《1、 引言》
1、 引言
随着中国社会经济的持续增长，以高速铁路和城市轨道交通为代表的轨道交通系统快速发展。截至2021年年底，中国铁路运营里程达到15万公里，其中高速铁路运营里程4万公里，建设与运营规模稳居世界第一。在城市轨道交通方面，中国内地累计有50个城市开通的运营线路超过9192 km，运营里程位居世界第一。
轨道交通作为中国交通基础设施的骨干力量，是践行“交通强国”[1]国家发展战略的主力军和先行者。“交通强国”提出了要建设安全、便捷、高效、绿色、经济的现代化综合交通体系，把安全放在第一目标，凸显了其重要性。同时还提出了加快建设交通新基建，而智能铁路系统作为轨道交通新基建的重点方向，将是未来轨道交通行业技术创新的前沿和热点领域，而安全则是其首要考虑的因素。
目前，在世界范围内，安全都被作为轨道交通系统的核心竞争力。中国铁路系统的安全管理水平已经达到了国际一流，但面对“交通强国”未来发展的要求[1]、轨道交通“人、机、环、管”风险的不断挑战以及安全保障新技术、新产品的国际市场激烈竞争，迫切需要研究“源于中国、普适行业”的新发展模式、体系框架和自主可控的关键核心技术。
本文面向智能铁路未来发展趋势提出了铁路系统主动安全保障框架体系并展示了其最新进展及典型应用。本文的贡献主要包括：提出了在人工智能等先进赋能技术塑造下的智能铁路系统体系框架和发展方向；定义并提出了轨道交通主动安全保障技术体系的内涵与构成；最后，通过典型应用研究展示了铁路主动安全保障技术的先进性和可行性。
本文的组织结构如下：第2节总结了智能铁路发展方向，并提出了智能铁路系统体系框架；第3节分析了国内外铁路系统安全保障技术的发展趋势，提出了轨道交通主动安全保障技术体系；第4节展示了主动安全保障技术的部分典型应用；第5节总结了全文。
《2、 智能铁路2.0》
2、 智能铁路2.0
智能铁路未来发展方向是智能铁路2.0系统，其是充分利用先进的信息通信、人工智能、物联网、大数据、机器人等技术，以自主感知、自主学习、自主决策和自主控制为核心处理流程，在对设备设施优化管控基础上提供高效、精准、个性化的位移服务，从而实现更加安全、高效、舒适、绿色的新一代铁路交通运输系统——自主铁路运输系统[2]。
《2.1 智能铁路发展概况》
2.1 智能铁路发展概况
智能铁路的发展是一个循序渐进的过程，其具有三个里程碑式的发展阶段，分别是数字铁路、智能铁路1.0和智能铁路2.0。图1详细描述了智能铁路的发展阶段和关键技术。数字铁路将铁路系统运输资源及其运行环境等物理对象转化为数字化计算资源，提高铁路信息化水平。智能铁路1.0利用信息网络、互联互通等技术将不同专业与不同层次业务主体分散的数据集成为时空统一的信息，在此基础上实现运输服务网联化和协同优化工作。智能铁路2.0通过物联网、大数据、人工智能、系统优化等技术深入加工处理信息资源，实现各运输要素之间的智联化，运输系统进行自主化的感知、学习、推理决策和自动执行，经济、高效、安全地提供舒适便捷的客货服务。纵观智能铁路的发展，新兴技术的应用发挥了举足轻重的作用，尤其是先进的物联网、云计算、移动互联、大数据、人工智能和新材料等关键使能/赋能技术对铁路系统的内部功能和外部形态具有巨大的塑造和变革作用。
《图1》
图1 智能铁路的发展阶段和关键技术。XML：可扩展标记语言；IP：互联网协议。
目前，铁路发达国家为保持和提高轨道交通在21世纪的竞争力，已将智能铁路作为重要的发展方向。欧盟提出了更加安全、绿色、智能的欧洲轨道交通运输系统的发展战略，并制订了《铁路发展路线2050：走向竞争、资源高效、智能化的轨道交通系统》《铁路远景2050——欧洲流动性的支柱》以及“Shift2Rail”技术战略等新技术发展规划[3‒5]。英国提出了“数字时代英国铁路发展蓝图”，在其中考虑了当前英国铁路系统所面临的挑战，并将智能铁路的研究作为一项重要任务[6]。美国发布了《美国2045年交通发展趋势与政策选择》白皮书[7]，以及IBM公司发布了推动铁路行业技术发展的《思考超越铁路：引领2025》[8]等。日本提出了《国土大设计2050》《铁路研究2025》等发展研究计划[9‒10]。
