CN116611345A - 钢轨承受载重预测方法、装置、电子设备及存储介质 - Google Patents
钢轨承受载重预测方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN116611345A CN116611345A CN202310672307.5A CN202310672307A CN116611345A CN 116611345 A CN116611345 A CN 116611345A CN 202310672307 A CN202310672307 A CN 202310672307A CN 116611345 A CN116611345 A CN 116611345A
- Authority
- CN
- China
- Prior art keywords
- steel rail
- load
- bearing
- load bearing
- rail section
- 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 63
- 229910000831 Steel Inorganic materials 0.000 claims abstract description 240
- 239000010959 steel Substances 0.000 claims abstract description 240
- 238000012545 processing Methods 0.000 claims abstract description 86
- 230000008569 process Effects 0.000 claims abstract description 19
- 238000012549 training Methods 0.000 claims description 42
- 238000012423 maintenance Methods 0.000 claims description 30
- 230000006378 damage Effects 0.000 claims description 24
- 238000004590 computer program Methods 0.000 claims description 16
- 230000008439 repair process Effects 0.000 claims description 13
- 238000013528 artificial neural network Methods 0.000 claims description 12
- 230000007613 environmental effect Effects 0.000 claims description 4
- 238000012360 testing method Methods 0.000 claims description 3
- 238000006731 degradation reaction Methods 0.000 abstract description 9
- 230000015556 catabolic process Effects 0.000 abstract description 6
- 230000006870 function Effects 0.000 description 13
- 238000007726 management method Methods 0.000 description 11
- 238000012937 correction Methods 0.000 description 9
- 238000004891 communication Methods 0.000 description 8
- 230000008859 change Effects 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 5
- 238000001514 detection method Methods 0.000 description 5
- 230000004913 activation Effects 0.000 description 4
- 230000003902 lesion Effects 0.000 description 4
- 208000027418 Wounds and injury Diseases 0.000 description 3
- 201000010099 disease Diseases 0.000 description 3
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 3
- 208000014674 injury Diseases 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000001174 ascending effect Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000001902 propagating effect Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000003628 erosive effect Effects 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000011158 quantitative evaluation Methods 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000002945 steepest descent method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- 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
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/04—Ageing analysis or optimisation against ageing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
-
- 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
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Medical Informatics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明公开了一种钢轨承受载重预测方法、装置、电子设备及存储介质,其中,该方法包括:获取与当前待测钢轨段相对应的至少一个承受载重影响参数;基于预先训练完成的承受载重预测模型对至少一个承受载重影响参数进行处理,得到与当前待测钢轨段相对应的承受载重预测值;基于承受载重预测值和预设承受载重阈值,确定当前待测钢轨段的处理方式,以基于所述处理方式对所述当前待测钢轨段进行处理。本发明实施例的技术方案,实现了以钢轨段为单位长度分析钢轨承受载重,充分考虑了不同空间位置处钢轨劣化规律的异质性和不确定性等特征,有助于实现钢轨承受载重精细化管理,同时,提高了钢轨承受载重预测结果的准确率。
Description
技术领域
本发明涉及铁路安全技术领域,尤其涉及一种钢轨承受载重预测方法、装置、电子设备及存储介质。
背景技术
钢轨是铁路结构的重要组成设备,对轨道的整体性能至关重要,钢轨的健康状态直接关系到列车运行安全。随着铁路运行速度的不断提升,累计承受载重量不断增加,轨道动态受力不断加大,钢轨伤损类型呈多元化发展,钢轨使用寿命管理一直是保障线路安全最重要的环节之一。
目前,现有的钢轨承受载重评估方法通常是使用统一的承受载重评估模型来分析长达线路区间的钢轨平均承受载重,这种方式的缺点在于:未考虑一段钢轨在不同地理位置上钢轨寿命的差异性,难以对钢轨承受载重进行精细化分析,难以保证不同地理位置上钢轨承受载重预测结果的准确性。
发明内容
本发明提供了一种钢轨承受载重预测方法、装置、电子设备及存储介质,以实现以钢轨段为单位长度分析钢轨承受载重,充分考虑了不同空间位置处钢轨劣化规律的异质性和不确定性等特征,有助于实现钢轨承受载重精细化管理,同时,提高了钢轨承受载重预测结果的准确率。
根据本发明的一方面,提供了一种钢轨承受载重预测方法,该方法包括:
获取与当前待测钢轨段相对应的至少一个承受载重影响参数;其中,所述当前待测钢轨段是基于待测钢轨按照预设单位长度划分后得到的;
基于预先训练完成的承受载重预测模型对所述至少一个承受载重影响参数进行处理,得到与所述当前待测钢轨段相对应的承受载重预测值;其中,所述承受载重预测模型是基于与样本钢轨段相对应的至少一个样本承受载重影响参数和相应的钢轨段承受载重训练得到的;
基于所述承受载重预测值和预设承受载重阈值,确定所述当前待测钢轨段的处理方式,以基于所述处理方式对所述当前待测钢轨段进行处理;其中,所述预设承受载重阈值与所述当前待测钢轨段相对应。
根据本发明的另一方面,提供了一种钢轨承受载重预测装置,该装置包括:
影响参数获取模块,用于获取与当前待测钢轨段相对应的至少一个承受载重影响参数;其中,所述当前待测钢轨段是基于待测钢轨按照预设单位长度划分后得到的;
影响参数处理模块,用于基于预先训练完成的承受载重预测模型对所述至少一个承受载重影响参数进行处理,得到与所述当前待测钢轨段相对应的承受载重预测值;其中,所述承受载重预测模型是基于与样本钢轨段相对应的至少一个样本承受载重影响参数和相应的钢轨段承受载重训练得到的;
处理方式确定模块,用于基于所述承受载重预测值和预设承受载重阈值,确定所述当前待测钢轨段的处理方式,以基于所述处理方式对所述当前待测钢轨段进行处理;其中,所述预设承受载重阈值与所述当前待测钢轨段相对应。
根据本发明的另一方面,提供了一种电子设备,所述电子设备包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的计算机程序,所述计算机程序被所述至少一个处理器执行,以使所述至少一个处理器能够执行本发明任一实施例所述的钢轨承受载重预测方法。
根据本发明的另一方面,提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机指令,所述计算机指令用于使处理器执行时实现本发明任一实施例所述的钢轨承受载重预测方法。
本发明实施例的技术方案,通过获取与当前待测钢轨段相对应的至少一个承受载重影响参数,进一步的,基于预先训练完成的承受载重预测模型对至少一个承受载重影响参数进行处理,得到与当前待测钢轨段相对应的承受载重预测值,最后,基于承受载重预测值和预设承受载重阈值,确定当前待测钢轨段的处理方式,以基于处理方式对当前待测钢轨段进行处理,解决了现有技术中未考虑一段钢轨在不同地理位置上钢轨承载能力的差异性,难以对钢轨承受载重进行精细化分析,难以保证不同地理位置上钢轨承受载重预测结果的准确性等问题,实现了以钢轨段为单位长度分析钢轨承受载重,充分考虑了不同空间位置处钢轨劣化规律的异质性和不确定性等特征,有助于实现钢轨承受载重精细化管理,同时,提高了钢轨承受载重预测结果的准确率。
应当理解,本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征,也不用于限制本发明的范围。本发明的其它特征将通过以下的说明书而变得容易理解。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例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是根据本发明实施例一提供的一种钢轨承受载重预测方法的流程图;
图2是根据本发明实施例二提供的一种钢轨承受载重预测方法的流程图;
图3是根据本发明实施例三提供的一种钢轨承受载重预测装置的结构示意图;
图4是实现本发明实施例的钢轨承受载重预测方法的电子设备的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,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的实施例,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,都应当属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
实施例一
图1是本发明实施例一提供的一种钢轨承受载重预测方法的流程图,本实施例可适用于基于承受载重影响因素对铁路钢轨的承受载重进行预测的情况,该方法可以由钢轨承受载重预测装置来执行,该钢轨承受载重预测装置可以采用硬件和/或软件的形式实现,该钢轨承受载重预测装置可配置于终端和/或服务器中。如图1所示,该方法包括:
S110、获取与当前待测钢轨段相对应的至少一个承受载重影响参数。
在本实施例中,当前待测钢轨段可以为将待测钢轨按照预设单位长度进行划分后得到的任意钢轨段。其中,待测钢轨可以为需要进行承受载重检测的任意铁路钢轨。预设单位长度可以为任意长度,可选的,可以为1千米。需要说明的是,将待测钢轨按照1千米的长度进行划分的好处在于,一方面是由于相关规则中规定钢轨累计重伤数量达到2-4根/千米,则应进行线路钢轨换轨大修,而铁路现场在组织规划钢轨修理活动时的长度通常为1千米,因此,将钢轨段的划分长度设定为1千米符合现有的钢轨养修管理水平;另一方面是在1千米的长度范围内,影响钢轨状态变化的各类影响因素随空间位置的变化幅度较小,有利于影响因素的定量评价。
在本实施例中,承受载重影响参数可以为将影响钢轨承受载重的影响因素进行量化处理并进行归一化处理后得到的数据。可选的,承受载重影响参数可以包括但不限于钢轨探伤漏检参数、年均列车承受载重、钢轨伤损程度参数、轨道几何病害参数、钢轨材质参数、钢轨所处地段参数、钢轨所处环境参数、钢轨超期服役以及病害逾期未整治等。
需要说明的是,由于各个承受载重影响因素所对应的单位和量纲不同,部分数据范围较大,易导致模型输出的预测结果不准确,因此,在对各个承受载重影响因素进行量化处理后,还可以对量化处理的参数进行归一化处理,以得到承受载重影响参数。
在实际应用中,可以首先确定当前待测钢轨段,以及与当前待测钢轨段相对应的承受载重影响因素,进而,从铁路数据库中获取用于表征当前待测钢轨段生命周期状态的数据,并根据这些数据对至少一个承受载重影响因素进行量化以及归一化处理,从而得到与当前待测钢轨段相对应的至少一个承受载重影响参数。
S120、基于预先训练完成的承受载重预测模型对至少一个承受载重影响参数进行处理,得到与当前待测钢轨段相对应的承受载重预测值。
在本实施例中,在得到至少一个承受载重影响参数后,即可将其输入至预先训练完成的承受载重预测模型中,其中,承受载重预测模型可以为预先训练完成的,用于对钢轨所能承受的剩余承受载重进行预测的模型。示例性的,承受载重预测模型可以为基于BP神经网络构建得到的模型。本领域技术人员应当理解,反向传播(Back Propagation,BP)神经网络是一种多层的前馈神经网络,其主要的特点是:信号是正向传播的,而误差是反向传播的。BP神经网络的学习规则是使用最速下降法,通过反向传播来不断调整网络的权值和阈值,使网络的误差平方和最小。BP神经网络模型拓扑结构包括输入层、隐含层和输出层。承受载重可以为钢轨所能承受列车通过的最大重量,即,钢轨可以承受列车安全通过时所对应的最大重量。在实际应用过程中,可以用任意钢轨段的承受载重表征该钢轨段的使用寿命。
需要说明的是,在基于承受载重预测模型对至少一个承受载重影响参数进行处理之前,还可以对待训练模型进行训练,以得到承受载重预测模型,下面可以对待训练模型的训练过程进行详细说明:获取多个训练样本;将训练样本输入至待训练模型中,得到实际输出结果;基于实际输出结果和相应的钢轨段承受载重值,确定模型损失,以基于模型损失对待训练模型进行模型参数调整,得到承受载重预测模型。
需要说明的是,在对待训练模型进行训练之前,需要先获取训练样本,以基于训练样本来训练模型。为了提高模型的准确性,可以尽可能多而丰富的获取训练样本。
其中,训练样本中包括与样本钢轨段相对应的至少一个样本承受载重影响参数以及相应的理论承受载重值。
在本实施例中,样本钢轨段可以为任意铁路上行重车线按照预设单位长度划分后得到的钢轨段。样本承受载重影响参数可以为基于相应样本钢轨段的生命周期状态数据所确定的各项参数。需要说明的是,样本承受载重影响参数是与样本钢轨段相对应的,同时,样本承受载重影响因素也可以与样本钢轨段相对应的,即,不同的样本钢轨段所对应的样本承受载重影响因素可以是不同的,当然,也可以是相同的。理论承受载重值可以为样本钢轨段所应该对应的真实总承受载重。示例性的,可以通过获取样本钢轨段的历史大修时间,通过确定任意两次大修间的钢轨累计承受载重,并将该累计承受载重作为该样本钢轨段的理论承受载重值。
在本实施例中,待训练模型中的模型参数为默认值。通过训练样本对待训练模型中的模型参数进行修正,以得到承受载重预测模型。实际输出结果是将训练样本输入至待训练模型后输出的,与样本钢轨段相对应的承受载重。
在具体实施中,可以首先将样本钢轨按照预设单位长度划分为多个样本钢轨段,并基于各样本钢轨段的生命周期状态数据,确定与各样本钢轨段相对应的至少一个承受载重影响参数,基于这些信息构建至少一个训练样本,然后,将至少一个训练样本输入至待训练模型中,得到实际输出结果,进一步的,可以根据实际输出结果和训练样本中与相应样本钢轨段相对应的钢轨段承受载重值,确定待训练模型的模型损失,进而,基于模型损失对模型参数进行修正,具体来说,在利用模型损失对待训练模型中的模型参数进行修正时,可以是将损失函数收敛作为训练目标,比如训练误差是否小于预设误差,或误差变化是否趋于稳定,或者当前的迭代次数是否等于预设次数。若检测达到收敛条件,比如损失函数的训练误差小于预设误差,或者误差变化趋势趋于稳定,则可以表明该待训练模型训练完成,此时,可以停止迭代训练。若检测到当前未达到收敛条件,则可以进一步获取其他训练样本以对待训练模型继续进行训练,直至损失函数的训练误差在预设范围之内。当损失函数的训练误差达到收敛时,即可将训练完成的待训练模型作为承受载重预测模型,即,此时将至少一个承受载重影响参数输入至承受载重预测模型中 ,即可准确得到与相应待测钢轨段相对应的承受载重预测值。
S130、基于承受载重预测值和预设承受载重阈值,确定当前待测钢轨段的处理方式,以基于处理方式对当前待测钢轨段进行处理。
在本实施例中,预设承受载重阈值可以为钢轨段所能承受列车通过的最大重量。预设承受载重阈值可以为任意值,可选的,可以为6兆吨。需要说明的是,预设承受载重阈值与当前待测钢轨段相对应,即,不同的当前待测钢轨段对应不同的预设承受载重阈值。处理方式可以为对当前待测钢轨段进行后续处理时所对应的方式。可选的,处理方式可以为钢轨段维护和钢轨段更换等。其中,钢轨段维护可以为对钢轨段进行小范围的紧急补修;钢轨段更换可以为将旧钢轨段更换为新钢轨段所对应的操作。
在实际应用中,在得到与当前待测钢轨段相对应的承受载重预测值后,即可将该承受载重预测值与预设承受载重阈值进行比对,并根据比对结果,确定与当前待测钢轨段相对应的处理方式。
可选的,基于承受载重预测值和预设承受载重阈值,确定当前待测钢轨段的处理方式,包括:若承受载重预测值小于预设承受载重阈值,则将当前待测钢轨段的处理方式确定为钢轨段维护;若承受载重预测值大于等于预设承受载重阈值,则将当前待测钢轨段的处理方式确定为钢轨段更换。
在具体实施中,可以首先确定与当前待测钢轨段相对应的预设承受载重值,在得到与当前待测钢轨段相对应的承受载重预测值之后,即可将承受载重预测值与预设承受载重阈值进行比对,若承受载重预测值小于预设承受载重阈值,则可以确定当前待测钢轨段还可以继续使用,此时,可以将当前待测钢轨段的处理方式确定为钢轨段维护;若承受载重预测值大于等于预设承受载重阈值,则可以确定当前待测钢轨段无法再继续使用,此时,可以将当前待测钢轨段的处理方式确定为钢轨段更换。
进一步的,在确定当前待测钢轨段的处理方式后,即可基于相应的处理方式对当前待测钢轨段进行处理,下面可以分别对基于这两种处理方式对当前待测钢轨段进行处理的过程进行说明。
可选的,基于处理方式对当前待测钢轨段进行处理,包括:若处理方式为钢轨段维护,则基于预先获取的与当前待测钢轨段相对应的设备台账数据,确定当前待测钢轨段的伤损程度,以基于伤损程度对当前待测钢轨进行维护;或,若处理方式为钢轨段更换,则基于预设修理准则对当前钢轨段进行换轨大修。
在本实施例中,设备台账数据可以为存储在相关数据库中,用于表征钢轨段当前状态的数据。伤损程度可以用于表征钢轨段伤损情况的严重程度。可选的,伤损程度可以根据其对应的伤损严重程度划分为三个等级:I级、II级以及III级。需要说明的是,对于不同等级的伤损程度,其对应的维护方式也是不同的。示例性的,I级伤损的维护方式可以为记录伤损部位、伤损形式以及伤损区域尺寸;II级伤损的维护方式可以为列入维修计划并适时进行修补;III级伤损的维护方式可以为及时修补。预设修理准则可以为预先制定的,用于对钢轨维修标准以及维修方式进行限定的准则。
在具体实施中,若处理方式为钢轨段维护,则可以从相关数据库中获取与当前待测钢轨段相对应的设备台账数据,进而,通过对该设备台账数据进行数据分析,确定当前待测钢轨段的伤损形式和伤损区域尺寸,以基于这些信息确定当前待测钢轨段的伤损程度,以及伤损程度所对应的等级,进而,基于伤损程度所对应的等级,确定相应的维护方式,以基于已确定的维护方式,对当前待测钢轨段进行维护。
在具体实施中,若处理方式为钢轨段更换,则可以根据预设修理准则中所记录的钢轨修理流程对当前待测钢轨段进行换轨大修。
本发明实施例的技术方案,通过获取与当前待测钢轨段相对应的至少一个承受载重影响参数,进一步的,基于预先训练完成的承受载重预测模型对至少一个承受载重影响参数进行处理,得到与当前待测钢轨段相对应的承受载重预测值,最后,基于承受载重预测值和预设承受载重阈值,确定当前待测钢轨段的处理方式,以基于处理方式对当前待测钢轨段进行处理,解决了现有技术中未考虑一段钢轨在不同地理位置上钢轨承载能力的差异性,难以对钢轨承受载重进行精细化分析,难以保证不同地理位置上钢轨承受载重预测结果的准确性等问题,实现了以钢轨段为单位长度分析钢轨承受载重,充分考虑了不同空间位置处钢轨劣化规律的异质性和不确定性等特征,有助于实现钢轨承受载重精细化管理,同时,提高了钢轨承受载重预测结果的准确率。
实施例二
图2是本发明实施例二提供的一种钢轨承受载重预测方法的流程图,在前述实施例的基础上,可以预先确定当前待测钢轨段以及与当前待测钢轨段相对应的至少一个承受载重影响参数,以基于至少一个承受载重影响参数好预先训练完成的承受载重预测模型,确定与当前待测钢轨段相对应的承受载重预测值。其具体的实施方式可以参见本实施例技术方案。其中,与上述实施例相同或者相应的技术术语在此不再赘述。
如图2所示,该方法包括:
S210、获取与待测钢轨相对应的设备台账数据和钢轨维修数据。
在本实施例中,待测钢轨可以为需要进行承受载重检测的铁路钢轨。设备台账数据可以为预先存储在相关数据库中,用于表征待测钢轨从上道使用开始,直至当前时刻所对应的钢轨整体情况的资料记录。钢轨维修数据可以为用于表征待测钢轨从上道使用开始,直至当前时刻所对应的钢轨维修情况的数据。
在实际应用过程中,可以首先确定待测钢轨,并基于待测钢轨所对应的标识信息或者待测钢轨所处铁路线信息,从相关数据库中调取与待测钢轨相对应的设备台账数据和钢轨维修数据,从而可以基于这些数据对待测钢轨的承受载重进行分析。
S220、根据预设单位长度将待测钢轨划分为至少一个待测钢轨段,并基于设备台账数据和钢轨维修数据,确定与各待测钢轨段相对应的生命周期状态数据。
在本实施例中,生命周期状态数据可以为用于表征待测钢轨段从上道使用开始,直至当前时刻的钢轨段状态特征的数据。
在实际应用过程中,由于钢轨设备具有带状分布的特点,其劣化过程受多种异质性因素的影响,并且,钢轨劣化过程随着空间位置的变化而变化,因此,可以将带状分布的钢轨设备离散化,划分为较小的钢轨网格,以网格为单位对钢轨的劣化过程进行分析。
基于此,在确定待测钢轨以及与待测钢轨相对应的设备台账数据和钢轨维修数据,可以按照预设单位长度将待测钢轨划分为至少一个待测钢轨段,进一步的,将已获取的待测钢轨的设备台账数据和钢轨维修数据进行整合,从空间位置维度,以待测钢轨段为纽带整合各待测钢轨段全生命过程中建设和运营阶段产生的状态数据信息,以得到与各待测钢轨段相对应的生命周期状态数据。
S230、对于各待测钢轨段,根据当前待测钢轨段所对应的生命周期状态数据,以及预先确定的与至少一个承受载重影响因素相对应的参数确定方式,确定与当前待测钢轨段相对应的至少一个承受载重影响参数。
在本实施例中,承受载重影响因素可以为决定钢轨承受载重的原因或条件。可选的,承受载重影响因素包括人为因素、设备因素、环境因素以及管理因素中的至少一项。其中,人为因素可以包括钢轨探伤漏检;设备因素可以包括年均通过总重、钢轨伤损程度、轨道几何病害以及钢轨材质;环境因素可以包括曲线地段特征、坡道地段特征、路基沉降、上拱量、昼夜温差、风沙、风蚀地段特征以及特殊路段特征;管理因素可以包括钢轨超期服役和病害逾期未整治。相应的,对于每一种承受载重影响因素,均有其相对应的参数确定方式。其中,参数确定方式可以为确定各个承受载重影响参数时所对应的公式。
示例性的,可以基于下表1表示各个承受载重影响因素的参数确定方式。
表1 承受载重影响因素的参数确定方式
在具体实施中,可以首先确定与待测钢轨段相对应的至少一个承受载重影响因素以及相应的参数确定方式,对于各待测钢轨段,将当前待测钢轨段所对应的生命周期状态数据代入至各个参数确定方式中,从而可以得到与当前待测钢轨段相对应的至少一个承受载重影响参数。
S240、获取与当前待测钢轨段相对应的至少一个承受载重影响参数。
S250、基于预先训练完成的承受载重预测模型对至少一个承受载重影响参数进行处理,得到与当前待测钢轨段相对应的承受载重预测值。
S260、基于承受载重预测值和预设承受载重阈值,确定当前待测钢轨段的处理方式,以基于处理方式对当前待测钢轨段进行处理。
示例性的,可以选取某铁路上行重车线K20+000-K70+000里程范围内共50个钢轨段作为样本钢轨段,根据该铁路上行重车线在2013年1月至2018年12月的设备台账数据及钢轨维修数据,确定与这些样本钢轨段相对应的11个承受载重影响参数,并根据样本钢轨段在两次大修间的钢轨累计承受总重,确定与样本钢轨段所对应的承受载重,基于这些信息构建50个训练样本。
需要说明的是,考虑到各个承受载重影响参数的单位和量纲不同,部分数据范围较大,易导致神经网络收敛慢,训练时间长,因此,在进行模型训练时,可以基于下述公式对各个承受载重影响参数进行归一化处理,以使各个承受载重影响参数均处于[0,1]之间。
其中,表示承受载重影响参数归一化后的结果,/>表示承受载重影响参数,表示各承受载重影响参数中的最小值,/>表示各承受载重影响参数中的最大值。
进一步的,基于归一化后的训练样本,利用BP神经网络中的学习算法对网络的连接权值与阈值进行训练调整。
示例性的,可以将BP神经网络模型作为待训练模型,其中,待训练模型中的输入层节点数即为承受载重影响参数的数量,例如,输入层节点数为11,输出层节点数即为钢轨段承受载重,节点数为1,隐含层的节点数与网络训练精度相关度较高,节点数太少,从样本中获取信息的能力不足,节点数太多,会导致训练时间过长,出现“过度拟合”现象,因此,可以基于下述公式确定隐含层的节点数:
其中,表示隐含层节点数,/>表示输入层节点数,/>表示输出层节点数。
示例性的,BP神经网络的输入向量可以为,输出节点的期望输出为/>,选取Sigmoid函数作为网络的传播函数,则隐含层单元的激活值为:
其中,表示隐含层单元的激活值,/>表示输入层第q个节点与隐含层第n个节点之间的连接权值,/>表示输入向量,/>表示隐含层第n个节点的阈值,N为隐含层节点总数。
由此可得隐含层节点输出为:
其中,表示隐含层节点输出值,/>表示隐含层的激励函数,/>表示隐含层单元的激活值。
同理,对于神经网络输出层有:
其中,表示隐含层单元的激活值,/>表示隐含层第n个节点与输出层第m个节点之间的连接权值,/>表示输出层第m个节点的阈值,/>表示输出层的实际输出结果,M表示输出层节点总数。
在本计算过程中,初始权值取值在(−1,1)之间的随机数,学习速率采用变化的自适应学习速率,使网络在不同的阶段设置不同大小的学习速率。
误差反向传播是基于Widrow-Hoff学习规则计算每一个单元的输出误差,依据误差自动调节单元间的连接权值和阈值,使误差的平方和达到最小,每个钢轨段g承受载重的平方误差函数为:
(1)误差函数对隐含层与输出层节点间的权值为:
输出层节点误差为:
其中,表示输出层节点误差。
(2)误差函数对输入层与隐含层节点间的权值求导:
隐含层节点误差为:
(3)权值修正
BP神经网络的主要目的是通过反复修正权值和阈值,使得误差函数值最小。Widrow-Hoff学习规则通过沿着相对误差平方和的最速下降方向连续修正网络的权值和阈值,根据梯度下降法规则,权值矢量的修正正比于当前位置上的梯度,令/>表示自适应学习速率,则隐含层与输出层节点间的权值变化为:
其中,表示自适应学习速率,/>表示权值向量的修正正比。
隐含层与输出层间权值修正公式为:
其中,k表示任意节点。
输入层与隐含层节点间的权值变化为:
(4)阈值修正
BP神经网络的阈值修正原理与权值修正相同。
1)输出层阈值修正:
2)隐含层阈值修正:
其中,表示输出层第n个节点的阈值。
进一步的,在基于45个训练样本和5个测试样本对BP神经网络训练以及测试完成后,即可得到承受载重预测模型,在实际应用过程中,在得到与任意待测钢轨段的承受载重影响参数后,即可将这些承受载重影响参数输入至承受载重预测模型中,以得到与相应待测钢轨段相对应的承受载重预测值。
本发明实施例的技术方案,通过获取与当前待测钢轨段相对应的至少一个承受载重影响参数,进一步的,基于预先训练完成的承受载重预测模型对至少一个承受载重影响参数进行处理,得到与当前待测钢轨段相对应的承受载重预测值,最后,基于承受载重预测值和预设承受载重阈值,确定当前待测钢轨段的处理方式,以基于处理方式对当前待测钢轨段进行处理,解决了现有技术中未考虑一段钢轨在不同地理位置上钢轨承载能力的差异性,难以对钢轨承受载重进行精细化分析,难以保证不同地理位置上钢轨承受载重预测结果的准确性等问题,实现了以钢轨段为单位长度分析钢轨承受载重,充分考虑了不同空间位置处钢轨劣化规律的异质性和不确定性等特征,有助于实现钢轨承受载重精细化管理,同时,提高了钢轨承受载重预测结果的准确率。
实施例三
图3是本发明实施例三提供的一种钢轨承受载重预测装置的结构示意图。如图3所示,该装置包括:影响参数获取模块310、影响参数处理模块320以及处理方式确定模块330。
其中,影响参数获取模块310,用于获取与当前待测钢轨段相对应的至少一个承受载重影响参数;其中,所述当前待测钢轨段是基于待测钢轨按照预设单位长度划分后得到的;
影响参数处理模块320,用于基于预先训练完成的承受载重预测模型对所述至少一个承受载重影响参数进行处理,得到与所述当前待测钢轨段相对应的承受载重预测值;其中,所述承受载重预测模型是基于与样本钢轨段相对应的至少一个样本承受载重影响参数和相应的钢轨段承受载重训练得到的;
处理方式确定模块330,用于基于所述承受载重预测值和预设承受载重阈值,确定所述当前待测钢轨段的处理方式,以基于所述处理方式对所述当前待测钢轨段进行处理;其中,所述预设承受载重阈值与所述当前待测钢轨段相对应。
本发明实施例的技术方案,通过获取与当前待测钢轨段相对应的至少一个承受载重影响参数,进一步的,基于预先训练完成的承受载重预测模型对至少一个承受载重影响参数进行处理,得到与当前待测钢轨段相对应的承受载重预测值,最后,基于承受载重预测值和预设承受载重阈值,确定当前待测钢轨段的处理方式,以基于处理方式对当前待测钢轨段进行处理,解决了现有技术中未考虑一段钢轨在不同地理位置上钢轨承载能力的差异性,难以对钢轨承受载重进行精细化分析,难以保证不同地理位置上钢轨承受载重预测结果的准确性等问题,实现了以钢轨段为单位长度分析钢轨承受载重,充分考虑了不同空间位置处钢轨劣化规律的异质性和不确定性等特征,有助于实现钢轨承受载重精细化管理,同时,提高了钢轨承受载重预测结果的准确率。
可选的,所述装置还包括:数据获取模块、生命周期状态数据确定模块以及承受载重影响参数确定模块。
数据获取模块,用于获取与待测钢轨相对应的设备台账数据和钢轨维修数据;
生命周期状态数据确定模块,用于根据预设单位长度将所述待测钢轨划分为至少一个待测钢轨段,并基于所述设备台账数据和所述钢轨维修数据,确定与各所述待测钢轨段相对应的生命周期状态数据;
承受载重影响参数确定模块,用于对于各所述待测钢轨段,根据当前待测钢轨段所对应的生命周期状态数据,以及预先确定的与至少一个承受载重影响因素相对应的参数确定方式,确定与所述当前待测钢轨段相对应的至少一个承受载重影响参数。
可选的,所述承受载重影响因素包括人为因素、设备因素、环境因素以及管理因素中的至少一项。
可选的,处理方式确定模块330包括:处理方式第一确定单元和处理方式第二确定单元。
处理方式第一确定单元,用于若所述承受载重预测值小于所述预设承受载重阈值,则将所述当前待测钢轨段的处理方式确定为钢轨段维护;
处理方式第二确定单元,用于若所述承受载重预测值大于等于所述预设承受载重阈值,则将所述当前待测钢轨段的处理方式确定为钢轨段更换。
可选的,处理方式确定模块330包括:伤损程度确定单元和钢轨段换轨大修单元。
伤损程度确定单元,用于若所述处理方式为钢轨段维护,则基于预先获取的与所述当前待测钢轨段相对应的生命周期状态数据,确定所述当前待测钢轨段的伤损程度,以基于所述伤损程度对所述当前待测钢轨进行维护;或,
钢轨段换轨大修单元,用于若所述处理方式为钢轨段更换,则基于预设修理准则对所述当前钢轨段进行换轨大修。
可选的,所述装置还包括:训练样本获取模块、实际输出结果确定模块以及模型损失确定模块。
训练样本获取模块,用于获取多个训练样本,其中,所述训练样本中包括:与样本钢轨段相对应的至少一个样本承受载重影响参数以及相应的钢轨段承受载重值;
实际输出结果确定模块,用于将所述训练样本输入至待训练模型中,得到实际输出结果;
模型损失确定模块,用于基于所述实际输出结果和相应的钢轨段承受载重值,确定模型损失,以基于模型损失对所述待训练模型进行模型参数调整,得到承受载重预测模型。
可选的,所述承受载重预测模型是基于BP神经网络构建得到的。
本发明实施例所提供的钢轨承受载重预测装置可执行本发明任意实施例所提供的钢轨承受载重预测方法,具备执行方法相应的功能模块和有益效果。
实施例四
图4示出了可以用来实施本发明的实施例的电子设备10的结构示意图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备(如头盔、眼镜、手表等)和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本发明的实现。
如图X所示,电子设备10包括至少一个处理器11,以及与至少一个处理器11通信连接的存储器,如只读存储器(ROM)12、随机访问存储器(RAM)13等,其中,存储器存储有可被至少一个处理器执行的计算机程序,处理器11可以根据存储在只读存储器(ROM)12中的计算机程序或者从存储单元18加载到随机访问存储器(RAM)13中的计算机程序,来执行各种适当的动作和处理。在RAM 13中,还可存储电子设备10操作所需的各种程序和数据。处理器11、ROM 12以及RAM 13通过总线14彼此相连。输入/输出(I/O)接口15也连接至总线14。
电子设备10中的多个部件连接至I/O接口15,包括:输入单元16,例如键盘、鼠标等;输出单元17,例如各种类型的显示器、扬声器等;存储单元18,例如磁盘、光盘等;以及通信单元19,例如网卡、调制解调器、无线通信收发机等。通信单元19允许电子设备10通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
处理器11可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器11的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。处理器11执行上文所描述的各个方法和处理,例如钢轨承受载重预测方法。
在一些实施例中,钢轨承受载重预测方法可被实现为计算机程序,其被有形地包含于计算机可读存储介质,例如存储单元18。在一些实施例中,计算机程序的部分或者全部可以经由ROM 12和/或通信单元19而被载入和/或安装到电子设备10上。当计算机程序加载到RAM 13并由处理器11执行时,可以执行上文描述的钢轨承受载重预测方法的一个或多个步骤。备选地,在其他实施例中,处理器11可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行钢轨承受载重预测方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器,使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本发明的上下文中,计算机可读存储介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的计算机程序。计算机可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。备选地,计算机可读存储介质可以是机器可读信号介质。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在电子设备上实施此处描述的系统和技术,该电子设备具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给电子设备。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)、区块链网络和互联网。
计算系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,又称为云计算服务器或云主机,是云计算服务体系中的一项主机产品,以解决了传统物理主机与VPS服务中,存在的管理难度大,业务扩展性弱的缺陷。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发明中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本发明的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本发明保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等,均应包含在本发明保护范围之内。
Claims (10)
1.一种钢轨承受载重预测方法,其特征在于,包括:
获取与当前待测钢轨段相对应的至少一个承受载重影响参数;其中,所述当前待测钢轨段是基于待测钢轨按照预设单位长度划分后得到的;
基于预先训练完成的承受载重预测模型对所述至少一个承受载重影响参数进行处理,得到与所述当前待测钢轨段相对应的承受载重预测值;其中,所述承受载重预测模型是基于与样本钢轨段相对应的至少一个样本承受载重影响参数和相应的钢轨段承受载重训练得到的;
基于所述承受载重预测值和预设承受载重阈值,确定所述当前待测钢轨段的处理方式,以基于所述处理方式对所述当前待测钢轨段进行处理;其中,所述预设承受载重阈值与所述当前待测钢轨段相对应。
2.根据权利要求1所述的方法,其特征在于,还包括:
获取与待测钢轨相对应的设备台账数据和钢轨维修数据;
根据预设单位长度将所述待测钢轨划分为至少一个待测钢轨段,并基于所述设备台账数据和所述钢轨维修数据,确定与各所述待测钢轨段相对应的生命周期状态数据;
对于各所述待测钢轨段,根据当前待测钢轨段所对应的生命周期状态数据,以及预先确定的与至少一个承受载重影响因素相对应的参数确定方式,确定与所述当前待测钢轨段相对应的至少一个承受载重影响参数。
3.根据权利要求2所述的方法,其特征在于,所述承受载重影响因素包括人为因素、设备因素、环境因素以及管理因素中的至少一项。
4.根据权利要求1所述的方法,其特征在于,所述基于所述承受载重预测值和预设承受载重阈值,确定所述当前待测钢轨段的处理方式,包括:
若所述承受载重预测值小于所述预设承受载重阈值,则将所述当前待测钢轨段的处理方式确定为钢轨段维护;
若所述承受载重预测值大于等于所述预设承受载重阈值,则将所述当前待测钢轨段的处理方式确定为钢轨段更换。
5.根据权利要求4所述的方法,其特征在于,所述基于所述处理方式对所述当前待测钢轨段进行处理,包括:
若所述处理方式为钢轨段维护,则基于预先获取的与所述当前待测钢轨段相对应的生命周期状态数据,确定所述当前待测钢轨段的伤损程度,以基于所述伤损程度对所述当前待测钢轨进行维护;或,
若所述处理方式为钢轨段更换,则基于预设修理准则对所述当前待测钢轨段进行换轨大修。
6.根据权利要求1所述的方法,其特征在于,还包括:
获取多个训练样本,其中,所述训练样本中包括:与样本钢轨段相对应的至少一个样本承受载重影响参数以及相应的钢轨段承受载重;
将所述训练样本输入至待训练模型中,得到实际输出结果;
基于所述实际输出结果和相应的钢轨段承受载重,确定模型损失,以基于模型损失对所述待训练模型进行模型参数调整,得到承受载重预测模型。
7.根据权利要求1所述的方法,其特征在于,所述承受载重预测模型是基于BP神经网络构建得到的。
8.一种钢轨承受载重预测装置,其特征在于,包括:
影响参数获取模块,用于获取与当前待测钢轨段相对应的至少一个承受载重影响参数;其中,所述当前待测钢轨段是基于待测钢轨按照预设单位长度划分后得到的;
影响参数处理模块,用于基于预先训练完成的承受载重预测模型对所述至少一个承受载重影响参数进行处理,得到与所述当前待测钢轨段相对应的承受载重预测值;其中,所述承受载重预测模型是基于与样本钢轨段相对应的至少一个样本承受载重影响参数和相应的钢轨段承受载重训练得到的;
处理方式确定模块,用于基于所述承受载重预测值和预设承受载重阈值,确定所述当前待测钢轨段的处理方式,以基于所述处理方式对所述当前待测钢轨段进行处理;其中,所述预设承受载重阈值与所述当前待测钢轨段相对应。
9.一种电子设备,其特征在于,所述电子设备包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的计算机程序,所述计算机程序被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-7中任一项所述的钢轨承受载重预测方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机指令,所述计算机指令用于使处理器执行时实现权利要求1-7中任一项所述的钢轨承受载重预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310672307.5A CN116611345A (zh) | 2023-06-08 | 2023-06-08 | 钢轨承受载重预测方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310672307.5A CN116611345A (zh) | 2023-06-08 | 2023-06-08 | 钢轨承受载重预测方法、装置、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116611345A true CN116611345A (zh) | 2023-08-18 |
Family
ID=87679947
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310672307.5A Pending CN116611345A (zh) | 2023-06-08 | 2023-06-08 | 钢轨承受载重预测方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116611345A (zh) |
-
2023
- 2023-06-08 CN CN202310672307.5A patent/CN116611345A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109086804B (zh) | 一种基于多源状态监测信息和可靠性特征融合的液压设备早期故障预测方法 | |
CN111144542B (zh) | 油井产能预测方法、装置和设备 | |
CN110288210B (zh) | 项目级道路基础设施综合养护决策方法及系统 | |
CN109388888B (zh) | 一种基于车辆荷载空间分布的桥梁结构使用性能预测方法 | |
CN107153874A (zh) | 水质预测方法及系统 | |
CN113255811A (zh) | 一种基于bim的梁式桥多源异构数据融合决策系统 | |
CN104462808A (zh) | 安全水平位移与水位的滑动可变窗口动态数据拟合方法 | |
CN113868953B (zh) | 工业系统中多机组运行优化方法、装置、系统及存储介质 | |
WO2017071369A1 (zh) | 一种预测用户离网的方法和设备 | |
CN108961460B (zh) | 基于稀疏esgp与多目标优化的故障预测方法及装置 | |
WO2024041233A1 (zh) | 桥梁结构多因素耦合作用疲劳损伤与寿命的评估方法 | |
JP7382522B1 (ja) | 動的貯水容量の影響を考慮した貯水池の超短期水位予測方法、システムおよび記憶媒体 | |
CN116307215A (zh) | 一种电力系统的负荷预测方法、装置、设备及存储介质 | |
CN114266384A (zh) | 一种基于融合模型的快速预测台风路径的方法及其装置 | |
CN116415481A (zh) | 区域滑坡灾害风险预测方法、装置、计算机设备及存储介质 | |
JP2024077563A (ja) | 動的貯水容量の影響を考慮した貯水池の超短期水位予測方法、システムおよび記憶媒体 | |
CN115049315A (zh) | 一种用电安全风险评估方法、装置、设备及存储介质 | |
CN115526258A (zh) | 基于Spearman相关系数特征提取的电力系统暂稳评估方法 | |
CN107316103A (zh) | 基于回声状态网络的景点动态质量预测方法 | |
CN113742993A (zh) | 干式变压器寿命损失预测方法、装置、设备及存储介质 | |
CN116739742A (zh) | 信贷风控模型的监控方法、装置、设备及存储介质 | |
CN116960962A (zh) | 一种跨区域数据融合的中长期区域负荷预测方法 | |
CN116611345A (zh) | 钢轨承受载重预测方法、装置、电子设备及存储介质 | |
Stevens et al. | Conversion Of Legacy Inspection Data To Bridge Condition Index (BCI) To Establish Baseline Deterioration Condition History For Predictive Maintenance Models. | |
CN116011345A (zh) | 绝缘子信息预测模型生成方法、装置、设备及介质 |
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 |