CN115206078A - 基于云数据分析的铁路锚固检测及预警方法、系统及设备 - Google Patents

基于云数据分析的铁路锚固检测及预警方法、系统及设备 Download PDF

Info

Publication number
CN115206078A
CN115206078A CN202211118639.0A CN202211118639A CN115206078A CN 115206078 A CN115206078 A CN 115206078A CN 202211118639 A CN202211118639 A CN 202211118639A CN 115206078 A CN115206078 A CN 115206078A
Authority
CN
China
Prior art keywords
anchor
anchoring
detection
detected
cloud data
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
Application number
CN202211118639.0A
Other languages
English (en)
Other versions
CN115206078B (zh
Inventor
蒋先国
何常红
刘平原
韩凌青
罗健
多俊军
邓洪
方怡
田红芬
宋新江
郑军
刘军财
亢佳增
赵志伟
郭晓霏
陈伟
李少鹏
魏博
李洪生
李佳俊
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Fashida Tianjin Intelligent Technology Co ltd
China Railway Design Corp
Original Assignee
Fashida Tianjin Intelligent Technology Co ltd
China Railway Design Corp
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Fashida Tianjin Intelligent Technology Co ltd, China Railway Design Corp filed Critical Fashida Tianjin Intelligent Technology Co ltd
Priority to CN202211118639.0A priority Critical patent/CN115206078B/zh
Publication of CN115206078A publication Critical patent/CN115206078A/zh
Application granted granted Critical
Publication of CN115206078B publication Critical patent/CN115206078B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B31/00—Predictive alarm systems characterised by extrapolation or other computation using updated historic data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06K—GRAPHICAL DATA READING; PRESENTATION OF DATA; RECORD CARRIERS; HANDLING RECORD CARRIERS
    • G06K17/00—Methods or arrangements for effecting co-operative working between equipments covered by two or more of main groups G06K1/00 - G06K15/00, e.g. automatic card files incorporating conveying and reading operations
    • G06K17/0022—Methods or arrangements for effecting co-operative working between equipments covered by two or more of main groups G06K1/00 - G06K15/00, e.g. automatic card files incorporating conveying and reading operations arrangements or provisious for transferring data to distant stations, e.g. from a sensing device
    • 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
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/01—Protocols
    • H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks

Abstract

本发明属于铁路锚固监测技术领域，具体涉及了一种基于云数据分析的铁路锚固检测及预警方法、系统及设备，旨在解决现有锚固检测及预警不全面，无法实现数据追溯且监测分析结果准确性不高的问题。本发明包括：检测锚固件检测拉力值、安装扭力值，实时轴向力、几何形变角度、温度及运行中的剪切力；通过云端数据处理平台进行数据预处理及归一化；结合锚固件可追溯检测数据生成当前时刻锚固质量预判结果；结合锚固件历史数据生成锚固质量延伸曲线；将锚固质量延伸曲线与预生成锚固件质量曲线的变化趋势进行相似度匹配，获得锚固件潜在风险信息。本发明预判结果的准确性和精度高，有效保证了工程质量，降低了工程的故障率。

