CN111896044A - 一种铁路接触网补偿装置的监测方法及设备 - Google Patents
一种铁路接触网补偿装置的监测方法及设备 Download PDFInfo
- Publication number
- CN111896044A CN111896044A CN202010517187.8A CN202010517187A CN111896044A CN 111896044 A CN111896044 A CN 111896044A CN 202010517187 A CN202010517187 A CN 202010517187A CN 111896044 A CN111896044 A CN 111896044A
- Authority
- CN
- China
- Prior art keywords
- value
- data
- compensation device
- neural network
- data set
- 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
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Train Traffic Observation, Control, And Security (AREA)
Abstract
本申请公开了一种铁路接触网补偿装置的监测方法及设备,用以解决现有的监测方法不能真实反映补偿装置的运行状态,也不能针对环境数据进行预警的技术问题。方法包括:服务器接收若干接触网补偿装置测试点在预设时间段内的运行状态监测数据;根据监测数据构建神经网络模型的训练数据集及验证数据集,并通过数据集对神经网络模型进行训练及验证,得到接触网补偿装置的b值预测模型;将若干预设时刻的运行状态监测数据输入至b值预测模型中,得到T时刻的b值;在T时刻的b值大于第一预设阈值的情况下,向移动终端发送报警信息。本申请通过上述方法实现了b值真实反映当前补偿装置的运行状态并实现了提前预警,提高了预防控制能力。
Description
技术领域
本申请涉及设备监测技术领域,尤其涉及一种铁路接触网补偿装置的监测方法及设备。
背景技术
高速铁路的接触网是沿着铁路线上空架设的向电力机组供电的特殊形式的输电线路,接触网的平稳运行密切关系着铁路行车安全的平稳进行。其中,接触网补偿装置(又称张力自动补偿器)的张力是关系接触网稳定、可靠、安全运营的关键参数,且直接关系到接触网的运行状态及铁路行车安全。因此,对接触网补偿装置进行监测就显得尤为重要。
但通过现有的接触网补偿装置的监测方法,很难及时发现正在锈蚀或者恶化的装置。且针对监测数据的判断方式比较单一,不能准确地反映当前接触网补偿装置的运行状态,而且无法根据当前的环境数据进行提前预警。
发明内容
本申请实施例提供了一种铁路接触网补偿装置的监测方法及设备,用以解决现有的接触网补偿装置的监测方法,不能准确地反映当前接触网补偿装置的运行状态,而且也不能针对当前的环境数据进行提前预警的技术问题。
一方面,本申请实施例提供了一种铁路接触网补偿装置的监测方法,包括:服务器接收若干接触网补偿装置测试点在预设时间段内的运行状态监测数据;根据运行状态监测数据,构建神经网络模型的训练数据集及验证数据集,并通过训练数据集对神经网络模型进行训练,以及通过验证数据集对神经网络模型进行验证,得到接触网补偿装置的b值预测模型;其中,b值为接触网补偿装置的第一坠砣底面与地面之间的垂直距离,第一坠砣为坠砣串中距离地面最近的坠砣;将若干预设时刻的运行状态监测数据输入至b值预测模型中,得到T时刻的b值;其中,T时刻在若干预设时刻之后;在T时刻的b值大于第一预设阈值的情况下,向移动终端发送报警信息。
本申请实施例提出的接触网补偿装置运行状态的监测方法,通过预设时间段内的监测数据构建神经网络模型的数据集,并通过该数据集对神经网络模型进行训练及验证,得到接触网补偿装置的b值预测模型,并通过该模型对b值进行预测。采用了先进的深度学习智能分析技术对接触网补偿装置的运行状态进行预测分析,该模型预测得到的b值能够真实的反映的补偿装置的运行状态,进而使监测人员能够及时的发现补偿装置在运行过程中出现的问题,对保证接触网补偿装置的稳定运行有着重要的意义。另外,在预测得到的b值变化较大时,及时发出预警信息,能够使监测人员及时修正数据,实现全网预警管理,避免造成更大损失。
在本申请的一种实现方式中,运行状态监测数据主要包括以下任一项或者多项:时间、温度、湿度、风速、风向、经纬度、b值。通过由多种运行状态监测数据构建的训练数据集对神经网络模型进行训练,使得该模型的建立综合了接触网补偿装置安装区域的外部环境、气象等信息,考虑了外在的影响因素,实现了能够准确的对补偿装置的运行状态进行分析。
