CN111625920A - 一种基于隐马尔科夫链模型的钢轨廓形智能分析方法 - Google Patents
一种基于隐马尔科夫链模型的钢轨廓形智能分析方法 Download PDFInfo
- Publication number
- CN111625920A CN111625920A CN201910827718.0A CN201910827718A CN111625920A CN 111625920 A CN111625920 A CN 111625920A CN 201910827718 A CN201910827718 A CN 201910827718A CN 111625920 A CN111625920 A CN 111625920A
- Authority
- CN
- China
- Prior art keywords
- profile
- model
- state
- hidden markov
- profile file
- 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
- 238000004458 analytical method Methods 0.000 title claims abstract description 33
- 229910000831 Steel Inorganic materials 0.000 title claims abstract description 30
- 239000010959 steel Substances 0.000 title claims abstract description 30
- 238000012545 processing Methods 0.000 claims abstract description 15
- 238000001514 detection method Methods 0.000 claims abstract description 13
- 230000007704 transition Effects 0.000 claims abstract description 8
- 230000000694 effects Effects 0.000 claims abstract description 7
- 239000011159 matrix material Substances 0.000 claims abstract description 6
- 238000012549 training Methods 0.000 claims abstract description 6
- 238000000034 method Methods 0.000 claims description 15
- 230000002159 abnormal effect Effects 0.000 claims description 5
- 238000007476 Maximum Likelihood Methods 0.000 claims description 4
- 230000009897 systematic effect Effects 0.000 claims description 4
- 238000012360 testing method Methods 0.000 claims description 4
- 238000012937 correction Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000003672 processing method Methods 0.000 claims description 3
- 230000005540 biological transmission Effects 0.000 claims description 2
- 238000005299 abrasion Methods 0.000 abstract description 16
- 238000006467 substitution reaction Methods 0.000 abstract description 3
- 238000013473 artificial intelligence Methods 0.000 abstract 1
- 238000004364 calculation method Methods 0.000 description 5
- 238000005259 measurement Methods 0.000 description 5
- 238000012423 maintenance Methods 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/10—File systems; File servers
- G06F16/16—File or folder operations, e.g. details of user interfaces specifically adapted to file systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/29—Graphical models, e.g. Bayesian networks
- G06F18/295—Markov models or related models, e.g. semi-Markov models; Markov random fields; Networks embedding Markov models
-
