CN108238066A - 道岔动作曲线模板选取方法及其应用 - Google Patents
道岔动作曲线模板选取方法及其应用 Download PDFInfo
- Publication number
- CN108238066A CN108238066A CN201711401723.2A CN201711401723A CN108238066A CN 108238066 A CN108238066 A CN 108238066A CN 201711401723 A CN201711401723 A CN 201711401723A CN 108238066 A CN108238066 A CN 108238066A
- Authority
- CN
- China
- Prior art keywords
- curve
- operation curve
- distance
- time series
- track switch
- 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
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B61—RAILWAYS
- B61L—GUIDING RAILWAY TRAFFIC; ENSURING THE SAFETY OF RAILWAY TRAFFIC
- B61L23/00—Control, warning, or like safety means along the route or between vehicles or vehicle trains
- B61L23/04—Control, warning, or like safety means along the route or between vehicles or vehicle trains for monitoring the mechanical state of the route
- B61L23/042—Track changes detection
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B61—RAILWAYS
- B61K—AUXILIARY EQUIPMENT SPECIALLY ADAPTED FOR RAILWAYS, NOT OTHERWISE PROVIDED FOR
- B61K9/00—Railway vehicle profile gauges; Detecting or indicating overheating of components; Apparatus on locomotives or cars to indicate bad track sections; General design of track recording vehicles
- B61K9/08—Measuring installations for surveying permanent way
Abstract
本发明提供了一种道岔动作曲线模板选取方法及其应用,获取某道岔的正常或某类故障动作曲线Z条,对Z条动作曲线进行预处理,得到Y条动作曲线(Z≥Y);计算每一条动作曲线L i 与所有动作曲线的距离;将所有的距离相加得到L i 与所有动作曲线总距离J i ,可求得每一条曲线与所有动作曲线的总距离分别为J 1 ,…,J i ,…,J Y ;比较所有总距离J 1 ,…,J i ,…,J Y ,总距离最小所对应的那一条动作曲线为此类动作曲线模板。本发明通过人工经验选取道岔动作曲线模板并诊断道岔故障,导致模板曲线及故障诊断结果不准确的问题,从而实现了准确选取道岔动作曲线模板并诊断道岔故障,提高了现场工作人员根据道岔动作曲线模板对道岔故障判断的准确率,增强铁路运营安全性。
Description
技术领域
本发明涉及轨道交通领域,具体涉及一种道岔动作曲线模板选取方法及其应用。
背景技术
道岔是列车从一股轨道转入或越过另一股轨道时必不可少的线路设备,是铁路轨道的一个重要组成部分,也是故障率最高的设备。一旦道岔发生故障,不能完成规定动作,轻则临时停车数小时,延误大量旅客的时间;重则车厢脱轨,造成人员伤亡。
目前,我国主要采用微机监测系统对道岔状态进行监测,现场工作人员根据微机监测系统中所采集的道岔动作曲线,选出某类道岔状态的模板曲线,依据各类模板曲线及实时道岔动作曲线来判断道岔故障。而动作曲线模板选取及故障识别的准确性主要依赖于相关人员的工作经验丰富性,这使得动作曲线模板不准确及故障错误判断的问题时有出现,造成道岔状态判断不准确,降低铁路运营安全性。这种道岔动作曲线模板选取及故障诊断的方式已不适应铁路快速发展的要求,如何快速准确的选取道岔动作曲线模板并进行故障诊断是保证行车安全与乘客生命安全的重要举措。
现有技术中,还无法自动挑选道岔动作曲线模板并诊断道岔故障,也未提出快速有效的解决方案。
发明内容
本发明提供了一种道岔动作曲线模板选取方法及其应用,以至少解决现有技术中通过人工经验选取道岔动作曲线模板、判断道岔故障,导致模板曲线选取、道岔故障诊断不准确的问题。
本发明提出的一种道岔动作曲线模板选取方法,具体步骤如下:
(1):获取某道岔的正常或某类故障动作曲线Z条,分别为L1,…,LZ;
(2):对Z条动作曲线进行预处理,得到Y条动作曲线(Z≥Y);
(3):计算预处理后得到的每一条动作曲线Li与所有动作曲线L1,…,Lj,…,LY之间的距离Mi1,…,Mij,…,MiY(i,j=1,…,Y);
(4):将所有的距离Mi1,…,Mij,…,MiY相加,得到动作曲线Li与所有动作曲线总距离Ji,可求得每一条动作曲线与所有动作曲线的总距离分别为J1,…,Ji,…,JY;
