CN101439726A - 检测列车通行情况的方法及其系统 - Google Patents
检测列车通行情况的方法及其系统 Download PDFInfo
- Publication number
- CN101439726A CN101439726A CNA2007101948393A CN200710194839A CN101439726A CN 101439726 A CN101439726 A CN 101439726A CN A2007101948393 A CNA2007101948393 A CN A2007101948393A CN 200710194839 A CN200710194839 A CN 200710194839A CN 101439726 A CN101439726 A CN 101439726A
- Authority
- CN
- China
- Prior art keywords
- amplitude data
- train
- road section
- predetermined road
- data
- 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.)
- Granted
Links
Images
Landscapes
- Train Traffic Observation, Control, And Security (AREA)
Abstract
本发明公开了一种检测列车通行情况的方法,包括步骤:采集预定路段的振幅数据;对所采集的振幅数据执行训练操作,获知列车通行时该预定路段所对应的训练样本;实时获取当前预定路段的振幅数据记录;对所获得的训练样本和实时振幅数据记录进行预定判断操作,获知当前预定路段列车通行情况。此外,本发明还公开了一种检测列车通行情况的系统。通过本发明,可以准确地对特定铁路路段上是否行驶有列车进行判断。本发明采用比轮轨电磁变化更为可靠和易测量的振幅信号实现列车通行非接触自动检测,降低检测的误报率和漏报率,同时提高了检测的实时性。
Description
技术领域
本发明涉及监控技术领域,尤其是涉及一种检测列车通行情况的方法及其系统。
背景技术
在与铁路及通行列车相关的大量控制系统中,如列车运行调度、编组站的钢轨道岔控制、散装车皮的容量自动检测、铁路路况监测和障碍物的自动发现和报警等,普遍存在着对铁路路轨上列车通行情况进行自动检测的需求,也就是,需要自动判断特定铁路路段上是否有列车通过。如果不能自动实现对列车通行的自动检测,这些控制系统是无法投入实际使用的。如果靠人工观察确定是否有铁路列车通行,会导致系统效率下降、安全性降低等一系列问题。
目前主要采用的一种自动检测铁路列车通行情况的方法为:在钢轨上安装接触式磁性轮轨传感器来获取因列车通过导致的磁场变化,当列车车轮在磁性轮轨传感器上方经过时,该传感器感应输出信号,从而获知在钢轨上是否有列车通行。
但是,在钢轨上安装磁性轮轨传感器的原理是电磁感应式的。传感器响应于磁感应强度的变化率,输出信号与列车运行速度有关,当车速比较低的时候,由于响应信号小,容易漏报,甚至无法使用。此外,在钢轨上安装磁性轮轨传感器的方式是接触式的,即传感器直接安装在铁轨上,施工难度大,需要过轨走线(即在钢轨路基下方安装传输电缆),并且在施工时列车通行需要暂时中断,而且这种方法的维护比较困难,尤其是铁路需要定期翻新路基碎石,每次翻新路基时,都必须把磁性传感器拆下来,翻新完了再装上,这样做给维护人员带来很大的困难,同时也较少了传感器的寿命。
发明内容
本发明的目的在于提供一种检测列车通行情况的方法及其系统,可以准确地对特定铁路路段上是否行使有列车进行判断。
为解决上述问题,本发明提供了一种检测列车通行情况的方法,包括以下步骤:
采集预定路段的振幅数据;
对所采集的振幅数据执行训练操作,获知列车通行时该预定路段所对应的训练样本;
实时获取当前预定路段的振幅数据记录;
对所获得的训练样本和实时振幅数据记录进行预定判断操作,获知当前预定路段列车通行情况。
优选地,采集预定路段的振幅数据,对所采集的振幅数据执行训练操作,获知列车通行时该预定路段所对应的训练样本,具体为:
采集预定路段的振幅数据记录和标记数据记录;
根据所述预定路段的振幅数据记录和标记数据记录执行训练操作,获取适合于该预定路段的包含影响振幅数据的各种参数的训练样本。
优选地,所述影响振幅数据的各种参数为:振幅最大值抑制值、最优滤波器参数、去噪参数。
优选地,通过用户人工输入的方式采集预定路段的标记数据记录。
优选地,所述标记数据记录为预定路段在每一个时刻是否有列车通过的记录。
优选地,根据所获得的训练样本和实时振幅数据,对当前预定路段进行预定判断操作,具体为:
将训练样本和实时振幅数据的中间部分数据进行合并,并对合并生成的数组进行K均值分类,获得高阀值、低阀值;
利用高阀值、低阀值对经过K均值分类的数组进行二值化处理;
根据二值化处理后数组中标记为1的数据所占据的比例,获知当前预定路段列车通行情况。
优选地,当所述二值化处理后的数组中标记为1的数据占据的比例超过2/3时,获知当前预定路段有列车通过。
优选地,所述二值化处理步骤之后还包括步骤:
利用去高噪音参数和去低噪音参数去除非列车通过时所引起的高噪音及列车通过时所引起的低噪音。
优选地,运用振动传感器采集预定路段的振幅数据。
所述预定路段的振幅数据为:对预定路段所采集的所有列车通行的振幅数据进行均值分析后,最小均值所对应列车的振幅数据。
此外,本发明还提供了一种检测列车通行情况的系统,包括振幅数据采集装置、训练装置、振幅数据记录装置和判断装置,其中,所述振幅数据采集装置,用于采集预定路段的振幅数据;
所述训练装置,用于对所采集的振幅数据执行训练操作,获知列车通行时该预定路段所对应的训练样本;
所述振幅数据实时记录装置,用于实时获取当前预定路段的振幅数据记录;
所述判断装置,用于对所获得的训练样本和实时振幅数据记录进行预定判断操作,获知当前预定路段列车通行情况。
优选地,所述预定路段的振幅数据为:对预定路段所采集的所有列车通行的振幅数据进行均值分析后,最小均值所对应列车的振幅数据。
优选地,该预定路段所对应的训练样本具体为:适合于该预定路段的包含影响振幅数据的各种参数的训练样本。
优选地,所述影响振幅数据的各种参数为:振幅最大值抑制值、最优滤波器参数、去噪参数。
优选地,所述标记数据记录为预定路段在每一个时刻是否有列车通过的记录。
优选地,所述判断装置包括:
合并分类单元,用于将训练样本和实时振幅数据的中间部分数据进行合并,并对合并生成的数组进行K均值分类,获得高阀值、低阀值;
二值化处理单元,用于利用高阀值、低阀值对经过K均值分类的数组进行二值化处理;
通行判定单元,用于根据二值化处理后数组中标记为1的数据所占据的比例,获知当前预定路段列车通行情况。
优选地,当所述二值化处理后的数组中标记为1的数据占据的比例超过2/3时,所述通行判定单元获知当前预定路段有列车通过。
优选地,所述判断装置还包括:去噪单元,用于利用去高噪音参数和去低噪音参数去除非列车通过时所引起的高噪音及列车通过时所引起的低噪音。
优选地,所述振幅数据采集装置为振动传感器。
本发明通过采集预定路段的振幅数据,并对所采集的振幅数据进行相继训练操作和判断操作,即对影响振幅数据的各种参数进行分析、判断,来获知当前预定路段的列车通行情况。跟现有技术相比,本发明可以采用比轮轨电磁变化更为可靠和易测量的振幅信号实现列车通行自动检测,降低检测的误报率和漏报率,同时提高了检测的实时性;此外,即本发明提供的系统的设备可以都在铁路的路基范围以外安装,并且可以都安装在铁路的一侧,从而降低了系统施工、维护的复杂性,并提高了系统的可靠性和使用寿命。
附图说明
图1为本发明提供的一种检测列车通行情况的方法的流程图;
图2为振幅数据的波形图;
图3为标记数据的波形图;
图4为本发明中执行训练操作的过程图;
图5为本发明中执行预定判断操作的流程图;
图6为滑动窗口的示意图;
图7为几种列车车型的振幅波形图;
图8为本发明提供的一种检测列车通行情况的系统的框架图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面结合附图和实施方式对本发明作进一步的详细说明。
考虑到列车通过时,在距钢轨一定距离内的地面会产生明显的、有规律的振动,这种振动的振幅信号与其他原因造成的振动的振幅有着区别明显的特征,因而本发明通过对钢轨附近地面的振幅信号进行采集,并传输到与之相连的信号分析系统进行处理和分析,如果发现连续的振幅信号出现明显的列车通过信号特征,就可以判定为有列车通过,从而实现对特定铁路路段列车通行情况的检测。
本方法在技术上主要解决的问题是如何采集铁轨的振幅信息,并根据这些信息实时地判断出本段铁轨的列车通行情况。
参见图1,本发明提供了一种检测铁路列车通行情况的方法,包括以下步骤:
步骤S101:采集预定路段在预定时间长度内的振幅数据。
例如,本发明可以采集10秒左右时间长度内的振幅数据。
在该步骤中,本发明运用振动传感器采集预定铁轨路段的一段连续时间长度内的振幅数据,在本发明中,优选为采用电容型加速度数字振动传感器采集预定铁路路段的振幅数据。
上述预定时间长度根据用户的需要进行调整设定。
