一种基于人工智能的跨坐式单轨道岔监测及其维护系统的制作方法

1.本发明涉及跨座式单轨交通技术领域，特别是涉及一种基于人工智能的跨坐式单轨道岔监测及其维护系统。


背景技术：

2.跨座式单轨交通系统的三大关键技术包括车辆技术、轨道梁技术、道岔技术，其中，跨座式单轨道岔是实现列车安全平稳转线运行的系统设备，道岔的转撤、锁定、线形和承载能力都必须满足列车安全运行的要求。因此对道岔运行进行实时监控，并加强道岔的维护保障能力是确保交通线路安全运营的关键技术。
3.在现有的道岔监控技术中，有的道岔监测系统利用专家系统分析与诊断道岔故障，其主要包括知识库、数据库与推理机，知识库是专家领域知识的集合，推理机则利用知识库中的推理规则与信息判断道岔是否存在故障，其知识和经验并不全面，且不具有针对性，遇到模糊问题则无能为力。
4.现有技术中国专利cn113094525中公开了一种单轨道岔故障的在线诊断方法，并说明了该在线诊断方法涉及到的装置、设备及可读存储介质。在该技术中，故障诊断方式是将采集数据(包括驱动电机、锁定电机的温度、转速与振幅；道岔梁的振幅和频率等)与预设参考范围进行对比，若超出预设参考范围，则上报异常参数。该诊断方法能够针对性地发现异常的变量，但是，无法准确诊断出故障的具体类型及故障发生的具体位置。例如，道岔驱动电机的转子不平衡、转子不对中、轴承间隙过大或者滚动轴承润滑性能差等故障都会导致电机的不稳定振动和振幅过大；电机电源电压过高、三相电源不平衡、电机过载运行或者拖动的机械负载工作不正常都会导致电机温度过热，从而产生道岔设备的运行故障。因此，需要一种能够精确诊断故障类型及具体故障位置，并能不断丰富知识库内容，解决知识更新问题，从而提高道岔故障检测的准确性、及时性的单轨道岔设备智能监测及维护系统。


技术实现要素：

5.针对上述现有技术的缺陷或改进需求，本发明提供了一种基于人工智能的跨坐式单轨道岔监测及其维护系统，面对不同安装地点和环境的道岔，通过其自学习能力建立适应单组道岔的个性化智能监测及维护系统。既利用所述人工智能模块诊断道岔机械构件故障与通车区间异常物体干扰迹象，并通过运营控制人员与维保人员对报警信息的集中判别和反馈工作，不断丰富人工智能模块的知识库内容，解决知识更新的问题，从而提高道岔故障检测的准确性、及时性。
6.为了解决上述技术问题，本发明采用了如下的技术方案：
7.一种基于人工智能的跨坐式单轨道岔监测及其维护系统，包括数据采集交换模块、运营控制显示终端、维保监测显示终端、人工智能模块和移动通讯设备；所述数据采集交换模块、运营控制显示终端、维保监测显示终端、人工智能模块和移动通讯设备之间通过无线网络或有线网络实现通讯连接；
8.所述运营控制显示终端和维保监测显示终端均为人机界面；
9.所述运营控制显示终端显示道岔综合数据，运营控制人员通过人机界面实时监控道岔，控制各个道岔的转撤；
10.所述维保监测显示终端显示道岔报警信号，维保人员根据人机界面上的报警提示进行巡检或维修；
11.所述人工智能模块从所述云数据库中提取道岔数据，并使用相应的数据分析算法诊断道岔机械构件故障与通车区间异常物体干扰迹象，计算结果上传至所述运营控制显示终端与所述维保监测显示终端，当预测值达到报警阀值时触发道岔报警信号，维保人员根据报警指示检修道岔，所述人工智能模块包括机械故障诊断模块和环境干扰监测模块。
12.所述机械故障诊断模块用于诊断道岔机械构件的故障，所述机械构件包括驱动装置、定位装置、主结构体和支撑结构，具体的可以根据道岔的类型存在区别，通过采集所述机械构件的运行检查数据，来提取其特征信息数据,并使用预先训练好的ai模型评估道岔机械构件的健康状态指数并诊断机械故障。
