CN112033335A - 一种铁路轨距尺智能化监测预警系统及方法 - Google Patents

一种铁路轨距尺智能化监测预警系统及方法 Download PDF

Info

Publication number
CN112033335A
CN112033335A CN202011219611.7A CN202011219611A CN112033335A CN 112033335 A CN112033335 A CN 112033335A CN 202011219611 A CN202011219611 A CN 202011219611A CN 112033335 A CN112033335 A CN 112033335A
Authority
CN
China
Prior art keywords
data
fruit
parameter data
chinese wolfberry
railway
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
CN202011219611.7A
Other languages
English (en)
Other versions
CN112033335B (zh
Inventor
王威
廖峪
王迎春
林仁辉
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.)
Chengdu Zhonggui Track Equipment Co ltd
Original Assignee
Chengdu Zhonggui Track Equipment 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 Chengdu Zhonggui Track Equipment Co ltd filed Critical Chengdu Zhonggui Track Equipment Co ltd
Priority to CN202011219611.7A priority Critical patent/CN112033335B/zh
Publication of CN112033335A publication Critical patent/CN112033335A/zh
Application granted granted Critical
Publication of CN112033335B publication Critical patent/CN112033335B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
    • G01B21/00—Measuring arrangements or details thereof, where the measuring technique is not covered by the other groups of this subclass, unspecified or not relevant
    • G01B21/16—Measuring arrangements or details thereof, where the measuring technique is not covered by the other groups of this subclass, unspecified or not relevant for measuring distance of clearance between spaced objects
    • E—FIXED CONSTRUCTIONS
    • E01—CONSTRUCTION OF ROADS, RAILWAYS, OR BRIDGES
    • E01B—PERMANENT WAY; PERMANENT-WAY TOOLS; MACHINES FOR MAKING RAILWAYS OF ALL KINDS
    • E01B35/00—Applications of measuring apparatus or devices for track-building purposes
    • E01B35/02—Applications of measuring apparatus or devices for track-building purposes for spacing, for cross levelling; for laying-out curves
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
    • 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
    • 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
    • G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
    • 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
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Architecture (AREA)
  • Civil Engineering (AREA)
  • Structural Engineering (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Train Traffic Observation, Control, And Security (AREA)
  • Machines For Laying And Maintaining Railways (AREA)

Abstract

本发明公开了一种铁路轨距尺智能化监测预警系统及方法，包括用于现场施工的若干个智能轨距尺；智能轨距尺依次与手持终端、现场人员APP和应用服务器连接；应用服务器分别与数据服务器、云端和后台监管系统连接；后台监管系统与现场人员APP连接；数据服务器与管理人员APP信号连接。本发明通过模型得到预测参数数据、铁路钢轨工作状态等级和参数数据得分，并将预测参数数据、铁路钢轨工作状态等级和参数数据得分上传至后台监管系统和现场人员APP上，以便及时发现参数异常和铁路钢轨工作状态，并在发生实际故障之前，及时预警、维修、处理。

