动态检测数据驱动的高速铁路有砟轨道几何不平顺超限大值预警方法

为了对高速铁路有砟轨道几何不平顺幅值超限进行准确预警,结合局部异常因子算法,提出了一种动态检测数据驱动的轨道几何不平顺维修作业识别方法。首先,基于支持向量机(Support Vector Machine,SVM)算法对轨道几何不平顺超限劣化过程进行分析,将影响列车运行的持续劣化超限作为研究对象;随后,使用局部异常因子(Local Outlier Factor,LOF)算法对轨道几何不平顺维修作业进行识别,依据识别结果划分超限劣化过程;最后,对两次维修作业之间的检测数据进行分析,验证轨道几何不平顺幅值的劣化为线性过程,并对几何不平顺幅值进行预测。利用该方法对某线路进行劣化分析,并与近6年的动态检测数据对比。结果表明:该方法识别维修作业准确度达91%;基于鲁棒回归的劣化模型能够准确预测轨道几何不平顺超限大值。该方法不需历史维修作业数据,可自动划分劣化过程,通过几何不平顺幅值预测模型对超限发展进行预测,及时预警几何不平顺超限大值。