CN112488302A - 轨道交通中列车过车判定方法及系统 - Google Patents
轨道交通中列车过车判定方法及系统 Download PDFInfo
- Publication number
- CN112488302A CN112488302A CN202011431967.7A CN202011431967A CN112488302A CN 112488302 A CN112488302 A CN 112488302A CN 202011431967 A CN202011431967 A CN 202011431967A CN 112488302 A CN112488302 A CN 112488302A
- Authority
- CN
- China
- Prior art keywords
- train
- current
- magnetic field
- data
- track
- 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 54
- 230000005291 magnetic effect Effects 0.000 claims abstract description 108
- 230000004927 fusion Effects 0.000 claims abstract description 43
- 238000005070 sampling Methods 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 12
- 238000012544 monitoring process Methods 0.000 claims description 8
- 238000012549 training Methods 0.000 claims description 6
- 238000013473 artificial intelligence Methods 0.000 description 40
- 230000005294 ferromagnetic effect Effects 0.000 description 11
- 239000000126 substance Substances 0.000 description 8
- 238000013527 convolutional neural network Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 230000007547 defect Effects 0.000 description 5
- 238000012423 maintenance Methods 0.000 description 4
- 229910000831 Steel Inorganic materials 0.000 description 3
- 230000000295 complement effect Effects 0.000 description 3
- 238000012806 monitoring device Methods 0.000 description 3
- 239000010959 steel Substances 0.000 description 3
- 230000005307 ferromagnetism Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
Images
Classifications
-
- 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
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V1/00—Seismology; Seismic or acoustic prospecting or detecting
- G01V1/001—Acoustic presence detection
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V11/00—Prospecting or detecting by methods combining techniques covered by two or more of main groups G01V1/00 - G01V9/00
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V3/00—Electric or magnetic prospecting or detecting; Measuring magnetic field characteristics of the earth, e.g. declination, deviation
- G01V3/15—Electric or magnetic prospecting or detecting; Measuring magnetic field characteristics of the earth, e.g. declination, deviation specially adapted for use during transport, e.g. by a person, vehicle or boat
- G01V3/165—Electric or magnetic prospecting or detecting; Measuring magnetic field characteristics of the earth, e.g. declination, deviation specially adapted for use during transport, e.g. by a person, vehicle or boat operating with magnetic or electric fields produced or modified by the object or by the detecting device
-
- 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
Abstract
本发明提供一种轨道交通中列车过车判定方法及系统,该方法包括:基于地磁传感器采集列车运行的轨道的当前磁场数据,基于振动传感器采集所述轨道的当前振动数据;其中,所述地磁传感器和振动传感器位于所述轨道的同一位置;将所述轨道的当前磁场数据和当前振动数据进行融合,获取所述当前磁场数据和当前振动数据的融合结果;将所述融合结果输入AI模型中,输出所述地磁传感器和振动传感器所在位置的当前列车过车判定结果。本发明能准确进行列车过车判定,部署简单方便,成本低。
Description
技术领域
本发明涉及车辆过车判定技术领域,尤其涉及一种轨道交通中列车过车判定方法及系统。
背景技术
智能运维系统中,对于轨旁设备的监测,很多参量是基于列车行车过程中的采集量。因此需要准确判断列车的经过,来启动状态参量的采集。
现有技术中,没有专门用来作为状态参量采集的触发开关设备,但是可以利用定位节点辅助列车的过车判定。主要有三种方式,即RFID(Radio FrequencyIdentification,射频识别)和应答器等方式、利用差分GPS(Global Positioning System,全球定位系统)等基站定位方式,以及利用振动、地磁等单一传感器方式。其中,第一种方式需要车载设备进行配合,部署复杂,安装成本高;第二种方式需要部署大量基站,成本过高;第三种方式成本低,部署方便,可以大量分布以供需求。但是振动传感器容易受到相邻车道过车的干扰,例如道岔过车振动等;地磁传感器测量的磁场又易受铁磁性物质影响,从而造成列车过车判定错误,导致状态参量采集的误触发,实用性较差。
对于运维系统,由于监测点位较多,因此高成本,复杂部署的方式均会产生一定限制。而现有的低成本,部署方便的方式对列车过车判断的准确度低,实用性不强。
发明内容
本发明提供一种轨道交通中列车过车判定方法及系统,用以解决现有技术中列车过车判定方法成本高,部署复杂,准确度低的缺陷,实现部署简单,成本低,且准确度高的列车过车判定。
本发明提供一种轨道交通中列车过车判定方法,包括:
基于地磁传感器采集列车运行的轨道的当前磁场数据,基于振动传感器采集所述轨道的当前振动数据;其中,所述地磁传感器和振动传感器位于所述轨道的同一位置;
将所述轨道的当前磁场数据和当前振动数据进行融合,获取所述当前磁场数据和当前振动数据的融合结果;
将所述融合结果输入AI模型中,输出所述地磁传感器和振动传感器所在位置的当前列车过车判定结果;
其中,所述AI模型根据所述轨道的采样点处的磁场数据样本、振动数据样本和所述采样点处的列车过车判定结果标签训练获取。
根据本发明提供一种的轨道交通中列车过车判定方法,所述将所述轨道的当前磁场数据和当前振动数据进行融合,获取所述当前磁场数据和当前振动数据的融合结果,包括:
将所述轨道的当前磁场数据和当前振动数据进行加权后相加,获取所述当前磁场数据和当前振动数据的融合结果。
根据本发明提供的一种轨道交通中列车过车判定方法,所述将所述轨道的当前磁场数据和当前振动数据进行融合,获取所述当前磁场数据和当前振动数据的融合结果,包括:
将垂直于所述轨道的轴向的当前磁场数据和垂直于所述轨道的轴向的当前振动数据进行融合,获取所述当前磁场数据和当前振动数据的融合结果。
根据本发明提供的一种轨道交通中列车过车判定方法,所述AI模型为CNN模型。
根据本发明提供的一种轨道交通中列车过车判定方法,所述将所述融合结果输入AI模型中,输出所述地磁传感器和振动传感器所在位置的当前列车过车判定结果,之后还包括:
若所述当前列车过车判定结果为存在列车经过,则将所述当前列车过车判定结果发送到所述列车的监测设备,以供所述列车监测设备根据所述当前列车过车判定结果触发所述列车的状态参量的采集。
根据本发明提供的一种轨道交通中列车过车判定方法,所述基于地磁传感器采集列车运行的轨道的当前磁场数据,之后还包括:
对垂直于所述列车的车轮运行方向的当前磁场数据进行分析,获取所述列车的车轮总数;
使用所述列车的车轮总数除以所述列车的每节车厢的车轮数量,获取所述列车的车厢数量;
使用所述列车的车厢数量除以每节车厢的长度,获取所述列车的长度。
本发明还提供一种轨道交通中列车过车判定系统,包括:
数据采集模块,用于基于地磁传感器采集列车运行的轨道的当前磁场数据,基于振动传感器采集所述轨道的当前振动数据;其中,所述地磁传感器和振动传感器位于所述轨道的同一位置;
数据处理模块,用于将所述轨道的当前磁场数据和当前振动数据进行融合,获取所述当前磁场数据和当前振动数据的融合结果;
过车判定模块,用于将所述融合结果输入AI模型中,输出所述地磁传感器和振动传感器所在位置的当前列车过车判定结果;
其中,所述AI模型根据所述轨道的采样点处的磁场数据样本、振动数据样本和所述采样点处的列车过车判定结果标签训练获取。
根据本发明提供的一种轨道交通中列车过车判定系统,所述数据处理模块具体用于:
将所述轨道的当前磁场数据和当前振动数据进行加权后相加,获取所述当前磁场数据和当前振动数据的融合结果。
本发明还提供一种电子设备,包括存储器、处理器及存储在所述存储器上并可在所述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如上述任一种所述轨道交通中列车过车判定方法的步骤。
本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现如上述任一种所述轨道交通中列车过车判定方法的步骤。
本发明提供的轨道交通中列车过车判定方法及系统,通过将磁传感器采集的当前磁场数据和振动传感器采集的当前振动传感器进行融合,使用边缘AI模型根据融合结果判断地磁传感器和振动传感器所在位置处当前是否有列车经过,地磁传感器弥补了相邻车道列车经过产生的振动干扰,振动传感器降低了铁磁物体对磁场的干扰,两传感器相互补充,并结合边缘AI模型对融合数据进行深度处理,排除干扰项,准确进行列车过车判定,为智能运维设备采集列车行车间数据提供安全可靠的触发依据,且部署简单方便,成本低。
附图说明
为了更清楚地说明本发明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是本发明提供的轨道交通中列车过车判定方法的流程示意图;
图2是本发明提供的轨道交通中列车过车判定方法中列车经过时地磁传感器采集的磁场数据的变化示意图;
图3是本发明提供的轨道交通中列车过车判定方法中列车经过时振动传感器采集的振动数据的变化示意图;
图4是本发明提供的轨道交通中列车过车判定方法中的框架结构示意图;
图5是本发明提供的轨道交通中列车过车判定系统的结构示意图;
图6是本发明提供的电子设备的结构示意图。
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,下面将结合本发明中的附图,对本发明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作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。
下面结合图1描述本发明的轨道交通中列车过车判定方法,包括:步骤101,基于地磁传感器采集列车运行的轨道的当前磁场数据,基于振动传感器采集所述轨道的当前振动数据;其中,所述地磁传感器和振动传感器位于所述轨道的同一位置;
将地磁传感器和振动传感器放置在轨道的某一位置,如水平放置在轨道中间。地磁传感器和振动传感器实时采集其所在位置处的磁场数据和振动数据。
步骤102,将所述轨道的当前磁场数据和当前振动数据进行融合,获取所述当前磁场数据和当前振动数据的融合结果;
地磁传感器检测列车过车的原理是,地球表面分布着相对固定的磁场,当铁磁性物质,例如轨道列车在行进过程中会对其周围磁场产生扰动,如图2所示,从而判断列车是否经过。其中,图2中的横轴表示时间,纵轴表示磁场数据。
振动传感器检测列车过车的原理是,列车在行进过程中,会带动钢轨、道床以及地面产生一定程度的振动,列车距离振动传感器越近,所产生的振动越大,如下图3所示。因此通过判断地面的振动情况可以判断出是否有列车经过。其中,图3中的横轴表示时间,纵轴表示振动数据。
虽然单一利用地磁传感器或者振动传感器均可以判断列车是否经过,但是存在很大的判断缺陷。振动传感器不能清晰地分辨相邻车道的列车经过所产生的振动,很容易造成误判;而地磁传感器容易受到磁场干扰,任何铁磁性物质均可以被识别成列车,这样会造成数据误采集,导致后台处理时认定地磁传感器故障。本实施例将两种传感器结合使用,可以互相弥补自身所存在的缺陷。对两种传感器采集的数据进行融合判断,可以排除大部分外界干扰。本实施例对轨道的当前磁场数据和当前振动数据进行融合的方法不作限定。
