基于光纤传感系统的德国列车实时精确定位技术

1 光纤传感技术概述

光纤传感（FOS）技术的基本原理是将光缆与光学单元连接，使其成为振动传感器。光学单元会以2 000次/s的频率将激光脉冲发送到光纤中，并捕捉反射回来的脉冲，对其进行测量。由于声波和振动波作用在光纤上时，反射的脉冲数量会发生变化，因此通过测量和分析反射脉冲就可以在最长80 km的线路上检测多种对象和事件，如检测运行中列车的振动频谱。

FOS系统不仅能够对反射脉冲进行定性测量，以确定列车的位置、行进方向和速度，而且可在升级后对其进行定量测量（图1）。定量测量可获取更多的列车特征，例如，图1中定量测量的结果可显示列车的各车轴。通过 各种特殊算法对测量数据进行分析，可获取除列车精确位置之外的更多信息，如线路占用情况、列车质量等。此外，利用该系统还能够监控和检测线路状况、轨道车辆和基础设施元件的损伤，以及光缆附近人和动物的活动等。

2 技术条件

2.1 电平范围和传感器质量

每列列车都有其独特的声学信号。人可以通过听觉直接分辨德国城际高速铁路（ICE）与满载货运列车的声学信号差异，但却无法感知其细节，原因在于各种轨道车辆的声音信号中都包含了许多与其特性相关的信息。在检测这些信息时，检测范围的动态性和传感器的灵敏度至关重要。

FOS系统可检测的电平范围由其固有噪声及信号频带宽度超范围现象的影响决定。

图1 FOS系统定性和定量测量的列车信号对比

FOS系统的固有噪声源自其固有特性和持续的外部影响。如果待检测声学信号与其固有噪声近似，则信噪比将变得很小，以致无法进行测量，从而出现检测不出列车某些特征或行为（如列车制动）的情况（图2）。这种情况可通过执行相应的逻辑（可确保FOS系统不自动“丢失”此类信号的逻辑）来规避。固有噪声阈值随系统灵敏度而变化，因此应采用非常灵敏的FOS系统。

在解决信号频带宽度超范围的问题方面，传感器的动态带宽灵敏度具有决定性作用。在发生非常迅速且剧烈的振动时，如重载列车经过轨道不平顺处时，会出现信号频带宽度超范围现象。由于某些数据超出了可分析范围，因此所采集数据的信息深度受到限制。应采用光学单元具有高动态带宽的FOS系统，其能够从采集的数据中获取足够多的信息，即使在采集到信号极限值的情况下（如在车轴区域），也能获取细节信息，从而大幅减少信号频带宽度超范围的线路区段数量。

2.2 光缆及其安装环境

除传感器质量之外，所使用光缆的特性及其安装环境中的各种因素对于信号质量也具有决定性影响。由于轨道与光缆之间的传播介质不同，列车的声学信号会以不同的形式和特征传入光纤。以往的试验表明，将光缆敷设在邻近轨道的地下，有利于进行列车跟踪和基础设施组件状况监测（图3）；其他光缆敷设方式，如敷设在凸槽内，则会限制所采集数据的信息深度，导致不能识别各个车轴。此外，线路沿线的其他噪声源对FOS系统检测到的信号质量也有影响，例如，工厂或发电机产生的噪声同样会被FOS系统采集，这些噪声甚至可能覆盖列车发出的声学信号，从而对数据分析产生影响。因此，必须对外部噪声源的声学特征进行识别，并将其从所需信号中过滤出去。

2.3 为实现精确定位的地理校准

线路和光缆的走向是决定列车定位精度的又一重要因素。最初为通信目的敷设的光缆一般与轨道平行敷设，但由于其包含线圈，横跨轨道交叉口，并且通常以列车站建筑物为终点，因此光纤上不同点与轨道之间可能存在距离差（图4）。为精确确定光缆和轨道的相对位置，必须进行地理校准。

图2 FOS系统测得的列车信号

图3 光缆的建议敷设区域

图4 光缆与轨道的相对位置

传统的地理校准方法是敲击试验，即在轨道附近的某个点制造一个系统可识别的振动，并记录下该点的坐标及其与轨道轴线的距离。该试验需要人工手动完成，由于试验人员必须在线路上尽可能多的点进行试验，因此非常耗时，而且试验质量难以保证一致。为解决以上问题，可采用自动化地理校准方法，其优点是快速且质量稳定。

3 测量数据的智能分析

为对FOS系统采集到的数据进行分析，以实现列车检测的目的，必须对数据分析算法进行调整。目前，可采用2种算法，即基于规则的算法与基于计算机的算法。

3.1 基于规则的算法

基于规则的算法需要利用一些选定的参数，并在参数交互的过程中对其进行更改，以获得高质量的信息。该算法以一套逻辑规则为框架，并包含其他的相关规定。该算法的优点是执行相对简单。而其缺点在于：①在交互中进行参数优化需要耗费大量时间和精力；②逻辑规则会产生复杂的依赖关系，这些依赖关系将使单个规则的执行面临挑战。由于FOS系统采集的数据量巨大且信号特性多样，因此该算法的应用极为复杂。

3.2 基于计算机的算法

基于计算机的算法（即机器学习算法）是参数化方法，其前提是为计算机收集和提供足量的数据，如检测到的列车位置等。计算机会将这些信息与列车的实际位置进行比较，确定列车所在位置的信号特性，从而推导出识别列车的规则。通过这种训练，计算机可学会如何计算最佳值集，并从中得出列车位置。训练阶段中收集的不同线路、不同列车、不同行程的列车位置数据越多，列车定位越准确。在这过程中还可以对参数进行优化。

实践证明，与仅由人工控制的算法相比，基于计算机的算法通常可以选择更好的规则集或模型，原因在于计算机可以对所有可能的规则组合进行更快的测试，并从中选取最佳模型。采用这种算法的系统在经过训练后，不需要手动干预调整，因为其可将新识别的特征保存并添加到对比库中，进行不断学习。这使系统能够检测不同的对象，开发高效的模型。目前，基于计算机的算法已经优于基于规则的算法。随着采集的数据不断累积，该算法的潜力将会更大。

4 列车实时精确定位

4.1 FOS系统的安装和信息集成

实现列车实时精确定位的基础是安装可采集准确、多元数据的FOS系统。最大程度地实现FOS系统安装和集成的自动化，可在降低测量成本的同时，提高列车定位的精度。

在安装时，只需将FOS系统组件与电源、网络和2条光纤连接，按下按钮开启系统的自动配置，并进行独立的地理校准；在进行数次列车行车试验后，便可投入运营。地理校准和分析算法的质量决定列车定位的精度。目前，在传感器空间分辨率约为6 m的情况下，列车定位算法可实现小于10 m的精度，而且该精度在长达40 km的光纤沿线均保持一致，不因测量点不同而改变，也不因列车运行速度各异而变化。在这基础上，FOS系统可对线路85%～95%的区域进行监控，并使无法检测的区段最小化。在系统无法检测的区域，可以采取重新敷设光缆或光缆改线等措施；逻辑的执行也有助于将无法检测区段纳入系统的检测范围。

在信息集成方面，目前可利用边缘计算解决方案将FOS系统采集的信息集成到运营商的应用程序中。在将数据传输到连接的系统之前，可利用边缘计算将FOS系统采集的大量原始数据简化为列车位置等相关信息，其优点在于，可缩减数据集的规模，以及实现信息在可视界面（图5）或客户界面上的直接处理。数据集里包含受监控线路上每列列车的相关数据，每秒传输1次。其中用于列车定位的基本信息有列车车头和车尾的位置（包括GPS坐标和线路公里数）、列车运行速度，以及运行线路信息。

图5 Frauscher公司可视化单元显示的地铁线网中列车

4.2 应用

基于FOS系统的列车实时精确定位技术可利用特殊的算法，确定列车的位置，提供列车运行线路的信息。其优点是不依赖与全球定位系统（GPS）卫星和铁路专用全球数字移动通信系统（GSM-R）接收设备的连接（在隧道内其连接难以保证）。

该技术可为铁路运营商（特别是其线网中包含较长闭塞区间的运营商）的正常运营提供支持：①基于获取的列车实时位置信息，为乘客提供即将到站列车的详细信息及准确到达时间；②通过掌握列车的实时位置和速度，提高列车运行的能源效率，以及优化线路上列车的速度曲线；③通过对列车运行信息的长期采集，优化调整列车运行时刻表。

在将来，该技术还可以用于检测列车的安全完整性等级（SIL），从而完全取缔目前还不可或缺的轨旁设备。该技术的不断完善将会催生全面的列车定位解决方案，其不仅可以采集、传输和处理海量信息，而且安装的组件数量远低于常规系统。

5 结语

基于FOS系统的列车实时精确定位技术可极大地减少相关的列车和轨道组件数量，并最大程度地降低维护成本。此外，由于该技术采集的信息非常多样和复杂，除本文所述的列车实时检测信息外，还包括轨道车辆和基础设施组件状况、轨道上或附近的运动物体信息等，因此具有潜在的应用价值，应该继续挖掘其潜力，以保证铁路的安全、高效、经济运营。