System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及铁路基础设施,具体涉及基于数据外循环与监测内循环的钢轨状态监测系统及方法。
技术介绍
1、目前,由于高铁路网工况最复杂,线网涵盖了平原、高原、高寒、山区等复杂地质条件,且运营速度较高较快、行车密度大以及脱轨系数较大、舒适性较高,因此得到大力发展,但大规模复杂路网基础设施维修技术尚处于空白,缺乏定量的指标体系而且忽视了设施的整体可靠性,目前的维修思想适用于故障发生后产生非较大安全事故的情形,而且仅适用于故障后产生较小经济损失且成本较低的简单基础设施。现行高铁路网基础设施的预防性维修大多数实行的是定时预防性维修,这种维修方式一般不考虑设施的实际运行状态,只是依据预先计划好的时间和内容开展维护或维修活动,容易产生“过修”和“欠修”现象备性。高铁大规模复杂路网基础设施布局会越来越复杂,随之表现出的故障规律也复杂多样,传统的预防性维修理论开始不适合于现代高铁路网基础设施。
技术实现思路
1、根据现有技术的不足,本专利技术的目的是提供基于数据外循环与监测内循环的钢轨状态监测方法及系统,建立基础状态模型、钢轨监测状态模型和进行双循环拟合得到钢轨服役状态模型,进而获取测钢轨状态变化情况及预测线路钢轨主要故障位置及对应的故障类型对预监测钢轨进行预防性维修和提前重点监测,不需要消耗大量人力,不影响列车正常运行,效率高。
2、为了解决上述技术问题,本专利技术采用的技术方案为:
3、基于数据外循环与监测内循环的钢轨状态监测方法,包括以下步骤:
4、对于预监
5、根据线路基础参数通过拟合得到基础状态模型,根据钢轨损失监测结果获取钢轨不同损失因素的故障程度拟合得到钢轨监测状态模型;
6、结合线路基础参数和钢轨损失监测结果进行双循环拟合得到钢轨服役状态模型;
7、对于钢轨使用年限大于大修年限的线路,按照基础状态模型获取预监测钢轨的服役状态,对于钢轨使用年限小于等于大修年限的线路,按照钢轨服役状态模型获取预监测钢轨状态变化情况和预测线路钢轨主要故障位置预计出现的时间节点及对应的故障类型;
8、根据预监测钢轨状态变化情况和预测线路钢轨主要故障位置及对应的故障类型对预监测钢轨进行预防性维修和提前重点监测。
9、进一步地,线路基础参数通过大周期离散分析获取,线路基础参数至少包括以下线路基础参数指标:线路年限、线路最小半径、线路道岔数、线路桥隧比、线路路桥比、行车轴重、行车密度,拟合得到不同线路基础参数指标的权重指标,建立基础状态模型;
10、通过拟合表面及外观几何尺寸、内部损伤值、钢轨磨耗值和断轨情况,得到各个钢轨损失监测指标故障程度的权重指标,建立钢轨监测状态模型;
11、耦合线路年限、线路最小半径、线路道岔数、线路桥隧比、线路路桥比、行车轴重、行车密度和外观几何尺寸、内部损伤值、钢轨磨耗值和断轨情况,建立钢轨服役状态模型。
12、进一步地,基础状态模型为:
13、
14、其中,为大周期离散系数,为线路基础参数指标,表示线路基础参数指标的总个数;
15、通过对预设时间段的周月季检得到的数据,将每一钢轨损失监测结果与对应基础安全值之差的占比作为对应钢轨损失监测指标在钢轨服役状态模型下的故障程度,拟合得到各个钢轨损失监测指标故障程度的权重指标,钢轨监测状态模型为:
16、
17、
18、其中,为大周期离散系数,为线路基础参数指标,表示钢轨损失监测指标的总个数,为钢轨损失监测指标的故障程度,为钢轨损失监测结果,为基础安全值;
19、钢轨服役状态模型为:
20、
21、其中,r为钢轨使用年限。
22、进一步地,将预监测钢轨分成多段轨道,获取每段轨道的线路基础参数,对各种线路基础参数指标的数值进行归一化处理,建立标准化数据矩阵,进而获取标准化数据矩阵的相关矩阵,通过深度学习算法得到不同线路基础参数指标的权重指标,建立基础状态模型;
23、获取每段轨道的钢轨损失监测结果,对各种钢轨损失监测结果指标的数值进行归一化处理,建立标准化数据矩阵,进而获取标准化数据矩阵的相关矩阵,通过深度学习算法得到不同钢轨损失监测结果指标的权重指标,建立钢轨监测状态模型;
24、建立标准化数据矩阵,其中,,获取标准化数据矩阵的相关矩阵,通过深度学习算法得到钢轨损失监测结果耦合线路基础参数后的权重指标,进而建立钢轨服役状态模型。
25、进一步地,把钢轨服役状态模型进行循环叠加演练获取的不同迭代次数下的预测值作为随时间变化的预监测钢轨状态变化情况,设置不同安全演变通道对应的预测值范围,根据预监测钢轨预测值的变化对后续不同时间节点选择相应的安全演变通道,并通过基础服役状态模型预测得到预监测钢轨的服役状态,若服役状态较低的线路进行重点监测和检测。
26、进一步地,不同安全演变通道的预测值范围动态变化,当预监测钢轨中钢轨损失监测结果变化,则建立新的钢轨服役状态模型,重新预测后续不同时间节点选择相应的安全演变通道。
27、进一步地,安全演变通道分别为:
28、相对安全状态,钢轨正常状态,对钢轨进行定期检查;
29、存在维修隐患状态,列入重点监控组,在日周月检重点关注;
30、存在维修故障状态,关键构件预防性维修,在天窗期间维修;
31、存在安全隐患,停止运行并进行全面维修。
32、进一步地,通过实时监测获得的线路服役状态,以及预测的数值获得的线路服役状态形成整条线路的服役状态数据三维体,对线路的服役状态进行分段,包括无障碍区、轻微故障区、重点故障区和立即维修区,对不同的区域建立不同的基础状态模型、钢轨监测状态模型和钢轨服役状态模型。
33、基于数据外循环与监测内循环的钢轨状态监测系统,设在轨检车上,包括红外探测仪、超声波探伤仪、两个摄像机和处理器,两个摄像机架设在钢轨两侧相对设置,确保每相邻的两个摄像机拍摄的视频边缘段具有重叠,通过轨检车在钢轨上缓慢移动,获取钢轨的视频;
34、处理器,对预监测钢轨内每个摄像机拍摄的视频进行抽帧处理,获取图片并进行像素坐标到世界坐标的转换,将两个摄像机的获取的同时刻图片作为一组,基于时序对应关系进行拼接,构成预监测钢轨部分结构的全景图像,沿预监测钢轨延伸方向将两个摄像机获取的图片基于时序对应关系进行拼接,以构成预监测钢轨的全景图像,将连续的全景图像处理为预监测钢轨的全景视频,获取关于线路内循环监测服役状态的钢轨损失监测结果,包括根据红外探测仪获取的数据结合机器视觉监测钢轨表面及外观几何尺寸,通过超声波探伤仪监测钢轨内部损伤本文档来自技高网...
【技术保护点】
1.基于数据外循环与监测内循环的钢轨状态监测方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的基于数据外循环与监测内循环的钢轨状态监测方法,其特征在于:
3.根据权利要求1所述的基于数据外循环与监测内循环的钢轨状态监测方法,其特征在于:
4.根据权利要求3所述的基于数据外循环与监测内循环的钢轨状态监测方法,其特征在于:
5.根据权利要求1所述的基于数据外循环与监测内循环的钢轨状态监测方法,其特征在于:
6.根据权利要求5所述的基于数据外循环与监测内循环的钢轨状态监测方法,其特征在于:
7.根据权利要求5所述的基于数据外循环与监测内循环的钢轨状态监测方法,其特征在于,安全演变通道分别为:
8.根据权利要求1所述的基于数据外循环与监测内循环的钢轨状态监测方法,其特征在于:
9.基于数据外循环与监测内循环的钢轨状态监测系统,设在轨检车上,其特征在于,包括红外探测仪、超声波探伤仪、两个摄像机和处理器,两个摄像机架设在钢轨两侧相对设置,确保每相邻的两个摄像机拍摄的视频边缘段具有重叠,通过
...【技术特征摘要】
1.基于数据外循环与监测内循环的钢轨状态监测方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的基于数据外循环与监测内循环的钢轨状态监测方法,其特征在于:
3.根据权利要求1所述的基于数据外循环与监测内循环的钢轨状态监测方法,其特征在于:
4.根据权利要求3所述的基于数据外循环与监测内循环的钢轨状态监测方法,其特征在于:
5.根据权利要求1所述的基于数据外循环与监测内循环的钢轨状态监测方法,其特征在于:
6.根据权利要求5所述的基于数据外循环与监测...
【专利技术属性】
技术研发人员:张琨,张长能,罗小华,朱冬,光振雄,董云松,雷崇,殷勤,邱绍峰,周明翔,李加祺,刘辉,张俊岭,彭方进,李成洋,张银龙,程思宇,邵靖男,何林,曹国智,
申请(专利权)人:中铁第四勘察设计院集团有限公司,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。