一种轮对尺寸检测数据的分析和校正方法及装置与流程

1.本发明属于轨道交通安全检测监测设备技术领域，具体涉及一种轮对尺寸检测数据的分析和校正方法及装置。


背景技术：

2.轮对作为列车关键部件，其磨损及运行状态直接影响列车行车安全，轮对尺寸检测即测量获取轮对的相关几何尺寸信息，是轨道交通运维安全检测关键环节之一。随着我国轨道交通行业的快速发展，车辆数量日益激增，运营时间不断延长，车辆的运营维护压力与日俱增，常规的停车人工检测无法满足安全要求，自动检测设备已逐步得到应用。目前轮对尺寸检测设备多采用视觉测量技术，视觉传感器容易受到外界环境的影响，特别是在铁路复杂恶劣的户外环境下，列车高速运动、振动冲击、强杂弱复杂光线、雨雪雾气候干扰，这些因素都会影响传感器成像，导致视觉系统测量精度大大下降。
3.当安全检测设备得到的测量数据出现较大误差时，将对轨道交通运维工作产生严重干扰，轻则误报引起没有必要的人工复核复验，造成人力浪费；重则漏探无法发现超限状况，形成安全隐患。
4.由于列车运行时轮对测量环境复杂，视觉测量系统受到干扰往往会出现测量值偶尔误差较大，且存在一定波动的情况。同时，车轮上的污渍或异物也会影响测量结果，造成测量值不稳定的问题。为此，需要对测量数据进行分析评价，剔除异常值并进行校正。而相对亚毫米级测量精度，测量值的数值范围通常较大，超限安全界限也存在多个等级，通过常规的简单阈值判断测量数据是否有效很难到达可靠要求。我国铁路线路众多，运行环境存在一定的差异，车型和用途也有不同，很难获取所有轮对实际运行情况下的全样本数据，建立稳定的预测模型，因此常规的大数据分析和数据预测方法难以实现测量数据的有效可靠判断和校正。
5.此外，目前技术中通常是利用历史数据离线训练预测模型，再将预测模型部署到现场设备上对在线数据进行计算和处理再输出预测结果，当预测模型训练数据量不足够大且现场设备和训练数据存在一定偏差时，易造成预测不准确的问题。


技术实现要素：

6.为解决现有技术中存在的技术问题，本发明的目的在于提供一种轮对尺寸检测数据的分析和校正方法及装置。
7.为实现上述目的，达到上述技术效果，本发明采用的技术方案为：
8.一种轮对尺寸检测数据的分析和校正方法，包括以下步骤：
9.步骤一、建立轮对尺寸测量值预测模型，并采用不同现场的历史数据经人工标注后训练预测模型；
10.步骤二、建立评价模型，用于对轮对尺寸检测数据进行有效性评估，判断其误差是否过大、是否为有效数据；
11.步骤三、建立参考预测模型，参考预测模型与步骤一中的预测模型原理一致，将评价模型参数做为参考预测模型训练的超参；
12.步骤四、对不同现场的历史数据集，由评价模型计算得到每项数据的有效性，更新之前的人工标注信息中的有效属性，得到更新后的训练数据集；
13.步骤五、采用步骤四中更新后的训练数据集对参考预测模型进行训练，训练中用预测模型计算得到的预测值作为数据真值；
14.步骤六、重复进行步骤四至步骤五，对参考预测模型的超参即评价模型参数进行迭代优化，得到训练后的评价模型；
15.步骤七、对当前设备建立在线预测模型，以当前设备的现场历史数据经评价模型处理后确定其有效性，作为在线预测模型的训练数据，不断训练更新在线预测模型；
16.步骤八、对比校正：根据在线预测模型计算得到当前测量的预测值，并将当前测量值输入评价模型，若评价模型输出无效则将该测量值修正为预测值，若评价模型输出有效，进而比较预测值与测量值之间的偏差，当大于设定的阈值时，则将该测量值修正为预测值。
17.进一步的，步骤一中和步骤四中，分别选取不同现场的历史数据集中的一部分数据作为预测模型的训练数据集和参考预测模型的训练集。
18.进一步的，步骤一中，预测模型按以下方式建立：
19.对每辆列车的每个车轮，按各个尺寸参数分别建立预测模型：
20.p＝f
cn,wn
(x)
21.其中，cn为车号；wn为轮号；x为车辆轮对的行驶里程数，当无法获取行驶里程数时，x取车辆轮对通过检测设备的被检次数或时间；p为轮对尺寸预测值；
22.预测模型按以下方式进行训练：
23.在预测模型的训练数据集中，选择按车辆的轮对检测设备检测的有效的几何测量值y及对应的车辆轮对的行驶里程数x，对预测模型进行训练，得到训练后的模型；当输入x后，由训练后的模型计算得到各几何参数对应的轮对尺寸预测p。
24.进一步的，通过收集在不同的时间段内和不同的车辆类型的现场轮对尺寸检测数据形成预测模型的训练数据集，并采用以下步骤进行标注：
25.将按车辆的轮对检测设备检测的几何测量值y与人工测量的几何参数值y
m
或经验值进行比对并做好标注，每个测量数据需记录所属的车辆号和轮位或轮号，当按车辆的轮对检测设备检测的几何测量值y与人工测量的几何参数值y
m
之间的偏差小于设定阈值时，该几何测量值y标注为有效值，否则标注为无效值；每个几何测量值对应记录其测量时该车辆该轮对的行驶里程数，当无法获取行驶里程数时，可记录轮对通过检测设备的累计被检次数或者时间。
26.进一步的，步骤二中，基于历史有效数据与实际测量值之间的比对和分析，建议评价模型，具体步骤为：
27.根据下列公式计算当前实际测量值与历史有效数据的加权算术平均值之间的偏差，对二者之间的偏差进行阈值判断，确定当前实际测量值的有效性：
[0028][0029]
其中，y
n
为当前实际测量值；q(y
n
)为评价结果，结果为1代表有效，结果为0代表无效；y
i
为当前实际测量值之前的有效测量值，即i<n且q(y
i
)＝1；w
i
为权重，m为参与计算的历史有效数据数量，t为评价阈值，w
i
、m、t全部或部分作为参考预测模型的超参，由后续步骤进行超参优化确定。
[0030]
进一步的，步骤七中，在线预测模型按照每辆列车的每个车轮，按各个尺寸参数分别建立，并按车辆号和轮号从当前设备的训练数据中选取部分或所有该测量尺寸参数的历史数据中的有效数据作为训练数据，在线训练在线预测模型。
[0031]
进一步的，步骤一中，随机选取轮对尺寸数据集中的一部分数据作为预测模型的训练数据集，余下所有数据或一部分数据作为评价模型的训练数据集，用于评价模型的训练。
[0032]
本发明公开了一种轮对尺寸检测数据的分析和校正装置，采用轮对尺寸检测数据的分析和校正方法进行分析和校正，包括轮对尺寸检测采集测量单元、数据存储单元、数据分析和校正单元及数据展示和业务处理单元，所述轮对尺寸检测采集测量单元、数据存储单元及数据分析和校正单元依次相连，数据存储单元与数据分析和校正单元双向通信，数据存储单元与数据展示和业务处理单元双向通信，通过轮对尺寸检测采集测量单元采集轮对尺寸及车辆号和轮号信息并进行分析和处理，得到车轮的三维信息，并根据铁路标准中的轮对尺寸指标获得各几何参数的测量值，再上传至数据存储单元进行存储和管理，通过数据分析和校正单元提取数据存储单元中的数据并进行模型训练和计算处理，处理结果返回数据存储单元，通过数据展示和业务处理单元获取数据存储单元中经分析和校正后的测量数据并进行展示。
[0033]
与现有技术相比，本发明的有益效果为：
[0034]
1、本发明基于大数据分析技术建立轮对尺寸变化预测模型，进而建立数据有效性评价的评价模型，用于自动判断在线数据的有效性，实现对数据的分析和筛选，确定哪些数据是有效的、哪些数据是无效或需要校正的；提出以训练好的预测模型预测值为真值，评价模型参数为超参，采用超参调优训练参考预测模型的方式来实现评价模型参数的训练，得到评价模型以实现对测量值的评价，可有效降低超限误检率，提高检出率；在实际在线应用中，预测模型是不参与计算的，只是用来配合训练评价模型；
[0035]
2、本发明通过在线预测模型来对现场设备在线检测数据处理，通过对比预测值与实际值再来判断数据的有效性；输入在线预测模型的训练数据只是单一设备的数据，并且经过评价模型的筛选，这些训练数据的有效性较好，在线预测模型容易收敛，不需要大量数据积累即可训练出可达到实用要求的预测模型，以解决设备应用前期无大量数据时采用常规方法造成的预测模型不准确的问题；
[0036]
3、本发明无需覆盖各类情况的全样本标注数据，在样本数据不是很大的情况下，依靠评价模型和在线预测模型提升数据预测的准确性，提高在不同轨道交通线路和路况情
况下的测量可靠性，以降低超限误检率、提高超限检出率；
[0037]
4、本发明侧重于对数据有效性的分析和校正，并非对数据的预测；有效性分析通过评价模型来初步判断，再通过在线预测模型来进一步判断；需要校正时则替换为在线预测模型的预测结果；提升了轮对尺寸测量的可靠性，特别是高速列车正线在线动态测量，使其在复杂恶劣环境下达到高精度测量的实用要求。
附图说明
[0038]
图1为本发明的流程图；
[0039]
图2为本发明的评价模型的建立流程图；
[0040]
图3为本发明的原理框图。
具体实施方式
[0041]
下面结合附图对本发明进行详细阐述，以使本发明的优点和特征能更易于被本领域技术人员理解，从而对本发明的保护范围做出更为清楚明确的界定。
[0042]
以下给出一个或多个方面的简要概述以提供对这些方面的基本理解。此概述不是所有构想到的方面的详尽综览，并且既非旨在指认出所有方面的关键性或决定性要素亦非试图界定任何或所有方面的范围。其唯一的目的是要以简化形式给出一个或多个方面的一些概念以为稍后给出的更加详细的描述之序。
[0043]
如图1
‑
3所示，一种轮对尺寸检测数据的分析和校正方法，将评价模型与在线预测模型结合进行分级评判，基于积累的数据集离线训练评价模型，进而对现场实时测量的在线数据进行有效性判断，并动态更新在线预测模型，通过对比在线预测模型的预测结果与测量值，实现轮对尺寸检测数据的分析和校正；采用由粗到细逐级判断、动态调优预测模型的方式来提升检测的可靠性，降低误报率，提高检出率，主要包括以下步骤：
[0044]
步骤一、建立轮对尺寸测量值预测模型，并采用不同现场的历史数据经人工标注后训练预测模型；
[0045]
步骤二、建立评价模型，用于对轮对尺寸检测数据进行有效性评估，判断其误差是否过大、是否为有效数据；
[0046]
步骤三、建立参考预测模型，参考预测模型与步骤一中的预测模型原理一致，将评价模型参数做为参考预测模型训练的超参；
[0047]
步骤四、对不同现场的历史数据集，由评价模型计算得到每项数据的有效性，更新之前的人工标注信息中的有效属性，得到更新后的训练数据集；
[0048]
步骤五、采用步骤四中更新后的训练数据集对参考预测模型进行训练，训练中用预测模型计算得到的预测值作为数据真值；
[0049]
步骤六、重复进行步骤四至步骤五，对参考预测模型的超参即评价模型参数进行迭代优化，得到训练后的评价模型；具体为：
[0050]
将评价模型的参数权重w
i
、参与计算的历史有效数据数量m和评价阈值t作为参考预测模型的超参，重复进行步骤四至步骤五进行迭代优化；
[0051]
上述超参优化算法可以选择随机搜索、网格搜索、贝叶斯搜索等算法，也可以采用传统手动调参的方式进行；
[0052]
步骤七、对当前设备建立在线预测模型，以当前设备的现场历史数据经评价模型处理后确定其有效性，作为在线预测模型的训练数据，不断训练更新在线预测模型；将按车辆的轮对检测设备检测的几何测量值y输入评价模型，得到评价结果，具体的，将该值作为一条记录连并有效性评价结果、车辆号、轮号、该值对应的测量时轮对行驶里程数存入数据集，当无法获取行驶里程数时，可记录轮对通过检测设备的累计被检次数或者时间，也可以不区分车辆和轮位，所有车轮数据只按几何测量值进行分组存储；每次设备检测车辆时后有新数据时，针对每类测量数据，按车辆号和轮号从当前设备的训练数据中获取部分或所有历史数据中的有效数据作为训练数据，在线训练预测模型；也可以选择部分历史有效数据进行模型训练，以提高训练速度，选取方式可以随机选取或者选取最近的数据；
[0053]
步骤八、对比校正：根据在线预测模型计算得到当前测量的预测值，并将当前测量值输入评价模型，若评价模型输出无效则将该测量值修正为预测值，若评价模型输出有效，进而比较预测值与测量值之间的偏差，当大于设定的阈值时，则将该测量值修正为预测值。
[0054]
步骤一中和步骤四中，分别选取不同现场的历史数据集中的一部分数据作为预测模型的训练数据集和参考预测模型的训练集。
[0055]
步骤一中，预测模型按以下方式建立：
[0056]
对每辆列车的每个车轮，按各个尺寸参数分别建立预测模型：
[0057]
p＝f
cn,wn
(x)
[0058]
其中，cn为车号；wn为轮号；x为车辆轮对的行驶里程数，当无法获取行驶里程数时，x取车辆轮对通过检测设备的被检次数或时间；p为轮对尺寸预测值；
[0059]
预测模型按以下方式进行训练：
[0060]
在预测模型的训练数据集中，选择按车辆的轮对检测设备检测的有效的几何测量值y及对应的车辆轮对的行驶里程数x，对预测模型进行训练，得到训练后的模型；当输入x后，由训练后的模型计算得到各几何参数对应的轮对尺寸预测p。
[0061]
预测模型可以选择时间序列预测模型，例如arma、arima等线性模型、lstm模型、prophet模型或lstnet等深度学习网络；也可以选择回归模型等常用预测模型；
[0062]
也可以不区分车辆和轮号等，按各个尺寸参数分别建立预测模型，但其预测精度会差一些。
[0063]
步骤一中，通过收集在不同的时间段内和不同的车辆类型的现场轮对尺寸检测数据形成预测模型的训练数据集，并采用以下步骤进行标注：
[0064]
收集、积累的数据现场尽可能不同、数量尽量多，检测数据尽量有不同的车辆类型和获取时间，包括白天、夜晚不同时间段以及一年里不同季节、不同的天气情况；
[0065]
将按车辆的轮对检测设备检测的几何测量值y与人工测量的几何参数值y
m
或经验值进行比对并做好标注，每个测量数据需记录所属的车辆号和轮位或轮号，当按车辆的轮对检测设备检测的几何测量值y与人工测量的几何参数值y
m
之间的偏差小于设定阈值时，或当设备测量值和人工测量值之间的偏差小于设定阈值时，该几何测量值y标注为有效值，否则标注为无效值；当无人工测量值进行对比时，可根据检测操作员的经验，结合之前的历史数据，人工判断数据是否有效。较优地，每个几何测量值y对应记录其测量时该车辆该轮对的行驶里程数，可从铁路信息系统获取，如铁路货车技术管理系统hmis；当无法获取行驶里程数时，可记录轮对通过检测设备的累计被检次数或者时间；也可以不区分车辆和轮位，
所有车轮数据只按几何测量值进行分组；
[0066]
在上述数据集数量较多时，随机选取轮对尺寸数据集中的一部分作为预测模型的训练数据集，其他剩余的用于评价模型的训练，也可以预测模型和评价模型训练都随机从数据集中选取部分数据建立各自训练集。
[0067]
步骤二中，基于历史有效数据与实际测量值之间的比对和分析，建议评价模型，具体步骤为：
[0068]
根据下列公式计算当前实际测量值与历史有效数据的加权算术平均值之间的偏差，对二者之间的偏差进行阈值判断，确定当前实际测量值的有效性：
[0069][0070]
其中，y
n
为当前实际测量值；q(y
n
)为评价结果，结果为1代表有效，结果为0代表无效；y
i
为当前实际测量值之前的有效测量值，即i<n且q(y
i
)＝1；w
i
为权重，m为参与计算的历史有效数据数量，t为评价阈值，w
i
、m、t全部或部分作为参考预测模型的超参，由后续步骤进行超参优化确定。
[0071]
