CN112469613A - 用于对车辆、车辆组件和行车道进行诊断和监控的方法和设备 - Google Patents
用于对车辆、车辆组件和行车道进行诊断和监控的方法和设备 Download PDFInfo
- Publication number
- CN112469613A CN112469613A CN201980047483.1A CN201980047483A CN112469613A CN 112469613 A CN112469613 A CN 112469613A CN 201980047483 A CN201980047483 A CN 201980047483A CN 112469613 A CN112469613 A CN 112469613A
- Authority
- CN
- China
- Prior art keywords
- value
- vehicle
- signal
- probability
- characteristic value
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 59
- 238000012544 monitoring process Methods 0.000 title claims abstract description 9
- 238000013179 statistical model Methods 0.000 claims abstract description 42
- 238000012545 processing Methods 0.000 claims abstract description 7
- 238000005259 measurement Methods 0.000 claims abstract description 5
- 230000006870 function Effects 0.000 claims description 35
- 230000005540 biological transmission Effects 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 12
- 238000012706 support-vector machine Methods 0.000 claims description 8
- 238000010801 machine learning Methods 0.000 claims description 6
- 238000012806 monitoring device Methods 0.000 claims description 5
- 230000007547 defect Effects 0.000 abstract description 12
- 238000012423 maintenance Methods 0.000 abstract description 6
- 238000001514 detection method Methods 0.000 abstract description 4
- 239000006096 absorbing agent Substances 0.000 description 31
- 230000035939 shock Effects 0.000 description 31
- 230000001133 acceleration Effects 0.000 description 22
- 230000002950 deficient Effects 0.000 description 19
- 238000004458 analytical method Methods 0.000 description 7
- 230000000875 corresponding effect Effects 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 3
- 238000009825 accumulation Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 230000015572 biosynthetic process Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000013213 extrapolation Methods 0.000 description 2
- 230000002349 favourable effect Effects 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 230000006399 behavior Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000002405 diagnostic procedure Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 230000003137 locomotive effect Effects 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
- G07C5/00—Registering or indicating the working of vehicles
- G07C5/08—Registering or indicating performance data other than driving, working, idle, or waiting time, with or without registering driving, working, idle or waiting time
- G07C5/0808—Diagnosing performance data
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B61—RAILWAYS
- B61L—GUIDING RAILWAY TRAFFIC; ENSURING THE SAFETY OF RAILWAY TRAFFIC
