CN108256738B - 道岔动作参考曲线选取方法及其应用 - Google Patents
道岔动作参考曲线选取方法及其应用 Download PDFInfo
- Publication number
- CN108256738B CN108256738B CN201711399937.0A CN201711399937A CN108256738B CN 108256738 B CN108256738 B CN 108256738B CN 201711399937 A CN201711399937 A CN 201711399937A CN 108256738 B CN108256738 B CN 108256738B
- Authority
- CN
- China
- Prior art keywords
- curve
- action
- time
- turnout
- curves
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- General Physics & Mathematics (AREA)
- Educational Administration (AREA)
- Operations Research (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Development Economics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Probability & Statistics with Applications (AREA)
- Game Theory and Decision Science (AREA)
- Marketing (AREA)
- General Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
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参考曲线选取方法及其应用。
背景技术
道岔作为保证列车安全运行的关键设备之一,其可靠性直接影响铁路运营的安全与效率。铁路信号微机监测系统实现了对道岔动作电流的实时监测,故可采用智能道岔故障诊断方法,对信号微机监测所得的道岔动作电流曲线,进行自动故障诊断。
现有技术中心多采用人工诊断方法,效率低准确地低。现有的智能算法中,大多采用神经网络,需要大量的故障样本。现有技术提出了基于相似度的故障诊断方法,但是都是人为指定了曲线模板来进行相似度计算,曲线的模板直接决定了诊断的准确性,并且随着环境变化及转辙机的长期使用,曲线基准也会发生变化。
因此,如果能够提出一种参考曲线的选取方法,系统自动选择参考曲线,将能大大提高基于相似度算法的故障诊断准确度。
发明内容
本发明提供了一种道岔动作参考曲线选取方法及其应用,以至少解决现有技术中通过人工经验确定正常电流曲线模板,导致道岔故障漏报和误报的问题。
本发明提出的道岔动作参考曲线选取方法,包括以下步骤:
(1):通过道岔微机监测系统,获取同一道岔的N次动作曲线,记为L1,…,LN;
(2):获取N条动作曲线的动作时间,记为T1、T2、…、Tn、…、TN;在T1至TN动作时间中,挑选重复数最高的动作时间,记为Tx;假定重复数最高的动作时间Tx的有M条曲线,对M条曲线重新编号为L1,…,LM;
(3):对于M条曲线,将每一条曲线按照动作时间划分成P等份,记为t1,…,tP;对于第i条曲线的第j时刻的电流值,记为iij;对于第i条曲线,读取的电流值为ii1、ii2、…、iip、…、iiP;对所有的M条曲线,依次得到M条曲线的电流值矩阵I如下:
1≤m≤M,1≤p≤P;
(4):对于任一时刻tj的M个电流值{i1j,i2j,……,imj,……,iMj},利用聚类算法,求出聚类中心,记为C(j),C(j)为聚类中心的电流值;依次求P个时刻的聚类中心,得到矩阵记为C={C(1),C(2),……,C(j),……,C(P)};
(5):定义分析矩阵A={A(1),A(2),……,A(m),……,A(M)},m为M条曲线的序号,矩阵A初始值为零;
(6):将第一条曲线的P个电流值{i11,…,i1P}分别与对应的C(1)至C(P)相比较,当i1p=C(p)时,A(1)的值累积加1;依次将M条曲线的P个电流值分别与对应的C(1)至C(P)相比较,当imp=C(p)时,将对应的A(m)累积加1;以此类推,求到A(M),得到新的分析矩阵A={A(1),A(2),……,A(m),……,A(M)};
(7):在分析矩阵A(1)至A(M)中取最大值,假定A(d)最大,则选取第d条曲线为参考曲线。
本发明中,步骤(1)中所述采集道岔每次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)中所述采集道岔每次动作曲线为道岔动作电流曲线数据或图像;或为道岔动作功率曲线数据或图像。
本发明中,步骤(1)中所述的聚类算法为K-means算法,具体步骤如下:
本发明提出一种道岔动作参考曲线选取方法的应用,将其应用于道岔动作的诊断,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;
(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,道岔动作的诊断中,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,道岔动作的诊断中,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:
1≤m≤M,1≤n≤N
(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:
1≤m≤M,1≤n≤N
(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每次动作曲线,无需额外安装其他装置就可识别道岔故障,经济方便,实用性较强;
(2)无需大量历史数据和规则以及人工经验,就可选取某类道岔动作曲线模板;
(3)对所获取道岔动作曲线进行预处理,不仅可消除网格、噪声等干扰,提高道岔故障识别准确性;还可对来自不同的微机监测系统、不同的铁路局、不同的天气的道岔动作曲线进行故障识别,使得本发明方法应用范围广,不局限于某些小范围,适应性强;
(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,只需任意选择代表曲线,就可识别道岔故障类型,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参考曲线选取方法流程图;
图2是根据本发明实施例2中的基于模板的故障诊断方法流程图;
图3是根据本发明实施例2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参考曲线选取方法,图1是根据本发明实施例的道岔动作参考曲线选取方法流程图,如图1所示,该流程图包括如下步骤:
步骤1:通过道岔微机监测系统,获取同一道岔的N次动作曲线,记为L1,…,LN;
步骤2:获取N条曲线的动作时间,记为T1、T2、…、Tn、…、TN;在T1至TN中,挑选重复数最高的动作时间,记为Tx;假定动作时间长度为Tx的有M条曲线,对M条曲线重新编号为L1,…,LM;
步骤3:对于M条曲线,将每一条曲线按照动作时间划分成P等份,记为t1,…,tP;对于第i条曲线的第j时刻的电流值,记为iij;对于第i条曲线,读取的值为ii1、ii2、…、iip、…、iiP;对所有的M条曲线,依次得到M条曲线的电流值矩阵I如下:
1≤m≤M,1≤p≤P;
步骤4:对于任一时刻tj的M个电流值{i1j,i2j,……,imj,……,iMj},利用聚类算法,求出聚类中心,记为C(j),C(j)为聚类中心的电流值;依次求P个时刻的聚类中心,得到矩阵记为C={C(1),C(2),……,C(j),……,C(P)};
步骤5:定义分析矩阵A={A(1),A(2),……,A(m),……,A(M)},m为M条曲线的序号,矩阵A初始值为零;
步骤6:将第一条曲线的P个电流值{i11,…,i1P}分别与对应的C(1)至C(P)相比较,当i1p=C(p)时,A(1)的值累积加1;依次将M条曲线的P个电流值分别与对应的C(1)至C(P)相比较,当imp=C(p)时,将对应的A(m)累积加1;以此类推,求到A(M),得到新的分析矩阵A={A(1),A(2),……,A(m),……,A(M)};
步骤7:在A(1)至A(M)中取最大值,假定A(d)最大,则选取第d条曲线为参考曲线。
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。
下面结合一个具体的可选实施例进行说明。
(一):通过道岔微机监测系统,获取同一道岔的127次动作曲线,记为L1,…,L127;
(二):获取N条曲线的动作时间,记为T1、T2、…、Tn、…、TN,其中T1=6.2s、T2=6.84s、…、TN=6.72s;在T1至TN中,挑选重复数最高的动作时间,记为Tx,Tx=6.84s;假定动作时间长度为Tx的有98条曲线,对98条曲线重新编号为L1,…,L98;
(三):对于98条曲线,将每一条曲线按照动作时间划分成228等份,记为t1,…,t228;对于第1条曲线的第1时刻的电流值,记为i11=0.01;对于第3条曲线,读取的值为i31=0.01、i32=0,03、…、i3 228=0;对所有的M条曲线,依次得到98条曲线的电流值矩阵I如下:
1≤m≤98,1≤p≤228;
(四):对于任一时刻t1的98个电流值{i11,i21,……,i98 1},i11=0.01,i21=0,……,i98 1=0.01,利用聚类算法,求出聚类中心,记为C(1)=0.01,C(1)为聚类中心的电流值;依次求228个时刻的聚类中心,得到矩阵记为C={C(1),C(2),……,C(j),……,C(P)},C(1)=0.01,C(2)=0.03,……,C(P)=0;
(五):定义分析矩阵A={A(1),A(2),……,A(m),……,A(98)},m为M条曲线的序号,矩阵A初始值为零;
(六):将第一条曲线的228个电流值{i11=0.01,…,i1 228=0}分别与对应的C(1)=0.01至C(P)=0相比较,当i11=C(1)时,A(1)的值累积加1;依次将98条曲线的228个电流值分别与对应的C(1)至C(228)相比较,当imp=C(p)时,将对应的A(m)累积加1;以此类推,求到A(98),得到新的分析矩阵A={A(1)=83,A(2)=3,……,A(98)=103};
(七):在A(1)至A(98)中取最大值,为A(17),则选取第17条曲线为参考曲线。
实施例2
在本实施例中提供了一种基于模板的故障诊断方法,图2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2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3是根据本发明实施例2中的相似度直方图,从图3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 (7)
1.道岔动作参考曲线选取方法,其特征在于,具体步骤如下:
(1):通过道岔微机监测系统,获取同一道岔的N次动作曲线,记为L1,…,LN;
(2):获取N条曲线的动作时间,记为T1、T2、…、Tn、…、TN;在T1至TN中,挑选重复数最高的动作时间,记为Tx;假定重复数最高的动作时间Tx的有M条曲线,对M条曲线重新编号为L1,…,LM;
(3):对于M条曲线,将每一条曲线按照动作时间将其划分成P等份,记为t1,…,tP;对于第i条曲线的第j时刻的电流值,记为iij;对于第i条曲线,读取的电流值为ii1、ii2、…、iip、…、iiP;对所有的M条曲线,依次得到M条曲线的电流值矩阵I如下:
(4):对于任一时刻tj的M个电流值{i1j,i2j,......,imj,......,iMj},利用聚类算法,求出聚类中心,记为C(j),C(j)为聚类中心的电流值;依次求P个时刻的聚类中心,得到矩阵记为C={C(1),C(2),......,C(j),......,C(P)};
(5):定义分析矩阵A={A(1),A(2),......,A(m),......,A(M)},m为M条曲线的序号,矩阵A初始值为零;
(6):将第一条曲线的P个电流值{i11,…,i1P}分别与对应的C(1)至C(P)相比较,当i1p=C(p)时,A(1)的值累积加1;依次将M条曲线的P个电流值分别与对应的C(1)至C(P)相比较,当imp=C(p)时,将对应的A(m)累积加1;以此类推,求到A(M),得到新的分析矩阵A={A(1),A(2),......,A(m),......,A(M)};
(7):在分析矩阵A(1)至A(M)中取最大值,假定A(d)最大,则选取第d条曲线为参考曲线。
2.根据权利要求1所述的道岔动作参考曲线选取方法,其特征在于,步骤(1)中所述获取同一道岔的N次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所述的道岔动作参考曲线选取方法,其特征在于,步骤(1)中所述获取同一道岔的N次动作曲线为道岔动作电流曲线数据或图像;或为道岔动作功率曲线数据或图像。
5.一种基于权利要求1所述的道岔动作参考曲线选取方法 的道岔故障诊断方法,其特征在于用于对道岔动作的诊断,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;
(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。
6.根据权利要求5所述的道岔动作参考曲线选取方法 的道岔故障诊断方法,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):模板动作曲线A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。
7.根据权利要求5所述的道岔动作参考曲线选取方 法的道岔故障诊断方法,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,具体如下:
(1):动作曲线Li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,yn为第n个时序标号的纵坐标;
(2):模板动作曲线A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:
(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):若在权利要求7中的步骤(6)中未找到满足条件的路径,则设置目标距离f=f+res,之后重复权利要求7中的步骤(5)和权利要求7中的步骤(6),若在权利要求7中的步骤(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 |
---|---|---|---|
CN201711399937.0A CN108256738B (zh) | 2017-12-22 | 2017-12-22 | 道岔动作参考曲线选取方法及其应用 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711399937.0A CN108256738B (zh) | 2017-12-22 | 2017-12-22 | 道岔动作参考曲线选取方法及其应用 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108256738A CN108256738A (zh) | 2018-07-06 |
CN108256738B true CN108256738B (zh) | 2021-12-14 |
Family
ID=62723533
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711399937.0A Active CN108256738B (zh) | 2017-12-22 | 2017-12-22 | 道岔动作参考曲线选取方法及其应用 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108256738B (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108985380B (zh) * | 2018-07-25 | 2021-08-03 | 西南交通大学 | 一种基于聚类集成的转辙机故障识别方法 |
CN109934245B (zh) * | 2018-11-03 | 2023-01-17 | 同济大学 | 一种基于聚类的转辙机故障识别方法 |
CN110598750B (zh) * | 2019-08-14 | 2021-09-28 | 卡斯柯信号有限公司 | 一种基于转辙机动作曲线相似度特征的工况识别方法 |
CN110824280B (zh) * | 2019-10-08 | 2021-08-17 | 西南交通大学 | 基于特征相似度的道岔健康状态的诊断方法与可视化方法 |
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 |
CN111915061B (zh) * | 2020-07-06 | 2022-06-07 | 同济大学 | 一种道岔动作电流曲线预测方法及其故障判别方法 |
CN116956087B (zh) * | 2023-05-22 | 2024-02-09 | 成都工业职业技术学院 | 一种基于密度聚类的道岔摩擦电流智能计算方法及系统 |
CN116628446A (zh) * | 2023-05-24 | 2023-08-22 | 成都工业职业技术学院 | 基于聚类算法的道岔健康度标准值智能分析方法及系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103941163A (zh) * | 2014-05-12 | 2014-07-23 | 福州大学 | 利用模糊k均值聚类的谐振接地系统故障选线方法 |
CN105825298A (zh) * | 2016-03-14 | 2016-08-03 | 梁海东 | 一种基于负荷特性预估的电网计量预警系统及方法 |
US9449590B1 (en) * | 2013-03-14 | 2016-09-20 | Qs Industries, Inc. | Low frequency audio sound effects in model railroading |
CN107203746A (zh) * | 2017-05-12 | 2017-09-26 | 同济大学 | 一种道岔故障识别方法 |
CN107340492A (zh) * | 2017-05-31 | 2017-11-10 | 国网上海市电力公司 | 基于大数据挖掘和场景预判的电能计量装置故障分析方法 |
CN107453346A (zh) * | 2016-05-30 | 2017-12-08 | 中国电力科学研究院 | 一种适用于配电网重构的负荷曲线时段划分方法 |
-
2017
- 2017-12-22 CN CN201711399937.0A patent/CN108256738B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9449590B1 (en) * | 2013-03-14 | 2016-09-20 | Qs Industries, Inc. | Low frequency audio sound effects in model railroading |
CN103941163A (zh) * | 2014-05-12 | 2014-07-23 | 福州大学 | 利用模糊k均值聚类的谐振接地系统故障选线方法 |
CN105825298A (zh) * | 2016-03-14 | 2016-08-03 | 梁海东 | 一种基于负荷特性预估的电网计量预警系统及方法 |
CN107453346A (zh) * | 2016-05-30 | 2017-12-08 | 中国电力科学研究院 | 一种适用于配电网重构的负荷曲线时段划分方法 |
CN107203746A (zh) * | 2017-05-12 | 2017-09-26 | 同济大学 | 一种道岔故障识别方法 |
CN107340492A (zh) * | 2017-05-31 | 2017-11-10 | 国网上海市电力公司 | 基于大数据挖掘和场景预判的电能计量装置故障分析方法 |
Non-Patent Citations (6)
Title |
---|
Dynamic train–turnout interaction in an extended frequency range using a detailed model of track dynamics;EliasKassa等;《Journal of Sound and Vibration》;20090306;第320卷;893-914 * |
基于BP神经网络的提速道岔故障诊断算法;张凯等;《武汉理工大学学报》;20141130;第36卷(第11期);77-81 * |
基于弗雷歇距离的道岔故障诊断方法;黄世泽等;《同济大学学报(自然科学版)》;20190107;第46卷(第12期);1690-1695 * |
基于相似度的道岔故障电流曲线识别方法研究与实现;张星;《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》;20170415(第4期);C033-169 * |
高速铁路基础结构动态性能演变及服役安全的基础科学问题;翟婉明等;《中国科学:技术科学》;20140720;第44卷(第7期);645-660 * |
高速铁路轨道状态智能评判技术研究;许贵阳;《中国博士学位论文全文数据库 工程科技Ⅱ辑》;20160515(第5期);C033-3 * |
Also Published As
Publication number | Publication date |
---|---|
CN108256738A (zh) | 2018-07-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108256738B (zh) | 道岔动作参考曲线选取方法及其应用 | |
CN109934245B (zh) | 一种基于聚类的转辙机故障识别方法 | |
Liu et al. | Time series classification with multivariate convolutional neural network | |
US10853695B2 (en) | Method and system for cell annotation with adaptive incremental learning | |
CN110378869B (zh) | 一种样本自动标注的钢轨扣件异常检测方法 | |
CN108985380B (zh) | 一种基于聚类集成的转辙机故障识别方法 | |
CN109359690B (zh) | 基于卡口数据的车辆出行轨迹识别方法 | |
CN105279365A (zh) | 用于学习异常检测的样本的方法 | |
CN116166960B (zh) | 用于神经网络训练的大数据特征清洗方法及系统 | |
CN106156695B (zh) | 出口和/或入口区域识别方法和装置 | |
CN111428589B (zh) | 一种渐变转场的识别方法及系统 | |
CN109961030A (zh) | 路面修补信息检测方法、装置、设备及存储介质 | |
CN115169504B (zh) | 一种煤气精脱硫工艺中的设备异常识别方法 | |
CN113987243A (zh) | 一种图像聚档方法、图像聚档装置和计算机可读存储介质 | |
CN116595857A (zh) | 基于深度迁移学习的滚动轴承多级退化剩余寿命预测方法 | |
CN110718301B (zh) | 基于动态脑功能网络的阿尔茨海默病辅助诊断装置及方法 | |
Lee et al. | Open-set recognition with gradient-based representations | |
CN114254146A (zh) | 图像数据的分类方法、装置和系统 | |
CN116168720A (zh) | 一种电机声音异常故障诊断方法、系统、及可存储介质 | |
CN111144462A (zh) | 一种雷达信号的未知个体识别方法及装置 | |
CN116543538B (zh) | 一种物联网消防电气预警方法及预警系统 | |
Gaugel et al. | Supervised Time Series Segmentation as Enabler of Multi-Phased Time Series Classification: A Study on Hydraulic End-of-Line Testing | |
CN113239075A (zh) | 一种施工数据自检方法及系统 | |
CN112014821A (zh) | 一种基于雷达宽带特征的未知车辆目标识别方法 | |
CN111796173A (zh) | 局部放电模式识别方法、计算机设备和存储介质 |
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 |