基于大數據的城軌車輛PHM智能運維系統的研究與實踐

趙 焱，曾云峰，陳 龍，張 朋，王蒙蒙，王嵩松

(中車大連機車車輛有限公司 城鐵開發部，遼寧 大連 116022)

隨著我國城市軌道交通的發展建設，列車運營總里程及車輛總數不斷攀升，車輛的復雜性及綜合化也不斷提升，這對城軌車輛的安全性和維修的高效性提出了更高的要求。但目前城軌車輛常用的檢修維修卻仍采用基于計劃性維護和故障性維修的事后維修方式，這會造成檢修不足或者檢修過剩的情況發生，增加車輛故障發生的概率，同時增加檢修成本。因此研究設計一種更加完善、更加適用于我國城軌車輛實際情況運用的智能運維系統迫在眉睫。研究故障預測與健康管理的運維技術，利用列車多維度數據提前進行故障的可靠性預測和故障部位精準維修，對保證行車安全、降低故障率、提高檢修效率、降低運維成本具有重要意義。

本文基于大數據發展趨勢，結合數據挖掘技術，開發了B/S架構的城軌車輛PHM智能運維系統。車輛故障預測與健康管理系統(PHM)依據車輛監控信息，實時管理列車健康狀態，在故障發生之前作出決策，實現預警報警及健康診斷，為車輛的狀態修、預測修提供數據支撐。基于大數據技術的智能運維系統已成為未來城軌交通領域的重要發展方向。

1 城軌車輛PHM智能運維系統的架構設計

基于大數據的城軌車輛PHM智能運維系統的設計理念是利用大數據、人工智能技術充分運用車輛核心數據，通過新增的監測數據(車載數據、軌旁監測數據)結合既有數據(工單、履歷)為智能化應用做支撐。該系統可提升檢修計劃的針對性，對維修過程進行指導，提升列車可靠性與可用性；還可對運營過程中的故障提供及時的處置建議，降低故障的影響。因此，該系統設計的核心思路可總結為：基于狀態感知，結合數據分析，賦能智能應用。

城軌車輛PHM智能運維系統按整體結構分為車載設備和地面兩部分，其整體架構如圖1所示。

圖1 城軌車輛PHM智能運維系統構架

1.1 車載設備

以車載專家主機EDS為核心包含了TCMS、弓網系統、走行系統、空調系統、車門系統等，主要實現數據采集、車載數據處理、全量數據存儲、車載運維數據分發，為地面PHM系統提供數據支撐。

1.2 地面部分

以車載數據為基礎，結合地面檢測數據、檢修數據、運維經驗數據，通過數據處理、模型算法、專家診斷等實現狀態監測、故障預警、故障分析、健康評估、故障預測、運維決策等，結合故障信息搭建列車級和部件級故障管理體系，完善設備全壽命周期檔案等。地面PHM系統功能架構如圖2所示。

圖2 地面PHM系統功能架構

2 城軌車輛PHM智能運維系統功能設計

基于大數據的城軌車輛PHM智能運維系統按具體應用概括為以下幾個功能：協議適配器、測點實時解析、實時狀態數據應用、Flink規則引擎、智能化專家診斷分析、全壽命周期健康管理。

2.1 協議適配器

本文的智能運維系統設計有協議適配器，可高效適配不同車型完成數據解析。將原本不同車型的不同數據協議、不同采集設備的通信協議以及不同傳輸協議(UDP、TCP、MQTT)等文件，按照一定的模板格式導入并使用專用工具將協議文件格式化，協議適配器將根據協議自動生成解析器并動態掛載至Spark Streaming，通過自然語言處理NLP與積累的語料庫，自動匹配協議與功能需求；可實現協議解析規則和應用程序的分離，車輛協議解析通過配置即可實現，每個車輛可以配置不同的協議解析規則，實現一車一協議管理，只需調整協議對應的解析算法，即可滿足協議的變化。提供協議解析版本管理，方便跟蹤和管理解析協議的變化，最終可達到車輛協議標準化管理和可配置化管理。

2.2 測點實時解析

城軌車輛PHM智能運維系統可實現千萬測點每秒的實時解析功能，具體實時數據解析流程如圖3所示。

圖3 測點實時數據解析流程

單列車輛的專家主機EDS以2 Hz的頻率采集最多5 000個信號并上傳至地面PHM系統，采用高并發處理，PHM系統可支持最多1 000個客戶端并發連接，支持負載均衡。此外，還可通過內部協議編輯器對傳輸協議與通信協議解析，通過分布式消息隊列將大量原始數據傳輸至大數據集群，分布式流式處理可對千萬測點每秒進行實時解析。

2.3 實時狀態數據應用

車輛實時狀態數據經過城軌車輛PHM智能運維智能的故障預警、電氣故障篩查，以大屏展示的形式做到在線監測、故障回溯，最終給出應急處置優化方案。

實時狀態數據應用流程如圖4所示。

圖4 實時狀態數據應用流程

(1) 在線監測。通過在線監測提供海量狀態數據與報警的實時展示，并為后續數據分析提供豐富的數據基礎；

(2) 故障預警。基于狀態數據，可實時進行預警判定；

(3) 電氣故障智能篩查。將冗余信息進行聚合整理，以歷史工單HIT率、故障機理、時序傳感器數據挖掘、PHM研究結果為依據，對聚合結果進一步判斷是否為真實故障，依托于知識圖譜的維修助手、圖紙、履歷、設備三維模型，向執行者推送相關解決方案；

(4) 故障回溯。提供故障相關狀態的回溯，結合故障機理與數據特征分析，找到故障產生的原因；

(5) 應急處理優化。針對影響行車的故障，可基于實時狀態數據判斷列車狀態并快速給出適當的處置建議；

(6) 故障報警。通過實時采集各子系統故障診斷信息，以分類、分級的方式對故障信息進行報警提示；

(7) 列車狀態判斷。結合車輛各設備狀態數據與故障信息，對列車狀態進行精準診斷，反映車輛實時運行狀態變化，指導地面人員對車輛做出正確決斷。

2.4 Flink規則引擎

在系統中部署了專門開發的Flink流式數據引擎，包括規則的編輯、部署和執行環節。Flink規則引擎將使用規則和執行邏輯進行解耦，可以針對不同的業務自定義數據的處理規則，后臺執行邏輯再實時進行處理。

Flink規則引擎致力于可視化的在線編輯功能，以圖形化的方式呈現業務規則，同時支持用戶基于畫布、通過拖拽的方式編輯數據處理的業務規則。所建立的規則引擎支持多數據源的選擇，可以將物聯網設備的信號作為業務規則的數據源，為流式數據定義業務處理規則。可提供豐富的邏輯計算算子，包括基本的算數運算、布爾運算算子和函數運算。用戶可以通過頁面選擇算子來定義規則的具體運算邏輯，同時支持擴展函數算子來支持復雜的業務處理規則。還可對時間窗口進行定義，包括滑動時間窗口的定義，用戶可以為運算邏輯添加滑動時間窗口，靈活配置窗口大小以及設置窗口前置或后置，從而支持定義更復雜的時序相關的業務規則。此外，該引擎支持規則動作的定義，通過頁面的輸出控件幫助用戶定義規則動作，可以基于輸出控件定義故障報警或故障預警。

Flink規則引擎具備以下特點：

(1) 零代碼零SQL。可面向業務分析人員使用，無需編寫代碼和SQL即可自助完成業務規則的定義、部署和維護；

(2) 低延遲、高性能。系統采用先進的流式計算技術，不僅保證了規則計算的低延遲性、計算結果的高可靠性，還提供了高并發的處理能力，可以很好地支持實時場景下海量規則的開發、維護和運行；

(3) 高可擴展。通過豐富的UI組件可實現規則的靈活定義，同時支持額外擴展UI組件來滿足特定場景下的規則，以滿足用戶豐富、多樣的業務場景。

2.5 智能化專家診斷分析

在城軌車輛PHM智能運維系統中，設計了包含智能化專家診斷分析的功能，即通過列車網絡控制系統(TCMS)的數據挖掘模型，搭建各子系統及關鍵部件的故障診斷模型庫，經過不斷地學習、匹配，完善車輛故障診斷決策。結合運用及維保經驗，通過部署相應的規則引擎對故障進行預警，做到潛在故障的前瞻性預判。通過長時間運用及大量故障信息分析比對進行有效分類，實現電氣故障智能篩查，依據應急預案及應急場景對原有處置措施進行不斷優化，減少因車輛救援而耽擱的時間。

城軌車輛PHM智能運維系統采集全車狀態數據以及各子系統智能運維數據，存儲至故障診斷數據庫，按被診斷對象以及被診斷對象的故障結果進行整理排序，進行知識模型的自學習建模。智能化專家診斷分析流程如圖5所示。

圖5 智能化專家診斷分析流程

2.6 全壽命周期健康管理

以車輛維修構型為基礎，建立故障管理體系，依據故障處理的操作流程建立故障處理層級結構，用于標準化和關聯列車故障處理的相關維修活動[7]。

故障管理體系可以積累經驗，提高故障處理效率，同時也是進行可靠性分析的基礎，為設備部件維護、列車穩定運用提供數據支撐。故障管理體系流程如圖6所示。

圖6 故障管理體系流程圖

全壽命周期健康管理適用于架大修、定修、故障修、狀態修、技術加改、普查等不同的檢修業務，通過工單的執行并支持多種方式錄入(PC端、報工終端)自動更新列車的裝配履歷及關鍵部件的維修履歷，建立一車一檔。基于配屬、路線里程、每日行駛次數等履歷信息，自動生成短、中、長期檢修預測，根據計劃修、專項修、技術加改等維修需求，并結合具體的檢修時間窗口和資源配備生成檢修生產計劃[8]。

實現關鍵零部件的全壽命周期健康管理，盡量充分利用零部件的使用壽命，避免壽命浪費或超期服役。依據壽命期限定義，實現對庫存化學物料進行保質期預警，依據庫存保養規則對關鍵零部件進行保養提醒[9]。全壽命周期履歷檔案流程如圖7所示。

圖7 全壽命周期履歷檔案流程

3 城軌車輛PHM智能運維系統應用實例

3.1 列車實時狀態數據應用

建設全網監控、單車運行監控等功能模塊，實時展示全網線路列車狀態、列車位置、配屬統計、當日投運情況、當日重點關注等信息，以直觀的圖形化形式進行展示，供相關用戶查看核心數據資產。全網線路狀態監控及全網線路列車故障狀態顯示如圖8、圖9所示。

圖9 全網線路列車故障狀態顯示

3.2 Flink規則引擎的數據引用原理及預警實例

根據實際運營需求，達到實時預警輔助運營的目的可基于以下三點：

(1) 閾值。根據專家經驗以及供應商提供的故障清單制定預警規則。

(2) 異常點監測。相關性較強模擬量出現數據規律不一致情況或者突變值(瞬時故障)。

(3) 故障樹。針對嚴重故障找出與其他故障的依賴關系，并監控最小割集。

結合專家經驗，可在規則引擎中按照預先制定的規則對某些特定故障預警進行部署。當對關鍵部件數據進行實時解析監控時，一旦有數據異常及時報警提示，以便檢修維護人員巡檢。以某地鐵項目中出現的一次電動機溫度報警為例：

5月19日某地鐵列車從7時開始，傳感器已預測出M3車3號電動機溫度異常(132 ℃)，溫度遠高于其他3個電動機(100 ℃左右)。9點20分，開始報電動機溫度1級故障(嚴重故障)。根據專家經驗，位于1節車廂內的4個電動機溫度差應維持在一個固定范圍內以保證電動機安全工作，列車穩定運行。因此，城軌車輛 PHM智能運維系統有效地提前監測出該次故障電動機溫度異常，及時提示人員檢查，避免了一次嚴重的行車事故。

3.3 健康管理實例

健康管理功能包括部件健康評估及系統健康評估。系統或部件的健康評估查詢功能包含車型、車組、配屬、系統、部件等多維度篩選條件。健康評估趨勢以列表、雷達圖、折線圖、曲線圖的方式顯示子系統、部件的健康評估值變化情況、故障觸發概率、與正常值偏離情況、部件壽命數據等。圖10所示為車門系統健康管理。

圖10 車門系統健康管理

4 結論

目前大數據已經進入了社會的方方面面，而與之相匹配的智能運維技術卻大多停留在IT行業，其他行業只有初步的應用。本文基于智能運維技術對列車設備故障診斷技術進行了改進，設計了基于大數據技術的城軌車輛PHM智能運維系統[10]。該系統以智慧列車為基礎，通過TCMS數據的挖掘、數據模型的構建形成有效的列車指導運營維護。在某地鐵項目案例中，該系統能夠對電動機溫度異常進行及時的預警、報警。該系統在未來也將為設備故障診斷技術的發展作出貢獻，為運維技術的革新提供新的思路。