(5):比较所有动作曲线总距离J1,…,Ji,…,JY,总距离最小所对应的那一条动作曲线为此类动作曲线模板。
本发明中,步骤(1)中所述获取某道岔的正常或某类故障动作曲线为微机监测系统中生成的道岔动作曲线数据或图像,或为纸质文件中的道岔动作曲线数据或图像。
本发明中,步骤(1)中所述获取某道岔的正常或某类故障动作曲线为道岔动作电流曲线;或为道岔动作功率曲线。
本发明中,步骤(2)中所述对Z条动作曲线进行预处理,包括以下步骤:
(1):统计每条道岔动作曲线的动作时间长度分别为t1,…,tZ;
(2):对动作时间t1,…,tZ求平均数,得到平均动作时间长度t;
(3):获取动作时间长度t为平均动作时间长度的99%-101%的道岔动作曲线,分别为L1,…,LY。
本发明中,步骤(3)中所述计算每一条动作曲线Li与所有动作曲线 L1,…,Lj,…,LY的距离Mi1,…,Mij,…,MiY(i,j=1,…,Y),计算方法为动态时间规整算法,具体为:
(1)动作曲线Li可表示为T={T(1),T(2),……,T(n),……,T(N)},n 为动作时间的时序标号,n=1为时间序列起点,n=N为时间序列终点,T(n)为所述时间序列的值;
(2):动作曲线Lj可表示为R={R(1),R(2),……,R(m),……,R(M)},m 为动作时间的时序标号,m=1为时间序列起点,m=M为时间序列终点,R(m)为所述时间序列的值;
(3):在横轴标出动作曲线Li时间序列的各个时序标号n,在纵轴标出动作曲线 Lj序列的各个时序标号m,通过这些时序标号的整数坐标画出一些纵横线可形成一个网络,所有格点依次为(1,1),……,(n,m),……,(N,M),搜索(1,1)到(N,M) 的最优路径;
(4):路径通过(n,m)后,下一个通过的格点只能是(n,m+1)、(n+1,m)、 (n+1,m+1),选择(n,m)到下一格点的最小距离为最优路径,计算(1,1)到(N, M)的积累最小距离;
(5):计算动作曲线Li时间序列T与动作曲线Lj时间序列R之间的欧式距离;
(6):起点(1,1)到终点(N,M)的总的积累距离Mij为起点(1,1)到终点 (N,M)的积累最小距离、动作曲线Li时间序列T与动作曲线Lj时间序列R之间的欧式距离之和;
本发明中,步骤(3)中所述计算每一条动作曲线Li与所有动作曲线 L1,…,Lj,…,LY的距离Mi1,…,Mij,…,MiY(i,j=1,…,Y),计算方法也可以为基于弗雷歇距离的算法,具体为:
(1):动作曲线Li可表示为 P={P(1),P(2),……,P(n),……,P(N)},P(n)=(xn,yn),n为曲线Li上的动作时间的时序标号,n=1为时间序列起点,n=N为时间序列终点,xn为第n个时序标号的横坐标, xn为第n个时序标号的纵坐标;
(2):动作曲线Lj可表示为 P′={P′(1),P′(2),……,P′(m),……,P′(M)},P′(m)=(x′m,y′m),m为曲线Lj上的动作时间的时序标号,m=1为时间序列起点,m=M为时间序列终点,x’m为第m个时序标号的横坐标,y’m为第m个时序标号的纵坐标;
(3):计算动作曲线Li上各时标序号到动作曲线Lj上的各时序标号之间的距离,得到距离矩阵D如下:
上式中的表示动作曲线Li上的第m个时序标号到动作曲线Lj上的第n个时序标号的距离;
(4):选出距离矩阵D中的最大距离dmax=max(D)以及最小距离 dmin=min(D),初始化目标距离f=dmin,并设置循环间隔
(5):将距离矩阵D中小于或等于f的元素设置为1,大于f的元素设置为0,从而得到二值矩阵D’'如下:
(6):在二值矩阵D'中搜索一条满足以下条件的路径:路径的起点为d’11,路径的终点为d’MN,路径在通过点d’mn后,其下一个通过点只能为d’m+1,n、d’m,n+1、d’m+1,n+1中的一个,路径中所有点的值都必须为1;
(7):若在步骤(6)中未找到满足条件的路径,则设置目标距离f=f+res,之后重复步骤(5)和(6),若在步骤(6)中找到满足条件的路径或者目标距离 f=dmax,则进入下一步;
(8):获得Li曲线与Lj曲线之间的弗雷歇距离Mij=f。
本发明提出了一种道岔动作曲线模板选取方法的应用,即应用于故障诊断,包括以下步骤:
(1):获取某道岔的动作曲线Z条,分别为L1,…,Li,…,LZ;
(2):选取Z条道岔动作曲线的模板;
(3):计算每一条动作曲线Li与模板动作曲线A的相似度S1,…,Si,…,SZ;
(4):比较所得相似度S1,…,Si,…,SZ,相似度低于80%的动作曲线为故障曲线。
本发明中,在故障诊断中,步骤(3)中所述计算每一条动作曲线Li与模板动作曲线A的相似度S1,…,Si,…,SZ,计算方法为动态时间规整算法,具体为:
(1):动作曲线Li可表示为T={T(1),T(2),……,T(n),……,T(N)},n 为动作时间的时序标号,n=1为时间序列起点,n=N为时间序列终点,T(n)为所述时间序列的值;
(2):模板动作曲线A可表示为R={R(1),R(2),……,R(m),……,R(M)}, m为动作时间的时序标号,m=1为时间序列起点,m=M为时间序列终点,R(m)为所述时间序列的值;
(3):在横轴标出动作曲线Li时间序列的各个时序标号n,在纵轴标出模板动作曲线A序列的各个时序标号m,通过这些时序标号的整数坐标画出一些纵横线可形成一个网络,所有格点依次为(1,1),……,(n,m),……,(N,M),搜索(1,1)到 (N,M)的最优路径;
(4):路径通过(n,m)后,下一个通过的格点只能是(n,m+1)、(n+1,m)、 (n+1,m+1),选择(n,m)到下一格点的最小距离为最优路径,计算(1,1)到(N, M)的积累最小距离;
(5):计算动作曲线Li时间序列T与模板动作曲线A时间序列R之间的欧式距离;
