TPDS 大數據分析系統設計*

史曉磊，馮麗敏，蔣 薈，王華偉，李 源

（中國鐵道科學研究院集團有限公司 電子計算技術研究所，北京100081）

車輛運行品質軌邊動態監控系統（以下簡稱TPDS 系統）［1］，利用設在軌道上的測試平臺，動態監測運行中車輛輪軌間的動力學參數，在聯網評判的基礎上，實現對車輛運行狀態的識別。系統產生了海量的監測數據。如：TPDS 系統每日新增列車檢測數據約2 萬條，每年新增約720 萬；每日新增車輛檢測約40 萬條，每年新增約1.5 億條；每日新增輪軸檢測數據200 萬條等。基于TPDS 系統產生的海量數據，借助基于Hadoop 平臺的大數據分析技術，分析車輛故障規律，研制TPDS 車輛故障大數據應用，提高貨車安全保障能力。

針對各級車輛管理部門提出的TPDS 系統故障數據深入挖掘要求，借助基于Hadoop 平臺的大數據分析技術，分析車輛故障規律，研制TPDS 車輛故障大數據應用，為各級車輛管理部門提供輔助和預測信息服務，不斷深化TPDS 系統數據應用和提高貨車安全保障能力。

1 業務流程

通過對TPDS 設備探測貨車踏面損傷數據進行車輛踏面服役性能、踏面損傷報警等級演變等規律分析，并將分析結論實時推送至列檢值班員。當發現預警車輛信息時，在列車到達或者中轉列檢作業場后，通過手持終端或者對講機通知檢車員重點檢查，如果車輛踏面損傷較為嚴重，列檢值班員及時通知車站調度值班員進行扣車作業，視情況分別送至站修作業場或者檢修車間進行檢修作業，列檢值班員對踏面損傷實際測量及現場處置信息進行反饋，同時清零相關預警信息。

2 總體架構

TPDS 大數據分析系統在國鐵集團鐵路綜合信息網內部服務網上進行一級集中部署，采用B/S模式為國鐵集團、鐵路局、車輛段提供三級聯網應用服務。通過與既有TPDS 系統據的共享與集成，構成系統數據基礎，利用基于Hadoop 平臺的大數據計算集群定時進行數據分析，并將數據分析結果提供給各級車輛管路部門。系統結構如圖1所示。

圖1 TPDS 大數據分析系統總體架構

3 功能設計

TPDS 大數據分析系統的功能模塊組成如圖2所示。

圖2 TPDS 大數據分析系統功能設計

（1）故障預測

研究踏面沖擊當量由二級到一級預警周期規律，預測故障發展走勢，研究故障發生與運用時間的規律關系，在愈演愈烈前進行故障預測，以便攔停檢修，保障車輛運行安全，防患于未然。

利用Hadoop 集群計算資源，按路局維度，分別以月、年為時間單位統計分析TPDS 監測和預警數量，預測預警趨勢，掌握故障變化趨勢，用以指導檢修。

（2）質量分析改進

研究基于Hadoop 集群實現TPDS 歷史踏面損傷和運行不良預警數據按車種車型、生產廠家、輪軸型號的統計分析，為質量分析改進提供依據。

對于鐵路局管轄范圍內修過的貨車，在運用一段時候之后的報警率以及運行狀態不良情況進行統計分析，評價鐵路局的檢修質量。

（3）車輛運行狀態評估

根據段修月份選擇一批段修修竣車，統計分析這批段修修竣車在一個段修周期內平均聯網積分均值的變化情況，整車服役性能規律分析，反映不同車型的整車服役性能變化規律，對車輛運行狀態進行評估，掌握整車的健康狀態，實現整車及關鍵配件視情維修。

（4）故障規律分析

根據探測站線路關系，預測特定線路上TPDS預警數據走勢，形成不同線路之間預警對比分析，分析不同線路對車輛運行狀態的影響。在選定的時間范圍內，分析該線路上所有探測站的報警率與處理率，以便針對經常發生報警的線路，對運用檢修的故障規律掌握提供決策支持。

（5）車輛設計、工藝改進輔助支持

研究基于Hadoop 集群實現TPDS 踏面損傷一、二、三級以及運行狀態不良預警按路局、車型進行趨勢預測。研究報警類型、嚴重程度與車型的規律，以便對車型的設計提供輔助決策依據。

按車型統計長時間范圍內的TPDS 報警情況，如5 年內，10 年內，目的是掌握車型在較長時間范圍內的報警類型分布，為該車型車輛參數的設計、工藝的改進提供輔助決策支持。

（6）綜合概況

各路局每日監測輛數、報警率、處理率的對比，以便管理層從整體把握各局TPDS 報警與處理情況。

4 關鍵算法研究

4.1 主要探測站報警率與月份變化規律分析

通過對探測貨車輛次較大的TPDS 探測站，分析其檢測報警故障率在1 年中12 個月的變化規律，指導車輛運用部門在報警率較高的月份重點防范車輪踏面損傷故障。

以2018 年全路TPDS 設備檢測的數據為樣本，選取檢測貨車輛數超過500 萬輛且檢測報警率相對較高的前4 位探測站，作為分析對象，滿足條件且位列前4 的探測站分別是圃田（隴海線）、漢溝（京滬線）、靈山（沈大線）、興隆場（襄渝線），分別計算4 個探測站在全年12 個月份的報警率，其中報警率=報警輛數/檢測輛數×1000‰。通過對4臺TPDS 設備報警率變化曲線的對比分析，得出車輛踏面報警率較高的月份，如圖3 所示。

圖3 報警率與月份變化規律分析

由圖3 數據曲線可得出，1、2 月份報警率相對其他月份較高，11、12 月份報警率較前幾個月有攀升趨勢，建議車輛運用部門在每年1、2、11、12 月份加強對貨車車輪踏面檢查力度。

4.2 車輛服役性能變化規律分析

TPDS 聯網積分是對貨車技術狀態的重要評價指標［2］。以典型車種車型為對象，以段修周期為單位，分析典型車型對應批次車輛的平均聯網積分在不同運用時長下的變化趨勢，以估算貨車服役性能的變化規律。

以最近3 年TPDS 檢測數據為樣本，選取典型車型C64K、P64K，統計分析所選車型對應貨車車輛聯網積分平均值。C64K、P64K貨車段修周期為18 個月，取所選車型對應車輛在最近一次段修前推一個段修周期聯網積分數據，計算所有車輛在段修期18個月內的平均聯網積分值，以平均聯網值為縱坐標，段修期18 個月為橫坐標，繪制段期內聯網積分變化曲線，通過聯網積分曲線反應貨車服役性能變化趨勢，如圖4 所示。

圖4 車輛運行狀態評估

依據上圖曲線可得出結論，C64K、P64K型貨車在一個段修周期內，伴隨著運用時長的增加，貨車聯網積分平均值在逐漸升高。

4.3 踏面損傷報警演變規律分析

TPDS 系統對車輪踏面損傷的評價是根據沖擊當量大小來度量的。沖擊當量是根據輪對對軌道結構的沖擊作用大小、速度、輪重等因素換算的度量值。TPDS 踏面損傷報警級別分3 類，與沖擊當量的對應關系如下表：

表1 TPDS 報警等級與踏面沖擊當量關系表

通過研究典型車種車型的車輪踏面損傷報警由三級發展為二級，再由二級發展到一級時，相應貨車走行里程的變化，分析踏面損傷報警級別演變與貨車走行里程關系規律，以預測車輪踏面損傷報警發展趨勢，為提前防范行車安全事故提供輔助決策支撐。

以近10 年TPDS 探測數據為數據源，選取典型車種車型C64K、C70、P70，分別選取上述車型由踏面報警三級發展到二級和由報警二級發展到一級的有效檢測數據，去除進行旋輪作業的車輪，通過車號、踏面報警三級發展到報警二級時間差、報警二級發展到報警一級時間差等數據項關聯貨車走行里程數據，計算出單車單輪走行里程增量，然后以車輛為單位，分組計算貨車走行里程增量，再以C64K、C70、P70車型為單位，分組計算平均走行里程，得到所選車型踏面報警等級演變和實際走行里程關系。借助演變數據規律，為貨車運用技術管理人員提供車輪踏面報警信息支撐，有效防范行車故障。

5 結束語

TPDS 大數據分析系統利用基于Hadoop 平臺的大數據集群技術對蘊藏在車輛運行品質軌邊動態監控系統（TPDS 系統）監測數據開展深入挖掘和規律分析，研究車輪踏面損傷故障報警等級演變、多發線路故障、車輛服役性能等發生發展規律，為貨車故障診斷與預測、貨車運用檢修提供輔助決策支持；通過對輪對不同型號故障數據的分析，為貨車輪對設計、工藝改進等提供重要數據支撐。本系統是對TPDS 系統數據的深化應用，能夠進一步提高貨車安全保障能力，有效預防車輛踏面故障，具有顯著的安全效益和經濟效益。