一种轨道结构多传感器动态匹配系统的制作方法

1.本发明涉及轨道结构技术领域，特别涉及一种轨道结构多传感器动态匹配系统。


背景技术：

2.随着城市化进程的加快，地铁成为人们生活交通的重要组成部分，然而随着人流量的增大，地铁轨道结构的负载也在增强，使得轨道结构出现损伤，逐渐损坏轨道系统，如果不能立即发现和修复，隐患不断积累会使得损坏越来越严重，造成安全事故，目前为了检测轨道结构的安全性能和故障程度通常需要在轨道结构上配上传感器来进行检测，但传感器的检测结果需要人工根据经验与故障程度进行匹配，这种匹配模式极大的增大了人工成本，同时也不够精确，不利于现代化轨道结构的发展。


技术实现要素：

3.为了至少解决或部分解决上述问题，提供一种轨道结构多传感器动态匹配系统，实现自动化匹配轨道结构的损坏程度，提高匹配精度，减低人工成本。
4.为了达到上述目的，本发明提供了如下的技术方案：
5.本发明一种轨道结构多传感器动态匹配系统，包括多个数据传感器和匹配系统，所述多个数据传感器用于检测轨道结构的数据，并将数据发送至匹配系统，所述匹配系统包括数据建模模块、状态划分模块、匹配模块，
6.所述数据建模模块将每个时段的检测数据作为变量与时段进行对应，形成原始数据数列，并将原始数据数列发送至状态划分模块；
7.所述状态划分模块根据轨道结构的状态进行区间划分，将每个时段对应的数据与状态相对应，根据各个时段所处的状态建立转移频数矩阵和一步转移概率矩阵，得到各个状态的边际概率，从而得到每个状态的数据区间，并将数据区间发送至匹配模块；
8.所述匹配模块将当前检测的数据与数据区间进行匹配，得到轨道结构的状态。
9.作为本发明的一种优选技术方案，所述轨道结构的数据包括轨道结构的纵向力、轨道结构之间的倾斜度和轨道结构的温度、附和力参数。
10.作为本发明的一种优选技术方案，还包括修正模块，所述修正模块利用粒子群算法对数据区间进行白化修正，并将修正数据发送至匹配模块。
11.作为本发明的一种优选技术方案，所述修正模块将数据区间记为α
ab
[x
ab
，y
ab
]，其中x
ab
，y
ab
表示由状态a转移到状态b所对应状态区间的最小预测值和最大预测值，现在对该区间进行优化，α
ab
＝x
ab
ρ
b
(1
‑
ρ
b
)y
ab
，ρ
b
[0,1]，当ρ
b
＝0.5时，输出数据结果；
[0012]
所述粒子群算法的粒子长d＝3，粒子数m＝200，迭代次数k＝500，学习因子c1＝c2＝2，加权因子w＝1。
[0013]
作为本发明的一种优选技术方案，还包括通信模块，所述数据传感器与匹配系统通过通信模块进行数据传输。
[0014]
与现有技术相比，本发明的有益效果如下：
[0015]
本发明将传感器检测的数据进行建模，采用转移频数矩阵和一步转移概率矩阵建立马尔科夫链，使得检测的数据能够与传感器的数据进行自动匹配，从而实现自动化匹配轨道结构的损坏程度，提高匹配精度，减低人工成本。
附图说明
[0016]
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：
[0017]
图1是本发明的整体结构示意图；
[0018]
图中：1、数据传感器；2、匹配系统；3、数据建模模块；4、状态划分模块；5、匹配模块；6、修正模块；7、通信模块。
具体实施方式
[0019]
以下结合附图对本发明的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本发明，并不用于限定本发明。其中附图中相同的标号全部指的是相同的部件。
[0020]
此外，如果已知技术的详细描述对于示出本发明的特征是不必要的，则将其省略。
[0021]
实施例1
[0022]
如图1所示，本发明提供一种轨道结构多传感器动态匹配系统，包括多个数据传感器1和匹配系统2，多个数据传感器1用于检测轨道结构的数据，并将数据发送至匹配系统2，匹配系统2包括数据建模模块3、状态划分模块4、匹配模块5，
[0023]
数据建模模块3将每个时段的检测数据作为变量与时段进行对应，形成原始数据数列，并将原始数据数列发送至状态划分模块4；
[0024]
状态划分模块4根据轨道结构的状态进行区间划分，将每个时段对应的数据与状态相对应，根据各个时段所处的状态建立转移频数矩阵和一步转移概率矩阵，得到各个状态的边际概率，从而得到每个状态的数据区间，并将数据区间发送至匹配模块5；
[0025]
匹配模块5将当前检测的数据与数据区间进行匹配，得到轨道结构的状态。
[0026]
具体的，在进行动态匹配的过程中，将包括轨道结构的纵向力、轨道结构之间的倾斜度和轨道结构的温度、附和力参数在内的轨道结构的数据记录并存储起来，建立数据库，并通过建模等手段建立马尔科夫链，本技术中的马尔科夫链主要使根据轨道结构的状态进行区间划分，将每个时段对应的数据与状态相对应，根据各个时段所处的状态建立转移频数矩阵和一步转移概率矩阵，得到各个状态的边际概率，从而得到每个状态的数据区间，再利用匹配模块进行数据匹配。
[0027]
为了进一步提高马尔科夫链的准确性，还包括修正模块6，修正模块6利用粒子群算法对数据区间进行白化修正，利用修正模块6对数据区间的修正，来提高结果的准确性，并将修正数据发送至匹配模块5实现数据匹配。
[0028]
修正模块6是将数据区间记为α
ab
[x
ab
，y
ab
]，其中x
ab
，y
ab
表示由状态a转移到状态b所对应状态区间的最小预测值和最大预测值，现在对该区间进行优化，α
ab
＝x
ab
ρ
b
(1
‑
ρ
b
)y
ab
，ρ
b
[0,1]，当ρ
b
＝0.5时，输出数据结果；
[0029]
粒子群算法的粒子长d＝3，粒子数m＝200，迭代次数k＝500，学习因子c1＝c2＝2，
加权因子w＝1。
[0030]
还包括通信模块7，数据传感器1与匹配系统2通过通信模块7进行数据传输。
[0031]
最后应说明的是：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。