一种基于时间切片的探伤车里程AI计算方法及系统

本发明是一种基于时间切片的探伤车里程AI计算方法及系统，包括探伤车里程数据的采集、AI 训练与实时计算的方法及系统，具体涉及到里程数据采集、速度时间切片自动化划分、里程理想值计算、建立标定线标准数据训练集、AI训练器、速度差值表、智能实时里程计算中心和里程数据展示功能。

随着科学技术的发展，铁路探伤领域涌现出了越来越多的新技术，但是探伤车在行驶过程中的里程定位问题始终困扰着探伤领域。为了解决探伤采集的里程数据是精确的要求，我们对探伤车上采集的轨道数据进行了研究，发现影响探伤车里程计算的主要因素为探伤车的车轮在钢轨上行走时滚动摩擦力不同，导致速度不同时出现的频率不同的。考虑到钢轨的特殊性，假设滚动摩擦力和探伤车的重力是固定不变的，在固定的速度下探伤车检测里程的误差基本一致，不存在较大的波动，此时检测里程数据呈现线性规律的变化。因此设想通过在大数据标本下经过AI训练和学习，能否到有规律的偏差值，使里程检测更精确。

目前，探伤车上的里程仅仅通过速度传感器进行采集和计算，在探伤车通过信号机时由人工进行校正，重新设置速度传感器的初始值。此外没有做任何的二次优化，由于人与人之间的反应能力、动作协调能力和判断能力以及视角差别很大，导致输入的校正数据出现不稳定和不一致性。

因此有必要推出一种基于时间切片的探伤车里程AI计算方法及系统，来解决这些问题。

本发明要解决的技术问题是解决人工校对数据的不一致性、不准确的问题。提供一种在标准线路上建立训练数据集和数据训练模型，通过AI智能训练后，得到标准的里程误差表。在实际检测的过程中将采集的里程数据按照固定时间片进行切分，将时间片数据输入大数据训练结果集得到偏离值和权重，再通过数学模型：

S＝(V2-V1)*(T2-T1)*w+b(其中b为Bias偏离值，w为权重)

计算得到实际里程S，从而实现探伤车里程实时和精确计算功能。

本发明提供一种基于时间切片的探伤车里程AI计算方法及系统，由速度编码器模块、速度时间切片模块、里程计算器模块、标定线标准数据训练集模块、AI训练器模块、速度差值表模块、智能实时里程计算中心和里程数据展示模块组成；其中AI训练器包括数学模型、损失函数、BP神经网络计算模块。

所述速度编码器模块是指通过在探伤车车轮上安装速度编码器来采集车轮的速度，速度编码器是一种通过光电转换将输出轴上的机械几何位移量转换成脉冲或数字量的传感器通过采集车轮转过的圈数、探伤车轮轨的半径，将这些数据发送到速度时间切片模块，进行切片的划分。

所述速度时间切片模块是指对接收到的数据进行时间增量和速度增量的划分，划 分的时间间隔可通过系统参数进行动态调整；划分后的时间记录如下表所示：序号起始时间(t₁)结束时间(t₂)起始速度(V₁)切片速度(V₂)理想值分片时间10901102548+1000901102549+1000.0m/s0.5m/s0.251s20901102549+1000901102550+1000.5m/s1.0m/s0.751s30901102550+1000901102551+1001.0m/s1.5m/s1.251s

上表是按照1秒为周期进行时间切片的。

所述里程计算器模块是指依据传入的切片参数，根据s＝v*t＝(v2-v1)/2*(t2-t1)计算出当前切片的理想值s；并将切片数据和理想值传递给智能实时里程计算中心模块；

所述标定线标准数据训练集模块应用于从标准化线路上生成AI训练需要的数据集，进而生成标准化训练库；需要探伤车到标准的标定线上以不同速度、不同的时间间隔进行往复采集数据；虽然间隔越小越精确，但是考虑到系统的计算复杂度、时间和系统性能等各方面的因素，暂设间隔为5,秒选择，系统可以灵活设置。

[0010-01]探伤车采集的每一份数据都按照激光测距模式、电容测距模式、北斗测距模式进行多手段测距，将最小差值作为本次数据的标准值计入标定线标准数据训练集；在同一种速度下采集大量的数据，作为标定线标准数据训练集，这些数据是AI训练的基础数据。

