CN117522328A - 基于ar技术的轨道交通运维方法及系统 - Google Patents
基于ar技术的轨道交通运维方法及系统 Download PDFInfo
- Publication number
- CN117522328A CN117522328A CN202311532399.3A CN202311532399A CN117522328A CN 117522328 A CN117522328 A CN 117522328A CN 202311532399 A CN202311532399 A CN 202311532399A CN 117522328 A CN117522328 A CN 117522328A
- Authority
- CN
- China
- Prior art keywords
- track
- data
- fault
- abnormal
- condition
- 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
- 238000012423 maintenance Methods 0.000 title claims abstract description 210
- 238000005516 engineering process Methods 0.000 title claims abstract description 77
- 238000000034 method Methods 0.000 title claims abstract description 64
- 238000012545 processing Methods 0.000 claims abstract description 93
- 238000001514 detection method Methods 0.000 claims abstract description 80
- 238000004458 analytical method Methods 0.000 claims abstract description 74
- 238000010586 diagram Methods 0.000 claims abstract description 39
- 230000000007 visual effect Effects 0.000 claims abstract description 19
- 238000004088 simulation Methods 0.000 claims abstract description 17
- 230000002159 abnormal effect Effects 0.000 claims description 276
- 238000004364 calculation method Methods 0.000 claims description 55
- 230000009467 reduction Effects 0.000 claims description 54
- 238000001914 filtration Methods 0.000 claims description 26
- 230000036541 health Effects 0.000 claims description 21
- 238000011282 treatment Methods 0.000 claims description 19
- 238000011156 evaluation Methods 0.000 claims description 17
- 238000012216 screening Methods 0.000 claims description 13
- 238000012937 correction Methods 0.000 claims description 12
- 230000005856 abnormality Effects 0.000 claims description 10
- 230000010354 integration Effects 0.000 claims description 9
- 238000009499 grossing Methods 0.000 claims description 7
- 238000013441 quality evaluation Methods 0.000 claims description 6
- 238000009877 rendering Methods 0.000 claims description 4
- 230000036962 time dependent Effects 0.000 claims description 3
- 230000001419 dependent effect Effects 0.000 claims description 2
- 230000008569 process Effects 0.000 description 17
- 230000002829 reductive effect Effects 0.000 description 16
- 230000003190 augmentative effect Effects 0.000 description 9
- 230000007797 corrosion Effects 0.000 description 7
- 238000005260 corrosion Methods 0.000 description 7
- 238000012800 visualization Methods 0.000 description 7
- 238000004422 calculation algorithm Methods 0.000 description 6
- 238000005457 optimization Methods 0.000 description 6
- 239000000463 material Substances 0.000 description 5
- 238000007405 data analysis Methods 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 4
- 238000000513 principal component analysis Methods 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000011221 initial treatment Methods 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 230000008439 repair process Effects 0.000 description 3
- 238000004590 computer program Methods 0.000 description 2
- 239000011521 glass Substances 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000013439 planning Methods 0.000 description 2
- 238000005299 abrasion Methods 0.000 description 1
- 230000002238 attenuated effect Effects 0.000 description 1
- 238000005452 bending Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000013079 data visualisation Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 238000011418 maintenance treatment Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003449 preventive effect Effects 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 230000003313 weakening effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/10—Office automation; Time management
- G06Q10/103—Workflow collaboration or project management
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/20—Administration of product repair or maintenance
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T19/00—Manipulating 3D models or images for computer graphics
- G06T19/006—Mixed reality
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Health & Medical Sciences (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Computer Graphics (AREA)
- Computer Hardware Design (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Machines For Laying And Maintaining Railways (AREA)
Abstract
本发明涉及轨道交通运维技术领域，尤其涉及一种基于AR技术的轨道交通运维方法及系统。所述方法包括以下步骤：通过AR技术对轨道交通系统进行虚拟现实模拟和质量数据采集处理，得到轨道状况高质量数据以及轨道车辆运行高质量数据；对轨道状况高质量数据进行轨道结构可视化分析，得到轨道三维结构状况图；对轨道三维结构状况图进行第一故障检测，得到轨道结构表面损伤故障数据；根据轨道状况高质量数据进行第二故障检测，并通过AR技术进行故障定位处理和故障维修标注处理，得到轨道故障维修区域；根据轨道故障维修区域对轨道车辆运行高质量数据进行调度运维处理，得到轨道车辆调度运维信息数据。本发明能够准确管理轨道交通系统的运维。
Description
技术领域
本发明涉及轨道交通运维技术领域，尤其涉及一种基于AR技术的轨道交通运维方法及系统。
背景技术
轨道交通系统是现代城市生活中的重要组成部分，其运营和维护对于确保城市交通的顺畅和安全至关重要。同时，增强现实(AR)技术能够通过整合实时信息、虚拟模拟、远程支持和维护计划优化，来显著提升轨道交通的运维效率和质量。然而，传统的轨道交通运维方法通常依赖于人工巡检和大量纸质文档，这种方法效率低下、容易出错且存在难以实时响应故障维护的问题。
发明内容
基于此，本发明有必要提供一种基于AR技术的轨道交通运维方法，以解决至少一个上述技术问题。
为实现上述目的，一种基于AR技术的轨道交通运维方法，包括以下步骤：
步骤S1：通过AR技术对轨道交通系统进行虚拟现实模拟，得到轨道交通虚拟数字孪生空间；对轨道交通虚拟数字孪生空间进行质量数据采集处理，得到轨道状况高质量数据以及轨道车辆运行高质量数据；
步骤S2：对轨道状况高质量数据进行轨道结构可视化分析，得到轨道三维结构状况图；对轨道三维结构状况图进行轨道结构损伤分析，得到轨道结构损伤数据；根据轨道结构损伤数据对轨道三维结构状况图进行损伤故障评估，得到轨道结构损伤故障因子；
步骤S3：根据轨道结构损伤故障因子对轨道三维结构状况图进行第一故障检测，得到轨道结构表面损伤故障数据；对轨道状况高质量数据进行潜在故障评估分析，得到轨道潜在故障识别因子；根据轨道潜在故障识别因子对轨道结构表面损伤故障数据进行第二故障检测，得到轨道结构潜在故障数据；
步骤S4：通过AR技术对轨道结构表面损伤故障数据以及轨道结构潜在故障数据进行故障定位处理，得到轨道结构故障点数据；对轨道结构故障点数据进行故障维修标注处理，得到轨道故障维修区域；根据轨道故障维修区域对轨道车辆运行高质量数据进行调度运维处理，得到轨道车辆调度运维信息数据。
本发明首先通过使用AR技术对轨道交通系统进行虚拟现实模拟，以创造一个轨道交通系统的虚拟数字孪生空间，这允许运维人员以增强现实(AR)方式与轨道交通系统进行互动，这有助于提供一个虚拟现实环境，可以用于培训、故障检测分析、模拟紧急情况以及车辆运行维护。同时，通过对轨道交通虚拟数字孪生空间进行质量数据采集，能够获得高质量的轨道状况和车辆运行数据，这有助于实时监控和全面了解轨道系统状态，提高了运营的可视化管理和数据支持，从而提升了安全性和效率。高质量数据具有更高的准确性和可信度，有助于确保系统运行和维护决策的可靠性，从而为后续的处理过程提供基础数据保障。其次，通过对轨道状况高质量数据进行轨道结构可视化分析，能够获得有关轨道结构状况的可视化信息数据，这些数据包括轨道的几何形状、材料属性、连接方式等，能够为后续的分析提供了基础数据，使得能够更清晰地观察轨道结构的几何形状和结构特征。另外，还通过对轨道三维结构状况图进行轨道结构损伤分析，以获取有关这些损伤的详细数据，这包括损伤的类型、程度、位置等信息，这样能够提供更加深入的了解轨道结构问题的本质，为后续的故障处理和维修提供了依据。并且，根据分析得到的轨道结构损伤数据对轨道三维结构状况图进行损伤故障评估，能够综合考虑结构损伤与故障之间的关系，从而得出轨道结构损伤故障因子。这个因子可以帮助运维人员评估轨道结构的健康状况，采取必要的维护和修复措施，确保轨道交通系统的可靠性和安全性。然后，通过根据轨道结构损伤故障因子对轨道三维结构状况图进行第一故障检测，可以提高表面损伤故障检测的精确性，确保不会漏掉任何表面损伤故障问题，从而生成轨道结构表面损伤故障数据，有助于评估轨道结构的可维护性和安全性。并通过对轨道状况高质量数据进行潜在故障评估分析，有助于检测轨道上的潜在故障问题，如疲劳、变形或其他隐蔽的故障。这一步骤提供了关于轨道潜在故障的信息数据，为预防性维护提供了基础，可以减少不必要的停机时间和维修成本，同时生成综合的轨道潜在故障识别因子，这一因子量化了潜在故障的严重性和紧急性，有助于确定哪些潜在故障问题需要首要处理。通过使用轨道潜在故障识别因子对轨道结构表面损伤故障数据进行第二故障检测，能够进一步确认潜在故障问题的存在，为维护决策提供了更为确凿的证据，有助于及早发现潜在问题，从而减少突发故障的发生。通过第一故障检测和第二故障检测共同执行能够提高轨道交通系统的可靠性和安全性。最后，通过使用AR技术对轨道结构损伤故障数据和潜在故障数据进行故障定位，具有高度精确性和实时性，使得能够精确定位轨道结构的故障点，这有助于迅速发现轨道结构的故障问题，提高维修效率，降低维护成本，确保轨道交通系统的可靠性和安全性。此外，通过对轨道结构故障点数据进行故障维修标注处理，以确保在维修期间不会有车辆运行通过，还能够通过该区域预防未来的故障问题，可以建立维修历史数据，追踪故障问题的演变趋势，提前采取措施，减少未来维护成本和停机时间，这样提高了轨道交通系统的可维护性和可预测性。通过根据轨道故障维修区域对轨道车辆运行高质量数据进行调度运维处理，能够确保轨道车辆在维修区域内运行的安全和高效，这包括了路线调整、车辆维护计划的优化等，有助于降低维护期间的运营风险和成本，从而确保了轨道交通系统能够实时响应故障的维护问题和提高运维效率。
优选地，本发明还提供了一种基于AR技术的轨道交通运维系统，用于执行如上所述的基于AR技术的轨道交通运维方法，该基于AR技术的轨道交通运维系统包括：
轨道交通数据采集模块，用于通过AR技术对轨道交通系统进行虚拟现实模拟，得到轨道交通虚拟数字孪生空间；对轨道交通虚拟数字孪生空间进行实时采集处理，从而得到轨道状况高质量数据以及轨道车辆运行高质量数据；
轨道结构损伤评估模块，用于对轨道状况高质量数据进行轨道结构可视化分析，得到轨道三维结构状况图；对轨道三维结构状况图进行轨道结构损伤分析，得到轨道结构损伤数据；根据轨道结构损伤数据对轨道三维结构状况图进行损伤故障评估，从而得到轨道结构损伤故障因子；
轨道结构故障检测模块，用于根据轨道结构损伤故障因子对轨道三维结构状况图进行第一故障检测，得到轨道结构表面损伤故障数据；对轨道状况高质量数据进行潜在故障评估分析，得到轨道潜在故障识别因子；根据轨道潜在故障识别因子对轨道结构表面损伤故障数据进行第二故障检测，从而得到轨道结构潜在故障数据；
故障维修车辆运维模块，用于通过AR技术对轨道结构表面损伤故障数据以及轨道结构潜在故障数据进行故障定位处理，得到轨道结构故障点数据；对轨道结构故障点数据进行故障维修标注处理，得到轨道故障维修区域；根据轨道故障维修区域对轨道车辆运行高质量数据进行调度运维处理，从而得到轨道车辆调度运维信息数据。
综上所述，本发明提供了一种基于AR技术的轨道交通运维系统，该基于AR技术的轨道交通运维系统由轨道交通数据采集模块、轨道结构损伤评估模块、轨道结构故障检测模块以及故障维修车辆运维模块组成，能够实现本发明所述任意一种基于AR技术的轨道交通运维方法，用于联合各个模块上运行的计算机程序之间的操作实现一种基于AR技术的轨道交通运维方法，系统内部结构互相协作，通过引入AR技术来实现实时数据的可视化和轨道信息的立体叠加，能够提高运维人员的感知和决策能力，同时，通过轨道结构损伤来评估与故障之间的关系，并通过第一故障检测和第二故障检测，能够从浅层到潜在深层次的逐层进行故障检测，这样实现对轨道结构故障的精确检测，从而提高了轨道交通系统的整体运维效率，这样能够大大减少重复工作和人力投入，能够快速有效地提供更准确、更高效的轨道交通运维过程，从而简化了基于AR技术的轨道交通运维系统的操作流程。
附图说明
通过阅读参照以下附图所作的对非限制性实施所作的详细描述，本发明的其它特征、目的和优点将会变得更明显：
图1为本发明基于AR技术的轨道交通运维方法的步骤流程示意图；
图2为图1中步骤S1的详细步骤流程示意图；
图3为图2中步骤S15的详细步骤流程示意图；
图4为轨道状况数据异常超标点的标注示意图；
图5为轨道车辆运行数据异常超标点的标注示意图。
具体实施方式
下面结合附图对本发明专利的技术方法进行清楚、完整的描述，显然，所描述的实施例是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域所属的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。
此外，附图仅为本发明的示意性图解，并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分，因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体，不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器方法和/或微控制器方法中实现这些功能实体。
应当理解的是，虽然在这里可能使用了术语“第一”、“第二”等等来描述各个单元，但是这些单元不应当受这些术语限制。使用这些术语仅仅是为了将一个单元与另一个单元进行区分。举例来说，在不背离示例性实施例的范围的情况下，第一单元可以被称为第二单元，并且类似地第二单元可以被称为第一单元。这里所使用的术语“和/或”包括其中一个或更多所列出的相关联项目的任意和所有组合。
为实现上述目的，请参阅图1至图5，本发明提供了一种基于AR技术的轨道交通运维方法，所述方法包括以下步骤：
步骤S1：通过AR技术对轨道交通系统进行虚拟现实模拟，得到轨道交通虚拟数字孪生空间；对轨道交通虚拟数字孪生空间进行质量数据采集处理，得到轨道状况高质量数据以及轨道车辆运行高质量数据；
步骤S2：对轨道状况高质量数据进行轨道结构可视化分析，得到轨道三维结构状况图；对轨道三维结构状况图进行轨道结构损伤分析，得到轨道结构损伤数据；根据轨道结构损伤数据对轨道三维结构状况图进行损伤故障评估，得到轨道结构损伤故障因子；
步骤S3：根据轨道结构损伤故障因子对轨道三维结构状况图进行第一故障检测，得到轨道结构表面损伤故障数据；对轨道状况高质量数据进行潜在故障评估分析，得到轨道潜在故障识别因子；根据轨道潜在故障识别因子对轨道结构表面损伤故障数据进行第二故障检测，得到轨道结构潜在故障数据；
步骤S4：通过AR技术对轨道结构表面损伤故障数据以及轨道结构潜在故障数据进行故障定位处理，得到轨道结构故障点数据；对轨道结构故障点数据进行故障维修标注处理，得到轨道故障维修区域；根据轨道故障维修区域对轨道车辆运行高质量数据进行调度运维处理，得到轨道车辆调度运维信息数据。
本发明实施例中，请参考图1所示，为本发明基于AR技术的轨道交通运维方法的步骤流程示意图，在本实例中，所述基于AR技术的轨道交通运维方法的步骤包括：
步骤S1：通过AR技术对轨道交通系统进行虚拟现实模拟，得到轨道交通虚拟数字孪生空间；对轨道交通虚拟数字孪生空间进行质量数据采集处理，得到轨道状况高质量数据以及轨道车辆运行高质量数据；
本发明实施例通过使用增强现实(AR)技术将轨道交通系统投影到真实环境中，并通过设计一个用户友好的虚拟现实界面，包括交互元素、手势识别等，使得运维人员能够通过AR眼镜在虚拟现实环境中交互，以创造一个轨道交通系统的虚拟数字孪生空间，从而得到轨道交通虚拟数字孪生空间。然后，通过在轨道交通虚拟数字孪生空间内部署相应的物联网传感器网络，其中传感器包括温度传感器、湿度传感器、振动传感器、摄像头等，并通过使用部署的物理网络传感器网络实时采集轨道交通虚拟数字孪生空间内的数据，同时，通过对采集到的数据进行降噪、异常检测剔除、数据降维等处理后，定义一组数据质量标准，包括数据的准确性、完整性以及一致性等，对处理后的数据进行质量筛选，以排除低质量或不符合标准的数据，最终得到轨道状况高质量数据以及轨道车辆运行高质量数据。
步骤S2：对轨道状况高质量数据进行轨道结构可视化分析，得到轨道三维结构状况图；对轨道三维结构状况图进行轨道结构损伤分析，得到轨道结构损伤数据；根据轨道结构损伤数据对轨道三维结构状况图进行损伤故障评估，得到轨道结构损伤故障因子；
本发明实施例通过使用数据处理和分析技术对轨道状况高质量数据进行识别分析，以识别轨道状况高质量数据中有关轨道结构状况的信息数据，包括轨道结构的几何形状、材料属性、连接方式等信息数据，并将分析得到的信息数据以图形可视化的形式呈现，以创建一个轨道结构的三维可视化图形，从而得到轨道三维结构状况图。然后，通过对轨道三维结构状况图中的结构损伤进行进一步分析，以确定损伤的类型、程度和影响，从而得到轨道结构损伤数据。最后，通过使用轨道结构损伤数据对轨道三维结构状况图中的损伤故障区域进行评估，以确定轨道结构损伤与故障之间的关系，最终得到轨道结构损伤故障因子。
步骤S3：根据轨道结构损伤故障因子对轨道三维结构状况图进行第一故障检测，得到轨道结构表面损伤故障数据；对轨道状况高质量数据进行潜在故障评估分析，得到轨道潜在故障识别因子；根据轨道潜在故障识别因子对轨道结构表面损伤故障数据进行第二故障检测，得到轨道结构潜在故障数据；
本发明实施例首先通过使用激光故障扫描工具对轨道三维结构状况图进行第一次的故障检测，以初步识别轨道三维结构状况图上任何明显的结构故障问题，如裂缝、腐蚀或其他可见的损伤故障，同时，通过使用轨道结构损伤故障因子对检测出来的数据进行进一步分析，以修正第一次故障检测的误报或识别更精确的表面损伤信息，以确保不会漏掉任何表面损伤故障问题，从而得到轨道结构表面损伤故障数据。然后，通过使用数据分析技术对轨道状况高质量数据进行识别分析，以检测能够识别轨道状况高质量数据中存在的隐性故障或潜在故障问题的信息识别因子，从而得到轨道潜在故障识别因子。最后，通过使用轨道潜在故障识别因子对轨道结构表面损伤故障数据进行第二次的故障检测，以进一步从轨道结构表面损伤故障数据中识别出更深层次的故障问题，最终得到轨道结构潜在故障数据。
步骤S4：通过AR技术对轨道结构表面损伤故障数据以及轨道结构潜在故障数据进行故障定位处理，得到轨道结构故障点数据；对轨道结构故障点数据进行故障维修标注处理，得到轨道故障维修区域；根据轨道故障维修区域对轨道车辆运行高质量数据进行调度运维处理，得到轨道车辆调度运维信息数据。
本发明实施例通过使用增强现实(AR)技术对轨道结构表面损伤故障数据以及轨道结构潜在故障数据的实际轨道结构故障位置进行叠加和可视化，并通过分析AR叠加数据以精确定位轨道结构中故障点(包括轨道损伤故障位置或潜在故障问题位置)的位置数据，从而得到轨道结构故障点数据。然后，通过对轨道结构故障点数据中对应的轨道结构故障点进行维修处理，以确保该轨道结构故障点的故障问题能够得到及时解决，并对该维修点的坐标位置进行预警标注，以标注该轨道结构故障维修点正在维修或者已经维修完但未通行，从而得到轨道故障维修区域。最后，通过根据轨道故障维修区域的位置状况对轨道车辆运行高质量数据中对应的车辆运行状况进行调度处理，包括轨道车辆的路线调整、车辆维修区域的运行计划优化等，以确保轨道车辆在维修区域外运行的安全和高效，最终得到轨道车辆调度运维信息数据。
本发明首先通过使用AR技术对轨道交通系统进行虚拟现实模拟，以创造一个轨道交通系统的虚拟数字孪生空间，这允许运维人员以增强现实(AR)方式与轨道交通系统进行互动，这有助于提供一个虚拟现实环境，可以用于培训、故障检测分析、模拟紧急情况以及车辆运行维护。同时，通过对轨道交通虚拟数字孪生空间进行质量数据采集，能够获得高质量的轨道状况和车辆运行数据，这有助于实时监控和全面了解轨道系统状态，提高了运营的可视化管理和数据支持，从而提升了安全性和效率。高质量数据具有更高的准确性和可信度，有助于确保系统运行和维护决策的可靠性，从而为后续的处理过程提供基础数据保障。其次，通过对轨道状况高质量数据进行轨道结构可视化分析，能够获得有关轨道结构状况的可视化信息数据，这些数据包括轨道的几何形状、材料属性、连接方式等，能够为后续的分析提供了基础数据，使得能够更清晰地观察轨道结构的几何形状和结构特征。另外，还通过对轨道三维结构状况图进行轨道结构损伤分析，以获取有关这些损伤的详细数据，这包括损伤的类型、程度、位置等信息，这样能够提供更加深入的了解轨道结构问题的本质，为后续的故障处理和维修提供了依据。并且，根据分析得到的轨道结构损伤数据对轨道三维结构状况图进行损伤故障评估，能够综合考虑结构损伤与故障之间的关系，从而得出轨道结构损伤故障因子。这个因子可以帮助运维人员评估轨道结构的健康状况，采取必要的维护和修复措施，确保轨道交通系统的可靠性和安全性。然后，通过根据轨道结构损伤故障因子对轨道三维结构状况图进行第一故障检测，可以提高表面损伤故障检测的精确性，确保不会漏掉任何表面损伤故障问题，从而生成轨道结构表面损伤故障数据，有助于评估轨道结构的可维护性和安全性。并通过对轨道状况高质量数据进行潜在故障评估分析，有助于检测轨道上的潜在故障问题，如疲劳、变形或其他隐蔽的故障。这一步骤提供了关于轨道潜在故障的信息数据，为预防性维护提供了基础，可以减少不必要的停机时间和维修成本，同时生成综合的轨道潜在故障识别因子，这一因子量化了潜在故障的严重性和紧急性，有助于确定哪些潜在故障问题需要首要处理。通过使用轨道潜在故障识别因子对轨道结构表面损伤故障数据进行第二故障检测，能够进一步确认潜在故障问题的存在，为维护决策提供了更为确凿的证据，有助于及早发现潜在问题，从而减少突发故障的发生。通过第一故障检测和第二故障检测共同执行能够提高轨道交通系统的可靠性和安全性。最后，通过使用AR技术对轨道结构损伤故障数据和潜在故障数据进行故障定位，具有高度精确性和实时性，使得能够精确定位轨道结构的故障点，这有助于迅速发现轨道结构的故障问题，提高维修效率，降低维护成本，确保轨道交通系统的可靠性和安全性。此外，通过对轨道结构故障点数据进行故障维修标注处理，以确保在维修期间不会有车辆运行通过，还能够通过该区域预防未来的故障问题，可以建立维修历史数据，追踪故障问题的演变趋势，提前采取措施，减少未来维护成本和停机时间，这样提高了轨道交通系统的可维护性和可预测性。通过根据轨道故障维修区域对轨道车辆运行高质量数据进行调度运维处理，能够确保轨道车辆在维修区域内运行的安全和高效，这包括了路线调整、车辆维护计划的优化等，有助于降低维护期间的运营风险和成本，从而确保了轨道交通系统能够实时响应故障的维护问题和提高运维效率。
优选地，步骤S1包括以下步骤：
步骤S11：对轨道交通系统进行三维地理扫描处理，得到轨道交通三维地理高精数据；
步骤S12：对轨道交通三维地理高精数据进行三维渲染建模处理，得到轨道交通高精度三维模型；
步骤S13：通过AR技术对轨道交通高精度三维模型进行虚拟现实模拟，得到轨道交通虚拟数字孪生空间；
步骤S14：通过在轨道交通虚拟数字孪生空间部署物联网传感器网络，并根据物理网络传感器网络对轨道交通虚拟数字孪生空间进行实时采集处理，得到轨道状况初始数据以及轨道车辆运行初始数据；
步骤S15：对轨道状况初始数据以及轨道车辆运行初始数据进行质量筛选处理，得到轨道状况高质量数据以及轨道车辆运行高质量数据。
作为本发明的一个实施例，参考图2所示，为图1中步骤S1的详细步骤流程示意图，在本实施例中步骤S1包括以下步骤：
步骤S11：对轨道交通系统进行三维地理扫描处理，得到轨道交通三维地理高精数据；
本发明实施例通过使用高精度三维地理扫描仪器(如激光雷达、摄像头、GPS等)对轨道交通系统进行全覆盖扫描，以获取轨道交通系统所属区域内高精度的三维地理信息数据，包括轨道、站点、信号设备和周围环境等方面的详细信息，最终得到轨道交通三维地理高精数据。
步骤S12：对轨道交通三维地理高精数据进行三维渲染建模处理，得到轨道交通高精度三维模型；
本发明实施例通过使用三维建模软件(如AutoCAD、SketchUp、Blender等)将轨道交通三维地理高精数据转化为高精度的三维实体模型，并为模型添加纹理和颜色以增加真实感，最终得到轨道交通高精度三维模型。
步骤S13：通过AR技术对轨道交通高精度三维模型进行虚拟现实模拟，得到轨道交通虚拟数字孪生空间；
本发明实施例通过使用增强现实(AR)技术将轨道交通高精度三维模型投影到真实环境中，并通过设计一个用户友好的虚拟现实界面，包括交互元素、手势识别等，使得运维人员能够通过AR眼镜在虚拟现实环境中交互，以创造一个轨道交通系统的虚拟数字孪生空间，最终得到轨道交通虚拟数字孪生空间。
步骤S14：通过在轨道交通虚拟数字孪生空间部署物联网传感器网络，并根据物理网络传感器网络对轨道交通虚拟数字孪生空间进行实时采集处理，得到轨道状况初始数据以及轨道车辆运行初始数据；
本发明实施例通过在轨道交通虚拟数字孪生空间内部署相应的物联网传感器网络，其中传感器包括温度传感器、湿度传感器、振动传感器、摄像头等，以实时监测轨道交通虚拟数字孪生空间内的轨道状况和车辆运行，然后，通过使用部署的物理网络传感器网络实时采集轨道交通虚拟数字孪生空间内的数据，最终得到轨道状况初始数据以及轨道车辆运行初始数据。
步骤S15：对轨道状况初始数据以及轨道车辆运行初始数据进行质量筛选处理，得到轨道状况高质量数据以及轨道车辆运行高质量数据。
本发明实施例通过对轨道状况初始数据以及轨道车辆运行初始数据进行降噪、异常检测剔除、数据降维等处理后，定义一组数据质量标准，包括数据的准确性、完整性以及一致性等，然后，根据定义的数据质量标准对处理后的数据进行质量筛选，排除低质量或不符合标准的数据，最终得到轨道状况高质量数据以及轨道车辆运行高质量数据。
本发明首先通过对轨道交通系统进行三维地理扫描处理，这意味着能够通过使用高精度三维地理扫描仪器对轨道交通系统的三维地理进行扫描，以获取高精度的三维地理数据，这些数据可以包括轨道、站点、信号设备和周围环境等方面的详细信息，这样能够为后续的处理过程提供准确的轨道交通三维地理信息，有助于规划、设计和维护轨道交通系统，同时提高安全性和效率。其次，通过对轨道交通三维地理高精数据进行三维渲染建模处理，以创建一个高精度的三维模型，这个模型能够以高分辨率呈现轨道交通系统的各个方面，使得运维人员能够更好地理解轨道交通系统的结构和特点，还能够提供一个可视化的轨道交通系统模型工具，有助于培训、规划、仿真和决策支持。然后，通过使用AR技术对轨道交通高精度三维模型进行虚拟现实模拟，以创造一个轨道交通系统的虚拟数字孪生空间，这允许运维人员以增强现实(AR)方式与轨道交通系统进行互动，这有助于提供一个虚拟现实环境，可以用于培训、故障检测分析、模拟紧急情况以及车辆运行维护。接下来，通过在轨道交通虚拟数字孪生空间内部署物联网传感器网络，能够实现对轨道交通虚拟数字孪生空间进行实时数据采集处理，这包括传感器监测轨道状况和车辆运行。通过物联网传感器网络进行实时数据采集能够实现轨道交通数据的实时监控和收集，有助于后续过程中快速检测故障问题、改进故障问题，以提高轨道交通的安全性。最后，通过对轨道状况初始数据和轨道车辆运行初始数据进行质量筛选处理，以剔除可能存在的误差、异常数据和噪音，从而得到高质量的数据。高质量数据具有更高的准确性和可信度，有助于确保系统运行和维护决策的可靠性，从而为后续的处理过程提供基础数据保障。
优选地，步骤S15包括以下步骤：
步骤S151：对轨道状况初始数据以及轨道车辆运行初始数据进行降噪处理，得到轨道状况降噪数据以及轨道车辆运行降噪数据；
步骤S152：对轨道状况降噪数据以及轨道车辆运行降噪数据进行异常检测分析，得到轨道状况异常数据以及轨道车辆运行异常数据；
步骤S153：利用异常峰值检测计算公式对轨道状况异常数据以及轨道车辆运行异常数据进行异常计算，得到轨道状况数据异常峰值以及轨道车辆运行数据异常峰值；
步骤S154：根据轨道状况数据异常峰值以及轨道车辆运行数据异常峰值对轨道状况异常数据以及轨道车辆运行异常数据进行峰识别滤除，得到轨道状况异常滤除数据以及轨道车辆运行异常滤除数据；
步骤S155：对轨道状况异常滤除数据以及轨道车辆运行异常滤除数据进行数据降维处理，得到轨道状况降维数据以及轨道车辆运行降维数据；
步骤S156：对轨道状况降维数据以及轨道车辆运行降维数据进行质量评估筛选处理，得到轨道状况高质量数据以及轨道车辆运行高质量数据。
作为本发明的一个实施例，参考图3所示，为图2中步骤S15的详细步骤流程示意图，在本实施例中步骤S15包括以下步骤：
步骤S151：对轨道状况初始数据以及轨道车辆运行初始数据进行降噪处理，得到轨道状况降噪数据以及轨道车辆运行降噪数据；
本发明实施例通过使用降噪技术(如滤波器、平滑算法、插值等)对轨道状况初始数据以及轨道车辆运行初始数据进行降噪处理，以减小轨道状况初始数据以及轨道车辆运行初始数据中的随机或高频噪声，最终得到轨道状况降噪数据以及轨道车辆运行降噪数据。
步骤S152：对轨道状况降噪数据以及轨道车辆运行降噪数据进行异常检测分析，得到轨道状况异常数据以及轨道车辆运行异常数据；
本发明实施例通过使用异常检测算法模型对降噪处理后的轨道状况降噪数据以及轨道车辆运行降噪数据进行分析，以识别轨道状况降噪数据以及轨道车辆运行降噪数据中不正常的数据，最终得到轨道状况异常数据以及轨道车辆运行异常数据。
步骤S153：利用异常峰值检测计算公式对轨道状况异常数据以及轨道车辆运行异常数据进行异常计算，得到轨道状况数据异常峰值以及轨道车辆运行数据异常峰值；
本发明实施例通过结合异常计算的时间变量参数、异常幅度调节参数、异常衰减控制参数、异常分布均值、异常分布标准差以及相关参数构成了一个合适的异常峰值检测计算公式对轨道状况异常数据以及轨道车辆运行异常数据进行异常计算，以量化轨道状况异常数据以及轨道车辆运行异常数据的异常程度，最终得到轨道状况数据异常峰值以及轨道车辆运行数据异常峰值。另外，该异常峰值检测计算公式还能够使用本领域内任意一种异常峰程度检测算法来代替异常计算的过程，并不局限于该异常峰值检测计算公式。
步骤S154：根据轨道状况数据异常峰值以及轨道车辆运行数据异常峰值对轨道状况异常数据以及轨道车辆运行异常数据进行峰识别滤除，得到轨道状况异常滤除数据以及轨道车辆运行异常滤除数据；
本发明实施例通过根据预先设置的异常峰值衡量标准分别对轨道状况数据异常峰值以及轨道车辆运行数据异常峰值进行判断，并将超过预先设置的异常峰值衡量标准对应的轨道状况异常数据以及轨道车辆运行异常数据从总体数据集中滤除，最终得到轨道状况异常滤除数据以及轨道车辆运行异常滤除数据。
步骤S155：对轨道状况异常滤除数据以及轨道车辆运行异常滤除数据进行数据降维处理，得到轨道状况降维数据以及轨道车辆运行降维数据；
本发明实施例通过使用降维技术(如主成分分析(PCA)或t-分布随机邻域嵌入(t-SNE))对轨道状况异常滤除数据以及轨道车辆运行异常滤除数据进行处理，以减少轨道状况异常滤除数据以及轨道车辆运行异常滤除数据的数据维度和复杂性，最终得到轨道状况降维数据以及轨道车辆运行降维数据。
步骤S156：对轨道状况降维数据以及轨道车辆运行降维数据进行质量评估筛选处理，得到轨道状况高质量数据以及轨道车辆运行高质量数据。
本发明实施例通过定义一组质量评估标准，包括数据的准确性、完整性以及一致性等，然后，根据定义的质量评估标准对降维后的轨道状况降维数据以及轨道车辆运行降维数据进行评估，以筛选出高质量的数据并消除低质量的数据，最终得到轨道状况高质量数据以及轨道车辆运行高质量数据。
本发明首先通过对轨道状况初始数据和轨道车辆运行初始数据进行降噪处理，这意味着通过应用噪声信号处理和数据降噪技术，消除或减少由传感器误差、环境噪音或其他因素引起的数据中的不希望的波动和噪声干扰，这样能够获得了更加平稳和准确的轨道状况和车辆运行数据，有助于提高数据的可靠性和可用性。同时，通过对经过降噪处理后的轨道状况降噪数据以及轨道车辆运行降噪数据进行异常检测分析，这可以帮助识别那些不正常的数据点，可能表示传感器检测过程出现错误、误差或其他异常情况。通过检测这些异常数据，可以为后续的处理过程提供基础数据来源，从而提高了轨道状况数据和轨道车辆运行数据的安全性和可靠性。其次，通过使用异常峰值检测计算公式对轨道状况异常数据以及轨道车辆运行异常数据进行进一步的异常计算，这一步骤有助于量化异常数据的程度和性质，例如异常的幅度和持续时间，能够为后续的处理过程提供基础信息数据。然后，根据计算得到的轨道状况数据异常峰值以及轨道车辆运行数据异常峰值对轨道状况异常数据和轨道车辆运行异常数据进行峰识别滤除，这意味着能够删除那些不需要的或不相关的异常数据点，从而获得更加干净和有序的数据，这有助于提高异常检测的效率和准确性，同时减少误报。接下来，通过对经过异常滤除后的数据进行降维处理，以减少数据的复杂性和存储需求，这可以通过应用降维算法，如主成分分析(PCA)或t-分布随机邻域嵌入(t-SNE)来实现。通过降维可以帮助更好地理解数据的结构，减少冗余信息，并提高数据分析和可视化的效率。最后，通过对降维后的轨道状况和车辆运行数据进行质量评估筛选处理，以获得高质量数据。这包括对数据的一致性、完整性和准确性进行评估，以选择最适合的数据子集，并支持后续过程的决策制定、建模和分析。高质量数据有助于确保系统的可靠性和安全性，同时提高决策的质量和效果。
优选地，步骤S153中的异常峰值检测计算公式具体为：
式中，P1(xa，tf)为轨道状况数据异常峰值，n为轨道状况异常数据的数量，xa为第a个轨道状况异常数据的数值，tf为异常计算的积分时间范围上限，t0为异常计算的积分时间范围下限，τ为异常计算的积分时间参数，exp为指数函数，ρ1为轨道状况异常数据的异常幅度调节参数，φ1为轨道状况异常数据的异常衰减控制参数，μa为第a个轨道状况异常数据的异常分布均值，σa为第a个轨道状况异常数据的异常分布标准差，∈1为轨道状况数据异常峰值的修正值，P2(yb,tf)为轨道车辆运行数据异常峰值，m为轨道车辆运行异常数据的数量，yb为第b个轨道车辆运行异常数据的数值，ρ2为轨道车辆运行异常数据的异常幅度调节参数，φ2为轨道车辆运行异常数据的异常衰减控制参数，μb为第b个轨道车辆运行异常数据的异常分布均值，σb为第b个轨道车辆运行异常数据的异常分布标准差，∈2为轨道车辆运行数据异常峰值的修正值。
本发明构建了一个异常峰值检测计算公式，用于对轨道状况异常数据以及轨道车辆运行异常数据进行异常计算，该异常峰值检测计算公式通过使用异常幅度调节参数来调节异常数据的异常幅度，通过异常衰减控制参数来控制异常数据的衰减程度，通过异常分布均值和异常分布标准差来衡量异常数据的分布情况，另外，还通过引入修正值来校正计算结果的误差和其他影响因素。综上所述，该异常峰值检测计算公式综合考虑了异常的幅度、衰减、分布等因素，能够用于识别和度量异常峰值，帮助识别异常情况并提高数据的质量，以便更好地理解和处理异常数据。该公式通过考虑了轨道状况异常数据的数量n，第a个轨道状况异常数据的数值xa，异常计算的积分时间范围上限tf，异常计算的积分时间范围下限t0，异常计算的积分时间参数τ，指数函数exp，轨道状况异常数据的异常幅度调节参数ρ1，轨道状况异常数据的异常衰减控制参数φ1，第a个轨道状况异常数据的异常分布均值μa以及第a个轨道状况异常数据的异常分布标准差σa构成了一种轨道状况数据异常峰值P1(xa，tf)的函数关系：
另外，还通过轨道车辆运行异常数据的数量m，第b个轨道车辆运行异常数据的数值yb，轨道车辆运行异常数据的异常幅度调节参数ρ2，轨道车辆运行异常数据的异常衰减控制参数φ2，第b个轨道车辆运行异常数据的异常分布均值μb以及第b个轨道车辆运行异常数据的异常分布标准差σb构成了一种轨道车辆运行数据异常峰值P2(yb，tf)的函数关系：
该公式能够实现对轨道状况异常数据以及轨道车辆运行异常数据的异常计算过程，同时，通过轨道状况数据异常峰值的修正值∈1以及轨道车辆运行数据异常峰值的修正值∈2的引入可以根据计算过程中出现的误差情况进行调整，从而提高了异常峰值检测计算公式的准确性和稳定性。
优选地，步骤S154包括以下步骤：
步骤S1541：对轨道状况数据异常峰值以及轨道车辆运行数据异常峰值进行峰值图形绘制，得到轨道状况数据异常峰图以及轨道车辆运行数据异常峰图；
本发明实施例通过使用图形可视化工具或软件对根据每个异常数据计算得到的轨道状况数据异常峰值以及轨道车辆运行数据异常峰值进行图形可视化绘制，以直观地了解轨道状况数据异常峰值以及轨道车辆运行数据异常峰值的异常分布情况，最终得到轨道状况数据异常峰图以及轨道车辆运行数据异常峰图。
步骤S1542：根据预设的标准异常峰曲线对轨道状况数据异常峰图以及轨道车辆运行数据异常峰图进行峰识别并标注，得到轨道状况数据异常超标点以及轨道车辆运行数据异常超标点；
本发明实施例通过使用预先设置的标准异常峰曲线(包括轨道状况数据的标准异常峰曲线和轨道车辆运行数据的标准异常峰曲线)对轨道状况数据异常峰图以及轨道车辆运行数据异常峰图进行界限识别，以识别轨道状况数据异常峰图以及轨道车辆运行数据异常峰图中超过该曲线的数据点，并标注超过标准异常峰曲线的异常峰值点，最终得到轨道状况数据异常超标点(如图4所示)以及轨道车辆运行数据异常超标点(如图5所示)。
步骤S1543：对轨道状况数据异常峰图以及轨道车辆运行数据异常峰图进行异常波动检测，得到轨道状况数据异常波动区域以及轨道车辆运行数据异常波动区域；
本发明实施例通过使用时序分析、异常滤波技术等方法对轨道状况数据异常峰图以及轨道车辆运行数据异常峰图进行检测分析，以检测轨道状况数据异常峰图以及轨道车辆运行数据异常峰图中在一段时间内具有剧烈异常波动的异常峰值点区域，最终得到轨道状况数据异常波动区域以及轨道车辆运行数据异常波动区域。
步骤S1544：将轨道状况数据异常超标点以及轨道状况数据异常波动区域进行区域合并，得到轨道状况异常区域，并将该轨道状况异常区域对应的轨道状况异常数据进行滤除处理，得到轨道状况异常滤除数据；
本发明实施例通过将标注出来的轨道状况数据异常超标点以及该点周围出现的轨道状况数据异常波动区域进行合并，以综合考虑轨道状况数据异常峰图中的局部异常现象，从而得到轨道状况异常区域。然后，将合并后的轨道状况异常区域内对应的轨道状况异常数据从总体数据集中剔除，最终得到轨道状况异常滤除数据。
步骤S1545：将轨道车辆运行数据异常超标点以及轨道车辆运行数据异常波动区域进行区域合并，得到轨道车辆运行异常区域，并将该轨道车辆运行异常区域对应的轨道车辆运行异常数据进行滤除处理，得到轨道车辆运行异常滤除数据。
本发明实施例通过将标注出来的轨道车辆运行数据异常超标点以及该点周围出现的轨道车辆运行数据异常波动区域进行合并，以综合考虑轨道车辆运行数据异常峰图中的局部异常现象，从而得到轨道车辆运行异常区域。然后，将合并后的轨道车辆运行异常区域内对应的轨道车辆运行异常数据从总体数据集中剔除，最终得到轨道车辆运行异常滤除数据。
本发明首先通过对计算得到的轨道状况数据异常峰值以及轨道车辆运行数据异常峰值进行峰值图形绘制，以绘制出相应的异常峰图，能够直观地了解轨道状况数据和轨道车辆运行数据的异常分布情况，绘制得到的这些峰值图形能够为后续的分析过程提供可视化基础，使得异常数据的特征更加清晰明了，有助于进一步的研究和处理。其次，通过使用预设的标准异常峰曲线对轨道状况数据异常峰图和轨道车辆运行数据异常峰图进行峰识别并标注，能够识别出轨道状况数据异常峰图以及轨道车辆运行数据异常峰图中的那些偏离正常范围的异常超标点，并对其进行标注，这种标注过程使得异常程度较大的异常数据更易于辨识，为后续的异常处理提供了基础信息。然后，通过对轨道状况数据异常峰图和轨道车辆运行数据异常峰图进行异常波动检测，这意味着不仅仅只关注单个数据点的异常，还关注数据的波动性。通过检测异常波动区域，能够发现那些在一段时间内波动剧烈的异常数据，这就预示着轨道交通系统在特定时间段内出现了异常情况。接下来，通过将轨道状况数据异常超标点和异常波动区域进行区域合并，这种合并的方法能够将局部的异常现象进行综合考虑，以更全面地理解异常数据的分布。接着，通过对这些合并后的异常区域对应的轨道状况异常数据进行滤除处理，这样能够清除那些异常波动或超标的数据，使得最终的数据更加干净和可靠。最后，类似地，通过将轨道车辆运行数据异常超标点和轨道车辆运行数据异常波动区域进行区域合并，并将对应的轨道车辆运行异常数据进行滤除处理，能够确保对轨道车辆运行异常的全面处理，进一步提高了数据的质量和可用性。综上所述，通过绘制峰值图形、标识异常超标点、检测异常波动、区域合并和数据滤除等步骤来建立了一个系统化的异常数据处理流程，能够准确、全面地识别和处理轨道状况和车辆运行数据中的异常情况，这样不仅提高了数据分析的准确性和可信度，也为后续的决策制定和故障维护提供了有力支持。
优选地，步骤S2包括以下步骤：
步骤S21：对轨道状况高质量数据进行轨道结构识别分析，得到轨道结构状况信息数据；
本发明实施例通过使用数据处理和分析技术对轨道状况高质量数据进行识别分析，以识别轨道状况高质量数据中有关轨道结构状况的信息数据，包括轨道结构的几何形状、材料属性、连接方式等信息数据，最终得到轨道结构状况信息数据。
步骤S22：对轨道结构状况信息数据进行三维可视化分析，得到轨道三维结构状况图；
本发明实施例通过分析轨道结构状况信息数据中的轨道结构三维信息，并将分析得到的轨道结构三维信息以图形可视化的形式呈现，以创建一个轨道结构的三维可视化图形，最终得到轨道三维结构状况图。
步骤S23：对轨道三维结构状况图进行结构损伤扫描处理，得到轨道结构损伤区域；
本发明实施例通过使用激光扫描仪器对轨道三维结构状况图进行扫描处理，以扫描识别和标记出轨道三维结构状况图中表面存在损伤的区域，包括裂缝、腐蚀、、磨损、变形等，最终得到轨道结构损伤区域。
步骤S24：根据轨道结构损伤区域对轨道三维结构状况图进行轨道结构损伤分析，得到轨道结构损伤数据；
本发明实施例通过基于扫描出来的轨道结构损伤区域对轨道三维结构状况图进行进一步分析，以确定损伤的类型、程度和影响，并通过使用图像处理和分析技术识别和量化轨道结构损伤区域的损伤数据，包括损伤的类型、程度、位置等信息数据，最终得到轨道结构损伤数据。
步骤S25：利用结构损伤故障关联计算公式对轨道结构损伤数据进行故障关联计算，得到结构损伤故障关联程度系数；
本发明实施例通过结合故障关联计算的时间变量参数、结构损伤部位的损伤指标参数、损伤延迟参数、损伤衰减参数、结构故障部位的故障指标参数、故障影响平滑参数、故障影响系数、时间关联衰减系数、损伤故障关联影响项的关联影响指标参数、关联影响权重参数以及相关参数构成了一个合适的结构损伤故障关联计算公式对轨道结构损伤数据进行故障关联计算，以量化轨道结构损伤与故障之间的关联程度，最终得到结构损伤故障关联程度系数。另外，该结构损伤故障关联计算公式还能够使用本领域内任意一种关联检测算法来代替故障关联计算的过程，并不局限于该结构损伤故障关联计算公式。
步骤S26：根据结构损伤故障关联程度系数对轨道三维结构状况图进行损伤故障评估，得到轨道结构损伤故障因子。
本发明实施例通过使用计算得到的结构损伤故障关联程度系数对轨道三维结构状况图进行评估，以确定轨道结构损伤与故障之间的关系，根据结构损伤故障关联程度系数的大小确定轨道三维结构状况图中每个损伤区域的损伤故障影响关联关系，最终得到轨道结构损伤故障因子。
本发明首先通过对轨道状况高质量数据进行轨道结构识别分析，能够获得有关轨道结构状况的信息数据，这些数据包括轨道结构的几何形状、材料属性、连接方式等，能够为后续的分析提供了基础。通过分析轨道结构，能够了解轨道的整体状况，包括潜在的结构问题。同时，通过对轨道结构状况信息数据进行三维可视化分析，这一步骤的目的是将轨道的结构以三维图形的形式呈现出来，使得能够更清晰地观察轨道的几何形状和结构特征。通过三维可视化不仅提供了更直观的视觉信息，还有助于检测潜在的结构问题，如弯曲、断裂或腐蚀。其次，通过对轨道三维结构状况图进行结构损伤扫描处理，这意味着能够通过扫描寻找并标识出轨道结构中存在的损伤区域，如裂缝、磨损或其他缺陷，这有助于将注意力集中在潜在的损伤问题区域，从而提高故障检测效率。然后，根据扫描出来的轨道结构损伤区域对轨道三维结构状况图进行轨道结构损伤分析，以获取有关这些损伤的详细数据，这包括损伤的类型、程度、位置等信息，这样能够提供更加深入的了解轨道结构问题的本质，为后续的故障处理和维修提供了依据。接下来，通过使用合适的结构损伤故障关联计算公式对轨道结构损伤数据进行故障关联计算，这旨在评估损伤与故障之间的关联程度。通过计算关联系数，能够判断轨道结构损伤对轨道结构性能和安全性的潜在影响程度。最后，根据计算得到的结构损伤故障关联程度系数对轨道三维结构状况图进行损伤故障评估。这一步骤的目标是综合考虑结构损伤与故障之间的关系，从而得出轨道结构损伤故障因子。这个因子可以帮助运维人员评估轨道结构的健康状况，采取必要的维护和修复措施，确保轨道交通系统的可靠性和安全性。
优选地，步骤S25中的结构损伤故障关联计算公式具体为：
式中，R为结构损伤故障关联程度系数，T为故障关联计算的时间范围参数，t为故障关联计算的积分时间变量，N为轨道结构损伤数据中结构损伤部位的数量，si(t)为轨道结构损伤数据中第i个结构损伤部位在时间t处的损伤指标参数，λi(t)为轨道结构损伤数据中第i个结构损伤部位在时间t处的损伤延迟参数，αi为轨道结构损伤数据中第i个结构损伤部位的损伤衰减参数，M为轨道结构损伤数据中结构故障部位的数量，cj(t)为轨道结构损伤数据中第j个结构故障部位在时间t处的故障指标参数，γj(t)为轨道结构损伤数据中第j个结构故障部位在时间t处的故障影响平滑参数，βj为轨道结构损伤数据中第j个结构故障部位的故障影响系数，δ1为时间关联衰减系数，L为损伤故障关联影响项的数量，uk(t)为第k个损伤故障关联影响项在时间t处的关联影响指标参数，θk为第k个损伤故障关联影响项的关联影响权重参数，η为结构损伤故障关联程度系数的修正值。
本发明构建了一个结构损伤故障关联计算公式，用于对轨道结构损伤数据进行故障关联计算，该结构损伤故障关联计算公式通过结构损伤指标参数来表示结构损伤的强度或程度，损伤延迟参数来表示结构损伤的延迟效应，损伤衰减参数能够用来表示结构损伤随时间的减弱程度，故障指标参数用来表示故障的强度或程度，故障影响平滑参数用于表示故障的平滑效应，故障影响系数用来表示故障对结构损伤的影响程度，而时间关联衰减系数是一个时间关联的衰减参数，用于表示时间对关联程度的衰减效应，同时，通过使用关联影响权重参数来表示不同影响项对关联程度的贡献权重。综上所述，该公式的计算流程是将上述参数与相关参数代入进行积分运算，以计算得到一个关联系数，可以用来评估轨道的结构损伤与故障之间的关联性，从而能够用于进一步的结构损伤故障评估。所以，该公式充分考虑了结构损伤故障关联程度系数R，故障关联计算的时间范围参数T，故障关联计算的积分时间变量t，轨道结构损伤数据中结构损伤部位的数量N，轨道结构损伤数据中第i个结构损伤部位在时间t处的损伤指标参数si(t)，轨道结构损伤数据中第i个结构损伤部位在时间t处的损伤延迟参数λi(t)，轨道结构损伤数据中第i个结构损伤部位的损伤衰减参数αi，轨道结构损伤数据中结构故障部位的数量M，轨道结构损伤数据中第j个结构故障部位在时间t处的故障指标参数cj(t)，轨道结构损伤数据中第j个结构故障部位在时间t处的故障影响平滑参数γj(t)，轨道结构损伤数据中第j个结构故障部位的故障影响系数βj，时间关联衰减系数δ1，损伤故障关联影响项的数量L，第k个损伤故障关联影响项在时间t处的关联影响指标参数uk(t)，第k个损伤故障关联影响项的关联影响权重参数θk，结构损伤故障关联程度系数的修正值η，根据以上各参数之间的相互关联关系构成了一种函数关系：
该公式能够实现对轨道结构损伤数据的故障关联计算过程，同时，通过结构损伤故障关联程度系数的修正值η的引入可以根据计算过程中出现的误差情况进行调整，从而提高了结构损伤故障关联计算公式的准确性和适用性。
优选地，步骤S3包括以下步骤：
步骤S31：对轨道三维结构状况图进行第一故障检测，得到轨道结构初始故障信息数据；根据轨道结构损伤故障因子对轨道结构初始故障信息数据进行故障修正检测，得到轨道结构表面损伤故障数据；
本发明实施例首先通过使用激光故障扫描工具对轨道三维结构状况图进行第一次的故障检测，以初步识别轨道三维结构状况图上任何明显的结构故障问题，如裂缝、腐蚀或其他可见的损伤故障，从而得到轨道结构初始故障信息数据。然后，通过根据轨道结构损伤故障因子对轨道结构初始故障信息数据进行进一步分析，以修正第一次故障检测的误报或识别更精确的表面损伤信息，以确保不会漏掉任何表面损伤故障问题，最终得到轨道结构表面损伤故障数据。
步骤S32：对轨道状况高质量数据进行轨道健康检测分析，得到轨道健康状态信息数据；
本发明实施例通过对轨道状况高质量数据中轨道的健康状况进行检测分析，以分析轨道的整体健康状态，并通过分析轨道状况高质量数据中的变化趋势、异常和健康振动等特征，以确定轨道的健康状态是否存在问题，最终得到轨道健康状态信息数据。
步骤S33：对轨道健康状态信息数据进行潜在故障识别分析，得到轨道潜在故障识别信息数据；
本发明实施例通过使用数据分析技术对轨道健康状态信息数据进行识别分析，以检测能够识别轨道健康状态信息数据中存在的隐性故障或潜在故障问题的信息，最终得到轨道潜在故障识别信息数据。
步骤S34：对轨道潜在故障识别信息数据进行特征分析，得到轨道潜在故障识别特征数据；
本发明实施例通过使用时频域分析方法对轨道潜在故障识别信息数据进行分析，以提取出与潜在故障相关的特征数据，如振动频率、温度梯度等，并确定特征与潜在故障识别信息之间的关系，最终得到轨道潜在故障识别特征数据。
步骤S35：对轨道潜在故障识别特征数据进行故障识别评估分析，得到轨道潜在故障识别因子；
本发明实施例通过使用故障识别算法对轨道潜在故障识别特征数据进行评估分析，以确定能够有效识别潜在故障模式的识别因子，最终得到轨道潜在故障识别因子。
步骤S36：对轨道结构表面损伤故障数据进行故障模式识别分析，得到轨道结构表面损伤故障模式；
本发明实施例通过使用故障模式识别技术对轨道结构表面损伤故障数据中的故障模式进行分析，以识别轨道结构表面损伤故障数据中已存在的损伤故障模式，如疲劳裂纹、腐蚀斑点等，最终得到轨道结构表面损伤故障模式。
步骤S37：根据轨道潜在故障识别因子对轨道结构表面损伤故障模式进行模式筛选处理，得到轨道结构损伤潜在故障模式；
本发明实施例通过使用轨道潜在故障识别因子对识别出来的轨道结构表面损伤故障模式进行筛选处理，以筛选出轨道结构表面损伤故障模式中与潜在故障相关的故障模式，最终得到轨道结构损伤潜在故障模式。
步骤S38：根据轨道结构损伤潜在故障模式对轨道结构表面损伤故障数据进行第二故障检测，得到轨道结构潜在故障数据。
本发明实施例通过使用筛选出来的轨道结构损伤潜在故障模式对轨道结构表面损伤故障数据进行第二次的故障检测，以进一步从轨道结构表面损伤故障数据中识别出更深层次的故障问题，最终得到轨道结构潜在故障数据。
本发明首先通过对轨道三维结构状况图进行第一故障检测，能够初步识别轨道三维结构状况图上任何明显的结构故障问题，如裂缝、腐蚀或其他可见的损伤故障，以提供有关轨道结构初始故障的信息数据，有助于运维人员了解轨道结构的起始故障信息状态。同时，通过根据轨道结构损伤故障因子对轨道结构初始故障信息数据进行故障修正检测，可以提高表面损伤故障检测的精确性，确保不会漏掉任何表面损伤故障问题，从而生成轨道结构表面损伤故障数据，有助于评估轨道结构的可维护性和安全性。通过对轨道状况高质量数据进行轨道健康检测分析，能够评估整体轨道的健康状态，包括轨道的几何特征、振动特性、温度分布等，从而能够提供了轨道的整体健康状态信息数据，有助于及早发现可能存在的问题，提高运行效率和安全性。并且，通过对轨道健康状态信息数据进行潜在故障识别分析，有助于检测轨道上的潜在故障问题，如疲劳、变形或其他隐蔽的故障。这一步骤提供了关于轨道潜在故障的信息数据，为预防性维护提供了基础，可以减少不必要的停机时间和维修成本。其次，通过对轨道潜在故障识别信息数据进行特征分析，能够提取和分析与潜在故障相关的特征数据，如振动频率、温度梯度等，这些特征数据有助于更准确地识别潜在故障，提供了更多的信息以支持故障维护决策。然后，通过对轨道潜在故障识别特征数据进行故障识别评估分析，能够将特征数据综合起来，以生成综合的轨道潜在故障识别因子，这一因子量化了潜在故障的严重性和紧急性，有助于确定哪些潜在故障问题需要首要处理。通过对轨道结构表面损伤故障数据进行故障模式识别分析，有助于识别已存在的损伤故障模式，如疲劳裂纹、腐蚀斑点等，这有助于了解轨道结构的实际状况，为后续处理提供了重要依据。接下来，通过使用轨道潜在故障识别因子对轨道结构表面损伤故障模式进行模式筛选处理，能够进一步细化了潜在故障的识别，从轨道结构表面损伤故障模式中筛选出与潜在故障相关的故障模式，这使得运维人员能够有针对性地制定潜在故障维护策略，确保了轨道交通系统的稳定运行。最后，通过使用轨道结构损伤潜在故障模式对轨道结构表面损伤故障数据进行第二故障检测，能够进一步确认潜在故障问题的存在，为维护决策提供了更为确凿的证据。通过根据轨道结构损伤潜在故障模式对轨道结构表面损伤故障数据进行检测，能够准确地进一步从原始损伤故障数据中识别出更深层次的故障，保障了轨道交通系统的安全性和可靠性。这也为运维人员提供了明确的维修方案制定方向，有效降低了系统维护成本。
优选地，步骤S4包括以下步骤：
步骤S41：通过AR技术对轨道结构表面损伤故障数据以及轨道结构潜在故障数据进行故障定位处理，得到轨道结构故障点数据；
本发明实施例通过使用增强现实(AR)技术对轨道结构表面损伤故障数据以及轨道结构潜在故障数据的实际轨道结构故障位置进行叠加和可视化，并通过分析AR叠加数据以精确定位轨道结构中故障点(包括轨道损伤故障位置或潜在故障问题位置)的位置数据，最终得到轨道结构故障点数据。
步骤S42：对轨道结构故障点数据进行故障处置查询处理，得到轨道结构故障处置方案；
本发明实施例通过分析增强现实(AR)技术定位得到的轨道结构故障点数据，以获取其中对的故障信息，根据分析得到的故障信息与已有的故障处置方案库进行匹配查询处理，通过故障信息的类型和位置筛选出合适的故障处理方案，最终得到轨道结构故障处置方案。
步骤S43：根据轨道结构故障处置方案对轨道结构故障点数据进行故障维修处理，得到轨道结构故障维修点数据；
本发明实施例通过使用查询到的轨道结构故障处置方案对轨道结构故障点数据中对应的轨道结构故障点进行维修处理，以确保该轨道结构故障点的故障问题能够得到及时解决，并记录实际轨道结构故障点的坐标数据和维修结果信息数据，最终得到轨道结构故障维修点数据。
步骤S44：对轨道结构故障维修点数据进行维修预警标注处理，得到轨道故障维修区域；
本发明实施例通过分析轨道结构故障维修点数据中维修点的坐标和维修历史信息，同时对分析得到的维修历史和维修点的位置进行预警标注，以标注该轨道结构故障维修点正在维修或者已经维修完但未通行，最终得到轨道故障维修区域。
步骤S45：根据轨道故障维修区域对轨道车辆运行高质量数据中的车辆运行状况进行调度运维处理，得到轨道车辆调度运维信息数据。
本发明实施例通过根据轨道故障维修区域的位置状况对轨道车辆运行高质量数据中对应的车辆运行状况进行调度处理，包括轨道车辆的路线调整、车辆维修区域的运行计划优化等，以确保轨道车辆在维修区域外运行的安全和高效，最终得到轨道车辆调度运维信息数据。
本发明首先通过使用AR技术对轨道结构损伤故障数据和潜在故障数据进行故障定位，具有高度精确性和实时性，使得能够精确定位轨道结构的故障点，这有助于迅速发现轨道结构的故障问题，提高维修效率，降低维护成本，确保轨道交通系统的可靠性和安全性。其次，通过对轨道结构故障点进行故障处置查询处理，能够为运维人员提供及时有效的处置方案。这包括了问题的性质、优先级和建议的维修措施，有助于快速决策和行动，这样确保了轨道结构故障问题能够被妥善处理，减少了潜在的轨道交通系统故障风险。然后，通过使用查询到的轨道结构故障处置方案对轨道结构故障点进行故障维修处理，能够确保该故障点的故障问题得到及时解决，这有助于延长轨道结构的寿命，减少维护周期，提高了轨道交通系统的可用性，维修后的轨道结构故障维修点重新获得了健康状态，有助于轨道交通系统的持续稳定运行。接下来，通过对轨道结构故障维修点进行维修预警标注处理，能够通过对该故障维修点进行标注，以确保在维修期间不会有车辆运行通过，还能够通过该区域预防未来的故障问题。通过对轨道结构故障维修点进行标记，可以建立维修历史数据，追踪故障问题的演变趋势，提前采取措施，减少未来维护成本和停机时间，这样提高了轨道交通系统的可维护性和可预测性。最后，通过根据轨道故障维修区域对轨道车辆运行高质量数据进行调度运维处理，能够确保轨道车辆在维修区域外运行的安全和高效，这包括了路线调整、车辆维护计划的优化等，有助于降低维护期间的运营风险和成本，同时最大程度地保障了乘客和货物的安全和可靠运输，从而提高了轨道交通系统的整体运维效率和服务水平。
优选地，本发明还提供了一种基于AR技术的轨道交通运维系统，用于执行如上所述的基于AR技术的轨道交通运维方法，该基于AR技术的轨道交通运维系统包括：
轨道交通数据采集模块，用于通过AR技术对轨道交通系统进行虚拟现实模拟，得到轨道交通虚拟数字孪生空间；对轨道交通虚拟数字孪生空间进行实时采集处理，从而得到轨道状况高质量数据以及轨道车辆运行高质量数据；
轨道结构损伤评估模块，用于对轨道状况高质量数据进行轨道结构可视化分析，得到轨道三维结构状况图；对轨道三维结构状况图进行轨道结构损伤分析，得到轨道结构损伤数据；根据轨道结构损伤数据对轨道三维结构状况图进行损伤故障评估，从而得到轨道结构损伤故障因子；
轨道结构故障检测模块，用于根据轨道结构损伤故障因子对轨道三维结构状况图进行第一故障检测，得到轨道结构表面损伤故障数据；对轨道状况高质量数据进行潜在故障评估分析，得到轨道潜在故障识别因子；根据轨道潜在故障识别因子对轨道结构表面损伤故障数据进行第二故障检测，从而得到轨道结构潜在故障数据；
故障维修车辆运维模块，用于通过AR技术对轨道结构表面损伤故障数据以及轨道结构潜在故障数据进行故障定位处理，得到轨道结构故障点数据；对轨道结构故障点数据进行故障维修标注处理，得到轨道故障维修区域；根据轨道故障维修区域对轨道车辆运行高质量数据进行调度运维处理，从而得到轨道车辆调度运维信息数据。
综上所述，本发明提供了一种基于AR技术的轨道交通运维系统，该基于AR技术的轨道交通运维系统由轨道交通数据采集模块、轨道结构损伤评估模块、轨道结构故障检测模块以及故障维修车辆运维模块组成，能够实现本发明所述任意一种基于AR技术的轨道交通运维方法，用于联合各个模块上运行的计算机程序之间的操作实现一种基于AR技术的轨道交通运维方法，系统内部结构互相协作，通过引入AR技术来实现实时数据的可视化和轨道信息的立体叠加，能够提高运维人员的感知和决策能力，同时，通过轨道结构损伤来评估与故障之间的关系，并通过第一故障检测和第二故障检测，能够从浅层到潜在深层次的逐层进行故障检测，这样实现对轨道结构故障的精确检测，从而提高了轨道交通系统的整体运维效率，这样能够大大减少重复工作和人力投入，能够快速有效地提供更准确、更高效的轨道交通运维过程，从而简化了基于AR技术的轨道交通运维系统的操作流程。
因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在申请文件的等同要件的含义和范围内的所有变化涵括在本发明内。
以上所述仅是本发明的具体实施方式，使本领域技术人员能够理解或实现本发明。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所发明的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种基于AR技术的轨道交通运维方法，其特征在于，包括以下步骤：
步骤S1：通过AR技术对轨道交通系统进行虚拟现实模拟，得到轨道交通虚拟数字孪生空间；对轨道交通虚拟数字孪生空间进行质量数据采集处理，得到轨道状况高质量数据以及轨道车辆运行高质量数据；
步骤S2：对轨道状况高质量数据进行轨道结构可视化分析，得到轨道三维结构状况图；对轨道三维结构状况图进行轨道结构损伤分析，得到轨道结构损伤数据；根据轨道结构损伤数据对轨道三维结构状况图进行损伤故障评估，得到轨道结构损伤故障因子；
步骤S3：根据轨道结构损伤故障因子对轨道三维结构状况图进行第一故障检测，得到轨道结构表面损伤故障数据；对轨道状况高质量数据进行潜在故障评估分析，得到轨道潜在故障识别因子；根据轨道潜在故障识别因子对轨道结构表面损伤故障数据进行第二故障检测，得到轨道结构潜在故障数据；
步骤S4：通过AR技术对轨道结构表面损伤故障数据以及轨道结构潜在故障数据进行故障定位处理，得到轨道结构故障点数据；对轨道结构故障点数据进行故障维修标注处理，得到轨道故障维修区域；根据轨道故障维修区域对轨道车辆运行高质量数据进行调度运维处理，得到轨道车辆调度运维信息数据。
2.根据权利要求1所述的基于AR技术的轨道交通运维方法，其特征在于，步骤S1包括以下步骤：
步骤S11：对轨道交通系统进行三维地理扫描处理，得到轨道交通三维地理高精数据；
步骤S12：对轨道交通三维地理高精数据进行三维渲染建模处理，得到轨道交通高精度三维模型；
步骤S13：通过AR技术对轨道交通高精度三维模型进行虚拟现实模拟，得到轨道交通虚拟数字孪生空间；
步骤S14：通过在轨道交通虚拟数字孪生空间部署物联网传感器网络，并根据物理网络传感器网络对轨道交通虚拟数字孪生空间进行实时采集处理，得到轨道状况初始数据以及轨道车辆运行初始数据；
步骤S15：对轨道状况初始数据以及轨道车辆运行初始数据进行质量筛选处理，得到轨道状况高质量数据以及轨道车辆运行高质量数据。
3.根据权利要求2所述的基于AR技术的轨道交通运维方法，其特征在于，步骤S15包括以下步骤：
步骤S151：对轨道状况初始数据以及轨道车辆运行初始数据进行降噪处理，得到轨道状况降噪数据以及轨道车辆运行降噪数据；
步骤S152：对轨道状况降噪数据以及轨道车辆运行降噪数据进行异常检测分析，得到轨道状况异常数据以及轨道车辆运行异常数据；
步骤S153：利用异常峰值检测计算公式对轨道状况异常数据以及轨道车辆运行异常数据进行异常计算，得到轨道状况数据异常峰值以及轨道车辆运行数据异常峰值；
步骤S154：根据轨道状况数据异常峰值以及轨道车辆运行数据异常峰值对轨道状况异常数据以及轨道车辆运行异常数据进行峰识别滤除，得到轨道状况异常滤除数据以及轨道车辆运行异常滤除数据；
步骤S155：对轨道状况异常滤除数据以及轨道车辆运行异常滤除数据进行数据降维处理，得到轨道状况降维数据以及轨道车辆运行降维数据；
步骤S156：对轨道状况降维数据以及轨道车辆运行降维数据进行质量评估筛选处理，得到轨道状况高质量数据以及轨道车辆运行高质量数据。
4.根据权利要求3所述的基于AR技术的轨道交通运维方法，其特征在于，步骤S153中的异常峰值检测计算公式具体为：
式中，P1(xa,tf)为轨道状况数据异常峰值，n为轨道状况异常数据的数量，xa为第a个轨道状况异常数据的数值，tf为异常计算的积分时间范围上限，t0为异常计算的积分时间范围下限，τ为异常计算的积分时间参数，exp为指数函数，ρ1为轨道状况异常数据的异常幅度调节参数，φ1为轨道状况异常数据的异常衰减控制参数，μa为第a个轨道状况异常数据的异常分布均值，σa为第a个轨道状况异常数据的异常分布标准差，∈1为轨道状况数据异常峰值的修正值，P2(yb,tf)为轨道车辆运行数据异常峰值，m为轨道车辆运行异常数据的数量，yb为第b个轨道车辆运行异常数据的数值，ρ2为轨道车辆运行异常数据的异常幅度调节参数，φ2为轨道车辆运行异常数据的异常衰减控制参数，μb为第b个轨道车辆运行异常数据的异常分布均值，σb为第b个轨道车辆运行异常数据的异常分布标准差，∈2为轨道车辆运行数据异常峰值的修正值。
5.根据权利要求3所述的基于AR技术的轨道交通运维方法，其特征在于，步骤S154包括以下步骤：
步骤S1541：对轨道状况数据异常峰值以及轨道车辆运行数据异常峰值进行峰值图形绘制，得到轨道状况数据异常峰图以及轨道车辆运行数据异常峰图；
步骤S1542：根据预设的标准异常峰曲线对轨道状况数据异常峰图以及轨道车辆运行数据异常峰图进行峰识别并标注，得到轨道状况数据异常超标点以及轨道车辆运行数据异常超标点；
步骤S1543：对轨道状况数据异常峰图以及轨道车辆运行数据异常峰图进行异常波动检测，得到轨道状况数据异常波动区域以及轨道车辆运行数据异常波动区域；
步骤S1544：将轨道状况数据异常超标点以及轨道状况数据异常波动区域进行区域合并，得到轨道状况异常区域，并将该轨道状况异常区域对应的轨道状况异常数据进行滤除处理，得到轨道状况异常滤除数据；
步骤S1545：将轨道车辆运行数据异常超标点以及轨道车辆运行数据异常波动区域进行区域合并，得到轨道车辆运行异常区域，并将该轨道车辆运行异常区域对应的轨道车辆运行异常数据进行滤除处理，得到轨道车辆运行异常滤除数据。
6.根据权利要求1所述的基于AR技术的轨道交通运维方法，其特征在于，步骤S2包括以下步骤：
步骤S21：对轨道状况高质量数据进行轨道结构识别分析，得到轨道结构状况信息数据；
步骤S22：对轨道结构状况信息数据进行三维可视化分析，得到轨道三维结构状况图；
步骤S23：对轨道三维结构状况图进行结构损伤扫描处理，得到轨道结构损伤区域；
步骤S24：根据轨道结构损伤区域对轨道三维结构状况图进行轨道结构损伤分析，得到轨道结构损伤数据；
步骤S25：利用结构损伤故障关联计算公式对轨道结构损伤数据进行故障关联计算，得到结构损伤故障关联程度系数；
步骤S26：根据结构损伤故障关联程度系数对轨道三维结构状况图进行损伤故障评估，得到轨道结构损伤故障因子。
7.根据权利要求6所述的基于AR技术的轨道交通运维方法，其特征在于，步骤S25中的结构损伤故障关联计算公式具体为：
式中，R为结构损伤故障关联程度系数，T为故障关联计算的时间范围参数，t为故障关联计算的积分时间变量，N为轨道结构损伤数据中结构损伤部位的数量，si(t)为轨道结构损伤数据中第i个结构损伤部位在时间t处的损伤指标参数，λi(t)为轨道结构损伤数据中第i个结构损伤部位在时间t处的损伤延迟参数，αi为轨道结构损伤数据中第i个结构损伤部位的损伤衰减参数，M为轨道结构损伤数据中结构故障部位的数量，cj(t)为轨道结构损伤数据中第j个结构故障部位在时间t处的故障指标参数，γj(t)为轨道结构损伤数据中第j个结构故障部位在时间t处的故障影响平滑参数，βj为轨道结构损伤数据中第j个结构故障部位的故障影响系数，δ1为时间关联衰减系数，L为损伤故障关联影响项的数量，uk(t)为第k个损伤故障关联影响项在时间t处的关联影响指标参数，θk为第k个损伤故障关联影响项的关联影响权重参数，η为结构损伤故障关联程度系数的修正值。
8.根据权利要求1所述的基于AR技术的轨道交通运维方法，其特征在于，步骤S3包括以下步骤：
步骤S31：对轨道三维结构状况图进行第一故障检测，得到轨道结构初始故障信息数据；根据轨道结构损伤故障因子对轨道结构初始故障信息数据进行故障修正检测，得到轨道结构表面损伤故障数据；
步骤S32：对轨道状况高质量数据进行轨道健康检测分析，得到轨道健康状态信息数据；
步骤S33：对轨道健康状态信息数据进行潜在故障识别分析，得到轨道潜在故障识别信息数据；
步骤S34：对轨道潜在故障识别信息数据进行特征分析，得到轨道潜在故障识别特征数据；
步骤S35：对轨道潜在故障识别特征数据进行故障识别评估分析，得到轨道潜在故障识别因子；
步骤S36：对轨道结构表面损伤故障数据进行故障模式识别分析，得到轨道结构表面损伤故障模式；
步骤S37：根据轨道潜在故障识别因子对轨道结构表面损伤故障模式进行模式筛选处理，得到轨道结构损伤潜在故障模式；
步骤S38：根据轨道结构损伤潜在故障模式对轨道结构表面损伤故障数据进行第二故障检测，得到轨道结构潜在故障数据。
9.根据权利要求1所述的基于AR技术的轨道交通运维方法，其特征在于，步骤S4包括以下步骤：
步骤S41：通过AR技术对轨道结构表面损伤故障数据以及轨道结构潜在故障数据进行故障定位处理，得到轨道结构故障点数据；
步骤S42：对轨道结构故障点数据进行故障处置查询处理，得到轨道结构故障处置方案；
步骤S43：根据轨道结构故障处置方案对轨道结构故障点数据进行故障维修处理，得到轨道结构故障维修点数据；
步骤S44：对轨道结构故障维修点数据进行维修预警标注处理，得到轨道故障维修区域；
步骤S45：根据轨道故障维修区域对轨道车辆运行高质量数据中的车辆运行状况进行调度运维处理，得到轨道车辆调度运维信息数据。
10.一种基于AR技术的轨道交通运维系统，其特征在于，用于执行如权利要求1所述的基于AR技术的轨道交通运维方法，该基于AR技术的轨道交通运维系统包括：
轨道交通数据采集模块，用于通过AR技术对轨道交通系统进行虚拟现实模拟，得到轨道交通虚拟数字孪生空间；对轨道交通虚拟数字孪生空间进行实时采集处理，从而得到轨道状况高质量数据以及轨道车辆运行高质量数据；
轨道结构损伤评估模块，用于对轨道状况高质量数据进行轨道结构可视化分析，得到轨道三维结构状况图；对轨道三维结构状况图进行轨道结构损伤分析，得到轨道结构损伤数据；根据轨道结构损伤数据对轨道三维结构状况图进行损伤故障评估，从而得到轨道结构损伤故障因子；
轨道结构故障检测模块，用于根据轨道结构损伤故障因子对轨道三维结构状况图进行第一故障检测，得到轨道结构表面损伤故障数据；对轨道状况高质量数据进行潜在故障评估分析，得到轨道潜在故障识别因子；根据轨道潜在故障识别因子对轨道结构表面损伤故障数据进行第二故障检测，从而得到轨道结构潜在故障数据；
故障维修车辆运维模块，用于通过AR技术对轨道结构表面损伤故障数据以及轨道结构潜在故障数据进行故障定位处理，得到轨道结构故障点数据；对轨道结构故障点数据进行故障维修标注处理，得到轨道故障维修区域；根据轨道故障维修区域对轨道车辆运行高质量数据进行调度运维处理，从而得到轨道车辆调度运维信息数据。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311532399.3A CN117522328A (zh) | 2023-11-16 | 2023-11-16 | 基于ar技术的轨道交通运维方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311532399.3A CN117522328A (zh) | 2023-11-16 | 2023-11-16 | 基于ar技术的轨道交通运维方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117522328A true CN117522328A (zh) | 2024-02-06 |
Family
ID=89754587
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311532399.3A Pending CN117522328A (zh) | 2023-11-16 | 2023-11-16 | 基于ar技术的轨道交通运维方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117522328A (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109313630A (zh) * | 2016-04-18 | 2019-02-05 | B·E·乔恩提加德 | 多级控制、可变访问、多用户情境智能通信平台 |
| CN113935083A (zh) * | 2021-09-03 | 2022-01-14 | 中国铁道科学研究院集团有限公司电子计算技术研究所 | 一种基于数字孪生的轨道交通仿真系统 |
| CN114894507A (zh) * | 2022-06-08 | 2022-08-12 | 天津职业技术师范大学(中国职业培训指导教师进修中心) | 数字孪生驱动的轨道车辆传动系统故障诊断与健康状态预测方法 |
| US20220317673A1 (en) * | 2019-12-30 | 2022-10-06 | Casco Signal Ltd. | System and method for coordinating operation control and operation maintenance for urban rail transit |
| CN115366934A (zh) * | 2022-07-22 | 2022-11-22 | 重庆交通大学 | 一种城市轨道交通消防救援一体式巡检车及智能巡检系统 |
-
2023
- 2023-11-16 CN CN202311532399.3A patent/CN117522328A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109313630A (zh) * | 2016-04-18 | 2019-02-05 | B·E·乔恩提加德 | 多级控制、可变访问、多用户情境智能通信平台 |
| US20220317673A1 (en) * | 2019-12-30 | 2022-10-06 | Casco Signal Ltd. | System and method for coordinating operation control and operation maintenance for urban rail transit |
| CN113935083A (zh) * | 2021-09-03 | 2022-01-14 | 中国铁道科学研究院集团有限公司电子计算技术研究所 | 一种基于数字孪生的轨道交通仿真系统 |
| CN114894507A (zh) * | 2022-06-08 | 2022-08-12 | 天津职业技术师范大学(中国职业培训指导教师进修中心) | 数字孪生驱动的轨道车辆传动系统故障诊断与健康状态预测方法 |
| CN115366934A (zh) * | 2022-07-22 | 2022-11-22 | 重庆交通大学 | 一种城市轨道交通消防救援一体式巡检车及智能巡检系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Abdel-Qader et al. | Analysis of edge-detection techniques for crack identification in bridges | |
| US10539380B2 (en) | Method and system for thermographic analysis | |
| Attoh-Okine | Big data and differential privacy: analysis strategies for railway track engineering | |
| CN116758491B (zh) | 应用于3d打印的打印监控图像分析方法及系统 | |
| JP2015172576A5 (ja) | 複合アイテムの検査方法及びシステム | |
| CN102473660A (zh) | 等离子加工系统自动瑕疵检测和分类及其方法 | |
| Braga et al. | Multivariate statistical aggregation and dimensionality reduction techniques to improve monitoring and maintenance in railways: The wheelset component | |
| CN111881970A (zh) | 一种基于深度学习的外破图像智能识别方法 | |
| JP6795562B2 (ja) | 検査装置及び機械学習方法 | |
| US20130173480A1 (en) | Maintenance cycle for an aircraft | |
| Binder et al. | Predictive maintenance for railway domain: A systematic literature review | |
| CN116704733A (zh) | 铝合金电缆的老化预警方法和系统 | |
| CN118070009A (zh) | 一种基于阻抗-扭矩拟合算法的钢结构法兰螺栓健康检测识别方法 | |
| JP6894319B2 (ja) | ボルト緩み検査装置 | |
| CN117932394A (zh) | 电子元器件故障管理方法以及系统 | |
| CN117522328A (zh) | 基于ar技术的轨道交通运维方法及系统 | |
| CN117315365A (zh) | 一种基于视觉分析的凸轮轴表面损伤检测系统 | |
| Galetto et al. | Robustness analysis of inspection design parameters for assembly of short-run manufacturing processes | |
| CN118096747B (zh) | 基于深度学习的pcba板自动检测方法及系统 | |
| Galeazzi et al. | Intelligent Quality Assessment of Railway Switches and Crossings | |
| CN117934364B (zh) | 一种基于多层特征的光伏板高阶纹理定位和故障检测方法 | |
| Gerards-Wünsche et al. | A framework for assessing the reliability of crack luminescence: an automated fatigue crack detection system | |
| CN117984024B (zh) | 基于船闸人字门自动化生产的焊接数据管理方法及系统 | |
| JP2002048722A (ja) | 欠陥検査装置 | |
| Bergquist et al. | Cleaning of railway track measurement data for better maintenance decisions |
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 |