随着我国高铁建设的快速发展,高铁基础设施的状态检测和评价技术需求也日益迫切。动检数据是通过轨道综合检测列车定期检测轨道线路状况获得的一种特殊的多维时间序列数据,能及时、真实地反映实际轨道服役状态。基于数据挖掘理论对规模庞大的动检数据进行里程维度校准,并构建有效的轨道状态异常检测模型,对于保障高铁运营安全有着重要的意义。同时动检数据作为一种特殊的时间序列数据,在数据挖掘领域也具有重要的研究价值。本文基于机器学习的理论基础,针对动检数据的里程偏差问题开展里程维度校准方法的研究,在此基础上研究动检数据异常检测模型,并从应用需求出发,研发了动检数据里程校准及异常检测系统。本文的主要工作和研究内容包括有:(1)针对综合检测车检测过程中受内外因素影响产生沿里程不均匀分布的里程偏差的问题,本文提出了一种台账辅助的动检数据绝对里程校准方法。该方法首先基于台账超高曲线特征点对采样后的检测数据使用D-DTW(Derivative Dynamic Time Warping)算法进行动检数据特征点定位和曲线自动分段,再对台账超高数据和检测数据的曲线分段进行基于shape-DTW(shape Dynamic Time Warping)算法的精细匹配,结合校准路径和已知台账先验特征点进行检测数据曲线特征点的定位,通过将检测数据曲线特征点校准到台账先验曲线特征点的里程位置实现动检数据的绝对里程校准。在某条高铁线路的实测动检数据上的实验表明,该校准方法在TAM(Time Alignment Measurement)值和校准速度上都优于对比方法,检测得到的曲线长度平均误差占比仅为0.36%,且校准后的动检数据在轨距标准差上平均下降23%,在左高低数据序列的皮尔逊相关系数、DTW距离和平均绝对误差上均优于校准前,达到了工程应用要求。(2)针对动检数据存在异常种类多、分布具有不确定性、异常占比极低的特点,本文在动检数据里程校准的基础上,提出了一种结合图注意力和图偏差学习的动检数据异常检测模型(GATDN,Graph Deviation Network based on Graph Attention Network),实现了动检数据的无监督异常检测。该模型在多个维度上捕获注意力分数,通过图偏差学习数据特征之间相关性最大的Top K个特征之间的相互关系,并基于图偏差分数进行异常判断。在高铁线路实测动检数据上的实验表明,该模型相较对比模型,查全率和F1得分分别提升了4.9%和1.1%。(3)针对动检数据里程校准和异常检测的应用需求,研发了高铁动检数据里程校准及异常检测系统,该系统可实现基于本文提出的校准方法的里程校准功能和基于GATDN的动检数据异常检测功能,为行业相关科研和工程人员的动检数据智能处理和分析工作提供了有力的技术支撑。
暂无评论