- B61L15/00—Indicators provided on the vehicle or train for signalling purposes
- B61L15/0081—On-board diagnosis or maintenance
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B61—RAILWAYS
- B61L—GUIDING RAILWAY TRAFFIC; ENSURING THE SAFETY OF RAILWAY TRAFFIC
- B61L27/00—Central railway traffic control systems; Trackside control; Communication systems specially adapted therefor
- B61L27/50—Trackside diagnosis or maintenance, e.g. software upgrades
- B61L27/53—Trackside diagnosis or maintenance, e.g. software upgrades for trackside elements or systems, e.g. trackside supervision of trackside control system conditions
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B61—RAILWAYS
- B61L—GUIDING RAILWAY TRAFFIC; ENSURING THE SAFETY OF RAILWAY TRAFFIC
- B61L27/00—Central railway traffic control systems; Trackside control; Communication systems specially adapted therefor
- B61L27/50—Trackside diagnosis or maintenance, e.g. software upgrades
- B61L27/57—Trackside diagnosis or maintenance, e.g. software upgrades for vehicles or trains, e.g. trackside supervision of train conditions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
- G07C5/00—Registering or indicating the working of vehicles
- G07C5/008—Registering or indicating the working of vehicles communicating information to a remotely located station
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Mechanical Engineering (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
- Vehicle Body Suspensions (AREA)
Abstract
用于对车辆、车辆组件和行车道进行诊断和监控的方法和设备。本发明涉及一种用于对车辆、车辆组件、行车道以及行车道组件进行诊断和监控的方法和设备，其中借助于至少一个第一传感器（1）来执行测量并且借助于至少一个计算单元（10）来进行信号处理（11）。提出：将至少所测量到的第一信号（4）输送给所述至少一个计算单元（10），根据至少第一信号（4）来形成至少一个第一特征值，借助于至少一个第一统计模型（15）来对至少第一特征值或者至少一个第一特征值组合进行分类或者执行预测（14），并且确定关于至少一个第一车辆组件或至少一个行车道组件方面的至少一个技术上的第一状态指标。由此，实现了对缺陷、损坏、过度磨损等等的可靠探测以及对车辆和基础设施的有效的、面向状态的维护。
Description
技术领域
本发明涉及一种用于对车辆、车辆组件、行车道以及行车道组件、尤其是用于轨道车辆和轨道车辆的基础设施的行车道组件进行诊断和监控的方法，其中借助于至少一个第一传感器来执行测量并且借助于至少一个计算单元来进行信号处理。
背景技术
车辆、尤其是轨道车辆必须具有高行驶安全性。因而，对车辆、底盘、行车道和其它车辆以及基础设施组件的技术状态的精确估计和预测是重要的。还重要的是对车辆和基础设施的有效和高效的维护和保养。
从现有技术中已知DE 101 63 148 A1，其示出了一种用于轨道车辆的监控和诊断方法，其中检测轨道车辆的运行参数并且为了表征轨道车辆的行驶特性而将这些运行参数输送给监控层级。所提到的方案在其已知形式方面具有如下缺点：虽然借助于统计方法来分析测量信号，但是在使用统计方法的情况下看不到对分析结果的评估或预测。
发明内容
因而，本发明所基于的任务在于：说明一种相对于现有技术而言进一步发展的、特别可靠的方法。
按照本发明，该任务利用开头提到的类型的方法来解决，
其中将至少所测量到的第一信号输送给至少一个计算单元，
其中根据至少第一信号来形成至少一个第一特征值，
其中借助于至少一个第一统计模型来对至少第一特征值或者至少一个第一特征值组合进行分类或者基于至少第一特征值或至少第一特征值组合来执行预测，并且
其中根据至少一个分类结果或者根据至少一个预测结果来确定关于至少一个第一车辆组件或至少一个行车道组件方面的至少一个技术上的第一状态指标。
由此，实现了对损坏的特别可靠的探测以及对车辆和基础设施的有效的、面向状态的维护和保养，其中应假定误报警的次数可容忍或可忽略。
这通过如下方式来引起：在按照本发明的方法中，借助于统计模型来执行对特征值或者不同特征值的组合的分类或预测。这意味着：例如车辆组件（例如减震器）或行车道组件（例如铁轨）的有缺陷的或者没有缺陷的状态或有缺陷的或者没有缺陷的特性不再必须依据刚性极限值被探测，而是例如极限值或极限值变化过程等等能根据车辆或基础设施的运行条件、车辆或基础设施组件的失灵特性等等来匹配。在此，状态指标例如可以根据分类结果或预测结果的频率分布来被确定。
如果借助于机器学习方法来形成至少第一统计模型，则得到一个有利的设计方案。通过该措施，随着所检测到的运行数据的量增加，实现了按照本发明的方法关于对技术状态的探测和评估方面的持续的可靠性改善或提高，因为第一统计模型基于运行数据被训练并且因此缺陷状态与没有缺陷的状态随着时间增加可以越来越好地被区分。
有利的是：基于补偿计算（Ausgleichungsrechnung）来形成至少第一统计模型。因此，为了对特征值的分类和/或预测，结合按照本发明的方法可支配不同的统计模型，这些统计模型也可以彼此组合。也即，例如不仅可能的是探测当前的缺陷状态，而且也能通过内插或外插来估计缺陷状态、预测运行极限程度的到达等等。
如果给至少第一状态指标分配发生通过至少一个分类结果或至少一个预测结果所要指示的技术状态的第一概率值，则实现了一个有利的解决方案。通过该措施，进一步降低了关于误报警方面的风险，因为对缺陷状态的探测不仅可以基于极限值或极限值变化过程来进行，而且也可以基于违反这些极限值或这些极限值变化过程的概率等等来进行。这些概率例如可以基于所提到的违反的频率来被求得。
还有利的是：根据一至n1个信号类别的信号和据此所确定的一至n2个特征值来形成具有一至n4个概率值的一至n3个状态指标，其中给所述一至n3个状态指标中的每个状态指标分配所述一至n4个概率值之一并且根据所述一至n4个概率值来形成具有所分配的组合概率值的组合状态指标。在此，组合状态指标例如可以借助于概率图形模型来形成。通过使用超过一个状态指标，可以以更好的质量来评估技术状态。如果例如具有高的第一概率值的第一状态指标或第一状态指示表明第一车辆组件有缺陷并且具有低的第二概率值的第二状态指标或第二状态指示表明第二车辆组件有缺陷，则可以借助于第二状态指示对第一状态指示进行真实性检查和保护（并且反之亦然）。
如果在车辆的车载诊断和/或监控装置中使用来自至少一个方法步骤中的数据，则得到一个有利的设计方案。例如，可以使用特征值或状态指标。在车载诊断和/或监控装置中，可以进行进一步分析和/或形成报警事件、状态或缺陷输出等等。这些报警事件、状态或缺陷输出等等例如可以作为视觉和/或声音报警提示和/或状态信息或者监控和/或诊断信息在车辆的驾驶台中被输出。
然而，也有利的是：将来自至少一个方法步骤中的数据传输给基础设施侧的装置。通过该措施，可以（例如在维护站中）进行对特征值、状态指标等等的陆地侧（landseitig）分析，其中整个车队的数据可以被聚集在一起并且彼此进行比较。
附图说明
随后，依据实施例进一步阐述本发明。
图1示例性示出了关于按照本发明的方法的示例性的实施变型方案的流程图；
图2示例性示出了具有借助于支持向量机（Support Vector Machine）方法所确定的关于按照本发明的方法的示例性的实施变型方案的分类结果的结果图表；以及
图3示例性示出了轨道车辆，该轨道车辆具有传感器、计算单元和数据传输装置，用于执行按照本发明的方法。
具体实施方式
按照本发明的部分计算机实现的方法的在图1中示意性示出的、示例性的实施变型方案在计算单元10中实现，该计算单元布置在图3中示出的轨道车辆的车厢21中。在轨道车辆的底盘23的底盘车架22上设置第一传感器1，该第一传感器测量底盘车架22的加速度，也就是说实施为加速度传感器。此外，实施为温度传感器的第二传感器2与底盘23的减震器24连接，而且构造为应变片的第三传感器3布置在底盘23的弹簧28上。第二传感器2测量减震器温度，第三传感器3测量弹簧28的变形。第一传感器1、第二传感器2和第三传感器3持续地执行测量。
第一传感器1、第二传感器2、第三传感器3和计算单元10经由未示出的供电装置来被供电。在与第一传感器1、第二传感器2和第三传感器3连接的计算单元10中，进行对持续检测到的第一传感器1的第一信号4、第二传感器2的第二信号5和第三传感器3的第三信号6的持续信号处理11和分析。此外，在计算单元10的分析过程中纳入已经被预处理的参考信号，也就是说在时间上在第一信号4之前被记录并处理的第一参考信号、在时间上在第二信号5之前被记录并处理的第二参考信号以及在时间上在第三信号6之前被记录并处理的第三参考信号。信号处理11包括对第一信号4、第二信号5和第三信号6的存储以及它们对分析过程的准备。
第一信号4和第一参考信号是底盘车架22的加速度信号，第二信号5和第二参考信号是减震器24的温度信号，第三信号6和第三参考信号是弹簧28的变形信号。
根据第一信号4来形成第一特征值，根据第二信号5来形成第二特征值，并且根据第三信号6来形成第三特征值（特征值确定12）。在时间上在第一特征值、第二特征值和第三特征值之前，根据第一参考信号来形成第一参考特征值7、根据第二参考信号来形成第二参考特征值8并且根据第三参考信号来形成第三参考特征值9。第一特征值、第二特征值、第三特征值、第一参考特征值7、第二参考特征值8和第三参考特征值9是统计特征值，在按照本发明的方法的该示例性的实施变型方案中是加速度变化过程、减震器温度变化过程和弹簧变形过程的平均值。然而，按照本发明，也可能的是：求得最小值、最大值等等，作为统计特征值。统计特征值涉及所限定的路段或通过与轨道车辆的行驶速度的关系可分配给这些路段的时间段。通过这些路段或时间段将这些特征值分配给这些参考特征值，也就是说第一特征值涉及与第一参考特征值7相同的路段和时间段，第二特征值涉及与第二参考特征值8相同的路段和时间段，并且第三特征值涉及与第三参考特征值9相同的路段和时间段。
第一特征值、第二特征值和第三特征值被投入到第一统计模型15、第二统计模型16以及在计算单元10中实现的其它统计模型中，并且借助于这些统计模型持续被分类和预测（分类13和预测14）。
第一统计模型15和第二统计模型16借助于机器学习方法、即所谓的支持向量机来形成。支持向量机方法从现有技术中已知并且以线性二进制变型方案被用在按照本发明方法的该示例性的实施变型方案中，以便对特征值或特征值组合进行分类。
第一统计模型15根据第一参考特征值7以及第二参考特征值8来被形成或训练，并且第二统计模型16根据第一参考特征值7以及第三参考特征值9来被形成或训练。也即，第一参考特征值7、第二参考特征值8和第三参考特征值9充当用于第一统计模型15和第二统计模型16的学习数据。
例如从对减震器24的过去的观测中已知：如果底盘车架22在较长时间内、也就是说以所观测到的频率具有在所限定的第一加速度区间内的加速度并且减震器24在较长时间内、也就是说以所观测到的频率具有在所限定的第一温度区间之内的温度，则存在减震器24的没有缺陷的状态。还从对减震器24的过去的观测中已知：如果底盘车架22在较长时间内、也就是说以所观测到的频率具有在所限定的第二加速度区间内的加速度并且减震器24在较长时间内、也就是说以所观测到的频率具有在所限定的第二温度区间之内的温度，则存在减震器24的损坏或故障的或者有缺陷的状态。
