孔令坤 中國鐵路上海局集團(tuán)有限公司海高鐵基礎(chǔ)設(shè)施段

1 引言

上海高鐵基礎(chǔ)設(shè)施段地處長三角地區(qū)，管內(nèi)供電管轄接觸網(wǎng)延展里程2 000.32條公里，是全路第一批踐行綜合養(yǎng)修模式的設(shè)備管理單位。隨著管內(nèi)滬寧、滬杭高鐵先后邁過首個(gè)“十年周期”，接觸網(wǎng)設(shè)備老化問題日趨凸顯、動(dòng)態(tài)監(jiān)測缺陷日益增多。為了不斷發(fā)掘檢測數(shù)據(jù)潛力，提高設(shè)備質(zhì)量，我們立足自身養(yǎng)修經(jīng)驗(yàn)，引進(jìn)大數(shù)據(jù)分析算法，在實(shí)踐中摸索出一套動(dòng)檢數(shù)據(jù)的分析方法，幫助我們從龐大的檢測數(shù)據(jù)中找到薄弱設(shè)備，提高接觸網(wǎng)的運(yùn)行質(zhì)量和可靠性。

2 單次動(dòng)檢結(jié)果評價(jià)

2.1 不同檢測裝置對比

接觸網(wǎng)動(dòng)態(tài)監(jiān)測裝備包括高鐵綜合檢測車（簡稱1C）和運(yùn)營動(dòng)車組車載檢測裝置（簡稱3C），用于測量升弓條件下的接觸線幾何參數(shù)、接觸壓力、燃弧量等參數(shù)。1C和3C裝置的測量原理不同，因此其測量值和下發(fā)缺陷也有很大不同，數(shù)據(jù)分析時(shí)要綜合考慮。

（1）1C裝置和3C裝置的幾何參數(shù)測量模塊不同，前者采用雙線陣相機(jī)和視覺三角測量法，后者采用圖像深度學(xué)習(xí)技術(shù)進(jìn)行識別，但都滿足±10 mm以內(nèi)的測量精度。但由于不同車型在同一曲線軌道下的的橫滾、橫擺幅度不同，拉出值參數(shù)測量值存在較大差別。

（2）1C裝置和3C裝置的檢測受電弓型號不同，前者采用DSA380或SS400型雙滑板受電弓，后者普遍采用CX-PG型單滑板受電弓，其接觸力和燃弧特性都有很大區(qū)別。

（3）1C裝置和3C裝置的燃弧量測量原理不同，前者采用紫外相機(jī)，對一跨內(nèi)燃弧像素出現(xiàn)時(shí)間進(jìn)行累加，后者采用對銅金屬燃燒光線波段敏感的紅外熱成像相機(jī)對接觸網(wǎng)進(jìn)行測溫并計(jì)算單次燃弧的持續(xù)時(shí)間。

2.2 單次檢測結(jié)果的準(zhǔn)確性

由于不同檢測車受電弓的型號、開閉口、初始壓力不同，檢測車通過時(shí)的車速、環(huán)境溫度、濕度、電磁干擾因素也不相同，所以每次檢測的接觸力、燃弧值存在顯著差異。此外檢測系統(tǒng)采用的機(jī)車GYK里程，與實(shí)際里程存在隨機(jī)誤差，因此我們在大數(shù)據(jù)分析前要對單次檢車情況進(jìn)行評估，剔除無效數(shù)據(jù)。

我們通過pyqt5界面開發(fā)庫和pandas數(shù)據(jù)處理庫開發(fā)數(shù)據(jù)批量導(dǎo)入分析工具，對每次檢測下發(fā)的數(shù)據(jù)進(jìn)行篩選與統(tǒng)計(jì)分析，分別計(jì)算每次檢測的缺陷數(shù)量占比、達(dá)速率（包括統(tǒng)計(jì)得分長度、不得分長度、不評價(jià)長度、未檢測長度等）、得分與非得分區(qū)段的CDI分量分析（統(tǒng)計(jì)CDI各分量的平均值、中位值、標(biāo)準(zhǔn)差等）、錨段CDI分量的得分分布情況，并進(jìn)行可視化，分析各測量傳感器的工作狀態(tài)是否良好。單次檢測數(shù)據(jù)分析結(jié)果如圖1所示。

圖1 單次動(dòng)檢數(shù)據(jù)分析界面

如圖1所示，本次檢測CDI管理評分僅為64.5%，且CDI不得分錨段較多。從CDIA的平均分和頻數(shù)分布可以看出，絕大多數(shù)錨段的燃弧得分接近滿分，說明燃弧傳感器工作狀態(tài)異常。缺陷中占比最大的是接觸力缺陷，共有17個(gè)，但從接觸力均值和頻數(shù)分布看，全線的接觸力得分主要集中在較小的范圍，接觸力傳感器工作正常。

3 動(dòng)檢數(shù)據(jù)的統(tǒng)計(jì)學(xué)分析

動(dòng)檢數(shù)據(jù)具有以下幾個(gè)特點(diǎn)：數(shù)據(jù)量龐大、多次檢測一致性不強(qiáng)、里程上存在隨機(jī)誤差。因此我們需要根據(jù)動(dòng)檢數(shù)據(jù)的特點(diǎn)，運(yùn)用大數(shù)據(jù)分析方法，篩選經(jīng)常存在檢測大值的薄弱區(qū)段，并分析其發(fā)生發(fā)展過程。

3.1 CDI數(shù)據(jù)的特點(diǎn)

圖2是某高鐵1-5月整條線路各單元CDI得分隨里程變化情況，雖然單個(gè)錨段的CDI曲線在不同月份略有不同，但其整體變化趨勢呈現(xiàn)出明顯的規(guī)律，在K81、K148處存在明顯高于附近的大值。

圖2 某高鐵1-5月錨段CDI曲線

通過pygraph庫生成多次CDI數(shù)據(jù)曲線對比圖，通過同步平移里程坐標(biāo)，對比同一錨段不同日期的CDI得分變化。圖3是某高鐵線路K60-K80范圍內(nèi)四次檢測的CDI曲線，為排除車型不同的干擾，均采用CRH2C-2150的檢測數(shù)據(jù)?？梢钥闯鰴z測速度對CDI得分影響較大，相同速度下得分變化趨勢一致性較強(qiáng)。通過對比多次檢測曲線的CDI大值的一致性，可以進(jìn)一步確認(rèn)CDI超標(biāo)錨段。

圖3 同一線路多次CDI檢測曲線對比界面

3.2 CDI錨段數(shù)據(jù)的聚類

CDI原始數(shù)據(jù)是按錨段逐行排列的，分析某個(gè)錨段的歷史變化情況，首先需要將同一錨段的不同次檢測的數(shù)據(jù)劃分到一組。因此我們引入了聚類算法，按照起止公里標(biāo)相近的原則將錨段數(shù)據(jù)進(jìn)行分組。

常用的聚類算法有K-Means、均值偏移、DBSCAN和層次聚類等。由于在聚類前不確定簇的個(gè)數(shù)，原始數(shù)據(jù)包含離群點(diǎn)（例如某一次檢測的里程誤差過大），且需同時(shí)考慮錨段公里標(biāo)和錨段長度兩個(gè)量的相近程度，擬選用基于密度空間的無監(jiān)督學(xué)習(xí)算法DBSCAN進(jìn)行聚類。

對我段兩年來共計(jì)85 242條CDI錨段數(shù)據(jù)進(jìn)行聚類試驗(yàn)，密度函數(shù)選用起、止公里標(biāo)差值的歐式距離，最小鄰近距離設(shè)為100 m，最小簇大小設(shè)置為3，本次聚類成功的數(shù)據(jù)條數(shù)為83 817，占比98.3%，滿足要求。

3.3 CDI錨段數(shù)據(jù)的分類分析

通過聚類計(jì)算，每組聚類成功的CDI錨段數(shù)據(jù)都獲得了一個(gè)簇編號，簇編號相同的錨段即為同一錨段。然后按照FRM算法依次對每一簇?cái)?shù)據(jù)進(jìn)行統(tǒng)計(jì)，即計(jì)算F（近度：最近一次不達(dá)標(biāo)時(shí)間）、R（頻度：不達(dá)標(biāo)次數(shù)÷達(dá)速次數(shù)）、M（額度：CDI超標(biāo)最大值）、不達(dá)標(biāo)時(shí)間分布（每季度不達(dá)標(biāo)次數(shù)）。最后編寫用戶界面，對分類結(jié)果分線別、行別進(jìn)行展示，如圖4所示：點(diǎn)擊左表中某一錨段，右側(cè)顯示每次檢測結(jié)果并繪制柱形圖，分析該錨段CDI各分量的歷史變化情況。

