CN110175422A - 一种基于数据挖掘的多周期钢轨伤损趋势预测方法 - Google Patents

一种基于数据挖掘的多周期钢轨伤损趋势预测方法 Download PDF

Info

Publication number
CN110175422A
CN110175422A CN201910466723.3A CN201910466723A CN110175422A CN 110175422 A CN110175422 A CN 110175422A CN 201910466723 A CN201910466723 A CN 201910466723A CN 110175422 A CN110175422 A CN 110175422A
Authority
CN
China
Prior art keywords
hurt
multicycle
alignment
failures
data mining
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.)
Pending
Application number
CN201910466723.3A
Other languages
English (en)
Inventor
梁帆
余旸
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Individual
Original Assignee
Individual
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Individual filed Critical Individual
Priority to CN201910466723.3A priority Critical patent/CN110175422A/zh
Publication of CN110175422A publication Critical patent/CN110175422A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/21—Design, administration or maintenance of databases
    • G06F16/211—Schema design and management
    • G06F16/212—Schema design and management with details for data modelling support
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/04—Constraint-based CAD
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2216/00—Indexing scheme relating to additional aspects of information retrieval not explicitly covered by G06F16/00 and subgroups
    • G06F2216/03—Data mining

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Investigating Or Analyzing Materials By The Use Of Ultrasonic Waves (AREA)

Abstract

本发明涉及轨道交通及钢轨探伤领域，具体涉及一种基于数据挖掘的多周期钢轨伤损趋势预测方法，该方法包括以下步骤：S1,基于深度学习模型对位置标A显波形进行训练和判别，建立对应的位置标信号；S2,通过将位置标信号和里程、米块、GPS这些地理信息相结合，对各个位置标进行粗对齐；S3,通过已经对齐的位置标，确定需要对齐的超声波信号序列C,Q；S4,通过动态时间规整的方法，对超声波信号序列C,Q进行精对齐；S5,根据对齐的超声波序列回溯到伤损位置；S6，对不同周期的同一伤损的发展趋势进行量化，进行伤损发展趋势分析。本发明基于大数据的挖掘算法，可以捕捉各种伤损类型特征数据的周期变化，进而形成可靠的伤损成长数据模型，对路轨伤损状况进行有效的预估和判断。基于预测模型可以对特定站段路轨中出现的伤损成长点针对性的进行有效的预测性维护工作，防微杜渐，从而在很大程度上节省不必要的定期维护费用。

Description

一种基于数据挖掘的多周期钢轨伤损趋势预测方法
技术领域
本发明涉及轨道交通及钢轨探伤领域，具体涉及一种基于数据挖掘的多周期钢轨伤损趋势预测方法。
背景技术
在传统的探伤工作中，探伤工每28-32天会对钢轨进行一次全面的“体检”，对钢轨的状况进行全面检测，此探伤周期是根据一定的伤损客观规律设定的，但是传统的探伤工作只能对每个周期内的伤损数据进行分析，无法对多周期相同轨道的伤损数据进行分析利用，无法充分利用过去的探伤数据对伤损发展趋势进行分析。目前钢轨伤损趋势分析的瓶颈在对伤损数据的多周期对齐上。多周期对齐现主要依赖人工基于里程对齐。它通过人工在多周期数据的相同里程附近寻找相似的超声波波形，结合探伤领域知识判定为同一伤损。这种伤损对齐方式有以下特点：里程对齐带来的系统误差较大。探伤车工作过程中通常经过回退和道岔等情况，导致里程存在较大的系统误差；对齐效率低。目前的多周期对齐依赖人工对里程的手动拖拽和波形判定，耗时长且精确度较低；受人员主观影响大。对相似波形的判定与分析人员的判伤经验和领域知识密切相关，在很大程度上会影响对齐精度。
因此有必要提出一种基于数据挖掘的多周期钢轨伤损趋势预测方法，能够充分利用位置标波形、地理位置特征等，采用动态时间规整的方法对伤损位置进行精确对齐，建立一元非线性回归模型对伤损的发展趋势进行预测。这种方法和传统的人工基于里程和GPS的对齐和预测方式相比，其优势在于利用数据挖掘的方法综合了地理特征和超声波波形特征，能够更加精准地对伤损进行对齐，对伤损发展趋势进行精确分析，从而对发展趋势迅速的伤损进行重点关注和及时修复。
发明内容
有鉴于此，针对现有的伤损分析方法存在的问题，本发明提出一种基于数据挖掘的多周期伤损趋势预测方法，以解决上述背景技术中的缺点。
本发明采用以下技术方案实现。
一种基于数据挖掘的多周期钢轨伤损趋势预测方法包含以下步骤：
S1,基于深度学习模型对位置标A显波形进行训练和判别，建立对应的位置标信号，具体如下：
S11,将带有人工标记的位置标A显波形输入卷积神经网络，进行训练。
S12,将疑似位置标波形输入训练完成的卷积神经网络，即得到对应的位置标类型。
S2,通过将位置标信号和里程、米块等地理信息相结合，对各个位置标进行粗对齐。具体实现步骤如下:
S21,计算里程差：d1＝(m1-m1′)+(m2-m2′)+…+(mn-mn′)
S22,计算米块差:d2＝(b1-b1′)+(b2-b2′)+…+(bn-bn′)
S23,计算总权重:w＝w1*d1+w2*d2
S3,通过已经对齐的位置标，确定需要对齐的超声波信号序列Q,C。
S4,通过动态时间规整的方法，对超声波信号序列Q,C进行精对齐。
S5,根据对齐的超声波序列回溯到伤损位置，即得到对齐的伤损。
S6，在获取到对齐后的伤损后，对不同周期的同一伤损的出波面积进行量化，建立一元非线性回归模型，对应的方程为：y＝β0+β1*x+β2*x2+…+βk*xk+ε，其中x对应某一时刻，y对应该时刻伤损的出波面积。
本发明的有益效果
为铁路钢轨探伤领域多周期伤损数据趋势预测提供了一种可行的解决方案。从探伤数据的环境因素结合时间维度考虑，利用基于大数据的挖掘算法，捕捉各种伤损类型特征的数据的周期变化，进而形成可靠的伤损成长数据模型，对路轨伤损状况进行有效的预估和判断。基于预测模型可以对特定站段路轨中出现的伤损成长点针对性的进行有效的预测性维护工作，防微杜渐，在很大程度上节省不必要的定期维护费用。
附图说明
图1是一种基于数据挖掘的多周期钢轨伤损趋势预测方法的流程示意图；
图2是判别位置标使用的卷积神经网络示意图；
图3是使用动态时间规整对超声波信号对齐的流程图；
具体实施方式
以下结合附图通过具体实施例对本发明作进一步的描述，这些实施例仅用于说明本发明，并不是对本发明保护范围的限制。
如图1所示，本发明所述的基于数据挖掘的多周期钢轨伤损趋势预测方法的具体实施步骤如下：
S1,利用卷积神经网络建立位置标信号。
S11,结合A超B超原始数据，利用深度学习模型，对孔接头，铝热焊缝，厂焊，现场焊，导孔，螺孔等位置标进行识别，建立位置标信号。将人工标记伤损A显视为12个通道二进制矩阵叠加成图像。如图2所示，采用的神经网络架构包含1个输入层，6个卷积层，1个全连接层，3个池化层和1个输出层，卷积核的大小使用3x3，学习速率使用0.1，对螺孔，导孔，焊缝等十五种位置类型进行学习。
S12,模型训练完毕后，将疑似位置标波形输入模型，获取对应的位置标类型。
S2,根据位置标信号类型进行刚性序列匹配。对每种匹配方式添加基于里程和米块等地理信息的权重。分别对里程差和米块差赋予0.8/0.2的权重，确定最优的刚性匹配方式。具体实现步骤为：
S21,计算里程差：d1＝(m1-m1′)+(m2-m2′)+…+(mn-mn′)
S22,计算米块差:d2＝(b1-b1′)+(b2-b2′)+…+(bn-bn′)
S23,计算总权重:w＝0.8*d1+0.2*d2
S3,根据刚性对齐结果，取出每一段需要对齐的超声波信号序列。
S4,根据刚性匹配结果，对需要对齐的超声波信号序列进行基于动态时间规整的对齐，如图3所示。动态时间规整的计算步骤为：
S41,给定两个超声波序列Q和C，他们的长度分别是n和m。Q＝[q1,q2,q3,…,qn],C＝[c1,c2,c3,…,cm]。
S42，采用动态规划的方法进行线性缩放。具体步骤如下:(1)对于这两个序列，构造一个n x m的矩阵网格，计算矩阵(i,j)处的元素qi和cj两个点的欧氏距离距离d(qi,cj)。
S43,在寻找最优的规整路径W时，需要满足以下几个约束：(1)边界条件。W1＝(1，1)和Wk＝(m，n)。(2)连续性。如果Wk-1＝(a′,b′),那么路径的下一个点Wk＝(a,b)需要满足(a-a′)≤1和(b-b′)≤1。(3)单调性。如果Wk-1＝(a′,b′),那么路径的下一个点Wk＝(a,b)需要满足(a-a′)≥0和(b-b′)≥0。这限制W上面的点必须是随着时间单调进行的。
S44,计算每个格点的γ(i,j)累积距离。累积距离为当前格点距离与可达到该点的最小邻近元素的累积距离之和。在超声波信号对齐时，对齐结果使得对齐后波形的欧式距离最小，即：最小化最终对齐的超声波序列的直接距离即为最小累积距离。
S45,最佳路径即为使得沿路径的积累距离达到最小值这条路径，即可得到对齐后的超声波序列。
S5,在超声波信号序列对齐后，可回溯到各个伤损位置，从而得到对齐后的伤损信息。
S6，在获取到对齐后的伤损后，对不同周期的同一伤损的出波面积进行量化，建立一元非线性回归模型，对应的方程为：y＝β0+β1*x+β2*x2+…+βk*xk+ε，其中x对应某一时刻，y对应该时刻伤损的出波面积。在本实例中，采用一元三次回归模型预测效果最优，即：y＝β0+β1*x+β2*x2+β3*x3。代入所有的时刻和出波面积，选择标准误差最小的方程作为预测方程。在这里使用的标准误差的计算公式为：
以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.一种基于数据挖掘的多周期钢轨伤损趋势预测方法，其特征在于，包括以下步骤：
S1,基于深度学习模型对位置标A显波形进行训练和判别，建立对应的位置标信号；
S2,通过将位置标信号和里程、米块、GPS这些地理信息相结合，并赋予不同的权重w1，w2，对各个位置标进行粗对齐；
S3,通过已经对齐的位置标，确定需要对齐的超声波信号序列Q,C；
S4,通过动态时间规整的方法，对超声波信号序列Q,C进行精对齐；
S5,根据对齐的超声波序列回溯到伤损位置，即得到对齐的伤损；
S6，在获取到对齐后的伤损后，对不同周期的同一伤损的出波面积进行量化，建立一元非线性回归模型。
2.根据权利要求1所述的一种基于数据挖掘的多周期钢轨伤损趋势预测方法，其特征在于，所述S1中对应位置标信号的建立是通过将带有人工标记的位置标A显波形输入卷积神经网络，进行训练；再将超声波波形输入训练完成的卷积神经网络，即得到对应的位置标类型。
3.根据权利要求1所述的一种基于数据挖掘的多周期钢轨伤损趋势预测方法，其特征在于，所述的里程和米块、权重的计算公式如下：累积里程差：d1＝(m1-m1′)+(m2-m2′)+…+(mn-mn′)；累积米块差:d2＝(b1-b1′)+(b2-b2′)+…+(bn-bn′)。总权重:w＝w1*d1+w2*d2
4.根据权利要求1所述的一种基于数据挖掘的多周期钢轨伤损趋势预测方法，其特征在于，所述的超声波序列Q和C的长度分别是n和m。
5.根据权利要求2所述的一种基于数据挖掘的多周期钢轨伤损趋势预测方法，序列Q＝[q1,q2,q3,…,qn],序列C＝[c1,c2,c3,…,cm]。
6.根据权利要求1所述的一种基于数据挖掘的多周期钢轨伤损趋势预测方法，其特征在于，所述的S4动态时间规整方法，具体步骤如下:(1)对于Q和C这两个序列，构造一个n xm的矩阵网格，计算矩阵(i,j)处的元素qi和cj两个点的欧氏距离d(qi,cj)。
7.根据权利要求1所述的一种基于数据挖掘的多周期钢轨伤损趋势预测方法，其特征在于所述S4中对超声波信号序列Q,C进行精对齐，通过以下步骤：
S41,在寻找最优的规整路径W时，需要满足以下几个约束：(1)边界条件。W1＝(1，1)和Wk＝(m，n)。(2)连续性。如果Wk-1＝(a′,b′),那么路径的下一个点Wk＝(a,b)需要满足(a-a′)≤1和(b-b′)≤1。(3)单调性。如果Wk-1＝(a′,b′),那么路径的下一个点Wk＝(a,b)需要满足(a-a′)≥0和(b-b′)≥0。这限制W上面的点必须是随着时间单调进行的。
S42,计算每个格点的γ(i,j)累积距离。累积距离为当前格点距离与可达到该点的最小邻近元素的累积距离之和。在超声波信号对齐时，对齐结果使得对齐后伤损超声波波形的欧式距离最小，即：最小化
S43,最佳路径即为使得沿路径的积累距离达到最小值这条路径，即可得到对齐后的超声波序列。
8.根据权利要求1所述的一种基于数据挖掘的多周期钢轨伤损趋势预测方法，其特征在于，所述的S6中的一元非线性回归模型，对应的方程为：y＝β0+β1*x+β2*x2+…+βk*xk+ε，其中x对应某一时刻，y对应该时刻伤损的出波面积。
CN201910466723.3A 2019-05-31 2019-05-31 一种基于数据挖掘的多周期钢轨伤损趋势预测方法 Pending CN110175422A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910466723.3A CN110175422A (zh) 2019-05-31 2019-05-31 一种基于数据挖掘的多周期钢轨伤损趋势预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910466723.3A CN110175422A (zh) 2019-05-31 2019-05-31 一种基于数据挖掘的多周期钢轨伤损趋势预测方法

Publications (1)

Publication Number Publication Date
CN110175422A true CN110175422A (zh) 2019-08-27

Family

ID=67696014

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910466723.3A Pending CN110175422A (zh) 2019-05-31 2019-05-31 一种基于数据挖掘的多周期钢轨伤损趋势预测方法

Country Status (1)

Country Link
CN (1) CN110175422A (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111291498A (zh) * 2020-02-28 2020-06-16 朔黄铁路发展有限责任公司 钢轨断面磨耗预测系统、方法、计算机设备和存储介质
CN112147221A (zh) * 2020-09-22 2020-12-29 济南大学 基于超声波探伤仪数据的钢轨螺孔裂纹识别方法及系统
CN112883078A (zh) * 2021-02-07 2021-06-01 江西科技学院 基于dtw与最小二乘估计的轨道动态检查历史数据匹配方法
CN112906782A (zh) * 2021-02-07 2021-06-04 江西科技学院 基于dtw与最小二乘估计的轨道静态检查历史数据匹配方法
CN113567564A (zh) * 2021-05-17 2021-10-29 南京航空航天大学 考虑幅值补偿的时域弯折超声导波大范围温度补偿方法
CN114171056A (zh) * 2021-11-26 2022-03-11 福建星网视易信息系统有限公司 一种音频替换方法及终端

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2010014679A (ja) * 2008-07-07 2010-01-21 East Japan Railway Co レール探傷検査用治具及びレール探傷検査システム
CN104634872A (zh) * 2015-01-10 2015-05-20 哈尔滨工业大学（威海） 高铁钢轨伤损在线监测方法
CN105109517A (zh) * 2015-08-13 2015-12-02 中国神华能源股份有限公司 一种钢轨伤损分析方法及钢轨探伤车

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2010014679A (ja) * 2008-07-07 2010-01-21 East Japan Railway Co レール探傷検査用治具及びレール探傷検査システム
CN104634872A (zh) * 2015-01-10 2015-05-20 哈尔滨工业大学（威海） 高铁钢轨伤损在线监测方法
CN105109517A (zh) * 2015-08-13 2015-12-02 中国神华能源股份有限公司 一种钢轨伤损分析方法及钢轨探伤车

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
吴桂清等: "多通道超声波探伤在役钢轨检测中的应用", 《传感器与微系统》 *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111291498A (zh) * 2020-02-28 2020-06-16 朔黄铁路发展有限责任公司 钢轨断面磨耗预测系统、方法、计算机设备和存储介质
CN112147221A (zh) * 2020-09-22 2020-12-29 济南大学 基于超声波探伤仪数据的钢轨螺孔裂纹识别方法及系统
CN112883078A (zh) * 2021-02-07 2021-06-01 江西科技学院 基于dtw与最小二乘估计的轨道动态检查历史数据匹配方法
CN112906782A (zh) * 2021-02-07 2021-06-04 江西科技学院 基于dtw与最小二乘估计的轨道静态检查历史数据匹配方法
CN112906782B (zh) * 2021-02-07 2024-01-26 江西科技学院 基于dtw与最小二乘估计的轨道静态检查历史数据匹配方法
CN113567564A (zh) * 2021-05-17 2021-10-29 南京航空航天大学 考虑幅值补偿的时域弯折超声导波大范围温度补偿方法
CN114171056A (zh) * 2021-11-26 2022-03-11 福建星网视易信息系统有限公司 一种音频替换方法及终端

Similar Documents

Publication Publication Date Title
CN110175422A (zh) 一种基于数据挖掘的多周期钢轨伤损趋势预测方法
Jeong et al. Bridge inspection practices and bridge management programs in China, Japan, Korea, and US
CN109859163A (zh) 一种基于特征金字塔卷积神经网络的lcd缺陷检测方法
CN104239489A (zh) 利用相似性搜索和改进bp神经网络预测水位的方法
CN114970377A (zh) 基于新安江与深度学习耦合模型的场次洪水预报方法和系统
Latifi et al. A deep reinforcement learning model for predictive maintenance planning of road assets: Integrating LCA and LCCA
Samadi et al. Development of a bridge maintenance system using bridge information modeling
CN116307927A (zh) 一种基于人流预测的生活圈规划合理性评估方法及系统
Wilkinson et al. Consequence forecasting: A rational framework for predicting the consequences of approaching storms
Makhoul et al. Adaptive pathways using emerging technologies: Applications for Critical Transportation Infrastructure
Rezvani et al. Urban Resilience Index for Critical Infrastructure: A Scenario-Based Approach to Disaster Risk Reduction in Road Networks
Feng et al. A novel method for ship carbon emissions prediction under the influence of emergency events
Elhakeem An asset management framework for educational buildings with life-cycle cost analysis
Choate et al. Synthesis of Approaches for Addressing Resilience in Project Development
Hassan et al. Condition Prediction for Existing Educational Facilities Using Artificial Neural Networks and Regression Analysis
JP7397781B2 (ja) 学習装置、学習方法および予測装置
Oswald et al. Methodology for integrating adaptation to climate change into the transportation planning process
Zhong et al. Matching hourly, daily, and monthly traffic patterns to estimate missing volume data
Zhao et al. Research on measuring methods and influencing factors of spatial damage degree of historic sites: a case study of three ancient cities in Shanxi, China
Rao et al. Benchmarking and probing its applicability: Major seaports of India
Oladele Improved Intelligent Pavement Performance (IIPP) modeling for Botswana district gravel road networks
Messervey Integration of structural health monitoring into the design, assessment, and management of civil infrastructure
Taylor Climate information for building resilient South African cities
Mohamad et al. Assessment of heritage property values using multiple regression analysis and rank transformation regression
Oladele et al. Pavement performance modeling using artificial intelligence approach: a case of botswana district gravel road networks

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
WD01 Invention patent application deemed withdrawn after publication
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20190827