CN113312715B - 一种有轨电车槽型轨扭曲不平顺预测方法 - Google Patents

一种有轨电车槽型轨扭曲不平顺预测方法 Download PDF

Info

Publication number
CN113312715B
CN113312715B CN202110503172.0A CN202110503172A CN113312715B CN 113312715 B CN113312715 B CN 113312715B CN 202110503172 A CN202110503172 A CN 202110503172A CN 113312715 B CN113312715 B CN 113312715B
Authority
CN
China
Prior art keywords
sequence
distortion
track
irregularity
value
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
CN202110503172.0A
Other languages
English (en)
Other versions
CN113312715A (zh
Inventor
谢勇君
黎晨
凡鸿儒
黄佳滨
贺志超
殷怡
武建华
严冬松
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.)
Jinan University
Original Assignee
Jinan University
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 Jinan University filed Critical Jinan University
Priority to CN202110503172.0A priority Critical patent/CN113312715B/zh
Publication of CN113312715A publication Critical patent/CN113312715A/zh
Application granted granted Critical
Publication of CN113312715B publication Critical patent/CN113312715B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/17—Mechanical parametric or variational design
    • 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
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B61—RAILWAYS
    • B61L—GUIDING RAILWAY TRAFFIC; ENSURING THE SAFETY OF RAILWAY TRAFFIC
    • B61L23/00—Control, warning or like safety means along the route or between vehicles or trains
    • B61L23/04—Control, warning or like safety means along the route or between vehicles or trains for monitoring the mechanical state of the route
    • B61L23/042—Track changes detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/12—Edge-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection
    • 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
    • G06T2207/10004—Still image; Photographic image
    • G06T2207/10012—Stereo images
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Geometry (AREA)
  • Strategic Management (AREA)
  • Mechanical Engineering (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Operations Research (AREA)
  • Mathematical Analysis (AREA)
  • Marketing (AREA)
  • Game Theory and Decision Science (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Development Economics (AREA)
  • Computational Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computer Hardware Design (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Length Measuring Devices With Unspecified Measuring Means (AREA)
  • Machines For Laying And Maintaining Railways (AREA)

Abstract

本发明公开了一种有轨电车槽型轨扭曲不平顺预测方法，该方法包括以下步骤：轨道轮廓数据检测步骤：基于激光传感器采集轨道的断面轮廓数据，对断面轮廓数据进行修正处理得到轨道轮廓图像；扭曲不平顺值计算步骤：建立坐标，得到轨道点的三维坐标，基于各轨道点相对坐标计算扭曲不平顺值；扭曲不平顺值序列预测分析步骤：根据扭曲不平顺值预测非等时间距灰色得到扭曲不平顺值序列，评价预测误差，扭曲不平顺值序列经过评价合格后，用于预测未来扭曲不平顺值发展趋势。本发明与传统的人工检测相比，提高了有轨电车槽型轨扭曲不平顺检测精度，实现了对轨道扭曲不平顺变化趋势的预测。

Description

一种有轨电车槽型轨扭曲不平顺预测方法
技术领域
本发明涉及轨道参数检测领域及数据处理领域，尤其涉及一种有轨电车槽型轨扭曲不平顺预测方法。
背景技术
近年来，国内现代有轨电车主要采用槽型轨道，但目前对于有轨电车槽型轨参数检测方法绝大多数使用人工检测，这种方法检测精度不高且工作效率低下，而且缺少对于有轨电车槽型轨相关参数的预测分析。
西南交通大学针对轨道磨耗参数影响研究出了一种基于非接触式光学测量的槽型轨磨耗检测方法，利用图像处理结合Hausdorff距离轮廓匹配方法对轨道磨耗进行测量，但此方法只对磨耗进行检测，无法满足对轨道扭曲不平顺的检测与预测。
扭曲不平顺是槽型轨轨道不平顺其中一个重要的参数，指两股钢轨顶面的共面性，对列车运行安全可靠、平稳有很大的影响；若扭曲数值过大时，会引起车辆转向架出现三轮支撑一轮悬浮的状态，甚至发生侧翻，严重危及行车安全，因此研究一种有轨电车槽型轨扭曲不平顺检测与预测分析方法及其系统有很高的价值。
发明内容
为了克服现有技术存在的缺陷与不足，本发明提供了一种有轨电车槽型轨扭曲不平顺预测方法，通过采集轨道轮廓数据计算扭曲不平顺值检查轨道是否存在安全隐患，通过对轨道长期进行检测得到的轨道扭曲不平顺值进行预测分析，预测变化趋势，为轨道养护优化提供建议。
为了达到上述目的，本发明采用以下技术方案：
一种有轨电车槽型轨扭曲不平顺预测方法，包括以下步骤：
轨道轮廓数据检测步骤：基于激光传感器采集轨道的断面轮廓数据，对断面轮廓数据进行修正处理得到轨道轮廓图像；
扭曲不平顺值计算步骤：基于轨道轮廓图像建立坐标，根据各轨道点相对坐标计算扭曲不平顺值；
扭曲不平顺值序列预测分析步骤：根据扭曲不平顺值预测非等时间距灰色得到扭曲不平顺值序列，评价预测误差，所述扭曲不平顺值序列经过评价合格后，用于预测未来扭曲不平顺值发展趋势。
作为优选的技术方案，所述轨道轮廓数据检测步骤，具体步骤包括：
通过两台2D激光传感器利用激光三角原理垂直照射轨道，获取轨道的断面轮廓数据；
利用轨道滤波算法将得到的轨道轮廓进行修正，去除干扰点得到精准的轨道轮廓图像；
基于水平切面选取轨顶面特征点。
作为优选的技术方案，所述基于水平切面选取轨顶面特征点，具体为：水平切面分别与第一轨道、第二轨道的顶面平行时，靠近两轨道内侧且与水平切面相交于第一内侧交点、第二内侧交点，将第一内侧交点、第二内侧交点作为选取的轨顶面特征点。
作为优选的技术方案，所述扭曲不平顺值计算步骤，具体步骤包括：
基于轨道轮廓图像建立三维坐标，确认检测基长上各轨道点的相对坐标点
求取标准轨道平面的方程,计算扭曲值，所述扭曲值具体为轨道扭曲点到标准轨道平面的距离。
作为优选的技术方案，所述根据扭曲不平顺值预测非等时间距灰色得到扭曲不平顺值序列，具体步骤包括：
计算扭曲不平顺值序列预级比进行检验光滑性；
若满足预设筛选区间
Figure BDA0003057209350000031
则进行后续预测，若不满足则对原始序列x(0)(ti)(i＝2,3,…n)进行整体平移直至满足区间，其中
Figure BDA0003057209350000032
分别表示预设筛选区间的最小临界值、最大临界值，n为正整数；
计算时间间隔序列，根据时间间隔序列生成基于时间的扭曲不平顺值序列并进行还原。
作为优选的技术方案，所述计算时间间隔序列，具体根据以下公式计算时间间隔序列：
Δti＝ti-ti-1(i＝2,3,…,n)；
其中ti为i时刻的时间点、ti-1为i-1时刻的时间点，n为正整数。
作为优选的技术方案，所述根据时间间隔序列生成基于时间的扭曲不平顺值序列并进行还原，具体步骤包括：
对原始序列进行累加生成基于时间的扭曲不平顺值序列，具体根据式
Figure BDA0003057209350000033
得到，x(1)(ti)(i＝2,3…n)表示基于时间的扭曲不平顺值序列，Δti表示时间间隔序列，k为正整数且小于i；
建立基于时间的扭曲不平顺值序列的微分方程，进行积分、离散化得到差分方程，具体为：根据式
Figure BDA0003057209350000034
建立微分方程，等式两边在区间[ti-1,ti]上同时进行积分，并进行离散化得到差分方程x(0)(ti)Δti+mz(1)(ti)＝qΔti，并根据式
Figure BDA0003057209350000035
对模型背景值进行优化；
利用最小二乘法计算微分方程的第一方程系数、第二方程系数，具体为：根据式(m,q)T＝(BTB)-1BTY，矩阵
Figure BDA0003057209350000041
利用最小二乘法求解m、q值，其中m、q分别表示微分方程的第一方程系数、第二方程系数，z(tn)表示计算优化的背景值；
预测分析并还原扭曲不平顺值序列。
作为优选的技术方案，所述预测分析并还原扭曲不平顺值序列，具体包括以下步骤：
根据式
Figure BDA0003057209350000042
进行预测分析，其中
Figure BDA0003057209350000043
表示预测分析方程系数，
Figure BDA0003057209350000044
表示预测得到的ti时刻时未还原的扭曲不平顺值序列；
根据式
Figure BDA0003057209350000045
还原得到扭曲不平顺预测序列，
Figure BDA0003057209350000046
表示ti时刻时还原得到扭曲不平顺值序列。
作为优选的技术方案，所述评价预测误差，具体包括以下步骤：
计算初步预测的第一误差序列，具体根据式
Figure BDA0003057209350000047
得到初步预测的第一误差序列，其中ε(0)(k)表示初步预测的第k个误差值；
对第一误差序列进行正化处理得到第二误差序列，具体为：根据式ε`(0)(k)＝ε(0)(k)+2*|ε(0) min|对第一误差序列进行正化处理得到第二误差序列，其中ε(0) min为原始误差序列最小值；
对第二误差序列进行灰色预测修正得到第三误差序列，具体根据式
Figure BDA0003057209350000051
还原得到第三误差序列；
根据第三误差序列判断扭曲不平顺值序列是否合格
本发明与现有技术相比，具有如下优点和有益效果：
(1)本发明对槽型轨轨道轮廓数据进行采集，通过扭曲不平顺算法得到扭曲值及基于GM(1,1)误差修正的不等时灰色预测模型对扭曲值进行预测分析，本发明与传统的人工检测相比，提高了有轨电车槽型轨扭曲不平顺检测精度，实现了对轨道扭曲不平顺变化趋势的预测，填补了有轨电车槽型轨扭曲不平顺预测分析的空缺。
附图说明
图1为本发明实施例1中有轨电车槽型轨扭曲不平顺预测方法的步骤流程图；
图2为本发明实施例1中轨顶面特征点的示意图；
图3为本发明实施例1中轨道出现扭曲不平顺情况的示意图；
其中，1-第一内侧交点，2-第二内侧交点，3-第一轨道，4-第二轨道。
具体实施方式
在本公开的描述中，需要说明的是，术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。同样，“一个”、“一”或者“该”等类似词语也不表示数量限制，而是表示存在至少一个。“包括”或者“包含”等类似的词语意指出现在该词前面的元素或者物件涵盖出现在该词后面列举的元素或者物件及其等同，而不排除其他元素或者物件。“连接”或者“相连”等类似的词语并非限定于物理的或者机械的连接，而是可以包括电性的连接，不管是直接的还是间接的。
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
实施例
实施例1
如图1所示，本实施例提供了一种有轨电车槽型轨扭曲不平顺预测方法，该方法包括以下步骤：
轨道轮廓数据检测步骤：基于激光传感器采集轨道的断面轮廓数据，对断面轮廓数据进行修正处理得到轨道轮廓图像；
扭曲不平顺值计算步骤：基于轨道轮廓图像建立坐标，根据各轨道点相对坐标计算扭曲不平顺值；
扭曲不平顺值序列预测分析步骤：根据扭曲不平顺值预测非等时间距灰色得到扭曲不平顺值序列，评价预测误差。
在本实施例中，轨道轮廓数据检测步骤，具体步骤包括：
通过两台2D激光传感器利用激光三角原理垂直照射轨道，获取轨道的断面轮廓数据；
利用轨道滤波算法将得到的轨道轮廓进行修正，去除干扰点得到精准的轨道轮廓图像；
基于水平切面选取轨顶面特征点。
如图2所示，本实施例以其中一个时刻点对两轨道做截面图为例，基于水平切面选取轨顶面特征点，具体为：水平切面分别与第一轨道3、第二轨道4的顶面平行时，靠近两轨道内侧且与水平切面相交于第一内侧交点1、第二内侧交点2，将第一内侧交点1、第二内侧交点2作为选取的轨顶面特征点。
在本实施例中，由处理器通过以太网将轨道的断面轮廓数据发送至上位机进行进一步的修正处理。
在本实施例中，扭曲不平顺值计算步骤，具体步骤包括：
基于轨道轮廓图像建立三维坐标，确认检测基长上各轨道点的相对坐标点，具体如图3所示。AC、BD`为扭曲不平顺检测的一段3m的检测基长，其中轨道D点为轨道扭曲点，轨道D点相对于标准设计轨道D`点发生了扭曲，ABCD四个点所在平面偏离了初始设计标准轨道平面，扭曲值大小即为DD`的长度h，确定轨道点A、B、C、D的相对坐标。实际应用时，三维坐标具体为三维笛卡尔坐标。
求取标准轨道平面ABC的方程,计算轨道扭曲点到标准轨道平面ABC的距离即为扭曲值h；
在本实施例中，根据扭曲不平顺值预测非等时间距灰色得到扭曲不平顺值序列，具体步骤包括：
计算扭曲不平顺值序列预级比进行检验光滑性，实际应用时，根据式
Figure BDA0003057209350000071
计算扭曲不平顺值序列预级比，其中λ(ti)表示ti时刻的扭曲不平顺预级比，n为正整数，x(0)(ti)(i＝2,3,…n)表示计算得到的扭曲不平顺值序列；
若满足预设筛选区间
Figure BDA0003057209350000072
则进行后续预测，若不满足则对原始序列x(0)(ti)(i＝2,3,…n)进行整体平移直至满足区间，其中
Figure BDA0003057209350000073
分别表示预设筛选区间的最小临界值、最大临界值，n为正整数；
计算时间间隔序列，根据时间间隔序列生成基于时间的扭曲不平顺值序列并进行还原。实际应用时，根据如下公式计算时间间隔序列：
Δti＝ti-ti-1(i＝2,3,…,n)；
其中ti为i时刻的时间点、ti-1为i-1时刻的时间点，n为正整数。
对原始序列进行累加生成基于时间的扭曲不平顺值序列。实际应用时，具体根据如下基于时间的扭曲不平顺值序列计算公式生成基于时间的扭曲不平顺值序列：
Figure BDA0003057209350000081
其中x(1)(ti)(i＝2,3…n)表示基于时间的扭曲不平顺值序列，Δti表示时间间隔序列，k为正整数且小于i。
建立基于时间的扭曲不平顺值序列的微分方程，进行积分、离散化得到差分方程。实际应用时，建立基于时间的扭曲不平顺值序列的微分方程：
Figure BDA0003057209350000082
在区间[ti-1,ti]上对等式两边同时积分，并进行离散化得到差分方程：
x(0)(ti)Δti+mz(1)(ti)＝qΔti；
根据模型背景值优化公式对模型背景值进行优化：
Figure BDA0003057209350000083
利用最小二乘法计算微分方程的第一方程系数、第二方程系数。实际应用时，根据式(m,q)T＝(BTB)-1BTY、矩阵
Figure BDA0003057209350000084
并结合最小二乘法求解m、q值，其中m、q分别表示微分方程的第一方程系数、第二方程系数，z(tn)表示计算优化的背景值。
预测分析并还原扭曲不平顺值序列。
实际应用时，根据式
Figure BDA0003057209350000091
进行预测分析，其中
Figure BDA0003057209350000092
表示预测分析方程系数，
Figure BDA0003057209350000093
表示预测得到的ti时刻时未还原的扭曲不平顺值序列；
根据式
Figure BDA0003057209350000094
还原得到扭曲不平顺预测序列，
Figure BDA0003057209350000095
表示ti时刻时还原得到扭曲不平顺值序列。
在本实施例中，评价预测误差，具体包括以下步骤：
根据式
Figure BDA0003057209350000096
计算得到初步预测的第一误差序列，其中ε(0)(k)表示初步预测的第k个误差值；
根据式ε`(0)(k)＝ε(0)(k)+2*|ε(0) min|对第一误差序列进行正化处理得到第二误差序列，其中ε(0) min为原始误差序列最小值；
对第二误差序列进行灰色预测修正得到第三误差序列，具体根据式
Figure BDA0003057209350000097
还原得到第三误差序列；
根据第三误差序列判断扭曲不平顺值序列是否合格。
在本实施例中，经过评价合格后的扭曲不平顺值序列用于预测未来扭曲不平顺值发展趋势。
实施例2
本实施例提供了一种用于检验实施例1中有轨电车槽型轨扭曲不平顺预测方法的预测精度的方法，该方法包括以下步骤：
根据式
Figure BDA0003057209350000098
计算得到修正后的预测值，x(ti)表示修正后时刻ti的预测值；
计算得到修正后的预测值与原始值的示值误差序列，计算其示值误差的算数平均值ε，与标准差s1；
计算原始序列的标准差s2；
根据式
Figure BDA0003057209350000101
以及
Figure BDA0003057209350000102
计算模型精度P与后验差比值C；
根据标准预测精度表标准进行分析比较整个系统模型精度。
表1：标准预测精度表
Figure BDA0003057209350000103
如表1所示，为本实施例中标准预测精度表，根据模型精度共分为4个等级，模型精度对应不同的后验差，模型等级从I至IV的顺序依次评价由优至劣。
上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。

Claims (7)

1.一种有轨电车槽型轨扭曲不平顺预测方法，其特征在于，包括以下步骤：
轨道轮廓数据检测步骤：基于激光传感器采集轨道的断面轮廓数据，对断面轮廓数据进行修正处理得到轨道轮廓图像；
扭曲不平顺值计算步骤：基于轨道轮廓图像建立坐标，根据各轨道点相对坐标计算扭曲不平顺值；
所述扭曲不平顺值计算步骤，具体步骤包括：
基于轨道轮廓图像建立三维坐标，确认检测基长上各轨道点的相对坐标点；
求取标准轨道平面的方程，计算扭曲值，所述扭曲值具体为轨道扭曲点到标准轨道平面的距离；
扭曲不平顺值序列预测分析步骤：根据扭曲不平顺值预测非等时间距灰色得到扭曲不平顺值序列，评价预测误差，所述扭曲不平顺值序列经过评价合格后，用于预测未来扭曲不平顺值发展趋势；
所述评价预测误差，具体包括以下步骤：
计算初步预测的第一误差序列，具体根据式
Figure FDA0004169648490000011
得到初步预测的第一误差序列，其中ε(0)(k)表示初步预测的第k个误差值，n为正整数；
对第一误差序列进行正化处理得到第二误差序列，具体为：根据式ε`(0)(k)＝ε(0)(k)+2*|ε(0) min|对第一误差序列进行正化处理得到第二误差序列，其中ε(0) min为原始误差序列最小值；
对第二误差序列进行灰色预测修正得到第三误差序列，具体根据式
Figure FDA0004169648490000012
还原得到第三误差序列；
根据第三误差序列判断扭曲不平顺值序列是否合格。
2.根据权利要求1所述的有轨电车槽型轨扭曲不平顺预测方法，其特征在于，所述轨道轮廓数据检测步骤，具体步骤包括：
通过两台2D激光传感器利用激光三角原理垂直照射轨道，获取轨道的断面轮廓数据；
利用轨道滤波算法将得到的轨道轮廓进行修正，去除干扰点得到精准的轨道轮廓图像；
基于水平切面选取轨顶面特征点。
3.根据权利要求2所述的有轨电车槽型轨扭曲不平顺预测方法，其特征在于，所述基于水平切面选取轨顶面特征点，具体为：水平切面分别与第一轨道、第二轨道的顶面平行时，靠近两轨道内侧且与水平切面相交于第一内侧交点、第二内侧交点，将第一内侧交点、第二内侧交点作为选取的轨顶面特征点。
4.根据权利要求1所述的有轨电车槽型轨扭曲不平顺预测方法，其特征在于，所述根据扭曲不平顺值预测非等时间距灰色得到扭曲不平顺值序列，具体步骤包括：
计算扭曲不平顺值序列预级比进行检验光滑性；
根据式
Figure FDA0004169648490000021
计算扭曲不平顺值序列预级比，其中λ(ti)表示ti时刻的扭曲不平顺预级比，x(0)(ti)(i＝2,3,…n)表示计算得到的扭曲不平顺值序列；
若满足预设筛选区间
Figure FDA0004169648490000022
则进行后续预测，若不满足则对原始序列x(0)(ti)(i＝2,3,…n)进行整体平移直至满足区间，其中
Figure FDA0004169648490000023
分别表示预设筛选区间的最小临界值、最大临界值；
计算时间间隔序列，根据时间间隔序列生成基于时间的扭曲不平顺值序列并进行还原。
5.根据权利要求4所述的有轨电车槽型轨扭曲不平顺预测方法，其特征在于，所述计算时间间隔序列，具体根据以下公式计算时间间隔序列：
Δti＝ti-ti-1(i＝2,3,…,n)；
ti为i时刻的时间点、ti-1为i-1时刻的时间点，n为正整数。
6.根据权利要求4所述的有轨电车槽型轨扭曲不平顺预测方法，其特征在于，所述根据时间间隔序列生成基于时间的扭曲不平顺值序列并进行还原，具体步骤包括：
对原始序列进行累加生成基于时间的扭曲不平顺值序列，具体根据式
Figure FDA0004169648490000031
得到，x(1)(ti)(i＝2,3…n)表示基于时间的扭曲不平顺值序列，Δti表示时间间隔序列，k为正整数且小于i；
建立基于时间的扭曲不平顺值序列的微分方程，进行积分、离散化得到差分方程，具体为：根据式
Figure FDA0004169648490000032
建立微分方程，在区间[ti-1,ti]上同时对等式两边积分，并进行离散化得到差分方程x(0)(ti)Δti+mz(1)(ti)＝qΔti，并根据式
Figure FDA0004169648490000033
对模型背景值进行优化；
利用最小二乘法计算微分方程的第一方程系数、第二方程系数，具体为：根据式(m,q)T＝(BTB)-1BTY、矩阵
Figure FDA0004169648490000034
矩阵
Figure FDA0004169648490000035
并利用最小二乘法求解m、q值，其中m、q分别表示微分方程的第一方程系数、第二方程系数，z(ti)表示计算优化的背景值，其中i＝1、2、3...n；
预测分析并还原扭曲不平顺值序列。
7.根据权利要求6所述的有轨电车槽型轨扭曲不平顺预测方法，其特征在于，所述预测分析并还原扭曲不平顺值序列，具体包括以下步骤：
根据式
Figure FDA0004169648490000041
进行预测分析，其中
Figure FDA0004169648490000042
表示预测分析方程系数，
Figure FDA0004169648490000043
表示预测得到的ti时刻时未还原的扭曲不平顺值序列；
根据式
Figure FDA0004169648490000044
还原得到扭曲不平顺预测序列，
Figure FDA0004169648490000045
表示ti时刻时还原得到扭曲不平顺值序列。
CN202110503172.0A 2021-05-10 2021-05-10 一种有轨电车槽型轨扭曲不平顺预测方法 Active CN113312715B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110503172.0A CN113312715B (zh) 2021-05-10 2021-05-10 一种有轨电车槽型轨扭曲不平顺预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110503172.0A CN113312715B (zh) 2021-05-10 2021-05-10 一种有轨电车槽型轨扭曲不平顺预测方法

Publications (2)

Publication Number Publication Date
CN113312715A CN113312715A (zh) 2021-08-27
CN113312715B true CN113312715B (zh) 2023-05-26

Family

ID=77371742

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110503172.0A Active CN113312715B (zh) 2021-05-10 2021-05-10 一种有轨电车槽型轨扭曲不平顺预测方法

Country Status (1)

Country Link
CN (1) CN113312715B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114417921B (zh) * 2022-01-05 2024-04-30 中国国家铁路集团有限公司 轨道几何异常数据的识别方法、装置、设备和存储介质
CN116070153A (zh) * 2023-03-06 2023-05-05 四川省华盾防务科技股份有限公司 相控阵t/r组件故障参数的预测方法、装置、设备和介质

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109117536B (zh) * 2018-07-31 2021-04-20 西南交通大学 一种轨道不平顺评价参数的检测方法
CN109649433B (zh) * 2019-01-30 2020-07-07 暨南大学 槽型轨不平顺检测方法、计算机装置和计算机可读存储介质
CN111310990A (zh) * 2020-02-07 2020-06-19 北京联合大学 一种基于改进灰色组合模型的轨道质量预测方法及系统
CN111307078A (zh) * 2020-02-21 2020-06-19 暨南大学 一种基于四点弦测法的轨道不平顺检测方法及系统

Also Published As

Publication number Publication date
CN113312715A (zh) 2021-08-27

Similar Documents

Publication Publication Date Title
CN113312715B (zh) 一种有轨电车槽型轨扭曲不平顺预测方法
WO2017175555A1 (ja) 磨耗検査装置及び磨耗検査方法
CN107248156A (zh) 分段点自动提取的踏面轮廓拟合方法
CN102114855B (zh) 一种轨道检测方法和装置
CN202368604U (zh) 一种动态检测铁路轨道左右钢轨高低的检测装置
CN109653045B (zh) 轨距测量方法及装置
CN112414651B (zh) 基于移动式线路加载车的轨道刚度确定方法及装置
CN204286406U (zh) 使用mems陀螺仪的便携式轨道几何量检测系统
CN104567783A (zh) 使用mems陀螺仪的便携式轨道几何量检测系统及方法
CN202368605U (zh) 一种动态检测铁路轨道左右钢轨轨向的检测装置
CN117725804B (zh) 轨道几何参数与车辆动力学融合影响分析方法及系统
CN205246128U (zh) 轨道几何参数在线检测装置
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
CN104390795A (zh) 轨道车辆振动形态分析的方法及装置
US11597418B2 (en) Method for determining an element characteristic of a railroad element
CN109050575A (zh) 一种列车车轮在线运动中数据集成采集方法
CN114906689A (zh) 一种基于图像识别分析技术的关键目标部位监测系统
CN114084199B (zh) 一种基于递归图分析的列车稳定性评估方法及系统
CN107128330B (zh) 传感器圆弧垂直安装的有轨电车轮径在线检测装置及方法
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
CN113158403A (zh) 一种基于Kneedle地铁刚性接触导线平顺性评估方法
CN113276907B (zh) 基于惯导系统及多种传感器组合的轨道检测方法及系统
CN110525463A (zh) 地下矿山有轨运输轨道检查车及检查方法
CN112776851B (zh) 一种钢轨状态监测方法及监测设备
Zhou et al. Research on the measurement of the rail straightness based on the outer boundary support point model

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