陈宝花，史 宏

（1.中国铁道科学研究院，北京 100081；2.中国铁道科学研究院 运输经济研究所，北京 100081）

铁路雪深监测系统数据过滤算法研究

陈宝花1，史 宏2

（1.中国铁道科学研究院，北京 100081；2.中国铁道科学研究院 运输经济研究所，北京 100081）

铁路沿线雪深监测系统对于保障严寒地区列车的安全运行具有重要作用。针对该系统异常数据导致雪深监测值失真甚至可能引起系统误报警这一问题，在分析铁路沿线监测点雪深传感器原始监测数据的基础上，归类异常数据，制定数据过滤规则，提出铁路雪深监测系统数据过滤算法，并进行实验仿真。仿真结果表明：该算法能够有效地过滤掉异常数据并消除数据抖动现象，在铁路雪深监测系统中具有较大的应用价值。

铁路；雪深监测；异常数据；数据过滤

降雪天气影响铁路的行车安全，近几年随着我国铁路的飞速发展，铁路雪深监测系统（简称：雪深监测系统）对于防止严寒地区列车遭遇雪灾危害发挥着越来越重要的作用[1～2]。雪深监测系统通过对铁路沿线各监测点雪深数据的实时采集及报警评判，向监测终端提供实时雪深监测数据和大雪报警信息，为铁路相关部门制定预案和采取措施提供可靠的依据。雪深数据的准确性直接影响到该系统的可靠性，因此 ，保证雪深数据的准确性至关重要。

目前，我国雪深监测系统多数采用激光雪深传感器进行雪深测量，由于传感器自身因素（传感器故障）及外在环境（大风导致激光探头晃动、激光波束路径上出现异物、探头摄入反射光线等）的影响，系统采集到的原始数据不能完全准确地反映真实雪深值甚至可能引起系统误报警，故从监测数据中筛选出异常数据并过滤是保证雪深监测准确性的前提。在地面气象雪深自动化观测领域，关于数据异常的判断与处理方面有很多研究[3～5]。 “激光波束路径上飘落雪花可能导致测量值发生突变”这一问题提出了测距可靠性算法，通过在一次测量中连续读取多值并选取与上一次结果最接近的一个值作为当前的测量值[6]，对于雪深监测系统的数据处理有一定的借鉴意义。

在分析铁路沿线监测点雪深传感器原始监测数据的基础上，归类异常数据，结合测距可靠性算法，提出一种雪深数据过滤算法。通过对比该算法应用前后的雪深数据曲线，验证了该过滤算法的有效性。

1 铁路雪深监测系统

1.1 系统结构

雪深监测系统作为铁路自然灾害及异物侵限监测系统[7～9]的重要子系统之一，对铁路沿线雪深进行实时监测，具备报警、预警及联动触发等功能。该系统由监控数据处理设备和现场监测设备组成，监控数据处理设备由数据处理中心和监测终端组成，现场监测设备由现场采集设备和监控单元构成，如图1所示。

图1 铁路雪深监测系统构成

1.2 系统功能

现场采集设备：负责定时采集监测点的雪深数据，并通过串口通信方式将实时数据传送给所属监控单元。

监控单元：负责实时数据的接收、数据质量检查、雪深采集设备状态监测、上位机命令的执行及通过远程网络传输方式向数据处理中心传送实时数据。

数据处理中心：包括应用服务器、数据库服务器、接口服务器等。负责汇聚监控单元上传的实时数据，解析处理数据，进行报警评判及向监测终端实时传送雪深数据和推送报警信息，数据过滤即在数据处理中心实现。

监测终端：包括监测业务终端和监测维护终端。负责灾害监测报警信息的实时显示及声音播报、现场采集设备状态监测报警信息的实时显示及声音播报、监控单元状态监测报警信息的实时显示和系统管理等。

1.3 雪深测量原理

雪深监测系统的现场采集设备为激光雪深传感器，其牢固安装在铁路轨道旁边的接触网支柱上，定时（如每隔10 s）对铁路轨道上的监测点进行测量。激光雪深传感器由测距探头、处理控制单元和安装支架组成，测量原理为激光测距。测距探头由高稳定的激光发射器、接收器、前置控制器组成，利用发射的波束遇到障碍物反射回来的特性进行距离差测量，即测量传感器和障碍物这两点间的直线距离d，如图2所示。

图2 激光传感器测距三角关系原理图

由直线距离和传感器安装角度这两个数值，根据三角关系可得到传感器与障碍物水平面的垂直距离h，见式（1）。在使用前进行一次零水平面测量，并将该值作为偏移量offset存储在设备中，由偏移量offset减去测量得到的垂直距离h即为激光雪深传感器输出的测量结果。

监控单元对传感器测量值进行雪深转换处理。系统正式运行前，将传感器在轨道无雪覆盖时的测量值作为雪深基准值h0。系统正式运行过程中，传感器测量值为雪深实测值h1；雪深实测值减去雪深基准值为雪深值h2，见式（2）。

数据处理中心定时（如每隔1 min）通过数据过滤算法对监控单元上传的多个雪深数据进行初步筛选、过滤得出当前分钟的有效雪深值，然后根据报警评判规则进行报警评判。

2 数据过滤算法

数据过滤的核心功能是从监控单元上传的雪深监测数据中过滤掉异常数据，对上层提供准确的雪深值。在对雪深数据异常情况进行分析的基础上，制定相应的过滤规则，生成过滤算法。

2.1 异常数据分类

由于传感器自身因素和铁路沿线外在环境的影响，传感器测量得到的值不一定能真实反映现场雪深状况。通过分析铁路沿线监测点雪深传感器原始监测数据，得到异常数据的主要表现形式、产生的原因、对应的雪深值及分析结果，如表1所示。

表1 数据分析结果统计表

2.2 数据过滤规则

2.2.1 过滤规则描述

异常数据过滤的总体原则是增加测量时间，每次从1 min内收集到的数据中筛选出符合过滤类别的异常数据优先进行排除，再从余下的数据中选取与前 1 min有效雪深值最相近的值作为当前分钟的有效雪深值。具体过滤原则如下：

（1）对单个数据进行失效判断，约定一个有效数据范围，不在范围内的数据直接过滤。

（2）对于第1 min数据，在第1步的基础上，对余下的有效数据进行离散程度验证，离散程度小则取其均值作为当前时刻的有效雪深值；否则下1 min数据继续执行此步骤，直到取到有效雪深值。当前时刻的有效雪深值作为下1 min数据跳变评判的基准。

（3）在已有基准的前提下，对单个数据进行向上跳变判断，若其跳变值超过设定阈值，直接过滤。

（4）在已有基准的前提下，对单个数据进行向下跳变判断，若其跳变值超过设定阈值，对该时刻内有效数据离散程度验证，离散程度大则全部拒绝，直接过滤；离散程度小则全部接收，不予过滤。

（5）在已有基准的前提下，在前4个步骤的基础上，判断剩余数据的个数，若为零则当前时刻的有效雪深值等于前1 min有效雪深值；若不为零则当前时刻的有效雪深值等于剩余数据中与前1 min有效雪深值最相近的值。

2.2.2 关键阈值选取

以上的过滤规则中，阈值的选取是关键。有效数据范围若太大则不利于异常数据的过滤，太小又可能出现误判，跳变阈值也存在相似的问题。阈值确定原则如下：

（1）有效数据范围确定：有效范围的最小值为0；对该地区历史气象监测数据进行收集分析，得到历史上最大雪深值，以该值为基础向上浮动20%，作为有效范围的最大值。

（2）向上/下跳变阈值确定：积雪从无到有再到消融是一个缓慢渐变的过程，理想情况下，测量得到的雪深值应该也是一个渐变的数字，1 min时间内得到的数据值不会有过大的跳变，以相邻时间的雪深差距的最大值作为跳变阈值。

数据离散程度阈值：方差是在概率论和统计方差衡量随机变量或一组数据离散程度的度量，故本文的数据离散程度采用方差来直观表示，离散型方差的计算式如式3所示。1 min内雪深值增长很小，故方差阈值可取得小些。

xi—第i个数据项；

u—数据平均数。

2.3 过滤算法实现

雪深监测系统数据过滤算法主要包括以下4个方面：

（1）循环收集一分钟雪深监测数据；

（2）有效雪深值基准的确定；

（3）过滤失效数据和跳变数据，再与前1 min雪深有效值基准进行相近性对比，得到当前时刻雪深有效值；

（4）用该值更新雪深有效值基准，输出该雪深有效值。

激光传感器每隔10 s进行一次数据采集，通常1 min内能采集6条数据。在数据处理中心，每分钟以这6条原始数据作为算法的输入，得到每分钟有效雪深值，该算法的流程如图3所示。

图3 雪深数据过滤流程图

3 实验与仿真

为完整考虑无雪和有雪2种天气情况下的监测数据，选取铁路沿线监测点雪深传感器冬季12月1日（无雪）、12月2日（有雪）两天的原始雪深监测数据作为算法的输入，应用本文提出的数据过滤算法进行优化处理。

原始雪深监测数据如图4所示，12月1日雪深值基本为0 mm，从22:00开始有小幅度的增长， 12月2日雪深值开始有涨落的变化（注：为更直观地看到雪深的变化情况，图中未显示出显著跳变值，包括列车途经时刻随机出现的900 mm左右、1 900 mm左右的大幅度跳变和2日13:00的一次负值跳变）。从图4中可看到曲线有小幅度的浮动，并不平稳。

经数据过滤算法进行优化处理后的雪深数据如图5所示，从图5中可得，数据过滤算法能较好地过滤掉显著跳变值，使曲线趋于平稳，并且不会将除雪当成异常跳变数据而过滤掉，具有良好的适用性。

图4 原始雪深数据折线图

图5 数据过滤算法优化后雪深数据折线图

4 结束语

本文针对雪深监测系统异常数据导致雪深监测值失真甚至可能引起系统误报警这一问题，提出了雪深监测系统数据过滤算法。该算法通过增长测量时间，对每分钟采集的多条雪深监测数据按设定的过滤规则进行过滤，得到该分钟的有效雪深值。以某铁路沿线监测点雪深传感器原始监测数据作为算法的输入进行验证，通过对过滤算法优化前后的数据曲线进行对比分析，验证了该算法的有效性和可行性，对类似系统具有一定的参考价值。

[1]李 洪， 任 立.铁路雪深监测系统设计与实现[J].中国铁路，2014（3）：67-69.

[2]王志斌.哈大铁路客运专线雪深监测系统研究[J].铁道标准设计，2012（5）：165-168.

[3]常瑜静,常瑜青.雪深传感器的安装及维护[J].科技与企业，2014（14）：443.

[4]王跃红.新型自动气象站数据异常的判断与处理[J].中国农业信息，2015（17）：113.

[5]杨 兰,郑羡仪.浅谈自动气象站记录数据的维护、审核和异常情况处理[J].气象研究与应用，2013（4）：70-73.

[6]王柏林,花卫东,阳艳红，等.基于相位法激光测距原理的雪深传感器研究与应用[J].气象科技，2013（4）：597-602.

[7]王 彤.高速铁路防灾安全监控系统研究与开发[J].中国铁路，2009（8）：25-28.

[8]史 宏,王 彤,沈敬伟.高速铁路防灾安全监控系统测试技术研究[J].中国铁路，2012（7）： 61-64.

[9]王 瑞 ，喻麒睿，王 彤.高速铁路灾害监测系统优化升级[J].中国铁路，2013（10）：17-20.

责任编辑 徐侃春

Data fltering algorithm for Railway Snow Depth Monitoring System

CHEN Baohua1,SHI Hong2
( 1.China Academy of Railway Sciences,Beijing 100081,China;2.Transportation &Economics Research Institute,China Academy of Railway Sciences,Beijing 100081,China)

The Railway Snow Depth Monitoring System plays an important role in ensuring train safety in the severe cold areas.In terms of the distortion of snow depth monitoring data and the possible false alarm caused by the anomalous data of the system,the article analyzed the initial snow depth monitoring data of a railway line,sorted the anomalous data into different types,made data fltering rule,proposed a data fltering algorithm for Railway Snow Depth Monitoring System,and took a simulation testing.The simulation testing result showed that the algorithm could effectively flter out anomalous data and eliminate data jitter,be with signifcantly applying value.

railway;snow depth monitoring;anomalous data;data fltering

U216.41∶TP39

A

1005-8451（2016）10-0009-05

2016-02-23

陈宝花，在读硕士研究生；史 宏，研究员。