CN111695735B - 一种基于流计算的铁路弓网实时预警方法、系统及装置 - Google Patents
一种基于流计算的铁路弓网实时预警方法、系统及装置 Download PDFInfo
- Publication number
- CN111695735B CN111695735B CN202010539746.5A CN202010539746A CN111695735B CN 111695735 B CN111695735 B CN 111695735B CN 202010539746 A CN202010539746 A CN 202010539746A CN 111695735 B CN111695735 B CN 111695735B
- Authority
- CN
- China
- Prior art keywords
- real
- data
- early warning
- time
- dynamic
- 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.)
- Active
Links
- 238000004364 calculation method Methods 0.000 title claims abstract description 33
- 238000000034 method Methods 0.000 title claims abstract description 31
- 230000002159 abnormal effect Effects 0.000 claims abstract description 78
- 238000001914 filtration Methods 0.000 claims description 19
- 230000005856 abnormality Effects 0.000 claims description 18
- 230000006870 function Effects 0.000 claims description 13
- 238000012360 testing method Methods 0.000 claims description 10
- 230000003993 interaction Effects 0.000 claims description 6
- 238000012544 monitoring process Methods 0.000 claims description 6
- 230000002547 anomalous effect Effects 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 4
- 238000004891 communication Methods 0.000 claims description 3
- 238000001514 detection method Methods 0.000 abstract description 11
- 230000008901 benefit Effects 0.000 abstract description 4
- 238000004140 cleaning Methods 0.000 description 5
- 238000003860 storage Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012806 monitoring device Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 238000010521 absorption reaction Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000005553 drilling Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000003137 locomotive effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
Images
Classifications
-
- 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"
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60M—POWER SUPPLY LINES, AND DEVICES ALONG RAILS, FOR ELECTRICALLY- PROPELLED VEHICLES
- B60M1/00—Power supply lines for contact with collector on vehicle
- B60M1/12—Trolley lines; Accessories therefor
- B60M1/28—Manufacturing or repairing trolley lines
-
- G06Q50/40—
Abstract
本发明涉及一种基于流计算的铁路弓网实时预警方法、系统及装置，其中，一种基于流计算的铁路弓网实时预警方法，包括以下步骤，S1：建立基于密度估计的历史几何参数实时预警模型及基于拉依达准则的单点几何参数实时预警模型；S2：获取动态导高、跨内高差、动态拉出值及坡度实时数据；S3：历史几何参数实时预警模型依次对动态导高、跨内高差、动态拉出值及坡度实时数据依次进行计算并判断数据是否异常，若是，执行S5；S4：单点几何参数实时预警模型依次对动态导高、跨内高差、动态拉出值及坡度实时数据依次进行计算并判断数据是否异常，若是，执行S5；S5：发出预警信息。本发明具有提高检测准确性地优点。
Description
技术领域
本发明涉及铁路检测的技术领域，尤其是涉及一种基于流计算的铁路弓网实时预警方法、系统及装置。
背景技术
动态导高值、拉出值、跨内高差、坡度是电气化铁路中弓网接触重要的几何参数指标。其性能影响着电气化铁路中能否顺利运行。在电机车运行过程中，受外界环境、接触线张力和驰度的变化等因素的影响，几何参数会存在超限等情况，严重情况下会导致打弓、钻弓等现象。传统的几何参数超限是依据数据测量到的值通过与预先设定的阈值进行比较(现有方法)，从而判断是否存在超限异常情况，但是存在以下问题：
第一方面，数据传输过来后需要人为的进一步确认才能进行上报，因此存在滞后性；
第二方面，阈值的定义过于依赖于传统经验，并没有从数据本身的角度进行分析；
第三方面，监测设备受位置、天气、拍摄角度、成像质量的影响会存在一定的误差，无法直接通过阈值来确定其是否异常。
发明内容
本发明目的在于提供一种涉及网、源、荷分析的风光消纳评价方法，单点几何参数实时预警模型，横向比较，即同一批数据的相互比较，通过拉依达准则计算同一批数据里的异常数据；历史几何参数实时预警模型，纵向比较，即同一参数不同时期的比较，与历史几何参数进行比较，通过核密度估计历史不同时期同一位置的数据建模，构建几何参数的密度函数，从而计算数据的异常密度阈值，判断接触线是否异常；具有提高检测准确性地优点。
为实现上述目的，本发明所采用的技术方案是：一种基于流计算的铁路弓网实时预警方法，包括以下步骤，
S1：建立基于密度估计的历史几何参数实时预警模型及基于拉依达准则的单点几何参数实时预警模型；
S2：获取动态导高、跨内高差、动态拉出值及坡度实时数据；
S3：历史几何参数实时预警模型依次对动态导高、跨内高差、动态拉出值及坡度实时数据依次进行计算并判断数据是否异常；
S4：单点几何参数实时预警模型依次对动态导高、跨内高差、动态拉出值及坡度实时数据依次进行计算并判断数据是否异常，若是，执行S5；
S5：发出预警信息。
本发明进一步设置为：所述S1中的历史几何参数实时预警模型包括基于历史数据拟合密度函数：
其中，μ为期望值，σ为方差，x为需要拟合的参数。
本发明进一步设置为：所述S2具体包括以下步骤，
S21：获取动态导高、跨内高差、动态拉出值及坡度实时数据；
S22：过滤异常数据；
S23：将同一线路、行别、区站的数据分为一个单位小组。
本发明进一步设置为：所述S3具体包括以下步骤，
S31：对动态导高或跨内高差或动态拉出值或坡度历史数据拟合高斯密度函数；
S32：计算异常阈值ε；
S33：计算实时数据的高斯密度p(x),并与异常阈值ε对比，判断数据是否异常，若是，执行S5。
本发明进一步设置为：所述S32具体包括以下步骤，
S321：从已有数据中选取特定比例的正常样本和异常样本，作为测试集；
S322：使用不同的值作为阈值ε，并预测测试集数据是否异常，根据准确率和召回率来选择异常阈值ε。
本发明进一步设置为：所述S4具体包括以下步骤，
S41：对单位小组分别用实时数据的均值和方差估计总体的期望值和方差；
S42：依据拉依达准则定义单点一级异常阈值为[μ-4σ,μ+4σ],单点二级异常阈值为[μ-3σ,μ+3σ]；
