CN113267286B - 铁路弓网接触力识别方法及装置 - Google Patents
铁路弓网接触力识别方法及装置 Download PDFInfo
- Publication number
- CN113267286B CN113267286B CN202110752093.3A CN202110752093A CN113267286B CN 113267286 B CN113267286 B CN 113267286B CN 202110752093 A CN202110752093 A CN 202110752093A CN 113267286 B CN113267286 B CN 113267286B
- Authority
- CN
- China
- Prior art keywords
- data
- pantograph
- contact force
- vibration response
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01L—MEASURING FORCE, STRESS, TORQUE, WORK, MECHANICAL POWER, MECHANICAL EFFICIENCY, OR FLUID PRESSURE
- G01L5/00—Apparatus for, or methods of, measuring force, work, mechanical power, or torque, specially adapted for specific purposes
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
- G01H17/00—Measuring mechanical vibrations or ultrasonic, sonic or infrasonic waves, not provided for in the preceding groups
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01P—MEASURING LINEAR OR ANGULAR SPEED, ACCELERATION, DECELERATION, OR SHOCK; INDICATING PRESENCE, ABSENCE, OR DIRECTION, OF MOVEMENT
- G01P15/00—Measuring acceleration; Measuring deceleration; Measuring shock, i.e. sudden change of acceleration
-
- 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
- G06N3/08—Learning methods
Abstract
本发明提供了一种铁路弓网接触力识别方法及装置,该方法包括:获得弓网检测车采集的受电弓振动响应数据和弓网接触力数据;对弓网接触力数据进行滤波处理;对滤波处理后的弓网接触力数据进行区段大值提取,获得弓网接触力区段大值;对受电弓振动响应数据进行特征提取,获得受电弓振动响应特征数据;以受电弓振动响应特征数据和列车运行速度数据作为输入,以弓网接触力区段大值作为输出,训练LSTM神经网络模型,获得训练好的LSTM神经网络模型;在获得新的受电弓振动响应数据和列车运行速度数据后,输入至训练好的LSTM神经网络模型,获得铁路弓网接触力识别结果。本发明可以对铁路弓网接触力进行识别,效率高,成本低。
Description
技术领域
本发明涉及铁路弓网的基础设施检测技术领域,尤其涉及一种铁路弓网接触力识别方法及装置。
背景技术
电力机车通过受电弓滑板和接触网导线之间的滑动接触获取电能。列车运行中当受电弓通过相对静止的接触网时,接触网受到外力激励会在受电弓和接触网两个系统之间产生动态的相互作用,即弓网接触力。振动剧烈时,可能造成受电弓滑板与接触导线脱离接触,形成离线产生电弧和火花,加速设备的损伤并对通信产生电磁干扰;此外,还可能直接影响受流,造成供电瞬时中断使列车失去牵引力和制动力。为保证弓网可靠接触受流,弓网间必须保持一定规律的接触力。因此,保持弓网接触力在标准范围内可以提高弓网接触的可靠性,进而保障列车的运行安全。
近年来,国内外研发了接触式检测设备对弓网接触力进行动态检测。我国于2005年研制了车载弓网动态参数检测装置,可对弓网接触力和受电弓振动进行动态检测,多年采集积累了大量的弓网检测数据。德国研发的弓网接触力检测系统通过测量受电弓滑板支持机构对滑板的反作用力得到弓网接触力,这种检测系统结构简单,性能可靠。日本铁路部门采用受电弓弓体作用力平衡的方法测量弓网接触力,但是这种方法受限于测量弓体框架所受内力。因此后期研发了基于弓体振动传递函数的弓网接触力测量方法,可以从受电弓振动逆推得到弓网接触力。韩国弓网接触力检测系统是根据受电弓力平衡的原理,采用后向受电弓集流,前向受电弓作为紧急模式的设计测量弓网接触力。上述国内外研发的弓网接触力检测系统,均需安装多个传感器才可以实现对弓网接触力的测量,检测成本较高,检测装置安装维护不便,对弓网接触力的测量带来了严重影响,因此,目前需要一种低成本且快速进行铁路弓网接触力识别方法。
发明内容
本发明实施例提出一种铁路弓网接触力识别方法,用以对铁路弓网接触力进行识别,效率高,成本低,该方法包括:
获得弓网检测车采集的受电弓振动响应数据和弓网接触力数据;
对所述弓网接触力数据进行滤波处理,获得滤波处理后的弓网接触力数据;
对滤波处理后的弓网接触力数据进行区段大值提取,获得弓网接触力区段大值;
对受电弓振动响应数据进行特征提取,获得受电弓振动响应特征数据;
以受电弓振动响应特征数据和列车运行速度数据作为输入,以弓网接触力区段大值作为输出,训练LSTM神经网络模型,获得训练好的LSTM神经网络模型;
在获得新的受电弓振动响应数据和列车运行速度数据后,输入至训练好的LSTM神经网络模型,获得铁路弓网接触力识别结果。
本发明实施例提出一种铁路弓网接触力识别装置,用以对铁路弓网接触力进行识别,效率高,成本低,该装置包括:
数据采集模块,用于获得弓网检测车采集的受电弓振动响应数据和弓网接触力数据;
滤波处理模块,用于对所述弓网接触力数据进行滤波处理,获得滤波处理后的弓网接触力数据;
弓网接触力区段大值获得模块,用于对滤波处理后的弓网接触力数据进行区段大值提取,获得弓网接触力区段大值;
受电弓振动响应特征数据获得模块,用于对受电弓振动响应数据进行特征提取,获得受电弓振动响应特征数据;
神经网络模型获得模块,用于以受电弓振动响应特征数据和列车运行速度数据作为输入,以弓网接触力区段大值作为输出,训练LSTM神经网络模型,获得训练好的LSTM神经网络模型;
接触力识别模块,用于在获得新的受电弓振动响应数据和列车运行速度数据后,输入至训练好的LSTM神经网络模型,获得铁路弓网接触力识别结果。
本发明实施例还提出了一种计算机设备,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铁路弓网接触力识别方法。
本发明实施例还提出了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铁路弓网接触力识别方法的计算机程序。
在本发明实施例中,获得弓网检测车采集的受电弓振动响应数据和弓网接触力数据;对所述弓网接触力数据进行滤波处理,获得滤波处理后的弓网接触力数据;对滤波处理后的弓网接触力数据进行区段大值提取,获得弓网接触力区段大值;对受电弓振动响应数据进行特征提取,获得受电弓振动响应特征数据;以受电弓振动响应特征数据和列车运行速度数据作为输入,以弓网接触力区段大值作为输出,训练LSTM神经网络模型,获得训练好的LSTM神经网络模型;在获得新的受电弓振动响应数据和列车运行速度数据后,输入至训练好的LSTM神经网络模型,获得铁路弓网接触力识别结果。在上述实施例中,首先采集了大量的受电弓振动响应数据和弓网接触力数据,上述数据的采集不需要大量的传感器,尤其不需要压力传感器,降低了成本;对上述数据进行了处理,包括对所述弓网接触力数据进行滤波处理并进行了区段大值提取,对受电弓振动响应数据进行特征提取,上述处理后的数据准确度高,作为模型训练的训练数据训练出的LSTM神经网络模型的准确度更高,另外,LSTM神经网络模型对于铁路弓网接触力识别的准确度非常高。
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为本发明实施例中铁路弓网接触力识别方法的流程图;
图2为本发明实施例中构建LSTM神经网络模型的原理图;
图3-图6为本发明实施例中4个加速度传感器采集的受电弓振动加速度数据的波形示意图;
图7为本发明实施例中硬点检测数据的波形示意图;
图8为本发明实施例中弓网接触力数据的波形示意图;
图9-图12为本发明实施例中4组受电弓振动加速度数据的频域特征频谱图;
图13为本发明实施例中硬点检测数据的频域特征频谱图;
图14为本发明实施例中弓网接触力数据的频域特征频谱图;
图15-图18为本发明实施例中4组受电弓振动加速度时域特征数据的波形图;
图19为本发明实施例中硬点移动有效值的波形图;
图20为本发明实施例中弓网接触力区段大值的波形图;
图21为本发明实施例中铁路弓网接触力的第一组识别结果;
图22为本发明实施例中铁路弓网接触力的第二组识别结果;
图23为本发明实施例中铁路弓网接触力识别装置的示意图;
图24为本发明实施例中计算机设备的示意图。
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。
在本说明书的描述中,所使用的“包含”、“包括”、“具有”、“含有”等,均为开放性的用语,即意指包含但不限于。参考术语“一个实施例”、“一个具体实施例”、“一些实施例”、“例如”等的描述意指结合该实施例或示例描述的具体特征、结构或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。各实施例中涉及的步骤顺序用于示意性说明本发明的实施,其中的步骤顺序不作限定,可根据需要作适当调整。
图1为本发明实施例中铁路弓网接触力识别方法的流程图,如图1所示,该方法包括:
步骤101,获得弓网检测车采集的受电弓振动响应数据和弓网接触力数据;
步骤102,对所述弓网接触力数据进行滤波处理,获得滤波处理后的弓网接触力数据;
步骤103,对滤波处理后的弓网接触力数据进行区段大值提取,获得弓网接触力区段大值;
步骤104,对受电弓振动响应数据进行特征提取,获得受电弓振动响应特征数据;
步骤105,以受电弓振动响应特征数据和列车运行速度数据作为输入,以弓网接触力区段大值作为输出,训练LSTM神经网络模型,获得训练好的LSTM神经网络模型;
步骤106,在获得新的受电弓振动响应数据和列车运行速度数据后,输入至训练好的LSTM神经网络模型,获得铁路弓网接触力识别结果。
在本发明实施例中,首先采集了大量的受电弓振动响应数据和弓网接触力数据,上述数据的采集不需要大量的传感器,尤其不需要压力传感器,降低了成本;对上述数据进行了处理,包括对所述弓网接触力数据进行滤波处理并进行了区段大值提取,对受电弓振动响应数据进行特征提取,上述处理后的数据准确度高,作为模型训练的训练数据训练出的LSTM神经网络模型的准确度更高,另外,LSTM神经网络模型对于铁路弓网接触力识别的准确度非常高。
在现有技术中,在弓网接触力研究中,一般弓网接触力经常需要用到压力传感器采集的受电弓滑板支撑点传感器测量的压力,以及加速度传感器采集的震动加速度来进行计算,也就是说要用到大量的压力传感器和加速度传感器,成本较高,安装维护不便,对弓网接触力的测量带来了严重影响,而本发明实施例中,仅需要用到加速度传感器即可,成本低。
对于采集到的受电弓振动响应数据和弓网接触力数据来说,数据特征分为时域特征和频域特征,其作为LSTM神经网络模型的输入和输出对模型进行训练,最后输出模型,图2为本发明实施例中构建LSTM神经网络模型的原理图,首先对受电弓振动响应数据和弓网接触力数据进行时域分析和频域分析,其中频域分析主要是进行滤波处理,时域分析主要是进行弓网接触力区段大值统计;其次是进行模型训练,即以受电弓振动响应特征数据和列车运行速度数据作为输入,以弓网接触力区段大值作为输出,训练LSTM神经网络模型,获得训练好的LSTM神经网络模型;最后输出模型。
对于频域特征,采用数字信号处理技术,使用傅里叶变换和谱分析方法从频域角度观察数据的频率特征成分。将弓网检测数据结合时域与频域特征进行预处理,得到有效的特征数据是实现弓网接触力辨识的关键技术。
在一实施例中,所述受电弓振动响应数据为受电弓振动加速度数据,受电弓振动响应特征数据为受电弓振动加速度时域特征数据;
对受电弓振动响应数据进行特征提取,获得受电弓振动响应特征数据,包括:
对受电弓振动加速度数据进行滤波处理,获得滤波处理后的受电弓振动加速度数据;
从滤波处理后的受电弓振动加速度中提取受电弓振动加速度时域特征数据。
因此,对于受电弓振动加速度数据和弓网接触力数据来说,采用傅里叶分析方法对受电弓振动加速度和弓网接触力数据进行频域分析,通过快速傅里叶变换(FastFourier Transform,FFT),可以得到数据频域特征频谱图,弓网接触力数据中含有低频趋势项成分,受电弓振动加速度数据中含有高频的噪声干扰成分。因此,应当首先对是上述数据进行滤波处理,保留特征频率成分,滤除低频的趋势项和高频噪声的干扰。
在一实施例中,对所述弓网接触力数据进行滤波处理,包括:采用带通滤波器,对所述弓网接触力数据进行滤波处理;
对受电弓振动加速度数据进行滤波处理,包括:采用带通滤波器,对受电弓振动加速度数据进行滤波处理。
上述带通滤波器可以实现对低频的趋势项和高频噪声的干扰的滤除。
在步骤103中,对滤波处理后的弓网接触力数据进行区段大值提取,获得弓网接触力区段大值,例如,可在每个5米区段内对弓网接触力数据进行最大值提取,形成多个弓网接触力区段大值。
对于滤波处理后的受电弓振动加速度来说,需要提取受电弓振动加速度时域特征数据,可在5米区段内提取其最大值、最小值、均值、中位数、98%分位数、95%分位数、5%分位数和2%分位数的时域特征,形成受电弓振动加速度时域特征数据,当然,还可以有其他数据提取形式,相关变化例均应落入本发明的保护范围。
在一实施例中,所述受电弓振动响应数据为硬点检测数据,受电弓振动响应特征数据为硬点移动有效值;
对受电弓振动响应数据进行特征提取,获得受电弓振动响应特征数据,包括:
根据硬点检测数据,计算硬点移动有效值。
在上述实施例中,对于硬点检测数据,由于硬点检测数据分布在0~2500Hz宽频带范围内,其中包含着接触网对受电弓的冲击特征,因此计算其移动有效值可以得到硬点特征数据。求得的硬点移动有效值与硬点原始检测数据不同之处在于硬点移动有效值是一种低频信号,包含了接触网对受电弓的冲击特征,与弓网接触力的区段大值特征有较强的对应关系,可以作为LSTM神经网络模型在训练时的输入数据之一。
在一实施例中,采用如下公式,根据硬点检测数据,计算硬点移动有效值:
其中,sr为第r个硬点移动有效值;
xi为第i个硬点检测数据中的振动加速度信号;
K为向前加窗的窗长。
在上述实施例中,振动加速度信号的数据集合为{xi|i=1,2,…,N},N为振动加速度信号的长度,则硬点移动有效值的集合{sr|r=1,2,…,N-K+1}。K通常根据振动加速度信号的长度N确定。通过公式(1),可实现对硬点检测数据的高频特征进行平滑处理。
在步骤105,以受电弓振动响应特征数据和列车运行速度数据作为输入,以弓网接触力区段大值作为输出,训练LSTM神经网络模型,获得训练好的LSTM神经网络模型。
LSTM(Long Short-Term Memory)是一种循环神经网络,通过其输入门、遗忘门、输出门可避免循环神经网络中梯度消失和梯度爆炸等问题,适合处理和预测时间序列中间隔和延迟较长的数据。基于预处理后的受电弓振动数据和硬点特征数据,使用LSTM神经网络可对弓网接触力进行辨识。
通过上述实施例可见,本发明实施例提供两种模型训练的方式。
第一种,以受电弓振动加速度时域特征数据和列车运行速度数据作为输入,以弓网接触力区段大值作为输出,训练LSTM神经网络模型,获得训练好的LSTM神经网络模型。具体实施时,受电弓振动加速度一般是通过四个加速度传感器采集到的,因此,对应四组受电弓振动加速度时域特征数据,具体训练时,划分训练集和测试集的比例为7:3,当然,也可以为其他比例的数据,经过多次试验和参数调整,得到最后训练好的LSTM神经网络模型,其中训练参数包括隐含层节点数、学习率、训练次数和收敛误差。
第二种,以硬点移动有效值和列车运行速度数据作为输入,以弓网接触力区段大值作为输出,训练LSTM神经网络模型,获得训练好的LSTM神经网络模型。具体训练方式与第一种相同。
两种训练方式都能得到准确率较高的训练好的LSTM神经网络模型,后续应用时,在获得新的受电弓振动响应数据和列车运行速度数据后,输入至训练好的LSTM神经网络模型,获得铁路弓网接触力识别结果。
下面给出一个具体实施例,来说明应用本发明实施例提出的方法的具体应用。
首先,采集受电弓振动响应数据和弓网接触力数据,其中受电弓振动响应数据中的4个加速度传感器的受电弓振动加速度数据和硬点检测数据均采集。图3-图6为本发明实施例中4个加速度传感器采集的受电弓振动加速度数据的波形示意图,图7为本发明实施例中硬点检测数据的波形示意图,图8为本发明实施例中弓网接触力数据的波形示意图。上述波形均是弓网检测车通过等时间间隔采样的方式采集的。可以看出,弓网接触力数据和受电弓振动加速度数据具有线性组合比例叠加关系。
从频域角度分析,采用傅里叶分析方法对受电弓振动加速度数据和弓网接触力数据进行频域分析,通过快速傅里叶变换(Fast Fourier Transform,FFT),可以得到数据频域特征频谱图,图9-图12为本发明实施例中4组受电弓振动加速度数据的频域特征频谱图,图13为本发明实施例中硬点检测数据的频域特征频谱图,图14为本发明实施例中弓网接触力数据的频域特征频谱图,可以看出,四个受电弓振动加速度数据主要由150Hz以下的低频信号构成,硬点检测数据在0Hz至2500Hz范围内分布,弓网接触力主要由50Hz以下的低频信号构成。结合图3-图8可以发现弓网接触力数据中含有低频趋势项成分,受电弓振动加速度数据中含有高频的噪声干扰成分。因此,首先对弓受电弓振动加速度数据和弓网接触力数据进行滤波处理,保留特征频率成分,滤除低频的趋势项和高频噪声的干扰。具体实施时,受电弓振动加速度数据与弓网接触力数据主要分布在低频区段,50Hz以下的低频分量中包含了数据的主要信息,而1Hz以下的低频分量中包含着趋势项等干扰成分,因此使用带通滤波器对受电弓振动加速度数据和弓网接触力数据进行滤波处理。
在对滤波处理后的弓网接触力数据进行区段大值提取时,在每个5米区段内对弓网接触力进行最大值提取,获得弓网接触力区段大值。
从滤波处理后的受电弓振动加速度中提取受电弓振动加速度时域特征数据时,在5米区段内提取其最大值、最小值、均值、中位数、98%分位数、95%分位数、5%分位数和2%分位数的时域特征,作为受电弓振动加速度时域特征数据。
对于硬点检测数据,由于硬点分布在0~2500Hz宽频带范围内,其中包含着接触网对受电弓的冲击特征,因此使用公式(1)计算硬点移动有效值可以得到硬点特征数据。求得的硬点移动有效值与硬点原始检测数据不同之处在于硬点移动有效值是一种低频信号,包含了接触网对受电弓的冲击特征,与弓网接触力的区段大值特征有较强的对应关系,可以作为LSTM神经网络模型的输入数据之一。
图15-图18为本发明实施例中4组受电弓振动加速度时域特征数据的波形图,图19为本发明实施例中硬点移动有效值的波形图,图20为本发明实施例中弓网接触力区段大值的波形图。
采用第一种方式训练LSTM神经网络模型。
将四组受电弓振动加速度数据和列车运行速度数据作为输入,以弓网接触力区段大值作为输出,训练LSTM神经网络模型,训练集和测试集的比例为7:3,获得训练好的LSTM神经网络模型,经多次测试和实验调整参数后,平均训练时间为98.5s,得到的最优LSTM神经网络参数取值如表1所示。
表1 LSTM神经网络参数设置
参数 | 取值 |
隐含层节点数 | 8 |
学习率 | 0.001 |
训练次数 | 50 |
收敛误差 | 0.001 |
在获得新的受电弓振动响应数据和列车运行速度数据后,输入至训练好的LSTM神经网络模型,获得铁路弓网接触力识别结果,图21为本发明实施例中铁路弓网接触力的第一组识别结果,其中。
采用第二种方式训练LSTM神经网络模型。
以硬点移动有效值和列车运行速度数据作为输入,以弓网接触力区段大值作为输出,训练LSTM神经网络模型,训练集和测试集的比例为7:3,获得训练好的LSTM神经网络模型,经多次测试和实验调整参数后,平均训练时间为103.4s,得到的最优LSTM神经网络参数取值如表2所示。
表2 LSTM神经网络参数设置
参数 | 取值 |
隐含层节点数 | 224 |
学习率 | 0.001 |
训练次数 | 50 |
收敛误差 | 0.001 |
在获得新的受电弓振动响应数据和列车运行速度数据后,输入至训练好的LSTM神经网络模型,获得铁路弓网接触力识别结果,图22为本发明实施例中铁路弓网接触力第二组识别结果。
通过相关系数r可以度量两组数据之间线性相关程度,能够反映数据之间的相似性。当0<r≤1时,表示两组数据正相关;当-1≤r<0时,表示两组数据负相关;当r=0时,表示两组数据之间不存在线性相关性。
采用本发明方法获得的弓网接触力和实测弓网接触力间的相关系数对比如表3所示。
表3
结果表明,使用4组受电弓振动加速度数据对应的受电弓振动加速度时域特征数据和列车运行速度数据作为输入训练的LSTM神经网络模型对弓网接触力区段大值的辨识结果较高,测试集最高相关系数0.732;使用左、右侧硬点检测数据对应的硬点移动有效值和列车运行速度数据作为输入训练的LSTM神经网络模型对弓网接触力区段大值辨识亦能取得较为满意的结果,测试集最高相关系数0.540。
使用4组受电弓振动加速度数据建立的LSTM神经网络模型较使用左、右两侧硬点检测数据建立的LSTM神经网络模型有更好的辨识效果,可见输入数据的维度越高,含有的特征信息越全面,建立的模型辨识效果越好。
综上所述,在本发明实施例提出的方法中,获得弓网检测车采集的受电弓振动响应数据和弓网接触力数据;对所述弓网接触力数据进行滤波处理,获得滤波处理后的弓网接触力数据;对滤波处理后的弓网接触力数据进行区段大值提取,获得弓网接触力区段大值;对受电弓振动响应数据进行特征提取,获得受电弓振动响应特征数据;以受电弓振动响应特征数据和列车运行速度数据作为输入,以弓网接触力区段大值作为输出,训练LSTM神经网络模型,获得训练好的LSTM神经网络模型;在获得新的受电弓振动响应数据和列车运行速度数据后,输入至训练好的LSTM神经网络模型,获得铁路弓网接触力识别结果。在上述实施例中,首先采集了大量的受电弓振动响应数据和弓网接触力数据,上述数据的采集不需要大量的传感器,尤其不需要压力传感器,降低了成本;对上述数据进行了处理,包括对所述弓网接触力数据进行滤波处理并进行了区段大值提取,对受电弓振动响应数据进行特征提取,上述处理后的数据准确度高,作为模型训练的训练数据训练出的LSTM神经网络模型的准确度更高,另外,LSTM神经网络模型对于铁路弓网接触力识别的准确度非常高。
本发明实施例还提出一种铁路弓网接触力识别装置,其原理与铁路弓网接触力识别方法类似,这里不再赘述。
图23为本发明实施例中铁路弓网接触力识别装置的示意图,如图23所示,该装置包括:
数据采集模块2301,用于获得弓网检测车采集的受电弓振动响应数据和弓网接触力数据;
滤波处理模块2302,用于对所述弓网接触力数据进行滤波处理,获得滤波处理后的弓网接触力数据;
弓网接触力区段大值获得模块2303,用于对滤波处理后的弓网接触力数据进行区段大值提取,获得弓网接触力区段大值;
受电弓振动响应特征数据获得模块2304,用于对受电弓振动响应数据进行特征提取,获得受电弓振动响应特征数据;
神经网络模型获得模块2305,用于以受电弓振动响应特征数据和列车运行速度数据作为输入,以弓网接触力区段大值作为输出,训练LSTM神经网络模型,获得训练好的LSTM神经网络模型;
接触力识别模块2306,用于在获得新的受电弓振动响应数据和列车运行速度数据后,输入至训练好的LSTM神经网络模型,获得铁路弓网接触力识别结果。
在一实施例中,所述受电弓振动响应数据为受电弓振动加速度数据,受电弓振动响应特征数据为受电弓振动加速度时域特征数据;
滤波处理模块还用于:对受电弓振动加速度数据进行滤波处理,获得滤波处理后的受电弓振动加速度数据;
受电弓振动响应特征数据获得模块具体用于:从滤波处理后的受电弓振动加速度中提取受电弓振动加速度时域特征数据。
在一实施例中,滤波处理模块具体用于:
采用带通滤波器,对所述弓网接触力数据进行滤波处理;
采用带通滤波器,对弓网加速度数据进行滤波处理。
在一实施例中,所述受电弓振动响应数据为硬点检测数据,受电弓振动响应特征数据为硬点移动有效值;
受电弓振动响应特征数据获得模块具体用于:根据硬点检测数据,计算硬点移动有效值。
在一实施例中,受电弓振动响应特征数据获得模块具体用于:采用如下公式,根据硬点检测数据,计算硬点移动有效值:
其中,sr为第r个硬点移动有效值;
xi为第i个硬点检测数据中的振动加速度信号;
K为向前加窗的窗长。
综上所述,在本发明实施例提出的装置中,获得弓网检测车采集的受电弓振动响应数据和弓网接触力数据;对所述弓网接触力数据进行滤波处理,获得滤波处理后的弓网接触力数据;对滤波处理后的弓网接触力数据进行区段大值提取,获得弓网接触力区段大值;对受电弓振动响应数据进行特征提取,获得受电弓振动响应特征数据;以受电弓振动响应特征数据和列车运行速度数据作为输入,以弓网接触力区段大值作为输出,训练LSTM神经网络模型,获得训练好的LSTM神经网络模型;在获得新的受电弓振动响应数据和列车运行速度数据后,输入至训练好的LSTM神经网络模型,获得铁路弓网接触力识别结果。在上述实施例中,首先采集了大量的受电弓振动响应数据和弓网接触力数据,上述数据的采集不需要大量的传感器,尤其不需要压力传感器,降低了成本;对上述数据进行了处理,包括对所述弓网接触力数据进行滤波处理并进行了区段大值提取,对受电弓振动响应数据进行特征提取,上述处理后的数据准确度高,作为模型训练的训练数据训练出的LSTM神经网络模型的准确度更高,另外,LSTM神经网络模型对于铁路弓网接触力识别的准确度非常高。
本发明的实施例还提供一种计算机设备,图24为本发明实施例中计算机设备的示意图,该计算机设备能够实现上述实施例中的铁路弓网接触力识别方法中全部步骤,所述计算机设备具体包括如下内容:
处理器(processor)2401、存储器(memory)2402、通信接口(CommunicationsInterface)2403和通信总线2404;
其中,所述处理器2401、存储器2402、通信接口2403通过所述通信总线2404完成相互间的通信;所述通信接口2403用于实现服务器端设备、检测设备以及用户端设备等相关设备之间的信息传输;
所述处理器2401用于调用所述存储器2402中的计算机程序,所述处理器执行所述计算机程序时实现上述实施例中的铁路弓网接触力识别方法中的全部步骤。
本发明的实施例还提供一种计算机可读存储介质,能够实现上述实施例中的铁路弓网接触力识别方法中全部步骤,所述计算机可读存储介质上存储有计算机程序,该计算机程序被处理器执行时实现上述实施例中的铁路弓网接触力识别方法的全部步骤。
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)
1.一种铁路弓网接触力识别方法,其特征在于,包括:
获得弓网检测车采集的受电弓振动响应数据和弓网接触力数据;
对所述弓网接触力数据进行滤波处理,获得滤波处理后的弓网接触力数据;
对滤波处理后的弓网接触力数据进行区段大值提取,获得弓网接触力区段大值;
对受电弓振动响应数据进行特征提取,获得受电弓振动响应特征数据;
以受电弓振动响应特征数据和列车运行速度数据作为输入,以弓网接触力区段大值作为输出,训练LSTM神经网络模型,获得训练好的LSTM神经网络模型;
在获得新的受电弓振动响应数据和列车运行速度数据后,输入至训练好的LSTM神经网络模型,获得铁路弓网接触力识别结果;
所述受电弓振动响应数据为硬点检测数据,受电弓振动响应特征数据为硬点移动有效值;
对受电弓振动响应数据进行特征提取,获得受电弓振动响应特征数据,包括:根据硬点检测数据,计算硬点移动有效值。
2.如权利要求1所述的铁路弓网接触力识别方法,其特征在于,所述受电弓振动响应数据为受电弓振动加速度数据,受电弓振动响应特征数据为受电弓振动加速度时域特征数据;
对受电弓振动响应数据进行特征提取,获得受电弓振动响应特征数据,包括:
对受电弓振动加速度数据进行滤波处理,获得滤波处理后的受电弓振动加速度数据;
从滤波处理后的受电弓振动加速度中提取受电弓振动加速度时域特征数据。
3.如权利要求2所述的铁路弓网接触力识别方法,其特征在于,对所述弓网接触力数据进行滤波处理,包括:采用带通滤波器,对所述弓网接触力数据进行滤波处理;
对受电弓振动加速度数据进行滤波处理,包括:采用带通滤波器,对受电弓振动加速度数据进行滤波处理。
5.一种铁路弓网接触力识别装置,其特征在于,包括:
数据采集模块,用于获得弓网检测车采集的受电弓振动响应数据和弓网接触力数据;
滤波处理模块,用于对所述弓网接触力数据进行滤波处理,获得滤波处理后的弓网接触力数据;
弓网接触力区段大值获得模块,用于对滤波处理后的弓网接触力数据进行区段大值提取,获得弓网接触力区段大值;
受电弓振动响应特征数据获得模块,用于对受电弓振动响应数据进行特征提取,获得受电弓振动响应特征数据;
神经网络模型获得模块,用于以受电弓振动响应特征数据和列车运行速度数据作为输入,以弓网接触力区段大值作为输出,训练LSTM神经网络模型,获得训练好的LSTM神经网络模型;
接触力识别模块,用于在获得新的受电弓振动响应数据和列车运行速度数据后,输入至训练好的LSTM神经网络模型,获得铁路弓网接触力识别结果;
所述受电弓振动响应数据为硬点检测数据,受电弓振动响应特征数据为硬点移动有效值;
受电弓振动响应特征数据获得模块具体用于:根据硬点检测数据,计算硬点移动有效值。
6.如权利要求5所述的铁路弓网接触力识别装置,其特征在于,所述受电弓振动响应数据为受电弓振动加速度数据,受电弓振动响应特征数据为受电弓振动加速度时域特征数据;
滤波处理模块还用于:对受电弓振动加速度数据进行滤波处理,获得滤波处理后的受电弓振动加速度数据;
受电弓振动响应特征数据获得模块具体用于:从滤波处理后的受电弓振动加速度中提取受电弓振动加速度时域特征数据。
7.如权利要求6所述的铁路弓网接触力识别装置,其特征在于,滤波处理模块具体用于:
采用带通滤波器,对所述弓网接触力数据进行滤波处理;
采用带通滤波器,对受电弓振动加速度数据进行滤波处理。
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4任一项所述方法。
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4任一项所述方法的计算机程序。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110752093.3A CN113267286B (zh) | 2021-07-02 | 2021-07-02 | 铁路弓网接触力识别方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110752093.3A CN113267286B (zh) | 2021-07-02 | 2021-07-02 | 铁路弓网接触力识别方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113267286A CN113267286A (zh) | 2021-08-17 |
CN113267286B true CN113267286B (zh) | 2022-12-13 |
Family
ID=77236409
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110752093.3A Active CN113267286B (zh) | 2021-07-02 | 2021-07-02 | 铁路弓网接触力识别方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113267286B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113532835A (zh) * | 2021-08-18 | 2021-10-22 | 中国国家铁路集团有限公司 | 铁路接触网硬点诊断方法及装置 |
CN113610188B (zh) * | 2021-08-20 | 2024-04-30 | 中国铁道科学研究院集团有限公司 | 弓网接触力非区段异常识别方法及装置 |
CN114414116B (zh) * | 2021-12-31 | 2023-08-01 | 成都唐源电气股份有限公司 | 一种基于三轴加速度的弓网接触力分析方法 |
CN117309875B (zh) * | 2023-09-20 | 2024-04-09 | 北京运达华开科技有限公司 | 一种非接触式弓网接触硬点检测装置和方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2003156397A (ja) * | 2001-11-19 | 2003-05-30 | Railway Technical Res Inst | パンタグラフの接触力測定方法及び接触力測定装置 |
CN102521651A (zh) * | 2011-12-22 | 2012-06-27 | 北京交通大学 | 基于narx神经网络的弓网接触力预测方法 |
CN107621319A (zh) * | 2017-09-29 | 2018-01-23 | 西南交通大学 | 一种弓网接触力测量方法及其测量装置 |
CN110987348A (zh) * | 2019-12-19 | 2020-04-10 | 中国国家铁路集团有限公司 | 基于弓网动态响应的接触网硬点确定方法及装置 |
CN111474432A (zh) * | 2020-04-23 | 2020-07-31 | 朔黄铁路发展有限责任公司 | 列车弓网受流工况测试方法、装置、设备和存储介质 |
-
2021
- 2021-07-02 CN CN202110752093.3A patent/CN113267286B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2003156397A (ja) * | 2001-11-19 | 2003-05-30 | Railway Technical Res Inst | パンタグラフの接触力測定方法及び接触力測定装置 |
CN102521651A (zh) * | 2011-12-22 | 2012-06-27 | 北京交通大学 | 基于narx神经网络的弓网接触力预测方法 |
CN107621319A (zh) * | 2017-09-29 | 2018-01-23 | 西南交通大学 | 一种弓网接触力测量方法及其测量装置 |
CN110987348A (zh) * | 2019-12-19 | 2020-04-10 | 中国国家铁路集团有限公司 | 基于弓网动态响应的接触网硬点确定方法及装置 |
CN111474432A (zh) * | 2020-04-23 | 2020-07-31 | 朔黄铁路发展有限责任公司 | 列车弓网受流工况测试方法、装置、设备和存储介质 |
Non-Patent Citations (2)
Title |
---|
一种新型的接触网检测系统研究;冯超;《智能城市》;20160525(第05期);64、66 * |
基于NARMA-L2模型的弓网系统振动主动控制;刘仕兵等;《计算机测量与控制》;20150325;第23卷(第03期);818-820 * |
Also Published As
Publication number | Publication date |
---|---|
CN113267286A (zh) | 2021-08-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113267286B (zh) | 铁路弓网接触力识别方法及装置 | |
CN102832908B (zh) | 基于小波变换与变步长lms自适应滤波的信号降噪方法 | |
CN102680860B (zh) | 一种高压电力线路行波测距用故障点自动定位方法 | |
CN109855874B (zh) | 一种声音辅助振动微弱信号增强检测的随机共振滤波器 | |
CN107402131B (zh) | 一种基于轨边声学信号时频脊线的高速列车运动参数识别方法 | |
CN113343928B (zh) | 变速路段高速铁路钢轨波磨检测方法及装置、计算机设备 | |
CN103886871A (zh) | 语音端点的检测方法和装置 | |
CN111044814B (zh) | 一种对变压器直流偏磁异常进行辨识的方法及系统 | |
CN101426169B (zh) | 一种快速检测发声体声响应参数的时域跟踪滤波器及系统 | |
CN113192532A (zh) | 一种基于mfcc-cnn的矿井提升机故障声学分析方法 | |
CN109696609A (zh) | 一种新型弓网受流质量的获取方法及其获取系统 | |
CN109655267B (zh) | 一种汽车轮毂轴承故障特征提取方法 | |
CN103175897B (zh) | 一种基于振动信号端点检测的高速道岔伤损识别方法 | |
CN104089699A (zh) | 一种变电站设备声音重建算法 | |
CN102592589A (zh) | 一种动态归一化数字特征的语音评分方法与装置 | |
CN104095630B (zh) | 一种基于脑电相位同步的疲劳检测方法 | |
CN115358088A (zh) | 一种基于高速列车激励动力响应的桥梁影响线识别方法 | |
CN102988041A (zh) | 心磁信号噪声抑制中的信号选择性平均方法 | |
CN111239597A (zh) | 一种基于音频信号特征来表征交流接触器电寿命的方法 | |
CN103310800B (zh) | 一种抗噪声干扰的浊语音检测方法及系统 | |
CN102305661A (zh) | 一种斜拉桥拉索振动信号的降噪处理方法 | |
CN114089224B (zh) | 一种利用声音检测判断变压器铁芯松动的方法及系统 | |
CN110706721A (zh) | 基于bp神经网络的电除尘火花放电识别方法 | |
CN106813784B (zh) | 一种实时微波脉冲啁啾检测装置及其检测方法 | |
CN202454260U (zh) | 一种动态归一化数字特征的语音评分装置 |
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 |