孫 雷 余朝剛 馮 超 秦 鑫

（上海工程技術(shù)大學城市軌道交通學院 上海 201620）

1 引言

截止2016年底，中國高鐵的運營里程已經(jīng)達到了2萬Km，占到了世界高速鐵路通車總里程的60%以上［1］。隨著高速列車進一步提速，加劇了軌道狀態(tài)的惡化速度，增加了養(yǎng)護維修的負擔，同時行車密度的增加又縮短了養(yǎng)護維修的天窗時間，這對鐵路工務(wù)部門提出來嚴峻的挑戰(zhàn)［2］。

針對上述問題，國內(nèi)外開展長期的研究與探索。如應用較早的日本新干線，先后開發(fā)了新干線信息管理系統(tǒng)SMIS、東海新干線養(yǎng)護管理系統(tǒng)TOSMA、東日本設(shè)備管理系統(tǒng)EWS。后期上線投入使用的COSMOS系統(tǒng)，功能更加完善［3］。美國的鐵路工務(wù)管理系統(tǒng)較經(jīng)典的有軌道養(yǎng)護決策支持系統(tǒng)SMS、鋼鐵更換輔助管理系統(tǒng)REPOMEAN等［4］。其中SMS系統(tǒng)可以根據(jù)軌道養(yǎng)護標準的等級，制定輔助養(yǎng)護維修計劃，為線路養(yǎng)護提供決策支持，REPOMEAN系統(tǒng)主要基于技術(shù)經(jīng)濟分析模型，對鐵路軌道更換計劃方法進行優(yōu)化，降低鐵路運營成本［5］。

國內(nèi)也做了一些關(guān)于工務(wù)維護管理信息化的研究開發(fā)工作，原鐵道部推出了鐵道工務(wù)信息管理系統(tǒng)PWMIS，承接工務(wù)部門的主要業(yè)務(wù)［6］。國內(nèi)工務(wù)維護管理系統(tǒng)一般能實現(xiàn)數(shù)據(jù)管理、統(tǒng)計、查詢等功能，仍與國外工務(wù)管理信息系統(tǒng)存在差距，對數(shù)據(jù)的深層挖掘和應用不足［7］，普遍缺少決策支持功能。針對數(shù)據(jù)的挖掘和應用，代表性的有杉木德平根據(jù)歷史軌檢數(shù)據(jù)提出的軌道不平順發(fā)展S式預測模型、內(nèi)田雅夫等［8］提出的新軌道下沉預測模型；歐洲ECOTRACK軌道不平順發(fā)展模型［9］；我國學者曲建軍［10］提出基于非等時距加權(quán)灰色理論的軌道不平順預測模型，對TQI序列的短期和中、長期進行預測分析；張念［11］提出基于數(shù)據(jù)選擇向量的非等時距灰色模型和神經(jīng)網(wǎng)絡(luò)預測理論結(jié)合的預測方法。

本文提出一種基于B/S的鐵路公務(wù)維修輔助平臺，解決現(xiàn)有鐵路工務(wù)段出現(xiàn)的問題，輔助平臺提供開發(fā)了設(shè)備管理、軌道檢測、養(yǎng)護維修等模塊，并對軌道質(zhì)量指數(shù)歷史檢測數(shù)據(jù)進行挖掘與應用，開發(fā)了TQI超限預測模塊，為工務(wù)養(yǎng)護維修計劃的制定提供技術(shù)支持。

2 鐵路工務(wù)維護數(shù)據(jù)分析

2.1 檢測數(shù)據(jù)的分析

軌道檢測從內(nèi)容上劃分為軌道部件狀態(tài)檢測、軌道幾何形位檢測和行車穩(wěn)定性檢測，從檢測方式上劃分為動、靜態(tài)檢測數(shù)據(jù)和鋼軌檢測數(shù)據(jù)等［12］。

靜態(tài)檢測數(shù)據(jù)一般通過軌檢儀、安博格小車、GEDO小車、人工線路檢查獲得。動態(tài)檢測數(shù)據(jù)主要包括動檢車數(shù)據(jù)和添乘儀數(shù)據(jù)。綜合檢測列車每10～15天檢測一遍；動車組車載檢測儀，每天對線路檢測一次。鋼軌檢測主要使用探傷車對正線鋼軌進行檢測每年不少于7遍［13］。

2.2 設(shè)備維修數(shù)據(jù)分析

線路維修數(shù)據(jù)主要是在線路周期檢修、經(jīng)常保養(yǎng)和臨時補修過程中對作業(yè)狀況備注和設(shè)備更換記錄產(chǎn)生的數(shù)據(jù)。