在步骤S101,通过在路基周边安装振动传感器来采集振动信号,并在整个信号采集期间,由人工同步输入各时刻是否有列车通过的信息(0/1),生成振幅信号对应的标记数据。
步骤S102:根据标记数据对所采集的振幅数据执行训练操作,获取适合于该预定路段的包含影响振幅数据的各种参数的训练样本。
所述振幅数据即为振幅的采样数据。具体为:对典型情况下(如重型货车快速通过、客车慢速通过、无列车通过但人工敲击钢轨等)特定铁路路基周边的振幅信号进行采集,通过用户输入的方式获知当前是否有列车通行,从而获知列车通行时该预定路段所对应的振幅数据的各种参数,包括振幅的高低幅度和分布、各种频率成分的分布等,来生成最大值抑制值、滤波器参数、去噪参数等判定算法的内部参数,以便最好地适应此特定路段。在实际运行中,运用这些参数执行图5的判断流程,对实际采集到的振幅数据进行分析判定,得到最后的列车通行结果。
鉴于本发明的主要作用就是通过振动传感器采集预定路段的一段连续振幅数据,判断出当前时刻此路段是否有列车通行,而由于不同铁路路段、不同类型的列车和不同的车速造成的振动的振幅各不相同,因此在具体到某个铁路路段时,需要对当地影响振幅数据的各种参数(如最大值抑制值、滤波器、去噪参数等)进行调整。
通过对采集的振幅数据执行训练操作,所获得的适合于该预定铁路路段的训练样本中包含影响振幅数据的各种参数(如最大值抑制值、滤波器参数、去噪参数等)。
在执行训练操作的过程(即训练过程)中,需要获得两组数据:振幅数据以及其对应的标记数据。其中,振幅数据记录预定铁路路段在一段时间内每一个时刻的振幅大小,如图2,标记数据则记录每一个时刻是否有列车通过,在采集振幅数据样本和标记数据样本时由用户进行人工输入,如图3,标记1表示有列车通过,0表示没有列车通过。由图2、图3所示,标记数据与振幅数据相互对应,都是对预定铁路路段在一段时间情况的描述。
具体的执行训练操作的过程参见图4所示,具体如下:
步骤S401:输入振幅数据文件及标记数据文件。
步骤S402:在有列车通过的振幅数据中选取最大的振幅,以该最大的振幅作为极大值抑制值参数。
在标记为1时,对应的时刻有列车通过预定铁路路段,在振幅数据文件中可以获取标记为1对应的时刻的振幅。
步骤S403:基于最速下降法的LMS(最小均方)算法计算最优的滤波器,获得最优滤波器参数。
下面对最小均方(LMS)算法作下介绍:
最陡下降算法每次迭代都需要知道性能曲面上某点的梯度值,而实际上梯度值只能根据观测数据进行估计。LMS算法就是一种很有用且很简单的估计梯度的方法,该算法计算量小,易于实现,且不要求脱线计算。只要自适应滤波器每次迭代运算时能知道输入信号和参考响应,选用LMS算法是很合适的。
该算法的公式表达式为:
e(n)=d(n)-xT(n)x(n);
w(n+1)=w(n)+2ue(n)x(n);
其中x(n)为n时刻的输入矢量,w(n)为n时刻的自适应滤波器的权矢量,v(n)为输入的干扰信号,d(n)为期望信号,u为步长引子。
LMS算法实际上是在每次迭代中使用很粗略的梯度估计值(n)来代替精确值(n)。不难预计,权系数的调整路径不可能准确地沿着理想的最陡下降的路径,因而权系数的调整过程是有噪声的,或者说w(n)不再是确定性函数而变成了随机变量。LMS算法调整权系数时不需要进行平方运算和统计平均运算,因而实现起来很简单。
步骤S404:将振幅数据记录与最优滤波器参数做滑动卷积操作,并进行归一化及二值化处理。
本发明在这里做的是滑动卷积,滤波器参数的长度是10,从左到右依次与振幅数据做卷积。
所述归一化就是把需要处理的数据经过处理后(通过某种算法)限制在一定范围内。
所述二值化处理:简单的说就是0-1化,利用高、低阈值进行二值化处理(低于低阈值的设置为0,高于高阈值的设置为1,介于二者之间的与前一个二值化结果相同)。
步骤S405:将二值化的结果与标记数据文件相与,获得等于1的两个标记之间的最大时间间隔,以该时间间隔得到用于去除非列车引起的高噪声的去高噪音参数。
在此需要说明的是,标记数据文件和二值化的结果都是0/1数据序列,可以执行逻辑与操作,操作的结果也是0/1序列,其中两个1之间的最大距离就是这个时间间隔。
步骤S406:根据标记数据文件,获知预定时间长度内通过的列车数目。具体实现上,即根据标记数据文件中连续的1的序列个数,获知预定时间长度内通过的列车数目。
步骤S407:对每段列车通过的振幅进行分析,计算其振幅的均值,当振幅的均值小于先验最大有效振幅阈值时,将此段列车通过时对应的振幅数据写入训练文件。
所述先验最大有效振幅的阈值取决于振动传感器的个体特性和安装方式,一般情况下取50左右。
