基于主動維保的城軌列車停車精度數據分析方法研究

梁鵬飛

摘要：通過對城市軌道交通主動維修模式的研究，提出了列車停車精度分析方法。通過分析和比較停車精度的歷史數據，該方法能夠準確定位和預測停車精度偏差以及停車精度偏差嚴重程度的列車和站臺。在一定程度上實現了停車精度預警，為主動維護提供了信息化、智能化支持。

關鍵詞：主動維保; 停車精度; 數據分析

引言

隨著不同行業數據的爆炸式增長，傳統的數據處理已不能滿足公司的要求。信息產業引入了各種海量數據處理技術、大數據技術。經過幾年的發展，大數據技術已經成為一種先進的技術，最初應用于金融領域，現在已經擴展到生活的各個領域。基于大數據技術，提出了國家級智慧城市的發展方向。交通是城市運營的重要組成部分，軌道交通不斷提供大量運營數據。數據規模已達到大數據標準，大數據技術可用于軌道交通數據的分析和處理。就停車精度而言，ATO（列車自動運行）采集的重要數據是保證軌道運行安全的關鍵數據。利用大數據技術對停車精度數據進行分析，可以預測停車精度的發展趨勢，提高軌道運維水平。

1、研究背景和意義

列車停車精度是城市軌道交通運營的關鍵指標。停車設備的精度取決于列車的速度、列車的制動性能等指標以及行車安全和列車的運輸能力，停車精度超標、低于標準或停車精度不穩定，將導致頻繁的列車自動設置，增加ATO系統的負荷，增加駕駛風險。列車停車精度數據通過ATO系統實時采集，以支持列車和信號系統實時監控系統的顯示。然而，目前建造的路線對這些數據的使用是有限的，特別是在以下方面：

（ 1 ） 數據多作為歷史數據存儲起來，沒有進一步的整理和挖掘。

（ 2 ） 數據格式繁多，維度不統一難以支撐數據分析。

（ 3 ） 用戶和供應商對數據本身價值的認識程度不高。

（ 4 ） 用戶只關注停車嚴重過標和欠標的情況，不關注整體列車停車精度的變化情況以及變化趨勢。

所以有必要通過對歷史數據的研究來發掘數據的價值，得出有用的停車精度趨勢和預警的結論，從而提升運營和維護的水平，提升運維主動性 。

2、主動維保模式介紹

城市軌道交通系統主動運維決策支持技術是指一系列能夠讓城市軌道交通系統由被動運維（定期、事后維護保養）變事前基于系統狀態進行運維決策的技術，包括實時監測、關鍵信息特征識別、故障演變規律、狀態評估預警等一系列的技術。傳統的運營維保工作主要是基于線路和列車設備發生的具體故障來進行，屬于故障修的范疇。主動運維技術應用到軌道運營和維保工作當中后，會整體提升軌道運營維護的水平，將故障修全面提升到狀態修，提升整體城軌運維的自動化和智能化水平，將維保工作由被動轉化為主動。

3、列車停車精度介紹

停車精度由列車自動停車控制，自動停車是ATO系統的關鍵技術。為了確保乘客的安全，越來越多的站臺都配備了屏蔽門。不準確停車不僅會影響乘客進出，還會影響列車通信，嚴重影響城市列車的運營效率，從而降低交通系統的運營效率。列車ATO系統根據列車和外借環境因素調整列車制動的精度，以確保列車停車精度的準確性。如果列車停車精度不準確，則表明ATO系統在制動控制方面存在故障。然而，列車停車精度通常在標準范圍內，但停車精度會隨著偏離標準值的趨勢而周期性或有規律地變化。應通過數據分析的方法對這種變化進行檢查和分析，以得出一定的結論，并對其趨勢進行分析列車停車精度偏差，臨時維修保養，達到主動維修的目的。

4、大數據分析方法

大數據分析基于數據比較。有幾種經典算法，如聚類分析、關聯分析、矩陣分析、多維分析等。聚類分析是眾多大數據分析方法中最常用的分析方法。這種方法可以根據數據之間的距離對不同的分散和不連續數據進行科學的分類，并且每種類型的數據具有相同的屬性。

通過分析這些設備狀態數據，可以獲得許多有用的結果。聚類分析是以前在數據分析方法中發展起來的一種相對成熟的方法。它根據空間距離將數據集劃分為幾個不同的子集。它是一種經典的分類算法。該算法的原理是隨機選擇子集的中心，然后計算集合中每個元素之間的相對距離。通過連續迭代和計算，可以調整每個子集的中心，并將距離中心最近的每個元素形成一個新的集合，直到子集不再更改，從而形成一個分類子集，即最終聚類。

5、停車精度大數據分析方法研究

ATO系統為全自動駕駛系統。系統在運行期間產生不同的狀態值。狀態值包括不同的狀態信息，如速度、牽引力、制動、停車精度、車門打開和關閉、駕駛員駕駛等。其中一些狀態值是離散的，適用于聚類分析。聚類分析是最有效的數據分析方法。該方法可以對樣本進行科學的數學分類，并將具有相似性的樣本進行分類。通過聚類分析，我們可以快速識別數據樣本中的組，然后有效地分析能夠唯一定位和管理一類問題的每個組。

大數據聚類分析的過程以2021年7月16日到2021年8月16日MSS系統采集上來的ATO 系統識別的停車精度數據來說明問題。該數據的采集地點是合肥5號線全線站臺的停車精度， 時間跨度為一個月，共計采集的樣本數據為149342條數據，數據量近15萬條數據，適合初步進行大數據分析的數據規模。

數據中針對停車精度包含了三個維度的屬性。分別為停車時刻，車輛號和站臺三個屬性。可以針對這三個屬性進行數據分析。

首先通過K - MEANS算法對停車精度的采集數據進行分類，根據維保經驗，將停車精度的聚類分析深度定義到8個群組。經過10次迭代計算，最終得到了8個群組。分類結果中可以得出聚類分析已經可以將樣本劃分為8個群組，所有的樣本都是有效的樣本，沒有的無效樣本。樣本聚類過程成功，說明停車精度數據確實在特定的條件下，存在不同程度的數據聚集。

將樣本數據帶入群組當中。得出每一個群組的中心點。中心點可以簡單理解為每一組數據的二維平均值。計算結果為：1號樣本，中心點為66 . 47，樣本數量為36個;2號樣本，中心點為1.12，樣本數量為7737個;3號樣本，中心點為- 16.06，樣本數量為71979個;4號樣 本，中心點為-9.28，樣本數量為34714個;5號樣本，中心點為32.45，樣本數量為622個; 6號樣本，中心點為-22.7，樣本數量為31381個;7號樣本，中心點為2633，樣本數量為7737個;8號樣本，中心點為125.89，樣本數量為240個。計算完成樣本的中心點以后，可以明顯看出有兩個群組是不正常停車點的狀態。

6、總結

通過對停車精度數據進行相應的數據分析，可以快速定位停車精度出現偏差的位置和時間， 極大程度上提高了城軌運維的主動性，為主動運維提供了有效的數據支持。

參考文獻

[3]游麗平，陳德旺，陳文，劉林.聚類集成技術在地鐵站點類型研究中的應用[ J ].小型微型計算機系統， 2019 ， 40 （ 01 ） ： 236 - 240 .