CN110490465B - 服役过程中高速列车动态损失定量分析方法 - Google Patents

Abstract

本发明公开了一种服役过程中高速列车动态损失定量分析方法，根据实际情况确定高速列车服役运行过程中的环境因素，确定动态损失系数随各个环境因素变化的量化函数，然后根据环境因素的重要性确定判断矩阵，判断矩阵一致性检验通过后，则根据判断矩阵计算得到各个环境因素的权重，将当前各个环境因素所得到的动态损失系数进行加权，从而得到多个环境因素下的动态损失系数。本发明研究服役过程中运行环境因素对高速列车损失代价的影响，从而实现高速列车动态损失定量评估。

Description

服役过程中高速列车动态损失定量分析方法

技术领域

本发明属于高速列车技术领域，更为具体地讲，涉及一种服役过程中高速列车动态损失定量分析方法。

背景技术

高速列车是指行驶速度在200千米每小时以上的列车。高速列车属于现代化的高速交通工具，是轨道交通顶尖科学技术的集中体现，可以大幅提高运行速度，从而提高运输效率。伴随着高速列车技术的发展，高速列车得到了广泛的应用，已经成为人们出行的主要方式之一。高速列车在运行过程中会受到外界环境变化的影响，例如在大雨、强风和极端气温的情况下，高速列车发生事故引起的损失会相应的增加。因此，研究如何客观评估环境因素作用下高速列车动态风险成为急需解决的问题。

风险的定义具有很多种形式，较为普遍的一种形式是事件发生的估计概率和事件的后果的乘积，也就是不良影响发生的概率和严重程度的衡量标准。风险可以被定义为一组场景，每个场景都有一个概率或者频率和一个后果，对于一个给定的场景，风险就是估计概率或频率和事件后果的乘积。

在高速列车运行风险评估方面，传统的方法有故障树分析法、基于层次分析和专家经验的方法、基于蒙特卡洛和贝叶斯网络等方法。部分学者还基于复杂影响关系对高速列车的运行风险模型进行了研究，如复杂网络与熵理论模型、Petri网模型等。整体来说，高速列车的运行风险评估正在逐渐从定性到定量、从静态到动态的方向发展。

在损失评估方面，钱龙霞等人建立了基于Copula函数的水资源供需风险损失模型(见文献“钱龙霞,张韧,王红瑞,等.基于Copula函数的水资源供需风险损失模型及其应用[J].系统工程理论与实践,2016,36(2):517-527.”)以及基于最大熵原理和数据包络分析的水资源短缺风险损失模型(见文献“钱龙霞,张韧,王红瑞,等.基于MEP和DEA的水资源短缺风险损失模型及其应用[J].水利学报,2015,46(10):1199-1206.”)。李赛提出了基于险度函数的装备供应链风险损失度量方法(见文献“李赛,许爱强.基于险度函数的装备供应链库存风险损失度量[J].海军工程大学学报,2014,26(5):107-112.”)。Paltrinieri等通过进行非典型场景识别进而计算得到损失函数与损失概率结合最终得到风险评估结果(见文献“Paltrinieri N,Khan F,Cozzani V.Coupling of advanced techniques fordynamic risk management[J].Journal of Risk Research,2015,18(7):910-930.”)。An等采用了一种基于熵权和BP神经网络的模糊综合评价方法对天然气管道的风险损失成本进行了预测(见文献“An J,Peng S.Prediction and verification of risk loss costfor improved natural gas network layout optimization[J].Energy,2018,148:1181-1190.”)。Abad研究了损失函数在在险值法衡量风险中的应用(见文献“”Abad P,Muela SB,Martín C L.The role of the loss function in value-at-risk comparisons[J].The Journal of Risk Model Validation,2015,9(1):1.)。然而，在高速列车动态损失评估方面，还鲜有研究。

发明内容

本发明的目的在于克服现有技术的不足，提供一种服役过程中高速列车动态损失定量分析方法，研究服役过程中运行环境因素对高速列车损失代价的影响，从而实现高速列车动态损失定量评估。

