高速铁路综合检测数据分析关键技术研究

杨宏图，许贵阳，侯卫星，王卫东，刘金朝

（1.铁道部 运输局，北京 100844；2.中国铁道科学研究院 基础设施检测研究所，北京 100081）

高速铁路综合检测数据分析关键技术研究

杨宏图1，许贵阳2，侯卫星1，王卫东2，刘金朝2

（1.铁道部 运输局，北京 100844；2.中国铁道科学研究院 基础设施检测研究所，北京 100081）

自京津城际铁路开通运营以来，我国铁路采用综合检测列车进行基础设施安全检测。自主研制的高速综合检测列车采用先进的检测手段，具有轨道、接触网、通信、信号、轮轨动力学等测试功能。基于多体动力学仿真、神经网络分析、双指数函数方法，提出的仿真模型、轮轨力预测方法、轨道状态变化规律，经试验验证结果正确，为建立和完善我国高速铁路综合检测数据分析专家系统打下了基础。

高速铁路；综合检测列车；轮轨力；神经网络；双指数函数

自京津城际铁路开通运营以来，我国铁路采用综合检测列车进行基础设施安全检测。自主研制的0号高速综合检测列车承担了京津城际、武广、郑西、沪宁等高速铁路和既有提速线路的安全检测任务。高速综合检测列车的开发基于高速动车组技术平台，采用先进的轨道、接触网、通信、信号、轮轨动力学等测试手段，同时运用计算机网络和仿真技术对采集的数据进行综合分析和处理。高速综合检测列车和数据处理关键技术是构建高速铁路安全、高效运营保障体系的重要技术支撑。

1 高速综合检测列车

我国首列高速综合检测列车——0号高速综合检测列车于 2008 年7月投入运用，随即承担了京津城际铁路的联调联试和安全检测，目前，检测总里程已超过 60万 km。0号高速综合检测列车由通信信号检测车、会议车、接触网检测车、数据综合处理车、轨道检测车、餐车、卧铺车和信号检测车8辆组成，最高检测速度 250 km/h，最大牵引功率5 500 kW，是5动3拖，由2个动力单元组成的动力分散型动车组。该列车采用先进的检测手段，具有轨道、接触网、通信、信号、轮轨动力学等测试功能，解决了高速动车组的适应性设计、现代光电测量、电磁兼容设计、高速数据同步采集、列车精确定位、大容量数据交换、实时图像识别和数据综合处理等一系列技术难题。图 1—图3分别为0号高速综合检测列车的平面布置、外观和车内检测设备。

图1 0号高速综合检测列车平面布置图

图2 0号高速综合检测列车外观图

图3 0号高速综合检测列车的检测设备

0号高速综合检测列车的检测设备主要技术指标如下。

（1）轨道。功能：检测轨道几何不平顺，包括高低、轨向、三角坑等。技术指标：测量波长在3～120 mm 范围内，精度达到 1.5 mm。

（2）接触网。功能：检测接触网几何不平顺，包括导高、拉出值、接触线磨耗等。技术指标：导高、拉出值分辨率 5 mm，允许误差 10 mm，磨耗分辨率 0.2 mm，允许误差 2%。

（3）通信。功能：检测 GSM-R 服务质量、GSM-R 场强覆盖、网络参数。技术指标：频率范围 9 kHz～7 GHz，场强测量精度 ±1.5 dB。

（4）信号。功能：检测应答器、补偿电容、轨道电路。技术指标：应答器检测误码率＜1%，补偿电容检测正确率＞98%。

（5）轮轨动力学。功能：检测轮轨力和车体、构架、轴箱加速度。技术指标：轮轨力的分辨率0.5 kN，车体、构架、轴箱加速度的分辨率分别是0.005 g、0.05 g、0.2 g。

（6）综合。功能：实现车载系统集成及数据综合处理。技术指标：空间采集同步误差≤0.3 mm，时间采集同步误差≤5μs。

2 数据处理关键技术

0号高速综合检测列车具有数据集中存储、综合分析、综合显示等数据处理功能。为满足高速铁路安全、高效运营的需求，深化综合数据处理技术研究，掌握基础设施对高速列车运行性能的影响及基础设施损伤变化规律显得尤为重要。为此，进行了高速铁路动力学仿真和故障预测技术的研究。

2.1 动力学仿真技术

利用 ADAMS/RAIL 多体系统动力学仿真软件建立高速列车的模型，如图4所示，并结合实测数据，研究轨道不平顺与车辆横向加速度超限的关联性。

以沪昆线实测的轨道几何不平顺作为输入，对车体加速度超限与轨道不平顺的关联关系进行动力学仿真，将两次不同超高的仿真结果进行对比，如图 5、图6所示。图5中红色实线是模拟超高变化后检测结果，蓝色虚线是模拟超高变化前检测结果。图6中红色实线是模拟超高变化后检测结果，蓝色虚线是模拟超高变化前检测结果。由图 5、图6可见，超高的变化对构架加速度不产生明显影响，但对车体横向加速度产生明显影响。实测中车体发生侧滚共振，这与仿真结果是吻合的。

2.2 基于神经网络的轮轨力预测

神经网络具有强大的自学习和容错能力，利用BP 神经网络建立轴箱加速度与轮轨力的关联模型，可实现对轮轨力的预测。

（1）BP 神经网络。多层感知器 BP 神经网络由输入层、隐层和输出层组成，如图7所示。在 BP 神经网络中，输入层仅负责将输入信号传递到隐层，隐层从输入层接收信号，并进行最主要的数学处理后送至输出层，输出层负责将隐层的输出信号加权聚合为神经网络的输出信号[1-5]。

图7 多层感知器神经网络隐层神经元

（2）轮轨力预测。以轴箱垂向加速度作为输入，以 [0.5，40] Hz 带通滤波后的车轮垂向力作为输出，训练三层 BP 神经网络 (时间延迟点个数取 50，中间层神经元个数取15)，训练成功后的训练结果和实测结果，以及它们的相关性分析分别如图8和图9所示。由此可见，利用神经网络法能成功地建立轮轨作用力与轴箱加速度的非线性对应关系。

（3）基于双指数函数的轨道状态变化模型。预测轨道不平顺的发展规律对保障列车运行的安全性和舒适性，合理安排维修周期，降低维修成本，有重大的现实意义。

由于轨道系统的复杂性，轨道不平顺的产生与发展是诸多具有随机性因素共同作用的结果，如通过总重、单位时间载重量、速度、轨道条件、路基构造、温度变化等。目前，大多数轨道不平顺的预测模型都无法量化所有的相关因素，极大地影响了预测精度，使模型投入实用还存在一定的距离。

基于残差序列的修正非等时距灰色 GM (1，1)预测法的核心是利用灰色模型拟合 TQI 的趋势项，利用三角函数拟合 TQI 的残差项。由灰色模型的推导可看出，灰色模型等价于利用指数模型拟合 TQI的趋势项。为了进一步提高拟合的精度，提出利用双指数函数拟合 TQI 的趋势项。双指数函数可写为：

式中：a、b、c、d 均为待定参数。

利用0号高速综合检测列车实测的京津城际铁路的轨道不平顺数据计算 TQI ，并利用双指数函数预测方法对其进行拟合和预测。图10中的圆点是实测京津城际铁路从 2009 年7月—2010 年7月的 TQI，虚线表示拟合和预测结果，最后一个点表示 2010 年8月的预测结果，其中预测值是 3.121 9，实测值是 3.087 3，绝对预测误差是 0.034 5，相对预测误差是 1.1%。

3 结束语

针对我国高速铁路运营需求，开发了具有检测精度高、综合数据能力强等特点的高速综合检测列车，已成为保障高速铁路运输安全和高效运营的重要手段。基于多体动力学仿真、神经网络分析、双指数函数方法，提出的仿真模型、轮轨力预测方法、轨道状态变化规律，经试验验证结果正确，为建立和完善我国高速铁路综合检测数据分析专家系统打下了基础。

[1] Li D.，Meddah A.，Hass K.and Kalay S. Relating track geometry to vehicle performance using neural network approach[J]. Porc. IMechE，220 Part F：J. Rail and Rapid Transit，2006.

[2] Li D，Morgart D.，Harbuck R. and Mischke M.BNSF experience：track geometry inspection taking into account vehicle performance[J]. Railway Track Structure，2005，101(9)：19-23.

[3] Li D.，Meddah A，Hass K.and Kalay S. Development and implementation of performance-based track geometry inspection[C]. Proceedings of Railway Engineering Conference，London，2005.

[4] Salahifar T.，Li D.and Shust B.Neural network modeling response of a loaded, coved hopper car to track geometry[J].Technology Digest 99-022，Association of America Railroads，2002.

[5] Hornik,K. Approximation capabilities of multilayer feedforward networks[J]. Neural Networks, 1991，4(2)：251-257.

1003-1421(2011)01-0031-04

U238

B

2010-12-24

国家863重点项目(2009AA110302)；铁道部科技基金项目(2010T001-B)

责任编辑：林 欣