高速铁路无砟轨道系统状态监测及预防性维修

刘大玲 黄小钢

中铁第四勘察设计院集团有限公司，武汉，430063

0 引言

高速铁路(以下简称“高铁”)轨道系统直接承载高速列车的高频冲击和振动，在列车速度大于250 km/h的高速条件下，要想实现列车的安全性和舒适性，就要求钢轨必须具有高平顺性。对于钢轨而言，恶劣的工作环境、气温变化、钢轨移位、扣件松动、道床沉降等因素都可能会造成温度应力和附加应力的产生，引起钢轨的伸缩变形，进而严重影响列车安全。

根据《高速铁路无砟轨道线路维修规则(试行)》(铁运[2012]83号)的要求，线路维修按照“严检慎修”的原则[1]，而在天窗时间内按根据经验制定的周期进行检修，无法科学合理地配置维修资源，易造成维修资源的浪费(过修)和检修不及时(失修)[2]。经过十余年的探索，2017年中国铁路总公司开始推进高铁工务、供电、电务综合维修生产一体化工作，由此，运营维护手段亟需更新。高铁轨道系统检测一般采用周期性动态检查(每10～15天检查1次)和天窗时间的静态检查，因此，为保障线路安全、平稳，延长线路寿命并控制运营维护成本，笔者所在科研团队利用光纤光栅传感技术建立了高铁轨道系统状态监测平台，并结合轨道质量指数(track quality index, TQI)，利用神经网络算法建立了轨道状态预测模型，预测轨道服役状态，预测结果可指导运营维护部门及时、合理地进行轨道养护维修。

1 轨道系统状态监测平台

1.1 光纤光栅传感器

光纤光栅的中心波长是光纤光栅传感器敏感度很强的变化参量，当外界环境(如温度、应变、压力)发生变化时，光纤光栅传感器的折射率以及栅与栅之间的间距会发生改变，从而引起光纤光栅传感器的中心反射波长和透射波长发生漂移。图1为光纤光栅传感器原理示意图。

图1 光纤光栅传感器原理示意图Fig.1 Schematic diagram of fiber bragg grating sensor

入射光通过光纤光栅传感器反射的中心波长表达式为

λB=2neffΛ

(1)

式中,neff为光纤纤芯区有效折射率;Λ为光纤布拉格光栅(fiber Bragg grating，FBG)的栅与栅之间的距离。

FBG是利用光纤材料的光敏性在纤芯内形成空间相位光栅的，其作用实质上是在纤芯内形成一个窄带的滤光器或反射镜[3]。基于FBG的光纤传感器，其传感过程是通过外界参量对布拉格中心波长的改变来实现的。

光纤光栅传感器具有以下特点[4]：①各类强度电磁干扰不影响输出结果；②不会对传感器输出结果的稳定性和可靠性产生过大的影响；③造价低，制作方便，具有很好的制作重复性和一致性；④灵敏度高、测量范围宽、结构简单。

由于光纤光栅传感器的输出为反射波长的位移量，且该位移量与被测量(如应力、温度、压力等)的变化成线性关系，因而更具有实用前景，可满足高铁大跨度桥现场恶劣条件下监测的需求。

1.2 状态监测平台

无砟轨道系统监测平台由光纤光栅传感器、调制解调器、采集服务器、后台数据服务器、监测终端等硬件部分组成，包括三大子系统：数据测量子系统、数据采集传输子系统及数据管理分析子系统。图2为监测平台组成拓扑图。

图2 监测平台拓扑图Fig.2 Topology diagram of monitoring

(1)数据测量子系统。由光纤光栅温度、应变、位移传感器以及各种传感器的调制解调设备组成，安装在无砟轨道上。

(2)数据采集传输子系统。采集服务器软件将收集到的传感器监测数据存储到采集服务器中，同时通过互联网将数据传输到路局、工务段或其他监测中心的监测服务器中。

(3)数据管理分析子系统。监测服务器将数据存储到本地数据库中，进行数据的存储、分析、查询和预测预警等功能，供监测用户端调用查看。

以郑西高铁黄龙村特大桥为试点(图3)进行说明。从车站到桥梁约3 km区间包含道岔、隧道、过渡段、弯道、桥梁等特征路段，基础设施集中且具代表性。结合桥上无缝线路的轨道、道床板、桥梁梁体等的受力及变形情况，将桥上无缝线路按照桥墩、桥梁结构特点分成18个检测截面(图4)，并给配置76个监测点、80个传感器。

