TPDS 大数据分析系统设计*

史晓磊，冯丽敏，蒋 荟，王华伟，李 源

（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）

车辆运行品质轨边动态监控系统（以下简称TPDS 系统）［1］，利用设在轨道上的测试平台，动态监测运行中车辆轮轨间的动力学参数，在联网评判的基础上，实现对车辆运行状态的识别。系统产生了海量的监测数据。如：TPDS 系统每日新增列车检测数据约2 万条，每年新增约720 万；每日新增车辆检测约40 万条，每年新增约1.5 亿条；每日新增轮轴检测数据200 万条等。基于TPDS 系统产生的海量数据，借助基于Hadoop 平台的大数据分析技术，分析车辆故障规律，研制TPDS 车辆故障大数据应用，提高货车安全保障能力。

针对各级车辆管理部门提出的TPDS 系统故障数据深入挖掘要求，借助基于Hadoop 平台的大数据分析技术，分析车辆故障规律，研制TPDS 车辆故障大数据应用，为各级车辆管理部门提供辅助和预测信息服务，不断深化TPDS 系统数据应用和提高货车安全保障能力。

1 业务流程

通过对TPDS 设备探测货车踏面损伤数据进行车辆踏面服役性能、踏面损伤报警等级演变等规律分析，并将分析结论实时推送至列检值班员。当发现预警车辆信息时，在列车到达或者中转列检作业场后，通过手持终端或者对讲机通知检车员重点检查，如果车辆踏面损伤较为严重，列检值班员及时通知车站调度值班员进行扣车作业，视情况分别送至站修作业场或者检修车间进行检修作业，列检值班员对踏面损伤实际测量及现场处置信息进行反馈，同时清零相关预警信息。

2 总体架构

TPDS 大数据分析系统在国铁集团铁路综合信息网内部服务网上进行一级集中部署，采用B/S模式为国铁集团、铁路局、车辆段提供三级联网应用服务。通过与既有TPDS 系统据的共享与集成，构成系统数据基础，利用基于Hadoop 平台的大数据计算集群定时进行数据分析，并将数据分析结果提供给各级车辆管路部门。系统结构如图1所示。

图1 TPDS 大数据分析系统总体架构

3 功能设计

TPDS 大数据分析系统的功能模块组成如图2所示。

图2 TPDS 大数据分析系统功能设计

（1）故障预测

研究踏面冲击当量由二级到一级预警周期规律，预测故障发展走势，研究故障发生与运用时间的规律关系，在愈演愈烈前进行故障预测，以便拦停检修，保障车辆运行安全，防患于未然。

利用Hadoop 集群计算资源，按路局维度，分别以月、年为时间单位统计分析TPDS 监测和预警数量，预测预警趋势，掌握故障变化趋势，用以指导检修。

（2）质量分析改进

研究基于Hadoop 集群实现TPDS 历史踏面损伤和运行不良预警数据按车种车型、生产厂家、轮轴型号的统计分析，为质量分析改进提供依据。

对于铁路局管辖范围内修过的货车，在运用一段时候之后的报警率以及运行状态不良情况进行统计分析，评价铁路局的检修质量。

（3）车辆运行状态评估

根据段修月份选择一批段修修竣车，统计分析这批段修修竣车在一个段修周期内平均联网积分均值的变化情况，整车服役性能规律分析，反映不同车型的整车服役性能变化规律，对车辆运行状态进行评估，掌握整车的健康状态，实现整车及关键配件视情维修。

（4）故障规律分析

根据探测站线路关系，预测特定线路上TPDS预警数据走势，形成不同线路之间预警对比分析，分析不同线路对车辆运行状态的影响。在选定的时间范围内，分析该线路上所有探测站的报警率与处理率，以便针对经常发生报警的线路，对运用检修的故障规律掌握提供决策支持。

（5）车辆设计、工艺改进辅助支持

研究基于Hadoop 集群实现TPDS 踏面损伤一、二、三级以及运行状态不良预警按路局、车型进行趋势预测。研究报警类型、严重程度与车型的规律，以便对车型的设计提供辅助决策依据。

按车型统计长时间范围内的TPDS 报警情况，如5 年内，10 年内，目的是掌握车型在较长时间范围内的报警类型分布，为该车型车辆参数的设计、工艺的改进提供辅助决策支持。

（6）综合概况

各路局每日监测辆数、报警率、处理率的对比，以便管理层从整体把握各局TPDS 报警与处理情况。

4 关键算法研究

4.1 主要探测站报警率与月份变化规律分析

通过对探测货车辆次较大的TPDS 探测站，分析其检测报警故障率在1 年中12 个月的变化规律，指导车辆运用部门在报警率较高的月份重点防范车轮踏面损伤故障。

以2018 年全路TPDS 设备检测的数据为样本，选取检测货车辆数超过500 万辆且检测报警率相对较高的前4 位探测站，作为分析对象，满足条件且位列前4 的探测站分别是圃田（陇海线）、汉沟（京沪线）、灵山（沈大线）、兴隆场（襄渝线），分别计算4 个探测站在全年12 个月份的报警率，其中报警率=报警辆数/检测辆数×1000‰。通过对4台TPDS 设备报警率变化曲线的对比分析，得出车辆踏面报警率较高的月份，如图3 所示。

图3 报警率与月份变化规律分析

由图3 数据曲线可得出，1、2 月份报警率相对其他月份较高，11、12 月份报警率较前几个月有攀升趋势，建议车辆运用部门在每年1、2、11、12 月份加强对货车车轮踏面检查力度。

4.2 车辆服役性能变化规律分析

TPDS 联网积分是对货车技术状态的重要评价指标［2］。以典型车种车型为对象，以段修周期为单位，分析典型车型对应批次车辆的平均联网积分在不同运用时长下的变化趋势，以估算货车服役性能的变化规律。

以最近3 年TPDS 检测数据为样本，选取典型车型C64K、P64K，统计分析所选车型对应货车车辆联网积分平均值。C64K、P64K货车段修周期为18 个月，取所选车型对应车辆在最近一次段修前推一个段修周期联网积分数据，计算所有车辆在段修期18个月内的平均联网积分值，以平均联网值为纵坐标，段修期18 个月为横坐标，绘制段期内联网积分变化曲线，通过联网积分曲线反应货车服役性能变化趋势，如图4 所示。

图4 车辆运行状态评估

依据上图曲线可得出结论，C64K、P64K型货车在一个段修周期内，伴随着运用时长的增加，货车联网积分平均值在逐渐升高。

4.3 踏面损伤报警演变规律分析

TPDS 系统对车轮踏面损伤的评价是根据冲击当量大小来度量的。冲击当量是根据轮对对轨道结构的冲击作用大小、速度、轮重等因素换算的度量值。TPDS 踏面损伤报警级别分3 类，与冲击当量的对应关系如下表：

表1 TPDS 报警等级与踏面冲击当量关系表

通过研究典型车种车型的车轮踏面损伤报警由三级发展为二级，再由二级发展到一级时，相应货车走行里程的变化，分析踏面损伤报警级别演变与货车走行里程关系规律，以预测车轮踏面损伤报警发展趋势，为提前防范行车安全事故提供辅助决策支撑。

以近10 年TPDS 探测数据为数据源，选取典型车种车型C64K、C70、P70，分别选取上述车型由踏面报警三级发展到二级和由报警二级发展到一级的有效检测数据，去除进行旋轮作业的车轮，通过车号、踏面报警三级发展到报警二级时间差、报警二级发展到报警一级时间差等数据项关联货车走行里程数据，计算出单车单轮走行里程增量，然后以车辆为单位，分组计算货车走行里程增量，再以C64K、C70、P70车型为单位，分组计算平均走行里程，得到所选车型踏面报警等级演变和实际走行里程关系。借助演变数据规律，为货车运用技术管理人员提供车轮踏面报警信息支撑，有效防范行车故障。

5 结束语

TPDS 大数据分析系统利用基于Hadoop 平台的大数据集群技术对蕴藏在车辆运行品质轨边动态监控系统（TPDS 系统）监测数据开展深入挖掘和规律分析，研究车轮踏面损伤故障报警等级演变、多发线路故障、车辆服役性能等发生发展规律，为货车故障诊断与预测、货车运用检修提供辅助决策支持；通过对轮对不同型号故障数据的分析，为货车轮对设计、工艺改进等提供重要数据支撑。本系统是对TPDS 系统数据的深化应用，能够进一步提高货车安全保障能力，有效预防车辆踏面故障，具有显著的安全效益和经济效益。