CN111623796A - 一种基于信息融合的钢轨里程估计方法 - Google Patents

Abstract

本发明涉及轨道交通及钢轨探伤领域，公开了一种基于信息融合的钢轨里程估计方法，通过以下步骤实现对钢轨廓形的检测：S1，采集里程计数据；S2，采集GPS数据并将其转化为里程数据；S3，利用卡尔曼滤波分别对里程计测量数据和GPS里程数据建模；S4，利用卡尔曼滤波进行数据融合并获得位置信息。本发明通过智能算法的运用实现对钢轨探伤里程位置信息的实时智能检测，完成探伤里程数据采集，实现伤损定位，提高探伤工作的实时性和准确度，避免重复探伤浪费人力资源和降低作业效率，更好地估测钢轨伤损部位的里程数，为铁道的安全防护和运营安全提供有效信息。

Description

一种基于信息融合的钢轨里程估计方法

技术领域

本发明涉及轨道交通及钢轨探伤领域，具体涉及一种基于信息融合的钢轨里程估计方法。

背景技术

近年，中国轨道交通发展迅速，截止至2018年末，全国铁路营业总里程达到13.1万公里以上，较1949年增长5倍，而钢轨站点的联结、分布作为钢轨里程的延展，全国铁路营业里程的大幅增加也意味着铁道钢轨探伤工作量的剧增，因此钢轨里程定位和记录的准确度也极大影响着后期伤损复核、钢轨换修的准确性和有效性。

钢轨探伤车是一种对铁路行业在役钢轨进行伤损检测的养路设备，除了探伤、判伤功能，还需对采集到的伤损数据进行里程标记，便于工务处对相应的伤损进行复核，再根据实际情况对该路段进行维护。然而，探伤工作任务繁重，探伤作业循环往复，伤损复查排除工作繁琐复杂，探伤分析依赖人力效率低下，为了避免进行探伤作业时数据延时导致里程重复、探伤二次回放分析时伤损定位不准不利于复查排除工作，亟需利用现代化、智能化、信息化的技术手段升级探伤设备，使其兼具里程计功能并更准确和快速地记录探伤里程信号、输出位置信息，确定轨道伤损的线路里程，以便后期伤损复核和钢轨换修。

然而，由于现场探伤时，探伤设备在上下道移动出现的偏差、探伤设备的超声传感器安装位置可能存有的偏移、人力移动摆放的随机误差以及GPS数据输出时的系统误差，或者检测小车行驶过程中由于振动使得超声传感器获得的图像角度失误等等，都有可能导致里程计测量得到的里程数据对应GPS转化得到的里程数据显示延时和不准。

因此，想要高效地将GPS转化得到的里程数据和里程计数据综合应用到探伤设备中，亟需快速、精确的数据采集、设备标定以及状态融合。基于此，本发明提出将已集成到ArcGIS数据库的GPS数据转化为里程数据，再连同里程计数据通过卡尔曼滤波器进行信息融合，利用目标的动态信息，构建模型过滤噪声去除影响，目的是为了得到一个关于目标位置的好的估计。

卡尔曼滤波是一种最优估计方法，基本原理是利用系统模型和观测模型的统计特性，根据各测量在不同时间下的值，考虑各时间下的联合分布，再产生对未知变数的估计，递推得到最优融合数据，因此会比只以单一测量为基础的估计方式要准。

此外，本发明的智能算法是迭代的，可以在实时控制系统中执行，只需要目前的输入量测、以往的计算值以及其不确定性矩阵，不需要其他以往的资讯。而使用卡尔曼滤波不需要假设误差是正态分布，不过若所有的误差都是正态分布，卡尔曼滤波可以得到正确的条件几率估计。

发明内容

一种基于信息融合的钢轨里程估计方法，其特征在于里程计测量得到的里程数据和由GPS 转化得到的里程数据通过卡尔曼滤波算法进行融合处理，其处理流程：

S1，采集里程计数据；

S2，采集GPS数据并将其转化为里程数据；

S3，利用卡尔曼滤波分别对里程计测量数据和GPS里程数据建模；

S4，利用卡尔曼滤波进行数据融合并获得位置信息。

根据权利要求1，一种基于信息融合的钢轨里程估计方法，其特征在于S1采集里程计数据。里程计是一种利用从移动传感器获得的数据来估计物体位置随时间的变化而改变的方法，该方法被用在许多种机器人系统(轮式或者腿式)上面，来估计(非确定)这些机器人相对于初始位置移动的距离。

