CN109145764B - 综合检测车的多组检测波形的未对齐区段识别方法及装置 - Google Patents
综合检测车的多组检测波形的未对齐区段识别方法及装置 Download PDFInfo
- Publication number
- CN109145764B CN109145764B CN201810845096.XA CN201810845096A CN109145764B CN 109145764 B CN109145764 B CN 109145764B CN 201810845096 A CN201810845096 A CN 201810845096A CN 109145764 B CN109145764 B CN 109145764B
- Authority
- CN
- China
- Prior art keywords
- waveforms
- section
- detected
- detection
- waveform
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B61—RAILWAYS
- B61K—AUXILIARY EQUIPMENT SPECIALLY ADAPTED FOR RAILWAYS, NOT OTHERWISE PROVIDED FOR
- B61K9/00—Railway vehicle profile gauges; Detecting or indicating overheating of components; Apparatus on locomotives or cars to indicate bad track sections; General design of track recording vehicles
- B61K9/08—Measuring installations for surveying permanent way
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mechanical Engineering (AREA)
- Length Measuring Devices With Unspecified Measuring Means (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本申请实施方式公开了一种综合检测车的多组检测波形的未对齐区段识别方法及装置,方法包括:获取至少两组检测波形;其中,每组检测波形对应的线路、行别、里程区间均一致;对每组检测波形进行预处理;对预处理后的检测波形进行特征提取,获得特征信息;将所述特征信息输入至目标区段的识别模型,获得疑似未对齐区段的置信度;根据所述疑似未对齐区段的置信度识别出目标区段内未对齐区段。
Description
技术领域
本申请涉及数据处理技术领域,特别涉及一种综合检测车的多组检测波形的未对齐区段识别方法及装置。
背景技术
轨道几何状态的好坏,对行车安全和舒适性影响很大,因此,轨道几何状态的检测与管理也越来越受到重视。综合检测车是轨道几何状态检测的重要手段,其以行驶速度快、检测效率高以及可以较好地反映动态轨道几何状态而得到了国内外的普遍认可并广泛使用。但是,轨道检测车所检测的数据中存在一个普遍问题是检测里程值与真实里程值有一定差异,即使采用了GPS卫星定位***及地面辅助定位***,这种差异也无法完全消除,在某些情况下偏差值甚至会达100m。目前已有很多成熟的方法对检测波形进行里程校正,效果都较为理想,例如:同一线路里程范围内,通过对不同检测批次的数据波形图进行纵向对比分析发现,在异常干扰较少或是没有进行维修作业的一段时间内,不同检测批次的波形图在形状上比较相似,只是幅值大小略有不同,通过相关性等方法进行波形对齐后,人为的观察两次或相邻几次的波形,均能发现幅值发生明显变化的里程,最终通过多次波形幅值的对比分析而判断该里程病害的情况。
然而,检测车更换、线路维修、进出车站、未能预先识别的异常干扰等问题会造成波形无法对齐,将对后续波形的对比分析造成影响。
面对全路、常年的检测数据,存在线路多、数据量大、历史数据不断增加的特点,自动化的后台计算是首选的解决方案,但是变化分析、趋势分析等算法运用在批量、自动离线计算的流程下,会显现出一些严重的问题。具体如下:①在变化分析中,经常需要进行任意两次波形的对比分析,而无法对齐的区段中同一里程的幅值变化量通常比较大,使得程序判别为疑似病害区段而输出,造成误判。②在趋势分析中,需要研究同一里程多次检测数据的幅值发展趋势,然而分析多次波形数据时,下述问题出现的概率更高,如:检测车更换后,其幅值与之前的幅值有一定偏差,从而影响其幅值发展趋势的定量分析;线路维修会造成部分区段的波形产生变化,从而使维修前后的幅值对比失去意义;特征不明显的异常干扰波形通常和正常波形相像,只有多次检测的波形对比,才能发现某次检测波形的异常区段。③其他运用波形幅值的算法中,很多未对齐区段并非是真实线路状况的反映,却对分析的结果产生重大干扰,使得误判条目增多,尤其是多次检测波形的对比,但凡有一次波形异常,对最终的计算结果均会产生干扰。
国内外虽然在里程校正和波形分析方面做了大量的研究工作,但是研究对象都是质量较好的或异常明显的少数几次波形,难以持续、自动化的运用到生产环境,如何准确判别与评价波形的对齐效果,将对后续的数据分析提供重要支撑,也有助于减轻用户对病害识别结果二次确认的工作量。
发明内容
本申请实施方式的目的是提供一种综合检测车的多组检测波形的未对齐区段识别方法及装置,解决有砟轨道或无砟轨道多次检测波形对齐情况的识别和对齐效果的评价。
为实现上述目的,本申请实施方式提供一种综合检测车的多组检测波形的未对齐区段识别方法,包括:
获取至少两组检测波形;其中,每组检测波形对应的线路、行别、里程区间均一致;
对每组检测波形进行预处理;
