CN115222265A - 一种铁路全线路轨道状态确定方法及装置 - Google Patents
一种铁路全线路轨道状态确定方法及装置 Download PDFInfo
- Publication number
- CN115222265A CN115222265A CN202210870666.7A CN202210870666A CN115222265A CN 115222265 A CN115222265 A CN 115222265A CN 202210870666 A CN202210870666 A CN 202210870666A CN 115222265 A CN115222265 A CN 115222265A
- Authority
- CN
- China
- Prior art keywords
- space
- track
- time
- data
- railway
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 80
- 238000000605 extraction Methods 0.000 claims abstract description 49
- 230000001133 acceleration Effects 0.000 claims description 112
- 238000004590 computer program Methods 0.000 claims description 21
- 238000005070 sampling Methods 0.000 claims description 18
- 230000008569 process Effects 0.000 claims description 14
- 238000003860 storage Methods 0.000 claims description 12
- 238000012937 correction Methods 0.000 claims description 11
- 238000011156 evaluation Methods 0.000 abstract description 9
- 238000012544 monitoring process Methods 0.000 description 33
- 238000004891 communication Methods 0.000 description 16
- 238000012423 maintenance Methods 0.000 description 15
- 238000010586 diagram Methods 0.000 description 14
- 230000006870 function Effects 0.000 description 14
- 230000036541 health Effects 0.000 description 12
- 238000012545 processing Methods 0.000 description 11
- 238000012549 training Methods 0.000 description 9
- 238000001514 detection method Methods 0.000 description 6
- 238000003745 diagnosis Methods 0.000 description 6
- 230000002159 abnormal effect Effects 0.000 description 5
- 230000015556 catabolic process Effects 0.000 description 5
- 238000006731 degradation reaction Methods 0.000 description 5
- 238000003062 neural network model Methods 0.000 description 5
- 238000012795 verification Methods 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 239000000872 buffer Substances 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 229910000831 Steel Inorganic materials 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000003862 health status Effects 0.000 description 2
- 230000003137 locomotive effect Effects 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 239000010959 steel Substances 0.000 description 2
- 108010076504 Protein Sorting Signals Proteins 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- BXLNWOAYQXBHCY-UHFFFAOYSA-N diphenylsilylidene(diphenyl)silane Chemical compound C1=CC=CC=C1[Si](C=1C=CC=CC=1)=[Si](C=1C=CC=CC=1)C1=CC=CC=C1 BXLNWOAYQXBHCY-UHFFFAOYSA-N 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000013210 evaluation model Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000009191 jumping Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2462—Approximate or statistical queries
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2474—Sequence data queries, e.g. querying versioned data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Tourism & Hospitality (AREA)
- Educational Administration (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Data Mining & Analysis (AREA)
