高速鐵路災害監測數據分析應用研究

楊建偉，陳中雷，馬 禎，沈敬偉，包 云

（1.中國鐵路北京局集團有限公司 工務部，北京 100860；2.北京經緯信息技術有限公司，北京 100081；3.中國鐵道科學研究院集團有限公司 電子計算技術研究所，北京 100081）

為保障列車運行安全，我國已建高速鐵路均建設了自然災害及異物侵限監測系統（簡稱：災害監測系統），對沿線風、雨、雪等氣象災害及上跨高速鐵路的道路橋梁異物侵限進行監測，為調度指揮提供列車運行管理建議，在發生異物侵限時聯動信號系統進行處置。災害監測系統于2008年在京津（北京—天津）城際鐵路投入運用，為列車安全運行發揮了重要的技術保障作用。

災害監測系統的運行與維護（簡稱：運維）工作是保障系統穩定運行的基礎。針對該系統運維管理的研究主要集中在異物侵限監測功能[1-3]和系統可靠性等方面[4-6]。多年來，災害監測系統積累了線路災害報警數據，風、雨、雪及異物侵限監測數據，以及設備運行狀態監測等數據，亟需對其挖掘、分析和應用，發揮數據對系統運維管理的支撐作用。

1 災害監測系統運維管理概述

災害監測系統由現場監測設備和鐵路局集團公司中心系統組成，現場監測設備包括風、雨、雪及異物侵限前端采集設備和監控單元，鐵路局集團公司中心設備包括服務器、網絡和安全設備、監測終端等。災害監測系統是一個多專業融合的系統，其運維工作由工務、電務（通信、信號）、信息等專業人員共同完成[7]。

災害監測系統的運維采用計劃修和故障修相結合的維修模式，除按計劃定期開展維修外，當出現故障時，需開展臨時處置和維護。系統故障包括風雨雪監測數據異常、系統脫離監控、通訊異常等。

2 災害監測異常數據分析

災害監測異常數據分析是識別系統運行狀態的有效手段之一，通過對風雨雪監測異常數據的分析，可識別系統或設備的異常情況，本文以風監測異常數據為例進行分析。

2.1 風監測異常數據概述

我國高速鐵路通過在沿線大風重點發生區段（如山區埡口、峽谷、河谷、橋梁及高路堤等區段）設置風監測設備，采集監測點處的瞬時風速和風向信息。當風速超過報警閾值時，系統發出大風報警，列車調度員發出行車限速或停車指令。為保證監測數據的穩定和連續性，一般在同一監測點設置兩臺風速風向計。由于設備自身原因或受外界環境影響，風監測過程中產生的異常數據通常表現為跳變、長時間不變、無效字符等，如圖1所示。

圖1 高鐵風速監測數據

2.2 風監測異常數據判識方法研究

通過對兩臺風速風向計的風速監測數據基于皮爾遜相關系數進行相關性分析，可判識監測數據是否一致，如圖2所示，兩組數據的相關系數為25.54%，相關性較小，需要分別對兩臺風速風向計監測數據進行異常判識。單臺風速風向計的異常數據判識可采用長短期記憶（LSTM，Long Short-Term Memory）神經網絡方法對未來風速進行預測[8-9]，當監測值與預測值出現較大差異時，進行人工復核，如圖3所示，可認定是否為異常數據。

圖2 同一監測點兩臺風速風向計風速監測數據相關性分析

圖3 基于 LSTM 的風速異常數據判識

2.3 風監測異常數據原因分析

風監測異常數據主要由2種原因導致：（1）由于傳感器故障導致的風監測數據異常，如圖4所示，風速風向計2監測值出現階躍式跳變，數據不可采用，經分析，該跳變是由于傳感器被積雪凍住而導致；（2）由于現場環境原因導致風監測數據異常，如圖5所示，可以看出兩臺風速風向計監測的風速與風向有關，當風向在225°～270°之間時，風速風向計2的監測值較大，當風向在270°～315°之間時，風速風向計1的監測值較大，由于風速異常與風向有關，該異常可考慮是由接觸網支柱遮擋而導致。

圖4 傳感器故障導致的監測異常數據

圖5 風向導致的風速異常分布情況

3 災害報警數據挖掘分析及應用

3.1 災害數據分析

通過對災害監測系統的災害報警數據進行分析，可發現災害的危險區段。圖6為某線路風雨監測報警數據分析圖，從圖6（a）中可以看出大風的重點發生區段（紅色區段為災害報警高發區），圖6（b）為基于累計降雨量分析的降雨高發區段，結合地形地貌情況，可進行降雨及次生（滑坡、泥石流等）災害的重點防治。雨季中，工務、電務等部門可對降雨重點發生區域進行有針對性的巡查。

圖6 某線路大風、降雨空間風險區劃示意

3.2 鐵路基礎設施運維建議研究

以大風分析為例，風季大風具有一定的規律，通過對某路段一日內大風發生頻率的分析，可得出大風頻發的時段和區段。在可選擇的情況下，維修天窗的設置可避開大風易發生的時段和區段。圖7為某線路風季（3～5月）時1日內大風發生的頻次圖，可以看出，在凌晨4：00～6：00時發生6級以上大風的概率小于其他時段，建議在此時段開展維修工作。

圖7 某線路風季1日內6級以上大風發生時段分布

4 基于故障數據的系統運維研究

4.1 系統故障數據分析

故障數據分析是進行故障診斷的基礎，通過對各線路災害監測系統運行數據的分析，可把握相關技術和系統的可靠性。

（1）按線路分析

圖8是中國鐵路北京局集團有限公司管內8條線路的災害監測系統每年每公里的系統故障情況，從圖8中可以看出，線路2故障率相對較高。由于線路2與其他線路相比開通運營時間較早（2010年），隨著災害監測系統技術不斷優化升級，系統可靠性不斷提高，其他線路故障次數明顯降低。

圖8 各線路故障情況

（2）按建設單位分析

圖9是按建設單位每年每公里分析的系統故障情況，從圖9中可以看出，建設單位2建設的系統故障相對較高，進一步分析發現，建設單位2承擔了較早開通運營線路的系統建設任務。建設單位3系統故障相對較低，與其他建設單位同期建設的系統故障情況相比，該單位建設的系統穩定性較高。

圖9 各建設單位承建線路故障情況

（3）通過設備狀態分析

通過分析設備狀態數據，可挖掘設備故障規律，進行有針對性的運維。圖10是對某線路現場監測設備故障的分析，可看出監控單元故障是該線路檢測設備的主要故障，而監控單元故障原因主要是網絡故障。

圖10 某線路現場監測設備故障分析

4.2 系統故障診斷

災害監測系統故障數據為0-1開關量，本文借鑒文獻[10]，采用失效模式與影響分析（FMEA ，Failure Mode and Effects Analysis）和隨機森林算法相結合的方法對系統故障進行診斷。以故障較多的監控單元故障診斷為例，建立故障診斷FMEA表，如表1所示。

表1 監控單元故障診斷 FMEA 表

決策樹算法是故障診斷中常用的方法，但單一的決策樹容易導致模型過擬合的問題[11-12]。隨機森林算法集成多棵決策樹組成一個集成模型，通過設置樹的深度減少方差，有效解決單一決策樹模型過擬合的問題。基于FMEA和隨機森林算法的監控單元故障診斷流程為：如圖11所示，（1）對故障數據進行預處理，形成FMEA表，并將數據分為訓練數據和測試數據；（2）針對訓練數據集，利用Bootstrap重抽樣方法[13]從原始樣本中抽取多個樣本，對每個樣本建立決策樹；（3）將這些決策樹組合在一起，通過投票得出最后的分類結果。

圖11 基于FMEA和隨機森林算法的監控單元故障診斷流程

本文對上述8條線路的監控單元故障進行診斷，共收集到監控單元故障樣本116條，基于該方法的監控單元故障診斷準確率可達77%，如圖12所示。

圖12 故障診斷準確率與隨機森林棵樹的關系

5 結束語

本文通過對高速鐵路災害監測系統的檢測數據、報警數據及系統運行狀態數據的分析，提高災害報警的可靠性；識別高速鐵路沿線災害風險，為災害防御提供支持；開展設備質量評價和故障診斷技術研究，為故障處置提供依據。相關研究已在京張高鐵（北京—張家口高速鐵路）開展應用，為高速鐵路災害監測系統的運維工作提供支撐。