CN112750103A - 一种列车闸片厚度检测方法及其*** - Google Patents

一种列车闸片厚度检测方法及其*** Download PDF

Info

Publication number
CN112750103A
CN112750103A CN202011566655.7A CN202011566655A CN112750103A CN 112750103 A CN112750103 A CN 112750103A CN 202011566655 A CN202011566655 A CN 202011566655A CN 112750103 A CN112750103 A CN 112750103A
Authority
CN
China
Prior art keywords
data
brake pad
thickness
brake
wear rate
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.)
Granted
Application number
CN202011566655.7A
Other languages
English (en)
Other versions
CN112750103B (zh
Inventor
张渝
彭建平
赵波
黄炜
王小伟
章祥
马莉
胡继东
何蕾
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.)
Chengdu Lead Science & Technology Co ltd
Original Assignee
Chengdu Lead Science & 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 Chengdu Lead Science & Technology Co ltd filed Critical Chengdu Lead Science & Technology Co ltd
Priority to CN202011566655.7A priority Critical patent/CN112750103B/zh
Publication of CN112750103A publication Critical patent/CN112750103A/zh
Application granted granted Critical
Publication of CN112750103B publication Critical patent/CN112750103B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06T7/0004—Industrial image inspection
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
    • G01B21/00—Measuring arrangements or details thereof, where the measuring technique is not covered by the other groups of this subclass, unspecified or not relevant
    • G01B21/02—Measuring arrangements or details thereof, where the measuring technique is not covered by the other groups of this subclass, unspecified or not relevant for measuring length, width, or thickness
    • G01B21/08—Measuring arrangements or details thereof, where the measuring technique is not covered by the other groups of this subclass, unspecified or not relevant for measuring length, width, or thickness for measuring thickness
    • 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
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • 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
    • G06Q10/00—Administration; Management
    • G06Q10/20—Administration of product repair or maintenance
    • 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
    • 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
    • G—PHYSICS
    • G07—CHECKING-DEVICES
    • G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
    • G07C5/00—Registering or indicating the working of vehicles
    • G07C5/006—Indicating maintenance
    • G—PHYSICS
    • G07—CHECKING-DEVICES
    • G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
    • G07C5/00—Registering or indicating the working of vehicles
    • G07C5/08—Registering or indicating performance data other than driving, working, idle, or waiting time, with or without registering driving, working, idle or waiting time
    • G07C5/0808—Diagnosing performance data
    • G—PHYSICS
    • G07—CHECKING-DEVICES
    • G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
    • G07C5/00—Registering or indicating the working of vehicles
    • G07C5/08—Registering or indicating performance data other than driving, working, idle, or waiting time, with or without registering driving, working, idle or waiting time
    • G07C5/0841—Registering performance data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • Quality & Reliability (AREA)
  • General Business, Economics & Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Development Economics (AREA)
  • Geometry (AREA)
  • Game Theory and Decision Science (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Braking Arrangements (AREA)

Abstract

本发明公开了一种列车闸片厚度检测方法及其***，包括：采集列车闸片图像数据及列车的行驶里程数据；提取列车闸片图像数据中包含的第一闸片下端厚度数据和第二闸片下端厚度数据；基于第一闸片下端厚度数据、第二闸片下端厚度数据和行驶里程数据生成第一闸片下端磨耗率数据和第二闸片下端磨耗率数据；构建由多组人工标注的第一闸片上端厚度数据和第二闸片上端厚度数据，以及第一闸片下端厚度数据和第二闸片下端厚度数据组成的训练样本集；基于第一闸片下端磨耗率数据和第二闸片下端磨耗率数据构建闸片最小厚度预测模型；基于训练样本集训练闸片最小厚度预测模型，生成用于预测闸片最小厚度值的最优厚度预测模型。

Description

一种列车闸片厚度检测方法及其***
技术领域
本发明涉及轨道车辆检测技术领域，具体涉及一种列车闸片厚度检测方法及其***。
背景技术
随着高速列车快速发展，列车运行安全已成为轨道交通领域的研究重点，作为列车运行的制动装置，闸片会由于摩擦产热导致闸片磨损，当闸片厚度到限时，会导致闸片失效，增加列车运行风险。因此，如何有效检测闸片厚度，是保障列车运行安全的关键问题之一。
传统的闸片厚度检测方法包括闸片在线检测***和人工使用闸片检测卡尺进行检测。传统的闸片在线监测***，虽然可以有效检出闸片下端厚度，但是由于视角盲区，无法检测闸片上端厚度，从而无法判断出闸片上下端的最小厚度；而闸片检测卡尺虽然能够检测出闸片上下端的厚度值，实现闸片上下端最小厚度值的评估，但是对于一个车一百多个闸片来说，人工操作检测的方法，检测复杂度更高，并且受用户主观判断、工作经验等因素影响，检测结果准确度较低，而且人力成本、时间成本过高。
综上所述，传统的闸片厚度自动检测方法存在无法检测闸片上端厚度而导致的检测结果可信度较低的问题。
发明内容
有鉴于此，本发明提供一种列车闸片厚度检测方法及其***，通过改进检测数据的处理方式，通过构建能够表征闸片下端厚度与闸片最小厚度之间映射关系的最优厚度预测模型，解决了传统闸片厚度自动检测方法存在无法检测闸片上端厚度而导致的检测结果可信度较低的问题。
为解决以上问题，本发明的技术方案为一种列车闸片厚度检测方法，包括：S1：采集列车闸片图像数据及列车的行驶里程数据；S2：提取所述列车闸片图像数据中包含的第一闸片下端厚度数据和第二闸片下端厚度数据；S3：基于所述第一闸片下端厚度数据、所述第二闸片下端厚度数据和所述行驶里程数据生成第一闸片下端磨耗率数据和第二闸片下端磨耗率数据；S4：构建由多组人工标注的第一闸片上端厚度数据和第二闸片上端厚度数据，以及所述第一闸片下端厚度数据和所述第二闸片下端厚度数据组成的训练样本集；S5：基于所述第一闸片下端磨耗率数据和所述第二闸片下端磨耗率数据构建闸片最小厚度预测模型；S6：基于所述训练样本集训练所述闸片最小厚度预测模型，生成用于预测闸片最小厚度值的最优厚度预测模型。
可选地，所述S3包括：调用初始闸片厚度数据、历史闸片下端厚度数据及其对应的历史行驶里程数据；基于所述初始闸片厚度数据、所述历史闸片下端厚度数据及其对应的所述历史行驶里程数、所述闸片下端厚度数据和所述行驶里程数据生成以行驶里程数为自变量的所述第一闸片下端磨耗率数据和所述第二闸片下端磨耗率数据。
可选地，所述S5包括：基于所述第一闸片下端磨耗率数据和所述第二闸片下端磨耗率数据，计算闸片厚度参数、厚度偏差参数、厚度连续性偏差参数、磨耗率参数、磨耗率偏差参数和磨耗率连续偏差参数，构建所述闸片最小厚度预测模型PVup＝CVdown±P(a1,a2,a3,a4,a5,a6)，其中，PVup为闸片最小厚度预测数据，CVdown为所述第一闸片下端厚度数据，P(a1,a2,a3,a4,a5,a6)中，a1为所述闸片厚度参数、a2为所述厚度偏差参数、a3为所述厚度连续性偏差参数、a4为所述磨耗率参数、a5为所述磨耗率偏差参数、a6为所述磨耗率连续偏差参数。
可选地，所述S6包括：S61：利用公式Err＝PVup-RVup计算所述闸片最小厚度预测模型的预测误差，其中，Err为预测误差，PVup为闸片最小厚度预测数据，RVup为该组训练样本的闸片最小厚度值；S62：基于所述预测误差，更新所述闸片厚度参数、所述厚度偏差参数、所述厚度连续性偏差参数、所述磨耗率参数、所述磨耗率偏差参数、所述磨耗率连续偏差参数，并计算所述闸片最小厚度预测模型的预测误差；S63：重复步骤S61-S62直至所述闸片最小厚度预测模型的预测误差收敛于最小值，生成所述最优厚度预测模型。其中，由于闸片不同的厚度范围，对应的磨损规律可能不一样，因此本申请通过设置所述闸片厚度参数进行厚度区间分类，并利用其他五个参数表征该厚度区间对应的闸片厚度变化趋势，最终构成一个完整的参数组。
可选地，所述S2包括：提取所述列车闸片图像数据中包含的所述第一闸片下端厚度数据和所述第二闸片下端厚度数据后，对所述第一闸片下端厚度数据和所述第二闸片下端厚度数据进行数据清洗，其中，所述数据清洗方法包括完整性判断、数据类型判断、异常数据判断及补值。
相应地，本发明提供，一种列车闸片厚度检测***，其特征在于，包括：图像采集单元，用于采集列车闸片图像数据；车号识别单元，用于识别列车信息并获取列车的行驶里程数据；数据处理单元，用于提取所述列车闸片图像数据中包含的第一闸片下端厚度数据和第二闸片下端厚度数据，基于所述第一闸片下端厚度数据、所述第二闸片下端厚度数据和所述行驶里程数据生成第一闸片下端磨耗率数据和第二闸片下端磨耗率数据，并构建由多组人工标注的第一闸片上端厚度数据和第二闸片上端厚度数据，以及所述第一闸片下端厚度数据和所述第二闸片下端厚度数据组成的训练样本集，基于所述第一闸片下端磨耗率数据和所述第二闸片下端磨耗率数据构建闸片最小厚度预测模型，通过所述训练样本集训练所述闸片最小厚度预测模型，生成用于预测闸片最小厚度值的最优厚度预测模型。
可选地，所述列车闸片厚度检测***还包括数据存储单元，用于存储初始闸片厚度数据、历史闸片下端厚度数据及其对应的历史行驶里程数据。
可选地，所述数据处理单元通过调用所述初始闸片厚度数据、所述历史闸片下端厚度数据及其对应的所述历史行驶里程数据，基于所述初始闸片厚度数据、所述历史闸片下端厚度数据及其对应的所述历史行驶里程数、所述闸片下端厚度数据和所述行驶里程数据生成以行驶里程数为自变量的所述第一闸片下端磨耗率数据和所述第二闸片下端磨耗率数据。
可选地，所述数据处理单元通过所述第一闸片下端磨耗率数据和所述第二闸片下端磨耗率数据，计算闸片厚度参数、厚度偏差参数、厚度连续性偏差参数、磨耗率参数、磨耗率偏差参数和磨耗率连续偏差参数，构建所述闸片最小厚度预测模型PVup＝CVdown±P(a1,a2,a3,a4,a5,a6)，其中，PVup为闸片最小厚度预测数据，CVdown为所述第一闸片下端厚度数据，P(a1,a2,a3,a4,a5,a6)中，a1为所述闸片厚度参数、a2为所述厚度偏差参数、a3为所述厚度连续性偏差参数、a4为所述磨耗率参数、a5为所述磨耗率偏差参数、a6为所述磨耗率连续偏差参数。
本发明的首要改进之处为提供的列车闸片厚度检测方法，通过基于当前采集的闸片下端厚度数据以及历史检测数据，建立闸片最小厚度预测模型，并通过人工标记的闸片数据作为训练样本，构建能够表征闸片下端厚度与闸片最小厚度之间映射关系的最优厚度预测模型，解决了传统闸片厚度自动检测方法存在无法检测闸片上端厚度而导致的检测结果可信度较低的问题。
附图说明
图1是本发明的列车闸片厚度检测方法的简化流程图；
图2是本发明的闸片磨损的示例图；和
图3是本发明的列车闸片厚度检测***的简化模块连接图。
具体实施方式
为了使本领域的技术人员更好地理解本发明的技术方案，下面结合附图和具体实施例对本发明作进一步的详细说明。
如图1所示，本发明提供，一种列车闸片厚度检测方法，包括：S1：采集列车闸片图像数据及列车的行驶里程数据；S2：提取所述列车闸片图像数据中包含的第一闸片下端厚度数据和第二闸片下端厚度数据；S3：基于所述第一闸片下端厚度数据、所述第二闸片下端厚度数据和所述行驶里程数据生成第一闸片下端磨耗率数据和第二闸片下端磨耗率数据；S4：构建由多组人工标注的第一闸片上端厚度数据和第二闸片上端厚度数据，以及所述第一闸片下端厚度数据和所述第二闸片下端厚度数据组成的训练样本集；S5：基于所述第一闸片下端磨耗率数据和所述第二闸片下端磨耗率数据构建闸片最小厚度预测模型；S6：基于所述训练样本集训练所述闸片最小厚度预测模型，生成用于预测闸片最小厚度值的最优厚度预测模型。
为便于理解本申请所要求保护的技术方案，以一种闸片偏磨情况为例，如图2所示，传统的列车闸片的检测设备只能检测B、D位置的厚度值，即仅能检测闸片下端的厚度值。但是由于在列车运行过程中，A、B、C、D位置的闸片厚度磨耗变化情况不一，会出现图2中的闸片上端A、C位置磨耗过多，可能会产生最小厚度位置发生在A、C位置的情况，导致闸片磨耗过多，甚至列车运行风险。因此，本发明通过基于当前采集的闸片下端厚度数据以及历史检测数据，建立闸片最小厚度预测模型，并通过人工标记的闸片数据作为训练样本，构建能够表征闸片下端厚度与闸片最小厚度之间映射关系的最优厚度预测模型，解决了传统闸片厚度自动检测方法存在无法检测闸片上端厚度而导致的检测结果可信度较低的问题，有效地提升了列车运行时的安全性。
进一步的，所述S3包括：调用初始闸片厚度数据、历史闸片下端厚度数据及其对应的历史行驶里程数据；基于所述初始闸片厚度数据、所述历史闸片下端厚度数据及其对应的所述历史行驶里程数、所述闸片下端厚度数据和所述行驶里程数据生成以行驶里程数为自变量的所述第一闸片下端磨耗率数据和所述第二闸片下端磨耗率数据。
进一步的，所述S5包括：基于所述第一闸片下端磨耗率数据和所述第二闸片下端磨耗率数据，计算闸片厚度参数、厚度偏差参数、厚度连续性偏差参数、磨耗率参数、磨耗率偏差参数和磨耗率连续偏差参数，构建所述闸片最小厚度预测模型PVup＝CVdown±P(a1,a2,a3,a4,a5,a6)，其中，PVup为闸片最小厚度预测数据，CVdown为所述第一闸片下端厚度数据，P(a1,a2,a3,a4,a5,a6)中，a1为所述闸片厚度参数、a2为所述厚度偏差参数、a3为所述厚度连续性偏差参数、a4为所述磨耗率参数、a5为所述磨耗率偏差参数、a6为所述磨耗率连续偏差参数。
进一步的，所述S6包括：S61：利用公式Err＝PVup-RVup计算所述闸片最小厚度预测模型的预测误差，其中，Err为预测误差，PVup为闸片最小厚度预测数据，RVup为该组训练样本的闸片最小厚度值；S62：基于所述预测误差，更新所述闸片厚度参数、所述厚度偏差参数、所述厚度连续性偏差参数、所述磨耗率参数、所述磨耗率偏差参数、所述磨耗率连续偏差参数，并计算所述闸片最小厚度预测模型的预测误差；S63：重复步骤S61-S62直至所述闸片最小厚度预测模型的预测误差收敛于最小值，生成所述最优厚度预测模型。
进一步的，所述S2包括：提取所述列车闸片图像数据中包含的所述第一闸片下端厚度数据和所述第二闸片下端厚度数据后，对所述第一闸片下端厚度数据和所述第二闸片下端厚度数据进行数据清洗，其中，所述数据清洗方法包括完整性判断、数据类型判断、异常数据判断及补值。具体的，完整性判断为基于闸片历史检测厚度数据对所述第一闸片下端厚度数据和所述第二闸片下端厚度数据做完整性判断，使所述第一闸片下端厚度数据和所述第二闸片下端厚度数据与检测时间、检测走行公里的数据长度一致；数据类型判断为通过检测数值类型保证数值类型统一；异常数据判断为判断所述第一闸片下端厚度数据和所述第二闸片下端厚度数据的数值大小是否超过闸片厚度的上限和下限，若超过则视为数据异常，剔除该数据并进行补值；补值为基于异常值前后距异常值最近的正常值的均值替代。
相应的，如图3所示，本发明提供，一种列车闸片厚度检测***，包括：图像采集单元，用于采集列车闸片图像数据；车号识别单元，用于识别列车信息并获取列车的行驶里程数据；数据处理单元，用于提取所述列车闸片图像数据中包含的第一闸片下端厚度数据和第二闸片下端厚度数据，基于所述第一闸片下端厚度数据、所述第二闸片下端厚度数据和所述行驶里程数据生成第一闸片下端磨耗率数据和第二闸片下端磨耗率数据，并构建由多组人工标注的第一闸片上端厚度数据和第二闸片上端厚度数据，以及所述第一闸片下端厚度数据和所述第二闸片下端厚度数据组成的训练样本集，基于所述第一闸片下端磨耗率数据和所述第二闸片下端磨耗率数据构建闸片最小厚度预测模型，通过所述训练样本集训练所述闸片最小厚度预测模型，生成用于预测闸片最小厚度值的最优厚度预测模型。其中，所述图像采集单元、所述车号识别单元均与所述数据处理单元建立电气连接。
进一步的，所述列车闸片厚度检测***还包括数据存储单元，用于存储初始闸片厚度数据、历史闸片下端厚度数据及其对应的历史行驶里程数据。所述数据存储单元与所述数据处理单元建立电气连接。
进一步的，所述数据处理单元通过调用所述初始闸片厚度数据、所述历史闸片下端厚度数据及其对应的所述历史行驶里程数据，基于所述初始闸片厚度数据、所述历史闸片下端厚度数据及其对应的所述历史行驶里程数、所述闸片下端厚度数据和所述行驶里程数据生成以行驶里程数为自变量的所述第一闸片下端磨耗率数据和所述第二闸片下端磨耗率数据。
更进一步的，所述数据处理单元通过所述第一闸片下端磨耗率数据和所述第二闸片下端磨耗率数据，计算闸片厚度参数、厚度偏差参数、厚度连续性偏差参数、磨耗率参数、磨耗率偏差参数和磨耗率连续偏差参数，构建所述闸片最小厚度预测模型PVup＝CVdown±P(a1,a2,a3,a4,a5,a6)，其中，PVup为闸片最小厚度预测数据，CVdown为所述第一闸片下端厚度数据，P(a1,a2,a3,a4,a5,a6)中，a1为所述闸片厚度参数、a2为所述厚度偏差参数、a3为所述厚度连续性偏差参数、a4为所述磨耗率参数、a5为所述磨耗率偏差参数、a6为所述磨耗率连续偏差参数。
以上对本发明实施例所提供的列车闸片厚度检测方法及其***进行了详细介绍。说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以对本发明进行若干改进和修饰，这些改进和修饰也落入本发明权利要求的保护范围内。
专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。

Claims (9)

1.一种列车闸片厚度检测方法，其特征在于，包括：
S1：采集列车闸片图像数据及列车的行驶里程数据；
S2：提取所述列车闸片图像数据中包含的第一闸片下端厚度数据和第二闸片下端厚度数据；
S3：基于所述第一闸片下端厚度数据、所述第二闸片下端厚度数据和所述行驶里程数据生成第一闸片下端磨耗率数据和第二闸片下端磨耗率数据；
S4：构建由多组人工标注的第一闸片上端厚度数据和第二闸片上端厚度数据，以及所述第一闸片下端厚度数据和所述第二闸片下端厚度数据组成的训练样本集；
S5：基于所述第一闸片下端磨耗率数据和所述第二闸片下端磨耗率数据构建闸片最小厚度预测模型；
S6：基于所述训练样本集训练所述闸片最小厚度预测模型，生成用于预测闸片最小厚度值的最优厚度预测模型。
2.根据权利要求1所述的列车闸片厚度检测方法，其特征在于，所述S3包括：
调用初始闸片厚度数据、历史闸片下端厚度数据及其对应的历史行驶里程数据；
基于所述初始闸片厚度数据、所述历史闸片下端厚度数据及其对应的所述历史行驶里程数、所述闸片下端厚度数据和所述行驶里程数据生成以行驶里程数为自变量的所述第一闸片下端磨耗率数据和所述第二闸片下端磨耗率数据。
3.根据权利要求2所述的列车闸片厚度检测方法，其特征在于，所述S5包括：
基于所述第一闸片下端磨耗率数据和所述第二闸片下端磨耗率数据，计算闸片厚度参数、厚度偏差参数、厚度连续性偏差参数、磨耗率参数、磨耗率偏差参数和磨耗率连续偏差参数，构建所述闸片最小厚度预测模型PVup＝CVdown±P(a1,a2,a3,a4,a5,a6)，其中，PVup为闸片最小厚度预测数据，CVdown为所述第一闸片下端厚度数据，P(a1,a2,a3,a4,a5,a6)中，a1为所述闸片厚度参数、a2为所述厚度偏差参数、a3为所述厚度连续性偏差参数、a4为所述磨耗率参数、a5为所述磨耗率偏差参数、a6为所述磨耗率连续偏差参数。
4.根据权利要求3所述的列车闸片厚度检测方法，其特征在于，所述S6包括：
S61：利用公式Err＝PVup-RVup计算所述闸片最小厚度预测模型的预测误差，其中，Err为预测误差，PVup为闸片最小厚度预测数据，RVup为该组训练样本的闸片最小厚度值；
S62：基于所述预测误差，更新所述闸片厚度参数、所述厚度偏差参数、所述厚度连续性偏差参数、所述磨耗率参数、所述磨耗率偏差参数、所述磨耗率连续偏差参数，并计算所述闸片最小厚度预测模型的预测误差；
S63：重复步骤S61-S62直至所述闸片最小厚度预测模型的预测误差收敛于最小值，生成所述最优厚度预测模型。
5.根据权利要求4所述的列车闸片厚度检测方法，其特征在于，所述S2包括：
提取所述列车闸片图像数据中包含的所述第一闸片下端厚度数据和所述第二闸片下端厚度数据后，对所述第一闸片下端厚度数据和所述第二闸片下端厚度数据进行数据清洗，其中，
所述数据清洗方法包括完整性判断、数据类型判断、异常数据判断及补值。
6.一种列车闸片厚度检测***，其特征在于，包括：
图像采集单元，用于采集列车闸片图像数据；
车号识别单元，用于识别列车信息并获取列车的行驶里程数据；
数据处理单元，用于提取所述列车闸片图像数据中包含的第一闸片下端厚度数据和第二闸片下端厚度数据，基于所述第一闸片下端厚度数据、所述第二闸片下端厚度数据和所述行驶里程数据生成第一闸片下端磨耗率数据和第二闸片下端磨耗率数据，并构建由多组人工标注的第一闸片上端厚度数据和第二闸片上端厚度数据，以及所述第一闸片下端厚度数据和所述第二闸片下端厚度数据组成的训练样本集，基于所述第一闸片下端磨耗率数据和所述第二闸片下端磨耗率数据构建闸片最小厚度预测模型，通过所述训练样本集训练所述闸片最小厚度预测模型，生成用于预测闸片最小厚度值的最优厚度预测模型。
7.根据权利要求6所述的列车闸片厚度检测***，其特征在于，所述列车闸片厚度检测***还包括数据存储单元，用于存储初始闸片厚度数据、历史闸片下端厚度数据及其对应的历史行驶里程数据。
8.根据权利要求7所述的列车闸片厚度检测***，其特征在于，所述数据处理单元通过调用所述初始闸片厚度数据、所述历史闸片下端厚度数据及其对应的所述历史行驶里程数据，基于所述初始闸片厚度数据、所述历史闸片下端厚度数据及其对应的所述历史行驶里程数、所述闸片下端厚度数据和所述行驶里程数据生成以行驶里程数为自变量的所述第一闸片下端磨耗率数据和所述第二闸片下端磨耗率数据。
9.根据权利要求8所述的列车闸片厚度检测***，其特征在于，所述数据处理单元通过所述第一闸片下端磨耗率数据和所述第二闸片下端磨耗率数据，计算闸片厚度参数、厚度偏差参数、厚度连续性偏差参数、磨耗率参数、磨耗率偏差参数和磨耗率连续偏差参数，构建所述闸片最小厚度预测模型PVup＝CVdown±P(a1,a2,a3,a4,a5,a6)，其中，PVup为闸片最小厚度预测数据，CVdown为所述第一闸片下端厚度数据，P(a1,a2,a3,a4,a5,a6)中，a1为所述闸片厚度参数、a2为所述厚度偏差参数、a3为所述厚度连续性偏差参数、a4为所述磨耗率参数、a5为所述磨耗率偏差参数、a6为所述磨耗率连续偏差参数。
CN202011566655.7A 2020-12-25 2020-12-25 一种列车闸片厚度检测方法及其*** Active CN112750103B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011566655.7A CN112750103B (zh) 2020-12-25 2020-12-25 一种列车闸片厚度检测方法及其***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011566655.7A CN112750103B (zh) 2020-12-25 2020-12-25 一种列车闸片厚度检测方法及其***

Publications (2)

Publication Number Publication Date
CN112750103A true CN112750103A (zh) 2021-05-04
CN112750103B CN112750103B (zh) 2024-02-02

Family

ID=75646038

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011566655.7A Active CN112750103B (zh) 2020-12-25 2020-12-25 一种列车闸片厚度检测方法及其***

Country Status (1)

Country Link
CN (1) CN112750103B (zh)

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20030048932A (ko) * 2001-12-13 2003-06-25 주식회사 포스코 압연 하중 필터링 및 스키드 마크 두께 편차 예측을 통한두께 제어 장치 및 방법
FR2969240A1 (fr) * 2010-12-16 2012-06-22 Peugeot Citroen Automobiles Sa Systeme et procede de controle d'usure de plaquettes de frein
CN103742575A (zh) * 2013-12-30 2014-04-23 北京交通大学 一种基于在线监测的动车组闸片磨损量的估算方法
CN104457596A (zh) * 2014-12-18 2015-03-25 成都铁安科技有限责任公司 一种检测列车闸片磨耗的方法
CN104455121A (zh) * 2014-12-18 2015-03-25 成都铁安科技有限责任公司 一种闸瓦剩余厚度检测的方法及***
CN106641031A (zh) * 2016-12-02 2017-05-10 铜仁学院 一种刹车片及厚度检测方法
WO2019206577A1 (de) * 2018-04-25 2019-10-31 Knorr-Bremse Systeme für Nutzfahrzeuge GmbH Verfahren zur anzeige eines anstehenden bremsbelagswechsels einer fahrzeugbremse
CN110411729A (zh) * 2019-08-07 2019-11-05 科大讯飞股份有限公司 刹车片使用寿命预测方法及装置
CN110905951A (zh) * 2019-12-10 2020-03-24 深圳鼎然信息科技有限公司 动态实时监测汽车刹车片磨损的方法、装置、设备及介质
CN111862082A (zh) * 2020-07-31 2020-10-30 成都盛锴科技有限公司 一种列车闸片厚度复核方法及其***

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20030048932A (ko) * 2001-12-13 2003-06-25 주식회사 포스코 압연 하중 필터링 및 스키드 마크 두께 편차 예측을 통한두께 제어 장치 및 방법
FR2969240A1 (fr) * 2010-12-16 2012-06-22 Peugeot Citroen Automobiles Sa Systeme et procede de controle d'usure de plaquettes de frein
CN103742575A (zh) * 2013-12-30 2014-04-23 北京交通大学 一种基于在线监测的动车组闸片磨损量的估算方法
CN104457596A (zh) * 2014-12-18 2015-03-25 成都铁安科技有限责任公司 一种检测列车闸片磨耗的方法
CN104455121A (zh) * 2014-12-18 2015-03-25 成都铁安科技有限责任公司 一种闸瓦剩余厚度检测的方法及***
CN106641031A (zh) * 2016-12-02 2017-05-10 铜仁学院 一种刹车片及厚度检测方法
WO2019206577A1 (de) * 2018-04-25 2019-10-31 Knorr-Bremse Systeme für Nutzfahrzeuge GmbH Verfahren zur anzeige eines anstehenden bremsbelagswechsels einer fahrzeugbremse
CN110411729A (zh) * 2019-08-07 2019-11-05 科大讯飞股份有限公司 刹车片使用寿命预测方法及装置
CN110905951A (zh) * 2019-12-10 2020-03-24 深圳鼎然信息科技有限公司 动态实时监测汽车刹车片磨损的方法、装置、设备及介质
CN111862082A (zh) * 2020-07-31 2020-10-30 成都盛锴科技有限公司 一种列车闸片厚度复核方法及其***

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
李欣;: "基于支持向量机与最小二乘支持向量机的闸片识别及磨耗趋势预测", 铁道技术监督, no. 10 *
范志勇;项载毓;谭德强;唐斌;李贞;莫继良;周仲荣;: "CRH380A型高速动车组制动闸片摩擦损伤分析", 摩擦学学报, no. 02 *

Also Published As

Publication number Publication date
CN112750103B (zh) 2024-02-02

Similar Documents

Publication Publication Date Title
WO2017175555A1 (ja) 磨耗検査装置及び磨耗検査方法
FI112972B (fi) Laakerin kunnon arviointi
US20190210176A1 (en) Abnormality-detecting device and method for tool of machine tool
EP2767228B1 (en) Device and method for improving identification accuracy of fetal heart rate deceleration
WO2017159701A1 (ja) 軌道状態評価方法、装置、及びプログラム
CN109186813A (zh) 一种温度传感器自检装置及方法
CN107448257A (zh) 发动机机油品质劣化判定的方法
EP2863282A1 (en) System and method for detecting anomaly associated with driving a vehicle
EP1197417B1 (de) Verfahren und Vorrichtung zur Schadenserkennung an Rädern eines Schienenfahrzeuges
CN112393906B (zh) 一种地铁车辆转向架轴承微弱信号故障诊断、分类和健康评估的方法
CN112590465B (zh) 轮胎磨损测定装置及利用其的轮胎磨损测定方法
JP2023078964A (ja) 状態監視装置及び状態監視方法
CN115330799B (zh) 一种仪表自动化故障诊断方法
CN116871978A (zh) 基于多传感器融合的钻削刀具状态监测方法
Ghiasi et al. An unsupervised anomaly detection framework for onboard monitoring of railway track geometrical defects using one-class support vector machine
CN112750103A (zh) 一种列车闸片厚度检测方法及其***
CN114001993A (zh) 一种基于科技智能的桥梁安全健康评定、监测***
US11493404B2 (en) Method and system for estimating the wear of a rotating machine including a bearing
EP3458331B1 (de) Verfahren und vorrichtung zur überwachung zumindest einer im bahnbau verlegten fahrwegkomponente
CN112859741A (zh) 一种机床顺序动作单元运行可靠性评价方法及***
CN116008287A (zh) 一种自润滑轴承磨损的在线监测管理方法及***
CN112228042B (zh) 一种基于云边协同计算的抽油机井工况相似性判别方法
CN114705995A (zh) 一种电连接状态识别方法、装置、设备及存储介质
CN113343919A (zh) 钢轨连续等距离擦硌伤的检测方法、装置、及计算机设备
Nugraha et al. Detection of railroad anomalies using machine learning approach

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