用于监视铁路轨道设备的道岔的方法
阅读说明：本技术 用于监视铁路轨道设备的道岔的方法 (Method for monitoring a switch of a railway track system ) 是由 K.沃姆 于 2020-01-27 设计创作，主要内容包括：除了别的之外,本发明涉及一种用于确定针对铁路轨道设备的道岔(W)的分类模型(KM,KM’)的装置,该分类模型能够根据在道岔回转期间所测量的测量值来确定道岔(W)的故障。根据本发明规定,针对多个道岔回转分别确定参考回转数据组,该参考回转数据组分别涉及在相应的道岔回转期间所测量的至少两个物理测量参量,并且基于该多个参考回转数据组确定分类模型(KM,KM’)。(The invention relates to a device for determining a classification model (KM, KM') for a switch (W) of a railway track system, which allows the determination of a fault of the switch (W) from measured values measured during a switch revolution. According to the invention, reference revolution data sets are determined for a plurality of switch revolutions, each reference revolution data set relating to at least two physical measured variables measured during a respective switch revolution, and a classification model (KM, KM') is determined on the basis of the plurality of reference revolution data sets.)
技术领域
本发明涉及一种方法和一种装置，所述方法和所述装置能够实现对铁路轨道设备的道岔的特别可靠的监视，或者为其提供了基础，特别是以分类模型的形式。
背景技术
从韩国专利文献KR101823067 B1中已知一种用于监视铁路轨道设备的道岔的方法。在先前已知的方法中，对于被视为可运转的或者被视为无故障的道岔，采集道岔的道岔驱动的电流消耗，并存储对应的参考值。如果在后续的道岔运行中确定当前的测量值与参考测量值不相关，则产生对应的故障信号，该故障信号指示了道岔的故障。
文件US 2018 0154 913 A1描述了一种计算机实现的方法，用于通知用户在铁路轨道基础设施中的机电系统中存在故障。该方法包括接收电气使用数据(该电气使用数据说明了电气使用参数的值，该值与机电系统相关联)以及接收温度数据，该温度数据示出了机电系统的当前温度。此外，基于电气利用参数与温度之间的预定关系，确定电气利用参数的值是否指示了机电系统中的故障。如果是该情况，则会发出警告，以指示故障的存在。
发明内容
除了别的之外，本发明要解决的技术问题是，提供一种用于确定分类模型的方法，该分类模型使得能够特别可靠地监视铁路轨道设备的道岔。
为了解决该技术问题，根据本发明，提供了一种具有根据权利要求1的特征的方法。该方法的有利的设计方案在从属权利要求中说明。
然后，根据本发明规定，针对多个道岔回转分别确定参考回转数据组，该参考回转数据组分别涉及在相应的道岔回转期间所测量的至少两个物理测量参量，并且基于该多个参考回转数据组确定分类模型。
根据本发明的方法的主要优点在于，与先前已知的方法不同地，道岔监视不是根据单个物理测量参量(在那里是电流)进行，而是基于至少两个或更多的测量参量进行，由此形成了扩展的分类模型，并且能够实现特别可靠的故障识别。
被视为有利的是，考虑或仅基于其相关联的道岔回转被视为是无故障的那些参考回转数据组来确定分类模型。
优选地，对于道岔的每个道岔回转，创建与预先给定的向量空间相关联的至少二维的特征向量作为参考回转数据组，该特征向量的至少两个向量分量涉及在道岔回转期间所测量的至少两个物理测量参量。
优选地，利用特征向量来定义向量空间内的空间部段，该空间部段形成分类模型，并且能够为了形成故障信号进行以下检查：在分类模型完成后，针对后续的道岔回转所生成的特征向量是否超出预先给定的程度地位于该空间部段之外。
有利的是，分类模型至少还基于参考回转数据组来确定，这些参考回转数据组涉及道岔的初始安装之后的预先给定的数量的道岔回转或涉及道岔的初始安装之后的预先给定的时间间隔。即，这些在初始安装之后创建的参考回转数据组以占优的概率定义了可运转的道岔，并且形成针对可运转的道岔的正例。
替换地或附加地，可以以有利的方式规定，分类模型至少还基于参考回转数据组来确定，这些参考回转数据组涉及道岔的维护之后的预先给定的数量的道岔回转或涉及道岔的维护之后的预先给定的时间间隔。即，这些在维护之后创建的参考回转数据组以占优的概率定义了可运转的道岔，并且形成针对可运转的道岔的正例。
替换地或附加地，可以以有利的方式规定，分类模型至少还基于参考回转数据组来确定，这些参考回转数据组涉及道岔的维修之后的预先给定的数量的道岔回转或涉及道岔的维修之后的预先给定的时间间隔。即，这些在维修之后创建的参考回转数据组以占优的概率定义了可运转的道岔，并且形成针对可运转的道岔的正例。
有利的是，第一分类模型基于参考回转数据组来确定，这些参考回转数据组涉及道岔的初始安装之后的预先给定的数量的道岔回转或涉及道岔的初始安装之后的预先给定的时间间隔。随后，可以以有利的方式基于参考回转数据组来修改第一分类模型以形成第二分类模型，该参考回转数据组涉及道岔的首次维护或首次维修之后的预先给定的数量的道岔回转或涉及道岔的首次维护或首次维修之后的预先给定的时间间隔。
特别有利的是，在每次维修或维护之后，基于参考回转数据组来修改现有的分类模型以形成更新的分类模型，该参考回转数据组涉及道岔的相应维护或维修之后的预先给定的数量的道岔回转或涉及道岔的相应维护或维修之后的预先给定的时间间隔。
优选地，参考回转数据组分别将道岔的回转持续时间至少也指定为所测量的物理测量参量中的一个。道岔的回转持续时间是用于识别故障的特别合适的测量参量。
特别优选地，考虑或基于一类支持向量机方法(One-Class-Support-Vector-Machine-Verfahren)来确定分类模型。
在形成第二和/或更新的分类模型时，可以以有利的方式针对如下参考回转数据组生成警告信号，该参考回转数据组位于由各个先前的分类模型定义为允许的道岔状态的道岔状态范围之外。在存在警告信号时，可以进行对测量的检查和/或对道岔功能的检查。
此外，本发明涉及一种用于确定铁路轨道设备内的道岔中的故障的方法。关于这种方法，根据本发明规定，在道岔的道岔回转期间或完成之后创建回转数据组，该回转数据组涉及在道岔回转期间所测量的至少两个物理测量参量；将回转数据组与分类模型进行比较，该分类模型已经根据如以上所描述的方法针对相同的至少两个测量参量而确定；并且在回转数据组位于由分类模型定义为允许的道岔状态的道岔状态范围之外的情况下，生成指示道岔的故障行为的故障信号。因此，最后提到的根据本发明的方法基于使用基于至少两个物理测量参量的分类模型，并且因此能够特别可靠地执行；对此，参考以上结合用于确定分类模型的方法的实施方案，这些实施方案在此对应地适用。
此外，本发明涉及一种用于确定针对铁路轨道设备的道岔的分类模型的装置，该分类模型能够实现对道岔的故障的确定。关于这种装置，根据本发明规定，该装置为此被构建为基于多个参考回转数据组确定分类模型，这些参考回转数据组分别涉及在相应的道岔回转期间所测量的至少两个物理测量参量。关于根据本发明的装置的优点，参考以上结合根据本发明的用于确定分类模型的方法的实施方案，因为这些实施方案在此对应地适用。
此外，本发明涉及一种用于确定铁路轨道设备的道岔的故障的装置。对此，根据本发明规定，装置为此被构建为，在道岔的道岔回转期间或完成之后创建回转数据组，该回转数据组涉及在道岔回转期间所测量的至少两个物理测量参量；回转数据组与分类模型进行比较，该分类模型已经基于多个参考回转数据组而确定；并且在回转数据组位于由分类模型定义为允许的道岔状态的道岔状态范围之外的情况下，生成指示道岔的故障行为的故障信号。关于最后提到的根据本发明的装置的优点，参考以上结合根据本发明的用于确定铁路轨道设备的道岔中的故障的方法的实施方案，其在此对应地适用。
有利的是，所述装置具有计算装置和存储器，在该存储器中存储有计算机程序产品，该计算机程序产品在由计算装置执行时使该计算装置执行以上所描述的方法中的一种或全部。
此外，本发明涉及一种计算机程序产品，在由计算装置执行时，该计算机程序产品使该计算装置执行以上所描述的方法中的一种或全部。
附图说明
下面根据实施例更详细地阐述本发明；在此示例性地：
图1根据流程图示出了针对根据本发明的方法的第一实施例，
图2根据流程图示出了针对根据本发明的方法的第二实施例，
图3根据框图示出了针对根据本发明的用于确定分类模型的装置的实施例，
图4根据框图示出了针对用于确定分类模型的装置的第二实施例，
图5根据流程图示出了针对根据本发明的用于监视铁路轨道设备的道岔的方法的实施例，
图6根据框图示出了针对用于确定铁路轨道设备的道岔的故障的装置的第一实施例，以及
图7根据框图示出了针对用于确定铁路轨道设备的道岔的故障的装置的第二实施例。
为清楚起见，在附图中对于相同或类似的组件始终使用相同的附图标记。
具体实施方式
图1根据流程图示出了针对用于确定分类模型KM的方法的实施例，该方法使得可以根据在道岔回转期间所测量的测量值来确定铁路轨道设备的道岔W的故障。
在方法步骤110的范围内，监视是否存在用于启动方法或用于启动分类模型KM的确定的启动信号S。如果是这种情况，则开始用于采集参考回转数据组的后续采集过程120。
在采集过程120的范围内，首先开始用于识别和监视相应下一个道岔回转的监视步骤121。如果在方法步骤121中识别出新的道岔回转的开始，则在随后的方法步骤122中，对于相应的道岔回转分别以测量技术的方式采集至少两个物理测量参量。物理测量参量例如可以是相应道岔W的电气驱动电机的电流消耗或最大电流或道岔W的道岔回转时间。替换地或附加地，还可以考虑另外的物理测量参量，例如道岔W的最大电气功率消耗和/或道岔W驱动电机处的电流与电压之间的可能的相位偏移。
在随后的方法步骤123中，针对相应的道岔回转分别确定参考回转数据组，该参考回转数据组涉及至少两个物理测量参量。下面示例性地假设，二维或多维的特征向量被创建为参考回转数据组，该特征向量的向量分量涉及相应的道岔回转期间所测量的物理测量参量。
图1中，在方法步骤123中形成的特征向量利用附图标记Mi来表示，其中下标i表示启动信号S存在之后的第i个道岔回转。因此，特征向量M1将表示启动信号S存在之后的第一个特征向量，特征向量Mn将表示启动信号S存在之后的第n个特征向量。
例如，如果测量两个物理测量参量、例如电流消耗和道岔回转时间，则在输入启动信号S之后的第i个道岔回转时的特征向量将是二维向量，该二维向量例如如下表示：
Mi＝(I,T)
其中，I表示第i个道岔回转期间的电流，并且T表示第i个道岔回转期间的回转持续时间。
在随后的方法步骤124中，检查在输入启动信号S之后是否已经采集了足够多的道岔回转或者是否已经达到了预先给定的最小数量的回转。例如，在方法步骤124中，可以检查是否已经采集了数量n＝10的道岔回转。如果是这种情况，则在方法步骤124中输出测量到的特征向量M1、...、M10。如果还没有达到数量n＝10的道岔回转，则以方法步骤121继续对道岔回转的监视，直至已经达到了预先给定的数量的道岔回转。
代替预先给定的数量的道岔回转，也可以在方法步骤124中检查，在输入启动信号S之后预先给定的时间间隔T是否已经过去。如果是这种情况，则以方法步骤130继续，否则，则以方法步骤121继续分别对下一个特征向量进行记录。
在完成采集过程120之后，在随后的方法步骤130中基于所生成的特征向量M1、...、Mn生成分类模型KM。考虑或基于一类支持向量机方法(One-Class-Support-Vektor-Machine-Verfahren)来确定分类模型KM被视为特别有利。对此，在此参考已知文献，其中详细描述了基于一类支持向量机方法生成分类模型，例如：
-“用于新颖性检测的支持向量方法(Support Vector Method for NoveltyDetection)”，BernhardRobert Williamson、Alex Smola、John Shawe-Taylor、John Platt，神经信息处理系统进展12(Advances in Neural InformationProcessing Systems 12)，2000年6月，第582-588页，麻省理工学院出版社，以及
-“估计高维分布的支持度(Estimating the Support of a High-DimensionalDistribution)”，BernhardJohn C.Platt、John C.Shawe-Taylor、AlexJ.Smola、Robert C.Williamson，神经计算档案(Neural Computation archive)，第13卷第7期，2001年7月，第1443-1471页，麻省理工学院出版社，美国马萨诸塞州剑桥。
总之，根据图1的方法中的分类模型KM是基于特征向量或参考回转数据组创建的，这些特征向量或参考回转数据组涉及存在启动信号S之后的预先给定的数量的道岔回转，或者涉及在启动信号S出现之后的预先给定的时间间隔内进行的道岔回转。
如果在重新安装道岔W之后或在维护或维修道岔W之后生成启动信号S，则可以以占优的概率来假设，特征向量M或对应的参考回转数据组表征可运转的或无故障的道岔W，并且由此可以形成分类模型，该分类模型针对无故障的道岔回转的识别进行“训练”。因此，训练在根据图1的方法中仅基于涉及无故障的道岔回转的正例来进行；针对有故障的道岔的反例不是传授或训练分类模型KM所必需的。
在根据图1的实施例中，基于一类支持向量机方法生成分类模型KM；替换地，当然可以使用另外的方法，借助这些方法可以仅根据正例、即仅根据被视为“无故障”的参考回转数据组来创建分类模型KM。在这方面，例如可以提及在以下文献引用中所描述的方法：
-“新颖性检测综述(A Review of Novelty Detection)”，Marco A.F.Pimentel、David A.Clifton、Lei Clifton、Lionel Tarassenko，信号处理(Signal Processing)，第99卷，2014年6月，第215-249页，爱思唯尔(Elsevier)，
-“一类分类的近期趋势调查(A Survey of Recent Trends in One ClassClassification)”，Shehroz S.Khan、Michael G.Madden，人工智能和认知科学(Artificial Intelligence and Cognitive Science)，第188-197页，2009年，斯普林格(Springer)，以及
-“新颖检测方法综述(Review of Novelty Detection Methods)”，DubravkoMiljkovic，第33届MIPRO国际会议，2010年5月，IEEE。
图2示出了一种用于确定分类模型KM'的方法，该分类模型基于已经存在的分类模型KM通过更新或修改现有的分类模型KM来创建：
在存在启动信号S并且随后在采集过程120中采集参考回转数据组之后(对此，参见结合图1的实施方案)，已经存在的分类模型KM基于新生成的特征向量M1、…、Mn在修改方法131中被修改。通过将新生成的特征向量M1、…、Mn整合到现有分类模型KM中，这种修改特别容易实现，由此生成了修改后的或新的分类模型KM'。
还可以将为了形成现有的分类模型KM而考虑了的特征向量与新生成的特征向量M1、…、Mn一起考虑，以形成修改后的或新的分类模型KM'。
在其他方面，以上结合图1的实施方案对应地适用于根据图2的方法。
图3示出了针对用于确定分类模型KM的装置200的实施例。装置200包括计算装置210和存储器220。
在存储器220中存储计算机程序产品CPP，其包含控制程序模块SPM、软件模块SM120和用于生成分类模型KM的软件模块SM130。软件模块SM120和SM130由控制程序模块SPM控制。
一旦控制程序模块SPM接收到对应的启动信号S，软件模块SM120就执行上面结合图1和图2所阐述的采集过程120，即用于生成参考回转数据组或特征向量M的方法步骤121至124。
软件模块SM130(以由控制程序模块SPM控制的方式)利用软件模块SM120的参考回转数据组或对应的特征向量M，根据方法步骤130形成分类模型KM，如上面已经结合图1和图2所阐述的。
图4示出了针对装置300的实施例，其不仅适用于生成分类模型KM，而且还适用于修改已经存在的分类模型KM并生成修改后的分类模型KM'。为此目的，装置300具有附加的软件模块SM131，其能够基于先前已经生成的分类模型KM以及基于新创建的特征向量M来形成更新的或修改后的分类模型KM'，如上面已经结合根据图2的实施例或对应的修改方法131所阐述的。
图5根据流程图示出了针对用于确定铁路轨道设备的道岔W的故障的方法的实施例。在方法步骤140的范围内，监视道岔W的每个道岔回转并且优选地以特征向量M的形式，生成对应的回转数据组。在分析步骤150中，检查相应的回转数据组是否根据预先给定的分类模型KM表征无故障的道岔回转。如果确定回转数据组位于由分类模型KM定义为允许的道岔状态的道岔状态范围之外，则生成故障信号SF。
分类模型KM例如可以已经在根据图1的方法的范围内或者在根据图2的方法的范围内生成。
图6示出了针对用于确定铁路轨道设备的道岔W的故障的装置400的实施例。装置400包括计算装置210和存储器220。在存储器220中存储计算机程序产品CPP，其具有控制程序模块SPM、软件模块SM140、软件模块SM150和分类模型KM。
如果控制程序模块SPM确定发生了新的道岔回转，则由软件模块SM140生成回转数据组或特征向量M，该回转数据组或特征向量根据至少两个物理测量参量表征相应的道岔回转。
随后，由软件模块SM150检查所采集的回转数据组或特征向量M是否位于由分类模型KM定义为附加道岔状态的道岔状态范围之外。如果是这种情况，则生成故障信号SF。
软件模块SM140优选地执行如其结合图5已经阐述的方法步骤140。软件模块SM150优选地执行如其结合图5已经阐述的分析步骤150。
图7示出了针对用于确定铁路轨道设备的道岔W的故障的装置500的另外的实施例。在根据图7的装置中，除了软件模块SM140和SM150之外，还存在软件模块SM120、SM130和SM131，其适用于生成分类模型KM以及适用于修改或更新现有的分类模型KM以形成更新的分类模型KM'。关于软件模块SM120、SM130和SM131，参考上面结合图3和图4的实施方案，其在此对应地适用。
在根据图7的实施例中，装置500因此不仅可以根据回转数据组或新测量的特征向量识别故障并且在必要时生成故障信号SF，而且此外还可以生成分类模型KM或形成修改后的分类模型KM'。
控制程序模块SPM优选地被设计为，只要先前还没有形成分类模型KM，就在存在启动信号S的情况下，分别借助软件模块SM120和SM130触发分类模型KM的形成。优选地，在道岔W的首次投入使用之后重新生成分类模型是必要的。
如果先前生成的分类模型KM已经存在，则在施加启动信号S时，控制程序模块SPM、优选地软件模块SM131被激活，以便更新现有的分类模型KM以形成更新的分类模型KM'。优选地分别在每次维护或维修之后进行对各个存在的分类模型的更新。
优选地，第一分类模型的形成以及更新的分类模型的形成分别基于在输入启动信号S之后的预先给定的数量的道岔回转或在输入启动信号S之后的预先给定的时间间隔内进行。优选地，在重新安装道岔W之后以及在维护和/或维修道岔W之后生成启动信号S，并将其输入到控制程序模块SPM中。
尽管已经在细节上通过优选的实施例详细说明和描述了本发明，但是本发明不限于所公开的示例，并且本领域技术人员可以从其中推导出其他的变型方案，而不脱离本发明的保护范围。
附图标记列表
110 方法步骤
120 采集过程
121 监视步骤
122 方法步骤
123 方法步骤
124 方法步骤
130 方法步骤
131 修改方法
140 方法步骤
150 分析步骤
200 装置
210 计算装置
220 存储器
300 装置
400 装置
500 装置
CPP 计算机程序产品
KM 分类模型
KM' 分类模型
M1 特征向量
M 特征向量
Mi 特征向量
Mn 特征向量
S 启动信号
SF 故障信号
SM120 软件模块
SM130 软件模块
SM131 软件模块
SM140 软件模块
SM150 软件模块
SPM 控制程序模块
W 道岔
- 上一篇：一种医用注射器针头装配设备
- 下一篇：变压器绝缘特性测试装置