(6):起点(1,1)到终点(N,M)的总的积累距离Ji为起点(1,1)到终点 (N,M)的积累最小距离、动作曲线Li时间序列T与模板动作曲线A时间序列R之间的欧式距离之和;
(7):对所述总的积累距离Ji取反,求得动作曲线Li与模板动作曲线A的相似度 Si。
本发明中,在故障诊断中,步骤(3)中所述计算每一条动作曲线Li与模板动作曲线A的相似度S1,…,Si,…,SZ,计算方法也可以为基于弗雷歇距离的算法,具体为:
(1):动作曲线Li可表示为 P={P(1),P(2),……,P(n),……,P(N)},P(n)=(xn,yn),n为曲线Li上的动作时间的时序标号,n=1为时间序列起点,n=N为时间序列终点,xn为第n个时序标号的横坐标, xn为第n个时序标号的纵坐标;
(2):模板动作曲线A可表示为 P′={P′(1),P′(2),……,P′(m),……,P′(M)},P′(m)=(x′m,y′m),m为曲线A上的动作时间的时序标号,m=1为时间序列起点,m=M为时间序列终点,x’m为第m个时序标号的横坐标,y’m为第m个时序标号的纵坐标;
(3):计算动作曲线Li上各时标序号到模板动作曲线A上的各时标序号之间的距离,得到距离矩阵D如下:
上式中的表示动作曲线Li上的第m个时标序号到模板动作曲线A上的第n个时标序号的距离;
(4):选出距离矩阵D中的最大距离dmax=max(D)以及最小距离 dmin=min(D),初始化目标距离f=dmin,并设置循环间隔
(5):将距离矩阵D中小于或等于f的元素设置为1,大于f的元素设置为0,从而得到二值矩阵D’'如下:
(6):在二值矩阵D'中搜索一条满足以下条件的路径:路径的起点为d’11,路径的终点为d’MN,路径在通过点d’mn后,其下一个通过点只能为d’m+1,n、d’m,n+1、d’m+1,n+1中的一个,路径中所有点的值都必须为1;
(7):若在步骤(6)中未找到满足条件的路径,则设置目标距离f=f+res,之后重复步骤(5)和步骤(6),若在步骤(6)中找到满足条件的路径或者目标距离 f=dmax,则进入下一步;
(8):获得Li曲线与A曲线之间的弗雷歇距离为Ji=f;
(9):对所述弗雷歇距离Ji取反,求得动作曲线Li与模板动作曲线A的相似度Si。
本发明的有益效果在于:
(1)在微机监测系统中采集道岔动作曲线,无需额外安装其他装置就可获得道岔动作曲线模板,经济方便,实用性较强。
(2)对所获取道岔动作曲线进行预处理,剔除动作时间长度较多或较少的动作曲线,提高道岔动作曲线模板选取准确性。
(3)实现了自动挑选道岔动作曲线模板,解决了通过人工经验挑选道岔动作曲线模板带来的低效率和不可靠性,节约了大量人力物力,提高了模板选择的正确性和道岔故障判断的准确性。
(4)使用动态时间规整算法和基于弗雷歇距离算法,不需要大量的历史数据和专家知识库,只需挑选出模板动作曲线,就可识别道岔故障状态,降低识别难度,减小了对相关专业人员的需求。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施方式,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是根据本发明实施例的道岔动作曲线模板选取方法流程图;
图2是根据本发明实施例的道岔动作曲线预处理流程图;
图3是根据本发明实施例1中利用动态时间规整算法所得总距离Ji直方图;
图4是根据本发明实施例2中的第45条曲线与其它曲线的弗雷歇距离M45j直方图;
图5是根据本发明实施例3中的基于模板的故障诊断方法流程图;
图6是根据本发明实施例3中的相似度直方图。
具体实施方式
下面将结合附图对本发明的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
在本发明的描述中,需要说明的是,术语“第一”、“第二”、“第三”仅用于描述目的,而不能理解为指示或暗示相对重要性。
此外,下面所描述的本发明不同实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互结合。
实施例1
在本实施例中提供了一种道岔动作曲线模板选取方法,图1是根据本发明实施例的道岔动作曲线模板选取方法流程图,如图1所示,该流程图包括如下步骤:
步骤1:获取某道岔的正常或某类故障动作曲线Z条,分别为L1,…,LZ;
步骤2:对Z条动作曲线进行预处理,得到Y条动作曲线(Z≥Y);
步骤3:计算每一条动作曲线Li与所有动作曲线L1,…,Lj,…,LY的距离 Mi1,…,Mij,…,MiY(i,j=1,…,Y);
步骤4:将所有的距离Mi1,…,Mij,…,MiY相加得到Li与所有动作曲线总距离Ji,可求得每一条曲线与所有动作曲线的总距离分别为J1,…,Ji,…,JY;
步骤5:比较所有总距离J1,…,Ji,…,JY,总距离最小所对应的那一条动作曲线为此类动作曲线模板。
通过上述步骤,选取出某类道岔动作曲线模板,相比于现有技术中,通过人工经验选择道岔动作曲线模板带来的低效率和不可靠性,上述步骤解决了现有技术中,通过人工经验选取道岔动作曲线模板,导致动作曲线模板不准确及道岔故障状态错误判断的问题,从而实现了准确选取道岔动作曲线模板,提高道岔故障状态判断准确性,保证行车安全。
图2是根据本发明实施例的道岔动作曲线预处理流程图,如图2所示,该方法包括如下步骤:统计每条道岔动作曲线的动作时间长度为t1,…,tZ;对t1,…,tZ求平均数,得到平均动作时间长度t;获取动作时间长度为平均动作时间长度的99%-101%的道岔动作曲线,分别为L1,…,LY。
下面结合一个具体的可选实施例进行说明。
(一):获取微机监测系统中的正常道岔动作功率曲线98条;
(二):统计98条道岔功率曲线动作时间长度,分别为77、78、79、80、81;
(三):计算可得平均动作时间长度为79;
