-
公开(公告)号:CN117933697A
公开(公告)日:2024-04-26
申请号:CN202311819384.5
申请日:2023-12-27
IPC分类号: G06Q10/0635 , G06Q10/067 , G06Q50/40
摘要: 本发明提供一种基于综合重要度的铁路风险要素辨识与评估方法及系统,属于交通运输风险要素辨识与评估技术领域,通过事故致因分析得到铁路系统的风险要素集,根据风险传播理论得出风险要素之间的网络关系并建立多粒度网络模型,通过该模型中的指标进行主成分分析,选取第一主成分作为功能重要度指标权重,与云模型‑熵权法专家打分处理得到的风险重要度权重进行线性加权,得到风险要素综合重要度权重,作为铁路系统级风险要素重要程度的评估依据。本发明构建了铁路系统级的多粒度网络模型,实现了铁路系统级关键风险要素快速辨识和评估;为铁路系统对于风险的提前防护和投入运营前针对性措施提供了重要依据,提高了铁路系统运营的可靠性和安全性。
-
公开(公告)号:CN118644529A
公开(公告)日:2024-09-13
申请号:CN202410562252.7
申请日:2024-05-08
申请人: 北京交通大学
IPC分类号: G06T7/33 , G06N3/0464
摘要: 本发明提供一种面向铁路大范围巡检的强泛化点云配准方法及系统,属于图像数据处理技术领域,本发明提供的配准方法能够满足在实际采集的铁路及周围环境点云数据集不足以训练的情况下,直接将训练好的模型用于特征提取,从而达到较高的配准准确率。通过点云配准技术,将历次巡检获取的数据与基准数据进行对比分析,可以实现对铁路及周边设备的监测;并且,多幅铁路点云数据的融合,可以获得完整的铁路线路信息以及周边环境信息,为人工巡检、排除隐患及故障提供最优路线。因此,点云配准技术在铁路巡检过程中有巨大潜力。
-
公开(公告)号:CN116206224A
公开(公告)日:2023-06-02
申请号:CN202310237334.X
申请日:2023-03-06
申请人: 北京交通大学
IPC分类号: G06V20/17 , G06V10/764 , G06V10/774
摘要: 本发明提供一种用于无人机铁路巡检的轨道线全角度识别方法,将获取的训练样本图像输入到基于投影长度判别的锚自适应的双分支铁路轨道检测网络,并且在平衡转置协同训练策略和转置一致性损失函数的引导下,通过投影长度加权的方式对双分支铁路轨道检测网络的两个分支的损失进行权重分配,训练双分支铁路轨道检测网络;将测试样本图像输入到训练后的双分支铁路轨道检测网络中,获得由双分支铁路轨道检测网络中两个不同分支预测生成的两种轨道线目标;对两种轨道线目标进行投影长度判别,将投影长度较大的一种轨道线目标作为轨道线检测结果。本发明提供的方法能够实现包括水平和竖直两种极端角度下的无人机铁路航拍影像中全角度轨道线的识别。
-
公开(公告)号:CN115983106A
公开(公告)日:2023-04-18
申请号:CN202211604980.7
申请日:2022-12-14
申请人: 北京交通大学
IPC分类号: G06F30/27 , G06F18/214 , G06N3/0464
摘要: 本发明公开了一种地铁轨道几何病害识别方法及系统,涉及地铁轨道病害识别领域,该方法包括:获取目标地铁轨道的车体振动数据和车体信息;对目标地铁轨道的车体振动数据进行分段,基于均方根值的方法对各段数据进行转换,得到目标地铁轨道的多段等距离间隔数据;根据目标地铁轨道的多段等距离间隔数据和目标地铁轨道的车体信息,得到目标地铁轨道的检测数据;将目标地铁轨道的检测数据输入轨道几何病害识别模型中,确定目标地铁轨道是否存在轨道几何病害以及存在时的病害等级;其中,轨道几何病害识别模型是采用训练数据,基于可微结构搜索的方法对二维卷积神经网络进行训练得到的。本发明能提高地铁轨道几何病害识别的识别准确率和识别效率。
-
公开(公告)号:CN113160219B
公开(公告)日:2023-02-07
申请号:CN202110518589.4
申请日:2021-05-12
申请人: 北京交通大学
IPC分类号: G06T7/00 , G06T7/11 , G06N5/04 , G06V20/17 , G06V10/44 , G06V10/82 , G06V10/25 , G06N3/0464 , G06N3/08
摘要: 本发明提供了一种用于无人机遥感图像的实时铁路场景解析方法,包括:实时获取无人机遥感图像,并对图像进行数据采集和处理得到数据集;构建铁路场景解析网络模型,根据得到数据集对铁路场景解析网络模型进行训练和验证,得到最佳线损失比例系数;根据所述的最佳线损失比例系数,采用不同计算机对模型进行测试,得到解析结果,并对解析结果进行综合评价。本方法实现了基于计算资源有限的无人机机载计算机,可以进行实时快速高效的铁路场景解析,以进行铁路场景中轨道区域的高精度分割。
-
公开(公告)号:CN113032907A
公开(公告)日:2021-06-25
申请号:CN202110324213.X
申请日:2021-03-26
申请人: 北京交通大学
IPC分类号: G06F30/15 , G06F30/17 , G06F30/20 , G06F119/02
摘要: 本发明提供了一种基于波形相关关系的晃车病害数据偏差纠正方法及系统,该方法通过获取待纠偏晃车病害点对应的晃车病害数据波形和多次历史检测中待纠偏晃车病害点对应里程范围的晃车数据波形,计算设定里程范围内的每次历史检测得到的晃车数据波形与晃车病害数据波形之间的相关系数,并判断相关系数中的最小相关系数是否小于设定的相关系数阈值;如果是,则判定待纠偏晃车病害点无效;如果否,则判定待纠偏晃车病害点有效。通过该方法能够识别有效晃车病害点,剔除无效晃车病害点,提升检测数据的可信度,同时无需通过仪器现场再次进行病害复核,降低了现场人员的工作量,提高了工作效率。
-
公开(公告)号:CN112414309A
公开(公告)日:2021-02-26
申请号:CN202011337845.1
申请日:2020-11-25
申请人: 北京交通大学
摘要: 本发明公开了一种基于机载激光雷达的高铁接触线导高及拉出值巡检方法,包括以下步骤:使用搭载激光雷达的无人机沿铁路线侧上方巡检获取线路原始点云数据;对原始点云数据进行预处理;对处理后的原始点云数据进行分割提取,得到接触网系统点云与线路平面点云;提取线路平面点云中的轨道;对接触网系统中接触悬挂与支柱支持部分进行点云分割;提取接触悬挂点云中的接触线;将接触线与其对应的轨道进行匹配,重构测量场景,并自动测量每一点处接触线导高与拉出值。本发明实现了高精度、高效率、大范围铁路现场的接触线静态参数检测,几乎不受外界光照条件的影响,甚至可以在黑暗环境下工作,这将扩大检测时间范围,提高维护工作安排的灵活性。
-
公开(公告)号:CN111898195A
公开(公告)日:2020-11-06
申请号:CN202010542358.2
申请日:2020-06-15
申请人: 北京交通大学
IPC分类号: G06F30/15 , G06F30/20 , G06F119/02
摘要: 本发明公开了一种基于改进的d-MC网络流理论的轨道交通列车系统多态可靠性分析方法,首先,分析轨道交通列车系统功能,构建列车系统功能链及功能关系网络;其次,依据列车各部件之间的功能关系及部件状态,引入载荷流的概念,并构建轨道交通列车系统多态可靠性网络模型;最后,通过d极小割网络流理论及不交和方法计算整个列车系统在某一状态下的可靠性。本发明以轨道交通列车部件之间的功能关系为基础,引入改进的d极小割网络流理论方法进行列车系统可靠性分析,提高了系统可靠性评估计算的效率,并为轨道交通列车系统可靠性设计、实际运营监测、维护管理及修程的制定提供了有效的基础支撑。
-
公开(公告)号:CN111191328A
公开(公告)日:2020-05-22
申请号:CN201911319871.9
申请日:2019-12-19
申请人: 北京交通大学
IPC分类号: G06F30/17 , G06F30/15 , G06F119/02
摘要: 本发明实施例提供了一种基于多重复杂网络的转向架部件综合重要度评估方法,包括以下步骤:S1、建立转向架的多重复杂网络模型;S2、计算多重复杂网络模型的重要度指标;S3、结合客观方法和主观方法计算重要度指标权重,从而获取综合重要度指标。本发明较传统的复杂网络方法相比可以更好地描述转向架部件间的联系,选用主客观相结合的赋权方法来求出综合重要度指标,比单一的主观或者客观的赋权方法要更加全面,且更加符合人们日常评价时的正常思维,并且减小了计算量,提高了效率。
-
公开(公告)号:CN111122161A
公开(公告)日:2020-05-08
申请号:CN201911346761.1
申请日:2019-12-24
申请人: 北京交通大学
IPC分类号: G01M13/045 , G06N3/04 , G06N3/08
摘要: 本发明属于机械零部件故障诊断技术领域,具体涉及一种基于fast kurtogram和深度残差学习的变工况轴承故障诊断方法。该方法将振动加速度信号通过快速谱峭度图方法转换成一系列谱峭度图,并处理后制成包括训练集测试集和验证集的数据集,构建基于残差块和深度卷积神经网络的深度残差网络,利用数据集训练所述深度残差网络,得到训练完成的轴承健康状态分类模型,采用轴承健康状态分类模型能够对待测信号进行轴承健康状态的诊断。本发明所述方法生成的特征,也就是谱峭度图基本上不受噪声干扰,而且同一故障在不同运行条件下的谱峭度图具有相当的相似性;在分类器方面,采用深度残差学习技术,利用其强大的特征自学习特性,进一步增强了该方法对噪声和不同工况的鲁棒性。
-
-
-
-
-
-
-
-
-