CN114118297B - 一种基于人工智能模式识别技术的thds***热轴判别方法 - Google Patents
一种基于人工智能模式识别技术的thds***热轴判别方法 Download PDFInfo
- Publication number
- CN114118297B CN114118297B CN202111494535.5A CN202111494535A CN114118297B CN 114118297 B CN114118297 B CN 114118297B CN 202111494535 A CN202111494535 A CN 202111494535A CN 114118297 B CN114118297 B CN 114118297B
- Authority
- CN
- China
- Prior art keywords
- waveform
- hot
- axis
- passing
- axle
- 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
- 238000003909 pattern recognition Methods 0.000 title claims abstract description 14
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 9
- 238000012850 discrimination method Methods 0.000 title claims abstract description 9
- 238000005516 engineering process Methods 0.000 title claims abstract description 9
- 238000005070 sampling Methods 0.000 claims abstract description 24
- 238000000034 method Methods 0.000 claims abstract description 16
- 230000002159 abnormal effect Effects 0.000 claims description 30
- 238000001514 detection method Methods 0.000 claims description 18
- 238000012795 verification Methods 0.000 claims description 6
- 230000005284 excitation Effects 0.000 claims description 4
- 230000003247 decreasing effect Effects 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 abstract description 4
- 239000000523 sample Substances 0.000 description 14
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000015556 catabolic process Effects 0.000 description 2
- 238000006731 degradation reaction Methods 0.000 description 2
- 230000000630 rising effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000035939 shock Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/285—Selection of pattern recognition techniques, e.g. of classifiers in a multi-classifier system
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
