本发明公开了一种钢轨状态监测方法及监测设备,涉及铁路钢轨监测技术领域。可应用于铁路、高铁、地铁等实际路线的钢轨廓形测量,也可应用于钢轨产线等需要获知钢轨廓形信息的场合。
背景技术:
铁路是国家重要的基础设施,钢轨是铁路系统的主要组成部件,钢轨伤损是指钢轨在使用过程中,发生折断、裂纹及其它影响和限制钢轨使用性能的伤损。近年来,铁路速度的提升、货物运输的重载以及行车密度的大幅增加对钢轨的质量提出了更高的要求。检测钢轨廓形是获知铁路钢轨健康状态的一种重要途径,通过检测钢轨的廓形尺寸数据与标准钢轨廓形数据做对比,是判断钢轨质量是否合格的重要参数。
随着激光测距等非接触式测量手段的发展,则给钢轨廓形的测量提供了更多的途径。然而现有对钢轨状态监测的方法较复杂且通用性较差,对监测设备监测到的数据应用较为单一,因此,如何根据监测数据、历史数据等信息综合获得磨损程度整体得分,以及如何对钢轨磨耗趋势进行分析和预测,是亟待解决的问题。
技术实现要素:
有鉴于此,针对现有的钢轨监测方法存在的缺点,本发明提供一种钢轨状态监测方法及监测设备,以有效解决上述技术背景中存在的问题。
本发明的技术方案,通过监测设备实际的测量值并结合云端存储的对应里程的环境、钢轨几何参数信息和历史数据进行的磨耗趋势分析结果,对钢轨磨损状态进行分析并建立指数得分体系,对磨损程度进行有效量化:
本发明一方面提供一种钢轨状态监测方法,包括如下步骤:
步骤1、通过钢轨状态监测设备检测到钢轨的垂直磨耗和侧面磨耗值,计算得到测量磨耗得分;
步骤2、通过里程区间的坡度、桥隧比和轨检数据,计算得到钢轨磨耗因素得分;
步骤3、获取磨耗趋势得分;
步骤4、将一条铁路线路根据里程分为多个里程区间,通过所述的测量磨耗得分、钢轨磨耗因素得分及磨耗趋势得分,计算每段里程区间的钢轨磨耗程度得分;
步骤5、根据检测线路每段里程区间的钢轨磨耗程度得分,使用分类算法,对检测站段所有里程区间的钢轨磨耗程度进行分类,得到不同磨耗程度的连续里程区间集合。
其中,所述的测量磨耗得分gwear是由钢轨状态监测设备检测到的垂直磨耗和侧面磨耗值计算得到,公式如下:
m为检测区间磨耗值,cwear为磨耗修正常数,由历史数据训练得到,gs,gc分别为垂直磨耗和侧面磨耗的磨耗判断函数。
其中,所述的钢轨磨耗因素得分gp计算公式如下:
其中,所述的磨耗趋势得分,计算步骤如下:
s31、获取检测区间的历史磨耗检测数据{(mi,ti,di)},其中mi,ti,di分别为磨耗值、检测时间、日通车频次,元素按检测时间排序,即
s32、对历史磨耗检测数据{(mi,ti,di)}的检测时间ti进行标准化处理,得到修正后的检测时间t′i,公式如下:
t′0=time
t′i=t′i-1 di(ti-ti-1)
time为当前检测区间上一次的换轨时间;
s33、使用训练好的lstm预测模型,对磨耗值集合进行预测分析,得到磨耗值达到预警阈值mw时的标准化时间tr;
s34、计算磨耗趋势得分gt:
ct为趋势补偿常数,由历史数据训练得到。
其中,所述的每段里程区间的钢轨磨耗程度得分g,公式如下:
g=gt(gwear gp)
gwear表示测量磨耗得分,gp表示钢轨磨耗因素得分,gt表示磨耗趋势得分。
其中,步骤5所述的使用分类算法,对检测站段所有里程区间的钢轨磨耗程度进行分类,得到不同磨耗程度的连续里程区间集合,其中,所述的连续里程区间集合中,两个检测点di=(mileagei,gi)和dj=(mileagej,gj)之间距离dis(di,dj)计算公式如下:
