基于轨道几何数据时空挖掘的高速铁路轨道板变形识别及预测

【摘要】：高速铁路板式无砟轨道是我国目前运用最广泛的无砟轨道结构形式,轨道板在轮轨动荷载及温度等环境因素影响下容易出现上拱、翘曲变形、层间离缝等病害,从而降低轨道平顺性,列车运行的安全性和平稳性。传统的针对包括轨道板在内的轨道下部结构的研究方法主要为物理仿真模型和道旁监测,然而控制轨道板变形的影响因素多且复杂,通过建立物理模型分析真实运营条件下的轨道板变形具有一定的局限性;道旁监测方法能够提供多源化数据用于分析,然而受成本因素限制,传感器布设不可能覆盖铁路全线,且高精度传感器极容易受到外界干扰,严重情况下导致传感器受损失效,难以实现对轨道结构长期连续监控和大量数据的采集。鉴于轨道动态检测是目前针对轨下结构最普遍的检测手段,且轨道板变形与轨道不平顺具有一定的映射关系,作者提出了基于轨道动检车数据的轨道板变形的分析方法,通过提取轨道高低不平顺时频域指标反映轨道板变形的位置和程度,并利用同一区段的多次检测数据的分析结果,在时间-空间尺度上对轨道板变形进行深入挖掘。主要开展的研究工作及相关结论如下:1.通过调研获取了我国CRTSⅠ、Ⅱ、Ⅲ型轨道板线路的三年内动检数据,利用移动窗波形匹配算法剔除了左、右高低不平顺变化不一致的区段。对轨道高低不平顺进行滤波处理,并统计线路上轨道板变形的特征波长分布。2.通过引入连续小波变换的时-频分析方法提出了轨道板变形评价指标(Track Irregularity Degradation Index,TIDI),利用虚拟高低不平顺对提出的指标进行了合理性验证。基于多次轨道动检数据的小波能量计算结果,提出了轨道板变形指标的时-空分布矩阵。利用核密度估计(Kernel Density Estimation,KDE),DBSACN聚类算法(Density-Based Spatial Clustering of Applications with Noise),长短期记忆(Long Short-Term Memory,LSTM)神经网络建立了轨道板变形和劣化预测的时空模型。3.分别对桥梁、路基区段的CRTS Ⅰ、Ⅱ、Ⅲ型板的轨道动检数据进行了实例分析,主要研究结论如下:(1)轨道板变形程度受到温度影响出现周期性变化,其中Ⅰ、Ⅱ型板和路基Ⅲ型板的变形程度和温度呈正相关,可能发生了轨道板翘曲和变形病害。桥上Ⅲ型板变形程度和温度呈负相关,由此推测该线路可能出现了冻胀现象。(2)Ⅰ型板变形程度的整体趋势随时间变化不明显,Ⅱ型板变形程度随时间呈现整体上涨趋势,Ⅲ型板变形程度随时间具有整体下降趋势。由此推测Ⅱ型板残余变形随时间增长,而Ⅲ型板可能出现路基沉降,从而掩盖了轨道板上拱。(3)利用LSTM神经网络对轨道板变形程度预测时,增加历史数据不能明显提高预测效果,随着预测天数增大,预测效果普遍降低。然而利用该方法基本能够较好地实现对不同轨道板变形未来15-30天内的短期预测。(4)不同的轨道板的变形程度和变形异常区段长度不一样,其中Ⅰ型板的变形程度最小,变形异常区段最短,Ⅱ型板变形程度最大,变形异常区段最长。利用TIDI值识别轨道板变形位置后,建议对变形位置处附近区段进行排查。对Ⅰ、Ⅱ、Ⅲ型板的变形位置检测区段长度建议值分别为40m,60m和80m。