CN116337154B - 一种接触网健康状态监测方法及系统 - Google Patents
一种接触网健康状态监测方法及系统 Download PDFInfo
- Publication number
- CN116337154B CN116337154B CN202310306746.4A CN202310306746A CN116337154B CN 116337154 B CN116337154 B CN 116337154B CN 202310306746 A CN202310306746 A CN 202310306746A CN 116337154 B CN116337154 B CN 116337154B
- Authority
- CN
- China
- Prior art keywords
- value
- early warning
- weight
- compensator
- health state
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 97
- 230000036541 health Effects 0.000 title claims abstract description 75
- 238000000034 method Methods 0.000 title claims abstract description 41
- 230000001133 acceleration Effects 0.000 claims abstract description 31
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 28
- 230000007613 environmental effect Effects 0.000 claims abstract description 15
- 238000012545 processing Methods 0.000 claims abstract description 12
- 230000002159 abnormal effect Effects 0.000 claims description 54
- 238000001514 detection method Methods 0.000 claims description 47
- 238000005259 measurement Methods 0.000 claims description 19
- 238000002372 labelling Methods 0.000 claims description 18
- 238000012549 training Methods 0.000 claims description 18
- 238000009434 installation Methods 0.000 claims description 17
- 230000003862 health status Effects 0.000 claims description 15
- 238000004891 communication Methods 0.000 claims description 11
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 claims description 10
- 230000008859 change Effects 0.000 claims description 10
- 230000000737 periodic effect Effects 0.000 claims description 8
- 230000002093 peripheral effect Effects 0.000 claims description 6
- 230000005856 abnormality Effects 0.000 claims description 5
- 229910052742 iron Inorganic materials 0.000 claims description 5
- 230000000149 penetrating effect Effects 0.000 claims description 4
- 238000013139 quantization Methods 0.000 claims 4
- 238000010586 diagram Methods 0.000 description 8
- 239000000725 suspension Substances 0.000 description 6
- 239000011248 coating agent Substances 0.000 description 4
- 238000000576 coating method Methods 0.000 description 4
- 230000003137 locomotive effect Effects 0.000 description 4
- 238000012806 monitoring device Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 210000000707 wrist Anatomy 0.000 description 2
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 210000003710 cerebral cortex Anatomy 0.000 description 1
- QVFWZNCVPCJQOP-UHFFFAOYSA-N chloralodol Chemical compound CC(O)(C)CC(C)OC(O)C(Cl)(Cl)Cl QVFWZNCVPCJQOP-UHFFFAOYSA-N 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000012212 insulator Substances 0.000 description 1
- 230000009545 invasion Effects 0.000 description 1
- 229910052744 lithium Inorganic materials 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 239000003550 marker Substances 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000946 synaptic effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60M—POWER SUPPLY LINES, AND DEVICES ALONG RAILS, FOR ELECTRICALLY- PROPELLED VEHICLES