- Probability & Statistics with Applications (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- Mathematical Physics (AREA)
- Entrepreneurship & Innovation (AREA)
- Software Systems (AREA)
- General Business, Economics & Management (AREA)
- Computational Linguistics (AREA)
- Fuzzy Systems (AREA)
- Remote Sensing (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- Train Traffic Observation, Control, And Security (AREA)
Abstract
本申请提供一种铁路全线路轨道状态确定方法及装置,涉及轨道车辆安全运行状态评估领域,包括:将轨道车辆的运行状态时序数据与对应的线路空间位置数据进行时空数据配准,得到时空数据集合;对所述时空数据集合进行时空特征提取,生成对应的时空特征值;将所述时空特征值输入预先构建的铁路全线路轨道状态预测模型,得到铁路全线路轨道状态;其中,所述铁路全线路轨道状态预测模型是根据历史运行状态时序数据及对应的历史线路空间位置数据预先构建的。本申请能够预测铁路全线路轨道状态。
Description
技术领域
本申请涉及轨道车辆安全运行状态评估领域,具体是一种铁路全线路轨道状态确定方法及装置。
背景技术
在轨道车辆安全运行状态评估领域,现有的车载设备监测系统及地面设备监测系统主要用于对轨道车辆自身的安全运行状态进行评估。例如,客车行车安全监控系统(简称TCDS系统)作为一种车载设备监测系统,能够通过安装于车载转向架上的加速度传感器来获取车辆振动信号,利用信号特征提取及统计分析的方法评估车辆自身的运行状态。又如,车辆运行品质轨边动态监测系统(简称TPDS系统)作为一种地面设备监测系统,能够利用地面固定设施对车辆上的移动设备进行监测。
然而,相较于对轨道车辆自身的安全运行状态进行评估的方法,目前对铁路沿线上各基础设施(如桥梁、隧道、涵洞、路基、钢轨、道岔、轨枕等)进行故障检测及健康状态评估的方式比较落后,一般包括:第一,通过专用的检测车,如高速综合检测列车、钢轨探伤车、隧道检查车等,对轨道、钢轨、桥梁等的状态进行监测;第二,在地面安装监测设备,针对特定传感器采集的监测数据开展分析研究;但至少存在如下技术问题:
首先,各种监测设备或系统之间相互独立、分散,种类繁多,数据存储格式不统一,后续进行数据处理的难度大。
其次,目前对铁路沿线基础设施进行故障检测及健康状态评估,受地理环境、设计建造、运输组织及检修历史等多种因素的影响,具有异质性及不确定性等特点。现有技术对铁路沿线基础设施状态劣化规律的建模一般采用统一的经验公式或统计模型,而忽略了铁路沿线基础设施状态劣化的异质性特点,导致利用模型对基础设施安全状态进行预测时的预测值与实际值存在较大误差。
因此,如何更准确地描述铁路全线路基础设施的劣化程度,进而体现出铁路全线路轨道的状态是一个技术难题。
发明内容
针对现有技术中的问题,本申请提供一种铁路全线路轨道状态确定方法及装置,能够预测铁路全线路轨道状态。
为解决上述技术问题,本申请提供以下技术方案:
第一方面,本申请提供一种铁路全线路轨道状态确定方法,包括:
将轨道车辆的运行状态时序数据与对应的线路空间位置数据进行时空数据配准,得到时空数据集合;
对所述时空数据集合进行时空特征提取,生成对应的时空特征值;
将所述时空特征值输入预先构建的铁路全线路轨道状态预测模型,得到铁路全线路轨道状态;其中,所述铁路全线路轨道状态预测模型是根据历史运行状态时序数据及对应的历史线路空间位置数据预先构建的。
进一步地,在将轨道车辆的运行状态时序数据与对应的线路空间位置数据进行时空数据配准之前,还包括:
根据所述线路空间位置数据中预设路段的上下行公里标及长度信息生成基础设施数据字典;
根据获取的车辆运行视频图像及所述基础设施数据字典校正所述线路空间位置数据。
进一步地,所述运行状态时序数据包括:所述轨道车辆在运行过程中的加速度值;所述对所述时空数据集合进行时空特征提取,生成对应的时空特征值,包括:
根据所述线路空间位置数据确定各空间滑动窗口;
根据各空间滑动窗口对应的加速度值计算各空间滑动窗口对应的时空特征值。
进一步地,所述时空特征值包括:轨道冲击指数;所述根据各空间滑动窗口对应的加速度值计算各空间滑动窗口对应的时空特征值,包括:
根据预设的采样频率及所述加速度值计算所述轨道冲击指数。
进一步地,所述时空特征值包括:平稳性指标;所述根据各空间滑动窗口对应的加速度值计算各空间滑动窗口对应的时空特征值,包括:
根据预设的采样频率、频率修正系数及所述加速度值计算所述平稳性指标。
进一步地,所述时空特征值包括:加速度有效值;所述根据各空间滑动窗口对应的加速度值计算各空间滑动窗口对应的时空特征值,包括:
根据所述加速度值及所述空间滑动窗口的数量计算所述加速度有效值。
进一步地,所述时空特征值包括:加速度最大值;所述根据各空间滑动窗口对应的加速度值计算各空间滑动窗口对应的时空特征值,包括:
比较各空间滑动窗口对应的加速度值,以确定所述加速度最大值。
进一步地,将所述时空特征值输入预先构建的铁路全线路轨道状态预测模型,得到铁路全线路轨道状态,包括:
对轨道车辆的运行状态时序数据及对应的线路空间位置数据进行时空数据配准;
对完成时空数据配准后的运行状态时序数据及线路空间位置数据进行时空特征提取,生成对应的平稳性指标、加速度有效值、加速度最大值及轨道冲击指数;
根据所述平稳性指标、加速度有效值、加速度最大值、轨道冲击指数及所述铁路全线路轨道状态预测模型,得到铁路全线路轨道状态。
第二方面,本申请提供一种铁路全线路轨道状态确定装置,包括:
时空配准单元,用于将轨道车辆的运行状态时序数据与对应的线路空间位置数据进行时空数据配准,得到时空数据集合;
时空特征提取单元,用于对所述时空数据集合进行时空特征提取,生成对应的时空特征值;
轨道状态确定单元,用于将所述时空特征值输入预先构建的铁路全线路轨道状态预测模型,得到铁路全线路轨道状态;其中,所述铁路全线路轨道状态预测模型是根据历史运行状态时序数据及对应的历史线路空间位置数据预先构建的。
进一步地,所述的铁路全线路轨道状态确定装置,还包括:
数据字典生成单元,用于根据所述线路空间位置数据中预设路段的上下行公里标及长度信息生成基础设施数据字典;
空间数据校正单元,用于根据获取的车辆运行视频图像及所述基础设施数据字典校正所述线路空间位置数据。
进一步地,所述运行状态时序数据包括:所述轨道车辆在运行过程中的加速度值;所述时空特征提取单元,包括:
滑动窗口确定模块,用于根据所述线路空间位置数据确定各空间滑动窗口;
时空特征提取模块,用于根据各空间滑动窗口对应的加速度值计算各空间滑动窗口对应的时空特征值。
进一步地,所述时空特征值包括:轨道冲击指数;所述时空特征提取模块,具体用于根据预设的采样频率及所述加速度值计算所述轨道冲击指数。
进一步地,所述时空特征值包括:平稳性指标;所述时空特征提取模块,具体用于根据预设的采样频率、频率修正系数及所述加速度值计算所述平稳性指标。
进一步地,所述时空特征值包括:加速度有效值;所述时空特征提取模块,具体用于根据所述加速度值及所述空间滑动窗口的数量计算所述加速度有效值。
进一步地,所述时空特征值包括:加速度最大值;所述时空特征提取模块,具体用于比较各空间滑动窗口对应的加速度值,以确定所述加速度最大值。
进一步地,所述的铁路全线路轨道状态确定装置,所述轨道状态确定单元,包括:
时空配准模块,用于对轨道车辆的运行状态时序数据及对应的线路空间位置数据进行时空数据配准;
时空特征提取模块,用于对完成时空数据配准后的运行状态时序数据及线路空间位置数据进行时空特征提取,生成对应的平稳性指标、加速度有效值、加速度最大值及轨道冲击指数;
轨道状态确定模块,根据所述平稳性指标、加速度有效值、加速度最大值、轨道冲击指数及所述铁路全线路轨道状态预测模型,得到铁路全线路轨道状态。
第三方面,本申请提供一种电子设备包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现所述铁路全线路轨道状态确定方法的步骤。
第四方面,本申请提供一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现所述铁路全线路轨道状态确定方法的步骤。
第五方面,本申请提供一种计算机程序产品,包括计算机程序/指令,该计算机程序/指令被处理器执行时实现所述铁路全线路轨道状态确定方法的步骤。
针对现有技术中的问题,本申请提供的铁路全线路轨道状态确定方法及装置,能够对待测铁路线路下不同轨道车辆的车辆状态进行监测,得到轨道车辆的运行状态时序数据,再将其与待测铁路线路上各车站、桥梁及隧道等的工务位置的线路空间位置相结合,从而构建出“车地监测”的时空大数据集合;通过研究线路全空间监测数据在时间上的演变规律,建立全线路轨道健康状态的趋势演变模型,从而帮助技术人员提前安排检修维护计划,提高铁路运行效率,实现对铁路线路上轨道设备运营状态的智能辅助决策,对降低铁路线路的维护成本具有重要意义。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术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为本申请实施例中铁路全线路轨道状态确定方法的流程图之一;
图2为本申请实施例中铁路全线路轨道状态确定方法的流程图之二;
图3为本申请实施例中生成对应的时空特征值的流程图;
图4为本申请实施例中构建铁路全线路轨道状态预测模型的流程图;
图5为本申请实施例中铁路全线路轨道状态确定装置的结构图之一;
图6为本申请实施例中铁路全线路轨道状态确定装置的结构图之二;
图7为本申请实施例中时空特征提取单元的结构图;
图8为本申请实施例中铁路全线路轨道状态确定装置的结构图之三;
图9为本申请实施例中的电子设备的结构示意图;
图10为本申请实施例中基于监测数据的线路轨道设备健康诊断过程示意图;
图11为本申请实施例中基于图神经网络的健康状态分级评估过程示意图;
图12为本申请实施例中训练时空数据预测模型的效果的示意图;
图13为本申请实施例中得到铁路全线路轨道状态的流程图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
一实施例中,参见图1,为了能够预测铁路全线路轨道状态,本申请提供一种铁路全线路轨道状态确定方法,包括:
S101:将轨道车辆的运行状态时序数据与对应的线路空间位置数据进行时空数据配准,得到时空数据集合;
S102:对所述时空数据集合进行时空特征提取,生成对应的时空特征值;
S103:将所述时空特征值输入预先构建的铁路全线路轨道状态预测模型,得到铁路全线路轨道状态;其中,所述铁路全线路轨道状态预测模型是根据历史运行状态时序数据及对应的历史线路空间位置数据预先构建的。
可以理解的是,为解决前述技术问题,本申请实施例结合铁路线路轨道设备的线性、连续等积极特征以及异质性、不确定性、记忆性及联动性等劣化特点,不再从轨道设备所属的工务、电务、牵引供电等角度进行铁路线路轨道(安全/健康)状态的评估,而是从线路空间位置的角度出发,整合铁路线路轨道的全生命周期数据,提出一种轨道铁路线路轨道(安全/健康)状态的评估计算方法。
在本申请实施例中,可以将轨道车辆与整个铁路线路轨道视为一个耦合振动系统,通过融合轨道车辆在线路细小位置处采集的振动监测数据、来自列车运行监控记录装置(LKJ系统)的公里标数据及工务线路基础数据等多系统数据,不断积累时空大数据集,从而判别铁路线路轨道劣化及演变趋势。
一般地,运营轨道车辆会按照固定线路进行运营,车上安装的列车运行监控记录装置(LKJ系统)能够记录车辆全过程运行的位置、公里标及工况等信息。对某个固定线路而言,大量的轨道车辆在运行过程中,在经过隧道、桥梁、道岔等线路的不同地理位置时,车载监测设备能够不断积累带有时间属性及空间属性的全时空动态监测数据。这些不断积累的海量的车辆全时空动态监测数据对评估该线路轨道的故障状态及健康状态有着巨大的价值。
如何挖掘海量的机车车辆全时空动态监测数据,开展对铁路线路轨道故障的检测及健康状态评估,是工业大数据时代背景下一个全新的研究方向。其对降低工务基础设施的维护成本具有重要意义。本申请实施例创新性地对固定铁路线路上,不同运营轨道车辆的状态进行监测,形成运行状态时序数据。该运行状态时序数据与线路上的车站、桥梁、隧道等线路基础设施工务位置空间信息(对应于线路空间位置数据)进行融合,构建了“车地监测”时空大数据,通过研究全线路空间监测数据在时间上的演变规律,建立全线路全空间轨道健康状态的趋势演变模型,实现对线路轨道设备运营状态的智能辅助决策。
图11为线路轨道设备健康诊断过程的流程示意图。基于模型和/或统计分析方法,通过多参数融合诊断逻辑机理及诊断模型对状态参数进行诊断分析,明确走行部状态,并根据不同的状态分级(根据预先构建的铁路全线路轨道状态预测模型计算得到)提供相应的处置措施。
从上述描述可知,本申请提供的铁路全线路轨道状态确定方法,能够对待测铁路线路下不同轨道车辆的车辆状态进行监测,得到轨道车辆的运行状态时序数据,再将其与待测铁路线路上各车站、桥梁及隧道等的工务位置的线路空间位置相结合,从而构建出“车地监测”的时空大数据集合;通过研究线路全空间监测数据在时间上的演变规律,建立全线路轨道健康状态的趋势演变模型,从而帮助技术人员提前安排检修维护计划,提高铁路运行效率,实现对铁路线路上轨道设备运营状态的智能辅助决策,对降低铁路线路的维护成本具有重要意义。
一实施例中,参见图2,在将轨道车辆的运行状态时序数据与对应的线路空间位置数据进行时空数据配准之前,还包括:
S201:根据所述线路空间位置数据中预设路段的上下行公里标及长度信息生成基础设施数据字典;其中,预设路段包括但不限于各车站、桥梁及隧道等;
S202:根据获取的车辆运行视频图像及所述基础设施数据字典校正所述线路空间位置数据。
