CN110149652A - 一种车载移动台的故障检测方法和装置 - Google Patents

Abstract

本发明实施例公开了一种车载移动台的故障检测方法和装置，该方法包括：采集车载移动台的大数据；大数据包括：GSM‑R无线网络Abis接口的测量报告数据、A接口切换信令数据和Igsm‑r接口的AT命令数据；依据大数据建立预设的故障检测参数与列车参数之间的关联关系，并获取一个或多个关联数据集；根据不同的故障检测参数和相应的关联数据集进行相应的故障检测计算，并根据计算结果确定车载移动台是否出现故障。通过该实施例方案，实现了将大数据引入铁路通信信号领域，把当前铁路维护水平从人工发现故障、手工分析故障提升到自动发现故障、自动分析故障的水平，达到防患于未然的目的，提高了故障处理效率。

Description

一种车载移动台的故障检测方法和装置

技术领域

本发明实施例涉及列车控制技术，尤指一种车载移动台的故障检测方法和装置。

背景技术

随着大数据技术和人工智能技术的迅速发展，越来越多的相关应用在互联网领域中得到充分的应用，但是受限于一些因素，在传统技术领域中，这些先进技术还没有得到充分利用。例如，当前铁路维护水平仍处于人工发现故障、手工分析故障的水平，使得多数故障未能及时发现并处理，更难以达到预先对故障进行预测，防患于未然的目的。

因此，急需将先进技术引进铁路故障处理领域，提升铁路通信信号维护水平，做到防患于未然。

发明内容

本发明实施例提供了一种车载移动台的故障检测方法和装置，能够将大数据引入铁路通信信号领域，把当前铁路维护水平从人工发现故障、手工分析故障提升到自动发现故障、自动分析故障的水平，达到防患于未然的目的，提高故障处理效率。

为了达到本发明实施例目的，本发明实施例提供了一种车载移动台的故障检测方法，所述方法可以包括：

采集车载移动台的大数据；所述大数据包括：铁路综合数字移动通信系统GSM-R无线网络Abis接口的测量报告数据、A接口切换信令数据和Igsm-r接口的AT命令数据；所述Igsmr接口是移动终端MT与列车超速防护ATP之间的物理接口；所述A接口是指GSM-R网络移动交换中心MSC与基站子系统BSS系统之间物理接口；

依据所述大数据建立预设的故障检测参数与列车参数之间的关联关系，并获取一个或多个关联数据集；所述关联关系是指不同的列车参数与相应的故障检测参数之间的对应关系；

根据不同的故障检测参数和相应的关联数据集进行相应的故障检测计算，并根据计算结果确定车载移动台是否出现故障。

在本发明的示例性实施例中，所述故障检测参数可以包括以下任意一种或多种：上行电平、上行质量、切换失败率、网络注册失败率和SIM卡故障频率；其中，所述上行电平是指移动终端MT发射功率，所述上行质量是指MT发送的信息被基站收发信机BTS正确接受的比率；

所述列车参数可以包括以下任意一种或多种：BTS、时间段、定时提前量TA、机车号和移动用户号码MSISDN。

在本发明的示例性实施例中，所述关联数据集可以包括：第一关联数据集；

所述第一关联数据集可以包括：以下任意一个列车参数发生变化时对应的上行电平的数值以及相应的对应关系：所述BTS、所述时间段、所述机车号以及所述MSISDN；

其中，同一个BTS、时间段、机车号以及MSISDN下对应的多个上行电平的数值以及相应的对应关系可以组成一个第一子关联数据集；多个所述第一子关联数据集可以组成所述第一关联数据集。

在本发明的示例性实施例中，对于所述第一关联数据集，所述根据不同的故障检测参数和相应的关联数据集进行相应的故障检测计算，并根据计算结果确定车载移动台是否出现故障可以包括：

分别针对每个BTS进行以下计算：计算当前BTS下所有时间段、所有机车号和所有MSISDN的上行电平的第一平均值，并计算所述当前BTS下每个时间段、每个机车号以及每个MSISDN的上行电平的第二平均值；计算所述第二平均值和所述第一平均值的差值；将所述差值与预设的一个或多个配置阈值相比较；确定所述差值是否小于任意一个配置阈值；

从全部BTS中获取所述差值小于任意一个配置阈值的第一BTS；

统计全部所述第一BTS在所述全部BTS中的占比；

当所述占比达到预设的比例阈值时，确定该车载移动台的上行发射信号有故障。

在本发明的示例性实施例中，所述关联数据集可以包括：第二关联数据集；

所述第二关联数据集可以包括：以下任意一个列车参数发生变化时对应的上行电平的数值以及相应的对应关系：所述BTS、所述时间段、所述TA、所述机车号以及所述MSISDN；

其中，同一个BTS、时间段、TA、机车号以及MSISDN下对应的多个上行电平的数值以及相应的对应关系可以组成一个第二子关联数据集；多个所述第二子关联数据集可以组成所述第二关联数据集。

在本发明的示例性实施例中，对于所述第二关联数据集，所述根据不同的故障检测参数和相应的关联数据集进行相应的故障检测计算，并根据计算结果确定车载移动台是否出现故障可以包括：

拟合出全部BTS下按时间排序的所述上行电平的全部平均值对应的高阶多项式曲线；其中，所述高阶多项式曲线的横轴为时间，纵轴为所述上行电平的平均值；

在预设时段内，根据所述高阶多项式拟合曲线上的极大值和极小值确定出一条一阶曲线，并在所述一阶曲线的斜率为负值时确定所述车载移动台在所述预设时段内的工作性能下降。

在本发明的示例性实施例中，所述关联数据集可以包括：第三关联数据集；

所述第三关联数据集可以包括：以下任意一个列车参数发生变化时对应的上行质量以及相应的对应关系：所述BTS、所述时间段、所述机车号以及所述MSISDN；

其中，同一个BTS、时间段、机车号以及MSISDN下对应的多个上行质量以及相应的对应关系可以组成一个第三子关联数据集；多个所述第三子关联数据集可以组成所述第三关联数据集。

在本发明的示例性实施例中，对于所述第三关联数据集，所述根据不同的故障检测参数和相应的关联数据集进行相应的故障检测计算，并根据计算结果确定车载移动台是否出现故障可以包括：

计算全部BTS下按时间排序的全部上行质量中的恶化上行质量点的数量在全部上行质量点的数量中的占比；

当所述占比大于或等于预设的占比阈值时，判断车辆对车载移动台干扰是否恶化以及车载移动台是否天馈故障。

在本发明的示例性实施例中，所述关联数据集可以包括：第四关联数据集；

所述第四关联数据集可以包括：以下任意一个列车参数发生变化时对应的切换失败率以及相应的对应关系：所述BTS、所述时间段、所述机车号以及所述MSISDN；

其中，同一个BTS、时间段、机车号以及MSISDN下对应的多个切换失败率以及相应的对应关系可以组成一个第四子关联数据集；多个所述第四子关联数据集可以组成所述第四关联数据集；

对于所述第四关联数据集，所述根据不同的故障检测参数和相应的关联数据集进行相应的故障检测计算，并根据计算结果确定车载移动台是否出现故障可以包括：

计算每辆车按时间排序时的切换失败率；

统计所述切换失败率的变化趋势；

当所述切换失败率逐渐增大时确定所述车载移动台本身的软硬件工作性能下降，并在所述切换失败率达到预设的失败率阈值时对于相应的车载移动台进行更新。

本发明实施例还提供了一种车载移动台的故障检测装置，可以包括处理器和计算机可读存储介质，所述计算机可读存储介质中存储有指令，当所述指令被所述处理器执行时，可以实现上述任意一项所述的车载移动台的故障检测方法。

本发明实施例可以包括：采集车载移动台的大数据；所述大数据包括：铁路综合数字移动通信系统GSM-R无线网络Abis接口的测量报告数据、A接口切换信令数据和Igsm-r接口的AT命令数据；所述Igsmr接口是移动终端MT与列车超速防护ATP之间的物理接口；所述A接口是指GSM-R网络移动交换中心MSC与基站子系统BSS系统之间物理接口；依据所述大数据建立预设的故障检测参数与列车参数之间的关联关系，并获取一个或多个关联数据集；所述关联关系是指不同的列车参数与相应的故障检测参数之间的对应关系；根据不同的故障检测参数和相应的关联数据集进行相应的故障检测计算，并根据计算结果确定车载移动台是否出现故障。通过该实施例方案，实现了将大数据引入铁路通信信号领域，把当前铁路维护水平从人工发现故障、手工分析故障提升到自动发现故障、自动分析故障的水平，达到防患于未然的目的，提高了故障处理效率。

本发明实施例的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。

附图说明

附图用来提供对本发明技术方案的进一步理解，并且构成说明书的一部分，与本申请的实施例一起用于解释本发明的技术方案，并不构成对本发明技术方案的限制。

图1为本发明实施例的车载移动台的故障检测方法流程图；

图2为本发明实施例的对于第一关联数据集，根据不同的故障检测参数和相应的关联数据集进行相应的故障检测计算，并根据计算结果确定车载移动台是否出现故障的方法流程图；

图3为本发明实施例的对于第二关联数据集，根据不同的故障检测参数和相应的关联数据集进行相应的故障检测计算，并根据计算结果确定车载移动台是否出现故障的方法流程图；

图4为本发明实施例的对于第三关联数据集，根据不同的故障检测参数和相应的关联数据集进行相应的故障检测计算，并根据计算结果确定车载移动台是否出现故障的方法流程图；

图5为本发明实施例的对于第四关联数据集，根据不同的故障检测参数和相应的关联数据集进行相应的故障检测计算，并根据计算结果确定车载移动台是否出现故障的方法流程图；

图6为本发明实施例的对于第五关联数据集，根据不同的故障检测参数和相应的关联数据集进行相应的故障检测计算，并根据计算结果确定车载移动台是否出现故障的方法流程图；

图7为本发明实施例的铁路业务呼叫故障预测装置示意图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚明白，下文中将结合附图对本发明的实施例进行详细说明。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互任意组合。

在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行。并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。

为了达到本发明实施例目的，本发明实施例提供了一种车载移动台的故障检测方法，如图1所示，所述方法可以包括S101-S103：

S101、采集车载移动台的大数据；所述大数据包括：铁路综合数字移动通信系统GSM-R无线网络Abis接口的测量报告数据、A接口切换信令数据和Igsm-r接口的AT命令(或AT指令)数据。

在本发明的示例性实施例中，本发明实施例方案使用大量的GSM-R无线网络Abis接口(Abis接口是指移动通信基站BTS和基站控制器BSC之间的接口)的测量报告数据、A接口(指GSM-R网络移动交换中心MSC与基站子系统BSS系统之间物理接口)切换信令、Igsm-r接口(移动终端MT与列车超速防护ATP，如STU-V或GCD或RIM之间的物理接口)AT命令等数据，结合多个维度检测车载移动台故障。

S102、依据所述大数据建立预设的故障检测参数与列车参数之间的关联关系，并获取一个或多个关联数据集；所述关联关系是指不同的列车参数与相应的故障检测参数之间的对应关系。

S103、根据不同的故障检测参数和相应的关联数据集进行相应的故障检测计算，并根据计算结果确定车载移动台是否出现故障。

在本发明的示例性实施例中，所述故障检测参数可以包括以下任意一种或多种：上行电平、上行质量、切换失败率、网络注册失败率和SIM卡故障频率；其中，所述上行电平是指移动终端MT发射功率，所述上行质量是指MT发送的信息被基站收发信机BTS正确接受的比率；

所述列车参数可以包括以下任意一种或多种：BTS、时间段、定时提前量TA、机车号和移动用户号码MSISDN。

在本发明的示例性实施例中，所述关联数据集可以包括：第一关联数据集；

所述第一关联数据集可以包括：以下任意一个列车参数发生变化时对应的上行电平的数值以及相应的对应关系：所述BTS、所述时间段、所述机车号以及所述MSISDN。

在本发明的示例性实施例中，可以利用Spark(计算引擎)与HBase(分布式的、面向列的开源数据库)的软件接口，加载指定时间范围内Abis接口的测量报告，遍历所有测量报告，并可以按照(BTS、时间段、机车号、MSISDN)->(上行电平)把数据划分成关联数据集，即上述的第一关联数据集。

在本发明的示例性实施例中，同一个BTS、时间段、机车号以及MSISDN下对应的多个上行电平的数值以及相应的对应关系可以组成一个第一子关联数据集；多个所述第一子关联数据集可以组成所述第一关联数据集。

在本发明的示例性实施例中，打个比方，例如存在以下数据：

(BTS1，4月1号5点-6点，155机车，123456789)->(-47)；

(BTS1，4月1号5点-6点，155机车，123456789)->(-48)；

(BTS1，4月1号5点-6点，155机车，123456789)->(-50)；

……。

对应关系为：(BTS1，4月1号5点-6点，155机车，123456789)与上行电平(-47)、(-48)和(-50)分别相对应。

在本发明的示例性实施例中，上述的这一组数据(可以包括n个对应关系，相应地有n个上行电平，n为正整数)和相应的对应关系可以组成一个第一子关联数据集。

在本发明的示例性实施例中，(BTS1，4月1号5点-6点，155机车，123456789)中的任何一个数值变化，均可以对应多个上行电平。

在本发明的示例性实施例中，打个比方，例如存在以下数据：

(BTS2，4月1号5点-6点，155机车，123456789)->(-49)；

(BTS2，4月1号5点-6点，155机车，123456789)->(-47)；

(BTS2，4月1号5点-6点，155机车，123456789)->(-50)；

……。

对应关系为：(BTS2，4月1号5点-6点，155机车，123456789)与上行电平(-49)、(-47)和(-50)分别相对应。

在本发明的示例性实施例中，上述的这一组数据(可以包括m个对应关系，相应地有m个上行电平，m为正整数)和相应的对应关系可以组成一个第一子关联数据集。

在本发明的示例性实施例中，(BTS2，4月1号5点-6点，155机车，123456789)中的任何一个数值变化，均可以对应多个上行电平。

在本发明的示例性实施例中，上述的两个实施例是依据不同的BTS来划分不同的第一子关联数据集，在其他实施例中，也可以依据时间段、机车号和MSISDN等进行划分，在此对于划分依据不做具体限制。

在本发明的示例性实施例中，如图2所示，对于所述第一关联数据集，所述根据不同的故障检测参数和相应的关联数据集进行相应的故障检测计算，并根据计算结果确定车载移动台是否出现故障可以包括S201-S204：

S201、分别针对每个BTS进行以下计算：计算当前BTS下所有时间段、所有机车号和所有MSISDN的上行电平的第一平均值，并计算所述当前BTS下每个时间段、每个机车号以及每个MSISDN的上行电平的第二平均值；计算所述第二平均值和所述第一平均值的差值；将所述差值与预设的一个或多个配置阈值相比较；确定所述差值是否小于任意一个配置阈值；

S202、从全部BTS中获取所述差值小于任意一个配置阈值的第一BTS；

S203、统计全部所述第一BTS在所述全部BTS中的占比；

S204、当所述占比达到预设的比例阈值时，确定该车载移动台的上行发射信号有故障。

在本发明的示例性实施例中，对于第一关联数据集(BTS、时间段、机车号、MSISDN)->(上行电平)，可以计算上行电平与某一BTS下所有时间段、机车号和MSISDN的上行电平的平均值的差值，并在该差值小于某个配置阈值时，将该BTS进行标记，例如，标记为上述的第一BTS，并统计第一BTS在全部BTS中的占比，当该占比达到一定的数值，即上述的比例阈值(如90％)时，可以确定该车载移动台上行发射信号有故障。

在本发明的示例性实施例中，所述关联数据集可以包括：第二关联数据集；

所述第二关联数据集可以包括：以下任意一个列车参数发生变化时对应的上行电平的数值以及相应的对应关系：所述BTS、所述时间段、所述TA、所述机车号以及所述MSISDN。

在本发明的示例性实施例中，可以利用Spark与HBase的软件接口，加载指定时间范围内Abis接口的测量报告，遍历所有测量报告，并可以按照(BTS、时间段、定时提前量TA、机车号、MSISDN)->(上行电平)把数据划分成关联数据集，即上述的第二关联数据集。

在本发明的示例性实施例中，同一个BTS、时间段、TA、机车号以及MSISDN下对应的多个上行电平的数值以及相应的对应关系可以组成一个第二子关联数据集；多个所述第二子关联数据集可以组成所述第二关联数据集。

在本发明的示例性实施例中，第二关联数据集的具体组成方案可以依据第一关联数据集的组成方案，在此不再赘述。

在本发明的示例性实施例中，(BTS、时间段、TA、机车号、MSISDN)中的任何一个数值变化，均可以对应多个上行电平。

在本发明的示例性实施例中，如图3所示，对于所述第二关联数据集，所述根据不同的故障检测参数和相应的关联数据集进行相应的故障检测计算，并根据计算结果确定车载移动台是否出现故障可以包括S301-S302：

S301、拟合出全部BTS下按时间排序的所述上行电平的全部平均值对应的高阶多项式曲线；其中，所述高阶多项式曲线的横轴为时间，纵轴为所述上行电平的平均值；

S302、在预设时段内，根据所述高阶多项式拟合曲线上的极大值和极小值确定出一条一阶曲线，并在所述一阶曲线的斜率为负值时确定所述车载移动台在所述预设时段内的工作性能下降。

在本发明的示例性实施例中，对于数据集(BTS、时间段、TA、机车号、MSISDN)->(上行电平)计算所有区段按时间排序的均值点的高阶多项式曲线，然后再取所有局部最优和最差(如极大值和极小值)点的一阶曲线，根据该一阶曲线的斜率可以得到车载移动台的工作性能是否下降。

在本发明的示例性实施例中，举个例子，例如，计算180天的高阶多项式曲线时，每天的均值至少为一个点，就有180个点，根据该180个点可以计算出对应的高阶多项式，并确定出一条高阶多项式曲线。然后可以根据这条180天的数据曲线，计算出180天的曲线极值点，并拟合出相应的一阶曲线，即该极大值和极小值电平确定出一条直线，从而根据这条直线的斜率确定车载移动台的工作性能是否下降。

在本发明的示例性实施例中，可以用一阶曲线的斜率去预测未来时间车载移动台的工作性能，具体地，可以在一阶曲线的斜率为负值时确定所述车载移动台在当前预设时段内的工作性能下降。

在本发明的示例性实施例中，一阶曲线的纵轴是MT的工作电平(上行电平)，当工作电平到了不同的值(通过曲线预测)，会对应不同的时间，该时间就是预测移动台达到当前工作电平的时间，因此，可以根据设定的不同的工作电平值来确定检测或者更新的时间，从而可以预测移动台的检测更新频率。

在本发明的示例性实施例中，所述关联数据集可以包括：第三关联数据集；

所述第三关联数据集可以包括：以下任意一个列车参数发生变化时对应的上行质量以及相应的对应关系：所述BTS、所述时间段、所述机车号以及所述MSISDN。

在本发明的示例性实施例中，可以利用Spark与HBase的软件接口，加载指定时间范围内Abis接口的测量报告，遍历所有测量报告，并可以按照(BTS、时间段、机车号、MSISDN)->(上行质量)把数据划分成关联数据集，即上述的第三关联数据集。

在本发明的示例性实施例中，同一个BTS、时间段、机车号以及MSISDN下对应的多个上行质量以及相应的对应关系可以组成一个第三子关联数据集；多个所述第三子关联数据集可以组成所述第三关联数据集。

在本发明的示例性实施例中，第三关联数据集的具体组成方案可以依据第一关联数据集的组成方案，在此不再赘述。

在本发明的示例性实施例中，(BTS、时间段、机车号、MSISDN)中的任何一个数值变化，均可以对应多个上行质量。

在本发明的示例性实施例中，如图4所示，对于所述第三关联数据集，所述根据不同的故障检测参数和相应的关联数据集进行相应的故障检测计算，并根据计算结果确定车载移动台是否出现故障可以包括S401-S402：

S401、计算全部BTS下按时间排序的全部上行质量中的恶化上行质量点的数量在全部上行质量点的数量中的占比；

S402、当所述占比大于或等于预设的占比阈值时，判断车辆对车载移动台干扰是否恶化以及车载移动台是否天馈故障。

在本发明的示例性实施例中，对于数据集(BTS、时间段、机车号、MSISDN)->(上行质量)，可以计算所有区段按时间排序的上行质量恶化点的数量占比，由此找寻车辆对车载移动台干扰是否恶化，从而确定移动台天馈的故障。

在本发明的示例性实施例中，所述关联数据集可以包括：第四关联数据集；

所述第四关联数据集可以包括：以下任意一个列车参数发生变化时对应的切换失败率以及相应的对应关系：所述BTS、所述时间段、所述机车号以及所述MSISDN。

在本发明的示例性实施例中，可以加载指定时间范围内A接口切换信令，按照(BTS、时间段、机车号、MSISDN)->(切换相关信令，主要指切换失败率)把数据划分为关联数据集，即上述的第四关联数据集。

在本发明的示例性实施例中，同一个BTS、时间段、机车号以及MSISDN下对应的多个切换失败率以及相应的对应关系可以组成一个第四子关联数据集；多个所述第四子关联数据集可以组成所述第四关联数据集；

在本发明的示例性实施例中，第四关联数据集的具体组成方案可以依据第一关联数据集的组成方案，在此不再赘述。

在本发明的示例性实施例中，(BTS、时间段、机车号、MSISDN)中的任何一个数值变化，均可以对应多个切换失败率。

在本发明的示例性实施例中，如图5所示，对于所述第四关联数据集，所述根据不同的故障检测参数和相应的关联数据集进行相应的故障检测计算，并根据计算结果确定车载移动台是否出现故障可以包括S501-S503：

S501、计算每辆车按时间排序时的切换失败率；

S502、统计所述切换失败率的变化趋势；

S503、当所述切换失败率逐渐增大时确定所述车载移动台本身的软硬件工作性能下降，并在所述切换失败率达到预设的失败率阈值时对于相应的车载移动台进行更新。

在本发明的示例性实施例中，对于数据集(BTS、时间段、机车号、MSISDN)->(切换相关信令)，可以计算每辆车按时间排序，切换失败率的变化趋势，确定车载移动台本身软硬件工作性能，并可以对于频发切换失败的移动台进行更新处理。

在本发明的示例性实施例中，所述关联数据集可以包括：第五关联数据集；

所述第五关联数据集可以包括：以下任意一个列车参数发生变化时对应的网络注册失败率或SIM卡故障频率，以及相应的对应关系：所述时间段、所述机车号以及所述MSISDN。

在本发明的示例性实施例中，可以加载指定时间范围内Igsm-r接口AT命令，按照(时间段、机车号、MSISDN)->(AT命令，主要指网络注册失败率或SIM卡故障频率这两类AT命令)把数据划分为关联数据集，即上述的第五关联数据集。

在本发明的示例性实施例中，同一个时间段、机车号以及MSISDN下对应的多个网络注册失败率或SIM卡故障频率，以及相应的对应关系，可以组成一个第五子关联数据集；多个所述第五子关联数据集可以组成所述第五关联数据集；

在本发明的示例性实施例中，第五关联数据集的具体组成方案可以依据第一关联数据集的组成方案，在此不再赘述。

在本发明的示例性实施例中，(时间段、机车号、MSISDN)中的任何一个数值变化，均可以对应多个网络注册失败率或SIM卡故障频率。

在本发明的示例性实施例中，如图6所示，对于所述第五关联数据集，所述根据不同的故障检测参数和相应的关联数据集进行相应的故障检测计算，并根据计算结果确定车载移动台是否出现故障可以包括S601-S602：

S601、计算每辆车按时间排序时的网络注册失败率或SIM卡故障频率；

S602、当所述网络注册失败率大于或等于预设的失败率阈值，或所述SIM卡故障频率大于或等于预设的频率阈值时，确定车载移动台的SIM卡故障。

在本发明的示例性实施例中，对于数据集(时间段、机车号、MSISDN)->(AT命令)，可以计算每辆车按时间排序，出现网络注册不上/SIM卡故障的频率(即网络注册失败率或SIM卡故障频率)，从而根据该网络注册失败率或SIM卡故障频率确定车载移动台的SIM卡是否故障，是否需要更换。

在本发明的示例性实施例中，通过该实施例方案，实现了将大数据引入铁路通信信号领域，把当前铁路维护水平从人工发现故障、手工分析故障提升到自动发现故障、自动分析故障的水平，达到防患于未然的目的，提高了故障处理效率。

本发明实施例还提供了一种车载移动台的故障检测装置1，如图7所示，可以包括处理器11和计算机可读存储介质12，所述计算机可读存储介质12中存储有指令，当所述指令被所述处理器11执行时，实现上述任意一项所述的车载移动台的故障检测方法。

本发明实施例可以包括：采集车载移动台的大数据；所述大数据包括：铁路综合数字移动通信系统GSM-R无线网络Abis接口的测量报告数据、A接口切换信令数据和Igsm-r接口的AT命令数据；依据所述大数据建立预设的故障检测参数与列车参数之间的关联关系，并获取一个或多个关联数据集；所述关联关系是指不同的列车参数与相应的故障检测参数之间的对应关系；根据不同的故障检测参数和相应的关联数据集进行相应的故障检测计算，并根据计算结果确定车载移动台是否出现故障。通过该实施例方案，实现了将大数据引入铁路通信信号领域，把当前铁路维护水平从人工发现故障、手工分析故障提升到自动发现故障、自动分析故障的水平，达到防患于未然的目的，提高了故障处理效率。

本领域普通技术人员可以理解，上文中所公开方法中的全部或某些步骤、系统、装置中的功能模块/单元可以被实施为软件、固件、硬件及其适当的组合。在硬件实施方式中，在以上描述中提及的功能模块/单元之间的划分不一定对应于物理组件的划分；例如，一个物理组件可以具有多个功能，或者一个功能或步骤可以由若干物理组件合作执行。某些组件或所有组件可以被实施为由处理器，如数字信号处理器或微处理器执行的软件，或者被实施为硬件，或者被实施为集成电路，如专用集成电路。这样的软件可以分布在计算机可读介质上，计算机可读介质可以包括计算机存储介质(或非暂时性介质)和通信介质(或暂时性介质)。如本领域普通技术人员公知的，术语计算机存储介质包括在用于存储信息(诸如计算机可读指令、数据结构、程序模块或其他数据)的任何方法或技术中实施的易失性和非易失性、可移除和不可移除介质。计算机存储介质包括但不限于RAM、ROM、EEPROM、闪存或其他存储器技术、CD-ROM、数字多功能盘(DVD)或其他光盘存储、磁盒、磁带、磁盘存储或其他磁存储装置、或者可以用于存储期望的信息并且可以被计算机访问的任何其他的介质。此外，本领域普通技术人员公知的是，通信介质通常包含计算机可读指令、数据结构、程序模块或者诸如载波或其他传输机制之类的调制数据信号中的其他数据，并且可包括任何信息递送介质。

Claims (10)

1.一种车载移动台的故障检测方法，其特征在于，所述方法包括：

采集车载移动台的大数据；所述大数据包括：铁路综合数字移动通信系统GSM-R无线网络Abis接口的测量报告数据、A接口切换信令数据和Igsm-r接口的AT命令数据；所述Igsmr接口是移动终端MT与列车超速防护ATP之间的物理接口；所述A接口是指GSM-R网络移动交换中心MSC与基站子系统BSS系统之间物理接口；

依据所述大数据建立预设的故障检测参数与列车参数之间的关联关系，并获取一个或多个关联数据集；所述关联关系是指不同的列车参数与相应的故障检测参数之间的对应关系；

根据不同的故障检测参数和相应的关联数据集进行相应的故障检测计算，并根据计算结果确定车载移动台是否出现故障。

2.根据权利要求1所述的车载移动台的故障检测方法，其特征在于，所述故障检测参数包括以下任意一种或多种：上行电平、上行质量、切换失败率、网络注册失败率和SIM卡故障频率；其中，所述上行电平是指MT发射功率，所述上行质量是指MT发送的信息被基站收发信机BTS正确接受的比率；

所述列车参数包括以下任意一种或多种：BTS、时间段、定时提前量TA、机车号和移动用户号码MSISDN。

3.根据权利要求2所述的车载移动台的故障检测方法，其特征在于，所述关联数据集包括：第一关联数据集；

所述第一关联数据集包括：以下任意一个列车参数发生变化时对应的上行电平的数值以及相应的对应关系：所述BTS、所述时间段、所述机车号以及所述MSISDN；

其中，同一个BTS、时间段、机车号以及MSISDN下对应的多个上行电平的数值以及相应的对应关系组成一个第一子关联数据集；多个所述第一子关联数据集组成所述第一关联数据集。

4.根据权利要求3所述的车载移动台的故障检测方法，其特征在于，对于所述第一关联数据集，所述根据不同的故障检测参数和相应的关联数据集进行相应的故障检测计算，并根据计算结果确定车载移动台是否出现故障包括：

分别针对每个BTS进行以下计算：计算当前BTS下所有时间段、所有机车号和所有MSISDN的上行电平的第一平均值，并计算所述当前BTS下每个时间段、每个机车号以及每个MSISDN的上行电平的第二平均值；计算所述第二平均值和所述第一平均值的差值；将所述差值与预设的一个或多个配置阈值相比较；确定所述差值是否小于任意一个配置阈值；

从全部BTS中获取所述差值小于任意一个配置阈值的第一BTS；

统计全部所述第一BTS在所述全部BTS中的占比；

当所述占比达到预设的比例阈值时，确定该车载移动台的上行发射信号有故障。

5.根据权利要求2所述的车载移动台的故障检测方法，其特征在于，所述关联数据集包括：第二关联数据集；

所述第二关联数据集包括：以下任意一个列车参数发生变化时对应的上行电平的数值以及相应的对应关系：所述BTS、所述时间段、所述TA、所述机车号以及所述MSISDN；

其中，同一个BTS、时间段、TA、机车号以及MSISDN下对应的多个上行电平的数值以及相应的对应关系组成一个第二子关联数据集；多个所述第二子关联数据集组成所述第二关联数据集。

6.根据权利要求5所述的车载移动台的故障检测方法，其特征在于，对于所述第二关联数据集，所述根据不同的故障检测参数和相应的关联数据集进行相应的故障检测计算，并根据计算结果确定车载移动台是否出现故障包括：

拟合出全部BTS下按时间排序的所述上行电平的全部平均值对应的高阶多项式曲线；其中，所述高阶多项式曲线的横轴为时间，纵轴为所述上行电平的平均值；

在预设时段内，根据所述高阶多项式拟合曲线上的极大值和极小值确定出一条一阶曲线，并在所述一阶曲线的斜率为负值时确定所述车载移动台在所述预设时段内的工作性能下降。

7.根据权利要求2所述的车载移动台的故障检测方法，其特征在于，所述关联数据集包括：第三关联数据集；

所述第三关联数据集包括：以下任意一个列车参数发生变化时对应的上行质量以及相应的对应关系：所述BTS、所述时间段、所述机车号以及所述MSISDN；

其中，同一个BTS、时间段、机车号以及MSISDN下对应的多个上行质量以及相应的对应关系组成一个第三子关联数据集；多个所述第三子关联数据集组成所述第三关联数据集。

8.根据权利要求7所述的车载移动台的故障检测方法，其特征在于，对于所述第三关联数据集，所述根据不同的故障检测参数和相应的关联数据集进行相应的故障检测计算，并根据计算结果确定车载移动台是否出现故障包括：

计算全部BTS下按时间排序的全部上行质量中的恶化上行质量点的数量在全部上行质量点的数量中的占比；

当所述占比大于或等于预设的占比阈值时，判断车辆对车载移动台干扰是否恶化以及车载移动台是否天馈故障。

9.根据权利要求2所述的车载移动台的故障检测方法，其特征在于，所述关联数据集包括：第四关联数据集；

所述第四关联数据集包括：以下任意一个列车参数发生变化时对应的切换失败率以及相应的对应关系：所述BTS、所述时间段、所述机车号以及所述MSISDN；

其中，同一个BTS、时间段、机车号以及MSISDN下对应的多个切换失败率以及相应的对应关系组成一个第四子关联数据集；多个所述第四子关联数据集组成所述第四关联数据集；

对于所述第四关联数据集，所述根据不同的故障检测参数和相应的关联数据集进行相应的故障检测计算，并根据计算结果确定车载移动台是否出现故障包括：

计算每辆车按时间排序时的切换失败率；

统计所述切换失败率的变化趋势；

当所述切换失败率逐渐增大时确定所述车载移动台本身的软硬件工作性能下降，并在所述切换失败率达到预设的失败率阈值时对于相应的车载移动台进行更新。

10.一种车载移动台的故障检测装置，包括处理器和计算机可读存储介质，所述计算机可读存储介质中存储有指令，其特征在于，当所述指令被所述处理器执行时，实现如权利要求1-9任意一项所述的车载移动台的故障检测方法。