- B60M1/00—Power supply lines for contact with collector on vehicle
- B60M1/12—Trolley lines; Accessories therefor
- B60M1/26—Compensation means for variation in length
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Abstract
本发明公开了一种接触网健康状态监测方法及系统,包括:采集接触网补偿器的b值、加速度及其所处环境信息,所述环境信息包括温度、湿度、风速以及雨量;根据采集的信息判断接触网补偿器健康状态并进行分级预警。本发明通过综合运用接触网补偿器采集的b值、加速度、温度的实时和历史数据,实现接触网补偿器的健康状态监测,并进一步制定接触网补偿器健康状态的预警类型,提高监测的智能化和精细化水平;同时,采用多源异构数据的智能处理算法,实现接触网覆冰状态的智能化监测,为铁路的安全运营提供技术保障。
Description
技术领域
本发明涉及接触网监测技术领域,尤其涉及一种接触网健康状态监测方法及系统。
背景技术
电气化铁路接触网设备是一套无备用的,沿铁路线路架设的特殊供电线路,为高速运行中的动车组、电力机车提供电能,是电气化铁路牵引供电系统的重要组成部分,该设备的各项性能参数和运行特性直接关系到动车组、电力机车运行的安全性和可靠性。由于接触网设备运行的外部环境千差万别,气象条件覆盖了从热带、亚热地、寒带的广袤地区,地形条件从平原、丘陵到高山峡谷、戈壁草原沙漠,接触网设备长期暴露在露天环境中,经受各种自然界的风、雪、雨、雷、污和雾的侵害,导致接触网设备存在一些潜在的隐患,如不及时发现隐患,可能会导致一些隐患演变成事故(比如连接件松脱等)。
接触网系统主要包括腕臂支持装置、带张力的悬挂导线、补偿装置、支柱及预埋件部分等;腕臂支持装置通过绝缘子绝缘安装于支柱或支撑装置上,起到悬挂支撑悬挂导线的作用,补偿装置用于平衡悬挂导线张力;实际情况下,悬挂导线受到电力机车运行(机车受电弓直接从悬挂导线接触获取电能)、自然界各种外部因素(风、雨、雪、地址等)影响,其产生的各种状态(比如受电弓抬升力、移动振动、风振等)会传递给和其连接的腕臂、支柱等支撑结构;同样,腕臂、支柱等支撑结构受到的各种外部作用力(地震、路基振动等)也会传递给悬挂导线;因此,接触网系统在长期运行过程中,会时刻受到各种外部作用力的影响,产生振动、内应力变化,导致组成接触网各部分的零部件松动、疲劳,从而形成各种事故隐患,影响动车的正常运行,极端情况下发生危及乘员及周边环境人身安全的重大事故。因此,为避免重大事故的发生,及时发现事故隐患,对接触网的在线监测显得尤其重要。
现有接触网健康状态的监测方法采用超声波测距传感器、微波测距传感器或激光测距传感器实现接触网补偿器对地距离的监测,受限于技术水平测量精度较低;接触网健康状态监测方法大都采用加速度、高度或温度等信息判定接触网补偿器的健康状态,并引入预警功能,但是,现有方法大都根据独立判定条件仅包含“正常”或“异常”两种状态,无法根据异常程度设置不同等级的预警,同时受限于测量信息,接触网健康状态的判断不一定准确,智能化水平较低。
发明内容
本发明的目的在于克服现有接触网监测的不足,提供了一种接触网健康状态监测方法及系统。
本发明的目的是通过以下技术方案来实现的:
在第一方面,提供一种接触网健康状态监测方法,所述方法包括:
采集接触网补偿器的b值、加速度及其所处环境信息,所述环境信息包括温度、湿度、风速以及雨量;
根据采集的信息判断接触网补偿器健康状态并进行分级预警;所述判断接触网补偿器健康状态并进行分级预警,包括以下步骤:
S1、判断加速度是否异常同时验证b值是否突降;若加速度异常的同时b值突降,表示接触网补偿器的健康状态异常,则进行1A类预警,返回预警信息,本次检测结束;否则执行步骤S2;
S2、判断所述b值是否为0;若b值为0,表示接触网补偿器的健康状态异常,则进行1A类预警,返回预警信息,本次检测结束;否则执行步骤S3;
S3、判断所述b值是否随温度变化;若b值不随温度变化,表示接触网补偿器的健康状态异常,则进行1B类预警,返回预警信息,本次检测结束;否则执行步骤S1;
S4、判断相同环境温度下的b值差异;差异较大则表示接触网补偿器的健康状态异常,则进行2A类预警,返回预警信息,本次检测结束;否则执行步骤S1;
S5、设定第一阈值,判断所述b值是否在0至第一阈值之间;是则表示接触网补偿器的健康状态异常,则进行2A类预警,返回预警信息,本次检测结束;否则执行步骤S1;
S6、设定第二阈值,判断所述b值是否在第一阈值至第二阈值之间;是则表示接触网补偿器的健康状态异常,则进行2B类预警,返回预警信息,本次检测结束;否则执行步骤S1。
作为一优选项,一种接触网健康状态监测方法,所述第一阈值为200mm,所述第二阈值为300mm。
作为一优选项,一种接触网健康状态监测方法,所述采集接触网补偿器的b值,包括以下步骤:
S11、读取超声波测距传感器采集的第一坠砣b值;
S12、读取气压高度传感器采集的第二坠砣b值;
S13、比较所述第一坠砣b值和第二坠砣b值,当第一坠砣b值和第二坠砣b值的差值小于预设阈值时,返回二者均值作为最终测量的b值;当第一坠砣b值和第二坠砣b值的差值大于预设阈值时,返回步骤S11。
作为一优选项,一种接触网健康状态监测方法,还包括:
根据采集的信息判断接触网的覆冰状态;所述根据采集的信息判断接触网的覆冰状态,包括:
基于时间序列的异常检测算法,构建覆冰状态预测模型;
对覆冰状态预测模型进行训练;
将b值、加速度、温度、湿度、风速、雨量以及时间输入训练好的覆冰状态预测模型进行预测;
输出覆冰状态预测结果。
作为一优选项,一种接触网健康状态监测方法,所述对覆冰状态预测模型进行训练,包括:
将传统的一次性大量标注模型训练样本的方式改成阶段性、周期性的标注。
作为一优选项,一种接触网健康状态监测方法,使用覆冰状态预测模型进行预测前,对b值、加速度、温度、湿度、风速、雨量以及时间进行去噪以及归一化处理。
在第二方面,提供一种接触网健康状态监测系统,包括:
嵌入式智能监测终端,用于采集接触网补偿器的b值、加速度及其所处环境信息,所述环境信息包括温度、湿度、风速以及雨量;
分级预警模块,用于根据采集的信息判断接触网补偿器健康状态并进行分级预警;所述判断接触网补偿器健康状态并进行分级预警;其中,所述判断接触网补偿器健康状态并进行分级预警,包括以下步骤:
S1、判断加速度是否异常同时验证b值是否突降;若加速度异常的同时b值突降,表示接触网补偿器的健康状态异常,则进行1A类预警,返回预警信息,本次检测结束;否则执行步骤S2;
S2、判断所述b值是否为0;若b值为0,表示接触网补偿器的健康状态异常,则进行1A类预警,返回预警信息,本次检测结束;否则执行步骤S3;
S3、判断所述b值是否随温度变化;若b值不随温度变化,表示接触网补偿器的健康状态异常,则进行1B类预警,返回预警信息,本次检测结束;否则执行步骤S1;
S4、判断相同环境温度下的b值差异;差异较大则表示接触网补偿器的健康状态异常,则进行2A类预警,返回预警信息,本次检测结束;否则执行步骤S1;
S5、设定第一阈值,判断所述b值是否在0至第一阈值之间;是则表示接触网补偿器的健康状态异常,则进行2A类预警,返回预警信息,本次检测结束;否则执行步骤S1;
S6、设定第二阈值,判断所述b值是否在第一阈值至第二阈值之间;是则表示接触网补偿器的健康状态异常,则进行2B类预警,返回预警信息,本次检测结束;否则执行步骤S1。
作为一优选项,一种接触网健康状态监测系统,所述嵌入式智能监测终端包括数据采集单元、通讯单元、供电单元、中央处理单元以及告警指示单元,所述供电单元分别与所述数据采集单元、通讯单元、中央处理单元以及告警指示单元连接,所述中央处理单元分别与所述数据采集单元、通讯单元、供电单元以及告警指示单元连接。
作为一优选项,一种接触网健康状态监测系统,所述数据采集单元配置多种类型的低功耗物联网传感器,其中包括多种测距传感器。
作为一优选项,一种接触网健康状态监测系统,告警指示单元接收预警信息时,将故障指示灯由绿变红,待预警信息消失,将故障指示灯有红变绿;所述供电单元包括定时器。
需要进一步说明的是,上述各选项对应的技术特征在不冲突的情况下可以相互组合或替换构成新的技术方案。
与现有技术相比,本发明有益效果是:
(1)本发明通过综合运用接触网补偿器采集的b值、加速度、温度的实时和历史数据,实现接触网补偿器的健康状态监测,并进一步制定接触网补偿器健康状态的预警类型,其中,抽象多种健康状态异常情况,根据其紧急程度设计不同的预警类型,采用迭代的方式判断各种健康状态进行分级预警,保证监测的准确度,提高监测的智能化和精细化水平。
(2)在一个示例中,设计了一个深度网络模型,通过综合运用多种维度的接触网健康状态指标(包括接触网补偿装置的b值、加速度)和环境信息(包括温度、湿度、风速和雨量),开发了一套基于时间序列的异常检测算法,同时,本算法开发了一个基于自主学习的算法增强框架,将传统的一次性大量标注模型训练样本的方式改成了阶段性、周期性的标注,给予了模型性能增长的空间,把工作人员进行样本标注的工作量分散化,更适用于现实工作场景,并且经过框架筛选后的样本更能代表原海量数据集的分布,从样本质量的角度提升了模型性能,提高了覆冰状态监测的精度,实现接触网覆冰的智能化告警,为铁路的安全运营提供技术保障。
(3)在一个示例中,引入气压高度传感器,并提出一种坠砣b值测量模型,提升了对b值测量的精度。
(4)在一个示例中,系统采用嵌入式智能监测终端,利用坠砣本身的安装槽的结构将智能监测终端进行嵌入式安装,不仅将对补偿坠砣的外观的影响降到较低水平,而且不易被外部因素所破坏,并且固定牢固、方便更换。
(5)在一个示例中,系统的供电单元包括定时器,用于设定系统运行周期,在嵌入式智能监测终端不采集信息时,只保留核心的时钟频率,而其他外设进入休眠状态,当定时器叫醒时,恢复外设的时钟,监测终端采集数据后传输到后端远程服务器,再度进入休眠状态,提升了系统的供电效率。
(6)在一个示例中,系统的告警指示单元接收预警信息时,将故障指示灯由绿变红,待预警信息消失,将故障指示灯有红变绿,方便工作人员了解预警信息。
附图说明
图1为本发明实施例示出的接触网补偿器的健康状态监测方法流程图;
图2为本发明实施例示出的接触网覆冰的模型预测示意图;
图3为本发明实施例示出的多源异构数据处理的流程示意图;
图4为本发明实施例示出的算法增强框架的示意图;
图5为现有技术中坠砣的结构示意图;
图6为现有技术中坠砣和坠砣杆的安装方式示意图;
图7为本发明实施例示出的一种接触网补偿坠砣嵌入式智能监测终端的结构示意图;
图8为本发明实施例示出的一种接触网补偿坠砣嵌入式智能监测终端的安装状态示意图;
图9为本发明实施例示出的又一种接触网补偿坠砣嵌入式智能监测终端的安装状态示意图;
图10为本发明实施例示出的又一种接触网补偿坠砣嵌入式智能监测终端的结构示意图;
图11为本发明实施例示出的又一种接触网补偿坠砣嵌入式智能监测终端的结构示意图;
图12为本发明实施例示出的供电单元定时运行的示意图。
图中:1-坠砣,101-安装槽,2-坠砣杆,201-杆体,202-固定盘,3-智能监测终端,301-设备舱,30101-固定槽,30102-可拆卸盖板,30103-L型拓展卡槽,30104-走线孔,302-监测元件,4-外部铁箍。
具体实施方式
下面结合附图对本发明的技术方案进行清楚、完整地描述,显然,所描述的实施例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。
在本发明的描述中,属于“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性。
此外,下面所描述的本发明不同实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互结合。
在一示例性实施例中,提供一种接触网健康状态监测方法,所述方法包括:
采集接触网补偿器的b值、加速度及其所处环境信息,所述环境信息包括温度、湿度、风速以及雨量;
根据采集的信息判断接触网补偿器健康状态并进行分级预警;参照图1,所述判断接触网补偿器健康状态并进行分级预警,包括以下步骤:
S1、判断加速度是否异常同时验证b值是否突降;若加速度异常的同时b值突降,表示接触网补偿器的健康状态异常,则进行1A类预警,返回预警信息,本次检测结束;否则执行步骤S2;
S2、判断所述b值是否为0;若b值为0,表示接触网补偿器的健康状态异常,则进行1A类预警,返回预警信息,本次检测结束;否则执行步骤S3;
S3、判断所述b值是否随温度变化;若b值不随温度变化,表示接触网补偿器的健康状态异常,则进行1B类预警,返回预警信息,本次检测结束;否则执行步骤S1;
S4、判断相同环境温度下的b值差异;差异较大则表示接触网补偿器的健康状态异常,则进行2A类预警,返回预警信息,本次检测结束;否则执行步骤S1;
S5、设定第一阈值,判断所述b值是否在0至第一阈值之间;是则表示接触网补偿器的健康状态异常,则进行2A类预警,返回预警信息,本次检测结束;否则执行步骤S1;
