ABA测量:在收益操作期间监测基于状态的维护

如今，欧洲高度利用的铁路有望提供几乎24/7的客运和货运服务。基础设施可用性的增加意味着其他跟踪活动必须比以前花费更少的时间。专门车辆监测和维修等活动通常安排在夜班或其他地方需求较少的时间段，以避免中断。然而，当基础设施中出现危及安全的意外情况时，通常不可避免地要在需要时尽快执行维护。这通常会导致服务延迟，并给用户带来极大的烦恼。即使是计划良好的夜间维修作业，由于现场出现意外情况，也可能需要额外的时间才能正确完成;这段额外时间的后果是，早上的第一班车和随后的火车都延误了。

从系统的角度来看，目标是增强容量，提高服务的可靠性和质量，并降低生命周期成本。在这种高压下，铁路行业的专业人员必须做好全面的“营业期间”监控和维护的准备。从运行中的旅客列车监测基础设施是对经典列车服务概念的一种延伸;不仅作为一种运输人员和货物的方式，而且还提供有关基础设施状况的信息。一些技术目前已经准备好以这种方式使用，本文将以轴箱加速度测量为例进行讨论。在未来，可能随着机器人技术的进步，同样的“收益运行”概念应该应用于设计一种全新的列车概念，这种列车能够执行维护操作，如研磨、夯实、压舱物清洁和更新、紧固和轨道垫更新等。收入运营过程中的监控和维护带来了许多实际和科学挑战，涉及铁路工程、电气工程、系统与控制、计算机科学、大数据和社会科学等多个领域。

状态维护监测中的大数据范式

在监测方面，大型系统传感器技术的最新进展使人们能够获得大量关于铁路系统运行期间基础设施状况的数据。例如;在荷兰，耗资24亿欧元的欧洲铁路交通管理系统(ERTMS)项目将提供许多新的监测机会和新的数据来源。然而，在铁路行业中，仍然需要一种将数据自动转换为实际知识的方法;找到利用所有大量信息的最佳方法——例如，为理论模型提供输入，并最终补充监测策略和维护决策。如今，有价值的信息基本上隐藏在由不同传感器测量的海量数据中。分布式传感器，无论是在测量列车上还是在轨道旁，对于测量和传输信号至关重要，这些信号与检测基础设施的重要变化、动态和变化有关。通过使用自适应和智能信号处理方法，可以提取决策过程所需的关键信息，以预测退化的影响，从而确定纠正基础设施问题所需的控制措施。这些控制措施被纳入承包商的维护和计划清单-即最终实施预防和纠正措施以解决物理系统问题的一方。

铁路数据可用于建模、分析和支持维护决策，但遵循不同于其他传统/旧系统的范式。从理论和实践的角度来看，铁路基础设施信息的利用具有挑战性，因为它是多维的，空间和时间分布的，多尺度的，并且来自异构数据源(振动，视频，声音，涡流，超声波，手写的性能报告等)。此外，数据受到特定外部因素的影响，如环境、执行器的特性、传感器本身的误差、人类收集的不准确性、不完整性等，所有这些都会影响传统方法管理关键变量的能力，并损害决策支持系统的性能。

大数据在各个领域都是一种趋势。在过去，它指的是与处理许多兆字节的信息有关的问题，通常是关于所谓的“体积”的“V”。如今，随着计算机的新容量，这种“V”只是挑战之一，但其他“V”，如数据的“多样性”也在发挥作用。注意事项如如何处理多源信息的相干融合;以及从数据收集到实际知识的整个过程应该有多快(“速度”)都在争论中。数据的“可视化”、“真实性”、“价值”及其“脆弱性”是其他“v”。就铁路而言，只有在明确包括铁路系统中物理组成部分的适当独特特征(即数据准确性)时，数据才能成为有用的信息。当数据的监测在维护支持决策系统中发挥重要作用时，可以获得数据的全部价值，该系统的最终决策由操作员(决策代理)根据收集的数据(自动或手动收集信息)结合他们自己对系统的经验(知识来源)自动或手动执行。

轴箱加速度测量

在荷兰的铁路中，轴箱加速度(ABA)测量已被用于检测深蹲^{1 - 4}。图1显示了中等深蹲的数据示例。该系统还被用于了解绝缘钢轨接头的退化^5、6。图2显示了两个绝缘接头的数据示例-一个具有光退化，另一个具有更清晰的塑性变形。其他扩展包括检测短节距波纹，研究开关和交叉，过渡区和焊缝等。

图1:单个中度深蹲缺陷的测量示例

数据收集自加速度计、GPS接收器以及用于定位的速测器或速度传感器。对于整个荷兰铁路(超过6500公里的轨道)的监测，该测量提供了数tb的数据量。为了保证准确性，考虑了多个传感器和多个通道。测量的价值是双重的:首先是一旦在运行中实施，其成本较低(无需预订昂贵的火车进行缺陷的日常监测);其次，在实际操作条件下获得的信息可以提供更准确的缺陷有效严重程度的指示。铁轨缺陷可以像冰山一样被观察:顶部是从诸如视频图像之类的系统中可见的，而水面以下的冰山是所有不可能看到但ABA可以捕获的信息。

图2:两个绝缘轨道接头的测量示例:一个带有轻塑料
另一种具有较清晰的塑性变形

该系统已经在谢菲尔德的一辆有轨电车上进行了测试⁷。2016年，在H2020项目NeTIRail-INFRA的框架下，在罗马尼亚布拉索夫附近的轨道上进行了ABA测量(如图3所示)。如今，使用铁路工程部门的CTO列车对荷兰轨道进行了频繁监测(见图4)。从2016年12月到2017年8月，每两周监测一次荷兰桥梁上的轨道焊缝状况。此外，proorail还要求使用ABA系统监测1200多公里，与承包商一起探索真正的预防性维护。

图3:代尔夫特理工大学铁路工程专业的测量列车

图4:罗马尼亚的客运列车;对H2020项目NeTIRail-INFRA进行了ABA测量

参考文献

1.M. Molodova, Li Z.， R. Dollevoet，“轴箱加速度的测量与仿真:用于检测短轨缺陷”。《磨损》，第271卷，第1-2期，2011年5月18日，第349-356页，DOI:10.1016/j.wear.2010.10.003

2.李振杰，R. Dollevoet, M. Molodova，赵旭。“低增长——一些观测和数值预测的验证”。《磨损》，卷271,1-2期，2011年5月18日，148-157页，DOI:10.1016/j.w ewear .2010.10.051

3.M. Molodova, Z. Li, A. Núñez, R. Dollevoet，“铁路基础设施中深蹲的自动检测”。IEEE智能交通系统学报。卷15，第5期，2014年10月，页:1980-1990。Doi: 10.1109/ tits.2014.2307955

4.李忠，M. Molodova, A. Núñez, R. Dollevoet，“用于铁路基础设施轻蹲检测的轴箱加速度测量的改进”。IEEE工业电子学汇刊。第62卷，第7期，2015年7月，页:4385-4397。DOI: 10.1109 / TIE.2015.2389761

5.M. Oregui, M. Molodova, A. Núñez, R. Dollevoet, and Z. Li，“冲击激励下绝缘轨道接头状态的实验研究”。实验力学。卷55，第9期，2015年11月，页:1597-1612。DOI: 10.1007 / s11340 - 015 - 0048 - 7

6.M. Molodova, M. Oregui, A. Núñez，李振和R. Dollevoet，“基于轴箱加速度测量的绝缘接头健康状态监测”。工程结构，123卷，2016年发行，2016年9月，页:225-235。DOI: 10.1016 / j.engstruct.2016.05.018

7.M. Oregui, S. Li, A. Núñez，李正杰，R. Carroll, R. Dollevoet，“基于轴箱加速度测量的轨道连接螺栓紧固监测”。结构控制与健康监测，24(4):188,2017。DOI: 10.1002 / stc.1848

传记

Rolf Dollevoet教授获得荷兰特温特大学博士学位。他获得了2010年Jan van Stappen Spoorprijs奖，以表彰他的博士研究及其在降低轨道维护成本方面的巨大潜力。自2003年以来，他一直在荷兰铁路基础设施经理proorail工作。2012年，他被任命为荷兰代尔夫特理工大学铁路工程系的正教授。

Alfredo Núñez，智利大学电气工程博士学位。他目前是荷兰代尔夫特理工大学铁路工程系的助理教授。主要研究方向为铁路基础设施监控与维护、大数据、模型预测控制、智能交通系统等。

李自力，2002年毕业于荷兰代尔夫特理工大学，获博士学位。1999年至2005年，他在代尔夫特TNO道路运输研究所工作。2005年，他加入代尔夫特理工大学，现任铁路工程系副教授。