CN111291498A - 钢轨断面磨耗预测系统、方法、计算机设备和存储介质 - Google Patents
钢轨断面磨耗预测系统、方法、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN111291498A CN111291498A CN202010128681.5A CN202010128681A CN111291498A CN 111291498 A CN111291498 A CN 111291498A CN 202010128681 A CN202010128681 A CN 202010128681A CN 111291498 A CN111291498 A CN 111291498A
- Authority
- CN
- China
- Prior art keywords
- steel rail
- wear
- abrasion
- data
- curved steel
- 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
Links
Images
Abstract
本申请涉及一种钢轨断面磨耗预测系统、方法、计算机设备和存储介质。钢轨断面磨耗预测系统包括磨耗速率拟合模块和预测模块。磨耗速率拟合模块,根据曲线钢轨的换轨周期数据、通过总重数据和曲线钢轨磨耗数据进行拟合处理得到曲线钢轨的磨耗速率;预测模块,根据获取到的磨耗影响因素、各曲线钢轨的磨耗速率,得到各曲线钢轨的磨耗对比结果,以及所述曲线钢轨的磨耗伤损预测结果。基于钢轨断面磨耗预测系统,得到的各曲线钢轨的磨耗对比结果能够为钢轨选材选型提供参考,得到曲线钢轨的磨耗伤损预测结果,从而及时高效地预测曲线钢轨发展趋势,实现曲线钢轨寿命管理,保证铁路安全运行,工作效率高。
Description
技术领域
本申请涉及信息管理技术领域,特别是涉及一种钢轨断面磨耗预测系统、方法、计算机设备和存储介质。
背景技术
山区铁路,具有桥隧毗连、填挖相接、坡度大、曲线多、半径小等特点。由于山区线路条件复杂,加之运量逐年增加、轴重加大,小半径曲线钢轨磨耗发展呈现出加速趋势,这不仅会缩短钢轨使用寿命,也增加了养护维修的工作量和费用,甚至带来了行车安全隐患。
目前,铁路公司已建立起以Excel为基本模板的钢轨磨耗管理信息体系,但随着数据量的逐月增加,Excel已远远无法满足对海量检测数据的分析需求,无法分析曲线钢轨的损伤情况、预测磨耗发展趋势,难以及时发现曲线钢轨磨耗情况,工作效率较低。
发明内容
基于此,有必要针对上述技术问题,提供一种能够预测曲线钢轨磨耗发展趋势、工作效率高的钢轨断面磨耗预测系统、方法、计算机设备和存储介质。
一种钢轨断面磨耗预测系统,包括:
磨耗速率拟合模块,用于获取各曲线钢轨的磨耗速率;曲线钢轨的磨耗速率为根据曲线钢轨的换轨周期数据、通过总重数据和曲线钢轨磨耗数据进行拟合处理得到;曲线钢轨磨耗数据包括曲线钢轨的磨耗值;通过总重数据包括曲线钢轨的累计通过总重;
预测模块,用于根据获取到的磨耗影响因素、各曲线钢轨的磨耗速率,得到各曲线钢轨的磨耗对比结果,以及曲线钢轨的磨耗伤损预测结果。
在其中一个实施例中,磨耗速率包括平均磨耗发展速率;
磨耗速率拟合模块,用于根据曲线钢轨的累计通过总重和曲线钢轨的磨耗值进行线性拟合,得到曲线钢轨的平均磨耗发展速率;
预测模块,用于根据磨耗影响因素,对比各曲线钢轨的平均磨耗发展速率,得到曲线钢轨的磨耗对比结果。
在其中一个实施例中,磨耗速率还包括磨耗发展速率;
磨耗速率拟合模块,用于根据曲线钢轨的通过总重数据和磨耗值进行非线性拟合,得到曲线钢轨的磨耗发展速率;
预测模块,用于根据磨耗发展速率、曲线钢轨的通过总重数据,得到曲线钢轨的预测磨耗值,根据预测磨耗值,得到曲线钢轨的磨耗伤损预测结果。
在其中一个实施例中,还包括预处理模块;
预处理模块用于:
根据台账信息,对原始磨耗数据进行分割,得到分割后的原始磨耗数据;台账信息包括曲线起始里程、曲线终止里程、曲线特征段起始里程、曲线特征段终止里程及曲线方向数据;
将各曲线钢轨分割后的原始磨耗数据按照曲线里程命名并保存成表格。
在其中一个实施例中,还包括数据处理模块;
数据处理模块,用于根据分割后的原始磨耗数据,得到曲线钢轨磨耗数据;数据处理模块,还用于根据换轨周期数据,处理原始通过总重数据,得到通过总重数据。
在其中一个实施例中,还包括磨耗可视化模块;
磨耗可视化模块用于展示各曲线钢轨的曲线钢轨磨耗数据。
在其中一个实施例中,还包括伤损智能统计模块;
伤损智能统计模块,用于根据曲线伤损程度评判标准判断曲线钢轨磨耗数据,得到各磨耗伤损程度的曲线钢轨数目和对应的曲线里程;
磨耗可视化模块,还用于展示各磨耗伤损程度的曲线钢轨数目和对应的曲线里程。
在其中一个实施例中,还包括登录模块,用于验证用户使用权限。
一种钢轨断面磨耗预测方法,所述方法包括:
获取各曲线钢轨的磨耗速率;曲线钢轨的磨耗速率为根据曲线钢轨的换轨周期数据、通过总重数据和曲线钢轨磨耗数据进行拟合处理得到;曲线钢轨磨耗数据包括曲线钢轨的磨耗值;通过总重数据包括曲线钢轨的累计通过总重;
根据获取到的磨耗影响因素、各曲线钢轨的磨耗速率,得到并展示各曲线钢轨的磨耗对比结果,以及曲线钢轨的磨耗伤损预测结果。
一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现以下步骤:
获取各曲线钢轨的磨耗速率;曲线钢轨的磨耗速率为根据曲线钢轨的换轨周期数据、通过总重数据和曲线钢轨磨耗数据进行拟合处理得到;曲线钢轨磨耗数据包括曲线钢轨的磨耗值;通过总重数据包括曲线钢轨的累计通过总重;
根据获取到的磨耗影响因素、各曲线钢轨的磨耗速率,得到并展示各曲线钢轨的磨耗对比结果,以及曲线钢轨的磨耗伤损预测结果。
一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现以下步骤:
获取各曲线钢轨的磨耗速率;曲线钢轨的磨耗速率为根据曲线钢轨的换轨周期数据、通过总重数据和曲线钢轨磨耗数据进行拟合处理得到;曲线钢轨磨耗数据包括曲线钢轨的磨耗值;通过总重数据包括曲线钢轨的累计通过总重;
根据获取到的磨耗影响因素、各曲线钢轨的磨耗速率,得到并展示各曲线钢轨的磨耗对比结果,以及曲线钢轨的磨耗伤损预测结果。
上述技术方案中的一个技术方案具有如下优点和有益效果:
钢轨断面磨耗预测系统,包括磨耗速率拟合模块和预测模块。磨耗速率拟合模块,根据曲线钢轨的换轨周期数据、通过总重数据和曲线钢轨磨耗数据进行拟合处理得到对应曲线钢轨的磨耗速率。进而,预测模块根据获取到的磨耗影响因素、各曲线钢轨的磨耗速率,得到各曲线钢轨的磨耗对比结果,分析影响铁路曲线钢轨寿命的磨耗因素,并得到曲线钢轨的磨耗伤损预测结果,能够为钢轨选材选型提供参考,预测曲线钢轨发展趋势,从而实现曲线钢轨寿命管理、延长曲线钢轨寿命。钢轨断面磨耗检测系统,能够从海量磨耗数据中及时发现曲线钢轨磨耗情况,工作效率高。
附图说明
通过附图中所示的本申请的优选实施例的更具体说明,本申请的上述及其它目的、特征和优势将变得更加清晰。在全部附图中相同的附图标记指示相同的部分,且并未刻意按实际尺寸等比例缩放绘制附图,重点在于示出本申请的主旨。
图1为一个实施例中钢轨断面磨耗预测系统的第一示意图;
图2为一个实施例中钢轨断面磨耗预测系统的磨耗速率拟合模块的拟合处理效果示意图;
图3为一个实施例中钢轨断面磨耗预测系统的预测模块对曲线钢轨的磨耗伤损预测结果示意图;
图4为一个实施例中钢轨断面磨耗预测系统的第二示意图;
图5为一个实施例中钢轨断面磨耗预测系统的数据预处理模块的流程示意图;
图6为一个实施例中钢轨断面磨耗预测系统的第三示意图;
图7为一个实施例中钢轨断面磨耗预测系统的第四示意图;
图8为一个实施例中钢轨断面磨耗预测系统的第五示意图;
图9为一个实施例中钢轨断面磨耗预测系统的伤损智能统计模块的流程示意图;
图10为一个实施例中钢轨断面磨耗预测系统的第六示意图;
图11为一个实施例中钢轨断面磨耗预测方法的流程示意图;
图12为一个实施例中计算机设备的内部结构图;
图13为一个实施例中钢轨断面磨耗预测系统的关联查询模块的示意图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
除非另有定义,本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。本文中在本申请的说明书中所使用的术语只是为了描述具体的实施例的目的,不是旨在于限制本申请。本文所使用的术语“和/或”包括一个或多个相关的所列项目的任意的和所有的组合。
本申请实施例可运用于铁路信息技术领域。山区铁路,具有桥隧毗连、填挖相接、坡度大、曲线多、半径小等特点。由于山区线路条件复杂,加之运量逐年增加、轴重加大,小半径曲线钢轨磨耗发展呈现出加速趋势,这不仅会缩短钢轨使用寿命,也增加了养护维修的工作量和费用,甚至带来了行车安全隐患。目前,铁路公司已建立起以Excel为基本模板的钢轨磨耗管理信息体系,但随着数据量的逐月增加,Excel已远远无法满足对海量检测数据的分析需求,无法满足更为深入的研究需要,无法分析曲线钢轨的损伤情况、预测磨耗发展趋势,难以及时发现曲线钢轨磨耗情况,工作效率较低。为此,本申请实施例提供了一种钢轨断面磨耗预测系统,能够快速处理海量数据,得到各曲线钢轨的磨耗对比结果,以及曲线钢轨的磨耗伤损预测结果,为钢轨选材选型提供参考,预测磨耗发展趋势,从而实现曲线钢轨寿命管理、延长曲线钢轨寿命,实现对磨耗数据的深度挖掘。
在一个实施例中,如图1所示,提供了一种钢轨断面磨耗预测系统,包括:
磨耗速率拟合模块,用于获取各曲线钢轨的磨耗速率;曲线钢轨的磨耗速率为根据曲线钢轨的换轨周期数据、通过总重数据和曲线钢轨磨耗数据进行拟合处理得到;曲线钢轨磨耗数据包括曲线钢轨的磨耗值;通过总重数据包括曲线钢轨的累计通过总重;
预测模块,用于根据获取到的磨耗影响因素、各曲线钢轨的磨耗速率,得到各曲线钢轨的磨耗对比结果,以及曲线钢轨的磨耗伤损预测结果。
具体而言,换轨周期数据,为按年/月/周/日检测的换轨数据,可包括序列、曲线编号、曲线里程、换轨日期、检测日期、换轨次数等。通过总重数据可包括序列、曲线编号、换轨日期、累计通过总重、检测日期等。曲线钢轨磨耗数据可包括序列、曲线编号、曲线里程、曲线钢轨的磨耗值、检测日期等。
曲线钢轨的磨耗值与累计通过总重之间的定量关系,对研究曲线钢轨的磨耗速率具有重大意义。曲线钢轨的磨耗速率能够反映曲线钢轨的累计通过总重与磨耗值之间的对应关系。一般性地,曲线钢轨的磨耗速率越大,曲线钢轨的使用寿命越短。
磨耗速率拟合模块,用于获取各曲线钢轨的磨耗速率。磨耗速率拟合模块,根据各曲线钢轨对应的换轨周期数据、通过总重数据和曲线钢轨磨耗数据进行拟合处理得到最近似经验下的各曲线钢轨的磨耗速率。示例性地,拟合处理可包括线性拟合、非线性拟合。
预测模块,根据获取到的磨耗影响因素、各曲线钢轨的磨耗速率,得到各曲线钢轨的磨耗对比结果。磨耗影响因素可包括曲线钢轨的属性参数,以及曲线钢轨的历史数据。其中,曲线钢轨的属性参数可包括曲线半径、曲线材质、曲线超高、轨距、曲线型号、曲线质量等;曲线钢轨的历史数据可包括曲线钢轨的曲线钢轨的累计通过总重、轮轨摩擦系数等。示例性地,预测模块根据获取到的曲线半径、曲线材质,分别统计各曲线钢轨的磨耗速率的平均值,对比相同曲线半径,不同曲线材质的各曲线钢轨的磨耗速率平均值,得到各曲线钢轨磨耗对比结果并展示。基于各曲线钢轨磨耗对比结果,检测人员能够直观地根据各磨耗影响因素与曲线钢轨磨耗速率的对应关系,确定影响曲线钢轨寿命的主要磨耗影响因素,为钢轨选型选材提供依据。
预测模块,还用于根据获取到的曲线钢轨的磨耗速率,得到曲线钢轨的磨耗伤损预测结果。基于该曲线钢轨的历史磨耗速率,得到的曲线钢轨的磨耗伤损预测结果包括该曲线钢轨的时间序列与曲线钢轨的磨耗伤损预测程度对应关系。基于各曲线钢轨的磨耗速率的统计结果,预测模块能够针对各曲线钢轨的断面发展情况进行预测,得到各曲线钢轨的磨耗伤损结果,获得未来一段时间内的曲线钢轨的磨耗伤损预测程度,实现对曲线钢轨安全的预警。
在本申请实施例中,上述各模块可设置在铁路线路检测和救援中心的服务器内或分别设置于服务器或各计算机设备中。例如,磨耗速率拟合模块,设置在钢轨检测设备中;预测模块,设置在控制室或铁路线路检测和救援中心服务器。
在本申请实施例中,钢轨断面磨耗预测系统包括磨耗速率拟合模块和预测模块,基于海量的曲线钢轨的换轨周期数据、通过总重数据和曲线钢轨磨耗数据得到各曲线钢轨的磨耗速率,进而根据获取到的磨耗影响因素和各曲线钢轨的磨耗速率,分析影响钢轨寿命的各磨耗影响因素与钢轨寿命的关系,能够为钢轨选材选型提供参考,同时,能够预测曲线钢轨磨耗趋势,根据得到的各曲线钢轨的磨耗伤损预测结果,实现曲线钢轨寿命管理,确保铁路运行的安全性和可靠性。钢轨断面磨耗预测系统可以管理磨耗检测数据,分析影响磨耗的关键因素和磨耗发展规律,研究建立钢轨磨耗发展预测模型,对钢轨的“状态修”和修理周期提出合理化建议,并最终实现延长钢轨使用寿命的目标。
在一个实施例中,磨耗速率包括平均磨耗发展速率;
磨耗速率拟合模块,用于根据曲线钢轨的累计通过总重和曲线钢轨的磨耗值进行线性拟合,得到曲线钢轨的平均磨耗发展速率;
预测模块,用于根据磨耗影响因素,对比各曲线钢轨的平均磨耗发展速率,得到曲线钢轨的磨耗对比结果。
具体而言,磨耗速率拟合模块,根据曲线钢轨多年/月/周/日的磨耗值与对应的曲线钢轨的累计通过总重进行线性拟合,得到曲线钢轨的磨耗值与累计通过总重的线性拟合表达式,将线性拟合表达式的斜率确定为该曲线钢轨的平均磨耗发展速率(单位:毫米/千万吨)。平均磨耗发展速率能够反映曲线钢轨的累计通过总重与磨耗值的线性关系,为铁路部门有针对性地控制曲线钢轨的通过总重调控曲线钢轨的平均磨耗发展速率,为曲线的断面磨耗发展情况进行短期预测。
示例性地,针对编号36曲线,如图2所示,磨耗速率拟合模块根据该曲线钢轨第二次换轨后每月的磨耗值和对应的累计通过总重进行线性拟合并展示,得到对应数据的线性拟合表达式,将线性拟合表达式的斜率确定为该曲线钢轨的平均磨耗发展速率。横坐标为累计通过总重,纵坐标为磨耗值,得到对应数据的线性拟合曲线,视为平均磨耗发展速率拟合线,有利于关联研究曲线钢轨的平均磨耗发展速率与各磨耗影响因素。
预测模块,根据磨耗影响因素,对比各曲线钢轨的平均磨耗发展速率,得到各曲线钢轨的磨耗对比结果。示例性地,预测模块,统计并对比不同半径曲线钢轨的平均磨耗发展速率,得到各不同半径曲线的磨耗对比情况。示例性地,预测模块,统计并对比不同材质曲线钢轨的平均磨耗发展速率,得到各不同材质曲线的磨耗对比情况。
示例性地,将上行曲线按照半径的不同将分为3类(500m、600m和800m),预测模块,分别获取每类曲线钢轨平均磨耗发展速率的平均值、最大值,以图表形式输出各类曲线的磨耗对比结果,其中X轴为半径,Y轴为平均磨耗发展速率。该磨耗对比结果显示:曲线半径为500m的各曲线钢轨的平均磨耗发展速率的平均值为0.39(毫米/千万吨),最大值为0.45(毫米/千万吨);曲线半径为600m的各曲线钢轨的平均磨耗发展速率的平均值为0.19(毫米/千万吨),最大值为0.28(毫米/千万吨);曲线半径为800m的各曲线钢轨的平均磨耗发展速率的平均值为0.09(毫米/千万吨),最大值为0.10(毫米/千万吨)。因此,检测人员根据不同半径曲线的磨耗对比结果,直观可知平均磨耗发展速率同曲线半径大小成反比,曲线半径越小,平均磨耗发展速率越大。
进一步地,将上行曲线半径为500m的钢轨按照材质的不同分为3类(75N、PG4和PG4淬火),预测模块分别统计各类曲线钢轨的平均磨耗发展速率的平均值,对比相同半径、不同材质曲线的平均磨耗发展速率的平均值,得到各类曲线钢轨的磨耗对比结果并可以图表的形式展示。该磨耗对比结果显示:材质为75N的各曲线平均磨耗发展速率的平均值为0.21(毫米/千万吨),材质为PG4各曲线平均磨耗发展速率的平均值为0.44(毫米/千万吨)和PG4淬火的各曲线平均磨耗发展速率的平均值为0.34(毫米/千万吨)。因此,检测人员可以直观发现:曲线半径为500m,材质为75N型曲线钢轨的磨耗速率最低,使用寿命更长。
在本申请实施例中,磨耗速率拟合模块,基于各曲线钢轨的累计通过总重和磨耗值,得到对应的平均磨耗发展速率,进而由预测模块根据磨耗影响因素,得到各曲线钢轨的磨耗对比结果。各曲线钢轨的磨耗对比结果,能够高效准确地为检测人员对钢轨选型选材提供科学依据,有助于实现钢轨保护。本系统中利用软件研究分析钢轨磨耗影响因素,可得出磨耗发展速率和影响磨耗的关键因素,包括恶化影响因素和修理改善影响因素等。
在一个实施例中,磨耗速率还包括磨耗发展速率;
磨耗速率拟合模块,用于根据曲线钢轨的通过总重数据和磨耗值进行非线性拟合,得到曲线钢轨的磨耗发展速率;
预测模块,用于根据磨耗发展速率、曲线钢轨的通过总重数据,得到曲线钢轨的预测磨耗值,根据预测磨耗值,得到曲线钢轨的磨耗伤损预测结果。
具体而言,磨耗速率还包括磨耗发展速率。各曲线钢轨在上线后其磨耗值会随着累计通过总重的变化而变化,磨耗发展速率能够反映曲线钢轨在不同累计通过总重下的磨耗规律。
磨耗速率拟合模块,将各曲线钢轨的多年/月/周的累计通过总重与对应的磨耗值进行多次非线性拟合得到非线性拟合公式,对该非线性拟合公式求导得到各曲线钢轨的磨耗发展速率与累计通过总重的关系式,进而代入单点的累计通过总重,得到对应的磨耗发展速率。示例性地,磨耗速率拟合模块,如图2所示,基于最小二乘法,对编号36曲线在第二次换轨后每月的磨耗值和累计通过总重进行三次非线性拟合,得到磨耗发展拟合线以及非线性拟合公式,再对该三次非线性拟合公式进行求导得到曲线钢轨的磨耗发展速率与累计通过总重的关系式,带入单点的累计通过总重可以得到该曲线钢轨在不同累计通过总重条件下的磨耗发展速率。磨耗速率拟合模块,基于曲线钢轨在过去一段时间内的磨耗值和累计通过总重数据,得到曲线钢轨的磨耗发展速率与累计通过总重的关系式,可用于预测未来曲线钢轨的磨耗发展趋势。
曲线伤损程度评判标准中规定,不同伤损程度对应的磨耗阈值(单位:mm)为:预警标准12~16mm、轻伤标准16~21mm、重伤标准≥21mm。
预测模块,根据过去一段时间曲线钢轨的磨耗发展速率和累计通过总重数据,得到曲线钢轨的各预测磨耗值,从而根据曲线伤损程度评判标准和各预测磨耗值,得到曲线钢轨的磨耗伤损预测结果,可将该磨耗伤损预测结果展示。该磨耗伤损预测展示结果中X轴为曲线钢轨的累计通过总重,Y轴为磨耗值,以曲线形式展该曲线钢轨的时间序列与曲线钢轨的磨耗伤损预测程度对应关系。
示例性地,以K140+264-K140+742曲线钢轨为例,曲线半径为600m,材质为PG4,如图3所示,预测模块,基于该曲线在两次换轨周期内的磨耗值、累计通过总重和磨耗发展速率,得到未来一段时间内当前曲线钢轨的累计通过总重,以及对应的预测磨耗值。基于曲线伤损程度评判标准,未来一段时间内的曲线钢轨的预测磨耗值,以图表形式展示该磨耗伤损预测结果,该图标中X轴为累计通过总重,Y轴为磨耗值,磨耗伤损预测结果以虚线表示,实际值以实线表示。同时,在图标中从上往下分别设置三条水平于X轴的示意线:重伤线、轻伤线以及预警线。预测模块,得到磨耗伤损预测结果并展示:该曲线将于2017年8月份达到轻伤,并将于2017年12月发展为重伤,提醒检测人员及时将发展为磨耗重伤的曲线钢轨下线。
在本申请实施例中,磨耗速率拟合模块,根据曲线钢轨的通过总重数据和磨耗值进行非线性拟合,得到该曲线钢轨在各累计通过总重条件下的磨耗发展速率。预测模块,根据曲线钢轨在过去一段时间内的累计通过总重数据和磨耗发展速率,得到未来一段时间内曲线钢轨的预测磨耗值和对应的磨耗伤损程度,从而得到曲线钢轨的磨耗伤损预测结果并展示。基于钢轨断面磨耗预测系统,能够实现对曲线钢轨磨耗发展趋势的预测,及时对曲线钢轨安全的预警,为钢轨修理、钢轨保护等决策提供科学依据。
在一个实施例中,如图4所示,钢轨断面磨耗预测系统,还包括预处理模块。
预处理模块用于:
根据台账信息,对原始磨耗数据进行分割,得到分割后的原始磨耗数据;台账信息包括曲线起始里程、曲线终止里程、曲线特征段起始里程、曲线特征段终止里程及曲线方向数据;
将各曲线钢轨分割后的原始磨耗数据按照曲线里程命名并保存成表格。
具体而言,台账信息包括每条曲线钢轨的基础信息,主要包括起始里程、终止里程、曲线方向、曲线编号曲线里程、缓和曲线长度、特殊段起始里程、特殊段终止里程、所属工队、曲线半径、曲线材料、曲线超高等。
原始磨耗数据,由综合检测车磨耗检测系统采集得到,可包括里程所在的整公里数、里程所在的米数、检测方向上的左股磨耗值、检测方向上的右股磨耗值等。
综合检测车磨耗检测数据按照一定的采集频率采集各段曲线钢轨的磨耗数据形成原始磨耗数据,每月的上行磨耗数据可达近百万条,若要分析曲线钢轨的磨耗情况,需要按照各曲线钢轨的起始里程将原始磨耗数据进行分割,现有的采用人工的方式去提取分析各曲线钢轨磨耗值,复杂耗时且效率较低,容易出现人工误差。一般性地,综合检测车磨耗检测系统以一米为间隔,数据采集频率为4次/米。
预处理模块,根据台账信息中的曲线起始里程、曲线终止里程、曲线特征段起始里程、曲线特征段终止里程及曲线方向数据,对原始磨耗数据进行分割归档,并将分割后每条曲线钢轨的曲线磨耗数据按照曲线里程段、年份、月份命名。例如,将某月分割后的所有曲线段数据按照里程段名称命名为K46+200-K48+330,将分割后的原始数据以Excel文件格式保存至同一路径下。
示例性地,如图5所示,数据预处理模块,根据需分割原始磨耗数据的日期,获取对应的原始磨耗数据,比较台账信息中各曲线钢轨的曲线起始里程和曲线终止里程与原始磨耗数据进行比较、切割出各曲线钢轨的曲线磨耗数据。
本申请实施例中,数据预处理模块,根据台账信息将原始磨耗数据进行分割,并按照一定的命名格式,自动地将分割后的每条曲线数据保存成表格输出,以便后续对各曲线钢轨的分析。根据检测人员输入的所述原始磨耗数据的年份、月份(例如,分割2017年5月的磨耗原始数据),选择原始数据的输入路径,数据预处理模块,将对应时间分割后的所有曲线段数据按照一定的命名格式,并以Excel文件格式保存到原输入路径下。
在一个实施例中,数据预处理模块还包括根据台账信息中的曲线特征段起始里程、曲线特征段终止里程,进行曲线特征段数据分割。曲线特征段数据分割,能够将钢轨的曲线与直线钢轨自动分割开,以便分别对曲线或直线钢轨的海量数据进行分析处理。
在一个实施例中,如图6所示,钢轨断面磨耗预测系统,还包括数据处理模块;
数据处理模块,用于根据分割后的原始磨耗数据,得到曲线钢轨磨耗数据;数据处理模块,还用于根据换轨周期数据,处理原始通过总重数据,得到通过总重数据。
具体而言,数据处理模块,采用磨耗特征地段平均法,根据分割后的原始磨耗数据,将各曲线钢轨在对应的特殊段起始里程至特殊段终止里程内的磨耗值取平均,将其平均值确定为该曲线钢轨的磨耗值。曲线钢轨的磨耗值是考察其是否达到规定伤损级别的重要因素。数据处理模块,能够根据综合检测车磨耗检测系统中的原始磨耗数据自动得到各曲线钢轨的磨耗值,提高海量数据处理效率。
数据处理模块,还用于根据换轨周期数据,在一次换轨周期内,根据原始通过总重数据中曲线钢轨在检测日期的通过总重数据与曲线钢轨上线当日的通过总重数据的差值,将其差值确定为该曲线钢轨的累计通过总重。其中,原始通过总重数据来自每日的调度日报。数据处理模块能够自动计算各曲线钢轨的累计通过总重,不需要依靠人工提取或分析各曲线钢轨的通过总重数据,有效避免人工误差。
现有的仅按照里程情况对每条曲线的磨耗数据进行罗列的方式,无法直观掌握磨耗伤损级别和发展趋势。同时,若利用Excel作图功能进行逐月磨耗考察,并不能灵活跨时间尺度对磨耗发展情况进行观察。
在一个实施例中,如图7所示,钢轨断面磨耗预测系统,还包括磨耗可视化模块;
磨耗可视化模块用于展示各曲线钢轨的曲线钢轨磨耗数据。
具体而言,磨耗可视化模块能够直观地展示各曲线钢轨在各年/月/周的磨耗值,从而检测人员直观跟踪钢轨曲线磨耗的发展情况,对曲线钢轨的磨耗伤损程度进行判断,提高钢轨磨耗分析效率。具体地,磨耗可视化模块,用于将某曲线钢轨在单个或多个、连续或不连续的年/月/周的曲线钢轨磨耗数据在二维图表中展示,其中,X轴为曲线里程,Y轴为曲线钢轨的磨耗值。同时,磨耗可视化模块,可将不同伤损程度磨耗标准值显示于图中,检测人员能够方便地观察曲线钢轨磨耗情况,了解各数据点的磨耗伤损情况。
示例性地,磨耗可视化模块展示2016年5,7,9,11月份,K49公里处的曲线磨耗发展情况,横坐标表示曲线里程,纵坐标表示磨耗值,将统计结果输出。检测人员可以看出在2016年5、7月份该曲线里程范围内磨耗值较低,整体曲线磨耗值较为平缓,随着月份的增加,累计通过总重的不断加大,整体磨耗呈现明显的上升,部分地段如K49+430-K49+600磨耗值已超过轻伤线,需重点对该地段予以关注。磨耗可视化模块,能够灵活地展示各曲线钢轨在各年/月/周的磨耗值,因此,检测人员直观掌握曲线钢轨的磨耗伤损级别和发展趋势。
在一个实施例中,如图8所示,钢轨断面磨耗预测系统,还包括伤损智能统计模块;
伤损智能统计模块,用于根据曲线伤损程度评判标准判断曲线钢轨磨耗数据,得到各磨耗伤损程度的曲线钢轨数目和对应的曲线里程;
磨耗可视化模块,还用于展示各磨耗伤损程度的曲线钢轨数目和对应的曲线里程。
具体而言,在需要统计曲线伤损情况的年份和/或月份,伤损智能统计模块,根据各曲线钢轨的磨耗值和曲线伤损程度评判标准,统计不同伤损程度的曲线钢轨数目以及对应的伤损程度的曲线里程。具体地,伤损智能统计模块,采用预设的统计判断算法,得到磨耗伤损程度对应的曲线线路数目和所述曲线里程,将得到的不同磨耗伤损情况的曲线数目和曲线里程保存成表格输出。如图9所示,伤损智能统计模块中预设的统计判断算法包括以下步骤:
1)确定曲线钢轨的磨耗值的最大值;
2)判断磨耗最大值周围磨耗值与磨耗最大值的差值是否符合阈值;
若是,则根据该曲线钢轨的磨耗最大值与曲线伤损程度评判标准中各伤损程度的磨耗阈值进行比较,确定该曲线钢轨的磨耗伤损程度;其中,预警阈值为12mm,磨耗轻伤阈值为16mm,磨耗重伤阈值为21mm;
若否,将所述磨耗最大值置零,重新确定该曲线钢轨的磨耗最大值,进而确定磨耗伤损程度。
3)重复上述步骤,统计选取时间段内各磨耗伤损程度对应的曲线线路数目和对应的曲线里程。
磨耗可视化模块,可将不同磨耗伤损情况的曲线条数以及对应的曲线里程进行展示,对多条曲线钢轨的伤损情况进行统计量化,能够直观观察选取时间段内各曲线钢轨的整体伤损情况,提高曲线磨耗伤损情况分析效率。
本申请实施例中,伤损智能统计模块根据数据处理模块得到的各曲线钢轨的磨耗值,根据曲线伤损程度评判标准统计选取时间段内各磨耗伤损程度的曲线钢轨数目和对应的曲线里程,进而可展示不同伤损情况的曲线条数和对应的曲线里程,无需单独对单条曲线钢轨的磨耗情况进行作图分析,有效提高分析效率,使分析过程更具有针对性。伤损智能统计模块,根据根据需统计曲线伤损情况的年份和/或月份,输出不同磨耗伤损情况的曲线条数以及对应的曲线里程统计表。
在一个实施例中,如图10所示,钢轨断面磨耗预测系统,还包括登录模块,用于验证用户使用权限。在通过验证后,用于可通过钢轨断面磨耗预测系统进行海量磨耗数据的分析处理。登陆模块,能够对系统的数据交换、存储和访问等采取有效安全措施,防止数据被破坏、丢失,保证系统的安全性、可靠性和稳定性。示例性地,输入账号admin和输入密码admin,在通过验证后,检测人员点击登陆按钮便可以进入钢轨断面磨耗预测系统主界面。
在一个实施例中,钢轨断面磨耗预测系统,还包括数据导入模块;
数据导入模块,用于将各曲线钢轨的换轨周期数据、通过总重数据和曲线钢轨磨耗数据导入数据库;
磨耗速率拟合模块,根据数据库中的曲线钢轨的换轨周期数据、通过总重数据和曲线钢轨磨耗数据进行拟合处理得到各曲线钢轨的磨耗速率。
具体而言,随着综合检测车每月检测的磨耗数据不断增加,对数据的安全可靠性管理也需要随之增强。本申请实施例利用数据库技术解决对海量数据的管理。由于涉及的数据相当大,同时涉及的表也比较多,人工逐条导入数据很繁琐也很耗时,数据库是依靠结构性查询语言对各种数据进行导入,通过数据导入模块将数据导入的过程实现自动化。
示例性地,可按以下步骤,逐月进行导入换轨周期数据、曲线钢轨磨耗数据和通过总重数据三部分数据:
1.填写换轨的年份和月份,点击“计算并向数据库导入换轨数据”按钮,会弹出计算后的Excel表格,确认无误后关闭表格,数据会自动导入数据库,成功导入换轨周期数据后会在文本框中显示“导入成功”字样。
2.填写磨耗数据日期的年份和月份,点击“计算并向数据库导入磨耗数据”按钮,成功导入磨耗数据后会在文本框中显示“导入成功”字样。
3.填写通过总重数据日期的年份和月份,点击“计算输入月份的通过总重”按钮便利用调度日报中的数据进行通过总重计算。
4.点击“打开输入月份的通过总重”按钮,会将计算结果以Excel表格的形式进行展示。
5.点击“选择数据文件”按钮,选择生成的通过总重文件。之后点击“通过总重导入数据库”按钮,成功导入通过总重数据后会在文本框中显示“导入成功”字样。
在一个实施例中,钢轨断面磨耗预测系统,还包括关联查询模块;关联查询模块,用于关联数据库中的曲线钢轨磨耗数据、换轨周期数据和通过总重数据,形成关联查询结果。
由于各曲线钢轨的半径、材质、超高等属性不同,若要通过关联查询信息来研究不同因素与钢轨磨耗发展速率的关系,就必须将不同属性信息进行整理汇总。关联查询模块,将大量、长期的钢轨磨耗检测数据,与钢轨铺设和线路基础台账数据、换轨周期数据以及通过总重数据等数据关联,建立钢轨磨耗综合数据库,便于海量磨耗数据高效梳理、分析。
表1台账表字段含义
表2磨耗表字段含义
表3换轨表字段含义
表4通过总重表字段含义
如图11所示,钢轨断面磨耗数据管理信息系统中的关联查询模块,台账信息、曲线钢轨磨耗数据、换轨周期数据和通过总重数据根据关键词进行关联。关联查询模块,将数据库中的数据进行关联查询能够对数据间关联的信息加以利用,充分体现出数据的价值。
关联查询模块,根据接收到的关联查询命令,按照关联查询命令中关键词关联数据库中的曲线钢轨磨耗数据、换轨周期数据和通过总重数据,查询出关联查询相应的数据,并根据关键词搜索换轨周期数据、通过总重数据和曲线钢轨磨耗数据中对应的数据形成关联查询结果,关联查询过程快速高效,能够从海量磨耗数据中及时发现曲线钢轨磨耗情况,实现钢轨原始磨耗数据的快速梳理、分析。其中,搜索关键词可为检测日期范围、曲线里程、材质、超高、曲线半径、单位、换轨次数等。关联查询结果包括曲线编号、曲线里程、检测日期、换轨次数、材质、超高、曲线半径、所属单位、磨耗值、累计通过总重等。
在一个实施例中,钢轨断面磨耗预测系统采用CS桌面级开发架构,开发技术采用客户端Qt、数据库Oracle和后台Python三大技术。
具体而言,运行部分均部署在客户端,方便数据调取处理。客户端负责和用户进行操作交互,数据服务器负责将检测处理后的数据进行仓储管理,后台处理程序负责对数据进行逻辑处理,同时针对客户端不同的操作调用不同的运行程序,并将一部分处理后的结果返回到客户端,展示给用户。具体地,客户端可采用集成的Android、Web或Linux平台的Qt;数据库采用Oracle数据库,用于存储换轨周期数据、通过总重数据和曲线钢轨磨耗数据等,并存储关联后的曲线钢轨磨耗数据、换轨周期数据和通过总重数据;后台采用Python进行数据数据。
本申请选用Qt软件对客户端进行设计开发。Qt是一个多平台的图形用户界面应用程序开发框架。是完全面向对象的易扩展且允许组建编程的前台界面开发工具。目前相当多CS软件采用此工具进行前台开发。其开发优势包括:1.具有非常好的可移植性(Portable)。Qt不只是可以在Linux中运行,也同样可以运行在MicrosoftWindows、MacOSX等多种不同的平台中。这也意味者,利用Qt编写出来的应用程序,在几乎不用修改的情况下,就可以同时在多种平台中运行。Qt的应用非常之广泛,从Linux到Windows,从x86到Embedded等都有大量Qt应用的成功范例。2.开源软件(OpenSource)。Qt产品提供的是采用双重授权的软件许可模式。在该双重授权模式下,Qt产品不仅可在获得商业许可下针对专利软件开发,而且还可以在GPL下用于开发免费和开源软件。3.Qt架构健壮、性能强大(powerful)。Qt已由成千上万商业与开放源应用程序员,在多个操作系统与编译器上进行了测试,奠定了高性能应用程序的基础。此外,Qt运行时无需依赖“虚拟器”,模拟层或大容量的运行时间环境。它如本地化的应用程序一样,能够直接写入低级的图形函数,因而使用Qt开发的应用程序能以源代码速度执行。4.使用起来简便高效。Qt统一的跨平台API让程序员们集中精力致力于可增值的技术革新,而无须担心维护和管理现有应用程序多版本的基础结构与界面。
本申请选用Oracle数据库作为数据仓储,进行数据的增删改查。ORACLE数据库系统是美国ORACLE公司(甲骨文)提供的以分布式数据库为核心的一组软件产品,是目前最流行的客户/服务器(CLIENT/SERVER)或B/S体系结构的数据库之一。ORACLE数据库是目前世界上使用最为广泛的数据管理系统,作为一个通用的数据库系统,它具有完整的数据管理功能;作为一个关系数据库,它是一个完备关系的产品;作为分布式数据库它实现了分布式处理功能。但它的所有知识,只要在一种机型上学习了ORACLE知识,便能在各种类型的机器上使用它。
Oracle数据库的优点如下:
优点一:ORACLE7.X以来引入了共享SQL和多线索服务器体系结构。这减少了ORACLE的资源占用,并增强了ORACLE的能力,使之在低档软硬件平台上用较少的资源就可以支持更多的用户,而在高档平台上可以支持成百上千个用户。
优点二:提供了基于角色(ROLE)分工的安全保密管理。在数据库管理功能、完整性检查、安全性、一致性方面都有良好的表现。
优点三:支持大量多媒体数据,如二进制图形、声音、动画以及多维数据结构等。
优点四:能在C,C++等主语言中嵌入SQL语句及过程化(PL/SQL)语句,对数据库中的数据进行操纵。加上它有许多优秀的前台开发工具如POWERBUILD、SQL*FORMS、VISIABASIC等,可以快速开发生成基于客户端PC平台的应用程序,并具有良好的移植性。
本申请选用大数据时代最常用的Python语言进行后台逻辑运算程序开发。Python语言是一种面向对象的高级程序语言,而且具有极强的跨平台性。该语言稳定成熟,是目前大数据运用领域使用范围最广,处理海量数据最便捷最高效的编程语言。因此选择使用此语言编写软件的后台逻辑部分。
Python语言相比较其他编程语言有许多优点:1)Python编程提供了更多的可伸缩性:从桌面应用程序和web应用程序到网站系统管理,python可以用于不同的行业和不同的目的。2)Python可以减少有效缩短开发周期。尽管python程序通常比Java程序运行速度慢一些,但是它需要较少的时间就可以开发和创造。Python程序通常比Java程序短4-5倍,这使得它非常适合于迅速达到开发。3)Python是开源免费的:像PHP、Java也是一个开源的编程语言,因此是免费使用的。开放源码许可允许不受阻碍的使用、改造和再分配代码的商业或个人。此外,它还有助于减少前期项目成本。4)Python的可重用性强,并且鼓励语言程序中多次利用已有的程序模块和包。Python提供了一个广泛范围的模块和包,作为标准Python库提供,并且还有一个广泛的第三方库提供Python编程使它更为方便和容易使用。在完成某相同任务的前提下,Python语言编程可以比其他语言需要更少的代码,进而增加生产效率且降低时间精力的消耗。
本申请实施例中,钢轨断面磨耗预测系统采用CS桌面级开发架构,开发技术采用客户端Qt、数据库Oracle和后台Python三大技术,能够提高对数据的处理效率,对数据的判断实现可视化,并对处理后的磨耗数据进行二次分析。本系统能够为重载铁路钢轨断面磨耗数据分析提供便捷途径。利用此系统可以实现钢轨磨耗检测数据管理的系统化和数据统计分析的高效化,并对曲线钢轨磨耗进行跟踪考察和磨耗发展预测将显著提升钢轨运营维护状况和安全管理信息化技术水平,并能全面掌控钢轨磨耗状态,从而可以为钢轨修理、钢轨保护等决策提供科学依据。同时,利用本系统得到的累计通过总重与磨耗发展关系数据可以为建立曲线钢轨磨耗发展物理模型提供科学支撑和设计思路。
在一个实施例中,如图12所示,提供了一种钢轨断面磨耗预测方法,包括:
步骤S100、获取各曲线钢轨的磨耗速率;曲线钢轨的磨耗速率为根据曲线钢轨的换轨周期数据、通过总重数据和曲线钢轨磨耗数据进行拟合处理得到;曲线钢轨磨耗数据包括曲线钢轨的磨耗值;通过总重数据包括曲线钢轨的累计通过总重;
步骤S200、根据获取到的磨耗影响因素、各曲线钢轨的磨耗速率,得到并展示各曲线钢轨的磨耗对比结果,以及曲线钢轨的磨耗伤损预测结果。
具体而言,钢轨断面磨耗预测方法,基于海量的曲线钢轨的换轨周期数据、通过总重数据和曲线钢轨磨耗数据得到各曲线钢轨的磨耗速率,进而根据获取到的磨耗影响因素和各曲线钢轨的磨耗速率,分析影响钢轨寿命的各磨耗影响因素与钢轨寿命的关系,为钢轨选材选型提供参考,同时,能够预测曲线钢轨磨耗趋势,根据得到的各曲线钢轨的磨耗伤损预测结果,实现曲线钢轨寿命管理,确保铁路运行的安全性和可靠性。
应该注意的是,钢轨断面磨耗预测系统的各模块的功能可对应为钢轨断面磨耗预测方法中的步骤,此处不重复赘述;关于钢轨断面磨耗预测方法还可包括的步骤,及其具体限定可以参见上文中对于钢轨断面磨耗预测系统的限定,此处不再赘述。
应该理解的是,虽然图11的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图11中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些子步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是终端,其内部结构图可以如图13所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种钢轨断面磨耗预测方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏,该计算机设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解,图13中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现以下步骤:
步骤S100、获取各曲线钢轨的磨耗速率;曲线钢轨的磨耗速率为根据曲线钢轨的换轨周期数据、通过总重数据和曲线钢轨磨耗数据进行拟合处理得到;曲线钢轨磨耗数据包括曲线钢轨的磨耗值;通过总重数据包括曲线钢轨的累计通过总重;
步骤S200、根据获取到的磨耗影响因素、各曲线钢轨的磨耗速率,得到并展示各曲线钢轨的磨耗对比结果,以及曲线钢轨的磨耗伤损预测结果。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:
步骤S100、获取各曲线钢轨的磨耗速率;曲线钢轨的磨耗速率为根据曲线钢轨的换轨周期数据、通过总重数据和曲线钢轨磨耗数据进行拟合处理得到;曲线钢轨磨耗数据包括曲线钢轨的磨耗值;通过总重数据包括曲线钢轨的累计通过总重;
步骤S200、根据获取到的磨耗影响因素、各曲线钢轨的磨耗速率,得到并展示各曲线钢轨的磨耗对比结果,以及曲线钢轨的磨耗伤损预测结果。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线式动态随机存储器(Rambus DRAM,简称RDRAM)以及接口动态随机存储器(DRDRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (11)
1.一种钢轨断面磨耗预测系统,其特征在于,包括:
磨耗速率拟合模块,用于获取各曲线钢轨的磨耗速率;所述曲线钢轨的磨耗速率为根据所述曲线钢轨的换轨周期数据、通过总重数据和曲线钢轨磨耗数据进行拟合处理得到;所述曲线钢轨磨耗数据包括所述曲线钢轨的磨耗值;所述通过总重数据包括所述曲线钢轨的累计通过总重;
预测模块,用于根据获取到的磨耗影响因素、各所述曲线钢轨的磨耗速率,得到各所述曲线钢轨的磨耗对比结果,以及所述曲线钢轨的磨耗伤损预测结果。
2.根据权利要求1所述的钢轨断面磨耗预测系统,其特征在于,所述磨耗速率包括平均磨耗发展速率;
所述磨耗速率拟合模块,用于根据所述曲线钢轨的累计通过总重和所述曲线钢轨的磨耗值进行线性拟合,得到所述曲线钢轨的平均磨耗发展速率;
所述预测模块,用于根据所述磨耗影响因素,对比各所述曲线钢轨的平均磨耗发展速率,得到所述曲线钢轨的磨耗对比结果。
3.根据权利要求2所述的钢轨断面磨耗预测系统,其特征在于,所述磨耗速率还包括磨耗发展速率;
所述磨耗速率拟合模块,用于根据所述曲线钢轨的通过总重数据和所述磨耗值进行非线性拟合,得到所述曲线钢轨的磨耗发展速率;
所述预测模块,用于根据所述磨耗发展速率、所述曲线钢轨的通过总重数据,得到所述曲线钢轨的预测磨耗值,根据所述预测磨耗值,得到所述曲线钢轨的磨耗伤损预测结果。
4.根据权利要求1所述的钢轨断面磨耗预测系统,其特征在于,还包括预处理模块;
所述预处理模块用于:
根据台账信息,对原始磨耗数据进行分割,得到分割后的原始磨耗数据;所述台账信息包括曲线起始里程、曲线终止里程、曲线特征段起始里程、曲线特征段终止里程及曲线方向数据;
将各所述曲线钢轨分割后的原始磨耗数据按照曲线里程命名并保存成表格。
5.根据权利要求4所述的钢轨断面磨耗预测系统,其特征在于,还包括数据处理模块;
数据处理模块,用于根据所述分割后的原始磨耗数据,得到所述曲线钢轨磨耗数据;所述数据处理模块,还用于根据所述换轨周期数据,处理原始通过总重数据,得到所述通过总重数据。
6.根据权利要求1所述的钢轨断面磨耗预测系统,其特征在于,还包括磨耗可视化模块;
所述磨耗可视化模块用于展示各所述曲线钢轨的曲线钢轨磨耗数据。
7.根据权利要求5所述钢轨断面磨耗预测系统,其特征在于,还包括伤损智能统计模块;
所述伤损智能统计模块,用于根据曲线伤损程度评判标准判断所述曲线钢轨磨耗数据,得到各磨耗伤损程度的曲线钢轨数目和对应的曲线里程;
所述磨耗可视化模块,还用于展示各所述磨耗伤损程度的曲线钢轨数目和所述对应的曲线里程。
8.根据权利要求1至6任意一项所述的钢轨断面磨耗预测系统,其特征在于,还包括登录模块,用于验证用户使用权限。
9.一种钢轨断面磨耗预测方法,其特征在于,包括:
获取各曲线钢轨的磨耗速率;所述曲线钢轨的磨耗速率为根据所述曲线钢轨的换轨周期数据、通过总重数据和曲线钢轨磨耗数据进行拟合处理得到;所述曲线钢轨磨耗数据包括所述曲线钢轨的磨耗值;所述通过总重数据包括所述曲线钢轨的累计通过总重;
根据获取到的磨耗影响因素、各所述曲线钢轨的磨耗速率,得到并展示各所述曲线钢轨的磨耗对比结果,以及所述曲线钢轨的磨耗伤损预测结果。
10.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求8所述的钢轨断面磨耗预测方法的步骤。
11.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求8所述钢轨断面磨耗预测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010128681.5A CN111291498A (zh) | 2020-02-28 | 2020-02-28 | 钢轨断面磨耗预测系统、方法、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010128681.5A CN111291498A (zh) | 2020-02-28 | 2020-02-28 | 钢轨断面磨耗预测系统、方法、计算机设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111291498A true CN111291498A (zh) | 2020-06-16 |
Family
ID=71027973
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010128681.5A Pending CN111291498A (zh) | 2020-02-28 | 2020-02-28 | 钢轨断面磨耗预测系统、方法、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111291498A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112501965A (zh) * | 2020-11-07 | 2021-03-16 | 西南交通大学 | 一种铁路钢轨波浪形磨耗的控制方法 |
CN112776851A (zh) * | 2021-01-21 | 2021-05-11 | 东莞先知大数据有限公司 | 一种钢轨状态监测方法及监测设备 |
CN114383502A (zh) * | 2021-12-29 | 2022-04-22 | 国能铁路装备有限责任公司 | 转向架的配件磨耗量测量方法、装置和测量设备 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN109813620A (zh) * | 2018-12-28 | 2019-05-28 | 中国铁路总公司 | 确定铁路道岔钢轨磨耗的方法及装置、存储介质 |
CN110175422A (zh) * | 2019-05-31 | 2019-08-27 | 梁帆 | 一种基于数据挖掘的多周期钢轨伤损趋势预测方法 |
CN110363403A (zh) * | 2019-06-27 | 2019-10-22 | 中国铁道科学研究院集团有限公司 | 铁路钢轨损伤预测方法及装置 |
CN110377986A (zh) * | 2019-07-03 | 2019-10-25 | 北京交通大学 | 地铁小半径曲线外轨侧磨预测方法 |
CN110377607A (zh) * | 2019-07-24 | 2019-10-25 | 山东麦港数据系统有限公司 | 一种钢轨数据精度优化方法与系统 |
-
2020
- 2020-02-28 CN CN202010128681.5A patent/CN111291498A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN109813620A (zh) * | 2018-12-28 | 2019-05-28 | 中国铁路总公司 | 确定铁路道岔钢轨磨耗的方法及装置、存储介质 |
CN110175422A (zh) * | 2019-05-31 | 2019-08-27 | 梁帆 | 一种基于数据挖掘的多周期钢轨伤损趋势预测方法 |
CN110363403A (zh) * | 2019-06-27 | 2019-10-22 | 中国铁道科学研究院集团有限公司 | 铁路钢轨损伤预测方法及装置 |
CN110377986A (zh) * | 2019-07-03 | 2019-10-25 | 北京交通大学 | 地铁小半径曲线外轨侧磨预测方法 |
CN110377607A (zh) * | 2019-07-24 | 2019-10-25 | 山东麦港数据系统有限公司 | 一种钢轨数据精度优化方法与系统 |
Non-Patent Citations (2)
Title |
---|
孙新忠;: "钢轨磨耗数据检测采集分析处理系统研制及应用" * |
高长宇: "曲线钢轨侧面磨耗的形成机理及减缓措施" * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112501965A (zh) * | 2020-11-07 | 2021-03-16 | 西南交通大学 | 一种铁路钢轨波浪形磨耗的控制方法 |
CN112776851A (zh) * | 2021-01-21 | 2021-05-11 | 东莞先知大数据有限公司 | 一种钢轨状态监测方法及监测设备 |
CN112776851B (zh) * | 2021-01-21 | 2022-03-08 | 东莞先知大数据有限公司 | 一种钢轨状态监测方法及监测设备 |
CN114383502A (zh) * | 2021-12-29 | 2022-04-22 | 国能铁路装备有限责任公司 | 转向架的配件磨耗量测量方法、装置和测量设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Shao et al. | Evaluating the eco-efficiency of China's industrial sectors: A two-stage network data envelopment analysis | |
CN111291498A (zh) | 钢轨断面磨耗预测系统、方法、计算机设备和存储介质 | |
Huang et al. | Predicting BIM labor cost with random forest and simple linear regression | |
Owolabi et al. | Predicting completion risk in PPP projects using big data analytics | |
Chou et al. | Establishing expert system for prediction based on the project-oriented data warehouse | |
Tang et al. | A framework for making maintenance decisions for oil and gas drilling and production equipment | |
CN105069542A (zh) | 一种责任成本预算编制方法及系统 | |
Mouras et al. | Survey of the risk management methods, techniques and software used most frequently in occupational health and safety | |
Grasso et al. | Risk analysis-driven design in tunnelling: the state-of-the-art, learnt from past experiences, and horizon for future development | |
Gajdzik et al. | Forecasting-Scenario-Heuristic method proposal for assessment of feasibility of steel production scenarios in Poland—Managerial implications for production engineering | |
Nezhadshahmohammad et al. | Presentation of a multi-index clustering technique for the mathematical programming of block-cave scheduling | |
Wu et al. | FANPCE technique for risk assessment on subway station construction | |
CN106682072A (zh) | 一种基于知识管理的数字档案馆中的数据挖掘方法 | |
Xu et al. | Risk assessment of coal mine gas explosion based on cloud integrated similarity and fuzzy DEMATEL | |
US20190228482A1 (en) | Procedure and system for the optimization of the excavation process of an underground work, for the minimization of the risks induced on interfered works | |
Valli et al. | Genetic algorithm based equipment selection method for construction project using MATLAB tool | |
CN111309736A (zh) | 钢轨断面磨耗数据管理系统、方法、设备以及存储介质 | |
Hannouf et al. | From social hotspots to policies for successful implementation of environmentally better technologies? The example of social life cycle assessment of oil and gas technologies in Alberta, Canada | |
Shijun | Risk management and countering measurements by computer modeling and simulation technology in the approval and early preparation stages of a large international project | |
Diedrich | Framework for digitalized proactive supply chain risk management | |
Doig et al. | Improvements in truck requirement estimations using detailed haulage analysis | |
Nassar | Application of data-mining to state transportation agencies projects databases | |
Moghadami et al. | Development of a risk-based methodology for rock slope analysis | |
Wolff et al. | Development and demonstration of an uncertainty management methodology for life cycle assessment in a tiered-hybrid case study of an Irish apartment development | |
Oleynikov et al. | Factor Analysis of Basic Production |
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 |