CN114707576B - 一种基于数字孪生的铁路接触线状态检测系统 - Google Patents
一种基于数字孪生的铁路接触线状态检测系统 Download PDFInfo
- Publication number
- CN114707576B CN114707576B CN202210223044.5A CN202210223044A CN114707576B CN 114707576 B CN114707576 B CN 114707576B CN 202210223044 A CN202210223044 A CN 202210223044A CN 114707576 B CN114707576 B CN 114707576B
- Authority
- CN
- China
- Prior art keywords
- contact line
- data
- digital twin
- information
- sensor
- 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 23
- 238000005299 abrasion Methods 0.000 claims abstract description 29
- 238000007405 data analysis Methods 0.000 claims abstract description 19
- 238000005516 engineering process Methods 0.000 claims abstract description 18
- 230000003137 locomotive effect Effects 0.000 claims abstract description 16
- 230000004927 fusion Effects 0.000 claims abstract description 14
- 239000000463 material Substances 0.000 claims abstract description 10
- 238000000034 method Methods 0.000 claims description 20
- 238000012549 training Methods 0.000 claims description 20
- 238000013527 convolutional neural network Methods 0.000 claims description 19
- 239000000428 dust Substances 0.000 claims description 12
- 238000013508 migration Methods 0.000 claims description 9
- 230000005012 migration Effects 0.000 claims description 9
- 238000012360 testing method Methods 0.000 claims description 9
- 238000013526 transfer learning Methods 0.000 claims description 8
- 238000004422 calculation algorithm Methods 0.000 claims description 6
- 230000000694 effects Effects 0.000 claims description 6
- 238000013178 mathematical model Methods 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 4
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 238000003745 diagnosis Methods 0.000 claims description 3
- 230000003993 interaction Effects 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 239000013598 vector Substances 0.000 claims description 3
- 230000007613 environmental effect Effects 0.000 abstract description 4
- 238000007499 fusion processing Methods 0.000 abstract description 3
- 239000002184 metal Substances 0.000 description 7
