智能铁路施工监测关键技术研究与发展

Research and Development of Key Technologies for Intelligent Railway Construction Monitoring

摘要

从绿色、技术、信息互联3个层面，分析智能铁路施工监测的监测需求。同时，基于文献分析，从研究的数量趋势、主题分布、应用方向3个维度，阐述国内外文献研究概况，识别出北斗卫星导航、5G、人工智能、大数据、物联网、云计算、边缘计算、区块链、AR/VR等关键技术，进一步按照监测设备与通信技术、数据识别与分析方法、监测管理平台三大应用方向，分析关键技术研究现状。然后，基于关键技术特点，展开分析智能铁路施工监测关键技术赋能机制，从基础研究薄弱、融合深度不足、工业化范例缺乏等方面指出关键技术应用障碍，并基于技术发展趋势展望智能铁路施工监测发展。结果表明，智能铁路施工监测关键技术支撑体系在我国已初具雏形，并仍在深化基础研究和促进成果转化中。

Abstract

The demand for intelligent railway construction monitoring was analyzed from three perspectives: environmental sustainability, technological advancements, and information interconnection. Based on literature analysis, this paper gave an overview of the literature research conducted at home and abroad in the dimensions of the trend of research quantity, the distribution of subjects, and the application field. Moreover, it identified key technologies such as Beidou satellite navigation, 5G, artificial intelligence, big data, Internet of Things, cloud computing, edge computing, blockchain, and AR/VR, and analyzed the research status of key technologies in the three major fields of applications: monitoring equipment and communication technology, data identification and analysis methods, and monitoring management platforms. Subsequently, leveraging the characteristics of key technologies, this paper analyzed how key technologies enable intelligent railway construction monitoring, identified the obstacles to the application of key technologies, including weak fundamental research, inadequate integration, and a lack of industrialization examples, and provided an outlook on the development of intelligent railway construction monitoring based on the trends of technological development. The results show that the system underpinning key technologies in intelligent railway construction monitoring has begun to take shape in China, which still call for ongoing work to deepen basic research and facilitate the implementation of achievements.

Graphical abstract

关键词

智能铁路 / 施工监测 / 技术协同 / 人工智能 / 大数据

Key words

Intelligent Railway / Construction Monitoring / Technology Synergy / Artificial Intelligence / Big Data

0　引言

中国国家铁路集团有限公司(以下简称“国铁集团”)数据显示，截至2022年底，我国铁路营业里程15.5万km，其中，高速铁路营业里程4.2万km，铁路里程、旅客周转量与货物周转量均居世界第一^[1]。其中青藏铁路(西宁—拉萨)、兰新高速铁路(兰州西—乌鲁木齐)等代表性复杂铁路工程的顺利建设，标志着我国在铁路施工建设方面达到国际领先水平。《“十四五”铁路网络安全和信息化规划》聚焦交通强国、铁路先行目标任务，以建设智能铁路为主攻方向。智能铁路是广泛应用北斗卫星导航、5G、人工智能、大数据、物联网、云计算、边缘计算、区块链、AR/VR等新技术，实现全生命周期一体化管理，提高铁路移动装备、固定基础设施及内外部环境间信息化水平，建设高速泛在、天地一体、云网融合、智能敏捷、绿色低碳、安全可控的智能化综合性铁路信息基础设施^[2]。

铁路施工监测的基本原则是通过现场定期检查确定铁路路基、隧道、桥梁等的施工状态和性能，并尽可能早地发现对结构安全和实用性产生不利影响的任何退化^[3]。目前，我国铁路施工监测主要以布设传感器、人工巡检和轨检车的方式进行施工结构监测为主。此外，工业信息化与智能建造的发展，促进了空、地、车三位一体的施工监测网络^[4]。随着铁路施工标准的提高、施工环境的复杂化和施工技术的发展，有效开展铁路施工监测，并制定科学的施工评估和决策，成为当前世界范围内的研究热点。

