(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111442178.8 (22)申请日 2021.11.30 (71)申请人 徐州中矿传动轨道科技有限公司 地址 221000 江苏省徐州市高新区第二工 业园珠江路7号 (72)发明人 王禹桥　王承涛　程润良　杨雪锋　 李允彩　徐引　李威　 (74)专利代理 机构 南京经纬专利商标代理有限 公司 32200 代理人 王美章 (51)Int.Cl. G06F 30/27(2020.01) G06K 9/62(2022.01) G06Q 10/06(2012.01) G06Q 50/06(2012.01)G06Q 50/30(2012.01) (54)发明名称 基于云计算的地铁杂散电流泄漏高风险区 间识别方法、 系统及存 储介质 (57)摘要 本发明提供一种基于云计算的地铁杂散电 流泄漏高风险区间识别方法、 城市全域杂散电流 腐蚀监测系统及计算机可读存储介质， 城市全域 杂散电流腐蚀监测系统包括腐蚀监测模块、 全线 数据接收模块、 全域数据汇总模块、 智 能学习算 法模块、 云计算模块及本地处理器， 本发明基于 杂散电流腐蚀监测系统获取全线监测数据， 利用 全线监测数据建立多监测位置的泄漏高风险区 间智能识别模 型， 基于智能识别模 型的并行云计 算结果， 能够实现全线的杂散电流泄漏高风险区 域智能准确定位。 本发明的区间定位方法简单易 行， 识别方法智 能且准确高效， 解决了杂散电流 泄漏定位难以在地铁全 线范围内实现的问题。 权利要求书3页 说明书7页 附图3页 CN 114154414 A 2022.03.08 CN 114154414 A 1.一种基于云计算的地铁杂散电流泄漏高风险区间识别方法， 其特征在于， 包括以下 步骤： (1)选取地铁某一线 路中若干牵引区间S1至Sn， 在设定的运营周期内T＝[t1,t2,…,tq]， 测量S1至Sn区间的主体结构极化电位P＝{{[P1,1(t1),P1,1(t2),…,P1,1(tq)],[P1,2(t1),P1,2 (t2),…,P1,2(tq)],…,[P1,m(t1),P1,m(t2),…,P1,m(tq)]},{[P2,1(t1),P2,1(t2),…,P2,1(tq)], [P2,2(t1),P2,2(t2),…,P2,2(tq)],…,[P2,m(t1),P2,m(t2),…,P2,m(tq)]},…,{[Pn,1(t1),Pn,1 (t2),…,Pn,1(tq)],[Pn,2(t1),Pn,2(t2),…,Pn,2(tq)],…,[Pn,m(t1),Pn,m(t2),…,Pn,m(tq)]}}， 测量S1至Sn区间车站附近区域轨道电位V＝{{[V1,1(t1),V1,1(t2),…,V1,1(tq)],[V1,2(t1), V1,2(t2),…,V1,2(tq)],…,[V1,m(t1),V1,m(t2),…,V1,m(tq)]},{[V2,1(t1),V2,1(t2),…,V2,1 (tq)],[V2,2(t1),V2,2(t2),…,V2,2(tq)],…,[V2,m(t1),V2,m(t2),…,V2,m(tq)]},…,{[Vn,1 (t1),Vn,1(t2),…,Vn,1(tq)],[Vn,2(t1),Vn,2(t2),…,Vn,2(tq)],…,[Vn,m(t1),Vn,m(t2),…,Vn,m (tq)]}}， 通过地铁既有系统获取S1至Sn区间馈线柜回流电流Ik＝{[Ik,1(t1),Ik,1(t2),…, Ik,1(tq)],[Ik,2(t1),Ik,2(t2),…,Ik,2(tq)],…,[Ik,n(t1),Ik,n(t2),…,Ik,n(tq)]}， 测量S1至 Sn区间回流柜排流电流Id＝{[Id,1(t1),Id,1(t2),…,Id,1(tq)],[Id,2(t1),Id,2(t2),…,Id,2 (tq)],…,[Id,n(t1),Id,n(t2),…,Id,n(tq)]}， 通过地铁既有系统获取S1至Sn区间OVPD接地电 流Ig＝{[Ig,1(t1),Ig,1(t2),…,Ig,1(tq)],[Ig,2(t1),Ig,2(t2),…,Ig,2(tq)],[Ig,n(t1),Ig,n (t2),…,Ig,n(tq)]} (2)分别计算设定一段时间内不同测量 位置的平均极化电位 和平均轨道电位 (3)分别计算设定一段时间内平均馈线柜回流电流 平均回流柜排流电流 和平均 OVPD接地电流 权　利　要　求　书 1/3 页 2 CN 114154414 A 2(4)根据平均极化电位、 平均轨道电位、 平均回流电流、 平均排流电流、 平均接地电流构 建泄漏高风险区间识别训练数据集， 训练数据集包括： 基于测量位置1的训练数据集D1、 基 于测量位置2的训练数据集D2、 直至基于测量位置 m的训练数据集Dm， 训练数据集Di的组成为 i为1至m中任一数字： 区间S1至Sn测量位置i的平均极化电位： 区间S1至Sn测量位置i的平均轨道电位： 区间S1至Sn的平均回流电流： 区间S1至Sn的平均排 流电流： 区间S1至Sn的平均接地电流： (5)基于数据集D1至Dm， 分别构建无监督自组织映射网络N1至Nm， 网络通过n ×1的向量形 式进行输出， 具体为： 若S1至Sn中Si区间为高风险区间， 则输出向量第i 位为1， 其他位为0； (6)在云计算模块中对N1至Nm进行训练和测试， 构建基于网络N1至Nm的杂散电流泄漏高 风险区间识别模型f1至fm； (7)根据识别模型f1至fm计算识别结果， 判断全线内的杂散电流泄漏高风险区间。 2.根据权利要求1所述的一种基于云计算的地铁杂散电流泄漏高风险区间识别方法， 其特征在于， 在步骤(7)之后， 还 包括 根据不同的设定一段时间内的测试结果， 将极化电位、 轨道电位、 回流电流、 排流电流 和接地电流的测试 数据汇总并重新在云计算模块中进行网络训练， 更新识别模型。 3.一种城市全域杂散电流腐蚀监测系统， 其特 征在于， 该系统包括： 腐蚀监测模块， 用于监测地铁全线钢筋混凝土结构极化电位数据、 各牵引区间排流数 据和轨道电位数据， 包括： 布置于地铁各条线路全线隧道钢筋混凝土结构中的参比 电极、 位 于回流柜的排 流监测装置、 杂散电流腐蚀传感器、 数据传输装置、 光电转换器、 转接器， 全线数据接收模块， 包括： 区间1数据接收模块、 区间2数据接收模块直至区间n数据接 收模块， 用于接收单条地铁线路全线腐蚀监测数据， 并对腐蚀数据进 行初始化处理， 包括数 据归一化和正则化， 布置于线路控制室的上位机系统， 并通过光纤电缆与全线各腐蚀监测 模块通信， 全域数据汇总 模块， 用于汇总 城市全域的地铁线路腐蚀监测数据并接收云计算模块计 算结果同时上传至综合监控网络， 包括并形成极化电位分布数据云图， 布置于全域地铁控 制室的上位机系统， 与各线路数据接收模块 通信， 智能学习算法模块， 用于泄漏高风险区间识别， 通过智能学习算法建立各输入参数与 泄漏高风险区间的映射关系， 实现地铁全线杂散电流泄漏高风险区间智能识别， 云计算模块， 用于接收初始化后的全域杂散电流腐蚀监测数据， 根据智能学习算法为 基础， 完成影响泄漏高风险区间智能识别模型的训练、 验证和测试过程， 并根据后续的在线权　利　要　求　书 2/3 页 3 CN 114154414 A 3