步骤S408:将步骤S404二值化的结果与每段列车通过时的标记数据文件相与,选出等于1的标记的最大时间间隔。得到用于去除有列车通过时的低噪音的去低噪音参数。
步骤S409:将步骤S407获得的训练文件中的数据与对应参数保存在对应的样本文件中,获得未经过验证的训练样本。
步骤S410:将训练集中未经过验证的不同训练样本分别对原振幅数据文件进行判断。
步骤S411:将上述判断的结果与标记数据相比较,获得与标记数据最匹配的判断结果,将该判断结果对应的振幅数据(称之为训练结果)作为最终的训练样本。
步骤S103:实时获取当前预定路段的振幅数据记录;
步骤S104:对所获得的训练样本和振幅数据记录进行预定判断操作,获知当前预定铁路路段的列车通行情况。
执行预定判断操作(即执行预定判断过程)的目的为:实时地判断当前时刻的预定铁路路段上是否正在通行列车。在执行判断过程中我们需要有上述训练过程得到的训练样本以及步骤S103中由振动传感器实时采集的预定时间长度的振幅数据记录。通过对实时采集的振幅数据记录与训练样本数据进行滤波、分类等步骤(见如下描述),最终实时地判断当前预定铁路路段的列车通行情况。
参见图5,为执行预定判断操作的流程图,具体判断操作的流程如下:
步骤S501:由训练样本中得到最大值抑制值参数、最优滤波器参数、去高噪音参数和去低噪音参数。
步骤S502:将滑动窗口的振幅中大于最大值抑制值的振幅设定为最大值抑制值。
进行该步骤的目的是去除在非常短的时间内突然振幅很大带来的噪声。
所述滑动窗口的振幅为由振动传感器采集当前的预定铁路路段振动的振幅。
需要说明的是,振动传感器不停采集的振幅数据相当于一个无界增长的数据流。在处理持续到达的数据流的时候,人们通常并不是对已经到达的数据都感兴趣,而只是对最近到达的部分数据感兴趣,因此,在本发明中也是针对最近达到的部分数据进行处理,所以本发明引入传统处理数据流的方法—滑动窗口的概念来处理振幅数据流。
滑动窗口实质上就是一个有着固定标尺的一维数组,这个标尺可以是时间、也可以是元组,它们都有着不同的性质。但相同的是其数组内容都会随着新数据的输入而不断移动变化,且窗口的两端是随着新元组的到达向相同的方向移动的。
本发明中所采用的滑动窗口的是带有时间的基于元组的滑动窗口,实质上为大小固定的滑动窗口。本发明所采用的滑动窗口除了具有一般滑动窗口的共性之外,还有其自身特点:窗口既没有重叠、也没有分离,而是紧邻的。如图6所示,窗口大小为5,当前处理窗口中存放着5-9,下一个窗口中存放着10-14,以此类推。
在本发明中,采用滑动窗口的目的在于为了提高判断列车通行情况的响应速度,可以保障本发明能够以最快的响应速度来判断当前列车通行的情况。
在步骤S101中,为了保障本发明的步骤S104执行判断操作的结果具有实时性,以实时反映当前时间段预定铁路路段的通行情况,步骤S101中的预定时间长度优选为等于滑动窗口的大小。
步骤S503:将训练样本及滑动窗口中的振幅数据分别与最优滤波器参数做滑动卷积操作,并取两者的中间部分合并为一个数组。
本发明为了反映当前时间段预定铁路路段的通行情况而采集滑动窗口长度的振幅数据。滑动窗口的长度大小根据用户的延时要求确定,不能太长,否则会在一定程度上影响本发明最终判断结果的准确性。为此,还需要将滑动窗口中的振幅进行低通滤波。
步骤S504:将上述合并生成的数组进行K均值分类,获得两个阈值(即为高、低阈值)。
在这里,K均值算法是一种分类的方法,K均值算法能够使聚类中所有样品到聚类中心的距离的平方和最小。其原理为先取k个初始距离中心,计算每个样品到这k个中心的距离,找出最小距离,把样品归入最近的聚类中心,修改中心点的值为本类所有样品的均值,再计算各个样品到k个中心的距离,重新分类,修改新的中心点,直到新的距离中心等于上一次的中心点结束。该算法的结果受到聚类中心的个数以及初始聚类中心的选择影响,也受到样品几何性质及排列次序影响。
本发明的目的就是将最后的判断结果分为两类:一类有列车,一类无列车,所以需要得到高、低两个阈值。
步骤S505:将经过K均值分类的数组利用高、低阈值进行二值化处理。
具体处理为:将低于低阈值的设置为0,将高于高阈值的设置为1,介于二者之间的与前一个二值化结果相同。
步骤S506:综合去高噪音参数和去低噪音参数去除非列车通过时所引起的高噪音及列车通过时所引起的低噪音。
在该步骤中,去噪的具体操作为:
A:去低噪,即对二值化后的数据分析每一个连通域,连通域中出现连续的0值个数低于去低噪参数,则将该段的0值改为1;
B:去高噪,对去低噪后的数据取反,分析每一个连通域,如果连通域中出现连续的0的个数低于去高噪参数,则将该段的0值改为1;
C:将去噪后的数据整体取反,获得去噪后的结果数据。
步骤S507:判断当前滑动窗口中标记为1的数据是否超过窗口大小的2/3,如果是,执行步骤S508,即获知当前有列车通过,设置判断结果为1,否则,执行步骤S509,即获知当前没有列车通过,设置判断结果为0。
为了进一步提高对预定铁路路段列车通行情况判断的准确性,还可以对上述步骤S507对滑动窗口的判断结果进行低通滤波,以去除噪声。
本发明将振动传感器安装在铁轨附近以采集到列车通行时的振幅数据,但是,它所采集到的并不只是列车通行时的振幅数据,任何通过振动传感器的物体都可能会产生一些振动,其振幅数据也会被传感器所采集。但是物体由于具有自身的物理性质,所以每个物体所具有的振动规律是不尽相同的。
通行的列车所产生振动的主要规律是在一个持续的时间内振幅数据明显变大,且在整个列车通行过程中振幅波动比较小,振幅数据比较整齐。
在振动数据开始采集的一段时间会经历一个由不稳定到稳定的过程,这就意味这在采集训练样本时我们很有可能采集到不稳定的数据,那么使用这些不稳定的数据而获得的训练样本将会对后续的判断造成很不利的影响。为此,本发明在采集训练样本的过程结束后对训练样本的采集结果进行验证,以确定在训练样本中存放的振幅数据是否为可信的,准确的。因此在这里,本发明提出了训练集和验证集的概念。
训练集和验证集是训练过程中所使用的两个集合,两者均保存了振幅数据文件及其对应的标记数据文件。
其中,训练集的作用是对未经过训练的振幅数据进行训练,对于每段有列车通过时的振幅数据训练都会得到一套训练样本。验证集的作用是对训练集的训练结果(如n套训练样本)进行判断验证,即在这些训练结果中选出与标记数据文件匹配率最高的训练结果作为最终的训练样本。
由于采用了训练集与验证集综合判断的方法,本发明可以在训练数据中智能的选取最佳的训练结果,去除了不稳定振幅数据的影响。这样提高了训练的准确性,为后续的判断操作提供了可靠的依据,增加了算法的稳定性。
由于任何列车的通行都会对铁轨造成振动,但是不同类型的列车会对铁轨造成不同的振动规律。列车在相同速度下,质量大的列车对铁轨造成的振动比较大,表现出来的特征是振幅普遍偏大。列车在相同质量下,速度高的列车对铁轨造成的振动比较大,表现出来的特征是振幅普遍偏大,且持续时间比较长。
在本发明中,由于获取训练样本所用的振幅数据是随机采集的,我们并不知道哪段数据对应的是什么样的列车,而不同列车的振幅数据所训练出来的训练样本是不同的,如图7所示,如何在未知的训练数据中选取一段合适的列车通行数据作为训练样本,使得它的训练样本能够适合于各种车型,能够覆盖大部分的情况成了本发明提供的算法的技术关键。
参见图7所示,重型高速列车振幅均值比较大,轻型低速列车振幅均值比较小,而一般列车振幅均值位于前二者,所以不同列车之间的区分主要是靠列车通行时引起振幅的均值的不同(在上述图7中可很明显的看出)。
如果我们在训练的时候选择了均值比较高的振幅数据,因为其振幅与其他相差甚大,所以判断结果会使得一般列车及轻型低速列车产生漏报(即最后的判断结果全部都是无列车通行)。如果选择均值一般的振幅数据,则会致使部分轻型低速列车产生漏报。如果我们选取了均值很小的振幅数据(其均值与噪音部分均值很接近),则很容易产生误报(将无列车通行的时刻判断为有列车)。基于上述原因,我们在进行训练的时候应该选取均值比较合适的振幅数据。
为了选取合适的振幅数据作为训练数据,我们采用的方法是,根据标记数据,在所有有列车通行的振幅数据段进行均值分析,找出最小均值所对应的列车通行的振幅数据。在训练的过程中如果选用的训练样本是最小均值所对应的振幅数据,那么在判断时就不会出现有列车而识别不出来的情况,因此它既能识别出各种类型的列车,又能很明显的区别与无列车通行的振幅数据。这样既保证识别率,又避免了误报率。因此,基于上述原因,执行训练操作的预定路段的振幅数据优选为:对预定路段所采集的所有列车通行的振幅数据进行均值分析后,最小均值所对应列车的振幅数据。
基于图1所述,本发明提供了一种检测列车通行情况的方法,本发明还提供了一种检测列车通行情况的系统,参见图8,包括振幅数据采集装置801、训练装置802、振幅数据实时记录装置803和判断装置804,其中,
所述振幅数据采集装置801,用于采集预定路段的振幅数据;
所述训练装置802与所述振幅数据采集装置801相连,用于对所采集的振幅数据执行训练操作,获知列车通行时该预定路段所对应的训练样本;
所述振幅数据实时记录装置803,用于实时获取当前预定路段的振幅数据记录;
所述判断装置804与所述训练装置802、振幅数据实时记录装置803相连,用于对所获得的训练样本和实时振幅数据记录进行预定判断操作,获知当前预定路段列车通行情况。
在本发明提供的系统中,所述预定路段的振幅数据优选为:对预定路段所采集的所有列车通行的振幅数据进行均值分析后,最小均值所对应列车的振幅数据。
在本发明提供的系统中,该预定路段所对应的训练样本具体为:适合于该预定路段的包含影响振幅数据的各种参数的训练样本。其中,所述影响振幅数据的各种参数为:振幅最大值抑制值、最优滤波器参数、去噪参数。
需要说明的是,所述标记数据记录为预定路段在每一个时刻是否有列车通过的记录。
本发明提供的系统中,所述判断装置804包括:合并分类单元8041,用于将训练样本和实时振幅数据的中间部分数据进行合并,并对合并生成的数组进行K均值分类,获得高阀值、低阀值;二值化处理单元8042,用于利用高阀值、低阀值对经过K均值分类的数组进行二值化处理;通行判定单元8043,用于根据二值化处理后数组中标记为1的数据所占据的比例,获知当前预定路段列车通行情况。需要说明的是,当经过所述二值化处理单元8042进行二值化处理后的数组中标记为1的数据占据的比例超过2/3时,所述通行判定单元8043获知当前预定路段有列车通过。
本发明提供的系统中,所述判断装置中还可以包括有去噪单元8044,用于利用去高噪音参数和去低噪音参数去除非列车通过时所引起的高噪音及列车通过时所引起的低噪音。
需要说明的是,在本发明提供的系统中,所述振幅数据采集装置优选为采用振动传感器,如电容性加速度振动传感器。
虽然通过实施例描绘了本发明,本领域技术人员知道,本发明有许多变形和变化而不脱离本发明的精神,希望所附的权利要求包括这些变形和变化而不脱离本发明的精神,任何本领域的技术人员能思之的变化,都应落在本发明的保护范围内。
Claims (19)
1、一种检测列车通行情况的方法,其特征在于,包括以下步骤:
采集预定路段的振幅数据;
对所采集的振幅数据执行训练操作,获知列车通行时该预定路段所对应的训练样本;
实时获取当前预定路段的振幅数据记录;
对所获得的训练样本和实时振幅数据记录进行预定判断操作,获知当前预定路段列车通行情况。
2、如权利要求1所述的方法,其特征在于,采集预定路段的振幅数据,对所采集的振幅数据执行训练操作,获知列车通行时该预定路段所对应的训练样本,具体为:
采集预定路段的振幅数据记录和标记数据记录;
根据所述预定路段的振幅数据记录和标记数据记录执行训练操作,获取适合于该预定路段的包含影响振幅数据的各种参数的训练样本。
3、如权利要求2所述的方法,其特征在于,所述影响振幅数据的各种参数为:振幅最大值抑制值、最优滤波器参数、去噪参数。
4、如权利要求2所述的方法,其特征在于,通过用户人工输入的方式采集预定路段的标记数据记录。
5、如权利要求2所述的方法,其特征在于,所述标记数据记录为预定路段在每一个时刻是否有列车通过的记录。
6、如权利要求1所述的方法,其特征在于,根据所获得的训练样本和实时振幅数据,对当前预定路段进行预定判断操作,具体为:
将训练样本和实时振幅数据的中间部分数据进行合并,并对合并生成的数组进行K均值分类,获得高阀值、低阀值;
利用高阀值、低阀值对经过K均值分类的数组进行二值化处理;
根据二值化处理后数组中标记为1的数据所占据的比例,获知当前预定路段列车通行情况。
7、如权利要求6所述的方法,其特征在于,当所述二值化处理后的数组中标记为1的数据占据的比例超过2/3时,获知当前预定路段有列车通过。
8、如权利要求6所述的方法,其特征在于,所述二值化处理步骤之后还包括步骤:
利用去高噪音参数和去低噪音参数去除非列车通过时所引起的高噪音及列车通过时所引起的低噪音。
9、如权利要求1所述的方法,其特征在于,所述预定路段的振幅数据为:对预定路段所采集的所有列车通行的振幅数据进行均值分析后,最小均值所对应列车的振幅数据。
10、如权利要求1所述的方法,其特征在于,运用振动传感器采集预定路段的振幅数据。
11、一种检测列车通行情况的系统,其特征在于,包括振幅数据采集装置、训练装置、振幅数据记录装置和判断装置,其中,
所述振幅数据采集装置,用于采集预定路段的振幅数据;
所述训练装置,用于对所采集的振幅数据执行训练操作,获知列车通行时该预定路段所对应的训练样本;
所述振幅数据实时记录装置,用于实时获取当前预定路段的振幅数据记录;
所述判断装置,用于对所获得的训练样本和实时振幅数据记录进行预定判断操作,获知当前预定路段列车通行情况。
12、如权利要求11所述的系统,其特征在于,所述预定路段的振幅数据为:对预定路段所采集的所有列车通行的振幅数据进行均值分析后,最小均值所对应列车的振幅数据。
