CN112036505A - 道岔转辙机的设备状态确定方法、装置和电子设备 - Google Patents
道岔转辙机的设备状态确定方法、装置和电子设备 Download PDFInfo
- Publication number
- CN112036505A CN112036505A CN202010980349.1A CN202010980349A CN112036505A CN 112036505 A CN112036505 A CN 112036505A CN 202010980349 A CN202010980349 A CN 202010980349A CN 112036505 A CN112036505 A CN 112036505A
- Authority
- CN
- China
- Prior art keywords
- stage
- switch machine
- determining
- current characteristic
- target
- 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
- 238000000034 method Methods 0.000 title claims abstract description 47
- 238000012549 training Methods 0.000 claims abstract description 18
- 238000006243 chemical reaction Methods 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 15
- 230000000737 periodic effect Effects 0.000 claims description 9
- 238000010801 machine learning Methods 0.000 claims description 7
- 238000001514 detection method Methods 0.000 claims description 3
- 238000002474 experimental method Methods 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 abstract description 6
- 230000036541 health Effects 0.000 description 9
- 230000008569 process Effects 0.000 description 9
- 238000004891 communication Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 230000008439 repair process Effects 0.000 description 6
- 238000000605 extraction Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B61—RAILWAYS
- B61L—GUIDING RAILWAY TRAFFIC; ENSURING THE SAFETY OF RAILWAY TRAFFIC
- B61L23/00—Control, warning or like safety means along the route or between vehicles or trains
- B61L23/04—Control, warning or like safety means along the route or between vehicles or trains for monitoring the mechanical state of the route
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Mechanical Engineering (AREA)
- Medical Informatics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Train Traffic Observation, Control, And Security (AREA)
Abstract
本发明实施例提供了一种道岔转辙机的设备状态确定方法、装置和电子设备,预先创建了根据道岔转辙机在各工作阶段的电流特征曲线确定阶段性设备状态的匹配模型。通过该匹配模型对目标道岔转辙机在至少一种工作阶段的电流特征曲线确定阶段性设备状态,并根据确定的各阶段性设备状态确定道岔转辙机的设备状态。匹配模型为预先通过大量的样本进行训练得到的模型,能够准确地确定每一电流特征曲线反应的道岔转辙机的阶段性设备状态,根据目标转辙机在各阶段的多条电流特征曲线所确定的阶段性设备状态得到目标道岔转辙机总体的设备状态,实现了在故障监测之外对道岔转辙机状态的把握,进而能够根据道岔转辙机的设备状态进行故障预测,保证行车安全。
Description
技术领域
本发明涉及轨道交通技术领域,尤其是涉及一种道岔转辙机的设备状态确定方法、装置和电子设备。
背景技术
轨道交通道岔系统是关键的轨道信号系统设备,道岔设备的安全至关重要。然而,针对道岔设备的监测多数是故障监测,没有对道岔设备在出现故障之前的设备状态进行细化评估,从而导致对道岔设备状态掌控不准确,不能在道岔设备发生故障之前进行预警,容易引发严重故障,威胁乘客安全。
可见,现有技术只能对道岔设备进行故障监测,不能对道岔设备的设备状态精确把握。
发明内容
本发明实施例提供一种道岔转辙机的设备状态确定方法、装置和电子设备,用以解决现有技术只能对道岔设备进行故障监测,不能对道岔设备的设备状态精确把握的问题。
针对以上技术问题,第一方面,本发明实施例提供一种道岔转辙机的设备状态确定方法,包括:
获取目标道岔转辙机在至少一种工作阶段的电流特征曲线,作为目标电流特征曲线;所述工作阶段包括解锁阶段、定位与反位之间的转换阶段、闭锁阶段和结束阶段;
确定任一目标电流特征曲线对应的工作阶段,作为目标工作阶段,根据与所述目标工作阶段对应的匹配模型确定所述目标道岔转辙机的阶段性设备状态;
根据对每一目标电流特征曲线确定的阶段性设备状态,确定所述目标道岔转辙机的设备状态;
其中,任一工作阶段对应的匹配模型基于属于所述任一工作阶段的电流特征曲线,确定属于所述任一工作阶段的电流特征曲线对应的阶段性设备状态。
第二方面,本发明实施例提供一种道岔转辙机的设备状态确定装置,包括:
获取模块,用于获取目标道岔转辙机在至少一种工作阶段的电流特征曲线,作为目标电流特征曲线;所述工作阶段包括解锁阶段、定位与反位之间的转换阶段、闭锁阶段和结束阶段;
第一确定模块,用于确定任一目标电流特征曲线对应的工作阶段,作为目标工作阶段,根据与所述目标工作阶段对应的匹配模型确定所述目标道岔转辙机的阶段性设备状态;
第二确定模块,用于根据对每一目标电流特征曲线确定的阶段性设备状态,确定所述目标道岔转辙机的设备状态;
其中,任一工作阶段对应的匹配模型基于属于所述任一工作阶段的电流特征曲线,确定属于所述任一工作阶段的电流特征曲线对应的阶段性设备状态。
第三方面,本发明实施例提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现以上所述的道岔转辙机的设备状态确定方法的步骤。
第四方面,本发明实施例提供一种非暂态可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现以上任一项所述的道岔转辙机的设备状态确定方法的步骤。
第五方面,本发明实施例提供一种计算机程序,该计算机程序被处理器执行时实现以上任一项所述的道岔转辙机的设备状态确定方法的步骤。
本发明的实施例提供了一种道岔转辙机的设备状态确定方法、装置和电子设备,预先创建了根据道岔转辙机在各工作阶段的电流特征曲线确定阶段性设备状态的匹配模型。通过该匹配模型对目标道岔转辙机在至少一种工作阶段的电流特征曲线确定阶段性设备状态,并根据确定的各阶段性设备状态确定道岔转辙机的设备状态。匹配模型为预先通过大量的样本进行训练得到的模型,能够准确地确定每一电流特征曲线反应的道岔转辙机的阶段性设备状态,根据目标转辙机在各阶段的多条电流特征曲线所确定的阶段性设备状态得到目标道岔转辙机总体的设备状态,实现了在故障监测之外对道岔转辙机状态的把握,进而能够根据道岔转辙机的设备状态进行故障预测,保证行车安全。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的道岔转辙机的设备状态确定方法的流程示意图;
图2是本发明另一实施例提供的道岔转辙机的设备状态确定的具体流程示意图;
图3是本发明另一实施例提供的道岔转辙机的设备状态确定装置的结构框图;
图4是本发明另一实施例提供的电子设备的实体结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,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。
图1为本实施例提供的道岔转辙机的设备状态确定方法的流程示意图,参见图1,该方法包括:
步骤101:获取目标道岔转辙机在至少一种工作阶段的电流特征曲线,作为目标电流特征曲线;所述工作阶段包括解锁阶段、定位与反位之间的转换阶段、闭锁阶段和结束阶段。
目标道岔转辙机可以是安装在轨道中的任一道岔转辙机。由于不同工作阶段,道岔转辙机生成的电流特征曲线的差异较大,因此在根据电流特征曲线进行阶段性设备状态确定的过程中,可以现将道岔转辙机的工作状态分为解锁阶段、定位与反位之间的转换阶段、闭锁阶段和结束阶段4个工作阶段。其中,转换阶段可以包括道岔转辙机由定位转换为反位的阶段,或者道岔转辙机由反位转换为定位的阶段。
步骤102:确定任一目标电流特征曲线对应的工作阶段,作为目标工作阶段,根据与所述目标工作阶段对应的匹配模型确定所述目标道岔转辙机的阶段性设备状态;其中,任一工作阶段对应的匹配模型基于属于所述任一工作阶段的电流特征曲线,确定属于所述任一工作阶段的电流特征曲线对应的阶段性设备状态。
匹配模型为预先通过机器学习训练得到的模型,例如,通过对神经网络模型进行机器学习得到的模型。例如,以大量的已经标记出阶段性设备状态的电流特征曲线作为样本进行机器学习得到匹配模型。
由于不同工作阶段由道岔转辙机生成的电流特征曲线差异较大,因此在训练匹配模型的过程中,可以针对每一工作阶段训练出一个用于对该工作阶段的电流特征曲线确定阶段性设备状态的匹配模型。
步骤103:根据对每一目标电流特征曲线确定的阶段性设备状态,确定所述目标道岔转辙机的设备状态。
