CN114417921B - 轨道几何异常数据的识别方法、装置、设备和存储介质 - Google Patents
轨道几何异常数据的识别方法、装置、设备和存储介质 Download PDFInfo
- Publication number
- CN114417921B CN114417921B CN202210009844.7A CN202210009844A CN114417921B CN 114417921 B CN114417921 B CN 114417921B CN 202210009844 A CN202210009844 A CN 202210009844A CN 114417921 B CN114417921 B CN 114417921B
- Authority
- CN
- China
- Prior art keywords
- data
- data segment
- abnormal
- sequence
- value
- 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
- 238000000034 method Methods 0.000 title claims abstract description 97
- 230000002159 abnormal effect Effects 0.000 claims abstract description 176
- 238000001514 detection method Methods 0.000 claims abstract description 67
- 238000012545 processing Methods 0.000 claims abstract description 48
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 17
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 15
- 238000012937 correction Methods 0.000 claims description 46
- 238000000605 extraction Methods 0.000 claims description 16
- 230000015654 memory Effects 0.000 claims description 15
- 238000012216 screening Methods 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 9
- 125000004122 cyclic group Chemical group 0.000 claims description 8
- 238000012952 Resampling Methods 0.000 claims description 6
- 230000006641 stabilisation Effects 0.000 claims description 5
- 238000011105 stabilization Methods 0.000 claims description 5
- 238000010845 search algorithm Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 description 17
- 230000008569 process Effects 0.000 description 10
- 230000005856 abnormality Effects 0.000 description 9
- 238000010586 diagram Methods 0.000 description 9
- 238000004891 communication Methods 0.000 description 8
- 238000004364 calculation method Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 230000007246 mechanism Effects 0.000 description 5
- 230000002547 anomalous effect Effects 0.000 description 4
- 230000035772 mutation Effects 0.000 description 4
- 230000001133 acceleration Effects 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000002688 persistence Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 230000001186 cumulative effect Effects 0.000 description 2
- 238000006073 displacement reaction Methods 0.000 description 2
- 230000008030 elimination Effects 0.000 description 2
- 238000003379 elimination reaction Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000032683 aging Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000000227 grinding Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/254—Fusion techniques of classification results, e.g. of results related to same input data
- G06F18/256—Fusion techniques of classification results, e.g. of results related to same input data of results relating to different input data, e.g. multimodal recognition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Signal Processing (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Machines For Laying And Maintaining Railways (AREA)
Abstract
本文提供了一种轨道几何异常数据的识别方法、装置、设备和存储介质,其中方法包括:获取轨道几何的原始检测数据;通过经验模态分解法结合数据段滑动标准差对所述原始检测数据进行处理,识别得到第一异常数据段;通过局部峰值查找算法结合数据段滑动均方根对所述原始检测数据进行处理,识别得到第二异常数据段;通过数据段滑动标准差对所述原始检测数据进行处理,识别得到第三异常数据段;通过差分法结合数据阈值对所述原始检测数据进行处理,识别得到第四异常数据段;对所述第一异常数据段、所述第二异常数据段、所述第三异常数据段以及所述第四异常数据段进行合并,得到异常数据区段。本文能够提高异常数据识别的效率和准确度。
Description
技术领域
本发明涉及轨道交通领域,特别地,涉及一种轨道几何异常数据的识别方法、装置、设备和存储介质。
背景技术
目前,轨道不平顺状态评价是基于多项轨道几何不平顺参数的局部峰值和区段均值结合车体振动加速度的评价标准而得到的,此外轨道维修方案也主要基于轨道几何不平顺数据来制定,轨道几何不平顺参数主要包括轨道的高低、轨向、轨距、水平、三角坑等。
在对轨道几何不平顺数据实际检测过程中,其检测装置包括激光组件、加速度传感器、拉弦位移传感器、陀螺仪等,这些检测装置会受到多种外部条件的影响,不可避免的会出现一些局部以及连续区段的异常检测数据。
对于连续区段的异常数据来说,通常利用人工对数据中的异常值进行识别与剔除,或者直接利用轨道不平顺数据的幅值或者区段标准差,利用特定阈值范围(如3σ原则)直接对计算指标进行离群值判定。但是人工识别存在异常数据识别效率不高和准确性不足的问题。例如,当出于研究目的需要进行大量轨道几何检测数据计算时,此时人工对于异常区段的识别剔除需要耗费大量人力且效率低下。此外,对于里程长、设备工况复杂的线路,利用特定阈值(如3σ原则)判定异常区段时仍存在误判或者漏判的情况。
因此现在亟需一种轨道几何异常数据的识别方法,能够提高异常数据识别的效率和准确度。
发明内容
本文实施例的目的在于提供一种轨道几何异常数据的识别方法、装置、设备和存储介质,以提高异常数据识别的效率和准确度。
为达到上述目的,一方面,本文实施例提供了一种轨道几何异常数据的识别方法,包括:
获取轨道几何的原始检测数据;
通过经验模态分解法结合数据段滑动标准差对所述原始检测数据进行处理,识别得到第一异常数据段;
通过局部峰值查找算法结合数据段滑动均方根对所述原始检测数据进行处理,识别得到第二异常数据段;
通过数据段滑动标准差对所述原始检测数据进行处理,识别得到第三异常数据段;
通过差分法结合数据阈值对所述原始检测数据进行处理,识别得到第四异常数据段;
对所述第一异常数据段、所述第二异常数据段、所述第三异常数据段以及所述第四异常数据段进行合并,得到异常数据区段。
优选的,所述原始检测数据进一步包括:
激光信号数据、拉弦信号数据、陀螺组件信号数据以及加速度计信号数据。
优选的,所述通过经验模态分解法结合数据段滑动标准差对所述原始检测数据进行处理,识别得到第一异常数据段进一步包括:
通过经验模态分解法对所述激光信号数据进行平稳化处理,得到N个本征模态分量;
提取所述N个本征模态分量中前M个本征模态分量之和;
按照设定时窗长度和设定步长对所述前M个本征模态分量之和进行滑动提取,得到若干激光信号数据段;
计算每一所述激光信号数据段的标准差,得到标准差序列;
根据标准差上限值和标准差下限值对所述标准差序列进行筛分,确定第一异常数据段。
优选的,所述通过局部峰值查找算法结合数据段滑动均方根对所述原始检测数据进行处理,识别得到第二异常数据段进一步包括:
按照设定时窗长度和设定步长对拉弦信号数据进行滑动提取,得到若干拉弦信号数据段;
计算每一所述拉弦信号数据段的均方根,得到均方根序列;
判断所述均方根序列中是否存在异常均方根;
若是,则对所述拉弦信号数据进行循环修正,得到修正序列;
按照设定时窗长度和设定步长对所述修正序列进行滑动提取,得到若干修正数据段;
计算每一所述修正数据段的均方根,得到修正均方根序列;
根据修正阈值对所述修正均方根序列进行筛分,确定第二异常数据段。
优选的,所述对所述拉弦信号数据进行循环修正,得到修正序列进一步包括:
循环执行如下步骤若干次,将若干次循环后得到的新的拉弦信号数据作为修正序列:
根据局部峰值查找算法对拉弦信号数据进行计算,得到局部极值序列;
对所述局部极值序列进行插值重采样处理,得到扩容序列;其中所述扩容序列的数据量与所述拉弦信号数据的数据量相同;
将所述拉弦信号数据与所述扩容序列中的数据对应相减,得到新的拉弦信号数据。
优选的,所述判断所述均方根序列中是否存在异常均方根进一步包括:
通过如下公式计算所述均方根序列中的任一均方根值:
|rms(r)-|G00||<|αG00|;
其中,rms(r)为均方根序列中的第r个均方根值,G00为拉弦信号数据的初始信号值,α为拉弦信号波动系数;
若任一均方根值满足如上公式,则该均方根值为异常均方根。
优选的,所述通过数据段滑动标准差对所述原始检测数据进行处理,识别得到第三异常数据段进一步包括:
计算每一所述拉弦信号数据段的标准差,得到拉弦标准差序列;
根据拉弦阈值对所述拉弦标准差序列进行筛分,确定第三异常数据段。
优选的,所述通过差分法结合数据阈值对所述原始检测数据进行处理,识别得到第四异常数据段进一步包括:
通过差分法对选定数据进行计算,得到差分值序列,其中所述选定数据为激光信号数据、陀螺组件信号数据或加速度计信号数据;
判断所述选定数据中是否存在异常值,其中所述异常值小于所述数据阈值,且所述异常值在所述差分值序列中对应的差分值小于所述数据阈值;
若是,则根据所述异常值的集合,得到第四异常数据段。
另一方面,本文实施例提供了一种轨道几何异常数据的识别装置,所述装置包括:
获取模块,用于获取轨道几何的原始检测数据;
第一确定模块,用于通过经验模态分解法结合数据段滑动标准差对所述原始检测数据进行处理,识别得到第一异常数据段;
第二确定模块,用于通过局部峰值查找算法结合数据段滑动均方根对所述原始检测数据进行处理,识别得到第二异常数据段;
第三确定模块,用于通过数据段滑动标准差对所述原始检测数据进行处理,识别得到第三异常数据段;
第四确定模块,用于通过差分法结合数据阈值对所述原始检测数据进行处理,识别得到第四异常数据段;
合并模块,用于对所述第一异常数据段、所述第二异常数据段、所述第三异常数据段以及所述第四异常数据段进行合并,得到异常数据区段。
又一方面,本文实施例还提供了一种计算机设备,包括存储器、处理器、以及存储在所述存储器上的计算机程序,所述计算机程序被所述处理器运行时,执行上述任意一项所述方法的指令。
又一方面,本文实施例还提供了一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被计算机设备的处理器运行时,执行根据上述任意一项所述方法的指令。
由以上本文实施例提供的技术方案可见,本文实施例通过经验模态分解法结合数据段滑动标准差对所述原始检测数据进行处理,识别得到第一异常数据段,通过局部峰值查找算法结合数据段滑动均方根对所述原始检测数据进行处理,识别得到第二异常数据段,通过数据段滑动标准差对所述原始检测数据进行处理,识别得到第三异常数据段,通过差分法结合数据阈值对所述原始检测数据进行处理,识别得到第四异常数据段,并对第一异常数据段、第二异常数据段、第三异常数据段和第四异常数据段进行合并,高效率和高准确度的得到了异常数据区段。
为让本文的上述和其他目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附图式,作详细说明如下。
附图说明
为了更清楚地说明本文实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本文的一些实施例,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的附图。
图1示出了本文实施例提供的一种轨道几何异常数据的识别方法的流程示意图;
图2示出了本文实施例提供的用于识别得到第一异常数据段的流程示意图;
图3示出了本文实施例提供的用于识别得到第二异常数据段的流程示意图;
图4示出了本文实施例提供的用于循环修正的流程示意图;
图5示出了本文实施例提供的用于识别得到第三异常数据段的流程示意图;
图6示出了本文实施例提供的用于识别得到第四异常数据段的流程示意图;
图7示出了本文实施例提供的一种轨道几何异常数据的识别装置的模块结构示意图;
图8示出了本文实施例提供的计算机设备的结构示意图。
附图符号说明:
100、获取模块;
200、第一确定模块;
300、第二确定模块;
400、第三确定模块;
500、第四确定模块;
600、合并模块;
802、计算机设备;
804、处理器;
806、存储器;
808、驱动机构;
810、输入/输出模块;
812、输入设备;
814、输出设备;
816、呈现设备;
818、图形用户接口;
820、网络接口;
822、通信链路;
824、通信总线。
具体实施方式
下面将结合本文实施例中的附图,对本文实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本文一部分实施例,而不是全部的实施例。基于本文中的实施例,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,都属于本文保护的范围。
在对轨道几何不平顺数据实际检测过程中,其检测装置包括激光组件、加速度传感器、拉弦位移传感器、陀螺仪等,这些检测装置会受到多种外部条件的影响,不可避免的会出现一些局部以及连续区段的异常检测数据。
对于连续区段的异常数据来说,通常利用人工对数据中的异常值进行识别与剔除,或者直接利用轨道不平顺数据的幅值或区段标准差,利用特定阈值范围(如3σ原则)直接对计算指标进行离群值判定。但是人工识别存在异常数据识别效率不高和准确性不足的问题。例如,当出于研究目的需要进行大量轨道几何检测数据计算时,此时人工对于异常区段的识别剔除需要耗费大量人力且效率低下。此外,对于里程长、设备工况复杂的线路,利用特定阈值范围(如3σ原则)判定异常区段时仍存在误判或者漏判的情况。
为了解决上述问题,本文实施例提供了一种轨道几何异常数据的识别方法。图1是本文实施例提供的一种轨道几何异常数据的识别方法的步骤示意图,本说明书提供了如实施例或流程图所述的方法操作步骤,但基于常规或者无创造性的劳动可以包括更多或者更少的操作步骤。实施例中列举的步骤顺序仅仅为众多步骤执行顺序中的一种方式,不代表唯一的执行顺序。在实际中的***或装置产品执行时,可以按照实施例或者附图所示的方法顺序执行或者并行执行。
参照图1,一种轨道几何异常数据的识别方法,包括:
S101:获取轨道几何的原始检测数据;
S102:通过经验模态分解法结合数据段滑动标准差对所述原始检测数据进行处理,识别得到第一异常数据段;
S103:通过局部峰值查找算法结合数据段滑动均方根对所述原始检测数据进行处理,识别得到第二异常数据段;
S104:通过数据段滑动标准差对所述原始检测数据进行处理,识别得到第三异常数据段;
S105:通过差分法结合数据阈值对所述原始检测数据进行处理,识别得到第四异常数据段;
S106:对所述第一异常数据段、所述第二异常数据段、所述第三异常数据段以及所述第四异常数据段进行合并,得到异常数据区段。
轨道几何的原始检测数据包括但不限于:激光信号数据、拉弦信号数据、陀螺组件信号数据以及加速度计信号数据。其中激光信号数据包括左激光信号数据和右激光信号数据、拉弦信号数据包括左拉弦信号数据和右拉弦信号数据,陀螺组件信号数据包括滚动、摇头、倾角三个数据通道,加速度计信号数据包括垂向、横向两个数据通道。本文所述的识别方法适用于上述任一左/右激光信号数据、左/右拉弦信号数据,以及任一数据通道的陀螺组件信号数据和任一数据通道的加速度计信号数据。
上述轨道几何的原始检测数据用于检测轨道高低、轨向、轨距、水平坑和三角坑等轨道几何不平顺指标。
需要区分的是,激光信号受阳光、雨水、钢轨打磨等外部环境条件影响而产生的异常包括多种情况:激光信号异常激增产生高频信号、间歇性无信号、激光信号发生台阶状突变后伴随信号无波动,以及激光信号发生台阶状突变后伴随信号弱波动,根据上述这些情况可以分为高频异常和低频异常,高频异常为激光信号异常激增产生高频信号,低频异常为间歇性无信号、激光信号发生台阶状突变后伴随信号无波动或弱波动,本文所述的第一异常数据段即包括激光信号数据中的第一高频异常数据段和第一低频异常数据段。
拉弦信号数据的异常包括多种情况:因拉弦断裂等原因导致拉弦信号异常,伴随台阶状激增的情况,以及拉弦断裂后备用拉弦信号接通瞬间信号幅值台阶状回落且并近似保持稳定一段距离后恢复正常,拉弦老化等原因引起拉弦信号台阶状激增-近似稳定-回落的异常情况,上述三种情况同样可以将第一种确定为拉弦断裂异常,将第二和第三种确定为拉弦其它异常,本文所述的第二异常数据段即为发生拉弦断裂异常的数据段,第三异常数据段即为发生拉弦其它异常的数据段。
陀螺组件信号数据和加速度计信号数据的异常均只包括一种情况,即信号持续性近似为0的情况,除了陀螺组件信号数据和加速度计信号数据外,激光信号数据也存在持续性近似为0的情况,本文所述的第四异常数据段即包括陀螺组件信号数据、加速度计信号数据和激光信号数据的异常数据段。
相较于直接对轨道不平顺参数标准差直接3σ原则进行异常区段的识别方法,本文准确率较高的原因是特定单项轨道不平顺获取需利用特定算法对多个传感器信号处理而得到。其中,当个别传感器出现故障时,对应的轨道不平顺数据标准差可能仍满足上述3σ原则,出现异常区段无法被识别情况;此外,对于里程长、设备工况复杂的线路,轨道不平顺的分布特性偏离高斯分布时,则会出现误判或者漏判情况。而本专利介绍方法直接从各个传感器原始信号进行异常值分析,相对与上述3σ原则或特定阈值的异常区段判定方法可提高异常区段识别准确性和适用性。
参照图2,在本文实施例中,所述通过经验模态分解法结合数据段滑动标准差对所述原始检测数据进行处理,识别得到第一异常数据段进一步包括:
S201:通过经验模态分解法对所述激光信号数据进行平稳化处理,得到N个本征模态分量;
S202:提取所述N个本征模态分量中前M个本征模态分量之和;
S203:按照设定时窗长度和设定步长对所述前M个本征模态分量之和进行滑动提取,得到若干激光信号数据段;
S204:计算每一所述激光信号数据段的标准差,得到标准差序列;
S205:根据标准差上限值和标准差下限值对所述标准差序列进行筛分,确定第一异常数据段。
具体的,经验模态分解法EMD可以对激光信号数据进行平稳化处理,其中激光信号数据包含了通过轨道检测车沿轨道进行采集时所设定的采样里程数据,沿设定的采样里程有若干采集点,每一采集点有其对应的激光信号数据,若干采集点得到的激光信号数据为:Y={y(i)},i=1,2,...,n,n为采集点的个数。
通过经验模态分解法平稳化处理后可以得到N个本征模态分量和信号的残余量,其中本征模态分量个数N由经验模态分解法的循环判定准则确定,N为大于0的正整数,经验模态分解法得到N个主频率成分由高至低的本征模态分量IMF(j),j=1,2,...,N。计算前M个本征模态分量之和本文中M取值可以为1或2。
在按照设定时窗长度和设定步长对所述前M个本征模态分量之和进行滑动提取时,设定时窗长度是指滑动提取得到的若干激光信号数据段中任一激光信号数据段的长度,提取一个激光信号数据段后滑动设定步长,再提取下一激光信号数据段。当然需要注意的是此处的激光信号数据段的个数为整数个,若按照设定步长滑动至I的末端,I末端的数据量小于设定时窗长度时,则不再提取该末端的数据量作为一个激光信号数据段。其中设定时窗长度和设定步长可以根据实际工况来确定。
例如,前M个本征模态分量之和数据序列包含具有采样里程的的10000个数据点,设定时窗长度为800个数据,设定步长为100个数据,在滑动提取时按照第1-800个数据得到第一个激光信号数据段,滑动100个数据后提取第101-900个数据得到第二个激光信号数据段,依次得到若干激光信号数据段。
进一步计算每一激光信号数据段的标准差,得到标准差序列:std(r),r=0,1,2,…s;其中s为激光信号数据段的个数。
在根据标准差上限值和标准差下限值对所述标准差序列进行筛分之前,要先确定标准差上限值和标准差下限值。其中标准差上限值为Wu1=max{Su,P99},即取Su和P99中的最大值作为标准差上限值,Su为历史无异常的激光信号数据段对应的标准差中最大的标准差,P99为需判定异常状态的激光信号标准差序列std(r)的累计百分比为99%对应的分位值。其中标准差下限值为Wl1=min{Sl,P01},即取Sl和P01中的最小值作为标准差下限值,Sl为历史无异常的激光信号数据段对应的标准差中最小的标准差,P01为需判定异常状态的激光信号标准差序列std(r)的累计百分比为1%对应的分位值。
根据标准差上限值和标准差下限值,筛分得到标准差序列std(r)中大于标准差上限值或者小于标准差下限值的标准差值,根据标准差值对应的轨道里程区段,可以得到该轨道里程区段对应的激光信号数据段为第一异常数据段,具体的,若标准差值大于标准上限值,则对应的激光信号数据段为第一高频异常数据段,若标准差之小于标准下限值,则对应的激光信号数据段为第一低频异常数据段。
其中激光传感器受到阳光、雨水、异物遮挡等因素干扰,会出现异常波动高频成分增加、信号近似无波动(弱波动)的异常情况,不同于拉弦传感器的拉弦断裂,激光信号的台阶状波动是一个持续性的,无备用更换来解决该异常,对应信号的激增方向也是未知的,拉弦传感器异常的处理方法在此不适用。
参照图3,在本文实施例中,所述通过局部峰值查找算法结合数据段滑动均方根对所述原始检测数据进行处理,识别得到第二异常数据段进一步包括:
S301:按照设定时窗长度和设定步长对拉弦信号数据进行滑动提取,得到若干拉弦信号数据段;
S302:计算每一所述拉弦信号数据段的均方根,得到均方根序列;
S303:判断所述均方根序列中是否存在异常均方根;
S304:若是,则对所述拉弦信号数据进行循环修正,得到修正序列;
S305:按照设定时窗长度和设定步长对所述修正序列进行滑动提取,得到若干修正数据段;
S306:计算每一所述修正数据段的均方根,得到修正均方根序列;
S307:根据修正阈值对所述修正均方根序列进行筛分,确定第二异常数据段;
拉弦信号数据包含了通过轨道检测车沿轨道进行采集时所设定的采样里程数据,沿设定的采样里程有若干采集点,每一采集点有其对应的拉弦信号数据,若干采集点得到的拉弦信号数据为:X={x(i)},i=1,2,...,n,n为采集点的个数。
按照设定时窗长度和设定步长对上述拉弦信号数据进行滑动提取,得到若干拉弦信号数据段,每一拉弦信号数据段中均有设定时窗长度的数据,任意相邻的两个拉弦信号数据段的起始点之间均间隔设定步长。
进一步的,计算每一拉弦信号数据段的均方根,得到均方根序列rms(r),r=0,1,2,…s,其中s为拉弦信号数据段的个数。
然后判断均方根序列中是否存在异常均方根,若否,则说明拉弦信号数据中不存在第二异常数据段。
若是,则对拉弦信号数据进行循环修正后,进一步得到修正序列:Xk={xk(i)},i=1,2,...,n,其中k代表循环修正k次。按照设定时窗长度和设定步长对修正序列进行滑动提取,得到若干修正数据段,并计算每一修正数据段的均方根,得到修正均方根序列rms′(r),r=0,1,2,…s。
在根据修正阈值对修正均方根序列进行筛分之前,要先确定修正阈值。其中修正阈值为Wu2=|βG00|,其中G00为初始信号值,β可以根据实际工况确定为0.5~0.9。具体的,拉弦的初始信号值的确定方法为:拉弦传感器安装在轨道检测车上后对应的信号值为初始信号值,此时拉弦传感器的拉弦挂钩尚未安装,拉弦传感器尚未工作。上述β取值的原因是:由于在获取初始信号值时拉弦传感器的拉弦挂钩尚未安装,因此可以将初始信号值视为拉弦断裂对应的信号值,若修正均方根序列中的均方根值接近该信号值,则对应可能发生了拉弦断裂的情况。
根据修正阈值,筛分得到修正均方根序列rms′(r)中大于修正阈值的均方根值,根据均方根值对应的轨道里程区段,可以得到该轨道里程区段对应的拉弦信号数据段为第二异常数据段,具体的,若均方根值大于修正阈值,则对应的拉弦信号数据段为第二异常数据段。
在本文实施例中,所述对所述拉弦信号数据进行循环修正,得到修正序列进一步包括:
参照图4,循环执行如下步骤若干次,将若干次循环后得到的新的拉弦信号数据作为修正序列:
S401:根据局部峰值查找算法对拉弦信号数据进行计算,得到局部极值序列;
S402:对所述局部极值序列进行插值重采样处理,得到扩容序列;其中所述扩容序列的数据量与所述拉弦信号数据的数据量相同;
S403:将所述拉弦信号数据与所述扩容序列中的数据对应相减,得到新的拉弦信号数据。
需要注意的是,局部极值序列为局部极小值序列或局部极大值序列,其中,若拉弦的初始信号值为正号,则局部极值序列取为局部极小值序列,对局部极小值序列进行插值重采样;若拉弦的初始信号值为负号,则局部极值序列取为局部极大值序列,对局部极大值序列进行插值重采样;
具体的,局部峰值查找算法在应用时可以通过差分法对拉弦信号数据X={x(i)},i=1,2,...,n进行差分计算,得到差分后的序列,差分后的序列中若存在某一差分值与前一个临近差分值正负号相反,则该差分值为局部峰值点,更具体为:某点差分值为负,前一个临近点差分值为正,则该点对应极大值点,相反为极小值点;筛分出所有局部峰值之后,进一步确定局部峰值序列Z1={z1(i)},i=1,2,...,a。其中局部峰值序列的确定方法可以为:按照设定间隔选取大于设定峰值绝对值下限的局部峰值组成局部峰值序列,其中设定间隔可以根据实际工况确定,设定峰值绝对值下限可以取为|βG00|,G00为初始信号值,β可以根据实际工况确定为0.5~0.9,由局部峰值的起始位置开始,每隔设定间隔判断一次当前局部峰值的绝对值是否大于设定峰值绝对值下限,若大于,则确定当前局部峰值属于局部峰值序列,进而得到a个局部峰值形成的局部峰值序列。
通过上述步骤,势必得到的a小于n,因此需要对局部极值序列进行插值重采样处理,得到扩容序列Z′1={z′1(i)},i=1,2,...,n。由于扩容序列与调整后的拉弦信号数据的数据量相同,因此可以将调整后的拉弦信号数据与扩容序列中的数据对应相减,即x(i)-z′1(i);得到新的调整后的拉弦信号数据,将新的调整后的拉弦信号数据再次进行上述步骤,循环k次,k可以为3至5,循环k次后最终得到Xk={xk(i)},i=1,2,...,n。
在本文实施例中,所述判断所述均方根序列中是否存在异常均方根进一步包括:
通过如下公式计算所述均方根序列中的任一均方根值:
|rms(r)-|G00||<|αG00|;
其中,rms(r)为均方根序列中的第r个均方根值,G00为拉弦信号数据的初始信号值,α为拉弦信号波动系数,其中α可以取为0.1~0.2;
若任一均方根值满足如上公式,则该均方根值为异常均方根,即只要存在一个均方根值满足上述公式,则该均方根值为异常均方根,说明拉弦信号数据中存在第二异常数据段。
参照图5,在本文实施例中,所述通过数据段滑动标准差对所述原始检测数据进行处理,识别得到第三异常数据段进一步包括:
S501:按照设定时窗长度和设定步长对拉弦信号数据进行滑动提取,得到若干拉弦信号数据段;
S502:计算每一所述拉弦信号数据段的标准差,得到拉弦标准差序列;
S503:根据拉弦阈值对所述拉弦标准差序列进行筛分,确定第三异常数据段。
拉弦信号数据包含了通过轨道检测车沿轨道进行采集时所设定的采样里程数据,沿设定的采样里程有若干采集点,每一采集点有其对应的拉弦信号数据,若干采集点得到的拉弦信号数据为:X={x(i)},i=1,2,...,n,n为采集点的个数。
按照设定时窗长度和设定步长对上述拉弦信号数据进行滑动提取,得到若干拉弦信号数据段,每一拉弦信号数据段中均有设定时窗长度的数据,任意相邻的两个拉弦信号数据段的起始点之间均间隔设定步长。
进一步的,计算每一拉弦信号数据段的标准差,得到拉弦标准差序列std′(r),r=0,1,2,...s;在根据拉弦阈值对拉弦标准差序列进行筛分之前,需要先确定拉弦阈值Wl2=min{S1′,P′01},即取S1′和P′01中的最小值作为拉弦阈值,S1′为历史无异常拉弦信号数据段标准差中最小的标准差,P′01为拉弦标准差序列std′(r)的累计百分比为1%对应的分位值。若标准差序列中不存在小于拉弦阈值的标准差值,则说明拉弦信号数据中不存在第三异常数据段,若标准差序列中存在小于拉弦阈值的标准差值,则将根据标准差值对应的轨道里程区段,可以得到该轨道里程区段对应的拉弦信号数据段为第三异常数据段。
其中拉弦信号常见故障为因拉弦断裂导致信号激增,对应信号表现为台阶状突变并信号近似维持稳定,而在备用拉弦接通瞬间,拉弦信号会出现“信号台阶状回落,一段距离后信号恢复正常”的异常情况,此外,除了断裂情况外,因拉弦老化等原因拉弦信号也会出现台阶状激增并近似维持稳定一段距离后自动恢复的异常情况。而局部峰值查找算法结合数据区段的滑动均方根的判定方法可以消除曲线区段引起的拉弦信号的趋势项,并保持拉弦断裂位置处的台阶状突变,并做到识别异常区段情况。而借助区段滑动标准差可以直接判定信号激增并近似位置稳定的情况。二者结合判定处拉弦使用状态是否存在断裂、老化,需更换的情况。
参照图6,在本文实施例中,所述通过差分法结合数据阈值对所述原始检测数据进行处理,识别得到第四异常数据段进一步包括:
S601:通过差分法对选定数据进行计算,得到差分值序列,其中所述选定数据为激光信号数据、陀螺组件信号数据或加速度计信号数据;
S602:判断所述选定数据中是否存在异常值,其中所述异常值小于所述数据阈值,且所述异常值在所述差分值序列中对应的差分值小于所述数据阈值;
S603:若是,则根据所述异常值的集合,得到第四异常数据段。
具体的,选定数据可以为Q={q(i)},i=1,2,...,n,通过差分法对选定数据进行计算得到差分值序列ΔQ={Δq(i)},i=1,2,...,n-1。本领域技术人员可知差分值即为后一项数据减前一项数据得到。
在判断选定数据中是否存在异常值之前需要先确定数据阈值,数据阈值可以根据实际工况确定,由于第四异常数据段为信号持续性近似为0,因此数据阈值可以取为略大于0的数值,例如0.01、0.02等等。若判断为否,则不存在第四异常数据段。
若选定数据中存在任一数据值,该数据值小于数据阈值,且该数据值对应的差分值也小于数据阈值,则该数据值为异常值。具体的,该数据值对应的差分值为该数据值与该数据值前序相邻的数据值之差得到的差分值。
通过上述方法将所有异常值筛选出得到第四异常数据段。
最后,上述步骤S106中对所述第一异常数据段、所述第二异常数据段、所述第三异常数据段以及所述第四异常数据段进行合并,得到异常数据区段。具体的,异常数据段不论是第一异常数据段、第二异常数据段、第三异常数据段还是第四异常数据段,其中可能包括若干段异常数据段,在进行合并时,若其中存在任意两个相邻的异常数据段之间的数据段间隔小于数据段间隔阈值,则认定该两个相邻的异常数据段间隔较近,确定该两个相邻的异常数据段之间的数据段为异常数据段,其中数据段间隔阈值的大小可以根据实际工况和本文中的时窗长度确定。
基于上述所述的一种轨道几何异常数据的识别方法,本文实施例还提供一种轨道几何异常数据的识别装置。所述的装置可以包括使用了本文实施例所述方法的***(包括分布式***)、软件(应用)、模块、组件、服务器、客户端等并结合必要的实施硬件的装置。基于同一创新构思,本文实施例提供的一个或多个实施例中的装置如下面的实施例所述。由于装置解决问题的实现方案与方法相似,因此本文实施例具体的装置的实施可以参见前述方法的实施,重复之处不再赘述。以下所使用的,术语“单元”或者“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现,但是硬件,或者软件和硬件的组合的实现也是可能并被构想的。
具体地,图7是本文实施例提供的一种轨道几何异常数据的识别装置一个实施例的模块结构示意图,参照图7所示,本文实施例提供的一种轨道几何异常数据的识别装置包括:获取模块100、第一确定模块200、第二确定模块300、第三确定模块400、第四确定模块500、合并模块600。
获取模块100,用于获取轨道几何的原始检测数据;
第一确定模块200,用于通过经验模态分解法结合数据段滑动标准差对所述原始检测数据进行处理,识别得到第一异常数据段;
第二确定模块300,用于通过局部峰值查找算法结合数据段滑动均方根对所述原始检测数据进行处理,识别得到第二异常数据段;
第三确定模块400,用于通过数据段滑动标准差对所述原始检测数据进行处理,识别得到第三异常数据段;
第四确定模块500,用于通过差分法结合数据阈值对所述原始检测数据进行处理,识别得到第四异常数据段;
合并模块600,用于对所述第一异常数据段、所述第二异常数据段、所述第三异常数据段以及所述第四异常数据段进行合并,得到异常数据区段。
参照图8所示,基于上述所述的一种轨道几何异常数据的识别方法,本文一实施例中还提供一种计算机设备802,其中上述方法运行在计算机设备802上。计算机设备802可以包括一个或多个处理器804,诸如一个或多个中央处理单元(CPU)或图形处理器(GPU),每个处理单元可以实现一个或多个硬件线程。计算机设备802还可以包括任何存储器806,其用于存储诸如代码、设置、数据等之类的任何种类的信息,一具体实施方式中,存储器806上并可在处理器804上运行的计算机程序,所述计算机程序被所述处理器804运行时,可以执行根据上述方法的指令。非限制性的,比如,存储器806可以包括以下任一项或多种组合:任何类型的RAM,任何类型的ROM,闪存设备,硬盘,光盘等。更一般地,任何存储器都可以使用任何技术来存储信息。进一步地,任何存储器可以提供信息的易失性或非易失性保留。进一步地,任何存储器可以表示计算机设备802的固定或可移除部件。在一种情况下,当处理器804执行被存储在任何存储器或存储器的组合中的相关联的指令时,计算机设备802可以执行相关联指令的任一操作。计算机设备802还包括用于与任何存储器交互的一个或多个驱动机构808,诸如硬盘驱动机构、光盘驱动机构等。
计算机设备802还可以包括输入/输出模块810(I/O),其用于接收各种输入(经由输入设备812)和用于提供各种输出(经由输出设备814)。一个具体输出机构可以包括呈现设备816和相关联的图形用户接口818(GUI)。在其他实施例中,还可以不包括输入/输出模块810(I/O)、输入设备812以及输出设备814,仅作为网络中的一台计算机设备。计算机设备802还可以包括一个或多个网络接口820,其用于经由一个或多个通信链路822与其他设备交换数据。一个或多个通信总线824将上文所描述的部件耦合在一起。
通信链路822可以以任何方式实现,例如,通过局域网、广域网(例如,因特网)、点对点连接等、或其任何组合。通信链路822可以包括由任何协议或协议组合支配的硬连线链路、无线链路、路由器、网关功能、名称服务器等的任何组合。
对应于图1-图6中的方法,本文实施例还提供了一种计算机可读存储介质,该计算机可读存储介质上存储有计算机程序,该计算机程序被处理器运行时执行上述方法的步骤。
本文实施例还提供一种计算机可读指令,其中当处理器执行所述指令时,其中的程序使得处理器执行如图1至图6所示的方法。
应理解,在本文的各种实施例中,上述各过程的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本文实施例的实施过程构成任何限定。
还应理解,在本文实施例中,术语“和/或”仅仅是一种描述关联对象的关联关系,表示可以存在三种关系。例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。另外,本文中字符“/”,一般表示前后关联对象是一种“或”的关系。
本领域普通技术人员可以意识到,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文的范围。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,上述描述的***、装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本文所提供的几个实施例中,应该理解到,所揭露的***、装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个***,或一些特征可以忽略,或不执行。另外,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口、装置或单元的间接耦合或通信连接,也可以是电的,机械的或其它的形式连接。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本文实施例方案的目的。
另外,在本文各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以是两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本文的技术方案本质上或者说对现有技术做出贡献的部分,或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本文各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
本文中应用了具体实施例对本文的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本文的方法及其核心思想;同时,对于本领域的一般技术人员,依据本文的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本文的限制。
Claims (11)
1.一种轨道几何异常数据的识别方法,其特征在于,包括:
获取轨道几何的原始检测数据;
通过经验模态分解法结合数据段滑动标准差对所述原始检测数据进行处理,识别得到第一异常数据段;
通过局部峰值查找算法结合数据段滑动均方根对所述原始检测数据进行处理,识别得到第二异常数据段;
通过数据段滑动标准差对所述原始检测数据进行处理,识别得到第三异常数据段;
通过差分法结合数据阈值对所述原始检测数据进行处理,识别得到第四异常数据段;
对所述第一异常数据段、所述第二异常数据段、所述第三异常数据段以及所述第四异常数据段进行合并,得到异常数据区段。
2.根据权利要求1所述的轨道几何异常数据的识别方法,其特征在于,所述原始检测数据进一步包括:
激光信号数据、拉弦信号数据、陀螺组件信号数据以及加速度计信号数据。
3.根据权利要求2所述的轨道几何异常数据的识别方法,其特征在于,所述通过经验模态分解法结合数据段滑动标准差对所述原始检测数据进行处理,识别得到第一异常数据段进一步包括:
通过经验模态分解法对所述激光信号数据进行平稳化处理,得到N个本征模态分量;
提取所述N个本征模态分量中前M个本征模态分量之和;
按照设定时窗长度和设定步长对所述前M个本征模态分量之和进行滑动提取,得到若干激光信号数据段;
计算每一所述激光信号数据段的标准差,得到标准差序列;
根据标准差上限值和标准差下限值对所述标准差序列进行筛分,确定第一异常数据段。
4.根据权利要求2所述的轨道几何异常数据的识别方法,其特征在于,所述通过局部峰值查找算法结合数据段滑动均方根对所述原始检测数据进行处理,识别得到第二异常数据段进一步包括:
按照设定时窗长度和设定步长对拉弦信号数据进行滑动提取,得到若干拉弦信号数据段;
计算每一所述拉弦信号数据段的均方根,得到均方根序列;
判断所述均方根序列中是否存在异常均方根;
若是,则对所述拉弦信号数据进行循环修正,得到修正序列;
按照设定时窗长度和设定步长对所述修正序列进行滑动提取,得到若干修正数据段;
计算每一所述修正数据段的均方根,得到修正均方根序列;
根据修正阈值对所述修正均方根序列进行筛分,确定第二异常数据段。
5.根据权利要求4所述的轨道几何异常数据的识别方法,其特征在于,所述对所述拉弦信号数据进行循环修正,得到修正序列进一步包括:
循环执行如下步骤若干次,将若干次循环后得到的新的拉弦信号数据作为修正序列:
根据局部峰值查找算法对拉弦信号数据进行计算,得到局部极值序列;
对所述局部极值序列进行插值重采样处理,得到扩容序列;其中所述扩容序列的数据量与所述拉弦信号数据的数据量相同;
将所述拉弦信号数据与所述扩容序列中的数据对应相减,得到新的拉弦信号数据。
6.根据权利要求4所述的轨道几何异常数据的识别方法,其特征在于,所述判断所述均方根序列中是否存在异常均方根进一步包括:
通过如下公式计算所述均方根序列中的任一均方根值:
|rms(r)-|G00||<|αG00|;
其中,rms(r)为均方根序列中的第r个均方根值,G00为拉弦信号数据的初始信号值,α为拉弦信号波动系数;
若任一均方根值满足如上公式,则该均方根值为异常均方根。
7.根据权利要求4所述的轨道几何异常数据的识别方法,其特征在于,所述通过数据段滑动标准差对所述原始检测数据进行处理,识别得到第三异常数据段,进一步包括:
计算每一所述拉弦信号数据段的标准差,得到拉弦标准差序列;
根据拉弦阈值对所述拉弦标准差序列进行筛分,确定第三异常数据段。
8.根据权利要求2所述的轨道几何异常数据的识别方法,其特征在于,所述通过差分法结合数据阈值对所述原始检测数据进行处理,识别得到第四异常数据段进一步包括:
通过差分法对选定数据进行计算,得到差分值序列,其中所述选定数据为激光信号数据、陀螺组件信号数据或加速度计信号数据;
判断所述选定数据中是否存在异常值,其中所述异常值小于所述数据阈值,且所述异常值在所述差分值序列中对应的差分值小于所述数据阈值;
若是,则根据所述异常值的集合,得到第四异常数据段。
9.一种轨道几何异常数据的识别装置,其特征在于,所述装置包括:
获取模块,用于获取轨道几何的原始检测数据;
第一确定模块,用于通过经验模态分解法结合数据段滑动标准差对所述原始检测数据进行处理,识别得到第一异常数据段;
第二确定模块,用于通过局部峰值查找算法结合数据段滑动均方根对所述原始检测数据进行处理,识别得到第二异常数据段;
第三确定模块,用于通过数据段滑动标准差对所述原始检测数据进行处理,识别得到第三异常数据段;
第四确定模块,用于通过差分法结合数据阈值对所述原始检测数据进行处理,识别得到第四异常数据段;
合并模块,用于对所述第一异常数据段、所述第二异常数据段、所述第三异常数据段以及所述第四异常数据段进行合并,得到异常数据区段。
10.一种计算机设备,包括存储器、处理器、以及存储在所述存储器上的计算机程序,其特征在于,所述计算机程序被所述处理器运行时,执行根据权利要求1-8任意一项所述方法的指令。
11.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被计算机设备的处理器运行时,执行根据权利要求1-8任意一项所述方法的指令。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210009844.7A CN114417921B (zh) | 2022-01-05 | 2022-01-05 | 轨道几何异常数据的识别方法、装置、设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210009844.7A CN114417921B (zh) | 2022-01-05 | 2022-01-05 | 轨道几何异常数据的识别方法、装置、设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114417921A CN114417921A (zh) | 2022-04-29 |
CN114417921B true CN114417921B (zh) | 2024-04-30 |
Family
ID=81272127
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210009844.7A Active CN114417921B (zh) | 2022-01-05 | 2022-01-05 | 轨道几何异常数据的识别方法、装置、设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114417921B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118013304A (zh) * | 2024-02-19 | 2024-05-10 | 国网湖北省电力有限公司襄阳供电公司 | 一种基于聚类算法的变压器故障定位方法及*** |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104794312A (zh) * | 2015-05-15 | 2015-07-22 | 西南交通大学 | 轨道平顺状态的评定方法及装置 |
WO2017055838A1 (en) * | 2015-09-28 | 2017-04-06 | University Of Huddersfield | Method and system for predicting railway track quality |
CN108592853A (zh) * | 2018-04-09 | 2018-09-28 | 中国铁道科学研究院 | 轨道板拱起位置辨识方法、装置、存储介质及设备 |
CN108595374A (zh) * | 2018-03-26 | 2018-09-28 | 中国铁道科学研究院 | 高速铁路轨道几何微小变化识别方法及装置 |
CN109367569A (zh) * | 2018-09-10 | 2019-02-22 | 广州大铁锐威科技有限公司 | 用于轨道几何参数测量的检测数据同步采集***和方法 |
CN110409234A (zh) * | 2019-07-25 | 2019-11-05 | 北京三岭基业科技发展有限公司 | 一种高速铁路钢轨平顺度动态检测方法和装置 |
KR102116890B1 (ko) * | 2019-11-07 | 2020-05-29 | 주식회사 지에스지 | 무선 가속도계를 이용한 이동형 레일/궤도 결함 실시간 분석 및 모니터링 시스템 및 방법 |
CN111655562A (zh) * | 2017-11-30 | 2020-09-11 | 斯佩里铁路控股有限公司 | 使用机器学习检查轨道的***和方法 |
CN112308824A (zh) * | 2020-10-21 | 2021-02-02 | 中国铁道科学研究院集团有限公司 | 基于轨道几何检测数据的曲线半径分类识别方法及装置 |
CN112380710A (zh) * | 2020-11-18 | 2021-02-19 | 中国铁道科学研究院集团有限公司 | 轨道板状态确定方法及装置 |
CN113312715A (zh) * | 2021-05-10 | 2021-08-27 | 暨南大学 | 一种有轨电车槽型轨扭曲不平顺预测方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190039633A1 (en) * | 2017-08-02 | 2019-02-07 | Panton, Inc. | Railroad track anomaly detection |
FR3093493B1 (fr) * | 2019-03-04 | 2021-04-09 | Commissariat Energie Atomique | Procédé de détection d’anomalie de matériel roulant exploitant un signal de déformation d’un support de rail |
-
2022
- 2022-01-05 CN CN202210009844.7A patent/CN114417921B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104794312A (zh) * | 2015-05-15 | 2015-07-22 | 西南交通大学 | 轨道平顺状态的评定方法及装置 |
WO2017055838A1 (en) * | 2015-09-28 | 2017-04-06 | University Of Huddersfield | Method and system for predicting railway track quality |
CN111655562A (zh) * | 2017-11-30 | 2020-09-11 | 斯佩里铁路控股有限公司 | 使用机器学习检查轨道的***和方法 |
CN108595374A (zh) * | 2018-03-26 | 2018-09-28 | 中国铁道科学研究院 | 高速铁路轨道几何微小变化识别方法及装置 |
CN108592853A (zh) * | 2018-04-09 | 2018-09-28 | 中国铁道科学研究院 | 轨道板拱起位置辨识方法、装置、存储介质及设备 |
CN109367569A (zh) * | 2018-09-10 | 2019-02-22 | 广州大铁锐威科技有限公司 | 用于轨道几何参数测量的检测数据同步采集***和方法 |
CN110409234A (zh) * | 2019-07-25 | 2019-11-05 | 北京三岭基业科技发展有限公司 | 一种高速铁路钢轨平顺度动态检测方法和装置 |
KR102116890B1 (ko) * | 2019-11-07 | 2020-05-29 | 주식회사 지에스지 | 무선 가속도계를 이용한 이동형 레일/궤도 결함 실시간 분석 및 모니터링 시스템 및 방법 |
CN112308824A (zh) * | 2020-10-21 | 2021-02-02 | 中国铁道科学研究院集团有限公司 | 基于轨道几何检测数据的曲线半径分类识别方法及装置 |
CN112380710A (zh) * | 2020-11-18 | 2021-02-19 | 中国铁道科学研究院集团有限公司 | 轨道板状态确定方法及装置 |
CN113312715A (zh) * | 2021-05-10 | 2021-08-27 | 暨南大学 | 一种有轨电车槽型轨扭曲不平顺预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN114417921A (zh) | 2022-04-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114417921B (zh) | 轨道几何异常数据的识别方法、装置、设备和存储介质 | |
CN111832002A (zh) | 使用事件日志检测异常账户 | |
CN103606221B (zh) | 清分机故障自动诊断方法以及装置 | |
CN103646167A (zh) | 一种基于遥测数据的卫星异常状态检测*** | |
CN104021601A (zh) | 基于三轴加速度传感器的汽车碰撞检测方法和装置 | |
CN106845447A (zh) | 一种工作面瓦斯浓度预测预警方法 | |
CN117191305B (zh) | 一种公路桥梁的状态评估方法及*** | |
CN110867077B (zh) | 一种基于交通视频结构化数据质量控制的道路优化方法 | |
CN108195396A (zh) | 一种新能源汽车车辆数据的有效性的检测方法及*** | |
CN110008247A (zh) | 异常来源确定方法、装置、设备及计算机可读存储介质 | |
WO2017055838A1 (en) | Method and system for predicting railway track quality | |
CN113670616A (zh) | 一种轴承性能退化状态检测方法及*** | |
CN108346196B (zh) | 一种车辆重载和空载的判断方法及装置 | |
CN112781556A (zh) | 一种基于多数据融合滤波的井盖异动监测方法和装置 | |
CN113375775B (zh) | 一种共享车辆的重量修正方法、重量修正***及电子设备 | |
CN115794544A (zh) | 一种中间件异常监测装置以及方法 | |
CN113947129B (zh) | 车轮失圆状态智能识别ai模型训练使用方法、设备及介质 | |
CN117271980B (zh) | 钻进数据处理方法、装置、电子设备及存储介质 | |
JP2021111034A (ja) | 異常検知プログラム、異常検知方法、および情報処理装置 | |
CN106645776B (zh) | 飞机刹车***的轮速采集***及轮速采集方法 | |
CN109655020A (zh) | 齿轮一齿径向综合偏差及切向综合偏差检测方法 | |
CN109614966A (zh) | 一种基于信息融合的Lidar传感器的高效路面和路沿检测方法 | |
CN108595386B (zh) | 基于高阶累积量分析的分布式光纤振动测量方法及装置 | |
CN113761048B (zh) | 地质灾害异常数据可视化处理方法及*** | |
WO2021049185A1 (ja) | 情報処理システム、情報処理方法及びプログラム |
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 |