CN110503209A - 一种基于大数据的钢轨分析预警模型构建方法与系统 - Google Patents
一种基于大数据的钢轨分析预警模型构建方法与系统 Download PDFInfo
- Publication number
- CN110503209A CN110503209A CN201910671589.0A CN201910671589A CN110503209A CN 110503209 A CN110503209 A CN 110503209A CN 201910671589 A CN201910671589 A CN 201910671589A CN 110503209 A CN110503209 A CN 110503209A
- Authority
- CN
- China
- Prior art keywords
- rail
- early warning
- analysis
- season
- 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
- 238000004458 analytical method Methods 0.000 title claims abstract description 56
- 238000000034 method Methods 0.000 title claims abstract description 20
- 238000012423 maintenance Methods 0.000 claims abstract description 20
- 230000007547 defect Effects 0.000 claims description 35
- 230000001932 seasonal effect Effects 0.000 claims description 17
- 208000037974 severe injury Diseases 0.000 claims description 14
- 230000009528 severe injury Effects 0.000 claims description 14
- 241000728173 Sarima Species 0.000 claims description 12
- 238000012544 monitoring process Methods 0.000 claims description 12
- 230000008859 change Effects 0.000 claims description 10
- 238000010276 construction Methods 0.000 claims description 10
- 238000005096 rolling process Methods 0.000 claims description 8
- 208000027418 Wounds and injury Diseases 0.000 claims description 6
- 238000005299 abrasion Methods 0.000 claims description 6
- 241000208340 Araliaceae Species 0.000 claims 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 claims 1
- 235000003140 Panax quinquefolius Nutrition 0.000 claims 1
- 235000008434 ginseng Nutrition 0.000 claims 1
- 238000007477 logistic regression Methods 0.000 abstract description 7
- 230000008439 repair process Effects 0.000 abstract description 7
- 238000013499 data model Methods 0.000 abstract description 4
- 230000001419 dependent effect Effects 0.000 abstract 1
- 230000008901 benefit Effects 0.000 description 5
- 230000000694 effects Effects 0.000 description 3
- 241001669679 Eleotris Species 0.000 description 2
- 230000003416 augmentation Effects 0.000 description 2
- 238000000354 decomposition reaction Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 description 2
- 230000000737 periodic effect Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000005086 pumping Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000000712 assembly Effects 0.000 description 1
- 238000000429 assembly Methods 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- 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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- G06Q10/20—Administration of product repair or maintenance
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- Strategic Management (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Data Mining & Analysis (AREA)
- General Business, Economics & Management (AREA)
- Mathematical Optimization (AREA)
- Computational Mathematics (AREA)
- Mathematical Physics (AREA)
- Entrepreneurship & Innovation (AREA)
- Pure & Applied Mathematics (AREA)
- Quality & Reliability (AREA)
- Development Economics (AREA)
- Mathematical Analysis (AREA)
- Game Theory and Decision Science (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Educational Administration (AREA)
- Evolutionary Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Primary Health Care (AREA)
- Bioinformatics & Computational Biology (AREA)
- Health & Medical Sciences (AREA)
- Algebra (AREA)
- General Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Machines For Laying And Maintaining Railways (AREA)
- Train Traffic Observation, Control, And Security (AREA)
Abstract
本发明提供了一种基于大数据的钢轨分析预警模型构建方法与系统,本发明通过对现有工务段数据进行抽取,形成一米精度表,并关联钢轨相关台账表,形成完整的数据模型,完成数据仓库的搭建,并依赖于数据仓库的大数据优势对数据仓库中的数据利用时间序列以及逻辑回归进行分析预警模型的建立,通过分析预警模型获得未来一段时间内的钢轨状态相关参数的预测值,并将预测值与设定阈值进行比较,得到是否进行维护的决策指导信息,实现对钢轨安全的自动化分析预警。本发明可有效提高分析预警精确度,缩短预测周期,建立自动化维护以及大修计划,实现设备维护智能化,切实保证铁路运行的安全性和可靠性。
Description
技术领域
本发明涉及钢轨检测技术领域,特别是一种基于大数据的钢轨分析预警模型构建方法与系统。
背景技术
铁路工务基础设施,是铁路运输中必不可少的技术设备,主要包括轨道、路基、桥梁、隧道等,一般占铁路运输固定资产价值的60%左右。铁路工务设备的工作特点不同于一般工程结构物,具有荷载随机性和重复性、结构的组合性和散体性、养护维修的经常性和周期性的特点。在使用过程中由于列车荷载和自然环境的影响,不可避免的会发生疲劳、永久变形、劣化和破损,为了使铁路工务设备经常保持良好状态,保证列车能够按规定速度安全、平稳和不间断运行,就必须及时进行养护维修,并且要不断提高铁路设备修理质量和技术水平,实现线路设备生命周期成本最优的目标。
工务系统已经部署应用了一些检测监测设备和系统软件,对加强工务安全生产管理起到了重要作用,但仍不能满足发展的需要,普遍存在以下问题:
既有系统十分零散,对于各个系统的操作比较繁琐;数据资源不能相互对接,无法互联共享;日常管理不能闭环;现有的人工分析预警工作效率低、精度低;钢轨的维护决策缺乏有效指导。
发明内容
本发明的目的是提供一种基于大数据的钢轨分析预警模型构建方法与系统,旨在解决现有技术中钢轨人工分析预警存在繁琐、效率低、精度低的问题,实现自动化分析预警,提高分析预测精确度,保障铁路安全。
为达到上述技术目的,本发明提供了一种基于大数据的钢轨分析预警模型构建方法,所述方法包括以下步骤:
S1、根据工务段线路数据建立一米精度表,并关联钢轨相关台账表,完成数据仓库的搭建;
S2、根据过去一段时间内的钢轨状态相关参数的统计数据,利用时间序列分别对各参数建立分析预警模型,获取未来时间内各个参数的预测值,并将各个参数预测值与设定的阈值进行比较,获取比较结果;
S3、统计各个刻度点上的钢轨伤损变量历史数据,通过逻辑回归模型对样本进行训练,预测钢轨伤损情况;
S4、根据钢轨状态比较结果以及钢轨伤损情况判断需进行数据监控的钢轨重伤位置点,并决定是否进行维护。
优选地,所述一米精度表以一米为间隔,包括线名、行别、工务段线路基本属性。
优选地,所述钢轨状态相关参数包括磨耗、TQI值、通过总重以及伤损数。
优选地,所述时间序列为SARIMA模型,其表现形式如下:
s为季节性序列的变化周期,L为滞后算子,AP(Ls)分别表示非季节与季节自回归多项式,θq(L)、BQ(Ls)分别表示非季节与季节移动平均多项式,下标P、Q、p、q分别表示季节与非季节自回归、移动平均算子的最大滞后阶数, d、D分别表示非季节和季节性差分次数。
优选地,所述钢轨伤损变量包括伤损频率、距离已有伤损的最近距离、磨耗、TQI值、通过总重、曲线半径、温度、钢轨基本属性。
优选地,所述逻辑回归模型表示如下:
g(x)=w0+wlx1+…+wnxn
当P(y=1|x)>0.5时,则该位置点钢轨伤损情况为重伤,否则伤损情况则为轻伤。
本发明还提供了一种基于大数据的钢轨分析预警模型构建系统,所述系统包括:
数据仓库搭建模块,用于根据工务段线路数据建立一米精度表,并关联钢轨相关台账表,完成数据仓库的搭建;
钢轨状态预测模块,用于根据过去一段时间内的钢轨状态相关参数的统计数据,利用时间序列分别对各参数建立分析预警模型,获取未来时间内各个参数的预测值,并将各个参数预测值与设定的阈值进行比较,获取比较结果;
伤损预测模块,用于统计各个刻度点上的钢轨伤损变量历史数据,通过逻辑回归模型对样本进行训练,预测钢轨伤损情况;
维护分析模块,用于根据钢轨状态比较结果以及钢轨伤损情况判断需进行数据监控的钢轨重伤位置点,并决定是否进行维护。
优选地,所述一米精度表以一米为间隔,包括线名、行别、工务段线路基本属性。
优选地,所述时间序列为SARIMA模型,其表现形式如下:
s为季节性序列的变化周期,L为滞后算子,AP(Ls)分别表示非季节与季节自回归多项式,θq(L)、BQ(Ls)分别表示非季节与季节移动平均多项式,下标P、Q、p、q分别表示季节与非季节自回归、移动平均算子的最大滞后阶数, d、D分别表示非季节和季节性差分次数。
优选地,所述逻辑回归模型表示如下:
g(x)=w0+wlx1+…+wnxn
当P(y=1|x)>0.5时,则该位置点钢轨伤损情况为重伤,否则伤损情况则为轻伤。
发明内容中提供的效果仅仅是实施例的效果,而不是发明所有的全部效果,上述技术方案中的一个技术方案具有如下优点或有益效果:
与现有技术相比,本发明通过对现有工务段数据进行抽取,形成一米精度表,并关联钢轨相关台账表,形成完整的数据模型,完成数据仓库的搭建,并依赖于数据仓库的大数据优势对数据仓库中的数据利用时间序列以及逻辑回归分别进行分析预警模型的建立,通过分析预警模型获得未来一段时间内的钢轨状态相关参数的预测值,以及钢轨伤损情况,并将预测值与设定阈值进行比较,得到是否进行维护的决策指导信息,实现对钢轨安全的自动化分析预警。根据本发明所提供的分析预警信息预测基础设施状态变化趋势,可有效提高分析预警精确度,缩短预测周期,减少工作量,对重点监控位置或区域的设备运行与维护状态进行研判,建立自动化维护以及大修计划,实现设备维护智能化,切实保证铁路运行的安全性和可靠性。
附图说明
图1为本发明实施例中所提供的一种基于大数据的钢轨分析预警模型构建方法流程图;
图2为本发明实施例中所提供的包含线路所有信息的数据模型示意图;
图3为本发明实施例中所提供的一种基于大数据的钢轨分析预警模型构建系统框图。
具体实施方式
为了能清楚说明本方案的技术特点,下面通过具体实施方式,并结合其附图,对本发明进行详细阐述。下文的公开提供了许多不同的实施例或例子用来实现本发明的不同结构。为了简化本发明的公开,下文中对特定例子的部件和设置进行描述。此外,本发明可以在不同例子中重复参考数字和/或字母。这种重复是为了简化和清楚的目的,其本身不指示所讨论各种实施例和/或设置之间的关系。应当注意,在附图中所图示的部件不一定按比例绘制。本发明省略了对公知组件和处理技术及工艺的描述以避免不必要地限制本发明。
下面结合附图对本发明实施例所提供的一种基于大数据的钢轨分析预警模型构建方法与系统进行详细说明。
如图1所示,本发明实施例公开了一种基于大数据的钢轨分析预警模型构建方法,所述方法包括以下步骤:
S1、根据工务段线路数据建立一米精度表,并关联钢轨相关台账表,完成数据仓库的搭建;
S2、根据过去一段时间内的钢轨状态相关参数的统计数据,利用时间序列分别对各参数建立分析预警模型,获取未来时间内各个参数的预测值,并将各个参数预测值与设定的阈值进行比较,获取比较结果;
S3、统计各个刻度点上的钢轨伤损变量历史数据,通过逻辑回归模型对样本进行训练,预测钢轨伤损情况;
S4、根据钢轨状态比较结果以及钢轨伤损情况判断需进行数据监控的钢轨重伤位置点,并决定是否进行维护。
搭建数据仓库,将工务设备运行和监测数据进行抽取、清洗和挖掘,建立一米精度表,具体为从各个工务段获取各条线路标准的起终点路程,根据线路起终点路程设计出新的关于线名、行别、工务段等线路基本属性和里程的一米刻度表。所述一米精度表以一米为间隔,有效提高钢轨数据精度。
利用生成的1米刻度表关联钢轨相关的台帐表。所述台账表包括钢轨台帐、车站台帐、钢轨曲线关联表、线路设备维修表、道岔台帐、轨枕台帐以及钢轨通过总重表等根据起终点里程或者中心里程去维护的台账表。将带有里程的台帐表按照刻度和里程区间对应的关系进行关联,以通过总重表为例,得到每个粒度点所对应的通过总重信息。完整的数据模型见图2示例。
对各个工务段新增或者更改的数据做更新处理。各个工务段台帐数据汇入到大数据平台,按照各个台帐所标注的起终点里程信息,分解为1米为单位的粒度表,按照分解后的刻度值(里程数/m)进行对应关联到1米精度表,从而保证模型的时效性。
在搭建完成数据仓库后,利用数据仓库的大数据优势进行分析预警模型的建立。
在本发明实施例中,利用时间序列对钢轨状态建立分析预警模型。由于线路中各点关于钢轨状态的数据是随时间变化的,可能受季节变化、温度变化以及运载旺季淡季等变化而表现出周期性变化,比如梅雨季节、洪涝灾害期导致线路出现路基翻浆冒泥、道床下沉;夏季和冬季温度差别大,线路弹性、强度不同;春运铁路的运载量会有所增加等。因此在本发明实施例中采用时间序列进行分析预警模型的建立。
将某一监测点上某一钢轨状态相关参数进行以日为单位的统计,采用{Yt}代表某一钢轨状态相关参数的每日数据序列,对原始序列进行ADF检验,获取其概率值,判断其是否大于0.05,当大于0.05时,说明原始序列不平稳,为非平稳序列。在本发明实施例中,由于概率值大于0.05,因此选取SARIMA模型作为预测模型。
由于SARIMA模型为研究时间序列的周期性特征,对ARIMA模型进行基于周期的季节差分,{Yt}为非平稳季节性时间序列,需进行D次季节差分,并建立周期为s的P阶自回归Q阶移动平均季节时间序列模型。
SARIMA模型的表现形式如下:
s为季节性序列的变化周期,L为滞后算子,AP(Ls)分别表示非季节与季节自回归多项式,θq(L)、BQ(Ls)分别表示非季节与季节移动平均多项式,下标P、Q、p、q分别表示季节与非季节自回归、移动平均算子的最大滞后阶数, d、D分别表示非季节和季节性差分次数,因此可表示为SARIMA(p,d,q)(P,D,Q)s模型。
在利用模型进行预测之前,对模型进行参数估计与检验,以保证精确度。
根据模型获取钢轨状态相关参数的预测值,并通过与已有的标准阈值进行比较,预测线路基础设施状态,自动建立维护以及大修计划。
在本发明实施例中,利用逻辑回归模型对钢轨伤损情况建立分析预警模型。逻辑回归模型为概率型非线性回归模型,是研究二分类观察结果与一些影响因素之间关系的一种多变量分析方法。由于钢轨的伤损情况由多个因素影响,因此可通过逻辑回归模型判断钢轨某个位置点出现伤损的情况。
考虑具有n个独立变量的向量x=(x1,x2,...,xn),设条件概率P(y=1|x)=p 为根据观察值相对于钢轨发生伤损的概率,逻辑回归可表示为:
g(x)=w0+wlx1+…+wnxn
当P(y=1|x)>0.5时,则该位置点钢轨伤损情况为重伤,否则伤损情况则为轻伤。关于钢轨伤损的变量包括伤损频率、距离已有伤损的最近距离、磨耗情况、TQI值、通过总重、曲线半径、温度、钢轨基本属性。通过从历史数据中得到带有伤损情况标记的样本,用这些样本来训练逻辑回归模型,并对伤损情况进行预测,对于重伤的钢轨位置进行重点监控,并根据钢轨伤损变量最新数据值决定是否维修或换轨。
通过时间序列模型以及逻辑回归模型对钢轨进行分析预警,分别根据钢轨状态比较结果以及钢轨伤损情况判断需进行数据监控的钢轨重伤位置点,并决定是否进行维护。
本发明实施例通过对现有工务段数据进行抽取,形成一米精度表,并关联钢轨相关台账表,形成完整的数据模型,完成数据仓库的搭建,并依赖于数据仓库的大数据优势对数据仓库中的数据利用时间序列以及逻辑回归分别进行分析预警模型的建立,通过分析预警模型获得未来一段时间内的钢轨状态相关参数的预测值,以及钢轨伤损情况,并将预测值与设定阈值进行比较,得到是否进行维护的决策指导信息,实现对钢轨安全的自动化分析预警。根据本发明所提供的分析预警信息预测基础设施状态变化趋势,可有效提高分析预警精确度,缩短预测周期,减少工作量,对重点监控位置或区域的设备运行与维护状态进行研判,建立自动化维护以及大修计划,实现设备维护智能化,切实保证铁路运行的安全性和可靠性。
如图3所示,本发明还公开了一种基于大数据的钢轨分析预警模型构建系统,所述系统包括:
数据仓库搭建模块,用于根据工务段线路数据建立一米精度表,并关联钢轨相关台账表,完成数据仓库的搭建;
钢轨状态预测模块,用于根据过去一段时间内的钢轨状态相关参数的统计数据,利用时间序列分别对各参数建立分析预警模型,获取未来时间内各个参数的预测值,并将各个参数预测值与设定的阈值进行比较,获取比较结果;
伤损预测模块,用于统计各个刻度点上的钢轨伤损变量历史数据,通过逻辑回归模型对样本进行训练,预测钢轨伤损情况;
维护分析模块,用于根据钢轨状态比较结果以及钢轨伤损情况判断需进行数据监控的钢轨重伤位置点,并决定是否进行维护。
从各个工务段获取各条线路标准的起终点路程,根据线路起终点路程设计出新的关于线名、行别、工务段等线路基本属性和里程的一米刻度表,完成数据仓库的搭建。所述一米精度表以一米为间隔,有效提高钢轨数据精度。
利用生成的1米刻度表关联钢轨相关的台帐表。所述台账表包括钢轨台帐、车站台帐、钢轨曲线关联表、线路设备维修表、道岔台帐、轨枕台帐以及钢轨通过总重表等根据起终点里程或者中心里程去维护的台账表。将带有里程的台帐表按照刻度和里程区间对应的关系进行关联,以通过总重表为例,得到每个粒度点所对应的通过总重信息。
对各个工务段新增或者更改的数据做更新处理。各个工务段台帐数据汇入到大数据平台,按照各个台帐所标注的起终点里程信息,分解为1米为单位的粒度表,按照分解后的刻度值(里程数/m)进行对应关联到1米精度表,从而保证模型的时效性。
通过钢轨状态预测模块以及伤损预测模块在搭建完成数据仓库后利用数据仓库的大数据优势进行分析预警模型的建立。
由于线路中各点关于钢轨状态的数据是随时间变化的,可能受季节变化、温度变化以及运载旺季淡季等变化而表现出周期性变化,比如梅雨季节、洪涝灾害期导致线路出现路基翻浆冒泥、道床下沉;夏季和冬季温度差别大,线路弹性、强度不同;春运铁路的运载量会有所增加等。因此在本发明实施例中采用时间序列进行分析预警模型的建立。
将某一监测点上某一钢轨状态相关参数进行以日为单位的统计,采用{Yt}代表某一钢轨状态相关参数的每日数据序列,对原始序列进行ADF检验,获取其概率值,判断其是否大于0.05,当大于0.05时,说明原始序列不平稳,为非平稳序列。在本发明实施例中,由于概率值大于0.05,因此选取SARIMA模型作为预测模型。
由于SARIMA模型为研究时间序列的周期性特征,对ARIMA模型进行基于周期的季节差分,{Yt}为非平稳季节性时间序列,需进行D次季节差分,并建立周期为s的P阶自回归Q阶移动平均季节时间序列模型。
SARIMA模型的表现形式如下:
s为季节性序列的变化周期,L为滞后算子,AP(Ls)分别表示非季节与季节自回归多项式,θq(L)、BQ(Ls)分别表示非季节与季节移动平均多项式,下标P、Q、p、q分别表示季节与非季节自回归、移动平均算子的最大滞后阶数,d、D分别表示非季节和季节性差分次数,因此可表示为SARIMA(p,d,q)(P,D,Q)s模型。
在利用模型进行预测之前,对模型进行参数估计与检验,以保证精确度。根据模型获取钢轨状态相关参数的预测值,并通过与已有的标准阈值进行比较,预测线路基础设施状态,自动建立维护以及大修计划。
由于钢轨的伤损情况由多个因素影响,因此可通过逻辑回归模型判断钢轨某个位置点出现伤损的情况。考虑具有n个独立变量的向量x=(x1,x2,...,xn),设条件概率P(y=1|x)=p为根据观察值相对于钢轨发生伤损的概率,逻辑回归可表示为:
g(x)=w0+wlx1+…+wnxn
当P(y=1|x)>0.5时,则该位置点钢轨伤损情况为重伤,否则伤损情况则为轻伤。关于钢轨伤损的变量包括伤损频率、距离已有伤损的最近距离、磨耗情况、TQI值、通过总重、曲线半径、温度、钢轨基本属性。通过从历史数据中得到带有伤损情况标记的样本,用这些样本来训练逻辑回归模型,并对伤损情况进行预测,对于重伤的钢轨位置进行重点监控,并根据钢轨伤损变量最新数据值决定是否维修或换轨。
通过维护分析模块根据钢轨状态比较结果以及钢轨伤损情况判断需进行数据监控的钢轨重伤位置点,并决定是否进行维护。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于大数据的钢轨分析预警模型构建方法,其特征在于,所述方法包括以下步骤:
S1、根据工务段线路数据建立一米精度表,并关联钢轨相关台账表,完成数据仓库的搭建;
S2、根据过去一段时间内的钢轨状态相关参数的统计数据,利用时间序列分别对各参数建立分析预警模型,获取未来时间内各个参数的预测值,并将各个参数预测值与设定的阈值进行比较,获取比较结果;
S3、统计各个刻度点上的钢轨伤损变量历史数据,通过逻辑回归模型对样本进行训练,预测钢轨伤损情况;
S4、根据钢轨状态比较结果以及钢轨伤损情况判断需进行数据监控的钢轨重伤位置点,并决定是否进行维护。
2.根据权利要求1所述的一种基于大数据的钢轨分析预警模型构建方法,其特征在于,所述一米精度表以一米为间隔,包括线名、行别、工务段线路基本属性。
3.根据权利要求1所述的一种基于大数据的钢轨分析预警模型构建方法,其特征在于,所述钢轨状态相关参数包括磨耗、TQI值、通过总重以及伤损数。
4.根据权利要求1所述的一种基于大数据的钢轨分析预警模型构建方法,其特征在于,所述时间序列为SARIMA模型,其表现形式如下:
s为季节性序列的变化周期,L为滞后算子,AP(Ls)分别表示非季节与季节自回归多项式,θq(L)、BQ(Ls)分别表示非季节与季节移动平均多项式,下标P、Q、p、q分别表示季节与非季节自回归、移动平均算子的最大滞后阶数,d、D分别表示非季节和季节性差分次数。
5.根据权利要求1所述的一种基于大数据的钢轨分析预警模型构建方法,其特征在于,所述钢轨伤损变量包括伤损频率、距离已有伤损的最近距离、磨耗、TQI值、通过总重、曲线半径、温度、钢轨基本属性。
6.根据权利要求1所述的一种基于大数据的钢轨分析预警模型构建方法,其特征在于,所述逻辑回归模型表示如下:
g(x)=w0+w1x1+…+wnxn
当P(y=1|x)>0.5时,则该位置点钢轨伤损情况为重伤,否则伤损情况则为轻伤。
7.一种基于大数据的钢轨分析预警模型构建系统,其特征在于,所述系统包括:
数据仓库搭建模块,用于根据工务段线路数据建立一米精度表,并关联钢轨相关台账表,完成数据仓库的搭建;
钢轨状态预测模块,用于根据过去一段时间内的钢轨状态相关参数的统计数据,利用时间序列分别对各参数建立分析预警模型,获取未来时间内各个参数的预测值,并将各个参数预测值与设定的阈值进行比较,获取比较结果;
伤损预测模块,用于统计各个刻度点上的钢轨伤损变量历史数据,通过逻辑回归模型对样本进行训练,预测钢轨伤损情况;
维护分析模块,用于根据钢轨状态比较结果以及钢轨伤损情况判断需进行数据监控的钢轨重伤位置点,并决定是否进行维护。
8.根据权利要求7所述的一种基于大数据的钢轨分析预警模型构建系统,其特征在于,所述一米精度表以一米为间隔,包括线名、行别、工务段线路基本属性。
9.根据权利要求7所述的一种基于大数据的钢轨分析预警模型构建系统,其特征在于,所述时间序列为SARIMA模型,其表现形式如下:
s为季节性序列的变化周期,L为滞后算子,AP(Ls)分别表示非季节与季节自回归多项式,θq(L)、BQ(Ls)分别表示非季节与季节移动平均多项式,下标P、Q、p、q分别表示季节与非季节自回归、移动平均算子的最大滞后阶数,d、D分别表示非季节和季节性差分次数。
10.根据权利要求7所述的一种基于时间序列的钢轨分析预警模型构建系统,其特征在于,所述逻辑回归模型表示如下:
g(x)=w0+w1x1+…+wnxn
当P(y=1|x)>0.5时,则该位置点钢轨伤损情况为重伤,否则伤损情况则为轻伤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910671589.0A CN110503209B (zh) | 2019-07-24 | 2019-07-24 | 一种基于大数据的钢轨分析预警模型构建方法与系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910671589.0A CN110503209B (zh) | 2019-07-24 | 2019-07-24 | 一种基于大数据的钢轨分析预警模型构建方法与系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110503209A true CN110503209A (zh) | 2019-11-26 |
CN110503209B CN110503209B (zh) | 2022-02-01 |
Family
ID=68586714
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910671589.0A Active CN110503209B (zh) | 2019-07-24 | 2019-07-24 | 一种基于大数据的钢轨分析预警模型构建方法与系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110503209B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111290295A (zh) * | 2020-03-09 | 2020-06-16 | 西南交通大学 | 轮轨界面润滑与摩擦控制决策支持系统 |
CN111309736A (zh) * | 2020-02-28 | 2020-06-19 | 朔黄铁路发展有限责任公司 | 钢轨断面磨耗数据管理系统、方法、设备以及存储介质 |
CN114987583A (zh) * | 2022-05-18 | 2022-09-02 | 中国铁道科学研究院集团有限公司 | 一种钢轨大修预测方法、装置、电子设备和存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050279240A1 (en) * | 2004-06-22 | 2005-12-22 | Pedanekar Niranjan R | Enhanced method and apparatus for deducing a correct rail weight for use in rail wear analysis of worn railroad rails |
CN104751169A (zh) * | 2015-01-10 | 2015-07-01 | 哈尔滨工业大学(威海) | 高铁钢轨伤损分类方法 |
CN106248801A (zh) * | 2016-09-06 | 2016-12-21 | 哈尔滨工业大学 | 一种基于多声发射事件概率的钢轨裂纹检测方法 |
CN108334908A (zh) * | 2018-03-07 | 2018-07-27 | 中国铁道科学研究院 | 铁路钢轨伤损检测方法及装置 |
-
2019
- 2019-07-24 CN CN201910671589.0A patent/CN110503209B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050279240A1 (en) * | 2004-06-22 | 2005-12-22 | Pedanekar Niranjan R | Enhanced method and apparatus for deducing a correct rail weight for use in rail wear analysis of worn railroad rails |
CN104751169A (zh) * | 2015-01-10 | 2015-07-01 | 哈尔滨工业大学(威海) | 高铁钢轨伤损分类方法 |
CN106248801A (zh) * | 2016-09-06 | 2016-12-21 | 哈尔滨工业大学 | 一种基于多声发射事件概率的钢轨裂纹检测方法 |
CN108334908A (zh) * | 2018-03-07 | 2018-07-27 | 中国铁道科学研究院 | 铁路钢轨伤损检测方法及装置 |
Non-Patent Citations (1)
Title |
---|
王莹 等: "基于SARIMA模型的北京地铁进站客流量预测", 《交通运输系统工程与信息》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111309736A (zh) * | 2020-02-28 | 2020-06-19 | 朔黄铁路发展有限责任公司 | 钢轨断面磨耗数据管理系统、方法、设备以及存储介质 |
CN111290295A (zh) * | 2020-03-09 | 2020-06-16 | 西南交通大学 | 轮轨界面润滑与摩擦控制决策支持系统 |
CN114987583A (zh) * | 2022-05-18 | 2022-09-02 | 中国铁道科学研究院集团有限公司 | 一种钢轨大修预测方法、装置、电子设备和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN110503209B (zh) | 2022-02-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115578015B (zh) | 基于物联网的污水处理全过程监管方法、系统及存储介质 | |
Thaduri et al. | Railway assets: A potential domain for big data analytics | |
CN110503209A (zh) | 一种基于大数据的钢轨分析预警模型构建方法与系统 | |
Panchenko et al. | Formation of an automated traffic capacity calculation system of rail networks for freight flows of mining and smelting enterprises | |
CN105574593B (zh) | 基于云计算和大数据的轨道状态静态检控系统及方法 | |
CN106228808B (zh) | 基于浮动车时空网格数据的城市快速路旅行时间预测方法 | |
CN112561191A (zh) | 预测模型的训练、预测方法、装置、设备、程序和介质 | |
CN104200288A (zh) | 一种基于因素与事件间相关关系识别的设备故障预测方法 | |
CN103530715A (zh) | 高速铁路行车固定设备网格化管理系统及管理方法 | |
CN103760901A (zh) | 一种基于关联规则分类器的轨道交通故障识别方法 | |
CN104462808A (zh) | 安全水平位移与水位的滑动可变窗口动态数据拟合方法 | |
Vahedian et al. | Predicting urban dispersal events: A two-stage framework through deep survival analysis on mobility data | |
Chen et al. | A review on traffic prediction methods for intelligent transportation system in smart cities | |
Fitters et al. | Enhancing LSTM prediction of vehicle traffic flow data via outlier correlations | |
Shubinsky et al. | Application of machine learning methods for predicting hazardous failures of railway track assets | |
Hasan et al. | Forecasting deterioration of bridge components from visual inspection data | |
CN113869589A (zh) | 一种基于知识图谱的输电线路事故预测方法及巡检系统 | |
CN112598319A (zh) | 一种基于bim的智慧桥梁运维管理方法、系统、计算机设备及存储介质 | |
CN116935642A (zh) | 基于物联网的便捷出行管理方法 | |
CN110377607A (zh) | 一种钢轨数据精度优化方法与系统 | |
CN111709597A (zh) | 一种电网生产域运营监测系统 | |
Vaishali et al. | Weather prediction model using Savitzky-Golay and Kalman Filters | |
KOBAYASHI et al. | The optimal implementation policy for inspecting pavement with deterioration uncertainty | |
CN103678953A (zh) | 基于贝叶斯组合神经网络的生物发酵产量在线预报方法 | |
Berardinelli et al. | An advanced highway asset management system |
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 |