CN112906915A - 一种基于深度学习的轨交系统故障诊断方法 - Google Patents
一种基于深度学习的轨交系统故障诊断方法 Download PDFInfo
- Publication number
- CN112906915A CN112906915A CN202110087150.0A CN202110087150A CN112906915A CN 112906915 A CN112906915 A CN 112906915A CN 202110087150 A CN202110087150 A CN 202110087150A CN 112906915 A CN112906915 A CN 112906915A
- Authority
- CN
- China
- Prior art keywords
- data
- rail transit
- fault diagnosis
- transit system
- deep learning
- 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 OR CALCULATING; COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/20—Administration of product repair or maintenance
-
- G—PHYSICS
- G06—COMPUTING OR CALCULATING; COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING OR CALCULATING; COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/40—Business processes related to the transportation industry
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Entrepreneurship & Innovation (AREA)
- General Engineering & Computer Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Primary Health Care (AREA)
- Train Traffic Observation, Control, And Security (AREA)
Abstract
本发明公开了一种基于深度学习的轨交系统故障诊断方法，包括整合轨交数据并进行归一化预处理；对预处理后的所述轨交数据进行特征提取；调整所述轨交数据的分布形成数据集，并建立循环神经网络模型；将所述数据集输入至所述循环神经网络模型中进行训练，并输出符合要求的所述数据集；利用通过训练的所述数据集进行轨交系统故障的诊断，在轨交系统的故障诊断中实现以智能化手段代替人工，使维保系统的智能化、数据化和信息化得到提升，大大减少了人员的投入，降低了人工成本，同时进一步提高了整条线路运营维保的可靠性、有效性和安全性。
Description
技术领域
本发明涉及轨交运维的技术领域，尤其涉及一种基于深度学习的轨交系统故障诊断方法。
背景技术
经过近十年的发展，我国已经成为全世界轨道交通发展最迅猛的国家，铁路和城市轨道交通每年新建线路遥遥领先，运营里程持续增长。轨道交通是我国国民经济的命脉和交通运输的骨干网络，不仅承担了绝大部分国家战略、经济物资的运输，还承担着客运运输职能，在促进我国资源输送、加强经济区域交流、解决城市交通拥挤等方面发挥了巨大作用。随着我国轨道交通网络的形成和发展，目前轨道交通行业开始逐步进入到建设与运营维护并重阶段，维护好轨道交通显得尤为重要。
目前，针对轨交系统故障诊断的工作还基于大量人员的现场作业，一方面随着轨交系统的容量增大，需配备大量的人员投入，人工成本不断增大；另一方面，现场工作人员在繁重的工作后无法始终确保系统故障诊断的可靠性，使得整条线路运营维保的有效性、安全性和可靠性大打折扣。
发明内容
本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊，而这种简化或省略不能用于限制本发明的范围。
鉴于上述现有轨交系统故障诊断方式存在的问题，提出了本发明。
因此，本发明解决的技术问题是：解决现有针对轨交系统故障诊断工作主要基于大量人员现场作业造成的成本加大及无法始终保证故障诊断可靠性的问题。
为解决上述技术问题，本发明提供如下技术方案：一种基于深度学习的轨交系统故障诊断方法，包括整合轨交数据并进行归一化预处理；对预处理后的所述轨交数据进行特征提取；调整所述轨交数据的分布形成数据集，并建立循环神经网络模型；将所述数据集输入至所述循环神经网络模型中进行训练，并输出符合要求的所述数据集；利用通过训练的所述数据集进行轨交系统故障的诊断。
