CN116691768B - 一种道岔监控方法及系统 - Google Patents
一种道岔监控方法及系统 Download PDFInfo
- Publication number
- CN116691768B CN116691768B CN202310982659.0A CN202310982659A CN116691768B CN 116691768 B CN116691768 B CN 116691768B CN 202310982659 A CN202310982659 A CN 202310982659A CN 116691768 B CN116691768 B CN 116691768B
- Authority
- CN
- China
- Prior art keywords
- turnout
- data
- information
- state
- real
- 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 93
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000012545 processing Methods 0.000 claims abstract description 78
- 230000003068 static effect Effects 0.000 claims abstract description 50
- 238000007405 data analysis Methods 0.000 claims abstract description 18
- 238000004891 communication Methods 0.000 claims abstract description 7
- 238000004458 analytical method Methods 0.000 claims description 41
- 239000002245 particle Substances 0.000 claims description 29
- 238000003062 neural network model Methods 0.000 claims description 21
- 238000004364 calculation method Methods 0.000 claims description 19
- 238000005457 optimization Methods 0.000 claims description 17
- 238000012795 verification Methods 0.000 claims description 16
- 238000007781 pre-processing Methods 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 11
- 238000012549 training Methods 0.000 claims description 11
- 230000004927 fusion Effects 0.000 claims description 9
- 239000011159 matrix material Substances 0.000 claims description 8
- 238000012163 sequencing technique Methods 0.000 claims description 7
- 238000012098 association analyses Methods 0.000 claims description 6
- 230000002159 abnormal effect Effects 0.000 claims description 5
- 238000012937 correction Methods 0.000 claims description 4
- 238000007499 fusion processing Methods 0.000 claims description 4
- 238000010219 correlation analysis Methods 0.000 claims description 2
- 238000013507 mapping Methods 0.000 claims 2
- 238000012423 maintenance Methods 0.000 description 11
- 229910000831 Steel Inorganic materials 0.000 description 5
- 230000006378 damage Effects 0.000 description 5
- 239000010959 steel Substances 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 4
- 230000001133 acceleration Effects 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000005856 abnormality Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000002360 preparation method Methods 0.000 description 2
- 208000027418 Wounds and injury Diseases 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 206010016256 fatigue Diseases 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 208000014674 injury Diseases 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B61—RAILWAYS
- B61L—GUIDING RAILWAY TRAFFIC; ENSURING THE SAFETY OF RAILWAY TRAFFIC
- B61L5/00—Local operating mechanisms for points or track-mounted scotch-blocks; Visible or audible signals; Local operating mechanisms for visible or audible signals
- B61L5/10—Locking mechanisms for points; Means for indicating the setting of points
- B61L5/102—Controlling electrically
Landscapes
- Engineering & Computer Science (AREA)
- Mechanical Engineering (AREA)
- Train Traffic Observation, Control, And Security (AREA)
Abstract
本发明提供了一种道岔监控方法及系统,涉及轨道交通技术领域,包括获取第一信息,所述第一信息包括道岔的动态监控数据和静态监控数据,将所述第一信息发送至数据分析模块进行数据分析处理,得到道岔的实时状态信息;将所述道岔的实时状态信息发送至道岔状态预测模块进行道岔状态预测,预测得到道岔未来预设时间段的实时状态信息;将所述道岔的实时状态信息和所述道岔未来预设时间段的实时状态信息发送至监控人员的通讯设备。本发明可以实时确定道岔的实时状态,可有效提高监测结果的准确率,同时分类别结果输出方式,可有效节省用户的时间。
Description
技术领域
本发明涉及轨道交通技术领域,具体而言,涉及一种道岔监控方法及系统。
背景技术
随着铁路技术发展,铁路尤其是地铁运营压力逐渐增大,单日千万级的客流冲击对一线城市的运维管理造成很大的压力。运营安全关系人民群众的财产安全,因此对轨道部件的实时监控日渐重要,特别是对于道岔的监测,其中,道岔作为轨道薄弱环节之一,实时监测道岔使用状态,可以及时排除安全隐患,保证行车安全,因此现需要一种能够实时监控道岔状态的方法及系统,快速确定安全隐患,及时上传数据,保障铁路运行安全。
发明内容
本发明的目的在于提供一种方法及系统,以改善上述问题。为了实现上述目的,本发明采取的技术方案如下:
一方面,本申请提供了一种道岔监控方法,包括:
获取第一信息,所述第一信息包括道岔的动态监控数据和静态监控数据,所述动态监控数据为传感器在车辆行驶过程中采集到的道岔数据,所述静态监控数据为车辆未经过道岔时传感器实时监测到的道岔数据;
将所述第一信息发送至数据分析模块进行数据分析处理,得到道岔的实时状态信息;
将所述道岔的实时状态信息发送至道岔状态预测模块进行道岔状态预测,预测得到道岔未来预设时间段的实时状态信息;
将所述道岔的实时状态信息和所述道岔未来预设时间段的实时状态信息发送至监控人员的通讯设备。
另一方面,本申请还提供了一种道岔监控系统,包括:
获取单元,用于获取第一信息,所述第一信息包括道岔的动态监控数据和静态监控数据,所述动态监控数据为传感器在车辆行驶过程中采集到的道岔数据,所述静态监控数据为车辆未经过道岔时传感器实时监测到的道岔数据;
处理单元,用于将所述第一信息发送至数据分析模块进行数据分析处理,得到道岔的实时状态信息;
预测单元,用于将所述道岔的实时状态信息发送至道岔状态预测模块进行道岔状态预测,预测得到道岔未来预设时间段的实时状态信息;
发送单元,用于将所述道岔的实时状态信息和所述道岔未来预设时间段的实时状态信息发送至监控人员的通讯设备。
本发明的有益效果为:
本发明通过对道岔进行动态监控和静态监控,然后基于动态监控数据和静态监控数据进行综合分析,实时确定道岔的实时状态,可有效提高监测结果的准确率,同时分类别结果输出方式,可有效节省用户的时间,同时,系统可根据分析结果提供建议,供用户参考,提高了地铁道岔养护的针对性、有效性,能有效降低养护维修工作量,保证地铁运营安全,具有非常大的经济和社会效益。
本发明的其他特征和优点将在随后的说明书阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明实施例了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对范围的限定,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相关的附图。
图1为本发明实施例中所述的道岔监控方法流程示意图;
图2为本发明实施例中所述的道岔监控系统结构示意图。
图中:701、获取单元;702、处理单元;703、预测单元;704、发送单元;7021、第一处理子单元;7022、第二处理子单元;7023、第一分析子单元;70211、第二分析子单元;70212、第三分析子单元;70213、第一计算子单元;70214、第二计算子单元;70221、第三处理子单元;70222、第三计算子单元;70223、第四计算子单元;70224、第四处理子单元;70231、第五处理子单元;70232、第一判断子单元;70233、第二判断子单元;70234、第三判断子单元;7031、第一预测子单元;7032、第二预测子单元;7033、第三预测子单元;7034、第四预测子单元。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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,所描述的实施例是本发明一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。基于本发明中的实施例,本领域普通技术人员在没有作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。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。同时,在本发明的描述中,术语“第一”、“第二”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
实施例1:
本实施例提供了一种道岔监控方法。
参见图1,图中示出了本方法包括步骤S1、步骤S2、步骤S3和步骤S4。
步骤S1、获取第一信息,所述第一信息包括道岔的动态监控数据和静态监控数据,所述动态监控数据为传感器在车辆行驶过程中采集到的道岔数据,所述静态监控数据为车辆未经过道岔时传感器实时监测到的道岔数据;
可以理解的是所述静态监控数据为采集线路服役道岔的静态实时数据,采集对象为存在疲劳性发展的安全性指标,包含钢轨裂纹、断轨等数据,其中监测系统由现场传感器集成模块、现场道岔监测分机、车站道岔监测主机、道岔监测中心、用户终端、传输通道组成。
本发明还设置了现场传感器集成模块,所述现场传感器集成模块主要由压电传感器组成,将压电传感器通过传感器夹具安装在钢轨轨底侧面,压电传感器在外力作用下,压电材料表面会产生极化荷载,从而实现力学信号与电学信号的相互转换,根据声发生原理,钢轨损伤将伴随声发射信号,声波通过钢轨介质传递,将被传感器捕捉,即通过压电传感器形成原始数据的采集,并将原始数据通过有线方式传至监测分机。
本发明还设置了单组道岔设立的监测分机,所述单组道岔设立的监测分机主要完成一组道岔的所有监测功能,并将采集的数据进行预处理。模块化的监测系统,通过将不同的监测项做成不同的模块,按照统一的制式做成电路板,安装于单组道岔的监测分机中,实现多源、多点信号的集中采集与处理,并通过无线连接传递至监测主机。
本发明还设置了车站设置的监测主机,所述车站设置的监测主机主要完成从监测分机数据的接收、计算处理工作,并以图形、报表等形式将数据显示出来,以便人工直接查询道岔工作状态,方便检测和维修,并提供故障报警、伤损报警的功能。
本发明中的动态数据主要采集列车过岔时的实时数据,采集对象包含钢轨应力及振动。监测系统主要包括车轮采集模块、传输模块、车载处理器、车站道岔监测主机、道岔监测中心、用户终端组成。
其中,车轮采集模块主要采集列车动态过岔时的应力和振动加速度。在车轮内部黏贴应变片,应变片通过车轮毂进行保护,列车通过道岔时,车轮与钢轨接触会产生轮轨作用力,应变片可实时进行数据采集,传输模块通过车载网络将数据实时传递至车载处理器,车载处理器安装在列车的指定车厢并接入车载网络系统,主要完成数据的接收、存储和预处理,通过以上三个模块的配合,完成动态数据的采集和预处理。
车载处理器将采集和预处理的数据通过无线局域网以设定的区间为节点传递至车站监测主机,监测主机完成计算和处理工作,以图形、报表型式进行数据显示,主要为区间各点位岔区的钢轨动态应力和垂、横向加速度值,图形模式有利于人工直接通过动态波形查询和判断道岔工作状态,对可能存在的故障及时作出反应。
道岔监测中心设置在车辆段,主要完成对静态、动态监测数据的接受和存储,通过监测中心设置的数据分析模块,对静态、动态数据进行数据整合,以降低静态监测中干扰波形的误判概率。
用户终端主要为客户输出端,主要分为两级,分别为车站级客户端和监测中心级客户端,为用户提供实时故障、报警信息,故障、报警信息的处理操作,实时数据显示及设备状态显示,操作日志等功能。
步骤S2、将所述第一信息发送至数据分析模块进行数据分析处理,得到道岔的实时状态信息;
可以理解的是,在本步骤中通过对数据进行实时判断,其中通过对动态数据和静态数据进行综合分析,快速确定道岔的实时状态,提高道岔判断的精确性,本步骤中,步骤S2包括步骤S21、步骤S22和步骤S23。
步骤S21、将所述第一信息发送至预处理模块进行预处理,其中,将所述第一信息中的所有数据进行层次分析处理,得到至少两个层级的第一信息;
可以理解的是本步骤通过对第一信息进行预处理,清除异常数据,然后对所有的数据进行分层,确定不同类型不同层级的数据信息,本步骤中,步骤S21包括步骤S211、步骤S212、步骤S213和步骤S214。
步骤S211、将所述第一信息中的所有数据进行数据处理和分析,其中,将所述第一信息中的所有数据进行异常数据清除、错误纠正和重复数据删除处理,并基于处理得到的数据按照不同的种类的数据进行分析,得到层次结构模型;
步骤S212、将所述层次结构模型中所有数据进行两两重要性比较,得到所有因素的重要性判别矩阵;
步骤S213、基于所述重要性判别矩阵进行数据处理,并基于处理得到的特征向量计算得到最大特征值;
步骤S214、基于所述最大特征值和所述特征向量进行一致性指标计算,在满足计算得到的一致性指标的情况下,基于所述特征向量和所述最大特征值对每个层次的元素进行排序,得到排序后的每个层级的第一信息。
可以理解的是本步骤通过层次分析法建立层次结构模型,然后基于不同类型的道岔监控数据进行排序,得到不同类型和不同层级的监控数据,其中每种监控数据所占权重不同,进而为之后的不同监控数据与道岔状态进行关联分析做准备,提高判断道岔状态的准确性。
步骤S22、将所有层级的第一信息和预设的道岔状态信息发送至关联分析模块进行分析处理,并基于分析得到的关联度值将每个层级的第一信息分别与预设的道岔状态信息进行映射,得到每个层级的第一信息对应的道岔状态信息;
本步骤通过对不同的第一信息和道岔状态信息进行关联分析,确定每个第一信息对应的道岔状态,为之后的融合分析做准备,提高道岔实时状态预测的准确性,本步骤中,步骤S22包括步骤S221、步骤S222、步骤S223和步骤S224。
步骤S221、将所有层级的第一信息和预设的道岔状态信息进行序列分类处理,其中,将所有所述层级的第一信息作为子序列,将所述预设的道岔状态信息作为母序列;
步骤S222、将所有序列的数据均进行无纲量化处理和均值计算,确定每个序列的均值数据;
步骤S223、基于所有序列的数据和所有序列的均值数据进行关联计算,确定每个所述子序列与母序列之间的关联度值;
步骤S224、基于每个所述子序列与母序列之间的关联度值,确定每个所述层级的第一信息对应的预设的道岔状态信息的关联度。
可以理解的是本步骤通过将所有层级的第一信息和预设的道岔状态信息进行关联分析,快速确定第一信息和预设的道岔状态信息之间的关联度值,其中为避免数量级差别过大而致使后续处理误差过大,在对数据计算前对每个样本元素进行无量纲化处理,本实施例中基于均值转换法分别对第一信息和预设的道岔状态信息进行计算,消除不同数据之间的量纲差异,均值转换法如下列公式所述:
其中:为无量纲化处理后的参数,/>为第一信息中某个信息的样本,/>为第一信息的样本均值;/>为第一信息和预设的道岔状态信息的样本标准差。
其中,关联系数的计算公式如下所述;
其中:为所述无量纲化处理后的第一信息和预设的道岔状态信息的关联系数;f为无量纲化处理后的第一信息;k为预设的道岔状态信息中的参数数量;/>为第一信息对应的时间序列;/>为道岔状态信息对应的时间序列;/>为分辨系数,取0-1。
步骤S23、将所有道岔状态信息对应的第一信息进行融合分析,其中,将处于相同时间点且相同位置的道岔状态进行二次判断处理,得到道岔的实时状态信息。
可以理解的是本步骤通过对所有道岔状态信息对应的第一信息进行融合分析,快速判断道岔的实时状态信息,防止出现单独一种监控信息不能实时判断的情况出现,提高实时判断的准确性,本步骤中,步骤S23包括步骤S231、步骤S232、步骤S233和步骤S234。
步骤S231、将所有所述层级的第一信息中处于相同时间点且相同位置的数据进行融合处理,其中将相同时间点且相同位置的动态数据和静态数据进行对应状态判断,得到道岔对应状态的判断结果;
步骤S232、若所述道岔对应状态的判断结果为动态数据的道岔对应状态与所述静态数据的道岔对应状态相同,则确定所述道岔在当前时间点的状态为静态数据对应的道岔状态;
步骤S233、若所述道岔对应状态的判断结果为动态数据的道岔对应状态与所述静态数据的道岔对应状态不同,则判断所述动态数据与其对应的道岔状态的关联度值和所述静态数据与其对应的道岔状态的关联度值的大小,得到关联度值大小的判断结果;
步骤S234、若所述动态数据与其对应的道岔状态的关联度值大于所述静态数据与其对应的道岔状态的关联度值,则判断所述道岔在当前时间点的状态为动态数据对应的道岔状态。
可以理解的是本步骤中动静态综合监控融合的的主要目的有两点:一是针对无法量化的瞬时伤损,为了防止出现信号或数据异常,导致误判的情况。以断轨为例,依托声发射原理,得出电信号异常,且列车过轨时采集到的应力数据在此处发生了波形突变,可以证明此处发生断轨的概率很大,数据通过处理层后会直接输送结果“故障修理”,提醒人员采取应急措施及时维修处理;若动静态数据反映不一致,数据通过处理层后输出结果为“状态预警”,此时提醒人员应及时关注。很大程度上降低了误判情况,减少了人员工作量。此板块隶属数据分析环节。二是对于可量化的指标,伤损随时间逐步发展,为防止养护人员“一刀切”,降低养护维修工作量,需要对该类数据进行概率统计,针对于该类数据的分析需要通过融合层内的大数据进行判断伤损发展趋势,以“状态预警”“持续观测”进行终端输出。
步骤S3、将所述道岔的实时状态信息发送至道岔状态预测模块进行道岔状态预测,预测得到道岔未来预设时间段的实时状态信息;
可以理解的是本步骤通过LSTM神经网络对道岔的实时状态信息进行训练,预测未来时间段的实时状态信息,为道岔养护人员提供养护数据,提高道岔安全保障,本步骤中,步骤S3包括步骤S31、步骤S32、步骤S33和步骤S34。
步骤S31、将所述道岔的实时状态信息作为分为训练集和验证集;
步骤S32、将所述训练集发送至LSTM神经网络模型作为输入参数进行训练,得到训练后的LSTM神经网络模型;
步骤S33、将所述验证集发送至训练后的LSTM神经网络模型进行验证,其中,若所述验证结果与所述训练后的LSTM神经网络模型的输出结果一致,则基于粒子群优化算法对训练后的LSTM神经网络模型的输出结果进行优化处理;
步骤S34、其中,基于粒子群优化算法计算输出结果中粒子的适应度值,得到粒子的个体最优位置和全局最优位置,并基于粒子群优化算法动态跟踪个体最优位置和全局最优位置来进行不断更新所有粒子的速度和位置,直至所述粒子群优化算法达到最大迭代次数,得到道岔未来预设时间段的实时状态信息。
可以理解的是本步骤通过LSTM神经网络模型对未来时间段可能出现的实时状态进行预测,然后基于粒子群优化算法选取最接近实际状态的预测结果,到达提高精确度,保障数据精确性的目的。
步骤S4、将所述道岔的实时状态信息和所述道岔未来预设时间段的实时状态信息发送至监控人员的通讯设备。
可以理解的是,在本步骤中通过对道岔进行动态监控和静态监控,然后基于动态监控数据和静态监控数据进行综合分析,实时确定道岔的实时状态,可有效提高监测结果的准确率,同时分类别结果输出方式,可有效节省用户的时间,同时,系统可根据分析结果提供建议,供用户参考,提高了地铁道岔养护的针对性、有效性,能有效降低养护维修工作量,保证地铁运营安全,具有非常大的经济和社会效益。
实施例2:
如图2所示,本实施例提供了一种道岔监控系统,参见图2所述系统包括获取单元701、处理单元702、预测单元703和发送单元704。
获取单元701,用于获取第一信息,所述第一信息包括道岔的动态监控数据和静态监控数据,所述动态监控数据为传感器在车辆行驶过程中采集到的道岔数据,所述静态监控数据为车辆未经过道岔时传感器实时监测到的道岔数据;
处理单元702,用于将所述第一信息发送至数据分析模块进行数据分析处理,得到道岔的实时状态信息;
其中,所述处理单元702包括第一处理子单元7021、第二处理子单元7022和第一分析子单元7023。
第一处理子单元7021,用于将所述第一信息发送至预处理模块进行预处理,其中,将所述第一信息中的所有数据进行层次分析处理,得到至少两个层级的第一信息;
其中,所述第一处理子单元7021包括第二分析子单元70211、第三分析子单元70212、第一计算子单元70213和第二计算子单元70214。
第二分析子单元70211,用于将所述第一信息中的所有数据进行数据处理和分析,其中,将所述第一信息中的所有数据进行异常数据清除、错误纠正和重复数据删除处理,并基于处理得到的数据按照不同的种类的数据进行分析,得到层次结构模型;
第三分析子单元70212,用于将所述层次结构模型中所有数据进行两两重要性比较,得到所有因素的重要性判别矩阵;
第一计算子单元70213,用于基于所述重要性判别矩阵进行数据处理,并基于处理得到的特征向量计算得到最大特征值;
第二计算子单元70214,用于基于所述最大特征值和所述特征向量进行一致性指标计算,在满足计算得到的一致性指标的情况下,基于所述特征向量和所述最大特征值对每个层次的元素进行排序,得到排序后的每个层级的第一信息。
第二处理子单元7022,用于将所有层级的第一信息和预设的道岔状态信息发送至关联分析模块进行分析处理,并基于分析得到的关联度值将每个层级的第一信息分别与预设的道岔状态信息进行映射,得到每个层级的第一信息对应的道岔状态信息;
其中,所述第二处理子单元7022包括第三处理子单元70221、第三计算子单元70222、第四计算子单元70223和第四处理子单元70224。
第三处理子单元70221,用于将所有层级的第一信息和预设的道岔状态信息进行序列分类处理,其中,将所有所述层级的第一信息作为子序列,将所述预设的道岔状态信息作为母序列;
第三计算子单元70222,用于将所有序列的数据均进行无纲量化处理和均值计算,确定每个序列的均值数据;
第四计算子单元70223,用于基于所有序列的数据和所有序列的均值数据进行关联计算,确定每个所述子序列与母序列之间的关联度值;
第四处理子单元70224,用于基于每个所述子序列与母序列之间的关联度值,确定每个所述层级的第一信息对应的预设的道岔状态信息的关联度。
第一分析子单元7023,用于将所有道岔状态信息对应的第一信息进行融合分析,其中,将处于相同时间点且相同位置的道岔状态进行二次判断处理,得到道岔的实时状态信息。
其中,所述第一分析子单元7023包括第五处理子单元70231、第一判断子单元70232、第二判断子单元70233和第三判断子单元70234。
第五处理子单元70231,用于将所有所述层级的第一信息中处于相同时间点且相同位置的数据进行融合处理,其中将相同时间点且相同位置的动态数据和静态数据进行对应状态判断,得到道岔对应状态的判断结果;
第一判断子单元70232,用于若所述道岔对应状态的判断结果为动态数据的道岔对应状态与所述静态数据的道岔对应状态相同,则确定所述道岔在当前时间点的状态为静态数据对应的道岔状态;
第二判断子单元70233,用于若所述道岔对应状态的判断结果为动态数据的道岔对应状态与所述静态数据的道岔对应状态不同,则判断所述动态数据与其对应的道岔状态的关联度值和所述静态数据与其对应的道岔状态的关联度值的大小,得到关联度值大小的判断结果;
第三判断子单元70234,用于若所述动态数据与其对应的道岔状态的关联度值大于所述静态数据与其对应的道岔状态的关联度值,则判断所述道岔在当前时间点的状态为动态数据对应的道岔状态。
预测单元703,用于将所述道岔的实时状态信息发送至道岔状态预测模块进行道岔状态预测,预测得到道岔未来预设时间段的实时状态信息;
其中,所述预测单元703包括第一预测子单元7031、第二预测子单元7032、第三预测子单元7033和第四预测子单元7034。
第一预测子单元7031,用于将所述道岔的实时状态信息作为分为训练集和验证集;
第二预测子单元7032,用于将所述训练集发送至LSTM神经网络模型作为输入参数进行训练,得到训练后的LSTM神经网络模型;
第三预测子单元7033,用于将所述验证集发送至训练后的LSTM神经网络模型进行验证,其中,若所述验证结果与所述训练后的LSTM神经网络模型的输出结果一致,则基于粒子群优化算法对训练后的LSTM神经网络模型的输出结果进行优化处理;
第四预测子单元7034,用于其中,基于粒子群优化算法计算输出结果中粒子的适应度值,得到粒子的个体最优位置和全局最优位置,并基于粒子群优化算法动态跟踪个体最优位置和全局最优位置来进行不断更新所有粒子的速度和位置,直至所述粒子群优化算法达到最大迭代次数,得到道岔未来预设时间段的实时状态信息。
发送单元704,用于将所述道岔的实时状态信息和所述道岔未来预设时间段的实时状态信息发送至监控人员的通讯设备。
需要说明的是,关于上述实施例中的系统,其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述,此处将不做详细阐述说明。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。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。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种道岔监控方法,其特征在于,包括:
获取第一信息,所述第一信息包括道岔的动态监控数据和静态监控数据,所述动态监控数据为传感器在车辆行驶过程中采集到的道岔数据,所述静态监控数据为车辆未经过道岔时传感器实时监测到的道岔数据;
将所述第一信息发送至数据分析模块进行数据分析处理,得到道岔的实时状态信息;
将所述道岔的实时状态信息发送至道岔状态预测模块进行道岔状态预测,预测得到道岔未来预设时间段的实时状态信息;
将所述道岔的实时状态信息和所述道岔未来预设时间段的实时状态信息发送至监控人员的通讯设备;
其中,将所述道岔的实时状态信息发送至道岔状态预测模块进行道岔状态预测,预测得到道岔未来预设时间段的实时状态信息,包括:
将所述道岔的实时状态信息作为分为训练集和验证集;
将所述训练集发送至LSTM神经网络模型作为输入参数进行训练,得到训练后的LSTM神经网络模型;
将所述验证集发送至训练后的LSTM神经网络模型进行验证,其中,若验证的结果与所述训练后的LSTM神经网络模型的输出结果一致,则基于粒子群优化算法对训练后的LSTM神经网络模型的输出结果进行优化处理;
其中,基于粒子群优化算法计算输出结果中粒子的适应度值,得到粒子的个体最优位置和全局最优位置,并基于粒子群优化算法动态跟踪个体最优位置和全局最优位置来进行不断更新所有粒子的速度和位置,直至所述粒子群优化算法达到最大迭代次数,得到道岔未来预设时间段的实时状态信息。
2.根据权利要求1所述的道岔监控方法,其特征在于,包括:将所述第一信息发送至数据分析模块进行数据分析处理,得到道岔的实时状态信息,包括:
将所述第一信息发送至预处理模块进行预处理,其中,将所述第一信息中的所有数据进行层次分析处理,得到至少两个层级的第一信息;
将所有层级的第一信息和预设的道岔状态信息发送至关联分析模块进行分析处理,并基于分析得到的关联度值将每个层级的第一信息分别与预设的道岔状态信息进行映射,得到每个层级的第一信息对应的道岔状态信息;
将所有道岔状态信息对应的第一信息进行融合分析,其中,将处于相同时间点且相同位置的道岔状态进行二次判断处理,得到道岔的实时状态信息。
3.根据权利要求2所述的道岔监控方法,其特征在于,将所述第一信息中的所有数据进行层次分析处理,包括:
将所述第一信息中的所有数据进行数据处理和分析,其中,将所述第一信息中的所有数据进行异常数据清除、错误纠正和重复数据删除处理,并基于处理得到的数据按照不同的种类的数据进行分析,得到层次结构模型;
将所述层次结构模型中所有数据进行两两重要性比较,得到所有因素的重要性判别矩阵;
基于所述重要性判别矩阵进行数据处理,并基于处理得到的特征向量计算得到最大特征值;
基于所述最大特征值和所述特征向量进行一致性指标计算,在满足计算得到的一致性指标的情况下,基于所述特征向量和所述最大特征值对每个层次的元素进行排序,得到排序后的每个层级的第一信息。
4.根据权利要求2所述的道岔监控方法,其特征在于,将所有层级的第一信息和预设的道岔状态信息发送至关联分析模块分析处理,包括:
将所有层级的第一信息和预设的道岔状态信息进行序列分类处理,其中,将所有所述层级的第一信息作为子序列,将所述预设的道岔状态信息作为母序列;
将所有序列的数据均进行无纲量化处理和均值计算,确定每个序列的均值数据;
基于所有序列的数据和所有序列的均值数据进行关联计算,确定每个所述子序列与母序列之间的关联度值;
基于每个所述子序列与母序列之间的关联度值,确定每个所述层级的第一信息对应的预设的道岔状态信息的关联度。
5.根据权利要求2所述的道岔监控方法,其特征在于,将所有所述层级的第一信息进行融合分析,包括:
将所有所述层级的第一信息中处于相同时间点且相同位置的数据进行融合处理,其中将相同时间点且相同位置的动态数据和静态数据进行对应状态判断,得到道岔对应状态的判断结果;
若所述道岔对应状态的判断结果为动态数据的道岔对应状态与所述静态数据的道岔对应状态相同,则确定所述道岔在当前时间点的状态为静态数据对应的道岔状态;
若所述道岔对应状态的判断结果为动态数据的道岔对应状态与所述静态数据的道岔对应状态不同,则判断所述动态数据与其对应的道岔状态的关联度值和所述静态数据与其对应的道岔状态的关联度值的大小,得到关联度值大小的判断结果;
若所述动态数据与其对应的道岔状态的关联度值大于所述静态数据与其对应的道岔状态的关联度值,则判断所述道岔在当前时间点的状态为动态数据对应的道岔状态。
6.一种道岔监控系统,其特征在于,包括:
获取单元,用于获取第一信息,所述第一信息包括道岔的动态监控数据和静态监控数据,所述动态监控数据为传感器在车辆行驶过程中采集到的道岔数据,所述静态监控数据为车辆未经过道岔时传感器实时监测到的道岔数据;
处理单元,用于将所述第一信息发送至数据分析模块进行数据分析处理,得到道岔的实时状态信息;
预测单元,用于将所述道岔的实时状态信息发送至道岔状态预测模块进行道岔状态预测,预测得到道岔未来预设时间段的实时状态信息;
发送单元,用于将所述道岔的实时状态信息和所述道岔未来预设时间段的实时状态信息发送至监控人员的通讯设备;
其中,所述预测单元,包括:
第一预测子单元,用于将所述道岔的实时状态信息作为分为训练集和验证集;
第二预测子单元,用于将所述训练集发送至LSTM神经网络模型作为输入参数进行训练,得到训练后的LSTM神经网络模型;
第三预测子单元,用于将所述验证集发送至训练后的LSTM神经网络模型进行验证,其中,若验证的结果与所述训练后的LSTM神经网络模型的输出结果一致,则基于粒子群优化算法对训练后的LSTM神经网络模型的输出结果进行优化处理;
第四预测子单元,用于其中,基于粒子群优化算法计算输出结果中粒子的适应度值,得到粒子的个体最优位置和全局最优位置,并基于粒子群优化算法动态跟踪个体最优位置和全局最优位置来进行不断更新所有粒子的速度和位置,直至所述粒子群优化算法达到最大迭代次数,得到道岔未来预设时间段的实时状态信息。
7.根据权利要求6所述的道岔监控系统,其特征在于,所述处理单元包括:
第一处理子单元,用于将所述第一信息发送至预处理模块进行预处理,其中,将所述第一信息中的所有数据进行层次分析处理,得到至少两个层级的第一信息;
第二处理子单元,用于将所有层级的第一信息和预设的道岔状态信息发送至关联分析模块进行分析处理,并基于分析得到的关联度值将每个层级的第一信息分别与预设的道岔状态信息进行映射,得到每个层级的第一信息对应的道岔状态信息;
第一分析子单元,用于将所有道岔状态信息对应的第一信息进行融合分析,其中,将处于相同时间点且相同位置的道岔状态进行二次判断处理,得到道岔的实时状态信息。
8.根据权利要求7所述的道岔监控系统,其特征在于,所述第一处理子单元包括:
第二分析子单元,用于将所述第一信息中的所有数据进行数据处理和分析,其中,将所述第一信息中的所有数据进行异常数据清除、错误纠正和重复数据删除处理,并基于处理得到的数据按照不同的种类的数据进行分析,得到层次结构模型;
第三分析子单元,用于将所述层次结构模型中所有数据进行两两重要性比较,得到所有因素的重要性判别矩阵;
第一计算子单元,用于基于所述重要性判别矩阵进行数据处理,并基于处理得到的特征向量计算得到最大特征值;
第二计算子单元,用于基于所述最大特征值和所述特征向量进行一致性指标计算,在满足计算得到的一致性指标的情况下,基于所述特征向量和所述最大特征值对每个层次的元素进行排序,得到排序后的每个层级的第一信息。
9.根据权利要求7所述的道岔监控系统,其特征在于,所述第二处理子单元包括:
第三处理子单元,用于将所有层级的第一信息和预设的道岔状态信息进行序列分类处理,其中,将所有所述层级的第一信息作为子序列,将所述预设的道岔状态信息作为母序列;
第三计算子单元,用于将所有序列的数据均进行无纲量化处理和均值计算,确定每个序列的均值数据;
第四计算子单元,用于基于所有序列的数据和所有序列的均值数据进行关联计算,确定每个所述子序列与母序列之间的关联度值;
第四处理子单元,用于基于每个所述子序列与母序列之间的关联度值,确定每个所述层级的第一信息对应的预设的道岔状态信息的关联度。
10.根据权利要求7所述的道岔监控系统,其特征在于,所述第二处理子单元包括:
第五处理子单元,用于将所有所述层级的第一信息中处于相同时间点且相同位置的数据进行融合处理,其中将相同时间点且相同位置的动态数据和静态数据进行对应状态判断,得到道岔对应状态的判断结果;
第一判断子单元,用于若所述道岔对应状态的判断结果为动态数据的道岔对应状态与所述静态数据的道岔对应状态相同,则确定所述道岔在当前时间点的状态为静态数据对应的道岔状态;
第二判断子单元,用于若所述道岔对应状态的判断结果为动态数据的道岔对应状态与所述静态数据的道岔对应状态不同,则判断所述动态数据与其对应的道岔状态的关联度值和所述静态数据与其对应的道岔状态的关联度值的大小,得到关联度值大小的判断结果;
第三判断子单元,用于若所述动态数据与其对应的道岔状态的关联度值大于所述静态数据与其对应的道岔状态的关联度值,则判断所述道岔在当前时间点的状态为动态数据对应的道岔状态。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310982659.0A CN116691768B (zh) | 2023-08-07 | 2023-08-07 | 一种道岔监控方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310982659.0A CN116691768B (zh) | 2023-08-07 | 2023-08-07 | 一种道岔监控方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116691768A CN116691768A (zh) | 2023-09-05 |
CN116691768B true CN116691768B (zh) | 2023-10-17 |
Family
ID=87839684
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310982659.0A Active CN116691768B (zh) | 2023-08-07 | 2023-08-07 | 一种道岔监控方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116691768B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104309642A (zh) * | 2014-11-21 | 2015-01-28 | 成都光大灵曦科技发展股份有限公司 | 基于振动模态分析技术的高速道岔裂纹监测装置及方法 |
CN109249960A (zh) * | 2018-09-25 | 2019-01-22 | 中铁第四勘察设计院集团有限公司 | 一种跨座式单轨道岔综合监测系统 |
CN109815983A (zh) * | 2018-12-10 | 2019-05-28 | 清华大学 | 基于混合深度学习的高铁道岔智能故障预测方法 |
CN210707430U (zh) * | 2019-09-26 | 2020-06-09 | 通号通信信息集团上海有限公司 | 道岔运用在线状态监测系统 |
CN111665815A (zh) * | 2019-03-06 | 2020-09-15 | 比亚迪汽车工业有限公司 | 道岔故障预测方法和装置 |
CN111898661A (zh) * | 2020-07-17 | 2020-11-06 | 交控科技股份有限公司 | 道岔转辙机的工作状态监测方法及装置 |
-
2023
- 2023-08-07 CN CN202310982659.0A patent/CN116691768B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104309642A (zh) * | 2014-11-21 | 2015-01-28 | 成都光大灵曦科技发展股份有限公司 | 基于振动模态分析技术的高速道岔裂纹监测装置及方法 |
CN109249960A (zh) * | 2018-09-25 | 2019-01-22 | 中铁第四勘察设计院集团有限公司 | 一种跨座式单轨道岔综合监测系统 |
CN109815983A (zh) * | 2018-12-10 | 2019-05-28 | 清华大学 | 基于混合深度学习的高铁道岔智能故障预测方法 |
CN111665815A (zh) * | 2019-03-06 | 2020-09-15 | 比亚迪汽车工业有限公司 | 道岔故障预测方法和装置 |
CN210707430U (zh) * | 2019-09-26 | 2020-06-09 | 通号通信信息集团上海有限公司 | 道岔运用在线状态监测系统 |
CN111898661A (zh) * | 2020-07-17 | 2020-11-06 | 交控科技股份有限公司 | 道岔转辙机的工作状态监测方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN116691768A (zh) | 2023-09-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111257415B (zh) | 基于移动列车振动信号的隧道损伤检测管理系统 | |
CN100538761C (zh) | 基于数据融合模式识别的嵌入式故障智能诊断装置及方法 | |
CN111486893A (zh) | 一种桥梁结构健康监测与预警系统及预警方法 | |
CN107609304A (zh) | 大跨度铁路桥梁的基于phm的故障诊断预测系统及方法 | |
CN201429413Y (zh) | 高速列车受电弓状态在线式自动检测系统 | |
Xing et al. | Rail wheel tread defect detection using improved YOLOv3 | |
CN110806324A (zh) | 基于轨道位移的车轮多边形磨耗检测方法及数据采集设备 | |
CN111591319B (zh) | 一种用于高速铁路的轨道状况动态监测方法 | |
CN113222187B (zh) | 一种共享助力车刹车健康度智能监测方法 | |
US20230347948A1 (en) | Rail corrugation recognition method and apparatus based on support vector machine, device, and medium | |
CN105923014A (zh) | 一种基于证据推理规则的轨道高低不平顺幅值估计方法 | |
CN103808801A (zh) | 一种基于振动和声频复合信号的高速铁路钢轨伤损实时检测方法 | |
CN109947024A (zh) | 一种基于移动终端的轨道交通数据监测方法 | |
CN113988326A (zh) | 一种地铁设备维修优化方法及系统 | |
CN107844067A (zh) | 一种水电站闸门在线状态监测控制方法及监测系统 | |
CN114812984A (zh) | 一种铁路桥梁移动式快速监测系统 | |
CN116691768B (zh) | 一种道岔监控方法及系统 | |
CN105974904A (zh) | 地铁车辆安全防护系统及其方法 | |
WO2022056677A1 (zh) | 监测、采集、分析系统及其方法、设备、存储介质、程序和程序产品 | |
CN114386741A (zh) | 一种基于风险识别的建筑工地施工安全监控系统 | |
CN108205016A (zh) | 声发射塔吊安全检测的工控机系统 | |
CN113267217B (zh) | 一种桥群监测系统以及桥群监测方法 | |
CN115249387A (zh) | 一种轨道交通智慧监测及管理系统 | |
CN115356133A (zh) | 一种转向架运行工况在线监测、实时分类与识别算法 | |
CN110758478B (zh) | 铁路信号设备预告警系统及方法 |
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 |