- 238000007689 inspection Methods 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 239000000835 fiber Substances 0.000 description 4
- 230000007774 longterm Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
- G01S17/86—Combinations of lidar systems with systems other than lidar, radar or sonar, e.g. with direction finders
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
- G01S17/88—Lidar systems specially adapted for specific applications
- G01S17/89—Lidar systems specially adapted for specific applications for mapping or imaging
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Evolutionary Biology (AREA)
- Software Systems (AREA)
- Computer Networks & Wireless Communication (AREA)
- Electromagnetism (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开一种基于数字孪生的铁路接触线状态检测系统，通过多传感器数据融合技术将激光雷达和高清摄像机采集到接触线的数据信息进行融合处理，计算出接触线的磨损情况，并在铁道变电所中安装电压传感器和电流传感器分别采集加到接触线上的电压和电流信息，在接触网支柱上安装气象监测器实时监测接触线周围的环境信息，利用数字孪生技术根据接触线实体的结构、材质和运行状态建立模型构成接触线数字孪生体，将数字孪生体运行得到的数据以及识别出的接触网线磨损信息、环境信息、电压电流信息、机车负载功率数据整理成为同一标准形式，输入数字孪生数据分析模型，通过接触线数字孪生体来反应接触线实体运行状态。
Description
技术领域
本发明涉及接触线检测领域，具体为一种基于数字孪生的铁路接触线状态检测系统。
背景技术
在国家铁路和城市轨道交通的列车实际运行过程中，列车上方的受电弓与接触网的接触线保持长期接触从而使列车能够一直从接触线获取电源，以保证列车的正常运行。其中，由于接触线与运行列车的受电弓保持长期接触，所以会导致接触线时刻磨损，给列车取电造成了不可靠因素，因此需要对接触线的状态进行实时检测，以保证列车在行驶过程中安全稳定。
目前，现有的对接触网的检测手段比较原始，主要是通过人工巡检和网检车进行检测，人工检测需要在开天窗时间进行，增加了工作人员的劳动强度，且需要站在巡检车车顶沿线巡检，使得工作人员生命财产安全受到影响。另一种方法就是通过巡检车搭载激光传感器或高清摄像机进行巡检，再通过图像识别技术来判断接触线的磨损情况。这种方法仅仅采用其中一种传感器来检测，一旦传感器发生故障，便无法正确检测出接触线的状态。
发明内容
(一)解决的技术问题
针对现有技术的不足，本发明公开了一种基于数字孪生的铁路接触线状态检测系统，以解决上述背景技术中提出的问题。
(二)技术方案
为实现以上目的，本发明通过以下技术方案予以实现：首先，利用激光雷达和高清摄像机采集接触线图像数据，通过多传感器数据融合技术将激光雷达和高清摄像机采集到的数据信息进行融合处理，计算出接触线的磨损情况，解决现有技术中检测较为单一的问题，并在铁道变电所中安装电压传感器和电流传感器分别采集加到接触线上的电压和电流信息，在接触网支柱上安装气象监测器实时监测接触线周围的环境信息。利用数字孪生技术根据接触线实体的结构、材质和运行状态建立模型构成接触线数字孪生体，通过数字孪生体模拟接触线实体的数据特征，利用3dmax建立数字孪生体的数学模型，运行数字孪生体得到孪生数据。将数字孪生体运行得到的数据以及识别出的接触网线磨损信息、环境信息、电压电流信息、机车负载功率数据整理成为同一标准形式，加入数据标签形成最终的实验数据集，输入数字孪生数据分析模型。之后，构建数字孪生数据分析模型，将采集到的数据划分为源领域数据和目标领域数据，数字孪生体视为源领域，接触线实体视为目标领域，通过卷积神经网络训练特征器得到数据的特征，同时使用迁移学习过程中的源领域和目标领域数据进行卷积神经网络权重的更新，利用提取到的特征进行分类器选择，进而得出分类器，利用分类器来识别接触线的状态，通过接触线数字孪生体来反应接触线实体运行状态，工作人员通过电脑端即可检查接触线的状态，有效的降低工作人员的劳动强度，提高生命安全性。
