[发明专利]一种基于人工智能的钢轨大修决策支持方法

权利要求书

1.一种基于人工智能的钢轨大修决策支持方法，其特征在于，包括步骤如下：

S1，采集与钢轨大修相关的特征数据，对采集的特征数据进行预处理；

S2，将处理好的轻重伤损特征代入判伤公式得到重点影响因素F；

S3，将处理好的垂磨侧磨伤损特征代入判伤公式得到次要影响因素S；

S4，将处理好的钢轨年份特征代入年份判别公式得到历史因素H；

S5，将重点影响因素F、次要影响因素S和历史因素H代入公式得到换轨等级L，并根据换轨等级L计算最小换轨区间L_min；

S6，将每一段的换轨等级代入公式计算得到换轨趋势变化数据FL；

S7，将每一段的换轨趋势变化数据代入公式加和得到换轨区间。

2.根据权利要求1所述的一种基于人工智能的钢轨大修决策支持方法，其特征在于，所述的S1的处理步骤如下：

S11，采集如下钢轨大修相关的特征数据:钢轨的垂磨、钢轨的侧磨、通过总重、历史换轨区间、1km的重伤数、1km的轻伤数、钢轨年份；

S12，采集的特征数据进行预处理，将数据里的缺失值和异常值进行处理。

3.根据权利要求1所述的一种基于人工智能的钢轨大修决策支持方法，其特征在于，所述S2的重点影响因素F是由1km的重伤数N_Z和通过总重M代入公式得到，公式为：

其中K₁、K₂分别为重伤修正系数和重量修正系数，C、G为标准量。

4.根据权利1所述的一种基于人工智能的钢轨大修决策支持方法，其特征在于，所述S3的次要影响因素S是由钢轨的垂磨V、钢轨的侧磨S_i和1km的轻伤数N_S代入公式得到，公式为：

D、E分别为磨耗修正系数和伤损修正系数。

5.根据权利1所述的一种基于人工智能的钢轨大修决策支持方法，其特征在于，所述S4的历史因素H是由历史换轨区间H_n代入公式得到，公式为：

其中t为H_n近6年换轨的年数，当t为0时，表示这段钢轨还没有换轨；当t为1或2时，表示这段钢轨近期刚进行换轨，优先级应该降低；当t大于2时，表示这段铁轨更换频率高但还是易损，换轨的优先级提高。

6.根据权利1所述的一种基于人工智能的钢轨大修决策支持方法，其特征在于，所述S5的处理步骤如下：

S51，通过公式计算得到换轨等级评价，换轨评级等级L由重点影响因素F、次要影响因素S和历史因素H代入公式得到，公式如下：

S52，根据换轨等级代入公式计算最小换轨区间L_min。

7.根据权利要求6所述的一种基于人工智能的钢轨大修决策支持方法，其特征在于，所述S52的最小换轨区间L_min计算公式为：

其中L_B为标准换轨等级。

8.根据权利要求1所述的一种基于人工智能的钢轨大修决策支持方法，其特征在于，所述S6的换轨趋势变化数据FL是以0.05km为基础长度对铁轨按里程N和换轨等级L代入计算得到，其中公式为：

其中Y为该段钢轨年份，C_Y为年份影响因数，O为限定年份。

9.根据权利要求1所述的一种基于人工智能的钢轨大修决策支持方法，其特征在于，所述S7的换轨区间是将换轨趋势变化数据FL代入公式得到，所述的公式为：

区间＝∑max(FL(hl)-Hl,0),hl为定义的行进里程Hl为标准阈值。