CN113091835A - 基于边缘计算和大数据的网轨隧综合检测装置及方法 - Google Patents
基于边缘计算和大数据的网轨隧综合检测装置及方法 Download PDFInfo
- Publication number
- CN113091835A CN113091835A CN202110640313.3A CN202110640313A CN113091835A CN 113091835 A CN113091835 A CN 113091835A CN 202110640313 A CN202110640313 A CN 202110640313A CN 113091835 A CN113091835 A CN 113091835A
- Authority
- CN
- China
- Prior art keywords
- rail
- tunnel
- track
- detection
- network
- 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
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B61—RAILWAYS
- B61K—AUXILIARY EQUIPMENT SPECIALLY ADAPTED FOR RAILWAYS, NOT OTHERWISE PROVIDED FOR
- B61K9/00—Railway vehicle profile gauges; Detecting or indicating overheating of components; Apparatus on locomotives or cars to indicate bad track sections; General design of track recording vehicles
- B61K9/02—Profile gauges, e.g. loading gauges
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B61—RAILWAYS
- B61K—AUXILIARY EQUIPMENT SPECIALLY ADAPTED FOR RAILWAYS, NOT OTHERWISE PROVIDED FOR
- B61K9/00—Railway vehicle profile gauges; Detecting or indicating overheating of components; Apparatus on locomotives or cars to indicate bad track sections; General design of track recording vehicles
- B61K9/08—Measuring installations for surveying permanent way
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10016—Video; Image sequence
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30132—Masonry; Concrete
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Mechanical Engineering (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- Machines For Laying And Maintaining Railways (AREA)
- Length Measuring Devices By Optical Means (AREA)
- Train Traffic Observation, Control, And Security (AREA)
Abstract
本发明公开了一种基于边缘计算和大数据的网轨隧综合检测装置及方法,其中装置包括:车载检测模块,安装在列车上,用于采集网轨隧检测数据;无线传输模块,与车载检测装置连接;大数据平台,通过无线传输模块从车载检测模块接收网轨隧检测数据,并对网轨隧检测数据进行运算分析;大数据平台还通过大数据库对网轨隧数据进行二次计算,从而实现对于存在缺陷的网隧轨巡检图像的精准识别。在车辆运行过程中,网轨隧综合检测装置实时对轨道几何参数、网检几何参数和隧道限界进行精准测量,对网隧轨巡检图像进行缺陷智能识别,将运行过程中的异常、超限、缺陷等进行实时报警上传至大数据平台,形成维修决策,便于及时消除故障隐患,保证列车安全运行。
Description
技术领域
本发明涉及轨道交通检测技术领域,具体涉及基于边缘计算和大数据的网轨隧综合检测装置及方法。
背景技术
随着现代化建设的日益扩大,轨道交通的建设也日渐繁荣。轨道交通主要包括铁路和城轨,为了保证行驶车辆的安全性,需要周期性地对城轨的轨道进行检测和维修。主要的检测包括了轨道检测、隧道检测和弓网检测。
目前,轨道交通的轨道、隧道以及弓网检测维护均采用人工和传统单项巡检车辆,即只能单独进行某一项检测的方式进行检测。该种方式工作不仅效率较低,而且增加了大量的人力成本和装备检修成本。
发明内容
有鉴于此,本发明实施例提供了一种基于边缘计算和大数据的网轨隧综合检测装置及方法,以解决目前轨道交通的轨道、隧道以及弓网检测维护均采用人工和传统单项巡检车辆存在的工作效率低的问题。
本发明实施例提供了一种基于边缘计算和大数据的网轨隧综合检测装置,包括:
车载检测模块,安装在列车上,用于采集网轨隧检测数据;
无线传输模块,与车载检测装置连接;
大数据平台,通过无线传输模块从车载检测模块接收网轨隧检测数据,并对网轨隧检测数据进行运算分析;大数据平台还通过大数据库对网轨隧数据进行二次计算,从而实现对于存在缺陷的网隧轨巡检图像的精准识别。
可选地,车载检测模块包括:几何参数检测单元、车身姿态检测单元、轨道巡检检测单元、弓网检测单元和隧道限界检测单元。
可选地,几何参数检测单元用于对轨道的轨距、水平、三角坑、左右轨向不平顺性、左右高低不平顺性、轨距变化率和曲率进行实时测量,并将实时数据进行超限判别;几何参数检测单元还用于对钢轨轨廓进行实时监测;几何参数检测单元通过将钢轨轨廓与标准轨廓进行对比分析,从而实时监测钢轨断面的顶磨和侧磨。
可选地,车身姿态检测单元用于对车身横向加速度、垂向加速度和车身姿态指标进行实时监测。
可选地,轨道巡检检测单元用于对钢轨轨面、轨道扣件和轨道板进行等距高清扫描获得扫描图像;轨道巡检检测单元通过自能识别技术,实时对扫描图像进行分析图像异常和缺陷。
可选地,还包括定位单元,与无线传输模块连接,向大数据平台发送列车的定位信息。
本发明实施例还提供了一种基于边缘计算和大数据的网轨隧综合检测方法,包括:
通过车载检测模块采集网轨隧检测数据;
将网轨隧检测数据发送至大数据平台;
大数据平台通过云计算对网轨隧进行监测。
可选地,通过车载检测模块采集网轨隧检测数据包括:
采用惯性基准法对列车的高低不平顺进行检测;
根据3D光学测量原理对轨距不平顺进行检测;
通过安装在列车转向架两侧的位移传感器对轨道的水平不平顺进行检测;
通过设置在摄像机梁中央位置的加速度传感器对摄像梁中央位置的横向惯性位移进行检测;通过左右轨距测量装置对左轨距分量和右轨距分量进行检测;结合惯性位移、左轨距分量和右轨距分量对轨向不平顺进行检测;
通过设置在车底的多普勒雷达对列车的里程和速度进行检测;
通过固定在列车车体上的副惯导包对列车的车体姿态和各方向的加速度进行检测;
通过3D激光传感器获取实时的轨道廓型图,并通过与标准轨道廓形进行匹配分析,从而获取轨道顶部磨耗、轨道侧面磨耗和设定点的磨耗信息;
对轨道顶部、轨道内侧、轨道外侧进行分别进行等距扫描,获取到轨道顶部、扣件、轨道板表面和轨枕的图像,并通过深度学习对图像进行智能判别,从而对轨道表面损伤和扣件状态异常进行检测。
可选地,车载检测模块安装在列车上;大数据平台与车载检测装置通过无线网络通信模块进行数据传输。
可选地,大数据平台通过云计算对网轨隧进行监测包括:
平台根据大数据库训练出的各项基准参数,对网轨隧检测数据进行分析;
若网轨隧检测数据落在对应基准参数上下5%的范围内,则将网轨隧检测数据保留并作为新的训练数据;
若网轨隧检测数据落在对应基准参数上下5%的范围以外,则大数据平台向对应轨道上行驶的列车发出警报。
本发明实施例提供了一种基于边缘计算和大数据的网轨隧综合检测装置及方法,其中网轨隧综合检测装置安装在地铁检测车、运营车或者大铁检测车、运营车上。在车辆运行过程中,网轨隧综合检测装置对轨道几何参数进行测量、弓网几何参数和隧道限界进行精准测量,对网隧轨巡检图像进行缺陷智能识别,将运行过程中的异常、超限、缺陷等进行实时报警上传至大数据平台,形成维修决策,便于及时消除故障隐患,保证列车安全运行,为运营维修部门对轨道的检测、维修及保养提供科学依据,并为列车健康管理提供依据。
附图说明
通过参考附图会更加清楚的理解本发明的特征和优点,附图是示意性的而不应理解为对本发明进行任何限制,在附图中:
图1示出了一种基于边缘计算和大数据的网轨隧综合检测装置的结构图;
图2示出了一种基于边缘计算和大数据的网轨隧综合检测装置中车载检测模块的结构图;
图3示出了一种基于边缘计算和大数据的网轨隧综合检测方法的流程图;
图4示出了一种惯性基准测量原理示意图;
图5示出了一种高低不平顺测量传感器的布置示意图;
图6示出了一种轨距测量示意图;
图7示出了一种水平测量原理图;
图8示出了一种轨向不平顺检测原理图;
图9示出了一种扭矩检测原理示意图;
图10示出了一种轨道复合不平顺示意图。
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。
实施例1
如图1所示,本发明实施例提供了一种基于边缘计算和大数据的网轨隧综合检测装置,包括车载检测模块1,无线传输模块2和大数据平台3,其中:车载检测模块1安装在列车上,用于采集网轨隧检测数据;无线传输模块2与车载检测装置1连接;大数据平台3通过无线传输模块2从车载检测模块1接收网轨隧检测数据,并对网轨隧检测数据进行运算分析;大数据平台3还通过大数据库对网轨隧数据进行二次计算,从而实现对于存在缺陷的网隧轨巡检图像的精准识别。
在本实施例中,基于边缘计算和大数据的网轨隧综合检测装置安装在地铁检测车、运营车或者大铁检测车、运营车上。在车辆运行过程中,网轨隧综合检测装置对轨道几何参数进行测量、弓网几何参数和隧道限界进行精准测量,对网隧轨巡检图像进行缺陷智能识别,将运行过程中的异常、超限、缺陷等进行实时报警上传至大数据平台,形成维修决策,便于及时消除故障隐患,保证列车安全运行,为运营维修部门对轨道的检测、维修及保养提供科学依据,并为列车健康管理提供依据。
如图2所示,车载检测模块1包括:几何参数检测单元11、车身姿态检测单元12、轨道巡检检测单元13、弓网检测单元14和隧道限界检测单元15。几何参数检测单元11用于对轨道的轨距、水平、三角坑、左右轨向不平顺性、左右高低不平顺性、轨距变化率和曲率进行实时测量,并将实时数据进行超限判别;几何参数检测单元11还用于对钢轨轨廓进行实时监测;几何参数检测单元11通过将钢轨轨廓与标准轨廓进行对比分析,从而实时监测钢轨断面的顶磨和侧磨。车身姿态检测单元12用于对车身横向加速度、垂向加速度和车身姿态指标进行实时监测。轨道巡检检测单元13用于对钢轨轨面、轨道扣件和轨道板进行等距高清扫描获得扫描图像;轨道巡检检测单元13通过自能识别技术,实时对扫描图像进行分析图像异常和缺陷。
弓网检测单元14包括相机组、弓网巡检补光灯、紫外传感器、火花检测组件、电流测量组件等,其中相机组包括燃弧火花相机、红外相机、连续视频相机、弓网巡检相机、几何参数测量相机和弓冲击震荡检测相机。弓网检测单元的检测项目包括:对列车与弓网的接触点进行连续视频采集、红外测温、检测燃弧及电晕放电、火花检测、受电弓冲击震荡检测、几何参数测量、电流测量以及弓网巡检等。
隧道限界检测单元15包括设置在车头的激光雷达,安装在列车顶部的悬挂及隧道顶巡检相机以及悬挂及隧道顶巡检补光灯,其中,激光雷达用于设备限界检测,悬挂及隧道顶巡检相机用于获取隧道图像。
作为可选的实施方式,如图1所示,还包括定位单元4,与无线传输模块2连接,向大数据平台3发送列车的定位信息。
实施例2
本发明实施例提供了一种基于边缘计算和大数据的网轨隧综合检测方法,如图3所示,包括:
步骤S1,通过车载检测模块采集网轨隧检测数据。
在本实施例中,网轨隧检测数据包括弓网检测数据、轨道几何参数检测和隧道几何参数检测。
步骤S2,将网轨隧检测数据发送至大数据平台。
步骤S3,大数据平台通过云计算对网轨隧进行监测。
在车辆运行过程中,对轨道几何参数进行测量、钢轨断面进行实时监测以及对轨道线路状态进行实时监测,将运行过程中的异常、超限、缺陷等进行实时报警回传,形成维修建议,便于及时消除故障隐患,保证列车安全运行。为运营维修部门对轨道的检测、维修及保养提供科学依据,并为列车健康管理提供依据。
作为可选的实施方式,步骤S1包括:
采用惯性基准法对列车的高低不平顺进行检测;
根据3D光学测量原理对轨距不平顺进行检测;
通过安装在列车转向架两侧的位移传感器对轨道的水平不平顺进行检测;
通过设置在摄像机梁中央位置的加速度传感器对摄像梁中央位置的横向惯性位移进行检测;通过左右轨距测量装置对左轨距分量和右轨距分量进行检测;结合惯性位移、左轨距分量和右轨距分量对轨向不平顺进行检测;
通过设置在车底的多普勒雷达对列车的里程和速度进行检测;
通过固定在列车车体上的副惯导包对列车的车体姿态和各方向的加速度进行检测;
通过3D激光传感器获取实时的轨道廓型图,并通过与标准轨道廓形进行匹配分析,从而获取轨道顶部磨耗、轨道侧面磨耗和设定点的磨耗信息;
对轨道顶部、轨道内侧、轨道外侧进行分别进行等距扫描,获取到轨道顶部、扣件、轨道板表面和轨枕的图像,并通过深度学习对图像进行智能判别,从而对轨道表面损伤和扣件状态异常进行检测。
在本实施例中,如图4所示,高低不平顺的检测采用惯性基准法,在高速列车的转向架上安装惯性导航器件测量转向架的加速度,将测得的加速度经两次积分得到车体的运动轨迹Z。在行驶的列车上建立高低测量的基准线,基准线是相对于惯性空间的。通过3D激光仪原理测量转向架到钢轨的距离,即位移信号W,可以得到轨道高低不平顺H的表达式为。其中,a为加速度,t为时间。通过轨道高低不平顺H得出轨道不平顺η的情况。实际测量中,如图5所示,在转向架上安装惯性导航器件。惯性导航器件测量的垂直加速度经过两次积分得到装箱架的惯性位移。LTZ cwl 和LTZ cwr 分别检测转向架与左右钢轨的相对位移,据以计算轨面相对惯性空间的位移变化进行必要的处理,可得到高低不平顺量。
轨距测量示意图如图6所示,轨距是指左、右股钢轨工作面下16mm处轨距点间距。轨距检测采用3D光学测量原理。侧两轨距由左、右3D相机完成,它们都安装在横梁上。左、右3D相机通过扫描左(右)轨面下16mm处的位置坐标来计算轨距的数值。
当轨检车检测运行时,所经过线路的轨距扩大或缩小,S 左或S 右随之变大或变小,通过轨廓识别技术找到轨面下16mm处的位置坐标,并通过结合两个3D相机之间的固定距离D,可以获得轨距的如下表达式:
S=S 左+D+S 右
式中:D为两3D之间的固定安装距离;S 左为左3D相机与左侧钢轨轨距测量点距离;S 右为右3D相机与右侧钢轨轨距侧两点距离。
如图7所示,水平定义为轨道同一横断面内两钢轨顶面之高差。通过安装在转向架上面的惯性测量出相对地垂线滚动角θ 1 。采用左右两侧位移传感器计算出图7中的相对滚动角θ 2 ,二者结合可以获得轨道倾角θ。由θ和两轨中心线间距离即可计算出水平值。
如图8所示,轨向指钢轨内侧面轨距点沿轨道纵向水平位置的变化。轨向采用惯性基准法进行测量,。轨向测量包括两个部分:一部分是安装于摄像机梁中央位置惯性导航器件的加速度传感器ATY t ,用于测量摄像梁中央位置的横向惯性位移;另一部分是左右轨距测量装置所测得的左、右轨距分量LX和RX。将惯性位移和轨距结合可得到左(右)轨距点相对惯性空间的纵向轨迹,即轨向LY、RY和Y,轨向的含义是轨道中线的走向,此处将左轨中线走向LY、右轨中线走向RY以及轨道中线走向Y均列入检测。
多普勒雷达与车体同步运动,在信号理论中,相参又称为相干,相参信号的英文是coherent signal,定义为脉冲之间存在确定的相位关系。简单来说,脉冲间的相位可以互相对照,知道其中一个相位就有办法知道另外一个。相参处理的意义在于脉冲积累时提高信噪比,提高多普勒频率的准确度。每经过一段距离第一相和第二相各输出一定数量的脉冲,第一相与第二相相差90度。在运行方向控制电路中,根据第一相第二相脉冲序列车辆运行正反相条件下不同的逻辑关系产生出运行方向控制信号。空间采样脉冲间隔时间电路有时基振荡器,在两个空间采样脉冲之间填充时基,得到采样脉冲间隔时间。在CPU中对空间采样脉冲进行累加计数可得里程,对空间采样脉冲间隔距离和间隔时间计算得运行速度。
车体的横滚、俯仰、方向三个姿态和车体垂直振动加速度、水平振动加速度和纵向振动加速度测量均由副惯导包完成,安放在车体上的副惯导包是包含了三个加速度计和三个倾角仪,在外界激励下,引起加速度计和倾角仪应变片发生变化,传感器把形体变化转化成数字信号输出,从而实现对车体姿态和各向加速度的测量。
通过3D激光传感器,获取到实时的轨道廓形图,并通过与标准轨道廓形进行匹配分析,可以获取到轨道顶部磨耗、轨道侧面磨耗以及设定点的磨耗等,进而为轨道的磨损状况与轨道状态进行评判。
对轨道进行轨道顶部、轨道内侧、轨道外侧进行分别进行高精度等距扫描,获取到轨道顶部、扣件、轨道板表面、轨枕等部分图像,并通过深度学习进行智能判别,可对轨道表面损伤、扣件状态异常等情况进行检测。
扭曲反映了钢轨顶面的平面性。如图9所示,设轨顶abcd四个点不在一个平面上,c点到abd三个点组成的平面的垂直距离h为扭曲值。扭曲会使车轮抬高面悬空,使车辆产生3点支撑1点悬空,极易造成脱轨掉道。扭曲值h可通过以下公式计算:
其中x 0为方向不平顺值;y 0为水平不平顺值。
作为可选的实施方式,车载检测模块安装在列车上;大数据平台与车载检测装置通过无线网络通信模块进行数据传输。
作为可选的实施方式,大数据平台通过云计算对网轨隧进行监测包括:
大数据平台根据大数据库训练出的各项基准参数,对网轨隧检测数据进行分析;
若网轨隧检测数据落在对应基准参数上下5%的范围内,则将网轨隧检测数据保留并作为新的训练数据;
若网轨隧检测数据落在对应基准参数上下5%的范围以外,则平台向对应轨道上行驶的列车发出警报。
本领域技术人员可以理解,实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,所述存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)、随机存储记忆体(Random AccessMemory,RAM)、快闪存储器(Flash Memory)、硬盘(Hard Disk Drive,缩写:HDD)或固态硬盘(Solid-State Drive,SSD)等;所述存储介质还可以包括上述种类的存储器的组合。
虽然结合附图描述了本发明的实施例,但是本领域技术人员可以在不脱离本发明的精神和范围的情况下作出各种修改和变型,这样的修改和变型均落入由所附权利要求所限定的范围之内。
Claims (10)
1.一种基于边缘计算和大数据的网轨隧综合检测装置,其特征在于,包括:
车载检测模块,安装在列车上,用于采集网轨隧检测数据;
无线传输模块,与所述车载检测装置连接;
大数据平台,通过所述无线传输模块从所述车载检测模块接收所述网轨隧检测数据,并对所述网轨隧检测数据进行运算分析;所述大数据平台还通过大数据库对网轨隧数据进行二次计算,从而实现对于存在缺陷的网隧轨巡检图像的精准识别。
2.根据权利要求1所述的基于边缘计算和大数据的网轨隧综合检测装置,其特征在于,所述车载检测模块包括:几何参数检测单元、车身姿态检测单元、轨道巡检检测单元、弓网检测单元和隧道限界检测单元。
3.根据权利要求2所述的基于边缘计算和大数据的网轨隧综合检测装置,其特征在于,所述几何参数检测单元用于对轨道的轨距、水平、三角坑、左右轨向不平顺性、左右高低不平顺性、轨距变化率和曲率进行实时测量,并将实时数据进行超限判别;所述几何参数检测单元还用于对钢轨轨廓进行实时监测;所述几何参数检测单元通过将所述钢轨轨廓与标准轨廓进行对比分析,从而实时监测钢轨断面的顶磨和侧磨。
4.根据权利要求2所述的基于边缘计算和大数据的网轨隧综合检测装置,其特征在于,所述车身姿态检测单元用于对车身横向加速度、垂向加速度和车身姿态指标进行实时监测。
5.根据权利要求2所述的基于边缘计算和大数据的网轨隧综合检测装置,其特征在于,所述轨道巡检检测单元用于对钢轨轨面、轨道扣件和轨道板进行等距高清扫描获得扫描图像;所述轨道巡检检测单元通过自能识别技术,实时对所述扫描图像进行分析图像异常和缺陷。
6.根据权利要求1所述的基于边缘计算和大数据的网轨隧综合检测装置,其特征在于,还包括定位单元,与所述无线传输模块连接,向所述大数据平台发送所述列车的定位信息。
7.一种基于边缘计算和大数据的网轨隧综合检测方法,其特征在于,包括:
通过车载检测模块采集网轨隧检测数据;
将所述网轨隧检测数据发送至大数据平台;
所述大数据平台通过云计算对网轨隧进行监测。
8.根据权利要求7所述的基于边缘计算和大数据的网轨隧综合检测方法,其特征在于,通过车载检测模块采集网轨隧检测数据包括:
采用惯性基准法对列车的高低不平顺进行检测;
根据3D光学测量原理对轨距不平顺进行检测;
通过安装在列车转向架两侧的位移传感器对轨道的水平不平顺进行检测;
通过设置在摄像机梁中央位置的加速度传感器对摄像梁中央位置的横向惯性位移进行检测;通过左右轨距测量装置对左轨距分量和右轨距分量进行检测;结合所述惯性位移、所述左轨距分量和所述右轨距分量对轨向不平顺进行检测;
通过设置在车底的多普勒雷达对所述列车的里程和速度进行检测;
通过固定在所述列车车体上的副惯导包对所述列车的车体姿态和各方向的加速度进行检测;
通过3D激光传感器获取实时的轨道廓型图,并通过与标准轨道廓形进行匹配分析,从而获取轨道顶部磨耗、轨道侧面磨耗和设定点的磨耗信息;
对轨道顶部、轨道内侧、轨道外侧进行分别进行等距扫描,获取到轨道顶部、扣件、轨道板表面和轨枕的图像,并通过深度学习对所述图像进行智能判别,从而对轨道表面损伤和扣件状态异常进行检测。
9.根据权利要求8所述的基于边缘计算和大数据的网轨隧综合检测方法,其特征在于,所述车载检测模块安装在所述列车上;所述大数据平台与所述车载检测装置通过无线网络通信模块进行数据传输。
10.根据权利要求9所述的基于边缘计算和大数据的网轨隧综合检测方法,其特征在于,所述大数据平台通过云计算对网轨隧进行监测包括:
所述大数据平台根据大数据库训练出的各项基准参数,对所述网轨隧检测数据进行分析;
若所述网轨隧检测数据落在对应基准参数上下5%的范围内,则将所述网轨隧检测数据保留并作为新的训练数据;
若所述网轨隧检测数据落在对应基准参数上下5%的范围以外,则所述大数据平台向对应轨道上行驶的列车发出警报。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110640313.3A CN113091835A (zh) | 2021-06-09 | 2021-06-09 | 基于边缘计算和大数据的网轨隧综合检测装置及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110640313.3A CN113091835A (zh) | 2021-06-09 | 2021-06-09 | 基于边缘计算和大数据的网轨隧综合检测装置及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113091835A true CN113091835A (zh) | 2021-07-09 |
Family
ID=76664536
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110640313.3A Pending CN113091835A (zh) | 2021-06-09 | 2021-06-09 | 基于边缘计算和大数据的网轨隧综合检测装置及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113091835A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113895477A (zh) * | 2021-08-25 | 2022-01-07 | 陈春 | 一种有轨电车槽型轨轨道几何参数测试系统 |
CN113983993A (zh) * | 2021-10-19 | 2022-01-28 | 郑州大学 | 基于向心力的轨道曲率检测装置、方法及应用 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109489724A (zh) * | 2018-12-03 | 2019-03-19 | 大连维德轨道装备有限公司 | 一种隧道列车安全运行环境综合检测装置及检测方法 |
CN111232002A (zh) * | 2020-01-16 | 2020-06-05 | 中车株洲电力机车有限公司 | 模块化轨道车辆车体 |
CN211689698U (zh) * | 2019-10-30 | 2020-10-16 | 昆山高新轨道交通智能装备有限公司 | 一种公铁两用网轨检测车 |
CN112141141A (zh) * | 2020-09-22 | 2020-12-29 | 宝鸡中车时代工程机械有限公司 | 地铁多功能作业车 |
-
2021
- 2021-06-09 CN CN202110640313.3A patent/CN113091835A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109489724A (zh) * | 2018-12-03 | 2019-03-19 | 大连维德轨道装备有限公司 | 一种隧道列车安全运行环境综合检测装置及检测方法 |
CN211689698U (zh) * | 2019-10-30 | 2020-10-16 | 昆山高新轨道交通智能装备有限公司 | 一种公铁两用网轨检测车 |
CN111232002A (zh) * | 2020-01-16 | 2020-06-05 | 中车株洲电力机车有限公司 | 模块化轨道车辆车体 |
CN112141141A (zh) * | 2020-09-22 | 2020-12-29 | 宝鸡中车时代工程机械有限公司 | 地铁多功能作业车 |
Non-Patent Citations (6)
Title |
---|
何华武: "高速铁路运行安全检测监测与监控技术", 《中国铁路》 * |
吴华稳: "基于RAMS的铁路运营安全研究", 《现代城市轨道交通》 * |
吴昕慧等: "基于多传感器的列车里程计定位误差检测及校正方法", 《城市轨道交通研究》 * |
熊仕勇: "轨道不平顺检测系统中关键技术研究", 《中国优秀硕士学位论文全文数据库工程科技II辑》 * |
王冰等: "城市轨道交通智能运维技术发展及智能基础设施建设方法研究", 《现代城市轨道交通》 * |
赵国栋等: "160 km/h电传动内燃综合巡检车研制", 《铁道技术监督》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113895477A (zh) * | 2021-08-25 | 2022-01-07 | 陈春 | 一种有轨电车槽型轨轨道几何参数测试系统 |
CN113983993A (zh) * | 2021-10-19 | 2022-01-28 | 郑州大学 | 基于向心力的轨道曲率检测装置、方法及应用 |
CN113983993B (zh) * | 2021-10-19 | 2023-08-18 | 郑州大学 | 基于向心力的轨道曲率检测装置、方法及应用 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111532295B (zh) | 轨道交通移动智能运维检测系统 | |
CN109910947B (zh) | 搭载式轨道健康状态动态监测与智慧分析系统及方法 | |
Weston et al. | Perspectives on railway track geometry condition monitoring from in-service railway vehicles | |
CN100480627C (zh) | 一种钢轨磨耗综合参数车载动态测量装置及方法 | |
CN101666716B (zh) | 铁路机车车辆运行姿态测量方法 | |
Mori et al. | Condition monitoring of railway track using in-service vehicle | |
EP1774275B1 (en) | Apparatus for detecting hunting and angle of attack of a rail vehicle wheelset | |
CN101580071B (zh) | 铁路机车车辆运行姿态测量系统 | |
CN113085948B (zh) | 一种轨道综合检测系统 | |
CN113091835A (zh) | 基于边缘计算和大数据的网轨隧综合检测装置及方法 | |
CN103635375A (zh) | 适于对导轨偏转进行成像和测量的视觉系统 | |
CN111391881A (zh) | 钢轨扣件紧固状态检测方法及装置 | |
CN102114855A (zh) | 一种轨道检测方法和装置 | |
CN113104063A (zh) | 一种网轨隧综合检测系统及方法 | |
CN115797338B (zh) | 基于双目视觉的全景路面多性能指标计算方法及系统 | |
CN104501768A (zh) | 基于机器视觉的轨道刚度测量方法 | |
CN115219251A (zh) | 一种基于轮对运行姿态的铁道车辆动力学性能监测系统 | |
CN108596968B (zh) | 一种基于轨道3d深度图像的轨枕计数方法 | |
CN113062182A (zh) | 一种基于多传感器融合的精细路面平顺性检测系统及方法 | |
CN217385548U (zh) | 一种非接触式轨道交通列车速度方向里程检测装置 | |
CN113548068B (zh) | 轨面不平顺检测装置及检测方法 | |
CN114275003B (zh) | 在建超长tbm隧道临时运输轨道不平顺性检测评价方法 | |
CN108622130A (zh) | 一种新型轨道部件检测系统 | |
Bhardwaj et al. | Railroad track irregularities position accuracy assessments using low-cost sensors on a hi-rail vehicle | |
Huang et al. | Design and Implementation of Track Irregularity Detection System |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210709 |
|
RJ01 | Rejection of invention patent application after publication |