CN117944734B - 基于数据外循环与监测内循环的钢轨状态监测方法及系统 - Google Patents

Abstract

本发明提供基于数据外循环与监测内循环的钢轨状态监测方法及系统，包括对预监测钢轨获取数据外循环的线路基础参数拟合得到基础状态模型和获取监测内循环的钢轨损失监测结果拟合得到钢轨监测状态模型，结合线路基础参数和钢轨损失监测结果双循环拟合得到钢轨服役状态模型，对于钢轨使用年限大于大修年限的线路按照基础状态模型获取预监测钢轨的服役状态，对于钢轨使用年限小于等于大修年限的线路按照钢轨服役状态模型获取预测线路钢轨主要故障位置预计出现的时间节点及对应的故障类型，进而对预监测钢轨进行预防性维修和提前重点监测。本发明能够对预监测钢轨进行预防性维修和提前重点监测，消耗人力少，不影响列车正常运行，效率高。

Description

基于数据外循环与监测内循环的钢轨状态监测方法及系统

技术领域

本发明涉及铁路基础设施技术领域，具体涉及基于数据外循环与监测内循环的钢轨状态监测系统及方法。

背景技术

目前，由于高铁路网工况最复杂，线网涵盖了平原、高原、高寒、山区等复杂地质条件，且运营速度较高较快、行车密度大以及脱轨系数较大、舒适性较高，因此得到大力发展，但大规模复杂路网基础设施维修技术尚处于空白，缺乏定量的指标体系而且忽视了设施的整体可靠性，目前的维修思想适用于故障发生后产生非较大安全事故的情形，而且仅适用于故障后产生较小经济损失且成本较低的简单基础设施。现行高铁路网基础设施的预防性维修大多数实行的是定时预防性维修，这种维修方式一般不考虑设施的实际运行状态，只是依据预先计划好的时间和内容开展维护或维修活动，容易产生“过修”和“欠修”现象。高铁大规模复杂路网基础设施布局会越来越复杂，随之表现出的故障规律也复杂多样，传统的预防性维修理论开始不适合于现代高铁路网基础设施。

发明内容

根据现有技术的不足，本发明的目的是提供基于数据外循环与监测内循环的钢轨状态监测方法及系统，建立基础状态模型、钢轨监测状态模型和进行双循环拟合得到钢轨服役状态模型，进而获取测钢轨状态变化情况及预测线路钢轨主要故障位置及对应的故障类型对预监测钢轨进行预防性维修和提前重点监测，不需要消耗大量人力，不影响列车正常运行，效率高。

为了解决上述技术问题，本发明采用的技术方案为：

基于数据外循环与监测内循环的钢轨状态监测方法，包括以下步骤：

对于预监测钢轨，通过线路设计文件得到关于线路外循环基础服役状态的线路基础参数，获取关于线路内循环监测服役状态的钢轨损失监测结果，包括通过红外探测仪加机器视觉监测钢轨表面及外观几何尺寸，通过超声波探伤仪监测钢轨内部损伤值和断轨情况，通过机器视觉监测钢轨磨耗值；

根据线路基础参数通过拟合得到基础状态模型，根据钢轨损失监测结果获取钢轨不同损失因素的故障程度拟合得到钢轨监测状态模型；

结合线路基础参数和钢轨损失监测结果进行双循环拟合得到钢轨服役状态模型；

对于钢轨使用年限大于大修年限的线路，按照基础状态模型获取预监测钢轨的服役状态，对于钢轨使用年限小于等于大修年限的线路，按照钢轨服役状态模型获取预监测钢轨状态变化情况和预测线路钢轨主要故障位置预计出现的时间节点及对应的故障类型；

根据预监测钢轨状态变化情况和预测线路钢轨主要故障位置及对应的故障类型对预监测钢轨进行预防性维修和提前重点监测。

进一步地，线路基础参数通过大周期离散分析获取，线路基础参数至少包括以下线路基础参数指标：线路年限、线路最小半径、线路道岔数、线路桥隧比、线路路桥比、行车轴重、行车密度，拟合得到不同线路基础参数指标的权重指标，建立基础状态模型；

通过拟合表面及外观几何尺寸、内部损伤值、钢轨磨耗值和断轨情况，得到各个钢轨损失监测结果指标故障程度的权重指标，建立钢轨监测状态模型；

耦合线路年限、线路最小半径、线路道岔数、线路桥隧比、线路路桥比、行车轴重、行车密度和外观几何尺寸、内部损伤值、钢轨磨耗值和断轨情况，建立钢轨服役状态模型。

进一步地，基础状态模型为：

其中，ω_i为大周期离散系数，P_i为线路基础参数指标，I表示线路基础参数指标的总个数；

通过对预设时间段的周月季检得到的数据，将每一钢轨损失监测结果与对应基础安全值之差的占比作为对应钢轨损失监测结果指标在钢轨监测状态模型下的故障程度，拟合得到各个钢轨损失监测结果指标故障程度的权重指标，钢轨监测状态模型为：

其中，ω_i为大周期离散系数，P_i为线路基础参数指标，J表示钢轨损失监测结果指标的总个数，F_j为钢轨损失监测结果指标的故障程度，f_j为钢轨损失监测结果，f₀为基础安全值，α_j为对应F_j的系数；

钢轨服役状态模型为：

其中，r为钢轨使用年限。

进一步地，将预监测钢轨分成多段轨道，获取每段轨道的线路基础参数，对各种线路基础参数指标的数值进行归一化处理，建立标准化数据矩阵Y₁，进而获取标准化数据矩阵Y₁的相关矩阵X₁，通过深度学习算法得到不同线路基础参数指标的权重指标，建立基础状态模型；

获取每段轨道的钢轨损失监测结果，对各种钢轨损失监测结果指标的数值进行归一化处理，建立标准化数据矩阵Y₂，进而获取标准化数据矩阵Y₂的相关矩阵X₂，通过深度学习算法得到不同钢轨损失监测结果指标的权重指标，建立钢轨监测状态模型；

建立标准化数据矩阵Y，其中，获取标准化数据矩阵Y的相关矩阵X，通过深度学习算法得到钢轨损失监测结果耦合线路基础参数后的权重指标，进而建立钢轨服役状态模型。

进一步地，把钢轨服役状态模型进行循环叠加演练获取的不同迭代次数下的预测值作为随时间变化的预监测钢轨状态变化情况，设置不同安全演变通道对应的预测值范围，根据预监测钢轨预测值的变化对后续不同时间节点选择相应的安全演变通道，并通过钢轨服役状态模型预测得到预监测钢轨的服役状态，若服役状态较低的线路进行重点监测和检测。

进一步地，不同安全演变通道的预测值范围动态变化，当预监测钢轨中钢轨损失监测结果变化，则建立新的钢轨服役状态模型，重新预测后续不同时间节点选择相应的安全演变通道。

进一步地，安全演变通道分别为：

相对安全状态，钢轨正常状态，对钢轨进行定期检查；

存在维修隐患状态，列入重点监控组，在日周月检重点关注；

存在维修故障状态，关键构件预防性维修，在天窗期间维修；

存在安全隐患，停止运行并进行全面维修。

进一步地，通过实时监测获得的线路服役状态，以及预测的数值获得的线路服役状态形成整条线路的服役状态数据三维体，对线路的服役状态进行分段，包括无障碍区、轻微故障区、重点故障区和立即维修区，对不同的区域建立不同的基础状态模型、钢轨监测状态模型和钢轨服役状态模型。

基于数据外循环与监测内循环的钢轨状态监测系统，设在轨检车上，包括红外探测仪、超声波探伤仪、两个摄像机和处理器，两个摄像机架设在钢轨两侧相对设置，确保每相邻的两个摄像机拍摄的视频边缘段具有重叠，通过轨检车在钢轨上缓慢移动，获取钢轨的视频；

处理器，对预监测钢轨内每个摄像机拍摄的视频进行抽帧处理，获取图片并进行像素坐标到世界坐标的转换，将两个摄像机的获取的同时刻图片作为一组，基于时序对应关系进行拼接，构成预监测钢轨部分结构的全景图像，沿预监测钢轨延伸方向将两个摄像机获取的图片基于时序对应关系进行拼接，以构成预监测钢轨的全景图像，将连续的全景图像处理为预监测钢轨的全景视频，获取关于线路内循环监测服役状态的钢轨损失监测结果，包括根据红外探测仪获取的数据结合机器视觉监测钢轨表面及外观几何尺寸，通过超声波探伤仪监测钢轨内部损伤值和断轨情况，通过机器视觉监测钢轨磨耗值，根据线路基础参数通过拟合得到基础状态模型，根据钢轨损失监测结果获取钢轨不同损失因素的故障程度拟合得到钢轨监测状态模型，结合线路基础参数和钢轨损失监测结果进行双循环拟合得到钢轨服役状态模型。

与现有技术相比，本发明具有以下优点和有益效果：

本发明提供的基于数据外循环与监测内循环的钢轨状态监测方法及系统，只需要少量传感器，根据线路基础参数通过拟合得到基础状态模型，根据钢轨损失监测结果获取钢轨不同损失因素的故障程度拟合得到钢轨监测状态模型，并结合线路基础参数和钢轨损失监测结果进行双循环拟合得到钢轨服役状态模型，进而对钢轨运行状态进行预测，防止“过修”和“欠修”，对于钢轨使用年限大于大修年限的线路，按照基础状态模型获取预监测钢轨的服役状态，对于钢轨使用年限小于等于大修年限的线路，按照钢轨服役状态模型获取预测线路钢轨主要故障位置及对应的故障类型，从而根据预监测钢轨状态变化情况及预测线路钢轨主要故障位置及对应的故障类型对预监测钢轨进行预防性维修和提前重点监测。不需要消耗大量人力消耗大，不影响列车正常运行，效率高，通过模型的迭代能够对后期钢轨的发展状况进行精准的监测，且由于使用的传感器与采集器数量较少，不容易受干扰。

附图说明

此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分。本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：

图1为本发明基于数据外循环与监测内循环的钢轨状态监测方法的示意图。

图2为本发明安全演变通道的示意图。

图3为本发明线路的服役状态分段的示意图。

图4为本发明在轨检车上设置基于数据外循环与监测内循环的钢轨状态监测系统的示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述。

实施例1

实施例1提供基于数据外循环与监测内循环的钢轨状态监测方法，如图1所示，包括以下步骤：

步骤S1、对于预监测钢轨，通过线路设计文件得到关于线路外循环基础服役状态的线路基础参数，获取关于线路内循环监测服役状态的钢轨损失监测结果，包括通过红外探测仪加机器视觉监测钢轨表面及外观几何尺寸，通过超声波探伤仪监测钢轨内部损伤值和断轨情况，通过机器视觉监测钢轨磨耗值；

步骤S2、根据线路基础参数通过拟合得到基础状态模型，根据钢轨损失监测结果获取钢轨不同损失因素的故障程度拟合得到钢轨监测状态模型；

步骤S3、结合线路基础参数和钢轨损失监测结果进行双循环拟合得到钢轨服役状态模型；

步骤S4、对于钢轨使用年限大于大修年限的线路，按照基础状态模型获取预监测钢轨的服役状态，对于钢轨使用年限小于等于大修年限的线路，按照钢轨服役状态模型获取预监测钢轨状态变化情况和预测线路钢轨主要故障位置预计出现的时间节点及对应的故障类型；

步骤S5、根据预监测钢轨状态变化情况和预测线路钢轨主要故障位置及对应的故障类型对预监测钢轨进行预防性维修和提前重点监测。

与传统钢轨故障监测与维修相比，传统的钢轨检测主要分为静态检测和动态检测，静态检测是指轨道无列车运行时，通过人工巡检的方式找到轨道的病害位置；动态检测是在列车运行的过程中，运用传感器对轨道高低、绝缘性能、温度变化等参数进行监测，以获取轨道服役状态，①人力消耗大，工人工作环境恶劣；②占用轨道，影响列车正常运行，无法实现实时监测；③传统监测手段针对问题面较少，需要多种仪器组合使用，监测效率低下；④传感器与采集器的引线过长，易受干扰。

实施例1提供的基于数据外循环与监测内循环的钢轨状态监测方法，只需要少量传感器，根据线路基础参数通过拟合得到基础状态模型，根据钢轨损失监测结果获取钢轨不同损失因素的故障程度拟合得到钢轨监测状态模型，并结合线路基础参数和钢轨损失监测结果进行双循环拟合得到钢轨服役状态模型，进而对钢轨运行状态进行预测，防止“过修”和“欠修”，对于钢轨使用年限大于大修年限的线路，按照基础状态模型获取预监测钢轨的服役状态，对于钢轨使用年限小于等于大修年限的线路，按照钢轨服役状态模型获取预测线路钢轨主要故障位置及对应的故障类型，从而根据预监测钢轨状态变化情况及预测线路钢轨主要故障位置及对应的故障类型对预监测钢轨进行预防性维修和提前重点监测。不需要消耗大量人力消耗大，不影响列车正常运行，效率高，通过模型的迭代能够对后期钢轨的发展状况进行精准的监测，且由于使用的传感器与采集器数量较少，不容易受干扰。

实施例2

下面对本发明提供的基于数据外循环与监测内循环的钢轨状态监测方法进行详细地描述。

步骤S1中，线路基础参数通过大周期离散分析获取，线路基础参数至少包括以下线路基础参数指标：线路年限、线路最小半径、线路道岔数、线路桥隧比、线路路桥比、行车轴重、行车密度，进而在步骤S2中，拟合得到不同线路基础参数指标的权重指标，建立基础状态模型。

步骤S2中，基础状态模型为：

其中，ω_i为大周期离散系数，P_i为线路基础参数指标，I表示线路基础参数指标的总个数。

具体地，在一个具体实施例中，建立的基础状态模型为：

K_L＝ω₁P₁+ω₂P₂+ω₃P₃+ω₄P₄+ω₅P₅+ω₆P₆+ω₇P₇

其中ω₁、ω₂、…、ω₇为大周期离散系数；P₁为线路建成年限；P₂为线路桥隧比；P₃为线路路桥比；P₄为线路小半径曲线值；P₅为线路道岔数；P₆为线路行车密度；P₇为行车轴重。

步骤S1中，将预监测钢轨分成m段轨道，获取每段轨道的线路基础参数，对各种线路基础参数指标的数值进行归一化处理，建立标准化数据矩阵Y₁，进而获取标准化数据矩阵Y₁的相关矩阵X₁，通过深度学习算法得到不同线路基础参数指标的权重指标，建立基础状态模型。

具体地，钢轨的基础状态模型需要确定不同钢轨故障因素的贡献率，初步分为线路年限、线路最小半径、线路道岔数、线路桥隧比、线路路桥比、行车轴重、行车密度分为七个方面：C₁、C₂、C₃、C₄、C₅、C₆、C₇，根据构建一个标准化的数据矩阵Y₁。

其中，C₁₁到C_1m分别为m段轨道的线路年限；C₂₁到C_2m分别为m段轨道的线路最小半径；C₃₁到C_3m分别为m段轨道的线路道岔数；C₄₁到C_4m分别为m段轨道的线路桥隧比；c₅₁到C_5m分别为m段轨道的线路路桥比；C₆₁到C_6m分别为m段轨道的行车轴重；C₇₁到C_7m分别为m段轨道的行车密度；

则得到Y₁的相关矩阵为：

其中，A₁为对角矩阵，其对角正数特征值为x₁、x₂…x_m，D₁为相应的正交矩阵。通过计算D₁的方差，最终方差值为方差累计贡献率。

钢轨损失监测结果至少包括以下钢轨损失监测结果指标：表面及外观几何尺寸、内部损伤值、钢轨磨耗值和断轨情况，进而在步骤S2中拟合得到各个钢轨损失监测结果指标故障程度的权重指标，建立钢轨监测状态模型。

通过对预设时间段的周月季检得到的数据，将每一钢轨损失监测结果与对应基础安全值之差的占比作为对应钢轨损失监测结果指标在钢轨监测状态模型下的故障程度，拟合得到各个钢轨损失监测结果指标故障程度的权重指标，钢轨监测状态模型为：

其中，ω_i为大周期离散系数，P_i为线路基础参数指标，J表示钢轨损失监测结果指标的总个数，F_j为钢轨损失监测结果指标的故障程度，f_j为钢轨损失监测结果，f₀为基础安全值，α_j为对应F_j的系数。

具体地，在一个具体实施例中，钢轨监测服役状态模型如下所示：

其中，B为表面及外观尺寸监测指标、B₀为初始指标；S为内部损伤监测指标、S₀为初始指标；M为钢轨磨耗监测指标、M₀为初始指标；D为断轨监测指标、D₀为初始指标。

将预监测钢轨分成m段铁路，钢轨监测服役状态模型需要确定不同钢轨故障因素的贡献率，构建一个标准化的数据矩阵Y₂，通过实时监测获得的数据形成数据矩阵Y₂上传至钢轨监测服役状态模型，获得监测段的实时钢轨状态，便于提供相应的维修策略。

其中，B₁到B_m分别为m段轨道的表面及外观尺寸监测指标；S₁到S_m分别为m段轨道的内部损伤监测指标；M₁到M_m分别为m段轨道的钢轨磨耗监测指标；D₁到D_m分别为m段轨道的断轨监测指标；

则得到Y₂的相关矩阵为：

其中，A₂为对角矩阵，其对角正数特征值为x′₁、x′₂…x′_m，D₂为相应的正交矩阵。通过计算D₂的方差，最终方差值为方差累计贡献率。

根据钢轨监测服役状态模型与监测指标确定钢轨相应的状态。首先通过监测指标判断钢轨不同损失值是否在许用安全值范围内，若不在许用安全值范围内则需要立即对该钢轨进行针对性维修，若在许用安全值范围内则进行多变量信息融合构件服役状态模型，并计算相应服役状态值。

步骤S3中，耦合线路基础参数和钢轨损失监测结果，建立钢轨服役状态模型。

钢轨服役状态模型为：

获取每段铁路的钢轨损失监测结果，对各种钢轨损失监测结果指标的数值进行归一化处理，建立标准化数据矩阵Y₂，进而获取标准化数据矩阵Y₂的相关矩阵X₂，通过深度学习算法得到不同钢轨损失监测结果指标的权重指标，建立钢轨监测状态模型；

建立标准化数据矩阵Y，其中，获取标准化数据矩阵Y的相关矩阵X，通过深度学习算法得到钢轨损失监测结果耦合线路基础参数后的权重指标，进而建立钢轨服役状态模型，其中：

其中，A为对角矩阵，其对角正数特征值为x″₁、x″₂…x″_m，D为相应的正交矩阵。通过计算D的方差，最终方差值为方差累计贡献率。

建立基于数据外循环与监测内循环的钢轨服役状态模型，基础钢轨服役模型主要从整个线路的使用寿命上判断，而钢轨监测状态模型主要从局部钢轨的服役状态来判断，因此基础钢轨服役模型会加深钢轨监测状态模型的预测判断指标,因此对于钢轨使用年限大于大修年限的线路，按照基础状态模型获取预监测钢轨的服役状态，对于钢轨使用年限小于等于大修年限的线路，按照钢轨服役状态模型获取预测线路钢轨主要故障位置预计出现的时间节点及对应的故障类型：

其中，r为钢轨使用年限，K_L为钢轨不同的使用显现下的基础服役状态指标。

步骤S4中，把钢轨服役状态模型进行循环叠加演练获取的不同迭代次数下的预测值作为随时间变化的预监测钢轨状态变化情况，设置不同安全演变通道对应的预测值范围，根据预监测钢轨预测值的变化对后续不同时间节点选择相应的安全演变通道，并通过钢轨服役状态模型预测得到预监测钢轨的服役状态，若服役状态较低的线路进行重点监测和检测。

不同安全演变通道的预测值范围动态变化，当预监测钢轨中钢轨损失监测结果变化，则建立新的钢轨服役状态模型，重新预测后续不同时间节点选择相应的安全演变通道，对不同的预监测钢轨采取不同的监测措施。

如图2所示，安全演变通道分别为：

(1)相对安全状态，钢轨正常状态，对钢轨进行定期检查；

(2)存在维修隐患状态，列入重点监控组，在日周月检重点关注；

(3)存在维修故障状态，关键构件预防性维修，在天窗期间维修；

(4)存在安全隐患，停止运行并进行全面维修。

步骤S1中，如图3所示，通过实时监测获得的线路服役状态，以及预测的数值获得的线路服役状态形成整条线路的服役状态数据三维体，对线路的服役状态进行分段，包括无障碍区、轻微故障区、重点故障区和立即维修区，对不同的区域建立不同的基础状态模型、钢轨监测状态模型和钢轨服役状态模型，指导未来的钢轨检测和维修。通过对每个区域单独监测，使建立的基础状态模型、钢轨监测状态模型和钢轨服役状态模型更加准确。

实施例3

实施例3提供基于数据外循环与监测内循环的钢轨状态监测系统，如图4所示，设在轨检车上，包括红外探测仪、超声波探伤仪、两个摄像机和处理器，两个摄像机架设在钢轨两侧相对设置，确保每相邻的两个摄像机拍摄的视频边缘段具有重叠，通过轨检车在钢轨上缓慢移动，获取钢轨的视频；

处理器，对预监测钢轨内每个摄像机拍摄的视频进行抽帧处理，获取图片并进行像素坐标到世界坐标的转换，将两个摄像机的获取的同时刻图片作为一组，基于时序对应关系进行拼接，构成预监测钢轨部分结构的全景图像，沿预监测钢轨延伸方向将两个摄像机获取的图片基于时序对应关系进行拼接，以构成预监测钢轨的全景图像，将连续的全景图像处理为预监测钢轨的全景视频，获取关于线路内循环监测服役状态的钢轨损失监测结果，包括根据红外探测仪获取的数据结合机器视觉监测钢轨表面及外观几何尺寸，通过超声波探伤仪监测钢轨内部损伤值和断轨情况，通过机器视觉监测钢轨磨耗值，根据线路基础参数通过拟合得到基础状态模型，根据钢轨损失监测结果获取钢轨不同损失因素的故障程度拟合得到钢轨监测状态模型，结合线路基础参数和钢轨损失监测结果进行双循环拟合得到钢轨服役状态模型。

显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (8)

1.基于数据外循环与监测内循环的钢轨状态监测方法，其特征在于，包括以下步骤：

对于预监测钢轨，通过线路设计文件得到关于线路外循环基础服役状态的线路基础参数，获取关于线路内循环监测服役状态的钢轨损失监测结果，包括通过红外探测仪加机器视觉监测钢轨表面及外观几何尺寸，通过超声波探伤仪监测钢轨内部损伤值和断轨情况，通过机器视觉监测钢轨磨耗值；

根据线路基础参数通过拟合得到基础状态模型，根据钢轨损失监测结果获取钢轨不同损失因素的故障程度拟合得到钢轨监测状态模型，具体为；

基础状态模型为：

其中，ω_i为大周期离散系数，P_i为线路基础参数指标，I表示线路基础参数指标的总个数；

通过对预设时间段的周月季检得到的数据，将每一钢轨损失监测结果与对应基础安全值之差的占比作为对应钢轨损失监测结果指标在钢轨监测状态模型下的故障程度，拟合得到各个钢轨损失监测结果指标故障程度的权重指标，钢轨监测状态模型为：

其中，J表示钢轨损失监测结果指标的总个数，F_j为钢轨损失监测结果指标的故障程度，f_j为钢轨损失监测结果，f₀为基础安全值，α_j为对应F_j的系数；

结合线路基础参数和钢轨损失监测结果进行双循环拟合得到钢轨服役状态模型，具体为：

其中，r为钢轨使用年限；

对于钢轨使用年限大于大修年限的线路，按照基础状态模型获取预监测钢轨的服役状态，对于钢轨使用年限小于等于大修年限的线路，按照钢轨服役状态模型获取预监测钢轨状态变化情况和预测线路钢轨主要故障位置预计出现的时间节点及对应的故障类型；

根据预监测钢轨状态变化情况和预测线路钢轨主要故障位置及对应的故障类型对预监测钢轨进行预防性维修和提前重点监测。

2.根据权利要求1所述的基于数据外循环与监测内循环的钢轨状态监测方法，其特征在于：

线路基础参数通过大周期离散分析获取，线路基础参数至少包括以下线路基础参数指标：线路年限、线路最小半径、线路道岔数、线路桥隧比、线路路桥比、行车轴重、行车密度，拟合得到不同线路基础参数指标的权重指标，建立基础状态模型；

通过拟合表面及外观几何尺寸、内部损伤值、钢轨磨耗值和断轨情况，得到各个钢轨损失监测结果指标故障程度的权重指标，建立钢轨监测状态模型；

耦合线路年限、线路最小半径、线路道岔数、线路桥隧比、线路路桥比、行车轴重、行车密度和外观几何尺寸、内部损伤值、钢轨磨耗值和断轨情况，建立钢轨服役状态模型。

3.根据权利要求1所述的基于数据外循环与监测内循环的钢轨状态监测方法，其特征在于：

将预监测钢轨分成多段轨道，获取每段轨道的线路基础参数，对各种线路基础参数指标的数值进行归一化处理，建立标准化数据矩阵Y₁，进而获取标准化数据矩阵Y₁的相关矩阵X₁，通过深度学习算法得到不同线路基础参数指标的权重指标，建立基础状态模型；

获取每段轨道的钢轨损失监测结果，对各种钢轨损失监测结果指标的数值进行归一化处理，建立标准化数据矩阵Y₂，进而获取标准化数据矩阵Y₂的相关矩阵X₂，通过深度学习算法得到不同钢轨损失监测结果指标的权重指标，建立钢轨监测状态模型；

建立标准化数据矩阵Y，其中，获取标准化数据矩阵Y的相关矩阵X，通过深度学习算法得到钢轨损失监测结果耦合线路基础参数后的权重指标，进而建立钢轨服役状态模型。

4.根据权利要求1所述的基于数据外循环与监测内循环的钢轨状态监测方法，其特征在于：

把钢轨服役状态模型进行循环叠加演练获取的不同迭代次数下的预测值作为随时间变化的预监测钢轨状态变化情况，设置不同安全演变通道对应的预测值范围，根据预监测钢轨预测值的变化对后续不同时间节点选择相应的安全演变通道，并通过钢轨服役状态模型预测得到预监测钢轨的服役状态，对服役状态较低的线路进行重点监测和检测。

5.根据权利要求4所述的基于数据外循环与监测内循环的钢轨状态监测方法，其特征在于：

不同安全演变通道的预测值范围动态变化，当预监测钢轨中钢轨损失监测结果变化，则建立新的钢轨服役状态模型，重新预测后续不同时间节点选择相应的安全演变通道。

6.根据权利要求4所述的基于数据外循环与监测内循环的钢轨状态监测方法，其特征在于，安全演变通道分别为：

相对安全状态，钢轨正常状态，对钢轨进行定期检查；

存在维修隐患状态，列入重点监控组，在日周月检重点关注；

存在维修故障状态，关键构件预防性维修，在天窗期间维修；

存在安全隐患，停止运行并进行全面维修。

7.根据权利要求1所述的基于数据外循环与监测内循环的钢轨状态监测方法，其特征在于：

通过实时监测获得的线路服役状态，以及预测的数值获得的线路服役状态形成整条线路的服役状态数据三维体，对线路的服役状态进行分段，包括无障碍区、轻微故障区、重点故障区和立即维修区，对不同的区域建立不同的基础状态模型、钢轨监测状态模型和钢轨服役状态模型。

8.基于数据外循环与监测内循环的钢轨状态监测系统，其采用如权利要求1-7任一项所述的基于数据外循环与监测内循环的钢轨状态监测方法，设在轨检车上，其特征在于，包括红外探测仪、超声波探伤仪、两个摄像机和处理器，两个摄像机架设在钢轨两侧相对设置，确保每相邻的两个摄像机拍摄的视频边缘段具有重叠，通过轨检车在钢轨上缓慢移动，获取钢轨的视频；

处理器，对预监测钢轨内每个摄像机拍摄的视频进行抽帧处理，获取图片并进行像素坐标到世界坐标的转换，将两个摄像机的获取的同时刻图片作为一组，基于时序对应关系进行拼接，构成预监测钢轨部分结构的全景图像，沿预监测钢轨延伸方向将两个摄像机获取的图片基于时序对应关系进行拼接，以构成预监测钢轨的全景图像，将连续的全景图像处理为预监测钢轨的全景视频，获取关于线路内循环监测服役状态的钢轨损失监测结果，包括根据红外探测仪获取的数据结合机器视觉监测钢轨表面及外观几何尺寸，通过超声波探伤仪监测钢轨内部损伤值和断轨情况，通过机器视觉监测钢轨磨耗值，根据线路基础参数通过拟合得到基础状态模型，根据钢轨损失监测结果获取钢轨不同损失因素的故障程度拟合得到钢轨监测状态模型，结合线路基础参数和钢轨损失监测结果进行双循环拟合得到钢轨服役状态模型。