为实现上述发明目的，本发明服役过程中高速列车动态损失定量分析方法包括以下步骤：

S1：根据实际情况确定高速列车服役运行过程中的环境因素，记第i个环境因素为x_i，i＝1,2,…,N，N表示环境因素数量；

S2：确定动态损失系数随各个环境因素x_i变化的量化函数F(x_i)；

S3：将N个环境因素x_i两两作为一组进行重要性判断，得到重要性评分，具体方法为：记一组环境因素为x_i和x_j，j＝1,2,…,N，如果环境因素x_i的重要性大于等于环境因素x_j，则根据重要程度在预设的重要性评分取值范围[1,D]内确定一个值作为重要性评分c_ij，其中c_ij＝1表示环境因素x_i和x_j同样重要，c_ij＝D表示环境因素x_i比x_j重要得多，然后令重要性评分c_ji＝1/c_ij；如果环境因素x_i的重要性小于等于环境因素x_j，则根据重要程度在预设的重要性评分取值范围[1,D]内确定一个值作为重要性评分c_ji，其中c_ji＝1表示环境因素x_j和x_i同样重要，c_ji＝D表示环境因素x_j和x_i重要得多，然后令重要性评分c_ij＝1/c_ji。

将所有重要性评分构成大小为N×N的判断矩阵C：

S4：对判断矩阵C进行一致性检验，如果一致性检验通过，进入步骤S5，否则返回步骤S3重新生成判断矩阵；

S5：对判断矩阵C的每一列进行正规化得到矩阵R，矩阵R中的各个元素r_ij采用以下公式计算：

将矩阵R的元素按行相加，得到行元素和

将行元素和

进行归一化得到各个环境因素的权重w_i：

S6：获取当前各个环境因素的值

根据各个环境因素x_i对应的动态损失系数量化函数F(x_i)，计算得到当前各个环境因素对应的动态损失系数

结合权重w_i计算得到多个环境因素下的动态损失系数F：

本发明服役过程中高速列车动态损失定量分析方法，根据实际情况确定高速列车服役运行过程中的环境因素，确定动态损失系数随各个环境因素变化的量化函数，然后根据环境因素的重要性确定判断矩阵，判断矩阵一致性检验通过后，则根据判断矩阵计算得到各个环境因素的权重，将当前各个环境因素所得到的动态损失系数进行加权，从而得到多个环境因素下的动态损失系数。

本发明研究服役过程中运行环境因素对高速列车损失代价的影响，从而实现高速列车动态损失定量评估，所得到的动态损失系数具有及时更新的特性，能够满足高速列车对动态风险评估的需求，并且动态损失系数能够刻画出高速列车在服役过程中随着外界环境因素的变化损失系数不断变化的情景，从而为相关人员提供一种参考指标。

附图说明

图1是本发明服役过程中高速列车动态损失定量分析方法的具体实施方式流程图；

图2是逻辑斯谛的累积分布函数曲线示意图；

图3是逻辑斯谛的概率分布函数曲线示意图；

图4是本实施例中降雨量单一作用下的动态损失系数曲线图；

图5是本实施例中风速单一作用下的动态损失系数曲线图；

图6是本实施例中气温单一作用下的动态损失系数曲线图；

图7是本实施例中已行驶距离单一作用下的动态损失系数曲线图；

图8是本实施例中风速为主导下的静态与动态损失系数对比图；

图9是本实施例中降雨量为主导下的静态与动态损失系数对比图；

图10是本实施例中气温为主导下的静态与动态损失系数对比图；

图11是本实施例中已行驶距离为主导下的静态与动态损失系数对比图。

具体实施方式

下面结合附图对本发明的具体实施方式进行描述，以便本领域的技术人员更好地理解本发明。需要特别提醒注意的是，在以下的描述中，当已知功能和设计的详细描述也许会淡化本发明的主要内容时，这些描述在这里将被忽略。

实施例

图1是本发明服役过程中高速列车动态损失定量分析方法的具体实施方式流程图。如图1所示，本发明服役过程中高速列车动态损失定量分析方法的具体步骤包括：

S101：确定运行环境因素：

根据实际情况确定高速列车服役运行过程中的环境因素，记第i个环境因素为x_i，i＝1,2,…,N，N表示环境因素数量。

高速列车事故所造成的损失会随着外界环境的变化而变化，根据之前的研究，环境因素主要有强风、大雨、大雪、雨涝、雷电、地震等。本实施例中选择的环境因素包括降雨量、风速等级、气温和行驶距离。

S102：确定动态损失系数的量化函数：

确定动态损失系数随各个环境因素x_i变化的量化函数F(x_i)。各个量化函数F(x_i)可以根据理论分析得到，也可以根据历史数据拟合得到。本实施例中基于历史数据和逻辑斯蒂分布确定量化函数。