S43：对每个单点实时数据判断数据是否异常，若是，执行S5。
一种基于流计算的铁路弓网实时预警系统，其特征在于，包括，
数据获取单元及数据处理中心；
所述数据获取单元用于接收动态导高、跨内高差、动态拉出值及坡度历史数据及实时数据；
所述数据处理中心用于建立单点几何参数实时预警模型，还用于根据动态导高、跨内高差、动态拉出值及坡度历史数据建立历史几何参数实时预警模型，所述历史几何参数实时预警模型及单点几何参数实时预警模型用于根据动态导高、跨内高差、动态拉出值及坡度实时数据判断接触线状态是否异常。
本发明进一步设置为：所述单点几何参数实时预警模型使用以下方法判断接触线状态是否异常，
S41：对单位小组分别用实时数据的均值和方差估计总体的期望值和方差；
S42：依据拉依达准则定义单点一级异常阈值为,单点二级异常阈值为；
S43：对每个单点实时数据判断数据是否异常；
历史几何参数实时预警模型根据以下方法判断接触线状态是否异常，
S31：对动态导高或跨内高差或动态拉出值或坡度历史数据拟合高斯密度函数；
S32：计算异常阈值；
S33：计算实时数据的高斯密度p(x),并与异常阈值对比，判断数据是否异常。
本发明进一步设置为：还包括，
几何参数监测设备用于获取动态导高、跨内高差、动态拉出值及坡度实时数据；
预警接收设备，用于接收数据处理中心在判断接触线状态异常时发出的预警信息，
无线通信装置，用于完成几何参数监测设备与数据获取单元之间的数据交互，还用于完成预警接收设备与数据处理中心之间的数据交互。
一种基于流计算的铁路弓网实时预警装置，包括，
终端处理器及存储器；
存储器用于存储数据和和计算机程序指令；
终端处理器用于实现一种基于流计算的铁路弓网实时预警方法的各步骤；
显示模块，用于显示预警信息。
综上所述，本发明的有益技术效果为：
1.本发明的单点几何参数实时预警模型，横向比较，即同一批数据的相互比较，通过拉依达准则计算同一批数据里的异常数据；历史几何参数实时预警模型，纵向比较，即同一参数不同时期的比较，与历史几何参数进行比较，通过核密度估计历史不同时期同一位置的数据建模，构建几何参数的密度函数，从而计算数据的异常密度阈值，判断接触线是否异常；具有提高检测准确性地优点；
2.本发明的一种基于流计算的铁路弓网实时预警系统具有通过流计算实现几何参数异常的实时反馈的优点。
附图说明
图1是本发明的一种基于流计算的铁路弓网实时预警方法的流程示意图。
图2是本发明的一种基于流计算的铁路弓网实时预警系统的示意图；
图3是本发明的一种基于流计算的铁路弓网实时预警装置的示意图。
具体实施方式
下面结合本发明的附图1～3，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
实施例1
值得说明的是，本实施例中，检测动态导高、跨内高差、动态拉出值及坡度是否异常的方法是相互独立且流程相同的。以下的实施例以检测导高是否异常为例，对本方法进行具体说明。
参照图1，一种基于流计算的铁路弓网实时预警方法，包括以下步骤，
S1：建立基于密度估计的历史几何参数实时预警模型及基于拉依达准则的单点几何参数实时预警模型；
S2：获取动态导高实时数据；
S3：历史几何参数实时预警模型依次对动态导高实时数据进行计算并判断数据是否异常；
S4：单点几何参数实时预警模型对动态导高实时数据进行计算并判断数据是否异常，若是，执行S5；
S5：发出预警信息。
下面依次对各个步骤进行说明。
S1：建立基于密度估计的历史几何参数实时预警模型及基于拉依达准则的单点几何参数实时预警模型。
其中，历史几何参数实时预警模型包括基于历史数据拟合密度函数：
其中，μ为期望值，σ为方差，x为需要拟合的参数。
S2：获取动态导高实时数据。
值得说明的是，S2具体包括以下步骤，
S21：获取动态导高、跨内高差、动态拉出值及坡度实时数据；
S22：过滤异常数据；
S23：将同一线路、行别、区站的数据分为一个单位小组。
其中，S22具体包括以下步骤，
S221：过滤速度低于10km/h的数据；
S222：过滤弓位置检测出错的数据；
S223：过滤导高值为空的数据；
S224：过滤导高值为负的数据。
S3：历史几何参数实时预警模型依次对动态导高实时数据进行计算并判断数据是否异常。
值得说明的是，S3具体包括以下步骤，
S31：对动态导高历史数据进行清洗，对动态导高历史数据拟合高斯密度函数；
S32：计算异常阈值ε；
S33：计算实时数据的高斯密度p(x),并与异常阈值ε对比，判断数据是否异常，
若是，执行S5。
具体的，S31还包括以下步骤，
S311：过滤速度低于10km/h的数据；
S312：过滤弓位置检测出错的数据；
S313：过滤导高值为空的数据；
S314：过滤导高值为负的数据。
具体的，S32包括以下步骤，
S321：从已有数据中选取特定比例的正常样本和异常样本，值得说明的是，本实施例中，正常样本和异常样本的比例为600：1，作为测试集；
S322：使用不同的值作为阈值ε，并预测测试集数据是否异常，根据准确率和召回率来选择异常阈值ε。
S4：单点几何参数实时预警模型对动态导高实时数据进行计算并判断数据是否异常，若是，执行S5。
具体的，S4具体包括以下步骤，
S41：对单位小组分别用实时数据的均值和方差估计总体的期望值和方差；
S42：依据拉依达准则定义单点一级异常阈值为[μ-4σ,μ+4σ],单点二级异常阈值为[μ-3σ,μ+3σ]；
S43：对每个单点实时数据判断数据是否异常，当导高值在一级异常阈值内，则判断单点导高一级异常；当导高值在二级异常阈值内，则判断单点导高二级异常，若是，执行S5。
期望值的计算公式为：
方差的计算公式为：
实施例2
值得说明的是，本实施例中，本系统可以应用于检测动态导高、跨内高差、动态拉出值及坡度是否异常，且本系统检测动态导高、跨内高差、动态拉出值及坡度是否异常的方法是相互独立且流程相同的。以下的实施例以检测导高是否异常为例，对本系统进行具体说明。
参照图2，一种基于流计算的铁路弓网实时预警系统，其特征在于，包括，数据获取单元及数据处理中心；
数据获取单元用于接收动态导高历史数据及实时数据；
数据处理中心用于建立单点几何参数实时预警模型，还用于根据动态导高历史数据建立历史几何参数实时预警模型，历史几何参数实时预警模型及单点几何参数实时预警模型用于根据动态导高实时数据判断接触线状态是否异常。
还包括，
几何参数监测设备用于获取动态导高实时数据；
预警接收设备，用于接收数据处理中心在判断接触线状态异常时发出的预警信息，
无线通信装置，用于完成几何参数监测设备与数据获取单元之间的数据交互，还用于完成预警接收设备与数据处理中心之间的数据交互。
下面对本系统的各个部分进行详细说明。
数据获取单元还用于对历史数据和实时数据进行清洗工作，清洗工作包括以下步骤，
S311：过滤速度低于10km/h的数据；
S312：过滤弓位置检测出错的数据；
S313：过滤导高值为空的数据；
S314：过滤导高值为负的数据。
数据获取单元还用于将同一线路、行别、区站的历史数据或实时数据分为一个单位小组。
数据处理中心建立的历史几何参数实时预警模型包括基于历史数据拟合密度函数：
其中，μ为期望值，σ为方差，x为需要拟合的参数。
历史几何参数实时预警模型判断接触线的导高是否异常包括以下步骤，
S31：对动态导高历史数据进行清洗，对动态导高历史数据拟合高斯密度函数；
S32：计算异常阈值ε；
S33：计算实时数据的高斯密度p(x),并与异常阈值ε对比，判断数据是否异常，
若是，进行单点几何参数实时预警模型判断接触线状态是否异常工作。
具体的，S32包括以下步骤，
S321：从已有数据中选取特定比例的正常样本和异常样本，值得说明的是，本实施例中，正常样本和异常样本的比例为600：1，作为测试集；
S322：使用不同的值作为阈值ε，并预测测试集数据是否异常，根据准确率和召回率来选择异常阈值ε。
单点几何参数实时预警模型判断接触线状态是否异常包括以下步骤，
S41：对单位小组分别用实时数据的均值和方差估计总体的期望值和方差；
S42：依据拉依达准则定义单点一级异常阈值为[μ-4σ,μ+4σ],单点二级异常阈值为[μ-3σ,μ+3σ]；
S43：对每个单点实时数据判断数据是否异常，当导高值在一级异常阈值内，则判断单点导高一级异常；当导高值在二级异常阈值内，则判断单点导高二级异常，若是，数据处理中心发送报警信息至报警接收设备。
期望值的计算公式为：
方差的计算公式为：
预警接收设备包括移动终端及PC端，其中，移动终端包括智能手机及平板。
实施例3
参照图3，一种基于流计算的铁路弓网实时预警装置，包括，
终端处理器及存储器；
存储器用于存储数据和和计算机程序指令；
终端处理器用于实现一种基于流计算的铁路弓网实时预警方法的各步骤；
显示模块，用于显示预警信息。
值得说明的是，本实施例中，检测动态导高、跨内高差、动态拉出值及坡度是否异常的方法是相互独立且流程相同的。以下的实施例以检测导高是否异常为例，对本方法进行具体说明。
一种基于流计算的铁路弓网实时预警方法，包括以下步骤，
S1：建立基于密度估计的历史几何参数实时预警模型及基于拉依达准则的单点几何参数实时预警模型；
S2：获取动态导高实时数据；
S3：历史几何参数实时预警模型依次对动态导高实时数据进行计算并判断数据是否异常，若是，执行S5；
S4：单点几何参数实时预警模型对动态导高实时数据进行计算并判断数据是否异常，若是，执行S5；
S5：发出预警信息。
下面依次对各个步骤进行说明。
S1：建立基于密度估计的历史几何参数实时预警模型及基于拉依达准则的单点几何参数实时预警模型。
其中，历史几何参数实时预警模型包括基于历史数据拟合密度函数：
其中，μ为期望值，σ为方差，x为需要拟合的参数。
S2：获取动态导高实时数据。
值得说明的是，S2具体包括以下步骤，
S21：获取动态导高、跨内高差、动态拉出值及坡度实时数据；
S22：过滤异常数据；
S23：将同一线路、行别、区站的数据分为一个单位小组。
其中，S22具体包括以下步骤，
S221：过滤速度低于10km/h的数据；
S222：过滤弓位置检测出错的数据；
S223：过滤导高值为空的数据；
S224：过滤导高值为负的数据。
S3：历史几何参数实时预警模型依次对动态导高实时数据进行计算并判断数据是否异常，若是，执行S5。
值得说明的是，S3具体包括以下步骤，
S31：对动态导高历史数据进行清洗，对动态导高历史数据拟合高斯密度函数；
S32：计算异常阈值ε；
S33：计算实时数据的高斯密度p(x),并与异常阈值ε对比，判断数据是否异常，
若是，执行S5。
具体的，S31还包括以下步骤，
S311：过滤速度低于10km/h的数据；
S312：过滤弓位置检测出错的数据；
S313：过滤导高值为空的数据；
S314：过滤导高值为负的数据。
具体的，S32包括以下步骤，
S321：从已有数据中选取特定比例的正常样本和异常样本，值得说明的是，本实施例中，正常样本和异常样本的比例为600：1，作为测试集；
S322：使用不同的值作为阈值ε，并预测测试集数据是否异常，根据准确率和召回率来选择异常阈值ε。
S4：单点几何参数实时预警模型对动态导高实时数据进行计算并判断数据是否异常，若是，执行S5。
具体的，S4具体包括以下步骤，
S41：对单位小组分别用实时数据的均值和方差估计总体的期望值和方差；
S42：依据拉依达准则定义单点一级异常阈值为[μ-4σ,μ+4σ],单点二级异常阈值为[μ-3σ,μ+3σ]；
S43：对每个单点实时数据判断数据是否异常，当导高值在一级异常阈值内，则判断单点导高一级异常；当导高值在二级异常阈值内，则判断单点导高二级异常，若是，执行S5。
期望值的计算公式为：
方差的计算公式为：
值得说明的是，终端处理器可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器可以是处理器的内部存储单元，例如处理器的硬盘或内存。存储器也可以是处理器的外部存储设备，例如处理器上配备的插接式硬盘，智能存储卡(Smart MediaCard,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。存储器还可以既包括处理器的内部存储单元也包括外部存储设备。存储器用于存储计算机程序以及处理器所需的其他程序和数据。存储器还可以用于暂时地存储已经输出或者将要输出的数据。
Claims (9)
1.一种基于流计算的铁路弓网实时预警方法，其特征在于，包括以下步骤，
S1：建立基于密度估计的历史几何参数实时预警模型及基于拉依达准则的单点几何参数实时预警模型；
S2：获取动态导高、跨内高差、动态拉出值及坡度实时数据；
S3：历史几何参数实时预警模型依次对动态导高、跨内高差、动态拉出值及坡度实时数据依次进行计算并判断数据是否异常；
S4：单点几何参数实时预警模型依次对动态导高、跨内高差、动态拉出值及坡度实时数据依次进行计算并判断数据是否异常，若是，执行S5；
S5：发出预警信息；
所述S3具体包括以下步骤，
S31：对动态导高或跨内高差或动态拉出值或坡度历史数据拟合高斯密度函数；
S32：计算异常阈值ε；
S33：计算实时数据的高斯密度p(x),并与异常阈值ε对比，判断数据是否异常，若是，执行S5。
2.根据权利要求1所述的一种基于流计算的铁路弓网实时预警方法，其特征在于，所述S1中的历史几何参数实时预警模型包括基于历史数据拟合密度函数：
其中，μ为期望值，σ为方差，x为需要拟合的参数。
3.根据权利要求1或2所述的一种基于流计算的铁路弓网实时预警方法，其特征在于，所述S2具体包括以下步骤，
S21：获取动态导高、跨内高差、动态拉出值及坡度实时数据；
S22：过滤异常数据；
S23：将同一线路、行别、区站的数据分为一个单位小组。
4.根据权利要求3所述的一种基于流计算的铁路弓网实时预警方法，其特征在于，所述S32具体包括以下步骤，
S321：从已有数据中选取特定比例的正常样本和异常样本，作为测试集；
S322：使用不同的值作为阈值ε，并预测测试集数据是否异常，根据准确率和召回率来选择异常阈值ε。
5.根据权利要求3所述的一种基于流计算的铁路弓网实时预警方法，其特征在于，所述S4具体包括以下步骤，
S41：对单位小组分别用实时数据的均值和方差估计总体的期望值和方差；
S42：依据拉依达准则定义单点一级异常阈值为[μ-4σ,μ+4σ],单点二级异常阈值为[μ-3σ,μ+3σ]；
S43：对每个单点实时数据判断数据是否异常，若是，执行S5。
6.一种基于流计算的铁路弓网实时预警系统，其特征在于，包括，
数据获取单元及数据处理中心；
所述数据获取单元用于接收动态导高、跨内高差、动态拉出值及坡度历史数据及实时数据；
所述数据处理中心用于建立单点几何参数实时预警模型，还用于根据动态导高、跨内高差、动态拉出值及坡度历史数据建立历史几何参数实时预警模型，所述历史几何参数实时预警模型及单点几何参数实时预警模型用于根据动态导高、跨内高差、动态拉出值及坡度实时数据判断接触线状态是否异常。
7.根据权利要求6所述的一种基于流计算的铁路弓网实时预警系统，其特征在于，所述单点几何参数实时预警模型使用权利要求6所述的方法判断接触线状态是否异常，所述历史几何参数实时预警模型根据权利要求4所述的方法判断接触线状态是否异常。
8.根据权利要求6所述的一种基于流计算的铁路弓网实时预警系统，其特征在于，还包括，
几何参数监测设备用于获取动态导高、跨内高差、动态拉出值及坡度实时数据；
预警接收设备，用于接收数据处理中心在判断接触线状态异常时发出的预警信息，
无线通信装置，用于完成几何参数监测设备与数据获取单元之间的数据交互，还用于完成预警接收设备与数据处理中心之间的数据交互。
9.根据权利要求6所述的一种基于流计算的铁路弓网实时预警系统，其特征在于，包括，
终端处理器及存储器；
存储器用于存储数据和和计算机程序指令；
终端处理器用于实现权利要求1-5任意一项所述的一种基于流计算的铁路弓网实时预警方法的各步骤；
显示模块，用于显示预警信息。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010539746.5A CN111695735B (zh) | 2020-06-12 | 2020-06-12 | 一种基于流计算的铁路弓网实时预警方法、系统及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010539746.5A CN111695735B (zh) | 2020-06-12 | 2020-06-12 | 一种基于流计算的铁路弓网实时预警方法、系统及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111695735A CN111695735A (zh) | 2020-09-22 |
| CN111695735B true CN111695735B (zh) | 2023-06-16 |
Family
ID=72480963
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010539746.5A Active CN111695735B (zh) | 2020-06-12 | 2020-06-12 | 一种基于流计算的铁路弓网实时预警方法、系统及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111695735B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112762877B (zh) * | 2020-12-28 | 2023-03-21 | 成都国铁电气设备有限公司 | 一种地铁接触网刚性接触线磨耗预警方法及装置 |
| CN113655323B (zh) * | 2021-09-02 | 2024-03-05 | 成都地铁运营有限公司 | 弓网在线监测运维方法 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2013097617A (ja) * | 2011-11-01 | 2013-05-20 | Advanced Telecommunication Research Institute International | 異常頻度推定装置、異常頻度推定プログラム、異常頻度推定方法および異常頻度推定システム |
| CN105891546A (zh) * | 2016-01-26 | 2016-08-24 | 沈阳工业大学 | 基于大数据的风电机组偏航系统中风向标故障诊断的方法 |
| CN108182296A (zh) * | 2016-12-08 | 2018-06-19 | 中南大学 | 一种基于经验模态分解的轨检仪轨向数据处理方法 |
| CN109726874A (zh) * | 2019-01-18 | 2019-05-07 | 创新奇智(北京)科技有限公司 | 出行线路规划方法、装置、计算设备及存储介质 |
| CN109816272A (zh) * | 2019-02-25 | 2019-05-28 | 北京工商大学 | 受限信息条件下科技型上市企业财务风险预警方法 |
| CN110066895A (zh) * | 2019-04-10 | 2019-07-30 | 东北大学 | 一种基于Stacking的高炉铁水质量区间预测方法 |
| CN110427715A (zh) * | 2019-08-08 | 2019-11-08 | 内蒙古科技大学 | 基于时间序列和高炉多维度的炉缸热状态趋势预测的方法 |
| CN110852346A (zh) * | 2019-10-08 | 2020-02-28 | 深圳大学 | 通信设备的能耗管控方法、装置、计算机设备和存储介质 |
| CN110930076A (zh) * | 2019-12-18 | 2020-03-27 | 华东交通大学 | 一种接触网状态的多元统计评价方法 |
| CN111061620A (zh) * | 2019-12-27 | 2020-04-24 | 福州林科斯拉信息技术有限公司 | 一种混合策略的服务器异常智能检测方法及检测系统 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7154403B2 (en) * | 2004-06-30 | 2006-12-26 | General Electric Company | Apparatus and method for monitoring the output of a warning or indicator light |
| US9002774B2 (en) * | 2011-09-23 | 2015-04-07 | Aol Advertising Inc. | Systems and methods for generating a forecasting model and forecasting future values |
| KR101805929B1 (ko) * | 2012-03-12 | 2017-12-06 | 엘에스산전 주식회사 | 열차시스템의 차량질량 추정장치 및 방법 |
-
2020
- 2020-06-12 CN CN202010539746.5A patent/CN111695735B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2013097617A (ja) * | 2011-11-01 | 2013-05-20 | Advanced Telecommunication Research Institute International | 異常頻度推定装置、異常頻度推定プログラム、異常頻度推定方法および異常頻度推定システム |
| CN105891546A (zh) * | 2016-01-26 | 2016-08-24 | 沈阳工业大学 | 基于大数据的风电机组偏航系统中风向标故障诊断的方法 |
| CN108182296A (zh) * | 2016-12-08 | 2018-06-19 | 中南大学 | 一种基于经验模态分解的轨检仪轨向数据处理方法 |
| CN109726874A (zh) * | 2019-01-18 | 2019-05-07 | 创新奇智(北京)科技有限公司 | 出行线路规划方法、装置、计算设备及存储介质 |
| CN109816272A (zh) * | 2019-02-25 | 2019-05-28 | 北京工商大学 | 受限信息条件下科技型上市企业财务风险预警方法 |
| CN110066895A (zh) * | 2019-04-10 | 2019-07-30 | 东北大学 | 一种基于Stacking的高炉铁水质量区间预测方法 |
| CN110427715A (zh) * | 2019-08-08 | 2019-11-08 | 内蒙古科技大学 | 基于时间序列和高炉多维度的炉缸热状态趋势预测的方法 |
| CN110852346A (zh) * | 2019-10-08 | 2020-02-28 | 深圳大学 | 通信设备的能耗管控方法、装置、计算机设备和存储介质 |
| CN110930076A (zh) * | 2019-12-18 | 2020-03-27 | 华东交通大学 | 一种接触网状态的多元统计评价方法 |
| CN111061620A (zh) * | 2019-12-27 | 2020-04-24 | 福州林科斯拉信息技术有限公司 | 一种混合策略的服务器异常智能检测方法及检测系统 |
Non-Patent Citations (1)
| Title |
|---|
| 基于核密度估计算法的T100C列车转向架载荷谱统计研究;高延杰等;《机械强度》;20161207;全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111695735A (zh) | 2020-09-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111695735B (zh) | 一种基于流计算的铁路弓网实时预警方法、系统及装置 | |
| CN111143438B (zh) | 一种基于流处理的车间现场数据实时监测与异常检测方法 | |
| US20160369777A1 (en) | System and method for detecting anomaly conditions of sensor attached devices | |
| CN116304898B (zh) | 基于机器学习的传感器数据智能存储系统 | |
| CN112284440B (zh) | 一种传感器数据偏差自适应修正方法 | |
| CN113415165B (zh) | 一种故障诊断方法、装置、电子设备及存储介质 | |
| CN108957385B (zh) | 一种电能计量设备自动化检定线异常表位确认方法及装置 | |
| CN105403705B (zh) | 一种包含血糖分类功能故障检测模块的连续血糖监测设备 | |
| CN109874148B (zh) | 天馈异常检测方法、装置、系统及计算机设备 | |
| CN113592343A (zh) | 二次系统的故障诊断方法、装置、设备和存储介质 | |
| US20210240167A1 (en) | Method and apparatus for detecting abnormality of manufacturing facility | |
| CN104535735B (zh) | 水质远程在线监测方法 | |
| CN112766301B (zh) | 一种采油机示功图相似性判断方法 | |
| CN112325967A (zh) | 智能化物联网水表工作状态预警方法及系统 | |
| CN103529337B (zh) | 设备故障与电气量信息间非线性相关关系的识别方法 | |
| WO2019019429A1 (zh) | 一种虚拟机异常检测方法、装置、设备及存储介质 | |
| CN112882898B (zh) | 基于大数据日志分析的异常检测方法、系统、设备及介质 | |
| CN109341650B (zh) | 一种基于最小检测代价的无人机高程误差双门限修正方法 | |
| CN116522096A (zh) | 基于动作捕捉的三维数字孪生内容智能制作方法 | |
| CN109407039B (zh) | 智能电表及其系统、自诊断方法和故障检测方法 | |
| CN113537459B (zh) | 一种药品库房温湿度预测方法 | |
| CN104568256A (zh) | 发动机扭矩检测系统及方法 | |
| CN113505039A (zh) | 一种通信故障分析方法、设备及系统 | |
| CN110866652A (zh) | 一种基于lstm模型的在线pmu数据纠错方法及系统 | |
| CN112240793A (zh) | 一种用于物联网技术油耗检查系统 |
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 |