(四):获取共90条动作时间长度为78、79、80的道岔动作功率曲线;
(五):使用动态时间规整算法,计算每一条道岔动作功率曲线Li与所有道岔动作功率曲线L1,…,Lj,…,L90的距离Mi1,…,Mij,…,Mi90(i,j=1,…,90),步骤如下:
(1)取一动作功率曲线L1,可表示为T={T(1),T(2),……,T(80)},T(1) =0,T(2)=1.6425,……,T(80)=3.5236;
(2)取一动作功率曲线L5,可表示为R={R(1),R(2),……,R(78)},R(1) =0,R(2)=1.4397,……,R(78)=4.0905;
(3)在横轴标出动作功率曲线L1时间序列的各个时序标号80,在纵轴标出动作功率曲线L5时间序列的各个时序标号78,通过这些时序标号的整数坐标画出一些纵横线可形成一个网络,所有格点依次为(1,1),……,(80,78),搜索(1,1)到(80, 78)的最优路径;
(4):路径通过(1,1)后,下一个通过的格点只能是(1,2)、(2,1)、(2,2),计算可得(1,1)到(80,78)的积累最小距离为3.3846;
(5):计算可得动作功率曲线L1时间序列T与动作功率曲线L5时间序列R之间的欧式距离为2.6256;
(6):起点(1,1)到终点(80,78)的总的积累距离M15为6.0102;
计算L1与其他动作功率曲线的距离方法同上所述,M11,…,M14,M16,…,M1 90分别为: 0,…,1.4598,2.0328,…,0.2482;
计算每一条动作功率曲线Li与所有动作功率曲线L1,…,Lj,…,L90的距离 Mi1,…,Mij,…,Mi90同上所述;
(六):将所有的距离Mi1,…,Mij,…,Mi90相加得到总距离J1,…,J90分别为;30.2239,…,36.7451;
(七):比较所有总距离J1,…,J90,J32最小为28.8012,故选取第32条曲线为正常动作功率曲线模板。
图3是根据本发明实施例1中利用动态时间规整算法所得总距离Ji直方图,从图 3中可以看出,利用动态时间规整算法,计算每一条动作功率曲线Li与所有动作功率曲线L1,…,Lj,…,L90的总距离J1,…,Jj,…,J90,J32距离最小,故选出第32条曲线为正常动作功率曲线的模板。经验证,选取结果准确。
实施例2
在本实施例中还提供一种道岔动作曲线模板选取方法。
下面结合另一个具体的可选实施例进行说明。
(一):获取微机监测系统中的正常道岔动作电流曲线105条;
(二):统计105条道岔电流曲线动作时间长度,分别为80、81、82、83、84;
(三):计算可得平均动作时间长度为82;
(四):获取共90条动作时间长度为81、82、83的道岔动作电流曲线;
(五):使用基于弗雷歇距离算法,计算每一条道岔动作电流曲线Li与所有道岔动作电流曲线L1,…,Lj,…,L90的距离Mi1,…,Mij,…,Mi90(i,j=1,…,90),步骤如下:
(1)取一动作电流曲线L45可表示为P={P(1),P(2),……,P(82)},P(1)= (0,0),P(1)=(0.0104,1),……,P(1)=(1,0.0061),P(1)为时间序列起点, P(82)为时间序列终点;
(2)取一动作电流曲线L2可表示为 P′={P′(1),P′(2),……,P′(M)},P′(1)=(0,0),P′(2)= (0.0015,0.1372),……,P′(81)=(1,0.0020),P′(1)为时间序列起点,P′(81)为时间序列终点;
(3)计算L45上各时标序号到L2上的各时序标号之间的距离,得到距离矩阵D如下:
上式中的表示曲线L2上的第m个时序标号到曲线L1上的第n个时序标号的距离。
(4)找出距离矩阵D中的最大距离dmax=max(D)=1.4054以及最小距离 dmin=min(D)=0,初始化目标距离f=dmin=0,并设置循环间隔
(5)将距离矩阵D中小于或等于f的元素设置为1,大于f的元素设置为0,从而得到二值矩阵D′如下:
(6)在二值矩阵D′中搜索一条满足以下条件的路径:路径的起点为d′11,路径的终点为d′MN;路径在通过点d′mn后,其下一个通过点只能为 d′m+1,n、d′m,n+1、d′m+1,n+1中的一个;路径中所有点的值都必须为1。
(7)若在步骤(6)中未找到满足条件的路径,则设置目标距离f=f+res= f+0.3141,之后重复步骤(5)和(6);若在步骤(6)中找到满足条件的路径或者目标距f=dmax离,则进入下一步。
通过(5)、(6)、(7)三步的循环计算,在f=0.4569的条件,我们在(6)这步找到一个条满足条件的路径,然后跳出该循环进入步骤(8)。
(8)获得L45曲线与L2曲线之间的离散弗雷歇距离M452为Frechet=f=0.4569。
计算L45与其他动作功率曲线的距离方法同上所述,M45 1,M45 3,…,M45 90分别为:0.2834,04782,…,0.5948。
计算每一条动作功率曲线Li与所有动作功率曲线L1,…,Lj,…,L90的距离 Mi1,…,Mij,…,Mi90同上所述;
(六):将所有的距离Mi1,…,Mij,…,Mi90相加得到总距离J1,…,J90分别为;40.7652,…,51.8761;
(七):比较所有总距离J1,…,J90,J57最小为30.2695,故选取第57条曲线为此类动作电流曲线模板。
图4是根据本发明实施例2中的第45条曲线与其它曲线的弗雷歇距离M45j直方图。
实施例3
在本实施例中提供了一种基于模板的故障诊断方法,图5是根据本发明实施例3中的基于模板的故障诊断方法流程图,如图5所示,该流程图包括如下步骤:
步骤1:获取某道岔的动作曲线Z条,分别为L1,…,Li,…,LZ;
步骤2:选取Z条道岔动作曲线的模板;
步骤3:计算每一条动作曲线Li与模板动作曲线A的相似度S1,…,Si,…,SZ;
