CN112000654B - 一种高速铁路大风监测数据质量控制方法和装置 - Google Patents
一种高速铁路大风监测数据质量控制方法和装置 Download PDFInfo
- Publication number
- CN112000654B CN112000654B CN202010866317.9A CN202010866317A CN112000654B CN 112000654 B CN112000654 B CN 112000654B CN 202010866317 A CN202010866317 A CN 202010866317A CN 112000654 B CN112000654 B CN 112000654B
- Authority
- CN
- China
- Prior art keywords
- data
- monitoring data
- wind
- group
- correlation
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 321
- 238000003908 quality control method Methods 0.000 title claims abstract description 59
- 238000012549 training Methods 0.000 claims abstract description 96
- 238000000034 method Methods 0.000 claims abstract description 37
- 230000002159 abnormal effect Effects 0.000 claims description 95
- 238000004590 computer program Methods 0.000 claims description 13
- 230000015654 memory Effects 0.000 claims description 13
- 230000008859 change Effects 0.000 claims description 9
- 238000011156 evaluation Methods 0.000 claims description 8
- 238000003860 storage Methods 0.000 claims description 7
- 238000005259 measurement Methods 0.000 claims description 5
- 230000007787 long-term memory Effects 0.000 claims description 3
- 230000006403 short-term memory Effects 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 2
- 238000005070 sampling Methods 0.000 claims 1
- 230000000694 effects Effects 0.000 abstract description 14
- 238000010586 diagram Methods 0.000 description 10
- 230000008569 process Effects 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 238000007689 inspection Methods 0.000 description 5
- 238000012795 verification Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 4
- 238000001514 detection method Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000010219 correlation analysis Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000009545 invasion Effects 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 206010029216 Nervousness Diseases 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/21—Design, administration or maintenance of databases
- G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2462—Approximate or statistical queries
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/40—Business processes related to the transportation industry
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Business, Economics & Management (AREA)
- General Health & Medical Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Quality & Reliability (AREA)
- Economics (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Fuzzy Systems (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明提供了一种高速铁路大风监测数据质量控制方法和装置,涉及计算机技术领域,通过获得大风监测点的大风监测数据信息和设备状态监测数据信息;将所述大风监测数据信息和所述设备状态监测数据信息输入训练模型,获得所述训练模型的输出信息,其中,所述输出信息包括多个单组风速风向计的相关性信息;从所述多个单组风速风向计中抽取M个单组风速风向计,依次对M个单组风速风向计进行相关性和空间一致性检查,当M个单组风速风向计通过相关性和空间一致性检查,随机抽取所述多个单组风速风向计中的单台风速风向计进行数据质量控制,获得大风监测数据质量控制结果,达到了提高检核设备的效率,保障大风报警数据的准确性的技术效果。
Description
技术领域
本发明涉及计算机技术领域,尤其涉及一种高速铁路大风监测数据质量控制方法和装置。
背景技术
随着我国路网的快速发展和列车运行速度的不断提高,自然环境及异物侵限对高铁运行的影响也越来越明显,大风、暴雨、暴雪等自然灾害和异物侵限影响列车运行的事件时有发生,严重威胁列车运行安全。大风对列车运行具有重要影响,轻则终止列车运行,重则可能导致列车脱轨,因此,为保障列车在大风天气下的行车安全,高速铁路建设了风监测***,对大风进行监测报警,为列车运行提供运营管理建议。大风监测设备一般设置在铁路沿线的山区垭口、峡谷、河谷、桥梁及高路堤等区段,山区垭口、峡谷、河谷等易产生强风区段设置间距一般为1km~5km,桥梁、高路堤等区段间距一般为5km~10km,一般采用超声波式、热场式和风杯式风速风向计。考虑到高铁大风监测的特殊需求、实际工作环境和运用维护管理要求,目前高速铁路大风现场采集设备主要采用超声式风速风向计,一般安装于距轨面4面高的接触网支柱上,且同一监测点设置2台风速风向计。
但本发明申请人发现现有技术至少存在如下技术问题:
现有的灾害现场监测高速铁路风速风向计核查难度大、核查时间短、核查工作量大,风速风向计存在误报等问题。
发明内容
本发明实施例提供了一种高速铁路大风监测数据质量控制方法和装置,解决了现有技术中灾害现场监测高速铁路风速风向计核查难度大、核查时间短、核查工作量大,风速风向计存在误报的技术问题,达到了提高检核设备的效率,且效率提高3倍以上,保障大风报警数据的准确性,满足相关质量安全要求,实现了对现场采集设备动态、实时、可跟踪式核查,降低检核难度,操作性强的技术效果。
鉴于上述问题,提出了本申请实施例以便提供一种高速铁路大风监测数据质量控制方法和装置。
第一方面,本发明提供了一种高速铁路大风监测数据质量控制方法,所述方法包括:获得大风监测点的大风监测数据信息;获得所述大风监测点的设备状态监测数据信息;将所述大风监测数据信息和所述设备状态监测数据信息输入训练模型,其中,所述训练模型通过多组训练数据训练获得,所述多组中的训练数据中的每一组训练数据均包括:所述大风监测数据信息、所述设备状态监测数据信息和用来标识风速风向计的相关性标识信息;获得所述训练模型的输出信息,其中,所述输出信息包括多个单组风速风向计的相关性信息,其中,所述单组风速风向计包含两台风速风向计;从所述多个单组风速风向计中抽取M个单组风速风向计,判断所述M个单组风速风向计的相关性是否满足第一预设条件;当所述M个单组风速风向计的相关性满足第一预设条件时,判断所述M个单组风速风向计中两台风速风向计的大风监测数据的差值是否满足第一预设阈值;当所述M个单组风速风向计中两台风速风向计的大风监测数据的差值满足第一预设阈值时,随机抽取所述多个单组风速风向计中的单台风速风向计进行数据质量控制,获得大风监测数据质量控制结果。
第二方面,本发明提供了一种高速铁路大风监测数据质量控制装置,所述装置包括:
第一获得单元,所述第一获得单元用于获得大风监测点的大风监测数据信息;
第二获得单元,所述第二获得单元用于获得所述大风监测点的设备状态监测数据信息;
第一训练单元,所述第一训练单元用于将所述大风监测数据信息和所述设备状态监测数据信息输入训练模型,其中,所述训练模型通过多组训练数据训练获得,所述多组中的训练数据中的每一组训练数据均包括:所述大风监测数据信息、所述设备状态监测数据信息和用来标识风速风向计的相关性标识信息;
第三获得单元,所述第三获得单元用于获得所述训练模型的输出信息,其中,所述输出信息包括多个单组风速风向计的相关性信息,其中,所述单组风速风向计包含两台风速风向计;
第一判断单元,所述第一判断单元用于从所述多个单组风速风向计中抽取M个单组风速风向计,判断所述M个单组风速风向计的相关性是否满足第一预设条件;
第二判断单元,所述第二判断单元用于当所述M个单组风速风向计的相关性满足第一预设条件时,判断所述M个单组风速风向计中两台风速风向计的大风监测数据的差值是否满足第一预设阈值;
第一执行单元,所述第一执行单元用于当M个单组风速风向计中所述两台风速风向计的大风监测数据的差值满足第一预设阈值时,随机抽取所述多个单组风速风向计中的单台风速风向计进行数据质量控制,获得大风监测数据质量控制结果。
第三方面,本发明提供了一种高速铁路大风监测数据质量控制装置,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现高速铁路大风监测数据质量控制方法的步骤。
第四方面,本发明提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现高速铁路大风监测数据质量控制方法的步骤。
本申请实施例中的上述一个或多个技术方案,至少具有如下一种或多种技术效果:
本发明实施例提供的一种高速铁路大风监测数据质量控制方法和装置,通过获得大风监测点的大风监测数据信息;获得所述大风监测点的设备状态监测数据信息;将所述大风监测数据信息和所述设备状态监测数据信息输入训练模型,其中,所述训练模型通过多组训练数据训练获得,所述多组中的训练数据中的每一组训练数据均包括:所述大风监测数据信息、所述设备状态监测数据信息和用来标识风速风向计的相关性标识信息;获得所述训练模型的输出信息,其中,所述输出信息包括多个单组风速风向计的相关性信息,其中,所述单组风速风向计包含两台风速风向计;从所述多个单组风速风向计中抽取M个单组风速风向计,判断所述M个单组风速风向计的相关性是否满足第一预设条件;当所述M个单组风速风向计的相关性满足第一预设条件时,判断所述M个单组风速风向计中两台风速风向计的大风监测数据的差值是否满足第一预设阈值;当所述M个单组风速风向计中两台风速风向计的大风监测数据的差值满足第一预设阈值时,随机抽取所述多个单组风速风向计中的单台风速风向计进行数据质量控制,获得大风监测数据质量控制结果,从而解决了现有技术中灾害现场监测高速铁路风速风向计核查难度大、核查时间短、核查工作量大,存在误报的技术问题,达到了提高检核设备的效率,且效率提高3倍以上,保障大风报警数据的准确性,满足相关质量安全要求,实现了对现场采集设备动态、实时、可跟踪式核查,降低检核难度,操作性强的技术效果。
上述说明仅是本发明技术方案的概述,为了能够更清楚了解本发明的技术手段,而可依照说明书的内容予以实施,并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂,以下特举本发明的具体实施方式。
附图说明
图1为本发明实施例中一种高速铁路大风监测数据质量控制方法的流程示意图;
图2为本发明实施例中一种高速铁路大风监测数据质量控制方法中单台风速风向计进行数据质量控制的流程示意图;
图3为本发明实施例中一种高速铁路大风监测数据质量控制方法中所述第一通过数据或所述疑似异常数据下设备状态出现异常的流程示意图;
图4为本发明实施例中一种高速铁路大风监测数据质量控制方法中单台风速风向计的逐秒大风监测数据进行可疑性检查的流程示意图;
图5为本发明实施例中一种高速铁路大风监测数据质量控制方法中单台风速风向计的逐秒大风监测数据进行内部要素检查的流程示意图;
图6为本发明实施例中一种高速铁路大风监测数据质量控制方法中单台风速风向计的逐秒大风监测数据进行时间一致性检查的流程示意图;
图7为本发明实施例中一种高速铁路大风监测数据质量控制方法中所述训练模型的流程示意图;
图8为本发明实施例中一种高速铁路大风监测数据质量控制装置的结构示意图;
图9为本发明实施例中示例性电子设备的结构示意图。
附图标记说明:第一获得单元11,第二获得单元12,第一训练单元13,第三获得单元14,第一判断单元15,第二判断单元16,第一执行单元17,总线300,接收器301,处理器302,发送器303,存储器304,总线接口306。
具体实施方式
本发明实施例提供了一种高速铁路大风监测数据质量控制方法和装置,用于解决现有技术中灾害现场监测高速铁路风速风向计核查难度大、核查时间短、核查工作量大,风速风向计存在误报的技术问题,从而达到了提高检核设备的效率,且效率提高3倍以上,保障大风报警数据的准确性,满足相关质量安全要求,实现了对现场采集设备动态、实时、可跟踪式核查,降低检核难度,操作性强的技术效果。下面,将参考附图详细的描述根据本申请的示例实施例。显然,所描述的实施例仅是本申请的一部分实施例,而不是本申请的全部实施例,应理解,本申请不受这里描述的示例实施例的限制。
申请概述
随着我国路网的快速发展和列车运行速度的不断提高,大风对列车运行具有重要影响,为保障列车在大风天气下的行车安全,高速铁路建设了风监测***,对大风进行监测报警,为列车运行提供运营管理建议。但灾害现场监测高速铁路风速风向计存在核查难度大、核查时间短、核查工作量大,造成风速风向计存在误报等问题。
针对上述技术问题,本发明提供的技术方案总体思路如下:
本申请实施例提供了一种高速铁路大风监测数据质量控制方法,其中,所述方法包括:获得大风监测点的大风监测数据信息;获得所述大风监测点的设备状态监测数据信息;将所述大风监测数据信息和所述设备状态监测数据信息输入训练模型,其中,所述训练模型通过多组训练数据训练获得,所述多组中的训练数据中的每一组训练数据均包括:所述大风监测数据信息、所述设备状态监测数据信息和用来标识风速风向计的相关性标识信息;获得所述训练模型的输出信息,其中,所述输出信息包括多个单组风速风向计的相关性信息,其中,所述单组风速风向计包含两台风速风向计;从所述多个单组风速风向计中抽取M个单组风速风向计,判断所述M个单组风速风向计的相关性是否满足第一预设条件;当所述M个单组风速风向计的相关性满足第一预设条件时,判断所述M个单组风速风向计中两台风速风向计的大风监测数据的差值是否满足第一预设阈值;当所述M个单组风速风向计中两台风速风向计的大风监测数据的差值满足第一预设阈值时,随机抽取所述多个单组风速风向计中的单台风速风向计进行数据质量控制,获得大风监测数据质量控制结果。
在介绍了本申请基本原理后,下面通过附图以及具体实施例对本发明技术方案做详细的说明,应当理解本申请实施例以及实施例中的具体特征是对本申请技术方案的详细的说明,而不是对本申请技术方案的限定,在不冲突的情况下,本申请实施例以及实施例中的技术特征可以相互组合。
实施例一
图1为本发明实施例中一种高速铁路大风监测数据质量控制方法的流程示意图。如图1所示,本发明实施例提供了一种高速铁路大风监测数据质量控制方法,所述方法包括:
步骤S100:获得大风监测点的大风监测数据信息。
步骤S200:获得所述大风监测点的设备状态监测数据信息。
具体而言,大风监测点为高速铁路上设置的超声式风速风向计采集大风监测数据的固定监测位置,一般将风速风向计安装于距轨面4米高的接触网支柱上,且同一大风监测点设置两台风速风向计。通过收集待检测的大风监测点的两台风速风向计自正式投入运营以来实时监测的所有的大风监测数据和设备状态监测数据,其中,大风监测数据包含风速、风向等数据。设备状态监测数据包含风速风向计的运行数据。通过对大风监测数据信息与设备状态监测数据信息预处理,将同一大风监测点的两台风速风向计的大风监测数据信息和设备状态监测数据信息进行分组标记并储存,便于训练模型处理同一大风监测点的监测数据,实现了对现场采集设备动态、实时、可跟踪式核查,达到了提高检核设备的效率,降低检核难度的效果。
步骤S300:将所述大风监测数据信息和所述设备状态监测数据信息输入训练模型,其中,所述训练模型通过多组训练数据训练获得,所述多组中的训练数据中的每一组训练数据均包括:所述大风监测数据信息、所述设备状态监测数据信息和用来标识风速风向计的相关性标识信息。
进一步的,为了对风速风向计的相关性判断准确,达到提高检核设备的效率的效果,如图7所示,本申请实施例步骤S300还包括:
步骤S310:获得所述大风监测点的第一风速风向计与第二风速风向计;
步骤S320:获得所述第一风速风向计的第一大风监测数据和所述第二风速风向计的第二大风监测数据;
步骤S330:判断所述第一风速风向计与所述第二风速风向计的高度、间距是否满足第二预设条件;
步骤S340:当所述第一风速风向计与所述第二风速风向计的高度、间距满足第二预设条件时,计算所述第一大风监测数据与所述第二大风监测数据的第一相关性;
步骤S350:判断所述第一相关性是否为预定数值的正相关性;
步骤S360:当所述第一相关性为预定数值的正相关性,设定用来标识风速风向计的相关性标识信息;
步骤S370:将所述用来标识风速风向计的相关性标识信息作为监督数据,输入所述每一组训练数据中,对所述大风监测数据信息和所述设备状态监测数据信息进行监督学习,确定所述训练模型的输出信息达到收敛状态。
具体而言,所述训练模型为机器学习模型中的神经网络模型,所述机器学习模型能通过大量数据不断的学习,进而不断地修正模型,最终获得满意的经验来处理其他数据。所述机器模型通过多组训练数据训练获得,所述神经网络模型通过训练数据训练的过程本质上为监督学习的过程。本申请实施例中的训练模型是通过多组训练数据利用机器学习训练得出的,多组中的训练数据中的每一组训练数据均包括:大风监测数据信息、设备状态监测数据信息和用来标识风速风向计的相关性标识信息。其中,将用来标识风速风向计的相关性标识信息作为监督数据。
进一步而言,为了对风速风向计的相关性判断准确,达到提高检核设备的效率,首先,获得所述大风监测点的第一风速风向计与第二风速风向计,以及第一风速风向计的第一大风监测数据和所述第二风速风向计的第二大风监测数据。其次,判断第一风速风向计与第二风速风向计的高度、间距是否满足第二预设条件,其中,第二预设条件具体为同一大风监测点的两台风速风向计的高度处于同一水平线高度,且两者的间距小于1m。当第一风速风向计与第二风速风向计的高度、间距满足第二预设条件,则两台风速风向计的大风监测数据具有一定的相关性和可比性。最后,利用斯皮尔曼等级相关系数、皮尔逊积差相关系数计算第一大风监测数据与第二大风监测数据的第一相关性。判断第一相关性是否为预定数值的正相关性,其中,预定数值的正相关性表示两个数据之间具有极强的正相关性。当第一相关性满足预定数值的正相关性,则根据第一相关性的大小设定用来标识风速风向计的相关性标识信息。将用来标识风速风向计的相关性标识信息作为监督数据,输入每一组训练数据中,对大风监测数据信息和设备状态监测数据信息进行监督学习,通过标识风速风向计的相关性标识信息与所述训练模型的输出结果进行对比,当一致时,本组数据监督学习完成,进行下一组数据监督学习;当不一致时,则训练模型进行自我修正,直至其输出结果与标识的风速风向计的相关性标识信息一致,本组监督学习完成,进行下一组数据监督学习;通过大量数据的监督学习,使得机器学习模型的输出结果达到收敛状态,则监督学习完成。通过对训练模型进行监督学习的过程,使得训练模型输出的风速风向计的相关性更加准确,达到了提高检核设备的效率,降低检核难度,提升风速风向计报警准确率的效果。
步骤S400:获得所述训练模型的输出信息,其中,所述输出信息包括多个单组风速风向计的相关性信息,其中,所述单组风速风向计包含两台风速风向计。
具体而言,由于风具有局部特性,且高铁轨道同一大风监测点安装两台风速风向计,故将同一大风监测点的两台风速风向计作为单组风速风向计,实现来自现场两台风速风向计的数据质量控制算法。所述单组风速风向计的相关性是根据大风监测数据信息和设备状态监测数据信息,对风速风向计的相关性进行评定。所述单组风速风向计的相关性可分为两个方面:单组风速风向计具有极强正相关性和单组风速风向计具有低相关性。当单组风速风向计具有低相关性时,通过训练模型过滤同一大风监测点的相关性较低的风速风向计,进而对相关性较低的所有风速风向计进行数据质量控制。通过训练模型输出具有极强正相关性的多个单组风速风向计,能够达到降低检核难度,减少检核时间,提高检核设备的效率的效果。
步骤S500:从所述多个单组风速风向计中抽取M个单组风速风向计,判断所述M个单组风速风向计的相关性是否满足第一预设条件。
步骤S600:当所述M个单组风速风向计的相关性满足第一预设条件时,判断所述M个单组风速风向计中两台风速风向计的大风监测数据的差值是否满足第一预设阈值。
步骤S700:当所述M个单组风速风向计中两台风速风向计的大风监测数据的差值满足第一预设阈值时,随机抽取所述多个单组风速风向计中的单台风速风向计进行数据质量控制,获得大风监测数据质量控制结果。
具体而言,基于统计概率理论对两台风速风向计监测数据进行相关性分析,进一步提升判断风速风向计相关性的准确度。从多个单组风速风向计中抽取M个单组风速风向计,判断M个单组风速风向计中同一大风监测点的两台风速风向计的相关性是否满足第一预设条件。其中,第一预设条件具体为单组风速风向计中的两台风速风向计具有极强正相关性。当M个单组风速风向计的相关性满足第一预设条件时,进一步判断M个单组风速风向计中两台风速风向计的大风监测数据的差值是否满足第一预设阈值。其中,第一预设阈值是同一大风监测点的两台风速风向计各项监测数据允许的最大差值范围。当两台风速风向计的大风监测数据的差值满足第一预设阈值时,随机抽取多个单组风速风向计中的单台风速风向计进行数据质量控制,获得大风监测数据质量控制结果。也就是不用对每台风速风向计进行数据质量控制,只用在多个单组风速风向计中随机抽取几组风速风向计,并从这几组风速风向计中抽取单台风速风向计进行数据质量控制,从而达到对现场采集设备动态、实时、可跟踪式核查,可操作性极强,进而提高了设备核查效率,效率提高3倍以上的效果,且保障大风报警数据的准确性。
如图2所示,为了提高设备核查效率,保障大风报警数据的准确性,降低检核难度的效果,本申请实施例步骤S700还包括:
S710:获得所述单台风速风向计的逐秒大风监测数据;
S720:依次对所述单台风速风向计的逐秒大风监测数据进行可疑性检查、合理性检查、内部要素检查与时间一致性检查,获得第一通过数据和疑似异常数据;
S730:判断所述第一通过数据或所述疑似异常数据下设备状态是否出现异常;
S740:如果所述第一通过数据下设备运行状态没有出现异常,对所述第一通过数据进行基于长短期记忆网络模型的离群评价,标记未通过所述离群评价的第一通过数据为第一异常数据;
S750:如果所述疑似异常数据下设备状态没有出现异常,标记所述疑似异常数据为第二异常数据。
具体而言,通过对同一大风监测点的两台风速风向计相关性分析,当同一大风监测点的两台风速风向计具有极强相关性时,进而对单台风速风向计进行数据质量控制,避免对每台风速风向计进行数据质量控制,降低检核难度,提升检核效率。逐秒大风监测数据是逐秒钟获得单台风速风向计的大风监测数据。依次对单台风速风向计的逐秒大风监测数据进行可疑性检查、合理性检查、内部要素检查与时间一致性检查,进而通过这一些列的检查获得第一通过数据和疑似异常数据。分别判断在第一通过数据或疑似异常数据下风速风向计的设备状态是否出现异常。如果第一通过数据下设备运行状态没有出现异常,对第一通过数据进行基于长短期记忆网络模型的离群评价,标记未通过离群评价的第一通过数据为第一异常数据进行预警;如果疑似异常数据下设备状态没有出现异常,标记疑似异常数据为第二异常数据进行预警,进而通过抽查多个单组风速风向计中的几个单台风速风向计,达到了满足相关质量安全要求,提升检核效率,保障大风报警数据的准确性的效果。
如图3所示,为了保障大风报警数据的准确性的效果,本申请实施例步骤S730还包括:
S731:如果所述第一通过数据下设备运行状态出现异常,标记所述第一通过数据为设备异常时监测数据;
S732:如果所述疑似异常数据下设备状态出现异常,标记所述疑似异常数据为设备故障监测数据。
具体而言,基于步骤S730判断第一通过数据或疑似异常数据下设备状态是否出现异常,如果第一通过数据下设备运行状态出现异常,标记第一通过数据为风速风向计处于设备异常时的监测数据。如果疑似异常数据下设备状态出现异常,标记疑似异常数据为设备故障监测数据,预警提醒工作人员对风速风向计进行检查维修,并且本申请实施例在现场采集设备数据无需拆卸,不需要相关部门施工配合,节约成本至少5倍以上,同时提高了设备核查效率。
如图4所示,为了实现单台风速风向计数据质量控制的准确性,保障大风报警数据的准确性的效果,本申请实施例步骤S720还包括:
步骤S721:判断所述逐秒大风监测数据是否在预设测量范围内;
步骤S722:当所述逐秒大风监测数据在预设测量范围内时,判断所述逐秒大风监测数据是否是分辨率的整数倍;
步骤S723:当所述逐秒大风监测数据是分辨率的整数倍时,标记所述逐秒大风监测数据为第二通过数据。
具体而言,对单台风速风向计数据质量控制,首先逐秒钟获取单台风速风向计的逐秒大风监测数据后,依次对单台风速风向计的逐秒大风监测数据进行可疑性检查。判断逐秒大风监测数据是否在预设测量范围内,其中,预设测量范围是高铁可以正常运行且处于可测量范围的大风监测数据。当逐秒大风监测数据在预设测量范围内时,进而判断逐秒大风监测数据是否是分辨率的整数倍。第二通过数据为逐秒大风监测数据是分辨率的整数倍,则标记逐秒大风监测数据为第二通过数据,表明单台风速风向计通过可疑性检查。如果逐秒大风监测数据超出预设测量范围内,则标记逐秒大风监测数据为疑似异常数据。同理,如果逐秒大风监测数据不是分辨率的整数倍,则标记逐秒大风监测数据为疑似异常数据,进而判断疑似异常数据下设备状态是否出现异常,进一步判断是否为异常数据,达到了提高数据运算率,实现单台风速风向计数据质量控制的准确性,保障大风报警数据的准确性的效果。
如图5所示,为了实现单台风速风向计数据质量控制的准确性,保障大风报警数据的准确性的效果,本申请实施例步骤S720还包括:
步骤S724:判断所述第二通过数据的风向在预定时间内是否发生变化;
步骤S725:如果所述第二通过数据的风向在预定时间内发生变化,获得第三通过数据;
步骤S726:如果所述第二通过数据的风向在预定时间内未发生变化,标记所述第二通过数据为第三异常数据,或,判断所述设备状态监测数据是否异常;
步骤S727:当所述设备状态监测数据异常时,标记所述第二通过数据为所述设备异常时监测数据。
具体而言,通过图4中对逐秒大风监测数据进行可疑性检查后,进而对逐秒大风监测数据进行合理性检查,所述逐秒大风监测数据的合理范围是通过长期经验获得的高铁正常运行下的大风数据范围。当逐秒大风监测数据在合理范围时,进而对逐秒大风监测数据进行内部要素检查。内部要素一致性检测是通过内部逻辑检查检测出非常明显的异常监测数据。对于高铁大风监测数据内部要素一致性检测,可通过风向检查风速是否为正常数据,判断第二通过数据的风向在预定时间内是否发生变化,其中,预定时间表示长时间,如3min、10min或60min等。如果第二通过数据的风向在预定时间内发生变化,获得第三通过数据,表明单台风速风向计通过内部要素一致性检测。如果第二通过数据的风向在预定时间内未发生变化,可以直接标记第二通过数据为第三异常数据,或进一步判断设备状态监测数据是否异常。当设备状态监测数据异常时,标记第二通过数据为设备异常时监测数据,进而给工作人员预警对设备进行检查维护,达到了满足相关质量安全要求,实现单台风速风向计数据质量控制的准确性,保障大风报警数据的准确性。
如图6所示,为了实现单台风速风向计数据质量控制的准确性,保障大风报警数据的准确性的效果,本申请实施例步骤S720中还包括:
步骤S728:判断所述第三通过数据中风速瞬时值的变化率是否大于第二预设阈值;
步骤S729:当所述第三通过数据中风速瞬时值的变化率大于第二预设阈值时,标记所述第三通过数据为第四异常数据。
具体而言,对于通过内部要素检查的大风监测数据进行时间一致性检查。从时间演变上来看,风速在完整时间的分布中具有连续性,因此,可以对风速进行时间一致性检查。时间一致性检查通过检查风速瞬时值的变化率,检验异常的尖峰或者跳变值,或因传感器损坏引起的异常值。进而判断第三通过数据中风速瞬时值的变化率是否大于第二预设阈值,其中,第二预设阈值指风速、风向最大变化范围的取值,即当前的瞬时值与前一次的差异大于给定的限值。当第三通过数据中风速瞬时值的变化率大于第二预设阈值时,标记第三通过数据为第四异常数据,进而判断第四异常数据下设备状态是否出现异常进行预警。另外,本申请实施例中,存在数据长时间不变的异常情况,根据历史数据的统计分析,得出正常数据的变化规律和数据长时间不变化的时间界限,超出该界限的数据为异常数据,从而实现通过对单台风速风向计数据质量控制,降低检核难度,缩短检核时间,保障大风报警数据的准确性的效果。
需要说明的是,本发明实施例所提供的一种高速铁路大风监测数据质量控制方法运用于高铁运行的数据平台中,该数据平台与多监测点的风速风向计进行数据关联,如第一段监测***、第二段监测***。本发明实施例中所获得的各类数据均是通过计算机通信技术自动从上述诸如第一段监测***中自动匹配,关联,处理后予以获得。通过计算机技术可以高效、自动匹配,关联,处理进而解决本发明所要解决的技术问题,实现本发明的技术效果。
实施例二
基于与前述实施例中一种高速铁路大风监测数据质量控制方法同样的发明构思,本发明还提供一种高速铁路大风监测数据质量控制方法装置,如图8所示,所述装置包括:
第一获得单元11,所述第一获得单元11用于获得大风监测点的大风监测数据信息;
第二获得单元12,所述第二获得单元12用于获得所述大风监测点的设备状态监测数据信息;
第一训练单元13,所述第一训练单元13用于将所述大风监测数据信息和所述设备状态监测数据信息输入训练模型,其中,所述训练模型通过多组训练数据训练获得,所述多组中的训练数据中的每一组训练数据均包括:所述大风监测数据信息、所述设备状态监测数据信息和用来标识风速风向计的相关性标识信息;
第三获得单元14,所述第三获得单元14用于获得所述训练模型的输出信息,其中,所述输出信息包括多个单组风速风向计的相关性信息,其中,所述单组风速风向计包含两台风速风向计;
第一判断单元15,所述第一判断单元15用于从所述多个单组风速风向计中抽取M个单组风速风向计,判断所述M个单组风速风向计的相关性是否满足第一预设条件;
第二判断单元16,所述第二判断单元16用于当所述M个单组风速风向计的相关性满足第一预设条件时,判断所述M个单组风速风向计中两台风速风向计的大风监测数据的差值是否满足第一预设阈值;
第一执行单元17,所述第一执行单元17用于当所述M个单组风速风向计中两台风速风向计的大风监测数据的差值满足第一预设阈值时,随机抽取所述多个单组风速风向计中的单台风速风向计进行数据质量控制,获得大风监测数据质量控制结果。
进一步的,所述随机抽取所述多个单组风速风向计中的单台风速风向计进行数据质量控制,获得大风监测数据质量控制结果,还包括:
第四获得单元,所述第四获得单元用于获得所述单台风速风向计的逐秒大风监测数据;
第二执行单元,所述第二执行单元用于依次对所述单台风速风向计的逐秒大风监测数据进行可疑性检查、合理性检查、内部要素检查与时间一致性检查,获得第一通过数据和疑似异常数据;
第三判断单元,所述第三判断单元用于判断所述第一通过数据或所述疑似异常数据下设备状态是否出现异常;
第一标记单元,所述第一标记单元用于如果所述第一通过数据下设备运行状态没有出现异常,对所述第一通过数据进行基于长短期记忆网络模型的离群评价,标记未通过所述离群评价的第一通过数据为第一异常数据;
第二标记单元,所述第二标记单元用于如果所述疑似异常数据下设备状态没有出现异常,标记所述疑似异常数据为第二异常数据。
进一步的,所述判断所述第一通过数据或所述疑似异常数据下设备状态是否出现异常,包括:
第三标记单元,所述第三标记单元用于如果所述第一通过数据下设备运行状态出现异常,标记所述第一通过数据为设备异常时监测数据;
第四标记单元,所述第四标记单元用于如果所述疑似异常数据下设备状态出现异常,标记所述疑似异常数据为设备故障监测数据。
进一步的,所述对所述单台风速风向计的逐秒大风监测数据进行可疑性检查,包括:
第四判断单元,所述第四判断单元用于判断所述逐秒大风监测数据是否在预设测量范围内;
第五判断单元,所述第五判断单元用于当所述逐秒大风监测数据在预设测量范围内时,判断所述逐秒大风监测数据是否是分辨率的整数倍;
第五标记单元,所述第五标记单元用于当所述逐秒大风监测数据是分辨率的整数倍时,标记所述逐秒大风监测数据为第二通过数据。
进一步的,对所述单台风速风向计的逐秒大风监测数据进行内部要素检查,包括:
第六判断单元,所述第六判断单元用于判断所述第二通过数据的风向在预定时间内是否发生变化;
第五获得单元,所述第五获得单元用于如果所述第二通过数据的风向在预定时间内发生变化,获得第三通过数据;
第三执行单元,所述第三执行单元用于如果所述第二通过数据的风向在预定时间内未发生变化,标记所述第二通过数据为第三异常数据,或,判断所述设备状态监测数据是否异常;
第六标记单元,所述第六标记单元用于当所述设备状态监测数据异常时,标记所述第二通过数据为所述设备异常时监测数据。
进一步的,对所述单台风速风向计的逐秒大风监测数据进行时间一致性检查,包括:
第七判断单元,所述第七判断单元用于判断所述第三通过数据中风速瞬时值的变化率是否大于第二预设阈值;
第七标记单元,所述第七标记单元用于当所述第三通过数据中风速瞬时值的变化率大于第二预设阈值时,标记所述第三通过数据为第四异常数据。
进一步的,所述装置还包括:
第六获得单元,所述第六获得单元用于获得所述大风监测点的第一风速风向计与第二风速风向计;
第七获得单元,所述第七获得单元用于获得所述第一风速风向计的第一大风监测数据和所述第二风速风向计的第二大风监测数据;
第八判断单元,所述第八判断单元用于判断所述第一风速风向计与所述第二风速风向计的高度、间距是否满足第二预设条件;
第一计算单元,所述第一计算单元用于当所述第一风速风向计与所述第二风速风向计的高度、间距满足第二预设条件时,计算所述第一大风监测数据与所述第二大风监测数据的第一相关性;
第九判断单元,所述第九判断单元用于判断所述第一相关性是否为预定数值的正相关性;
第一设定单元,所述第一设定单元用于当所述第一相关性为预定数值的正相关性,设定用来标识风速风向计的相关性标识信息;
第二训练单元,所述第二训练单元用于将所述用来标识风速风向计的相关性标识信息作为监督数据,输入所述每一组训练数据中,对所述大风监测数据信息和所述设备状态监测数据信息进行监督学习,确定所述训练模型的输出信息达到收敛状态。
前述图1实施例一中的一种高速铁路大风监测数据质量控制方法的各种变化方式和具体实例同样适用于本实施例的一种高速铁路大风监测数据质量控制装置,通过前述对一种高速铁路大风监测数据质量控制方法的详细描述,本领域技术人员可以清楚的知道本实施例中一种高速铁路大风监测数据质量控制装置的实施方法,所以为了说明书的简洁,在此不再详述。
实施例三
基于与前述实施例中一种高速铁路大风监测数据质量控制方法同样的发明构思,本发明还提供一种高速铁路大风监测数据质量控制装置,如图9所示,图9为申请实施例中示例性电子设备,包括存储器304、处理器302及存储在存储器304上并可在处理器302上运行的计算机程序,所述处理器302执行所述程序时实现前文所述高速铁路大风监测数据质量控制方法的任一方法的步骤。
其中,在图9中,总线架构(用总线300来代表),总线300可以包括任意数量的互联的总线和桥,总线300将包括由处理器302代表的一个或多个处理器和存储器304代表的存储器的各种电路链接在一起。总线300还可以将诸如***设备、稳压器和功率管理电路等之类的各种其他电路链接在一起,这些都是本领域所公知的,因此,本文不再对其进行进一步描述。总线接口306在总线300和接收器301和发送器303之间提供接口。接收器301和发送器303可以是同一个元件,即收发机,提供用于在传输介质上与各种其他装置通信的单元。
处理器302负责管理总线300和通常的处理,而存储器304可以被用于存储处理器302在执行操作时所使用的数据。
实施例四
基于与前述实施例中一种高速铁路大风监测数据质量控制方法同样的发明构思,本发明还提供一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现以下步骤:获得大风监测点的大风监测数据信息;获得所述大风监测点的设备状态监测数据信息;将所述大风监测数据信息和所述设备状态监测数据信息输入训练模型,其中,所述训练模型通过多组训练数据训练获得,所述多组中的训练数据中的每一组训练数据均包括:所述大风监测数据信息、所述设备状态监测数据信息和用来标识风速风向计的相关性标识信息;获得所述训练模型的输出信息,其中,所述输出信息包括多个单组风速风向计的相关性信息,其中,所述单组风速风向计包含两台风速风向计;从所述多个单组风速风向计中抽取M个单组风速风向计,判断所述M个单组风速风向计的相关性是否满足第一预设条件;当所述M个单组风速风向计的相关性满足第一预设条件时,判断所述M个单组风速风向计中两台风速风向计的大风监测数据的差值是否满足第一预设阈值;当所述两台风速风向计的大风监测数据的差值满足第一预设阈值时,随机抽取所述多个单组风速风向计中的单台风速风向计进行数据质量控制,获得大风监测数据质量控制结果。
在具体实施过程中,该程序被处理器执行时,还可以实现实施例一中的任一方法步骤。
本申请实施例中的上述一个或多个技术方案,至少具有如下一种或多种技术效果:
本发明实施例提供的一种高速铁路大风监测数据质量控制方法和装置,通过获得大风监测点的大风监测数据信息;获得所述大风监测点的设备状态监测数据信息;将所述大风监测数据信息和所述设备状态监测数据信息输入训练模型,其中,所述训练模型通过多组训练数据训练获得,所述多组中的训练数据中的每一组训练数据均包括:所述大风监测数据信息、所述设备状态监测数据信息和用来标识风速风向计的相关性标识信息;获得所述训练模型的输出信息,其中,所述输出信息包括多个单组风速风向计的相关性信息,其中,所述单组风速风向计包含两台风速风向计;从所述多个单组风速风向计中抽取M个单组风速风向计,判断所述M个单组风速风向计的相关性是否满足第一预设条件;当所述M个单组风速风向计的相关性满足第一预设条件时,判断所述M个单组风速风向计中两台风速风向计的大风监测数据的差值是否满足第一预设阈值;当所述两台风速风向计的大风监测数据的差值满足第一预设阈值时,随机抽取所述多个单组风速风向计中的单台风速风向计进行数据质量控制,获得大风监测数据质量控制结果,从而解决了现有技术中灾害现场监测高速铁路风速风向计核查难度大、核查时间短、核查工作量大,存在误报的技术问题,达到了提高检核设备的效率,且效率提高3倍以上,保障大风报警数据的准确性,满足相关质量安全要求,实现了对现场采集设备动态、实时、可跟踪式核查,降低检核难度,操作性强的技术效果。
本领域内的技术人员应明白,本发明的实施例可提供为方法、***、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(***)和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (9)
1.一种高速铁路大风监测数据质量控制方法,其中,所述方法包括:
获得大风监测点的大风监测数据信息;
获得所述大风监测点的设备状态监测数据信息;
将所述大风监测数据信息和所述设备状态监测数据信息输入训练模型,其中,所述训练模型通过多组训练数据训练获得,所述多组中的训练数据中的每一组训练数据均包括:所述大风监测数据信息、所述设备状态监测数据信息和用来标识风速风向计的相关性标识信息;
获得所述训练模型的输出信息,其中,所述输出信息包括多个单组风速风向计的相关性信息,其中,所述单组风速风向计包含两台风速风向计;
从所述多个单组风速风向计中抽取M个单组风速风向计,判断所述M个单组风速风向计的相关性是否满足第一预设条件;
当所述M个单组风速风向计的相关性满足第一预设条件时,判断所述M个单组风速风向计中两台风速风向计的大风监测数据的差值是否满足第一预设阈值,其中,第一预设条件具体为单组风速风向计中的两台风速风向计具有极强正相关性;
当所述M个单组风速风向计中两台风速风向计的大风监测数据的差值满足第一预设阈值时,随机抽取所述多个单组风速风向计中的单台风速风向计进行数据质量控制,获得大风监测数据质量控制结果,其中,第一预设阈值是同一大风监测点的两台风速风向计各项监测数据允许的最大差值范围;
所述方法还包括:
获得所述大风监测点的第一风速风向计与第二风速风向计;
获得所述第一风速风向计的第一大风监测数据和所述第二风速风向计的第二大风监测数据;
判断所述第一风速风向计与所述第二风速风向计的高度、间距是否满足第二预设条件,其中,第二预设条件具体为同一大风监测点的两台风速风向计的高度处于同一水平线高度,且两者的间距小于1m;
当所述第一风速风向计与所述第二风速风向计的高度、间距满足第二预设条件时,计算所述第一大风监测数据与所述第二大风监测数据的第一相关性;
判断所述第一相关性是否为预定数值的正相关性,其中,预定数值的正相关性表示两个数据之间具有极强的正相关性;
当所述第一相关性为预定数值的正相关性,设定用来标识风速风向计的相关性标识信息;
将所述用来标识风速风向计的相关性标识信息作为监督数据,输入所述每一组训练数据中,对所述大风监测数据信息和所述设备状态监测数据信息进行监督学习,确定所述训练模型的输出信息达到收敛状态。
2.如权利要求1所述的方法,其中,所述随机抽取所述多个单组风速风向计中的单台风速风向计进行数据质量控制,获得大风监测数据质量控制结果,还包括:
获得所述单台风速风向计的逐秒大风监测数据;
依次对所述单台风速风向计的逐秒大风监测数据进行可疑性检查、合理性检查、内部要素检查与时间一致性检查,获得第一通过数据和疑似异常数据;
判断所述第一通过数据或所述疑似异常数据下设备状态是否出现异常;
如果所述第一通过数据下设备运行状态没有出现异常,对所述第一通过数据进行基于长短期记忆网络模型的离群评价,标记未通过所述离群评价的第一通过数据为第一异常数据;
如果所述疑似异常数据下设备状态没有出现异常,标记所述疑似异常数据为第二异常数据。
3.如权利要求2所述的方法,其中,所述判断所述第一通过数据或所述疑似异常数据下设备状态是否出现异常,包括:
如果所述第一通过数据下设备运行状态出现异常,标记所述第一通过数据为设备异常时监测数据;
如果所述疑似异常数据下设备状态出现异常,标记所述疑似异常数据为设备故障监测数据。
4.如权利要求2所述的方法,其中,所述对所述单台风速风向计的逐秒大风监测数据进行可疑性检查,包括:
判断所述逐秒大风监测数据是否在预设测量范围内;
当所述逐秒大风监测数据在预设测量范围内时,判断所述逐秒大风监测数据是否是分辨率的整数倍;
当所述逐秒大风监测数据是分辨率的整数倍时,标记所述逐秒大风监测数据为第二通过数据。
5.如权利要求4所述的方法,其中,所述对所述单台风速风向计的逐秒大风监测数据进行内部要素检查,包括:
判断所述第二通过数据的风向在预定时间内是否发生变化;
如果所述第二通过数据的风向在预定时间内发生变化,获得第三通过数据;
如果所述第二通过数据的风向在预定时间内未发生变化,标记所述第二通过数据为第三异常数据,或,判断所述设备状态监测数据是否异常;
当所述设备状态监测数据异常时,标记所述第二通过数据为所述设备异常时监测数据。
6.如权利要求5所述的方法,其中,所述对所述单台风速风向计的逐秒大风监测数据进行时间一致性检查,包括:
判断所述第三通过数据中风速瞬时值的变化率是否大于第二预设阈值;
当所述第三通过数据中风速瞬时值的变化率大于第二预设阈值时,标记所述第三通过数据为第四异常数据。
7.一种高速铁路大风监测数据质量控制装置,其中,所述装置包括:
第一获得单元,所述第一获得单元用于获得大风监测点的大风监测数据信息;
第二获得单元,所述第二获得单元用于获得所述大风监测点的设备状态监测数据信息;
第一训练单元,所述第一训练单元用于将所述大风监测数据信息和所述设备状态监测数据信息输入训练模型,其中,所述训练模型通过多组训练数据训练获得,所述多组中的训练数据中的每一组训练数据均包括:所述大风监测数据信息、所述设备状态监测数据信息和用来标识风速风向计的相关性标识信息;
第三获得单元,所述第三获得单元用于获得所述训练模型的输出信息,其中,所述输出信息包括多个单组风速风向计的相关性信息,其中,所述单组风速风向计包含两台风速风向计;
第一判断单元,所述第一判断单元用于从所述多个单组风速风向计中抽取M个单组风速风向计,判断所述M个单组风速风向计的相关性是否满足第一预设条件,其中,第一预设条件具体为单组风速风向计中的两台风速风向计具有极强正相关性;
第二判断单元,所述第二判断单元用于当所述M个单组风速风向计的相关性满足第一预设条件时,判断所述M个单组风速风向计中两台风速风向计的大风监测数据的差值是否满足第一预设阈值,其中,第一预设阈值是同一大风监测点的两台风速风向计各项监测数据允许的最大差值范围;
第一执行单元,所述第一执行单元用于当所述M个单组风速风向计中两台风速风向计的大风监测数据的差值满足第一预设阈值时,随机抽取所述多个单组风速风向计中的单台风速风向计进行数据质量控制,获得大风监测数据质量控制结果;
第六获得单元,所述第六获得单元用于获得所述大风监测点的第一风速风向计与第二风速风向计;
第七获得单元,所述第七获得单元用于获得所述第一风速风向计的第一大风监测数据和所述第二风速风向计的第二大风监测数据;
第八判断单元,所述第八判断单元用于判断所述第一风速风向计与所述第二风速风向计的高度、间距是否满足第二预设条件,其中,第二预设条件具体为同一大风监测点的两台风速风向计的高度处于同一水平线高度,且两者的间距小于1m;
第一计算单元,所述第一计算单元用于当所述第一风速风向计与所述第二风速风向计的高度、间距满足第二预设条件时,计算所述第一大风监测数据与所述第二大风监测数据的第一相关性;
第九判断单元,所述第九判断单元用于判断所述第一相关性是否为预定数值的正相关性,其中,预定数值的正相关性表示两个数据之间具有极强的正相关性;
第一设定单元,所述第一设定单元用于当所述第一相关性为预定数值的正相关性,设定用来标识风速风向计的相关性标识信息;
第二训练单元,所述第二训练单元用于将所述用来标识风速风向计的相关性标识信息作为监督数据,输入所述每一组训练数据中,对所述大风监测数据信息和所述设备状态监测数据信息进行监督学习,确定所述训练模型的输出信息达到收敛状态。
8.一种高速铁路大风监测数据质量控制装置,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其中,所述处理器执行所述程序时实现权利要求1-6任一项所述方法的步骤。
9.一种计算机可读存储介质,其上存储有计算机程序,其中,该程序被处理器执行时实现权利要求1-6任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010866317.9A CN112000654B (zh) | 2020-08-25 | 2020-08-25 | 一种高速铁路大风监测数据质量控制方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010866317.9A CN112000654B (zh) | 2020-08-25 | 2020-08-25 | 一种高速铁路大风监测数据质量控制方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112000654A CN112000654A (zh) | 2020-11-27 |
CN112000654B true CN112000654B (zh) | 2022-11-15 |
Family
ID=73471662
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010866317.9A Active CN112000654B (zh) | 2020-08-25 | 2020-08-25 | 一种高速铁路大风监测数据质量控制方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112000654B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112504321A (zh) * | 2020-12-09 | 2021-03-16 | 柳州市东南仪器仪表有限公司 | 一种提高仪表校准精度的信息处理方法和装置 |
CN113884705A (zh) * | 2021-09-28 | 2022-01-04 | 上海电气风电集团股份有限公司 | 簇群风机风速计的监测方法及其***及计算机可读存储介质 |
CN116027460B (zh) * | 2023-03-23 | 2023-07-14 | 中国海洋大学 | 波浪滑翔器海洋观测数据质量控制方法、***及电子设备 |
CN116362036B (zh) * | 2023-03-29 | 2024-01-30 | 中国铁道科学研究院集团有限公司 | 一种高铁设备故障预警方法及*** |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103808963B (zh) * | 2013-04-12 | 2015-08-05 | 北京普华亿能风电技术有限公司 | 一种风速风向校准*** |
CN103675355B (zh) * | 2013-11-19 | 2016-06-08 | 中国大唐集团科学技术研究院有限公司 | 风速仪监测方法和*** |
CN106089576B (zh) * | 2016-06-21 | 2018-10-30 | 湘电风能有限公司 | 一种实现风机控制中两套测风传感器自动切换的方法 |
CN109241353B (zh) * | 2018-09-12 | 2023-10-31 | 北京英视睿达科技股份有限公司 | 一种数据审核方法 |
-
2020
- 2020-08-25 CN CN202010866317.9A patent/CN112000654B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN112000654A (zh) | 2020-11-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112000654B (zh) | 一种高速铁路大风监测数据质量控制方法和装置 | |
CN107941537B (zh) | 一种机械设备健康状态评估方法 | |
CN111486902B (zh) | 一种基于大数据的大跨度桥梁安全性能实时监测*** | |
CN109186813A (zh) | 一种温度传感器自检装置及方法 | |
CN109543210A (zh) | 一种基于机器学***台的风电机组故障预测*** | |
CN110414154B (zh) | 一种带有双测点的风机部件温度异常检测和报警方法 | |
CN105891546A (zh) | 基于大数据的风电机组偏航***中风向标故障诊断的方法 | |
CN114689994A (zh) | 一种输送电线路故障在线定位监测***和方法 | |
CN105571645A (zh) | 一种大坝自动化监测方法 | |
CN117233541B (zh) | 一种配电网电力线路运行状态测量方法及测量*** | |
Zhou et al. | Structural health monitoring of offshore wind power structures based on genetic algorithm optimization and uncertain analytic hierarchy process | |
CN112926656A (zh) | 一种核电厂循环水泵状态预测方法、***及设备 | |
CN113780375A (zh) | 一种基于数字孪生的虚实交互风电场风力监测***及应用 | |
CN113128709A (zh) | 一种供水管网漏损管理*** | |
CN112016739B (zh) | 故障检测方法、装置、电子设备及存储介质 | |
CN109406076A (zh) | 一种利用位移传感器列阵输出的移动主成分进行梁桥结构损伤定位的方法 | |
CN117423225A (zh) | 一种基于高速铁路运行的灾害遥感预警*** | |
LU503684B1 (en) | A monitoring alarm method and system for power plant | |
CN114577470A (zh) | 用于风机主轴承的故障诊断方法及*** | |
CN115452282B (zh) | 一种基于数据融合的铁路桥梁结构健康监测方法 | |
CN107218180B (zh) | 一种基于振动加速度测量的风力发电机组传动***故障报警方法 | |
CN114837902A (zh) | 一种风电机组健康度评估方法、***、设备和介质 | |
CN114689321A (zh) | 风力发电机组的轴承故障诊断方法、装置、电子设备 | |
CN111986469A (zh) | 一种现场终端故障智能化诊断的方法 | |
CN117494026B (zh) | 寒潮气象下输电线路覆冰故障定位方法、***及存储介质 |
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 |