CN114701543B - 基于大数据的高精度设备限界检测预警系统及方法 - Google Patents
基于大数据的高精度设备限界检测预警系统及方法 Download PDFInfo
- Publication number
- CN114701543B CN114701543B CN202210448125.5A CN202210448125A CN114701543B CN 114701543 B CN114701543 B CN 114701543B CN 202210448125 A CN202210448125 A CN 202210448125A CN 114701543 B CN114701543 B CN 114701543B
- Authority
- CN
- China
- Prior art keywords
- data
- limit
- detection
- early warning
- deformation
- 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 111
- 238000000034 method Methods 0.000 title claims abstract description 27
- 238000004458 analytical method Methods 0.000 claims abstract description 13
- 238000005259 measurement Methods 0.000 claims description 22
- 238000001914 filtration Methods 0.000 claims description 17
- 238000012545 processing Methods 0.000 claims description 11
- 238000006073 displacement reaction Methods 0.000 claims description 9
- 230000033001 locomotion Effects 0.000 claims description 9
- 229910000831 Steel Inorganic materials 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000011161 development Methods 0.000 claims description 6
- 238000000926 separation method Methods 0.000 claims description 6
- 239000010959 steel Substances 0.000 claims description 6
- 230000008859 change Effects 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 5
- 230000007123 defense Effects 0.000 claims description 4
- 238000003384 imaging method Methods 0.000 claims description 4
- 238000005457 optimization Methods 0.000 claims description 4
- 230000003068 static effect Effects 0.000 claims description 4
- 230000000007 visual effect Effects 0.000 claims description 4
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 238000004891 communication Methods 0.000 claims description 3
- 238000012937 correction Methods 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 claims description 3
- 230000004927 fusion Effects 0.000 claims description 3
- 238000009434 installation Methods 0.000 claims description 3
- 238000003860 storage Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 6
- 238000012706 support-vector machine Methods 0.000 description 6
- 230000009545 invasion Effects 0.000 description 5
- 230000007774 longterm Effects 0.000 description 4
- 201000010099 disease Diseases 0.000 description 3
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000010354 integration Effects 0.000 description 3
