CN112597581A - 一种基于时空融合决策的高速列车温度异常检测方法 - Google Patents
一种基于时空融合决策的高速列车温度异常检测方法 Download PDFInfo
- Publication number
- CN112597581A CN112597581A CN202011281777.1A CN202011281777A CN112597581A CN 112597581 A CN112597581 A CN 112597581A CN 202011281777 A CN202011281777 A CN 202011281777A CN 112597581 A CN112597581 A CN 112597581A
- Authority
- CN
- China
- Prior art keywords
- temperature
- time
- speed train
- abnormal
- space
- 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.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/15—Vehicle, aircraft or watercraft design
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
- G06F2119/08—Thermal analysis or thermal optimisation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Hardware Design (AREA)
- Health & Medical Sciences (AREA)
- Aviation & Aerospace Engineering (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Automation & Control Theory (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明公开了一种基于时空融合决策的高速列车温度异常检测方法。通过将时间维度轴温异常检测模型与空间维度轴温异常检测模型融合,并结合D‑S证据理论对高速列车车辆部件温度异常情况进行基于时空融合的检测。本发明利用D‑S证据理论将时间与空间两个维度的温度异常检测模型进行结合,既能降低虚警率,又能保证较大的提前预警量,实现了对时间、空间维度模型的“扬长避短”。
Description
技术领域
本发明涉及一种高速列车温度异常检测方法,属于一类高速列车运行过程 温度异常预测领域,是基于深度学习的高速列车运行过程温度异常检测方法。
背景技术
高速列车温度预测方法是在高速列车行驶过程中依据若干个传感器采集到 的原始信号传输至计算机,通过对原始信号进行一系列的信号处理,从而建立 起与温度实时预测的映射关系,最后通过智能温度预测算法来预测当前时间后 一段时间的车辆部件温度,并以此作为异常状态判别的依据。
当前高速列车车载智能运维***主要是对温度的一个监测,利用制定相应 的逻辑规则与温度阈值实现车辆部件状态辨识,这种方法能够避免发生重大安 全事故,但是一旦发生此类报警则意味着部件出现重大损伤,车辆运行事故发 生,无法做到对部件温度进行早期的异常检测以及故障定位并发出预警。
近年来利用温度数据对高速列车温度异常检测提供了丰富的思路与方法,但 仍然存在难以实现车载智能运维***温度异常升高预警的缺陷。由于高速列车 车辆部件温度数据在空间维度与时间维度上有着强大的相关性,因此寻找一种 能够反应温度数据空间维度与时间维度之间内在关联的车辆部件温度异常检测 机制,十分重要。
发明内容
本发明为了克服现有技术中对车辆部件温度异常检测的不足,提出了一种 基于时空对比的高速列车车辆部件温度异常检测方法,通过将时间维度车辆部 件温度异常检测模型与空间维度车辆部件温度异常检测模型融合,并利用D-S 证据理论将时间与空间两个维度的温度异常检测模型进行结合,通过兼顾时间 空间两个维度的优点建立起一种基于时空融合决策的高速列车车辆部件温度异 常检测方法,从而实现对高速列车车辆部件温度异常的准确判断。
为了实现上述发明目的,本发明的技术方案具体包括以下技术步骤:
一种基于时空融合决策的高速列车温度异常检测方法,其特征在于,包括 如下步骤:
步骤1、构建基于空间维度的高速列车车辆部件温度异常检测模型;
步骤2、构建基于时间维度的高速列车车辆部件温度异常检测模型;
步骤3、基于步骤1和步骤2中所述异常检测模型构建基于时空融合决策的 高速列车车辆部件温度异常检测模型用于判断高速列车车辆部件的温度是否异 常;其中,所述车辆部件包括齿轮箱、轴承、电机中的一个或多个。
优选地,所述构建基于空间维度的高速列车车辆部件温度异常检测模型具 体包括:
步骤A:利用滑动窗口对所述车辆部件的同类测点每一时刻历史邻域区间 内的温度数据进行多次采样,获取最大值、最小值、峰值、峰-峰值、均值、方 差、均方值、均方幅值、方根幅值、平均幅值、峰值、波形、脉冲、裕度、峭 度15维时域特征,建立各时刻的特征空间,其中,所述同类测点是指同一车辆 上所述车辆部件的空间位置相同的温度测点;
步骤B:利用主成分分析方法(PCA)对所述15维时域特征数据降维取其 第一主成分,保留最能表征数据特点的一部分信息,去除存在的冗余信息;
步骤C:将经过所述PCA处理后的时域特征信息通过K-means聚类将温度 时域特征第一主成分聚为正常与异常两类,从而实现同类测点间异常温升的诊 断与定位得到一级异常检测结果;
步骤D:构建高速列车车辆部件异常温升决策模型对所述一级异常检测结 果进行二次判定得到二级异常检测结果。
其中,步骤D中构建的高速列车车辆部件异常温升决策模型具体包括:
步骤1):将所述车辆部件温度环境划分为低、中、高三个温区;并将每个 温区按照持续时长划分为短时、中时、长时三个连续条件;在短时连续条件下 设置方差增幅大、方差小和方差大三个判据,中、长时连续条件下设置方差小 和方差大两个判据,并将所述PCA处理后的第一主成分方差值作为离群程度的 度量指标;
步骤2):基于专家经验确定所述步骤1)中设置的每一个判据的权重分值, 所述权重分值与危险程度成正比,当所述三个温区中任意一个温区的判据权重 分值的总和大于设定阈值后则判定该时刻温升状态属于故障温升,从而构建出 车辆部件异常温升的初始模型;
步骤3):基于步骤2构建的车辆部件异常温升的初始模型,利用AHP-熵 值法对所述初始模型进行优化,获得高速列车车辆部件异常温升决策模型。
优选地,所述构建基于时间维度的高速列车车辆部件温度异常检测模型具 体包括:
步骤A:采集高速列车历史履历数据,其中所述历史履历数据包括高速列 车车辆部件的同类测点温度数据以及高速列车运行过程中的多种工况数据;
步骤B:通过随机森林算法从所述工况数据中筛选出有利于车辆部件温度预 测的敏感数据,筛除与车辆部件温度变化关联性较弱的数据;
步骤C:构建车辆部件温度预测模型;将所述敏感数据和所述温度数据组成 输入矩阵Xt,将所述输入矩阵Xt输入至双向长短时记忆神经网络中,并输出下 一时刻的温度预测值;其中,所述双向长短时记忆神经网络中的学习率设置为 0.0005,双向长短时记忆神经网络的隐层节点数为64,整个网络结构设置两层 双向长短时记忆神经网络结构,Dropout层的丢失比例设置为0.5,批量设置为 100,最大迭代次数设置为600次,优化器选择Adam梯度优化;
步骤D:根据所述温度预测值与实际监测值之间的残差构建高速列车车辆 部件温度异常预警策略。
优选地,所述构建基于时空融合决策的高速列车车辆部件温度异常检测模 型具体包括:
步骤A:构造高速列车车辆部件温度异常辨识框架Θ={A1,A2,A3};其中,A1、 不A2、A3分别代表正常、不确定和故障三种状态;
步骤B:构造高速列车车辆部件温度异常证据体与基本概率分配函数;将所 述空间维度的高速列车车辆部件温度异常检测模型与所述时间维度的高速列车 车辆部件温度异常检测模型的各自输出作为两个独立的证据体,计算两个维度 证据体的基础概率分配函数,其中,计算公式如下:
式中,i=1,2,3,ri为不同长度历史邻域区间内的平均偏离程度,空间维 度下即为同类测点温度的方差均值,时间维度下即为预测值与实际值的残差均 值;
步骤C:证据融合;将所述证据体对应的基本概率分配函数通过Dempster组 合规则进行组合,得到新的基本概率分配函数,为基于时空对比融合决策的高 速列车车辆部件温度异常诊断提供依据;
步骤D:决策诊断;获得所述证据融合的结果后,若存在m(Ai)=max{m(A)} 且i≠2,并满足:
则判定Ai为最终决策结果;式中ε1、ε2为设定阈值,此处设为ε1=0.1,ε2=0.3; 根据所述最终决策结果判断高速列车车辆部件温度是否异常。
与现有技术相比,本发明将正常情况下同类测点车辆部件工况的相似性与 故障部件温升的离群特性作为出发点,使用K-means聚类定位异常温升测点, 实现了无历史训练模型的车辆部件温度在线异常检测;在车辆部件异常温升检 测模型的基础上,本发明提出一种基于AHP-熵值法优化的异常温升决策模型来 对车辆部件温度异常检测结果进行二次判别,在针对故障温度数据的判别准确 率方面,本发明提出的一、二级异常检测均能保证100%准确率,针对存在疑似 故障温升的两组正常温度数据,本发明提出的决策模型极大程度消除了异常检 测模型对疑似故障温升的高频误判;在高速列车运行过程中,已有的车载智能 运维***通过利用绝对温度阈值与单位时间温升阈值来实现行车过程中的温度报警,但在触发此类报警条件的同时,列车往往已经发生了故障甚至运营事故, 无法为事故防范提供时间余量。本发明利用所构建的双向长短时记忆神经网络 能够有效地预测出当前时刻后1min的预测温度值;本发明克服了当前车辆部件 温度异常检测维度单一,诊断结果不够全面准确。通过随机森林算法有目的性 的选择出特征比重较高的温度敏感信息,避免冗余信息过多、减少特征空间维 度、降低分析成本、提高整体模型准确率;本发明通过利用一列高速列车同类 测点间温度变化趋势同步且近似的思想,将同类测点温度数据也作为模型数据 输入。同时考虑到若将目标测点温度数据也作为模型输入,则会由于存在异常 温升数据段训练模型导致预测结果也会出现异常温升数据段,不利于温度异常 点的找寻,因此本发明筛除目标测点的温度数据,避免因预测温度不符合正常 温升规律而最终导致无法准确辨识异常温升;本发明采用双向长短时记忆神经 网络训练的模型预测精度明显高于普通长短时记忆神经网络模型精度,克服了 普通长短时记忆神经网络在处理时间序列数据上单向传递的局限性,利用双向 长短时记忆神经网络有效的弥补了这一缺陷,说明了从正、反两个时序方向同 时挖掘车辆部件温度变化的规律信息更有助于温度预测降低;本发明主要从面 相诊断的角度,希望对于正常车辆部件,预测值和实际值的差异在一个较小的 范围内稳定波动,而对于异常车辆部件,预测值和实际值的差异显著且具有持续性,能够正确的找到异常点;本发明利用残差结合相关判据策略作为部件异 常温升预警的准则;本发明利用D-S证据理论实现基于AHP-熵值法优化决策的 异常检测模型(空间维度)与基于BiLSTM预测的异常检测模型(时间维度) 两个模型的融合决策;本发明相较于单独采用时间或者空间维度模型诊断所出 现误判测点在证据融合后得以消除,最终故障确诊结果与对应实际状态相符, 且能够较早地做出故障预警反应,为行车策略调整提供参考依据,从而更有效 地避免运营事故的发生。
附图说明:
图1为本发明空间维度高速列车轴承温度异常检测方法;
图2为同类轴承特征第一主成分分布图;
图3为高速列车轴承异常温升特点图;
图4为高速列车轴承异常温升初始决策模型;
图5为基于AHP-熵值法的优化决策模型;
图6为轴承异常温升决策层次结构模型;
图7为误判实例图;
图8为本发明时间维度高速列车轴承温度异常检测方法;
图9为轴承温度测点位置分布图;
图10为各类测点信息相对轴承温度重要性排序图;
图11为基于双向长短时记忆神经网络的轴承温度预测模型;
图12为列车1故障温升状态图;
图13为列车2故障温升状态图;
图14为列车3故障温升状态图;
图15为列车1轴承温度预测绝对误差分布图;
图16为列车2轴承温度预测绝对误差分布图;
图17为列车3轴承温度预测绝对误差分布图;
图18为列车1故障当天故障测点预测结果;
图19为列车2故障当天故障测点预测结果;
图20为列车3故障当天故障测点预测结果;
图21为面向时间-空间维度的高速列车轴温异常检测方法;
图22为时空对比证据融合决策流程图;
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合附图, 对本发明实施例中的技术方案进行清楚、完整的描述。显然,所描述的实施例 是本发明的一部分实施例,而不是全部的实施例。