mileagei为检测点的对应里程数,gi为检测点的钢轨磨耗程度得分,cd为距离聚类常数,由历史数据训练得到。
本发明另一方面提供一种可实现上述钢轨状态监测方法的钢轨状态监测设备,用于检测得到钢轨的垂直磨耗和侧面磨耗值;所述的监测设备,包括t型底座、廓形传感器、遮光罩、陀螺仪、边缘设备、可移动支架、上位机;所述t型底座横轴位于一侧钢轨上方,与另一侧钢轨平行,竖轴与两条钢轨垂直;所述廓形传感器包含外壳、两个激光扫描仪;外壳顶端连接在t型底座的横轴一侧端,高于钢轨轨面;所述遮光罩位于廓形传感器正上方,与t型底座横轴固连在一起;所述陀螺仪安装在传感器外壳上方,与边缘设备通过以太网传输线连接,将采集的数据传输到相连的边缘设备;所述边缘设备通过以太网传输线与廓形传感器相连,获取数据分析廓形情况,通过通信设备传输分析结果;;所述可移动支架连接在t型底座的竖轴上;所述上位机通过以太网传输线与边缘设备相连,放置在可移动支架上;
所述廓形传感器的外壳顶部有两个三角架构,保证行车检测时的稳定性,外壳的两端各有一个矩形空间,该矩形空间底边开放,用于安装激光扫描仪;该矩形空间的底边与钢轨之间呈四十五度夹角,两个矩形空间的底边呈九十度夹角,从而使得安装于内的激光扫描仪与钢轨之间呈四十五度夹角,两个激光扫描仪呈九十度夹角,以此获得完整的钢轨廓形数据点,即垂直磨耗和侧面磨耗值。
所述两个矩形空间开放的底边,分别向内延伸一段,防止激光扫描仪掉落。
本发明的有益效果
本发明方法通过结合云端数据,将里程环境因素和铁轨轨检数据对钢轨状态的影响加入,使结果更加准确。
本发明方法结合云端历史数据对磨耗趋势进行分析,对于磨耗的变化进行预测,根据预测结果对钢轨状态进行修改,保证在钢轨磨耗增加迅速的里程区间不会因当前磨耗值较低就被忽视。
本发明方法将多源数据融合,结合多种影响因素对钢轨状态的影响,和钢轨自身磨耗变化趋势的规律综合判定钢轨的磨损状态。
本发明方法可对钢轨磨损程度进行有效量化;方法具有通用性,且通过本发明方法得到的钢轨磨损状态的分析结果为后续钢轨大修等铁路维护工作提供数据支持。
本发明设备操作简单、安装方便,可以大大提升钢轨廓形数据的测量效率,以及数据样本密度;
本发明方法和设备可进一步搭配使用行业相关智能分析模块,进行数据挖掘,智能提示钢轨健康状态。
附图说明
图1是本发明一种钢轨状态监测方法的工作步骤流程图;
图2是钢轨磨耗程度得分随里程的趋势变化图像
图3是本发明一种钢轨状态监测设备结构图;
图4是本发明一种钢轨状态监测设备的廓形传感器局部视图;
图5是特征位置图;
图6是磨耗计算示意图。
具体实施方式
以下将参照附图,通过实施方式详细地描述本发明提供的一种钢轨状态监测方法及监测设备。在此需要说明的是,对于这些实施方式的说明用于帮助理解本发明,但并不构成对本发明的限定。
一种钢轨状态监测方法,如图1所示,包括如下步骤:
步骤1、通过钢轨状态监测设备检测到钢轨的垂直磨耗和侧面磨耗值,计算得到测量磨耗得分;
其中,所述的测量磨耗得分gwear是由钢轨状态监测设备检测到的垂直磨耗和侧面磨耗值计算得到,公式如下:
m为检测区间磨耗值,cwear为磨耗修正常数,由历史数据训练得到,gs,gc分别为垂直磨耗和侧面磨耗的磨耗判断函数。
步骤2、通过里程区间的坡度、桥隧比和轨检数据,计算得到钢轨磨耗因素得分;
其中,所述的钢轨磨耗因素得分gp计算公式如下:
步骤3、获取磨耗趋势得分;
具体计算步骤如下:
s31、获取检测区间的历史磨耗检测数据{(mi,ti,di)},其中mi,ti,di分别为磨耗值、检测时间、日通车频次,元素按检测时间排序,即
s32、对历史磨耗检测数据{(mi,ti,di)}的检测时间ti进行标准化处理,得到修正后的检测时间t′i,公式如下:
t′0=time
t′i=t′i-1 di(ti-ti-1)
time为当前检测区间上一次的换轨时间;
s33、使用训练好的lstm预测模型,对磨耗值集合进行预测分析,得到磨耗值达到预警阈值mw时的标准化时间tr;
s34、计算磨耗趋势得分gt:
ct为趋势补偿常数,由历史数据训练得到。
步骤4、将一条铁路线路根据里程分为多个里程区间,通过所述的测量磨耗得分、钢轨磨耗因素得分及磨耗趋势得分,计算每段里程区间的钢轨磨耗程度得分g,公式如下:
g=gt(gwear gp)
gwear表示测量磨耗得分,gp表示钢轨磨耗因素得分,gt表示磨耗趋势得分。钢轨磨耗程度得分随里程的趋势变化如图2所示。
步骤5、根据检测线路每段里程区间的钢轨磨耗程度得分,使用分类算法,对检测站段所有里程区间的钢轨磨耗程度进行分类,得到不同磨耗程度的连续里程区间集合。如图2中阴影部分。
其中,步骤5所述的使用分类算法,对检测站段所有里程区间的钢轨磨耗程度进行分类,得到不同磨耗程度的连续里程区间集合,其中,所述的连续里程区间集合中,两个检测点di=(mileagei,gi)和dj=(mileagej,gj)之间距离dis(di,dj)计算公式如下:
mileagei为检测点的对应里程数,gi为检测点的钢轨磨耗程度得分,cd为距离聚类常数,由历史数据训练得到。
本发明提供一种钢轨状态监测设备,是由t型底座1、廓形传感器2、遮光罩3、陀螺仪4、边缘设备5、可移动支架6、上位机7组成,如图3所示;
所述t型底座1横轴位于一侧钢轨上方,与另一侧钢轨平行,竖轴与两条钢轨垂直;所述廓形传感器2顶端螺纹连接在t型底座1的横轴一侧端,高于钢轨轨面;所述遮光罩3位于廓形传感器2正上方,与t型底座1横轴侧端通过螺钉固连在一起;所述陀螺仪4安装在传感器外壳上方,与边缘设备5通过以太网传输线连接;所述边缘设备5通过以太网传输线与廓形传感器2相连,通过螺钉固定在t型底座1横轴的表面上;所述可移动支架6底部螺纹连接在t型底座1的竖轴上;所述上位机7通过以太网传输线与边缘设备4相连,放置在可移动支架6上。
所述t型底座1设置有滑轮,优选的为三组,分布于轴端,保证移动时的稳定和减小晃动;
所述廓形传感器2包含外壳、两个激光扫描仪;所述廓形传感器的外壳顶部有两个三角架构,保证行车检测时的稳定性,如图4所示,外壳的两端各有一个矩形空间,该矩形空间底边开放,用于分别嵌入两个激光扫描仪,矩形空间开口的底边分别向内延伸出一段,优选的为0.5cm,防止激光扫描仪掉落;该矩形空间的底边与钢轨之间呈四十五度夹角,两个矩形空间的底边呈九十度夹角;所述激光扫描仪嵌在廓形传感器外壳两侧的矩形空间内,通过螺钉与外壳固定,与钢轨之间呈四十五度夹角,两个激光扫描仪呈九十度夹角,以此获得完整的钢轨廓形数据点;所述陀螺仪在行车检测产生晃动时,可减小晃动,提升稳定性;
所述遮光罩3本身经过拓扑优化与尺寸优化设计,用空间几何计算不同形状的成本、占用空间、遮光效果得到最优设计,保证遮光效果同时降低重量;
所述陀螺仪4将采集的数据传输到相连的边缘设备5,在行车检测产生晃动时,可减小晃动,提升稳定性;
所述边缘设备5在车体表面接收廓形传感器传输的数据,是由dpu、cpu、核心芯片通信设备组成,获取数据分析廓形情况,通过通信设备传输分析结果;
所述可移动支架6可通过连接轴机构转动角度改变上位机的角度,为检测人员提供合适的视角;
所述上位机7负责交互信息,可视化分析结果。
本发明的一个实施例,一种应用所述的钢轨监测设备检测得到钢轨垂直磨耗和侧面磨耗值的方法如下:
步骤s201,安装廓形传感器,调整两个激光扫描的角度,获得廓形传感数据;
调整两个激光扫描仪的角度,要求左右两个激光扫描仪发射出的激光在钢轨上重叠。若不能重叠,则需要相隔一段距离,较优的,该距离至少为10cm,以免相互干扰,且后续廓形测量算法需要进行额外的拼接步骤,并损失一定的精度。无论激光线是否满足重叠,机械安装的位置参数都需要获知,并在廓形测量算法执行时作为输入参数;
步骤s202,在边缘计算设备中,对原始数据进行预处理,消除噪声影响;
步骤s203,使用训练好的三角测距模型,将清洗过的数据转化为坐标信息;
步骤s204,在边缘计算设备中,使用训练好的廓形拼接模型,将不同坐标系下的数据映射到一个公共坐标系中,并进行廓形对齐。
所述的步骤s204的廓形对齐步骤如下:
s2041,使用训练好的廓形拼接模型,识别并输出钢轨廓形的特征点的位置坐标,得到特征点集合{(xi,yi)}。(见附图5)
所述的廓形拼接模型如下:
任一点特征值gi模型计算公式为:
其中,(xi,yi)为检测点坐标;(xi-1,yi-1)为检测点左侧相邻点坐标;(xi 1,yi 1)为检测点右侧相邻点坐标,且xi≠xi-1,xi≠xi 1,xi 1≠xi-1,若其中任意两点x方向坐标相等,特征值为0;特征值在廓形弧面处不为0,其他部位近似为0,且在弧面处特征值有先增后减的变化趋势,将带有这种变化趋势且特征值远大于0的连续检测点作为特征点保存;
模型损失函数为:
s2042,将特征点集合{(xi,yi)}和标准廓形特征点集合{(ui,vi)}代入公式,得到对齐仿射参数:
其中c为旋转修正常量,cxcy为平移修正常量;
将检测廓形上的点(gx,gy)代入如下公式得到对齐后的坐标(gx′,gy′):
步骤s205,测量得到的钢轨廓形和标准廓形进行对比,计算得出钢轨磨耗值——垂直磨耗和侧面磨耗,如图6所示;
以上所述的具体实施例,对本发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本发明的具体实施例而已,并不用于限定本发明的保护范围,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
在本申请的描述中,“多个”的含义是两个或两个以上,除非另有明确具体的限定。此外,术语“包括”和“具有”以及它们的任何变形,意图在于覆盖不排它的包含。本申请所提到的方向用语,例如:上、下、左、右、前、后、内、外、侧面等,仅是参考附图的方向。
在本申请的描述中,需要说明的是,除非另有明确的规定和限定,术语“安装”“相连”“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接或可以相互通讯;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通或两个元件的相互作用关系。对于本领域的普通技术人员而言,可以根据具体情况理解上述术语在本申请中的具体含义。
本文用于企业家、创业者技术爱好者查询,结果仅供参考。