CN112113655B - 一种地铁轨道扣件振动信号检测装置及健康评估方法 - Google Patents
一种地铁轨道扣件振动信号检测装置及健康评估方法 Download PDFInfo
- Publication number
- CN112113655B CN112113655B CN202010995216.1A CN202010995216A CN112113655B CN 112113655 B CN112113655 B CN 112113655B CN 202010995216 A CN202010995216 A CN 202010995216A CN 112113655 B CN112113655 B CN 112113655B
- Authority
- CN
- China
- Prior art keywords
- signal
- vibration
- vibration signal
- neural network
- healthy
- 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.)
- Expired - Fee Related
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 18
- 238000000034 method Methods 0.000 title claims abstract description 15
- 238000003062 neural network model Methods 0.000 claims abstract description 41
- 238000012549 training Methods 0.000 claims abstract description 8
- 238000006243 chemical reaction Methods 0.000 claims abstract description 7
- 230000003862 health status Effects 0.000 claims abstract description 4
- 238000001914 filtration Methods 0.000 claims description 6
- 210000002569 neuron Anatomy 0.000 claims description 4
- 230000005284 excitation Effects 0.000 claims description 3
- 238000013459 approach Methods 0.000 claims description 2
- 238000004364 calculation method Methods 0.000 claims description 2
- 238000013528 artificial neural network Methods 0.000 abstract description 5
- 238000012544 monitoring process Methods 0.000 abstract description 4
- 230000032683 aging Effects 0.000 abstract 1
- 230000003321 amplification Effects 0.000 abstract 1
- 238000003199 nucleic acid amplification method Methods 0.000 abstract 1
- 238000012545 processing Methods 0.000 description 6
- 230000007547 defect Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
- G01H11/00—Measuring mechanical vibrations or ultrasonic, sonic or infrasonic waves by detecting changes in electric or magnetic properties
- G01H11/06—Measuring mechanical vibrations or ultrasonic, sonic or infrasonic waves by detecting changes in electric or magnetic properties by electric means
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield 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
- G06N3/045—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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Train Traffic Observation, Control, And Security (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明公开了一种城市地铁轨道扣件振动信号检测装置,其包括压敏电阻、放大滤波电路、A/D转换电路、处理器和显示器。本发明评估轨道扣件健康状况的方法包括步骤:S1:建立轨道扣件振动信号的数据库;S2:收集若干地铁轨道上轨道扣件工作时的振动信号;S3:建立BP神经网络模型;S4:分别训练得到健康振动信号BP神经网络模型、亚健康振动信号BP神经网络模型和危险振动信号BP神经网络模型;S5:识别出该振动信号的类型,并将识别结果显示在显示屏上。本方案检测出的电信号通过BP神经网络进行筛选,判断具体轨道扣件的健康状况,可以避免因弹条老化而造成的运行故障和意外的发生,达到安全预警和安全监控的目的。
Description
技术领域
本发明涉及轨道交通技术领域,具体涉及一种地铁轨道扣件振动信号检测装置及健康评估方法。
背景技术
轨道扣件震动信号检测装置是铁路尤其是地铁等行业的重要装置,其用于测量轨道扣件压力大小变化,从而测量列车距离,且可测定此压力是否在安全压力范围内,是预防突发事故的重要安全检测仪器。使用过程中除必须按规定周期送计量监督部门检定外,用户也须进行日常校准,随时保持其可靠性和测量精度。目前城市地铁整轨弹条的震动信号智能检定装置主要问题和缺陷:1.由于整轨弹条需定时更换,不能准确检测弹条的健康状况;2.不能充分利用弹条也不能充分规避弹条提前老化的安全问题。
发明内容
针对现有技术的上述不足,本发明提供了一种实现远程监控的地铁轨道扣件振动信号检测装置及健康评估方法。
为达到上述发明目的,本发明所采用的技术方案为:
提供一种地铁轨道扣件振动信号检测装置,其包括:
压敏电阻,压敏电阻安装在轨道扣件的下方,用于检测列车经过时,扣件产生的振动,并将振动转化成电信号;
放大滤波电路,放大滤波电路接收振动信号,减少振动信号中的噪音;
A/D转换电路,A/D转换电路接收放大滤波电路发出的信号,将振动信号转换成数字信号,发送给处理器;
处理器,处理器接收A/D转换电路的信号,生成压敏电阻检测的振动波形,评估轨道扣件的健康状况,并发送给显示器;
显示器,显示器显示扣件的振动波形和健康状况。
提供一种采用地铁轨道扣件振动信号检测装置评估轨道扣件健康状态的方法,其包括以下步骤:
S1:建立轨道扣件振动信号的数据库,在数据库中建立三个文档,三个文档包括健康轨道扣件振动信号文档、亚健康轨道扣件振动信号文档和危险轨道扣件振动信号文档;
S2:收集若干地铁轨道上轨道扣件工作时的振动信号,收集的振动信号包括健康轨道扣件的健康振动信号、亚健康轨道扣件的亚健康振动信号和危险轨道扣件的危险振动信号,并将收集的振动信号分配到对应三个文档中;
S3:建立BP神经网络模型,BP神经网络模型的激励函数为:
其中,xi为输入信号,e为误差函数;
S4:分别利用健康振动信号、亚健康振动信号和危险振动信号训练BP神经网络模型,分别得到健康振动信号BP神经网络模型、亚健康振动信号BP神经网络模型和危险振动信号BP神经网络模型;
S5:压敏电阻实时采集地铁经过时轨道扣件的振动信号,并分别发送给健康振动信号BP神经网络模型、亚健康振动信号BP神经网络模型和危险振动信号BP神经网络模型,识别出该振动信号的类型,并将识别结果显示在显示屏上。
本发明的有益效果为:本方案检测出的电信号通过BP神经网络进行筛选,判断具体轨道扣件的健康状况,可以避免因弹条老化而造成的运行故障和意外的发生。能实现实时检测压力和振动,并及时上传数据进行处理。压敏电阻的应用和电流的直接检测跳过了传统压力传感器的处理过程,并且BP神经网络的筛选基于大数据,增加了识别的敏锐度;压敏电阻采集的信号经过去除噪音处理,避免了外界因素造成的电流不稳定。达到安全预警和安全监控的目的,操作简单,并能生成检测记录,方便查阅。
附图说明
图1为地铁轨道扣件振动信号检测装置的原理框图。
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。
如图1所示,本方案的地铁轨道扣件振动信号检测装置包括:
压敏电阻,压敏电阻安装在轨道扣件的下方,用于检测列车经过时,扣件产生的振动,并将振动转化成电信号;
放大滤波电路,放大滤波电路接收振动信号,减少振动信号中的噪音;
A/D转换电路,A/D转换电路接收放大滤波电路发出的信号,将振动信号转换成数字信号,发送给处理器;
处理器,处理器接收A/D转换电路的信号,生成压敏电阻检测的振动波形,评估轨道扣件的健康状况,并发送给显示器;
显示器,显示器显示扣件的振动波形和健康状况。
采用本方案的地铁轨道扣件振动信号检测装置评估轨道扣件健康状况的方法包括以下步骤:
S1:建立轨道扣件振动信号的数据库,在数据库中建立三个文档,三个文档包括健康轨道扣件振动信号文档、亚健康轨道扣件振动信号文档和危险轨道扣件振动信号文档;
S2:收集若干地铁轨道上轨道扣件工作时的振动信号,收集的振动信号包括健康轨道扣件的健康振动信号、亚健康轨道扣件的亚健康振动信号和危险轨道扣件的危险振动信号,并将收集的振动信号分配到对应三个文档中;
S3:建立BP神经网络模型,BP神经网络模型的激励函数为:
其中,xi为输入信号,e为误差函数;
S4:分别利用健康振动信号、亚健康振动信号和危险振动信号训练BP神经网络模型,分别得到健康振动信号BP神经网络模型、亚健康振动信号BP神经网络模型和危险振动信号BP神经网络模型;包括:
S41:将健康轨道扣件振动信号文档中的健康振动信号作为输入信号x=(x1,x2,···,xn),其中,xn为健康振动信号,n为健康振动信号的数量;
S42:对BP神经网络模型进行初始化,使各连接权值在区间(-1,1)内取值,设定误差函数e的计算精度值和最大迭代次数M;
S43:将输入信号输入初始化后的BP神经网络模型,得到输出信号:
ho=f(hi)
yo=f(yio)
其中,wi为输入层与隐含层之间的连接权值,xi为健康振动信号,bh为隐含层各神经元的阈值,hi为隐含层的输入信号,ho为隐含层的输出信号,yio为输出层的输入信号,yo为输出层的输出信号,who为隐含层与输出层的连接权值,bo为输出层各神经元的阈值;
S44:计算输出层的输出信号yo与期望输出信号之间的误差信号,若误差信号在允许的误差范围内,则进入步骤411,否则进入步骤S45;
S45:利用误差函数求输出层的偏导数:
δo=(do-yo)yo(1-yo)
其中,do为期望输出信号;
S46:通过隐含层的输出信号ho和偏导数δo、输出层和隐含层之间的连接权值who,计算隐含层的偏导数:
S47:修正隐含层和输出层之间的连接权值和阈值,使实际输出无限趋近与期望输出:
who N+1=who N+ηδoho
bo=bo N+ηδo
S48:计算全局误差E
S49:利用全局误差E修正输出层的输出信号yo;
S410:计算修正后的输出信号yo与期望输出信号之间的误差信号,若误差信号在允许的误差范围内,则进入步骤S411;否则,重复步骤S45-S49,继续修正输出层的输出信号yo,直到误差信号在允许的误差范围内;
S411:判断健康轨道扣件振动信号文档中所有的健康振动信号是否训练完成;
S412:若是,则完成健康振动信号BP神经网络模型的训练;否则,重复步骤S43-S411,直到所有健康振动信号训练完成;
S412:分别将亚健康轨道扣件振动信号文档中的亚健康振动信号和危险轨道扣件振动信号文档中的危险振动信号作为输入信号,重复步骤S41-S412,训练亚健康振动信号BP神经网络模型和危险振动信号BP神经网络模型。
S5:压敏电阻实时采集地铁经过时轨道扣件的振动信号,并分别发送给健康振动信号BP神经网络模型、亚健康振动信号BP神经网络模型和危险振动信号BP神经网络模型,识别出该振动信号的类型,并将识别结果显示在显示屏上。
本方案检测出的电信号通过BP神经网络进行筛选,判断具体轨道扣件的健康状况,可以避免因弹条老化而造成的运行故障和意外的发生。能实现实时检测压力和振动,并及时上传数据进行处理。压敏电阻的应用和电流的直接检测跳过了传统压力传感器的处理过程,并且BP神经网络的筛选基于大数据,增加了识别的敏锐度;压敏电阻采集的信号经过去除噪音处理,避免了外界因素造成的电流不稳定。达到安全预警和安全监控的目的,操作简单,并能生成检测记录,方便查阅。
Claims (1)
1.一种采用地铁轨道扣件振动信号检测装置评估轨道扣件健康状态的方法,所述地铁轨道扣件振动信号检测装置包括:
压敏电阻,所述压敏电阻安装在轨道扣件的下方,用于检测列车经过时,轨道扣件产生的振动,并将振动转化成电信号;
放大滤波电路,所述放大滤波电路接收振动信号,减少振动信号中的噪音;
A/D转换电路,所述A/D转换电路接收放大滤波电路发出的振动信号,将振动信号转换成数字信号,发送给处理器;
处理器,所述处理器接收A/D转换电路的振动信号,生成压敏电阻检测的振动波形,评估轨道扣件健康状况,并发送给显示器;
显示器,所述显示器显示扣件的振动波形和健康状况;
其特征在于,包括以下步骤:
S1:建立轨道扣件振动信号的数据库,在数据库中建立三个文档,三个文档包括健康轨道扣件振动信号文档、亚健康轨道扣件振动信号文档和危险轨道扣件振动信号文档;
S2:收集若干地铁轨道上轨道扣件工作时的振动信号,收集的振动信号包括健康轨道扣件的健康振动信号、亚健康轨道扣件的亚健康振动信号和危险轨道扣件的危险振动信号,并将收集的振动信号分配到对应的三个文档中;
S3:建立BP神经网络模型,所述BP神经网络模型的激励函数为:
其中,xi为输入信号,e为误差函数;
S4:分别利用健康振动信号、亚健康振动信号和危险振动信号训练BP神经网络模型,分别得到健康振动信号BP神经网络模型、亚健康振动信号BP神经网络模型和危险振动信号BP神经网络模型;
S5:压敏电阻实时采集地铁经过时轨道扣件的振动信号,并分别发送给健康振动信号BP神经网络模型、亚健康振动信号BP神经网络模型和危险振动信号BP神经网络模型,识别出该振动信号的类型,并将识别结果显示在显示屏上;
所述步骤S4包括:
S41:将健康轨道扣件振动信号文档中的健康振动信号作为输入信号x=(x1,x2,···,xn),其中,xn为健康振动信号,n为健康振动信号的数量;
S42:对BP神经网络模型进行初始化,使各连接权值在区间(-1,1)内取值,设定误差函数e的计算精度值和最大迭代次数M;
S43:将输入信号输入初始化后的BP神经网络模型中,得到输出信号:
ho=f(hi)
yo=f(yio)
其中,wi为输入层与隐含层之间的连接权值,xi为健康振动信号,bh为隐含层各神经元的阈值,hi为隐含层的输入信号,ho为隐含层的输出信号,yio为输出层的输入信号,yo为输出层的输出信号,who为隐含层与输出层的连接权值,bo为输出层各神经元的阈值;
S44:计算输出层的输出信号yo与期望输出信号之间的误差信号,若误差信号在允许的误差范围内,则进入步骤S 411,否则进入步骤S45;
S45:利用误差函数e求输出层的偏导数:
δo=(do-yo)yo(1-yo)
其中,do为期望输出信号;
S46:通过隐含层的输出信号ho和偏导数δo、输出层和隐含层之间的连接权值who,计算隐含层的偏导数:
S47:修正隐含层和输出层之间的连接权值和阈值,使实际输出无限趋近与期望输出:
who N+1=who N+ηδoho
bo=bo N+ηδo
S48:计算全局误差E
S49:利用全局误差E修正输出层的输出信号yo;
S410:计算修正后的输出信号与期望输出信号之间的误差信号,若误差信号在允许的误差范围内,则进入步骤S411;否则,重复步骤S45-S49,继续修正输出层的输出信号yo,直到误差信号在允许的误差范围内;
S411:判断健康轨道扣件振动信号文档中所有的健康振动信号是否训练完成;
S412:若是,则完成健康振动信号BP神经网络模型的训练;否则,重复步骤S43-S411,直到所有健康振动信号训练完成;
S413:分别将亚健康轨道扣件振动信号文档中的亚健康振动信号和危险轨道扣件振动信号文档中的危险振动信号作为输入信号,重复步骤S41-S412,训练亚健康振动信号BP神经网络模型和危险振动信号BP神经网络模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010995216.1A CN112113655B (zh) | 2020-09-21 | 2020-09-21 | 一种地铁轨道扣件振动信号检测装置及健康评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010995216.1A CN112113655B (zh) | 2020-09-21 | 2020-09-21 | 一种地铁轨道扣件振动信号检测装置及健康评估方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112113655A CN112113655A (zh) | 2020-12-22 |
CN112113655B true CN112113655B (zh) | 2021-06-01 |
Family
ID=73800867
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010995216.1A Expired - Fee Related CN112113655B (zh) | 2020-09-21 | 2020-09-21 | 一种地铁轨道扣件振动信号检测装置及健康评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112113655B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112734305A (zh) * | 2021-02-24 | 2021-04-30 | 西南交通大学 | 一种路基压实质量评判方法、装置、设备及可读存储介质 |
Family Cites Families (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2005156432A (ja) * | 2003-11-27 | 2005-06-16 | Taiheiyo Cement Corp | 破断音センサ |
JP2006113002A (ja) * | 2004-10-18 | 2006-04-27 | Nsk Ltd | 機械設備の異常診断システム |
CN101701845B (zh) * | 2009-11-04 | 2011-06-01 | 西安理工大学 | 一种机车车轮运行状态的识别方法 |
CN102854191B (zh) * | 2012-07-18 | 2014-09-10 | 湖南大学 | 高速铁轨表面缺陷的实时视觉检测与识别方法 |
CN107314809B (zh) * | 2017-08-28 | 2019-10-15 | 华东交通大学 | 一种箱梁结构的高精度噪声测量装置 |
CN110207810B (zh) * | 2018-02-28 | 2021-11-30 | 常州路航轨道交通科技有限公司 | 轴箱振动检测系统 |
CN110631812B (zh) * | 2019-04-26 | 2022-04-22 | 深圳市豪视智能科技有限公司 | 轨道振动检测方法及装置、振动检测设备 |
CN110175434B (zh) * | 2019-06-19 | 2022-06-14 | 西南交通大学 | 一种基于卷积神经网络的铁路扣件系统损伤检测方法 |
CN111626976A (zh) * | 2019-11-01 | 2020-09-04 | 东莞灵虎智能科技有限公司 | 一种基于脉冲耦合神经网络的钢轨表面伤损检测方法 |
CN111080597A (zh) * | 2019-12-12 | 2020-04-28 | 西南交通大学 | 一种基于深度学习的轨道扣件缺陷识别算法 |
CN111623868B (zh) * | 2020-05-12 | 2021-08-20 | 西南交通大学 | 用于钢轨波磨识别的卷积神经网络构建方法 |
-
2020
- 2020-09-21 CN CN202010995216.1A patent/CN112113655B/zh not_active Expired - Fee Related
Also Published As
Publication number | Publication date |
---|---|
CN112113655A (zh) | 2020-12-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
TWI451070B (zh) | 異常音診斷裝置 | |
CN112113655B (zh) | 一种地铁轨道扣件振动信号检测装置及健康评估方法 | |
US9934793B2 (en) | Method for determining alcohol consumption, and recording medium and terminal for carrying out same | |
JP7464105B2 (ja) | 異常推定装置、異常推定方法、及びプログラム | |
CN111883257B (zh) | 基于多传感器的人体健康状态评估与预警系统 | |
CN111591319B (zh) | 一种用于高速铁路的轨道状况动态监测方法 | |
CN117932499B (zh) | 一种齿轨异常监测方法 | |
US8594774B2 (en) | Sleep determination device and sleep determination method | |
CN116150592B (zh) | 基于人工智能的轮椅智能监测预警方法及系统 | |
CN110553789A (zh) | 一种压阻式压力传感器的状态检测方法、装置及制动系统 | |
JP4141180B2 (ja) | データ処理装置及びデータ処理方法 | |
US11222653B2 (en) | System and method for determining stroke based on voice analysis | |
CN109916487B (zh) | 行车重量智能监控系统及方法 | |
CN111572590B (zh) | 一种高速铁路轨道状况动态监测装置 | |
US20210271957A1 (en) | Anomaly detection using machine-learning based normal signal removing filter | |
JP7452686B2 (ja) | 車両検出装置、方法及びプログラム | |
JP7327688B2 (ja) | イベント検出装置、方法及びプログラム | |
CN113945253B (zh) | 一种轨道交通轨行区的水位测量方法 | |
JP7456366B2 (ja) | 診断装置、測定装置、診断方法、および診断プログラム | |
CN117874479B (zh) | 基于数据驱动的重载机车车钩力识别方法 | |
CN117133304A (zh) | 一种对铁路设施进行故障检测的方法 | |
JP3216999B2 (ja) | 原子炉炉心流動監視装置 | |
JPH11306482A (ja) | 交通量計測装置及びその方法 | |
JPH04148839A (ja) | 車輪踏面の異常検出装置 | |
KR102103988B1 (ko) | 기계학습을 이용한 자동차 휠 밸런스 진단 방법 및 장치 |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20210601 |