運營期高速鐵路變形監測數據管理與分析系統研究

馬 龍

（中鐵第四勘察設計院集團有限公司，湖北 武漢 430063）

隨著我國高速鐵路網的不斷健全完善，為保障運營期間鐵路軌道的平順性而開展的構筑物基礎變形監測項目逐步增多。高鐵路、橋、隧等線路構筑物的沉降監測和水平位移監測[1]過程持續周期長、監測內容復雜，其累積的海量監測成果數據管理與分析預測問題也亟待解決。鐵路監測數據管理領域基于C/S架構的變形監測系統[2]側重于監測成果的本地化管理，而鐵路管理部門運營期高鐵監測項目涉及多線路、多測量單位的監測成果數據，C/S架構系統不能很好滿足多部門用戶對項目基本信息、監測數據、變形預警信息的網絡化共享需求；現有的基于B/S架構的變形監測系統[3]多局限于單一領域單一類型監測數據的管理，無法應對當前運營高鐵監測項目遇到的監測數據源多、數據維度雜導致統一管理難的問題，且監測數據實時變形分析與預測功能欠缺。

因此，文章研發了基于分布式表單存儲結構的運營期高速鐵路變形監測數據管理系統，實現了多鐵路線、多區段、長周期高鐵基礎變形監測成果管理、重點監測地段動態調整管理及監測預警信息管理；同時，選取某高鐵運營期三種不同趨勢的斷面點位沉降數據，分析傳統Kalman濾波在靜態、常速、常加速三種模型下的濾波估計與變形預測效果。

1 基于B/S架構的監測數據系統設計與實現

1.1 系統總體架構設計

采用ASP.NET Web應用程序框架開發變形監測數據管理與分析系統的前后端模塊，主要包括用戶權限管理、數據信息入庫、監測屬性管理、工程信息管理、數據檢索服務、變形分析與預測、預警信息管理等七個模塊。系統設計階段的總體功能架構如圖1所示。

圖1 系統功能框架圖

1.2 數據庫設計及存儲優化

服務端數據庫基于輕量型的MySQL數據庫開發設計，具體數據庫結構詳見的相關研究成果[4]。根據本項目的應用背景，其數據庫應將以下三點因素作為設計準則。

（1）數據安全管理機制。系統用戶權限管理是保障系統安全的必要手段，同時，需對用戶個人信息、重要數據結構信息進行加密，預防SQL注入等網絡攻擊破壞數據庫服務器的安全運行。

（2）查詢檢索需求。同一項目的監測數據往往來源于不同線路、同一線路的不同測段、不同單位、不同監測儀器，相應的表單結構充分考慮可能的屬性設置。諸如單一點位縱向多期次成果查詢、同一斷面多點位同期次成果查詢、按里程查詢等。

（3）存儲架構優化。隨著監測頻率及監測時間的增長，監測成果數據呈現海量的特性，使得傳統單一數據庫單表的檢索效率降低。文章引入分布式表單存儲機制，即單數據庫不同維度數據同庫分表單存儲結構，避免單一表單不同項目同類型數據存儲過多導致數據查詢及入庫效率低。

1.3 變形分析與預警體系

系統構建了預警信息的二級審核機制，其審核機制如圖2所示。

圖2 網絡預警體系圖

傳統的人工手動篩選或者用戶前臺查詢的方式獲取監測成果中的超限信息，都存在不利因素。手工前臺篩選耗費人力且效率低，前臺查詢的方式在數據量大的情況下會增加后臺數據庫服務器的壓力。本系統最終選擇在用戶前端入庫的過程中通過獲取系統預設的閾值將入庫數據中的超限值篩選并保存到數據庫表中，方便系統管理人員可直接登錄查詢統計超限信息。而鑒于第一級過濾的超限信息往往包含監測誤差信息，本系統設置了第二級人工審核，審核通過后方可向項目相關負責人推送預警信息通知。系統集成的Kalman動態時間序列分析與預測模型，可為用戶分析構筑物變形趨勢，剔除偽變形信號提供一定的依據。

1.4 系統功能實現及應用

1.4.1 工程概況及特點

上海局運營高鐵精測網復測與基礎變形監測涵蓋了其管轄下的10多條運營高鐵線路，總長度占據中國高鐵運營里程的16%左右，是目前規模最大的一次運營期鐵路測量項目。高鐵線路的基礎構筑物變形監測是該項目的重要組成部分?；谏鲜黾軜嬮_發完善了運營期高速鐵路變形監測數據管理與分析系統，并采用該項目的數據進行測試運行。

1.4.2 系統應用效果

（1）主界面。包括用戶信息管理、數據分類檢索、工程屬性信息管理、超限信息管理四個模塊功能。

（2）數據檢索。提供單點或者多點模式下瀏覽一維、二維、三維的監測成果數據，并以圖表形式反饋給前臺用戶使用，如圖3所示。

圖3 管理員權限下監測成果瀏覽

（3）工程屬性信息查詢。主要包括線路信息、測量單位信息、聯系人信息、安全生產日志等屬性信息的查詢與錄入。點位信息、測段信息等監測屬性信息仍在集成當中。

（4）預警信息管理。用戶可一鍵查詢入庫過程中提取的超限信息，并提供管理超限信息的工具。用戶可選擇微信公眾號平臺、手機短信、電子郵件等多途徑推送綜合評定分析后得到的預警信息。

2 基于Kalman濾波的沉降監測數據分析

傳統Kalman濾波狀態方程和觀測方程的確立、濾波初值的確定、精度評定指標等具體建模過程，以及Kalman濾波在線分析算法的云端集成的相關成果[4]。主要采用某運營期高速鐵路沉降監測數據中不同監測斷面上3種典型沉降趨勢的監測點數據進行建模，分析對比傳統Kalman濾波方法不同狀態模型下變形分析與預測的應用效果。

為了分析變形體運動學模型不準確產生的模型誤差對結果的影響，采用靜態Static-Kalman、常速CV-Kalman、常加速CA-Kalman三種模型建模，系統的初值狀態一般可由前幾期監測成果資料計算獲得；高鐵變形監測網為三等變形監測網，其中高程沉降監測的精度為±1 mm，因此系統觀測噪聲=1 mm；系統動態噪聲矩陣可依據的相關內容構建[4]。濾波分析的結果見圖4～圖6，濾波估計精度及一步預報值精度見表1、表2。

圖4 趨穩型：Kalman濾波分析圖

圖5 波動型：Kalman濾波分析圖

圖6 變形型：Kalman濾波分析圖

表1 三種數據Kalman濾波估計精度

表2 三種數據一步預報精度

由表1和表2結果分析可知：①不同趨勢序列CVKalman和CA-Kalman濾波估計的均方根誤差、平均相對誤差明顯小于Static-Kalman，這表明Static-Kalman對于工程變形體趨穩期數據具有較好的濾波估計效果，而CV-Kalman和CA-Kalman則適用于構筑物變形不穩定的初期和加速期階段。②Static-Kalman和CV-Kalman一步預報均方根誤差、平均相對誤差小于CA-Kalman，這表明短期變形預報Static-Kalman和CV-Kalman優于CA-Kalman，主要由于CA-Kalman參數過多使得狀態矩陣不穩定所致。③因此系統主要集成濾波估計與一步預報精度均較好的CV-Kalman模型。

4 結語

文章研究了較為通用的分布式表單數據庫存儲結構，并構建了基于B/S架構的運營高鐵基礎變形監測數據管理系統，提高了其監測成果數據的管理效率；同時，集成了以Kalman濾波為主的在線分析算法，其分析結果有助于剔除偽變性信息。實測路基斷面沉降數據量化評價分析表明，常速Kalman模型在濾波估計與一步預報中具有較好的適用性。