因此,以下对本发明的实施例的详细描述并非旨在限制要求保护的本发明 的范围,而是仅仅表示本发明的部分实施例。基于本发明中的实施例,本领域 普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于 本发明保护的范围。
需要说明的是,在不冲突的情况下,本发明中的实施例及实施例中的特征 和技术方案可以相互组合。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某 一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解 释。
在本发明的描述中,需要说明的是,术语“上”、“下”等指示的方位或 位置关系为基于附图所示的方位或位置关系,或者是该发明产品使用时惯常摆 放的方位或位置关系,或者是本领域技术人员惯常理解的方位或位置关系,这 类术语仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或 元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发 明的限制。此外,术语“第一”、“第二”等仅用于区分描述,而不能理解为 指示或暗示相对重要性。
本发明针对车辆部件提出了一种基于时空融合决策的高速列车温度异常检 测方法,示例性地,本发明在具体实施例中给出了以轴承作为检测对象,然而 本发明针对的检测对象并不局限于轴承,对于高速列车的其他车辆部件,例如 齿轮箱、电机而言,同样适用于本发明提出的检测方法。
具体地,针对基于空间维度的高速列车轴承温度异常检测模型构建过程如 附图1所示。由于同一车辆上的四根车轴相同位置的温度测点所处的各类工况 条件相近,因此可将其视为同类测点。以同类测点温升趋势的一致性与故障测 点温升趋势的离群现象为基础,采用聚类诊断方法构建无需历史数据训练的轴 承温度异常检测模型。利用滑动窗口对同类测点每一时刻历史邻域区间内的轴 承温度数据进行多次采样,获取最大值、最小值、峰值、峰-峰值、均值、方差、 均方值、均方幅值、方根幅值、平均幅值、峰值、波形、脉冲、裕度、峭度15 维时域特征,建立各时刻的特征空间,其中所述同类测点是指同一车辆上的四根车轴相同位置的温度测点。同样地,对于齿轮箱、电机而言,同样可以采用 上述方式获得相应温度测点的信息。由于15维时域特征空间存在一部分冗余信 息,利用主成分分析(PCA)方法对15维时域特征提取第一主成分,保留最能 表征数据特点的一部分信息,去除数据中的噪声和不重要的特征。如图2中显 示了同类轴承特征第一主成分分布,可见正常情况下同类测点温度特征第一主 成分彼此之间分布的都相对均匀,而异常情况下故障测点轴承的温度特征第一 主成分则相比于其他同类测点出现了明显的离群现象。随后,将经过PCA处理 后的时域特征信息通过K-means聚类将温度时域特征第一主成分聚为正常与异常两类,若聚类结果存在孤立类,既能通过分离正常数据与异常数据判断同类 测点中故障轴承的位置,通过判别是否存在孤立类从而实现同类测点间异常温 升的诊断与定位的一级异常检测结果。
复杂的诱因赋予了轴承温度状态更多的不确定性,因而导致轴承正常状态 下的监测数据中存在较多疑似故障的异常温升现象,若直接利用上述异常检测 结果来进行轴承故障辨识,势必会存在较多的虚警情况,所以需要对一级异常 检测结果进行进一步的优化修正。
如图3所示的,基于现象,轴承异常温升普遍存在三种特点:(1)短时间 内温度骤升,偏离程度增幅较大;(2)一段时间内持续存在偏离现象,偏离程 度较小;(3)一段时间内持续存在偏离现象,偏离程度较大。将上述三个异常 温升状态特征作为判据基础来制定异常温升初始决策模型,初始决策模型基本 结构如图4所示。首先,按照不同轴承温度环境划分为低、中、高三个温区, 且考虑到不同测点工况条件的差异,对每一类测点设定不同的温区划分阈值。 根据异常温升特点,每个温区按照持续时长划分为短时、中时、长时三个连续条件,将前述PCA处理得到的第一主成分方差值作为离群程度的度量指标。短 时连续条件下设置方差增幅大、方差小和方差大三个判据,中、长时连续条件 下设置方差小和方差大两个判据。由于同种判据在不同温区和连续条件下通常 代表着不同严重程度的异常状态,因此相应的判别参数也应有所不同。再采用 评分制作为初始决策模型结果的表现形式,对上述每个判据都设置各自的权重 分值,不同温区的同种判据分值也因工况条件的差异而有所不同,数值与危险 程度成正比,当三个温区中任意一个温区的判据权重分值的总和大于设定阈值 后则判定该时刻温升状态属于故障温升。具体地,通过对5名专家进行问卷调查,分别对21个温升状态指标的危险程度进行0-15分的评分与报警阈值的设定, 并将各项平均值的四舍五入整数位数值作为初步拟定的打分结果。分值高低与 危险程度正相关即分值越高越危险,其具体计算结果如下表所示:
对于齿轮箱、电机而言,采用与上述同样的方法获取相应部件的异常温升 的初始模型。
随后,如附图5中所示的,基于AHP-熵值法对前述的初始决策模型进行优 化,构建出高速列车轴承异常温升决策模型。具体地,根据初始决策模型与层 次化原则,构建了如图6所示的轴承异常温升决策层次结构模型。然后基于上 述层次结构模型各层阶数、标度规则以及本领域专家的综合考量意见确定*** 层与指标层判断矩阵,并根据AHP方法获得判断矩阵的***层权重、指标层权 重以及总权重。由于层次分析法确定的判断矩阵具有较强的主观性,本发明通 过熵值法对判断矩阵权重进行修正,采用某型高速列车轴温故障数据,采样频 率1次/min,共计2629个采样点的各离群指标值作为熵值法输入样本,通过 上述熵值法所述步骤计算各指标的熵值与熵权,最后通过AHP-熵值法组合权重 计算公式对层次分析法得到的主观权重进行修正,以此求得各温升状态指标对 目标层的组合权重。
具体地,通过层次结构模型各层阶数、标度规则以及本领域专家的综合考 量意见得到***层判断矩阵以及权重计算结果见表3,通过层次分析法计算得到 判断矩阵最大特征根λmax=3.014,根据层次分析法计算可得一致性指标CI=0.007、 随机一致性指标CR=0.012<0.10,通过一致性检验。
