李沃

【摘 要】通過對(duì)城軌運(yùn)營(yíng)主動(dòng)維保模式的研究，提出了一種列車停車精度的分析方法。該方法通過對(duì)停車精度歷史數(shù)據(jù)的分析和對(duì)比，可以精準(zhǔn)定位和預(yù)判停車精度發(fā)生偏差的列車和站臺(tái)，以及停車精度發(fā)生偏差的嚴(yán)重程度。一定程度上達(dá)到了停車精度的預(yù)警，為主動(dòng)維保提供信息化智能化的支持。

【關(guān)鍵詞】主動(dòng)維保;停車精度;數(shù)據(jù)分析

中圖分類號(hào)： U239.5 文獻(xiàn)標(biāo)識(shí)碼： A文章編號(hào)： 2095-2457（2019）35-0014-002

DOI：10.19694/j.cnki.issn2095-2457.2019.35.006

0 引言

隨著各行業(yè)的數(shù)據(jù)爆發(fā)增長(zhǎng)，傳統(tǒng)的數(shù)據(jù)處理技術(shù)已經(jīng)不能夠滿足業(yè)務(wù)的要求，信息行業(yè)隨之推出的各種針對(duì)海量數(shù)據(jù)處理的技術(shù)-大數(shù)據(jù)技術(shù)。大數(shù)據(jù)技術(shù)經(jīng)過幾年的發(fā)展已經(jīng)成為成熟的技術(shù)，最初在金融行業(yè)應(yīng)用，現(xiàn)在已經(jīng)擴(kuò)展到了各行各業(yè)。在大數(shù)據(jù)技術(shù)的基礎(chǔ)上，國(guó)家層面提出了智慧城市的發(fā)展方向。交通是城市運(yùn)轉(zhuǎn)的重要組成部分，其中的軌道交通每時(shí)每刻都產(chǎn)生大量的運(yùn)行數(shù)據(jù)。數(shù)據(jù)規(guī)模已經(jīng)達(dá)到了大數(shù)據(jù)的標(biāo)準(zhǔn)，可以應(yīng)用大數(shù)據(jù)技術(shù)對(duì)軌道交通的數(shù)據(jù)進(jìn)行分析處理。停車精度時(shí)ATO（列車自動(dòng)駕駛系統(tǒng)）所采集的重要的數(shù)據(jù)，是關(guān)系到軌道運(yùn)營(yíng)安全的關(guān)鍵數(shù)據(jù)，通過大數(shù)據(jù)技術(shù)對(duì)停車精度數(shù)據(jù)進(jìn)行分析，可以對(duì)停車精度趨勢(shì)進(jìn)行預(yù)測(cè)，綜合提升軌道運(yùn)營(yíng)和維護(hù)的水平。

1 研究背景和意義

車停車精度是城軌列車運(yùn)行時(shí)的關(guān)鍵指標(biāo)，停車精度的準(zhǔn)確性，關(guān)系到列車乘客上下車速度，列車制動(dòng)性能等指標(biāo)[1]，關(guān)系到行車安全和列車的運(yùn)載能力，停車精度頻繁發(fā)生過標(biāo)，欠標(biāo)或者停車精度不穩(wěn)定的情況，會(huì)導(dǎo)致列車頻繁進(jìn)行自動(dòng)運(yùn)行調(diào)整，增加了ATO系統(tǒng)的負(fù)擔(dān)，增加了軌道運(yùn)營(yíng)的風(fēng)險(xiǎn)。列車停車精度數(shù)據(jù)是通過ATO系統(tǒng)實(shí)時(shí)采集上來[2]，以支撐列車和信號(hào)設(shè)備的實(shí)時(shí)監(jiān)測(cè)系統(tǒng)的顯示，但是目前建設(shè)的線路對(duì)這些數(shù)據(jù)的利用程度有限，主要包括以下幾方面：

（1）數(shù)據(jù)多作為歷史數(shù)據(jù)存儲(chǔ)起來，沒有進(jìn)一步的整理和挖掘。

（2）數(shù)據(jù)格式繁多，維度不統(tǒng)一難以支撐數(shù)據(jù)分析。

（3）用戶和供應(yīng)商對(duì)數(shù)據(jù)本身價(jià)值的認(rèn)識(shí)程度不高。

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

所以有必要通過對(duì)歷史數(shù)據(jù)的研究來發(fā)掘數(shù)據(jù)的價(jià)值，通過歷史數(shù)據(jù)的分析得出有趣的趨勢(shì)和預(yù)警的結(jié)論，從未提升運(yùn)營(yíng)和維護(hù)的水平，提升運(yùn)維的主動(dòng)性。

2 主動(dòng)維保模式介紹

城市軌道交通系統(tǒng)主動(dòng)運(yùn)維決策支持技術(shù)是指一系列能夠讓城市軌道交通系統(tǒng)由被動(dòng)運(yùn)維（定期、事后維護(hù)保養(yǎng)）變事前基于系統(tǒng)狀態(tài)進(jìn)行運(yùn)維決策的技術(shù)，包括實(shí)時(shí)監(jiān)測(cè)、關(guān)鍵信息特征識(shí)別、故障演變規(guī)律、狀態(tài)評(píng)估預(yù)警等一系列的技術(shù)[3]。傳統(tǒng)的運(yùn)營(yíng)的維保工作主要是基于線路和列車設(shè)備發(fā)生的具體故障來進(jìn)行，屬于故障修的范疇。主動(dòng)運(yùn)維技術(shù)應(yīng)用到軌道運(yùn)營(yíng)和維保工作當(dāng)中后，會(huì)整體提升軌道運(yùn)營(yíng)維護(hù)的水平，將故障修全面提升到狀態(tài)修，提升整體城軌運(yùn)維的自動(dòng)化和智能化水平，將維保工作由被動(dòng)轉(zhuǎn)化為主動(dòng)。

3 列車停車精度介紹

停車精度是由列車自動(dòng)停車控制，作為ATO系統(tǒng)的一項(xiàng)關(guān)鍵技術(shù)。為保證乘客安全，現(xiàn)在越來越多的站臺(tái)都帶有屏蔽門[4]。停車精度不準(zhǔn)確會(huì)對(duì)乘客上下車造成影響，還會(huì)對(duì)列車的通信造成影響，嚴(yán)重影響城軌列車的運(yùn)行效率，還會(huì)影響乘客的上下車，從而降低交通系統(tǒng)的運(yùn)行效率。列車標(biāo)準(zhǔn)的停車精度設(shè)定的范圍為±30cm，列車ATO系統(tǒng)會(huì)根據(jù)列車和環(huán)境的一系列參數(shù)和因素，去調(diào)整列車制動(dòng)的精確性，從而保證列車停車精度的準(zhǔn)確性。當(dāng)列車出現(xiàn)了不準(zhǔn)確的停車精度記錄時(shí)候，說明ATO系統(tǒng)在制動(dòng)控制方面出現(xiàn)了誤差。然而更多的時(shí)候列車停車精度是在標(biāo)準(zhǔn)的范圍之內(nèi)，但是停車精度數(shù)值會(huì)出現(xiàn)周期性或者規(guī)律性的變化，具有偏離標(biāo)準(zhǔn)值的趨勢(shì)，這種變化就要通過數(shù)據(jù)分析的方法去研究分析，得出一定的結(jié)論，在列車停車精度出現(xiàn)偏差之前，發(fā)現(xiàn)其趨勢(shì)，及時(shí)檢修維護(hù)，達(dá)到主動(dòng)維保的目標(biāo)。

4 大數(shù)據(jù)分析方法

大數(shù)據(jù)分析典型的分析方法的基礎(chǔ)都是通過數(shù)據(jù)比較而進(jìn)行的，經(jīng)典的算法有以下幾種，聚類分析，關(guān)聯(lián)分析，矩陣分析，多維度分析等。其中的聚類分析是大數(shù)據(jù)分析眾多方法當(dāng)中，使用的最為廣泛的一種分析方法，該方法可以將各種零散不連續(xù)的數(shù)據(jù)通過數(shù)據(jù)之間的距離進(jìn)行科學(xué)的分類，每一類數(shù)據(jù)都具備相同的特性[5]。

