基于数据驱动的地铁道岔钢轨健康和诊断系统

2022-03-25沈龙乐梁维海

现代交通技术 2022年1期

沈龙乐，梁维海

(1. 广州地铁集团有限公司,广州 510380； 2. 西南交通大学铁路发展股份有限公司,成都 610031)

随着地铁事业在我国迅速发展，地铁安全运输与设备状态管理的矛盾日益突出。建立有效的监控体系，做好固定设备的长期监控，特别是针对固定设备某些关键薄弱环节的监控(道岔、重点桥梁、重点隧道、软弱路基地段等)是确保地铁安全、可靠、高效运行的保障。

道岔包括直接与轮轨相关的可动部件(尖轨、心轨)，是实现列车转辙的关键部件。在道岔处，车轮过轨接触状态复杂，道岔轨条断面多变、支承及约束条件复杂，岔区由多种不同类型、不同材质的部件组装而成，依靠工电联动实现转辙。由此可知，道岔是地铁系统固定设备中的薄弱环节，一旦发生故障而不能及时排除，将引发灾难性的后果。

道岔钢轨尤其是尖轨的状态及伤损检测是世界性难题，现有的解决方法包括传统超声波检测法、激光超声法、相控阵列超声法、电磁超声法、超声导波法、涡电流法、漏磁检测法、交流电场检测法、光学图像检测法、射线检测法、光导纤维检测法、铁路轨道残余应力测量法、轮轨相互作用检测法、轨道电路牵引回流断轨检测法、压电能量法检测技术(基于声发射技术)等[1]。虽然方法众多，但地铁道岔钢轨(尤其是尖轨)的检测，仍然有以下困难：

(1) 受限于技术方案的应用场景，很多方案不能实现被动式监测，需要利用天窗时间上道进行“一发一收”，再进行数据分析并出具报告。超声导波法、激光超声法、电磁超声法等都是如此。

(2) 对伤损的分辨率普遍不高，基于振动传感器(加速度传感器)和视频类监测的技术方案尤其如此。这两类技术方案能监测或检测到的伤损往往是宏观的、肉眼可见的伤损，而对钢轨早期的微伤损、微裂纹、裂纹萌生和发展、核伤等无能为力。

(3) 由于钢轨的特殊结构以及钢轨材料的非线性特性，上述方案普遍有较大范围的盲区。

(4) 不能量化被监测钢轨的健康状态，无法实现状态维修以节约成本。

造成上述困难的核心原因是道岔系统复杂、动态、非线性、多边界的特点。其底层的各种传导机制、映射关系复杂，因此从正向原理进行建模然后解构式检测钢轨的健康和伤损情况基本不可能实现。高志明等[2]对道岔检测进行了讨论，李江华[3]对钢轨平顺性进行了讨论，但都没有涉及钢轨健康的检测和诊断。香港理工大学苏众庆团队[4]提出了正向解构式解决方案，该方案需要部署高密度的压电传感器，采样频率在20 MHz左右，但无法进行工程实践。

数据驱动技术是一种专门针对复杂系统的检测技术。不同于正向原理性解构，其更依赖于系统满足各种假设基础上的数据挖掘技术，具体又可细分为基于统计信息的数据驱动、基于信号处理技术的数据驱动、基于人工智能技术的数据驱动。

本文提出的地铁道岔钢轨健康和诊断系统基于数据驱动技术，通过对地铁运行数据的全息采集和数据处理技术得到数据各个维度的统计量和变换域表征，如果触发统计量特征值的突发异常或平台性跃变则报警，提示需要进行状态修甚至换轨。

1 道岔系统相关假设

在地铁日常运行的过程中，道岔系统的状态由开始的健康到最终的废弃，是持续量变叠加多个质变的过程。

地铁道岔系统的运行过程中，多次计划修的本质是改善道岔系统的健康状态，抬高道岔钢轨健康的量化指数。然而，多次计划修也不可能实现道岔生命周期的永续，道岔钢轨健康的量化指数整体仍会趋于下降直至废止。地铁道岔的状态与成本关系如图1所示。

图1 地铁道岔的状态与成本关系

基于地铁道岔的整个生命周期工程应用场景，可知道岔系统类似于很多复杂系统，满足以下三个假设：系统宏观上满足线性系统假设、系统状态的各项检测指标满足正态分布假设、系统运行在单一状态假设。

1.1 线性系统假设

任何复杂设备都可以建模成一个系统，系统通过是否线性、是否时变、是否因果、是否稳定共分为16类大的系统。在工程实践中，完全线性的、时不变的、因果的稳定系统少之又少。然而，即使一个系统不是严格意义上的线性系统，其在某个阶段往往基本上可以简化为一个线性模型来考虑，例如地铁道岔钢轨的健康状态。

在图1中，假设每一次故障后到下一次故障前，系统基本可简化为一个宏观上的线性系统。如果这个假设成立，那么被检测对象(地铁道岔钢轨)的输出和输入是一种强线性关系。

1.2 正态分布假设

中心极限定理是科学界最基本、最普遍的存在，也是统计学最基本的定理之一。大数据证明许多复杂系统中众多维度的统计特征满足中心极限定理，即统计的量化值符合正态分布(高斯分布)，道岔钢轨也不例外，且此结论经过了长时间的健康钢轨试运行的佐证。

在地铁的日常运行过程中，通过对采集到的数据进行各种数字信号处理，得到各个维度的统计特征和变换域表征。如各维度的统计量化值和变换域表征的量化值分布符合正态分布(如幅度值、信号的高低频量化比等)，则大概率可以佐证整个道岔钢轨处于健康状态。相反，如发现某些维度的分布由一个概率密度分布转移到另外一个概率密度分布，则大概率是钢轨的健康状态发生了显著的质的改变。

如图1所示，可以假设在每一次故障后、下一次故障前，整个系统的各项检测指标的各个维度的统计量化值的概率密度就是正态分布。

需要额外说明的是：当整个道岔系统的某个边界条件发生较大改变时，往往也会导致某些维度的统计指标概率密度发生改变。这种映射关系往往需要通过长时间的试运行才得以建立，从而减少误报警的发生。

1.3 单状态运行假设

由图1可知，在每一次故障后、下一次故障前，系统除了可以被简化为线性系统，并假设统计量化值符合正态分布外，还可得出，系统基本上在单一状态中(一个状态的基础上渐渐地变化)运行。基于此可得出结论：各个维度统计指标的量化值往往是在一个平台上的随机波动(正态分布)，当系统故障后，本质上是统计指标从一个平台跃变至另一个平台。单一维度统计指标趋势线平台跃变案例如图2所示。

图2中，图(a)是一个趋势线，从中可以看出该趋势线有4次明显的平台跃变。图(b)是对应的报警时刻。这里的单一统计维度既可以是信号幅度的统计，也可以是信号的高低频比率的统计，或其他维度的统计(峭度、偏度、高斯指数等)。

图2 单一维度统计指标趋势线平台跃变案例

2 量化及预警机理

对于每一次过车信号，我们可以求取信号各个维度的统计特征及对应的变换域表征。基于前面的假设，则各个维度的统计量应满足某种规律(通过钢轨健康状态下的试运行得到)，且此规律在长时间轴上都成立；如其突然不成立，本质上就是钢轨的状态发生了质的改变，则极有可能是道岔系统的健康状态发生了大的改变，基于此提醒报警的维修就是典型的状态修。

2.1 统计信息驱动的量化和预警

信号常见的统计维度有幅度、均值、均方根、标准差、峭度、偏度、波形因子、峰值因子、脉冲因子、高斯性度量、裕度因子等。

统计分布变化示意如图3所示。如果一个信号的统计量，或者一个统计量的变换域表征，从图3(a)的概率分布变成图3(b)的概率分布，则可推测信号源发生了质的改变。根据此原理，通过对地铁道岔钢轨检测信号的历史过程数据进行统计分析，求取以上统计维度的统计值，分析道岔的运行状态，如发现了明显的统计变化，则道岔系统的健康状态极有可能发生了大的改变。

图3 统计分布变化示意

2.2 变换域表征驱动的量化和预警

变换域分析的目的，在于以更简化、灵活的特征对原来的信号进行分析。信号常见的变换域表征有独立成分分析、主成分分析、小波(包)变换、傅里叶变换、经验模式分解、Hilbert-Huang变换、Wigner-Ville分布等。变换域分析示意如图4所示。

图4 变换域分析示意

主成分分析和独立成分分析是常用的、基于多变量的统计分析方法，其可以更好地考虑系统中多变量之间的关系，适用于复杂系统的故障检测预警。而傅里叶变换、小波(包)变换和经验模式分解等方法则在频域对信号进行分析，通过对地铁道岔检测信号的变换域表征分析，监测是否发生明显突变。

2.3 人工智能驱动的量化和预警

道岔系统是一个复杂、动态、非线性、多边界的条件系统。其底层的各种传导机制、映射关系复杂，具有高度的不确定性和复杂性，因此传统的统计分析方法有一定的局限性，基于人工智能的故障预警机制更有适用性。人工智能方法目前以机器学习为主流。基于大量数据和计算资源，机器学习以数据驱动训练学习算法，从数据中提取特征，挖掘数据中的知识，从而进行预测和判断。人工神经网络典型结构如图5所示，图中的人工神经网络采用多层结构，自动学习并组织简单特征，形成复杂特征，在复杂系统下具有良好的性能。采用人工智能驱动自动学习道岔健康状态检测的信号特征，能提高整体检测性能。