本发明涉及铁路工务设备管理，特别涉及一种基于网格的铁路工务线路设备风险定量计算方法。
背景技术：
1、现有的铁路工务风险事件的定量计算方法中存在以下问题：
2、1)铁路工务风险事件标准化有待规范
3、铁路工务风险事件的案例及致灾因子繁杂众多，因此相应的铁路工务风险事件标准化也是多种多样，而对危险源辨识不充分、风险评估不全面、分级不准确，就会导致风险管控措施的失效。
4、2)铁路工务风险研判以定性为主，缺少定量分析
5、当前铁路工务风险研判以定性分析为主，这种方法虽然能为风险事件提供大致的轮廓和方向，但却往往缺乏清晰、具体的定量分析来支撑。
6、3)风险事件计算的时空分辨率不足
7、当前铁路工务设备风险分析的空间位置精度不高，通常的分析对象为铁路局(一般管辖7000～1000公里延展长度正线)、工务段(一般管辖1000～1500公里延展长度正线)或线路区间(一般20～100公里延展长度正线)，分析的线路范围过于宽泛，难以精确定位到具体空间及时间位置，风险应对缺乏针对性。
8、现有的铁路风险事件可能性量化计算方法未能很好的满足高时空精度的风险事件标准化及量化分析的需求。
技术实现思路
1、本发明的目的是提供一种基于网格的铁路工务线路设备风险定量计算方法，对铁路工务线路设备风险定量分析，为铁路管理者和决策者提供重要的决策支持。
2、为实现上述目的，本发明提供了如下方案：
3、一种基于网格的铁路工务线路设备风险定量计算方法，包括：
4、对铁路工务线路进行网格划分；
5、对铁路工务线路设备的风险事件以及所述风险事件的致灾因子进行标准化处理，得到风险事件清单和致灾因子清单；
6、基于网格划分后的铁路工务线路、所述风险事件清单和所述致灾因子清单，收集并整理铁路工务线路设备的风险事件对应的致灾因子状态数据；
7、对所述致灾因子状态数据进行量化赋值，得到量化数据；
8、基于所述量化数据对模型库中的模型进行训练，并筛选出拟合效果最好的模型作为铁路工务线路设备风险定量计算模型；
9、基于所述铁路工务线路设备风险定量计算模型定量计算铁路工务线路设备的风险事件可能性等级。
10、根据本发明提供的具体实施例，本发明公开了以下技术效果：
11、(1)本发明通过对铁路工务线路进行网格划分，可以更好的捕捉铁路工系统内的空间相关性和时序关系，保障风险事件可能性计算的时空高分辨率，提高对风险事件的定位和预测精度，为接下来的风险识别、风险分析、风险应对和监控反馈带来更为准确的位置和精细的信息。
12、(2)本发明通过对风险事件以及致灾因子进行了标准化处理，构建了风险事件清单和致灾因子清单，并对致灾因子状态数据进行量化赋值，使得致灾因子从定性描述转为容易计算的定量分析。
13、(3)在铁路工务风险事件分析中，各种致灾因子大多具有不确定性和模糊性的特点，而使用神经网络可以有效处理这些数据，提供更加全面和准确的分析结果。通过对风险事件可能性的准确评估，管理者可以制定相应的风险管理策略和措施，提前采取预防和应对措施，从而降低风险，确保铁路工务系统的安全和可靠性。
1.一种基于网格的铁路工务线路设备风险定量计算方法，其特征在于，包括：
2.根据权利要求1所述的基于网格的铁路工务线路设备风险定量计算方法，其特征在于，对铁路工务线路进行网格划分，具体包括：
3.根据权利要求1所述的基于网格的铁路工务线路设备风险定量计算方法，其特征在于，对铁路工务线路设备的风险事件以及所述风险事件的致灾因子进行标准化处理，得到风险事件清单和致灾因子清单，具体包括：
4.根据权利要求1所述的基于网格的铁路工务线路设备风险定量计算方法，其特征在于，对所述致灾因子状态数据进行量化赋值，得到量化数据，具体包括：
5.根据权利要求1所述的基于网格的铁路工务线路设备风险定量计算方法，其特征在于，所述模型库中包括模糊神经网络模型、自适应模糊神经网络、深度学习神经网络和bp神经网络。