Description

基于云数据分析的铁路锚固检测及预警方法、系统及设备
技术领域
本发明属于铁路锚固检测及预警技术领域，具体涉及了一种基于云数据分析的铁路锚固检测及预警方法、系统及设备。
背景技术
接触网是给铁路机车运行提供电能的网络，接触网在隧道中依靠锚固技术安装在混凝土中。锚固质量是接触网几何图形在正常运行范围的保证，而传统锚固方法存在因施工及混凝土随时间出现性能变化，导致的锚固点错动与滑移引起测量精度降低甚至锚固作用失效的问题。
发明内容
为了解决现有技术中的上述问题，即现有锚固检测及预警不全面，无法实现数据追溯且监测分析结果准确性不高的问题，本发明提供了一种基于云数据分析的铁路锚固检测及预警方法，所述检测及预警方法包括：
步骤S10，在锚固件上设置RFID电子标签，并为各锚固件编码；
步骤S20，基于锚固件编码，通过RFID电子标签读写终端获取当前待检测锚固件的检测拉力值、锚固件安装扭力值，以及在线检测的锚固件轴向力、几何形变角度、温度以及运行中的剪切力；
步骤S30，RFID电子标签读写终端将检测到的数据传输至云端数据处理平台，并通过云端数据处理平台进行数据的预处理及归一化；
步骤S40，基于预处理及归一化的数据，结合当前待检测锚固件可追溯检测数据，通过锚固质量监测模型生成当前时刻的当前待检测锚固件锚固质量预判结果；
步骤S50，基于所述当前时刻的当前待检测锚固件锚固质量预判结果，以及云端数据处理平台中当前待检测锚固件设定历史时刻到当前时刻的锚固质量预判结果，生成当前待检测锚固件锚固质量延伸曲线；
步骤S60，将所述当前待检测锚固件锚固质量延伸曲线与预生成锚固件质量曲线的变化趋势进行相似度匹配，获得当前待检测锚固件潜在风险信息并进行锚固件质量预警。
在一些优选的实施例中，所述锚固件的检测拉力值、锚固件安装扭力值，通过低功率近距离通信方式传输至云端数据处理平台；
所述锚固件的轴向力、几何形变角度、温度以及运行中的剪切力，通过无线接受单元或移动巡检方式传输至云端数据处理平台。
在一些优选的实施例中，所述可追溯检测数据包括锚固件的额定承载拉力值、锚固件检测拉力值以及检测阈值；
设定所述额定承载拉力值为锚固件最大动态载荷的a倍，设定所述检测阈值为所述额定承载拉力值的b倍，进行设定时长的锚固件拉拔检测，并采集锚固件检测拉力值，所述锚固件检测拉力值不低于所述检测阈值，其中，a、b为预设的阈值。阈值a，b值可在软件中根据不同工况进行灵活设置。
在一些优选的实施例中，所述锚固件安装扭力值为锚固件安装时的螺母扭矩预紧力。
在一些优选的实施例中，所述锚固质量监测模型基于深度神经网络构建，包括：
特征提取网络，用于通过不同的特征提取分支分别进行预处理及归一化的数据以及归一化的锚固件可追溯检测数据的特征提取；
特征融合网络，用于将特征提取网络提取的各特征进行自适应权重的特征融合，获得融合特征；
分类网络，用于进行所述融合特征的分类，获得锚固质量预判结果。
在一些优选的实施例中，所述特征提取网络包括N个特征提取分支，N为待特征提取的数据的类别数；
每一个所述特征提取分支包括顺次连接的卷积层conv1、最大池化层maxpool1、fire1、fire2、fire3、最大池化层maxpool2、fire4、fire5、fire6、fire7、最大池化层maxpool3、fire8、卷积层conv2、全局平均池化层global avgpool以及全连接层FC1；
所述最大池化层maxpool1的输出与所述最大池化层maxpool2的输入之间设置顺次连接的卷积层conv3和全连接层FC2；
所述最大池化层maxpool2的输出与所述最大池化层maxpool3的输入之间设置顺次连接的卷积层conv4和全连接层FC3；
所述最大池化层maxpool3的输出与所述全局平均池化层global avgpool的输入之间设置顺次连接的卷积层conv5和全连接层FC4；
所述最大池化层maxpool1的输出连接至所述fire2的输入，所述fire1的输出连接至所述fire3的输入，所述最大池化层maxpool2的输出连接至所述fire5的输入，所述fire4的输出连接至所述fire6的输入，所述fire5的输出连接至所述fire7的输入，所述最大池化层maxpool3的输出连接至所述卷积层conv2的输入。
在一些优选的实施例中，所述将特征提取网络提取的各特征进行自适应权重的特征融合，获得融合特征，其方法为：
将锚固件检测拉力值、检测阈值、锚固件安装扭力值对应的特征的权重分别设置 为固定权重
Figure 100002_DEST_PATH_IMAGE001
、
Figure 992644DEST_PATH_IMAGE002
和
Figure 100002_DEST_PATH_IMAGE003
；
锚固件的轴向力、几何形变角度、温度以及运行中的剪切力对应的特征的权重分 别设置为
Figure 110642DEST_PATH_IMAGE004
、
Figure 100002_DEST_PATH_IMAGE005
、
Figure 396129DEST_PATH_IMAGE006
和
Figure 100002_DEST_PATH_IMAGE007
，并结合专家先验知识，分别进行
Figure 133141DEST_PATH_IMAGE004
、
Figure 250002DEST_PATH_IMAGE005
、
Figure 883108DEST_PATH_IMAGE006
和
Figure 954095DEST_PATH_IMAGE007
的自适应调 整；
基于所述固定权重
Figure 963639DEST_PATH_IMAGE001
、
Figure 607110DEST_PATH_IMAGE002
和
Figure 801331DEST_PATH_IMAGE003
，以及自适应调整后的权重
Figure 733515DEST_PATH_IMAGE004
、
Figure 405805DEST_PATH_IMAGE005
、
Figure 372624DEST_PATH_IMAGE006
和
Figure 472167DEST_PATH_IMAGE007
，进行 对应的特征的加权融合，获得融合特征。
在一些优选的实施例中，所述结合专家先验知识，分别进行
Figure 953964DEST_PATH_IMAGE004
、
Figure 39732DEST_PATH_IMAGE005
、
Figure 487156DEST_PATH_IMAGE006
和
Figure 632966DEST_PATH_IMAGE007
的 自适应调整，其方法为：
基于专家先验知识为
Figure 336480DEST_PATH_IMAGE004
、
Figure 616152DEST_PATH_IMAGE005
、
Figure 291984DEST_PATH_IMAGE006
和
Figure 733329DEST_PATH_IMAGE007
赋予初始值；
构建包含N个粒子的粒子群，并将每个粒子的4维目标搜索空间位置参数设定为待 调整的
Figure 127401DEST_PATH_IMAGE004
、
Figure 617289DEST_PATH_IMAGE005
、
Figure 537840DEST_PATH_IMAGE006
和
Figure 25453DEST_PATH_IMAGE007
的值；
随机初始化每一个粒子的初始飞行速度，将每一个粒子对应的待调整的
Figure 267341DEST_PATH_IMAGE004
、