作为本发明所述的基于深度学习的轨交系统故障诊断方法的一种优选方案，其中：整合所述轨交数据并进行归一化预处理包括获取不同来源、不同特征的所述轨交数据；依据各项所述轨交数据对应的选取特征值依次进行缩减预处理，获取缩减后的各项所述轨交数据；依次对缩减后的各项所述轨交数据进行归一化处理。
作为本发明所述的基于深度学习的轨交系统故障诊断方法的一种优选方案，其中：依据如下公式对所述轨交数据进行缩减预处理，获取缩减后的各项所述轨交数据，
其中，t为获取的所述轨交数据，t＇为缩减后的各项所述轨交数据，δ为各项所述轨交数据t对应的选取特征值。
作为本发明所述的基于深度学习的轨交系统故障诊断方法的一种优选方案，其中：对预处理后的所述轨交数据进行特征提取时的提取参考量为，
其中，δ＇为进行特征提取时的提取参考量，δ为各项所述轨交数据t对应的选取特征值。
作为本发明所述的基于深度学习的轨交系统故障诊断方法的一种优选方案，其中：调整所述轨交数据的分布包括建立拓扑结构，并将提取的特征输入至所述拓扑结构中；确定参考序列；获取提取的不同特征之间的综合关联度；将数据依照特征之间综合关联度从低到高外环式排列；形成平衡化数据集。
作为本发明所述的基于深度学习的轨交系统故障诊断方法的一种优选方案，其中：定义所述提取参考量最小为参考序列。
作为本发明所述的基于深度学习的轨交系统故障诊断方法的一种优选方案，其中：将所述数据集输入至所述循环神经网络模型中进行训练，并输出符合要求的所述数据集后验证并调整所述循环神经网络模型的超参数。
作为本发明所述的基于深度学习的轨交系统故障诊断方法的一种优选方案，其中：所述循环神经网络模型函数式为，
E＝t′·∑P·H(δ)
其中，t＇为缩减后的各项所述轨交数据，δ为各项所述轨交数据t对应的选取特征值，t为所述轨交数据，P为所述综合关联度函数值，H为各项所述轨交数据t对应的选取特征值δ函数值，E为所述循环神经网络模型输出量。
作为本发明所述的基于深度学习的轨交系统故障诊断方法的一种优选方案，其中：当所述循环神经网络模型E值输出量大于对应的t＇时，定义所述数据集中对应的数据通过所述循环神经网络模型的训练，符合要求。
本发明的有益效果：本发明在轨交系统的故障诊断中以智能化手段代替人工，维保系统的智能化、数据化和信息化得到提升，大大减少了人员的投入，降低了人工成本，同时进一步提高了整条线路运营维保的可靠性、有效性和安全性，打开了轨道交通智能运维的新天地。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。其中：
图1为本发明提供的方法流程图；
图2为本发明在数据库运行删减操作时的代码界面运行示意图；
图3为本发明提供的稀疏编码线性模型示意图之一；
图4为本发明所采用的拓扑结构示意图；
图5为本发明将数据依照特征之间综合关联度从低到高外环式排列后的示意图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合说明书附图对本发明的具体实施方式做详细的说明，显然所描述的实施例是本发明的一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域普通人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明的保护的范围。
实施例1
目前，针对轨交系统故障诊断的工作还基于大量人员的现场作业，一方面随着轨交系统的容量增大，需配备大量的人员投入，人工成本不断增大；另一方面，现场工作人员在繁重的工作后无法始终确保系统故障诊断的可靠性，使得整条线路运营维保的有效性、安全性和可靠性大打折扣。
故此，请参阅图1～5，本发明提供一种基于深度学习的轨交系统故障诊断方法，包括：
整合轨交数据并进行归一化预处理；
对预处理后的轨交数据进行特征提取；
调整轨交数据的分布形成数据集，并建立循环神经网络模型；
将数据集输入至循环神经网络模型中进行训练，并输出符合要求的数据集；
利用通过训练的数据集进行轨交系统故障的诊断。
进一步的，整合轨交数据并进行归一化预处理包括：
获取不同来源、不同特征的轨交数据；
依据各项轨交数据对应的选取特征值依次进行缩减预处理，获取缩减后的各项轨交数据；
依次对缩减后的各项轨交数据进行归一化处理。
需要说明的是：
①通过传感器获取不同来源、不同特征的轨交数据。且不同的传感器获取到相应的数据后统一连入数据库系统中进行归类处理。
值得注意的是，不同轨交数据在传输至数据库过程中依照“大存储量+小存储量”(即最大+最小，第二大+第二小，第三大+第三小……)的原则平均整合后传输，降低传输的数据压力，防止数据乱流的出现。
②获取的轨交数据包括锚段和定位点等。考虑到传感器获取的轨交数据量大，且过大的杂量数据一方面会增加数据库运算的压力，另一方面也会降低运算的准确性，故此，对传输至数据库中的大量数据进行一定的缩减处理。
其中，依据如下公式对轨交数据进行缩减预处理，获取缩减后的各项轨交数据，
其中，t为获取的轨交数据，t＇为缩减后的各项轨交数据，δ为各项轨交数据t对应的选取特征值。
具体的，针对不同来源的锚段轨交数据，选择δ为1.2～1.3，一般选择1.2位最佳选取特征值；针对不同来源的定位点轨交数据，选择δ为0.8～1.1，一般选择0.9最佳选取特征值。
