基于區塊鏈的重載鐵路智能控制研究

國能包神鐵路集團有限責任公司設備監測站 姜大佐

一、引言

重載鐵路具有運輸能力大、效率高、能耗低、運輸成本低等優點，受到世界各國的關注，已被世界公認為鐵路散貨運輸的主要發展方向[1]。由于列車編組時間長，線路條件復雜，重載鐵路系統在列車運行時，運行模式經常發生變化。駕駛員的牽引或制動操作不當會增加對列車的縱向沖擊力，導致列車脫鉤，嚴重影響列車的安全運行。在世界范圍內，貨運列車重量規范是在市場條件下滿足不斷增長的貨物運輸量和提高鐵路效率的首要任務之一[2]。重載運輸成為現階段鐵路發展中鐵路運輸技術進步的主要指標之一。在運載能力、運營費用和車輛成本方面，較長和較重的列車的運營提供了顯著的好處。與此同時，貨運列車重量和長度的增加不可避免地增加了列車縱向動力額外負荷。根據車輪或軌道振動的性質，也根據基座的動力響應，存在具有非常高強度和短持續時間的動態沖擊載荷。高速度運行的重載輪軸列車產生的大循環載荷往往會導致軌道部件過度變形和退化。由于道路的幾何形狀，路基穩定性的喪失不可避免地會導致鐵路軌道維修成本的顯著增加，在不同的國家估計每年要增加數億美元[3]。鐵路軌道的形成是一個復雜的地面工程，在自然、氣候環境和動力列車載荷的困難條件下發揮作用。這種荷載可以改變地面環境狀態，影響路基的可靠性水平，特別是在重載交通條件下，加載周期的幅值和頻率都很高。軌道在列車荷載作用下的位移程度很大程度上取決于路基土的特性，路基土特性具有多樣性，且隨時間變化有迅速變化的趨勢。鐵路路基在長期運行過程中，會受到不利的環境影響（溫度、濕度、水等）[4]。

基于區塊鏈的重載鐵路智能控制框架，使得不同的操作員可以在不共享數據的情況下訓練智能駕駛模型。基于區塊鏈的智能控制學習可以保護操作人員的數據隱私，比單一操作人員培訓更準確地培訓智能駕駛模型。目前，在提出的分布式智能控制學習方法中，引入了一種基于支持向量機的學習智能控制模型。通過對主要類別和少數類別分配不同的懲罰因子來處理不平衡的牽引力和制動數據。引入核函數將數據集映射到高維，使其線性可分。比較多項式核函數和徑向基函數在不同場景下的性能差異。結合列車運行速度生成動態更新因子，然后對算法進行優化，提高了對重載鐵路智能控制的數據識別能力。

本文的其余部分總結如下。在第二部分中，我們描述了基于重載線路軌道基礎的發展方向。第三節給出區塊鏈的重載鐵路智能控制影響因素分析，在第四部分，我們建立基于區塊鏈的重載鐵路智能框架。第五節給出結論。

二、重載線路軌道基礎的發展方向

鐵路運輸在高速、重型交通的發展方向，促使鐵路的建設和其基礎建設日益超載。傳統的鐵路軌道不能在提高軸載和列車速度的影響下提供可靠性，這就導致了兩個主要問題的出現：鐵路的上層和擾動的破壞[5]。換句話說，車軸荷載的快速增長導致了整個鐵路軌道結構的永久路徑和軌道形成的更密集的磨損和撕裂。因此，在交通安全方面出現了額外的風險，以及鐵路軌道維持的成本。因此，在重型軸荷載作用下，在鐵路軌道施工中出現的動態過程的研究是極其緊迫的。鐵路基礎設施主要與交通和氣候影響有關。對鐵路軌道施工的動態相互作用問題進行了廣泛的研究。然而，由于重型運輸和高速運輸正在增強，對鐵路軌道運行過程中出現的問題需要進一步的研究。特別是長期重型列車的縱向動力學，以及軌道幾何變形的問題。單獨的工作是用于重要的鐵路表面磨損和疲勞現象的重要問題，這可能導致惡化和火車脫軌。與此同時，鐵路最重要的組成部分是軌道基礎。

從重型列車上大而頻繁的循環荷載導致了鐵路軌道的退化過程和過度變形的發生。在軌道地基層（主要是壓載層）和它們的粗糙沉降，以及從較低的土壤結構層的粒子擴散，需要一個頻繁而昂貴的軌道維護，以確保其穩定性。鐵路軌道的加速降解和退化是重型運輸的主要問題，需要持續的維護成本。壓載層的穩定性是運輸過程安全的必要條件。因此，在區塊鏈的重載鐵路軌道基礎上發生的過程，可以有效地維護鐵路軌道的正常運行。

三、區塊鏈的重載鐵路智能控制影響因素

重載鐵路運輸會受到溫度、濕度、外力沖擊、過度使用等多方面的影響，需要持續維護鐵路狀態。因此，鐵路部門需要不斷提高養護質量，這樣才能提高鐵路運輸的效率和質量。通過區塊鏈的重載鐵路智能控制技術，鐵路部門可以保證運行速度，這將全面提高傳統的檢測技術。目前，我國的線路維修是一個三級運營管理模式，包括鐵道部、鐵路局和基層站場。因此，線路的養護組織形式主要是由機械化工隊或道路養護工區負責線路的綜合養護工作。通過鐵路線路養護，可以保證軌道幾何形狀的穩定性、舒適的運營服務和安全的運輸環境。因此，部門需要及時對鐵路線路設備進行勘察和維護，有效避免設備故障的發生。

數據是準確掌握軌道質量狀況的依據，是制定維修計劃的重要依據。通過區塊鏈的重載鐵路智能控制，利用檢測數據建立軌道狀態分析模型，分析軌道幾何形狀的變化趨勢。通過區塊鏈的重載鐵路智能控制可以確定線路的關鍵路段和劣化周期。因此，重載鐵路智能控制部門需要積累各種測試數據、維護數據、設備數據等。通過對各種數據的深入分析，可以發現數據之間的內在聯系。基于區塊鏈的重載鐵路智能控制技術能夠對維修數據進行深入分析。首先，日常維護數據應由重載鐵路智能控制記錄。在日常檢驗工作中，截面驗收組對重載鐵路智能控制進行檢驗，并記錄檢驗數據。因此，數據處理部門應該對這些數據進行深入分析。通過分析問題的原因，可以根據數據制定出相應的解決方案。同時，重載鐵路智能控制應組織人員對出現問題的地點進行維修，以保證鐵路處于良好的運行狀態。第二，重載鐵路智能控制應嚴格檢查鐵路線路。技術部門的工作人員應定期對鐵路線路進行檢查，這也需要對試驗數據進行分析。

國家鐵路的質量需要提高，這就要求鐵路部門貫徹全面改善公共工程的理念。重載鐵路智能控制部門需要積累維護工作經驗，可以總結日常維護工作。同時，重載鐵路智能控制的維修工作需要進行深入的改革，這就要求重載鐵路智能控制車間重新完善管理制度。因此，需要對鐵路養護人員進行培訓，使其能夠整合人員。同時，可以組建鐵路道岔、焊接修理和檢驗工人隊伍，保證鐵路建設和維護的質量。通過完善養護制度，可以提高我國鐵路養護質量和效率。同時，員工可以提高工作積極性，保證維修工作的效果。目前，鐵路連接處是鐵路的薄弱環節之一，在接頭處鋼軌表面的不連續增加了行駛阻力可達25%[6]。因此，鐵路連接處養護會避免各種連接處災害，這就需要增加線路養護費用的投資。在長期運行的影響下，鎮流器的摩擦會產生粉末，會造成日常環境中的雜質。因此，軌縫中經常出現各種病害，如軌床硬化、凍裂失彈性、節理低、節理空掛板、動作邊誤差、軌頂高差等。同時，如果接頭不及時進行季節性的修補，接頭鋼軌間隙就不會在設計鋼軌間隙的范圍內。曲線是維修工作中的一個薄弱環節。日常操作中對曲線的維護較少，這就會造成曲線兩側的直線部分的方向不直、不光滑、曲線頭尾彎曲等。在列車運行中，曲線的影響會使整個曲線長度變長或變短。因此，需要加強對曲線的檢測和分析，這樣才能分析軌道檢測車的幅值圖。因此，需要現場測量可以組織人員對曲線進行校正。需要在線路凍結和下降期間加強改造，避免過大的軌道變形，威脅線路安全。合理的曲線設置可以消除曲線部分的不平整度，可以減少車輛對軌道的不平整度磨損。因此，鐵路養護需要加強曲線缺陷和幾何尺寸的翻新，可以用油來降低磨損率。鐵路日常養護需要做好零件翻新，這樣可以調整軌距兩側軌道的坡度比和小半徑曲線的穩定性。在日常維護中，垂直曲線容易被忽略。

四、基于區塊鏈的重載鐵路智能框架

區塊鏈是現代數字加密貨幣系統的基石。在過去的幾年中，學術界和工業界對區塊鏈進行了廣泛的研究，發現這種先進的技術可以應用于各個領域（如金融、醫療保健和資產注冊）的應用。區塊鏈是一個按時間順序排列的塊列表，其中每個塊（由其惟一的加密散列標識）引用在它之前的塊，從而產生一個塊鏈。一旦創建了一個塊并將其添加到區塊鏈中，該塊中的事務信息就不能被更改或還原，這確保了系統的完整性。使用區塊鏈來存儲、傳輸和共享機器學習模型。

區塊鏈中一個非常關鍵的技術是智能合約，智能合約是一組以數字形式定義的承諾。包括合約參與者可以履行這些承諾的協議。在重載軌道系統中，用智能控制代替手動控制是十分可取的。為了實現列車的安全高效控制，各國學者對相關理論和應用進行了不同領域的研究。傳統的列車控制算法主要包括比例積分導數（PID）經典控制理論、模糊控制和機器學習[7]。PID控制算法通過計算列車運行的各種工況來控制列車運行，使用開環控制器來確定前后機車之間的功率分配，并與閉環控制器跟蹤目標曲線。實現曲線跟蹤以最小化由斜率等干擾引起的耦合器力。神經網絡通過設計神經網絡模型來學習數據隱藏規則，從而達到預測的目的。基于列車對接站歷史數據的模糊神經網絡實現貨運列車對接智能控制的方法，將線性模型、廣義回歸神經網絡和模糊推理系統相結合，對城市軌道交通列車的停車誤差進行估計，并對停車誤差進行動態優化調整。強化學習作為馬爾科夫決策過程的一種變體，也表現出了令人滿意的訓練控制特性。根據基于通信的列車控制通信系統的信道特性和列車實時位置信息，采用深度強化學習聯合優化通信性能和列車控制策略。應答器定位信息將列車控制建模為多階段決策過程，以停車誤差的倒數作為獎勵值，并引入強化學習求解最大獎勵函數。運用馬爾科夫決策過程對城市軌道交通司機的駕駛行為進行建模，通過多個指標構建返回函數，并運用算法進行求解，實現在線列車控制。

重載列車的牽引和制動系統是典型的非線性時變系統，難以用控制等精確的數學模型來描述。機器學習算法在農業、生物信息學、無線通信等領域得到了廣泛的應用。以神經網絡為代表的機器學習算法模型具有較強的自適應性和非線性處理能力，但存在收斂速度慢、局部解最優、容易過擬合等缺點。進行機器學習的一個簡單方法是首先收集并存儲數據在一個中央服務器上，然后一起處理數據。傳統的基于機器學習的智能控制方法存在數據不足的問題。考慮到數據的隱私和安全性，來自不同鐵路線路或運營商的數據不能直接共享。運營商之間的數據障礙嚴重阻礙了智能軌道交通的發展。數據交換與數據安全之間似乎存在著不協調的矛盾。如何在不暴露隱私的情況下連接數據碎片孤島，實現數據共享和模型共建，是亟待解決的問題。

五、結論

在本文中，基于區塊鏈進行研究重載列車智能控制，分析最優智能控制框架對區間運行數據進行預測。通過區塊鏈技術，我們可以提高對數據的深入分析，從而可以更科學的發現各種維護之間的關系。通過不斷改進，保證了線路的安全運行，保證重載鐵路運行的安全。