- 239000002344 surface layer Substances 0.000 description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000005299 abrasion Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000035699 permeability Effects 0.000 description 1
- 238000011895 specific detection Methods 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- 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
- B61L23/041—Obstacle detection
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Mechanical Engineering (AREA)
- Length Measuring Devices By Optical Means (AREA)
- Machines For Laying And Maintaining Railways (AREA)
Abstract
本发明公开了一种基于大数据的高精度设备限界检测预警系统及方法,系统包括车体(1),设于车体(1)内部的中控台(3)、设于车体(1)底部的定位模块(4)以及远程数据处理中心(6);设于车体(1)前端的限界检测设备(2),设于所述车体(1)底部的振动补偿模块(5),其包括激光摄像式传感器、补偿相机及陀螺仪。本发明的系统,限界检测设备(2)检测轨道的断面各点的廓形数据,定位模块(4)获取此时的精确位置数据,远程数据处理中心(6)保留各个位置轨道断面的历次检测结果,并基于大数据深度分析自动筛查出发生微小移动并有可能侵限的轨旁设施,并与此处的限界比对判断是否侵限,实现侵限的提前预判。
Description
技术领域
本发明属于限界检测技术领域,更具体地,涉及一种基于大数据的高精度设备限界检测预警系统及方法。
背景技术
地铁、有轨电车等城市轨道交通工程在长期服役下,轨旁建构筑物和附属设备设施可能存在变形、松动,甚至脱落的情况,当超过一定界限将严重危险列车安全运行。近些年人防门滑动、轨旁设施掉落以及异物入侵导致的车辆擦伤、碰撞事故和中断运营事件屡见不鲜,因此对车辆运行空间的检测以及异常状态下的车辆自主防护对保障人民和财产安全至关重要。
对于轨道交通运行区间的限界检测,目前还缺少高效和智能的限界检测产品。传统固定式测量方式效率较低,手推式检测车的测量速度通常小于等于5km/h,人工劳动强度大。某些车载式限界检测系统速度较高,但定位和测量精度有限,也未能与综合考虑轨道磨耗、轨道超高、曲线半径等实时线路得到的限界基准进行比对,无法对在变载荷、强风压、高振动环境下的设备设施松动导致的侵限情况进行判定和预测。
为解决上述问题,专利CN 110217262 A公开了一种基于图像比对的轨道限界入侵检测方法及装置,列车将其接收到的轨道交通路况参考图像与该列车实时采集的轨道交通路况图像进行图像比对,检测轨道是否存在限界入侵。该轨道限界入侵检测方法简单 ,能实时反馈轨道是否存在限界入侵,提高了轨道交通的安全性。但是它不能预测轨道在长期服役过程中可能发生的侵限问题。
发明内容
针对现有技术的以上缺陷或改进需求,本发明提供一种基于大数据的高精度设备限界检测预警系统及方法,执行检测任务时,车体带动限界检测车沿轨道行进,限界检测设备检测轨道的断面各点的位置,同时定位模块获取此时的精确位置,将数据传输至中控台,继续行进直至完成整个轨道的检测,数据上传至远程数据处理中心,远程数据处理中心保留各个位置轨道断面的历次检测结果,基于大数据整合、深度分析,自动筛查出发生微小移动并有可能侵限的轨旁设施,与此处的限界比对判断是否侵限,实现侵限的提前预判,一方面通过轨旁图像检测结果,对隧道壁面发生的透水、表层脱落,以及轨旁设备设施紧固结构的螺栓松动等情况进行识别,实现对即将可能发生的突发性病害的预警;另一方面是对长期受风压、振动影响的隧道结构、轨旁设备设施的微小位移情况进行长时间、宽范围、大数据的趋势分析和预测,防止部分设备设施缓慢侵入车辆运行空间,提前预警,保障列车安全行驶。
为了实现上述目的,按照本发明的一个方面,提供一种基于大数据的高精度设备限界检测预警系统,包括:
作为检测系统和软件系统载体的车体,设于所述车体内部的中控台、设于所述车体底部的定位模块以及与所述中控台通讯连接的远程数据处理中心;
设于所述车体前端用于设备限界检测的限界检测设备,其包括用于对车辆运行空间的构筑物和设备设施进行扇面扫描得到以安装平面为横轴的距离轮廓曲线的激光雷达;
设于所述车体底部用于减少和消除车辆运动特性引起所述激光雷达测量误差的振动补偿模块,其包括用于扫描选取钢轨内侧距轨平面下一定距离的定点的激光摄像式传感器、用于获取其相对于最近钢轨的水平或垂直距离的补偿相机、用于记录此时车体倾斜姿态的倾角传感器以及用于选取基准平面的陀螺仪;
所述限界检测设备检测轨道的断面各点的廓形数据,定位模块获取此时的精确位置数据,将廓形数据、位置数据传输至中控台,远程数据处理中心保留各个位置轨道断面的历次检测结果,并基于大数据深度分析自动筛查出发生微小移动并有可能侵限的轨旁设施,并与此处的限界比对判断是否侵限,实现侵限的提前预判。
进一步地,所述定位模块包括里程计和双目相机,所述里程计通过采集检测车轮对转动数据计算车辆位移距离,所述双目相机为实现特定位置的标定和视觉里程计提供基础图像,采用传感器融合方式实现检测车的高精度定位。