Figure 764181DEST_PATH_IMAGE005
、
Figure 211343DEST_PATH_IMAGE006
和
Figure 260071DEST_PATH_IMAGE007
的值代入铁路锚固的力学分析模型，构建铁路锚固的受力及变形力学分析函数；
在第
Figure 363156DEST_PATH_IMAGE008
个粒子由第t代向第t+1代进化时，以粒子适应度小为更优，最小化所述受力 及变形力学分析函数，并更新粒子的位置向量；
迭代进行每一个粒子的适应度寻优，直至达到设定的结束条件，获得调整好的
Figure 522742DEST_PATH_IMAGE004
、
Figure 824410DEST_PATH_IMAGE005
、
Figure 919405DEST_PATH_IMAGE006
和
Figure 634420DEST_PATH_IMAGE007
。
本发明的另一方面，提出了一种基于云数据分析的铁路锚固检测及预警系统，所述检测及预警系统包括：
标签设定模块，配置为在锚固件上设置RFID电子标签，并为各锚固件编码；
数据采集模块，配置为基于锚固件编码，通过RFID电子标签读写终端获取当前待检测锚固件的检测拉力值、锚固件安装扭力值，在线检测锚固件的轴向力、几何形变角度、温度以及运行中的剪切力；
数据预处理及归一化模块，配置为RFID电子标签读写终端将检测到的数据传输至云端数据处理平台，并通过云端数据处理平台进行数据的预处理及归一化；
质量预判模块，配置为基于预处理及归一化的数据，结合当前待检测锚固件可追溯检测数据，通过锚固质量监测模型生成当前时刻的当前待检测锚固件锚固质量预判结果；
质量延伸曲线生成模块，配置为基于所述当前时刻的当前待检测锚固件锚固质量预判结果，以及云端数据处理平台中当前待检测锚固件设定历史时刻到当前时刻的锚固质量预判结果，生成当前待检测锚固件锚固质量延伸曲线；
潜在风险评判模块，配置为将所述当前待检测锚固件锚固质量延伸曲线与预生成锚固件质量曲线的变化趋势进行相似度匹配，获得当前待检测锚固件潜在风险信息；
预警模块，配置为基于所述当前待检测锚固件潜在风险信息进行锚固件的潜在风险的预警。
本发明的第三方面，提出了一种电子设备，包括：
至少一个处理器；以及
与至少一个所述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处理器执行的指令，所述指令用于被所述处理器执行以实现上述的基于云数据分析的铁路锚固检测及预警方法。
本发明的第四方面，提出了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于被所述计算机执行以实现上述的基于云数据分析的铁路锚固检测及预警方法。
本发明的有益效果：
（1）本发明基于云数据分析的铁路锚固检测及预警方法，充分考虑了锚固件安装扭力值（螺母预紧力）、可追溯检测数据（包括锚固件检测拉力值、检测阈值以及锚固件的额定承载拉力值），以及实时的轴向力、几何形变角度、温度、运行中的剪切力对锚固件锚固质量的影响，结合历史数据通过锚固质量监测模型进行当前时刻锚固质量预判，预判结果的准确性和精度高，有效保证了工程质量，降低了工程的故障率。
（2）本发明基于云数据分析的铁路锚固检测及预警方法，锚固质量监测模型以及锚固件的历史检测和监测数据设置于云端数据处理平台，可以对大量的处于相同环境或不同环境的锚固件同时进行检测和监测，数据共享度高，同时，更多的共享数据有效提升了模型的性能，从而进一步提升了锚固质量预判结果的准确性和精度。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：
图1是本发明基于云数据分析的铁路锚固检测及预警方法的流程示意图；
图2是本发明基于云数据分析的铁路锚固检测及预警方法一种实施例的锚固质量监测模型结构示意图；
图3是本发明基于云数据分析的铁路锚固检测及预警方法一种实施例的锚固质量监测模型中特征提取网络结构示意图；
图4是本发明基于云数据分析的铁路锚固检测及预警方法一种实施例的特征融合过程示意图；
图5是本发明基于云数据分析的铁路锚固检测及预警方法一种实施例的权重自适应调整流程示意图；
图6是用于实现本申请方法、系统、设备实施例的服务器的计算机系统的结构示意图。
具体实施方式
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
本发明的一种基于云数据分析的铁路锚固检测及预警方法，所述检测及预警方法包括：
步骤S10，在锚固件上设置RFID电子标签，并为各锚固件编码；
步骤S20，基于锚固件编码，通过RFID电子标签读写终端获取当前待检测锚固件的检测拉力值、锚固件安装扭力值，以及在线检测的锚固件轴向力、几何形变角度、温度以及运行中的剪切力；
步骤S30，RFID电子标签读写终端将检测到的数据传输至云端数据处理平台，并通过云端数据处理平台进行数据的预处理及归一化；
步骤S40，基于预处理及归一化的数据，结合当前待检测锚固件可追溯检测数据，通过锚固质量监测模型生成当前时刻的当前待检测锚固件锚固质量预判结果；
步骤S50，基于所述当前时刻的当前待检测锚固件锚固质量预判结果，以及云端数据处理平台中当前待检测锚固件设定历史时刻到当前时刻的锚固质量预判结果，生成当前待检测锚固件锚固质量延伸曲线；
步骤S60，将所述当前待检测锚固件锚固质量延伸曲线与预生成锚固件质量曲线的变化趋势进行相似度匹配，获得当前待检测锚固件潜在风险信息并进行锚固件质量预警。
为了更清晰地对本发明基于云数据分析的铁路锚固检测及预警方法进行说明，下面结合图1对本发明实施例中各步骤展开详述。
本发明第一实施例的基于云数据分析的铁路锚固检测及预警方法，包括步骤S10-步骤S60，各步骤详细描述如下：
步骤S10，在锚固件上设置RFID电子标签，并为各锚固件编码。
除了通过RFID电子标签进行锚固件的标识和编码，还可以通过二维码等其他方式进行锚固件的标识和编码，相应的数据采集和读取方式也需要调整，本发明在此不一一详述。
步骤S20，基于锚固件编码，通过RFID电子标签读写终端获取当前待检测锚固件的检测拉力值、锚固件安装扭力值，以及在线检测的锚固件轴向力、几何形变角度、温度以及运行中的剪切力。
锚固件安装扭力值为锚固件安装时的螺母扭矩预紧力。
锚固件的检测拉力值、锚固件安装扭力值，通过低功率近距离通信方式传输至云端数据处理平台；
锚固件的轴向力、几何形变角度、温度以及运行中的剪切力，通过无线接受单元或移动巡检方式传输至云端数据处理平台。
步骤S30，RFID电子标签读写终端将检测到的数据传输至云端数据处理平台，并通过云端数据处理平台进行数据的预处理及归一化。
步骤S40，基于预处理及归一化的数据，结合当前待检测锚固件可追溯检测数据，通过锚固质量监测模型生成当前时刻的当前待检测锚固件锚固质量预判结果。
可追溯检测数据包括锚固件的额定承载拉力值、锚固件检测拉力值以及检测阈值：
设定所述额定承载拉力值为锚固件最大动态载荷的a倍，设定所述检测阈值为所述额定承载拉力值的b倍，进行设定时长的锚固件拉拔检测，并采集锚固件检测拉力值，所述锚固件检测拉力值不低于所述检测阈值，其中，a、b为预设的阈值。阈值a，b值可在软件中根据不同工况进行灵活设置。
锚固质量监测模型基于深度神经网络构建，如图2所示，为本发明基于云数据分析的铁路锚固检测及预警方法一种实施例的锚固质量监测模型结构示意图，包括：
特征提取网络，用于通过不同的特征提取分支分别进行预处理及归一化的数据以及归一化的锚固件可追溯检测数据的特征提取。
如图3所示，为本发明基于云数据分析的铁路锚固检测及预警方法一种实施例的锚固质量监测模型中特征提取网络结构示意图，特征提取网络包括N个特征提取分支，N为待特征提取的数据的类别数：
每一个所述特征提取分支包括顺次连接的卷积层conv1、最大池化层maxpool1、fire1、fire2、fire3、最大池化层maxpool2、fire4、fire5、fire6、fire7、最大池化层maxpool3、fire8、卷积层conv2、全局平均池化层global avgpool以及全连接层FC1；
所述最大池化层maxpool1的输出与所述最大池化层maxpool2的输入之间设置顺次连接的卷积层conv3和全连接层FC2；
所述最大池化层maxpool2的输出与所述最大池化层maxpool3的输入之间设置顺次连接的卷积层conv4和全连接层FC3；
所述最大池化层maxpool3的输出与所述全局平均池化层global avgpool的输入之间设置顺次连接的卷积层conv5和全连接层FC4；
所述最大池化层maxpool1的输出连接至所述fire2的输入，所述fire1的输出连接至所述fire3的输入，所述最大池化层maxpool2的输出连接至所述fire5的输入，所述fire4的输出连接至所述fire6的输入，所述fire5的输出连接至所述fire7的输入，所述最大池化层maxpool3的输出连接至所述卷积层conv2的输入。
特征融合网络，用于将特征提取网络提取的各特征进行自适应权重的特征融合，获得融合特征，如图4所示，为本发明基于云数据分析的铁路锚固检测及预警方法一种实施例的特征融合过程示意图：
将锚固件检测拉力值、检测阈值、锚固件安装扭力值对应的特征的权重分别设置 为固定权重
Figure 207484DEST_PATH_IMAGE001
、
Figure 458599DEST_PATH_IMAGE002
和
Figure 724495DEST_PATH_IMAGE003
。
锚固件的检测拉力值、检测阈值、锚固件安装扭力值为固定参数，并且不会随着锚固件使用时间、当前质量发生改变，因此，其对于锚固件质量的预判所起到的作用的权重设置为固定权重。
锚固件的轴向力、几何形变角度、温度以及运行中的剪切力对应的特征的权重分 别设置为
Figure 598910DEST_PATH_IMAGE004
、
Figure 100299DEST_PATH_IMAGE005
、
Figure 314243DEST_PATH_IMAGE006
和
Figure 875674DEST_PATH_IMAGE007
，并结合专家先验知识，分别进行
Figure 440647DEST_PATH_IMAGE004
、
Figure 417831DEST_PATH_IMAGE005
、
Figure 142073DEST_PATH_IMAGE006
和
Figure 484193DEST_PATH_IMAGE007
的自适应调 整。
锚固件的轴向力、几何形变角度、温度以及运行中的剪切力随着锚固件应用中的环境、作用力等等发生实时的变化，因此，其对于锚固件质量的预判所起到的作用的权重设置为自适应调整权重。
基于所述固定权重
Figure 896982DEST_PATH_IMAGE001
、
Figure 677856DEST_PATH_IMAGE002
和
Figure 131971DEST_PATH_IMAGE003
，以及自适应调整后的权重
Figure 769626DEST_PATH_IMAGE004
、
Figure 43612DEST_PATH_IMAGE005
、
Figure 362598DEST_PATH_IMAGE006
和
Figure 795854DEST_PATH_IMAGE007
，进行 对应的特征的加权融合，获得融合特征。
如图5所示，为本发明基于云数据分析的铁路锚固检测及预警方法一种实施例的 权重自适应调整流程示意图，结合专家先验知识，分别进行
Figure 479776DEST_PATH_IMAGE004
、
Figure 896851DEST_PATH_IMAGE005
、
Figure 691631DEST_PATH_IMAGE006
和
Figure 746437DEST_PATH_IMAGE007
的自适应调 整，其方法为：
基于专家先验知识为
Figure 663578DEST_PATH_IMAGE004
、
Figure 912156DEST_PATH_IMAGE005
、
Figure 635262DEST_PATH_IMAGE006
和
Figure 918476DEST_PATH_IMAGE007
赋予初始值；
构建包含N个粒子的粒子群，并将每个粒子的4维目标搜索空间位置参数设定为待 调整的
Figure 334413DEST_PATH_IMAGE004
、
Figure 70288DEST_PATH_IMAGE005
、
Figure 534768DEST_PATH_IMAGE006
和
Figure 797122DEST_PATH_IMAGE007
的值；
随机初始化每一个粒子的初始飞行速度，将每一个粒子对应的待调整的
Figure 993748DEST_PATH_IMAGE004
、
Figure 854736DEST_PATH_IMAGE005
、
Figure 326169DEST_PATH_IMAGE006
和
Figure 115133DEST_PATH_IMAGE007
的值代入铁路锚固的力学分析模型，构建铁路锚固的受力及变形力学分析函数；
在第
Figure 872874DEST_PATH_IMAGE008
个粒子由第t代向第t+1代进化时，以粒子适应度小为更优，最小化所述受力 及变形力学分析函数，并更新粒子的位置向量；
迭代进行每一个粒子的适应度寻优，直至达到设定的结束条件，获得调整好的
Figure 317761DEST_PATH_IMAGE004
、
Figure 451940DEST_PATH_IMAGE005
、
Figure 298673DEST_PATH_IMAGE006
和
Figure 164998DEST_PATH_IMAGE007
。
分类网络，用于进行所述融合特征的分类，获得锚固质量预判结果。
步骤S50，基于所述当前时刻的当前待检测锚固件锚固质量预判结果，以及云端数据处理平台中当前待检测锚固件设定历史时刻到当前时刻的锚固质量预判结果，生成当前待检测锚固件锚固质量延伸曲线。
步骤S60，将所述当前待检测锚固件锚固质量延伸曲线与预生成锚固件质量曲线的变化趋势进行相似度匹配，获得当前待检测锚固件潜在风险信息并进行锚固件质量预警。
本发明一个实施例中，预生成锚固件质量曲线为通过锚固件真实环境模拟仿真获取的，与现实锚固件环境相似的理想质量延伸曲线。
将锚固质量延伸曲线与预生成锚固件质量曲线的变化趋势进行相似度匹配，获得锚固件潜在风险信息，具体包括：
获取预生成锚固件质量曲线中锚固件质量低于设定阈值的时刻作为终止时刻，以当前锚固件检测时刻作为起始时刻；
将起始时刻到终止时刻划分为设定的预警时间段、报警时间段以及报废时间段；
对曲线的相似度匹配结果进行时间映射，并判断曲线的相似度大于设定阈值的起始时刻所处的时间段：
若处于预警时间段，则表示当前锚固件质量存在一定风险，需要发出预警警告，并在后续使用过程中重点监测；
若处于报警时间段，则表示当前锚固件质量存在较大风险，需要发出报警警告，并在后续使用过程中重点监测，以及在设定时间段内进行锚固件替换；
