CN117993301A - 一种基于振动定位列车的深度学习方法、系统及设备 - Google Patents
一种基于振动定位列车的深度学习方法、系统及设备 Download PDFInfo
- Publication number
- CN117993301A CN117993301A CN202410297281.5A CN202410297281A CN117993301A CN 117993301 A CN117993301 A CN 117993301A CN 202410297281 A CN202410297281 A CN 202410297281A CN 117993301 A CN117993301 A CN 117993301A
- Authority
- CN
- China
- Prior art keywords
- amplitude
- vibration
- distance
- train
- speed
- 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 33
- 238000013135 deep learning Methods 0.000 title claims abstract description 26
- 238000013507 mapping Methods 0.000 claims abstract description 55
- 238000006880 cross-coupling reaction Methods 0.000 claims abstract description 17
- 230000008859 change Effects 0.000 claims abstract description 15
- 238000012937 correction Methods 0.000 claims description 19
- 238000004590 computer program Methods 0.000 claims description 8
- 238000001514 detection method Methods 0.000 abstract description 16
- 230000008878 coupling Effects 0.000 abstract description 8
- 238000010168 coupling process Methods 0.000 abstract description 8
- 238000005859 coupling reaction Methods 0.000 abstract description 8
- 229910000831 Steel Inorganic materials 0.000 description 9
- 239000010959 steel Substances 0.000 description 9
- 238000010276 construction Methods 0.000 description 4
- 238000012423 maintenance Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/15—Vehicle, aircraft or watercraft design
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Geometry (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Computer Hardware Design (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Computational Mathematics (AREA)
- Aviation & Aerospace Engineering (AREA)
- Automation & Control Theory (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Train Traffic Observation, Control, And Security (AREA)
Abstract
本发明提出一种基于振动定位列车的深度学习方法、系统及设备,包括:确定振动频率恒定下的振幅与距离、振动频率变化下的振幅与距离、速度与不同振动频率之间的关系;通过不同速度下检测到的振动频率,确定不同振动频率对应的速度映射拟合;通过不同振动频率对应的速度映射拟合校正距离与振幅之间的映射关系;通过不同振动频率对应的速度映射拟合、振幅与速度的对照关系、校正后的距离与振幅之间的映射关系确定距离‑频率‑振幅的交叉耦合模型,根据振幅和频率确定列车距离振动传感装置的距离。基于数据学习建立频率、振幅以及列车速度、位置之间的耦合关系模型,并对其关系进行拟合修正优化,动态的实时判断列车距离当前检测点的距离。
Description
技术领域
本发明属于列车控制领域,特别涉及一种基于振动定位列车的深度学习方法、系统及设备。
背景技术
列车运行在轨道上,由于车轮踏面和钢轨柜面接触时存在不平顺性,天然的带来不规则的振动,这些振动将通过钢轨传递形成波并且传播到较远的地方。相应的,速度越高,列车多个车轮通过某一个点振动频率也就越高。同时,在速度一定的情况下,列车距离传感器越远能量衰减越大即振幅越小,反之则振幅越大。
现有技术中通过简单的振动感知,可以掌握列车在传感器附近,但是无法精准定位列车位置。现有技术中通过多传感器协同方式,由处理主机判断哪个传感器振动能量最大,这种方式实际上类似于计轴传感器或者应答器定位,必须列车经过才能定位,而不能提前定位。
发明内容
针对上述问题,本发明提出一种基于振动定位列车的深度学习方法,所述方法包括:
确定振动频率恒定下的振幅与距离、振动频率变化下的振幅与距离、速度与不同振动频率之间的关系;
通过不同速度下检测到的振动频率,确定不同振动频率对应的速度映射拟合;通过不同振动频率对应的速度映射拟合校正距离与振幅之间的映射关系;
通过不同振动频率对应的速度映射拟合、振幅与速度的对照关系、校正后的距离与振幅之间的映射关系确定距离-频率-振幅的交叉耦合模型;
基于距离-频率-振幅交叉耦合模型,根据振幅和频率确定列车距离振动传感装置的距离。
进一步的,所述校正距离与振幅之间的映射关系前还包括:
对相同速度下的不同频率,叠加振幅变化建议多参数修正模型。
进一步的,所述方法还包括:
通过确定同一时刻两个振动传感器之间的振幅差异,确定列车相对传感器的运动方向。
进一步的,确定所述振幅差异包括:根据所述振幅和频率之间的关系,对两个传感器两次振幅检测的变化进行辅助校核。
本发明还提供一种基于振动定位列车的深度学习系统,所述系统包括:第一确定单元、拟合单元、映射单元、模型确定单元和距离确定单元,
第一确定单元,用于确定振动频率恒定下的振幅与距离、振动频率变化下的振幅与距离、速度与不同振动频率之间的关系;
拟合单元,用于通过不同速度下检测到的振动频率,确定不同振动频率对应的速度映射拟合;
映射单元,用于通过不同振动频率对应的速度映射拟合校正距离与振幅之间的映射关系;
模型确定单元,用于通过不同振动频率对应的速度映射拟合、振幅与速度的对照关系、校正后的距离与振幅之间的映射关系确定距离-频率-振幅的交叉耦合模型;
距离确定单元,用于基于距离-频率-振幅交叉耦合模型,根据振幅和频率确定列车距离振动传感装置的距离。
具体的,所述系统还包括修正单元,用于校正距离与振幅之间的映射关系前,对相同速度下的不同频率,叠加振幅变化建议多参数修正模型。
具体的,所述系统还包括方向确定单元,用于通过确定同一时刻两个振动传感器之间的振幅差异,确定列车相对传感器的运动方向。
具体的,所述方向确定单元用于根据所述振幅和频率之间的关系,对两个传感器两次振幅检测的变化进行辅助校核。
本发明还提供一种电子设备,包括存储器与处理器,所述存储器中存储有计算机程序或指令,所述计算机程序或指令被所述处理器执行时,至少用于实现上述方法。
本发明还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程序或指令,所述计算机程序或指令被处理器执行时,至少用于实现上述方法。
本发明的基于振动定位列车的深度学习方法、系统及设备,采用深度学习方式,系统可以基于数据学习建立频率、振幅以及列车速度、位置之间的耦合关系模型,并对其关系进行拟合修正优化;通过自学习形成的振动信号与列车位置的关系模型,可以动态的实时判断列车距离当前检测点的距离,而不是只有列车经过检测点才能感知,减少现场设备的部署数量,降低建造成本和维护难度;将列车在线路上运行产生的振动作为信号源头,保证了对列车存在性及位置的检测,不需要额外增加信号源头;相对于轨道电路、光纤光栅传感,利用列车运行所必须的车轮、钢轨作为传输媒介,不用额外敷设全线路电缆/光缆,只需要在振动检测点增加本系统装置,建造成本低、后期维护难度小,更适合中西部铁路这种人烟稀少、环境苛刻的情况。
本发明的其它特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点可通过在说明书、权利要求书以及附图中所指出的结构来实现和获得。
附图说明
为了更清楚地说明本发明实施例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示出了本发明实施例中的基于振动定位列车的深度学习方法流程示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地说明,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。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。
本发明基于机械振动进行列车感知的基本原理,建立不同速度等级与振动频率之间的关系、特定速度下能量衰减与距离的关系,构建“速度-频率-振幅”之间的耦合关系模型,通过深度学习的方式不断增强三者之间的耦合匹配精准度,从而通过单个振动检测装置,在一个时间片内采集多个振动信号,通过振动频率识别列车速度,通过振动能量的变化识别列车的运行方向、距离振动检测装置的位置。
本发明实施例中,对“速度-频率-能量”之间的耦合关系进行具体说明:
轨道上产生的振动,由于钢轨或者车轮本身的不平顺,由于车轮周期性转动产生与钢轨轨面的碰撞、或者前后车轮依次经过同一钢轨点如接缝处带来撞击,产生振动,故振动的频率与列车的运行速度有关。对于车轮直径为D的列车,以速度V运行T时刻,导致车轮上同一个点产生VT/πD次与轨面的接触,故频率f=VT/πD/T=V/πD,即频率与列车运行速度为线性关系,速度越高频率越高。如果不平顺点在轨面上,由于不同列车车厢的车轮安装位置固定且统一,因此相邻两节车厢同一位置车轮间距是固定的且等于车厢长度S,列车以速度V运行T时刻,带来的振动频率f=V/S,也是频率与速度成线性相关。
本发明实施例中,为保障列车运行控制系统的精准测速测距,车轮直径D选择为860mm,该参数被定期人工测量并更新到列车运行控制系统中。
列车运行时,列车整体的能量与列车质量和运行速度密切相关,其能量表示为E=0.5m V^2,m表示质量。当列车振动时,列车的能量将纵向传递给钢轨,本发明实施例中,将振动传递的能量表示为固定比例fET(V),列车高速运行时,能量越大,振动传递给钢轨的能量也越多,钢轨获得的能量表示为Etrack=kA^2,即(0.5mV^2)*fET(V)=kA^2,本发明实施例中,通过上式建立钢轨振幅A(代表能量)和列车运行速度V之间的联系。
本发明实施例中,通过测速装置、振动传感装置等进行“速度-频率-能量”耦合关系模型的构建,测速装置通过激光或者雷达来测量列车运行实际速度,振动传感装置用来接收来自轨道上的振动信号,识别振动的频率及振幅,本发明实施例中,可测速装置还可包括无线接收装置,直接接收车载系统提供的列车运行速度数据。
图1示出了本发明实施例中的基于振动定位列车的深度学习方法流程示意图,图1中,所述方法包括:确定振动频率恒定下的振幅与距离、振动频率变化下的振幅与距离、速度与不同振动频率之间的关系;通过不同速度下检测到的振动频率,确定不同振动频率对应的速度映射拟合;通过不同振动频率对应的速度映射拟合校正距离与振幅之间的映射关系;通过不同振动频率对应的速度映射拟合、振幅与速度的对照关系、校正后的距离与振幅之间的映射关系确定距离-频率-振幅的交叉耦合模型;基于距离-频率-振幅交叉耦合模型,根据振幅和频率确定列车距离振动传感装置的距离。
具体的,所述校正距离与振幅之间的映射关系前还包括:对相同速度下的不同频率,叠加振幅变化建议多参数修正模型。
具体的,所述方法还包括:通过确定同一时刻两个振动传感器之间的振幅差异,确定列车相对传感器的运动方向。
具体的,确定所述振幅差异包括:根据所述振幅和频率之间的关系,对两个传感器两次振幅检测的变化进行辅助校核。
本发明还通过具体的实施例对振动频率和振动幅度对距离判断的深度学习方法进行具体的说明:
本发明实施例中,首先读取测速装置数据,当检测到列车经过时,将该时刻点T0作为标准锚点,记录速度至Vt0此时在速度恒定条件下的振幅A0理论上为最大,建立频率F0与Vt0、A0与Vt0的对照关系,本发明实施例中,F0=α*Vt0,其中α对于同一列车而言,设置为固定值,f(α)=k/πD或者f(α)=k/Lcarriage,k结合实际进行参数修正;A0^2=m(V0^2)*β/2,其中β用于定义一个与列车能量转化到钢轨的转化率相关的参数,f(β,V)=fET(V)/(2j),j表示修正系数,其中fET(V)是上面提及的列车能量转化到钢轨的转化率,目前假设为固定常数不受速度V影响或者影响很小。
在下一个周期,时间经过t时刻,处理主机采集振动传感装置上的振动频率F1、振幅A1:
步骤一、建立确定振动频率恒定下的振幅与距离之间的关系:
本发明实施例中,通过不断的累计深度学习,固化振幅A与距离S之间的关系,设E(t)=E0*e^(-at),其中,E(t)表示为给定时刻t的能量,E0表示为初始能量,a为衰减系数。基于时间t和速度V,确定得到列车走行距离S,振幅通过能量公式E=kA^2/E=0.5mV^2表示,通过能量公式建立振动频率恒定下的振幅与距离的关系;
步骤二、建立振动频率变化下的振幅与距离、速度与不同振动频率之间的关系:
本发明实施例中,振动频率变化,则假定列车以一个加速度/减速度a在加速/减速,此处关于振幅与距离之间的关系参见步骤一,在此不再赘述,关于速度与频率的关系,基于F0=α*Vt0确定;
步骤三、通过不同速度下检测到的振动频率,确定不同振动频率对应的速度映射拟合:
对多列车进行采集学习,可以得到不同真实V0下检测到的振动频率,本发明实施例中,通过对步骤二中的速度与不同振动频率之间关系的校正,得到不同振动频率对应的速度映射拟合,通过得到特定速度时,振动频率的分布,以便通过不断的学习拟合,丢弃偏差较大的频率,进而优化二者之间的映射精准性;
步骤四、针对相同速度下频率不同的问题,叠加振幅变化作为辅助参量建立多参数修正模型,提高识别精度;
步骤五、通过不同振动频率对应的速度映射拟合校正距离与振幅之间的映射关系:
过上述学习修正提高“频率-速度”判定进度后,相应提高了列车在t时刻距离振动传感装置的距离,进而校正距离S和振幅A之间的映射关系;
步骤六、通过不同振动频率对应的速度映射拟合、振幅与速度的对照关系、校正后的距离与振幅之间的映射关系确定距离-频率-振幅的交叉耦合模型;基于距离-频率-振幅交叉耦合模型,根据振幅和频率确定列车距离振动传感装置的距离:
将距离S、频率F和振幅A进行交叉,建立在固定距离下速频率F和振幅A之间关系,进而形成“距离S-频率F-振幅A”交叉耦合模型 ,进而根据振幅A和振动频率F对列车距离振动传感装置的距离进行精准判断;
本发明实施例中,速度和频率F呈线性关系,速度与能量相关,而振幅与能量密切相关,基于此确定速度与F和A也形成耦合模型;本发明实施例中,通过直接采集到的频率F和振幅A,间接换算获取到距离S,建立三者交叉耦合模型;
本发明实施例中,还通过振动幅度变化确定列车运行的方向,振动传感装置设置两个振动传感器并间隔一定距离,检测T0时刻两个振动传感器之间的振幅差异,即可定位列车相对传感器的运动方向;
本发明的一个实施例中,能量随着距离的变远而衰减,检测时,列车运行过程中线性钢轨上有三个点,包括列车振动源、检测点A和检测点B,根据列车运行过程中检测点A和检测点B检测到的振幅差异确定列车的运行方向。
具体的,确定列车运行方向的方法包括,在振动传感装置有两个检测点,分别连接同一条钢轨上,二者间隔一定的距离如100m或500m。
本发明实施例中,考虑到列车速度的变化会影响到振幅,结合前述深度学习过程中积累的振幅与频率(速度)之间的关系,对两个传感器两次振幅检测的变化进行辅助校核;通过深度学习过程中进行校核,丢弃一些毛刺数据或者单一的异常数据,能够识别异常结果,提高判定精准度。
本发明实施例中,提供一种基于振动定位列车的深度学习系统,其特征在于,所述系统包括:第一确定单元、拟合单元、映射单元、模型确定单元和距离确定单元,
第一确定单元,用于确定振动频率恒定下的振幅与距离、振动频率变化下的振幅与距离、速度与不同振动频率之间的关系;
拟合单元,用于通过不同速度下检测到的振动频率,确定不同振动频率对应的速度映射拟合;
映射单元,用于通过不同振动频率对应的速度映射拟合校正距离与振幅之间的映射关系;
模型确定单元,用于通过不同振动频率对应的速度映射拟合、振幅与速度的对照关系、校正后的距离与振幅之间的映射关系确定距离-频率-振幅的交叉耦合模型;
距离确定单元,用于基于距离-频率-振幅交叉耦合模型,根据振幅和频率确定列车距离振动传感装置的距离。
具体的,所述系统还包括修正单元,用于校正距离与振幅之间的映射关系前,对相同速度下的不同频率,叠加振幅变化建议多参数修正模型。
具体的,所述系统还包括方向确定单元,用于通过确定同一时刻两个振动传感器之间的振幅差异,确定列车相对传感器的运动方向。
具体的,所述方向确定单元用于根据所述振幅和频率之间的关系,对两个传感器两次振幅检测的变化进行辅助校核。
本发明实施例中,还提供一种电子设备,包括存储器与处理器,所述存储器中存储有计算机程序或指令,所述计算机程序或指令被所述处理器执行时,至少用于实现上述方法。
本发明实施例中,还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程序或指令,所述计算机程序或指令被处理器执行时,至少用于实现上述方法。
本发明的基于振动定位列车的深度学习方法、系统及设备,采用深度学习方式,系统可以基于数据学习建立频率、振幅以及列车速度、位置之间的耦合关系模型,并对其关系进行拟合修正优化;通过自学习形成的振动信号与列车位置的关系模型,可以动态的实时判断列车距离当前检测点的距离,而不是只有列车经过检测点才能感知,减少现场设备的部署数量,降低建造成本和维护难度;将列车在线路上运行产生的振动作为信号源头,保证了对列车存在性及位置的检测,不需要额外增加信号源头;相对于轨道电路、光纤光栅传感,利用列车运行所必须的车轮、钢轨作为传输媒介,不用额外敷设全线路电缆/光缆,只需要在振动检测点增加本系统装置,建造成本低、后期维护难度小,更适合中西部铁路这种人烟稀少、环境苛刻的情况。
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)
1.一种基于振动定位列车的深度学习方法,其特征在于,所述方法包括:
确定振动频率恒定下的振幅与距离、振动频率变化下的振幅与距离、速度与不同振动频率之间的关系;
通过不同速度下检测到的振动频率,确定不同振动频率对应的速度映射拟合;通过不同振动频率对应的速度映射拟合校正距离与振幅之间的映射关系;
通过不同振动频率对应的速度映射拟合、振幅与速度的对照关系、校正后的距离与振幅之间的映射关系确定距离-频率-振幅的交叉耦合模型;
基于距离-频率-振幅交叉耦合模型,根据振幅和频率确定列车距离振动传感装置的距离。
2.根据权利要求1所述的基于振动定位列车的深度学习方法,其特征在于,所述校正距离与振幅之间的映射关系前还包括:
对相同速度下的不同频率,叠加振幅变化建议多参数修正模型。
3.根据权利要求1或2所述的基于振动定位列车的深度学习方法,其特征在于,所述方法还包括:
通过确定同一时刻两个振动传感器之间的振幅差异,确定列车相对传感器的运动方向。
4.根据权利要求3所述的基于振动定位列车的深度学习方法,其特征在于,确定所述振幅差异包括:根据所述振幅和频率之间的关系,对两个传感器两次振幅检测的变化进行辅助校核。
5.一种基于振动定位列车的深度学习系统,其特征在于,所述系统包括:第一确定单元、拟合单元、映射单元、模型确定单元和距离确定单元,
第一确定单元,用于确定振动频率恒定下的振幅与距离、振动频率变化下的振幅与距离、速度与不同振动频率之间的关系;
拟合单元,用于通过不同速度下检测到的振动频率,确定不同振动频率对应的速度映射拟合;
映射单元,用于通过不同振动频率对应的速度映射拟合校正距离与振幅之间的映射关系;
模型确定单元,用于通过不同振动频率对应的速度映射拟合、振幅与速度的对照关系、校正后的距离与振幅之间的映射关系确定距离-频率-振幅的交叉耦合模型;
距离确定单元,用于基于距离-频率-振幅交叉耦合模型,根据振幅和频率确定列车距离振动传感装置的距离。
6.根据权利要求5所述的基于振动定位列车的深度学习系统,其特征在于,所述系统还包括修正单元,用于校正距离与振幅之间的映射关系前,对相同速度下的不同频率,叠加振幅变化建议多参数修正模型。
7.根据权利要求5或6所述的基于振动定位列车的深度学习系统,其特征在于,所述系统还包括方向确定单元,用于通过确定同一时刻两个振动传感器之间的振幅差异,确定列车相对传感器的运动方向。
8.根据权利要求7所述的基于振动定位列车的深度学习系统,其特征在于,所述方向确定单元用于根据所述振幅和频率之间的关系,对两个传感器两次振幅检测的变化进行辅助校核。
9.一种电子设备,其特征在于,包括存储器与处理器,所述存储器中存储有计算机程序或指令,所述计算机程序或指令被所述处理器执行时,至少用于实现权利要求1-4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,所述计算机可读存储介质中存储有计算机程序或指令,所述计算机程序或指令被处理器执行时,至少用于实现权利要求1-4任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410297281.5A CN117993301A (zh) | 2024-03-15 | 2024-03-15 | 一种基于振动定位列车的深度学习方法、系统及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410297281.5A CN117993301A (zh) | 2024-03-15 | 2024-03-15 | 一种基于振动定位列车的深度学习方法、系统及设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117993301A true CN117993301A (zh) | 2024-05-07 |
Family
ID=90893246
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410297281.5A Pending CN117993301A (zh) | 2024-03-15 | 2024-03-15 | 一种基于振动定位列车的深度学习方法、系统及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117993301A (zh) |
-
2024
- 2024-03-15 CN CN202410297281.5A patent/CN117993301A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US6416020B1 (en) | Method and apparatus for detecting defective track wheels | |
CN112424050B (zh) | 用于监控轨道段的方法和系统 | |
CN106672025B (zh) | 一种基于动态调整的列车定位检测方法和系统 | |
CN108845028B (zh) | 一种高速铁路钢轨波磨动态检测方法和装置 | |
CN113324648B (zh) | 一种便携式高速铁路轮轨振动时空同步测试方法及系统 | |
KR100976055B1 (ko) | 궤도틀림실시간감시시스템 | |
CN109507708B (zh) | 位置确定方法和系统 | |
Vinberg et al. | Railway applications of condition monitoring | |
CN111979859A (zh) | 轨道不平顺检测系统及方法 | |
JP4917384B2 (ja) | 鉄道車両の振動データ通信方法 | |
CN106627662A (zh) | 一种列车定位装置及方法 | |
CN113844274B (zh) | 悬浮电磁铁横向位移修正系统、方法、设备及存储介质 | |
Hensel et al. | Eddy current sensor based velocity and distance estimation in rail vehicles | |
RU2542784C2 (ru) | Способ и электронное устройство для контроля состояния деталей рельсовых транспортных средств | |
CN117993301A (zh) | 一种基于振动定位列车的深度学习方法、系统及设备 | |
KR102094105B1 (ko) | 다수 개의 매개변수에 의한 철도 차량의 진단 시스템 및 그에 의한 철도 차량의 안전 진단 방법 | |
KR20180110783A (ko) | 다수 개의 매개변수에 의한 철도 차량의 진단 시스템 및 그에 의한 철도 차량의 안전 진단 방법 | |
CN104457644A (zh) | 轨道几何检测数据中非脉冲异常数据的检测方法及装置 | |
CN113602322B (zh) | 磁浮列车运行速度计算系统、方法、悬浮控制系统及列车 | |
JP2005331263A (ja) | 鉄道車輪踏面の異状検出方法及びその装置 | |
CN114454726B (zh) | 一种用于磁浮列车的停车定位方法、系统和存储介质 | |
KR102369916B1 (ko) | 레일절손 검지 시스템 및 이를 이용한 레일절손 검지방법 | |
CN210591925U (zh) | 轴箱振动的轮径差检测系统 | |
Dong et al. | Simulation platform for speed and position detection system of high-speed maglev train | |
RU2811187C1 (ru) | Система диагностического контроля состояния букс колесной пары и способ диагностического контроля состояния букс колесной пары с ее помощью |
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 |