基于大数据分析的城市轨道交通故障处理方式研究

尹洪权 李海静

（中车南京浦镇有限责任公司 江苏省南京市 210031）

当前轨道交通运营里程不断延长，列车数量逐渐增加，对轨道交通系统安全运营提出严格要求。交通系统状态对车辆运营安全具有直接影响，一旦系统故障引发事故将使线路晚点，严重时甚至车毁人亡。当前，轨道交通成为市民出行的主要交通方式，从单线进入网络化规模后，轨道交通网的覆盖面积逐渐加大，在线网环境下，因车站之间、线路之间的网络联动效应显著，当线网发生故障后，可采用大数据技术进行故障分析，在最短时间内定位故障点，并启动应急处置方案，采用FMECA改进法进行故障处理，对故障数据关系分析，帮助交通运营系统尽快恢复正常状态。

1 列车状态预测与故障处理模型创建

1.1 数据预处理

1.1.1 清洗数据

按时间序列对初始数据进行记录，在列车状态发生改变后，采集系统需重新记录列车状态对应系统编码和健康评级，为日后预测、故障处理等工作的开展提供便利。

1.1.2 处理异常数据

在记录列车状态时，采集设备极易受外界因素影响，进而出现采集所得数据和实际情况不符的问题，要想保证后续工作得到有序开展，关键是要尽快修正异常数据。例如，以数据特征和采集背景为依据，利用众数或中位数等数据对缺失数据进行替代，确保替代值可最大程度接近缺失值。

1.1.3 确定变量

本文对各变量的界定如下：只有经过转换才能被观测到的数据为隐藏状态；直接有效的数据，通常作为观测值而存在。考虑到系统编码只有经过转换才能展示出相应的信息，相关人员指出应将各编码每日的发生次数作为隐藏状态，同时将健康评级作为观测值。

1.2 数据统计分析

以马尔可夫模型为依据分析初始数据，利用马尔科夫链分析隐性变量，其中，隐性变量用x表示，n代表离散时间。研究表明，x的取值仅受x的影响，换言之，在确定初始值后，相关人员可快速推测出x对应先验概率，本文则选择利用x～x所对应分布情况，对x先验概率进行预估。

1.3 模型构成

该模型包括以下四个模块：

（1）预测模块。该模块可根据隐藏状态对未来某一时刻的预测值进行估算，为保证预测结果具有实际意义，相关人员往往会选择先处理预测值，再通过二级预测的方式，对实际值和预测值间所存在误差加以控制。

（2）转换模块。该模块强调以转换规则为依据，将隐藏状态估值向预测值进行转换。

（3）预处理模块。若存在预处理结果和预期不符的情况，可再次对其进行模拟，并综合考虑维修次数等因素，对经济效益加以确定。

（4）优化模块。该模块主要负责比较以及反馈操作，由于人工处理极易出现误差，相关人员计划对预测健康等级、实际健康等级进行比较，并将比较所得结论提交给预测模块，由预测模块对预测效果进行优化。

2 模型实验设计

2.1 实验环境

2.1.1 MATLAB

MATLAB可被用来处理海量数据，具有运算速度快且准确率高的特点，其优势在于绘图方便、语言简单且内涵丰富，现已在设计用户界面、分析并计算数据、仿真建模等领域得到了运用，用户反馈良好。

2.1.2 工具箱

随着使用次数的增加，MATLAB所适配工具箱的数量也增加到了数百个，包括但不限于NNs工具箱、DSP工具箱。对列车状态进行预测所用工具箱为NNs工具箱，强调以NNs理论为核心，通过MATLAB对网络结构进行构造，由设计人员以实际需求为依据，对工具箱所包括训练程序进行调用，通过设置参数、编写程序的方式，使神经网络得到充分利用。该工具箱内涵多种网络模型，同时集成了不同模型所适用的算法，这样设计的好处是用户只需调动相关算法，便可完成建模求解的工作。

2.2 数据准备

2.2.1 列车数据

初始数据对应内部编码的发生次数，即为预测对象，要求相关人员对发生次数进行统计并如实记录。若编码未发生记为0。

2.2.2 归一处理

众所周知，对前馈神经网络加以运用，前提是要通过归一处理的方式，将初始数据转变成在[-1,1]、[0,1]区间内的数，这样做可使训练数据间所存在误差得到控制，在保证网络稳定的前提下，赋予样本数据更为理想的拟合性以及敏感性。处理方法如下：

在该公式中，L代表初始输入值。L代表初始最大值。L代表初始最小值。Y代表归一处理所得输入值。待预测环节告一段落，再向初始数据范围进行转换即可，转换方法如下：

L=L+Y(L-L)

2.2.3 性能度量

预测模块是否准确，通常决定了维修工作的开展效率，对误差结果进行计算，有助于相关人员全面了解预测结果所具有的准确性，在此基础上，对预测方法加以调整并确定维修方案，往往能够取得事半功倍的效果。对误差进行计算的方法如下：

一是绝对误差的平均值：

二是均方误差：

该公式计算所得结果是平均误差平方和，通常被用来对损失函数进行计算。

三是均方根误差：

上述公式更适合被用来对预测结果进行衡量。本文以RSEM为衡量指标，出于保证预测准确的考虑，相关人员决定对误差超过限制的编码进行再次预测，考虑到RMSE对误差极为敏感，对该方法加以运用，可使测量精度得到如实反映，对后续工作的开展具有重大意义。

2.3 参数确认

一级预测算法以TDNN为基础，在运行状态下可将NNs视为黑盒，无需对其内部结构加以考虑。TDNN隐含节点、输入时延均会给预测效果带来影响，无论是节点数较少、还是时延有所减少，均会限制NNs对所需信息进行挖掘，反之，若节点数偏多且时延增多，将导致训练时间延长，从而出现过度匹配或是其他问题。由此可见，对节点数、时延进行确认很有必要。相关人员计划利用RMSE评估预测结果，评估标准如下：一是若各编码对应RMSE平均值为最小值，则需要对其进行再二次预测。二是将二次预测编码对应RMSE值剔除后，剩余RMSE平均值为最小值，表示预测结果具有实际意义。

3 故障问题与维修策略

3.1 故障问题

在轨道交通系统运行中，很难容易产生各类故障隐患，随着故障时间的延长，程度越大。采用大数据技术对轨道交通系统进行诊断，并结合上述实验分析，发现该系统自从投入运行后存在许多故障隐患尚未彻底消除，具体如下。

3.1.1 轮径值输入错误

由人工对列车轮径值进行测量后，维护人员手动输入到车载信号系统内，该系统根据轮径值进行测速和位置判断。据调查，某列车B端系统输入轮径值为830mm，车载信号系统计算的是823.28mm，二者存在误差，且信号系统规定误差门限阈值为±0.5%。此时大数据平台发出告警，经过维修人员排查后，发现故障原因在于维修者所测轮径值计算错误，重新输入正确数值后，故障得以消除。

3.1.2 空转/滑行异常

在车辆系统检测到列车处于空转或者滑行状态时，信号和车辆接口将会传递信息给车载信号子系统。当列车出现空转异常记录时，列车进站和精确停车会受到影响，随后根据信号技术人员进行排查，发现车厢的第二转向架中第5个轮子与其他相比磨损较为严重，使车轮直径偏差增加，由此产生空转故障情况，采用镟轮的方式使这一异常问题得到有效解决。

3.1.3 应答器读取错误

根据安装方式的不同，主要有固定与可变两种，前者为默认报文，后者可反应信号机灯位显示，还带有固定应答器的作用，由红灯、黄灯、绿灯等报文显现出来。一般情况下，列车经过信号机时，信号机处于灭灯状态，此时便会读取到灭灯报文，并非车辆根据前方信号机所显示的内容，读取报文错位。在列车运行中，由预警平台系统看到许多CBTC列车取得的报文均为默认状态，并不是灭灯报文，这一故障不但会影响列车通过，还会使车辆产生紧急制动。经过维护人员排查后，发现故障成因在于可变应答器与信号机间的连接电缆接触不良所致。经过重新连接后故障问题得以解决。

3.2 维修策略

3.2.1 维修方法的提出

FMECA方法在船舶、航空的安全管理领域得到广泛应用，但只能针对某种设备进行研究，难以准确描述多个设备间的联动关系，通常情况下，当某个设备发生故障后，将会对子系统内的其他设备产生一定影响。为了克服这一缺陷，本研究创建了设备间属性关联图，使FMECA方法进行改进，分析网络关系图内设备的影响因素，实现更新设备关键度排序的目标。在维修决策方法的制定中，设备属性间的关联可从不同层面采集，一是设备结构，二是设备运营期间的故障信息内采集。在对设备故障数据的关联性研究中，加入影响因素关联，使关联图具有以下特点，即因素间相互独立、因素可对某个或者多个属性产生影响、不同因素可对相同属性产生影响。

3.2.2 维修模型的实现

该阶段主要分为两个步骤，先要创建设备属性图与影响因素关联图，对轨道交通故障数据进行处理，然后计算影响因素，结合因素状态对危害度进行更新。在前一步中，可利用“故障字典”切分数据集，获得设备间的关联与故障频率。在后一步中，可将影响因素纳入到创建的设备关联图内，便可得到完整的设备与属性。在设备属性、设备主体、影响因素间的联系图创建后，对设备和属性的危害程度进行计算，按照改进FMECA算法，计算规则为在一个属性内，对影响因素状态的权重值进行计算，公式如下：

式中，i代表的是相同属性产生影响的全部因素；pi代表的是相同属性内第i个影响因素在总因素中的比重；si代表的是属性内第i个影响因素状态值；Ri代表的是设备属性与因素间的关系值。在实际项目中，某个因素同时对另一个因素产生影响，尽管影响因素变化值固定，但二者产生的差别较大，主要受设备机械性能的影响。通过对某种设备属性在某种因素影响下，在状态改变的前后两个权重进行计算，便可得出该因素对设备产生影响的权重，公式为：

式中，wi0代表的是状态变化前权重；wi1代表的是状态变化后权重，且二者相减大于0，如若小于0则可将该项剔除。因该公式可对某个因素对设备产生的影响权重进行计算，便可采用相同的方式，对该属性产生影响的其他因素进行计算。顶点和关键属性间相互权重，代表的是某属性x可能和y个属性产生关联。针对轨道交通设备属性与其他设备属性间的联系进行分析，可知因素状态变化与权重增量间的关系。

为了使维修决策方法能够支持模糊查询，采用ElasticSearch工具进行倒排索引，使设备属性关系得以融合，实现查询数据的优化排序。在查询优化模块应用中，故障数据搜索的流程为：

（1）用户登录系统输入所要查询的关键词，再提交查询申请后，进行简单的数据处理，如查询是否有效，提取关键字，明确查询数据表等；

（2）由查询模块将分析后的申请转发给ElasticSearch集群。根据查询模块中的json文件，通过文件内的索引、序号、字段等信息，在集群内进行搜索，将涉及到的不同ElasticSearch进行划分，最后根据检索数据的评分进行排序，并返回客户端。

3.2.3 维修间隔与费用

在维修间隔方面，工龄时间用T表示，也就是设备的维修间隔为T。为了对比定期更换、预防性维修两种策略的有效性，对相关变量进行定义。将设备寿命用L表示，T

在维修费用方面，设备每间隔T时段开展一次检修，T值设定受设备自身情况影响。当处于稳定运行状态时，T值较高；当运行不稳定时，故障频率增加，T值较小。T1根据实际运行情况而定，通过Matlab程序对T和T1值进行计算。维修费用由检测和更换两项内容构成，一般情况下，前者小于后者。根据1—399天内编码每日出现频率，利用伪算法进行计算，得出error与warning内部编码任意两次的时间间隔。根据计算结果可知，该实验内每日都在开展定期检修计划，且每日都会产生检测费用。因两种检修方式的更换费用一致，检修费用和维修频率具有正比关系，也就是状态维修策略的费用低于定期维修。

4 轨道交通应急安全保障系统的设计与实现

4.1 保障系统设计

国内既有轨道交通针对各项有关资源，均配以安全评估及预警管理，但不同系统之间的联动性有限，未能达到全面覆盖，不同线路的安全评估标准也不一致，无法构成整体性的安全防护。而轨道交通运营过程中的安全性，关系到乘客人身安全。因为各条线路的实际情况、降低安全性的因素都有差异，再加上在网络空间中，车站、线路的联系性不断被强化，所以说在网络层面的运营安全也极为关键。此外，城市轨道的应急安全预案，一般是以文本的形式存在，实际可执行性较差，根本不能适应网络运营条件下的安全保护要求。

4.1.1 系统基本逻辑

在城市轨道交通中，应急保障系统的构建，可进一步提升安全运营管理的现代化程度，根据现实需求进行保障管理。保障系统设计中，应先考虑基本逻辑，也就是系统层次规划。

（1）接入层，其负责获取从对应车站及路线产生的沿途预警、乘客、列车行进控制与电力监控等多项信息及系统，继而反映出列车当前的工作状态、关键装置的运转状态、突发情况、故障警报等。对于此类信息，加以记录、整理、分析、决策。

（2）数据层，由数据中心、互操作平台组成。在轨道交通运营期间，保障系统需面对海量的数据资料，同时数据类型繁杂。比如，长期记录储存，为后期使用分析与决策，提供数据资料；预警产生的信息。为提高轨道交通的运行效果，应落实全面的运营管控，站在不同纬度、层面，分析各类数据信息，基于此，预测对未来一段时间内列车运营状态，制定优化、预防工作计划。在此层级中，数据中心借助数据库与ETL工具，获得实时信息、直报管理及事务类的内容，对此实行事前分析及加工，汇总成若干分析库及主题库，最后利用发布数据库，输出详细的分析及预测结论。而互操作平台是访问系统信息的重要途径，按照访问需要，提供不同的借口。

（3）支撑层，主要用于实现保障系统的功能，具体支撑手段有安全评估方法、应急数据分发、RBR及CBR推理等。四是应用层，可生成安全评估及预警、突发情况的紧急处理方案。

4.1.2 系统运行性能

应急保障系统在时间上有一定的要求，设计性能中，主要可从几个角度入手。

（1）数据及时分发。保障系统选择周期性的扫描模式，通过条件触发与发问的形式，保持数据交互，确保系统内的信息能实时传输。各个车站的信息依托于ISCS、FEP，在相应的CPU上各自处理，保障收集及处理的效率，两个环节是独立运行的，能保障系统运行速度。另外，连接不同用途的系统，可综合运用不同扫描方式，深化系统本身的柔性化程度。

（2）数据中心应搭配实时数据库。其中，实时信息选择通过本体描述。在相应数据库内，保存实时获取的监控内容，该种信息的概念间联系，应直接运用本体描述，换言之，系统操作者能看到相应的设备，如阀门、轨道、开关等。同时，鉴于系统对实时性的要求，应当主要运用内存数据库，支持非实时性数据留存硬盘，在该数据库内仅储存该类信息的链接。而实时数据则能设置若干属性，读写性能好于常规的关系数据库，此处选择ASCII码以及二进制形式储存，确保储存过程的速度。

（3）对于事件驱动条件设计，事件源是外部条件状态的改变，比如，系统检测到某变量有变化，随即形成报告，推送到有关本体，并触发对应动作。最后，软件接口，选择C/B与B/S组合形式。例如，在实时性要求较高、同时处理任务量较多的监控功能，构建综合性的系统操作页面，而管理类的系统功能，则通过浏览器访问。

4.1.3 系统应用功能

此系统的应用功能主要有：安全评估，包含车站、线路与线网三个部分；在途监控及报警功能，对运行中的列车进行动态化监控，并基于相关数据信息，判断列车工作状态及报警；信息监察，主要涉及到客流、设备，前者是根据历史统计结果与当前客流信息，完成监察和报警，后者主要是实时信息；综合预警，包含单因素及多因素的预警、设置预警阈值、联动，其中预警联动是在发出警报后，与之相连的其他系统，会同步触发对应功能，保障轨道交通总体安全；应急预案管理；突发情况分类分级。

4.2 系统访问实现

在应急保障系统中，其设计实现主要是数据采集和预警两个部分。一方面，数据采集。先获取所有实时监测模块的状态数据，而后设置数据的采集动作触发周期，按照时间上的不同要求，分成三类，即“实时”，最短采集周期是500ms，对此设置专用接口；“定时”，同样装配专用，周期设定为60min；“需要时”，这类数据采集没有特定时间要求，主要是各类辅助信息，如财经、法规。另外，系统可输出设备信息表，用于核对连接系统的报警信息与I/O数据点，同时也支持操作者对采集信息的各项操作。具体可实现的运行功能包括：人为调整遥信点的数值与状态；信息强制；调试兑点；数据禁止。另一方面，报警功能。在系统报警列表中，保存报警时间、基本描述、地点等，可根据等级、车站、时间等不同字段，查询报警信息，按照过滤条件，迅速锁定有关的报警内容。其中，过滤条件有：事件类型、报警状态、设备位置、工艺系统等。此外，根据报警显示屏幕，能进行确认、查询、抑制等不同操作。

5 结论

综上所述，当前轨道交通迅速发展，对故障数据的研究力度逐渐增加，在现有故障数据的基础上，创建轨道交通专有词典，在词典构成后利用正向最大匹配算法进行数据切分，使数据提取更加便利。在维修决策模型创建中，基于关联图实施FMECA改进方法，创建设备属性的关联图，对全系统设备综合评分，实现设备之间的关联维修决策。最后，本文从线网平台安全保障需求方面着手，针对应急保障系统的性能、逻辑架构等进行设计，支持信息监察与报警访问，在大数据技术的应用下，使城轨网线内各类数据分发更加及时高效，系统故障问题得到有效解决。