高速鐵路無砟軌道系統狀態監測及預防性維修

劉大玲 黃小鋼

中鐵第四勘察設計院集團有限公司，武漢，430063

0 引言

高速鐵路(以下簡稱“高鐵”)軌道系統直接承載高速列車的高頻沖擊和振動，在列車速度大于250 km/h的高速條件下，要想實現列車的安全性和舒適性，就要求鋼軌必須具有高平順性。對于鋼軌而言，惡劣的工作環境、氣溫變化、鋼軌移位、扣件松動、道床沉降等因素都可能會造成溫度應力和附加應力的產生，引起鋼軌的伸縮變形，進而嚴重影響列車安全。

根據《高速鐵路無砟軌道線路維修規則(試行)》(鐵運[2012]83號)的要求，線路維修按照“嚴檢慎修”的原則[1]，而在天窗時間內按根據經驗制定的周期進行檢修，無法科學合理地配置維修資源，易造成維修資源的浪費(過修)和檢修不及時(失修)[2]。經過十余年的探索，2017年中國鐵路總公司開始推進高鐵工務、供電、電務綜合維修生產一體化工作，由此，運營維護手段亟需更新。高鐵軌道系統檢測一般采用周期性動態檢查(每10～15天檢查1次)和天窗時間的靜態檢查，因此，為保障線路安全、平穩，延長線路壽命并控制運營維護成本，筆者所在科研團隊利用光纖光柵傳感技術建立了高鐵軌道系統狀態監測平臺，并結合軌道質量指數(track quality index, TQI)，利用神經網絡算法建立了軌道狀態預測模型，預測軌道服役狀態，預測結果可指導運營維護部門及時、合理地進行軌道養護維修。

1 軌道系統狀態監測平臺

1.1 光纖光柵傳感器

光纖光柵的中心波長是光纖光柵傳感器敏感度很強的變化參量，當外界環境(如溫度、應變、壓力)發生變化時，光纖光柵傳感器的折射率以及柵與柵之間的間距會發生改變，從而引起光纖光柵傳感器的中心反射波長和透射波長發生漂移。圖1為光纖光柵傳感器原理示意圖。

圖1 光纖光柵傳感器原理示意圖Fig.1 Schematic diagram of fiber bragg grating sensor

入射光通過光纖光柵傳感器反射的中心波長表達式為

λB=2neffΛ

(1)

式中,neff為光纖纖芯區有效折射率;Λ為光纖布拉格光柵(fiber Bragg grating，FBG)的柵與柵之間的距離。

FBG是利用光纖材料的光敏性在纖芯內形成空間相位光柵的，其作用實質上是在纖芯內形成一個窄帶的濾光器或反射鏡[3]。基于FBG的光纖傳感器，其傳感過程是通過外界參量對布拉格中心波長的改變來實現的。

光纖光柵傳感器具有以下特點[4]：①各類強度電磁干擾不影響輸出結果；②不會對傳感器輸出結果的穩定性和可靠性產生過大的影響；③造價低，制作方便，具有很好的制作重復性和一致性；④靈敏度高、測量范圍寬、結構簡單。

由于光纖光柵傳感器的輸出為反射波長的位移量，且該位移量與被測量(如應力、溫度、壓力等)的變化成線性關系，因而更具有實用前景，可滿足高鐵大跨度橋現場惡劣條件下監測的需求。

1.2 狀態監測平臺

無砟軌道系統監測平臺由光纖光柵傳感器、調制解調器、采集服務器、后臺數據服務器、監測終端等硬件部分組成，包括三大子系統：數據測量子系統、數據采集傳輸子系統及數據管理分析子系統。圖2為監測平臺組成拓撲圖。

圖2 監測平臺拓撲圖Fig.2 Topology diagram of monitoring

(1)數據測量子系統。由光纖光柵溫度、應變、位移傳感器以及各種傳感器的調制解調設備組成，安裝在無砟軌道上。

(2)數據采集傳輸子系統。采集服務器軟件將收集到的傳感器監測數據存儲到采集服務器中，同時通過互聯網將數據傳輸到路局、工務段或其他監測中心的監測服務器中。

(3)數據管理分析子系統。監測服務器將數據存儲到本地數據庫中，進行數據的存儲、分析、查詢和預測預警等功能，供監測用戶端調用查看。

以鄭西高鐵黃龍村特大橋為試點(圖3)進行說明。從車站到橋梁約3 km區間包含道岔、隧道、過渡段、彎道、橋梁等特征路段，基礎設施集中且具代表性。結合橋上無縫線路的軌道、道床板、橋梁梁體等的受力及變形情況，將橋上無縫線路按照橋墩、橋梁結構特點分成18個檢測截面(圖4)，并給配置76個監測點、80個傳感器。

圖3 鄭西高鐵黃龍村特大橋方位示意圖Fig.3 Diagram of azimuth of huanglongcun bridge on zhengxi high-speed railway

圖4 監測點分布圖Fig.4 Distribution map of monitoring points

檢測截面監測點布置如下：2—4之間為32 m簡支梁，4—8—12—15之間為連續梁，其中8為固定端，4、12、15為活動端，4—8之間簡支梁長度為48 m、8—12之間簡支梁長度為80 m、12—15之間簡支梁長度為48 m、15—17之間簡支梁長度為32 m，為了監測溫度對兩跨橋墩的影響，對1號橋墩前32 m處和6號橋廓后32 m處進行監測。

1.2.1溫度測點

FBG的溫度傳感特性是1℃對應中心波長變化10 pm，如果將光柵兩端粘貼在金屬毛細管上，熱膨脹系數較高的金屬就會拉動光柵，使溫度靈敏度達到1 ℃對應光柵中心波長25 pm的變化，從而達到增敏效果[5]。

溫度的監測內容包括氣溫、軌溫、軌道板溫度梯度和橋梁溫度，共設8個溫度傳感器。圖5所示為FBG溫度傳感器。

圖5 FBG溫度傳感器Fig.5 FBG temperature sensor

1.2.2應力測點

FBG應變傳感器采用預先將FBG懸空粘貼在鏤空的鋼片槽內制成應變片，再將應變片用抗老化的鋼結構膠直接粘貼在鋼軌中性線經打磨的面上的方式。

應力的監測包含鋼軌的伸縮附加力、軌道板應力和底座板應力，共設42個光纖光柵應變傳感器測點。圖6所示為應變傳感器。

圖6 FBG應變傳感器Fig.6 FBG strain sensor

1.2.3位移測點

FBG位移傳感器由受力環、拉簧、拉桿、殼體組成。將受力環的一端固定在殼體上，一端通過拉簧和拉桿感受被測位移的變化。

位移監測包含鋼軌與軌道板相對位移、凸形擋臺與軌道板相對位移、軌道板與底座相對位移，共設30個光纖光柵位移傳感器測點。圖7所示為監測現場的鋼軌位移傳感器。

圖7 FBG鋼軌位移傳感器Fig.7 FBG rail displacement sensor

1.2.4數據采集

所有傳感器以采集頻率最低的傳感器為基準，在同一時間收集一次數據，以備分析使用。數據收集過程分為兩個階段：

(1)項目前期。由于前期數據較少，需要經過大量的調試和分析才能得到最有用的數據，因此收集頻率較高。

(2)項目后期。在后期的數據收集過程中，根據前期的分析報告，設定合理的數據收集頻率。系統能根據監測數據分析出每個監測點鋼軌、橋梁的狀態并提供出最佳的維護時間。

2 預防性維修技術

2.1 監測數據分析

對監測數據的基本特征進行分析，主要分析數據的分布狀態和周期性質等。其中，對監測數據分布狀態的分析，可有效地指導結果的判斷；周期性是無砟軌道服役狀態最明顯的特征，在環境作用下軌道發生的周期性變化對于指導運營維護具有重要的意義。

結合無砟軌道動態檢測及實時監測數據，對軌道質量指數(TQI)、監測的軌道溫度、應力等數據進行分布狀態及周期性質的分析。

2.1.1分布狀態分析

數據分布規律特征對于判斷無砟軌道狀態數據穩定與否、異常值判別、相關性分析乃至病害診斷都具有重要意義。本節采用頻率分布揭示軌道系統監測數據的分布規律，以頻率分布直方圖的形式直觀體現不同指標的分布狀態。圖8表明，并非所有的監測數據都具有明顯的正態分布特征。

圖8 軌道溫度監測數據頻率分布直方圖Fig.8 Frequency distribution histogram of Rail temperature monitoring data

根據軌道檢測數據及其檢測時間，繪制各軌道質量指數(TQI)變化曲線(圖9)，可以直觀地看到軌道質量指數變化情況。

圖9 軌道質量指數變化曲線圖Fig.9 TQI change curve

如圖9所示，軌道質量指數具有波動增長的特點，經對TQI值變化曲線進行擬合發現，線性擬合結果良好，擬合系數R2=0.858，說明線路在維修之后，軌道的TQI值也呈現出長期線性增長的趨勢。

利用χ2擬合檢驗方法，將樣本總量n劃分為相互獨立的多個區間，計算落入各個區間的頻數以及重復試驗中特定事件發生的頻率，得到如表1所示的監測項分布特征。

表1 監測項分布特征

2.1.2周期性分析

高鐵無砟軌道各指標受到環境溫度變化的直接影響，并隨著溫度的變化呈現出明顯的周期特性。周期性的溫度變化，以溫度力的形式直接作用于軌道結構。在溫度升降過程中，由于混凝土等結構導熱性能不佳，從而使得軌道板等結構存在溫度梯度，進而引起軌道板翹曲變形、離縫加速等病害的產生。軌道溫度和氣溫均呈周期性變化，變化的周期約為24 h；軌道溫度與氣溫的變化趨勢相同。與此同時，短期內鋼軌位移、鋼軌應變、軌道板應變也具有周期性特點，周期為1天。除了受到晝夜溫度變化呈現出周期為1天的性質之外，長期監測數據表明各監測項在環境作用下，具有以年為周期的起伏波動的特點。

2.2 數據預測

高速鐵路無砟軌道的力學特性直接影響運營安全，因此，對軌道狀態要求極高。目前主要通過軌道檢測車等進行預測，但根據軌道狀態監測數據預測的方法尚缺乏。

鋼軌應力、尖軌伸縮位移等無砟軌道監測數據受自身結構、外界環境等因素影響，各監測數據之間為非線性關系，而抽取和逼近這種非線性關系，神經網絡是比較合適的方法[6]。

BP網絡由輸入層、中間層和輸出層組成，是一種多層前饋型神經網絡。BP網絡相鄰層間相互連接，但各層神經元之間不存在聯系。樣本數據輸入后，神經元的激活值從輸入層經中間層向輸出層傳遞，最終位于輸出層的神經元得到網絡的輸入響應[6]。圖10所示為BP神經網絡結構。

圖10 BP神經網絡Fig.10 Back propagation neural network

2.2.1 BP神經網絡設計及訓練

將鋼軌-軌道板相對位移作為樣本數據進行預測分析。位移數據提取間隔為2 h，即一天提取12次。每天的氣溫提取最高氣溫和最低氣溫。因此，每天的輸入數據為當天12個鋼軌-軌道板相對位移數據和第二天的兩個氣溫數據和天氣數據，共計15個，輸出數據為第二天的鋼軌-軌道板相對位移數據，共12個。

采用單隱層的BP神經網絡進行預測。對應的網絡輸入層的神經元有15個，網絡中間層的神經元可取29個，輸出層的神經元取12個。網絡中間層的神經元傳遞函數采用S 型正切函數tansig，輸出層神經元傳遞函數采用S 型對數函數logsig。訓練函數采用trainlm，訓練次數為150 次，訓練目標為0.001 5，學習速率為0.1。

利用MATLAB軟件進行計算，訓練結果如圖11所示。經過35次訓練后，網絡誤差達到訓練目標要求。

圖11 訓練結果Fig.11 Training results

2.2.2 BP神經網絡預測

利用某年6月15日監測的鋼軌-軌道板相對位移數據和6月16日的天氣和氣溫數據，預測6月16日的鋼軌-軌道板相對位移數據。運行仿真函數sim()，實際結果與網絡預測結果見表2。網絡預測數據誤差除第八個數據外其余均小于7%，因此預測模型基本上滿足了應用要求。

表2 實際數據和預測數據對比

2.3 預防性報警

高鐵軌道系統在溫度荷載作用下，其多項力學指標呈現出明顯的周期性變化特征，不同指標還具有一定的相關性。分析統計樣本的相關性，綜合考慮多樣性指標進行報警預警，是較為可行的辦法[7]。

采用基于距離的離群點檢測方法，對監測數據狀態進行識別。即如果監測數據集中至少有多個樣本點與特點監測數據的距離大于限值，則該監測數據是一個基于距離的離群點。

根據前文分析，鋼軌應力、位移等參數與軌道溫度呈現明顯的線性關系。以鋼軌應力為例，理想狀態下，構造的點集在平面上應在一條線段附近。線段兩端表示軌道溫度、鋼軌應力較大或較小，而距離線段兩側較遠的點則不在預期范圍內，表示當前軌道狀態不夠理想。

3 結論

(1)本文利用光纖光柵傳感技術，建立了高鐵無砟軌道系統狀態監測系統，提出監測內容和監測點布置方案。

(2)通過對監測數據基本特征的分析，并結合軌道質量指數(TQI)，建立了BP神經網絡無砟軌道狀態預測模型，用于預測軌道服役狀態，實現高鐵軌道系統的預防性維修。

(3)本文僅對無砟軌道狀態進行監測，隨著高鐵工務、供電等綜合維修生產一體化進程的推進，后續應結合供電等設施，進一步深化多專業監測方案及關聯性分析。