13.优选的，所述机械故障诊断模块中的ai模型使用人工神经网络中的bp神经网络，所述bp神经网络根据专家系统知识库规则，采用布尔矩阵描述机械故障征兆和故障原因之间的映射关系，将其作为训练样本，通过训练学习获得普适机组的故障识别神经网络，在道岔厂内总装调试环节，将训练好的网络应用于某一具体机组，不断的累积机组各个故障模式样本，加入到训练样本中，通过训练学习得到该机组的故障识别神经网络，在道岔实际运行监控过程中，根据维护人员的反馈信息持续累积机组的故障模式样本，从而在该机组的实际故障诊断中获得较高的识别精度。其中，机械故障诊断模块中的输入数据为所述道岔机械结构数据的运行检查数据。
14.进一步地，主结构体的故障诊断具体步骤包括：
15.1)利用振动传感器与噪声传感器获取主结构体转撤时和通车时的功能性技术指标参数；其中，所述振动传感器与噪声传感器分布在主结构体的主要承载区域，所述承载区域利用有限元分析算法获得。
16.2)读取振动与噪声数据中的特征信息数据,使用预先训练好的ai模型评估主结构体当前健康状态指数并诊断主结构体故障。
17.3)通过数据交换模块,将主结构体健康状态指数上传至运营控制显示终端与维保监测显示终端,当诊断出机械故障或者健康状态指数达到报警阀值触发道岔维保报警，维保人员进入道岔场区检查维修主结构体故障。
18.4)维保人员确认故障类型，维修处理机械故障后,使用所述移动通讯设备反馈处理结果与故障类型,若与报警信息出入,累积本次故障模式样本为训练样本,用于后期调整隐含层与输出层之间的连接权值，优化模型；若维保人员反馈故障主结构体各部件健康良好，累积本次故障模式样本为训练样本,用于后期调整隐含层与输出层之间的连接权值，优化模型。
19.所述环境干扰监测模块从云数据库中读取道岔周边环境视频数据,分帧保存,使用预先训练好的ai模型筛选并标记异常图片,将标记图片集上传至运营控制显示终端,运营控制人员通过人机界面对ai模型识别筛选后的图片进行集中判别处理,确定道岔通车环境是否安全。
20.进一步地，所述道岔周边环境视频数据使用视频监控装置采集，所述视频监控装置安装在主结构体中心位置的正上方，其与主结构体的垂直距离大于单轨车辆通行时的高度，此外，道岔区四周装有夜间照明装置便于视频监控装置采集视频图像信号。
21.优选地，所述环境干扰监测模块中的ai模型使用faster r
‑
cnn网络算法识别通车区间异常物体的干扰迹象，在训练faster r
‑
cnn网络时，通过网络获取、自行采集和相关部门提供的方式获取该类型道岔的俯视图像，随后经过人工筛选和图像标注后获得图像标注数据集。所述图像标注环节将图像中的目标(道岔主结构体、支撑结构、驱动装置和定位装置等，具体视道岔类型而异)选中后可添加其类型标签和四个坐标信息。随后将标定好的图像标注数据集发送至faster r
‑
cnn网络上进行训练，获得道岔机械构件数据集的网络权重。
22.进一步地，所述环境干扰监测模块的具体步骤包括：
23.1)利用视频监控装置获取道岔周边环境视频数据；
24.2)拾取视频数据,分帧保存,使用预先训练好的ai模型识别主结构体和其他主要机械装置，并检测道岔主结构体的坐标信息，筛选存在异常干扰的图片,将图片标记后上传至数据交换模块；
25.3)通过数据交换模块,将标记图片集上传至运营控制显示终端,运营控制人员通过人机界面对ai识别筛选后的图片进行集中判别处理,确定道岔是否在定位(反位)，以及通车区间是否安全；
26.4)若确认道岔在定位(反位)且周边环境安全,运营控制人员给出道岔转撤命令,并反馈本次识别错误,累积本次标记图片集为训练样本,调整网络模型中分类识别与位置信息的网络权值，自动优化模型；若确认道岔在反位(定位)且周边环境存在异常干扰，运营控制人员向维保监测显示终端给出道岔区间异常物体干扰迹象报警提示。
27.所述ai模型根据模块功能选择不同的算法，通过运营控制人员与维保人员对报警信息的集中判别和反馈工作,可以自动更新其特征信息数据权重，优化ai模型，利用人工智能模块的数据累计与自学习功能，构建个性化的道岔监测及维护系统。
28.在维保人员检查与维护过程中，使用移动通讯设备将检查或维护结果上传至所述数据采集交换模块，所述人工智能模块根据反馈信息更新特征数据权重，自动优化模型。
29.所述道岔数据包括道岔现场环境数据和道岔机械结构数据。
30.所述道岔现场环境数据包括控制柜环境数据和道岔周边环境数据；所述控制柜环境数据包括控制柜内的温度和湿度信号；所述道岔周边环境数据包括道岔区内不同位置的湿度、温度、光照、周边植被状况和通车区间异常物体干扰迹象。
31.所述道岔机械结构数据包括驱动装置、定位装置、主结构体和支撑结构(视道岔类型而异)的机械构件的结构检查数据和运行检查数据；所述结构检查数据包括螺栓松动、涂层腐蚀、表面开裂或断裂、接缝间隙数据；
32.优选地，考虑到轨道车辆运行速度、线路段运输量、地形、地质条件对道岔机械构件所产生的负荷不同，利用所述道岔周边环境数据(包括湿度、温度和光照数据)和所述结构检查数据作为所述人工智能模块中bp神经网络的学习样本，获取气候环境与道岔构件涂层腐蚀、开裂或损坏之间的映射关系，将该网络作为所述人工智能模块后期拓展的机械构件寿命预测模块，从而优化道岔巡检报警系统，并提出合理的检查周期与维护方案。
33.所述运行检查数据包括转撤时和通车时的振动和噪声数据；若该机械构件包含电机，其运行检查数据还包括电机运行参数(电流、电压、温度、转速、振幅)。
34.进一步地，其中电机故障诊断模块应用的具体步骤包括：
35.1)利用对应传感器获取电机的功能性技术指标参数(包括电机运行时的噪音、振动、电压、电流、温度和转速和振幅数据)。
36.2)读取功能性技术指标参数中的特征信息数据,使用预先训练好的ai模型评估电动机当前健康状态指数并诊断机械故障。
37.3)通过数据交换模块,将电动机健康状态指数上传至运营控制显示终端与维保监测显示终端,当诊断出机械故障或者健康状态指数达到报警阀值触发道岔维保报警后，维保人员进入道岔场区检查维修报警电机。
38.4)维保人员确认电动机故障类型，维修处理机械故障后,使用所述移动通讯设备反馈处理结果与故障类型,若与报警信息出入,累积本次故障模式样本为训练样本,用于后期调整隐含层与输出层之间的连接权值，优化模型；若维保人员反馈故障报警电机各部件健康良好，累积本次故障模式样本为训练样本,用于后期调整隐含层与输出层之间的连接权值，优化模型。
39.该基于人工智能的跨坐式单轨道岔监测及其维护系统中所述人工智能模块的工作原理如下：
40.所述bp神经网络的结构通常采用多层神经网络，包括输入层、输出层及隐含层，其训练的过程包括网络内部的向前计算和误差的反向传播，所述网络内部的向前计算包括：
41.(1)训练样本k中，输入层节点j的输出o
jk
等于输入x
jk
,即
42.o
jk
＝x
jk
，
43.(2)经传播至第l层后输入和输出分别为：
[0044][0045][0046]
其中f为sigmoid函数，即
[0047][0048]
在样本k中节点j的期望输出值为则输出误差表达式为
[0049][0050]
所述误差的反向传播过程中以输出误差的负梯度函数修改网络层之间的权值即
[0051][0052]
所述faster r
‑
cnn采用区域生成网格(pegion proposal network，rpn)实现建议区域的生成，结合卷积神经网络(convolutional neural network，cnn)特征学习和分类网络，实现目标的准确检测与分类识别。faster r
‑
cnn算法根据网络结构分为三部分，首先是将图像数据输入主网络(vgg或zf网络)后，主网络通过逐层卷积和池化的方式提取输入图像的特征信息，用于后续对目标区域的分类与坐标回归。随后rpn子网络对主网络输出的深层卷积特征图进行卷积生成若干数量的初始建议区域，并使用主网络中全连接网络构成的分类层和坐标回归层输出预测建议区域的类别概率与坐标偏置，在非极大抑制算法(non
‑
maximal suppression,nms)中代入类别概率与坐标偏置后过滤掉重合度极高的初始建议区域，接着将剩下的建议区域输入检测子网络进一步检测。检测子网络由感兴趣区域(regions of interest，roi)池化层和全连接网络构成的分类层与回归层构成，roi池化是将不同大小的建议区域处理成统一大小的特征向量，最后将其输入到分类层和回归层后就可以得到输入图像中目标的类型及其位置坐标。
[0053]
综上，本基于人工智能的跨坐式单轨道岔监测及其维护系统具有以下有益效果：
[0054]
1.克服了规则专家系统中知识获取困难及环境适应性差的缺陷，利用人工智能的自学习、自组织和极强的非线性映射功能，不断丰富故障模式样本，可解决知识更新的问题，并在该机组的实际故障诊断中获得较高的识别精度。
[0055]
2.监测道岔通车区间是否出现异物,从而保证道岔通车前的环境安全，避免在通车前无人机的意外闯入、落石风险或者有人坠入道岔区等意外造成的伤亡损失。
[0056]
3.采用bp神经网络获取两种或者两种以上的机械结构运行检查数据和机械故障的映射关系，从而精确地定位故障的位置及类型。
附图说明
[0057]
图1为基于人工智能的跨坐式单轨道岔监测及其维护系统的结构示意图。
[0058]
图2为机械故障诊断模块中的bp神经网络的训练流程图。
[0059]
图3为道岔电动机故障诊断流程图。
[0060]
图4为道岔主结构体故障诊断流程图。
[0061]
图5为faster r
‑
cnn网络算法结构示意图。
[0062]
图6为道岔环境干扰监测流程图。
具体实施方式
[0063]
下面结合附图对本发明作进一步的详细说明。在本发明的描述中，需要理解的是，方位词如“上、下”和“顶、底”等所指示的方位或位置关系通常是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，在未作相反说明的情况下，这些方位词并不指示和暗示所指的装置或元件必须具有特定的方位或者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；方位词“内、外”是指相对于各部件本身的轮廓的内外。
[0064]
实施例1
[0065]
如图1
‑
6所示，一种基于人工智能的跨坐式单轨道岔监测及其维护系统，面对不同安装地点和环境的道岔，通过其自学习能力建立适应单组道岔的个性化智能监测及维护系统。既利用所述人工智能模块诊断道岔机械构件故障与通车区间异常物体干扰迹象，并通过运营控制人员与维保人员对报警信息的集中判别和反馈工作，不断丰富人工智能模块的知识库内容，解决知识更新的问题，从而提高道岔故障检测的准确性、及时性。
[0066]
为了解决上述技术问题，本发明采用了如下的技术方案：
[0067]
一种基于人工智能的跨坐式单轨道岔监测及其维护系统，包括数据采集交换模块、运营控制显示终端、维保监测显示终端、人工智能模块和移动通讯设备；所述数据采集交换模块、运营控制显示终端、维保监测显示终端、人工智能模块和移动通讯设备之间通过无线网络或有线网络实现通讯连接；
[0068]
所述运营控制显示终端和维保监测显示终端均为人机界面；
[0069]
所述运营控制显示终端显示道岔综合数据，运营控制人员通过人机界面实时监控道岔，控制各个站点道岔的转撤；
[0070]
所述维保监测显示终端显示道岔报警信号，维保人员根据人机界面上的报警提示进行巡检或维修；
[0071]
所述人工智能模块从所述云数据库中提取道岔数据，并使用相应的数据分析算法诊断道岔机械构件故障与通车区间异常物体干扰迹象，计算结果上传至所述运营控制显示终端与所述维保监测显示终端，当预测值达到报警阀值时触发道岔报警信号，维保人员根据报警指示检修道岔，所述人工智能模块包括机械故障诊断模块和环境干扰监测模块。
[0072]
所述机械故障诊断模块用于诊断道岔机械构件的故障，所述机械构件包括驱动装置、定位装置、主结构体和支撑结构，具体的可以根据道岔的类型存在区别，通过采集所述机械构件的运行检查数据，来提取其特征信息数据,并使用预先训练好的ai模型评估道岔机械构件的健康状态指数并诊断机械故障；优选的，所述机械故障诊断模块中的ai模型使用人工神经网络中的bp神经网络，所述bp神经网络根据专家系统知识库规则，采用布尔矩阵描述机械故障征兆和故障原因之间的映射关系，将其作为训练样本，通过训练学习获得普适机组的故障识别神经网络，在道岔厂内总装调试环节，将训练好的网络应用于某一具体机组，不断的累积机组各个故障模式样本，加入到训练样本中，通过训练学习得到该机组的故障识别神经网络，在道岔实际运行监控过程中，根据维护人员的反馈信息持续累积机组的故障模式样本，从而在该机组的实际故障诊断中获得较高的识别精度。其中，机械故障诊断模块中的输入数据为所述道岔机械结构数据的运行检查数据。
[0073]
进一步地，主结构体的故障诊断具体步骤包括：
[0074]
1)利用振动传感器与噪声传感器获取主结构体转撤时和通车时的功能性技术指标参数；其中，所述振动传感器与噪声传感器分布在主结构体的主要承载区域，所述承载区域利用有限元分析算法获得。
[0075]
2)读取振动与噪声数据中的特征信息数据,使用预先训练好的ai模型评估主结构体当前健康状态指数并诊断主结构体故障。
[0076]
3)通过数据交换模块,将主结构体健康状态指数上传至运营控制显示终端与维保监测显示终端,当诊断出机械故障或者健康状态指数达到报警阀值触发道岔维保报警，维
保人员进入道岔场区检查维修主结构体故障。
[0077]
4)维保人员确认故障类型，维修处理机械故障后,使用所述移动通讯设备反馈处理结果与故障类型,若与报警信息出入,累积本次故障模式样本为训练样本,用于后期调整隐含层与输出层之间的连接权值，优化模型；若维保人员反馈故障主结构体各部件健康良好，累积本次故障模式样本为训练样本,用于后期调整隐含层与输出层之间的连接权值，优化模型。
[0078]
所述环境干扰监测模块从云数据库中读取道岔周边环境视频数据,分帧保存,使用预先训练好的ai模型筛选并标记异常图片,将标记图片集上传至运营控制显示终端,运营控制人员通过人机界面对ai模型识别筛选后的图片进行集中判别处理,确定道岔通车环境是否安全。
[0079]
进一步地，所述道岔周边环境视频数据使用视频监控装置采集，所述视频监控装置安装在道岔主结构体中心位置的正上方，其与道岔主结构体的垂直距离大于单轨车辆通行时的高度，此外，道岔区四周装有夜间照明装置便于视频监控装置采集视频图像信号。
[0080]
优选地，所述环境干扰监测模块中的ai模型使用faster r
‑
cnn网络算法识别通车区间异常物体的干扰迹象，在训练faster r
‑
cnn网络时，通过网络获取、自行采集和相关部门提供的方式获取该类型道岔的俯视图像，随后经过人工筛选和图像标注后获得图像标注数据集。所述图像标注环节将图像中的目标(道岔主结构体、支撑结构、驱动装置和定位装置等，具体视道岔类型而异)选中后可添加其类型标签和四个坐标信息。随后将标定好的图像标注数据集发送至faster r
‑
cnn网络上进行训练，获得道岔机械构件数据集的网络权重。
[0081]
进一步地，所述环境干扰监测模块的具体步骤包括：
[0082]
1)利用视频监控装置获取道岔周边环境视频数据；
[0083]
2)拾取视频数据,分帧保存,使用预先训练好的ai模型识别道岔主结构体和其他主要机械装置，并检测道岔主结构体的坐标信息，筛选存在异常干扰的图片,将图片标记后上传至数据交换模块；
[0084]
3)通过数据交换模块,将标记图片集上传至运营控制显示终端,运营控制人员通过人机界面对ai识别筛选后的图片进行集中判别处理,确定道岔是否在定位(反位)，以及通车区间是否安全；
[0085]
4)若确认道岔在定位(反位)且周边环境安全,运营控制人员给出道岔转撤命令,并反馈本次识别错误,累积本次标记图片集为训练样本,调整网络模型中位置信息的网络权值，自动优化模型；若确认道岔在反位(定位)且周边环境存在异常干扰，运营控制人员向维保监测显示终端给出道岔区间异常物体干扰迹象报警提示。
[0086]
所述ai模型根据模块功能选择不同的算法，通过运营控制人员与维保人员对报警信息的集中判别和反馈工作,可以自动更新其特征信息数据权重，优化ai模型，利用人工智能模块的数据累计与自学习功能，构建个性化的道岔监测及维护系统。
[0087]
在维保人员检查与维护过程中，使用移动通讯设备将检查或维护结果上传至所述数据采集交换模块，所述人工智能模块根据反馈信息更新特征数据权重，自动优化模型。
[0088]
所述道岔数据包括道岔现场环境数据和道岔机械结构数据。
[0089]
所述道岔现场环境数据包括控制柜环境数据和道岔周边环境数据；所述控制柜环
境数据包括控制柜内的温度和湿度信号；所述道岔周边环境数据包括道岔区内不同位置的湿度、温度、光照、周边植被状况和通车区间异常物体干扰迹象。
[0090]
所述道岔机械结构数据包括驱动装置、定位装置、主结构体和支撑结构(视道岔类型而异)的机械构件的结构检查数据和运行检查数据；所述结构检查数据包括螺栓松动、涂层腐蚀、表面开裂或断裂、接缝间隙数据；
[0091]
优选地，考虑到轨道车辆运行速度、线路段运输量、地形、地质条件对道岔机械构件所产生的负荷不同，利用所述道岔周边环境数据(包括湿度、温度和光照数据)和所述结构检查数据作为所述人工智能模块中bp神经网络的学习样本，获取气候环境与道岔构件涂层腐蚀、开裂或损坏之间的映射关系，将该网络作为所述人工智能模块后期拓展的机械构件寿命预测模块，从而优化道岔巡检报警系统，并提出合理的检查周期与维护方案。
[0092]
所述运行检查数据包括转撤时和通车时的振动和噪声数据；若该机械构件包含电机，其运行检查数据还包括电机运行参数(电流、电压、温度、转速、振幅)。
[0093]
进一步地，其中电机故障诊断模块应用的具体步骤包括：
[0094]
1)利用对应传感器获取电机的功能性技术指标参数(包括电机运行时的噪音、振动、电压、电流、温度、转速和振幅数据)。
[0095]
2)读取功能性技术指标参数中的特征信息数据,使用预先训练好的ai模型评估电动机当前健康状态指数并诊断机械故障。
[0096]
3)通过数据交换模块,将电动机健康状态指数上传至运营控制显示终端与维保监测显示终端,当诊断出机械故障或者健康状态指数达到报警阀值触发道岔维保报警后，维保人员进入道岔场区检查维修报警电机。
[0097]
4)维保人员确认电动机故障类型，维修处理机械故障后,使用所述移动通讯设备反馈处理结果与故障类型,若与报警信息出入,累积本次故障模式样本为训练样本,用于后期调整隐含层与输出层之间的连接权值，优化模型；若维保人员反馈故障报警电机各部件健康良好，累积本次故障模式样本为训练样本,用于后期调整隐含层与输出层之间的连接权值，优化模型。
[0098]
该基于人工智能的跨坐式单轨道岔监测及其维护系统中所述人工智能模块的工作原理如下：
[0099]
所述bp神经网络的结构通常采用多层神经网络，包括输入层、输出层及隐含层，其训练的过程包括网络内部的向前计算和误差的反向传播，所述网络内部的向前计算包括：
[0100]
(1)训练样本k中，输入层节点j的输出o
jk
等于输入x
jk
,即
[0101]
o
jk
＝x
jk
，
[0102]
(2)经传播至第l层后输入和输出分别为：
[0103][0104][0105]
其中f为sigmoid函数，即
[0106][0107]
在样本k中节点j的期望输出值为则输出误差表达式为
[0108][0109]
所述误差的反向传播过程中以输出误差的负梯度函数修改网络层之间的权值即
[0110][0111]
所述faster r
‑
cnn采用区域生成网格(pegion proposal network，rpn)实现建议区域的生成，结合卷积神经网络(convolutional neural network，cnn)特征学习和分类网络，实现目标的准确检测与分类识别。faster r
‑
cnn算法根据网络结构分为三部分，首先是将图像数据输入主网络(vgg或zf网络)后，主网络通过逐层卷积和池化的方式提取输入图像的特征信息，用于后续对目标区域的分类与坐标回归。随后rpn子网络对主网络输出的深层卷积特征图进行卷积生成若干数量的初始建议区域，并使用主网络中全连接网络构成的分类层和坐标回归层输出预测建议区域的类别概率与坐标偏置，在非极大抑制算法(non
‑
maximal suppression,nms)中代入类别概率与坐标偏置后过滤掉重合度极高的初始建议区域，接着将剩下的建议区域输入检测子网络进一步检测。检测子网络由感兴趣区域(regions of interest，roi)池化层和全连接网络构成的分类层与回归层构成，roi池化是将不同大小的建议区域处理成统一大小的特征向量，最后将其输入到分类层和回归层后就可以得到输入图像中目标的类型及其位置坐标。
[0112]
实施例2
[0113]
本发明提供的基于人工智能的跨坐式单轨道岔监测及其维护系统，所述的跨坐式单轨道岔监测及其维护系统包括信号系统与道岔现场数据采集，所述信号系统包括数据采集交换模块、运营控制显示终端、维保监测显示终端、人工智能模块和移动通讯设备。如图1所示，其中，所述数据采集交换模块、运营控制显示终端、维保监测显示终端、人工智能模块和移动通讯设备之间通过无线网络或有线网络实现通讯连接，从而实现运营控制人员对道岔运行的控制功能，以及对道岔的运行状态、现场环境信息以及道岔机械构件的健康状态指数及故障诊断结果的实时监控功能。
[0114]
在道岔运行前，运营控制人员通过所述运营控制显示终端的人机界面查看道岔的位置状态和通车区间异常物体的干扰迹象，在确保道岔安全的情况下，发出道岔转撤命令，控制各个站点道岔的运行；其中，道岔的位置状态和通车区间异常物体的干扰迹象使用所述环境干扰监测模块评估，所述数据采集交换模块将视频监控装置采集到的视频图像数据传输至云数据库，所述视频监控装置安装在道岔主结构体中心位置的正上方，其与道岔主结构体的垂直距离大于单轨车辆通行时的高度，此外，道岔区四周装有夜间照明装置便于
视频监控装置采集视频图像信号。如图6所示，所述环境干扰监测模块开始拾取视频监控装置采集的实时视频数据，利用matlab软件中的内置函数videoreader()读取视频信息数据，以及imwrite()函数将视频图像分帧保存至指定图像集，再使用预先训练好的faster r
‑
cnn网络识别道岔主要机械装置，并检测道岔主结构体的坐标信息，筛选存在异常干扰迹象的图片，将图片标记后上传至数据交换模块；通过数据交换模块,将标记图片集上传至运营控制显示终端，运营控制人员通过人机界面对faster r
‑
cnn网络识别筛选后的图片进行集中判别处理，确定道岔是否在定位(反位)以及通车是否区间安全；若确认道岔在定位(反位)且周边环境安全，运营控制人员给出道岔转撤命令；并反馈本次识别错误,累积本次标记图片集为训练样本,用于后期调整网络模型中分类识别与位置信息的网络权值，优化模型；若确认道岔在反位(定位)或周边环境存在异常干扰，运营控制人员向维保监测显示终端给出道岔区间异常物体干扰迹象报警提示；
[0115]
道岔转撤期间，所述数据采集交换模块将道岔机械结构数据中的运行检查数据(参考权利要求8，这里不再赘述。)传输至云数据库，所述机械故障诊断模块读取运行检查数据中的特征信息数据,使用预先训练好的bp神经网络评估道岔机械构件的健康状态指数并诊断机械故障，通过数据交换模块,将道岔机械构件的健康状态指数上传至运营控制显示终端与维保监测显示终端,当诊断出机械故障或者健康状态指数达到报警阀值触发道岔维保报警后，维保人员进入道岔场区进行检查维修。维保人员确认机械构件的故障类型并维修处理后,使用工作通讯手机上的移动通讯设备反馈处理结果与故障类型,若与bp神经网络的报警信息出入,累积本次故障模式样本为训练样本,用于后期调整网络中隐含层与输出层之间的连接权值，优化模型；若维保人员反馈道岔各部件健康良好，仍然累积本次故障模式样本为训练样本,用于后期调整隐含层与输出层之间的连接权值，优化模型。
[0116]
当道岔完成转撤动作后，单轨轨道车辆从道岔主结构体上驶过时，所述数据采集交换模块将道岔主结构体的运行检查数据(包括通车时的振动和噪声数据，其中振动传感器与噪声传感器分布在主结构体的主要承载区域，所述承载区域利用有限元分析算法获得。)传输至云数据库，所述主结构体故障诊断模块读取振动与噪声数据中的特征信息数据,使用预先训练好的bp神经网络评估主结构体当前健康状态指数并诊断故障。通过数据交换模块,将主结构体健康状态指数上传至运营控制显示终端与维保监测显示终端,当诊断出机械故障或者健康状态指数达到报警阀值触发道岔维保报警，维保人员进入道岔场区检查维修主结构体故障。维保人员确认故障类型，维修处理机械故障后,反馈处理结果与故障类型,若与报警信息出入,累积本次故障模式样本为训练样本,用于后期调整隐含层与输出层之间的连接权值，优化模型；若维保人员反馈道岔主结构体各部件健康良好，仍然累积本次故障模式样本为训练样本,用于后期调整隐含层与输出层之间的连接权值，优化模型。
[0117]
考虑到轨道车辆运行速度、线路段运输量、地形、地质条件对道岔机械构件所产生的负荷不同，利用所述道岔周边环境数据(包括湿度、温度和光照数据)和所述结构检查数据作为所述人工智能模块中bp神经网络的学习样本，获取气候环境与道岔构件涂层腐蚀、开裂或损坏之间的映射关系，将该网络作为所述人工智能模块后期拓展的机械构件寿命预测模块，从而优化道岔巡检报警系统，并计算出合理的检查周期与维护方案。
[0118]
最后应说明的是：本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等统
计数的范围之内，则本发明也意图包含这些改动和变型。