CN109086832B - 一种列车海量监测大数据可视化趋势判别方法 - Google Patents
一种列车海量监测大数据可视化趋势判别方法 Download PDFInfo
- Publication number
- CN109086832B CN109086832B CN201810948391.8A CN201810948391A CN109086832B CN 109086832 B CN109086832 B CN 109086832B CN 201810948391 A CN201810948391 A CN 201810948391A CN 109086832 B CN109086832 B CN 109086832B
- Authority
- CN
- China
- Prior art keywords
- train
- trend
- monitoring data
- data
- image
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 81
- 230000000007 visual effect Effects 0.000 title claims abstract description 16
- 238000012850 discrimination method Methods 0.000 title description 6
- 238000012549 training Methods 0.000 claims abstract description 34
- 238000012360 testing method Methods 0.000 claims abstract description 29
- 230000008859 change Effects 0.000 claims abstract description 26
- 238000000034 method Methods 0.000 claims abstract description 22
- 230000002159 abnormal effect Effects 0.000 claims abstract description 7
- 238000013145 classification model Methods 0.000 claims abstract description 5
- 238000007781 pre-processing Methods 0.000 claims abstract description 4
- 238000011160 research Methods 0.000 claims description 9
- 238000012800 visualization Methods 0.000 claims description 5
- 230000003247 decreasing effect Effects 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 230000004927 fusion Effects 0.000 claims description 3
- 238000001228 spectrum Methods 0.000 claims description 3
- 238000012706 support-vector machine Methods 0.000 abstract 2
- 230000000694 effects Effects 0.000 abstract 1
- 230000008030 elimination Effects 0.000 abstract 1
- 238000003379 elimination reaction Methods 0.000 abstract 1
- 230000008901 benefit Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000001174 ascending effect Effects 0.000 description 1
- 238000013079 data visualisation Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Train Traffic Observation, Control, And Security (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种列车海量监测大数据可视化趋势判别方法,包括以下步骤:首先对列车监测数据进行缺失值补全、异常值剔除和去噪等预处理操作;然后绘制与分割列车监测数据图像,为子图像添加类别标签,选取子图像构建分类模型的训练集与测试集;采用LBP和HOG算子提取并融合图像特征,训练SVM多分类模型,应用测试集测试模型的数据趋势判别效果,进行模型调整与优化;最后,对列车监测数据子图像的趋势进行分析与整合,得到监测数据的整体变化趋势,本发明解决了现有技术中存在的列车海量监测数据处理方法繁琐、处理过程不够直观、趋势判别不够准确的问题。
Description
技术领域
本发明属于轨道交通运行安全技术领域,具体涉及一种列车海量监测大数据可视化趋势判别方法。
背景技术
列车以其速度高、运力大、污染小、能耗低、效益好等诸多优势,已成为我国优先发展的绿色交通工具。开展适应于列车海量监测数据的分析处理、趋势判别等基础研究,对保障列车安全运行,促进轨道交通的健康可持续发展具有重大意义。
有效的列车海量监测数据分析是列车安全保障的基础,通过对列车海量监测数据进行可视化处理和趋势判别,可以准确地掌握列车实时性能指标,得到列车各性能参数的实时变化趋势,大幅度优化列车区间调度效率,降低列车测量成本,提高列车监测效率。因此,以列车海量监测数据为研究对象,建立智能判别模型,开展海量监测数据的可视化趋势判别的基础研究意义重大。
发明内容
本发明的目的是提供一种列车海量监测大数据可视化趋势判别方法,解决了现有技术中存在的列车海量监测数据处理方法繁琐、处理过程不够直观、趋势判别不够准确的问题。
本发明所采用的技术方案是,一种列车海量监测大数据可视化趋势判别方法,具体按照以下步骤实施:
步骤1、列车监测数据集预处理;
步骤2、模型训练集和测试集的选取与构建;
步骤3、分类模型训练;
步骤4、模型测试与优化;
步骤5、列车监测数据趋势分析与整合。
本发明的特点还在于,
步骤1具体按照以下步骤实施:
步骤1.1、利用线性插值法对列车监测数据集中的缺失数据进行补全处理:
其中,x0,y0,x1,y1为已知的列车监测数据,x为x0和x1之间的任何数据,y为x对应的插值数据;
步骤1.2、利用均值滤波对列车监测数据进行去噪处理与异常值填补:
其中,yn为异常值填补处理后的值,yn-2,yn-1,yn+1和yn+2为异常点前后的监测数据。
步骤2具体按照以下步骤实施:
步骤2.1、以预处理后的列车轴温监测数据为研究对象,设定数据滑动窗口大小和滑动长度为N,绘制窗口内监测数据变化曲线直至全部数据绘制完成,共得到M1张主图;
步骤2.2、对绘制的M1张主图进行分割,将每一张数据变化曲线主图分割为M2张子图,去除子图的边框与背景,使整图保留最多的有效信息,得到共M1×M2张子图;
步骤2.3、结合轴温监测数据实际变化规律,创建数据变化趋势的类别,基于创建的趋势变化类别,为步骤2.2生成的M1×M2张子图分类,给每一张图片手动添加标签;
步骤2.4、选取子图中70%的图片作为模型的训练集,30%的图片作为模型的测试集。
步骤3具体按照以下步骤实施:
步骤3.1、选取训练集的图片,将图片缩放为256×256至1024×1024之间的任意尺寸;
步骤3.2、利用LBP算子提取训练集图像的分层纹谱特征,利用HOG算子提取训练集图像的边缘特征,对两种特征进行融合,得到融合特征;
步骤3.3、将融合后的训练集图像特征用于SVM多分类器的训练,得到列车监测数据图像趋势分类器。
步骤4具体按照以下步骤实施:
步骤4.1、选取测试集的图片为研究对象,将测试集图片缩放至与训练集图片相同的尺寸;
步骤4.2、利用LBP算子和HOG算子提取测试集图像特征,对两种特征进行融合,得到融合特征;
步骤4.3、使用步骤3.3得到的列车监测数据图像趋势分类器,对步骤4.2生成的测试集融合特征进行测试,得到每一张趋势变化图片的分类判别结果;
步骤4.4、增减与调整训练集的图片集,提高列车监测数据图像趋势分类器的分类准确度。
步骤5为:对列车监测数据子图像趋势判别结果进行整合,得到列车监测数据整体变化趋势。
本发明的有益效果是,一种列车海量监测大数据可视化趋势判别方法,针对列车运行过程中的实际监测数据,绘制趋势变化曲线,选取训练集与测试集建立列车监测数据图像趋势分类器,对列车监测数据变化趋势进行了在线判别,判别结果精度高、判别速度快、实时性能好,算法逻辑性强、可移植性高,具有很强的参考性和实用性。
附图说明
图1是本发明一种列车海量监测大数据可视化趋势判别方法流程框图;
图2(a)是本发明一种列车海量监测大数据可视化趋势判别方法得到的列车轴温监测数据上升趋势判别结果图;
图2(b)是本发明一种列车海量监测大数据可视化趋势判别方法得到的列车轴温监测数据平稳趋势判别结果图;
图2(c)是本发明一种列车海量监测大数据可视化趋势判别方法得到的列车轴温监测数据先上升后下降趋势判别结果图。
具体实施方式
下面结合附图和具体实施方式对本发明进行详细说明。
本发明一种列车海量监测大数据可视化趋势判别方法,流程图如图1所示,具体按照以下步骤实施:
步骤1、列车监测数据集预处理,具体按照以下步骤实施:
步骤1.1、利用线性插值法对列车监测数据集中的缺失数据进行补全处理:
其中,x0,y0,x1,y1为已知的列车监测数据,x为x0和x1之间的任何数据,y为x对应的插值数据;
步骤1.2、利用均值滤波对列车监测数据进行去噪处理与异常值填补:
其中,yn为异常值填补处理后的值,yn-2,yn-1,yn+1和yn+2为异常点前后的监测数据;
步骤2、模型训练集和测试集的选取与构建,具体按照以下步骤实施:
步骤2.1、以预处理后的列车轴温监测数据为研究对象,设定数据滑动窗口大小和滑动长度为N,绘制窗口内监测数据变化曲线直至全部数据绘制完成,共得到M1张主图;
步骤2.2、对绘制的M1张主图进行分割,将每一张数据变化曲线主图分割为M2张子图,去除子图的边框与背景,使整图保留最多的有效信息,得到共M1×M2张子图;
步骤2.3、结合轴温监测数据实际变化规律,创建数据变化趋势的类别,基于创建的趋势变化类别,为步骤2.2生成的M1×M2张子图分类,给每一张图片手动添加标签;
步骤2.4、选取子图中70%的图片作为模型的训练集,30%的图片作为模型的测试集;
步骤3、分类模型训练,具体按照以下步骤实施:
步骤3.1、选取训练集的图片,将图片缩放为256×256至1024×1024之间的任意尺寸;
步骤3.2、利用LBP算子提取训练集图像的分层纹谱特征,利用HOG算子提取训练集图像的边缘特征,对两种特征进行融合,得到融合特征;
步骤3.3、将融合后的训练集图像特征用于SVM多分类器的训练,得到列车监测数据图像趋势分类器;
步骤4、模型测试与优化,具体按照以下步骤实施:
步骤4.1、选取测试集的图片为研究对象,将测试集图片缩放至与训练集图片相同的尺寸;
步骤4.2、利用LBP算子和HOG算子提取测试集图像特征,对两种特征进行融合,得到融合特征;
步骤4.3、使用步骤3.3得到的列车监测数据图像趋势分类器,对步骤4.2生成的测试集融合特征进行测试,得到每一张趋势变化图片的分类判别结果;
步骤4.4、增减与调整训练集的图片集,提高列车监测数据图像趋势分类器的分类准确度;
步骤5、列车监测数据趋势分析与整合:对列车监测数据子图像趋势判别结果进行整合,得到列车监测数据整体变化趋势。
以下以实验说明本发明一种大数据可视化趋势判别方法是有效可行的:
图2(a)~图2(c)是经本发明一种列车海量监测大数据可视化趋势判别方法得到的列车轴温监测数据变化趋势判别结果图,通过对图2(a)~图2(c)的观察可以清楚的看出,本发明一种大数据可视化趋势判别方法可以对列车的轴温监测数据的变化趋势进行有效的、准确的判别。
本发明一种列车海量监测大数据可视化趋势判别方法,针对列车运行过程中的实际监测数据,绘制趋势变化曲线,选取训练集与测试集建立列车监测数据图像趋势分类器,对列车监测数据变化趋势进行了在线判别,判别结果精度高、判别速度快、实时性能好,算法逻辑性强、可移植性高,具有很强的参考性和实用性。
以上所述为本发明较佳实施例,对于本领域的普通技术人员而言,根据本发明的教导,在不脱离本发明的原理与精神的情况下,对实施方式所进行的改变、修改、替换和变形仍落入本发明的保护范围之内。
Claims (3)
1.一种列车海量监测大数据可视化趋势判别方法,其特征在于,具体按照以下步骤实施:
步骤1、列车监测数据集预处理;
所述步骤1具体按照以下步骤实施:
步骤1.1、利用线性插值法对列车监测数据集中的缺失数据进行补全处理:
其中,x0,y0,x1,y1为已知的列车监测数据,x为x0和x1之间的任何数据,y为x对应的插值数据;
步骤1.2、利用均值滤波对列车监测数据进行去噪处理与异常值填补:
其中,yn为异常值填补处理后的值,yn-2,yn-1,yn+1和yn+2为异常点前后的监测数据;
步骤2、模型训练集和测试集的选取与构建;
所述步骤2具体按照以下步骤实施:
步骤2.1、以预处理后的列车轴温监测数据为研究对象,设定数据滑动窗口大小和滑动长度为N,绘制窗口内监测数据变化曲线直至全部数据绘制完成,共得到M1张主图;
步骤2.2、对绘制的M1张主图进行分割,将每一张数据变化曲线主图分割为M2张子图,去除子图的边框与背景,使整图保留最多的有效信息,得到共M1×M2张子图;
步骤2.3、结合轴温监测数据实际变化规律,创建数据变化趋势的类别,基于创建的趋势变化类别,为步骤2.2生成的M1×M2张子图分类,给每一张图片手动添加标签;
步骤2.4、选取子图中70%的图片作为模型的训练集,30%的图片作为模型的测试集;
步骤3、分类模型训练;
所述步骤3具体按照以下步骤实施:
步骤3.1、选取训练集的图片,将图片缩放为256×256至1024×1024之间的任意尺寸;
步骤3.2、利用LBP算子提取训练集图像的分层纹谱特征,利用HOG算子提取训练集图像的边缘特征,对两种特征进行融合,得到融合特征;
步骤3.3、将融合后的训练集图像特征用于SVM多分类器的训练,得到列车监测数据图像趋势分类器;
步骤4、模型测试与优化;
步骤5、列车监测数据趋势分析与整合。
2.根据权利要求1所述的一种列车海量监测大数据可视化趋势判别方法,其特征在于,所述步骤4具体按照以下步骤实施:
步骤4.1、选取测试集的图片为研究对象,将测试集图片缩放至与训练集图片相同的尺寸;
步骤4.2、利用LBP算子和HOG算子提取测试集图像特征,对两种特征进行融合,得到融合特征;
步骤4.3、使用步骤3.3得到的列车监测数据图像趋势分类器,对步骤4.2生成的测试集融合特征进行测试,得到每一张趋势变化图片的分类判别结果;
步骤4.4、增减与调整训练集的图片集,提高列车监测数据图像趋势分类器的分类准确度。
3.根据权利要求2所述的一种列车海量监测大数据可视化趋势判别方法,其特征在于,所述步骤5为:
对列车监测数据子图像趋势判别结果进行整合,得到列车监测数据整体变化趋势。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810948391.8A CN109086832B (zh) | 2018-08-20 | 2018-08-20 | 一种列车海量监测大数据可视化趋势判别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810948391.8A CN109086832B (zh) | 2018-08-20 | 2018-08-20 | 一种列车海量监测大数据可视化趋势判别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109086832A CN109086832A (zh) | 2018-12-25 |
CN109086832B true CN109086832B (zh) | 2021-11-16 |
Family
ID=64794094
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810948391.8A Active CN109086832B (zh) | 2018-08-20 | 2018-08-20 | 一种列车海量监测大数据可视化趋势判别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109086832B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20110070244A (ko) * | 2009-12-18 | 2011-06-24 | 한국철도기술연구원 | 철도차량의 차축상태 진단방법 및 장치 |
CN105045983A (zh) * | 2015-07-06 | 2015-11-11 | 西安理工大学 | 一种基于轴温数据的高速列车车轴老化分析方法 |
CN106202635A (zh) * | 2016-06-28 | 2016-12-07 | 西安理工大学 | 一种基于多元回归模型的高速列车动态轴温预测方法 |
CN106226097A (zh) * | 2016-09-14 | 2016-12-14 | 西安理工大学 | 基于隐马尔可夫模型的高速列车风管安全状态诊断方法 |
-
2018
- 2018-08-20 CN CN201810948391.8A patent/CN109086832B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20110070244A (ko) * | 2009-12-18 | 2011-06-24 | 한국철도기술연구원 | 철도차량의 차축상태 진단방법 및 장치 |
CN105045983A (zh) * | 2015-07-06 | 2015-11-11 | 西安理工大学 | 一种基于轴温数据的高速列车车轴老化分析方法 |
CN106202635A (zh) * | 2016-06-28 | 2016-12-07 | 西安理工大学 | 一种基于多元回归模型的高速列车动态轴温预测方法 |
CN106226097A (zh) * | 2016-09-14 | 2016-12-14 | 西安理工大学 | 基于隐马尔可夫模型的高速列车风管安全状态诊断方法 |
Non-Patent Citations (2)
Title |
---|
《Monitoring data-based aging analysis for the high speed train axle》;xie guo,et al;《IEEJ Transactions on Electrical and Electronic Engineering》;20170921;第13卷(第2期);第303-310页 * |
《基于检测数据的高铁车轴及制动管状态性能分析》;叶闽英;《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》;20180215(第2期);第C033-320页 * |
Also Published As
Publication number | Publication date |
---|---|
CN109086832A (zh) | 2018-12-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2021135300A1 (zh) | 一种产品缺陷检测方法、装置与系统 | |
CN108562589B (zh) | 一种对磁路材料表面缺陷进行检测的方法 | |
CN113688665B (zh) | 一种基于半监督迭代学习的遥感影像目标检测方法及系统 | |
Schmugge et al. | Crack segmentation by leveraging multiple frames of varying illumination | |
CN109284779A (zh) | 基于深度全卷积网络的物体检测方法 | |
CN107945200A (zh) | 图像二值化分割方法 | |
CN105787486A (zh) | 一种基于图像处理的钢梁裂纹检测方法 | |
CN111582294A (zh) | 一种构建用于表面缺陷检测的卷积神经网络模型的方法及其利用 | |
CN107730553B (zh) | 一种基于伪真值搜寻法的弱监督物体检测方法 | |
CN103984951A (zh) | 一种磁粉检测缺陷自动识别方法及系统 | |
Nguyen et al. | Machine learning algorithms application to road defects classification | |
CN103824092A (zh) | 一种用于输变电设备状态在线监测的图像分类方法 | |
CN113240623A (zh) | 一种路面病害检测方法及装置 | |
CN113435452A (zh) | 一种基于改进ctpn算法的电气设备铭牌文本检测方法 | |
Devereux et al. | A new approach for crack detection and sizing in nuclear reactor cores | |
CN113469938B (zh) | 基于嵌入式前端处理服务器的管廊视频分析方法及系统 | |
CN102201060B (zh) | 一种基于形状语义的非参数轮廓跟踪评价方法 | |
CN109086832B (zh) | 一种列车海量监测大数据可视化趋势判别方法 | |
CN105404682A (zh) | 一种基于数字图像内容的图书检索方法 | |
CN111079752A (zh) | 识别红外图像中的断路器的方法、装置及可读存储介质 | |
CN114120097A (zh) | 一种基于机器视觉的配网工程现场变压器检测方法和系统 | |
CN117473242B (zh) | 一种时序数据故障检测方法、系统、设备及介质 | |
CN105335762B (zh) | 一种基于Legendre矩不变量和PSO-LSSVM分类器的密级标识识别方法 | |
CN107122800A (zh) | 一种基于预测结果筛选的鲁棒数字图像标注方法 | |
Pastor-López et al. | Collective classification for the detection of surface defects in automotive castings |
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 | ||
TR01 | Transfer of patent right |
Effective date of registration: 20240204 Address after: 518000 1002, Building A, Zhiyun Industrial Park, No. 13, Huaxing Road, Henglang Community, Longhua District, Shenzhen, Guangdong Province Patentee after: Shenzhen Wanzhida Technology Co.,Ltd. Country or region after: China Address before: 710048 No. 5 Jinhua South Road, Shaanxi, Xi'an Patentee before: XI'AN University OF TECHNOLOGY Country or region before: China |
|
TR01 | Transfer of patent right |