S6、设定第二阈值,判断所述b值是否在第一阈值至第二阈值之间;是则表示接触网补偿器的健康状态异常,则进行2B类预警,返回预警信息,本次检测结束;否则执行步骤S1。
具体地,通过综合运用接触网补偿器采集的b值、加速度、温度的实时和历史数据,实现接触网补偿器的健康状态监测,并进一步制定接触网补偿器健康状态的预警类型,其中,抽象多种健康状态异常情况,根据其紧急程度设计不同的预警类型,采用迭代的方式判断各种健康状态进行分级预警,其中,紧急程度的排序为1A类预警>1B类预警>2A类预警>2B类预警。
进一步地,所述第一阈值为200mm,所述第二阈值为300mm,此处阈值的选择作为优选,并不解释为对本申请的限定,可依据实际情况进行适应性设定。
进一步地,一种接触网健康状态监测方法,所述采集接触网补偿器的b值,包括以下步骤:
S11、读取超声波测距传感器采集的第一坠砣b值;
S12、读取气压高度传感器采集的第二坠砣b值;
S13、比较所述第一坠砣b值和第二坠砣b值,当第一坠砣b值和第二坠砣b值的差值小于预设阈值时,返回二者均值作为最终测量的b值;当第一坠砣b值和第二坠砣b值的差值大于预设阈值时,返回步骤S11。
具体地,引入气压高度传感器,并提出一种坠砣b值测量模型,不断调节b值的测量误差,提升了对b值测量的精度。
在另一示例性实施例中,一种接触网健康状态监测方法,还包括:
根据采集的信息判断接触网的覆冰状态;所述根据采集的信息判断接触网的覆冰状态,包括:
基于时间序列的异常检测算法,构建覆冰状态预测模型;
对覆冰状态预测模型进行训练;
将b值、加速度、温度、湿度、风速、雨量以及时间输入训练好的覆冰状态预测模型进行预测;
输出覆冰状态预测结果。
具体地,覆冰状态预测模型基于时间序列的异常检测算法,该算法是生物学和计算机科学的学科交叉算法,模拟人类大脑皮层的工作原理,对大脑工作的特性(如活跃神经细胞的稀疏性、人脑以神经细胞间的突触连接表示事物和人类神经的层级性)进行建模,生成一种神经网络模型,实现对数据在时间维度上的模式识别,发掘数据中的隐含规律,进而对异常模型进行检测。具体过程如图2所示:对b值、加速度、温度、湿度、风速、雨量以及时间等数据进行去噪、归一化等预处理操作,输入至覆冰状态预测模型,覆冰状态预测模型输出当前时刻接触网覆冰的可能性,用置信度分数表示,分值范围在0-1之间,0分表示接触网状态正常,分值越高,反映接触网当前状态覆冰可能性较大,异常程度越高。
进一步地,一种接触网健康状态监测方法,所述对覆冰状态预测模型进行训练,包括:
将传统的一次性大量标注模型训练样本的方式改成阶段性、周期性的标注。
具体地,受温度等环境因素的影响,接触网补偿器的b值是一个动态变化的过程,接触网覆冰会导致补偿器的b值异常,需要覆冰状态预测模型根据显示场景持续优化,保证覆冰状态预测模型监测的精度。
为解决覆冰状态预测模型的持续优化问题,引入时间因素/时序序列,开发了一个基于自主学习的算法增强框架,参照图3,算法增强框架以基于标注池的主动学习为基础,以已标注数据集、未标注数据集、核心算法、不确定性度量模块和人工标注者为部件而构建。在初始阶段,通过已标注数据集训练核心算法和不确定性度量模块;训练完成后,核心算法将对未标注数据集的子集进行检测并输出结果,与此同时,样本不确定性模块将会对该子集的样本进行不确定性量化衡量,将该子集的样本不确定性量化结果排序后,将从高往低选取个加入待标注数据集;标注者可以自行添加信息量较大样本加入待标注数据集,该类样本可以是人工判断的较难判定的样本,抑或是需要识别的新类别;待标注数据集通过人工标注后,和之前的已标注数据集进行合并,形成新的已标注数据集,至此完成算法增强框架的一个周期。参照图4,框架中核心算法模型的两个输出分支分别由模型的检测头部和不确定性度量模快输出。
进一步地,设置已标记数据集Γ,未标记数据集Π,人工添加数据集Z,初始模型κ0,查询策略γ;算法增强流程具体包括:
1、κ←通过Γ训练κ0
2、
3、Πdet←取Π子集Πdet
4、Πnot←根据查询策略γ从Πdet选取的待标注子集
5、λnot←人工完成对(Πnot∪Z)的标注
6、Γ←Γ∪(Πnot∪Z,λnot)
7、κ←更新Γ并进行样本均衡后训练κ
8、Π←Π\Πdet
9、Endwhile。
将传统的一次性大量标注模型训练样本的方式改成了阶段性、周期性的标注,给予了模型性能增长的空间,把工作人员进行样本标注的工作量分散化,更适用于现实工作场景,并且经过框架筛选后的样本更能代表原海量数据集的分布,从样本质量的角度提升了模型性能,提高了覆冰状态监测的精度,实现接触网覆冰的智能化告警,为铁路的安全运营提供技术保障。
在另一示例性实施例中,提供一种接触网健康状态监测系统,包括:
嵌入式智能监测终端,用于采集接触网补偿器的b值、加速度及其所处环境信息,所述环境信息包括温度、湿度、风速以及雨量;
分级预警模块,用于根据采集的信息判断接触网补偿器健康状态并进行分级预警;所述判断接触网补偿器健康状态并进行分级预警;其中,所述判断接触网补偿器健康状态并进行分级预警,包括以下步骤:
S1、判断加速度是否异常同时验证b值是否突降;若加速度异常的同时b值突降,表示接触网补偿器的健康状态异常,则进行1A类预警,返回预警信息,本次检测结束;否则执行步骤S2;
S2、判断所述b值是否为0;若b值为0,表示接触网补偿器的健康状态异常,则进行1A类预警,返回预警信息,本次检测结束;否则执行步骤S3;
S3、判断所述b值是否随温度变化;若b值不随温度变化,表示接触网补偿器的健康状态异常,则进行1B类预警,返回预警信息,本次检测结束;否则执行步骤S1;
S4、判断相同环境温度下的b值差异;差异较大则表示接触网补偿器的健康状态异常,则进行2A类预警,返回预警信息,本次检测结束;否则执行步骤S1;
S5、设定第一阈值,判断所述b值是否在0至第一阈值之间;是则表示接触网补偿器的健康状态异常,则进行2A类预警,返回预警信息,本次检测结束;否则执行步骤S1;
S6、设定第二阈值,判断所述b值是否在第一阈值至第二阈值之间;是则表示接触网补偿器的健康状态异常,则进行2B类预警,返回预警信息,本次检测结束;否则执行步骤S1。
具体地,参照图5-图11,给出一种嵌入式智能监测终端的结构,参见图7,图7示出了本发明一示例性实施例中提供的一种接触网补偿坠砣嵌入式智能监测终端3,与图5中的坠砣1匹配使用,如图5和图6所示,所述坠砣1的侧面沿其半径方向(A’)开设有用于穿入坠砣杆2的安装槽101,
所述智能监测终端3包括设备舱301和设置于设备舱301内的监测元件302,所述设备舱301的结构与所述安装槽101的结构匹配。
具体地,首先对现有技术中的坠砣1和坠砣杆2进行介绍:坠砣1分为混凝土坠砣、铁坠砣、复合材料坠砣,坠砣1的结构具有一定标准,具体为图5所示的具有一定厚度的圆柱形结构,并且坠砣1的侧面沿其半径方向(图5的A’)开设有用于穿入坠砣杆2的安装槽101,并且该安装槽101的宽度也具有固定标准(20mm)。坠砣1和坠砣杆2的安装结构如图6所示,坠砣杆2的杆体201穿过堆叠在一起的多个坠砣1的安装槽101后对坠砣1进行固定。更为具体地,在如图6所示的示例性实施例中,坠砣杆2底部设置有固定盘202,坠砣1依次堆叠在固定盘202上;但固定方式不仅局限于此,可根据实际需求进行调整与更换。
在本示例性实施例中,智能监测终端3的结构如图7所示,其具有设备舱301和设备舱301内的监测元件302(图7中未示出),图7中设备舱301的壳体结构与图5中坠砣1的安装槽的结构匹配。
当坠砣杆2安装在坠砣1的安装槽101后,安装槽101仍具有一定可使用空间,而本示例性实施例中的智能监测终端3正是利用该空间进行相应安装,如图8所示(为方便展示,只画出了安装有智能监测终端3的对应坠砣1的情况示意图),当采用“设备舱301的壳体结构与图5中坠砣1的安装槽的结构匹配”的方式进行限定时,该智能监测终端3可嵌入式安装在坠砣1的安装槽101内,从而:(1)实现不改变现有坠砣1的形制的情况下即可对现有未安装有监测装置的坠砣1进行改进,相较于更换坠砣1本身的形制的现有技术来说降低成本;(2)相较于在坠砣1外围加装监测装置的现有技术来说,本示例性实施例的智能监测终端3的安装更加隐蔽,利用坠砣1本身的安装槽101的结构进行嵌入式安装,不仅将对补偿坠砣1的外观的影响降到较低水平,而且不易被外部因素所破坏,并且固定牢固(由线接触转变为面接触)、方便更换。
另外,需要说明的是,在其中一示例性实施例中,智能监测终端3的长度可以短于安装槽101的长度,即如图8所示,只需要使其卡接在安装槽101内即可,并且优选使其一端保留在坠砣1的外部,方便后期进行更换;而在又一示例性实施例中,智能监测终端3的长度可以与安装槽101的长度相同或更长,使得在安装时,在安装槽101内具有坠砣杆2时,智能监测终端3的内端抵接在坠砣杆2上,智能监测终端3的外端自然位于坠砣1的外部,方便安装(抵接时即完成安装)和拆卸。
更优地,在一示例性实施例中,多个坠砣1通过安装槽101堆叠安装在坠砣杆2上,所述智能监测终端3卡接在底部坠砣1的安装槽101内。
具体地,在绝大多数情况下,坠砣1和坠砣杆2的安装形式均如图6所示,即多个坠砣1通过安装槽101堆叠安装在坠砣杆2上,因此在该示例性实施例中,限定了将智能监测终端3卡接在底部坠砣1的安装槽101内,其不仅方便安装而且方便测出准确数据(例如采用距离检测时可以在无需额外计算的情况得到底部坠砣1实际的高度)。
更优地,在一示例性实施例中,所述设备舱301的一端设置有安装外部铁箍4的固定槽30101。
具体地,如图7所示,所述设备舱301的一端设置有固定槽30101,其具体使用方式图9所示,先将设备舱301安装在安装槽101内,此时设备舱301具有固定槽30101的一端设置在坠砣1外部,之后再通过外部铁箍4穿过固定槽30101后将智能监测终端3进行进一步固定,从而实现更加稳定的固定。另外,当需要对智能监测终端3进行拆卸时,可以利用外部铁箍4或者其他绳索类结构穿过固定槽30101将智能监测终端3向外拉扯,方便拆卸。
更优地,在一示例性实施例中,所述设备舱301顶部设置有可拆卸盖板30102。
具体地,在该示例性实施例中,如图10所示,通过在所述设备舱301顶部设置有可拆卸盖板30102,使得监测元件2方便进行安装与固定。而在一具体示例性实施例中,所述可拆卸盖板30102的可拆卸方式为螺纹孔的方式,如图10所示,在可拆卸盖板30102上设置有若干(图中为6个)螺纹孔,并且在设备舱301的对应位置设置有对应的螺纹孔(设备舱301的螺纹孔优选为在设备舱301的内壁,不影响外观且能实现可拆卸功能)。
更优地,在一示例性实施例中,所述设备舱301底部设置有L型拓展卡槽30103和与L型拓展卡槽30103位置对应的走线孔30104。
具体地,在该示例性实施例中,如图11所示,所述设备舱301的底部配置有可扩展L型卡槽30103,支持添加多种类型的外部设备(例如一些额外需要外置的传感器/探测设备,通过挂载的方式实现),同时走线孔30104实现外部设备与内部监测元件302进行有线连接。其中,该L型拓展卡槽30103可以与设备舱301一体成型,也可以通过可拆卸的方式进行安装。另外,当坠砣杆2底部设置有固定盘202时,该固定盘202不是完整的盘体,而是具有一定孔/槽,使得L型拓展卡槽30103可以安装。
本发明利用坠砣本身的安装槽的结构将智能监测终端进行嵌入式安装,不仅将对补偿坠砣的外观的影响降到较低水平,而且不易被外部因素所破坏,并且固定牢固、方便更换。
进一步地,所述嵌入式智能监测终端包括数据采集单元、通讯单元、供电单元、中央处理单元以及告警指示单元,所述供电单元分别与所述数据采集单元、通讯单元、中央处理单元以及告警指示单元连接,所述中央处理单元分别与所述数据采集单元、通讯单元、供电单元以及告警指示单元连接。其中,通讯单元采用NB-IoT/lora/蓝牙/4G/5G等无线通讯技术,将嵌入式智能监测终端采集的数据和(或)告警信息发送给后台远程服务器。供电单元包括锂电池与供电管理模块,参照图12,所述供电管理模块包括定时器,通过设定系统运行周期,在嵌入式智能监测终端不采集信息时,只保留核心的时钟频率,而其他外设进入休眠状态,当定时器叫醒时,恢复外设的时钟,监测终端采集数据后传输到后端远程服务器,再度进入休眠状态,提升了系统的供电效率。
进一步地,一种接触网健康状态监测系统,所述数据采集单元配置多种类型的低功耗物联网传感器,包括多种测距传感器、三轴加速度传感器、温度传感器、湿度传感器以及风速传感器等,其中多种测距传感器包括超声波测距传感器、微波测距传感器、激光测距传感器以及气压高度传感器等。
具体地,分别通过超声波测距传感器和气压高度传感器测量坠砣b值。比较两种传感器采集的坠砣b值,若二者差值小于阈值,则将二者均值作为测量的坠砣b值;若二者差值大于阈值,则重新测量。
进一步地,告警指示单元接收预警信息时,将故障指示灯由绿变红,待预警信息消失,将故障指示灯有红变绿,方便工作人员了解预警信息。
以上具体实施方式是对本发明的详细说明,不能认定本发明的具体实施方式只局限于这些说明,对于本发明所属技术领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干简单推演和替代,都应当视为属于本发明的保护范围。
Claims (8)
1.一种接触网健康状态监测方法,其特征在于,所述方法包括:
采集接触网补偿器的b值、加速度及其所处环境信息,所述环境信息包括温度、湿度、风速以及雨量;
根据采集的信息判断接触网补偿器健康状态并进行分级预警;所述判断接触网补偿器健康状态并进行分级预警,包括以下步骤:
S1、判断加速度是否异常同时验证b值是否突降;若加速度异常的同时b值突降,表示接触网补偿器的健康状态异常,则进行1A类预警,返回预警信息,本次检测结束;否则执行步骤S2;
S2、判断所述b值是否为0;若b值为0,表示接触网补偿器的健康状态异常,则进行1A类预警,返回预警信息,本次检测结束;否则执行步骤S3;
S3、判断所述b值是否随温度变化;若b值不随温度变化,表示接触网补偿器的健康状态异常,则进行1B类预警,返回预警信息,本次检测结束;否则执行步骤S1;
S4、判断相同环境温度下的b值差异;差异较大则表示接触网补偿器的健康状态异常,则进行2A类预警,返回预警信息,本次检测结束;否则执行步骤S1;
S5、设定第一阈值,判断所述b值是否在0至第一阈值之间;是则表示接触网补偿器的健康状态异常,则进行2A类预警,返回预警信息,本次检测结束;否则执行步骤S1;
S6、设定第二阈值,判断所述b值是否在第一阈值至第二阈值之间;是则表示接触网补偿器的健康状态异常,则进行2B类预警,返回预警信息,本次检测结束;否则执行步骤S1;
还包括:
基于时间序列的异常检测算法,构建覆冰状态预测模型,根据采集的信息利用覆冰状态预测模型判断接触网的覆冰状态,其中,覆冰状态预测模型基于时间序列的异常检测算法,并基于标注池的主动学习进行算法增强,将一次性大量标注模型训练样本的方式改成阶段性、周期性的标注;将标注后的样本用于覆冰状态预测模型,使得覆冰状态预测模型随着实时温度、b值的变化持续优化;
所述将一次性大量标注模型训练样本的方式改成阶段性、周期性的标注,包括:
在初始阶段,通过已标注数据集训练核心算法和样本不确定性度量模块;
训练完成后,核心算法将对未标注数据集的子集进行检测并输出结果,与此同时,样本不确定性度量模块将会对该子集的样本进行不确定性量化衡量,将该子集的样本不确定性量化结果排序后,从高往低选取多个样本加入待标注数据集;
标注者自行添加信息量较大样本加入待标注数据集,该信息量较大样本是人工判断的较难判定的样本,抑或是需要识别的新类别;
待标注数据集通过人工标注后和之前的已标注数据集进行合并,形成新的已标注数据集;
所述采集接触网补偿器的b值,包括
引入气压高度传感器,并提出一种坠砣b值测量模型,不断调节b值的测量误差,具体包括以下步骤:
S11、读取超声波测距传感器采集的第一坠砣b值;
S12、读取气压高度传感器采集的第二坠砣b值;
S13、比较所述第一坠砣b值和第二坠砣b值,当第一坠砣b值和第二坠砣b值的差值小于预设阈值时,返回二者均值作为最终测量的b值;当第一坠砣b值和第二坠砣b值的差值大于预设阈值时,返回步骤S11。
2.根据权利要求1所述的一种接触网健康状态监测方法,其特征在于,所述第一阈值为200mm,所述第二阈值为300mm。
3.根据权利要求1所述的一种接触网健康状态监测方法,其特征在于,根据采集的信息利用覆冰状态预测模型判断接触网的覆冰状态,包括:
将b值、加速度、温度、湿度、风速、雨量以及时间输入训练好的覆冰状态预测模型进行预测;
输出覆冰状态预测结果。
4.根据权利要求3所述的一种接触网健康状态监测方法,其特征在于,使用覆冰状态预测模型进行预测前,对b值、加速度、温度、湿度、风速、雨量以及时间进行去噪以及归一化处理。
5.一种接触网健康状态监测系统,其特征在于,包括:
嵌入式智能监测终端,用于采集接触网补偿器的b值、加速度及其所处环境信息,所述环境信息包括温度、湿度、风速以及雨量;
所述采集接触网补偿器的b值,包括
引入气压高度传感器,并提出一种坠砣b值测量模型,不断调节b值的测量误差,具体包括以下步骤:
S11、读取超声波测距传感器采集的第一坠砣b值;
S12、读取气压高度传感器采集的第二坠砣b值;
S13、比较所述第一坠砣b值和第二坠砣b值,当第一坠砣b值和第二坠砣b值的差值小于预设阈值时,返回二者均值作为最终测量的b值;当第一坠砣b值和第二坠砣b值的差值大于预设阈值时,返回步骤S11;
分级预警模块,用于根据采集的信息判断接触网补偿器健康状态并进行分级预警;所述判断接触网补偿器健康状态并进行分级预警;其中,所述判断接触网补偿器健康状态并进行分级预警,包括以下步骤:
S1、判断加速度是否异常同时验证b值是否突降;若加速度异常的同时b值突降,表示接触网补偿器的健康状态异常,则进行1A类预警,返回预警信息,本次检测结束;否则执行步骤S2;
S2、判断所述b值是否为0;若b值为0,表示接触网补偿器的健康状态异常,则进行1A类预警,返回预警信息,本次检测结束;否则执行步骤S3;
S3、判断所述b值是否随温度变化;若b值不随温度变化,表示接触网补偿器的健康状态异常,则进行1B类预警,返回预警信息,本次检测结束;否则执行步骤S1;
S4、判断相同环境温度下的b值差异;差异较大则表示接触网补偿器的健康状态异常,则进行2A类预警,返回预警信息,本次检测结束;否则执行步骤S1;
S5、设定第一阈值,判断所述b值是否在0至第一阈值之间;是则表示接触网补偿器的健康状态异常,则进行2A类预警,返回预警信息,本次检测结束;否则执行步骤S1;
S6、设定第二阈值,判断所述b值是否在第一阈值至第二阈值之间;是则表示接触网补偿器的健康状态异常,则进行2B类预警,返回预警信息,本次检测结束;否则执行步骤S1;
分级预警模块还用于基于时间序列的异常检测算法,构建覆冰状态预测模型,根据采集的信息利用覆冰状态预测模型判断接触网的覆冰状态,其中,覆冰状态预测模型基于时间序列的异常检测算法,并基于标注池的主动学习进行算法增强,将一次性大量标注模型训练样本的方式改成阶段性、周期性的标注;将标注后的样本用于覆冰状态预测模型,使得覆冰状态预测模型随着实时温度、b值的变化持续优化;
所述将一次性大量标注模型训练样本的方式改成阶段性、周期性的标注,包括:
在初始阶段,通过已标注数据集训练核心算法和样本不确定性度量模块;
训练完成后,核心算法将对未标注数据集的子集进行检测并输出结果,与此同时,样本不确定性度量模块将会对该子集的样本进行不确定性量化衡量,将该子集的样本不确定性量化结果排序后,从高往低选取多个样本加入待标注数据集;
标注者自行添加信息量较大样本加入待标注数据集,该信息量较大样本是人工判断的较难判定的样本,抑或是需要识别的新类别;
待标注数据集通过人工标注后和之前的已标注数据集进行合并,形成新的已标注数据集;
所述嵌入式智能监测终端包括供电单元,供电单元包括定时器,通过设定系统运行周期,在嵌入式智能监测终端不采集信息时,只保留核心的时钟频率,而其他外设进入休眠状态,当定时器叫醒时,恢复外设的时钟,监测终端采集数据后传输到后端远程服务器,再度进入休眠状态;
所述嵌入式智能监测终端与坠砣匹配使用,所述坠砣的侧面沿其半径方向开设有用于穿入坠砣杆的安装槽;智能监测终端嵌入式安装在坠砣的安装槽内;
所述坠砣为具有一定厚度的圆柱形结构,坠砣杆的杆体穿过堆叠在一起的多个坠砣的安装槽后对坠砣进行固定,坠砣杆底部设置有固定盘,坠砣依次堆叠在固定盘上;
所述嵌入式智能监测终端具有设备舱,所述设备舱的一端设置有安装外部铁箍的固定槽,使用时,先将设备舱安装在安装槽内,此时设备舱具有固定槽的一端设置在坠砣外部,之后再通过外部铁箍穿过固定槽将智能监测终端进行进一步固定;
所述设备舱底部设置有L型拓展卡槽和与L型拓展卡槽位置对应的走线孔。
6.根据权利要求5所述的一种接触网健康状态监测系统,其特征在于,所述嵌入式智能监测终端还包括数据采集单元、通讯单元、中央处理单元以及告警指示单元,所述供电单元分别与所述数据采集单元、通讯单元、中央处理单元以及告警指示单元连接,所述中央处理单元分别与所述数据采集单元、通讯单元、供电单元以及告警指示单元连接。
7.根据权利要求6所述的一种接触网健康状态监测系统,其特征在于,所述数据采集单元配置多种类型的低功耗物联网传感器,其中包括多种测距传感器。
8.根据权利要求6所述的一种接触网健康状态监测系统,其特征在于,告警指示单元接收预警信息时,将故障指示灯由绿变红,待预警信息消失,将故障指示灯有红变绿;所述供电单元包括定时器。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310306746.4A CN116337154B (zh) | 2023-03-27 | 2023-03-27 | 一种接触网健康状态监测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310306746.4A CN116337154B (zh) | 2023-03-27 | 2023-03-27 | 一种接触网健康状态监测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116337154A CN116337154A (zh) | 2023-06-27 |
CN116337154B true CN116337154B (zh) | 2024-04-19 |
Family
ID=86881898
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310306746.4A Active CN116337154B (zh) | 2023-03-27 | 2023-03-27 | 一种接触网健康状态监测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116337154B (zh) |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101709959A (zh) * | 2009-11-27 | 2010-05-19 | 湖南大学 | 一种输电线覆冰厚度的预测方法 |
CN102589612A (zh) * | 2012-01-18 | 2012-07-18 | 西安交通大学 | 电气化铁路接触网线夹过热故障智能诊断方法及在线监测系统 |
WO2012167579A1 (zh) * | 2011-06-10 | 2012-12-13 | 国网信息通信有限公司 | 电网输电线路监测方法和系统 |
WO2016033883A1 (zh) * | 2014-09-04 | 2016-03-10 | 国家电网公司 | 一种基于Adaboost的输电线舞动风险预警方法 |
CN108039774A (zh) * | 2017-12-29 | 2018-05-15 | 成都素寺图科技有限公司 | 一种光伏供电低功耗接触网及供电设备监测系统及方法 |
CN108622137A (zh) * | 2017-03-15 | 2018-10-09 | 河南蓝信科技股份有限公司 | 一种本务机车作业安全防护系统及其方法 |
CN110011864A (zh) * | 2019-05-17 | 2019-07-12 | 北京鼎兴达信息科技股份有限公司 | 一种高速铁路接触网安全状态监测方法 |
CN110059631A (zh) * | 2019-04-19 | 2019-07-26 | 中铁第一勘察设计院集团有限公司 | 接触网非接触式监测缺陷识别方法 |
CN110285762A (zh) * | 2019-07-08 | 2019-09-27 | 四川艾德瑞电气有限公司 | 接触网动态特性实时监控系统 |
CN110986791A (zh) * | 2019-12-16 | 2020-04-10 | 山西世纪同兴科技股份有限公司 | 电气化铁路接触网补偿装置ab值在线测量系统及测量方法 |
CN111896044A (zh) * | 2020-06-09 | 2020-11-06 | 山东信通电子股份有限公司 | 一种铁路接触网补偿装置的监测方法及设备 |
CN113320445A (zh) * | 2020-02-28 | 2021-08-31 | 中铁二院工程集团有限责任公司 | 一种接触网在线监测及隐患、故障智能判别预警系统 |
CN114781506A (zh) * | 2022-04-14 | 2022-07-22 | 湘潭大学 | 基于gg聚类与改进svdd的接触网健康状态识别方法 |
CN115131686A (zh) * | 2022-06-15 | 2022-09-30 | 浙江大学 | 一种基于主动学习和半监督学习的智能电力巡检方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113240180B (zh) * | 2021-05-18 | 2022-08-05 | 国网河南省电力公司电力科学研究院 | 一种基于Bayes-Adaboost改进算法的输电线路舞动预警方法 |
-
2023
- 2023-03-27 CN CN202310306746.4A patent/CN116337154B/zh active Active
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101709959A (zh) * | 2009-11-27 | 2010-05-19 | 湖南大学 | 一种输电线覆冰厚度的预测方法 |
WO2012167579A1 (zh) * | 2011-06-10 | 2012-12-13 | 国网信息通信有限公司 | 电网输电线路监测方法和系统 |
CN102589612A (zh) * | 2012-01-18 | 2012-07-18 | 西安交通大学 | 电气化铁路接触网线夹过热故障智能诊断方法及在线监测系统 |
WO2016033883A1 (zh) * | 2014-09-04 | 2016-03-10 | 国家电网公司 | 一种基于Adaboost的输电线舞动风险预警方法 |
CN108622137A (zh) * | 2017-03-15 | 2018-10-09 | 河南蓝信科技股份有限公司 | 一种本务机车作业安全防护系统及其方法 |
CN108039774A (zh) * | 2017-12-29 | 2018-05-15 | 成都素寺图科技有限公司 | 一种光伏供电低功耗接触网及供电设备监测系统及方法 |
CN110059631A (zh) * | 2019-04-19 | 2019-07-26 | 中铁第一勘察设计院集团有限公司 | 接触网非接触式监测缺陷识别方法 |
CN110011864A (zh) * | 2019-05-17 | 2019-07-12 | 北京鼎兴达信息科技股份有限公司 | 一种高速铁路接触网安全状态监测方法 |
CN110285762A (zh) * | 2019-07-08 | 2019-09-27 | 四川艾德瑞电气有限公司 | 接触网动态特性实时监控系统 |
CN110986791A (zh) * | 2019-12-16 | 2020-04-10 | 山西世纪同兴科技股份有限公司 | 电气化铁路接触网补偿装置ab值在线测量系统及测量方法 |
CN113320445A (zh) * | 2020-02-28 | 2021-08-31 | 中铁二院工程集团有限责任公司 | 一种接触网在线监测及隐患、故障智能判别预警系统 |
CN111896044A (zh) * | 2020-06-09 | 2020-11-06 | 山东信通电子股份有限公司 | 一种铁路接触网补偿装置的监测方法及设备 |
CN114781506A (zh) * | 2022-04-14 | 2022-07-22 | 湘潭大学 | 基于gg聚类与改进svdd的接触网健康状态识别方法 |
CN115131686A (zh) * | 2022-06-15 | 2022-09-30 | 浙江大学 | 一种基于主动学习和半监督学习的智能电力巡检方法 |
Non-Patent Citations (7)
Title |
---|
一种基于长短期记忆网络的线路覆冰预测模型研究;陈雨鸽;高伟;林鸿伟;阮肇华;郑为凑;林福;陈锦植;;电工电气(03);全文 * |
基于LSTM人工神经网络的输电线路覆冰灾害预警模型;黄绪勇;李晓帆;王艳涛;;中国战略新兴产业(44);全文 * |
基于RBF神经网络的输电线路覆冰短期预测研究;吴琼;黄筱婷;;贵州电力技术(11);全文 * |
基于样本不同属性综合的鲁棒偏倚赖主动学习分类算法研究;任大伟;胡正平;高文涛;;燕山大学学报(01);全文 * |
接触网承力索的覆冰厚度在线监测技术研究;韩婉娇等;铁道标准设计(第第05期期);第147-150+174页 * |
气象因素与接触网故障的相关性分析;郗伟杰;李东辉;;大连交通大学学报(05);全文 * |
韩婉娇 ; 刘明光 ; 王圣昆 ; 王娟 ; 王诗月 ; .接触网承力索的覆冰厚度在线监测技术研究.铁道标准设计.2018,(05),全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN116337154A (zh) | 2023-06-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102879692B (zh) | 一种多旋翼无人机检测绝缘子方法与装置 | |
CN110009037B (zh) | 一种基于物理信息耦合的工程风速短时预测方法及系统 | |
CN202815124U (zh) | 一种多旋翼无人机检测绝缘子装置 | |
Jiao et al. | Understanding relationship between accessibility and economic growth: a case study from China (1990–2010) | |
CN112834193B (zh) | 一种基于三维图的运营桥梁振动和健康状态异常预警方法 | |
CN113932758B (zh) | 一种路面平整度预测方法及装置 | |
CN114005278A (zh) | 一种高速公路基础设施群智能监测与预警系统及方法 | |
CN111582580A (zh) | 一种考虑人群污染物暴露的出行路径规划方法 | |
CN114819305B (zh) | 一种基于碳排放度量尺度下的路径规划方法 | |
CN108609202A (zh) | 飞行颠簸预测模型建立方法、预测方法及系统 | |
CN113320445B (zh) | 一种接触网在线监测及隐患、故障智能判别预警系统 | |
CN116337154B (zh) | 一种接触网健康状态监测方法及系统 | |
Li et al. | A novel test method for aerodynamic coefficient measurements of structures using wind generated by a moving vehicle | |
CN108762305B (zh) | 一种无人机避撞架空交流电力线路的预警装置 | |
CN208076016U (zh) | 一种基于振动信号支持向量机的gil故障在线监测系统 | |
Azzi et al. | Aeroelastic testing of span-wire traffic signal systems | |
CN111614161A (zh) | 一种交流10kv输电线路远程监测方法、系统、以及存储介质 | |
CN114676540B (zh) | 一种基于多信息融合的架空输电线路覆冰舞动预测方法 | |
Li et al. | Urban highway bridge structure health assessments using wireless sensor network | |
CN112345128B (zh) | 一种架空输电线路导地线机械力学监测分析方法 | |
CN114359003A (zh) | 一种基于云计算的轨道交通网信息化运营管理系统 | |
Ko et al. | Modal analysis of cable-stayed Kap Shui Mun Bridge taking cable local vibration into consideration | |
CN112903821A (zh) | 基于成组弹簧振子的桥站结构自振特性测试方法 | |
Santiago-Hernandez et al. | Predicting topographic effect multipliers in complex terrain with shallow neural networks | |
CN113358306B (zh) | 一种用于桥梁设施服役性能评估的标准化快速监测系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |