CN115366942A - 一种基于双传感器感知时延的地铁里程定位方法 - Google Patents
一种基于双传感器感知时延的地铁里程定位方法 Download PDFInfo
- Publication number
- CN115366942A CN115366942A CN202210886823.3A CN202210886823A CN115366942A CN 115366942 A CN115366942 A CN 115366942A CN 202210886823 A CN202210886823 A CN 202210886823A CN 115366942 A CN115366942 A CN 115366942A
- Authority
- CN
- China
- Prior art keywords
- time delay
- data
- double
- sensors
- estimation
- 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
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B61—RAILWAYS
- B61K—AUXILIARY EQUIPMENT SPECIALLY ADAPTED FOR RAILWAYS, NOT OTHERWISE PROVIDED FOR
- B61K9/00—Railway vehicle profile gauges; Detecting or indicating overheating of components; Apparatus on locomotives or cars to indicate bad track sections; General design of track recording vehicles
- B61K9/08—Measuring installations for surveying permanent way
- B61K9/10—Measuring installations for surveying permanent way for detecting cracks in rails or welds thereof
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B61—RAILWAYS
- B61L—GUIDING RAILWAY TRAFFIC; ENSURING THE SAFETY OF RAILWAY TRAFFIC
- B61L15/00—Indicators provided on the vehicle or vehicle train for signalling purposes ; On-board control or communication systems
- B61L15/0072—On-board train data handling
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B61—RAILWAYS
- B61L—GUIDING RAILWAY TRAFFIC; ENSURING THE SAFETY OF RAILWAY TRAFFIC
- B61L23/00—Control, warning, or like safety means along the route or between vehicles or vehicle trains
- B61L23/04—Control, warning, or like safety means along the route or between vehicles or vehicle trains for monitoring the mechanical state of the route
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B61—RAILWAYS
- B61L—GUIDING RAILWAY TRAFFIC; ENSURING THE SAFETY OF RAILWAY TRAFFIC
- B61L25/00—Recording or indicating positions or identities of vehicles or vehicle trains or setting of track apparatus
- B61L25/02—Indicating or recording positions or identities of vehicles or vehicle trains
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B61—RAILWAYS
- B61L—GUIDING RAILWAY TRAFFIC; ENSURING THE SAFETY OF RAILWAY TRAFFIC
- B61L25/00—Recording or indicating positions or identities of vehicles or vehicle trains or setting of track apparatus
- B61L25/02—Indicating or recording positions or identities of vehicles or vehicle trains
- B61L25/025—Absolute localisation, e.g. providing geodetic coordinates
Landscapes
- Engineering & Computer Science (AREA)
- Mechanical Engineering (AREA)
- Train Traffic Observation, Control, And Security (AREA)
Abstract
本发明公开了一种基于双传感器感知时延的地铁里程定位方法,包括如下步骤:数据采集、数据预处理、轨道线形识别和基于双车厢传感器感知时延的速度估计、采用孤立森林算法进行异常值处理、进行数据融合确定全程速度估计、将全程速度估计积分得到里程估计值。通过本发明解决了车载监测设备检测轨道不平顺、病害位置时定位不准确的问题,方便地铁运维人员快速确定需要进行保养维修的轨道区段,提高维修的效率,大幅降低维修人员寻找待维修位置时的工作量,成本相对较低,维护简单、定位精度高。
Description
技术领域
本发明涉及地铁里程定位技术领域,具体涉及一种基于双传感器感知时延的地铁里程定位方法。
背景技术
在城市轨道交通线路运营维护工作当中,为定位轨道不平顺或轨道病害的确切位置,目前主要由轨检人员通过手推轨道检测车的方式排查整条线路,效率相对低下,劳动强度大。故近年来尝试利用车载监测设备的方式在列车运行过程中对列车经过轨道异常点时的情况和精确位置进行记录,此功能的实现需要高精度的室内地铁里程定位技术辅助。
现有技术中,有在车轴上安装轮轴速度传感器,通过记录轮轴转动的周数,结合车轮直径,即可间接得到列车的走行距离。但采用轮轴速度传感器的方法会由于数据收集时间的不确定性,轮径校准误差或轮对的空转、打滑等情况而产生较大的测速测距误差,且误差会随距离的增加而不断累积。还有采用基于移动通信设备的定位方法,通过在车站区间沿线安装专用移动通信基站,根据信号到达的时间差,信号到达的频率差,信号到达时间、角度等指标间接计算列车位置。但是采用基于移动通信设备的定位方法受环境干扰较大,信号质量可能受到影响,且通信基站设备的灵活性较差,若希望得到较高的精度,则其基站设备布设成本就将显著提高。
现有技术中还有采用地图匹配定位方法,其早期研究主要基于直接投影法,即将车辆当前的定位点投影到轨道线路图上,后续又优化提出了要素加权法,将轨迹方向和点到路段的距离分别进行加权计算。但是采用地图匹配定位的方法匹配手段一般较单一,缺少可以辅助的信息,导致在轨道线形复杂情况下,匹配准确率降低。也还有采用多传感器融合测速定位方法,通过融合加速度计、陀螺仪、转速计、多普勒雷达等各种类型的传感器采集的信息来实现。如利用加速度计间接计算速度、里程后采用点式雷达反馈信息的方式进行位置校正,抑制加速度积分法计算速度、里程所带来的累积误差。但是采用多传感融合测速定位方法设备安装维护复杂,成本相对较高,基本可靠性降低。
因此,亟需一种应用于车载监测设备中的一种里程定位方法,能解决车载监测设备检测轨道不平顺、病害位置时定位不准确的问题。
发明内容
为解决现有技术中存在的问题,本发明提供了一种基于双传感器感知时延的地铁里程定位方法,解决了车载监测设备检测轨道不平顺、病害位置时定位不准确的问题,方便地铁运维人员快速确定需要进行保养维修的轨道区段,提高维修的效率,大幅降低维修人员寻找待维修位置时的工作量,成本相对较低,维护简单、定位精度高,解决了上述背景技术中提到的问题。
为实现上述目的,本发明提供如下技术方案:一种基于双传感器感知时延的地铁里程定位方法,包括如下步骤:
S1、数据采集;
S2、数据预处理;
S3、轨道线形识别和基于双车厢传感器感知时延的速度估计;
S4、采用孤立森林算法进行异常值处理;
S5、进行数据融合确定全程速度估计;
S6、将全程速度估计积分得到里程估计值。
进一步的,在步骤S1中,将两个传感器安置在不同车厢靠近前转向架的地面上并固定,y轴正向指向列车运行方向,设置传感器采集频率f=200Hz,加速度量程为16g/s2,角速度量程为250deg/s。
进一步的,数据采集前对传感器进行加计校准、磁场校准,保证初始时刻:ax=ay=0m/s2,az=9.8m/s2。
进一步的,在步骤S2中,数据预处理包括:数据缺失值、离群值处理,时间对齐,滤波去噪和车站分割;
数据缺失值、离群值处理具体包括:绘制数据点分布,将离群值剔除后,形成只有缺失值的数据集,采用均值填充的方法补全;
时间对齐具体包括:对不同传感器测量开始时间进行对齐,通过计算相关系数进行波形匹配,两传感器波形相关系数最大处为时间戳同步的位置;
滤波去噪具体包括:采用小波阈值去噪法对噪声信号小波进行削减,有效信号小波保留以实现去噪;其中,小波基、阈值和阈值函数的选取具体是选用db小波簇中的‘db16’小波基函数、无偏估计阈值方法和硬阈值函数,分解尺度为4层。
车站分割具体包括:通过综合限定均值、方差阈值方法将测得的运行区段数据分割为各运行区间的数据。
进一步的,在步骤S3中,针对采集数据波形特征明显的区段,通过阈值法提取波形中波动显著部分,识别过弯和过坡两种轨道线形;
通过计算相关系数来确定两传感器经过同一位置时的时间延迟具体数值,达到相关系数最大处其中一个波形需要平移的距离对应的时长即为时间延迟,结合两传感器之间的相对距离、较短时间δ内的加速度,得到瞬时速度;
其中,pi,j为两个传感器间相对距离,δ为前后两传感器先后经过同一位置的时间延迟,vi,j(T)表示列车在时间T和T+δ间的速度,aY,i(t)为t时刻的瞬时加速度。
进一步的,所述步骤S6具体包括:对于未使用算法进行修正的区段,使用纵向加速度直接积分得到速度值;对于平曲线,使用横向加速度进行波形匹配感知时延对过弯段进行速度估计;对于竖曲线,使用垂向角速度进行波形匹配感知时延对过弯段进行速度估计;在平、竖曲线两种轨道线形同时存在的情况下,优先使用过弯段的速度修正值,其次为过坡段的速度修正值,从而拼接得到全程的速度估计。
进一步的,所述未使用算法进行修正的区段包括非过弯、过坡段。
本发明的有益效果是:本发明方法通过此基于双传感器感知时延的地铁里程定位算法,可缩短传统纵向加速度二次积分法进行里程估计时累积误差的清零周期,将其定位相对误差由9.5%减小至0.94%。使得在旅客运输的同时通过车载监测设备进行轨道病害监测成为可能,无需再通过手推检测车的方式进行专门检修作业,不占用线路,可提高旅客运输量;方便了运维人员,大大提高了劳动生产率,节省了劳动力,进而使得运维成本降低。
附图说明
图1为本发明方法流程示意图;
图2为本发明方法整体步骤示意图;
图3为本发明实施例中传感器轴向示意图;
图4为列车经过特征段产生时延示意图;
图5为孤立森林算法原理示意图;
图6为实施例2中钟楼-马超西路运行区间的里程估计效果对比图;图6(a)为速度曲线,图6(b)为里程曲线。
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。
实施例1
一种基于双传感器感知时延的地铁里程定位方法,如图1和图2所示,包括如下步骤:数据采集、数据预处理、轨道线形识别和基于双车厢传感器感知时延的速度估计、采用孤立森林算法进行异常值处理、进行数据融合确定全程速度估计、将全程速度估计积分得到里程估计值。
(1)数据采集
实验数据采集设备为惯性六轴传感器BWT901CL,为提高采集数据的精度,设置传感器采集频率f=200Hz,加速度量程为16g/s2,角速度量程为250deg/s。数据采集在6节编组的地铁列车上进行,采集时将两个传感器安置在不同车厢靠近前转向架的地面上并固定,y轴正向指向列车运行方向。
数据采集前对传感器进行加计校准、磁场校准,保证初始时刻:ax=ay=0m/s2,az=9.8m/s2。
传感器采集得到用于里程定位的数据解释及方向示意分别如表1及图3所示;
表1数据采集及处理所需数据类型
车身坐标系:以列车运行方向正向为y轴,铅垂线背离地面方向为z轴正向建立的笛卡尔坐标系。俯仰角速度在后续中统称为垂向角速度。
(2)数据预处理
(2.1)数据缺失值、离群值的处理
绘制数据点分布,将离群值剔除后,形成只有缺失值的数据集,采用均值填充的方法补全。
(2.2)时间对齐
由于传感器内部时钟不一致,不同传感器开始测量时间不同将导致后续算法中时间延迟估计产生偏差,因此需对不同传感器测量开始时间进行对齐,其实质是通过计算相关系数进行波形匹配,两传感器波形相关系数最大处即为时间戳同步的位置。
(2.3)滤波去噪
采用小波阈值去噪法对噪声信号小波进行削减,有效信号小波保留以实现去噪;其中,小波基、阈值和阈值函数的选取具体是选用db小波簇中的‘db16’小波基函数、无偏估计阈值方法和硬阈值函数,分解尺度为4层。
(2.4)车站分割
将测得的运行区段数据分割为各运行区间的数据,避免停车段数据波动对测速定位造成的影响。方法为借助停车时纵向加速度均值和方差都接近于0这一特征,可通过综合限定均值、方差阈值的方法分割数据波形。
(3)轨道线形识别和基于双车厢传感器感知时延的速度估计算法
如图4所示,在较短时间内,两个放置在不同车厢的传感器波形走势具有相似性,而仅仅在时间轴上有一定的时间偏差,故可以通过计算相关系数的方式来确定两传感器经过同一位置时的时间延迟的具体数值为多少,达到相关系数最大处其中一个波形需要平移的距离对应的时长即为时间延迟,再结合两传感器之间的距离、此较短时间δ内的加速度,即可获知瞬时速度。
其中,pi,j为两个传感器间相对距离,δ为前后两传感器先后经过同一位置的时间延迟,vi,j(T)表示列车在时间T和T+δ间的速度,aY,i(t)为t时刻的瞬时加速度。
特别地,为提高时间延迟估计的准确性,算法仅针对采集数据波形特征明显的区段。经观察可知,列车在通过平、竖曲线段时横向加速度和垂向角速度均会有大范围特征明显的幅值波动,因此可通过阈值法提取波形中波动显著部分,即识别了过弯和过坡两种轨道线形。
(4)孤立森林算法处理算法计算过程中的异常值
受传感器测量噪声等因素影响,在计算相关系数的过程中仍存在部分异常值。为此,需采用孤立森林算法进行异常值处理,处理后可识别出修正计算值中少量的异常值,通过插值方法替代这些异常值,提高结果的准确性。如图5所示。通过调用python中的sklearn库即可实现。
(5)进行数据融合确定全程速度估计
具体方法为对于未使用算法进行修正的区段(非过弯、过坡段),使用纵向加速度一次积分得到的速度值,其余区段由于通过实验发现使用横向加速度进行过弯段的速度估计更为准确,故在平、竖曲线两种轨道线形同时存在的情况下,优先使用过弯段的速度修正值,其次为过坡段的速度修正值,从而拼接得到全程的速度估计。使用该修正值替代对应时刻直接积分法(加速度二次积分)计算的速度值。修正值通过基于双车厢传感器及轨道线形感知时延的速度估计算法得到。具体地说,通过计算相关系数进行波形匹配的方法,可以得到两传感器经过同一位置的时间延迟数值,再结合两个传感器的相对距离和采集得到的纵向加速度信息,就可以根据
得到该时刻修正的瞬时速度。
(6)将全程速度估计积分得到里程估计值。
实施例2
将本定位方法应用于成都地铁三号线锦水河至三河场的下行区段共五个运行区间,进行实地测试验证,具体实施方法如下:
首先将两个惯性六轴传感器BWT901CL安装在第三、四节车厢靠近前转向架的地面上并固定(以列车运行方向最前方的车厢为第一节车厢),传感器设置采集频率f=200Hz,加速度量程为16g/s2,角速度量程为250deg/s,y轴正向指向列车运行方向。数据采集前对传感器进行加计校准、磁场校准,保证初始时刻:ax=ay=0m/s2,az=9.8m/s2。
在列车开始运行前使传感器开始记录列车运行数据,在列车可靠停稳后再停止记录。将全部各帧加速度、角速度数据以excel形式传送到电脑上位机上。
接着利用python对数据进行缺失值、离群值补全,时间对齐,数据去噪,车站分割四项预处理操作后可得到分割完后每段运行区间的运行时间,将其与列车超速防护系统(Automatic Train Protection,ATP)所记录的数据进行对比,结果如表2所示。
表2各区间停车段数据长度与ATP控制系统数据对比
之后将每个运行区间的加速度、角速度数据分别导入到python中,运行基于双车厢传感器及轨道线形感知时延的速度估计算法,即可得到本定位方法的里程估计值,再将其与ATP数据进行对比,可发现平均相对误差仅为0.94%。证明此方法具有较高的准确性,误差见表3所示。钟楼-马超西路运行区间的里程估计效果如图6所示。
表3实地测量区间里程估计误差分布
本发明通过此基于双传感器感知时延的地铁里程定位算法,可缩短传统纵向加速度二次积分法进行里程估计时累积误差的清零周期,将其定位相对误差由9.5%减小至0.94%。
使得在旅客运输的同时通过车载监测设备进行轨道病害监测成为可能,无需再通过手推检测车的方式进行专门检修作业,不占用线路,可提高旅客运输量;方便了运维人员,大大提高了劳动生产率,节省了劳动力,进而使得运维成本降低。
尽管参照前述实施例对本发明进行了详细的说明,对于本领域的技术人员来说,其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (7)
1.一种基于双传感器感知时延的地铁里程定位方法,其特征在于,包括如下步骤:
S1、数据采集;
S2、数据预处理;
S3、轨道线形识别和基于双车厢传感器感知时延的速度估计;
S4、采用孤立森林算法进行异常值处理;
S5、进行数据融合确定全程速度估计;
S6、将全程速度估计积分得到里程估计值。
2.根据权利要求1所述的基于双传感器感知时延的地铁里程定位方法,其特征在于:在步骤S1中,将两个传感器安置在不同车厢靠近前转向架的地面上并固定,y轴正向指向列车运行方向,设置传感器采集频率f=200Hz,加速度量程为16g/s2,角速度量程为250deg/s。
3.根据权利要求1所述的基于双传感器感知时延的地铁里程定位方法,其特征在于:数据采集前对传感器进行加计校准、磁场校准,保证初始时刻:ax=ay=0m/s2,az=9.8m/s2。
4.根据权利要求1所述的基于双传感器感知时延的地铁里程定位方法,其特征在于:在步骤S2中,数据预处理包括:数据缺失值、离群值处理,时间对齐,滤波去噪和车站分割;
数据缺失值、离群值处理具体包括:绘制数据点分布,将离群值剔除后,形成只有缺失值的数据集,采用均值填充的方法补全;
时间对齐具体包括:对不同传感器测量开始时间进行对齐,通过计算相关系数进行波形匹配,两传感器波形相关系数最大处为时间戳同步的位置;
滤波去噪具体包括:采用小波阈值去噪法对噪声信号小波进行削减,有效信号小波保留以实现去噪;其中,小波基、阈值和阈值函数的选取具体是选用db小波簇中的‘db16’小波基函数、无偏估计阈值方法和硬阈值函数,分解尺度为4层。
车站分割具体包括:通过综合限定均值、方差阈值方法将测得的运行区段数据分割为各运行区间的数据。
6.根据权利要求1所述的基于双传感器感知时延的地铁里程定位方法,其特征在于:所述步骤S6具体包括:对于未使用算法进行修正的区段,使用纵向加速度直接积分得到速度值;对于平曲线,使用横向加速度进行波形匹配感知时延对过弯段进行速度估计;对于竖曲线,使用垂向角速度进行波形匹配感知时延对过弯段进行速度估计;在平、竖曲线两种轨道线形同时存在的情况下,优先使用过弯段的速度修正值,其次为过坡段的速度修正值,从而拼接得到全程的速度估计。
7.根据权利要求1所述的基于双传感器感知时延的地铁里程定位方法,其特征在于:所述未使用算法进行修正的区段包括非过弯、过坡段。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210886823.3A CN115366942A (zh) | 2022-07-26 | 2022-07-26 | 一种基于双传感器感知时延的地铁里程定位方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210886823.3A CN115366942A (zh) | 2022-07-26 | 2022-07-26 | 一种基于双传感器感知时延的地铁里程定位方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115366942A true CN115366942A (zh) | 2022-11-22 |
Family
ID=84063092
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210886823.3A Pending CN115366942A (zh) | 2022-07-26 | 2022-07-26 | 一种基于双传感器感知时延的地铁里程定位方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115366942A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117465509A (zh) * | 2023-12-27 | 2024-01-30 | 深圳市飞音科技有限公司 | 一种有轨电车定位偏离智能校准方法 |
-
2022
- 2022-07-26 CN CN202210886823.3A patent/CN115366942A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117465509A (zh) * | 2023-12-27 | 2024-01-30 | 深圳市飞音科技有限公司 | 一种有轨电车定位偏离智能校准方法 |
CN117465509B (zh) * | 2023-12-27 | 2024-03-19 | 深圳市飞音科技有限公司 | 一种有轨电车定位偏离智能校准方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
AU2017420954B2 (en) | Traveling-position identifying system, traveling-position identifying apparatus, and traveling-position identifying method for railroad car | |
US10780905B2 (en) | Position determination method and system | |
JP5965251B2 (ja) | 軌道位置データ付与システム及び軌道位置データ付与方法 | |
CN110736999B (zh) | 基于激光雷达的铁路道岔检测方法 | |
CN109839175B (zh) | 一种桥梁活载优化识别系统 | |
CN114559988B (zh) | 列车速度、里程、站点和运动状态测量方法、装置及系统 | |
CN106091951A (zh) | 一种城轨列车轮缘参数在线检测系统及方法 | |
US20220266881A1 (en) | Method and measuring vehicle for determining an actual position of a track | |
CN115366942A (zh) | 一种基于双传感器感知时延的地铁里程定位方法 | |
CN113638295B (zh) | 一种基于三维路面的全幅平整度检测方法 | |
US20230406377A1 (en) | Method and system for determining correction values for correcting the position of a track | |
CN104005324A (zh) | 一种路面构造信息的检测系统 | |
CN112810664B (zh) | 轨道线路曲率在线实时测量系统及方法 | |
CN106768232A (zh) | 一种新型的车辆信息识别系统及识别方法 | |
CN115683124A (zh) | 确定行驶轨迹的方法 | |
CN112249089A (zh) | 一种轨道交通应急定位系统及方法 | |
KR101141357B1 (ko) | 궤도위치인식 및 위치보정시스템 | |
JP6969885B2 (ja) | 鉄道車両の走行経路特定方法 | |
CN112344907B (zh) | 铁路轨道水平测量方法、系统、可读存储介质及电子设备 | |
CN110440826B (zh) | 一种位置姿态测量系统里程计数据处理方法 | |
CN111076718B (zh) | 一种地铁列车的自主导航定位方法 | |
JPH10260035A (ja) | 鉄道用レールの柱厚判定方法 | |
CN112085034A (zh) | 一种基于机器视觉的轨道交通列车定位方法及系统 | |
JP7462479B2 (ja) | 車輪径算出システム、車輪径算出方法、情報処理装置、及びプログラム | |
CN114295858B (zh) | 基于多源数据融合的列车车速采集与相机触发方法及装置 |
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 |