Description

一种铁路轨距尺智能化监测预警系统及方法
技术领域
本发明属于智能轨距尺的技术领域，具体涉及一种铁路轨距尺智能化监测预警系统及方法。
背景技术
轨距尺是用于测量铁路线路两股钢轨间轨距的专用计量器具，它的功能分为2大部分：一是横向长度测量，包括轨距、查照间隔和护背距离，从结构原理及量值溯源的角度分析，这3个参数是相互关联和相互制约的，按现行量值传递方法，测量误差从轨距到查照间隔、再到护背距离是逐渐增大的；二是垂向高度测量，包括水平和超高，作为线路的静态几何参数，两者在含义上具有本质性区别，水平属于形位公差范畴（相当于平行度或倾斜度），超高则属于尺寸公差范畴（与线路两轨间的预设高度差有关）。数显轨距尺是采用数码形式显示测量结果的计量器具，它通过微电子、嵌入式、传感器等技术和OLED显示屏，直接读取铁路线路轨距、超高、查照间隔、护背距离的测量数值，彻底消除视觉误差和刻线间估算读数这两种误差。
而传统轨距尺在测量后的数据整理和数据分析上仍偏向人工操作，受环境因素与疲劳度等因素影响，容易造成数据出错；同时下道后数据整理分析需要一定时间，从而造成维修等待和维修流程时间太长。市面上现有的数显轨距尺没有发挥数字化的优势为现场测量提供诸如数据库查询、相对复杂的信息处理等服务，不利于现场问题的及时处置，与数字铁路、数字化和网络化测量的概念相去甚远。
传统轨距尺所存在的问题：
1、测量流程繁琐，测量人员需求大。
2、数据的记录作业采用纸质文档记录，同时容易出现数据作假的情况。
3、现场数据测量后，需要人为计算三角坑，数据超限无法立即提醒。
4、测量信息不能及时反馈给维修工去进行维修，对于铁路安全留下隐患。
5、下道后需人工分析处理数据，并生成报表上传，耗时耗力。
6、历史测量数据无法回溯比对，对长期易出现的问题没有寻找到合适的解决方案。
发明内容
本发明的目的在于针对现有技术中的上述不足，提供一种铁路轨距尺智能化监测预警系统及方法，以解决或改善上述的问题。
为达到上述目的，本发明采取的技术方案是：
一种铁路轨距尺智能化监测预警系统及方法，其包括用于现场施工的若干个智能轨距尺；智能轨距尺依次与手持终端、现场人员APP和应用服务器连接；应用服务器分别与数据服务器、云端和后台监管系统连接；后台监管系统与现场人员APP连接；数据服务器与管理人员APP信号连接。
一种铁路轨距尺智能化监测预警系统的监控方法，包括：
S1、获取铁路钢轨的历史参数数据和历史参数数据对应的铁路钢轨的工作状态；
S2、对获取的历史参数数据进行预处理，补充历史参数数据缺失值，得到参数数据对应的时间点的时间序列数据；
S3、将对应的时间点的时间序列数据随机划分为训练样本数据和测试样本数据；
S4、构建LSTM预测模型，并采用训练样本数据对LSTM预测模型进行训练，并根据训练的结果对LSTM预测模型的参数进行优化求解，并获得当前铁路钢轨的预测参数数据M预=（Ai，Bi，Ci，Di，Ei），其中，Ai为i时刻预测的轨距数据，Bi为i时刻预测的查照间隔数据，Ci为i时刻预测的护背距离数据，Di为i时刻预测的水平数据，Ei为i时刻预测的轨距数据；
S5、通过现场智能轨距尺实时采集铁路钢轨的参数数据M实=（A实，B实，C实，D实，E实），A实，B实，C实，D实，E实分别为实测的轨距数据，实测的查照间隔数据，实测的的护背距离数据，实测的水平数据，实测的轨距数据；计算当前时刻的M预=（Ai，Bi，Ci，Di，Ei）中的数据与M实=（A实，B实，C实，D实，E实）中的对应数据之间的差值，并根据数据之间的差值优化调整LSTM预测模型的参数，得到优化后的LSTM预测模型；
S6、对铁路钢轨工作状态进行状态等级划分，包括正常工作状态、临界工作状态、轻事故工作状态和紧急事故状态，并根据铁路钢轨的状态等级，对历史参数数据进行对应的等级区间划分；
S7、以铁路钢轨历史参数数据的等级区间划分作为输入，铁路钢轨工作状态的状态等级划分作为输出，构建SVM状态预警模型；
S8、通过优化后的LSTM预测模型预测输出铁路钢轨一个时刻的参数数据，并将所述参数数据依次代入步骤S6和步骤S7中，预测得到所述时刻的铁路钢轨工作状态等级；
S9、根据铁路钢轨历史参数数据的等级区间划分，构建参数数据的状态事故评分模型，并将S8中预测输出铁路钢轨一个时刻的参数数据带入参数数据的状态事故评分模型中，得到参数数据的得分；
S10、将预测参数数据、铁路钢轨工作状态等级和参数数据得分上传至后台监管系统和现场人员APP上。
