运营主动安全保障与风险防控铁路行业重点实验室

运营主动安全保障与风险防控铁路行业重点实验室(简称重点实验室),依托北京交通大学,与中车青岛四方机车车辆股份有限公司、中车长春轨道客车股份有限公司、京沪高速铁路股份有限公司、同济大学、北京锦鸿希电信息技术股份有限公司等5家单位共建,是全国铁路行业首批7个重点实验室之一,于2020年12月通过国家铁路局铁路行业科技创新基地的认定。

城市轨道交通网络安全保障与主动防控体系研究

城市轨道交通系统安全保障正经历向“事前风险防控”的主动防控模式转型,强调城市轨道交通运营系统需具备精准感知风险点、全面辨识风险状态、实时掌握风险传播动态以及各部室间科学有效协同配合的能力,特别是近年来随着城市轨道交通路网规模逐步扩大,高强度、强耦合以及网络化运营对其风险防控与安全保障带来了新的挑战和新的要求。基于此,通过现场调研分析了城市轨道交通网络化运营对安全保障与风险防控的发展要求,提出适用于当前发展需求的城市轨道交通网络主动安全防控体系总体架构、功能结构、逻辑架构和组织架构,为保障城市轨道交通系统网络安全高效运输和安全服务提供架构支撑。

基于主动防控策略的城市轨道交通风险点集构建方法研究

针对城市轨道交通运营全过程,首先对风险和风险点等基本含义进行了梳理,明确主动防控的内涵,提出以风险点辨识、风险点关联分析和风险点排查治理为主要方法的主动防控策略,结合城轨运营现状对风险点按照IFOSE方法重新进行分类,采用主客观结合的条件判断法作为风险点辨识方法,辨识的关键包括事故报告记录的城轨运营组分、维修过程中故障率较高的组分单元以及运营过程中与其他组分关联度较高的组分节点,构建了基础设施类、运营设备类、运行调度类、车站组织类和运营环境类风险点集,为城轨运营管理中进行风险主动防控提供目标对象和方法指导。

基于WBS-HLPN的主动防控业务流模型构建研究

在城轨系统双重预防机制的建设思想与路线实践过程中,存在具体工作缺少流程和方法支撑、不能高效实施的缺陷,为改善这种理论与实践相互割裂的现象,需要优化主动防控的业务流程。为有效实现理论方法的落地应用,采用工作分解结构(WBS)与高级Petri网映射建模的方法,构建主动防控业务整体运行路线模型,为现行或新建城轨系统提供主动防控机制的运行模板,使城轨系统的安全管理工作有迹可循,成为一个科学、耦合、高效的完整体系。

高速列车在途安全监测与预警技术

高速列车是高铁完成运输使命的核心装备和直接载体,绝大多数高铁重大事故和安全隐患均发生在列车运行中,高速列车在途安全和运用效率是高铁安全保障和运维技术体系构建的核心目标,也是全球高铁领域科技竞争高地。本文介绍了项目组在列车在途服役状态全息化感知和精确辨识、故障在途诊断和预警、预测性精益维修和高性能车地数据传输等瓶颈技术取得的一些重要进展。

基于无人机遥感图像的铁路轨道区域分割提取方法研究

轨道区域是列车运行的核心区域,对该区域的铁路基础设施进行快速有效的检测具有重要意义。近年来无人机遥感技术有了很大进步,采用无人机对轨道区域设施设备进行定期或不定期的巡检成为一种发展趋势。然而无人机巡检工作中采集的图像视域广阔,内容丰富,分辨率高,于是对这些图像中轨道区域的分割提取成为首要任务。本文提出了一种基于无人机遥感图像的铁路轨道区域分割提取方法,首先利用无人机搭载的可见光相机完成铁路沿线场景地物图像的采集,并构建铁路沿线场景语义分割数据集;其次构建了铁路沿线场景语义分割模型以实现对轨道区域的像素级分割;最后提出了双矩形法以对分割好的图像中的轨道区域进行提取。

铁路防护栅栏巡视系统的设计与实现

铁路防护栅栏是铁路行车安全的重要防护设施,目前对防护栅栏巡视检查多采用添乘巡视、人工沿线巡查等方式,存在工作量大、检测精度不高的问题。铁路防护栅栏巡视系统采用北斗精确定位技术、图像识别技术、大数据分析技术及AI人工智能学习技术实现添乘时自动采集铁路沿线防护栅栏视频数据,并根据栅栏病害信息库,实现防护栅栏各种隐患的全息智能识别、主动诊断、故障警示等工况安全状态评估。系统的应用,不仅能解决人工添乘高强度的工作量,还能提高工作效率,为行车安全奠定扎实基础。

基于视频的车站客流状态识别方法研究

对车站客流的状态进行研究是城市轨道交通安全保障与风险管控内容的重要方面,科学合理地对客流状态进行评价对城轨运营安全起着重要作用。在对YOLOv5算法优化的基础上,形成客流密度识别方法,优化后算法在测试集上的mAP50-95指标提升到了0.5962,在车站各区域实际场景中乘客的平均检测准确率为86.82%;将Deep-SORT多目标追踪算法与单应性矩阵结合,形成客流速度识别方法,经过验证对乘客速度识别的精度可达93.2%,为城市轨道交通车站的安全运营提供帮助。

基于拓扑网络的广义城轨信号系统关键组分识别方法

信号系统作为城市轨道交通系统运营的大脑,其故障问题是导致城轨运营事故发生的关键因素之一。然而1个事故或者故障的发生往往不是单一的组分出现问题,而是多个组分间相互影响、互相作用的结果。因此其可靠性和安全性可能会受到系统关键组分特性的显著影响。通过调研分析广义城轨信号系统的构成、运营安全特性及影响要素集,并结合城轨信号系统组分间关系,构建了城轨信号系统拓扑网络模型,并利用改进的有限状态机对其进行优化,得到城轨信号系统安全特征拓扑网络模型。基于隐马尔可夫模型的风险文本抽取算法对其关键组分进行识别,最终得到111个信号系统关键组分,并与信号系统国家级风险文件中设备相关风险点清单进行对比,发现覆盖率较高,证明该研究提出的信号系统关键组分辨识方法合理有效。

列车虚拟编组应用需求及关键技术研究

列车虚拟编组是基于车车通信的新型列车灵活编组技术,已逐渐成为业内的研究热点。列车灵活编组可有效解决轨道交通客流时空分布不均衡问题,在节能降耗上也意义重大。阐述了轨道交通运输网络的运力瓶颈问题及其对列车灵活编组的需求,对比了国内外列车灵活编组实际应用案例及其特征。分析了列车虚拟编组的技术理念,研究了虚拟编组车队的组编过程及解编过程。提出了列车虚拟编组应用所需的关键技术支撑(包括高精度的列车主动实时定位及低延时、高可靠的车车无线通信等),以及其核心技术(包括高智能、自适应的编队协同优化及高安全、强韧性的多车协同控制与防护等)。

基于机器学习的动车组齿轮箱轴承故障诊断模型研究

齿轮箱是动车组传动系统关键部件,齿轮箱轴承故障对动车组安全运营影响重大,因此需要对轴承进行状态监测和故障诊断。本研究采用机器学习的算法构建齿轮箱轴承故障诊断模型,结合真实列车运营数据和齿轮箱轴承故障数据,挖掘轴承故障特征,实现对齿轮箱轴承故障的诊断。模型构建流程主要分为以下四个步骤:数据聚合、数据探索、特征工程、模型构建。使用逻辑回归、随机森林、支持向量机相结合的算法构建机器学习分类模型。模型运行结果显示:模型准确率98%,故障齿轮箱召回率100%。

基于神经网络的牵引电机冷却风机性能监控方法

为监控牵引电机冷却风机性能状态,进行健康评估和故障预测,防止由于散热不良造成电机定子温度过高,本文提出一种基于神经网络的牵引电机风机性能提取方法。通构建有效特征,基于BP神经网络训练正常运行状态下特征间的关系,预测电机定子温度。根据实测值与预测值的偏差,定义风机性能状态。利用统计控制过程理论进行性能预测。通过在CR400BF车型进行验证,上述方法可准确提前预测出风机滤网堵塞故障,有效保证列车运行安全。