為實(shí)現(xiàn)調(diào)車場的智能化安全管理,首先基于調(diào)車作業(yè)的常見事故,分析了調(diào)車場系統(tǒng)中的人-機(jī)-環(huán)事故致因要素。利用GIS對調(diào)車場各空間組成要素進(jìn)行建模,以獲得調(diào)車場的電子地圖與各組成要素的屬性數(shù)據(jù)庫。在此基礎(chǔ)上,利用Arc GIS空間分析引擎對調(diào)車場對象的屬性數(shù)據(jù)進(jìn)行操縱分析,得出電路分路情況、道岔尖軌間隙特征、人員作業(yè)熱點(diǎn)、貨物空間分布等特征圖層;并利用卷積神經(jīng)網(wǎng)絡(luò)（CNN）作為融合工具,以專家判定的危險區(qū)域為學(xué)習(xí)標(biāo)簽,大規(guī)模自動化提取各特征圖層的特征,以達(dá)到自主學(xué)習(xí)專家知識的目的;最后,利用Ecd轉(zhuǎn)化工具將訓(xùn)練的CNN識別引擎轉(zhuǎn)化為柵格分類器,供GIS系統(tǒng)進(jìn)行安全分類評估時調(diào)用,最終達(dá)到調(diào)車場自動安全分析的目的。經(jīng)仿真數(shù)據(jù)驗證,結(jié)果表明:在CNN的訓(xùn)練過程中,Dropout機(jī)制可有效控制過擬合現(xiàn)象,經(jīng)訓(xùn)練的CNN在測試集的識別正確率為73. 81%; GIS系統(tǒng)能有效調(diào)用CNN,實(shí)現(xiàn)自動融合電子地圖中的對象屬性數(shù)據(jù),完成調(diào)車場安全評估及展示。 

【文章來源】：安全與環(huán)境學(xué)報. 2020,20(02)北大核心CSCD

【文章頁數(shù)】：10 頁

【部分圖文】：

調(diào)車場安全管理GIS數(shù)據(jù)系統(tǒng)邏輯結(jié)構(gòu)

道岔可靠性特征圖層是通過空間分析工具對道岔圖層進(jìn)行分析而得出的，其過程描述為:從數(shù)據(jù)庫調(diào)取某一時間段內(nèi)的各道岔各屬性字段的實(shí)時更新值，導(dǎo)入GIS電子地圖中道岔圖層的屬性表，紅外計軸設(shè)備可記錄車輪碾壓頂鐵的次數(shù)，碾壓次數(shù)和頂鐵使用時間可代表頂鐵的可靠性，尖軌的硬彎程度及尖動程偏差可反映尖軌的可靠性，內(nèi)外股道高度差偏差及導(dǎo)曲線反超高值可反映道岔區(qū)域的股道安全情況，道岔框架的尺寸偏差值可反映道岔框架的整體可靠性。同理，可得到其他對象的安全評判特征圖像，部分計算方案及結(jié)果見表2、圖2。2 卷積神經(jīng)網(wǎng)絡(luò)(CNN)與特征圖像融合

式中Wi為第i層卷積核;運(yùn)算符號為卷積核與上一層輸入進(jìn)行卷積操作，卷積的輸出與第i層的偏移向量相加，通過非線性的ReLu激勵函數(shù)f(·)得到第i層的結(jié)果Hi，其作用機(jī)理為卷積核(高通濾波器)對圖像進(jìn)行特征提取，引入ReLu激勵函數(shù)后會大大提高引擎內(nèi)神經(jīng)元的激活稀疏性，繼而增加特征提取效率。Krizhevsky與其導(dǎo)師Hinton在其設(shè)計的AlexNet中，證實(shí)了ReLu激發(fā)函數(shù)的優(yōu)化效果[12-14]。圖4 以GIS特征圖像作為輸入的CNN引擎結(jié)構(gòu)

【參考文獻(xiàn)】：
期刊論文
[1]鐵路車務(wù)系統(tǒng)中間站調(diào)車作業(yè)安全防控對策分析[J]. 張亮.  鐵道運(yùn)輸與經(jīng)濟(jì). 2018(05)
[2]面向行為安全的泛場景數(shù)據(jù)理論與應(yīng)用研究[J]. 佟瑞鵬,陳策,劉思路,盧恒,馬建華.  中國安全科學(xué)學(xué)報. 2017(02)
[3]城市交通與信息化[J]. 汪光燾.  城市交通. 2015(03)
[4]鐵路調(diào)車事故防控措施探討[J]. 牛進(jìn)峰.  鐵道貨運(yùn). 2013(03)
[5]GIS在調(diào)車作業(yè)監(jiān)控系統(tǒng)中的應(yīng)用研究[J]. 賀娟妮,宋宇博,程媛媛.  蘭州交通大學(xué)學(xué)報. 2008(01)
[6]違章行為與心理因素分析[J]. 梁利.  中國安全科學(xué)學(xué)報. 2006(08)



本文編號：3289782