CN111737808A - 一种基于人工神经网络的铁路路基预警系统及方法 - Google Patents

一种基于人工神经网络的铁路路基预警系统及方法 Download PDF

Info

Publication number
CN111737808A
CN111737808A CN202010780814.7A CN202010780814A CN111737808A CN 111737808 A CN111737808 A CN 111737808A CN 202010780814 A CN202010780814 A CN 202010780814A CN 111737808 A CN111737808 A CN 111737808A
Authority
CN
China
Prior art keywords
settlement
layer
early warning
railway roadbed
neural network
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
Application number
CN202010780814.7A
Other languages
English (en)
Other versions
CN111737808B (zh
Inventor
蒋梦
张怀
钟雯清
王鹤
康秋静
高占建
黄玉君
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Dacheng Guoce Technology Co ltd
Original Assignee
Beijing Dacheng Guoce Science And Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Dacheng Guoce Science And Technology Co ltd filed Critical Beijing Dacheng Guoce Science And Technology Co ltd
Priority to CN202010780814.7A priority Critical patent/CN111737808B/zh
Publication of CN111737808A publication Critical patent/CN111737808A/zh
Application granted granted Critical
Publication of CN111737808B publication Critical patent/CN111737808B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/13—Architectural design, e.g. computer-aided architectural design [CAAD] related to design of buildings, bridges, landscapes, production plants or roads
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
    • G01D21/00—Measuring or testing not otherwise provided for
    • G01D21/02—Measuring two or more variables by means not covered by a single other subclass
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Geometry (AREA)
  • Evolutionary Computation (AREA)
  • Computer Hardware Design (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Computational Linguistics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Computer Graphics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Architecture (AREA)
  • Civil Engineering (AREA)
  • Health & Medical Sciences (AREA)
  • Structural Engineering (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Machines For Laying And Maintaining Railways (AREA)

Abstract

本发明涉及一种基于人工神经网络的铁路路基预警系统及方法，针对不同的填料类型建立若干预测模型，并进行训练；根据每层的填料类型，选择对应的预测模型进行沉降量预测；对各个监测位置每层的沉降量预测值，根据地理位置绘制生成三维曲面；搜索每个三维曲面的极大值及曲率变化极大值，并判断极大值是否超过阈值，如果超过则输出相应的报警信息。本发明针对填料种类不同，构建多个预测模型，使用中根据每一层的填料种类不同，分别选择不同的预测模型，充分考虑了不同填料沉降特性的差异，提高了预测的准确性。本发明的预测方法不仅能反映出局部变化，还能获取沿轨道的沉降变化，对沉降和轨道的高低变化同时进行监测。

Description

一种基于人工神经网络的铁路路基预警系统及方法
技术领域
本发明涉及铁路路基监测技术领域，尤其涉及一种基于人工神经网络的铁路路基预警系统及方法。
背景技术
在实际工程应用中，路基在恒载与活载共同作用下要有足够的强度和稳定性，要求路基强度不会因温度的变化或某种原因引起的沉降变形而显著降低，从而降低铁路的平顺性能。
当荷载或自然因素作用产生的应力或变形超过路基允许强度或允许变形时，路基则可能发生破坏。路基破坏会大大降低铁路的使用性。
路基的沉降监测已作为路基施工控制的一项重要内容，实际工程中对于变形量大的路基工程一般都要进行沉降监测，如软土路基、湿陷性黄土路基、盐渍土路基、冻土路基以及各种高填方路基等。高速铁路运营期沉降( 尤其是不均匀沉降) 对高速行车的舒适性、安全性构成巨大威胁，因此欲解决其运营期沉降问题，需要采取可靠的手段进行实时在线监测，从而为高速铁路安全运营提供技术保障。因此，保证路基的强度和稳定性，必须采取有效的预测手段，及时发现路基的沉降风险。
传统的预测方式，采用影响沉降的因素建立预测模型，影响因素主要来源于监测量，不能完整地反映沉降的影响因素，预测精度较低；采用历史数据作为输入量的预测模型，无法反映动态载荷的影响，局限性较大。
发明内容
为了实现铁路路基结构沉降的准确预测，本发明提供一种基于人工神经网络的铁路路基预警系统及方法，一方面采用分层预测的方式实现对局部沉降的监测；另一方面实现对沿轨道沉降的分布式监测，保证了监测的准确性和全面性。
为达到上述目的，本发明提供了一种基于人工神经网络的铁路路基预警系统，包括若干采集模块、局部预测模块、曲面生成模块以及预警模块；
所述采集模块采集不同监测位置铁路路基各层的沉降值、应力、倾斜角度以及铁路路基表层的温度和湿度；
所述局部预测模块基于所述采集模块发送数据采用相应的预测模型预测沉降量，并分别输出预测的每个监测点各层的沉降量；
所述曲面生成模块将各个监测点各层的沉降预测值，进行插值后，将每层沉降值按照地理位置绘制三维曲面；
所述预警模块对各层的三维曲面搜索极大值及曲率变化极大值，并判断极大值是否超过沉降阈值，曲率变化极大值是否超过铁路轨道高低阈值，如果任一超过则输出相应的报警信息。
进一步地，所述采集模块包括分层沉降仪检测铁路路基各层的沉降值，应力传感器采集各层的应力值，倾斜角度传感器采集各层倾斜角度，温度传感器采集路基表层的温度，湿度传感器采集路基表层的湿度。
进一步地，所述预测模型为经训练满足精度要求的人工神经网络构建的预测模型，根据孔隙比的范围或级配，构建若干预测模型；所述局部预测模块根据每层填料的类型设置该层采用的预测模型。
进一步地，所述预测模型输入为设定时间间隔的多个沉降值、下一层沉降量、倾斜角度、应力、温度、湿度以及孔隙比；输出为预测的沉降量。
进一步地，所述预警模块根据轨道位置和轨枕位置，获取每个轨枕平面范围内的铁路路基基床表层的三维曲面；获取同一轨枕上部两侧轨道的沉降的最大值
Figure DEST_PATH_IMAGE002
、
Figure DEST_PATH_IMAGE004
和最小值
Figure DEST_PATH_IMAGE006
、
Figure DEST_PATH_IMAGE008
，计算
Figure DEST_PATH_IMAGE010
以及
Figure DEST_PATH_IMAGE012
，查找该轨枕上部两侧轨道的初始差值，叠加两个沉降差值，如果叠加后的任一轨道差值超过了轨道差阈值，则输出轨道间超差报警，并输出对应轨枕的位置。
进一步地，报警信息包括故障位置和故障原因，故障位置为监测位置；故障原因包括沉降超差、高低超差或轨道间超差。
进一步地，还包括报警模块，基于所述采集模块采集不同监测位置铁路路基各层的沉降值进行判断，如果沉降值超过累积沉降阈值或与上一次沉降值比较超过分时沉降阈值，则输出报警信息。
本发明另一方面提供一种基于人工神经网络的铁路路基预警方法，包括如下步骤：
（1）针对不同的填料类型建立若干预测模型，并进行训练；
（2）根据铁路路基每层的填料类型，选择对应的预测模型，获取每层填料的孔隙率；采集每个监测位置的铁路路基各层沉降数据、倾斜角度、应力、温度、湿度，并输入对应的模型进行沉降量预测；
（3）将各个监测位置各层的沉降预测值，进行插值后，将每层沉降值按照地理位置绘制三维曲面；
（4）对各层的三维曲面搜索极大值及曲率变化极大值，并判断极大值是否超过沉降阈值，曲率变化极大值是否超过铁路轨道高低阈值，如果任一超过则输出相应的报警信息。
进一步地，所述训练包括：获取每种的铁路路基填料的监测数据，包括历史沉降量及对应的下层沉降量、倾斜角度、应力、温度、湿度，结合该种铁路路基填料的孔隙形成训练样本库；从训练样本库中选取样本作为输入，进行训练，直至满足精度要求，完成训练并进行封装。
进一步地，步骤（4）还包括根据轨道位置和轨枕位置，获取每个轨枕平面范围内的铁路路基基床表层的三维曲面；获取同一轨枕上部两侧轨道的沉降的最大值
Figure DEST_PATH_IMAGE002A
、
Figure DEST_PATH_IMAGE004A
和最小值
Figure DEST_PATH_IMAGE006A
、
Figure DEST_PATH_IMAGE008A
，计算
Figure DEST_PATH_IMAGE010A
以及
Figure DEST_PATH_IMAGE012A
，查找该轨枕上部两侧轨道的初始差值，叠加两个沉降差值，如果叠加后的任一轨道差值超过了轨道差阈值，则输出轨道间超差报警，并输出对应轨枕的位置。
进一步地，所述报警信息包括故障位置和故障原因，故障位置为监测位置；故障原因包括沉降超差、高低超差或轨道间超差。
进一步地，还包括步骤（5）基于所述采集模块采集不同监测位置铁路路基各层的沉降值进行判断，如果沉降值超过累积沉降阈值或与上一次沉降值比较超过分时沉降阈值，则输出报警信息。
本发明的上述技术方案具有如下有益的技术效果：
（1）本发明针对填料种类不同，构建多个预测模型，使用中根据每一层的填料种类不同，分别选择不同的预测模型，充分考虑了不同填料沉降特性的差异，提高了预测的准确性。
（2）本发明的预测方法不仅能反映出局部变化，还能获取沿轨道的沉降变化，对沉降和轨道的高低变化同时进行监测。
（3）本发明的预测模型基于历史沉降数据进行预测，同时考虑了下层沉降量、应力、温度、湿度以及倾斜角度变化对沉降的影响，针对类型的不同设置了孔隙率作为输入，优选的输入量类型进一步保证了沉降预测的精度。
（4）本发明进一步根据轨枕位置，定位出两条轨道的对应位置，基于沉降曲面获取两条轨道对应位置的沉降差值的最大值，与初始差值进行叠加，实现轨道间高低差值的预警监测。
附图说明
图1是铁路路基预警系统结构示意图；
图2为铁路路基结构示意图；
图3为4层的人工神经网络示意图；
图4为铁路路基预警流程图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明了，下面结合具体实施方式并参照附图，对本发明进一步详细说明。应该理解，这些描述只是示例性的，而并非要限制本发明的范围。此外，在以下说明中，省略了对公知结构和技术的描述，以避免不必要地混淆本发明的概念。
本发明一方面提供一种基于人工神经网络的铁路路基预警系统，结合图1，包括若干采集模块、局部预测模块、曲面生成模块以及预警模块。
（1）采集模块
采集模块分布在轨道路基各处，采集预测所需物理参数，包括沉降仪、应力传感器、倾斜角度传感器、温度传感器、湿度传感器以及数据采集装置。
如图2所示沉降仪采用分层沉降仪，测量该监测点各层的沉降量。例如采用电磁感应原理的沉降仪，沉降环预先通过钻孔方式埋入监测点。沉降量发送至地面的数据采集装置，发送至局部预测模块。
应力传感器采用土压力盒，可以监测各层的应力，或者按照沉降仪的监测点对应埋入土压力盒，使得应力值与沉降值测量位置对应。采集的应力发送至地面的数据采集装置，发送至局部预测模块。
倾斜角度传感器测量该监测点的角度倾斜量。测量倾斜角度的管体钻孔埋设。调整管体内十字导槽方向与观测断面方向一致。
温度传感器、湿度传感器分别测量路基表层的温度和湿度的采集。
数据采集装置采集各个传感器输出的信号并发送给局部预测模块，对于每层的数据需要进行层标记。
（2）局部预测模块
局部预测模块对各个监测点每层的数据采用相应的预测模型预测沉降量，并分别输出预测的每个监测点各层的沉降量。
铁路路基结构为多层结构，如图2所示的实施例中，从上到下依次为轨枕、道砟、基床表层和基床底层。每层的填料并不相同，因此针对不同的填料类型建立若干预测模型，在使用过程中，根据该层的填料类型选择对应的预测模型。
预测模型采用人工神经网络模型。在一个实施例中采用四层的人工神经网络模型，输入采用该监测点的沉降监测的数据18个点，包括当前时刻数据并回溯，间隔为△t，△t优选为24小时、3天、7天或10天；18个点再加上五个变量及孔隙率作为输入。土体的沉降与时间大体程双曲线关系，采用18个数据点分别作为输入量。根据预测时间需求，选择数据点的时间间隔。
不同的填料沉降原因及程度都不相同，因此本发明针对不同的填料，分别建立人工神经网络模型进行训练。可以按照典型的铁路路基级配或不同孔隙率范围分别建立人工神经网络模型。不同的填料对应不同的孔隙率，对其吸水特性、承载力等有着重要影响，是影响沉降的重要因素。
五个变量包括：下一层沉降量、倾斜角度、应力、温度、湿度。其中孔隙率针对不同的与该层的填料类型对应，事先测定或采用该类型填料的典型值。下一层沉降是导致本层沉降的重要因素，因此设置了下一层沉降量作为输入量，下一层沉降直接采用下一层的沉降仪测试值，如果为最下层，则下一层沉降量为0。
温度传感器、湿度传感器检测路及表层的环境温湿度，温度和湿度也是影响沉降的重要因素。路基湿度是指路基上部土层的潮湿程度。它随大气降水与蒸发的多寡、地面及地下排水设施的有无及完善程度而变化。路基的潮湿程度，既影响路基路面结构的强度、刚度及稳定性，进而影响沉降特性。而温度，例如冬季冻土，对沉降特性也会产生较大影响。
列车载荷作用的累积是导致沉降的主要原因，因此将应力变化作为输入量。倾斜会导致侧向载荷的变化，也会导致沉降特性的改变，将倾斜角度作为输入量之一。
人工神经网络模型的训练采用长期的监测数据进行训练，获取每种典型的铁路路基级配的监测数据，包括历史沉降量及对应的下层沉降量、倾斜角度、应力、温度、湿度，结合孔隙形成训练样本库，训练样本库中选取样本作为输入，进行训练，直至满足精度要求，完成训练并进行封装。在另一个实施例中也可以采用实验数据进行训练。随着使用过程中数据量的累积，可以采用积累的数据，定期对所述预测模型进行再次训练，更新预测模型提高精度。
在一个实施例中，结合图3，采用4层的人工神经网络，输入层共24个输入，分别输入特征量x1（n）～x24（n），包括18个设定时间间隔的沉降数据、下一层沉降量、倾斜角度、应力、温度、湿度以及孔隙率。隐含层共两层，对权值进行训练。输出层输出沉降预测结果，与历史数据进行对比，判断是否满足精度要求。
根据每层的填料类型，选择对应的预测模型，添加至局部预测模块。局部预测模块根据接收到的各个监测点的采集数据，采用各层预测模型分别输入该层的数据进行该层沉降的预测，输出该监测点各层的沉降预测；将各个监测点各层的沉降预测发送给分布式拟合模块。
（3）曲面生成模块
所述曲面生成模块将各个监测点各层的沉降预测值，进行插值后，将每层沉降值按照地理位置生成沿轨道方向的三维图，形成连续的三维曲面。三维曲面的x，y坐标为地理平面坐标，z坐标为沉降值。
绘制软件例如采用matlab软件。先用meshgrid结合min、max函数产生网格坐标，再用griddata函数对这些点上的Z值进行插值，最后用surf画图。
（4）预警模块
预警模块对输入的各层的三维曲面搜索极大值，及曲率变化极大值，并判断极大值是否超过沉降阈值，曲率变化极大值是否超过铁路轨道高低阈值，如果超过则输出相应的报警信息。铁路轨道对于高低变化具有严格规定阈值，如果相邻位置的沉降量相差较大导致高低值相差较大，将会对轨道的平顺性产生影响，可能导致轨道变形。因此，根据高速铁路的设计要求，设定沉降阈值以及铁路轨道高低阈值。报警信息包括故障位置（对应监测点的位置）、报警类型（沉降超差或高低超差）。报警信息发送至监控平台。
预警模块还可以根据轨道位置，在计算同一轨枕对应两条轨道的沉降差，并设置相应阈值，如果两个轨道的沉降差值超过设定阈值则输出报警信息。
在所述三维曲面图中，按照坐标位置，获取每个轨枕平面范围内的铁路路基基床表层的沉降值曲面，获取同一轨枕两侧轨道的沉降最大值
Figure DEST_PATH_IMAGE002AA
、
Figure DEST_PATH_IMAGE004AA
和最小值
Figure DEST_PATH_IMAGE006AA
、
Figure DEST_PATH_IMAGE008AA
，计算沉降差值
Figure DEST_PATH_IMAGE010AA
以及
Figure DEST_PATH_IMAGE012AA
，查找存储的该轨枕上部两侧轨道的初始差值，在初始差值上叠加两个沉降差值，如果叠加两个沉降差值后的任一轨道差值超过了轨道差阈值，则输出轨道间超差报警，并输出对应轨枕的位置。
进一步地，还可以设置报警模块，基于所述采集模块采集不同监测位置铁路路基各层的沉降值进行判断，进行实时数据超差报警。如果沉降值超过累积沉降阈值或与上一次沉降值比较超过分时沉降阈值，则输出报警信息。
进一步地，局部预测模块、曲面生成模块以及预警模块可以设置在一台上位机中，采集模块分布在各个监测点或监测区域，通过有线或无线的通讯方式将监测点或监测区域的数据发送至上位机。
本发明一方面提供一种基于人工神经网络的铁路路基预警方法，结合图4，包括如下步骤：
（1）针对不同的填料类型建立若干预测模型，并进行训练；
预测模型采用人工神经网络模型，输入采用该监测点的沉降监测的数据18个点，包括当前时刻数据并回溯，间隔为△t，△t优选为24小时、3天、7天或10天；18个点再加上五个变量及孔隙率作为输入，五个变量包括：下一层沉降量、倾斜角度、应力、温度、湿度。人工神经网络模型的训练采用长期的监测数据进行训练。
（2）根据每层的填料类型，选择对应的预测模型，获取其孔隙率；采集每个监测位置的铁路路基各层沉降数据、倾斜角度、应力、温度、湿度，并输入对应的模型进行沉降量预测。
（3）对各个监测位置每层的沉降量预测值，根据地理位置绘制生成三维曲面；形成各层的沉降曲面。为了保证曲面的连续性，需要进行插值。
（4）搜索每个三维曲面的极大值，及曲率变化极大值，并判断极大值是否超过沉降阈值，曲率变化极大值是否超过铁路轨道高低阈值，如果超过则输出相应的报警信息。报警信息包括故障位置（对应监测点的位置）、报警类型（沉降超差或高低超差）。报警信息发送至监控平台。
进一步地，随着数据量的累积，可以定期对所述预测模型进行再次训练，更新预测模型提高精度。
进一步地，步骤（4）还包括根据轨道位置和轨枕位置，获取每个轨枕平面范围内的铁路路基基床表层的三维曲面；获取同一轨枕上部两侧轨道的沉降的最大值
Figure DEST_PATH_IMAGE002AAA
、
Figure DEST_PATH_IMAGE004AAA
和最小值
Figure DEST_PATH_IMAGE006AAA
、
Figure DEST_PATH_IMAGE008AAA
，计算沉降差值
Figure DEST_PATH_IMAGE010AAA
以及
Figure DEST_PATH_IMAGE012AAA
，查找该轨枕上部两侧轨道的初始差值，叠加两个沉降差值，如果叠加后的任一轨道差值超过了轨道差阈值，则输出轨道间超差报警，并输出对应轨枕的位置。
进一步地，还包括步骤（5）基于采集不同监测位置铁路路基各层的沉降值进行判断，如果沉降值超过累积沉降阈值或与上一次沉降值比较超过分时沉降阈值，则输出报警信息。
综上所述，本发明涉及一种基于人工神经网络的铁路路基预警系统及方法，针对不同的填料类型建立若干预测模型，并进行训练；根据每层的填料类型，选择对应的预测模型进行沉降量预测；对各个监测位置每层的沉降量预测值，根据地理位置绘制生成三维曲面；搜索每个三维曲面的极大值及曲率变化极大值，并判断极大值是否超过阈值，如果超过则输出相应的报警信息。本发明针对填料种类不同，构建多个预测模型，使用中根据每一层的填料种类不同，分别选择不同的预测模型，充分考虑了不同填料沉降特性的差异，提高了预测的准确性。本发明的预测方法不仅能反映出局部变化，还能获取沿轨道的沉降变化，对沉降和轨道的高低变化同时进行监测。
应当理解的是，本发明的上述具体实施方式仅仅用于示例性说明或解释本发明的原理，而不构成对本发明的限制。因此，在不偏离本发明的精神和范围的情况下所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。此外，本发明所附权利要求旨在涵盖落入所附权利要求范围和边界、或者这种范围和边界的等同形式内的全部变化和修改例。

Claims (12)

1.一种基于人工神经网络的铁路路基预警系统，其特征在于，包括若干采集模块、局部预测模块、曲面生成模块以及预警模块；
所述采集模块采集不同监测位置铁路路基各层的沉降值、应力、倾斜角度以及铁路路基表层的温度和湿度；
所述局部预测模块基于所述采集模块发送数据采用相应的预测模型预测沉降量，并分别输出预测的每个监测点各层的沉降量；
所述曲面生成模块将各个监测点各层的沉降预测值，进行插值后，将每层沉降值按照地理位置绘制三维曲面；
所述预警模块对各层的三维曲面搜索极大值及曲率变化极大值，并判断极大值是否超过沉降阈值，曲率变化极大值是否超过铁路轨道高低阈值，如果任一超过则输出相应的报警信息。
2.根据权利要求1所述的基于人工神经网络的铁路路基预警系统，其特征在于，所述采集模块包括分层沉降仪检测铁路路基各层的沉降值，应力传感器采集各层的应力值，倾斜角度传感器采集各层倾斜角度，温度传感器采集路基表层的温度，湿度传感器采集路基表层的湿度。
3.根据权利要求1或2所述的基于人工神经网络的铁路路基预警系统，其特征在于，所述预测模型为经训练满足精度要求的人工神经网络构建的预测模型，根据孔隙比的范围或级配，构建若干预测模型；所述局部预测模块根据每层填料的类型设置该层采用的预测模型。
4.根据权利要求3所述的基于人工神经网络的铁路路基预警系统，其特征在于，所述预测模型输入为设定时间间隔的多个沉降值、下一层沉降量、倾斜角度、应力、温度、湿度以及孔隙比；输出为预测的沉降量。
5.根据权利要求1或2所述的基于人工神经网络的铁路路基预警系统，其特征在于，所 述预警模块根据轨道位置和轨枕位置，获取每个轨枕平面范围内的铁路路基基床表层的三 维曲面；获取同一轨枕上部两侧轨道的沉降的最大值
Figure DEST_PATH_IMAGE001
和最小值
Figure 302683DEST_PATH_IMAGE002
，计算沉降差值
Figure DEST_PATH_IMAGE003
，查找该轨枕上部两侧 轨道的初始差值，叠加两个沉降差值，如果叠加后的任一轨道差值超过了轨道差阈值，则输 出轨道间超差报警，并输出对应轨枕的位置。
6.根据权利要求5所述的基于人工神经网络的铁路路基预警系统，其特征在于，报警信息包括故障位置和故障原因，故障位置为监测位置；故障原因包括沉降超差、高低超差或轨道间超差。
7.根据权利要求5所述的基于人工神经网络的铁路路基预警系统，其特征在于，还包括报警模块，基于所述采集模块采集不同监测位置铁路路基各层的沉降值进行判断，如果沉降值超过累积沉降阈值或与上一次沉降值比较超过分时沉降阈值，则输出报警信息。
8.一种基于人工神经网络的铁路路基预警方法，其特征在于，包括如下步骤：
（1）针对不同的填料类型建立若干预测模型，并进行训练；
（2）根据铁路路基每层的填料类型，选择对应的预测模型，获取每层填料的孔隙率；采集每个监测位置的铁路路基各层沉降数据、倾斜角度、应力、温度、湿度，并输入对应的模型进行沉降量预测；
（3）将各个监测位置各层的沉降预测值，进行插值后，将每层沉降值按照地理位置绘制三维曲面；
（4）对各层的三维曲面搜索极大值及曲率变化极大值，并判断极大值是否超过沉降阈值，曲率变化极大值是否超过铁路轨道高低阈值，如果任一超过则输出相应的报警信息。
9.根据权利要求8所述的基于人工神经网络的铁路路基预警方法，其特征在于，所述训练包括：获取每种的铁路路基填料的监测数据，包括历史沉降量及对应的下层沉降量、倾斜角度、应力、温度、湿度，结合该种铁路路基填料的孔隙形成训练样本库；从训练样本库中选取样本作为输入，进行训练，直至满足精度要求，完成训练并进行封装。
10.根据权利要求8或9所述的基于人工神经网络的铁路路基预警方法，其特征在于，步 骤（4）还包括根据轨道位置和轨枕位置，获取每个轨枕平面范围内的铁路路基基床表层的 三维曲面；获取同一轨枕上部两侧轨道的沉降的最大值
Figure 32742DEST_PATH_IMAGE004
和最小值
Figure DEST_PATH_IMAGE005
，计算沉降差值
Figure 232779DEST_PATH_IMAGE006
，查找该轨枕上部两侧 轨道的初始差值，叠加两个沉降差值，如果叠加后的任一轨道差值超过了轨道差阈值，则输 出轨道间超差报警，并输出对应轨枕的位置。
11.根据权利要求10所述的基于人工神经网络的铁路路基预警方法，其特征在于，所述报警信息包括故障位置和故障原因，故障位置为监测位置；故障原因包括沉降超差、高低超差或轨道间超差。
12.根据权利要求10所述的基于人工神经网络的铁路路基预警方法，其特征在于，还包括步骤（5）基于采集不同监测位置铁路路基各层的沉降值进行判断，如果沉降值超过累积沉降阈值或与上一次沉降值比较超过分时沉降阈值，则输出报警信息。
CN202010780814.7A 2020-08-06 2020-08-06 一种基于人工神经网络的铁路路基预警系统及方法 Active CN111737808B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010780814.7A CN111737808B (zh) 2020-08-06 2020-08-06 一种基于人工神经网络的铁路路基预警系统及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010780814.7A CN111737808B (zh) 2020-08-06 2020-08-06 一种基于人工神经网络的铁路路基预警系统及方法

