基于主动维保的城轨列车停车精度数据分析方法研究

梁鹏飞

摘要：通过对城市轨道交通主动维修模式的研究，提出了列车停车精度分析方法。通过分析和比较停车精度的历史数据，该方法能够准确定位和预测停车精度偏差以及停车精度偏差严重程度的列车和站台。在一定程度上实现了停车精度预警，为主动维护提供了信息化、智能化支持。

关键词：主动维保; 停车精度; 数据分析

引言

随着不同行业数据的爆炸式增长，传统的数据处理已不能满足公司的要求。信息产业引入了各种海量数据处理技术、大数据技术。经过几年的发展，大数据技术已经成为一种先进的技术，最初应用于金融领域，现在已经扩展到生活的各个领域。基于大数据技术，提出了国家级智慧城市的发展方向。交通是城市运营的重要组成部分，轨道交通不断提供大量运营数据。数据规模已达到大数据标准，大数据技术可用于轨道交通数据的分析和处理。就停车精度而言，ATO（列车自动运行）采集的重要数据是保证轨道运行安全的关键数据。利用大数据技术对停车精度数据进行分析，可以预测停车精度的发展趋势，提高轨道运维水平。

1、研究背景和意义

列车停车精度是城市轨道交通运营的关键指标。停车设备的精度取决于列车的速度、列车的制动性能等指标以及行车安全和列车的运输能力，停车精度超标、低于标准或停车精度不稳定，将导致频繁的列车自动设置，增加ATO系统的负荷，增加驾驶风险。列车停车精度数据通过ATO系统实时采集，以支持列车和信号系统实时监控系统的显示。然而，目前建造的路线对这些数据的使用是有限的，特别是在以下方面：

（ 1 ） 数据多作为历史数据存储起来，没有进一步的整理和挖掘。

（ 2 ） 数据格式繁多，维度不统一难以支撑数据分析。

（ 3 ） 用户和供应商对数据本身价值的认识程度不高。

（ 4 ） 用户只关注停车严重过标和欠标的情况，不关注整体列车停车精度的变化情况以及变化趋势。

所以有必要通过对历史数据的研究来发掘数据的价值，得出有用的停车精度趋势和预警的结论，从而提升运营和维护的水平，提升运维主动性 。

2、主动维保模式介绍

城市轨道交通系统主动运维决策支持技术是指一系列能够让城市轨道交通系统由被动运维（定期、事后维护保养）变事前基于系统状态进行运维决策的技术，包括实时监测、关键信息特征识别、故障演变规律、状态评估预警等一系列的技术。传统的运营维保工作主要是基于线路和列车设备发生的具体故障来进行，属于故障修的范畴。主动运维技术应用到轨道运营和维保工作当中后，会整体提升轨道运营维护的水平，将故障修全面提升到状态修，提升整体城轨运维的自动化和智能化水平，将维保工作由被动转化为主动。

3、列车停车精度介绍

停车精度由列车自动停车控制，自动停车是ATO系统的关键技术。为了确保乘客的安全，越来越多的站台都配备了屏蔽门。不准确停车不仅会影响乘客进出，还会影响列车通信，严重影响城市列车的运营效率，从而降低交通系统的运营效率。列车ATO系统根据列车和外借环境因素调整列车制动的精度，以确保列车停车精度的准确性。如果列车停车精度不准确，则表明ATO系统在制动控制方面存在故障。然而，列车停车精度通常在标准范围内，但停车精度会随着偏离标准值的趋势而周期性或有规律地变化。应通过数据分析的方法对这种变化进行检查和分析，以得出一定的结论，并对其趋势进行分析列车停车精度偏差，临时维修保养，达到主动维修的目的。

4、大数据分析方法

大数据分析基于数据比较。有几种经典算法，如聚类分析、关联分析、矩阵分析、多维分析等。聚类分析是众多大数据分析方法中最常用的分析方法。这种方法可以根据数据之间的距离对不同的分散和不连续数据进行科学的分类，并且每种类型的数据具有相同的属性。

通过分析这些设备状态数据，可以获得许多有用的结果。聚类分析是以前在数据分析方法中发展起来的一种相对成熟的方法。它根据空间距离将数据集划分为几个不同的子集。它是一种经典的分类算法。该算法的原理是随机选择子集的中心，然后计算集合中每个元素之间的相对距离。通过连续迭代和计算，可以调整每个子集的中心，并将距离中心最近的每个元素形成一个新的集合，直到子集不再更改，从而形成一个分类子集，即最终聚类。

5、停车精度大数据分析方法研究

ATO系统为全自动驾驶系統。系统在运行期间产生不同的状态值。状态值包括不同的状态信息，如速度、牵引力、制动、停车精度、车门打开和关闭、驾驶员驾驶等。其中一些状态值是离散的，适用于聚类分析。聚类分析是最有效的数据分析方法。该方法可以对样本进行科学的数学分类，并将具有相似性的样本进行分类。通过聚类分析，我们可以快速识别数据样本中的组，然后有效地分析能够唯一定位和管理一类问题的每个组。

大数据聚类分析的过程以2021年7月16日到2021年8月16日MSS系统采集上来的ATO 系统识别的停车精度数据来说明问题。该数据的采集地点是合肥5号线全线站台的停车精度， 时间跨度为一个月，共计采集的样本数据为149342条数据，数据量近15万条数据，适合初步进行大数据分析的数据规模。

数据中针对停车精度包含了三个维度的属性。分别为停车时刻，车辆号和站台三个属性。可以针对这三个属性进行数据分析。

首先通过K - MEANS算法对停车精度的采集数据进行分类，根据维保经验，将停车精度的聚类分析深度定义到8个群组。经过10次迭代计算，最终得到了8个群组。分类结果中可以得出聚类分析已经可以将样本划分为8个群组，所有的样本都是有效的样本，没有的无效样本。样本聚类过程成功，说明停车精度数据确实在特定的条件下，存在不同程度的数据聚集。

将样本数据带入群组当中。得出每一个群组的中心点。中心点可以简单理解为每一组数据的二维平均值。计算结果为：1号样本，中心点为66 . 47，样本数量为36个;2号样本，中心点为1.12，样本数量为7737个;3号样本，中心点为- 16.06，样本数量为71979个;4号样 本，中心点为-9.28，样本数量为34714个;5号样本，中心点为32.45，样本数量为622个; 6号样本，中心点为-22.7，样本数量为31381个;7号样本，中心点为2633，样本数量为7737个;8号样本，中心点为125.89，样本数量为240个。计算完成样本的中心点以后，可以明显看出有两个群组是不正常停车点的状态。

6、总结

通过对停车精度数据进行相应的数据分析，可以快速定位停车精度出现偏差的位置和时间， 极大程度上提高了城轨运维的主动性，为主动运维提供了有效的数据支持。

参考文献

[3]游丽平，陈德旺，陈文，刘林.聚类集成技术在地铁站点类型研究中的应用[ J ].小型微型计算机系统， 2019 ， 40 （ 01 ） ： 236 - 240 .