通过对目标道岔转辙机的多条目标电流特征曲线分别确定的阶段性设备状态,可以确定目标道岔转辙机的整体的设备状态,从而通过该整体的设备状态很好把握目标转辙机的设备健康程度,进而可以预先对转辙机可能出现的故障进行预测。
本实施例提供了一种道岔转辙机的设备状态确定方法,预先创建了根据道岔转辙机在各工作阶段的电流特征曲线确定阶段性设备状态的匹配模型。通过该匹配模型对目标道岔转辙机在至少一种工作阶段的电流特征曲线确定阶段性设备状态,并根据确定的各阶段性设备状态确定道岔转辙机的设备状态。匹配模型为预先通过大量的样本进行训练得到的模型,能够准确地确定每一电流特征曲线反应的道岔转辙机的阶段性设备状态,根据目标转辙机在各阶段的多条电流特征曲线所确定的阶段性设备状态得到目标道岔转辙机总体的设备状态,实现了在故障监测之外对道岔转辙机状态的把握,进而能够根据道岔转辙机的设备状态进行故障预测,保证行车安全。
进一步地,在上述实施例的基础上,所述根据对每一目标电流特征曲线确定的阶段性设备状态,确定所述目标道岔转辙机的设备状态,包括:
将对每一目标电流特征曲线确定的阶段性设备状态对应的评分值求和,得到所述目标道岔转辙机的设备状态的总评分值;
若所述总评分值大于预设评分值,则发出提示信息;所述提示信息用于提示对所述目标道岔转辙机进行检测,以排除可能出现的故障;
其中,评分值根据道岔转辙机的设备状态表示道岔转辙机出现故障的可能性确定。
若评分值大于预设评分值,表示目标道岔转辙机具有较大的可能性出现故障,因此发出提示信息,以提前对目标道岔转辙机进行检修,防止目标道岔转辙机出现故障。
为了能够更为准确地对道岔转辙机的设备状态进行表示,可以针对每一阶段性设备状态设置对应的评分值。在设置评分值的过程中,可以由专家对根据各阶段性设备状态表示道岔转辙机出现故障的可能性确定,例如,若阶段性设备状态表示道岔转辙机出现故障的可能性越大,则阶段性设备状态对应的评分值越大。因此,目标道岔转辙机对应的设备状态的总评分值越大,则表示目标道岔转辙机出现故障的可能性越大。
提示信息可以是通过屏幕发出的报警信息,或者通过报警设备发出的报警信息,本实施例对此不做具体限制。
本实施例中,通过目标道岔转辙机的各阶段性设备状态确定出目标道岔转辙机的设备状态的总评分值,基于总评分值与预设评分值的对比发出提示信息,工作人员根据提示信息对目标道岔转辙机进行检修,实现道岔设备从“计划修”、“故障修”到“预测修”的技术转换。
关于匹配模型的确定过程,进一步地,在上述各实施例的基础上,所述根据与所述目标工作阶段对应的匹配模型确定所述目标道岔转辙机的阶段性设备状态之前,还包括:
对任一工作阶段,获取对安装在轨道中的道岔转辙机在所述任一工作阶段采集的电流特征曲线,以及根据道岔转辙机在所述任一工作阶段存在的故障生成的电流特征曲线,作为与所述任一工作阶段对应的预测集数据;
通过聚类运算将所述任一工作阶段对应的预测集数据分为不同的曲线类别,确定与每一曲线类别对应的阶段性设备状态;
以所述任一工作阶段对应的预测集数据中的任一电流特征曲线,以及通过聚类运算确定的任一电流特征曲线所属的曲线类别对应的阶段性设备状态作为一组训练样本,通过机器学习对若干组训练样本进行训练得到所述匹配模型。
与每一曲线类别对应的阶段性设备状态,可以由工作人员根据经验或者通过专家来确定。
可理解的是,在通过机器学习训练得到匹配模型的过程中,可以以预测集数据中的任一电流特征曲线作为样本,以预测集数据中的任一电流特征曲线所属的曲线类别对应的阶段性设备状态作为样本标签,进行模型训练得到。
本实施例中,预先通过聚类运算将任一工作阶段对应的预测集数据分为不同的曲线类别,然后针对每一曲线类别确定阶段性设备状态,进而通过每一电流特征曲线对应的阶段性设备状态进行模型训练,使得训练得到的匹配模型能够准确识别出输入的电流特征曲线对应的阶段性设备状态,进而实现对道岔转辙机设备状态的确定。
进一步地,在上述各实施例的基础上,所述通过聚类运算将所述任一工作阶段对应的预测集数据分为不同的曲线类别,包括:
在同一坐标系中,对所述任一工作阶段对应的预测集数据中的任意两条电流特征曲线,确定每一组横坐标相同的数据点之间连线的边权重值;其中,两个数据点之间的距离越远,则所述两个数据点之间的边权重值越小;
根据所述任意两条电流特征曲线的各组横坐标相同的数据点之间连线的边权重值和欧式距离,确定所述任意两条电流特征曲线之间的欧式距离;
根据所述任一工作阶段对应的预测集数据中各电流特征曲线之间的欧式距离,将所述任一工作阶段对应的预测集数据中的电流特征曲线分为不同的曲线类别。
具体地,根据所述任意两条电流特征曲线的各组横坐标相同的数据点之间连线的边权重值和欧式距离,确定所述任意两条电流特征曲线之间的欧式距离,包括:对每一组横坐标相同的数据点,计算该组组横坐标相同的数据点对应的权重值和该组组横坐标相同的数据点之间的欧式距离乘积,将根据所述任意两条电流特征曲线的各组横坐标相同的数据点计算的乘积求和,得到所述任意两条电流特征曲线的欧式距离。
可理解的是,在划分曲线类别时,欧式距离越接近的电流特征曲线,位于通过曲线类别的概率越大。
本实施例中,通过计算电流特征曲线各组数据点之间的欧式距离实现了对电流特征曲线的聚类,进而根据每一聚类的特征确定与曲线类别对应的阶段性设备状态。
进一步地,在上述各实施例的基础上,所述确定与每一曲线类别对应的阶段性设备状态,包括:
对任一曲线类别,根据安装在轨道中的道岔转辙机表现出属于所述任一曲线类别的电流特征曲线后,在预设时间段内出现的异常,以及通过实验确定的道岔转辙机表现出属于所述任一曲线类别的电流特征曲线后,在所述预设时间段内出现的异常,确定与所述任一曲线类别对应的阶段性设备状态;