基于文献综述视角，以铁路施工监测智能化关键技术为线索，结合目前智能铁路施工监测(Construction Monitoring for Intelligent Railway，CMIR)需求及研究动态，对CMIR关键技术赋能机制与障碍进行分析，给出符合未来CMIR发展方向的展望并加以总结。

1　智能铁路施工监测需求分析

在铁路施工过程中，气候与地质在不断发生着变化，整体结构的变形和内力也在不断发生着变化，由于多种因素影响，这些变化量很难被精确掌握，给铁路施工带来了一定的不确定因素。施工监测能有效保证施工安全与施工质量并指导施工，为铁路设计施工提供第一手资料和科学数据，积累经验，以便今后改进类似工程的设计和施工工艺；其结果还可以作为铁路运营前初始状态的永久技术档案，是若干年后评估铁路状态的重要依据^[5]。智能铁路背景下，对铁路施工监测绿色层面^[6]、技术层面^[7]与信息互联层面^[8]等提出更高要求。

1.1　绿色需求

随着社会对环保和可持续发展的重视，绿色化逐渐成为经济社会发展的方向与评价的标准，尤其强调过程和结果的绿色化。铁路行业绿色施工需要绿色化的施工监测方案，然而，现有绿色经济活动主要集中在制造业企业和建筑企业，对铁路行业的指导性较弱。数据资源是工业文明向生态文明转型的关键生产要素，智能铁路施工监测涉及大量信息的获取、处理与分析，结合关键技术提高施工监测绿色化水平，是减轻铁路施工中环境与噪声污染、降低碳排放，实现经济效益与生态效益、社会效益共赢的智能铁路绿色化的解决方案。

1.2　技术需求

《中长期铁路网规划2016—2030年》提出，要尤其加快中西部地区铁路建设^[9]。中西部地区交通路网密度低、欠发达，自然地质环境复杂。一系列中西部复杂艰险铁路项目的持续推进，给我国铁路施工监测带来严峻的建设挑战，不仅施工环境更加复杂，同时需要更高效可靠的施工监测技术方案。并且，基于施工环境复杂，对监测技术的准确度、可靠性和全面性等方面提出了更高的要求。新的关键技术引入有助于实现数据的实时监测和分析，快速判断异常情况并采取相应措施，加速施工流程和强化监测精度，从而确保铁路建设目标达成。

1.3　信息互联需求

基于CMIR更高的绿色与技术需求，施工监测内涵延伸，包括监测范围的扩大、监测数据量与类型的增加。监测范围涉及各种传感器及其形成的信息管理系统所进行的各类监测，需要通过信息互联技术实现设备间的互联互通，从而形成一个完整的监测网络。监测数据除了包括环境监测、施工目标监测等传统领域获取到的数据外，还包括基于监测平台的构建挖掘到的大数据。这些监测数据不仅类型复杂，而且体量巨大，需要通过信息互联技术进行实时采集、传输和处理。

2　智能铁路施工监测研究文献分析

2.1　文献分析概况

基于现有文献和公开资料，选取中国知网数据库(以下简称“中国知网”)和Web of Science核心数据库(以下简称“WOS核心”)开展文献检索，分析国内外铁路智能化方向。分别以“智能铁路”“监测”和“Intelligent Railway”“Monitor”为检索主题词检索研究论文，经文献关键词同义替换检索，得到中文文献142篇，英文文献1 177篇；剔除综述、报告、评述等文献，剔除与施工过程弱相关文献及重复性文献，分别得到中文文献29篇，英文文献30篇。由于审稿周期等原因，4篇2023年见刊文献按其首发时间归为2022年，国内外文献研究历年发表数量如图1所示。以年份为时间节点的累计发表数量统计可以看出，2014年及之前，国内外提出相关概念，之后囿于技术水平或缺乏实例数据佐证，面临发展困境。直到关键技术相继出现，计算机算法有所突破，2018年开始文献数量逐年攀升且未有下降趋势。

