[发明专利]一种基于人工智能的钢轨大修决策支持方法

说明书

本发明公开了一种基于人工智能的钢轨大修决策支持方法，具体的方法步骤为：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；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；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。本发明提出一种基于多源数据融合的钢轨大修决策方法，智能推荐换轨区间，改变以往的“一刀切”的固定模式，提供更科学、合理的决策参考依据，实现精准换轨，促进资源的合理利用。

技术领域

本发明涉及铁路钢轨维护维修领域及数据分析技术领域，特别是涉及一种钢轨大修区间计算方法。

背景技术

钢轨是铁路的主要技术装备之一，是行车安全的基础，担负着重要的运输任务。随着铁路往高速、重载发展，出行任务不断增加，行车密度的提高，钢轨承受巨大的作业压力，疲劳老化速度加快，服役寿命严重降低，存在安全风险。而为了避免安全事故的发生，铁路部门通过判定钢轨服役是否满10年或总载重是否超7亿吨对钢轨进行大修或换轨，而现实钢轨的老化情况受地理环境、钢轨位置、载荷分布等多种因素影响，这种“一刀切”的大修依据导致线路疲劳伤损多发但年限不足10年或载重不足7亿吨的钢轨大量存在，无法实现精准换轨，还会造成资源的浪费。因此需要有一种科学、合理的钢轨大修决策方法，能够根据钢轨实际的伤损状态做出换轨决策支持。

本发明提出一种基于钢轨多源数据分析挖掘的智能大修决策方法，通过对钢轨的伤损、磨耗、使用年份、通过总重、环境数据等数据进行分析挖掘，预测钢轨伤损发展趋势，智能推荐换轨区间，为钢轨大修提供数据化、可视化的决策支持，避免“一刀切”，提高决策的科学性，提高铁路运行的安全性，以适应高速发展的铁路运输需求。

发明内容

有鉴于此，针对目前钢轨大修决策存在的问题，本发明提供一种基于人工智能的钢轨大修决策支持方法，以有效解决上述技术背景中存在的问题。

本发明采用以下技术方案实现：

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。

其中所述的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；

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。

所述的重点影响因素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。

所述的次要影响因素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：