CN104850748B

CN104850748B - 一种铁路钢轨折断故障分析预警方法及系统

Info

Publication number: CN104850748B
Application number: CN201510275827.8A
Authority: CN
Inventors: 王福田; 王峰; 刘仍奎; 孙全欣; 白磊; 唐源洁; 白文飞; 安茹
Original assignee: Lanzhou Railway Administration; Beijing Jiaotong University
Current assignee: Lanzhou Railway Administration; Beijing Jiaotong University
Priority date: 2015-05-26
Filing date: 2015-05-26
Publication date: 2017-09-15
Anticipated expiration: 2035-05-26
Also published as: CN104850748A

Abstract

本发明公开一种铁路钢轨折断故障分析预警方法及系统，该方法包括如下步骤：按设定的长度标量划分铁路线路得到多个单元网格，并定义各单元网格的部件和事件，基于部件和事件描述钢轨的全生命周期状态数据；采集并整合各单元网格的钢轨全生命周期状态数据；根据各单元网格的钢轨全生命周期状态数据，建立各单元网格的钢轨状态劣化马尔可夫随机过程模型；基于上述各单元网格的马尔可夫随机过程模型，计算各网格未来一个钢轨状态检测周期内的钢轨折断概率，对钢轨折断概率划分不同阈值，并进行钢轨折断故障预警。本发明所述技术方案简化了钢轨折断故障分析预警的计算规模并同时提高了计算精度，可分析预警钢轨折断故障的具体位置和时间。

Description

一种铁路钢轨折断故障分析预警方法及系统

技术领域

本发明涉及铁路安全领域。更具体地，涉及一种铁路钢轨折断故障分析预警方法及系统。

背景技术

铁路钢轨折断故障是制约铁路行车安全正点的主要因素之一，断轨一方面影响线路正常行车，造成列车晚点，另一方面会带来造成列车脱轨颠覆的危险。

铁路钢轨折断受设计、建设、运营、自然环境等综合因素作用，如线路设计、无缝线路应力设计等设计因素，钢轨材质、铺设条件、焊接工艺等制造、建设因素，运营过程中列车通过总重、机车轴重、行车密度、列车编组、列车启动制动、钢轨伤损历史、线路养护不良等运营条件，以及地形、气候、气温变化等环境因素，很多因素难以描述和量化。

铁路钢轨折断故障与特定的设计、建设、运营和自然环境因素密切相关，其中线路设计受地理环境影响需要进行特殊设计，建设过程中施工工艺受地理环境影响需要特殊选择，铁路运营因设备特征、线路位置而有所不同，气温变化因地理位置和地形特征有差异，上述因素都与空间位置密切相关，所以空间位置因素对钢轨折断故障将起决定作用。

而现有的铁路钢轨折断分析方法为采用因素分析法或统计规律建模进行分析：

因素分析法是利用统计指数体系分析现象总变动中各个因素影响程度的一种统计分析方法，采用这种方法能够使研究者把一组反映事物性质、状态、特点等的变量简化为少数几个能够反映出事物内在联系的、固有的、决定事物本质特征的因素。采用因素分析方法分析铁路钢轨折断故障，其困难在于需要描述钢轨折断的因素太多，很多因素难以量化，导致因素变量矩阵过于庞大，数据采集困难，计算复杂而又无法穷尽所有因素，分析效果大打折扣。

统计规律建模一般是统计全国、统计一个铁路局或一个工务段管辖范围内的钢轨折断数据，建立预测模型，进行钢轨折断数量的趋势预测，这种方法难以确定钢轨折断的具体位置和时间。

