CN111516727A - 一种基于双测振传感器的高铁钢轨缺陷异常智能诊断检测***及方法 - Google Patents
一种基于双测振传感器的高铁钢轨缺陷异常智能诊断检测***及方法 Download PDFInfo
- Publication number
- CN111516727A CN111516727A CN202010397723.5A CN202010397723A CN111516727A CN 111516727 A CN111516727 A CN 111516727A CN 202010397723 A CN202010397723 A CN 202010397723A CN 111516727 A CN111516727 A CN 111516727A
- Authority
- CN
- China
- Prior art keywords
- vibration
- subsystem
- data
- diagnosis
- rail
- 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.)
- Withdrawn
Links
- 238000003745 diagnosis Methods 0.000 title claims abstract description 108
- 230000007547 defect Effects 0.000 title claims abstract description 43
- 238000001514 detection method Methods 0.000 title claims abstract description 38
- 238000005259 measurement Methods 0.000 title claims abstract description 37
- 238000000034 method Methods 0.000 title claims abstract description 25
- 229910000831 Steel Inorganic materials 0.000 claims abstract description 43
- 239000010959 steel Substances 0.000 claims abstract description 43
- 238000013500 data storage Methods 0.000 claims abstract description 31
- 230000005540 biological transmission Effects 0.000 claims abstract description 25
- 238000007781 pre-processing Methods 0.000 claims abstract description 17
- 238000007726 management method Methods 0.000 claims abstract description 9
- 230000002159 abnormal effect Effects 0.000 claims abstract description 4
- 238000012545 processing Methods 0.000 claims abstract 2
- 238000004364 calculation method Methods 0.000 claims description 17
- 238000005516 engineering process Methods 0.000 claims description 12
- 238000012423 maintenance Methods 0.000 claims description 10
- 230000001133 acceleration Effects 0.000 claims description 9
- 230000009977 dual effect Effects 0.000 claims description 8
- 238000012544 monitoring process Methods 0.000 claims description 7
- 238000005452 bending Methods 0.000 claims description 6
- 230000005856 abnormality Effects 0.000 claims description 5
- 238000011156 evaluation Methods 0.000 claims description 5
