基于分布式声学传感和混合集成学习的实时铁路危险检测

铁路上的落石被视为滑坡主题下的自然灾害。此事件因地形和气候而在不同区域有所不同。除了交通密度外，卡拉布克-耶尼采铁路线路还穿越山区、河流交叉并经历严重的季节性降雨。这些条件需要采取主动措施来减轻如落石、树木倒塌、滑坡及其他威胁铁路线路的地质灾害等风险。未检测到的环境事件对铁路运营安全构成重大威胁。该研究旨在通过光纤电缆发出的振动提供环境现象的早期检测。本研究提出了一种实时危险检测系统，该系统将分布式声学传感（DAS）与混合集成学习模型相结合。利用光纤电缆和Luna OBR-4600询问仪，该系统在土耳其卡拉布克的6公里铁路走廊内捕捉环境振动。我们采用了CatBoosting、支持向量机（SVM）、LightGBM、决策树、XGBoost、随机森林（RF）和梯度提升分类器（GBC）算法来检测传入信号。然而，投票分类器混合模型是使用SVM、RF、XGBoost和GBC算法开发的。铁路线路的信号系统通过检测环境因素提供关键的安全信息。主要自然灾害如落石、树倒和滑坡会因环境因素产生高强度的振动，而这些振动可以通过光纤电缆检测到。在本研究中，使用投票分类器方法开发了一种混合模型以准确检测和分类振动。该模型利用了一组分类算法来准确分类各种环境干扰。该系统在真实世界条件下证明了其有效性，成功检测到了如落石、滑坡和倒树等环境事件，精确度、召回率、F1分数和准确率均达到98%。