- G06F2218/10—Feature extraction by analysing the shape of a waveform, e.g. extracting parameters relating to peaks
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
- Train Traffic Observation, Control, And Security (AREA)
Abstract
一种基于人工智能模式识别技术的THDS***热轴判别方法,涉及大数据及人工智能模式识别领域。本发明是为了解决目前的热轴判别方法无法高效识别由于外界干扰造成的热轴,从而导致的误报率高、预报兑现率低的问题。本发明包括:获取过车报文,进行报文解析获得过车数据;将过车数据输入到热轴判别模型中获得热轴预报;采用IPA模型分析热轴预报的过车热轴波形获得过车热轴判别结果。本发明将热轴波形归一化处理,根据标准样本波形计算热轴波形拐点、偏差角度并进行补偿,根据比对波形的匹配度、采样点的位置及面积比对过车热轴数据进行实时综合分析判断是否为正常热轴波形。本发明用于判别热轴预报是否准确。
Description
技术领域
本发明涉及大数据及人工智能模式识别领域,特别涉及一种基于人工智能模式识别技术的THDS***热轴判别方法。
背景技术
列车轴承温度过高是轴承出现故障的重要征兆。铁路红外轴温探测***(THDS)能够探测运行列车的轴承温度,根据轴温判别轴承是否发生故障,避免因车辆轴承故障而导致列车运行事故,是保障列车运行安全的重要技术装备。THDS通过在铁轨两侧安装的红外探头,实时探测列车通过时各车辆轴承的温度,据此判断是否存在故障轴承(简称热轴),并通过通信网络将预报的热轴故障及时报告给列车调度***,防止事故的发生。
THDS是保障铁路运输安全的重要安全监测设备,目前已经在全路广泛应用,但是随着技术水平的提升设备类型也日渐多元化,数据特征的提取难度越来越大;此外,由于探测设备处于复杂的运行环境中,易受干扰,传统热轴判别方式对外界干扰造成的热轴无法高效识别,存在误报率高,热轴预报兑现率较差的问题,尤其是激、强热预报过多会造成列车拦停而扰乱正常的行车秩序,对列车运行效率和铁路运输安全造成严重影响。
发明内容
本发明目的是为了解决目前的热轴判别方法无法高效识别由于外界干扰造成的热轴,从而导致的误报率高、预报兑现率低的问题,而提出了一种基于人工智能模式识别技术的THDS***热轴判别方法。
一种基于人工智能模式识别技术的THDS***热轴判别方法具体过程为:
步骤一、获取过车报文,进行报文解析获得过车数据;
步骤二、将过车数据输入到热轴判别模型中获得热轴预报;
步骤三、采用IPA模型分析热轴预报对应的待判别过车热轴波形获得过车热轴判别结果,包括以下步骤:
S1、分别获取货车和客车的平均过车热轴波形,将货车和客车的平均过车热轴波形进行归一化分别获得客车标准过车热轴波形和货车标准过车热轴波形,均记为标准过车热轴波形S(xsi,ysi),i=1,…,32,并确定标准过车热轴波形的拐点位置坐标;
其中,i是标准过车热轴波形上采样点的标号;
S2、将待判别过车热轴波形归一化获得归一化后的待判别过车热轴波形D(xj,yj),j=1,…,32,并基于S1建立的标准过车热轴波形和归一化后的待判别过车热轴波形获得待判别过车热轴波形拐点的坐标;
其中,j为归一化后的待判别过车热轴波形上的采样点标号;
所述归一化后的待判别过车热轴波形为最大值为1000最小值为0的32点过车热轴波形;
S3、将S1获得的标准过车热轴波形的拐点位置坐标与S2获得的待判别过车热轴波形的拐点的坐标比对获得待判别过车热轴波形左右偏移补偿值Δx从而校正过车热轴波形角度;
S4、将S3获得的校正后的过车热轴波形的采样点与S1获得标准过车热轴波形的采样点进行比对获得模型对比参数σ:
S5、根据S4获得的σ值验证过车热轴波形是否正常,若波形异常则执行S6;若波形正常则正常输出预报热轴,结束判别;
S6、综合双探和S5获得的验证结果再次判断热轴波形是否异常,若仍异常则输出异常信息结束热轴判别,若再次判断热轴波形为正常热轴波形则正常预报热轴并结束热轴判别。
本发明的有益效果为:
本发明提出人工智能模式识别算法IPA(Intelligent Positioning Algorithm),将热轴波形归一化处理,根据标准样本波形计算热轴波形拐点、偏差角度并进行补偿,根据比对波形的匹配度、采样点的位置及面积比等条件对所有设备类型的过车热轴数据进行实时综合分析判断是否为正常热轴波形,对干扰造成的热轴波形进行智能判别,同时结合双探设备的特性分析热轴,有效剔除干扰,进而降低了误报率,提高了THDS热轴预报兑现率。此外,本发明提出的IPA模型也可以通过对所有过车热轴数据波形进行实时智能分析和判断,根据特征对尚未预报热轴的异常信息进行提示,实现早期预警THDS探测站设备故障的目的。
附图说明
图1为THDS***整体结构图;
图2为THDS***应用IPA数据流程图;
图3为波形判别模块流程图;
图4为货车过车热轴波形判别流程图;
图5为客车过车热轴波形判别流程图;
图6为正常波形与异常波形对比图;
图7为波形角度偏移曲线图;
图8为挡键波形举例曲线图。
具体实施方式
具体实施方式一:本实施方式一种基于人工智能模式识别技术的THDS***热轴判别方法,如图2所示,包括以下步骤:
步骤一、获取过车报文,进行报文解析获得过车数据;
步骤二、将过车数据输入到热轴判别模型中获得热轴预报;
步骤三、采用IPA模型分析热轴预报的过车热轴波形获得过车热轴判别结果,如图3-5所示,包括以下步骤:
S1、建立标准过车热轴波形S(xsi,ysi),i=1,…,32并确定标准过车热轴波形的拐点位置坐标;
其中,i是标准过车热轴波形上采样点的标号;
S2、将待判别过车热轴波形归一化获得归一化后的待判别过车热轴波形D(xj,yj),j=1,…,32,基于S1建立的标准过车热轴波形和归一化后的待判别过车热轴波形获得待判别过车热轴波形拐点的坐标;
其中,j为归一化后的待判别过车热轴波形上的采样点标号;
所述归一化后的待判别过车热轴波形为最大值为1000最小值为0的32点过车热轴波形;
S3、将S1获得的标准过车热轴波形的拐点位置坐标与S2获得的待判别过车热轴波形的拐点的坐标比对获得待判别过车热轴波形左右偏移补偿值Δx从而校正过车热轴波形角度;
S4、将S3获得的校正后的过车热轴波形的采样点与S1获得标准过车热轴波形的采样点进行比对获得模型对比参数σ:
S5、根据S4获得的σ值验证过车热轴波形是否正常,若波形异常则执行S6;若波形正常则正常输出预报热轴,结束判别;
S6、综合双探和S5获得的验证结果再次判断热轴波形是否异常,若仍异常则输出异常信息结束热轴判别,若再次判断热轴波形为正常热轴波形则正常预报热轴并结束热轴判别。
具体实施方式二、所述S1中建立标准过车热轴波形S(xsi,ysi),i=1,…,32并确定标准过车热轴波形的拐点位置坐标,包括以下步骤:
S101、分别获取货车和客车的平均过车热轴波形:
首先,获取大量的货车过车热轴波形特征和客车过车热轴波形特征作为货车热轴波形数据集和客车热轴波形数据集;
然后,获取货车热轴波形数据集中的热轴波形特征与正常过车热轴波形特征的相似度,保留相似度大于第一阈值的货车过车热轴波形特征并取平均值,获得货车平均过车热轴波形;
所述正常过车热轴波形为:基于32个采样点的峰顶平直且较宽的类梯形波。根据轴承类型和扫描位置的差异,波形一般有2至5个起始点,3至6个上升点,由于速度的变化,峰值宽度也在8至14个点变动,其下降部分和尾部基本与上升和起始部分是对称分布的(如图6中的正常曲线)。
最后,获取客车热轴波形数据集中的热轴波形特征与正常过车热轴波形特征的相似度,保留相似度大于第二阈值的客车过车热轴波形特征并取平均值,获得客车平均过车热轴波形;
所述第一阈值为80%;所述第二阈值为60%;
S102、将S101获取的货车和客车的平均过车热轴波形进行归一化分别获得客车标准过车热轴波形和货车标准过车热轴波形;
分别将货车和客车的平均过车热轴波形特征归一化为最大值为1000最小值为0的32点标准过车热轴波形;
S103、确定货车标准过车热轴波形和客车标准过车热轴波形的拐点位置为T1(xst1,yst1)、T2(xst2,yst2)、T3(xst3,yst3)、T4(xst4,yst4);
具体实施方式三:所述S2中基于S1建立的标准过车热轴波形和归一化后的待判别过车热轴波形获得待判别过车热轴波形拐点的坐标如下:
其中,S(xsi,ysi),i=1,…,32为标准过车热轴波形,i为标准过车热轴波形上采样点的标号;t1为第一拐点的标号,t2为第二拐点的标号,t3为第三拐点的标号,t4为第四拐点的标号,标准过车热轴波形的采样点及四个拐点为已知坐标点。m为待判别过车热轴波形拐点位置的取值范围,以第一拐点为例,m=1,…,10表示第一拐点的取值区间为待判别过车热轴波形的第一到第十个采样点;DTk(xtk,ytk)为待判别过车热轴波形拐点的位置坐标,k={1,2,3,4},n≥3为计算过车热轴波形拐点需要的连续采样点的个数,j为待判别过车热轴波形上采样点的标号,D(xj,yj),j=1,…,32为待判别过车热轴波形,xtk为待判别过车热轴波形拐点的横坐标。
根据测试,当n<3时,计算获取拐点的误差较大,当n>5时,增加了计算复杂度,因此n取[3,5]范围对32点热轴波形最为适宜。
具体实施方式四:所述S3中左右偏移补偿值Δx通过以下公式获得:
本实施方式中,由于设备在安装及探测过程中存在角度的偏差(图7),因此需要对热轴波形角度进行校正,防止由于角度偏差造成波形识别误判。以标准样本波形拐点为基准,对实际热轴波形左右偏移的部分进行补偿。
具体实施方式五:所述S4中将S3获得的校正后的过车热轴波形的采样点与S1获得标准过车热轴波形的采样点进行比对获得模型对比参数σ,如下:
具体实施方式六:所述S5中根据S4获得的σ值验证过车热轴波形是否正常通过以下方式验证:
当σ<200时,则客车和货车均为正常过车热轴波形;
当货车过车热轴波形对比参数值σ≥200时,且待判定货车过车热轴波形面积/货车标准过车热轴波形面积<85%,且四个拐点横坐标符合xt4>xt3>xt2>xt1,且在(xt4,yt4)之后的矢量无抬起变化,可判定为“挡键”热轴(举例如图8所示),认定热轴波形正常;若上述条件任一条件不满足则认为波形异常;
当货车过车热轴波形对比参数值200≤σ<260时,且货车过车热轴波形面积/货车标准过车热轴波形面积在[85%,115%]区间,且四个拐点横坐标符合xt4,>xt3>xt2>xt1,根据拐点位置可判定为厂车类轴承较宽波形,认定热轴波形正常;若上述条件任一条件不满足则认为波形异常。
当客车过车热轴对比参数值200≤σ<450时,且客车过车热轴波形面积/客车标准过车热轴波形面积在[65%,115%]区间,且波形矢量变化满足整体先上升后下降的变化趋势(波形平滑),认定过车热轴波形正常;若上述条件任一条件不满足则认为波形异常;
当客车过车热轴对比参数值200≤σ<650时,且客车过车热轴波形面积/客车标准过车热轴波形面积在[45%,65%]区间,且过车热轴波形矢量变化满足整体先上升后下降的变化趋势(波形平滑),认定过车热轴波形正常;若上述条件任一条件不满足则认为波形异常;
具体实施方式七:所述S6中综合双探和S5获得的验证结果再次判断热轴波形是否异常,通过以下方式判断:
S601、计算热轴预报中内外探温升差ΔTemp;
S602、根据S601计算出的ΔTemp判断热轴预报是否正确:
当ΔTemp>50度,且波形识别为异常时,则热轴预报错误,将激、强热轴降为微热;
当ΔTemp>30度,且波形识别为异常时,则热轴预报正确,将激、强热轴降1级预报。
本实施方式中,但由于实际列车车轴存在差异,相同车型由于挡键(也是正常波形的一种)等原因也会造成热轴波形的变化(如图8),此时根据统一样本模型判断热轴易造成误判;但建立过多模型又增加了算法的复杂性,影响设备运行效率,因此IPA对初次判定结果进行进一步补充判定。热轴是根据温升等条件预报,温升越高,热轴等级越高(激热为最高等级,强热次之,微热最低),危害越大。双探设备通过内、外探两组探头对列车轴温进行探测,获取的温升数据可以相互印证热轴预报结果。IPA模型在处理热轴数据时,通过解析数据可以获取对应探头的温升参数,根据对大量热轴相关数据的验证,发现当内、外探温升相差较大且热轴波形异常时,对应热轴的误报情况较多。
本实施方式的有益效果为:有效运用了人工智能模式识别模型,结合双探设备完善热轴模式识别。双探不是简单的数据冗余,而是内、外探之间的互为补充、互相印证,有效结合内、外探的轴温规律,提高IPA正确率,从而达到提高热轴预报准确率的目的。
实施例1:THDS监测中心应用IPA,具体热轴判别过程如下:
THDS***整体结构图如图1所示,当THDS探测站通过列车后,将探测数据传入THDS监测中心,根据具体实施方式所述的过程,监测中心接收探测数据经过处理后将热轴数据传输至IPA,IPA处理后将结果传回监测中心,监测中心根据IPA结果对热轴进行降级或剔除等操作。
实施例2:THDS探测站应用IPA,具体热轴判别过程如下:
当THDS探测站通过列车后,根据具体实施方式所述的过程,将探测数据传入IPA模型,IPA对所有过车热轴波形进行智能分析后,将结果传入THDS监测中心,监测中心结合IPA结果对热轴进行降级或剔除处理,并对设备故障等异常信息进行预警提示。
Claims (3)
1.一种基于人工智能模式识别技术的THDS***热轴判别方法,其特征在于所述方法具体过程为:
步骤一、获取过车报文,进行报文解析获得过车数据;
步骤二、将过车数据输入到热轴判别模型中获得热轴预报;
步骤三、采用IPA模型分析热轴预报对应的待判别过车热轴波形获得过车热轴判别结果,包括以下步骤:
S1、分别获取货车和客车的平均过车热轴波形,将货车和客车的平均过车热轴波形进行归一化分别获得客车标准过车热轴波形和货车标准过车热轴波形,均记为标准过车热轴波形S(xsi,ysi),i=1,…,32,并确定标准过车热轴波形的拐点位置坐标;
其中,i是标准过车热轴波形上采样点的标号;
标准过车热轴波形的拐点位置坐标分别为:T1(xst1,yst1)、T2(xst2,yst2)、T3(xst3,yst3)、T4(xst4,yst4);
将货车和客车的平均过车热轴波形进行归一化为最大值为1000最小值为0的32点标准过车热轴波形;
S2、将待判别过车热轴波形归一化获得归一化后的待判别过车热轴波形D(xj,yj),j=1,…,32,并基于S1建立的标准过车热轴波形和归一化后的待判别过车热轴波形获得待判别过车热轴波形拐点的坐标;
其中,j为归一化后的待判别过车热轴波形上的采样点标号;
所述归一化后的待判别过车热轴波形为最大值为1000最小值为0的32点过车热轴波形;
基于S1建立的标准过车热轴波形和归一化后的待判别过车热轴波形获得待判别过车热轴波形拐点的坐标,分别为:
其中,S(xsi,ysi)为标准过车热轴波形,i为标准过车热轴波形上的采样点标号;t1为第一拐点的标号,t2为第二拐点的标号,t3为第三拐点的标号,t4为第四拐点的标号,m为待判别过车热轴波形拐点位置的取值范围;DTk(xtk,ytk)为待判别过车热轴波形拐点的位置,k={1,2,3,4},n≥3为计算过车热轴波形拐点需要的连续采样点的个数,xtk为待判别过车热轴波形拐点的横坐标;
S3、将S1获得的标准过车热轴波形的拐点位置坐标与S2获得的待判别过车热轴波形的拐点的坐标比对获得待判别过车热轴波形左右偏移补偿值Δx从而校正过车热轴波形角度;
左右偏移补偿值Δx,通过以下公式获得:
S4、利用S3获得的校正后的过车热轴波形的采样点和S1获得的标准过车热轴波形的采样点获取模型对比参数σ:
S5、根据S4获得的σ值验证过车热轴波形是否正常,若波形异常则执行S6;若波形正常则正常输出预报热轴,结束判别;
根据S4获得的σ值验证过车热轴波形是否正常通过以下方式验证:
当σ<200时,则客车和货车均为正常过车热轴波形;
当货车过车热轴波形对比参数值σ≥200时,且待判定货车过车热轴波形面积/货车标准过车热轴波形面积<85%,且四个拐点横坐标符合xt4>xt3>xt2>xt1,同时货车过车热轴波形在(xt4,yt4)之后的矢量无抬起变化,则判定为“挡键”热轴,认定热轴波形正常,若上述条件任一条件不满足则认为波形异常;
当货车过车热轴波形对比参数值200≤σ<260时,且货车过车热轴波形面积/货车标准过车热轴波形面积在[85%,115%]区间,且四个拐点横坐标符合xt4>xt3>xt2>xt1,则判定为厂车类轴承较宽波形,认定热轴波形正常,若上述条件任一条件不满足则认为波形异常;
当客车过车热轴波形对比参数值200≤σ<450时,且客车过车热轴波形面积/客车标准过车热轴波形面积在[65%,115%]区间,且波形矢量变化满足整体先上升后下降的变化趋势,认定过车热轴波形正常,若上述条件任一条件不满足则认为波形异常;
当客车过车热轴波形对比参数值200≤σ<650时,且客车过车热轴波形面积/客车标准过车热轴波形面积在[45%,65%]区间,且过车热轴波形矢量变化满足整体先上升后下降的变化趋势,认定过车热轴波形正常,若上述条件任一条件不满足则认为波形异常;
S6、综合双探和S5获得的验证结果再次判断热轴波形是否异常,若仍异常则输出异常信息结束热轴判别,若再次判断热轴波形为正常热轴波形则正常预报热轴并结束热轴判别;
综合双探和S5获得的验证结果再次判断热轴波形是否异常,包括以下步骤:
S601、计算热轴预报中内外探温升差ΔTemp;
S602、根据S601计算出的ΔTemp判断热轴预报是否正确,如下:
当ΔTemp>50度,且波形识别为异常时,则热轴预报错误,将激、强热轴降为微热;
当ΔTemp>30度,且波形识别为异常时,则热轴预报正确,将激、强热轴降1级预报。
2.根据权利要求1所述的一种基于人工智能模式识别技术的THDS***热轴判别方法,其特征在于:所述S1中分别获取货车和客车的平均过车热轴波形,包括以下步骤:
首先,获取大量的货车过车热轴波形特征和客车过车热轴波形特征作为货车热轴波形数据集和客车热轴波形数据集;
然后,获取货车热轴波形数据集中的热轴波形特征与正常过车热轴波形特征的相似度,保留相似度大于第一阈值的货车过车热轴波形特征并取平均值,获得货车平均过车热轴波形;
最后,获取客车热轴波形数据集中的热轴波形特征与正常过车热轴波形特征的相似度,保留相似度大于第二阈值的客车过车热轴波形特征并取平均值,获得客车平均过车热轴波形。
3.根据权利要求2所述的一种基于人工智能模式识别技术的THDS***热轴判别方法,其特征在于:所述第一阈值为80%;所述第二阈值为60%。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111494535.5A CN114118297B (zh) | 2021-12-08 | 2021-12-08 | 一种基于人工智能模式识别技术的thds***热轴判别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111494535.5A CN114118297B (zh) | 2021-12-08 | 2021-12-08 | 一种基于人工智能模式识别技术的thds***热轴判别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114118297A CN114118297A (zh) | 2022-03-01 |
CN114118297B true CN114118297B (zh) | 2024-06-04 |
Family
ID=80364267
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111494535.5A Active CN114118297B (zh) | 2021-12-08 | 2021-12-08 | 一种基于人工智能模式识别技术的thds***热轴判别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114118297B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107972695A (zh) * | 2017-12-06 | 2018-05-01 | 株洲中车轨道交通装备有限公司 | 一种物联网轨道车辆车轴健康状态智能监测管理***装置 |
CN110243598A (zh) * | 2019-06-12 | 2019-09-17 | 中国神华能源股份有限公司 | 列车轴承温度的处理方法、装置及存储介质 |
KR20190142600A (ko) * | 2018-06-18 | 2019-12-27 | 큐브바이트 주식회사 | 머신러닝을 이용한 시계열 데이터의 에너지 엔트로피 기반의 진동 이상 징후 탐지시스템 |
CN110631832A (zh) * | 2019-10-22 | 2019-12-31 | 北京市地铁运营有限公司地铁运营技术研发中心 | 地铁车辆轴承故障在线检测方法 |
-
2021
- 2021-12-08 CN CN202111494535.5A patent/CN114118297B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107972695A (zh) * | 2017-12-06 | 2018-05-01 | 株洲中车轨道交通装备有限公司 | 一种物联网轨道车辆车轴健康状态智能监测管理***装置 |
KR20190142600A (ko) * | 2018-06-18 | 2019-12-27 | 큐브바이트 주식회사 | 머신러닝을 이용한 시계열 데이터의 에너지 엔트로피 기반의 진동 이상 징후 탐지시스템 |
CN110243598A (zh) * | 2019-06-12 | 2019-09-17 | 中国神华能源股份有限公司 | 列车轴承温度的处理方法、装置及存储介质 |
CN110631832A (zh) * | 2019-10-22 | 2019-12-31 | 北京市地铁运营有限公司地铁运营技术研发中心 | 地铁车辆轴承故障在线检测方法 |
Non-Patent Citations (1)
Title |
---|
车辆轴温智能探测***(THDS)探测客车热轴预报规律的研究;马千里;;铁道车辆;20160210(第02期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN114118297A (zh) | 2022-03-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106548147B (zh) | 一种快速的噪声鲁棒性图像异物检测方法及teds*** | |
CN107966307B (zh) | 一种基于振动加速度的列车运行安全在线监测方法 | |
CN102629298B (zh) | 一种轨道交通***运行安全评估方法 | |
CN109443264B (zh) | 一种轨道车辆轮饼参数在线测量装置及方法 | |
CN113192331B (zh) | 一种网联环境下面向骑行安全的智能预警***及预警方法 | |
CN104899423B (zh) | 一种动车组子***关键部件运用可靠性评估方法 | |
Braga et al. | Multivariate statistical aggregation and dimensionality reduction techniques to improve monitoring and maintenance in railways: The wheelset component | |
CN108961473A (zh) | 一种基于智能网联汽车控制中心的车辆状态评估预警方法 | |
CN110793501A (zh) | 一种地铁隧道限界检测方法 | |
CN114118297B (zh) | 一种基于人工智能模式识别技术的thds***热轴判别方法 | |
CN101509837B (zh) | 轨道车辆横向动力学性能地面监测评估方法 | |
CN117541936A (zh) | 一种基于卫星图像的港口航运信息挖掘方法 | |
CN117409039A (zh) | 一种基于虚拟点跟踪网络的轮轨相对位移计算方法 | |
CN108944998B (zh) | 一种列车车轮检测及维护*** | |
CN116304506A (zh) | 一种基于实时风险评估的船桥撞击隐患分析方法 | |
CN116186877A (zh) | 用于识别交通工具的特性的方法和装置 | |
US20210139060A1 (en) | Method and arrangement for identifying a rail vehicle wheel | |
CN110304108B (zh) | 能够防止丢轴的计轴***及计轴设备 | |
Mal et al. | Modern condition monitoring systems for railway wheel-set dynamics: Performance analysis and limitations of existing techniques | |
Asplund et al. | Assessment of the data quality of wayside wheel profile measurements. | |
CN117585038B (zh) | 风切变下高速列车运行安全与振动舒适性耦合评估方法 | |
CN117585038A (zh) | 风切变下高速列车运行安全与振动舒适性耦合评估方法 | |
CN115472040B (zh) | 基于碰撞概率场的网联车辆个性化防碰撞预警方法 | |
Sun et al. | Research on Safety Evaluation System and Evaluation Method of Rolling Stock Equipment Portrait | |
CN118111331A (zh) | 一种基于机器视觉的轮轨相对位移检测方法、设备及可读介质 |
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 |