大數據環境下動車組故障數據挖掘分析技術分析

李恒

摘 要：動車組故障檢修過程中積累大量數據資源，若能將其充分開發，可輔助動車組故障預警、維修工作的高效開展。為此本文分析大數據環境下動車組故障數據挖掘分析技術，通過數據分析挖掘，從中總結故障發生規律及原因，制定故障風險防控方案，實現故障的事前管理。

關鍵詞：大數據;動車組故障;數據挖掘

引言：國內現役動車組車型較多，加之不同運行環境、運行壓力的影響，使動車組故障類型及引發原因趨于復雜化，給故障預防和檢修維護工作帶來不小難度。大數據背景下，利用數據挖掘分析技術完成動車組故障信息的采集、篩選、分類和挖掘，即可為故障原因確定及預防維修方案制定提供可靠的理論依據，幫助提高故障預防及檢修水平，因此有必要對故障數據挖掘分析技術進行分析。

一、數據挖掘分析技術

（一）數據挖掘的內容

數據挖掘主要完成關聯分析、聚類分析、數據分類、規律預測、損失模型、偏差分析等任務。其中，關聯分析對兩個及以上變量間存在的相互影響管理進行分析，常用分析方法包括簡單關聯、因果關聯以及時序關聯，影響關聯分析結果的主要參數為置信度和支持度。聚類分析將帶有相同或類似特征的數據聚集到一起，命名為同一類別，以此來突出不同類別間的差異程度，聚類分析在圖像處理、客戶分析、模式識別等領域有廣泛應用。

（二）數據挖掘的步驟

第一，數據清洗。數據清洗可剔除動車組故障數據中的噪聲數據、冗余數據或無用數據。由于數據來源較廣，因此存在一定異常數據不可避免，但這部分數據會對數據挖掘分析結果產生一定干擾，因此在挖掘分析之前需將其剔除[1]。第二，數據集成。數據集成將不同數據源的數據相互組合，當描述相同概念的屬性處于不同數據庫中時，其有不同的命名方式，若進行數據集成易引發數據冗余或不一致的現象。數據體系中的冗余數據過多，會給挖掘分析速度帶來負面影響，因此需將冗余數據重點清除。第三，數據轉換。數據轉換將原始數據轉變為可被挖掘的形式后進行存儲，主要操作步驟為數據格式化，即將原本連續的數據轉化為離散型數據，易于符號歸納;或將離散型數據轉化為連續型，方便神經網絡計算。第四，數據挖掘。該步驟為數據挖掘分析的核心，從數據集或數據體系中挖掘潛在的規律或模式，用以指導實際工作。數據挖掘開展于數據預處理之后，可根據挖掘任務特點選擇相適應的數據處理技術。常見的數據挖掘任務有數據特征分析、數據分類、關聯性分析等。第五，評估與表現。評估與表現對數據挖掘結果進行評價和篩選，找出最具價值的規律或模模式，經可視化處理后，將最終的結果以知識形式呈現給用戶。

二、數據環境下動車組故障數據挖掘分析技術

（一）故障數據模型設計

動車組故障數據模型可大致劃分為四個層級：（1）狀態信息層。該層級包括故障發生時的動車狀態信息，如故障時間、車次、型號、運行區間、運行距離、運行環境等。（2）故障現象層。該層用以描述故障本身的狀態，如故障位置、故障形式、發生程度、影響范圍、具體描述等。（3）解決方案層。解決方案層可被視為專家庫，用以存儲動車組常見故障類型、故障誘發原因、常用處理方案等，結合解決方案層的數據，可對動車組實際故障做定性分析，并結合歷史數據找到最佳的故障排除方案。（4）故障處理層。該層包括故障處理時間、操作人員、具體措施、處理結果等信息。

（二）故障數據庫搭建

動車組故障數據挖掘分析基于大量準確、有效的故障數據，為方便數據采集和存儲，確保故障數據的規范性，需搭建相應的故障數據庫，并完成網絡配置。數據庫系統軟件設計可由計算機技術、網絡技術、數據庫技術完成。考慮到鐵路系統現有資源配置情況及數據庫搭建效率，以OA網作為數據庫運行網絡平臺，動車組故障數據庫系統架構包括OA網絡、數據庫服務器、Web服務器、挖掘分析終端、用戶端等模塊。故障數據庫在Visual Studio2008環境下開發，使用B/S架構，并以C#為編程語言，硬件服務器和軟件服務器分別為DELL_R720 PC和Windows Server 2008 R2 Standard。

（三）數據庫功能實現

動車組故障數據庫包含如下功能模塊：（1）數據錄入：完成動車組故障表單的填寫、上傳及故障數據的批量化導入;表單中部分信息為選擇式填入，以確保錄入數據、名稱的規范性;從動車組上下載的故障數據在批量化導入之前，需對其進行篩選，清除操作提示、狀態提醒等與動車故障無關的數據。（2）信息查詢：提供多條件組合查詢方式。（3）故障統計：包括時間、里程和車型三種統計標準。（4）故障跟蹤：跟蹤對象為待處理故障和運行觀察故障。（5）故障分析：分為車載故障、遠程故障數據分析和部件平均壽命計算[2]。（6）標準數據：該模塊可實現用戶權限管理、故障模式配置、計算參數設定等功能。

（四）成果檢驗

將動車組故障數據挖掘分析技術應用至某鐵路局CRH1A型動車組的故障分析工作中，采集其在2018年9～12月的故障數據信息，發現其在12月運行里程達到320～360萬公里時，發生轉向架故障的概率要更高，該結果與動車組故障處理經驗判斷結果保持一致。經檢測驗證，該動車組轉向架的齒輪箱、軸向軸承等節點度過高，因此建議在日常維修保養中，加強節點處零部件的檢查。

三、結論

大數據時代，動車組故障分析、處理的信息化水平顯著提高，借助數據挖掘分析技術，可有效降低動車組故障處理的難度和時間成本，同時強化故障風險的可預見、可預防性，確保動車組安全、高效運行。

參考文獻：

[1]黃凌云.大數據環境下動車組故障數據挖掘分析技術研究[D].中國鐵道科學研究院，2019.

[2]何騰翔.Flink平臺下Eclat算法的研究及在動車組故障關聯關系挖掘中的應用[D].北京交通大學，2019.