基于大数据的城轨车辆PHM智能运维系统的研究与实践

赵 焱，曾云峰，陈 龙，张 朋，王蒙蒙，王嵩松

(中车大连机车车辆有限公司 城铁开发部，辽宁 大连 116022)

随着我国城市轨道交通的发展建设，列车运营总里程及车辆总数不断攀升，车辆的复杂性及综合化也不断提升，这对城轨车辆的安全性和维修的高效性提出了更高的要求。但目前城轨车辆常用的检修维修却仍采用基于计划性维护和故障性维修的事后维修方式，这会造成检修不足或者检修过剩的情况发生，增加车辆故障发生的概率，同时增加检修成本。因此研究设计一种更加完善、更加适用于我国城轨车辆实际情况运用的智能运维系统迫在眉睫。研究故障预测与健康管理的运维技术，利用列车多维度数据提前进行故障的可靠性预测和故障部位精准维修，对保证行车安全、降低故障率、提高检修效率、降低运维成本具有重要意义。

本文基于大数据发展趋势，结合数据挖掘技术，开发了B/S架构的城轨车辆PHM智能运维系统。车辆故障预测与健康管理系统(PHM)依据车辆监控信息，实时管理列车健康状态，在故障发生之前作出决策，实现预警报警及健康诊断，为车辆的状态修、预测修提供数据支撑。基于大数据技术的智能运维系统已成为未来城轨交通领域的重要发展方向。

1 城轨车辆PHM智能运维系统的架构设计

基于大数据的城轨车辆PHM智能运维系统的设计理念是利用大数据、人工智能技术充分运用车辆核心数据，通过新增的监测数据(车载数据、轨旁监测数据)结合既有数据(工单、履历)为智能化应用做支撑。该系统可提升检修计划的针对性，对维修过程进行指导，提升列车可靠性与可用性；还可对运营过程中的故障提供及时的处置建议，降低故障的影响。因此，该系统设计的核心思路可总结为：基于状态感知，结合数据分析，赋能智能应用。

城轨车辆PHM智能运维系统按整体结构分为车载设备和地面两部分，其整体架构如图1所示。

图1 城轨车辆PHM智能运维系统构架

1.1 车载设备

以车载专家主机EDS为核心包含了TCMS、弓网系统、走行系统、空调系统、车门系统等，主要实现数据采集、车载数据处理、全量数据存储、车载运维数据分发，为地面PHM系统提供数据支撑。

1.2 地面部分

以车载数据为基础，结合地面检测数据、检修数据、运维经验数据，通过数据处理、模型算法、专家诊断等实现状态监测、故障预警、故障分析、健康评估、故障预测、运维决策等，结合故障信息搭建列车级和部件级故障管理体系，完善设备全寿命周期档案等。地面PHM系统功能架构如图2所示。

图2 地面PHM系统功能架构

2 城轨车辆PHM智能运维系统功能设计

基于大数据的城轨车辆PHM智能运维系统按具体应用概括为以下几个功能：协议适配器、测点实时解析、实时状态数据应用、Flink规则引擎、智能化专家诊断分析、全寿命周期健康管理。

2.1 协议适配器

本文的智能运维系统设计有协议适配器，可高效适配不同车型完成数据解析。将原本不同车型的不同数据协议、不同采集设备的通信协议以及不同传输协议(UDP、TCP、MQTT)等文件，按照一定的模板格式导入并使用专用工具将协议文件格式化，协议适配器将根据协议自动生成解析器并动态挂载至Spark Streaming，通过自然语言处理NLP与积累的语料库，自动匹配协议与功能需求；可实现协议解析规则和应用程序的分离，车辆协议解析通过配置即可实现，每个车辆可以配置不同的协议解析规则，实现一车一协议管理，只需调整协议对应的解析算法，即可满足协议的变化。提供协议解析版本管理，方便跟踪和管理解析协议的变化，最终可达到车辆协议标准化管理和可配置化管理。

2.2 测点实时解析

城轨车辆PHM智能运维系统可实现千万测点每秒的实时解析功能，具体实时数据解析流程如图3所示。

图3 测点实时数据解析流程

单列车辆的专家主机EDS以2 Hz的频率采集最多5 000个信号并上传至地面PHM系统，采用高并发处理，PHM系统可支持最多1 000个客户端并发连接，支持负载均衡。此外，还可通过内部协议编辑器对传输协议与通信协议解析，通过分布式消息队列将大量原始数据传输至大数据集群，分布式流式处理可对千万测点每秒进行实时解析。

2.3 实时状态数据应用

车辆实时状态数据经过城轨车辆PHM智能运维智能的故障预警、电气故障筛查，以大屏展示的形式做到在线监测、故障回溯，最终给出应急处置优化方案。

实时状态数据应用流程如图4所示。

图4 实时状态数据应用流程

(1) 在线监测。通过在线监测提供海量状态数据与报警的实时展示，并为后续数据分析提供丰富的数据基础；

(2) 故障预警。基于状态数据，可实时进行预警判定；

(3) 电气故障智能筛查。将冗余信息进行聚合整理，以历史工单HIT率、故障机理、时序传感器数据挖掘、PHM研究结果为依据，对聚合结果进一步判断是否为真实故障，依托于知识图谱的维修助手、图纸、履历、设备三维模型，向执行者推送相关解决方案；

(4) 故障回溯。提供故障相关状态的回溯，结合故障机理与数据特征分析，找到故障产生的原因；

(5) 应急处理优化。针对影响行车的故障，可基于实时状态数据判断列车状态并快速给出适当的处置建议；

(6) 故障报警。通过实时采集各子系统故障诊断信息，以分类、分级的方式对故障信息进行报警提示；

(7) 列车状态判断。结合车辆各设备状态数据与故障信息，对列车状态进行精准诊断，反映车辆实时运行状态变化，指导地面人员对车辆做出正确决断。

2.4 Flink规则引擎

在系统中部署了专门开发的Flink流式数据引擎，包括规则的编辑、部署和执行环节。Flink规则引擎将使用规则和执行逻辑进行解耦，可以针对不同的业务自定义数据的处理规则，后台执行逻辑再实时进行处理。

Flink规则引擎致力于可视化的在线编辑功能，以图形化的方式呈现业务规则，同时支持用户基于画布、通过拖拽的方式编辑数据处理的业务规则。所建立的规则引擎支持多数据源的选择，可以将物联网设备的信号作为业务规则的数据源，为流式数据定义业务处理规则。可提供丰富的逻辑计算算子，包括基本的算数运算、布尔运算算子和函数运算。用户可以通过页面选择算子来定义规则的具体运算逻辑，同时支持扩展函数算子来支持复杂的业务处理规则。还可对时间窗口进行定义，包括滑动时间窗口的定义，用户可以为运算逻辑添加滑动时间窗口，灵活配置窗口大小以及设置窗口前置或后置，从而支持定义更复杂的时序相关的业务规则。此外，该引擎支持规则动作的定义，通过页面的输出控件帮助用户定义规则动作，可以基于输出控件定义故障报警或故障预警。

Flink规则引擎具备以下特点：

(1) 零代码零SQL。可面向业务分析人员使用，无需编写代码和SQL即可自助完成业务规则的定义、部署和维护；

(2) 低延迟、高性能。系统采用先进的流式计算技术，不仅保证了规则计算的低延迟性、计算结果的高可靠性，还提供了高并发的处理能力，可以很好地支持实时场景下海量规则的开发、维护和运行；

(3) 高可扩展。通过丰富的UI组件可实现规则的灵活定义，同时支持额外扩展UI组件来满足特定场景下的规则，以满足用户丰富、多样的业务场景。

2.5 智能化专家诊断分析

在城轨车辆PHM智能运维系统中，设计了包含智能化专家诊断分析的功能，即通过列车网络控制系统(TCMS)的数据挖掘模型，搭建各子系统及关键部件的故障诊断模型库，经过不断地学习、匹配，完善车辆故障诊断决策。结合运用及维保经验，通过部署相应的规则引擎对故障进行预警，做到潜在故障的前瞻性预判。通过长时间运用及大量故障信息分析比对进行有效分类，实现电气故障智能筛查，依据应急预案及应急场景对原有处置措施进行不断优化，减少因车辆救援而耽搁的时间。

城轨车辆PHM智能运维系统采集全车状态数据以及各子系统智能运维数据，存储至故障诊断数据库，按被诊断对象以及被诊断对象的故障结果进行整理排序，进行知识模型的自学习建模。智能化专家诊断分析流程如图5所示。

图5 智能化专家诊断分析流程

2.6 全寿命周期健康管理

以车辆维修构型为基础，建立故障管理体系，依据故障处理的操作流程建立故障处理层级结构，用于标准化和关联列车故障处理的相关维修活动[7]。

故障管理体系可以积累经验，提高故障处理效率，同时也是进行可靠性分析的基础，为设备部件维护、列车稳定运用提供数据支撑。故障管理体系流程如图6所示。

图6 故障管理体系流程图

全寿命周期健康管理适用于架大修、定修、故障修、状态修、技术加改、普查等不同的检修业务，通过工单的执行并支持多种方式录入(PC端、报工终端)自动更新列车的装配履历及关键部件的维修履历，建立一车一档。基于配属、路线里程、每日行驶次数等履历信息，自动生成短、中、长期检修预测，根据计划修、专项修、技术加改等维修需求，并结合具体的检修时间窗口和资源配备生成检修生产计划[8]。

实现关键零部件的全寿命周期健康管理，尽量充分利用零部件的使用寿命，避免寿命浪费或超期服役。依据寿命期限定义，实现对库存化学物料进行保质期预警，依据库存保养规则对关键零部件进行保养提醒[9]。全寿命周期履历档案流程如图7所示。

图7 全寿命周期履历档案流程

3 城轨车辆PHM智能运维系统应用实例

3.1 列车实时状态数据应用

建设全网监控、单车运行监控等功能模块，实时展示全网线路列车状态、列车位置、配属统计、当日投运情况、当日重点关注等信息，以直观的图形化形式进行展示，供相关用户查看核心数据资产。全网线路状态监控及全网线路列车故障状态显示如图8、图9所示。

图9 全网线路列车故障状态显示

3.2 Flink规则引擎的数据引用原理及预警实例

根据实际运营需求，达到实时预警辅助运营的目的可基于以下三点：

(1) 阈值。根据专家经验以及供应商提供的故障清单制定预警规则。

(2) 异常点监测。相关性较强模拟量出现数据规律不一致情况或者突变值(瞬时故障)。

(3) 故障树。针对严重故障找出与其他故障的依赖关系，并监控最小割集。

结合专家经验，可在规则引擎中按照预先制定的规则对某些特定故障预警进行部署。当对关键部件数据进行实时解析监控时，一旦有数据异常及时报警提示，以便检修维护人员巡检。以某地铁项目中出现的一次电动机温度报警为例：

5月19日某地铁列车从7时开始，传感器已预测出M3车3号电动机温度异常(132 ℃)，温度远高于其他3个电动机(100 ℃左右)。9点20分，开始报电动机温度1级故障(严重故障)。根据专家经验，位于1节车厢内的4个电动机温度差应维持在一个固定范围内以保证电动机安全工作，列车稳定运行。因此，城轨车辆 PHM智能运维系统有效地提前监测出该次故障电动机温度异常，及时提示人员检查，避免了一次严重的行车事故。

3.3 健康管理实例

健康管理功能包括部件健康评估及系统健康评估。系统或部件的健康评估查询功能包含车型、车组、配属、系统、部件等多维度筛选条件。健康评估趋势以列表、雷达图、折线图、曲线图的方式显示子系统、部件的健康评估值变化情况、故障触发概率、与正常值偏离情况、部件寿命数据等。图10所示为车门系统健康管理。

图10 车门系统健康管理

4 结论

目前大数据已经进入了社会的方方面面，而与之相匹配的智能运维技术却大多停留在IT行业，其他行业只有初步的应用。本文基于智能运维技术对列车设备故障诊断技术进行了改进，设计了基于大数据技术的城轨车辆PHM智能运维系统[10]。该系统以智慧列车为基础，通过TCMS数据的挖掘、数据模型的构建形成有效的列车指导运营维护。在某地铁项目案例中，该系统能够对电动机温度异常进行及时的预警、报警。该系统在未来也将为设备故障诊断技术的发展作出贡献，为运维技术的革新提供新的思路。