铁路轨道健康管理网格化分析决策模型研究

摘要

铁路轨道设备必须坚固稳定，具有正确的几何形位，确保行车安全。列车速度的高速化、列车载荷的重载化，对轨道设备的安全性、稳定性和可靠性提出更高要求。因此，中国铁路维修理念正逐步向“严检慎修”、“精细修”、“准确修”、“预防修”、“集中修”等转变。如何更全面、更科学地感知轨道设备健康状态，如何更精准把握轨道设备状态劣化规律既是轨道交通基础设施设备管理领域中的重大理论问题，也是铁路现场亟需解决的实际问题。
　　本文融合时空分析理论方法与大数据等技术，在分析国内外专家学者大量研究成果的基础上，主要围绕以下四个方面开展了研究。
　　(1)提出了铁路基础设施设备网格化管理方法。该管理方法适应铁路基础设施设备特征与状态劣化特点，其核心在于把连续、长大的轨道设备划细、划小;从空间位置的角度出发把握设备，整合融合全生命周期数据;对每个细小部分进行个性化的分析和建模，及精细化、精准化的管理。
　　(2)提出了一种新的铁路轨道设备健康状态综合评定方法。该方法基于大数据技术与铁路基础设施设备网格化管理方法，提出了一套轨道网格与部件的状态评定指标体系与轨道网格与部件健康指数，完善了轨道设备既有的状态评定指标体系。在此基础上，提出了轨道网格（或部件）健康状态评定模型，采用主成分分析方法，降低了轨道网格（或部件）多状态评定指标数据的相关性，采用混合层次K均值聚类算法，确定了轨道网格（或部件）所有可能健康特征的集合及对应的健康指数的值域，采用树扩张型朴素贝叶斯分类模型，确定了轨道网格（或部件）多状态评定指标与相应健康指数的关联关系，直接判定轨道网格（或部件）健康指数，降低了健康状态评定过程中管理者的主观影响，使管理者能在较小的空间范围内更全面准确地掌握轨道设备整体健康状态。作者采集了2016年3月份兰新线上下行K548+000～K985+600里程范围内的893个轨道网格的状态评定指标数据，验证了健康状态评定模型的有效性。结果表明，提出的健康状态评定模型优于铁路现场既有的两个常用的轨道健康状态评定模型，其判定的轨道网格健康状态的正确率达到90.8％。
　　(3)提出了一种新的铁路轨道晃车数据偏差纠正模型。轨道晃车数据是轨道设备健康状态评定的关键数据之一，来源于机载式添乘仪检测、便携式添乘仪检测、轨检车检测、动检车检测等多种检测方式，但其一直存在较为严重的里程偏差、测量偏差问题。该模型基于大数据技术与铁路基础设施设备网格化管理方法，结合铁路轨道设备状态劣化的记忆性等特点，建立了轨道晃车数据筛选模型，深度挖掘大量同一检测方式不同检测时间的检测数据，降低了轨道晃车数据偏差的影响;建立了轨道晃车数据病害类型判定模型、病害等级判定模型，深度挖掘大量不同检测方式较长时间跨度内的检测数据，可有效诊断晃车原因，降低了铁路现场人员复核晃车病害的工作量。作者采集了2016年6月1日～2016年9月30日期间兰新线下行K548+000～K985+500范围内的25480条车载式添乘仪、便携式添乘仪的轨道晃车原始超限数据及2015年10月1日～2016年9月30日期间兰新线下行相同里程范围内的117408条轨道几何尺寸超限历史病害数据，验证了轨道晃车数据偏差纠正模型的有效性。结果表明，模型筛选出的有效晃车数据的正确率达到89.8％，诊断出的轨道晃车原因的正确率在70.4％以上。
　　(4)提出了一种新的铁路轨道设备状态预测模型。该模型基于铁路基础设施设备网格化管理方法，以轨道网格（或部件）为研究对象，建立了轨道网格（或部件）状态短期预测模型、状态长期预测模型（即使用寿命评估模型），使管理者能在较小的空间上掌握具有线性、连续、长大特点的铁路轨道设备的状态演变规律。
　　轨道网格（或部件）状态短期预测模型用于预测在相邻两次维修间，轨道网格（或部件）在下一个检查周期结束时的状态等级。该模型结合轨道设备状态劣化的异质性、记忆性等特点，依据轨道网格（或部件）历史状态数据，采用树扩张型朴素贝叶斯分类模型对每个轨道网格（或部件）状态劣化趋势进行个性化建模，确定轨道网格（或部件）未来状态与历史状态的关联规则。作者以轨道网格不平顺状态等级预测为例，采集了2008年2月至2010年7月期间京九线下行K428+200～K480+600里程范围内154个轨道网格的轨检车检测数据，验证了状态短期预测模型的有效性。结果表明，模型预测出的轨道网格不平顺状态等级的正确率达到82.3％。
　　轨道网格（或部件）使用寿命评估模型用于评估轨道网格（或部件）的实际使用寿命。该模型结合铁路轨道设备状态劣化的异质性、不确定性等特点，把轨道网格（或部件）状态劣化过程划分为若干阶段（即若干状态等级），利用不同的寿命分布函数描述轨道网格（或部件）在不同状态阶段的寿命分布规律，采用Hazard模型定义轨道网格（或部件）寿命分布的失效率函数，采用Markov状态转移矩阵描述轨道网格（或部件）状态等级在两次维修间经过一个检查周期间隔时变化的不确定性。作者以钢轨使用寿命评估为例，采集了2010年1月至2015年5月期间陇海线上下行K1397+000～K1720+000里程范围内的42770条钢轨伤损数据，验证了使用寿命评估模型的有效性。结果表明，评估出的钢轨使用寿命与真实寿命非常接近，可满足铁路现场钢轨管理需求。

目录

声明

致谢

摘要

图目录

表目录

1．1 研究背景及问题提出

1．1．3 “大数据"、“深度学习"等兴起

1．1．4 铁路轨道设备生产数据具有大数据特征

1．1．5 问题提出

1．2 研究内容

1．3 研究意义

1．4 论文组织结构

1．5 论文资助

2 国内外研究综述

2．1 轨道设备健康状态综合评定研究综述

2．1．1 轨道设备健康状态综合评定问题的主要组成要素

2．1．2 研究现状

2．1．3 既有研究存在的问题

2．2 轨道设备健康状态评定关键数据预处理研究综述

2．3 轨道设备状态劣化趋势预测研究综述

2．3．1 研究现状

2．3．2 既有研究存在的问题

2．4 本章小结

3 铁路基础设施设备管理的网格化

3．1 铁路基础设施设备特征

3．2 铁路基础设施设备状态劣化特点

3．2．1 异质性

3．2．2 不确定性

3．2．3 记忆性

3．2．4 联动性

3．3 铁路基础设施设备管理网格化的概念与方法

3．3．１ 铁路基础设施设备网格化管理定义与内涵

3．3．2 铁路网格的定义与划分方法

3．3．3 网格部件的定义与分类方法

3．3．4 网格事件的定义与分类方法

3．3．5 铁路网格、部件和事件的相互关系

3．3．6 铁路网格、部件、事件属性数据整合

3．4 本章小结

4 铁路轨道网格化健康状态综合评定

4．1 轨道网格化健康状态综合评定过程

4．2 轨道网格与部件状态评定指标体系

4．2．1 现有轨道设备状态评定指标的不足

4．2．2 轨道网格与部件状态评定指标分类

4．2．3 轨道网格部件状态评定指标体系

4．2．4 轨道网格状态评定指标体系

4．3 轨道网格与部件健康指数概念

4．3．1 轨道网格部件健康指数概念

4．3．2 轨道网格健康指数概念

4．4．1 模型HEF-RTGC构成

4．4．2 轨道网格(或部件)多状态评定指标降维模型DRM-RTGC

4．4．3 轨道网格(或部件)健康特征识别模型CM-RTGC

4．4．4 轨道网格(或部件)健康特征判定模型CLM-RTGC

4．5 案例分析

4．5．1 背景介绍

4．5．2 模型结果分析

4．6 本章小结

5 铁路轨道网格化健康状态评定关键数据预处理

5．1 轨道晃车检测业务简述

5．2 轨道晃车数据偏差

5．3 铁路轨道晃车数据偏差纠正模型BCM-RTSM

5．3．1 变量声明

5．3．2 模型BCM-RTSM构成

5．3．3 轨道晃车数据筛选模型FM-RTSM

5．3．4 轨道晃车数据病害类型判定模型DTE-RTSM

5．3．5 轨道晃车数据病害等级判定模型DLE-RTSM

5．4 案例分析

5．4．1 背景介绍

5．4．2 模型结果分析

5．5 本章小结

6 铁路轨道网格化状态预测模型

6．1．1 TAN-RTGCCP构建思路

6．1．2 变量声明

6．1．3 模型TAN-RTGCCP建立

6．1．4 案例分析

6．2 轨道网格(或部件)使用寿命评估模型MBE-RTGCSL

6．2．2 模型MBE-RTGCSL建立

6．2．3 案例分析

6．3 本章小结

7 结论

7．1 主要研究工作

7．2 主要创新点

7．3 研究展望

参考文献

作者简历及攻读博士学位期间取得的研究成果

学位论文数据集