通过层次结构模型各层阶数、标度规则以及本领域专家的综合考量意见得 到的各指标层判断矩阵以及权重计算结果见下表所示。同理,根据层次分析法 计算得出低温区指标判断矩阵最大特征根λmax=7.316,一致性指标CI=0.053、随 机一致性指标CR=0.040<0.10;中温区指标判断矩阵最大特征根λmax=7.592,一致 性指标CI=0.099、随机一致性指标CR=0.075<0.10;高温区指标判断矩阵最大特 征根λmax=7.715,一致性指标CI=0.119、随机一致性指标CR=0.090<0.10。可知各 指标层判断矩阵均通过一致性检验。
为了保证权重计算的客观性,采用某型高速列车轴承温度故障数据,把一 节车辆上每个轴承运行一天的轴温监测数据定义为一个样本,采样频率1次 /min。该测试实验集由934节车辆数据组成,包含930节轴承正常状态车辆(从 不同列车中抽取部分车辆组合而成)和4节轴承故障状态车辆(其中1节车辆 用于前述熵值调整所用,其余3节为新增故障车辆)。每节车有4个同种类型 轴承,即每种类型轴承的测试样本总数都为3736。
共计2629个采样点的各离群指标值作为熵值法输入样本,并计算各指标的 熵值与熵权,将熵权结合组合权重计算公式对层次分析法权重进行调整,求得 各温升状态指标对目标层的组合权重,如下表所示。
利用AHP-熵值法组合权重对初始决策模型各温升状态指标分值进行加权 修正,分值取四舍五入整数位,最终的决策模型指标分值如下表所示。
采用本发明的空间维度的高速列车轴承温度异常检测模型对每个样本一天 的数据按时序进行逐点判别,一旦发生报警,即把该样本定义为报警样本。为 了验证AHP-熵值法优化决策模型对降低误判率的效果,分别对一级异常检测结 果(未加决策)和二级异常检测结果(添加AHP-熵值法优化决策)进行统计, 统计结果如下表所示。
如果轴承发生故障而没有检测出来,是很危险的行为,所以必须确定模型 对于故障判别的准确率,计算的故障判别准确率如下表所示。从表中结果能够 清晰看到,针对4组故障数据的故障判别准确率在添加决策模型前后均能达到 100%。
而另一种情况是虚警,即将轴承的正常状态判断为故障状态,如图7所示, 结合理论实际此处的轴承温度数据本身就是正常数据,但是模型触发报警,即 判定为虚警。虚警影响用户体验,在应用时也可能会造成经济损失,应当尽量 避免,因此需要测试模型的误判率,统计结果如下表所示。从表中结果能够清 晰看到,在155天的大齿轮箱电机侧正常数据中,一级异常检测误判率为0.08%, 而二级异常检测误判率则为0;电机传动端正常数据中,一级异常检测误判率为 1.10%,二级异常检测误判率则降到了0.24%,说明利用基于AHP-熵值法优化 的异常温升决策模型对轴温异常检测模型结果进行二次诊断能够有效降低最终 结果的误判率。
由此可见,本发明提供的一种空间维度的高速列车轴承温度异常检测模型 的大齿轮箱电机侧一级异常检测结果误判率0.08%,二级异常检测结果无误判样 本。同时,从预警时间提前量来看,本发明中对小齿轮箱电机侧轴承异常温升 提前预警时间能够达到173min,从而有更长的提前预警时间,本发明所提方法 对于误判能有明显改善,对做出合理的行车与维护策略调整提供更为可靠的依 据。
如前所述的,对于齿轮箱、电机而言,同样可采用与上述相同的方式构建 异常温升决策模型。
随后,需要构建基于时间维度的高速列车轴承温度异常检测模型。如图8 所示的,本发明基于双向长短时记忆神经网络构建出时间维度高速列车轴承温 度异常检测模型用于实时预测的高速列车轴承温度异常。同样地,此处也可以 是基于双向长短时记忆神经网络构建出时间维度高速列车齿轮箱或电机温度异 常检测模型。具体地,包括如下步骤:
通过高速列车车载智能运维***收集各个轴承温度测点信息,各个轴承温 度测点位置分布如附图9中箭头所指处即为轴承温度测点,以及相关高速列车 运行过程中的多种工况数据信息如列车运行速度、环境温度、轴承载荷、电压、 电流、空簧压力、电机力等。
收集到充足的数据信息过后,由于数据过于冗杂,选择利用随机森林算法 筛除一部分与轴承温度变化关联性较弱的信息,从已知数据中寻找一个最优的 特征数据集合,降低特征空间维度。
示例性地,本发明给出了某型高速列车部分测点监测数据如下表所示,其 中包括7个全车工况数据、36个轴承温度测点数据以及28个转向架其余类型测 点数据。
以构建转向架1轴小齿轮箱车轮侧轴承测点预测模型为例,以该轴承温度 作为重要性分析的目标值,使用随机森林法对上述除轴承温度外的各类测点数 据进行敏感信息选择,得到如图10所示的信息重要性分布。从图中可见,一架 空气弹簧综合压力、通道2一架空气弹簧压力、环境温度、通道1一架空气弹 簧压力、车辆质量与运行速度这6个测点的重要性比例明显高于其他测点,总 计占比93.226%。其中,车辆质量与3类一架空气弹簧压力均占有较高的重要性 比例,由于这几类测点数据均为列车载重的直接或间接体现,因此说明列车载 重属于影响轴承温度变化的重要因素。同时环境温度也拥有较高占比,这是因为轴承温度在一天内的变化同环境温度的变化有着显著的同步性,车外温度升 高导致与轴承间的温差减小,轴承散热量减少,从而轴承温度较高;而当车外 温度降低时,温差增大,轴承散热量增大,从而轴承温度较低。运行速度同样 也是影响轴承温升的一大要素,列车开始启动运行后,轴承持续运转、生热、 累积热量,温度持续上升;在列车制动的过程中,生热量开始降低,轴承温度 上升速度减缓,但仍在继续上升;列车停车后,轴承停止生热,轴承温度开始 逐渐降低。
综上,将一架空气弹簧综合压力、通道2一架空气弹簧压力、环境温度、 通道1一架空气弹簧压力、车辆质量与运行速度这6个测点数据作为输入添加 到轴承温度预测模型的构建过程当中。将上述6个测点数据结合3个同类测点 轴承温度数据T1、T2、T3,总计9类测点数据,采样频率为1次/min,包括当前 时刻的5min历史邻域区间内的数据,构成输入矩阵Xt:
对于齿轮箱、电机而言,同样地,利用随机森林算法对采集的历史履历数 据进行筛选,从而确定出温度敏感数据,并与同类测点温度信息结合生成输入 矩阵,用于输入至构建的双向长短时记忆神经网络中。
基于双向长短时记忆神经网络的轴承温度预测模型如图11所示,将除轴承 温度数据外的其它相关信号通过随机森林算法得到的6类测点数据结合3个同 类测点轴承温度数据T1、T2、T3,总计9类测点数据作为输入数据输入双向长短 时记忆神经网络,以此构建当前时刻的5min历史邻域区间内的数据与当前时刻 后1min的温度预测值之间的映射关系,输出下一时刻的温度预测值,通过不断 的优化训练模型,调整参数,达到最好效果,实现轴承温度的在线预测。
为训练本发明提出双向长短时记忆神经网络,选择的数据集是高速列车运 行过程中通过车载传感器收集得到的历史履历数据,工况参数复杂,数据量庞 大,十分具有分析价值。具体地,所采用的高速列车数据集根据列车编号1、2、 3划分,选取某型高速列车发生故障当天以及发生报警前一段时间的连续运行履 历数据构建数据集,数据信息主要包括各车2-7节动车转向架齿轮箱与牵引电机 上的共计28个轴承测点温度、列车运行速度、环境温度以及上述所选取的各类 敏感参数与其对应的时间信息,采样频率1次/min,3列车均在数据集中的最后 一天出现了小齿轮箱车轮侧轴承的热轴报警,触发报警后列车紧急降速并停车 处理。考虑到轴承异常温升通常是由于自身磨耗或者持续异常工况造成,为了避免模型学习到故障前期的异常信息,训练集与测试集数据之间需要设置一定 时长的间隔,保证模型输出结果的可靠性,测试集分为正常和故障两种,对于 测试集1是用于验证模型预测精度,测试集2用于验证模型异常诊断效果,具 体划分方式如下表所示,所构建的双向长短时记忆神经网络的学习率ε设置为 0.0005,双向长短时记忆神经网络的隐层节点数为64,整个网络结构设置两层 双向长短时记忆神经网络结构,Dropout层的丢失比例设置为0.5,批量设置为 100,最大迭代次数设置为600次,优化器选择Adam梯度优化。
图12至14为每列车故障温升状态,图15至图17为本发明提出的双向长 短时记忆神经网络与其它典型方法异常轴承温度预测绝对误差分布图的对比分 析,下表为预测结果相对误差分布区间百分比统计表:
下表为轴承正常数据温度预测误差统计表:
其中,平均相对误差和平均绝对误差计算式为:
随后,将前述构建的基于双向长短时记忆神经网络的轴承温度预测模型输 出预测值,与高速列车轴承温度实际监测值的残差作为表征指标,结合制定的 基于统计过程控制判异准则的连续条件作为判别依据,若满足判别依据中的其 中一项,说明轴承温度实际值与理论值出现了长时间的连续偏离,随即进行异 常温升预警。
具体地,根据残差计算均值μ与方差σ,计算公式如下:
式中,ti表示历史履历i时刻的轴承温度实际值,表示历史履历i时刻的 轴承温度预测值;将μ±3σ作为判别残差异常分布的上下界限阈值,考虑到工况 条件的差异性,不同轴承测点分别计算不同的阈值,各轴承测点残差超限阈值 如下表所示:
从残差变化所表征的实际现象出发,根据统计过程控制(SPC)制定如下连 续条件判异标准:
(1)残差连续超限3min;
(2)残差连续超限10min;
(3)残差连续6min单调递增或递减;
(4)当天列车运行中判异标准(1)累计出现5次以上。
其中,判据(1)仅作为内部记录指标,不作为模型输出结果。当残差统计 分析结果满足判据(2)、(3)、(4)中的其中一项,说明轴承温度实际值与 理论值出现了长时间的连续偏离,随即进行异常温升预警。
实例验证各故障点在故障当天的预测结果为图18至图20所示,各个故障 测点普遍出现了提前于列车报警日志上实际报警时刻的报警提示,根据下表结 果可知,列车1提前了302分钟出现连续超限与报警提示;列车3提前了91分 钟出现连续超限的情况与报警提示;列车2则因为故障发生在当天列车开始运 行约30分钟后,所以仅提前了16分钟出现报警提示,说明了所提出的时间维 度模型能够实现轴承异常温升的提前预警,具体预警时间信息如下表所示:
从上表还可以得出,列车1误判测点中,第6节车辆1轴小齿轮箱电机侧 在实际故障出现的近似时刻也出现了较大程度的预测精度下降现象,考虑到该 测点与实际故障的小齿轮箱车轮侧属于传动链上的相邻测点,所以会受到故障 测点异常冲击的影响而导致同步的异常温升现象,使得预测精度下降,触发误 报警。1车第7节车辆的1轴小齿轮箱车轮侧同样也出现了少量的误报,其原因 是受实际故障测点所传递的纵向冲击影响。
列车2误判测点中,2节车辆2轴小齿轮箱电机侧在实际故障出现的近似时 刻也出现了较大程度的预测精度下降现象,同样也是因为其与实际故障测点位 置相邻受其影响而导致了同步的异常温升现象,使得预测精度下降,触发误报 警。2车的2节车辆4轴与3、4节车辆的2轴小齿轮箱车轮侧同样也出现了不 同数量的误报,同样也是受实际故障测点在列车运行中所传递的的纵向冲击所 致。
本发明使用了多组实验数据进行验证,实验结果有效,预测准确率极佳, 预警时间都有很大的提前。将收集到的轴承温度信号以及其他若干相应能表征 温度信号的其它通道数据进行整合,采用随机森林算法对除轴承温度外的其它 通道数据筛选轴承温度敏感信息,排除一些冗余数据,最终得到一个9通道的 数据输入矩阵Xt,以此输入双向长短时记忆神经网络提取深层次的特征寻找数 据之间的关联性,最终输出下一时刻的轴承温度值,再结合轴承温度预测值与 实际监测值之间的残差,使用连续条件作为轴承异常温度预警的判别依据,构 建高速列车轴承异常温度预警策略,避免轴承温度监测与预测过程中的各种随 机性带来的短时较大误差对诊断结果所造成的误判。本发明利用随机森林算法 筛选特征,结合双向长短时记忆神经网络构建的轴承温度异常监测模型,能够 有效地挖掘出数据集中深层次的联系,为首次提出,具有创新性、实用性、经 济性。
对于齿轮箱、电机而言,采用相同的方式构建基于长短时记忆神经网络构 建的温度异常检测模型。
最后,为了兼顾时间维度的高速列车轴承温度异常检测模型与空间维度的 高速列车轴承温度异常检测模型的优势,更好地适应现阶段的高速列车智能运 维环境,本发明利用D-S证据理论将时间与空间两个维度的轴温异常检测模型 进行结合,提供了一种基于时空融合决策的高速列车轴温异常检测方法,既能 充分发挥二者的优势,又能弥补彼此的不足。其具体流程如图21所示。
具体地,如附图22所示,本发明提供的一种基于时空融合决策的高速列车 轴温异常检测方法具体步骤包括:
1、构造故障辨识框架。根据异常检测实际需求,构建高速列车异常轴承温 度辨识框架Θ={A1,A2,A3},其分别代表正常、不确定和故障三种状态。
2、构造证据体与基本概率分配函数。以构建的空间维度、时间维度异常检 测模型为基础,将基于AHP-熵值法优化决策的异常检测模型(空间维度)与基 于BiLSTM预测的异常检测模型(时间维度)的各自输出作为两个独立的证据 体,利用下式计算两个维度证据体的基础概率分配函数。
式中,i=1,2,3,ri为不同长度历史邻域区间内的平均偏离程度,空间模 型下即为同类轴承温度测点的方差均值,时间模型下即为预测值与实际值的残 差均值。其中,r1的区间为30分钟历史邻域的前20分钟,该区间的偏离度均值 被视为轴承温度在较长一段时间内的稳定数值,将其作为评估轴温是否处于正 常状态的基准;r2的区间为30分钟历史邻域的后10分钟,该区间的偏离度均值 则用于表征轴承温升状态在最近一段时间内的波动情况;r3为当前时刻轴承温度 偏离程度,反映轴承温度的即时状态。当i=1时,di等同于r1的绝对值;当i≠1 时,di则表示r2与r3相对于r1的增量绝对值。当轴承温度一直处于正常状态时, 三个区间的偏离度均值通常相对接近,因而r2与r3相对于r1的变化幅值较小; 而当轴承开始出现异常温升时,随着异常温升相对于正常温升的偏离状态逐渐 显著,r2与r3的变化幅值也将会逐渐增大。因此,对应于辨识框架Θ中的正常 (A1)、不确定(A2)和故障(A3)三种状态,将d1、d2、d3分别在其总和中的 占比作为当前时刻轴承属于相应状态的概率,以此构建基本概率分配函数。
3、证据融合。将各证据体对应的基本概率分配函数通过Dempster组合规 则进行组合,得到新的基本概率分配函数,为基于时空对比融合决策的高速列 车轴温异常诊断提供依据。
4、决策诊断。获得证据融合结果后,需要对此结果进行决策,从而得出最 终的诊断结论。若存在m(Ai)=max{m(A)}且i≠2,并满足:
则判定Ai为最终决策结果。式中ε1、ε2为设定阈值,此处设为ε1=0.1,ε2=0.3。
实验数据来源同为时间维度模型的某型三列高速列车发生故障报警当天以 及发生报警前一定天数的连续运行监测数据,三列车均为8辆编组,提取每列 车2-7节动车车辆牵引电机与齿轮箱上的各类轴承温度测点,以及其他建模相关 工况参数,各类输入参数采样频率均为1次/min。
以上述构造的辨识框架Θ={正常,不确定,故障}为基础来实现时空融合决 策,在三列车运行监测数据的基础上,将空间与时间维度异常检测模型输出的 不同长度历史邻域偏离指标平均值用于构建证据体,计算两个维度证据体的基 本概率分配函数,然后由Dempster组合规则实现证据体融合,获得新的基本概 率分配函数,最后将证据融合结果应用于决策诊断规则得出最终结论。
由于报警测点累计报警次数可能较多,所以此处仅列出了时间维度、空间 维度以及时空融合决策三个模型诊断的故障测点首次触发轴温报警时不同证据 体的基本概率分配函数以及决策结果予以论证。
下表分别为首次触发时间、空间维度模型报警的轴温测点基本概率分配函 数,从表中信息能够看到,时间维度模型的异常检测结果存在规模较大的误判 现象,具体原因在本发明前文已经予以说明,此处不再赘述,但提前预警能力 是其优势;空间维度模型的异常检测结果显示,同样存在误判测点,但数量较 时间维度模型结果少了许多,可见在该数据集下利用异常温升决策模型进行二 次决策对降低误判率同样有着显著的效果,但是从报警时刻上看,空间维度模 型只能做到即时报警或极短时长提前量的热轴预警。
下表显示了首次触发时空融合决策模型报警测点基本概率分配函数以及三 个维度模型诊断结果对比。得益于D-S证据融合理论与决策规则,之前单维度 模型初步诊断存在的误判测点被筛除,最终确诊输出的报警次数也得以降低, 由融合决策得到的诊断结果与实际状态保持一致,成功消除了时间与空间维度 模型在该数据集上曾出现的虚警。与此同时,时空融合决策模型在面对实际热 轴故障测点的异常温升现象时,能够一定程度上实现对故障的提前预警,预警 提前量虽不及时间维度模型,但能在较大程度降低误判率的情况下做到提前告 知热轴故障即将发生,实现了对时间、空间维度模型的“扬长避短”。
对于齿轮箱、电机而言,同样地,将前述建立的基于时间维度和空间维度 的异常检测模型结果用于构造证据体,计算两个维度证据体的基本概率分配函 数,然后由Dempster组合规则实现证据体融合,获得新的基本概率分配函数, 最后将证据融合结果应用于决策诊断规则得出最终结论。
本发明以高速列车轴承为例,通过与多组高速列车温度实际监测值对比分 析证明了方法的可行性,从安全角度出发,本发明对于车辆部件异常温升现象 能准确找到温度异常温升位置,实现较大提前量的异常温度预警,能为故障处 理提供更为充足的时间,提示相关操作人员采取相应的措施,降低不必要的损 失,提高高速列车运行安全性。
以上实施例仅用以说明本发明而并非限制本发明所描述的技术方案,尽管 本说明书参照上述的各个实施例对本发明已进行了详细的说明,但本发明不局 限于上述具体实施方式,因此任何对本发明进行修改或等同替换;而一切不脱 离发明的精神和范围的技术方案及其改进,其均涵盖在本发明的权利要求范围 当中。
Claims (5)
1.一种基于时空融合决策的高速列车温度异常检测方法,其特征在于,包括如下步骤:
步骤1、构建基于空间维度的高速列车车辆部件温度异常检测模型;
步骤2、构建基于时间维度的高速列车车辆部件温度异常检测模型;
步骤3、基于步骤1和步骤2中所述异常检测模型构建基于时空融合决策的高速列车车辆部件温度异常检测模型用于判断高速列车车辆部件的温度是否异常;其中,所述车辆部件包括齿轮箱、轴承、电机中的一个或多个。
2.如权利要求1所述的一种基于时空融合决策的高速列车温度异常检测方法,其特征在于,所述步骤1具体包括:
步骤A:利用滑动窗口对所述车辆部件的同类测点每一时刻历史邻域区间内的温度数据进行多次采样,获取最大值、最小值、峰值、峰-峰值、均值、方差、均方值、均方幅值、方根幅值、平均幅值、峰值、波形、脉冲、裕度、峭度15维时域特征,建立各时刻的特征空间,其中,所述同类测点是指同一车辆上所述车辆部件的空间位置相同的温度测点;
步骤B:利用主成分分析方法(PCA)对所述15维时域特征数据降维取其第一主成分,保留最能表征数据特点的一部分信息,去除存在的冗余信息;
步骤C:将经过所述PCA处理后的时域特征信息通过K-means聚类将温度时域特征第一主成分聚为正常与异常两类,从而实现同类测点间异常温升的诊断与定位得到一级异常检测结果;
步骤D:构建高速列车车辆部件异常温升决策模型对所述一级异常检测结果进行二次判定得到二级异常检测结果。
3.如权利要求2所述的一种基于时空融合决策的高速列车温度异常检测方法,其特征在于,所述步骤D中构建的高速列车车辆部件异常温升决策模型具体包括:
步骤1):将所述车辆部件温度环境划分为低、中、高三个温区;并将每个温区按照持续时长划分为短时、中时、长时三个连续条件;在短时连续条件下设置方差增幅大、方差小和方差大三个判据,中、长时连续条件下设置方差小和方差大两个判据,并将所述PCA处理后的第一主成分方差值作为离群程度的度量指标;
步骤2):基于专家经验确定所述步骤1)中设置的每一个判据的权重分值,所述权重分值与危险程度成正比,当所述三个温区中任意一个温区的判据权重分值的总和大于设定阈值后则判定该时刻温升状态属于故障温升,从而构建出车辆部件异常温升的初始模型;
步骤3):基于步骤2构建的车辆部件异常温升的初始模型,利用AHP-熵值法对所述初始模型进行优化,获得高速列车车辆部件异常温升决策模型。
4.如权利要求1所述的一种基于时空融合决策的高速列车温度异常检测方法,其特征在于,所述步骤2具体包括:
步骤A:采集高速列车历史履历数据,其中所述历史履历数据包括高速列车车辆部件的同类测点温度数据以及高速列车运行过程中的多种工况数据;
步骤B:通过随机森林算法从所述工况数据中筛选出有利于车辆部件温度预测的敏感数据,筛除与车辆部件温度变化关联性较弱的数据;
步骤C:构建车辆部件温度预测模型;将所述敏感数据和所述温度数据组成输入矩阵Xt,将所述输入矩阵Xt输入至双向长短时记忆神经网络中,并输出下一时刻的温度预测值;其中,所述双向长短时记忆神经网络中的学习率设置为0.0005,双向长短时记忆神经网络的隐层节点数为64,整个网络结构设置两层双向长短时记忆神经网络结构,Dropout层的丢失比例设置为0.5,批量设置为100,最大迭代次数设置为600次,优化器选择Adam梯度优化;
步骤D:根据所述温度预测值与实际监测值之间的残差构建高速列车车辆部件温度异常预警策略。
5.如权利要求1-4所述的一种基于时空融合决策的高速列车温度异常检测方法,其特征在于,所述步骤3具体包括如下步骤:
步骤A:构造高速列车车辆部件温度异常辨识框架Θ={A1,A2,A3};其中,A1、不A2、A3分别代表正常、不确定和故障三种状态;
步骤B:构造高速列车车辆部件温度异常证据体与基本概率分配函数;将所述空间维度的高速列车车辆部件温度异常检测模型与所述时间维度的高速列车车辆部件温度异常检测模型的各自输出作为两个独立的证据体,计算两个维度证据体的基础概率分配函数,其中,计算公式如下:
式中,i=1,2,3,ri为不同长度历史邻域区间内的平均偏离程度,空间维度下即为同类测点温度的方差均值,时间维度下即为预测值与实际值的残差均值;
步骤C:证据融合;将所述证据体对应的基本概率分配函数通过Dempster组合规则进行组合,得到新的基本概率分配函数,为基于时空对比融合决策的高速列车车辆部件温度异常诊断提供依据;
步骤D:决策诊断;获得所述证据融合的结果后,若存在m(Ai)=max{m(A)}且i≠2,并满足:
则判定Ai为最终决策结果;式中ε1、ε2为设定阈值,此处设为ε1=0.1,ε2=0.3;根据所述最终决策结果判断高速列车车辆部件温度是否异常。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011281777.1A CN112597581B (zh) | 2020-11-16 | 2020-11-16 | 一种基于时空融合决策的高速列车温度异常检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011281777.1A CN112597581B (zh) | 2020-11-16 | 2020-11-16 | 一种基于时空融合决策的高速列车温度异常检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112597581A true CN112597581A (zh) | 2021-04-02 |
CN112597581B CN112597581B (zh) | 2021-09-21 |
Family
ID=75182932
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011281777.1A Active CN112597581B (zh) | 2020-11-16 | 2020-11-16 | 一种基于时空融合决策的高速列车温度异常检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112597581B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115640496A (zh) * | 2022-12-16 | 2023-01-24 | 天津众联智能科技有限责任公司 | 基于改进层次分析法的电气隐患判断方法 |
CN116342110A (zh) * | 2023-05-11 | 2023-06-27 | 广东工业大学 | 一种列车多温度测量回路智能故障诊断和容错测量方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108920426A (zh) * | 2018-07-04 | 2018-11-30 | 西北工业大学 | 一种基于幂均算子和ds证据理论的故障诊断方法 |
DE102018221684A1 (de) * | 2018-12-13 | 2020-06-18 | Robert Bosch Gmbh | Vorrichtung und Verfahren zur Anomalieerkennung und zum Trainieren eines Modells für eine Anomalieerkennung |
CN111829693A (zh) * | 2020-07-30 | 2020-10-27 | 成都运达科技股份有限公司 | 基于时间与空间维度的lstm模型的轴承温度检测方法及*** |
CN111931806A (zh) * | 2020-06-23 | 2020-11-13 | 广州杰赛科技股份有限公司 | 一种多传感器数据融合的设备故障诊断方法及装置 |
-
2020
- 2020-11-16 CN CN202011281777.1A patent/CN112597581B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108920426A (zh) * | 2018-07-04 | 2018-11-30 | 西北工业大学 | 一种基于幂均算子和ds证据理论的故障诊断方法 |
DE102018221684A1 (de) * | 2018-12-13 | 2020-06-18 | Robert Bosch Gmbh | Vorrichtung und Verfahren zur Anomalieerkennung und zum Trainieren eines Modells für eine Anomalieerkennung |
CN111931806A (zh) * | 2020-06-23 | 2020-11-13 | 广州杰赛科技股份有限公司 | 一种多传感器数据融合的设备故障诊断方法及装置 |
CN111829693A (zh) * | 2020-07-30 | 2020-10-27 | 成都运达科技股份有限公司 | 基于时间与空间维度的lstm模型的轴承温度检测方法及*** |
Non-Patent Citations (2)
Title |
---|
吴宇等: "基于AHP-熵值法优化决策的轨道车辆轴承异常温升检测模型", 《铁道科学与工程学报》 * |
陶晔等: "基于随机森林的长短期记忆网络气温预测", 《计算机工程与设计》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115640496A (zh) * | 2022-12-16 | 2023-01-24 | 天津众联智能科技有限责任公司 | 基于改进层次分析法的电气隐患判断方法 |
CN115640496B (zh) * | 2022-12-16 | 2023-03-10 | 天津众联智能科技有限责任公司 | 基于改进层次分析法的电气隐患判断方法 |
CN116342110A (zh) * | 2023-05-11 | 2023-06-27 | 广东工业大学 | 一种列车多温度测量回路智能故障诊断和容错测量方法 |
CN116342110B (zh) * | 2023-05-11 | 2023-08-18 | 广东工业大学 | 一种列车多温度测量回路智能故障诊断和容错测量方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112597581B (zh) | 2021-09-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113283003B (zh) | 一种基于时空融合决策的高速列车轴温异常检测方法 | |
CN111351664B (zh) | 一种基于lstm模型的轴承温度预测和报警诊断方法 | |
Kundu et al. | A review on diagnostic and prognostic approaches for gears | |
CN112597581B (zh) | 一种基于时空融合决策的高速列车温度异常检测方法 | |
US20230039073A1 (en) | Sensor fault prediction method and apparatus | |
US10775270B2 (en) | System and method for monitoring a turbomachine, with indicator merging for the synthesis of an alarm confirmation | |
CN111474475B (zh) | 一种电机故障诊断***及方法 | |
CN111260125A (zh) | 一种轨道车辆部件的温度异常检测方法 | |
CN114417699A (zh) | 泵阀故障检测方法 | |
CN117671818B (zh) | 一种车辆数据的管理*** | |
CN111717753A (zh) | 基于多维故障特征的自适应电梯故障预警***及方法 | |
CN113177650A (zh) | 一种铁路货车车厢的预测性维护方法及装置 | |
CN112381965A (zh) | 一种基于数据挖掘的航空发动机健康状态识别***及方法 | |
CN110097219B (zh) | 一种基于安全树模型的电动车辆运维优化方法 | |
CN111191855B (zh) | 一种基于管网多元水质时序数据的水质异常事件识别预警方法 | |
CN110243598B (zh) | 列车轴承温度的处理方法、装置及存储介质 | |
CN117057150A (zh) | 一种基于无监督叠加集成的供水管网爆管检测与识别方法 | |
CN110084500B (zh) | 基于安全树概率和安全重要度的电动车辆安全控制方法和电动车辆 | |
CN115545101A (zh) | 一种基于残差神经网络的高速列车转向架故障诊断方法 | |
Rombach et al. | Contrastive feature learning for fault detection and diagnostics in railway applications | |
Li et al. | Predicting failure times of railcar wheels and trucks by using wayside detector signals | |
Mhmood et al. | Neural Network-Directed Detection and Localization of Faults in Railway Track Circuits: An Application of Dempster-Shafer Theory. | |
Soualhi et al. | Remaining useful life estimation of turbofan engines using adaptive fault detection learning | |
CN115758120B (zh) | 基于不确定信息融合的车门***诊断方法 | |
Cheng et al. | Health Assessment of High‐Speed Train Running Gear System under Complex Working Conditions Based on Data‐Driven 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 |