其中,与所述任一曲线类别对应的阶段性设备状态包括如下至少一种:道岔转辙机中存在已经出现故障的结构部件、道岔转辙机中在未来会出现影响列车运行的故障、道岔转辙机中在未来会出现故障但所出现的故障不影响列车运行。
通常曲线类别对应的阶段性设备状态可以根据经验确定,或者通过专家确定,本实施例对此不做具体限定。
本实施例中,结合道岔转辙机在出现不同曲线类别的电流特征曲线后,出现设备故障的情况,对不同曲线类别的电流特征曲线确定出阶段性设备状态,以通过阶段性设备状态反应出道岔转辙机出现故障的情况。
进一步地,在上述各实施例的基础上,所述若所述总评分值大于预设评分值,则发出提示信息,包括:
若所述总评分值大于预设评分值,则发送设备状态详情和所述提示信息;
其中,所述设备状态详情包括:确定的每一工作阶段内的所述目标电流特征曲线的阶段性设备状态,以及确定的每一工作阶段内的所述目标电流特征曲线的阶段性设备状态对应的评分值。
本实施例中,当目标道岔转辙机的总评分值大于预设评分值,不仅发送提示信息,还发送设备状态详情,以使得工作人员根据设备状态详情能够对道岔转辙机的设备状态进行进一步地分析。
总体来说,对道岔转辙机的设备状态进行确定的过程包括:
建立一个小型化、便于维护和扩充的道岔转辙机样本数据库。
对不同类型数据进行提取特征
对进行过特征提取的数据进行聚类分析
设备状态(即设备的健康度)确定分为四部分:
(1)对道岔设备特征数据进行采集并建立一个小型化、便于维护和扩充的道岔转辙机样本数据库。
(2)对道岔工作阶段进行划分,通过对转辙机的机械结构、继电器组合电路和外电源接线图进行研究,筛选出一系列表征工况的特征。
(3)运用聚类方法对不同工况特征的曲线类别添加标签并进行分类。
(4)对标签进行分类,根据标签进行单个设备的健康评估,报警门限设置。
图2为本实施例提供的道岔转辙机的设备状态确定的具体流程示意图,参见图2,该过程具体包括:
1)道岔设备数据采集:
1.1)、转辙机的机械结构、继电器组合电路和外电源数据等现场数据采集。
1.2)已记录的故障数据、人造故障数据采集。
2)工作阶段划分
2.1)将不道岔工作阶段划分为解锁、转换、闭锁、结束四个阶段
2.2)对不同工况下的特征值进行提取,形成特征值曲线并区分不同特征值类别。
3)特征值聚类
3.1)把所有的数据看作空间中的点,这些点之间可以用边连接起来。距离较远的两个点之间的边权重值较低,而距离较近的两个点之间的边权重值较高,通过对所有数据点的欧式距离进行测定,将相互之间欧式距离较小的点作为一个分类,从而达到聚类的目的。
3.2)得到若干具有不同工况特征的曲线类别,与标准曲线匹配,区分不同工况特征曲线差异。
4)道岔设备健康评估。
4.1)对不同工况的曲线添加标签输入新数据,根据标签对曲线进行分类,对既有类别标签输出,对新类别添加标签并输入新数据。
4.2)根据标签对单个设备的健康状态进行评估,设备报警门限,输出道岔设备健康状态评价结果,对达到报警门限的设备进行报警。
例如,在道岔转换过程中采集道岔转换阻力数据,通过对采集结果进行特征提取,将曲线进行聚类分析,通过与正常曲线对比,分析出道岔转换阻力数据超过标准阈值,说明改道岔设备的健康已经有了问题,通过与预定健康度阈值进行匹配,评价出该道岔设备健康度。
本实施例通过对道岔设备数据的有效分析,提前得知设备的亚健康状态,并可预测故障可能发生时间段,进而实现道岔设备从“计划修”、“故障修”到“预测修”的技术转换。
图3为本实施例提供的道岔转辙机的设备状态确定装置的结构框图,参见图3,该道岔转辙机的设备状态确定装置包括获取模块301、第一确定模块302和第二确定模块303;
获取模块301,用于获取目标道岔转辙机在至少一种工作阶段的电流特征曲线,作为目标电流特征曲线;所述工作阶段包括解锁阶段、定位与反位之间的转换阶段、闭锁阶段和结束阶段;
第一确定模块302,用于确定任一目标电流特征曲线对应的工作阶段,作为目标工作阶段,根据与所述目标工作阶段对应的匹配模型确定所述目标道岔转辙机的阶段性设备状态;
第二确定模块303,用于根据对每一目标电流特征曲线确定的阶段性设备状态,确定所述目标道岔转辙机的设备状态;
其中,任一工作阶段对应的匹配模型基于属于所述任一工作阶段的电流特征曲线,确定属于所述任一工作阶段的电流特征曲线对应的阶段性设备状态。
本实施例提供的道岔转辙机的设备状态确定装置适用于上述各实施例提供的道岔转辙机的设备状态确定方法,在此不再赘述。
本实施例提供了一种道岔转辙机的设备状态确定装置,预先创建了根据道岔转辙机在各工作阶段的电流特征曲线确定阶段性设备状态的匹配模型。通过该匹配模型对目标道岔转辙机在至少一种工作阶段的电流特征曲线确定阶段性设备状态,并根据确定的各阶段性设备状态确定道岔转辙机的设备状态。匹配模型为预先通过大量的样本进行训练得到的模型,能够准确地确定每一电流特征曲线反应的道岔转辙机的阶段性设备状态,根据目标转辙机在各阶段的多条电流特征曲线所确定的阶段性设备状态得到目标道岔转辙机总体的设备状态,实现了在故障监测之外对道岔转辙机状态的把握,进而能够根据道岔转辙机的设备状态进行故障预测,保证行车安全。
可选地,所述根据对每一目标电流特征曲线确定的阶段性设备状态,确定所述目标道岔转辙机的设备状态,包括:
将对每一目标电流特征曲线确定的阶段性设备状态对应的评分值求和,得到所述目标道岔转辙机的设备状态的总评分值;
若所述总评分值大于预设评分值,则发出提示信息;所述提示信息用于提示对所述目标道岔转辙机进行检测,以排除可能出现的故障;
其中,评分值根据道岔转辙机的阶段性设备状态表示道岔转辙机出现故障的可能性确定。
可选地,所述根据与所述目标工作阶段对应的匹配模型确定所述目标道岔转辙机的阶段性设备状态之前,还包括:
对任一工作阶段,获取对安装在轨道中的道岔转辙机在所述任一工作阶段采集的电流特征曲线,以及根据道岔转辙机在所述任一工作阶段存在的故障生成的电流特征曲线,作为与所述任一工作阶段对应的预测集数据;
通过聚类运算将所述任一工作阶段对应的预测集数据分为不同的曲线类别,确定与每一曲线类别对应的阶段性设备状态;
以所述任一工作阶段对应的预测集数据中的任一电流特征曲线,以及通过聚类运算确定的任一电流特征曲线所属的曲线类别对应的阶段性设备状态作为一组训练样本,通过机器学习对若干组训练样本进行训练得到所述匹配模型。
可选地,所述通过聚类运算将所述任一工作阶段对应的预测集数据分为不同的曲线类别,包括:
在同一坐标系中,对所述任一工作阶段对应的预测集数据中的任意两条电流特征曲线,确定每一组横坐标相同的数据点之间连线的边权重值;其中,两个数据点之间的距离越远,则所述两个数据点之间的边权重值越小;
根据所述任意两条电流特征曲线的各组横坐标相同的数据点之间连线的边权重值和欧式距离,确定所述任意两条电流特征曲线之间的欧式距离;
根据所述任一工作阶段对应的预测集数据中各电流特征曲线之间的欧式距离,将所述任一工作阶段对应的预测集数据中的电流特征曲线分为不同的曲线类别。
可选地,所述确定与每一曲线类别对应的阶段性设备状态,包括:
对任一曲线类别,根据安装在轨道中的道岔转辙机表现出属于所述任一曲线类别的电流特征曲线后,在预设时间段内出现的异常,以及通过实验确定的道岔转辙机表现出属于所述任一曲线类别的电流特征曲线后,在所述预设时间段内出现的异常,确定与所述任一曲线类别对应的阶段性设备状态;
其中,与所述任一曲线类别对应的阶段性设备状态包括如下至少一种:道岔转辙机中存在已经出现故障的结构部件、道岔转辙机中在未来会出现影响列车运行的故障、道岔转辙机中在未来会出现故障但所出现的故障不影响列车运行。
可选地,所述若所述总评分值大于预设评分值,则发出提示信息,包括:
若所述总评分值大于预设评分值,则发送设备状态详情和所述提示信息;
其中,所述设备状态详情包括:确定的每一工作阶段内的所述目标电流特征曲线的阶段性设备状态,以及确定的每一工作阶段内的所述目标电流特征曲线的阶段性设备状态对应的评分值。
图4示例了一种电子设备的实体结构示意图,如图4所示,该电子设备可以包括:处理器(processor)401、通信接口(Communications Interface)402、存储器(memory)403和通信总线404,其中,处理器401,通信接口402,存储器403通过通信总线404完成相互间的通信。处理器401可以调用存储器403中的逻辑指令,以执行如下方法:获取目标道岔转辙机在至少一种工作阶段的电流特征曲线,作为目标电流特征曲线;所述工作阶段包括解锁阶段、定位与反位之间的转换阶段、闭锁阶段和结束阶段;确定任一目标电流特征曲线对应的工作阶段,作为目标工作阶段,根据与所述目标工作阶段对应的匹配模型确定所述目标道岔转辙机的阶段性设备状态;根据对每一目标电流特征曲线确定的阶段性设备状态,确定所述目标道岔转辙机的设备状态;其中,任一工作阶段对应的匹配模型基于属于所述任一工作阶段的电流特征曲线,确定属于所述任一工作阶段的电流特征曲线对应的阶段性设备状态。
此外,上述的存储器403中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
进一步地,本发明实施例公开一种计算机程序产品,所述计算机程序产品包括存储在非暂态可读存储介质上的计算机程序,所述计算机程序包括程序指令,当所述程序指令被计算机执行时,计算机能够执行上述各方法实施例所提供的方法,例如包括:获取目标道岔转辙机在至少一种工作阶段的电流特征曲线,作为目标电流特征曲线;所述工作阶段包括解锁阶段、定位与反位之间的转换阶段、闭锁阶段和结束阶段;确定任一目标电流特征曲线对应的工作阶段,作为目标工作阶段,根据与所述目标工作阶段对应的匹配模型确定所述目标道岔转辙机的阶段性设备状态;根据对每一目标电流特征曲线确定的阶段性设备状态,确定所述目标道岔转辙机的设备状态;其中,任一工作阶段对应的匹配模型基于属于所述任一工作阶段的电流特征曲线,确定属于所述任一工作阶段的电流特征曲线对应的阶段性设备状态。
另一方面,本发明实施例还提供一种非暂态可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现以执行上述各实施例提供的传输方法,例如包括:获取目标道岔转辙机在至少一种工作阶段的电流特征曲线,作为目标电流特征曲线;所述工作阶段包括解锁阶段、定位与反位之间的转换阶段、闭锁阶段和结束阶段;确定任一目标电流特征曲线对应的工作阶段,作为目标工作阶段,根据与所述目标工作阶段对应的匹配模型确定所述目标道岔转辙机的阶段性设备状态;根据对每一目标电流特征曲线确定的阶段性设备状态,确定所述目标道岔转辙机的设备状态;其中,任一工作阶段对应的匹配模型基于属于所述任一工作阶段的电流特征曲线,确定属于所述任一工作阶段的电流特征曲线对应的阶段性设备状态。
以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种道岔转辙机的设备状态确定方法,其特征在于,包括:
获取目标道岔转辙机在至少一种工作阶段的电流特征曲线,作为目标电流特征曲线;所述工作阶段包括解锁阶段、定位与反位之间的转换阶段、闭锁阶段和结束阶段;
确定任一目标电流特征曲线对应的工作阶段,作为目标工作阶段,根据与所述目标工作阶段对应的匹配模型确定所述目标道岔转辙机的阶段性设备状态;
根据对每一目标电流特征曲线确定的阶段性设备状态,确定所述目标道岔转辙机的设备状态;
其中,任一工作阶段对应的匹配模型基于属于所述任一工作阶段的电流特征曲线,确定属于所述任一工作阶段的电流特征曲线对应的阶段性设备状态。
2.根据权利要求1所述的道岔转辙机的设备状态确定方法,其特征在于,所述根据对每一目标电流特征曲线确定的阶段性设备状态,确定所述目标道岔转辙机的设备状态,包括:
将对每一目标电流特征曲线确定的阶段性设备状态对应的评分值求和,得到所述目标道岔转辙机的设备状态的总评分值;
若所述总评分值大于预设评分值,则发出提示信息;所述提示信息用于提示对所述目标道岔转辙机进行检测,以排除可能出现的故障;
其中,评分值根据道岔转辙机的阶段性设备状态表示道岔转辙机出现故障的可能性确定。
3.根据权利要求1所述的道岔转辙机的设备状态确定方法,其特征在于,所述根据与所述目标工作阶段对应的匹配模型确定所述目标道岔转辙机的阶段性设备状态之前,还包括:
对任一工作阶段,获取对安装在轨道中的道岔转辙机在所述任一工作阶段采集的电流特征曲线,以及根据道岔转辙机在所述任一工作阶段存在的故障生成的电流特征曲线,作为与所述任一工作阶段对应的预测集数据;
通过聚类运算将所述任一工作阶段对应的预测集数据分为不同的曲线类别,确定与每一曲线类别对应的阶段性设备状态;
以所述任一工作阶段对应的预测集数据中的任一电流特征曲线,以及通过聚类运算确定的任一电流特征曲线所属的曲线类别对应的阶段性设备状态作为一组训练样本,通过机器学习对若干组训练样本进行训练得到所述匹配模型。
4.根据权利要求3所述的道岔转辙机的设备状态确定方法,其特征在于,所述通过聚类运算将所述任一工作阶段对应的预测集数据分为不同的曲线类别,包括:
在同一坐标系中,对所述任一工作阶段对应的预测集数据中的任意两条电流特征曲线,确定每一组横坐标相同的数据点之间连线的边权重值;其中,两个数据点之间的距离越远,则所述两个数据点之间的边权重值越小;
根据所述任意两条电流特征曲线的各组横坐标相同的数据点之间连线的边权重值和欧式距离,确定所述任意两条电流特征曲线之间的欧式距离;
根据所述任一工作阶段对应的预测集数据中各电流特征曲线之间的欧式距离,将所述任一工作阶段对应的预测集数据中的电流特征曲线分为不同的曲线类别。
5.根据权利要求3所述的道岔转辙机的设备状态确定方法,其特征在于,所述确定与每一曲线类别对应的阶段性设备状态,包括:
对任一曲线类别,根据安装在轨道中的道岔转辙机表现出属于所述任一曲线类别的电流特征曲线后,在预设时间段内出现的异常,以及通过实验确定的道岔转辙机表现出属于所述任一曲线类别的电流特征曲线后,在所述预设时间段内出现的异常,确定与所述任一曲线类别对应的阶段性设备状态;
其中,与所述任一曲线类别对应的阶段性设备状态包括如下至少一种:道岔转辙机中存在已经出现故障的结构部件、道岔转辙机中在未来会出现影响列车运行的故障、道岔转辙机中在未来会出现故障但所出现的故障不影响列车运行。
6.根据权利要求2所述的道岔转辙机的设备状态确定方法,其特征在于,所述若所述总评分值大于预设评分值,则发出提示信息,包括:
若所述总评分值大于预设评分值,则发送设备状态详情和所述提示信息;
其中,所述设备状态详情包括:确定的每一工作阶段内的所述目标电流特征曲线的阶段性设备状态,以及确定的每一工作阶段内的所述目标电流特征曲线的阶段性设备状态对应的评分值。
7.一种道岔转辙机的设备状态确定装置,其特征在于,包括:
获取模块,用于获取目标道岔转辙机在至少一种工作阶段的电流特征曲线,作为目标电流特征曲线;所述工作阶段包括解锁阶段、定位与反位之间的转换阶段、闭锁阶段和结束阶段;
第一确定模块,用于确定任一目标电流特征曲线对应的工作阶段,作为目标工作阶段,根据与所述目标工作阶段对应的匹配模型确定所述目标道岔转辙机的阶段性设备状态;
第二确定模块,用于根据对每一目标电流特征曲线确定的阶段性设备状态,确定所述目标道岔转辙机的设备状态;
其中,任一工作阶段对应的匹配模型基于属于所述任一工作阶段的电流特征曲线,确定属于所述任一工作阶段的电流特征曲线对应的阶段性设备状态。
8.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1至6任一项所述的道岔转辙机的设备状态确定方法的步骤。
9.一种非暂态可读存储介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时实现如权利要求1至6任一项所述的道岔转辙机的设备状态确定方法的步骤。
10.一种计算机程序,其特征在于,该计算机程序被处理器执行时实现如权利要求1至6任一项所述的道岔转辙机的设备状态确定方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010980349.1A CN112036505A (zh) | 2020-09-17 | 2020-09-17 | 道岔转辙机的设备状态确定方法、装置和电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010980349.1A CN112036505A (zh) | 2020-09-17 | 2020-09-17 | 道岔转辙机的设备状态确定方法、装置和电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112036505A true CN112036505A (zh) | 2020-12-04 |
Family
ID=73590087
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010980349.1A Pending CN112036505A (zh) | 2020-09-17 | 2020-09-17 | 道岔转辙机的设备状态确定方法、装置和电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112036505A (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112632651A (zh) * | 2020-12-28 | 2021-04-09 | 广西交控智维科技发展有限公司 | 轨道交通站场图生成方法及系统、电子设备和存储介质 |
CN112858804A (zh) * | 2020-12-25 | 2021-05-28 | 广西交控智维科技发展有限公司 | 轨道车辆的电源屏故障诊断方法及装置 |
CN113534013A (zh) * | 2021-07-27 | 2021-10-22 | 北京全路通信信号研究设计院集团有限公司 | 转辙机配线故障的预测方法、装置及存储介质 |
CN113552436A (zh) * | 2021-07-27 | 2021-10-26 | 中船九江精达科技股份有限公司 | 一种中小型精密机械系统装配质量检测方法 |
CN113627496A (zh) * | 2021-07-27 | 2021-11-09 | 交控科技股份有限公司 | 道岔转辙机故障预测方法、装置、电子设备和可读存储介质 |
CN114368409A (zh) * | 2021-12-20 | 2022-04-19 | 广西交控智维科技发展有限公司 | 轨道交通道岔的健康状况分析方法及装置 |
CN114462641A (zh) * | 2022-01-20 | 2022-05-10 | 中铁第四勘察设计院集团有限公司 | 道岔设备使用状态的确定方法、装置及电子设备 |
WO2022183684A1 (zh) * | 2021-03-05 | 2022-09-09 | 北京全路通信信号研究设计院集团有限公司 | 道岔故障诊断方法、装置、电子设备及介质 |
CN116628446A (zh) * | 2023-05-24 | 2023-08-22 | 成都工业职业技术学院 | 基于聚类算法的道岔健康度标准值智能分析方法及系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107215357A (zh) * | 2017-05-25 | 2017-09-29 | 同济大学 | 一种道岔故障预测方法 |
CN108985380A (zh) * | 2018-07-25 | 2018-12-11 | 西南交通大学 | 一种基于聚类集成的转辙机故障识别方法 |
CN109501834A (zh) * | 2018-11-28 | 2019-03-22 | 交控科技股份有限公司 | 一种道岔转辙机故障预测方法及装置 |
CN110441629A (zh) * | 2019-07-29 | 2019-11-12 | 交控科技股份有限公司 | 基于道岔转辙机动作电流曲线的故障诊断方法及装置 |
CN110728300A (zh) * | 2019-09-09 | 2020-01-24 | 交控科技股份有限公司 | 基于道岔动作电流曲线识别故障类型的方法及系统 |
KR102141391B1 (ko) * | 2019-12-16 | 2020-08-05 | 주식회사 한국가스기술공사 | 군집 평가에 기반한 고장 데이터의 관리 방법 |
-
2020
- 2020-09-17 CN CN202010980349.1A patent/CN112036505A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107215357A (zh) * | 2017-05-25 | 2017-09-29 | 同济大学 | 一种道岔故障预测方法 |
CN108985380A (zh) * | 2018-07-25 | 2018-12-11 | 西南交通大学 | 一种基于聚类集成的转辙机故障识别方法 |
CN109501834A (zh) * | 2018-11-28 | 2019-03-22 | 交控科技股份有限公司 | 一种道岔转辙机故障预测方法及装置 |
CN110441629A (zh) * | 2019-07-29 | 2019-11-12 | 交控科技股份有限公司 | 基于道岔转辙机动作电流曲线的故障诊断方法及装置 |
CN110728300A (zh) * | 2019-09-09 | 2020-01-24 | 交控科技股份有限公司 | 基于道岔动作电流曲线识别故障类型的方法及系统 |
KR102141391B1 (ko) * | 2019-12-16 | 2020-08-05 | 주식회사 한국가스기술공사 | 군집 평가에 기반한 고장 데이터의 관리 방법 |
