CN109740772A - 基于大数据的铁路列车检测维修分析方法 - Google Patents

Abstract

本发明属于铁路列车检修技术领域，公开了一种基于大数据的铁路列车检测维修分析方法，包括以下步骤：S1，对零部件的历史状态信息数据按照模块化划分理论进行分类聚类；S2，应用大数据技术对分类聚类后的零部件历史状态信息数据进行计算分析，提取零部件的状态评估值；S3，对零部件的历史故障检修日志数据按照模块化划分理论进行分类聚类；S4，对分类聚类后的零部件故障检修日志数据进行零部件的故障模式影响及危害度分析；S5，对零部件的维修更换进行维修更换评估；S6，制定零部件确切的维修更换方案。本发明通过大数据技术对零部件的数据信息进行分析，制定零部件的维修更换方案，减小铁路列车的维修成本。

Description

基于大数据的铁路列车检测维修分析方法

技术领域

本发明属于铁路列车检修技术领域，具体涉及一种基于大数据的铁路列车检测维修分析方法。

背景技术

中国拥有世界上里程最长的高铁网络，迄今运营里程达到2.2万公里，动车列数已经超过总列车数的一半，速度和安全是高速列车的核心。目前，我国铁路运输设备的状态保障主要以设备监测及检修为主，用到的检修方式包括故障修、定期修(或称为计划修)和状态修。列车关键零部件采用的维修方式不当，会导致维修工作量增加。因为缺乏对列车的维修管理经验，国内至今没有对列车各个主要零部件的维修方式做一个系统的分析。缺乏对各类零部件的故障分析和可靠性分析，没有对各个部件的寿命模型进行判别分析，从而导致一些零部件所采用的维修方式不当。如服从指数分布的电子元件的故障率为常数，是不随时间发生变化的，新元件和旧元件的失效率是一样的，所以在元件坏之前对它进行的维修是没有意义的，所以不适合采用计划预防维修。因为没有对国产零部件进行故障分析，所以出现了维修方式决策不合理，维修工作量大却成效不大的现象。

由于运输设备的技术状态受设备自身质量、管理作业组织和其他外界环境等诸多因素影响，传统的定期修模式已不能适应我国铁路大规模建设和发展的新形式需要，迫切需要对运输设备全寿命周期内的技术状态进行监测及分析，采取以状态修为主的智能维修模式，及时消除设备安全风险，使运输设备处于健康的工作状态，同时也可以减小维修成本。我国的机车修制正从计划预防修向状态修过渡，机车的状态修以零部件的状态寿命周期为基础，零部件的状态修是以零部件的准确使用寿命值为依据，而零部件寿命值的确定需要大量数据作为支撑。

随着物联网和传感器在高速铁路运巧中的大量应用，铁路信号系统每天都产生海量的数据。海量的数据当中隐藏着数据的潜在的价值，但目前这些数据并没有有效的利用起来。针对铁路列车产生的海量数据，要想将其有效的利用起来，为列车安全性和检修等提供有价值的信息，就需要利用大数据技术对海量的数据根据列车系统进行模块化划分并分类存储后进而分析，同时结合历史零部件的检修日志数据和故障模式影响和危害度分析，确定对列车进行有计划的维修。大数据近年来继云计算、物联网之后最为流行的IT行业术语。大数据并不是一种概念，而是一种方法论，一句话概括，就是通过分析和挖掘全量的非抽样的数据辅助决策。大数据技术可以理解为在海量的数据资源中提取到有价值的部分加以分析和处理。大数据必然无法用人脑来推算、估测，或者用单台的计算机进行处理，必须采用分布式计算架构，依托云计算的分布式处理、分布式数据库、云存储和虚拟化技术，其在数据的处理上具有高效性和可用性。

发明内容

为了解决现有技术存在的上述问题，本发明目的在于提供一种基于大数据的铁路列车检测维修分析方法，通过大数据技术对零部件的数据信息进行分析，制定零部件的维修更换方案，减小铁路列车的维修成本。

本发明所采用的技术方案为：基于大数据的铁路列车检测维修分析方法，包括以下步骤：

S1，对零部件的历史状态信息数据按照铁路列车系统的模块化划分理论进行分类聚类；

S2，应用大数据技术对分类聚类后的零部件历史状态信息数据进行计算分析，提取零部件的状态评估值；

S3，对零部件的历史故障检修日志数据按照铁路列车系统的模块化划分理论进行分类聚类；

S4，对分类聚类后的零部件故障检修日志数据进行零部件的故障模式影响及危害度分析；

S5，结合零部件的状态评估值和零部件的故障模式影响及危害度分析，对零部件的维修更换进行维修更换评估；

S6，根据零部件的维修更换评估结果，制定零部件确切的维修更换方案。

作为优选方式，模块化划分理论根据列车零部件的功能属性及零部件的结构依存关系来划分。

作为优选方式，模块化划分理论具体为：首先对铁路线路中运行的列车按照列车型号进行分类，然后在同一型号列车中对各部件进行分类，再对同一类部件中的各零件进行分类，最后对所有的分类数据进行汇总存储。

作为优选方式，在S2中，应用大数据技术对分类聚类后的零部件历史状态信息数据进行计算分析包括利用Hadoop分布式框架系统对数据进行计算分析，再通过数据挖掘来提取零部件的状态评估值。

作为优选方式，在S4中，对分类聚类后的零部件故障检修日志数据进行零部件的故障模式影响及危害度分析包括以下步骤：

S41，分析零部件的故障检修数据，得到零部件的故障模式；

S42，对故障模式影响的严酷度进行量化；

S43，根据故障模式对铁路列车的各功能级别造成的影响和后果，确定主要的故障模式；

S44，将主要故障模式中危害程度较大的零部件列入清单中。

作为优选方式，在S41中，采用概率统计分析方法，对零部件的故障原因、故障影响、补偿措施及发生概率进行统计分析。

作为优选方式，在S6中，根据零部件确切的维修更换方案获取零部件维修更换周期及其维修方式。

本发明的有益效果为：

1、本发明提供的一种基于大数据的铁路列车检测维修分析方法，采用了模块化划分理论对零部件的历史状态信息数据和零部件的历史故障检修日志数据进行分类聚类，通过大数据技术对分类聚类后的零部件历史状态信息数据进行分析处理，得到所有零部件的状态评估值，并结合FMECA技术对分类聚类后的零部件故障检修日志数据进行分析处理，为铁路列车检测维修计划提供理论指导，或作为修改设计时的立项依据，或者在制订维修计划时作为采取相应维修方式和确定维修周期的基础，便于制定零部件确切的维修更换方案，减小铁路列车的维修成本。

2、本发明提供的一种基于大数据的铁路列车检测维修分析方法，模块化划分理论具体为：首先对铁路线路中运行的列车按照列车型号进行分类，然后在同一型号列车中对各部件进行分类，再对同一类部件中的各零件进行分类，最后对所有的分类数据进行汇总存储。本发明提供的方法可以确定某型列车的某个零部件的维修位置及维修更换时间，对铁路列车的维修更有针对性。

3、本发明提供的一种基于大数据的铁路列车检测维修分析方法，利用Hadoop分布式框架系统对数据进行计算分析，再通过数据挖掘来提取零部件的状态评估值，并根据其故障模式的影响与危害度，能够及时的对零部件进行维修更换，降低列车运行的风险。

4、本发明提供的一种基于大数据的铁路列车检测维修分析方法，根据零部件确切的维修更换方案获取零部件维修更换周期及其维修方式，可以给出准确可靠的维修更换零部件的位置及周期，降低了维修成本。

附图说明

图1是本发明提供的一种基于大数据的铁路列车检测维修分析方法的流程图。

图2是本发明提供的一种基于大数据的铁路列车检测维修分析方法中模块化划分理论的分类示意图。

具体实施方式

下面结合附图及具体实施例对本发明作进一步阐述。

如图1所示，本实施例提供了一种基于大数据的铁路列车检测维修分析方法，包括以下步骤：

S1，对零部件的历史状态信息数据按照铁路列车系统的模块化划分理论进行分类聚类；

S2，应用大数据技术对分类聚类后的零部件历史状态信息数据进行计算分析，提取零部件的状态评估值；

S3，对零部件的历史故障检修日志数据按照铁路列车系统的模块化划分理论进行分类聚类；

S4，对分类聚类后的零部件故障检修日志数据进行零部件的故障模式影响及危害度分析；

S5，结合零部件的状态评估值和零部件的故障模式影响及危害度分析，对零部件的维修更换进行维修更换评估；

S6，根据零部件的维修更换评估结果，制定零部件确切的维修更换方案。

本发明提供的一种基于大数据的铁路列车检测维修分析方法，采用了模块化划分理论对零部件的历史状态信息数据和零部件的历史故障检修日志数据进行分类聚类，通过大数据技术对分类聚类后的零部件历史状态信息数据进行分析处理，得到所有零部件的状态评估值，并结合FMECA技术对分类聚类后的零部件故障检修日志数据进行分析处理，为铁路列车检测维修计划提供理论指导，或作为修改设计时的立项依据，或者在制订维修计划时作为采取相应维修方式和确定维修周期的基础，便于制定零部件确切的维修更换方案，减小铁路列车的维修成本。

在本实施方式中，模块化划分理论根据列车零部件的功能属性及零部件的结构依存关系来划分。模块化划分理论是指解决一个复杂问题时采用自顶向下的方式逐层把系统划分成若干模块，每个模块有多种属性，分别反映模块的内部特性。

如图2所示，进一步地，模块化划分理论具体为：首先对铁路线路中运行的列车按照列车型号进行分类，然后在同一型号列车中对各部件进行分类，再对同一类部件中的各零件进行分类，最后对所有的分类数据进行汇总存储，用于后面的计算分析。对各部件进行分类时，可以按照运输功能部件、旅客服务部件等部件进行分类，对各零件进行分类时，运输功能部件可以按照转向架、牵引电机等零件进行分类，旅客服务部件可以按照空调、照明等零件进行分类。本发明提供的方法可以确定某型列车的某个零部件的维修位置及维修更换时间，对铁路列车的维修更有针对性。

在本实施方式中，在S2中，应用大数据技术对分类聚类后的零部件历史状态信息数据进行计算分析包括利用Hadoop分布式框架系统对数据进行计算分析，再通过数据挖掘来提取零部件的状态评估值。Hadoop分布式框架系统是目前最完善的开发与处理大规模数据的系统框架，其分布式文件系统(Hadoop Distributed File System)，简称HDFS，HDFS有高容错性的特点，并且设计用来部署在低廉的硬件上；而且它提供高吞吐量来访问应用程序的数据，适合那些有着超大数据集的应用程序。Hadoop分布式框架系统最核心的设计就是HDFS和MapReduce，HDFS为海量的数据提供了存储，而MapReduce则为海量的数据提供了计算。通过此方法对零部件的状态信息进行数据挖掘，提取零部件的状态评估值，并根据其故障模式的影响与危害度，能够及时的对零部件进行维修更换，降低列车运行的风险。

在本实施方式中，在S4中，对分类聚类后的零部件故障检修日志数据进行零部件的故障模式影响及危害度分析包括以下步骤：

S41，分析零部件的故障检修数据，得到零部件的故障模式；

S42，对故障模式影响的严酷度进行量化；

S43，根据故障模式对铁路列车的各功能级别造成的影响和后果，确定主要的故障模式；

S44，将主要故障模式中危害程度较大的零部件列入清单中。

进一步地，在S41中，采用概率统计分析方法，对零部件的故障原因、故障影响、补偿措施及发生概率进行统计分析。通过零部件的故障模式影响及危害度分析，对故障模式影响的严酷度进行量化。根据各种故障现象对轨道列车各功能级别造成的影响和后果，确定主要故障模式，把分析结果中危害性大的零部件列出清单来，以便对这些关键零部件采取必要的措施，或作为修改设计时的立项依据，或者在制订维修计划时作为采取相应维修方式和确定维修周期的基础。

在本实施方式中，在S6中，根据零部件确切的维修更换方案获取零部件维修更换周期及其维修方式，该零部件维修更换周期及其维修方式为最优的维修更换方案得出的，最优的维修更换方案具有成本的特点。通过具体的零部件维修更换周期及其维修方式，可以给出准确可靠的维修更换零部件的位置及周期，降低了铁路列车维修成本。

本发明不局限于上述可选的实施方式，任何人在本发明的启示下都可得出其他各种形式的产品。上述具体实施方式不应理解成对本发明的保护范围的限制，本发明的保护范围应当以权利要求书中界定的为准，并且说明书可以用于解释权利要求书。

Claims (7)

1.基于大数据的铁路列车检测维修分析方法，其特征在于，包括以下步骤：

S1，对零部件的历史状态信息数据按照铁路列车系统的模块化划分理论进行分类聚类；

S2，应用大数据技术对分类聚类后的零部件历史状态信息数据进行计算分析，提取零部件的状态评估值；

S3，对零部件的历史故障检修日志数据按照铁路列车系统的模块化划分理论进行分类聚类；

S4，对分类聚类后的零部件故障检修日志数据进行零部件的故障模式影响及危害度分析；

S5，结合零部件的状态评估值和零部件的故障模式影响及危害度分析，对零部件的维修更换进行维修更换评估；

S6，根据零部件的维修更换评估结果，制定零部件确切的维修更换方案。

2.根据权利要求1所述的基于大数据的铁路列车检测维修分析方法，其特征在于，模块化划分理论根据列车零部件的功能属性及零部件的结构依存关系来划分。

3.根据权利要求2所述的基于大数据的铁路列车检测维修分析方法，其特征在于，模块化划分理论具体为：首先对铁路线路中运行的列车按照列车型号进行分类，然后在同一型号列车中对各部件进行分类，再对同一类部件中的各零件进行分类，最后对所有的分类数据进行汇总存储。

4.根据权利要求1所述的基于大数据的铁路列车检测维修分析方法，其特征在于，在S2中，应用大数据技术对分类聚类后的零部件历史状态信息数据进行计算分析包括利用Hadoop分布式框架系统对数据进行计算分析，再通过数据挖掘来提取零部件的状态评估值。

5.根据权利要求1所述的基于大数据的铁路列车检测维修分析方法，其特征在于，在S4中，对分类聚类后的零部件故障检修日志数据进行零部件的故障模式影响及危害度分析包括以下步骤：

S41，分析零部件的故障检修数据，得到零部件的故障模式；

S42，对故障模式影响的严酷度进行量化；

S43，根据故障模式对铁路列车的各功能级别造成的影响和后果，确定主要的故障模式；

S44，将主要故障模式中危害程度较大的零部件列入清单中。

6.根据权利要求5所述的基于大数据的铁路列车检测维修分析方法，其特征在于，在S41中，采用概率统计分析方法，对零部件的故障原因、故障影响、补偿措施及发生概率进行统计分析。

7.根据权利要求1所述的基于大数据的铁路列车检测维修分析方法，其特征在于，在S6中，根据零部件确切的维修更换方案获取零部件维修更换周期及其维修方式。