CN117508237A - 列车空转打滑智能预测方法、设备、存储介质 - Google Patents
列车空转打滑智能预测方法、设备、存储介质 Download PDFInfo
- Publication number
- CN117508237A CN117508237A CN202311472611.1A CN202311472611A CN117508237A CN 117508237 A CN117508237 A CN 117508237A CN 202311472611 A CN202311472611 A CN 202311472611A CN 117508237 A CN117508237 A CN 117508237A
- Authority
- CN
- China
- Prior art keywords
- train
- information
- working condition
- rail surface
- determining
- 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 92
- 238000003860 storage Methods 0.000 title claims abstract description 15
- 230000007613 environmental effect Effects 0.000 claims abstract description 69
- 238000001514 detection method Methods 0.000 claims abstract description 48
- 230000008447 perception Effects 0.000 claims abstract description 17
- 238000012549 training Methods 0.000 claims description 25
- 238000004590 computer program Methods 0.000 claims description 21
- 238000011217 control strategy Methods 0.000 claims description 10
- 238000005516 engineering process Methods 0.000 claims description 9
- 238000012795 verification Methods 0.000 claims description 5
- 230000008569 process Effects 0.000 description 23
- 238000010586 diagram Methods 0.000 description 12
- 230000006870 function Effects 0.000 description 9
- 238000005299 abrasion Methods 0.000 description 8
- 229910000831 Steel Inorganic materials 0.000 description 7
- 238000012545 processing Methods 0.000 description 7
- 239000010959 steel Substances 0.000 description 7
- 238000012986 modification Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 5
- 238000013527 convolutional neural network Methods 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 230000015556 catabolic process Effects 0.000 description 2
- 238000013145 classification model Methods 0.000 description 2
- 238000006731 degradation reaction Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000010200 validation analysis Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B61—RAILWAYS
- B61C—LOCOMOTIVES; MOTOR RAILCARS
- B61C15/00—Maintaining or augmenting the starting or braking power by auxiliary devices and measures; Preventing wheel slippage; Controlling distribution of tractive effort between driving wheels
- B61C15/08—Preventing wheel slippage
Landscapes
- Engineering & Computer Science (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Train Traffic Observation, Control, And Security (AREA)
Abstract
本申请提供一种列车空转打滑智能预测方法、设备、存储介质，该方法确定列车所处轨道的线路信息，以及，获取列车的环境感知信息；根据环境感知信息，确定运行标签、环境特征、工况特征和轨面附着物类型；基于线路信息、运行标签、环境特征、工况特征、轨面附着物类型以及预先训练的空转打滑检测模型，得到预测结果。本申请提供的方法基于线路信息、运行标签、环境特征、工况特征、轨面附着物类型以及预先训练的空转打滑检测模型，得到预测结果，由于线路信息、运行标签、环境特征、工况特征、轨面附着物类型可以有效识别发生黏着下降的特征参数，因此，本申请提供的方法可以预测发生黏着下降的概率，实现空转打滑的智能预测。
Description
技术领域
本申请涉及轨道交通技术领域，尤其涉及一种列车空转打滑智能预测方法、设备、存储介质。
背景技术
轮轨之间健康良好的摩擦关系对列车启动、制动以及轮轨动态作用至关重要。在正常情况下，轮轨之间的黏着系数足够提供列车所需牵引和制动力。然而，在实际运营中，由于钢轨上积累的落叶、油污以及雨雪形成第三介质层，会导致黏着系数显著降低，从而造成牵引和制动力不足，列车提速无力以及制动距离过长、车轮空转等问题，即所谓的轮轨低黏着问题。一定程度的低黏着问题会对列车正常运行带来一定影响，严重情况下可能引发安全事故。此外，轮轨低黏着还会造成车轮和钢轨的磨损和擦伤，增加系统维护成本，降低列车使用寿命。
为防止车轮空转、打滑的发生，常用的检测方法包括速度差判断法、蠕滑率判断法、加减速度及变化量判断法，然而这些方法往往是在车轮空转打滑发生之后通过轮轨表现进行判断，不能及时、准确的预测空转打滑的发生。因此亟待提出一种空转打滑智能预测方法。
发明内容
为了解决上述技术缺陷之一，本申请提供了一种列车空转打滑智能预测方法、设备、存储介质。
本申请第一个方面，提供了一种列车空转打滑智能预测方法，方法包括：
确定列车所处轨道的线路信息，以及，获取列车的环境感知信息；
根据环境感知信息，确定运行标签、环境特征、工况特征和轨面附着物类型；
基于线路信息、运行标签、环境特征、工况特征、轨面附着物类型以及预先训练的空转打滑检测模型，得到预测结果。
可选地，确定列车所处轨道的线路信息，包括：
通过激光雷达传感器周期性地发射激光束，并记录发射时间；
通过激光雷达传感器接收激光束的反射光束，并记录接收时间；
根据发射时间和接收时间，计算列车各时刻位置信息；
将各时刻位置信息与线路电子地图进行匹配，确定列车所处轨道的线路；
根据列车所处轨道的线路，确定列车当前位置对应的线路信息；
其中，线路信息与轮轨黏着相关。
可选地，线路信息包括如下的一种或多种：坡度、倾角、转弯半径。
可选地，环境感知信息包括：轴速，车速，温度，湿度，轨面图像，载客工况，基本工况；
获取列车的环境感知信息，包括：
通过轴速传感器获取列车的轴速；
通过毫米波雷达获取列车的车速；
通过环境传感器获取列车所处环境的温度和湿度；
通过高速相机获取列车的轨面图像；
通过车载信号系统获取列车的载客工况和基本工况。
可选地，根据环境感知信息，确定运行标签、环境特征、工况特征和轨面附着物类型，包括：
根据车速与轴速的差值确定运行标签；
将温度和湿度确定为环境特征；
将载客工况和基本工况确定为工况特征；
通过图像识别技术对轨面图像进行识别，确定轨面附着物类型。
可选地，运行标签为打滑，正常或空转；
根据车速与轴速的差值确定运行标签，包括：
计算车速与轴速的差值；
若差值不小于最大阈值，则得到运行标签为打滑；
若差值不大于最小阈值，则得到运行标签为正常；
若差值小于最大阈值且大于最小阈值，则得到运行标签为空转。
可选地，工况特征包括载客工况和基本工况；
基于线路信息、运行标签、环境特征、工况特征、轨面附着物类型以及预先训练的空转打滑检测模型，得到预测结果，包括：
将载客工况进行带有距离差的编码；
将基本工况和轨面附着物类型进行one-hot编码；
将编码后的数据，线路信息、运行标签、环境特征输入预先训练的空转打滑检测模型，得到预测结果；
其中，空转打滑检测模型为XGBoost模型，且空转打滑检测模型在训练时，通过early stopping防止过拟合，通过交叉验证方法调整超参数。
可选地，预测结果中包括发生空转和/或打滑的区段信息；
得到预测结果之后，还包括：
与后车共享区段信息，以使后车调整控车策略。
本申请第二个方面，提供了一种电子设备，包括：
存储器；
处理器；以及
计算机程序；
其中，所述计算机程序存储在所述存储器中，并被配置为由所述处理器执行以实现如上述第一个方面所述的方法。
本申请第三个方面，提供了一种计算机可读存储介质，其上存储有计算机程序；所述计算机程序被处理器执行以实现如上述第一个方面所述的方法。
本申请提供一种列车空转打滑智能预测方法、设备、存储介质，该方法确定列车所处轨道的线路信息，以及，获取列车的环境感知信息；根据环境感知信息，确定运行标签、环境特征、工况特征和轨面附着物类型；基于线路信息、运行标签、环境特征、工况特征、轨面附着物类型以及预先训练的空转打滑检测模型，得到预测结果。本申请提供的方法基于线路信息、运行标签、环境特征、工况特征、轨面附着物类型以及预先训练的空转打滑检测模型，得到预测结果，由于线路信息、运行标签、环境特征、工况特征、轨面附着物类型可以有效识别发生黏着下降的特征参数，因此，本申请提供的方法可以预测发生黏着下降的概率，实现空转打滑的智能预测。
附图说明
此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1为本申请实施例提供的一种列车空转打滑智能预测方法的流程示意图；
图2为本申请实施例提供的一种环境感知信息获取示意图；
图3为本申请实施例提供的另一种环境感知信息获取示意图；
图4为本申请实施例提供的速度差与列车打滑可能性的关系示意图；
图5为本申请实施例提供的轨面附着物类型识别模型结构示意图；
图6为本申请实施例提供的基本工况和轨面附着物类型进行one-hot编码的示意图；
图7为本申请实施例提供的列车空转打滑智能预测方法的实现模块示意图。
具体实施方式
为了使本申请实施例中的技术方案及优点更加清楚明白，以下结合附图对本申请的示例性实施例进行进一步详细的说明，显然，所描述的实施例仅是本申请的一部分实施例，而不是所有实施例的穷举。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。
在实现本申请的过程中，发明人发现，为防止车轮空转、打滑的发生，常用的检测方法包括速度差判断法、蠕滑率判断法、加减速度及变化量判断法，然而这些方法往往是在车轮空转打滑发生之后通过轮轨表现进行判断，不能及时、准确的预测空转打滑的发生。
针对上述问题，本申请实施例中提供了一种列车空转打滑智能预测方法、设备、存储介质，该方法确定列车所处轨道的线路信息，以及，获取列车的环境感知信息；根据环境感知信息，确定运行标签、环境特征、工况特征和轨面附着物类型；基于线路信息、运行标签、环境特征、工况特征、轨面附着物类型以及预先训练的空转打滑检测模型，得到预测结果。本申请提供的方法基于线路信息、运行标签、环境特征、工况特征、轨面附着物类型以及预先训练的空转打滑检测模型，得到预测结果，由于线路信息、运行标签、环境特征、工况特征、轨面附着物类型可以有效识别发生黏着下降的特征参数，因此，本申请提供的方法可以预测发生黏着下降的概率，实现空转打滑的智能预测。
参见图1，本实施例提供一种列车空转打滑智能预测方法，该方法执行过程如下：
101，确定列车所处轨道的线路信息，以及，获取列车的环境感知信息。
步骤101包括2个过程，一个是确定列车所处轨道的线路信息的过程，一个是获取列车的环境感知信息的过程，两个过程可以顺序执行，也可以并列执行。若顺序执行，本实施例不限制两个过程的先后顺序。
·对于确定列车所处轨道的线路信息过程
1.1通过激光雷达传感器，计算列车各时刻位置信息。
步骤1.1可以基于一个激光雷达传感器实现，也可以基于多个雷达传感器实现。
例如，若一个激光雷达传感器，则步骤1.1实现过程为：
1、通过激光雷达传感器周期性地发射激光束，并记录发射时间。每当发射激光束后，会通过激光雷达传感器接收该激光束的反射光束，并记录接收时间。
激光束发射后，记录发射时间，该激光束以光速传播，并在与物体相交时被反射回来，当激光束被物体反射回来时，激光雷达传感器记录下反射光束的接收时间。通过反射回来的光束可以实时地获取环境信息。
2、根据发射时间和接收时间，计算列车各时刻位置信息。
例如，对于一条激光束，通过其发射时间和接收时间可以得到该激光束的传播时间，进而计算出该激光束在往返过程中所经过的距离，计算出位置信息，该位置信息即该激光束发送时刻列车的位置信息。通过周期性的发送激光束，可以得到列车在各激光束发送时刻的位置信息，进而得到列车在各时刻位置信息。
若多个雷达传感器，则步骤1.1实现过程为：
1、通过多个激光雷达传感器周期性地发射激光束，并记录发射时间。每当发射激光束后，会通过相应的激光雷达传感器接收该激光束的反射光束，并记录接收时间。
激光束发射后，记录发射时间，该激光束以光速传播，并在与物体相交时被反射回来，当激光束被物体反射回来时，激光雷达传感器记录下反射光束的接收时间。通过反射回来的光束可以实时地获取环境信息。
2、根据发射时间和接收时间，计算列车各时刻位置信息。
例如，对于一条激光束，通过其发射时间和接收时间可以得到该激光束的传播时间，进而计算出该激光束在往返过程中所经过的距离，计算出位置信息，该位置信息即该激光束发送时刻列车的位置信息。通过周期性的发送激光束，可以得到列车在各激光束发送时刻的位置信息，进而得到列车在各时刻位置信息。在同一时刻多个激光雷达传感器会同时工作，即同一时刻多个激光雷达传感器会同时发送激光束，这就会得到同一时刻的多个位置，综合不同的周期，不同的雷达传感器，可以将所有的位置信息组成一个三维点云数据，其中每个点的坐标表示了一个激光束发送时刻列车在车辆坐标系下的位置。这个点云数据即各时刻位置信息，其包括了车辆周围环境的详细信息。
1.2根据各时刻位置信息与线路电子地图，确定列车所处轨道的线路信息。
在得到各时刻位置信息之后，可以根据各时刻位置信息与线路电子地图，确定列车所处轨道的线路信息。
例如，将各时刻位置信息与线路电子地图进行匹配，确定列车所处轨道的线路。根据列车所处轨道的线路，确定列车当前位置对应的线路信息。
其中，线路信息与轮轨黏着相关。例如，线路信息包括但不限于如下的一种或多种：坡度、倾角、转弯半径。
电子地图包括车站、轨道、隧道和其他地下结构的准确位置和几何信息。
以各时刻位置信息为点云数据为例，在步骤1.2中会将实时获取的点云数据与电子地图进行匹配。通过将点云数据与电子地图进行比对，确定车辆相对于列车线路的位置(即列车所处轨道的线路)。根据列车所处轨道的线路，确定列车当前位置对应的坡度、倾角、转弯半径等与轮轨黏着相关的线路信息。
·对于获取列车的环境感知信息过程
环境感知信息可以通过车载传感器和轨旁传感器获得。
其中，环境感知信息至少包括：轴速，车速，温度，湿度，轨面图像，载客工况，基本工况。
具体的，如图2所示，获取列车的环境感知信息的过程为：
2.1通过轴速传感器获取列车的轴速。
例如，车载轴速传感器记录列车行驶过程中的轴速信息，获取轴速传感器记录的该轴速信息，将其作为列车的轴速。
2.2通过毫米波雷达获取列车的车速。
例如，车载毫米波雷达记录列车行驶过程中的速度信息，获取毫米波雷达记录的该速度信息，将其作为列车的车速。
2.3通过环境传感器获取列车所处环境的温度和湿度。
例如，轨旁环境传感器记录轨面环境温湿度信息，获取环境传感器记录的该温湿度信息，将其作为列车所处环境的温度和湿度。
2.4通过高速相机获取列车的轨面图像。
例如，车载高速相机拍摄轨面工况图像信息，获取高速相机拍摄的工况图像信息，将其作为列车的轨面图像。
2.5通过车载信号系统获取列车的载客工况和基本工况。
例如，车载信号系统记录列车载客工况(如AW0、AW1、AW2、AW3)以及列车运行基本工况(如牵引、惰性、制动)，获取车载信号系统记录的载客工况和基本工况，将其作为列车的载客工况和基本工况。
需要说明的是，上述步骤2.1至2.5的顺序仅为示例，实际应用时可以根据情况酌情确定执行顺序，本实施例不限制步骤2.1至2.5的执行顺序。
除了上述7个环境感知信息之外，在确定列车所处轨道的线路信息过程中车载激光雷达传感器会得到列车的位置，此处也可将列车的位置作为环境感知信息，此时，环境感知信息为8个，即轴速，车速，温度，湿度，轨面图像，载客工况，基本工况和列车位置，如图3所示。
102，根据环境感知信息，确定运行标签、环境特征、工况特征和轨面附着物类型。
步骤102是识别环境感知信息中的关键特征的过程，该过程实现细节如下：
102-1，根据车速和轴速的差值确定运行标签。
其中，运行标签为打滑，空转，或者，正常。
列车运行过程中因为黏着现象的影响，轮轴速度和列车的真实速度总不相等。列车在牵引过程中，轮轴速度大于列车真实速度，而相反，在制动过程中，轮轴速度小于列车真实速度。轮轴速度和列车速度的差值随着蠕滑率的增加而增加。所以，通过比较轮轴速度和列车速度的差值是否超过某个设定阈值可以用来判断列车是否发生空转或打滑现象。
参照图4示出的速度差与列车打滑可能性的关系，通过计算列车速度(即车速，如vr(t))和轮轴速度(即轴速，即vw(t))的差值(即Δv(t)＝vr(t)-vw(t))，从而利用其速度差(即Δv(t))检测列车是否发生滑行。若计算速度差值超过最大阈值Δv2′，则认为列车出现了打滑；若计算速度差小于最小阈值Δv1′，则认为列车出现了空转。
因此，步骤102-1的实现过程为：计算车速与轴速的差值。若差值不小于最大阈值，则得到运行标签为打滑。若差值不大于最小阈值，则得到运行标签为正常。若差值小于最大阈值且大于最小阈值，则得到运行标签为空转。
即运行标签
102-3，将温度和湿度确定为环境特征。
102-4，将载客工况和基本工况确定为工况特征。
102-5，通过图像识别技术对轨面图像进行识别，确定轨面附着物类型。
步骤102-5目的是通过图像识别技术提取轨面图像的特征，识别轨面附着的第三介质层类型，如：干态、水膜、油污、落叶等。
步骤102-5可以通过预先训练好的轨面附着物类型识别模型实现，该轨面附着物类型识别模型是一个CNN(Convolutional Neural Network，卷积神经网络)模型。在步骤102-5中，将轨面图像输入预先训练好的轨面附着物类型识别模型，该预先训练好的轨面附着物类型识别模型会通过图像识别技术对轨面图像进行识别，进而输出分类预测，使用Softmax函数将输出的分类预测结果转换为概率分布，然后选择概率最高的类别作为最终确定的轨面附着物类型。
该轨面附着物类型识别模型的训练过程如下：
该模型的训练过程如下：
1、数据准备
1)收集带有标签的图像数据集，其中包括干态轨面、包含水、油污和落叶的轨面；
2)使用标注软件将轨面工况图像中的钢轨区域标注出来；
3)为钢轨表面第三介质层附着物分配正确的标签；
4)将数据集分为训练集和测试集。
2、数据预处理
1)调整图像的大小和尺寸，使其适应网络的输入要求；
2)对图像进行归一化，将像素值缩放到0到1之间；
3、建立轨面附着物类型识别模型
如图5所示，创建一个CNN模型，包括卷积层、池化层、全连接层和激活函数；输出层的神经元数量应与类别数量相匹配(如4个类别：干态、水、油、树叶)；选择交叉熵损失函数。
该CNN模型即轨面附着物类型识别模型。
4、轨面附着物类型识别模型训练
1)使用训练集对轨面附着物类型识别模型进行训练，通过反向传播算法更新模型的权重；
2)通过优化器(如Adam、SGD等)调整权重以最小化损失函数；
3)通过early stopping监控验证集的性能，以避免过拟合。
5、轨面附着物类型识别模型评估：
使用测试集评估模型的性能，计算准确率、精确度、召回率、F1分数等指标。
若评估结果满足预设要求，则此时的轨面附着物类型识别模型训练完成，否则继续重复上述训练过程。
需要说明的是，上述步骤102-1至102-5的顺序仅为示例，实际应用时可以根据情况酌情确定执行顺序，本实施例不限制步骤102-1至102-5的执行顺序。
103，基于线路信息、运行标签、环境特征、工况特征、轨面附着物类型以及预先训练的空转打滑检测模型，得到预测结果。
此处的工况特征包括载客工况和基本工况。
步骤103的实现除了基于线路信息、运行标签、环境特征、工况特征、轨面附着物类型之外，还可以同时基于轴速，车速等信息，增加最终预测结果的准确性。
步骤103的实现过程为：
103-1，将载客工况进行带有距离差的编码。
如编码为0、1、2、3。
103-2，将基本工况和轨面附着物类型进行one-hot编码。
如图6所示，将轨面附着物类型的干态编码为001，将轨面附着物类型的水编码为0010，将轨面附着物类型的油编码为0100，将轨面附着物类型的树叶编码为1000。将基本工况的牵引编码为001，将基本工况的惰行编码为010，将基本工况的制动编码为100。
除此之外，执行步骤103-2之后，还会进行缺失值处理，再进入步骤103-3。
103-3，将编码后的数据，线路信息、运行标签、环境特征输入预先训练的空转打滑检测模型，得到预测结果。
如将步骤102中的运行标签作为标签信息，再与线路信息、环境特征、工况特征、轨面附着物类型对齐后，与编码后的数据一起输入预先训练的空转打滑检测模型，得到预测结果。
或者，如将步骤102中的运行标签作为标签信息，再与线路信息、环境特征、工况特征、轨面附着物类型、轴速、车速对齐后，与编码后的数据一起输入预先训练的空转打滑检测模型，得到预测结果。
其中，预测结果中至少包括发生空转和/或打滑的区段信息。
空转打滑检测模型为XGBoost模型，且空转打滑检测模型在训练时，通过earlystopping防止过拟合，通过交叉验证方法调整超参数。
步骤103是基于预先训练好的空转打滑检测模型实现的，该空转打滑检测模型是一个XGBoost模型，该空转打滑检测模型的训练过程如下：
选择XGBoost(Extreme Gradient Boosting)算法训练列车空转打滑智能预测模型，XGB是一种强大的梯度提升算法，通常用于分类和回归任务。算法流程如下：
1、数据集划分
获取训练样本数据，该数据也通过上述步骤101的处理得到线路信息和环境感知信息，也经过步骤102的处理根据环境感知信息，确定运行标签、环境特征、工况特征和轨面附着物类型。
此时，会以运行标签作为标签信息，再与线路信息、环境特征、工况特征、轨面附着物类型以及轴速，车速等信息对齐后，按照7:3的比例划分为训练集和测试集。
2、数据预处理
1)将载客工况(如AW0、AW1、AW2、AW3)分别编码为带有距离差的编码(如0、1、2、3)。
2)使用one-hot编码处理基本工况和轨面附着物类型，如图6所示。
3)缺失值处理
3、建立空转打滑检测模型
该空转打滑检测模型是XGBoost模型，因此建立过程为：
1)导入XGBoost库，创建XGBoost分类器。
2)设置XGBoost的超参数，如学习率、树的深度、树的数量等。
3)初始化模型，可以使用默认参数或根据经验进行调整。
4、空转打滑检测模型训练
1)使用训练集对XGBoost模型进行训练。
在训练过程中，模型将逐步优化以最小化损失函数。
2)使用early stopping防止过拟合。
即在验证集上监控性能，当性能不再改善时停止训练。
5、空转打滑检测模型评估
使用测试集评估训练好的空转打滑检测模型的性能。例如使用各种指标来评估分类性能，例如准确率、精确度、召回率、F1分数等。
6、参数调优
使用交叉验证等方法调整模型的超参数，以提高性能。
另外，在执行步骤103得到预测结果之后，还会与后车共享预测结果中的区段信息，以使后车调整控车策略。
例如基于列车之间的通信技术，将预测结果中的区段信息(如线路发生空转/打滑区段信息)与后车共享，通过预测结果调整后车控车策略，可以有效缓解列车空转打滑带来的轮轨磨损、擦伤等问题。同时，列车也会接收前车共享的前车预测结果中的区段信息(如线路发生空转/打滑区段信息)，通过前车预测结果调整列车控车策略，可以有效缓解列车空转打滑带来的轮轨磨损、擦伤等问题。
本实施例提供的列车空转打滑智能预测方法采用机器学习技术，通过高速摄像机拍摄列车运行前方轨面图像，识别轨面工况，检测轨面是否存在水膜、油污、落叶等第三介质层；然后使用轴速传感器记录轴速数据，通过速度差阈值法判断列车打滑程度并对拍摄的轨面图像打标签。通过训练机器学习分类模型，使其能根据拍摄到的画面评估列车运行打滑风险。该方法可以有效识别发生黏着下降的特征参数，预测发生黏着下降的概率，通过控制策略的调整，避免出现空转打滑现象，有效减少车轮和钢轨的磨损和擦伤，具有广泛的应用前景。
本实施例提供的列车空转打滑智能预测方法在执行时，可以由图7所示的车轨环境感知模块、列车精准定位模块、模型训练模块实现。
列车精准定位模块用于确定步骤101中的列车所处轨道的线路信息。即利用激光雷达设备对列车进行高精度定位，连续输出列车各时刻位置信息，结合线路电子地图，获取列车当前时刻所处轨道的线路信息。
车轨环境感知模块用于获取步骤101列车的环境感知信息。即利用轴速传感器、毫米波雷达、环境传感器及高速相机来获取列车的轴速、车速，列车所处环境以及轨面图像这些感知信息作为后续空转打滑检测模型的输入。另外，车轨环境感知模块还会执行步骤102，根据列车轴速和车速得到运行标签(正常/打滑/空转)；根据轨面图像的大轨面附着物类型，同时得到环境特征和工况特征。
模型训练模块用于训练空转打滑检测模型，该训练过程是基于样本数据的线路信息、运行标签、环境特征、工况特征、轨面附着物类型，经过多维度特征融合训练得到的。该空转打滑检测模型训练好后可以嵌入列车，保障列车行车安全，降低列车运行损耗。通过集成空转打滑智能预测模型，列车能够实现轨面情况的实时共享。
如图7所示，通过列车精准定位模块、车轨环境感知模块输出的关键特征和打滑标签训练列车空转打滑智能预测模型，该模型集成在车载系统中，通过车载传感器及信号系统采集模型输入，通过机器学习分类模型实时输出列车空转、打滑情况。在单车运行场景或虚拟编组等多车协同场景中都可通过前序列车集成的智能预测模型有效识别发生黏着下降的特征参数，预测发生黏着下降的概率，调整控制策略，避免出现空转打滑现象，有效减少车轮和钢轨的磨损和擦伤。
本实施例提供的列车空转打滑智能预测方法可以有效识别发生黏着下降的特征参数，预测发生黏着下降的概率，通过控制策略的调整，避免出现空转打滑现象，有效减少车轮和钢轨的磨损和擦伤。
本实施例提供一种列车空转打滑智能预测方法，确定列车所处轨道的线路信息，以及，获取列车的环境感知信息；根据环境感知信息，确定运行标签、环境特征、工况特征和轨面附着物类型；基于线路信息、运行标签、环境特征、工况特征、轨面附着物类型以及预先训练的空转打滑检测模型，得到预测结果。本实施例提供的方法基于线路信息、运行标签、环境特征、工况特征、轨面附着物类型以及预先训练的空转打滑检测模型，得到预测结果，由于线路信息、运行标签、环境特征、工况特征、轨面附着物类型可以有效识别发生黏着下降的特征参数，因此，本实施例提供的方法可以预测发生黏着下降的概率，实现空转打滑的智能预测。
基于列车空转打滑智能预测方法的同一发明构思，本实施例提供一种电子设备，该电子设备包括：存储器，处理器，以及计算机程序。
其中，计算机程序存储在存储器中，并被配置为由处理器执行以实现上述列车空转打滑智能预测方法。
具体的，
确定列车所处轨道的线路信息，以及，获取列车的环境感知信息。
根据环境感知信息，确定运行标签、环境特征、工况特征和轨面附着物类型。
基于线路信息、运行标签、环境特征、工况特征、轨面附着物类型以及预先训练的空转打滑检测模型，得到预测结果。
可选地，确定列车所处轨道的线路信息，包括：
通过激光雷达传感器周期性地发射激光束，并记录发射时间。
通过激光雷达传感器接收激光束的反射光束，并记录接收时间。
根据发射时间和接收时间，计算列车各时刻位置信息。
将各时刻位置信息与线路电子地图进行匹配，确定列车所处轨道的线路。
根据列车所处轨道的线路，确定列车当前位置对应的线路信息。
其中，线路信息与轮轨黏着相关。
可选地，线路信息包括如下的一种或多种：坡度、倾角、转弯半径。
可选地，环境感知信息包括：轴速，车速，温度，湿度，轨面图像，载客工况，基本工况。
获取列车的环境感知信息，包括：
通过轴速传感器获取列车的轴速。
通过毫米波雷达获取列车的车速。
通过环境传感器获取列车所处环境的温度和湿度。
通过高速相机获取列车的轨面图像。
通过车载信号系统获取列车的载客工况和基本工况。
可选地，根据环境感知信息，确定运行标签、环境特征、工况特征和轨面附着物类型，包括：
根据车速与轴速的差值确定运行标签。
将温度和湿度确定为环境特征。
将载客工况和基本工况确定为工况特征。
通过图像识别技术对轨面图像进行识别，确定轨面附着物类型。
可选地，运行标签为打滑，正常或空转。
根据车速与轴速的差值确定运行标签，包括：
计算车速与轴速的差值。
若差值不小于最大阈值，则得到运行标签为打滑。
若差值不大于最小阈值，则得到运行标签为正常。
若差值小于最大阈值且大于最小阈值，则得到运行标签为空转。
可选地，工况特征包括载客工况和基本工况。
基于线路信息、运行标签、环境特征、工况特征、轨面附着物类型以及预先训练的空转打滑检测模型，得到预测结果，包括：
将载客工况进行带有距离差的编码。
将基本工况和轨面附着物类型进行one-hot编码。
将编码后的数据，线路信息、运行标签、环境特征输入预先训练的空转打滑检测模型，得到预测结果。
其中，空转打滑检测模型为XGBoost模型，且空转打滑检测模型在训练时，通过early stopping防止过拟合，通过交叉验证方法调整超参数。
可选地，预测结果中包括发生空转和/或打滑的区段信息。
得到预测结果之后，还包括：
与后车共享区段信息，以使后车调整控车策略。
本实施例提供的电子设备，其上计算机程序被处理器执行以基于线路信息、运行标签、环境特征、工况特征、轨面附着物类型以及预先训练的空转打滑检测模型，得到预测结果，由于线路信息、运行标签、环境特征、工况特征、轨面附着物类型可以有效识别发生黏着下降的特征参数，因此，本实施例提供的电子设备可以预测发生黏着下降的概率，实现空转打滑的智能预测。
基于列车空转打滑智能预测方法的同一发明构思，本实施例提供一种计算机可读存储介质，且其上存储有计算机程序。计算机程序被处理器执行以实现上述列车空转打滑智能预测方法。
具体的，
确定列车所处轨道的线路信息，以及，获取列车的环境感知信息。
根据环境感知信息，确定运行标签、环境特征、工况特征和轨面附着物类型。
基于线路信息、运行标签、环境特征、工况特征、轨面附着物类型以及预先训练的空转打滑检测模型，得到预测结果。
可选地，确定列车所处轨道的线路信息，包括：
通过激光雷达传感器周期性地发射激光束，并记录发射时间。
通过激光雷达传感器接收激光束的反射光束，并记录接收时间。
根据发射时间和接收时间，计算列车各时刻位置信息。
将各时刻位置信息与线路电子地图进行匹配，确定列车所处轨道的线路。
根据列车所处轨道的线路，确定列车当前位置对应的线路信息。
其中，线路信息与轮轨黏着相关。
可选地，线路信息包括如下的一种或多种：坡度、倾角、转弯半径。
可选地，环境感知信息包括：轴速，车速，温度，湿度，轨面图像，载客工况，基本工况。
获取列车的环境感知信息，包括：
通过轴速传感器获取列车的轴速。
通过毫米波雷达获取列车的车速。
通过环境传感器获取列车所处环境的温度和湿度。
通过高速相机获取列车的轨面图像。
通过车载信号系统获取列车的载客工况和基本工况。
可选地，根据环境感知信息，确定运行标签、环境特征、工况特征和轨面附着物类型，包括：
根据车速与轴速的差值确定运行标签。
将温度和湿度确定为环境特征。
将载客工况和基本工况确定为工况特征。
通过图像识别技术对轨面图像进行识别，确定轨面附着物类型。
可选地，运行标签为打滑，正常或空转。
根据车速与轴速的差值确定运行标签，包括：
计算车速与轴速的差值。
若差值不小于最大阈值，则得到运行标签为打滑。
若差值不大于最小阈值，则得到运行标签为正常。
若差值小于最大阈值且大于最小阈值，则得到运行标签为空转。
可选地，工况特征包括载客工况和基本工况。
基于线路信息、运行标签、环境特征、工况特征、轨面附着物类型以及预先训练的空转打滑检测模型，得到预测结果，包括：
将载客工况进行带有距离差的编码。
将基本工况和轨面附着物类型进行one-hot编码。
将编码后的数据，线路信息、运行标签、环境特征输入预先训练的空转打滑检测模型，得到预测结果。
其中，空转打滑检测模型为XGBoost模型，且空转打滑检测模型在训练时，通过early stopping防止过拟合，通过交叉验证方法调整超参数。
可选地，预测结果中包括发生空转和/或打滑的区段信息。
得到预测结果之后，还包括：
与后车共享区段信息，以使后车调整控车策略。
本实施例提供的计算机可读存储介质，其上的计算机程序被处理器执行以基于线路信息、运行标签、环境特征、工况特征、轨面附着物类型以及预先训练的空转打滑检测模型，得到预测结果，由于线路信息、运行标签、环境特征、工况特征、轨面附着物类型可以有效识别发生黏着下降的特征参数，因此，本实施例提供的计算机可读存储介质可以预测发生黏着下降的概率，实现空转打滑的智能预测。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。本申请实施例中的方案可以采用各种计算机语言实现，例如，面向对象的程序设计语言Java和直译式脚本语言JavaScript等。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本申请的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本申请范围的所有变更和修改。
显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样，倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内，则本申请也意图包含这些改动和变型在内。
Claims (10)
1.一种列车空转打滑智能预测方法，其特征在于，所述方法包括：
确定列车所处轨道的线路信息，以及，获取所述列车的环境感知信息；
根据所述环境感知信息，确定运行标签、环境特征、工况特征和轨面附着物类型；
基于所述线路信息、所述运行标签、所述环境特征、所述工况特征、所述轨面附着物类型以及预先训练的空转打滑检测模型，得到预测结果。
2.根据权利要求1所述的方法，其特征在于，所述确定列车所处轨道的线路信息，包括：
通过激光雷达传感器周期性地发射激光束，并记录发射时间；
通过激光雷达传感器接收所述激光束的反射光束，并记录接收时间；
根据所述发射时间和所述接收时间，计算所述列车各时刻位置信息；
将所述各时刻位置信息与线路电子地图进行匹配，确定列车所处轨道的线路；
根据列车所处轨道的线路，确定列车当前位置对应的线路信息；
其中，所述线路信息与轮轨黏着相关。
3.根据权利要求2所述的方法，其特征在于，所述线路信息包括如下的一种或多种：坡度、倾角、转弯半径。
4.根据权利要求1所述的方法，其特征在于，所述环境感知信息包括：轴速，车速，温度，湿度，轨面图像，载客工况，基本工况；
所述获取所述列车的环境感知信息，包括：
通过轴速传感器获取所述列车的轴速；
通过毫米波雷达获取所述列车的车速；
通过环境传感器获取所述列车所处环境的温度和湿度；
通过高速相机获取所述列车的轨面图像；
通过车载信号系统获取所述列车的载客工况和基本工况。
5.根据权利要求4所述的方法，其特征在于，所述根据所述环境感知信息，确定运行标签、环境特征、工况特征和轨面附着物类型，包括：
根据所述车速与所述轴速的差值确定运行标签；
将所述温度和所述湿度确定为环境特征；
将所述载客工况和所述基本工况确定为工况特征；
通过图像识别技术对所述轨面图像进行识别，确定轨面附着物类型。
6.根据权利要求5所述的方法，其特征在于，所述运行标签为打滑，正常或空转；
所述根据所述车速与所述轴速的差值确定运行标签，包括：
计算所述车速与所述轴速的差值；
若所述差值不小于最大阈值，则得到运行标签为打滑；
若所述差值不大于最小阈值，则得到运行标签为正常；
若所述差值小于最大阈值且大于最小阈值，则得到运行标签为空转。
7.根据权利要求1所述的方法，其特征在于，所述工况特征包括载客工况和基本工况；
所述基于所述线路信息、所述运行标签、所述环境特征、所述工况特征、所述轨面附着物类型以及预先训练的空转打滑检测模型，得到预测结果，包括：
将载客工况进行带有距离差的编码；
将基本工况和轨面附着物类型进行one-hot编码；
将编码后的数据，所述线路信息、所述运行标签、所述环境特征输入预先训练的空转打滑检测模型，得到预测结果；
其中，所述空转打滑检测模型为XGBoost模型，且所述空转打滑检测模型在训练时，通过early stopping防止过拟合，通过交叉验证方法调整超参数。
8.根据权利要求1所述的方法，其特征在于，所述预测结果中包括发生空转和/或打滑的区段信息；
所述得到预测结果之后，还包括：
与后车共享所述区段信息，以使后车调整控车策略。
9.一种电子设备，其特征在于，包括：
存储器；
处理器；以及
计算机程序；
其中，所述计算机程序存储在所述存储器中，并被配置为由所述处理器执行以实现如权利要求1-8任一项所述的方法。
10.一种计算机可读存储介质，其特征在于，其上存储有计算机程序；所述计算机程序被处理器执行以实现如权利要求1-8任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311472611.1A CN117508237A (zh) | 2023-11-07 | 2023-11-07 | 列车空转打滑智能预测方法、设备、存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311472611.1A CN117508237A (zh) | 2023-11-07 | 2023-11-07 | 列车空转打滑智能预测方法、设备、存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117508237A true CN117508237A (zh) | 2024-02-06 |
Family
ID=89752368
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311472611.1A Pending CN117508237A (zh) | 2023-11-07 | 2023-11-07 | 列车空转打滑智能预测方法、设备、存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117508237A (zh) |
-
2023
- 2023-11-07 CN CN202311472611.1A patent/CN117508237A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11501638B2 (en) | Traffic flow estimation apparatus, traffic flow estimation method, and storage medium | |
| CN110281983B (zh) | 一种基于视觉场景识别的轨道列车精准停车系统 | |
| CN106934378B (zh) | 一种基于视频深度学习的汽车远光灯识别系统及方法 | |
| CN111238825A (zh) | 面向组合试验路面的智能驾驶自动紧急制动性能测试方法 | |
| CN111994129B (zh) | 一种轮轨列车防滑控制方法及系统 | |
| CN112329533B (zh) | 一种基于图像分割的局部路面附着系数估计方法 | |
| CN111080601A (zh) | 铁路货车脱轨制动装置拉环磨轴故障图像识别方法 | |
| CN104157160A (zh) | 车辆行驶控制方法、装置及车辆 | |
| CN113034378B (zh) | 一种区分电动汽车与燃油汽车的方法 | |
| CN111723854A (zh) | 一种高速公路交通拥堵检测方法、设备及可读存储介质 | |
| US11836994B2 (en) | Methods and apparatus for automatic collection of under-represented data for improving a training of a machine learning model | |
| KR102297801B1 (ko) | 사업용 차량을 이용하여 도로 위험정보를 탐지하는 방법 및 장치 | |
| CN117508237A (zh) | 列车空转打滑智能预测方法、设备、存储介质 | |
| CN112668523A (zh) | 车辆行驶异常检测方法、装置、电子设备及存储介质 | |
| CN114964445B (zh) | 基于车辆识别的多模块动态称重方法 | |
| US11745766B2 (en) | Unseen environment classification | |
| SB et al. | Real-time pothole detection using YOLOv5 algorithm: a feasible approach for intelligent transportation systems | |
| CN113312976A (zh) | 一种基于图像处理与路面附着系数相结合的制动距离计算方法 | |
| CN111469852B (zh) | 用于机动车的驾驶员辅助系统的主对象选择的方法和驾驶辅助系统 | |
| KR102570295B1 (ko) | 차량 및 그 제어 방법 | |
| CN110333517B (zh) | 障碍物感知方法、装置及存储介质 | |
| CN114255452A (zh) | 目标测距方法及装置 | |
| CN112613394A (zh) | 一种基于深度学习的驾驶员安全带检测装置及检测方法 | |
| Jarisa | FUTURE TECHNOLOGY–Road condition classification using information fusion | |
| CN117268424B (zh) | 一种多传感器融合的自动驾驶寻线方法及装置 |
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 |