案例简介

由于现有动车组结构设计复杂，新增振动传感器涉及布线、选位等一系列额外耗时耗费操作，希望借助原有电流、电压等传感器数据转化振动数据，从而实现动车专项架轴承的状态智能判断。

 

                 

 

 

 

中车研究院在原有工业设备 AI 故障诊断建设基础上，利用飞桨深度学习开源平台搭建了自主提取数据深层特征实现 不同类型数据转化的虚拟传感算法模型，并在集合大数据处理、云计算分析能力的基础上开发了一套完善的工业设 备故障诊断系统。 

 

 

相关产品

PaddleNLP

 

 

场景分析

 

业务目标

深度挖掘电流、电压信号与振动信号间的内在关系，借助深度学习算法自主提取特征，以电流电压数据模拟机械设备振动状态，从而结合已有故障诊断算法实现列车设备及子系统的实时状态监测功能。

 

                      业务流程图

 

 

技术方案

算法方案

• 前置步骤: 数据预处理 数据清洗与预处理，以整理形成统一格式。
  算法方案一: 传统拟合 RegressionLearner:仅看回归标准误差效果较好，但故障分类判断效果不佳，难以适应实际应用需求。
• 算法方案二: 时序处理 LSTM:时序数据拟合过滤后的振动值，结合故障分类效果明显，时频域分析可拟合大部分特征。
• 算法方案三: 语义解析采用Seq2Seq对数据进行深层语义解析与提取。
• 算法方案四:对抗转化 通过 Pix2Pix 对抗学习生成数据，实现虚拟传感转化。
• 后续步骤: 故障诊断 与已有故障诊断系统相结合，进一步拓展诊断应用领域。

                 

       

                         

 

 

 

上线效果

• 转化流程: 通过 Paddle 搭建 LSTM 框架，借助时序关系辅助模拟振动数据。
• 效果评判: 模拟生成值契合滤波后的振动数据，综合故障分类准确率可达 95%。
  

                        

                         

 

 

 

案例企业简介

 

中车研究院(以下简称“研究院”)是中国中车的直属机构和战略支撑单位。研究院以实现中车行业引领为努力方向， 以战略和市场为驱动，以跨界和融合为载体，以“支撑 + 服务”为模式，立足服务中车及其各子公司，搭建产业发 展研究平台及资源聚合平台，组织推动基础性、前瞻性、共性技术研究及科技成果商品化、产业化等工作，开展中 车智能技术研究、产品平台研究与建设。同时，以研究院建设为抓手，开展科技创新资源的全球化布局与运用，实 现科技资源集约化运行、协同化发展，促进自主创新能力的提升、科技成果快速产业化，提升市场竞争力，形成“科 技支撑产业，产业反哺科技”的良性发展格局，为中车加快转型升级、实现跨国经营、引领行业发展提供强力支撑。