圖4 不得分CDI錨段歷史分析

3.4 動(dòng)檢缺陷的聚類分析

接觸網(wǎng)的動(dòng)檢缺陷數(shù)據(jù)是指1C或3C裝置下發(fā)的缺陷及報(bào)警數(shù)據(jù)，其特點(diǎn)是一級缺陷數(shù)量較少，二級缺陷數(shù)量龐大且偶發(fā)性強(qiáng)。缺陷分析中我們最關(guān)注的缺陷有兩種：固定處所頻繁檢出的、首次檢出的。前者表示某處接觸網(wǎng)經(jīng)常處于一種不良的運(yùn)行工況中，后著則表示設(shè)備狀態(tài)可能發(fā)生了突變。因此我們首先需要分析缺陷發(fā)生的頻繁程度。

動(dòng)檢缺陷數(shù)據(jù)的聚類同樣根據(jù)缺陷里程參數(shù)的分布密度，缺陷里程數(shù)據(jù)跟CDI數(shù)據(jù)中的里程數(shù)據(jù)類似，同樣存在50 m左右的誤差，但使用DBSCAN進(jìn)行聚類的效果并不好。因?yàn)槿毕輸?shù)據(jù)的里程只有1維，且沒有明顯間隔，導(dǎo)致DBSCAN聚類后的簇寬度會(huì)達(dá)到2 km或更長。為了縮小簇寬度，我們選用里程窗滑動(dòng)求頻次的方法進(jìn)行聚類，具體方法是：選用固定公里標(biāo)窗口按10 m步進(jìn)平移，依次求窗口范圍內(nèi)的缺陷數(shù)量，得到全線的頻數(shù)曲線，然后利用finkpeak算法找到頻率峰值所在的位置。圖5是某線K50-K75內(nèi)接觸線接觸力缺陷頻數(shù)曲線（100 m窗），叉號表示用finkpeak算法找到的頻數(shù)曲線波峰。

圖5 某線K50-K75范圍內(nèi)接觸力缺陷頻數(shù)分布情況

3.5 動(dòng)檢缺陷數(shù)據(jù)的聚類分析

把計(jì)算得到的某個(gè)峰值里程數(shù)據(jù)代入動(dòng)檢缺陷庫查詢，得到一個(gè)缺陷信息分組，分組內(nèi)的缺陷視為同一接觸網(wǎng)設(shè)備產(chǎn)生。對每個(gè)信息簇統(tǒng)計(jì)P（近度：最近一次產(chǎn)生缺陷時(shí)間）、F（頻度:最近兩年每季度的缺陷個(gè)數(shù)）、M（幅度：缺陷最大值），得到該組缺陷的分類統(tǒng)計(jì)信息。最后利用pygraph可視化工具實(shí)時(shí)輸出每組缺陷關(guān)于日期、里程的散點(diǎn)分布圖，進(jìn)一步確認(rèn)缺陷的集中程度，具體界面如圖6。

圖6 動(dòng)檢缺陷聚類分組分析界面

4 檢測數(shù)據(jù)綜合分析

前文介紹了從龐大的數(shù)據(jù)中篩選高頻缺陷和突發(fā)缺陷的方法，實(shí)現(xiàn)了對缺陷庫的動(dòng)態(tài)分組管理，大大減少了需要關(guān)注數(shù)據(jù)的個(gè)數(shù)。為了更有效地指導(dǎo)檢修，還需要對缺陷數(shù)據(jù)進(jìn)行深度分析，判斷缺陷產(chǎn)生的原因和危險(xiǎn)程度。

接觸網(wǎng)是一個(gè)系統(tǒng)性工程，因此我們要充分利用各種數(shù)據(jù)，通過橫向關(guān)聯(lián)對比、縱向歷史追溯等方法，全面掌握缺陷設(shè)備的狀態(tài)變化。同樣，對同類型缺陷進(jìn)行專項(xiàng)綜合分析，找出各種可能原因中的共性因素，不僅可以幫我們找到快速識別該類型缺陷的方法，也可以指導(dǎo)現(xiàn)場對同類設(shè)備進(jìn)行補(bǔ)強(qiáng)，是一種靈活、有效地提高設(shè)備可靠性的方法。

我們編制程序，自動(dòng)將缺陷信息根據(jù)里程關(guān)聯(lián)線路基礎(chǔ)數(shù)據(jù)、檢測數(shù)據(jù)、生產(chǎn)數(shù)據(jù)等，分類匯總生成樹形數(shù)據(jù)結(jié)構(gòu)，以便分析人員根據(jù)需要進(jìn)行查詢。

4.1 線路基礎(chǔ)數(shù)據(jù)查詢

主要包括缺陷里程附近的軌道環(huán)境信息和接觸網(wǎng)設(shè)備信息。軌道環(huán)境信息主要包括鋼軌的曲線、豎曲線、坡度、橋梁、隧道、區(qū)間、通道門等。設(shè)備特征主要包括在關(guān)節(jié)、線岔、分相內(nèi)的具體位置、附近是否有電連接、硬橫梁等。

為了便于分析人員查看，將匹配到的每個(gè)信息條進(jìn)行計(jì)算，按照固定格式生成一個(gè)新字段。例如，曲線信息可以縮寫為：“曲線半徑”-“外軌超高”-“距起點(diǎn)長度”-“距終點(diǎn)長度”-“是否屬于緩和曲線”-“緩和曲線長度”。

4.2 歷史動(dòng)靜態(tài)波形查詢

主要包括對缺陷地點(diǎn)檢測的1C、4C的弓網(wǎng)波形數(shù)據(jù)的查詢。受制于1C、4C數(shù)據(jù)解析方法不開放，無法直接使用，所以我們利用python-win32工具調(diào)用波形查看軟件的操作系統(tǒng)接口，自動(dòng)對缺陷位置的每次檢測曲線進(jìn)行截圖，并附上本次檢測的車型、速度、檢測弓開口、所屬錨段CDI均值等信息。針對1C波形公里標(biāo)誤差較大的問題，我們根據(jù)CDI錨段數(shù)據(jù)庫中錨段的起始里程對缺陷里程進(jìn)行重定位，取得良好的對齊效果。

4.3 缺陷查詢

主要包括1C、2C、3C缺陷庫和檢修問題庫中與弓網(wǎng)關(guān)系相關(guān)的缺陷的查詢。并對查詢到的每類缺陷信息進(jìn)行梳理統(tǒng)計(jì)，合并生成一個(gè)字段，并鏈接到查詢到的各類數(shù)據(jù)表。合并字段包括缺陷頻次和缺陷類型兩個(gè)部分。缺陷頻度為當(dāng)前日期往前每三個(gè)月缺陷發(fā)生的次數(shù)，缺陷類型信息為缺陷類型和發(fā)生次數(shù)。例如，某缺陷的3C查詢結(jié)果為：“0-4-6-8-6_疑似中錨線夾燃弧:3_疑似燃弧:3-疑似吊弦松_2”。

5 總結(jié)與展望

動(dòng)檢數(shù)據(jù)分析方法是一個(gè)不斷發(fā)展的過程。我們在數(shù)據(jù)獲取廣度、分析深度上還有很大提升空間。我們將以近些年來多發(fā)的接觸網(wǎng)故障為問題導(dǎo)向，分析故障設(shè)備的典型特征，不斷改進(jìn)分析方法。對現(xiàn)有檢測設(shè)備無法覆蓋的風(fēng)險(xiǎn)，要加強(qiáng)技術(shù)攻關(guān)，改進(jìn)檢測設(shè)備，不斷縮小接觸網(wǎng)檢測與設(shè)備安全、現(xiàn)場維修之間的鴻溝。

此外，接觸網(wǎng)檢測管理正朝著大數(shù)據(jù)管理、智能分析方向不斷發(fā)展。通過建立局級、站級別的6c數(shù)據(jù)中心，實(shí)現(xiàn)不同檢測設(shè)備、不同類型檢測數(shù)據(jù)之間的互聯(lián)互通和多用戶實(shí)時(shí)操作，旨在解決數(shù)據(jù)孤島和信息傳遞效率低下的弊病。