基于主動(dòng)維保的城軌列車停車精度數(shù)據(jù)分析方法研究

梁鵬飛

摘要：通過對(duì)城市軌道交通主動(dòng)維修模式的研究，提出了列車停車精度分析方法。通過分析和比較停車精度的歷史數(shù)據(jù)，該方法能夠準(zhǔn)確定位和預(yù)測(cè)停車精度偏差以及停車精度偏差嚴(yán)重程度的列車和站臺(tái)。在一定程度上實(shí)現(xiàn)了停車精度預(yù)警，為主動(dòng)維護(hù)提供了信息化、智能化支持。

關(guān)鍵詞：主動(dòng)維保; 停車精度; 數(shù)據(jù)分析

引言

隨著不同行業(yè)數(shù)據(jù)的爆炸式增長(zhǎng)，傳統(tǒng)的數(shù)據(jù)處理已不能滿足公司的要求。信息產(chǎn)業(yè)引入了各種海量數(shù)據(jù)處理技術(shù)、大數(shù)據(jù)技術(shù)。經(jīng)過幾年的發(fā)展，大數(shù)據(jù)技術(shù)已經(jīng)成為一種先進(jìn)的技術(shù)，最初應(yīng)用于金融領(lǐng)域，現(xiàn)在已經(jīng)擴(kuò)展到生活的各個(gè)領(lǐng)域?；诖髷?shù)據(jù)技術(shù)，提出了國(guó)家級(jí)智慧城市的發(fā)展方向。交通是城市運(yùn)營(yíng)的重要組成部分，軌道交通不斷提供大量運(yùn)營(yíng)數(shù)據(jù)。數(shù)據(jù)規(guī)模已達(dá)到大數(shù)據(jù)標(biāo)準(zhǔn)，大數(shù)據(jù)技術(shù)可用于軌道交通數(shù)據(jù)的分析和處理。就停車精度而言，ATO（列車自動(dòng)運(yùn)行）采集的重要數(shù)據(jù)是保證軌道運(yùn)行安全的關(guān)鍵數(shù)據(jù)。利用大數(shù)據(jù)技術(shù)對(duì)停車精度數(shù)據(jù)進(jìn)行分析，可以預(yù)測(cè)停車精度的發(fā)展趨勢(shì)，提高軌道運(yùn)維水平。

1、研究背景和意義

列車停車精度是城市軌道交通運(yùn)營(yíng)的關(guān)鍵指標(biāo)。停車設(shè)備的精度取決于列車的速度、列車的制動(dòng)性能等指標(biāo)以及行車安全和列車的運(yùn)輸能力，停車精度超標(biāo)、低于標(biāo)準(zhǔn)或停車精度不穩(wěn)定，將導(dǎo)致頻繁的列車自動(dòng)設(shè)置，增加ATO系統(tǒng)的負(fù)荷，增加駕駛風(fēng)險(xiǎn)。列車停車精度數(shù)據(jù)通過ATO系統(tǒng)實(shí)時(shí)采集，以支持列車和信號(hào)系統(tǒng)實(shí)時(shí)監(jiān)控系統(tǒng)的顯示。然而，目前建造的路線對(duì)這些數(shù)據(jù)的使用是有限的，特別是在以下方面：

（ 1 ） 數(shù)據(jù)多作為歷史數(shù)據(jù)存儲(chǔ)起來(lái)，沒有進(jìn)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(yīng)商對(duì)數(shù)據(jù)本身價(jià)值的認(rèn)識(shí)程度不高。

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

所以有必要通過對(duì)歷史數(shù)據(jù)的研究來(lái)發(fā)掘數(shù)據(jù)的價(jià)值，得出有用的停車精度趨勢(shì)和預(yù)警的結(jié)論，從而提升運(yùn)營(yíng)和維護(hù)的水平，提升運(yùn)維主動(dòng)性 。

2、主動(dòng)維保模式介紹

城市軌道交通系統(tǒng)主動(dòng)運(yùn)維決策支持技術(shù)是指一系列能夠讓城市軌道交通系統(tǒng)由被動(dòng)運(yùn)維（定期、事后維護(hù)保養(yǎng)）變事前基于系統(tǒng)狀態(tài)進(jìn)行運(yùn)維決策的技術(shù)，包括實(shí)時(shí)監(jiān)測(cè)、關(guān)鍵信息特征識(shí)別、故障演變規(guī)律、狀態(tài)評(píng)估預(yù)警等一系列的技術(shù)。傳統(tǒng)的運(yùn)營(yíng)維保工作主要是基于線路和列車設(shè)備發(fā)生的具體故障來(lái)進(jìn)行，屬于故障修的范疇。主動(dòng)運(yùn)維技術(shù)應(yīng)用到軌道運(yùn)營(yíng)和維保工作當(dāng)中后，會(huì)整體提升軌道運(yùn)營(yíng)維護(hù)的水平，將故障修全面提升到狀態(tài)修，提升整體城軌運(yùn)維的自動(dòng)化和智能化水平，將維保工作由被動(dòng)轉(zhuǎn)化為主動(dòng)。

3、列車停車精度介紹

停車精度由列車自動(dòng)停車控制，自動(dòng)停車是ATO系統(tǒng)的關(guān)鍵技術(shù)。為了確保乘客的安全，越來(lái)越多的站臺(tái)都配備了屏蔽門。不準(zhǔn)確停車不僅會(huì)影響乘客進(jìn)出，還會(huì)影響列車通信，嚴(yán)重影響城市列車的運(yùn)營(yíng)效率，從而降低交通系統(tǒng)的運(yùn)營(yíng)效率。列車ATO系統(tǒng)根據(jù)列車和外借環(huán)境因素調(diào)整列車制動(dòng)的精度，以確保列車停車精度的準(zhǔn)確性。如果列車停車精度不準(zhǔn)確，則表明ATO系統(tǒng)在制動(dòng)控制方面存在故障。然而，列車停車精度通常在標(biāo)準(zhǔn)范圍內(nèi)，但停車精度會(huì)隨著偏離標(biāo)準(zhǔn)值的趨勢(shì)而周期性或有規(guī)律地變化。應(yīng)通過數(shù)據(jù)分析的方法對(duì)這種變化進(jìn)行檢查和分析，以得出一定的結(jié)論，并對(duì)其趨勢(shì)進(jìn)行分析列車停車精度偏差，臨時(shí)維修保養(yǎng)，達(dá)到主動(dòng)維修的目的。

4、大數(shù)據(jù)分析方法

大數(shù)據(jù)分析基于數(shù)據(jù)比較。有幾種經(jīng)典算法，如聚類分析、關(guān)聯(lián)分析、矩陣分析、多維分析等。聚類分析是眾多大數(shù)據(jù)分析方法中最常用的分析方法。這種方法可以根據(jù)數(shù)據(jù)之間的距離對(duì)不同的分散和不連續(xù)數(shù)據(jù)進(jìn)行科學(xué)的分類，并且每種類型的數(shù)據(jù)具有相同的屬性。

通過分析這些設(shè)備狀態(tài)數(shù)據(jù)，可以獲得許多有用的結(jié)果。聚類分析是以前在數(shù)據(jù)分析方法中發(fā)展起來(lái)的一種相對(duì)成熟的方法。它根據(jù)空間距離將數(shù)據(jù)集劃分為幾個(gè)不同的子集。它是一種經(jīng)典的分類算法。該算法的原理是隨機(jī)選擇子集的中心，然后計(jì)算集合中每個(gè)元素之間的相對(duì)距離。通過連續(xù)迭代和計(jì)算，可以調(diào)整每個(gè)子集的中心，并將距離中心最近的每個(gè)元素形成一個(gè)新的集合，直到子集不再更改，從而形成一個(gè)分類子集，即最終聚類。

5、停車精度大數(shù)據(jù)分析方法研究

ATO系統(tǒng)為全自動(dòng)駕駛系統(tǒng)。系統(tǒng)在運(yùn)行期間產(chǎn)生不同的狀態(tài)值。狀態(tài)值包括不同的狀態(tài)信息，如速度、牽引力、制動(dòng)、停車精度、車門打開和關(guān)閉、駕駛員駕駛等。其中一些狀態(tài)值是離散的，適用于聚類分析。聚類分析是最有效的數(shù)據(jù)分析方法。該方法可以對(duì)樣本進(jìn)行科學(xué)的數(shù)學(xué)分類，并將具有相似性的樣本進(jìn)行分類。通過聚類分析，我們可以快速識(shí)別數(shù)據(jù)樣本中的組，然后有效地分析能夠唯一定位和管理一類問題的每個(gè)組。

大數(shù)據(jù)聚類分析的過程以2021年7月16日到2021年8月16日MSS系統(tǒng)采集上來(lái)的ATO 系統(tǒng)識(shí)別的停車精度數(shù)據(jù)來(lái)說(shuō)明問題。該數(shù)據(jù)的采集地點(diǎn)是合肥5號(hào)線全線站臺(tái)的停車精度， 時(shí)間跨度為一個(gè)月，共計(jì)采集的樣本數(shù)據(jù)為149342條數(shù)據(jù)，數(shù)據(jù)量近15萬(wàn)條數(shù)據(jù)，適合初步進(jìn)行大數(shù)據(jù)分析的數(shù)據(jù)規(guī)模。

數(shù)據(jù)中針對(duì)停車精度包含了三個(gè)維度的屬性。分別為停車時(shí)刻，車輛號(hào)和站臺(tái)三個(gè)屬性?？梢葬槍?duì)這三個(gè)屬性進(jìn)行數(shù)據(jù)分析。

首先通過K - MEANS算法對(duì)停車精度的采集數(shù)據(jù)進(jìn)行分類，根據(jù)維保經(jīng)驗(yàn)，將停車精度的聚類分析深度定義到8個(gè)群組。經(jīng)過10次迭代計(jì)算，最終得到了8個(gè)群組。分類結(jié)果中可以得出聚類分析已經(jīng)可以將樣本劃分為8個(gè)群組，所有的樣本都是有效的樣本，沒有的無(wú)效樣本。樣本聚類過程成功，說(shuō)明停車精度數(shù)據(jù)確實(shí)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(dāng)中。得出每一個(gè)群組的中心點(diǎn)。中心點(diǎn)可以簡(jiǎn)單理解為每一組數(shù)據(jù)的二維平均值。計(jì)算結(jié)果為：1號(hào)樣本，中心點(diǎn)為66 . 47，樣本數(shù)量為36個(gè);2號(hào)樣本，中心點(diǎn)為1.12，樣本數(shù)量為7737個(gè);3號(hào)樣本，中心點(diǎn)為- 16.06，樣本數(shù)量為71979個(gè);4號(hào)樣 本，中心點(diǎn)為-9.28，樣本數(shù)量為34714個(gè);5號(hào)樣本，中心點(diǎn)為32.45，樣本數(shù)量為622個(gè); 6號(hào)樣本，中心點(diǎn)為-22.7，樣本數(shù)量為31381個(gè);7號(hào)樣本，中心點(diǎn)為2633，樣本數(shù)量為7737個(gè);8號(hào)樣本，中心點(diǎn)為125.89，樣本數(shù)量為240個(gè)。計(jì)算完成樣本的中心點(diǎn)以后，可以明顯看出有兩個(gè)群組是不正常停車點(diǎn)的狀態(tài)。

6、總結(jié)

通過對(duì)停車精度數(shù)據(jù)進(jìn)行相應(yīng)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(shí)間， 極大程度上提高了城軌運(yùn)維的主動(dòng)性，為主動(dòng)運(yùn)維提供了有效的數(shù)據(jù)支持。

參考文獻(xiàn)

[3]游麗平，陳德旺，陳文，劉林.聚類集成技術(shù)在地鐵站點(diǎn)類型研究中的應(yīng)用[ J ].小型微型計(jì)算機(jī)系統(tǒng)， 2019 ， 40 （ 01 ） ： 236 - 240 .