优选地，S1中获取智能轨距尺采集的历史参数数据，包括：按照时间顺序依次排列的若干组轨距、查照间隔、护背距离、水平和超高参数数据。
优选地，S2对获取的历史参数数据进行预处理，包括：
S2.1、剔除异常数据，并采用均值插补弥补参数数据的缺失值；
S2.2、采用minmaxscaler算法对弥补后的若干个参数数据进行归一化处理，得到参数数据对应连续时间点的时间序列数据。
优选地，将S2.2中归一化处理后的参数数据投影到[0，1]区间内。
优选地，LSTM预测模型包括输入层、中间层和输出层；
输入层包括一个节点，用于测试样本数据和训练样本数据的输入，并将样本数据的时间序列输入到中间层；
中间层，用于学习输入数据与输出数据的关系；
输出层，包括五个节点，五个节点分别为轨距、查照间隔、护背距离、水平和超高参数数据。
优选地，通过现场智能轨距尺实时采集铁路钢轨的参数数据M实=（A实，B实，C实，D实，E实），A实，B实，C实，D实，E实分别为实测的轨距数据，实测的查照间隔数据，实测的的护背距离数据，实测的水平数据，实测的轨距数据；计算当前时刻的M预=（Ai，Bi，Ci，Di，Ei）中的数据与M实=（A实，B实，C实，D实，E实）中的对应数据之间的差值，并根据数据之间的差值优化调整LSTM预测模型的参数，得到优化后的LSTM预测模型，包括：
S5.1、设定轨距参数差值阈值为ξ；
S5.2、参数数据的差的绝对值为ΔA=| Ai - A实|，当ΔA≥ξ时，则将A实替换对应的Ai值，返回并执行S2、S3、S4、S5，优化LSTM预测模型，直至ΔA≤ξ时结束；当ΔA≤ξ时，结束；
S5.3、按照S5.1和S5.2依次完成查照间隔、护背距离、水平和超高数据对应的LSTM预测模型的参数优化。
优选地，S6中对铁路钢轨工作状态进行状态等级划分，包括正常工作状态、临界工作状态、轻事故工作状态和紧急事故状态，并根据铁路钢轨的状态等级，对历史参数数据进行对应的等级区间划分，包括：
设定铁路钢轨的正常工作状态对应的轨距数据区间为[a min，a max]，a min为正常工作状态对应的轨距下限数据，a max为正常工作状态对应的轨距上限数据；临界工作状态对应的轨距数据区间为（a 2，a 1）和（a 1 ’，a 2 ’）；轻事故工作状态对应的轨距数据区间为（a 3，a 2）和（a 2 ’，a 3 ’）；紧急事故状态对应的轨距数据区间为（a 4，a 3）和（a 3 ’，a 4 ’）；其中，a 4＜ a 3＜ a 2＜ a 1＜ a min＜ a max＜ a 1 ’ ＜ a 2 ’ ＜ a 3 ’ ＜ a 4 ’。
优选地，S9根据铁路钢轨历史参数数据的等级区间划分，构建参数数据的状态事故评分模型，并将S8中预测输出铁路钢轨一个时刻的参数数据带入参数数据的状态事故评分模型中，得到参数数据的得分S，包括：
Figure DEST_PATH_IMAGE002AA
其中，A预为预测输出铁路钢轨一个时刻的轨距数据，每一个预测参数数据的得分越靠近0，则参数数据安全性越高；得分越大于0，则参数数据安全性越低，a min为正常工作状态对应的轨距下限数据，a max为正常工作状态对应的轨距上限数据。
优选地，后台监管系统接收预测参数数据、铁路钢轨工作状态等级和参数数据得分，将铁路钢轨的工作状态以颜色显示，其中，正常工作状态显示为绿色，临界工作状态显示为橙色，轻事故工作状态显示为黄色，紧急事故状态显示为红色。
本发明提供的铁路轨距尺智能化监测预警系统及方法，具有以下有益效果：
本发明通过对应时间的历史参数数据构建LSTM预测模型，并根据预测数据和实测数据之间的差值，进行LSTM预测模型的优化，提高模型预测精度；同时对参数数据和其对应的工作状态进行区间和等级划分，构建SVM状态预警模型和参数数据的状态事故评分模型，用于预测输出下一时刻的预测参数数据、铁路钢轨工作状态等级和参数数据得分，并将预测参数数据、铁路钢轨工作状态等级和参数数据得分上传至后台监管系统和现场人员APP上，以便及时发现参数异常和铁路钢轨工作状态，并在发生实际故障之前，及时维修处理。
附图说明
图1为铁路轨距尺智能化监测预警系统框图。
图2为铁路轨距尺智能化监测预警系统及方法的LSTM预测模型。
具体实施方式
下面对本发明的具体实施方式进行描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。
