基于數(shù)據(jù)驅動的地鐵道岔鋼軌健康和診斷系統(tǒng)

沈龍樂，梁維海

(1. 廣州地鐵集團有限公司,廣州 510380； 2. 西南交通大學鐵路發(fā)展股份有限公司,成都 610031)

隨著地鐵事業(yè)在我國迅速發(fā)展，地鐵安全運輸與設備狀態(tài)管理的矛盾日益突出。建立有效的監(jiān)控體系，做好固定設備的長期監(jiān)控，特別是針對固定設備某些關鍵薄弱環(huán)節(jié)的監(jiān)控(道岔、重點橋梁、重點隧道、軟弱路基地段等)是確保地鐵安全、可靠、高效運行的保障。

道岔包括直接與輪軌相關的可動部件(尖軌、心軌)，是實現(xiàn)列車轉轍的關鍵部件。在道岔處，車輪過軌接觸狀態(tài)復雜，道岔軌條斷面多變、支承及約束條件復雜，岔區(qū)由多種不同類型、不同材質的部件組裝而成，依靠工電聯(lián)動實現(xiàn)轉轍。由此可知，道岔是地鐵系統(tǒng)固定設備中的薄弱環(huán)節(jié)，一旦發(fā)生故障而不能及時排除，將引發(fā)災難性的后果。

道岔鋼軌尤其是尖軌的狀態(tài)及傷損檢測是世界性難題，現(xiàn)有的解決方法包括傳統(tǒng)超聲波檢測法、激光超聲法、相控陣列超聲法、電磁超聲法、超聲導波法、渦電流法、漏磁檢測法、交流電場檢測法、光學圖像檢測法、射線檢測法、光導纖維檢測法、鐵路軌道殘余應力測量法、輪軌相互作用檢測法、軌道電路牽引回流斷軌檢測法、壓電能量法檢測技術(基于聲發(fā)射技術)等[1]。雖然方法眾多，但地鐵道岔鋼軌(尤其是尖軌)的檢測，仍然有以下困難：

(1) 受限于技術方案的應用場景，很多方案不能實現(xiàn)被動式監(jiān)測，需要利用天窗時間上道進行“一發(fā)一收”，再進行數(shù)據(jù)分析并出具報告。超聲導波法、激光超聲法、電磁超聲法等都是如此。

(2) 對傷損的分辨率普遍不高，基于振動傳感器(加速度傳感器)和視頻類監(jiān)測的技術方案尤其如此。這兩類技術方案能監(jiān)測或檢測到的傷損往往是宏觀的、肉眼可見的傷損，而對鋼軌早期的微傷損、微裂紋、裂紋萌生和發(fā)展、核傷等無能為力。

(3) 由于鋼軌的特殊結構以及鋼軌材料的非線性特性，上述方案普遍有較大范圍的盲區(qū)。

(4) 不能量化被監(jiān)測鋼軌的健康狀態(tài)，無法實現(xiàn)狀態(tài)維修以節(jié)約成本。

造成上述困難的核心原因是道岔系統(tǒng)復雜、動態(tài)、非線性、多邊界的特點。其底層的各種傳導機制、映射關系復雜，因此從正向原理進行建模然后解構式檢測鋼軌的健康和傷損情況基本不可能實現(xiàn)。高志明等[2]對道岔檢測進行了討論，李江華[3]對鋼軌平順性進行了討論，但都沒有涉及鋼軌健康的檢測和診斷。香港理工大學蘇眾慶團隊[4]提出了正向解構式解決方案，該方案需要部署高密度的壓電傳感器，采樣頻率在20 MHz左右，但無法進行工程實踐。

數(shù)據(jù)驅動技術是一種專門針對復雜系統(tǒng)的檢測技術。不同于正向原理性解構，其更依賴于系統(tǒng)滿足各種假設基礎上的數(shù)據(jù)挖掘技術，具體又可細分為基于統(tǒng)計信息的數(shù)據(jù)驅動、基于信號處理技術的數(shù)據(jù)驅動、基于人工智能技術的數(shù)據(jù)驅動。

本文提出的地鐵道岔鋼軌健康和診斷系統(tǒng)基于數(shù)據(jù)驅動技術，通過對地鐵運行數(shù)據(jù)的全息采集和數(shù)據(jù)處理技術得到數(shù)據(jù)各個維度的統(tǒng)計量和變換域表征，如果觸發(fā)統(tǒng)計量特征值的突發(fā)異?；蚱脚_性躍變則報警，提示需要進行狀態(tài)修甚至換軌。

1 道岔系統(tǒng)相關假設

在地鐵日常運行的過程中，道岔系統(tǒng)的狀態(tài)由開始的健康到最終的廢棄，是持續(xù)量變疊加多個質變的過程。

地鐵道岔系統(tǒng)的運行過程中，多次計劃修的本質是改善道岔系統(tǒng)的健康狀態(tài)，抬高道岔鋼軌健康的量化指數(shù)。然而，多次計劃修也不可能實現(xiàn)道岔生命周期的永續(xù)，道岔鋼軌健康的量化指數(shù)整體仍會趨于下降直至廢止。地鐵道岔的狀態(tài)與成本關系如圖1所示。

