CN115359307B - 一种基于大数据的接触网验损缺陷数据管理方法及系统 - Google Patents
一种基于大数据的接触网验损缺陷数据管理方法及系统 Download PDFInfo
- Publication number
- CN115359307B CN115359307B CN202211298971.XA CN202211298971A CN115359307B CN 115359307 B CN115359307 B CN 115359307B CN 202211298971 A CN202211298971 A CN 202211298971A CN 115359307 B CN115359307 B CN 115359307B
- Authority
- CN
- China
- Prior art keywords
- defect
- data
- model
- inspection
- network
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
- G06T7/0008—Industrial image inspection checking presence/absence
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/761—Proximity, similarity or dissimilarity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Multimedia (AREA)
- Quality & Reliability (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明公开了一种基于大数据的接触网验损缺陷数据管理方法及系统,包括以下步骤:利用预先建立的缺陷类别识别模型对接触网验损缺陷数据流进行缺陷数据的归类得到多组依缺陷类别区分的验损缺陷数据集,所述接触网验损缺陷数据为在接触网中获取用于表征接触网验损部位缺陷特征的特征数据;基于所述验损缺陷数据集构建定向识别模型。本发明基于所述验损缺陷数据集构建定向识别模型,以实现根据用户自定义选择进行接触网缺陷的定向识别,提高用户体验,构建位置缺陷测算模型,以实现根据接触网位置进行缺陷类别测算的智能分析,构建位置缺陷关联模型,以实现根据缺陷类别进行接触网位置关联的智能分析,提供管理智能化程度。
Description
技术领域
本发明涉及接触网验损技术领域,具体涉及一种基于大数据的接触网验损缺陷数据管理方法及系统。
背景技术
接触网损伤主要包含以下几项内容:1.基础构件损坏,如水泥支柱、钢柱及支撑这些结构物的基础的损坏;2.基础安装结构件损坏,主要是连接接触网导线和基础构件损坏;3.接触网导线损坏,这部分作用就是传输电流给电力机车;4.其他辅助构件损坏,包括回流线、附加悬挂等的损坏。
接触网验损是为了检测出铁路接触网上各个部位的故障或损伤情况,接触网验损会产生大量的数据流,因此对于接触网验损缺陷数据进行合理管理能够有效地辅助接触网验损操作。现有技术中验损缺陷数据的管理通常只涉及简单的数据分类存储,模式简单,管理能力弱。
发明内容
本发明的目的在于提供一种基于大数据的接触网验损缺陷数据管理方法,以解决现有技术中只涉及简单的数据分类存储,模式简单,管理能力弱的技术问题。
为解决上述技术问题,本发明具体提供下述技术方案:
一种基于大数据的接触网验损缺陷数据管理方法,包括以下步骤:
步骤S1、利用预先建立的缺陷类别识别模型对接触网验损缺陷数据流进行缺陷数据的归类得到多组依缺陷类别区分的验损缺陷数据集,所述接触网验损缺陷数据为在接触网中获取用于表征接触网验损部位缺陷特征的特征数据;
步骤S2、基于所述验损缺陷数据集构建定向识别模型,以实现根据用户自定义选择进行接触网缺陷的定向识别;
步骤S3、基于所述验损缺陷数据集构建出对同一缺陷位置在不同缺陷类别上的缺陷进行测算分析得到位置缺陷测算模型,以实现根据接触网位置进行缺陷类别测算的智能分析,基于所述验损缺陷数据集构建出对不同缺陷位置在同一缺陷类别上的缺陷进行关联分析得到位置缺陷关联模型,以实现根据缺陷类别进行接触网位置关联的智能分析。
作为本发明的一种优选方案,所述利用预先建立的缺陷类别识别模型对接触网验损缺陷数据流进行缺陷数据的归类得到多组依缺陷类别区分的验损缺陷数据集,包括:
将接触网验损缺陷数据流中每项接触网验损缺陷数据输入至预先建立的缺陷类别识别模型中,由缺陷类别识别模型输出每项接触网验损缺陷数据的缺陷类别,并将同属于同一个缺陷类别的接触网验损缺陷数据归类为同一验损缺陷数据集,将验损缺陷数据集表征的缺陷类别作为验损缺陷数据集的识别标签;
所述缺陷类别识别模型的构建包括:
在历史接触网验损日志中为每个缺陷类别均选取多个表征接触网验损部位处于损坏状况的接触网验损缺陷数据作为样本验损缺陷数据,并将样本验损缺陷数据作为分类器模型的输入项,将样本验损缺陷数据对应的缺陷类别作为分类器模型的输出项;
利用分类器模型在所述分类器模型的输入项和分类器模型的输出项中进行分类器训练得到所述缺陷类别识别模型,所述缺陷类别识别模型的函数表达式:
type=Classifier(data);
式中,type为接触网验损缺陷数据的缺陷类别,data为接触网验损缺陷数据,Classifier为分类器模型。
作为本发明的一种优选方案,所述基于所述验损缺陷数据集构建定向识别模型,包括:
