CN114459505B - 一种基于台账曲线特征点的动检数据绝对里程校准方法 - Google Patents
一种基于台账曲线特征点的动检数据绝对里程校准方法 Download PDFInfo
- Publication number
- CN114459505B CN114459505B CN202210164000.XA CN202210164000A CN114459505B CN 114459505 B CN114459505 B CN 114459505B CN 202210164000 A CN202210164000 A CN 202210164000A CN 114459505 B CN114459505 B CN 114459505B
- Authority
- CN
- China
- Prior art keywords
- ultrahigh
- curve
- detection data
- data sequence
- characteristic points
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 119
- 238000000034 method Methods 0.000 title claims abstract description 32
- 238000012545 processing Methods 0.000 claims abstract description 12
- 238000005070 sampling Methods 0.000 claims abstract description 10
- 230000011218 segmentation Effects 0.000 claims abstract description 7
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 7
- 238000007689 inspection Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000005065 mining Methods 0.000 description 2
- 238000012300 Sequence Analysis Methods 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C25/00—Manufacturing, calibrating, cleaning, or repairing instruments or devices referred to in the other groups of this subclass
Landscapes
- Engineering & Computer Science (AREA)
- Manufacturing & Machinery (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Machines For Laying And Maintaining Railways (AREA)
Abstract
本发明提供了一种基于台账曲线特征点的动检数据绝对里程校准方法。该方法包括:根据某线路台账信息提取该条线路的曲线特征点,计算对应曲线特征点的超高值,生成初始超高基准数据序列;对初始超高基准数据序列进行插值处理,得到超高基准数据序列;对实际动检数据中的超高项进行采样,得到超高检测数据序列;对超高基准数据序列和超高检测数据序列分别进行基于动态时间规整D‑DTW的粗配准、分段和基于shapeDTW的精细配准,合并分段精细配准的超高检测数据序列,评估实际动检数据的偏移量,得到整条线路的动检数据绝对里程校准结果。本发明方法能够精准地检测定位动检数据中的超高曲线特征点,并根据台账信息实现动检数据的精确绝对里程校准。
Description
技术领域
本发明涉及铁路动检数据挖掘技术领域,尤其涉及一种基于台账曲线特征点的动检数据绝对里程校准方法。
背景技术
伴随着铁路运输业的飞速发展,线路安全保障的挑战日益凸显。轨道综合检测列车作为了解和掌握轨道状况的现代化手段,广泛应用于线路检测中。轨道综合检测列车上的装备有多种传感器,在高速通过检测线路时自动记录与轨道线路设施服役状况紧密相关的多个检测项目。
受轮径尺寸误差、轮轨间的相对滑动、轮轴光栅编码器故障、GPS(GlobalPositioning System,全球定位系统)精度及局限性等多重因素的影响,多次检测的动检数据间普遍存在里程偏移现象。
目前,现有技术中对动检数据进行里程校准有绝对里程校准方法和相对里程校准方法;
绝对里程校准通常使用线路的台账数据,计算动检数据与台账数据的里程偏差,这种方法存在的问题是台账数据的里程校准点的波形数据难以利用,而且台账数据的特征点的数目通常比较稀疏。
相对里程校准方法通常使用多次动检数据之间进行配准,没有利用到台账数据进行精细匹配,误差较大。
发明内容
本发明的实施例提供了一种基于台账曲线特征点的动检数据绝对里程校准方法,可以更简单、高效和精确地对动检数据发生的里程偏移现象进行校准。
为了实现上述目的,本发明采取了如下技术方案。
一种基于台账曲线特征点的动检数据绝对里程校准方法,包括:
步骤S1:根据某线路台账信息提取该条线路的曲线特征点,根据曲线特征点的绝对里程计算对应曲线特征点的超高值,生成初始超高基准数据序列;
步骤S2:对所述初始超高基准数据序列进行插值处理,使初始超高基准数据序列与采样得到的实际动检数据检测点数量匹配,得到超高基准数据序列;
步骤S3:对实际动检数据中的超高项进行采样,使实际动检数据与所述超高基准数据序列中检测点数量匹配,得到超高检测数据序列;
步骤S4:对所述超高基准数据序列和所述超高检测数据序列分别进行基于动态时间规整D-DTW的粗配准,根据所述步骤S1中的曲线特征点分别对粗配准后的超高基准数据序列和超高检测数据序列进行分段;
步骤S5:对分段后的超高基准数据序列和超高检测数据序列分别进行基于shapeDTW的精细配准,定位精细配准后的超高检测数据序列中与超高基准数据序列匹配的曲线特征点,将曲线特征点校准为步骤S1中对应的该条线路的曲线特征点的绝对里程;
步骤S6:合并分段精细配准的超高检测数据序列,将超高检测数据序列中特征点的实际里程校准为对应的超高基准数据序列中特征点的里程,评估实际动检数据的偏移量,并根据超高项的校准结果校准其余所有检测项,得到整条线路的动检数据绝对里程校准结果。
优选地,所述的步骤S1具体包括:
步骤S11:读取台账数据中的曲线表,得到该线路上每条曲线的起点里程Ps、终点里程Pe、起缓和线长Ls、终缓和线长Le以及超高值信息;
步骤S12:根据读取的数据确定每条曲线的波形及特征点,包括进入曲线的直缓点ZH、进入圆周的缓圆点HY、离开圆周的圆缓点YH和离开曲线的缓直点HZ,根据特征点的里程位置和超高值绘制台账数据的初始超高基准数据曲线;
各个特征点的里程位置M的计算公式为:
MZH=Ps
MHY=Ps+Ls
MYH=Pe-Le
MHZ=Pe
MZH:进入曲线的里程位置 MHY:进入圆周的里程位置
MYH:离开圆周的里程位置 MHZ:离开曲线的里程位置
PS:曲线的起点里程 Pe:曲线的终点里程
LS:起缓和线长 Le:终缓和线长。
优选地,所述的步骤S2中的对所述初始超高基准数据序列进行插值处理的插值间隔取为64m,所述步骤S3对实际动检数据中超高项进行下采样的采样间隔取为256。
优选地,所述步骤S4具体包括:
步骤S41:对超高基准数据序列Sgt和超高检测数据序列Sd分别进行基于D-DTW方法的粗配准,得到Sgt和Sd的配准路径及序列间检测点间的对应关系,基于Sgt中已知的曲线特征点ZH和HZ点对动检数据的粗配准特征点进行分段处理;
步骤S42:取Sd中对应于Sgt的ZH点Pzh’和HZ点Phz’的特征点,基于超高检测序列分别向前、后取设定数量个点,作为超高检测数据序列的曲线分段Cdi,将该曲线分段Cdi作为后续精细配准方法的输入;
步骤S43:基于步骤S1中获取的曲线特征点,取每条曲线中ZH点前64m到HZ点后64m,作为精细配准所需的超高基准数据序列Cgti,以0.25m为间隔重新对Cgti进行线性插值处理,得到超高基准数据序列的曲线分段Cgti。
优选地,所述步骤S5具体包括:
步骤S51:对分段后的超高基准数据序列和超高检测数据序列分别进行基于shapeDTW的精细配准;
步骤S52:定位超高基准数据序列Cgti中曲线特征点的ZH点、HY点、YH点和HZ点,根据每个曲线段中四个特征点的对应关系提取超高检测数据序列Cdi中的曲线特征点并对应标记,将超高检测数据序列Cdi中的曲线特征点校准为步骤S1中对应的该条线路的曲线特征点的绝对里程。
由上述本发明的实施例提供的技术方案可以看出,本发明实施例方法能够精准地检测定位动检数据中的超高曲线特征点,并根据台账信息实现动检数据的精确绝对里程校准。
本发明附加的方面和优点将在下面的描述中部分给出,这些将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例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。
图1为本发明实施例提供的一种基于台账曲线特征点的动检数据绝对里程校准方法流程示意图。
图2为本发明实施例提供的一种在曲线路段超高数据的呈现的波形以及曲线路段的四个特征点示意图。
图3为本发明实施例提供的一种在步骤S4中的粗配准及分段结果示意图。
图4为本发明实施例提供的一种在步骤S5中精细配准结果示意图。
具体实施方式
下面详细描述本发明的实施方式,所述实施方式的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施方式是示例性的,仅用于解释本发明,而不能解释为对本发明的限制。
本技术领域技术人员可以理解,除非特意声明,这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是,本发明的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件,但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。应该理解,当我们称元件被“连接”或“耦接”到另一元件时,它可以直接连接或耦接到其他元件,或者也可以存在中间元件。此外,这里使用的“连接”或“耦接”可以包括无线连接或耦接。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的任一单元和全部组合。
本技术领域技术人员可以理解,除非另外定义,这里使用的所有术语(包括技术术语和科学术语)具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是,诸如通用字典中定义的那些术语应该被理解为具有与现有技术的上下文中的意义一致的意义,并且除非像这里一样定义,不会用理想化或过于正式的含义来解释。
为便于对本发明实施例的理解,下面将结合附图以几个具体实施例为例做进一步的解释说明,且各个实施例并不构成对本发明实施例的限定。
对动检数据进行绝对里程校准是准确评估轨道几何状态的基础,对深入挖掘利用轨道状态检测数据、及早发现线路病害、提高维保工作效率、降低线路养护维修成本等方面具有重要意义。为中和列车通过时的离心力,轨道线路中曲线地段的外侧轨道与内侧轨道之间设计有高度差,体现为动检数据中的超高项。超高数据在曲线段的波形上表现为一个梯形,梯形四个点分别为轨检车进入曲线的ZH点、进入圆周的HY点、离开圆周的YH点以及离开曲线的HZ点。通过根据台账数据与动检数据的配准的提取动检数据的超高特征点,可以完成多次检测数据的绝对里程校准,在此基础上完成多次动检数据的相对里程校准,从而为动检数据的时序分析奠定了基础。
本发明从线路特点出发,基于线路台账信息,通过匹配线路曲线段的超高特征点实现动检数据的绝对里程校准。
本发明实施例提供的一种基于台账曲线特征点的动检数据绝对里程校准方法的处理流程如图1所示,包括如下处理步骤:
步骤S1:根据某线路台账信息提取该条线路的曲线特征点绝对里程,根据曲线特征点绝对里程计算对应曲线特征点的超高值,生成初始超高基准数据序列;图2为本发明实施例提供的一种在曲线路段超高数据的呈现的波形以及曲线路段的四个特征点示意图。
步骤S2:对台账生成的初始超高基准数据序列进行插值处理,使初始超高基准数据序列与采样得到的实际动检数据检测点数量匹配,得到超高基准数据序列。
步骤S3:对实际动检数据中的超高项进行采样,使实际动检数据与超高基准数据序列中检测点数量相近,得到超高检测数据序列。
步骤S4:对超高基准数据序列和超高检测数据序列分别进行基于D-DTW(DynamicTime Warping,动态时间规整)方法的粗配准,再根据步骤S1中提取的曲线特征点分别对粗配准后的超高基准数据序列和超高检测数据序列进行分段。图3为本发明实施例提供的一种在步骤S4中的粗配准及分段结果示意图。
步骤S5:对分段后的超高基准数据序列和超高检测数据序列分别进行基于shapeDTW的精细配准,定位精细配准后的超高检测数据序列中与超高基准数据序列匹配的曲线特征点,将曲线特征点校准为步骤S1中对应的该条线路的曲线特征点里程。图4为本发明实施例提供的一种在步骤S5中精细配准结果示意图。
步骤S6:合并S5中分段精细配准的超高检测数据序列,将超高检测数据序列中特征点的实际里程校准为对应的超高基准数据序列中特征点的里程,评估实际动检数据的偏移量,并根据超高项的校准结果校准其余所有检测项,即实现整条线路的动检数据里程校准。
所述的方法需要对应铁路路线里程范围内的台账数据。
进一步地,所述步骤S1具体包括:
步骤S11:读取台账数据中的曲线表,得到该线路上每条曲线的起点里程Ps、终点里程Pe、起缓和线长Ls、终缓和线长Le以及超高值等信息;
步骤S12:根据读取的数据确定每条曲线的波形及特征点,包括进入曲线的ZH(直缓点,直线与缓和曲线的交点)点、进入圆周的HY(缓圆点,缓和曲线与圆曲线的交点)点、离开圆周的YH(圆缓点,圆曲线与缓和曲线的交点)点和离开曲线的HZ(缓直点,缓和曲线与直线的交点)点的里程位置,根据特征点的里程位置和超高值绘制台账数据的初始超高基准数据曲线。
其各个特征点的里程位置M的计算公式为:
MZH=Ps
MHY=Ps+Ls
MYH=Pe-Le
MHZ=Pe
MZH:进入曲线的里程位置 MHY:进入圆周的里程位置
MYH:离开圆周的里程位置 MHZ:离开曲线的里程位置
PS:曲线的起点里程 Pe:曲线的终点里程
LS:起缓和线长 Le:终缓和线长
进一步地,所述步骤S2具体包括:
台账特征点的稀疏性会对配准结果产生不利影响,因此需对台账特征点进行插值,获取超高基准数据序列Sgt,考虑后续算法的空间复杂度,插值间隔可取为64m。
进一步地,所述步骤S3具体包括:
对实际动检数据中超高项进行下采样,采样间隔取为256(等同于在动检数据中间隔64m),得到下采样后的超高检测数据序列Sd。
进一步地,所述步骤S4具体包括:
步骤S41:对超高基准数据序列Sgt和超高检测数据序列Sd进行基于D-DTW方法的粗配准,得到Sgt和Sd的配准路径及序列间检测点间的对应关系,基于Sgt中已知的曲线特征点ZH和HZ点对动检数据的粗配准特征点进行分段处理;
步骤S42:取Sd中对应于Sgt的ZH点Pzh’和HZ点Phz’的特征点,然后基于超高检测序列分别向前、后取256(64m)个点,作为超高检测数据序列的曲线分段Cdi,作为后续精细配准方法的输入;
步骤S43:基于步骤S1中获取的曲线特征点,取每条曲线中ZH点前64m到HZ点后64m,作为精细配准所需的超高基准数据序列Cgti,以0.25m为间隔重新对Cgti进行线性插值处理,得到超高基准数据序列的曲线分段Cgti。
进一步地,所述步骤S5具体包括:
步骤S51:对分段后的超高基准数据序列和超高检测数据序列分别进行基于shapeDTW的精细配准,shapeDTW对于密集点序列配准效果更佳;
步骤S52:超高基准数据序列Cgti中存在已知的曲线特征点的ZH点、HY点、YH点和HZ点,根据每个曲线段中四个特征点的对应关系提取超高检测数据序列Cdi中的特征点并对应标记。
进一步地,所述步骤S6具体包括:
步骤S61:整合S5中获取的多段曲线段的超高检测数据序列特征点提取结果,获取整条线路的动检数据绝对里程校准结果;
步骤S62:根据绝对里程校准结果,评估动检数据的里程偏移量。
综上所述,本发明实施例基于所述的方法,能够简单、高效、精确地对动检数据发生的里程偏移现象进行绝对里程校准和相对里程校准。该技术为动检数据的深入挖掘利用和应用研究提供了有效、准确、可靠的基础和技术支持。
本领域普通技术人员可以理解:附图只是一个实施例的示意图,附图中的模块或流程并不一定是实施本发明所必须的。
通过以上的实施方式的描述可知,本领域的技术人员可以清楚地了解到本发明可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例或者实施例的某些部分所述的方法。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于装置或系统实施例而言,由于其基本相似于方法实施例,所以描述得比较简单,相关之处参见方法实施例的部分说明即可。以上所描述的装置及系统实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下,即可以理解并实施。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应该以权利要求的保护范围为准。
Claims (4)
1.一种基于台账曲线特征点的动检数据绝对里程校准方法,其特征在于,包括:
步骤S1:根据某线路台账信息提取该条线路的曲线特征点,根据曲线特征点的绝对里程计算对应曲线特征点的超高值,生成初始超高基准数据序列;
步骤S2:对所述初始超高基准数据序列进行插值处理,使初始超高基准数据序列与采样得到的实际动检数据检测点数量匹配,得到超高基准数据序列;
步骤S3:对实际动检数据中的超高项进行采样,使实际动检数据与所述超高基准数据序列中检测点数量匹配,得到超高检测数据序列;
步骤S4:对所述超高基准数据序列和所述超高检测数据序列分别进行基于动态时间规整D-DTW的粗配准,根据所述步骤S1中的曲线特征点分别对粗配准后的超高基准数据序列和超高检测数据序列进行分段;
步骤S5:对分段后的超高基准数据序列和超高检测数据序列分别进行基于shapeDTW的精细配准,定位精细配准后的超高检测数据序列中与超高基准数据序列匹配的曲线特征点,将曲线特征点校准为步骤S1中对应的该条线路的曲线特征点的绝对里程;
步骤S6:合并分段精细配准的超高检测数据序列,将超高检测数据序列中特征点的实际里程校准为对应的超高基准数据序列中特征点的里程,评估实际动检数据的偏移量,并根据超高项的校准结果校准其余所有检测项,得到整条线路的动检数据绝对里程校准结果;
所述的步骤S1具体包括:
步骤S11:读取台账数据中的曲线表,得到该线路上每条曲线的起点里程Ps、终点里程Pe、起缓和线长Ls、终缓和线长Le以及超高值信息;
步骤S12:根据读取的数据确定每条曲线的波形及特征点,包括进入曲线的直缓点ZH、进入圆周的缓圆点HY、离开圆周的圆缓点YH和离开曲线的缓直点HZ,根据特征点的里程位置和超高值绘制台账数据的初始超高基准数据曲线;
各个特征点的里程位置M的计算公式为:
MZH=Ps
MHY=Ps+Ls
MYH=Pe-Le
MHz=Pe
MZH:进入曲线的里程位置 MHY:进入圆周的里程位置
MYH:离开圆周的里程位置 MHZ:离开曲线的里程位置
PS:曲线的起点里程 Pe:曲线的终点里程
LS:起缓和线长 Le:终缓和线长。
2.根据权利要求1所述的方法,其特征在于,所述的步骤S2中的对所述初始超高基准数据序列进行插值处理的插值间隔取为64m,所述步骤S3对实际动检数据中超高项进行下采样的采样间隔取为256。
3.根据权利要求1或者2所述的方法,其特征在于,所述步骤S4具体包括:
步骤S41:对超高基准数据序列Sgt和超高检测数据序列Sd分别进行基于D-DTW方法的粗配准,得到Sgt和Sd的配准路径及序列间检测点间的对应关系,基于Sgt中已知的曲线特征点ZH和HZ点对动检数据的粗配准特征点进行分段处理;
步骤S42:取Sd中对应于Sgt的ZH点Pzh’和HZ点Phz’的特征点,基于超高检测序列分别向前、后取设定数量个点,作为超高检测数据序列的曲线分段Cdi,将该曲线分段Cdi作为后续精细配准方法的输入;
步骤S43:基于步骤S1中获取的曲线特征点,取每条曲线中ZH点前64m到HZ点后64m,作为精细配准所需的超高基准数据序列Cgti,以0.25m为间隔重新对Cgti进行线性插值处理,得到超高基准数据序列的曲线分段Cgti。
4.根据权利要求3所述的方法,其特征在于,所述步骤S5具体包括:
步骤S51:对分段后的超高基准数据序列和超高检测数据序列分别进行基于shapeDTW的精细配准;
步骤S52:定位超高基准数据序列Cgti中曲线特征点的ZH点、HY点、YH点和HZ点,根据每个曲线段中四个特征点的对应关系提取超高检测数据序列Cdi中的曲线特征点并对应标记,将超高检测数据序列Cdi中的曲线特征点校准为步骤S1中对应的该条线路的曲线特征点的绝对里程。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210164000.XA CN114459505B (zh) | 2022-02-22 | 2022-02-22 | 一种基于台账曲线特征点的动检数据绝对里程校准方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210164000.XA CN114459505B (zh) | 2022-02-22 | 2022-02-22 | 一种基于台账曲线特征点的动检数据绝对里程校准方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114459505A CN114459505A (zh) | 2022-05-10 |
CN114459505B true CN114459505B (zh) | 2023-12-26 |
Family
ID=81415416
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210164000.XA Active CN114459505B (zh) | 2022-02-22 | 2022-02-22 | 一种基于台账曲线特征点的动检数据绝对里程校准方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114459505B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115790661A (zh) * | 2022-12-19 | 2023-03-14 | 东莞市诺丽科技股份有限公司 | 一种轨道综合检测系统里程定位修正方法及系统 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2293015A1 (fr) * | 2009-09-04 | 2011-03-09 | Société Nationale des Chemins De Fer Français - SNCF | Procédé de correction d'odométrie férroviaire |
CN107314776A (zh) * | 2017-06-12 | 2017-11-03 | 西南交通大学 | 一种基于铁路轨道检测数据进行里程校准的方法 |
CN108876962A (zh) * | 2018-06-07 | 2018-11-23 | 西南交通大学 | 基于小波变换的铁路轨道里程数据的校准方法 |
CN110020464A (zh) * | 2019-03-13 | 2019-07-16 | 西南交通大学 | 一种减弱铁路桥梁轨道上拱的方法 |
CN112785631A (zh) * | 2020-12-31 | 2021-05-11 | 杭州鲁尔物联科技有限公司 | 一种基于dlg的点云数据配准方法 |
CN112883078A (zh) * | 2021-02-07 | 2021-06-01 | 江西科技学院 | 基于dtw与最小二乘估计的轨道动态检查历史数据匹配方法 |
CN113447042A (zh) * | 2021-05-20 | 2021-09-28 | 深圳大学 | 一种检测数据里程配准方法、装置、终端及存储介质 |
RU2758403C1 (ru) * | 2021-04-16 | 2021-10-28 | Открытое акционерное общество "Радиоавионика" | Способ оценки работоспособности искательной системы дефектоскопических средств при высокоскоростном контроле рельсов |
-
2022
- 2022-02-22 CN CN202210164000.XA patent/CN114459505B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2293015A1 (fr) * | 2009-09-04 | 2011-03-09 | Société Nationale des Chemins De Fer Français - SNCF | Procédé de correction d'odométrie férroviaire |
CN107314776A (zh) * | 2017-06-12 | 2017-11-03 | 西南交通大学 | 一种基于铁路轨道检测数据进行里程校准的方法 |
CN108876962A (zh) * | 2018-06-07 | 2018-11-23 | 西南交通大学 | 基于小波变换的铁路轨道里程数据的校准方法 |
CN110020464A (zh) * | 2019-03-13 | 2019-07-16 | 西南交通大学 | 一种减弱铁路桥梁轨道上拱的方法 |
CN112785631A (zh) * | 2020-12-31 | 2021-05-11 | 杭州鲁尔物联科技有限公司 | 一种基于dlg的点云数据配准方法 |
CN112883078A (zh) * | 2021-02-07 | 2021-06-01 | 江西科技学院 | 基于dtw与最小二乘估计的轨道动态检查历史数据匹配方法 |
RU2758403C1 (ru) * | 2021-04-16 | 2021-10-28 | Открытое акционерное общество "Радиоавионика" | Способ оценки работоспособности искательной системы дефектоскопических средств при высокоскоростном контроле рельсов |
CN113447042A (zh) * | 2021-05-20 | 2021-09-28 | 深圳大学 | 一种检测数据里程配准方法、装置、终端及存储介质 |
Non-Patent Citations (2)
Title |
---|
车辆动态响应检测数据里程偏差二次修正快速计算方法;秦航远;《中国铁道科学》;第40卷(第4期);第112-119页 * |
轨检数据车地定位信息融合技术应用;徐炜彤等;《中国铁路》;第707卷(第05期);第125-130页 * |
Also Published As
Publication number | Publication date |
---|---|
CN114459505A (zh) | 2022-05-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114459505B (zh) | 一种基于台账曲线特征点的动检数据绝对里程校准方法 | |
US20050080569A1 (en) | Methods for aligning measured data taken from specific rail track sections of a railroad with the correct geographic location of the sections | |
JP6467304B2 (ja) | 橋梁動的応答評価方法 | |
CN104900059A (zh) | 一种利用隐马尔可夫地图匹配算法增强手机基站定位精度的方法 | |
DE102014225865A1 (de) | Vorrichtung und Verfahren zum Kompensieren eines Positionsfehlers eines Resolvers | |
Wilk et al. | Digital filtering of railway track coordinates in mobile multi–receiver GNSS measurements | |
CN105882684A (zh) | 一种城市轨道交通公里标定标方法 | |
KR20160112580A (ko) | Obd, gps 및 블랙박스 영상정보를 이용한 교통사고 현장 재현시스템 및 그 방법 | |
CN101640043A (zh) | 基于多坐标序列内核的说话人识别方法和系统 | |
US20180283992A1 (en) | Wheel condition monitoring | |
CN103514604A (zh) | 电子散斑干涉条纹图像骨架线提取方法 | |
Alemi et al. | Reconstruction of an informative railway wheel defect signal from wheel–rail contact signals measured by multiple wayside sensors | |
CN109606430A (zh) | 轨道车自动定位方法、自动定位系统及自动驾驶装置 | |
Azim et al. | Development of a novel damage detection framework for truss railway bridges using operational acceleration and strain response | |
CN202471752U (zh) | 列车速度确定装置 | |
CN109484434A (zh) | 列车综合定位装置与方法 | |
CN112026856B (zh) | 一种轨道交通列车运行速度智能计算方法和系统 | |
CN116681912A (zh) | 铁路道岔的轨距检测方法及装置 | |
CN110308302B (zh) | 一种近壁面流速测量方法及装置 | |
CN115366942A (zh) | 一种基于双传感器感知时延的地铁里程定位方法 | |
CN113091708A (zh) | 基于多样本gps质控数据的道路分段坡度估计方法及系统 | |
CN117093808B (zh) | 一种基于整体最小二乘法的轨道岔心提取方法及系统 | |
CN115035185B (zh) | 一种利用曲率和曲率变化率识别平曲线的方法 | |
CN105547932B (zh) | 一种发动机滑油金属颗粒在线监测的信号检波方法 | |
CN117565937B (zh) | 一种基于wlan技术实现轨道列车动态定位方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |