基于大數據的軌道交通車輛空調系統智能運維

于悅青，張路亞

1 概述

隨著我國城市規模和經濟建設的飛速發展，引導民眾使用公共交通工具，降低城市交通秩序擁堵、混亂等現象，城市軌道建設已成為我國大中城市解決城市交通問題的重要途經和方案。截至2019年底，我國軌道交通運營配屬車輛已經達到近4.1萬輛（如圖1所示）[1]。

圖1 軌道交通運營配屬車輛數量及增速

安全、快速、舒適、可靠是軌道交通車輛的基本要求。為了保障車輛安全可靠運營，地鐵公司、車輛制造商及其子系統供應商在日常維保過程中投入了大量人力物力。空調作為軌道交通車輛旅客舒適性要求界面最重要的子系統，向來是地鐵運營公司和乘客的普遍關注重點。如果空調系統失效將會嚴重影響旅客的乘車舒適性，特別是在地上隧道里運行的車輛，還有可能影響旅客生命安全。

2 軌道交通車輛現有檢修和故障維修體制

軌道交通車輛空調發現故障一般有兩種方式，一種是在運行過程中發生故障，隨車工程師排除故障并做好相關記錄上報，車輛回庫后運維人員、車輛制造商和空調供應商派人進一步檢查分析。另一種是車輛回庫后，空調供應商安排售后人員對每列車進行庫檢，在庫檢過程中發現故障并排除故障。故障發生后，如果情節嚴重或售后人員不能及時分析根本原因，車輛制造商和空調供應商派工程師進行現場調查。庫檢是車輛各供應商售后人員的主要任務之一，車輛進庫后，售后人員需上車查看每臺空調的故障信息。車輛一般在晚上深夜入庫，這給售后人員的工作增添了很多不便。如果故障重復出現，運營會組織車輛工廠和空調供應商對所有同類型的車輛進行全面普查，也極大增加了售后人員的負擔。

隨著軌道交通快速井噴式的發展，這種故障檢修模式給運營公司、車輛制造商和子系統供應商的維保工作帶來了越來越多的挑戰:

運營維護人員成本大幅增加，員工技能良莠不齊。

不能對故障及安全隱患進行預測和預警，故障發生后隨車機械師或售后人員可能不能及時得到解決方案，故障不能及時排除。

車輛檢修時間和檢修場地受限，車輛入庫時間短，有時還需登頂作業，工作量大，夜間容易疲勞。庫檢和普查給售后人員增加了很大的負擔。

如何通過大數據建立軌道交通車輛及其子系統的智能運維系統，對故障和安全隱患進行預測和預警、對故障信息進行遠程監控、對主要部件的使用壽命進行預測，及時準確排查故障，減少過度維修，從而減少整個運營維修成本，對列車運行過程中的能源管理等是各軌道交通車輛制造商及其子系統供應商近期討論的熱點話題。有些公司進行了相關方面的研發并在一些項目中得到了應用，如北京地鐵公司提出了車輛TCMS監測平臺、車輛走行部監測平臺、車輛能耗管理平臺以及現場檢修信息管理系統的“3+1”智能運維體系[2]。但現階段大部分供應商只停留在將數據進行采集存儲，對已經發生的故障進行通報和處理，而能對這些數據通過不同算法進行診斷和預測的案例卻非常少。

3 軌道交通車輛空調系統智能運維網絡拓撲結構

軌道交通車輛空調系統智能運維網絡拓撲結構一般如圖2所示，空調控制器采集車輛空調系統的實時狀態數據和故障信息，通過公共移動通信網傳入互聯網，然后經防火墻進入空調生產廠家內部的局域網，并存入數據中心。數據中心服務器根據預定算法，對實時狀態數據和故障信息進行分析判斷，可將分析結果在PC客戶端或監控屏上進行顯示。同時也可將分析的結果通過互聯網和公共移動通信網傳到售后人員的手機或平板電腦，售后人員根據這些信息可及時掌握自己服務的車輛的狀態信息和故障信息，并根據分析結果進行故障判斷和處理。

圖2 軌道交通車輛空調系統智能運維網絡拓撲結構

4 軌道交通車輛空調遠程監測與故障診斷系統

軌道交通車輛空調遠程監控及故障診斷系統主要由基礎數據層、感知層、網絡層和應用層等四部分組成，其具體內容如圖3所示。

4.1 基礎數據層

基礎數據層主要用于存儲空調系統在設計、生產和試驗過程中采集的數據以及維修記錄等，是后期數據分析的基礎。其主要包括:

設計參數:如設計的制冷量、制熱量、送風量、新風量和制冷劑充注量等參數。

圖3 軌道交通車輛空調遠程監控和故障診斷系統

試驗數據和裝車運行記錄:試驗數據包括出廠前的型式試驗數據和例行試驗數據以及空調機組裝車后在車輛上的調試數據。例行試驗中將會對每臺機組按圖4所示的自動測試平臺進行測試，測試過程中將會采集空調系統壓縮機、冷凝風機、送風機和電加熱等等部件在不同工況模式上的電壓、電流、功率、振動以及空調系統的壓力和溫度等信息。這些數據將作為基礎，可與感知層采集的數據進行對比分析。

圖4 軌道交通車輛空調例行試驗自動測試平臺

配置管理和維修記錄:配置管理和維修記錄是每臺機組的檔案袋。每臺空調機組及其主要部件的序列號等都會記錄在配置管理中，維修更換了主要部件需將新部件的配置更新到配置管理文件中。

4.2 感知層

感知層的主要任務是采集實時狀態信息和故障信息。如圖5所示，軌道交通車輛通過空調控制器及其相關傳感器采集以上信息:

圖5 軌道交通車輛空調數據采集

（1）空調系統基本信息

空調機組號、車廂號、列車號。

項目號、軟件版本。

（2）實時數據

時間:空調機組與車輛同步的實時時間。

電流電壓:壓縮機、冷凝風機、送風機和電加熱器等部件的電流、電壓和功率等信息。

溫度濕度:空調機組的新風溫度、回風溫度和送風溫度，車內外濕度等。壓縮機吸氣溫度和排氣溫度等。

系統壓力:空調系統的高壓、低壓等壓力信息。

振動:空調壓縮機的振動信息。

風門:新風風門、回風風門和廢排風門的位置信息。

工作模式:空調系統處于何種工作模式，如全冷、半冷、通風、半熱和全熱等。

狀態信息:空調系統各部件所處的狀態。

IO信號:各部件的開關量反饋信號等。

4.3 網絡層

軌道交通車輛空調系統智能運維有兩種組網方案，圖6（a）通過空調控制器網關直接與公共移動通訊網進行通訊，圖6（b）則通過車輛網關與公共移動通訊網進行通訊。

空調控制器網關通訊:由空調控制器采集的數據通過空調控制器網關與公共移動通訊網進行通訊，然后再由互聯網與空調公司內部的數據中心進行數據交換。整個數據交換沒有通過車輛和運營公司的網絡，車輛和運營公司不知道空調子系統進行了哪些通訊。考慮到軌道交通車輛屬于公共交通工具，子系統供應商如果不經過車輛制造商和運營公司的批準和監控而進行遠程控制，可能會帶來安全隱患。因此，該種通訊方式現在基本采用的是單向通訊，即只能由控制器向數據中心傳遞數據，而不允許遠程給空調控制器發送指令。這種通訊方式在部分地鐵公司的部分與運營安全關系不大的子系統中使用。

圖6 軌道交通車輛空調組網方案

車輛網關通訊:由空調控制器采集的數據先傳送到車輛網關，車輛網關與公共移動通訊網進行通訊，采集的數據可先存儲在本地服務器（如車輛段或地鐵公司的服務器），然后再由互聯網與空調公司內部的數據中心進行數據交換。整個數據交換通過車輛制造商和運營公司的網絡并在本地服務器進行備份。整個數據傳輸過程由車輛制造商和運營公司進行監督，使用的安全性提高。

4.4 應用層

應用層主要包括在線監測、故障診斷、亞健康預警、能源壽命管理和智能運營維護等部分組成。其應用層的數據中心架構如圖7所示。主數據中心服務平臺主要包括知識庫和數據庫、實時通信服務、數據處理服務、Web應用服務、文件服務等。

圖7 智能運維數據中心架構

4.4.1 在線監測

圖8為空調系統的主要監控界面，第一個界面為空調狀態的基本信息，第二個界面為溫度和壓力信息，第三個界面為制冷和加熱信息，第四個界面為空調機組通風和壓力波等界面。通過在線監測以上四個界面，就可了解空調系統的基本信息。

圖8 空調系統在線監測信息

4.4.2 故障診斷和亞健康預警

故障診斷和亞健康預警是基于大數據智能運維的核心，最能體現一個公司技術的水平。空調系統故障可分為兩種，一種是有直接故障反饋的故障，如電機過熱保護，制冷系統高低壓故障等，這類故障由于有直接反饋，很容易識別。還有一些故障沒有直接故障反饋，而需通過其他溫度、壓力、電流等信息進行間接判斷，如制冷劑泄漏、制冷不良、臟堵、電機軸承磨損等故障。以上以制冷劑泄漏來說明此類故障識別和亞健康預警的技術路線:

（1）臺架試驗

正常運行試驗:首先測量制冷劑正常時不同壓差上的電流，如圖9所示。

圖9 壓縮機電流隨制冷系統高低壓壓差的變化

典型亞健康試驗:測量減少不同制冷劑充注的多條曲線，采集亞健康條件上的不同壓差上的電流信息。

真實故障試驗:裝車狀態上模擬制冷劑泄漏，運行空調機組，查看制冷劑泄漏過程中壓差的變化趨勢。

（2）數據特征提取:采用以上一種或多種方法提取以上試驗特征

時域分段統計特征；正常包絡曲線超限點數統計特征；數據字符化處理與壓縮；變異系數法-離散性分析。

（3）診斷及預測方法:根據以上診斷或預測方法進行診斷和預測

a.基于特征值統計閾值的故障規則庫；b.基于超限點數均方差準則的亞健康診斷；c.基于數據挖掘的知識發現；d.基于數據聚類的知識發現。

（4）診斷及亞健康預測

如圖10所示，空調控制系統根據以上的診斷和預測方法，對制冷劑泄漏的程度進行預測，并將預測結果通知售后人員。

圖10 制冷劑泄漏故障診斷

故障診斷:功能喪失

亞健康評估:性能降級

亞健康預測:關鍵特征值的趨勢變化預測

4.4.3 能源和壽命管理

軌道交通車輛空調是軌道交通車輛除牽引系統外的第二大用電大戶，以六節編組的地鐵車輛為例，車輛工作時間大約為5000小時/年，每年每列車輛的空調總功耗約為30~40萬kWh（不同的線路和車型差別較大）。近年來地鐵公司、車輛制造廠和空調供應商等迫于用電量的壓力，一直在尋求降低空調能耗的方法，但效果不明顯。基于大數據的能源管理系統，將有利于通過大數據挖掘空調節能的潛力。如圖11所示，根據不同城市的氣候參數和不同地鐵線路的客流量情況，我們可以預估每一個小時的制冷和制熱負荷，從而可以計算出全年的空調負荷情況，但這種預估跟實際可能會有所偏差（如圖12所示）。通過智能運維系統采集的大數據，可以分析實際運行過程中整年在不同負荷條件上的工作時間，這些數據將有利于后期項目的設計優化，重點提高使用時間較長負荷條件上的能效，從而達到節能目的。同時也可以優化軟件，實現實時能源管理。

圖11 冬季典型日制冷/制熱需求

同時，通過智能運維采集的數據，可以分析出壓縮機、風機等運轉部件的工作時間，從而可以預測出部件的使用壽命，減少計劃維修過程中的過度維修。

4.4.4 智能運營維護

圖12 大數據統計負荷值VS預估負荷值

軌道交通車輛空調系統智能運維的一個重要任務是提高現場維護人員的效率，節約維護成本。智能運維系統可以通過互聯網或手機APP可以隨時監控所有車輛的狀態，查看相關故障和解決方案，售后人員可提前備好人力物力，車輛入庫就可進行維修。

如圖13所示，軌道交通車輛空調系統智能運維的建立，將帶來整個維保模式的蛻變。人工專家和設計人員將逐漸從日常的售后支持中脫身而出，而由故障知識庫和專家系統來對故障進行識別和預測。售后人員也可專心處理故障，而不用再在庫檢和普查中來回穿梭。

圖13 維保模式的切換

5 結論

軌道交通車輛空調系統智能運維的引入，將在故障診斷、亞健康預測、維保效率、能源管理、壽命管理和設計優化等方面起到不可磨滅的作用。空調系統的故障主要由故障知識庫和專家系統進行診斷和預測，人工專家和設計人員可從日常的售后技術支持活動中脫身而出，而專注于自己的設計工作，售后人員也將從無休止的庫檢和普查工作中解脫出來，而轉戰自己的維修工作，從而提高了整個售后服務團隊的效率，降低公司的維保人力成本。同時，智能運維采集的數據，可進行壽命管理和能源管理分析，從而可對后續產品的設計和維修計劃進行優化，從而節省整個產品在生命周期內的運營成本。