CN115130728A - 列车车轮直径校准时间预测方法及装置 - Google Patents

列车车轮直径校准时间预测方法及装置 Download PDF

Info

Publication number
CN115130728A
CN115130728A CN202210616156.7A CN202210616156A CN115130728A CN 115130728 A CN115130728 A CN 115130728A CN 202210616156 A CN202210616156 A CN 202210616156A CN 115130728 A CN115130728 A CN 115130728A
Authority
CN
China
Prior art keywords
wheel diameter
time
train
value
sequence
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
Application number
CN202210616156.7A
Other languages
English (en)
Inventor
方弟
孙晓光
耿鹏
周延昕
赵悦彤
马晓梅
李涛涛
向润梓
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.)
CRSC Urban Rail Transit Technology Co Ltd
Original Assignee
CRSC Urban Rail Transit 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 CRSC Urban Rail Transit Technology Co Ltd filed Critical CRSC Urban Rail Transit Technology Co Ltd
Priority to CN202210616156.7A priority Critical patent/CN115130728A/zh
Publication of CN115130728A publication Critical patent/CN115130728A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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"
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B61—RAILWAYS
    • B61K—AUXILIARY EQUIPMENT SPECIALLY ADAPTED FOR RAILWAYS, NOT OTHERWISE PROVIDED FOR
    • B61K9/00—Railway vehicle profile gauges; Detecting or indicating overheating of components; Apparatus on locomotives or cars to indicate bad track sections; General design of track recording vehicles
    • B61K9/12—Measuring or surveying wheel-rims
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/08—Probabilistic or stochastic CAD
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/10—Numerical modelling

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Computational Mathematics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Operations Research (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Algebra (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Quality & Reliability (AREA)
  • Development Economics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Probability & Statistics with Applications (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Computer Hardware Design (AREA)
  • Evolutionary Computation (AREA)
  • Geometry (AREA)
  • Mechanical Engineering (AREA)
  • Train Traffic Observation, Control, And Security (AREA)

Abstract

本发明提供一种列车车轮直径校准时间预测方法及装置，该方法包括：将列车在当前时刻之前的第一车轮直径时间序列输入ARIMA模型中，获得所述ARIMA模型输出的所述列车在当前时刻之后的第二车轮直径时间序列；根据所述第二车轮直径时间序列中小于第一预设阈值的第二车轮直径值对应的时刻，确定对所述列车进行车轮直径校准的时间；其中，ARIMA模型通过以样本车轮直径时间序列为样本，以样本车轮直径时间序列对应的后续车轮直径观测值序列为标签进行训练得到。本发明确定的车辆直径校准时间预先为运营人员重新校准车轮直径提供参考，有针对性的进行及时重新校准，提高列车控制的精准性，减轻列车维护工作量。

Description

列车车轮直径校准时间预测方法及装置
技术领域
本发明涉及轨道交通技术领域，尤其涉及一种列车车轮直径校准时间预测方法及装置。
背景技术
城市轨道交通信号***中，对于新造车辆，轮径值统一为840mm，信号***使用设定的轮径值参与列车走行距离和列车速度的计算。
列车在轨道上长时间运行，车轮会出现磨损或者擦伤，列车轮径发生改变。但是信号***还是使用配置的轮径值，计算用的轮径值和实际轮径值出现较大偏差，影响信号***对列车的定位计算。比如会导致列车到站停车出现偏差，车门和屏蔽门对不齐，影响乘客上下车。也会影响信号***对列车速度精准控制，影响牵引制动控制指标。所以列车在使用一段时间后，需要运营人员重新测量列车轮径，对轮径值重新校准。
目前按照列车是否运行，对于列车轮径值测量主要有静态检测和动态检测。静态检测是在列车非运行状态下，地铁技术人员按照操作规程来实现车轮径的检测工作。动态检测是列车在运行状态下，通过两个精准定位应答器，根据固定的应答器间隔和速度传感器输出的脉冲数推算出当前列车的轮径值。
使用动态检测方法检测速度快，自动化程度高，且不占用列车周转时间，但是校准***通信结构复杂，信号传输实时性差，计算精度有限。使用静态检测方法虽然测量精度较高，但是无法及时准确地了解车轮在运行中的真实状态，不可避免会出现磨损严重车轮仍在继续使用的情况。若无偶尔擦伤导致的镟轮，轨道运营一般会在很长一段时间或者车辆运行大于多少公里时，才会对所有车轮统一进行一次镟轮，重新测量轮径值。
发明内容
本发明提供一种列车车轮直径校准时间预测方法及装置，用以解决现有技术中静态检测方法不能及时进行列车车轮直径校准的缺陷，实现对列车车轮直径校准时间进行实时预测。
本发明提供一种列车车轮直径校准时间预测方法，包括：
将列车在当前时刻之前的第一车轮直径时间序列输入ARIMA模型中，获得所述ARIMA模型输出的所述列车在当前时刻之后的第二车轮直径时间序列；
根据所述第二车轮直径时间序列中小于第一预设阈值的第二车轮直径值对应的时刻，确定对所述列车进行车轮直径校准的时间；
其中，ARIMA模型通过以样本车轮直径时间序列为样本，以样本车轮直径时间序列对应的后续车轮直径观测值序列为标签进行训练得到。
根据本发明提供的一种列车车轮直径校准时间预测方法，在所述将列车在当前时刻之前的第一车轮直径时间序列输入ARIMA模型中，获得所述ARIMA模型输出的所述列车在当前时刻之后的第二车轮直径时间序列的步骤之前，还包括：
获取所述列车在当前时刻之前每次经过第一应答器和第二应答器时，所述列车上的速度传感器输出的累计脉冲数之间的差值；
获取所述第一应答器和第二应答器之间的实际安装距离；
根据所述累计脉冲数之间的差值和所述实际安装距离，获取所述列车的第一车轮直径值；
根据所述第一车轮直径值构建所述第一车轮直径时间序列。
根据本发明提供的一种列车车轮直径校准时间预测方法，所述根据所述累计脉冲数之间的差值和所述实际安装距离，获取所述列车的第一车轮直径值，包括：
获取所述列车每次经过所述第一应答器和第二应答器时所述列车的累计行走距离之间的差值；
在所述实际安装距离与所述累计行走距离之间的差值之间的偏差小于第二预设阈值的情况下，根据所述累计脉冲数之间的差值和所述实际安装距离，获取所述列车的第一车轮直径值。
根据本发明提供的一种列车车轮直径校准时间预测方法，通过以下公式根据所述累计脉冲数之间的差值和所述实际安装距离，计算所述列车的第一车轮直径值：
Figure BDA0003673388240000031
其中，S为所述第一应答器和第二应答器之间的实际安装距离，ΔN为所述累计脉冲数之间的差值，D为所述列车的第一车轮直径值，n为所述列车的车轮转动一周速度传感器输出的脉冲数，α为预设系数。
根据本发明提供的一种列车车轮直径校准时间预测方法，在所述将列车在当前时刻之前的第一车轮直径时间序列输入ARIMA模型中，获得所述ARIMA模型输出的所述列车在当前时刻之后的第二车轮直径时间序列的步骤之前，还包括：
在检测到样本车轮直径时间序列不平稳的情况下，对所述样本车轮直径时间序列进行差分处理，直到所述样本车轮直径时间序列平稳；
将所述差分处理的次数作为所述ARIMA模型中的差分次数值；
基于信息准则函数法确定所述ARIMA模型中的自回归参数值和移动平均参数值；
将所述样本车轮直径时间序列输入到所述ARIMA模型中，计算所述ARIMA模型输出的后续车轮直径预测值序列和所述后续车轮直径观测值序列之间的残差序列；
在检测到所述残差序列不为白噪声的情况下，对所述ARIMA模型中的自回归参数值和移动平均参数值进行调整，使得所述残差序列为白噪声。
根据本发明提供的一种列车车轮直径校准时间预测方法，所述根据所述第二车轮直径时间序列中小于第一预设阈值的第二车轮直径值对应的时刻确定对所述列车进行车轮直径校准的时间，包括：
根据所述第二车轮直径时间序列中小于第一预设阈值的第二车轮直径值对应的时刻中的最早时刻，确定对所述列车进行车轮直径校准的时间。
本发明还提供一种列车车轮直径校准时间预测装置，包括：
将列车在当前时刻之前的第一车轮直径时间序列输入ARIMA模型中，获得所述ARIMA模型输出的所述列车在当前时刻之后的第二车轮直径时间序列；
根据所述第二车轮直径时间序列中小于第一预设阈值的第二车轮直径值对应的时刻，确定对所述列车进行车轮直径校准的时间；
其中，ARIMA模型通过以样本车轮直径时间序列为样本，以样本车轮直径时间序列对应的后续车轮直径观测值序列为标签进行训练得到。
本发明还提供一种电子设备，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如上述任一种所述列车车轮直径校准时间预测方法。
本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述列车车轮直径校准时间预测方法。
本发明还提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如上述任一种所述列车车轮直径校准时间预测方法。
本发明提供的列车车轮直径校准时间预测方法及装置，通过将列车的历史车轮直径时间序列输入ARIMA模型中，预测列车车轮直径值的未来发展趋势，据此确定列车车轮直径值达到ATP容忍的阈值的时间，对于不同列车的不同情况确定的时间不同，预先为运营人员重新校准车轮直径提供参考，有针对性的进行及时重新校准，提高列车控制的精准性，减轻列车维护工作量。
附图说明
为了更清楚地说明本发明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一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，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是本发明提供的列车车轮直径校准时间预测方法的流程示意图；
图2是本发明提供的列车车轮直径校准时间预测方法中车载平台的数据传输流程示意图；
图3是本发明提供的列车车轮直径校准时间预测方法中ARIMA模型的构建流程示意图；
图4是本发明提供的列车车轮直径校准时间预测装置的结构示意图；
图5是本发明提供的电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
下面结合图1描述本发明的一种列车车轮直径校准时间预测方法，包括：步骤101，将列车在当前时刻之前的第一车轮直径时间序列输入ARIMA模型中，获得所述ARIMA模型输出的所述列车在当前时刻之后的第二车轮直径时间序列；
本实施例使用ARIMA模型对时间序列的列车车轮直径值的变化趋势进行预测。
自回归模型AR(p)模型是用变量自身的历史时间数据对自身进行预测。具体是利用时间序列前期数值与后期数值的相关关系，建立一个包含前后期数值的自变量回归方程，即第t个时间序列数值xt由x1，x2，...，xt-1建立方程获取，公式如下：
xt＝α1xt-1+α2xt-2+...+αpxt-p+ut
ak表示第k个时间序列自相关系数，uk为第k个时间序列的白噪声，p为自回归阶数，时间序列数据必须具有平稳性。
移动平均模型MA(q)关注的是自回归模型中的误差项的累计，是t时间点的序列值为白噪声的加权之和，该时间序列服从q阶的移动平均方程：
xt＝β1ut-1+β2ut-2+...+βqut-q+ut
βk表示第k个时间序列移动平均系数，uk为第k个时间序列的白噪声，移动平均法能有效地消除预测中的随机波动。
将AR(p)模型和MA(q)模型进行组合，得到自回归移动平均模型ARMA(p，q)。ARMA模型综合了AR和MA模型的优势，形成更强大的模型，公式如下：
xt＝α1xt-1+α2xt-2+...+αpxt-p+ut+β1ut-1+β2ut-2+...+βqut-q
ARMA模型用于分析平稳时间序列，而实际列车车轮直径值受各种因素影响，往往不是平稳的，表现出周期及趋势变化叠加，就需要对原始观测序列进行平稳化处理。ARIMA(p,q,d)通过差分的方式可以用来处理非平稳时间序列，d为差分的次数。相比较ARMA模型，ARIMA模型是先将不平稳数据进行d次差分形成一个稳定的时间序列数据，然后采用ARMA模型进行预测。
设当前时刻为第n+1时刻，则当前时刻之前的第一车轮直径时间序列{D1，…，Dn}。D1为列车第一时刻的第一车轮直径值，Dn为列车在第n时刻的第一车轮直径值。
第一车轮直径值为列车的历史车轮直径值，可通过静态方法或动态方法得到，本实施例不作具体限定。
使用构建好的ARIMA模型对第一车轮直径值的后期发展趋势进行预测，得到第n+1时刻后续的第二车轮直径时间序列{Dn+1，…，Dn+k}。
步骤102，根据所述第二车轮直径时间序列中小于第一预设阈值的第二车轮直径值对应的时刻，确定对所述列车进行车轮直径校准的时间；
将第二车轮直径时间序列中的每个第二车轮直径值Dn+1，…，Dn+k与第一预设阈值进行比较，选择小于第一预设阈值的第二车轮直径值。第二车轮直径值小于第一预设阈值，说明列车的车轮磨损程度较大，影响信号***对列车的定位计算以及速度控制。
可选地，在连续多次第二车轮直径值小于第一预设阈值的情况下，将首次出现连续多次小于第一预设阈值的第二车轮直径值对应的时刻中的最早时刻之前的某一时刻作为列车进行车轮直径校准的最迟时间。根据车轮直径校准时间判断列车还需多久车轮磨损程度较大，需要进行校准。
在车轮直径校准的时间之前对车轮直径校准进行告警或显示，及时提醒列车运营方对车辆直径进行重新校准，从而达到预测预报的目的。
其中，ARIMA模型通过以样本车轮直径时间序列为样本，以样本车轮直径时间序列对应的后续车轮直径观测值序列为标签进行训练得到。
设样本车轮直径时间序列为{D'1，…，D'n}，则样本车轮直径时间序列输入ARIMA模型得到的后续车轮直径预测值序列为{D'n+1，…，D'n+k}，样本车轮直径时间序列对应的后续车轮直径观测值序列为{D”n+1，…，D”n+k}。
使用{D'1，…，D'n}和{D”n+1，…，D”n+k}对ARIMA模型进行训练，得到ARIMA模型优化后的参数。
本实施例通过将列车的历史车轮直径时间序列输入ARIMA模型中，预测列车车轮直径值的未来发展趋势，据此确定列车车轮直径值达到ATP容忍的阈值的时间，对于不同列车的不同情况确定的时间不同，预先为运营人员重新校准车轮直径提供参考，有针对性的进行及时重新校准，提高列车控制的精准性，减轻列车维护工作量。
在上述实施例的基础上，本实施例中在所述将列车在当前时刻之前的第一车轮直径时间序列输入ARIMA模型中，获得所述ARIMA模型输出的所述列车在当前时刻之后的第二车轮直径时间序列的步骤之前，还包括：获取所述列车在当前时刻之前每次经过第一应答器和第二应答器时，所述列车上的速度传感器输出的累计脉冲数之间的差值；
在轨道线路中，精准定位应答器设备安装误差不超过2cm，非精准定位应答器设备安装误差不超过1m。所以列车经过非精准定位应答器时的数据，不适合来计算车轮直径值。可选地，第一应答器A和第二应答器B为精准定位应答器。
第一应答器A和第二应答器B装设在列车运行的轨旁，列车先后经过第一应答器A和第二应答器B。当列车经过第一应答器A时，接收到第一应答器A发送的消息；经过第二应答器B时，接收到第二应答器B发送的消息本实施例不限于发送消息的内容。
速度传感器用于测量列车的运行速度，采集速度传感器在列车先后接收到第一应答器A和第二应答器B发送的消息时输出的累计脉冲数N1和N2。计算脉冲变化ΔN＝N2-N1。
获取所述第一应答器和第二应答器之间的实际安装距离；
从电子地图中获取第一应答器A和第二应答器B之间的实际安装距离S，此距离也是列车在第一应答器A和第二应答器B之间的实际走行距离。可以根据第一应答器和第二应答器在电子地图中的距离获得。
根据所述累计脉冲数之间的差值和所述实际安装距离，获取所述列车的第一车轮直径值；
根据ΔN和S计算第一车轮直径值。例如，根据ΔN和S计算列车行驶速度，根据速度计算列车的第一车轮直径值。将第一车轮直径值和第一车轮直径值对应累计脉冲数的输出时刻存入到数据库中。
根据所述第一车轮直径值构建所述第一车轮直径时间序列。
按照第一车轮直径值对应累计脉冲数的输出时刻的先后顺序，对列车多次经过两个传感器时计算的第一车轮直径值进行排序，得到第一车轮直径时间序列。
可选地，车载设备记录装置在计算得到第一车轮直径时间序列后，将第一车轮直径时间序列利用车地无线传输网络，将车载平台的第一车轮直径时间序列数据发送到地面的数据服务器，然后由数据服务器转发给运维子***，并将第一车轮直径时间序列存入到数据库中。
车载设备记录装置还可直接将累计脉冲数之间的差值和实际安装距离发送到地面的数据服务器，然后由数据服务器转发给运维子***。由运维子***根据接收的数据计算得到第一车轮直径时间序列。车载平台的数据传输流程如图2所示。
在上述实施例的基础上，本实施例中所述根据所述累计脉冲数之间的差值和所述实际安装距离，计算所述列车的第一车轮直径值，包括：获取所述列车每次经过所述第一应答器和第二应答器时所述列车的累计行走距离之间的差值；
当列车经过第一应答器A时，即接收到第一应答器A发送的消息时，ATP计算出来的列车累计行走距离S1。紧接着，当列车经过第二应答器B时，即接收到第二应答器B发送的消息时，ATP计算出来的列车累计行走距离S2，计算列车在第一应答器A和第二应答器B之间的行走距离ΔS＝S2-S1。
在所述实际安装距离与所述累计行走距离之间的差值之间的偏差小于第二预设阈值的情况下，根据所述累计脉冲数之间的差值和所述实际安装距离，获取所述列车的第一车轮直径值。
如果ΔS与S之间的差值小于第二预设阈值，说明第一应答器A和第二应答器B与电子地图配置数据位置一致，按照信号***工程数据图在指定的位置安装。
如果ΔS与S之间的差值大于或等于第二预设阈值，则对运营人员进行报警提示。
在上述实施例的基础上，本实施例通过以下公式根据所述累计脉冲数之间的差值和所述实际安装距离，获取所述列车的第一车轮直径值：
Figure BDA0003673388240000101
其中，S为所述第一应答器和第二应答器之间的实际安装距离，ΔN为所述累计脉冲数之间的差值，D为所述列车的第一车轮直径值，n为所述列车的车轮转动一周速度传感器输出的脉冲数，α为预设系数。
可选地，α为长度单位换算的系数，如果是毫米换算成厘米，则α为10。
在上述各实施例的基础上，如图3所示，本实施例中在所述将列车在当前时刻之前的第一车轮直径时间序列输入ARIMA模型中，获得所述ARIMA模型输出的所述列车在当前时刻之后的第二车轮直径时间序列的步骤之前，还包括：在检测到样本车轮直径时间序列不平稳的情况下，对所述样本车轮直径时间序列进行差分处理，直到所述样本车轮直径时间序列平稳；将所述差分处理的次数作为所述ARIMA模型中的差分次数值；
在对ARIMA模型建模的过程中，首先导入样本车轮直径时间序列。从数据库中获取编号为N的列车每次经过第一应答器A和第二应答器B时计算出来的样本车轮直径时间序列{D1，…，Dn}。
可选地，先对样本车轮直径时间序列{D1，…，Dn}进行预处理，采用限幅滤波方法。如果计算出来的第一车轮直径值Dn和上一次计算的第一车轮直径值Dn-1的偏差超过一定阈值，Dn无效。经过限幅滤波方法可以剔除偶然因数引起的脉冲干扰。
然后，判断样本车轮直径时间序列的稳定性，使用ADF(Augmented DickeyFuller，拓展DF)单位根检验方法对样本车轮直径时间序列的平稳性进行判断。如果样本车轮直径时间序列平稳，则不存在单位根；如果不平稳，则存在单位根，此时对样本车轮直径时间序列进行差分处理直至差分处理后的样本车轮直径时间序列平稳。通过差分处理可以确定ARIMA模型的差分次数d值。
基于信息准则函数法确定所述ARIMA模型中的自回归参数值和移动平均参数值；
接着，进行模型定阶，确定ARIMA模型中的自回归参数值p和移动平均参数值q。利用信息准则函数法来确定模型的阶数，可选地，使用BIC(Bayesian InformationCriterion，贝叶斯信息准则)或AIC(Akaike Information Criterion，赤池信息量准则)准则确定。其中，BCI准则的计算公式如下：
BIC＝kln(n)-2ln(L)；
其中，k为模型中参数的个数，n为样本容量，L为似然函数值。BIC准则相对于AIC准则，考虑了样本容量，在样本容量较多时，可有效防止模型进度过高造成的模型复杂度过高，产生过拟合现象。
在p和q的一定取值范围内(应用自相关函数ACF和偏自相关函数PACF，通过拖尾和截尾进行模型定阶，可确定p和q值的大致范围)，获取所有BIC信息量，然后取其中BIC信息量达到最小的模型阶数p和q的值。
将所述样本车轮直径时间序列输入到所述ARIMA模型中，计算所述ARIMA模型输出的后续车轮直径预测值序列和所述后续车轮直径观测值序列之间的残差序列；
根据变量的观测值与估计的回归方程求出的预测值之差得到残差序列。
在检测到所述残差序列不为白噪声的情况下，对所述ARIMA模型中的自回归参数值和移动平均参数值进行调整，使得所述残差序列为白噪声。
通过校验残差序列的自相关性来确定模型的合理性，残差序列的随机性可以通过自相关函数法来检验。可选地，使用Ljung-Box检验，即白噪声检验，确定残差序列是否为白噪声。如果是白噪声，说明残差序列中有用的信息已经被提取完毕，剩下的全是随机波动，是无法预测和使用的，已经没有信息可以继续提取，故模型可以确定。如果残差序列不是白噪声，说明残差中还有有用的信息，需要进一步调整ARIMA模型参数来提取有用信息。
在上述各实施例的基础上，本实施例中所述根据所述第二车轮直径时间序列中小于第一预设阈值的第二车轮直径值对应的时刻确定对所述列车进行车轮直径校准的时间，包括：根据所述第二车轮直径时间序列中小于第一预设阈值的第二车轮直径值对应的时刻中的最早时刻，确定对所述列车进行车轮直径校准的时间。
例如，将最早时刻之前2小时，作为对列车进行车轮直径校准的最迟时间。
下面对本发明提供的列车车轮直径校准时间预测装置进行描述，下文描述的列车车轮直径校准时间预测装置与上文描述的列车车轮直径校准时间预测方法可相互对应参照。
如图4所示，该装置包括预测模块401和确定模块402，其中：
预测模块401用于将列车在当前时刻之前的第一车轮直径时间序列输入ARIMA模型中，获得所述ARIMA模型输出的所述列车在当前时刻之后的第二车轮直径时间序列；
确定模块402用于根据所述第二车轮直径时间序列中小于第一预设阈值的第二车轮直径值对应的时刻，确定对所述列车进行车轮直径校准的时间；
其中，ARIMA模型通过以样本车轮直径时间序列为样本，以样本车轮直径时间序列对应的后续车轮直径观测值序列为标签进行训练得到。
本发明通过将列车的历史车轮直径时间序列输入ARIMA模型中，预测列车车轮直径值的未来发展趋势，据此确定列车车轮直径值达到ATP容忍的阈值的时间，对于不同列车的不同情况确定的时间不同，预先为运营人员重新校准车轮直径提供参考，有针对性的进行及时重新校准，提高列车控制的精准性，减轻列车维护工作量。
图5示例了一种电子设备的实体结构示意图，如图5所示，该电子设备可以包括：处理器(processor)510、通信接口(Communications Interface)520、存储器(memory)530和通信总线540，其中，处理器510，通信接口520，存储器530通过通信总线540完成相互间的通信。处理器510可以调用存储器530中的逻辑指令，以执行列车车轮直径校准时间预测方法，该方法包括：将列车在当前时刻之前的第一车轮直径时间序列输入ARIMA模型中，获得所述ARIMA模型输出的所述列车在当前时刻之后的第二车轮直径时间序列；根据所述第二车轮直径时间序列中小于第一预设阈值的第二车轮直径值对应的时刻，确定对所述列车进行车轮直径校准的时间；其中，ARIMA模型通过以样本车轮直径时间序列为样本，以样本车轮直径时间序列对应的后续车轮直径观测值序列为标签进行训练得到。
此外，上述的存储器530中的逻辑指令可以通过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，本发明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)执行本发明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。
另一方面，本发明还提供一种计算机程序产品，所述计算机程序产品包括计算机程序，计算机程序可存储在非暂态计算机可读存储介质上，所述计算机程序被处理器执行时，计算机能够执行上述各方法所提供的列车车轮直径校准时间预测方法，该方法包括：将列车在当前时刻之前的第一车轮直径时间序列输入ARIMA模型中，获得所述ARIMA模型输出的所述列车在当前时刻之后的第二车轮直径时间序列；根据所述第二车轮直径时间序列中小于第一预设阈值的第二车轮直径值对应的时刻，确定对所述列车进行车轮直径校准的时间；其中，ARIMA模型通过以样本车轮直径时间序列为样本，以样本车轮直径时间序列对应的后续车轮直径观测值序列为标签进行训练得到。
又一方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各方法提供的列车车轮直径校准时间预测方法，该方法包括：将列车在当前时刻之前的第一车轮直径时间序列输入ARIMA模型中，获得所述ARIMA模型输出的所述列车在当前时刻之后的第二车轮直径时间序列；根据第二车轮直径时间序列中小于第一预设阈值的第二车轮直径值对应的时刻，确定对所述列车进行车轮直径校准的时间；其中，ARIMA模型通过以样本车轮直径时间序列为样本，以样本车轮直径时间序列对应的后续车轮直径观测值序列为标签进行训练得到。
以上所描述的装置实施例仅仅是示意性的，其中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模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，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)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (10)

1.一种列车车轮直径校准时间预测方法，其特征在于，包括：
将列车在当前时刻之前的第一车轮直径时间序列输入ARIMA模型中，获得所述ARIMA模型输出的所述列车在当前时刻之后的第二车轮直径时间序列；
根据所述第二车轮直径时间序列中小于第一预设阈值的第二车轮直径值对应的时刻，确定对所述列车进行车轮直径校准的时间；
其中，ARIMA模型通过以样本车轮直径时间序列为样本，以样本车轮直径时间序列对应的后续车轮直径观测值序列为标签进行训练得到。
2.根据权利要求1所述的列车车轮直径校准时间预测方法，其特征在于，在所述将列车在当前时刻之前的第一车轮直径时间序列输入ARIMA模型中，获得所述ARIMA模型输出的所述列车在当前时刻之后的第二车轮直径时间序列的步骤之前，还包括：
获取所述列车在当前时刻之前每次经过第一应答器和第二应答器时，所述列车上的速度传感器输出的累计脉冲数之间的差值；
获取所述第一应答器和第二应答器之间的实际安装距离；
根据所述累计脉冲数之间的差值和所述实际安装距离，获取所述列车的第一车轮直径值；
根据所述第一车轮直径值构建所述第一车轮直径时间序列。
3.根据权利要求2所述的列车车轮直径校准时间预测方法，其特征在于，所述根据所述累计脉冲数之间的差值和所述实际安装距离，获取所述列车的第一车轮直径值，包括：
获取所述列车每次经过所述第一应答器和第二应答器时所述列车的累计行走距离之间的差值；
在所述实际安装距离与所述累计行走距离之间的差值之间的偏差小于第二预设阈值的情况下，根据所述累计脉冲数之间的差值和所述实际安装距离，获取所述列车的第一车轮直径值。
4.根据权利要求2所述的列车车轮直径校准时间预测方法，其特征在于，通过以下公式根据所述累计脉冲数之间的差值和所述实际安装距离，获取所述列车的第一车轮直径值：
Figure FDA0003673388230000021
其中，S为所述第一应答器和第二应答器之间的实际安装距离，ΔN为所述累计脉冲数之间的差值，D为所述列车的第一车轮直径值，n为所述列车的车轮转动一周速度传感器输出的脉冲数，α为预设系数。
5.根据权利要求1-4任一所述的列车车轮直径校准时间预测方法，其特征在于，在所述将列车在当前时刻之前的第一车轮直径时间序列输入ARIMA模型中，获得所述ARIMA模型输出的所述列车在当前时刻之后的第二车轮直径时间序列的步骤之前，还包括：
在检测到样本车轮直径时间序列不平稳的情况下，对所述样本车轮直径时间序列进行差分处理，直到所述样本车轮直径时间序列平稳；
将所述差分处理的次数作为所述ARIMA模型中的差分次数值；
基于信息准则函数法确定所述ARIMA模型中的自回归参数值和移动平均参数值；
将所述样本车轮直径时间序列输入到所述ARIMA模型中，获取所述ARIMA模型输出的后续车轮直径预测值序列和所述后续车轮直径观测值序列之间的残差序列；
在检测到所述残差序列不为白噪声的情况下，对所述ARIMA模型中的自回归参数值和移动平均参数值进行调整，使得所述残差序列为白噪声。
6.根据权利要求1-4任一所述的列车车轮直径校准时间预测方法，其特征在于，所述根据所述第二车轮直径时间序列中小于第一预设阈值的第二车轮直径值对应的时刻，确定对所述列车进行车轮直径校准的时间，包括：
根据所述第二车轮直径时间序列中小于第一预设阈值的第二车轮直径值对应的时刻中的最早时刻，确定对所述列车进行车轮直径校准的时间。
7.一种列车车轮直径校准时间预测装置，其特征在于，包括：
预测模块，用于将列车在当前时刻之前的第一车轮直径时间序列输入ARIMA模型中，获得所述ARIMA模型输出的所述列车在当前时刻之后的第二车轮直径时间序列；
确定模块，用于根据所述第二车轮直径时间序列中小于第一预设阈值的第二车轮直径值对应的时刻，确定对所述列车进行车轮直径校准的时间；
其中，ARIMA模型通过以样本车轮直径时间序列为样本，以样本车轮直径时间序列对应的后续车轮直径观测值序列为标签进行训练得到。
8.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至6任一项所述列车车轮直径校准时间预测方法。
9.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至6任一项所述列车车轮直径校准时间预测方法。
10.一种计算机程序产品，包括计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至6任一项所述列车车轮直径校准时间预测方法。
CN202210616156.7A 2022-05-31 2022-05-31 列车车轮直径校准时间预测方法及装置 Pending CN115130728A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210616156.7A CN115130728A (zh) 2022-05-31 2022-05-31 列车车轮直径校准时间预测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210616156.7A CN115130728A (zh) 2022-05-31 2022-05-31 列车车轮直径校准时间预测方法及装置

Publications (1)

Publication Number Publication Date
CN115130728A true CN115130728A (zh) 2022-09-30

Family

ID=83378269

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210616156.7A Pending CN115130728A (zh) 2022-05-31 2022-05-31 列车车轮直径校准时间预测方法及装置

Country Status (1)

Country Link
CN (1) CN115130728A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117302293A (zh) * 2023-08-14 2023-12-29 北京城建智控科技股份有限公司 轮径值预测方法、装置、电子设备及存储介质

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103158737A (zh) * 2011-12-19 2013-06-19 Ls产电株式会社 列车车轮磨损测量装置和测量方法
CN103171598A (zh) * 2013-04-12 2013-06-26 莱芜钢铁集团有限公司 一种列车定位方法及***
CN103707903A (zh) * 2013-12-05 2014-04-09 北京交控科技有限公司 一种列车自动轮径校正方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103158737A (zh) * 2011-12-19 2013-06-19 Ls产电株式会社 列车车轮磨损测量装置和测量方法
CN103171598A (zh) * 2013-04-12 2013-06-26 莱芜钢铁集团有限公司 一种列车定位方法及***
CN103707903A (zh) * 2013-12-05 2014-04-09 北京交控科技有限公司 一种列车自动轮径校正方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
何蕾 等: "基于数据挖掘的高速列车车轮安全预测", 《电子制作》, 31 December 2018 (2018-12-31), pages 80 - 82 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117302293A (zh) * 2023-08-14 2023-12-29 北京城建智控科技股份有限公司 轮径值预测方法、装置、电子设备及存储介质
CN117302293B (zh) * 2023-08-14 2024-06-07 北京城建智控科技股份有限公司 轮径值预测方法、装置、电子设备及存储介质

Similar Documents

Publication Publication Date Title
CN109782325B (zh) 基于粒子滤波和多传感器信息融合的列车速度估计方法
EP3783356A1 (en) Train component crack damage monitoring method and system
CN109000940B (zh) 一种机车车辆异常轴温诊断方法及***
JP6313929B2 (ja) 構造物を監視するための方法及びシステム
CN110533229B (zh) 轨道维修时刻预测方法及装置
CN110361180B (zh) 智能列车受电弓服役性能动态监测与评估方法及其***
CN114996654B (zh) 一种路面平整度检测方法、装置、电子设备及介质
JP2019112049A (ja) 陸上車両の運転者の運転スタイルを認識するための方法及び対応する装置
CN110533239B (zh) 一种智慧城市空气品质高精度测量方法
Lin-Hai et al. Fault diagnosis for track circuit using AOK-TFRs and AGA
CN113247041B (zh) 一种基于数字孪生模型的轮对轴箱装置状态监测方法
CN115130728A (zh) 列车车轮直径校准时间预测方法及装置
Muñoz et al. Estimation of lateral track irregularity using a Kalman filter. Experimental validation
CN115050214B (zh) 一种基于ais数据的船舶碰撞风险预测方法
CN114093171B (zh) 基于多源数据融合的交通运行状态监测方法及装置
Cunillera et al. Real-time train motion parameter estimation using an unscented Kalman filter
CN115758289A (zh) 一种基于多任务学习神经网络的钢轨波磨识别方法
CN112348039B (zh) 驾驶行为分析模型的训练方法、驾驶行为分析方法和设备
CN112722003B (zh) 列车脱轨风险的监测方法与设备
CN117454221A (zh) 一种高铁牵引制动***多传感器融合的异常识别方法
CN104457644A (zh) 轨道几何检测数据中非脉冲异常数据的检测方法及装置
CN115049996B (zh) 基于证据推理规则的双传感器目标检测融合方法和***
CN115829100A (zh) 列车停车精度预测方法及装置
JP2000322682A (ja) 交通流予測システム、交通流予測装置及び交通流予測方法
US12017691B1 (en) Techniques for predicting railroad track geometry exceedances

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