-
公开(公告)号：CN110308002B
公开(公告)日：2020-05-26
申请号：CN201910543301.1
申请日：2019-06-21
Applicant: 北京交通大学
Inventor： 魏秀琨 , 滕延芹 , 贾利民 , 李宇杰 , 赵利瑞 , 魏德华 , 管青鸾 , 杨子明 , 江思阳 , 孟鸿飞 , 所达 , 李赛 , 王熙楠 , 潘潼 , 翟小婕 , 尹贤贤 , 陈亚兰
Abstract: 本发明提供了一种基于地面检测的城轨列车悬挂系统故障诊断方法，包括：利用SIMPACK车辆动力学仿真软件和ABAQUS有限元分析软件，构建轮轨接触的刚柔耦合模型，分析列车振动产生的力的传递规律，得到在轨道布设加速度传感器方案；根据SIMPACK车辆动力学仿真软件计算结果，结合轮轨接触的刚柔耦合模型中列车运行时相应信号变化情况，验证轨道布设加速度传感器方案的合理性，计算传感器布设间隔和测量误差，构建列车故障仿真模型，得出传感器的布设规律；在轨道两侧布设加速度传感器，采集轮轨振动加速度信号，对加速度信号进行处理，利用时频分析和谱细化分析方法实现列车悬挂系统故障的检测。本发明在准确检测到悬挂系统故障的同时还能够降低检测的成本。
-
公开(公告)号：CN109534140B
公开(公告)日：2019-12-06
申请号：CN201811611011.8
申请日：2018-12-27
Applicant: 北京交通大学
Inventor： 魏秀琨 , 赵利瑞 , 贾利民 , 孟鸿飞 , 李赛 , 魏德华 , 尹贤贤 , 杨子明 , 江思阳 , 滕延芹 , 管青鸾 , 所达 , 潘潼 , 翟小婕 , 王熙楠 , 陈亚兰
Abstract: 本发明提供了一种基于SIMPACK的电扶梯梯级链建模与故障仿真方法。该方法利用动力学仿真软件SIMPACK建立电扶梯梯级链仿真模型，并在模型从动轴上设置振动加速度传感器，分别加入链节距伸长、销轴和套筒磨损、滚子和齿轮磨损三种故障形式。在SIMPACK中分别进行正常状态、链节距伸长状态、销轴和套筒磨损状态、滚子和齿轮磨损状态下的离线积分，将离线积分结果在动力学仿真软件SIMPACK后处理器中打开，并输出所需的从动轴横向振动加速度数据，对四种状态下的从动轴横向振动加速度数据进行分析，研究不同状态下的故障规律。这种仿真方法能够快速准确地仿真电扶梯梯级链的各故障情况下的运行状态，节省了大量的人力物力和财力，并对避免电扶梯故障的发生具有重大的意义。
-
公开(公告)号：CN112164044A
公开(公告)日：2021-01-01
申请号：CN202011010912.9
申请日：2020-09-23
Applicant: 北京交通大学 , 广州地铁集团有限公司
Inventor： 蔡昌俊 , 魏秀琨 , 王海 , 江思阳 , 何江海 , 贾利民 , 高劲 , 尹贤贤 , 刘兰 , 闫雅斌 , 魏德华 , 孟鸿飞 , 李赛 , 杨子明 , 滕延芹 , 潘潼 , 翟小婕 , 所达 , 管青鸾
Abstract: 本发明提供了一种基于双目视觉的刚性接触网的磨耗分析方法。该方法包括：通过两个相机采集列车顶部与隧道顶部的刚性接触网的接触线图像；对两个相机采集到的接触线图像对进行校正，利用立体匹配算法获取校正后的图像对的视差图；根据双目视觉立体成像原理将视差图转换为深度图，提取深度图中的接触线部分，对接触线部分进行三维重建可视化，得到刚性接触网的磨耗特征及分布。本发明利用接触网表面三维图以及各类别磨耗病害曲线图，能够较好地描述接触线表面磨耗情况，实现对刚性接触网的自动化、智能化检测。
-
Patent Agency Ranking
公开(公告)号：CN111311567A
公开(公告)日：2020-06-19
申请号：CN202010088325.5
申请日：2020-02-12
Applicant: 北京交通大学
Abstract: 本发明提供了一种对轨道线路图像进行扣件和钢轨病害识别的方法。该方法包括：将轨道线路图像转变为灰度图像，对灰度图像中的扣件区域和钢轨区域进行定位；根据灰度图像中的扣件区域和钢轨区域的实际情况和钢轨以及扣件病害的定义，对轨道线路原始图像进行类别标定，通过数据增强处理得到包含正样本和负样本的轨道线路图像的数据集；利用数据集对轨道线路图像的分类器进行训练，得到训练好的轨道线路图像的分类器；利用分类器对待识别病害的轨道线路图像进行扣件和钢轨病害识别。本发明例可以准确有效地识别出钢轨表面的波磨病害以及扣件的缺失和损坏病害，检测效率明显提高，为轨道交通系统的病害在线实时检测系统的发展奠定了良好的基础。
-
公开(公告)号：CN111220387A
公开(公告)日：2020-06-02
申请号：CN202010017661.0
申请日：2020-01-08
Applicant: 北京交通大学
IPC: G01M13/045 , G06N20/00
Abstract: 本发明提供了一种基于多特征量相关向量机的车辆轴承剩余寿命预测方法。该方法包括：采样车辆轴承的全寿命周期的振动信号，利用振动信号提取轴承的多角度的特征值；对多角度特征值与均方根值进行相关性计算，得到与轴承寿命相关的敏感特征值；根据信息熵特征值计算不同嵌入维数下的信息熵均值，根据信息熵均值选择相关向量机的最佳嵌入位数；基于相关向量机的最佳嵌入维数和多角度的特征值构建多特征量相关向量机预测模型，将敏感特征值输入到多特征量相关向量机预测模型，通过回归迭代运算输出车辆轴承的剩余寿命。本发明提出了基于多特征量相关向量机的轴承剩余寿命预测模型，对城轨车辆轴承进行寿命预测，保证了列车行车的安全性和稳定性。
-
公开(公告)号：CN109767427A
公开(公告)日：2019-05-17
申请号：CN201811592744.1
申请日：2018-12-25
Applicant: 北京交通大学
Inventor： 魏秀琨 , 杨子明 , 贾利民 , 张文强 , 李永光 , 李宇杰 , 高方庆 , 尹贤贤 , 魏德华 , 管青鸾 , 赵利瑞 , 江思阳 , 李赛 , 孟鸿飞 , 滕延芹 , 王熙楠 , 所达 , 翟小婕 , 潘潼 , 陈亚兰
Abstract: 本发明提供了一种列车轨道扣件缺陷的检测方法。该方法包括：构建Faster R-CNN网络模型，该Faster R-CNN网络模型包括区域生成网络RPN和快速区域卷积神经网络Fast R-CNN，网络初始化方式采用预训练好的同类任务的参数初始化，再利用训练集数据对所述Faster R-CNN网络模型进行训练。通过拍照设备拍摄采集地铁线路上的扣件图像；将扣件图像输入到训练好的Faster R-CNN网络模型，Faster R-CNN网络模型利用卷积操作和池化操作提取扣件图像中的扣件区域，利用损失函数对所述扣件区域进行缺陷类别检测。本发明通过区域生成网络和快速区域卷积神经网络的结合，对训练图片的自主学习与特征提取，从而能对采集到的大尺寸图像进行扣件定位和缺陷自动检测，智能化程度更高，实现效率更高，模型适用性更强。
-
公开(公告)号：CN109658387A
公开(公告)日：2019-04-19
申请号：CN201811425533.9
申请日：2018-11-27
Applicant: 北京交通大学
Inventor： 魏秀琨 , 江思阳 , 贾利民 , 尹贤贤 , 赵利瑞 , 魏德华 , 杨子明 , 李赛 , 孟鸿飞 , 滕延芹 , 王熙楠 , 管青鸾 , 所达 , 翟小婕 , 潘潼 , 陈亚兰
IPC: G06T7/00
Abstract: 本发明提供一种电力列车的受电弓碳滑板缺陷的检测方法。该方法包括：构建改进的RCNN网络模型，利用训练集数据对改进的RCNN网络模型进行训练。通过安装在列车轨道旁的工业线阵相机采集电力列车的受电弓图片，将受电弓图片输入到训练好的改进的RCNN网络模型，改进的RCNN网络模型利用卷积运算提取所述受电弓图片中的受电弓碳滑板区域，利用损失函数对受电弓碳滑板区域进行缺陷类别检测。本发明的方法通过区域生成网络和快速区域卷积神经网络的结合，对训练图片的自主学习与特征提取，从而能对采集系统拍摄的图片中受电弓碳滑板的有效区域及缺陷类别进行分析，能够对受电弓碳滑板的状态进行实时监测，保障城市轨道列车安全运行，具有较大的应用前景。
-
公开(公告)号：CN109534140A
公开(公告)日：2019-03-29
申请号：CN201811611011.8
申请日：2018-12-27
Applicant: 北京交通大学
Inventor： 魏秀琨 , 赵利瑞 , 贾利民 , 孟鸿飞 , 李赛 , 魏德华 , 尹贤贤 , 杨子明 , 江思阳 , 滕延芹 , 管青鸾 , 所达 , 潘潼 , 翟小婕 , 王熙楠 , 陈亚兰
Abstract: 本发明提供了一种基于SIMPACK的电扶梯梯级链建模与故障仿真方法。该方法利用动力学仿真软件SIMPACK建立电扶梯梯级链仿真模型，并在模型从动轴上设置振动加速度传感器，分别加入链节距伸长、销轴和套筒磨损、滚子和齿轮磨损三种故障形式。在SIMPACK中分别进行正常状态、链节距伸长状态、销轴和套筒磨损状态、滚子和齿轮磨损状态下的离线积分，将离线积分结果在动力学仿真软件SIMPACK后处理器中打开，并输出所需的从动轴横向振动加速度数据，对四种状态下的从动轴横向振动加速度数据进行分析，研究不同状态下的故障规律。这种仿真方法能够快速准确地仿真电扶梯梯级链的各故障情况下的运行状态，节省了大量的人力物力和财力，并对避免电扶梯故障的发生具有重大的意义。
-
-
-
-
-
-
-
Search Results
18
records
(took 0.02 seconds)