[0010-02]激光脉冲测距：在标定线路的两端各安装一台激光脉冲测距仪，在列车行进的过程中，反射激光脉冲信号，实时记录下此刻的速度、里程信息，自动计算每一个时间切片下的速度、里程信息。

[0010-03]电容测距：在标定线下预埋下等间距的电容设备，在列车行进的过程中通过电容检测和接收装置，实时记下实时的电容信号，速度一定的情况下两个电容间的距离固定，从而反推出速度的情况。

[0010-04]北斗测距：是借助北斗卫星接收装置通过经纬度的改变而记下探伤车的行进过程。在记录的过程中产生一个个的时间切片，每一个时间切片数据都有对应的经纬度坐标对集合组成，通过对坐标对集合的计算，很容易计算出速度、里程信息。

所述的AI训练器模块用于对大规模的训练集数据进行训练，每一种状态下到系统的最优解，包括数学模型建立、损失函数的选择、以及BP神经网络计算功能；

[0011-1]数学模型的建立：在基本的速度v,时间t和里程s中我们加入偏离值b和权重w，模型如下：

s＝(v2-v1)/2*(t2-t1)*w+b(其中b为偏离值，w为权重)

[0011-2]损失函数：本发明中采用最小二乘法作为系统的损失函数。根据样本数据，采用最小二乘法计算式可以得到简单线性回归模型参数的估计量。最小二乘法具有线性、无偏性和最小方差性，在误差估计、不确定度、系统辨识及预测、预报等数据处理诸多学科领域得到广泛应用的数学工具，适合于本发明系统的距离误差预估。最小二乘法的公式如下：

目标函数＝∑(观测值-理论值)2

观测值就是我们的多组样本，理论值就是我们的假设拟合函数。目标函数也就是损失函数，我们的目标是得到使目标函数最小化时的拟合函数的模型。

[0011-3]BP神经网络:BP(Back Propagation)网络的训练，由数据信息的正向传播和误差 Error的反向传播两个过程组成。反向传播算法是神经网络算法的核心。

正向传播过程：输入层通过接收输入数据，传递给中间层(各隐藏层)神经元，每一个神经元进行数据处理变换，然后通过最后一个隐藏层传递到输出层对外输出。

反向传播过程：正向传播后通过真实值和输出值得到误差Error，当Error大于设定值，既实际输出与期望输出差别过大时，进入误差反向传播阶段：Error通过输出层，按照误差梯度下降的方式，反向修正各层参数(如w、b)，向隐藏层、输入层逐层反转。

通过不断的正向、反向传播，直到输出的误差减少到预定值，或到达最大训练次数时的解是目前样本的最优解。

所述的速度差值标模块是将某个速度下的最优解，偏离值、权重、速度和时间记录 下来形成速度差值表，如下表所示：序号开始速度结束速度偏离值(b)权重(w)间隔(s)10m/s0.5m/s0.011.051s20.5m/s1.0m/s0.0111.021s31.0m/s1.5m/s0.0121.01s

在实际的计算过程中，如果在速度差值表中到对应的(v1,v2,b,w,s)记录，则直接按照模型计算里程，如果不到对应集合则按照理想公式计算里程。

所述智能实时里程计算中心模块用于在；动态的接收探伤车实时采集的数据，并从 AI训练结果集中查对应的记录，到记录则按照s＝(v2-v1)*(t2-t1)*w+b数学公式计算出每一个时间片的目标里程，并将目标里程记录下来，输出给界面进行展示。不到记录则按照s＝(v2-v1)/2*(t2-t1)计算里程。

所述界面展示模块用于将实时采集的里程数据和标准数据通过自动智能计算后的数据传递给探伤系统，实现两个系统之间的数据通信功能；

所述动态显示模块用于将当前时间切片的测量里程、修正后的实际里程数据和探伤车本次任务检测过的总里程，将这些里程以动态曲线的形式展示出来。并将当前位置的实际里程值写入探伤系统，实现精确定位。

图1为本发明一种基于时间切片的探伤车里程AI计算方法及系统的示意图。

图2为本发明一种基于时间切片的探伤车里程AI计算方法及系统的流程图。

图3为本发明一种基于时间切片的探伤车里程AI计算系统的一实施例示意图。

下面结合说明书附图1和附图2，对本发明做进一步说明。

如图1是一种基于时间切片的探伤车里程AI计算方法及系统的功能示意图，包括探伤车速度编码器模块、速度时间切片模块、里程计算器模块、数据标定线训练集模块、AI训练器模块、速度差值表模块、智能实时里程计算中心和里程数据展示模块组成；其中AI训练器包括数学模型建立、选择损失函数、通过BP神经网络训练计算模块。每个模块下都有自己内部功能划分；下面会结合图2系统流程图详细描述一下各个部分的组成和功能特点。

所述探伤车里程数据采集模块需要在探伤车的车底安装里程编码器零部件，编码器是一种光电传感器，主要是用来检测探伤车运动的速度、距离和计数。测速编码器与探伤车的轮轴相联,在轴旋转的时候,测速编码器就会输出固定频率的脉冲,PLC或计数器收到脉冲, 轮轴的转速不同,在单位时间内收到的脉冲总量是不一样的,根据脉冲量与轮子转的长度就可以算出真实的速度米/秒。

所述速度时间切片模块是根据系统的设定按照一定的时间间隔动态的将该时间周期内的值存储下来，形成(v1，t1,v2,t2)数据集合，并发送到里程计算模块对该时间段内的里程进行计算。里程的精度可以通过减小切片的划分周期进行动态调整。

本发明中所述里程计算器模块主要是计算每一个切片的里程的理想值。当在AI训练后不到对应的偏离值和权重后使用该值作为实际里程值。

本发明中所述的数据标定线训练集模块的作业是建立起该探伤车的标准大数据训练集。需要探伤车在标准标定线路上不停的进行数据采集，形成[0,80]km/h速度区间内的一个个时间切片，切片的数据量越大，通过AI训练出来的结果越接近实际值。

本发明中所述的AI训练器模块的作用是建立模型、选择损失函数、进行训练、生成速度差值表。

本发明中所述速度差值表模块是AI训练模块的结果集，多次训练结果之间可以进行对比分析，方便验证AI训练集的正确性。在实时运行的过程中供智能实时里程计算中心模块查询数据使用；

本发明中所述智能实时里程计算中心负责探伤车在检测过程中实时对切片数据进行高效计算、处理计算过程中可能出现的各种问题、将计算的结果推送给里程展示模块。

本发明中所述里程数据展示模块是系统的用户界面，为用户展示实时数据和提供全局配置界面以及AI训练的功能。

如图2所示，以下会对一种基于时间切片的探伤车里程AI计算方法及系统的流程进行进一步的说明；

首先，一种基于时间切片的探伤车里程AI计算方法及系统需要安装基于光电技术的速度编码器，确保编码器的正常运行。

其次，一种基于时间切片的探伤车里程AI计算方法及系统需要到标准标定线上采集数据，建立AI训练数据集，并验证数据集、训练函数模型、损失函数的正确性，并生成训练结果集：速度差值表。

第三，一种基于时间切片的探伤车里程AI计算方法及系统在采集数据的过程中可以按照自定义的时间片对里程进行划分，时间片越短，里程数据越精确。

最后，一种基于时间切片的探伤车里程AI计算方法及系统在实际的检测过程中，智能里程计算中心从速度时间切片模块获取当前的切片信息，从AI数据训练模块中获取速度差值表的数据，按照数学模型计算出当前的里程值。当在速度差值表中不到训练过的记录时，则将理想数据作为实际里程。

本发明一种基于时间切片的探伤车里程AI计算方法及系统具有以下优点：

(1)采用时间片切片方式进行分段式计算里程，且切片的时间间隔可以动态调整，使里程无线接近于实际值。

(2)采用在标准线路上采集训练数据集并进行人工矫正，在此基础上选择可以调节权重和偏离值的数学模型，以最小二乘法作为损失函数，通过对标准训练集的多次训练学习，得出每一组(v，t)数据下的最优权值和偏离值，并生成对应的速度差指表。此AI训练模型全程自动化无需人工干预。AI智能的应用使里程计算更准确。

(3)本发明的数学模型将滚动摩擦力带来的阻力、摩擦系统等影响因素，统一用变量 w表示，称为权重，将非常复杂的数学运算降为时间t，速度v和权重w以及偏离值b，四者之间的线性关系，降低了计算的难度。