Publications (2)

Publication Number Publication Date
CN111737808A true CN111737808A (zh) 2020-10-02
CN111737808B CN111737808B (zh) 2020-11-20

Family

ID=72658110

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010780814.7A Active CN111737808B (zh) 2020-08-06 2020-08-06 一种基于人工神经网络的铁路路基预警系统及方法

Country Status (1)

Country Link
CN (1) CN111737808B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115266929A (zh) * 2022-08-09 2022-11-01 成都工业职业技术学院(成都市工业职业技术学校) 一种基于深度学习的高铁路基共振预警方法及系统
CN116050624A (zh) * 2023-02-03 2023-05-02 广西海川路桥建设有限公司 一种公路道路施工综合监测方法及系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106407593A (zh) * 2016-10-10 2017-02-15 哈尔滨理工大学 一种基于gep的高速铁路路基沉降预测系统
CN108304674A (zh) * 2018-02-09 2018-07-20 陕西铁路工程职业技术学院 一种基于bp神经网络的铁路软土路基沉降预测方法
CN110593018A (zh) * 2019-06-28 2019-12-20 吉林大学 一种高速铁路路基的沉降预测方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106407593A (zh) * 2016-10-10 2017-02-15 哈尔滨理工大学 一种基于gep的高速铁路路基沉降预测系统
CN108304674A (zh) * 2018-02-09 2018-07-20 陕西铁路工程职业技术学院 一种基于bp神经网络的铁路软土路基沉降预测方法
CN110593018A (zh) * 2019-06-28 2019-12-20 吉林大学 一种高速铁路路基的沉降预测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
ZHENG TONG等: "Innovative method for recognizing subgrade defects based on a convolutional neural network", 《CONSTRUCTION AND BUILDING MATERIALS》 *
周黎: "基于神经网络算法的路基施工沉降预测", 《长江工程职业技术学院学报》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115266929A (zh) * 2022-08-09 2022-11-01 成都工业职业技术学院(成都市工业职业技术学校) 一种基于深度学习的高铁路基共振预警方法及系统
CN116050624A (zh) * 2023-02-03 2023-05-02 广西海川路桥建设有限公司 一种公路道路施工综合监测方法及系统
CN116050624B (zh) * 2023-02-03 2023-08-22 广西海川路桥建设有限公司 一种公路道路施工综合监测方法及系统

Also Published As

Publication number Publication date
CN111737808B (zh) 2020-11-20

Similar Documents

Publication Publication Date Title
CN111737808B (zh) 一种基于人工神经网络的铁路路基预警系统及方法
CN110411370B (zh) 一种基于空间时间参数的隧道施工风险管控系统
Smethurst et al. Current and future role of instrumentation and monitoring in the performance of transport infrastructure slopes
CN109389807B (zh) 蠕变型滑坡智能监测预警系统
CN109145463B (zh) 一种用于隧道开挖过程中的变形分析方法
CN102409634B (zh) 冲积河流崩岸预警方法
CN202947731U (zh) 沉降信息采集系统
CN113204830B (zh) 基于bp网络由横波波速确定黏性土地基承载力的校正方法
MX2014010380A (es) Estudio y zanjeo automatizado de vias.
Jean-Michel et al. Groundwater dynamics within a watershed in the discontinuous permafrost zone near Umiujaq (Nunavik, Canada)
CN113569312B (zh) 城市地下施工情景下脱空道路安全余量评估和预控方法
CN201177529Y (zh) 水位远程测报系统
CN110795812A (zh) 一种基于大数据分析的滑坡预测方法及系统
CN102798376B (zh) 陆海高程基准统一技术
CN113236260A (zh) 一种全方位盾构下穿既有地铁车站施工监测方法
CN113657041A (zh) 一种高寒区路基物理力学状态智能感知与预报系统
Pratap et al. Three-decade spatial patterns in surface mass balance of the Nivlisen Ice Shelf, central Dronning Maud Land, East Antarctica
Carpenter et al. Enhancement of the GPR method of railway trackbed investigation by the installation of radar detectable geosynthetics
Blasiis et al. Assessing the effect of pavement distresses by means of LiDAR technology
CN111155414B (zh) 超大跨度钢箱梁悬索桥整体道床铺轨施工方法
CN111455787B (zh) 一种基于路面三维数字化的路面检测系统
CN112629478A (zh) 地铁车站施工对既有地下结构变形变位的空间监测方法
CN110631547B (zh) 基于物联网的路基监测预警系统
CN106897517B (zh) 高速铁路沿线大风监测优化布网自动搜索方法
CN110344327A (zh) 一种斜拉桥上轨道控制网cpiii点实时高程计算方法

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
GR01 Patent grant
GR01 Patent grant
CB03 Change of inventor or designer information
CB03 Change of inventor or designer information

Inventor after: Jiang Meng

Inventor after: Zhang Huai

Inventor after: Wang He

Inventor after: Kang Qiujing

Inventor after: Gao Zhanjian

Inventor after: Huang Yujun

Inventor before: Jiang Meng

Inventor before: Zhang Huai

Inventor before: Zhong Wenqing

Inventor before: Wang He

Inventor before: Kang Qiujing

Inventor before: Gao Zhanjian

Inventor before: Huang Yujun

CP01 Change in the name or title of a patent holder
CP01 Change in the name or title of a patent holder

Address after: 102206 room 503, building 6, No.97, Changping Road, Changping District, Beijing

Patentee after: Beijing Dacheng Guoce Technology Co.,Ltd.

Address before: 102206 room 503, building 6, No.97, Changping Road, Changping District, Beijing

Patentee before: BEIJING DACHENG GUOCE SCIENCE AND TECHNOLOGY CO.,LTD.