FR3084046A1 - Procede de surveillance de l'etat d'une ligne aerienne de contact et dispositif programme associe - Google Patents
Procede de surveillance de l'etat d'une ligne aerienne de contact et dispositif programme associe Download PDFInfo
- Publication number
- FR3084046A1 FR3084046A1 FR1856598A FR1856598A FR3084046A1 FR 3084046 A1 FR3084046 A1 FR 3084046A1 FR 1856598 A FR1856598 A FR 1856598A FR 1856598 A FR1856598 A FR 1856598A FR 3084046 A1 FR3084046 A1 FR 3084046A1
- Authority
- FR
- France
- Prior art keywords
- wear
- contact line
- state
- overhead contact
- signal
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000012544 monitoring process Methods 0.000 title claims abstract description 17
- PWPJGUXAGUPAHP-UHFFFAOYSA-N lufenuron Chemical compound C1=C(Cl)C(OC(F)(F)C(C(F)(F)F)F)=CC(Cl)=C1NC(=O)NC(=O)C1=C(F)C=CC=C1F PWPJGUXAGUPAHP-UHFFFAOYSA-N 0.000 title 1
- 230000002159 abnormal effect Effects 0.000 claims description 24
- 238000012545 processing Methods 0.000 claims description 13
- 238000012360 testing method Methods 0.000 claims description 10
- 230000001133 acceleration Effects 0.000 claims description 8
- 238000005259 measurement Methods 0.000 claims description 4
- 238000011084 recovery Methods 0.000 claims description 4
- 230000003993 interaction Effects 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 claims description 3
- 238000004088 simulation Methods 0.000 claims description 3
- 230000004807 localization Effects 0.000 claims description 2
- 230000009466 transformation Effects 0.000 claims description 2
- 230000007547 defect Effects 0.000 claims 3
- 238000002372 labelling Methods 0.000 claims 1
- 230000007257 malfunction Effects 0.000 description 13
- 238000012549 training Methods 0.000 description 8
- 230000004064 dysfunction Effects 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 238000011282 treatment Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000000926 separation method Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000002955 isolation Methods 0.000 description 1
- 238000010223 real-time analysis Methods 0.000 description 1
- 238000004171 remote diagnosis Methods 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 230000036962 time dependent Effects 0.000 description 1
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B61—RAILWAYS
- B61L—GUIDING RAILWAY TRAFFIC; ENSURING THE SAFETY OF RAILWAY TRAFFIC
- B61L15/00—Indicators provided on the vehicle or train for signalling purposes
- B61L15/0081—On-board diagnosis or maintenance
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60M—POWER SUPPLY LINES, AND DEVICES ALONG RAILS, FOR ELECTRICALLY- PROPELLED VEHICLES
- B60M1/00—Power supply lines for contact with collector on vehicle
- B60M1/12—Trolley lines; Accessories therefor
- B60M1/28—Manufacturing or repairing trolley lines
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B61—RAILWAYS
- B61L—GUIDING RAILWAY TRAFFIC; ENSURING THE SAFETY OF RAILWAY TRAFFIC
- B61L23/00—Control, warning or like safety means along the route or between vehicles or trains
- B61L23/04—Control, warning or like safety means along the route or between vehicles or trains for monitoring the mechanical state of the route
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B61—RAILWAYS
- B61L—GUIDING RAILWAY TRAFFIC; ENSURING THE SAFETY OF RAILWAY TRAFFIC
- B61L27/00—Central railway traffic control systems; Trackside control; Communication systems specially adapted therefor
- B61L27/50—Trackside diagnosis or maintenance, e.g. software upgrades
- B61L27/53—Trackside diagnosis or maintenance, e.g. software upgrades for trackside elements or systems, e.g. trackside supervision of trackside control system conditions
Landscapes
- Engineering & Computer Science (AREA)
- Mechanical Engineering (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Manufacturing & Machinery (AREA)
- Current-Collector Devices For Electrically Propelled Vehicles (AREA)
- Electric Propulsion And Braking For Vehicles (AREA)
Abstract
Ce procédé (200) de surveillance consiste à : récupérer un ensemble de signaux caractéristiques de l'état d'usure d'une ligne aérienne de contact, et d'un état d'usure associé à chaque signal caractéristique; générer un modèle à vecteur de support de référence à partir de l'ensemble de signaux caractéristiques et des états d'usure associés récupérés ; puis acquérir (210 à 220), via un dispositif de mesure, un signal brut localisé au cours de la circulation d'un véhicule de surveillance le long de la ligne aérienne de contact à surveiller, le signal brut localisé comprenant des données caractérisant l'état d'usure de la ligne aérienne de contact à surveiller; et déterminer (230 à 270) l'état d'usure de la ligne aérienne de contact en appliquant le modèle SVM de référence à des données issues du signal brut localisé.
Description
Procédé de surveillance de l’état d’une ligne aérienne de contact et dispositif programmé associé
L’invention a pour domaine celui des lignes aériennes de contact et, plus particulièrement, celui des procédés permettant de surveiller l’état d’une ligne aérienne de contact.
Par ligne aérienne de contact, on entend, dans la présente invention, non seulement les lignes aériennes de contact au sens strict, mais également les systèmes d’alimentation aérien voisins, par exemple à caténaire.
Les dysfonctionnements affectant une ligne aérienne de contact sont rares, mais lorsqu’un dysfonctionnement survient, telle que par exemple la rupture de la ligne, les conséquences sont catastrophiques sur l’exploitation de la ligne ferroviaire correspondante.
Il est donc nécessaire d’évaluer régulièrement l’état d’une ligne aérienne de contact donnée et la probabilité de survenue d’un dysfonctionnement.
Le document JP 2017/035973 A décrit un procédé de surveillance de l’état d’une ligne aérienne de contact permettant l’élaboration d’un diagnostic en temps réel et à distance de la ligne portée à un potentiel élevé.
Dans ce document de l’état de la technique, un véhicule ferroviaire de surveillance circule sur la voie ferroviaire dont la ligne de contact aérienne doit être surveillée. Le pantographe du véhicule est équipé d’une pluralité de capteurs permettant de mesurer les vibrations du pantographe au contact de la ligne aérienne au cours du déplacement du véhicule.
À partir de ces données brutes, une opération de segmentation est mise en oeuvre, qui permet d’obtenir des données segmentées pour chaque segment de la ligne aérienne de contact, un segment étant défini entre deux éléments de support successifs de la ligne aérienne de contact (tels que des pendules de suspension).
Ces données segmentées subissent différents traitements statistiques de manière à déterminer les valeurs d’une pluralité de grandeurs caractéristiques.
Ensuite, une carte auto-adaptative (« self-organizing map >> en anglais) est utilisée. Une telle carte permet d’obtenir, à partir des données segmentées, l’état courant du segment correspondant : état normal ou état anormal.
Il est à noter que cette carte auto-adaptative est obtenue à la suite d’une phase d’« apprentissage >> sur des lots de données segmentées correspondant soit à des lignes de contact dont on sait qu’elles sont dans l’état normal, soit à des lignes de contact dont on sait qu’elles sont dans un état anormal.
Cependant, l’utilisation d’une carte auto-adaptative ne donne pas totalement satisfaction. En particulier, avec cette méthode de nombreux types de dysfonctionnements ne peuvent être distingués, car ils sont noyés dans le bruit de fond associé à l’état normal.
Le but de la présente invention est donc de fournir un procédé de surveillance amélioré par rapport à cet état de la technique.
Pour cela l’invention a pour objet un procédé de surveillance d’un état d’usure d’une ligne aérienne de contact, le procédé comprenant les étapes suivantes :
- récupération d’un ensemble de signaux caractéristiques de l’état d’usure d’une ligne aérienne de contact, et d’un état d’usure associé à chaque signal caractéristique;
- génération d’un modèle à vecteur de support de référence, dit modèle SVM de référence, à partir de l’ensemble de signaux caractéristiques et des états d’usure associés récupérés ;
- acquisition, via un dispositif de mesure, d’un signal brut localisé au cours de la circulation d’un véhicule de surveillance le long de la ligne aérienne de contact à surveiller, le signal brut localisé comprenant des données caractérisant l’état d’usure de la ligne aérienne de contact à surveiller; et
- détermination de l’état d’usure de la ligne aérienne de contact en appliquant le modèle SVM de référence à des données issues du signal brut localisé.
Suivant des modes particuliers de réalisation, le procédé comporte une ou plusieurs des caractéristiques suivantes prises isolément ou suivant toutes les combinaisons techniquement possibles :
- l’étape de récupération comprend une sous-étape consistant à fournir un premier lot de signaux caractéristiques chacun associé à un premier état d’usure dit état d’usure normal et un deuxième lot de signaux caractéristiques chacun associé à un deuxième état d’usure dit état d’usure anormal ; et dans lequel l’étape de génération comprend des sous-étrapes consistant à :
- segmenter chaque signal caractéristique pour obtenir des signaux segmentés, chaque signal segmenté correspondant à un segment de ligne aérienne de contact entre deux éléments de support successifs;
- traiter chaque signal segmenté pour obtenir, par segment, les valeurs d’un ensemble de descripteurs;
- sélectionner un sous-groupe de descripteurs parmi l’ensemble de descripteurs ; et,
- construire le modèle SVM de référence avec le sous-groupe de descripteurs sélectionné.
- la fourniture des premier et deuxième lots résulte soit d’une simulation numérique de l’interaction entre une ligne aérienne de contact et un pantographe d’un véhicule de surveillance, soit de tests réalisés sur une ligne aérienne de contact de test avec un véhicule de surveillance ;
- l’étape d’acquisition comprend la segmentation du signal brut localisé pour obtenir une pluralité de signaux segmentés, chaque signal segmenté correspondant à un segment de la ligne aérienne de contact à surveiller entre deux éléments de support successifs ; et dans lequel l’étape de détermination comprend les sous-étapes suivantes consistant à :
- traiter chaque signal segmenté pour extraire, par segment, les valeurs des descripteurs du sous-groupe de descripteurs utilisé pour construire le modèle SVM de référence; et,
- appliquer le modèle SVM de référence aux descripteurs extraits pour classer chaque segment de la ligne aérienne de contact dans l’état d’usure normal ou dans l’état d’usure anormal.
- un signal brut localisé résulte de la localisation, le long de la ligne aérienne de contact, du pantographe d’un véhicule de surveillance à chaque instant d’acquisition d’un signal brut ;
- le signal brut est une mesure à chaque instant de la force de contact entre la ligne aérienne de contact et le pantographe et/ou une mesure à chaque instant de l’accélération verticale du pantographe ;
- l’étape de traitement du ou de chaque signal segmenté consiste à appliquer un traitement statistique dans le domaine temporel, un traitement statistique dans le domaine fréquentiel, et/ou une transformation en ondelettes, de manière à obtenir des valeurs de descripteurs ;
- le modèle SVM de référence est multiclasse de manière à classer un segment dans l’état d’usure normal ou l’état d’usure anormal, et en cas de classement dans l’état d’usure anormal, d’étiqueter le segment avec un type de défaut parmi une pluralité de défauts possibles, chaque défaut possible correspondant à une classe du modèle de référence SVM ;
L’invention a également pour objet un dispositif de surveillance d’une ligne aérienne de contact programmé de manière à mettre en oeuvre le procédé de surveillance précédent et un véhicule de surveillance de l’état d’usure d’une ligne aérienne de contact, comprenant le dispositif précédent.
L’invention et ses avantages seront mieux compris à la lecture de la description détaillée qui va suivre d’un mode de réalisation particulier, donnée uniquement à titre d’exemple non limitatif, cette description étant faite en se référant aux dessins annexés sur lesquels :
- la figure 1 représente, sous forme de blocs, la phase d’entrainement du procédé selon l’invention ; et,
- la figure 2 représente, sous forme de blocs, la phase de surveillance d’une ligne aérienne de contact du procédé selon l’invention.
Le procédé 10 de surveillance d’une ligne aérienne de contact selon l’invention se subdivise en une première phase 100, représentée à la figure 1, de détermination d’un modèle de référence selon la technique des machines à vecteur de support ( « Support Vector Machine » en anglais ou SVM) à partir de lots de données d’entrainement, et une seconde phase 200, représentée à la figure 2, de détermination de l’état courant d’une ligne de contact aérienne en utilisant le modèle SVM de référence élaboré à l’issue de la première phase 100.
La première phase 100 a pour but de déterminer un modèle SVM pertinent permettant de discriminer entre une ligne aérienne de contact dans l’état normal et une ligne défectueuse dans l’état anormal. En variante, et de préférence, dans ce dernier état, le modèle SMV, en cas d’état anormal permet d’identifier le dysfonctionnement affectant la ligne parmi un ensemble de dysfonctionnements possibles.
Différentes techniques sont envisageables pour obtenir les lots de données d’entrainement. Par exemple, il est possible de réaliser une modélisation numérique de la ligne aérienne de contact et de l’interaction du pantographe d’un véhicule ferroviaire de surveillance avec cette ligne, puis d’utiliser une simulation du type Monte-Carlo de manière à obtenir des signaux bruts. Le modèle peut décrire une ligne dans l’état normal et les signaux obtenus constitueront un lot de données d’entrainement de l’état normal. Le modèle peut décrire une ligne dans l’état anormal et les signaux obtenus constitueront un lot de données d’entrainement de l’état anormal. Éventuellement, un dysfonctionnement particulier sera introduit dans le modèle pour obtenir un lot de données d’apprentissage de l’état anormal spécifique de ce type de dysfonctionnement.
Une autre technique est de préférence utilisée, qui consiste à obtenir des lots de données d’entrainement à partir de tests effectués avec une ligne aérienne de contact réelle et un pantographe d’un véhicule ferroviaire de test réel.
Ainsi à l’étape 105, une ligne aérienne de contact de test est mise en place. Elle présente soit un état normal, soit un état anormal. En variante, et pour ce dernier état, des dysfonctionnements particuliers parmi un ensemble de dysfonctionnements possibles sont recréés sur la ligne.
Le pantographe d’un véhicule de surveillance est équipé de différents capteurs. De préférence, un capteur de force est utilisé pour mesurer en continu la force de contact entre le pantographe et la ligne, et/ou un capteur d’accélération pour mesurer en continu l’accélération verticale du pantographe.
À l’étape 110, au cours de la circulation du véhicule de surveillance le long de la voie de test, les capteurs permettent l’acquisition de signaux bruts, par exemple un premier signal brut de force de contact et un second signal brut d’accélération du pantographe. Les signaux bruts dépendent du temps.
En fonction de la manière dont la ligne aérienne de contact a été préparée (ligne de contact normale, ligne de contact avec premier défaut, deuxième défaut, etc.) des lots correspondant de signaux bruts sont obtenus.
À chaque instant du déplacement du véhicule ferroviaire, sa position le long de la voie de test est mesurée précisément au moyen par exemple d’un dispositif de positionnement par satellites du type GPS couplé avec des moyens odométriques. On obtient ainsi la position du véhicule le long de la ligne aérienne de contact à chaque instant d’acquisition d’une donnée.
À l’étape 115, un signal brut est localisé au moyen des positions mesurées à chaque instant. Des signaux bruts localisés sont obtenus en sortie de l’étape 115.
Le véhicule de surveillance est avantageusement équipé d’un système propre à détecter, dans un flux vidéo délivré par une caméra montée à proximité du pantographe, les pendules de support de la ligne aérienne de contact.
À l’étape 122, les instants d’observation des pendules et par conséquent leur position le long de la ligne aérienne de contact sont sauvegardées.
En variante, d’autres processus sont envisageables pour disposer de la position des éléments de support de la ligne, tels que par exemple une cartographie du réseau indiquant les points d’implantation de ces éléments.
À l’étape 120, chaque signal brut localisé est subdivisé en une pluralité de signaux segmentés en utilisant les positions des pendules obtenues à l’étape 122. Chaque signal segmenté correspond à la portion du signal brut localisé associée à un segment de la ligne aérienne de contact entre deux pendules successifs.
Sont ainsi obtenus des signaux segmentés 125.
À l’étape 130, chaque signal segmenté est traité par la mise en œuvre de différentes techniques statistiques permettant d’extraire de chaque signal segmenté une pluralité de valeurs de grandeurs d’intérêt ou descripteurs.
Un premier traitement peut ainsi consister à appliquer des traitements statistiques tout en restant dans le domaine temporel de manière à obtenir pour chaque segment de la ligne aérienne de contact une moyenne de l’amplitude du signal, une déviation standard, une variance, une valeur minimum, une valeur maximum, une distance entre deux pics successifs, un coefficient d’asymétrie (« skewness ») un coefficient d’aplatissement (kurtosis), ...
Un second traitement statistique est réalisé qui consiste à appliquer une transformée de Fourier au signal segmenté pour passer dans le domaine fréquentiel, puis à calculer des descripteurs, tels que par exemple les coefficients des trois fréquences principales de la transformée de Fourier ou encore le spectre en puissance dans des bandes spectrales correspondant à la longueur d’onde entre deux pendules successifs.
Un troisième traitement est réalisé qui consiste à appliquer une transformée en ondelettes, puis à appliquer des traitements statistiques de manière à obtenir des valeurs de moyenne, de déviation standard, de variance, etc. sur la puissance d’ondelette moyennée pondérée par un facteur d’échelle.
Si le premier traitement est de préférence appliqué au signal de force de contact et à celui d’accélération du pantographe, les second et troisième traitements sont plutôt réservés au signal de force de contact.
En variante, seul l’un ou l’autre de ces trois traitements est réalisé. Cependant, il est préférable d’en réaliser plusieurs simultanément de manière à obtenir un grand nombre de descripteurs.
Les grandeurs calculées sont stockées dans une table à l’étape 135. Cette table comporte donc une entrée pour chaque segment de la ligne entre deux pendules de support et, pour chaque entrée, une valeur pour chacun des descripteurs de l’ensemble des descripteurs retenus.
L’étape 140 vise à sélectionner le sous-groupe de descripteurs parmi l’ensemble des descripteurs qui permet la meilleure séparation possible entre un segment dans l’état normal et un segment dans l’état anormal.
Ensuite, une analyse discriminante linéaire, permettant le calcul du score de Fisher pour chaque descripteur, est appliquée. Cette analyse permet d’ordonner les descripteurs de l’ensemble des descripteurs en fonction de leur impact sur la séparation entre un segment dans l’état normal et un segment dans l’état anormal.
Par ailleurs, un modèle SVM à deux classes est mis en oeuvre. Le cas à deux classes permet de distinguer entre un état normal et un état anormal. Le procédé apparaît alors comme un procédé de détection du dysfonctionnement de la ligne aérienne de contact.
En variante, le modèle SVM mis en oeuvre est multiclasse de manière à permettre de distinguer non seulement entre l’état normal et l’état anormal, mais également parmi différents dysfonctionnements possibles ayant chacun une signature particulière. Le procédé apparaît alors comme un procédé de détection d’un dysfonctionnement et d’identification de la nature du dysfonctionnement affectant la ligne aérienne de contact.
L’étape 140 de sélection des grandeurs les plus pertinentes est donc fondée sur une analyse discriminante linéaire et un modèle SVM. La réduction du nombre de descripteurs à considérer, d’une part, et la sélection des plus pertinents pour l’entrainement du modèle SVM, d’autre part, permettent de diminuer le temps de calcul et les ressources allouées à ce calcul. De la sorte, l’aspect analyse en temps réel est amélioré.
Plus précisément, l’étape 140 est réalisée de manière itérative. Les descripteurs sont, d’abord, ordonnés selon le score de Fisher obtenu pour chacun d’eux. Puis plusieurs sous-groupes de descripteurs sont formés
Les différents sous-groupes sont constitués en sélectionnant le premier et le second descripteur, puis le premier, le deuxième et le troisième descripteur, ensuite le premier, le deuxième, le troisième et le quatrième descripteur, et ainsi de suite jusqu’au dernier descripteur.
Pour chaque sous-groupe sélectionné, on entraîne un modèle SVM.
Chaque modèle SVM entraîné à partir d’un sous-groupe de descripteurs est évalué en utilisant le score F1 avantageusement définit par :
Precision · Recall
Fi = 2-Precision + Recall
TP
Precision = ————
TP + F P
TN
Recall = ————
T N + F N où TP est le nombre de vrais positifs, TN est le nombre de vrais négatifs, FP est le nombre de faux positifs et FN est le nombre de faux négatifs. Au cours des itérations, le sous-groupe ayant permis d’entraîner le SVM avec la meilleure valeur du score F1 de classification est sélectionné.
A l’issue de l’étape 140, le meilleur sous-groupe de caractéristiques est donc déterminé et permet, à l’étape 150, de construire le modèle SVM de référence 155.
Une fois le modèle SVM de référence déterminé, il est utilisé en temps réel sur les données acquises sur une ligne de contact à diagnostiquer.
Ainsi la seconde phase 200 du procédé 10 est réalisée au cours de la circulation du véhicule ferroviaire de surveillance le long d’une voie ferrée dont l’état de la ligne aérienne de contact doit être déterminé.
La seconde phase 200 reprend certaines des étapes de la première phase 100. Les étapes correspondantes sont identifiées par un chiffre de référence augmenté d’une centaine.
Ainsi, la seconde phase 200 comporte une étape 210 d’acquisition de la force de contact entre le pantographe et la ligne de contact ; d’acquisition de l’accélération du pantographe : ainsi que la détermination de la position du véhicule de test à chaque instant de manière à pouvoir localiser à l’étape 215 les signaux bruts acquis.
Chaque signal brut localisé est ensuite segmenté à l’étape 220 connaissant les positions de chacun des pendules de support de la ligne aérienne de contact déterminées au cours de l’étape 222. On obtient des signaux segmentés (étape 225).
Ces signaux segmentés sont traités à l’étape 230 pour extraire uniquement les valeurs des descripteurs correspondants au sous-groupe optimal ayant permis l’élaboration du modèle SVM de référence.
Une table de grandeurs caractéristiques 235 est construite. Cette table comporte une entrée pour chaque segment de la ligne de contact à diagnostiquer et, pour chaque entrée, la valeur des descripteurs appartenant au sous-groupe optimal.
Dans une étape 270, le modèle de référence SVM de référence obtenu à l’issue de l’étape 150 est alors utilisé pour classer chaque entrée de la table 235 soit dans l’état normal soit dans l’état anormal pour le cas d’un modèle SVM biclasse.
Pour la variante dans laquelle le modèle SVM de référence est multiclasse, à l’étape 270, le modèle SVM de référence permet de classer chaque entrée de la table 235 soit dans l’état normal soit dans l’état anormal, et pour l’état anormal d’associer un type de dysfonctionnement parmi les types possibles, qui correspondent chacun à une classe du modèle SVM de référence.
À l’étape 275, l’état de chaque segment de la ligne à diagnostiquer est étiqueté avec un état normal ou anormal (et éventuellement avec un type de dysfonctionnement affectant ce segment). Ces informations sont stockées dans la table 235 mise à jour.
Avantageusement, le procédé selon l’invention est mis en œuvre par un dispositif programmé embarqué à bord du véhicule de surveillance et connecté aux différents capteurs (par exemple de force contact, d’accélération, ou autre), au moyen de localisation du train, et éventuellement de détection des pendules de support de la ligne aérienne de contact. Ce dispositif est propre à stocker dans une base de données la table 235 associant à chaque segment de la ligne un état détecté et éventuellement un type de dysfonctionnement identifié.
Ainsi l’homme du métier constatera que la contribution principale de la présente invention consiste à entraîner un modèle fondé sur un algorithme du type SVM qui va ensuite permettre de prédire l’état et éventuellement le type de défaut affectant la ligne aérienne de contact. Le procédé permet donc de déterminer l’état courant de la ligne et de détecter et localiser la survenue de défaut(s). Ce procédé est réalisé en temps réel et à distance des éléments portés à haute tension.
Claims (10)
- REVENDICATIONS1. - Procédé (100, 200) de surveillance d’un état d’usure d’une ligne aérienne de contact, le procédé comprenant les étapes suivantes :- récupération (110) d’un ensemble de signaux caractéristiques de l’état d’usure d’une ligne aérienne de contact, et d’un état d’usure associé à chaque signal caractéristique;- génération (120 à 150) d’un modèle à vecteur de support de référence, dit modèle SVM de référence, à partir de l’ensemble de signaux caractéristiques et des états d’usure associés récupérés ;- acquisition (210 à 220), via un dispositif de mesure, d’un signal brut localisé au cours de la circulation d’un véhicule de surveillance le long de la ligne aérienne de contact à surveiller, le signal brut localisé comprenant des données caractérisant l’état d’usure de la ligne aérienne de contact à surveiller;- détermination (230 à 270) de l’état d’usure de la ligne aérienne de contact en appliquant le modèle SVM de référence à des données issues du signal brut localisé.
- 2. - Procédé (100, 200) selon la revendication 1, dans lequel l’étape de récupération (110) comprend une sous-étape consistant à fournir un premier lot de signaux caractéristiques chacun associé à un premier état d’usure dit état d’usure normal et un deuxième lot de signaux caractéristiques chacun associé à un deuxième état d’usure dit état d’usure anormal ; et dans lequel l’étape de génération (120 à 150) comprend des sous-étrapes consistant à :- segmenter (120) chaque signal caractéristique pour obtenir des signaux segmentés, chaque signal segmenté correspondant à un segment de ligne aérienne de contact entre deux éléments de support successifs;- traiter (130) chaque signal segmenté pour obtenir, par segment, les valeurs d’un ensemble de descripteurs ;- sélectionner (140) un sous-groupe de descripteurs parmi l’ensemble de descripteurs ; et,- construire (150) le modèle SVM de référence avec le sous-groupe de descripteurs sélectionné.
- 3. - Procédé (100, 200) selon la revendication 1 ou la revendication 2, dans lequel la fourniture des premier et deuxième lots résulte soit d’une simulation numérique de l’interaction entre une ligne aérienne de contact et un pantographe d’un véhicule de surveillance, soit de tests réalisés sur une ligne aérienne de contact de test avec un véhicule de surveillance.
- 4. - Procédé (100, 200) selon la revendication 2, dans lequel l’étape d’acquisition (210 à 220) comprend la segmentation (220) du signal brut localisé pour obtenir une pluralité de signaux segmentés, chaque signal segmenté correspondant à un segment de la ligne aérienne de contact à surveiller entre deux éléments de support successifs ; et dans lequel l’étape de détermination (230 à 270) comprend les sousétapes suivantes consistant à :traiter (230) chaque signal segmenté pour extraire, par segment, les valeurs des descripteurs du sous-groupe de descripteurs utilisé pour construire le modèle SVM de référence; et, appliquer (270) le modèle SVM de référence aux descripteurs extraits pour classer chaque segment de la ligne aérienne de contact dans l’état d’usure normal ou dans l’état d’usure anormal.
- 5. - Procédé (100, 200) selon l’une quelconque des revendications 1 à 4, dans lequel un signal brut localisé (115, 215) résulte de la localisation, le long de la ligne aérienne de contact, du pantographe d’un véhicule de surveillance à chaque instant d’acquisition d’un signal brut.
- 6. - Procédé (100, 200) selon la revendication 5, dans lequel le signal brut est une mesure à chaque instant de la force de contact entre la ligne aérienne de contact et le pantographe et/ou une mesure à chaque instant de l’accélération verticale du pantographe.
- 7. - Procédé (100, 200) selon la revendication 2 ou la revendication 4, dans lequel l’étape de traitement (130, 230) du ou de chaque signal segmenté consiste à appliquer un traitement statistique dans le domaine temporel, un traitement statistique dans le domaine fréquentiel, et/ou une transformation en ondelettes, de manière à obtenir des valeurs de descripteurs.
- 8. - Procédé (100, 200) selon l’une quelconque des revendications précédentes, dans lequel le modèle SVM de référence est multiclasse de manière à classer un segment dans l’état d’usure normal ou l’état d’usure anormal, et en cas de classement dans l’état d’usure anormal, d’étiqueter le segment avec un type de défaut parmi une pluralité de défauts possibles, chaque défaut possible correspondant à une classe du modèle de référence SVM.5
- 9.- Dispositif de surveillance d’une ligne aérienne de contact, caractérisé en ce qu’il est programmé de manière à mettre en oeuvre le procédé (100, 200) de surveillance selon l’une quelconque des revendications 1 à 8.
- 10.- Véhicule de surveillance de l’état d’usure d’une ligne aérienne de contact, 10 caractérisé en ce qu’il comprend un dispositif selon la revendication 9.
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
FR1856598A FR3084046B1 (fr) | 2018-07-17 | 2018-07-17 | Procede de surveillance de l'etat d'une ligne aerienne de contact et dispositif programme associe |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
FR1856598A FR3084046B1 (fr) | 2018-07-17 | 2018-07-17 | Procede de surveillance de l'etat d'une ligne aerienne de contact et dispositif programme associe |
Publications (2)
Publication Number | Publication Date |
---|---|
FR3084046A1 true FR3084046A1 (fr) | 2020-01-24 |
FR3084046B1 FR3084046B1 (fr) | 2022-04-22 |
Family
ID=63579452
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
FR1856598A Active FR3084046B1 (fr) | 2018-07-17 | 2018-07-17 | Procede de surveillance de l'etat d'une ligne aerienne de contact et dispositif programme associe |
Country Status (1)
Country | Link |
---|---|
FR (1) | FR3084046B1 (fr) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2013104845A2 (fr) * | 2012-01-13 | 2013-07-18 | Societe Nationale Des Chemins De Fer Francais Sncf | Systeme de mesure permettant de controler la section d'un fil de contact pour ligne d'alimentation electrique aerienne ferroviaire |
DE102013008600B3 (de) * | 2013-05-22 | 2014-08-28 | Db Netz Ag | Verfahren zur optischen Fahrdrahtstärkenmessung einer Oberleitung des Schienenverkehrs |
DE102014119095A1 (de) * | 2014-12-18 | 2016-06-23 | Deutsches Zentrum für Luft- und Raumfahrt e.V. | Verfahren und Einrichtung zur Optimierung der Gleisoberbauinstandhaltung durch Einzelfehlerklassifikation |
EP3199399A1 (fr) * | 2016-01-29 | 2017-08-02 | Siemens Aktiengesellschaft | Procédé et dispositif de surveillance d'une alimentation en courant s'étendant le long d'un trajet |
-
2018
- 2018-07-17 FR FR1856598A patent/FR3084046B1/fr active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2013104845A2 (fr) * | 2012-01-13 | 2013-07-18 | Societe Nationale Des Chemins De Fer Francais Sncf | Systeme de mesure permettant de controler la section d'un fil de contact pour ligne d'alimentation electrique aerienne ferroviaire |
DE102013008600B3 (de) * | 2013-05-22 | 2014-08-28 | Db Netz Ag | Verfahren zur optischen Fahrdrahtstärkenmessung einer Oberleitung des Schienenverkehrs |
DE102014119095A1 (de) * | 2014-12-18 | 2016-06-23 | Deutsches Zentrum für Luft- und Raumfahrt e.V. | Verfahren und Einrichtung zur Optimierung der Gleisoberbauinstandhaltung durch Einzelfehlerklassifikation |
EP3199399A1 (fr) * | 2016-01-29 | 2017-08-02 | Siemens Aktiengesellschaft | Procédé et dispositif de surveillance d'une alimentation en courant s'étendant le long d'un trajet |
Non-Patent Citations (1)
Title |
---|
BARMADA SAMI ET AL: "Arc detection in pantograph-catenary systems by the use of support vector machines-based classification", IET ELECTRICAL SYSTEMS IN TRANSPORTATION, THE INSTITUTION OF ENGINEERING AND TECHNOLOGY, MICHAEL FARADAY HOUSE, SIX HILLS WAY, STEVENAGE, HERTS. SG1 2AY, UK, vol. 4, no. 2, 1 June 2014 (2014-06-01), pages 45 - 52, XP006048212, ISSN: 2042-9738, DOI: 10.1049/IET-EST.2013.0003 * |
Also Published As
Publication number | Publication date |
---|---|
FR3084046B1 (fr) | 2022-04-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
FR3052273A1 (fr) | Prediction de pannes dans un aeronef | |
FR3032273B1 (fr) | Procede, systeme et programme d'ordinateur pour phase d'apprentissage d'une analyse acoustique ou vibratoire d'une machine | |
EP3089888B1 (fr) | Procédé, dispositif et système d'estimation de l'etat de santé d'une batterie d'un véhicule électrique ou hybride en condition d'utilisation, et procédé de construction d'un modèle pour une telle estimation | |
CN113763312B (zh) | 使用弱标记检测半导体试样中的缺陷 | |
KR20150140349A (ko) | 반도체 검사 레시피 생성, 결함 리뷰 및 계측을 위한 적응적 샘플링 | |
FR3011936A1 (fr) | Procede, systeme et programme d'ordinateur d'analyse acoustique d'une machine | |
WO2012049396A1 (fr) | Système de surveillance d'un banc d'essai de moteur | |
CN108710637B (zh) | 基于时空关系的出租车异常轨迹实时检测方法 | |
JP2012018066A (ja) | 異常検査装置 | |
US11186304B2 (en) | Method and electronic system for detecting rail switch degradation and failures | |
JP2022512292A (ja) | 半導体試料の欠陥の分類 | |
FR3072408A1 (fr) | Procede et systeme de diagnostic de fonctionnement d'un dispositif automatique ou semi-automatique d'acces a un vehicule de transport | |
CN113254693A (zh) | 用于部件故障分析的图像识别和检索 | |
EP3781965B1 (fr) | Dispositif, procede et produit programme d'ordinateur de validation de donnees fournies par une sonde pluviometrique | |
EP4027269A1 (fr) | Procédé de construction et d'entraînement d'un détecteur de la présence d'anomalies dans un signal temporel, dispositifs et procédé associés | |
FR3013001A1 (fr) | Procede d'aide a la decision par reseau de neurones dans un systeme de surveillance de la pression des pneumatiques d'un vehicule automobile. | |
FR3084046A1 (fr) | Procede de surveillance de l'etat d'une ligne aerienne de contact et dispositif programme associe | |
Joshuva et al. | A machine learning approach for vibration signal based fault classification on hydraulic braking system through c4. 5 decision tree classifier and logistic model tree classifier | |
Lee et al. | Multimodal machine learning for display panel defect layer identification | |
CN115935153B (zh) | 一种基于贝叶斯盲源分离技术的列车轴承故障诊断方法 | |
WO2004038346A1 (fr) | Procede et dispositif de test comportant un capteur de signaux vibratoires | |
WO2000029953A1 (fr) | Procede et installation de localisation rapide d'un defaut dans un circuit integre | |
Hoelzl et al. | Expert Knowledge-Driven Condition Assessment of Railway Welds from Axle Box Accelerations Using Random Forests and Bayesian Logistic Regression | |
KR102315405B1 (ko) | 선로 검사 장치 및 선로 검사 방법 | |
FR2976091A1 (fr) | "procede et dispositif de deconnexion automatique des systemes d'aide a la conduite d'un vehicule en approche d'une barriere de peage" |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PLFP | Fee payment |
Year of fee payment: 2 |
|
PLSC | Publication of the preliminary search report |
Effective date: 20200124 |
|
PLFP | Fee payment |
Year of fee payment: 3 |
|
PLFP | Fee payment |
Year of fee payment: 4 |
|
PLFP | Fee payment |
Year of fee payment: 5 |
|
PLFP | Fee payment |
Year of fee payment: 6 |