因此，需要提供一种铁路钢轨折断故障分析预警方法及系统。

发明内容

本发明的一个目的在于提供一种铁路钢轨折断故障分析预警方法及系统。

为达到上述目的，本发明采用下述技术方案：

一种铁路钢轨折断故障分析预警方法，该方法包括如下步骤：

S1、按设定的长度标量划分铁路线路得到多个单元网格，并定义单元网格中的部件和事件，基于部件和事件描述铁路钢轨全生命周期状态数据；

S2、采集并整合各单元网格的钢轨全生命周期状态数据；

S3、根据各单元网格的钢轨全生命周期状态数据，建立各单元网格的钢轨状态劣化的马尔可夫随机过程模型；

S4、基于各单元网格的钢轨状态劣化的马尔可夫随机过程模型，进行钢轨折断故障预警。

优选地，步骤S1中的设定的长度标量为200米。

优选地，步骤S2中的单元网格的钢轨全生命周期状态数据包括：单元网格的钢轨伤损的历史检测数据和单元网格异质性因素的历史数据。

优选地，单元网格异质性因素包括：列车通过总重、线路平面线型特征、路基特征、坡度特征、地质特征。

优选地，步骤S3中单元网格的钢轨状态劣化的马尔可夫随机过程模型的模型公式为：

公式中，t_A、t_B分别为对单元网格G_n的相邻两次钢轨检测时刻，T＝t_A-t_B表示两次检测的时间间隔；h_n(t_A)、h_n(t_B)分别为单元网格G_n的钢轨状态在t_A、t_B时刻的劣化等级；i、j的可能值分别为1、2、3、4，其中1代表单元网格G_n的钢轨状态为正常，2代表单元网格G_n的钢轨状态为轻伤，3代表单元网格G_n的钢轨状态为重伤，4代表单元网格G_n的钢轨状态为折断；θ代表钢轨状态劣化所服从指数模型的失效率。

优选地，步骤S4进一步包括如下子步骤：

S4.1、基于各单元网格的钢轨状态劣化的马尔可夫随机过程模型，计算各单元网格的钢轨折断概率；

S4.2、根据各单元网格的钢轨折断概率和设定的阈值，进行铁路钢轨折断预警。

优选地，步骤S4.1中计算各单元网格的钢轨折断概率的方法为：计算在t_A时刻单元网格G_n的钢轨伤损状态劣化等级为i的前提下，在t_B时刻单元网格G_n的钢轨伤损状态劣化等级为4的概率i的可能值为1、2、3。

一种执行如上文所述方法的铁路钢轨折断故障分析预警系统，其特征在于，该系统包括：

铁路线路划分模块，按设定的长度标量划分铁路线路得到多个单元网格；

钢轨全生命周期状态数据描述模块，基于单元网格部件和事件，描述铁路钢轨全生命周期状态数据；

钢轨全生命周期状态数据采集与整合模块，采集并整合各单元网格的钢轨全生命周期状态数据；

钢轨状态劣化过程建模模块，根据各单元网格的钢轨全生命周期状态数据，建立各单元网格的钢轨状态劣化的马尔可夫随机过程模型；

钢轨折断故障预警分析模块，基于各单元网格的钢轨状态劣化的马尔可夫随机过程模型，对钢轨折断故障进行预警。

本发明的有益效果如下：

本发明所述技术方案基于单元网格进行钢轨状态劣化规律个性化建模，充分考虑异质性因素，将影响钢轨状态劣化的各种不确定因素都归结到空间位置上，每个单元网格具有不同的钢轨状态劣化规律，简化了钢轨折断故障的计算规模并同时提高了计算精度，可分析预警钢轨折断故障的具体位置和时间。

附图说明

下面结合附图对本发明的具体实施方式作进一步详细的说明。

图1示出铁路钢轨折断故障分析预警方法流程图。

图2示出铁路钢轨折断故障分析预警系统示意图。

图3示出相邻两次维修时间之内的单元网格的钢轨状态劣化曲线图。

具体实施方式

为了更清楚地说明本发明，下面结合优选实施例和附图对本发明做进一步的说明。附图中相似的部件以相同的附图标记进行表示。本领域技术人员应当理解，下面所具体描述的内容是说明性的而非限制性的，不应以此限制本发明的保护范围。

如图1所示，本实施例提供的铁路钢轨折断故障分析预警方法，包括如下步骤：

Step1、按设定的长度标量划分铁路线路得到多个单元网格，并定义单元网格中的部件和事件，基于部件和事件描述铁路钢轨全生命周期状态数据；

Step2、采集并整合各单元网格的钢轨全生命周期状态数据；

Step3、根据各单元网格的钢轨全生命周期状态数据，建立各单元网格的钢轨状态劣化的马尔可夫随机过程模型；

Step4、基于各单元网格的钢轨状态劣化的马尔可夫随机过程模型，进行钢轨折断故障预警。

其中

步骤Step1“按设定的长度标量划分铁路线路得到多个单元网格，并定义单元网格中的部件和事件，基于部件和事件描述铁路钢轨全生命周期状态数据”的具体过程如下：

根据钢轨状态描述的需要，将连续的铁路线路离散化，即按200米的长度标量分割铁路线路，得到多个线路区段，各线路区段作为单元网格G_n，n＝1，2，…，N，其中N为单元网格总数量。划分网格的作用为精确定位折断故障点，以及使得很多不易量化的异质性因素可以进行量化。

本实施例将单元网格中的铁路工务、电务、牵引供电等不同专业的行车固定设备统称为部件，对于在空间特征上长度超过200米的连续设备或长大设备，跨多个网格，需要划分成多个部件，隶属不同网格，有利于设备状态细分、故障定位。

本实施例采用事件的方式描述铁路钢轨全生命周期状态数据中的部件状态，事件是指铁路部件(设备)的一种属性信息，反映铁路部件的一种状态，可通过检查或检测手段获得，也包括与部件有关的各种管理行为。事件能够反映部件在某一时刻的状态特征，经过记录，可以追踪，方便进行部件全生命周期管理。部件的状态特征，有人为操作的管理行为，能够反映部件状态及其变化，也有部件本身状态演变形成的异常状态，如故障，也有自然因素导致的设备状态变化，如洪水、地震、山体滑坡、雪灾等自然灾害。事件种类众多、内容庞杂，可按照设备的设计、建设和运营三个不同的时间阶段划分。

为描述钢轨全生命周期状态，需要对铁路钢轨相关的单元网格、部件、事件进行属性设计，即对单元网格、部件、事件的性质或特征进行标准化，以方便进行计算机管理。由于铁路系统的复杂性，网格、设备、事件的属性数据纷繁多样，但有三个基本特征是它们共同拥有的：空间特征、专题特征和时间特征。需要基于这三大特征进行单元网格、部件、事件的属性设计，建立铁路钢轨全生命周期状态属性数据标准，进而基于该标准描述铁路钢轨全生命周期状态数据。

步骤Step2“采集并整合各单元网格的钢轨全生命周期状态数据”的具体过程如下：

Step2.1、采集各单元网格的钢轨全生命周期状态数据：

按照设计、建设和运营三个时间阶段采集钢轨全生命周期状态数据，该数据包括钢轨设计、制造、安装、检测、伤损和维修等不同专题。

本实施例采集的各单元网格的全生命周期状态数据包括单元网格的钢轨伤损历史检测数据和单元网格异质性因素的历史数据。

单元网格的钢轨状态劣化过程与运输组织因素(如通过总重，列车运行速度、密度等)，设备维修时间因素，自然因素(如温度，天气，风沙等)，轨道关联设备因素(如轨枕是否失效、道床是否脏污、路基状态是否良好等)，线路条件因素(如小半径曲线、大坡道或隧道等集中地段等)，运输条件因素(如煤、砂、矿建散装或集装箱运输)等有关。上述影响因素对于单元网格的钢轨劣化状态劣化的影响水平均不同、具有异质性，故将这些因素称为单元网格的异质性因素。

本实施例中采集的单元网格异质性因素包括：列车通过总重、线路平面线型特征(曲线长度所占单元网格长度比例)、路基特征(单元网格路基稳定程度，0～1之间的一个数值)、坡度特征(单元网格内最大最小坡度差的绝对值)、地质特征(单元网格的地质软硬程度，0～1之间的一个数值)。

Step2.2、对各单元网格的钢轨全生命周期状态数据进行编码：

为了对钢轨全生命周期状态数据进行统一管理和整合，对钢轨进行全生命周期编码。基于网格进行编码设计，包括对各单元网格的编码设计、部件编码设计和事件编码设计，对各单元网格的钢轨全生命周期状态数据进行编码。

Step2.3、整合各单元网格的钢轨全生命周期状态数据：

在钢轨全生命周期编码基础上，基于单元网格的钢轨全生命周期状态数据，从空间(单元网格、里程)、部件和时间等不同的维度，整合某一特定地点(单元网格、里程)、某一特定时间或时间段内，钢轨部件全生命周期过程中设计、建设和运营三个时间阶段产生的状态数据信息，包括相关网格、部件、事件的全部信息。

步骤Step3“根据各单元网格的钢轨全生命周期状态数据，建立各单元网格的钢轨状态劣化的马尔可夫随机过程模型”的具体过程如下：

铁路钢轨在没有进行维修(如打磨)时，其状态劣化过程具有典型的马尔科夫特性，即在给定现在状态及所有过去状态情况下，其未来状态的条件概率分布仅依赖于当前状态，所以本实施例用马尔科夫随机过程近似描述单元网格的钢轨状态劣化过程。

《铁路线路修理规则》按钢轨伤损程度将钢轨伤损分为轻伤、重伤和折断三类，在此基础上，本实施例选取200米单元网格内钢轨伤损的最高等级定义该单元网格的钢轨状态，单元网格钢轨状态分为正常、轻伤、重伤和折断四种劣化等级，而单元网格在历史时刻的劣化等级由其钢轨伤损的历史检测数据计算得出。

采用马尔可夫(Markov)随机过程模型来描述相邻两次维修之间的单元网格的钢轨状态劣化过程，利用马尔可夫状态转移矩阵描述单元网格的钢轨状态劣化等级经过T和zT(z为正整数)时间间隔后变化的不确定性，其中T表示钢轨探伤检测周期。根据《铁路线路修理规则》，钢轨探伤车每月检查1次正线线路钢轨状态，即检测周期T为1个月，这样就针对不同网格建立了不同的钢轨劣化马尔可夫随机过程模型。

相邻两次维修之间的单元网格的钢轨状态劣化过程，如图3所示。

图3中横轴为时间轴，纵轴为单元网格钢轨伤损状态劣化等级。t_A、t_B分别为对单元网格G_n的相邻两次钢轨检测时刻，并且处于相邻两次钢轨维修之间。T＝t_A-t_B表示两次检测的时间间隔，即钢轨探伤的检查周期。h_n(t_A)为单元网格G_n的钢轨状态在t_A时刻上的劣化等级，h_n(t_A)＝i，i＝1,2,3,4，其中i＝1代表单元网格G_n的钢轨状态为正常，i＝2代表单元网格G_n的钢轨状态为轻伤，i＝3代表单元网格G_n的钢轨状态为重伤，i＝4代表单元网格G_n的钢轨状态为折断。h_n(t_B)为钢轨状态在t_B时刻上的劣化等级，h_n(t_B)＝j，j＝1,2,3,4，其中j＝1代表单元网格G_n的钢轨状态为正常，j＝2代表单元网格G_n的钢轨状态为轻伤，j＝3代表单元网格G_n的钢轨状态为重伤，j＝4代表单元网格G_n的钢轨状态为折断。

描述单元网格钢轨伤损状态劣化等级经过T时间间隔后变化不确定性的马尔可夫转移概率定义为：在t_A时刻单元网格G_n的钢轨状态劣化等级为i的前提下，在t_B时刻单元网格G_n的钢轨状态劣化等级为j的概率见公式(1)所示。

公式(1)

其中：

当i＞j时，

因此，相应的单元网格G_n的钢轨状态劣化等级的马尔可夫状态转移概率矩阵ηⁿ(T)即可表示为，

由于单元网格的钢轨状态劣化的确定性，在相邻两次钢轨维修之间其状态只会逐渐劣化不会突然变好，所以当i＞j时，当单元网格钢轨状态劣化等级为4(折断)时，其状态转移概率为1，即

对于单元网格钢轨伤损状态的马尔可夫转移概率的确定，本实施例采用多阶段指数马尔可夫模型，如图3所示，在相邻两次周期性检测中，钢轨状态的变化为：i变为j，则相应的马尔可夫转移概率如公式(3)所示：

公式(3)

同时：

公式(4)

在公式(3)、(4)中，k为循环变量，表示从i到j的循环；θ代表寿命分布模型的失效率，寿命分布模型指的是钢轨状态劣化过程服从指数模型，即钢轨状态为：1变为2、2变为3、3变为4，这三个指数模型；T表示相邻两次检测时间间隔。此外，若相邻两次检测中钢轨状态i变为4(状态4——折断为马尔可夫吸收状态)，根据马尔可夫模型性质，相应的马尔可夫状态转移概率为，

公式(5)

则第n个单元网格G_n的风险率(i＝1,2,3；n＝1,...,N)的定义如下所示：

公式(6)

其中表示第n个单元网格G_n的各类异质性因素，表示待确定参数(异质性因素所占的比例系数)组成的纵向量，M为异质性因素的种类个数。

为测定马尔可夫状态转移概率，根据单元网格G_n的历史检测数据(包括单元网格异质性因素的历史数据)，构建对数似然函数，公式如下：

公式(7)

其中(i＝1,2,3；j＝1,2,3,4,n＝1,2,...,N)为引入变量，其定义如下：

利用极大对数似然估计，求解相应的3M个非线性方程组，即可确定最优满足

公式(9)

当考虑单元网格的列车通过总重、线路线型特征、路基特征、坡度特征和地质特征这5种异质性因素时，M的取值为5。

步骤Step4“基于各单元网格的钢轨状态劣化的马尔可夫随机过程模型，进行钢轨折断故障预警”的具体过程如下：

Step4.1、基于各单元网格的钢轨状态劣化的马尔可夫随机过程模型，计算各单元网格的钢轨折断概率：

根据马尔可夫随机过程模型性质，针对不同的时间间隔，马尔可夫状态转移矩阵是不同的。若将时间间隔扩大到zT，则相应的转移概率矩阵ηⁿ(zT)＝{ηⁿ(T)}^z，其中z为正整数。这样，利用马尔可夫随机过程模型不仅可预测T时间间隔后单元网格钢轨伤损状态(钢轨折断概率)，还可预测zT时间间隔后单元网格钢轨伤折断概率。钢轨检测周期T为1个月，即可以按月为周期预测单元网格钢轨折断概率。

根据最优估计利用公式(3)和(6)，计算在t_A时刻单元网格G_n的钢轨伤损状态劣化等级为i的前提下，在t_B时刻单元网格G_n的钢轨伤损状态劣化等级为j的概率即得到ηⁿ(T)，进而得到第n个单元网格G_n在T时间后的钢轨折断概率Pⁿ(T)，即在t_B时刻单元网格G_n的钢轨伤损状态劣化等级为4的概率。

Step4.2、根据各单元网格的钢轨折断概率，进行铁路钢轨折断预警：

针对各单元网格的钢轨折断概率设定多个阈值，按所设定的阈值将钢轨折断风险划分为多个风险等级，由此对达到特定风险等级的单元网格进行钢轨折断故障预警。

单元网格的钢轨折断概率设定三个阈值ξ₁,ξ₂,ξ₃(ξ₁＜ξ₂＜ξ₃)，在此基础上，钢轨折断风险划分为4级：

1)A级(风险程度较高)，Pⁿ(T)∈(ξ₃,1]；

2)B级(风险程度高)，Pⁿ(T)∈(ξ₂,ξ₃]；

3)C级(风险程度一般)，Pⁿ(T)∈(ξ₁,ξ₂]；

4)D级(风险程度较低)，Pⁿ(T)∈[0,ξ₁]。

对达到A、B级钢轨折断风险的单元网格进行预警。

钢轨折断概率三个阈值的选取可根据铁路工务管理部门的管理业务需要进行设定。

本实施例提供的执行上述方法的铁路钢轨折断故障分析预警系统，包括：

钢轨全生命周期状态数据采集与整合模块，采集与整合各单元网格的钢轨全生命周期状态数据，进行钢轨全生命周期状态数据的统一编码，进行数据的入库存储管理，基于网格、部件和时间进行整合；

钢轨折断故障预警分析模块，基于各单元网格的钢轨状态劣化的马尔可夫随机过程模型，对钢轨折断故障进行预警，即通过预测下一个检测时刻的钢轨折断概率，利用设定的多个单元网格的钢轨折断概率阈值，判断预测的钢轨折断风险等级，对达到特定风险等级的网格进行预警。

显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定，对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动，这里无法对所有的实施方式予以穷举，凡是属于本发明的技术方案所引伸出的显而易见的变化或变动仍处于本发明的保护范围之列。

Claims

1.一种铁路钢轨折断故障分析预警方法，其特征在于，该方法包括如下步骤：

S2、采集并整合各单元网格的钢轨全生命周期状态数据；

S3、根据各单元网格的钢轨全生命周期状态数据，建立各单元网格的钢轨状态劣化的马尔可夫随机过程模型；所述单元网格的钢轨状态劣化的马尔可夫随机过程模型的模型公式为：

<mrow> <msubsup> <mi>&pi;</mi> <mrow> <mi>i</mi> <mi>j</mi> </mrow> <mi>n</mi> </msubsup> <mo>=</mo> <mi>p</mi> <mi>r</mi> <mi>o</mi> <mi>d</mi> <mrow> <mo>(</mo> <mrow> <msub> <mi>h</mi> <mi>n</mi> </msub> <mrow> <mo>(</mo> <msub> <mi>t</mi> <mi>B</mi> </msub> <mo>)</mo> </mrow> <mo>=</mo> <mi>j</mi> <mo>|</mo> <msub> <mi>h</mi> <mi>n</mi> </msub> <mrow> <mo>(</mo> <msub> <mi>t</mi> <mi>A</mi> </msub> <mo>)</mo> </mrow> <mo>=</mo> <mi>i</mi> </mrow> <mo>)</mo> </mrow> <mo>=</mo> <munderover> <mi>&Sigma;</mi> <mrow> <mi>k</mi> <mo>=</mo> <mi>i</mi> </mrow> <mi>j</mi> </munderover> <munderover> <mi>&Pi;</mi> <mrow> <mi>l</mi> <mo>=</mo> <mi>i</mi> </mrow> <mrow> <mi>k</mi> <mo>-</mo> <mn>1</mn> </mrow> </munderover> <mfrac> <msub> <mi>&theta;</mi> <mi>l</mi> </msub> <mrow> <msub> <mi>&theta;</mi> <mi>l</mi> </msub> <mo>-</mo> <msub> <mi>&theta;</mi> <mi>k</mi> </msub> </mrow> </mfrac> <munderover> <mi>&Pi;</mi> <mrow> <mi>l</mi> <mo>=</mo> <mi>k</mi> </mrow> <mrow> <mi>j</mi> <mo>-</mo> <mn>1</mn> </mrow> </munderover> <mfrac> <msub> <mi>&theta;</mi> <mi>l</mi> </msub> <mrow> <msub> <mi>&theta;</mi> <mrow> <mi>l</mi> <mo>+</mo> <mn>1</mn> </mrow> </msub> <mo>-</mo> <msub> <mi>&theta;</mi> <mi>k</mi> </msub> </mrow> </mfrac> <mi>exp</mi> <mrow> <mo>(</mo> <mrow> <mo>-</mo> <msub> <mi>&theta;</mi> <mi>k</mi> </msub> <mi>T</mi> </mrow> <mo>)</mo> </mrow> </mrow>

公式中，t_A、t_B分别为对单元网格G_n的相邻两次钢轨检测时刻，T＝t_A-t_B表示两次检测的时间间隔；h_n(t_A)、h_n(t_B)分别为单元网格G_n的钢轨状态在t_A、t_B时刻的劣化等级；i、j的可能值分别为1、2、3、4，其中1代表单元网格G_n的钢轨状态为正常，2代表单元网格G_n的钢轨状态为轻伤，3代表单元网格G_n的钢轨状态为重伤，4代表单元网格G_n的钢轨状态为折断；θ代表钢轨状态劣化所服从指数模型的失效率；为在t_A时刻单元网格G_n的钢轨状态裂化等级为i的前提下，在t_B时刻单元网格G_n的钢轨状态裂化等级为j的概率；k表示循环变量，表示从钢轨状态裂化等级i到钢轨状态裂化等级j的循环，θ_l表示循环变量为l时钢轨状态劣化所服从指数模型的失效率，θ_l+1表示循环变量为l+1时钢轨状态劣化所服从指数模型的失效率，θ_k表示循环变量为k时钢轨状态劣化所服从指数模型的失效率；

2.根据权利要求1所述的铁路钢轨折断故障分析预警方法，其特征在于，所述步骤S1中的所述设定的长度标量为200米。

3.根据权利要求1所述的铁路钢轨折断故障分析预警方法，其特征在于，所述步骤S2中的所述单元网格的钢轨全生命周期状态数据包括：单元网格的钢轨伤损历史检测数据和单元网格异质性因素的历史数据。

4.根据权利要求3所述的铁路钢轨折断故障分析预警方法，其特征在于，所述单元网格异质性因素包括：列车通过总重、线路平面线型特征、路基特征、坡度特征、地质特征。

5.根据权利要求1所述的铁路钢轨折断故障分析预警方法，其特征在于，步骤S4进一步包括如下子步骤：

6.根据权利要求5所述的铁路钢轨折断故障分析预警方法，其特征在于，所述步骤S4.1中计算各单元网格的钢轨折断概率的方法为：计算在t_A时刻单元网格G_n的钢轨伤损状态劣化等级为i的前提下，在t_B时刻单元网格G_n的钢轨伤损状态劣化等级为4的概率i的可能值为1、2、3。

7.一种执行如权利要求1-6中任一所述方法的铁路钢轨折断故障分析预警系统，其特征在于，该系统包括：

钢轨全生命周期状态数据描述模块，基于单元网格部件和事件，描述钢轨全生命周期状态数据；