根据本申请的一个实施例，参考图1，本方案的铁路轨距尺智能化监测预警系统，包括用于现场施工的若干个智能轨距尺；智能轨距尺依次与手持终端、现场人员APP和应用服务器连接；应用服务器分别与数据服务器、云端和后台监管系统连接；后台监管系统与现场人员APP连接；数据服务器与管理人员APP信号连接。
其中，智能轨距尺用于现场铁路钢轨横向长度测量，包括轨距、查照间隔和护背距离；也用于现场铁路钢轨的垂向高度测量，包括水平和超高。并将实时采集的轨距、查照间隔、护背距离、水平和超高数据通过蓝牙或者有线的方式传送至手持终端、现场人员APP和网关，并进一步传送至服务器中。
服务器包括应用服务器和数据服务器，应用服务器根据接收的轨距、查照间隔、护背距离、水平和超高参数数据，进行分析、处理、判断，并输出结果，随后将结果发送至生成报表上传数据服务器、后台监管系统和云端。
同时，数据服务器和后台监管系统对数据进行存储。
管理人员和现场施工人员可注册使用APP，从云端实时监督参看当前数据。
APP需要进行实名认证，包括身份证、头像、职务等数据的注册认证，对于管理人员和现场施工人员配置机构用户权限：管理员设置段、车间、工区管辖范围内的车站、线路里程信息。
现场检查人员执行作业计划
1、登陆手持终端系统，更新登陆用户权限范围基础数据（如：管辖线路；车站股道；道岔，道岔所对应的检查项目模板；管辖范围内曲线等信息）。开启智能道尺设备，进行蓝牙连接。
2、获取登陆用户作业信息，或者配置临时作业信息。
3、进行线路检查，存储检查数据，并进行实时传输，对比预测数据，实时计算超高偏差值、轨距偏差值，并根据标准的容许偏差值范围，自动判断，分级预警。
实时查看作业检查数据
1、手持终端机查看检查数据及报表。
2、管理后台查看检查数据及报表。
根据本申请的一个实施例，一种铁路轨距尺智能化监测预警系统的监控方法，包括：
S1、获取铁路钢轨的历史参数数据和历史参数数据对应的铁路钢轨的工作状态，其中历史参数数据，包括：按照时间顺序依次排列的若干组轨距、查照间隔、护背距离、水平和超高参数数据。
S2、对获取的历史参数数据进行预处理，补充历史参数数据缺失值，得到参数数据对应的时间点的时间序列数据，对获取的历史参数数据进行预处理，包括：
S2.1、剔除异常数据，并采用均值插补弥补参数数据的缺失值；
S2.2、采用minmaxscaler算法对弥补后的若干个参数数据进行归一化处理，得到参数数据对应连续时间点的时间序列数据，并将归一化处理后的参数数据投影到[0，1]区间内。
S3、将对应的时间点的时间序列数据随机划分为训练样本数据和测试样本数据，输入为时间点，输出为参数数据，即每一个时间点均有其对应的参数数据。
S4、构建LSTM预测模型，并采用训练样本数据对LSTM预测模型进行训练，并根据训练的结果对LSTM预测模型的参数进行优化求解，并获得当前铁路钢轨的预测参数数据M预=（Ai，Bi，Ci，Di，Ei），其中，Ai为i时刻预测的轨距数据，Bi为i时刻预测的查照间隔数据，Ci为i时刻预测的护背距离数据，Di为i时刻预测的水平数据，Ei为i时刻预测的轨距数据。
参考图2，LSTM预测模型包括输入层、中间层和输出层；
输入层包括一个节点，用于测试样本数据和训练样本数据的输入，并将样本数据的时间序列输入到中间层，输入为时间点；
中间层，用于学习输入数据与输出数据的关系；
输出层，包括五个节点，五个节点分别为轨距、查照间隔、护背距离、水平和超高参数数据，输出对应输入层的模型预测结果。
通过LSTM预测模型，输入一个未来时刻的时间点序列，即可输出其对应的5个参数数据的预测值。
S5、通过现场智能轨距尺实时采集铁路钢轨的参数数据M实=（A实，B实，C实，D实，E实），计算当前时刻的M预=（Ai，Bi，Ci，Di，Ei）中的数据与M实=（A实，B实，C实，D实，E实）中的对应数据之间的差值，并根据数据之间的差值优化调整LSTM预测模型的参数，得到优化后的LSTM预测模型。
其具体步骤包括：
S5.1、设定轨距参数差值阈值为ξ；
S5.2、参数数据的差的绝对值为ΔA=| Ai - A实|，当ΔA≥ξ时，则将A实替换对应的Ai值，返回并执行S2、S3、S4、S5，优化LSTM预测模型，直至ΔA≤ξ时结束；当ΔA≤ξ时，结束；
S5.3、按照S5.1和S5.2依次完成查照间隔、护背距离、水平和超高数据对应的LSTM预测模型的参数优化。
