CN111882599A - 一种钢轨磨损的数据处理方法、装置及存储介质 - Google Patents

一种钢轨磨损的数据处理方法、装置及存储介质 Download PDF

Info

Publication number
CN111882599A
CN111882599A CN202010756444.3A CN202010756444A CN111882599A CN 111882599 A CN111882599 A CN 111882599A CN 202010756444 A CN202010756444 A CN 202010756444A CN 111882599 A CN111882599 A CN 111882599A
Authority
CN
China
Prior art keywords
data
rail
circle
cross
preset
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
CN202010756444.3A
Other languages
English (en)
Inventor
李永江
赵齐乐
李少芬
朱惊雷
李光允
刘鹏
陈小朋
王虹博
曾建勇
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.)
Hubei China Rail Transit Research Institute Co ltd
Beidou Guotie Wuhan Intelligent Technology Co ltd
Original Assignee
Hubei China Rail Transit Research Institute Co ltd
Beidou Guotie Wuhan Intelligent 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 Hubei China Rail Transit Research Institute Co ltd, Beidou Guotie Wuhan Intelligent Technology Co ltd filed Critical Hubei China Rail Transit Research Institute Co ltd
Priority to CN202010756444.3A priority Critical patent/CN111882599A/zh
Publication of CN111882599A publication Critical patent/CN111882599A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
    • G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
    • G06T7/344—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods involving models
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Quality & Reliability (AREA)
  • Geometry (AREA)
  • Length Measuring Devices By Optical Means (AREA)

Abstract

本申请提供的一种钢轨磨损的数据处理方法、装置及存储介质，涉及轨道交通检测领域。获取传感器采集的钢轨内侧的横截面轮廓数据；根据预设算法，在所述横截面轮廓数据中选取所述钢轨的轨底数据和轨腰数据；根据所述轨底数据和所述轨腰数据拟合获取所述钢轨中预设位置对应的特征圆的圆心坐标，其中，所述预设位置为预设圆弧位置；根据所述特征圆的圆心坐标，将所述特征圆和预设标准圆进行匹配，获取所述钢轨的磨损参数。通过拟合特征圆，实现了钢轨轮廓的传感器测量数据与预设标准数据的精确匹配，提高了钢轨磨损值的检测精度。

Description

一种钢轨磨损的数据处理方法、装置及存储介质
技术领域
本申请涉及轨道交通检测领域，具体而言，涉及一种钢轨磨损的数据处理方法、装置及存储介质。
背景技术
钢轨是铁路轨道的组成部件，主要用于引导机车车辆的车轮前进，承受车轮上的压力，并将该力传递到轨枕上。随着铁路的快速发展，重载列车和高速列车在铁路运输业中的地位越来越重要，而重载列车和高速列车的存在使得钢轨受到磨损、形变增大，当线路上使用的钢轨达到了重伤程度，就会影响行车安全。
钢轨磨损是指车轮与钢轨之间摩擦使钢轨头部产生磨损的现象，磨损导致缩短了钢轨自身寿命，增加了养护工作量与养护成本；影响着车辆运行品质和旅客舒适度；导致铁路车辆非正常运行，使得车辆部分零部件大大缩短了使用时间；严重时甚至关系到列车运行安全。为此，需要定期的对钢轨表面的磨损度进行检测，以保证列车的运行安全。
现有钢轨磨损检测方法主要为，采用激光传感器获取钢轨的横截面轮廓，再通过一系列的坐标转换与标准钢轨模型配准，计算磨耗点处的钢轨坐标变化量，检测精度不高。
发明内容
为了解决现有技术中存在的问题，本申请提供了一种钢轨磨损的数据处理方法、装置及存储介质。
为实现上述目的，本申请采用的技术方案为：
本申请第一方面提供一种钢轨磨损的数据处理方法，包括：
获取传感器采集的钢轨内侧的横截面轮廓数据；
根据预设算法，在所述横截面轮廓数据中选取所述钢轨的轨底数据和轨腰数据；
根据所述轨底数据和所述轨腰数据拟合获取所述钢轨中预设位置对应的特征圆的圆心坐标，其中，所述预设位置为预设圆弧位置；
根据所述特征圆的圆心坐标，将所述特征圆和预设标准圆进行匹配，获取所述钢轨的磨损参数。
可选地，所述根据预设算法，在所述横截面轮廓数据中选取所述钢轨的轨底数据和轨腰数据之前，包括：
对所述横截面轮廓数据进行滤波，去掉干扰数据，获取滤波后的轮廓数据；
所述根据预设算法，在所述横截面轮廓数据中选取所述钢轨的轨底数据和轨腰数据，包括：
根据预设算法，在所述滤波后的轮廓数据中选取所述钢轨的轨底数据和轨腰数据。
可选地，所述对所述横截面轮廓数据进行滤波，去掉干扰数据，获取滤波后的轮廓数据，包括：
根据横截面轮廓数据和标准类型参数，确定所述钢轨的类型；
将所述横截面轮廓数据与所述钢轨的类型对应的标准参数进行比较，确定干扰数据；
去掉所述干扰数据，获取滤波后的轮廓数据。
可选地，所述对所述横截面轮廓数据进行滤波，去掉干扰数据，获取滤波后的轮廓数据，包括：
将所述横截面轮廓数据中的X轴数据和Z轴数据进行中值滤波，获取参考数列；
按照预设规则在所述横截面轮廓数据所在横截面前后取预设个数的横截面轮廓数据作为比较数列；
根据所述参考数列、所述比较数列以及加权算法，计算获取加权系数；
根据所述加权系数和所述比较数列，计算获取所述滤波后的轮廓数据。
可选地，所述根据所述轨底数据和所述轨腰数据拟合获取所述钢轨中预设位置对应的特征圆的圆心坐标，包括：
利用搜寻算法在所述轨底数据和所述轨腰数据中，找出Z轴数据的最大值点；
在所述Z轴数据的最大值点左右各取N个点拟合得到所述特征圆的初始圆心位置；
计算所述Z轴数据的最大值点一定范围内的滤波后的轮廓序列与所述初始圆心位置之间的距离，并与已知的标准圆心半径作差，得到圆心误差值；
当所述圆心误差值大于预设误差时，利用此时所取的所有滤波后的轮廓序列，进行特征圆圆心拟合得到所述半径固定的特征圆位置。
可选地，所述根据预设算法，在所述横截面轮廓数据中选取所述钢轨的轨底数据和轨腰数据，包括：
根据遍历查找算法，在所述横截面轮廓数据中选取所述钢轨的轨底数据和轨腰数据。
可选地，所述根据所述特征圆的圆心坐标，将所述特征圆和预设标准圆进行匹配，获取所述钢轨的磨损参数之前，还包括：
将所述横截面轮廓数据转换至所述预设标准圆所在坐标系，获取所述特征圆在所述预设标准圆所在坐标系中的坐标。
本申请第二方面提供一种钢轨磨损的数据处理装置，包括：获取单元、选取单元、拟合单元以及匹配单元；
所述获取单元，用于获取传感器采集的钢轨内侧的横截面轮廓数据；
所述选取单元，用于根据预设算法，在所述横截面轮廓数据中选取所述钢轨的轨底数据和轨腰数据；
所述拟合单元，用于根据所述轨底数据和所述轨腰数据拟合获取所述钢轨中预设位置对应的特征圆的圆心坐标，其中，所述预设位置为预设圆弧位置；
所述匹配单元，用于根据所述特征圆的圆心坐标，将所述特征圆和预设标准圆进行匹配，获取所述钢轨的磨损参数。
可选地，所述装置还包括：滤波单元；
所述滤波单元，用于对所述横截面轮廓数据进行滤波，去掉干扰数据，获取滤波后的轮廓数据；
所述选取单元，用于根据预设算法，在所述滤波后的轮廓数据中选取所述钢轨的轨底数据和轨腰数据。
可选地，所述滤波单元，用于根据横截面轮廓数据和标准类型参数，确定所述钢轨的类型；
将所述横截面轮廓数据与所述钢轨的类型对应的标准参数进行比较，确定干扰数据；
去掉所述干扰数据，获取滤波后的轮廓数据。
可选地，所述滤波单元，用于将所述横截面轮廓数据中的X轴数据和Z轴数据进行中值滤波，获取参考数列；
按照预设规则在所述横截面轮廓数据所在横截面前后取预设个数的横截面轮廓数据作为比较数列；
根据所述参考数列、所述比较数列以及加权算法，计算获取加权系数；
根据所述加权系数和所述比较数列，计算获取所述滤波后的轮廓数据。
可选地，所述拟合单元，用于利用搜寻算法在所述轨底数据和所述轨腰数据中，找出Z轴数据的最大值点；
在所述Z轴数据的最大值点左右各取N个点拟合得到所述特征圆的初始圆心位置；
计算所述Z轴数据的最大值点一定范围内的滤波后的轮廓序列与所述初始圆心位置之间的距离，并与已知的标准圆心半径作差，得到圆心误差值；
当所述圆心误差值大于所述预设误差时，利用此时所取的所有滤波后的轮廓序列，进行特征圆圆心拟合得到所述半径固定的特征圆位置。
可选地，所述选取单元，用于根据遍历查找算法，在所述横截面轮廓数据中选取所述钢轨的轨底数据和轨腰数据。
可选地，所述装置还包括：转换单元；
所述转换单元，用于将所述横截面轮廓数据转换至所述预设标准圆所在坐标系，获取所述特征圆在所述预设标准圆所在坐标系中的坐标。
本申请第三方面提供了一种钢轨磨损的数据处理装置，包括：处理器、存储介质和总线，所述存储介质存储有所述处理器可执行的机器可读指令，当所述装置运行时，所述处理器与所述存储介质之间通过总线通信，所述处理器执行所述机器可读指令，以执行上述第一方面提供的方法。
本申请第四方面提供了一种存储介质，所述存储介质上存储有计算机程序，所述计算机程序被处理器运行时执行如第一方面提供的方法。
本申请提供的钢轨磨损的数据处理方法、装置及存储介质中，获取传感器采集的钢轨内侧的横截面轮廓数据；根据预设算法，在所述横截面轮廓数据中选取所述钢轨的轨底数据和轨腰数据；根据所述轨底数据和所述轨腰数据拟合获取所述钢轨中预设位置对应的特征圆的圆心坐标，其中，所述预设位置为预设圆弧位置；根据所述特征圆的圆心坐标，将所述特征圆和预设标准圆进行匹配，获取所述钢轨的磨损参数。通过拟合特征圆，实现了钢轨轮廓的传感器测量数据与预设标准数据的精确匹配，提高了钢轨磨损值的检测精度。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，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相关的附图。
图1为本申请一实施例提供的钢轨磨损的数据处理方法的流程示意图；
图2为本申请另一实施例提供的钢轨磨损的数据处理方法的流程示意图；
图3为本申请另一实施例提供的钢轨磨损的数据处理方法的流程示意图；
图4为本申请另一实施例提供的钢轨磨损的数据处理方法的流程示意图；
图5为本申请一实施例提供的钢轨磨损的数据处理装置的结构示意图；
图6为本申请另一实施例提供的钢轨磨损的数据处理装置的结构示意图；
图7为本申请另一实施例提供的钢轨磨损的数据处理装置的结构示意图；
图8为本申请一实施例提供的钢轨磨损的数据处理装置的结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。
因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。
此外，若出现术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
需要说明的是，在不冲突的情况下，本申请的实施例中的特征可以相互结合。
钢轨磨损会缩短钢轨自身寿命，增加养护工作量与养护成本；影响着车辆运行品质和旅客舒适度；导致铁路车辆非正常运行，使得车辆部分零部件大大缩短了使用时间；严重时甚至关系到列车运行安全。为此，需要定期的对钢轨表面的磨损度进行检测，以保证列车的运行安全。
现有钢轨磨损检测方法主要为，采用激光传感器获取钢轨的横截面轮廓，再通过一系列的坐标转换与标准钢轨模型配准，计算磨耗点处的钢轨坐标变化量，检测精度不高。
本申请实施例提供了一种钢轨磨损的数据处理方法，用于解决上述技术问题。图1为本申请一实施例提供的钢轨磨损的数据处理方法的流程示意图。如图1所示，该方法包括：
S101、获取传感器采集的钢轨内侧的横截面轮廓数据。
需要说明的是，传感器是利用激光技术进行测量的传感器，包括：二维传感器以及三维传感器等。在本申请实施例中，传感器可以以二维激光传感器为例，通过二维激光传感器对左右钢轨进行激光扫描，获取钢轨轨道轮廓数据。
在本申请实施例中，传感器与钢轨轨道之间的特定安装角度一般在40°到50°之间。需要说明的是，通过传感器与钢轨轨道之间的特定安装角度，使得激光传感器所发射的激光可以涵盖钢轨的轨头、轨腰、轨底等位置，能够全面获取钢轨内侧的横截面轮廓数据，但具体角度在此不作限制。
S102、根据预设算法，在所述横截面轮廓数据中选取所述钢轨的轨底数据和轨腰数据。
在本申请实施例中，通过传感器获取的钢轨轮廓数据涵盖了钢轨的轨头、轨腰、轨底等位置。可以在钢轨的整个轮廓数据中，获取到钢轨的轨底数据和轨腰数据。
需要说明的是，钢轨的轮廓中磨损最大的部分为钢轨的轨头部分。因此，如果直接将钢轨的轨头部分作为参照标准与标准轨道轮廓对比，会产生较大的误差。而轨腰和轨底由于磨损程度较低，或者不产生磨损，利用轨腰与轨底数据作为与标准轨道轮廓数据匹配时的参照标准，可以很大程度上提高钢轨磨损值的获取精度。
S103、根据所述轨底数据和所述轨腰数据拟合获取所述钢轨中预设位置对应的特征圆的圆心坐标。
需要说明的是，在本申请实施例中，预设位置一般是指，钢轨的轨底和轨腰连接处的预设圆弧的位置。
S104、根据所述特征圆的圆心坐标，将所述特征圆和预设标准圆进行匹配，获取所述钢轨的磨损参数。
在本申请实施例中，将拟合出的特征圆的圆心坐标可以作为与标准轨道拟合出的预设标准圆的圆心坐标的匹配基准。
将拟合出的特征圆的圆心与预设标准圆的圆心完全重合之后，可以通过计算传感器采集的横截面轮廓数据的轨头与标准轨道的轨头数据之间的差值，得到该类型钢轨的磨损参数本申请实施例提供的钢轨磨损的数据处理方法中，首先，获取传感器采集的钢轨内侧的横截面轮廓数据；根据预设算法，在所述横截面轮廓数据中选取所述钢轨的轨底数据和轨腰数据；然后，根据所述轨底数据和所述轨腰数据拟合获取所述钢轨中预设位置对应的特征圆的圆心坐标，其中，所述预设位置为预设圆弧位置；最后，根据所述特征圆的圆心坐标，将所述特征圆和预设标准圆进行匹配，获取所述钢轨的磨损参数。通过拟合特征圆，实现了钢轨轮廓的传感器测量数据与预设标准数据的精确匹配，提高了钢轨磨损值的检测精度。
可选地，所述根据预设算法，在所述横截面轮廓数据中选取所述钢轨的轨底数据和轨腰数据之前，包括：
对所述横截面轮廓数据进行滤波，去掉干扰数据，获取滤波后的轮廓数据。
由于钢轨表面会存在灰尘以及细小的杂物，利用传感器采集到的钢轨的轮廓数据会包含噪声干扰。在本申请实施例中，在获得传感器采集的轮廓数据后，需要对横截面轮廓数据进行滤波，以去掉干扰数据。
需要说明的是，在本申请实施例中，可以利用中值滤波或者与标准轨道数据匹配的方式进行噪声数据的消除。
所述根据预设算法，在所述横截面轮廓数据中选取所述钢轨的轨底数据和轨腰数据，包括：
根据预设算法，在所述滤波后的轮廓数据中选取所述钢轨的轨底数据和轨腰数据。
需要说明的是，在本申请实施例中，预设算法可以是查找算法，具体可以是遍历查找算法。利用遍历查找算法，在滤波后的轮廓数据中利用特征点逐一查找半径为13mm以及20mm的轮廓数据。
具体地，在本申请实施例中，半径为13mm以及20mm的轮廓数据对应着轨底和轨腰部分。图2为本申请另一实施例提供的钢轨磨损的数据处理方法的流程示意图。可选地，所述对所述横截面轮廓数据进行滤波，去掉干扰数据，获取滤波后的轮廓数据，包括：
S201、根据横截面轮廓数据和标准类型参数，确定所述钢轨的类型。
在本申请实施例中，钢轨类型有多种，包括工字轨，槽型轨等。不同的钢轨类型还包括不同的型号，例如工字轨还包括有43轨、50轨等。不同类型、不同型号的钢轨，其轨道高度均不相同。
利用传感器获取的轮廓数据所反映出的轨道轮廓以及高度，可以判断出当前轨道所属的轨道类型和轨道型号。
S202、将所述横截面轮廓数据与所述钢轨的类型对应的标准参数进行比较，确定干扰数据。
当判断出当前轨道的轨道类型和轨道型号后，可以将传感器获取的横截面轮廓数据，以及当前钢轨类型以及型号相同的标准钢轨的轮廓数据进行比对，以此得到当前横截面轮廓数据中的干扰数据。
S203、去掉所述干扰数据，获取滤波后的轮廓数据。
需要说明的是，在本申请实施例中，将当前横截面轮廓数据与标准钢轨的轮廓数据中跳变较大的数据点进行删除，以此获取得到滤波后的轮廓数据。
图3为本申请另一实施例提供的钢轨磨损的数据处理方法的流程示意图。可选地，所述对所述横截面轮廓数据进行滤波，去掉干扰数据，获取滤波后的轮廓数据，包括：
S301、将所述横截面轮廓数据中的X轴数据和Z轴数据进行中值滤波，获取参考数列。
在本申请实施例中，钢轨横截面为若干个二维平面，利用二维传感器进行数据采集，可以得到若干横截面的平面坐标，包括：X轴数据和Z轴数据。
将采集的某一个横截面对应的横截面轮廓数据，具体为X轴数据和Z轴数据进行中值滤波作为参考数列。
S302、按照预设规则在所述横截面轮廓数据所在横截面前后取预设个数的横截面轮廓数据作为比较数列。
需要说明的是，本申请实施例中，在参考数列所在的横截面前后，取N个与参考数列横截面所在一点相邻的点所在的横截面轮廓数据作为比较数列。虽然N取值越大滤波效果越好，但是N值太大，很可能会造成关键信息的丢失，所以N值不宜过大。示例性地，在本申请实施例中，一般取N＝2。具体地，在N为2时，即可以得到[-N,N]范围内的，一个窗长为5的过滤窗。
S303、根据所述参考数列、所述比较数列以及加权算法，计算获取加权系数。
在本申请实施例中，可以利用公式1-1计算加权系数，如下：
Figure BDA0002611513140000101
上式中，
Figure BDA0002611513140000102
表示组成的过滤窗中，两两横截面轮廓数据作差，所求得的两级最小差。
Figure BDA0002611513140000103
表示组成的过滤窗中，两两横截面轮廓数据作差，所求得的两级最大差。
Figure BDA0002611513140000104
表示参考数列与参考数列的差值，其中，
Figure BDA0002611513140000105
表示参考数列，
Figure BDA0002611513140000106
表示比较数列。在本申请实施例中，将
Figure BDA0002611513140000107
作为测量数列与参考数列相似程度的表征。ρ为分辨系数，一般来说，分辨系数越大，分辨率越大，反之则越小。需要说明的是，在本申请实施例中，可以取ρ＝0.5。具体数值的设置，本申请实施例不做限制。
需要说明的是，加权系数满足：在[－N，N]的区域内，越接近参考数列中的中值，则对应的加权系数越大，反之则越小。
S304、根据所述加权系数和所述比较数列，计算获取所述滤波后的轮廓数据。
需要说明的是，在本申请实施例中，将比较数列与相应的加权系数相乘然后相加，将相加后的值，除以2N+1作为滤波后的轮廓数据。
图4为本申请另一实施例提供的钢轨磨损的数据处理方法的流程示意图。可选地，所述根据所述轨底数据和所述轨腰数据拟合获取所述钢轨中预设位置对应的特征圆的圆心坐标，包括：
S401、利用搜寻算法在所述轨底数据和所述轨腰数据中，找出Z轴数据的最大值点。
需要说明的是，Z轴数据的最大值点必然存在于特征圆的圆弧上。
在本申请实施例中，利用搜寻算法具体也可以是遍历方法，在所述轨底数据和所述轨腰数据中，找出Z轴数据的最大值点。
S402、在所述Z轴数据的最大值点左右各取N个点拟合得到所述特征圆的初始圆心位置。
当找出Z轴数据的最大值点之后，在该点左右各取N个点，N可以是2个、3个或以上，拟合得到一个初始的特征圆圆心位置。
S403、计算所述Z轴数据的最大值点一定范围内的滤波后的轮廓序列与所述初始圆心位置之间的距离，并与已知的标准圆心半径作差，得到圆心误差值。
需要说明的是，在本申请实施例中，计算拟合得到的初始特征圆的圆心坐标与Z轴数据的最大值点一定范围内的滤波后的轮廓序列的距离。将该距离与标准的圆心半径作差，获取圆心位置的误差值。
S404、当所述圆心误差值大于所述预设误差时，利用此时所取的所有滤波后的轮廓序列，进行特征圆圆心拟合得到所述半径固定的特征圆位置。
示例性地，设利用Z轴数据的最大值点左右的若干点拟合出的初始特征圆的圆心为(X0、Y0)，Z轴数据的最大值点一定范围内的滤波后的轮廓序列为(Xi、Yi)，其中i＝0,1,2......n，则初始特征圆的圆心到Z轴数据的最大值点一定范围内的滤波后的轮廓序列之间的距离d表示为：
Figure BDA0002611513140000121
其中，r0表示已知半径，由钢轨的类型和型号决定。给定一个阈值d0，当d＜d0时，表示此时点(Xi、Yi)在半径为r0的圆弧上。当d>d0时，表示此时点(Xi、Yi)不在半径为r0的圆弧上。在本申请实施例中，可以取r0＝20mm，d0＝0.01。
当首次出现d>d0时，在Z轴数据的最大值点一定范围内的滤波后的轮廓序列中的取点步骤结束，利用此时所取的所有滤波后的轮廓序列，进行特征圆圆心拟合得到所述半径固定的特征圆位置。可以理解的是，利用此时所取的所有滤波后的轮廓序列进行特征圆拟合，可以得到最优的拟合结果。可选地，所述根据预设算法，在所述横截面轮廓数据中选取所述钢轨的轨底数据和轨腰数据，包括：
根据遍历查找算法，在所述横截面轮廓数据中选取所述钢轨的轨底数据和轨腰数据。
需要说明的是，在本申请实施例中，利用遍历查找算法，在滤波后的轮廓数据中利用特征点逐一查找半径为13mm以及20mm的轮廓数据。
具体地，在本申请实施例中，半径为13mm以及20mm的轮廓数据对应着轨底和轨腰部分。
可选地，所述根据所述特征圆的圆心坐标，将所述特征圆和预设标准圆进行匹配，获取所述钢轨的磨损参数之前，还包括：
将所述横截面轮廓数据转换至所述预设标准圆所在坐标系，获取所述特征圆在所述预设标准圆所在坐标系中的坐标。
由于传感器与钢轨轨道之间，存在一定的安装角度。在本申请实施例中，需要将传感器获取的横截面轮廓数据转换至预设标准圆所在坐标系。
为了实现横截面轮廓数据到预设标准圆所在坐标系的转换，需要获得传感器相对于钢轨的6个自由度，然后通过旋转和平移来实现坐标系的转换。设U、V、W为预设标准圆所在坐标系，X、Y、Z为激光传感器所在的坐标系，可根据下面的坐标转换原理完成两个坐标系之间的转换。
Figure BDA0002611513140000131
需要说明的是，α、β、θ分别为传感器坐标系绕预设标准圆所在坐标系的3个坐标轴的不同偏转角，Δx，Δy，Δz则表示传感器坐标系与预设标准圆所在坐标系原点的偏移量，上述偏转角以及偏移量可由轨检小车***机械结构设计确定。由于选用的是二维的激光传感器，其采集到的数据为二维坐标点集，只包含了X轴和Z轴两个方向上的数据，所以只需确定3个角度和2个偏移量即可完成坐标的旋转平移。而在计算坐标的旋转平移时，由于传感器是垂直于钢轨纵轴方向扫描钢轨轮廓的，俯仰角θ和偏航角α相对于侧滚角β来说小很多，基本上可忽略不计。
本申请实施例还提供一种钢轨磨损的数据处理装置，用于执行前述钢轨磨损的数据处理方法。
图5为本申请实施例提供的一种钢轨磨损的数据处理装置结构示意图，如图5所示，该钢轨磨损的数据处理装置包括：获取单元501、选取单元502、拟合单元503以及匹配单元504。
所述获取单元501，用于获取传感器采集的钢轨内侧的横截面轮廓数据。
所述选取单元502，用于根据预设算法，在所述横截面轮廓数据中选取所述钢轨的轨底数据和轨腰数据。
所述拟合单元503，用于根据所述轨底数据和所述轨腰数据拟合获取所述钢轨中预设位置对应的特征圆的圆心坐标，其中，所述预设位置为预设圆弧位置。
所述匹配单元504，用于根据所述特征圆的圆心坐标，将所述特征圆和预设标准圆进行匹配，获取所述钢轨的磨损参数。
图6为本申请另一实施例提供的一种钢轨磨损的数据处理装置的结构示意图，如图6所示，所述装置还包括：滤波单元505；
所述滤波单元505，用于对所述横截面轮廓数据进行滤波，去掉干扰数据，获取滤波后的轮廓数据。
所述选取单元502，用于根据预设算法，在所述滤波后的轮廓数据中选取所述钢轨的轨底数据和轨腰数据。
可选地，所述滤波单元505，用于根据横截面轮廓数据和标准类型参数，确定所述钢轨的类型；将所述横截面轮廓数据与所述钢轨的类型对应的标准参数进行比较，确定干扰数据；去掉所述干扰数据，获取滤波后的轮廓数据。
可选地，所述滤波单元505，用于将所述横截面轮廓数据中的X轴数据和Z轴数据进行中值滤波，获取参考数列；按照预设规则在所述横截面轮廓数据所在横截面前后取预设个数的横截面轮廓数据作为比较数列；根据所述参考数列、所述比较数列以及加权算法，计算获取加权系数；根据所述加权系数和所述比较数列，计算获取所述滤波后的轮廓数据。
可选地，所述拟合单元503，用于利用搜寻算法在所述轨底数据和所述轨腰数据中，找出Z轴数据的最大值点；在所述Z轴数据的最大值点左右各取N个点拟合得到所述特征圆的初始圆心位置；计算所述Z轴数据的最大值点一定范围内的滤波后的轮廓序列与所述初始圆心位置之间的距离，并与已知的标准圆心半径作差，得到圆心误差值；当所述圆心误差值大于所述预设误差时，利用此时所取的所有滤波后的轮廓序列，进行特征圆圆心拟合得到所述半径固定的特征圆位置。
可选地，所述选取单元502，用于根据遍历查找算法，在所述横截面轮廓数据中选取所述钢轨的轨底数据和轨腰数据。
图7为本申请另一实施例提供的一种钢轨磨损的数据处理装置的结构示意图，如图7所示，所述装置还包括：转换单元506；
所述转换单元506，用于将所述横截面轮廓数据转换至所述预设标准圆所在坐标系，获取所述特征圆在所述预设标准圆所在坐标系中的坐标。
图8为本申请实施例提供的一种钢轨磨损的数据处理装置的结构示意图，对应于一种钢轨磨损的数据处理方法；该钢轨磨损的数据处理装置可以包括：处理器710、存储介质720和总线730，存储介质720存储有处理器710可执行的机器可读指令，当电子设备运行时，处理器710与存储介质720之间通过总线730通信，处理器710执行机器可读指令，以执行上述方法实施例的步骤。具体实现方式和技术效果类似，这里不再赘述。
本申请实施例提供了一种存储介质，该存储介质上存储有计算机程序，所述计算机程序被处理器运行时执行上述方法。
上仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以权利要求的保护范围为准。
以上所述仅为本申请的优选实施例而已，并不用于限制本申请，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。

Claims (10)

1.一种钢轨磨损的数据处理方法，其特征在于，包括：
获取传感器采集的钢轨内侧的横截面轮廓数据；
根据预设算法，在所述横截面轮廓数据中选取所述钢轨的轨底数据和轨腰数据；
根据所述轨底数据和所述轨腰数据拟合获取所述钢轨中预设位置对应的特征圆的圆心坐标，其中，所述预设位置为预设圆弧位置；
根据所述特征圆的圆心坐标，将所述特征圆和预设标准圆进行匹配，获取所述钢轨的磨损参数。
2.根据权利要求1所述的方法，其特征在于，所述根据预设算法，在所述横截面轮廓数据中选取所述钢轨的轨底数据和轨腰数据之前，包括：
对所述横截面轮廓数据进行滤波，去掉干扰数据，获取滤波后的轮廓数据；
所述根据预设算法，在所述横截面轮廓数据中选取所述钢轨的轨底数据和轨腰数据，包括：
根据预设算法，在所述滤波后的轮廓数据中选取所述钢轨的轨底数据和轨腰数据。
3.根据权利要求2所述的方法，其特征在于，所述对所述横截面轮廓数据进行滤波，去掉干扰数据，获取滤波后的轮廓数据，包括：
根据横截面轮廓数据和标准类型参数，确定所述钢轨的类型；
将所述横截面轮廓数据与所述钢轨的类型对应的标准参数进行比较，确定干扰数据；
去掉所述干扰数据，获取滤波后的轮廓数据。
4.根据权利要求2所述的方法，其特征在于，所述对所述横截面轮廓数据进行滤波，去掉干扰数据，获取滤波后的轮廓数据，包括：
将所述横截面轮廓数据中的X轴数据和Z轴数据进行中值滤波，获取参考数列；
按照预设规则在所述横截面轮廓数据所在横截面前后取预设个数的横截面轮廓数据作为比较数列；
根据所述参考数列、所述比较数列以及加权算法，计算获取加权系数；
根据所述加权系数和所述比较数列，计算获取所述滤波后的轮廓数据。
5.根据权利要求2-4任一项所述的方法，其特征在于，所述根据所述轨底数据和所述轨腰数据拟合获取所述钢轨中预设位置对应的特征圆的圆心坐标，包括：
利用搜寻算法在所述轨底数据和所述轨腰数据中，找出Z轴数据的最大值点；
在所述Z轴数据的最大值点左右各取N个点拟合得到所述特征圆的初始圆心位置；
计算所述Z轴数据的最大值点一定范围内的滤波后的轮廓序列与所述初始圆心位置之间的距离，并与已知的标准圆心半径作差，得到圆心误差值；
当所述圆心误差值大于预设误差时，利用此时所取的所有滤波后的轮廓序列，进行特征圆圆心拟合得到所述半径固定的特征圆位置。
6.根据权利要求1所述的方法，其特征在于，所述根据预设算法，在所述横截面轮廓数据中选取所述钢轨的轨底数据和轨腰数据，包括：
根据遍历查找算法，在所述横截面轮廓数据中选取所述钢轨的轨底数据和轨腰数据。
7.根据权利要求1所述的方法，其特征在于，所述根据所述特征圆的圆心坐标，将所述特征圆和预设标准圆进行匹配，获取所述钢轨的磨损参数之前，还包括：
将所述横截面轮廓数据转换至所述预设标准圆所在坐标系，获取所述特征圆在所述预设标准圆所在坐标系中的坐标。
8.一种钢轨磨损的数据处理装置，其特征在于，包括：获取单元、选取单元、拟合单元以及匹配单元；
所述获取单元，用于获取传感器采集的钢轨内侧的横截面轮廓数据；
所述选取单元，用于根据预设算法，在所述横截面轮廓数据中选取所述钢轨的轨底数据和轨腰数据；
所述拟合单元，用于根据所述轨底数据和所述轨腰数据拟合获取所述钢轨中预设位置对应的特征圆的圆心坐标，其中，所述预设位置为预设圆弧位置；
所述匹配单元，用于根据所述特征圆的圆心坐标，将所述特征圆和预设标准圆进行匹配，获取所述钢轨的磨损参数。
9.一种钢轨磨损的数据处理装置，其特征在于，包括：处理器、存储介质和总线，所述存储介质存储有所述处理器可执行的机器可读指令，当所述装置运行时，所述处理器与所述存储介质之间通过总线通信，所述处理器执行所述机器可读指令，以执行如权利要求1-7任一项所述方法的步骤。
10.一种存储介质，其特征在于，所述存储介质上存储有计算机程序，所述计算机程序被处理器运行时执行如权利要求1-7任一项所述方法的步骤。
CN202010756444.3A 2020-07-31 2020-07-31 一种钢轨磨损的数据处理方法、装置及存储介质 Pending CN111882599A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010756444.3A CN111882599A (zh) 2020-07-31 2020-07-31 一种钢轨磨损的数据处理方法、装置及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010756444.3A CN111882599A (zh) 2020-07-31 2020-07-31 一种钢轨磨损的数据处理方法、装置及存储介质

Publications (1)

Publication Number Publication Date
CN111882599A true CN111882599A (zh) 2020-11-03

Family

ID=73205031

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010756444.3A Pending CN111882599A (zh) 2020-07-31 2020-07-31 一种钢轨磨损的数据处理方法、装置及存储介质

Country Status (1)

Country Link
CN (1) CN111882599A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113359150A (zh) * 2021-05-12 2021-09-07 武汉中仪物联技术股份有限公司 管道截面轮廓获取方法、装置、电子设备和存储介质

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1776364A (zh) * 2005-11-22 2006-05-24 北京航空航天大学 钢轨磨耗激光视觉动态测量装置及测量方法
US20090112487A1 (en) * 2007-10-26 2009-04-30 Beihang University Vehicle dynamic measurement device and method for comprehensive parameters of rail wear
CN101576375A (zh) * 2009-05-21 2009-11-11 北京航空航天大学 一种钢轨磨耗激光视觉图像快速处理方法
CN102749061A (zh) * 2012-07-26 2012-10-24 上海工程技术大学 基于动态模板的钢轨磨耗测量方法
CN108917591A (zh) * 2018-04-27 2018-11-30 中国铁道科学研究院集团有限公司基础设施检测研究所 一种动态行车环境下的钢轨轮廓自动配准方法及装置
CN109017867A (zh) * 2018-08-01 2018-12-18 湖南大学 钢轨波磨动态测量方法
CN109798844A (zh) * 2018-12-28 2019-05-24 北京交通大学 一种钢轨磨耗动态测量中的轨廓自动配准方法
CN109855562A (zh) * 2019-01-28 2019-06-07 武汉武大卓越科技有限责任公司 钢轨磨耗测量方法及装置

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1776364A (zh) * 2005-11-22 2006-05-24 北京航空航天大学 钢轨磨耗激光视觉动态测量装置及测量方法
US20090112487A1 (en) * 2007-10-26 2009-04-30 Beihang University Vehicle dynamic measurement device and method for comprehensive parameters of rail wear
CN101576375A (zh) * 2009-05-21 2009-11-11 北京航空航天大学 一种钢轨磨耗激光视觉图像快速处理方法
CN102749061A (zh) * 2012-07-26 2012-10-24 上海工程技术大学 基于动态模板的钢轨磨耗测量方法
CN108917591A (zh) * 2018-04-27 2018-11-30 中国铁道科学研究院集团有限公司基础设施检测研究所 一种动态行车环境下的钢轨轮廓自动配准方法及装置
CN109017867A (zh) * 2018-08-01 2018-12-18 湖南大学 钢轨波磨动态测量方法
CN109798844A (zh) * 2018-12-28 2019-05-24 北京交通大学 一种钢轨磨耗动态测量中的轨廓自动配准方法
CN109855562A (zh) * 2019-01-28 2019-06-07 武汉武大卓越科技有限责任公司 钢轨磨耗测量方法及装置

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
LIU Z 等: "Real-time and accurate rail wear measurement method and experimental analysis", 《JOSA A》, vol. 31, no. 08, pages 1721 - 1729 *
ZHEN LIU 等: "Simple and fast rail wear measurement method based on structured light", 《OPTICS AND LASERS IN ENGINEERING》, vol. 49, no. 11, pages 1343 - 1351, XP028251538, DOI: 10.1016/j.optlaseng.2011.05.014 *
何思婷: "轨道智能巡检小车动态基准测量***", 《中国优秀硕士学位论文全文数据库 (工程科技Ⅱ辑)》, no. 01, pages 033 - 108 *
吴生海 等: "钢轨磨耗测量中轨腰圆弧中心点的提取", 《上海工程技术大学学报》, vol. 29, no. 03, pages 218 - 221 *
安小雪: "基于动态模板的钢轨磨耗测量方法研究", 《中国优秀硕士学位论文全文数据库 (工程科技Ⅱ辑)》, no. 07, pages 033 - 52 *
郭雁一夫: "钢轨轮廓检测***的设计与实现", 《中国优秀硕士学位论文全文数据库 (工程科技Ⅱ辑)》, no. 03, pages 033 - 36 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113359150A (zh) * 2021-05-12 2021-09-07 武汉中仪物联技术股份有限公司 管道截面轮廓获取方法、装置、电子设备和存储介质
CN113359150B (zh) * 2021-05-12 2024-02-13 武汉中仪物联技术股份有限公司 管道截面轮廓获取方法、装置、电子设备和存储介质

Similar Documents

Publication Publication Date Title
JP6610557B2 (ja) 鉄道車両用車輪のフランジ摩耗測定方法
CN109855562B (zh) 钢轨磨耗测量方法及装置
US4573131A (en) Method and apparatus for measuring surface roughness
US9540018B2 (en) Railway installation synchronization monitoring system
CN104321615A (zh) 轨道状态监视装置
JP5965251B2 (ja) 軌道位置データ付与システム及び軌道位置データ付与方法
CN111609813B (zh) 一种基于3d成像的受电弓磨耗测量方法及***
CN109653045B (zh) 轨距测量方法及装置
CN111391881B (zh) 钢轨扣件紧固状态检测方法及装置
JP4692517B2 (ja) 鉄道車両用脱線防止ガードの敷設位置診断方法
WO2019102769A1 (ja) 車両制御システム
EP3456606B1 (en) Position determination method and system
CN112118994A (zh) 确定轨道的铁轨的实际位置的方法
CN112414651B (zh) 基于移动式线路加载车的轨道刚度确定方法及装置
CN111882599A (zh) 一种钢轨磨损的数据处理方法、装置及存储介质
JP5476775B2 (ja) トロリ線検測装置及び検測方法
JP2021070463A (ja) レール波状摩耗の進展検知方法及び進展検知システム
CN109313106B (zh) 用于测量和计算轨道车辆轮对的车轮的几何参数的方法
AU714106B2 (en) Installation for measuring the wheel offset of railway vehicles
Boronahin et al. Optical profilometers for rail track diagnostics
JP5253968B2 (ja) 鉄道車両の走行安定性判定方法
Alten et al. Detecting and classifying rail corrugation based on axle bearing vibration
KR101131777B1 (ko) 철도차량의 곡선구간 곡률반경 추정방법
JP5809091B2 (ja) 台車姿勢検出方法
CN114739297B (zh) 一种基于激光扫描的离线轨道参数计算方法

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