CN110989556B - 一种车载设备的故障诊断方法及系统 - Google Patents

Abstract

本发明实施例公开了一种车载设备的故障诊断方法及系统，方法包括：将带有停车精度信息的报文发送至对应的消息队列中；将消息队列中的停车精度信息进行归纳划分，并对车载设备进行关系绑定，得到处理后停车精度数据；计算得到健康状况，并根据健康状况进行车载设备的故障诊断。通过报文解析、归纳划分和关系绑定，得到处理后停车精度数据，能够直观反应列车在站台下的停车状况；通过处理后停车精度数据得到健康状况并进行车载设备的故障诊断，能够提前感知车载设备的疲惫、磨损、腐蚀等运行状态，降低车载设备发生故障的风险，保障了ATO系统的高效运行，同时提升城市轨道列车停车的精准度，为乘客的安全出行提供保障。

Description

一种车载设备的故障诊断方法及系统

技术领域

本发明涉及轨道交通技术领域，具体涉及一种车载设备的故障诊断方法及系统。

背景技术

基于停车精度数据分析的车载设备的故障诊断技术是通过对停车位置精度数据采集收集，并将数据以图表形式展示到客户端，以便相关技术人员通过可视化的停车精度数据分析车载设备故障的诊断技术。在城市轨道交通列车运行过程中，停车精度数据是反应列车的制动系统、信号系统、牵引控制系统和各条线路环境共同影响下产生的结果数据。通过研究分析停车精度数据，我们可以从侧面获知车载的制动系统、信号系统、牵引控制系统的健康状况，为车载设备的故障诊断依据提供更全面的数据支持。

现有技术对于城市轨道交通车载设备的故障诊断，技术人员只能通过车载设备主动上报故障消息去排查车载设备的故障报警，这种处理方式针对车载设备的故障诊断，数据来源较为单一，缺少更全面的数据去分析故障问题，难以挖掘车载设备故障的未知联系，缺少对车载设备的疲惫、磨损、腐蚀等运行状态的提前感知，同时缺少对ATO(列车自动驾驶)系统健康状况的全面分析。

发明内容

由于现有方法存在上述问题，本发明实施例提出一种车载设备的故障诊断方法及系统。

第一方面，本发明实施例提出一种车载设备的故障诊断方法，包括：

对带有停车精度的报文进行正确解析，得到停车精度信息，并将带有所述停车精度信息的报文发送至对应的消息队列中；

根据车次号、站点号和时间之间的映射关系，将所述消息队列中的所述停车精度信息以对应的车次号、站点号和时间进行归纳划分，得到归纳后的停车精度信息；

获取车载设备编号，并根据所述车载设备编号和所述归纳后的停车精度信息对车载设备进行关系绑定，得到处理后的停车精度数据；

根据预测算法对所述处理后的停车精度数据进行计算，得到车载制动系统、信号系统和牵引控制系统的健康状况，并根据所述健康状况进行车载设备的故障诊断。

可选地，所述对带有停车精度的报文进行正确解析，得到停车精度信息，并将带有所述停车精度信息的报文发送至对应的消息队列中，具体包括：

通过TCP/IP接口工具socket解析出来自VOBC的底层报文，根据VOBC接口协议逻辑编写程序，对带有停车精度的底层报文进行正确解析，得到停车精度信息，将带有所述停车精度信息的报文发送至activemq对应的消息队列中，并将所述停车精度信息以logs日志文本形式进行保存。

可选地，所述根据车次号、站点号和时间之间的映射关系，将所述消息队列中的所述停车精度信息以对应的车次号、站点号和时间进行归纳划分，得到归纳后的停车精度信息，具体包括：

根据车次号、站点号和时间之间的映射关系，将所述消息队列中的所述停车精度信息以对应的车次号、站点号和时间进行归纳划分，并在activemq的消费端实现MessageListener接口，重写onMessage函数，实现停车精度信息的逻辑处理，得到归纳后的停车精度信息。

可选地，所述车载设备的故障诊断方法还包括：

发起调用后台Java接口请求，获取对应的车载制动系统、信号系统和牵引控制系统的健康状况后，通过Bootstrap前端框架与Echarts图表处理工具，对车载制动系统、信号系统和牵引控制系统的健康状况进行可视化，显示在客户端界面上。

可选地，所述车载设备的故障诊断方法还包括：

接收停车精度信息的查询指令，并根据所述查询指令对存储的停车精度信息进行查询；

其中，查询的停车精度信息包括以下任意组合：列车停车精度统计、停车精度异常分布、停车精度最差站点排序、停车精度最差列车排序、站点停车异常分布和列车停车异常分布。

可选地，当查询的停车精度信息为停车精度异常分布时，所述根据所述查询指令对存储的停车精度信息进行查询，具体包括：

根据所述查询指令查询第一预设时间段内的停车精度异常曲线及分布直方图，得到停车精度异常分布。

可选地，当查询的停车精度信息为停车精度最差站点排序或停车精度最差列车排序时，所述根据所述查询指令对存储的停车精度信息进行查询，具体包括：

以站点或列车为统计维度，根据所述查询指令查询第二预设时间段内停车精度最差的前预设数量的站点或列车，得到停车精度最差站点排序或停车精度最差列车排序，并以表格形式或环状图的形式展示数据的分布情况。

可选地，当查询的停车精度信息为站点停车异常分布和列车停车异常分布时，所述根据所述查询指令对存储的停车精度信息进行查询，具体包括：

基于选取的车站或列车，根据所述查询指令查询第三预设时间段内各个日期下停车异常的数据分布直方图和折线图。

可选地，所述车载设备的故障诊断方法还包括：

将所述健康状况展示在前端HTML5页面上，并对存在故障风险的设备生成语言提示和报警预判信息。

第二方面，本发明实施例还提出一种车载设备的故障诊断系统，包括：

报名解析模块，用于对带有停车精度的报文进行正确解析，得到停车精度信息，并将带有所述停车精度信息的报文发送至对应的消息队列中；

信息归纳模块，用于根据车次号、站点号和时间之间的映射关系，将所述消息队列中的所述停车精度信息以对应的车次号、站点号和时间进行归纳划分，得到归纳后的停车精度信息；

设备绑定模块，用于获取车载设备编号，并根据所述车载设备编号和所述归纳后的停车精度信息对车载设备进行关系绑定，得到处理后的停车精度数据；

设备诊断模块，用于根据预测算法对所述处理后的停车精度数据进行计算，得到车载制动系统、信号系统和牵引控制系统的健康状况，并根据所述健康状况进行车载设备的故障诊断。

由上述技术方案可知，本发明实施例通过报文解析、归纳划分和关系绑定，得到处理后停车精度数据，能够直观反应列车在站台下的停车状况；通过处理后停车精度数据得到健康状况并进行车载设备的故障诊断，能够提前感知车载设备的疲惫、磨损、腐蚀等运行状态，降低车载设备发生故障的风险，保障了ATO系统的高效运行，同时提升城市轨道列车停车的精准度，为乘客的安全出行提供保障。

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，下面描述中的附图仅仅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，还可以根据这些图获得其他的附图。

图1为本发明一实施例提供的一种车载设备的故障诊断方法的流程示意图；

图2为本发明另一实施例提供的一种车载设备的故障诊断方法的流程示意图；

图3为本发明一实施例提供的一种车载设备的故障诊断系统的结构示意图。

具体实施方式

下面结合附图，对本发明的具体实施方式作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。

图1示出了本实施例提供的一种车载设备的故障诊断方法的流程示意图，包括：

S101、对带有停车精度的报文进行正确解析，得到停车精度信息，并将带有所述停车精度信息的报文发送至对应的消息队列中。

S102、根据车次号、站点号和时间之间的映射关系，将所述消息队列中的所述停车精度信息以对应的车次号、站点号和时间进行归纳划分，得到归纳后的停车精度信息。

S103、获取车载设备编号，并根据所述车载设备编号和所述归纳后的停车精度信息对车载设备进行关系绑定，得到处理后的停车精度数据。

S104、根据预测算法对所述处理后的停车精度数据进行计算，得到车载制动系统、信号系统和牵引控制系统的健康状况，并根据所述健康状况进行车载设备的故障诊断。

其中，所述预测算法通过对已有的停车精度数据进行计算，来预测各系统的健康状况。例如采用模型融合预测算法、支持向量机预测算法、平均数预测算法等进行预测，也可以通过对已有数据进行训练得到的停车精度数据模型进行预测。

所述模型融合预测算法是把多个弱模型融合合并在一起变成一个强模型的算法。

所述支持向量机预测算法是一种常见的判别方法，在机器学习领域，是一个有监督的学习模型，通常用来进行模式识别、分类以及回归分析。

所述平均数预测算法是通过求平均数进行预测的算法。

具体来说，如图2所示，本实施例主要包含五个部分，分别为VOBC底层报文数据采集与解析部分，数据归纳分类部分，activemq消息通道部分，数据库存储部分和前端HTML5展示部分，具体描述如下：

1)VOBC底层报文数据采集与解析部分

开发人员利用Java编程技术，通过TCP/IP接口工具socket解析出来自VOBC的底层报文，再根据VOBC接口协议逻辑编写程序，将报文中带有停车精度的报文正确解析后传送至activemq对应的消息队列中，并将该条消息以logs日志文本形式保存在采集模块中，以便后期校验数据的可靠性。

2)数据归纳分类部分

开发人员利用Java编程技术，根据Map与List的接口特性，将停车精度信息以对应的车次号、站点号和时间做归纳划分，以便停车精度信息数据的存库与查询，并根据停车精度数据模型与数据驱动等预测算法，计算得出车载制动系统、信号系统、牵引控制系统的健康状况，提前感知设备的疲惫、磨损、腐蚀等运行状态。

其中，Map是Java编程技术中的映射特性，可以对不同维度的数据进行映射；List是Java编程技术中的列表特性，可以将多项数据以列表形式进行处理。

3)activemq消息通道部分

开发人员自定义activemq queue名称，并将采集与解析部分传入的消息传递到数据归纳分类部分中。使用activemq，能让系统缓解压力，降低应用之间的耦合度。在activemq的消费端，开发人员通过实现MessageListener接口，重写onMessage函数，实现停车精度信息的逻辑处理。

4)数据库存储部分

开发人员使用mysql关系型数据库，存储采集到停车精度消息的时间、列车编号、停靠站台、停车精度偏移量和车载设备编号，然后通过车载设备编号，利用foreign key与车载其他相关设备做关系绑定，实现停车精度信息与车载设备关联绑定存库操作。

5)前端HTML5展示部分

前端工程师根据用户端界面输入的参数，发起调用后台Java接口请求，再获取对应的数据信息后，通过Bootstrap前端框架与Echarts图表处理工具，将数据信息可视化，展示到客户端界面上，让用户更快速、直观的分析数据背后的潜在因果关系。

本实施例通过报文解析、归纳划分和关系绑定，得到处理后停车精度数据，能够直观反应列车在站台下的停车状况；通过处理后停车精度数据得到健康状况并进行车载设备的故障诊断，能够提前感知车载设备的疲惫、磨损、腐蚀等运行状态，降低车载设备发生故障的风险，保障了ATO系统的高效运行，同时提升城市轨道列车停车的精准度，为乘客的安全出行提供保障。

进一步地，在上述方法实施例的基础上，S101具体包括：

通过TCP/IP接口工具socket解析出来自VOBC的底层报文，根据VOBC接口协议逻辑编写程序，对带有停车精度的底层报文进行正确解析，得到停车精度信息，将带有所述停车精度信息的报文发送至activemq对应的消息队列中，并将所述停车精度信息以logs日志文本形式进行保存。

进一步地，在上述方法实施例的基础上，S102具体包括：

根据车次号、站点号和时间之间的映射关系，将所述消息队列中的所述停车精度信息以对应的车次号、站点号和时间做进行归纳划分，并在activemq的消费端实现MessageListener接口，重写onMessage函数，实现停车精度信息的逻辑处理，得到归纳后的停车精度信息。

进一步地，在上述方法实施例的基础上，所述车载设备的故障诊断方法还包括：

发起调用后台Java接口请求，获取对应的车载制动系统、信号系统和牵引控制系统的健康状况后，通过Bootstrap前端框架与Echarts图表处理工具，对车载制动系统、信号系统和牵引控制系统的健康状况进行可视化，显示在客户端界面上。

接收停车精度信息的查询指令，并根据所述查询指令对存储的停车精度信息进行查询。

其中，查询的停车精度信息包括以下任意组合：列车停车精度统计、停车精度异常分布、停车精度最差站点排序、停车精度最差列车排序、站点停车异常分布和列车停车异常分布。

将所述健康状况展示在前端HTML5页面上，并对存在故障风险的设备生成语言提示和报警预判信息。

提供停车精度可视化数据，直观的反应出某辆列车或某站台在某时段下的停车精度偏差情况，为现场技术人员分析车载设备故障提供依据。

提前感知车载设备的疲惫、磨损、腐蚀等运行状态。

深入挖掘车载设备发生故障时，各系统之间的潜在联系。

降低车载设备的故障风险，保障了ATO系统的高效运行。

提升了城市轨道列车停车的精准度，为乘客的安全出行提供保障。

进一步地，在上述方法实施例的基础上，当查询的停车精度信息为停车精度异常分布时，所述根据所述查询指令对存储的停车精度信息进行查询，具体包括：

根据所述查询指令查询第一预设时间段内的停车精度异常曲线及分布直方图，得到停车精度异常分布。

当查询的停车精度信息为停车精度最差站点排序或停车精度最差列车排序时，所述根据所述查询指令对存储的停车精度信息进行查询，具体包括：

以站点或列车为统计维度，根据所述查询指令查询第二预设时间段内停车精度最差的前预设数量的站点或列车，得到停车精度最差站点排序或停车精度最差列车排序，并以表格形式或环状图的形式展示数据的分布情况。

当查询的停车精度信息为站点停车异常分布和列车停车异常分布时，所述根据所述查询指令对存储的停车精度信息进行查询，具体包括：

基于选取的车站或列车，根据所述查询指令查询第三预设时间段内各个日期下停车异常的数据分布直方图和折线图。

举例来说，停车精度信息查询包括列车停车精度统计、24h停车精度异常分布、停车精度最差站点TOP10、停车精度最差列车TOP10、站点停车异常分布和列车停车异常分布。

具体地，查询列车停车精度统计时，根据时间范围查找停车精度所在区间数量及占比情况，区间分别为：≤-50、-50＜x≤-30、-30＜x＜30、30≤x＜50、≥50，单位为：cm。

查询24h停车精度异常分布时，根据时间范围查询0-24小时内停车精度异常曲线及分布直方图。

查询停车精度最差站点TOP10时，以站点为统计维度，根据时间范围查询停车精度最差的前10个站点，其余站点均归入“其他”站点下，分别以表格形式和环状图形式展示数据分布情况。

查询停车精度最差列车TOP10时，以列车为统计维度，根据时间范围查询停车精度最差的前10辆列车，其余列车均归入“其他”列车下，分别以表格形式和环状图形式展示数据分布情况。

查询站点停车异常分布时，根据选取的车站和时间范围查询各个日期下停车异常的数据分布直方图和折线图。

查询列车停车异常分布时，根据选取的列车和时间范围查询各个日期下停车异常的数据分布直方图和折线图。

另外，进行车载设备故障诊断时，可以统计近期停车精度数据，并根据数据模型与数据驱动等预测算法，计算得出车载制动系统、信号系统、牵引控制系统的健康状况，并将这些设备的健康状况展示到前端HTML5页面上，方便用户提前感知设备的疲惫、磨损、腐蚀等运行状态；对于存在故障风险的设备，系统会及时给出语言提示，同时界面会有对应的报警预判信息产生。

本实施例根据现场采集的VOBC报文能够准确的解析出停车精度信息，能够将海量的停车精度信息做归类存库，并形成基本的数据模型，并根据数据模型与数据驱动等预测算法，计算得出车载制动系统、信号系统、牵引控制系统的健康状况。

图3示出了本实施例提供的一种车载设备的故障诊断系统的结构示意图，包括：报名解析模块301、信息归纳模块302、设备绑定模块303和设备诊断模块304，其中：

所述报名解析模块301用于对带有停车精度的报文进行正确解析，得到停车精度信息，并将带有所述停车精度信息的报文发送至对应的消息队列中；

所述信息归纳模块302用于根据车次号、站点号和时间之间的映射关系，将所述消息队列中的所述停车精度信息以对应的车次号、站点号和时间进行归纳划分，得到归纳后的停车精度信息；

所述设备绑定模块303用于获取车载设备编号，并根据所述车载设备编号和所述归纳后的停车精度信息对车载设备进行关系绑定，得到处理后的停车精度数据；

所述设备诊断模块304用于根据预测算法对所述处理后的停车精度数据进行计算，得到车载制动系统、信号系统和牵引控制系统的健康状况，并根据所述健康状况进行车载设备的故障诊断。

本实施例通过报文解析、归纳划分和关系绑定，得到处理后停车精度数据，能够直观反应列车在站台下的停车状况；通过处理后停车精度数据得到健康状况并进行车载设备的故障诊断，能够提前感知车载设备的疲惫、磨损、腐蚀等运行状态，降低车载设备发生故障的风险，保障了ATO系统的高效运行，同时提升城市轨道列车停车的精准度，为乘客的安全出行提供保障。

本实施例所述的车载设备的故障诊断装系统置可以用于执行上述方法实施例，其原理和技术效果类似，此处不再赘述。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。

应说明的是：以上实施例仅用以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；而这些修改或者替换，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)

1.一种车载设备的故障诊断方法，其特征在于，包括：

对带有停车精度的报文进行正确解析，得到停车精度信息，并将带有所述停车精度信息的报文发送至对应的消息队列中；

根据车次号、站点号和时间之间的映射关系，将所述消息队列中的所述停车精度信息以对应的车次号、站点号和时间进行归纳划分，得到归纳后的停车精度信息；

获取车载设备编号，并根据所述车载设备编号和所述归纳后的停车精度信息对车载设备进行关系绑定，得到处理后的停车精度数据；

根据预测算法对所述处理后的停车精度数据进行计算，得到车载制动系统、信号系统和牵引控制系统的健康状况，并根据所述健康状况进行车载设备的故障诊断。

2.根据权利要求1所述的车载设备的故障诊断方法，其特征在于，所述对带有停车精度的报文进行正确解析，得到停车精度信息，并将带有所述停车精度信息的报文发送至对应的消息队列中，具体包括：

通过TCP/IP接口工具socket解析出来自VOBC的底层报文，根据VOBC接口协议逻辑编写程序，对带有停车精度的底层报文进行正确解析，得到停车精度信息，将带有所述停车精度信息的报文发送至activemq对应的消息队列中，并将所述停车精度信息以logs日志文本形式进行保存。

3.根据权利要求1所述的车载设备的故障诊断方法，其特征在于，所述根据车次号、站点号和时间之间的映射关系，将所述消息队列中的所述停车精度信息以对应的车次号、站点号和时间进行归纳划分，得到归纳后的停车精度信息，具体包括：

根据车次号、站点号和时间之间的映射关系，将所述消息队列中的所述停车精度信息以对应的车次号、站点号和时间进行归纳划分，并在activemq的消费端实现MessageListener接口，重写onMessage函数，实现停车精度信息的逻辑处理，得到归纳后的停车精度信息。

4.根据权利要求1所述的车载设备的故障诊断方法，其特征在于，所述车载设备的故障诊断方法还包括：

发起调用后台Java接口请求，获取对应的车载制动系统、信号系统和牵引控制系统的健康状况后，通过Bootstrap前端框架与Echarts图表处理工具，对车载制动系统、信号系统和牵引控制系统的健康状况进行可视化，显示在客户端界面上。

5.根据权利要求1所述的车载设备的故障诊断方法，其特征在于，所述车载设备的故障诊断方法还包括：

接收停车精度信息的查询指令，并根据所述查询指令对存储的停车精度信息进行查询；

其中，查询的停车精度信息包括以下任意组合：列车停车精度统计、停车精度异常分布、停车精度最差站点排序、停车精度最差列车排序、站点停车异常分布和列车停车异常分布。

6.根据权利要求5所述的车载设备的故障诊断方法，其特征在于，当查询的停车精度信息为停车精度异常分布时，所述根据所述查询指令对存储的停车精度信息进行查询，具体包括：

根据所述查询指令查询第一预设时间段内的停车精度异常曲线及分布直方图，得到停车精度异常分布。

7.根据权利要求5所述的车载设备的故障诊断方法，其特征在于，当查询的停车精度信息为停车精度最差站点排序或停车精度最差列车排序时，所述根据所述查询指令对存储的停车精度信息进行查询，具体包括：

以站点或列车为统计维度，根据所述查询指令查询第二预设时间段内停车精度最差的前预设数量的站点或列车，得到停车精度最差站点排序或停车精度最差列车排序，并以表格形式或环状图的形式展示数据的分布情况。

8.根据权利要求5所述的车载设备的故障诊断方法，其特征在于，当查询的停车精度信息为站点停车异常分布和列车停车异常分布时，所述根据所述查询指令对存储的停车精度信息进行查询，具体包括：

基于选取的车站或列车，根据所述查询指令查询第三预设时间段内各个日期下停车异常的数据分布直方图和折线图。

9.根据权利要求1所述的车载设备的故障诊断方法，其特征在于，所述车载设备的故障诊断方法还包括：

将所述健康状况展示在前端HTML5页面上，并对存在故障风险的设备生成语言提示和报警预判信息。

10.一种车载设备的故障诊断系统，其特征在于，包括：

报名解析模块，用于对带有停车精度的报文进行正确解析，得到停车精度信息，并将带有所述停车精度信息的报文发送至对应的消息队列中；

信息归纳模块，用于根据车次号、站点号和时间之间的映射关系，将所述消息队列中的所述停车精度信息以对应的车次号、站点号和时间进行归纳划分，得到归纳后的停车精度信息；

设备绑定模块，用于获取车载设备编号，并根据所述车载设备编号和所述归纳后的停车精度信息对车载设备进行关系绑定，得到处理后的停车精度数据；

设备诊断模块，用于根据预测算法对所述处理后的停车精度数据进行计算，得到车载制动系统、信号系统和牵引控制系统的健康状况，并根据所述健康状况进行车载设备的故障诊断。

Images