基于WE-ICA的牵引电机速度传感器微小故障检测与识别

文章提出了一种基于小波变换和集成独立成分分析(WE-ICA)的牵引电机速度传感器微小故障检测与识别方法。首先,通过小波变换对高速列车牵引电机数据进行滤波处理,减少噪声对微小故障信息的干扰;接着通过独立成分分析(ICA)方法提取故障信息并建立检测统计量;最后利用贝叶斯推理计算统计量的故障概率,并设计集成统计量用于微小故障检测;另外通过加权贡献度对故障进行识别。利用CRH2牵引电机实验平台对该方法进行验证,实验结果证明了该方法的有效性和实用性。     

CTCS3无线闭塞中心工程化数据生成方法与实现

为保证在实际工程项目实施中,能够更精准、高效的完成无线闭塞中心(RBC, Radio Block Center)的工程化数据配置,通过分析列控地面工程数据和RBC数据结构,提出一种RBC工程化数据生成方法。基于RBC工程化数据配置规则,采用C#和NPOI,开发了由列控地面工程数据到RBC工程化数据的数据转换工具。经试验表明, RBC工程化数据生成方法是可行的。该数据转换工具显著节约人工成本、缩短项目周期,目前已成功应用于8套RBC的工程化数据配置。     

云物大智、区块链、CPS间的关系及在铁路领域研究综述

云计算、物联网、大数据、人工智能（AI）、区块链、信息物理系统（CPS）为前沿新兴技术领域，它们并非彼此孤立，而是相互关联、相辅相成、相互促进的。介绍它们的内涵、关系及在铁路领域的应用探索。物联网是数据源，大数据是基础资源，云计算是基础设施，人工智能是核心算法，区块链为铁路领域业务基础架构和运行机制的变革创造条件，信息物理系统是贯穿信息空间与物理空间之间基于数据自动流动的状态感知、实时分析、科学决策、精准执行的一套综合技术体系。这些新技术的综合应用、交叉支撑、循环进化的良性迭代，将积极促进铁路智能化的发展。     

铁路货车大数据平台总体设计研究

为促进铁路货车数据资源共享、推进大数据技术在铁路货车领域的应用,提出了铁路货车大数据平台的总体设计方案。在分析铁路货车大数据来源及数据特征的基础上,基于大数据采集与存储技术、大数据治理技术、大数据算法和模型、大数据计算分析技术,设计了铁路货车大数据平台的总体架构和技术架构,为铁路货车大数据平台的搭建提供设计依据。目前已在中国国家铁路集团有限公司开展了基于该设计方案的铁路货车大数据平台的搭建。     

基于大数据技术的铁路客户服务中心服务质量分析平台研究与设计

研究大数据技术在客户服务质量管理方面的应用实践，分析在客户服务质量管理领域大数据应用案例和技术解决方案，为铁路客户服务中心服务质量的数字化分析评估提出可行的技术路线和建设框架。应用主流大数据处理技术和数据分析处理算法，对铁路客户服务中心的客户服务过程数据进行基于数据仓库技术的整合，实现结构化数据、半结构化数据和非结构化数据的统一管理和调用分析。应用自然语音识别技术，验证转换算法，提出提升效率的机制，同时，结合典型的客户服务质量分析指标，通过业务分析模型、基础数据模型和分析算法进行设计开发，实现服务质量分析的数据化方案。平台框架、技术路线和原型平台的开发，能够为铁路客户服务中心的大数据应用提出可行的建设思路和解决方案，在实际应用中，提升客户服务质量管理能力，改善服务质量管理机制，降低铁路客户服务中心服务质量管理成本。     

轨道交通户外站台门与列车间隙背景灯带图像分割算法研究

轨道交通在发车前需要清空站台与列车间隙,否则异物入侵会对乘客与列车运行造成安全隐患,基于背景灯带的异物入侵检测需要对灯带在图像中进行图像分割、提取、识别。针对在户外站台场景下,复杂背景和日光等因素为背景灯带提取带来困难的问题,提出一种无监督的图像分割算法。首先通过卷积神经网络进行特征提取,然后将特征图输入到后续分类器中对所有像素进行类别输出。在训练过程中,使用的损失函数从三方面进行设计：考虑特征相似度和空间连续约束、基于深度支持向量描述以及基于几何与光度增强。算法能够实现单样本无监督对神经网络参数进行调优。通过对某城轨站台真实数据采集及实验结果表明,本文提出的方法在与训练样本不同光照条件、拍摄角度条件下,对背景灯带进行分割的F1分数为78.47%;在性能优于其他方法的同时,耗时最多能减少97.1%;算法为基于背景灯带的异物检测方案提供一种行之有效的图像分割方法,为后续的异物自动检测提供基础。     

计及少样本的YOLOv5s轨枕掉块小目标缺陷检测方法研究

轨枕作为固定钢轨和扣件的重要轨道零部件之一,由于长期承受钢轨传来的各种作用力,其端部易出现掉块,造成轨道机械结构稳定性下降,故轨枕掉块缺陷检测对保证列车正常运行起到重要作用。针对轨枕掉块缺陷检测方法存在精度较低和缺陷样本少的问题,提出一种计及少样本的YOLOv5s轨枕掉块小目标缺陷检测方法。首先,采用Copy-Pasting数据增强方法增加轨枕图像中掉块小目标数量,解决缺陷样本少的问题;其次,通过降低网络下采样倍数和删除大尺度检测层的方式改进YOLOv5s模型的多尺度检测层,提高轨枕掉块缺陷检测精度和速度;然后,将锚框之间的平均交并比作为距离量度改进K-means聚类算法,并使用遗传算法优化,重新匹配适合轨枕掉块缺陷检测的锚框;最后,使用跨尺度连接结构和双向特征加权融合模块改进YOLOv5s的特征融合结构,增强特征融合能力。实验结果表明,与原模型相比较,改进后的YOLOv5s模型平均精度达到94.1%,提高2.3%,检测速度达到93.3 fps,提高26.6 fps,能够准确且快速地识别轨枕掉块小目标缺陷。     

考虑峰值数据重平衡的地铁客流预测研究

地铁客流预测是城市轨道交通系统日常运营管理的基础,尤其是对突发大客流影响时的准确客流预测,能够有助于缓解城市地铁运营压力并降低安全风险。虽然目前的地铁客流预测方法在对日常客流预测准确性上有较好的表现,然而由于忽视了客流波动造成的客流峰值和谷值数据量不平衡,其对客流的峰值预测效果并不佳。为了进一步提高客流预测精度,考虑从峰值数据自身特征出发,通过聚类模型判断客流类别并验证不同客流类别间显著的不平衡问题,参照分类任务中类别不平衡问题的处理方式,通过欠采样、随机过采样和合成少数类过采样3种数据平衡方式,实现客流平衡处理。同时,采用支持向量回归、人工神经网络和长短时记忆神经网络3种预测模型,进行客流预测并对比不同数据平衡方式对模型性能的影响。研究结果表明：相比于未对训练集进行数据平衡处理,类别平衡在一定程度上提升了模型的预测精度;基于合成少数类过采样技术平衡数据的支持向量回归模型可以提供最佳的进站客流预测精度;基于随机过采样技术平衡数据的长短时记忆神经网络模型可以提供最佳的出站客流预测精度。研究结果可为客流波动较大情况下的城市轨道客流精准预测提供理论依据。