、设备及存储介质 | |
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 | |
US11339763B2 (en) | Method for windmill farm monitoring | |
CN115758066A (zh) | 一种统计变压器全寿命周期内碳排放量的方法 | |
CN109765878A (zh) | 新能源汽车can总线网络故障的辅助分析方法 | |
KR20230102431A (ko) | 인공지능 기반의 오일가스 플랜트 설비 고장 예측 및 진단시스템 | |
Baraldi et al. | A procedure for practical prognostics and health monitoring of fully electric vehicles for enhanced safety and reliability | |
CN109828146A (zh) | 一种通过设备电参数ad采样判断设备工况的方法 | |
CN112083340A (zh) | 蓄电池组性能检测方法及装置、存储介质、终端 |
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 |