圖1 地鐵道岔的狀態(tài)與成本關系

基于地鐵道岔的整個生命周期工程應用場景，可知道岔系統(tǒng)類似于很多復雜系統(tǒng)，滿足以下三個假設：系統(tǒng)宏觀上滿足線性系統(tǒng)假設、系統(tǒng)狀態(tài)的各項檢測指標滿足正態(tài)分布假設、系統(tǒng)運行在單一狀態(tài)假設。

1.1 線性系統(tǒng)假設

任何復雜設備都可以建模成一個系統(tǒng)，系統(tǒng)通過是否線性、是否時變、是否因果、是否穩(wěn)定共分為16類大的系統(tǒng)。在工程實踐中，完全線性的、時不變的、因果的穩(wěn)定系統(tǒng)少之又少。然而，即使一個系統(tǒng)不是嚴格意義上的線性系統(tǒng)，其在某個階段往往基本上可以簡化為一個線性模型來考慮，例如地鐵道岔鋼軌的健康狀態(tài)。

在圖1中，假設每一次故障后到下一次故障前，系統(tǒng)基本可簡化為一個宏觀上的線性系統(tǒng)。如果這個假設成立，那么被檢測對象(地鐵道岔鋼軌)的輸出和輸入是一種強線性關系。

1.2 正態(tài)分布假設

中心極限定理是科學界最基本、最普遍的存在，也是統(tǒng)計學最基本的定理之一。大數(shù)據(jù)證明許多復雜系統(tǒng)中眾多維度的統(tǒng)計特征滿足中心極限定理，即統(tǒng)計的量化值符合正態(tài)分布(高斯分布)，道岔鋼軌也不例外，且此結論經(jīng)過了長時間的健康鋼軌試運行的佐證。

在地鐵的日常運行過程中，通過對采集到的數(shù)據(jù)進行各種數(shù)字信號處理，得到各個維度的統(tǒng)計特征和變換域表征。如各維度的統(tǒng)計量化值和變換域表征的量化值分布符合正態(tài)分布(如幅度值、信號的高低頻量化比等)，則大概率可以佐證整個道岔鋼軌處于健康狀態(tài)。相反，如發(fā)現(xiàn)某些維度的分布由一個概率密度分布轉移到另外一個概率密度分布，則大概率是鋼軌的健康狀態(tài)發(fā)生了顯著的質的改變。

如圖1所示，可以假設在每一次故障后、下一次故障前，整個系統(tǒng)的各項檢測指標的各個維度的統(tǒng)計量化值的概率密度就是正態(tài)分布。

需要額外說明的是：當整個道岔系統(tǒng)的某個邊界條件發(fā)生較大改變時，往往也會導致某些維度的統(tǒng)計指標概率密度發(fā)生改變。這種映射關系往往需要通過長時間的試運行才得以建立，從而減少誤報警的發(fā)生。

1.3 單狀態(tài)運行假設

由圖1可知，在每一次故障后、下一次故障前，系統(tǒng)除了可以被簡化為線性系統(tǒng)，并假設統(tǒng)計量化值符合正態(tài)分布外，還可得出，系統(tǒng)基本上在單一狀態(tài)中(一個狀態(tài)的基礎上漸漸地變化)運行?；诖丝傻贸鼋Y論：各個維度統(tǒng)計指標的量化值往往是在一個平臺上的隨機波動(正態(tài)分布)，當系統(tǒng)故障后，本質上是統(tǒng)計指標從一個平臺躍變至另一個平臺。單一維度統(tǒng)計指標趨勢線平臺躍變案例如圖2所示。

圖2中，圖(a)是一個趨勢線，從中可以看出該趨勢線有4次明顯的平臺躍變。圖(b)是對應的報警時刻。這里的單一統(tǒng)計維度既可以是信號幅度的統(tǒng)計，也可以是信號的高低頻比率的統(tǒng)計，或其他維度的統(tǒng)計(峭度、偏度、高斯指數(shù)等)。

圖2 單一維度統(tǒng)計指標趨勢線平臺躍變案例

2 量化及預警機理

對于每一次過車信號，我們可以求取信號各個維度的統(tǒng)計特征及對應的變換域表征。基于前面的假設，則各個維度的統(tǒng)計量應滿足某種規(guī)律(通過鋼軌健康狀態(tài)下的試運行得到)，且此規(guī)律在長時間軸上都成立；如其突然不成立，本質上就是鋼軌的狀態(tài)發(fā)生了質的改變，則極有可能是道岔系統(tǒng)的健康狀態(tài)發(fā)生了大的改變，基于此提醒報警的維修就是典型的狀態(tài)修。

2.1 統(tǒng)計信息驅動的量化和預警

信號常見的統(tǒng)計維度有幅度、均值、均方根、標準差、峭度、偏度、波形因子、峰值因子、脈沖因子、高斯性度量、裕度因子等。

統(tǒng)計分布變化示意如圖3所示。如果一個信號的統(tǒng)計量，或者一個統(tǒng)計量的變換域表征，從圖3(a)的概率分布變成圖3(b)的概率分布，則可推測信號源發(fā)生了質的改變。根據(jù)此原理，通過對地鐵道岔鋼軌檢測信號的歷史過程數(shù)據(jù)進行統(tǒng)計分析，求取以上統(tǒng)計維度的統(tǒng)計值，分析道岔的運行狀態(tài)，如發(fā)現(xiàn)了明顯的統(tǒng)計變化，則道岔系統(tǒng)的健康狀態(tài)極有可能發(fā)生了大的改變。

圖3 統(tǒng)計分布變化示意

2.2 變換域表征驅動的量化和預警

變換域分析的目的，在于以更簡化、靈活的特征對原來的信號進行分析。信號常見的變換域表征有獨立成分分析、主成分分析、小波(包)變換、傅里葉變換、經(jīng)驗模式分解、Hilbert-Huang變換、Wigner-Ville分布等。變換域分析示意如圖4所示。

圖4 變換域分析示意

主成分分析和獨立成分分析是常用的、基于多變量的統(tǒng)計分析方法，其可以更好地考慮系統(tǒng)中多變量之間的關系，適用于復雜系統(tǒng)的故障檢測預警。而傅里葉變換、小波(包)變換和經(jīng)驗模式分解等方法則在頻域對信號進行分析，通過對地鐵道岔檢測信號的變換域表征分析，監(jiān)測是否發(fā)生明顯突變。

2.3 人工智能驅動的量化和預警

道岔系統(tǒng)是一個復雜、動態(tài)、非線性、多邊界的條件系統(tǒng)。其底層的各種傳導機制、映射關系復雜，具有高度的不確定性和復雜性，因此傳統(tǒng)的統(tǒng)計分析方法有一定的局限性，基于人工智能的故障預警機制更有適用性。人工智能方法目前以機器學習為主流?；诖罅繑?shù)據(jù)和計算資源，機器學習以數(shù)據(jù)驅動訓練學習算法，從數(shù)據(jù)中提取特征，挖掘數(shù)據(jù)中的知識，從而進行預測和判斷。人工神經(jīng)網(wǎng)絡典型結構如圖5所示，圖中的人工神經(jīng)網(wǎng)絡采用多層結構，自動學習并組織簡單特征，形成復雜特征，在復雜系統(tǒng)下具有良好的性能。采用人工智能驅動自動學習道岔健康狀態(tài)檢測的信號特征，能提高整體檢測性能。

圖5 人工神經(jīng)網(wǎng)絡典型結構

2.4 成功案例

前文中，圖2是一個典型的基于單一維度統(tǒng)計指標趨勢線平臺躍變實現(xiàn)故障報警的案例。從圖2可以看出：

(1) 報警時刻有明顯滯后，滯后多少條數(shù)據(jù)或者滯后幾天可通過算法配置。

(2) 平臺向上躍變或者向下躍變并在新平臺上平穩(wěn)運行一段時間后(往往是幾個小時)就會觸發(fā)平臺躍變報警。

(3) 躍變到新平臺后會觸發(fā)報警，但報警后不會再次報警，除非出現(xiàn)新的平臺躍變。

3 結語

地鐵道岔鋼軌健康檢測和診斷是確保地鐵安全運營的關鍵環(huán)節(jié)，但道岔系統(tǒng)的復雜性決定了無法進行正向原理性解構式診斷，且現(xiàn)有的監(jiān)測方法在實時性、全覆蓋、傷損分辨率、健康狀態(tài)量化等各個方面都不是很理想。本文給出一種基于數(shù)據(jù)驅動的地鐵道岔鋼軌健康和診斷系統(tǒng)。

(1) 論證地鐵道岔滿足復雜系統(tǒng)普遍滿足的假設，并由假設推導出地鐵道岔系統(tǒng)運行過程數(shù)據(jù)和狀態(tài)數(shù)據(jù)應該滿足的普遍規(guī)律。試運行數(shù)據(jù)滿足此規(guī)律。

(2) 討論了基于統(tǒng)計信息驅動的量化和預警、基于變換域表征(信號處理)驅動的量化和預警、基于人工智能(大數(shù)據(jù)挖掘)驅動的量化和預警幾種情況，最后給出了系統(tǒng)的成功案例。

“基于數(shù)據(jù)驅動下的地鐵道岔鋼軌健康和診斷系統(tǒng)”成功實現(xiàn)了計劃修到狀態(tài)修的轉變，節(jié)約了大量的維修成本。