大数据环境下动车组故障数据挖掘分析技术分析.pdf

1、大数据环境下动车组故障数据挖掘分析技术分析李恒摘 要：动车组故障检修过程中积累大量数据资源，若能将其充分开发，可辅助动车组故障预警、维修工作的高效开展。为此本文分析大数据环境下动车组故障数据挖掘分析技术，通过数据分析挖掘，从中总结故障发生规律及原因，制定故障风险防控方案，实现故障的事前管理。关键词：大数据;动车组故障;数据挖掘引言：国内现役动车组车型较多，加之不同运行环境、运行压力的影响，使动车组故障类型及引发原因趋于复杂化，给故障预防和检修维护工作带来不小难度。大数据背景下，利用数据挖掘分析技术完成动车组故障信息的采集、筛选、分类和挖掘，即可为故障原因确定及预防维修方案制定提供可靠的理论依据

2、，帮助提高故障预防及检修水平，因此有必要对故障数据挖掘分析技术进行分析。一、数据挖掘分析技术（一）数据挖掘的内容数据挖掘主要完成关联分析、聚类分析、数据分类、规律预测、损失模型、偏差分析等任务。其中，关联分析对两个及以上变量间存在的相互影响管理进行分析，常用分析方法包括简单关联、因果关联以及时序关联，影响关联分析结果的主要参数为置信度和支持度。聚类分析将带有相同或类似特征的数据聚集到一起，命名为同一类别，以此来突出不同类别间的差异程度，聚类分析在图像处理、客户分析、模式识别等领域有广泛应用。（二）数据挖掘的步骤第一，数据清洗。数据清洗可剔除动车组故障数据中的噪声数据、冗余数据或无用数据。由于数

3、据来源较广，因此存在一定异常数据不可避免，但这部分数据会对数据挖掘分析结果产生一定干扰，因此在挖掘分析之前需将其剔除1。第二，数据集成。数据集成将不同数据源的数据相互组合，当描述相同概念的属性处于不同数据库中时，其有不同的命名方式，若进行数据集成易引发数据冗余或不一致的现象。数据体系中的冗余数据过多，会给挖掘分析速度带来负面影响，因此需将冗余数据重点清除。第三，数据转换。数据转换将原始数据转变为可被挖掘的形式后进行存储，主要操作步骤为数据格式化，即将原本连续的数据转化为离散型数据，易于符号归纳;或将离散型数据转化为连续型，方便神经网络计算。第四，数据挖掘。该步骤为数据挖掘分析的核心，从数据集或

4、数据体系中挖掘潜在的规律或模式，用以指导实际工作。数据挖掘开展于数据预处理之后，可根据挖掘任务特点选择相适应的数据处理技术。常见的数据挖掘任务有数据特征分析、数据分类、关联性分析等。第五，评估与表现。评估与表现对数据挖掘结果进行评价和筛选，找出最具价值的规律或模模式，经可视化处理后，将最终的结果以知识形式呈现给用户。二、數据环境下动车组故障数据挖掘分析技术（一）故障数据模型设计动车组故障数据模型可大致划分为四个层级：（1）状态信息层。该层级包括故障发生时的动车状态信息，如故障时间、车次、型号、运行区间、运行距离、运行环境等。（2）故障现象层。该层用以描述故障本身的状态，如故障位置、故障形式、发

5、生程度、影响范围、具体描述等。（3）解决方案层。解决方案层可被视为专家库，用以存储动车组常见故障类型、故障诱发原因、常用处理方案等，结合解决方案层的数据，可对动车组实际故障做定性分析，并结合历史数据找到最佳的故障排除方案。（4）故障处理层。该层包括故障处理时间、操作人员、具体措施、处理结果等信息。（二）故障数据库搭建动车组故障数据挖掘分析基于大量准确、有效的故障数据，为方便数据采集和存储，确保故障数据的规范性，需搭建相应的故障数据库，并完成网络配置。数据库系统软件设计可由计算机技术、网络技术、数据库技术完成。考虑到铁路系统现有资源配置情况及数据库搭建效率，以 OA 网作为数据库运行网络平台，动

6、车组故障数据库系统架构包括 OA 网络、数据库服务器、Web 服务器、挖掘分析终端、用户端等模块。故障数据库在 VisualStudio2008 环境下开发，使用 B/S 架构，并以 C#为编程语言，硬件服务器和软件服务器分别为 DELL_R720 PC 和 Windows Server 2008 R2 Standard。（三）数据库功能实现动车组故障数据库包含如下功能模块：（1）数据录入：完成动车组故障表单的填写、上传及故障数据的批量化导入;表单中部分信息为选择式填入，以确保录入数据、名称的规范性;从动车组上下载的故障数据在批量化导入之前，需对其进行筛选，清除操作提示、状态提醒等与动车故障无

7、关的数据。（2）信息查询：提供多条件组合查询方式。（3）故障统计：包括时间、里程和车型三种统计标准。（4）故障跟踪：跟踪对象为待处理故障和运行观察故障。（5）故障分析：分为车载故障、远程故障数据分析和部件平均寿命计算2。（6）标准数据：该模块可实现用户权限管理、故障模式配置、计算参数设定等功能。（四）成果检验将动车组故障数据挖掘分析技术应用至某铁路局 CRH1A 型动车组的故障分析工作中，采集其在 2018 年 912 月的故障数据信息，发现其在 12 月运行里程达到 320360 万公里时，发生转向架故障的概率要更高，该结果与动车组故障处理经验判断结果保持一致。经检测验证，该动车组转向架的齿轮箱、轴向轴承等节点度过高，因此建议在日常维修保养中，加强节点处零部件的检查。三、结论大数据时代，动车组故障分析、处理的信息化水平显著提高，借助数据挖掘分析技术，可有效降低动车组故障处理的难度和时间成本，同时强化故障风险的可预见、可预防性，确保动车组安全、高效运行。参考文献：1黄凌云.大数据环境下动车组故障数据挖掘分析技术研究D.中国铁道科学研究院，2019.2何腾翔.Flink 平台下 Eclat 算法的研究及在动车组故障关联关系挖掘中的应用D.北京交通大学，2019.