(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 202111502944.5 (22)申请日 2021.12.10 (71)申请人 东北大学 地址 110169 辽宁省沈阳市 浑南区创新路 195号 (72)发明人 牛大鹏　赵子铖　 (74)专利代理 机构 北京易捷胜知识产权代理事 务所(普通 合伙) 11613 代理人 韩国胜 (51)Int.Cl. G06F 30/27(2020.01) G06F 119/02(2020.01) (54)发明名称 一种轨道交通沿线外部环境的风险监测系 统及评估方法 (57)摘要 本申请涉及一种轨道交通沿线外部环境的 风险监测系统及评估方法， 所述评估方法包括： S1、 监控平台接收监测数据， 并基于预先建立的 风险指标库， 将所述监测数据进行量化处理， 获 得量化后的对应监测数据的风险指标； S2、 基于 建立的风险等级表， 所述监控平台采用基于差分 进化算法的投影寻踪法对所有风险指标进行处 理， 获取当前时刻的风险等级。 所述风险监测系 统针对轨道交通沿线环境存在的风险特征， 采集 相关数据， 可 以扩大风险监测的覆盖面、 提高数 据利用率以及节约成本； 所述评估 方法通过将实 时数据集和检测数据集进行融合计算， 并进行实 时风险评估， 为相关运维人员提供参考， 可以有 效地避免轨道交通事故的发生。 权利要求书3页 说明书10页 附图2页 CN 114417698 A 2022.04.29 CN 114417698 A 1.一种轨道交通沿线外 部环境的风险监测系统， 其特 征在于， 包括： 沿着轨道 交通线路定点部署多个第 一类固定传感器， 所述第 一类固定传感器用于监测 轨道交通线路区域外界环境的变化， 获得第一类监测数据； 沿轨道交通线路的安全周界处的栅栏、 枕木或轨道上安装第二类固定传感器， 所述第 二类固定传感器采集用于评估所在的轨道交通的外界因素导致的振动的数据， 获得第二类 监测数据； 设置在移动巡防机器人上的第 三类传感器， 所述第 三类传感器随着所述移动巡防机器 人的移动而移动， 并获取轨道交通线路的第三类监测数据； 所述移动巡防机器人在移动过程中接收所述第一类固定传感器发送的第一类监测数 据、 第二类固定传感器发送的第二类监测数据； 所述移动巡防机器人对所述第 一类监测数据、 第 二类监测数据和第 三类监测数据进行 预处理， 并将预处 理后的监测数据经由汇聚节点发送到监控平台； 所述监控平台基于差分进化算法的投影寻踪方法对所述监测数据进行处理， 获取当前 时刻的风险等级， 以及基于LSTM预测下一时刻的风险状态。 2.根据权利要求1所述的风险监测系统， 其特征在于， 所述第 一类固定传感器为温湿度 传感器、 雨 量传感器和/或风速风向传感器； 第二类固定传感器为振动光 栅； 第三类传感器为金属探测器、 烟雾传感器； 所述移动巡防机器人上还安装有热成像摄像机和高清全景摄像头， 用于采集沿轨道 交 通线路区域的图像数据； 所述移动 巡防机器人对预处理后的监测数据通过RS485接口传输或者通过TCP/IP接口 传输。 3.一种基于权利要求1或2所述的轨道交通沿线外部环境的风险监测系统的风险评估 方法， 其特 征在于， 包括： S1、 监控平台接收监测数据， 并基于预先建立的风险指标库， 将所述监测数据进行量化 处理， 获得量 化后的对应监测数据的风险指标； S2、 基于建立的风险等级表， 所述监控平台采用基于差分进化算法的投影寻踪法对所 有风险指标进行处 理， 获取当前时刻的风险等级。 4.根据权利要求3所述的风险评估方法， 其特 征在于， S1之前， 风险评估方法还 包括： 基于轨道交通沿线存在的风险隐患类别， 建立轨道交通沿线风险指标库。 5.根据权利 要求3所述的风险评估方法， 其特征在于， 在S1之后， S2之前， 风险评估方法 还包括： 划分所述 风险指标对应的风险等级的阈值， 以建立 风险等级表。 6.根据权利要求5所述的风险评估方法， 其特 征在于， 所述S2包括： 将所述风 险等级表内的阈值数据集设定为e(i,j)， 通过最大 ‑最小值正则化对所述阈 值数据集e(i,j)进行预处理， 将预处理后的阈值数据集设定为 e*(i,j)， e*(i,j)的计 算方式 为：权　利　要　求　书 1/3 页 2 CN 114417698 A 2其中， i表示 风险等级， j表示各项风险指标； 以及， 将于轨道交通线路中所采集的实时数据集设定为x(k,j)， 通过最大 ‑最小值正则 化对所述实时数据集进行预处理， 将预处理后的实时数据集设定 为x*(k,j)， x*(k,j)的计 算 方式为： 其中， k表示 不同时刻的样本观测点。 7.根据权利要求6所述的风险评估方法， 其特 征在于， 所述S2还 包括： 将所述预处理后的阈值数据集e*(i,j)投影到一维模板中进行降维融合， 投影方向描 述 为： β ＝( β(1), β(2),. .., β(d)) 其中， β 是 单位长度向量， d是风险指标的个数； 以及， 将最佳投影方向设定为β*； 将所述风险等级表中风险指标所对应的阈值的投影特征值设定为Z(i)， Z(i)的计算方 式为： 8.根据权利要求7 所述的风险评估方法， 其特 征在于， 所述S2还 包括： 构造投影指标函数， 所述投影指标函数为： Q( β )＝SZ*DZ 其中， SZ为投影特 征值Z(i)的标准差， DZ为投影特 征值Z(i)的局部密度； 对所述投影特 征值Z(i)的标准差SZ进行计算， SZ的计算方式为： 其中， w为风险等级数量， 为不同风险等级所对应的投影特 征值序列的平均值； 对所述投影特 征值Z(i)的局部密度DZ进行计算， DZ的计算方式为： 其中， R为估计局部 散点密度的窗口半径参数； 其中， 函数u(x)为 一阶单位跃迁函数， 当x≥0时， u(x)＝1； 当x≤ 0， u(x)＝0； 其中， dxy为不同风险等级投影数值间的距离， 所述不同风险等级投影数值间的距离dxy 的计算方式为： dxy＝|Z(x)‑Z(y)|， x和y表示 风险等级， 且 x≠y； 通过构造目标函数， 计算获得MaxQ( β )， 所述目标函数为： 权　利　要　求　书 2/3 页 3 CN 114417698 A 3