CN113255825A - 一种轨道道床病害识别方法及装置 - Google Patents
一种轨道道床病害识别方法及装置 Download PDFInfo
- Publication number
- CN113255825A CN113255825A CN202110668696.5A CN202110668696A CN113255825A CN 113255825 A CN113255825 A CN 113255825A CN 202110668696 A CN202110668696 A CN 202110668696A CN 113255825 A CN113255825 A CN 113255825A
- Authority
- CN
- China
- Prior art keywords
- irregularity
- track
- section
- time sequence
- segment
- 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 53
- 230000007547 defect Effects 0.000 title claims description 23
- 230000015556 catabolic process Effects 0.000 claims abstract description 63
- 238000006731 degradation reaction Methods 0.000 claims abstract description 63
- 201000010099 disease Diseases 0.000 claims abstract description 30
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims abstract description 30
- 238000001514 detection method Methods 0.000 claims abstract description 28
- 238000004590 computer program Methods 0.000 claims description 16
- 230000011218 segmentation Effects 0.000 claims description 12
- 238000001914 filtration Methods 0.000 claims description 9
- 238000003860 storage Methods 0.000 claims description 8
- 238000010586 diagram Methods 0.000 description 13
- 230000006866 deterioration Effects 0.000 description 10
- 230000002159 abnormal effect Effects 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 229910000831 Steel Inorganic materials 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 230000001174 ascending effect Effects 0.000 description 2
- 238000012417 linear regression Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000005086 pumping Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 239000002002 slurry Substances 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 239000010959 steel Substances 0.000 description 2
- 238000005299 abrasion Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 238000004451 qualitative analysis Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000009966 trimming 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
- G06F18/24—Classification techniques
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Machines For Laying And Maintaining Railways (AREA)
Abstract
本发明公开了一种轨道道床病害识别方法及装置,其中该方法包括:按照设定单元长度将轨道划分为多个区段;针对每个区段,根据该区段多期检测轨道不平顺数据,构建指定轨道不平顺参数标准差的时间序列;从时间序列中确定至少一组左端点和右端点,根据每组左端点和右端点从时间序列中划分一个时间序列分段;拟合每个时间序列分段,将得到的斜率作为该分段的不平顺劣化率,得到每个区段的不平顺劣化率模型;根据区段的不平顺劣化率模型,确定区段是否可能存在轨道道床病害。本发明可以利用多期检测得到的轨道不平顺数据,构建指定轨道不平顺参数标准差的时间序列,根据该时间序列快速有效的识别可能存在轨道道床病害的区段。
Description
技术领域
本发明涉及铁路轨道质量巡检技术领域,尤其涉及一种轨道道床病害识别方法及装置。
背景技术
本部分旨在为权利要求书中陈述的本发明实施例提供背景或上下文。此处的描述不因为包括在本部分中就承认是现有技术。
目前,我国有砟轨道占铁路总营业里程的80%以上,仍是我国运输干线最主要的轨道形式。道床是有砟轨道线路设备的重要组成部分,用于支撑轨枕,分散所受到压力,并起到缓和轮轨冲击的作用,道床状态的好坏直接影响铁路线路的运输性能。
随着列车速度不断增加、客运和货运量的增长、线路运营时间的增加、路基病害的发生等以及外部自然条件的变化,部分道床区段往往会出现变形、磨损等病害。道床病害降低了道床的承载能力,减弱了道床弹性,降低了道床排水性能、抗冻性能及轨道使用寿命,道床病害区段在列车荷载冲击下会产生不均匀变形,反过来道床不均匀变形又会反映到轨道不平顺,进而增大车体动力响应,严重影响了正常使用,因此快速察觉道床病害的发生并及时加以养护维修是重要研究任务。
目前,铁路道床检测主要以静态检测为主,费时费力;而致力于道床状态检测的加载车的应用也局限于探索阶段,检测结果也停留在对道床的定性分析,且检测技术和精度有待提高。
发明内容
本发明实施例提供一种轨道道床病害识别方法,用以识别铁路轨道的道床病害区段,该方法包括:
按照设定单元长度将轨道划分为多个区段;
针对每个区段,根据该区段多期检测轨道不平顺数据,构建指定轨道不平顺参数标准差的时间序列;
从所述时间序列中确定至少一组左端点和右端点,根据每组左端点和右端点从所述时间序列中划分一个时间序列分段;
拟合每个时间序列分段,将得到的斜率作为该分段的不平顺劣化率,得到每个区段的不平顺劣化率模型;
根据区段的不平顺劣化率模型,确定区段是否可能存在轨道道床病害。
本发明实施例还提供一种轨道道床病害识别装置,用以识别铁路轨道的道床病害区段,该装置包括:
区段划分模块,用于按照设定单元长度将轨道划分为多个区段;
序列确定模块,用于针对每个区段,根据该区段多期检测轨道不平顺数据,构建指定轨道不平顺参数标准差的时间序列;
分段划分模块,用于从所述时间序列中确定至少一组左端点和右端点,根据每组左端点和右端点从所述时间序列中划分一个时间序列分段;
模型建立模块,用于拟合每个时间序列分段,将得到的斜率作为该分段的不平顺劣化率,得到每个区段的不平顺劣化率模型;
病害识别模块,用于根据区段的不平顺劣化率模型,确定区段是否可能存在轨道道床病害。
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轨道道床病害识别方法。
本发明实施例还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轨道道床病害识别方法的计算机程序。
本发明实施例中,按照设定单元长度将轨道划分为多个区段;针对每个区段,根据该区段多期检测轨道不平顺数据,构建指定轨道不平顺参数标准差的时间序列;从时间序列中确定至少一组左端点和右端点,根据每组左端点和右端点从时间序列中划分一个时间序列分段;拟合每个时间序列分段,将得到的斜率作为该分段的不平顺劣化率,得到每个区段的不平顺劣化率模型;根据区段的不平顺劣化率模型,确定区段是否可能存在轨道道床病害,与现有技术中静态检测的技术方案相比,通过多期检测得到的轨道不平顺数据,建立区段的指定轨道不平顺参数标准差的时间序列,进而得到不平顺劣化率模型,可以实现根据模型快速有效的识别可能存在轨道道床病害的区段,且节省了病害识别成本。
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。在附图中:
图1为本发明实施例一种轨道道床病害识别方法的流程图;
图2为图1中步骤S12的具体实现流程图;
图3为本发明实施例一种滑动确定标准差的示意图;
图4为本发明实施例一种时间序列作中值滤波及异常点识别示例图;
图5为图1中步骤S13的具体实现流程图;
图6为本发明实施例一种BP分段法确定左右端点的示例图;
图7、图8A、图8B、图8C、图9和图10分别为本发明实施例一种不同区段的不平顺劣化率模型示例图;
图11为本发明实施例中轨道道床病害识别方法的具体实现流程图;
图12为本发明实施例中轨道道床病害识别装置的结构示意图。
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明白,下面结合附图对本发明实施例做进一步详细说明。在此,本发明的示意性实施例及其说明用于解释本发明,但并不作为对本发明的限定。
铁路相关部门一般采用轨道不平顺局部峰值和轨道不平顺质量指数(TrackQuality Index,TQI)分别对局部和区段进行管理,TQI为一个单元区段内(往往是200m的单元区段)左高低、右高低、左轨向、右轨向、轨距、水平和三角坑七项几何不平顺标准差之和,能够反映一定区段内轨道不平顺状态,而轨道不平顺与道床状况也有一定的关系,但是目前利用TQI识别轨道下层道床病害问题的研究还未见相关文献报道和专利说明。故发明人发现,利用TQI相关参数的动态检测数据快速识别道床病害,是有砟轨道道床病害识别的一种可实现手段。
为了解决目前不能快速、有效且高质的识别有砟轨道道床病害的问题,本发明实施例提供了一种轨道道床病害识别方法和装置,能够利用多期检测轨道不平顺数据,建立区段的不平顺劣化率模型,掌握不同时期轨道不平顺劣化率状况,及时有效发现道床病害区段。
实施例一
本发明实施例一提供一种轨道道床病害识别方法,其流程如图1所示,包括如下步骤:
步骤S11:按照设定单元长度将轨道划分为多个区段。
传统的轨道不平顺质量指数(Track Quality Index,TQI),往往是以200米长度的轨道区段作为计量单元。发明人发现,由于道床病害引起的轨道不平顺波长一般在几米到几十米之间,以200米为一个单元计算TQI时,大部分区段都为非病害区段,由病害引起的轨道不平顺成分较小,结果不显著,故本发明实施例中指定轨道不平顺参数的标准差的计量单元为长度为100米的轨道区段。
设定单元长度为100米,不能局限的理解为100米,100米左右的单元长度,例如大于或等于80米且小于或等于120米,都在本发明的保护范围内。
步骤S12:针对每个区段,根据该区段多期检测轨道不平顺数据,构建指定轨道不平顺参数标准差的时间序列。
道床劣化主要引起轨道几何垂向变化,如高低、水平和三角坑,而轨距、轨向等受影响较小,为准确描述道床病害对轨道不平顺的影响,本实施例中的指定轨道不平顺参数可以下述任一参数:
左高低,右高低,水平,三角坑。
轨道三角坑(即扭曲不平顺)是指左右两股钢轨顶面相对于轨道平面发生的扭曲状态;轨道上左右两条钢轨的轨顶高差即为轨道水平。
在一个实施例中,参照图2所示,指定轨道不平顺参数标准差的时间序列(后续简称时间序列)的得到,可以包括下述步骤:
步骤S121:根据该区段每期检测不平顺数据,采用滑动法利用设定滑动步长计算指定轨道不平顺参数的标准差。
具体的,区段每期检测不平顺数据,指同一时间段检测的区段内多个位置处的轨道不平顺参数的值,其中包括指定轨道不平顺参数的值。
采用滑动法利用设定滑动步长计算指定轨道不平顺参数的标准差,参照图3所示,可以是采用20m滑动步长计算标准差,以保证里程定位精度。
轨道不平顺检测日期并不固定,因此相邻两次数据的时间间隔并不相等,在构建时间序列时,可以把检测日期按照/天进行换算,因此时间序列转换成了不等间隔的数据。
步骤S122:将该区段各期检测轨道不平顺数据对应的指定轨道不平顺参数的标准差按照时间顺序排列,构建指定轨道不平顺参数标准差的时间序列。
步骤S123:将时间序列进行中值滤波。
可以是设定大小为k=5的滑动窗口,对标准差时间序列作中值滤波。
步骤S124:删除滤波前后值的偏差高于设定偏差阈值的指定轨道不平顺参数标准差。
例如,可以包括,统计中值滤波前后差异,按照95%置信区间设定阈值。滤波前后值的偏差超过阈值视为异常值,在后续分析中予以剔除,实施效果见图4所示,图4中横坐标为检测日期,纵坐标为高低标准差(可以是左高低标准差或右高低标准差),最下方的点在中值滤波前后的差异较大,确定为异常点,需要删除。
步骤S13:从时间序列中确定至少一组左端点和右端点,根据每组左端点和右端点从时间序列中划分一个时间序列分段。
从时间序列中确定至少一组左端点和右端点,即确定至少一个分段的起始点和终止点。
在一个实施例中,可以包括,利用反向传播BP分段法从时间序列中确定至少一组左端点和右端点。
具体时间序列分段方法,即从时间序列中确定至少一组左端点和右端点的方法,参照图5所示,包括下述步骤:
步骤S131:按时间由早到晚的顺序,以第一个极值点为左端点。
极值点即为时间序列中与相邻的两个点间的变化趋势不一致的点,例如从极值点的前一个点到极值点数值呈上升趋势,从极值点到极值点的后一个点数值呈下降趋势;或,从极值点的前一个点到极值点数值呈下降趋势,从极值点到极值点的后一个点数值呈上升趋势。
步骤S132:根据当前的左端点,查找满足第一设定条件的右端点集合R。
具体为从当前左端点的下一个点开始,在时间序列中依次查找满足设定条件的右端点。
第一设定条件可以是与左端点间隔不小于设定时间间隔,且与左端点的标准差差异不低于设定阈值。例如,与左端点间隔不小于3个月,且与左端点的标准差差异不低于0.1mm/月。将满足第一设定条件的极值点放入右端点集合R。
步骤S133:判断R是否为空。
若R为空,执行步骤S134;若R非空,执行步骤S135。
步骤S134:更新当前的左端点的下一个极值点为左端点。
步骤S134后继续执行步骤S132,直至步骤S133判断R非空。
步骤S135:将R中最大点作为右端点。
步骤S136:判断当前的右端点是否为极值点。
若是,执行步骤S138,以当前的右端点为对应分段的最终右端点,右端点查找结束;若否,执行步骤S137。
步骤S137:以右端点下一个极值点为左端点。
步骤S137后继续执行步骤S132,直至步骤S133判断R非空。
步骤S138:当前的右端点为对应分段的最终右端点。
步骤S139:利用BP法查找右端点前的满足第二设定条件的极值点作为最终的左端点。
第二设定条件可以为检测时间段早于右端点、方差值低于右端点且与右端点间的间隔大于设定时间间隔。
整个过程先从左端点确定右端点,再根据右端点重新更新左端点,称为BP(反向传播)分段法,参照图6所示,L1为初始左端点,查找符合右端点的集合R{R1,R2,R3},取R3作为右端点,向前查找L2作为最终左端点。
步骤S14:拟合每个时间序列分段,将得到的斜率作为该分段的不平顺劣化率,得到每个区段的不平顺劣化率模型。
在一个实施例中,可以采用最小二乘法拟合每个时间序列分段。将得到的斜率作为该分段的不平顺劣化率(Deterioration Rate,DR)。
为了应用方便,可以将劣化率转换为DR/月,例如是毫米每月。
分别拟合一个区段的时间序列的各时间序列分段,得到段数与分段数一致的曲线,即为不平顺劣化率模型。其中,每段曲线的斜率为相应分段的不平顺劣化率。
步骤S15:根据区段的不平顺劣化率模型,确定区段是否可能存在轨道道床病害。
基于每个区段不同检测时间段的劣化率及相邻其他区段同一检测时间段的劣化率,预先建立区段的轨道道床病害分类标准,具体分类标准可以包括:
①一类:区段的标准差时间序列有多个分段,近期分段劣化率相较早期分段的劣化率发生突变,表明本区段在近期轨道道床可能发生病害。
图7-图10分别为不同区段的不平顺劣化率模型示例图,具体为指定不平顺质量参数为左高低时,分别拟合左高低时间序列的各分段得到的不平顺劣化率模型。
参见图7所示,为里程K106.3区段的不平顺劣化率模型,可见自2017年5月开始,劣化率DR较为严重,达到0.213mm/月,且相较早期0.051mm/月发生较大突变,经整修后质量得到改善,但是仍保持0.195mm/月的较大劣化率增长。
确定其属于分类标准中的一类,2019年4月基于不平顺劣化率模型识别结果对现场进行复核,发现该区段已发生明显的翻浆冒泥,为发生轨道道床病害区段。
②二类,同一时期,本区段劣化率明显高于相邻区段劣化率,表明本区段在近期轨道道床可能发生病害。
图8A、图8B和图8C分别为里程K14.94、K14.88和K15.1处不平顺劣化率模型,图8A中里程K14.94处近期劣化率达到0.127mm/月,图8B中K14.88处近期劣化率为0.054mm/月,图8C中K15.1处近期劣化率为0.066mm/月,K14.94处近期劣化率明显高于周围区段的近期劣化率,故K14.94处的区段属于分类标准中的二类。
2019年9月基于不平顺劣化率模型识别结果对现场进行复核,发现K14.94处的区段已发生明显的翻浆冒泥,为发生轨道道床病害区段。
③三类,区段的标准差时间序列划分为一个整体区段,劣化率DR>0,高低标准差持续上升,表明本区段在近期轨道道床可能发生病害。
参照图9所示,为里程K64区段的不平顺劣化率模型,其高低标准差近几年呈持续劣化,劣化率为0.024mm/月,虽劣化率不大,但是高低标准差值已经从0.6增加到1.6左右。
2020年初基于不平顺劣化率模型识别结果对现场进行复核,可以看出为道床病害区段,道砟粉碎严重,道床承载力受到严重影响,需要更换道砟。
④四类,本区段各时期劣化率以及周围其他区段劣化率都比较大,且最大劣化率超过设定的阈值,表明本区段在近期轨道道床可能发生病害。
⑤五类,各分段劣化率无明显变化,且整体较小,线路质量状态良好。
参照图10所示,为里程K99.5区段的不平顺劣化率模型,可见各时期劣化率分别为0.029、0.054、0.055、0.009和0.066,变化不大,且都维持在较小的幅度,表明本区段在定期捣固之间线路质量状态良好。
由以上案例分析可知,基于动态检测数据(区段多个检测时间段的指定不平顺质量参数分布数据)的不平顺劣化率模型及道床病害识别方法,有助于利用大数据分析手段找出引起轨道不平顺的疑似道床病害区段,从而指导线路养护维修,提高车辆运行品质及线路使用寿命。
本发明实施例一提供的轨道道床病害识别方法,按照设定单元长度将轨道划分为多个区段;针对每个区段,根据该区段多期检测轨道不平顺数据,构建指定轨道不平顺参数标准差的时间序列;从时间序列中确定至少一组左端点和右端点,根据每组左端点和右端点从时间序列中划分一个时间序列分段;拟合每个时间序列分段,将得到的斜率作为该分段的不平顺劣化率,得到每个区段的不平顺劣化率模型;根据区段的不平顺劣化率模型,确定区段是否可能存在轨道道床病害。能够利用多期检测得到的轨道不平顺数据,建立区段的指定轨道不平顺参数标准差的时间序列,进而得到不平顺劣化率模型,根据模型快速有效的识别可能存在轨道道床病害的区段,且节省了病害识别成本。
本发明实施例一提供的轨道道床病害识别方法,利用多期检测得到的轨道不平顺数据构成轨道不平顺时间序列,结合数据清洗技术、时间序列分段技术以及线性回归技术建立轨道不平顺劣化率模型;基于轨道不平顺劣化率模型,计算同一区段不同时期劣化率DR,识别出劣化率异常波动的区段,有效识别道床病害。可进一步对劣化率异常波动的区段进行现场复核。
参照图11所示,轨道道床病害识别方法可以包括时间序列整理、时间序列分段、不平顺劣化率模型建立和模型分类。
时间序列整理具体为指定轨道不平顺参数的标准差时间序列整理,可以包括收集高低标准差,并进行异常值剔除;时间序列分段,可以采用BP分段法;不平顺劣化率模型建立,可以采用线性回归方法,进行劣化率异常识别;模型分类,根据分类结果确定区段是否可能存在轨道道床病害。
本发明实施例中还提供了一种轨道道床病害识别装置,该装置的结构如图12所示,包括:
区段划分模块121,用于按照设定单元长度将轨道划分为多个区段;
序列确定模块122,用于针对每个区段,根据该区段多期检测轨道不平顺数据,构建指定轨道不平顺参数标准差的时间序列;
分段划分模块123,用于从所述时间序列中确定至少一组左端点和右端点,根据每组左端点和右端点从所述时间序列中划分一个时间序列分段;
模型建立模块124,用于拟合每个时间序列分段,将得到的斜率作为该分段的不平顺劣化率,得到每个区段的不平顺劣化率模型;
病害识别模块125,用于根据区段的不平顺劣化率模型,确定区段是否可能存在轨道道床病害。
在一个实施例中,序列确定模块122,所述根据该区段多期检测轨道不平顺数据,构建指定轨道不平顺参数标准差的时间序列,具体用于:
根据该区段每期检测不平顺数据,采用滑动法利用设定滑动步长计算指定轨道不平顺参数的标准差;将该区段各期检测轨道不平顺数据对应的指定轨道不平顺参数的标准差按照时间顺序排列,构建指定轨道不平顺参数标准差的时间序列。
在一个实施例中,序列确定模块122,所述构建指定轨道不平顺参数标准差的时间序列后,还用于:
将所述时间序列进行中值滤波;删除滤波前后值的偏差高于设定偏差阈值的指定轨道不平顺参数标准差。
在一个实施例中,分段划分模块123,所述从所述时间序列中确定至少一组左端点和右端点,具体用于:
利用反向传播BP分段法从所述时间序列中确定至少一组左端点和右端点。
在一个实施例中,模型建立模块124,所述拟合每个时间序列分段,具体用于:采用最小二乘法拟合每个时间序列分段。
由于该装置解决问题的原理与轨道道床病害识别方法相似,因此该装置的实施可以参见轨道道床病害识别方法的实施,重复之处不再赘述。
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轨道道床病害识别方法。
本发明实施例还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轨道道床病害识别方法的计算机程序。
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、系统、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、设备(系统)、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。
以上所述的具体实施例,对本发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本发明的具体实施例而已,并不用于限定本发明的保护范围,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种轨道道床病害识别方法,其特征在于,包括:
按照设定单元长度将轨道划分为多个区段;
针对每个区段,根据该区段多期检测轨道不平顺数据,构建指定轨道不平顺参数标准差的时间序列;
从所述时间序列中确定至少一组左端点和右端点,根据每组左端点和右端点从所述时间序列中划分一个时间序列分段;
拟合每个时间序列分段,将得到的斜率作为该分段的不平顺劣化率,得到每个区段的不平顺劣化率模型;
根据区段的不平顺劣化率模型,确定区段是否可能存在轨道道床病害。
2.如权利要求1所述的方法,其特征在于,所述根据该区段多期检测轨道不平顺数据,构建指定轨道不平顺参数标准差的时间序列,具体包括:
根据该区段每期检测不平顺数据,采用滑动法利用设定滑动步长计算指定轨道不平顺参数的标准差;
将该区段各期检测轨道不平顺数据对应的指定轨道不平顺参数的标准差按照时间顺序排列,构建指定轨道不平顺参数标准差的时间序列。
3.如权利要求2所述的方法,其特征在于,所述构建指定轨道不平顺参数标准差的时间序列后,还包括:
将所述时间序列进行中值滤波;
删除滤波前后值的偏差高于设定偏差阈值的指定轨道不平顺参数标准差。
4.如权利要求1所述的方法,其特征在于,所述从所述时间序列中确定至少一组左端点和右端点,具体包括:
利用反向传播BP分段法从所述时间序列中确定至少一组左端点和右端点。
5.如权利要求1所述的方法,其特征在于,所述拟合每个时间序列分段,具体包括:
采用最小二乘法拟合每个时间序列分段。
6.如权利要求1~5任一所述的方法,其特征在于,所述设定单元长度为100米。
7.如权利要求1~5任一所述的方法,其特征在于,所述指定轨道不平顺参数为下述任一参数:
左高低,右高低,水平,三角坑。
8.一种轨道道床病害识别装置,其特征在于,包括:
区段划分模块,用于按照设定单元长度将轨道划分为多个区段;
序列确定模块,用于针对每个区段,根据该区段多期检测轨道不平顺数据,构建指定轨道不平顺参数标准差的时间序列;
分段划分模块,用于从所述时间序列中确定至少一组左端点和右端点,根据每组左端点和右端点从所述时间序列中划分一个时间序列分段;
模型建立模块,用于拟合每个时间序列分段,将得到的斜率作为该分段的不平顺劣化率,得到每个区段的不平顺劣化率模型;
病害识别模块,用于根据区段的不平顺劣化率模型,确定区段是否可能存在轨道道床病害。
9.一种计算机设备,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7任一所述的轨道道床病害识别方法。
10.一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7任一所述轨道道床病害识别方法的计算机程序。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110668696.5A CN113255825A (zh) | 2021-06-16 | 2021-06-16 | 一种轨道道床病害识别方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110668696.5A CN113255825A (zh) | 2021-06-16 | 2021-06-16 | 一种轨道道床病害识别方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113255825A true CN113255825A (zh) | 2021-08-13 |
Family
ID=77188259
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110668696.5A Pending CN113255825A (zh) | 2021-06-16 | 2021-06-16 | 一种轨道道床病害识别方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113255825A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114818998A (zh) * | 2022-06-28 | 2022-07-29 | 浙江大学 | 一种无砟轨道基床翻浆冒泥病害状态判别方法 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE10147459A1 (de) * | 2001-09-17 | 2005-06-30 | Siemens Ag | Verfahren und Anordnung zur Positionierung der Gleisabschnittsgrenzen von Streckenabschnitten schienengebundener Verkehrssysteme sowie ein entsprechendes Computerprogramm-Erzeugnis und ein entsprechendes computerlesbares Speichermedium |
US20140052279A1 (en) * | 2010-11-29 | 2014-02-20 | AMB I.T Holding B.V | Method and system for detecting an event on a sports track |
CN104192171A (zh) * | 2014-08-28 | 2014-12-10 | 同济大学 | 轨道交通列车检测方法及设备 |
CN107264569A (zh) * | 2017-06-15 | 2017-10-20 | 山东交通职业学院 | 一种轨道质量状态评定方法及系统 |
CN108360318A (zh) * | 2018-02-09 | 2018-08-03 | 武汉迈普时空导航科技有限公司 | 针对轨道不平顺检测的a-ins精密测量分段线形拟合方法 |
CN108592853A (zh) * | 2018-04-09 | 2018-09-28 | 中国铁道科学研究院 | 轨道板拱起位置辨识方法、装置、存储介质及设备 |
CN109614850A (zh) * | 2018-10-26 | 2019-04-12 | 武汉长天铁路技术有限公司 | 基于L-M的More算法的轨道不平顺谱拟合方法 |
CN110254478A (zh) * | 2019-06-05 | 2019-09-20 | 中国铁道科学研究院集团有限公司 | 路基变形病害识别方法及装置 |
CN110533229A (zh) * | 2019-08-13 | 2019-12-03 | 中国铁路总公司 | 轨道维修时刻预测方法及装置 |
CN112084558A (zh) * | 2020-08-31 | 2020-12-15 | 成都理工大学 | 一种轨道不平顺状态优化模拟精调方法 |
CN112380710A (zh) * | 2020-11-18 | 2021-02-19 | 中国铁道科学研究院集团有限公司 | 轨道板状态确定方法及装置 |
CN112560138A (zh) * | 2020-12-03 | 2021-03-26 | 华东交通大学 | 一种桥上轨道不平顺评估方法和装置 |
CN112766556A (zh) * | 2021-01-13 | 2021-05-07 | 北京交通大学 | 基于贝叶斯信息准则的铁路轨道历史维修自动识别方法 |
-
2021
- 2021-06-16 CN CN202110668696.5A patent/CN113255825A/zh active Pending
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE10147459A1 (de) * | 2001-09-17 | 2005-06-30 | Siemens Ag | Verfahren und Anordnung zur Positionierung der Gleisabschnittsgrenzen von Streckenabschnitten schienengebundener Verkehrssysteme sowie ein entsprechendes Computerprogramm-Erzeugnis und ein entsprechendes computerlesbares Speichermedium |
US20140052279A1 (en) * | 2010-11-29 | 2014-02-20 | AMB I.T Holding B.V | Method and system for detecting an event on a sports track |
CN104192171A (zh) * | 2014-08-28 | 2014-12-10 | 同济大学 | 轨道交通列车检测方法及设备 |
CN107264569A (zh) * | 2017-06-15 | 2017-10-20 | 山东交通职业学院 | 一种轨道质量状态评定方法及系统 |
CN108360318A (zh) * | 2018-02-09 | 2018-08-03 | 武汉迈普时空导航科技有限公司 | 针对轨道不平顺检测的a-ins精密测量分段线形拟合方法 |
CN108592853A (zh) * | 2018-04-09 | 2018-09-28 | 中国铁道科学研究院 | 轨道板拱起位置辨识方法、装置、存储介质及设备 |
CN109614850A (zh) * | 2018-10-26 | 2019-04-12 | 武汉长天铁路技术有限公司 | 基于L-M的More算法的轨道不平顺谱拟合方法 |
CN110254478A (zh) * | 2019-06-05 | 2019-09-20 | 中国铁道科学研究院集团有限公司 | 路基变形病害识别方法及装置 |
CN110533229A (zh) * | 2019-08-13 | 2019-12-03 | 中国铁路总公司 | 轨道维修时刻预测方法及装置 |
CN112084558A (zh) * | 2020-08-31 | 2020-12-15 | 成都理工大学 | 一种轨道不平顺状态优化模拟精调方法 |
CN112380710A (zh) * | 2020-11-18 | 2021-02-19 | 中国铁道科学研究院集团有限公司 | 轨道板状态确定方法及装置 |
CN112560138A (zh) * | 2020-12-03 | 2021-03-26 | 华东交通大学 | 一种桥上轨道不平顺评估方法和装置 |
CN112766556A (zh) * | 2021-01-13 | 2021-05-07 | 北京交通大学 | 基于贝叶斯信息准则的铁路轨道历史维修自动识别方法 |
Non-Patent Citations (4)
Title |
---|
SCANLAN, KIRK ET.AL: "EVALUATING THE EQUIVALENCY BETWEEN TRACK QUALITY INDICES AND MINIMUM TRACK GEOMETRY THRESHOLD EXCEEDANCES ALONG A CANADIAN FREIGHT RAILWAY", 《PROCEEDINGS OF THE ASME JOINT RAIL CONFERENCE, 2016》, 8 September 2016 (2016-09-08) * |
李晨钟;何庆;陈嵘;王平;: "基于SARIMA时间序列模型的高速铁路桥梁段轨道高低不平顺劣化预测", 综合运输, no. 04, 20 April 2020 (2020-04-20), pages 92 - 97 * |
杨雅琴;徐鹏;李晔;孙全欣;: "适用复杂劣化趋势的轨道不平顺鲁棒建模方法", 交通运输系统工程与信息, no. 05, pages 160 - 166 * |
杨飞 等: "滑动标准差在轨道几何区段状态评价中的应用", 《铁道标准设计》, pages 10 - 13 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114818998A (zh) * | 2022-06-28 | 2022-07-29 | 浙江大学 | 一种无砟轨道基床翻浆冒泥病害状态判别方法 |
CN114818998B (zh) * | 2022-06-28 | 2022-09-13 | 浙江大学 | 一种无砟轨道基床翻浆冒泥病害状态判别方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Bevan et al. | Development and validation of a wheel wear and rolling contact fatigue damage model | |
CN108592853B (zh) | 轨道板拱起位置辨识方法、装置、存储介质及设备 | |
CN110533229B (zh) | 轨道维修时刻预测方法及装置 | |
CN107314776B (zh) | 一种基于铁路轨道检测数据进行里程校准的方法 | |
CN112766556B (zh) | 基于贝叶斯信息准则的铁路轨道历史维修自动识别方法 | |
CN113255825A (zh) | 一种轨道道床病害识别方法及装置 | |
CN110254478B (zh) | 路基变形病害识别方法及装置 | |
CN113420367B (zh) | 一种基于振动与噪声响应的地铁钢轨波磨检测方法与装置 | |
CN112380710A (zh) | 轨道板状态确定方法及装置 | |
CN112414651B (zh) | 基于移动式线路加载车的轨道刚度确定方法及装置 | |
CN108376293B (zh) | 一种基于模糊数学改进的层次分析法的zj17卷烟设备维修智能预测方法 | |
CN110503209B (zh) | 一种基于大数据的钢轨分析预警模型构建方法与系统 | |
CN116177146A (zh) | 一种基于ai与激光监测技术的输送皮带检测系统及方法 | |
CN117173661A (zh) | 基于计算机视觉的沥青道路质量检测方法 | |
US11560789B2 (en) | Method for pre-warning deformation of casing pipe according to change feature of b-value of hydraulic fracturing induced microseismicity | |
WO2017107790A1 (zh) | 一种基于大数据预测路段状况的方法及装置 | |
CN110555188A (zh) | 一种动车组车轮参数磨耗趋势的分析方法 | |
Thompson et al. | Predictive maintenance approaches based on continuous monitoring systems at Rio Tinto | |
Zhang et al. | Broken rail prediction with machine learning-based approach | |
JP2019035682A (ja) | ボルト緩み検査装置 | |
CN116296956A (zh) | 一种滚刀磨损检测方法和装置 | |
CN115271565A (zh) | 基于dea的高速公路路面养护措施评价方法、装置及设备 | |
CN114117687A (zh) | 一种轮对关键部件寿命预测模型构建、预测方法及系统 | |
CN113569491A (zh) | 一种轮对尺寸检测数据的分析和校正方法及装置 | |
CN102720118B (zh) | 一种确定路面检测宽度的方法 |
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 |