CN114684217B - 一种轨道交通健康监测系统及方法 - Google Patents
一种轨道交通健康监测系统及方法 Download PDFInfo
- Publication number
- CN114684217B CN114684217B CN202210259899.3A CN202210259899A CN114684217B CN 114684217 B CN114684217 B CN 114684217B CN 202210259899 A CN202210259899 A CN 202210259899A CN 114684217 B CN114684217 B CN 114684217B
- Authority
- CN
- China
- Prior art keywords
- data
- neural network
- layer
- vibration
- health
- 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
- 230000036541 health Effects 0.000 title claims abstract description 90
- 238000000034 method Methods 0.000 title claims abstract description 51
- 238000012544 monitoring process Methods 0.000 title claims abstract description 48
- 238000013528 artificial neural network Methods 0.000 claims abstract description 86
- 230000004044 response Effects 0.000 claims abstract description 30
- 238000007781 pre-processing Methods 0.000 claims abstract description 10
- 239000000835 fiber Substances 0.000 claims description 58
- 239000000523 sample Substances 0.000 claims description 50
- 230000006870 function Effects 0.000 claims description 41
- 230000003287 optical effect Effects 0.000 claims description 40
- 238000012549 training Methods 0.000 claims description 31
- 238000011176 pooling Methods 0.000 claims description 26
- 238000010606 normalization Methods 0.000 claims description 17
- 230000008569 process Effects 0.000 claims description 17
- 238000012545 processing Methods 0.000 claims description 14
- 238000012423 maintenance Methods 0.000 claims description 11
- 238000002310 reflectometry Methods 0.000 claims description 9
- 238000004458 analytical method Methods 0.000 claims description 8
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 6
- 230000007613 environmental effect Effects 0.000 claims description 6
- 238000004891 communication Methods 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 4
- 230000009467 reduction Effects 0.000 claims description 4
- 239000000853 adhesive Substances 0.000 claims description 3
- 230000001070 adhesive effect Effects 0.000 claims description 3
- 238000003491 array Methods 0.000 claims description 3
- 239000004568 cement Substances 0.000 claims description 3
- 239000003795 chemical substances by application Substances 0.000 claims description 3
- 239000013307 optical fiber Substances 0.000 description 19
- 238000013527 convolutional neural network Methods 0.000 description 18
- 238000012360 testing method Methods 0.000 description 13
- 238000001514 detection method Methods 0.000 description 12
- 238000010586 diagram Methods 0.000 description 11
- 230000003862 health status Effects 0.000 description 10
- 238000004590 computer program Methods 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 7
- 238000011156 evaluation Methods 0.000 description 6
- 230000004913 activation Effects 0.000 description 5
- 238000012806 monitoring device Methods 0.000 description 5
- 201000010099 disease Diseases 0.000 description 4
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 4
- 210000002569 neuron Anatomy 0.000 description 4
- 230000005856 abnormality Effects 0.000 description 3
- 230000009286 beneficial effect 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
- 230000002085 persistent effect Effects 0.000 description 3
- 230000035945 sensitivity Effects 0.000 description 3
- 238000012935 Averaging Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 238000013480 data collection Methods 0.000 description 2
- 230000005284 excitation Effects 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000008439 repair process Effects 0.000 description 2
- 239000000758 substrate Substances 0.000 description 2
- 238000002759 z-score normalization Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000004020 conductor Substances 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013523 data management Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000008376 long-term health Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 230000005693 optoelectronics Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000010287 polarization Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000008054 signal transmission Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- 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
- B61K9/08—Measuring installations for surveying permanent way
-
- 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
- B61L15/0054—Train integrity supervision, e.g. end-of-train [EOT] devices
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Mechanical Engineering (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明涉及一种轨道交通健康监测系统及方法，所述方法包括：获取响应数据；根据所述响应数据进行预处理，确定待测振动数据；将所述待测振动数据输入至训练完备的第一神经网络和/或第二神经网络，确定预测轨道结构健康类别和预测车身健康类别。本发明将待测振动数据输入至相关的神经网络后，直接预测出结果后，相关人员可以参考预测结果，及时了解地铁的健康状况和运行车速，以减少意外的发生。
Description
技术领域
本发明涉及交通安全监测技术领域，尤其涉及一种轨道交通健康监测系统及方法。
背景技术
近年来城市轨道运输系统迅猛发展，作为重大结构工程和城市交通命脉重要组成部分的城市轨道交通工程结构，其健康服役对于城市正常运转至关重要。然而，轨道交通工程结构随着运营逐渐伤损，尤其是在温度、列车、基础变形、外部侵扰等复杂载荷条件影响下，随时可能出现病害，影响行车安全。轨道交通工程结构病害表现出频发、突发性，因此，亟待构建面向轨道交通工程结构全时全域安全监测系统，全面及时地掌握车辆和轨道工程结构的健康状况，对潜在的病害和突发的事故隐患及时地预警和报警，为轨道交通安全运营保驾护航。目前我国的城市轨道交通工程结构状态检测、维修大多是定期检修或者事后故障修复的方式，运营护养和维修的成本高、效率低，无法保证监测的实时性。因此，迫切需要利用新技术、新方法，提升轨道交通工程基础设施的安全监测技术和管理水平。传统电类检测系统，在电气化铁路段受到电磁干扰严重，信号无法远距离传输。光纤传感器由于具有长期稳定性佳，信号可远程传输，易于组网，抗电磁干扰等优势，已逐步取代长期稳定性难以得到保证的电类传感器，并在桥梁、隧道、机场、铁路等领域的长期健康监测中被广泛采用。
现有技术中，发明专利201110009091.1“光纤光栅传感列车车轮踏面状态在线监测系统”公开了一种基于多个光纤光栅组成列车车轮健康状态系统，该专利利用安装在光纤光栅应变传感器检测轮轨耦合作用下钢轨的应力变化，正常车轮通过时会产生平滑的应变响应曲线，当车轮踏面发生异常时，应变响应曲线会发生畸变，通过对畸变信号分析进而判断车轮的故障原因。但该系统检测的可靠性不高，容易造成误报，例如当传感装置发生问题时也会造成应变信号异常，易造成错误判断；发明专利202010666848.3“一种基于光纤分布式振动监测的高铁铁轨安全运行检测方法”采用的是传统的光纤分布式振动检测方法，传统的分布式光纤传感技术由于光纤中散射系数较低，系统的信噪比通常不高，进而影响到分布式传感系统的空间分辨率及检测灵敏度。为解决此问题，研究人员通常采用多次平均的算法或人为增加散射系数的方法。数千次的平均可以改善信噪比，但会造成系统响应时间的增加。而通过紫外线曝光或飞秒激光加工等方法来改善后向散射强度可有效提高信噪比，但其工艺上的均匀性与时效性又存在局限。因此，如何利用光纤光栅传感器进行轨道交通的有效监测是亟待解决的问题。
发明内容
有鉴于此，有必要提供及一种轨道交通健康监测系统及方法，用以克服现有技术中难以高效利用光纤光栅传感器预测轨道交通情况的问题。
为了解决上述技术问题，本发明提供一种轨道交通健康监测系统，包括：依次通信连接的振动传感网络、数据处理中心以及智能化运维服务平台，其中：
所述振动传感网络，包括布设于轨道交通工程结构上的光纤光栅振动传感光缆；
所述数据处理中心，用于对所述光纤光栅振动传感光缆、所述光纤光栅应变传感光缆以及所述光纤光栅阵列温度传感光缆的监测信号进行处理，确定响应数据；
所述智能化运维服务平台，用于根据所述响应数据进行智能分析，基于智能分析结果，对轨道结构和车辆进行监测。
进一步地，所述振动传感网络中的光纤光栅阵列都由光纤光栅阵列传感探头制成，所述光纤光栅阵列传感探头包括预设反射率光栅阵列，单根光纤上复用预设规模的光纤光栅传感测点。
进一步地，每根所述光纤光栅阵列传感探头上的光纤光栅为等间距布设，以等间距的光纤光栅为节点，以相邻的节点形成振动感知单元。
进一步地，所述振动传感网络中的振动传感光缆与被测结构密贴，其中：
若所述被测结构属于既有线路，则直接用结构胶粘贴于所述被测结构，或采用开槽后放入振动传感光缆后再利用水泥或固化剂将振动传感光缆与所述被测结构固化；
若所述被测结构属于新修线路，直接将振动传感光缆浇筑在混凝土中。
本发明还提供了一种轨道交通健康监测方法，应用于如上所述的轨道交通健康监测系统中的智能化运维服务平台，所述方法包括：
获取响应数据；
根据所述响应数据进行预处理，确定待测振动数据；
将所述待测振动数据输入至训练完备的第一神经网络和/或第二神经网络，确定预测轨道结构健康类别和预测车身健康类别。
进一步地，所述响应数据包括第i个区间的拾振器在列车接近的第一时刻与列车驶离的第二时刻之间的振动数据，所述根据所述响应数据进行预处理，确定待测数据，包括：
将所述振动数据的前后两端添加环境噪声信号，确定填充数据；
将所述填充数据进行数据归一化处理，确定所述待测数据。
进一步地，所述第一神经网络和/或所述第二神经网络的训练过程包括：
当将样本集输入至所述第一神经网络时，输出预测轨道结构健康类别，其中，所述样本集包括样本振动数据与对应的实际轨道结构健康类别；
当将样本集输入至所述第二神经网络时，输出预测车身健康类别，其中，所述样本集包括所述样本振动数据与对应的实际车身健康类别；
根据所述预测轨道结构健康类别和所述实际轨道结构健康类别之间的误差，确定第一损失函数，并根据所述第一损失函数训练构建的第一神经网络至收敛；
根据所述预测车身健康类别和所述实际车身健康类别之间的误差，确定第二损失函数，并根据所述第二损失函数训练构建的第二神经网络至收敛。
进一步地，所述第一神经网络依次包括：输入层、卷积层、最大池化层、Flatten层、全连接层和输出层，其中：
所述输入层，用于输入所述样本集；
所述卷积层，用于对所述样本集进行卷积操作，确定第一卷积数据；
所述最大池化层，包括池化层和Batch Normalization层，其中，所述池化层用于对所述第一卷积数据进行特征提取和降维处理，所述Batch Normalization层用于对降维后的第一卷积数据进行标准化处理，确定标准化数据；
所述Flatten层，用于将所述标准化数据展开成一维向量；
所述全连接层，用于将所述一维向量降维，并通过softmax函数进行分类，确定所述预测车身健康类别。
进一步地，所述第二神经网络依次包括：BP神经网络和一维神经网络，其中：
所述BP神经网络，对速度训练集训练，用于输出预测车速，其中，所述速度训练集包括样本振动数据与对应的速度标签；
所述一维神经网络，用于依次通过输入层、卷积层、最大池化层、Flatten层、全连接层和输出层对所述样本集进行训练，确定所述预测车身健康类别。
进一步地，在所述第一神经网络和/或所述第二神经网络的训练过程中，采用Adam优化器自适应地调整学习率，且所述第一损失函数和所述第二损失函数为多元交叉熵函数。
与现有技术相比，本发明的有益效果包括：首先，对响应数据进行有效的获取；进而，通过对响应数据的预处理，提取出相关有效的数据，形成待测振动数据，保证待测振动数据的准确性；最后，通过第一神经网络和/或第二神经网络，对待测振动数据进行有效的识别和判断，提取其中的特征信息，预测轨道结构健康类别和车身健康类别，保证了快速高效地基于振动信息，实现多方面的交通情况判别。综上，本发明基于振动传感网络，实现高灵敏度地获取响应数据，将待测振动数据输入至相关的神经网络后，仅基于待测振动数据就可得到多方面交通运行信息，保证了算法的高效性和快速性，直接预测出结果后，相关人员可以参考预测结果，及时了解地铁的健康状况和运行车速，以减少意外的发生，保证了反馈的及时性。
附图说明
图1为本发明提供的轨道交通安全监测系统一实施例的流程示意图；
图2为本发明提供的轨道交通健康监测方法一实施例的流程示意图；
图3为本发明提供的图2中步骤S202一实施例的流程示意图；
图4为本发明提供的第一神经网络和/或第二神经网络的训练过程一实施例的流程示意图；
图5为本发明提供的第一神经网络一实施例的结构示意图；
图6为本发明提供的BP神经网络一实施例的结构示意图；
图7为本发明提供的轨道交通健康监测装置一实施例的结构示意图；
图8为本发明提供的电子设备一实施例的结构示意图。
具体实施方式
下面结合附图来具体描述本发明的优选实施例，其中，附图构成本申请一部分，并与本发明的实施例一起用于阐释本发明的原理，并非用于限定本发明的范围。
在本发明的描述中，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。此外，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。
在本发明的描述中，提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本发明的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，所描述的实施例可以与其它实施例相结合。
本发明提供了一种轨道交通健康监测系统及方法，通过持久化数据样本信息的采集，利用神经网络进行分类，对轨道结构健康和车身健康进行全面地判断，为进一步提高对轨道交通健康状态监测的准确性和高效性提供了新思路。
在实施例描述之前，对相关词语进行释义：
光纤传感器：是一种将被测对象的状态转变为可测的光信号的传感器。光纤传感器的工作原理是将光源入射的光束经由光纤送入调制器，在调制器内与外界被测参数的相互作用，使光的光学性质如光的强度、波长、频率、相位、偏振态等发生变化，成为被调制的光信号，再经过光纤送入光电器件、经解调器后获得被测参数。整个过程中，光束经由光纤导入，通过调制器后再射出，其中光纤的作用首先是传输光束，其次是起到光调制器的作用；
光纤阵列：是利用V形槽(即V槽，V-Groove)基片，把一束光纤或一条光纤带按照规定间隔安装在基片上，所构成的阵列；
光缆：为了满足光学、机械或环境的性能规范而制造的，它是利用置于包覆护套中的一根或多根光纤作为传输媒质并可以单独或成组使用的通信线缆组件。
基于上述技术名词的描述，现有技术中，光纤传感器对车轮健康状态的监测存在可靠性不高、容易造成误报的问题，且系统信噪比不高，容易造成系统响应时间过长，因而，本发明旨在提出一种快速且高效的轨道交通健康监测方法。
以下分别对具体实施例进行详细说明：
本发明实施例提供了一种轨道交通安全监测系统，结合图1来看，图1为本发明提供的轨道交通安全监测系统一实施例的流程示意图，包括：依次通信连接的振动传感网络1、数据处理中心2以及智能化运维服务平台3，其中：
所述振动传感网络1，包括布设于轨道交通工程结构上的光纤光栅振动传感光缆11；
所述数据处理中心2，用于对所述光纤光栅振动传感光缆、所述光纤光栅应变传感光缆以及所述光纤光栅阵列温度传感光缆的监测信号进行处理，确定传感数据；
所述智能化运维服务平台3，用于根据所述传感数据进行智能分析，基于智能分析结果，对轨道交通的工程结构和列车状态进行监测。
在本发明实施例中，通过设置振动传感网络，利用光纤光栅振动传感光缆、保证监测振动信息的准确性，实现全面的监测；通过设置数据处理中心，对上述多种光缆的监测信息进行数据转化，转化成传感数据；通过设置智能化运维服务平台，对传感数据进行相应的智能分析，从智能分析的结果，有效反馈轨道交通的工程结构和列车状态，以此保证对列车实时状态和工程结构的运行情况的快速监测，并及时发出相应的报警处理。
作为优选的实施例，所述振动传感网络中的光纤光栅阵列都由光纤光栅阵列传感探头制成，所述光纤光栅阵列传感探头包括预设反射率光栅阵列，单根光纤上复用预设规模的光纤光栅传感测点。
在本发明实施例中，利用光纤光栅阵列传感探头保证光纤光栅的复用容量，仅需敷设数根传感光缆组成的传感网络即可覆盖数十公里的轨道交通线路，实现全域无盲区的智能感知，便于监测信号的全面采集。
其中，预设反射率光栅阵列优选为极弱反射率光栅阵列，每根光纤探头上的光纤光栅为等间距布设，反射带宽为2～3nm，反射率一致性好，依据单根光纤上光纤光栅的复用容量，反射率范围为-30～-50dB，反射率越低单根光纤上复用容量越大。
其中，预设规模的光纤光栅传感测点优选为超大规模的光纤光栅传感测点，便于采集多种监测信号。
作为优选的实施例，每根所述光纤光栅阵列传感探头上的光纤光栅为等间距布设，以等间距的光纤光栅为节点，以相邻的节点形成振动感知单元。
在本发明实施例中，利用相邻的节点形成高灵敏度干涉型振动感知单元，使得拾振器可感知微小振动异常信息，保证了系统探测的灵敏性。
作为更具体的实施例，以等间距的光纤光栅为节点，以相邻的节点形成高灵敏度干涉型振动感知单元。其中，所述光纤光栅阵列节点间距可调。
特殊地，本发明节点间距l设定大于等于3米。特别地以节点间距5米为例，每个拾振器能感知的最小相位差Δφ<10mrad，依据公式：
式中：Δφ-相邻光纤光栅节点间光信号相位差；λ-光信号波长；Δl-相邻光栅节点间光栅长度的变化量；
其中，每个拾振单元可感知的最小应变量<50nε，从而可感知轮轨耦合激励下由于车辆和轨道的劣化或损伤所造成微小振动异常信息，显著提升系统探测能力。
在本发明实施例中，利用相邻的节点形成高灵敏度干涉型振动感知单元，使得拾振器可感知微小振动异常信息，保证了系统探测的灵敏性。
作为优选的实施例，所述振动传感网络中的振动传感光缆与被测结构密贴，其中：
若所述被测结构属于既有线路，则直接用结构胶粘贴于所述被测结构，或采用开槽后放入振动传感光缆后再利用水泥或固化剂将振动传感光缆与所述被测结构固化；
若所述被测结构属于新修线路，直接将振动传感光缆浇筑在混凝土中。
在本发明实施例中，通过不同情况的布设方法，将被测结构与振动传感光缆进行高效的固化。
作为优选的实施例，所述数据处理中心包括解调仪表、采集数据网络平台，其中：
所述解调仪表，用于将所述光纤光栅振动传感光缆、所述光纤光栅应变传感光缆以及所述光纤光栅阵列温度传感光缆的所述监测信号转化为数字信号；
所述采集数据网络平台，用于实时采集所述数字信号，转化为所述传感数据上传至所述智能化运维服务平台。
在本发明实施例中，采用计算机软硬件及网络平台具备信息采集功能，将光纤光栅阵列传感光缆接入光纤光栅阵列传感解调仪表，传感光缆感知的光信号经解调仪表转化为数字信号，利用计算机软硬件及网络平台实时采集传感网络中每个感知单元的监测数据，实现轨道交通工程结构全时全域的检测。
作为优选的实施例，结合图2来看，图2为本发明提供的轨道交通健康监测方法一实施例的流程示意图，包括步骤S201至步骤S203，其中：
在步骤S201中，获取响应数据；
在步骤S202中，根据所述响应数据进行预处理，确定待测振动数据；
在步骤S203中，将所述待测振动数据输入至训练完备的第一神经网络和/或第二神经网络，确定预测轨道结构健康类别和预测车身健康类别。
在本发明实施例中，首先，对响应数据进行有效的获取；进而，通过对响应数据的预处理，提取出相关有效的数据，形成待测振动数据，保证待测振动数据的准确性；最后，通过第一神经网络和/或第二神经网络，对待测振动数据进行有效的识别和判断，提取其中的特征信息，预测轨道结构健康类别和车身健康类别，保证了快速高效地基于振动信息，实现多方面的交通情况判别。
作为更具体的实施例，超弱反射率光纤光栅振动传感光缆沿轨道结构通长敷设，轨道线路被光纤光栅节点划分为N个区间：
上式中，L为轨道线路长度，l为光纤光栅间距。
其中，本发明能实时采集所有区间上N个拾振器的信号，采样频率≥1000Hz，但是本发明中利用的是轮轨耦合激励的数据，实时采集的绝大部分是无用数据，徒增存储容量，浪费系统资源。为了便于数据分析和数据管理，减少无效数据十分有必要。一般地，一个持久化的数据样本包括如下信息：区间标记i(1≤i≤N)；列车接近区间i的时刻t0；列车驶离区间i的时刻t1；t0和t1时间段内区间i拾振器连续采集的振动数据。
一般地，将可选取区间i-k的拾振器检测到有车驶过时记为t0，区间i+k的拾振器检测到有车驶过时记为t1，其中：
上式中，Lc为列车长度。
作为优选的实施例，结合图3来看，图3为本发明提供的图2中步骤S202一实施例的流程示意图，步骤S202包括步骤S301至步骤S302，其中：
在步骤S301中，将所述振动数据的前后两端添加环境噪声信号，确定填充数据；
在步骤S302中，将所述填充数据进行数据归一化处理，确定所述待测数据。
在本发明实施例中，利用数据填充和数据归一化处理，保证待测振动数据的准确性，以进一步保证识别结果的准确性。
作为优选的实施例，结合图4来看，图4为本发明提供的第一神经网络和/或第二神经网络的训练过程一实施例的流程示意图，包括步骤S401至步骤S404，其中：
在步骤S401中，当将样本集输入至所述第一神经网络时，输出预测轨道结构健康类别，其中，所述样本集包括样本振动数据与对应的实际轨道结构健康类别；
在步骤S402中，当将样本集输入至所述第二神经网络时，输出预测车身健康类别，其中，所述样本集包括所述样本振动数据与对应的实际车身健康类别；
在步骤S403中，根据所述预测轨道结构健康类别和所述实际轨道结构健康类别之间的误差，确定第一损失函数，并根据所述第一损失函数训练构建的第一神经网络至收敛；
在步骤S404中，根据所述预测车身健康类别和所述实际车身健康类别之间的误差，确定第二损失函数，并根据所述第二损失函数训练构建的第二神经网络至收敛。
在本发明实施例中，利用样本集对第一神经网络和第二神经网络进行有效地训练，完成对轨道结构健康类别和车身健康类别的有效识别。
作为优选的实施例，结合图5来看，图5为本发明提供的第一神经网络一实施例的结构示意图，所述第一神经网络依次包括：输入层、卷积层、最大池化层、Flatten层、全连接层和输出层，其中：
所述输入层，用于输入所述样本集；
所述卷积层，用于对所述样本集进行卷积操作，确定第一卷积数据；
所述最大池化层，包括池化层和Batch Normalization层，其中，所述池化层用于对所述第一卷积数据进行特征提取和降维处理，所述Batch Normalization层用于对降维后的第一卷积数据进行标准化处理，确定标准化数据；
所述Flatten层，用于将所述标准化数据展开成一维向量；
所述全连接层，用于将所述一维向量降维，并通过softmax函数进行分类，确定所述预测轨道结构健康类别。
在本发明实施例中，构建第一神经网络，以实现对样本集的特征提取，并确定与实际轨道结构健康类别的对应关系，完成网络收敛，以进行对车身健康类别的有效预测。
下面以一个具体的实施例说明轨道结构健康评估算法流程如下：
第一步，地铁信号采集：将采集到的数据存入数据库；
第二步，由于地铁的速度不一致，在进站和出站的时候，地铁速度较慢，在中途运行过程中运行速度较快，因此得到的信号长短会不一致，因此需要对持续时间较短的信号进行数据填充，在信号前后两端添加环境噪声，使其长度一致，均为729个数据点；
第三步，数据归一化：由于得到的信号幅值不一致，参差不齐，不利于神经网络的训练和收敛，因此有必要对数据进行归一化预处理。目前常用的归一化方式有min-max标准化和Z-score标准化两种方法。本发明实施例采用Z-score标准化，其具体公式为：
其中，μ为所有样本数据的均值，σ为所有样本数据的标准差。经过处理的数据符合标准正态分布，即均值为0，标准差为1。
第四步，神经网络训练并预测：得到的数据按照9:1的比例分为训练集和测试集。卷积神经网络主要用于轨道健康状况的检测。主要分类为以下六类：(1)轨道健康；(2)轨道断轨；(3)轨道波磨；(4)扣件松动；(5)弹条断裂；(6)线下基础病害。对于根据大数据来预测结果的问题，卷积神经网络往往表现出较好的结果。卷积神经网络根据使用对象，又可以分为一维卷积神经网络和二维卷积神经网络等。二维卷积神经网络主要用于图像的识别和分类。而针对文本类数据，一维卷积神经网络，往往更加适合。因此本发明实施例采用一维卷积神经网络，训练集用于对神经网络的训练，通过损失函数的调节和反向传播原理，不断对模型进行优化，直至达到良好的性能；测试集用于评估模型的泛化能力和轨道预测评估能力；
其中，结合图5来看，主要由输入层，卷积层(Conv1D)，池化层(Pooling)，全连接层(FC)，输出层组成。其中地铁振动信号作为输入张量，送入神经网络进行训练。首先经过一维卷积层，卷积核尺寸设置为9，卷积核数量设置为32，数据张量经过卷积层之后，进入池化层。池化层，是对原数据进行特征提取和降维处理，能够大大减少数据的维度，加快模型的训练和收敛。池化层有平均池化和最大池化两种，在实践中，最大池化层往往能够取得较好的效果，因此本发明实施例拟采用最大池化层。为了防止模型训练的过拟合，在每个池化层之后，都跟着一个Batch Normalization层，它能够再一次对数据进行标准化，加快模型收敛和防止过拟合。经过三轮卷积和池化操作后，通过Flatten操作，将二维张量展开成一维向量，通过全连接层降维最后通过softmax函数分成六类，输出分类结果，用于对轨道健康状况的评估，其具体参数设置见下表1：
表1
其中，要想对神经网络进行训练，首先得对它的训练过程进行编译，其中有三个重要的参数，即优化器，损失函数，和评价指标。本发明拟采用的优化器是Adam优化器，之所以采用它，是因为能够根据不同的参数自适应地调整学习率，更加适用于大规模的数据及参数的场景。损失函数采用多元交叉熵函数，是因为本问题是多分类问题，更加适合多元交叉熵函数。其具体公式如下所示：
上式中，y是真实标签，是预测标签；
至于评价指标，选择准确率作为对模型分类性能的评价指标。准确率是指分类正确的样本数量占总数量之比；
第五步，输出结果，上位机显示：神经网络预测出结果后，将结果显示在上位机界面上，相关人员可以参考预测结果，及时了解轨道的健康状况，及时加以处理，以减少意外的发生。
作为优选的实施例，结合图6来看，图6为本发明提供的BP神经网络一实施例的结构示意图，所述第二神经网络依次包括：BP神经网络和一维神经网络，其中：
所述BP神经网络，对速度训练集训练，用于输出预测车速，其中，所述速度训练集包括样本振动数据与对应的速度标签；
所述一维神经网络，用于依次通过输入层、卷积层、最大池化层、Flatten层、全连接层和输出层对所述样本集进行训练，确定所述预测车身健康类别。
在本发明实施例中，构建第二神经网络，以实现对样本集的特征提取，并确定与实际车速、实际车身健康类别的对应关系，完成网络收敛，以进行对车身健康类别的有效预测。
作为优选的实施例，在所述第一神经网络和/或所述第二神经网络的训练过程中，采用Adam优化器自适应地调整学习率，且所述第一损失函数和所述第二损失函数为多元交叉熵函数。
在本发明实施例中，利用Adam优化器和多元交叉熵函数，保证训练过程的快速性和有效性。
下面以一个具体的实施例说明车辆健康评估算法流程如下：
第1步，地铁信号采集：将采集到的数据存入数据库，使其持久化；
第2步，数据填充：由于地铁的速度不一致，在进站和出站的时候，地铁速度较慢，在中途运行过程中运行速度较快，得到的信号长短会不一致，因此需要对持续时间较短的信号进行数据填充，在信号前后两端添加环境噪声，使其长度一致，均为729个数据点；
第3步，数据归一化：由于得到的信号幅值不一致，参差不齐，不利于神经网络的训练和收敛，因此有必要对数据进行归一化预处理。目前常用的归一化方式有min-max标准化和Z-score标准化两种方法。本发明实施例采用Z-score标准化，其具体公式为：
其中，μ为所有样本数据的均值，σ为所有样本数据的标准差。经过处理的数据符合标准正态分布，即均值为0，标准差为1。
第4步，神经网络预测：本模块分为两部分，一部分是BP神经网络，另一部分是一维卷积神经网络。BP神经网络结构如图6所示，用于对地铁车速的检测。一维卷积神经网络如图5所示，用于车辆状态的分类。对于地铁车速检测，是一个典型的标量回归问题，利用BP神经网络的非线性学习能力来搭建模型，使用事先人工标记好车速标签的训练集样本进行训练，然后用于车速预测。本模型由输入层，隐藏层，输出层组成。输入层为之前提取的地铁振动信号，隐藏层为32个神经元，每个神经元之后都跟着一个Relu激活函数，最后为一个神经元的输出层(无激活函数)，用于输出预测的地铁车速：
其中，每个隐藏层的神经元的输出为：
f(x)＝σ(∑wx+b)
其中，w为权重，b为偏差，σ为激活函数，此处为Relu激活函数，其具体公式为：
f(x)＝max(0,x)
其中，之所以采用激活函数，是为了增强数据的非线性，更加有利于模型的训练；
其中，由于为回归问题，因此损失函数选择为均方差函数(MSE，mean squarederror)，评价指标选择平均绝对误差(MAE，mean absolute error)，其公式分别为：
其中，优化器采用Adam优化器，经过150次训练之后，模型验证集收敛到0.7的平均绝对误差，可以较准确地用于地铁车速的预测；
其中，一维卷积神经网络主要用于地铁车身健康状况的检测。主要分类为以下四类：
(1)车辆健康；(2)车轮扁疤缺陷；(3)车轮偏心；(4)车轮松动。对于根据大数据来预测结果的问题，卷积神经网络往往表现出较好的结果。卷积神经网络根据使用对象，又可以分为一维卷积神经网络和二维卷积神经网络等。二维卷积神经网络主要用于图像的识别和分类。而针对文本类数据，一维卷积神经网络，往往更加适合；
其中，一维卷积神经网络结构如图5所示，其结构、训练过程的编译、损失函数的选择与上述第一神经网络一致，但分类标签有所不同，通过全连接层降维最后通过softmax函数分成四类，输出分类结果，用于对地铁健康状况的评估，在此不再赘述；
第5步，输出结果，上位机显示：神经网络预测出结果后，将结果显示在上位机界面上，相关人员可以参考预测结果，及时了解地铁的健康状况和运行车速，以减少意外的发生。
本发明实施例还提供了一种轨道交通健康监测装置，结合图7来看，图7为本发明提供的轨道交通健康监测装置一实施例的结构示意图，轨道交通健康监测装置700包括：
获取单元701，用于获取响应数据；
处理单元702，用于根据所述响应数据进行预处理，确定待测振动数据；
预测单元703，用于将所述待测振动数据输入至训练完备的第一神经网络和/或第二神经网络，确定预测轨道结构健康类别和预测车身健康类别。
轨道交通健康监测装置的各个单元的更具体实现方式可以参见对于上述轨道交通健康监测方法的描述，且具有与之相似的有益效果，在此不再赘述。
本发明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，该程序被处理器执行时，实现如上所述的轨道交通健康监测方法。
一般来说，用于实现本发明方法的计算机指令的可以采用一个或多个计算机可读的存储介质的任意组合来承载。非临时性计算机可读存储介质可以包括任何计算机可读介质，除了临时性地传播中的信号本身。
计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本发明实施例件中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码，程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言，特别是可以使用适于神经网络计算的Python语言和基于TensorFlow、PyTorch等平台框架。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
本发明实施例还提供了一种电子设备，结合图8来看，图8为本发明提供的电子设备一实施例的结构示意图，电子设备800包括处理器801、存储器802及存储在存储器802上并可在处理器801上运行的计算机程序，处理器801执行程序时，实现如上所述的轨道交通健康监测方法。
作为优选的实施例，上述电子设备800还包括显示器803，用于显示处理器801执行如上所述的轨道交通健康监测方法。
示例性的，计算机程序可以被分割成一个或多个模块/单元，一个或者多个模块/单元被存储在存储器802中，并由处理器801执行，以完成本发明。一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述计算机程序在电子设备800中的执行过程。例如，计算机程序可以被分割成上述实施例中的获取单元701、处理单元702及预测单元703，各单元的具体功能如上所述，在此不一一赘述。
电子设备800可以是带可调摄像头模组的桌上型计算机、笔记本、掌上电脑或智能手机等设备。
其中，处理器801可能是一种集成电路芯片，具有信号的处理能力。上述的处理器801可以是通用处理器，包括中央处理器(Central Processing Unit，CPU)、网络处理器(Network Processor，NP)等；还可以是数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
其中，存储器802可以是，但不限于，随机存取存储器(Random Access Memory，RAM)，只读存储器(Read Only Memory，ROM)，可编程只读存储器(Programmable Read-OnlyMemory，PROM)，可擦除只读存储器(Erasable Programmable Read-Only Memory，EPROM)，电可擦除只读存储器(Electric Erasable Programmable Read-Only Memory，EEPROM)等。其中，存储器802用于存储程序，所述处理器801在接收到执行指令后，执行所述程序，前述本发明实施例任一实施例揭示的流程定义的方法可以应用于处理器801中，或者由处理器801实现。
其中，显示器803可以是LCD显示屏，也可以是LED显示屏。例如，手机上的显示屏。
可以理解的是，图8所示的结构仅为电子设备800的一种结构示意图，电子设备800还可以包括比图8所示更多或更少的组件。图8中所示的各组件可以采用硬件、软件或其组合实现。
根据本发明上述实施例提供的计算机可读存储介质和电子设备，可以参照根据本发明实现如上所述的轨道交通健康监测方法具体描述的内容实现，并具有与如上所述的轨道交通健康监测方法类似的有益效果，在此不再赘述。
本发明公开了一种轨道交通健康监测系统及方法，首先，对响应数据进行有效的获取；进而，通过对响应数据的预处理，提取出相关有效的数据，形成待测振动数据，保证待测振动数据的准确性；最后，通过第一神经网络和/或第二神经网络，对待测振动数据进行有效的识别和判断，提取其中的特征信息，预测轨道结构健康类别和车身健康类别，保证了快速高效地基于振动信息，实现多方面的交通情况判别。
本发明技术方案，基于振动传感网络，实现高灵敏度地获取响应数据，将待测振动数据输入至相关的神经网络后，仅基于待测振动数据就可得到多方面交通运行信息，保证了算法的高效性和快速性，直接预测出结果后，相关人员可以参考预测结果，及时了解地铁的健康状况和运行车速，以减少意外的发生，保证了反馈的及时性。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。
Claims (6)
1.一种轨道交通健康监测方法，其特征在于，应用于轨道交通健康监测系统中的智能化运维服务平台，所述的轨道交通健康监测系统包括：依次通信连接的振动传感网络、数据处理中心以及智能化运维服务平台，其中：
所述振动传感网络，包括布设于轨道交通工程结构上的光纤光栅振动传感光缆；
所述数据处理中心，用于对所述光纤光栅振动传感光缆的监测信号进行处理，确定响应数据；
所述智能化运维服务平台，用于根据所述响应数据进行智能分析，基于智能分析结果，对轨道结构和车辆进行监测；
所述方法包括：
获取振动传感网络的响应数据；
根据所述响应数据进行预处理，确定待测振动数据；
将所述待测振动数据输入至训练完备的第一神经网络和第二神经网络，确定预测轨道结构健康类别和预测车身健康类别；
所述第一神经网络和所述第二神经网络的训练过程包括：
当将样本集输入至所述第一神经网络时，输出预测轨道结构健康类别，其中，所述样本集包括样本振动数据与对应的实际轨道结构健康类别；
当将样本集输入至所述第二神经网络时，输出预测车身健康类别，其中，所述样本集包括所述样本振动数据与对应的实际车身健康类别；
根据所述预测轨道结构健康类别和所述实际轨道结构健康类别之间的误差，确定第一损失函数，并根据所述第一损失函数训练构建的第一神经网络至收敛；
根据所述预测车身健康类别和所述实际车身健康类别之间的误差，确定第二损失函数，并根据所述第二损失函数训练构建的第二神经网络至收敛；
所述第一神经网络依次包括：输入层、卷积层、最大池化层、Flatten层、全连接层和输出层，其中：
所述输入层，用于输入所述样本集；
所述卷积层，用于对所述样本集进行卷积操作，确定第一卷积数据；
所述最大池化层，包括池化层和Batch Normalization层，其中，所述池化层用于对所述第一卷积数据进行特征提取和降维处理，所述Batch Normalization层用于对降维后的第一卷积数据进行标准化处理，确定标准化数据；
所述Flatten层，用于将所述标准化数据展开成一维向量；
所述全连接层，用于将所述一维向量降维，并通过softmax函数进行分类，确定所述预测轨道结构健康类别；
所述第二神经网络依次包括：BP神经网络和一维神经网络，其中：
所述BP神经网络，对速度训练集训练，用于输出预测车速，其中，所述速度训练集包括样本振动数据与对应的速度标签；
所述一维神经网络，用于依次通过输入层、卷积层、最大池化层、Flatten层、全连接层和输出层对所述样本集进行训练，确定所述预测车身健康类别。
2.根据权利要求1所述的轨道交通健康监测方法，其特征在于，所述振动传感网络中的光纤光栅阵列都由光纤光栅阵列传感探头制成，所述光纤光栅阵列传感探头包括预设反射率光栅阵列，单根光纤上复用预设规模的光纤光栅传感测点。
3.根据权利要求1所述的轨道交通健康监测方法，其特征在于，每根所述光纤光栅阵列传感探头上的光纤光栅为等间距布设，以等间距的光纤光栅为节点，以相邻的节点形成振动感知单元。
4.根据权利要求1所述的轨道交通健康监测方法，其特征在于，所述振动传感网络中的振动传感光缆与被测结构密贴，其中：
若所述被测结构属于既有线路，则直接用结构胶粘贴于所述被测结构，或采用开槽后放入振动传感光缆后再利用水泥或固化剂将振动传感光缆与所述被测结构固化；
若所述被测结构属于新修线路，直接将振动传感光缆浇筑在混凝土中。
5.根据权利要求1所述的轨道交通健康监测方法，其特征在于，所述响应数据包括第i个区间的拾振器在列车驶进的第一时刻与列车驶离的第二时刻之间的振动数据，所述根据所述响应数据进行预处理，确定待测数据，包括：
将所述振动数据的前后两端添加环境噪声信号，确定填充数据；
将所述填充数据进行数据归一化处理，确定所述待测数据。
6.根据权利要求1所述的轨道交通健康监测方法，其特征在于，在所述第一神经网络和所述第二神经网络的训练过程中，采用Adam优化器自适应地调整学习率，且所述第一损失函数和所述第二损失函数为多元交叉熵函数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210259899.3A CN114684217B (zh) | 2022-03-16 | 2022-03-16 | 一种轨道交通健康监测系统及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210259899.3A CN114684217B (zh) | 2022-03-16 | 2022-03-16 | 一种轨道交通健康监测系统及方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114684217A CN114684217A (zh) | 2022-07-01 |
| CN114684217B true CN114684217B (zh) | 2024-03-01 |
Family
ID=82138179
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210259899.3A Active CN114684217B (zh) | 2022-03-16 | 2022-03-16 | 一种轨道交通健康监测系统及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114684217B (zh) |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115420476B (zh) * | 2022-11-03 | 2023-03-24 | 高勘(广州)技术有限公司 | 基于光缆的铁路健康监测方法、装置、设备及存储介质 |
| CN116223763B (zh) * | 2022-12-05 | 2024-03-26 | 湖北国际物流机场有限公司 | 一种机场跑道着陆区道面健康状态监测方法 |
| CN115808468B (zh) * | 2022-12-08 | 2024-08-23 | 中铁第四勘察设计院集团有限公司 | 一种基于振动波形的无砟轨道病害快速识别方法 |
| CN118082914A (zh) * | 2024-01-12 | 2024-05-28 | 通号(西安)轨道交通工业集团有限公司北京分公司 | 一种铁路信号计轴系统 |
| CN119091641B (zh) * | 2024-11-07 | 2025-04-18 | 武汉理工大学 | 一种基于光栅阵列的车辆连续跟踪方法、装置和电子设备 |
Citations (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106503642A (zh) * | 2016-10-18 | 2017-03-15 | 长园长通新材料股份有限公司 | 一种应用于光纤传感系统的振动模型建立方法 |
| CN108647786A (zh) * | 2018-07-10 | 2018-10-12 | 电子科技大学 | 基于深度卷积对抗神经网络的旋转机械在线故障监测方法 |
| CN109446187A (zh) * | 2018-10-16 | 2019-03-08 | 浙江大学 | 基于注意力机制与神经网络的复杂装备健康状态监测方法 |
| CN109815892A (zh) * | 2019-01-22 | 2019-05-28 | 武汉理工大学 | 基于cnn的分布式光纤光栅传感网络的信号识别方法 |
| CN109829538A (zh) * | 2019-02-28 | 2019-05-31 | 苏州热工研究院有限公司 | 一种基于深度神经网络的设备健康状况评估方法和装置 |
| CN109829577A (zh) * | 2019-01-17 | 2019-05-31 | 北京交通大学 | 基于深度神经网络结构模型的轨道列车运行状态预测方法 |
| CN110175434A (zh) * | 2019-06-19 | 2019-08-27 | 西南交通大学 | 一种基于卷积神经网络的铁路扣件系统损伤检测方法 |
| CN110502991A (zh) * | 2019-07-18 | 2019-11-26 | 武汉理工大学 | 基于随机卷积神经网络结构的内燃机健康监测方法及系统 |
| CN110751073A (zh) * | 2019-10-12 | 2020-02-04 | 武汉理工大学 | 基于分布式光纤传感和深度学习的管道早期损伤模式识别方法 |
| CN111071300A (zh) * | 2020-02-12 | 2020-04-28 | 太原理工大学 | 高速列车轨道交通故障安全监测预警系统和信号处理方法 |
| CN111242021A (zh) * | 2020-01-10 | 2020-06-05 | 电子科技大学 | 一种分布式光纤振动信号特征提取与识别方法 |
| CN112580153A (zh) * | 2020-12-29 | 2021-03-30 | 成都运达科技股份有限公司 | 一种车辆走行部监测部件健康状态管理系统及方法 |
| CN113469060A (zh) * | 2021-07-02 | 2021-10-01 | 浙大城市学院 | 多传感器融合卷积神经网络航空发动机轴承故障诊断方法 |
| CN113465924A (zh) * | 2021-06-21 | 2021-10-01 | 武汉理工大学 | 一种基于改进bp神经网络的轴承故障诊断方法及系统 |
| CN113639646A (zh) * | 2021-05-24 | 2021-11-12 | 武汉理工大学 | 一种大型工程结构变形全时全域在线监测装置及方法 |
| CN113761649A (zh) * | 2021-08-05 | 2021-12-07 | 江苏大学 | 一种基于一维卷积神经网络的智能汽车轮胎偏磨预测方法 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108932480B (zh) * | 2018-06-08 | 2022-03-15 | 电子科技大学 | 基于1d-cnn的分布式光纤传感信号特征学习与分类方法 |
| US11783452B2 (en) * | 2020-04-07 | 2023-10-10 | Nec Corporation | Traffic monitoring using distributed fiber optic sensing |
-
2022
- 2022-03-16 CN CN202210259899.3A patent/CN114684217B/zh active Active
Patent Citations (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106503642A (zh) * | 2016-10-18 | 2017-03-15 | 长园长通新材料股份有限公司 | 一种应用于光纤传感系统的振动模型建立方法 |
| CN108647786A (zh) * | 2018-07-10 | 2018-10-12 | 电子科技大学 | 基于深度卷积对抗神经网络的旋转机械在线故障监测方法 |
| CN109446187A (zh) * | 2018-10-16 | 2019-03-08 | 浙江大学 | 基于注意力机制与神经网络的复杂装备健康状态监测方法 |
| CN109829577A (zh) * | 2019-01-17 | 2019-05-31 | 北京交通大学 | 基于深度神经网络结构模型的轨道列车运行状态预测方法 |
| CN109815892A (zh) * | 2019-01-22 | 2019-05-28 | 武汉理工大学 | 基于cnn的分布式光纤光栅传感网络的信号识别方法 |
| CN109829538A (zh) * | 2019-02-28 | 2019-05-31 | 苏州热工研究院有限公司 | 一种基于深度神经网络的设备健康状况评估方法和装置 |
| CN110175434A (zh) * | 2019-06-19 | 2019-08-27 | 西南交通大学 | 一种基于卷积神经网络的铁路扣件系统损伤检测方法 |
| CN110502991A (zh) * | 2019-07-18 | 2019-11-26 | 武汉理工大学 | 基于随机卷积神经网络结构的内燃机健康监测方法及系统 |
| CN110751073A (zh) * | 2019-10-12 | 2020-02-04 | 武汉理工大学 | 基于分布式光纤传感和深度学习的管道早期损伤模式识别方法 |
| CN111242021A (zh) * | 2020-01-10 | 2020-06-05 | 电子科技大学 | 一种分布式光纤振动信号特征提取与识别方法 |
| CN111071300A (zh) * | 2020-02-12 | 2020-04-28 | 太原理工大学 | 高速列车轨道交通故障安全监测预警系统和信号处理方法 |
| CN112580153A (zh) * | 2020-12-29 | 2021-03-30 | 成都运达科技股份有限公司 | 一种车辆走行部监测部件健康状态管理系统及方法 |
| CN113639646A (zh) * | 2021-05-24 | 2021-11-12 | 武汉理工大学 | 一种大型工程结构变形全时全域在线监测装置及方法 |
| CN113465924A (zh) * | 2021-06-21 | 2021-10-01 | 武汉理工大学 | 一种基于改进bp神经网络的轴承故障诊断方法及系统 |
| CN113469060A (zh) * | 2021-07-02 | 2021-10-01 | 浙大城市学院 | 多传感器融合卷积神经网络航空发动机轴承故障诊断方法 |
| CN113761649A (zh) * | 2021-08-05 | 2021-12-07 | 江苏大学 | 一种基于一维卷积神经网络的智能汽车轮胎偏磨预测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114684217A (zh) | 2022-07-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114684217B (zh) | 一种轨道交通健康监测系统及方法 | |
| CN114575927A (zh) | 一种轨道交通安全监测系统及方法 | |
| Wang et al. | Research on application of deep convolutional network in high-speed railway track inspection based on distributed fiber acoustic sensing | |
| Liu et al. | Real-time remote measurement of distance using ultra-wideband (UWB) sensors | |
| CN111060270B (zh) | 一种城市高架桥梁可移动式快速监测与智能评估方法 | |
| WO2022056677A1 (zh) | 监测、采集、分析系统及其方法、设备、存储介质、程序和程序产品 | |
| CN115050189B (zh) | 基于分布式光纤传感的车辆识别与车道定位方法及系统 | |
| CN105755950A (zh) | 智能光纤拉索减震支座系统 | |
| US20230024104A1 (en) | Identification of false transformer humming using machine learning | |
| CN118035911A (zh) | 一种路桥过渡段无砟轨道空天地轨多维监测方法 | |
| US11698323B2 (en) | Methods and system for determining a control load using statistical analysis | |
| Bahrami et al. | A sequence-to-sequence model for joint bridge response forecasting | |
| CN118890090B (zh) | 基于数字孪生的光缆智能监测方法及系统 | |
| Zhang et al. | Integration of multi-point influence line information for damage localization of bridge structures | |
| Yue et al. | Research on distributed monitoring system of intelligent highway based on weak fiber Bragg grating | |
| CN111239842A (zh) | 一种基于分布式光纤传感技术的雨水入侵光缆监测系统及方法 | |
| CN118246134B (zh) | 基于机器学习的双塔斜拉桥全寿命周期安全管控系统 | |
| Lechner et al. | A wavelet-based bridge weigh-in-motion system | |
| Ju et al. | Deflection prediction and early warning for long-span bridges using a fusion ATT-BiGRU model and real-time updated thresholds | |
| CN106091945A (zh) | 光纤复合架空地线的分布式弧垂在线监测系统及方法 | |
| CN106646670A (zh) | 一种输电线路分布式微气象监测方法 | |
| CN118333378A (zh) | 一种公路机电智慧运维管理方法、系统、设备及介质 | |
| CN114417698B (zh) | 一种轨道交通沿线外部环境的风险监测系统及评估方法 | |
| CN114676540B (zh) | 一种基于多信息融合的架空输电线路覆冰舞动预测方法 | |
| Lu | A statistical based damage detection approach for highway bridge structural health monitoring |
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 |