- 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)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Human Resources & Organizations (AREA)
- Data Mining & Analysis (AREA)
- Economics (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- General Engineering & Computer Science (AREA)
- General Business, Economics & Management (AREA)
- Databases & Information Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Entrepreneurship & Innovation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Human Computer Interaction (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Length Measuring Devices With Unspecified Measuring Means (AREA)
Abstract
本发明公开了一种基于隐马尔科夫链模型的钢轨廓形智能分析方法：S1对廓形文件数据点以形状特征划分四个状态；S2获得廓形文件数据；S3定义廓形文件数据的状态值及观测值，初始化状态转移概率矩阵，将对廓形文件形状分类检测抽象为隐马尔可夫模型，并对模型进行训练；S4将廓形文件数据做整体平滑性处理并代入模型得到形状特征，通过卡尔曼滤波器和forward算法对隐马尔可夫模型进行优化；S5与标准文件对比，检测分析效果。本发明可实现人工智能替代，有效提高铁路部门廓形文件分析的效率和磨耗值判断的精准度，从而达到减少人力资源成本，提高探伤工作效率，防止铁路断轨，维护铁路安全的目的。
Description
技术领域
本发明涉及铁路钢轨维护维修领域及数据分析技术领域，特别是涉及钢轨廓形文件计算方法。
背景技术
中国铁路路网干线正在往高速、重载的方向发展，全国铁路营业里程的大幅增加使得钢轨铺设数量巨大，线路上的钢轨承担着繁重的运输任务，加快了铁轨消耗，最终加大了保障铁路安全的维护成本。而在铁道安全维护中，探伤流程基本依赖于人工，伤损人力判别工作效率低、工作内容枯燥、工作量多以及工作强度大造成探伤工作压力大，最终使得探伤工易流失、人才缺口大。
由于列车在运行过程中车轮与钢轨之间摩擦使钢轨头部产生磨损，磨损通常集中于轨头踏面及侧面的圆弧段和侧面直线段。而通过廓形文件的计算得到的钢轨伤损磨耗值是判断钢轨状态的重要特征之一，由磨耗值可以确定直线的垂磨和鞍磨、曲线的侧磨程度，最终可以针对性地对在役钢轨的现场实际损耗状态作出精准判断，从而为铁道钢轨维护决策提供数据支持，防止断轨安全事故发生。
但是，目前的廓形文件是由手持机械接触式廓形检测仪器探测得到，以文件的形式上传至相关部门的电脑上，再根据传统人工方法手动进行平移旋转等操作将廓形文件进行坐标对齐。根据实践经验可知，人工处理一份廓形文件需要3-4分钟，如成都铁路局辖内有20000km左右的铁轨，按50m取一个廓形文件进行采样，整个成都铁路局将有400000个廓型数据需要处理分析，需要10名工人工作2500个小时，而全国的铁轨远多于成都铁路局辖内，所需的工作量是更加巨大的。同时，随着处理文件量的增加，工人因疲惫容易对廓形文件处理不到位导致磨耗数据计算错误，最终埋下巨大的安全隐患。
当前配合人工使用的廓形处理方法有顶侧面控制法和区域分析法。顶侧面控制法需要人工手动去控制顶面与侧面的旋转与移动，通过侧面控制旋转、顶面控制平移和多次迭代后将廓形数据与标准廓形对齐。因此虽然处理速度得到了提高，但仍需大量时间和人力的投入，且同样存在人工判断重合程度出现误差的现象。例如专利发明CN108896000A钢轨廓形对齐方法及装置、钢轨磨耗计算方法及装置中，将廓形划分为直线1、弧面、直线2三种形态，并以弧面同直线2的交点与直线2的斜率作为廓形对齐的标准，但在实际操作中廓形测量仍存在不可忽略的人为测量误差，单单以一个交点与斜率作为判断存在的误差较大，容易出现测量者没扶稳测量仪器导致廓形整体存在倾斜、斜率对齐时上表面存在差距使得磨耗计算结果误差巨大的情况。
而区域分析法虽然全部是由程序执行，但将廓形分割成四个部分，每个部分做坐标对齐后，再将四个区域再汇总到一起使得廓形对齐，容易导致四个区域合并时存在拼接不合理的情况，如平滑的轨面会和成一条折线，并出现畸形点和线段回折的现象，也存在磨耗数据计算出现误差的可能性。例如，在专利发明CN106643545B激光位移技术测量钢轨轮廓的校准方法中，使用了Ramer多边形分割算法对廓形进行分割，但其一旦遇到廓形畸形点和回折带来的测量误差，不能对这些异常点进行筛除导致最后得到的廓形图像对不同区域的判定有误，便容易出现遇到直线上畸形点会判定为弧面，使得廓形整体倾斜，无法对齐并计算磨耗的情况。
因此，相较以上两种廓形处理方法，同时针对目前人工处理廓形文件的耗时长、效率低的问题，本发明提出使用隐马尔科夫模型方法。首先，使用本发明处理廓形文件可实现智能替代，全部由程序算法处理高效快捷，只需工人在电脑前操作，节约人力资源成本。其次，本发明是将廓形数据看做一个整体，以钢轨廓形的不同状态作为划分进行分析，保证处理后的廓型数据是平滑的没有畸形点和回折现象，使得廓型数据对齐更准确，极大保证了磨耗数据计算的精确度，实现对钢轨磨损的智能测准，排除误判、错判的磨损部位，提高了钢轨探伤防断的工作效率，最终有利于铁路安全防护工作的开展。
