CN116776501B - 一种道岔的弹性夹结构的设计方法及系统 - Google Patents
一种道岔的弹性夹结构的设计方法及系统 Download PDFInfo
- Publication number
- CN116776501B CN116776501B CN202311043228.4A CN202311043228A CN116776501B CN 116776501 B CN116776501 B CN 116776501B CN 202311043228 A CN202311043228 A CN 202311043228A CN 116776501 B CN116776501 B CN 116776501B
- Authority
- CN
- China
- Prior art keywords
- information
- key point
- history
- elastic
- point information
- 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
- 238000000034 method Methods 0.000 title claims abstract description 34
- 238000013461 design Methods 0.000 title claims abstract description 26
- 230000009471 action Effects 0.000 claims abstract description 60
- 230000008569 process Effects 0.000 claims abstract description 17
- 238000005457 optimization Methods 0.000 claims abstract description 14
- 238000009826 distribution Methods 0.000 claims abstract description 12
- 238000003062 neural network model Methods 0.000 claims abstract description 11
- 238000012545 processing Methods 0.000 claims description 50
- 239000013598 vector Substances 0.000 claims description 40
- 238000004364 calculation method Methods 0.000 claims description 25
- 239000011159 matrix material Substances 0.000 claims description 13
- 238000012549 training Methods 0.000 claims description 9
- 238000012360 testing method Methods 0.000 claims description 7
- 238000012098 association analyses Methods 0.000 claims description 6
- 238000003860 storage Methods 0.000 claims description 5
- 230000009466 transformation Effects 0.000 claims description 5
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000010219 correlation analysis Methods 0.000 claims description 2
- 239000002245 particle Substances 0.000 description 21
- 230000006870 function Effects 0.000 description 13
- 238000013528 artificial neural network Methods 0.000 description 9
- 238000012502 risk assessment Methods 0.000 description 6
- 239000000463 material Substances 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000001568 sexual effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Landscapes
- Processing Or Creating Images (AREA)
Abstract
本发明提供了一种道岔的弹性夹结构的设计方法及系统,涉及铁路道岔的弹性夹设计技术领域,包括获取历史弹性夹的三维图像信息和轮载时的作用要求信息;将历史弹性夹的三维图像信息进行图像识别,得到关键点信息,通过分析历史弹性夹的关键点信息和轮载时的作用要求信息的关联度值,和分析每个历史弹性夹关键点信息之间的相对权重信息,然后对相对权重信息和关联度值进行关键点信息组合权重分配,将分配后的权重信息和历史弹性夹的关键点信息发送至训练后的神经网络模型,进行弹性夹结构预测和优化,得到优化后的弹性夹结构信息。本发明能够快速设计弹性夹结构,并减少设计误差,提高设计的准确率,保障设计的弹性夹能够符合要求。
Description
技术领域
本发明涉及铁路道岔的弹性夹设计技术领域,具体而言,涉及道岔的弹性夹结构的设计方法及系统。
背景技术
在当前的技术水平下,道岔的弹性夹结构的设计往往需要大量的经验,需要大量的人力物力来计算,并且需要基于其在轮载时的作用要求进行设计,往往需要具备设计经验和了解弹性夹结构的人员来进行设计,但是一般的人员往往只具备设计经验或者只了解弹性夹结构,因此现需要一种弹性夹结构设计方法来克服现有技术的局限性,用于高效快速的进行道岔的弹性夹结构的设计,减少人力物力的消耗。
发明内容
本发明的目的在于提供一种道岔的弹性夹结构的设计方法及系统,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的弹性夹结构的设计方法,包括:
获取所有历史弹性夹的三维图像信息和轮载时的作用要求信息,所述轮载时的作用要求信息包括轮载时的弹性夹的扣压力要求信息和弹性夹的自身应力要求信息;
将所有历史弹性夹的三维图像信息发送至图像识别模型,得到所有历史弹性夹的关键点信息,所述关键点信息包括所有历史弹性夹中包含曲率特征的点的坐标信息;
将所有历史弹性夹的关键点信息和轮载时的作用要求信息进行关联分析,得到所有历史弹性夹的关键点信息和轮载时的作用要求信息的关联度值;
将所有历史弹性夹的关键点信息进行层次分析,得到每个历史弹性夹的关键点信息之间的相对权重信息;
基于最小鉴别原理对所述相对权重信息和所述关联度值进行关键点信息权重分配,得到分配后的权重信息;
将所述分配后的权重信息和所有历史弹性夹的关键点信息发送至训练后的神经网络模型进行弹性夹结构预测和优化,得到优化后的弹性夹结构信息。
另一方面,本申请还提供了一种道岔的弹性夹结构的设计系统,包括:
获取单元,用于获取所有历史弹性夹的三维图像信息、道岔使用要求信息和轮载时的作用要求信息,所述轮载时的作用要求信息包括轮载时的弹性夹的扣压力要求信息和弹性夹的自身应力要求信息;
第一处理单元,用于将所有历史弹性夹的三维图像信息发送至图像识别模型,得到所有历史弹性夹的关键点信息,所述关键点信息包括所有历史弹性夹中包含曲率特征的点的坐标信息;
第一分析单元,用于将所有历史弹性夹的关键点信息和轮载时的作用要求信息进行关联分析,得到所有历史弹性夹的关键点信息和轮载时的作用要求信息的关联度值;
第二分析单元,用于将所有历史弹性夹的关键点信息进行层次分析,得到每个历史弹性夹的关键点信息之间的相对权重信息;
第二处理单元,用于基于最小鉴别原理对所述相对权重信息和所述关联度值进行关键点信息权重分配,得到分配后的权重信息;
第三处理单元,用于将所述分配后的权重信息和所有历史弹性夹的关键点信息发送至训练后的神经网络模型进行弹性夹结构预测和优化,得到优化后的弹性夹结构信息。
本发明的有益效果为:
本发明通过对历史弹性夹的三维图像信息进行识别,确定每个弹性夹的关键点的坐标位置和曲率特征,进而为之后的神经网络预测提供依据,增加神经网络预测的准确性,并通过关联分析和层次分析,确定关键点特征和弹性夹在轮载时的作用要求之间的联系程度,为预测的提供依据,进而提高预测的效率和准确性,其中还通过最小鉴别原理分配权重,防止一个关键点权重过大,分配不均衡的情况出现,本发明还通过神经网络对弹性夹结构数据进行预测和优化,减少预测误差,提高预测准确率。
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的弹性夹结构的设计方法流程示意图;
图2为本发明实施例中所述的道岔的弹性夹结构的设计系统结构示意图。
图中:701、获取单元;702、第一处理单元;703、第一分析单元;704、第二分析单元;705、第二处理单元;706、第三处理单元;7021、第一处理子单元;7022、第一对比子单元;7023、第二对比子单元;7024、第二处理子单元;7031、第三处理子单元;7032、第四处理子单元;7033、第一计算子单元;7041、第五处理子单元;7042、第三对比子单元;7043、第四对比子单元;7044、第二计算子单元;7045、第六处理子单元;7051、第三计算子单元;7052、第四计算子单元;7061、第一预测子单元;7062、第二预测子单元;7063、第三预测子单元。
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的弹性夹结构的设计方法。
参见图1,图中示出了本方法包括步骤S1、步骤S2、步骤S3、步骤S4、步骤S5和步骤S6。
步骤S1、获取所有历史弹性夹的三维图像信息和轮载时的作用要求信息,所述轮载时的作用要求信息包括轮载时的弹性夹的扣压力要求信息和弹性夹的自身应力要求信息;
可以理解的是本步骤通过对历史弹性夹进行三维扫描,获取历史弹性夹的三维图像信息和轮载时对弹性夹的扣压力信息和弹性夹自身的应力要求,进而为之后的弹性夹设计做准备,其中通过上传至数据库内进行存储方便调用。
步骤S2、将所有历史弹性夹的三维图像信息发送至图像识别模型,得到所有历史弹性夹的关键点信息,所述关键点信息包括所有历史弹性夹中包含曲率特征的点的坐标信息;
可以理解的是本步骤通过图像识别模型进行图像识别,快速确定弹性夹的关键信息,保障预测的准确性,本步骤中,步骤S2包括步骤S21、步骤S22、步骤S23和步骤S24。
步骤S21、基于所有历史弹性夹的三维图像信息建立三维空间直角坐标系,并将所有的历史弹性夹的三维图像信息进行坐标转化,得到每个历史弹性夹的三维图像的曲线坐标信息;
步骤S22、基于所述曲线坐标信息进行曲率计算,并将计算得到的曲线上所有坐标对应的曲率值与预设的阈值进行对比,得到对比结果;
步骤S23、将所有对比结果中曲率值大于预设的阈值的坐标进行标记,得到标记后的坐标信息;
步骤S24、将所有标记后的坐标信息和所有标记后的坐标信息对应的曲率值作为关键点信息上传至数据库进行存储。
本步骤通过对三维图像信息进行坐标转化,并对转化后的数据进行处理和分析,提取出关键点信息和关键点的曲率信息,并将其存储在数据库中,这样可以帮助我们更好地了解弹性夹结构的特征和性能要求,为设计提供更准确和优化的方案。
步骤S3、将所有历史弹性夹的关键点信息和轮载时的作用要求信息进行关联分析,得到所有历史弹性夹的关键点信息和轮载时的作用要求信息的关联度值;
可以理解的是本步骤通过对作用要求信息转化为机器语言,并提取所有轮载时的作用要求信息中的特征数据信息,快速判断关键点信息和轮载时的作用要求信息的关联度,为之后的每个关键点分配预测权重提供依据,提高预测的准确性,本步骤中,步骤S3包括步骤S31、步骤S32和步骤S33。
步骤S31、将所有轮载时的作用要求信息发送至Bert模型中进行预训练,确定所有轮载时的作用要求信息中的特征数据信息,所述特征数据信息为轮载时的弹性夹的扣压力阈值和弹性夹的自身应力阈值;
步骤S32、将所有历史弹性夹的关键点信息和特征数据信息进行无量纲化处理,得到无量纲化后的关键点信息和无量纲化后的作用要求信息;
步骤S33、基于预设的关联度值的计算公式对所述无量纲化后的关键点信息和无量纲化后的作用要求信息进行关联度计算,得到无量纲化后的关键点信息和无量纲化后的作用要求信息的关联度值。
可以理解的是本步骤中的关联度计算的公式如下所示:
其中:为关联系数;f为无量纲化后的关键点信息;k为无量纲化后的作用要求信息;/>为采集历史弹性夹的三维图像信息对应的第一时刻信息;/>为采集历史弹性夹的三维图像信息对应的第二时刻信息;/>为分辨系数,取0-1,所述第一时刻信息为轮载前的时刻信息,所述第二时刻信息为轮载时的时刻信息。
其中:关联度值;t为历史弹性夹的种类;h为轮载时的作用要求信息的种类;n为历史弹性夹的样本总数量;/>为历史弹性夹相对于轮载时的作用要求信息的关系系数。
可以理解的是上述步骤通过快速判断关键点信息和轮载时的作用要求信息的关联度,量化关键点信息和作用要求信息之间的关系,为设计更准确和优化的方案提供依据。
步骤S4、将所有历史弹性夹的关键点信息进行层次分析,得到每个历史弹性夹的关键点信息之间的相对权重信息;
可以理解的是本步骤通过对历史弹性夹的关键点信息进行层次分析,确定每个类别的关键点的相对权重,进而为之后的设计方案提供标准,减少预测误差,本步骤中,步骤S4包括步骤S41、步骤S42、步骤S43、步骤S44和步骤S45。
步骤S41、将所有历史弹性夹的关键点信息内的坐标信息和曲率值信息进行预处理,并基于预处理后的数据建立层次结构模型;
步骤S42、基于所述层次结构模型预处理后的数据依次进行重要性进行比较,构建得到判别矩阵;
步骤S43、基于层次结构模型逐层对所述判别矩阵中的预处理后的数据进行两两比较,得到每个层次的权重向量;
步骤S44、基于每个层次的所述权重向量计算每个预处理后的数据的特征向量,并对每个所述预处理后的数据的特征向量进行一致性检验,得到经过一致性检验的特征向量;
步骤S45、将所述一致性检验的特征向量作为对应关键点信息的相对权重信息。
可以理解的是本步骤通过对历史弹性夹的关键点信息内的坐标信息和曲率值信息进行归类分析,并按照不同类别划分为由上到下顺序层次结构模型,并基于层次结构模型逐层对两两因素进行比较获得相对重要程度的关系,并使用1-9标度法对每个指标进行打分,并做归一化处理后得到判别矩阵,判别矩阵的构建公式如下所示:
其中:A为判别矩阵;为当前层级的数据i和数据j对上一层级的重要性比例标度;i和j分别为不同类别的数据;n为层次结构模型的维度。
可以理解的是本步骤还基于判别矩阵按列向量进行归一化处理,得到正规化矩阵;然后再将正规化矩阵按行相加,得到特征向量,再基于特征向量计算所述最大特征值,然后基于每个所述预处理后的数据的特征向量进行一致性检验,得到经过一致性检验的特征向量。
步骤S5、基于最小鉴别原理对所述相对权重信息和所述关联度值进行关键点信息权重分配,得到分配后的权重信息;
可以理解的是本步骤通过最小鉴别原理对关联度值和相对权重信息进行重新组合和权重分配,为之后的神经网络预测提供依据,减少预测误差,提高预测准确率,本步骤中,步骤S5包括步骤S51和步骤S52。
步骤S51、基于所述相对权重信息和所述关联度值建立目标函数,并通过求解所述目标函数,得到所述相对权重信息和所述关联度值的组合权重向量;
可以理解的是本步骤中的最小鉴别信息原理描述的是两个概率分别之间的差异性,而根据所述最小鉴别信息原理组合权重应该尽可能地接近两个权重,而不偏向任一个权重,其中本步骤将所述关联度值作为第一权重,将所述相对权重信息作为第二权重。
可以理解的是所述目标函数如下:
其中,为第i个关联度值,/>为第i个相对权重值,/>为第i个关联度值和相对权重值的组合权重向量,n为关联度值总个数;
步骤S52、基于所述组合权重向量构建拉格朗日函数,并将所述相对权重信息和所述关联度值带入至所述拉格朗日函数进行求解,得到所有关键点的权重分配信息。
可以理解的是构建拉格朗日函数如下:
其中,L为拉格朗日函数,拉格朗日常数,/>为第i个关联度值,/>为第i个相对权重值,/>为第i个关联度值和相对权重值的组合权重向量,n为关联度值总个数。
可以理解的是本步骤中的拉格朗日函数求解公式如下所述:
其中,为第i个关联度值,/>为第i个相对权重值,/>为第i个关联度值和相对权重值的组合权重向量,n为关联度值总个数。
可以理解的是本步骤通过最小鉴别原理重新分配权重,为设计提供更准确和优化的方案,减少之后的弹性夹结构的预测误差。
步骤S6、将所述分配后的权重信息和所有历史弹性夹的关键点信息发送至训练后的神经网络模型进行弹性夹结构预测和优化,得到优化后的弹性夹结构信息。
可以理解的是本步骤通过训练后的神经网络进行弹性夹结构进行预测和优化,进而得到一个符合要求的弹性夹结构信息,保障结构预测的有效性,减少人工成本,提高预测效率,本步骤中,步骤S6包括步骤S61、步骤S62和步骤S63。
步骤S61、将历史弹性夹的三维图像信息、所述分配后的权重信息和所有历史弹性夹的关键点信息发送至训练后的BP神经网络模型进行预测,得到至少一个弹性夹的结构参数信息;
可以理解的是本步骤通过将历史的弹性夹三维图像信息发送至BP神经网络模型进行训练,然后通过不断的验证和重复训练得到一个训练后的BP神经网络模型,其中训练过程为初始化神经网络的权重和偏置,将输入数据传递给神经网络,并通过前向传播计算输出,计算输出与实际值之间的误差,并使用误差反向传播算法更新神经网络的权重和偏置。重复训练过程,直到达到预定的训练次数或误差收敛,然后使用训练后的神经网络进行预测,得到至少一个弹性夹的结构参数信息。
步骤S62、将所有的弹性夹结构参数信息发送至粒子群优化算法进行处理,根据粒子群中粒子的适应度大小,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,得到最优的弹性夹结构参数信息,所述最优的弹性夹结构参数信息为最接近所述轮载时的作用要求信息的弹性夹结构参数信息;
可以理解的是本步骤通过粒子群优化算法选取一个最优的的弹性夹结构参数信息,通过判断粒子群中粒子的适应度大小是否符合要求来选取最优的弹性夹的结构参数信息,其中适应度的计算公式如下所示:
其中,为第a个弹性夹结构参数信息,/>为第a个轮载时的作用要求信息,N为所有数据的总数。
步骤S63、将所述最优的弹性夹结构参数信息发送至风险评估计算公式进行弹性夹使用风险评估,并基于计算得到的风险值对所述粒子群中粒子的适应度计算公式进行优化,直至所述风险值小于预设的阈值,得到优化后的弹性夹结构信息。
可以理解的是本步骤通过对所述最优的弹性夹结构参数信息进行弹性夹使用风险评估,其中风险评估的公式如下所示:
其中S为弹性夹使用风险值,N为预设的历史风险阈值数据,弹性夹的自身应力要求值,为预测的弹性夹结构的自身应力信息。
可以理解的是本步骤通过判断预测的弹性夹结构的自身应力是否符合要求,若不符合要求则对适应度函数和BP神经网络的权重和偏置进行优化,保障预测得到的弹性夹结构符合要求。
实施例2:
如图2所示,本实施例提供了一种道岔的弹性夹结构的设计系统,参见图2所述系统包括获取单元701、第一处理单元702、第一分析单元703、第二分析单元704、第二处理单元705和第三处理单元706
获取单元701,用于获取所有历史弹性夹的三维图像信息、道岔使用要求信息和轮载时的作用要求信息,所述轮载时的作用要求信息包括轮载时的弹性夹的扣压力要求信息和弹性夹的自身应力要求信息;
第一处理单元702,用于将所有历史弹性夹的三维图像信息发送至图像识别模型,得到所有历史弹性夹的关键点信息,所述关键点信息包括所有历史弹性夹中包含曲率特征的点的坐标信息;
其中,所述第一处理单元702包括第一处理子单元7021、第一对比子单元7022、第二对比子单元7023和第二处理子单元7024。
第一处理子单元7021,用于基于所有历史弹性夹的三维图像信息建立三维空间直角坐标系,并将所有的历史弹性夹的三维图像信息进行坐标转化,得到每个历史弹性夹的三维图像的曲线坐标信息;
第一对比子单元7022,用于基于所述曲线坐标信息进行曲率计算,并将计算得到的曲线上所有坐标对应的曲率值与预设的阈值进行对比,得到对比结果;
第二对比子单元7023,用于将所有对比结果中曲率值大于预设的阈值的坐标进行标记,得到标记后的坐标信息;
第二处理子单元7024,用于将所有标记后的坐标信息和所有标记后的坐标信息对应的曲率值作为关键点信息上传至数据库进行存储。
第一分析单元703,用于将所有历史弹性夹的关键点信息和轮载时的作用要求信息进行关联分析,得到所有历史弹性夹的关键点信息和轮载时的作用要求信息的关联度值;
其中,所述第一分析单元703包括第三处理子单元7031、第四处理子单元7032和第一计算子单元7033。
第三处理子单元7031,用于将所有轮载时的作用要求信息发送至Bert模型中进行预训练,确定所有轮载时的作用要求信息中的特征数据信息,所述特征数据信息为轮载时的弹性夹的扣压力阈值和弹性夹的自身应力阈值;
第四处理子单元7032,用于将所有历史弹性夹的关键点信息和特征数据信息进行无量纲化处理,得到无量纲化后的关键点信息和无量纲化后的作用要求信息;
第一计算子单元7033,用于基于预设的关联度值的计算公式对所述无量纲化后的关键点信息和无量纲化后的作用要求信息进行关联度计算,得到无量纲化后的关键点信息和无量纲化后的作用要求信息的关联度值。
第二分析单元704,用于将所有历史弹性夹的关键点信息进行层次分析,得到每个历史弹性夹的关键点信息之间的相对权重信息;
其中,所述第二分析单元704包括第五处理子单元7041、第三对比子单元7042、第四对比子单元7043、第二计算子单元7044和第六处理子单元7045。
第五处理子单元7041,用于将所有历史弹性夹的关键点信息内的坐标信息和曲率值信息进行预处理,并基于预处理后的数据建立层次结构模型;
第三对比子单元7042,用于基于所述层次结构模型预处理后的数据依次进行重要性进行比较,构建得到判别矩阵;
第四对比子单元7043,用于基于层次结构模型逐层对所述判别矩阵中的预处理后的数据进行两两比较,得到每个层次的权重向量;
第二计算子单元7044,用于基于每个层次的所述权重向量计算每个预处理后的数据的特征向量,并对每个所述预处理后的数据的特征向量进行一致性检验,得到经过一致性检验的特征向量;
第六处理子单元7045,用于将所述一致性检验的特征向量作为对应关键点信息的相对权重信息。
第二处理单元705,用于基于最小鉴别原理对所述相对权重信息和所述关联度值进行关键点信息权重分配,得到分配后的权重信息;
其中,所述第二处理单元705包括第三计算子单元7051和第四计算子单元7052。
第三计算子单元7051,用于基于所述相对权重信息和所述关联度值建立目标函数,并通过求解所述目标函数,得到所述相对权重信息和所述关联度值的组合权重向量;
第四计算子单元7052,用于基于所述组合权重向量构建拉格朗日函数,并将所述相对权重信息和所述关联度值带入至所述拉格朗日函数进行求解,得到所有关键点的权重分配信息。
第三处理单元706,用于将所述分配后的权重信息和所有历史弹性夹的关键点信息发送至训练后的神经网络模型进行弹性夹结构预测和优化,得到优化后的弹性夹结构信息。
其中,所述第三处理单元706包括第一预测子单元7061、第二预测子单元7062和第三预测子单元7063。
第一预测子单元7061,用于将历史弹性夹的三维图像信息、所述分配后的权重信息和所有历史弹性夹的关键点信息发送至训练后的BP神经网络模型进行预测,得到至少一个弹性夹的结构参数信息;
第二预测子单元7062,用于将所有的弹性夹结构参数信息发送至粒子群优化算法进行处理,根据粒子群中粒子的适应度大小,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,得到最优的弹性夹结构参数信息,所述最优的弹性夹结构参数信息为最接近所述轮载时的作用要求信息的弹性夹结构参数信息;
第三预测子单元7063,用于将所述最优的弹性夹结构参数信息发送至风险评估计算公式进行弹性夹使用风险评估,并基于计算得到的风险值对所述粒子群中粒子的适应度计算公式进行优化,直至所述风险值小于预设的阈值,得到优化后的弹性夹结构信息。
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)
1.一种道岔的弹性夹结构的设计方法,其特征在于,包括:
获取所有历史弹性夹的三维图像信息和轮载时的作用要求信息,所述轮载时的作用要求信息包括轮载时的弹性夹的扣压力要求信息和弹性夹的自身应力要求信息;
将所有历史弹性夹的三维图像信息发送至图像识别模型,得到所有历史弹性夹的关键点信息,所述关键点信息包括所有历史弹性夹中包含曲率特征的点的坐标信息;
将所有历史弹性夹的关键点信息和轮载时的作用要求信息进行关联分析,得到所有历史弹性夹的关键点信息和轮载时的作用要求信息的关联度值;
将所有历史弹性夹的关键点信息进行层次分析,得到每个历史弹性夹的关键点信息之间的相对权重信息;
基于最小鉴别原理对所述相对权重信息和所述关联度值进行关键点信息权重分配,得到分配后的权重信息;
将所述分配后的权重信息和所有历史弹性夹的关键点信息发送至训练后的神经网络模型进行弹性夹结构预测和优化,得到优化后的弹性夹结构信息。
2.根据权利要求1所述的道岔的弹性夹结构的设计方法,其特征在于,所述将所有历史弹性夹的三维图像信息发送至图像识别模型,得到所有历史弹性夹的关键点信息,包括:
基于所有历史弹性夹的三维图像信息建立三维空间直角坐标系,并将所有的历史弹性夹的三维图像信息进行坐标转化,得到每个历史弹性夹的三维图像的曲线坐标信息;
基于所述曲线坐标信息进行曲率计算,并将计算得到的曲线上所有坐标对应的曲率值与预设的阈值进行对比,得到对比结果;
将所有对比结果中曲率值大于预设的阈值的坐标进行标记,得到标记后的坐标信息;
将所有标记后的坐标信息和所有标记后的坐标信息对应的曲率值作为关键点信息上传至数据库进行存储。
3.根据权利要求1所述的道岔的弹性夹结构的设计方法,其特征在于,所述将所有历史弹性夹的关键点信息和轮载时的作用要求信息进行关联分析,包括:
将所有轮载时的作用要求信息发送至Bert模型中进行预训练,确定所有轮载时的作用要求信息中的特征数据信息,所述特征数据信息为轮载时的弹性夹的扣压力阈值和弹性夹的自身应力阈值;
将所有历史弹性夹的关键点信息和特征数据信息进行无量纲化处理,得到无量纲化后的关键点信息和无量纲化后的作用要求信息;
基于预设的关联度值的计算公式对所述无量纲化后的关键点信息和无量纲化后的作用要求信息进行关联度计算,得到无量纲化后的关键点信息和无量纲化后的作用要求信息的关联度值。
4.根据权利要求1所述的道岔的弹性夹结构的设计方法,其特征在于,所述将所有历史弹性夹的关键点信息进行层次分析,得到每个历史弹性夹的关键点信息之间的相对权重信息,包括:
将所有历史弹性夹的关键点信息内的坐标信息和曲率值信息进行预处理,并基于预处理后的数据建立层次结构模型;
基于所述层次结构模型预处理后的数据依次进行重要性进行比较,构建得到判别矩阵;
基于层次结构模型逐层对所述判别矩阵中的预处理后的数据进行两两比较,得到每个层次的权重向量;
基于每个层次的所述权重向量计算每个预处理后的数据的特征向量,并对每个所述预处理后的数据的特征向量进行一致性检验,得到经过一致性检验的特征向量;
将所述一致性检验的特征向量作为对应关键点信息的相对权重信息。
5.根据权利要求1所述的道岔的弹性夹结构的设计方法,其特征在于,所述基于最小鉴别原理对所述相对权重信息和所述关联度值进行关键点信息权重分配,得到分配后的权重信息,包括:
基于所述相对权重信息和所述关联度值建立目标函数,并通过求解所述目标函数,得到所述相对权重信息和所述关联度值的组合权重向量;
基于所述组合权重向量构建拉格朗日函数,并将所述相对权重信息和所述关联度值带入至所述拉格朗日函数进行求解,得到所有关键点的权重分配信息。
6.一种道岔的弹性夹结构的设计系统,其特征在于,包括:
获取单元,用于获取所有历史弹性夹的三维图像信息和轮载时的作用要求信息,所述轮载时的作用要求信息包括轮载时的弹性夹的扣压力要求信息和弹性夹的自身应力要求信息;
第一处理单元,用于将所有历史弹性夹的三维图像信息发送至图像识别模型,得到所有历史弹性夹的关键点信息,所述关键点信息包括所有历史弹性夹中包含曲率特征的点的坐标信息;
第一分析单元,用于将所有历史弹性夹的关键点信息和轮载时的作用要求信息进行关联分析,得到所有历史弹性夹的关键点信息和轮载时的作用要求信息的关联度值;
第二分析单元,用于将所有历史弹性夹的关键点信息进行层次分析,得到每个历史弹性夹的关键点信息之间的相对权重信息;
第二处理单元,用于基于最小鉴别原理对所述相对权重信息和所述关联度值进行关键点信息权重分配,得到分配后的权重信息;
第三处理单元,用于将所述分配后的权重信息和所有历史弹性夹的关键点信息发送至训练后的神经网络模型进行弹性夹结构预测和优化,得到优化后的弹性夹结构信息。
7.根据权利要求6所述的道岔的弹性夹结构的设计系统,其特征在于,所述第一处理单元包括:
第一处理子单元,用于基于所有历史弹性夹的三维图像信息建立三维空间直角坐标系,并将所有的历史弹性夹的三维图像信息进行坐标转化,得到每个历史弹性夹的三维图像的曲线坐标信息;
第一对比子单元,用于基于所述曲线坐标信息进行曲率计算,并将计算得到的曲线上所有坐标对应的曲率值与预设的阈值进行对比,得到对比结果;
第二对比子单元,用于将所有对比结果中曲率值大于预设的阈值的坐标进行标记,得到标记后的坐标信息;
第二处理子单元,用于将所有标记后的坐标信息和所有标记后的坐标信息对应的曲率值作为关键点信息上传至数据库进行存储。
8.根据权利要求6所述的道岔的弹性夹结构的设计系统,其特征在于,所述第一分析单元包括:
第三处理子单元,用于将所有轮载时的作用要求信息发送至Bert模型中进行预训练,确定所有轮载时的作用要求信息中的特征数据信息,所述特征数据信息为轮载时的弹性夹的扣压力阈值和弹性夹的自身应力阈值;
第四处理子单元,用于将所有历史弹性夹的关键点信息和特征数据信息进行无量纲化处理,得到无量纲化后的关键点信息和无量纲化后的作用要求信息;
第一计算子单元,用于基于预设的关联度值的计算公式对所述无量纲化后的关键点信息和无量纲化后的作用要求信息进行关联度计算,得到无量纲化后的关键点信息和无量纲化后的作用要求信息的关联度值。
9.根据权利要求6所述的道岔的弹性夹结构的设计系统,其特征在于,所述第二分析单元包括:
第五处理子单元,用于将所有历史弹性夹的关键点信息内的坐标信息和曲率值信息进行预处理,并基于预处理后的数据建立层次结构模型;
第三对比子单元,用于基于所述层次结构模型预处理后的数据依次进行重要性进行比较,构建得到判别矩阵;
第四对比子单元,用于基于层次结构模型逐层对所述判别矩阵中的预处理后的数据进行两两比较,得到每个层次的权重向量;
第二计算子单元,用于基于每个层次的所述权重向量计算每个预处理后的数据的特征向量,并对每个所述预处理后的数据的特征向量进行一致性检验,得到经过一致性检验的特征向量;
第六处理子单元,用于将所述一致性检验的特征向量作为对应关键点信息的相对权重信息。
10.根据权利要求6所述的道岔的弹性夹结构的设计系统,其特征在于,所述第二处理单元包括:
第三计算子单元,用于基于所述相对权重信息和所述关联度值建立目标函数,并通过求解所述目标函数,得到所述相对权重信息和所述关联度值的组合权重向量;
第四计算子单元,用于基于所述组合权重向量构建拉格朗日函数,并将所述相对权重信息和所述关联度值带入至所述拉格朗日函数进行求解,得到所有关键点的权重分配信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311043228.4A CN116776501B (zh) | 2023-08-18 | 2023-08-18 | 一种道岔的弹性夹结构的设计方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311043228.4A CN116776501B (zh) | 2023-08-18 | 2023-08-18 | 一种道岔的弹性夹结构的设计方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116776501A CN116776501A (zh) | 2023-09-19 |
CN116776501B true CN116776501B (zh) | 2024-01-19 |
Family
ID=88013771
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311043228.4A Active CN116776501B (zh) | 2023-08-18 | 2023-08-18 | 一种道岔的弹性夹结构的设计方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116776501B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115412301A (zh) * | 2022-08-02 | 2022-11-29 | 云南电网有限责任公司信息中心 | 一种网络安全的预测分析方法及系统 |
CN115617217A (zh) * | 2022-11-23 | 2023-01-17 | 中国科学院心理研究所 | 一种车辆状态的显示方法、装置、设备及可读存储介质 |
CN116187030A (zh) * | 2023-01-31 | 2023-05-30 | 中国铁道科学研究院集团有限公司铁道建筑研究所 | 一种客货共线铁路道岔结构优化与性能提升方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11126894B2 (en) * | 2017-06-05 | 2021-09-21 | Siemens Aktiengesellschaft | Method and apparatus for analysing an image |
CN112858473B (zh) * | 2020-12-25 | 2022-07-12 | 杭州浙达精益机电技术股份有限公司 | 一种基于特征融合的道岔尖轨伤损状态监测方法 |
-
2023
- 2023-08-18 CN CN202311043228.4A patent/CN116776501B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115412301A (zh) * | 2022-08-02 | 2022-11-29 | 云南电网有限责任公司信息中心 | 一种网络安全的预测分析方法及系统 |
CN115617217A (zh) * | 2022-11-23 | 2023-01-17 | 中国科学院心理研究所 | 一种车辆状态的显示方法、装置、设备及可读存储介质 |
CN116187030A (zh) * | 2023-01-31 | 2023-05-30 | 中国铁道科学研究院集团有限公司铁道建筑研究所 | 一种客货共线铁路道岔结构优化与性能提升方法 |
Non-Patent Citations (1)
Title |
---|
铁路道岔处弹性夹的结构设计及参数优化;陈立志;《中国优秀硕士学位论文全文数据库》(第03期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN116776501A (zh) | 2023-09-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110427466B (zh) | 用于问答匹配的神经网络模型的训练方法和装置 | |
Möller et al. | Fuzzy structural analysis using α-level optimization | |
CN105740984A (zh) | 一种基于性能预测的产品概念性能评价方法 | |
CN110852755A (zh) | 针对交易场景的用户身份识别方法和装置 | |
CN112417381B (zh) | 应用于图像版权保护的快速定位侵权图像的方法及装置 | |
CN115412301B (zh) | 一种网络安全的预测分析方法及系统 | |
CN108762503A (zh) | 一种基于多模态数据采集的人机交互系统 | |
CN110674636A (zh) | 一种用电行为分析方法 | |
CN116258086B (zh) | 一种燃气管道风险评估方法及系统 | |
CN112465231B (zh) | 地区人口健康状态预测方法、设备和可读存储介质 | |
US20220019916A1 (en) | Apparatus and method for recommending federated learning based on tendency analysis of recognition model and method for federated learning in user terminal | |
Dai et al. | Hybrid deep model for human behavior understanding on industrial internet of video things | |
CN112000788B (zh) | 一种数据处理方法、装置以及计算机可读存储介质 | |
CN116562331B (zh) | 一种改进爬行动物搜索算法优化svm的方法及其应用 | |
CN116402630B (zh) | 一种基于表征学习的财务风险预测方法及系统 | |
CN111144721A (zh) | 电网项目需求评价模型的构建方法、装置和计算设备 | |
CN107300907B (zh) | 结合综合评估与假设检验的飞行器控制系统性能评定方法 | |
CN113889262A (zh) | 基于模型的数据预测方法、装置、计算机设备和存储介质 | |
CN116776501B (zh) | 一种道岔的弹性夹结构的设计方法及系统 | |
CN110765351A (zh) | 目标用户识别方法、装置、计算机设备和存储介质 | |
CN101226521A (zh) | 一种用于多义性数据对象预测建模的机器学习方法 | |
CN112527897A (zh) | 一种数据处理方法及系统 | |
CN109615018B (zh) | 用户个性化行为评价方法、装置、计算机设备和存储介质 | |
CN112905166B (zh) | 人工智能编程系统、计算机设备、计算机可读存储介质 | |
CN115051474A (zh) | 一种配电网线路开关状态识别方法及系统 |
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 |