铁路大机液压健康监测大数据平台设计与实现

刘富存，李海波，唐优华，苏开鹏

（1. 国能铁路装备公司神维分公司 准格尔工务机械段，内蒙古自治区准格尔旗 010300；2. 成都交大大数据科技有限公司，成都 610097）

液压系统是铁路大型养路机械（简称：大机）的重要组成部分，机械的动力传输、车辆走行、大机作业等都是通过液压系统进行驱动，因此，对铁路大机液压系统进行数据监测及大数据分析是保障其健康运行的重要手段。

近年来，随着大数据、物联网、云计算等技术在铁路领域的深入应用，铁路大机的智慧化养护，尤其是对其液压系统多源数据的智能维护逐渐受到学者的关注。王建军等人[1]合理选择参数采集节点，设计出基于传感技术的液压机故障诊断专家系统方案；陈书辉[2]基于一维卷积神经网络，提出了基于仿真数据与深度迁移学习的故障诊断模型，实现了小样本与不平衡数据液压泵的故障诊断；许艳蒲等人[3]针对液压操动机构泄漏故障的监测需求，研究开发了基于云平台的液压操动机构泄漏监测系统。该系统实现了液压操动机构泄漏的远程监测，保证了液压操动机构的安全可靠运行；雷亚飞[4]以油动机液压系统为研究对象，以挖掘状态监测数据中隐藏的故障信息为目标，采用工业互联网平台技术，打通了信号采集、边缘数据处理、端云之间数据传输、海量数据弹性存储、故障诊断建模分析等信息通道，为油动机液压系统的状态监测与故障诊断系统提供了新理论、新技术和新方法。以上研究均围绕液压系统故障分析算法及大数据平台构建，较少涉及铁路大机健康监测领域。

本文基于铁路大机液压系统所产生的海量多源异构数据，设计开发了集液压系统监测数据传输、整合、分析、统计、展示等功能为一体的铁路大机液压健康监测大数据平台（简称：本文平台），实现了对铁路大机液压系统典型故障的预测与诊断，提升了铁路大机的维护效率，具有工程应用价值。

1 平台设计

1.1 总体架构

本文平台总体架构如图1所示。

图1 本文平台总体架构

1.1.1 硬件层

包含本文平台所需要的计算主机及存储网络设施，为平台服务提供硬件支持。

1.1.2 基础组件

包含MySQL数据存储及缓存，为平台提供数据存储与数据缓存功能，供服务层调用其数据。

1.1.3 服务层

负责数据接收与处理，包含用户管理、权限管理、数据采集、数据解析等模块，并与网关进行数据交换，可简化业务逻辑单元测试，同时负责与客户端进行数据对接。

1.1.4 Web层

包括轻量级的Web服务器Nginx，作为静态资源服务器。此外，该层接入内容分发网络（CDN，Content Delivery Network），解决因分布、带宽、服务器性能带来的访问延迟问题，提高用户访问网站的响应速度和成功率，并负责前端服务的基础构建，从而搭建出用户可使用的Web环境。

1.1.5 访问层

包括监测后台与监测大屏，负责与用户交互，运行数据库并执行更新，接收用户输入并向用户呈现输出结果。

1.2 技术架构

1.2.1 前端架构

本文平台前端基于Vue-cli、IView和Node.js等前端技术栈进行开发[5]，其主要特点包括：（1）渐进式框架，采用自底向上增量开发设计；（2）模板双向绑定机制；（3）利用指令对文档对象模型进行封装，能够高效实现可视化展示、用户交互、相关事件绑定及模板渲染等功能。

1.2.2 后端架构

本文平台后端采用Linux服务器部署，基于Java、J2EE技术和Spring Boot进行框架搭建。采用数据持久层与逻辑模型层分离的部署方式，以达到解耦的目的，有利于本文平台维护和升级。在逻辑模型层，本文平台架设基于Nginx和Spring Boot的网关，用于鉴权、HTTPS解密、负载均衡及安全防控，以此提升其稳定性和安全性；在持久层使用Mybatis-Plus与MySQL关系型数据库进行通信和信息交换，使用Druid连接池提供稳定的数据库长连接[6]。

数据库选择MySQL关系型数据库，具有轻量、开源及高效等特点，可有效减少数据库访问次数，降低服务器的响应时间，提高本文平台性能。采用Redis进行数据缓存，消息管理采用WebSocket，实现站内消息实时推送。数据库存取方式设计如图2所示。

图2 数据库存取方式示意

1.2.3 通信协议

智能网关通信通过4G/5G网络，以消息队列遥测传输（MQTT，Message Queue Telemetry Transport）协议的方式，将监测数据传输到云平台。智能网关将采集到的数据通过MQTT协议以“/Iot/Pub”主题发布到云服务器，消息被暂存在云服务器中；后端通过Client MQTT通信接口，连接到暂存数据的云服务器，通过订阅“/Iot/Pub”主题获取暂存信息，随后调用自定义数据存储服务层，通过mybatis技术将数据存储到数据库，方便对数据进行增删改查等操作；采用WebSocket技术将接收到的数据实时推送到前端，再由前端将数据呈现到显示屏上。

2 功能设计

基于安全性、可扩展性和灵活性的原则[7]，设计本文平台功能，如图3所示。

图3 本文平台功能

2.1 监测中心

实现铁路大机当前所在位置显示及大机液压设备运行情况统计数据展示。同时，可统计并展示车辆液压系统报警状况、报警趋势等信息功能。监测中心可在地图模式和图列模式间切换。

2.2 大机动态监测

用于展示当前所选车辆的各项液压健康监测参数及报警数据。

2.2.1 实时监测

直观展示大机液压系统最新监测数据及报警位置，对不在正常范围内的监测值进行标识，并可按不同类别、不同型号切换选择车辆。

2.2.2 监测数据

通过表格的形式展示车辆不同部位液压系统的实时监测数据，并对异常数据高亮显示，提醒维修管理人员对异常部位重点关注，及早安排维修计划。

2.2.3 报警数据

通过表格的形式展示当前车辆液压系统报警数据，并对报警状态高亮显示，提供按条件搜索数据的功能，为当前车辆维修保养提供数据支持。

2.3 大机健康分析

用于展示当前所选车辆的液压健康监测数据、监测值超标情况及报警数据的统计分析。

2.3.1 监测数据分析

按不同车型、不同时间维度统计分析各系统监测采集数据，以图表形式显示异常数据比率及各系统异常数据占比等情况。

2.3.2 报警数据分析

按不同时间维度统计分析各系统报警数据，测算液压部件性能变化趋势，判断当前各部件运行状况及是否需要更换。

2.4 大机监测配置

用于设置大机配置方案，按需配置车型及车辆信息、监测信息。

2.4.1 大机方案设置

用于配置本文平台所需要车型的基本信息，如类别、型号、图片等，可添加修改各车辆信息，并为每辆车绑定信号传输设备的设备号。同时，模块可显示当前车辆经纬度、位置及定位时间信息，并提供按条件搜索车辆等功能。

2.4.2 配置监测平台

用于配置各类车型所需要的监测平台，并可定义该平台监测信息在车辆图片显示位置的X轴、Y轴与伸缩条长度等。

2.4.3 配置监测对象

提供各大机机型液压健康监测平台监测对象配置等功能。

2.4.4 配置设备信息

用于配置监测设备名称、监测对象信号寄存地址及报警信息寄存地址等。

2.5 监测数据网关

显示智能网关实时采集接收的原始数据，同时显示智能网关的运行状态。

2.6 平台管理

提供基本信息管理设置及文件管理功能。其中，用户管理和部门管理提供部门及用户权限分级、信息查看及基本信息管理等功能；消息管理提供通知及消息发送、查看、管理等功能，可对消息通知进行分类显示；文件对象存储提供大机液压健康管理相关文件存储、下载、查看等功能；角色权限管理和菜单管理实现不同角色配置菜单权限等功能；数据字典管理为整个平台配置通用型字典并对其进行管理；平台配置提供短信配置、邮件配置、禁用词管理、平台公告配置等功能。

3 关键技术

3.1 数据预处理

大机液压健康监测数据具有海量且多元异构的特点，尤其是液压部件传感器采集的原始数据，其经过通信模块加工处理后会出现部分数据异常、缺失、冗余等问题，因此，需要对其进行数据质量诊断、抽取–转换–加载（ETL，Extract-Transform-Load）等处理，以保障数据质量满足后续数据处理要求。本文平台通过分布式ETL处理集群，将采集数据抽取至临时中间层，作进一步清洗、转换、整合等处理，从而提高后续数据分析、统计、挖掘的工作效率，节省计算资源。数据预处理步骤如下：

（1）数据清洗：对传感器采集到的大机液压流量、温度、压力等数据进行质量判断，不符合要求的数据可采取删除、修正等操作。

（2）定位数据转化：采用地图软件为企业提供API接口，将AGPS信号转化为GPS定位信号，从而得到经纬度坐标并将其存入数据库，实现大机定位的功能[8]。

（3）采集信号转换并存储：采用某种标准通信协议，因此，信息格式需要按相关标准经后端转化后存入数据库。

3.2 数据智能分析预警

本文平台在接收到车载数据采集硬件采集到的液压数据后，利用人工神经网络、回归分析等预测算法，识别数据是否存在异常，从而实现风险隐患识别及智能预警报警功能。基于大数据平台提供的大量数据样本，对其规律进行挖掘，建立各液压部件寿命模型，并通过人工神经网络等预测方法，实现液压部件寿命预测。

4 结束语

本文基于铁路大机各关键部位液压系统采集的海量实时数据，设计开发了铁路大机液压健康监测大数据平台。该平台已在国能铁路装备有限责任公司铁路养护部门部署试用。平台能够实时、准确地监测液压系统性能及健康状况、统计并展示大机液压系统各部件故障信息、预判液压系统各部件状态及寿命等，从而提醒大机管理部门提前备货长周期、易损坏、价值高的液压部件，成功避免因液压系统故障和损坏而导致的大机停工事故的发生，为铁路养路机械的智能化和自动化发展提供了重要的技术支持。未来还需要进一步研究液压部件寿命预测算法，使液压部件预测寿命更符合实际。