Non-Patent Citations (1)
Title |
---|
杨云国 等: "基于动作电流波形树表达的道岔转辙机状态检测方法", 上海铁道大学学报, no. 06, pages 32 - 37 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112858804A (zh) * | 2020-12-25 | 2021-05-28 | 广西交控智维科技发展有限公司 | 轨道车辆的电源屏故障诊断方法及装置 |
CN112632651A (zh) * | 2020-12-28 | 2021-04-09 | 广西交控智维科技发展有限公司 | 轨道交通站场图生成方法及系统、电子设备和存储介质 |
WO2022183684A1 (zh) * | 2021-03-05 | 2022-09-09 | 北京全路通信信号研究设计院集团有限公司 | 道岔故障诊断方法、装置、电子设备及介质 |
CN113534013A (zh) * | 2021-07-27 | 2021-10-22 | 北京全路通信信号研究设计院集团有限公司 | 转辙机配线故障的预测方法、装置及存储介质 |
CN113552436A (zh) * | 2021-07-27 | 2021-10-26 | 中船九江精达科技股份有限公司 | 一种中小型精密机械系统装配质量检测方法 |
CN113627496A (zh) * | 2021-07-27 | 2021-11-09 | 交控科技股份有限公司 | 道岔转辙机故障预测方法、装置、电子设备和可读存储介质 |
CN113534013B (zh) * | 2021-07-27 | 2024-02-27 | 北京全路通信信号研究设计院集团有限公司 | 转辙机配线故障的预测方法、装置及存储介质 |
CN114368409A (zh) * | 2021-12-20 | 2022-04-19 | 广西交控智维科技发展有限公司 | 轨道交通道岔的健康状况分析方法及装置 |
CN114462641A (zh) * | 2022-01-20 | 2022-05-10 | 中铁第四勘察设计院集团有限公司 | 道岔设备使用状态的确定方法、装置及电子设备 |
CN116628446A (zh) * | 2023-05-24 | 2023-08-22 | 成都工业职业技术学院 | 基于聚类算法的道岔健康度标准值智能分析方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112036505A (zh) | 道岔转辙机的设备状态确定方法、装置和电子设备 | |
CN104091070B (zh) | 一种基于时间序列分析的轨道交通故障诊断方法和系统 | |
CN110441629B (zh) | 基于道岔转辙机动作电流曲线的故障诊断方法及装置 | |
CN103699698B (zh) | 一种基于改进贝叶斯的轨道交通故障识别方法及系统 | |
Huang et al. | Turnout fault diagnosis through dynamic time warping and signal normalization | |
CN111199257A (zh) | 高铁行车设备故障诊断方法及装置 | |
CN110837718B (zh) | 道岔故障检测方法、装置、电子设备及存储介质 | |
EP3702238B1 (en) | Diagnostic system and a method of diagnosing faults | |
CN112905371B (zh) | 基于异构多源数据异常检测的软件变更检查方法和装置 | |
CN109917200B (zh) | 列车牵引变流器故障诊断方法、系统、设备及存储介质 | |
CN108776452B (zh) | 一种特种设备现场维保监控方法及系统 | |
CN114707401A (zh) | 信号系统设备的故障预警方法及装置 | |
CN116010886B (zh) | 安全监测方法、装置、电子设备和存储介质 | |
CN111898661A (zh) | 道岔转辙机的工作状态监测方法及装置 | |
CN109242131A (zh) | 道岔信息处理方法及装置 | |
CN112434979B (zh) | 道岔系统健康评估方法 | |
CN112524077A (zh) | 检测风机故障的方法及装置、系统 | |
CN115524002B (zh) | 一种电厂旋转设备的运行状态预警方法、系统及存储介质 | |
JP7062505B2 (ja) | 設備管理支援システム | |
CN115169650A (zh) | 一种大数据分析的装备健康预测方法 | |
CN112084673A (zh) | 道岔摩擦电流自动设置方法及装置 | |
CN114004268A (zh) | 一种牵引系统故障的在线诊断方法及装置 | |
CN115879033A (zh) | 故障诊断方法及装置 | |
CN114757455B (zh) | 一种基于伺服电机时序数据的地沟台车异常预测方法及系统 | |
CN115329848A (zh) | 设备故障诊断方法、装置、电子设备及计算机存储介质 |
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 |