楊建偉,陳中雷,馬 禎,沈敬偉,包 云
(1.中國鐵路北京局集團有限公司 工務部,北京 100860;2.北京經緯信息技術有限公司,北京 100081;3.中國鐵道科學研究院集團有限公司 電子計算技術研究所,北京 100081)
為保障列車運行安全,我國已建高速鐵路均建設了自然災害及異物侵限監(jiān)測系統(tǒng)(簡稱:災害監(jiān)測系統(tǒng)),對沿線風、雨、雪等氣象災害及上跨高速鐵路的道路橋梁異物侵限進行監(jiān)測,為調度指揮提供列車運行管理建議,在發(fā)生異物侵限時聯(lián)動信號系統(tǒng)進行處置。災害監(jiān)測系統(tǒng)于2008年在京津(北京—天津)城際鐵路投入運用,為列車安全運行發(fā)揮了重要的技術保障作用。
災害監(jiān)測系統(tǒng)的運行與維護(簡稱:運維)工作是保障系統(tǒng)穩(wěn)定運行的基礎。針對該系統(tǒng)運維管理的研究主要集中在異物侵限監(jiān)測功能[1-3]和系統(tǒng)可靠性等方面[4-6]。多年來,災害監(jiān)測系統(tǒng)積累了線路災害報警數據,風、雨、雪及異物侵限監(jiān)測數據,以及設備運行狀態(tài)監(jiān)測等數據,亟需對其挖掘、分析和應用,發(fā)揮數據對系統(tǒng)運維管理的支撐作用。
災害監(jiān)測系統(tǒng)由現(xiàn)場監(jiān)測設備和鐵路局集團公司中心系統(tǒng)組成,現(xiàn)場監(jiān)測設備包括風、雨、雪及異物侵限前端采集設備和監(jiān)控單元,鐵路局集團公司中心設備包括服務器、網絡和安全設備、監(jiān)測終端等。災害監(jiān)測系統(tǒng)是一個多專業(yè)融合的系統(tǒng),其運維工作由工務、電務(通信、信號)、信息等專業(yè)人員共同完成[7]。
災害監(jiān)測系統(tǒng)的運維采用計劃修和故障修相結合的維修模式,除按計劃定期開展維修外,當出現(xiàn)故障時,需開展臨時處置和維護。系統(tǒng)故障包括風雨雪監(jiān)測數據異常、系統(tǒng)脫離監(jiān)控、通訊異常等。
災害監(jiān)測異常數據分析是識別系統(tǒng)運行狀態(tài)的有效手段之一,通過對風雨雪監(jiān)測異常數據的分析,可識別系統(tǒng)或設備的異常情況,本文以風監(jiān)測異常數據為例進行分析。
我國高速鐵路通過在沿線大風重點發(fā)生區(qū)段(如山區(qū)埡口、峽谷、河谷、橋梁及高路堤等區(qū)段)設置風監(jiān)測設備,采集監(jiān)測點處的瞬時風速和風向信息。當風速超過報警閾值時,系統(tǒng)發(fā)出大風報警,列車調度員發(fā)出行車限速或停車指令。為保證監(jiān)測數據的穩(wěn)定和連續(xù)性,一般在同一監(jiān)測點設置兩臺風速風向計。由于設備自身原因或受外界環(huán)境影響,風監(jiān)測過程中產生的異常數據通常表現(xiàn)為跳變、長時間不變、無效字符等,如圖1所示。
圖1 高鐵風速監(jiān)測數據
通過對兩臺風速風向計的風速監(jiān)測數據基于皮爾遜相關系數進行相關性分析,可判識監(jiān)測數據是否一致,如圖2所示,兩組數據的相關系數為25.54%,相關性較小,需要分別對兩臺風速風向計監(jiān)測數據進行異常判識。單臺風速風向計的異常數據判識可采用長短期記憶(LSTM,Long Short-Term Memory)神經網絡方法對未來風速進行預測[8-9],當監(jiān)測值與預測值出現(xiàn)較大差異時,進行人工復核,如圖3所示,可認定是否為異常數據。
圖2 同一監(jiān)測點兩臺風速風向計風速監(jiān)測數據相關性分析
圖3 基于 LSTM 的風速異常數據判識
風監(jiān)測異常數據主要由2種原因導致:(1)由于傳感器故障導致的風監(jiān)測數據異常,如圖4所示,風速風向計2監(jiān)測值出現(xiàn)階躍式跳變,數據不可采用,經分析,該跳變是由于傳感器被積雪凍住而導致;(2)由于現(xiàn)場環(huán)境原因導致風監(jiān)測數據異常,如圖5所示,可以看出兩臺風速風向計監(jiān)測的風速與風向有關,當風向在225°~270°之間時,風速風向計2的監(jiān)測值較大,當風向在270°~315°之間時,風速風向計1的監(jiān)測值較大,由于風速異常與風向有關,該異??煽紤]是由接觸網支柱遮擋而導致。