对预处理后的检测波形进行特征提取,获得特征信息;
将所述特征信息输入至目标区段的识别模型,获得疑似未对齐区段的置信度;
根据所述疑似未对齐区段的置信度识别出目标区段内未对齐区段。
优选地,还包括:
根据识别出的目标区段内未对齐区段及对应的未对齐区段的置信度对检测波形的对齐效果进行评价。
优选地,所述特征信息包括:当前区段的检测波形间的相关系数、当前区段的检测波形间的均方误差、当前区段的检测波形间的对齐均匀性、大于0.5的中间参数、小于0.2的中间参数、小于0的中间参数、中间参数的最大值、中间参数的最小值、上一区段的检测波形间的均方误差、上一区段的检测波形间的相关系数、当前区段的检测速度的最小值、连续大于0的10米区段相关系数。
优选地,所述目标区段的识别模型采用SVM训练获得。
优选地,所述对每组检测波形进行预处理的步骤包括:
判断目标区段内各检测波形的采样点数之间差别是否超过阈值;
如果超过阈值,则遍历目标区段内各子区段对应的检测波形的采样点,在相邻两采样点对应里程相差超过阈值M,进行插值处理,且***的数值为0;插值处理之后,获得各子区段对应的检测波形的序列长度,如果采样点数目超过阈值N,则进行降采样处理;其中,M、N均根据经验确定。
优选地,对检测波形的对齐效果进行评价包括:
获得一组检测波形的对齐质量和当前次检测波形的对齐质量。
优选地,所述当前次检测波形的对齐质量根据所述目标区段内未对齐区段的里程长度、该区段内检测波形未对齐的置信度、目标区段的里程长度、无效的里程长度获得。
优选地,所述一组检测波形的对齐质量根据当前次检测波形的对齐效果和所述目标区段的检测波形的个数获得。
对应地,为实现上述目的,本申请实施方式提供一种综合检测车的多组检测波形的未对齐区段识别装置,包括:
检测波形获取单元,用于获取至少两组检测波形;其中,每组检测波形对应的线路、行别、里程区间均一致;
预处理单元,用于对每组检测波形进行预处理;
特征提取单元,用于对预处理后的检测波形进行特征提取,获得特征信息;
置信度获取单元,用于将所述特征信息输入至目标区段的识别模型,获得疑似未对齐区段的置信度;
识别单元,用于根据所述疑似未对齐区段的置信度识别出目标区段内未对齐区段。
优选地,还包括:
评价单元,用于根据识别出的目标区段内未对齐区段及对应的未对齐区段的置信度对检测波形的对齐效果进行评价。
优选地,所述特征提取单元获取的特征信息包括:当前区段的检测波形间的相关系数、当前区段的检测波形间的均方误差、当前区段的检测波形间的对齐均匀性、大于0.5的中间参数、小于0.2的中间参数、小于0的中间参数、中间参数的最大值、中间参数的最小值、上一区段的检测波形间的均方误差、上一区段的检测波形间的相关系数、当前区段的检测速度的最小值、连续大于0的10米区段相关系数。
优选地,还包括:
识别模型建立单元,用于采用SVM训练获得所述目标区段的识别模型。
优选地,所述预处理单元包括:
判断模块,用于判断目标区段内各检测波形的采样点数之间差别是否超过阈值;
插值处理模块,用于如果超过阈值,则遍历目标区段内各子区段对应的检测波形的采样点,在相邻两采样点对应里程相差超过阈值M,进行插值处理,且***的数值为0;插值处理之后,获得各子区段对应的检测波形的序列长度,如果采样点数目超过阈值N,则进行降采样处理;其中,M、N均根据经验确定。
优选地,所述评价单元用于获得一组检测波形的对齐质量和当前次检测波形的对齐质量。
优选地,所述评价单元根据所述目标区段内未对齐区段的里程长度、该区段内检测波形未对齐的置信度、目标区段的里程长度、无效的里程长度获得所述当前次检测波形的对齐质量。
优选地,所述评价单元根据当前次检测波形的对齐效果和所述目标区段的检测波形的个数获得所述一组检测波形的对齐质量。
为实现上述目的,本申请实施方式再提供一种电子设备,包括存储器、处理器以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,所述处理器执行所述计算机程序时实现本发明实施例公开的所述的综合检测车的多组检测波形的未对齐区段识别方法。
为实现上述目的,本申请实施方式再一种可读存储介质,其上存储有计算机程序,所述计算机程序被执行时实现本发明实施例公开的所述的综合检测车的多组检测波形的未对齐区段识别方法的步骤。
由上可见,与现有技术相比较,本技术方案对波形对齐效果进行识别与评价,有助于用户了解某些区段波形数据与数据分析结果的可信程度,排除异常数据的干扰,同时,有助于评判波形数据的质量,满足用户在多次检测数据应用中的取舍。
附图说明
为了更清楚地说明本申请实施方式或现有技术中的技术方案,下面将对实施方式或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请中记载的一些实施方式,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本说明书公开的一种综合检测车的多组检测波形的未对齐区段识别方法流程图之一;
图2为数据预处理示意图之一;
图3为数据预处理示意图之二;
图4为在相关系数不相关的情况下检测波形特例示意图之一;
图5为在相关系数不相关的情况下检测波形特例示意图之二;
图6为在相关系数相关的情况下检测波形特例示意图;
图7为某一区段的各数据通道的检测波形对齐效果示意图;
图8为本说明书公开的一种综合检测车的多组检测波形的未对齐区段识别方法流程图之二;
图9为沪杭上行ROC曲线示意图;
图10为沈大高铁上行K144+500~K144+600区段的检测波形示意图之一;
图11为沈大高铁上行K144+500~K144+600区段的检测波形示意图之二;
图12为沈大高铁上行K23+897~K24+100区段的检测波形示意图;
图13为宁杭高铁上行K232+800~K232+980区段的检测波形示意图;
图14为宁杭高铁上行K24+900~K25+80区段的检测波形示意图;
