高速鐵路綜合檢測數(shù)據(jù)分析關鍵技術研究

楊宏圖，許貴陽，侯衛(wèi)星，王衛(wèi)東，劉金朝

（1.鐵道部 運輸局，北京 100844；2.中國鐵道科學研究院 基礎設施檢測研究所，北京 100081）

高速鐵路綜合檢測數(shù)據(jù)分析關鍵技術研究

楊宏圖1，許貴陽2，侯衛(wèi)星1，王衛(wèi)東2，劉金朝2

（1.鐵道部 運輸局，北京 100844；2.中國鐵道科學研究院 基礎設施檢測研究所，北京 100081）

自京津城際鐵路開通運營以來，我國鐵路采用綜合檢測列車進行基礎設施安全檢測。自主研制的高速綜合檢測列車采用先進的檢測手段，具有軌道、接觸網(wǎng)、通信、信號、輪軌動力學等測試功能。基于多體動力學仿真、神經(jīng)網(wǎng)絡分析、雙指數(shù)函數(shù)方法，提出的仿真模型、輪軌力預測方法、軌道狀態(tài)變化規(guī)律，經(jīng)試驗驗證結果正確，為建立和完善我國高速鐵路綜合檢測數(shù)據(jù)分析專家系統(tǒng)打下了基礎。

高速鐵路；綜合檢測列車；輪軌力；神經(jīng)網(wǎng)絡；雙指數(shù)函數(shù)

自京津城際鐵路開通運營以來，我國鐵路采用綜合檢測列車進行基礎設施安全檢測。自主研制的0號高速綜合檢測列車承擔了京津城際、武廣、鄭西、滬寧等高速鐵路和既有提速線路的安全檢測任務。高速綜合檢測列車的開發(fā)基于高速動車組技術平臺，采用先進的軌道、接觸網(wǎng)、通信、信號、輪軌動力學等測試手段，同時運用計算機網(wǎng)絡和仿真技術對采集的數(shù)據(jù)進行綜合分析和處理。高速綜合檢測列車和數(shù)據(jù)處理關鍵技術是構建高速鐵路安全、高效運營保障體系的重要技術支撐。

1 高速綜合檢測列車

我國首列高速綜合檢測列車——0號高速綜合檢測列車于 2008 年7月投入運用，隨即承擔了京津城際鐵路的聯(lián)調聯(lián)試和安全檢測，目前，檢測總里程已超過 60萬 km。0號高速綜合檢測列車由通信信號檢測車、會議車、接觸網(wǎng)檢測車、數(shù)據(jù)綜合處理車、軌道檢測車、餐車、臥鋪車和信號檢測車8輛組成，最高檢測速度 250 km/h，最大牽引功率5 500 kW，是5動3拖，由2個動力單元組成的動力分散型動車組。該列車采用先進的檢測手段，具有軌道、接觸網(wǎng)、通信、信號、輪軌動力學等測試功能，解決了高速動車組的適應性設計、現(xiàn)代光電測量、電磁兼容設計、高速數(shù)據(jù)同步采集、列車精確定位、大容量數(shù)據(jù)交換、實時圖像識別和數(shù)據(jù)綜合處理等一系列技術難題。圖 1—圖3分別為0號高速綜合檢測列車的平面布置、外觀和車內(nèi)檢測設備。

圖1 0號高速綜合檢測列車平面布置圖

圖2 0號高速綜合檢測列車外觀圖

圖3 0號高速綜合檢測列車的檢測設備

0號高速綜合檢測列車的檢測設備主要技術指標如下。

（1）軌道。功能：檢測軌道幾何不平順，包括高低、軌向、三角坑等。技術指標：測量波長在3～120 mm 范圍內(nèi)，精度達到 1.5 mm。

（2）接觸網(wǎng)。功能：檢測接觸網(wǎng)幾何不平順，包括導高、拉出值、接觸線磨耗等。技術指標：導高、拉出值分辨率 5 mm，允許誤差 10 mm，磨耗分辨率 0.2 mm，允許誤差 2%。

（3）通信。功能：檢測 GSM-R 服務質量、GSM-R 場強覆蓋、網(wǎng)絡參數(shù)。技術指標：頻率范圍 9 kHz～7 GHz，場強測量精度 ±1.5 dB。

（4）信號。功能：檢測應答器、補償電容、軌道電路。技術指標：應答器檢測誤碼率＜1%，補償電容檢測正確率＞98%。

（5）輪軌動力學。功能：檢測輪軌力和車體、構架、軸箱加速度。技術指標：輪軌力的分辨率0.5 kN，車體、構架、軸箱加速度的分辨率分別是0.005 g、0.05 g、0.2 g。

（6）綜合。功能：實現(xiàn)車載系統(tǒng)集成及數(shù)據(jù)綜合處理。技術指標：空間采集同步誤差≤0.3 mm，時間采集同步誤差≤5μs。

2 數(shù)據(jù)處理關鍵技術

0號高速綜合檢測列車具有數(shù)據(jù)集中存儲、綜合分析、綜合顯示等數(shù)據(jù)處理功能。為滿足高速鐵路安全、高效運營的需求，深化綜合數(shù)據(jù)處理技術研究，掌握基礎設施對高速列車運行性能的影響及基礎設施損傷變化規(guī)律顯得尤為重要。為此，進行了高速鐵路動力學仿真和故障預測技術的研究。

2.1 動力學仿真技術

利用 ADAMS/RAIL 多體系統(tǒng)動力學仿真軟件建立高速列車的模型，如圖4所示，并結合實測數(shù)據(jù)，研究軌道不平順與車輛橫向加速度超限的關聯(lián)性。

以滬昆線實測的軌道幾何不平順作為輸入，對車體加速度超限與軌道不平順的關聯(lián)關系進行動力學仿真，將兩次不同超高的仿真結果進行對比，如圖 5、圖6所示。圖5中紅色實線是模擬超高變化后檢測結果，藍色虛線是模擬超高變化前檢測結果。圖6中紅色實線是模擬超高變化后檢測結果，藍色虛線是模擬超高變化前檢測結果。由圖 5、圖6可見，超高的變化對構架加速度不產(chǎn)生明顯影響，但對車體橫向加速度產(chǎn)生明顯影響。實測中車體發(fā)生側滾共振，這與仿真結果是吻合的。

2.2 基于神經(jīng)網(wǎng)絡的輪軌力預測

神經(jīng)網(wǎng)絡具有強大的自學習和容錯能力，利用BP 神經(jīng)網(wǎng)絡建立軸箱加速度與輪軌力的關聯(lián)模型，可實現(xiàn)對輪軌力的預測。

（1）BP 神經(jīng)網(wǎng)絡。多層感知器 BP 神經(jīng)網(wǎng)絡由輸入層、隱層和輸出層組成，如圖7所示。在 BP 神經(jīng)網(wǎng)絡中，輸入層僅負責將輸入信號傳遞到隱層，隱層從輸入層接收信號，并進行最主要的數(shù)學處理后送至輸出層，輸出層負責將隱層的輸出信號加權聚合為神經(jīng)網(wǎng)絡的輸出信號[1-5]。

圖7 多層感知器神經(jīng)網(wǎng)絡隱層神經(jīng)元

（2）輪軌力預測。以軸箱垂向加速度作為輸入，以 [0.5，40] Hz 帶通濾波后的車輪垂向力作為輸出，訓練三層 BP 神經(jīng)網(wǎng)絡 (時間延遲點個數(shù)取 50，中間層神經(jīng)元個數(shù)取15)，訓練成功后的訓練結果和實測結果，以及它們的相關性分析分別如圖8和圖9所示。由此可見，利用神經(jīng)網(wǎng)絡法能成功地建立輪軌作用力與軸箱加速度的非線性對應關系。

（3）基于雙指數(shù)函數(shù)的軌道狀態(tài)變化模型。預測軌道不平順的發(fā)展規(guī)律對保障列車運行的安全性和舒適性，合理安排維修周期，降低維修成本，有重大的現(xiàn)實意義。

由于軌道系統(tǒng)的復雜性，軌道不平順的產(chǎn)生與發(fā)展是諸多具有隨機性因素共同作用的結果，如通過總重、單位時間載重量、速度、軌道條件、路基構造、溫度變化等。目前，大多數(shù)軌道不平順的預測模型都無法量化所有的相關因素，極大地影響了預測精度，使模型投入實用還存在一定的距離。

基于殘差序列的修正非等時距灰色 GM (1，1)預測法的核心是利用灰色模型擬合 TQI 的趨勢項，利用三角函數(shù)擬合 TQI 的殘差項。由灰色模型的推導可看出，灰色模型等價于利用指數(shù)模型擬合 TQI的趨勢項。為了進一步提高擬合的精度，提出利用雙指數(shù)函數(shù)擬合 TQI 的趨勢項。雙指數(shù)函數(shù)可寫為：

式中：a、b、c、d 均為待定參數(shù)。

利用0號高速綜合檢測列車實測的京津城際鐵路的軌道不平順數(shù)據(jù)計算 TQI ，并利用雙指數(shù)函數(shù)預測方法對其進行擬合和預測。圖10中的圓點是實測京津城際鐵路從 2009 年7月—2010 年7月的 TQI，虛線表示擬合和預測結果，最后一個點表示 2010 年8月的預測結果，其中預測值是 3.121 9，實測值是 3.087 3，絕對預測誤差是 0.034 5，相對預測誤差是 1.1%。

3 結束語

針對我國高速鐵路運營需求，開發(fā)了具有檢測精度高、綜合數(shù)據(jù)能力強等特點的高速綜合檢測列車，已成為保障高速鐵路運輸安全和高效運營的重要手段。基于多體動力學仿真、神經(jīng)網(wǎng)絡分析、雙指數(shù)函數(shù)方法，提出的仿真模型、輪軌力預測方法、軌道狀態(tài)變化規(guī)律，經(jīng)試驗驗證結果正確，為建立和完善我國高速鐵路綜合檢測數(shù)據(jù)分析專家系統(tǒng)打下了基礎。

[1] Li D.，Meddah A.，Hass K.and Kalay S. Relating track geometry to vehicle performance using neural network approach[J]. Porc. IMechE，220 Part F：J. Rail and Rapid Transit，2006.

[2] Li D，Morgart D.，Harbuck R. and Mischke M.BNSF experience：track geometry inspection taking into account vehicle performance[J]. Railway Track Structure，2005，101(9)：19-23.

[3] Li D.，Meddah A，Hass K.and Kalay S. Development and implementation of performance-based track geometry inspection[C]. Proceedings of Railway Engineering Conference，London，2005.

[4] Salahifar T.，Li D.and Shust B.Neural network modeling response of a loaded, coved hopper car to track geometry[J].Technology Digest 99-022，Association of America Railroads，2002.

[5] Hornik,K. Approximation capabilities of multilayer feedforward networks[J]. Neural Networks, 1991，4(2)：251-257.

1003-1421(2011)01-0031-04

U238

B

2010-12-24

國家863重點項目(2009AA110302)；鐵道部科技基金項目(2010T001-B)

責任編輯：林 欣