接觸網動檢數據分析方法探討

孔令坤 中國鐵路上海局集團有限公司海高鐵基礎設施段

1 引言

上海高鐵基礎設施段地處長三角地區，管內供電管轄接觸網延展里程2 000.32條公里，是全路第一批踐行綜合養修模式的設備管理單位。隨著管內滬寧、滬杭高鐵先后邁過首個“十年周期”，接觸網設備老化問題日趨凸顯、動態監測缺陷日益增多。為了不斷發掘檢測數據潛力，提高設備質量，我們立足自身養修經驗，引進大數據分析算法，在實踐中摸索出一套動檢數據的分析方法，幫助我們從龐大的檢測數據中找到薄弱設備，提高接觸網的運行質量和可靠性。

2 單次動檢結果評價

2.1 不同檢測裝置對比

接觸網動態監測裝備包括高鐵綜合檢測車（簡稱1C）和運營動車組車載檢測裝置（簡稱3C），用于測量升弓條件下的接觸線幾何參數、接觸壓力、燃弧量等參數。1C和3C裝置的測量原理不同，因此其測量值和下發缺陷也有很大不同，數據分析時要綜合考慮。

（1）1C裝置和3C裝置的幾何參數測量模塊不同，前者采用雙線陣相機和視覺三角測量法，后者采用圖像深度學習技術進行識別，但都滿足±10 mm以內的測量精度。但由于不同車型在同一曲線軌道下的的橫滾、橫擺幅度不同，拉出值參數測量值存在較大差別。

（2）1C裝置和3C裝置的檢測受電弓型號不同，前者采用DSA380或SS400型雙滑板受電弓，后者普遍采用CX-PG型單滑板受電弓，其接觸力和燃弧特性都有很大區別。

（3）1C裝置和3C裝置的燃弧量測量原理不同，前者采用紫外相機，對一跨內燃弧像素出現時間進行累加，后者采用對銅金屬燃燒光線波段敏感的紅外熱成像相機對接觸網進行測溫并計算單次燃弧的持續時間。

2.2 單次檢測結果的準確性

由于不同檢測車受電弓的型號、開閉口、初始壓力不同，檢測車通過時的車速、環境溫度、濕度、電磁干擾因素也不相同，所以每次檢測的接觸力、燃弧值存在顯著差異。此外檢測系統采用的機車GYK里程，與實際里程存在隨機誤差，因此我們在大數據分析前要對單次檢車情況進行評估，剔除無效數據。

我們通過pyqt5界面開發庫和pandas數據處理庫開發數據批量導入分析工具，對每次檢測下發的數據進行篩選與統計分析，分別計算每次檢測的缺陷數量占比、達速率（包括統計得分長度、不得分長度、不評價長度、未檢測長度等）、得分與非得分區段的CDI分量分析（統計CDI各分量的平均值、中位值、標準差等）、錨段CDI分量的得分分布情況，并進行可視化，分析各測量傳感器的工作狀態是否良好。單次檢測數據分析結果如圖1所示。

圖1 單次動檢數據分析界面

如圖1所示，本次檢測CDI管理評分僅為64.5%，且CDI不得分錨段較多。從CDIA的平均分和頻數分布可以看出，絕大多數錨段的燃弧得分接近滿分，說明燃弧傳感器工作狀態異常。缺陷中占比最大的是接觸力缺陷，共有17個，但從接觸力均值和頻數分布看，全線的接觸力得分主要集中在較小的范圍，接觸力傳感器工作正常。

3 動檢數據的統計學分析

動檢數據具有以下幾個特點：數據量龐大、多次檢測一致性不強、里程上存在隨機誤差。因此我們需要根據動檢數據的特點，運用大數據分析方法，篩選經常存在檢測大值的薄弱區段，并分析其發生發展過程。

3.1 CDI數據的特點

圖2是某高鐵1-5月整條線路各單元CDI得分隨里程變化情況，雖然單個錨段的CDI曲線在不同月份略有不同，但其整體變化趨勢呈現出明顯的規律，在K81、K148處存在明顯高于附近的大值。

圖2 某高鐵1-5月錨段CDI曲線

通過pygraph庫生成多次CDI數據曲線對比圖，通過同步平移里程坐標，對比同一錨段不同日期的CDI得分變化。圖3是某高鐵線路K60-K80范圍內四次檢測的CDI曲線，為排除車型不同的干擾，均采用CRH2C-2150的檢測數據?？梢钥闯鰴z測速度對CDI得分影響較大，相同速度下得分變化趨勢一致性較強。通過對比多次檢測曲線的CDI大值的一致性，可以進一步確認CDI超標錨段。

圖3 同一線路多次CDI檢測曲線對比界面

3.2 CDI錨段數據的聚類

CDI原始數據是按錨段逐行排列的，分析某個錨段的歷史變化情況，首先需要將同一錨段的不同次檢測的數據劃分到一組。因此我們引入了聚類算法，按照起止公里標相近的原則將錨段數據進行分組。

常用的聚類算法有K-Means、均值偏移、DBSCAN和層次聚類等。由于在聚類前不確定簇的個數，原始數據包含離群點（例如某一次檢測的里程誤差過大），且需同時考慮錨段公里標和錨段長度兩個量的相近程度，擬選用基于密度空間的無監督學習算法DBSCAN進行聚類。

對我段兩年來共計85 242條CDI錨段數據進行聚類試驗，密度函數選用起、止公里標差值的歐式距離，最小鄰近距離設為100 m，最小簇大小設置為3，本次聚類成功的數據條數為83 817，占比98.3%，滿足要求。

3.3 CDI錨段數據的分類分析

通過聚類計算，每組聚類成功的CDI錨段數據都獲得了一個簇編號，簇編號相同的錨段即為同一錨段。然后按照FRM算法依次對每一簇數據進行統計，即計算F（近度：最近一次不達標時間）、R（頻度：不達標次數÷達速次數）、M（額度：CDI超標最大值）、不達標時間分布（每季度不達標次數）。最后編寫用戶界面，對分類結果分線別、行別進行展示，如圖4所示：點擊左表中某一錨段，右側顯示每次檢測結果并繪制柱形圖，分析該錨段CDI各分量的歷史變化情況。

圖4 不得分CDI錨段歷史分析

3.4 動檢缺陷的聚類分析

接觸網的動檢缺陷數據是指1C或3C裝置下發的缺陷及報警數據，其特點是一級缺陷數量較少，二級缺陷數量龐大且偶發性強。缺陷分析中我們最關注的缺陷有兩種：固定處所頻繁檢出的、首次檢出的。前者表示某處接觸網經常處于一種不良的運行工況中，后著則表示設備狀態可能發生了突變。因此我們首先需要分析缺陷發生的頻繁程度。

動檢缺陷數據的聚類同樣根據缺陷里程參數的分布密度，缺陷里程數據跟CDI數據中的里程數據類似，同樣存在50 m左右的誤差，但使用DBSCAN進行聚類的效果并不好。因為缺陷數據的里程只有1維，且沒有明顯間隔，導致DBSCAN聚類后的簇寬度會達到2 km或更長。為了縮小簇寬度，我們選用里程窗滑動求頻次的方法進行聚類，具體方法是：選用固定公里標窗口按10 m步進平移，依次求窗口范圍內的缺陷數量，得到全線的頻數曲線，然后利用finkpeak算法找到頻率峰值所在的位置。圖5是某線K50-K75內接觸線接觸力缺陷頻數曲線（100 m窗），叉號表示用finkpeak算法找到的頻數曲線波峰。

圖5 某線K50-K75范圍內接觸力缺陷頻數分布情況

3.5 動檢缺陷數據的聚類分析

把計算得到的某個峰值里程數據代入動檢缺陷庫查詢，得到一個缺陷信息分組，分組內的缺陷視為同一接觸網設備產生。對每個信息簇統計P（近度：最近一次產生缺陷時間）、F（頻度:最近兩年每季度的缺陷個數）、M（幅度：缺陷最大值），得到該組缺陷的分類統計信息。最后利用pygraph可視化工具實時輸出每組缺陷關于日期、里程的散點分布圖，進一步確認缺陷的集中程度，具體界面如圖6。

圖6 動檢缺陷聚類分組分析界面

4 檢測數據綜合分析

前文介紹了從龐大的數據中篩選高頻缺陷和突發缺陷的方法，實現了對缺陷庫的動態分組管理，大大減少了需要關注數據的個數。為了更有效地指導檢修，還需要對缺陷數據進行深度分析，判斷缺陷產生的原因和危險程度。

接觸網是一個系統性工程，因此我們要充分利用各種數據，通過橫向關聯對比、縱向歷史追溯等方法，全面掌握缺陷設備的狀態變化。同樣，對同類型缺陷進行專項綜合分析，找出各種可能原因中的共性因素，不僅可以幫我們找到快速識別該類型缺陷的方法，也可以指導現場對同類設備進行補強，是一種靈活、有效地提高設備可靠性的方法。

我們編制程序，自動將缺陷信息根據里程關聯線路基礎數據、檢測數據、生產數據等，分類匯總生成樹形數據結構，以便分析人員根據需要進行查詢。

4.1 線路基礎數據查詢

主要包括缺陷里程附近的軌道環境信息和接觸網設備信息。軌道環境信息主要包括鋼軌的曲線、豎曲線、坡度、橋梁、隧道、區間、通道門等。設備特征主要包括在關節、線岔、分相內的具體位置、附近是否有電連接、硬橫梁等。

為了便于分析人員查看，將匹配到的每個信息條進行計算，按照固定格式生成一個新字段。例如，曲線信息可以縮寫為：“曲線半徑”-“外軌超高”-“距起點長度”-“距終點長度”-“是否屬于緩和曲線”-“緩和曲線長度”。

4.2 歷史動靜態波形查詢

主要包括對缺陷地點檢測的1C、4C的弓網波形數據的查詢。受制于1C、4C數據解析方法不開放，無法直接使用，所以我們利用python-win32工具調用波形查看軟件的操作系統接口，自動對缺陷位置的每次檢測曲線進行截圖，并附上本次檢測的車型、速度、檢測弓開口、所屬錨段CDI均值等信息。針對1C波形公里標誤差較大的問題，我們根據CDI錨段數據庫中錨段的起始里程對缺陷里程進行重定位，取得良好的對齊效果。

4.3 缺陷查詢

主要包括1C、2C、3C缺陷庫和檢修問題庫中與弓網關系相關的缺陷的查詢。并對查詢到的每類缺陷信息進行梳理統計，合并生成一個字段，并鏈接到查詢到的各類數據表。合并字段包括缺陷頻次和缺陷類型兩個部分。缺陷頻度為當前日期往前每三個月缺陷發生的次數，缺陷類型信息為缺陷類型和發生次數。例如，某缺陷的3C查詢結果為：“0-4-6-8-6_疑似中錨線夾燃弧:3_疑似燃弧:3-疑似吊弦松_2”。

5 總結與展望

動檢數據分析方法是一個不斷發展的過程。我們在數據獲取廣度、分析深度上還有很大提升空間。我們將以近些年來多發的接觸網故障為問題導向，分析故障設備的典型特征，不斷改進分析方法。對現有檢測設備無法覆蓋的風險，要加強技術攻關，改進檢測設備，不斷縮小接觸網檢測與設備安全、現場維修之間的鴻溝。

此外，接觸網檢測管理正朝著大數據管理、智能分析方向不斷發展。通過建立局級、站級別的6c數據中心，實現不同檢測設備、不同類型檢測數據之間的互聯互通和多用戶實時操作，旨在解決數據孤島和信息傳遞效率低下的弊病。