发明内容
本发明提供了一种基于隐马尔科夫链模型的钢轨廓形智能分析方法，以有效解决上述技术背景中存在的问题。
本发明采用以下技术方案实现：
S1，对廓形文件数据点以形状特征划分四个状态，分别为平面为状态A，上弧面为状态B，下弧面为状态C，下弧连接点为状态D；
S2，获得廓形文件数据，对廓形数据进行预处理，将数据里的缺失值和异常值进行处理；
S3，定义廓形文件数据的状态值及观测值，初始化状态转移概率矩阵，将对廓形文件形状分类检测抽象为隐马尔可夫模型，并对模型进行训练；
S4，将廓形文件数据做整体平滑性处理并代入模型得到形状特征，通过卡尔曼滤波器和forward算法对隐马尔可夫模型进行优化[0015]S11，使用属性的中心度量填补缺失值，检测异常值并处理；
S5，与标准文件对比，检测分析效果。
进一步的，一种基于隐马尔科夫链模型的钢轨廓形智能分析方法，其特征在于，所述步骤S3中，在状态转移概率矩阵中，在理想的状态下由D—>C的概率是1，到A、B、D的概率为0。
进一步的，一种基于隐马尔科夫链模型的钢轨廓形智能分析方法，其特征在于，所述步骤S3中，使用Baum-Welch算法对模型进行模型训练学习，主要步骤为：
S31，随机构造初始化参数；
S32，计算期望(E)，利用对隐藏变量的现有估计值，计算其最大似然估计值Q，
其中：
π是初始状态的概率分布Pi,
是符号OT的符号发射概率，
是从状态
到状态iT的状态转移概率；
S33，最大化(M)，最大化在上一步上求得的最大似然值来计算参数的值；
S34，迭代上述两步，直到参数稳定，得到局部最优解。
进一步的，一种基于隐马尔科夫链模型的钢轨廓形智能分析方法，其特征在于，所述步骤S4中，整体平滑性处理的方法：每一个特征上使用FFT做一个低通滤波器，滤除高频的不平滑畸形区域。
进一步的，一种基于隐马尔科夫链模型的钢轨廓形智能分析方法，其特征在于，所述步骤S4中，使用forward算法对形状特征出现的概率进行计算，再使用卡尔曼滤波器对模型进行优化，卡尔曼滤波器的主要使用步骤：
S41，设定参数；
S42，根据第k-1特征的状态预测第k特征的状态X(k|k-1)；
S43，根据第k-1特征的系统预测误差估计第k特征的系统预测误差P(k|k-1)；
S44，计算卡尔曼增益：
K[i+1]＝(P[i]+Q)/(P[i]+Q+R)
P是上一次估计值的方差，Q是高斯噪声的方差，R是测量值的方差，Q和R都是常数；
S45，计算系统最优的估算值。
进一步的，一种基于隐马尔科夫链模型的钢轨廓形智能分析方法，其特征在于，所述步骤S5中，取标准廓形文件里的下弧连接点作为基点进行对齐，并通过计算下弧面的分析误差检测廓形分析效果(误差小于阈值则分析成功)，公式为：
其中C为对应钢轨种类的修正常数X为测试集Xe标准集N为测试集的元素个数
Cl为对应钢轨的阈值
Cl为对应钢轨的阈值，由大量该型号的铁轨的廓形文件根据公式计算而来的常量，公式为：
本发明的有益效果
本发明可以有效判断廓形弧形的重合度，利用智能算法替代人力手工，解决人力手工分析判断带来的耗时长、效果差导致磨耗计算误差较大等问题，通过提高廓形文件分析效率和磨耗值判断的精准度从而减少人力资源成本，解决探伤工作长期人力不足、人才紧缺的窘况。
本发明可以通过智能算法保证廓型数据对齐更准确，通过提高磨耗值判断的精准度，确定在役钢轨的现场实际损耗，减少探伤错判、漏判问题，更好防止断轨事故发生，利于维护铁路安全。
附图说明
图1是一种基于隐马尔科夫链模型的钢轨廓形智能分析方法的步骤流程图；
图2是一种基于隐马尔科夫链模型的钢轨廓形智能分析方法的原始数据图与标准的对比图(线b为标准线，线a为廓形文件)；
图3是一种基于隐马尔科夫链模型的钢轨廓形智能分析方法的分析结果图与标准的对比图(线d为标准线，线c为廓形文件)。
具体实施方式
以下将参照附图1，通过实施例方式详细地描述本发明提供的一种基于隐马尔科夫链模型的钢轨廓形智能分析方法。在此需要说明的是，对于这些实施例方式的说明用于帮助理解本发明，但并不构成对本发明的限定。
S1，对廓形文件数据点以形状特征划分四个状态，分别为平面为状态A，上弧面为状态B，下弧面为状态C，下弧连接点为状态D；
S2，获得廓形文件数据，对廓形数据进行预处理，将数据里的缺失值和异常值进行处理；
S3，定义廓形文件数据的状态值及观测值，初始化状态转移概率矩阵，将对廓形文件形状分类检测抽象为隐马尔可夫模型，并对模型进行训练；
S4，将廓形文件数据做整体平滑性处理并代入模型得到形状特征，通过卡尔曼滤波器和forward算法对隐马尔可夫模型进行优化，其中下弧连接点的坐标为(-37.6，-34.3)(35.8，-36.9)；
S5，与标准文件对比，检测分析效果。其中钢轨修正常数
N,500，Cl＝1.64
本次廓形文件分析成功。
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 (6)
1.一种基于隐马尔科夫链模型的钢轨廓形智能分析方法，其特征在于，包括步骤如下：
S1，对廓形文件数据点以形状特征划分四个状态，分别为平面为状态A，上弧面为状态B，下弧面为状态C，下弧连接点为状态D；
S2，获得廓形文件数据，对廓形数据进行预处理，将数据里的缺失值和异常值进行处理；
S3，定义廓形文件数据的状态值及观测值，初始化状态转移概率矩阵，将对廓形文件形状分类检测抽象为隐马尔可夫模型，并对模型进行训练；
S4，将廓形文件数据做整体平滑性处理并代入模型得到形状特征，通过卡尔曼滤波器和forward算法对隐马尔可夫模型进行优化；
S5，与标准文件对比，检测分析效果。
2.根据权利要求1所述的一种基于隐马尔科夫链模型的钢轨廓形智能分析方法，其特征在于，所述步骤S3中，在状态转移概率矩阵中，在理想的状态下由D—>C的概率是1，到A、B、D的概率为0。
3.根据权利要求1所述的一种基于隐马尔科夫链模型的钢轨廓形智能分析方法，其特征在于，所述步骤S3中，使用Baum-Welch算法对模型进行模型训练学习，主要步骤为：
S31，随机构造初始化参数；
S32，计算期望(E)，利用对隐藏变量的现有估计值，计算其最大似然估计值Q，
其中：
π是初始状态的概率分布Pi,
是符号OT的符号发射概率，
是从状态
到状态iT的状态转移概率；
S33，最大化(M)，最大化在上一步上求得的最大似然值来计算参数的值；
S34，迭代上述两步，直到参数稳定，得到局部最优解。
4.根据权利要求1所述的一种基于智能算法的钢轨廓形分析方法，其特征在于，所述步骤S4中，整体平滑性处理的方法：每一个特征上使用FFT做一个低通滤波器，滤除高频的不平滑畸形区域。
5.根据权利要求1所述的一种基于隐马尔科夫链模型的钢轨廓形智能分析方法，其特征在于，所述步骤S4中，使用forward算法对形状特征出现的概率进行计算，再使用卡尔曼滤波器对模型进行优化，卡尔曼滤波器的主要使用步骤：
S41，设定参数；
S42，根据第k-1特征的状态预测第k特征的状态X(k|k-1)；
S43，根据第k-1特征的系统预测误差估计第k特征的系统预测误差P(k|k-1)；
S44，计算卡尔曼增益:
K[i+1]＝(P[i]+Q)/(P[i]+Q+R)
P是上一次估计值的方差，Q是高斯噪声的方差，R是测量值的方差，Q和R都是常数；
S45，计算系统最优的估算值。
6.根据权利要求1所述的一种基于隐马尔科夫链模型的钢轨廓形智能分析方法，其特征在于，所述步骤S5中，取标准廓形文件里的下弧连接点作为基点进行对齐，并通过计算下弧面的分析误差检测廓形分析效果，公式为：
其中C为对应钢轨种类的修正常数X为测试集Xe标准集N为测试集的元素个数
Cl为对应钢轨的阈值
Cl为对应钢轨的阈值，由大量该型号的铁轨的廓形文件根据公式计算而来的常量，公式为：
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910827718.0A CN111625920A (zh) | 2019-09-03 | 2019-09-03 | 一种基于隐马尔科夫链模型的钢轨廓形智能分析方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910827718.0A CN111625920A (zh) | 2019-09-03 | 2019-09-03 | 一种基于隐马尔科夫链模型的钢轨廓形智能分析方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111625920A true CN111625920A (zh) | 2020-09-04 |
Family
ID=72259648
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910827718.0A Pending CN111625920A (zh) | 2019-09-03 | 2019-09-03 | 一种基于隐马尔科夫链模型的钢轨廓形智能分析方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111625920A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN113158399A (zh) * | 2020-12-14 | 2021-07-23 | 中国国家铁路集团有限公司 | 钢轨廓形动态拼接处理方法及装置 |
| CN114972394A (zh) * | 2022-05-26 | 2022-08-30 | 东莞灵虎智能科技有限公司 | 一种钢轨超声探伤与外部廓形以及表面多源数据融合的钢轨状态检测方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20140279818A1 (en) * | 2013-03-15 | 2014-09-18 | University Of Southern California | Game theory model for patrolling an area that accounts for dynamic uncertainty |
| CN104850748A (zh) * | 2015-05-26 | 2015-08-19 | 北京交通大学 | 一种铁路钢轨折断故障分析预警方法及系统 |
| US20170091641A1 (en) * | 2015-09-30 | 2017-03-30 | Tata Consultancy Services Limited | Methods and systems for optimizing hidden markov model based land change prediction |
| CN109255492A (zh) * | 2015-03-31 | 2019-01-22 | 江苏理工学院 | 一种基于鲁棒策略的地铁轨迹的实时预测方法 |
| CN109883429A (zh) * | 2019-04-15 | 2019-06-14 | 山东建筑大学 | 基于隐马尔科夫模型的零速检测方法以及室内行人惯性导航系统 |
-
2019
- 2019-09-03 CN CN201910827718.0A patent/CN111625920A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20140279818A1 (en) * | 2013-03-15 | 2014-09-18 | University Of Southern California | Game theory model for patrolling an area that accounts for dynamic uncertainty |
| CN109255492A (zh) * | 2015-03-31 | 2019-01-22 | 江苏理工学院 | 一种基于鲁棒策略的地铁轨迹的实时预测方法 |
| CN104850748A (zh) * | 2015-05-26 | 2015-08-19 | 北京交通大学 | 一种铁路钢轨折断故障分析预警方法及系统 |
| US20170091641A1 (en) * | 2015-09-30 | 2017-03-30 | Tata Consultancy Services Limited | Methods and systems for optimizing hidden markov model based land change prediction |
| CN109883429A (zh) * | 2019-04-15 | 2019-06-14 | 山东建筑大学 | 基于隐马尔科夫模型的零速检测方法以及室内行人惯性导航系统 |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113158399A (zh) * | 2020-12-14 | 2021-07-23 | 中国国家铁路集团有限公司 | 钢轨廓形动态拼接处理方法及装置 |
| CN113158399B (zh) * | 2020-12-14 | 2024-03-12 | 中国国家铁路集团有限公司 | 钢轨廓形动态拼接处理方法及装置 |
| 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 |
| CN114972394A (zh) * | 2022-05-26 | 2022-08-30 | 东莞灵虎智能科技有限公司 | 一种钢轨超声探伤与外部廓形以及表面多源数据融合的钢轨状态检测方法 |
| CN114972394B (zh) * | 2022-05-26 | 2024-04-16 | 东莞灵虎智能科技有限公司 | 一种钢轨超声探伤与外部廓形以及表面多源数据融合的钢轨状态检测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111625920A (zh) | 一种基于隐马尔科夫链模型的钢轨廓形智能分析方法 | |
| CN116071387B (zh) | 基于机器视觉的枕轨生产质量检测方法 | |
| Wang et al. | Position synchronization for track geometry inspection data via big-data fusion and incremental learning | |
| CN113487722B (zh) | 一种基于三维激光扫描方法的混凝土构件自动化检测方法 | |
| CN101995412B (zh) | 一种鲁棒的玻璃划伤缺陷检测方法及其装置 | |
| CN111145157B (zh) | 基于高分辨率遥感影像的路网数据自动化质量检查方法 | |
| CN108731599B (zh) | 钢轨磨耗深度计算方法 | |
| CN113129268B (zh) | 一种飞机铆接墩头质量检测方法 | |
| CN116342586B (zh) | 基于机器视觉的路面质量检测方法 | |
| CN118135334B (zh) | 一种接触网吊弦缺陷识别方法及系统 | |
| CN116975962A (zh) | 用于钢梁顶推过程中导梁线型自动化监控的方法 | |
| CN116452580A (zh) | 一种笔记本外观质量检测方法 | |
| CN118195375A (zh) | 基于bim与实景测量技术的工程质量校核方法及系统 | |
| CN113420670A (zh) | 基于高分遥感输变电线路迁改环水保监管方法 | |
| CN116309598B (zh) | 一种基于机器视觉的钢连铸坯低倍组织裂纹智能评级方法 | |
| Jiang | A crack detection and diagnosis methodology for automated pavement condition evaluation | |
| CN115081485B (zh) | 一种基于ai的漏磁内检测数据自动分析方法 | |
| CN110455240B (zh) | 车辆自动漆膜检测方法及系统 | |
| KR101791947B1 (ko) | 프랙탈 차원 분석에 기반한 주행 평가 방법 및 장치 | |
| CN113240637B (zh) | 一种基于机器学习的墙面平整度信息化检测方法和系统 | |
| CN106156916A (zh) | 一种翻新裂解轮胎rfid信息采集管理方法及系统 | |
| CN111311590A (zh) | 一种基于图像检测技术的道岔岔尖密贴度检测方法 | |
| CN116427221B (zh) | 一种道床劣化状态的快速无损检测方法 | |
| CN115690200B (zh) | 一种打孔铝片匹配铝模板的方法、装置、设备及存储介质 | |
| CN109472371B (zh) | 一种大型桥梁结构运营管理系统及方法 |
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 | ||
| AD01 | Patent right deemed abandoned | ||
| AD01 | Patent right deemed abandoned |
Effective date of abandoning: 20240423 |