Využití neuronových sítí k detekci poruchových stavů jedoucích vozidel metra

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F00216275%3A25510%2F15%3A39902276" target="_blank" >RIV/00216275:25510/15:39902276 - isvavai.cz</a>

Výsledek na webu

—

DOI - Digital Object Identifier

—

Jazyk výsledku

čeština

Název v původním jazyce

Využití neuronových sítí k detekci poruchových stavů jedoucích vozidel metra

Popis výsledku v původním jazyce

Prezentován postup implementace neuronových sítí v oblasti analýzy příznaků poruch v signálech získaných při měření zrychlení během průjezdu vozidel metra měřicím úsekem. Je prezentován princip aplikace neuronových sítí, stanovení referenčního signálu pro bezporuchový stav. Příznak poruchy v signálu je detekován metodou predikce signálu neuronovou sítí naučenou na bezporuchový signál a následném porovnání vstupního a predikovaného signálu. Výsledky jsou prezentovány pro několik souprav metra. Na základě dlouhodobého měření vibrací při průjezdu souprav a následné analýzy příznaků poruch lze vytvořit "slovník poruch" a potom následně neuronovou sítí analyzovat konkrétní poruchu. Součástí zprávy je i ověření možnosti využití neuronových sítí pro rozpoznávání signálů, kde je toto ověřováno na rozpoznávání průjezdu jednoho dvojkolí celkem 23 různých souprav, je zde realizováno rozpoznávání časových průběhů signálů a frekvenčních FFT spekter.

Název v anglickém jazyce

Using of neural networks for detection of error conditions of running metro vehicles

Popis výsledku anglicky

The report aims to present the progress in the implementation of neural networks in the analysis of the symptoms of errors of the signals obtained when measuring the acceleration during the passage of vehicles metro measuring section. It is presented here the principle applications of neural networks, the determination of the reference signal for fault-free condition. Symptom fault in the signal is detected by the signal prediction neural network trained to trouble the signal and then comparing the input signal and predicted. Results are presented for several metro trains. Based on the long-term measurement of vibration when passing trains and the subsequent analysis of the symptom of the problem can create a "fault dictionary" and then followed by a neural network to analyze particular fault. The report also check on the possibility of using neural networks for signal recognition, where it is verified to recognize the passage of one wheelset total of 23 different sets, there is recognition of realized waveforms and frequency spectra FFT.

Druh

O - Ostatní výsledky

CEP obor

JO - Pozemní dopravní systémy a zařízení

OECD FORD obor

—

Projekt

<a href="/cs/project/TE01020038" target="_blank" >TE01020038: Centrum kompetence drážních vozidel</a><br>

Návaznosti

P - Projekt vyzkumu a vyvoje financovany z verejnych zdroju (s odkazem do CEP)

Rok uplatnění

2015

Kód důvěrnosti údajů

S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů