CN117360592A - 一种列车运行状态监控方法、装置、设备及存储介质 - Google Patents
一种列车运行状态监控方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN117360592A CN117360592A CN202311642595.6A CN202311642595A CN117360592A CN 117360592 A CN117360592 A CN 117360592A CN 202311642595 A CN202311642595 A CN 202311642595A CN 117360592 A CN117360592 A CN 117360592A
- Authority
- CN
- China
- Prior art keywords
- section
- train
- target
- data
- train operation
- 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.)
- Granted
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 51
- 238000000034 method Methods 0.000 title claims abstract description 45
- 230000002159 abnormal effect Effects 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 7
- 238000012806 monitoring device Methods 0.000 claims description 7
- 238000003062 neural network model Methods 0.000 abstract description 12
- 238000004364 calculation method Methods 0.000 abstract description 4
- 230000000694 effects Effects 0.000 abstract description 4
- 230000005856 abnormality Effects 0.000 abstract description 3
- 239000002699 waste material Substances 0.000 abstract description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 1
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B61—RAILWAYS
- B61L—GUIDING RAILWAY TRAFFIC; ENSURING THE SAFETY OF RAILWAY TRAFFIC
- B61L27/00—Central railway traffic control systems; Trackside control; Communication systems specially adapted therefor
- B61L27/10—Operations, e.g. scheduling or time tables
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B61—RAILWAYS
- B61L—GUIDING RAILWAY TRAFFIC; ENSURING THE SAFETY OF RAILWAY TRAFFIC
- B61L27/00—Central railway traffic control systems; Trackside control; Communication systems specially adapted therefor
- B61L27/20—Trackside control of safe travel of vehicle or train, e.g. braking curve calculation
Landscapes
- Engineering & Computer Science (AREA)
- Mechanical Engineering (AREA)
- Train Traffic Observation, Control, And Security (AREA)
Abstract
本发明公开了一种列车运行状态监控方法、装置、设备及存储介质，应用于故障监测领域，该方法包括：将目标轨道进行分段得到多个轨道路段；获取目标类型列车在每个轨道路段的历史列车运行数据；构建包含历史列车运行数据的区间，将区间进行等间距划分得到多个子区间；将包含历史列车运行数据最多的子区间确定为目标区间；基于目标区间进行目标类型列车的运行状态监控。由于列车的车型、载重、行驶状态及行驶轨道等不同，用于判断列车运行状态异常的指标并不相同，最终训练得到的神经网络模型的准确度较低，效果较差。本发明与现有技术相比，无需针对每一类型列车在各轨道上都训练出对应的神经网络模型，降低了计算资源的浪费，提高了效率。
Description
技术领域
本发明涉及故障监测领域，特别涉及一种列车运行状态监控方法、列车运行状态监控装置、列车运行状态监控设备及计算机可读存储介质。
背景技术
轨道交通是我国重要的基础设施，对列车在行驶过程中的状态进行监控有利于保障轨道交通安全平稳的运行，避免安全事故的发生。现有技术一般通过列车在行驶过程中的运行数据训练神经网络模型，通过神经网络模型进行列车运行状态的监控。由于列车的车型、载重、行驶状态及行驶轨道等不同，用于判断列车运行状态异常的指标并不相同，最终训练得到的神经网络模型的准确度较低，效果较差。由于我国列车车型及轨道数量非常多，若要针对每一类型列车在各轨道上都训练出对应的神经网络模型，则需要耗费大量的计算资源，成本高且效率低。
发明内容
本发明的目的在于提供一种列车运行状态监控方法、列车运行状态监控装置、列车运行状态监控设备及计算机可读存储介质，应用于故障监测领域，该方法通过获取目标类型列车在目标轨道各路段的历史运行数据，通过构建包含历史运行数据的区间，将区间进行等间距划分得到多个子区间，将包含列车运行数据最多的子区间确定为目标区间，基于目标区间即可进行列车运行状态的监控，与现有技术相比，无需针对每一类型列车在各轨道上都训练出对应的神经网络模型，降低了计算资源的浪费，提高了效率。
为解决上述技术问题，本发明提供一种列车运行状态监控方法，包括：
将目标轨道进行分段得到多个轨道路段；
获取目标类型列车在每个所述轨道路段的历史列车运行数据；
构建包含所述历史列车运行数据的区间，将所述区间进行等间距划分得到多个子区间；
将包含所述历史列车运行数据最多的子区间确定为目标区间；
基于所述目标区间进行所述目标类型列车的运行状态监控。
可选的，所述基于所述目标区间进行所述目标类型列车的运行状态监控，包括：
从所述目标类型列车中确定待监测车辆；
从所述轨道路段中确定目标轨道路段；
获取所述待监测车辆在第一预设时间内行驶在所述目标轨道路段的待监测列车运行数据；
确定所述待监测列车运行数据在所述目标轨道路段对应目标区间中的数据占比；
基于所述数据占比进行所述待监测车辆在所述目标轨道路段的运行状态监控。
可选的，所述基于所述数据占比进行所述待监测车辆在所述目标轨道路段的运行状态监控，包括：
基于所述历史列车运行数据的数据量确定数据占比阈值；
当所述数据占比大于所述数据占比阈值，确定所述待监测车辆在所述目标轨道路段的运行状态为正常；
当所述数据占比小于所述数据占比阈值，确定所述待监测车辆在所述目标轨道路段的运行状态为异常。
可选的，所述构建包含所述历史列车运行数据的区间，将所述区间进行等间距划分得到多个子区间，包括：
获取每个类型的历史列车运行数据的最大值及最小值；
基于所述最大值与所述最小值构建每个类型的历史列车运行数据对应的所述区间；
基于每个类型的历史列车运行数据的数据量确定对应的区间划分间隔；
基于所述区间划分间隔将对应区间进行等间距划分得到多个所述子区间。
可选的，所述将所述目标轨道进行分段得到多个轨道路段，包括：
基于所述历史列车运行数据的数据量确定断面等级；
将所述目标轨道按照所述断面等级进行划分得到多个断面；
对每个所述断面进行唯一性命名。
可选的，所述对每个所述断面进行唯一性命名，包括：
基于所述断面的上下行编号、断面等级、线路号及断面起始量程对每个所述断面进行唯一性命名。
可选的，该方法还包括：
每隔第二预设时间更新所述历史列车运行数据；
基于更新后的历史列车运行数据重新确定所述目标区间。
为解决上述技术问题，本发明提供一种列车运行状态监控装置，包括：
第一模块，用于将目标轨道进行分段得到多个轨道路段；
第二模块，用于获取目标类型列车在每个所述轨道路段的历史列车运行数据；
第三模块，用于构建包含所述历史列车运行数据的区间，将所述区间进行等间距划分得到多个子区间；
第四模块，用于将包含所述历史列车运行数据最多的子区间确定为目标区间；
第五模块，用于基于所述目标区间进行所述目标类型列车的运行状态监控。
为解决上述技术问题，本发明提供一种列车运行状态监控设备，包括：
存储器，用于储存计算机程序；
处理器，用于执行所述计算机程序时实现所述列车运行状态监控方法。
为解决上述技术问题，本发明提供一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机可执行指令，所述计算机可执行指令被处理器执行时，实现所述列车运行状态监控方法。
可见，本发明方法通过将目标轨道进行分段得到多个轨道路段；获取目标类型列车在每个轨道路段的历史列车运行数据；构建包含历史列车运行数据的区间，将区间进行等间距划分得到多个子区间；将包含历史列车运行数据最多的子区间确定为目标区间；基于目标区间进行目标类型列车的运行状态监控。由于列车的车型、载重、行驶状态及行驶轨道等不同，用于判断列车运行状态异常的指标并不相同，最终训练得到的神经网络模型的准确度较低，效果较差。本发明与现有技术相比，无需针对每一类型列车在各轨道上都训练出对应的神经网络模型，降低了计算资源的浪费，提高了效率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术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，还可以根据提供的附图获得其他的附图。
图1为本发明实施例所提供的一种列车运行状态监控方法的流程图；
图2为本发明实施例所提供的一种列车运行状态监控装置的结构框图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
轨道交通是我国重要的基础设施，对列车在行驶过程中的状态进行监控有利于保障轨道交通安全平稳的运行，避免安全事故的发生。现有技术一般通过列车在行驶过程中的运行数据训练神经网络模型，通过神经网络模型进行列车运行状态的监控。即，将各类型列车在各轨道上行驶产生的异常运行数据进行整理，进行故障类型的标签，再通过正常运行状态下的运行数据及进行标签后的异常运行数据训练得到故障监测模型，通过模型进行列车运行状态的监测，判断列车再行驶的过程中是否发送故障。
由于列车的车型、载重、行驶状态及行驶轨道等不同，用于判断列车运行状态异常的指标并不相同，例如，当载重不同的列车行驶在同一轨道，其正常运行的速度不一定相同，当某一速度对于载重较轻的列车处于正常速度范围，但对于载重较重的列车，该速度可能超出了正常范围，在数据集中可能存在同一数据对应两种不同标签。最终训练得到的神经网络模型的准确度较低，效果较差。由于我国列车车型及轨道数量非常多，若要针对每一类型列车在各轨道上都训练出对应的神经网络模型，则需要耗费大量的计算资源，成本高且效率低。
本发明通过获取目标类型列车在目标轨道各路段的历史运行数据，通过构建包含历史运行数据的区间，将区间进行等间距划分得到多个子区间，将包含列车运行数据最多的子区间确定为目标区间，基于目标区间即可进行列车运行状态的监控，与现有技术相比，无需针对每一类型列车在各轨道上都训练出对应的神经网络模型，降低了计算资源的浪费，提高了效率。
以下结合图1，图1为本发明实施例所提供的一种列车运行状态监控方法的流程图，该方法可以包括：
S101：将目标轨道进行分段得到多个轨道路段。
本实施例中，若要对某一轨道上的车辆进行运行状态监控，可以将该轨道确定为目标轨道，并对目标轨道进行分段得到多个轨道路段，本实施例并不限定具体的分段方式，一般可以将目标轨道划分为多个断面，由工务提供的线路号+里程可以唯一的定位到具体的路段，里程又称为公里标，将里程按固定的长度取整，即可实现对铁路的分段，即断面区分。断面可以分为多个等级，每个等级的断面长度并不相同，本实施例中，公里标断面基本长度尺寸为1米，规定为0级。在0级断面的基础上，断面尺寸依次按2的整数次幂扩大，本实施例并不限定最高等级，一共可以存在18级，其中，第L级断面的长度为（2^L）*基本断面尺寸，例如4级断面的长度为（2^4）*1=16米。本实施例中断面等级的选择可以根据历史列车运行数据的数量进行设定，当历史列车运行数据的数量足够高时，可以按照最高等级（0级）的断面进行划分，具体设置方式可以根据实际应用进行设定。
在本实施例中，为了方便对划分后的各断面进行区分，可以对各断面进行唯一性命名，本实施例并不限定唯一性命名的具体方式，一般编号规则可以为：上/下行（0/1）+断面等级+线路号+断面起始量程。本实施例中，列车在行驶过程中可以获取线路号、上下行及公里标数据，用于进行列车定位，以确定列车当前行驶在轨道上的路段。
S102：获取目标类型列车在每个轨道路段的历史列车运行数据。
由于不同类型列车在同一轨道上用于判断列车运行故障的标准并不相同，本实施例中的列车运行状态监控方法一般应用在某一类型的列车，本实施例可以将需要监控的列车类型确定为目标类型，本实施例并不限定进行列车类型区分的具体方式，可以根据实际应用进行设置，一般可以先获取行驶在目标轨道上列车的信息，该信息可以包括列车基本信息与历史列车运行数据。本实施例中的列车基本信息可以包括列车的列车型号、列车号、车次名、车次扩充、列车载重、列车总重及列车在各分段行驶过程中的轨道信号等信息。本实施例可以根据列车的基本信息进行列车类型的划分，例如，将列车型号、列车总重、列车载重及各断面行驶过程中的轨道信号相同的列车确定为同一类型列车。由于列车在不同轨道信号下行驶状态不同，例如，当轨道信号为红灯时，列车减速行驶，当轨道信号为绿灯时，列车正常通行，因此列车在各断面行驶过程中的轨道信号也作为列车类型划分的依据。
本实施例并不限定获取目标类型列车在每个轨道路段的历史列车运行数据的具体方式，列车上一般安装有列车运行监控记录装置，本实施例可以从列车运行监控记录装置中获取目标类型列车在各轨道路段的历史运行数据，本实施例并不限定历史运行数据的具体内容，一般可以包括能效（发动机每转或每千瓦时完成的吨公里运输量）、运行速度、柴油机转速或电动机电流、发动机功率、管压、缸压、机车工况等类型数据。进一步，为了保障列车运行状态监控的准确性，本实施例还可以对获取得到的历史列车运行数据进行数据清洗。
进一步，本实施例也不限定各类型列车运行数据的采集频率，可以将各类型列车运行数据按重要程度进行排序，重要程度高的列车运行数据可以以更高的频率进行采集。
S103：构建包含历史列车运行数据的区间，将区间进行等间距划分得到多个子区间。
在获取目标类型列车在每个轨道路段的历史列车运行数据后，可以构建各轨道路段的历史列车运行数据的区间，本实施例并不限定区间的具体范围，一般其两端值可以为各轨道路段的历史列车运行数据中的最大值与最小值，进一步，本实施例中区间右端点值也可以大于最大值，区间左端点值也可以小于最小值。
由于历史列车运行数据包含多种类型的运行数据，本实施例中可以在各轨道路段对每种类型的历史列车运行数据都构建对应的区间。在区间构建完成之后可以将区间划分为多个子区间，本实施例并不限定子区间的划分方式，一般可以基于每个类型的历史列车运行数据的数据量确定对应的区间划分间隔，数据的数量与区间划分间隔呈负相关，数据量多时，区间划分间隔可以设置的更小，具体划分方式本实施例并不限定。当确定区间划分间隔之后，可以按照对应的区间划分间隔对各区间进行划分，得到各区间的多个子区间。
S104：将包含历史列车运行数据最多的子区间确定为目标区间。
由于当历史列车运行数据的数据量足够多时，历史列车运行数据最终会集中在某一范围内，该范围可以认为列车处于正常运行状态的范围，因此在进行各区间的划分之后，本实施例可以进行数据统计，将最终将包含历史列车运行数据最多的子区间确定为目标区间。
由于本实施例中的历史列车运行数据为目标轨道上每个轨道路段的数据，因此，对于每种类型的历史列车运行数据，在每个轨道路段上都存在对应的目标区间。
S105：基于目标区间进行目标类型列车的运行状态监控。
本实施例可以基于目标区间进行目标类型列车的运行状态监控。本实施例并不限定具体的监控方式，一般可以从目标类型列车中确定待监测车辆，即，当需要对目标类型列车中的某辆列车进行运行状态监控时，可以将该列车确定为待监测车辆，由于目标类型列车中任意一辆列车均可作为待监测车辆，本实施例可以实现对全部目标类型列车的运行状态监控。
进一步，本实施例中可以从轨道路段中确定目标轨道路段，由于本实施例中的任意路段都可以作为目标轨道路段，从而实现待监测车辆在整条轨道上运行状态的监控。
本实施例可以在某一时间范围内对待监测车辆在目标路段上的运行状态进行监控，如，本实施例可以获取待监测车辆在第一预设时间内行驶在目标轨道路段的待监测列车运行数据，该第一预设时间一般以天为单位，如在以天为单位的基础上可以按多天组合，如周、月、季及年等进行监控。
进一步，本实施例可以确定待监测列车运行数据在目标轨道路段对应目标区间中的数据占比，由于待监测列车运行数据可以包含多种类型的运行数据，每种数据类型可以反映不同的故障类型，在本实施例中可以计算各类型待监测列车运行数据在对应目标区间中的数据占比，待监测列车运行数据对应的目标区间为根据相同类型历史列车运行数据确定得到的目标区间。
本实施例可以基于数据占比进行待监测车辆在目标轨道路段的运行状态监控。本实施例并不限定基于数据占比进行待监测车辆在目标轨道路段的运行状态监控的具体方式，一般可以基于历史列车运行数据的数据量确定数据占比阈值，由于各类型历史列车运行数据的数据量并不相同，因此根据各类型历史列车运行数据的数据量所确定的数据占比阈值不一定相同。
本实施例并不限定运行状态异常的判定方式，当数据占比大于数据占比阈值，可以确定待检测车辆在目标轨道路段的运行状态为正常；当数据占比小于数据占比阈值，可以确定待检测车辆在目标轨道路段的运行状态为异常。
由于待监测列车运行数据可以包含多种类型的运行数据，在本实施例中当某一类型的待监测列车运行数据在对应目标区间中的数据占比大于对应的数据占比阈值时，则可以确定该类型待监测列车运行数据正常，当全部类型的待监测列车运行数据正常时，则可以判断列车的运行状态正常。
当某一类型的待监测列车运行数据在对应目标区间中的数据占比小于对应的数据占比阈值时，则可以确定该类型待监测列车运行数据异常，进一步可以判定待监测车辆的运行状态异常。由于数据类型与故障类型存在关联，本实施例可以根据异常的待监测列车运行数据的类型确定对应的故障类型。例如，当待监测车辆的柴油机转速数据异常时，则可以判定柴油机存在故障。
进一步，为保障列车运行状态监控的准确性，本实施例可以每隔第二预设时间更新历史列车运行数据，基于更新后的历史列车运行数据重新确定目标区间。本实施例并不限定具体的更新方式，一般可以建立数据循环队列，循环将新数据替换旧数据，例如，当循环队列的长度为10000条数据时，每新增一条历史列车运行数据可以将最新的历史列车运行数据添加至队列中，将存在时间最久的历史列车运行数据删除。
基于上述实施例，本发明通过获取目标类型列车在目标轨道各路段的历史运行数据，通过构建包含历史运行数据的区间，将区间进行等间距划分得到多个子区间，将包含列车运行数据最多的子区间确定为目标区间，基于目标区间即可进行列车运行状态的监控，与现有技术相比，无需针对每一类型列车在各轨道上都训练出对应的神经网络模型，降低了计算资源的浪费，提高了效率。
以下为本发明实施例所提供的一种列车运行状态监控方法的具体实施例，该具体实施例为使用某一类型的历史列车运行数据进行运行状态监控，该具体实施例可以包括：
将目标轨道按照0级断面大小进行分段得到多个断面；
获取目标类型列车在目标断面的历史运行速度数据；
确定历史运行速度数据的最大值与最小值；
将最大值与最小值作为区间端点构建区间；
将该区间进行10等分得到10个子区间；
进行数据统计，确定10个子区间中存在历史运行速度数据最多的子区间，将该子区间确定为目标区间；
获取待监测车辆行驶在目标断面上所产生的待监测运行速度数据；
判断待监测运行速度数据在目标区间中的数据占比；
当数据占比大于数据占比阈值时，确定待监测运行速度数据正常；
当数据占比小于数据占比阈值时，确定待监测运行速度数据异常。
以下结合图2，图2为本发明实施例所提供的一种列车运行状态监控装置的结构框图，该装置可以包括：
第一模块100，用于将目标轨道进行分段得到多个轨道路段；
第二模块200，用于获取目标类型列车在每个所述轨道路段的历史列车运行数据；
第三模块300，用于构建包含所述历史列车运行数据的区间，将所述区间进行等间距划分得到多个子区间；
第四模块400，用于将包含所述历史列车运行数据最多的子区间确定为目标区间；
第五模块500，用于基于所述目标区间进行所述目标类型列车的运行状态监控。
基于上述实施例，本发明通过获取目标类型列车在目标轨道各路段的历史运行数据，通过构建包含历史运行数据的区间，将区间进行等间距划分得到多个子区间，将包含列车运行数据最多的子区间确定为目标区间，基于目标区间即可进行列车运行状态的监控，与现有技术相比，无需针对每一类型列车在各轨道上都训练出对应的神经网络模型，降低了计算资源的浪费，提高了效率。
基于上述实施例，所述第五模块500，可以包括：
第一单元，用于从所述目标类型列车中确定待监测车辆；
第二单元，用于从所述轨道路段中确定目标轨道路段；
第三单元，用于获取所述待监测车辆在第一预设时间内行驶在所述目标轨道路段的待监测列车运行数据；
第四单元，用于确定所述待监测列车运行数据在所述目标轨道路段对应目标区间中的数据占比；
第五单元，用于基于所述数据占比进行所述待监测车辆在所述目标轨道路段的运行状态监控。
基于上述各实施例，所述第五单元，包括：
第一子单元，用于基于所述历史列车运行数据的数据量确定数据占比阈值；
第二子单元，用于当所述数据占比大于所述数据占比阈值，确定所述待监测车辆在所述目标轨道路段的运行状态为正常；
第三子单元，用于当所述数据占比小于所述数据占比阈值，确定所述待监测车辆在所述目标轨道路段的运行状态为异常。
基于上述各实施例，所述第三模块300，可以包括：
第六单元，用于获取每个类型的历史列车运行数据的最大值及最小值；
第七单元，用于基于所述最大值与所述最小值构建每个类型的历史列车运行数据对应的所述区间；
第八单元，用于基于每个类型的历史列车运行数据的数据量确定对应的区间划分间隔；
第九单元，用于基于所述区间划分间隔将对应区间进行等间距划分得到多个所述子区间。
基于上述各实施例，所述第一模块100，可以包括：
第十单元，用于基于所述历史列车运行数据的数据量确定断面等级；
第十一单元，用于将所述目标轨道按照所述断面等级进行划分得到多个断面；
第十二单元，用于对每个所述断面进行唯一性命名。
基于上述各实施例，所述第十二单元，可以包括：
第四子单元，用于基于所述断面的上下行编号、断面等级、线路号及断面起始量程对每个所述断面进行唯一性命名。
基于上述各实施例，该装置还可以包括：
第六模块，用于每隔第二预设时间更新所述历史列车运行数据；
第七模块，用于基于更新后的历史列车运行数据重新确定所述目标区间。
基于上述实施例，本发明还提供了一种列车运行状态监控设备，该设备可以包括存储器和处理器，其中，该存储器中存有计算机程序，该处理器调用该存储器中的计算机程序时，可以实现上述实施例所提供的步骤。当然，该设备还可以包括各种必要的网络接口、电源以及其它零部件等。
本发明还提供了一种计算机可读存储介质，其上存有计算机程序，该计算机程序被执行终端或处理器执行时可以实现本发明实施例所提供的方法；该存储介质可以包括：U盘、移动硬盘、只读存储器（Read-Only Memory，ROM）、随机存取存储器（Random AccessMemory，RAM）、磁碟或者光盘等各种可以存储程序代码的介质。
在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上对本发明所提供的一种列车运行状态监控方法、列车运行状态监控装置、列车运行状态监控设备及计算机可读存储介质进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种列车运行状态监控方法，其特征在于，包括：
将目标轨道进行分段得到多个轨道路段；
获取目标类型列车在每个所述轨道路段的历史列车运行数据；
构建包含所述历史列车运行数据的区间，将所述区间进行等间距划分得到多个子区间；
将包含所述历史列车运行数据最多的子区间确定为目标区间；
基于所述目标区间进行所述目标类型列车的运行状态监控。
2.根据权利要求1所述列车运行状态监控方法，其特征在于，所述基于所述目标区间进行所述目标类型列车的运行状态监控，包括：
从所述目标类型列车中确定待监测车辆；
从所述轨道路段中确定目标轨道路段；
获取所述待监测车辆在第一预设时间内行驶在所述目标轨道路段的待监测列车运行数据；
确定所述待监测列车运行数据在所述目标轨道路段对应目标区间中的数据占比；
基于所述数据占比进行所述待监测车辆在所述目标轨道路段的运行状态监控。
3.根据权利要求2所述列车运行状态监控方法，其特征在于，所述基于所述数据占比进行所述待监测车辆在所述目标轨道路段的运行状态监控，包括：
基于所述历史列车运行数据的数据量确定数据占比阈值；
当所述数据占比大于所述数据占比阈值，确定所述待监测车辆在所述目标轨道路段的运行状态为正常；
当所述数据占比小于所述数据占比阈值，确定所述待监测车辆在所述目标轨道路段的运行状态为异常。
4.根据权利要求1所述列车运行状态监控方法，其特征在于，所述构建包含所述历史列车运行数据的区间，将所述区间进行等间距划分得到多个子区间，包括：
获取每个类型的历史列车运行数据的最大值及最小值；
基于所述最大值与所述最小值构建每个类型的历史列车运行数据对应的所述区间；
基于每个类型的历史列车运行数据的数据量确定对应的区间划分间隔；
基于所述区间划分间隔将对应区间进行等间距划分得到多个所述子区间。
5.根据权利要求1所述列车运行状态监控方法，其特征在于，所述将目标轨道进行分段得到多个轨道路段，包括：
基于所述历史列车运行数据的数据量确定断面等级；
将所述目标轨道按照所述断面等级进行划分得到多个断面；
对每个所述断面进行唯一性命名。
6.根据权利要求5所述列车运行状态监控方法，其特征在于，所述对每个所述断面进行唯一性命名，包括：
基于所述断面的上下行编号、断面等级、线路号及断面起始量程对每个所述断面进行唯一性命名。
7.根据权利要求1所述列车运行状态监控方法，其特征在于，还包括：
每隔第二预设时间更新所述历史列车运行数据；
基于更新后的历史列车运行数据重新确定所述目标区间。
8.一种列车运行状态监控装置，其特征在于，包括：
第一模块，用于将目标轨道进行分段得到多个轨道路段；
第二模块，用于获取目标类型列车在每个所述轨道路段的历史列车运行数据；
第三模块，用于构建包含所述历史列车运行数据的区间，将所述区间进行等间距划分得到多个子区间；
第四模块，用于将包含所述历史列车运行数据最多的子区间确定为目标区间；
第五模块，用于基于所述目标区间进行所述目标类型列车的运行状态监控。
9.一种列车运行状态监控设备，其特征在于，包括：
存储器，用于储存计算机程序；
处理器，用于执行所述计算机程序时实现如权利要求1至7任一项所述列车运行状态监控方法。
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中存储有计算机可执行指令，所述计算机可执行指令被处理器执行时，实现如权利要求1至7任一项所述列车运行状态监控方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311642595.6A CN117360592B (zh) | 2023-12-04 | 2023-12-04 | 一种列车运行状态监控方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311642595.6A CN117360592B (zh) | 2023-12-04 | 2023-12-04 | 一种列车运行状态监控方法、装置、设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117360592A true CN117360592A (zh) | 2024-01-09 |
| CN117360592B CN117360592B (zh) | 2024-03-12 |
Family
ID=89398725
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311642595.6A Active CN117360592B (zh) | 2023-12-04 | 2023-12-04 | 一种列车运行状态监控方法、装置、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117360592B (zh) |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103645444A (zh) * | 2013-12-23 | 2014-03-19 | 中国科学院电工研究所 | 基于众数原理的电池一致性在线评价方法及检测电路 |
| CN106080655A (zh) * | 2016-08-24 | 2016-11-09 | 中车株洲电力机车研究所有限公司 | 一种列车轴温异常的检测方法、装置以及列车 |
| CN109217304A (zh) * | 2018-10-17 | 2019-01-15 | 贵州电网有限责任公司 | 基于wams系统量测量的线路参数辨识方法 |
| CN109918220A (zh) * | 2019-02-13 | 2019-06-21 | 北京科技大学 | 一种异常数据检测参数的确定方法及确定装置 |
| CN110293949A (zh) * | 2019-06-06 | 2019-10-01 | 山东科技大学 | 一种高速列车空气制动系统微小故障检测方法 |
| CN111833604A (zh) * | 2020-07-10 | 2020-10-27 | 北京交通大学 | 基于驾驶行为特征提取的车辆载重状态识别方法及装置 |
| CN112026845A (zh) * | 2020-09-02 | 2020-12-04 | 中车青岛四方机车车辆股份有限公司 | 一种列车温度监测方法、装置、列车及电子设备和介质 |
| AU2020103098A4 (en) * | 2020-10-29 | 2021-01-07 | China University Of Geosciences (Beijing) | Ore prospecting prediction method of nonlinear discrete speculation model |
| CN114509283A (zh) * | 2022-01-05 | 2022-05-17 | 中车唐山机车车辆有限公司 | 系统故障监测方法、装置、电子设备和存储介质 |
| CN116166983A (zh) * | 2022-12-23 | 2023-05-26 | 易思维（杭州）科技有限公司 | 一种基于机器学习的列车弓网故障检测方法 |
| CN116381324A (zh) * | 2023-03-03 | 2023-07-04 | 深圳市拓普泰克技术股份有限公司 | 一种智能电表 |
| CN116563972A (zh) * | 2023-07-06 | 2023-08-08 | 深圳市霆宝科技有限公司 | 一种基于ai模型的汽车热管理诊断系统及方法 |
-
2023
- 2023-12-04 CN CN202311642595.6A patent/CN117360592B/zh active Active
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103645444A (zh) * | 2013-12-23 | 2014-03-19 | 中国科学院电工研究所 | 基于众数原理的电池一致性在线评价方法及检测电路 |
| CN106080655A (zh) * | 2016-08-24 | 2016-11-09 | 中车株洲电力机车研究所有限公司 | 一种列车轴温异常的检测方法、装置以及列车 |
| CN109217304A (zh) * | 2018-10-17 | 2019-01-15 | 贵州电网有限责任公司 | 基于wams系统量测量的线路参数辨识方法 |
| CN109918220A (zh) * | 2019-02-13 | 2019-06-21 | 北京科技大学 | 一种异常数据检测参数的确定方法及确定装置 |
| CN110293949A (zh) * | 2019-06-06 | 2019-10-01 | 山东科技大学 | 一种高速列车空气制动系统微小故障检测方法 |
| CN111833604A (zh) * | 2020-07-10 | 2020-10-27 | 北京交通大学 | 基于驾驶行为特征提取的车辆载重状态识别方法及装置 |
| CN112026845A (zh) * | 2020-09-02 | 2020-12-04 | 中车青岛四方机车车辆股份有限公司 | 一种列车温度监测方法、装置、列车及电子设备和介质 |
| AU2020103098A4 (en) * | 2020-10-29 | 2021-01-07 | China University Of Geosciences (Beijing) | Ore prospecting prediction method of nonlinear discrete speculation model |
| CN114509283A (zh) * | 2022-01-05 | 2022-05-17 | 中车唐山机车车辆有限公司 | 系统故障监测方法、装置、电子设备和存储介质 |
| CN116166983A (zh) * | 2022-12-23 | 2023-05-26 | 易思维（杭州）科技有限公司 | 一种基于机器学习的列车弓网故障检测方法 |
| CN116381324A (zh) * | 2023-03-03 | 2023-07-04 | 深圳市拓普泰克技术股份有限公司 | 一种智能电表 |
| CN116563972A (zh) * | 2023-07-06 | 2023-08-08 | 深圳市霆宝科技有限公司 | 一种基于ai模型的汽车热管理诊断系统及方法 |
Non-Patent Citations (1)
| Title |
|---|
| 卢青松 等: "动车组轴温传感器故障诊断策略研究与应用", 控制与信息技术, no. 474 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117360592B (zh) | 2024-03-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109558988B (zh) | 一种基于大数据融合的电动汽车能耗预测方法及系统 | |
| CN101425686B (zh) | 电力系统在线安全稳定评估预想故障集自适应筛选方法 | |
| CN101706996A (zh) | 一种基于信息融合的高速公路交通状态识别方法 | |
| CN112550059B (zh) | 一种基于大数据的共享单车云平台智能换电方法及系统 | |
| CN107622655A (zh) | 一种重点营运车辆疲劳驾驶监控方法和系统 | |
| CN111898185B (zh) | 轨道交通设计方案评价方法、装置及可读存储介质 | |
| CN115526355A (zh) | 一种用于共享车辆的智能监测管理方法、系统及电子设备 | |
| CN117360592B (zh) | 一种列车运行状态监控方法、装置、设备及存储介质 | |
| CN115496278A (zh) | 一种水电机组定子线圈温度预警方法及系统 | |
| CN111582744A (zh) | 一种故障处置预案在线校核并行计算方法及系统 | |
| CN111553603A (zh) | 一种低压用户供电可靠性评估方法、装置及计算机可读存储介质 | |
| CN112001532B (zh) | 道岔故障预测方法、装置、电子设备及存储介质 | |
| CN107967802A (zh) | 一种公交车车速确定方法及装置 | |
| CN116359656B (zh) | 一种基于人工智能的充电车道设备测试管理系统及方法 | |
| CN113312380B (zh) | 基于数据驱动的水电机组振动区自动获取方法及装置 | |
| CN117081240A (zh) | 一种基于多接入边缘计算技术的电网融合控制方法及系统 | |
| CN116579527A (zh) | 一种企业用油统计数据智能分析管理系统 | |
| CN115131895B (zh) | 一种获取车辆里程数据的方法、装置和电子设备 | |
| CN110866739A (zh) | 一种考虑故障排查路径的配电网综合停电时间表示方法 | |
| CN116205460A (zh) | 基于乘客画像和eta数据的公交报站生成方法、装置及应用 | |
| CN116070883A (zh) | 一种道路日常养护自动派单管理方法与系统 | |
| CN114524004B (zh) | 机车运用统计方法、装置、设备和存储介质 | |
| CN113378102A (zh) | 一种用于短期负荷预测数据缺失预处理方法、介质及应用 | |
| CN114049237A (zh) | 一种自动审核优化停电单的智能化方法及装置 | |
| CN114077920A (zh) | 一种轨道交通车辆智能维保方法、装置及设备 |
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 |