CN117669205A - 一种轮轨测试模型的建立方法、轨道磨损诊断方法及系统 - Google Patents

一种轮轨测试模型的建立方法、轨道磨损诊断方法及系统 Download PDF

Info

Publication number
CN117669205A
CN117669205A CN202311656499.7A CN202311656499A CN117669205A CN 117669205 A CN117669205 A CN 117669205A CN 202311656499 A CN202311656499 A CN 202311656499A CN 117669205 A CN117669205 A CN 117669205A
Authority
CN
China
Prior art keywords
track
model
wheel
test
data
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
Application number
CN202311656499.7A
Other languages
English (en)
Inventor
李烁
王万齐
解亚龙
王志华
常崇义
郭悦
关则彬
林峰
王科伟
陈波
冯文晖
郭鹏飞
呼腊梅
周明纬
王仁达
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Institute of Computing Technologies of CARS
Beijing Jingwei Information Technology Co Ltd
Original Assignee
Institute of Computing Technologies of CARS
Beijing Jingwei Information Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Institute of Computing Technologies of CARS, Beijing Jingwei Information Technology Co Ltd filed Critical Institute of Computing Technologies of CARS
Priority to CN202311656499.7A priority Critical patent/CN117669205A/zh
Publication of CN117669205A publication Critical patent/CN117669205A/zh
Pending legal-status Critical Current

Links

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00Computer-aided design [CAD]
    • G06F30/20Design optimisation, verification or simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Hardware Design (AREA)
  • Evolutionary Computation (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Train Traffic Observation, Control, And Security (AREA)

Abstract

本发明提供一种轮轨测试模型的建立方法、轨道磨损诊断方法及系统,建立方法包括:获取铁道系统的轨道属性数据、车辆运动属性数据以及轮轨关系数据;对轨道属性数据进行建模,得到目标轨道的轨道数据模型;对车辆运动属性数据进行建模,得到高速列车的车辆动力学模型;基于轮轨关系数据和预先构建的轨道构件库,对轨道数据模型和车辆动力学模型进行数字孪生建模,建立轮轨测试模型。本发明提供的方案,由于轮轨测试模型是根据真实轨道和列车信息建立的仿真模型,后续可利用轨道测试模型进行轮轨关系测试,测试效率更高,测试过程更加便捷和安全。

Description

一种轮轨测试模型的建立方法、轨道磨损诊断方法及系统
技术领域
本发明涉及仿真测试技术领域,尤其涉及一种轮轨测试模型的建立方法、轨道磨损诊断方法及系统。
背景技术
随着高速铁路建设的不断推进,对于高速列车的运行安全性和稳定性的要求也越来越高。其中,轮轨关系是影响高速列车行驶安全和稳定的重要因素之一。
相关技术中,通常采用直接接触测试和间接接触测试这两种轮轨关系测试方法。然而,上述测试方法均需要在真实的轨道环境下进行,测试周期长,且测试过程存在一定安全隐患,导致测试工作开展不便。
因此,传统的轮轨关系测试方法存在测试效率低且不够便捷安全的问题。
发明内容
本发明提供一种轮轨测试模型的建立方法、轨道磨损诊断方法及系统,用以解决传统轮轨关系测试方法测试效率低且不够便捷安全的缺陷。
第一方面,本发明提供一种轮轨测试模型的建立方法,包括:
获取铁道系统的轨道属性数据、车辆运动属性数据以及轮轨关系数据;
对所述轨道属性数据进行建模,得到目标轨道的轨道数据模型;
对所述车辆运动属性数据进行建模,得到高速列车的车辆动力学模型;
基于所述轮轨关系数据和预先构建的轨道构件库,对所述轨道数据模型和所述车辆动力学模型进行数字孪生建模,建立轮轨测试模型。
根据本发明提供的轮轨测试模型的建立方法,在建立轮轨测试模型之后,所述方法还包括:
将实时采集的测试数据样本输入所述轮轨测试模型,得到所述轮轨测试模型输出的轮轨关系预测结果;
基于所述轮轨关系预测结果和所述测试数据样本中的轮轨关系实测结果,对所述轮轨测试模型进行调整。
根据本发明提供的轮轨测试模型的建立方法,所述基于所述轮轨关系预测结果和所述测试数据样本中的轮轨关系实测结果,对所述轮轨测试模型进行调整,包括:
将所述轮轨关系预测结果与所述轮轨关系实测结果进行比对,确定所述轮轨测试模型的第一模型误差值;
若所述第一模型误差值高于预设误差阈值,获取当前轮次测试过程的实时监测数据;
基于所述实测监控数据,确定所述轮轨测试模型的误差根因;
基于所述误差根因,对所述轮轨测试模型的模型参数进行调整。
根据本发明提供的轮轨测试模型的建立方法,在对所述轮轨测试模型的模型参数进行调整之后,所述方法还包括:
基于实时采集的测试数据样本,对模型参数调整后的所述轮轨测试模型再次进行测试,确定第二模型误差值;
将所述第二模型误差值分别与所述预设误差阈值和所述第一模型误差值进行比对,得到比对结果;
基于所述比对结果,确定模型优化方向。
根据本发明提供的轮轨测试模型的建立方法,所述基于所述比对结果,确定模型优化方向,包括:
若所述比对结果为所述第二模型误差值小于所述第一模型误差值,且所述第二模型误差值大于所述预设误差阈值,则确定模型优化方向与上一轮次优化方向相同;
若所述比对结果为所述第二模型误差值大于所述第一模型误差值,且所述第二模型误差值大于所述预设误差阈值,则确定模型优化方向与上一轮次优化方向相反;
若所述比对结果为所述第二模型误差值小于所述第一模型误差值,且所述第二模型误差值小于所述预设误差阈值,则将模型参数调整后的所述轮轨测试模型作为测试结果。
根据本发明提供的轮轨测试模型的建立方法,所述获取当前轮次测试过程的实时监测数据,包括:
获取当前轮次测试过程中实时采集的轮轨监测视频;
提取所述轮轨监测视频中至少部分关键视频帧内轮轨接触区域对应的关键图像点;
基于所述关键图像点,确定高速列车的运行状态和轮轨作用状态;
将高速列车的运行状态和轮轨作用状态作为实时监测数据。
第二方面,本发明还提供一种轨道磨损诊断方法,包括:
获取高速列车与目标轨道之间的轮轨关系数据;
将所述轮轨关系数据输入轮轨测试模型,得到所述轮轨测试模型输出的轮轨关系预测结果;其中,所述轮轨测试模型是基于如上任一种的轮轨测试模型的建立方法得到的;
基于所述轮轨关系预测结果,对所述目标轨道进行磨损诊断,得到磨损诊断结果。
根据本发明提供的轨道磨损诊断方法,所述轮轨关系预测结果包括当前测试周期的轮轨作用力和当前测试周期的轨道磨损数据;
所述基于所述轮轨关系预测结果,对目标轨道进行磨损诊断,得到磨损诊断结果,具体包括:
将所述当前测试周期的轮轨作用力与作用力安全范围进行比对,得到第一比对结果;
将所述当前测试周期的轨道磨损数据与磨损安全范围进行比对,得到第二比对结果;
基于所述第一比对结果和/或所述第二比对结果,得到磨损诊断结果。
第三方面,本发明还提供一种轨道磨损诊断系统,包括:
数据采集设备;以及
电子设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器与所述数据采集设备相连,所述处理器执行所述程序时实现如上任一种所述的轨道磨损诊断方法。
根据本发明提供的轨道磨损诊断系统,所述数据采集设备包括:传感器组以及图像采集设备;
所述传感器组分别安装于所述高速列车和所述目标轨道上,所述图像采集设备安装于所述目标轨道周围;
其中,所述传感器组包括加速度计、速度传感器以及力传感器中至少一种。
本发明提供的轮轨测试模型的建立方法、轨道磨损诊断方法及系统,通过对轨道属性数据进行建模得到轨道数据模型,对车辆运动属性数据进行建模得到车辆动力学模型,基于轮轨关系数据和预先构建的轨道构件库,对轨道数据模型和车辆动力学模型进行数字孪生建模,建立轮轨测试模型。由于轮轨测试模型是根据真实轨道和列车信息建立的仿真模型,后续可以利用轨道测试模型进行轮轨关系测试,相较于传统测试方案,无需在真实轨道环境下即可实现轮轨关系测试,测试效率更高,测试过程更加便捷和安全。
附图说明
为了更清楚地说明本发明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一简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,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,还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的轮轨测试模型的建立方法的流程示意图;
图2是本发明实施例提供的轨道磨损诊断方法的流程示意图;
图3是本发明实施例提供的轨道磨损诊断系统的结构示意图;
图4是本发明实施例提供的电子设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本发明的实施方式。虽然附图中显示了本发明的实施方式,然而应该理解,可以以各种形式实现本发明而不应被这里阐述的实施方式所限制。相反,提供这些实施方式是为了使本发明更加透彻和完整,并且能够将本发明的范围完整地传达给本领域的技术人员。
在本发明使用的术语是仅仅出于描述特定实施例的目的,而非旨在限制本发明。在本发明和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式,除非上下文清楚地表示其他含义。还应当理解,本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
应当理解,尽管在本发明可能采用术语“第一”、“第二”、“第三”等来描述各种信息,但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如,在不脱离本发明范围的情况下,第一信息也可以被称为第二信息,类似地,第二信息也可以被称为第一信息。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中,“多个”的含义是两个或两个以上,除非另有明确具体的限定。
首先,对本发明实施例所涉及的技术术语进行说明:
第一,数字孪生,指通过数字化手段,将实体系统的各个方面进行建模,并在虚拟环境中进行仿真和分析的技术。
第二,轮轨关系,指车轮与轨道之间的相互作用关系,包括摩擦力、牵引力、制动力等各种力的作用。
下面结合图1至图4描述本发明实施例提供的轮轨测试模型的建立方法、轨道磨损诊断方法及系统的细节方案。
参见图1,本发明实施例提供的轮轨测试模型的建立方法,具体包括:
步骤110:获取铁道系统的轨道属性数据、车辆运动属性数据以及轮轨关系数据。
可以理解的是,轨道属性数据主要表征铁道系统中目标轨道的形状、尺寸以及位置等信息,车辆运动属性数据主要表征高速列车的运行状态,轮轨关系数据可以表征高速列车在目标轨道上高速运行时的相互作用状态。
步骤120:对轨道属性数据进行建模,得到目标轨道的轨道数据模型。
本实施例中,轨道数据模型是基于轨道属性数据建立的能够模拟真实轨道形态的数据模型。
步骤130:对车辆运动属性数据进行建模,得到高速列车的车辆动力学模型。
本实施例中,车辆动力学模型是基于车辆运动属性数据建立的能够模拟真实列车运行状态的数据模型。
步骤140:基于轮轨关系数据和预先构建的轨道构件库,对轨道数据模型和车辆动力学模型进行数字孪生建模,建立轮轨测试模型。
可以理解的是,轨道构件库是包含各种轨道构件的数据模型库,具体可以包含道岔、信号机、接触网等轨道构件。
本实施例中,轮轨测试模型可以表征轨道、车辆、信号系统等关键对象的三维形态,并能够模拟高速列车与目标轨道之间的相互作用关系。
本实施例通过建立轮轨测试模型,可以在仿真环境下对轮轨关系进行测试,无需在真实轨道环境中即可实现轮轨关系的测试,测试过程更加便捷安全,测试效率更高。
在一实施例中,轨道属性数据包括:起点位置、终点位置、曲率数据、坡度数据以及高度数据;
对轨道属性数据进行建模,得到目标轨道的轨道数据模型,包括:
基于起点位置和终点位置,确定目标轨道的轨道轮廓线;
基于曲率数据、坡度数据以及高度数据,对轨道轮廓线进行形态调整,得到目标轨道的轨道数据模型。
本实施例中,轨道属性数据采用真实的轨道数据,包括轨道的起点位置和终点位置、曲率数据、坡度数据以及高度数据等信息。在对目标轨道进行仿真建模过程中,可以根据起点位置和终点位置,确定目标轨道在仿真环境中的起点和终点,将起点和终点连线,可以得到目标轨道的轨道轮廓线。实际应用中,由于轨道通常因环境的地势差异而存在一定坡度,且通常并非直线而是弯曲的曲线,因此,通过曲率数据、坡度数据以及高度数据对轨道轮廓线进行形态调整,可以得到目标轨道的轨道数据模型。
可以理解的是,由于本实施例中轨道数据模型是基于真实的轨道数据建模得到的,在测试过程中,可以更加准确和真实的模拟铁道系统中的目标轨道。
一些实施例中,车辆运动属性数据具体包括位置数据、速度数据以及加速度数据。
相应地,对车辆运动属性数据进行建模,得到高速列车的车辆动力学模型,具体包括:
基于高速列车的位置数据、速度数据以及加速度数据,建立动力学子模型;
基于高速列车的运行条件,建立约束条件子模型;
将动力学子模型和约束条件子模型作为车辆动力学模型。
可以理解的是,动力学子模型可以表征高速列车的运动状态,约束条件子模型可以对高速列车的运动状态进行约束,以保证高速列车的运行安全。
本实施例中,在构建轮轨测试模型的过程中,轮轨测试模型需要和高速轮轨关系建立以下如下逻辑关系:
第一,需要建立准确的轨道数据模型,以准确表征目标轨道的几何形状和尺寸等关键信息,以便能够准确地模拟高速列车在轨道上的运动和受力情况。
第二,需要建立准确的车辆动力学模型,以模拟高速列车在高速运行下的动力学行为。
第三,需要建立轨道与车辆相互作用模型,以模拟目标轨道与高速列车之间相互作用力的产生和影响情况。
在一实施例中,在建立轮轨测试模型之后,上述方法还包括:
将实时采集的测试数据样本输入轮轨测试模型,得到轮轨测试模型输出的轮轨关系预测结果;
基于轮轨关系预测结果和测试数据样本中的轮轨关系实测结果,对轮轨测试模型进行调整。
本实施例可以理解为对轮轨测试模型进行验证和评估的过程,即模型测试过程,经调整后可以得到更为精确的轮轨测试模型。
在一实施例中,基于轮轨关系预测结果和测试数据样本中的轮轨关系实测结果,对轮轨测试模型进行调整,包括:
第一步,将轮轨关系预测结果与轮轨关系实测结果进行比对,确定轮轨测试模型的第一模型误差值。
可以理解的是,轮轨关系实测结果作为真实数据,轮轨关系预测结果作为预测数据,通过将真实数据与预测数据进行比对,可以确定轮轨测试模型的第一模型误差值,第一模型误差值可以表征轮轨测试模型的预测准确度。
第二步,若第一模型误差值高于预设误差阈值,获取当前轮次测试过程的实时监测数据。
可以理解的是,如果第一模型误差值高于预设误差阈值,说明当前的轮轨测试模型预测精度比较低,此时可以获取当前轮次测试过程的实时监测数据,本实施例中,实时监测数据为测试过程中通过图像采集设备拍摄到的真实视频数据。
第三步,基于实测监控数据,确定轮轨测试模型的误差根因。
本实施例中,由于实测监控数据记录有本轮次测试过程中高速列车与目标轨道之间的真实作用状况,包括高速列车运行过程中轮轨接触区域的真实图像数据,根据实测监控数据,可以排查到轮轨测试模型预测精度较低的根因,即误差根因。
第四步,基于误差根因,对轮轨测试模型的模型参数进行调整。
可以理解的是,在确定误差根因后,可以将误差根因作为数据依据,指导轮轨测试模型进行参数调整,从而提高了轮轨测试模型的调整效率。
一些实施例中,基于实测监控数据,确定轮轨测试模型的误差根因,包括:
确定轮轨测试模型的多项关键性能指标,以及各项关键性能指标各自对应的误差分布数据;
基于实测监控数据和各项关键性能指标各自对应的误差分布数据,确定误差根因。
可以理解的是,轮轨测试模型的关键性能指标主要用于表征轮轨测试模型的可信度情况,比如可以构建涉及过程层、阶段层、活动层、元素层以及特征层等多个层级的指标体系,从而得到多个关键性能指标,通过各项关键性能指标的误差分布数据可以初步分析得到哪个或者哪几个层级的指标体系存在不足之处。之后再根据实测监控数据可以进一步确定具体存在不足之后的误差原因,即误差根因。
一些实施例中,基于误差根因,对轮轨测试模型的模型参数进行调整,具体包括:
根据误差根因,可以确定存在不足之处的至少一个目标指标体系,进而可以确定每一目标指标体系对应的待调整的模型参数以及参数调整方向;
分别按照参数调整方向对各自对应的模型参数进行调整。
可以理解的是,上述实施例针对的是误差根因包括模型自身精度原因的情况下,对应的误差根因解决策略。实际应用中,如果误差根因还包括数据采集或处理过程存在误差,此种情形下,需要先对数据采集和处理环节进行调整,保证输入轮轨测试模型的数据准确性和可靠性,如果数据采集和处理环节调整后,轮轨测试模型仍存在精度低的问题,之后再对轮轨测试模型的模型参数进行调整。
需要说明的是,本实施例中对轮轨测试模型的模型参数进行调整的过程,包括对部分模型参数进行修正以及新增或者删除部分模型参数的过程。
在一实施例中,在对轮轨测试模型的模型参数进行调整之后,上述方法还可以包括:
基于实时采集的测试数据样本,对模型参数调整后的轮轨测试模型进行再次测试,确定第二模型误差值;
将第二模型误差值分别与预设误差阈值和第一模型误差值进行比对,得到比对结果;
基于比对结果,确定模型优化方向。
可以理解的是,轮轨测试模型经过修正后,需要再次进行验证和测试,以确保修正后的模型具有更优的性能和精度。在二次测试过程中,本实施例不仅将第二模型误差值与预设误差阈值进行比对,还将第二模型误差值与第一模型误差值进行比对,即还引入了对修正前后的测试结果进行比对的环节,通过比对结果可以确定较为准确的模型优化方向,从而可以提高模型优化效率。
实际应用中,第一模型误差值和第二模型误差值可以通过求取轮轨关系预测结果与轮轨关系实测结果之间的均方误差或者平均绝对误差的方式计算得到。
在一实施例中,基于比对结果,确定模型优化方向,包括:
一方面,若比对结果为第二模型误差值小于第一模型误差值,且第二模型误差值大于预设误差阈值,则确定模型优化方向与上一轮次优化方向相同。
此种情形下,第二模型误差值小于第一模型误差值,说明模型性能得到一定程度的改善,上一轮次的模型优化方向正确,但此时的第二模型误差值大于预设误差阈值,说明模型还需要进一步优化才能满足应用条件,因此,此时可以确定模型优化方向与上一轮次优化方向相同。
另一方面,若比对结果为第二模型误差值大于第一模型误差值,且第二模型误差值大于预设误差阈值,则确定模型优化方向与上一轮次优化方向相反。
此种情形下,第二模型误差值大于第一模型误差值,说明模型性能并没有得到改善,上一轮次的模型优化方向有误,此时第二模型误差值大于预设误差阈值,说明模型还需要进一步优化才能满足应用条件,因此,此时可以确定模型优化方向与上一轮次优化方向相反,以尝试改善模型性能。
再一方面,若比对结果为第二模型误差值小于第一模型误差值,且第二模型误差值小于预设误差阈值,则将模型参数调整后的轮轨测试模型作为测试结果。
此种情形下,第二模型误差值小于第一模型误差值,说明模型性能得到一定程度的改善,上一轮次的模型优化方向正确,且此时第二模型误差值小于预设误差阈值,则说明满足优化结束条件,此时可以结束本轮测试,得到优化后的轮轨测试模型,即测试结果。
实际应用中,对轮轨测试模型进行修正和优化是一个持续的过程,随着测试数据的积累和新数据的加入,需要不断地对轮轨测试模型进行更新和迭代,以保持其准确性和可靠性。
在一实施例中,获取当前轮次测试过程的实时监测数据,包括:
第一步,获取当前轮次测试过程中实时采集的轮轨监测视频。
实际应用中,轮轨监测视频可以通过安装于轨道周围的图像采集设备拍摄得到,比如可以在轨道周围安装高清摄像头,从而可以拍摄得到轮轨监测视频。
第二步,提取轮轨监测视频中至少部分关键视频帧内轮轨接触区域对应的关键图像点。
由于轮轨监测视频可以理解为某一时段内连续的视频帧集合,其中可能包含一些对后续数据处理无用的视频帧,比如高速列车启动前处于静止状态的视频帧,或者轨道形态和车辆运行状态相同的多个视频帧,为了保证后续数据处理效率和处理精度,可以从轮轨监测视频中提取关键视频帧。本实施例中,关键视频帧可以是不同轨道形态和不同车辆运行状态下对应的预设数量的视频帧信息。
第三步,基于关键图像点,确定高速列车的运行状态和轮轨作用状态。
关键图像点可以是轮轨接触区域内能够表征高速列车的车轮与目标轨道作用状态的部分图像点。通过分析关键图像点的位置变化关系,可以确定高速列车的运行状态和轮轨作用状态。
具体地,高速列车的运行状态,可以通过关键图像点中不同视频帧内的车轮图像点的位置变化关系确定,比如,可以分别计算相邻两帧车轮图像点的位置变化量,并确定相邻两帧视频帧的间隔时长,将求得的位置变化量与间隔时长作商,即可求得高速列车在该间隔时长下的速度,根据求得的多个速度,可以进一步求高速列车的加速度等能够表征运行状态的数据。
第四步,将高速列车的运行状态和轮轨作用状态作为实时监测数据。
本实施例中,实时监测数据具体可以包含关键视频帧对应的图像数据以及高速列车的运行状态和轮轨作用状态等状态数据。
实际应用中,在获得轮轨测试模型后,可以将轮轨测试模型用于轮轨关系测试场景中,输出的轮轨关系预测结果可以帮助研究人员了解高速轮轨关系的运行情况和性能表现,进而可以优化高速轮轨关系的性能和稳定性。例如,通过调整车辆动力学模型中的参数,可以改善车辆的运行性能,通过监测轨道磨损情况,可以及时采取维修和更换等措施。
需要说明的是,在建立轮轨测试模型时,可以采用不同的建模方法和算法,例如基于物理模型的建模、基于统计学习的建模等。此外,在验证轮轨测试模型的准确性时,可以采用不同的对比分析方法,例如均方误差、平均绝对误差等。
本实施例提供的轮轨测试模型的建立方法,至少具有以下优点:
第一,采用数字孪生技术对铁道系统进行建模和仿真,建立的轮轨测试模型,可以模拟出各种运行情况和轮轨关系变化情况,从而为实际轮轨关系测试和评估提供准确的数据支持和参考依据。
第二,结合实时监测数据对模型进行修正和优化,可以提高测试效率和准确性,降低测试成本和风险,具有较强的可扩展性和适应性,同时还可以提高测试效率和准确性,降低测试成本和风险。
基于同一总的发明构思,本发明还保护一种轨道磨损诊断方法及系统,下面对本发明提供的轨道磨损诊断方法及系统进行描述,下文描述的轨道磨损诊断方法及系统与上文描述的轮轨测试模型的建立方法可相互对应参照。
图2示例性的示出了本发明实施例提供的轨道磨损诊断方法,包括:
步骤210:获取高速列车与目标轨道之间的轮轨关系数据。
本实施例中,高速列车与目标轨道之间的轮轨关系数据具体可以包括当前测试周期的车辆运行状态数据、上一测试周期的轮轨作用力以及上一测试周期的轨道磨损数据。
步骤220:将轮轨关系数据输入轮轨测试模型,得到轮轨测试模型输出的轮轨关系预测结果;其中,轮轨测试模型是基于上述各实施例所提供的轮轨测试模型的建立方法得到的。
本实施例中,轮轨关系预测结果具体可以包括当前测试周期的轮轨作用力和当前测试周期的轨道磨损数据。
可以理解的是,由于本实施例利用轮轨测试模型进行轮轨关系测试,可以更加便捷和准确的预测高速列车与目标轨道之间的轮轨关系,实现轮轨关系的可靠测试。
步骤230:基于轮轨关系预测结果,对目标轨道进行磨损诊断,得到磨损诊断结果。
本实施例中,可以对轮轨作用力和轨道磨损情况进行综合分析,以实现对目标轨道的磨损诊断。
在一实施例中,基于轮轨关系预测结果,对目标轨道进行磨损诊断,得到磨损诊断结果,具体包括:
将当前测试周期的轮轨作用力与作用力安全范围进行比对,得到第一比对结果;
将当前测试周期的轨道磨损数据与磨损安全范围进行比对,得到第二比对结果;
基于第一比对结果和/或第二比对结果,得到磨损诊断结果。
在一个具体实现中,基于第一比对结果和第二比对结果,得到磨损诊断结果:包括:
一方面,如果第一比对结果为当前测试周期的轮轨作用力在作用力安全范围内,且当前测试周期的轨道磨损数据在磨损安全范围内,则所述磨损诊断结果为正常磨损。
另一方面,如果第一比对结果为当前测试周期的轮轨作用力超出作用力安全范围,且当前测试周期的轨道磨损数据超出磨损安全范围,则根据轮轨作用力超范围数值和轨道磨损数据超范围数值,确定磨损等级,将磨损等级作为磨损诊断结果。
具体地,可以设定多个轮轨作用力超范围等级和轨道磨损数据超范围等级,从轮轨作用力超范围等级中确定轮轨作用力超范围数值对应的第一等级,并从轨道磨损数据超范围等级中确定轨道磨损数据超范围数值对应的第二等级,根据第一等级和第二等级,确定磨损等级。
实际应用中,磨损等级可以通过多种方式确定,比如,可以将第一等级和第二等级中等级较高者作为磨损等级。再比如,可以将第一等级和第二等级求平均值,将求得的平均值作为磨损等级。再比如可以将第一等级和第二等级加权求和或者加权求平均值,将得到的加权结果作为磨损等级。
一些实施例中,在得到磨损诊断结果之后,上述轨道磨损诊断方法还可以包括:
根据磨损诊断结果对目标轨道进行安全评估,得到安全评估结果。
本实施例中,在磨损诊断结果包含磨损等级的情况下,可以根据磨损等级划分多个风险等级,比如磨损等级为一级至三级,对应风险等级为一级风险,磨损等级为四级至六级,对应风险等级为二级风险。
这样的话,根据磨损等级可以进一步确定该磨损等级对应的风险等级,根据风险等级可以实现安全评估,得到安全评估结果。
一些实施例中,安全评估结果可以根据风险等级确定,不同的风险等级对应不同的安全评估结果,安全评估结果可以是低安全风险、中安全风险或者高安全风险。举例而言,风险等级在三级以内,可以对应低安全风险;风险等级在四至五级可以对应中安全风险,风险等级在六级以上,可以对应高安全风险。
本实施例通过上述安全评估方案,可以降低轨道磨损引起的安全问题,进而能够提高铁道系统的运行安全性和稳定性。
图3是本实施例提供的轨道磨损诊断系统的结构示意图。
参见图3,本发明实施例提供的轨道磨损诊断系统,具体包括:
数据采集设备300;以及
电子设备400,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,处理器与数据采集设备相连,处理器执行程序时实现上述各实施例所提供的轨道磨损诊断方法。
在一实施例中,参见图3,数据采集设备300包括:传感器组310以及图像采集设备320。
传感器组310分别安装于高速列车和目标轨道上,图像采集设备320安装于目标轨道周围。
其中,传感器组310具体可以包括加速度计、速度传感器以及力传感器中至少一种。
本实施例中,加速度级和速度传感器可以采集高速列车的运行速度和加速度,力传感器可以采集轮轨作用力,图像采集设备可以是高清摄像头,可以拍摄轮轨监测视频。
图4是本发明实施例提供的电子设备的结构示意图。
如图4所示,该电子设备可以包括:处理器(processor)410、通信接口(Communications Interface)420、存储器(memory)430和通信总线440,其中,处理器410,通信接口420,存储器430通过通信总线440完成相互间的通信。处理器410可以调用存储器430中的逻辑指令,以执行上述各实施例所提供的轨道磨损诊断方法。
此外,上述的存储器430中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,RandomAccess Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面,本发明还提供一种计算机程序产品,所述计算机程序产品包括计算机程序,计算机程序可存储在非暂态计算机可读存储介质上,所述计算机程序被处理器执行时,计算机能够执行上述各实施例所提供的轨道磨损诊断方法。
又一方面,本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现以执行上述各实施例所提供的轨道磨损诊断方法。
以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (10)

1.一种轮轨测试模型的建立方法,其特征在于,包括:
获取铁道系统的轨道属性数据、车辆运动属性数据以及轮轨关系数据;
对所述轨道属性数据进行建模,得到目标轨道的轨道数据模型;
对所述车辆运动属性数据进行建模,得到高速列车的车辆动力学模型;
基于所述轮轨关系数据和预先构建的轨道构件库,对所述轨道数据模型和所述车辆动力学模型进行数字孪生建模,建立轮轨测试模型。
2.根据权利要求1所述的轮轨测试模型的建立方法,其特征在于,在建立轮轨测试模型之后,所述方法还包括:
将实时采集的测试数据样本输入所述轮轨测试模型,得到所述轮轨测试模型输出的轮轨关系预测结果;
基于所述轮轨关系预测结果和所述测试数据样本中的轮轨关系实测结果,对所述轮轨测试模型进行调整。
3.根据权利要求2所述的轮轨测试模型的建立方法,其特征在于,所述基于所述轮轨关系预测结果和所述测试数据样本中的轮轨关系实测结果,对所述轮轨测试模型进行调整,包括:
将所述轮轨关系预测结果与所述轮轨关系实测结果进行比对,确定所述轮轨测试模型的第一模型误差值;
若所述第一模型误差值高于预设误差阈值,获取当前轮次测试过程的实时监测数据;
基于所述实测监控数据,确定所述轮轨测试模型的误差根因;
基于所述误差根因,对所述轮轨测试模型的模型参数进行调整。
4.根据权利要求3所述的轮轨测试模型的建立方法,其特征在于,在对所述轮轨测试模型的模型参数进行调整之后,所述方法还包括:
基于实时采集的测试数据样本,对模型参数调整后的所述轮轨测试模型再次进行测试,确定第二模型误差值;
将所述第二模型误差值分别与所述预设误差阈值和所述第一模型误差值进行比对,得到比对结果;
基于所述比对结果,确定模型优化方向。
5.根据权利要求4所述的轮轨测试模型的建立方法,其特征在于,所述基于所述比对结果,确定模型优化方向,包括:
若所述比对结果为所述第二模型误差值小于所述第一模型误差值,且所述第二模型误差值大于所述预设误差阈值,则确定模型优化方向与上一轮次优化方向相同;
若所述比对结果为所述第二模型误差值大于所述第一模型误差值,且所述第二模型误差值大于所述预设误差阈值,则确定模型优化方向与上一轮次优化方向相反;
若所述比对结果为所述第二模型误差值小于所述第一模型误差值,且所述第二模型误差值小于所述预设误差阈值,则将模型参数调整后的所述轮轨测试模型作为测试结果。
6.根据权利要求3所述的轮轨测试模型的建立方法,其特征在于,所述获取当前轮次测试过程的实时监测数据,包括:
获取当前轮次测试过程中实时采集的轮轨监测视频;
提取所述轮轨监测视频中至少部分关键视频帧内轮轨接触区域对应的关键图像点;
基于所述关键图像点,确定高速列车的运行状态和轮轨作用状态;
将高速列车的运行状态和轮轨作用状态作为实时监测数据。
7.一种轨道磨损诊断方法,其特征在于,包括:
获取高速列车与目标轨道之间的轮轨关系数据;
将所述轮轨关系数据输入轮轨测试模型,得到所述轮轨测试模型输出的轮轨关系预测结果;其中,所述轮轨测试模型是基于如权利要求1至6任一项所述的轮轨测试模型的建立方法得到的;
基于所述轮轨关系预测结果,对所述目标轨道进行磨损诊断,得到磨损诊断结果。
8.根据权利要求7所述的轨道磨损诊断方法,其特征在于,所述轮轨关系预测结果包括当前测试周期的轮轨作用力和当前测试周期的轨道磨损数据;
所述基于所述轮轨关系预测结果,对目标轨道进行磨损诊断,得到磨损诊断结果,具体包括:
将所述当前测试周期的轮轨作用力与作用力安全范围进行比对,得到第一比对结果;
将所述当前测试周期的轨道磨损数据与磨损安全范围进行比对,得到第二比对结果;
基于所述第一比对结果和/或所述第二比对结果,得到磨损诊断结果。
9.一种轨道磨损诊断系统,其特征在于,包括:
数据采集设备;以及
电子设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器与所述数据采集设备相连,所述处理器执行所述程序时实现如权利要求7或8所述的轨道磨损诊断方法。
10.根据权利要求9所述的轨道磨损诊断系统,其特征在于,所述数据采集设备包括:传感器组以及图像采集设备;
所述传感器组分别安装于所述高速列车和所述目标轨道上,所述图像采集设备安装于所述目标轨道周围;
其中,所述传感器组包括加速度计、速度传感器以及力传感器中至少一种。
CN202311656499.7A 2023-12-05 2023-12-05 一种轮轨测试模型的建立方法、轨道磨损诊断方法及系统 Pending CN117669205A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311656499.7A CN117669205A (zh) 2023-12-05 2023-12-05 一种轮轨测试模型的建立方法、轨道磨损诊断方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311656499.7A CN117669205A (zh) 2023-12-05 2023-12-05 一种轮轨测试模型的建立方法、轨道磨损诊断方法及系统

Publications (1)

Publication Number Publication Date
CN117669205A true CN117669205A (zh) 2024-03-08

Family

ID=90085917

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311656499.7A Pending CN117669205A (zh) 2023-12-05 2023-12-05 一种轮轨测试模型的建立方法、轨道磨损诊断方法及系统

Country Status (1)

Country Link
CN (1) CN117669205A (zh)

Similar Documents

Publication Publication Date Title
JP6313929B2 (ja) 構造物を監視するための方法及びシステム
CN109783843B (zh) 基于lstm的仿真系统车辆动力学模型速度预测方法
KR102026449B1 (ko) Cnn을 이용한 교량 구조물 손상추정기법의 개발을 위한 시뮬레이션 데이터 처리방법
CN112765778B (zh) 转向架横向稳定性识别方法、装置以及计算机设备
CN108304348B (zh) 一种基于二元维纳过程的轴承剩余寿命预测方法
CN114239377A (zh) 一种城轨机电设备健康状态评估方法、系统及存储介质
CN116541790B (zh) 基于多特征融合的新能源车辆健康评估方法和装置
CN116380496B (zh) 一种汽车车门疲劳耐久测试方法、系统及介质
CN111652212A (zh) 基于深度学习的交叉杆端部紧固螺栓丢失故障检测方法
Hurtado et al. A data-driven methodology for bridge indirect health monitoring using unsupervised computer vision
Zeng et al. Rail break prediction and cause analysis using imbalanced in-service train data
Pires et al. Measuring vertical track irregularities from instrumented heavy haul railway vehicle data using machine learning
CN117669205A (zh) 一种轮轨测试模型的建立方法、轨道磨损诊断方法及系统
CN117367775B (zh) 一种液压制动系统模拟测试装置及方法
CN118296370A (zh) 基于神经网络的列车故障预测方法及系统
CN111415326A (zh) 一种用于铁路接触网螺栓异常状态的检测方法及系统
CN112329283A (zh) 一种无砟轨道ca砂浆调整层损伤识别方法及系统
CN116910879A (zh) 一种随机车载作用下桥梁斜拉索的索力异常诊断方法及装置
CN113312711B (zh) 列车动力学下平稳驾驶分析方法、系统、终端及介质
Alfi et al. Condition monitoring of suspension components in railway bogies
CN116373939A (zh) 一种轨枕健康诊断方法、装置及电子设备
Byington et al. False alarm mitigation of vibration diagnostic systems
Scott et al. A structural PHM framework for aircraft control surface free-play
Mosleh et al. Condition Monitoring of Rolling Stock Supported by Artificial Intelligence Technique
Bingjie et al. An improved similarity-based prognostics method for remaining useful life estimation of aero-engine

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