期刊导航
期刊开放获取
上海教育软件发展有限公..
期刊文献
+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
检索
高级检索
期刊导航
共找到
2
篇文章
<
1
>
每页显示
20
50
100
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
显示方式：
文摘
详细
列表
相关度排序
被引量排序
时效性排序
基于边云协同构建的铁路信号智能运维平台效能分析
被引量：
3
1
作者
李刚
李其昌
卢佩玲
《铁道运输与经济》
北大核心
2023年第4期86-91,共6页
以云计算中心为核心的铁路信号智能运维系统,面临着负载过大、能耗过高和实时性不足的问题。为此,提出基于边云协同的铁路信号智能运维平台解决方案。在阐述基于边云协同的系统架构的基础上,设计由数据协同层、边缘计算层和云计算中心...
以云计算中心为核心的铁路信号智能运维系统,面临着负载过大、能耗过高和实时性不足的问题。为此,提出基于边云协同的铁路信号智能运维平台解决方案。在阐述基于边云协同的系统架构的基础上,设计由数据协同层、边缘计算层和云计算中心层组成的智能运维平台,以实现运维任务的实时调度与决策。再通过设计基于强化学习的计算卸载模型,将部分运维数据的计算任务卸载到边缘节点,从而缓解云计算中心的计算压力,减小系统延迟和能耗,提高系统的能效性。仿真实验表明,利用强化学习得到的最优计算卸载策略,相比将计算任务单独部署在云端或边缘侧,具有更低的时延和能耗代价。研究成果对于提升铁路信号智能运维技术水平、提高智能运维能效,具有重要借鉴意义。
展开更多
关键词
铁路信号
智能运维
边云协同
计算卸载
强化学习
效能分析
在线阅读
下载PDF
职称材料
基于改进Vision Transformer的道岔故障智能诊断
2
作者
王英琪
李刚
+1 位作者
胡启正
杨勇
《铁道科学与工程学报》
EI
CAS
CSCD
北大核心
2024年第10期4321-4333,共13页
道岔故障种类繁多,特征复杂,存在检测难、分类难等问题,导致故障排查效率低下,对铁路运输安全构成威胁。Vision Transformer模型在图像分类方面具有较高准确度,但是其处理的是图像块,而不是传统的像素级特征,在某些情况下可能会影响曲...
道岔故障种类繁多,特征复杂,存在检测难、分类难等问题,导致故障排查效率低下,对铁路运输安全构成威胁。Vision Transformer模型在图像分类方面具有较高准确度,但是其处理的是图像块,而不是传统的像素级特征,在某些情况下可能会影响曲线局部信息的获取。针对上述情况,提出一种基于改进Vision Transformer模型的故障曲线分类算法。首先,对典型道岔故障及原因进行梳理分类,指出几种典型的道岔故障;其次,对使用道岔动作电流数据生成的图像尺寸进行调整并根据故障图像特点进行数据增强,使用ResNet网络取代原Vision Transformer模型中的故障图像分块机制进行特征提取,同时采用相对位置编码增强模型的适应性和泛化能力;最后,利用模型的多头自注意力机制,综合全局与局部信息进行分类,并得到分类权重。经过实验验证,本文道岔故障分类识别总体准确率达99.77%,各分类识别的平均精确率达99.78%,与原模型相比,在训练集和验证集上的识别精度分别提升了5.4%和2.4%。为了更好地理解模型的性能,采用Grad-CAM方法将迭代过程可视化,剖析了模型关注区域的变化过程,并在测试集上与VGG-16、DenseNet121等经典分类模型进行性能对比;通过ROC曲线评估分类效果,显示改进的模型取得更优结果。研究结果为道岔故障识别分类提供了新的理论支持,并为未来的研究提供了新的思路和方法。
展开更多
关键词
深度学习
图像分类
道岔故障识别
Vision
Transformer
在线阅读
下载PDF
职称材料
题名
基于边云协同构建的铁路信号智能运维平台效能分析
被引量：
3
1
作者
李刚
李其昌
卢佩玲
机构
中国铁道科学研究院
研究
生部
中国铁道科学研究院
集团
有限公司
通信信号
研究
所
中国铁道科学研究院集团有限公司、国家铁路智能运输系统工程技术研究中心
出处
《铁道运输与经济》
北大核心
2023年第4期86-91,共6页
基金
国家自然科学基金-高铁联合基金项目(U1734211)
中国国家铁路集团有限公司科技研究开发计划课题(P2021G053)
+1 种基金
中国铁道科学研究院集团有限公司科研项目(2020YJ133)
北京锐驰国铁智能运输系统工程技术有限公司课题(2021RC01)。
文摘
以云计算中心为核心的铁路信号智能运维系统,面临着负载过大、能耗过高和实时性不足的问题。为此,提出基于边云协同的铁路信号智能运维平台解决方案。在阐述基于边云协同的系统架构的基础上,设计由数据协同层、边缘计算层和云计算中心层组成的智能运维平台,以实现运维任务的实时调度与决策。再通过设计基于强化学习的计算卸载模型,将部分运维数据的计算任务卸载到边缘节点,从而缓解云计算中心的计算压力,减小系统延迟和能耗,提高系统的能效性。仿真实验表明,利用强化学习得到的最优计算卸载策略,相比将计算任务单独部署在云端或边缘侧,具有更低的时延和能耗代价。研究成果对于提升铁路信号智能运维技术水平、提高智能运维能效,具有重要借鉴意义。
关键词
铁路信号
智能运维
边云协同
计算卸载
强化学习
效能分析
Keywords
Railway Signal
Intelligent Operation and Maintenance
Edge Cloud Collaboration
Computation Offloading
Reinforcement Learning
Efficiency and Energy Consumption Analysis
分类号
U231.7 [交通运输工程—道路与铁道工程]
在线阅读
下载PDF
职称材料
题名
基于改进Vision Transformer的道岔故障智能诊断
2
作者
王英琪
李刚
胡启正
杨勇
机构
中国铁道科学研究院
研究
生部
中国铁道科学研究院
集团
有限公司
通信信号
研究
所
中国铁道科学研究院
集团
有限公司
、通信信号基础设施
智能
运维
铁路
行业
工程
研究
中心
中国铁道科学研究院集团有限公司、国家铁路智能运输系统工程技术研究中心
出处
《铁道科学与工程学报》
EI
CAS
CSCD
北大核心
2024年第10期4321-4333,共13页
基金
中国国家铁路集团有限公司科技研发计划(P2023S006)
中国铁道科学研究院通信信号研究所课题(2023HT03)。
文摘
道岔故障种类繁多,特征复杂,存在检测难、分类难等问题,导致故障排查效率低下,对铁路运输安全构成威胁。Vision Transformer模型在图像分类方面具有较高准确度,但是其处理的是图像块,而不是传统的像素级特征,在某些情况下可能会影响曲线局部信息的获取。针对上述情况,提出一种基于改进Vision Transformer模型的故障曲线分类算法。首先,对典型道岔故障及原因进行梳理分类,指出几种典型的道岔故障;其次,对使用道岔动作电流数据生成的图像尺寸进行调整并根据故障图像特点进行数据增强,使用ResNet网络取代原Vision Transformer模型中的故障图像分块机制进行特征提取,同时采用相对位置编码增强模型的适应性和泛化能力;最后,利用模型的多头自注意力机制,综合全局与局部信息进行分类,并得到分类权重。经过实验验证,本文道岔故障分类识别总体准确率达99.77%,各分类识别的平均精确率达99.78%,与原模型相比,在训练集和验证集上的识别精度分别提升了5.4%和2.4%。为了更好地理解模型的性能,采用Grad-CAM方法将迭代过程可视化,剖析了模型关注区域的变化过程,并在测试集上与VGG-16、DenseNet121等经典分类模型进行性能对比;通过ROC曲线评估分类效果,显示改进的模型取得更优结果。研究结果为道岔故障识别分类提供了新的理论支持,并为未来的研究提供了新的思路和方法。
关键词
深度学习
图像分类
道岔故障识别
Vision
Transformer
Keywords
deep learning
image classification
turnout fault recognition
Vision Transformer
分类号
U284 [交通运输工程—交通信息工程及控制]
在线阅读
下载PDF
职称材料
题名
作者
出处
发文年
被引量
操作
1
基于边云协同构建的铁路信号智能运维平台效能分析
李刚
李其昌
卢佩玲
《铁道运输与经济》
北大核心
2023
3
在线阅读
下载PDF
职称材料
2
基于改进Vision Transformer的道岔故障智能诊断
王英琪
李刚
胡启正
杨勇
《铁道科学与工程学报》
EI
CAS
CSCD
北大核心
2024
0
在线阅读
下载PDF
职称材料
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
上一页
1
下一页
到第
页
确定
用户登录
登录
IP登录
使用帮助
返回顶部