图15为本说明书公开的一种综合检测车的多组检测波形的未对齐区段识别装置功能框图之一;
图16为本说明书公开的一种综合检测车的多组检测波形的未对齐区段识别装置功能框图之二;
图17为本申请实施方式提供的一种电子设备示意图。
具体实施方式
下面将结合附图,对本公开实施例中的技术方案进行清楚、完整地描述参考在附图中示出并在以下描述中详述的非限制性示例实施例,更加全面地说明本公开的示例实施例和它们的多种特征及有利细节。应注意的是,图中示出的特征不是必须按照比例绘制。本公开省略了已知材料、组件和工艺技术的描述,从而不使本公开的示例实施例模糊。所给出的示例仅旨在有利于理解本公开示例实施例的实施,以及进一步使本领域技术人员能够实施示例实施例。因而,这些示例不应被理解为对本公开的实施例的范围的限制。
除非另外特别定义,本公开使用的技术术语或者科学术语应当为本公开所属领域内具有一般技能的人士所理解的通常意义。本公开中使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性,而只是用来区分不同的组成部分。此外,在本公开各个实施例中,相同或类似的参考标号表示相同或类似的构件。
下面结合附图,对本公开实施例提供的综合检测车的多组检测波形的未对齐区段识别方法及装置的具体实施方式进行详细说明。
在运用综合检测列车轨道几何检测数据之前,通常会进行里程校正,目前普遍采用的方法是运用校正算法进行自动里程校正,然而校正后依然存在部分区段无法对齐的情况。本技术方案旨在有效判别未对齐的区段,并归纳未对齐的原因,原因分为三种,包括:区段维修、检测设备故障或外部干扰、其他(里程校正算法有误、进出站时换线、严重外部干扰或设备故障、检测车辆更换、里程校正时用的台账有误)。判断出未对齐的区段后,将未对齐区段数据按里程进行合并输出,另外,进行任意两条线的对齐效果评价,以及一组波形的整体对齐效果评价,辅助用户了解在任意区段、任意几次检测数据上运用各类分析算法所得结果的可靠性。
基于上述描述,如图1所示,为本说明书公开的一种综合检测车的多组检测波形的未对齐区段识别方法流程图之一。包括:
步骤101):获取至少两组检测波形;其中,每组检测波形对应的线路、行别、里程区间均一致。
在本步骤中,未对齐区段识别需要至少读取两次检测的波形数据,且波形数据的线路、行别、里程区间一致。实际分析中,波形未对齐的原因可能是检测波形有误,也有可能是正确的波形但产生明显变化,因而只分析局部的波形很容易产生误判,需要综合分析局部特征和附近一段区间的特征。
步骤102):对每组检测波形进行预处理。
在本步骤中,分别读取里程、左右高低、左右轨向的通道,以100米为处理窗口,每隔50米进行滑动处理,对于两次检测数据每个通道的每个100米区段的数据,需要做如下判别:
(a)如果两次检测数据相同100米区段的检测采样点数差别不超过阈值N(本方法中N取10),则进行下一步操作;
(b)否则,进行数据补全操作,数据补全操作流程如下:
首先,遍历每次100米检测数据的每个采样点,如果相邻两个采样点里程相差超过2米,则进行0.25米为间隔的插值,即进行补0操作。
其次,计算补0后两个序列的长度,如果采样点数大于410,则进行每隔0.25米的降采样。
之所以补0,是为了保证相同里程的采样点进行计算,避免出现偏移波形的计算,同时也避免后续算法结果出现空值,从而影响最终的计算结果。
如图2所示,为数据预处理示意图之一;如图3所示,为数据预处理示意图之二。图2为某线路在2017-07-24检测的数据从左高低的通道获取的在K64+280到K64+295区段出现了数据缺失,该情况需要进行数据补全。图3为某线路在2017-07-24检测的数据从左轨向的通道获取的在K64+280到K64+295区段出现了数据缺失,该情况需要进行数据补全。
步骤103):对预处理后的检测波形进行特征提取,获得特征信息。
在本实施例中,以左高低通道为例,对两次检测数据相同100米区段的波形幅值序列分别定义为X(x1,x2,x3,......,xm)和Y(y1,y2,y3,......,ym),其长度均为m,并分别提取12个特征,标记为Feature1-12。
Feature1为相同100米区段波形的相关系数,两次检测数据之间的相关系数定义为:
相关系数判别是否对齐是最为常用的方法,但仅依靠该特征是无法生效的,如图4、图5所示,某线路K110+100到K110+200的相关系数值为0.59,表明两次数据几乎是不相关的,容易误判为没对齐,实际该区段是对齐的。
如图6所示,在K219+500到K219+600的相关系数为0.48,该值相对较大,但实际属于没对齐。
Feature2为相同100米区段波形的均方误差,计算公式如下:
式中:xi和yi为两次不同时期相同里程点的轨道几何检测数据;m为计算点数,一般情况下为400个采样点;d为计算的均方误差。
Feature3在提取之前,应对数据先做整理,确保两个序列的长度均为10的倍数并且相等。具体方法为:长度不足400的补0,超过400的向上补0或向下切割,使其成为与实际长度最接近的10的倍数。
Feature3的计算分为两步,首先计算Z(z1,z2,z3,......,z10)然后计算Feature3,计算公式如下:
式中:j为取值为1到10的数;xi和yi为两次不同时期相同里程点的轨道几何检测数据;m为计算点数,一般情况下为400个采样点;z为计算的中间参数。
然后计算Feature3公式如下:
式中:Zj为上一步中计算的结果。
Feature3用于衡量在总体相关系数较小的情况下,用一个连续值衡量内部对齐情况的均匀性。
Feature4为Zj中大于0.5的个数,Feature5为Zj中小于0.2的个数,Feature6为Zj中小于0的个数,Feature7为Zj中的最大值,Feature8为Zj中的最小值,此外,Feature4~Feature8均需做规范化。
Feature9为上一个100米区段的均方误差,Feature10位上一个100米区段的相关系数。实践表明,前一个区段如果对齐效果较好,则下一区段对齐的概率更大,反之亦然,因而构造上述特征。
Feature11为该100米区段检测速度的最小值,由于进站出站时,对齐效果往往较差,而期间速度较低。
Feature12为连续大于0的10米区段相关系数。
步骤104):将所述特征信息输入至目标区段的识别模型,获得疑似未对齐区段的置信度。
识别模型搭建的过程包括:首先,训练集生成。训练集生成的方式为:基于上述特征制定一些规则,生成多条线的对齐情况,具体规则可以设定如下:
Feature1大于2.5;
Feature2小于0;
Feature1大于0.5,且Feature2小于0;
Feature1大于0.5,且Feature2位于0.3到0.4之间,且Feature3小于0.96;
……
基于上述规则初步可以生成对齐情况,参照波形图进行修正,生成准确的训练集。
本方法中选用SVM作为训练模型,该模型适合高维、稀疏、样本少的数据。模型大致流程如下:
令超平面的方程如下:
w*x+b=0
式中:w代表待求参数向量,x代表超平面的变量。
w*xi+b取模后可以相对的表示样本点到超平面的距离,其符号与类标记符号共同表示分类是否准确,因而,任意一点到平面的函数间隔为:
γi=yi(w*xi+b)
式中:γi代表第i个样本点到平面函数间隔,xi代表第i个样本点。
定义γ为所有样本中,函数间隔最小的值,同时定义几何间隔如下:
假设超平面的取法很多,共有j种,则对应的参数为wj和bj,目标是找到γ,并使得几何间隔最大的w和b。
目标函数形式化表示如下:
st.yi(w*xi+b)≥1
上述目标函数等价于下面的目标函数:
st.yi(w*xi+b)≥1,i=1,2,...,N
定义拉格朗日函数:
式中:N为样本个数,αi为第i个样本对应的拉格朗日乘子,根据拉格朗日乘子法定义得下述条件:
因此,下式成立:
即:
式中:N为样本个数,αi为第i个样本对应的拉格朗日乘子。
应用拉格朗日对偶性,通过求解对偶问题得到原始问题的最优解。求解过程中,对w和b求偏导并令其等于0,得到下列等式:
代入拉格朗日函数后得到:
再求使上式最大的α得到目标α*=(α1 *,α2 *,...αN *)。
最终得到分离超平面如下式子:
f(x)=sign(wx+b*)
为防止过拟合,应在目标函数中增加松弛因子,同时运用高斯核函数,定义如下:
式中,σ为需要调节的超参。
运用交叉验证法得到合适的参数,从而获得最终的模型,调参过程运用F1值进行评估,修正参数时确保准确率的重要性高于召回率。
步骤105):根据所述疑似未对齐区段的置信度识别出目标区段内未对齐区段。
在本步骤中,首先对结果进行合并,合并方式为前后两个区段不超过100米则进行合并。此外,为了提高未对齐区段识别的召回率。N+1次检测和N-1次检测的对齐效果显著好于N次检测数据和N-1次检测数据的对齐效果,则第N次的该区段数据也认定为是未对齐。
如图7所示,某一区段的各数据通道的检测波形对齐效果示意图。图7所示的各数据通道的检测波形为某线路K105+800到K105+900区段。实际应用中,为减少未对齐区段的误判,高低、轨向中如果任意一个通道对齐效果较好,则认为该里程区段已对齐。
针对识别结果,既有的无效剔除方法一般能识别毛刺等具有明显特征的异常波形,在此基础之上,仍有部分波形由于检测设备故障、外部干扰或线路维修而导致无法对齐,这类波形通常有一定的振幅,用传统的异常判别方法识别容易造成误判,通过多次波形对齐效果的分析,可以有效识别这类波形。
①区段维修原因判别
如果某区段第N+1次和第N次的对齐效果远好于第N次和第N-1次的对齐效果,且该区段第N次检测的标准差大于第N-1次检测的标准差,则认定该区段为维修区段。
②检测设备故障或外部干扰原因判别
如果某区段第N+1次和第N-1次的对齐效果远好于第N次和第N-1次的对齐效果,则认定第N次检测是由于检测设备故障或外部干扰原因导致的。
③其他原因判别
除上述原因外的未对齐区段归类为其他原因。
如图8所示,为本说明书公开的一种综合检测车的多组检测波形的未对齐区段识别方法流程图之二。在图1的基础上,还包括:
步骤106):根据识别出的目标区段内未对齐区段及对应的未对齐区段的置信度对检测波形的对齐效果进行评价。
质量评价有助于从波形可靠性的角度来评估某次检测数据的质量,如果某次检测的质量较差,且有可替代方案时,可以丢弃该次检测数据,避免无效波形带来干扰。
①两次检测数据对齐效果评价
式中:P(t)为第t次检测数据的质量,Li为经过整理后的不重合的区段,wi为该区段的未对齐的置信度,L为全部的里程长度,Linv为无效的里程长度。如果t次检测和t-2次检测对比的质量显著高于t次检测和t-1次检测对比的质量,则P(t)用前者代替。
②一组检测数据对齐效果评价
一组检测数据对齐效果评价如下:
式中:P为一组检测数据的对齐质量,P(t)为t次检测数据的质量,N为检测数据的次数。
对沪杭上行两次检测数据进行五折交叉验证,得到ROC曲线如图9所示,平均ROC曲线如下图黑色虚线所示,平均AUC为0.98,说明该算法表达能力较强,能满足现场应用。
算法优化过程中,目标选定为最大化f-beta函数,其中beta取值0.5,得到评估结果如下表1所示。其中,1为未对齐区段,0位对齐区段,可以发现精度为0.98,召回率为0.83,满足现场应用需求。
表1
precision | recall | f1-score | support | |
0 | 0.97 | 1.00 | 0.98 | 331 |
1 | 0.98 | 0.83 | 0.90 | 60 |
以沈大高铁上行为例,用上述算法对里程校正后的三次检测数据(检测日期分别为2017-11-22、2017-12-19、2018-03-14)进行对比分析,算法有效识别2017年12月19日检测的多个未对齐的区段,如图10、图11中,K144+500到K144+600区段的高低属于明显未对齐,同时,该区段2017年12月19日之前的检测数据和之后的检测数据可以精确对齐,可以判定该区段未对齐的原因不是由线路维修而导致的。在做该区段不同日期幅值的长期趋势分析时,这类问题会严重干扰分析的准确性,提前识别该区段的对齐情况,有助于改进分析方法,提高后续数据分析的准确性。
以沈大高铁上行为例,用上述算法进行分析,如图12所示,识别K23+900到K24+100区段2017年12月19日检测的波形未和之前的对齐,在用程序分析原因时发现,2017年12月19日之后线路质量好转,且对齐效果更好,而2017年10月30日和2017年11月22日的对齐效果较好,但线路质量差,所以认定该区段可能为维修区段。
以宁杭高铁上行为例,如图13所示,利用上述算法对2017年4月14日和2017年7月12日检测的波形文件进行未对齐区段识别,识别多个2017-07-12的未对齐区段,如K232+800到K232+980,该区段明显未对齐。
以宁杭高铁上行为例,如图14所示,用上述算法分析,识别2017年04月12日检测时,部分里程缺失数据,但不影响后续算法的计算,因而认定其为对齐区段,由于仅仅是数据缺失,所以不会对分析结果造成干扰。
实践证明,上述方法有效且能准确识别未对齐区段,并一定程度分析未对齐的原因,有助于在后续数据分析与应用中,排除部分未对齐区段对整体分析效果的影响,提高后续分析的准确率。
典型的应用场景为:多次数据分析结果融合后,如果有一次检测数据质量较差,会导致识别出的病害数量显著增加,剔除数据质量差的检测数据后,会使结果更加符合真实情况。
如图15所示,为本说明书提供一种综合检测车的多组检测波形的未对齐区段识别装置功能框图之一。包括:
检测波形获取单元a,用于获取至少两组检测波形;其中,每组检测波形对应的线路、行别、里程区间均一致;
预处理单元b,用于对每组检测波形进行预处理;
特征提取单元c,用于对预处理后的检测波形进行特征提取,获得特征信息;
置信度获取单元d,用于将所述特征信息输入至目标区段的识别模型,获得疑似未对齐区段的置信度;
识别单元e,用于根据所述疑似未对齐区段的置信度识别出目标区段内未对齐区段。
如图16所示,为本说明书提供一种综合检测车的多组检测波形的未对齐区段识别装置功能框图之二。在图15的基础上,还包括:
评价单元f,用于根据识别出的目标区段内未对齐区段及对应的未对齐区段的置信度对检测波形的对齐效果进行评价。
在本实施例中,所述特征提取单元获取的特征信息包括:当前区段的检测波形间的相关系数、当前区段的检测波形间的均方误差、当前区段的检测波形间的对齐均匀性、大于0.5的中间参数、小于0.2的中间参数、小于0的中间参数、中间参数的最大值、中间参数的最小值、上一区段的检测波形间的均方误差、上一区段的检测波形间的相关系数、当前区段的检测速度的最小值、连续大于0的10米区段相关系数。
在本实施例中,还包括:
识别模型建立单元,用于采用SVM训练获得所述目标区段的识别模型。
在本实施例中,所述预处理单元包括:
判断模块,用于判断目标区段内各检测波形的采样点数之间差别是否超过阈值;
插值处理模块,用于如果超过阈值,则遍历目标区段内各子区段对应的检测波形的采样点,在相邻两采样点对应里程相差超过阈值M,进行插值处理,且***的数值为0;插值处理之后,获得各子区段对应的检测波形的序列长度,如果采样点数目超过阈值N,则进行降采样处理;其中,M、N均根据经验确定。
在本实施例中,所述评价单元用于获得一组检测波形的对齐质量和当前次检测波形的对齐质量。
在本实施例中,所述评价单元根据所述目标区段内未对齐区段的里程长度、该区段内检测波形未对齐的置信度、目标区段的里程长度、无效的里程长度获得所述当前次检测波形的对齐质量。
在本实施例中,所述评价单元根据当前次检测波形的对齐效果和所述目标区段的检测波形的个数获得所述一组检测波形的对齐质量。
如图17所示,为本申请实施方式提供的一种电子设备示意图。包括存储器、处理器以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,所述处理器执行所述计算机程序时实现本发明实施例公开的所述的综合检测车的多组检测波形的未对齐区段识别方法。
本说明书实施方式提供的综合检测车的多组检测波形的未对齐区段识别方法,其存储器和处理器实现的具体功能,可以与本说明书中的前述实施方式相对照解释,并能够达到前述实施方式的技术效果,这里便不再赘述。
在本实施方式中,所述存储器可以包括用于存储信息的物理装置,通常是将信息数字化后再以利用电、磁或者光学等方法的媒体加以存储。本实施方式所述的存储器又可以包括:利用电能方式存储信息的装置,如RAM、ROM等;利用磁能方式存储信息的装置,如硬盘、软盘、磁带、磁芯存储器、磁泡存储器、U盘;利用光学方式存储信息的装置,如CD或DVD。当然,还有其他方式的存储器,例如量子存储器、石墨烯存储器等等。
在本实施方式中,所述处理器可以按任何适当的方式实现。例如,所述处理器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(Application SpecificIntegrated Circuit,ASIC)、可编程逻辑控制器和嵌入微控制器的形式等等。
为实现上述目的,本申请实施方式再一种可读存储介质,其上存储有计算机程序,所述计算机程序被执行时实现本发明实施例公开的所述的综合检测车的多组检测波形的未对齐区段识别方法的步骤。
由此可见,本技术方案对波形对齐效果进行识别与评价,有助于用户了解某些区段波形数据与数据分析结果的可信程度,排除异常数据的干扰,同时,有助于评判波形数据的质量,满足用户在多次检测数据应用中的取舍。
在20世纪90年代,对于一个技术的改进可以很明显地区分是硬件上的改进(例如,对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而,随着技术的发展,当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此,不能说一个方法流程的改进就不能用硬件实体模块来实现。例如,可编程逻辑器件(Programmable Logic Device,PLD)(例如现场可编程门阵列(Field Programmable GateArray,FPGA))就是这样一种集成电路,其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字***“集成”在一片PLD上,而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且,如今,取代手工地制作集成电路芯片,这种编程也多半改用“逻辑编译器(logic compiler)”软件来实现,它与程序开发撰写时所用的软件编译器相类似,而要编译之前的原始代码也得用特定的编程语言来撰写,此称之为硬件描述语言(Hardware Description Language,HDL),而HDL也并非仅有一种,而是有许多种,如ABEL(Advanced Boolean Expression Language)、AHDL(Altera Hardware DescriptionLanguage)、Confluence、CUPL(Cornell University Programming Language)、HDCal、JHDL(Java Hardware Description Language)、Lava、Lola、MyHDL、PALASM、RHDL(RubyHardware Description Language)等,目前最普遍使用的是VHDL(Very-High-SpeedIntegrated Circuit Hardware Description Language)与Verilog2。本领域技术人员也应该清楚,只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中,就可以很容易得到实现该逻辑方法流程的硬件电路。
本领域技术人员也知道,除了以纯计算机可读程序代码方式实现客户端和服务器以外,完全可以通过将方法步骤进行逻辑编程来使得客户端和服务器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种客户端和服务器可以被认为是一种硬件部件,而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至,可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
通过以上的实施方式的描述可知,本领域的技术人员可以清楚地了解到本申请可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解,本申请的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)执行本申请各个实施方式或者实施方式的某些部分所述的方法。
本说明书中的各个实施方式均采用递进的方式描述,各个实施方式之间相同相似的部分互相参见即可,每个实施方式重点说明的都是与其他实施方式的不同之处。尤其,针对客户端和服务器的实施方式来说,均可以参照前述方法的实施方式的介绍对照解释。
本申请可以在由计算机执行的计算机可执行指令的一般上下文中描述,例如程序模块。一般地,程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本申请,在这些分布式计算环境中,由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中,程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
虽然通过实施方式描绘了本申请,本领域普通技术人员知道,本申请有许多变形和变化而不脱离本申请的精神,希望所附的权利要求包括这些变形和变化而不脱离本申请的精神。
Claims (14)
1.一种综合检测车的多组检测波形的未对齐区段识别方法,其特征在于,包括:
获取至少两组检测波形;其中,每组检测波形对应的线路、行别、里程区间均一致;
对每组检测波形进行预处理,所述对每组检测波形进行预处理的步骤包括:判断目标区段内各检测波形的采样点数之间差别是否超过阈值;如果超过阈值,则遍历目标区段内各子区段对应的检测波形的采样点,在相邻两采样点对应里程相差超过阈值M,进行插值处理,且***的数值为0;插值处理之后,获得各子区段对应的检测波形的序列长度,如果采样点数目超过阈值N,则进行降采样处理;其中,M、N均根据经验确定;
对预处理后的检测波形进行特征提取,获得特征信息,所述特征信息包括:当前区段的检测波形间的相关系数、当前区段的检测波形间的均方误差、当前区段的检测波形间的对齐均匀性、大于0.5的中间参数、小于0.2的中间参数、小于0的中间参数、中间参数的最大值、中间参数的最小值、上一区段的检测波形间的均方误差、上一区段的检测波形间的相关系数、当前区段的检测速度的最小值、连续大于0的10米区段相关系数;
将所述特征信息输入至目标区段的识别模型,获得疑似未对齐区段的置信度;
根据所述疑似未对齐区段的置信度识别出目标区段内未对齐区段。
2.如权利要求1所述的方法,其特征在于,还包括:
根据识别出的目标区段内未对齐区段及对应的未对齐区段的置信度对检测波形的对齐效果进行评价。
3.如权利要求1或2所述的方法,其特征在于,所述目标区段的识别模型采用SVM训练获得。
4.如权利要求2所述的方法,其特征在于,对检测波形的对齐效果进行评价包括:
获得一组检测波形的对齐质量和当前次检测波形的对齐质量。
5.如权利要求4所述的方法,其特征在于,所述当前次检测波形的对齐质量根据所述目标区段内未对齐区段的里程长度、该区段内检测波形未对齐的置信度、目标区段的里程长度、无效的里程长度获得。
6.如权利要求4所述的方法,其特征在于,所述一组检测波形的对齐质量根据当前次检测波形的对齐效果和所述目标区段的检测波形的个数获得。
7.一种综合检测车的多组检测波形的未对齐区段识别装置,其特征在于,包括:
检测波形获取单元,用于获取至少两组检测波形;其中,每组检测波形对应的线路、行别、里程区间均一致;
预处理单元,用于对每组检测波形进行预处理,所述对每组检测波形进行预处理的步骤包括:判断目标区段内各检测波形的采样点数之间差别是否超过阈值;如果超过阈值,则遍历目标区段内各子区段对应的检测波形的采样点,在相邻两采样点对应里程相差超过阈值M,进行插值处理,且***的数值为0;插值处理之后,获得各子区段对应的检测波形的序列长度,如果采样点数目超过阈值N,则进行降采样处理;其中,M、N均根据经验确定;
特征提取单元,用于对预处理后的检测波形进行特征提取,获得特征信息,所述特征信息包括:当前区段的检测波形间的相关系数、当前区段的检测波形间的均方误差、当前区段的检测波形间的对齐均匀性、大于0.5的中间参数、小于0.2的中间参数、小于0的中间参数、中间参数的最大值、中间参数的最小值、上一区段的检测波形间的均方误差、上一区段的检测波形间的相关系数、当前区段的检测速度的最小值、连续大于0的10米区段相关系数;
置信度获取单元,用于将所述特征信息输入至目标区段的识别模型,获得疑似未对齐区段的置信度;
识别单元,用于根据所述疑似未对齐区段的置信度识别出目标区段内未对齐区段。
8.如权利要求7所述的装置,其特征在于,还包括:
评价单元,用于根据识别出的目标区段内未对齐区段及对应的未对齐区段的置信度对检测波形的对齐效果进行评价。
9.如权利要求7或8所述的装置,其特征在于,还包括:
识别模型建立单元,用于采用SVM训练获得所述目标区段的识别模型。
10.如权利要求8所述的装置,其特征在于,所述评价单元用于获得一组检测波形的对齐质量和当前次检测波形的对齐质量。
11.如权利要求10所述的装置,其特征在于,所述评价单元根据所述目标区段内未对齐区段的里程长度、该区段内检测波形未对齐的置信度、目标区段的里程长度、无效的里程长度获得所述当前次检测波形的对齐质量。
12.如权利要求10所述的装置,其特征在于,所述评价单元根据当前次检测波形的对齐效果和所述目标区段的检测波形的个数获得所述一组检测波形的对齐质量。
13.一种电子设备,包括存储器、处理器以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,其特征在于,所述处理器执行所述计算机程序时实现权利要求1~6任意一项权利要求所述的综合检测车的多组检测波形的未对齐区段识别方法。
14.一种可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被执行时实现权利要求1~6任意一项权利要求所述的综合检测车的多组检测波形的未对齐区段识别方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810845096.XA CN109145764B (zh) | 2018-07-27 | 2018-07-27 | 综合检测车的多组检测波形的未对齐区段识别方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810845096.XA CN109145764B (zh) | 2018-07-27 | 2018-07-27 | 综合检测车的多组检测波形的未对齐区段识别方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109145764A CN109145764A (zh) | 2019-01-04 |
CN109145764B true CN109145764B (zh) | 2020-10-27 |
Family
ID=64798553
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810845096.XA Active CN109145764B (zh) | 2018-07-27 | 2018-07-27 | 综合检测车的多组检测波形的未对齐区段识别方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109145764B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109910949B (zh) * | 2019-03-14 | 2020-05-19 | 北京锦鸿希电信息技术股份有限公司 | 断轨检测的方法、装置及*** |
CN110197133B (zh) * | 2019-05-13 | 2021-06-25 | 中国铁路总公司 | 将检测波形进行对齐的方法和装置 |
CN110289014B (zh) * | 2019-05-21 | 2021-11-19 | 华为技术有限公司 | 一种语音质量检测方法及电子设备 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102360454A (zh) * | 2011-10-12 | 2012-02-22 | 北京交通大学 | 基于narx神经网络的轮轨力预测方法 |
CN102663352A (zh) * | 2012-03-23 | 2012-09-12 | 华南理工大学 | 一种轨道识别方法 |
CN103955923A (zh) * | 2014-04-18 | 2014-07-30 | 南京理工大学 | 一种快速的基于图像的路面病害检测方法 |
CN108107324A (zh) * | 2017-12-22 | 2018-06-01 | 北京映翰通网络技术股份有限公司 | 一种基于深度卷积神经网络的配电网故障定位方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
RU2629433C2 (ru) * | 2012-02-23 | 2017-08-29 | Ниссан Мотор Ко., Лтд. | Устройство обнаружения трехмерных объектов |
-
2018
- 2018-07-27 CN CN201810845096.XA patent/CN109145764B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102360454A (zh) * | 2011-10-12 | 2012-02-22 | 北京交通大学 | 基于narx神经网络的轮轨力预测方法 |
CN102663352A (zh) * | 2012-03-23 | 2012-09-12 | 华南理工大学 | 一种轨道识别方法 |
CN103955923A (zh) * | 2014-04-18 | 2014-07-30 | 南京理工大学 | 一种快速的基于图像的路面病害检测方法 |
CN108107324A (zh) * | 2017-12-22 | 2018-06-01 | 北京映翰通网络技术股份有限公司 | 一种基于深度卷积神经网络的配电网故障定位方法 |
Non-Patent Citations (1)
Title |
---|
铁路轨道不平顺波长及病害波形的定位方法;徐;《中南大学学报(自然科学版)》;20171130;第3060-3068页 * |
Also Published As
Publication number | Publication date |
---|---|
CN109145764A (zh) | 2019-01-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110336534B (zh) | 一种基于光伏阵列电气参数时间序列特征提取的故障诊断方法 | |
US11586913B2 (en) | Power equipment fault detecting and positioning method of artificial intelligence inference fusion | |
Huang et al. | Structure dictionary learning-based multimode process monitoring and its application to aluminum electrolysis process | |
CN105279365B (zh) | 用于学习异常检测的样本的方法 | |
CN109145764B (zh) | 综合检测车的多组检测波形的未对齐区段识别方法及装置 | |
US20150219530A1 (en) | Systems and methods for event detection and diagnosis | |
CN111562108A (zh) | 一种基于cnn和fcmc的滚动轴承智能故障诊断方法 | |
CN112036074A (zh) | 一种高脉冲密度环境下雷达信号分选方法及*** | |
CN110991471B (zh) | 一种高速列车牵引***故障诊断方法 | |
US20230316051A1 (en) | Pre-alarming method for rotary stall of compressors based on temporal dilated convolutional neural network | |
US20220027230A1 (en) | Predicting Equipment Fail Mode from Process Trace | |
KR20210141784A (ko) | Ai 기반으로 딥 러닝 네트워크를 학습시키는 방법 및 이를 이용한 학습 장치 | |
CN114417699A (zh) | 泵阀故障检测方法 | |
Gu et al. | An improved sensor fault diagnosis scheme based on TA-LSSVM and ECOC-SVM | |
US20220039716A1 (en) | Calibration method for critical point of mental fatigue based on self-organized criticality | |
CN115129504A (zh) | 基于云边端一体化的智慧电网数据处理方法及服务器 | |
CN117668684A (zh) | 基于大数据分析的电网电能数据异常检测方法 | |
CN105182219A (zh) | 一种基于汉明纠错码支持向量机的功率变换器故障分类方法 | |
CN111291918A (zh) | 平稳子空间外源矢量自回归的旋转机械退化趋势预测方法 | |
CN113076235B (zh) | 一种基于状态融合的时序异常检测方法 | |
CN111737993A (zh) | 一种配电网设备的故障缺陷文本提取设备健康状态方法 | |
CN116979690A (zh) | 一种基于物联网的电网远程智能监测***及方法 | |
CN113255771B (zh) | 基于多维异构差异分析的故障诊断方法及*** | |
CN114969638A (zh) | 一种基于模态当量标准化的桥梁性能异常预警方法 | |
CN115482446A (zh) | 基于深度卷积生成对抗网络的轨迹异常检测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |