基于深度学习的铁路关键部件缺陷检测研究

关键部件缺陷图像自动检测对于复兴号动车组运营维护意义重大,但目前主要依靠专业人员对检测图像进行分析,耗费大量人力、物力,造成检测周期长,检测准确率无法保证。提出一种结合部件检测与缺陷分类流程的双通道缺陷检测框架MCDDF(Multi-channel Defect Detection Framework),部件检测通道基于目标检测算法实现动车组关键部件定位,定位后的关键部件经裁剪进行超分辨率提升,传入缺陷分类通道基于迁移学习方法实现缺陷类别的准确分类,结合两通道信息实现缺陷检测任务。实验分析两通道的性能提升方法,对比MCDDF与传统基于目标检测方法在铁路关键部件缺陷图像上的检测效果,验证了MCDDF方法的有效性。     

基于改进Apriori算法的铁路网络安全预警方法研究

随着大数据技术的飞速发展,基于大数据技术的安全隐患事前感知技术日趋成熟,为分析海量数据和挖掘事故规律提供了有效手段。文章优化、改进数据挖掘技术中经典的Apriori算法,基于改进的Apriori算法,研究提出一种铁路网络安全预警方法,并结合网络安全等级保护要求,构建铁路网络安全指标体系,通过仿真实验,验证算法的正确性和可用性。研究表明,采用改进的Apriori算法能够实现铁路网络安全事前感知,有效解决预警防范手段不足的问题,在铁路网络安全预警中具有较高的应用价值。     

铁路网络安全态势感知平台方案研究

研究基于大数据的网络安全态势感知技术在铁路行业的应用,使铁路信息网络具有全面感知、主动预警的能力是当前铁路网络安全建设的重点任务之一。为此,需要解决目前由于无法及时监测和感知信息网络中所存在的安全风险而导致的应用系统发展受限问题;解决传统网络安全态势感知平台由于实际网络环境中数据处理量巨大、业务复杂、层次套叠所导致的误报警率高、易遗漏报警等问题。以大数据高速存取为基础,利用人工智能和并行处理等技术优化感知预测算法,提出适于铁路行业应用的网络安全态势感知平台解决方案,并在测试环境中进行测试验证。结果表明:在具有高通量、复杂化特点的铁路信息网络环境中,该解决方案对潜在安全风险的感知和发现能力优于传统网络安全态势感知平台,满足铁路信息网络高通量、高实时性响应要求,有效地降低误报警率,提升了报警质量和水平。     

智能铁路评价指标体系构建研究

智能铁路是一个结构复杂的系统工程,需要选取若干具有代表性的因子形成指标集合,全面、客观、准确、系统地评价智能铁路建设进程和发展水平。结合我国铁路实际情况,阐述建立智能铁路评价指标体系的必要性,借鉴铁路行业、智慧城市评价领先实践,从系统整体出发,分别从智能铁路技术特征和系统能效特征考虑,构建两套两级综合评价指标体系,明确评价原则和构建思路。反映智能特征、满足我国铁路智能化发展需求的评价指标,能够促进我国智能铁路建设各项工作更加有序、高效进行。     

基于铁路数据服务平台的铁路数据资产管理研究

随着铁路企业公司化改革的不断深入,铁路数据的资产化以及服务于"强基达标、提质增效"的工作主题成为铁路企业越来越紧迫的需求。当前铁路数据资产管理还面临着资产盘点不清、共享困难、缺乏安全分级以及主数据不规范等一系列问题。文章明确了铁路数据资产管理相关重要环节,并基于铁路数据服务平台的服务能力和开发引擎,构建了一系列服务于数据资产管理应用,实现了数据从盘点、接入到安全分级和共享的全流程管理,在实践中取得了很好的应用效果。     

基于铁路数据服务平台的铁路工务设备安全画像应用设计方案

为保障列车运行安全,减少安全设备投入,提升安全管理效率,设计了基于铁路数据服务平台的铁路工务设备安全画像应用方案。以分析当前铁路工务设备检测现状作为切入点,结合铁路数据服务平台,运用机器学习框架和大数据治理技术,从设备状态指标统计分析、设备单元安全评价、关键指标及安全态势趋势预测、高危设备及不良态势安全预警等4个方面设计铁路工务设备安全画像应用功能。辅助业务人员快速定位数据,对工务设备安全态势有更加直观的判断,以防止设备不稳定状态导致的事故故障,实现事故故障超前防范。     

铁路大数据标准体系研究

在介绍国内外大数据标准体系研究现状的基础上,分析国家大数据标准体系与电力和工业2个典型行业大数据标准体系的对应关系,提出铁路大数据标准体系框架,并分析其与铁路信息化标准体系的对应关系。铁路大数据标准体系共划分为技术和工具、数据、应用、安全、管理等5个子体系,对各体系标准进行了界定。铁路大数据标准体系框架的提出,将为铁路运输企业进一步建立健全大数据应用标准打下基础。     

铁路数据服务平台安全策略研究

随着铁路信息化水平的不断提高,各信息系统已积累了海量数据。铁路数据服务平台的建设,实现了海量数据采集、治理、存储、共享、分析、可视化的一站式数据处理流程。作为集中存储、管理铁路领域海量数据的大数据平台,铁路数据服务平台面临来自基础环境、数据管理、平台管理等多方面的安全风险,如何保证数据安全是需要考虑的关键问题。通过分析平台面临的安全威胁,设计其安全架构并制定相应安全策略,实现对平台的安全管控,保障平台数据安全。     

铁路数据服务平台存储架构设计与应用

针对当前"数据沼泽"日益突出的问题,从铁路数据服务平台存储架构层面提出一种新的顶层设计。该设计包括存储组件分区管理模块、全链路存储组件监控模块、无感存储组件访问中间件模块3个部分。存储组件分区管理模块根据数据的数据类型、使用频度、应用场景等方面,灵活将数据存储在高性价比、高可靠的各个存储组件中;全链路存储组件监控模块提供数据全生命周期流转过程,实时监控各类数据在存储组件中的存储状况;无感存储组件访问中间件提供无感、跨组件的数据访问服务。并结合铁路数据服务平台应用实例,更直观地描述数据在平台中的存储、管理及访问,使得"数据沼泽"问题在铁路数据服务平台中得到解决。     

基于深度学习的动车组运行安全图像异物检测

动车组在运行过程中容易附着塑料袋等异物,影响动车组的运行安全.针对动车组运行安全图像异物自动检测的问题,研究基于卷积神经网络的动车组异物检测与分割模型,该模型采用特征金字塔网络提取异物的多尺度融合特征,通过区域提议网络生成未知类别的候选区域,通过预测网络对候选区域进行分类和位置回归,并通过分割网络生成预测区域的蒙版.针对异物形态变化多样,采用可变形卷积改变感受野适应异物形态的变化.针对异物检测任务中异物数量远小于背景零部件的数量,采用在线困难样本挖掘筛选出困难样本重新输入预测网络以平衡正负样本的比例.实验分析表明,通过优化方法使得最终模型检测精度达到了90.35%,提升了4.03%;召回率达到94.85%,提升了8.1%.