王明輝

摘 要：高速鐵路網(wǎng)的主要供電設(shè)備接觸網(wǎng)，是沿鋼軌上空呈“之”字形架設(shè)的特殊輸電系統(tǒng)。對高速電氣化鐵路接觸網(wǎng)，缺陷的檢測顯得是十分重要，隨著檢測設(shè)備的不斷更新，缺陷檢測準(zhǔn)確度逐漸提高，數(shù)據(jù)量越來越大，研究缺陷檢測數(shù)據(jù)顯得尤為重要。本文主要利用數(shù)據(jù)挖掘技術(shù)中的聚類分析法，將缺陷數(shù)據(jù)按照線路分布的密集程度進(jìn)行聚類，然后將聚類結(jié)果進(jìn)行可視化，并且通過分析聚類結(jié)果數(shù)據(jù)，給出合理可行的缺陷預(yù)警方案和線路檢修建議。為了驗證方案的可行性，選取沈陽鐵路局的部分缺陷檢測數(shù)據(jù)作為本次方案的測試樣本。經(jīng)過數(shù)據(jù)預(yù)處理和方案測試發(fā)現(xiàn)：吊弦類缺陷聚類高發(fā)區(qū)域占比約為78%，一二級燃弧類缺陷聚類高發(fā)區(qū)域占比約為71%，高發(fā)時段為4-9月。實驗結(jié)果表明不同類型的缺陷熱點區(qū)域分布的時段與區(qū)域不同。

關(guān)鍵詞：接觸網(wǎng);缺陷;數(shù)據(jù)挖掘;聚類分析法

中圖分類號：BT

文獻(xiàn)標(biāo)識碼：Adoi：10.19311/j.cnki.1672-3198.2020.19.093

0 引言

作為鐵路運輸牽引供電系統(tǒng)的重要組成部分的接觸網(wǎng)，其動態(tài)設(shè)備質(zhì)量情況直接影響到牽引供電的質(zhì)量，對接觸網(wǎng)運行狀態(tài)的實時監(jiān)測是保證鐵路安全運輸?shù)闹匾侄?。如今，接觸網(wǎng)動態(tài)監(jiān)測設(shè)備（6C系統(tǒng)）能夠完成接觸網(wǎng)的各項數(shù)據(jù)檢測，所有基礎(chǔ)數(shù)據(jù)和報警數(shù)據(jù)均被收集入庫長期存放，隨著時間的推移，數(shù)據(jù)庫中的檢測基礎(chǔ)數(shù)據(jù)和缺陷數(shù)據(jù)越來越多，但對數(shù)據(jù)資源的利用率不是很高。目前，國內(nèi)主流方向都是關(guān)于如何提高線路設(shè)備缺陷識別或者機(jī)車運行異常檢測準(zhǔn)確度作研究和測試，設(shè)計出了針對不同零部件的缺陷識別方法，效果顯著。隨著大數(shù)據(jù)時代的到來，為了讓現(xiàn)有的檢測數(shù)據(jù)的作用不再局限于傳統(tǒng)的數(shù)據(jù)統(tǒng)計層面，本文利用數(shù)據(jù)挖掘技術(shù)對燃弧、吊弦缺陷進(jìn)行了深入研究。

數(shù)據(jù)挖掘作為當(dāng)今智能系統(tǒng)理論技術(shù)的重要組成部分，它包括了人工智能、神經(jīng)網(wǎng)絡(luò)、模式識別、數(shù)理統(tǒng)計等先進(jìn)技術(shù)，從大量數(shù)據(jù)中通過相關(guān)算法搜索隱藏于其中的有價值和隱秘信息的過程。本文就是通過數(shù)據(jù)挖掘技術(shù)從大量接觸網(wǎng)的檢測數(shù)據(jù)中尋找數(shù)據(jù)間的特性，全方位分析檢測的數(shù)據(jù)，做出歸納性的推理，從中挖掘出潛在的模式，爭取為鐵路局的檢修計劃提供切實可行的建議。首先，本文對檢測的原始數(shù)據(jù)進(jìn)行預(yù)處理，為數(shù)據(jù)挖掘過程做好前提準(zhǔn)備;然后，利用聚類算法模型把預(yù)處理后的數(shù)據(jù)進(jìn)行分析計算;最后，將聚類結(jié)果進(jìn)行可視化，并給出預(yù)警方案。

1 高速鐵路網(wǎng)供電系統(tǒng)缺陷檢測現(xiàn)狀

隨著我國國民經(jīng)濟(jì)的日益發(fā)展，我國在新的歷史背景下提出了新時代交通強國戰(zhàn)略，國家提出2020-2035基本建成交通強國，2035-2050全面建成交通強國，高速鐵路作為公共交通中的重要組成部分，也面臨著新的規(guī)劃建設(shè)任務(wù);我國規(guī)劃在2030年，高鐵線網(wǎng)由原來的四橫四縱形成八橫八縱，整個高鐵路網(wǎng)達(dá)到4.5萬公里。

但隨著高鐵線網(wǎng)的高速度高密度運行的同時，接觸網(wǎng)的安全可靠運行是整個電氣化鐵路安全可靠運行的關(guān)鍵。當(dāng)前國內(nèi)接觸網(wǎng)的檢修模式采取周期修與狀態(tài)修相結(jié)合的方式組織作業(yè)，其作業(yè)主體仍以車間及工班為最小作業(yè)單元。該種作業(yè)模式安全風(fēng)險點多、作業(yè)效率低、占用人力物力資源大、個人素質(zhì)要求高、作業(yè)效果差強人意，已經(jīng)不能滿足鐵路快速發(fā)展的需要。

目前，接觸網(wǎng)檢測監(jiān)測數(shù)據(jù)主要是通過對各個檢測參數(shù)的閾值判斷，發(fā)現(xiàn)相關(guān)接觸網(wǎng)等設(shè)備的局部缺陷，通過相關(guān)平臺反饋給用戶進(jìn)行后續(xù)工作，所以，對于檢測數(shù)據(jù)的利用率還是很低。如何利用并發(fā)揮好已有設(shè)備檢測數(shù)據(jù)的價值，成為整個鐵路行業(yè)的主題。

且隨著高速鐵路施工質(zhì)量的逐步提高，眾多高速鐵路接觸網(wǎng)只能檢測出少量或局部的有效缺陷。在鐵路維修作業(yè)中過度依賴人工操作，如果對維護(hù)區(qū)域沒有主次之分，那么對于整個線路檢修計劃來說，必定會耗費很多人力物力等資源。因此，如何利用好現(xiàn)有的海量缺陷檢測數(shù)據(jù)，實現(xiàn)接觸網(wǎng)熱點缺陷區(qū)域預(yù)測，從而節(jié)約檢修成本是本次的研究重點。2012年，田國保利用數(shù)據(jù)挖掘技術(shù)及回歸分析找到了接觸網(wǎng)動態(tài)參數(shù)間的關(guān)系，通過實踐找了設(shè)備運行的規(guī)律。

2 基于聚類分析的算法實現(xiàn)原理

數(shù)據(jù)挖掘又稱為數(shù)據(jù)庫中的知識發(fā)現(xiàn)（Knowledge Discover in Database，KDD），是目前人工智能和數(shù)據(jù)庫領(lǐng)域研究的熱點問題，所謂數(shù)據(jù)挖掘是指從數(shù)據(jù)庫的大量數(shù)據(jù)中揭示出隱含的、先前未知的且具有潛在價值的信息的過程。而時空聚類算法分析主要是從具有時間和位置信息的數(shù)據(jù)庫中發(fā)現(xiàn)具有相似特征的時空實體（即時空簇），也是基于傳統(tǒng)的聚類分析從空間域到時空域的進(jìn)一步擴(kuò)展。目前，時空聚類在全球氣候變化、公共衛(wèi)生安全、地震檢測分析以及犯罪熱點分析等領(lǐng)域具有重要應(yīng)用價值，有助于更好地發(fā)現(xiàn)和分析地理現(xiàn)象發(fā)展變化的趨勢、規(guī)律與本質(zhì)特征。現(xiàn)有的時空聚類方法主要包括時空掃描統(tǒng)計方法、基于密度的方法以及基于時空距離的方法。

本文主要采用ST-DBSCAN時空聚類算法實現(xiàn)高速鐵路網(wǎng)供電系統(tǒng)熱點缺陷區(qū)域信息挖掘。ST-DBSCAN算法中有三個參數(shù)：minPts、eps、delta_t。其中minPts表示形成簇的最小點個數(shù)，eps表示形成簇的時空點距離，delta_t表示形成簇的最大時間。ST-DBSCAN算法的基本思想是：通過循環(huán)判斷時空核心對象c以eps為半徑，delta_t時間差內(nèi)點的個數(shù)是否大于等于minPts，如果大于則形成簇，反之則對下一個時空對象進(jìn)行聚類，直到所有的時空對象都?xì)w在某個簇中，或被標(biāo)記為時空孤立點，則聚類結(jié)束。

利用ST-DBSCAN算法模型進(jìn)行線路缺陷高危爆發(fā)區(qū)域信息挖掘的過程中，涉及三個重要的閾值參數(shù)，即空間距離閾值sptial_threshold、時間距離閾值temporal_threshold和時空對象量閾值minPts，這三個參數(shù)主要根據(jù)實際業(yè)務(wù)需求進(jìn)行篩選設(shè)置。

2.1 模型閾值設(shè)定規(guī)則

該模型將線路上“已確認(rèn)”的缺陷作為時空對象，然后通過繪制距離頻數(shù)柱狀圖來查找時間與空間閾值，方便設(shè)定盡可能滿足需求的閾值，具體步驟如下：

步驟1：計算缺陷時空對象事務(wù)集中兩兩時空對象在時間維度（或空間維度）下的時間（或空間）距離大小值。

步驟2：計算上步所得的各個距離大小值出現(xiàn)的頻數(shù)。

步驟3：將上步所得的頻數(shù)值對應(yīng)縱坐標(biāo)，距離大小值對應(yīng)橫坐標(biāo)，繪制出時空對象距離頻數(shù)柱狀圖，找出柱狀圖中最大距離頻數(shù)值所對應(yīng)的點，該點的時間（或空間）距離大小值便可作為該維度下的閾值，即時間閾值temporal_threshold（或空間閾值sptial_threshold）。

步驟4：計算時空對象量閾值minPts，計算公式如下：

2.2 算法實現(xiàn)過程

具體實現(xiàn)步驟如下：

步驟1：從基礎(chǔ)數(shù)據(jù)庫中獲取目標(biāo)數(shù)據(jù)，數(shù)據(jù)必須含有參數(shù)經(jīng)度x，緯度y，時間t，由此構(gòu)成滿足條件的時空對象數(shù)據(jù)，每條完整的基礎(chǔ)數(shù)據(jù)記為一個時空對象點Ci={idi，xi，yi，ti}，i（1in）表示時空對象序號，從而組成對象集合DC。

步驟2：選取任意對象點Ci，（Ci∈DC），判讀其是否屬于現(xiàn)有簇中，如果該點已有歸屬簇，則選取下一個對象點Ci+1，否則進(jìn)行下一步操作。

步驟3：判斷對象點Ci是否為時空核心對象，是核心對象則進(jìn)行下一步操作，否則就返回步驟2，重新選擇新的對象點。

步驟4：搜索時空核心對象點Ci的所有時空相鄰對象點Ei，如果Ei不屬于任何已經(jīng)存在的簇，那么就將Ei放入新簇中，反之Ei已有歸屬簇則不進(jìn)行操作。

步驟5：判斷步驟4中放入的對象點Ei是否為新簇中的時空核心對象，如果不是核心對象，則將其標(biāo)記為邊緣時空對象不再進(jìn)行下步操作，如果是核心對象則重復(fù)步驟4。

步驟6：重復(fù)上述步驟2到步驟5的操作，直到DC中所有對象都屬于某個簇，或為時空孤立點截止。

步驟7：將上述得到的所有簇標(biāo)簽存放到新建數(shù)據(jù)的對應(yīng)字段中，方便后續(xù)的結(jié)果分析。

3 基于聚類分析的熱點缺陷區(qū)域研究

目前，鐵路供電系統(tǒng)中的各種檢測監(jiān)測設(shè)備對接觸網(wǎng)的運行狀態(tài)實現(xiàn)了全線路實時監(jiān)測、精確定位、缺陷報警監(jiān)控、數(shù)據(jù)集中的存儲、信息共享等功能，而相關(guān)配套的智能分析系統(tǒng)可以通過綜合各種數(shù)據(jù)，比如（車型、導(dǎo)高值、拉出值、線路、區(qū)站、行別、經(jīng)緯度、時間、缺陷類型、缺陷級別等），實現(xiàn)供電設(shè)備缺陷的智能識別和預(yù)警。隨著設(shè)備不斷采集數(shù)據(jù)和系統(tǒng)結(jié)果計算，使得現(xiàn)在積累了大量有關(guān)接觸網(wǎng)缺陷相關(guān)的線路基礎(chǔ)數(shù)據(jù)，亟待深入挖掘有用信息，讓基礎(chǔ)數(shù)據(jù)變得更有價值。

線路上缺陷的發(fā)生，在時間和位置上存在一定的規(guī)律性，為了挖掘缺陷在時空上的特性，本文利用時空聚類方法設(shè)計出的高速鐵路網(wǎng)供電系統(tǒng)發(fā)生缺陷的熱點區(qū)域分析的時空模型，該模型可以展現(xiàn)線路整體時間段內(nèi)（年、月）缺陷熱點爆發(fā)趨勢，根據(jù)趨勢提出預(yù)警方案，對第二年的工作鐵路的檢修計劃有一定的指導(dǎo)意義。此次挖掘主要實現(xiàn)方案如圖1。

（1）數(shù)據(jù)清洗。由于基礎(chǔ)數(shù)據(jù)庫中的數(shù)據(jù)存在字段為空，存儲內(nèi)容格式不統(tǒng)一、經(jīng)緯度不準(zhǔn)等問題，需要將這些數(shù)據(jù)進(jìn)行清洗，保證目標(biāo)數(shù)據(jù)的完整性。

（2）數(shù)據(jù)處理。對清洗后的數(shù)據(jù)進(jìn)行處理，調(diào)準(zhǔn)經(jīng)緯度，對時間項進(jìn)行格式轉(zhuǎn)化，篩選出模型計算需要的有用字段，組成新的數(shù)據(jù)集。

（3）分析計算。首先，計算出模型的空間閾值（以米為單位）、時間閾值（以天為單位），以及調(diào)整minPts的值。然后，調(diào)用ST-DBSCAN算法模型進(jìn)行數(shù)據(jù)挖掘計算。最后，聚類結(jié)果中cluster值為“-1”表示離散點，非“-1”表示缺陷熱點。

（4）結(jié)果可視化。將所有聚類結(jié)果，根據(jù)類別利用三維圖像可視化展示。

（5）根據(jù)該線路熱點區(qū)域聚類分布情況，給出缺陷的預(yù)警方案。

4 運行檢測實驗結(jié)果

要滿足時空聚類條件，需要選取缺陷較為密集的位置進(jìn)行挖掘，稀疏類的缺陷無法進(jìn)行時空分析。本次實驗樣本主要選取2019年以前沈陽鐵路局管理區(qū)域內(nèi)的燃弧類、吊弦類一二類缺陷數(shù)據(jù)。

4.1 燃弧類缺陷結(jié)果分析

本次實驗測試選取了2019年沈陽鐵路局-秦沈線-錦州供電段內(nèi)6000條列車上行一二類燃弧缺陷數(shù)據(jù)作為模型演示樣本，經(jīng)過數(shù)據(jù)清洗剩余5102條有限缺陷數(shù)據(jù)，由于不同區(qū)站上燃弧缺陷聚類結(jié)果顯著，分布范圍較廣（見表1），為了表示不同區(qū)站上缺陷熱點分布情況，因此本次將用不同顏色的點進(jìn)行可視化，演示結(jié)果如圖2所示。

圖2中黑色點表示缺陷熱點分散點，其它顏色點的集群表示缺陷的熱點簇。從時間維度分析，燃弧類缺陷高發(fā)段主要出現(xiàn)在4-9月份（詳情見表2）。

以盤錦北站-錦州南站區(qū)站上的分布情況為例，進(jìn)行聚類結(jié)果分析：

圖中X坐標(biāo)軸為地理緯度，Y為經(jīng)度，Z為時間軸（分為12個月）。盤錦北站-錦州南站區(qū)站燃弧缺陷熱點聚集區(qū)為：圖2中黃-A區(qū)域（1-2月份）、黃-B區(qū)域（4-9月份）、黃-C區(qū)域（10-12月份）、黃-D區(qū)域（10月份）。

該區(qū)段上燃弧缺陷較少發(fā)生區(qū)域為：3月份。

4.2 吊弦類缺陷結(jié)果分析

為了測試不同線路熱點區(qū)域缺陷分布情況，實驗選取了2019年以前沈陽鐵路局2000條吊弦數(shù)據(jù)作為模型演示樣本，經(jīng)過數(shù)據(jù)清洗剩余1958條有效缺陷數(shù)據(jù)，為了區(qū)分不同線路缺陷高發(fā)區(qū)，用不同顏色的點表示不同線路缺陷的熱點高發(fā)區(qū)（見表3），演示結(jié)果如圖4所示。

圖4中黑色點表示缺陷熱點分散點，紅色集群表示丹大快速線上的缺陷熱點簇，橘色集群表示秦沈線上的缺陷熱點簇，粉色集群表示長琿城際上的缺陷熱點簇，綠色點集群表示沈丹客專線上的缺陷熱點簇，灰色表示其他線上的熱點簇。

以長琿城際的分布情況為例，進(jìn)行聚類結(jié)果分析：

長琿城際線上吊弦缺陷熱點聚集區(qū)為：圖5中黃-A區(qū)域（1-3月份）、黃-B區(qū)域（2-5月份）、黃-C區(qū)域（5-8月份）、黃-D區(qū)域（11-12月份）。

該線路上吊弦缺陷較少發(fā)生區(qū)域為：墨綠-A區(qū)域（2-5月份）、墨綠-B區(qū)域（10-12月份）。

4.3 缺陷預(yù)警方案

此次缺陷熱點預(yù)警方案主要針對樣本數(shù)據(jù)，對來年發(fā)生相關(guān)缺陷的時間-地理位置預(yù)警：首先，將設(shè)備缺陷預(yù)警分為三級：一級預(yù)警為缺陷較密集狀態(tài)，即熱點趨勢;二級預(yù)警為缺陷密度平均狀態(tài);三級預(yù)警為缺陷較稀疏狀態(tài)。然后，根據(jù)不同的時間段，給用戶推送針對不同區(qū)域的預(yù)警信息及方案，情況如下：

（1）一級預(yù)警：在熱點時間段內(nèi)提示用戶，對各熱點區(qū)域增加日常檢修頻數(shù)，預(yù)防設(shè)備損壞。

（2）二級預(yù)警：在缺陷平均時間、區(qū)域內(nèi)提示用戶，進(jìn)行正常的日常檢修。

（3）三級預(yù)警：在缺陷較少時間、區(qū)域內(nèi)提示用戶，減少日常檢修頻數(shù)，降低人工成本，提高檢修效率。

5 結(jié)論

為了提高現(xiàn)有缺陷檢測數(shù)據(jù)的利用率，提高線路檢測數(shù)據(jù)的利用率，本文提出了一種基于聚類算法分析的高速鐵路供電系統(tǒng)接觸網(wǎng)缺陷熱點區(qū)域分布的挖掘模型方案，這種方案將利用時間、空間、線路發(fā)生的缺陷三種參數(shù)作為聚類的核心參數(shù)進(jìn)行分析計算，得出線路的缺陷熱點區(qū)域分布圖，然后結(jié)合聚類結(jié)果分析給出比較合理的預(yù)警方案。所得預(yù)警方案在實際檢修中有較強的指導(dǎo)意義。

參考文獻(xiàn)

[1]王璟，張于峰.高速鐵路牽引供電系統(tǒng)健康管理及故障預(yù)警體系[J].中國高新科技，2019，（14）：81-83.

[2]史冬雪.6C系統(tǒng)保障高鐵供電設(shè)備安全[J].世界軌道交通，2012，（9）：22-23.

[3]陳海波.高速鐵路接觸網(wǎng)檢測技術(shù)分析[J].建材與裝飾，2018，（4）：278-279.

[4]王達(dá)，崔蕊.數(shù)據(jù)平滑技術(shù)綜述[J].電腦知識與技術(shù)，2009，5（17）：4507-4509.

[5]邵峰晶.數(shù)據(jù)挖掘原理與算法[M].北京：水利水電出版社，2003.

[6]韋勝，高湛.中國高鐵網(wǎng)絡(luò)空間分布格局及其發(fā)展變化研究[C].2018年中國城市交通規(guī)劃年會論文集，2018：579-591.

[7]王藝錚.談中國高鐵的發(fā)展[J].智富時代，2019，（3）：40-40.

[8]程學(xué)慶，李月，楊濤，等.高速鐵路供電系統(tǒng)安全風(fēng)險研究[J].鐵道科學(xué)與工程學(xué)報，2016，13（2）：233-237.

[9]田國保.基于數(shù)據(jù)挖掘的接觸網(wǎng)檢測數(shù)據(jù)處理方法研究[J].科技創(chuàng)新與應(yīng)用，2012，（13）：81-82.

[10]唐建波，鄧敏，劉啟亮.時空事件聚類分析方法研究[J].地理信息世界，2013，20（1）：38-45.

[11]Thakur， Sidharth， et al. SUMMARY VISUALIZATIONS FOR COASTAL SPATIAL-TEMPORAL DYNAMICS[J]. International Journal for Uncertainty Quantification，2013，3（3）：241-253.

[12]Birant D， Kut A. ST-DBSCAN： An algorithm for clustering spatial–temporal data[J]. Data & Knowledge Engineering，2007，60（1）：208-221.