對(duì)這些歷史的設(shè)備狀態(tài)數(shù)據(jù)進(jìn)行數(shù)據(jù)分析可以得到許多有趣的結(jié)果。聚類分析是數(shù)據(jù)分析方法中發(fā)展比較早，相對(duì)成熟的方法，它將一個(gè)數(shù)據(jù)集合按照空間距離分為幾個(gè)不同的子集合，是一種經(jīng)典的分類算法。該算法的原理是隨機(jī)選定子集的中心點(diǎn)，然后計(jì)算集合中每個(gè)元素之間的相對(duì)距離，通過不斷的迭代和計(jì)算，調(diào)整每個(gè)子集的中心點(diǎn)，將每個(gè)離中心點(diǎn)空間距離最近的元素形成新的集合，直到子集不再發(fā)生變化，從而形成分類的子集，也就是最終的聚類。

5 停車精度大數(shù)據(jù)分析方法研究

ATO系統(tǒng)是一個(gè)全自動(dòng)駕駛系統(tǒng)，系統(tǒng)在運(yùn)行過程中會(huì)輸出各種運(yùn)行過程中的狀態(tài)值。狀態(tài)值包含了，速度，牽引，制動(dòng)，停車精度，開關(guān)門，司機(jī)駕駛等各種狀態(tài)值信息。這些狀態(tài)值信息中有一部分信息具備都離散的特點(diǎn)，是適合做聚類分析的樣本數(shù)據(jù)。聚類分析是數(shù)據(jù)分析當(dāng)中最為有效的一種分析方法。該方法可以通過數(shù)學(xué)的方式對(duì)樣本進(jìn)行科學(xué)分類，具有相似性的樣本會(huì)聚集在一類。通過聚類分析很快就可以明確數(shù)據(jù)樣本當(dāng)中所具備的群組，然后再對(duì)每個(gè)群組進(jìn)行有效的分析，可以對(duì)一類問題進(jìn)行統(tǒng)一的定位和處理。

大數(shù)據(jù)聚類分析的過程以2017年9月16日到2017年10月16日MSS系統(tǒng)采集上來的ATO系統(tǒng)識(shí)別的停車精度數(shù)據(jù)來說明問題。該數(shù)據(jù)的采集地點(diǎn)是北京7號(hào)線全線站臺(tái)的停車精度，時(shí)間跨度為一個(gè)月，共計(jì)采集的樣本數(shù)據(jù)為149342條數(shù)據(jù)，數(shù)據(jù)量近15萬條數(shù)據(jù)，適合初步進(jìn)行大數(shù)據(jù)分析的數(shù)據(jù)規(guī)模。

數(shù)據(jù)中針對(duì)停車精度包含了三個(gè)維度的屬性。分別為停車時(shí)刻，車輛號(hào)和站臺(tái)三個(gè)屬性?？梢葬槍?duì)這三個(gè)屬性進(jìn)行數(shù)據(jù)分析。

首先通過K-MEANS算法對(duì)停車精度的采集數(shù)據(jù)進(jìn)行分類，根據(jù)維保經(jīng)驗(yàn)，將停車精度的聚類分析深度定義到8個(gè)群組。經(jīng)過10次迭代計(jì)算，最終得到了8個(gè)群組。分類結(jié)果中可以得出聚類分析已經(jīng)可以將樣本劃分為8個(gè)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(shù)據(jù)確實(shí)在特定的條件下，存在不同程度的數(shù)據(jù)聚集。

將樣本數(shù)據(jù)帶入群組當(dāng)中。得出每一個(gè)群組的中心點(diǎn)。中心點(diǎn)可以簡(jiǎn)單理解為每一組數(shù)據(jù)的二維平均值。計(jì)算結(jié)果為：1號(hào)樣本，中心點(diǎn)為66.47，樣本數(shù)量為36個(gè);2號(hào)樣本，中心點(diǎn)為1.12，樣本數(shù)量為7737個(gè);3號(hào)樣本，中心點(diǎn)為-16.06，樣本數(shù)量為71979個(gè);4號(hào)樣本，中心點(diǎn)為-9.28，樣本數(shù)量為34714個(gè);5號(hào)樣本，中心點(diǎn)為32.45，樣本數(shù)量為622個(gè);6號(hào)樣本，中心點(diǎn)為-22.7，樣本數(shù)量為31381個(gè);7號(hào)樣本，中心點(diǎn)為2633，樣本數(shù)量為7737個(gè);8號(hào)樣本，中心點(diǎn)為125.89，樣本數(shù)量為240個(gè)。計(jì)算完成樣本的中心點(diǎn)以后，可以明顯看出有兩個(gè)群組是不正常停車點(diǎn)的狀態(tài)，分別是：

1號(hào)樣本，中心點(diǎn)為66.47，樣本數(shù)量為36個(gè)。

8號(hào)樣本，中心點(diǎn)為125.89，樣本數(shù)量為240個(gè)。

根據(jù)過標(biāo)的標(biāo)準(zhǔn)，這兩個(gè)群組樣本數(shù)據(jù)已經(jīng)嚴(yán)重的過標(biāo)了，雖然都是嚴(yán)重過標(biāo)，但是經(jīng)過數(shù)據(jù)分析以后，嚴(yán)重過標(biāo)的數(shù)據(jù)形成了兩個(gè)群組中心，所以極有可能是由于兩種原因引起的過標(biāo)數(shù)據(jù)。這樣就需要針對(duì)兩個(gè)數(shù)據(jù)樣本做進(jìn)一步的維度分析一確定問題的根源。

表1 一號(hào)群組樣本明細(xì)表表

因?yàn)?號(hào)群組的樣本數(shù)據(jù)不多，所以可以通過直接觀察數(shù)據(jù)的方法進(jìn)行問題的排查，經(jīng)排查，車號(hào)，日期和站臺(tái)數(shù)據(jù)都沒有明顯的集中，經(jīng)過對(duì)數(shù)據(jù)的仔細(xì)比對(duì)以后，發(fā)現(xiàn)出現(xiàn)問題的時(shí)間都集中在早上的5點(diǎn)-7點(diǎn)。這樣就發(fā)現(xiàn)了問題的規(guī)律。可以給維護(hù)人員和設(shè)備研發(fā)人員發(fā)出明確的關(guān)注信號(hào)，要其關(guān)注每天早上5點(diǎn)-7點(diǎn)之間的列車制動(dòng)數(shù)據(jù)和停車精度數(shù)據(jù)，以分析停車精度出現(xiàn)少量過標(biāo)的問題。

8號(hào)樣本的中心點(diǎn)是125.89，其樣本數(shù)量為240個(gè)。這個(gè)樣本的數(shù)據(jù)量很大，而且125.89的停車精度也說明了停車過標(biāo)問題極為嚴(yán)重，一定是需要重點(diǎn)排查和解決的問題。通過數(shù)據(jù)分析和對(duì)比，其他站臺(tái)的過標(biāo)欠標(biāo)次數(shù)都是3個(gè)以內(nèi)，焦化廠下行站臺(tái)過標(biāo)次數(shù)為220次。

通過智能化的分析，最終在站臺(tái)維度上看到了問題的發(fā)生集中在焦化廠下行站臺(tái)。

6 總結(jié)

通過對(duì)停車精度數(shù)據(jù)進(jìn)行相應(yīng)的數(shù)據(jù)分析，可以快速定位停車精度出現(xiàn)偏差的位置和時(shí)間，極大程度上提高了城軌運(yùn)維的主動(dòng)性，為主動(dòng)運(yùn)維提供了有效的數(shù)據(jù)支持。

【參考文獻(xiàn)】

[1]羅巖.預(yù)測(cè)控制在列車自動(dòng)駕駛系統(tǒng)中的應(yīng)用研究[D].上海交通大學(xué)，2015.

[2]侯贊.ATO系統(tǒng)綜合性能評(píng)價(jià)與列車多目標(biāo)優(yōu)化操縱方法研究[D].北京交通大學(xué)，2012.

[3]蔣益沖.軌道交通電源網(wǎng)管監(jiān)控系統(tǒng)設(shè)計(jì)與開發(fā)[D].西南交通大學(xué)，2017.

[4]陳東.城軌列車停車控制算法及仿真研究[D].蘭州交通大學(xué)，2018.

[5]游麗平，陳德旺，陳文，劉林.聚類集成技術(shù)在地鐵站點(diǎn)類型研究中的應(yīng)用[J].小型微型計(jì)算機(jī)系統(tǒng)，2019，40（01）：236-240.