一种基于数字孪生的铁路接触线状态检测系统，包括气象监测器、电压传感器、电流传感器、图像采集装置，每一根接触网支柱上安装一套气象监测器，用于检测接触线附近的温湿度信息、粉尘浓度信息、雨雪信息、结冰信息，风速风向信息，电力机车顶部安装图像采集装置对接触线的状态磨损状态进行识别，每个牵引变电所中安装电压传感器和电流传感器，分别用于检测输送到接触线上的电压和电流信息，根据利用数字孪生技术根据接触线实体的结构、材质和运行状态建立模型构成接触线数字孪生体，通过数字孪生体模拟接触线实体的数据特征，利用3dmax建立数字孪生体的数学模型，运行数字孪生体得到孪生数据，将数字孪生体运行得到的数据以及识别出的接触线磨损信息、环境信息、电压电流信息、机车负载功率数据整理成为同一标准形式，加入数据标签形成最终的实验数据集，输入数字孪生数据分析模型，之后，构建数字孪生数据分析模型，将采集到的数据划分为源领域数据和目标领域数据，数字孪生体视为源领域，接触线实体视为目标领域，通过卷积神经网络训练特征器得到数据的特征，同时使用迁移学习过程中的源领域和目标领域数据进行卷积神经网络权重的更新，利用提取到的特征进行分类器选择，进而得出分类器，利用分类器来识别接触线的状态，通过接触线数字孪生体来反应接触线实体运行状态。
本发明的图像采集装置包括激光雷达和高清摄像机，由激光雷达向接触线发射激光束，并通过反射回来的光源信号绘制出接触线的3D模型，进而计算出接触线的磨损情况，再通过高清摄像机采集反射回来的光点图像，根据图像中接触线上的激光点的大小来计算接触线的磨损情况，采用多传感器数据融合技术将这两种方法识别到的接触线磨损情况进行融合识别，以提高对接触线磨损识别的精度。
本发明采用多传感器数据融合技术将激光雷达和高清摄像机识别到的接触线磨损状态进行融合的方案为：激光雷达和高清摄像机分别采集接触线的外观特诊数据后，通过卡尔曼滤波器将干扰滤除，并剔除野值，填补缺失数据，将提取被测目标的状态属性作为一组特征向量，然后进行关联，最后通过决策级融合计算并输出识别结果。
本发明的气象监测器包括金属机箱、结冰传感器、雨雪传感器、粉尘传感器、风速风向检测仪、温度传感器、湿度传感器、交换机、控制电路板，结冰传感器、雨雪传感器、粉尘传感器、风速风向检测仪、温度传感器、湿度传感器均安装在金属机箱外表面，控制电路板和交换机安装在金属机箱内部，将尾纤熔接在铁路沿线的主干光缆上，另一端接入交换机，通过结冰传感器、雨雪传感器、粉尘传感器、风速风向检测仪、温度传感器、湿度传感器分别检测接触线附近的结冰信息、雨雪信息、粉尘浓度信息、风速风向信息、温湿度信息，并将检测到的信息传输至控制电路板进行处理，再将处理好的信息通过交换机传输至铁路沿线的主干光缆中，通过主干光缆传输至铁路监控中心。
本发明的接触线数字孪生体模型构建流程为：将接触线实体的结构、材质和运行状态数据导入3dmax仿真软件中建立虚拟接触线，将接触线磨损信息、环境信息、电压电流信息以及机车负载功率数据导入服务系统和建立好的虚拟接触线上，使虚拟接触线运行参数信息和实体接触线保持一致，进而得出接触线的数字孪生体，并在服务系统中运行数字孪生体得到孪生数据，将数字孪生体运行得到的数据以及识别出的接触线磨损信息、环境信息、电压电流信息、机车负载功率数据整理成为同一标准形式，通过BP神经网络来实现接触线实体数据、虚拟接触线数据、服务系统数据中两两之间的迭代交互优化，加入数据标签形成最终的实验数据集来构建数字孪生数据分析模型。
本发明的数字孪生数据分析模型流程为：将气象监测器、电压传感器、电流传感器、图像采集装置采集到的数据划分为源领域数据和目标领域数据，通过卷积神经网络训练特征器得到数据的特征，源领域数据和目标领域数据分别输入到特征提取器中进行处理，源领域数据运行后得到源领域数据特征，目标领域数据运行后得到目标领域数据特征，同时使用迁移学习算法对源领域和目标领域数据进行卷积神经网络权重的更新，即源领域数据特征和目标领域数据特征之间的差异计算损失值反向作用于卷积神经网络，通过源领域数据特征来构造有标签分类器，通过源领域数据特征和目标领域数据特征来构造适应于目标领域数据的迁移学习分类器，利用分类器来识别接触线的状态。
本发明的迁移学习分类器方案为：将接触线数字孪生体视为源领域，接触线实体视为目标领域，迁移过程设计为从接触线数字孪生体迁移至接触线实体，根据输入的卷积网络将数据划分为源领域训练数据、源领域测试数据、目标领域训练数据、目标领域测试数据以及半监督数据，将训练数据输入特征提取器中训练网络结构，使用测试数据对分类器效果进行评判，并根据算法效果进行超参数的调节，最终得到能够自动检测接触线的分类器。
本发明公开了一种基于数字孪生的铁路接触线状态检测系统，其具备的有益效果如下：
1、该基于数字孪生的铁路接触线状态检测系统，采用多传感器数据融合技术将激光雷达和高清摄像机采集到的数据信息进行融合处理，计算出接触线的磨损情况，有效提高对接触线磨损识别的精度，解决现有技术中检测较为单一的问题，系统不再依靠单一传感器进行检测，避免了其中一个传感器出现故障而无法检测的风险。
2、利用数字孪生技术根据接触线实体的结构、材质和运行状态建立模型构成接触线数字孪生体，将数字孪生体运行得到的数据以及识别出的接触网线磨损信息、环境信息、电压电流信息、机车负载功率数据整理成为同一标准形式，加入数据标签形成最终的实验数据集，输入数字孪生数据分析模型，通过接触线数字孪生体来反应接触线实体运行状态，工作人员通过电脑端即可检查接触线的状态，有效的降低工作人员的劳动强度，提高生命安全性。
附图说明
图1为本发明一种基于数字孪生的铁路接触线状态检测系统的整体结构示意图；
图2为本发明一种基于数字孪生的铁路接触线状态检测系统的图像采集装置的结构示意图；
图3为本发明一种基于数字孪生的铁路接触线状态检测系统的多传感器数据融合技术原理图；
图4为本发明一种基于数字孪生的铁路接触线状态检测系统的气象监测器结构示意图；
图5为本发明一种基于数字孪生的铁路接触线状态检测系统的接触线数字孪生体模型构建流程图；
图6为本发明一种基于数字孪生的铁路接触线状态检测系统的数字孪生数据分析模型流程图。
主要元件符号说明。
| 气象监测器 | 1 | 电压传感器 | 2 |
| 电流传感器 | 3 | 图像采集装置 | 4 |
| 激光雷达 | 5 | 高清摄像机 | 6 |
| 金属机箱 | 7 | 结冰传感器 | 8 |
| 雨雪传感器 | 9 | 粉尘传感器 | 10 |
| 风速风向检测仪 | 11 | 温度传感器 | 12 |
| 湿度传感器 | 13 | 交换机 | 14 |
| 控制电路板 | 15 | 尾纤 | 16 |
具体实施方式
下面结合实施例并对照附图对本发明作进一步详细说明。
请参阅图1至图6所示为本发明中的一种基于数字孪生的铁路接触线状态检测系统，包括气象监测器1、电压传感器2、电流传感器3、图像采集装置4。
如图1所示，每一根接触网支柱上安装一套气象监测器1，用于检测接触线附近的温湿度信息、粉尘浓度信息、雨雪信息、结冰信息，风速风向信息，电力机车顶部安装图像采集装置4对接触线的状态磨损状态进行识别，每个牵引变电所中安装电压传感器2和电流传感器3，分别用于检测输送到接触线上的电压和电流信息，根据利用数字孪生技术根据接触线实体的结构、材质和运行状态建立模型构成接触线数字孪生体，通过数字孪生体模拟接触线实体的数据特征，利用3dmax建立数字孪生体的数学模型，运行数字孪生体得到孪生数据，将数字孪生体运行得到的数据以及识别出的接触线磨损信息、环境信息、电压电流信息、机车负载功率数据整理成为同一标准形式，加入数据标签形成最终的实验数据集，输入数字孪生数据分析模型，之后，构建数字孪生数据分析模型，将采集到的数据划分为源领域数据和目标领域数据，数字孪生体视为源领域，接触线实体视为目标领域，通过卷积神经网络训练特征器得到数据的特征，同时使用迁移学习过程中的源领域和目标领域数据进行卷积神经网络权重的更新，利用提取到的特征进行分类器选择，进而得出分类器，利用分类器来识别接触线的状态，通过接触线数字孪生体来反应接触线实体运行状态，工作人员通过电脑端即可检查接触线的状态，有效的降低工作人员的劳动强度，提高生命安全性。
如图2所示，所述的图像采集装置4包括激光雷达5和高清摄像机6，由激光雷达5向接触线发射激光束，并通过反射回来的光源信号绘制出接触线的3D模型，进而计算出接触线的磨损情况，再通过高清摄像机6采集反射回来的光点图像，根据图像中接触线上的激光点的大小来计算接触线的磨损情况，采用多传感器数据融合技术将这两种方法识别到的接触线磨损情况进行融合识别，以提高对接触线磨损识别的精度，且系统不再依靠单一传感器进行检测，避免了其中一个传感器出现故障而无法检测的风险。
如图3所示，采用多传感器数据融合技术将激光雷达5和高清摄像机6 识别到的接触线磨损状态进行融合的方案为：激光雷达5和高清摄像机6分别采集接触线的外观特诊数据后，通过卡尔曼滤波器将干扰滤除，并剔除野值，填补缺失数据，将提取被测目标的状态属性作为一组特征向量，然后进行关联，最后通过决策级融合计算并输出识别结果。
如图4所示，所述的气象监测器1包括金属机箱7、结冰传感器8、雨雪传感器9、粉尘传感器10、风速风向检测仪11、温度传感器12、湿度传感器13、交换机14、控制电路板15，结冰传感器8、雨雪传感器9、粉尘传感器 10、风速风向检测仪11、温度传感器12、湿度传感器13均安装在金属机箱7 外表面，控制电路板15和交换机14安装在金属机箱7内部，将尾纤16熔接在铁路沿线的主干光缆上，另一端接入交换机14，结冰传感器8、雨雪传感器9、粉尘传感器10、风速风向检测仪11、温度传感器12、湿度传感器13、交换机14与控制电路板15之间采用电性连接，通过结冰传感器8、雨雪传感器9、粉尘传感器10、风速风向检测仪11、温度传感器12、湿度传感器13 分别检测接触线附近的结冰信息、雨雪信息、粉尘浓度信息、风速风向信息、温湿度信息，并将检测到的信息传输至控制电路板15进行处理，再将处理好的信息通过交换机14传输至铁路沿线的主干光缆中，通过主干光缆传输至铁路监控中心。
如图5所示，所述的接触线数字孪生体模型构建流程为：将接触线实体的结构、材质和运行状态数据导入3dmax仿真软件中建立虚拟接触线，将接触线磨损信息、环境信息、电压电流信息以及机车负载功率数据导入服务系统和建立好的虚拟接触线上，使虚拟接触线运行参数信息和实体接触线保持一致，进而得出接触线的数字孪生体，并在服务系统中运行数字孪生体得到孪生数据，将数字孪生体运行得到的数据以及识别出的接触线磨损信息、环境信息、电压电流信息、机车负载功率数据整理成为同一标准形式，通过BP 神经网络来实现接触线实体数据、虚拟接触线数据、服务系统数据中两两之间的迭代交互优化，加入数据标签形成最终的实验数据集来构建数字孪生数据分析模型。
如图6所示，所述的数字孪生数据分析模型流程为：将气象监测器1、电压传感器2、电流传感器3、图像采集装置4采集到的数据划分为源领域数据和目标领域数据，通过卷积神经网络训练特征器得到数据的特征，源领域数据和目标领域数据分别输入到特征提取器中进行处理，源领域数据运行后得到源领域数据特征，目标领域数据运行后得到目标领域数据特征，同时使用迁移学习算法对源领域和目标领域数据进行卷积神经网络权重的更新，即源领域数据特征和目标领域数据特征之间的差异计算损失值反向作用于卷积神经网络，通过源领域数据特征来构造有标签分类器，通过源领域数据特征和目标领域数据特征来构造适应于目标领域数据的迁移学习分类器，利用分类器来识别接触线的状态。
所述的迁移学习分类器方案为：将接触线数字孪生体视为源领域，接触线实体视为目标领域，迁移过程设计为从接触线数字孪生体迁移至接触线实体，根据输入的卷积网络将数据划分为源领域训练数据、源领域测试数据、目标领域训练数据、目标领域测试数据以及半监督数据，将训练数据输入特征提取器中训练网络结构，使用测试数据对分类器效果进行评判，并根据算法效果进行超参数的调节，最终得到能够自动检测接触线的分类器。
本发明的工作原理与工作过程如下：
利用激光雷达5和高清摄像机6采集接触线图像数据，通过多传感器数据融合技术将激光雷达5和高清摄像机6采集到的数据信息进行融合处理，并在铁道变电所中安装电压传感器2和电流传感器3分别采集加到接触线上的电压和电流信息，在接触网支柱上安装气象监测器1实时监测接触线周围的环境信息。利用数字孪生技术根据接触线实体的结构、材质和运行状态建立模型构成接触线数字孪生体，通过数字孪生体模拟接触线实体的数据特征，利用3dmax建立数字孪生体的数学模型，运行数字孪生体得到孪生数据。将数字孪生体运行得到的数据以及识别出的接触网线磨损信息、环境信息、电压电流信息、机车负载功率数据整理成为同一标准形式，加入数据标签形成最终的实验数据集，输入数字孪生数据分析模型。之后，构建数字孪生数据分析模型，将采集到的数据划分为源领域数据和目标领域数据，数字孪生体视为源领域，接触线实体视为目标领域，通过卷积神经网络训练特征器得到数据的特征，同时使用迁移学习过程中的源领域和目标领域数据进行卷积神经网络权重的更新，利用提取到的特征进行分类器选择，进而得出分类器，利用分类器来识别接触线的状态，通过接触线数字孪生体来反应接触线实体运行状态，工作人员通过电脑端即可检查接触线的状态，有效的降低工作人员的劳动强度，提高生命安全性。
Claims (4)
1.一种基于数字孪生的铁路接触线状态检测系统，其特征在于：包括气象监测器、电压传感器、电流传感器、图像采集装置，每一根接触网支柱上安装一套气象监测器，用于检测接触线附近的温湿度信息、粉尘浓度信息、雨雪信息、结冰信息，风速风向信息，电力机车顶部安装图像采集装置对接触线的状态磨损状态进行识别，每个牵引变电所中安装电压传感器和电流传感器，分别用于检测输送到接触线上的电压和电流信息，根据利用数字孪生技术根据接触线实体的结构、材质和运行状态建立模型构成接触线数字孪生体，通过数字孪生体模拟接触线实体的数据特征，利用3dmax建立数字孪生体的数学模型，运行数字孪生体得到孪生数据，将数字孪生体运行得到的数据以及识别出的接触线磨损信息、环境信息、电压电流信息、机车负载功率数据整理成为同一标准形式，加入数据标签形成最终的实验数据集，输入数字孪生数据分析模型，之后，构建数字孪生数据分析模型，将采集到的数据划分为源领域数据和目标领域数据，数字孪生体视为源领域，接触线实体视为目标领域，通过卷积神经网络训练特征器得到数据的特征，同时使用迁移学习过程中的源领域和目标领域数据进行卷积神经网络权重的更新，利用提取到的特征进行分类器选择，进而得出分类器，利用分类器来识别接触线的状态，通过接触线数字孪生体来反应接触线实体运行状态；
所述接触线数字孪生体模型构建流程为：将接触线实体的结构、材质和运行状态数据导入3dmax仿真软件中建立虚拟接触线，将接触线磨损信息、环境信息、电压电流信息以及机车负载功率数据导入服务系统和建立好的虚拟接触线上，使虚拟接触线运行参数信息和实体接触线保持一致，进而得出接触线的数字孪生体，并在服务系统中运行数字孪生体得到孪生数据，将数字孪生体运行得到的数据以及识别出的接触线磨损信息、环境信息、电压电流信息、机车负载功率数据整理成为同一标准形式，通过BP神经网络来实现接触线实体数据、虚拟接触线数据、服务系统数据中两两之间的迭代交互优化，加入数据标签形成最终的实验数据集来构建数字孪生数据分析模型；
所述数字孪生数据分析模型流程为：将气象监测器、电压传感器、电流传感器、图像采集装置采集到的数据划分为源领域数据和目标领域数据，通过卷积神经网络训练特征器得到数据的特征，源领域数据和目标领域数据分别输入到特征提取器中进行处理，源领域数据运行后得到源领域数据特征，目标领域数据运行后得到目标领域数据特征，同时使用迁移学习算法对源领域和目标领域数据进行卷积神经网络权重的更新，即源领域数据特征和目标领域数据特征之间的差异计算损失值反向作用于卷积神经网络，通过源领域数据特征来构造有标签分类器，通过源领域数据特征和目标领域数据特征来构造适应于目标领域数据的迁移学习分类器，利用分类器来识别接触线的状态。
2.根据权利要求1所述的基于数字孪生的铁路接触线状态检测系统，其特征在于：所述图像采集装置包括激光雷达和高清摄像机，由激光雷达向接触线发射激光束，并通过反射回来的光源信号绘制出接触线的3D模型，进而计算出接触线的磨损情况，再通过高清摄像机采集反射回来的光点图像，根据图像中接触线上的激光点的大小来计算接触线的磨损情况，采用多传感器数据融合技术将这两种方法识别到的接触线磨损情况进行融合识别。
3.根据权利要求2所述的基于数字孪生的铁路接触线状态检测系统，其特征在于：所述采用多传感器数据融合技术将激光雷达和高清摄像机识别到的接触线磨损状态进行融合的方案为：激光雷达和高清摄像机分别采集接触线的外观特诊数据后，通过卡尔曼滤波器将干扰滤除，并剔除野值，填补缺失数据，将提取被测目标的状态属性作为一组特征向量，然后进行关联，最后通过决策级融合计算并输出识别结果。
4.根据权利要求1所述的基于数字孪生的铁路接触线状态检测系统，其特征在于：所述迁移学习分类器方案为：将接触线数字孪生体视为源领域，接触线实体视为目标领域，迁移过程设计为从接触线数字孪生体迁移至接触线实体，根据输入的卷积网络将数据划分为源领域训练数据、源领域测试数据、目标领域训练数据、目标领域测试数据以及半监督数据，将训练数据输入特征提取器中训练网络结构，使用测试数据对分类器效果进行评判，并根据算法效果进行超参数的调节，最终得到能够自动检测接触线的分类器。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210223044.5A CN114707576B (zh) | 2022-03-07 | 2022-03-07 | 一种基于数字孪生的铁路接触线状态检测系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210223044.5A CN114707576B (zh) | 2022-03-07 | 2022-03-07 | 一种基于数字孪生的铁路接触线状态检测系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114707576A CN114707576A (zh) | 2022-07-05 |
| CN114707576B true CN114707576B (zh) | 2024-05-07 |
Family
ID=82168074
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210223044.5A Active CN114707576B (zh) | 2022-03-07 | 2022-03-07 | 一种基于数字孪生的铁路接触线状态检测系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114707576B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116298701B (zh) * | 2023-05-22 | 2023-07-21 | 广东电网有限责任公司江门供电局 | 一种基于数字孪生系统的配电网故障检测方法及相关装置 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112150613A (zh) * | 2020-09-23 | 2020-12-29 | 成都云铁智能交通科技有限公司 | 驱动bim模型生成千公里级高铁接触网三维孪生系统的方法 |
| CN112162519A (zh) * | 2020-10-21 | 2021-01-01 | 桂林电子科技大学 | 一种复合型机床数字孪生监控系统 |
| WO2022037068A1 (zh) * | 2021-03-22 | 2022-02-24 | 南京航空航天大学 | 一种机床轴承故障诊断方法 |
-
2022
- 2022-03-07 CN CN202210223044.5A patent/CN114707576B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112150613A (zh) * | 2020-09-23 | 2020-12-29 | 成都云铁智能交通科技有限公司 | 驱动bim模型生成千公里级高铁接触网三维孪生系统的方法 |
| CN112162519A (zh) * | 2020-10-21 | 2021-01-01 | 桂林电子科技大学 | 一种复合型机床数字孪生监控系统 |
| WO2022037068A1 (zh) * | 2021-03-22 | 2022-02-24 | 南京航空航天大学 | 一种机床轴承故障诊断方法 |
Non-Patent Citations (1)
| Title |
|---|
| 数字孪生智采工作面技术架构研究;葛世荣;张帆;王世博;王忠宾;;煤炭学报;20200615(06);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114707576A (zh) | 2022-07-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Liu et al. | A review of applications of visual inspection technology based on image processing in the railway industry | |
| CN105652154B (zh) | 接触网运行状态安全监测分析系统 | |
| WO2020199538A1 (zh) | 基于图像监控数据的桥梁关键构件病害预警系统及方法 | |
| CN102129564B (zh) | 基于无人飞行器的接触网故障检测与诊断方法 | |
| CN111016932B (zh) | 节能型空轨系统的轨道巡检车和检测方法 | |
| CN104599249A (zh) | 缆索承重桥梁桥面车辆载荷分布实时检测方法 | |
| RU2701887C1 (ru) | Система и способ непрерывного мониторинга состояния контактной сети рельсового транспорта | |
| CN108288055A (zh) | 基于深度网络与分级测试的电力机车受电弓及电弧检测方法 | |
| CN114707576B (zh) | 一种基于数字孪生的铁路接触线状态检测系统 | |
| CN115373403B (zh) | 一种建筑机械设备巡检服务系统 | |
| CN214039881U (zh) | 地铁车辆360°图像检测系统 | |
| CN112817232A (zh) | 一种列车受电弓的控制方法和装置 | |
| CN114543661A (zh) | 地铁车辆360°图像检测系统及其检测方法 | |
| CN115909092A (zh) | 轻量化输电通道隐患测距方法及隐患预警装置 | |
| CN111598855A (zh) | 一种基于深度学习和迁移学习的2c设备高铁接触网吊弦缺陷检测方法 | |
| CN111681265B (zh) | 一种铁路受电弓和接触网的接触点在线检测方法 | |
| CN116086547B (zh) | 一种基于红外成像和气象监测的接触网覆冰检测方法 | |
| CN113657258A (zh) | 一种基于图像处理的接触网故障识别系统和识别方法 | |
| CN109934172B (zh) | 高速列车受电弓免gps全运行线故障视觉检测定位方法 | |
| CN107194923B (zh) | 一种用于接触网电力设备缺陷巡检的紫外图像诊断方法 | |
| CN113222907B (zh) | 一种基于弯道铁轨的检测机器人 | |
| CN115857040A (zh) | 一种机车车顶异物动态视觉检测装置及方法 | |
| CN113885569A (zh) | 一种基于计算机视觉处理的动车车底智能巡检机器人系统 | |
| CN113504243A (zh) | 接触网弹性吊索与承力索连接区域成像装置及成像方法 | |
| CN202770646U (zh) | 一种列检试风作业中制动缸状态自动监测系统 |
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 |