[發明專利]一種基于人工智能的鋼軌大修決策支持方法

在審

• 申請號: 201911058756.0
• 申請日: 2019-11-01
• 公開（公告）號: CN111626439A
• 公開（公告）日: 2020-09-04
• 發明（設計）人: 梁帆;余旸
• 申請（專利權）人: 東莞靈虎智能科技有限公司
• 主分類號: G06Q10/00
• 分類號: G06Q10/00;G06Q50/26
• 代理公司: 暫無信息
• 代理人: 暫無信息

本發明公開了一種基于人工智能的鋼軌大修決策支持方法，具體的方法步驟為：S1，采集與鋼軌大修相關的特征數據，對采集的特征數據進行預處理；S2，將處理好的輕重傷損特征代入判傷公式得到重點影響因素F；S3，將處理好的垂磨側磨傷損特征代入判傷公式得到次要影響因素S；S4，將處理好的鋼軌年份特征代入年份判別公式得到歷史因素H；S5，將重點影響因素F、次要影響因素S和歷史因素H代入公式得到換軌等級；S6，將每一段的換軌等級代入公式計算得到換軌趨勢變化數據；S7，將每一段的換軌趨勢變化數據代入公式加和得到換軌區間。本發明提出一種基于多源數據融合的鋼軌大修決策方法，智能推薦換軌區間，改變以往的“一刀切”的固定模式，提供更科學、合理的決策參考依據，實現精準換軌，促進資源的合理利用。

技術領域

本發明涉及鐵路鋼軌維護維修領域及數據分析技術領域，特別是涉及一種鋼軌大修區間計算方法。

背景技術

鋼軌是鐵路的主要技術裝備之一，是行車安全的基礎，擔負著重要的運輸任務。隨著鐵路往高速、重載發展，出行任務不斷增加，行車密度的提高，鋼軌承受巨大的作業壓力，疲勞老化速度加快，服役壽命嚴重降低，存在安全風險。而為了避免安全事故的發生，鐵路部門通過判定鋼軌服役是否滿10年或總載重是否超7億噸對鋼軌進行大修或換軌，而現實鋼軌的老化情況受地理環境、鋼軌位置、載荷分布等多種因素影響，這種“一刀切”的大修依據導致線路疲勞傷損多發但年限不足10年或載重不足7億噸的鋼軌大量存在，無法實現精準換軌，還會造成資源的浪費。因此需要有一種科學、合理的鋼軌大修決策方法，能夠根據鋼軌實際的傷損狀態做出換軌決策支持。

本發明提出一種基于鋼軌多源數據分析挖掘的智能大修決策方法，通過對鋼軌的傷損、磨耗、使用年份、通過總重、環境數據等數據進行分析挖掘，預測鋼軌傷損發展趨勢，智能推薦換軌區間，為鋼軌大修提供數據化、可視化的決策支持，避免“一刀切”，提高決策的科學性，提高鐵路運行的安全性，以適應高速發展的鐵路運輸需求。

發明內容

有鑒于此，針對目前鋼軌大修決策存在的問題，本發明提供一種基于人工智能的鋼軌大修決策支持方法，以有效解決上述技術背景中存在的問題。

本發明采用以下技術方案實現：

S1，采集與鋼軌大修相關的特征數據，對采集的特征數據進行預處理；

S2，將處理好的輕重傷損特征代入判傷公式得到重點影響因素F；

S3，將處理好的垂磨側磨傷損特征代入判傷公式得到次要影響因素S；

S4，將處理好的鋼軌年份特征代入年份判別公式得到歷史因素H；

S5，將重點影響因素F、次要影響因素S和歷史因素H代入公式得到換軌等級L，并根據換軌等級L計算最小換軌區間L_min；

S6，將每一段的換軌等級代入公式計算得到換軌趨勢變化數據FL；

S7，將每一段的換軌趨勢變化數據代入公式加和得到換軌區間。

其中所述的S1的處理步驟如下：

S11，采集如下鋼軌大修相關的特征數據:鋼軌的垂磨、鋼軌的側磨、通過總重、歷史換軌區間、1km的重傷數、1km的輕傷數、鋼軌年；

S12，采集的特征數據進行預處理，將數據里的缺失值和異常值進行處理。

所述的重點影響因素F是由1km的重傷數N_Z和通過總重M代入公式得到，公式為：

其中K₁、K₂分別為重傷修正系數和重量修正系數，C、G為標準量。

所述的次要影響因素S是由鋼軌的垂磨V、鋼軌的側磨S_i和1km的輕傷數N_S代入公式得到，公式為：