说明了减震器24的有缺陷的或没有缺陷的状态的加速度区间和温度区间可根据轨道车辆的运行特性而发生变化。重要的是：减震器24被观测并且在此使加速度区间和温度区间与减震器24的有缺陷的或没有缺陷的状态相关联。第一统计模型15基于特征值组合或参考特征值组合来形成，也就是说由第一参考特征值7和第二参考特征值8组成的在位置上和在时间上彼此相关的对根据它们是处在第一加速度区间内还是处在第二加速度区间内或者是处在第一温度区间内还是处在第二温度区间内来说明减震器24的有利或不利的状态。
表明有利的减震器状态的参考特征值组合（也就是说处在第一加速度区间和第一温度区间内的第一参考特征值7和第二参考特征值8组成的对）限定了在分界线27之下的第一状态区25，表明不利的减震器状态的参考特征值组合（也就是说处在第二加速度区间和第二温度区间内的第一参考特征值7和第二参考特征值8组成的对）限定了在分界线27之上的第二状态区26。在图2中以图表形式示出的第一状态区25、第二状态区26和分界线27能通过向量来定位。分界线27由参考值组合形成为使得分界线27距第一状态区25的参考特征值组合的法线距离在数学上为负，并且分界线27距第二状态区26的参考特征值组合的法线距离在数学上为正。分界线27的相对应的形成规则从现有技术中已知并且例如在Ethem A.的Introduction to Machine Learning（第三版，麻省理工学院出版社，剑桥，马萨诸塞州，伦敦，英国，2014年）中予以描述。在按照本发明的方法的该示例性的实施变型方案中，附加地规定：只基于参考特征值类别（例如基于第二参考特征值8及其时间特性等等）来对统计模型进行训练，也就是说不使用参考特征值组合。由此，即使例如由于传感器故障而只有一个参考特征值类别可供支配，也可以估计减震器状态。
第二统计模型16根据上文所描述的那个方案形成，该方案也被用于形成第一统计模型15。然而，为了形成第二统计模型16，将底盘车架22的加速度和加速度区间与弹簧28的变形和变形区间相结合地使用。借助于第一统计模型15和第二统计模型16来执行对特征值的分类13。在此，由第一特征值和第二特征值形成的第一特征值组合根据它们相对于分界线27的位置被分配给第一统计模型15的第一状态区25或第二状态区26。由第一特征值和第三特征值形成的第二特征值组合根据同一方案被分配给第二统计模型16的相对应的状态区。在按照本发明的该示例性的实施变型方案中，附加地规定：不仅基于特征值组合而且也基于各个特征值（例如第二特征值和它们随时间的特性）来执行分类13。为此，例如将第二特征值投入到如下那个统计模型中，该统计模型借助于第二参考特征值8在不使用参考特征值组合的情况下形成。
借助于基于补偿计算的其它统计模型，基于特征值来进行预测14。为此，设置或在计算单元10中实现从现有技术中已知的线性回归函数。这些回归函数由第一特征值、第二特征值和第三特征值借助于从现有技术中已知的形成规则来形成，并且被用于基于这些特征值来进行内插或外插。例如，根据行驶速度来执行第二特征值和第一特征值组合的回归，以便可以求得第二特征值一方面与第一特征值组合且另一方面与行驶速度之间的函数关系。由此，例如可以确定减震器24可以在不会过早地发生过度磨损等等的情况下运行的最大行驶速度。
因此，根据分类结果和预测结果的频率分布，持续地确定状态指标（指标确定17）。在按照本发明方法的该示例性的实施变型方案中，分类结果是将特征值或特征值组合分配到统计模型的状态区。预测结果例如是根据行驶速度对平均减震器温度的预测。
第一状态指标通过如下方式来形成：使被分配给第二状态区26的第一特征值组合的数目与第一特征值组合的总数有关，也就是说与之求比例。据此来求得第一概率值，该第一概率值给出了关于减震器故障的概率是多少的结论。也即，第一状态指标包含“减震器故障”的信息，该信息具有针对该减震器故障所分配的概率。
根据同一方案，关于第二特征值组合，形成第二状态指标，该第二状态指标涉及具有所分配的第二概率值的弹簧故障。其它状态指标根据同一方案由第二特征值或这些第二特征值到如下统计模型中的状态区的分配形成，所述统计模型借助于第二参考特征值8在不使用参考特征值组合的情况下形成。
形成来自预测结果的状态指标，其方式是给外插的平均减震器温度分派置信概率，该置信概率根据处在所限定的容差范围内的、外插的平均减震器温度的发生概率来被确定。因此，来自预测结果的状态指标主要说明了关于减震器24或其它组件的状态的具有所分配的置信概率的预测（例如能预期到在高于特定行驶速度运行时减震器24的磨损高并且减震器24的使用寿命减少的预测）。
还执行持续的指标组合18，使得根据一至n1=3个信号类别的信号（第一信号4、第二信号5、第三信号6）和据此确定的一至n2=3个特征值（第一特征值、第二特征值、第三特征值；n2大于或等于n1）来形成具有一至n4=2个概率值（第一概率值、第二概率值）的一至n3=2个状态指标（第一状态指标、第二状态指标）（见上文），其中给所述一至n3=2个状态指标中的每个状态指标分配所述一至n4=2个概率值之一（见上文），并且根据所述一至n4=2个概率值来形成具有所分配的组合概率值PK的组合状态指标。为此，所述一至n4=2个概率值中的每个概率值都根据特定分类结果相对于分类结果的总数的频率来被形成（见上文），而且组合概率值PK被形成为所述一至n4=2个概率值组成的条件概率。
借助于概率图形模型基于机器学习方法来形成组合概率值PK。为此，原则上应用如下形成规则：
组合概率值PK根据第一参数PDF和第二参数PF和第三参数PD来被确定，该第一参数说明了在减震器24的有缺陷的状态实际存在时通过第一状态指标和第二状态指标对减震器24的缺陷的指示，该第二参数描述了减震器24的有缺陷的状态实际存在的概率，该第三参数说明了通过第一状态指标和第二状态指标对缺陷的指示的概率。组合概率值PK描述了在通过第一状态指标和第二状态指标来指出有缺陷的条件下减震器24的有缺陷的状态实际存在的概率。如果与减震器24直接有关的第一状态指标例如以高的概率表明有缺陷并且与弹簧28有关的第二状态指标以低的概率表明有缺陷，则组合状态指标将以高的概率表明减震器24有缺陷。
第一参数PDF、第二参数PF和第三参数PD通过运行观测来持续被匹配。例如，如果在所限定的时间段内观测到减震器故障的频率提高，则使第二参数PF增大。根据这些运行观测，形成针对第二参数PF随时间的函数关系的学习数据，借助于该函数关系，对随着使用时长增加减震器24的失灵概率的增加进行参数化并且对概率图形模型进行训练。
在按照本发明方法的该示例性的实施例中，第一状态指标涉及第一车辆组件（减震器24）并且第二状态指标涉及第二车辆组件（弹簧28）。然而，按照本发明，也可设想的是：例如不仅第一状态指标而且第二状态指标都涉及第一车辆组件。这例如通过如下方式来被实现：在减震器24上或在减震器24中设置两个不同的传感器，这两个不同的传感器产生不同的信号（例如温度信号和油压信号等等）。
在按照本发明方法的该示例性的实施例中，也基于第一特征值和行驶速度来形成第三状态指标，该第三状态指标指示铁轨、也就是说行车道或行车道组件的有缺陷的和没有缺陷的状态。根据对铁轨损坏情况的观测，根据上文阐述的方案利用底盘车架22的加速度和行驶速度组成的参考特征值组合借助于支持向量机方法来形成统计模型，该统计模型具有针对有缺陷的和没有缺陷的铁轨状态的状态区。将由底盘车架22的持续测量到的加速度和所测量到的行驶速度组成的特征值组合分配给这些状态区，由此进行对这些特征值组合的分类13。根据相对应的分类结果的频率分布来确定第三状态指标。
在指标组合18的方法步骤中形成的数据（由第一状态指标、第二状态指标和第三状态指标构成的数据）在计算单元10中实现的诊断和监控装置中被使用并且在那里持续地被进一步分析。此外，为了进一步分析，这些数据也经由在图3中示出的轨道车辆的数据传输装置19持续地被传输给维护站、也就是说传输给基础设施侧的装置（数据传输20）。
图2示出了具有第一统计模型15的第一状态区25、第二状态区26和分界线27的图表，它们也结合图1被描述，基于支持向量机方法来形成并且通过它们能评估在图3中示出的减震器24的技术状态。
在该图表的x轴上绘制加速度，在y轴上绘制减震器温度。第一状态区25分配有第一特征值组合的第一函数值29和第二函数值30，它们结合图1被描述。第二状态区26分配有第一特征值组合的第三函数值31和第四函数值32。第一函数值29、第二函数值30、第三函数值31和第四函数值32由第一特征值组合来形成。第一特征值组合又由关于在图3中示出的底盘车架22的加速度的第一特征值和由根据关于减震器24的温度的第二特征值形成。
相对于笛卡尔坐标系33，第一函数值29和第二函数值30具有负的y'坐标，并且第三函数值31以及第四函数值32具有正的y'坐标。第一函数值29和第二函数值30被分配给有利的减震器状态，第三函数值31和第四函数值32被分配给减震器24的不利的状态。如结合图1所描述的那样，根据不利的减震器状态的积累（例如每天超过三次出现这样的状态）来形成第一状态指标，该第一状态指标必要时指示减震器故障。
根据在图2中示出的那个方案，也将由第二特征值组合形成的函数值分配给结合图1所描述的第二统计模型16的相对应的状态区。在此，如结合图1所提及的那样，第二特征值组合根据第一特征值以及根据关于图3中示出的弹簧28的变形的第三特征值来被形成。如结合图1所描述的那样，基于加速度-弹簧变形函数值到状态区的分配根据不利的弹簧状态的积累来形成第二状态指标，该第二状态指标必要时指示弹簧故障（例如每天超过三次出现这样的弹簧状态）。
按照本发明，也基于支持向量机方法来提供第二特征值到其它统计模型的状态区的分配。该其它统计模型利用结合图1所描述的第二参考特征值8的随时间的变化过程被形成为温度-时间关系。显示出随着时间增加而增加的在所限定的时间段内高于专门针对该其它统计模型所形成的温度-时间分界线的温度的第二特征值表明减震器故障或者减震器过度磨损。
在图3中示出了具有车厢21和底盘23的轨道车辆。底盘23具有：减震器24，该减震器是主减震器；以及弹簧28，该弹簧被实施为主弹簧，该减震器和该弹簧的技术状态借助于结合图1所描述的按照本发明的方法来被确定和评估。
在底盘23的底盘车架22上设置用于测量底盘车架22的加速度的第一传感器1、也就是说加速度传感器。此外，构造为温度传感器的第二传感器2与减震器24连接。此外，弹簧28具有第三传感器3，该第三传感器构造为应变片。第一传感器1、第二传感器2和第三传感器3与车厢21中的计算单元10以传导信号和电流的方式连接。
在轨道车辆的车顶区域中，设置数据传输装置19，该数据传输装置构造为无线电装置以及与计算单元10以传导信号和电流的方式连接。数据传输装置19也具有实施为全球定位系统（Global Positioning System）单元的定位设备。
计算单元10经由轨道车辆的未示出的车载电网来被供电并且在其侧给第一传感器1、第二传感器2、第三传感器3以及数据传输装置19供电。
在计算单元10中安装计算机程序产品，借助于该计算机程序产品，持续地执行按照图1的按照本发明方法的方法步骤，也就是说信号处理11、特征值确定12、分类13、预测14、指标确定17以及指标组合18。
根据在充当轨道车辆的诊断和监控装置的计算单元10中被确定的状态指标，形成报警事件，这些报警事件经由轨道车辆的未示出的机车总线被传输给在轨道车辆的同样未示出的驾驶台中的显示单元并且在该显示单元处作为报警提示或状态信息被输出（例如用于显示减震器故障或者减震器24的剩余使用寿命）。此外，这些状态指标经由数据传输装置19经由无线电被传输给基础设施侧的装置，用于关于车队的进一步分析，其中结合按照本发明的设备的该示例性的实施变型方案涉及维护站。
附图标记列表
1 第一传感器
2 第二传感器
3 第三传感器
4 第一信号
5 第二信号
6 第三信号
7 第一参考特征值
8 第二参考特征值
9 第三参考特征值
10 计算单元
11 信号处理
12 特征值确定
13 分类
14 预测
15 第一统计模型
16 第二统计模型
17 指标确定
18 指标组合
19 数据传输装置
20 数据传输
21 车厢
22 底盘车架
23 底盘
24 减震器
25 第一状态区
26 第二状态区
27 分界线
28 弹簧
29 第一函数值
30 第二函数值
31 第三函数值
32 第四函数值
33 坐标系
PK 组合概率值
PDF 第一参数
PF 第二参数
PD 第三参数。
Claims (22)
1.用于对车辆、车辆组件、行车道以及行车道组件、尤其是用于轨道车辆和轨道车辆的基础设施的行车道组件进行诊断和监控的方法，其中借助于至少一个第一传感器来执行测量并且借助于至少一个计算单元来进行信号处理，其特征在于，
将至少所测量到的第一信号（4）输送给所述至少一个计算单元（10），
根据至少第一信号（4）来形成至少一个第一特征值，
借助于至少一个第一统计模型（15）来对至少第一特征值或者至少一个第一特征值组合进行分类或者基于至少第一特征值或至少第一特征值组合来执行预测（14），并且
根据至少一个分类结果或者根据至少一个预测结果来确定关于至少一个第一车辆组件或至少一个行车道组件方面的至少一个技术上的第一状态指标。
2.根据权利要求1所述的方法，其特征在于，根据分类结果或预测结果的频率分布来确定至少第一状态指标。
3.根据权利要求1或2所述的方法，其特征在于，所述至少第一特征值被形成为与路段或时间段有关的统计特征值。
4.根据权利要求1至3中任一项所述的方法，其特征在于，至少第一统计模型（15）借助于机器学习方法来被形成。
5.根据权利要求4所述的方法，其特征在于，至少第一特征值或至少第一特征值组合借助于支持向量机方法来被分类。
6.根据权利要求4或5所述的方法，其特征在于，根据在时间上在所述至少第一信号（4）之前被处理的参考信号来形成参考特征值作为学习数据。
7.根据权利要求1至3中任一项所述的方法，其特征在于，基于补偿计算来形成至少第一统计模型（15）。
8.根据权利要求7所述的方法，其特征在于，至少第一特征值被投入到回归函数中。
9.根据权利要求1至8中任一项所述的方法，其特征在于，给至少第一状态指标分配发生通过所述至少一个分类结果或所述至少一个预测结果所要指示的技术状态的第一概率值。
10.根据权利要求9所述的方法，其特征在于，所述第一概率值根据特定分类结果相对于分类结果的总数的频率来被形成。
11.根据权利要求1至8中任一项所述的方法，其特征在于，根据一至n1个信号类别的信号和据此所确定的一至n2个特征值来形成具有一至n4个概率值的一至n3个状态指标，其中给所述一至n3个状态指标中的每个状态指标分配所述一至n4个概率值之一并且根据所述一至n4个概率值来形成具有所分配的组合概率值（PK）的组合状态指标。
12.根据权利要求11所述的方法，其特征在于，所述一至n4个概率值中的每个概率值都根据特定分类结果相对于分类结果的总数的频率来被形成。
13.根据权利要求11或12所述的方法，其特征在于，所述组合概率值（PK）被形成为由所述一至n4个概率值构成的条件概率。
14.根据权利要求11至13中任一项所述的方法，其特征在于，借助于概率图形模型来形成所述组合状态指标。
15.根据权利要求14所述的方法，其特征在于，基于机器学习方法来形成所述概率图形模型。
16.根据权利要求1至15中任一项所述的方法，其特征在于，根据第二信号（5）来形成至少一个第二特征值和关于所述至少第一车辆组件方面的技术上的第二状态指标。
17.根据权利要求1至15中任一项所述的方法，其特征在于，根据第二信号（5）来形成至少一个第二特征值和关于第二车辆组件方面的技术上的第二状态指标。
18.根据权利要求1至17中任一项所述的方法，其特征在于，在车辆的车载诊断和/或监控装置中使用来自至少一个方法步骤中的数据。
19.根据权利要求1至18中任一项所述的方法，其特征在于，将来自至少一个方法步骤中的数据传输给基础设施侧的装置。
20.用于执行根据权利要求1至19中任一项所述的方法的设备，其特征在于，至少第一传感器（1）布置在车辆的底盘（23）上，并且所述至少一个计算单元（10）被设置在所述车辆中以及与所述至少第一传感器（1）连接。
21.根据权利要求20所述的设备，其特征在于，所述至少一个计算单元（10）被设置在所述车辆的车厢（21）中。
22.根据权利要求20或21所述的设备，其特征在于，为了数据传输（20），至少一个数据传输装置（19）被设置在所述车辆中或被设置在所述车辆上，所述数据传输装置与所述至少一个计算单元（10）连接。
Applications Claiming Priority (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| ATA50407/2018 | 2018-05-16 | ||
| AT504072018 | 2018-05-16 | ||
| PCT/EP2019/062498 WO2019219756A1 (de) | 2018-05-16 | 2019-05-15 | Verfahren und vorrichtung zur diagnose und überwachung von fahrzeugen, fahrzeugkomponenten und fahrwegen |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112469613A true CN112469613A (zh) | 2021-03-09 |
Family
ID=66685577
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201980047483.1A Pending CN112469613A (zh) | 2018-05-16 | 2019-05-15 | 用于对车辆、车辆组件和行车道进行诊断和监控的方法和设备 |
Country Status (5)
| Country | Link |
|---|---|
| US (1) | US20210217256A1 (zh) |
| EP (1) | EP3774487A1 (zh) |
| CN (1) | CN112469613A (zh) |
| RU (1) | RU2763414C1 (zh) |
| WO (1) | WO2019219756A1 (zh) |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| IT202000005194A1 (it) * | 2020-03-11 | 2021-09-11 | Faiveley Transport Italia Spa | Sistema di monitoraggio per almeno una pluralità di dispositivi omogenei di almeno un veicolo ferroviario |
| US20230222271A1 (en) * | 2020-05-29 | 2023-07-13 | Konux Gmbh | Automatic real-time data generation |
| AT524207B1 (de) | 2020-12-11 | 2022-04-15 | Siemens Mobility Austria Gmbh | Fahrwerk für ein Schienenfahrzeug |
| AT525305A1 (de) | 2021-08-04 | 2023-02-15 | Siemens Mobility Austria Gmbh | Sensoranordnung und Fahrwerk |
| AT526374A1 (de) | 2022-07-29 | 2024-02-15 | Siemens Mobility Austria Gmbh | Synchronisierung einer Zeiterfassungsanordnung |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2005067276A (ja) * | 2003-08-20 | 2005-03-17 | Hitachi Ltd | 鉄道車両の異常検知装置 |
| CN103229148A (zh) * | 2010-09-28 | 2013-07-31 | 西门子公司 | 运输车辆的适应性远程维护 |
| CN103745229A (zh) * | 2013-12-31 | 2014-04-23 | 北京泰乐德信息技术有限公司 | 一种基于svm的轨道交通故障诊断方法及系统 |
| US20140200827A1 (en) * | 2013-01-11 | 2014-07-17 | International Business Machines Corporation | Railway track geometry defect modeling for predicting deterioration, derailment risk, and optimal repair |
| JP2016002777A (ja) * | 2014-06-13 | 2016-01-12 | 公益財団法人鉄道総合技術研究所 | 列車制御システムの設計方法および設計用シミュレータ |
| CN106976468A (zh) * | 2017-03-09 | 2017-07-25 | 南京理工大学 | 一种基于dwt和c‑svm的道岔故障诊断方法 |
Family Cites Families (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CA2211815A1 (en) * | 1997-07-29 | 1999-01-29 | Craig Luker | Method and apparatus for determining vehicle brake effectiveness |
| ES2240542T3 (es) | 2000-12-22 | 2005-10-16 | Db Fernverkehr Ag | Procedimiento y dispositivo para supervisar el comportamiento de marcha de vehiculos sobre carriles. |
| JP5297272B2 (ja) * | 2009-06-11 | 2013-09-25 | 株式会社日立製作所 | 装置異常監視方法及びシステム |
| US20130024179A1 (en) * | 2011-07-22 | 2013-01-24 | General Electric Company | Model-based approach for personalized equipment degradation forecasting |
| US10417076B2 (en) * | 2014-12-01 | 2019-09-17 | Uptake Technologies, Inc. | Asset health score |
| US10522031B2 (en) * | 2015-09-01 | 2019-12-31 | Honeywell International Inc. | System and method providing early prediction and forecasting of false alarms by applying statistical inference models |
| JP6588814B2 (ja) * | 2015-12-17 | 2019-10-09 | 株式会社東芝 | 異常診断装置及び方法 |
| US20170286572A1 (en) * | 2016-03-31 | 2017-10-05 | General Electric Company | Digital twin of twinned physical system |
| US10215665B2 (en) * | 2016-05-03 | 2019-02-26 | General Electric Company | System and method to model power output of an engine |
| US10861320B2 (en) * | 2016-08-22 | 2020-12-08 | Rapidsos, Inc. | Predictive analytics for emergency detection and response management |
| EP3388910A1 (en) * | 2017-04-10 | 2018-10-17 | ABB Schweiz AG | Method and apparatus for monitoring the condition of subsystems within a renewable generation plant or microgrid |
-
2019
- 2019-05-15 RU RU2020141186A patent/RU2763414C1/ru active
- 2019-05-15 WO PCT/EP2019/062498 patent/WO2019219756A1/de unknown
- 2019-05-15 CN CN201980047483.1A patent/CN112469613A/zh active Pending
- 2019-05-15 US US17/054,866 patent/US20210217256A1/en active Pending
- 2019-05-15 EP EP19727863.3A patent/EP3774487A1/de active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2005067276A (ja) * | 2003-08-20 | 2005-03-17 | Hitachi Ltd | 鉄道車両の異常検知装置 |
| CN103229148A (zh) * | 2010-09-28 | 2013-07-31 | 西门子公司 | 运输车辆的适应性远程维护 |
| US20140200827A1 (en) * | 2013-01-11 | 2014-07-17 | International Business Machines Corporation | Railway track geometry defect modeling for predicting deterioration, derailment risk, and optimal repair |
| CN103745229A (zh) * | 2013-12-31 | 2014-04-23 | 北京泰乐德信息技术有限公司 | 一种基于svm的轨道交通故障诊断方法及系统 |
| JP2016002777A (ja) * | 2014-06-13 | 2016-01-12 | 公益財団法人鉄道総合技術研究所 | 列車制御システムの設計方法および設計用シミュレータ |
| CN106976468A (zh) * | 2017-03-09 | 2017-07-25 | 南京理工大学 | 一种基于dwt和c‑svm的道岔故障诊断方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| EP3774487A1 (de) | 2021-02-17 |
| RU2763414C1 (ru) | 2021-12-29 |
| WO2019219756A1 (de) | 2019-11-21 |
| US20210217256A1 (en) | 2021-07-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112469613A (zh) | 用于对车辆、车辆组件和行车道进行诊断和监控的方法和设备 | |
| AU2018102258A4 (en) | Collision evaluation | |
| TWI691420B (zh) | 異常診斷裝置、異常診斷方法以及電腦可讀取記錄媒體 | |
| EP3431359B1 (en) | Track state evaluation method, device, and program | |
| JP6125559B2 (ja) | 鉄道車両の損害推定方法 | |
| JP5416630B2 (ja) | 移動体異常判断支援システム | |
| US20100204857A1 (en) | Diagnostic system and method for monitoring a rail system | |
| JP2002541448A (ja) | 多軸車両のボギー台車を監視する方法と装置 | |
| JP2008148466A (ja) | 軌道系交通システムの異常診断方法及び異常診断システム | |
| JP6612003B1 (ja) | 情報処理装置、情報処理方法及び情報処理プログラム | |
| WO2019125532A1 (en) | Programmatic ally identifying a personality of an autonomous vehicle | |
| GB2378248A (en) | A fault prediction system for vehicles | |
| KR20220069700A (ko) | 차량 상태 진단 장치 및 그 방법 | |
| EP3751249B1 (en) | Device and method for detecting abnormality in railroad vehicle | |
| WO2019207835A1 (ja) | タイヤ状態検出装置 | |
| KR20200058132A (ko) | 철도차량 주요부품 및 시스템 진단장치 | |
| RU2754286C1 (ru) | Способ сенсорного анализа, система контроля, содержащая компьютерный программный продукт для сенсорного анализа, система подсчета пассажиров и транспортное средство для перевозки пассажиров, в частности, в рельсовом и дорожном сообщении | |
| KR20190089583A (ko) | 지상 차량 부품 탐지 시스템 | |
| US11941920B2 (en) | Apparatus and method of providing automotive preventive maintenance service | |
| KR20140133635A (ko) | 철도 차량의 모니터링 시스템 및 방법 | |
| CN116897379A (zh) | 用于确定底盘组件状态的方法和车辆系统 | |
| JP6619083B2 (ja) | データ統合分析システム | |
| EP3459810A1 (en) | Method for predicting a failure of a sensor | |
| CN111487068B (zh) | 一种车辆易损点寿命预测方法及系统 | |
| JP7493375B2 (ja) | 診断システムおよび診断方法 |
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 |