根据权利要求1，一种基于信息融合的钢轨里程估计方法，其特征在于S2采集GPS数据并将其转化为里程数据，GPS可以提供被定位目标的载体定位和导航跟踪功能，将传感器采集到的GPS 数据集合到Arcgis数据库，GPS数据转换为里程数据步骤如下：

S21，GPS的输出为经纬度坐标，将经纬度坐标转化为空间投影坐标系。

经纬度分别为(φ(N),λ(E))，单位为弧度，空间投影坐标系坐标为(E,N)，单位为m：

(int为取整函数)

A＝(λ-λ₀)cosφλ₀＝(zone-1)×6-180+3(degree

其中,T＝tan²φ,

k₀＝0.996,E₀＝500km,e＝0.0818192,N₀

＝0km(北半球)or 10000km(南半球

S22，将GPS在空间投影坐标下的坐标{(x_n,y_n)},根据公式：

得到GPS里程增量数据{l_n}

S23，根据GPS数据的起点经纬度(φ(N),λ(E))结合铁路信息得到钢轨的起始里程X_start根据公式：

里程的起点

里程的终点

得到GPS的里程数据{(Rs_n,Re_n)}。

根据权利要求1，一种基于信息融合的钢轨里程估计方法，其特征在于S3利用卡尔曼滤波分别对里程计测量数据和GPS里程数据建模。卡尔曼滤波(Kalman filter)是一种高效率的递归滤波器(自回归滤波器)，它能够从一系列的不完全及包含噪声的测量中，估计动态系统的状态。其估计步骤如下：

S31，观察是否假设误差是正态分布。使用卡尔曼滤波不需要假设误差是正态分布，但值得注意的是，若所有的误差都是正态分布，卡尔曼滤波可以得到正确的条件几率估计。

S32，建立模型估计被观察过程的内部状态。为了从一系列有噪声的观察数据中用卡尔曼滤波器估计出被观察过程的内部状态，必须把这个过程置于卡尔曼滤波的框架下建立模型。其建立步骤是：

S321，对于每一步k，定义矩阵F_k,H_k,Q_k,R_k，有时也需要定义B_k。

S322，假设k时刻的真实状态是从(k-1)时刻的状态演化而来，符合下式：

X_k＝F_kX_k+B_kU_k+W_k

其中：

·F_k是作用在x_k-1上的状态变换模型(/矩阵/矢量)；

·B_k是作用在控制器向量u_k上的输入－控制模型；

·w_k是过程噪声，并假定其符合均值为零，协方差矩阵为Q_k的多元正态分布。

w_k～N(0,Q_k)

S323，时刻K,对真实状态x_k的一个测量z_k满足下式：

z_k＝H_kx_k+v_k

其中H_k是观测模型，它把真实状态空间映射成观测空间，v_k是观测噪声，其均值为零，协方差矩阵为R_k，且服从正态分布。

v_k～N(0,R_k)

初始状态以及每一时刻的噪声{x₀,w₁,...,w_k,v₁,...,v_k}都认为是互相独立的。

最终得到里程计测量数据{x_n}和GPS转化而来的里程增量数据{y_n}。

x_k+1＝A_xx_k+B_xu_k

其中u_k,

分别为里程计数据{x_n}和GPS转化而来的里程数据{y_n}的误差。

{u_k}来源于使用里程计测量时的由于不可测因素导致的随机误差，这类误差的方差较小但是存在明显的峰值导致均值偏大。

是由GPS数据本身受卫星本身、传播途径和接受装置影响而产生的系统误差，这类误差相较里程计的测量误差而言，方差较大但均值较小。在里程计测量误差的峰值附近GPS里程数据比里程计测量数据更加准确，其他区域里程计的测量结果比GPS里程数据更加准确，通过卡尔曼滤波融合得到误差最小的里程数据。

根据权利要求1，一种基于信息融合的钢轨里程估计方法，其特征在于S4利用卡尔曼滤波进行数据融合并获得位置信息。将线路整体按预先设置好的里程进行分割，对分割后的每一段铁路通过卡尔曼滤波将建立的里程计测量数据{x_n}和GPS转化而来的里程增量数据{y_n}进行数据融合得到确定每一段铁路位置误差最小的里程增量数据，在根据公式得到确定每一段铁路位置误差最小的里程数据。卡尔曼滤波融合通过围绕滤波值将非线性函数展开成泰勒级数并略去二阶及以上的阶数项，得到一个近似的线性化模型，然后应用卡尔曼滤波完成状态估计。主要步骤如下：

S41，根据得到的数据列出非线性状态方程及观测方程：

x_k+1＝A_xx_k+B_xu_k

z(x,y)|_k＝f(x,y)|_k+v_k

其中u_k,

分别为里程计数据{x_n}和GPS转化而来的里程数据{y_n}的误差。

S42，根据状态方程和观测方程，计算状态转移矩阵Φ阵和观测矩阵H阵:

S43，预测计算:

S431，计算状态变量X:

S432，计算误差协方差P：

更新计算：

S433，计算卡尔曼增益K：

S434，根据观测量更新估计：

X_k+1|k+1＝X_k+1|k+K_k+1[z_k+1-f(x,y)|_k+1|k]

S435，更新误差协方差：

P_k+1＝[I-K_k+1H_k+1]P_k+1|k

S44，迭代S43预测和更新两个步骤，得到完整的里程增量数据。

S45,将里程增量数据{z_n}代入公式得到完整的里程数据

里程的起点

里程的终点

其中X_start为该段铁路里程的起点。

本发明的有益效果

本发明通过利用利用卡尔曼滤波自适应信息融合方法对里程计数据和GPS里程数据两者进行预处理，更为快速、准确地进行数据采集、设备标定，能够解决里程计和GPS定位在不同环境下误差大、可靠性低的问题，实现GPS里程数据和里程计数据在探伤设备中高效的综合应用。

本发明综合了里程计直接测量时因为设备人力安置、移动等容易产生的随机误差，以及 GPS数据在ArcGIS数据库组建时的系统误差，利用卡尔曼滤波器进行分段融合、互补，对应里程计数据进行校准，从而得到更为准确的实际里程，弥补原先里程估计的缺陷。

本发明通过智能算法的运用实现对钢轨探伤里程位置信息的实时智能检测，完成探伤里程数据采集，实现伤损定位，提高探伤工作的实时性和准确度，避免重复探伤浪费人力资源和降低作业效率，更好地估测钢轨伤损部位的里程数，为铁道的安全防护和运营安全提供有效信息。

附图说明

图1是算法流程图；

图2是里程计数据和GPS里程数据自身软件算法预处理过程；

图3是卡尔曼滤波器的模型(圆圈代表向量，方块代表矩阵，星号代表高斯噪声，其协方差矩阵在右下方标出)；

图4是GPS数据示例；

图5是转化得出的里程数据(约100m进行分割的增量数据，单位m)；

图6每100M里程增量的误差随实际里程变化图像；

图7是与实际里程差值的方差。

图8是里程对比表。

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。

S1，采集里程计数据作为原始数据采用。

S2，将采集到的GPS经纬度数据转换为空间投影坐标系数据(见图4)转化为里程增量数据。(见图5)

S3，利用卡尔曼滤波分别对里程计测量数据和GPS里程数据建模，

过滤过程噪声，并估计出动态系统状态。

所述步骤S3中，先观察假设误差是否是正态分布，能否得到正确的条件几率估计，然后对每一步k定义矩阵F_k,H_k,Q_k,R_k(有时也需要定义B_k)，假设k时刻的真实状态是从(k-1)时刻的状态演化而来，符合下式：

x_k＝F_hx_h-1+B_hu_k+w_k

其中：

·F_k是作用在x_k-1上的状态变换模型(/矩阵/矢量)。

·B_k是作用在控制器向量u_k上的输入－控制模型。

·w_k是过程噪声，并假定其符合均值为零，协方差矩阵为Q_k的多元正态分布。

w_k～N(0,Q_k)

时刻K,对真实状态x_k的一个测量z_k满足下式：

z_k＝H_kx_k+v_k

H_k是观测模型，它把真实状态空间映射成观测空间，v_k是观测噪声，其均值为零，协方差矩阵为R_k，且服从正态分布。

v_k～N(0,R_k)

需要注意的是，初始状态以及每一时刻的噪声{x₀,w₁,...,w_k,v₁,...,v_k}都认为是互相独立的。

最终完成模型建立，达到估计被观察过程内部状态、过滤过程噪声的目的。

S4，利用卡尔曼滤波进行数据融合并获得位置信息。

利用卡尔曼滤波将经过预处理的里程计数据和GPS数据进行数据融合得到确定位置的里程数据，其中设定每段长度约为100m，计算100m内里程计测量数据和GPS里程数据的增量。融合过程如下：

S41，根据得到的数据列出非线性状态方程及观测方程：

x_k+1＝A_xx_k+B_xu_k

z(x,y)|_k＝f(x,y)|_k+v_k

S42，根据状态方程和观测方程，计算状态转移矩阵Φ阵和观测矩阵H阵:

S43，预测计算:

S431，计算状态变量X:

S432，计算误差协方差P：

更新计算：

S433，计算卡尔曼增益K：

S434，根据观测量更新估计：

X_k+1|k+1＝X_k+1|k+K_k+1[z_k+1-f(x,y)|_k+1|k]

S435，更新误差协方差

P_k+1＝[I-K_k+1H_k+1]P_k+1|k

S44，迭代S43预测和更新两个步骤，得到完整的里程位置数据。(最终每种类型的里程增量数据见图5)

S45,将里程增量数据{z_n}代入公式得到完整的里程数据

里程的起点

里程的终点

其中X_start＝102km为该段铁路里程的起点(里程数据见图8)

与实际的里程增量进行对比。(见图6)

与实际里程增量差值的方差。(见图7)

四种里程进行对比。(见图8)

融合后的里程相较GPS转换得到的里程数据和里程计测量得到的里程增量数据方差最小，更加接近实际的里程，图像效果也满足这一特征。

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 (5)

1.一种基于信息融合的钢轨里程估计方法，其特征在于里程计测量得到的里程数据和由GPS转化得到的里程数据通过卡尔曼滤波算法进行融合处理，其处理流程：

S1，采集里程计数据；

S2，采集GPS数据并将其转化为里程数据；

S3，利用卡尔曼滤波分别对里程计测量数据和GPS里程数据建模；

S4，利用卡尔曼滤波进行数据融合并获得位置信息。

2.根据权利要求1，一种基于信息融合的钢轨里程估计方法，其特征在于S1采集里程计数据。里程计是一种利用从移动传感器获得的数据来估计物体位置随时间的变化而改变的方法，该方法被用在许多种机器人系统(轮式或者腿式)上面，来估计(非确定)这些机器人相对于初始位置移动的距离。

3.根据权利要求1，一种基于信息融合的钢轨里程估计方法，其特征在于S2采集GPS数据并将其转化为里程数据，GPS可以提供被定位目标的载体定位和导航跟踪功能，将传感器采集到的GPS数据集合到Arcgis数据库，GPS数据转换为里程数据步骤如下：

S21，GPS的输出为经纬度坐标，将经纬度坐标转化为空间投影坐标系。

经纬度分别为(φ(N),λ(E))，单位为弧度，空间投影坐标系坐标为(E,N)，单位为m：

(int为取整函数)

A＝(λ-λ₀)cosφ λ₀＝(zone-1)×6-180+3(degree)

其中,T＝tan²φ,

k₀＝0.996,E₀＝500km,e＝0.0818192,N₀＝0km(北半球)or 10000km(南半球)

S22，将GPS在空间投影坐标下的坐标{(x_n,y_n)},根据公式：

得到GPS里程增量数据{l_n}

S23，根据GPS数据的起点经纬度(φ(N),λ(E))结合铁路信息得到钢轨的起始里程X_start根据公式：

里程的起点

里程的终点

得到GPS的里程数据{(Rs_n,Re_n)}。

4.根据权利要求1，一种基于信息融合的钢轨里程估计方法，其特征在于S3利用卡尔曼滤波分别对里程计测量数据和GPS里程数据建模。卡尔曼滤波(Kalman filter)是一种高效率的递归滤波器(自回归滤波器)，它能够从一系列的不完全及包含噪声的测量中，估计动态系统的状态。其估计步骤如下：

S31，观察是否假设误差是正态分布。使用卡尔曼滤波不需要假设误差是正态分布，但值得注意的是，若所有的误差都是正态分布，卡尔曼滤波可以得到正确的条件几率估计。

S32，建立模型估计被观察过程的内部状态。为了从一系列有噪声的观察数据中用卡尔曼滤波器估计出被观察过程的内部状态，必须把这个过程置于卡尔曼滤波的框架下建立模型。其建立步骤是：

S321，对于每一步k，定义矩阵F_k,H_k,Q_k,R_k，有时也需要定义B_k。

S322，假设k时刻的真实状态是从(k-1)时刻的状态演化而来，符合下式：

X_k＝F_kX_k+B_kU_k+W_k

其中：

·F_k是作用在x_k-1上的状态变换模型(/矩阵/矢量)；

·B_k是作用在控制器向量u_k上的输入－控制模型；

·w_k是过程噪声，并假定其符合均值为零，协方差矩阵为Q_k的多元正态分布。

w_k～N(0,Q_k)

S323，时刻K,对真实状态x_k的一个测量z_k满足下式：

z_k＝H_kx_k+v_k

其中H_k是观测模型，它把真实状态空间映射成观测空间，v_k是观测噪声，其均值为零，协方差矩阵为R_k，且服从正态分布。

v_k～N(0,R_k)

初始状态以及每一时刻的噪声{x₀,w₁,...,w_k,v₁,...,v_k}都认为是互相独立的。

最终得到里程计测量数据{x_n}和GPS转化而来的里程增量数据{y_n}。

x_k+1＝A_xx_k+B_xu_k

其中u_k,

分别为里程计数据{x_n}和GPS转化而来的里程数据{y_n}的误差。

{u_k}来源于使用里程计测量时的由于不可测因素导致的随机误差，这类误差的方差较小但是存在明显的峰值导致均值偏大。

是由GPS数据本身受卫星本身、传播途径和接受装置影响而产生的系统误差，这类误差相较里程计的测量误差而言，方差较大但均值较小。在里程计测量误差的峰值附近GPS里程数据比里程计测量数据更加准确，其他区域里程计的测量结果比GPS里程数据更加准确，通过卡尔曼滤波融合得到误差最小的里程数据。

5.根据权利要求1，一种基于信息融合的钢轨里程估计方法，其特征在于S4利用卡尔曼滤波进行数据融合并获得位置信息。将线路整体按预先设置好的里程进行分割，对分割后的每一段铁路通过卡尔曼滤波将建立的里程计测量数据{x_n}和GPS转化而来的里程增量数据{y_n}进行数据融合得到确定每一段铁路位置误差最小的里程增量数据，在根据公式得到确定每一段铁路位置误差最小的里程数据。卡尔曼滤波融合通过围绕滤波值将非线性函数展开成泰勒级数并略去二阶及以上的阶数项，得到一个近似的线性化模型，然后应用卡尔曼滤波完成状态估计。主要步骤如下：

S41，根据得到的数据列出非线性状态方程及观测方程：

x_k+1＝A_xx_k+B_xu_k

z(x,y)|_k＝f(x,y)|_k+v_k

其中u_k,

分别为里程计数据{x_n}和GPS转化而来的里程数据{y_n}的误差。

S42，根据状态方程和观测方程，计算状态转移矩阵Φ阵和观测矩阵H阵:

S43，预测计算:

S431，计算状态变量X:

X_k+1＝ΦX_k+U,

S432，计算误差协方差P：

更新计算：

S433，计算卡尔曼增益K：

S434，根据观测量更新估计：

X_k+1|k₊₁＝X_k+1|k+K_k+1[z_k+1-f(x,y)|_k+1|k]

S435，更新误差协方差：

P_k+1＝[I-K_k+1H_k+1]P_k+1|k

S44，迭代S43预测和更新两个步骤，得到完整的里程增量数据。

S45,将里程增量数据{z_n}代入公式得到完整的里程数据

里程的起点

里程的终点

其中X_start为该段铁路里程的起点。

Images