一种基于人工智能的轨道交通故障检测系统

1.本发明属于安全监测技术领域，具体的说是一种基于人工智能的轨道交通故障检测系统。

背景技术：

2.随着经济的不断发展，轨道交通的运营形式也越来越丰富，轨道交通也逐渐成为了人们出行的优先选择，由于轨道交通具有承载力较大的特点，轨道交通运营安全的监测也愈发重要。
3.中国专利cn201510230665.6公开了一种轨道交通中驱动板故障检测装置，包括计算机，计算机的输出端与plc工控板的输入端连接，plc工控板的输出端分别与第二继电器的输入端和第三继电器的输入端连接，第二继电器的输出端与第二开关电源的输入端连接，第二开关电源的输出端与接口板的输入端连接；第三继电器的输出端与脉冲触发主板的输入端连接；脉冲触发主板的输出端与接口板输入端连接；接口板输出端与霍尔电压电流传感器输入端连接，霍尔电压电流传感器输出端与usb数据采集卡输入端连接，usb数据采集卡输入端与计算机输入端连接，克服了现有的客车驱动板故障检修为人工判断，费时费力，工作效率低下的问题；
4.但是上述专利并没有考虑到，现有的轨道交通运行安全监测主要集中于对轨道列车行车状态、轨道变形等方面进行安全监测，很显然，现有的轨道交通运行安全监测还存在一定的弊端，一方面，现有的轨道交通运行安全监测的内容具有局限性，无法对轨道运行安全进行综合监测和分析，另一方面，现有的轨道交通运行安全监测无法有效的保障列车行驶的安全性和稳定性。
5.鉴于此，本发明通过提出了一种基于人工智能的轨道交通故障检测系统，以解决上述技术问题。

技术实现要素：

6.为了弥补现有技术的不足，解决无法对轨道故障进行智能监测分析，保证列车行驶安全性和稳定性的问题，本发明提出一种基于人工智能的轨道交通故障检测系统。
7.本发明解决其技术问题所采用的技术方案是：本发明所述一种基于人工智能的轨道交通故障检测系统，包括云端大数据中心、检测单元；
8.所述云端大数据中心包括分析单元、对比单元、处理单元和数据库，所述分析单元用于接收检测单元上传的数据并对数据进行分析、归类，所述对比单元为深度学习神经网络，所述对比单元对分析单元进行分析，并对归类后的数据进行处理与对比，给出检测结果，所述检测结果同步发送到处理单元，所述处理单元依据检测结果做出处理动作；
9.所述检测单元安装在轨道和/或车辆上，所述检测单元通过有线网络和/或5g网络与云端大数据中心交换数据；
10.所述检测单元包括位移传感器，所述位移传感器沿固定间距安装在轨道上，所述
位移传感器用于监测轨道上道钉的位置偏移量。
11.优选的，所述云端大数据中心还包括决策单元，所述对比单元中深度学习神经网络包括但不限于bp(back propagation)神经网络、rbf(radial basis function)神经网络、遗传算法神经网络中的任一种，所述对比单元中具有奇数个结构相同的并行深度学习神经网络，所述分析单元经过分析、归类得到的数据同时传递到对比单元中的多个深度学习神经网络中进行处理与对比，所述对比单元中多个深度学习神经网络得出的结果输出到决策单元中，所述决策单元采用多数服从少数原则对各个深度学习神经网络得出的结果进行综合，给出最终检测结果。
12.优选的，所述检测单元还包括检测无人机，所述检测结果表明存在异常，则处理单元向检测无人机发出检测命令，所述检测无人机依据规划好的路径，对轨道进行巡视和拍照，并将拍摄的照片和视频发送到云端大数据中心，所述云端大数据中心接收到的检测无人上传的照片和视频，先通过分析单元的分析、归类，再通过对比单元中的深度学习神经网络进行处理，得出轨道存在异常的处理优先级，所述处理单元依据处理优先级做出报警提醒。
13.优选的，所述轨道上设置有定位标记，所述检测无人机在有定位标记处进行拍摄，所述定位标记位于轨道上的道钉处，所述检测无人机将定位标记与道钉同时拍摄到照片或视频中。
14.优选的，所述检测无人机在拍摄照片或视频时，处于固定高度，所述检测无人机拍摄时将轨道的两条铁轨同时拍摄进入一张照片中，所述定位标记也存在与轨道内侧与道钉相对应的位置，所述检测无人机将轨道内侧的定位标记一同拍摄进入到存在两条铁轨的照片中。
15.优选的，所述检测单元还包括振动传感器一，所述振动传感器沿固定间距固定安装在轨道上，任意两个所述振动传感器之间的间距大于轨道上行驶的列车的长度，所述振动传感器在上传数据时将自身的位置数据同步上传到云端大数据中心。
16.优选的，所述轨道上行驶的列车的齿轮箱上安装有振动传感器二。
17.优选的，所述振动传感器二共有多组，所述振动传感器二以列车的齿轮箱中心为原点沿分别x轴、y轴、z轴的轴向方向等距分布，所述振动传感器二在各个轴向方向上的数量相同。
18.优选的，所述检测单元还包括光栅传感器，所述光栅传感器沿固定间距固定安装在轨道上，所述光栅传感器用于检测轨道在竖直方向上的弯曲变形数据，所述光栅传感器将检测到的弯曲变形数据上传到云端大数据中心。
19.优选的，所述光栅传感器和位移传感器通过mems技术整合成为具有检测位移和弯曲变形的mems传感器。
20.本发明的有益效果如下：
21.1.本发明所述一种基于人工智能的轨道交通故障检测系统，通过设置检测单元采集轨道和列车在运行时不同的数据，之后，通过网络将采集到的检测数据发送到分析单元中进行初步处理与归类，去除数据中无效或冗余的数据，以方便数据在后续的对比单元中被深度学习神经网络进行处理与对比，最终得出检测结果，最后通过处理单元对不同的检测结果进行处理，及时的在检测结果异常的情况下通知工作人员对轨道或列车进行检修处
basis function)神经网络、遗传算法神经网络中的任一种，所述对比单元中具有奇数个结构相同的并行深度学习神经网络，所述分析单元经过分析、归类得到的数据同时传递到对比单元中的多个深度学习神经网络中进行处理与对比，所述对比单元中多个深度学习神经网络得出的结果输出到决策单元中，所述决策单元采用多数服从少数原则对各个深度学习神经网络得出的结果进行综合，给出最终检测结果；
30.在工作过程中，对比单元中设置的并行深度学习神经网络的数量最少为3个，从而保证能够在采用多数服从少数原则下，以大多数的深度学习神经网络输出的结果作为最终的检测结果，从而提升对比单元的判断准确度，避免对比单元中只有一个深度学习神经网络且该深度学习神经网络受到干扰时，对比单元给出的错误的检测结果，影响到列车的行车安全；同时，对比单元中使用到的深度学习神经网络可以是bp神经网络、rbf神经网络、遗传算法神经网络中的任一种，也可以是其他的开源深度学习神经网络，以获得更准确的对比结果、更高的对比效率，从而提升对比单元的性能。
31.作为本发明的一种具体实施方式，所述检测单元还包括检测无人机，所述检测结果表明存在异常，则处理单元向检测无人机发出检测命令，所述检测无人机依据规划好的路径，对轨道进行巡视和拍照，并将拍摄的照片和视频发送到云端大数据中心，所述云端大数据中心接收到的检测无人上传的照片和视频，先通过分析单元的分析、归类，再通过对比单元中的深度学习神经网络进行处理，得出轨道存在异常的处理优先级，所述处理单元依据处理优先级做出报警提醒；
32.在工作过程中，当对比单元给出的检测结果异常时，处理单元就会向检测无人机发出检测命令，从而使检测无人机去对实地对轨道进行检测，为后续的检测判断提供更多的数据，同时，将轨道划分为不同的区段，在各区段中设置无人机站点，检测无人机不使用的时候停放在无人机站点中进行保护与充电，同时，对于各区段中的检测无人机中均记载有规划好的固定的飞行路径，且该飞行路径与无人机所在的区段中的轨道路径一致，从而便于检测无人机在接收到处理单元发送的检测命令后，能快速、准确的去往轨道处进行实地检测，同时，检测无人机通过自身携带的高清摄像头对轨道进行拍摄，将拍摄得到的照片和视频发送到云端大数据中心，在云端大数据中心的分析单元和对比单元中对拍摄得到的照片和视频进行分析与处理，判断轨道上的道钉是否存在明显的异常以及对比单元给出的检测结果是否正确，若道钉确实存在异常，则对比单元给出处理优先级，处理单元依据处理优先级来给出不同级别的报警提醒，从而方便工作人员以合适的先后顺序，对出现问题的道钉进行处理，避免处理不及时，产生安全隐患。
33.作为本发明的一种具体实施方式，所述轨道上设置有定位标记，所述检测无人机在有定位标记处进行拍摄，所述定位标记位于轨道上的道钉处，所述检测无人机将定位标记与道钉同时拍摄到照片或视频中；
34.在工作过程中，通过设置在轨道上的定位标记，使得分析单元和对比单元在分析拍摄的照片和视频时，能够以定位标记作为参考，从而通过规格固定且已知的定位标记对照片中的道钉位置进行分析，确定道钉相对轨道的准确位置，避免判断道钉的位置出现偏差，影响到对比单元给出的检测结果的正确性，同时，通过设置的定位标记，能够方便检测无人机通过自带的图像检测功能，对自身飞行轨迹进行定位，避免检测无人机在飞行过程中偏离规划好的轨迹，影响到检测无人机的正常工作。
35.作为本发明的一种具体实施方式，所述检测无人机在拍摄照片或视频时，处于固定高度，所述检测无人机拍摄时将轨道的两条铁轨同时拍摄进入一张照片中，所述定位标记也存在与轨道内侧与道钉相对应的位置，所述检测无人机将轨道内侧的定位标记一同拍摄进入到存在两条铁轨的照片中；
36.在工作过程中，通过使检测无人在固定高度进行拍摄，从而使无人机拍摄到的照片和视频中能够同时出现轨道的两条铁轨，之后，再通过设置在轨道内侧的并被检测无人机拍摄到照片和视频中的定位标记，使得云端大数据中心中的分析单元和对比单元能够依据检测无人机拍摄得到的照片和视频来对轨道的轨距、轨向等参数进行判断，确定轨道依旧处于正常状态，避免出现安全隐患，影响到列车的行车安全。
37.作为本发明的一种具体实施方式，所述检测单元还包括振动传感器一，所述振动传感器沿固定间距固定安装在轨道上，任意两个所述振动传感器之间的间距大于轨道上行驶的列车的长度，所述振动传感器在上传数据时将自身的位置数据同步上传到云端大数据中心；
38.在工作过程中，将轨道划分为不同的区段，且各区段的长度均大于列车的长度，并且在列车通过的时候，列车会引起轨道的振动，因此，通过振动传感器一采集并上传的数据，云端大数据中心的分析单元和对比单元得出不同区段内的轨道的振动数据，之后，对比单元将不同区段内的轨道的振动数据进行相互对比，得出偏差值，在偏差值处于正常区间内的情况下，对比单元可以判断轨道状态正常，无需进行额外的检测与维护，而在偏差值超出正常范围时，对比单元可以判断轨道状态异常，从而通过处理单元及时通知工作人员前去进行检查、维护，避免轨道出现更严重的问题，影响到列车的安全运行。
39.作为本发明的一种具体实施方式，所述轨道上行驶的列车的齿轮箱上安装有振动传感器二；
40.在工作过程中，通过在列车的齿轮箱上安装振动传感器二，从而采集列车在运行时的振动数据，同时，由于列车运行时的位置数据会随同振动传感器二采集的数据被同步上传到云端大数据中心，从而对比单元会将列车处在轨道上不同区段中的振动数据与该区段中轨道的振动数据进行对比分析，判断两者是否一致或偏差处于正常范围内，若两者不一致或偏差超出正常范围，则对比单元判断列车和/或轨道存在异常，通过处理单元通知工作人员前去检查与维护，保证轨道正常，列车通行安全，无安全隐患。
41.作为本发明的一种具体实施方式，所述振动传感器二共有多组，所述振动传感器二以列车的齿轮箱中心为原点沿分别x轴、y轴、z轴的轴向方向等距分布，所述振动传感器二在各个轴向方向上的数量相同；
42.在工作过程中，通过在列车的齿轮箱上设置多组沿x轴、y轴、z轴的轴向方向分布的振动传感器二，能够更精确的采集列车运行过程中齿轮箱的运行数据，通过采集更多的数据，提升对比单元分析、判断后得出检测结果的准确度，同时，通过在各轴向方向上设置多个传感器，能够避免振动传感器二出现损坏后，引起检测数据不准确的情况。
43.作为本发明的一种具体实施方式，所述检测单元还包括光栅传感器，所述光栅传感器沿固定间距固定安装在轨道上，所述光栅传感器用于检测轨道在竖直方向上的弯曲变形数据，所述光栅传感器将检测到的弯曲变形数据上传到云端大数据中心；
44.在工作过程中，在列车通过时，列车对轨道产生压力，导致轨道产生弯曲变形，通
过光栅传感器对轨道的弯曲变形数据进行检测，之后，在列车通过该处轨道后，光栅传感器再次检测轨道的弯曲变形数据，之后通过对比单元对前后两次检测得到的弯曲变形数据进行对比分析，判断轨道弯曲变形数据是否处于正常范围内，以及轨道弯曲变形后恢复能力是否符合标准，当轨道弯曲变形后不能完全恢复或者恢复后仍存在弯曲变形数据大于标准的要求，则通过处理单元提前通知工作人员对该处的轨道进行更换、维护，避免存在安全隐患，同时，在出现意外情况，如地震时，轨道发生弯曲变形，光栅传感器检测到数据后，将检测数据发送到云端大数据中心，通过分析单元和对比单元进行分析，判断轨道已经弯曲、损坏后，通过处理单元通知工作人员前去处理，从而无需工作人员沿轨道进行排查损坏地点，降低工作人员劳动强度，加快轨道损坏后修复速度。
45.作为本发明的一种具体实施方式，所述光栅传感器和位移传感器通过mems技术整合成为具有检测位移和弯曲变形的mems传感器；
46.在工作过程中，通过使用mems传感器，减少传感器安装工作量，提高工程效率，同时，通过mems传感器降低系统工作能耗，提升工作稳定性。
47.具体工作流程如下：
48.在工作过程中，通过有线网络或者5g网络将检测单元采集到的数据快速上传到云端大数据中心中，之后，通过分析单元对接收到的数据进行初步的处理，从而对数据进行分析与归类，去除接收到的检测数据中的无用、冗余数据，同时，在将分析单元初步处理后的数据送入到对比单元中之后，利用深度学习神经网络对数据进行分析与对比，构件检测数据模型，从而依据曾经记录下来的数据对检测数据进行预测，之后将预测得到的数据与检测数据进行对比，两者一致则判断检测结果正常、轨道无异常，而两者不一致时，则判断检测结果异常，轨道存在异常，之后，在对比单元得出检测结果之后，将检测结果发送到处理单元中，处理单元依据检测结果进行工作，在检测结果正常的情况下，处理单元仅将接收到的检测数据、检测结果以及检测时间数据保存到数据库中，不会进行其他动作，在检测结果异常时，处理单元在将接收到的检测数据、检测结果以及检测时间数据保存到数据库中的前提向，处理单元还会发出警报信号，对工作人员发出提醒，通知工作人员去轨道所在处进行实地检修；同时，通过安装在轨道上的位移传感器，在列车通过后，检测轨道上的道钉的位置偏移量，之后，将道钉的位置偏移量数据发送到云端大数据中心，通过云端大数据中心的分析单元和对比单元，将位置偏移量与标准数值之间进行分析、判断，得出道钉的位置是否依旧正常，当道钉的位置出现异常，即道钉松脱时，处理单元及时通知工作人员前去处理；
49.进一步的，对比单元中设置的并行深度学习神经网络的数量最少为3个，从而保证能够在采用多数服从少数原则下，以大多数的深度学习神经网络输出的结果作为最终的检测结果；
50.当对比单元给出的检测结果异常时，处理单元就会向检测无人机发出检测命令，从而使检测无人机去对实地对轨道进行检测，为后续的检测判断提供更多的数据，同时，将轨道划分为不同的区段，在各区段中设置无人机站点，检测无人机不使用的时候停放在无人机站点中进行保护与充电，同时，对于各区段中的检测无人机中均记载有规划好的固定的飞行路径，且该飞行路径与无人机所在的区段中的轨道路径一致，从而便于检测无人机在接收到处理单元发送的检测命令后，能快速、准确的去往轨道处进行实地检测，同时，检
测无人机通过自身携带的高清摄像头对轨道进行拍摄，将拍摄得到的照片和视频发送到云端大数据中心，在云端大数据中心的分析单元和对比单元中对拍摄得到的照片和视频进行分析与处理，判断轨道上的道钉是否存在明显的异常以及对比单元给出的检测结果是否正确，若道钉确实存在异常，则对比单元给出处理优先级，处理单元依据处理优先级来给出不同级别的报警提醒；
51.进一步的，通过设置在轨道上的定位标记，使得分析单元和对比单元在分析拍摄的照片和视频时，能够以定位标记作为参考，从而通过规格固定且已知的定位标记对照片中的道钉位置进行分析，确定道钉相对轨道的准确位置；
52.进一步的，通过使检测无人在固定高度进行拍摄，从而使无人机拍摄到的照片和视频中能够同时出现轨道的两条铁轨，之后，再通过设置在轨道内侧的并被检测无人机拍摄到照片和视频中的定位标记，使得云端大数据中心中的分析单元和对比单元能够依据检测无人机拍摄得到的照片和视频来对轨道的轨距、轨向等参数进行判断，确定轨道依旧处于正常状态；
53.将轨道划分为不同的区段，且各区段的长度均大于列车的长度，并且在列车通过的时候，列车会引起轨道的振动，因此，通过振动传感器一采集并上传的数据，云端大数据中心的分析单元和对比单元得出不同区段内的轨道的振动数据，之后，对比单元将不同区段内的轨道的振动数据进行相互对比，得出偏差值，在偏差值处于正常区间内的情况下，对比单元可以判断轨道状态正常，无需进行额外的检测与维护，而在偏差值超出正常范围时，对比单元可以判断轨道状态异常，从而通过处理单元及时通知工作人员前去进行检查、维护；
54.进一步的，通过在列车的齿轮箱上安装振动传感器二，从而采集列车在运行时的振动数据，同时，由于列车运行时的位置数据会随同振动传感器二采集的数据被同步上传到云端大数据中心，从而对比单元会将列车处在轨道上不同区段中的振动数据与该区段中轨道的振动数据进行对比分析，判断两者是否一致或偏差处于正常范围内，若两者不一致或偏差超出正常范围，则对比单元判断列车和/或轨道存在异常，通过处理单元通知工作人员前去检查与维护；
55.进一步的，通过在列车的齿轮箱上设置多组沿x轴、y轴、z轴的轴向方向分布的振动传感器二，能够更精确的采集列车运行过程中齿轮箱的运行数据，通过采集更多的数据，提升对比单元分析、判断后得出检测结果的准确度；
56.在列车通过时，列车对轨道产生压力，导致轨道产生弯曲变形，通过光栅传感器对轨道的弯曲变形数据进行检测，之后，在列车通过该处轨道后，光栅传感器再次检测轨道的弯曲变形数据，之后通过对比单元对前后两次检测得到的弯曲变形数据进行对比分析，判断轨道弯曲变形数据是否处于正常范围内，以及轨道弯曲变形后恢复能力是否符合标准，当轨道弯曲变形后不能完全恢复或者恢复后仍存在弯曲变形数据大于标准的要求，则通过处理单元提前通知工作人员对该处的轨道进行更换、维护，同时，在出现意外情况，如地震时，轨道发生弯曲变形，光栅传感器检测到数据后，将检测数据发送到云端大数据中心，通过分析单元和对比单元进行分析，判断轨道已经弯曲、损坏后，通过处理单元通知工作人员前去处理；
57.进一步的，通过使用mems传感器，减少传感器安装工作量，提高工程效率，同时，通
过mems传感器降低系统工作能耗，提升工作稳定性。
58.上述前、后、左、右、上、下均以说明书附图中的图1为基准，按照人物观察视角为标准，装置面对观察者的一面定义为前，观察者左侧定义为左，依次类推。
59.在本发明的描述中，需要理解的是，术语“中心”、“纵向”、“横向”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明保护范围的限制。
60.以上显示和描述了本发明的基本原理、主要特征和优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。

技术特征：

1.一种基于人工智能的轨道交通故障检测系统，其特征在于：包括云端大数据中心、检测单元；所述云端大数据中心包括分析单元、对比单元、处理单元和数据库，所述分析单元用于接收检测单元上传的数据并对数据进行分析、归类，所述对比单元为深度学习神经网络，所述对比单元对分析单元分析、归类的后的数据进行处理与对比，给出检测结果，所述检测结果同步发送到处理单元，所述处理单元依据检测结果做出处理动作；所述检测单元安装在轨道和/或车辆上，所述检测单元通过有线网络和/或5g网络与云端大数据中心交换数据；所述检测单元包括位移传感器，所述位移传感器沿固定间距安装在轨道上，所述位移传感器用于监测轨道上道钉的位置偏移量。2.根据权利要求1所述一种基于人工智能的轨道交通故障检测系统，其特征在于：所述云端大数据中心还包括决策单元，所述对比单元中深度学习神经网络包括但不限于bp(back propagation)神经网络、rbf(radial basis function)神经网络、遗传算法神经网络中的任一种，所述对比单元中具有奇数个结构相同的并行深度学习神经网络，所述分析单元经过分析、归类得到的数据同时传递到对比单元中的多个深度学习神经网络中进行处理与对比，所述对比单元中多个深度学习神经网络得出的结果输出到决策单元中，所述决策单元采用多数服从少数原则对各个深度学习神经网络得出的结果进行综合，给出最终检测结果。3.根据权利要求1所述一种基于人工智能的轨道交通故障检测系统，其特征在于：所述检测单元还包括检测无人机，所述检测结果表明存在异常，则处理单元向检测无人机发出检测命令，所述检测无人机依据规划好的路径，对轨道进行巡视和拍照，并将拍摄的照片和视频发送到云端大数据中心，所述云端大数据中心接收到的检测无人上传的照片和视频，先通过分析单元的分析、归类，再通过对比单元中的深度学习神经网络进行处理，得出轨道存在异常的处理优先级，所述处理单元依据处理优先级做出报警提醒。4.根据权利要求3所述一种基于人工智能的轨道交通故障检测系统，其特征在于：所述轨道上设置有定位标记，所述检测无人机在有定位标记处进行拍摄，所述定位标记位于轨道上的道钉处，所述检测无人机将定位标记与道钉同时拍摄到照片或视频中。5.根据权利要求4所述一种基于人工智能的轨道交通故障检测系统，其特征在于：所述检测无人机在拍摄照片或视频时，处于固定高度，所述检测无人机拍摄时将轨道的两条铁轨同时拍摄进入一张照片中，所述定位标记也存在与轨道内侧与道钉相对应的位置，所述检测无人机将轨道内侧的定位标记一同拍摄进入到存在两条铁轨的照片中。6.根据权利要求2所述一种基于人工智能的轨道交通故障检测系统，其特征在于：所述检测单元还包括振动传感器一，所述振动传感器沿固定间距固定安装在轨道上，任意两个所述振动传感器之间的间距大于轨道上行驶的列车的长度，所述振动传感器在上传数据时将自身的位置数据同步上传到云端大数据中心。7.根据权利要求6所述一种基于人工智能的轨道交通故障检测系统，其特征在于：所述轨道上行驶的列车的齿轮箱上安装有振动传感器二。8.根据权利要求7所述一种基于人工智能的轨道交通故障检测系统，其特征在于：所述振动传感器二共有多组，所述振动传感器二以列车的齿轮箱中心为原点沿分别x轴、y轴、z
轴的轴向方向等距分布，所述振动传感器二在各个轴向方向上的数量相同。9.根据权利要求1所述一种基于人工智能的轨道交通故障检测系统，其特征在于：所述检测单元还包括光栅传感器，所述光栅传感器沿固定间距固定安装在轨道上，所述光栅传感器用于检测轨道在竖直方向上的弯曲变形数据，所述光栅传感器将检测到的弯曲变形数据上传到云端大数据中心。10.根据权利要求9所述一种基于人工智能的轨道交通故障检测系统，其特征在于：所述光栅传感器和位移传感器通过mems技术整合成为具有检测位移和弯曲变形的mems传感器。

技术总结

本发明属于安全监测技术领域，具体的说是一种基于人工智能的轨道交通故障检测系统，包括云端大数据中心、检测单元；所述云端大数据中心包括分析单元、对比单元、处理单元和数据库，所述分析单元用于对检测数据进行分析、归类，所述对比单元对检测数据进行处理与对比，给出检测结果，所述处理单元依据检测结果做出处理动作；所述检测单元包括位移传感器，所述位移传感器沿固定间距安装在轨道上，所述位移传感器用于监测轨道上道钉的位置偏移量；本发明通过人工智能对检测单元采集到的数据进行处理与对比，及时得出轨道和列车的状态，并通过处理单元通知工作人员进行处理，提升列车行车的安全性和稳定性。车的安全性和稳定性。车的安全性和稳定性。