神朔铁路钢轨折断风险评估模型研究

引言

钢轨是轨道最重要的组成部分之一，直接承受列车荷载且引导车轮的运行方向，它的健康状态，直接关系到列车运行安全[1]。就神朔铁路而言，由于其具有运量大、轴重大、列车运行密度高等特点，导致轨道动态受力大，钢轨伤损出现概率较大，钢轨故障类型呈多元化发展，严重影响列车的运行安全[2]。因此有必要围绕神朔铁路钢轨折断风险事件进行风险评估，定量分析钢轨折断发生的可能性。

按照“放管服”改革的统一部署，本规定对船载危险货物所涉及的行政许可事项进行了必要的调整。一是将船舶载运危险货物进出港口许可中的危险货物安全适运申报，由许可制调整为报告制；二是按照上位法的规定，将船舶载运危险货物过驳作业许可的适用范围，调整为船舶在港口水域外从事内河危险货物过驳作业或者海上散装液体污染危害性货物过驳作业。同时，本规定进一步明确了负有安全生产主体责任的托运人和承运人的安全责任，对海事管理机构事中、事后监督管理作出了规定。

国内外有许多专家学者对钢轨折断风险事件开展过研究，Palese和Zarembski[3-4]利用统计方法分析了由钢轨折断造成的脱轨与钢轨伤损检出率之间的关系；Sourget和Riollet[5]构建了基于logistic回归方法的钢轨折断预测模型，用于预测特定位置发生钢轨折断的概率；Darwin[6]利用统计回归和人工神经网络两种技术开发了钢轨折断预测工具；Veskovic等[7]利用fuzzy logic模型对特定区段特定类型钢轨的断轨频率进行预测。冯宝锐、王元清等[8]分析了钢轨折断的关键致灾因素；杨凯、瞿福林等[9]利用故障树分析方法从钢轨折断机理角度研究了钢轨折断的主要原因；吴庆记[10]运用机理分析方法来研究钢轨折断原因。

本文参考国内外钢轨折断风险评估相关研究，在既有研究成果的基础上，基于模糊推理方法构建钢轨折断风险事件可能性计算模型，计算每日每200 m钢轨折断风险发生的可能性，辅助管理者实现钢轨折断风险精细化管理。

1 钢轨折断风险评估模型构建

1.1 致灾因子划分

依据国标《生产过程危险和有害因素分类与代码》[11]以及原铁道部文件《工务系统安全风险管理实施意见》[12]，结合神朔铁路实际情况，将钢轨折断风险事件致灾因子划分为人的因素、设备因素、环境因素和管理因素四大类，用Bj(j=1，2，3，4)表示；共10个致灾因子，用Ai(i=1，2，…，10)表示，详见表1。

表1 神朔铁路钢轨折断风险事件致灾因子划分

分类人的因素B1设备因素B2环境因素B3管理因素B4相应致灾因子钢轨探伤人员业务水平A1钢轨焊接人员业务水平A2钢轨伤损数A3焊缝缺陷数A4曲线半径A5坡道地段A6昼夜温差A7是否位于特殊地质地段A8是否位于特殊路段A9钢轨超期服役A10

1.2 致灾因子状态量化评定模型

钢轨折断风险事件可能性评估的时间单位为“日”，用“d”表示；空间单位为“200 m钢轨单元区段”，设神朔铁路线路共划分成G个200 m单元区段(g=1，2，…，G，g表示单个区段的序号)，现以某一日某单元区段g为例来说明本文提出的致灾因子Ai的量化评定模型，令xi表示日期d区段g内致灾因子Ai的状态量化评定结果，xi计算模型如下

(1)人的因素B1类

A1：采用离日期d最近一次参与区段g钢轨探伤作业人员的业务考试成绩作为评定致灾因子A1的关键因素，令s表示业务考试成绩，本文提出A1的量化评定模型如下

不断加强与气象部门的会商和信息共享工作，国土资源部门向气象部门提供隐患点名称及区域分布、群测群防体系通讯录等相关资料，气象部门向我们提供全年气候趋势预测、重要天气消息、专题气象汇报、降水实况、区域站点降水统计、一周天气预报、每日天气预报等较详尽的气象资料，为强降雨期间指挥、调度全市地质灾害防范工作了提供科学的依据。有的县市还通过“村村响”喇叭或自行编制风险预警短信发送至各乡镇、村及各隐患点监测员，通知各级及时开展防范工作，从而切实打通地质灾害风险预警最后一公里的问题。2.2.4制度建设是保障

[22][60]British Documents of Foreign Affairs: Reports and Papers from the Foreign Office Confidential Office, Part IV from 1946 through 1950, Series E Asia 1950 Vol.11, University Publications of America, 2003, p.28, 52.

(1)

A2：若区段g内存在焊缝，则采用离日期d最近一次参与区段g钢轨焊接作业人员的业务考试成绩，作为评定致灾因子A2的关键因素，A2量化评定模型与式(1)类似。若区段g内不存在焊缝，A2的量化评定结果为0。

(2)设备因素B2类

A3：采用钢轨伤损扣分数作为评定致灾因子A3的关键因素。依据神朔铁路钢轨伤损等级评分管理规定，本文确定“钢轨伤损等级为轻伤扣分1分，轻伤发展扣分2分，重伤扣分5分”的扣分原则，依据《修规》[13]设置钢轨伤损扣分阈值为10分，令n1表示日期d区段g中等级为轻伤的伤损数，n2表示日期d区段g中等级为轻伤发展的伤损数，n3表示日期d区段g中等级为重伤的伤损数，令n123=n1+n2+n3，本文提出A3的量化评定模型如下

(2)

A4：致灾因子A4的量化评定模型同A3。

排练厅的低台是用红色地毯铺了面的，并不大，但因着王爷瘦，又是坐着，所以那低台仿佛在他身后空而寂寥地延伸了一大片过去。

A5：神朔铁路历史上发生的钢轨折断较大比例发生在小半径曲线上[14]，本文将半径≤1 000 m的曲线定义为小半径曲线区段，令R表示区段g曲线半径，提出A5的量化评定模型如下

(3)

A6：列车在坡度区段制动频繁，易导致钢轨伤损发展。设坡度阈值为神朔铁路最大坡度12‰，令h表示区段g坡度值，本文提出A6的状态量化评定模型如下

(4)

(3)环境因素B3类

A7：采用昼夜温差作为评定致灾因子A7的关键因素，利用距区段g最近的监测点离日期d最近的监测数据来确定日期d最高气温t1及最低气温t2，设阈值T为区段g历史最大温差值，提出A7的状态量化评定模型如下

提出了一个隐私驱动的细粒度的访问控制机制，可以对在线社交应用中的隐私泄露问题进行有效地保护。相比之前的相关工作，本文的主要贡献在于在线社交应用可以自动的对用户发布的消息进行语义分析，把涉及到的敏感话题进行标注，然后根据访问者的不同对该敏感词进行处理，最后不同的访问者得到的消息是不同的，而且该访问控制机制对用户是透明的，用户在使用起来简单便捷。并相应的进行了案例分析，证明了该访问控制机制的可行性。本文的下一步工作是，将该访问控制机制应用到现有的在线社交应用中同时提出一种根据不同用户隐私偏好自动生成用户的隐私规则的方法。

(5)

A8：特殊地质地段是指风沙、风蚀地段和特殊岩土分布地段，根据神朔铁路实际情况对处于此地段的钢轨状态量化评定结果统一定为0.1，如下

(6)

A9：特殊路段是指桥梁、桥梁过渡段，隧道、隧道过渡段、道岔区段，列车通过特殊地段时冲击力较大，钢轨伤损发展较快，易导致钢轨折断。若区段g处于特殊路段则其量化评定模型如下

解析：(1)略。(2)从工艺流程图可以看出,反应物是NaClO3、SO2和H2SO4,产物为ClO2和NaHSO4,根据得失电子守恒、原子守恒配平化学方程式:2NaClO3+SO2+H2SO4==2ClO2+2NaHSO4。(3)粗盐提纯中加入NaOH溶液沉淀Mg2+,加入Na2CO3溶液沉淀Ca2+。结合工艺流程图和氧化还原反应原理,电解过程中,Cl-(NaCl)在阳极放电得到Cl2,ClO2在阴极放电得到。(4)结合工艺流程图和题意,用含NaOH的H2O2溶液与ClO2作用,

(7)

(4)管理因素B4类

A10：采用钢轨超期服役数作为评定致灾因子A10的关键因素，利用行车数据和调度指挥系统的确报数据来确定区段g的实际累计通过总重m，依据《修规》确定规定的钢轨大修通过总重M，提出A10量化评定模型如下

(8)

1.3 钢轨折断风险事件可能性评定模型

钢轨折断风险事件是一个复杂事件，致灾因子Ai的状态与钢轨折断风险事件发生可能性之间的关系难以建立精确的数学模型。模糊推理方法可以基于模糊推理规则模拟人的智能行为，有效拟合各类致灾因子与钢轨折断风险事件可能性之间的非线性关系[15]。本文所建立的钢轨折断风险事件可能性评定模型由6个模块组成，输入变量致灾因子状态值经过模糊化、模糊规则库建立、模糊推理、去模糊化等操作之后得到钢轨折断风险可能性，具体模型结构如图1所示。

图1 钢轨折断风险事件可能性评定模型结构

1.3.1 模糊化

模糊化方法又称模糊集合论方法，指把待考察的对象及反映它们的模糊概念看成一种模糊集合，建立适当的隶属度函数，通过对模糊集合的有关运算和变换，对所考察对象进行定量分析。

1.2.4 划痕实验 OVCAR-8细胞以每孔2×105细胞接种于六孔板，待细胞长至完全融合后采用无菌200 μL枪头在中央划痕，PBS冲洗后采用倒置显微镜拍照；更换培养基后用11 μmol/L紫云英苷处理24 h，再次使用显微镜拍照，以0 μmol/为对照，以划痕宽度变化反应细胞迁移能力。

(1)输入输出变量确定

随着微机电技术、无线传感网技术和物联网技术的不断进步，人体生命体征监测技术也得到了迅速的发展。同时随着人工智能技术近几年来的快速发展，而机器学习作为推动人工智能技术发展的核动力，在各行各业也得到了广泛应用[3]，各类机器学习算法和模型越发成熟，研究具有智能化、网络化、便携式、可穿戴式的生命体征监测设备逐渐成为智能监管领域的主要研究方向。当前我国市面上出现了几款消费级可穿戴产品，如小米手环、美心血氧仪等，以上设备虽然做到了便携性与可穿戴，但是普遍存在数据采集方式单一、测量值误差大等问题，因而无法精确提取被监管人群的生命体征健康数据，这些问题直接导致了其很难在监管等领域进行拓展应用。

由于神朔铁路钢轨折断风险事件的致灾因子较多，若直接用致灾因子的模糊值推理钢轨折断风险事件发生可能性的模糊值，则会产生较多模糊规则，不便于现场实际操作。本文钢轨折断风险评估模型将基于致灾因子大类Bj建立，即将B1、B2、B3、B4这四大类致灾因子的状态作为模型输入变量，输出变量为钢轨折断风险发生的可能性。

令yj(j=1，2，3，4)表示Bj的状态评定结果，即yj是由属于Bj的致灾因子Ai的状态xi所决定的，即存在一种映射关系yj=f(xi)，一般可通过统计建模来寻找yj与xi之间的规律，采用平均数方法来计算yj

(9)

(2)输入输出变量模糊集合划分

模糊集合的划分没有特定的准则可循[16]，对每类致灾因子Bj定义3个模糊集合(j=1，2，3，4;l=低，中，高)，相应的，模型输出变量钢轨折断风险事件可能性也将分为低、中、高三个模糊集合，用Cl(l=低，中，高)表示。

(3)隶属度函数选取

隶属度函数有多种不同形式，但在解决和处理模糊信息问题上具有殊途同归的效果[17]。选取常用的高斯型隶属度函数进行致灾因子模糊化，详见式(10)。

(10)

式中，表示yj对模糊集合的隶属度；gaussmf表示高斯隶属度函数；为致灾因子隶属度函数参数，它们取值是基于实际历史生产数据，与神朔铁路现场专家和学者根据每一类致灾因子对钢轨折断的影响程度商讨确定，其中

本文输出变量钢轨折断风险可能性选取三角形隶属度函数，函数形式

μCl(z)=trimf(z;al，bl，cl)

(11)

式中，z表示输出模糊向量；μCl(z)表示z对模糊集合Cl的隶属度；trimf表示三角形隶属度函数；al、bl、cl为钢轨折断风险可能性隶属度函数参数，确定方法同上，其中(a低，b低，c低)=(0，e-6，e-5)。

1.3.2 模糊规则库建立

模糊规则库是模糊推理过程的核心部分，由若干模糊推理规则组成，是将致灾因子量化结果的模糊向量对应到钢轨折断风险发生可能性模糊向量的过程[17]。

模糊推理规则形式为

当前的基本教育教学资源从整体上讲较为缺乏，尤其是合适的网络环境、教学课程的需求及观念等没有真正落实到教育教学中。当前市场上存在的教育教学资源，依然将考题、作业当成热点，违背了全面发展素质教育及教学改革的初衷。应当加强整体资源上的合理规划，将信息技术完美地融入教育教学的资源建设中，打造出一个新型的教育教学生态环境。

R(l):if y1is …，yjis z is Cl

(12)

式中，和Cl分别为输入输出模糊集合。y=(y1，y2，…，yj)T∈U，z∈V，y和z分别为输入和输出模糊向量，U和V分别为输入变量和输出变量的论域[0，1]。

作者通过调研神朔铁路管理现状，建立了钢轨折断风险事件模糊推理规则，此规则可随着模型应用时间不断调整完善。本模型所建立的钢轨折断风险事件发生可能性规则如图2所示。

1.3.3 模糊推理与去模糊化

模糊推理是在模糊逻辑原则的基础上，利用模糊规则决定如何将输入论域U上的模糊集合与输出论域V上的模糊集合对应起来。采用应用广泛的Mamdani算法，推理钢轨折断风险事件发生可能性的模糊值，Mamdani型模糊推理可以通过事先确定的一组推理规则实现从输入到输出的推理计算，从而建立准确的模糊推理机制[17]。

2.1.2 精密度试验。通过对混合标准品溶液重复进样6针，计算RSD值，结果见表2。绿原酸、葫芦巴碱、D-(-)-奎宁酸、咖啡酸峰面积的RSD值分别为0.32%、0.25%、0.56%、0.71%，表明在此试验条件下仪器精密度良好。

令z*表示钢轨折断风险事件发生可能性精确值，采用重心解模糊器(式(13))去模糊化。

从上面的分析可以看出，本研究所选取的3个变量，即智力资本、战略柔性和创新能力的因子载荷基本满足要求；所设计调查问卷Cronbach系数都达到了0.7，说明因子变量基本符合要求，变量的描述性统计与相关性分析结果，如表4所示。

(13)

1.4 钢轨折断风险事件可能性等级评定

本文依据ALARP[18]准则，参照国标GB/T 27921—2011《风险管理风险评估技术》[19]，将神朔铁路钢轨折断风险事件可能性划分为5个等级，Ⅰ(经常)、Ⅱ(可能)、Ⅲ(偶尔)、Ⅳ(很少)和Ⅴ(几乎不可能)，并将可能性等级从高到低分别用红色、橙色、黄色、蓝色和绿色表示。依据《轨道交通安全风险管理》[20]确定风险可能性划分阈值，详见表2。将式(13)计算出的z*与表2对照可以确定区段g在日期d的钢轨折断风险可能性等级情况。

表2 钢轨折断风险可能性等级判定规则

可能性等级说明颜色标识可能性阈值风险区域紧急程度Ⅰ经常红色[10-1,1]预警风险区马上采取措施Ⅱ可能橙色[10-3,10-1)预警区制定风险应对方案Ⅲ偶尔黄色[10-4,10-3)预备预警区加强监控措施Ⅳ很少蓝色[10-5,10-4)潜在风险区无需采取控制措施Ⅴ几乎不可能绿色[0,10-5)正常生产区可以忽略

2 模型验证

2.1 数据准备

选取神朔铁路神木北至黄羊城区间上行K30+000～K40+000共50个 200 m钢轨单元区段g为研究对象，收集其2014年3月23日～2015年3月23日的钢轨病害数据和钢轨折断致灾因子数据，基于1.3节建立的钢轨折断风险评估模型，计算2015年3月24日50个200 m单元区段钢轨折断风险事件发生的可能性。

2.2 模型计算过程

2.2.1 致灾因子量化评定结果

由于不同压载舱水深不同，按照水深分成A、B、C等3类。A类压载舱包括D1和D2，B类舱包括L1、L2、L3，C类舱包括T1和T2。各舱由压载水表面至舱底的20个不同深度点进行采样，每个点采集5～15 L水样，测试水温。现场取5～8 L不等，使用15 μm孔径的筛绢进行过滤，水质澄清后灌入采样瓶，密封并带回实验室处理。采样船舶情况如表1所示。

基于式(1)～式(9)，结合区间K30+000～K40+000的致灾因子数据，可得到所选区段2015年3月24钢轨折断风险事件致灾因子状态评定结果xi以及各大类致灾因子状态评定结果yj，具体如表3和表4所示。

表3 区段g致灾因子状态评定结果xi(部分)

区段序号x1x2x3x4x5x6x7x8x9x1010.10.10.1000.03580.2500.5020.10.10.1000.03580.2500030.10.10.1000.03080.2500040.10.10000.03080.2500050.10.10.1000.03080.2500060.10.10.10.100.03080.2500.5070.10.10000.03330.2500.5080.10.10.500.50.03330.2500.50……460.10.110.30.40.08330.250.10.50470.10.10.100.40.08330.250.10.50480.10.10.100.40.08160.250.10.50490.10.10.3000.08160.250.10.50500.10.10.50.100.0950.250.10.50

表4 区段g致灾因子大类状态评定结果yj(部分)

区段序号y1y2y3y410.10.033950.1875020.10.033950.0625030.10.03270.0625040.10.00770.0625050.10.03270.0625060.10.05770.1875070.10.0083250.1875080.10.2583250.18750……0460.10.4458250.21250470.10.1458250.21250480.10.14540.21250490.10.09540.21250500.10.173750.21250

2.2.2 钢轨折断风险事件可能性计算

基于钢轨折断致灾因子状态量化结果及建立的钢轨折断风险事件可能性评定模型，利用Matlab软件进行计算，可得到神朔铁路K30+000～K40+000上行共50个200 m区段在 2015年3月24日的钢轨折断风险可能性，得出这50个区段g在2015年 3月24日钢轨折断风险事件可能性随空间位置变化的趋势，如图2所示。

图2 2015年3 月24日神朔铁路K30+000～K40+000区间钢轨折断风险可能性变化趋势

2.3 模型结果分析

根据2.2节的计算结果，神朔铁路区间K30+000～K40+000内共有3个单元区段属于钢轨折断高风险单元，47个低风险单元。详见表5。

表5 钢轨折断风险可能性等级判定结果

风险等级可能性风险区域单元区段数量Ⅲ偶尔预备预警区3Ⅳ很少潜在风险区39Ⅴ几乎不可能正常生产区8

为了验证模型的有效性，收集了该50个单元区段2015年3月24日～4月24日的实际钢轨病害数据，表6为其中7个单元区段的预测结果与实际数据的对比，包括3个Ⅲ级高风险单元区段、2个Ⅳ级风险单元区段及2个Ⅴ级风险单元区段。这7个单元区段的实际钢轨病害情况与模型计算出的风险程度较为一致，这说明了模型的有效性，对钢轨折断风险管理具有指导意义。

表6 模型计算数据与实际钢轨病害数据对比

风险等级ⅢⅣⅤ单元区段风险可能性钢轨病害数据钢轨维修数据K32+000～K32+2000.000743月26日发现大腰轨面掉块30mm更换长轨条(24m)K35+000～K35+2000.000623月28日发现钢轨掉块(60mm×18mm×5mm)更换钢轨(9.36m)K39+000～K39+2000.000564月14日,21日发现两处轻伤,两处轻伤发展,一处重伤原重伤钢轨2015.3.31日插短轨4月4日焊接K33+000～K33+2000.0000423月25日发现轻伤(距焊缝1.5m处轨头内伤)K36+000～K36+2000.0000393月31日探伤正常K32+800～K33+0000.0000063月31日探伤正常K33+400～K33+6000.0000053月31日探伤正常

3 结论

(1)以200 m为单元区段，建立基于模糊推理方法的钢轨折断风险可能性评估模型，计算钢轨折断风险发生可能性大小，有效评估风险可能性的等级，精确确定钢轨折断高风险发生的位置，有助于实现钢轨折断风险事件的精细化管理。

(2)钢轨折断风险具有动态性，区段内钢轨折断风险发生可能性随着致灾因子状态不断变化，不同时间空间位置上的致灾因子状态不同，构建的钢轨折断风险评估模型可以计算出每日每200 m区段内钢轨折断风险事件发生的可能性，实现钢轨折断风险的动态管理。

本文计算过程需要处理大量致灾因子数据和钢轨伤损数据，为实现神朔铁路钢轨折断风险智能化和信息化管理，接下来，笔者将主要研究如何利用信息技术将本文的钢轨折断风险评估方法转化为现场可利用的工具。

科研人员大多擅长科研，不擅长市场营销，因而科技成果转化为生产力就受到很大的影响，因此需要大量的专业化技术转移人才帮助科研人员实现成果的转化。虽然江苏省的技术经纪人队伍已经形成了一定规模，但总的来说技术经纪工作仍处于起步阶段，专业化的人才队伍仍然极度缺乏，尤其是既具有较强科研能力，又具有较强经营管理能力，懂市场运作的专业化、复合型人才队伍。

参考文献：

[1] 马跃平，曾润忠.钢轨探伤工[M].北京：中国铁道出版社，2004：20-25.

[2] 李军.神朔铁路钢轨使用寿命研究[J].铁道建筑，2017(11)：103-106.

[3] PALESE J W，ZAREMBSKI A M. BNSF tests risk-based ultrasonic detection[J]. Railway Track & Structures Magazine，2001，97：17-21.

[4] ZAREMBSKI A，JOSEPH W. Characterization of broken rail risk for freight and passenger railway operations[C]∥Proceedings of the AREMA 2005 Annual Conference，2005：15-22.

[5] SOURGET F，RIOLLET A. PROBARAIL： a statistical tool to improve preventive maintenance on rails[C]∥Proceedings of the 7th World Congress on Railway Research，2006：1-10.

[6] DARWIN H S. Effect of Train Length on Railroad Accidents and a Quantitative Analysis of Factors Affecting Broken Rails[D]. University of Illinois at Urbana-Champaign，2008：41-88.

[7] VESKOVI S，TEPI J，IVI M，et al. Model for predicting the frequency of broken rails[J].Metalurgija，2012，51(2)：221-224.

[8] 冯宝锐，王元清，石永久，等.我国铁路钢轨断裂事故分析及其影响因素[J].低温建筑技术，2005(4)：97-99.

[9] 杨凯，瞿福林，邱秀姣，等.基于故障树分析法的高速铁路钢轨断裂机理分析[J].铁道标准设计，2017，61(4)：33-37.

[10]吴庆记.天兰线K1454+36#轨断裂事故的分析研究[J].兰州铁道学院学报(自然科学版)，2000，19(1)：41-44.

[11]中国国家标准化管理委员会.生产过程危险和有害因素分类与代码：GB/T 13861—2009[S].北京：中国标准出版社，2009：1-7.

[12]铁道部安全监察司.工务系统安全风险管理实施意见：运工高线函[2012]124号[S].北京：中国铁道出版社，2012：15-49.

[13]中华人民共和国铁道部.铁路线路修理规则：铁运[2006]146号[S].北京：中国铁道出版社，2006：75-76.

[14]李瑞俊.神朔重载铁路断轨原因分析及预防措施[J].神华科技，2011，9(4)：81-84.

[15]王立新.模糊系统与模糊控制教程[M].北京：清华大学出版社，2003：15-90.

[16]刘于庆.基于ANFIS的钢轨折断风险事件可能性计算模型研究[D].北京：北京交通大学，2017：29-53.

[17]张国良.模糊控制及其Matlab应用[M].西安：西安交通大学出版社，2002：1-60.

[18]中国国家标准化管理委员会.轨道交通可靠性、可用性、可维修性和安全性规范及示例：GB/T 21562—2008[S].北京：中国标准出版社，2008：7-29.

[19]中国国家标准化管理委员会.风险管理 风险评估技术：GB/T 27921—2011[S].北京：中国标准出版社，2011：3-18.

[20]董锡明.轨道交通安全风险管理[M].北京：中国铁道出版社，2014：109-265.