轨旁信号设备多维度数据挖掘与可视化展示

施 聪 陆鑫源 孙 杰 晏 伟 张 杰 陈恒泰 戴洋竞 顾思渊 张玉洁 桂文婧

(1.上海磁浮交通发展有限公司,201204,上海; 2.上海地铁维护保障有限公司通号分公司,200235,上海;3.上海工程技术大学城市轨道交通学院,201600,上海∥第一作者,高级工程师)

轨旁信号设备是保障列车运行安全、提高运行效率的重要基础设备,对其RAMS(可靠性、可用性、可维修性、安全性)要求极其严苛,因此,研究轨旁信号设备的运营维护工作具有重要意义。传统运营维护手段主要有基于时间的周期性维护和基于故障的纠正性维护[1]。基于故障的纠正性维护,是在故障发生后因受故障点位置、抢修人员和物资分配等因素的影响无法快速解决故障[2]而进行的维护,如故障不能及时得以解决,可能会造成线网拥堵瘫痪等问题。

在轨旁信号设备维护领域,已经积累了海量数据,但是这些数据维度高、时间跨度大、数据体量大且价值稀疏,因此目前的使用率较低。而基于数据统计分析的维护策略优化理念在地铁售票系统设备维修[3]、铁路内燃机车故障数据处理[4]、动车组齿轮箱异常数据分析[5]等方面应用非常广泛。本文主要探讨轨旁信号设备维护数据的挖掘与可视化展示。

1 轨旁信号设备维护数据分析

1.1 数据获取与类别

1) 数据获取。维护作业数据主要分布在各业务阶段数据管理平台中,比如EAM(企业资产管理)系统、点巡检系统、工单系统和智慧运维平台(见图1),因此需要打通系统间数据接口,实现互联互通。各个系统之间接口协议采用Restful风格和JSON(JavaScript (JS)对象简谱)数据格式。获取到接口平台接口库URL(统一资源定位符)地址,申请接口访问时,首先要完成身份鉴权,如EAM系统身份鉴权,需要提供接入系统所属公司、接入范围对象和加密动态数字证书等。获取接口数据时,通过Restful协议提供标准请求(Get)动作方法,通过调用平台接口方法和传入参数即可获得返回结果,最后将JSON格式文件数据解析为Excel文件和文本文件或者将数据存储到数据库中。

图1 数据获取流程图

2) 数据类别。维护作业数据主要包括工单数据、点巡检数据和故障数据。工单数据记录轨道交通运维事件的管理、追踪和删除等过程,内容包括工单编号、设备(位置)编码、工作内容、工作类型、实际开始时间、实际完成时间、工单完成描述和工单状态等;点巡检数据记录设备周期性固定计划维护内容,主要包括计划编号、任务编号、设备名称、检查序号、检查项、是否正常和记录值等;故障数据主要包括故障编号、故障时间、故障设备名称、故障现象、故障发生线路和站点、处理时间、处置经过和处置延时。

1.2 数据预处理

解析以后的数据无法直接使用,存在数据信息冗余、数据格式错乱或者数据内容缺失等问题,因此需进行数据预处理。数据预处理包括数据筛选、数据清洗和缺失值填充。数据筛选是指筛选出与轨旁信号设备有关的数据,避免非轨旁设备数据干扰,如从工单数据与点巡检数据中筛选出与转辙机、信号机、计轴和信标有关的数据项;数据清洗是指删除阈值范围外异常数据和逻辑性错误数据,如从工单数据检查各项数据值,删除填写为负值的数据;缺失值填充针对的是填写表格时为节约时间未填写或者简写的项(这些项与已填写项内容相同),需要根据已填写项内容补齐相关数据。

1.3 数据特点分析

本文中的轨旁信号设备主要指道岔转辙机、信号机、计轴和应答器,维护数据主要包括故障数据和工单数据。

1) 故障数据分析。道岔转辙机故障类型较多,其中大小角钢(槽钢)和电路2DQJ两类故障占比较大;信号机主要故障有信号绿灯灯丝故障、白灯灯丝故障和红灯灯丝故障,其中绿灯灯丝故障占比最高,远超其它两类故障;计轴故障类型有室内并口板故障、室外磁头故障和CPU(中央处理器)电源故障;应答器的可靠性和安全性较高,故障概率低,故障类型只有A-TAG应答器一类故障。在这4类故障中,道岔转辙机故障数量最多,其次是计轴故障数量,信号机和应答器的可靠性和安全性较高,故障数量较少。

2) 工单数据分析。工单类型包括日常养护、巡检、配合、集中养护、临修和抢修等工单。以上海轨道交通14号线2023年7月和8月的工单为例进行分析,各类型工单数量如图2所示。由图2可见,日常养护类型工单最多,临修和抢修工单极少。本文重点分析日常养护、巡检和集中维护工单占比情况。日常养护分为双周养护、四周养护、月养护、季养护和半年养护,日常养护中的各类工单占比如图3所示。由图3可见,四周养护工单占比最大,季养护工单占比最小。巡检维护分为日维护、周维护、月维护和半年维护,巡检维护中的各类工单占比如图4所示。由图4可见,周维护工单占比最大,半年养护工单占比最小。集中维护类型分为季维护、半年维护和年维护,集中维护中的各类工单占比如图5所示。由图5可见,年维护工单占比最大,季养护工单占比最小。

图2 工单类型数量统计

图3 日常养护各类工单占比

图4 巡检各类工单占比

图5 集中维护各类工单占比

2 轨旁信号设备维护数据挖掘与维护策略优化

2.1 数据挖掘

轨旁信号设备是交互发生影响的,因此需对多源维护数据进行综合分析,对设备状态和故障影响进行逻辑严密综合分析。设备故障会导致各类型故障,故障影响表达式为:

M=f(Di,Xj,Jk,Yz)

(1)

式中:

M——故障影响;

Di——第i个道岔设备故障;

Xj——第j个信号机故障;

Jk——第k个计轴故障;

Yz——第z个应答器故障。

然而,Di和Xj故障会导致联锁区域列车降级,Jk故障会导致相关区域列车降级,Yz故障对运营无影响。联锁区域列车降级是等级最高事件,Di道岔设备故障是导致连锁区域列车降级的根本性因素,无论是否有无其他3类故障。轨旁信号设备故障类型及其影响如表1所示。

表1 轨旁信号设备故障类型及其影响

信号设备维护工作具有保障设备安全、延长设备寿命和避免事故发生等作用。维护时间能够反应维护效率。信号设备维护主要包括计划性维护和纠正性维护。计划性维护包含集中维护、巡检、日常养护、检修和调测(测试并调整)5种类型,计划性维护的设备维护年总工时为各类维护类型工时之和。但大规模维护会造成大量人力、物力和财力的浪费[6]。纠正性维护是指在设备出现故障后,从对设备进行维护开始到恢复到正常工作状态的过程,纠正性维护时间是反映维护时间的关键指标。计划性维护工时在总维护工时中的占比q计算公式为:

(2)

式中:

Pt——某车站或者某设备计划性维护工时;

Mt——某车站或某设备纠正性维护工时。

若q<1,应增加计划性维护工时,对高频故障设备进行重点维护;若q=1,应适当减少计划性维护工时。

2.2 维护策略优化

1) 使用寿命估计方法。轨旁信号设备使用寿命估计是一个研究重点,本文通过设备上道时间、设备最大使用年限和单月最高动作次数对设备剩余使用寿命和设备下道时间进行估计。轨旁信号设备基础预估使用年限是15年,其中转辙机可分为二级道岔转辙机和三级道岔转辙机。三级道岔使用寿命估计计算公式为:

t=t0+h+3 d

(3)

式中:

t——预估设备下道岔时间,单位 d;

t0——设备上道时间,单位 d;

h——设备预估计剩余使用时间,考虑到闰年,因此多加3 d,单位 d。

二级道岔与三级道岔的单月最高动作次数可相差10倍,甚至可达30倍,因此,对于二级道岔,要从当前设备动作次数与最大可允许动作次数的比值来计算其下道时间,计算公式为:

式中:

Mn——设备单月动作次数,max (M1,M2,…,Mn)表示设备单月动作次数最大值,单位 次;

PM——设备允许最大动作次数,单位 次。

根据式(4)可估算出来二级道岔设备使用寿命。设备使用寿命估计对设备状态检测、维护工时安排和设备库存管理等都有重大意义。

2) 库存优化。根据维护数据特点分析可知,道岔转辙机和计轴故障次数多且类型也多,信号机和应答器故障次数少,因此各车站应增加转辙机和计轴库存数量,建议适当性减少信号机和应答器库存数量。此外,针对个别车站的高频发故障类型,应单独增加某类型设备配件。

3) 计划性维护优化。对计划性维护工时以新规则进行分散统计,如以车站和设备、车站和时间(每月)、设备和时间(每月)理清各车站需维护设备时间、每月各车站维护时间、每月设备需维护时间。在对故障数据进行分析和统计的基础上,针对性增加故障频发车站、故障频发月的维护需求,针对性增加某类故障频发设备维护需求,应减少不发生和少发生故障的设备的日常养护和巡检频次与时间。

4) 纠正性维护优化。纠正性维护时间越短造成的影响越小。因此,根据故障数据特点分析结果,对故障数据进行多维度分析,如:从空间角度按车站和故障数、车站和设备故障数,从时间角度按月份与故障数等进行多维度统计、分析和研究。对频发故障位置进行标记,研究不同维护路径和方法下取得最少纠正性维护时间最优化方案,此外还与设备库存和计划性维护工时进行关联。

3 轨旁信号设备维护数据可视化展示

轨旁信号设备维护数据来源广、数据量大和数据格式种类多,维护策略优化后,轨旁信号设备全生命平台包括基础管理、引导管理、设备管理和风险管理四大管理模块(见图6),对轨旁设备维护工时、故障分布、基础信息、库存和风险等数据进行统一管理。各个管理模块均能在上海市真实地图中实现数据联动展示,可从中直观高效地观察相关数据的分布情况,实现高效便捷管理。

图6 轨旁信号设备全生命平台功能模块示意图

1) 基础管理模块:具有展示线路基础概况、静态数据和车站设备信息3大功能。线路基础概况展示全线的运营里程、客运站、投用年代、列车配属以及列车控制模式等线路基础信息;静态数据展示设备供应商、型号、数量、使用年限、动作次数、图纸以及应急预案等静态信息;设备信息展示线路各车站设备数量和供应商等信息。可方便维护人员随时查看,加强对线路设备熟悉掌握程度,或用于对线路不熟悉的维护专业新员工学习了解使用。

2) 引导管理模块:具有展示故障树种类、故障趋势分类和寿命情况3大功能。故障树种类展示全线网内4类轨旁设备故障种类占比,对比全线网内相同设备各类故障发生比例,对全线故障作预测分析。故障趋势分类展示故障发生的时间变化趋势以及相应车站的分布情况,使维护人员能从时间、空间和数量等多维度掌握故障分布情况,提醒维护人员留意相关车站及相关设备的故障发生,加强对相关设备的维护。在引导管理模块中也能看到具体轨旁设备的可使用寿命情况,使维护人员能直观地感受到设备的预计使用时间。

3) 设备管理模块:具有展示计划性维护、纠正性维护和存库3大功能,可将维护策略优化后应用结果以可视化方式展示出来。可展示4类轨旁设备各种计划性维护及纠正性维护工时随着时间变化的趋势,结合线路地图可直观立体地看到维护工时集中的时间以及站点。线路库存预警可提醒维护人员及时补充相应的备品备件。

4) 风险管理模块:具有展示致命风险源健康状态、风险源和致命风险源外部影响3大功能。维护人员从中可看到风险源对线路运营的影响情况,方便维护人员评估该车站的相应风险发生概率,使维护人员能够掌握具体故障车站地理位置。维护人员根据设备致命风险源的实时部件以及外部工况的健康状态的可视化展示,能够直观地观察到风险发生位点及其具体情况。

4 结语

上海轨道交通14号线实际应用结果表明,通过对轨旁信号设备维护数据进行深度挖掘,并通过在轨旁信号设备全生命平台进行可视化展示,使多维度海量轨旁信号设备维护数据的价值得以有效展现,既便于新员工学习时使用,又能使维护人员直观地了解设备的基本情况和运行状态,有利于缩短维护时间、节约成本、提高企业效益。