CN112183423B - 高频弓网动态响应信号的滤波方法及装置 - Google Patents

高频弓网动态响应信号的滤波方法及装置 Download PDF

Info

Publication number
CN112183423B
CN112183423B CN202011073052.3A CN202011073052A CN112183423B CN 112183423 B CN112183423 B CN 112183423B CN 202011073052 A CN202011073052 A CN 202011073052A CN 112183423 B CN112183423 B CN 112183423B
Authority
CN
China
Prior art keywords
frequency
signal
dynamic response
filtering
bow net
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
Application number
CN202011073052.3A
Other languages
English (en)
Other versions
CN112183423A (zh
Inventor
刘金朝
徐晓迪
丁宇鸣
张文轩
杨志鹏
郭剑锋
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.)
China Academy of Railway Sciences Corp Ltd CARS
China State Railway Group Co Ltd
Infrastructure Inspection Institute of CARS
Beijing IMAP Technology Co Ltd
Original Assignee
China Academy of Railway Sciences Corp Ltd CARS
China State Railway Group Co Ltd
Infrastructure Inspection Institute of CARS
Beijing IMAP 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 China Academy of Railway Sciences Corp Ltd CARS, China State Railway Group Co Ltd, Infrastructure Inspection Institute of CARS, Beijing IMAP Technology Co Ltd filed Critical China Academy of Railway Sciences Corp Ltd CARS
Priority to CN202011073052.3A priority Critical patent/CN112183423B/zh
Publication of CN112183423A publication Critical patent/CN112183423A/zh
Application granted granted Critical
Publication of CN112183423B publication Critical patent/CN112183423B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/02—Preprocessing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/24323—Tree-organised classifiers
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/02—Preprocessing
    • G06F2218/04—Denoising
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Signal Processing (AREA)
  • Measurement Of Resistance Or Impedance (AREA)

Abstract

本发明提供了一种高频弓网动态响应信号的滤波方法及装置，该方法包括：进行傅立叶变换和逆傅立叶变换，得到高通滤波后的高频弓网动态响应信号；根据高通滤波后的信号变化特征，利用分类回归决策树CART，滤除单点高频异常值对应的干扰信号，得到第一信号；根据相对峰值，利用模糊滤波器，滤除区段异常值对应的干扰信号，得到第二信号；根据低频趋势信息，利用小波包，滤除分片异常值对应的干扰信号，得到去除完整干扰信号后的信号。针对不同的干扰信号，利用不同方法滤除，既未损伤正常信号，也完整且准确地滤除高频弓网动态响应信号中的干扰信号。

Description

高频弓网动态响应信号的滤波方法及装置
技术领域
本发明涉及电气化铁路供电技术领域，尤其涉及一种高频弓网动态响应信号的滤波方法及装置。
背景技术
电气化铁路对接触网设备要求非常严格，接触网露天架设、无备用且需要承受来自受电弓的冲击，成为电气化铁路系统的薄弱环节之一。其中，接触网硬点是影响接触网设备质量非常重要的因素。为了及时发现接触网硬点，利用高频弓网动态响应诊断接触网硬点，但在车辆过分相时，由于发生电力机车或动车组离网断电，和重新进网带电合闸，会产生较强的过电压、过电流等暂态过程，形成电磁干扰，导致高频弓网动态响应检测数据中出现大量的干扰信号，此外，燃弧也会产生干扰信号。当这些干扰信号超过了所设的阈值被误判为偏差时，会造成人力物力的浪费，导致接触网养护维修的效率降低。
因此，现场环境下高频弓网动态响应信号中干扰信号的检测、识别和滤除，对接触网的硬点进行诊断和评判极其重要。
现有的高频弓网动态响应信号的滤波方法，主要有低通滤波法和中值滤波法等。低通滤波法假定异常值分布在信号的高频段，通过截断高频部分实现对异常值滤波。通常来说，高频弓网响应信号中的异常值是全频段的，因此，低通滤波法可以减轻异常值，但不能完整滤除。中值滤波法是一种滑动平均法，但在处理异常值的同时，也对未被污染的信号进行了改变。因而，现有的高频弓网动态响应信号的滤波方法，均不能完整、准确滤除干扰信号，且不损伤正常信号。
发明内容
本发明实施例提供一种高频弓网动态响应信号的滤波方法，用以在不损伤正常信号的前提下，完整并准确滤除高频弓网动态响应信号中的干扰信号，该方法包括：
接收高频弓网动态响应信号；
对接收到的高频弓网动态响应信号进行傅立叶变换和逆傅立叶变换，得到高通滤波后的高频弓网动态响应信号；
根据高通滤波后的高频弓网动态响应信号的变化特征，利用分类回归决策树CART，滤除高通滤波后的高频弓网动态响应信号中单点高频异常值对应的干扰信号，得到第一信号；
根据第一信号的相对峰值，利用模糊滤波器，滤除第一信号中区段异常值对应的干扰信号，得到第二信号；
根据第二信号的低频趋势信息，利用小波包，滤除第二信号中分片异常值对应的干扰信号，得到去除完整干扰信号后的高频弓网动态响应信号。
本发明实施例还提供一种高频弓网动态响应信号的滤波装置，用以在不损伤正常信号的前提下，完整并准确滤除高频弓网动态响应信号中的干扰信号，该装置包括：
信号接收模块，用于接收高频弓网动态响应信号；
高通滤波模块，用于对接收到的高频弓网动态响应信号进行傅立叶变换和逆傅立叶变换，得到高通滤波后的高频弓网动态响应信号；
单点高频异常值滤除模块，用于根据高通滤波后的高频弓网动态响应信号的变化特征，利用分类回归决策树CART，滤除高通滤波后的高频弓网动态响应信号中单点高频异常值对应的干扰信号，得到第一信号；
区段异常值滤除模块，用于根据第一信号的相对峰值，利用模糊滤波器，滤除第一信号中区段异常值对应的干扰信号，得到第二信号；
分片异常值滤除模块，用于根据第二信号的低频趋势信息，利用小波包，滤除第二信号中分片异常值对应的干扰信号，得到去除完整干扰信号后的高频弓网动态响应信号。
本发明实施例还提供一种计算机设备，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计算机程序时实现上述高频弓网动态响应信号的滤波方法。
本发明实施例也提供一种计算机可读存储介质，所述计算机可读存储介质存储有执行上述高频弓网动态响应信号的滤波方法的计算机程序。
本发明实施例中，通过接收高频弓网动态响应信号；对接收到的高频弓网动态响应信号进行傅立叶变换和逆傅立叶变换，得到高通滤波后的高频弓网动态响应信号；根据高通滤波后的高频弓网动态响应信号的变化特征，利用分类回归决策树CART，滤除高通滤波后的高频弓网动态响应信号中单点高频异常值对应的干扰信号，得到第一信号；根据第一信号的相对峰值，利用模糊滤波器，滤除第一信号中区段异常值对应的干扰信号，得到第二信号；根据第二信号的低频趋势信息，利用小波包，滤除第二信号中分片异常值对应的干扰信号，得到去除完整干扰信号后的高频弓网动态响应信号。通过高频弓网动态响应信号的变化特征，区分单点高频异常值和信号正常值，将单点高频异常值对应的干扰信号滤除；利用相对峰值，区分区段异常值和信号正常值，将区段异常值对应的干扰信号滤除；通过低频趋势信息，区分分片异常值和信号正常值，将分片异常值对应的干扰信号滤除；针对不同的干扰信号，利用不同方法滤除，既未损伤正常信号，也完整且准确地滤除高频弓网动态响应信号中的干扰信号。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅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为本发明实施例中高频弓网动态响应信号的滤波方法的示意图。
图2为本发明具体实施例中步骤103的具体实现方式示意图。
图3为本发明具体实施例中步骤104的具体实现方式示意图。
图4为本发明具体实施例中预先建立模糊滤波器的方法示意图。
图5为本发明具体实施例中步骤105的具体实现方式示意图。
图6为本发明具体实施例中接触网硬点诊断的实现方法示意图。
图7为本发明具体应用实施中的实施方法流程示意图。
图8为本发明具体应用实施中高频弓网动态响应信号中的异常值和正常值波形示意图。
图9为本发明具体应用实施中单点高频异常值决策树的示意图。
图10为本发明具体应用实施中包含分片异常值的受电弓垂向加速度信号及其分解的高频部分和低频部分的示意图。
图11为本发明具体应用实施中滤除单点高频异常值前后波形及其局部放大示意图。
图12为本发明具体应用实施中滤除区段异常值前后波形及其局部放大示意图。
图13为本发明具体应用实施中滤除分片异常值前后波形及其局部放大示意图。
图14为本发明具体应用实施中正常高频受电弓垂向加速度信号滤波后波形示意图。
图15为本发明实施例中高频弓网动态响应信号的滤波装置的示意图。
图16为本发明具体实施例中高频弓网动态响应信号的滤波装置的示意图。
图17为本发明具体实施例中单点高频异常值滤除模块1503的结构示意图。
图18为本发明具体实施例中区段异常值滤除模块1504的结构示意图(一)。
图19为本发明具体实施例中区段异常值滤除模块1504的结构示意图(二)。
图20为本发明具体实施例中分片异常值滤除模块1505的结构示意图。
具体实施方式
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。
本发明实施例提供了一种高频弓网动态响应信号的滤波方法，用以在不损伤正常信号的前提下，完整并准确滤除高频弓网动态响应信号中的干扰信号，如图1所示，该方法包括：
步骤101：接收高频弓网动态响应信号；
步骤102：对接收到的高频弓网动态响应信号进行傅立叶变换和逆傅立叶变换，得到高通滤波后的高频弓网动态响应信号；
步骤103：根据高通滤波后的高频弓网动态响应信号的变化特征，利用分类回归决策树CART，滤除高通滤波后的高频弓网动态响应信号中单点高频异常值对应的干扰信号，得到第一信号；
步骤104：根据第一信号的相对峰值，利用模糊滤波器，滤除第一信号中区段异常值对应的干扰信号，得到第二信号；
步骤105：根据第二信号的低频趋势信息，利用小波包，滤除第二信号中分片异常值对应的干扰信号，得到去除完整干扰信号后的高频弓网动态响应信号。
由图1所示流程可以得知，本发明实施例中，通过接收高频弓网动态响应信号；对接收到的高频弓网动态响应信号进行傅立叶变换和逆傅立叶变换，得到高通滤波后的高频弓网动态响应信号；根据高通滤波后的高频弓网动态响应信号的变化特征，利用分类回归决策树CART，滤除高通滤波后的高频弓网动态响应信号中单点高频异常值对应的干扰信号，得到第一信号；根据第一信号的相对峰值，利用模糊滤波器，滤除第一信号中区段异常值对应的干扰信号，得到第二信号；根据第二信号的低频趋势信息，利用小波包，滤除第二信号中分片异常值对应的干扰信号，得到去除完整干扰信号后的高频弓网动态响应信号。通过高频弓网动态响应信号的变化特征，区分单点高频异常值和信号正常值，将单点高频异常值对应的干扰信号滤除；利用相对峰值，区分区段异常值和信号正常值，将区段异常值对应的干扰信号滤除；通过低频趋势信息，区分分片异常值和信号正常值，将分片异常值对应的干扰信号滤除；针对不同的干扰信号，利用不同方法滤除，既未损伤正常信号，也完整且准确地滤除高频弓网动态响应信号中的干扰信号。
具体实施时，首先接收高频弓网动态响应信号。接收到高频弓网动态响应信号后，对接收到的高频弓网动态响应信号进行傅立叶变换和逆傅立叶变换，得到高通滤波后的高频弓网动态响应信号。
接着，根据高通滤波后的高频弓网动态响应信号的变化特征，利用分类回归决策树CART(Classification And Regression Tree)，滤除高通滤波后的高频弓网动态响应信号中单点高频异常值对应的干扰信号，得到第一信号。具体实施过程如图2所示，包括：
步骤201：确定高通滤波后的高频弓网动态响应信号的变化特征，其中，变化特征包括：当前点变化量、当前点增步变化量、符号值和领域内相对变化量；
步骤202：将高通滤波后的高频弓网动态响应信号的变化特征，输入预设的分类回归决策树CART中，确定高通滤波后的高频弓网动态响应信号中单点高频异常值；
步骤203：用均值为零且方差为一的随机噪声，代替单点高频异常值对应的干扰信号，得到第一信号。
其中，分类回归决策树CART是基于训练数据集，用于确定单点高频异常值，递归构建的二叉决策树；
得到第一信号后，根据第一信号的相对峰值，利用模糊滤波器，滤除第一信号中区段异常值对应的干扰信号，得到第二信号。具体实施过程，如图3所示，包括：
步骤301：确定第一信号的过零点的峰值和相对峰值；
步骤302：将过零点的峰值和相对峰值，输入预先建立的模糊滤波器中，确定第一信号中区段异常值；
步骤303：用均值为零且方差为一的随机噪声，代替区段异常值对应的干扰信号，得到第二信号。
具体实施时，按如图4所示的方式预先建立上述模糊滤波器，具体包括：
步骤401：获取存在区段异常值的高频弓网动态响应信号的训练样本；
步骤402：确定训练样本的过零点区间，确定过零点区间内的过零点的峰值和相对峰值；
步骤403：根据过零点区间内的过零点的峰值和相对峰值，确定训练样本的峰值特征向量；
步骤404：以训练样本的峰值特征向量为输入，训练样本的区段异常值变化数据为输出，建立TS模糊系统；
步骤405：将建立的TS模糊系统，去模糊化后，得到模糊滤波器。
得到第二信号后，根据第二信号的低频趋势信息，利用小波包，滤除第二信号中分片异常值对应的干扰信号，得到去除完整干扰信号后的高频弓网动态响应信号。具体实施过程，如图5所示，包括：
步骤501：利用小波包，对第二信号进行分解和重构，得到第二信号的高频部分和低频部分；
步骤502：从第二信号的低频部分中提取局部趋势项，若提取的局部趋势项与分片异常值的低频趋势特征一致，用均值为零且方差为一的随机噪声，代替局部趋势项对应的干扰信号，得到去除完整干扰信号后的高频弓网动态响应信号。
其中，分片异常值的低频趋势特征是利用小波包对含有分片异常值的样本信号进行分解和重构后，对得到的低频部分进行分析确定的。
得到去除完整干扰信号后的高频弓网动态响应信号后，本发明实施例还可以根据得到的信号进行接触网硬点诊断，具体步骤如图6所示，包括：
步骤601：确定去除完整干扰信号后的高频弓网动态响应信号的移动有效值和移动平均值；
步骤602：根据上述移动有效值和移动平均值，确定接触网冲击指数；
步骤603：根据接触网冲击指数，确定接触网硬点的诊断结果。
下面给出一具体实例说明本发明实施例如何进行高频弓网动态响应信号的滤波。
在电气化铁路接触网检测车上安装了受电弓垂向振动加速度检测系统，并利用实测受电弓垂向加速度计算接触网冲击指数等特征指标评判接触网的状态。若高频受电弓垂向加速度包含异常值，直接计算接触网冲击指数等特征指标进行评判可能导致误判。因而，需要去除高频弓网动态响应信号中的异常值。
本例的方法流程图，如图7所示，本方案包括如下五大部分：
第一部分利用傅里叶分析和逆傅里叶分析，对高频弓网动态信号进行高通滤波，消除采集系统零飘的影响；第二部分利用融合变化率和决策树方法，来滤除单点高频异常值；第三部分采用基于相对峰值和模糊滤波器方法，滤除区段异常值；第四部分采用融合小波包和低频趋势信息，滤除分片异常值；第五部分通过计算处理后的弓网动态响应信号的接触网冲击指数，对接触网的硬点进行诊断和评判。
提出处理高频弓网动态响应异常值的完整方法和流程，详细步骤如下：
S1：记初始的高频弓网动态响应信号为{xi,i＝1,2,…N}，其中N为采样点数，采样频率是Fs；
S2：利用傅里叶变换和逆傅里叶变换对高频弓网动态信号进行高通滤波，消除采集系统零飘的影响，对{xi,i＝1,2,…N}进行离散傅立叶变换得到：
取K＝[(N-1)×0.1/Fs]+1，按下式进行逆傅立叶变换得到高通滤波后弓网动态响应信号：
S3：利用融合变化率和决策树方法，滤除单点高频异常值。
高频弓网动态响应信号中单点高频异常值，如图8中的(a)部分所示，可以看出它具有突变性，开始突然变大或变小，而后马上突然变小或变大，并基本上回到变化前的值。从图8中的(d)部分可以看出，当发生大的冲击如出现硬点的地方，正常的高频弓网动态信号也会出现这种突变特征。进一步比较图8中的(a)部分和图8中的(d)部分可知，在一定范围的邻域内，单点高频异常值的突变峰值是单一的，而且明显比其它峰值要大；而正常信号邻域内会出现多个峰值，且呈逐步衰减特性。根据硬点冲击物理原理，由于系统本身有阻尼，冲击信号的振动能量会逐步衰减，而不会一次衰减。于是进一步引入邻域内相对变化量来描述单点高频异常值的单一突变特性。
引入四个特征指标，即当前点变化量、当前点增步变化量、符号值、邻域内相对变化量，来刻画单点高频异常值的特性，并利用分类回归树决策树方法CART对其进行诊断，如图9所示。CART是一种二分递归分割的技术，将当前的样本集分为两个子样本集，使得生成的每个非叶子节点都有两个分支。因此，CART算法生成的决策树是结构简洁的二叉树。
在CART算法中，采用基尼不纯度建立决策树。基尼不纯度表示一个随机选中的样本在子集中被分错的可能性。基尼不纯度为这个样本被选中的概率乘以它被分错的概率。当一个节点中所有样本都是一个类时，基尼不纯度为零。基尼指数可以通过如下方式计算：
上式中m表示数据集中类别的数量，fi表示类别，i表示样本数量占所有样本的比例。
融合变化量、邻域相对变化量和CART的单点高频异常值滤波方法描述如下：
记高频弓网动态响应信号为{xi,i＝1,2,…N}，设定变化量阈值Tc，邻域内相对变化量阈值Tn，邻域窗的宽度Lw；
对i＝1,2,…N-1进行循环，计算当前点的变化量
如果判断该点为正常值；否则计算当前点增步变化量/>
如果判断该点为正常值；否则计算符号值Gi＝(xi+1-xi)(xi+1-xi+2)；
如果Gi＜0，判断该点为正常值；否则分别计算区间[i-Lw,i]和[i+2,i+Lw]内的最大变化量，记为和/>让/>并计算相对变化量/>
如果判断该点为正常值；如果/>则判定该处是单点高频异常值，并用均值为零，方差为1的随机噪声代替信号{xi,i＝1,2,…N}在[i-Lw,i+Lw]区间的取值。
S4：基于相对峰值和模糊滤波器方法，滤除区段异常值。
高频弓网动态响应信号中区段异常值如图8中的(b)部分所示，可以看出，在一个小的区间内，会逐步由零变到一个很大的值，然后逐步回归到零。同时在这个小区间周围，信号的其它峰值明显要少于该区间峰值。
根据这些特征，引入过零点的峰值和相对峰值描述区段异常值，并将两个特征指标记为其中，Pi表示峰值，Pr,i表示相对峰值。记y(i)＝{0,1}，其中0表示信号正常值，1表示区段异常值。
记高频弓网动态响应信号为{xi,i＝1,2,…N}，它的待处理的过零点的区间为i。以为输入，y(i)＝{0,1}为输出建立Takagi–Sugeno(TS)模糊系统。去模糊化后，系统的输出可以写成
上式中表示系统增益，/>分别表示隶属度函数，规则激发度量函数和模糊基函数；M表示模糊规则数。
基于相对峰值和模糊滤波器的区段异常值诊断方法，可详细描述如下：
记高频弓网动态响应信号为{xi,i＝1,2,…N}，设定零点阈值Tz；
提取信号{xi,i＝1,2,…N}的零点，记为{zi,i＝1,2,…Nz}；
对零点进行修正，若|x(zi)|≥Tz,|x(zi-1)|＝min({|x(zj)|,j＝i-1,i,i+1})，zi由zi-1代替；否则zi由zi+1代替；
对零点{zi,i＝2,…Nz-2}进行循环，分别计算区间[zi-1,zi],[zi,zi+1],[zi+1,zi+2]的峰值，记为Pi-1,Pi,Pi+1，计算相对峰值
以作为输入，代入模糊系统，得到系统输出y(i)；
若y(i)＝1表示存在区段异常值，用均值为零，方差为1随机噪声代替信号{xi,i＝1,2,…N]在[zi-1,zi+2]区间的取值。
S5：采用融合小波包和低频趋势信息，滤除分片异常值。
高频弓网动态响应信号中分片异常值如图8中的(c)部分和图10中的(a)部分所示。利用小波包对图10中的(a)部分的分片异常信号进行分解，得到的高频部分和低频部分，分别如图10的(b)部分和图10中的(c)部分所示。由图10中的(c)部分可以看出，与正常的高频弓网动态响应信号在零值上下波动不同，分片异常值有一个整体向下偏移的趋势项，在其上叠加一些如图10中的(b)部分所示的单点高频异常值和区段异常值。
根据分片异常值的内在特征，提出先利用小波包，对包含分片异常值高频弓网动态响应信号进行分解，然后通过重构将分片异常值信号分解成高频部分和低频部分；接下来从低频部分中提取局部趋势项，最后用随机噪声代替与局部趋势项信号相对应的分片异常值，实现其诊断和滤波。详细的算法描述如下：
记高频弓网动态响应信号为{xi,i＝1,2,…N}，设定过零点峰值阈值Tz,p，零点宽度阈值Lz,w；
{xi,i＝1,2,…N}采用频率Fs一般取5000Hz，对其进行7层小波包分解，然后进行重构，对第7层第1个逼近项进行重构得到低频部分，记为{xa,i,i＝1,2,…N}；其它部分重构之和作为高频部分{xd,i,i＝1,2,…N}；
提取信号{xa,i,i＝1,2,…N}的零点，记为{za,i,i＝1,2,…Nz}；
对零点{za,i,i＝2,…Nz-2}进行循环，分别计算区间[za,i-1,za,i],[za,i,za,i+1],[za,i+1,za,i+2]的峰值Pa,i-1,Pa,i,Pa,i+1，计算零点距离dz＝|za,i-za,i+1|；
如果Pa,i-1≥Tz,p,Pa,i≤Tz,p/2,Pa,i+1≤Tz,p/2,dz,p≥Lz,w，则判定该区间[zi-1,zi+2]存在分片异常值，并用均值为零，方差为1随机噪声代替信号{xi,i＝1,2,…N}在[zi-1,zi+2]区间的取值。
S6：计算异常值预处理后的弓网动态响应信号的移动有效值Sr及其平均值然后计算接触网冲击指数/>并利用CII对接触网状态进行诊断和评判。
本具体实例实测的受电弓垂向加速度如图11中的(a)部分所示，该信号同时包含单点高频异常值、区段异常值和分片异常值，分别见图11中的(a)部分中A1和A2矩形框、图12中的(a)部分中B1矩形框和图13中的(a)部分中C1矩形框。
利用融合变化率和决策树的方法对高频弓网动态响应信号进行滤波，以滤除单点高频异常值，图11的(a)部分中A1和A2矩形框标识的是单点高频异常值的位置，A1异常值滤波前后的放大图，如图11中的(b)部分所示。可以看出，上述方法可以准确诊断单点高频异常值的位置，并进行滤波。
融合小波包和低频趋势信息滤除分片异常值，结果如图12中的(a)部分所示，图中B1矩形框标识的是区段异常值的位置，滤波前后的放大图，如图12中的(b)部分所示。可以看出，上述方法可以准确诊断分片异常值的位置，并进行滤波。
结合相对峰值和模糊滤波器的方法，诊断高频弓网动态响应信号的区段异常值，结果如图13中的(a)部分所示，图中C1矩形框标识的是区段异常值的位置，滤波前后的放大图，如图13中的(b)部分所示。可以看出，上述方法可以准确诊断区段异常值的位置，并进行滤波。
利用上述三种方法依次对正常高频受电弓垂向加速度信号进行处理，结果如图14所示。可以看出，虽然正常信号也具有冲击的特性，但本具体实例不会把正常信号误判成异常值，而是有效区分正常信号和异常信号，并完整保留正常信号。
上述具体应用的实施仅为举例，其余实施方式不再一一赘述。
基于同一发明构思，本发明实施例还提供一种高频弓网动态响应信号的滤波装置，由于高频弓网动态响应信号的滤波装置所解决问题的原理与高频弓网动态响应信号的滤波方法相似，因此高频弓网动态响应信号的滤波装置的实施可以参见高频弓网动态响应信号的滤波方法的实施，重复之处不再赘述，具体结构如图15所示：
信号接收模块1501，用于接收高频弓网动态响应信号；
高通滤波模块1502，用于对接收到的高频弓网动态响应信号进行傅立叶变换和逆傅立叶变换，得到高通滤波后的高频弓网动态响应信号；
单点高频异常值滤除模块1503，用于根据高通滤波后的高频弓网动态响应信号的变化特征，利用分类回归决策树CART，滤除高通滤波后的高频弓网动态响应信号中单点高频异常值对应的干扰信号，得到第一信号；
区段异常值滤除模块1504，用于根据第一信号的相对峰值，利用模糊滤波器，滤除第一信号中区段异常值对应的干扰信号，得到第二信号；
分片异常值滤除模块1505，用于根据第二信号的低频趋势信息，利用小波包，滤除第二信号中分片异常值对应的干扰信号，得到去除完整干扰信号后的高频弓网动态响应信号。
具体实施例中，还提供一种高频弓网动态响应信号的滤波装置如图16所示，在图15的基础上，还包括：
接触网硬点诊断模块1601，用于：
确定去除完整干扰信号后的高频弓网动态响应信号的移动有效值和移动平均值；
根据移动有效值和移动平均值，确定接触网冲击指数；
根据接触网冲击指数，确定接触网硬点的诊断结果。
具体实施例中，单点高频异常值滤除模块1503，如图17所示，包括：
变化特征确定单元1701，用于确定高通滤波后的高频弓网动态响应信号的变化特征，变化特征包括：当前点变化量、当前点增步变化量、符号值和领域内相对变化量；
单点高频异常值确定单元1702，用于将高通滤波后的高频弓网动态响应信号的变化特征，输入预设的分类回归决策树CART中，确定高通滤波后的高频弓网动态响应信号中单点高频异常值；分类回归决策树CART是基于训练数据集，用于确定单点高频异常值，递归构建的二叉决策树；
单点高频异常值滤除单元1703，用于用均值为零且方差为一的随机噪声，代替单点高频异常值对应的干扰信号，得到第一信号。
具体实施例中，区段异常值滤除模块1504的结构，如图18所示，包括：
峰值确定单元1801，用于确定第一信号的过零点的峰值和相对峰值；
区段异常值确定单元1802，用于将过零点的峰值和相对峰值，输入预先建立的模糊滤波器中，确定第一信号中区段异常值；
区段异常值滤除单元1803，用于用均值为零且方差为一的随机噪声，代替区段异常值对应的干扰信号，得到第二信号。
具体实施时，还提供一种区段异常值滤除模块1504，结构如图19所示，在图18的基础上，还包括：
模糊滤波器预建立单元1901，用于：
获取存在区段异常值的高频弓网动态响应信号的训练样本；
确定训练样本的过零点区间，确定过零点区间内的过零点的峰值和相对峰值；
根据过零点区间内的过零点的峰值和相对峰值，确定训练样本的峰值特征向量；
以训练样本的峰值特征向量为输入，训练样本的区段异常值变化数据为输出，建立TS模糊系统；
将建立的TS模糊系统，去模糊化后，得到模糊滤波器。
具体实施例中，分片异常值滤除模块1505的结构，如图20所示，包括：
小波包分解单元2001，用于利用小波包，对第二信号进行分解和重构，得到第二信号的高频部分和低频部分；
分片异常值滤除单元2002，用于从第二信号的低频部分中提取局部趋势项，若提取的局部趋势项与分片异常值的低频趋势特征一致，用均值为零且方差为一的随机噪声，代替局部趋势项对应的干扰信号，得到去除完整干扰信号后的高频弓网动态响应信号。
本发明实施例还提供一种计算机设备，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计算机程序时实现上述高频弓网动态响应信号的滤波方法。
本发明实施例还提供一种计算机可读存储介质，存储有执行上述高频弓网动态响应信号的滤波方法的计算机程序。
综上所述，本发明实施例提供的高频弓网动态响应信号的滤波方法及装置具有如下优点：
通过接收高频弓网动态响应信号；对接收到的高频弓网动态响应信号进行傅立叶变换和逆傅立叶变换，得到高通滤波后的高频弓网动态响应信号；根据高通滤波后的高频弓网动态响应信号的变化特征，利用分类回归决策树CART，滤除高通滤波后的高频弓网动态响应信号中单点高频异常值对应的干扰信号，得到第一信号；根据第一信号的相对峰值，利用模糊滤波器，滤除第一信号中区段异常值对应的干扰信号，得到第二信号；根据第二信号的低频趋势信息，利用小波包，滤除第二信号中分片异常值对应的干扰信号，得到去除完整干扰信号后的高频弓网动态响应信号。通过高频弓网动态响应信号的变化特征，区分单点高频异常值和信号正常值，将单点高频异常值对应的干扰信号滤除；利用相对峰值，区分区段异常值和信号正常值，将区段异常值对应的干扰信号滤除；通过低频趋势信息，区分分片异常值和信号正常值，将分片异常值对应的干扰信号滤除；针对不同的干扰信号，利用不同方法滤除，既未损伤正常信号，也完整且准确地滤除高频弓网动态响应信号中的干扰信号。
本领域内的技术人员应明白，本发明的实施例可提供为方法、装置、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、装置和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明实施例可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.一种高频弓网动态响应信号的滤波方法，其特征在于，包括：
接收高频弓网动态响应信号；
对接收到的高频弓网动态响应信号进行傅立叶变换和逆傅立叶变换，得到高通滤波后的高频弓网动态响应信号；
根据高通滤波后的高频弓网动态响应信号的变化特征，利用分类回归决策树CART，滤除高通滤波后的高频弓网动态响应信号中单点高频异常值对应的干扰信号，得到第一信号；
根据第一信号的相对峰值，利用模糊滤波器，滤除第一信号中区段异常值对应的干扰信号，得到第二信号；
根据第二信号的低频趋势信息，利用小波包，滤除第二信号中分片异常值对应的干扰信号，得到去除完整干扰信号后的高频弓网动态响应信号；
根据第一信号的相对峰值，利用模糊滤波器，滤除第一信号中区段异常值对应的干扰信号，得到第二信号，包括：
确定第一信号的过零点的峰值和相对峰值；
将所述过零点的峰值和相对峰值，输入预先建立的模糊滤波器中，确定第一信号中区段异常值；
用均值为零且方差为一的随机噪声，代替所述区段异常值对应的干扰信号，得到第二信号；
根据高通滤波后的高频弓网动态响应信号的变化特征，利用分类回归决策树CART，滤除高通滤波后的高频弓网动态响应信号中单点高频异常值对应的干扰信号，得到第一信号，包括：
确定高通滤波后的高频弓网动态响应信号的变化特征，所述变化特征包括：当前点变化量、当前点增步变化量、符号值和邻域内相对变化量；
将高通滤波后的高频弓网动态响应信号的变化特征，输入预设的分类回归决策树CART中，确定高通滤波后的高频弓网动态响应信号中单点高频异常值；所述分类回归决策树CART是基于训练数据集，用于确定单点高频异常值，递归构建的二叉决策树；
用均值为零且方差为一的随机噪声，代替所述单点高频异常值对应的干扰信号，得到第一信号；
根据第二信号的低频趋势信息，利用小波包，滤除第二信号中分片异常值对应的干扰信号，得到去除完整干扰信号后的高频弓网动态响应信号，包括：
利用小波包，对第二信号进行分解和重构，得到第二信号的高频部分和低频部分；
从第二信号的低频部分中提取局部趋势项，若提取的局部趋势项与分片异常值的低频趋势特征一致，用均值为零且方差为一的随机噪声，代替所述局部趋势项对应的干扰信号，得到去除完整干扰信号后的高频弓网动态响应信号。
2.如权利要求1所述的方法，其特征在于，还包括：
确定去除完整干扰信号后的高频弓网动态响应信号的移动有效值和移动平均值；
根据所述移动有效值和移动平均值，确定接触网冲击指数；
根据接触网冲击指数，确定接触网硬点的诊断结果。
3.如权利要求1所述的方法，其特征在于，还包括按如下方式预先建立所述模糊滤波器：
获取存在区段异常值的高频弓网动态响应信号的训练样本；
确定所述训练样本的过零点区间，确定过零点区间内的过零点的峰值和相对峰值；
根据过零点区间内的过零点的峰值和相对峰值，确定所述训练样本的峰值特征向量；
以所述训练样本的峰值特征向量为输入，所述训练样本的区段异常值变化数据为输出，建立TS模糊系统；
将建立的TS模糊系统，去模糊化后，得到模糊滤波器。
4.一种高频弓网动态响应信号的滤波装置，其特征在于，包括：
信号接收模块，用于接收高频弓网动态响应信号；
高通滤波模块，用于对接收到的高频弓网动态响应信号进行傅立叶变换和逆傅立叶变换，得到高通滤波后的高频弓网动态响应信号；
单点高频异常值滤除模块，用于根据高通滤波后的高频弓网动态响应信号的变化特征，利用分类回归决策树CART，滤除高通滤波后的高频弓网动态响应信号中单点高频异常值对应的干扰信号，得到第一信号；
区段异常值滤除模块，用于根据第一信号的相对峰值，利用模糊滤波器，滤除第一信号中区段异常值对应的干扰信号，得到第二信号；
分片异常值滤除模块，用于根据第二信号的低频趋势信息，利用小波包，滤除第二信号中分片异常值对应的干扰信号，得到去除完整干扰信号后的高频弓网动态响应信号；
所述区段异常值滤除模块，包括：
峰值确定单元，用于确定第一信号的过零点的峰值和相对峰值；
区段异常值确定单元，用于将所述过零点的峰值和相对峰值，输入预先建立的模糊滤波器中，确定第一信号中区段异常值；
区段异常值滤除单元，用于用均值为零且方差为一的随机噪声，代替所述区段异常值对应的干扰信号，得到第二信号；
所述单点高频异常值滤除模块，包括：
变化特征确定单元，用于确定高通滤波后的高频弓网动态响应信号的变化特征，所述变化特征包括：当前点变化量、当前点增步变化量、符号值和邻域内相对变化量；
单点高频异常值确定单元，用于将高通滤波后的高频弓网动态响应信号的变化特征，输入预设的分类回归决策树CART中，确定高通滤波后的高频弓网动态响应信号中单点高频异常值；所述分类回归决策树CART是基于训练数据集，用于确定单点高频异常值，递归构建的二叉决策树；
单点高频异常值滤除单元，用于用均值为零且方差为一的随机噪声，代替所述单点高频异常值对应的干扰信号，得到第一信号；
所述分片异常值滤除模块，包括：
小波包分解单元，用于利用小波包，对第二信号进行分解和重构，得到第二信号的高频部分和低频部分；
分片异常值滤除单元，用于从第二信号的低频部分中提取局部趋势项，若提取的局部趋势项与分片异常值的低频趋势特征一致，用均值为零且方差为一的随机噪声，代替所述局部趋势项对应的干扰信号，得到去除完整干扰信号后的高频弓网动态响应信号。
5.如权利要求4所述的装置，其特征在于，还包括：接触网硬点诊断模块，用于：
确定去除完整干扰信号后的高频弓网动态响应信号的移动有效值和移动平均值；
根据所述移动有效值和移动平均值，确定接触网冲击指数；
根据接触网冲击指数，确定接触网硬点的诊断结果。
6.如权利要求4所述的装置，其特征在于，还包括：模糊滤波器预建立单元，用于：
获取存在区段异常值的高频弓网动态响应信号的训练样本；
确定所述训练样本的过零点区间，确定过零点区间内的过零点的峰值和相对峰值；
根据过零点区间内的过零点的峰值和相对峰值，确定所述训练样本的峰值特征向量；
以所述训练样本的峰值特征向量为输入，所述训练样本的区段异常值变化数据为输出，建立TS模糊系统；
将建立的TS模糊系统，去模糊化后，得到模糊滤波器。
7.一种计算机设备，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计算机程序时实现权利要求1至3任一所述方法。
8.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有执行权利要求1至3任一所述方法的计算机程序。
CN202011073052.3A 2020-10-09 2020-10-09 高频弓网动态响应信号的滤波方法及装置 Active CN112183423B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011073052.3A CN112183423B (zh) 2020-10-09 2020-10-09 高频弓网动态响应信号的滤波方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011073052.3A CN112183423B (zh) 2020-10-09 2020-10-09 高频弓网动态响应信号的滤波方法及装置

Publications (2)

Publication Number Publication Date
CN112183423A CN112183423A (zh) 2021-01-05
CN112183423B true CN112183423B (zh) 2024-03-15

Family

ID=73948336

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011073052.3A Active CN112183423B (zh) 2020-10-09 2020-10-09 高频弓网动态响应信号的滤波方法及装置

Country Status (1)

Country Link
CN (1) CN112183423B (zh)

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2013230074A (ja) * 2012-03-27 2013-11-07 Railway Technical Research Institute パンタグラフの接触力変動低減方法及びパンタグラフ
CN104678288A (zh) * 2015-02-07 2015-06-03 长沙学院 基于信息熵和小波变换的开关电流电路故障字典获取方法
CN106645384A (zh) * 2016-09-23 2017-05-10 东北大学 一种管道漏磁内检测器数据的自适应滤波方法
CN106972867A (zh) * 2017-02-21 2017-07-21 和芯星通科技(北京)有限公司 一种滤波校准装置、滤波校准方法和数字接收机
CN109614681A (zh) * 2018-12-03 2019-04-12 南京艾伊科技有限公司 一种基于傅里叶变换和小波分析的光谱数据趋势去除方法
CN109696609A (zh) * 2019-01-25 2019-04-30 西南交通大学 一种新型弓网受流质量的获取方法及其获取系统
CN109864736A (zh) * 2019-03-22 2019-06-11 深圳市理邦精密仪器股份有限公司 心电信号的处理方法、装置、终端设备及介质
CN110146735A (zh) * 2019-06-03 2019-08-20 辽宁工程技术大学 一种基于机车弓网系统的电压、电流检测及滤波降噪系统
CN110298085A (zh) * 2019-06-11 2019-10-01 东南大学 基于XGBoost和随机森林算法的模拟电路故障诊断方法
CN110381843A (zh) * 2015-11-12 2019-10-25 深圳市理邦精密仪器股份有限公司 用于脉冲波形预测处理的系统和方法

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2013230074A (ja) * 2012-03-27 2013-11-07 Railway Technical Research Institute パンタグラフの接触力変動低減方法及びパンタグラフ
CN104678288A (zh) * 2015-02-07 2015-06-03 长沙学院 基于信息熵和小波变换的开关电流电路故障字典获取方法
CN110381843A (zh) * 2015-11-12 2019-10-25 深圳市理邦精密仪器股份有限公司 用于脉冲波形预测处理的系统和方法
CN106645384A (zh) * 2016-09-23 2017-05-10 东北大学 一种管道漏磁内检测器数据的自适应滤波方法
CN106972867A (zh) * 2017-02-21 2017-07-21 和芯星通科技(北京)有限公司 一种滤波校准装置、滤波校准方法和数字接收机
CN109614681A (zh) * 2018-12-03 2019-04-12 南京艾伊科技有限公司 一种基于傅里叶变换和小波分析的光谱数据趋势去除方法
CN109696609A (zh) * 2019-01-25 2019-04-30 西南交通大学 一种新型弓网受流质量的获取方法及其获取系统
CN109864736A (zh) * 2019-03-22 2019-06-11 深圳市理邦精密仪器股份有限公司 心电信号的处理方法、装置、终端设备及介质
CN110146735A (zh) * 2019-06-03 2019-08-20 辽宁工程技术大学 一种基于机车弓网系统的电压、电流检测及滤波降噪系统
CN110298085A (zh) * 2019-06-11 2019-10-01 东南大学 基于XGBoost和随机森林算法的模拟电路故障诊断方法

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
Estimation Method of Static Height of Contact Wire by Using Pantograph Contact Force;Takayuki USUDA等;《Quarterly Report of RTRI》;第56卷(第3期);176-180 *
Power Quality Disturbances Feature Selection and Recognition Using Optimal Multi-Resolution Fast S-Transform and CART Algorithm;Nantian Huang等;《energies》;1-21 *
基于弓网动态响应的接触网硬点诊断方法及应用研究;丁宇鸣;《中国优秀硕士学位论文全文数据库 工程科技II辑》(第01期);C033-97 *
弓网受流性能测试数据分析系统研究与实现;刘会平等;《铁道技术监督》;第39卷(第5期);28-30 *
强杂波干扰背景下高分辨雷达信号的模糊检测;赵群等;《系统工程与电子技术》(第1期);15-24 *
磁异常模量垂向一阶导数的特征及应用;刘圣博等;《地球物理学进展》;第26卷(第2期);647-653 *

Also Published As

Publication number Publication date
CN112183423A (zh) 2021-01-05

Similar Documents

Publication Publication Date Title
Gu et al. Rolling element bearing faults diagnosis based on kurtogram and frequency domain correlated kurtosis
Hao et al. Morphological undecimated wavelet decomposition for fault diagnostics of rolling element bearings
CN102824172B (zh) 一种脑电特征提取方法
Gao et al. Spare optimistic based on improved ADMM and the minimum entropy de-convolution for the early weak fault diagnosis of bearings in marine systems
CN107714038A (zh) 一种脑电信号的特征提取方法及装置
CN107689059B (zh) 风力发电机组变桨异常的识别方法及装置
CN117191305B (zh) 一种公路桥梁的状态评估方法及系统
CN116304570B (zh) 一种基于EEMD联合Chebyshev滤波的水轮机故障信号去噪方法
CN112763848A (zh) 确定电力系统故障的方法及装置
CN108801568B (zh) 一种桥梁动挠度降噪方法及系统
Zhang et al. An adaptive graph morlet wavelet transform for railway wayside acoustic detection
CN112183423B (zh) 高频弓网动态响应信号的滤波方法及装置
CN115165274A (zh) 工程机械设备振动状态自适应智能监测装置及方法
CN110927497A (zh) 一种转辙机故障检测方法及装置
CN113610188A (zh) 弓网接触力非区段异常识别方法及装置
CN113281414A (zh) 钢轨短波病害类型的识别方法及装置、以及电子设备
CN112200060A (zh) 一种基于网络模型的旋转设备故障诊断方法、系统及可读存储介质
CN112697266A (zh) 一种itd和gzc机器状态监测方法及装置
CN116838955A (zh) 一种两阶段的油气管道沿线干扰识别方法
CN107797025B (zh) 电力系统的故障定位方法和装置
CN113837042B (zh) 一种基于局部均值分解的小波阈值自动化变形监测信号去噪方法
CN112116917B (zh) 基于相位跃变度的电抗器本体与风机声信号分离方法
CN114089218A (zh) 一种配电网高阻接地故障识别方法、装置、终端及介质
CN112033709B (zh) 一种基于动力学监测的城轨车辆服役能力评估方法
CN112964948A (zh) 基于录波数据反演的串联电抗器运行状态在线监测方法及系统

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