CN109445304A - 一种基于车载信号的故障智能分析系统及方法 - Google Patents
一种基于车载信号的故障智能分析系统及方法 Download PDFInfo
- Publication number
- CN109445304A CN109445304A CN201811119283.6A CN201811119283A CN109445304A CN 109445304 A CN109445304 A CN 109445304A CN 201811119283 A CN201811119283 A CN 201811119283A CN 109445304 A CN109445304 A CN 109445304A
- Authority
- CN
- China
- Prior art keywords
- data
- analysis
- model
- train
- fault
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B17/00—Systems involving the use of models or simulators of said systems
- G05B17/02—Systems involving the use of models or simulators of said systems electric
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Electric Propulsion And Braking For Vehicles (AREA)
- Train Traffic Observation, Control, And Security (AREA)
Abstract
本发明提供了一种基于车载信号的故障智能分析系统及方法,系统包括:车载信号解析模块,用于利用预先生成的数据配置文件对二进制形式的车载设备信息进行翻译解析,得到包含各车载设备实际运行状况的解析数据;其中,所述数据配置文件为预先根据工程要求配置的能够解析二进制形式的车载设备信息的文件,所述数据配置文件中配置有设备编号、设备类型、设备状态、故障原因、故障类型和故障等级字段;分类存储模块,用于将解析数据按照设备类型和故障类型进行分类存储;第一故障分析模块,用于对分类存储后的数据进行故障分析,并将故障相应信息进行直观展示,同时提供对应的原因分析和解决方案。本发明提供的系统能够基于车载信号进行故障分析。
Description
技术领域
本发明涉及计算机技术领域,具体涉及一种基于车载信号的故障智能分析系统及方法。
背景技术
随着国产CBTC(基于通信的列车控制系统)系统在全国范围的逐渐推广应用,通过这些应用案例,已经证明了国产CBTC系统具有安全、稳定、可靠、高效性能等特点。其中,被车载记录系统实时记录的车载设备相关信息,为运营维护人员和研发人员对列车运行性能以及故障分析提供了有力的支持。
但是,由于车载设备信息均以二进制形式(如图1所示的二进制维护信息图)进行存储,目前运营维护人员和研发人员只能通过查看二进制数据的方法对故障进行分析,但因车载设备相关信息数据量大、种类多、存储结构复杂,存在如下的缺陷:只能通过二进制形式查看设备信息并且需要通过帮助文档识别信息内容,形式单一、效率低且不易读;运营维护人员和研发人员无法对特定时间段内或特定类型的设备数据进行针对性分析;由于二进制信息翻译困难且数据信息量大,导致无法快速准确的定位运行、故障和报警信息,也无法进行ATO停车精度等数据的统计;随着工程线路及线路现场设备数据的增加,运行状态和故障分析的工作量越来越大,占用了过多的人力资源,严重的拖慢了工作效率。
发明内容
针对现有技术中的问题,本发明提供一种基于车载信号的故障智能分析系统及方法。
具体地,本发明提供以下技术方案:
第一方面,本发明提供了一种基于车载信号的故障智能分析系统,包括:
车载信号解析模块,用于利用预先生成的数据配置文件对二进制形式的车载设备信息进行翻译解析,得到包含各车载设备实际运行状况的解析数据;其中,所述数据配置文件为预先根据工程要求配置的能够解析二进制形式的车载设备信息的文件,所述数据配置文件中配置有设备编号、设备类型、设备状态、故障原因、故障类型和故障等级字段;
分类存储模块,用于将解析数据按照设备类型和故障类型进行分类存储;
第一故障分析模块,用于对分类存储后的数据进行故障分析,并将故障相应信息进行直观展示,同时提供对应的原因分析和解决方案。
进一步地,所述系统还包括:
第二故障分析模块,用于根据分类存储后的数据以及预设故障分析模型对列车进行复杂故障分析,输出复杂故障分析报告;
所述预设故障分析模型包括下面模型中的一种或多种:
VOBC无法启动/宕机/死机问题分析模型、ATP输出紧急制动分析模型、EBI突降导致列车超速分析模型、EB原因为CM/AM/AR模式下丢失位置分析模型、列车闯信号问题分析模型、列车回段/回库问题分析模型、测速故障问题分析模型和MMI上出现异常提示分析模型;
其中,所述预设故障分析模型为根据历史故障事件的发生及应对过程进行综合分析后建立的分析模型算法函数;
相应地,所述第二故障分析模块在根据分类存储后的数据以及预设故障分析模型对列车进行复杂故障分析时,先从分类存储后的解析数据中提取故障码信息,然后根据故障码信息识别出故障类型,并根据故障类型调用对应的分析模型算法函数,从而得到对应的故障分析结果。
进一步地,所述系统还包括:
数据统计模块,用于将解析数据按照预设统计模型进行统计,获取对应的数据统计结果;所述预设统计模型包括ATO停车精度计算模型、应答器丢失检索模型、人工驾驶速度曲线数据统计模型和开窗范围数据统计模型;
所述ATO停车精度计算模型,用于在列车运行级别为AM或CM或AR模式且列车速度为0时,根据列车所在位置及列车运行方向并与预估停车位置进行比较,计算偏差值,进而得出停车精度;
所述应答器丢失检索模型,用于筛选出应答器连续丢失的总数量大于0的数据报文并进行去重处理,获取筛选后得到的报文中的时间、序列号、列车位置和列车偏移信息;
所述人工驾驶速度曲线数据统计模型,用于筛选出序列号有效的数据报文并进行去重处理,获取筛选后得到的报文中的列车速度、行车推荐速度和紧急制动触发速度信息;
所述开窗范围数据统计模型,用于筛选出列车位置有效的数据报文并进行去重处理,获取筛后得到的报文中的时间、序列号、列车位置、列车方向、列车测距和应答器信息,通过遍历所有周期数据计算得到开窗范围数据统计结果。
进一步地,所述系统还包括:
检索查询模块,用于接收用户输入的检索查询条件,根据所述检索查询条件对分类存储后的数据进行条件查询,并根据查询结果输出对应的运行动态图;所述检索查询条件包括运行时间段、设备类型和相关指定字段。
进一步地,所述运行动态图包括:设备运行状态折线图和故障总量统计图。
第二方面,本发明还提供了一种基于车载信号的故障智能分析方法,包括:
利用预先生成的数据配置文件对二进制形式的车载设备信息进行翻译解析,得到包含各车载设备实际运行状况的解析数据;其中,所述数据配置文件为预先根据工程要求配置的能够解析二进制形式的车载设备信息的文件,所述数据配置文件中配置有设备编号、设备类型、设备状态、故障原因、故障类型和故障等级字段;
将解析数据按照设备类型和故障类型进行分类存储;
对分类存储后的数据进行故障分析,并将故障相应信息进行直观展示,同时提供对应的原因分析和解决方案。
进一步地,所述方法还包括:
根据分类存储后的数据以及预设故障分析模型对列车进行复杂故障分析,输出复杂故障分析报告;
所述预设故障分析模型包括下面模型中的一种或多种:VOBC无法启动/宕机/死机问题分析模型、ATP输出紧急制动分析模型、EBI突降导致列车超速分析模型、EB原因为CM/AM/AR模式下丢失位置分析模型、列车闯信号问题分析模型、列车回段/回库问题分析模型、测速故障问题分析模型和MMI上出现异常提示分析模型;
其中,所述预设故障分析模型为根据历史故障事件的发生及应对过程进行综合分析后建立的分析模型算法函数;
相应地,所述第根据分类存储后的数据以及预设故障分析模型对列车进行复杂故障分析,包括:
先从分类存储后的解析数据中提取故障码信息,然后根据故障码信息识别出故障类型,并根据故障类型调用对应的分析模型算法函数,从而得到对应的故障分析结果。
进一步地,所述方法还包括:
将解析数据按照预设统计模型进行统计,获取对应的数据统计结果;所述预设统计模型包括ATO停车精度计算模型、应答器丢失检索模型、人工驾驶速度曲线数据统计模型和开窗范围数据统计模型;
所述ATO停车精度计算模型,用于在列车运行级别为AM或CM或AR模式且列车速度为0时,根据列车所在位置及列车运行方向并与预估停车位置进行比较,计算偏差值,进而得出停车精度;
所述应答器丢失检索模型,用于筛选出应答器连续丢失的总数量大于0的数据报文并进行去重处理,获取筛选后得到的报文中的时间、序列号、列车位置和列车偏移信息;
所述人工驾驶速度曲线数据统计模型,用于筛选出序列号有效的数据报文并进行去重处理,获取筛选后得到的报文中的列车速度、行车推荐速度和紧急制动触发速度信息;
所述开窗范围数据统计模型,用于筛选出列车位置有效的数据报文并进行去重处理,获取筛后得到的报文中的时间、序列号、列车位置、列车方向、列车测距和应答器信息,通过遍历所有周期数据计算得到开窗范围数据统计结果。
进一步地,所述方法还包括:
接收用户输入的检索查询条件,根据所述检索查询条件对分类存储后的数据进行条件查询,并根据查询结果输出对应的运行动态图;所述检索查询条件包括运行时间段、设备类型和相关指定字段。
进一步地,所述运行动态图包括:设备运行状态折线图和故障总量统计图。
由上述技术方案可知,本发明提供的基于车载信号的故障智能分析系统,包括车载信号解析模块、分类存储模块和第一故障分析模块,其中,车载信号解析模块,用于利用预先生成的数据配置文件对二进制形式的车载设备信息进行翻译解析,得到包含各车载设备实际运行状况的解析数据;其中,所述数据配置文件为预先根据工程要求配置的能够解析二进制形式的车载设备信息的文件,所述数据配置文件中配置有设备编号、设备类型、设备状态、故障原因、故障类型和故障等级字段;分类存储模块,用于将解析数据按照设备类型和故障类型进行分类存储;第一故障分析模块,用于对分类存储后的数据进行故障分析,并将故障相应信息进行直观展示,同时提供对应的原因分析和解决方案。可见,本发明提供的基于车载信号的故障智能分析系统,通过灵活的二进制数据配置文件对报文进行翻译解析处理,使得研发人员和运营人员不用再查看二进制形式的车载设备信息,从而提高了研发人员和运营人员的工作效率。此外,由于采用配置文件进行数据解析,因此解析过程不依赖某工程线的数据存储结构,因此不会再出现因多个工程线的二进制数据结构存在差异,而导致解析过程中容易出现错误的问题,当前采用配置文件方式配置数据结构字段,程序依据配置文件信息进行解析,出错率大大降低。此外,当增加新的车载设备信息或车载设备信息内容有所修改时,仅需要修改配置文件,就可以正常完成解析过程,从而使得系统配置灵活、可扩展性强。此外,将解析后的数据分类、有序、快速的存储至数据库,并利用分类后的数据进行故障分析,可以快速准确的定位出故障且还可以提供常规故障的原因分析及解决方案,使得除了信号厂商的维保人员可使用这些故障信息之外,车站的运营人员能够更准确的汇报故障类型和状态,提高了解决故障的能力和效率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是二进制维护信息图;
图2是本发明一实施例提供的基于车载信号的故障智能分析系统的一种结构示意图;
图3是本发明一实施例提供的数据配置文件的结构示意图;
图4是本发明一实施例提供的数据配置文件的代码示意图;
图5是本发明一实施例提供的数据存储结构图;
图6是本发明一实施例提供的故障处理流程图;
图7是本发明一实施例提供的基于车载信号的故障智能分析系统的另一种结构示意图;
图8是本发明一实施例提供的系统架构图;
图9是本发明一实施例提供的检索界面图;
图10是本发明一实施例提供的故障原因和解决方案展示图;
图11是本发明一实施例提供的设备运行状态图;
图12是本发明一实施例提供的故障总量图;
图13是本发明另一实施例提供的基于车载信号的故障智能分析方法的流程图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整的描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明一实施例提供了一种基于车载信号的故障智能分析系统,参见图2,该系统包括:车载信号解析模块11、分类存储模块12和第一故障分析模块13,其中:
车载信号解析模块11,用于利用预先生成的数据配置文件(如图3和图4所示的数据配置文件示意图)对二进制形式的车载设备信息进行翻译解析,得到包含各车载设备实际运行状况的解析数据;其中,所述数据配置文件为预先根据工程要求配置的能够解析二进制形式的车载设备信息的文件,所述数据配置文件中配置有设备编号、设备类型、设备状态、故障原因、故障类型和故障等级字段等信息;
分类存储模块12,用于将解析数据按照设备类型和故障类型进行分类存储;
需要说明的是,存储过程是以N行数据为单位使用多线程处理方式进行批量存入,错误数据或不完整数据将被丢弃,正确数据将被保存,从而方便后期检索、分析、绘图和导出,具体可参见图5所示的数据存储结构图;
第一故障分析模块13,用于对分类存储后的数据进行故障分析,并将故障相应信息进行直观展示,同时提供对应的原因分析和解决方案。
需要说明的是,解析后的数据将按照固定格式存储至数据库,针对已存储的车载设备维护信息,可通过筛选条件检索设备历史维护信息,检索到的数据可进行故障分析、绘图、数据文件导出、故障分析报告导出。对解析后的数据进行故障分析可快速准确的定位故障和报警的发生时间、位置、原因,此外,为提高运营人员解决故障的能力和效率,本实施例还给出了故障对应的原因分析和解决方案(参见图10),从而使得除了信号厂商的维保人员可使用这些故障信息之外,车站的运营人员能够更准确的汇报故障类型和状态,从而可以有效提高运营人员的能力和效率。此外,参见图6所示的故障处理流程可知,在进行故障分析时,还可以图形式化的方式展现故障分析结果。
需要说明的是,目前运营维护人员和研发人员只能通过查看二进制数据的方法对故障进行分析,但因车载设备相关信息数据量大、种类多、存储结构复杂,通过二进制形式查看设备信息的方式,需要通过帮助文档识别信息内容,效率低、不易读,无法快速准确地定位故障信息,且还存在形式单一的问题,无法进行有针对性的故障分析,例如,无法对特定时间段内或特定类型的设备数据进行针对性分析。本实施例针对这一问题,利用预先生成的数据配置文件对二进制形式的车载设备信息进行翻译解析,得到包含各车载设备实际运行状况的解析数据,然后将解析数据按照设备类型和故障类型进行分类存储,并对分类存储后的数据进行故障分析,将故障相应信息进行直观展示,同时提供对应的原因分析和解决方案。可见,本实施例能够实现故障的自动准确快速定位和分析,同时能够提供对应的故障原因和解决方案,从而大大方便了相关工作人员(如研发人员和运营维护人员)的故障分析工作。
由上面方案可知,本实施例提供的基于车载信号的故障智能分析系统,包括车载信号解析模块、分类存储模块和第一故障分析模块,其中,车载信号解析模块,用于利用预先生成的数据配置文件对二进制形式的车载设备信息进行翻译解析,得到包含各车载设备实际运行状况的解析数据;其中,所述数据配置文件为预先根据工程要求配置的能够解析二进制形式的车载设备信息的文件,所述数据配置文件中配置有设备编号、设备类型、设备状态、故障原因、故障类型和故障等级字段;分类存储模块,用于将解析数据按照设备类型和故障类型进行分类存储;第一故障分析模块,用于对分类存储后的数据进行故障分析,并将故障相应信息进行直观展示,同时提供对应的原因分析和解决方案。可见,本实施例提供的基于车载信号的故障智能分析系统,通过灵活的二进制数据配置文件对报文进行翻译解析处理,使得研发人员和运营人员不用再查看二进制形式的车载设备信息,从而提高了研发人员和运营人员的工作效率。此外,由于采用配置文件进行数据解析,因此解析过程不依赖某工程线的数据存储结构,因此不会再出现因多个工程线的二进制数据结构存在差异,而导致解析过程中容易出现错误的问题,当前采用配置文件方式配置数据结构字段,程序依据配置文件信息进行解析,出错率大大降低。此外,当增加新的车载设备信息或车载设备信息内容有所修改时,仅需要修改配置文件,就可以正常完成解析过程,从而使得系统配置灵活、可扩展性强。此外,将解析后的数据分类、有序、快速的存储至数据库,并利用分类后的数据进行故障分析,可以快速准确的定位出故障且还可以提供常规故障的原因分析及解决方案,使得除了信号厂商的维保人员可使用这些故障信息之外,车站的运营人员能够更准确的汇报故障类型和状态,提高了解决故障的能力和效率。
在一种优选实施方式中,参见图7,所述系统还包括:
第二故障分析模块14,用于根据分类存储后的数据以及预设故障分析模型对列车进行复杂故障分析,输出复杂故障分析报告;
所述预设故障分析模型包括下面模型中的一种或多种:
VOBC无法启动/宕机/死机问题分析模型、ATP输出紧急制动分析模型、EBI突降导致列车超速分析模型、EB原因为CM/AM/AR模式下丢失位置分析模型、列车闯信号问题分析模型、列车回段/回库问题分析模型、测速故障问题分析模型和MMI上出现异常提示分析模型;
其中,所述预设故障分析模型为根据历史故障事件的发生及应对过程进行综合分析后建立的分析模型算法函数;
相应地,所述第二故障分析模块在根据分类存储后的数据以及预设故障分析模型对列车进行复杂故障分析时,先从分类存储后的解析数据中提取故障码信息,然后根据故障码信息识别出故障类型,并根据故障类型调用对应的分析模型算法函数,从而得到对应的故障分析结果。
可见,对解析后的数据按照预设的故障分析模型进行故障分析,进而可以得到故障分析结果,需要说明的是,所述预设故障分析模型的创建,依赖于研发工程师分析问题的过程和分析经验,也就是将研发工程师分析问题的过程和经验,翻译成程序处理的分析模型算法函数,依据数据中的故障码信息,识别故障类型,根据已知故障类型调用对应的分析模型算法函数,从而计算得出故障产生的原因、位置、时间等。
可见,本实施方式增加了对复杂或特定故障的分析模型,从而可以自动识别出复杂故障或特定故障,从而丰富了系统功能,使得系统变得更加智能。
在一种优选实施方式中,参见图7,所述系统还包括:
数据统计模块15,用于将解析数据按照预设统计模型进行统计,获取对应的数据统计结果;所述预设统计模型包括ATO停车精度计算模型、应答器丢失检索模型、人工驾驶速度曲线数据统计模型和开窗范围数据统计模型;
所述ATO停车精度计算模型,用于在列车运行级别为AM或CM或AR模式且列车速度为0时,根据列车所在位置及列车运行方向并与预估停车位置进行比较,计算偏差值,进而得出停车精度;
所述应答器丢失检索模型,用于筛选出应答器连续丢失的总数量大于0的数据报文并进行去重处理,获取筛选后得到的报文中的时间、序列号、列车位置和列车偏移信息;
所述人工驾驶速度曲线数据统计模型,用于筛选出序列号有效的数据报文并进行去重处理,获取筛选后得到的报文中的列车速度、行车推荐速度和紧急制动触发速度信息;
所述开窗范围数据统计模型,用于筛选出列车位置有效的数据报文并进行去重处理,获取筛后得到的报文中的时间、序列号、列车位置、列车方向、列车测距和应答器信息,通过遍历所有周期数据计算得到开窗范围数据统计结果。
可见,在本实施方式中,除了可以进行一般故障分析以外,还可以进行ATO停车精度、应答器丢失检索、人工驾驶速度曲线和开窗范围等数据的统计,从而进一步完善了系统功能,使得系统的可用性进一步增强。
在一种优选实施方式中,参见图7,所述系统还包括:
检索查询模块16,用于接收用户输入的检索查询条件,根据所述检索查询条件对分类存储后的数据进行条件查询,并根据查询结果输出对应的运行动态图;所述检索查询条件包括运行时间段、设备类型和相关指定字段。
参见图8所示系统框架图,数据通过数据载入模块输入系统后,利用配置文件中的配置信息进行解析,解析后的数据将按照固定格式存储至数据库,针对已存储的车载设备维护信息,可通过筛选条件检索设备历史维护信息,检索到的数据可进行故障分析、绘图、数据文件导出、故障分析报告导出,如将筛选后的数据以数据报表形式导出至本地磁盘中;如图9所示,用户可通过选择时间段方式进行数据检索,在得到检索结果后,通过点击检索结果中的某一项检索记录,还可以进一步查看对应的故障原因分析以及对应的解决方案,如图10所示,从而根据系统展示的原因和解决方案可以更加低门槛和高效地应对故障,尤其适用于运营维护人员;此外,参见图11,检索得到的数据可以按天的方式展现出设备在用户选择的时间段内的运行动态图,方便用户更直观、清晰的查看。此外,参见图12,还可以分析在用户选择的时间段内的各类型车载设备的故障总量。
由上面描述可知,本实施例提供的系统,通过灵活的二进制数据配置文件对报文进行翻译解析处理,使得研发人员和运营人员不用再查看二进制形式的车载设备信息,从而提高了研发人员和运营人员的工作效率。此外,本实施例提供的系统,将数据结构化,使用数据库进行存储,方便检索和导出。此外,本实施例提供的系统,维护信息支持按筛选条件进行数据检索,通过分析和计算检索到的数据,生成动态运行图、故障报表,同时也可对检索到的数据进行文件导出至磁盘(存储格式.xls.xlsx),大大提高分析效率和准确性;此外,本实施例提供的系统高度可配置,设备类型、故障原因、故障等级等信息,都可以进行配置,也即本实施例提供的系统配置灵活、可扩展性强,当增加新的车载设备信息或车载设备信息内容有所修改时,不需要修改软件本身,仅需要修改配置文件,就可以正常识别。此外,本实施例提供了常规故障和报警解决方案,使得除了信号厂商的维保人员可使用这些故障信息之外,车站的运营人员能够更准确的汇报故障类型和状态,提高了解决故障的能力和效率;最后,本实施例还增加了故障分析模型,专业分析人员根据分析经验建立模型,之后只需维护模型即可,依据模型对数据进行分析和报告产出。
本发明另一实施例提供了一种基于车载信号的故障智能分析方法,参见图13,该方法包括如下步骤:
步骤101:利用预先生成的数据配置文件对二进制形式的车载设备信息进行翻译解析,得到包含各车载设备实际运行状况的解析数据;其中,所述数据配置文件为预先根据工程要求配置的能够解析二进制形式的车载设备信息的文件,所述数据配置文件中配置有设备编号、设备类型、设备状态、故障原因、故障类型和故障等级字段。
步骤102:将解析数据按照设备类型和故障类型进行分类存储。
步骤103:对分类存储后的数据进行故障分析,并将故障相应信息进行直观展示,同时提供对应的原因分析和解决方案。
在一种优选实施方式中,所述方法还包括:
根据分类存储后的数据以及预设故障分析模型对列车进行复杂故障分析,输出复杂故障分析报告;
所述预设故障分析模型包括下面模型中的一种或多种:VOBC无法启动/宕机/死机问题分析模型、ATP输出紧急制动分析模型、EBI突降导致列车超速分析模型、EB原因为CM/AM/AR模式下丢失位置分析模型、列车闯信号问题分析模型、列车回段/回库问题分析模型、测速故障问题分析模型和MMI上出现异常提示分析模型;
其中,所述预设故障分析模型为根据历史故障事件的发生及应对过程进行综合分析后建立的分析模型算法函数;
相应地,所述第根据分类存储后的数据以及预设故障分析模型对列车进行复杂故障分析,包括:
先从分类存储后的解析数据中提取故障码信息,然后根据故障码信息识别出故障类型,并根据故障类型调用对应的分析模型算法函数,从而得到对应的故障分析结果。
在一种优选实施方式中,所述方法还包括:
将解析数据按照预设统计模型进行统计,获取对应的数据统计结果;所述预设统计模型包括ATO停车精度计算模型、应答器丢失检索模型、人工驾驶速度曲线数据统计模型和开窗范围数据统计模型;
所述ATO停车精度计算模型,用于在列车运行级别为AM或CM或AR模式且列车速度为0时,根据列车所在位置及列车运行方向并与预估停车位置进行比较,计算偏差值,进而得出停车精度;
所述应答器丢失检索模型,用于筛选出应答器连续丢失的总数量大于0的数据报文并进行去重处理,获取筛选后得到的报文中的时间、序列号、列车位置和列车偏移信息;
所述人工驾驶速度曲线数据统计模型,用于筛选出序列号有效的数据报文并进行去重处理,获取筛选后得到的报文中的列车速度、行车推荐速度和紧急制动触发速度信息;
所述开窗范围数据统计模型,用于筛选出列车位置有效的数据报文并进行去重处理,获取筛后得到的报文中的时间、序列号、列车位置、列车方向、列车测距和应答器信息,通过遍历所有周期数据计算得到开窗范围数据统计结果。
在一种优选实施方式中,所述方法还包括:
接收用户输入的检索查询条件,根据所述检索查询条件对分类存储后的数据进行条件查询,并根据查询结果输出对应的运行动态图;所述检索查询条件包括运行时间段、设备类型和相关指定字段。
在一种优选实施方式中,所述运行动态图包括:设备运行状态折线图和故障总量统计图。
本实施例提供的基于车载信号的故障智能分析方法,可以采用上述实施例所述的基于车载信号的故障智能分析系统实现,其具体工作原理和有益效果类似,具体内容可参见上述实施例的介绍,此处不再详述。
以上实施例仅用于说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种基于车载信号的故障智能分析系统,其特征在于,包括:
车载信号解析模块,用于利用预先生成的数据配置文件对二进制形式的车载设备信息进行翻译解析,得到包含各车载设备实际运行状况的解析数据;其中,所述数据配置文件为预先根据工程要求配置的能够解析二进制形式的车载设备信息的文件,所述数据配置文件中配置有设备编号、设备类型、设备状态、故障原因、故障类型和故障等级字段;
分类存储模块,用于将解析数据按照设备类型和故障类型进行分类存储;
第一故障分析模块,用于对分类存储后的数据进行故障分析,并将故障相应信息进行直观展示,同时提供对应的原因分析和解决方案。
2.根据权利要求1所述的系统,其特征在于,所述系统还包括:
第二故障分析模块,用于根据分类存储后的数据以及预设故障分析模型对列车进行复杂故障分析,输出复杂故障分析报告;
所述预设故障分析模型包括下面模型中的一种或多种:
VOBC无法启动/宕机/死机问题分析模型、ATP输出紧急制动分析模型、EBI突降导致列车超速分析模型、EB原因为CM/AM/AR模式下丢失位置分析模型、列车闯信号问题分析模型、列车回段/回库问题分析模型、测速故障问题分析模型和MMI上出现异常提示分析模型;
其中,所述预设故障分析模型为根据历史故障事件的发生及应对过程进行综合分析后建立的分析模型算法函数;
相应地,所述第二故障分析模块在根据分类存储后的数据以及预设故障分析模型对列车进行复杂故障分析时,先从分类存储后的解析数据中提取故障码信息,然后根据故障码信息识别出故障类型,并根据故障类型调用对应的分析模型算法函数,从而得到对应的故障分析结果。
3.根据权利要求1所述的系统,其特征在于,所述系统还包括:
数据统计模块,用于将解析数据按照预设统计模型进行统计,获取对应的数据统计结果;所述预设统计模型包括ATO停车精度计算模型、应答器丢失检索模型、人工驾驶速度曲线数据统计模型和开窗范围数据统计模型;
所述ATO停车精度计算模型,用于在列车运行级别为AM或CM或AR模式且列车速度为0时,根据列车所在位置及列车运行方向并与预估停车位置进行比较,计算偏差值,进而得出停车精度;
所述应答器丢失检索模型,用于筛选出应答器连续丢失的总数量大于0的数据报文并进行去重处理,获取筛选后得到的报文中的时间、序列号、列车位置和列车偏移信息;
所述人工驾驶速度曲线数据统计模型,用于筛选出序列号有效的数据报文并进行去重处理,获取筛选后得到的报文中的列车速度、行车推荐速度和紧急制动触发速度信息;
所述开窗范围数据统计模型,用于筛选出列车位置有效的数据报文并进行去重处理,获取筛后得到的报文中的时间、序列号、列车位置、列车方向、列车测距和应答器信息,通过遍历所有周期数据计算得到开窗范围数据统计结果。
4.根据权利要求1所述的系统,其特征在于,所述系统还包括:
检索查询模块,用于接收用户输入的检索查询条件,根据所述检索查询条件对分类存储后的数据进行条件查询,并根据查询结果输出对应的运行动态图;所述检索查询条件包括运行时间段、设备类型和相关指定字段。
5.根据权利要求4所述的系统,其特征在于,所述运行动态图包括:设备运行状态折线图和故障总量统计图。
6.一种基于车载信号的故障智能分析方法,其特征在于,包括:
利用预先生成的数据配置文件对二进制形式的车载设备信息进行翻译解析,得到包含各车载设备实际运行状况的解析数据;其中,所述数据配置文件为预先根据工程要求配置的能够解析二进制形式的车载设备信息的文件,所述数据配置文件中配置有设备编号、设备类型、设备状态、故障原因、故障类型和故障等级字段;
将解析数据按照设备类型和故障类型进行分类存储;
对分类存储后的数据进行故障分析,并将故障相应信息进行直观展示,同时提供对应的原因分析和解决方案。
7.根据权利要求6所述的方法,其特征在于,所述方法还包括:
根据分类存储后的数据以及预设故障分析模型对列车进行复杂故障分析,输出复杂故障分析报告;
所述预设故障分析模型包括下面模型中的一种或多种:VOBC无法启动/宕机/死机问题分析模型、ATP输出紧急制动分析模型、EBI突降导致列车超速分析模型、EB原因为CM/AM/AR模式下丢失位置分析模型、列车闯信号问题分析模型、列车回段/回库问题分析模型、测速故障问题分析模型和MMI上出现异常提示分析模型;
其中,所述预设故障分析模型为根据历史故障事件的发生及应对过程进行综合分析后建立的分析模型算法函数;
相应地,所述第根据分类存储后的数据以及预设故障分析模型对列车进行复杂故障分析,包括:
先从分类存储后的解析数据中提取故障码信息,然后根据故障码信息识别出故障类型,并根据故障类型调用对应的分析模型算法函数,从而得到对应的故障分析结果。
8.根据权利要求6所述的方法,其特征在于,所述方法还包括:
将解析数据按照预设统计模型进行统计,获取对应的数据统计结果;所述预设统计模型包括ATO停车精度计算模型、应答器丢失检索模型、人工驾驶速度曲线数据统计模型和开窗范围数据统计模型;
所述ATO停车精度计算模型,用于在列车运行级别为AM或CM或AR模式且列车速度为0时,根据列车所在位置及列车运行方向并与预估停车位置进行比较,计算偏差值,进而得出停车精度;
所述应答器丢失检索模型,用于筛选出应答器连续丢失的总数量大于0的数据报文并进行去重处理,获取筛选后得到的报文中的时间、序列号、列车位置和列车偏移信息;
所述人工驾驶速度曲线数据统计模型,用于筛选出序列号有效的数据报文并进行去重处理,获取筛选后得到的报文中的列车速度、行车推荐速度和紧急制动触发速度信息;
所述开窗范围数据统计模型,用于筛选出列车位置有效的数据报文并进行去重处理,获取筛后得到的报文中的时间、序列号、列车位置、列车方向、列车测距和应答器信息,通过遍历所有周期数据计算得到开窗范围数据统计结果。
9.根据权利要求6所述的方法,其特征在于,所述方法还包括:
接收用户输入的检索查询条件,根据所述检索查询条件对分类存储后的数据进行条件查询,并根据查询结果输出对应的运行动态图;所述检索查询条件包括运行时间段、设备类型和相关指定字段。
10.根据权利要求9所述的方法,其特征在于,所述运行动态图包括:设备运行状态折线图和故障总量统计图。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811119283.6A CN109445304A (zh) | 2018-09-25 | 2018-09-25 | 一种基于车载信号的故障智能分析系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811119283.6A CN109445304A (zh) | 2018-09-25 | 2018-09-25 | 一种基于车载信号的故障智能分析系统及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109445304A true CN109445304A (zh) | 2019-03-08 |
Family
ID=65544424
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811119283.6A Pending CN109445304A (zh) | 2018-09-25 | 2018-09-25 | 一种基于车载信号的故障智能分析系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109445304A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110941278A (zh) * | 2019-12-20 | 2020-03-31 | 交控科技股份有限公司 | 一种站内动态安全分析方法 |
CN114326659A (zh) * | 2021-12-10 | 2022-04-12 | 重庆金康赛力斯新能源汽车设计院有限公司 | 一种汽车电子控制单元故障诊断系统及方法 |
CN115561565A (zh) * | 2022-12-05 | 2023-01-03 | 济宁矿业集团海纳科技机电股份有限公司 | 一种基于网络通信的高压变频器监测装置及方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2014130717A1 (en) * | 2013-02-22 | 2014-08-28 | Ellis Frampton | Failsafe devices, including transportation vehicles |
CN104134378A (zh) * | 2014-06-23 | 2014-11-05 | 北京交通大学 | 一种基于驾驶经验和在线学习的城轨列车智能控制方法 |
CN106547958A (zh) * | 2016-10-19 | 2017-03-29 | 北京交通大学 | 一种车载设备数据的图形化分析方法及装置 |
CN106610616A (zh) * | 2016-11-30 | 2017-05-03 | 交控科技股份有限公司 | 一种基于大数据分析的性能自动调优方法及装置 |
CN107168278A (zh) * | 2017-04-25 | 2017-09-15 | 广州地铁集团有限公司 | 地铁列车信号系统的自动维护与预警系统 |
CN107284471A (zh) * | 2017-05-18 | 2017-10-24 | 交控科技股份有限公司 | 一种基于车车通信的cbtc系统 |
-
2018
- 2018-09-25 CN CN201811119283.6A patent/CN109445304A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2014130717A1 (en) * | 2013-02-22 | 2014-08-28 | Ellis Frampton | Failsafe devices, including transportation vehicles |
CN104134378A (zh) * | 2014-06-23 | 2014-11-05 | 北京交通大学 | 一种基于驾驶经验和在线学习的城轨列车智能控制方法 |
CN106547958A (zh) * | 2016-10-19 | 2017-03-29 | 北京交通大学 | 一种车载设备数据的图形化分析方法及装置 |
CN106610616A (zh) * | 2016-11-30 | 2017-05-03 | 交控科技股份有限公司 | 一种基于大数据分析的性能自动调优方法及装置 |
CN107168278A (zh) * | 2017-04-25 | 2017-09-15 | 广州地铁集团有限公司 | 地铁列车信号系统的自动维护与预警系统 |
CN107284471A (zh) * | 2017-05-18 | 2017-10-24 | 交控科技股份有限公司 | 一种基于车车通信的cbtc系统 |
Non-Patent Citations (2)
Title |
---|
杨智勇: "《富康988/富康轿车电控与电气系统检修图解》", 31 January 2001, 机械工业出版社 * |
沈记全: "《数据库系统原理》", 31 January 2018, 中国矿业大学出版社 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110941278A (zh) * | 2019-12-20 | 2020-03-31 | 交控科技股份有限公司 | 一种站内动态安全分析方法 |
CN110941278B (zh) * | 2019-12-20 | 2023-05-23 | 交控科技股份有限公司 | 一种站内动态安全分析方法 |
CN114326659A (zh) * | 2021-12-10 | 2022-04-12 | 重庆金康赛力斯新能源汽车设计院有限公司 | 一种汽车电子控制单元故障诊断系统及方法 |
CN115561565A (zh) * | 2022-12-05 | 2023-01-03 | 济宁矿业集团海纳科技机电股份有限公司 | 一种基于网络通信的高压变频器监测装置及方法 |
CN115561565B (zh) * | 2022-12-05 | 2023-03-03 | 济宁矿业集团海纳科技机电股份有限公司 | 一种基于网络通信的高压变频器监测装置及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110825801B (zh) | 基于分布式架构的列车信号系统车载日志分析系统和方法 | |
CN104407964B (zh) | 一种基于数据中心的集中监控系统及方法 | |
CN101354758B (zh) | 整合实时数据和关系数据的系统和方法 | |
CN100589418C (zh) | 告警相关性规则的生成方法及生成系统 | |
CN110347116A (zh) | 一种基于运行数据流的机床状态监测系统与监测方法 | |
CN108959564A (zh) | 数据仓库元数据管理方法、可读存储介质和计算机设备 | |
CN109445304A (zh) | 一种基于车载信号的故障智能分析系统及方法 | |
CN108398934B (zh) | 一种用于轨道交通的设备故障监控的系统 | |
CN109034423B (zh) | 一种故障预警判定的方法、装置、设备及存储介质 | |
EP4020218B1 (en) | Analyzing large-scale data processing jobs | |
CN110046073A (zh) | 一种日志采集方法及装置、设备、存储介质 | |
CN111259073A (zh) | 基于日志、流量和业务访问的业务系统运行状态智能研判系统 | |
CN105095052A (zh) | Soa环境下的故障检测方法及装置 | |
KR102580916B1 (ko) | 5g 분산 클라우드 시스템의 빅 데이터를 이용하여 장애를 관리하는 장치 및 방법 | |
CN103049365B (zh) | 信息与应用资源运行状态监控及评价方法 | |
CN112865311B (zh) | 一种电力系统消息总线监视方法和装置 | |
CN109240863A (zh) | 一种cpu故障定位方法、装置、设备及存储介质 | |
CN108337108A (zh) | 一种基于关联分析的云平台故障自动化定位方法 | |
CN107548087A (zh) | 一种告警关联分析的方法及装置 | |
CN104516953B (zh) | 一种用于电力调度自动化海量报文的黑匣子系统 | |
CN115757045A (zh) | 一种交易日志分析方法、系统及装置 | |
CN114911677A (zh) | 集群中容器的监控方法、装置和计算机可读存储介质 | |
CN106484947A (zh) | 基于事件驱动的电网cim/e模型解析方法 | |
CN111352818A (zh) | 应用程序性能分析方法、装置、存储介质及电子设备 | |
CN110188245A (zh) | 电力物联网多源数据融合装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190308 |