对轨道车辆走行部安全监测预警算法理论的分析

陆永杰

摘要：在“十三五”发展规划纲要的支持下，我国交通基础设施建设力度不断增强，轨道交通设施在交通体系中的地位日益突出。本文主要介绍轨道车辆走行部安全监测预警的必要性，探究轨道车辆走行部安全监测预警算法平台的理论基础，并从关键技术、自学习数据库、安全监测预警系统、安全监测预警软件和安全监测预警平台调试几个方面深入分析轨道车辆走行部安全监测预警算法体系，旨在全面优化轨道车辆走行部运行环境。

Abstract： With the support of the outline of the 13th Five-Year Plan， the construction of transportation infrastructure in China has been strengthened， and the status of rail transit facilities in the transportation system has become increasingly prominent. This paper mainly introduces the necessity of safety monitoring and early warning of rail vehicle running department， probes into the theoretical basis of safety monitoring and early warning algorithm platform of rail vehicle running department， and analyzes the safety monitoring and early warning algorithm system of rail vehicle running department from the key technology， self-learning database， safety monitoring and early warning system， safety monitoring and early warning software and safety monitoring and early warning platform debugging. The aim is to optimize the running environment of rail vehicle running department.

关键词：轨道车辆走行部;安全监测预警算法;自学习数据库;人工智能技术

中图分类号：U270.7                                      文献标识码：A                                  文章编号：1674-957X（2021）01-0170-02

0  引言

轨道车辆走行部是轨道车辆在牵引动力作用下沿线路运行的部分，走行部的作用是保证车辆灵活、安全、平顺地沿钢轨运行和通过曲线，可靠地承受作用于车辆各种力量并传给钢轨，缓和车辆和钢轨的相互冲击，减少车辆振动，保障足够的运行平稳性和良好的运行质量，使车辆具有可靠的制动机构，为车辆提供更好的制动基础。采用安全预警算法对轨道车辆走行部进行安全监测可切实降低轨道车辆运行风险。

1  轨道车辆走行部安全监测预警的必要性

公开资料显示，2019年德国、美国、俄罗斯、波兰、法国、日本、韩国、英国的城市轨道交通运营总里程分别为3615.1千米、1331.8千米、122.9千米、1089.5千米、1082.1千米、886.8千米、861.2千米、841.6千米，2019年我国城市轨道交通运营总里程已达6730.3千米，占全球轨道交通总运营里程23.92%，排名世界第一，由此也可推知我国在世界上具有较大的轨道车辆占有比例。轨道车辆走行部是有效维护轨道车辆运行状态，保证车辆安全平稳运行的关键结构，随着轨道交通运行压力的逐步提升，轨道车辆走行部的磨损比率和故障发生比率呈现了明显的上升趋势，走行部故障存在明显的隐性化特征，传统的故障检测技术难以对故障进行全方面识别并精准定位故障位置，针对轨道车辆走行部的安全监测预警算法可全面优化故障识别环境和走行部维修保养环境，支持相关车辆维护人员全面提升风险识别意识和风险排除意识，加强轨道车辆走行部监测和管理的现代化水平，充分降低故障风险。

2  轨道车辆走行部安全监测预警算法平台的理论基础

随着城市化发展进程的不断推进，轨道交通工程的建设比例呈现了明显的上升趋势，国家发改委《关于培育发展现代化都市圈的指导意见》为轨道交通工程建设提供了有力支持，基于走行部在轨道车辆体系中的重要地位，可以预见，在未来一段时间内，轨道交通管理部门将面对更大的走行部安全监测压力。

相关研究表明，轨道车辆走行部安全监测预警算法可切实提高轨道车辆走行部的监测效率，安全监测预警算法平台的理论基础主要为自学习安全监测预警方法理论、自学习模糊聚类预警理论、神经算法理论。以自学习安全预警方法理論为基础，可根据轨道车辆走行部的实际运行情况、安全运行需求，搭建车辆走行部实时状态监测硬件模型和车辆走行部自学习状态识别模型，支持相关人员进行轨道车辆走行部信息整合，而在自学习模糊聚类预警理论的支持下，系统能够有效搭建联合算法聚类计算体系，实现联合算法模式识别，充分提高轨道车辆走行部故障信息分析质量，就神经算法理论而言，其主要为BP神经网络理论，具有较高的自学习特征和智能化水平，能够根据轨道车辆走行部的实际运行需求进行安全性分析，并根据以往的故障隐患排查经验，实现故障自动化排除和自动化校验。自学习安全监测预警方法理论、自学习模糊聚类预警理论和神经算法理论为轨道车辆走行部安全监测预警算法平台的应用奠定了坚实基础。

3  轨道车辆走行部安全监测预警算法体系

3.1 关键技术

随着城市化建设进程的不断推进，城市智慧交通体系得以有效健全，在交通总体规划与决策方案的支持下，交通组织与运营管理、公共信息服务系统、票务与支付系统、设施的建设与维护、交通安全应急、交通基础设施建设、旅客与货物和运输工具已成城市智慧交通体系的主要构成。在《城市公共交通“十三五”发展纲要》的支持下，城市轨道交通体系日益扩大，轨道车辆走行部安全监测预警的重要性得以充分突出。安全监测预警算法体系的关键技术主要为大数据技术和人工智能技术，其中大数据技术可覆盖数据库技术、数据挖掘技术和数据整合技术，而人工智能技术主要为具有自学习特征的BP神经网络技术。以大数据技术为支撑，科研人员搭建了自学习安全监测预警方案，设置了车辆走行部实时状态监测硬件模型和车辆走行部自学习状态识别模型，完成了数据库设计、历史特征数据库搭建和自学习特征量选择，充分优化了人工智能技术的识别基础。人工智能技术是轨道车辆走行部安全监测预警体系智慧能力的来源，能够利用自学习与模糊聚类联合算法全面优化模糊聚类C均值聚类基本条件及计算流程，提高轨道车辆走行部安全监测预警信息的导出效率。

3.2 自学习数据库

近年来，我国铁路建设迎来高峰，轨道交通体系得以不断完善，公开资料显示德国、日本、法国、美国和俄罗斯的铁路人口密度分别为5.24公里/万人、2.14公里/万人、4.54公里/万人、7.65公里/万人和5.97公里/万人，我国的铁路人口密度仅为0.94公里/万人，与发达国家相比仍具有较大差距。目前，轨道交通系统主要是使用车辆在固定导轨上运行的交通体系，面对日益提升的运行压力，自学习数据库的构建可全面提高数据整合能力和数据储存能力，进一步加强神经网络的自学习水平。科研人员在自学习数据库的设计中进行了历史特征数据库的搭建和自学习特征量的选择，数据库可为BP神经网络进行走行部故障诊断以及自动故障诊断策略的学习提供基础。另外，与传统的数据库相比，自学型数据库还可切实降低数据整合压力，其自动化的数据整合能力将充分扩大数据整合范围，提高数据整合效率，支持轨道交通管理部门将轨道车辆走行部的运行信息与正常状态下的运行信息进行比对，继而设置针对性维护方案，提高故障解决效率和应急反应速度[1]。另外，自学习数据库充分利用了数据挖掘技术和数据分析技术的数据整合优势，以云计算技术的云储存平台为支撑，实现了数据信息的高度整合和安全储存，充分提高了信息安全系数。

3.3 安全监测预警系统

安全监测预警系统具备优良的数据采集能力，数据采集设备主要包括数据采集卡、功率放大器、电磁激振器、加速度传感器、信号调理器、工控机和示波器，分别用于多通道数据通信、信号功率放大、激励信号源、加速度信号获取、信号滤波调理、上位机和波形信号显示，具有较高的数据整合能力和数据分析能力[2]。与传统的数据整合平台相比，安全监测预警系统能够凭借自学习数据库进行轨道车辆走行部的故障预警，支持轨道交通管理部门形成更为完善的应急体系，降低轨道车辆的运行风险。

3.4 安全监测预警软件

安全监测预警软件具有多样性信息监测能力，可切实提高轨道车辆走行部的信息监控水平，当轨道车辆走行部信息发生后，可通过C#信号生成程序生成数字信号，经由NI数据卡和D/A转换使模拟信号进入功率放大器，经过放大后在电磁激振器的激励下进入机械试验台由加速度传感器进行处理，继而由信号调理器对振动信号和模拟信号进行加成，并再次经由NI数据卡进行A/D转换，成为数字信号，在C#数据采集程序的支持下完成数据计算和数据特征提取，将数据储存于ACCESS数据库中，基于自学型模糊聚类预警算法模式识别和神经网络算法故障预警分析，最终导出自学习安全预警结果。安全预警系统软件可进行轨道不平顺信号获取、激励信号输出以及系统数据库实现，支持信号采集程序、自学习模糊聚类程序和神经网络算法程序的合理运行，有效优化自学习模糊聚类样本聚类学习程序，实时分析安全预警程序的运行状态以及BP神经网络计算程序和实时神经网络监测程序的运行环境。

3.5 安全监测预警平台调试

走行部的运行质量将直接影响轨道车辆的运行安全，基于安全监测预警算法的运行基础和关键技术，应通过平台调试，保证其应用有效性。调试内容主要为信号激励系统、自学习模糊聚类样本学习测试、自学习模糊聚类实时安全预警测试、神经网络算法训练过程测试和神经网络实时安全预警测试，在信号激励系统调试过程中应有效识别方波信号和变速信号，通过测试轨道位置和轨道速度，调节激励信号的幅度以获得最佳反馈效果，而在自学习模糊聚类样本学习测试和实时安全预警测试中应通过样本计算，获得正常样本和故障样本的分类指标，继而使自学习数据库具备完善的故障整合体系，在自学习特征参数神经网络算法测试中可通过神经网络训练，分析故障状态下数据的明显变化，使系统能够有效诊断故障信息。

4  结论

总而言之，走行部是轨道车辆体系的重要构成，采用安全监测预警算法对轨道车辆走行部进行监测管理，有助于提高车辆安全运行系数，降低运行风险。基于轨道车辆走行部安全监测预警算法平臺的理论基础，应积极发挥相关关键技术在信息整合和数据分析上的作用优势，提高轨道车辆管理人员的危机意识和车辆维护意识，使轨道车辆具有长期安全运行基础。

参考文献：

[1]曲婉，孙帅.自动导向轨道系统车辆及其走行部分析[J].现代城市轨道交通，2020（09）：6-12.

[2]陈艳鑫，杨硕.轨道交通车辆走行部故障诊断系统研究[J].内燃机与配件，2020（07）：155-157.

[3]丁亚琦，陈超，黄贵发，等.轨道车辆走行部振动检测及PHM系统[J].城市轨道交通，2019（05）：29-32.