- 238000012774 diagnostic algorithm Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 claims description 4
- 241001669679 Eleotris Species 0.000 claims description 3
- 238000007689 inspection Methods 0.000 claims description 3
- 230000003137 locomotive effect Effects 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 2
- 238000012360 testing method Methods 0.000 claims 2
- 230000005284 excitation Effects 0.000 claims 1
- 238000005457 optimization Methods 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000010223 real-time analysis Methods 0.000 description 1
- 238000011897 real-time detection Methods 0.000 description 1
- 238000007430 reference method Methods 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
Images
Classifications
-
- 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
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B61—RAILWAYS
- B61L—GUIDING RAILWAY TRAFFIC; ENSURING THE SAFETY OF RAILWAY TRAFFIC
- B61L23/00—Control, warning or like safety means along the route or between vehicles or trains
- B61L23/04—Control, warning or like safety means along the route or between vehicles or trains for monitoring the mechanical state of the route
- B61L23/042—Track changes detection
- B61L23/047—Track or rail movements
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N19/00—Investigating materials by mechanical methods
- G01N19/08—Detecting presence of flaws or irregularities
Landscapes
- Engineering & Computer Science (AREA)
- Mechanical Engineering (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
- Machines For Laying And Maintaining Railways (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明公开了一种基于双测振传感器的高铁钢轨缺陷异常智能诊断检测***及方法。所述振动智能诊断检测***包括下述子***:双测振传感器子***,用于实时采集高铁钢轨的全频段振动数据;数据传输子***,用于将双测振传感器子***采集到的数据向云端服务器实时传输;云端数据存储子***,用于存储振动源数据、预处理数据和诊断结果数据;云端智能诊断子***用于对振动源数据进行预处理和诊断计算,生成诊断检测结果;诊断结果预警提示子***,用于向高铁路段检修及管理人员推送诊断检测结果信息;所述方法是基于该***的一套高铁钢轨缺陷异常振动智能诊断检测处理流程。
Description
技术领域
本发明属于高铁设备故障监测技术领域,尤其是一种基于双测振传感器的高铁钢轨缺陷异常智能诊断检测***及方法。
背景技术
高速铁路已经成为我国民众的主要出行方式之一,确保高铁安全可靠运行对于国民经济发展极其重要,因此,适应高铁的轨道检测技术发展非常迅速,采用综合检测及评估技术对高铁基础设施的状态进行等速实时检测和分析评价,已成为保障高铁运行安全和指导养护维修所必不可少的技术手段。
目前,我国高铁轨道等速检测技术已经引领国际水平,例如:高速铁路毫米级轨道长波不平顺动态检测、***坡度动态实时精确检测、高速弓网接触与非接触测量、精确时空同步定位、轨道不平顺谱、车辆/轨道***状态综合评价、动态轮轨力连续测量等多项关键技术。普遍采用光纤数字陀螺和高速激光数字摄像传感器技术,通过惯性基准法、非接触测量方式实现350 km/h高速检测能力。检测参数包括:(1)轨道几何状态检测:短波、中波、长波高低和轨向,轨距,水平,三角坑,线路坡度,线路平断面、纵断面曲率(半径)等;(2)车辆动态响应检测:车体、构架、轴箱加速度;(3)其他辅助检测:速度、里程、桥梁、道岔等地面标志检测。虽然,高铁轨道等速检测技术非常成熟,但是高铁安全监控体系是一个综合***工程,特别是高铁轨道的缺陷异常发生是一个历史过程,存在轨道未发生明显几何形变而材质已发生内部缺陷异常的隐患情况,即无几何形变轨道缺陷异常,这种缺陷异常隐患随时会转化为突然的几何形变和轨道事故,需要填补相关诊断技术空白。
为此,我司专门对高速铁路无几何形变轨道缺陷异常的诊断方法进行了深入研究,提出了利用固定间距钢轨振动参数检测技术,及时识别发现高铁轨道缺陷异常特征,在此基础,发明了一种基于双测振传感器的高铁钢轨缺陷异常智能诊断检测***及方法。
发明内容
为了解决上述现有技术中存在的问题,本发明提供一种基于双测振传感器的高铁钢轨缺陷异常智能诊断检测***及方法。
第一方面,本发明提供如下技术方案:一种基于双测振传感器的高铁钢轨缺陷异常智能诊断检测***。其特征在于,包括下述子***:双测振传感器子***(1),用于实时采集高铁钢轨的全频段振动数据;数据传输子***(2),用于将双测振传感器子***采集到的数据向云端服务器实时传输;云端数据存储子***(3),用于存储振动源数据、预处理数据和诊断结果数据;云端智能诊断子***(4)用于对振动源数据进行预处理和诊断计算,生成诊断检测结果;诊断结果预警提示子***(4),用于向高铁路段检修及管理人员推送诊断检测结果信息。所述双测振传感器子***(1)和数据传输子***(2)相连,数据传输子***(2)和云端数据存储子***(3)相连,云端数据存储子***(3)和云端智能诊断子***(4)相连,云端智能诊断子***(4)和诊断结果预警提示子***(5)相连。
优选的,所述双测振传感器子***(1)在高铁钢轨上每间隔200米定点安装双测振传感器:一个速度测振传感器采集低频振动数据(0-1KHZ),一个加速度测振传感器采集高频振动数据(1-5KHZ),利用边缘计算技术,有效采集高速列车经过时钢轨振动的全频段(0-5KHZ)数据信号;
优选的,所述双测振传感器子***(1)采用了边缘计算技术,边缘计算模块实现以下功能:1)双传感器的监测数据互校验,保证采集数据的有效性,避免加速度传感器出现漂移,因为自身物理特性的原因,加速度传感器在使用过程中容易出现数据漂移问题;2)双传感器数据去噪和吻合,形成0-5K全频段的数据;3)前端数据类型辨别,区分无列车通过数据和有列车通过数据;
优选的,所述数据传输子***(2)将双测振传感器子***采集到的数据向云端服务器实时传输。通过高铁沿线上的4G无线网络把采集数据传输给云端诊断中心,形成缺陷异常诊断源数据库;
优选的,所述云端数据存储子***(3)存储振动源数据、预处理数据和诊断结果数据;
优选的,所述云端智能诊断子***(4)提出了一套可有效表征高铁钢轨缺陷异常的振动参数指标集,振动参数指标集包括:时域均方根sqrt(∑x(i)*x(i)/N);峰频频率f(k)、峰频功率值w{f(k)}、主频位置Max{ f(k)}计四指标组合;
优选的,所述云端智能诊断子***(4)建立了每个参数指标与钢轨缺陷异常的初步函数关系,并建立钢轨缺陷异常指标特征知识库,库内容如下:
客车车体垂向振动。对应峰频频率f(k)=1.5hz-1.6hz,为轨道结构第一个振动主频;
转向架振动。对应峰频频率f(k)=3hz,轨道结构第二个振动主频;
地面振动。对应峰频频率f(k)=4hz-50hz,主频Max{ f(k)}在20hz以下,一般为5hz,为列车运行引起地基瑞利波(面波);
轨道结构***振动。f(k)= 40hz-400hz;包括:钢轨、轨枕、道床;
轨枕、道床振动。对应峰频频率f(k)=65hz;
轨枕振动。对应峰频频率f(k)=155hz;
道床振动。对应峰频频率f(k)=170hz;
钢轨振动。对应峰频频率f(k)大于400Hz,峰频1300hz;是点支承于轨下基础的钢轨一阶弯曲共振频率,该频率值大小是由钢轨质量、钢轨抗弯刚度与轨枕间距三个参数决定的;
钢轨波磨主频(高速铁路无砟轨道线路)。对应峰频频率f(k)=1150~1500Hz;计算公式为:f=1000*v/(3.6*λ),其中,v(km/h)为列车运行速度,λ(m)为钢轨波磨波长。对应波磨波长为0~65mm,与轨道结构振动特性中的钢轨垂向Pinned pinned共振有关;
钢轨波磨次频(高速铁路无砟轨道线路)。对应峰频频率f(k)=600~750Hz;计算公式同上f=1000*v/(3.6*λ)。对应波磨波长为100~125 mm,与钢轨相对于轨道板的垂向弯曲共振有关;
轨头和钢轨横向振动第一频率。。对应峰频频率f(k)=1000Hz~1300Hz;轨头振动的能量要大于轨腰,主频Max{ f(k)}=1072Hz(第21阶);
轨头和钢轨垂直振动第一频率。对应峰频频率f(k)=1000Hz~1300Hz,主频Max{ f(k)}=1072Hz。
轨头和钢轨横向振动第二频率。对应峰频频率f(k)=2800Hz~3800Hz,主频Max{ f(k)}=2848Hz、3243Hz。
轨头和钢轨垂直振动第二频率。对应峰频频率f(k)=2800Hz~3800Hz;轨头垂直振动主频Max{ f(k)}=2848Hz、3243Hz;轨底垂向振动主频Max{ f(k)}=2848Hz、3243Hz、3400Hz~3800Hz。
钢轨垂向激振。对应峰频频率f(k)=2193Hz(第36阶)、2750Hz、2848Hz 和 3243Hz。
优选的,所述云端智能诊断子***(4)根据诊断评估需求,建立起了适合高铁钢轨缺陷异常诊断场景的算法模型:K-邻近算法模型(KNN)。KNN算法中的K值选取为训练样本数的平方根取其整数部分;KNN算法中的分类决策规则中,选择最近的K个样本的样本输出的均方根值作为回归预测值。
优选的,所述诊断结果预警提示子***(5)将诊断出的铁轨路段信息及时预警并通过短信、微信的方式推送给对应路段的检修人员和管理人员。
第二方面,本发明提供了一种基于上述第一方面中所述的基于双测振传感器的高铁钢轨缺陷异常智能诊断检测***的方法,其特征在于,包括:
Programme1:数据采集。现场安装双测振传感器子***(1)和数据传输子***(2),云端数据存储子***(3)设置好采集参数,实时采集钢轨振动数据,并对数据做边缘计算;
Programme2:数据传输。通过数据传输子***(2)将双测振传感器子***(1)采集并做过边缘计算后的数据上传到云端数据存储子***(3);
Programme3:数据存储管理。在云端数据存储子***(3)中浏览、检查、管理源数据质量情况;
Programme4:数据预处理。在云端智能诊断子***(4)对源数据按目标数据格式要求进行预处理;
Programme5:诊断模块参数设置。打开云端智能诊断子***(4)中的KNN诊断算法模块,根据轨道参数、路况、机车参数等设置诊断模块相关参数;
Programme6:智能诊断。调用云端智能诊断子***(4)中的诊断模块对钢轨实时监测数据进行诊断,诊断结果存入云端数据存储子***(3);
Programme7:预警提示。诊断结果预警提示子***(5)将诊断结果信息同步推送给高铁路段检修及管理人员,支持及时现场养护或检修派单;
Programme8:诊断模块自学习。定期根据现场检查反馈的诊断准确情况对云端智能诊断子***(4)中的诊断模型进行深度自学习,优化诊断模块的参数设置。
本发明和现有技术相比,其优点在于:
优点一:本技术方案提出的双测振传感器子***(1)方案利用双测振传感器+边缘计算技术,可以有效采集高速列车经过时钢轨振动的全频段(0-5KHZ)数据信号,该振动数据采集方案具有唯一性,先进性。
优点二:本技术方案建立了较为完善的高铁钢轨缺陷异常振动特征知识库,有效覆盖所有钢轨缺陷异常的振动特征,该库具有唯一性,内容较全面特征。
本发明的附加方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到。
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简单地介绍,显而易见地,下面描述中的附图仅仅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,还可根据这些附图获得其他的附图。
图1为本发明***结构示意图;
图2为本发明工作方法示意图;
图1中所示序号:双测振传感器子***(1)、数据传输子***(2)、云端数据存储子***(3)、云端智能诊断子***(4)、诊断结果预警提示子***(5)。
具体实施方式
下面将参照附图更详细地描述本发明公开的示例性实施例,这些实施例是为了能够更透彻地理解本发明,并且能够将本发明公开的范围完整的传达给本领域的技术人员。虽然附图中显示了本发明公开的示例性实施例,然而应当理解,本发明而不应被这里阐述的实施例所限制。
请参阅图1,本发明实施例提供一种基于双测振传感器的高铁钢轨缺陷异常智能诊断检测***,包括双测振传感器子***、数据传输子***、云端数据存储子***、云端智能诊断子***、诊断结果预警提示子***等五个子***,其特征在于,所述双测振传感器子***安装在钢轨一侧,实时采集高铁钢轨的全频段振动数据;所述数据传输子***将双测振传感器子***采集到的数据向云端服务器实时传输;所述云端数据存储子***存储振动源数据、预处理数据和诊断结果数据;所述云端智能诊断子***对振动源数据进行预处理和诊断计算,生成诊断检测结果;所述诊断结果预警提示子***向高铁路段检修及管理人员推送诊断检测结果信息。所述双测振传感器子***和数据传输子***相连,数据传输子***和云端数据存储子***相连,云端数据存储子***和云端智能诊断子***相连,云端智能诊断子***和诊断结果预警提示子***相连。
请参阅图2所示,本发明实施例提供了一种基于双测振传感器的高铁钢轨缺陷异常智能诊断检测***的工作方法,包括:
数据采集。现场安装双测振传感器子***(1)和数据传输子***(2),云端数据存储子***(3)设置好采集参数,实时采集钢轨振动数据,并对数据做边缘计算;
数据传输。通过数据传输子***(2)将双测振传感器子***(1)采集并做过边缘计算后的数据上传到云端数据存储子***(3);
数据存储管理。在云端数据存储子***(3)中浏览、检查、管理源数据质量情况;
数据预处理。在云端智能诊断子***(4)对源数据按目标数据格式要求进行预处理;
诊断模块参数设置。打开云端智能诊断子***(4)中的KNN诊断算法模块,根据轨道参数、路况、机车参数等设置诊断模块相关参数;
智能诊断。调用云端智能诊断子***(4)中的诊断模块对钢轨实时监测数据进行诊断,诊断结果存入云端数据存储子***(3);
预警提示。诊断结果预警提示子***(5)将诊断结果信息同步推送给高铁路段检修及管理人员,支持及时现场养护或检修派单;
诊断模块自学习。定期根据现场检查反馈的诊断准确情况对云端智能诊断子***(4)中的诊断模型进行深度自学习,优化诊断模块的参数设置。
尽管已经对上述各实施例进行了描述,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例做出另外的变更和修改,所以以上仅为本发明的实施例,并非因此限制本发明的专利保护范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围之内。
Claims (8)
1.一种基于双测振传感器的高铁钢轨缺陷异常智能诊断检测***及方法,其特征在于,包括下述子***:双测振传感器子***(1),用于实时采集高铁钢轨的全频段振动数据;数据传输子***(2),用于将双测振传感器子***采集到的数据向云端服务器实时传输;云端数据存储子***(3),用于存储振动源数据、预处理数据和诊断结果数据;云端智能诊断子***(4)用于对振动源数据进行预处理和诊断计算,生成诊断检测结果;诊断结果预警提示子***(4),用于向高铁路段检修及管理人员推送诊断检测结果信息;所述双测振传感器子***(1)和数据传输子***(2)相连,数据传输子***(2)和云端数据存储子***(3)相连,云端数据存储子***(3)和云端智能诊断子***(4)相连,云端智能诊断子***(4)和诊断结果预警提示子***(5)相连;包括基于该***的一套高铁钢轨缺陷异常智能诊断检测处理流程方法。
2.根据权利要求1所述的基于双测振传感器的高铁钢轨缺陷异常智能诊断检测***,其特征在于,所述双测振传感器子***(1)用于实时采集高铁钢轨的全频段振动数据;在高铁钢轨上每间隔200米定点安装双测振传感器:一个速度测振传感器采集低频振动数据(0-1KHZ),一个加速度测振传感器采集高频振动数据(1-5KHZ),利用边缘计算技术,有效采集高速列车经过时钢轨振动的全频段(0-5KHZ)数据信号;其中,边缘计算模块实现以下功能:1)双传感器的监测数据互校验,保证采集数据的有效性,避免加速度传感器出现漂移,因为自身物理特性的原因,加速度传感器在使用过程中容易出现数据漂移问题;2)双传感器数据去噪和吻合,形成0-5K全频段的数据;3)前端数据类型辨别,区分无列车通过数据和有列车通过数据。
3.根据权利要求1所述的基于双测振传感器的高铁钢轨缺陷异常智能诊断检测***,其特征在于,所述数据传输子***(2)用于将双测振传感器子***采集到的数据向云端服务器实时传输;通过高铁沿线上的4G无线网络把采集数据传输给云端诊断中心,形成缺陷异常诊断源数据库。
4.根据权利要求1所述的基于双测振传感器的高铁钢轨缺陷异常振动智能诊断检测***,其特征在于,所述云端数据存储子***(3)用于存储振动源数据、预处理数据和诊断结果数据。
5.根据权利要求1所述的基于双测振传感器的高铁钢轨缺陷异常智能诊断检测***,其特征在于,所述云端智能诊断子***(4)建立了一套可有效表征高铁钢轨缺陷异常的振动参数指标集、一个较为完善的钢轨缺陷异常指标特征知识库、一个可有效识别高铁钢轨缺陷异常的AI诊断算法模型,支持对钢轨振动源数据进行预处理、指标计算、诊断计算和模型深度优化自学习;具体包括:1)振动参数指标集,通过现场试验和行业经验总结,筛选出了一套可有效表征高铁钢轨缺陷异常的振动参数指标集;振动参数指标集包括:时域均方根sqrt(∑x(i)*x(i)/N);峰频频率f(k)、峰频功率值w{f(k)}、主频位置Max{ f(k)}计四指标组合;
2)钢轨缺陷异常指标特征知识库,根据现场试验和行业经验总结,初步建立了每个参数指标与钢轨缺陷异常的初步函数关系,构建了钢轨缺陷异常指标特征知识库;
库内容如下:
客车车体垂向振动:
对应峰频频率f(k)=1.5hz-1.6hz,为轨道结构第一个振动主频;
转向架振动:
对应峰频频率f(k)=3hz,轨道结构第二个振动主频;
地面振动:
对应峰频频率f(k)=4hz-50hz,主频Max{ f(k)}在20hz以下,一般为5hz,为列车运行引起地基瑞利波(面波);
轨道结构***振动:
f(k)= 40hz-400hz;包括:钢轨、轨枕、道床;
轨枕、道床振动:
对应峰频频率f(k)=65hz;
轨枕振动:
对应峰频频率f(k)=155hz;
道床振动:
对应峰频频率f(k)=170hz;
钢轨振动:
对应峰频频率f(k)大于400Hz,峰频1300hz;是点支承于轨下基础的钢轨一阶弯曲共振频率,该频率值大小是由钢轨质量、钢轨抗弯刚度与轨枕间距三个参数决定的;
钢轨波磨主频(高速铁路无砟轨道线路):
对应峰频频率f(k)=1150~1500Hz;计算公式为:f=1000*v/(3.6*λ),其中,v(km/h)为列车运行速度,λ(m)为钢轨波磨波长:
对应波磨波长为0~65mm,与轨道结构振动特性中的钢轨垂向Pinned pinned共振有关;
钢轨波磨次频(高速铁路无砟轨道线路):
对应峰频频率f(k)=600~750Hz;计算公式同上f=1000*v/(3.6*λ);
对应波磨波长为100~125 mm,与钢轨相对于轨道板的垂向弯曲共振有关;
轨头和钢轨横向振动第一频率:
对应峰频频率f(k)=1000Hz~1300Hz;轨头振动的能量要大于轨腰,主频Max{ f(k)}=1072Hz(第21阶);
轨头和钢轨垂直振动第一频率;
对应峰频频率f(k)=1000Hz~1300Hz,主频Max{ f(k)}=1072Hz;
轨头和钢轨横向振动第二频率;
对应峰频频率f(k)=2800Hz~3800Hz,主频Max{ f(k)}=2848Hz、3243Hz;
轨头和钢轨垂直振动第二频率;
对应峰频频率f(k)=2800Hz~3800Hz;轨头垂直振动主频Max{ f(k)}=2848Hz、3243Hz;轨底垂向振动主频Max{ f(k)}=2848Hz、3243Hz、3400Hz~3800Hz;
钢轨垂向激振;
对应峰频频率f(k)=2193Hz(第36阶)、2750Hz、2848Hz 和 3243Hz;
3)AI诊断算法模型;
根据诊断评估需求,建立起了适合高铁钢轨缺陷异常诊断场景的算法模型:K-邻近算法模型(KNN);
KNN算法中的K值选取为训练样本数的平方根取其整数部分;KNN算法中的分类决策规则中,选择最近的K个样本的样本输出的均方根值作为回归预测值。
6.根据权利要求1所述的基于双测振传感器的高铁钢轨缺陷异常智能诊断检测***,其特征在于,所述诊断结果预警提示子***(5)用于向高铁路段检修及管理人员推送诊断检测结果信息;具体对于存在问题的铁轨路段信息及时进行预警并通过短信、微信的方式推送给对应路段的检修人员和管理人员。
7.根据权利要求1所述的基于双测振传感器的高铁钢轨缺陷异常智能诊断检测***,其特征在于,所述双测振传感器子***(1)和数据传输子***(2)相连,数据传输子***(2)和云端数据存储子***(3)相连,云端数据存储子***(3)和云端智能诊断子***(4)相连,云端智能诊断子***(4)和诊断结果预警提示子***(5)相连。
8.根据权利要求1所述的基于双测振传感器的高铁钢轨缺陷异常智能诊断检测***及方法,其特征在于,基于所述的基于双测振传感器的高铁钢轨缺陷异常振动智能诊断检测***,提供了一种高铁钢轨缺陷异常振动智能诊断检测的方法流程;
数据采集:
现场安装双测振传感器子***(1)和数据传输子***(2),云端数据存储子***(3)设置好采集参数,实时采集钢轨振动数据,并对数据做边缘计算;
数据传输:
通过数据传输子***(2)将双测振传感器子***(1)采集并做过边缘计算后的数据上传到云端数据存储子***(3);
数据存储管理:
在云端数据存储子***(3)中浏览、检查、管理源数据质量情况;
数据预处理:
在云端智能诊断子***(4)对源数据按目标数据格式要求进行预处理;
诊断模块参数设置:
打开云端智能诊断子***(4)中的KNN诊断算法模块,根据轨道参数、路况、机车参数等设置诊断模块相关参数;
智能诊断:
调用云端智能诊断子***(4)中的诊断模块对钢轨实时监测数据进行诊断,诊断结果存入云端数据存储子***(3);
预警提示:
诊断结果预警提示子***(5)将诊断结果信息同步推送给高铁路段检修及管理人员,支持及时现场养护或检修派单;
诊断模块自学习:
定期根据现场检查反馈的诊断准确情况对云端智能诊断子***(4)中的诊断模型进行深度自学习,优化诊断模块的参数设置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010397723.5A CN111516727A (zh) | 2020-05-12 | 2020-05-12 | 一种基于双测振传感器的高铁钢轨缺陷异常智能诊断检测***及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010397723.5A CN111516727A (zh) | 2020-05-12 | 2020-05-12 | 一种基于双测振传感器的高铁钢轨缺陷异常智能诊断检测***及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111516727A true CN111516727A (zh) | 2020-08-11 |
Family
ID=71908851
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010397723.5A Withdrawn CN111516727A (zh) | 2020-05-12 | 2020-05-12 | 一种基于双测振传感器的高铁钢轨缺陷异常智能诊断检测***及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111516727A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114036808A (zh) * | 2022-01-10 | 2022-02-11 | 中铁大桥科学研究院有限公司 | 一种高铁大跨斜拉桥无砟轨道疲劳参数智能识别监测方法 |
CN114633774A (zh) * | 2022-03-30 | 2022-06-17 | 东莞理工学院 | 一种基于人工智能的轨道交通故障检测*** |
WO2023123373A1 (zh) * | 2021-12-31 | 2023-07-06 | 深圳市韶音科技有限公司 | 振动信号源定位方法、***及介质 |
CN117745243A (zh) * | 2024-01-05 | 2024-03-22 | 北京九州铁物轨道科技服务有限公司 | 一种地铁钢轨廓形打磨控制管理***及方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102211595A (zh) * | 2011-03-04 | 2011-10-12 | 陈国英 | 轨道线路动态信息采集器装置 |
CN106406296A (zh) * | 2016-12-14 | 2017-02-15 | 东北大学 | 一种基于车载和云端的列车故障诊断***及方法 |
CN106730472A (zh) * | 2016-12-19 | 2017-05-31 | 重庆旺德福金属结构有限公司 | 一种电力铁塔攀登安全挂轨 |
CN108591104A (zh) * | 2018-04-18 | 2018-09-28 | 广东寰球智能科技有限公司 | 一种基于云平台的风机故障预测与健康管理***、方法 |
-
2020
- 2020-05-12 CN CN202010397723.5A patent/CN111516727A/zh not_active Withdrawn
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102211595A (zh) * | 2011-03-04 | 2011-10-12 | 陈国英 | 轨道线路动态信息采集器装置 |
CN106406296A (zh) * | 2016-12-14 | 2017-02-15 | 东北大学 | 一种基于车载和云端的列车故障诊断***及方法 |
CN106730472A (zh) * | 2016-12-19 | 2017-05-31 | 重庆旺德福金属结构有限公司 | 一种电力铁塔攀登安全挂轨 |
CN108591104A (zh) * | 2018-04-18 | 2018-09-28 | 广东寰球智能科技有限公司 | 一种基于云平台的风机故障预测与健康管理***、方法 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023123373A1 (zh) * | 2021-12-31 | 2023-07-06 | 深圳市韶音科技有限公司 | 振动信号源定位方法、***及介质 |
CN114036808A (zh) * | 2022-01-10 | 2022-02-11 | 中铁大桥科学研究院有限公司 | 一种高铁大跨斜拉桥无砟轨道疲劳参数智能识别监测方法 |
CN114633774A (zh) * | 2022-03-30 | 2022-06-17 | 东莞理工学院 | 一种基于人工智能的轨道交通故障检测*** |
CN117745243A (zh) * | 2024-01-05 | 2024-03-22 | 北京九州铁物轨道科技服务有限公司 | 一种地铁钢轨廓形打磨控制管理***及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111516727A (zh) | 一种基于双测振传感器的高铁钢轨缺陷异常智能诊断检测***及方法 | |
CN107215353B (zh) | 一种轨道结构病害的远程监控预警方法 | |
CN110789566B (zh) | 基于轴箱加速信号的轨道缺陷监测方法及监测设备 | |
Hoelzl et al. | On-board monitoring for smart assessment of railway infrastructure: A systematic review | |
CN103031787A (zh) | 全自动精密监测轨道几何参数变化方法及装置 | |
US20210009175A1 (en) | System and method for extracting and processing railway-related data | |
WO2019185873A1 (en) | System and method for detecting and associating railway related data | |
Balouchi et al. | Development of railway track condition monitoring from multi-train in-service vehicles | |
CN112368200A (zh) | 铁路维护计划 | |
CN214028661U (zh) | 地铁车辆运行品质监测*** | |
CN113988326A (zh) | 一种地铁设备维修优化方法及*** | |
CN111332338A (zh) | 一种轨道病害检测*** | |
CN116767307A (zh) | 一种轨道交通的动态不平顺测量***及轮轨关系评估方法 | |
CN210707430U (zh) | 道岔运用在线状态监测*** | |
CN116252820A (zh) | 改进频域积分法驱动的高速列车车轮多边形定量检测方法 | |
CN112004734A (zh) | 用于提取和处理轨道相关数据的***和方法 | |
CN110346601A (zh) | 预制道床姿态监测***及监测方法 | |
Larsson | Enhanced Condition Monitoring of Railway Vehicles using Rail-mounted Sensors. | |
CN203144853U (zh) | 全自动精密监测轨道几何参数变化的装置 | |
CN113624140A (zh) | 一种轨道车辆轮饼参数在线测量装置及方法 | |
CN116443081B (zh) | 基于动力学响应的轨道列车运行间距实时自动获取方法 | |
Feng et al. | A dynamic and quantitative method for measuring wheel flats and abrasion of trains | |
CN211032592U (zh) | 一种高速动车组基于车轴异常振动的轨道检测*** | |
CN220708323U (zh) | 一种接触网硬点和受电弓应力检测*** | |
CN112816048B (zh) | 一种动车组轮重检测***及方法 |
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 | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20200811 |
|
WW01 | Invention patent application withdrawn after publication |