额外的，如图2所示，为数据库运行相应的删减操作时的代码运行图，数据库进行缩减处理的程序算法为：
Spring.datasource.url＝jdbc:mysql://localhost:3307/springboot-crud-mysql-vuejs？serverTimezone＝UTC&useSSL＝false
Spring.datasource.username＝root
Spring.datasource.password＝(δ,δ＇)
Spring.datasource.driver-class-name＝com.mysql.jdbc.Driver
Spring.jpa.hibernate.ddl-auto＝create
Spring.jpa.database-platform＝org.hiberate.dialect.MySQL1.2Dialect
Spring.jpa.database-platform＝org.hiberate.dialect.MySQL0.9Dialect
Spring.jpa.generate-ddl＝true
Spring.jpa.show-sql＝true
Spring.freemarker.suffix＝.html
更进一步的，采用稀疏编码技术等自编码器技术对调整后的数据进行特征提取。
参阅图3，具体的，稀疏编码代价函数模型为：
详细的算法为：
输入：Signal:f(t),dictionaryD.
输出：List of coefficients:(an,grn).
初始化：
R1——f(t)；
n——1；
重复：
findgrn∈Dwith maximum inner product∣＜Rn,grn＞∣；
an——＜Rn,grn＞；
Rn+1——Rn-grn；
n——n+1；
直到达到稀疏停止条件，例如：∣∣Rn∣∣＜threshold.
其中，对预处理后的轨交数据进行特征提取时的提取参考量为，
其中，δ＇为进行特征提取时的提取参考量，δ为各项轨交数据t对应的选取特征值。
更进一步的，考虑到因设备种类、型号等的差异，所采集到的故障数据的分布可能极为不均衡，为了更好的泛化系统的预测能力，将不平衡的数据集平衡化，调整轨交数据的分布包括：
建立拓扑结构，并将提取的特征输入至拓扑结构中；
确定参考序列；
获取提取的不同特征之间的综合关联度；
将数据依照特征之间综合关联度从低到高外环式排列；
形成平衡化数据集。
其中，定义提取参考量最小为参考序列。
参阅图4，为采用的拓扑结构示意图。
参阅图5，为将数据依照特征之间综合关联度从低到高外环式排列后的示意图。
如下表1所示，为不调整轨交数据分布与本发明的预测结果性能对比表：
表1：预测结果性能对比表
| 数据库运算速率(字节/s) | 预测准确性(100％) | |
| 调整分布 | 3062.8 | 94.87 |
| 不调整分布 | 1022 | 73.25 |
由上表1所示，在数据库运算速率及预测的准确性上，调整分布后的性能均明显优于不调整分布的情况。
额外的，将数据集输入至循环神经网络模型中进行训练，并输出符合要求的数据集后验证并调整循环神经网络模型的超参数。
采用scikit-learn等技术实现传统的隐马尔可夫过程、条件随机场等，以及基于Tensorflow实现的循环神经网络等深度学习方法在数据集进行训练，并用交叉验证调整模型的超参数。
具体的，循环神经网络模型函数式为，
E＝t′·∑P·H(δ)
其中，t＇为缩减后的各项轨交数据，δ为各项轨交数据t对应的选取特征值，t为轨交数据，P为综合关联度函数值，H为各项轨交数据t对应的选取特征值δ函数值，E为循环神经网络模型输出量。
当循环神经网络模型E值输出量大于对应的t＇时，定义数据集中对应的数据通过循环神经网络模型的训练，符合要求。
如下表2所示，为采用本发明与传统方法在轨交系统诊断上的性能对比表：
表2：性能对比表(二)
由上表2所示，基于ROS平台，统计相应的结果。
由于传统技术在每个季度中仅通过人工方式检测8次，未检测出故障率，造成预测绝对准确性到达虚高的100％，而本发明实现智能检测，统计次数及预测的相对准确性都明显高于传统技术。
本发明在轨交系统的故障诊断中以智能化手段代替人工，维保系统的智能化、数据化和信息化得到提升，大大减少了人员的投入，降低了人工成本，同时进一步提高了整条线路运营维保的可靠性、有效性和安全性，打开了轨道交通智能运维的新天地。
应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。
Claims (9)
1.一种基于深度学习的轨交系统故障诊断方法，其特征在于：包括，
整合轨交数据并进行归一化预处理；
对预处理后的所述轨交数据进行特征提取；
调整所述轨交数据的分布形成数据集，并建立循环神经网络模型；
将所述数据集输入至所述循环神经网络模型中进行训练，并输出符合要求的所述数据集；
利用通过训练的所述数据集进行轨交系统故障的诊断。
2.根据权利要求1所述的基于深度学习的轨交系统故障诊断方法，其特征在于：整合所述轨交数据并进行归一化预处理包括，
获取不同来源、不同特征的所述轨交数据；
依据各项所述轨交数据对应的选取特征值依次进行缩减预处理，获取缩减后的各项所述轨交数据；
依次对缩减后的各项所述轨交数据进行归一化处理。
3.根据权利要求2所述的基于深度学习的轨交系统故障诊断方法，其特征在于：依据如下公式对所述轨交数据进行缩减预处理，获取缩减后的各项所述轨交数据，
其中，t为获取的所述轨交数据，t＇为缩减后的各项所述轨交数据，δ为各项所述轨交数据t对应的选取特征值。
4.根据权利要求1～3任一项所述的基于深度学习的轨交系统故障诊断方法，其特征在于：对预处理后的所述轨交数据进行特征提取时的提取参考量为，
其中，δ＇为进行特征提取时的提取参考量，δ为各项所述轨交数据t对应的选取特征值。
5.根据权利要求4所述的基于深度学习的轨交系统故障诊断方法，其特征在于：调整所述轨交数据的分布包括，
建立拓扑结构，并将提取的特征输入至所述拓扑结构中；
确定参考序列；
获取提取的不同特征之间的综合关联度；
将数据依照特征之间综合关联度从低到高外环式排列；
形成平衡化数据集。
6.根据权利要求5所述的基于深度学习的轨交系统故障诊断方法，其特征在于：定义所述提取参考量最小为参考序列。
7.根据权利要求1～3或5或6任一项所述的基于深度学习的轨交系统故障诊断方法，其特征在于：将所述数据集输入至所述循环神经网络模型中进行训练，并输出符合要求的所述数据集后验证并调整所述循环神经网络模型的超参数。
8.根据权利要求7所述的基于深度学习的轨交系统故障诊断方法，其特征在于：所述循环神经网络模型函数式为，
E＝t′·∑P·H(δ)
其中，t＇为缩减后的各项所述轨交数据，δ为各项所述轨交数据t对应的选取特征值，t为所述轨交数据，P为所述综合关联度函数值，H为各项所述轨交数据t对应的选取特征值δ函数值，E为所述循环神经网络模型输出量。
9.根据权利要求8所述的基于深度学习的轨交系统故障诊断方法，其特征在于：当所述循环神经网络模型E值输出量大于对应的t＇时，定义所述数据集中对应的数据通过所述循环神经网络模型的训练，符合要求。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110087150.0A CN112906915B (zh) | 2021-01-22 | 2021-01-22 | 一种基于深度学习的轨交系统故障诊断方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110087150.0A CN112906915B (zh) | 2021-01-22 | 2021-01-22 | 一种基于深度学习的轨交系统故障诊断方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112906915A true CN112906915A (zh) | 2021-06-04 |
| CN112906915B CN112906915B (zh) | 2024-03-22 |
Family
ID=76117517
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110087150.0A Active CN112906915B (zh) | 2021-01-22 | 2021-01-22 | 一种基于深度学习的轨交系统故障诊断方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112906915B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114996258A (zh) * | 2022-06-23 | 2022-09-02 | 中铁第四勘察设计院集团有限公司 | 一种基于数据仓库的接触网故障诊断方法 |
Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20170031329A1 (en) * | 2015-07-31 | 2017-02-02 | Fanuc Corporation | Machine learning method and machine learning device for learning fault conditions, and fault prediction device and fault prediction system including the machine learning device |
| CN107769972A (zh) * | 2017-10-25 | 2018-03-06 | 武汉大学 | 一种基于改进的lstm的电力通信网设备故障预测方法 |
| CN108960077A (zh) * | 2018-06-12 | 2018-12-07 | 南京航空航天大学 | 一种基于循环神经网络的智能故障诊断方法 |
| CN108985279A (zh) * | 2018-08-28 | 2018-12-11 | 上海仁童电子科技有限公司 | 多功能车辆总线mvb波形的故障诊断方法及装置 |
| CN109959122A (zh) * | 2019-03-11 | 2019-07-02 | 浙江工业大学 | 一种基于长短期记忆循环神经网络的空调能耗预测方法 |
| 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系统故障预测方法 |
| CN110222844A (zh) * | 2019-05-30 | 2019-09-10 | 西安交通大学 | 一种基于人工神经网络的压缩机性能预测方法 |
| CN110348513A (zh) * | 2019-07-10 | 2019-10-18 | 北京华电天仁电力控制技术有限公司 | 一种基于深度学习的风电机组故障预测方法 |
| CN110659779A (zh) * | 2019-09-26 | 2020-01-07 | 国网湖南省电力有限公司 | 一种基于长短期记忆网络的配电系统网损预测方法 |
| CN111060779A (zh) * | 2019-11-20 | 2020-04-24 | 安徽大学 | 一种基于概率神经网络的电网分区故障诊断方法及系统 |
| CN111505543A (zh) * | 2020-03-18 | 2020-08-07 | 中国电力科学研究院有限公司 | 一种基于循环神经网络对动态磁滞进行补偿的方法及系统 |
| CN111813084A (zh) * | 2020-07-10 | 2020-10-23 | 重庆大学 | 一种基于深度学习的机械装备故障诊断方法 |
| CN111898802A (zh) * | 2020-07-08 | 2020-11-06 | 贵州电网有限责任公司 | 一种基于深度神经网络的电网灾情评估方法 |
-
2021
- 2021-01-22 CN CN202110087150.0A patent/CN112906915B/zh active Active
Patent Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20170031329A1 (en) * | 2015-07-31 | 2017-02-02 | Fanuc Corporation | Machine learning method and machine learning device for learning fault conditions, and fault prediction device and fault prediction system including the machine learning device |
| CN107769972A (zh) * | 2017-10-25 | 2018-03-06 | 武汉大学 | 一种基于改进的lstm的电力通信网设备故障预测方法 |
| CN108960077A (zh) * | 2018-06-12 | 2018-12-07 | 南京航空航天大学 | 一种基于循环神经网络的智能故障诊断方法 |
| CN108985279A (zh) * | 2018-08-28 | 2018-12-11 | 上海仁童电子科技有限公司 | 多功能车辆总线mvb波形的故障诊断方法及装置 |
| CN109959122A (zh) * | 2019-03-11 | 2019-07-02 | 浙江工业大学 | 一种基于长短期记忆循环神经网络的空调能耗预测方法 |
| 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系统故障预测方法 |
| CN110222844A (zh) * | 2019-05-30 | 2019-09-10 | 西安交通大学 | 一种基于人工神经网络的压缩机性能预测方法 |
| CN110348513A (zh) * | 2019-07-10 | 2019-10-18 | 北京华电天仁电力控制技术有限公司 | 一种基于深度学习的风电机组故障预测方法 |
| CN110659779A (zh) * | 2019-09-26 | 2020-01-07 | 国网湖南省电力有限公司 | 一种基于长短期记忆网络的配电系统网损预测方法 |
| CN111060779A (zh) * | 2019-11-20 | 2020-04-24 | 安徽大学 | 一种基于概率神经网络的电网分区故障诊断方法及系统 |
| CN111505543A (zh) * | 2020-03-18 | 2020-08-07 | 中国电力科学研究院有限公司 | 一种基于循环神经网络对动态磁滞进行补偿的方法及系统 |
| CN111898802A (zh) * | 2020-07-08 | 2020-11-06 | 贵州电网有限责任公司 | 一种基于深度神经网络的电网灾情评估方法 |
| CN111813084A (zh) * | 2020-07-10 | 2020-10-23 | 重庆大学 | 一种基于深度学习的机械装备故障诊断方法 |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114996258A (zh) * | 2022-06-23 | 2022-09-02 | 中铁第四勘察设计院集团有限公司 | 一种基于数据仓库的接触网故障诊断方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112906915B (zh) | 2024-03-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111709244B (zh) | 一种用于矛盾纠纷事件因果关系识别的深度学习方法 | |
| WO2020244288A1 (zh) | 一种基于gps轨迹数据的大货车驾驶行为评估方法及装置 | |
| CN113640380B (zh) | 钢轨伤损检测多级分类方法及系统 | |
| CN112529341A (zh) | 一种基于朴素贝叶斯算法的钻井漏失机率预测方法 | |
| CN104240030B (zh) | 一种轨道交通路网动态安全风险评价方法 | |
| CN108665191B (zh) | 基于聚集效应的地铁站外关联区域计算方法 | |
| CN105678481A (zh) | 一种基于随机森林模型的管线健康状态评估方法 | |
| CN112650204B (zh) | 一种智慧轨道无人驾驶车辆故障基因识别方法及系统 | |
| CN113485863B (zh) | 基于改进生成对抗网络生成异构不平衡故障样本的方法 | |
| CN114331221A (zh) | 一种基于机器学习的混凝土工程量指标估算方法 | |
| CN110555565A (zh) | 基于决策树模型的高速路出口匝道事故严重程度预测方法 | |
| CN112612997B (zh) | 一种基于深度学习的油水相对渗透率曲线计算方法 | |
| CN113487855A (zh) | 一种基于emd-gan神经网络结构的交通流预测方法 | |
| CN119337273B (zh) | 一种基于用户分类和行为特征分析的内部威胁检测方法 | |
| CN112149750A (zh) | 一种供水管网爆管识别数据驱动方法 | |
| CN117216490B (zh) | 一种智能大数据采集系统 | |
| CN114021758A (zh) | 一种基于梯度提升决策树与逻辑回归融合的运维人员智能推荐方法和装置 | |
| CN113343640A (zh) | 一种海关报关商品hs编码分类方法及装置 | |
| CN112906915A (zh) | 一种基于深度学习的轨交系统故障诊断方法 | |
| CN115841750B (zh) | 一种轨道交通的故障预测方法、装置、设备及存储介质 | |
| Liu et al. | A two-stage clustering ensemble algorithm applicable to risk assessment of railway signaling faults | |
| CN119829776A (zh) | 一种铁路动车组故障规则学习方法及其系统 | |
| CN110879802A (zh) | 一种日志模式提取及匹配方法 | |
| CN114444765B (zh) | 基于KNN和AdaBoost的铁路事故类型预测方法 | |
| CN115392371B (zh) | 基于Boosting和多预测器融合的列车牵引能耗异常检测方法 |
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 | ||
| TA01 | Transfer of patent application right | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20230704 Address after: Room 603a, building 7, 266 Chuangyan Road, Qilin hi tech Industrial Development Zone, Nanjing, Jiangsu, 211100 Applicant after: Jiangsu Anshi Intelligent Technology Co.,Ltd. Address before: Room 603a, building 7, 266 Chuangyan Road, Qilin hi tech Industrial Development Zone, Nanjing, Jiangsu, 211100 Applicant before: Jiangsu Anshi Intelligent Technology Co.,Ltd. Applicant before: Fang Jian |
|
| GR01 | Patent grant | ||
| GR01 | Patent grant |