通过测量和记录正常行驶列车的轴箱加速度,并同步记录相应的地理坐标,再对测量值进行评估,可以尽早识别轨道的异常。鉴于此,德国航空航天中心(简称“DLR”)对铁路车辆的精确定位以及加速度数据的处理和分析展开研究。
1 引言
日前,欧洲启动了一个铁路交通基础设施全面维护项目,旨在保障铁路运营的安全性、可靠性和经济性。在项目中,轨道上部建筑的维护约占全生命周期成本的50%。因此,根据轨道状态进行有预见性的维护和维修,可以节省大量成本。如按照上述维护策略,需要连续采集区域内的轨道状态数据,这远超当前检测措施(专用检测列车和线路巡查)的能力范围。此时,传感器辅助检测轨道状况的新技术便能发挥重要作用。在线路检测方面,应特别提及光纤技术的应用,但光纤技术目前还处于发展初期,尚未成熟。而利用常规列车上的嵌入式传感器系统,辅助检测轨道状态,是一个可行的且相对成熟的方案。特别是用于检测车辆动态反应的惯性传感器(轴箱和转向架上的加速度传感器)成为了研究的焦点。在将来,通过这些新技术,可以获取大量数据。这些数据的传输、存储、处理和分析是未来几年研究的主要课题。为了使车载传感器系统尽可能自适应地运行,对于其坚固性、可靠性和能量消耗便提出了特殊的要求。问题在于,如果使用1个传感器系统运行数年,则传感器数据的记录和传输速率必然会受到限制。因此,在多传感器系统的采样率、处理工作量、数据传输速率和能量消耗之间找到一个适当的折衷方案,是下一步研究的方向。为了实现数字化检测的目标,需要在所有列车上装配多传感器系统,因此,必须使用成本最低的传感器。
2 记录有地理坐标参考的轴箱加速度
DLR使用自己的多传感器系统,在常规铁路车辆上进行数据采集。这以使用低成本的标准硬件组件(商用现成产品COTS)为基础。因此,需要将低成本的传感器尽可能地装配或改装到所有常规铁路车辆中。
图1 布伦瑞克港口的铁路网(紫色)以及调车机车的位置(绿色)
为了在常规行车中对轨道状态监测系统进行测试,DLR与布伦瑞克港口运营公司合作。在该公司布伦瑞克内陆港口的铁路网上,DLR配备了2台带有传感器监测系统的调车机车。自起,DLR从这段超过15km的铁路网上不断采集数据(图1)。为了检测车辆动态反应,该监测系统使用宽频(8~8000Hz)三轴轴箱加速度传感器。此外,这个多传感器系统还包括1个卫星导航接收器(全球导航卫星系统GNSS)以及1个用于检测加速度和角速度的惯性测量单元(IMU)。利用来自GNSS和IMU的数据以及轨道基础设施的高精度数字地图,可以精确地进行轨道地理编码。由于卫星信号可能被屏蔽或反射,导致位置数据不准确,则需要不同的传感器组合来对此加以补偿。然而,使用低成本传感器会带来更多挑战。GNSS接收器的采样率会因此限制在5Hz,这也对实现高位置分辨率造成不良影响。而惯性测量单元虽然有高采样率,但在测量精度方面,低成本的惯性传感器比高成本的要低一些。使用数据融合算法进行智能处理,可以克服这些问题。除了GNSS和IMU组合之外,轨道数字地图的集成也会用到数据融合算法。精确的轨道地理编码并非实时完成,而是通过离线程序(Rauch-Tung-Striebel/RTS平滑器)完成的。RTS平滑器可以进一步处理卡尔曼滤波算法的结果,从而提高精度。数字地图的作用是将车辆的位置限定在可能的轨道位置上。由此,不仅能确定车辆的地理坐标,还能确定车辆在铁路网中的位置(线路和线路里程)以及车辆在线路上的行驶速度。此外,在GNSS时间器记录期间,所有传感器都会同步。
3 数据分析和异常检测
在工业实践中,分析振动数据是监测机器和设备的常用方法。长期以来,世界各国都在研究,如何通过安装在车辆轴箱上的加速度传感器所测得的振动数据来监测轨道状况。研究的主要目标为:对故障点进行识别(检测)、分类(诊断),如有可能,再进行量化(比如,轨道损伤的深度和长度,以mm为单位)。但是,事实证明,必须克服许多挑战才能实现这些目标。其原因在于,一方面,轨道和车轮本身的相互作用非常复杂,而且信号变化不能轻易地归因于轨道状况的变化。事实上,整个轨道上部建筑以及某些车辆部件(例如车轮、弹簧悬挂装置)的类型和状况,对测得的振动数据具有显著影响。另一方面,其他可变的外部影响因素(例如,车辆载荷以及非常重要的车辆速度),有时也会对车辆动态反应产生强烈影响。