圖4 傳感器故障導致的監(jiān)測異常數據
圖5 風向導致的風速異常分布情況
通過對災害監(jiān)測系統(tǒng)的災害報警數據進行分析,可發(fā)現(xiàn)災害的危險區(qū)段。圖6為某線路風雨監(jiān)測報警數據分析圖,從圖6(a)中可以看出大風的重點發(fā)生區(qū)段(紅色區(qū)段為災害報警高發(fā)區(qū)),圖6(b)為基于累計降雨量分析的降雨高發(fā)區(qū)段,結合地形地貌情況,可進行降雨及次生(滑坡、泥石流等)災害的重點防治。雨季中,工務、電務等部門可對降雨重點發(fā)生區(qū)域進行有針對性的巡查。
圖6 某線路大風、降雨空間風險區(qū)劃示意
以大風分析為例,風季大風具有一定的規(guī)律,通過對某路段一日內大風發(fā)生頻率的分析,可得出大風頻發(fā)的時段和區(qū)段。在可選擇的情況下,維修天窗的設置可避開大風易發(fā)生的時段和區(qū)段。圖7為某線路風季(3~5月)時1日內大風發(fā)生的頻次圖,可以看出,在凌晨4:00~6:00時發(fā)生6級以上大風的概率小于其他時段,建議在此時段開展維修工作。
圖7 某線路風季1日內6級以上大風發(fā)生時段分布
故障數據分析是進行故障診斷的基礎,通過對各線路災害監(jiān)測系統(tǒng)運行數據的分析,可把握相關技術和系統(tǒng)的可靠性。
(1)按線路分析
圖8是中國鐵路北京局集團有限公司管內8條線路的災害監(jiān)測系統(tǒng)每年每公里的系統(tǒng)故障情況,從圖8中可以看出,線路2故障率相對較高。由于線路2與其他線路相比開通運營時間較早(2010年),隨著災害監(jiān)測系統(tǒng)技術不斷優(yōu)化升級,系統(tǒng)可靠性不斷提高,其他線路故障次數明顯降低。
圖8 各線路故障情況
(2)按建設單位分析
圖9是按建設單位每年每公里分析的系統(tǒng)故障情況,從圖9中可以看出,建設單位2建設的系統(tǒng)故障相對較高,進一步分析發(fā)現(xiàn),建設單位2承擔了較早開通運營線路的系統(tǒng)建設任務。建設單位3系統(tǒng)故障相對較低,與其他建設單位同期建設的系統(tǒng)故障情況相比,該單位建設的系統(tǒng)穩(wěn)定性較高。
圖9 各建設單位承建線路故障情況
(3)通過設備狀態(tài)分析
通過分析設備狀態(tài)數據,可挖掘設備故障規(guī)律,進行有針對性的運維。圖10是對某線路現(xiàn)場監(jiān)測設備故障的分析,可看出監(jiān)控單元故障是該線路檢測設備的主要故障,而監(jiān)控單元故障原因主要是網絡故障。
圖10 某線路現(xiàn)場監(jiān)測設備故障分析
災害監(jiān)測系統(tǒng)故障數據為0-1開關量,本文借鑒文獻[10],采用失效模式與影響分析(FMEA ,F(xiàn)ailure Mode and Effects Analysis)和隨機森林算法相結合的方法對系統(tǒng)故障進行診斷。以故障較多的監(jiān)控單元故障診斷為例,建立故障診斷FMEA表,如表1所示。
表1 監(jiān)控單元故障診斷 FMEA 表
決策樹算法是故障診斷中常用的方法,但單一的決策樹容易導致模型過擬合的問題[11-12]。隨機森林算法集成多棵決策樹組成一個集成模型,通過設置樹的深度減少方差,有效解決單一決策樹模型過擬合的問題?;贔MEA和隨機森林算法的監(jiān)控單元故障診斷流程為:如圖11所示,(1)對故障數據進行預處理,形成FMEA表,并將數據分為訓練數據和測試數據;(2)針對訓練數據集,利用Bootstrap重抽樣方法[13]從原始樣本中抽取多個樣本,對每個樣本建立決策樹;(3)將這些決策樹組合在一起,通過投票得出最后的分類結果。
圖11 基于FMEA和隨機森林算法的監(jiān)控單元故障診斷流程
本文對上述8條線路的監(jiān)控單元故障進行診斷,共收集到監(jiān)控單元故障樣本116條,基于該方法的監(jiān)控單元故障診斷準確率可達77%,如圖12所示。
圖12 故障診斷準確率與隨機森林棵樹的關系
本文通過對高速鐵路災害監(jiān)測系統(tǒng)的檢測數據、報警數據及系統(tǒng)運行狀態(tài)數據的分析,提高災害報警的可靠性;識別高速鐵路沿線災害風險,為災害防御提供支持;開展設備質量評價和故障診斷技術研究,為故障處置提供依據。相關研究已在京張高鐵(北京—張家口高速鐵路)開展應用,為高速鐵路災害監(jiān)測系統(tǒng)的運維工作提供支撐。