铁路供电故障预测与健康管理大数据平台方案研究

高金山，李银生

0 引言

2016 年3 月，中国铁路总公司（现国铁集团）颁布了《高速铁路接触网运行维修规则》，规范了高速铁路接触网运行维修管理，明确了高速铁路接触网运行维修管理、修程修制、机构设置与职责、技术质量管理等相关要求，规定了高速铁路接触网运行管理、检测与诊断分析、质量评价与鉴定、设备状态界定和维修等应遵循的相关管理和技术标准等。目前，高速铁路接触网检修是通过检测监测手段发现接触网系统实际运行状态出现的不允许偏差或故障后对其进行必要修复，恢复正常功能，以及通过精确检测、调整修理，恢复设备标准状态。本质上，这种维修策略依然是状态检测、故障维修的方法，并不能提前预测故障何时发生，仍不是真正意义上的基于接触网运行过程数据的预防性维修。因此，在保证接触网安全性的前提下，运用故障预测方法预先发现接触网故障征兆，进而实现接触网的状态维修，达到科学合理的健康管理目的，这无疑对接触网维修具有更加重要的意义，从而为高速铁路的安全可靠运行提供保障。

20 世纪末，故障预测、健康管理、视情维修等技术率先在航空航天、武器装备、电子产品等领域得到应用，如电子产品机上测试（BIT）、发动机健康监控（EHM）、结构健康监控（SHM）等。近年来，将这一理论与技术统称为故障预测与健康管理（Prognostics and Health Management，PHM），即利用先进传感器的集成，并借助多种算法和智能模型来预测、监控和管理系统的健康状态，使系统通过诊断自身的健康状况，在事故发生前预测故障，并给出最佳维修策略。在高速铁路供电系统中应用PHM 技术的意义在于可以提高供电设备的可靠性、安全性和可维护性，全面降低供电系统全寿命周期成本[1]。

1 系统概述

铁路供电故障预测与健康管理（PHM）系统是以大数据技术为核心，以供电管理信息系统、6C数据中心数据、SCADA 系统为支撑，按照国铁集团-铁路局-供电段三级管理架构进行设计和建设的供电设备大数据分析管理平台[2～4]。运用分布式挖掘和深度学习技术从数据中抽取健康特征，分域分段评估牵引供电系统的服役状态并预测其变化趋势，给出对应的维修策略[5]；通过对典型零部件性态的长期跟踪，实现供电设备零部件的故障预测及剩余寿命估计，最终形成一套从系统到零部件的铁路供电系统闭环健康管理体系[6～8]。

铁路供电故障预测与健康管理系统平台的主要设计原则：

（1）整体性。牵引供电设备故障预测与健康管理（PHM）系统以铁路局为基本建设单位，整体部署、统筹规划、分步实施。

（2）规范性。系统设计应符合铁路行业和信息化建设的国际国内标准，内部模块间接口和对外接口设计均应遵循标准化和规范化原则。

（3）扩展性。系统能够根据高速铁路建设的发展，方便灵活地进行扩展，全面兼容并方便地与其他相关系统进行互联互通、信息共享。

（4）可靠性。无论是软、硬件配置，还是产品的性能，系统均满足高可靠性、高安全性的要求。

（5）可维护性。系统具备高可维护性，降低维护难度和维护成本。

（6）安全性。既考虑信息资源的充分共享，也考虑信息的保护和隔离；在各个层次对访问进行控制，设置严格的操作权限；充分利用日志系统、健全的备份和恢复策略增强系统的安全性。

2 系统设计

根据铁路供电设施生产运行维修管理的业务需求，结合目前国内外故障预测与健康管理技术发展情况，铁路供电设备故障预测与健康管理系统充分利用信息技术的最新发展成果，设计系统技术框架，构建铁路供电设备故障预测与健康管理大数据平台技术体系。

2.1 系统结构

铁路供电故障预测与健康管理系统架构如图1所示。

图1 铁路供电故障预测与健康管理（PHM）系统架构

铁路供电故障预测与健康管理系统技术体系自下而上主要由5 个层级构成：

（1）基础设施层。包含存储资源、计算资源、网络资源、安全资源等，主要提供基础服务。

（2）云平台层。云平台层主要基于私有云平台（OpenStack），包含主机管理、集群管理、存储、监控、网络等资源，主要提供云服务。

（3）大数据基础平台层。主要为接触网运营维护的海量数据处理提供支撑，自下而上分为数据采集整合层、数据存储层、数据计算层和数据分析层。数据采集整合层包含实时数据、分布式消息队列、数据/服务总线Kafka、数据抽取工具Kettle、定制数据抽取Flume-Agent、文件上传SFTP Over FastDFS、日志文件汇聚Flume 等数据采集整合工具；数据存储层包含分布式数据库MongoDB、分布式文件系统 FastDFS、全文检索系统 Elastic Search 等存储系统，主要提供非结构化数据、结构化数据的存储；数据计算层包含流计算 Flink Streaming、批量计算Fline SQL 等计算平台，主要提供分布式计算引擎；数据分析层包含基础算法库、机器学习算法库、分析模型、挖掘建模设计工具（Python 语言/API、Flink ML）等分析挖掘模型、分析挖掘算法、分析挖掘工具。

（4）平台服务层。包含计算（即席查询、高并发数据检索）、分析（机器学习挖掘、实时数据、时间窗口统计、数据分布、统计探索、离线统计分析）、展现（数据可视化、GIS 展现）等应用服务。

（5）业务应用层。包含接触网故障预测与健康管理系统和变电故障预测与健康管理系统。

2.2 关键技术

2.2.1 云计算与大数据技术

接触网智能运行健康管理系统的基础设施层主要包括为其提供计算能力、存储能力和网络交互能力的各种物理设备，可通过云计算技术将基础设施整合到统一的资源池中，为接触网PHM 系统和牵引变电PHM 系统提供超大规模的计算能力和高可靠性的业务保障。同时，云计算技术支持的高可扩展性也可根据接触网PHM 系统和牵引变电PHM 系统的实际需求进行动态伸缩，节省用户投资。基于云计算技术的接触网信息化系统基础设施体系如图2 所示。

图2 基于云计算技术的接触网信息化系统基础设施体系

大数据技术主要为铁路供电生产运行的海量数据处理提供软件平台支持，提供数据预处理（数据的辨析、抽取、清洗）、数据存储及管理（标称、序数和量化数据的集中或分布式存储和管理）、数据分析及挖掘（关联分析、统计分析、贝叶斯网络和马尔科夫决策）、数据呈现（图表可视化、三维显示）等大数据处理和分析功能接口，为PHM 应用功能提供数据分析的底层处理能力。基于大数据技术的铁路供电数据处理支撑体系如图3 所示。

图3 基于大数据技术的铁路供电数据处理支撑体系

2.2.2 复杂数据的编码

数据编码是计算机处理的关键。由于计算机处理的数据信息十分庞杂，为了便于使用和记忆，通常需对加工处理的对象进行编码，用一个编码符号代表一条信息或一串数据。对数据进行编码在计算机的管理中非常重要，可以方便地进行信息分类、校核、合计、检索等操作。通过数据编码实现对整个系统数据的统一定义，建议建立标准编码体系，为大数据分析和决策提供支持。

2.2.3 大数据GIS 技术

接触网生产运维过程中产生的大数据采用传统GIS 无法直接管理和分析，需基于IT 大数据技术通过复杂的编程才能实现，无疑增加了分析和挖掘的难度。在GIS 平台软件里增加对带位置信息的大数据进行存储、索引、管理和分析的功能，降低了大数据空间分析难度，使用户免于编程或较少编程，即可以管理和分析空间大数据，这就是大数据GIS 技术，如图4 所示。

图4 大数据GIS 技术框架

大数据GIS 技术是对空间大数据进行包括存储、索引、管理、分析和可视化在内的一系列技术的总称，而不是只解决某个环节的问题。

2.2.4 应用功能可视化呈现支持

铁路供电故障预测与健康管理系统的最终目的是提供高效便捷的运维管理工具，因此在系统的功能设计上应综合考虑使用者对接触网和变电设施的管理需求。

本方案利用可视化技术综合呈现牵引供电各类设备运行态势，以及维护管理体系的管理状态。系统利用仪表盘、图表、线路拓扑等形式，体现设备的各类运行指标、故障预测告警以及设备的健康状况，使用者可快速准确了解管理对象的即时状态，实现对整个牵引供电系统的宏观监视，同时通过多种方式提供灵活方便的细节数据查看、查询手段，对各类技术指标和管理数据进行查询和统计；系统还应提供与邮件系统、短信功能的接口，以方便将管理信息实时推送给相关运维人员。

另外，铁路供电故障预测与健康管理平台提供强大的需求定制特性，支持运维人员根据变化的需求定制特定管理应用和监控视图，满足运维人员的个性化管理需求。

3 系统功能

3.1 接触网PHM 系统

3.1.1 健康指标综合评价

接触网系统可信性是可靠性、可用性和可维修性的统称，是在役接触网系统的长期工作特性，其直接决定着接触网系统的运行质量，因此定义可靠性、可用性、可维修性为接触网系统评价的一级指标，在一级指标下再分别定义各自的二级指标。

健康指标综合评价针对接触网系统当前服役状态，综合考虑质量评价、质量鉴定、系统可用性、系统可维修性等二级指标，评估接触网系统状态，判断在役接触网状态所处等级，即健康状态、功能降低状态、不能工作状态。

3.1.2 缺陷变化规律分析

缺陷变化规律分析是在指定的线路内，不同的运行工况与环境参数条件下，分析接触网系统表征参数异常、零部件及设备故障等缺陷统计量随时间变化的规律，运维部门通过揭示的规律，有针对性地安排临时修、综合修等维修层次上的维修活动，明确重点关注的维修单元。

3.1.3 故障预测

通过对检测监测数据、故障数据、运行工况与外部环境等历史数据的挖掘分析，揭示接触网系统表征参数异常、零部件故障及原因、运行工况等因果关系，揭示零部件故障发生、传播、影响规律。在限定的时间区间内，根据运行工况、外部环境以及已发现的零部件故障或参数异常等信息，推断所关注的设备及零部件发生故障的概率，然后根据预测的概率大小并考虑故障引发弓网事故的可能性，明确特定范围内预防性维修时的检查重点。

3.1.4 维修前剩余时间估计

根据接触网综合修维修周期内接触网系统可靠性、可用性以及临时修等信息，估计系统健康状态、功能降低状态（如亚健康、轻度病态、中度病态等）的驻留时间，预测接触网系统维修前剩余时间，即接触网系统处于当前可用状态至系统必须进行维修时的总工作持续时间，使运营管理部门可根据估计的维修前剩余时间调整维修策略。

3.1.5 维修决策

系统能够根据分析功能提供的结果，给出应用的维修层次、维修活动、维修单元，自动形成综合修、精测精修的修前评估和修后评价报告。

3.2 牵引变电PHM 系统

3.2.1 设备健康综合评价

牵引变电健康评估是对供电设备及牵引变电所、分区所、开闭所、AT 所设备当前服役状态进行衡量。健康评估功能针对的主要供电设备包括牵引变压器、断路器、开关柜、隔离开关、避雷器等。通过对能够反映设备健康状态的性能指标进行加权求和，得到设备的健康分值；同时，对变电所内不同设备的健康分值进行加权求和，得到变电所的健康分值。健康分值反映设备的健康状态，设备及变电所健康状态可分为正常、注意、异常、严重异常和失效5 个等级。健康评估可按固定周期自动评估，也可人为手动触发评估，系统能给出健康状态变化趋势，并对历史健康评估结果进行统计分析。

3.2.2 故障诊断及故障预警

故障诊断功能的主要对象包括牵引变压器、断路器、开关柜、隔离开关、避雷器等。通过分析、处理各供电设备在线监测数据、离线检测数据，利用智能算法或专家诊断系统判断设备当前的故障类型和（或）故障位置和（或）故障时间和（或）故障原因等。同时，故障诊断功能可根据变电所内各保护动作信息、断路器分合状态，利用先进推理模型，判断牵引供电系统的故障设备。故障诊断可按固定周期自动诊断，也可人为手动触发诊断，能对历史故障诊断结果进行统计分析，统计每类故障类型的占比、发生次数、发生时间等，并计算各供电设备的故障率、平均无故障时间等指标。

故障预警功能的主要对象包括牵引变压器、断路器、开关柜、隔离开关、避雷器等。综合供电设备在线监测数据和离线检测数据的变化情况，分析设备状态变化趋势，在设备故障的潜伏期或早期及时发现故障隐患，识别可能的故障类型及严重程度；综合判断故障发展变化趋势，在故障后果表现之前及时进行故障预警。故障预警可按固定周期自动进行预警计算，也可人为手动触发预警计算，并将历史故障预警结果与供电设备实际状态进行对比分析。

3.2.3 设备剩余可运行时间预测

综合考虑设备性能衰退、服役环境、人为维修活动等因素，并利用供电设备在线监测数据、离线检测数据以及历史故障与检修信息，对设备的可靠性及风险进行分析评估，得到供电设备及变电所的相关可靠性指标及风险指标。设备的可靠性指标表征设备的可靠运行性能，风险评估指标表征设备故障后果造成的损失严重程度。通过给出可靠性指标及风险指标的变化趋势并结合历史评估结果进行统计分析，实现剩余可运行时间预测。

3.2.4 维修决策

根据设备当前的健康状态，以全寿命周期内检修成本最低和系统整体可靠性最高为优化目标，通过优化综合检修周期和维修方式获得最优维修方案。优化调整综合检修周期、维修方式、人员配备、计划维修次数等，从而减少维修人力、费用，减少计划性检查，降低故障率，提高系统可靠性。

4 结语

为保障高速铁路安全、可靠、高效运营，提出铁路供电故障预测与健康管理大数据平台方案，涵盖针对高速铁路接触网和牵引变电所的PHM 技术方案，在多时空尺度上分别实现对接触网和变电设备的故障预测，健康管理，全生命周期可靠性、可用性和可维修性的可视化分析、风险评估，以及维修决策优化。该平台以业务流程梳理为基础，以健康管理需求为中心，以标准规范建设为前提，运用移动计算、大数据、数据编码、可视化等技术，构建技术先进、体系完整、业务规范、流程合理的铁路供电故障预测和健康管理系统，实现运维方案最优化、运维管理一体化、决策科学化、运行安全化，从而为确保高速铁路运行安全和提高运营管理水平提供强有力的技术支撑与保障。