CN114118297B - 一种基于人工智能模式识别技术的thds***热轴判别方法 - Google Patents

Abstract

一种基于人工智能模式识别技术的THDS***热轴判别方法，涉及大数据及人工智能模式识别领域。本发明是为了解决目前的热轴判别方法无法高效识别由于外界干扰造成的热轴，从而导致的误报率高、预报兑现率低的问题。本发明包括：获取过车报文，进行报文解析获得过车数据；将过车数据输入到热轴判别模型中获得热轴预报；采用IPA模型分析热轴预报的过车热轴波形获得过车热轴判别结果。本发明将热轴波形归一化处理，根据标准样本波形计算热轴波形拐点、偏差角度并进行补偿，根据比对波形的匹配度、采样点的位置及面积比对过车热轴数据进行实时综合分析判断是否为正常热轴波形。本发明用于判别热轴预报是否准确。

Description

一种基于人工智能模式识别技术的THDS***热轴判别方法

技术领域

本发明涉及大数据及人工智能模式识别领域，特别涉及一种基于人工智能模式识别技术的THDS***热轴判别方法。

背景技术

列车轴承温度过高是轴承出现故障的重要征兆。铁路红外轴温探测***(THDS)能够探测运行列车的轴承温度，根据轴温判别轴承是否发生故障，避免因车辆轴承故障而导致列车运行事故，是保障列车运行安全的重要技术装备。THDS通过在铁轨两侧安装的红外探头，实时探测列车通过时各车辆轴承的温度，据此判断是否存在故障轴承(简称热轴)，并通过通信网络将预报的热轴故障及时报告给列车调度***，防止事故的发生。

THDS是保障铁路运输安全的重要安全监测设备，目前已经在全路广泛应用，但是随着技术水平的提升设备类型也日渐多元化，数据特征的提取难度越来越大；此外，由于探测设备处于复杂的运行环境中，易受干扰，传统热轴判别方式对外界干扰造成的热轴无法高效识别，存在误报率高，热轴预报兑现率较差的问题，尤其是激、强热预报过多会造成列车拦停而扰乱正常的行车秩序，对列车运行效率和铁路运输安全造成严重影响。

发明内容

本发明目的是为了解决目前的热轴判别方法无法高效识别由于外界干扰造成的热轴，从而导致的误报率高、预报兑现率低的问题，而提出了一种基于人工智能模式识别技术的THDS***热轴判别方法。

一种基于人工智能模式识别技术的THDS***热轴判别方法具体过程为：

步骤一、获取过车报文，进行报文解析获得过车数据；

步骤二、将过车数据输入到热轴判别模型中获得热轴预报；

步骤三、采用IPA模型分析热轴预报对应的待判别过车热轴波形获得过车热轴判别结果，包括以下步骤：

S1、分别获取货车和客车的平均过车热轴波形，将货车和客车的平均过车热轴波形进行归一化分别获得客车标准过车热轴波形和货车标准过车热轴波形，均记为标准过车热轴波形S(xs_i,ys_i),i＝1,…,32，并确定标准过车热轴波形的拐点位置坐标；

其中，i是标准过车热轴波形上采样点的标号；

S2、将待判别过车热轴波形归一化获得归一化后的待判别过车热轴波形D(x_j,y_j),j＝1,…,32，并基于S1建立的标准过车热轴波形和归一化后的待判别过车热轴波形获得待判别过车热轴波形拐点的坐标；

其中，j为归一化后的待判别过车热轴波形上的采样点标号；

所述归一化后的待判别过车热轴波形为最大值为1000最小值为0的32点过车热轴波形；

S3、将S1获得的标准过车热轴波形的拐点位置坐标与S2获得的待判别过车热轴波形的拐点的坐标比对获得待判别过车热轴波形左右偏移补偿值Δx从而校正过车热轴波形角度；

S4、将S3获得的校正后的过车热轴波形的采样点与S1获得标准过车热轴波形的采样点进行比对获得模型对比参数σ：

S5、根据S4获得的σ值验证过车热轴波形是否正常，若波形异常则执行S6；若波形正常则正常输出预报热轴，结束判别；

S6、综合双探和S5获得的验证结果再次判断热轴波形是否异常，若仍异常则输出异常信息结束热轴判别，若再次判断热轴波形为正常热轴波形则正常预报热轴并结束热轴判别。

本发明的有益效果为：

本发明提出人工智能模式识别算法IPA(Intelligent Positioning Algorithm)，将热轴波形归一化处理，根据标准样本波形计算热轴波形拐点、偏差角度并进行补偿，根据比对波形的匹配度、采样点的位置及面积比等条件对所有设备类型的过车热轴数据进行实时综合分析判断是否为正常热轴波形，对干扰造成的热轴波形进行智能判别，同时结合双探设备的特性分析热轴，有效剔除干扰，进而降低了误报率，提高了THDS热轴预报兑现率。此外，本发明提出的IPA模型也可以通过对所有过车热轴数据波形进行实时智能分析和判断，根据特征对尚未预报热轴的异常信息进行提示，实现早期预警THDS探测站设备故障的目的。

附图说明

图1为THDS***整体结构图；

图2为THDS***应用IPA数据流程图；

图3为波形判别模块流程图；

图4为货车过车热轴波形判别流程图；

图5为客车过车热轴波形判别流程图；

图6为正常波形与异常波形对比图；

图7为波形角度偏移曲线图；

图8为挡键波形举例曲线图。

具体实施方式

具体实施方式一：本实施方式一种基于人工智能模式识别技术的THDS***热轴判别方法，如图2所示，包括以下步骤：

步骤一、获取过车报文，进行报文解析获得过车数据；

步骤二、将过车数据输入到热轴判别模型中获得热轴预报；

步骤三、采用IPA模型分析热轴预报的过车热轴波形获得过车热轴判别结果，如图3-5所示，包括以下步骤：

S1、建立标准过车热轴波形S(xs_i,ys_i),i＝1,…,32并确定标准过车热轴波形的拐点位置坐标；

其中，i是标准过车热轴波形上采样点的标号；

S2、将待判别过车热轴波形归一化获得归一化后的待判别过车热轴波形D(x_j,y_j),j＝1,…,32，基于S1建立的标准过车热轴波形和归一化后的待判别过车热轴波形获得待判别过车热轴波形拐点的坐标；

其中，j为归一化后的待判别过车热轴波形上的采样点标号；

所述归一化后的待判别过车热轴波形为最大值为1000最小值为0的32点过车热轴波形；

S3、将S1获得的标准过车热轴波形的拐点位置坐标与S2获得的待判别过车热轴波形的拐点的坐标比对获得待判别过车热轴波形左右偏移补偿值Δx从而校正过车热轴波形角度；

S4、将S3获得的校正后的过车热轴波形的采样点与S1获得标准过车热轴波形的采样点进行比对获得模型对比参数σ：

S5、根据S4获得的σ值验证过车热轴波形是否正常，若波形异常则执行S6；若波形正常则正常输出预报热轴，结束判别；

S6、综合双探和S5获得的验证结果再次判断热轴波形是否异常，若仍异常则输出异常信息结束热轴判别，若再次判断热轴波形为正常热轴波形则正常预报热轴并结束热轴判别。

具体实施方式二、所述S1中建立标准过车热轴波形S(xs_i,ys_i),i＝1,…,32并确定标准过车热轴波形的拐点位置坐标，包括以下步骤：

S101、分别获取货车和客车的平均过车热轴波形：

首先，获取大量的货车过车热轴波形特征和客车过车热轴波形特征作为货车热轴波形数据集和客车热轴波形数据集；

然后，获取货车热轴波形数据集中的热轴波形特征与正常过车热轴波形特征的相似度，保留相似度大于第一阈值的货车过车热轴波形特征并取平均值，获得货车平均过车热轴波形；

所述正常过车热轴波形为：基于32个采样点的峰顶平直且较宽的类梯形波。根据轴承类型和扫描位置的差异，波形一般有2至5个起始点，3至6个上升点，由于速度的变化，峰值宽度也在8至14个点变动，其下降部分和尾部基本与上升和起始部分是对称分布的(如图6中的正常曲线)。

最后，获取客车热轴波形数据集中的热轴波形特征与正常过车热轴波形特征的相似度，保留相似度大于第二阈值的客车过车热轴波形特征并取平均值，获得客车平均过车热轴波形；

所述第一阈值为80％；所述第二阈值为60％；

S102、将S101获取的货车和客车的平均过车热轴波形进行归一化分别获得客车标准过车热轴波形和货车标准过车热轴波形；

分别将货车和客车的平均过车热轴波形特征归一化为最大值为1000最小值为0的32点标准过车热轴波形；

S103、确定货车标准过车热轴波形和客车标准过车热轴波形的拐点位置为T1(xs_t1,ys_t1)、T2(xs_t2,ys_t2)、T3(xs_t3,ys_t3)、T4(xs_t4,ys_t4)；

具体实施方式三：所述S2中基于S1建立的标准过车热轴波形和归一化后的待判别过车热轴波形获得待判别过车热轴波形拐点的坐标如下：

其中，S(xs_i,ys_i),i＝1,…,32为标准过车热轴波形，i为标准过车热轴波形上采样点的标号；t1为第一拐点的标号，t2为第二拐点的标号，t3为第三拐点的标号，t4为第四拐点的标号，标准过车热轴波形的采样点及四个拐点为已知坐标点。m为待判别过车热轴波形拐点位置的取值范围，以第一拐点为例，m＝1,…,10表示第一拐点的取值区间为待判别过车热轴波形的第一到第十个采样点；DT_k(x_tk,y_tk)为待判别过车热轴波形拐点的位置坐标，k＝{1,2,3,4}，n≥3为计算过车热轴波形拐点需要的连续采样点的个数，j为待判别过车热轴波形上采样点的标号，D(x_j,y_j),j＝1,…,32为待判别过车热轴波形，x_tk为待判别过车热轴波形拐点的横坐标。

根据测试，当n<3时，计算获取拐点的误差较大，当n>5时，增加了计算复杂度，因此n取[3,5]范围对32点热轴波形最为适宜。

具体实施方式四：所述S3中左右偏移补偿值Δx通过以下公式获得：

本实施方式中，由于设备在安装及探测过程中存在角度的偏差(图7)，因此需要对热轴波形角度进行校正，防止由于角度偏差造成波形识别误判。以标准样本波形拐点为基准，对实际热轴波形左右偏移的部分进行补偿。

具体实施方式五：所述S4中将S3获得的校正后的过车热轴波形的采样点与S1获得标准过车热轴波形的采样点进行比对获得模型对比参数σ，如下：

具体实施方式六：所述S5中根据S4获得的σ值验证过车热轴波形是否正常通过以下方式验证：

当σ<200时，则客车和货车均为正常过车热轴波形；

当货车过车热轴波形对比参数值σ≥200时，且待判定货车过车热轴波形面积/货车标准过车热轴波形面积<85％，且四个拐点横坐标符合x_t4>x_t3>x_t2>x_t1,且在(x_t4,y_t4)之后的矢量无抬起变化，可判定为“挡键”热轴(举例如图8所示)，认定热轴波形正常；若上述条件任一条件不满足则认为波形异常；

当货车过车热轴波形对比参数值200≤σ<260时，且货车过车热轴波形面积/货车标准过车热轴波形面积在[85％,115％]区间，且四个拐点横坐标符合x_t4,>x_t3>x_t2>x_t1，根据拐点位置可判定为厂车类轴承较宽波形，认定热轴波形正常；若上述条件任一条件不满足则认为波形异常。

当客车过车热轴对比参数值200≤σ<450时，且客车过车热轴波形面积/客车标准过车热轴波形面积在[65％,115％]区间，且波形矢量变化满足整体先上升后下降的变化趋势(波形平滑)，认定过车热轴波形正常；若上述条件任一条件不满足则认为波形异常；

当客车过车热轴对比参数值200≤σ<650时，且客车过车热轴波形面积/客车标准过车热轴波形面积在[45％,65％]区间，且过车热轴波形矢量变化满足整体先上升后下降的变化趋势(波形平滑)，认定过车热轴波形正常；若上述条件任一条件不满足则认为波形异常；

具体实施方式七：所述S6中综合双探和S5获得的验证结果再次判断热轴波形是否异常，通过以下方式判断：

S601、计算热轴预报中内外探温升差ΔTemp；

S602、根据S601计算出的ΔTemp判断热轴预报是否正确：

当ΔTemp>50度，且波形识别为异常时，则热轴预报错误，将激、强热轴降为微热；

当ΔTemp>30度，且波形识别为异常时，则热轴预报正确，将激、强热轴降1级预报。

本实施方式中，但由于实际列车车轴存在差异，相同车型由于挡键(也是正常波形的一种)等原因也会造成热轴波形的变化(如图8)，此时根据统一样本模型判断热轴易造成误判；但建立过多模型又增加了算法的复杂性，影响设备运行效率，因此IPA对初次判定结果进行进一步补充判定。热轴是根据温升等条件预报，温升越高，热轴等级越高(激热为最高等级，强热次之，微热最低)，危害越大。双探设备通过内、外探两组探头对列车轴温进行探测，获取的温升数据可以相互印证热轴预报结果。IPA模型在处理热轴数据时，通过解析数据可以获取对应探头的温升参数，根据对大量热轴相关数据的验证，发现当内、外探温升相差较大且热轴波形异常时，对应热轴的误报情况较多。

本实施方式的有益效果为：有效运用了人工智能模式识别模型，结合双探设备完善热轴模式识别。双探不是简单的数据冗余，而是内、外探之间的互为补充、互相印证，有效结合内、外探的轴温规律，提高IPA正确率，从而达到提高热轴预报准确率的目的。

实施例1：THDS监测中心应用IPA，具体热轴判别过程如下：

THDS***整体结构图如图1所示，当THDS探测站通过列车后，将探测数据传入THDS监测中心，根据具体实施方式所述的过程，监测中心接收探测数据经过处理后将热轴数据传输至IPA，IPA处理后将结果传回监测中心，监测中心根据IPA结果对热轴进行降级或剔除等操作。

实施例2：THDS探测站应用IPA，具体热轴判别过程如下：

当THDS探测站通过列车后，根据具体实施方式所述的过程，将探测数据传入IPA模型，IPA对所有过车热轴波形进行智能分析后，将结果传入THDS监测中心，监测中心结合IPA结果对热轴进行降级或剔除处理，并对设备故障等异常信息进行预警提示。

Claims (3)

1.一种基于人工智能模式识别技术的THDS***热轴判别方法，其特征在于所述方法具体过程为：

步骤一、获取过车报文，进行报文解析获得过车数据；

步骤二、将过车数据输入到热轴判别模型中获得热轴预报；

步骤三、采用IPA模型分析热轴预报对应的待判别过车热轴波形获得过车热轴判别结果，包括以下步骤：

S1、分别获取货车和客车的平均过车热轴波形，将货车和客车的平均过车热轴波形进行归一化分别获得客车标准过车热轴波形和货车标准过车热轴波形，均记为标准过车热轴波形S(xs_i,ys_i),i＝1,…,32，并确定标准过车热轴波形的拐点位置坐标；

其中，i是标准过车热轴波形上采样点的标号；

标准过车热轴波形的拐点位置坐标分别为：T1(xs_t1,ys_t1)、T2(xs_t2,ys_t2)、T3(xs_t3,ys_t3)、T4(xs_t4,ys_t4)；

将货车和客车的平均过车热轴波形进行归一化为最大值为1000最小值为0的32点标准过车热轴波形；

S2、将待判别过车热轴波形归一化获得归一化后的待判别过车热轴波形D(x_j,y_j),j＝1,…,32，并基于S1建立的标准过车热轴波形和归一化后的待判别过车热轴波形获得待判别过车热轴波形拐点的坐标；

其中，j为归一化后的待判别过车热轴波形上的采样点标号；

所述归一化后的待判别过车热轴波形为最大值为1000最小值为0的32点过车热轴波形；

基于S1建立的标准过车热轴波形和归一化后的待判别过车热轴波形获得待判别过车热轴波形拐点的坐标，分别为：

其中，S(xs_i,ys_i)为标准过车热轴波形，i为标准过车热轴波形上的采样点标号；t1为第一拐点的标号，t2为第二拐点的标号，t3为第三拐点的标号，t4为第四拐点的标号，m为待判别过车热轴波形拐点位置的取值范围；DT_k(x_tk,y_tk)为待判别过车热轴波形拐点的位置，k＝{1,2,3,4}，n≥3为计算过车热轴波形拐点需要的连续采样点的个数，x_tk为待判别过车热轴波形拐点的横坐标；

S3、将S1获得的标准过车热轴波形的拐点位置坐标与S2获得的待判别过车热轴波形的拐点的坐标比对获得待判别过车热轴波形左右偏移补偿值Δx从而校正过车热轴波形角度；

左右偏移补偿值Δx，通过以下公式获得：

S4、利用S3获得的校正后的过车热轴波形的采样点和S1获得的标准过车热轴波形的采样点获取模型对比参数σ：

S5、根据S4获得的σ值验证过车热轴波形是否正常，若波形异常则执行S6；若波形正常则正常输出预报热轴，结束判别；

根据S4获得的σ值验证过车热轴波形是否正常通过以下方式验证：

当σ<200时，则客车和货车均为正常过车热轴波形；

当货车过车热轴波形对比参数值σ≥200时，且待判定货车过车热轴波形面积/货车标准过车热轴波形面积<85％，且四个拐点横坐标符合x_t4>x_t3>x_t2>x_t1，同时货车过车热轴波形在(x_t4,y_t4)之后的矢量无抬起变化，则判定为“挡键”热轴，认定热轴波形正常，若上述条件任一条件不满足则认为波形异常；

当货车过车热轴波形对比参数值200≤σ<260时，且货车过车热轴波形面积/货车标准过车热轴波形面积在[85％,115％]区间，且四个拐点横坐标符合x_t4>x_t3>x_t2>x_t1，则判定为厂车类轴承较宽波形，认定热轴波形正常，若上述条件任一条件不满足则认为波形异常；

当客车过车热轴波形对比参数值200≤σ<450时，且客车过车热轴波形面积/客车标准过车热轴波形面积在[65％,115％]区间，且波形矢量变化满足整体先上升后下降的变化趋势，认定过车热轴波形正常，若上述条件任一条件不满足则认为波形异常；

当客车过车热轴波形对比参数值200≤σ<650时，且客车过车热轴波形面积/客车标准过车热轴波形面积在[45％,65％]区间，且过车热轴波形矢量变化满足整体先上升后下降的变化趋势，认定过车热轴波形正常，若上述条件任一条件不满足则认为波形异常；

S6、综合双探和S5获得的验证结果再次判断热轴波形是否异常，若仍异常则输出异常信息结束热轴判别，若再次判断热轴波形为正常热轴波形则正常预报热轴并结束热轴判别；

综合双探和S5获得的验证结果再次判断热轴波形是否异常，包括以下步骤：

S601、计算热轴预报中内外探温升差ΔTemp；

S602、根据S601计算出的ΔTemp判断热轴预报是否正确，如下：

当ΔTemp>50度，且波形识别为异常时，则热轴预报错误，将激、强热轴降为微热；

当ΔTemp>30度，且波形识别为异常时，则热轴预报正确，将激、强热轴降1级预报。

2.根据权利要求1所述的一种基于人工智能模式识别技术的THDS***热轴判别方法，其特征在于：所述S1中分别获取货车和客车的平均过车热轴波形，包括以下步骤：

首先，获取大量的货车过车热轴波形特征和客车过车热轴波形特征作为货车热轴波形数据集和客车热轴波形数据集；

然后，获取货车热轴波形数据集中的热轴波形特征与正常过车热轴波形特征的相似度，保留相似度大于第一阈值的货车过车热轴波形特征并取平均值，获得货车平均过车热轴波形；

最后，获取客车热轴波形数据集中的热轴波形特征与正常过车热轴波形特征的相似度，保留相似度大于第二阈值的客车过车热轴波形特征并取平均值，获得客车平均过车热轴波形。

3.根据权利要求2所述的一种基于人工智能模式识别技术的THDS***热轴判别方法，其特征在于：所述第一阈值为80％；所述第二阈值为60％。