动车组监测数据分析与智能运维关键技术研究

结题报告
项目介绍
AI项目解读

基本信息

  • 批准号:
    61873201
  • 项目类别:
    面上项目
  • 资助金额:
    66.0万
  • 负责人:
  • 依托单位:
  • 学科分类:
    F0308.智能制造自动化系统理论与技术
  • 结题年份:
    2022
  • 批准年份:
    2018
  • 项目状态:
    已结题
  • 起止时间:
    2019-01-01 至2022-12-31

项目摘要

The increasing operation costs and safety pressures are giving a serious challenge to the traditional maintenance of Electric Multiple Unit (EMU), which is mainly based on experience and theoretical model. Although the running states of EMU have been completely monitored, the equipment failures are still frequently, and on the other hand, various kinds of data-based fault diagnosis and early warning algorithms are hardly to be employed. Regarding that the data quality has become the bottleneck of data mining, this project extracts key scientific issues from the actual needs, and a scientific and technological research focusing on monitoring data will be explored. Different from traditional methods which tries to restrain the noise., a monitoring data filtering method based on deep learning and the similarity of noise is to be proposed, so that the characteristics of the system can be estimated accurately; Secondly, by mining the intermittent and heterogeneous characteristics of missing data, high density missing data recovery method based on data reliability and availability evaluation is proposed, by merging data autocorrelation and cross-correlation features. Then by breaking through the thinking pattern that data determining image, an inverse model for reconstructing data from an image is to be established. Further, in order to balance the conflicting requirements in representing the overall trend and the detailed information, a state trend analysis method based on scale transformation and iterative fusion is to be proposed. At last, a data-based EMU smart operation and maintenance system is to be developed, which can provide a scientific basis for the long-term development of China's high-speed railways.
日益增长的运维成本和安全压力,对以经验和机理模型为主的动车组运维模式提出了挑战。尽管目前已实现了动车组运行状态的全面监测,然而,一方面,设备故障依旧频发,另一方面,基于数据的故障诊断和预警算法难以落地。针对数据质量已成为数据价值挖掘的瓶颈,本项目从实际需求提炼关键科学问题,围绕监测数据分析展开科技攻关。区别于传统的将噪声“抑制”的定势思维,提取数据噪声的相似性,提出基于深度学习与相似性的动车组监测数据滤波方法,准确估计系统的属性特征;挖掘监测数据缺失的间歇性和非均匀特征,提出以数据可靠性与可用性评价为基础,以数据自相关性与互相关性特征相融合的高密度缺失数据恢复方法;突破数据决定图像的惯性思维,建立图像重构数据的逆向模型,提出基于尺度变换及迭代融合的状态趋势分析方法,有效平衡整体趋势与细节信息表征的矛盾需求,并开发基于数据的动车组智能运维系统,为保障我国高速铁路的健康长远发展提供科学依据。

结项摘要

本项目围绕动车组监测数据分析的核心基础,开展动车组监测数据滤波、数据恢复、自动趋势分析和动车组关键部件故障诊断与寿命预测的研究,促进人工智能在轨道交通领域的实际应用。主要研究内容包括:1)针对动车组监测数据中出现的噪声和离群值等问题,研究监测数据滤波和降维的方法,估计系统设备的运行状态;2)针对动车组缺失监测数据表现出的高密度、间歇性、非均匀特征,研究了数据与知识结合的动车组缺失监测数据恢复方法和观测缺失下列车模型的多速率异步均匀采样融合估计方法;3)分析动车组的运行特征,提出基于最优包络中心线的局部趋势提取方法和基于小波多尺度分析的局部趋势提取方法;4)针对动车组关键部件智能运维监测,研究了基于振动信号的故障诊断和考虑间歇时间的寿命预测方法等。本项目的研究成果将为保障我国高速铁路的健康长远发展提供科学依据。

项目成果

期刊论文数量(38)
专著数量(0)
科研奖励数量(3)
会议论文数量(17)
专利数量(9)
Estimating the Probability Density Function of Remaining Useful Life for Wiener Degradation Process with Uncertain Parameters
参数不确定的维纳退化过程剩余使用寿命概率密度函数的估计
  • DOI:
    10.1007/s12555-018-0558-z
  • 发表时间:
    2019
  • 期刊:
    International Journal of Control Automation and Systems
  • 影响因子:
    3.2
  • 作者:
    Xie Guo;Li Xin;Peng Xi;Qian Fucai;Hei Xinhong
  • 通讯作者:
    Hei Xinhong
Train wheel degradation generation and prediction based on the time series generation adversarial network
基于时间序列生成对抗网络的列车车轮退化生成与预测
  • DOI:
    10.1016/j.ress.2022.108816
  • 发表时间:
    2022-09
  • 期刊:
    reliability engineering and system safety
  • 影响因子:
    8.1
  • 作者:
    Anqi Shangguan;Guo Xie;Rong Fei;Lingxia Mu;Xinhong Hei
  • 通讯作者:
    Xinhong Hei
Multi-Model Reliable Control for Variable Fault Systems under LQG Framework
LQG框架下变故障系统多模型可靠控制
  • DOI:
    10.3390/electronics8060632
  • 发表时间:
    2019
  • 期刊:
    Electronics
  • 影响因子:
    2.9
  • 作者:
    Liu Lei;Qian Fucai;Xie Guo;Wang Min
  • 通讯作者:
    Wang Min
Reliable control based on dual control for ARMAX system with abrupt faults
基于双控制的ARMAX系统突发故障可靠控制
  • DOI:
    10.1016/j.jfranklin.2021.05.004
  • 发表时间:
    2021
  • 期刊:
    Journal of the Franklin Institute
  • 影响因子:
    --
  • 作者:
    Liu Lei;Xie Guo;Qian Fucai;Wang Min;Ma Xuehui
  • 通讯作者:
    Ma Xuehui
基于多传感器抗差融合的UKF弹道跟踪算法
  • DOI:
    10.3969/j.issn.1009-3516.2021.02.012
  • 发表时间:
    2021
  • 期刊:
    空军工程大学学报(自然科学版)
  • 影响因子:
    --
  • 作者:
    黄姣茹;李灵芝;高嵩;钱富才;王敏
  • 通讯作者:
    王敏

数据更新时间:{{ journalArticles.updateTime }}

{{ item.title }}
{{ item.translation_title }}
  • DOI:
    {{ item.doi || "--"}}
  • 发表时间:
    {{ item.publish_year || "--" }}
  • 期刊:
    {{ item.journal_name }}
  • 影响因子:
    {{ item.factor || "--"}}
  • 作者:
    {{ item.authors }}
  • 通讯作者:
    {{ item.author }}

数据更新时间:{{ journalArticles.updateTime }}

{{ item.title }}
  • 作者:
    {{ item.authors }}

数据更新时间:{{ monograph.updateTime }}

{{ item.title }}
  • 作者:
    {{ item.authors }}

数据更新时间:{{ sciAawards.updateTime }}

{{ item.title }}
  • 作者:
    {{ item.authors }}

数据更新时间:{{ conferencePapers.updateTime }}

{{ item.title }}
  • 作者:
    {{ item.authors }}

数据更新时间:{{ patent.updateTime }}

其他文献

其他文献

{{ item.title }}
{{ item.translation_title }}
  • DOI:
    {{ item.doi || "--" }}
  • 发表时间:
    {{ item.publish_year || "--"}}
  • 期刊:
    {{ item.journal_name }}
  • 影响因子:
    {{ item.factor || "--" }}
  • 作者:
    {{ item.authors }}
  • 通讯作者:
    {{ item.author }}
empty
内容获取失败,请点击重试
重试联系客服
title开始分析
查看分析示例
此项目为已结题,我已根据课题信息分析并撰写以下内容,帮您拓宽课题思路:

AI项目思路

AI技术路线图

穆凌霞的其他基金

半导体硅单晶制备过程中运动系统对晶体品质的影响研究
  • 批准号:
    62373299
  • 批准年份:
    2023
  • 资助金额:
    50 万元
  • 项目类别:
    面上项目
空天飞行器末端能量管理段自主轨迹制导方法研究
  • 批准号:
    61903297
  • 批准年份:
    2019
  • 资助金额:
    23.0 万元
  • 项目类别:
    青年科学基金项目

相似国自然基金

{{ item.name }}
  • 批准号:
    {{ item.ratify_no }}
  • 批准年份:
    {{ item.approval_year }}
  • 资助金额:
    {{ item.support_num }}
  • 项目类别:
    {{ item.project_type }}

相似海外基金

{{ item.name }}
{{ item.translate_name }}
  • 批准号:
    {{ item.ratify_no }}
  • 财政年份:
    {{ item.approval_year }}
  • 资助金额:
    {{ item.support_num }}
  • 项目类别:
    {{ item.project_type }}
{{ showInfoDetail.title }}

作者:{{ showInfoDetail.author }}

知道了

AI项目解读示例

课题项目:调控A型流感病毒诱导IFN-β表达的机制研究

AI项目摘要:

本研究聚焦于TRIM2蛋白在A型流感病毒诱导的IFN-β表达中的调控机制。A型流感病毒是全球性健康问题,其感染可导致严重的呼吸道疾病。IFN-β作为关键的抗病毒因子,其表达水平对抗病毒防御至关重要。然而,TRIM2如何调控IFN-β的表达尚未明确。本研究假设TRIM2通过与病毒RNA或宿主因子相互作用,影响IFN-β的产生。我们将采用分子生物学、细胞生物学和免疫学方法,探索TRIM2与A型流感病毒诱导IFN-β表达的关系。预期结果将揭示TRIM2在抗病毒免疫反应中的作用,为开发新的抗病毒策略提供理论基础。该研究对理解宿主抗病毒机制具有重要科学意义,并可能对临床治疗流感病毒感染提供新的视角。

AI项目思路:

科学问题:TRIM2如何调控A型流感病毒诱导的IFN-β表达?
前期研究:已有研究表明TRIM2参与抗病毒反应,但其具体机制尚不明确。
研究创新点:本研究将深入探讨TRIM2在IFN-β表达中的直接作用机制。
技术路线:包括病毒学、分子生物学、细胞培养和免疫检测技术。
关键技术:TRIM2与病毒RNA的相互作用分析,IFN-β启动子活性检测。
实验模型:使用A型流感病毒感染的细胞模型进行研究。

AI技术路线图

        graph TD
          A[研究起始] --> B[文献回顾与假设提出]
          B --> C[实验设计与方法学准备]
          C --> D[A型流感病毒感染模型建立]
          D --> E[TRIM2与病毒RNA相互作用分析]
          E --> F[TRIM2对IFN-β启动子活性的影响]
          F --> G[IFN-β表达水平测定]
          G --> H[TRIM2功能丧失与获得研究]
          H --> I[数据收集与分析]
          I --> J[结果解释与科学验证]
          J --> K[研究结论与未来方向]
          K --> L[研究结束]
      
关闭
close
客服二维码