基于文献关键词与研究内容，结合国家铁路局《“十四五”铁路科技创新规划》对智能铁路关键核心技术研发应用要求，识别出CMIR九大关键技术：北斗卫星导航、5G、人工智能、大数据、物联网、云计算、边缘计算、区块链、AR/VR，国内外文献研究主题分布如图2所示。中文文献研究领域集中在CMIR中通信技术的发展，技术融合方面，较多基于海量施工监测数据构建云平台完善监测系统架构。英文文献研究领域集中在与人工智能相关的学习算法及基于计算机视觉对图像信息进行分析，技术融合方面，较多基于大数据实现工业物联网愿景，云边结合赋能铁路智能化转型。同时，文献还使用了包括BIM、数字孪生、无人机等在内的多种技术辅助研究。利用相应软件及其功能，对中英文献关键词分析，得到中英文文献关键词词频分析如图3所示。剔除“铁路”“智能”等无意义词，基于关键词词频，按技术应用方向可将文献继续聚类为监测设备与通信技术、数据识别与分析方法、监测管理平台构建3大方面。

2.2　监测设备与通信技术研究现状

自20世纪80年代，标志着远距离通信实现可能的移动通信1G进入大众视野以来，短短几十年间，移动通信系统从1G到5G跨越式发展，是社会信息基础设施体系变革和重塑的先驱力量。目前，基于通信技术提升的智能化、信息化监测技术正成为研究热点^[10]。依靠前沿技术对现有监测设备与通信技术的改进，主要指传感器与传输、定位技术的升级。马迪迪^[11]认为，现有铁路通信技术难以满足铁路基础设施监测大容量、低时延的传输需求，亟需新技术提供支撑。Almalki等^[12]提出了一种节能线性传感器架构，可用于构建智慧交通的传感器网络基础设施。代晓景等^[13]利用铁路5G通信技术的大带宽、低时延、海量连接等特性，解决铁路基础设施监测相关通信需求。Mustafa等^[14]使用5G实时移动通信赋能基于传感器的智能铁路事故检测与预防系统。Lu等^[[15]指出，推进监测设备与5G、人工智能等数字技术的深度融合，实施智能化改造，研发无人化、自动化设备，从而实时感知生产设备运行状态与运行数据，能为搭建智能监测系统打下坚实的物理基础。

2.3　数据识别与分析方法研究现状

庞大而精确的数据是训练人工智能、搭建大数据平台的基本前提，在数据更便捷有效地获取与分析的基础上，才能发挥技术优势^[16]。CMIR研究主要通过对算法的优化与创新，结合实时传输通信技术，实现数据的有效利用，主要涉及人工智能技术中的机器学习与计算机视觉模型的应用，人工智能应用关系示意图如图4所示，并较多地采用神经网络算法与随机森林算法实现对数据的识别与分析。

Kou等^[17]发现传统的机器学习算法在故障诊断中通常受到海量多传感器数据和基于知识的特征提取的制约，卷积神经网络(Convolutional Neural Networks，CNN)以其无需人工干预自动特征学习和分类特质，可以处理多传感器监测数据并充分利用现有信息。Song等^[18]提出基于CNN可以建立一个获取信息和感知环境的人工智能系统，从文字和图形样式的监测数据中获得更多的信息。Elbaz等^[19]利用已测的监测数据，通过将遗传算法合并到GMDH型神经网络中，预测铁路工程盾构掘进过程中的设备寿命。同时，研究使用区块链技术保障施工监测数据安全^[20]，基于大数据构建数据交互网络协同分析^[21]。Broo等^[22]进一步讨论数据作为一种工具在工程中发挥的作用，构建了一个系统视角来理解工具和系统之间的相互关系，并以铁路运输系统为案例研究。

人工智能技术通过从既往数据中训练学习，能预测施工过程中的潜在问题，避免潜在风险。同时，人工智能技术能有效分析施工视频与传感器数据，识别施工环境、机械运行、人员操作等监测数据中的关键信息，提供实时施工情况分析，优化施工流程。此外，人工智能对铁路施工过程中各种物体的识别，能及时发现异常行为与异常状态。就现有研究来看，结合机器学习与计算机视觉模型为CMIR提供数据支持，是提高诊断设备故障、分析监测图像与视频、集中管理监测信息等方面数据识别与分析的准确性与高效性，实现工作流的自动化与智能化的有力途径。

2.4　监测管理平台构建研究现状

2.4.1　施工环境监测平台

对诸如风速、地质条件等施工环境展开监测，能尽早对可能影响施工状态的自然地质灾害因素展开预警^[23]。Liu等^[24]为了保护列车免受青藏铁路沿线强侧风的影响，开发了强风速监测和预警系统。王爽^[25]认为防灾安全监控系统可以对危及铁路施工安全的自然灾害、突发事故等进行实时监测，及时掌握灾害发生动态并采取相应的措施。金劭南^[26]基于大数据搭建了铁路灾害分析云平台，对铁路滑坡灾害监测预警。蒲黔辉等^[27]基于海量自然灾害监测数据，系统阐述了人工智能技术在风、雨、雪、地震及滑坡等灾害监测中的应用。Yu等^[28]借助VR/AR技术探究铁路施工环境对人心理的影响，借助数字化模糊空间和人类互动的界限，促进人-机协同。

2.4.2　施工目标监测平台

充分利用监测系统，掌握铁路施工状态，采取有针对性事前事后措施，可以形成铁路施工的基本支撑，便捷地监控工程的进度、质量、安全、环保等施工目标。Shen等^[29]提出了施工监测平台人机界面的设计思路。Wei等^[[30]提出一种基于深度学习和图像处理技术的创新智能方法，用于施工设备的在线状态监测，以便采取合理的措施控制施工质量。刘星^[31]结合构建深基坑智能监测系统，借助数字孪生技术监测施工进度，实现铁路基坑施工数字管控。

安全是铁路运输生产的生命线，是推动铁路智能化发展的前提^[32]。由于铁路工程自身的重要性和规模性，施工时间长、结构复杂、监测因素多，各种安全问题呈多元化、复杂化趋势演变^[33]。施工监测能够及时发现人或物的不安全状态，识别施工缺陷及隐患，从而采取相应的施工控制措施，并为施工安全事故后的责任追究提供依据^[34]。阚建平^[35]建立铁路沿线光电缆的温度变化监测系统，对异常变温分布式、全天候实时自动监测定位并预警。He等^[36]基于计算机视觉，使用深度卷积神经网络构建智能监测系统，快速准确地识别铁路施工障碍物。同时，借助类似人工智能算法，可以建立对关键工种、高危人群等快速识别预警平台^[37-38]。

2.4.3　监测平台数据挖掘

随着CMIR关键技术的发展，结合施工监测数据对铁路工程挖掘分析也愈发高效便捷。既往施工监测积累了海量的结构化、半结构化及非结构化监测数据，传统监测方式处理效率低下，无法充分挖掘数据中蕴含的信息。与传统监测相比，借助人工智能算法从历史铁路监测记录中提取数据训练，展开数据挖掘工作，搭建综合监测车、环境、工务、电务等多个施工监测管理平台，可以帮助工人减轻工作负担，提高管理人员效率，并形成积累数据与实际应用的良性循环^[39]。同时，使用区块链保障监测过程的数据安全与用户权限分配问题^[40]。

构建监测管理平台能基于铁路项目各相关方提供的资源与信息，对施工环境与施工目标进行监测，并实现数据挖掘功能，施工监测管理平台如图5所示。结合CMIR关键技术的监测管理平台大幅提高了施工管理信息化水平，使铁路施工规划的制定和决策向科学化稳步迈进。

3　智能铁路施工监测关键技术赋能机制与应用障碍

3.1　关键技术赋能机制

基于文献分析结果，按照关键技术在CMIR中三大应用方向，将技术赋能方式分为3类：采集与传输数据、处理与利用数据、展示与交互信息。

3.1.1　采集与传输数据

北斗卫星导航能追踪物流，准确定位施工材料与设备并获取位置信息，借其标准授时，确认监测数据产生的时间客观性，并可应用于铁路智能勘测领域^[41]。以5G技术为代表的通信技术，提供更高的数据传输速率、更低的延迟以及更好的网络覆盖能力。北斗+5G技术对于铁路施工监测过程中的精准定位、高速传输、远程协作等方面具有帮助。

3.1.2　处理与利用数据

云计算帮助铁路施工监测中的数据存储、计算、协同等方面实现更高效、更可靠的解决方案。边缘计算将部分计算资源和应用程序在网络边缘侧的智能网关上就近处理，实现更快的响应时间和更少的网络流量。随着传感器性能的提升，通过网络回传云计算中心的数据量也越来越大，采用云边结合对数据的结构化处理与分析能减轻网络传输压力，保障实时性、准确性。

3.1.3　展示与交互信息

施工监测系统中的各种设备、传感器可以通过物联网实现互联互通，以实现实时监控、远程控制等功能。区块链技术可以应用于铁路施工监测的数据共享、信任建立、溯源等方面，建立更加安全、高效、透明的数据交换平台。借助AR/VR技术在施工监测中实现虚拟演示、仿真训练、远程指导等功能，可以帮助监测人员及项目各参与方更好地理解现场情况。

基于大数据的分析与挖掘是前沿技术不断提高生产效率和价值链的数据驱动力，帮助铁路施工监测部门从大量的监测数据中提取有用信息，实现数据可视化与数据趋势分析。人工智能技术以大数据的发展为基础，推进了新一轮产业变革，可以对铁路施工监测中的图像识别、视频分析、字幕生成、异常检测等，实现施工流程优化、安全风险预测、数据决策支持等功能。基于海量数据分析与人工智能算法对施工监测智能化全面提升，不但涉及施工监测数据采集到展示的全过程，而且易于与其他关键技术融合，技术赋能机制与融合趋势如图6所示。

3.2　关键技术应用障碍

（1）基础研究薄弱。根据前文对文献研究主题分析，CMIR关键技术逐渐由优化算法向解构数据、形成综合监测平台过渡。然而，铁路行业智能化发展时间不长，这些技术在监测中还存在着一些关键问题需要进一步研究和优化。例如北斗精度、5G网络覆盖范围、人工智能算法学习深度等问题。因此，需要加大科研投入、加强关键技术基础研究，从根本上解决应用中的技术瓶颈。

（2）融合深度不足。关键技术的结合能发挥技术的集群效应，促进技术改造、升级和换代。在当前技术研究水平下，跨学科、跨领域技术壁垒存在，无法全面了解技术耦合机制，技术融合深度缺乏。且现阶段技术融合难度较高，需要加强相关领域之间的交流和协作，不断探索和寻求利用前沿技术改造铁路施工监测数字化的最优解决方案，促进关键技术融合落地，如云边结合、人工智能物联网(AIot)、物联网区块链(Blockchain of Things，BOT)等，从而实现更高效、更精准、更智能的监测和服务。

（3）工业化范例缺乏。新一代的工业革命将以基于数字化技术的现代智能制造为首要特征。不论是规范与监管措施的完善还是对人才的培养，都离不开工业化经验的积累。以智能京张、智能京雄项目为代表，铁路施工迎来生产方式的巨大变革与崭新发展。然而，这些技术的应用往往处于试点和实验阶段，且很多技术需要较长时间才能实现工业化。因此，在推进技术研发基础研究与融合研究的同时，还需要加强与各产业环节的衔接，建立示范智慧工地，形成符合市场需求的完整产业链，推进技术的产业化工业化。

3.3　智能铁路施工监测展望

智能铁路提供了一种从技术角度保障对人、机器、环境和管理的施工监测的方向，其发展可分为3个阶段：初始阶段(感知阶段)旨在实现以技术为核心的感知能力；过渡阶段(替代阶段)旨在实现劳动力的部分替代能力；高级阶段(智能阶段)旨在实现对人类智能的高级替代能力^[15]，有助于推动铁路制造业提质、降本、增效，加速传统生产方式的智能变革^[42]。CMIR的未来发展方向主要包括以下4个方面。

（1）监测手段多元化。研制类型更多、精度更高的智能监测设备，通过北斗定位导航、5G实时通信等多种手段实现全方位的铁路施工实时监测，形成立体互联的泛在智能感知系统。

（2）施工管理自动化。监测网络将有价值的信息输出，实现监测系统的信息交互和共享，利用先进算法技术对数据进行分析，帮助管理者掌握施工环境变化与施工进度、质量、安全等情况，实现施工监管的自动化。

（3）预警预测智能化。基于施工自动监管情况，CMIR可以发现施工风险或可疑情况，提前发出预警或做好预防措施，提供决策支持，避免施工缺陷和施工事故。

（4）交互体验友好化。结合区块链、物联网技术搭建信息交互监测平台，对数据可视化分析，进一步利用AR/VR技术对施工环境或操作模拟，实现监测的培训与体验真实化。

4　结束语

以施工监测为代表的智能监测对于交通强国战略实施具有重要推动和支撑作用。施工监测是铁路施工过程中关键一环，更是铁路建造实力的体现，为铁路全生命周期的质量与安全提供重要保障。面向关键技术成果转化的施工监测设备研究、数据分析与平台构建既是智能铁路的重要发展方向，也是构建智能交通运输体系的重要切入点和支撑点。在智能铁路施工监测领域，CMIR理论与技术亟待深化研究，高质量的施工监测数据库也应加快建立，智能监测的操作规程与安全保障体系、“政产学研用”全链条的协同创新发展模式亦需重视。

参考文献

[1] 中国国家铁路集团有限公司[EB/OL].(2023-3-17)[2023-04-20].

[2] 王同军. 智能铁路总体架构与发展展望[J]. 铁路计算机应用，2018，27(7)：1-8.

[3] WANG Tongjun. Overall Framework and Development Prospect of Intelligent Railway[J]. Railway Computer Application，2018，27(7)：1-8.

[4] 顾娟.铁路既有线施工现场智慧管理研究[D].石家庄：石家庄铁道大学，2022.

[5] YANG J F， CHENG X Q， WU Y P，et al. Railway Comprehensive Monitoring and Warning System Framework Based on Space-Air-Vehicle-Ground Integration Network[C]//2018 Prognostics and System Health Management Conference (PHM-Chongqing). Chongqing：IEEE，2018：1314-1319.

[6] 夏文龙. 桥梁施工监控与灰色系统理论的应用问题研究[D]. 长沙：中南大学，2012.

[7] 王青娥，成雅婷，唐娟娟，等.绿色铁路工程现状综述及其发展关键问题辨析[J].铁道科学与工程学报，2023，20(11)：4344-4355.

[8] WANG Qing’e， CHENG Yating， TANG Juanjuan，et al. Overview of Green Railway Engineering and Discrimination of Its Key Issues for Development[J].Journal of Railway Science and Engineering，2023，20(11)：4344-4355.

[9] 缪炳荣，张卫华，刘建新，等. 工业4.0下智能铁路前沿技术问题综述[J]. 交通运输工程学报，2021，21(1)：115-131.

[10] MIAO Bingrong， ZHANG Weihua， LIU Jianxin，et al. Review on Frontier Technical Issues of Intelligent Railways under Industry 4.0[J]. Journal of Traffic and Transportation Engineering，2021，21(1)：115-131.

[11] 鲁玉龙，沈海燕，张俊尧，等. 智能铁路新一代移动通信关键技术探索与展望[J]. 电信科学，2023，39(1)：30-41.

[12] LU Yulong， SHEN Haiyan， ZHANG Junyao，et al. Exploration and Prospect of the Key Technologies of the New Generation Mobile Communication of Intelligent Railway[J]. Telecommunications Science，2023，39(1)：30-41.

[13] 中华人民共和国国家发展和改革委员会，交通运输部，中国铁路总公司.中长期铁路网规划[EB/OL].(2019-06-01)[2023-04-20].

[14] ZHOU X H， ZHANG X G. Thoughts on the Development of Bridge Technology in China[J]. Engineering，2019，5(6)：1120-1130.

[15] 马迪迪. 基于高速铁路LTE-R通信系统安全风险评估技术研究[D]. 兰州：兰州交通大学，2019.

[16] ALMALKI K J， JABBARI A， AYINALA K，et al. ELSA：Energy-Efficient Linear Sensor Architecture for Smart City Applications[J]. IEEE Sensors Journal，2022，22(7)：7074-7083.

[17] 代晓景，柴雪松，暴学志，等. 基于5G传输的铁路基础设施监测方案研究[J]. 中国铁路，2022(9)：119-125.

[18] DAI Xiaojing， CHAI Xuesong， BAO Xuezhi，et al. Railway Infrastructure Monitoring Scheme Based on 5G Transmission[J]. China Railway，2022（9）：119-125.

[19] MUSTAFA A， RASHEED O， REHMAN S，et al. Sensor Based Smart Railway Accident Detection and Prevention System for Smart Cities Using Real Time Mobile Communication[J]. Wireless Personal Communications，2023，128(2)：1133-1152.

[20] LU C F， LIU J F， LIU Y H，et al. Intelligent Construction Technology of Railway Engineering in China[J]. Frontiers of Engineering Management，2019，6(4)：503-516.

[21] 尹虹，赵闪，李泽，等. 基于智能算法协同的铁路网络加密流量智能监测系统研究[J]. 铁路计算机应用，2022，31(10)：6-9.

[22] YIN Hong， ZHAO Shan， LI Ze，et al. Railway Network Encrypted Traffic Intelligent Monitoring System Based on Intelligent Algorithm Cooperation[J]. Railway Computer Application，2022，31(10)：6-9.

[23] KOU L L， QIN Y， ZHAO X J，et al. A Multi-Dimension End-to-End CNN Model for Rotating Devices Fault Diagnosis on High Speed Train Bogie[J]. IEEE Transactions on Vehicular Technology，2020，69(3)：2513-2524.

[24] SONG H F， SONG X Y， DONG H R. Application and Evaluation of Image-Based Information Acquisition in Railway Transportation[J]. Journal of Intelligent & Robotic Systems，2022，106(1)：9.

[25] ELBAZ K， SHEN S-L， ZHOU A， et al. Data in Intelligent Approach for Estimation of Disc Cutter Life Using Hybrid Metaheuristic Algorithm[J]. Data in Brief，2020(33)：106479.

[26] 杨亮. 铁路桥梁施工监测大数据平台构建关键技术研究[D]. 石家庄：石家庄铁道大学，2021.

[27] 马祯，包云，李俊波，等. 高速铁路灾害监测大数据分析系统及应用研究[J]. 铁道运输与经济，2022，44(6)：78-83，135.

[28] MA Zhen， BAO Yun， LI Junbo，et al. Research on Big Data Analysis System of High Speed Railway Disaster Monitoring and Its Applications[J]. Railway Transport and Economy，2022，44(6)：78-83，135.

[29] BROO D G， SCHOOLING J. A Framework for Using Data as an Engineering Tool for Sustainable Cyber-Physical Systems[J]. IEEE Access，2021，9：22876-22882.

[30] MISNEVS B， MELIKYAN A， BAZARAS D. Hazard Assessment of Weather Factors for the Occurrence of an Emergency on the Railway[J]. Procedia Computer Science，2015，77：40-47.

[31] LIU H， TIAN H Q， LI Y F. Short-Term Forecasting Optimization Algorithms for Wind Speed along Qinghai-Xizang Railway Based on Different Intelligent Modeling Theories[J]. Journal of Central South University of Technology，2009，16(4)：690-696.

[32] 王爽. 高速铁路防灾安全智能监测单元的研究与实现[D]. 兰州：兰州交通大学，2014.

[33] 金劭南. 基于大数据分析与挖掘的铁路滑坡灾害监测预警模型研究[D]. 成都：电子科技大学，2021.

[34] 蒲黔辉，杨长卫，勾红叶，等.高速铁路防灾减灾：大数据智能化技术与应用[M].北京：科学出版社，2020.

[35] YU B Y， WEN L J， BAI J，et al. Effect of Road and Railway Sound on Psychological and Physiological Responses in an Office Environment[J]. Buildings，2021，12(1)：6.

[36] SHEN R X， TAN Q Y， WANG Y J. Development on Intellective Collecting Apparatus of Slope Monitoring Data with Human Machine Interaction[J]. Wireless Personal Communications，2018，102(2)：2033-2045.

[37] WEI X K， JIANG S Y， LI Y，et al. Defect Detection of Pantograph Slide Based on Deep Learning and Image Processing Technology[J]. IEEE Transactions on Intelligent Transportation Systems，2020，21(3)：947-958.

[38] 刘星. 铁路桥梁深基坑智能监测技术研究与应用[J]. 铁路技术创新，2022(4)：118-124.

[39] LIU Xing. Study and Application of Intelligent Monitoring Technology for Deep Foundation Pit of Railway Bridge[J]. Railway Technical Innovation，2022(4)：118-124.

[40] 董兴芝. 面向智能高铁安全保障的知识图谱构建及应用关键技术研究[D]. 北京：中国铁道科学研究院，2022.

[41] 何华武. 高速铁路运行安全检测监测与监控技术[J]. 中国铁路，2013(3)：1-7.

[42] LI K P， WANG S S. A Network Accident Causation Model for Monitoring Railway Safety[J]. Safety Science， 2018(109)：398-402.

[43] 阚建平. 铁路沿线光电缆温度智能监测系统[J]. 铁道通信信号，2016，52(6)：81-83.

[44] KAN Jianping. Temperature Monitoring System of Optical Cable Along Railway[J]. Railway Signalling & Communication，2016，52(6)：81-83.

[45] HE D， JIANG Z， CHEN J，et al. Classification of Metro Facilities with Deep Neural Networks[J]. Journal of Advanced Transportation，2019(PT.1)：1-8.

[46] NALLAIVAROTHAYAN H， RYAN D， DENMAN S，et al. Detecting Anomalous Events at Railway Level Crossings[J]. Proceedings of the Institution of Mechanical Engineers，Part F：Journal of Rail and Rapid Transit，2013，227(5)：539-553.

[47] MA R， MENG F， DU H. Research on Intelligent Emergency Resource Allocation Mechanism for Public Health Emergencies： A Case Study on the Prevention and Control of COVID-19 in China[J]. Systems，2023，11(6)：300.

[48] OSMAN H， YACOUT S. Condition-Based Monitoring of the Rail Wheel Using Logical Analysis of Data and Ant Colony Optimization[J]. Journal of Quality in Maintenance Engineering，2023，29(2)：377-400.

[49] 张叶燃. 智能铁路中跨异构域信任模型与认证机制研究[D].成都：西南交通大学，2021.

[50] 中国新闻网. 北斗星基定位技术首次应用于中国铁路智能勘测[EB/OL].(2023-2-14)[2023-2-15].

[51] 中国信通院. 中国工业经济发展形势展望(2022年)[EB/OL].(2022-11-25)[2023-4-20].

基金资助

国家自然科学基金项目(U1934217)

中国中铁股份有限公司科技开发计划项目(2020-专项-02,2021-重大-02,2021-重点-10)

湖南省自然科学基金项目(2021JJ60026)