《2.2 智能铁路系统体系框架》
2.2 智能铁路系统体系框架
智能铁路系统体系框架用于描述系统构成的主要功能及其相互关系，包括逻辑框架和物理框架。逻辑框架描述了智能铁路系统的功能模块及各模块间的交互关系，是智能铁路系统的顶层设计框架。如图2所示，其主要包括物理层、状态感知层、信息融合层、智能分析层、业务优化层、协同服务层及系统目标层等。
《图2》
图2 智能铁路2.0逻辑架构。CPS：网络物理系统；NB-IoT：窄带物联网；LoRa：远程无线电。
智能铁路系统作为一个复杂的工程技术系统，包含多个现场子系统。如图3所示，其物理框架描述了该系统的主要物理子系统，包括智能列车、智能线路、智能站场、智能车站、智能安全保障、智能运输组织、智能客货服务以及支撑全局系统实现的智能信息集成平台，并按泛在感知、一体化信息集成和综合智能决策三个层次实现相互的功能支撑。
《图3》
图3 智能铁路2.0物理架构。
智能铁路2.0的核心处理流程是一个自主感知、自主学习、自主决策和自主控制的闭环迭代过程，是高度自主化的。其特征是深度智能化运营服务、无人少人化柔性运行和高安全韧性保障。自主感知是对铁路系统运行状态的泛在全息获取，自主学习是将获取的信息转化形成建模与推理的有用知识，自主决策是在知识模型的基础上进行科学优化的推理，自主控制是高度安全自动化的执行输出，通过长期迭代过程从而不断提升智能铁路系统的智能水平。在智能铁路2.0中，主动安全扮演着顶层设计的角色。自主感知、自主学习、自主决策和自主控制都在主动安全的指导下工作，使铁路系统日益自动化和智能化。从复杂系统和信息学的角度来看，智能铁路是一个典型的耗散结构，处于一种未达到平衡状态的自组织状态。智能铁路通过深度智能化不断将信息数据转化为知识和决策，从而产生负熵，降低系统熵，形成有序结构。
为支撑智能铁路2.0的可持续发展，高安全韧性的运营保障技术是基础与前提，迫切需要加快并系统化构建新型安全保障体系。
《3、 主动安全保障方法体系》
3、 主动安全保障方法体系
主动安全保障理念是随着复杂大型系统工程安全运行和物联网技术的发展而快速兴起的。与保持系统正常可靠工作的传统方式——被动安全相比，主动安全基于系统安全理论，强调对系统状态的实时感知和控制输出的能力，从而提前降低系统风险，避免事故发生。本质上，主动安全保障理论方法是对复杂系统风险因素的动态关系进行建模、分析和优化控制的理论。近年来，主动安全已成为跨越安全科学、控制科学、信息科学、智能系统等学科的交叉学科研究领域，在交通、电力、制造、互联网、军事等领域发挥越来越重要的作用。
铁路主动安全保障技术是指在传感器、物联网、人工智能、信息物理系统等新兴电子信息技术的赋能下，具有轨道交通风险泛在感知、隐患辨识、态势预测、精准管控、韧性处置等功能，并形成“感-识-判-处”一体化实时闭环迭代处理架构的相关理论、方法与技术体系。未来在自主系统技术等的驱动下，其自主化特征将愈来愈明显。
《3.1 铁路主动安全保障技术发展趋势》
3.1 铁路主动安全保障技术发展趋势
主动安全技术的研究主要集中在欧洲、美国、中国和日本。相关研究在关键赋能技术方面有较大共同点，但结合轨道交通具体应用场景有所不同。表1介绍了这些地区和国家主动安全技术的发展趋势。
《表1》
表1 主动安全技术在欧洲、美国、中国和日本的发展趋势
欧盟在《铁路远景2050——欧洲流动性的支柱》[4]中提出，到2050年欧盟铁路系统的安全目标是达到“零死亡”。为实现这个愿景需要不断的技术创新，包括基于物联网利用机器学习、人工智能和大数据分析等技术实现基础设施的预测性维修以及基于机器人的全自动化现场维护和修复，实现有人与无人驾驶的智能列车在同一铁路网上安全运行，广泛应用基于数字建模的机车车辆虚拟仿真安全认证技术，减少物理实体测试，有助于提高整体性能和系统安全水平。
《美国2045年交通发展趋势与政策选择》[7]提出全美铁路客货运公司和铁路主管部门持续关注安全，构建铁路安全文化，研究、开发和实施新安全技术来推动未来的安全改进，开展轨道健康状态监测技术、列车设备性能在线监测及状态修技术、基于无人机的铁路运行环境巡检技术等研究。
中国《新时代交通强国铁路先行规划纲要》[11]中提出到2035年，将率先建成服务安全优质、保障坚强有力、实力国际领先的现代化铁路强国。将建立健全人防、物防、技防“三位一体”的安全保障体系，全面提升本质安全水平、安全预防及管控能力、应急处置及救援能力，从而使高铁和旅客列车安全得到可靠保障，铁路交通事故率、死亡率大幅降低。
日本《国土大设计2050》[9]描述了日本铁路发展的战略方向，提出依靠大数据、互联网、自动驾驶等先进技术，建设更加安全的铁路系统。日本特别关注有助于提高铁路应对自然灾害（如暴雨、强风和大地震等）能力的研究。这些自然灾害经常发生，而且越来越严重[10]。
通过以上发展趋势可以看出，主动安全保障的理念和相关技术已成为世界各国铁路安全保障技术领域研究的主流方向。铁路发达国家正在此基础上研发突破核心装备系统，确保铁路安全装备和管理水平在国际上持续保持一流引领地位。
《3.2 主动安全保障技术体系》
3.2 主动安全保障技术体系
主动安全保障技术体系是由关键核心技术及典型技术处理步骤构成的闭环迭代优化模型，如图4所示。该模型以“人、机、环、管”等复杂系统安全要素为研究对象，在状态获取、故障诊断、态势分析、运维优化、应急指挥等核心技术的支撑下形成四个密切关联的技术处理步骤：安全监测、风险评估、风险控制和应急处置，通过这四个处理步骤的闭环迭代优化来持续降低系统风险水平，保障系统安全运行。它具有以下技术特点：①实时数据驱动：基于实时监控数据的自动辨识和智能知识推理。②全局动态风险管控：从系统角度覆盖风险识别到风险控制的全过程自动化管控。③先进信息技术赋能：充分利用物联网、传感器、大数据、知识推理等先进技术。
《图4》
图4 主动安全保障技术体系的闭环模型。
主动安全保障技术体系在物理实现上具有典型的层次结构，主要包括感知层、智能层和系统层，如图5所示。感知层采用先进的传感器和通信技术进行实时监控和信息深度融合，智能层基于风险状态大数据的特征提取和状态识别进行故障诊断、风险评估、可靠性计算和预测预警等，系统层面向不同层级和不同专业系统的用户分别提供集成的监测、评估、调控和应急处置等系统功能，实现系统级的风险管控。
《图5》
图5 主动安全保障技术体系的层次架构。
《4、 主动安全保障技术典型应用》
4、 主动安全保障技术典型应用
近年来，主动安全保障技术已在全世界铁路范围内得到了显著进步，下面将重点介绍作者所在团队取得的部分研究成果和进展。面向轨道交通“人、机、环、管”风险要素的管控要求，特别是针对近年来在列车健康服役、运行环境干扰、路网应急指挥效率等迫切需求方面，我们进行了创新性的研究，并在原创基础理论、自主可控技术、行业首套典型应用等方面取得了成果。下面介绍相关内容。
《4.1 列车在途安全监控预警关键技术》
4.1 列车在途安全监控预警关键技术
《4.1.1. 基于信号重建与熵相关的微弱故障诊断方法》
4.1.1. 基于信号重建与熵相关的微弱故障诊断方法
列车运行过程中关键设备的健康服役状态对列车安全运行至关重要。目前，中国动车组与机车已逐步安装实时监测设备状态的传感器，但由于安装环境限制其传感器数量有限，一般无法满足正定盲源分离算法对观测信号数目不小于源信号数目的要求。例如，通常获取到的轮对轴承观测信号是单通道信号，需要利用单通道信号进行故障特征盲源提取，即故障特征欠定盲源的信号重建。我们提出了基于信号分解和核相关理论的轮对轴承微弱故障特征欠定盲源提取[12]。该方法的主要步骤包括：首先使用经验模态分解算法将观测信号分解到多个虚拟通道，将欠定盲源提取转化为正定盲源提取，然后根据贝叶斯选择模型估计信号源数，最后基于信号在再生希尔伯特空间的相关性最大化目标函数，采用固定点算法求解，获得提取向量以及轮对轴承微弱故障特征。
在故障特征信号重建的基础上，针对列车运行特有强噪声干扰工况，我们提出了基于循环相关熵和窄带滤波方法的轮对轴承智能故障诊断方法[13]，流程如附录A中的图S1所示。该方法首先采用基于循环相关熵和窄带滤波做故障信号特征提取，接着采用最小二乘支持向量机方法对提取特征样本进行训练，再对测试样本集数据分类，最终实现轮对轴承的智能故障诊断。
为了验证方法的有效性，该方法采用基于列车轮对轴承试验台及数据采集设备获得的故障轴承数据集对算法进行实例分析，选取的故障模式为无故障（no fault, NF）、滚动体故障（rolling element fault, REF）、内圈故障（inner race fault, IRF）和外圈故障（outer race fault, ORF）。三组实验的故障模式如附录A中的图S2所示，图中的无故障、滚动体故障、内圈故障和外圈故障分别用蓝色圆点、粉色圆点、黑色圆点和红色圆点表示。在附录A中的图S2（a）中，外圈故障的三个样本数据被错分至其他故障模式，其他故障模式均分类正确。在附录A中的图S2（b）中，本文方法同样表现出色。分类结果验证本方法对于冲击噪声干扰下轴承故障诊断的有效性。
《4.1.2. 基于多维卷积神经网络的端到端故障诊断方法》
4.1.2. 基于多维卷积神经网络的端到端故障诊断方法
传统的部件状态识别算法常常依赖于人工设计特征变量，故其准确率难以保证，同时难以有效融合利用多传感器提供的多源信息。基于卷积神经网络的多源信息融合方法，有效避免了人工设计特征的复杂性。因此，我们提出了基于多维卷积神经网络的故障诊断方法，通过对多个信息源获取的数据和信息进行关联和综合，全面及时评估部件状态信息，实现端对端的部件状态辨识，为部件性能预警和可靠性评估提供必要的技术手段[14]。如图6所示，该方法首先对多源信号进行初步归一化处理，以减少噪声干扰，加快程序收敛速度。然后，采用张量表达，在数据层对多源信号进行融合。最后，采用监督式学习方法，应用卷积神经网络，对样本数据进行训练，得到最佳张量子域分类面，并将待测样本映射到张量子域内，实现部件的全自动辨识。
《图6》
图6 多维端对端卷积神经网络模型。acc：准确率；train _op：训练输出；Const：约束；fc：全连接；logit_eval：logit评价；conv：卷积。
为了验证本方法的有效性，本方法采用中国铁路实际运行的转向架振动数据对算法进行实例分析。数据集包括4种转向架条件：无故障运行、车轮不圆或扁平、轴不对中和车轮跑偏。实验采用5折交叉法取准确率平均值，最大迭代次数为100，学习速率为0.001。结果如附录A中的图S3所示，模型在训练中的准确率为100%，在测试集上的准确率是99.16%。该结果验证了本方法对于实际运行的转向架故障诊断的有效性。
《4.1.3. 基于张量域和时变马尔科夫过程的列车关键部件寿命预测》
4.1.3. 基于张量域和时变马尔科夫过程的列车关键部件寿命预测
为支撑列车关键设备状态修的实现，并在一定条件下实现延寿使用的目的，设备的寿命预测方法至关重要。针对列车关键部件寿命预测及可靠性评估问题，我们提出了基于张量域和时变马尔科夫链的寿命预测及可靠性评估模型[15]。首先采用模糊分段算法，将部件退化样本数据自动分为多个阶段，实现张量子域的分类面的科学界定，并利用动态时间规整算法，对采集的样本进行有效规整，为不同阶段退化规律的总结提供有效数据，消除了显式与隐式状态的映射，可有效减少影响扩散和信任扩散问题，建立的样本序列分段目标函数和约束条件如公式（1）和（2）所示。在半马尔科夫过程的基础上，引入与状态停留时间相关的状态转移矩阵，提出了时变转移概率矩阵，以描述部件自身特性随时间增加的变化趋势，为部件状态可靠性和寿命预测更准确评估提供了必要手段。
目标函数：
(1)
约束条件：
(2)
其中，样本序列分段目标函数为
滚动轴承是轨道交通车辆中应用最为广泛的一种通用机械部件，故障发生率较高。滚动轴承在使用过程中常常由于疲劳、磨损、拉伤、电腐蚀、断裂、胶合等各种原因造成机器性能异常，无法正常工作。因此以轴承为例验证该方法的科学性，采用法国FEMTO-ST研究所设计实现的PRONOSTIA实验平台上采集的轴承全寿命数据。轴承Bearing1_1的预测结果如附录A中的图S4所示。隐形马尔可夫（HMM）算法寿命呈现阶梯下降状态，与实际情况严重不符。本文所提算法的预测寿命较HMM有更高的准确性，符合寿命随时间逐渐下降趋势，且可看出由于算法采用了当前时刻所处的张量子域水平及在该水平下的停留时间对状态转移概率矩阵进行了更新，算法精度会随着部件性能的逐渐退化而越来越精确，即预测寿命结果越到后期越准确。
《4.1.4. 基于多态复杂网络的列车系统动态可靠性分析》
4.1.4. 基于多态复杂网络的列车系统动态可靠性分析
轨道交通列车系统可靠性评估及分析是列车可靠性设计、运行可靠性分析的关键技术。然而，现有的轨道交通列车系统可靠性分析研究忽视了系统的多态性。为了弥补现有列车系统可靠性分析的缺陷，我们提出了一种基于改进多态极小割模型（d-MC）的全新轨道交通列车系统可靠性分析方法[16]，如图7所示。以列车转向架系统为例，在复杂网络理论的基础上分析了转向架系统的三大功能及其相互作用关系：承载功能、动力传动功能及缓冲减振功能，引入荷载流的概念，以此构建列车转向架系统的可靠性流网络。另外一方面，通过在d-MC分析中提前删减不必要的候选d-MC及重复d-MC，改进了现有d-MC理论中存在大量不必要的候选解及重复解问题，极大地提高了系统可靠性计算的效率。
《图7》
图7 基于改进d-MC模型的列车系统多态可靠性分析方法。SDP：不交和。图中所有缩略语的定义均可参考文献[
本方法通过加边变形多源多汇的转向架系统功能关系网络，得到单向汇合的网络模型，再将流量赋予网络边，即得到最终的转向架系统可靠性流网络模型。如附录A中的图S5（a）所示，虚线为附加边，节点R和节点S为虚拟节点。在基于改进的d-MC模型基础上，该方法通过加边的方法来进一步提高转向架系统在一定载荷下的设计可靠性，如附录A中的图S5（b）所示。如表2所示，改进后的转向架系统的可靠性在各种条件下都会略大于原转向架，这证明了通过增加系统中部件间的相互关系和相互作用，可以提高轨道交通列车转向架系统的可靠性。
《表2》
表2 转向架系统设计可靠性分析结果
《4.2 列车运行环境智能感知技术》
4.2 列车运行环境智能感知技术
《4.2.1. 基于多尺度残差网络的铁路视频图像增强》
4.2.1. 基于多尺度残差网络的铁路视频图像增强
随着铁路运营规模扩大和列车运行速度提高，沿线周边环境对列车运行安全影响愈来愈显著，周界异物入侵严重威胁列车安全运行。目前沿线视频监控已成为检测线路入侵风险的重要手段。铁路沿线视频监控图像质量受天气影响显著，特别是雾霾等恶劣天气，严重影响了基于人工智能的目标检测算法精度。因此，应研发有效的图像增强算法对铁路监控视频进行去雾等处理。在对铁路监控图像进行除雾时，存在两个问题：图像失真和雾霾残留。
为了解决这两个问题，我们提出了一种基于多尺度残差网络的铁路图像去雾算法[17]，算法流程如图8所示。首先，在残差网络的基础上增加多尺度卷积，通过融合三组卷积的特征，可以提取出更多的多尺度特征。然后，优化了神经网络中的残差块、瓶颈层和损失函数，以提高性能。除了网络优化之外，还合成了铁路场景的训练数据集。该方法在铁路场景下进行了测试，计算了峰值信噪比（PSNR）和结构相似性指数（SSIM），PSNR和SSIM均越大越好，结果如附录A中的图S6所示。相较于经典的图像去雾方法[25‒30]该方法在PSNR和SSIM中均取得了最佳的去雾效果，视觉效果也很好，没有图像失真和雾霾残留。
《图8》
图8 基于多尺度残差网络的铁路监控图像去雾算法。
《4.2.2. 基于机器视觉的小目标入侵检测》
4.2.2. 基于机器视觉的小目标入侵检测
铁路入侵严重威胁铁路安全，可能造成大量人员伤亡和巨大财产损失。视频监控可以对铁路现场进行实时监控，已成为铁路运行环境监控的主要手段。基于视频监控进行异物入侵识别时，由于铁路高清监控的覆盖距离较远，可达到几百米乃至数公里，会导致入侵目标在图像中的像素面积较小，且小目标在图像中包含的纹理、颜色、几何结构特征不明显或缺失，因此检测难度较高。
为提升铁路视频图像智能识别算法对入侵小目标的检测准确率，我们提出了基于先验框聚类与注意力机制的铁路周界入侵小目标检测方法[18]，模型架构如图9所示。根据铁路周界入侵目标普遍偏小的特点，采用k-means对铁路入侵数据集聚类目标的先验锚点。为提高算法的鲁棒性和数据的多样性，对铁路数据集进行扩增。为了提升网络空间特征在通道上的交互，在Darknet53骨干网络中添加了SE注意力机制[19]。测试结果如附录A中的图S7所示，Yolov3 [20]和Yolov3-SPP方法存在不同程度的漏检和误检，在铁路场景下的小目标检测效果不佳，但是本方法取得了很好的结果。
《图9》
图9 铁路周界小目标入侵检测模型。Conv：卷积；BN：批归一化；ReLu：线性整流函数；Concat：级联。
《4.2.3. 基于无人机的铁路基础设施智能巡检技术》
4.2.3. 基于无人机的铁路基础设施智能巡检技术
接触网系统是铁路基础设施的关键组成部分，特别是接触网支撑设备常因为受电弓与接触网之间的大接触力，而产生大范围震动和相关的设备损伤。铁路无人机巡检作为一种大范围、日间高效的巡检技术手段，可以和现有的综合检测车、人工巡检形成协同工作关系，显著提升现场的巡检范围和工作效率。
我们基于铁路全自动无人机巡检图片提出了一个基于二阶段检测网络的接触网杆零部件缺陷检测模型[21]，阶段1是一个用于定位接触网支持设备连接处的级联YOLO（cascaded YOLO，CYOLO），阶段2是一个基于旋转框的检测器RRNet（rotation RetinaNet，RRNet）。如附录A中的图S8所示，CYOLO融合了图像浅层边缘特征和深层语义信息，并且根据连接处图像占比建立了两个预测层，提高了检测精度。另外，通过使用Gridmask数据增广方法，克服了数据样本少和过度相似导致的模型训练过拟合问题。针对无人机图像中任意方向、小目标的高铁接触网支持设备紧固件缺陷（螺丝缺失、开口销损坏等）检测，RRNet的网络结构和锚框机制可以为这些零部件缺陷生成合适大小和数量的候选框，避免了不必要的计算开销，而且引入旋转交并比损失函数克服了预测框的角度预测不精确问题。RRNet的网络结构如附录A中的图S9所示。附录A中的图S10和图S11分别展示了一些设备连接处和紧固件检测的例子。如附录A中的图S11所示，RRNet可有效检测在不同位置的同一类型目标。
《4.3 路网运营风险评估与智能调度技术》
4.3 路网运营风险评估与智能调度技术
《4.3.1. 基于随机森林的突发事件下列车晚点影响分析》
4.3.1. 基于随机森林的突发事件下列车晚点影响分析
突发事件引发的晚点列车数量是衡量其产生影响大小的一个重要评价指标。某一事件发生后，若影响的列车越多，则表明此事件的波及范围越广，列车想要恢复正常运行的难度就越大，也就表明此事件的危害度越大，越需要关注防范。
为了进一步计算不同突发事件对晚点列车数的影响程度，量化分析突发事件的危害度，我们基于随机森林建立了突发事件晚点列车预测模型[22]。在突发事件晚点列车预测模型中，以突发事件的类型、持续时间、发生地点和发生时间点为特征变量，以事件造成的晚点列车数量为目标变量。预测模型中训练集和测试集的拟合优度分别为0.9801和0.9774，说明该模型效果良好。预测结果如附录A中的图S12所示，模型的预测值和实际值基本吻合。
《4.3.2. 基于贝叶斯网络的列车运行晚点程度预测方法》
4.3.2. 基于贝叶斯网络的列车运行晚点程度预测方法
随着铁路网络复杂性和行车密度的增加，设备故障、恶劣天气、人为干扰等风险因素给高速列车的正点运行带来了更大的挑战。晚点致因可能是复杂且相互关联的，因此有必要研究高速列车晚点程度与晚点致因之间的相关性。我们采用反映变量间依赖关系的贝叶斯网络对导致列车初始晚点的复杂相互影响致因进行建模，预测晚点后果的严重程度。该模型通过专家打分法对晚点影响因素的关联关系进行打分，选择Dempster‒Shafer证据融合理论减少专家经验判断的主观性，从而构建合理的网络结构。在专家经验的基础上，选择greedy thick thinning算法进行结构学习，获取最终网络结构，如图10（a）所示。最后，通过期望最大化算法计算贝叶斯网络节点参数，并进行贝叶斯推理。模型的计算结果如图10（b）所示，各节点的条形图显示了相应变量的边缘概率。通过联合树算法对所有晚点致因进行预测推理，预测结果汇总如表3所示。
《图10》
图10 基于贝叶斯网络的列车运行晚点预测。（a）基于专家经验修正的数据学习的贝叶斯网络结构；（b）关于高铁列车初始晚点的贝叶斯网络概率分布。CTC：调度集中系统。
《表3》
表3 不同风险等级下的列车晚点程度预测
《4.3.3. 复杂突发事件场景下高速列车智能调度优化方法》
4.3.3. 复杂突发事件场景下高速列车智能调度优化方法
在突发事件下，实时优化的列车运行调度对恢复铁路正常运行秩序十分重要，需细化研究不同突发事件场景下符合现场约束条件的可执行实时调度优化算法。我们从宏观层面上将高速铁路网抽象为由事件和活动构成的网络，考虑了从故障开始时刻至运营时段末上下行列车通过每个区间（尤其是故障区间）的顺序和时刻，以及列车由于线路能力下降而取消运行等约束，构建了列车调度优化的混合整数线性规划模型[23‒24]，目标函数和约束条件如公式（3）~（15）所示。该模型考虑了列车到发时刻调整、列车运行顺序调整和列车停运等调度策略，开发了结合遗传算法和粒子群算法的混合启发式进化算法，根据每列列车在车站的发车时间和到站时间，重建位置向量和遗传进化算子。最后，以京沪高速铁路为场景，对所提出模型和算法进行了实例验证，列车调度方案如附录A中的图S13所示。该方法实现了高速铁路列车智能化调度优化，在突发事件场景下提供较优的列车调度方案，为高速铁路调度现场提供辅助决策。表4至表6分别给出了模型的符号、参数和决策变量。
《表4》
表4 模型符号
《表5》
表5 模型参数
《表6》
表6 模型决策变量
目标函数：
(3)
基本约束条件：
(4)
(5)
(6)
(7)
单列列车运行及停站约束：
(8)
相邻列车运行间隔约束：
(9)
(10)
车站能力约束：
(11)
(12)
(13)
列车取消约束：
(14)
故障前列车运行约束：
(15)
《5、 结论》
5、 结论
智能铁路已成为铁路发达国家的主要研究与发展方向，安全作为智能铁路运营的前提和基础，迫切需要通过技术创新来保障和实现。目前铁路主动安全保障技术已成为迎接未来铁路系统安全挑战的最有效方法，在安全监测、智能巡检、故障诊断、预测性维修、运营风险预测、突发事件调度指挥等关键技术领域得到了不同程度的突破和较好的使用效果，未来需要进一步的加强相关领域的研究。特别是无损主动传感、能感一体化、全自动化机器人、因果知识模型等先进技术在加快与铁路安全技术的融合，将产生新的突破性技术和设备系统，共同为全世界铁路系统实现“零伤亡、零中断”的安全愿景做出贡献和努力。
京公网安备 11010502051620号