在本申请的一种实现方式中,根据运行状态监测数据,构建神经网络模型的训练数据集及验证数据集,具体包括:对运行状态监测数据中的风速数据以第一预设编码方式进行编码;以及通过第二预设编码方式对风向数据进行编码;对运行状态监测数据中的时间数据、温度数据、湿度数据、经纬度数据、b值数据以及编码后的风向数据、编码后的风速数据,进行归一化处理,并将处理之后的数据存储为预设格式的待分组数据集;将待分组数据集中的异常数据剔除后,进行分组,得到训练数据集及验证数据集。
在本申请的一种实现方式中,通过训练数据集对神经网络模型进行训练,以及通过验证数据集对神经网络模型进行验证,得到接触网补偿装置的b值预测模型,具体包括:将训练数据集中的t-n,t-(n-1),...,t-1时刻的运行状态监测数据,以及t时刻的b值输入至神经网络模型中,对神经网络模型进行训练;其中,n为大于1的正整数;训练直至输出收敛,得到训练完成的神经网络模型;将验证数据集输入至训练完成的神经网络模型中,进行验证,以得到接触网补偿装置的b值预测模型。
在本申请的一种实现方式中,方法还包括:神经网络模型采用LSTM模型进行训练,且LSTM模型的训练期数epochs为100,每期训练的批次batch为36。
在本申请的一种实现方式中,方法还包括:神经网络模型的优化算法采用Adam,损失函数采用平均绝对误差。
在本申请的一种实现方式中,接触网补偿装置的b值预测模型的隐藏层包括50个神经元,输出层包括1个神经元。
在本申请的一种实现方式中,将若干预设时刻的运行状态监测数据输入至b值预测模型中,得到T时刻的b值,具体包括:将T-n,T-(n-1),...,T-1时刻的运行状态监测数据输入至b值预测模型中,并对输入的T-n,T-(n-1),...,T-1时刻的运行状态监测数据进行编码,得到特征向量;其中,n为大于1的正整数;对特征向量以预设解码方式进行解码,输出T时刻的b值。
在本申请的一种实现方式中,在得到T时刻的b值之后,方法还包括:在T时刻的b值与真实测量值之间的差值大于第二预设阈值的情况下,服务器向移动终端发送报警信息;其中,真实测量值由b值检测装置上传至服务器。在b值变化较大时发出预警,能够使监测人员及时修正数据,实现全网预警管理,避免造成更大损失。
另一方面,本申请实施例还提供了一种铁路接触网补偿装置的监测设备,设备包括:处理器;及存储器,其上存储有可执行代码,当可执行代码被执行时,使得处理器执行如上述的一种铁路接触网补偿装置的监测方法。
附图说明
此处所说明的附图用来提供对本申请的进一步理解,构成本申请的一部分,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1为本申请实施例提供的一种铁路接触网补偿装置结构示意图;
图2为本申请实施例提供的一种铁路接触网补偿装置的监测方法流程图;
图3为本申请实施例提供的一种铁路接触网补偿装置的监测设备内部结构示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚,下面将结合本申请具体实施例及相应的附图对本申请技术方案进行清楚、完整地描述。显然,所描述的实施例仅是本申请一部分实施例,而不是全部的实施例。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,都属于本申请保护的范围。
由于铁路接触网***常年遭受雨、雪、冰、风等自然环境的侵蚀,以及高速运行受电弓的冲击和振动,其机械和电气的性能状态都在动态变化中,在力与电的双重作用下工作,机械和电气方面的故障构成了接触网***的主要故障。其中,接触网补偿装置的张力是关系接触网***稳定、可靠、安全运营的关键参数,直接关系到接触网***的运营状态及行车安全。
铁路接触网补偿装置的运行状况和运行环境非常恶劣。由于大气温度、线索内的张力变化,设备锈蚀、氧化都是一个持续而漫长的过程,利用现有的监测方法在排查中可以准确找到已经卡死的接触网补偿装置,但正在锈蚀、恶化的装置不能及时发现。
目前,铁路接触网补偿装置的状态检查、测量工作主要依靠接触网工步行巡视开展,主要内容有补偿b值测量,然后通过计算或查找安装温度曲线图表核对补偿b值是否符合要求。托动坠坨串(500kg)观察滑轮是否转动,观察有无明显卡滞的处所,这样的检测方式有许多不可控因素,不能准确判断托动力的大小,不能正确分析张力的大小,更不能判断补偿装置是否卡滞。因此,目前人工巡视检查补偿检测是不科学的,是不能正确判断补偿装置健康状态的。
除了人工巡检方式外,铁路接触网张力补偿装置监测***主要利用各种传感器采集接触网补偿装置的a、b值,以及当前所处的环境温度、湿度、风力等数据,进行数据库存储,在数据分析时,通过简单查询当前值是否处于温度变化范围内来判定是否超限:1)根据温度曲线图表预设门限值及初始值,在后续的超限报警时将测量值与预设门限值做比较来判断补偿装置的状态。2)查询历史记录中相同条件下的数据进行对比判断。但这种测量方式浪费劳动力成本,且无法对当前环境数据进行预警。
综上,现有的接触网补偿装置的监测方法,针对b值数据判断方式较单一,因为所处环境多变,不能真实反映当前接触网补偿装置设备的运行状态。而且,无法根据当前环境***预警,提升预防控制能力。
本申请实施例提供了一种铁路接触网补偿装置的监测方法及设备,通过构建接触网补偿装置的b值预测模型,完成对b值的预测,以解决上述技术问题。
下面通过附图对本申请实施例提出的技术方案进行详细的说明。
图1为本申请实施例提供的一种铁路接触网补偿装置结构示意图,如图1所示,接触网补偿装置串接安装在承力索与接触线之间,用于补偿线索内张力的变化。其结构主要包括拉线、限制导管、补偿滑轮、补偿绳、坠砣等。
铁路接触网补偿装置主要靠坠砣串的重力使线索的张力保持平衡。当温度变化时,线索的伸缩使坠砣串上升和下降,当坠砣串升降超出允许范围时,如下降过多使坠砣串底面接触地面,或者上升过多都会使补偿装置失去补偿作用。因此,在实际应用中采用补偿装置的a、b值来限定坠陀串的升降范围。其中,接触网补偿装置的a值指的是坠陀杆耳环孔中心至补偿(定)滑轮下沿的距离;接触网补偿装置的b值指的是距离地面最近的坠砣下底面,与地面之间的垂直距离。本申请实施例提出的技术方案就是通过预测b值对接触网补偿装置的运行状态进行全面监测以及实现提前预警。
图2为本申请实施例提供的一种铁路接触网补偿装置的监测方法流程图;如图2所示,本申请实施例提出的监测方法主要包括以下步骤:
步骤201、服务器接收运行状态监测数据,并基于运行状态监测数据构建神经网络模型的训练数据集。
服务器接收若干接触网补偿装置测试点的,预设时间段内的运行状态监测数据。并通过对若干运行状态监测数据进行预处理,转换成适合处理时序问题的数据格式,并根据处理后的数据,构建神经网络模型的训练数据集及验证数据集。
在本申请的一个实施例中,服务器接收若干个测试点在过去三个月内的运行状态监测数据,并对接收到的运行状态监测数据进行编码、分组等预处理过程,得到神经网络模型的训练数据集及验证数据集。
其中,运行状态监测数据主要包括以下任一项或者多项:时间、温度、湿度、风速、风向、经纬度、b值。
对接收到的运行状态监测数据进行预处理主要包括以下过程:
第一、对运行状态监测数据进行编码处理。
由于运行状态监测数据中的风向数据为特定的表示方式,例如东北风,南风;需要对风向数据以第一预设编码方式进行编码,将其转换成代表风向的数值信息;而风速数据通常采用的含有小数点的表示方式,例如5.6m/s,因此,还需要对风速数据以第二预设编码方式进行编码。而温度、湿度、时间、经纬度、b值等数据可以直接被神经网络模型识别,因此不需要提前进行编码处理。
在本申请的一个实施例中,第一预设编码方式采用sklearn编码方法;第二预设编码方式采用整型编码。
第二、对编码后的数据进行归一化处理。
对编码后的风向数据、风速数据以及温度、湿度、时间、经纬度、b值等数据进行归一化处理,得到预设格式数据集。
在本申请的一个实施例中,归一化处理之后的数据格式为[samples,time-step,features]。其中,samples为样本数量,例如设置为35039;time-step为时间步长,例如设置为1;features为属性特征维度,这里为7个属性特征,分别为温度、湿度、时间、经纬度、b值、风速、风向。
第三、对归一化处理之后得到的预测格式数据集进行分组处理。
将归一化处理之后得到的数据集经过筛选之后,剔除明显不符合实际应用场景的数据;将数据集以预设方式进行分组,得到神经网络模型的训练数据集及验证数据集。
步骤202、利用训练数据集对神经网络模型进行训练,得到接触网补偿装置的b值预测模型。
在得到训练数据集及验证数据集之后,利用训练数据集对神经网络模型进行训练,然后利用验证数据集对训练完成的神经网络模型进行验证,得到接触网补偿装置的b值预测模型。
在本申请的一个实施例中,将训练数据集中的t-n,t-(n-1),...,t-1时刻的运行状态监测数据,以及t时刻的b值输入至神经网络模型中,对神经网络模型进行训练;其中,n为大于1的正整数;训练直至输出收敛,得到训练完成的神经网络模型。
在本申请的一个实施例中,神经网络模型可以采用长短时记忆网络(Long ShortTerm Memory networks,LSTM)进行训练。其隐藏层包括50个神经元,输出层包括1个神经元。
进一步地,LSTM神经网络模型的优化算法采用Adam,损失函数采用平均绝对误差。
进一步地,LSTM神经网络的epochs设置为100,batch设置为36。例如,对LSTM神经网络模型进行训练时,一个完整的训练数据集通过一次神经网络模型,并输出一次权重,记为完成一次epochs;训练数据集每次输入神经网络模型时,如果一次性全部输入,会造成神经网络模型的计算量过大,输出时间较长;因此,将训练数据集分为36个批次即36个batch,分别输入神经网络模型中进行训练。
最后,将验证数据集输入至训练完成的神经网络模型中,进行验证,得到接触网补偿装置的b值预测模型。
步骤203、通过b值预测模型对T时刻的b值进行预测。
将若干预设时刻的运行状态监测数据输入至b值预测模型中,完成对T时刻的b值的预测。
在本申请的一个实施例中,将T-n,T-(n-1),...,T-1时刻的运行状态监测数据输入至b值预测模型中,对输入的T-n,T-(n-1),...,T-1时刻的运行状态监测数据进行编码,得到特征向量;其中,n为大于1的正整数;然后,对特征向量以预设解码方式进行解码,输出T时刻的b值。
例如,将T-3,T-2,T-1时刻的所有运行状态监测数据输入至b值预测模型中,预测得到T时刻的b值。
步骤204、在b值大于第一预设阈值时,发出报警信息。
在得到T时刻的b值之后,如果预测b值大于低于预设阈值,即预测b值超出限制,则直接发出报警信息进行报警。
在本申请的一个实施例中,如果预测b值与真实测量值之间的差值大于第二预设阈值,也直接向移动终端发送报警信息。其中,真实测量值由b值检测装置上传至服务器。
本领域技术人员可以明确的是,真实测量得到的b值,仅是通过b值测量装置或者测量传感器上传的b值,并没有综合考虑环境或者气象因素对补偿装置长时间产生的影响。而通过本申请实施例提出的b值预测模型预测得到的b值,有效的融合了环境、气象等信息,能够真实且全面的反映补偿装置的运行状态。因此,在预测得到的b值超出限制,或者与真实测量值之间的差值较大时,说明环境、气象等因素对补偿装置长时间产生的影响,即将使补偿装置的运行状态发生变化进而产生故障。
因此,本申请实施例提出在b值变化超出限制,或者b值与真实测量值之间的差值过大时发出报警信息,能够使监测人员及时的发现运行状态中可能会出现的问题,及时修正数据,避免造成更大的损失。
以上为本申请提出的方法实施例,基于同样的发明构思,本申请实施例还提供了一种铁路接触网补偿装置的监测设备,其内部结构如图3所示。
图3为本申请实施例提供的一种铁路接触网补偿装置的监测设备内部结构示意图,如图3所示,设备包括:处理器301,及存储器302,其上存储有可执行代码,当可执行代码被执行时,使得处理器301执行如上述的一种铁路接触网补偿装置的检测方法。
在本申请的一个实施例中,处理器301用于接收若干接触网补偿装置测试点在预设时间段内的运行状态监测数据;还用于根据运行状态监测数据,构建神经网络模型的训练数据集及验证数据集,并通过训练数据集对神经网络模型进行训练,以及通过验证数据集对神经网络模型进行验证,得到接触网补偿装置的b值预测模型;其中,b值为接触网补偿装置的第一坠砣底面与地面之间的垂直距离,第一坠砣为坠砣串中距离地面最近的坠砣;以及用于将若干预设时刻的运行状态监测数据输入至b值预测模型中,得到T时刻的b值;其中,T时刻在若干预设时刻之后;以及用于在T时刻的b值大于第一预设阈值的情况下,向移动终端发送报警信息。
本申请中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于装置实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
以上所述仅为本申请的实施例而已,并不用于限制本申请。对于本领域技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原理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权利要求范围之内。
Claims (10)
1.一种铁路接触网补偿装置的监测方法,其特征在于,所述方法包括:
服务器接收若干接触网补偿装置测试点在预设时间段内的运行状态监测数据;
根据所述运行状态监测数据,构建神经网络模型的训练数据集及验证数据集,并通过所述训练数据集对神经网络模型进行训练,以及通过所述验证数据集对所述神经网络模型进行验证,得到接触网补偿装置的b值预测模型;其中,b值为所述接触网补偿装置的第一坠砣底面与地面之间的垂直距离,所述第一坠砣为坠砣串中距离地面最近的坠砣;
将若干预设时刻的运行状态监测数据输入至所述b值预测模型中,得到T时刻的b值;其中,所述T时刻在所述若干预设时刻之后;
在所述T时刻的b值大于第一预设阈值的情况下,向移动终端发送报警信息。
2.根据权利要求1所述的一种铁路接触网补偿装置的监测方法,其特征在于,所述运行状态监测数据主要包括以下任一项或者多项:时间、温度、湿度、风速、风向、经纬度、b值。
3.根据权利要求1所述的一种铁路接触网补偿装置的监测方法,其特征在于,所述根据所述运行状态监测数据,构建神经网络模型的训练数据集及验证数据集,具体包括:
对所述运行状态监测数据中的风速数据以第一预设编码方式进行编码;以及通过第二预设编码方式对风向数据进行编码;
对所述运行状态监测数据中的时间数据、温度数据、湿度数据、经纬度数据、b值数据以及编码后的风向数据、编码后的风速数据,进行归一化处理,并将处理之后的数据存储为预设格式的待分组数据集;
将所述待分组数据集中的异常数据剔除后,进行分组,得到训练数据集及验证数据集。
4.根据权利要求1所述的一种铁路接触网补偿装置的监测方法,其特征在于,所述通过训练数据集对神经网络模型进行训练,以及通过验证数据集对神经网络模型进行验证,得到接触网补偿装置的b值预测模型,具体包括:
将训练数据集中的t-n,t-(n-1),...,t-1时刻的运行状态监测数据,以及t时刻的b值输入至神经网络模型中,对神经网络模型进行训练;其中,n为大于1的正整数;
训练直至输出收敛,得到训练完成的神经网络模型;
将验证数据集输入至所述训练完成的神经网络模型中,进行验证,以得到接触网补偿装置的b值预测模型。
5.根据权利要求4所述一种铁路接触网补偿装置的监测方法,其特征在于,所述方法还包括:
所述神经网络模型采用LSTM模型进行训练,且所述LSTM模型的训练期数epochs为100,每期训练的批次batch为36。
6.根据权利要求4所述一种铁路接触网补偿装置的监测方法,其特征在于,所述方法还包括:
所述神经网络模型的优化算法采用Adam,损失函数采用平均绝对误差。
7.根据权利要求4所述一种铁路接触网补偿装置的监测方法,其特征在于,所述b值预测模型的隐藏层包括50个神经元,输出层包括1个神经元。
8.根据权利要求1所述的一种铁路接触网补偿装置的监测方法,其特征在于,所述将若干预设时刻的运行状态监测数据输入至所述b值预测模型中,得到T时刻的b值,具体包括:
将T-n,T-(n-1),...,T-1时刻的运行状态监测数据输入至所述b值预测模型中,并对输入的所述T-n,T-(n-1),...,T-1时刻的运行状态监测数据进行编码,得到特征向量;其中,n为大于1的正整数;
对所述特征向量以预设解码方式进行解码,输出T时刻的b值。
9.根据权利要求1所述的一种铁路接触网补偿装置的监测方法,其特征在于,在得到T时刻的b值之后,所述方法还包括:
在所述T时刻的b值与真实测量值之间的差值大于第二预设阈值的情况下,服务器向移动终端发送报警信息;
其中,所述真实测量值由b值检测装置上传至服务器。
10.一种铁路接触网补偿装置的监测设备,其特征在于,所述设备包括:
处理器;
及存储器,其上存储有可执行代码,当所述可执行代码被执行时,使得所述处理器执行如权利要求1-9任一项所述的一种铁路接触网补偿装置的监测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010517187.8A CN111896044A (zh) | 2020-06-09 | 2020-06-09 | 一种铁路接触网补偿装置的监测方法及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010517187.8A CN111896044A (zh) | 2020-06-09 | 2020-06-09 | 一种铁路接触网补偿装置的监测方法及设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111896044A true CN111896044A (zh) | 2020-11-06 |
Family
ID=73207291
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010517187.8A Pending CN111896044A (zh) | 2020-06-09 | 2020-06-09 | 一种铁路接触网补偿装置的监测方法及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111896044A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112541228A (zh) * | 2020-12-10 | 2021-03-23 | 重庆交通大学 | 接触力长短时记忆网络预测的受电弓主动控制方法 |
CN113075481A (zh) * | 2021-03-29 | 2021-07-06 | 李路 | 接触网补偿装置状态监测及预警方法 |
CN116337154A (zh) * | 2023-03-27 | 2023-06-27 | 成都铁路科创有限责任公司 | 一种接触网健康状态监测方法及*** |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2007261370A (ja) * | 2006-03-28 | 2007-10-11 | Railway Technical Res Inst | トロリ線の歪推定システムおよび歪推定プログラム |
JP2010243417A (ja) * | 2009-04-09 | 2010-10-28 | Meidensha Corp | トロリ線検測装置 |
CN103644843A (zh) * | 2013-12-04 | 2014-03-19 | 上海铁路局科学技术研究所 | 轨道交通车辆运动姿态的检测方法及其应用 |
CN104748799A (zh) * | 2015-04-20 | 2015-07-01 | 张伟龙 | 一种接触网动态智能故障监测调整***及方法 |
JP2017163751A (ja) * | 2016-03-10 | 2017-09-14 | 日立建機株式会社 | 電気駆動車両 |
CN107161035A (zh) * | 2017-06-02 | 2017-09-15 | 成都素寺图科技有限公司 | 一种监控接触网补偿坠坨高度变化的方法及*** |
CN109376609A (zh) * | 2018-09-27 | 2019-02-22 | 易讯科技股份有限公司 | 受电弓磨耗的识别方法、装置及智能终端 |
CN109658387A (zh) * | 2018-11-27 | 2019-04-19 | 北京交通大学 | 电力列车的受电弓碳滑板缺陷的检测方法 |
CN109919229A (zh) * | 2019-03-08 | 2019-06-21 | 杭州麦乐克科技股份有限公司 | 基于人工蜂群和神经网络的监测有害气体预测方法及*** |
CN110011864A (zh) * | 2019-05-17 | 2019-07-12 | 北京鼎兴达信息科技股份有限公司 | 一种高速铁路接触网安全状态监测方法 |
CN110059631A (zh) * | 2019-04-19 | 2019-07-26 | 中铁第一勘察设计院集团有限公司 | 接触网非接触式监测缺陷识别方法 |
CN209820444U (zh) * | 2019-04-28 | 2019-12-20 | 河南辉煌科技股份有限公司 | 一种铁路接触网张力补偿装置a/b值监测装置和*** |
-
2020
- 2020-06-09 CN CN202010517187.8A patent/CN111896044A/zh active Pending
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2007261370A (ja) * | 2006-03-28 | 2007-10-11 | Railway Technical Res Inst | トロリ線の歪推定システムおよび歪推定プログラム |
JP2010243417A (ja) * | 2009-04-09 | 2010-10-28 | Meidensha Corp | トロリ線検測装置 |
CN103644843A (zh) * | 2013-12-04 | 2014-03-19 | 上海铁路局科学技术研究所 | 轨道交通车辆运动姿态的检测方法及其应用 |
CN104748799A (zh) * | 2015-04-20 | 2015-07-01 | 张伟龙 | 一种接触网动态智能故障监测调整***及方法 |
JP2017163751A (ja) * | 2016-03-10 | 2017-09-14 | 日立建機株式会社 | 電気駆動車両 |
CN107161035A (zh) * | 2017-06-02 | 2017-09-15 | 成都素寺图科技有限公司 | 一种监控接触网补偿坠坨高度变化的方法及*** |
CN109376609A (zh) * | 2018-09-27 | 2019-02-22 | 易讯科技股份有限公司 | 受电弓磨耗的识别方法、装置及智能终端 |
CN109658387A (zh) * | 2018-11-27 | 2019-04-19 | 北京交通大学 | 电力列车的受电弓碳滑板缺陷的检测方法 |
CN109919229A (zh) * | 2019-03-08 | 2019-06-21 | 杭州麦乐克科技股份有限公司 | 基于人工蜂群和神经网络的监测有害气体预测方法及*** |
CN110059631A (zh) * | 2019-04-19 | 2019-07-26 | 中铁第一勘察设计院集团有限公司 | 接触网非接触式监测缺陷识别方法 |
CN209820444U (zh) * | 2019-04-28 | 2019-12-20 | 河南辉煌科技股份有限公司 | 一种铁路接触网张力补偿装置a/b值监测装置和*** |
CN110011864A (zh) * | 2019-05-17 | 2019-07-12 | 北京鼎兴达信息科技股份有限公司 | 一种高速铁路接触网安全状态监测方法 |
Non-Patent Citations (1)
Title |
---|
谢将剑: "基于棘轮补偿器参数检测的接触网在线监测技术的研究", 《中国优秀博士学位论文全文数据库(电子期刊)工程科技Ⅱ辑》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112541228A (zh) * | 2020-12-10 | 2021-03-23 | 重庆交通大学 | 接触力长短时记忆网络预测的受电弓主动控制方法 |
CN112541228B (zh) * | 2020-12-10 | 2022-11-08 | 重庆交通大学 | 接触力长短时记忆网络预测的受电弓主动控制方法 |
CN113075481A (zh) * | 2021-03-29 | 2021-07-06 | 李路 | 接触网补偿装置状态监测及预警方法 |
CN116337154A (zh) * | 2023-03-27 | 2023-06-27 | 成都铁路科创有限责任公司 | 一种接触网健康状态监测方法及*** |
CN116337154B (zh) * | 2023-03-27 | 2024-04-19 | 成都铁路科创有限责任公司 | 一种接触网健康状态监测方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111896044A (zh) | 一种铁路接触网补偿装置的监测方法及设备 | |
CN110647133B (zh) | 轨道交通设备状态检测维护方法及*** | |
CN115329812B (zh) | 一种基于人工智能的桥梁基础设施异常监测方法 | |
CN116794385B (zh) | 基于多维数据分析的高压电流监测方法 | |
CN114611966B (zh) | 一种智慧电网电力***输变电运行安全量化智能评估方法 | |
CN112327100B (zh) | 基于物联网的电力故障检测方法及其*** | |
CN111882071A (zh) | 一种基于机器学习的预应力钢构件监测方法 | |
CN113320445B (zh) | 一种接触网在线监测及隐患、故障智能判别预警*** | |
CN116090347A (zh) | 平稳荷载下历史建筑结构智能监测与预警*** | |
CN116677569A (zh) | 一种风机塔架应力监测与预警方法及其*** | |
CN111311872A (zh) | 一种船体结构应力长期监测报警*** | |
CN117494009A (zh) | 基于绝缘材料热解分析的电气设备状态评估方法及云平台 | |
CN115171242B (zh) | 工业车辆远程故障检测*** | |
CN114970273A (zh) | 一种基于arima-lstm组合模型的输电杆塔应变时间序列预测与失稳预警方法 | |
CN115931267A (zh) | 基于温度注意力—lstm的监测桥梁结构异常识别方法 | |
CN112540165A (zh) | 水土流失预警***及方法 | |
KR102425976B1 (ko) | 딥러닝을 이용한 해양 플랫폼 계류 라인의 장력 예측 및 고장 관리 시스템 | |
CN116878728B (zh) | 一种压力传感器故障检测分析处理*** | |
CN117516777B (zh) | 基于锚索计的风力发电混塔锚杆张拉力监测方法和*** | |
CN214330806U (zh) | 风力发电机***和风力发电机的故障分析设备 | |
CN118129878A (zh) | 基于重力传感器的超重检测方法及*** | |
CN117268613A (zh) | 高铁用电缆受力在线监测及预警装置、方法及设备 | |
CN117910834A (zh) | 一种基于多源数据联合的输电线路运维决策方法及*** | |
CN117807861A (zh) | 一种输电线路覆冰微气象数据与气象站数据的关联方法 | |
CN117332522A (zh) | 一种输电杆塔健康监测方法及*** |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20201106 |
|
RJ01 | Rejection of invention patent application after publication |