CN113511183A - 基于优化准则的高速列车空气制动***早期故障分离方法 - Google Patents
基于优化准则的高速列车空气制动***早期故障分离方法 Download PDFInfo
- Publication number
- CN113511183A CN113511183A CN202110798141.2A CN202110798141A CN113511183A CN 113511183 A CN113511183 A CN 113511183A CN 202110798141 A CN202110798141 A CN 202110798141A CN 113511183 A CN113511183 A CN 113511183A
- Authority
- CN
- China
- Prior art keywords
- fault
- speed train
- sample
- index
- brake 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.)
- Granted
Links
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60T—VEHICLE BRAKE CONTROL SYSTEMS OR PARTS THEREOF; BRAKE CONTROL SYSTEMS OR PARTS THEREOF, IN GENERAL; ARRANGEMENT OF BRAKING ELEMENTS ON VEHICLES IN GENERAL; PORTABLE DEVICES FOR PREVENTING UNWANTED MOVEMENT OF VEHICLES; VEHICLE MODIFICATIONS TO FACILITATE COOLING OF BRAKES
- B60T17/00—Component parts, details, or accessories of power brake systems not covered by groups B60T8/00, B60T13/00 or B60T15/00, or presenting other characteristic features
- B60T17/18—Safety devices; Monitoring
- B60T17/22—Devices for monitoring or checking brake systems; Signal devices
- B60T17/228—Devices for monitoring or checking brake systems; Signal devices for railway vehicles
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
Landscapes
- Engineering & Computer Science (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Valves And Accessory Devices For Braking Systems (AREA)
Abstract
本发明公开了基于优化准则的高速列车空气制动***早期故障分离方法,属于故障诊断领域,包括:采集高速列车正常工况下多组制动缸压力测量数据,构成多个训练数据集;选取制动保持阶段,计算每个训练数据集所包含相应样本的故障检测组合指标,并计算阈值;在高速列车实时工况下,采集符合要求的制动缸压力数据作为测试样本,计算其故障检测组合指标,并与阈值比较判断有无异常;若有故障发生,基于优化准则对故障样本在不同故障方向上重构,若重构后组合指标低于阈值则认为找到了故障根源,实现故障分离。本发明无需对***精确建模,是一种数据驱动的方法,对具有相同或类似机理的高速列车空气制动***具有普适性,而且可同时实现检测与分离功能。
Description
技术领域
本发明属于故障诊断领域,具体涉及一种基于优化准则的高速列车空气制动***早期故 障分离方法。
背景技术
近年来,我国的高铁事业快速发展,取得了举世瞩目的成就。截至2020年底,我国的高 铁营运里程已接近4万公里,稳居世界首位。作为高铁***的核心组成,高速列车与乘客的 人身安全息息相关,其安全、可靠运行至关重要。高速列车的制动***主要实现列车在正常 以及紧急情况下能够完成规定的减速和停车,是极其重要的安全关键***。高速列车的制动 方式主要包括电制动和空气制动两种:电制动具有能量回收的优势,但空气制动技术作为最 后的保险,仍然非常重要且必不可少。
目前,高速列车空气制动***的压力监控主要采用单变量超限报警机制,即当前实际营 运车辆采用的KNORR逻辑。另有一些自检电路能够对压力传感器硬件故障如短路和开路进行 诊断。这种监控方式,搭配列车所采用的故障导向安全机制,可以确保列车空气制动***稳 定运行,但对空气制动***中几类常见的早期故障(尤其故障幅值较小时)不够敏感,无法 有效地对其进行监控。早期故障诊断具有重要意义,既可以将故障扼杀在萌芽状态,避免进 一步演化为严重故障,还能够将故障诊断结果提供给工程师以实现部件的精准替换和视情维 修,节省人力、物力资源。
CN110293949A公开了一种高速列车空气制动***微小故障检测方法,针对高速列车空气 制动***中常见的几类微小故障,提出了一种基于混合指标的微小故障检测方法,并通过实 验结果说明了策略的有效性。然而,上述专利所公开的监控策略仅实现了故障检测功能,受 限于技术难度并没有提供故障分离(即故障定位)方法,也就是说不能够自动寻找发生异常 的元部件。
综上,亟需一种新的早期故障分离方法对空气制动***进行在线监控和诊断,准确地完 成空气制动***中几类早期故障的定位。
发明内容
为了解决上述问题,本发明提出了一种基于优化准则的高速列车空气制动***早期故障 分离方法,对空气制动***进行在线监控和诊断,将异常精准定位到元部件,实现早期故障 的定位。
本发明的技术方案如下:
基于优化准则的高速列车空气制动***早期故障分离方法,包括以下步骤:
步骤一,采集高速列车历史运行工况下,包含正常制动过程的多组制动缸压力测量数据, 构成多个训练数据集;
步骤二,选取制动过程的平稳减速阶段,计算步骤一中每个训练数据集所包含相应样本 的故障检测组合指标,并求取故障检测组合指标的阈值;
步骤三,在高速列车实际运行工况下,选取制动过程的平稳减速阶段,实时采集当前时 刻的制动缸压力数据作为测试样本,计算该样本的故障检测组合指标,并与步骤二的阈值比 较判断有无早期故障发生;
步骤四,若步骤三判断有早期故障发生,再基于优化准则,对当前异常样本在不同故障 方向上进行重构,若重构后的故障检测组合指标低于步骤二的阈值,则断定找到了故障根源, 实现了早期故障分离。
优选地,步骤一的具体过程为:
基于高速列车历史运行监测数据,在其空气制动***正常工作情况下,收集制动过程中 每节列车的制动缸压力测量数据,构成多个训练数据集;假设共采集了q个训练数据集,分 别记为矩阵X1,X2,…,Xq,其中,训练数据集的每一行代表对应采样时刻多个制动缸压力 的测量值,设制动缸数量为m;每个矩阵的行数代表该数据集包含的样本个数,假设为 Np,p=1,2,...,q。
优选地,步骤二的具体过程为:
基于步骤一中的数据集,仅关注并筛选出每个数据集中处于制动过程平稳减速阶段的样 本;将任意一个符合要求的训练样本记为x=[x1,x2,...,xm]T,其中xi代表制动保持阶段某样 本第i个制动缸的压力取值;
采用如下公式计算故障检测组合指标:
其中,xs表示在制动保持阶段压力的理想设定值,是已知量;表示该样 本所含m个制动缸压力的平均值,代表了不同制动缸压力的中心取值;故障检测组合指标计 算公式(1)中的第一项(xi-xs)2表示制动缸压力跟踪设定值的偏差程度,第二项表 示不同制动缸压力取值的分散程度;
将步骤一中q个训练数据集中所有符合要求的样本代入到公式(1)求得每个样本的组合 指标取值,假设符合要求的样本总数为N,那么组合指标的阈值η2按下式求取:
将阈值定为所有N个样本故障检测组合指标中的最大值。
优选地,步骤三的具体过程为:
高速列车实际运行时,当制动过程到达制动保持阶段,依次采集当前时刻的制动缸压力 数据作为测试样本,记作xt,每个元素表示对应制动缸的压力,与步骤二中训练样本中元素 含义一致;根据步骤二中故障检测组合指标的定义公式(1),求出测试样本xt的组合指标取 值,并根据阈值判断是否有早期故障发生;若Index(xt)>η2,则认为有早期故障发生,否则 判定高速列车空气制动***处于正常运行状态。
优选地,步骤四的具体过程为:
根据步骤三的判断结果,在有故障发生的前提下,基于优化准则,沿着可能的故障方向 对样本的组合指标进行重构,假定总共有J个可能的故障方向,记为{Ξj,j=1,2,...,J};沿着 任意第j个方向Ξj优化,计算得到重构指标值
式中I代表维数为m的单位矩阵;M代表维数为m的方阵:对角元素取值均为(2m-1)/m, 非对角元素取值均为-1/m;Ξj代表故障方向,行数为m,列数取决于具体故障形式;向量xs维数为m,所有元素取值均为步骤二中的压力理想设定值xs;
本发明所带来的有益技术效果:
本发明提出的早期故障分离策略是在利用高速列车空气制动***运行原理的基础上,提 出的一种数据驱动方法。这类方法只需要利用历史和在线压力监测数据,而无需复杂的*** 机理模型,从而便于实际应用;由于所采用的组合指标包含了两部分组成,分别衡量了压力 跟踪性能以及不同压力取值的离散程度,因此该策略可以对空气制动***中的多类早期故障, 如单一传感器故障、多重传感器故障、中继阀故障实现监测;本发明基于优化准则,提出的 故障分离方法可以将异常定位到元部件,从而为高速列车空气制动***检修维护提供非常有 价值的信息。
附图说明
图1是基于优化准则的高速列车空气制动***早期故障分离方法的流程图;
图2是实施例1中空气制动***单一传感器早期故障检测结果的示意图;
图3是实施例1中空气制动***单一传感器早期故障分离结果的示意图;
图4是实施例1中空气制动***多重传感器早期故障检测结果的示意图;
图5是实施例1中空气制动***多重传感器早期故障分离结果的示意图。
具体实施方式
下面结合附图以及具体实施方式对本发明作进一步详细说明:
本发明的目的是实现高速列车空气制动***早期故障的自动分离,为空气制动***视情 维护和维修提供有价值信息,从而节省人为检修及测试的时间与资源。故障分离的前序工作 是故障检测。本发明采用的故障检测统计量是包含了两部分含义的一个组合指标,从而使得 该指标能够对多种常见的早期故障具有较好检测效果。故障分离指标基于严格的优化理论得 到,从而能够实现对故障的定位溯源。
如图1所示,基于优化准则的高速列车空气制动***早期故障分离方法,包括以下步骤:
步骤S110:采集高速列车历史运行工况下,包含正常制动过程的多组制动缸压力测量数 据,构成多个训练数据集;
具体地,实际高速列车运行过程中,数据采集与网络传输***会自动将一些关键测量信 息记录并存储;在专家判定高速列车空气制动***无任何异常发生的情况下,将高速列车运 行产生的制动缸压力测量历史数据收集,构成多个训练数据集合;通常高速列车包含多节列 车,这些训练数据集可以来源于一节列车的多次运行,也可以是多节列车的多次运行;假设 共采集了q组训练数据,分别记为矩阵X1,X2,…,Xq,其中,训练数据集的每一行代表对 应采样时刻多个制动缸压力的测量值,设制动缸数量为m;每个矩阵的行数代表该数据集包 含的样本个数,假设为Np,p=1,2,...,q。
步骤S120:选取制动过程的平稳减速阶段,计算步骤S110中每个训练数据集所包含相 应样本的故障检测组合指标,并求取组合指标的阈值;
具体地,基于步骤S110中的数据集,仅关注并筛选出每个数据集中处于制动过程平稳减 速阶段(即制动保持阶段)的样本;q组训练数据集中每组均有一段符合要求的数据,且不 同集合中符合要求的数据段长度不一;不失一般性,将上述任意一个符合要求的训练样本记 为x=[x1,x2,...,xm]T,其中xi代表制动保持阶段某样本第i个制动缸的压力取值;采用如下故 障检测组合指标:
将步骤S110中q个训练数据集中所有符合要求的样本代入到公式(1)求得每个样本的 组合指标取值,假设符合要求的样本总数为N,那么组合指标的阈值η2按下式求取:
即,将阈值定为所有N个样本组合指标中的最大值。
步骤S130:在高速列车实际运行工况下,选取制动过程的平稳减速阶段,实时采集当前 时刻的制动缸压力数据作为测试样本,计算该样本的故障检测组合指标,并与步骤S120的阈 值比较判断有无早期故障发生;
具体地,高速列车实际运行时,当制动过程到达制动保持阶段,依次采集当前时刻的制 动缸压力数据作为测试样本,记作xt,每个元素表示对应制动缸的压力,与步骤S120中训练 样本中元素含义一致;根据步骤S120中故障检测组合指标的定义(1),求出测试样本xt的 组合指标取值,并根据阈值判断是否有早期故障发生;具体地,若Index(xt)>η2,则认为有 早期故障发生,否则判定高速列车空气制动***处于正常运行状态。
步骤S140:若步骤S130判断有早期故障发生,基于优化准则,对当前异常样本在不同 故障方向上进行重构,若重构后的组合指标低于步骤S120的阈值,则认为找到了故障根源, 从而实现了早期故障分离;
具体地,根据步骤S130判断结果,在有故障发生的前提下,即Index(xt)>η2;基于优化 准则,沿着可能的故障方向对样本的组合指标进行重构,假定总共有J个可能的故障方向, 记为{Ξj,j=1,2,...,J};这里可能的故障方向可以根据一线工程师专家经验获得,如针对单一 传感器故障类型,就有m种可能的故障方向;沿着任意第j个方向Ξj优化,计算得到如下重 构指标值
上述公式(3)是基于严格的求解优化问题得到;式中I代表维数为m的单位矩阵;M为 维数为m的方阵:对角元素取值均为(2m-1)/m,非对角元素取值均为-1/m;Ξj代表故障方向,行数为m,列数取决于具体故障形式:如果仅发生单一传感器故障,则列数为1,如果 发生双重独立传感器故障,则列数为2;向量xs维数为m,所有元素取值均为步骤S120中压 力理想设定值xs;
本发明方法在有效利用高速列车空气制动***结构和运行机理的基础上,本质上又是一 种数据驱动的监控方法,因此无需对空气制动***部件进行复杂且精确的建模,易于实际应 用。另一方面,绝大多数高速列车空气制动***具有几乎相同或类似的结构与运行机理,因 此本发明方法又具有相当的普适性。
本发明方法对高速列车空气制动***进行监控,与现有技术相比,可以同时实现高速列 车空气制动***几类早期故障的检测与分离,从而不但可以指示***是否有异常发生,还能 对异常发生位置提供重要信息。
实施例1
为进一步理解本发明,并展示本发明方法用于高速列车空气制动***早期故障分离的直 观效果,下面以一具体实施例进行详细说明。本实施例所涉及的实验,基于中车青岛四方车 辆研究所有限公司的高速列车制动***联调试验台。值得说明的是,本发明所提方法不仅适 用于该试验台,同样适用于具有类似工作机理的其他高速列车空气制动***。具体过程如下:
(1)历史数据集收集
实际中,高速列车运行产生的数据会被记录与存储。针对本实施例所涉及的制动试验台 (与实际列车制动***一致),我们可以在***无故障情形下多次模拟制动全过程,利用试 验台配套的监测软件记录相应的测量数据。不失一般性,选取该试验台的一号列车,制动级 别选择常规制动下最高级别,采集多组制动缸压力测量数据。该平台一节列车包含4个模拟 制动缸,并配备相应测量传感器,因此本示例中m=4。
(2)计算故障检测组合指标的阈值并留用
基于第(1)步采集的多组训练数据集,首先根据专家经验及测量数据特征,将每组数据 集中处于制动保持阶段的样本段筛选出。然后,将所有筛选出的样本代入到公式(1)中,计 算其组合指标。在本示例中,针对常规制动下最高制动级别,其压力设定值为xs=299。然 后,利用公式(2)计算组合指标阈值,求得为η2=13.75。
(3)采集实时监测数据,判断有无早期故障发生
实时监测数据应该为高速列车实际运行过程中,制动***搭载传感器测量得到的制动缸 压力测量数据。在该试验台,可以人为模拟制动过程,利用试验台安装的传感器获得制动缸 压力数据。在模拟过程中,可以提前施加故障,如阀门或管路故障,针对开环传感器的加性 故障类型也可以由实测数据后续添加得到。将制动过程中,制动保持阶段的制动缸压力测量 样本输入到公式(1)计算其故障检测指标,并与第(2)步得到的阈值比较,若实时监测样 本的指标值超过13.75,则认为有早期故障发生。
(4)对早期故障进行分离
当第(3)步判定样本有异常时,首先确定所有可能的故障方向,记为{Ξj,j=1,2,...,J}。 例如,针对单一传感器故障类型,因为总共有m=4个传感器,所以可能的故障方向就4种, Ξj分别为4维单位矩阵的所有列向量。针对这些可能的故障方向,根据公式(3)分别计算 沿某一方向上的重构指标值。若某个优化值低于阈值η2=13.75,则认为故障重构正确,就将 该方向指定为实际发生故障的方向,从而实现早期故障分离。
在本实施例中,基于制动***联调试验台,我们探究两类早期故障的检测与分离,分别 为单一传感器故障和双重传感器故障。图2-图5是具体检测结果和分离结果的示意图,图2- 图5中横坐标均为样本xt,图2和图4的纵坐标是组合指标的值,图3和图5的纵坐标是优 化后组合指标的值,图2-图5的虚线均为设定的阈值η2。
首先,探究单一传感器早期故障的检测和分离效果。将传感器故障设定在1号传感器上, 故障类型为偏差故障,幅值为4kPa。运行一次制动过程,总共有70个采样时刻,其中故障 发生于第31个样本。图2展示了组合指标对该故障的检测效果,可以看出故障发生后能够被 及时检测到。图3中四个子图分别展示了所有70个测试样本沿着四个传感器方向进行优化后 的重构指标值,其中R1表示沿着第一个传感器Ξ1=[1000]T方向重构的结果,以此类推。 通过图3可以看出,故障发生后,只有R1低于阈值,而沿着其他三个方向重构后的指标R2、 R3、R4仍然大于阈值,所以将1号传感器定为发生故障的传感器,与实际情况相符。
其次,探究多重传感器早期故障的检测和分离效果。将传感器故障分别独立设定在2号 和3号传感器上,故障类型仍然为偏差故障,幅值均为3kPa。运行一次制动过程,总共有 80个采样时刻,其中故障发生于第21个样本。图4展示了组合指标对该故障的检测结果,可以看出该多重传感器故障也能够被及时检测到。关于对异常样本组合指标的优化,沿着4个单一的传感器方向均不能使得重构指标小于阈值。接下来,尝试双重传感器故障类型,4个传感器中,任意选出2种传感器故障,总共有种可能,分别为Ξ1=[1 1 0 0]T、 Ξ2=[1 0 1 0]T、Ξ3=[1 0 0 1]T、Ξ4=[0 1 1 0]T、Ξ5=[0 1 0 1]T、Ξ6=[0 0 1 1]T。图5中 六个子图分别展示了所有测试样本沿着上述六个方向进行优化后的重构指标值,其中R1表示沿着第一个方向Ξ1=[1 1 0 0]T方向重构的结果,以此类推。通过图5可以看出,故障发生后, 只有R4低于阈值,而沿着其他方向重构后的指标仍然大于阈值,所以将Ξ4对应的2号、3号 传感器定为发生故障的传感器,与实际情况相符。从而,说明了本发明方法的有效性。
当然,上述说明并非是对本发明的限制,本发明也并不仅限于上述举例,本技术领域的 技术人员在本发明的实质范围内所做出的变化、改型、添加或替换,也应属于本发明的保护 范围。
Claims (5)
1.基于优化准则的高速列车空气制动***早期故障分离方法,其特征在于,包括以下步骤:
步骤一,采集高速列车历史运行工况下,包含正常制动过程的多组制动缸压力测量数据,构成多个训练数据集;
步骤二,选取制动过程的平稳减速阶段,计算步骤一中每个训练数据集所包含相应样本的故障检测组合指标,并求取故障检测组合指标的阈值;
步骤三,在高速列车实际运行工况下,选取制动过程的平稳减速阶段,实时采集当前时刻的制动缸压力数据作为测试样本,计算该样本的故障检测组合指标,并与步骤二的阈值比较判断有无早期故障发生;
步骤四,若步骤三判断有早期故障发生,再基于优化准则,对当前异常样本在不同故障方向上进行重构,若重构后的故障检测组合指标低于步骤二的阈值,则断定找到了故障根源,实现了早期故障分离。
2.根据权利要求1所述基于优化准则的高速列车空气制动***早期故障分离方法,其特征在于,所述步骤一的具体过程为:
基于高速列车历史运行监测数据,在其空气制动***正常工作情况下,收集制动过程中每节列车的制动缸压力测量数据,构成多个训练数据集;假设共采集了q个训练数据集,分别记为矩阵X1,X2,…,Xq,其中,训练数据集的每一行代表对应采样时刻多个制动缸压力的测量值,设制动缸数量为m;每个矩阵的行数代表该数据集包含的样本个数,假设为Np,p=1,2,...,q。
3.根据权利要求2所述基于优化准则的高速列车空气制动***早期故障分离方法,其特征在于,所述步骤二的具体过程为:
基于步骤一中的数据集,仅关注并筛选出每个数据集中处于制动过程平稳减速阶段的样本;将任意一个符合要求的训练样本记为x=[x1,x2,...,xm]T,其中xi代表制动保持阶段某样本第i个制动缸的压力取值;
采用如下公式计算故障检测组合指标:
其中,xs表示在制动保持阶段压力的理想设定值,是已知量;表示该样本所含m个制动缸压力的平均值,代表了不同制动缸压力的中心取值;故障检测组合指标计算公式(1)中的第一项(xi-xs)2表示制动缸压力跟踪设定值的偏差程度,第二项表示不同制动缸压力取值的分散程度;
将步骤一中q个训练数据集中所有符合要求的样本代入到公式(1)求得每个样本的组合指标取值,假设符合要求的样本总数为N,那么组合指标的阈值η2按下式求取:
将阈值定为所有N个样本故障检测组合指标中的最大值。
4.根据权利要求3所述基于优化准则的高速列车空气制动***早期故障分离方法,其特征在于,所述步骤三的具体过程为:
高速列车实际运行时,当制动过程到达制动保持阶段,依次采集当前时刻的制动缸压力数据作为测试样本,记作xt,每个元素表示对应制动缸的压力,与步骤二中训练样本中元素含义一致;根据步骤二中故障检测组合指标的定义公式(1),求出测试样本xt的组合指标取值,并根据阈值判断是否有早期故障发生;若Index(xt)>η2,则认为有早期故障发生,否则判定高速列车空气制动***处于正常运行状态。
5.根据权利要求4所述基于优化准则的高速列车空气制动***早期故障分离方法,其特征在于,所述步骤四的具体过程为:
根据步骤三的判断结果,在有故障发生的前提下,基于优化准则,沿着可能的故障方向对样本的组合指标进行重构,假定总共有J个可能的故障方向,记为{Ξj,j=1,2,...,J};沿着任意第j个方向Ξj优化,计算得到重构指标值
式中I代表维数为m的单位矩阵;M代表维数为m的方阵:对角元素取值均为(2m-1)/m,非对角元素取值均为-1/m;Ξj代表故障方向,行数为m,列数取决于具体故障形式;向量xs维数为m,所有元素取值均为步骤二中的压力理想设定值xs;
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110798141.2A CN113511183B (zh) | 2021-07-15 | 2021-07-15 | 基于优化准则的高速列车空气制动***早期故障分离方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110798141.2A CN113511183B (zh) | 2021-07-15 | 2021-07-15 | 基于优化准则的高速列车空气制动***早期故障分离方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113511183A true CN113511183A (zh) | 2021-10-19 |
CN113511183B CN113511183B (zh) | 2022-05-17 |
Family
ID=78067106
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110798141.2A Active CN113511183B (zh) | 2021-07-15 | 2021-07-15 | 基于优化准则的高速列车空气制动***早期故障分离方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113511183B (zh) |
Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH05233463A (ja) * | 1991-11-15 | 1993-09-10 | Fujitsu Ltd | 記憶装置配列における障害表示方法および装置 |
KR20100093668A (ko) * | 2009-02-17 | 2010-08-26 | 주식회사 만도 | 전자식 주차 브레이크의 진단 데이터 저장방법 |
CN103853144A (zh) * | 2012-11-29 | 2014-06-11 | 沈阳工业大学 | 基于采油生产数据的现场传感器故障检测方法 |
CN104035431A (zh) * | 2014-05-22 | 2014-09-10 | 清华大学 | 用于非线性过程监控的核函数参数的获取方法和*** |
CN104111454A (zh) * | 2014-07-09 | 2014-10-22 | 电子科技大学 | 一种扫描雷达角超分辨率方法 |
US20150067012A1 (en) * | 2013-08-28 | 2015-03-05 | Infineon Technologies Ag | Method and data processing device for reconstructing a vector |
CN104842990A (zh) * | 2014-10-24 | 2015-08-19 | 北汽福田汽车股份有限公司 | 车辆的制动检测***及方法 |
CN105259895A (zh) * | 2015-10-14 | 2016-01-20 | 山东科技大学 | 一种工业过程微小故障的检测和分离方法及其监测*** |
CN105730431A (zh) * | 2016-01-29 | 2016-07-06 | 清华大学 | 动车组制动缸故障监测方法及故障监测*** |
CN108092623A (zh) * | 2017-12-16 | 2018-05-29 | 西安理工大学 | 一种光伏阵列多传感器故障检测定位方法 |
CN109672406A (zh) * | 2018-12-20 | 2019-04-23 | 福州大学 | 一种基于稀疏表示和svm的光伏发电阵列故障诊断与分类的方法 |
CN109871000A (zh) * | 2019-02-25 | 2019-06-11 | 山东科技大学 | 一种数据驱动的闭环工业过程传感器故障诊断方法 |
JP2019090749A (ja) * | 2017-11-16 | 2019-06-13 | 富士通株式会社 | 到来方向推定装置および到来方向推定方法 |
CN110033135A (zh) * | 2019-04-15 | 2019-07-19 | 北京交通大学 | 多变量时间序列特征加强的列车制动***故障预测方法 |
CN110293949A (zh) * | 2019-06-06 | 2019-10-01 | 山东科技大学 | 一种高速列车空气制动***微小故障检测方法 |
CN111324105A (zh) * | 2020-02-27 | 2020-06-23 | 山东科技大学 | 一种基于统计量马氏距离的微小传感器故障检测和分离方法 |
-
2021
- 2021-07-15 CN CN202110798141.2A patent/CN113511183B/zh active Active
Patent Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH05233463A (ja) * | 1991-11-15 | 1993-09-10 | Fujitsu Ltd | 記憶装置配列における障害表示方法および装置 |
KR20100093668A (ko) * | 2009-02-17 | 2010-08-26 | 주식회사 만도 | 전자식 주차 브레이크의 진단 데이터 저장방법 |
CN103853144A (zh) * | 2012-11-29 | 2014-06-11 | 沈阳工业大学 | 基于采油生产数据的现场传感器故障检测方法 |
US20150067012A1 (en) * | 2013-08-28 | 2015-03-05 | Infineon Technologies Ag | Method and data processing device for reconstructing a vector |
CN104035431A (zh) * | 2014-05-22 | 2014-09-10 | 清华大学 | 用于非线性过程监控的核函数参数的获取方法和*** |
CN104111454A (zh) * | 2014-07-09 | 2014-10-22 | 电子科技大学 | 一种扫描雷达角超分辨率方法 |
CN104842990A (zh) * | 2014-10-24 | 2015-08-19 | 北汽福田汽车股份有限公司 | 车辆的制动检测***及方法 |
CN105259895A (zh) * | 2015-10-14 | 2016-01-20 | 山东科技大学 | 一种工业过程微小故障的检测和分离方法及其监测*** |
CN105730431A (zh) * | 2016-01-29 | 2016-07-06 | 清华大学 | 动车组制动缸故障监测方法及故障监测*** |
JP2019090749A (ja) * | 2017-11-16 | 2019-06-13 | 富士通株式会社 | 到来方向推定装置および到来方向推定方法 |
CN108092623A (zh) * | 2017-12-16 | 2018-05-29 | 西安理工大学 | 一种光伏阵列多传感器故障检测定位方法 |
CN109672406A (zh) * | 2018-12-20 | 2019-04-23 | 福州大学 | 一种基于稀疏表示和svm的光伏发电阵列故障诊断与分类的方法 |
CN109871000A (zh) * | 2019-02-25 | 2019-06-11 | 山东科技大学 | 一种数据驱动的闭环工业过程传感器故障诊断方法 |
CN110033135A (zh) * | 2019-04-15 | 2019-07-19 | 北京交通大学 | 多变量时间序列特征加强的列车制动***故障预测方法 |
CN110293949A (zh) * | 2019-06-06 | 2019-10-01 | 山东科技大学 | 一种高速列车空气制动***微小故障检测方法 |
CN111324105A (zh) * | 2020-02-27 | 2020-06-23 | 山东科技大学 | 一种基于统计量马氏距离的微小传感器故障检测和分离方法 |
Non-Patent Citations (5)
Title |
---|
刘佳音: "SVD降噪与排列熵方法在齿轮故障诊断中的应用", 《中国优秀硕士学位论文全文数据库(电子期刊)工程科技II辑》 * |
周东华等: "Fault Detection and Isolation of the Brake Cylinder System for Electric Multipe Unites", 《 IEEE TRANSACTIONS ON CONTROL SYSTEMS TECHNOLOGY》 * |
周东华等: "高速列车信息控制***的故障诊断技术", 《自动化学报》 * |
滕薇: "矿压监测***中传感器故障检测与分离算法研究", 《中国优秀硕士学位论文全文数据库(电子期刊)工程科技I辑》 * |
郑彦涛: "基于层次分析法的CRH380B动车组维修可靠性分析与研究", 《中国优秀硕士学位论文全文数据库(电子期刊)工程科技II辑》 * |
Also Published As
Publication number | Publication date |
---|---|
CN113511183B (zh) | 2022-05-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110293949B (zh) | 一种高速列车空气制动***微小故障检测方法 | |
CN108569607B (zh) | 基于双向门控循环神经网络的电梯故障预警方法 | |
DE4438859C2 (de) | Verfahren zur Analyse von Prozeßdaten einer technischen Anlage | |
EP0391047B1 (de) | Verfahren für die Bremsenprüfung und -überwachung bei Schienenfahrzeugen und Vorrichtung für die Ausübung des Verfahrens | |
CN111114519B (zh) | 一种铁路车辆制动故障预测方法及健康管理*** | |
CN104134010B (zh) | 一种基于朴素贝叶斯算法面向离散型数据的卫星故障诊断方法 | |
CN105730431B (zh) | 动车组制动缸故障监测方法及故障监测*** | |
CN102797671A (zh) | 一种往复压缩机的故障检测方法与装置 | |
CN105204496A (zh) | 动车组空气制动控制***传感器故障诊断的方法与*** | |
DE4438854C2 (de) | Überwachungssystem für eine technische Anlage | |
CN111071291B (zh) | 列车轮对监测***及列车轮对监测方法 | |
CN108709744B (zh) | 一种变负载工况下电机轴承故障诊断方法 | |
CN109507992B (zh) | 一种机车制动***部件的故障预测方法、装置及设备 | |
CN116047207A (zh) | 一种核电厂电动阀性能故障诊断评估方法 | |
CN110554682B (zh) | 基于故障关联分析的故障检测推理方法 | |
CN113511183B (zh) | 基于优化准则的高速列车空气制动***早期故障分离方法 | |
CN110097219A (zh) | 一种基于安全树模型的电动车辆运维优化方法 | |
CN109883598A (zh) | 一种轨道机车牵引力的检测方法 | |
CN110084500A (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 | |
CN109556861A (zh) | 一种基于案例推理的轴承实时故障诊断*** | |
CN112944603A (zh) | 用于轨道交通的空调健康评估方法 | |
DE202021100535U1 (de) | Fehlerdiagnose- und Wartungsvorrichtung für ein Bremssystem eines Hochgeschwindigkeitszugs | |
CN110879152A (zh) | 一种液体火箭发动机试验实时数据诊断策略 | |
Chen et al. | EPBS_FIDMV: A fault injection and diagnosis methods validation benchmark for EPBS of EMU | |
Wang et al. | Method of extracting characteristic parameters of medium-speed maglev train levitation controller based on relief algorithm |
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 |