基于主動維保的城軌列車停車精度數(shù)據(jù)分析方法研究

李沃

【摘 要】通過對城軌運營主動維保模式的研究，提出了一種列車停車精度的分析方法。該方法通過對停車精度歷史數(shù)據(jù)的分析和對比，可以精準定位和預判停車精度發(fā)生偏差的列車和站臺，以及停車精度發(fā)生偏差的嚴重程度。一定程度上達到了停車精度的預警，為主動維保提供信息化智能化的支持。

【關鍵詞】主動維保;停車精度;數(shù)據(jù)分析

中圖分類號： U239.5 文獻標識碼： A文章編號： 2095-2457（2019）35-0014-002

DOI：10.19694/j.cnki.issn2095-2457.2019.35.006

0 引言

隨著各行業(yè)的數(shù)據(jù)爆發(fā)增長，傳統(tǒng)的數(shù)據(jù)處理技術已經(jīng)不能夠滿足業(yè)務的要求，信息行業(yè)隨之推出的各種針對海量數(shù)據(jù)處理的技術-大數(shù)據(jù)技術。大數(shù)據(jù)技術經(jīng)過幾年的發(fā)展已經(jīng)成為成熟的技術，最初在金融行業(yè)應用，現(xiàn)在已經(jīng)擴展到了各行各業(yè)。在大數(shù)據(jù)技術的基礎上，國家層面提出了智慧城市的發(fā)展方向。交通是城市運轉的重要組成部分，其中的軌道交通每時每刻都產(chǎn)生大量的運行數(shù)據(jù)。數(shù)據(jù)規(guī)模已經(jīng)達到了大數(shù)據(jù)的標準，可以應用大數(shù)據(jù)技術對軌道交通的數(shù)據(jù)進行分析處理。停車精度時ATO（列車自動駕駛系統(tǒng)）所采集的重要的數(shù)據(jù)，是關系到軌道運營安全的關鍵數(shù)據(jù)，通過大數(shù)據(jù)技術對停車精度數(shù)據(jù)進行分析，可以對停車精度趨勢進行預測，綜合提升軌道運營和維護的水平。

1 研究背景和意義

車停車精度是城軌列車運行時的關鍵指標，停車精度的準確性，關系到列車乘客上下車速度，列車制動性能等指標[1]，關系到行車安全和列車的運載能力，停車精度頻繁發(fā)生過標，欠標或者停車精度不穩(wěn)定的情況，會導致列車頻繁進行自動運行調(diào)整，增加了ATO系統(tǒng)的負擔，增加了軌道運營的風險。列車停車精度數(shù)據(jù)是通過ATO系統(tǒng)實時采集上來[2]，以支撐列車和信號設備的實時監(jiān)測系統(tǒng)的顯示，但是目前建設的線路對這些數(shù)據(jù)的利用程度有限，主要包括以下幾方面：

（1）數(shù)據(jù)多作為歷史數(shù)據(jù)存儲起來，沒有進一步的整理和挖掘。

（2）數(shù)據(jù)格式繁多，維度不統(tǒng)一難以支撐數(shù)據(jù)分析。

（3）用戶和供應商對數(shù)據(jù)本身價值的認識程度不高。

（4）用戶只關注停車嚴重過標和欠標的情況，不關注整體列車停車精度的變化情況以及變化趨勢。

所以有必要通過對歷史數(shù)據(jù)的研究來發(fā)掘數(shù)據(jù)的價值，通過歷史數(shù)據(jù)的分析得出有趣的趨勢和預警的結論，從未提升運營和維護的水平，提升運維的主動性。

2 主動維保模式介紹

城市軌道交通系統(tǒng)主動運維決策支持技術是指一系列能夠讓城市軌道交通系統(tǒng)由被動運維（定期、事后維護保養(yǎng)）變事前基于系統(tǒng)狀態(tài)進行運維決策的技術，包括實時監(jiān)測、關鍵信息特征識別、故障演變規(guī)律、狀態(tài)評估預警等一系列的技術[3]。傳統(tǒng)的運營的維保工作主要是基于線路和列車設備發(fā)生的具體故障來進行，屬于故障修的范疇。主動運維技術應用到軌道運營和維保工作當中后，會整體提升軌道運營維護的水平，將故障修全面提升到狀態(tài)修，提升整體城軌運維的自動化和智能化水平，將維保工作由被動轉化為主動。

3 列車停車精度介紹

停車精度是由列車自動停車控制，作為ATO系統(tǒng)的一項關鍵技術。為保證乘客安全，現(xiàn)在越來越多的站臺都帶有屏蔽門[4]。停車精度不準確會對乘客上下車造成影響，還會對列車的通信造成影響，嚴重影響城軌列車的運行效率，還會影響乘客的上下車，從而降低交通系統(tǒng)的運行效率。列車標準的停車精度設定的范圍為±30cm，列車ATO系統(tǒng)會根據(jù)列車和環(huán)境的一系列參數(shù)和因素，去調(diào)整列車制動的精確性，從而保證列車停車精度的準確性。當列車出現(xiàn)了不準確的停車精度記錄時候，說明ATO系統(tǒng)在制動控制方面出現(xiàn)了誤差。然而更多的時候列車停車精度是在標準的范圍之內(nèi)，但是停車精度數(shù)值會出現(xiàn)周期性或者規(guī)律性的變化，具有偏離標準值的趨勢，這種變化就要通過數(shù)據(jù)分析的方法去研究分析，得出一定的結論，在列車停車精度出現(xiàn)偏差之前，發(fā)現(xiàn)其趨勢，及時檢修維護，達到主動維保的目標。

4 大數(shù)據(jù)分析方法

大數(shù)據(jù)分析典型的分析方法的基礎都是通過數(shù)據(jù)比較而進行的，經(jīng)典的算法有以下幾種，聚類分析，關聯(lián)分析，矩陣分析，多維度分析等。其中的聚類分析是大數(shù)據(jù)分析眾多方法當中，使用的最為廣泛的一種分析方法，該方法可以將各種零散不連續(xù)的數(shù)據(jù)通過數(shù)據(jù)之間的距離進行科學的分類，每一類數(shù)據(jù)都具備相同的特性[5]。

對這些歷史的設備狀態(tài)數(shù)據(jù)進行數(shù)據(jù)分析可以得到許多有趣的結果。聚類分析是數(shù)據(jù)分析方法中發(fā)展比較早，相對成熟的方法，它將一個數(shù)據(jù)集合按照空間距離分為幾個不同的子集合，是一種經(jīng)典的分類算法。該算法的原理是隨機選定子集的中心點，然后計算集合中每個元素之間的相對距離，通過不斷的迭代和計算，調(diào)整每個子集的中心點，將每個離中心點空間距離最近的元素形成新的集合，直到子集不再發(fā)生變化，從而形成分類的子集，也就是最終的聚類。

5 停車精度大數(shù)據(jù)分析方法研究

ATO系統(tǒng)是一個全自動駕駛系統(tǒng)，系統(tǒng)在運行過程中會輸出各種運行過程中的狀態(tài)值。狀態(tài)值包含了，速度，牽引，制動，停車精度，開關門，司機駕駛等各種狀態(tài)值信息。這些狀態(tài)值信息中有一部分信息具備都離散的特點，是適合做聚類分析的樣本數(shù)據(jù)。聚類分析是數(shù)據(jù)分析當中最為有效的一種分析方法。該方法可以通過數(shù)學的方式對樣本進行科學分類，具有相似性的樣本會聚集在一類。通過聚類分析很快就可以明確數(shù)據(jù)樣本當中所具備的群組，然后再對每個群組進行有效的分析，可以對一類問題進行統(tǒng)一的定位和處理。

大數(shù)據(jù)聚類分析的過程以2017年9月16日到2017年10月16日MSS系統(tǒng)采集上來的ATO系統(tǒng)識別的停車精度數(shù)據(jù)來說明問題。該數(shù)據(jù)的采集地點是北京7號線全線站臺的停車精度，時間跨度為一個月，共計采集的樣本數(shù)據(jù)為149342條數(shù)據(jù)，數(shù)據(jù)量近15萬條數(shù)據(jù)，適合初步進行大數(shù)據(jù)分析的數(shù)據(jù)規(guī)模。

數(shù)據(jù)中針對停車精度包含了三個維度的屬性。分別為停車時刻，車輛號和站臺三個屬性?？梢葬槍@三個屬性進行數(shù)據(jù)分析。

首先通過K-MEANS算法對停車精度的采集數(shù)據(jù)進行分類，根據(jù)維保經(jīng)驗，將停車精度的聚類分析深度定義到8個群組。經(jīng)過10次迭代計算，最終得到了8個群組。分類結果中可以得出聚類分析已經(jīng)可以將樣本劃分為8個群組，所有的樣本都是有效的樣本，沒有的無效樣本。樣本聚類過程成功，說明停車精度數(shù)據(jù)確實在特定的條件下，存在不同程度的數(shù)據(jù)聚集。

將樣本數(shù)據(jù)帶入群組當中。得出每一個群組的中心點。中心點可以簡單理解為每一組數(shù)據(jù)的二維平均值。計算結果為：1號樣本，中心點為66.47，樣本數(shù)量為36個;2號樣本，中心點為1.12，樣本數(shù)量為7737個;3號樣本，中心點為-16.06，樣本數(shù)量為71979個;4號樣本，中心點為-9.28，樣本數(shù)量為34714個;5號樣本，中心點為32.45，樣本數(shù)量為622個;6號樣本，中心點為-22.7，樣本數(shù)量為31381個;7號樣本，中心點為2633，樣本數(shù)量為7737個;8號樣本，中心點為125.89，樣本數(shù)量為240個。計算完成樣本的中心點以后，可以明顯看出有兩個群組是不正常停車點的狀態(tài)，分別是：

1號樣本，中心點為66.47，樣本數(shù)量為36個。

8號樣本，中心點為125.89，樣本數(shù)量為240個。

根據(jù)過標的標準，這兩個群組樣本數(shù)據(jù)已經(jīng)嚴重的過標了，雖然都是嚴重過標，但是經(jīng)過數(shù)據(jù)分析以后，嚴重過標的數(shù)據(jù)形成了兩個群組中心，所以極有可能是由于兩種原因引起的過標數(shù)據(jù)。這樣就需要針對兩個數(shù)據(jù)樣本做進一步的維度分析一確定問題的根源。

表1 一號群組樣本明細表表

因為1號群組的樣本數(shù)據(jù)不多，所以可以通過直接觀察數(shù)據(jù)的方法進行問題的排查，經(jīng)排查，車號，日期和站臺數(shù)據(jù)都沒有明顯的集中，經(jīng)過對數(shù)據(jù)的仔細比對以后，發(fā)現(xiàn)出現(xiàn)問題的時間都集中在早上的5點-7點。這樣就發(fā)現(xiàn)了問題的規(guī)律?？梢越o維護人員和設備研發(fā)人員發(fā)出明確的關注信號，要其關注每天早上5點-7點之間的列車制動數(shù)據(jù)和停車精度數(shù)據(jù)，以分析停車精度出現(xiàn)少量過標的問題。

8號樣本的中心點是125.89，其樣本數(shù)量為240個。這個樣本的數(shù)據(jù)量很大，而且125.89的停車精度也說明了停車過標問題極為嚴重，一定是需要重點排查和解決的問題。通過數(shù)據(jù)分析和對比，其他站臺的過標欠標次數(shù)都是3個以內(nèi)，焦化廠下行站臺過標次數(shù)為220次。

通過智能化的分析，最終在站臺維度上看到了問題的發(fā)生集中在焦化廠下行站臺。

6 總結

通過對停車精度數(shù)據(jù)進行相應的數(shù)據(jù)分析，可以快速定位停車精度出現(xiàn)偏差的位置和時間，極大程度上提高了城軌運維的主動性，為主動運維提供了有效的數(shù)據(jù)支持。

【參考文獻】

[1]羅巖.預測控制在列車自動駕駛系統(tǒng)中的應用研究[D].上海交通大學，2015.

[2]侯贊.ATO系統(tǒng)綜合性能評價與列車多目標優(yōu)化操縱方法研究[D].北京交通大學，2012.

[3]蔣益沖.軌道交通電源網(wǎng)管監(jiān)控系統(tǒng)設計與開發(fā)[D].西南交通大學，2017.

[4]陳東.城軌列車停車控制算法及仿真研究[D].蘭州交通大學，2018.

[5]游麗平，陳德旺，陳文，劉林.聚類集成技術在地鐵站點類型研究中的應用[J].小型微型計算機系統(tǒng)，2019，40（01）：236-240.