對軌道車輛走行部安全監測預警算法理論的分析

陸永杰

摘要：在“十三五”發展規劃綱要的支持下，我國交通基礎設施建設力度不斷增強，軌道交通設施在交通體系中的地位日益突出。本文主要介紹軌道車輛走行部安全監測預警的必要性，探究軌道車輛走行部安全監測預警算法平臺的理論基礎，并從關鍵技術、自學習數據庫、安全監測預警系統、安全監測預警軟件和安全監測預警平臺調試幾個方面深入分析軌道車輛走行部安全監測預警算法體系，旨在全面優化軌道車輛走行部運行環境。

Abstract： With the support of the outline of the 13th Five-Year Plan， the construction of transportation infrastructure in China has been strengthened， and the status of rail transit facilities in the transportation system has become increasingly prominent. This paper mainly introduces the necessity of safety monitoring and early warning of rail vehicle running department， probes into the theoretical basis of safety monitoring and early warning algorithm platform of rail vehicle running department， and analyzes the safety monitoring and early warning algorithm system of rail vehicle running department from the key technology， self-learning database， safety monitoring and early warning system， safety monitoring and early warning software and safety monitoring and early warning platform debugging. The aim is to optimize the running environment of rail vehicle running department.

關鍵詞：軌道車輛走行部;安全監測預警算法;自學習數據庫;人工智能技術

中圖分類號：U270.7? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? 文獻標識碼：A? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? 文章編號：1674-957X（2021）01-0170-02

0? 引言

軌道車輛走行部是軌道車輛在牽引動力作用下沿線路運行的部分，走行部的作用是保證車輛靈活、安全、平順地沿鋼軌運行和通過曲線，可靠地承受作用于車輛各種力量并傳給鋼軌，緩和車輛和鋼軌的相互沖擊，減少車輛振動，保障足夠的運行平穩性和良好的運行質量，使車輛具有可靠的制動機構，為車輛提供更好的制動基礎。采用安全預警算法對軌道車輛走行部進行安全監測可切實降低軌道車輛運行風險。

1? 軌道車輛走行部安全監測預警的必要性

公開資料顯示，2019年德國、美國、俄羅斯、波蘭、法國、日本、韓國、英國的城市軌道交通運營總里程分別為3615.1千米、1331.8千米、122.9千米、1089.5千米、1082.1千米、886.8千米、861.2千米、841.6千米，2019年我國城市軌道交通運營總里程已達6730.3千米，占全球軌道交通總運營里程23.92%，排名世界第一，由此也可推知我國在世界上具有較大的軌道車輛占有比例。軌道車輛走行部是有效維護軌道車輛運行狀態，保證車輛安全平穩運行的關鍵結構，隨著軌道交通運行壓力的逐步提升，軌道車輛走行部的磨損比率和故障發生比率呈現了明顯的上升趨勢，走行部故障存在明顯的隱性化特征，傳統的故障檢測技術難以對故障進行全方面識別并精準定位故障位置，針對軌道車輛走行部的安全監測預警算法可全面優化故障識別環境和走行部維修保養環境，支持相關車輛維護人員全面提升風險識別意識和風險排除意識，加強軌道車輛走行部監測和管理的現代化水平，充分降低故障風險。

2? 軌道車輛走行部安全監測預警算法平臺的理論基礎

隨著城市化發展進程的不斷推進，軌道交通工程的建設比例呈現了明顯的上升趨勢，國家發改委《關于培育發展現代化都市圈的指導意見》為軌道交通工程建設提供了有力支持，基于走行部在軌道車輛體系中的重要地位，可以預見，在未來一段時間內，軌道交通管理部門將面對更大的走行部安全監測壓力。

相關研究表明，軌道車輛走行部安全監測預警算法可切實提高軌道車輛走行部的監測效率，安全監測預警算法平臺的理論基礎主要為自學習安全監測預警方法理論、自學習模糊聚類預警理論、神經算法理論。以自學習安全預警方法理論為基礎，可根據軌道車輛走行部的實際運行情況、安全運行需求，搭建車輛走行部實時狀態監測硬件模型和車輛走行部自學習狀態識別模型，支持相關人員進行軌道車輛走行部信息整合，而在自學習模糊聚類預警理論的支持下，系統能夠有效搭建聯合算法聚類計算體系，實現聯合算法模式識別，充分提高軌道車輛走行部故障信息分析質量，就神經算法理論而言，其主要為BP神經網絡理論，具有較高的自學習特征和智能化水平，能夠根據軌道車輛走行部的實際運行需求進行安全性分析，并根據以往的故障隱患排查經驗，實現故障自動化排除和自動化校驗。自學習安全監測預警方法理論、自學習模糊聚類預警理論和神經算法理論為軌道車輛走行部安全監測預警算法平臺的應用奠定了堅實基礎。

3? 軌道車輛走行部安全監測預警算法體系

3.1 關鍵技術

隨著城市化建設進程的不斷推進，城市智慧交通體系得以有效健全，在交通總體規劃與決策方案的支持下，交通組織與運營管理、公共信息服務系統、票務與支付系統、設施的建設與維護、交通安全應急、交通基礎設施建設、旅客與貨物和運輸工具已成城市智慧交通體系的主要構成。在《城市公共交通“十三五”發展綱要》的支持下，城市軌道交通體系日益擴大，軌道車輛走行部安全監測預警的重要性得以充分突出。安全監測預警算法體系的關鍵技術主要為大數據技術和人工智能技術，其中大數據技術可覆蓋數據庫技術、數據挖掘技術和數據整合技術，而人工智能技術主要為具有自學習特征的BP神經網絡技術。以大數據技術為支撐，科研人員搭建了自學習安全監測預警方案，設置了車輛走行部實時狀態監測硬件模型和車輛走行部自學習狀態識別模型，完成了數據庫設計、歷史特征數據庫搭建和自學習特征量選擇，充分優化了人工智能技術的識別基礎。人工智能技術是軌道車輛走行部安全監測預警體系智慧能力的來源，能夠利用自學習與模糊聚類聯合算法全面優化模糊聚類C均值聚類基本條件及計算流程，提高軌道車輛走行部安全監測預警信息的導出效率。

3.2 自學習數據庫

近年來，我國鐵路建設迎來高峰，軌道交通體系得以不斷完善，公開資料顯示德國、日本、法國、美國和俄羅斯的鐵路人口密度分別為5.24公里/萬人、2.14公里/萬人、4.54公里/萬人、7.65公里/萬人和5.97公里/萬人，我國的鐵路人口密度僅為0.94公里/萬人，與發達國家相比仍具有較大差距。目前，軌道交通系統主要是使用車輛在固定導軌上運行的交通體系，面對日益提升的運行壓力，自學習數據庫的構建可全面提高數據整合能力和數據儲存能力，進一步加強神經網絡的自學習水平。科研人員在自學習數據庫的設計中進行了歷史特征數據庫的搭建和自學習特征量的選擇，數據庫可為BP神經網絡進行走行部故障診斷以及自動故障診斷策略的學習提供基礎。另外，與傳統的數據庫相比，自學型數據庫還可切實降低數據整合壓力，其自動化的數據整合能力將充分擴大數據整合范圍，提高數據整合效率，支持軌道交通管理部門將軌道車輛走行部的運行信息與正常狀態下的運行信息進行比對，繼而設置針對性維護方案，提高故障解決效率和應急反應速度[1]。另外，自學習數據庫充分利用了數據挖掘技術和數據分析技術的數據整合優勢，以云計算技術的云儲存平臺為支撐，實現了數據信息的高度整合和安全儲存，充分提高了信息安全系數。

3.3 安全監測預警系統

安全監測預警系統具備優良的數據采集能力，數據采集設備主要包括數據采集卡、功率放大器、電磁激振器、加速度傳感器、信號調理器、工控機和示波器，分別用于多通道數據通信、信號功率放大、激勵信號源、加速度信號獲取、信號濾波調理、上位機和波形信號顯示，具有較高的數據整合能力和數據分析能力[2]。與傳統的數據整合平臺相比，安全監測預警系統能夠憑借自學習數據庫進行軌道車輛走行部的故障預警，支持軌道交通管理部門形成更為完善的應急體系，降低軌道車輛的運行風險。

3.4 安全監測預警軟件

安全監測預警軟件具有多樣性信息監測能力，可切實提高軌道車輛走行部的信息監控水平，當軌道車輛走行部信息發生后，可通過C#信號生成程序生成數字信號，經由NI數據卡和D/A轉換使模擬信號進入功率放大器，經過放大后在電磁激振器的激勵下進入機械試驗臺由加速度傳感器進行處理，繼而由信號調理器對振動信號和模擬信號進行加成，并再次經由NI數據卡進行A/D轉換，成為數字信號，在C#數據采集程序的支持下完成數據計算和數據特征提取，將數據儲存于ACCESS數據庫中，基于自學型模糊聚類預警算法模式識別和神經網絡算法故障預警分析，最終導出自學習安全預警結果。安全預警系統軟件可進行軌道不平順信號獲取、激勵信號輸出以及系統數據庫實現，支持信號采集程序、自學習模糊聚類程序和神經網絡算法程序的合理運行，有效優化自學習模糊聚類樣本聚類學習程序，實時分析安全預警程序的運行狀態以及BP神經網絡計算程序和實時神經網絡監測程序的運行環境。

3.5 安全監測預警平臺調試

走行部的運行質量將直接影響軌道車輛的運行安全，基于安全監測預警算法的運行基礎和關鍵技術，應通過平臺調試，保證其應用有效性。調試內容主要為信號激勵系統、自學習模糊聚類樣本學習測試、自學習模糊聚類實時安全預警測試、神經網絡算法訓練過程測試和神經網絡實時安全預警測試，在信號激勵系統調試過程中應有效識別方波信號和變速信號，通過測試軌道位置和軌道速度，調節激勵信號的幅度以獲得最佳反饋效果，而在自學習模糊聚類樣本學習測試和實時安全預警測試中應通過樣本計算，獲得正常樣本和故障樣本的分類指標，繼而使自學習數據庫具備完善的故障整合體系，在自學習特征參數神經網絡算法測試中可通過神經網絡訓練，分析故障狀態下數據的明顯變化，使系統能夠有效診斷故障信息。

4? 結論

總而言之，走行部是軌道車輛體系的重要構成，采用安全監測預警算法對軌道車輛走行部進行監測管理，有助于提高車輛安全運行系數，降低運行風險?；谲壍儡囕v走行部安全監測預警算法平臺的理論基礎，應積極發揮相關關鍵技術在信息整合和數據分析上的作用優勢，提高軌道車輛管理人員的危機意識和車輛維護意識，使軌道車輛具有長期安全運行基礎。

參考文獻：

[1]曲婉，孫帥.自動導向軌道系統車輛及其走行部分析[J].現代城市軌道交通，2020（09）：6-12.

[2]陳艷鑫，楊碩.軌道交通車輛走行部故障診斷系統研究[J].內燃機與配件，2020（07）：155-157.

[3]丁亞琦，陳超，黃貴發，等.軌道車輛走行部振動檢測及PHM系統[J].城市軌道交通，2019（05）：29-32.