可以理解的是,所谓时空数据配准是指将运行状态时序数据与线路空间位置数据相互对应,以获知各线路空间位置上各时间段内的运行状态或者各时间段内的全线路空间位置状态。
在将轨道车辆的运行状态时序数据与对应的线路空间位置数据进行时空数据配准之前,首先需要获取运行状态时序数据及对应的线路空间位置数据。
对于运行状态时序数据,可以选定既有的铁路运营线路为研究目标,采集固定线路下轨道车辆运行过程中的状态监测数据,如转向架加速度数据、上下行公里标、速度、运行工况及累计运行时间等,并将其传输至地面诊断系统(本申请实施例的执行主体,实体可为一服务器)。
对于线路空间位置数据,可以制定轨道车辆车载设备(如客车客车行车安全监控系统与列车运行监控记录装置)之间的车载通信协议,以使车载设备主机通过以太网获取列车运行监控记录装置所记录的上下行公里标、线路等数据。
为了更好地完成时空数据配准,可以采集全线路信息,包括但不限于该固定线路上,车站、桥梁及隧道的上下行公里标及长度信息。以此形成基础设施数据字典;利用预先获取的车辆运行视频图像及基础设施数据字典校正线路空间位置数据。
需要说明的是,为了取得更优的配准效果,可以对异常的上下行公里标数据进行预先处理,例如,对于不符合逻辑的异常数据跳变,可以采用该轨道车辆在该数据项上的历史平均值来替代异常值;对于缺失的公里标数据进行回归拟合(通过最小二乘法建立轨道线路上的空间位置点和速度、运行时间的拟合曲线,从而解决公里标数据缺失的问题)。
建立统一的时空数据基准空间。时空数据是指在固定的连续空间区域上以固定的时间间隔采样得到的观测指标。对车载时序振动监测数据、车载数据的三维信息空间,按照列号(整列车的唯一标识信息)、时间、交路、公里标进行统一的时空配准,通过数据库的存储过程和视图,实现按时间分组、按空间位置分组等不同的数据检索方式,分别形成车辆按照时间和公里标位置进行检索的数据库检索表,通过以上实现运行状态时序数据与线路空间位置数据的时空配准。时空配准后的数据可以形成一个时空数据集合,后续可以从该时空数据集合中进行时空特征提取。
从上述描述可知,本申请提供的铁路全线路轨道状态确定方法,能够将轨道车辆的运行状态时序数据与对应的线路空间位置数据进行时空数据配准。
一实施例中,参见图3,所述运行状态时序数据包括:所述轨道车辆在运行过程中的加速度值;所述对所述时空数据集合进行时空特征提取,生成对应的时空特征值,包括:
S301:根据所述线路空间位置数据确定各空间滑动窗口;
S302:根据各空间滑动窗口对应的加速度值计算各空间滑动窗口对应的时空特征值。
具体地,所述时空特征值包括:轨道冲击指数;所述根据各空间滑动窗口对应的加速度值计算各空间滑动窗口对应的时空特征值,包括:根据预设的采样频率及所述加速度值计算所述轨道冲击指数。
具体地,所述时空特征值包括:平稳性指标;所述根据各空间滑动窗口对应的加速度值计算各空间滑动窗口对应的时空特征值,包括:根据预设的采样频率、频率修正系数及所述加速度值计算所述平稳性指标。
具体地,所述时空特征值包括:加速度有效值;所述根据各空间滑动窗口对应的加速度值计算各空间滑动窗口对应的时空特征值,包括:根据所述加速度值及所述空间滑动窗口的数量计算所述加速度有效值。
具体地,所述时空特征值包括:加速度最大值;所述根据各空间滑动窗口对应的加速度值计算各空间滑动窗口对应的时空特征值,包括:比较各空间滑动窗口对应的加速度值,以确定所述加速度最大值。
可以理解的是,长期对经过固定线路的所有轨道车辆进行数据追踪,形成海量的转向架加速度原始数据的时空数据集。振动原始数据的时空数据集中的数据为时间振动信号序列,其数据量大、数据空间维度高、复杂性高。本申请实施例本着模型与数据驱动相结合的思想进行时空特征提取,一方面尽可能地保留车辆与线路轨道组成的耦合振动系统的振动特征,另一方面尽可能多地保留海量时序信号在时域、频域以及时频分析的一些统计特征。
为此,首先进行数据预处理。将整条固定线路轨道的空间位置划分为J个等间隔空间(例如,长度2公里,等间隔200米,则J为10.)(相当于上文中的空间滑动窗口),对于加速度原始数据,以一次交路为一个数据采样样本,每秒计算以下四种特征形成特征向量:
其中,i代表垂向或者横向;j代表线路上位置信息,位于第j个空间窗口内的点则表示为,(j-1)×200≤位置≤j×200;K代表车辆经过空间位置的不同的时间片(即不同的运行交路)。
具体地,轨道冲击指数(Vijk):
平稳性指标(Wijk):
按照GB 5599-2019《机车车辆动力学性能评定及试验鉴定规范》的规定,轨道车辆平稳性指标按时间为5s,每1s间隔滑动计算,公式为:i=1,2,i代表横向或者垂向;Ai代表主频幅值;fs为1秒的采样频率,Hz;F(f)--频率修正系数,见表1。
表1频率修正系数
加速度有效值:
加速度最大值:
Xmax=max(x1,x2,...,xfs),fs为1秒的采样频率。
其中n为该空间片j区间内数据的个数。
得到一次交路采样的时空特征。
一实施例中,参见图13,将所述时空特征值输入预先构建的铁路全线路轨道状态预测模型,得到铁路全线路轨道状态,包括:
S401:对轨道车辆的运行状态时序数据及对应的线路空间位置数据进行时空数据配准;
S402:对完成时空数据配准后的运行状态时序数据及线路空间位置数据进行时空特征提取,生成对应的平稳性指标、加速度有效值、加速度最大值及轨道冲击指数;
S403:根据所述平稳性指标、加速度有效值、加速度最大值、轨道冲击指数及所述铁路全线路轨道状态预测模型,得到铁路全线路轨道状态;其中,铁路全线路轨道状态预测模型通过图神经网络模型进行训练得到。
具体地,是将平稳性指标、加速度有效值、加速度最大值及轨道冲击指数各自对应的均值及方差输入铁路全线路轨道状态预测模型,得到铁路全线路轨道状态。
需要说明的是,一实施例中,参见图4,构建所述铁路全线路轨道状态预测模型的步骤,包括:
S401’:对轨道车辆的历史运行状态时序数据及对应的历史线路空间位置数据进行历史时空数据配准;
S402’:对完成历史时空数据配准后的运行状态时序数据及线路空间位置数据进行历史时空特征提取,生成对应的历史平稳性指标、历史加速度有效值、历史加速度最大值及历史轨道冲击指数;
S403’:将所述历史平稳性指标、历史加速度有效值、历史加速度最大值及历史轨道冲击指数各自对应的均值及方差输入图神经网络模型进行训练,得到铁路全线路轨道历史状态;其中,所述历史平稳性指标、历史加速度有效值、历史加速度最大值及历史轨道冲击指数各自对应的均值及方差需要预先计算得到,计算方法与计算平稳性指标、加速度有效值、加速度最大值及轨道冲击指数各自对应的均值及方差的方法一致,详见前述公式;
S404’:根据预设的铁路全线路轨道状态评级策略及所述铁路全线路轨道历史状态,生成所述铁路全线路轨道状态预测模型。
可以理解的是,本申请实施例将铁路固定运营线路下轨道车辆积累的海量振动监测原始数据与铁路线路空间信息进行关联,提出并构建了铁路固定运营线路下振动监测全时空大数据集。运用模型与数据驱动相结合的思想提取时空特征值,提出了表征车辆与轨道耦合振动系统的振动特征-轨道冲击指数,同时尽可能多的保留海量时序信号在时域、频域、以及时频分析的一些统计特征。
该模型为基于时空图神经网络(Spatial-Temporal Graph Neural Networks,STGNN)的全线路全时空的铁路线路轨道状态预测模型。图神经网络模型由若干个时空模块(Spatial-Temporal Block,简称ST block)堆叠而成,通过时空模块的时空特征提取机以及时空图卷积模块,构建了全线路随时间的劣化趋势的分级评估模型,分为A级(正常)、B级(弱化,待持续跟踪)、C级(异常,待检查维护)、D级(故障,需即刻维修),参见图10;利用长期跟踪的全线路检修数据,选取从正常到下次维修的全生命周期的数据用于测试数据,选取维修后一段时间的数据作为验证数据进行验证。结果表明,模型对轨道状态的预测准确率在90%以上,验证了所提出的智能预测模型的有效性。
图12为时空数据预测模型(也称铁路全线路轨道状态预测模型),输入为历史Th个时间片的时空图信号矩阵X,同时输出多步预测结果y。图神经网络模型由l个时空模块(Spatial-Temporal Block,简称ST block)堆叠而成;其中,第l个时空模块的输入用表示;dmodel是中间层数据的特征维度。每个时空模块包含两个关键的运算,第一是时空特征提取运算,其根据输入数据动态计算待测数据之间的相关性及时间片之间的相关性;第二是时空图卷积模块,其利用空间维度的图卷积核在时间维度的一维卷积捕获时、空两个维度的相关性。
,提出一种时空图卷积神经网络模型(Spatial-Temporal Graph NeuralNetworks,STGNN),模型训练过程如下:
(1)输入层:部分时空数据集作为训练样本,其余部分作为测试样本。该数据集共分为K个时间片和J个空间片,每个样本为时空中的一次采样。
STGNN网络的输入是图的结构与每个节点的特征,输出是节点层面的结果或者图层面的结果。通常用临接矩阵A∈RN×N表示图的结构,特征X∈RN×F表示各个节点的特征值,Z∈RN×P表示模型的输出。每个神经网络层都可表示为:
Hl+1=f(Hl,A),其中H0=X,Hl=Z。
根据输入与输出格式,可等价为:
f(Hl+1,A)=δ(AHlWl)
(2)时空模块卷积
图神经网络模型由若干个时空模块(Spatial-Temporal Block,ST block)堆叠而成,见图11所示。每个时空模块首先是时空特征提取机制,根据输入数据动态计算节点之间相关性和时间片之间的相关性强弱;其次是时空图卷积模块,分别利用空间维度的图卷积核时间维度的一维卷积捕获时、空维度的相关性。
本方案通过实验综合比较后选取7个隐层时空模块。
(3)输出层
作为故障诊断的输出节点,希望能够直接从输出结果得到故障模式的判断,本专利在7个时空卷积模块后接入一个全连接层神经网络(MLP)+softmax分类器,输出0-1之间的概率,并采用one-shot编码格式和softmax的输出做交叉熵损失,最终输出层的4个节点分别定义为,0001 0010 0100 1000,分别对应为A级(正常)、B级(弱化,待持续跟踪)、C级(异常,待检查维护)、D级(故障,需即刻维修。
如果整个网络的训练次数为1000次,则训练目标误差为1e-6,学习速率为0.01。
具体地,可以用Levenberg-Marquardt优化算法对网络进行训练。
LM优化算法训练误差变化曲线见图12所示。训练结果误差为9.4516e-7,目标误差为1e-6。此时网络性能很好地达到了要求。
在模型的验证阶段,可以选取维修后一段时间的数据作为验证数据进行验证。结果表明,模型对轨道状态的预测准确率在90%以上,验证了所提出的智能预测模型的有效性。
从上述描述可知,本申请提供的铁路全线路轨道状态确定方法,能够构建铁路全线路轨道状态预测模型。
基于同一发明构思,本申请实施例还提供了一种铁路全线路轨道状态确定装置,可以用于实现上述实施例所描述的方法,如下面的实施例所述。由于铁路全线路轨道状态确定装置解决问题的原理与铁路全线路轨道状态确定方法相似,因此铁路全线路轨道状态确定装置的实施可以参见基于软件性能基准确定方法的实施,重复之处不再赘述。以下所使用的,术语“单元”或者“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的系统较佳地以软件来实现,但是硬件,或者软件和硬件的组合的实现也是可能并被构想的。
一实施例中,参见图5,为了能够预测铁路全线路轨道状态,本申请提供一种铁路全线路轨道状态确定装置,包括:
时空配准单元501,用于将轨道车辆的运行状态时序数据与对应的线路空间位置数据进行时空数据配准,得到时空数据集合;
时空特征提取单元502,用于对所述时空数据集合进行时空特征提取,生成对应的时空特征值;
轨道状态确定单元503,用于将所述时空特征值输入预先构建的铁路全线路轨道状态预测模型,得到铁路全线路轨道状态;其中,所述铁路全线路轨道状态预测模型是根据历史运行状态时序数据及对应的历史线路空间位置数据预先构建的。
一实施例中,参见图6,所述的铁路全线路轨道状态确定装置,还包括:
数据字典生成单元601,用于根据所述线路空间位置数据中预设路段的上下行公里标及长度信息生成基础设施数据字典;
空间数据校正单元602,用于根据获取的车辆运行视频图像及所述基础设施数据字典校正所述线路空间位置数据。
一实施例中,参见图7,所述运行状态时序数据包括:所述轨道车辆在运行过程中的加速度值;所述时空特征提取单元602,包括:
滑动窗口确定模块701,用于根据所述线路空间位置数据确定各空间滑动窗口;
时空特征提取模块702,用于根据各空间滑动窗口对应的加速度值计算各空间滑动窗口对应的时空特征值。
一实施例中,所述时空特征值包括:轨道冲击指数;所述时空特征提取模块,具体用于根据预设的采样频率及所述加速度值计算所述轨道冲击指数。
一实施例中,所述时空特征值包括:平稳性指标;所述时空特征提取模块,具体用于根据预设的采样频率、频率修正系数及所述加速度值计算所述平稳性指标。
一实施例中,所述时空特征值包括:加速度有效值;所述时空特征提取模块,具体用于根据所述加速度值及所述空间滑动窗口的数量计算所述加速度有效值。
一实施例中,所述时空特征值包括:加速度最大值;所述时空特征提取模块,具体用于比较各空间滑动窗口对应的加速度值,以确定所述加速度最大值。
一实施例中,参见图8,所述的铁路全线路轨道状态确定装置,轨道状态确定单元503,包括:
时空配准模块801,用于对轨道车辆的运行状态时序数据及对应的线路空间位置数据进行时空数据配准;
时空特征提取模块802,用于对完成时空数据配准后的运行状态时序数据及线路空间位置数据进行时空特征提取,生成对应的平稳性指标、加速度有效值、加速度最大值及轨道冲击指数;
轨道状态确定模块803,根据所述平稳性指标、加速度有效值、加速度最大值、轨道冲击指数及所述铁路全线路轨道状态预测模型,得到铁路全线路轨道状态。
从硬件层面来说,为了能够预测铁路全线路轨道状态,本申请提供一种用于实现所述铁路全线路轨道状态确定方法中的全部或部分内容的电子设备的实施例,所述电子设备具体包含有如下内容:
处理器(Processor)、存储器(Memory)、通讯接口(Communications Interface)和总线;其中,所述处理器、存储器、通讯接口通过所述总线完成相互间的通讯;所述通讯接口用于实现所述铁路全线路轨道状态确定装置与核心业务系统、用户终端以及相关数据库等相关设备之间的信息传输;该逻辑控制器可以是台式计算机、平板电脑及移动终端等,本实施例不限于此。在本实施例中,该逻辑控制器可以参照实施例中的铁路全线路轨道状态确定方法的实施例,以及铁路全线路轨道状态确定装置的实施例进行实施,其内容被合并于此,重复之处不再赘述。
可以理解的是,所述用户终端可以包括智能手机、平板电子设备、网络机顶盒、便携式计算机、台式电脑、个人数字助理(PDA)、车载设备、智能穿戴设备等。其中,所述智能穿戴设备可以包括智能眼镜、智能手表、智能手环等。
在实际应用中,铁路全线路轨道状态确定方法的部分可以在如上述内容所述的电子设备侧执行,也可以所有的操作都在所述客户端设备中完成。具体可以根据所述客户端设备的处理能力,以及用户使用场景的限制等进行选择。本申请对此不作限定。若所有的操作都在所述客户端设备中完成,所述客户端设备还可以包括处理器。
上述的客户端设备可以具有通讯模块(即通讯单元),可以与远程的服务器进行通讯连接,实现与所述服务器的数据传输。所述服务器可以包括任务调度中心一侧的服务器,其他的实施场景中也可以包括中间平台的服务器,例如与任务调度中心服务器有通讯链接的第三方服务器平台的服务器。所述的服务器可以包括单台计算机设备,也可以包括多个服务器组成的服务器集群,或者分布式装置的服务器结构。
图9为本申请实施例的电子设备9600的系统构成的示意框图。如图9所示,该电子设备9600可以包括中央处理器9100和存储器9140;存储器9140耦合到中央处理器9100。值得注意的是,该图9是示例性的;还可以使用其他类型的结构,来补充或代替该结构,以实现电信功能或其他功能。
一实施例中,铁路全线路轨道状态确定方法功能可以被集成到中央处理器9100中。其中,中央处理器9100可以被配置为进行如下控制:
S101:将轨道车辆的运行状态时序数据与对应的线路空间位置数据进行时空数据配准,得到时空数据集合;
S102:对所述时空数据集合进行时空特征提取,生成对应的时空特征值;
S103:将所述时空特征值输入预先构建的铁路全线路轨道状态预测模型,得到铁路全线路轨道状态;其中,所述铁路全线路轨道状态预测模型是根据历史运行状态时序数据及对应的历史线路空间位置数据预先构建的。
从上述描述可知,本申请提供的铁路全线路轨道状态确定方法,能够对待测铁路线路下不同轨道车辆的车辆状态进行监测,得到轨道车辆的运行状态时序数据,再将其与待测铁路线路上各车站、桥梁及隧道等的工务位置的线路空间位置相结合,从而构建出“车地监测”的时空大数据集合;通过研究线路全空间监测数据在时间上的演变规律,建立全线路轨道健康状态的趋势演变模型,从而帮助技术人员提前安排检修维护计划,提高铁路运行效率,实现对铁路线路上轨道设备运营状态的智能辅助决策,对降低铁路线路的维护成本具有重要意义。
在另一个实施方式中,铁路全线路轨道状态确定装置可以与中央处理器9100分开配置,例如可以将数据复合传输装置铁路全线路轨道状态确定装置配置为与中央处理器9100连接的芯片,通过中央处理器的控制来实现铁路全线路轨道状态确定方法的功能。
如图9所示,该电子设备9600还可以包括:通讯模块9110、输入单元9120、音频处理器9130、显示器9160、电源9170。值得注意的是,电子设备9600也并不是必须要包括图9中所示的所有部件;此外,电子设备9600还可以包括图9中没有示出的部件,可以参考现有技术。
如图9所示,中央处理器9100有时也称为控制器或操作控件,可以包括微处理器或其他处理器装置和/或逻辑装置,该中央处理器9100接收输入并控制电子设备9600的各个部件的操作。
其中,存储器9140,例如可以是缓存器、闪存、硬驱、可移动介质、易失性存储器、非易失性存储器或其它合适装置中的一种或更多种。可储存上述与失败有关的信息,此外还可存储执行有关信息的程序。并且中央处理器9100可执行该存储器9140存储的该程序,以实现信息存储或处理等。
输入单元9120向中央处理器9100提供输入。该输入单元9120例如为按键或触摸输入装置。电源9170用于向电子设备9600提供电力。显示器9160用于进行图像和文字等显示对象的显示。该显示器例如可为LCD显示器,但并不限于此。
该存储器9140可以是固态存储器,例如,只读存储器(ROM)、随机存取存储器(RAM)、SIM卡等。还可以是这样的存储器,其即使在断电时也保存信息,可被选择性地擦除且设有更多数据,该存储器的示例有时被称为EPROM等。存储器9140还可以是某种其它类型的装置。存储器9140包括缓冲存储器9141(有时被称为缓冲器)。存储器9140可以包括应用/功能存储部9142,该应用/功能存储部9142用于存储应用程序和功能程序或用于通过中央处理器9100执行电子设备9600的操作的流程。
存储器9140还可以包括数据存储部9143,该数据存储部9143用于存储数据,例如联系人、数字数据、图片、声音和/或任何其他由电子设备使用的数据。存储器9140的驱动程序存储部9144可以包括电子设备的用于通讯功能和/或用于执行电子设备的其他功能(如消息传送应用、通讯录应用等)的各种驱动程序。
通讯模块9110即为经由天线9111发送和接收信号的发送机/接收机9110。通讯模块(发送机/接收机)9110耦合到中央处理器9100,以提供输入信号和接收输出信号,这可以和常规移动通讯终端的情况相同。
基于不同的通讯技术,在同一电子设备中,可以设置有多个通讯模块9110,如蜂窝网络模块、蓝牙模块和/或无线局域网模块等。通讯模块(发送机/接收机)9110还经由音频处理器9130耦合到扬声器9131和麦克风9132,以经由扬声器9131提供音频输出,并接收来自麦克风9132的音频输入,从而实现通常的电信功能。音频处理器9130可以包括任何合适的缓冲器、解码器、放大器等。另外,音频处理器9130还耦合到中央处理器9100,从而使得可以通过麦克风9132能够在本机上录音,且使得可以通过扬声器9131来播放本机上存储的声音。
本申请的实施例还提供能够实现上述实施例中的执行主体为服务器或客户端的铁路全线路轨道状态确定方法中全部步骤的一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,该计算机程序被处理器执行时实现上述实施例中的执行主体为服务器或客户端的铁路全线路轨道状态确定方法的全部步骤,例如,所述处理器执行所述计算机程序时实现下述步骤:
S101:将轨道车辆的运行状态时序数据与对应的线路空间位置数据进行时空数据配准,得到时空数据集合;
S102:对所述时空数据集合进行时空特征提取,生成对应的时空特征值;
S103:将所述时空特征值输入预先构建的铁路全线路轨道状态预测模型,得到铁路全线路轨道状态;其中,所述铁路全线路轨道状态预测模型是根据历史运行状态时序数据及对应的历史线路空间位置数据预先构建的。
从上述描述可知,本申请提供的铁路全线路轨道状态确定方法,能够对待测铁路线路下不同轨道车辆的车辆状态进行监测,得到轨道车辆的运行状态时序数据,再将其与待测铁路线路上各车站、桥梁及隧道等的工务位置的线路空间位置相结合,从而构建出“车地监测”的时空大数据集合;通过研究线路全空间监测数据在时间上的演变规律,建立全线路轨道健康状态的趋势演变模型,从而帮助技术人员提前安排检修维护计划,提高铁路运行效率,实现对铁路线路上轨道设备运营状态的智能辅助决策,对降低铁路线路的维护成本具有重要意义。
本领域内的技术人员应明白,本发明的实施例可提供为方法、装置、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(装置)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
本发明中应用了具体实施例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制。
Claims (19)
1.一种铁路全线路轨道状态确定方法,其特征在于,包括:
将轨道车辆的运行状态时序数据与对应的线路空间位置数据进行时空数据配准,得到时空数据集合;
对所述时空数据集合进行时空特征提取,生成对应的时空特征值;
将所述时空特征值输入预先构建的铁路全线路轨道状态预测模型,得到铁路全线路轨道状态;其中,所述铁路全线路轨道状态预测模型是根据历史运行状态时序数据及对应的历史线路空间位置数据预先构建的。
2.根据权利要求1所述的铁路全线路轨道状态确定方法,其特征在于,在将轨道车辆的运行状态时序数据与对应的线路空间位置数据进行时空数据配准之前,还包括:
根据所述线路空间位置数据中预设路段的上下行公里标及长度信息生成基础设施数据字典;
根据预先获取的车辆运行视频图像及所述基础设施数据字典校正所述线路空间位置数据。
3.根据权利要求1所述的铁路全线路轨道状态确定方法,其特征在于,所述运行状态时序数据包括:所述轨道车辆在运行过程中的加速度值;所述对所述时空数据集合进行时空特征提取,生成对应的时空特征值,包括:
根据所述线路空间位置数据确定各空间滑动窗口;
根据各空间滑动窗口对应的加速度值计算各空间滑动窗口对应的时空特征值。
4.根据权利要求3所述的铁路全线路轨道状态确定方法,其特征在于,所述时空特征值包括:轨道冲击指数;所述根据各空间滑动窗口对应的加速度值计算各空间滑动窗口对应的时空特征值,包括:
根据预设的采样频率及所述加速度值计算所述轨道冲击指数。
5.根据权利要求3所述的铁路全线路轨道状态确定方法,其特征在于,所述时空特征值包括:平稳性指标;所述根据各空间滑动窗口对应的加速度值计算各空间滑动窗口对应的时空特征值,包括:
根据预设的采样频率、频率修正系数及所述加速度值计算所述平稳性指标。
6.根据权利要求3所述的铁路全线路轨道状态确定方法,其特征在于,所述时空特征值包括:加速度有效值;所述根据各空间滑动窗口对应的加速度值计算各空间滑动窗口对应的时空特征值,包括:
根据所述加速度值及所述空间滑动窗口的数量计算所述加速度有效值。
7.根据权利要求3所述的铁路全线路轨道状态确定方法,其特征在于,所述时空特征值包括:加速度最大值;所述根据各空间滑动窗口对应的加速度值计算各空间滑动窗口对应的时空特征值,包括:
比较各空间滑动窗口对应的加速度值,以确定所述加速度最大值。
8.根据权利要求1所述的铁路全线路轨道状态确定方法,其特征在于,所述将所述时空特征值输入预先构建的铁路全线路轨道状态预测模型,得到铁路全线路轨道状态,包括:
对轨道车辆的运行状态时序数据及对应的线路空间位置数据进行时空数据配准;
对完成时空数据配准后的运行状态时序数据及线路空间位置数据进行时空特征提取,生成对应的平稳性指标、加速度有效值、加速度最大值及轨道冲击指数;
根据所述平稳性指标、加速度有效值、加速度最大值、轨道冲击指数及所述铁路全线路轨道状态预测模型,得到铁路全线路轨道状态。
9.一种铁路全线路轨道状态确定装置,其特征在于,包括:
时空配准单元,用于将轨道车辆的运行状态时序数据与对应的线路空间位置数据进行时空数据配准,得到时空数据集合;
时空特征提取单元,用于对所述时空数据集合进行时空特征提取,生成对应的时空特征值;
轨道状态确定单元,用于将所述时空特征值输入预先构建的铁路全线路轨道状态预测模型,得到铁路全线路轨道状态;其中,所述铁路全线路轨道状态预测模型是根据历史运行状态时序数据及对应的历史线路空间位置数据预先构建的。
10.根据权利要求9所述的铁路全线路轨道状态确定装置,其特征在于,还包括:
数据字典生成单元,用于根据所述线路空间位置数据中预设路段的上下行公里标及长度信息生成基础设施数据字典;
空间数据校正单元,用于根据预先获取的车辆运行视频图像及所述基础设施数据字典校正所述线路空间位置数据。
11.根据权利要求9所述的铁路全线路轨道状态确定装置,其特征在于,所述运行状态时序数据包括:所述轨道车辆在运行过程中的加速度值;所述时空特征提取单元,包括:
滑动窗口确定模块,用于根据所述线路空间位置数据确定各空间滑动窗口;
时空特征提取模块,用于根据各空间滑动窗口对应的加速度值计算各空间滑动窗口对应的时空特征值。
12.根据权利要求11所述的铁路全线路轨道状态确定装置,其特征在于,所述时空特征值包括:轨道冲击指数;所述时空特征提取模块,具体用于根据预设的采样频率及所述加速度值计算所述轨道冲击指数。
13.根据权利要求11所述的铁路全线路轨道状态确定装置,其特征在于,所述时空特征值包括:平稳性指标;所述时空特征提取模块,具体用于根据预设的采样频率、频率修正系数及所述加速度值计算所述平稳性指标。
14.根据权利要求11所述的铁路全线路轨道状态确定装置,其特征在于,所述时空特征值包括:加速度有效值;所述时空特征提取模块,具体用于根据所述加速度值及所述空间滑动窗口的数量计算所述加速度有效值。
15.根据权利要求11所述的铁路全线路轨道状态确定装置,其特征在于,所述时空特征值包括:加速度最大值;所述时空特征提取模块,具体用于比较各空间滑动窗口对应的加速度值,以确定所述加速度最大值。
16.根据权利要求9所述的铁路全线路轨道状态确定装置,其特征在于,所述轨道状态确定单元,包括:
时空配准模块,用于对轨道车辆的运行状态时序数据及对应的线路空间位置数据进行时空数据配准;
时空特征提取模块,用于对完成时空数据配准后的运行状态时序数据及线路空间位置数据进行时空特征提取,生成对应的平稳性指标、加速度有效值、加速度最大值及轨道冲击指数;
轨道状态确定模块,用于根据所述平稳性指标、加速度有效值、加速度最大值、轨道冲击指数及所述铁路全线路轨道状态预测模型,得到铁路全线路轨道状态。
17.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现权利要求1至8任一项所述的铁路全线路轨道状态确定方法的步骤。
18.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时实现权利要求1至8任一项所述的铁路全线路轨道状态确定方法的步骤。
19.一种计算机程序产品,包括计算机程序/指令,其特征在于,该计算机程序/指令被处理器执行时实现权利要求1至8任一项所述的铁路全线路轨道状态确定方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210870666.7A CN115222265A (zh) | 2022-07-22 | 2022-07-22 | 一种铁路全线路轨道状态确定方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210870666.7A CN115222265A (zh) | 2022-07-22 | 2022-07-22 | 一种铁路全线路轨道状态确定方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115222265A true CN115222265A (zh) | 2022-10-21 |
Family
ID=83613064
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210870666.7A Pending CN115222265A (zh) | 2022-07-22 | 2022-07-22 | 一种铁路全线路轨道状态确定方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115222265A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115879848A (zh) * | 2023-02-20 | 2023-03-31 | 中铁建电气化局集团第三工程有限公司 | 一种运输车安全监测方法及装置 |
CN118182586A (zh) * | 2024-05-16 | 2024-06-14 | 北京和利时系统工程有限公司 | 一种列车运行状态预测方法、模型的训练方法和装置 |
-
2022
- 2022-07-22 CN CN202210870666.7A patent/CN115222265A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115879848A (zh) * | 2023-02-20 | 2023-03-31 | 中铁建电气化局集团第三工程有限公司 | 一种运输车安全监测方法及装置 |
CN115879848B (zh) * | 2023-02-20 | 2023-06-06 | 中铁建电气化局集团第三工程有限公司 | 一种运输车安全监测方法及装置 |
CN118182586A (zh) * | 2024-05-16 | 2024-06-14 | 北京和利时系统工程有限公司 | 一种列车运行状态预测方法、模型的训练方法和装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115222265A (zh) | 一种铁路全线路轨道状态确定方法及装置 | |
US20210269077A1 (en) | Smart sensor data transmission in railway infrastructure | |
JP2021528302A (ja) | 鉄道路線における交通制御のためのシステム及び方法 | |
WO2014110099A2 (en) | Railway track geometry defect modeling for predicting deterioration, derailment risk, and optimal repair | |
US9676402B2 (en) | System for monitoring the operating conditions of a train | |
CN112949029B (zh) | 一种车流客流协同评估方法及系统 | |
Takikawa | Innovation in railway maintenance utilizing information and communication technology (smart maintenance initiative) | |
US20210146933A1 (en) | Method and system for monitoring and evaluating a performance of a driver of a vehicle | |
Sysyn et al. | Turnout remaining useful life prognosis by means of on-board inertial measurements on operational trains | |
Xu et al. | Railroad track deterioration characteristics based track measurement data mining | |
US20200307662A1 (en) | Data fusion concept | |
Farooq et al. | GPS based public transport arrival time prediction | |
CN114298669A (zh) | 用于列车运行图的调整方法、装置和列车 | |
CN114493201A (zh) | 一种基于城市轨道交通网络服务韧性测度方法及应用 | |
CN110503209B (zh) | 一种基于大数据的钢轨分析预警模型构建方法与系统 | |
CN112668786B (zh) | 一种矿车车辆安全评估预测方法、终端设备和存储介质 | |
JP2022008107A (ja) | 設備故障予測システム、設備故障予測方法、および、設備故障予測プログラム | |
CN116654058A (zh) | 一种轨道交通线网运行调整方法、装置、设备和存储介质 | |
CN109625025B (zh) | Btm设备预警系统 | |
CN116229727A (zh) | 一种基于在线仿真的道路拥堵诱导方法及管控系统 | |
Wang et al. | Forecasting urban rail transit vehicle interior noise and its applications in railway alignment design | |
CN111532312B (zh) | 轨道道岔识别方法及装置 | |
JP6935031B1 (ja) | 劣化評価装置、検査計画立案装置、鉄道車両管理システム、劣化評価プログラムおよび劣化評価方法 | |
US20230219604A1 (en) | Railway point managing system and method | |
Gong et al. | Enhancing resilience assessment and bus bridging service design for large‐scale rail transit systems under disruptions |
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 |