CN114333334A - 一种道路自动监测方法、系统和网络侧服务端 - Google Patents
一种道路自动监测方法、系统和网络侧服务端 Download PDFInfo
- Publication number
- CN114333334A CN114333334A CN202210234640.3A CN202210234640A CN114333334A CN 114333334 A CN114333334 A CN 114333334A CN 202210234640 A CN202210234640 A CN 202210234640A CN 114333334 A CN114333334 A CN 114333334A
- Authority
- CN
- China
- Prior art keywords
- information
- actual
- preset
- fault
- standard
- 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.)
- Granted
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 100
- 238000000034 method Methods 0.000 title claims abstract description 32
- 238000001514 detection method Methods 0.000 claims abstract description 113
- 238000011156 evaluation Methods 0.000 claims description 21
- 238000012549 training Methods 0.000 claims description 17
- 238000012545 processing Methods 0.000 claims description 13
- 238000003062 neural network model Methods 0.000 claims description 10
- 238000012806 monitoring device Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000012360 testing method Methods 0.000 claims description 5
- 230000000875 corresponding effect Effects 0.000 description 83
- 230000005672 electromagnetic field Effects 0.000 description 6
- 238000002834 transmittance Methods 0.000 description 5
- 238000004088 simulation Methods 0.000 description 4
- 238000005259 measurement Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000008030 elimination Effects 0.000 description 2
- 238000003379 elimination reaction Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000000638 stimulation Effects 0.000 description 2
- 230000007704 transition Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
Images
Classifications
-
- 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
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Traffic Control Systems (AREA)
Abstract
本发明属于自动检测领域，针对车站监测大量依靠人工判断时，精度较低的问题，提出了一种道路自动监测方法、系统和网络侧服务端，所述方法包括：获取实际检测信息，所述实际检测信息包括道岔信息、进路信息、信号机编号、信号机位置信息和信号机检测信息；将所述实际检测信息，代入到预设的道路监测模型中，得出实际评判信息；根据所述实际评判信息与预设的标准评判信息，得出故障率信息；在所述故障率信息大于预设故障率时，输出所述故障率信息对应的所有实际检测信息。
Description
技术领域
本发明属于自动检测领域，具体涉及一种道路自动监测方法、系统和网络侧服务端。
背景技术
随着社会的发展，道路建设逐渐完善。在城市交通中地铁、轻轨、火车等有轨交通工具承担了众多人员流通任务。
现今的车站监测作业，通常是将所有数据进行汇聚，随后由用户进行人工整理和分析整体，精度较低。那么，利用计算机对车站作业人员的操作命令及现场设备状态表示的信息进行逻辑运算，从而实现对信号机及道岔、进路等进行集中控制，使其达到相互制约,以保证行车安全的目的就显得十分必要。
发明内容
本发明提供了一种道路自动监测方法、系统和网络侧服务端，用以解决现有技术中对于车站监测大量依靠人工判断时，精度较低的问题。
本发明的基础方案为：一种道路自动监测方法，包括：
获取实际检测信息，所述实际检测信息包括道岔信息、进路信息、信号机编号、信号机位置信息和信号机检测信息；实际检测信息中的信号机编号唯一；
将所述实际检测信息，代入到预设的道路监测模型中，得出实际评判信息；
根据所述实际评判信息与预设的标准评判信息，得出故障率信息；
在所述故障率信息大于预设故障率时，输出所述故障率信息对应的所有实际检测信息。
进一步，所述道路监测模型由神经网络模型通过实际历史案例训练得出，所述实际历史案例包括预设的实际检测信息、预设的实际评判信息。
进一步，将所述实际检测信息，代入到预设的道路监测模型中，得出实际评判信息，包括：
将实际历史案例分为训练部分和检验部分；所述实际历史案例包括预设的实际检测信息、预设的实际评判信息；
将训练部分的实际历史案例，通过神经网络模型进行训练，得到初步监测模型；
将检验部分的实际历史案例中的实际检测信息，代入到所述初步监测模型中，调整所述初步监测模型中的待定系数，使其输出值与所述实际历史案例中对应的实际评判信息相对应；将调整后的初步监测模型作为道路监测模型。
进一步，将所述实际检测信息，代入到预设的道路监测模型中，得出实际评判信息，包括：
根据实际检测信息中的信号机编号，获取其对应的故障项目信息；故障项目信息对应一个或多个信号机编号，信号机编号对应唯一的故障项目信息；所述道路监测模型具有多个，所述道路监测模型与故障项目信息相对应，不同故障项目信息对应的道路监测模型不同；
将相同故障项目信息的实际检测信息，导入到与所述故障项目信息相对应的道路监测模型中，分别得到对应的实际评判信息；
根据所述实际评判信息与预设的标准评判信息，得出故障率信息，包括：根据故障项目信息，将对应的实际评判信息与对应的标准评判信息进行计算，得出与所述故障项目相对应的故障率信息；
在所述故障率信息大于预设故障率时，输出所述故障率信息对应的所有实际检测信息，包括：在相同故障项目信息的故障率信息大于预设故障率时，输出所述故障率信息对应的所有实际检测信息。
进一步，在所述故障率信息大于预设故障率时，输出所述故障率信息对应的所有实际检测信息，包括：
在相同故障项目信息的故障率信息大于预设故障率时，输出所述故障率信息对应的所有实际检测信息和所述故障项目。
进一步，输出所述故障率信息对应的所有实际检测信息，包括：
查找所述故障率信息对应的实际检测信息，将所述实际检测信息以“道岔信息-进路信息-信号机编号-信号机位置信息-信号机检测信息”的联锁表格的格式输出。
进一步，在所述得出故障率信息后，所述方法还包括：
比较所述故障率信息和第一预设值，在故障率信息大于第一预设值时，重新根据所述实际评判信息与预设的标准评判信息计算故障率信息；所述第一预设值小于所述预设故障率；
在重新根据实际评判信息与标准评判信息计算故障率信息的连续次数大于预设的最大次数时，输出所述故障率信息，以执行在所述故障率信息大于预设故障率时，输出所述故障率信息对应的所有实际检测信息。
进一步，根据所述实际评判信息与预设的标准评判信息，得出故障率信息，包括：
在故障率信息大于预设的第二预设值时，根据获取外界天气信息，根据所述外界天气信息按照预设规则选择出预设的标准评判信息；包括：根据所述外界天气信息找到所属雷雨特征范围对应的雷雨特征，根据所述外界天气信息找到所属多云特征范围对应的多云特征，根据所述雷雨特征和所述多云特征得到对应的标准技术特征，根据所述标准技术特征得到对应的标准评判信息和标准特征值；
根据实际评判信息与标准评判信息，计算每一项标准技术特征所对应的差异率；
根据标准技术特征对应的差异率和预设的各个标准技术特征对应的标准特征值，计算出故障率信息；
其中，所述标准评判信息包括标准技术特征和标准特征值，所述标准技术特征包括雷雨特征和多云特征，所述雷雨特征包括在不同预设雷雨天气下、各项气象监测设备所检测到的雷雨特征范围，所述多云特征包括在不同预设云层天气下、各项气象监测设备所检测到的多云特征范围。
本发明还提供一种道路自动监测系统，包括：
信息采集模块，用于实际检测信息，所述实际检测信息包括道岔信息、进路信息、信号机编号、信号机位置信息和信号机检测信息；
存储模块，用于存储预设的道路监测模型和预设的标准评判信息；
第一处理模块，用于将信息采集模块所发送的实际检测信息，代入到存储模块的道路监测模型中，得出实际评判信息；
故障率计算模块，用于根据第一处理模块发送的实际评判信息与存储模块存储的标准评判信息，得出故障率信息；
第二处理模块，用于在所述故障率信息大于预设故障率时，统计所述故障率信息对应的所有实际检测信息；
输出模块，用于将第二处理模块发送的实际检测信息输出。
本发明还提供一网络侧服务端，包括：至少一个处理器；以及，与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如上述任一项所述的一种道路自动监测方法。
本方案中，面对有轨道路的实际监控，采用了自动信号获取，免去了人工抄录、摘抄错误的情况。随后，将其代入到预设的道路监控模型中，从而得到实际评判信息，评判信息代表了实际检测信息在模拟道路运行的情况下所带来的影响。其中，预设的道路监测模型，则是依照实际的有轨道路的刺激数据来进行建模的，其预示着将现实中的有轨道路进行一定比例的虚拟化，从而实现建模，实现实际评判信息的仿真。
接着，根据实际评判信息和标准评判信息之间的分析结果的，得到故障率；判断所有故障率来判定是否过度，并输出故障率过渡的实际评判信息。实现故障的自动排除和故障相关信息的自动输出，避免了人工判断的失误而引起的判断精度下降。
附图说明
一个或多个实施例通过与之对应的附图中的图片进行示例性说明，这些示例性说明并不构成对实施例的限定。
图1为本发明第一实施方式提供的一种道路自动监测方法实施例的流程图；
图2为本发明第二实施方式提供的一种道路自动检测系统实施例的模块示意图；
图3为本发明第三实施方式提供的一种网络侧服务端的结构示意图。
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，下面将结合附图对本发明的各实施方式进行详细的阐述。然而，本领域的普通技术人员可以理解，在本发明各实施方式中，为了使读者更好地理解本申请而提出了许多技术细节。但是，即使没有这些技术细节和基于以下各实施方式的种种变化和修改，也可以实现本申请所要求保护的技术方案。
第一实施方式：
本发明的第一实施方式提供一种道路自动监测方法，包括：
获取实际检测信息，所述实际检测信息包括道岔信息、进路信息、信号机编号、信号机位置信息和信号机检测信息；将所述实际检测信息，代入到预设的道路监测模型中，得出实际评判信息；根据所述实际评判信息与预设的标准评判信息，得出故障率信息；在所述故障率信息大于预设故障率时，输出所述故障率信息对应的所有实际检测信息。
该方案，面对有轨道路的实际监控，采用了自动信号获取，免去了人工抄录、摘抄错误的情况。随后，将其代入到预设的道路监控模型中，从而得到实际评判信息，评判信息代表了实际检测信息在模拟道路运行的情况下所带来的影响。其中，预设的道路监测模型，则是依照实际的有轨道路的刺激数据来进行建模的，其预示着将现实中的有轨道路进行一定比例的虚拟化，从而实现建模，实现实际评判信息的仿真。接着，根据实际评判信息和标准评判信息之间的分析结果的，得到故障率；判断所有故障率来判定是否过度，并输出故障率过渡的实际评判信息。实现故障的自动排除和故障相关信息的自动输出，避免了人工判断的失误而引起的判断精度下降。
下面对本实施方式的一种道路自动监测方法的实现细节进行具体的说明，以下内容仅为方便理解提供的实现细节，并非实施本方案的必须，本实施方式的具体流程如图1所示，本实施方式应用于网络侧的服务端。
步骤101，获取实际检测信息，所述实际检测信息包括道岔信息、进路信息、信号机编号、信号机位置信息和信号机检测信息。
具体而言，实际检测信息是由位于预设监控节点的信号机来进行上传的；信号机的信息采集效率为a/ms次。信号机在采集到信号机监测信息后，将该信号机检测信息、信号机编号、该信号机对监控节点所在的道岔信息、该监控节点对应的进路信息，相互关联并集合为实际监控信息。在一些示例中，a为1。其中信号机具有一种或多种，不同种类的信号机所上传的数据的种类、格式并不相同。
在一些实施例中，信号机向外输出的频率为b/ms次，b的数值是a的倍数，b大于a；信号机在获取到信号机检测信息后还会进行预处理后，再与信号机检测信息、信号机编号、监控节点所在的道岔信息、该监控节点对应的进路信息，相互关联并集合为实际监控信息。
例如，预处理的过程为，将连续不断的一个b周期内的所有实际检测信息进行平均，将平均数作为预处理后的信号机检测信息。再例如，预处理的过程为，将连续不断的一个b周期内的所有实际检测信息，取中数作为预处理后的信号机检测信息；若不存在中数，则将从小到大排序下最中间的两个数值进行求平均，将该平均结果作为预处理后的信号机检测信息。
步骤102，将所述实际检测信息，代入到预设的道路监测模型中，得出实际评判信息。
具体而言，预设的道路监测模型的设置过程有以下两种：
（2.1）道路监测模型由神经网络模型通过实际历史案例训练得出，所述实际历史案例包括预设的实际检测信息、预设的实际评判信息。
该方案中，统计所有的实际历史案例，神经网络模型通过这些案例中的信息进行训练，从而得出代表了实际检测信息与实际评判信息的关联表达——训练后的神经网络模型，该训练后的神经网络模型通过现实各种案例来构成，保证了一定的准确性。
在使用时，道路监测模型的设置则有两种情况：其一，通过预实验考核期间得到的实际历史案例训练得到道路监测模型，随后直接将该道路监测模型存储起来，不再进行变化。其二，在每一次判定结束后，用户都会将判定的实际检测信息和实际评判信息存储起来，加入到原先的实际历史案例中，故而随着使用频率的增加，道路监测模型的建立所对应的实际历史案例的样本库也越来越大，道路监测模型的关联性概括将会越来越准确。
（2.2）道路监测模型由神经网络模型通过实际历史案例中的部分训练得出，所述实际历史案例包括预设的实际检测信息、预设的实际评判信息。
具体的，将所述实际检测信息，代入到预设的道路监测模型中，得出实际评判信息，包括：S2-2-1，将实际历史案例分为训练部分和检验部分；所述实际历史案例包括预设的实际检测信息、预设的实际评判信息；S2-2-2，将训练部分的实际历史案例，通过神经网络模型进行训练，得到初步监测模型；S2-2-3，将检验部分的实际历史案例中的实际检测信息，代入到所述初步监测模型中，调整所述初步监测模型中的待定系数，使其输出值与所述实际历史案例中对应的实际评判信息相对应；S2-2-4，将调整后的初步监测模型作为道路监测模型。该方案中，通过多次系数调整，提高道路监测模型的准确性。
优选的，将实际历史案例分成训练部分和检验部分时，训练部分的实际检测信息和检验部分的实际检测信息是间杂的。例如实际历史案例分为a1，a2，a3，a4……ak，则其中的奇数排列组成训练部分（a1，a3，a5……ak），偶数排列组成检验部分（a2，a4，……aj）,j=k-1,k为奇数。
步骤103，根据所述实际评判信息与预设的标准评判信息，得出故障率信息。
具体而言，将实际评判信息与对应预设的标准评判信息之间进行计算，计算得出故障率信息；两者之间的差异越大，故障率信息就越大。
在一些示例中，所述道路监测模型具有多个，所述道路监测模型与故障项目信息相对应，不同故障项目信息对应的道路监测模型不同。步骤102的实施包括：将所述实际检测信息导入到不同故障项目相对应的道路监测模型中，得到对应的实际评判信息。对应地，步骤103的实施包括：根据故障项目，将对应的实际评判信息与对应的标准评判信息进行计算，得出与所述故障项目相对应的故障率信息。那么在后续“在所述故障率信息大于预设故障率时，输出所述故障率信息对应的所有实际检测信息”实施，便是：在相同故障项目信息的故障率信息大于预设故障率时，输出所述故障率信息对应的所有实际检测信息。
该示例中，道路监测模型具有多种，不同的道路监测模型对应了不同的故障项目，那么本步骤103所执行的项目便是，将道路监测模型进行分类，将这些道路监测模型与步骤101中所获取的实际检测检测信息进行筛选后分组，并计算每个筛选后对应的故障率。充分考虑来了在分析时需要进行多种数据之间的搭配，更加满足于准确性。
在一个示例中，步骤103包括：在故障率信息大于预设的第二预设值时，根据获取外界天气信息，根据所述外界天气信息按照预设规则选择出预设的标准评判信息；根据实际评判信息与标准评判信息，计算每一项标准技术特征所对应的差异率；标准技术特征对应的差异率和预设的各个标准技术特征对应的标准特征值，计算出故障率信息。
所述第二预设值为预设值，可以是通过人员根据自身需求进行设定的，通常设置为当前的预设故障率。其中，所述标准评判信息包括多项的标准技术特征和标准特征值，所述实际评判信息包括多项的实际技术特征和实际特征值。多项的标准技术特征包括雷雨特征、多云特征。
所述雷雨特征指不同程度雷雨状况下，各项气象监测设备所检测到的数据特征范围A，雷雨特征代表了在不同雷雨现象下各个电磁波分布状况，气象监测设备通常是用来检测空间内的电磁场强度，数据特征范围A这是指代着不同雷雨状况下、空间内的电磁场分布状况。这里数据特征范围A是预先测量设定的范围量；在使用时，只要符合当前的外界天气信息中的数据特征（外界天气信息中包含有多种数据特征）符合数据特征范围A中的一个范围a，那么就将该数据特征范围A中的前述范围a对应的雷雨特征作为标准技术特征，进而得到与该标准技术特征的标准特征值，并在随后的计算中将该标准特征值作为权重。
其中，雷雨特征的数量是设计人员预先设置的；与雷雨特征对应的数据特征范围也是预先设定的，该设定过程是设计人员在进行近似场景中模拟测量得出的。不同雷雨特征所对应的标准特征值也是由工作人员/使用者/设计者进行提前设置的，在本步骤103运行时不可更改，在本步骤103非运行时可以更改。
例如，雷雨技术特征包括高雷雨特征和低雷雨特征，高雷雨特征时气象检测到的电磁场数据范围为A-1，即【（A-1）min，（A-1）max】，低雷雨特征时气象检测到的电磁场数据范围为A-2，即【（A-2）min，（A-2）max】。假设实际评判信息中的雷雨特征的电磁场数据范围为B’，而B’属于【（A-1）min，（A-1）max】，那么此时的实际评判信息中雷雨特征所对应的标准技术特征为【（A-1）min，（A-1）max】，即“高雷雨特征”为标准技术特征。那么，“根据所述外界天气信息按照预设规则选择出预设的标准评判信息”所得到的标准评判信息即为“高雷雨特征”对应的标准评判信息，该标准评判信息包括了标准技术特征（“高雷雨特征”）和标准技术特征（“高雷雨特征”）对应的标准特征值x。
多云特征是指不同云层条件下各项气象监测设备所检测到的数据特征范围B，多云特征代表了不同厚度云层线向下各个透光度的分布状况，气象监测设备通常是用来检测空间内的透光度，数据特征范围B这是指代着不同厚度云层的透射下、空间内的透光度范围量。在使用时，只要符合当前的外界天气信息中的数据特征（外界天气信息中包含有多种数据特征）符合数据特征范围B中的一个范围b，那么就将该数据特征范围B中的前述范围b对应的多云特征作为标准技术特征，进而得到与该标准技术特征的标准特征值，并在随后的计算中将该标准特征值作为权重。其中，各个多云特征对应的数据特征范围是预先设定的，例如是设计人员在进行近似场景中根据多云特征的种类进行模拟/实地测量所得出。不同多云特征所对应的标准特征值也是由工作人员/使用者/设计者进行提前设置的，在本步骤103运行时不可更改，在本步骤103非运行时可以更改。
例如，多云技术特征包括厚云特征和薄云特征，厚云特征时气象检测到的透光度数据范围为B-1，即【（B-1）min，（B-1）max】，薄云时气象检测到的透光度数据范围为B-2，即【（B-2）min，（B-2）max】。假设实际评判信息中的多云特征的电磁场数据范围为B’，而B’属于【（B-1）min，（B-1）max】，那么此时的实际评判信息中多云特征所对应的标准技术特征为【（B-1）min，（B-1）max】，即厚云特征。那么，“根据所述外界天气信息按照预设规则选择出预设的标准评判信息”所得到的标准评判信息即为“厚云特征”对应的标准评判信息，该标准评判信息包括了标准技术特征（“厚云特征”）和标准技术特征（“厚云特征”）对应的标准特征值y。
根据所述雷雨特征和所述多云特征得到对应的标准技术特征，即根据所述高雷雨特征和厚云特征得到对应的标准技术特征，该标准技术特征包括了高雷雨特征和厚云特征；并对应得出分别满足高雷雨特征和厚云特征这两个特征的标准特征值x和标准特征值y，进而得到该标准技术特征（包括高雷雨特征和厚云特征）的标准评判信息和对应的标准特征值（包括标准特征值x和标准特征值y）。值得一提的是，标准特征值包括了与所述雷雨特征对应的第一权重j（即，标准特征值x与第一权重j对应）和与所述多云特征对应的第二权重k（即，标准特征值y与第二权重k对应）。
在实际应用时，在故障率信息大于第二预设值时，根据所述外界天气信息找到所属雷雨特征范围对应的雷雨特征；根据所述外界天气信息找到所属多云特征范围对应的多云特征；根据所述雷雨特征和所述多云特征得到对应的标准技术特征；根据所述标准技术特征找到对应的标准评判信息和标准特征值；接着，根据单个技术特征，将根据实际评判信息和标准评判信息，计算出每一项标准技术特征所对应的差异率；随后，根据各项标准技术特征的标准特征值，得到对应的权重；将各个标准技术特征所对应的差异率和由与所述标准技术特征相对应的标准特征值所计算出的权重，来计算出整体的故障率信息。
本案考虑到不同天气下数据也会产生部分的影响，故而会在超出预设的第二预设值的故障率时，重新选择一次标准评判信息来进行二次比较，避免因为天气原因而产生的数值误算。
步骤104，在所述故障率信息大于预设故障率时，输出所述故障率信息对应的所有实际检测信息。
具体而言，在相同故障项目信息的故障率信息大于预设故障率时，输出所述故障率信息对应的所有实际检测信息和所述故障项目。输出所述故障率信息对应的所有实际检测信息，通常是：查找所述故障率信息对应的实际检测信息，将所述实际检测信息以“道岔信息-进路信息-信号机编号-信号机位置信息-信号机检测信息”的联锁表格的格式输出。该方案在使用时，每个故障率信息均对应了一个项目的实际检测信息。
在一些示例中，比较所述故障率信息和第一预设值，在故障率信息大于第一预设值时，重新根据所述实际评判信息与预设的标准评判信息计算故障率信息，其中，所述第一预设值小于所述预设故障率；在重新根据实际评判信息与标准评判信息计算故障率信息的连续次数大于预设的最大次数时，输出所述故障率信息，以执行在所述故障率信息大于预设故障率时，输出所述故障率信息对应的所有实际检测信息。
第一预设值是用户或工作人员预先设定值，所述第一预设值小于所述故障率信息，其目的主要是为了反复确认，避免误判；最大次数也是由用户或工作人员预先设定的。例如，标准评判信息为p，最大次数为3；那么，故障率信息大于p，则重新进行判定，连续3次判定均大于则直接将这个实际评判信息对应的显示出来。
此外，在一些示例中，步骤102包括：根据实际检测信息中的信号机编号，获取其对应的故障项目信息；将相同故障项目信息的实际检测信息，导入到与所述故障项目信息相对应的道路监测模型中，分别得到对应的实际评判信息。步骤103包括：根据故障项目信息，将对应的实际评判信息与对应的标准评判信息进行计算，得出与所述故障项目相对应的故障率信息。步骤104包括：在相同故障项目信息的故障率信息大于预设故障率时，输出所述故障率信息对应的所有实际检测信息。其中，故障项目信息对应一个或多个信号机编号，信号机编号对应唯一的故障项目信息；所述道路监测模型具有多个，所述道路监测模型与故障项目信息相对应，不同故障项目信息对应的道路监测模型不同。
上面各种方法的步骤划分，只是为了描述清楚，实现时可以合并为一个步骤或者对某些步骤进行拆分，分解为多个步骤，只要包括相同的逻辑关系，都在本案的保护范围内；对算法中或者流程中添加无关紧要的修改或者引入无关紧要的设计，但不改变其算法和流程的核心设计都在保护范围内。
第二实施方式
本发明的第二实施方式提供了一种道路自动监测系统，如图2所示，包括：
信息采集模块201，用于实际检测信息，所述实际检测信息包括道岔信息、进路信息、信号机编号、信号机位置信息和信号机检测信息；
存储模块202，用于存储预设的道路监测模型和预设的标准评判信息；
第一处理模块203，用于将信息采集模块201所发送的实际检测信息，代入到存储模块202的道路监测模型中，得出实际评判信息；
故障率计算模块204，用于根据第一处理模块203发送的实际评判信息与存储模块202存储的标准评判信息，得出故障率信息；
第二处理模块205，用于在所述故障率信息大于预设故障率时，统计所述故障率信息对应的所有实际检测信息；
输出模块206，用于将第二处理模块205发送的实际检测信息输出。
不难发现，本实施方式为与第一实施方式相对应的系统实施例，本实施方式可与第一实施方式互相配合实施。第一实施方式中提到的相关技术细节在本实施方式中依然有效，为了减少重复，这里不再赘述。相应地，本实施方式中提到的相关技术细节也可应用在第一实施方式中。
值得一提的是，本实施方式中所涉及到的各模块均为逻辑模块，在实际应用中，一个逻辑单元可以是一个物理单元，也可以是一个物理单元的一部分，还可以以多个物理单元的组合实现。此外，为了突出本发明的创新部分，本实施方式中并没有将与解决本发明所提出的技术问题关系不太密切的单元引入，但这并不表明本实施方式中不存在其它的单元。
第三实施方式：
本发明的第三实施方式提供一种网络侧服务端，如图3所示，包括：至少一个处理器301；以及，与所述至少一个处理器301通信连接的存储器302；其中，所述存储器302存储有可被所述至少一个处理器301执行的指令，所述指令被所述至少一个处理器301执行，以使所述至少一个处理器301能够执行第一实施方式中任一所述道路自动监测方法。
其中，存储器302和处理器301采用总线方式连接，总线可以包括任意数量的互联的总线和桥，总线将一个或多个处理器301和存储器302的各种电路连接在一起。总线还可以将诸如外围设备、稳压器和功率管理电路等之类的各种其他电路连接在一起，这些都是本领域所公知的，因此，本文不再对其进行进一步描述。总线接口在总线和收发机之间提供接口。收发机可以是一个元件，也可以是多个元件，比如多个接收器和发送器，提供用于在传输介质上与各种其他装置通信的单元。经处理器301处理的数据通过天线在无线介质上进行传输，进一步，天线还接收数据并将数据传送给处理器301。
处理器301负责管理总线和通常的处理，还可以提供各种功能，包括定时，外围接口，电压调节、电源管理以及其他控制功能。而存储器302可以被用于存储处理器301在执行操作时所使用的数据。
以上所述的仅是本发明的实施例，方案中公知的具体结构及特性等常识在此未作过多描述，所属领域普通技术人员知晓申请日或者优先权日之前发明所属技术领域所有的普通技术知识，能够获知该领域中所有的现有技术，并且具有应用该日期之前常规实验手段的能力，所属领域普通技术人员可以在本申请给出的启示下，结合自身能力完善并实施本方案，一些典型的公知结构或者公知方法不应当成为所属领域普通技术人员实施本申请的障碍。应当指出，对于本领域的技术人员来说，在不脱离本发明结构的前提下，还可以作出若干变形和改进，这些也应该视为本发明的保护范围，这些都不会影响本发明实施的效果和实用性。本申请要求的保护范围应当以其权利要求的内容为准，说明书中的具体实施方式等记载可以用于解释权利要求的内容。
Claims (10)
1.一种道路自动监测方法，其特征在于，包括：
获取实际检测信息，所述实际检测信息包括道岔信息、进路信息、信号机编号、信号机位置信息和信号机检测信息；实际检测信息中的信号机编号唯一；
将所述实际检测信息，代入到预设的道路监测模型中，得出实际评判信息；
根据所述实际评判信息与预设的标准评判信息，得出故障率信息；
在所述故障率信息大于预设故障率时，输出所述故障率信息对应的所有实际检测信息。
2.根据权利要求1所述的一种道路自动监测方法，其特征在于：所述道路监测模型由神经网络模型通过实际历史案例训练得出，所述实际历史案例包括预设的实际检测信息、预设的实际评判信息。
3.根据权利要求1所述的一种道路自动监测方法，其特征在于，将所述实际检测信息，代入到预设的道路监测模型中，得出实际评判信息，包括：
将实际历史案例分为训练部分和检验部分；所述实际历史案例包括预设的实际检测信息、预设的实际评判信息；
将训练部分的实际历史案例，通过神经网络模型进行训练，得到初步监测模型；
将检验部分的实际历史案例中的实际检测信息，代入到所述初步监测模型中，调整所述初步监测模型中的待定系数，使其输出值与所述实际历史案例中对应的实际评判信息相对应；将调整后的初步监测模型作为道路监测模型。
4.根据权利要求1所述的一种道路自动监测方法，其特征在于，将所述实际检测信息，代入到预设的道路监测模型中，得出实际评判信息，包括：
根据实际检测信息中的信号机编号，获取其对应的故障项目信息；故障项目信息对应一个或多个信号机编号，信号机编号对应唯一的故障项目信息；所述道路监测模型具有多个，所述道路监测模型与故障项目信息相对应，不同故障项目信息对应的道路监测模型不同；
将相同故障项目信息的实际检测信息，导入到与所述故障项目信息相对应的道路监测模型中，分别得到对应的实际评判信息；
根据所述实际评判信息与预设的标准评判信息，得出故障率信息，包括：根据故障项目信息，将对应的实际评判信息与对应的标准评判信息进行计算，得出与所述故障项目相对应的故障率信息；
在所述故障率信息大于预设故障率时，输出所述故障率信息对应的所有实际检测信息，包括：在相同故障项目信息的故障率信息大于预设故障率时，输出所述故障率信息对应的所有实际检测信息。
5.根据权利要求4所述的一种道路自动监测方法，其特征在于，在所述故障率信息大于预设故障率时，输出所述故障率信息对应的所有实际检测信息，包括：
在相同故障项目信息的故障率信息大于预设故障率时，输出所述故障率信息对应的所有实际检测信息和所述故障项目。
6.根据权利要求1所述的一种道路自动监测方法，其特征在于，输出所述故障率信息对应的所有实际检测信息，包括：
查找所述故障率信息对应的实际检测信息，将所述实际检测信息以“道岔信息-进路信息-信号机编号-信号机位置信息-信号机检测信息”的联锁表格的格式输出。
7.根据权利要求1所述的一种道路自动监测方法，其特征在于，在所述得出故障率信息后，所述方法还包括：
比较所述故障率信息和第一预设值，在故障率信息大于第一预设值时，重新根据所述实际评判信息与预设的标准评判信息计算故障率信息；所述第一预设值小于所述预设故障率；
在重新根据实际评判信息与标准评判信息计算故障率信息的连续次数大于预设的最大次数时，输出所述故障率信息，以执行在所述故障率信息大于预设故障率时，输出所述故障率信息对应的所有实际检测信息。
8.根据权利要求1所述的一种道路自动监测方法，其特征在于，根据所述实际评判信息与预设的标准评判信息，得出故障率信息，包括：
在故障率信息大于预设的第二预设值时，获取外界天气信息；
根据所述外界天气信息按照预设规则选择出预设的标准评判信息，包括：根据所述外界天气信息找到所属雷雨特征范围对应的雷雨特征，根据所述外界天气信息找到所属多云特征范围对应的多云特征，根据所述雷雨特征和所述多云特征得到对应的标准技术特征，根据所述标准技术特征得到对应的标准评判信息和标准特征值；
根据实际评判信息与标准评判信息，计算每一项标准技术特征所对应的差异率；
根据标准技术特征对应的差异率和预设的各个标准技术特征对应的标准特征值，计算出故障率信息；
其中，所述标准评判信息包括标准技术特征和标准特征值，所述标准技术特征包括雷雨特征和多云特征，所述雷雨特征包括在不同预设雷雨天气下、各项气象监测设备所检测到的雷雨特征范围，所述多云特征包括在不同预设云层天气下、各项气象监测设备所检测到的多云特征范围。
9.一种道路自动监测系统，其特征在于，包括：
信息采集模块，用于实际检测信息，所述实际检测信息包括道岔信息、进路信息、信号机编号、信号机位置信息和信号机检测信息；
存储模块，用于存储预设的道路监测模型和预设的标准评判信息；
第一处理模块，用于将信息采集模块所发送的实际检测信息，代入到存储模块的道路监测模型中，得出实际评判信息；
故障率计算模块，用于根据第一处理模块发送的实际评判信息与存储模块存储的标准评判信息，得出故障率信息；
第二处理模块，用于在所述故障率信息大于预设故障率时，统计所述故障率信息对应的所有实际检测信息；
输出模块，用于将第二处理模块发送的实际检测信息输出。
10.一种网络侧服务端，其特征在于，包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如权利要求1至8中任一项所述的一种道路自动监测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210234640.3A CN114333334B (zh) | 2022-03-11 | 2022-03-11 | 一种道路自动监测方法、系统和网络侧服务端 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210234640.3A CN114333334B (zh) | 2022-03-11 | 2022-03-11 | 一种道路自动监测方法、系统和网络侧服务端 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114333334A true CN114333334A (zh) | 2022-04-12 |
| CN114333334B CN114333334B (zh) | 2022-05-17 |
Family
ID=81033330
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210234640.3A Active CN114333334B (zh) | 2022-03-11 | 2022-03-11 | 一种道路自动监测方法、系统和网络侧服务端 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114333334B (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1624376A (zh) * | 2003-12-05 | 2005-06-08 | 西门子公司 | 色灯信号机 |
| CN101034495A (zh) * | 2007-01-09 | 2007-09-12 | 方科峰 | 数字交通系统 |
| CN103559803A (zh) * | 2013-11-14 | 2014-02-05 | 西安费斯达自动化工程有限公司 | 多负载同驱动箭头信号灯故障检测系统 |
| CN111681442A (zh) * | 2020-06-09 | 2020-09-18 | 贾若然 | 一种基于图像分类算法的信号灯故障检测装置 |
| CN113534013A (zh) * | 2021-07-27 | 2021-10-22 | 北京全路通信信号研究设计院集团有限公司 | 转辙机配线故障的预测方法、装置及存储介质 |
| CN113525463A (zh) * | 2021-08-27 | 2021-10-22 | 卡斯柯信号有限公司 | 一种高铁信号联锁关系实时分析方法 |
| CN114037973A (zh) * | 2021-11-09 | 2022-02-11 | 南京杰迈视讯科技有限公司 | 一种基于图像处理的交通信号灯故障检测方法 |
-
2022
- 2022-03-11 CN CN202210234640.3A patent/CN114333334B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1624376A (zh) * | 2003-12-05 | 2005-06-08 | 西门子公司 | 色灯信号机 |
| CN101034495A (zh) * | 2007-01-09 | 2007-09-12 | 方科峰 | 数字交通系统 |
| CN103559803A (zh) * | 2013-11-14 | 2014-02-05 | 西安费斯达自动化工程有限公司 | 多负载同驱动箭头信号灯故障检测系统 |
| CN111681442A (zh) * | 2020-06-09 | 2020-09-18 | 贾若然 | 一种基于图像分类算法的信号灯故障检测装置 |
| CN113534013A (zh) * | 2021-07-27 | 2021-10-22 | 北京全路通信信号研究设计院集团有限公司 | 转辙机配线故障的预测方法、装置及存储介质 |
| CN113525463A (zh) * | 2021-08-27 | 2021-10-22 | 卡斯柯信号有限公司 | 一种高铁信号联锁关系实时分析方法 |
| CN114037973A (zh) * | 2021-11-09 | 2022-02-11 | 南京杰迈视讯科技有限公司 | 一种基于图像处理的交通信号灯故障检测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114333334B (zh) | 2022-05-17 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN102663264B (zh) | 桥梁结构健康监测静态参数的半监督协同评估方法 | |
| CN103760901B (zh) | 一种基于关联规则分类器的轨道交通故障识别方法 | |
| CN107340766B (zh) | 基于相似度的电力调度告警信号文本归类及故障诊断方法 | |
| CN101718634B (zh) | 基于多元概率模型的设备状态综合动态报警方法 | |
| CN105866725A (zh) | 一种基于聚类分析和云模型的智能电表故障分类方法 | |
| CN105279572A (zh) | 城市轨道交通客流密集度指数计算与发布系统 | |
| CN111680940A (zh) | 一种区域轨道交通线网安全水平评价方法及系统 | |
| CN107491792A (zh) | 基于特征映射迁移学习的电网故障分类方法 | |
| CN106845768A (zh) | 基于生存分析参数分布的公交车旅行时间模型构建方法 | |
| CN106373032B (zh) | 基于大数据的配网故障高发区域辨识方法 | |
| CN115269342B (zh) | 一种基于边缘计算的监测云平台及其监测方法 | |
| CN106843100A (zh) | 变电站二次设备运行状态等级判断方法和装置 | |
| CN114022035B (zh) | 一种城市热岛效应内建筑物碳排放评估方法 | |
| CN113516406B (zh) | 一种基于实时观测分析的高铁沿线降水测点布置方法 | |
| CN110866775A (zh) | 一种基于机器学习的用户空铁联程城际出行信息处理方法 | |
| CN111999692A (zh) | 一种多表误差的校准方法和装置 | |
| CN106779222A (zh) | 机场地面等待时间预测方法及装置 | |
| CN103942251A (zh) | 基于多种质控方法的高空气象资料入库方法和入库系统 | |
| CN115617784A (zh) | 一种信息化配电的数据处理系统及其处理方法 | |
| CN103218664A (zh) | 一种基于小波神经网络的告警权值确定方法 | |
| CN109345139B (zh) | 一种基于系统动力学的机场群效率及政策评估方法 | |
| CN114333334B (zh) | 一种道路自动监测方法、系统和网络侧服务端 | |
| WO2019140553A1 (zh) | 配电系统的健康指数确定方法及装置、计算机存储介质 | |
| CN117670031A (zh) | 基于大数据的医疗器械生产环节风险预警方法及装置 | |
| Egozcue et al. | Wave-height hazard analysis in Eastern Coast of Spain-Bayesian approach using generalized Pareto distribution |
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 | ||
| PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: A road automatic monitoring method, system, and network side server Granted publication date: 20220517 Pledgee: Nanjing Bank Co.,Ltd. Nanjing Financial City Branch Pledgor: Nanjing Qipeng Software Technology Co.,Ltd. Registration number: Y2024980029322 |
|
| PE01 | Entry into force of the registration of the contract for pledge of patent right |