需要说明的是，铁路不同现场、不同车型、不同使用时长和使用条件下的轮对尺寸变化规律会存在差异，用常规的人为设定固定阈值方法来直接判断当前测量数据是否有效往往不可靠，且人为较难找到合适的设置阈值。为此，本发明提出结合历史有效数据进行对比判断的方法来实现对当前测量数据的评价。
[0072]
步骤三中，可采用以下步骤建立参考预测模型：
[0073]
p
r
＝f
r
(cn，wn，x)
[0074]
参考模型与预测模型定义相同，训练后二者参数不同。
[0075]
步骤七中，为解决上述训练数据集和实际现场应用中测量数据因车型、运行环境等不同可能出现的数据偏差导致的预测模型预测值存在较大误差的问题，每个现场按照每辆列车的每个车轮，按各个尺寸参数分别建立在线预测模型，并按车辆号和轮号从当前设备的训练数据中选取部分或所有该测量尺寸参数的历史数据中的有效数据作为训练数据，在线训练在线预测模型。
[0076]
步骤一中，随机选取轮对尺寸数据集中的一部分数据作为预测模型的训练数据集，余下所有数据或一部分数据作为评价模型的训练数据集，用于评价模型的训练。
[0077]
步骤八中，将当前测量值的行驶里程数或被检次数或时间输入在线预测模型，得到在线预测结果；将当前测量值输入评价模型，若评价模型输出无效则将该测量值修正为预测结果，若评价模型输出有效，进而比较预测结果与测量值之间的偏差，当大于设定的阈值时，则将该测量值修正为预测值。其中，阈值可以评价模型的阈值参数为基准适当减小。
[0078]
本发明还公开了一种轮对尺寸检测数据的分析和校正装置，采用轮对尺寸检测数据的分析和校正方法进行分析和校正，包括轮对尺寸检测采集测量单元1、数据存储单元2、数据分析和校正单元3及数据展示和业务处理单元4，轮对尺寸检测采集测量单元1、数据存储单元2及数据分析和校正单元3依次相连，数据存储单元2与数据分析和校正单元3双向通
信，数据存储单元2与数据展示和业务处理单元4双向通信，轮对尺寸检测采集测量单元1采用结构光三维测量的方法采集图像数据、轮对尺寸及车辆号和轮号信息并进行分析和处理，按照结构光三维重建方法计算得到车轮的三维信息，并根据铁路标准中的轮对尺寸指标获得各几何参数的测量值，再上传至数据存储单元2进行存储和管理，通过数据分析和校正单元3提取数据存储单元2中的数据并进行模型训练和计算处理，处理结果返回数据存储单元2，通过数据展示和业务处理单元4获取数据存储单元2中经分析和校正后的测量数据并进行展示，数据展示和业务处理单元4提供数据查询、统计、管理功能，以配合、支持用户的相应业务处理，还提供人工复核数据记录、用户管理、排班管理等用户业务操作功能。
[0079]
数据存储单元2利用数据库按车辆号、轮号、测量值、行驶里程或被测次数或被测时间分条进行存储。按数据用途和来源，可按累积训练数据和当前设备数据分开存储和管理，其中累积训练数据是从多个现场的各设备收集而来，如步骤一至步骤四所述这些数据用来训练预测模型和评价模型；当前设备数据用来记录轮对尺寸检测设备的测量结果以及由数据分析和校正单元处理后的校正结果，并将可将结果提供给用户进行运维业务操作，同时记录的当前设备历史数据用于如步骤六所述的在线预测模型的创建和更新；数据存储单元2还提供与用户其他信息系统(例如hmis系统等)数据对接功能和接口，将轮对尺寸检测数据传输给其他信息系统，并获取其他信息系统数据。
[0080]
步骤一至步骤四训练过程可以在非现场计算机上处理，将训练后的模型部署到现场计算机上即可，步骤八至步骤十一处理过程需要部署在现场的计算机上进行实时处理。数据分析和校正单元3将处理后的结果返回数据存储单元2。
[0081]
本发明未具体描述的部分采用现有技术即可，在此不做赘述。
[0082]
以上所述仅为本发明的实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。