S6、对铁路钢轨工作状态进行状态等级划分，包括正常工作状态、临界工作状态、轻事故工作状态和紧急事故状态，并根据铁路钢轨的状态等级，对历史参数数据进行对应的等级区间划分，其具体包括：
设定铁路钢轨的正常工作状态对应的轨距数据区间为[a min，a max]；
临界工作状态对应的轨距数据区间为（a 2，a 1）和（a 1 ’，a 2 ’）；
轻事故工作状态对应的轨距数据区间为（a 3，a 2）和（a 2 ’，a 3 ’）；
紧急事故状态对应的轨距数据区间为（a 4，a 3）和（a 3 ’，a 4 ’）；
其中，a 4＜ a 3＜ a 2＜ a 1＜ a min＜ a max＜ a 1 ’ ＜ a 2 ’ ＜ a 3 ’ ＜ a 4 ’。
S7、以铁路钢轨历史参数数据的等级区间划分作为输入，铁路钢轨工作状态的状态等级划分作为输出，构建SVM状态预警模型；
S8、通过优化后的LSTM预测模型预测输出铁路钢轨一个时刻的参数数据，并将所述参数数据依次代入步骤S6和步骤S7中，预测得到所述时刻的铁路钢轨工作状态等级。
S9、根据铁路钢轨历史参数数据的等级区间划分，构建参数数据的状态事故评分模型，并将S8中预测输出铁路钢轨一个时刻的参数数据带入参数数据的状态事故评分模型中，得到参数数据的得分，参数数据的得分，包括：
Figure DEST_PATH_IMAGE004A
其中，A预为预测输出铁路钢轨一个时刻的轨距数据，每一个预测参数数据的得分越靠近0，则参数数据安全性越高；评分越大于0，则参数数据安全性越低。
S10、将预测参数数据、铁路钢轨工作状态等级和参数数据得分上传至后台监管系统和现场人员APP上。
后台监管系统接收预测参数数据、铁路钢轨工作状态等级和参数数据得分，将铁路钢轨的工作状态以颜色显示，其中，正常工作状态显示为绿色，临界工作状态显示为橙色，轻事故工作状态显示为黄色，紧急事故状态显示为红色。
采用颜色进一步进行状态的区分，便于识别，也更具警示作用，提高后台监管时效性。
采用参数数据得分同样能够更加直观的对预测数据性能的评判，便于现场施工人员的施工，也能给与施工检测一定的指导作用。
后台监管系统对需要按期送检的设备进行周期性的提醒，管理人员可通过APP实时查看数据状态和设备状态，包括铁路轨道或者其它设备。
本发明通过对应时间的历史参数数据构建LSTM预测模型，并根据预测数据和实测数据之间的差值，进行LSTM预测模型的优化，提高模型预测精度；同时对参数数据和其对应的工作状态进行区间和等级划分，构建SVM状态预警模型和参数数据的状态事故评分模型，用于预测输出下一时刻的预测参数数据、铁路钢轨工作状态等级和参数数据得分，并将预测参数数据、铁路钢轨工作状态等级和参数数据得分上传至后台监管系统、管理人员APP和现场人员APP上，以便及时发现参数异常和铁路钢轨工作状态，并在发生实际故障之前，及时维修处理。
根据本申请的一个实施例，本发明系统可适用于现场用户的多种应用场景：
场景一：智能轨距尺通过蓝牙与手持终端信号连接；手持终端和网关通过4G和无线网分别与服务器信号连接；服务器通过网络分别与云端和后台监管系统信号连接；云端与管理人员APP信号连接。
即当网络条件允许时，可以按照S1-S10的步骤，进行参数数据的预判、实际测量和参数的预警。
场景二：智能轨距尺通过蓝牙与手持终端；服务器通过usb数据线与后台监管系统客户端进行连接；服务器通过网络与后台监管系统信号连接；云端与管理人员APP信号连接。
即当网络条件不允许时：手持终端没有网络访问服务器时，可使用离线模式，采用通过数据线的方式，将实际测量生成的数据包通过后台管理软件，上传数据到服务器。
比如说在隧道，网络条件不允许时，就可使用网关，采用电缆的方式将检测到的数据上传至有网络服务的网关，网关再将数据上传至服务器处理。
或者在没有信号的地方，将手持终端放在本地，检测到信号后，自动上传数据。
场景三：通过文件的形式，将数据文本导入手持终端，智能轨距尺通过蓝牙与手持终端；系统可在现场独立使用。
即当没有服务器的情况，可不使用后台管理软件，直接将工务基础数据通过excel的方式，导入到手持终端，实现实时的报警。
需要注意的是，本申请文件所说的excel方式的报警只能是简单的判断数据是否在合理的范围值内（正常工作对应的参数数据范围）的简单报警。
虽然结合附图对发明的具体实施方式进行了详细地描述，但不应理解为对本专利的保护范围的限定。在权利要求书所描述的范围内，本领域技术人员不经创造性劳动即可做出的各种修改和变形仍属本专利的保护范围。

Claims (10)

1.一种铁路轨距尺智能化监测预警系统，其特征在于：包括用于现场施工的若干个智能轨距尺；所述智能轨距尺依次与手持终端、现场人员APP和应用服务器连接；所述应用服务器分别与数据服务器、云端和后台监管系统连接；所述后台监管系统与现场人员APP连接；所述数据服务器与管理人员APP信号连接。
2.根据权利要求1所述的一种铁路轨距尺智能化监测预警系统的监控方法，其特征在于，包括：
S1、获取铁路钢轨的历史参数数据和历史参数数据对应的铁路钢轨的工作状态；
S2、对获取的历史参数数据进行预处理，补充历史参数数据缺失值，得到参数数据对应的时间点的时间序列数据；
S3、将对应的时间点的时间序列数据随机划分为训练样本数据和测试样本数据；
S4、构建LSTM预测模型，并采用训练样本数据对LSTM预测模型进行训练，并根据训练的结果对LSTM预测模型的参数进行优化求解，并获得当前铁路钢轨的预测参数数据M预=（Ai，Bi，Ci，Di，Ei），其中，Ai为i时刻预测的轨距数据，Bi为i时刻预测的查照间隔数据，Ci为i时刻预测的护背距离数据，Di为i时刻预测的水平数据，Ei为i时刻预测的轨距数据；
S5、通过现场智能轨距尺实时采集铁路钢轨的参数数据M实=（A实，B实，C实，D实，E实），A实，B实，C实，D实，E实分别为实测的轨距数据，实测的查照间隔数据，实测的的护背距离数据，实测的水平数据，实测的轨距数据；计算当前时刻的M预=（Ai，Bi，Ci，Di，Ei）中的数据与M实=（A实，B实，C实，D实，E实）中的对应数据之间的差值，并根据数据之间的差值优化调整LSTM预测模型的参数，得到优化后的LSTM预测模型；
S6、对铁路钢轨工作状态进行状态等级划分，包括正常工作状态、临界工作状态、轻事故工作状态和紧急事故状态，并根据铁路钢轨的状态等级，对历史参数数据进行对应的等级区间划分；
S7、以铁路钢轨历史参数数据的等级区间划分作为输入，铁路钢轨工作状态的状态等级划分作为输出，构建SVM状态预警模型；
S8、通过优化后的LSTM预测模型预测输出铁路钢轨一个时刻的参数数据，并将所述参数数据依次代入步骤S6和步骤S7中，预测得到所述时刻的铁路钢轨工作状态等级；
S9、根据铁路钢轨历史参数数据的等级区间划分，构建参数数据的状态事故评分模型，并将S8中预测输出铁路钢轨一个时刻的参数数据带入参数数据的状态事故评分模型中，得到参数数据的得分；
S10、将预测参数数据、铁路钢轨工作状态等级和参数数据得分上传至后台监管系统和现场人员APP上。
3.根据权利要求2所述的铁路轨距尺智能化监测预警方法，其特征在于，所述S1中获取智能轨距尺采集的历史参数数据，包括：按照时间顺序依次排列的若干组轨距、查照间隔、护背距离、水平和超高参数数据。
4.根据权利要求2所述的铁路轨距尺智能化监测预警方法，其特征在于，所述S2对获取的历史参数数据进行预处理，包括：
S2.1、剔除异常数据，并采用均值插补弥补参数数据的缺失值；
S2.2、采用minmaxscaler算法对弥补后的若干个参数数据进行归一化处理，得到参数数据对应连续时间点的时间序列数据。
5.根据权利要求4所述的铁路轨距尺智能化监测预警方法，其特征在于：将S2.2中归一化处理后的参数数据投影到[0，1]区间内。
6.根据权利要求2所述的铁路轨距尺智能化监测预警方法，其特征在于：LSTM预测模型包括输入层、中间层和输出层；
输入层包括一个节点，用于测试样本数据和训练样本数据的输入，并将样本数据的时间序列输入到中间层；
中间层，用于学习输入数据与输出数据的关系；
输出层，包括五个节点，五个节点分别为轨距、查照间隔、护背距离、水平和超高参数数据。
7.根据权利要求2所述的铁路轨距尺智能化监测预警方法，其特征在于，所述通过现场智能轨距尺实时采集铁路钢轨的参数数据M实=（A实，B实，C实，D实，E实），A实，B实，C实，D实，E实分别为实测的轨距数据，实测的查照间隔数据，实测的的护背距离数据，实测的水平数据，实测的轨距数据；计算当前时刻的M预=（Ai，Bi，Ci，Di，Ei）中的数据与M实=（A实，B实，C实，D实，E实）中的对应数据之间的差值，并根据数据之间的差值优化调整LSTM预测模型的参数，得到优化后的LSTM预测模型，包括：
S5.1、设定轨距参数差值阈值为ξ；
S5.2、参数数据的差的绝对值为ΔA=| Ai - A实|，当ΔA≥ξ时，则将A实替换对应的Ai值，返回并执行S2、S3、S4、S5，优化LSTM预测模型，直至ΔA≤ξ时结束；当ΔA≤ξ时，结束；
S5.3、按照S5.1和S5.2依次完成查照间隔、护背距离、水平和超高数据对应的LSTM预测模型的参数优化。
8.根据权利要求2所述的铁路轨距尺智能化监测预警方法，其特征在于，S6中对铁路钢轨工作状态进行状态等级划分，包括正常工作状态、临界工作状态、轻事故工作状态和紧急事故状态，并根据铁路钢轨的状态等级，对历史参数数据进行对应的等级区间划分，包括：
设定铁路钢轨的正常工作状态对应的轨距数据区间为[a min，a max]，a min为正常工作状态对应的轨距下限数据，a max为正常工作状态对应的轨距上限数据；临界工作状态对应的轨距数据区间为（a 2，a 1）和（a 1 ’，a 2 ’）；轻事故工作状态对应的轨距数据区间为（a 3，a 2）和（a 2 ’，a 3 ’）；紧急事故状态对应的轨距数据区间为（a 4，a 3）和（a 3 ’，a 4 ’）；其中，a 4＜ a 3＜ a 2＜ a 1＜ a min＜ a max＜ a 1 ’ ＜ a 2 ’ ＜ a 3 ’ ＜ a 4 ’。
9.根据权利要求2所述的铁路轨距尺智能化监测预警方法，其特征在于，所述S9根据铁路钢轨历史参数数据的等级区间划分，构建参数数据的状态事故评分模型，并将S8中预测输出铁路钢轨一个时刻的参数数据带入参数数据的状态事故评分模型中，得到参数数据的得分S，包括：
Figure DEST_PATH_IMAGE002A
其中，A预为预测输出铁路钢轨一个时刻的轨距数据，每一个预测参数数据的得分越靠近0，则参数数据安全性越高；得分越大于0，则参数数据安全性越低，a min为正常工作状态对应的轨距下限数据，a max为正常工作状态对应的轨距上限数据。
10.根据权利要求2所述的铁路轨距尺智能化监测预警方法，其特征在于，后台监管系统接收预测参数数据、铁路钢轨工作状态等级和参数数据得分，将铁路钢轨的工作状态以颜色显示，其中，正常工作状态显示为绿色，临界工作状态显示为橙色，轻事故工作状态显示为黄色，紧急事故状态显示为红色。
CN202011219611.7A 2020-11-05 2020-11-05 一种铁路轨距尺智能化监测预警系统及方法 Active CN112033335B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011219611.7A CN112033335B (zh) 2020-11-05 2020-11-05 一种铁路轨距尺智能化监测预警系统及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011219611.7A CN112033335B (zh) 2020-11-05 2020-11-05 一种铁路轨距尺智能化监测预警系统及方法

Publications (2)

Publication Number Publication Date
CN112033335A true CN112033335A (zh) 2020-12-04
CN112033335B CN112033335B (zh) 2021-01-26

Family

ID=73573690

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011219611.7A Active CN112033335B (zh) 2020-11-05 2020-11-05 一种铁路轨距尺智能化监测预警系统及方法

Country Status (1)

Country Link
CN (1) CN112033335B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115689844A (zh) * 2023-01-04 2023-02-03 成都中轨轨道设备有限公司 一种基于多维引擎的智能数据管理平台、搭建方法及应用

Citations (20)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO1995024616A1 (en) * 1994-03-10 1995-09-14 Koivisto, Marja-Liisa Method for measuring loads being directed to structures
US20110016070A1 (en) * 2009-07-14 2011-01-20 Nikovski Daniel N Method for Predicting Future Environmental Conditions
CN104665849A (zh) * 2014-12-11 2015-06-03 西南交通大学 一种基于多生理信号多模型交互的高铁调度员应激检测方法
US20150296228A1 (en) * 2014-04-14 2015-10-15 David Mo Chen Systems and Methods for Performing Multi-Modal Video Datastream Segmentation
CN107287996A (zh) * 2017-08-08 2017-10-24 大连交通大学 一种无缝铁路轨道绝对位置与位移无线测量装置及方法
CN109050574A (zh) * 2018-05-23 2018-12-21 苏州工业园区职业技术学院 一种轨道故障监控系统
CN109740609A (zh) * 2019-01-09 2019-05-10 银河水滴科技（北京）有限公司 一种轨距检测方法及装置
CN209495674U (zh) * 2019-04-04 2019-10-15 成都中轨轨道设备有限公司 一种能够进行无损拉动的智能数显轨距尺
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
CN110500983A (zh) * 2019-08-19 2019-11-26 天津市特种设备监督检验技术研究院(天津市特种设备事故应急调查处理中心) 一种电梯导轨综合参数检测评价方法及检测系统
CN110533229A (zh) * 2019-08-13 2019-12-03 中国铁路总公司 轨道维修时刻预测方法及装置
CN110634121A (zh) * 2018-06-05 2019-12-31 成都精工华耀科技有限公司 一种基于纹理与深度图像的轨道扣件紧固件松动检测方法
WO2020012475A1 (en) * 2018-07-10 2020-01-16 Rail Vision Ltd Method and system for railway obstacle detection based on rail segmentation
CN110763929A (zh) * 2019-08-08 2020-02-07 浙江大学 一种换流站设备智能监测预警系统及方法
CN110796643A (zh) * 2019-10-18 2020-02-14 四川大学 一种铁轨扣件缺陷检测方法和系统
CN110879253A (zh) * 2018-09-05 2020-03-13 哈尔滨工业大学 一种基于改进长短时记忆网络的钢轨裂纹声发射信号检测方法
CN110889511A (zh) * 2018-08-15 2020-03-17 襄阳国铁机电股份有限公司 轨道交通智能健康管理系统
CN111279370A (zh) * 2017-09-29 2020-06-12 甲骨文国际公司 使用迭代人工智能通过通信决策树的指引轨迹
CN111444658A (zh) * 2020-03-23 2020-07-24 暨南大学 一种槽型轨几何参数趋势预测方法及系统
CN211263774U (zh) * 2019-11-05 2020-08-14 河南格通智能科技有限公司 一种用于接触网智能检测装置