图3 郑西高铁黄龙村特大桥方位示意图Fig.3 Diagram of azimuth of huanglongcun bridge on zhengxi high-speed railway

图4 监测点分布图Fig.4 Distribution map of monitoring points

检测截面监测点布置如下：2—4之间为32 m简支梁，4—8—12—15之间为连续梁，其中8为固定端，4、12、15为活动端，4—8之间简支梁长度为48 m、8—12之间简支梁长度为80 m、12—15之间简支梁长度为48 m、15—17之间简支梁长度为32 m，为了监测温度对两跨桥墩的影响，对1号桥墩前32 m处和6号桥廓后32 m处进行监测。

1.2.1温度测点

FBG的温度传感特性是1℃对应中心波长变化10 pm，如果将光栅两端粘贴在金属毛细管上，热膨胀系数较高的金属就会拉动光栅，使温度灵敏度达到1 ℃对应光栅中心波长25 pm的变化，从而达到增敏效果[5]。

温度的监测内容包括气温、轨温、轨道板温度梯度和桥梁温度，共设8个温度传感器。图5所示为FBG温度传感器。

图5 FBG温度传感器Fig.5 FBG temperature sensor

1.2.2应力测点

FBG应变传感器采用预先将FBG悬空粘贴在镂空的钢片槽内制成应变片，再将应变片用抗老化的钢结构胶直接粘贴在钢轨中性线经打磨的面上的方式。

应力的监测包含钢轨的伸缩附加力、轨道板应力和底座板应力，共设42个光纤光栅应变传感器测点。图6所示为应变传感器。

图6 FBG应变传感器Fig.6 FBG strain sensor

1.2.3位移测点

FBG位移传感器由受力环、拉簧、拉杆、壳体组成。将受力环的一端固定在壳体上，一端通过拉簧和拉杆感受被测位移的变化。

位移监测包含钢轨与轨道板相对位移、凸形挡台与轨道板相对位移、轨道板与底座相对位移，共设30个光纤光栅位移传感器测点。图7所示为监测现场的钢轨位移传感器。

图7 FBG钢轨位移传感器Fig.7 FBG rail displacement sensor

1.2.4数据采集

所有传感器以采集频率最低的传感器为基准，在同一时间收集一次数据，以备分析使用。数据收集过程分为两个阶段：

(1)项目前期。由于前期数据较少，需要经过大量的调试和分析才能得到最有用的数据，因此收集频率较高。

(2)项目后期。在后期的数据收集过程中，根据前期的分析报告，设定合理的数据收集频率。系统能根据监测数据分析出每个监测点钢轨、桥梁的状态并提供出最佳的维护时间。

2 预防性维修技术

2.1 监测数据分析

对监测数据的基本特征进行分析，主要分析数据的分布状态和周期性质等。其中，对监测数据分布状态的分析，可有效地指导结果的判断；周期性是无砟轨道服役状态最明显的特征，在环境作用下轨道发生的周期性变化对于指导运营维护具有重要的意义。

结合无砟轨道动态检测及实时监测数据，对轨道质量指数(TQI)、监测的轨道温度、应力等数据进行分布状态及周期性质的分析。

2.1.1分布状态分析

数据分布规律特征对于判断无砟轨道状态数据稳定与否、异常值判别、相关性分析乃至病害诊断都具有重要意义。本节采用频率分布揭示轨道系统监测数据的分布规律，以频率分布直方图的形式直观体现不同指标的分布状态。图8表明，并非所有的监测数据都具有明显的正态分布特征。

图8 轨道温度监测数据频率分布直方图Fig.8 Frequency distribution histogram of Rail temperature monitoring data

根据轨道检测数据及其检测时间，绘制各轨道质量指数(TQI)变化曲线(图9)，可以直观地看到轨道质量指数变化情况。

图9 轨道质量指数变化曲线图Fig.9 TQI change curve

如图9所示，轨道质量指数具有波动增长的特点，经对TQI值变化曲线进行拟合发现，线性拟合结果良好，拟合系数R2=0.858，说明线路在维修之后，轨道的TQI值也呈现出长期线性增长的趋势。

利用χ2拟合检验方法，将样本总量n划分为相互独立的多个区间，计算落入各个区间的频数以及重复试验中特定事件发生的频率，得到如表1所示的监测项分布特征。

表1 监测项分布特征

2.1.2周期性分析

高铁无砟轨道各指标受到环境温度变化的直接影响，并随着温度的变化呈现出明显的周期特性。周期性的温度变化，以温度力的形式直接作用于轨道结构。在温度升降过程中，由于混凝土等结构导热性能不佳，从而使得轨道板等结构存在温度梯度，进而引起轨道板翘曲变形、离缝加速等病害的产生。轨道温度和气温均呈周期性变化，变化的周期约为24 h；轨道温度与气温的变化趋势相同。与此同时，短期内钢轨位移、钢轨应变、轨道板应变也具有周期性特点，周期为1天。除了受到昼夜温度变化呈现出周期为1天的性质之外，长期监测数据表明各监测项在环境作用下，具有以年为周期的起伏波动的特点。

2.2 数据预测

高速铁路无砟轨道的力学特性直接影响运营安全，因此，对轨道状态要求极高。目前主要通过轨道检测车等进行预测，但根据轨道状态监测数据预测的方法尚缺乏。

钢轨应力、尖轨伸缩位移等无砟轨道监测数据受自身结构、外界环境等因素影响，各监测数据之间为非线性关系，而抽取和逼近这种非线性关系，神经网络是比较合适的方法[6]。

BP网络由输入层、中间层和输出层组成，是一种多层前馈型神经网络。BP网络相邻层间相互连接，但各层神经元之间不存在联系。样本数据输入后，神经元的激活值从输入层经中间层向输出层传递，最终位于输出层的神经元得到网络的输入响应[6]。图10所示为BP神经网络结构。

图10 BP神经网络Fig.10 Back propagation neural network

2.2.1 BP神经网络设计及训练

将钢轨-轨道板相对位移作为样本数据进行预测分析。位移数据提取间隔为2 h，即一天提取12次。每天的气温提取最高气温和最低气温。因此，每天的输入数据为当天12个钢轨-轨道板相对位移数据和第二天的两个气温数据和天气数据，共计15个，输出数据为第二天的钢轨-轨道板相对位移数据，共12个。

采用单隐层的BP神经网络进行预测。对应的网络输入层的神经元有15个，网络中间层的神经元可取29个，输出层的神经元取12个。网络中间层的神经元传递函数采用S 型正切函数tansig，输出层神经元传递函数采用S 型对数函数logsig。训练函数采用trainlm，训练次数为150 次，训练目标为0.001 5，学习速率为0.1。

利用MATLAB软件进行计算，训练结果如图11所示。经过35次训练后，网络误差达到训练目标要求。

图11 训练结果Fig.11 Training results

2.2.2 BP神经网络预测

利用某年6月15日监测的钢轨-轨道板相对位移数据和6月16日的天气和气温数据，预测6月16日的钢轨-轨道板相对位移数据。运行仿真函数sim()，实际结果与网络预测结果见表2。网络预测数据误差除第八个数据外其余均小于7%，因此预测模型基本上满足了应用要求。

表2 实际数据和预测数据对比

2.3 预防性报警

高铁轨道系统在温度荷载作用下，其多项力学指标呈现出明显的周期性变化特征，不同指标还具有一定的相关性。分析统计样本的相关性，综合考虑多样性指标进行报警预警，是较为可行的办法[7]。

采用基于距离的离群点检测方法，对监测数据状态进行识别。即如果监测数据集中至少有多个样本点与特点监测数据的距离大于限值，则该监测数据是一个基于距离的离群点。

根据前文分析，钢轨应力、位移等参数与轨道温度呈现明显的线性关系。以钢轨应力为例，理想状态下，构造的点集在平面上应在一条线段附近。线段两端表示轨道温度、钢轨应力较大或较小，而距离线段两侧较远的点则不在预期范围内，表示当前轨道状态不够理想。

3 结论

(1)本文利用光纤光栅传感技术，建立了高铁无砟轨道系统状态监测系统，提出监测内容和监测点布置方案。

(2)通过对监测数据基本特征的分析，并结合轨道质量指数(TQI)，建立了BP神经网络无砟轨道状态预测模型，用于预测轨道服役状态，实现高铁轨道系统的预防性维修。

(3)本文仅对无砟轨道状态进行监测，随着高铁工务、供电等综合维修生产一体化进程的推进，后续应结合供电等设施，进一步深化多专业监测方案及关联性分析。