运营期高速铁路变形监测数据管理与分析系统研究

马 龙

（中铁第四勘察设计院集团有限公司，湖北 武汉 430063）

随着我国高速铁路网的不断健全完善，为保障运营期间铁路轨道的平顺性而开展的构筑物基础变形监测项目逐步增多。高铁路、桥、隧等线路构筑物的沉降监测和水平位移监测[1]过程持续周期长、监测内容复杂，其累积的海量监测成果数据管理与分析预测问题也亟待解决。铁路监测数据管理领域基于C/S架构的变形监测系统[2]侧重于监测成果的本地化管理，而铁路管理部门运营期高铁监测项目涉及多线路、多测量单位的监测成果数据，C/S架构系统不能很好满足多部门用户对项目基本信息、监测数据、变形预警信息的网络化共享需求；现有的基于B/S架构的变形监测系统[3]多局限于单一领域单一类型监测数据的管理，无法应对当前运营高铁监测项目遇到的监测数据源多、数据维度杂导致统一管理难的问题，且监测数据实时变形分析与预测功能欠缺。

因此，文章研发了基于分布式表单存储结构的运营期高速铁路变形监测数据管理系统，实现了多铁路线、多区段、长周期高铁基础变形监测成果管理、重点监测地段动态调整管理及监测预警信息管理；同时，选取某高铁运营期三种不同趋势的断面点位沉降数据，分析传统Kalman滤波在静态、常速、常加速三种模型下的滤波估计与变形预测效果。

1 基于B/S架构的监测数据系统设计与实现

1.1 系统总体架构设计

采用ASP.NET Web应用程序框架开发变形监测数据管理与分析系统的前后端模块，主要包括用户权限管理、数据信息入库、监测属性管理、工程信息管理、数据检索服务、变形分析与预测、预警信息管理等七个模块。系统设计阶段的总体功能架构如图1所示。

图1 系统功能框架图

1.2 数据库设计及存储优化

服务端数据库基于轻量型的MySQL数据库开发设计，具体数据库结构详见的相关研究成果[4]。根据本项目的应用背景，其数据库应将以下三点因素作为设计准则。

（1）数据安全管理机制。系统用户权限管理是保障系统安全的必要手段，同时，需对用户个人信息、重要数据结构信息进行加密，预防SQL注入等网络攻击破坏数据库服务器的安全运行。

（2）查询检索需求。同一项目的监测数据往往来源于不同线路、同一线路的不同测段、不同单位、不同监测仪器，相应的表单结构充分考虑可能的属性设置。诸如单一点位纵向多期次成果查询、同一断面多点位同期次成果查询、按里程查询等。

（3）存储架构优化。随着监测频率及监测时间的增长，监测成果数据呈现海量的特性，使得传统单一数据库单表的检索效率降低。文章引入分布式表单存储机制，即单数据库不同维度数据同库分表单存储结构，避免单一表单不同项目同类型数据存储过多导致数据查询及入库效率低。

1.3 变形分析与预警体系

系统构建了预警信息的二级审核机制，其审核机制如图2所示。

图2 网络预警体系图

传统的人工手动筛选或者用户前台查询的方式获取监测成果中的超限信息，都存在不利因素。手工前台筛选耗费人力且效率低，前台查询的方式在数据量大的情况下会增加后台数据库服务器的压力。本系统最终选择在用户前端入库的过程中通过获取系统预设的阈值将入库数据中的超限值筛选并保存到数据库表中，方便系统管理人员可直接登录查询统计超限信息。而鉴于第一级过滤的超限信息往往包含监测误差信息，本系统设置了第二级人工审核，审核通过后方可向项目相关负责人推送预警信息通知。系统集成的Kalman动态时间序列分析与预测模型，可为用户分析构筑物变形趋势，剔除伪变形信号提供一定的依据。

1.4 系统功能实现及应用

1.4.1 工程概况及特点

上海局运营高铁精测网复测与基础变形监测涵盖了其管辖下的10多条运营高铁线路，总长度占据中国高铁运营里程的16%左右，是目前规模最大的一次运营期铁路测量项目。高铁线路的基础构筑物变形监测是该项目的重要组成部分。基于上述架构开发完善了运营期高速铁路变形监测数据管理与分析系统，并采用该项目的数据进行测试运行。

1.4.2 系统应用效果

（1）主界面。包括用户信息管理、数据分类检索、工程属性信息管理、超限信息管理四个模块功能。

（2）数据检索。提供单点或者多点模式下浏览一维、二维、三维的监测成果数据，并以图表形式反馈给前台用户使用，如图3所示。

图3 管理员权限下监测成果浏览

（3）工程属性信息查询。主要包括线路信息、测量单位信息、联系人信息、安全生产日志等属性信息的查询与录入。点位信息、测段信息等监测属性信息仍在集成当中。

（4）预警信息管理。用户可一键查询入库过程中提取的超限信息，并提供管理超限信息的工具。用户可选择微信公众号平台、手机短信、电子邮件等多途径推送综合评定分析后得到的预警信息。

2 基于Kalman滤波的沉降监测数据分析

传统Kalman滤波状态方程和观测方程的确立、滤波初值的确定、精度评定指标等具体建模过程，以及Kalman滤波在线分析算法的云端集成的相关成果[4]。主要采用某运营期高速铁路沉降监测数据中不同监测断面上3种典型沉降趋势的监测点数据进行建模，分析对比传统Kalman滤波方法不同状态模型下变形分析与预测的应用效果。

为了分析变形体运动学模型不准确产生的模型误差对结果的影响，采用静态Static-Kalman、常速CV-Kalman、常加速CA-Kalman三种模型建模，系统的初值状态一般可由前几期监测成果资料计算获得；高铁变形监测网为三等变形监测网，其中高程沉降监测的精度为±1 mm，因此系统观测噪声=1 mm；系统动态噪声矩阵可依据的相关内容构建[4]。滤波分析的结果见图4～图6，滤波估计精度及一步预报值精度见表1、表2。

图4 趋稳型：Kalman滤波分析图

图5 波动型：Kalman滤波分析图

图6 变形型：Kalman滤波分析图

表1 三种数据Kalman滤波估计精度

表2 三种数据一步预报精度

由表1和表2结果分析可知：①不同趋势序列CVKalman和CA-Kalman滤波估计的均方根误差、平均相对误差明显小于Static-Kalman，这表明Static-Kalman对于工程变形体趋稳期数据具有较好的滤波估计效果，而CV-Kalman和CA-Kalman则适用于构筑物变形不稳定的初期和加速期阶段。②Static-Kalman和CV-Kalman一步预报均方根误差、平均相对误差小于CA-Kalman，这表明短期变形预报Static-Kalman和CV-Kalman优于CA-Kalman，主要由于CA-Kalman参数过多使得状态矩阵不稳定所致。③因此系统主要集成滤波估计与一步预报精度均较好的CV-Kalman模型。

4 结语

文章研究了较为通用的分布式表单数据库存储结构，并构建了基于B/S架构的运营高铁基础变形监测数据管理系统，提高了其监测成果数据的管理效率；同时，集成了以Kalman滤波为主的在线分析算法，其分析结果有助于剔除伪变性信息。实测路基断面沉降数据量化评价分析表明，常速Kalman模型在滤波估计与一步预报中具有较好的适用性。