在每个验损缺陷数据集中对每个接触网验损缺陷数据表征的缺陷位置和缺陷程度进行标记;
将验损缺陷数据集中接触网验损缺陷数据作为神经网络模型的输入项,将验损缺陷数据集中接触网验损缺陷数据对应的缺陷位置和缺陷程度作为神经网络模型的输出项,利用神经网络模型在所述神经网络模型的输入项和所述神经网络模型的输出项中进行模型训练得到所述定向识别模型;
所述定向识别模型的模型表达式为:
[P,C]= network i (data);
式中,P,C分别为缺陷位置和缺陷程度,data为接触网验损缺陷数据,network i 为第i个验损缺陷数据集中的神经网络模型,i为计量常数;
所述缺陷程度的量化包括;
获取接触网验损缺陷数据对应的接触网验损部位处表征接触网验损部位处于无损坏状况的多个历史接触网验损缺陷数据,将接触网验损缺陷数据与历史接触网验损缺陷数据进行离散分析得到接触网验损缺陷数据表征的缺陷程度;
所述缺陷程度的量化公式为:
式中,C为缺陷程度,data j 为第j个历史接触网验损缺陷数据,data为所述接触网验损缺陷数据,m为历史接触网验损缺陷数据的总数量,j为计量常数;
所述缺陷位置由YOLO目标检测模型进行确定。
作为本发明的一种优选方案,所述基于所述验损缺陷数据集构建出对同一缺陷位置在不同缺陷类别上的缺陷进行测算分析得到位置缺陷测算模型,包括:
在各个验损缺陷数据集中提取出每个缺陷位置对应的接触网验损缺陷数据,并统计每个缺陷位置在所有验损缺陷数据集中对应的接触网验损缺陷数据的总数量,依次利用每个缺陷位置在每个验损缺陷数据集中对应的接触网验损缺陷数据占每个缺陷位置在所有验损缺陷数据集中对应的接触网验损缺陷数据的总数量的比例作为每个缺陷位置在每个缺陷类别中缺陷类别发生率;
提取每个缺陷位置和缺陷类别作为CNN神经网络的输入项,将缺陷位置的缺陷类别发生率作为CNN神经网络的输出项,利用CNN神经网络基于所述CNN神经网络的输入项和CNN神经网络的输出项进行网络训练得到所述位置缺陷测算模型;
所述位置缺陷测算模型的模型表达式为:
[pro]= CNN(P,type);
式中, pro为缺陷类别发生率,P,type分别为缺陷位置、缺陷类别,CNN为CNN神经网络。
作为本发明的一种优选方案,所述基于所述验损缺陷数据集构建出对不同缺陷位置在同一缺陷类别上的缺陷进行关联分析得到位置缺陷关联模型,包括:
在每个验损缺陷数据集中提取各个缺陷位置,并将各个缺陷位置对应的接触网验损缺陷数据进行关联分析得到任意两个缺陷位置间的关联性,其中,
若任意两个缺陷位置间的关联性高于预设关联阈值,则将任意两个缺陷位置互相作为对方的关联位置;
若任意两个缺陷位置间的关联性低于或等于预设关联阈值,则将任意两个缺陷位置互相作为对方的非关联位置;
统计每个缺陷位置的关联位置,并将缺陷位置、缺陷位置对应的缺陷类别作为BP神经网络的输入项,将缺陷位置的关联位置作为BP神经网络的输出项,利用BP神经网络在所述BP神经网络的输入项和BP神经网络的输出项中进行模型训练得到所述位置缺陷关联模型;
所述位置缺陷关联模型的模型表达式为:
[P_rel]= BP(P,type);
式中, P_rel为关联位置,P,type分别为缺陷位置、缺陷类别,BP为BP神经网络。
作为本发明的一种优选方案,所述关联性利用任意两个缺陷位置的接触网验损缺陷数据的相似度进行量化。
作为本发明的一种优选方案,所述每项接触网验损缺陷数据中包含至少一项数据分量,且各项数据分量均进行归一化处理。
作为本发明的一种优选方案,依次将每个验损缺陷数据集中各个缺陷位置利用关联性进行连接得到多个缺陷关联网络,其中,缺陷位置作为缺陷关联网络的网络节点,在互为对方关联位置的两个缺陷位置间设置网络连接边,并将互为对方关联位置的两个缺陷位置间的关联性作为网络连接边的权重,互为对方非关联位置的两个缺陷位置间的无连接边;
依次计算出缺陷关联网络中每个网络节点的中心度,并将中心度最高的网络节点作为缺陷关联网络的中心节点;
在接触网验损缺陷数据流进行数据降维得到由所述中心节点表征的缺陷位置的验损缺陷数据构成的数据流,并在监测到中心节点表征的缺陷位置产生损坏时,自动关联反馈出缺陷关联网络中剩余网络节点表征的缺陷位置,以实现联动监测的同时实现数据降维。
作为本发明的一种优选方案,本发明提供了一种实施所述的基于大数据的接触网验损缺陷数据管理方法的管理系统,包括:
数据流传输单元,用于利用预先建立的缺陷类别识别模型对接触网验损缺陷数据流进行缺陷数据的归类得到多组依缺陷类别区分的验损缺陷数据集;
定向识别单元,用于基于定向识别模型实现根据用户自定义选择进行接触网缺陷的定向识别;
智能分析单元,用于基于位置缺陷测算模型实现根据接触网位置进行缺陷类别测算的智能分析,基于位置缺陷关联模型实现根据缺陷类别进行接触网位置关联的智能分析;
联动监测单元,用于将每个验损缺陷数据集中各个缺陷位置利用关联性进行连接得到多个缺陷关联网络实现联动监测的同时实现数据降维。
作为本发明的一种优选方案,所述数据流传输单元基于大数据HDFS分布式平台,所述定向识别单元包括交互门户和存储单元,所述交互门户用于接收用户的自定义选择,所述存储单元用于存储定向识别模型,所述智能分析单元包括分析单元和存储单元,所述分析单元用于实现数据分析,所述存储单元用于存储位置缺陷测算模型和位置缺陷关联模型,所述联动监测单元包括联动开关,所述联动开关设置在交互门户上以实现控制联动监测单元的启停。
本发明与现有技术相比较具有如下有益效果:
本发明基于所述验损缺陷数据集构建定向识别模型,以实现根据用户自定义选择进行接触网缺陷的定向识别,提高用户体验,基于所述验损缺陷数据集构建出对同一缺陷位置在不同缺陷类别上的缺陷进行测算分析得到位置缺陷测算模型,以实现根据接触网位置进行缺陷类别测算的智能分析,基于所述验损缺陷数据集构建出对不同缺陷位置在同一缺陷类别上的缺陷进行关联分析得到位置缺陷关联模型,以实现根据缺陷类别进行接触网位置关联的智能分析,提供管理智能化程度。
附图说明
为了更清楚地说明本发明的实施方式或现有技术中的技术方案,下面将对实施方式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示例性的,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,还可以根据提供的附图引伸获得其它的实施附图。
图1为本发明实施例提供的接触网验损缺陷数据管理方法流程图;
图2为本发明实施例提供的管理系统结构框图。
图中的标号分别表示如下:
1-数据流传输单元;2-定向识别单元;3-智能分析单元;4-联动监测单元。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,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,都属于本发明保护的范围。
如图1所示,本发明提供了一种基于大数据的接触网验损缺陷数据管理方法,包括以下步骤:
步骤S1、利用预先建立的缺陷类别识别模型对接触网验损缺陷数据流进行缺陷数据的归类得到多组依缺陷类别区分的验损缺陷数据集,接触网验损缺陷数据为在接触网中获取用于表征接触网验损部位缺陷特征的特征数据,现实中常用的是图像数据,也可根据需要选取其他种类的特征数据;
利用预先建立的缺陷类别识别模型对接触网验损缺陷数据流进行缺陷数据的归类得到多组依缺陷类别区分的验损缺陷数据集,包括:
将接触网验损缺陷数据流中每项接触网验损缺陷数据输入至预先建立的缺陷类别识别模型中,由缺陷类别识别模型输出每项接触网验损缺陷数据的缺陷类别,并将同属于同一个缺陷类别的接触网验损缺陷数据归类为同一验损缺陷数据集,将验损缺陷数据集表征的缺陷类别作为验损缺陷数据集的识别标签;
缺陷类别识别模型的构建包括:
在历史接触网验损日志中为每个缺陷类别均选取多个表征接触网验损部位处于损坏状况的接触网验损缺陷数据作为样本验损缺陷数据,并将样本验损缺陷数据作为分类器模型的输入项,将样本验损缺陷数据对应的缺陷类别作为分类器模型的输出项;
利用分类器模型在分类器模型的输入项和分类器模型的输出项中进行分类器训练得到缺陷类别识别模型,缺陷类别识别模型的函数表达式:
type=Classifier(data);
式中,type为接触网验损缺陷数据的缺陷类别,data为接触网验损缺陷数据,Classifier为分类器模型。
在接触网缺陷识别这一应用场景下,一方面是海量的图片数据,另一方面缺陷的种类缺失相对固定不变的,为神经网络的应用提供了很好的应用环境,因此可以将接触网验损缺陷数据流进行依据缺陷类别分类,得到各个缺陷类别中的数据集,将验损缺陷数据集进行分类存储,即能满足基础的数据管理功能:对验损缺陷数据的分类存储,进而实现后续数据查询等操作。
步骤S2、基于验损缺陷数据集构建定向识别模型,以实现根据用户自定义选择进行接触网缺陷的定向识别;
基于验损缺陷数据集构建定向识别模型,包括:
在每个验损缺陷数据集中对每个接触网验损缺陷数据表征的缺陷位置和缺陷程度进行标记;
将验损缺陷数据集中接触网验损缺陷数据作为神经网络模型的输入项,将验损缺陷数据集中接触网验损缺陷数据对应的缺陷位置和缺陷程度作为神经网络模型的输出项,利用神经网络模型在神经网络模型的输入项和神经网络模型的输出项中进行模型训练得到定向识别模型;
定向识别模型的模型表达式为:
[P,C]= network i (data);
式中,P,C分别为缺陷位置和缺陷程度,data为接触网验损缺陷数据,network i 为第i个验损缺陷数据集中的神经网络模型,i为计量常数;
缺陷程度的量化包括;
获取接触网验损缺陷数据对应的接触网验损部位处表征接触网验损部位处于无损坏状况的多个历史接触网验损缺陷数据,将接触网验损缺陷数据与历史接触网验损缺陷数据进行离散分析得到接触网验损缺陷数据表征的缺陷程度;
缺陷程度的量化公式为:
式中,C为缺陷程度,data j 为第j个历史接触网验损缺陷数据,data为接触网验损缺陷数据,m为历史接触网验损缺陷数据的总数量,j为计量常数;
缺陷位置由YOLO目标检测模型进行确定。
构建定向识别模型是为了实现根据用户自定义选择,实现识别过程中根据选择对缺陷进行识别,从而只识别想要识别的缺陷,比如,用户根据当前气候情况只关心是否会出现气候状态下高发的缺陷类别A,则此时就可以选择缺陷类别A对应的验损缺陷数据集,将验损缺陷数据集中的接触网验损缺陷数据项输入至缺陷类别A对应的定向识别模型中,从而得到出现缺陷类别A的所有缺陷位置和缺陷程度,如此能够实现定向识别,精准匹配用户需求,提高用户体验,提供了更为贴近用户的管理功能。
步骤S3、基于验损缺陷数据集构建出对同一缺陷位置在不同缺陷类别上的缺陷进行测算分析得到位置缺陷测算模型,以实现根据接触网位置进行缺陷类别测算的智能分析,基于验损缺陷数据集构建出对不同缺陷位置在同一缺陷类别上的缺陷进行关联分析得到位置缺陷关联模型,以实现根据缺陷类别进行接触网位置关联的智能分析。
基于验损缺陷数据集构建出对同一缺陷位置在不同缺陷类别上的缺陷进行测算分析得到位置缺陷测算模型,包括:
在各个验损缺陷数据集中提取出每个缺陷位置对应的接触网验损缺陷数据,并统计每个缺陷位置在所有验损缺陷数据集中对应的接触网验损缺陷数据的总数量,依次利用每个缺陷位置在每个验损缺陷数据集中对应的接触网验损缺陷数据占每个缺陷位置在所有验损缺陷数据集中对应的接触网验损缺陷数据的总数量的比例作为每个缺陷位置在每个缺陷类别中缺陷类别发生率;
提取每个缺陷位置和缺陷类别作为CNN神经网络的输入项,将缺陷位置的缺陷类别发生率作为CNN神经网络的输出项,利用CNN神经网络基于CNN神经网络的输入项和CNN神经网络的输出项进行网络训练得到位置缺陷测算模型;
位置缺陷测算模型的模型表达式为:
[pro]= CNN(P,type);
式中, pro为缺陷类别发生率,P,type分别为缺陷位置、缺陷类别,CNN为CNN神经网络。
构建位置缺陷测算模型,以实现根据接触网位置进行缺陷类别测算的智能分析,构建位置缺陷关联模型,以实现根据缺陷类别进行接触网位置关联的智能分析,实现接触网验损缺陷数据的智能分析功能,数据管理的功能更为细节化、实用化。
基于验损缺陷数据集构建出对不同缺陷位置在同一缺陷类别上的缺陷进行关联分析得到位置缺陷关联模型,包括:
在每个验损缺陷数据集中提取各个缺陷位置,并将各个缺陷位置对应的接触网验损缺陷数据进行关联分析得到任意两个缺陷位置间的关联性,其中,
若任意两个缺陷位置间的关联性高于预设关联阈值,则将任意两个缺陷位置互相作为对方的关联位置;
若任意两个缺陷位置间的关联性低于或等于预设关联阈值,则将任意两个缺陷位置互相作为对方的非关联位置;
统计每个缺陷位置的关联位置,并将缺陷位置、缺陷位置对应的缺陷类别作为BP神经网络的输入项,将缺陷位置的关联位置作为BP神经网络的输出项,利用BP神经网络在BP神经网络的输入项和BP神经网络的输出项中进行模型训练得到位置缺陷关联模型;
位置缺陷关联模型的模型表达式为:
[P_rel]= BP(P,type);
式中, P_rel为关联位置,P,type分别为缺陷位置、缺陷类别,BP为BP神经网络。
关联性利用任意两个缺陷位置的接触网验损缺陷数据的相似度进行量化。
每项接触网验损缺陷数据中包含至少一项数据分量,且各项数据分量均进行归一化处理。
依次将每个验损缺陷数据集中各个缺陷位置利用关联性进行连接得到多个缺陷关联网络,其中,缺陷位置作为缺陷关联网络的网络节点,在互为对方关联位置的两个缺陷位置间设置网络连接边,并将互为对方关联位置的两个缺陷位置间的关联性作为网络连接边的权重,互为对方非关联位置的两个缺陷位置间的无连接边;
依次计算出缺陷关联网络中每个网络节点的中心度,并将中心度最高的网络节点作为缺陷关联网络的中心节点;
在接触网验损缺陷数据流进行数据降维得到由中心节点表征的缺陷位置的验损缺陷数据构成的数据流,并在监测到中心节点表征的缺陷位置产生损坏时,自动关联反馈出缺陷关联网络中剩余网络节点表征的缺陷位置,以实现联动监测的同时实现数据降维。
利用中心节点表征的缺陷位置进行代表性监测,在检测到缺陷位置出现缺陷或损坏时,自动反馈识别出与之关联的缺陷位置,从而利用一个缺陷位置检测出一个缺陷关联网络的目标,实现利用关联性实现数据降维,提高监测效率,而联动开关对联动监测的启停,可以根据用户需要是否进行联动监测。
如图2所示,基于上述接触网验损缺陷数据管理方法,本发明提供了一种管理系统,包括:
数据流传输单元1,用于利用预先建立的缺陷类别识别模型对接触网验损缺陷数据流进行缺陷数据的归类得到多组依缺陷类别区分的验损缺陷数据集;
定向识别单元2,用于基于定向识别模型实现根据用户自定义选择进行接触网缺陷的定向识别;
智能分析单元3,用于基于位置缺陷测算模型实现根据接触网位置进行缺陷类别测算的智能分析,基于位置缺陷关联模型实现根据缺陷类别进行接触网位置关联的智能分析;
联动监测单元4,用于将每个验损缺陷数据集中各个缺陷位置利用关联性进行连接得到多个缺陷关联网络实现联动监测的同时实现数据降维。
数据流传输单元基于大数据HDFS分布式平台,定向识别单元包括交互门户和存储单元,交互门户用于接收用户的自定义选择,存储单元用于存储定向识别模型,智能分析单元包括分析单元和存储单元,分析单元用于实现数据分析,存储单元用于存储位置缺陷测算模型和位置缺陷关联模型,联动监测单元包括联动开关,联动开关设置在交互门户上以实现控制联动监测单元的启停。
本发明基于验损缺陷数据集构建定向识别模型,以实现根据用户自定义选择进行接触网缺陷的定向识别,提高用户体验,基于验损缺陷数据集构建出对同一缺陷位置在不同缺陷类别上的缺陷进行测算分析得到位置缺陷测算模型,以实现根据接触网位置进行缺陷类别测算的智能分析,基于验损缺陷数据集构建出对不同缺陷位置在同一缺陷类别上的缺陷进行关联分析得到位置缺陷关联模型,以实现根据缺陷类别进行接触网位置关联的智能分析,提供管理智能化程度。
以上实施例仅为本申请的示例性实施例,不用于限制本申请,本申请的保护范围由权利要求书限定。本领域技术人员可以在本申请的实质和保护范围内,对本申请做出各种修改或等同替换,这种修改或等同替换也应视为落在本申请的保护范围内。
Claims (8)
1.一种基于大数据的接触网验损缺陷数据管理方法,其特征在于:包括以下步骤:
步骤S1、利用预先建立的缺陷类别识别模型对接触网验损缺陷数据流进行缺陷数据的归类得到多组依缺陷类别区分的验损缺陷数据集,所述接触网验损缺陷数据为在接触网中获取用于表征接触网验损部位缺陷特征的特征数据;
步骤S2、基于所述验损缺陷数据集构建定向识别模型,以实现根据用户自定义选择进行接触网缺陷的定向识别;
步骤S3、基于所述验损缺陷数据集构建出对同一缺陷位置在不同缺陷类别上的缺陷进行测算分析得到位置缺陷测算模型,以实现根据接触网位置进行缺陷类别测算的智能分析,基于所述验损缺陷数据集构建出对不同缺陷位置在同一缺陷类别上的缺陷进行关联分析得到位置缺陷关联模型,以实现根据缺陷类别进行接触网位置关联的智能分析;
缺陷类别识别模型的构建包括:
在历史接触网验损日志中为每个缺陷类别均选取多个表征接触网验损部位处于损坏状况的接触网验损缺陷数据作为样本验损缺陷数据,并将样本验损缺陷数据作为分类器模型的输入项,将样本验损缺陷数据对应的缺陷类别作为分类器模型的输出项;
利用分类器模型在分类器模型的输入项和分类器模型的输出项中进行分类器训练得到缺陷类别识别模型,缺陷类别识别模型的函数表达式:
type=Classifier(data);
式中,type为接触网验损缺陷数据的缺陷类别,data为接触网验损缺陷数据,Classifier为分类器模型;
基于验损缺陷数据集构建定向识别模型,包括:
在每个验损缺陷数据集中对每个接触网验损缺陷数据表征的缺陷位置和缺陷程度进行标记;
将验损缺陷数据集中接触网验损缺陷数据作为神经网络模型的输入项,将验损缺陷数据集中接触网验损缺陷数据对应的缺陷位置和缺陷程度作为神经网络模型的输出项,利用神经网络模型在神经网络模型的输入项和神经网络模型的输出项中进行模型训练得到定向识别模型;
定向识别模型的模型表达式为:
[P,C]= network i (data);
式中,P,C分别为缺陷位置和缺陷程度,data为接触网验损缺陷数据,network i 为第i个验损缺陷数据集中的神经网络模型,i为计量常数;
基于验损缺陷数据集构建出对同一缺陷位置在不同缺陷类别上的缺陷进行测算分析得到位置缺陷测算模型,包括:
在各个验损缺陷数据集中提取出每个缺陷位置对应的接触网验损缺陷数据,并统计每个缺陷位置在所有验损缺陷数据集中对应的接触网验损缺陷数据的总数量,依次利用每个缺陷位置在每个验损缺陷数据集中对应的接触网验损缺陷数据占每个缺陷位置在所有验损缺陷数据集中对应的接触网验损缺陷数据的总数量的比例作为每个缺陷位置在每个缺陷类别中缺陷类别发生率;
提取每个缺陷位置和缺陷类别作为CNN神经网络的输入项,将缺陷位置的缺陷类别发生率作为CNN神经网络的输出项,利用CNN神经网络基于CNN神经网络的输入项和CNN神经网络的输出项进行网络训练得到位置缺陷测算模型;
位置缺陷测算模型的模型表达式为:
[pro]= CNN(P,type);
式中, pro为缺陷类别发生率,P,type分别为缺陷位置、缺陷类别,CNN为CNN神经网络;
基于验损缺陷数据集构建出对不同缺陷位置在同一缺陷类别上的缺陷进行关联分析得到位置缺陷关联模型,包括:
在每个验损缺陷数据集中提取各个缺陷位置,并将各个缺陷位置对应的接触网验损缺陷数据进行关联分析得到任意两个缺陷位置间的关联性,其中,
若任意两个缺陷位置间的关联性高于预设关联阈值,则将任意两个缺陷位置互相作为对方的关联位置;
若任意两个缺陷位置间的关联性低于或等于预设关联阈值,则将任意两个缺陷位置互相作为对方的非关联位置;
统计每个缺陷位置的关联位置,并将缺陷位置、缺陷位置对应的缺陷类别作为BP神经网络的输入项,将缺陷位置的关联位置作为BP神经网络的输出项,利用BP神经网络在BP神经网络的输入项和BP神经网络的输出项中进行模型训练得到位置缺陷关联模型;
位置缺陷关联模型的模型表达式为:
[P_rel]= BP(P,type);
式中,P_rel为关联位置,P,type分别为缺陷位置、缺陷类别,BP为BP神经网络。
2.根据权利要求1所述的一种基于大数据的接触网验损缺陷数据管理方法,其特征在于:所述利用预先建立的缺陷类别识别模型对接触网验损缺陷数据流进行缺陷数据的归类得到多组依缺陷类别区分的验损缺陷数据集,包括:
将接触网验损缺陷数据流中每项接触网验损缺陷数据输入至预先建立的缺陷类别识别模型中,由缺陷类别识别模型输出每项接触网验损缺陷数据的缺陷类别,并将同属于同一个缺陷类别的接触网验损缺陷数据归类为同一验损缺陷数据集,将验损缺陷数据集表征的缺陷类别作为验损缺陷数据集的识别标签。
4.根据权利要求3所述的一种基于大数据的接触网验损缺陷数据管理方法,其特征在于:所述关联性利用任意两个缺陷位置的接触网验损缺陷数据的相似度进行量化。
5.根据权利要求4所述的一种基于大数据的接触网验损缺陷数据管理方法,其特征在于,所述每项接触网验损缺陷数据中包含至少一项数据分量,且各项数据分量均进行归一化处理。
6.根据权利要求5所述的一种基于大数据的接触网验损缺陷数据管理方法,其特征在于,依次将每个验损缺陷数据集中各个缺陷位置利用关联性进行连接得到多个缺陷关联网络,其中,缺陷位置作为缺陷关联网络的网络节点,在互为对方关联位置的两个缺陷位置间设置网络连接边,并将互为对方关联位置的两个缺陷位置间的关联性作为网络连接边的权重,互为对方非关联位置的两个缺陷位置间的无连接边;
依次计算出缺陷关联网络中每个网络节点的中心度,并将中心度最高的网络节点作为缺陷关联网络的中心节点;
在接触网验损缺陷数据流进行数据降维得到由所述中心节点表征的缺陷位置的验损缺陷数据构成的数据流,并在监测到中心节点表征的缺陷位置产生损坏时,自动关联反馈出缺陷关联网络中剩余网络节点表征的缺陷位置,以实现联动监测的同时实现数据降维。
7.一种实施权利要求1-6任一项所述的基于大数据的接触网验损缺陷数据管理方法的管理系统,其特征在于,包括:
数据流传输单元,用于利用预先建立的缺陷类别识别模型对接触网验损缺陷数据流进行缺陷数据的归类得到多组依缺陷类别区分的验损缺陷数据集;
定向识别单元,用于基于定向识别模型实现根据用户自定义选择进行接触网缺陷的定向识别;
智能分析单元,用于基于位置缺陷测算模型实现根据接触网位置进行缺陷类别测算的智能分析,基于位置缺陷关联模型实现根据缺陷类别进行接触网位置关联的智能分析;
联动监测单元,用于将每个验损缺陷数据集中各个缺陷位置利用关联性进行连接得到多个缺陷关联网络实现联动监测的同时实现数据降维;
缺陷类别识别模型的构建包括:
在历史接触网验损日志中为每个缺陷类别均选取多个表征接触网验损部位处于损坏状况的接触网验损缺陷数据作为样本验损缺陷数据,并将样本验损缺陷数据作为分类器模型的输入项,将样本验损缺陷数据对应的缺陷类别作为分类器模型的输出项;
利用分类器模型在分类器模型的输入项和分类器模型的输出项中进行分类器训练得到缺陷类别识别模型,缺陷类别识别模型的函数表达式:
type=Classifier(data);
式中,type为接触网验损缺陷数据的缺陷类别,data为接触网验损缺陷数据,Classifier为分类器模型;
基于验损缺陷数据集构建定向识别模型,包括:
在每个验损缺陷数据集中对每个接触网验损缺陷数据表征的缺陷位置和缺陷程度进行标记;
将验损缺陷数据集中接触网验损缺陷数据作为神经网络模型的输入项,将验损缺陷数据集中接触网验损缺陷数据对应的缺陷位置和缺陷程度作为神经网络模型的输出项,利用神经网络模型在神经网络模型的输入项和神经网络模型的输出项中进行模型训练得到定向识别模型;
定向识别模型的模型表达式为:
[P,C]= network i (data);
式中,P,C分别为缺陷位置和缺陷程度,data为接触网验损缺陷数据,network i 为第i个验损缺陷数据集中的神经网络模型,i为计量常数;
基于验损缺陷数据集构建出对同一缺陷位置在不同缺陷类别上的缺陷进行测算分析得到位置缺陷测算模型,包括:
在各个验损缺陷数据集中提取出每个缺陷位置对应的接触网验损缺陷数据,并统计每个缺陷位置在所有验损缺陷数据集中对应的接触网验损缺陷数据的总数量,依次利用每个缺陷位置在每个验损缺陷数据集中对应的接触网验损缺陷数据占每个缺陷位置在所有验损缺陷数据集中对应的接触网验损缺陷数据的总数量的比例作为每个缺陷位置在每个缺陷类别中缺陷类别发生率;
提取每个缺陷位置和缺陷类别作为CNN神经网络的输入项,将缺陷位置的缺陷类别发生率作为CNN神经网络的输出项,利用CNN神经网络基于CNN神经网络的输入项和CNN神经网络的输出项进行网络训练得到位置缺陷测算模型;
位置缺陷测算模型的模型表达式为:
[pro]= CNN(P,type);
式中, pro为缺陷类别发生率,P,type分别为缺陷位置、缺陷类别,CNN为CNN神经网络;
基于验损缺陷数据集构建出对不同缺陷位置在同一缺陷类别上的缺陷进行关联分析得到位置缺陷关联模型,包括:
在每个验损缺陷数据集中提取各个缺陷位置,并将各个缺陷位置对应的接触网验损缺陷数据进行关联分析得到任意两个缺陷位置间的关联性,其中,
若任意两个缺陷位置间的关联性高于预设关联阈值,则将任意两个缺陷位置互相作为对方的关联位置;
若任意两个缺陷位置间的关联性低于或等于预设关联阈值,则将任意两个缺陷位置互相作为对方的非关联位置;
统计每个缺陷位置的关联位置,并将缺陷位置、缺陷位置对应的缺陷类别作为BP神经网络的输入项,将缺陷位置的关联位置作为BP神经网络的输出项,利用BP神经网络在BP神经网络的输入项和BP神经网络的输出项中进行模型训练得到位置缺陷关联模型;
位置缺陷关联模型的模型表达式为:
[P_rel]= BP(P,type);
式中, P_rel为关联位置,P,type分别为缺陷位置、缺陷类别,BP为BP神经网络。
8.根据权利要求7所述的一种管理系统,其特征在于,所述数据流传输单元基于大数据HDFS分布式平台,所述定向识别单元包括交互门户和存储单元,所述交互门户用于接收用户的自定义选择,所述存储单元用于存储定向识别模型,所述智能分析单元包括分析单元和存储单元,所述分析单元用于实现数据分析,所述存储单元用于存储位置缺陷测算模型和位置缺陷关联模型,所述联动监测单元包括联动开关,所述联动开关设置在交互门户上以实现控制联动监测单元的启停。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211298971.XA CN115359307B (zh) | 2022-10-24 | 2022-10-24 | 一种基于大数据的接触网验损缺陷数据管理方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211298971.XA CN115359307B (zh) | 2022-10-24 | 2022-10-24 | 一种基于大数据的接触网验损缺陷数据管理方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115359307A CN115359307A (zh) | 2022-11-18 |
CN115359307B true CN115359307B (zh) | 2023-01-03 |
Family
ID=84009008
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211298971.XA Active CN115359307B (zh) | 2022-10-24 | 2022-10-24 | 一种基于大数据的接触网验损缺陷数据管理方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115359307B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116030991B (zh) * | 2022-12-28 | 2023-08-18 | 乐山师范学院 | 一种基于智能手环的体征数据采集分析处理方法 |
CN115830012B (zh) * | 2023-02-08 | 2023-05-02 | 诺比侃人工智能科技(成都)股份有限公司 | 一种接触网线索损伤数据检测分析方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105843210A (zh) * | 2016-03-22 | 2016-08-10 | 清华大学 | 电力变压器缺陷信息数据挖掘方法 |
CN108898274A (zh) * | 2018-05-30 | 2018-11-27 | 国网浙江省电力有限公司宁波供电公司 | 一种电力调度日志缺陷分类方法 |
CN110310261A (zh) * | 2019-06-19 | 2019-10-08 | 河南辉煌科技股份有限公司 | 一种接触网吊弦缺陷检测模型训练方法和缺陷检测方法 |
CN111489339A (zh) * | 2020-04-08 | 2020-08-04 | 北京交通大学 | 高速铁路定位器螺栓备母缺陷的检测方法 |
CN111951212A (zh) * | 2020-04-08 | 2020-11-17 | 北京交通大学 | 对铁路的接触网图像进行缺陷识别的方法 |
WO2022036919A1 (zh) * | 2020-08-17 | 2022-02-24 | 深圳市商汤科技有限公司 | 缺陷检测方法、装置、电子设备及计算机存储介质 |
CN114202540A (zh) * | 2022-02-17 | 2022-03-18 | 中铁电气化局集团有限公司 | 高铁接触网开口销缺陷的智能检测方法 |
CN114898153A (zh) * | 2022-05-16 | 2022-08-12 | 重庆大学 | 一种结合分类和检测的两阶段表面缺陷识别方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111060520B (zh) * | 2019-12-30 | 2021-10-29 | 歌尔股份有限公司 | 一种产品缺陷检测方法、装置与系统 |
US11580425B2 (en) * | 2020-06-30 | 2023-02-14 | Microsoft Technology Licensing, Llc | Managing defects in a model training pipeline using synthetic data sets associated with defect types |
WO2022160222A1 (zh) * | 2021-01-28 | 2022-08-04 | 京东方科技集团股份有限公司 | 缺陷检测方法及装置、模型训练方法及装置及电子设备 |
-
2022
- 2022-10-24 CN CN202211298971.XA patent/CN115359307B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105843210A (zh) * | 2016-03-22 | 2016-08-10 | 清华大学 | 电力变压器缺陷信息数据挖掘方法 |
CN108898274A (zh) * | 2018-05-30 | 2018-11-27 | 国网浙江省电力有限公司宁波供电公司 | 一种电力调度日志缺陷分类方法 |
CN110310261A (zh) * | 2019-06-19 | 2019-10-08 | 河南辉煌科技股份有限公司 | 一种接触网吊弦缺陷检测模型训练方法和缺陷检测方法 |
CN111489339A (zh) * | 2020-04-08 | 2020-08-04 | 北京交通大学 | 高速铁路定位器螺栓备母缺陷的检测方法 |
CN111951212A (zh) * | 2020-04-08 | 2020-11-17 | 北京交通大学 | 对铁路的接触网图像进行缺陷识别的方法 |
WO2022036919A1 (zh) * | 2020-08-17 | 2022-02-24 | 深圳市商汤科技有限公司 | 缺陷检测方法、装置、电子设备及计算机存储介质 |
CN114202540A (zh) * | 2022-02-17 | 2022-03-18 | 中铁电气化局集团有限公司 | 高铁接触网开口销缺陷的智能检测方法 |
CN114898153A (zh) * | 2022-05-16 | 2022-08-12 | 重庆大学 | 一种结合分类和检测的两阶段表面缺陷识别方法 |
Non-Patent Citations (5)
Title |
---|
An Automatic Loose D efect Detection Method for Catenary Bracing Wire Components Using Deep Convolutional Neural Networks and Image Processing;Wenqiang Liu 等;《IEEE TRANSACTIONS ON INSTRUMENTATION AND MEASUREMENT》;20210929;第70卷;1-14 * |
Automatic Defect Detection of Fasteners on the Catenary Support Device Using Deep Convolutional Neural Network;Junwen Chen 等;《IEEE TRANSACTIONS ON INSTRUMENTATION AND MEASUREMENT》;20180228;第67卷(第2期);257-269 * |
基于轮廓特征及灰度相似度匹配的接触网绝缘子缺陷检测;Ping TAN 等;《Zhe jiang University-SCIENCE A (Applied Physics & Engineering)》;20200103;64-73 * |
接触网1C动态检测缺陷原因分析及缺陷处理;白柱;《城镇建设》;20181031;352-353 * |
电压频控中抗强干扰软件关联缺陷检测;刘欣 等;《计算机测量与控制》;20180425;第26卷(第4期);11-14 * |
Also Published As
Publication number | Publication date |
---|---|
CN115359307A (zh) | 2022-11-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115359307B (zh) | 一种基于大数据的接触网验损缺陷数据管理方法及系统 | |
CN109561322B (zh) | 一种视频审核的方法、装置、设备和存储介质 | |
CN111160791A (zh) | 一种基于gbdt算法及因素融合的异常用户识别方法 | |
TWI783229B (zh) | 網路異常流量偵測裝置及網路異常流量偵測方法 | |
CN112464995A (zh) | 一种基于决策树算法的电网配变故障诊断方法及系统 | |
CN111191720B (zh) | 一种业务场景的识别方法、装置及电子设备 | |
CN112114986A (zh) | 数据异常识别方法、装置、服务器和存储介质 | |
CN111709668A (zh) | 基于数据挖掘技术的电网设备参数风险识别方法及装置 | |
CN112836937A (zh) | 基于熵权与bp神经网络技术的洪涝灾害损失评估方法 | |
CN109150845A (zh) | 监测终端流量的方法以及系统 | |
CN113657747B (zh) | 一种企业安全生产标准化级别智能评定系统 | |
CN114118793A (zh) | 一种地方交易所风险预警方法、装置及设备 | |
CN117851184A (zh) | 一种基于机器学习的告警分级系统和方法 | |
US7797136B2 (en) | Metrics to evaluate process objects | |
CN115830012B (zh) | 一种接触网线索损伤数据检测分析方法 | |
CN113094244A (zh) | 一种用于数据中心的机房运行智能检测系统 | |
CN114167837B (zh) | 一种铁路信号系统的智能故障诊断方法及系统 | |
CN106530199B (zh) | 基于窗口式假设检验的多媒体综合隐写分析方法 | |
CN110276358A (zh) | 密集堆叠下的高相似度木块横截面检测方法 | |
CN114155412A (zh) | 深度学习模型迭代方法、装置、设备及存储介质 | |
CN113780284A (zh) | 一种基于目标检测和度量学习的logo检测方法 | |
CN111505445A (zh) | 台区相户关系的可信度检测方法、装置和计算机设备 | |
CN110544182A (zh) | 一种基于机器学习技术的配电通信网融合控制方法及系统 | |
CN117555501B (zh) | 基于边缘计算的云打印机运维数据处理方法以及相关装置 | |
CN107506824A (zh) | 一种配电网的不良观测数据检测方法及装置 |
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 | ||
CP03 | Change of name, title or address | ||
CP03 | Change of name, title or address |
Address after: 610015 No. 1534, floor 15, building 1, No. 88, Guanghua South Third Road, Qingyang District, Chengdu, Sichuan Province Patentee after: Nobicam Artificial Intelligence Technology (Chengdu) Co.,Ltd. Address before: 610014 no.1534, 15th floor, building 1, No.88, Guanghua South Third Road, Qingyang District, Chengdu, Sichuan Province Patentee before: CHENGDU NUOBIKAN TECHNOLOGY Co.,Ltd. |