龚 利，谯 兵，赵 超，姚 凯

（1.中国铁道科学研究院集团有限公司 电子计算技术研究所，北京 100081；2.北京经纬信息技术有限公司，北京 100032；3.株洲中车时代电气股份有限公司，湖南 株洲 412001；4.成都运达科技股份有限公司，四川 成都 611731）

0 引言

随着铁路信息化技术的快速发展以及机车的不断投入使用，各级部门对机车的运用、检修、维护和综合保障等状态进行全方位监控的需求已逐步加强。为了实时监控机车的运行状态、远程诊断设备故障，国内外的机车大多配备了机车运行安全和设备质量监测系统。国外，西门子公司的EFLEET系统、阿尔斯通公司的ETRAIN系统、GE公司的RM&D系统及庞巴迪公司的CC REMOTE系统等都是基于特定车型而研发，无法适应中国铁路行业多种机车车型并存的现状[1]。国内，虽然基于各类安全监测检测数据的信息化系统均已投入运用，但已有的各类信息系统多专注于解决单一业务领域的问题，在与其他系统业务结合方面普遍存在壁垒严重、信息共享困难、数据资源综合利用水平较低等问题，难以获得跨领域的整体数据[2]。由于缺乏有效的技术手段及方法，数据割裂、一致性差，导致大量有价值的信息难以被挖掘，无法进行多业务、多维度汇聚和综合分析[3]。为此，本文提出一套构建机务安全监测检测数据共享平台的解决方案，通过对各机务系统的安全监测检测数据进行有效融合，搭建基于大数据的机务安全监测检测数据共享平台，并基于平台数据实现对机车状态的远程监控、机车故障的智能清洗与诊断、机车设备的智能维修，从而有效缩短机车故障处理时间，提高机车整备和运用效率，为机务安全运输生产提供决策依据。

1 智能化机务安全监测检测数据平台整体架构

1.1 机务安全监测检测数据

机务安全监测检测数据分为车载实时数据和WLAN转储数据，涉及LKJ（列车运行控制记录装置）、TCMS（机车网络控制系统）、6A（机车车载安全防护系统）、LMD（列车运行监控设备监测管理系统）和TCDS（客车安全监测系统）等系统数据。各模块数据内容具体如下：

（1）LKJ系统数据，包含信号机、车站、公里标及风缸压力等机车安全信息数据；

（2）TCMS系统数据，包含机车牵引系统、辅助系统、制动系统及充电机等产生的机车运行数据和故障数据；

（3）6A系统数据，包含机车制动子系统、防火子系统、绝缘子系统、列供子系统、走行子系统、视频子系统等产生的机车运行数据和故障数据；

（4）LMD系统数据，包含电务车载设备数据、数据版本运用状态数据等；

（5）TCDS系统数据，不仅涉及供电系统、空调系统、车下电源、车门、烟火报警装置、轴温报警器、防滑器、制动系统及车体等装置工作状态数据，还包含转向架动力学性能及轮对状态信息等数据。

车载实时数据以数据流的形式通过4G网络实时下发，经MTUP（铁路综合安全平台）至铁路综合信息网；WLAN转储数据待机车回段后以文件形式通过整备场WLAN网络下载至铁路综合信息网，WLAN转储数据密度远远大于实时数据密度。

1.2 智能化机务安全监测检测数据平台整体架构

智能化机务安全监测检测数据平台整体架构由数据采集层、存储层和应用层3个部分组成（图1）。数据采集层主要通过数据的抽取和预处理来实现数据的有效采集；数据存储层主要将采集到的机车安全监测检测数据统一存入分布式数据服务器集群，形成整体化的机务安全监测检测数据平台，实现不同数据之间的互联互通，为数据应用提供强有力支撑；数据应用层通过分析安全监测检测平台数据，实现在途机车设备运行状态的远程监测、设备故障信息的清洗与诊断、机车智能维修等功能。

图1 机务安全监测检测数据平台Fig. 1 Data platform of locomotive safety monitoring and detection

2 数据采集及存储

2.1 数据采集

车载实时数据通过4G网络下发至地面服务器，通过Nginx(高性能的HTTP和反向代理web服务器)实现负载均衡，在Netty中完成数据解析后分发至各系统的分布式数据存储服务器。WLAN转储数据是机车回段后通过整备场WLAN网络下发的数据，其经过解析后被存入到Oracle数据库中。

针对以上数据存储和数据格式的不同，分别采用webservice接口、文件传输协议（file transfer protocol,FTP）等多种技术手段并与数据集成软件定时任务相结合的方式实现数据采集，再通过数据清洗、公式转化等方式对数据进行预处理，最终统一存入数据集群服务器，形成机务安全检测一体化数据平台。具体数据采集数据流如图2所示。

图2 数据采集数据流图Fig. 2 Data flow diagram of data collection

2.2 数据存储

数据存储采用分布式数据库形成完整存储方案，其使用大量PC服务器通过铁路内网互联，对外作为一个整体提供存储服务，以较低成本满足大规模数据存储需求，具体包括：（1）分布式块存储，其将大量服务器硬盘经过分布式块存储软件变为统一的分布式文件进行存储，主节点服务器控制各个数据节点，适合于多数据的处理和存储；（2）分布式对象存储，其有利于快速查找到对应的文件，适合于海量文件的存储、访问和备份。

分布式NoSQL数据库，泛指非关系型数据库，其降低了对传统二维关系型数据库的约束和限制，数据关系灵活，对数据的大小和种类限制较少，执行速度快，不仅可以处理超大量的数据，而且可为大规模、多种类的数据提供一种灵活、可扩展的存储和查询方式[4]。

3 监测检测数据分析应用

智能化机务安全监测检测数据平台通过对数据进行分析、应用，实现安全风险防控、专家系统分析、智能机务维护和数据共享。

3.1 安全风险防控

基于机务安全监测检测数据平台的LKJ, TCMS,LMD, 6A及TCDS安全监控信息以及北斗卫星系统的实时数据，对在途机车设备进行状态远程监测，实现机车远程定位、故障诊断和排除，评估机车质量，定位机车故障原因并确定机车修程，从而提高整备检修的效率，减少机务人员工作量，为机车运用管理、运输调度指挥和考核工作提供有力支持。

图3 故障监测处置流程Fig. 3 Flow chart of fault monitoring and disposal

该数据平台主要功能包括动态跟踪“人-车-图”和安全防控。动态跟踪涉及机车定位、故障监测、机车运行轨迹及机车正晚点：基于机务安全监测检测数据平台通过北斗卫星获取经纬度信息，利用地图服务定位机车当前地理位置，远程追踪机车位置；实时查询机车故障和事件的发生状况，当机车发生故障，第一时间监测到故障信息，并通过信息弹窗和声音提醒相结合的方式提醒用户，使各级业务部门实时准确掌握线上机车运行的异常情况，及时指导机车乘务员进行故障处置，预防事故发生或降低事故损失；根据LKJ数据以及机车经纬度信息，在地图上展示机车某一时间段内的运行轨迹，运行轨迹中包含司机信息、车站信息、速度信息、车次信息以及该时间段的司机车次变更信息等机车的实时数据，便于追踪机车的历史轨迹信息；基于机务安全监测检测数据平台的机车过站信息、实际出发时刻、实际到达时刻、计划出发时刻、计划到达时刻及实际晚点等信息，通过数据的对比分析，直观展示机车的晚点信息，有效帮助调度员进行精准调度指挥，从而提高机车的利用率。

安全防控基于对机务安全监测检测数据平台的故障数据深度分析与挖掘，通过筛选配置进行故障过滤，筛选机车实时下发的报警信息，对报警信息进行远程监控与处置，使各级机务部门实时掌握机车的运行异常情况，提高故障处置效率，防止机破事故发生[5]。

筛选配置是对实时报警的数据进行过滤配置，主要根据速度、过分相、监控状态以及从机车车号识别系统获取的机车入库信息，筛选库内、库外机车故障信息，有效取得所需要的报警数据。应急处置是针对过滤后的报警数据，对影响行车类的报警进行主动干预，由应急处置人员远程指导处置，并利用LKJ曲线、实时监测数据及视频点播画面等信息辅助分析故障发生原因，以提高应急指导效率。通过获取报警发生时刻前后10 min内的运行状态数据，以图形、曲线的方式进行展示分析，展示的信息包括限速、速度、车站名、总风缸压力、列车管压力、均衡风缸压力、制动风缸压力、信号机信息、工况、事件和故障描述等，以便精准地分析故障原因和定位故障位置，提高故障分析效率。图4示出故障图形分析。

图4 故障图形分析图Fig. 4 Failure graph analysis diagram

3.2 智能专家分析

基于机务安全监测检测数据平台获取的大量机车运行数据，通过故障分析与诊断，实现对机车车载数据自动转储和深度分析，实现故障数据自动清洗、故障诊断、机车健康诊断[6]及知识库管理等功能，不仅能提高故障分析效率，减少技术人员工作量，同时还能实现工作流程智能化，降低工作难度，提升工作效率和信息传递的准确度，提高应急指挥效率，降低任务处置失误率。

3.2.1 故障清洗

根据故障发生时刻状态数据以及前后相关的故障条目对故障进行智能识别与清洗，以屏蔽次生故障。可对清洗前后的故障进行对比和关联分析，如在HXD1D型机车中，清洗规则近2 000条，清洗率高达99.9%，清洗准确率达99%。图5示出因供电开关故障导致通信类、隔离类等次生故障的故障清洗案例。

图5 清洗案例图Fig. 5 Cleaning-case diagram

3.2.2 故障诊断

基于机务安全监测检测数据平台的机车运行数据和故障数据，通过智能清洗，快速识别并智能屏蔽次生故障，并对清洗前后的故障信息进行对比及关联分析。对筛选后的真实故障信息，基于LKJ,TCMS,6A,LMD以及TCDS等系统数据，利用波形图、故障树等手段，分析故障发生原因，指导检修维护人员对故障进行处置；可对需整备作业的故障进行提票，进而形成故障处置闭环。通过故障智能化诊断，降低工作难度，提高数据分析效率、处置效率、应急指挥效率、减少技术人员工作量，降低人为处置失误率。图6示出故障诊断处理流程。

图6 专家诊断故障分析流程Fig. 6 Flow chart of expert diagnosis fault analysis

3.2.3 机车健康预警

基于机务安全监测检测数据平台的大量机车数据，利用大数据挖掘技术，实现离线故障预警。根据故障类别、在线故障诊断点、离线故障诊断点等信息，实现对接触器卡分/卡合故障、冷却系统异常、走行部异常、传感器故障的在线诊断以及对电容器异常、电机轴承故障、撒砂系统异常、冷却塔滤网堵塞等故障的在线预警[7]。依据高压隔离信息、主断信息、走行公里数、检测数据及部件流转记录等，通过将设定的阈值与当前值进行比较来显示健康状态，从而提前预测指导检修。

以电容器为例，基于微秒级IGBT开关信号，在不增加中间电流传感器情况下，实现对电容器充放电电流的重构，并对直流滤波电容器和二次滤波电容器的等效串联电阻（ESR）值进行实时监测（图7）；准确计算电容器ESR值，跟踪其变化趋势，提前预警电容器异常状态。

图7 滤波电容异常预警Fig. 7 Abnormal warning offiltering capacitor

3.3 智能机务维护

传统的机车维护以各型机车主要部件的质量寿命来确定各种修程的周期，有计划地定期进行维护。这种方式难以适应列车运行向提速、重载、高密度行车方向发展，且存在检修周期长、维修成本高、机车运用效率低的问题。基于机务安全监测检测数据平台，得到机车主要部件的各种信息，如柴油机系统、牵引系统、辅助系统及制动控制系统等基本运行状态相关数据；充分利用这些数据，对其进行分析与加工，结合大数据、人工智能方面的相关技术，形成多角度、全方位的机车智能维护。

3.3.1 设备质量智能诊断与预测

对机车主要部件的质量状态进行准确的判断和预测是机车维修维护过程中的重点内容。准确判断机车主要部件的当前状态，有利于设备管理人员和机车维护人员及时确定解决方案，为整体维护过程节省时间；同时，预测机车设备可能出现的质量问题和潜在的风险，能够使设备管理人员和机车维护人员提前应对，减少不必要的财产损失，提高经济效益。决策树算法是以实例为基础的归纳学习算法，以其计算量相对较小、易于提取显示规则、能够显示重要决策属性和展示较高的分类准确率等优点而得到广泛的应用，是一种常用于预测模型的算法[8]。系统结合LKJ,TCMS,LMD,6A等的数据，通过决策树算法训练得到机务设备质量智能诊断预测模型，然后用该模型对设备质量状态进行判断与预测；完成了HXD1C/HXD1D/HXD1车型的受电弓保护、主断路器保护、牵引封锁故障树诊断等，对机车级故障进行深度诊断，明确故障原因，诊断项点近500条。图8为牵引封锁故障诊断与预测结果示例。

图8 牵引封锁故障诊断与预测结果图Fig. 8 Fault diagnosis and prediction results of traction closure

3.3.2 设备维护智能决策

基于机务安全监测检测数据平台的机车数据，建立设备维护智能决策系统，利用设备质量状态信息库、设备维护履历、维护过程指导等功能，给设备管理人员或维修维护人员提供维护建议。根据维修人员输入的指令信息，及时、高效地确定维护方案。

3.4 数据共享

铁路运输各个相关部门都逐渐建立了大大小小的信息系统，虽然在不断的发展中，但各个信息系统在建立初期都只考虑到了部门内部的部分需求，信息的畅通共享十分困难，尤其是铁路局的下辖机构。因此，要想实现进一步的铁路信息化发展，解决铁路局各个机构内部以及各个机构之间的信息共享问题是目前铁路信息化发展至关重要的一步[9]。目前在中国机车远程监测与诊断系统（CMD系统）中已集成了部分司机电子报单和机车走行里程的部分数据，并得以运用在各类统计工作中。

3.4.1 司机电子报单

传统的司机报单为纸质报单，在统计方式和作业流程方面较为复杂，乘务员在填写过程中数据容易出错，车组内运用数据也不统一，不仅统计工作量大，且保存、核对数据也相对麻烦[10]；而现有的机务安全监测检测数据平台采用司机电子保单，能实现从报单数据采集、分析处理到生成司机电子报单、生成各种机车统计报表和工时计件统计报表的自动化处理，减少人工干预环节，不仅能确保数据的准确性、实效性，同时也提高了机务统计工作的精确度和工作效率[10]。

3.4.2 走行公里数据统计

基于机务安全监测检测数据平台，结合MapReduce（一种编程模型，用于规模大于1TB数据集的并行运算）进行数据分析，从而得出较为精确的机车走行公里数据，通过对走行公里数据的逻辑判断自动生成机车一二级整备流程，机车入库后由运用车间外勤在整备作业管理系统中核对机车车号、整备等级，并由整备车间根据整备等级实施分级整备，为机车修程及整备检修作业提供更可靠的预警支撑。

与传统统计方式相比，其大大降低了机车走行公里数据统计误差，经现场售后人员通过上车查看机车里程表数据，对比传回的走行数据，实现了HXD1, HXD3D,HXD1D, HXD3C这4种车型走行数据与车载里程表数据误差在5%以内，其余车型走行数据统计也正在进行中。通过机务安全监测检测数据平台获取的走行公里数据，可以与检修系统相结合，对机车修程及整备检修作业提供了更可靠的数据。

4 数据集成技术

数据集成服务（data integration，DI）是一种以能够提供设计、调度、监控和管理抽取、转换和加载( extract, transform and load, ETL)过程为核心功能的服务，其提供同构/异构数据源之间批量数据迁移，帮助客户实现数据自由流动；而不少开源软件都能实现数据自由流动、批量数据迁移，支持客户各种类型数据源之间的数据迁移，支持大多数常用的数据源类型，涵盖关系数据库、文件服务器及NoSQL数据库等。这些数据源绝大多数既可以作为源，也可以作为迁移目的。与DI无缝集成，依托数据集成能力的支撑，支持多种异构数据源之间可靠高效的数据传输，轻松实现将多数据源集成到数据仓库中。

数据集成的核心功能就是从当前存储数据的地方获取数据之后，将其转换为目标系统所兼容的格式，最后将其导入到目标系统中，即ETL[11]过程。目前系统采用开源工具软件Kettle实现数据的增量抽取，其中常用的捕获变化数据的方法有：（1）触发器式，其根据抽取要求，在要被抽取的源表上建立插入、修改和删除3个触发器，每当源表中的数据发生变化，就被相应的触发器将变化的数据写入到一个增量日志表中，ETL的增量抽取则是从增量日志表中而不是直接在源表中抽取数据；（2）时间戳式，这是一种基于快照比较的变化数据捕获方式，在源表上增加一个时间戳字段，系统中更新修改表数据的时候，同时修改时间戳字段的值；当进行数据抽取时，通过比较系统时间与时间戳字段的值来决定抽取哪些数据；（3）全表删除插入式，其每次抽取前先删除目标表数据，抽取时全部重新加载数据，实际上是将增量抽取等同于全量抽取；对于数据量不大、全量抽取时间代价小的情况，可以采用该方式。

5 结语

为顺应新时代铁路发展趋势，推动机车从传统维护方式到以大数据为支撑的智能化维护方式的改变，本文提出一种融合机车状态、安全和监测信息的智能化机务安全监测检测数据平台，其基于机务安全监测检测数据深入挖掘与应用，紧密围绕“人-车-图”对在途机车设备进行状态监测、远程诊断和故障排除，实现安全风险实时防控，预估机车质量状态，定位故障并确定修程，为机车运、管、修提供数据支撑，从而提高经济效益，为智慧机务奠定基础。但与此同时，由于存在数据接收不全、系统接入量不足的问题，导致目前尚未能完全有效地打破系统壁垒。后续将按照机务信息一体化建设方案，在数据的接入广度和深度上持续推进，从而实现机务数据的有效综合利用。