高速鐵路綜合檢測數據分析關鍵技術研究

楊宏圖，許貴陽，侯衛星，王衛東，劉金朝

（1.鐵道部 運輸局，北京 100844；2.中國鐵道科學研究院 基礎設施檢測研究所，北京 100081）

高速鐵路綜合檢測數據分析關鍵技術研究

楊宏圖1，許貴陽2，侯衛星1，王衛東2，劉金朝2

（1.鐵道部 運輸局，北京 100844；2.中國鐵道科學研究院 基礎設施檢測研究所，北京 100081）

自京津城際鐵路開通運營以來，我國鐵路采用綜合檢測列車進行基礎設施安全檢測。自主研制的高速綜合檢測列車采用先進的檢測手段，具有軌道、接觸網、通信、信號、輪軌動力學等測試功能。基于多體動力學仿真、神經網絡分析、雙指數函數方法，提出的仿真模型、輪軌力預測方法、軌道狀態變化規律，經試驗驗證結果正確，為建立和完善我國高速鐵路綜合檢測數據分析專家系統打下了基礎。

高速鐵路；綜合檢測列車；輪軌力；神經網絡；雙指數函數

自京津城際鐵路開通運營以來，我國鐵路采用綜合檢測列車進行基礎設施安全檢測。自主研制的0號高速綜合檢測列車承擔了京津城際、武廣、鄭西、滬寧等高速鐵路和既有提速線路的安全檢測任務。高速綜合檢測列車的開發基于高速動車組技術平臺，采用先進的軌道、接觸網、通信、信號、輪軌動力學等測試手段，同時運用計算機網絡和仿真技術對采集的數據進行綜合分析和處理。高速綜合檢測列車和數據處理關鍵技術是構建高速鐵路安全、高效運營保障體系的重要技術支撐。

1 高速綜合檢測列車

我國首列高速綜合檢測列車——0號高速綜合檢測列車于 2008 年7月投入運用，隨即承擔了京津城際鐵路的聯調聯試和安全檢測，目前，檢測總里程已超過 60萬 km。0號高速綜合檢測列車由通信信號檢測車、會議車、接觸網檢測車、數據綜合處理車、軌道檢測車、餐車、臥鋪車和信號檢測車8輛組成，最高檢測速度 250 km/h，最大牽引功率5 500 kW，是5動3拖，由2個動力單元組成的動力分散型動車組。該列車采用先進的檢測手段，具有軌道、接觸網、通信、信號、輪軌動力學等測試功能，解決了高速動車組的適應性設計、現代光電測量、電磁兼容設計、高速數據同步采集、列車精確定位、大容量數據交換、實時圖像識別和數據綜合處理等一系列技術難題。圖 1—圖3分別為0號高速綜合檢測列車的平面布置、外觀和車內檢測設備。

圖1 0號高速綜合檢測列車平面布置圖

圖2 0號高速綜合檢測列車外觀圖

圖3 0號高速綜合檢測列車的檢測設備

0號高速綜合檢測列車的檢測設備主要技術指標如下。

（1）軌道。功能：檢測軌道幾何不平順，包括高低、軌向、三角坑等。技術指標：測量波長在3～120 mm 范圍內，精度達到 1.5 mm。

（2）接觸網。功能：檢測接觸網幾何不平順，包括導高、拉出值、接觸線磨耗等。技術指標：導高、拉出值分辨率 5 mm，允許誤差 10 mm，磨耗分辨率 0.2 mm，允許誤差 2%。

（3）通信。功能：檢測 GSM-R 服務質量、GSM-R 場強覆蓋、網絡參數。技術指標：頻率范圍 9 kHz～7 GHz，場強測量精度 ±1.5 dB。

（4）信號。功能：檢測應答器、補償電容、軌道電路。技術指標：應答器檢測誤碼率＜1%，補償電容檢測正確率＞98%。

（5）輪軌動力學。功能：檢測輪軌力和車體、構架、軸箱加速度。技術指標：輪軌力的分辨率0.5 kN，車體、構架、軸箱加速度的分辨率分別是0.005 g、0.05 g、0.2 g。

（6）綜合。功能：實現車載系統集成及數據綜合處理。技術指標：空間采集同步誤差≤0.3 mm，時間采集同步誤差≤5μs。

2 數據處理關鍵技術

0號高速綜合檢測列車具有數據集中存儲、綜合分析、綜合顯示等數據處理功能。為滿足高速鐵路安全、高效運營的需求，深化綜合數據處理技術研究，掌握基礎設施對高速列車運行性能的影響及基礎設施損傷變化規律顯得尤為重要。為此，進行了高速鐵路動力學仿真和故障預測技術的研究。

2.1 動力學仿真技術

利用 ADAMS/RAIL 多體系統動力學仿真軟件建立高速列車的模型，如圖4所示，并結合實測數據，研究軌道不平順與車輛橫向加速度超限的關聯性。

以滬昆線實測的軌道幾何不平順作為輸入，對車體加速度超限與軌道不平順的關聯關系進行動力學仿真，將兩次不同超高的仿真結果進行對比，如圖 5、圖6所示。圖5中紅色實線是模擬超高變化后檢測結果，藍色虛線是模擬超高變化前檢測結果。圖6中紅色實線是模擬超高變化后檢測結果，藍色虛線是模擬超高變化前檢測結果。由圖 5、圖6可見，超高的變化對構架加速度不產生明顯影響，但對車體橫向加速度產生明顯影響。實測中車體發生側滾共振，這與仿真結果是吻合的。

2.2 基于神經網絡的輪軌力預測

神經網絡具有強大的自學習和容錯能力，利用BP 神經網絡建立軸箱加速度與輪軌力的關聯模型，可實現對輪軌力的預測。

（1）BP 神經網絡。多層感知器 BP 神經網絡由輸入層、隱層和輸出層組成，如圖7所示。在 BP 神經網絡中，輸入層僅負責將輸入信號傳遞到隱層，隱層從輸入層接收信號，并進行最主要的數學處理后送至輸出層，輸出層負責將隱層的輸出信號加權聚合為神經網絡的輸出信號[1-5]。

圖7 多層感知器神經網絡隱層神經元

（2）輪軌力預測。以軸箱垂向加速度作為輸入，以 [0.5，40] Hz 帶通濾波后的車輪垂向力作為輸出，訓練三層 BP 神經網絡 (時間延遲點個數取 50，中間層神經元個數取15)，訓練成功后的訓練結果和實測結果，以及它們的相關性分析分別如圖8和圖9所示。由此可見，利用神經網絡法能成功地建立輪軌作用力與軸箱加速度的非線性對應關系。

（3）基于雙指數函數的軌道狀態變化模型。預測軌道不平順的發展規律對保障列車運行的安全性和舒適性，合理安排維修周期，降低維修成本，有重大的現實意義。

由于軌道系統的復雜性，軌道不平順的產生與發展是諸多具有隨機性因素共同作用的結果，如通過總重、單位時間載重量、速度、軌道條件、路基構造、溫度變化等。目前，大多數軌道不平順的預測模型都無法量化所有的相關因素，極大地影響了預測精度，使模型投入實用還存在一定的距離。

基于殘差序列的修正非等時距灰色 GM (1，1)預測法的核心是利用灰色模型擬合 TQI 的趨勢項，利用三角函數擬合 TQI 的殘差項。由灰色模型的推導可看出，灰色模型等價于利用指數模型擬合 TQI的趨勢項。為了進一步提高擬合的精度，提出利用雙指數函數擬合 TQI 的趨勢項。雙指數函數可寫為：

式中：a、b、c、d 均為待定參數。

利用0號高速綜合檢測列車實測的京津城際鐵路的軌道不平順數據計算 TQI ，并利用雙指數函數預測方法對其進行擬合和預測。圖10中的圓點是實測京津城際鐵路從 2009 年7月—2010 年7月的 TQI，虛線表示擬合和預測結果，最后一個點表示 2010 年8月的預測結果，其中預測值是 3.121 9，實測值是 3.087 3，絕對預測誤差是 0.034 5，相對預測誤差是 1.1%。

3 結束語

針對我國高速鐵路運營需求，開發了具有檢測精度高、綜合數據能力強等特點的高速綜合檢測列車，已成為保障高速鐵路運輸安全和高效運營的重要手段。基于多體動力學仿真、神經網絡分析、雙指數函數方法，提出的仿真模型、輪軌力預測方法、軌道狀態變化規律，經試驗驗證結果正確，為建立和完善我國高速鐵路綜合檢測數據分析專家系統打下了基礎。

[1] Li D.，Meddah A.，Hass K.and Kalay S. Relating track geometry to vehicle performance using neural network approach[J]. Porc. IMechE，220 Part F：J. Rail and Rapid Transit，2006.

[2] Li D，Morgart D.，Harbuck R. and Mischke M.BNSF experience：track geometry inspection taking into account vehicle performance[J]. Railway Track Structure，2005，101(9)：19-23.

[3] Li D.，Meddah A，Hass K.and Kalay S. Development and implementation of performance-based track geometry inspection[C]. Proceedings of Railway Engineering Conference，London，2005.

[4] Salahifar T.，Li D.and Shust B.Neural network modeling response of a loaded, coved hopper car to track geometry[J].Technology Digest 99-022，Association of America Railroads，2002.

[5] Hornik,K. Approximation capabilities of multilayer feedforward networks[J]. Neural Networks, 1991，4(2)：251-257.

1003-1421(2011)01-0031-04

U238

B

2010-12-24

國家863重點項目(2009AA110302)；鐵道部科技基金項目(2010T001-B)

責任編輯：林 欣