若处于报废时间段，则表示当前锚固件质量存在极大风险，需要发出报废警告，并立即停止当前锚固件的使用，更换新的锚固件。
上述实施例中虽然将各个步骤按照上述先后次序的方式进行了描述，但是本领域技术人员可以理解，为了实现本实施例的效果，不同的步骤之间不必按照这样的次序执行，其可以同时(并行)执行或以颠倒的次序执行，这些简单的变化都在本发明的保护范围之内。
本发明第二实施例的基于云数据分析的铁路锚固检测及预警系统，所述检测及预警系统包括：
标签设定模块，配置为在锚固件上设置RFID电子标签，并为各锚固件编码；
数据采集模块，配置为基于锚固件编码，通过RFID电子标签读写终端获取当前待检测锚固件的检测拉力值、锚固件安装扭力值，在线检测锚固件的轴向力、几何形变角度、温度以及运行中的剪切力；
数据预处理及归一化模块，配置为RFID电子标签读写终端将检测到的数据传输至云端数据处理平台，并通过云端数据处理平台进行数据的预处理及归一化；
质量预判模块，配置为基于预处理及归一化的数据，结合当前待检测锚固件可追溯检测数据，通过锚固质量监测模型生成当前时刻的当前待检测锚固件锚固质量预判结果；
质量延伸曲线生成模块，配置为基于所述当前时刻的当前待检测锚固件锚固质量预判结果，以及云端数据处理平台中当前待检测锚固件设定历史时刻到当前时刻的锚固质量预判结果，生成当前待检测锚固件锚固质量延伸曲线；
潜在风险评判模块，配置为将所述当前待检测锚固件锚固质量延伸曲线与预生成锚固件质量曲线的变化趋势进行相似度匹配，获得当前待检测锚固件潜在风险信息；
预警模块，配置为基于所述当前待检测锚固件潜在风险信息进行锚固件的潜在风险的预警。
所属技术领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统的具体工作过程及有关说明，可以参考前述方法实施例中的对应过程，在此不再赘述。
需要说明的是，上述实施例提供的基于云数据分析的铁路锚固检测及预警系统，仅以上述各功能模块的划分进行举例说明，在实际应用中，可以根据需要而将上述功能分配由不同的功能模块来完成，即将本发明实施例中的模块或者步骤再分解或者组合，例如，上述实施例的模块可以合并为一个模块，也可以进一步拆分成多个子模块，以完成以上描述的全部或者部分功能。对于本发明实施例中涉及的模块、步骤的名称，仅仅是为了区分各个模块或者步骤，不视为对本发明的不当限定。
本发明第三实施例的一种电子设备，包括：
至少一个处理器；以及
与至少一个所述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处理器执行的指令，所述指令用于被所述处理器执行以实现上述的基于云数据分析的铁路锚固检测及预警方法。
本发明第四实施例的一种计算机可读存储介质，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于被所述计算机执行以实现上述的基于云数据分析的铁路锚固检测及预警方法。
所属技术领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的存储装置、处理装置的具体工作过程及有关说明，可以参考前述方法实施例中的对应过程，在此不再赘述。
本领域技术人员应该能够意识到，结合本文中所公开的实施例描述的各示例的模块、方法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，软件模块、方法步骤对应的程序可以置于随机存储器（RAM）、内存、只读存储器（ROM）、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。为了清楚地说明电子硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以电子硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。本领域技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
下面参考图6，其示出了用于实现本申请方法、系统、设备实施例的服务器的计算机系统的结构示意图。图6示出的服务器仅仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。
如图6所示，计算机系统包括中央处理单元(CPU，Central Processing Unit)601，其可以根据存储在只读存储器(ROM，Read Only Memory)602中的程序或者从存储部分608加载到随机访问存储器(RAM，Random Access Memory)603中的程序而执行各种适当的动作和处理。在RAM 603中，还存储有系统操作所需的各种程序和数据。CPU 601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O，Input/Output)接口605也连接至总线604。
以下部件连接至I/O接口605：包括键盘、鼠标等的输入部分606；包括诸如阴极射线管(CRT，Cathode Ray Tube)、液晶显示器(LCD，Liquid Crystal Display)等以及扬声器等的输出部分607；包括硬盘等的存储部分608；以及包括诸如LAN(局域网，Local AreaNetwork)卡、调制解调器等的网络接口卡的通信部分609。通信部分609经由诸如因特网的网络执行通信处理。驱动器610也根据需要连接至I/O接口605。可拆卸介质611，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器610上，以便于从其上读出的计算机程序根据需要被安装入存储部分608。
特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分609从网络上被下载和安装，和/或从可拆卸介质611被安装。在该计算机程序被中央处理单元(CPU)601执行时，执行本申请的方法中限定的上述功能。需要说明的是，本申请上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本申请中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、RF等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本申请的操作的计算机程序代码，上述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图，图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
术语“第一”、“第二”等是用于区别类似的对象，而不是用于描述或表示特定的顺序或先后次序。
术语“包括”或者任何其它类似用语旨在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备/装置不仅包括那些要素，而且还包括没有明确列出的其它要素，或者还包括这些过程、方法、物品或者设备/装置所固有的要素。
至此，已经结合附图所示的优选实施方式描述了本发明的技术方案，但是，本领域技术人员容易理解的是，本发明的保护范围显然不局限于这些具体实施方式。在不偏离本发明的原理的前提下，本领域技术人员可以对相关技术特征做出等同的更改或替换，这些更改或替换之后的技术方案都将落入本发明的保护范围之内。

Claims (11)

1.一种基于云数据分析的铁路锚固检测及预警方法，其特征在于，所述检测及预警方法包括：
步骤S10，在锚固件上设置RFID电子标签，并为各锚固件编码；
步骤S20，基于锚固件编码，通过RFID电子标签读写终端获取当前待检测锚固件的检测拉力值、锚固件安装扭力值，以及在线检测的锚固件轴向力、几何形变角度、温度以及运行中的剪切力；
步骤S30，RFID电子标签读写终端将检测到的数据传输至云端数据处理平台，并通过云端数据处理平台进行数据的预处理及归一化；
步骤S40，基于预处理及归一化的数据，结合当前待检测锚固件可追溯检测数据，通过锚固质量监测模型生成当前时刻的当前待检测锚固件锚固质量预判结果；
步骤S50，基于所述当前时刻的当前待检测锚固件锚固质量预判结果，以及云端数据处理平台中当前待检测锚固件设定历史时刻到当前时刻的锚固质量预判结果，生成当前待检测锚固件锚固质量延伸曲线；
步骤S60，将所述当前待检测锚固件锚固质量延伸曲线与预生成锚固件质量曲线的变化趋势进行相似度匹配，获得当前待检测锚固件潜在风险信息并进行锚固件质量预警。
2.根据权利要求1所述的基于云数据分析的铁路锚固检测及预警方法，其特征在于，所述锚固件的检测拉力值、锚固件安装扭力值，通过低功率近距离通信方式传输至云端数据处理平台；
所述锚固件的轴向力、几何形变角度、温度以及运行中的剪切力，通过无线接受单元或移动巡检方式传输至云端数据处理平台。
3.根据权利要求1所述的基于云数据分析的铁路锚固检测及预警方法，其特征在于，所述可追溯检测数据包括锚固件的额定承载拉力值、锚固件检测拉力值以及检测阈值；
设定所述额定承载拉力值为锚固件最大动态载荷的a倍，设定所述检测阈值为所述额定承载拉力值的b倍，进行设定时长的锚固件拉拔检测，并采集锚固件检测拉力值，所述锚固件检测拉力值不低于所述检测阈值，其中，a、b为预设的阈值。
4.根据权利要求1所述的基于云数据分析的铁路锚固检测及预警方法，其特征在于，所述锚固件安装扭力值为锚固件安装时的螺母扭矩预紧力。
5.根据权利要求1所述的基于云数据分析的铁路锚固检测及预警方法，其特征在于，所述锚固质量监测模型基于深度神经网络构建，包括：
特征提取网络，用于通过不同的特征提取分支分别进行预处理及归一化的数据以及归一化的锚固件可追溯检测数据的特征提取；
特征融合网络，用于将特征提取网络提取的各特征进行自适应权重的特征融合，获得融合特征；
分类网络，用于进行所述融合特征的分类，获得锚固质量预判结果。
6.根据权利要求5所述的基于云数据分析的铁路锚固检测及预警方法，其特征在于，所述特征提取网络包括N个特征提取分支，N为待特征提取的数据的类别数；
每一个所述特征提取分支包括顺次连接的卷积层conv1、最大池化层maxpool1、fire1、fire2、fire3、最大池化层maxpool2、fire4、fire5、fire6、fire7、最大池化层maxpool3、fire8、卷积层conv2、全局平均池化层global avgpool以及全连接层FC1；
所述最大池化层maxpool1的输出与所述最大池化层maxpool2的输入之间设置顺次连接的卷积层conv3和全连接层FC2；
所述最大池化层maxpool2的输出与所述最大池化层maxpool3的输入之间设置顺次连接的卷积层conv4和全连接层FC3；
所述最大池化层maxpool3的输出与所述全局平均池化层global avgpool的输入之间设置顺次连接的卷积层conv5和全连接层FC4；
所述最大池化层maxpool1的输出连接至所述fire2的输入，所述fire1的输出连接至所述fire3的输入，所述最大池化层maxpool2的输出连接至所述fire5的输入，所述fire4的输出连接至所述fire6的输入，所述fire5的输出连接至所述fire7的输入，所述最大池化层maxpool3的输出连接至所述卷积层conv2的输入。
7.根据权利要求6所述的基于云数据分析的铁路锚固检测及预警方法，其特征在于，所述将特征提取网络提取的各特征进行自适应权重的特征融合，获得融合特征，其方法为：
将锚固件检测拉力值、检测阈值、锚固件安装扭力值对应的特征的权重分别设置为固 定权重
Figure DEST_PATH_IMAGE001
、
Figure 116594DEST_PATH_IMAGE002
和
Figure DEST_PATH_IMAGE003
；
锚固件的轴向力、几何形变角度、温度以及运行中的剪切力对应的特征的权重分别设 置为
Figure 476294DEST_PATH_IMAGE004
、
Figure DEST_PATH_IMAGE005
、
Figure 619699DEST_PATH_IMAGE006
和
Figure DEST_PATH_IMAGE007
，并结合专家先验知识，分别进行
Figure 828964DEST_PATH_IMAGE004
、
Figure 325804DEST_PATH_IMAGE005
、
Figure 100862DEST_PATH_IMAGE006
和
Figure 556114DEST_PATH_IMAGE007
的自适应调整；
基于所述固定权重
Figure 924779DEST_PATH_IMAGE001
、
Figure 585829DEST_PATH_IMAGE002
和
Figure 90760DEST_PATH_IMAGE003
，以及自适应调整后的权重
Figure 44809DEST_PATH_IMAGE004
、
Figure 900770DEST_PATH_IMAGE005
、
Figure 536151DEST_PATH_IMAGE006
和
Figure 20222DEST_PATH_IMAGE007
，进行对应的 特征的加权融合，获得融合特征。
8.根据权利要求7所述的基于云数据分析的铁路锚固检测及预警方法，其特征在于，所 述结合专家先验知识，分别进行
Figure 20539DEST_PATH_IMAGE004
、
Figure 222850DEST_PATH_IMAGE005
、
Figure 661922DEST_PATH_IMAGE006
和
Figure 141444DEST_PATH_IMAGE007
的自适应调整，其方法为：
基于专家先验知识为
Figure 192622DEST_PATH_IMAGE004
、
Figure 757595DEST_PATH_IMAGE005
、
Figure 797096DEST_PATH_IMAGE006
和
Figure 131125DEST_PATH_IMAGE007
赋予初始值；
构建包含N个粒子的粒子群，并将每个粒子的4维目标搜索空间位置参数设定为待调整 的
Figure 863458DEST_PATH_IMAGE004
、
Figure 712465DEST_PATH_IMAGE005
、
Figure 431022DEST_PATH_IMAGE006
和
Figure 9771DEST_PATH_IMAGE007
的值；
随机初始化每一个粒子的初始飞行速度，将每一个粒子对应的待调整的
Figure 522792DEST_PATH_IMAGE004
、
Figure 688456DEST_PATH_IMAGE005
、
Figure 210705DEST_PATH_IMAGE006
和
Figure 316064DEST_PATH_IMAGE007
的值代入铁路锚固的力学分析模型，构建铁路锚固的受力及变形力学分析函数；
在第
Figure 390199DEST_PATH_IMAGE008
个粒子由第t代向第t+1代进化时，以粒子适应度小为更优，最小化所述受力及变 形力学分析函数，并更新粒子的位置向量；
迭代进行每一个粒子的适应度寻优，直至达到设定的结束条件，获得调整好的
Figure 151482DEST_PATH_IMAGE004
、
Figure 336475DEST_PATH_IMAGE005
、
Figure 499603DEST_PATH_IMAGE006
和
Figure 744640DEST_PATH_IMAGE007
。
9.一种基于云数据分析的铁路锚固检测及预警系统，其特征在于，所述检测及预警系统包括：
标签设定模块，配置为在锚固件上设置RFID电子标签，并为各锚固件编码；
数据采集模块，配置为基于锚固件编码，通过RFID电子标签读写终端获取当前待检测锚固件的检测拉力值、锚固件安装扭力值，在线检测锚固件的轴向力、几何形变角度、温度以及运行中的剪切力；
数据预处理及归一化模块，配置为RFID电子标签读写终端将检测到的数据传输至云端数据处理平台，并通过云端数据处理平台进行数据的预处理及归一化；
质量预判模块，配置为基于预处理及归一化的数据，结合当前待检测锚固件可追溯检测数据，通过锚固质量监测模型生成当前时刻的当前待检测锚固件锚固质量预判结果；
质量延伸曲线生成模块，配置为基于所述当前时刻的当前待检测锚固件锚固质量预判结果，以及云端数据处理平台中当前待检测锚固件设定历史时刻到当前时刻的锚固质量预判结果，生成当前待检测锚固件锚固质量延伸曲线；
潜在风险评判模块，配置为将所述当前待检测锚固件锚固质量延伸曲线与预生成锚固件质量曲线的变化趋势进行相似度匹配，获得当前待检测锚固件潜在风险信息；
预警模块，配置为基于所述当前待检测锚固件潜在风险信息进行锚固件的潜在风险的预警。
10.一种电子设备，其特征在于，包括：
至少一个处理器；以及
与至少一个所述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处理器执行的指令，所述指令用于被所述处理器执行以实现权利要求1-8任一项所述的基于云数据分析的铁路锚固检测及预警方法。
11.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于被所述计算机执行以实现权利要求1-8任一项所述的基于云数据分析的铁路锚固检测及预警方法。
CN202211118639.0A 2022-09-15 2022-09-15 基于云数据分析的铁路锚固检测及预警方法、系统及设备 Active CN115206078B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211118639.0A CN115206078B (zh) 2022-09-15 2022-09-15 基于云数据分析的铁路锚固检测及预警方法、系统及设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211118639.0A CN115206078B (zh) 2022-09-15 2022-09-15 基于云数据分析的铁路锚固检测及预警方法、系统及设备

Publications (2)

Publication Number Publication Date
CN115206078A true CN115206078A (zh) 2022-10-18
CN115206078B CN115206078B (zh) 2022-12-16

Family

ID=83573647

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211118639.0A Active CN115206078B (zh) 2022-09-15 2022-09-15 基于云数据分析的铁路锚固检测及预警方法、系统及设备

Country Status (1)

Country Link
CN (1) CN115206078B (zh)

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102839693A (zh) * 2012-09-02 2012-12-26 山东科技大学 增阻变形锚杆/锚索锚固质量监测装置及应用方法
US20130070083A1 (en) * 2011-03-24 2013-03-21 Edwin deSteiguer Snead Rail stress detection system and method
CN104748799A (zh) * 2015-04-20 2015-07-01 张伟龙 一种接触网动态智能故障监测调整系统及方法
CN108052861A (zh) * 2017-11-08 2018-05-18 北京卓视智通科技有限责任公司 一种神经网络系统及基于该神经网络系统的车型识别方法
CN110222559A (zh) * 2019-04-24 2019-09-10 深圳市微纳集成电路与系统应用研究院 基于卷积神经网络的烟雾图像检测方法及装置
CN112541915A (zh) * 2021-01-25 2021-03-23 中国科学院自动化研究所 用于高分辨率图像的高效布匹缺陷检测方法、系统及设备
CN113673510A (zh) * 2021-07-29 2021-11-19 复旦大学 一种结合特征点和锚框共同预测和回归的目标检测算法
CN114742990A (zh) * 2022-04-06 2022-07-12 平安科技（深圳）有限公司 基于人工智能的目标检测方法、装置、设备及存储介质

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130070083A1 (en) * 2011-03-24 2013-03-21 Edwin deSteiguer Snead Rail stress detection system and method
CN102839693A (zh) * 2012-09-02 2012-12-26 山东科技大学 增阻变形锚杆/锚索锚固质量监测装置及应用方法
CN104748799A (zh) * 2015-04-20 2015-07-01 张伟龙 一种接触网动态智能故障监测调整系统及方法
CN108052861A (zh) * 2017-11-08 2018-05-18 北京卓视智通科技有限责任公司 一种神经网络系统及基于该神经网络系统的车型识别方法
CN110222559A (zh) * 2019-04-24 2019-09-10 深圳市微纳集成电路与系统应用研究院 基于卷积神经网络的烟雾图像检测方法及装置
CN112541915A (zh) * 2021-01-25 2021-03-23 中国科学院自动化研究所 用于高分辨率图像的高效布匹缺陷检测方法、系统及设备
CN113673510A (zh) * 2021-07-29 2021-11-19 复旦大学 一种结合特征点和锚框共同预测和回归的目标检测算法
CN114742990A (zh) * 2022-04-06 2022-07-12 平安科技（深圳）有限公司 基于人工智能的目标检测方法、装置、设备及存储介质

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
孙路革: "基于卷积神经网络的锚固体拉-压变形时空演化特征研究", 《万方数据知识服务平台》 *
江锐: "基于云计算的桥梁结构健康监测物联网系统设计与应用研究", 《万方数据知识服务平台》 *
王宝丽: "基于深度学习的中低速磁浮F轨螺栓松动识别研究", 《工程科技Ⅱ辑》 *

Also Published As

Publication number Publication date
CN115206078B (zh) 2022-12-16

Similar Documents

Publication Publication Date Title
CN109976997B (zh) 测试方法和装置
CN113884961B (zh) Soc校准方法、建模方法、建模装置、计算机设备及介质
CN112308124B (zh) 一种面向用电信息采集系统的智能防窃电方法
CN112613584A (zh) 一种故障诊断方法、装置、设备及存储介质
CN111222981A (zh) 可信度确定方法、装置、设备和存储介质
CN111461231A (zh) 一种短信息的发送控制方法、装置及存储介质
Moallemi et al. Exploring scalable, distributed real-time anomaly detection for bridge health monitoring
CN113762454A (zh) 轨迹异常检测方法及装置
CN115206078B (zh) 基于云数据分析的铁路锚固检测及预警方法、系统及设备
CN108628863B (zh) 信息获取方法和装置
CN112560981A (zh) 生成对抗模型的训练方法、装置、设备、程序和存储介质
CN110704614B (zh) 对应用中的用户群类型进行预测的信息处理方法及装置
CN117176417A (zh) 网络流量异常确定方法、装置、电子设备和可读存储介质
CN115563507A (zh) 可再生能源发电场景的生成方法、装置及设备
Abdellatif et al. DroMOD: A Drone-Based Multi-Scope Object Detection System
CN114860535A (zh) 数据评估模型生成方法及装置、异常数据监控方法及装置
CN114154477A (zh) 文本数据处理方法及装置、电子设备和可读存储介质
Constantinou et al. Modeling the operating characteristics of iot for underwater sound classification
CN117478434B (zh) 边缘节点网络流量数据处理方法、装置、设备及介质
Vignesh et al. Deep Reinforcement Learning Based Weather Monitoring Systemusing Arduino for Smart Environment
CN115456168B (zh) 强化学习模型的训练方法、能耗确定方法和装置
CN117455124B (zh) 企业的环保设备监测方法、系统、介质及电子设备
CN115292146B (zh) 一种系统容量预估方法、系统、设备及存储介质
CN115184744B (zh) 一种基于Faster-RCNN的GIS特高频放电信号检测装置及方法
CN117151420A (zh) 风险监控方法、装置、设备、介质和程序产品

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
CB03 Change of inventor or designer information
CB03 Change of inventor or designer information

Inventor after: Jiang Xianguo

Inventor after: Song Xinjiang

Inventor after: Zheng Jun

Inventor after: Liu Juncai

Inventor after: Kang Jiazeng

Inventor after: Zhao Zhiwei

Inventor after: Guo Xiaofei

Inventor after: Chen Wei

Inventor after: Li Shaopeng

Inventor after: Wei Bo

Inventor after: Li Hongsheng

Inventor after: He Changhong

Inventor after: Li Jiajun

Inventor after: Liu Pingyuan

Inventor after: Han Lingqing

Inventor after: Luo Jian

Inventor after: Duo Junjun

Inventor after: Deng Hong

Inventor after: Fang Yi

Inventor after: Tian Hongfen

Inventor before: Jiang Xianguo

Inventor before: Song Xinjiang

Inventor before: Zheng Jun

Inventor before: Liu Juncai

Inventor before: Kang Jiazeng

Inventor before: Zhao Zhiwei

Inventor before: Guo Xiaofei

Inventor before: Chen Wei

Inventor before: Li Shaopeng

Inventor before: Wei Bo

Inventor before: Li Hongsheng

Inventor before: He Changhong

Inventor before: Li Jiajun

Inventor before: Liu Pingyuan

Inventor before: Han Lingqing

Inventor before: Luo Jian

Inventor before: Duo Junjun

Inventor before: Deng Hong

Inventor before: Fang Yi

Inventor before: Tian Hongfen