一种轨道交通车辆多传感器监测方法、装置及系统

1.本发明涉及轨道交通自动控制领域，更为具体的，涉及一种轨道交通车辆多传感器监测方法、装置及系统。


背景技术：

2.随着我国经济的繁荣发展，轨道交通行业也得到了蓬勃的发展，并以其安全、快捷、节约用地、运输量大等优点在近几年中呈现出快速发展态势。自北京地铁一号线建成通车，至今有50多年。截止2019年底，我国内地累计40多个城市开通了城市轨道交通系统，运营线路211条，总里程 6730.27km。而地铁等轨道交通在城市交通中占比达到了77%以上，占据着主导地位。以北京、上海、广州为例，这些城市是我国地铁最发达的城市，在上下班高峰期选择搭乘地铁等轨道交通车辆出行的人数占到了30%以上。
3.轨道交通作为城市交通最重要的组成部分，势必对其运行的安全性提出了很高的要求。车辆、线路、通信、信号和牵引供电系统故障时有发生，严重影响了轨道交通车辆的运营安全。如果一旦因为故障导致事故发生、造成了财产损失甚至人员伤亡，则一定会产生恶劣的社会影响。在这些故障中，轨道交通车辆机械故障在影响地铁运营安全诸多因素中比例最高，达到故障总数的30%-40%。作为旅客乘车载体的车辆一旦发生故障，危害性最大。因此为了预防故障的发生，缩短故障维修时间，降低维修成本，有必要采用多传感器监控轨道交通车辆的运行状态。
4.轨道交通车辆在载客运行过程中，在几乎不拆卸列车部件的情况下，安装多传感器自动采集监控轨道交通车辆的状态数据，通过状态数据提取分析监控轨道交通车辆的状态参数，判定被监控轨道交通车辆是否存在故障以及故障发生的具体位置，并预测列车的未来状态。列车多传感器状态监测是解决突发性故障的最好方式，是轨道交通列车运营安全的迫切需求。
5.列车多传感器状态监测以其全自动检测的方式减少了大量的人力物力，可以有效地降低地铁列车的运行检修成本。如果轨道交通车辆引入多传感器监测和诊断技术，预计事故可以减至原来的1/14。和未采用多传感器状态监测技术相比较，轨道交通车辆平均延长架修3次以上，最多的延长架修达9次。获取轨道交通车辆的实时运行状态，对于降低运营成本，提高经济效益也有同样的效果。
6.多传感器数据交融技术成为了一种轨道交通车辆监测重要的数据处理手段，诊断方式随着科学技术和理论研究的发展在不断进步。我国轨道交通车辆运行环境复杂多变，通过部署多传感器得到的监测数据，其可靠性和准确度比单一传感器更能满足要求，数据交融技术既能够适应轨道交通车辆运行的动态变化又能降低干扰因素对轨道交通车辆系统的影响。因此，研究适用于轨道交通车辆的多传感器监测方案可为轨道交通车辆多传感器监测平台提供重要数据。


技术实现要素：

7.本发明的目的在于克服现有技术的不足，提供一种轨道交通车辆多传感器监测方法、装置及系统，提高了可靠性和准确度，满足实际轨道交通车辆运用要求。
8.本发明的目的是通过以下方案实现的：一种轨道交通车辆多传感器监测方法，包括以下步骤：s1，读入多传感器监测数据；s2，利用读入的监测数据计算关系矩阵，利用所述关系矩阵判断多传感器测量数据间是否具有一致性；s3，根据所述关系矩阵，寻找相互支持度最高的传感器组；s4，如果通过相互支持度的判定，则将传感器组的测量数据采用自调节加权算法交融处理，将交融结果记为复合传感器的测量数据；如果未通过相互支持度的判定，则作如下处理：判断复合传感器数量，若复合传感器数量大于1，则选取交融精度高的传感器测量值为最终交融结果；若复合传感器数量等于1，则该复合传感器的测量结果为最终交融结果。
9.进一步地，在步骤s4之后，还包括步骤：s5，将复合传感器的测量数据与剩余传感器的测量数据建立关系矩阵，重复步骤s1~s4，直至不再具有通过相互支持度的判定处理的数据或者多传感器的测量数据已经全部交融为止；s6，当不再具有通过判定处理的数据的时候，则作如下处理：判断复合传感器数量，如果复合传感器数量大于1，则选取交融精度高的传感器测量值为最终交融结果，如果复合传感器数量等于1，则该复合传感器的测量结果为最终交融结果。
10.进一步地，在步骤s2中，所述利用读入的监测数据计算关系矩阵，包括子步骤：设数据为多个传感器中第个传感器的测量数据，数据为多个传感器中第个传感器的测量数据；为测量数据的一次测量值，为测量数据的一次测量值；为传感器的测量精度，为传感器的测量精度，t为传感器测量的实际值，则构建传感器和传感器的测量模型如下：的测量模型如下：和为传感器和的相互支持度，构建和的计算模型如下：根据相互支持度的求解公式得出：
和都是介于0
∼
1之间的数值；若的值越小，则多传感器中第个传感器被第个传感器支持的程度就越高；再引入相互支持度的判断关系式并构造关系矩阵。
11.进一步地，所述相互支持度的判断关系式，包括如下关系式：式中，为根据经验给定的最大上限值；表明两传感器测量数据间存在一致性，可参与交融过程；表明两传感器测量数据间不存在一致性，不可参与交融过程。
12.进一步地，所述相互支持度的判断关系式，包括如下关系式：。
13.进一步地，所述构造关系矩阵，具体包括构建如下关系矩阵：m为传感器数量。
14.进一步地，在步骤s4中，所述相互支持度的判定关系式为，为根据经验给定的最大上限值。
15.进一步地，在步骤s4中，所述将传感器组的测量数据采用自调节加权算法交融处理，具体包括子步骤：设传感器数量为，个传感器的方差分别为，设传感器测量的实际值为，多个传感器通过测量得到的数据分别是，多个传感器加权因子分别是，各传感器测量数据之间是相互独立且是实际值的无偏估计，多传感器测量数据交融后获得的值设为，数据交融结果和加权因子满足的条件为：总均方误差由以下公式计算：在上式中，表示求期望值，多个传感器通过测量得到的数据相互
之间独立，同时是实际值的无偏估计，，上式是关于多个传感器加权因子的多元二次函数，能够得到；通过多元函数求极值理论，得到最小均方误差是：对应的传感器加权因子是：由此得到，最优的数据交融结果是：。
16.一种轨道交通车辆多传感器监测装置，包括存储器和处理器，在存储器中存储有程序，当程序被处理器加载时执行如上任一项所述的轨道交通车辆多传感器监测方法。
17.一种轨道交通车辆多传感器监测系统，包括如上所述的轨道交通车辆多传感器监测装置。
18.本发明的有益效果包括：（1）本发明方案采用设计的自调节加权交融估计算法，自调节的为各传感器分配最优加权因子，提高了多传感器数据交融结果的可靠性，可用于处理轨道交通车辆运行过程中多传感器产生的大量监测数据的交融。
19.（2）本发明方案解决了轨道交通车辆多传感器监测数据交融的问题，针对现有数据交融方法的缺点，运用在线迭代与局部交融的思想，以一种新的相互支持度和自调节加权估计算法为基础，将支持度高的传感器组监测的数据进行局部交融，得到的结果为该复合传感器监测的数据，这样可以更好的发现更多潜在数据的一致性。在避免异常数据参与交融处理的同时，又提高了多传感器数据交融结果的准确性及可信度。
20.（3）本发明方案在线迭代过程中，如果发现某些传感器组监测数据局部交融的结果与其它传感器测量数据间存在潜在的一致性，就可以更有效的发挥多传感器测量数据的作用，可以更有效地改善多传感器判定数据一致性后直接剔除异常数据的缺点。
21.（4）使用本发明方案的绝对误差低于传统方案，从传感器测量值的绝对误差变化过程来看：使用算数平均值法的交融结果与实际相差较大，且绝对误差变化剧烈；使用传统自适应加权估计方案对数据进行处理后，系统的绝对误差显著降低，但仍然存在较大误差；使用本发明方案绝对误差低于传统方案且变化平缓呈收敛趋势。
22.（5）本发明方案抗干扰能力强，增加了精度较低的传感器参与数据交融的可能性，得到的传感器测量数据精度明显提高且误差小。
附图说明
23.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
24.图1为自调节加权交融估计模型示意图；图2为本发明实施例中基于自调节加权交融算法处理的方法步骤流程图；图3为不同方法仿真结果对比图；图4为不同交融方法在各采样时刻下的绝对误差与相对误差变化过程。
具体实施方式
25.本说明书中所有实施例公开的所有特征，或隐含公开的所有方法或过程中的步骤，除了互相排斥的特征和/或步骤以外，均可以以任何方式组合和/或扩展、替换。
26.鉴于背景中的现状，本发明的发明人经历了持续的研究后进一步发现如下问题：数据交融技术是运用单模型算法或多种模型组合算法，对多传感器采集信息进行交融分析处理，使得决策结果的准确度和可靠度更有利于对实际情况的判断。加权算法是研究的新式算法之一。所谓加权是对测量数据分配以合理的权重，其难点是如何分配最优权重以达到最佳的交融结果。比如采用adaewf算法，也可以提高数据交融精度，但adaewf算法只有监测到足够多的异常数据才能触发运行，不满足实际运用要求。
27.在采用数据交融算法之前需要进行一致性判断，通过定义支持度函数求取一致性矩阵，同时求取各传感器的综合支持度，从而判定是否存在异常数据并选择最佳数据集参与交融过程。一方面，阈值的选取依赖大量的数据处理经验且过于绝对化，导致数据交融结果受主观因素影响较大，对实际情况易造成误判；另一方面，异常数据的剔除减少了精度较低的传感器参与数据交融的可能性，这有违采用多传感器数据交融的初衷。
28.为了解决上述发现的新技术问题，本发明构思中提出一种新的数据交融方案，基于在线迭代与局部交融思想，以一种新的相互支持度和自调节加权估计算法为理论基础，进一步包括如下具体构思方案：（1）增加进行数据交融的传感器数量，提高精度较低的传感器加入数据交融的可能性，提高多传感器数据交融精度；（2）采用新设计的自调节加权交融估计算法，自调节的为各传感器分配最优加权因子，提高多传感器数据交融结果的可靠性，可用于处理轨道交通车辆运行过程中多传感器产生的大量监测数据的交融。
29.在具体实施方案中，图1为本发明实施例的自调节加权交融估计模型示意图，在轨道列车运行过程的多传感器监测中，安装了多个传感器同时监测某一特性参数，设传感器数量为。多个传感器通过测量得到的数据分别是，多个传感器加权因子分别是，多传感器测量数据交融后获得的值设为，数据交融结果和加权因子满足的条件为：
在进一步的实施中，如图2所示，本发明实施例方案具体包括但不限于如下步骤：(1)读入多传感器监测的数据；(2)计算关系矩阵；(3)依据关系矩阵寻找支持度最高的两个传感器；(4)如果通过的判定处理，则将传感器组的测量数据采用自调节加权算法交融处理，交融结果记为复合传感器的测量数据；(5)复合传感器的测量数据再次与剩余传感器的测量数据建立关系矩阵，重复上述步骤，直至不再具有通过判定处理的数据或者多传感器的测量数据已经全部交融为止；(6)当不再具有通过判定处理的数据的时候。如果复合传感器数量大于1，则选取交融精度高的传感器测量值为最终交融结果。如果复合传感器数量等于1，则该复合传感器的测量结果为最终交融结果。进一步的说明如下：表１表示六个传感器在七个不同时刻测量轨道交通车辆同一特性参数，该特性参数的实际值是50。表２表示六个传感器对该特性参数分别的测量精度。
30.表1 六传感器组采集的数据表表 2 六传感器组测量精度表（1）对六传感器组在时刻1监测到的数据进行本发明的自调节加权交融方法处理，通过公式：
可以得到关系矩阵：经过分析，是上三角矩阵里面的最大值。本发明方案中上限值取0.01，同时满足大于门限值0.01 ， 这就说明传感器和传感器的支持度在所有传感器里面是最大的。于是对传感器和传感器的监测数据采用自调节加权方法交融，得到：把作为复合传感器的一次测量数据值，把作为是复合传感器的测量精度，这样进行局部交融后，就从一个六传感器组变成了一个五传感器组。表3为这个五传感器组的测量数据及精度。
31.表 3五传感器组采集数据及精度表（2）对五传感器组在时刻1监测到的数据进行自调节加权交融方法处理，通过公式：得到：可以得到关系矩阵：
经过分析，为上三角矩阵里面的最大值，同时满足大于门限值0.01 , 这就说明传感器和传感器的支持度在所有传感器里面是最大的，于是对传感器和传感器的监测数据采用自调节加权方法交融，得到：把作为复合传感器的一次测量数据值，把作为复合传感器的测量精度。这样进行局部交融后，就从一个五传感器组变成了一个四传感器组。
32.后续不再赘述每一步关系矩阵的推导情况，只写出每一步分析得到的上三角矩阵中支持度最大值以及自调节加权交融结果。
33.（3）由四传感器组，推导出关系矩阵，可以分析得出是上三角矩阵里面的最大值，同时满足大于门限值0.01 ，这就说明传感器和传感器支持度在所有传感器里面是最大的，于是对传感器和传感器的监测数据采用自调节加权方法交融，得到：把作为复合传感器的一次测量数据值，把作为复合传感器的测量精度。这样进行局部交融后，就从一个四传感器组变成了一个三传感器组。
34.（4）由三传感器组，推导出关系矩阵，可以分析得出是上三角矩阵里面的最大值，同时满足大于门限值0. 01 ，这就说明复合传感器和复合传感器支持度在所有传感器里面是最大的，于是对复合传感器和复合传感器的监测数据采用自调节加权方法交融，得到：把作为复合传感器的一次测量数据值，把作为复合传感器的测量精度。这样进行局部交融后，就从一个三传感器组变成了一个二传感器组。
35.（5）由二传感器组，推导出关系矩阵，可以分析得出是上三角矩阵里面的最大值，但是小于门限值0. 01 ，于是对复合传感器和传感器的监测数据不再交融。
36.通过在该二传感器组内进行对比，我们选取交融后测量精度最高的一个传感器，即复合传感器， 得到最终交融结果是：
为验证本发明方法的效果，将轨道交通车辆多传感器数据交融结果与算数平均值法 、传统自适应加权估计算法得到的结果进行对比，见表4，可以看出本发明方法大幅度提高了估计的参数精度，同时使得测量误差更小，这就让多传感器测量值经过本发明方法处理后，比传统方法具有更高的可靠度和更高准确性。
37.图3是表4中对应的方法仿真结果对比图，本发明方法在多传感器数据交融后的结果上更趋于实际值和更收敛，而使用传统方法的算数平均值法 、传统自适应加权估计方法得出的交融结果与实际值差距较大。
38.表4 各交融方法数据交融结果对比表图4为不同交融方法在各采样时刻下的绝对误差与相对误差变化过程，从绝对误差变化过程来看：使用算数平均值法仿真后的交融结果与实际相差较大，且绝对误差变化剧烈；使用传统自适应加权估计方法对数据进行处理后，系统的绝对误差显著降低，但仍然存在较大误差且变化幅度有所缓和；使用本发明的自调节加权交融方法绝对误差低于前两种方法且变化平缓呈收敛趋势。
39.需要说明的是，在本发明权利要求书中所限定的保护范围内，以下实施例均可以从上述具体实施方式中，例如公开的技术原理，公开的技术特征或隐含公开的技术特征等，以合乎逻辑的任何方式进行组合和/或扩展、替换。
40.实施例1一种轨道交通车辆多传感器监测方法，如图2所示，包括以下步骤：s1，读入多传感器监测数据；s2，利用读入的监测数据计算关系矩阵，利用所述关系矩阵判断多传感器测量数据间是否具有一致性；s3，根据所述关系矩阵，寻找相互支持度最高的传感器组；s4，如果通过相互支持度的判定，则将传感器组的测量数据采用自调节加权算法交融处理，将交融结果记为复合传感器的测量数据；如果未通过相互支持度的判定，则作如下处理：判断复合传感器数量，若复合传感器数量大于1，则选取交融精度高的传感器测量值为最终交融结果；若复合传感器数量等于1，则该复合传感器的测量结果为最终交融结果。
41.实施例2在实施例1的基础上，在步骤s4之后，还包括步骤：s5，将复合传感器的测量数据与剩余传感器的测量数据建立关系矩阵，重复步骤s1~s4，直至不再具有通过相互支持度的判定处理的数据或者多传感器的测量数据已经全部交融为止；s6，当不再具有通过判定处理的数据的时候，则作如下处理：判断复合传感器数量，如果复合传感器数量大于1，则选取交融精度高的传感器测量值为最终交融结果，如果
复合传感器数量等于1，则该复合传感器的测量结果为最终交融结果。
42.实施例3在实施例1的基础上，在步骤s2中，所述利用读入的监测数据计算关系矩阵，包括子步骤：设数据为多个传感器中第个传感器的测量数据，数据为多个传感器中第个传感器的测量数据；为测量数据的一次测量值，为测量数据的一次测量值；为传感器的测量精度，为传感器的测量精度，t为传感器测量的实际值，则构建传感器和传感器的测量模型如下：的测量模型如下：和为传感器和的相互支持度，构建和的计算模型如下：根据相互支持度的求解公式得出：根据相互支持度的求解公式得出：和都是介于0
∼
1之间的数值；若的值越小，则多传感器中第个传感器被第个传感器支持的程度就越高；再引入相互支持度的判断关系式并构造关系矩阵。
43.实施例4在实施例3的基础上，所述相互支持度的判断关系式，包括如下关系式：式中，为根据经验给定的最大上限值；表明两传感器测量数据间存在一致性，可参与交融过程；表明两传感器测量数据间不存在一致性，不可参与交融过程。
44.实施例5在实施例3的基础上，所述相互支持度的判断关系式，包括如下关系式：。
45.实施例6在实施例3的基础上，所述构造关系矩阵，具体包括构建如下关系矩阵：
m为传感器数量。
46.实施例7在实施例5的基础上，在步骤s4中，所述相互支持度的判定关系式为，为根据经验给定的最大上限值。
47.实施例8在实施例1的基础上，在步骤s4中，所述将传感器组的测量数据采用自调节加权算法交融处理，具体包括子步骤：设传感器数量为，个传感器的方差分别为，设传感器测量的实际值为，多个传感器通过测量得到的数据分别是，多个传感器加权因子分别是，各传感器测量数据之间是相互独立且是实际值的无偏估计，多传感器测量数据交融后获得的值设为，数据交融结果和加权因子满足的条件为：总均方误差由以下公式计算：在上式中，表示求期望值，多个传感器通过测量得到的数据相互之间独立，同时是实际值的无偏估计，，上式是关于多个传感器加权因子的多元二次函数，能够得到；通过多元函数求极值理论，得到最小均方误差是：对应的传感器加权因子是：
由此得到，最优的数据交融结果是：。
48.实施例9一种轨道交通车辆多传感器监测装置，包括存储器和处理器，在存储器中存储有程序，当程序被处理器加载时执行如实施例1~实施例8任一项所述的轨道交通车辆多传感器监测方法。
49.实施例10一种轨道交通车辆多传感器监测系统，包括如实施例9所述的轨道交通车辆多传感器监测装置。
50.描述于本发明实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现，所描述的单元也可以设置在处理器中。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定。
51.根据本发明实施例的一个方面，提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行上述各种可选实现方式中提供的方法。
52.作为另一方面，本发明实施例还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被一个该电子设备执行时，使得该电子设备实现上述实施例中所述的方法。

技术特征：
1.一种轨道交通车辆多传感器监测方法，其特征在于，包括以下步骤：s1，读入多传感器监测数据；s2，利用读入的监测数据计算关系矩阵，利用所述关系矩阵判断多传感器测量数据间是否具有一致性；s3，根据所述关系矩阵，寻找相互支持度最高的传感器组；s4，如果通过相互支持度的判定，则将传感器组的测量数据采用自调节加权算法交融处理，将交融结果记为复合传感器的测量数据；如果未通过相互支持度的判定，则作如下处理：判断复合传感器数量，若复合传感器数量大于1，则选取交融精度高的传感器测量值为最终交融结果；若复合传感器数量等于1，则该复合传感器的测量结果为最终交融结果。2.根据权利要求1所述的轨道交通车辆多传感器监测方法，其特征在于，在步骤s4之后，还包括步骤：s5，将复合传感器的测量数据与剩余传感器的测量数据建立关系矩阵，重复步骤s1~s4，直至不再具有通过相互支持度的判定处理的数据或者多传感器的测量数据已经全部交融为止；s6，当不再具有通过判定处理的数据的时候，则作如下处理：判断复合传感器数量，如果复合传感器数量大于1，则选取交融精度高的传感器测量值为最终交融结果，如果复合传感器数量等于1，则该复合传感器的测量结果为最终交融结果。3.根据权利要求1所述的轨道交通车辆多传感器监测方法，其特征在于，在步骤s2中，所述利用读入的监测数据计算关系矩阵，包括子步骤：设数据为多个传感器中第个传感器的测量数据，数据为多个传感器中第个传感器的测量数据；为测量数据 的一次测量值， 为测量数据的一次测量值；为传感器 的测量精度， 为传感器
ꢀꢀ
的测量精度，t为传感器测量的实际值，则构建传感器
ꢀꢀ
和传感器
ꢀꢀ
的测量模型如下：上式中，表示第i个传感器的测量数据为传感器测量的实际值的概率，表示第j个传感器的测量数据为传感器测量的实际值的概率；构建和的计算模型如下：算模型如下：和为传感器和的相互支持度，根据相互支持度的求解公式得出：
和都是介于0
∼
1之间的数值；若的值越小，则多传感器中第个传感器被第个传感器支持的程度就越高；再引入相互支持度的判断关系式
ꢀꢀ
并构造关系矩阵。4.根据权利要求3所述的轨道交通车辆多传感器监测方法，其特征在于，所述相互支持度的判断关系式 ，包括如下关系式：式中， 为根据经验给定的最大上限值；
ꢀꢀ
表明两传感器测量数据间存在一致性，可参与交融过程；
ꢀꢀ
表明两传感器测量数据间不存在一致性，不可参与交融过程。5.根据权利要求3所述的轨道交通车辆多传感器监测方法，其特征在于，所述相互支持度的判断关系式 ，包括如下关系式：。6.根据权利要求3所述的轨道交通车辆多传感器监测方法，其特征在于，所述构造关系矩阵，具体包括构建如下关系矩阵：m为传感器数量。7.根据权利要求5所述的轨道交通车辆多传感器监测方法，其特征在于，在步骤s4中，所述相互支持度的判定关系式为，为根据经验给定的最大上限值。8.根据权利要求1所述的轨道交通车辆多传感器监测方法，其特征在于，在步骤s4中，所述将传感器组的测量数据采用自调节加权算法交融处理，具体包括子步骤：设传感器数量为，个传感器的方差分别为 ，设传感器测量的实际值为，多个传感器通过测量得到的数据分别是，多个传感器加权因子分别是
ꢀꢀ
，各传感器测量数据之间是相互独立且是实际值的无偏估计，多传感器测量数据交融后获得的值设为，数据交融结果和加权因子满足的条件为：总均方误差由以下公式计算：
在上式中，表示求期望值，多个传感器通过测量得到的数据相互之间独立，同时是实际值的无偏估计，，上式是关于多个传感器加权因子的多元二次函数，能够得到；通过多元函数求极值理论，得到最小均方误差是：对应的传感器加权因子是：由此得到，最优的数据交融结果是：。9.一种轨道交通车辆多传感器监测装置，其特征在于，包括存储器和处理器，在存储器中存储有程序，当程序被处理器加载时执行如权利要求1~8任一项所述的轨道交通车辆多传感器监测方法。10.一种轨道交通车辆多传感器监测系统，其特征在于，包括如权利要求9所述的轨道交通车辆多传感器监测装置。

技术总结
本发明公开了一种轨道交通车辆多传感器监测方法、装置及系统，属于轨道交通自动控制领域，包括步骤：读入多传感器监测数据；计算关系矩阵，利用关系矩阵判断多传感器测量数据间是否具有一致性；根据关系矩阵，寻找相互支持度最高的传感器组；如果通过相互支持度的判定，则将传感器组的测量数据采用自调节加权算法交融处理，将交融结果记为复合传感器的测量数据；如果未通过相互支持度的判定，则作如下处理：判断复合传感器数量，若复合传感器数量大于1，则选取交融精度高的传感器测量值为最终交融结果；若复合传感器数量等于1，则该复合传感器的测量结果为最终交融结果。本发明提高了可靠性和准确度，满足实际轨道交通车辆运用要求。要求。要求。


技术研发人员：王轶 高宏力 刘雪垠
受保护的技术使用者：西南交通大学
技术研发日：2023.08.31
技术公布日：2023/10/7