基于区块链的重载铁路智能控制研究

2022-01-01国能包神铁路集团有限责任公司设备监测站姜大佐

区域治理 2021年52期

国能包神铁路集团有限责任公司设备监测站姜大佐

一、引言

重载铁路具有运输能力大、效率高、能耗低、运输成本低等优点，受到世界各国的关注，已被世界公认为铁路散货运输的主要发展方向[1]。由于列车编组时间长，线路条件复杂，重载铁路系统在列车运行时，运行模式经常发生变化。驾驶员的牵引或制动操作不当会增加对列车的纵向冲击力，导致列车脱钩，严重影响列车的安全运行。在世界范围内，货运列车重量规范是在市场条件下满足不断增长的货物运输量和提高铁路效率的首要任务之一[2]。重载运输成为现阶段铁路发展中铁路运输技术进步的主要指标之一。在运载能力、运营费用和车辆成本方面，较长和较重的列车的运营提供了显著的好处。与此同时，货运列车重量和长度的增加不可避免地增加了列车纵向动力额外负荷。根据车轮或轨道振动的性质，也根据基座的动力响应，存在具有非常高强度和短持续时间的动态冲击载荷。高速度运行的重载轮轴列车产生的大循环载荷往往会导致轨道部件过度变形和退化。由于道路的几何形状，路基稳定性的丧失不可避免地会导致铁路轨道维修成本的显著增加，在不同的国家估计每年要增加数亿美元[3]。铁路轨道的形成是一个复杂的地面工程，在自然、气候环境和动力列车载荷的困难条件下发挥作用。这种荷载可以改变地面环境状态，影响路基的可靠性水平，特别是在重载交通条件下，加载周期的幅值和频率都很高。轨道在列车荷载作用下的位移程度很大程度上取决于路基土的特性，路基土特性具有多样性，且随时间变化有迅速变化的趋势。铁路路基在长期运行过程中，会受到不利的环境影响（温度、湿度、水等）[4]。

基于区块链的重载铁路智能控制框架，使得不同的操作员可以在不共享数据的情况下训练智能驾驶模型。基于区块链的智能控制学习可以保护操作人员的数据隐私，比单一操作人员培训更准确地培训智能驾驶模型。目前，在提出的分布式智能控制学习方法中，引入了一种基于支持向量机的学习智能控制模型。通过对主要类别和少数类别分配不同的惩罚因子来处理不平衡的牵引力和制动数据。引入核函数将数据集映射到高维，使其线性可分。比较多项式核函数和径向基函数在不同场景下的性能差异。结合列车运行速度生成动态更新因子，然后对算法进行优化，提高了对重载铁路智能控制的数据识别能力。

本文的其余部分总结如下。在第二部分中，我们描述了基于重载线路轨道基础的发展方向。第三节给出区块链的重载铁路智能控制影响因素分析，在第四部分，我们建立基于区块链的重载铁路智能框架。第五节给出结论。

二、重载线路轨道基础的发展方向

铁路运输在高速、重型交通的发展方向，促使铁路的建设和其基础建设日益超载。传统的铁路轨道不能在提高轴载和列车速度的影响下提供可靠性，这就导致了两个主要问题的出现：铁路的上层和扰动的破坏[5]。换句话说，车轴荷载的快速增长导致了整个铁路轨道结构的永久路径和轨道形成的更密集的磨损和撕裂。因此，在交通安全方面出现了额外的风险，以及铁路轨道维持的成本。因此，在重型轴荷载作用下，在铁路轨道施工中出现的动态过程的研究是极其紧迫的。铁路基础设施主要与交通和气候影响有关。对铁路轨道施工的动态相互作用问题进行了广泛的研究。然而，由于重型运输和高速运输正在增强，对铁路轨道运行过程中出现的问题需要进一步的研究。特别是长期重型列车的纵向动力学，以及轨道几何变形的问题。单独的工作是用于重要的铁路表面磨损和疲劳现象的重要问题，这可能导致恶化和火车脱轨。与此同时，铁路最重要的组成部分是轨道基础。

从重型列车上大而频繁的循环荷载导致了铁路轨道的退化过程和过度变形的发生。在轨道地基层（主要是压载层）和它们的粗糙沉降，以及从较低的土壤结构层的粒子扩散，需要一个频繁而昂贵的轨道维护，以确保其稳定性。铁路轨道的加速降解和退化是重型运输的主要问题，需要持续的维护成本。压载层的稳定性是运输过程安全的必要条件。因此，在区块链的重载铁路轨道基础上发生的过程，可以有效地维护铁路轨道的正常运行。

三、区块链的重载铁路智能控制影响因素

重载铁路运输会受到温度、湿度、外力冲击、过度使用等多方面的影响，需要持续维护铁路状态。因此，铁路部门需要不断提高养护质量，这样才能提高铁路运输的效率和质量。通过区块链的重载铁路智能控制技术，铁路部门可以保证运行速度，这将全面提高传统的检测技术。目前，我国的线路维修是一个三级运营管理模式，包括铁道部、铁路局和基层站场。因此，线路的养护组织形式主要是由机械化工队或道路养护工区负责线路的综合养护工作。通过铁路线路养护，可以保证轨道几何形状的稳定性、舒适的运营服务和安全的运输环境。因此，部门需要及时对铁路线路设备进行勘察和维护，有效避免设备故障的发生。

数据是准确掌握轨道质量状况的依据，是制定维修计划的重要依据。通过区块链的重载铁路智能控制，利用检测数据建立轨道状态分析模型，分析轨道几何形状的变化趋势。通过区块链的重载铁路智能控制可以确定线路的关键路段和劣化周期。因此，重载铁路智能控制部门需要积累各种测试数据、维护数据、设备数据等。通过对各种数据的深入分析，可以发现数据之间的内在联系。基于区块链的重载铁路智能控制技术能够对维修数据进行深入分析。首先，日常维护数据应由重载铁路智能控制记录。在日常检验工作中，截面验收组对重载铁路智能控制进行检验，并记录检验数据。因此，数据处理部门应该对这些数据进行深入分析。通过分析问题的原因，可以根据数据制定出相应的解决方案。同时，重载铁路智能控制应组织人员对出现问题的地点进行维修，以保证铁路处于良好的运行状态。第二，重载铁路智能控制应严格检查铁路线路。技术部门的工作人员应定期对铁路线路进行检查，这也需要对试验数据进行分析。

国家铁路的质量需要提高，这就要求铁路部门贯彻全面改善公共工程的理念。重载铁路智能控制部门需要积累维护工作经验，可以总结日常维护工作。同时，重载铁路智能控制的维修工作需要进行深入的改革，这就要求重载铁路智能控制车间重新完善管理制度。因此，需要对铁路养护人员进行培训，使其能够整合人员。同时，可以组建铁路道岔、焊接修理和检验工人队伍，保证铁路建设和维护的质量。通过完善养护制度，可以提高我国铁路养护质量和效率。同时，员工可以提高工作积极性，保证维修工作的效果。目前，铁路连接处是铁路的薄弱环节之一，在接头处钢轨表面的不连续增加了行驶阻力可达25%[6]。因此，铁路连接处养护会避免各种连接处灾害，这就需要增加线路养护费用的投资。在长期运行的影响下，镇流器的摩擦会产生粉末，会造成日常环境中的杂质。因此，轨缝中经常出现各种病害，如轨床硬化、冻裂失弹性、节理低、节理空挂板、动作边误差、轨顶高差等。同时，如果接头不及时进行季节性的修补，接头钢轨间隙就不会在设计钢轨间隙的范围内。曲线是维修工作中的一个薄弱环节。日常操作中对曲线的维护较少，这就会造成曲线两侧的直线部分的方向不直、不光滑、曲线头尾弯曲等。在列车运行中，曲线的影响会使整个曲线长度变长或变短。因此，需要加强对曲线的检测和分析，这样才能分析轨道检测车的幅值图。因此，需要现场测量可以组织人员对曲线进行校正。需要在线路冻结和下降期间加强改造，避免过大的轨道变形，威胁线路安全。合理的曲线设置可以消除曲线部分的不平整度，可以减少车辆对轨道的不平整度磨损。因此，铁路养护需要加强曲线缺陷和几何尺寸的翻新，可以用油来降低磨损率。铁路日常养护需要做好零件翻新，这样可以调整轨距两侧轨道的坡度比和小半径曲线的稳定性。在日常维护中，垂直曲线容易被忽略。

四、基于区块链的重载铁路智能框架

区块链是现代数字加密货币系统的基石。在过去的几年中，学术界和工业界对区块链进行了广泛的研究，发现这种先进的技术可以应用于各个领域（如金融、医疗保健和资产注册）的应用。区块链是一个按时间顺序排列的块列表，其中每个块（由其惟一的加密散列标识）引用在它之前的块，从而产生一个块链。一旦创建了一个块并将其添加到区块链中，该块中的事务信息就不能被更改或还原，这确保了系统的完整性。使用区块链来存储、传输和共享机器学习模型。

区块链中一个非常关键的技术是智能合约，智能合约是一组以数字形式定义的承诺。包括合约参与者可以履行这些承诺的协议。在重载轨道系统中，用智能控制代替手动控制是十分可取的。为了实现列车的安全高效控制，各国学者对相关理论和应用进行了不同领域的研究。传统的列车控制算法主要包括比例积分导数（PID）经典控制理论、模糊控制和机器学习[7]。PID控制算法通过计算列车运行的各种工况来控制列车运行，使用开环控制器来确定前后机车之间的功率分配，并与闭环控制器跟踪目标曲线。实现曲线跟踪以最小化由斜率等干扰引起的耦合器力。神经网络通过设计神经网络模型来学习数据隐藏规则，从而达到预测的目的。基于列车对接站历史数据的模糊神经网络实现货运列车对接智能控制的方法，将线性模型、广义回归神经网络和模糊推理系统相结合，对城市轨道交通列车的停车误差进行估计，并对停车误差进行动态优化调整。强化学习作为马尔科夫决策过程的一种变体，也表现出了令人满意的训练控制特性。根据基于通信的列车控制通信系统的信道特性和列车实时位置信息，采用深度强化学习联合优化通信性能和列车控制策略。应答器定位信息将列车控制建模为多阶段决策过程，以停车误差的倒数作为奖励值，并引入强化学习求解最大奖励函数。运用马尔科夫决策过程对城市轨道交通司机的驾驶行为进行建模，通过多个指标构建返回函数，并运用算法进行求解，实现在线列车控制。

重载列车的牵引和制动系统是典型的非线性时变系统，难以用控制等精确的数学模型来描述。机器学习算法在农业、生物信息学、无线通信等领域得到了广泛的应用。以神经网络为代表的机器学习算法模型具有较强的自适应性和非线性处理能力，但存在收敛速度慢、局部解最优、容易过拟合等缺点。进行机器学习的一个简单方法是首先收集并存储数据在一个中央服务器上，然后一起处理数据。传统的基于机器学习的智能控制方法存在数据不足的问题。考虑到数据的隐私和安全性，来自不同铁路线路或运营商的数据不能直接共享。运营商之间的数据障碍严重阻碍了智能轨道交通的发展。数据交换与数据安全之间似乎存在着不协调的矛盾。如何在不暴露隐私的情况下连接数据碎片孤岛，实现数据共享和模型共建，是亟待解决的问题。