一种基于人工智能和大数据的工务断轨风险预测方法技术

一种基于人工智能和大数据的工务断轨风险预测方法，根据历史伤损数据中的位置坐标使用基于K

【技术实现步骤摘要】
一种基于人工智能和大数据的工务断轨风险预测方法


[0001]本专利技术涉及探伤
，特别涉及一种基于人工智能和大数据的工务断轨风险预测方法。

技术介绍

[0002]断轨是指构成轨道电路必要的电流通路的钢轨，由于机械损伤或者应力积累等原因，发生断裂且处于完全电气断离的状态。断轨对列车的行车安全构成极大威胁，是造成多次客货列车脱轨事故的直接原因。因此，对断轨的预警与实时检查成为必要的监测内容。
[0003]目前，无论计轴系统、还是基于卫星定位的系统还是基于通信的定位，均无法实时反映线路是否完整的特性，轨道检查车辆根据特定周期检查，不具备实时性。而轨道电路利用钢轨作为其电流通路，发生在钢轨上的电路结构变化，如分路、断裂等，将实时影响接收器的接收电压，正是基于这一特点，轨道电路成为目前几乎唯一有可能实时断轨检查的工具。无论是自然衰耗式还是电气隔离式的无绝缘轨道电路，均是利用断轨时轨道电路接收器接收的电压发生跌落的原理。在发生断轨之前，钢轨作为电信号的良好传导体，可将发送器发出的信号有效传导至接收器，当钢轨某处断离时，钢轨中电流发生中断，由发送器送出的电流只能绕过断轨点才能到达接收器。通常，电流还可以经由钢轨
‑
道砟电阻
‑
大地
‑
道砟电阻
‑
钢轨的通路流向接收器，但与作为良导体的钢轨相比，上述绕道通路的阻抗大大增加，导致能到达接收器的电流在断轨后大大减少，接收电压发生跌落。
[0004]然而，为保障铁道钢轨、道床人员的人身安全，钢轨一般会有接地措施以降低牵引电流带来的钢轨电压抬升。这种接地是通过将轨道电路的空心线圈或者扼流变的中心点与轨旁接地线相连实现的，也叫作横向连接。横向连接对轨道电路的断轨检查有重要的影响，因为信号电流可通过由发送端通过横向连接线经由轨旁接地线到达接收端的通路继续流向接收器。横向连接造成的电流通路会使得接收器的断轨残压增大。而近年来重载、高速铁路中的牵引电流越来越大，为降低钢轨电压，则需要减小两个横向连接之间的距离，而这一距离的减小又进一步压缩电压跌落式断轨检查技术的断轨检查裕量。
[0005]为保证断轨检查而给轨道电路带来了限制和问题，目前存在如下问题：
[0006]在区间，横向连接及接地是确保轨面人身安全电压的条件，同时也构成了钢轨的外部迂回回路，可能会导致钢轨断轨无法得到检查。为了保证外部回路阻抗，必须对其外部回路的设置间距进行了限制。
[0007]在站内，为了防止轨道电路外部迂回回路造成轨道电路丧失分路，必须在一侧回流位置采用单扼流或断开扼流中点连接线。在客专线路上，这种连接线方式引发回流不畅击穿绝缘、车轮过绝缘节时电路切断引发电弧灼伤绝缘节和钢轨轨头。

技术实现思路

[0008]为了克服现有技术中存在的缺陷，本专利技术提供一种基于人工智能和大数据的工务断轨风险预测方法，本专利技术提供如下技术方案：
[0009]一种基于人工智能和大数据的工务断轨风险预测方法，其特征在于：
[0010]1)根据历史伤损数据中的位置坐标使用基于K
‑
means的局类模型对伤损数据进行聚类，获取伤损数据在空间上的分布区域{(x
i
，y
i
，r
i
，n
i
)}，其中(x
i
，y
i
)为聚类区域的中心坐标，r
i
为聚类区域的半径，n
i
为聚类区域中点的数量；
[0011]2)对任一个聚类区域(x
i
，y
i
，r
i
，n
i
)，获取每一个数据的时间特征t
j
， j＝1，...，n
i
，获取时间特征t
j
大于设定的第一判断阈值ts1的数据个数m1，获取时间特征t
j
大于设定的第二判断阈值ts2的数据个数m2，计算得到聚类区域的趋势得分
[0012][0013]其中c1为历史数据训练的第一修正常数，c2为历史数据训练的第二修正常数；
[0014]3)获取任一个聚类区域(x
i
，y
i
，r
i
，n
i
)的近两次换轨年份的时间特征ye
i
，ya
i
，获取区域内时间特征在[ye
i
，ya
i
]区间内的数据个数m3，在[0，ye
i
]区间内的数据个数m4，计算得到聚类区域的换轨得分
[0015][0016]其中c3为历史数据训练的第三修正常数；
[0017]4)获取每一个聚类区域(x
i
，y
i
，r
i
，n
i
)断轨前的垂磨、侧磨、维护次数，并根据断轨区域的轨型w、断轨天气q、轨道种类s等特征将断轨数据分为新的轨道区域，获取每一个轨道区域O
w，q，s
内的平均垂磨g1
w，q，s
、侧磨g2
w，q，s
、维护次数g3
w，q，s
；
[0018]5)对于检测区域获取区域中心(x
o
，y
o
)，获取区域的垂磨g1、侧磨g2、维护次数g3，根据区域的轨型w、断轨天气q、轨道种类s等特征获取与区域相似度最高的轨道区域，得到轨道区域O
w，q，s
的平均垂磨g1
w，q，s
、侧磨g2
w，q，s
、维护次数g3
w，q，s
[0019]获取区域与伤损聚类区域(x
i
，y
i
，r
i
，n
i
)中心的距离
[0020][0021]当d
i
＜r
i
时，计算得到区域断轨得分
[0022]g
d
＝(g
t
g
c
+1)(max(0，g1‑
g1
w，q，s
)+max(0，g2‑
g2
w，q，s
)+max(0，g1
w，q，s
‑
g3))
[0023]当d
i
≥r
i
时，计算得到区域断轨得分
[0024]g
d
＝c4(max(0，g1‑
g1
w，q，s
)+max(0，g2‑
g2
w，q，s
)+max(0，g1
w，q，s
‑
g3))
[0025]其中c4为历史数据训练的第四修正常数，当g
d
大于设定的第三判断阈值 ts3时，判定区域有断轨风险。
具体实施方式
[002本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于人工智能和大数据的工务断轨风险预测方法，其特征在于：1)根据历史伤损数据中的位置坐标使用基于K
‑
means的局类模型对伤损数据进行聚类，获取伤损数据在空间上的分布区域{(x
i
，y
i
，r
i
，n
i
)}，其中(x
i
，y
i
)为聚类区域的中心坐标，r
i
为聚类区域的半径，n
i
为聚类区域中点的数量；2)对任一个聚类区域(x
i
，y
i
，r
i
，n
i
)，获取每一个数据的时间特征t
j
，j＝1，...，n
i
，获取时间特征t
j
大于设定的第一判断阈值ts1的数据个数m1，获取时间特征t
j
大于设定的第二判断阈值ts2的数据个数m2，计算得到聚类区域的趋势得分其中c1为历史数据训练的第一修正常数，c2为历史数据训练的第二修正常数；3)获取任一个聚类区域(x
i
，y
i
，r
i
，n
i
)的近两次换轨年份的时间特征ye
i
，ya
i
，获取区域内时间特征在[ye
i
，ya
i
]区间内的数据个数m3，在[0，ye
i
]区间内的数据个数m4，计算得到聚类区域的换轨得分其中c3为历史数据训练的第三修正常数；4)获取每一个聚类区域(x
i
，y
i
，r
i
，n
i
)断轨前的垂磨、侧磨、维护次数，并根据断轨区域的轨型...

【专利技术属性】
技术研发人员：梁帆，黄彩明，黄俊，刘勇，徐应立，高麟，唐军，李峰立，龙尚荣，付川，张刚，袁言，郝俊，鞠醒，刘大鹏，余旸，
申请(专利权)人：成都铁路科创有限责任公司，
类型：发明
国别省市：