13、如权利要求11所述的系统,其特征在于,该预定路段所对应的训练样本具体为:适合于该预定路段的包含影响振幅数据的各种参数的训练样本。
14、如权利要求13所述的系统,其特征在于,所述影响振幅数据的各种参数为:振幅最大值抑制值、最优滤波器参数、去噪参数。
15、如权利要求12所述的系统,其特征在于,所述标记数据记录为预定路段在每一个时刻是否有列车通过的记录。
16、如权利要求11所述的系统,其特征在于,所述判断装置包括:
合并分类单元,用于将训练样本和实时振幅数据的中间部分数据进行合并,并对合并生成的数组进行K均值分类,获得高阀值、低阀值;
二值化处理单元,用于利用高阀值、低阀值对经过K均值分类的数组进行二值化处理;
通行判定单元,用于根据二值化处理后数组中标记为1的数据所占据的比例,获知当前预定路段列车通行情况。
17、如权利要求16所述的系统,其特征在于,当所述二值化处理后的数组中标记为1的数据占据的比例超过2/3时,所述通行判定单元获知当前预定路段有列车通过。
18、如权利要求16所述的系统,其特征在于,所述判断装置还包括:去噪单元,用于利用去高噪音参数和去低噪音参数去除非列车通过时所引起的高噪音及列车通过时所引起的低噪音。
19、如权利要求16所述的系统,其特征在于,所述振幅数据采集装置为振动传感器。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2007101948393A CN101439726B (zh) | 2007-11-22 | 2007-11-22 | 检测列车通行情况的方法及其系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2007101948393A CN101439726B (zh) | 2007-11-22 | 2007-11-22 | 检测列车通行情况的方法及其系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN101439726A true CN101439726A (zh) | 2009-05-27 |
CN101439726B CN101439726B (zh) | 2012-04-18 |
Family
ID=40724377
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2007101948393A Active CN101439726B (zh) | 2007-11-22 | 2007-11-22 | 检测列车通行情况的方法及其系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN101439726B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103777091A (zh) * | 2013-12-13 | 2014-05-07 | 国家电网公司 | 一种基于k均值的高铁电能质量监测数据分类方法 |
CN108731792A (zh) * | 2018-04-09 | 2018-11-02 | 深圳市迈进科技有限公司 | 一种判断列车过车的方法及振动检测装置 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4207569A (en) * | 1977-08-09 | 1980-06-10 | Meyer Jack R | Railroad radio frequency waveguide |
JPH11342845A (ja) * | 1998-06-04 | 1999-12-14 | Mitsubishi Electric Corp | 列車検知装置及び列車位置検知システム、並びに列車接近警報発生装置 |
CA2401209A1 (en) * | 2000-02-25 | 2001-08-30 | Henry B. Lewin | Rail communications system |
US6951132B2 (en) * | 2003-06-27 | 2005-10-04 | General Electric Company | Rail and train monitoring system and method |
-
2007
- 2007-11-22 CN CN2007101948393A patent/CN101439726B/zh active Active