进一步地,所述激光雷达输出数据格式为:每一个角度值对应一个距离值,通过数字滤波处理算法后,判断出隧道的位置对应的角度及高度,得到隧道水平和垂直距离:
其中,S为水平距离;PI为圆周率;C为激光雷达偏离中心距离;为角度;H为垂直距
离;h为高度;h0为激光雷达距轨面的高度。
进一步地,所述中控台包括:
用于控制所述车体运行,并发送检测具体指令的控制中枢;
以及与所述控制中枢连接的报警器。
进一步地,所述车体包括作为各种设备的安装支撑结构的车架、设于所述车架底部的走行轮以及为所述车体提供动力的蓄电池。
按照本发明的另一个方面,提供一种基于大数据的高精度设备限界检测预警方法,包括如下步骤:
S100:采集不同时间的隧道、轨旁设备设施的限界数据,组成跨越时间和空间维度的多维数据集合;
S200:采用多次样条插值方法将各项数据非等距时间序列转变为连续时间序列;
S300:通过半参数改进Kalman滤波器对变形数据进行滤波处理,利用卡尔曼滤波公式分解出变形数据含有的测量误差信息,实现隧道和轨旁设备设施变形趋势项及误差项的分离;
S400:采用BP神经网络对变形值的误差项序列进行预测,通过对趋势项和误差项预测结果的综合得到隧道的变形预测值;
S500:采用优化算法支持向量机,对隧道和轨旁设备设施变形的趋势项进行预测;
S600:采用V/S分析方法进一步分析变形的趋势,对隧道、轨旁设备设施的变形序列和速率进行发展趋势判断;
S700:将相应里程位置的预测结果与对应的车辆限界、设备限界进行比对,根据变形综合预测值判断是否侵限,根据变形值发展速率分别输出提醒、预警和报警信号,输出可能引发侵限的日期。
进一步地,步骤S100所述的采集不同时间的隧道、轨旁设备设施的限界数据,定位模块结合列车的速度的里程信息,运用视觉里程计技术,以连续图像序列作为输入信号,通过计算自身的位姿变化进行运动计算;同时对第N号道岔岔尖、人防门、站台等固定里程位置的目标特征进行识别标定,对车辆的里程信息进行动态修正。通过里程计和双目相机的结合,实现高定位精度。
进一步地,步骤S100所述的采集不同时间的隧道、轨旁设备设施的限界数据,振动补偿模块在动态(检测车运行)时,通过0#、1#相机的成像和数据、倾角传感器数据处理获取动态的水平距离,然后由动态水平(高度)距离减去静态水平(高度)距离得到的差值(即为车体左右摆动偏差),通过相应的补偿算法补偿到物体水平(高度)值的检测中。振动补偿模块可消除车体振动引起的测量误差,保证检测车的动态测量精度。
进一步地,S100中所述多维数据集合为:
(Tm,Ln,Xk,Yk)
其中,Tm指第m天;Ln指线路的里程第n米;Xk和Yk分别指限界断面的第k个数据点的X和Y坐标。
进一步地,S300所述的Kalman滤波处理,包括以下步骤:
利用半参数改进Kalman滤波器对变形数据进行滤波处理,得到观测模型系统误差修正后的半参数估计,分解出变形数据含有的测量误差信息,实现隧道和轨旁设备设施变形趋势项及误差项的分离。
总体而言,通过本发明所构思的以上技术方案与现有技术相比,能够取得下列有益效果:
1.本发明的限界检测预警系统,执行检测任务时,车体沿轨道行进,限界检测设备检测轨道的断面各点的位置,同时定位模块获取此时的精确位置,将数据传输至中控台,继续行进直至完成整个轨道的检测,数据上传至远程数据处理中心,远程数据处理中心保留各个位置轨道断面的历次检测结果,基于大数据整合、深度分析,自动筛查出发生微小移动并有可能侵限的轨旁设施,与此处的限界比对判断是否侵限,实现侵限的提前预判,一方面通过轨旁图像检测结果,对隧道壁面发生的透水、表层脱落,以及轨旁设备设施紧固结构的螺栓松动等情况进行识别,实现对即将可能发生的突发性病害的预警;另一方面是对长期受风压、振动影响的隧道结构、轨旁设备设施的微小位移情况进行长时间、宽范围、大数据的趋势分析和预测,防止部分设备设施缓慢侵入车辆运行空间,提前预警,保障列车安全行驶。
2.本发明的限界检测预警系统,智能限界检测系统的定位模块采用里程计与双目相机融合的方式对检测车辆进行定位,实现40km范围内±1m的定位精度,便于检测系统从数据库中获取更加精准的线路数据,为后续的限界计算、侵限位置定位提供了基础。
3.本发明的限界检测预警系统,振动补偿模块消除车体振动引起的测量误差,提高了检测精度。激光雷达检测过程中,由于受车体多自由度振动造成的横向偏移和纵向偏移的影响,会有一定的检测误差。通过振动补偿模块对检测结果进行补偿和修正,消除车体振动引起的测量误差,保证检测车的动态测量误差≤10mm,解决了现有产品误差较大的难题。
附图说明
图1为本发明实施例中限界检测车结构示意图;
图2为本发明实施例基于大数据的高精度设备限界检测预警系统示意图;
图3为本发明实施例的限界检测预警系统激光扫描效果示意图;
图4为本发明实施例的运行空间检测数据检测的软件界面图;
图5为本发明实施例振动补偿模块示意图;
图6为本发明实施例基于大数据的高精度设备限界检测预警方法流程图;
图7为本发明实施例基于大数据的高精度设备限界检测预警系统的系统组成图;
图8为本发明实施例的运行空间检测数据与设备数据比对的软件界面图。
在所有附图中,同样的附图标记表示相同的技术特征,具体为:1-车体、2-限界检测设备、3-中控台、4-定位模块、5-振动补偿模块,6-远程数据处理中心。
具体实施方式
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用以解释本发明,并不用于限定本发明。此外,下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
