基于大数据的轨道交通车辆空调系统智能运维

于悦青，张路亚

1 概述

随着我国城市规模和经济建设的飞速发展，引导民众使用公共交通工具，降低城市交通秩序拥堵、混乱等现象，城市轨道建设已成为我国大中城市解决城市交通问题的重要途经和方案。截至2019年底，我国轨道交通运营配属车辆已经达到近4.1万辆（如图1所示）[1]。

图1 轨道交通运营配属车辆数量及增速

安全、快速、舒适、可靠是轨道交通车辆的基本要求。为了保障车辆安全可靠运营，地铁公司、车辆制造商及其子系统供应商在日常维保过程中投入了大量人力物力。空调作为轨道交通车辆旅客舒适性要求界面最重要的子系统，向来是地铁运营公司和乘客的普遍关注重点。如果空调系统失效将会严重影响旅客的乘车舒适性，特别是在地上隧道里运行的车辆，还有可能影响旅客生命安全。

2 轨道交通车辆现有检修和故障维修体制

轨道交通车辆空调发现故障一般有两种方式，一种是在运行过程中发生故障，随车工程师排除故障并做好相关记录上报，车辆回库后运维人员、车辆制造商和空调供应商派人进一步检查分析。另一种是车辆回库后，空调供应商安排售后人员对每列车进行库检，在库检过程中发现故障并排除故障。故障发生后，如果情节严重或售后人员不能及时分析根本原因，车辆制造商和空调供应商派工程师进行现场调查。库检是车辆各供应商售后人员的主要任务之一，车辆进库后，售后人员需上车查看每台空调的故障信息。车辆一般在晚上深夜入库，这给售后人员的工作增添了很多不便。如果故障重复出现，运营会组织车辆工厂和空调供应商对所有同类型的车辆进行全面普查，也极大增加了售后人员的负担。

随着轨道交通快速井喷式的发展，这种故障检修模式给运营公司、车辆制造商和子系统供应商的维保工作带来了越来越多的挑战:

运营维护人员成本大幅增加，员工技能良莠不齐。

不能对故障及安全隐患进行预测和预警，故障发生后随车机械师或售后人员可能不能及时得到解决方案，故障不能及时排除。

车辆检修时间和检修场地受限，车辆入库时间短，有时还需登顶作业，工作量大，夜间容易疲劳。库检和普查给售后人员增加了很大的负担。

如何通过大数据建立轨道交通车辆及其子系统的智能运维系统，对故障和安全隐患进行预测和预警、对故障信息进行远程监控、对主要部件的使用寿命进行预测，及时准确排查故障，减少过度维修，从而减少整个运营维修成本，对列车运行过程中的能源管理等是各轨道交通车辆制造商及其子系统供应商近期讨论的热点话题。有些公司进行了相关方面的研发并在一些项目中得到了应用，如北京地铁公司提出了车辆TCMS监测平台、车辆走行部监测平台、车辆能耗管理平台以及现场检修信息管理系统的“3+1”智能运维体系[2]。但现阶段大部分供应商只停留在将数据进行采集存储，对已经发生的故障进行通报和处理，而能对这些数据通过不同算法进行诊断和预测的案例却非常少。

3 轨道交通车辆空调系统智能运维网络拓扑结构

轨道交通车辆空调系统智能运维网络拓扑结构一般如图2所示，空调控制器采集车辆空调系统的实时状态数据和故障信息，通过公共移动通信网传入互联网，然后经防火墙进入空调生产厂家内部的局域网，并存入数据中心。数据中心服务器根据预定算法，对实时状态数据和故障信息进行分析判断，可将分析结果在PC客户端或监控屏上进行显示。同时也可将分析的结果通过互联网和公共移动通信网传到售后人员的手机或平板电脑，售后人员根据这些信息可及时掌握自己服务的车辆的状态信息和故障信息，并根据分析结果进行故障判断和处理。

图2 轨道交通车辆空调系统智能运维网络拓扑结构

4 轨道交通车辆空调远程监测与故障诊断系统

轨道交通车辆空调远程监控及故障诊断系统主要由基础数据层、感知层、网络层和应用层等四部分组成，其具体内容如图3所示。

4.1 基础数据层

基础数据层主要用于存储空调系统在设计、生产和试验过程中采集的数据以及维修记录等，是后期数据分析的基础。其主要包括:

设计参数:如设计的制冷量、制热量、送风量、新风量和制冷剂充注量等参数。

图3 轨道交通车辆空调远程监控和故障诊断系统

试验数据和装车运行记录:试验数据包括出厂前的型式试验数据和例行试验数据以及空调机组装车后在车辆上的调试数据。例行试验中将会对每台机组按图4所示的自动测试平台进行测试，测试过程中将会采集空调系统压缩机、冷凝风机、送风机和电加热等等部件在不同工况模式上的电压、电流、功率、振动以及空调系统的压力和温度等信息。这些数据将作为基础，可与感知层采集的数据进行对比分析。

图4 轨道交通车辆空调例行试验自动测试平台

配置管理和维修记录:配置管理和维修记录是每台机组的档案袋。每台空调机组及其主要部件的序列号等都会记录在配置管理中，维修更换了主要部件需将新部件的配置更新到配置管理文件中。

4.2 感知层

感知层的主要任务是采集实时状态信息和故障信息。如图5所示，轨道交通车辆通过空调控制器及其相关传感器采集以上信息:

图5 轨道交通车辆空调数据采集

（1）空调系统基本信息

空调机组号、车厢号、列车号。

项目号、软件版本。

（2）实时数据

时间:空调机组与车辆同步的实时时间。

电流电压:压缩机、冷凝风机、送风机和电加热器等部件的电流、电压和功率等信息。

温度湿度:空调机组的新风温度、回风温度和送风温度，车内外湿度等。压缩机吸气温度和排气温度等。

系统压力:空调系统的高压、低压等压力信息。

振动:空调压缩机的振动信息。

风门:新风风门、回风风门和废排风门的位置信息。

工作模式:空调系统处于何种工作模式，如全冷、半冷、通风、半热和全热等。

状态信息:空调系统各部件所处的状态。

IO信号:各部件的开关量反馈信号等。

4.3 网络层

轨道交通车辆空调系统智能运维有两种组网方案，图6（a）通过空调控制器网关直接与公共移动通讯网进行通讯，图6（b）则通过车辆网关与公共移动通讯网进行通讯。

空调控制器网关通讯:由空调控制器采集的数据通过空调控制器网关与公共移动通讯网进行通讯，然后再由互联网与空调公司内部的数据中心进行数据交换。整个数据交换没有通过车辆和运营公司的网络，车辆和运营公司不知道空调子系统进行了哪些通讯。考虑到轨道交通车辆属于公共交通工具，子系统供应商如果不经过车辆制造商和运营公司的批准和监控而进行远程控制，可能会带来安全隐患。因此，该种通讯方式现在基本采用的是单向通讯，即只能由控制器向数据中心传递数据，而不允许远程给空调控制器发送指令。这种通讯方式在部分地铁公司的部分与运营安全关系不大的子系统中使用。

图6 轨道交通车辆空调组网方案

车辆网关通讯:由空调控制器采集的数据先传送到车辆网关，车辆网关与公共移动通讯网进行通讯，采集的数据可先存储在本地服务器（如车辆段或地铁公司的服务器），然后再由互联网与空调公司内部的数据中心进行数据交换。整个数据交换通过车辆制造商和运营公司的网络并在本地服务器进行备份。整个数据传输过程由车辆制造商和运营公司进行监督，使用的安全性提高。

4.4 应用层

应用层主要包括在线监测、故障诊断、亚健康预警、能源寿命管理和智能运营维护等部分组成。其应用层的数据中心架构如图7所示。主数据中心服务平台主要包括知识库和数据库、实时通信服务、数据处理服务、Web应用服务、文件服务等。

图7 智能运维数据中心架构

4.4.1 在线监测

图8为空调系统的主要监控界面，第一个界面为空调状态的基本信息，第二个界面为温度和压力信息，第三个界面为制冷和加热信息，第四个界面为空调机组通风和压力波等界面。通过在线监测以上四个界面，就可了解空调系统的基本信息。

图8 空调系统在线监测信息

4.4.2 故障诊断和亚健康预警

故障诊断和亚健康预警是基于大数据智能运维的核心，最能体现一个公司技术的水平。空调系统故障可分为两种，一种是有直接故障反馈的故障，如电机过热保护，制冷系统高低压故障等，这类故障由于有直接反馈，很容易识别。还有一些故障没有直接故障反馈，而需通过其他温度、压力、电流等信息进行间接判断，如制冷剂泄漏、制冷不良、脏堵、电机轴承磨损等故障。以上以制冷剂泄漏来说明此类故障识别和亚健康预警的技术路线:

（1）台架试验

正常运行试验:首先测量制冷剂正常时不同压差上的电流，如图9所示。

图9 压缩机电流随制冷系统高低压压差的变化

典型亚健康试验:测量减少不同制冷剂充注的多条曲线，采集亚健康条件上的不同压差上的电流信息。

真实故障试验:装车状态上模拟制冷剂泄漏，运行空调机组，查看制冷剂泄漏过程中压差的变化趋势。

（2）数据特征提取:采用以上一种或多种方法提取以上试验特征

时域分段统计特征；正常包络曲线超限点数统计特征；数据字符化处理与压缩；变异系数法-离散性分析。

（3）诊断及预测方法:根据以上诊断或预测方法进行诊断和预测

a.基于特征值统计阈值的故障规则库；b.基于超限点数均方差准则的亚健康诊断；c.基于数据挖掘的知识发现；d.基于数据聚类的知识发现。

（4）诊断及亚健康预测

如图10所示，空调控制系统根据以上的诊断和预测方法，对制冷剂泄漏的程度进行预测，并将预测结果通知售后人员。

图10 制冷剂泄漏故障诊断

故障诊断:功能丧失

亚健康评估:性能降级

亚健康预测:关键特征值的趋势变化预测

4.4.3 能源和寿命管理

轨道交通车辆空调是轨道交通车辆除牵引系统外的第二大用电大户，以六节编组的地铁车辆为例，车辆工作时间大约为5000小时/年，每年每列车辆的空调总功耗约为30~40万kWh（不同的线路和车型差别较大）。近年来地铁公司、车辆制造厂和空调供应商等迫于用电量的压力，一直在寻求降低空调能耗的方法，但效果不明显。基于大数据的能源管理系统，将有利于通过大数据挖掘空调节能的潜力。如图11所示，根据不同城市的气候参数和不同地铁线路的客流量情况，我们可以预估每一个小时的制冷和制热负荷，从而可以计算出全年的空调负荷情况，但这种预估跟实际可能会有所偏差（如图12所示）。通过智能运维系统采集的大数据，可以分析实际运行过程中整年在不同负荷条件上的工作时间，这些数据将有利于后期项目的设计优化，重点提高使用时间较长负荷条件上的能效，从而达到节能目的。同时也可以优化软件，实现实时能源管理。

图11 冬季典型日制冷/制热需求

同时，通过智能运维采集的数据，可以分析出压缩机、风机等运转部件的工作时间，从而可以预测出部件的使用寿命，减少计划维修过程中的过度维修。

4.4.4 智能运营维护

图12 大数据统计负荷值VS预估负荷值

轨道交通车辆空调系统智能运维的一个重要任务是提高现场维护人员的效率，节约维护成本。智能运维系统可以通过互联网或手机APP可以随时监控所有车辆的状态，查看相关故障和解决方案，售后人员可提前备好人力物力，车辆入库就可进行维修。

如图13所示，轨道交通车辆空调系统智能运维的建立，将带来整个维保模式的蜕变。人工专家和设计人员将逐渐从日常的售后支持中脱身而出，而由故障知识库和专家系统来对故障进行识别和预测。售后人员也可专心处理故障，而不用再在库检和普查中来回穿梭。

图13 维保模式的切换

5 结论

轨道交通车辆空调系统智能运维的引入，将在故障诊断、亚健康预测、维保效率、能源管理、寿命管理和设计优化等方面起到不可磨灭的作用。空调系统的故障主要由故障知识库和专家系统进行诊断和预测，人工专家和设计人员可从日常的售后技术支持活动中脱身而出，而专注于自己的设计工作，售后人员也将从无休止的库检和普查工作中解脱出来，而转战自己的维修工作，从而提高了整个售后服务团队的效率，降低公司的维保人力成本。同时，智能运维采集的数据，可进行寿命管理和能源管理分析，从而可对后续产品的设计和维修计划进行优化，从而节省整个产品在生命周期内的运营成本。