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103777091A (zh) * | 2013-12-13 | 2014-05-07 | 国家电网公司 | 一种基于k均值的高铁电能质量监测数据分类方法 |
CN103777091B (zh) * | 2013-12-13 | 2016-08-31 | 国家电网公司 | 一种基于k均值的高铁电能质量监测数据分类方法 |
CN108731792A (zh) * | 2018-04-09 | 2018-11-02 | 深圳市迈进科技有限公司 | 一种判断列车过车的方法及振动检测装置 |
CN108731792B (zh) * | 2018-04-09 | 2020-05-19 | 深圳市迈进科技有限公司 | 一种判断列车过车的方法及振动检测装置 |
Also Published As
Publication number | Publication date |
---|---|
CN101439726B (zh) | 2012-04-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110197588B (zh) | 一种基于gps轨迹数据的大货车驾驶行为评估方法及装置 | |
US11373523B2 (en) | Method for vehicle detection based on single-axis geomagnetic sensor | |
CN110533229B (zh) | 轨道维修时刻预测方法及装置 | |
JP4298433B2 (ja) | 鉄道車両の異常検知装置 | |
EP3219574B1 (en) | Method and system for determining a vertical profile of a rail surface | |
CN110766982B (zh) | 基于车载传感器的车辆碰撞检测系统 | |
JP2015102329A (ja) | 列車情報の推定方法および橋梁の健全度評価方法 | |
CN104713769B (zh) | 一种用于道路状态评估的主动激振检测系统 | |
JP6838176B2 (ja) | 鉄道車両の異常検出装置および方法 | |
CN101439726B (zh) | 检测列车通行情况的方法及其系统 | |
JP2009018641A (ja) | 鉄道車両の制振装置 | |
CN107521511B (zh) | 一种车轮脱轨报警的方法及系统 | |
WO2017055838A1 (en) | Method and system for predicting railway track quality | |
CN109612568B (zh) | 一种振源移动干扰源识别方法 | |
US20170021846A1 (en) | Train Direction Detection Apparatus and Method | |
CN104457644A (zh) | 轨道几何检测数据中非脉冲异常数据的检测方法及装置 | |
AU2021290913B2 (en) | Method for monitoring a railway track and monitoring system for monitoring a railway track | |
CN110254478A (zh) | 路基变形病害识别方法及装置 | |
AU2019276351B2 (en) | Monitoring unit for monitoring a linear asset and method for monitoring a linear asset | |
WO2006007673A1 (en) | Movement detection system and method | |
EP4012370A1 (en) | Railway vehicle anomaly detection device | |
JP6996397B2 (ja) | 橋梁監視システム | |
CN110954154A (zh) | 一种基于移动传感与滤波集成系统的桥梁损伤定位方法 | |
CN214226119U (zh) | 路面监测系统 | |
RU2811811C1 (ru) | Способ классификации подвижных объектов наземной техники |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant |