CN114646907A - 一种基于机器学习的轨道交通低频磁场现场测量方法 - Google Patents

Abstract

本发明提供了一种基于机器学习的轨道交通低频磁场现场测量方法。该方法包括：测量每个测量点在没有电磁干扰下的磁感应强度真实值；测量每个测量点在有电磁干扰下的磁感应强度值；根据每个测量点在有无电磁干扰下的磁感应强度值通过基于机器学习的迭代计算模型，计算出每个测量点的最终的磁感应强度值。本发明利用数学模型对轨道交通列车的每个测量点的低频磁场数据进行迭代计算，计算出可以排除其他列车设备的电磁干扰的近似值，同时可以降低现场测量的复杂性，降低测量数据误差。

Description

一种基于机器学习的轨道交通低频磁场现场测量方法

技术领域

本发明涉及轨道交通电磁辐射测量技术领域，尤其涉及一种基于机器学 习的轨道交通低频磁场现场测量方法。

背景技术

轨道交通列车的电磁辐射发射特性是影响轨道交通列车安全运行的重要 因素，同时也会直接对轨道交通系统周围电磁环境造成影响。由于轨道交通 列车驱动系统、通信信号系统及控制系统的技术特点，轨道交通系统的辐射 发射骚扰来源众多、特性复杂。为保证轨道交通系统内各设备及子系统的正 常运行与人体健康，国际上制定了诸多适用于轨道交通系统的电磁兼容标 准，对轨道交通系统的辐射发射骚扰强度进行了限制。

为深入研究轨道交通列车的辐射发射特性、定位轨道交通列车正常运行 过程中的辐射发射骚扰源、研究相应辐射发射抑制措施，须有准确、先进的 适用于行驶中轨道交通列车辐射发射的试验装置及方法支持。轨道交通系统 采用的电轨道交通与直线电机驱动，增大了轨道交通系统空间电磁辐射水 平。

轨道交通列车使用电池、无接触供电以及直流发电机同时供电，供电电 压和电流的波动情况也呈现复杂的动态特性；列车悬浮使得车载用电设备无 法实现接地。这些特点对轨道交通系统的现场电磁兼容测量提出了需求。考 虑到轨道交通列车的整车长度及运行时轨道系统和外部环境的复杂性，不易 在相关实验室进行电磁兼容测量。而在一般场地进行测量时，又存在电磁环 境复杂、测量方法不易实现、测量结果易受干扰等困难。目前，现有技术中 还没有一种有效地对于轨道交通列车整车进行电磁辐射发射测量的方法。

发明内容

本发明提供了一种基于机器学习的轨道交通低频磁场现场测量方法，以 实现有效地对轨道交通列车进行电磁辐射发射测量。

为了实现上述目的，本发明采取了如下技术方案。

一种基于机器学习的轨道交通低频磁场现场测量方法，包括：

测量每个测量点在没有电磁干扰下的磁感应强度真实值；

测量每个测量点在有电磁干扰下的磁感应强度值；

根据每个测量点在有无电磁干扰下的磁感应强度值通过基于机器学习的 迭代计算模型，计算出每个测量点的最终的磁感应强度值。

优选地，所述的测量每个测量点在没有电磁干扰下的磁感应强度真实 值，包括：

选取一个测量点，关闭其它测量点的设备，通过该测量点附近的测量设 备采集该测量点在没有电磁干扰下的磁感应强度真实值；

依次选取其它的测量点，按照上述处理过程，依次测量各个测量点在没 有电磁干扰下的磁感应强度真实值，将N个测量点的磁感应强度真实值组成一 个N行1列的向量

，N为测量点的总数。

优选地，所述测量设备包括低频磁场天线。

优选地，所述的测量每个测量点在有电磁干扰下的磁感应强度值，包 括：

选取一个测量点，开启其它测量点的设备，参考标准搭建测量平台，通 过该测量点附近的测量设备采集该测量点在有电磁干扰下的磁感应强度值。

依次选取其它的测量点，按照上述处理过程，依次测量各个测量点在有 电磁干扰下的磁感应强度值，将N个测量点的磁感应强度值组成一个N行1列的向量

优选地，所述的根据每个测量点在有无电磁干扰下的磁感应强度值通过 基于机器学习的迭代计算模型，计算出每个测量点的最终的磁感应强度值， 包括：

构建基于机器学习的迭代计算模型：

为测量值与真实值之间的转换关系，表示了测量过程中电磁干扰的影响 及电波衰减的影响，为一个N×N维矩阵，表示为，

h_nm表示第n个真实值与第m个测量值之间的关系；

将式(1)的两边同时乘以矩阵

的逆矩阵

，根据机器学习算法，将得 到计算值

，不断迭代计算后，使得均方误差

不断 减小，直到MSE的值小于设定的阈值，得到最接近真实值的一组向量

，将该最 接近真实值的一组向量

作为各个测量点的最终的磁感应强度值。

由上述本发明的实施例提供的技术方案可以看出，本发明利用数学模型 对轨道交通列车的每个测量点的低频磁场数据进行迭代计算，计算出可以排 除其他列车设备的电磁干扰的近似值，同时可以降低现场测量的复杂性，降 低测量数据误差。

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轨道交通列车的低频磁场现场测量的应用 场景示意图。图中，点S为测量点位置，点R为轨道交通列车运行设备。

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。

低频磁场测量就是为了研究轨道交通列车的电磁环境是否符合公众曝露 标准和轨道交通电磁兼容国家标准，对轨道交通系统的电磁环境进行分析及 评估，提升现场测量的工作效率和测量数据的准确性。

本发明实施例提供了一种基于机器学习的的轨道交通低频磁场现场测量 方法，该方法包括：基于机器学习建立数学模型，利用数学模型对轨道交通 列车的每个测量点的低频磁场数据进行迭代计算，计算出可以排除其他列车 设备的电磁干扰的近似值，同时可以降低现场测量的复杂性，降低测量数据 误差。

本发明实施例提供的一种轨道交通列车的低频磁场现场测量的应用场景 示意图如图1所示，图1中，点S为测量点位置，点R为轨道交通列车运行设 备。

如图1所示，假设一列车车厢有八个测量点需要测量其低频磁场，测量点 用S表示，如S1、S2、……、S8，将测量设备R(R1、R2、……、R8)设置至 测量点附近，通过测量设备采集对应的测量点的磁感应强度，具体测量方法 可参考相关国家标准。上述测量设备可以为低频磁场天线。

本发明实施例提供的一种基于机器学习的轨道交通低频磁场现场测量方 法的包括如下的处理步骤：

步骤S10、测量每个测量点在没有电磁干扰下的磁感应强度真实值。

由于轨道交通列车通电时，其余测量点的设备会同时发射低频磁场信 号，对测量带来电磁干扰，破坏数据的准确性。

本发明首选选取一个测量点，关闭其它测量点的设备，即排除了其它测 量点的设备的电磁干扰。然后，通过该测量点附近的测量设备采集该测量点 在没有电磁干扰下的磁感应强度真实值。

依次选取其它的测量点，按照上述处理过程，依次测量各个测量点在没 有电磁干扰下的磁感应强度真实值。将N个测量点的磁感应强度真实值组成一 个N行1列的向量

，N为测量点的总数，在本发明实施例中， N＝8。

步骤S20、测量每个测量点在有电磁干扰下的磁感应强度值。

选取一个测量点，开启其它测量点的设备，即开启了其它测量点的设备 的电磁干扰。然后，参考标准搭建测量平台，通过该测量点附近的测量设备 采集该测量点在有电磁干扰下的磁感应强度值。

依次选取其它的测量点，按照上述处理过程，依次测量各个测量点在有 电磁干扰下的磁感应强度值。将N个测量点的磁感应强度值组成一个N行1列的 向量

步骤S30、根据每个测量点在有无电磁干扰下的磁感应强度值通过基于机 器学习的迭代计算模型，计算出每个测量点的最终的磁感应强度值。

构建基于机器学习的迭代计算模型:

为测量值与真实值之间的转换关系，表示了测量过程中电磁干扰的影响 及电波衰减的影响，为一个N×N维矩阵，表示为，

h_nm表示第n个真实值与第m个测量值之间的关系。

将式(1)的两边同时乘以矩阵

的逆矩阵

，根据机器学习算法，将得 到计算值

不断迭代计算后，使得

不断减小，直到MSE的值小于设定的阈值，从而得到最接近真实值的一组向量

将该最接近真实值的一组向量

作为各个测量点的最终的磁感应强度值。

综上所述，本发明实施例的方法可减少现场测量的复杂性和降低测量的 工作量，从而减少测量数据误差。即只使用一组磁场测量天线，得到每个测 量点的磁场强度(磁感应强度)数据，经过对机器学习的迭代方式和计算MSE 得出最接近真实值的各个测量点的最终的磁感应强度值。

该方法减少了轨道交通列车现场磁场测量的复杂度并且提高了测量数据 的准确性，解决了现有技术中存在的问题。

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。

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 (5)

1.一种基于机器学习的轨道交通低频磁场现场测量方法，其特征在于，包括：

测量每个测量点在没有电磁干扰下的磁感应强度真实值；

测量每个测量点在有电磁干扰下的磁感应强度值；

根据每个测量点在有无电磁干扰下的磁感应强度值通过基于机器学习的迭代计算模型，计算出每个测量点的最终的磁感应强度值。

2.根据权利要求1所述的方法，其特征在于，所述的测量每个测量点在没有电磁干扰下的磁感应强度真实值，包括：

选取一个测量点，关闭其它测量点的设备，通过该测量点附近的测量设备采集该测量点在没有电磁干扰下的磁感应强度真实值；

依次选取其它的测量点，按照上述处理过程，依次测量各个测量点在没有电磁干扰下的磁感应强度真实值，将N个测量点的磁感应强度真实值组成一个N行1列的向量

N为测量点的总数。

3.根据权利要求2所述的方法，其特征在于，所述测量设备包括低频磁场天线。

4.根据权利要求2或者3所述的方法，其特征在于，所述的测量每个测量点在有电磁干扰下的磁感应强度值，包括：

选取一个测量点，开启其它测量点的设备，参考标准搭建测量平台，通过该测量点附近的测量设备采集该测量点在有电磁干扰下的磁感应强度值。

依次选取其它的测量点，按照上述处理过程，依次测量各个测量点在有电磁干扰下的磁感应强度值，将N个测量点的磁感应强度值组成一个N行1列的向量

5.根据权利要求4所述的方法，其特征在于，所述的根据每个测量点在有无电磁干扰下的磁感应强度值通过基于机器学习的迭代计算模型，计算出每个测量点的最终的磁感应强度值，包括：

构建基于机器学习的迭代计算模型：

为测量值与真实值之间的转换关系，表示了测量过程中电磁干扰的影响及电波衰减的影响，为一个N×N维矩阵，表示为，

h_nm表示第n个真实值与第m个测量值之间的关系；

将式(1)的两边同时乘以矩阵

的逆矩阵

根据机器学习算法，将得到计算值

不断迭代计算后，使得均方误差

不断减小，直到MSE的值小于设定的阈值，得到最接近真实值的一组向量

将该最接近真实值的一组向量

作为各个测量点的最终的磁感应强度值。

Images