步骤4:比较所得相似度S1,…,Si,…,SZ,相似度低于80%的动作曲线为故障曲线。
通过上述步骤,诊断出道岔故障状态,相比于现有技术中,通过人工经验判断道岔故障状态带来的低效率和不可靠性,上述步骤解决了现有技术中,通过人工经验道岔状态,导致道岔状态错误判断的问题,从而实现了准确道岔故障状态,保证行车安全。
下面结合一个具体的可选实施例进行说明。
(一):获取微机监测系统中的道岔正常动作功率曲线98条;
(二):统计98条道岔功率曲线动作时间长度,分别为77、78、79、80、81;
(三):计算可得平均动作时间长度为79;
(四):获取共90条动作时间长度为78、79、80的道岔动作功率曲线;
(五):使用动态时间规整算法,计算每一条道岔动作功率曲线Li与所有道岔动作功率曲线L1,…,Lj,…,L90的距离Mi1,…,Mij,…,Mi90,步骤如下:
(1)取一动作功率曲线L1,可表示为T={T(1),T(2),……,T(80)},T(1) =0,T(2)=1.6425,……,T(80)=3.5236;
(2)取一动作功率曲线L5,可表示为R={R(1),R(2),……,R(78)},R(1) =0,R(2)=1.4397,……,R(78)=4.0905;
(3)在横轴标出动作功率曲线L1时间序列的各个时序标号80,在纵轴标出动作功率曲线L5时间序列的各个时序标号78,通过这些时序标号的整数坐标画出一些纵横线可形成一个网络,所有格点依次为(1,1),……,(80,78),搜索(1,1)到(80, 78)的最优路径;
(4):路径通过(1,1)后,下一个通过的格点只能是(1,2)、(2,1)、(2,2),计算可得(1,1)到(80,78)的积累最小距离为3.3846;
(5):计算可得L1曲线时间序列T与L5曲线时间序列R之间的欧式距离为2.6256;
(6):起点(1,1)到终点(80,78)的总的积累距离M15为6.0102;
计算L1与其他动作功率曲线的距离方法同上所述,M11,…,M14,M16,…,M1 90分别为: 0,…,1.4598,2.0328,…,0.2482;
计算每一条动作功率曲线Li与所有动作功率曲线L1,…,Lj,…,L90的距离 Mi1,…,Mij,…,Mi90同上所述;
(六):将所有的距离Mi1,…,Mij,…,Mi90相加得到总距离J1,…,J90分别为;30.2239,…,36.7451;
(七):比较所有总距离J1,…,J90,J32最小为28.8012,故选取第32条曲线为正常动作功率曲线模板A。
(八):使用动态时间规整算法,计算每一条道岔动作功率曲线L1,…,Lj,…,L98与模板动作功率曲线A的相似度,步骤如下:
(1)取一动作功率曲线L2,可表示为T={T(1),T(2),……,T(79)},T(1) =0,T(2)=0.3268,……,T(79)=2.5243;
(2)模板动作功率曲线A,可表示为R={R(1),R(2),……,R(80)},R(1) =0,R(2)=1.3897,……,R(80)=3.7846;
(3)在横轴标出动作功率曲线L2时间序列的各个时序标号79,在纵轴标出模板动作功率曲线A时间序列的各个时序标号80,通过这些时序标号的整数坐标画出一些纵横线可形成一个网络,所有格点依次为(1,1),……,(79,80),搜索(1,1)到 (79,80)的最优路径;
(4):路径通过(1,1)后,下一个通过的格点只能是(1,2)、(2,1)、(2,2),计算可得(1,1)到(79,80)的积累最小距离为2.8978;
(5):计算可得L2曲线时间序列T与A曲线时间序列R之间的欧式距离为2.3475;
(6):起点(1,1)到终点(79,80)的总的积累距离J2为5.2453;
(7):对J2取反可得动作曲线L2与模板动作曲线A的相似度S2为0.1906;
计算其他动作功率曲线与模板曲线A的相似度方法同上所述,S1,S2,…,S98分别为: 0.8325,0.1906,0.8457,…,0.9257;
(九):比较所得相似度S1,…,Si,…,S98,第2、25、34、54、77、82、88、92、 95条曲线为故障曲线。
图6是根据本发明实施例3中的相似度直方图,从图6中可以看出,利用动态时间规整算法,通过计算道岔动作功率曲线与模板动作功率曲线的相似度,可判断出第2、 25、34、54、77、82、88、92、95条曲线为故障曲线。经验证,判断结果正确。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,
使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
显然,上述实施例仅仅是为清楚地说明所作的举例,而并非对实施方式的限定。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引伸出的显而易见的变化或变动仍处于本发明创造的保护范围之中。
Claims (9)
1.道岔动作曲线模板选取方法,其特征在于,具体步骤如下:
(1):获取某道岔的正常或某类故障动作曲线Z条,分别为L1,…,LZ;
(2):对Z条动作曲线进行预处理,得到Y条动作曲线(Z≥Y);
(3):计算预处理后得到的每一条动作曲线Li与所有动作曲线L1,…,Lj,…,LY之间的距离Mi1,…,Mij,…,MiY(i,j=1,…,Y);
(4):将所有的距离Mi1,…,Mij,…,MiY相加,得到动作曲线Li与所有动作曲线总距离Ji,即可求得每一条动作曲线与所有动作曲线的总距离分别为J1,…,Ji,…,JY;
(5):比较所有动作曲线总距离J1,…,Ji,…,JY,总距离最小所对应的那一条动作曲线为此类动作曲线模板。
2.根据权利要求1所述的道岔动作曲线模板选取方法,其特征在于,步骤(1)中所述获取某道岔的正常或某类故障动作曲线为微机监测系统中生成的道岔动作曲线数据或图像,或为纸质文件中的道岔动作曲线数据或图像。
3.根据权利要求1所述的道岔动作曲线模板选取方法,其特征在于,步骤(1)中所述获取某道岔的正常或某类故障动作曲线为道岔动作电流曲线,或为道岔动作功率曲线。
4.根据权利要求1所述的道岔动作曲线模板选取方法,其特征在于,步骤(2)中所述对Z条动作曲线进行预处理,包括以下步骤:
(2.1):统计每条道岔动作曲线的动作时间长度分别为t1,…,tZ;
(2.2):对动作时间t1,…,tZ求平均数,得到平均动作时间长度t;
(2.3):获取动作时间长度t为平均动作时间长度的99%-101%的道岔动作曲线,分别记为L1,…,LY。
5.根据权利要求1所述的道岔动作曲线模板选取方法,其特征在于,步骤(3)中所述计算每一条动作曲线Li与所有动作曲线L1,…,Lj,…,LY的距离Mi1,…,Mij,…,MiY(i,j=1,…,Y),计算方法为动态时间规整算法,具体步骤如下:
(1):动作曲线Li可表示为T={T(1),T(2),……,T(n),……,T(N)},n为动作时间的时序标号,n=1为时间序列起点,n=N为时间序列终点,T(n)为所述时间序列的值;
(2):动作曲线Lj可表示为R={R(1),R(2),……,R(m),……,R(M)},m为动作时间的时序标号,m=1为时间序列起点,m=M为时间序列终点,R(m)为所述时间序列的值;
(3):在横轴标出动作曲线Li时间序列的各个时序标号n,在纵轴标出动作曲线Lj序列的各个时序标号m,通过这些时序标号的整数坐标画出一些纵横线可形成一个网络,所有格点依次为(1,1),……,(n,m),……,(N,M),搜索(1,1)到(N,M)的最优路径;
(4):路径通过(n,m)后,下一个通过的格点只能是(n,m+1)、(n+1,m)、(n+1,m+1),选择(n,m)到下一格点的最小距离为最优路径,计算(1,1)到(N,M)的积累最小距离;
(5):计算动作曲线Li时间序列T与动作曲线Lj时间序列R之间的欧式距离;
(6):起点(1,1)到终点(N,M)的总的积累距离Mij为起点(1,1)到终点(N,M)的积累最小距离、动作曲线Li时间序列T与动作曲线Lj时间序列R之间的欧式距离之和t。
6.根据权利要求1所述的道岔动作曲线模板选取方法,其特征在于,步骤(3)中所述计算每一条动作曲线Li与所有动作曲线L1,…,Lj,…,LY的距离Mi1,…,Mij,…,MiY(i,j=1,…,Y),计算方法为基于弗雷歇距离的算法,具体步骤如下:
(1):动作曲线Li可表示为P={P(1),P(2),……,P(n),……,P(N)},P(n)=(xn,yn),n为曲线Li上的动作时间的时序标号,n=1为时间序列起点,n=N为时间序列终点,xn为第n个时序标号的横坐标,xn为第n个时序标号的纵坐标;
(2):动作曲线Lj可表示为P′={P′(1),P′(2),……,P′(m),……,P′(M)},P′(m)=(x′m,y′m),m为曲线Lj上的动作时间的时序标号,m=1为时间序列起点,m=M为时间序列终点,x’m为第m个时序标号的横坐标,y’m为第m个时序标号的纵坐标;
(3):计算动作曲线Li上各时标序号到动作曲线Lj上的各时序标号之间的距离,得到距离矩阵D如下:
上式中的表示动作曲线Li上的第m个时序标号到动作曲线Lj上的第n个时序标号的距离;
(4):选出距离矩阵D中的最大距离dmax=max(D)以及最小距离dmin=min(D),初始化目标距离f=dmin,并设置循环间隔
(5):将距离矩阵D中小于或等于f的元素设置为1,大于f的元素设置为0,从而得到二值矩阵D’'如下:
(6):在二值矩阵D'中搜索一条满足以下条件的路径:路径的起点为d’11,路径的终点为d’MN,路径在通过点d’mn后,其下一个通过点只能为d’m+1,n、d’m,n+1、d’m+1,n+1中的一个,路径中所有点的值都必须为1;
(7):若在步骤(6)中未找到满足条件的路径,则设置目标距离f=f+res,之后重复步骤(5)和步骤(6),若在步骤(6)中找到满足条件的路径或者目标距离f=dmax,则进入下一步;
(8):获得动作曲线Li与动作曲线Lj之间的弗雷歇距离Mij=f。
7.一种如权利要求1所述的道岔动作曲线模板选取方法的应用,其特征在于,应用于故障诊断,具体步骤如下:
(1):获取某道岔的动作曲线Z条,分别为L1,…,Li,…,LZ;
(2):选取Z条道岔动作曲线的模板A;
(3):计算每一条动作曲线Li与模板动作曲线A的相似度S1,…,Si,…,SZ;
(4):比较所得相似度S1,…,Si,…,SZ,相似度低于80%的动作曲线为故障曲线。
8.根据权利要求7所述的应用,其特征在于,步骤(3)中所述计算每一条动作曲线Li与模板动作曲线A的相似度S1,…,Si,…,SZ,计算方法为动态时间规整算法,具体为:
(1):动作曲线Li可表示为T={T(1),T(2),……,T(n),……,T(N)},n为动作时间的时序标号,n=1为时间序列起点,n=N为时间序列终点,T(n)为所述时间序列的值;
(2):模板动作曲线A可表示为R={R(1),R(2),……,R(m),……,R(M)},m为动作时间的时序标号,m=1为时间序列起点,m=M为时间序列终点,R(m)为所述时间序列的值;
(3):在横轴标出动作曲线Li时间序列的各个时序标号n,在纵轴标出模板动作曲线A序列的各个时序标号m,通过这些时序标号的整数坐标画出一些纵横线可形成一个网络,所有格点依次为(1,1),……,(n,m),……,(N,M),搜索(1,1)到(N,M)的最优路径;
(4):路径通过(n,m)后,下一个通过的格点只能是(n,m+1)、(n+1,m)、(n+1,m+1),选择(n,m)到下一格点的最小距离为最优路径,计算(1,1)到(N,M)的积累最小距离;
(5):计算动作曲线Li时间序列T与模板动作曲线A时间序列R之间的欧式距离;
(6):起点(1,1)到终点(N,M)的总的积累距离Ji为起点(1,1)到终点(N,M)的积累最小距离、动作曲线Li时间序列T与模板动作曲线A时间序列R之间的欧式距离之和;
(7):对所述总的积累距离Ji取反,求得动作曲线Li与模板动作曲线A的相似度Si。
9.根据权利要求7所述的应用,其特征在于,步骤(3)中所述计算每一条动作曲线Li与模板动作曲线A的相似度S1,…,Si,…,SZ,计算方法为基于弗雷歇距离的算法,具体为:
(1):动作曲线Li可表示为P={P(1),P(2),……,P(n),……,P(N)},P(n)=(xn,yn),n为曲线Li上的动作时间的时序标号,n=1为时间序列起点,n=N为时间序列终点,xn为第n个时序标号的横坐标,xn为第n个时序标号的纵坐标;
(2):模板动作曲线A可表示为P′={P′(1),P′(2),……,P′(m),……,P′(M)},P′(m)=(x′m,y′m),m为曲线A上的动作时间的时序标号,m=1为时间序列起点,m=M为时间序列终点,x’m为第m个时序标号的横坐标,y’m为第m个时序标号的纵坐标;
(3):计算动作曲线Li上各时标序号到模板动作曲线A上的各时标序号之间的距离,得到距离矩阵D如下:
上式中的表示动作曲线Li上的第m个时标序号到模板动作曲线A上的第n个时标序号的距离;
(4):选出距离矩阵D中的最大距离以及最小距离初始化目标距离f=dmin,并设置循环间隔
(5):将距离矩阵D中小于或等于f的元素设置为1,大于f的元素设置为0,从而得到二值矩阵D'如下:
(6):在二值矩阵D'中搜索一条满足以下条件的路径:路径的起点为d’11,路径的终点为d’MN,路径在通过点d’mn后,其下一个通过点只能为d’m+1,n、d’m,n+1、d’m+1,n+1中的一个,路径中所有点的值都必须为1;
(7):若在步骤(6)中未找到满足条件的路径,则设置目标距离f=f+res,之后重复步骤(5)和步骤(6),若在步骤(6)中找到满足条件的路径或者目标距离f=dmax,则进入下一步;
(8):获得Li曲线与A曲线之间的弗雷歇距离为Ji=f;
(9):对所述弗雷歇距离Ji取反,求得动作曲线Li与模板动作曲线A的相似度Si。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711401723.2A CN108238066B (zh) | 2017-12-22 | 2017-12-22 | 道岔动作曲线模板选取方法及其应用 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711401723.2A CN108238066B (zh) | 2017-12-22 | 2017-12-22 | 道岔动作曲线模板选取方法及其应用 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108238066A true CN108238066A (zh) | 2018-07-03 |
CN108238066B CN108238066B (zh) | 2019-11-05 |
Family
ID=62701062
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711401723.2A Active CN108238066B (zh) | 2017-12-22 | 2017-12-22 | 道岔动作曲线模板选取方法及其应用 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108238066B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110414726A (zh) * | 2019-07-15 | 2019-11-05 | 南京灿能电力自动化股份有限公司 | 一种基于监测数据分析的电能质量预警方法 |
CN110751853A (zh) * | 2019-10-25 | 2020-02-04 | 百度在线网络技术(北京)有限公司 | 停车位数据的有效性识别方法和装置 |
US20210276601A1 (en) * | 2020-03-06 | 2021-09-09 | Alstom Transport Technologies | Method and controller for determining the relationship between a track-circuit transmitted current signal and a railway vehicle location on a railway track |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106124885A (zh) * | 2016-06-13 | 2016-11-16 | 四川网达科技有限公司 | 道岔故障检测装置与方法 |
CN107054410A (zh) * | 2017-04-01 | 2017-08-18 | 广州地铁集团有限公司 | 道岔转辙机的智能诊断系统及诊断方法 |
CN107203746A (zh) * | 2017-05-12 | 2017-09-26 | 同济大学 | 一种道岔故障识别方法 |
CN107215357A (zh) * | 2017-05-25 | 2017-09-29 | 同济大学 | 一种道岔故障预测方法 |
-
2017
- 2017-12-22 CN CN201711401723.2A patent/CN108238066B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106124885A (zh) * | 2016-06-13 | 2016-11-16 | 四川网达科技有限公司 | 道岔故障检测装置与方法 |
CN107054410A (zh) * | 2017-04-01 | 2017-08-18 | 广州地铁集团有限公司 | 道岔转辙机的智能诊断系统及诊断方法 |
CN107203746A (zh) * | 2017-05-12 | 2017-09-26 | 同济大学 | 一种道岔故障识别方法 |
CN107215357A (zh) * | 2017-05-25 | 2017-09-29 | 同济大学 | 一种道岔故障预测方法 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110414726A (zh) * | 2019-07-15 | 2019-11-05 | 南京灿能电力自动化股份有限公司 | 一种基于监测数据分析的电能质量预警方法 |
CN110751853A (zh) * | 2019-10-25 | 2020-02-04 | 百度在线网络技术(北京)有限公司 | 停车位数据的有效性识别方法和装置 |
US20210276601A1 (en) * | 2020-03-06 | 2021-09-09 | Alstom Transport Technologies | Method and controller for determining the relationship between a track-circuit transmitted current signal and a railway vehicle location on a railway track |
US11577763B2 (en) * | 2020-03-06 | 2023-02-14 | Alstom Transport Technologies | Method and controller for determining the relationship between a track-circuit transmitted current signal and a railway vehicle location on a railway track |
Also Published As
Publication number | Publication date |
---|---|
CN108238066B (zh) | 2019-11-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108256738A (zh) | 道岔动作参考曲线选取方法及其应用 | |
CN107203746A (zh) | 一种道岔故障识别方法 | |
EP3460611B1 (en) | System and method for aircraft fault detection | |
CN108238066B (zh) | 道岔动作曲线模板选取方法及其应用 | |
CN103380444B (zh) | 用于检测跑道上发生事件的方法及装置 | |
CN110441629A (zh) | 基于道岔转辙机动作电流曲线的故障诊断方法及装置 | |
CN102708052B (zh) | 一种单元测试中软件故障自动定位方法 | |
CN107978147B (zh) | 一种基于knn算法的交通流异常数据双向检测修复方法 | |
CN110121682A (zh) | 发现时间系列中的预兆子序列的方法和系统 | |
DE102015204598A1 (de) | System zum Bereitstellen von Informationen, die mit einem Fahrzeugfehler verknüpft sind, einem Benutzer | |
CN104899327A (zh) | 一种无类别标签的时间序列异常检测方法 | |
CN107274679B (zh) | 车辆识别方法、装置、设备及计算机可读存储介质 | |
CN103473540A (zh) | 智能交通系统车辆轨迹增量式建模与在线异常检测方法 | |
CN109799804B (zh) | 一种基于随机故障注入的诊断算法评估方法及系统 | |
CN109739904A (zh) | 一种时间序列的标记方法、装置、设备和存储介质 | |
CN109934245A (zh) | 一种基于聚类的转辙机故障识别方法 | |
CN109738760A (zh) | 一种融合多种配电终端数据的配网短路故障定位方法 | |
CN102096410A (zh) | 一种高速列车运行控制系统功能的动态测试方法 | |
CN111105147A (zh) | 一种基于动态时间规整的道岔健康状态评估方法 | |
WO2023201938A1 (zh) | 缺失轨迹填补方法及系统 | |
CN110245650A (zh) | 振动智能检测方法及相关产品 | |
Wen et al. | A new method for identifying the ball screw degradation level based on the multiple classifier system | |
CN104731970B (zh) | 高速公路多源异构数据的数据质量评价与控制方法 | |
CN1782672A (zh) | 改善发电设备故障检测的方法和装置 | |
CN113641486A (zh) | 一种基于边缘计算网络架构的道岔智能故障诊断方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |