CN117325903A - 轨道智能探伤的高置信决策*** - Google Patents
轨道智能探伤的高置信决策*** Download PDFInfo
- Publication number
- CN117325903A CN117325903A CN202311120229.4A CN202311120229A CN117325903A CN 117325903 A CN117325903 A CN 117325903A CN 202311120229 A CN202311120229 A CN 202311120229A CN 117325903 A CN117325903 A CN 117325903A
- Authority
- CN
- China
- Prior art keywords
- data
- decision
- intelligent
- historical
- trusted
- 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
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 73
- 230000006378 damage Effects 0.000 claims abstract description 92
- 229910000831 Steel Inorganic materials 0.000 claims abstract description 44
- 239000010959 steel Substances 0.000 claims abstract description 44
- 238000000034 method Methods 0.000 claims abstract description 7
- 238000005259 measurement Methods 0.000 claims abstract description 4
- 230000003902 lesion Effects 0.000 claims description 43
- 208000027418 Wounds and injury Diseases 0.000 claims description 39
- 208000014674 injury Diseases 0.000 claims description 39
- 230000004927 fusion Effects 0.000 claims description 26
- 239000000523 sample Substances 0.000 claims description 22
- 230000006870 function Effects 0.000 claims description 15
- 238000012423 maintenance Methods 0.000 claims description 14
- 238000011156 evaluation Methods 0.000 claims description 13
- 238000012549 training Methods 0.000 claims description 13
- 238000005070 sampling Methods 0.000 claims description 9
- 238000004891 communication Methods 0.000 claims description 6
- 238000012937 correction Methods 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000013527 convolutional neural network Methods 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- 206010061245 Internal injury Diseases 0.000 claims description 2
- 238000003491 array Methods 0.000 claims description 2
- 238000013528 artificial neural network Methods 0.000 claims description 2
- 238000013145 classification model Methods 0.000 claims description 2
- 239000003086 colorant Substances 0.000 claims description 2
- 238000012790 confirmation Methods 0.000 claims description 2
- 238000013500 data storage Methods 0.000 claims description 2
- 238000002592 echocardiography Methods 0.000 claims description 2
- 239000000284 extract Substances 0.000 claims description 2
- 238000001914 filtration Methods 0.000 claims description 2
- 238000012544 monitoring process Methods 0.000 claims description 2
- 238000010606 normalization Methods 0.000 claims description 2
- 238000004901 spalling Methods 0.000 claims 1
- 230000002787 reinforcement Effects 0.000 abstract description 4
- 230000009466 transformation Effects 0.000 abstract 1
- 238000005516 engineering process Methods 0.000 description 7
- 238000013473 artificial intelligence Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000010295 mobile communication Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 238000005299 abrasion Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012634 optical imaging Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
Landscapes
- Image Processing (AREA)
Abstract
本发明公开了轨道智能探伤的高置信决策***,包括:数据采集模块用于采集多源传感数据;伤损数据库用于存储钢轨历史伤损信息;输入防护模块基于历史伤损数据对多源传感数据可信评估,提供输入测可信加固;智能决策模块用于融合可信数据,基于智能决策模型输出智能决策;决策数据库用于存储历史决策集;输出防护模块基于历史决策对智能决策进行可信评估,提供输出测可信加固;执行模块根据***决策对钢轨进行维护管理。本发明有效地防止钢轨探伤***数据输入和模型决策输出过程遭受攻击、信息缺失或决策失误等,降低钢轨伤损漏检、误检概率,从而提高铁路运营安全水平,加速铁路行业数字化与智能化转型。
Description
技术领域
本发明涉及钢轨智能探伤技术领域,具体而言,涉及轨道智能探伤的高置信决策***。
背景技术
钢轨作为铁路基础设施,其安全性是提高运能、保障乘客安全的关键。钢轨探伤技术旨在通过多源传感器对钢轨内部与外部的损伤状况进行周期性快速检测,以在安全事故发生前预先对钢轨进行维护管理。目前,探伤技术已广泛应用于普速、高速铁路与城市轨道交通。
传感器需在不损害、不影响钢轨使用性能的前提下,采集钢轨内部和外部伤损信息。声学传感、视觉传感、涡流检测等方法常用于钢轨无损探伤作业。其中,声学传感如超声传感,具有优异的指向性和穿透性,超声波在被检对象内部损伤界面处发生反射和折射,从而对钢轨内部损伤做出响应;视觉传感基于光学成像技术,直接有效地获取外部环境的图像信息,多用于检测钢轨表面损伤。
然而,传感器对损伤源映射的失真与否受到设备参数、环境条件、灵敏度与校准等影响。在钢轨探伤作业中,由于传感器作业环境多变需设备配置参数自适应调整、传感器故障引起信息缺失以及钢轨损伤机制复杂使得损伤辨别难度较大等,伤损漏报、误报问题严重影响探伤效率、铁路行车安全,耗费大量资源。因此,以探伤***信息输入为考量,对多源传感器所采集信息的可信性进行比对评估,提高传感器对损伤信息源的表征可信性具有重要意义。
目前,大部分轨道交通运维作业,包括数据采集、数据分析、识别决策等仍由人工完成,不可避免地引入主观因素至决策结果中。为此,基于人工智能(ArtificialIntelligence,AI)技术的智能识别和决策逐渐得到应用。AI技术由最初的人工神经网络发展至机器学习,又快速发展至以卷积神经网络为代表的深度学习等,旨在解决目标分类、检测、回归与生成等问题,引起了工业、交通和医学等领域的变革。
然而AI模型助力行业快速发展的同时,大量的应用案例中缺乏对模型稳健性、可解释性、可信性的评估。此外,《可信人工智能***》强调AI模型的鲁棒性和安全性,以及人需保持能动性并对AI模型监督。因此,在以安全为导向的铁路行业,基于AI模型的钢轨智能探伤***需设计相关防护机制对***可信性和安全性进行制约和规范,从而提高进一步提高钢轨运维精准性,降低铁路安全事故发生的风险。
发明内容
针对传感目标源信息缺失和模型决策失误导致的钢轨损伤漏检、误检,本发明目的是设计数据输入侧与决策输出侧防护机制,对钢轨智能探伤***进行管理控制,实现对钢轨智能探伤***的可信加固。
为实现上述技术目的,本发明提供了轨道智能探伤的高置信决策***,其特征在于:包括数据采集模块(1)、伤损数据库(2)、输入防护模块(3)、智能决策模块(4)、决策数据库(5)、输出防护模块(6)和执行模块(7),其中:所述数据采集模块(1)用于实时采集钢轨特定时空域上的多源传感数据,所述伤损数据库(2)用于存储铁路各区段钢轨历史伤损信息,所述输入防护模块(3)用于匹配和比对多源传感数据与伤损数据库中相关的历史伤损数据,所述智能决策模块(4)用于处理、综合可信数据,基于智能决策模型集合,根据铁路行业约束及运维策略进行智能决策,所述决策数据库(5)用于存储智能决策模型集合基于历史伤损数据集推理得到的历史决策集,所述输出防护模块(6)用于匹配和比对智能决策模型集合推理的决策与历史决策集中可能相关的历史决策,所述执行模块(7)根据铁路钢轨运维要求与可信***输出的可信决策以及对应的可信等级对钢轨进行维护管理。
本发明的优点以及有益效果:
本发明提供的设计为通用的钢轨智能探伤***添加双侧可信评估和加固,包含多源传感数据输入侧与智能决策输出侧,使得***最终输出可信的决策,并提升探伤***的安全性和可信性,降低钢轨伤损漏检或误检概率,从而提高铁路运营安全水平;
本发明提供的设计适配于具有高重复性、规律性行业的探伤作业,从而具有较高的泛化能力,应用领域包括但不限于铁路行业,因此具有不可估量的社会效益。
附图说明
图1示出了本发明所涉及的基于云-边-端协同计算的实施方案;
图2示出了本发明所述轨道智能探伤***的结构示意图;
图3示出了本发明所述输入防护模块对多源传感数据的可信评估流程;
图4示出了本发明所述智能决策实现流程;
图5示出了本发明所述输出防护模块对智能决策的可信评估流程;
图6示出了本发明所述可信的传递流程;
附图中,各标号所表示的含义如下:
1-数据采集模块;2-伤损数据库;3-输入防护模块;4-智能决策模块;5-决策数据库;6-输出防护模块;7-执行模块。
具体实施方法
为使本申请实施例的实现方案和优点更加清楚,下面将结合本申请实施例中附图,对本申请实施例进行清楚、完整地描述,显然,所描述的实施例仅是本申请一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此,以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求本申请的范围,而是仅仅表示本申请的选定实施例。基于本申请的实施例,本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本申请面向钢轨探伤的可信***的范围。
图2示出了本发明提供的轨道智能探伤***的具体结构与连接关系,包括:数据采集模块(1)、伤损数据库(2)、输入防护模块(3)、智能决策模块(4)、决策数据库(5)、输出防护模块(6)和执行模块(7);
实施例1:
图1示出了本发明提供的轨道智能探伤***基于云-边-端协同计算的实施方案;
数据采集模块(1),装配多源传感器、天线、GNSS(Global Navigation SatelliteSystem)信号接收机、通信设备、行走设备、电源、处理器与存储器等,具有时钟同步功能、空间定位功能、数据采集功能、无线通信功、数据处理、数据存储等能,沿钢轨以36km/h行走并采集特定时空域上多源传感数据X1,属于本实施方案的终端侧;
进一步地,多源传感器包含一组超声传感器阵列、两个涡流探伤传感器与两个视觉传感器(CCD高清相机等),分别用于采集钢轨内部伤损数据{x1}、近表面伤损数据{x2,x3}与外部伤损数据{x4,x5},即X1={x1,x2,x3,x4,x5};
需要说明的是,超声传感器阵列由1个0°探头、前向70°探头、反向70°探头、前向37°探头、反向37°探头组成,同一位置不同探头检测到的回波以不同颜色的像素点表示,随数据采集模块沿钢轨行走,超声传感器阵列数据{x1}以连续二维图像数据呈现,采样频率为50Hz;{x2,x3}为一维数据,采样频率为10kHz;{x4,x5}为二维图像数据,采样频率为50Hz;
进一步地,数据采集模块基于GNSS信号为多源传感器提供探伤位置即数据采集位置的时空域信息,包括:时域坐标T、经度坐标M、纬度坐标L、高度坐标H,即(T,M,L,H),从而为数据添加时空戳,即对于时空域下任一坐标(T1,M1,L1,H1),多源传感数据表示为X1(T1,M1,L1,H1)=
{x1(T1,M1,L1,H1),x2(T1,M1,L1,H1),…,x5(T1,M1,L1,H1)}。
伤损数据库,用于存储铁路各区段钢轨历史伤损信息,经由专家判断确认无误,作为数据可信根向***下游传递可信性;
进一步地,数据可信根为轨道智能探伤***中的多源传感数据提供信任基点;
进一步地,历史伤损信息与历史伤损在时空域上一一对应,包含历史伤损的时域坐标T、经度坐标M、纬度坐标L、高度坐标H与对应的历史伤损数据集Xε=其中/>与xi∈X1,i=1,…,5,为同类型传感器数据。
进一步地,输入防护模块,与数据采集模块、伤损数据库和智能决策模块连接,基于伤损数据库中相关的历史伤损数据对多源传感数据X1可信评估,并依据评估后多源传感器数据的可信等级决定是否传输至智能决策模块;
进一步地,多源传感数据X1传输至智能决策模块前,须先经过输入防护模块的可信评估;
进一步地,伤损数据库与输入防护模块(3)部署于铁路车站的边缘计算中心,由边缘计算资源完成对多源传感数据的可信评估;
需要说明的是,数据采集模块依据基于WiFi、4G、5G、GSM(Global System forMobile communication)、LTE(Long Term Evolution)中任一通信技术与输入防护模块进行多源传感数据传输。
进一步地,图3示出了输入防护模块(3)对多源传感数据X1的可信评估流程,如下:
步骤10-1、数据采集模块利用自身计算资源对所采集的多源传感数据X1进行预处理,基于WiFi、4G、5G、GSM(Global System for Mobile communication)、LTE(Long TermEvolution)中任一通信技术将预处理后的多源传感数据X1传输至输入防护模块;
具体地,预处理流程为时空对齐、离群点剔除、中值滤波、均值归一化与截断;时空对齐是指依据GNSS信号提供的时空域信息,将多源传感器数据对齐,确保{x1}、{X2,x3}、{x4,x5}描述同一时空域下钢轨的多源信息;截断是指依据多源传感数据采样频率按照时间域信息顺序截断多源传感数据,每隔0.1s截断一次多源传感数据,从而一个截断窗口内的多源传感数据表征长度约为1m的钢轨的伤损信息,即传输至输入防护模块的多源传感数据X1表征的伤损信息时序长度为0.1s,空间长度为1m;
步骤10-2,历史伤损数据集Xε与多源传感数据X1均由卷积核集合K={k1,k2,…,k5}提取得到浅层特征,分别得到Xε对应的浅层特征矩阵Fε与X1对应的浅层特征矩阵F1,即其中fi ε为ki卷积/>所得到的浅层特征,/>其中fi为ki卷积xi所得到的浅层特征,/>代表卷积;K提取多源传感数据中与伤损相关的特征;
需要说明的是,{k2,k3}为(1×w1)一维卷积核,用于卷积{x2,x3},{k1}与{k4,k5}为(w2×w2)二维卷积核,分别用于卷积{x1}与{x4,x5},其中w1依据涡流探伤传感器的采样频率确定,例如w1=200,w2依据二维数据的大小确定,例如二维数据为512×512时,w2=3;卷积核ki∈K提取多源传感数据的浅层特征的个数为8,即ki={ki1,ki2,…,ki8},i=1,…,5,则
步骤10-3、在特征矩阵Fε所在的特征空间设置3个初始聚类中心,根据n维空间欧氏距离计算伤损数据集样本至聚类中心的距离,并最小化以此迭代聚类中心c与聚类C直至稳定;
步骤10-4、输入防护模块判断多源传感数据X1是否具有历史伤损数据集Xε中数据的特征,即是否/>满足/>
步骤10-5、若不存在,则多源传感数据不属于历史伤损数据集,即且不具备伤损数据特征,表明对应钢轨在时空域(T1,M1,L1,H1)上无伤损,输入防护模块清除多源传感数据X1;
步骤10-6、若存在,则多源传感数据X1可能属于历史伤损数据集Xε,输入防护模块在伤损数据集Xε中尝试搜寻相关历史伤损数据与多源传感数据X1匹配;
步骤10-7、输入防护模块判断是多源传感数据X1与可能相关的历史伤损数据在空间域(M1,L1)上否匹配成功,即是否/>满足/>
步骤10-8、若不存在,则匹配失败,多源传感数据X1可能属于历史伤损数据集Xε,表明其可能代表新出现的伤损,经伤损数据特征判别后添加1级可信戳ε1,得到1级可信数据
步骤10-9、基于时空域(T1,M1,L1,H1)更新伤损数据库更新伤损数据库,存储所述1级可信数据并传输至智能决策模块,进行决策识别;
步骤10-10、若存在,则匹配成功,表明多源传感数据X1可能属于历史伤损数据集Xε,将匹配的历史伤损数据传输至输入防护模块;
步骤10-11、输入防护模块比对多源传感数据X1与历史伤损数据特征空间是否相似,即是否/>满足2或2个以上的相关系数/> 其中i=1,2,…,5,cov(·)为协方差,E(·)为数学期望,μi为特征fi的均值,σi为特征fi的标准差,/>与/>同理可得;
步骤10-12、若不存在,则表明多源传感器存在采样误差或故障,需检查和修正,修正后重新采集多源传感数据并进行匹配比对。
步骤10-13、若存在,则表明多源传感数据属于历史伤损数据集,X1∈Xε,经伤损数据特征判别与时空信息匹配后添加2级可信戳ε2,得到2级可信数据传输至智能决策模块,进行决策识别;
需要说明的是,传输至智能决策模块的可信数据α=1或2,是经过预处理后的,即所述步骤10-1中得到的多源传感数据。
进一步地,智能决策模块(4),与输入防护模块和输出防护模块连接,基于来自输入防护模块的可信数据,根据铁路行业探伤与运维规范及策略进行智能决策。
进一步地,智能决策模块(4)具有数据融合功能与决策功能,由1个数据融合单元和1个智能决策模型集合U={u1,u2,u3}组成,数据融合单元将来自同构传感器的数据融合,以降低多源传感数据的冗余并提高数据精准性,智能决策模型集合U基于可信数据输出智能决策/>
进一步地,智能决策模型u1、u2、u3均为人工智能模型,其中u1以内部伤损数据{x1}为输入、u2以近表面伤损数据{x2,x3}为输入、u3以外部伤损数据{x4,x5}为输入,均输出伤损的类别和尺寸,Y1={y1,y2,y3};
需要说明的是,人工智能模型以神经网络为基本单元,本发明采用通用结构,具体包括特征提取单元、特征融合单元、全连接层单元、softmax分类器或检测头,其中softmax分类器为分类模型,检测头为目标检测模型;
特征提取单元基于CNN(Convolutional Neural Network)layer(一种现有技术,不做详述)逐层提取输入数据的浅层的全局纹理信息与深层的局部语义信息,输入至融合单元;
融合单元将浅层的全局纹理信息与深层的局部语义信息进行拼接得到融合特征,输入至全连接层单元;
全连接层单元以及softmax分类器或检测头依据融合特征进行运算,输出目标分类概率或目标边界框;
进一步地,根据历史伤损与历史伤损数据的对应关系添加伤损标签集 且伤损标签集Lε与历史伤损数据集Xε在时空域上一一对应,Xε(Ta,Ma,La,Ha)对应Lε(Ta,Ma,La,Ha),其中/>对应/>i=1,2…,5;
需要说明的是,伤损标签集Lε包含伤损的类别和尺寸信息,本实施例选择磨耗、修饰、剥落等属于外部伤损,伤损标签明确标注出外部伤损的类别与面积;
进一步地,所述智能决策模块(4)部署于云计算中心,由云端计算资源完成智能决策模型集合的训练和决策输出,且不接受未标注可信等级的多源传感数据作为输入。
进一步地,图4示出了智能决策模块(4),其实现流程如下所示:
步骤20-1、数据融合单元融合可信数据中来自同构传感器的数据,得到融合数据/>
具体地,通常两个涡流探伤传感器的测量误差e2和e3相互独立且均符合正态分布,即σ2和σ3分别为x2和x3的标准差,则{x2,x3}通过卡尔曼滤波算法融合,如下所示:
同理,其中,/>是融合后的近表面伤损数据,也称为估计值,Kk∈[0,1]是卡尔曼增益,使得估计值的方差最小,n=1000,为一个截断窗口内离散数据点的个数,x2i为一个截断窗口内第i个离散数据点,/>为一个截断窗口内离散数据点的均值;
具体地,如步骤10-2所述,外部伤损数据{x4,x5}由卷积核{k4,k5}提取得到浅层特征{f4,f5},在浅层特征的通道维度上进行拼接得到融合后的外部伤损数据
步骤20-2、训练智能决策模型,建立智能决策模型集合U;
具体地,根据决策任务于[Xε|Lε]中选择用于训练的历史伤损数据和匹配的伤损标签以训练智能决策模型,对于外部伤损,本实施例选择训练目标检测模型,设置学习率为0.0001,设置Batch_size为100,训练轮数设置为1000,通过迭代训练不断更新目标检测模型的权重参数以降低损失函数,最终得到训练后的目标检测模型,其中损失函数Loss包括分类损失Losscls与边界框损失Lossbbx,具体如下所示:
Loss=Losscls+Lossbbx (4)
其中,N为一个Batch_size中样本的个数,M为一个样本内包含的伤损类别个数,yij为样本i的真实类别时取1,否则取0,piij为目标检测模型输出的样本i属于类别j的概率;
其中,A(·)表示面积,为样本i的真实边界框,Boxi为目标检测模型输出的预测边界框,d(·)表示计算欧式距离,oi、wi和hi分别为Boxi的中心坐标、宽度和高度,和/>分别为/>的中心坐标、宽度和高度;
步骤20-3、智能决策模型集合U根据决策任务基于融合数据进行推理决策,具体的目标检测模型输出{oi,wi,hi,pij}。
进一步地,决策数据库,用于存储智能决策模型集合U基于历史伤损数据集Xε推理得到的历史决策集Yε,经由专家判断确认无误,作为决策可信根向***输出侧传递可信性;
进一步地,历史决策集Yε包含多个智能决策模型的决策结果,且与历史伤损数据集Xε在时空域上一一对应,具体的,Xε(Ta,Ma,La,Ha)对应
进一步地,输出防护模块,与智能决策模块、决策数据库和执行模块连接,基于决策数据库中的相关历史决策对智能决策Y1进行可信评估,并将可信评估后的智能决策传输至执行模块;
进一步地,智能决策Y传输至执行模块前,须先经过输出防护模块的可信评估;
进一步地,决策数据库与输出防护模块部署于铁路车站边缘计算中心,智能决策Y由云端的智能决策模块传输至边缘的输出防护模块,由边缘计算资源完成决策可信评估;
进一步地,图5示出了所述输出防护模块对智能决策Y的可信评估流程包含如下内容:
步骤30-1、所述智能决策模块根据可信数据推理得到的智能决策Y1传输至输出防护模块;
步骤30-2、所述输出防护模块判断可信数据是否带有2级可信戳;
步骤30-3、若不带有,则表明可信数据带有1级可信戳,对应新出现的伤损,Y1添加1级可信戳,得到1级可信决策/>
步骤30-4、基于时空域(T1,M1,L1,H1)更新决策数据库,存储所述1级可信决策并传输至执行模块;
步骤30-5、若带有,则表明可信数据对应历史伤损,且一定/>在空间域(M1,L1,H1)上与可信数据/>匹配,输出防护模块在历史决策集Yε中搜寻相关历史决策/>与决策Y1匹配;
步骤30-6、将在空间域匹配的历史决策传输至输出防护模块;
步骤30-7、输出防护模块比对决策Y与历史决策是否相似,即是否/> 均满足/>其中ti∈TY;
需要说明的是,阈值集TY={t1,t2,t3}中每个元素ti的取值依据所对应的智能决策模型ui输出的决策yi的值域确定;
步骤30-8、若不满足,则表明智能决策模型集合U存在训练不足或过拟合等,需自修正,修正后重新推理决策并进行匹配比对。
步骤30-9、若满足,则表明决策Y属于历史决策集,Yn∈Yε,由2级可信数据推理,且经决策相似度判别后添加2级可信戳ε1,得到2级可信决策传输至执行模块。
进一步地,执行模块为铁路智能运维机器人,根据铁路钢轨运维要求与所述可信***输出的可信决策与对应的可信等级以及空间域信息(M1,L1,H1)对钢轨特定位置的伤损进行维护管理;
进一步地,所述执行模块不接受未标注可信等级的决策作为输入;
进一步地,图6示出了可信的传递流程,数据可信根由伤损数据库出发,传递至多源传感数据,再传递至智能决策模型集合,再传递至智能决策,结合决策数据库提供的决策可信根,最终输出可信智能决策;
从而实现智能、可信钢轨探伤作业,从而提高钢轨运维效率和精准性,降低铁路安全事故发生的风险。
鉴于钢轨对铁路行业的重要性,基于上述云-边-端协同计算的案例,本发明提供的钢轨智能探伤的高置信决策方法及其***,助力钢轨探伤作业由传统被动检测转型为主动智能检测,提高钢轨运维效率和精准性,降低铁路安全事故发生的风险,从而推进钢轨运维作业自主化、智能化与可信化。
Claims (9)
1.轨道智能探伤的高置信决策***,其特征在于:包括数据采集模块(1)、伤损数据库(2)、输入防护模块(3)、智能决策模块(4)、决策数据库(5)、输出防护模块(6)和执行模块(7),其中:
所述数据采集模块(1)用于实时采集钢轨特定时空域上的多源传感数据,所述伤损数据库(2)用于存储铁路各区段钢轨历史伤损信息,所述输入防护模块(3)用于匹配和比对多源传感数据与伤损数据库中相关的历史伤损数据,所述智能决策模块(4)用于处理、综合可信数据,基于智能决策模型集合,根据铁路行业约束及运维策略进行智能决策,所述决策数据库(5)用于存储智能决策模型集合基于历史伤损数据集推理得到的历史决策集,所述输出防护模块(6)用于匹配和比对智能决策模型集合推理的决策与历史决策集中可能相关的历史决策,所述执行模块(7)根据铁路钢轨运维要求与可信***输出的可信决策以及对应的可信等级对钢轨进行维护管理。
2.如权利要求1所述的轨道智能探伤的高置信决策***,其特征在于:
所述数据采集模块(1),装配多源传感器、天线、GNSS信号接收机、通信设备、行走设备、电源、处理器与存储器,具有时钟同步功能、空间定位功能、数据采集功能、无线通信功能、数据处理、数据存储功能,沿钢轨以36km/h行走并采集特定时空域上多源传感数据X1;
多源传感器包含一组超声传感器阵列、两个涡流探伤传感器与两个视觉传感器,分别用于采集钢轨内部伤损数据{x1}、近表面伤损数据{x2,x3}与外部伤损数据{x4,x5},即X1={x1,x2,x3,x4,x5};
超声传感器阵列由1个0°探头、前向70°探头、反向70°探头、前向37°探头、反向37°探头组成,同一位置不同探头检测到的回波以不同颜色的像素点表示,随数据采集模块沿钢轨行走,超声传感器阵列数据{x1}以连续二维图像数据呈现,;{x2,x3}为一维数据,采样频率为10kHz;{x4,x5}为二维图像数据;
数据采集模块基于GNSS信号为多源传感器提供探伤位置即数据采集位置的时空域信息,包括:时域坐标T、经度坐标M、纬度坐标L、高度坐标H,即(T,M,L,H),从而为数据添加时空戳,即对于时空域下任一坐标(T1,M1,L1,H1),多源传感数据表示为X1(T1,M1,L1,H1)={x1(T1,M1,L1,H1),x2(T1,M1,L1,H1),...,x5(T1,M1,L1,H1)}。
3.如权利要求1所述的轨道智能探伤的高置信决策***,其特征在于:
伤损数据库(2),历史伤损信息与历史伤损在时空域上一一对应,包含历史伤损的时域坐标T、经度坐标M、纬度坐标L、高度坐标H与对应的历史伤损数据集其中/>与xi∈X1,i=1,...,5为同类型传感器数据。
4.如权利要求1所述的轨道智能探伤的高置信决策***,其特征在于:
输入防护模块(3)对多源传感数据X1的可信评估流程,如下:
步骤10-1、数据采集模块利用自身计算资源对所采集的多源传感数据X1进行预处理,
预处理流程为时空对齐、离群点剔除、中值滤波、均值归一化与截断;时空对齐是指依据GNSS信号提供的时空域信息,将多源传感器数据对齐,确保{x1}、{x2,x3}、{x4,x5}描述同一时空域下钢轨的多源信息;截断是指依据多源传感数据采样频率按照时间域信息顺序截断多源传感数据;
步骤10-2,历史伤损数据集Xε与多源传感数据X1均由卷积核集合K={k1,k2,...,k5}提取得到浅层特征,分别得到Xε对应的浅层特征矩阵Fε与X1对应的浅层特征矩阵F1,即其中fi ε为ki卷积/>所得到的浅层特征,/>其中fi为ki卷积xi所得到的浅层特征,/>代表卷积;K提取多源传感数据中与伤损相关的特征;
步骤10-3、在特征矩阵Fε所在的特征空间设置3个初始聚类中心,根据n维空间欧氏距离计算伤损数据集样本至聚类中心的距离,并最小化以此迭代聚类中心c与聚类C直至稳定;
步骤10-4、输入防护模块判断多源传感数据X1是否具有历史伤损数据集Xε中数据的特征,即是否/>满足/>
步骤10-5、若不存在,则多源传感数据不属于历史伤损数据集,即且不具备伤损数据特征,表明对应钢轨在时空域(T1,M1,L1,H1)上无伤损,输入防护模块清除多源传感数据X1;
步骤10-6、若存在,则多源传感数据X1可能属于历史伤损数据集Xε,输入防护模块在伤损数据集Xε中尝试搜寻相关历史伤损数据与多源传感数据X1匹配;
步骤10-7、输入防护模块判断是多源传感数据X1与可能相关的历史伤损数据在空间域(M1,L1)上否匹配成功,即是否/>满足/>
步骤10-8、若不存在,则匹配失败,多源传感数据X1可能属于历史伤损数据集Xε,表明其可能代表新出现的伤损,经伤损数据特征判别后添加1级可信戳ε1,得到1级可信数据
步骤10-9、基于时空域(T1,M1,L1,H1)更新伤损数据库更新伤损数据库,存储所述1级可信数据并传输至智能决策模块,进行决策识别;
步骤10-10、若存在,则匹配成功,表明多源传感数据X1可能属于历史伤损数据集Xε,将匹配的历史伤损数据传输至输入防护模块;
步骤10-11、输入防护模块比对多源传感数据X1与历史伤损数据特征空间是否相似,即是否/>满足2或2个以上的相关系数/> 其中i=1,2,...,5,cov(·)为协方差,E(·)为数学期望,μi为特征fi的均值,σi为特征fi的标准差,/>与/>同理可得;
步骤10-12、若不存在,则表明多源传感器存在采样误差或故障,需检查和修正,修正后重新采集多源传感数据并进行匹配比对;
步骤10-13、若存在,则表明多源传感数据属于历史伤损数据集,X1∈Xε,经伤损数据特征判别与时空信息匹配后添加2级可信戳ε2,得到2级可信数据传输至智能决策模块,进行决策识别。
5.如权利要求1所述的轨道智能探伤的高置信决策***,其特征在于:
智能决策模块(4)具有数据融合功能与决策功能,由一个数据融合单元和一个智能决策模型集合U={u1,u2,u3}组成,数据融合单元将来自同构传感器的数据融合,以降低多源传感数据的冗余并提高数据精准性,智能决策模型集合U基于可信数据输出智能决策
智能决策模型u1、u2、u3均为人工智能模型,其中u1以内部伤损数据{x1}为输入、u2以近表面伤损数据{x2,x3}为输入、u3以外部伤损数据{x4,x5}为输入,均输出伤损的类别和尺寸,Y1={y1,y2,y3};
人工智能模型以神经网络为基本单元,本发明采用通用结构,具体包括特征提取单元、特征融合单元、全连接层单元、softmax分类器或检测头,其中softmax分类器为分类模型,检测头为目标检测模型;
特征提取单元基于CNN layer逐层提取输入数据的浅层的全局纹理信息与深层的局部语义信息,输入至特征融合单元;
特征融合单元将浅层的全局纹理信息与深层的局部语义信息进行拼接得到融合特征,输入至全连接层单元;
全连接层单元以及softmax分类器或检测头依据融合特征进行运算,输出目标分类概率或目标边界框;
根据历史伤损与历史伤损数据的对应关系添加伤损标签集且伤损标签集Lε与历史伤损数据集Xε在时空域上一一对应,Xε(Ta,Ma,La,Ha)对应Lε(Ta,Ma,La,Ha),其中/>对应/>i=1,2…,5;
伤损标签集Lε包含伤损的类别和尺寸信息,选择磨耗、修饰、剥落属于外部伤损,伤损标签明确标注出外部伤损的类别与面积。
6.如权利要求5所述的轨道智能探伤的高置信决策***,其特征在于:
智能决策模块(4),其实现流程:
步骤20-1、数据融合单元融合可信数据中来自同构传感器的数据,得到融合数据
两个测量误差e2和e3相互独立且均符合正态分布,即 σ2和σ3分别为x2和x3的标准差,则{x2,x3}通过卡尔曼滤波算法融合,如下所示:
同理,其中,/>是融合后的近表面伤损数据,也称为估计值,Kk∈[0,1]是卡尔曼增益,使得估计值的方差最小,n为一个截断窗口内离散数据点的个数,x2i为一个截断窗口内第i个离散数据点,/>为一个截断窗口内离散数据点的均值;
外部伤损数据{x4,x5}由卷积核{k4,k5}提取得到浅层特征{f4,f5},在浅层特征的通道维度上进行拼接得到融合后的外部伤损数据
步骤20-2、训练智能决策模型,建立智能决策模型集合U;
根据决策任务于[Xε|Lε]中选择用于训练的历史伤损数据和匹配的伤损标签以训练智能决策模型,对于外部伤损,选择训练目标检测模型,通过迭代训练不断更新目标检测模型的权重参数以降低损失函数,最终得到训练后的目标检测模型,其中损失函数Loss包括分类损失Losscls与边界框损失Lossbbx,具体如下所示:
Loss=Losscls+Lossbbx (4)
其中,N为一个Batch_size中样本的个数,M为一个样本内包含的伤损类别个数,yij为样本i的真实类别时取1,否则取0,pij为目标检测模型输出的样本i属于类别j的概率;
其中,A(·)表示面积,为样本i的真实边界框,Boxi为目标检测模型输出的预测边界框,d(·)表示计算欧式距离,oi、wi和hi分别为Boxi的中心坐标、宽度和高度,/>和/>分别为/>的中心坐标、宽度和高度;
步骤20-3、智能决策模型集合U根据决策任务基于融合数据进行推理决策,具体的目标检测模型输出{oi,wi,hi,pij}。
7.如权利要求1所述的轨道智能探伤的高置信决策***,其特征在于:
决策数据库(5),用于存储智能决策模型集合U基于历史伤损数据集Xε推理得到的历史决策集Yε,经由专家判断确认无误,作为决策可信根向***输出侧传递可信性;
历史决策集Yε包含多个智能决策模型的决策结果,且与历史伤损数据集Xε在时空域上一一对应,具体的,Xε(Ta,Ma,La,Ha)对应
8.如权利要求1所述的轨道智能探伤的高置信决策***,其特征在于:
所述输出防护模块(6)对智能决策Y1的可信评估流程:
步骤30-1、所述智能决策模块根据可信数据推理得到的智能决策Y1传输至输出防护模块;
步骤30-2、所述输出防护模块判断可信数据是否带有2级可信戳;
步骤30-3、若不带有,则表明可信数据带有1级可信戳,对应新出现的伤损,Y1添加1级可信戳,得到1级可信决策/>
步骤30-4、基于时空域(T1,M1,L1,H1)更新决策数据库,存储所述1级可信决策并传输至执行模块;
步骤30-5、若带有,则表明可信数据对应历史伤损,且一定/>在空间域(M1,L1,H1)上与可信数据/>匹配,输出防护模块在历史决策集Yε中搜寻相关历史决策/>与决策Y1匹配;
步骤30-6、将在空间域匹配的历史决策传输至输出防护模块;
步骤30-7、输出防护模块比对决策Y与历史决策是否相似,即是否/> 均满足/>其中ti∈TY;
需要说明的是,阈值集TY={t1,t2,t3}中每个元素ti的取值依据所对应的智能决策模型ui输出的决策yi的值域确定;
步骤30-8、若不满足,则表明智能决策模型集合I存在训练不足或过拟合,需自修正,修正后重新推理决策并进行匹配比对;
步骤30-9、若满足,则表明决策Y属于历史决策集,Y1∈Yε,由2级可信数据推理,且经决策相似度判别后添加2级可信戳ε1,得到2级可信决策传输至执行模块。
9.如权利要求1所述的轨道智能探伤的高置信决策***,其特征在于:
执行模块(7)为铁路智能运维机器人,根据铁路钢轨运维要求与所述可信***输出的可信决策与对应的可信等级以及空间域信息(M1,L1,H1)对钢轨特定位置的伤损进行维护管理。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311120229.4A CN117325903A (zh) | 2023-08-31 | 2023-08-31 | 轨道智能探伤的高置信决策*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311120229.4A CN117325903A (zh) | 2023-08-31 | 2023-08-31 | 轨道智能探伤的高置信决策*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117325903A true CN117325903A (zh) | 2024-01-02 |
Family
ID=89274548
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311120229.4A Pending CN117325903A (zh) | 2023-08-31 | 2023-08-31 | 轨道智能探伤的高置信决策*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117325903A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117611587A (zh) * | 2024-01-23 | 2024-02-27 | 赣州泰鑫磁性材料有限公司 | 基于人工智能的稀土合金材料检测***及方法 |
CN117829435A (zh) * | 2024-03-04 | 2024-04-05 | 江苏臻云技术有限公司 | 一种基于大数据的城市数据质量管理方法及*** |
-
2023
- 2023-08-31 CN CN202311120229.4A patent/CN117325903A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117611587A (zh) * | 2024-01-23 | 2024-02-27 | 赣州泰鑫磁性材料有限公司 | 基于人工智能的稀土合金材料检测***及方法 |
CN117611587B (zh) * | 2024-01-23 | 2024-06-04 | 赣州泰鑫磁性材料有限公司 | 基于人工智能的稀土合金材料检测***及方法 |
CN117829435A (zh) * | 2024-03-04 | 2024-04-05 | 江苏臻云技术有限公司 | 一种基于大数据的城市数据质量管理方法及*** |
CN117829435B (zh) * | 2024-03-04 | 2024-05-14 | 江苏臻云技术有限公司 | 一种基于大数据的城市数据质量管理方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11561092B2 (en) | Method for measuring antenna downtilt angle based on multi-scale deep semantic segmentation network | |
CN117325903A (zh) | 轨道智能探伤的高置信决策*** | |
US20200160061A1 (en) | Automatic ship tracking method and system based on deep learning network and mean shift | |
EP3340106B1 (en) | Method and system for assigning particular classes of interest within measurement data | |
CN103679674B (zh) | 一种无人飞行器实时图像拼接方法及*** | |
Cano-Ortiz et al. | Machine learning algorithms for monitoring pavement performance | |
US20230108634A1 (en) | Ground penetrating radar and deep learning-based underground pipeline detection method and system | |
CN112417926B (zh) | 车位识别方法、装置、计算机设备及可读存储介质 | |
CN112923904B (zh) | 面向多无人机协同摄影测量的地质灾害隐患探测方法 | |
CN112287807A (zh) | 一种基于多分支金字塔神经网络的遥感影像道路提取方法 | |
CN115943439A (zh) | 一种基于雷视融合的多目标车辆检测及重识别方法 | |
CN112733800A (zh) | 基于卷积神经网络的遥感图像道路信息提取方法和装置 | |
US20230073361A1 (en) | System and method for analysing railway related data | |
CN113325868A (zh) | 一种基于无人机的农作物实时识别***及方法 | |
CN113378654B (zh) | 基于定位和视觉技术融合的车道级定位方法及*** | |
CN109492700A (zh) | 一种基于多维信息融合的复杂背景目标识别方法 | |
CN113239864A (zh) | 一种适用于农业调查的无人机的路线规划方法 | |
US20230104047A1 (en) | Track fusion method and device for unmanned surface vehicle | |
Moya et al. | Disaster intensity-based selection of training samples for remote sensing building damage classification | |
CN111582069B (zh) | 一种空基监视平台的轨道障碍物零样本分类方法及装置 | |
CN112487894A (zh) | 基于人工智能的轨道交通保护区自动巡查方法及装置 | |
CN114549909A (zh) | 一种基于自适应阈值的伪标签遥感图像场景分类方法 | |
CN115755088A (zh) | 一种基于激光点云的输电线路工程建造参数自动化量测方法 | |
CN115829996A (zh) | 基于深度特征图的无监督合成孔径雷达图像变化检测方法 | |
CN112069997B (zh) | 一种基于DenseHR-Net的无人机自主着陆目标提取方法及装置 |
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 |