【技术实现步骤摘要】
SVM异常算法单元与数据归一化单元,所述数据分类接收单元通过信号连接综合数据统计单元,所述数据分类接收单元连接数据过滤器,所述数据过滤器包括One
‑
Class SVM异常算法单元以及数据归一化单元,所述One
‑
Class SVM异常算法单元通过信号连接数据归一化单元。
[0010]优选的,所述数据分析模块包括数据接入单元、向量机、PSO
‑
SVM异常算法单元与状态分析单元,所述数据接入单元通过信号连接数据归一化单元,所述数据接入单元通过信号连接向量机,所述向量机包括PSO
‑
SVM异常算法单元与状态分析单元,所述PSO
‑
SVM异常算法单元通过信号连接状态分析单元。
[0011]基于机器学习的闸瓦压力状态识别故障诊断方法,其特征在于:包括以下步骤:
[0012]S1:预先准备105辆待测车辆,每辆装有8个数据采集模块,通过压力传感器以及压力数据统计单元获取每片闸瓦上的压力数据,通过速度传感器、速度数据统计单元以及加速数据统计单元获取每辆车的速度、加速度数据,则每辆车的数据组包括8个压力数据、1个速度数据和1个加速度数据,三个数据通过综合数据统计单元进行综合打包并传输给中央驱动箱内部设置的数据预处理模块;
[0013]S2:数据预处理模块包含的数据分类接收单元接收到综合数据统计单元的数据后,One
‑
Class SVM异常算法单元采用One
‑
Class SVM异常检测算法建立数据过滤器,将几乎所有的 ...
【技术保护点】
【技术特征摘要】
1.基于机器学习的闸瓦压力状态识别装置,包括火车机体(1)、驱动轮组(2)、中央驱动箱(3)与数据采集模块(4),其特征在于:所述火车机体(1)底部设置有四组横向排列的驱动轮组(2),所述火车机体(1)底部中心固定连接中央驱动箱(3),所述驱动轮组(2)前后侧输出轮均设置有一组数据采集模块(4)。2.根据权利要求1所述的基于机器学习的闸瓦压力状态识别装置,其特征在于:所述数据采集模块(4)包括闸瓦组件(401)、压力传感器(402)与速度传感器(403),所述闸瓦组件(401)固定连接在驱动轮组(2)的两侧输出轮的内侧壁,所述闸瓦组件(401)的顶部均固定连接一组压力传感器(402)与速度传感器(403)。3.根据权利要求1所述的基于机器学习的闸瓦压力状态识别系统,其特征在于:包括中央驱动箱(3)、数据采集模块(4)、数据预处理模块(5)与数据分析模块(6),所述中央驱动箱(3)内部设置有数据预处理模块(5)与数据分析模块(6),所述中央驱动箱(3)均通过导线连接多组数据采集模块(4),所述数据预处理模块(5)通过信号连接数据分析模块(6)。4.根据权利要求3所述的基于机器学习的闸瓦压力状态识别装置及故障诊断方法,其特征在于:所述数据采集模块(4)包括闸瓦组件(401)、压力传感器(402)、速度传感器(403)、压力数据统计单元(404)、速度数据统计单元(405)、加速数据统计单元(406)与综合数据统计单元(407),所述压力传感器(402)的输出端连接闸瓦组件(401)的输入端,所述速度传感器(403)的输出端连接驱动轮组(2)的驱动轴,所述闸瓦组件(401)分别连接压力数据统计单元(404)、速度数据统计单元(405)与加速数据统计单元(406),所述压力数据统计单元(404)、速度数据统计单元(405)与加速数据统计单元(406)分别连接综合数据统计单元(407)。5.根据权利要求3所述的基于机器学习的闸瓦压力状态识别系统,其特征在于:所述数据预处理模块(5)包括数据分类接收单元(501)、数据过滤器(502)、One
‑
Class SVM异常算法单元(503)与数据归一化单元(504),所述数据分类接收单元(501)通过信号连接综合数据统计单元(407),所述数据分类接收单元(501)连接数据过滤器(502),所述数据过滤器(502)包括One
‑
Class SVM异常算法单元(503)以及数据归一化单元(504),所述One
‑
Class SVM异常算法单元(503)通过信号连接数据归一化单元(504)。6.根据权利要求3所述的基于机器学习的闸瓦压力状态识别系统,其特征在于:所述数据分析模块(6)包括数据接入单元(601)、向量机(602)、P...
【专利技术属性】
技术研发人员:任万君,周君,李文轩,邱华,
申请(专利权)人:重庆市宇红轨道车辆配件有限公司,
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。