基于光纖傳感系統的德國列車實時精確定位技術

1 光纖傳感技術概述

光纖傳感（FOS）技術的基本原理是將光纜與光學單元連接，使其成為振動傳感器。光學單元會以2 000次/s的頻率將激光脈沖發送到光纖中，并捕捉反射回來的脈沖，對其進行測量。由于聲波和振動波作用在光纖上時，反射的脈沖數量會發生變化，因此通過測量和分析反射脈沖就可以在最長80 km的線路上檢測多種對象和事件，如檢測運行中列車的振動頻譜。

FOS系統不僅能夠對反射脈沖進行定性測量，以確定列車的位置、行進方向和速度，而且可在升級后對其進行定量測量（圖1）。定量測量可獲取更多的列車特征，例如，圖1中定量測量的結果可顯示列車的各車軸。通過 各種特殊算法對測量數據進行分析，可獲取除列車精確位置之外的更多信息，如線路占用情況、列車質量等。此外，利用該系統還能夠監控和檢測線路狀況、軌道車輛和基礎設施元件的損傷，以及光纜附近人和動物的活動等。

2 技術條件

2.1 電平范圍和傳感器質量

每列列車都有其獨特的聲學信號。人可以通過聽覺直接分辨德國城際高速鐵路（ICE）與滿載貨運列車的聲學信號差異，但卻無法感知其細節，原因在于各種軌道車輛的聲音信號中都包含了許多與其特性相關的信息。在檢測這些信息時，檢測范圍的動態性和傳感器的靈敏度至關重要。

FOS系統可檢測的電平范圍由其固有噪聲及信號頻帶寬度超范圍現象的影響決定。

圖1 FOS系統定性和定量測量的列車信號對比

FOS系統的固有噪聲源自其固有特性和持續的外部影響。如果待檢測聲學信號與其固有噪聲近似，則信噪比將變得很小，以致無法進行測量，從而出現檢測不出列車某些特征或行為（如列車制動）的情況（圖2）。這種情況可通過執行相應的邏輯（可確保FOS系統不自動“丟失”此類信號的邏輯）來規避。固有噪聲閾值隨系統靈敏度而變化，因此應采用非常靈敏的FOS系統。

在解決信號頻帶寬度超范圍的問題方面，傳感器的動態帶寬靈敏度具有決定性作用。在發生非常迅速且劇烈的振動時，如重載列車經過軌道不平順處時，會出現信號頻帶寬度超范圍現象。由于某些數據超出了可分析范圍，因此所采集數據的信息深度受到限制。應采用光學單元具有高動態帶寬的FOS系統，其能夠從采集的數據中獲取足夠多的信息，即使在采集到信號極限值的情況下（如在車軸區域），也能獲取細節信息，從而大幅減少信號頻帶寬度超范圍的線路區段數量。

2.2 光纜及其安裝環境

除傳感器質量之外，所使用光纜的特性及其安裝環境中的各種因素對于信號質量也具有決定性影響。由于軌道與光纜之間的傳播介質不同，列車的聲學信號會以不同的形式和特征傳入光纖。以往的試驗表明，將光纜敷設在鄰近軌道的地下，有利于進行列車跟蹤和基礎設施組件狀況監測（圖3）；其他光纜敷設方式，如敷設在凸槽內，則會限制所采集數據的信息深度，導致不能識別各個車軸。此外，線路沿線的其他噪聲源對FOS系統檢測到的信號質量也有影響，例如，工廠或發電機產生的噪聲同樣會被FOS系統采集，這些噪聲甚至可能覆蓋列車發出的聲學信號，從而對數據分析產生影響。因此，必須對外部噪聲源的聲學特征進行識別，并將其從所需信號中過濾出去。

2.3 為實現精確定位的地理校準

線路和光纜的走向是決定列車定位精度的又一重要因素。最初為通信目的敷設的光纜一般與軌道平行敷設，但由于其包含線圈，橫跨軌道交叉口，并且通常以列車站建筑物為終點，因此光纖上不同點與軌道之間可能存在距離差（圖4）。為精確確定光纜和軌道的相對位置，必須進行地理校準。

圖2 FOS系統測得的列車信號

圖3 光纜的建議敷設區域

圖4 光纜與軌道的相對位置

傳統的地理校準方法是敲擊試驗，即在軌道附近的某個點制造一個系統可識別的振動，并記錄下該點的坐標及其與軌道軸線的距離。該試驗需要人工手動完成，由于試驗人員必須在線路上盡可能多的點進行試驗，因此非常耗時，而且試驗質量難以保證一致。為解決以上問題，可采用自動化地理校準方法，其優點是快速且質量穩定。

3 測量數據的智能分析

為對FOS系統采集到的數據進行分析，以實現列車檢測的目的，必須對數據分析算法進行調整。目前，可采用2種算法，即基于規則的算法與基于計算機的算法。

3.1 基于規則的算法

基于規則的算法需要利用一些選定的參數，并在參數交互的過程中對其進行更改，以獲得高質量的信息。該算法以一套邏輯規則為框架，并包含其他的相關規定。該算法的優點是執行相對簡單。而其缺點在于：①在交互中進行參數優化需要耗費大量時間和精力；②邏輯規則會產生復雜的依賴關系，這些依賴關系將使單個規則的執行面臨挑戰。由于FOS系統采集的數據量巨大且信號特性多樣，因此該算法的應用極為復雜。

3.2 基于計算機的算法

基于計算機的算法（即機器學習算法）是參數化方法，其前提是為計算機收集和提供足量的數據，如檢測到的列車位置等。計算機會將這些信息與列車的實際位置進行比較，確定列車所在位置的信號特性，從而推導出識別列車的規則。通過這種訓練，計算機可學會如何計算最佳值集，并從中得出列車位置。訓練階段中收集的不同線路、不同列車、不同行程的列車位置數據越多，列車定位越準確。在這過程中還可以對參數進行優化。

實踐證明，與僅由人工控制的算法相比，基于計算機的算法通常可以選擇更好的規則集或模型，原因在于計算機可以對所有可能的規則組合進行更快的測試，并從中選取最佳模型。采用這種算法的系統在經過訓練后，不需要手動干預調整，因為其可將新識別的特征保存并添加到對比庫中，進行不斷學習。這使系統能夠檢測不同的對象，開發高效的模型。目前，基于計算機的算法已經優于基于規則的算法。隨著采集的數據不斷累積，該算法的潛力將會更大。

4 列車實時精確定位

4.1 FOS系統的安裝和信息集成

實現列車實時精確定位的基礎是安裝可采集準確、多元數據的FOS系統。最大程度地實現FOS系統安裝和集成的自動化，可在降低測量成本的同時，提高列車定位的精度。

在安裝時，只需將FOS系統組件與電源、網絡和2條光纖連接，按下按鈕開啟系統的自動配置，并進行獨立的地理校準；在進行數次列車行車試驗后，便可投入運營。地理校準和分析算法的質量決定列車定位的精度。目前，在傳感器空間分辨率約為6 m的情況下，列車定位算法可實現小于10 m的精度，而且該精度在長達40 km的光纖沿線均保持一致，不因測量點不同而改變，也不因列車運行速度各異而變化。在這基礎上，FOS系統可對線路85%～95%的區域進行監控，并使無法檢測的區段最小化。在系統無法檢測的區域，可以采取重新敷設光纜或光纜改線等措施；邏輯的執行也有助于將無法檢測區段納入系統的檢測范圍。

在信息集成方面，目前可利用邊緣計算解決方案將FOS系統采集的信息集成到運營商的應用程序中。在將數據傳輸到連接的系統之前，可利用邊緣計算將FOS系統采集的大量原始數據簡化為列車位置等相關信息，其優點在于，可縮減數據集的規模，以及實現信息在可視界面（圖5）或客戶界面上的直接處理。數據集里包含受監控線路上每列列車的相關數據，每秒傳輸1次。其中用于列車定位的基本信息有列車車頭和車尾的位置（包括GPS坐標和線路公里數）、列車運行速度，以及運行線路信息。

圖5 Frauscher公司可視化單元顯示的地鐵線網中列車

4.2 應用

基于FOS系統的列車實時精確定位技術可利用特殊的算法，確定列車的位置，提供列車運行線路的信息。其優點是不依賴與全球定位系統（GPS）衛星和鐵路專用全球數字移動通信系統（GSM-R）接收設備的連接（在隧道內其連接難以保證）。

該技術可為鐵路運營商（特別是其線網中包含較長閉塞區間的運營商）的正常運營提供支持：①基于獲取的列車實時位置信息，為乘客提供即將到站列車的詳細信息及準確到達時間；②通過掌握列車的實時位置和速度，提高列車運行的能源效率，以及優化線路上列車的速度曲線；③通過對列車運行信息的長期采集，優化調整列車運行時刻表。

在將來，該技術還可以用于檢測列車的安全完整性等級（SIL），從而完全取締目前還不可或缺的軌旁設備。該技術的不斷完善將會催生全面的列車定位解決方案，其不僅可以采集、傳輸和處理海量信息，而且安裝的組件數量遠低于常規系統。

5 結語

基于FOS系統的列車實時精確定位技術可極大地減少相關的列車和軌道組件數量，并最大程度地降低維護成本。此外，由于該技術采集的信息非常多樣和復雜，除本文所述的列車實時檢測信息外，還包括軌道車輛和基礎設施組件狀況、軌道上或附近的運動物體信息等，因此具有潛在的應用價值，應該繼續挖掘其潛力，以保證鐵路的安全、高效、經濟運營。