基于BP神经网络的轨道不平顺维修决策建模

针对高速铁路轨道在列车荷载运行过程中产生的轨道质量状态劣化情况，本文基于BP神经网络建立了高速铁路的轨道不平顺维修决策模型。模型基于轨道运检过程中采集到的轨道几何特征数据，综合考虑七个几何轨道不平顺几何特征指标涵盖的信息特征，将轨道维修决策抽象为基于多维度特征的二分类问题，然后通过算法定位历史维修点，构造模型训练集，建立BP神经网络模型自主学习，最终达到输入轨道数据，输出铁路维修决策的效果，以达到指导实际铁路维修过程，优化铁路维修决策的目的。经实际运行数据的验证，所建立的神经网络模型在验证集准确率达到80%以上，证明了模型的有效性。

现阶段我国铁路运输中，旅客服务趋向高速化，货运服务趋向重载化，为铁路带来了更多的经济效益和社会效益的同时也加剧了铁路轨道状态的恶化，传统的轨道维修养护模式已经无法满足铁路运行的需求，因此就对轨道养护提出了新的要求。

目前，国内主要的轨道养护管理方法有两种模式：1) 工务部门根据综合检测列车检测发现的轨道几何尺寸超限处所，以及轨道质量指数TQI (Track Quality Index)较差的区段编制具体维修计划，即“故障修”；2) 当轨道线路累积通过的总重量超过规定的标准且轨道部件存在较多的病害问题时，安排相应的大中修或综合维修计划，即“周期修”。这两种轨道养护管理模式大幅增加了工务部门的工作量，同时对于有限的养护维修资源，如资金、养护机械等，无法做到合理安排以及科学配置，最后造成大量的资源浪费，耽误工作效率。

近些年，为了节约资源，提高效率，各行业针对工业部件老化，纷纷提出了另一种养护维修模式， 即“状态修”。铁路轨道“状态修”的主要内容是基于已有的轨道几何质量状态的历史样本数据，对其进行研究总结，得到相应的轨道几何不平顺的变化规律，分析和挖掘恶化规律，在此理论基础上构建科学合理的预测模型,实现对轨道线路病害的预测和预报,具有极其重要的价值和现实意义。现阶段，随着人工智能兴起，采用机器学习的方法进行铁路故障诊断和维修决策也逐渐成为研究热点。其基本理念是针对大量的特征数据来构建分类器，分类器的效果是数据的直观反映。彭丽宇等基于BP (Back Propaga-tion)神经网络对轨道不平顺的七个几何特征的变化规律进行预测分析，从而指导维修决策[1]。孔德扬等则是基于BP 神经网络创建了铁路安全管理模型并构建评价指标体系，为铁路维修现场的安全管理提供一定的理论基础[2]。本文基于轨道几何特征数据构建BP 神经网络模型，将铁路维修决策问题抽象为基