-
公开(公告)号：CN116738299A
公开(公告)日：2023-09-12
申请号：CN202311031031.9
申请日：2023-08-16
Applicant: 西南交通大学
IPC: G06F18/24 , G06F18/23 , G06F18/214 , G06N3/088 , G06N3/096
Abstract: 本发明公开了一种高速列车蛇行状态识别与峰值预测方法，属于高速列车运行监测技术领域，包括：S1、采集高速列车构架的横向加速度信号构成源域数据集和目标域数据集；S2、对源域数据集进行源域选择，筛选参与训练的源域时域信号；S3、构建状态识别与峰值预测网络，并利用源域时域信号和目标域时域信号对其训练；S4、将待识别的横向加速度信号序列输入至训练好的状态识别与峰值预测网络中，获得当前高速列车状态识别结果及其对应的峰值预测结果。本发明方法可以有效的提升模型在迁移任务中的性能，可以完成对高速列车的蛇行状态识别任务与构架横向加速度峰值预测任务，从而可以识别并预测高速列车的蛇行趋势。
-
公开(公告)号：CN115017965B
公开(公告)日：2022-11-01
申请号：CN202210946734.3
申请日：2022-08-09
Applicant: 西南交通大学
Abstract: 本发明公开了基于HHT能量和最大李雅普诺夫指数的蛇行分类方法，包括以下步骤：S1、通过对仿真获得的不同运行状态下的构架横向加速度信号进行频域及周期性分析，确定蛇行分类阈值；S2、对实时采集的构架横向加速度信号进行HHT能量计算和最大Lyapunov指数分析，得到对应的HHT能量值和最大Lyapunov指数，并根据蛇行分类阈值对其进行蛇行分类及蛇行程度确定，完成当前蛇行分类。本发明利用HHT能量法与最大Lyapunov指数相结合，对车辆系统进行不同运行状态的定性识别和蛇行程度大小的定量分析，以实现对蛇行运动的具体监测。
-
公开(公告)号：CN112948981A
公开(公告)日：2021-06-11
申请号：CN202110378710.8
申请日：2021-04-08
Applicant: 西南交通大学
Abstract: 本发明公开了一种高速列车小幅蛇行演变趋势的区间预测方法，针对现有监测方法主要集中在对大幅蛇行的监测，而忽略了小幅蛇行的演变规律，提出了一种区间预测方法。本发明通过建立高速列车小幅蛇行失稳区间预测模型，使得当高速列车处于小幅蛇行状态时，能够预测构架横向加速度变化的区间，并且给出预测区间的置信度，从而更为快速地判断列车是否将会发生蛇行失稳(小幅收敛、小幅发散两种变化状态)，提高列车运行的安全性。基于以上问题，本发明公开的方法大大减少了模型待优化的参数，使得优化参数可快速收敛。将该方法用于小幅蛇行变化趋势的预测，可提高蛇行失稳识别的时效性。
-
公开(公告)号：CN102706569A
公开(公告)日：2012-10-03
申请号：CN201210159182.8
申请日：2012-07-06
Applicant: 西南交通大学
IPC: G01M17/08
Abstract: 一种高速动车组转向架蛇行运动失稳检测装置，用于在线监测高速列车运行过程中是否发生转向架蛇行失稳现象。包括主控制机系统和子测试系统两大部分，主控制机系统主要由人机交互模块、GPS模块、数据分析记录模块、现场总线控制模块组成。子测试系统主要由传感器模块、数据采集模块、数据分析模块、现场总线控制模块、数据存储模块组成。主控制机与子测试系统之通过现场总线方式进行数据通信。子测试系统实时监测转向架的横向振动状态，判断是否发生蛇行失稳，并通过现场总线发送失稳信息到主控制机，主控制机完成对失稳信息的分析工作，结合GPS模块，时钟模块准确给出失稳发生时的时间空间同步信息，发出报警信号并保存故障信息。
-
公开(公告)号：CN119475034A
公开(公告)日：2025-02-18
申请号：CN202411582552.8
申请日：2024-11-07
Applicant: 西南交通大学
IPC: G06F18/241 , G06F18/213 , G06F18/10 , G06F18/25 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了基于轮对运动状态特征的列车转向架蛇行状态识别方法，包括：S1、采集列车架构加速度信号，并选取构架横向加速度信号和纵向加速度信号，作为表征轮对运动状态的信号；S2、对表征轮对运动状态的信号进行滤波和时频变换处理，获得蛇行运动特征；S3、将所述蛇行运动特征输入至蛇行监测网络中，输出蛇行状态分类结果。本发明中选择能够间接反映轮对运动状态的构架加速度信号作为特征提取目标，同时采用CNN特征融合网络作为蛇行监测网络提取特征信息，该方法通过结合构架的横向和纵向加速度的时域、时频域信息特征能够识别出不同程度的蛇行状态，实现细粒度更高的蛇行运动状态识别。
-
Patent Agency Ranking
公开(公告)号：CN117029724A
公开(公告)日：2023-11-10
申请号：CN202310995985.5
申请日：2023-08-08
Applicant: 西南交通大学
IPC: G01B11/245 , G01M17/10 , B61K9/12
Abstract: 本发明公开了一种单轨列车走行部轮胎磨耗在线检测装置及方法，装置包括主机分析系统、高速图像采集系统以及到位检测系统；高速图像采集系统用于采集轮胎表面图像，并传输至主机分析系统；主机分析系统用于控制所述高速图像采集系统的工作，以及分析处理轮胎表面图像，实现磨耗检测；到位检测系统用于检测单轨列车是否到达检测区域，并将到达信号传输至主机分析系统，进而触发所述高速图像采集系统采集图像。本发明装置与现有的检测系统不同，不但可以在线检测和测量走行部轮胎的磨耗流量，同时使用了友好的人机交互界面，能方便的进行使用和参数设置，其易于操作，实用性强。
-
公开(公告)号：CN116738299B
公开(公告)日：2023-10-20
申请号：CN202311031031.9
申请日：2023-08-16
Applicant: 西南交通大学
IPC: G06F18/24 , G06F18/23 , G06F18/214 , G06N3/088 , G06N3/096
Abstract: 本发明公开了一种高速列车蛇行状态识别与峰值预测方法，属于高速列车运行监测技术领域，包括：S1、采集高速列车构架的横向加速度信号构成源域数据集和目标域数据集；S2、对源域数据集进行源域选择，筛选参与训练的源域时域信号；S3、构建状态识别与峰值预测网络，并利用源域时域信号和目标域时域信号对其训练；S4、将待识别的横向加速度信号序列输入至训练好的状态识别与峰值预测网络中，获得当前高速列车状态识别结果及其对应的峰值预测结果。本发明方法可以有效的提升模型在迁移任务中的性能，可以完成对高速列车的蛇行状态识别任务与构架横向加速度峰值预测任务，从而可以识别并预测高速列车的蛇行趋势。
-
公开(公告)号：CN114861741B
公开(公告)日：2022-09-13
申请号：CN202210807411.6
申请日：2022-07-11
Applicant: 西南交通大学
Abstract: 本发明公开了一种基于轮对横移量的蛇行状态识别方法，属于列车运行监测技术领域，包括：S1、构建车辆运行数据集；S2、对车辆运行数据集中的轮对横移信号进行分析及检验，得到蛇行状态分类结果；S3、基于车辆运行数据集中的传感器测点信号、轮对横移信号以及蛇行状态分类结果之间的对应关系，训练蛇行状态识别模型；S4、在列车运行过程中，将实际的传感器测点信号输入至蛇行状态识别模型中，得到蛇行状态识别结果。
-
公开(公告)号：CN112948981B
公开(公告)日：2022-06-21
申请号：CN202110378710.8
申请日：2021-04-08
Applicant: 西南交通大学
Abstract: 本发明公开了一种高速列车小幅蛇行演变趋势的区间预测方法，针对现有监测方法主要集中在对大幅蛇行的监测，而忽略了小幅蛇行的演变规律，提出了一种区间预测方法。本发明通过建立高速列车小幅蛇行失稳区间预测模型，使得当高速列车处于小幅蛇行状态时，能够预测构架横向加速度变化的区间，并且给出预测区间的置信度，从而更为快速地判断列车是否将会发生蛇行失稳(小幅收敛、小幅发散两种变化状态)，提高列车运行的安全性。基于以上问题，本发明公开的方法大大减少了模型待优化的参数，使得优化参数可快速收敛。将该方法用于小幅蛇行变化趋势的预测，可提高蛇行失稳识别的时效性。
-
公开(公告)号：CN110084185A
公开(公告)日：2019-08-02
申请号：CN201910336833.8
申请日：2019-04-25
Applicant: 西南交通大学
IPC: G06K9/00
Abstract: 本发明公开了一种高速列车小幅蛇行运行特征的快速提取方法。针对现有方法无法快速识别高速列车小幅蛇行运动状态(正常运行、小幅收敛、小幅发散和大幅蛇行)的问题，本发明采用平均经验模态分解(EEMD)方法对预处理后的信号进行分解，将其结果转换为能量矩阵，然后对能量矩阵进行非平稳条件下的联合近似对角化(JAD)处理，融合多个传感器的能量矩阵，得到融合后的高速列车小幅蛇行运行状态特征。通过将融合特征放入最小二乘法支持向量机进行训练和识别，验证了该方法能够快速且准确地将高速列车正常运行、小幅收敛、小幅发散和大幅蛇行四种运行状态分开，从而保障列车运行安全。
-
-
-
-
-
-
-
-
-
Search Results
23
records
(took 0.03 seconds)
