[发明专利]一种基于人工智能模式识别技术的THDS系统热轴判别方法

说明书

一种基于人工智能模式识别技术的THDS系统热轴判别方法，涉及大数据及人工智能模式识别领域。本发明是为了解决目前的热轴判别方法无法高效识别由于外界干扰造成的热轴，从而导致的误报率高、预报兑现率低的问题。本发明包括：获取过车报文，进行报文解析获得过车数据；将过车数据输入到热轴判别模型中获得热轴预报；采用IPA模型分析热轴预报的过车热轴波形获得过车热轴判别结果。本发明将热轴波形归一化处理，根据标准样本波形计算热轴波形拐点、偏差角度并进行补偿，根据比对波形的匹配度、采样点的位置及面积比对过车热轴数据进行实时综合分析判断是否为正常热轴波形。本发明用于判别热轴预报是否准确。

技术领域

本发明涉及大数据及人工智能模式识别领域，特别涉及一种基于人工智能模式识别技术的THDS系统热轴判别方法。

背景技术

列车轴承温度过高是轴承出现故障的重要征兆。铁路红外轴温探测系统(THDS)能够探测运行列车的轴承温度，根据轴温判别轴承是否发生故障，避免因车辆轴承故障而导致列车运行事故，是保障列车运行安全的重要技术装备。THDS通过在铁轨两侧安装的红外探头，实时探测列车通过时各车辆轴承的温度，据此判断是否存在故障轴承(简称热轴)，并通过通信网络将预报的热轴故障及时报告给列车调度系统，防止事故的发生。

THDS是保障铁路运输安全的重要安全监测设备，目前已经在全路广泛应用，但是随着技术水平的提升设备类型也日渐多元化，数据特征的提取难度越来越大；此外，由于探测设备处于复杂的运行环境中，易受干扰，传统热轴判别方式对外界干扰造成的热轴无法高效识别，存在误报率高，热轴预报兑现率较差的问题，尤其是激、强热预报过多会造成列车拦停而扰乱正常的行车秩序，对列车运行效率和铁路运输安全造成严重影响。

发明内容

本发明目的是为了解决目前的热轴判别方法无法高效识别由于外界干扰造成的热轴，从而导致的误报率高、预报兑现率低的问题，而提出了一种基于人工智能模式识别技术的THDS系统热轴判别方法。

一种基于人工智能模式识别技术的THDS系统热轴判别方法具体过程为：

步骤一、获取过车报文，进行报文解析获得过车数据；

步骤二、将过车数据输入到热轴判别模型中获得热轴预报；

步骤三、采用IPA模型分析热轴预报对应的待判别过车热轴波形获得过车热轴判别结果，包括以下步骤：

S1、分别获取货车和客车的平均过车热轴波形，将货车和客车的平均过车热轴波形进行归一化分别获得客车标准过车热轴波形和货车标准过车热轴波形，均记为标准过车热轴波形S(xs_i,ys_i),i＝1,…,32，并确定标准过车热轴波形的拐点位置坐标；

其中，i是标准过车热轴波形上采样点的标号；

S2、将待判别过车热轴波形归一化获得归一化后的待判别过车热轴波形D(x_j,y_j),j＝1,…,32，并基于S1建立的标准过车热轴波形和归一化后的待判别过车热轴波形获得待判别过车热轴波形拐点的坐标；

其中，j为归一化后的待判别过车热轴波形上的采样点标号；

所述归一化后的待判别过车热轴波形为最大值为1000最小值为0的32点过车热轴波形；

S3、将S1获得的标准过车热轴波形的拐点位置坐标与S2获得的待判别过车热轴波形的拐点的坐标比对获得待判别过车热轴波形左右偏移补偿值Δx从而校正过车热轴波形角度；

S4、将S3获得的校正后的过车热轴波形的采样点与S1获得标准过车热轴波形的采样点进行比对获得模型对比参数σ：

S5、根据S4获得的σ值验证过车热轴波形是否正常，若波形异常则执行S6；若波形正常则正常输出预报热轴，结束判别；