System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及城轨列车运维智能化领域,特别涉及城轨列车车门运维场景分类方法、装置、设备和存储介质。
技术介绍
1、城市轨道交通以其安全、高效、稳定、节能和环保的特点,在大中型城市中日益成为公众出行的首选,随着客流量的持续增长,地铁运营商也在逐步增加城轨列车的运营数量。在此背景下,如何在确保列车安全稳定运行的同时,降低运维成本并提升运维效率,成为了城市轨道交通领域亟待解决的关键问题。
2、车门系统作为城轨列车的关键组成部分,直接关系到乘客的人身安全和列车的运行安全。由于车门动作频繁且故障率相对较高,传统的人工运维方式已难以满足快速、精确的需求。因此,开展城轨列车开关门过程智能运维场景的识别与预测研究,对于实现故障预警和快速决策,进而为车门运维提供高效可靠的解决方案和维修策略,具有极其重要的意义。
3、专利技术人经过研究发现,现有技术中的车门故障诊断方法至少还存在以下缺陷:
4、在城轨列车实际运行过程中,由于车门周边环境的复杂性、车门故障发生的多源性与随机性,通过实验获得的数据无法覆盖所有故障模态,因此由实验数据训练构建的诊断模型、预测模型的预测性能差。
5、公开于该
技术介绍
部分的信息仅仅旨在增加对本专利技术的总体背景的理解,而不应当被视为承认或以任何形式暗示该信息构成已为本领域一般技术人员所公知的现有技术。
技术实现思路
1、本专利技术的目的在于可以准确得到各故障模态的故障特征值,使运维场景分类更准确,从而也提高了诊断模型、预测模型的预
2、本专利技术提供了一种城轨列车车门运维场景分类方法,包括步骤:
3、s11、根据城轨列车开关门过程确定运维场景类型;所述运维场景类型包括:正常运行、容错运行和应急决策;
4、s12、根据各所述运维场景类型分别定义单传感器数据运维场景和多传感器决策融合运维场景;其中,所述定义单传感器数据运维场景包括下列公式:
5、
6、公式中,pi为各单传感器数据运维场景分类标签;xp为单传感器数据原始值;θp为故障阈值;n为采样点数量;λ为故障特征值;λθ为单传感器数据场景分类阈值;
7、所述定义多传感器决策融合运维场景包括下列公式:
8、
9、公式中,p+为融合值;wi1、wi2、wi3分别为单传感器数据的场景分类结果的融合权值;s为传感器的数量;
10、s13、根据所述单传感器数据运维场景的定义和各所述单传感器历史数据,通过故障阈值训练和运维场景分类阈值训练得到单传感器数据运维场景分类;所述单传感器数据运维场景分类的类别包括转速、转矩和转角;
11、s14、根据各所述单传感器数据运维场景分类和所述多传感器决策融合运维场景的定义通过融合权值训练得到多传感器决策融合的运维场景分类。
12、优选的,本专利技术实施例中,所述通过故障阈值训练和运维场景分类阈值训练得到单传感器数据运维场景的分类,包括步骤:
13、s131、根据城轨列车开关门过程中采集电机的包括转速、转矩和转角的单传感器历史数据,根据各所述单传感器历史数据确定最佳拟合曲线;
14、s132、根据所述最佳拟合曲线的阶段划分确定故障阈值;并根据所述故障阈值将所述单传感器历史数据划分正常样本和故障样本;
15、s133、根据所述故障样本提取故障特征值;所述故障特征值包括:超调偏差均值、超调持续时间和超调变化率;
16、s134、根据所述故障特征值通过自适应分类阈值算法和故障特征值间阈值差异性改进算法得到运维场景分类阈值。
17、优选的,本专利技术实施例中,所述根据各所述单传感器历史数据确定最佳拟合曲线,包括:
18、通过下列公式计算所述单传感器历史数据各采样点数据的均值:
19、
20、公式中,为各采样点数据的均值;n为样本数量;n为开关门过程传感器采样点数量;xpi为第p个采样点、第i个样本的值。
21、优选的,本专利技术实施例中,所述最佳拟合曲线的阶段划分,包括:
22、加速阶段、平稳阶段、减速阶段和到位阶段。
23、优选的,本专利技术实施例中,所述故障阈值的确定,包括:
24、以各所述单传感器历史数据的原始值作为故障判断依据,通过下列公式计算所述单传感器历史数据各采样点的标准差:
25、
26、公式中,σp为采样点的标准差;n为样本数量;xp为单传感器数据原始值;n为开关门过程传感器采样点数量;xpi为第p个采样点、第i个样本的值。
27、优选的,本专利技术实施例中,根据所述故障样本提取故障特征值,包括:
28、超调偏差均值通过下列公式计算:
29、
30、公式中,a为连续超出阈值采样点的起始点;b为连续超出阈值采样点的结束点;
31、超调持续时间通过下列公式计算:
32、t=b-a+1
33、超调变化率通过下列公式计算:
34、
35、公式中,f为超调偏差第一次达到均值或一设定值的采样点;xf为采样点f的值;为采样点f各样本的均值;σf为采样点f各样本的标准差。
36、优选的,本专利技术实施例中,所述通过融合权值训练得到多传感器决策融合的运维场景分类,包括:
37、对各所述单传感器数据运维场景分类通过融合权值算法得到融合权值;
38、根据所述融合权值得到多传感器决策融合的运维场景分类。
39、在本专利技术的另一面,还提供了一种城轨列车车门运维场景分类装置,包括:
40、运维场景类型划分单元,用于根据城轨列车开关门过程确定运维场景类型;所述运维场景类型包括:正常运行、容错运行和应急决策;
41、运维场景定义单元,用于根据各所述运维场景类型分别定义单传感器数据运维场景和多传感器决策融合场景;其中,所述定义单传感器数据运维场景包括下列公式:
42、
43、公式中,pi为各单传感器数据场景分类标签;xp为单传感器数据原始值;θp为故障阈值;n为采样点数量;λ为故障特征值;λθ为单传感器数据场景分类阈值;
44、所述定义多传感器决策融合运维场景包括下列公式:
45、
46、公式中,p+为融合值;wi1、wi2、wi3分别为单传感器数据的场景分类结果的融合权值;s为传感器的数量;
47、单传感器数据运维场景分类构建单元,用于根据所述单传感器数据运维场景的定义和各所述单传感器历史数据,通过故障阈值训练和运维场景分类阈值训练得到单传感器数据运维场景分类;所述单传感器数据运维场景分类的类别包括转速、转矩和转角;
48、多传感器决策融合运维场景分类构建单元,用于根据各所述单传感器数据运维场景分类和所述多传感器决策融合运维场景的定义通过融合权值训练得到多传感器决策融合的运维场景分类。
本文档来自技高网...【技术保护点】
1.一种城轨列车车门运维场景分类方法,其特征在于,包括步骤:
2.根据权利要求1所述的城轨列车车门运维场景分类方法,其特征在于,所述通过故障阈值训练和运维场景分类阈值训练得到单传感器数据运维场景的分类,包括步骤:
3.根据权利要求2所述的城轨列车车门运维场景分类方法,其特征在于,所述根据各所述单传感器历史数据确定最佳拟合曲线,包括:
4.根据权利要求3所述的城轨列车车门运维场景分类方法,其特征在于,所述最佳拟合曲线的阶段划分,包括:
5.根据权利要求2所述的城轨列车车门运维场景分类方法,其特征在于,所述故障阈值的确定,包括:
6.根据权利要求2所述的城轨列车车门运维场景分类方法,其特征在于,根据所述故障样本提取故障特征值,包括:
7.根据权利要求1所述的城轨列车车门运维场景分类方法,其特征在于,所述通过融合权值训练得到多传感器决策融合的运维场景分类,包括:
8.一种城轨列车车门运维场景分类装置,其特征在于,包括:
9.一种城轨列车车门运维场景分类设备,其特征在于,包括:
1
...【技术特征摘要】
1.一种城轨列车车门运维场景分类方法,其特征在于,包括步骤:
2.根据权利要求1所述的城轨列车车门运维场景分类方法,其特征在于,所述通过故障阈值训练和运维场景分类阈值训练得到单传感器数据运维场景的分类,包括步骤:
3.根据权利要求2所述的城轨列车车门运维场景分类方法,其特征在于,所述根据各所述单传感器历史数据确定最佳拟合曲线,包括:
4.根据权利要求3所述的城轨列车车门运维场景分类方法,其特征在于,所述最佳拟合曲线的阶段划分,包括:
5.根据权利要求2所述的城轨列车车门运维场景分类方法,其特征在于,所述故障阈值的...
【专利技术属性】
技术研发人员:田颖,陈裕滨,乔沛然,湛杨,许盛,王太勇,
申请(专利权)人:天津大学,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。