周期檢修主要針對鋼軌、道岔、扣件、無砟道床、無縫線路和軌道幾何行為的檢修。經(jīng)常保養(yǎng)主要針對靜態(tài)檢測結(jié)果對線路設(shè)備進行經(jīng)常性修理，保證線路的均衡狀態(tài)。臨時補修針對軌道幾何尺寸超過臨時補修容許偏差管理值或軌道設(shè)備傷損狀態(tài)影響正常使用的地方進行的臨時補休，保證行車安全與舒適性。

3 鐵路工務(wù)維修輔助平臺設(shè)計

3.1 組織結(jié)構(gòu)與業(yè)務(wù)劃分

我國高速鐵路工務(wù)維修管理實行屬地化管理和“檢、修”分開的管理體系，基層組織結(jié)構(gòu)和業(yè)務(wù)劃分如圖1所示。

圖1 基層組織結(jié)構(gòu)及業(yè)務(wù)劃分圖

3.2 系統(tǒng)的結(jié)構(gòu)設(shè)計

系統(tǒng)由設(shè)備子系統(tǒng)、檢測信息子系統(tǒng)、維修信息子系統(tǒng)、軌道質(zhì)量指數(shù)超限預測子系統(tǒng)組成。各子系統(tǒng)均能實現(xiàn)數(shù)據(jù)的錄入、刪除、修改、查詢基本功能。在軌道質(zhì)量指數(shù)超限預測子系統(tǒng)中能夠通過對錄入的歷史軌道質(zhì)量指數(shù)數(shù)據(jù)進行挖掘，采用基于非等時距GM（1，1）模型進行超限預測。系統(tǒng)的總體結(jié)構(gòu)圖如圖2所示。

圖2 系統(tǒng)總體結(jié)構(gòu)圖

3.3 數(shù)據(jù)表詳細設(shè)計

數(shù)據(jù)表結(jié)構(gòu)的設(shè)計包括：字段名稱、數(shù)據(jù)類型、中文名稱、數(shù)據(jù)的長度限制。下面列舉部分數(shù)據(jù)表信息如表1、表2、表3所示。

表1 用戶信息表（USER）

表2 動檢超限表（DDO）

表3 軌道質(zhì)量指數(shù)表（TQI）

3.4 系統(tǒng)功能的實現(xiàn)

數(shù)據(jù)錄入、查詢、更新、刪除和數(shù)據(jù)輸出是數(shù)據(jù)庫系統(tǒng)的基本功能［14］，每個基本表都應該實現(xiàn)，根據(jù)各個子系統(tǒng)的特點，設(shè)計開發(fā)表特有的功能。

3.4.1 查詢功能

實現(xiàn)對于工務(wù)線路、橋梁、路基、涵洞、隧道、車站等各種信息的圖文查詢，同時能實現(xiàn)特殊要求的條件查詢［15］。

3.4.2 數(shù)據(jù)更新與維護功能

實時更新軌道動態(tài)信息和養(yǎng)護作業(yè)的維修計劃，并且做到數(shù)據(jù)的一致性和完整性，提供分布式存儲的數(shù)據(jù)能夠同步上傳、下載、備份恢復等。

3.4.3 用戶權(quán)限管理

為了對數(shù)據(jù)進行保護，提高輔助平臺的安全性，對用戶設(shè)置權(quán)限管理，根據(jù)工種，職位等要求，分別設(shè)置用戶的權(quán)限。

3.4.4 數(shù)據(jù)挖掘和應用的功能

能夠?qū)v史數(shù)據(jù)，進行挖掘，預測軌道質(zhì)量指數(shù)發(fā)展趨勢，對維修計劃編制工作起到指導作用。

發(fā)挖掘技術(shù)方案如圖3所示。

圖3 數(shù)據(jù)挖掘技術(shù)方案

3.5 數(shù)據(jù)庫選擇與開發(fā)環(huán)境

考慮Oracle數(shù)據(jù)庫的平臺通用性強，性能強大，并提供了分布式數(shù)據(jù)庫等優(yōu)點［16］，本系統(tǒng)選擇Oracle Database 11g數(shù)據(jù)庫。選擇JavaScript、HTML和Java作為前后端開發(fā)語言。

4 軌道質(zhì)量指數(shù)超限預測模型

4.1 非等時距GM（1，1）模型的建立

設(shè)檢測的原始序列為

時間序列間隔差為

X(1)為非等時距Δti后的累加生成數(shù)列：

令x(1)(t1)=x(0)(t1)；

通過生成的X(1)序列建立白化形式的微分方程：

對式（4）在區(qū)間[ti-1，ti]進行積分，可以推得：

通過最小二乘法求（5）中參數(shù)a，u的估計值：

根據(jù)上述公式求出的a，u為常參數(shù)。

則微分方程（4）的時間響應函數(shù)為

通過逆生成還原響應函數(shù)，由式（9）得到原始數(shù)據(jù)列的擬合值為

得到GM（1，1）模型預測值為

4.2 背景值優(yōu)化

本文模型利用積分重構(gòu)GM（1，1）模型背景值的方法減小背景值的構(gòu)造誤差。

公式中c，r為待定系數(shù)：

4.3 基于組合殘差修正的預測模型

上述灰色時變模型可對原始序列的發(fā)展趨勢進行預測，但是模型擬合出的軌道質(zhì)量指數(shù)曲線較為平緩，不能滿足TQI的隨機波動性。因此提出的殘差修正模型利用諧波分析構(gòu)造周期波形模型來反應殘差波形中大部分的周期成分，再針對隨機波形成分，用正弦曲線殘差模型去進行補償。得到組合殘差修正函數(shù)。已知為殘差序列。設(shè)殘差數(shù)列為

諧波分析殘差擬合函數(shù)：

式中：

正弦殘差修正模型：

值，T為殘差序列周期跨度的平均值。

得到組合殘差修正函數(shù)：

綜上所述，最終得到的殘差修正模型為

4.4 模型精度檢驗標準

檢驗分段線性預測模型的可靠性，采用統(tǒng)計學中的后驗差C和小概率P檢驗法來對模型精度進行檢驗。根據(jù)式（19）計算得到最終誤差序列e(ti)，令e(ti)=T0(ti)-T^0(ti)；S1為原始數(shù)據(jù)的標準差，S2為誤差序列的標準差，其后驗差C=S2/S1，小概率誤差P=P{|e(ti)-eˉ|＜0.6745S1}。后驗差C越小，而P值越大，說明模型的預測精度越高，根據(jù)CP的取值可將預測精度分為4個等級，見表4。

表4 精度檢驗等級參照表

5 工務(wù)維修輔助平臺應用實例

將程序包加載到Tomcat7服務(wù)器中并在數(shù)據(jù)庫中創(chuàng)建好相應的表。圖4為工務(wù)輔助平臺主界面，主要提供新聞發(fā)布、維修任務(wù)發(fā)布、提供用戶登錄界面等功能。

圖4 輔助平臺主界面

圖5 為用戶登錄界面。用戶登錄系統(tǒng)時，會根據(jù)數(shù)據(jù)庫的信息匹配用戶的賬戶和密碼并選擇正確的用戶權(quán)限。在登錄過程還提供校驗的功能。

圖5 登錄界面

圖6 為系統(tǒng)菜單樹，菜單樹主要有員工管理、檢測管理、維修管理、設(shè)備管理、TQI超限預測等子單元。圖7為維修管理單元中維修任務(wù)功能展示，在該單元中的信息列表中有編輯、查看、刪除和條件查詢的功能。

圖6 系統(tǒng)菜單樹界面

關(guān)于TQI超限預測子單元，采用滬昆線上行K224.4～K224.6區(qū) 段 的TQI檢 測 數(shù) 據(jù)，對2008-07-25～2008-12-12的非等時距TQI數(shù)據(jù)作為歷史數(shù)據(jù)進行預測，取2009-03-12～2009-06-21七個實測TQI值與預測值進行比較，預測結(jié)果圖8所示。

經(jīng)過殘差修正后的預測曲線如圖8所示，預測TQI值對實測TQI值在趨勢和隨機波動性上有較好擬合，并且預測精度得到提高。與文獻［9］的灰色與神經(jīng)網(wǎng)絡(luò)組合預測模型對比見表5。

從表5中可以得到與文獻［9］提供的方法比較，TQI值平均相對誤差從3.29%降低到2.41%。計算得到后驗差C=0.0645，P=0.9867，對比表5標準，得到算法預測精度達到1級。

圖7 單元功能展示圖

圖8 K224.4～K224.6區(qū)間實測TQI與最終預測值

表5 TQI預測對比表

6 結(jié)語

本文提出一種基于B/S的鐵路公務(wù)維修輔助平臺，解決現(xiàn)有鐵路工務(wù)段現(xiàn)有問題，開發(fā)了設(shè)備管理、軌道檢測、養(yǎng)護維修等功能模塊，針對歷史數(shù)據(jù)進行挖掘和應用，開發(fā)了TQI超限預測模塊，采用非等時距GM（1，1）與組合殘差修正的方法得到預測值，預測精度達到1級。最后通過實踐使用驗證了系統(tǒng)可靠性，具有應用價值。