步骤103,将所述融合结果输入AI(Artificial Intelligence)模型中,输出所述地磁传感器和振动传感器所在位置的当前列车过车判定结果;其中,所述AI模型根据所述轨道的采样点处的磁场数据样本、振动数据样本和所述采样点处的当前列车过车判定结果标签训练获取。
通过AI模型根据融合结果识别地磁传感器和振动传感器所在位置处是否有列车经过。列车过车判定结果包括有列车经过和没有列车经过。在使用AI模型进行列车过车判定之前,使用轨道采样点处两种传感器采集的磁场数据样本和振动数据样本作为AI模型的输入数据,使用轨道采样点处的实际列车过车判定结果作为标签对AI模型进行训练。使用训练好的AI模型进行列车过车判定。本实施例不限于AI模型的类型。AI模型集成在处理器上,该处理器与地磁传感器和振动传感器集成为列车过车判定设备。
如果AI模型输出的列车过车判定结果与采用单一的地磁传感器获取的列车过车判定结果不一致,则说明单一的地磁传感器对列车过车误判,存在铁磁性物质干扰;否则,说明没有误判,不存在铁磁性物质干扰。如果AI模型输出的列车过车判定结果与采用单一的振动传感器获取的列车过车判定结果不一致,则说明单一的振动传感器对列车过车误判,存在相邻轨道的列车振动干扰;否则,说明没有误判,不存在铁磁性物质干扰。
本实施例通过将磁传感器采集的当前磁场数据和振动传感器采集的当前振动传感器进行融合,使用边缘AI模型根据融合结果判断地磁传感器和振动传感器所在位置处当前是否有列车经过,地磁传感器弥补了相邻车道列车经过产生的振动干扰,振动传感器降低了铁磁物体对磁场的干扰,两传感器相互补充,并结合边缘AI模型对融合数据进行深度处理,排除干扰项,准确进行列车过车判定,为智能运维设备采集列车行车间数据提供安全可靠的触发依据,且部署简单方便,成本低。
在上述实施例的基础上,本实施例中所述将所述轨道的当前磁场数据和当前振动数据进行融合,获取所述当前磁场数据和当前振动数据的融合结果,包括:将所述轨道的当前磁场数据和当前振动数据进行加权后相加,获取所述当前磁场数据和当前振动数据的融合结果。
本实施例将轨道的当前磁场数据和当前振动数据分别乘以相应的权重后相加,获取融合结果。
在上述实施例的基础上,本实施例中所述将所述轨道的当前磁场数据和当前振动数据进行融合,获取所述当前磁场数据和当前振动数据的融合结果,包括:将垂直于所述轨道的轴向的当前磁场数据和垂直于所述轨道的轴向的当前振动数据进行融合,获取所述当前磁场数据和当前振动数据的融合结果。
具体地,列车经过地磁传感器和振动传感器所在位置时,对两种传感器Z轴方向的数据影响较大,即垂直于轨道轴向的数据影响较大,其他方向的数据影响较小。因此,本实施例对两种传感器垂直于轨道轴向的数据进行加权融合,使用融合后的数据进行AI模型识别。
在上述实施例的基础上,本实施例中所述AI模型为CNN(Convolutional NeuralNetworks,卷积神经网络)模型。
具体地,CNN模型是一种深度学习网络模型,包括卷积层、降采样层和全链接层。如表1所示,增加CNN模型后,识别列车过车的准确度显著上升,大大降低误判风险,增加了识别结果的安全性。
表1 CNN增加前后识别准确度对比
在上述各实施例的基础上,本实施例中所述将所述融合结果输入AI模型中,输出所述地磁传感器和振动传感器所在位置的列车过车判定结果,之后还包括:若所述列车过车判定结果为存在列车经过,则将所述列车过车判定结果发送到所述列车的监测设备,以供所述列车监测设备根据所述列车过车判定结果触发所述列车的状态参量的采集。
具体地,如果列车过车判定结果为存在列车经过,则将列车过车判定结果通过数字串行接口以及I/O(Input/Output,输入/输出)接口进行输出。所需监测设备如智能运维设备可以通过接口读取列车过车判定结果,用来触发列车的状态参量的采集和分析等,如图4所示。
以道岔健康度管理为例,过车时列车与钢轨的接触产生的振动程度,反映了道岔尖轨、基本轨和道床之间的连接关系的重要参数,为是否需要整改的重要条件,能够反映道岔工况条件的将康状况。因此需要准确判断列车是否经过,进而进行数据采集,以便后台进行数据截取分析。
在上述各实施例的基础上,本实施例中所述基于地磁传感器采集列车运行的轨道的当前磁场数据,之后还包括:对垂直于所述列车的车轮运行方向的当前磁场数据进行分析,获取所述列车的车轮总数;使用所述列车的车轮总数除以所述列车的每节车厢的车轮数量,获取所述列车的车厢数量;使用所述列车的车厢数量除以每节车厢的长度,获取所述列车的长度。
具体地,地磁传感器为三轴传感器,其中垂直于轨道轴向的磁场数据用来进行列车过车检测,对于垂直于车轮运行方向的磁场数据可以用来进行车长计算。列车的车轮在行进过程中,同样会对垂直于车轮方向的磁场进行扰动,虽然列车整体扰动也会影响此轴向磁场,但车轮的扰动会在此基础上进行叠加,因此通过滤波算法可以分析出车轮经过状态。通过对垂直于车轮运行方向的磁场数据进行分析,可以得到车轮计数值N,记每节车厢车轮数n,每节车厢长度为l,就可以计算出列车长度L=l*(N/n)。列车的长度对于列车的调度具有重要意义。若列车的长度不符合调度要求,则对列车进行整组,得出符合调度要求的列车。
下面对本发明提供的轨道交通中列车过车判定系统进行描述,下文描述的轨道交通中列车过车判定系统与上文描述的轨道交通中列车过车判定方法可相互对应参照。
如图5所示,该系统包括数据采集模块501、数据处理模块502和过车判定模块503,其中:
数据采集模块501用于基于地磁传感器采集列车运行的轨道的当前磁场数据,基于振动传感器采集所述轨道的当前振动数据;其中,所述地磁传感器和振动传感器位于所述轨道的同一位置;
将地磁传感器和振动传感器放置在轨道的某一位置,如水平放置在轨道中间。地磁传感器和振动传感器实时采集其所在位置处的磁场数据和振动数据。
数据处理模块502用于将所述轨道的当前磁场数据和当前振动数据进行融合,获取所述当前磁场数据和当前振动数据的融合结果;
地磁传感器检测列车过车的原理是,地球表面分布着相对固定的磁场,当铁磁性物质,例如轨道列车在行进过程中会对其周围磁场产生扰动,从而判断列车是否经过。
振动传感器检测列车过车的原理是,列车在行进过程中,会带动钢轨、道床以及地面产生一定程度的振动,列车距离振动传感器越近,所产生的振动越大。因此通过判断地面的振动情况可以判断出是否有列车经过。
虽然单一利用地磁传感器或者振动传感器均可以判断列车是否经过,但是存在很大的判断缺陷。振动传感器不能清晰地分辨相邻车道的列车经过所产生的振动,很容易造成误判;而地磁传感器容易受到磁场干扰,任何铁磁性物质均可以被识别成列车,这样会造成数据误采集,导致后台处理时认定地磁传感器故障。本实施例将两种传感器结合使用,可以互相弥补自身所存在的缺陷。对两种传感器采集的数据进行融合判断,可以排除大部分外界干扰。本实施例对轨道的当前磁场数据和当前振动数据进行融合的方法不作限定。
过车判定模块503用于将所述融合结果输入AI模型中,输出所述地磁传感器和振动传感器所在位置的当前列车过车判定结果;其中,所述AI模型根据所述轨道的采样点处的磁场数据样本、振动数据样本和所述采样点处的列车过车判定结果标签训练获取。
通过AI模型根据融合结果识别地磁传感器和振动传感器所在位置处是否有列车经过。列车过车判定结果包括有列车经过和没有列车经过。在使用AI模型进行列车过车判定之前,使用轨道采样点处两种传感器采集的磁场数据样本和振动数据样本作为AI模型的输入数据,使用轨道采样点处的实际列车过车判定结果作为标签对AI模型进行训练。使用训练好的AI模型进行列车过车判定。本实施例不限于AI模型的类型。AI模型集成在处理器上,该处理器与地磁传感器和振动传感器集成为列车过车判定设备。
本实施例通过将磁传感器采集的当前磁场数据和振动传感器采集的当前振动传感器进行融合,使用边缘AI模型根据融合结果判断地磁传感器和振动传感器所在位置处当前是否有列车经过,地磁传感器弥补了相邻车道列车经过产生的振动干扰,振动传感器降低了铁磁物体对磁场的干扰,两传感器相互补充,并结合边缘AI模型对融合数据进行深度处理,排除干扰项,准确进行列车过车判定,为智能运维设备采集列车行车间数据提供安全可靠的触发依据,且部署简单方便,成本低。
在上述实施例的基础上,本实施例中数据处理模块具体用于:将所述轨道的当前磁场数据和当前振动数据进行加权后相加,获取所述当前磁场数据和当前振动数据的融合结果。
在上述实施例的基础上,本实施例中数据处理模块具体用于:将垂直于所述轨道的轴向的当前磁场数据和垂直于所述轨道的轴向的当前振动数据进行融合,获取所述当前磁场数据和当前振动数据的融合结果。
在上述各实施例的基础上,本实施例中所述AI模型为CNN模型。
在上述实施例的基础上,本实施例中还包括输出模块,用于若所述列车过车判定结果为存在列车经过,则将所述列车过车判定结果发送到所述列车的监测设备,以供所述列车监测设备根据所述列车过车判定结果触发所述列车的状态参量的采集。
在上述各实施例的基础上,本实施例中还包括附加模块,用于对垂直于所述列车的车轮运行方向的当前磁场数据进行分析,获取所述列车的车轮总数;使用所述列车的车轮总数除以所述列车的每节车厢的车轮数量,获取所述列车的车厢数量;使用所述列车的车厢数量除以每节车厢的长度,获取所述列车的长度。
图6示例了一种电子设备的实体结构示意图,如图6所示,该电子设备可以包括:处理器(processor)610、通信接口(Communications Interface)620、存储器(memory)630和通信总线640,其中,处理器610,通信接口620,存储器630通过通信总线640完成相互间的通信。处理器610可以调用存储器630中的逻辑指令,以执行轨道交通中列车过车判定方法,该方法包括:基于地磁传感器采集列车运行的轨道的当前磁场数据,基于振动传感器采集所述轨道的当前振动数据;其中,所述地磁传感器和振动传感器位于所述轨道的同一位置;将所述轨道的当前磁场数据和当前振动数据进行融合,获取所述当前磁场数据和当前振动数据的融合结果;将所述融合结果输入AI模型中,输出所述地磁传感器和振动传感器所在位置的当前列车过车判定结果。
此外,上述的存储器630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。
另一方面,本发明还提供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计算机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所提供的轨道交通中列车过车判定方法,该方法包括:基于地磁传感器采集列车运行的轨道的当前磁场数据,基于振动传感器采集所述轨道的当前振动数据;其中,所述地磁传感器和振动传感器位于所述轨道的同一位置;将所述轨道的当前磁场数据和当前振动数据进行融合,获取所述当前磁场数据和当前振动数据的融合结果;将所述融合结果输入AI模型中,输出所述地磁传感器和振动传感器所在位置的当前列车过车判定结果。
又一方面,本发明还提供一种非暂态计算机可读存储介质,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提供的轨道交通中列车过车判定方法,该方法包括:基于地磁传感器采集列车运行的轨道的当前磁场数据,基于振动传感器采集所述轨道的当前振动数据;其中,所述地磁传感器和振动传感器位于所述轨道的同一位置;将所述轨道的当前磁场数据和当前振动数据进行融合,获取所述当前磁场数据和当前振动数据的融合结果;将所述融合结果输入AI模型中,输出所述地磁传感器和振动传感器所在位置的当前列车过车判定结果。
以上所描述的系统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计算机可读存储介质中,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)
1.一种轨道交通中列车过车判定方法,其特征在于,包括:
基于地磁传感器采集列车运行的轨道的当前磁场数据,基于振动传感器采集所述轨道的当前振动数据;其中,所述地磁传感器和振动传感器位于所述轨道的同一位置;
将所述轨道的当前磁场数据和当前振动数据进行融合,获取所述当前磁场数据和当前振动数据的融合结果;
将所述融合结果输入AI模型中,输出所述地磁传感器和振动传感器所在位置的当前列车过车判定结果;
其中,所述AI模型根据所述轨道的采样点处的磁场数据样本、振动数据样本和所述采样点处的列车过车判定结果标签训练获取。
2.根据权利要求1所述的轨道交通中列车过车判定方法,其特征在于,所述将所述轨道的当前磁场数据和当前振动数据进行融合,获取所述当前磁场数据和当前振动数据的融合结果,包括:
将所述轨道的当前磁场数据和当前振动数据进行加权后相加,获取所述当前磁场数据和当前振动数据的融合结果。
3.根据权利要求1所述的轨道交通中列车过车判定方法,其特征在于,所述将所述轨道的当前磁场数据和当前振动数据进行融合,获取所述当前磁场数据和当前振动数据的融合结果,包括:
将垂直于所述轨道的轴向的当前磁场数据和垂直于所述轨道的轴向的当前振动数据进行融合,获取所述当前磁场数据和当前振动数据的融合结果。
4.根据权利要求1所述的轨道交通中列车过车判定方法,其特征在于,所述AI模型为CNN模型。
5.根据权利要求1-4任一所述的轨道交通中列车过车判定方法,其特征在于,所述将所述融合结果输入AI模型中,输出所述地磁传感器和振动传感器所在位置的当前列车过车判定结果,之后还包括:
若所述当前列车过车判定结果为存在列车经过,则将所述当前列车过车判定结果发送到所述列车的监测设备,以供所述列车监测设备根据所述当前列车过车判定结果触发所述列车的状态参量的采集。
6.根据权利要求1-4任一所述的轨道交通中列车过车判定方法,其特征在于,所述基于地磁传感器采集列车运行的轨道的当前磁场数据,之后还包括:
对垂直于所述列车的车轮运行方向的当前磁场数据进行分析,获取所述列车的车轮总数;
使用所述列车的车轮总数除以所述列车的每节车厢的车轮数量,获取所述列车的车厢数量;
使用所述列车的车厢数量除以每节车厢的长度,获取所述列车的长度。
7.一种轨道交通中列车过车判定系统,其特征在于,包括:
数据采集模块,用于基于地磁传感器采集列车运行的轨道的当前磁场数据,基于振动传感器采集所述轨道的当前振动数据;其中,所述地磁传感器和振动传感器位于所述轨道的同一位置;
数据处理模块,用于将所述轨道的当前磁场数据和当前振动数据进行融合,获取所述当前磁场数据和当前振动数据的融合结果;
过车判定模块,用于将所述融合结果输入AI模型中,输出所述地磁传感器和振动传感器所在位置的当前列车过车判定结果;
其中,所述AI模型根据所述轨道的采样点处的磁场数据样本、振动数据样本和所述采样点处的列车过车判定结果标签训练获取。
8.根据权利要求7所述的轨道交通中列车过车判定系统,其特征在于,所述数据处理模块具体用于:
将所述轨道的当前磁场数据和当前振动数据进行加权后相加,获取所述当前磁场数据和当前振动数据的融合结果。
9.一种电子设备,包括存储器、处理器及存储在所述存储器上并可在所述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任一项所述轨道交通中列车过车判定方法的步骤。
10.一种非暂态计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至6任一项所述轨道交通中列车过车判定方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011431967.7A CN112488302A (zh) | 2020-12-07 | 2020-12-07 | 轨道交通中列车过车判定方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011431967.7A CN112488302A (zh) | 2020-12-07 | 2020-12-07 | 轨道交通中列车过车判定方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112488302A true CN112488302A (zh) | 2021-03-12 |
Family
ID=74941147
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011431967.7A Pending CN112488302A (zh) | 2020-12-07 | 2020-12-07 | 轨道交通中列车过车判定方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112488302A (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6292112B1 (en) * | 1992-06-25 | 2001-09-18 | 3461513 Canada Inc. | Vehicle presence detection system |
CN1549224A (zh) * | 2003-05-13 | 2004-11-24 | 林贵生 | 车辆探测装置 |
KR100988735B1 (ko) * | 2010-05-25 | 2010-10-20 | 주식회사 제이캐스트 | 교통상황 정보수집 시스템 |
WO2017156637A1 (en) * | 2016-03-18 | 2017-09-21 | Pure Technologies Ltd. | Methods and system for inspecting train wheels and axles |
CN109918753A (zh) * | 2019-02-26 | 2019-06-21 | 北京市劳动保护科学研究所 | 列车轮轨力确定方法及系统 |
CN111311928A (zh) * | 2020-03-20 | 2020-06-19 | 西安电子科技大学 | 双地磁传感器测速系统及测速方法 |
CN111524365A (zh) * | 2020-05-11 | 2020-08-11 | 西安电子科技大学 | 一种利用多地磁传感器进行车型分类的方法 |
CN111564044A (zh) * | 2020-04-29 | 2020-08-21 | 武汉拓宝科技股份有限公司 | 一种车位状态检测方法及系统 |
CN111931389A (zh) * | 2020-10-12 | 2020-11-13 | 湃方科技(天津)有限责任公司 | 一种旋转型设备运行正异常状态分析方法、装置 |
KR102185737B1 (ko) * | 2019-05-28 | 2020-12-02 | 한국도로공사 | 도로 상태 예측 시스템 및 예측 방법 |
-
2020
- 2020-12-07 CN CN202011431967.7A patent/CN112488302A/zh active Pending
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6292112B1 (en) * | 1992-06-25 | 2001-09-18 | 3461513 Canada Inc. | Vehicle presence detection system |
CN1549224A (zh) * | 2003-05-13 | 2004-11-24 | 林贵生 | 车辆探测装置 |
KR100988735B1 (ko) * | 2010-05-25 | 2010-10-20 | 주식회사 제이캐스트 | 교통상황 정보수집 시스템 |
WO2017156637A1 (en) * | 2016-03-18 | 2017-09-21 | Pure Technologies Ltd. | Methods and system for inspecting train wheels and axles |
CN109918753A (zh) * | 2019-02-26 | 2019-06-21 | 北京市劳动保护科学研究所 | 列车轮轨力确定方法及系统 |
KR102185737B1 (ko) * | 2019-05-28 | 2020-12-02 | 한국도로공사 | 도로 상태 예측 시스템 및 예측 방법 |
CN111311928A (zh) * | 2020-03-20 | 2020-06-19 | 西安电子科技大学 | 双地磁传感器测速系统及测速方法 |
CN111564044A (zh) * | 2020-04-29 | 2020-08-21 | 武汉拓宝科技股份有限公司 | 一种车位状态检测方法及系统 |
CN111524365A (zh) * | 2020-05-11 | 2020-08-11 | 西安电子科技大学 | 一种利用多地磁传感器进行车型分类的方法 |
CN111931389A (zh) * | 2020-10-12 | 2020-11-13 | 湃方科技(天津)有限责任公司 | 一种旋转型设备运行正异常状态分析方法、装置 |
Non-Patent Citations (2)
Title |
---|
于晓东 等: "基于 IoT 传感器网络的实时钢轨检测系统", 高技术通讯, vol. 30, no. 8, 31 August 2020 (2020-08-31), pages 854 - 859 * |
雷斌;侯瑞;: "地磁异常的铁路来车检测装置与方法", 西安工业大学学报, no. 05, 25 May 2013 (2013-05-25) * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101965600B (zh) | 行驶模式信息获取装置及其行驶模式信息获取方法 | |
Handel et al. | Insurance telematics: Opportunities and challenges with the smartphone solution | |
CN104827963B (zh) | 一种用于车辆防撞智能预警的方法、控制系统以及控制装置 | |
CN107273802B (zh) | 一种铁路列车闸瓦钎环故障的检测方法及装置 | |
CN106548241A (zh) | 网约车运行状态的确定方法、装置及系统 | |
CN106314438A (zh) | 一种司机驾驶轨迹中异常轨迹的检测方法和系统 | |
CN103575279B (zh) | 基于模糊信息的航迹关联方法及系统 | |
CN112113978A (zh) | 一种基于深度学习的车载隧道缺陷在线检测系统及方法 | |
CN106960285A (zh) | 一种地铁列车运行服务质量检测装置及方法 | |
CN109637137A (zh) | 基于车路协同的交通管理系统 | |
CN107784381A (zh) | 一种判断出租车绕路和计价异常的方法及装置 | |
CN109410368A (zh) | 一种基于铁路车号信息计算货车运行里程的方法 | |
CN108053653A (zh) | 基于lstm的车辆行为预测方法和装置 | |
CN107107927A (zh) | 铁道车辆状态监视装置 | |
Chaovalit et al. | A method for driving event detection using SAX on smartphone sensors | |
CN110246336A (zh) | 车辆信息的确定方法及系统 | |
CN114140300A (zh) | 基于gps数据识别车辆停靠点方法、装置、存储介质及终端 | |
Sharma et al. | S-road assist: Road surface conditions and driving behavior analysis using smartphones | |
CN116761981A (zh) | 车辆定位系统 | |
CN111914691A (zh) | 一种轨道交通车辆定位方法及系统 | |
Krč et al. | Neural network-based train identification in railway switches and crossings using accelerometer data | |
AU2017327430B2 (en) | Monitoring infrastructure facilities by means of geo-clustering | |
US11186304B2 (en) | Method and electronic system for detecting rail switch degradation and failures | |
CN112488302A (zh) | 轨道交通中列车过车判定方法及系统 | |
CN106248878A (zh) | 利用rfid技术快速发现机动车对大气环境影响的系统及方法 |
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 |