Patent Citations (20)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO1995024616A1 (en) * 1994-03-10 1995-09-14 Koivisto, Marja-Liisa Method for measuring loads being directed to structures
US20110016070A1 (en) * 2009-07-14 2011-01-20 Nikovski Daniel N Method for Predicting Future Environmental Conditions
US20150296228A1 (en) * 2014-04-14 2015-10-15 David Mo Chen Systems and Methods for Performing Multi-Modal Video Datastream Segmentation
CN104665849A (zh) * 2014-12-11 2015-06-03 西南交通大学 一种基于多生理信号多模型交互的高铁调度员应激检测方法
CN107287996A (zh) * 2017-08-08 2017-10-24 大连交通大学 一种无缝铁路轨道绝对位置与位移无线测量装置及方法
CN111279370A (zh) * 2017-09-29 2020-06-12 甲骨文国际公司 使用迭代人工智能通过通信决策树的指引轨迹
CN109050574A (zh) * 2018-05-23 2018-12-21 苏州工业园区职业技术学院 一种轨道故障监控系统
CN110634121A (zh) * 2018-06-05 2019-12-31 成都精工华耀科技有限公司 一种基于纹理与深度图像的轨道扣件紧固件松动检测方法
WO2020012475A1 (en) * 2018-07-10 2020-01-16 Rail Vision Ltd Method and system for railway obstacle detection based on rail segmentation
CN110889511A (zh) * 2018-08-15 2020-03-17 襄阳国铁机电股份有限公司 轨道交通智能健康管理系统
CN110879253A (zh) * 2018-09-05 2020-03-13 哈尔滨工业大学 一种基于改进长短时记忆网络的钢轨裂纹声发射信号检测方法
CN109740609A (zh) * 2019-01-09 2019-05-10 银河水滴科技（北京）有限公司 一种轨距检测方法及装置
CN209495674U (zh) * 2019-04-04 2019-10-15 成都中轨轨道设备有限公司 一种能够进行无损拉动的智能数显轨距尺
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
CN110763929A (zh) * 2019-08-08 2020-02-07 浙江大学 一种换流站设备智能监测预警系统及方法
CN110533229A (zh) * 2019-08-13 2019-12-03 中国铁路总公司 轨道维修时刻预测方法及装置
CN110500983A (zh) * 2019-08-19 2019-11-26 天津市特种设备监督检验技术研究院(天津市特种设备事故应急调查处理中心) 一种电梯导轨综合参数检测评价方法及检测系统
CN110796643A (zh) * 2019-10-18 2020-02-14 四川大学 一种铁轨扣件缺陷检测方法和系统
CN211263774U (zh) * 2019-11-05 2020-08-14 河南格通智能科技有限公司 一种用于接触网智能检测装置
CN111444658A (zh) * 2020-03-23 2020-07-24 暨南大学 一种槽型轨几何参数趋势预测方法及系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
贾朝龙: "铁路轨道不平顺数据挖掘及其时间序列趋势预测研究", 《中国博士学位论文全文数据库工程科技Ⅱ辑》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115689844A (zh) * 2023-01-04 2023-02-03 成都中轨轨道设备有限公司 一种基于多维引擎的智能数据管理平台、搭建方法及应用
CN115689844B (zh) * 2023-01-04 2023-03-28 成都中轨轨道设备有限公司 一种基于多维引擎的智能数据管理平台、搭建方法

Also Published As

Publication number Publication date
CN112033335B (zh) 2021-01-26

Similar Documents

Publication Publication Date Title
Pierce et al. Practical guide for quality management of pavement condition data collection
CN105574593B (zh) 基于云计算和大数据的轨道状态静态检控系统及方法
CN109460947A (zh) 基于bim+gis技术的公路工程工序报验系统
CN109917213B (zh) 一种基于降维融合与因子分析的接触网检测故障预警方法
CN113295312B (zh) 基于bim的桥梁施工应力检测方法及系统
CN111625752B (zh) 一种参数自动拟合的动态汽车衡计量方法
CN112960014B (zh) 基于人工智能的轨道交通运行安全在线实时监测预警管理云平台
CN111625988A (zh) 基于深度学习的桥梁健康管理分析与预测系统及方法
CN112033335B (zh) 一种铁路轨距尺智能化监测预警系统及方法
CN116308958A (zh) 基于移动终端的碳排放在线检测预警系统及方法
CN108981618A (zh) 一种隧道初支平整度分析方法及系统
CN116934262A (zh) 一种基于人工智能的施工安全监管系统及方法
CN109017868A (zh) 一种铁路轨道病害检测系统及其检测方法
CN112365186A (zh) 一种电力信息系统健康度评估方法及其评估系统
CN110344327B (zh) 一种斜拉桥上轨道控制网cpiii点实时高程计算方法
CN107392506A (zh) 一种融合移动互联网技术的自学线路状态评价系统及评价方法
CN111833016A (zh) 一种基于bim的基础设施建筑监理方法
CN116859842A (zh) 一种化工生产线安全评估系统
CN116339262A (zh) 一种基于人工智能的数控加工生产质量监测系统
CN113408916B (zh) 基于智能ai和移动app的消防设施检测及现场验收评定系统
CN112732773B (zh) 一种继电保护缺陷数据的唯一性校核方法及系统
Bergquist et al. Cleaning of railway track measurement data for better maintenance decisions
CN116773238B (zh) 一种基于工业数据的故障监测方法及系统
CN114169169B (zh) 一种桥式起重机设备可靠性分析系统
Rami et al. Nebraska data collection.

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