基于缺陷统计和预测的接触网维修策略调整方法与流程

1.本发明属于轨道交通接触网健康评估领域，特别涉及基于缺陷统计和预测的接触网维修策略调整方法。


背景技术：

2.截止到2021年末，国内已开通地铁线路8000km，组建了相关专业管理和运维人员作为地铁线路的“医生”保障列车的正常运行，运维和管理人员以定期检修作业，发现缺陷上报运维管理中心后，由运维管理中心开具工作票，完成缺陷维修工作，其中巡检是发现故障或缺陷征兆的有效检查手段。
3.国内地铁运营多以周期检修和边检边修相结合的方式组织作业的传统作业方式开展，其检修周期分为季度修、半年修、年修、两年修等，巡视范围未结合时间和里程，造成巡检和维修资源无针对性，人工效率和资源利用率双低情形，多数依托友邻线路或友邻城市的经验，在摸索中完善被运营线路。


技术实现要素：

4.本发明针对现有技术中存在的技术问题，提供一种基于缺陷统计和预测的接触网维修策略调整方法，利用缺陷类型的时间信息和空间信息，挖掘重点缺陷类型在各个检修周期的分布所反映出的和变化规律，预测下一个检修周期内接触网系统重点缺陷类型发生的时间分布和高发位置，显著提高运营维护策略与被运营线路特点的匹配性，提高人员和资源利用率。
5.本发明采用的技术方案是：基于缺陷统计和预测的接触网维修策略调整方法，包括以下步骤：s1：将接触网实际现场收集的缺陷数据整合成接触网缺陷记录，接触网缺陷记录的信息包括时间和公里标，将接触网缺陷记录逐一描绘于以公里标和时间为坐标轴的二维平面上，得到接触网实际缺陷分布图；s2：结合接触网业务，给定簇划分数k的范围为[k1,k2]，针对接触网实际缺陷分布图，对每一个k值的聚类结果分别计算各簇的轮廓系数，选择轮廓系数最大的聚类结果，确定k值；使用kmeans聚类方法对接触网实际缺陷分布图进行时空划分，得到簇划分结果与各自质心；s3：对于以各簇质心为圆心，各簇内的数据点到对应簇质心的距离的中位数为圆半径，作圆；计算各个簇中在圆内点的个数占该簇的所有点的总个数的比例；第i个簇所对应的实际风险度，其中表示第i个簇在圆内数据点的个数，表示第i个簇所有点的总数；s4：基于步骤s1的接触网缺陷记录，通过应用长短期记忆神经网络对接触网缺陷
进行概率学预测，提取历史缺陷记录学习模型，历史缺陷记录学习模型的纵坐标为缺陷频度，横坐标为时间或公里标，预测缺陷频度；当预测缺陷时间频度和预测缺陷公里标频度的几何平均值超过时，定义为预测缺陷发生，得到接触网预测缺陷记录；接触网预测缺陷记录的信息包括时间和公里标；s5：接触网预测缺陷记录按照步骤s1的方法构建接触网预测缺陷分布图；再按照步骤s2-s3，计算得到簇划分结果及各簇对应的预测风险度；s6：根据步骤s4的接触网预测缺陷记录和步骤s5的簇划分结果及各簇对应的预测风险度，调整维修策略，确定维修频率和维修重点。
[0006]
进一步的，步骤s2中，轮廓系数，其中，为该条缺陷记录在分布平面上距离同簇内其他缺陷记录的平均距离，该条缺陷记录在分布平面上距离其他簇内其他缺陷记录的平均距离，所有缺陷记录的轮廓系数的均值为本次聚类结果的轮廓系数。
[0007]
进一步的，步骤s2中，k1为2,k2为20。
[0008]
进一步的，步骤s5中，为60%。
[0009]
进一步的，步骤s6中，根据接触网预测缺陷记录的数量确定维修频率；某个簇的预测风险度数值越大，说明在该簇对应的公里标和时间的接触网缺陷发生的几率越大，确定为维修重点。
[0010]
与现有技术相比，本发明所具有的有益效果是：1.本发明将实际缺陷分布和预测缺陷分布纳入考量，更为全面的评价接触网系统的运行情况，是“定期修”向“状态修”转变的重要一环。
[0011]
2．本发明将传统固定检修时间和空间调整为基于缺陷统计的缺陷簇空间和时间，向一线人员给出了明确的高风险时期和巡检区域，降低缺陷和事故发生率。
[0012]
3．本发明具有风险评估和改善动态调整功能，为接触网系统零部件寿命预测和健康评定提供数据支撑。
附图说明
[0013]
图1为本发明实施例的流程图；图2为本发明实施例的接触网实际缺陷分布图；图3为本发明实施例的缺陷频度-时间或公里标图；图4为本发明实施例的预测结果与标准值的对比图；图5为本发明实施例的预测缺陷数量统计分布图。
具体实施方式
[0014]
为使本领域技术人员更好的理解本发明的技术方案，下面结合附图和具体实施例对本发明作详细说明。
[0015]
本发明的实施例提供了一种基于缺陷统计和预测的接触网维修策略调整方法，如图1所示，其包括以下步骤：s1：将接触网实际现场收集的缺陷数据整合成接触网缺陷记录，接触网缺陷记录的信息包括时间和公里标，将接触网缺陷记录逐一描绘于以公里标和时间为坐标轴的二维平面上，得到接触网实际缺陷分布图，如图2所示。接触网实际缺陷分布图中的每个点代表一个接触网缺陷记录。
[0016]
s2：结合接触网业务，给定簇划分数k的范围为[k1,k2]，k1为2,k2为20。针对接触网实际缺陷分布图，对每一个k值的聚类结果分别计算各簇的轮廓系数，选择轮廓系数最大的聚类结果，确定k值。
[0017]
轮廓系数，其中，为该条缺陷记录在分布平面上距离同簇内其他缺陷记录的平均距离，该条缺陷记录在分布平面上距离其他簇内其他缺陷记录的平均距离，所有缺陷记录的轮廓系数的均值为本次聚类结果的轮廓系数。
[0018]
结合k值，使用kmeans聚类方法对接触网实际缺陷分布图进行时空划分，得到簇划分结果与各自质心；具体计算步骤为：第一步，缺陷记录在接触网实际缺陷分布图中的点集合，其中为所有缺陷总数，规定最大迭代次数。
[0019]
第二步，迭代求解：从集合中随机选择i条缺陷记录作为初始的个质心：，i为簇划分数的值，计算每条缺陷记录与各个质心之间的距离，将划分至最小时空距离所对应的质心的簇；根据中的所有缺陷记录重新计算新的质心，再重新计算每条缺陷记录与各个质心的最小时空距离，更新；直到连续两次迭代中所有质心不发生变化或迭代次数达到最大迭代次数，得到簇划分结果与各自质心。
[0020]
s3：对于以各簇质心为圆心，各簇内的数据点到对应簇质心的距离的中位数为圆半径，作圆；计算各个簇中在圆内点的个数占该簇的所有点的总个数的比例；第i个簇所对应的实际风险度，其中表示第i个簇在圆内数据点的个数，表示第i个簇所有点的总数。
[0021]
s4：基于步骤s1的接触网缺陷记录，通过应用长短期记忆神经网络对接触网缺陷进行概率学预测，提取历史缺陷记录学习模型，历史缺陷记录学习模型的纵坐标为缺陷频度，横坐标为时间或公里标，预测缺陷频度，如图3所示。由于实际缺陷分布图在实际作业记
录过程中有可能缺失数据，采用均值填充来完成缺失数据填充，即缺失位置的值等于前后实际值的均值。当预测缺陷时间频度和预测缺陷公里标频度的几何平均值超过时，定义为预测缺陷发生，得到接触网预测缺陷记录；接触网预测缺陷记录的信息包括时间和公里标。为60%。
[0022]
历史缺陷记录学习模型进行定位装置缺陷频度预测，接触网实际现场收集的缺陷数据来源于京广高铁某接触网工区的等电位线散股、定位管帽脱落、防风拉线变形、定位环装反等缺陷数据。
[0023]
数据公里标范围：k1980+323始330km范围。
[0024]
数据时间范围：2016年11月1日至2020年11月30日。
[0025]
其中2016年11月至2019年12月的数据用作历史缺陷记录学习模型， 2020年1月至12月的定位装置缺陷为预测缺陷，使用数据源中的对应记录作为实际次数与预测次数对比校验。原始数据记录如表1：表1 实际缺陷原始数据统计表发现日期数量发现日期数量2016/0102017/0162016/0202017/0212016/0302017/0302016/0402017/0402016/0502017/0582016/0602017/0652016/0702017/0702016/0802017/0842016/0902017/09482016/1002017/10132016/1112017/1132016/1202017/1282018/01302019/01262018/0202019/02272018/03122019/03202018/04582019/0442018/0502019/0562018/0602019/0602018/0702019/0712018/0812019/08372018/09182019/09122018/1002019/10432018/1162019/113
2018/1232019/12242020/01382020/07542020/02352020/0892020/03992020/0902020/04652020/10342020/05302020/1102020/0619
ꢀꢀ
预测结果与标准值的对比图如图4所示。定位装置缺陷的预测达成率81%，缺陷发展趋势的短期预测具有较好的效果。
[0026]
s5：接触网预测缺陷记录按照步骤s1的方法构建接触网预测缺陷分布图；再按照步骤s2-s3，计算得到预测簇划分结果及各簇对应的预测风险度。
[0027]
s6：根据步骤s4的接触网预测缺陷记录和步骤s5的簇划分结果及各簇对应的预测风险度，调整维修策略，确定维修频率和维修重点。
[0028]
某个簇的预测风险度数值越大，说明在该簇对应的公里标和时间的接触网缺陷发生的几率越大，确定为维修重点，向一线人员给出了明确的高风险时期和巡检区域。
[0029]
根据接触网预测缺陷记录的数量确定维修频率。例如：如图5所示，一年周期的月份预测缺陷数量统计分布，缺陷发生数量大于月平均数量2倍的月份记为缺陷发生峰值点。由于最小维修周期为季度修，若两相邻峰值点距离小于等于3个月，将其合并视为一个峰值点。若缺陷发生峰值点个数小于等于1，表示该缺陷发生率保持稳定，建议该类维修计划修程为“年修”或“两年修”；若缺陷发生峰值点个数为2，建议该类维修计划修程为“半年修”；若缺陷发生峰值点个数为3或4，建议该类维修计划修程为“季度修”。图5中，缺陷总数量为74个，月平均数量为6.17个，超过月平均数量2倍的月份为2月和8月，即2月和8月为缺陷发生峰值点。2月和8月的距离大于3个月，因此，缺陷发生峰值点个数为2，建议该类维修计划修程为“半年修”。
[0030]
以上通过实施例对本发明进行了详细说明，但所述内容仅为本发明的示例性实施例，不能被认为用于限定本发明的实施范围。本发明的保护范围由权利要求书限定。凡利用本发明所述的技术方案，或本领域的技术人员在本发明技术方案的启发下，在本发明的实质和保护范围内，设计出类似的技术方案而达到上述技术效果的，或者对申请范围所作的均等变化与改进等，均应仍归属于本发明的专利涵盖保护范围之内。