逻辑斯谛分布最早来自于生长曲线的需要。在火药性能研究工作中，对于表现敏感性的临界刺激量的概率分布，有时用逻辑斯谛分布来表示，而同正态分布一起，成为在这一领域应用最广的两个分布。此外，逻辑斯谛分布还用于经济、人口统计以及可靠性工程等领域。逻辑斯谛分布是一种连续型的概率分布，记为L(μ,γ)，μ表示散布中心，也是数学期望，γ表示散布程度，γ越大，散布程度也越大。当μ＝0且γ＝1时，称为标准的逻辑斯谛分布，记为L(0,1)，其累积分布函数为：

其中，t表示时刻，e表示自然常数。

其概率密度函数为：

图2是逻辑斯谛的累积分布函数曲线示意图。如图2所示，逻辑斯蒂的累积分布函数的图形是一条S形曲线，该曲线以点(μ，0.5)中心对称，曲线在中心附近增长速度较快，在两端增长速度较慢，γ的值越小，曲线在中心附近增长得越快。

图3是逻辑斯谛的概率分布函数曲线示意图。如图3所示，逻辑斯蒂的概率密度函数可以由其分布函数求导得到，其大致趋势是先增加，然后再减小，在中心附近增长速度较快。

本实施例中所选择的环境因素包括降雨量、风速等级、气温和已行驶距离，需要针对各个环境因素，获取动态损失系数分别随这4个环境因素变化的量化函数。

降雨量是指某一段时间内，从天空降落到地面上的液态(雨)或固态(雪)降水，未经蒸发、渗透和流失，在水平面上积累的深度。降水量以毫米(mm)为单位。气象站常见的观测时间大体包括每分钟、每小时、每日降水量。表1是经查询国家标准得到的不同时段的降雨量等级划分表。

表1

根据表1可以看出我国的12h降雨量的范围是0到140.0毫米。当降雨量达到15mm时就达到了大雨的等级，结合实际情况，随着降雨量的增加，列车运行损失会呈现先缓慢增加，达到一定的程度会迅速增加，然后再缓慢增加的趋势，与逻辑斯谛的累积分布函数的趋势类似，因此动态损失系数随降雨量变化的量化函数设置如下：

其中，F(x₁)表示随降雨量变化的动态损失系数，x₁表示12h降雨量，单位mm，γ₁表示降雨量的拟合形状因子，一般由专家根据历史数据给出。

风速是指风吹到物体上所表现出的力量的大小。一般根据风吹到地面或水面的物体上所产生的各种现象，把风速的大小分为18个等级，最小是0级，最大为17级。表2是经查询国家标准得到的不同时段的风速等级划分表。

表2

风速是风的前进速度。相邻两地间的气压差愈大，空气流动越快，风速越大，风的力量自然也就大。因此，通常都是以风速来表示风的大小。风速的大小会对列车的运行有一定的影响，随着风速的增加，列车运行损失会呈现先缓慢增加，达到一定的程度会迅速增加，然后再缓慢增加的趋势，与逻辑斯谛的累积分布函数的趋势类似。根据表2取风速范围为0.0到56.0m/s，当风速等级为8级时，表现为大风，选择位置参数为17，动态损失系数随风速变化的量化函数设置如下：

其中，F(x₂)表示随风速变化的动态损失系数，x₂表示实时风速，单位m/s，γ₂表示风速的拟合形状因子，一般由专家根据历史数据给出。

气温体现了空气的冷热程度。地面气象观测中测定的是离地面1.5m高度处的气温，同时为了避免辐射误差，测量仪器放置在避光且通风的百叶箱内。根据我国各地气温资料，本实施例中设置气温的范围是-50摄氏度到50摄氏度，同时将26摄氏度作为最适宜温度。随着温度的增加列车运行损失会逐渐降低，达到最适宜温度时，损失达到最低，之后随着温度的升高，列车运行损失会继续逐渐增加，与逻辑斯谛的概率密度函数的反向趋势类似，因此动态损失系数随气温变化的量化函数设置如下：

其中，F(x₃)表示随气温变化的动态损失系数，x₃表示气温，单位摄氏度，γ₃表示气温的拟合形状因子，一般由专家根据历史数据给出。

高速列车在运行过程中，从驶出车站开始到驶入下一个车站的过程中，高速列车距离车站的距离越远，发生事故后得到有效维修援助的时间会相应增加，所以在服役过程中，列车行驶在两个站点之间时，运行风险损失变化趋势和逻辑斯蒂分布的概率密度函数趋势类似，因此动态损失系数随行驶距离变化的量化函数设置如下：

其中，F(x₄)表示随已行驶距离变化的动态损失系数，x₄表示高速列车的已行驶距离，单位km，L是两个车站的距离，单位km，γ₄表示已行驶距离的拟合形状因子，一般由专家根据历史数据给出。

S103：确定环境因素的判断矩阵：

将N个环境因素x_i两两作为一组进行重要性判断，得到重要性评分，具体方法为：记一组环境因素为x_i和x_j，j＝1,2,…,N，如果环境因素x_i的重要性大于等于环境因素x_j，则根据重要程度在预设的重要性评分取值范围[1,D]内确定一个值作为重要性评分c_ij，其中c_ij＝1表示环境因素x_i和x_j同样重要，c_ij＝D表示环境因素x_i比x_j重要得多，然后令重要性评分c_ji＝1/c_ij；如果环境因素x_i的重要性小于等于环境因素x_j，则根据重要程度在预设的重要性评分取值范围[1,D]内确定一个值作为重要性评分c_ji，其中c_ji＝1表示环境因素x_j和x_i同样重要，c_ji＝D表示环境因素x_j和x_i重要得多，然后令重要性评分c_ij＝1/c_ji。

将所有重要性评分构成大小为N×N的判断矩阵C：

本实施例中重要性评分取值范围为[1,9]。

S104：一致性检验：

对判断矩阵C进行一致性检验，如果一致性检验通过，进入步骤S105，否则返回步骤S103重新生成判断矩阵C。本实施例中采用一致性指标RI值进行一致性检验，该方法是一种常用方法，其具体过程在此不再赘述。

S105：计算环境因素的权重：

对判断矩阵C的每一列进行正规化得到矩阵R，矩阵R中的各个元素r_ij采用以下公式计算：

将矩阵R的元素按行相加，得到行元素和

将行元素和

进行归一化得到各个环境因素的权重w_i：

S106：获取当前动态损失系数：

获取当前各个环境因素的值

根据各个环境因素x_i对应的动态损失系数量化函数F(x_i)，计算得到当前各个环境因素对应的动态损失系数

结合权重w_i计算得到多个环境因素下的动态损失系数F：

为了更好地对本发明的技术效果进行说明，采用某一型号高速列车的运行过程为例进行仿真验证。已知高速列车的运行时间为08：08到14：23，历时6小时15分，全程1181公里。表3是本实施例中高速列车的运行时刻表。

站次	运行时间(min)	里程(km)
			1	0	0
2	14	32
			3	30	66
4	49	113
			5	104	278
6	130	340
			7	157	416
8	233	658
			9	272	779
10	327	1038
			11	344	1088
12	375	1181

表3

本次仿真验证中各个环境因素所对应的量化函数，采用前文中基于历史数据和逻辑斯蒂分布所确定的量化函数。在本次仿真验证中，做出以下三点假设：

1.假设在该高速列车的运行过程中的12h降雨量在定义域0-150mm中呈阶梯状变化。初始状态为0，随着高速列车运行距离的变化逐渐增加，在总运行距离为400km时达到大，然后在500km时开始下降，一直下降到0。

2.假设在该高速列车运行过程中的风速呈阶梯状变化，初始时风速为0，随着高速列车运行距离的变化逐渐增加，在总运行距离为360km时达到最大，然后在500km时开始下降，一直下降到0。

3.假设在该高速列车运行过程中的温度变化呈三角函数变化，其中最高温度为50摄氏度，最低温度为-50摄氏度。

基于以上假设，根据各个环境因素对应的量化函数可以计算得到不同环境因素下的动态损失系数。图4是本实施例中降雨量单一作用下的动态损失系数曲线图。图5是本实施例中风速单一作用下的动态损失系数曲线图。图6是本实施例中气温单一作用下的动态损失系数曲线图。图7是本实施例中已行驶距离单一作用下的动态损失系数曲线图。根据图4至图7可以看出，高速列车运行过程中的损失会随着降雨量和风速的大小进行波动，当降雨量和风速较大时，损失会变大；当降雨量和风速较小时，损失也会相应的减少。随着时间的增加，温度逐渐升高，在温度达到适宜温度之前，损失不断降低，在达到适宜温度后再继续升高，损失开始增加，当温度再次下降时，损失又出现了下降的趋势。由图7可以看出随着高速列车运行，在站点时损失较低，在运行的过程中高速列车距离站点越远损失越大。

本实施例中所确定的判断矩阵如下：

采用一致性指标RI值进行一致性检验，可知判断矩阵C满足一致性检验。

然后对判断矩阵C的每一列进行正规化得到矩阵R：

将矩阵R的元素按行相加，得到行元素和：

将行元素和

进行归一化得到各个环境因素的权重：

最后，将各个环境因素的权重值和相应的动态损失系数相结合即可得到所示的多个环境因素下的动态损失系数。

为了更好地说明本发明的技术优势，采用静态损失系数和本发明的动态损失系数进行对比。图8是本实施例中风速为主导下的静态与动态损失系数对比图。如图8所示，静态损失在高速列车的运行过程中不具有及时更新的特性，不符合实际需求，动态损失系数能够满足高速列车对动态风险评估的需求。同时，根据上述判断矩阵得到的权重可以看出，在本次仿真实验中，风速为主导因素，对高速列车运行的损失影响较大。

接下来调整判断矩阵，分别令降雨量、气温和已行驶距离为主导，对比静态损失系数和动态损失系数。图9是本实施例中降雨量为主导下的静态与动态损失系数对比图。图10是本实施例中气温为主导下的静态与动态损失系数对比图。图11是本实施例中已行驶距离为主导下的静态与动态损失系数对比图。从图9至图11同样可以看出动态损失系数在实际应用中优于静态损失系数，能够刻画出高速列车在服役过程中随着外界环境因素的变化损失系数不断变化的情景，从而为相关人员提供一种参考指标。

尽管上面对本发明说明性的具体实施方式进行了描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。

Claims (1)

1.一种服役过程中高速列车动态损失定量分析方法，其特征在于，包括以下步骤：

S1：根据实际情况确定高速列车服役运行过程中的环境因素，环境因素包括降雨量、风速等级、气温和已行驶距离，记第i个环境因素为x_i，i＝1,2,…,N，N表示环境因素数量；

S2：确定动态损失系数随各个环境因素x_i变化的量化函数F(x_i)，分别如下：

动态损失系数随降雨量变化的量化函数设置如下：

其中，F(x₁)表示随降雨量变化的动态损失系数，x₁表示12h降雨量，单位mm，γ₁表示降雨量的拟合形状因子；

动态损失系数随风速变化的量化函数设置如下：

其中，F(x₂)表示随风速变化的动态损失系数，x₂表示实时风速，γ₂表示风速的拟合形状因子；

动态损失系数随气温变化的量化函数设置如下：

其中，F(x₃)表示随气温变化的动态损失系数，x₃表示气温，γ₃表示气温的拟合形状因子；

动态损失系数随行驶距离变化的量化函数设置如下：

其中，F(x₄)表示随已行驶距离变化的动态损失系数，x₄表示高速列车的已行驶距离，L是两个车站的距离，γ₄表示已行驶距离的拟合形状因子；

S3：将N个环境因素x_i两两作为一组进行重要性判断，得到重要性评分，具体方法为：记一组环境因素为x_i和x_j，j＝1,2,…,N，如果环境因素x_i的重要性大于等于环境因素x_j，则根据重要程度在预设的重要性评分取值范围[1,D]内确定一个值作为重要性评分c_ij，其中c_ij＝1表示环境因素x_i和x_j同样重要，c_ij＝D表示环境因素x_i比x_j重要得多，然后令重要性评分c_ji＝1/c_ij；如果环境因素x_i的重要性小于等于环境因素x_j，则根据重要程度在预设的重要性评分取值范围[1,D]内确定一个值作为重要性评分c_ji，其中c_ji＝1表示环境因素x_j和x_i同样重要，c_ji＝D表示环境因素x_j和x_i重要得多，然后令重要性评分c_ij＝1/c_ji；

将所有重要性评分构成大小为N×N的判断矩阵C：

S4：对判断矩阵C进行一致性检验，如果一致性检验通过，进入步骤S5，否则返回步骤S3重新生成判断矩阵；

S5：对判断矩阵C的每一列进行正规化得到矩阵R，矩阵R中的各个元素r_ij采用以下公式计算：

将矩阵R的元素按行相加，得到行元素和

将行元素和

进行归一化得到各个环境因素的权重w_i：

S6：获取当前各个环境因素的值

根据各个环境因素x_i对应的动态损失系数量化函数F(x_i)，计算得到当前各个环境因素对应的动态损失系数

结合权重w_i计算得到多个环境因素下的动态损失系数F：

Images