本发明属于轨道交通,特别涉及一种钢轨折断时间预测方法、装置、电子设备及介质。
背景技术:
1、钢轨是轨道结构的组成设备,对轨道的整体性能至关重要,作为基础设备,钢轨直接承受机车、车辆的荷载,其作用主要是引导机车车辆按规定的方向运行,并将来自车轮的压力和冲击力向其他轨道部件传递,如轨枕和扣件等,它的强度和状态直接关系到铁路列车运行安全。钢轨状态随着机车循环载荷的不断作用和环境、材质和管理变化等的影响逐渐劣化,达到疲劳极限后可能会发生钢轨折断。对此,现有技术方案按照研究方法的不同大致分为两大类:
2、(1)从伤损产生机理分析钢轨折断的风险可能性。一般采用钢轨疲劳试验、轮轨系统动力学、断裂力学理论、机械性能试验等金属物理试验方法对钢轨伤损产生、发展至疲劳极限的周期进行预测。但是钢轨伤损类型丰富,包括轨头内部核伤、剥离掉块、疲劳裂纹等疲劳伤损病害以及轨面凹陷、磨耗、压溃和辗边等,不同伤损类型的产生机理劣化原因均具有差异性,因此通过研究其中一种病害的劣化机理,而且是在实验条件下,忽略了实际中环境的影响作用,这种条件下得出的预测结果可能会和实际结果产生误差,但是能够分析某种因素对风险发生可能性的强弱程度。
3、(2)基于失效统计分析构建的钢轨折断概率预测模型。一般利用钢轨历史状态监测数据和历史断轨数据,通过非线性回归、逻辑回归、泊松回归等统计回归分析方法进行预测,逐步发展为通过k近邻算法、贝叶斯方法、支持向量机、模糊逻辑和神经网络等机器学习方法进行预测。此类方案考虑的影响因素已经较为全面,包括空间位置、气象条件、钢轨材质、钢轨轨型、历史维修作业、列车循环荷载及钢轨状态实际检测结果等,但是其研究对象划分比较宽泛,最细节的达到1km,较少数可达到200m,但是我国钢轨的标准长度为12.5m和25m,无缝钢轨的产生也是以100m钢轨为基础在室内进行焊接打磨而成的,而且实际钢轨换轨作业并非是1公里和200米钢轨统一更换,而是根据伤损情况确定更换位置和更换长度。据统计,2013年神朔铁路河西运输段钢轨更换情况,其钢轨更换长度在3米至25米之间,所以,采用失效统计分析模型,其预测对象需要更加精细化。
4、现有技术方案存在如下缺点:
5、(1)缺乏对钢轨折断影响因素的全面考虑。钢轨劣化过程中受到人、机、环、管等多种因素的影响,利用某一种影响因素来预测钢轨折断周期过于片面,存在预测结果误差较大的问题;偏向于利用累计通过总重、轨道曲线和坡度等单一或较少的因素来预测钢轨折断周期,缺乏对多种因素的综合考虑。
6、(2)研究对象通常是对较长线路范围内的钢轨折断周期进行分析,较为精准的采用1km的固定长度进行分析。钢轨是一种长大分布的线性铁路资产,沿线达几十上百上千公里,沿线的工务管理和维修人员不同,地质环境变化多样,钢轨本身铺设的材质等质量状态也存在差异,较长范围内,如1km范围内这些因素都存在变化的可能性,所以需要将钢轨划分为更为精准的评估区段来作为研究对象。
技术实现思路
1、本发明提出一种钢轨折断时间预测方法、装置、电子设备及介质,可以有效提高预测钢轨折断时间的准确度。
2、针对上述问题,本发明采用如下技术方案:
3、第一方面,提供一种钢轨折断时间预测方法,包括:
4、构建训练样本,训练样本包括样本钢轨的状态影响因素的量化评定结果,样本钢轨的状态影响因素包括如下一项或多项:计算型影响因素、分类型影响因素、或实测型影响因素;
5、将训练样本输入bp神经网络进行训练,得到钢轨折断时间预测模型;
6、将待预测钢轨的状态影响因素的量化评定结果输入钢轨折断时间预测模型,得到待预测钢轨的折断时间。
7、可选地,计算型影响因素包括如下一项或多项:钢轨伤损情况、曲线区段、坡度区段、24h昼夜温差、探伤人员业务水平、维修人员业务水平、或年均通过总重;
8、其中,钢轨伤损情况的量化评定结果满足:
9、(1)
10、其中,为预设区段内伤损等级为轻伤的钢轨数量,为预设区段内伤损等级为预设区段内轻伤发展的钢轨数量,为预设区段内伤损等级为重伤的钢轨数量;
11、曲线区段的量化评定结果满足:
12、(2)
13、其中,为预设区段内的曲线半径,为预设区段内的曲线长度;
14、坡度区段的量化评定结果满足:
15、(3)
16、其中,为预设区段内的线路坡度值,为预设区段内的坡度区段长度;
17、24h昼夜温差的量化评定结果满足:
18、(4)
19、其中,为预设区段所在区域的24h最高温度,为预设区段所在区域24h最低温度;
20、探伤人员业务水平的量化评定结果满足:
21、(5)
22、其中,为预设区段的钢轨探伤人员年内第 n次业务考试成绩,, n、 n均为正整数;
23、维修人员业务水平的量化评定结果满足:
24、(6)
25、其中,为预设区段的钢轨维修人员年内第m次业务考试成绩,, m、 m均为正整数;
26、年均通过总重的量化评定结果满足:
27、(7)
28、其中,为预设区段的最近k年中第k年的钢轨累计通过总重,, k、 k均为正整数。
29、可选地,分类型影响因素包括如下一项或多项:钢轨伤损漏检、钢轨类型、钢轨材质、钢轨特性、特殊地质路段、线路关键路段、钢轨超期服役、或伤损处置情况;
30、其中,钢轨伤损漏检的量化评定结果满足:
31、(8)
32、钢轨类型的量化评定结果满足:
33、(9)
34、钢轨材质的量化评定结果满足:
35、(10)
36、钢轨特性的量化评定结果满足:
37、(11)
38、特殊地质路段的量化评定结果满足:
39、(12)
40、线路关键路段的量化评定结果满足:
41、(13)
42、钢轨超期服役的量化评定结果满足:
43、(14)
44、伤损处置情况的量化评定结果满足:
45、(15)。
46、可选地,实测型影响因素包括如下一项或多项:钢轨焊缝数量、或路基沉降上拱量;
47、其中,钢轨焊缝因素的量化评定结果满足:
48、(16)
49、其中,为预设长度的区段内钢轨焊缝数量;
50、路基沉降上拱量的量化评定结果满足:
51、(17)
52、其中,为预设区段内路基沉降上拱数值。
53、可选地,该方法还包括:
54、根据待预测钢轨的折断时间,确定待预测钢轨的剩余生存时间。
55、进一步地,待预测钢轨的剩余生存时间满足:钢轨剩余生存时间=预测钢轨折断周期-(当前时刻-钢轨上道使用时刻或最近一次钢轨大修换轨时刻)。
56、第二方面,提供一种钢轨折断时间预测装置,包括:
57、构建模块,用于构建训练样本,训练样本包括样本钢轨的状态影响因素的量化评定结果,样本钢轨的状态影响因素包括如下一项或多项:计算型影响因素、分类型影响因素、或实测型影响因素;
58、训练模块,用于将训练样本输入bp神经网络进行训练,得到钢轨折断时间预测模型;
59、预测模块,用于将待预测钢轨的状态影响因素的量化评定结果输入钢轨折断时间预测模型,得到待预测钢轨的折断时间。
60、可选地,计算型影响因素包括如下一项或多项:钢轨伤损情况、曲线区段、坡度区段、24h昼夜温差、探伤人员业务水平、维修人员业务水平、或年均通过总重;
61、其中,钢轨伤损情况的量化评定结果满足:
62、(1)
63、其中,为预设区段内伤损等级为轻伤的钢轨数量,为预设区段内伤损等级为预设区段内轻伤发展的钢轨数量,为预设区段内伤损等级为重伤的钢轨数量;
64、曲线区段的量化评定结果满足:
65、(2)
66、其中,为预设区段内的曲线半径,为预设区段内的曲线长度;
67、坡度区段的量化评定结果满足:
68、(3)
69、其中,为预设区段内的线路坡度值,为预设区段内的坡度区段长度;
70、24h昼夜温差的量化评定结果满足:
71、(4)
72、其中,为预设区段所在区域的24h最高温度,为预设区段所在区域24h最低温度;
73、探伤人员业务水平的量化评定结果满足:
74、(5)
75、其中,为预设区段的钢轨探伤人员年内第 n次业务考试成绩,, n、 n均为正整数;
76、维修人员业务水平的量化评定结果满足:
77、(6)
78、其中,为预设区段的钢轨维修人员年内第m次业务考试成绩,, m、 m均为正整数;
79、年均通过总重的量化评定结果满足:
80、(7)
81、其中,为预设区段的最近k年中第k年的钢轨累计通过总重,, k、 k均为正整数。
82、可选地,分类型影响因素包括如下一项或多项:钢轨伤损漏检、钢轨类型、钢轨材质、钢轨特性、特殊地质路段、线路关键路段、钢轨超期服役、或伤损处置情况;
83、其中,钢轨伤损漏检的量化评定结果满足:
84、(8)
85、钢轨类型的量化评定结果满足:
86、(9)
87、钢轨材质的量化评定结果满足:
88、(10)
89、钢轨特性的量化评定结果满足:
90、(11)
91、特殊地质路段的量化评定结果满足:
92、(12)
93、线路关键路段的量化评定结果满足:
94、(13)
95、钢轨超期服役的量化评定结果满足:
96、(14)
97、伤损处置情况的量化评定结果满足:
98、(15)。
99、可选地,实测型影响因素包括如下一项或多项:钢轨焊缝数量、或路基沉降上拱量;
100、其中,钢轨焊缝因素的量化评定结果满足:
101、(16)
102、其中,为预设长度的区段内钢轨焊缝数量;
103、路基沉降上拱量的量化评定结果满足:
104、(17)
105、其中,为预设区段内路基沉降上拱数值。
106、可选地,预测模块,还用于根据待预测钢轨的折断时间,确定待预测钢轨的剩余生存时间。
107、进一步地,待预测钢轨的剩余生存时间满足:钢轨剩余生存时间=预测钢轨折断周期-(当前时刻-钢轨上道使用时刻或最近一次钢轨大修换轨时刻)。
108、第三方面,提供一种电子设备,包括:处理器,处理器与存储器耦合;
109、其中,处理器,用于读取并执行存储器存储的程序或指令,使得装置执行第一方面所述的方法。
110、第四方面,提供一种计算机可读存储介质,存储有程序或指令,当计算机读取并执行程序或指令时,使得计算机执行第一方面所述的方法。
111、基于本发明提供的钢轨折断时间预测方法、装置、电子设备及介质,可以将钢轨的状态影响因素划分为计算型影响因素、分类型影响因素、或实测型影响因素这三类因素,然后基于该三类因素的量化评定结果构建训练样本,来训练训练钢轨折断时间预测模型,该钢轨折断时间预测模型基于bp神经网络,可以高效率学习各类钢轨状态影响因素在钢轨生命周期中的影响力大小,可以解决现有钢轨折断时间预测方案对钢轨折断时间只能定性预测无法定量预测的问题,从而提高预测钢轨折断时间的准确性。
112、进一步地,还可以基于钢轨折断时间的预测值预测钢轨的剩余生存时间,以便对存在较高折断风险或临近使用寿命终点的钢轨及时维修或更换,从而提高轨道交通的安全性。
113、本发明的其它特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点可通过在说明书、权利要求书以及附图中所指出的结构来实现和获得。