实践证明,用物理模型足够精确地描述这样的系统非常困难,甚至是不可能的,因为被监测车辆的必要参数是未知的,并且随时间而变化。还有一种方法是纯粹的数据驱动方法。如果有现成的参考数据,可以应用监督学习方法,根据参考数据,学习和重新识别特定模式。如果没有参考数据可用,则可以应用无监督学习方法,识别异常值,并通过聚类分析对其进行描述。
此外,DLR还在研究将基于模型的算法与数据驱动算法相结合的混合算法。这种详细分析通常需要进行非常密集的计算,因此,只能在铁路网中选定重要的位置来进行此类分析。理想状态是,事先可以使用无监督异常检测方法识别和选定位置。其具体步骤为:第一步,从测量数据的时间序列中提取相关的描述性特征(图2);第二步,根据这些特征识别异常情况。此处,连续时间轴上的最大值和均方根值(RMS)被证明是易于确定的时域特征。然而,这些与信号振幅相关的特征取决于车辆速度。在低车速时(比如调车作业时),很难将异常值与正常值区分开来。因此,在这里使用简单的极限值来识别异常值是不合适的。在这种情况下,应该使用将车辆速度明确考虑在内的多变量异常检测算法。事实证明,Isolation-Forest(IF)算法在这里十分有效,即使在非常低的车速(<2m/s)下也能成功识别异常值(图3~图5)。该算法的另一个优点是一旦经过训练,就可以应用于新的未知数据,而且无需重新校准。这意味着,该算法可以离线学习大量数据,以便随后在线检测异常。这就能够实现对数据进行选择性存储和传输,即存储和传输数据时仅考虑显著数据段。另外,检测到的异常信息及其位置数据和状态消息,都可以通过移动无线电通信装置发送到后台系统。
试验中对C70型敞车施加不同配重,分别获得62 kg、100 kg和150 kg车重。采用人工推车的方法,使试验车辆速度由低到高分为5~8级变化。为了获得较为准确的车辆行驶速度,本试验中有专门录像人员对车辆运行过程进行实时录像计时。
图2 1 个约为 1 min 行驶区段中的轴箱加速度(灰色),及其 RM S值(橙色)和最大振幅(蓝色)
图3 提取的最大振幅和振幅 RMS 特征值
随后,后台系统会根据基本特征对识别出的异常加以描述,并将其归入一个故障类型。IF算法还能确定异常分数(英语为anomalyscore)的大小,异常分数可以作为发生轨道故障的指数。
为建设我国首个页岩气示范区,江汉油田许许多多年轻的技术人员不远千里来到涪陵这片热土,终日与大山相伴,与图纸为伍,迎接页岩气大发展的春天。西安石油大学毕业的青年技术员米瑛,就是在这样的背景下来涪陵页岩气田会战的第一批员工。
(1)学习时间和空间自主性。没有时空限制使学习者能自主掌控学习节奏以及学习地点。从泛在教育视角看,这一优势是有效推进信息化时代背景下,解决教育公平问题、继续教育及终身教育的重要途径;从掌握学习的视角,学习者可根据自身水平,充分理解教学内容后才进入下阶段学习,可促进学习效果和知识掌握熟练度。
图6展示的是如何根据提取的特征将检测到的异常归入特定的轨道故障类型。高RMS值是空间范围较大的故障状态的特征,例如图6(左)所示,煤炭装载区中的轨道被煤炭大面积覆盖。相反,如果与RMS值相比,最大振幅较高,则说明是单独存在的故障点,例如图6(右)中的焊缝。
图4 根据车辆速度提取的振幅 RMS 特征值
图5 根据车辆速度提取的最大振幅特征值
图6 异常检测系统识别出的显著车辆反应
4 结论和展望
在将来,车载传感器会收集大量可用于监测铁路基础设施状况的数据。这种准连续的数据采集使我们能够尽早识别轨道上部建筑的故障状况,从而提高铁路运输的可靠性和安全性,并降低维护成本。因此,发展改进数据处理和分析策略至关重要。为此,DLR自以来一直在收集布伦瑞克港口铁路的数据。要为铁路运营商和铁路物流公司提供具有经济吸引力的解决方案,使用低成本传感器是先决条件。纯数据驱动的异常检测可以自动识别重要的线路点,以便进行进一步的检查和观察,从而使线路巡查变得更有针对性。在目前的研究项目中,DLR正不断研发数据分析以及铁路车辆精确定位的技术。
参考文献
[1] Baasch B,Groos J C,Roth M. Sensorgestützte Anomalie-Detektion zur Zustandsbewertung der Schiene mit Regelzügen[J]. Eisenbahntechnische Rundschau,(12):32-35.