如图1、图2和图7所示,本发明实施例提供一种基于大数据的高精度设备限界检测预警系统,包括作为检测系统和软件系统载体的车体1,其可在轨道上实现0~80km/h的移动;用于限界检测的限界检测设备2;用于控制限界检测车的中控台3,可接收来自检测部件的数据,并向各模块传输运行指令;用于保证车辆的精确定位的定位模块4;用于减少和消除车辆运动特性引起的测量误差振动补偿模块5,将测量车体多自由度振动引起的横向和纵向偏移,并传输到中控台3;远程数据处理中心6,接收来自其它各个模块的数据,实现数据录入、存储、分析、处理等功能,并且与中控台3通讯连接。进行检测任务时,车体1带动限界检测车沿轨道行进,限界检测设备检测轨道的断面各点的位置,如图3所示,同时定位模块4获取此时的精确位置,将数据传输至中控台3,继续行进直至完成整个轨道的检测,数据上传至远程数据处理中心6,远程数据处理中心6保留各个位置轨道断面的历次检测结果,基于大数据整合、深度分析,自动筛查出发生微小移动并有可能侵限的轨旁设施,与此处的限界比对判断是否侵限,如图4和图8所示,实现侵限的提前预判。
如图1和图2所示,所述车体1包括车架、走行轮、蓄电池。车架是其他设备和装置的载体,为容纳安装限界检测车各种设备的安装支撑结构;走行轮安装在车体下部,由电机驱动,走行在轨道上,支撑车体并担负车辆走行任务;蓄电池为整个限界检测车的运行提供动力,并为所有设备提供电力。
如图1和图2所示,所述限界检测设备2包括激光雷达,安装于车体前端。激光雷达为非接触的光学测量设备,通过连续发射扇面激光束的方式,对运行空间的建构筑物和设备设施进行二维平面测量。激光雷达以角分辨率0.25度对背景做扇面扫描,得到以安装平面为横轴的距离轮廓曲线。安装于车头的激光雷达可以很容易的获得隧道断面参数信息,由于激光雷达将超出测量范围的距离设为FF,再加上距离、角度限定,便可获得隧道断面限界信息,从而获得所需要的侵限信息。
优选的,本发明的激光雷达输出数据格式为:每一个角度值对应一个距离值。通过
范围限定及最低点判别,初步获得隧道断面限界位置。通过数字滤波等处理算法后,判断出
隧道的位置对应的角度及高度,分别为、h;得到隧道水平和垂直距离计算方式:
S为水平距离;PI为圆周率;C为激光雷达偏离中心距离;为角度;H为垂直距离;h
为高度;h0为激光雷达距轨面的高度。
所述中控台3包括控制中枢和报警器。控制中枢可控制限界检测车的运行,并负责发出检测的具体指令;报警器与控制中枢连接,负责侵限和故障的报警,在限界检测车遇到侵限时进行侵限报警,在限界检测车遇到运行故障时进行故障报警。
所述定位模块4包括里程计和双目相机,里程计通过采集检测车轮对转动数据计算车辆位移距离;双目相机为实现特定位置的标定和视觉里程计提供基础图像,采用传感器融合方式实现检测车的高精度定位。定位模块结合列车的速度的里程信息,运用视觉里程计技术,以连续图像序列作为输入信号,通过计算自身的位姿变化进行运动计算;同时对第N号道岔岔尖、人防门、站台等固定里程位置的目标特征进行识别标定,对车辆的里程信息进行动态修正。通过里程计和双目相机的结合,实现40km范围内±1m的定位精度,便于检测系统从数据库中获取更加精准的线路数据,为后续的限界计算、侵限位置定位提供了基础。
所述振动补偿模块5安装于车底,激光雷达检测过程中,由于受车体多自由度振动造成的横向偏移和纵向偏移的影响,会有一定的检测误差。因此需要通过振动补偿模块5对检测结果进行补偿和修正,从而减小系统误差,提高测量精度。
如图5所示,振动补偿模块5包括两个激光摄像式传感器、两个补偿相机、倾角传感器以及陀螺仪。两个激光摄像式传感器分别用于扫描选取钢轨内侧距轨平面下16mm处定点。在静态的时候,由补偿相机0#、1#相机成像的数据获取0#、1#相机各自相对于最近钢轨的水平(高度)距离,利用倾角传感器记录此时车体倾斜姿态,利用陀螺仪选取此时基准平面。并将该距离定为初始状态的标定距离。在动态(检测车运行)时,通过0#、1#相机的成像和数据、倾角传感器数据处理获取动态的水平距离,然后由动态水平(高度)距离减去静态水平(高度)距离得到的差值(即为车体左右摆动偏差),通过相应的补偿算法补偿到物体水平(高度)值的检测中。振动补偿模块5可消除车体振动引起的测量误差,保证检测车的动态测量误差≤10mm,解决了现有产品误差较大的难题。
远程数据处理中心6通过录入限界计算规则、线路参数、站台信息等基础数据,根据相关技术标准,系统自动计算出每一个线路断面的限界要求。限界检测设备2和定位模块4采集数据后通过中控台3传输至远程数据处理中心6,远程数据处理中心6通过对原始数据的处理分析,得出待测区间内轨边其它物体的距离和位置信息,通过对比判断是否侵限。远程数据处理中心6还能对长期的全线各断面检测数据进行大数据整合、深度分析,自动筛查出发生微小移动并有可能侵限的轨旁设施,实现侵限的提前预判。
在本发明的另一个实施例中,提供基于所述的大数据的高精度设备限界检测预警系统的检测方法,如图6所示,包括以下步骤:
S100 采集不同时间的隧道、轨旁设备设施的限界数据,组成跨越时间和空间维度的多维数据集合;隧道、轨旁设备设施在长期服役以及隧道内变风压、变载荷等影响因素下,容易产生不易察觉的位移,长此以往即会侵入至车辆运行空间内。经过长达数月、数年的限界检测,将结果组成跨越时间和空间维度的多维数据集合。
优选的,所述多维数据集合为(T m ,L n ,X k ,Y k )。其中Tm指第m天;Ln指线路的里程第n米;Xk和Yk分别指限界断面的第k各数据点的X和Y坐标。
S200 采用多次样条插值方法将各项数据非等距时间序列转变为连续时间序列;由于检测数据可能不是固定周期采集,可能存在数据空缺。采用多次样条插值方法对隧道和轨旁设备设施变形的原始检测数据进行处理,实现各项数据非等距时间序列转变为连续时间序列。
S300通过半参数改进Kalman滤波器对变形数据进行滤波处理,利用卡尔曼滤波公式分解出变形数据含有的测量误差信息,实现隧道和轨旁设备设施变形趋势项及误差项的分离;
具体而言,根据S300所述的Kalman滤波处理,包括以下步骤:
S301 利用半参数改进Kalman滤波器对变形数据进行滤波处理,根据卡尔曼滤波公式就可以得到观测模型系统误差修正后的半参数估计,分解出变形数据含有的测量误差信息,实现隧道和轨旁设备设施变形趋势项及误差项的分离。
S302 使用半参数模型可将系统误差和模型误差引入非参数因素进行处理,尽可能减少二者的影响,避免传统Kalman容易导致的滤波发散问题,同时相比自适应和抗差自适应Kalman滤波模型具有更高的精度和稳定性。
优选的,本发明的实施例采取恢复信号的光滑性、信噪比(SNR)及均方根误差(RMSE)作为基础指标,以其归一化处理值之和作为综合评价指标,对各模型的滤波效果进行评价。
S400采用优化算法支持向量机,对隧道和轨旁设备设施变形的趋势项进行预测;
优选的,根据S400所述的支持向量机模型预测,本发明的实施例采用最小二乘法支持向量机模型预测,最小二乘法相比粒子群算法、遗传算法等优化算法具有更优的预测结果。最小二乘法支持向量机模型预测包括以下步骤:
隧道和轨旁设备设施变形具有非线性特征,第n个隧道断面、第k个检测点在1~m次检测的变形值X={X 1 ,X 2 ,…,X m },变形值X i+q 与前q个变形值之间存在非线性关系,第m+p次检测的变形值为:
式中: f(X m+p )为在m+p时刻的变形值;X m+p 为m+p时刻前q个时刻的变形值,X i 为q+i时刻前q个时刻的变形值;f(·)为核函数;u, u*,v为二次规划求解参数,m为检测次数,K为K均值聚类函数。
求解二次规划参数得到趋势项预测值。
最小二乘法对支持向量机的优化主要是体现在将传统支持向量机的不等式约束转变为了等式约束,还能将经验风险项由一次转化为二次,实现结构风险的调整。
S500 采用BP神经网络对变形值的误差项序列进行预测,通过对趋势项和误差项预测结果的综合得到隧道的变形预测值。由于网络隐层节点数与预测结果有较大关联,需通过试算法选择适宜的隐层节点数,确保累计相对误差较小;
S600 采用V/S分析方法进一步分析变形的趋势,对隧道、轨旁设备设施的变形序列和速率进行发展趋势判断;
优选的,统计Hurst指数、分形维数、拟合度、相关性(Cm)、误差平方和(SSE)等指标,通过Hurst指数进一步判断变形的趋势性、拟合效果和结果的可信度。
S700 将相应里程位置的预测结果与对应的车辆限界、设备限界进行比对,根据变形综合预测值判断是否侵限,根据变形值发展速率分别输出提醒、预警和报警信号,输出可能引发侵限的日期。
本发明的智能化限界检测方法对易诱发位移突变的因素以及不易察觉微小位移进行识别和监测分析,从而实现对未来可能发生侵限的情况的预测和判断。一方面通过轨旁图像检测结果,对隧道壁面发生的透水、表层脱落,以及轨旁设备设施紧固结构的螺栓松动等情况进行识别,实现对即将可能发生的突发性病害的预警;另一方面是对长期受风压、振动影响的隧道结构、轨旁设备设施的微小位移情况进行长时间、宽范围、大数据的趋势分析和预测,防止部分设备设施缓慢侵入车辆运行空间,提前预警,保障列车安全行驶。
本领域的技术人员容易理解,以上所述仅为本发明的较佳实施例而已,并不用于限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于大数据的高精度设备限界检测预警方法,其特征在于,包括如下步骤:
S100:采集不同时间的隧道、轨旁设备设施的限界数据,组成跨越时间和空间维度的多维数据集合;
S200:采用多次样条插值方法将各项数据非等距时间序列转变为连续时间序列;
S300:通过半参数改进Kalman滤波器对变形数据进行滤波处理,利用卡尔曼滤波公式分解出变形数据含有的测量误差信息,实现隧道和轨旁设备设施变形趋势项及误差项的分离;
S400:采用BP神经网络对变形值的误差项序列进行预测,通过对趋势项和误差项预测结果的综合得到隧道的变形预测值;
S500:采用优化算法支持向量机,对隧道和轨旁设备设施变形的趋势项进行预测;
S600:采用V/S分析方法进一步分析变形的趋势,对隧道、轨旁设备设施的变形序列和速率进行发展趋势判断;
S700:将相应里程位置的预测结果与对应的车辆限界、设备限界进行比对,根据变形综合预测值判断是否侵限,根据变形值发展速率分别输出提醒、预警和报警信号,输出可能引发侵限的日期。
2.根据权利要求1所述的一种基于大数据的高精度设备限界检测预警方法,其特征在于,步骤S100所述的采集不同时间的隧道、轨旁设备设施的限界数据,定位模块结合列车的速度的里程信息,运用视觉里程计技术,以连续图像序列作为输入信号,通过计算自身的位姿变化进行运动计算;同时对第N号道岔岔尖、人防门、站台的固定里程位置的目标特征进行识别标定,对车辆的里程信息进行动态修正,通过里程计和双目相机的结合,实现高定位精度。
3.根据权利要求2所述的一种基于大数据的高精度设备限界检测预警方法,其特征在于,步骤 S100 所述的采集不同时间的隧道、轨旁设备设施的限界数据,振动补偿模块在动态时,通过 0#、1#相机的成像和数据、倾角传感器数据处理获取动态的水平距离,然后由动态水平距离减去静态水平距离得到的差值,通过相应的补偿算法补偿到物体水平值的检测中,振动补偿模块可消除车体振动引起的测量误差,保证检测车的动态测量精度。
4.根据权利要求3所述的一种基于大数据的高精度设备限界检测预警方法,其特征在于,S100中所述多维数据集合为:
,
其中,Tm指第m天;指线路的里程第n米;/>和/>分别指限界断面的第k个数据点的X和Y坐标。
5.根据权利要求4所述的一种基于大数据的高精度设备限界检测预警方法,其特征在于,S300所述的Kalman滤波处理,包括以下步骤:
利用半参数改进Kalman滤波器对变形数据进行滤波处理,得到观测模型系统误差修正后的半参数估计,分解出变形数据含有的测量误差信息,实现隧道和轨旁设备设施变形趋势项及误差项的分离。
6.一种基于大数据的高精度设备限界检测预警系统,用于实现如权利要求1-5任一项所述的方法,其特征在于,包括:
作为检测系统和软件系统载体的车体(1),设于所述车体(1)内部的中控台(3)、设于所述车体(1)底部的定位模块(4)以及与所述中控台(3)通讯连接的远程数据处理中心(6);
设于所述车体(1)前端用于设备限界检测的限界检测设备(2),其包括用于对车辆运行空间的构筑物和设备设施进行扇面扫描得到以安装平面为横轴的距离轮廓曲线的激光雷达;
设于所述车体(1)底部用于减少和消除车辆运动特性引起所述激光雷达测量误差的振动补偿模块(5),其包括用于扫描选取钢轨内侧距轨平面下一定距离的定点的激光摄像式传感器、用于获取其相对于最近钢轨的水平或垂直距离的补偿相机、用于记录此时车体倾斜姿态的倾角传感器以及用于选取基准平面的陀螺仪;
所述限界检测设备(2)检测轨道的断面各点的廓形数据,定位模块(4)获取此时的精确位置数据,将廓形数据、位置数据传输至中控台(3),远程数据处理中心(6)保留各个位置轨道断面的历次检测结果,并基于大数据深度分析自动筛查出发生微小移动并有可能侵限的轨旁设施,并与此处的限界比对判断是否侵限,实现侵限的提前预判。
7.根据权利要求6所述的一种基于大数据的高精度设备限界检测预警系统,其特征在于,所述定位模块(4)包括里程计和双目相机,所述里程计通过采集检测车轮对转动数据计算车辆位移距离,所述双目相机为实现特定位置的标定和视觉里程计提供基础图像,采用传感器融合方式实现检测车的高精度定位。
8.根据权利要求6所述的一种基于大数据的高精度设备限界检测预警系统,其特征在于,所述激光雷达输出数据格式为:每一个角度值对应一个距离值,通过数字滤波处理算法后,判断出隧道的位置对应的角度及高度,得到隧道水平和垂直距离:
,
其中,S为水平距离;PI为圆周率;C为激光雷达偏离中心距离;为角度;H为垂直距离;h为高度;/>为激光雷达距轨面的高度。
9.根据权利要求6所述的一种基于大数据的高精度设备限界检测预警系统,其特征在于,所述中控台(3)包括:
用于控制所述车体(1)运行,并发送检测具体指令的控制中枢;
以及与所述控制中枢连接的报警器。
10.根据权利要求6所述的一种基于大数据的高精度设备限界检测预警系统,其特征在于,所述车体(1)包括作为各种设备的安装支撑结构的车架、设于所述车架底部的走行轮以及为所述车体(1)提供动力的蓄电池。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210448125.5A CN114701543B (zh) | 2022-04-27 | 2022-04-27 | 基于大数据的高精度设备限界检测预警系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210448125.5A CN114701543B (zh) | 2022-04-27 | 2022-04-27 | 基于大数据的高精度设备限界检测预警系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114701543A CN114701543A (zh) | 2022-07-05 |
CN114701543B true CN114701543B (zh) | 2023-10-17 |
Family
ID=82175679
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210448125.5A Active CN114701543B (zh) | 2022-04-27 | 2022-04-27 | 基于大数据的高精度设备限界检测预警系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114701543B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115402365A (zh) * | 2022-07-22 | 2022-11-29 | 中车山东机车车辆有限公司 | 一种轨道工程车用检测装置柔性补偿结构 |
CN116147489B (zh) * | 2023-04-04 | 2023-07-04 | 成都弓网科技有限责任公司 | 一种可拆卸式自补偿型线路侵限检测方法与装置 |
CN116834802A (zh) * | 2023-07-03 | 2023-10-03 | 湖北空间智能技术有限公司 | 一种运营列车轨道侵入物检测定位方法、设备及存储介质 |
CN117589129B (zh) * | 2024-01-18 | 2024-04-02 | 四川拓及轨道交通设备股份有限公司 | 一种车载式柔性接触网定位器坡度测量方法及系统 |
Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1600351A1 (en) * | 2004-04-01 | 2005-11-30 | Heuristics GmbH | Method and system for detecting defects and hazardous conditions in passing rail vehicles |
WO2012057592A2 (ko) * | 2010-10-29 | 2012-05-03 | (주) 아인스에스엔씨 | 궤도차량을 이용한 철도시설물 감시시스템 및 방법 |
CN102914290A (zh) * | 2012-10-18 | 2013-02-06 | 成都唐源电气有限责任公司 | 地铁限界检测系统及其检测方法 |
JP2017083245A (ja) * | 2015-10-27 | 2017-05-18 | 株式会社明電舎 | 建築限界判定装置 |
CN106767694A (zh) * | 2016-12-30 | 2017-05-31 | 西南交通大学 | 一种地铁数字化限界动态检测系统及检测方法 |
CN109061669A (zh) * | 2018-07-05 | 2018-12-21 | 中铁电气化局集团有限公司 | 限界检测系统及其方法 |
CN109489584A (zh) * | 2018-12-03 | 2019-03-19 | 大连维德轨道装备有限公司 | 一种基于3d技术的隧道限界检测系统及隧道限界识别方法 |
CN109766839A (zh) * | 2019-01-11 | 2019-05-17 | 上海泽高电子工程技术有限公司 | 一种基于图像的轨道异物检测方法 |
CN110030950A (zh) * | 2019-05-10 | 2019-07-19 | 中车长春轨道客车股份有限公司 | 一种轨道车辆全动态包络限界测试系统 |
CN110926417A (zh) * | 2019-12-03 | 2020-03-27 | 西北工业大学 | 基于机器视觉的车载铁路隧道检测系统 |
CN110986820A (zh) * | 2019-12-16 | 2020-04-10 | 武汉汉宁轨道交通技术有限公司 | 轨道侵限检测方法、装置及电子设备 |
WO2020255530A1 (ja) * | 2019-06-17 | 2020-12-24 | 株式会社日立製作所 | 列車制御システム |
CN113104063A (zh) * | 2021-06-09 | 2021-07-13 | 成都国铁电气设备有限公司 | 一种网轨隧综合检测系统及方法 |
CN114248819A (zh) * | 2020-09-25 | 2022-03-29 | 中车株洲电力机车研究所有限公司 | 基于深度学习的铁路侵限异物无人机检测方法、装置及系统 |
CN114279335A (zh) * | 2021-12-09 | 2022-04-05 | 上海市东方海事工程技术有限公司 | 一种轨旁限界测量方法及装置 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101228349B1 (ko) * | 2012-07-03 | 2013-02-13 | (주)스마텍 | 철도시설물 동기화 감시 시스템 |
US9387867B2 (en) * | 2013-12-19 | 2016-07-12 | Thales Canada Inc | Fusion sensor arrangement for guideway mounted vehicle and method of using the same |
-
2022
- 2022-04-27 CN CN202210448125.5A patent/CN114701543B/zh active Active
Patent Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1600351A1 (en) * | 2004-04-01 | 2005-11-30 | Heuristics GmbH | Method and system for detecting defects and hazardous conditions in passing rail vehicles |
WO2012057592A2 (ko) * | 2010-10-29 | 2012-05-03 | (주) 아인스에스엔씨 | 궤도차량을 이용한 철도시설물 감시시스템 및 방법 |
CN102914290A (zh) * | 2012-10-18 | 2013-02-06 | 成都唐源电气有限责任公司 | 地铁限界检测系统及其检测方法 |
JP2017083245A (ja) * | 2015-10-27 | 2017-05-18 | 株式会社明電舎 | 建築限界判定装置 |
CN106767694A (zh) * | 2016-12-30 | 2017-05-31 | 西南交通大学 | 一种地铁数字化限界动态检测系统及检测方法 |
CN109061669A (zh) * | 2018-07-05 | 2018-12-21 | 中铁电气化局集团有限公司 | 限界检测系统及其方法 |
CN109489584A (zh) * | 2018-12-03 | 2019-03-19 | 大连维德轨道装备有限公司 | 一种基于3d技术的隧道限界检测系统及隧道限界识别方法 |
CN109766839A (zh) * | 2019-01-11 | 2019-05-17 | 上海泽高电子工程技术有限公司 | 一种基于图像的轨道异物检测方法 |
CN110030950A (zh) * | 2019-05-10 | 2019-07-19 | 中车长春轨道客车股份有限公司 | 一种轨道车辆全动态包络限界测试系统 |
WO2020255530A1 (ja) * | 2019-06-17 | 2020-12-24 | 株式会社日立製作所 | 列車制御システム |
CN110926417A (zh) * | 2019-12-03 | 2020-03-27 | 西北工业大学 | 基于机器视觉的车载铁路隧道检测系统 |
CN110986820A (zh) * | 2019-12-16 | 2020-04-10 | 武汉汉宁轨道交通技术有限公司 | 轨道侵限检测方法、装置及电子设备 |
CN114248819A (zh) * | 2020-09-25 | 2022-03-29 | 中车株洲电力机车研究所有限公司 | 基于深度学习的铁路侵限异物无人机检测方法、装置及系统 |
CN113104063A (zh) * | 2021-06-09 | 2021-07-13 | 成都国铁电气设备有限公司 | 一种网轨隧综合检测系统及方法 |
CN114279335A (zh) * | 2021-12-09 | 2022-04-05 | 上海市东方海事工程技术有限公司 | 一种轨旁限界测量方法及装置 |
Non-Patent Citations (2)
Title |
---|
轨道交通智能限界检测技术研发及应用;蒋海;;铁道建筑技术(02);全文 * |
铁路建筑限界检测系统及应用;孙淑杰;王凡;赵鑫欣;刘维桢;赵彦平;;中国铁路(10);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN114701543A (zh) | 2022-07-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114701543B (zh) | 基于大数据的高精度设备限界检测预警系统及方法 | |
US11513189B2 (en) | Systems and methods for intelligently calibrating infrastructure devices using onboard sensors of an autonomous agent | |
CN102288121B (zh) | 一种基于单目视觉的车道偏离距离测量及预警方法 | |
GB2589031A (en) | A speed curve for assisting automated driving based on driving comfort | |
CN103635375A (zh) | 适于对导轨偏转进行成像和测量的视觉系统 | |
GB2562414A (en) | Determining position of a vehicle on a rail | |
CN105372442A (zh) | 一种列车测速方法、处理器及列车测速系统 | |
KR101590712B1 (ko) | 운행기록을 이용한 철도차량과 선로 감시시스템 및 방법 | |
US20220410949A1 (en) | Method for in-situ and real-time collection and processing of geometric parameters of railway lines | |
CN111060270B (zh) | 一种城市高架桥梁可移动式快速监测与智能评估方法 | |
CN111398306A (zh) | 城市轨道交通运营综合检测系统 | |
CN109552366A (zh) | 机车车载铁道障碍物智能探测报警系统及其预警方法 | |
US11835422B2 (en) | Vehicle body contour-based derailment detection method for rail vehicle | |
CN109094482A (zh) | 车辆运行风险评估信息采集系统、风险评估系统及方法 | |
CN112441075A (zh) | 轨道交通外部环境感知系统、方法和轨道交通设备 | |
CN114543661A (zh) | 地铁车辆360°图像检测系统及其检测方法 | |
CN114132358B (zh) | 一种多平台智能化轨道综合检测系统 | |
EP4177130A1 (en) | Onboard rail auscultation system | |
CN114279335A (zh) | 一种轨旁限界测量方法及装置 | |
US10643500B2 (en) | Computerized railroad track mapping methods and systems | |
JP6052194B2 (ja) | 移動体管理装置 | |
CN115372932A (zh) | 一种单轨吊可行驶性评估及巷道风险预测系统及方法 | |
CN111126114A (zh) | 道路标线的光达侦测方法及其系统 | |
EP3939858A2 (en) | Train route mapping method | |
CN211669103U (zh) | 接触轨检测系统及巡检工程车 |
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 |