一种基于大数据的地铁信号设备状态修分析方法与流程

本发明涉及数据处理领域，具体涉及一种基于大数据的地铁信号设备状态修分析方法。
背景技术：
：随着科技的发展，各个城市也开始开通地铁，但是基于地铁信号系统的维护支持一直只能在地铁信号设备故障了之后，维护支持系统才能收到报警信息，对报警设备进行检修或更换，而这时候各个信号系统的维护站也都已经知道了告警信息，维护支持的功能显得没有什么价值性。且如果故障发生在地铁运行过程中，势必会影响地铁的正常运行秩序，阻碍市民的出行，造成财力及其人力的耗费，还会影响到其他地铁线的运行工作，导致有些地铁乘客十分拥堵。现有的基于大数据的维护支持系统只能在接收到各个子系统报警数据之后才能知道信号设备故障，但这时候各个子系统已经知道设备故障了，车站需要停运进行维修等工作，而没有一套系统的解决方案来统计分析这些信号系统的数据，从而实现故障预警和隐患排查，无法提前预测故障的出现和几率。技术实现要素：鉴于上述问题，本发明提出了克服上述问题或者至少部分地解决上述问题的一种基于大数据的地铁信号设备状态修分析方法。为此目的，第一方面，本发明提出一种地铁信号设备状态修分析方法，包括：分析处理装置周期性地接收地铁信号系统中每一子系统发送的该子系统中每一信号设备在预设时间段内的运行状态信息，以及接收维护支持系统发送的每一信号设备的维修记录信息；分析处理装置将所有信号设备的运行状态信息和维修记录信息分布式存储在HDFS中；针对至少一个信号设备进行状态修分析时，分析处理装置根据信号设备的标识，从HDFS中查找该信号设备的运行状态信息、维修记录信息；分析处理装置根据查找的运行状态信息、维修记录信息，结合预设公式，获取该信号设备发生故障的概率。可选地，所述方法还包括：分析处理装置判断获取的概率是否大于预设值，若是，则发出预警信息。可选地，所述运行状态信息包括：已发生报警的报警信息、设备信息、运行环境信息和/或停车信息；其中，报警信息包括：报警设备、报警级别、报警时间和/或报警状态；设备信息包括：设备名称、设备的属性值和/或测量时间点；停车信息包括：车次号、头尾端标识、站台号和/或停车精度级别；维修记录信息包括：信号设备起始使用时间、厂商规定的使用期限、信号设备维修时间点和/或维修原因。可选地，针对信号设备为道岔转辙机时，从HDFS中查找该信号设备的运行状态信息、维修记录信息的步骤，包括：获取前两个月内每个采集时间段采集的该道岔转辙机的重要告警次数、不重要告警次数、正常次数、采集次数和设备使用率；相应地，根据查找的运行状态信息、维修记录信息，结合预设公式，获取该信号设备发生故障的概率的步骤，包括：根据采集的该道岔转辙机的重要告警次数、不重要告警次数、正常次数和采集次数，预估重要告警概率、不重要告警概率和正常概率的预估值；根据重要告警次数、不重要告警次数、正常次数、设备使用率，以及预估的重要告警概率、不重要告警概率和正常概率的预估值，结合预设公式，获取该道岔转辙机的故障概率曲线；依据故障概率曲线，预测该道岔转辙机发生故障的时间段。可选地，根据重要告警次数、不重要告警次数、正常次数、设备使用率，以及预估的重要告警概率、不重要告警概率和正常概率的预估值，结合预设公式，获取该道岔转辙机的故障概率曲线，具体为：根据公式一，获取该道岔转辙机的故障概率曲线q；公式一：kaxa+kbyb+kczc+d＝q其中，a为发生不重要告警的告警次数，b为发生重要告警的告警次数，c为正常次数、x为不重要告警概率的预估值、y为重要告警概率的预估值、z为正常概率的预估值；d为道岔转辙机的使用率；ka，kb，kc的取值为0或1，当a为0时，ka为0，否则ka为1，当b为0时kb为0，否则为1；当c为0时，kc为0，否则为1。可选地，所述方法还包括：根据维修记录信息，采用预设公式二，获取信号设备的设备维修曲线p；公式二：其中，x为由于A原因维修信号设备的概率，i为由于A原因的维修次数，y为由于B原因维修信号设备的概率，j为由于B原因的维修次数；ki的取值为0或1，当i为0时，ki为0，否则ki为1；当j为0时，kj为0，否则kj为1；根据所述设备维修曲线p，预估该信号设备需要更换的时间段。可选地，所述方法还包括：接收维护支持系统发送的信号设备的状态量信息，该状态量信息为用户通过维护支持系统设置的模拟条件、模拟次数和/或模拟级别；以及接收维护支持系统发送的信号设备根据状态量信息进行模拟运行时的状态参数；根据所述状态量信息和状态参数，确定影响信号设备运行的条件；相应地，根据确定的影响信号设备运行的条件，调整已经获取的该信号设备发生故障的概率。可选地，所述分析处理装置采用流式方式从HDFS中查找信号设备的运行状态信息和维修记录信息。由上述技术方案可知，本发明提出的地铁信号设备状态修分析方法，通过收集地铁信号系统的各子系统发来的预设时间段内的报警信息、模拟量信息、停车精度信息等结合信号设备的使用年限和维修工单等数据，实现对故障预警和隐患排查，进而实现信号设备的检修和更换，能够降低信号设备的故障率，保证地铁更好的安全运行。附图说明图1为本发明一实施例提供的基于大数据的地铁信号设备状态修分析方法的流程示意图；图2为本发明一实施例提供的道岔转辙机的故障概率曲线的示意图；图3为本发明一实施例提供的道岔转辙机的设备维修曲线的示意图；图4为本发明一实施例提供的道岔转辙机的调整后的故障概率曲线的示意图。具体实施方式为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。本发明实施例中的分析处理装置连接维护支持系统，该分析处理装置还连接有分布式文件系统，分布式文件系统存储分析处理装置的运行状态信息和维修记录信息。在实际应用中，分析处理装置还连接有地铁信号系统的每一个子系统。如图1所示，图1示出了本发明一实施例提供的基于大数据的地铁信号设备状态修分析方法的流程示意图，本实施例的方法包括下述步骤。101、分析处理装置周期性地接收地铁信号系统中每一子系统发送的该子系统中每一信号设备在预设时间段内的运行状态信息，以及接收维护支持系统发送的每一信号设备的维修记录信息。在实际应用中，分析处理装置可周期性的从维护支持系统接收地铁信号系统中每一子系统中信号设备的运行状态信息和维修记录信息。本实施例中可以通过维护支持系统(即MSS)来对各个子系统的数据进行收集，由于各个子系统的协议都各有不同，所以需要维护系统将收集到的各个信号子系统的数据进行整理归类，分为报警信息，设备信息，同时需要收集各个设备的最大使用期限，到目前为止的使用时间，以及各个信号子系统设备的维修记录。举例来说，该步骤中的运行状态信息可包括：已发生报警的报警信息、设备信息、运行环境信息和/或停车信息；报警信息可包括：报警设备、报警级别、报警时间和/或报警状态等等；设备信息可包括：设备名称、设备的属性值和/或测量时间点等等；停车信息可包括：车次号、头尾端标识、站台号和/或停车精度级别等等；维修记录信息可包括：信号设备起始使用时间、厂商规定的使用期限、信号设备维修时间点和/或维修原因等等。102、分析处理装置将所有信号设备的运行状态信息和维修记录信息进行分布式存储，例如存储在HDFS中。本实施例中考虑到计算效率问题，MSS中收集整理好的数据将不采用数据库存储的方式，而是直接使用HDFS方式进行存储。这样的存储方式能更有效的存储管理更多的数据，达到PB级(1024G＝1T；1024T＝1P，B＝Byte字节)的数据管理量。103、针对至少一个信号设备进行状态修分析时，分析处理装置根据信号设备的标识，从HDFS中查找该信号设备的运行状态信息、维修记录信息。应说明的是，分析处理装置采用流式方式访问分布式存储的运行状态信息和维修记录信息。104、分析处理装置根据查找的运行状态信息、维修记录信息，结合预设公式，获取该信号设备发生故障的概率。可选地，在一种可选的实现方案中，上述图1所示的方法还包括下述的步骤105：105、分析处理装置判断获取的概率是否大于预设值，若是，则发出预警信息。在具体应用中，分析处理装置可将获取的概率曲线呈现给相关作业人员，以便作业人员进行后粗作业。本实施例的方法，通过收集地铁信号系统的各子系统发来的预设时间段内的报警信息、停车信息、维修状态信息等结合信号设备的使用年限和维修工单等数据，实现对故障预警和隐患排查，进而实现信号设备的检修和更换，能够降低信号设备的故障率，保证地铁更好的安全运行。另外，本实施例中采用HDFS(即Hadoop分布式文件系统)存储数据，它会把一个数据集生成数据源，然后分发到不同的存储节点(即各个计算机设备)中。进一步地，分析处理装置采用流式方式从HDFS中访问数据，使得HDFS可以用低廉的商用硬件集群来响应数据访问请求，而无需运行在昂贵的机器上，这样节约了很大的成本。为更好的理解上述图1所示的方法的流程，以下以道岔转辙机为例进行说明。针对信号设备为道岔转辙机时，上述图1中所示的步骤103、104可举例说明如下：第一步、分析处理装置获取前两个月内每个采集时间段采集的该道岔转辙机的重要告警次数、不重要告警次数、正常次数、采集次数、设备使用率；第二步、分析处理装置根据采集的该道岔转辙机的重要告警次数、不重要告警次数、正常次数、采集次数，预估重要告警概率、不重要告警概率和正常概率的预估值；第三步、分析处理装置根据重要告警次数、不重要告警次数、正常次数、设备使用率，以及预估的重要告警概率、不重要告警概率和正常概率的预估值，结合预设公式，获取该道岔转辙机的故障概率曲线q；例如，可根据公式一，获取该道岔转辙机的故障概率曲线q；公式一：kaxa+kbyb+kczc+d＝q其中，a为发生不重要告警的告警次数，b为发生重要告警的告警次数，c为正常次数、x为不重要告警概率的预估值、y为重要告警概率的预估值、z为正常概率的预估值；d为道岔转辙机的使用率；ka，kb，kc的取值为0或1，当a为0时，ka为0，否则ka为1，当b为0时kb为0，否则为1；当c为0时，kc为0，否则为1。第四步、分析处理装置依据故障概率曲线，预测该道岔转辙机发生故障的时间段。可理解的是，上述四步主要是根据报警信息来实现状态修。根据历史报警次数，将报警信息采用kaxa+kbyb+kczc+d＝q的计算方式来计算一个曲线值q，q表示预测可能故障的概率，其在横轴为时间、纵轴为故障的可能性，q在二维坐标上会形成一个曲线，用曲线的方式来表示q的变化，并且设定一个可更改的峰值，当曲线的斜率(q的一阶导数)达到某个峰值时，就可以进行预报警，实现在该信号设备还未故障时，就对该信号设备进行设备检修和维护，并将检修和维护信息进行记录。当设备进行过维修护理或更换时，使得重要告警次数和不重要告警次数分别下降为0，ka，kb为0，而由于正常概率0.5＜1，所以其指数(正常次数)越大，会使得q的值越下降，从而使得q的曲线呈现下降的趋势。例如，假设曲线的斜率峰值为1，现有某转辙机设备的转动次数为50万次，该道岔每天的动作次数为1000次，采集到该设备最近几天的告警信息如下表1所示：表一预估产生重要告警、不重要告警的概率，如表二所示：表二重要告警概率0.2不重要告警概率0.3正常概率0.5则该转辙机的累积使用率如表三所示：表三根据kaxa+kbyb+kczc+d＝q公式计算:第0天的q＝0第11天的q＝0+0+0.515+0.02＝0.02第22天的q＝0.23+0.37+0.55+0.04＝0.08第33天的q＝0.24+0.37+0.54+0.07＝0.13第44天的q＝0.25+0.37+0.53+0.09＝0.22第55天的q＝0.26+0.37+0.52+0.11＝0.36则q的曲线如图2所示。在图2中，当q点的斜率呈现增大的趋势且大于等于设定的峰值1时，认为该设备达到了可能故障的峰值，随时可能发生故障，因此该状态修处理方案就会报警，建议运营方对上述设备进行局部维修或更换，以免影响线路的正常运行工作。在另一可选的实现方案中，上述图1所示的方法还可包括下述的图中未示出的步骤106：106、根据维修记录信息，采用预设公式二，获取信号设备的设备维修曲线p；公式二：其中，x为由于A原因维修信号设备的概率，i为由于A原因的维修次数，y为由于B原因维修信号设备的概率，j为由于B原因的维修次数；ki的取值为0或1，当i为0时，ki为0，否则ki为1；当j为0时，kj为0，否则kj为1；根据所述设备维修曲线p，预估该信号设备需要更换的时间段。举例来说，根据维修记录信息来实现状态修。根据公式二统计信号设备的维修状况，来预测当某个信号设备维修过n次之后已经不能继续使用，如果继续使用该信号设备，将会出现更多的故障，需要及时进行设备更换。如图3所示，用曲线的方式来表示p的变化，并且设定一个可更改的峰值，当曲线的斜率达到某个峰值时，则预测信号设备需要更换，如果该设备尚未有任何维修记录则不需要进行计算p值。例如，设道岔转辙机的维修原因及概率如下表四所示：表四原因温度太低，处于冰冻状态温度太高温度偏高温度偏低概率0.10.20.40.3现根据统计结果发现，道岔转辙机的维修记录如下表五所示：表五根据上述公式二计算：第10天p＝0+0+0+0.3＝0.3第20天第30天第40天第50天上述30天/40天/50天的概率值p只是理论计算值，实际上，在第20天的计算时，已经发现了p的斜率变化超过了1，因此已经进行了报警和设备更换，后续的日子会被清零从新累积。如图3所示的p的曲线示意图。当p点的斜率持续增大且大于等于1时，认为该设备达到了故障的峰值，建议运营方对道岔转辙机进行维护更换。进一步地，在第三种可选的实现方案中，上述图1所示的方法还可包括下述的图中未示出的步骤107和步骤108：107、接收维护支持系统发送的信号设备的状态量信息，该状态量信息为用户通过维护支持系统设置的模拟条件、模拟次数和/或模拟级别；以及接收维护支持系统发送的信号设备根据状态量信息进行模拟运行时的状态参数；108、根据所述状态量信息和状态参数，确定影响信号设备运行的条件；相应地，根据确定的影响信号设备运行的条件，调整已经获取的该信号设备发生故障的概率。举例来说，根据状态量信息来实现状态修。按天统计信号设备的模拟量值信息，然后根据信号设备的使用规格设置信号设备的最大模拟量值和最小模拟量值，并分析模拟量值超过最大模拟量，小于最小模拟量时对信号设备造成的影响，将其分为n级，采用的方式来计算曲线值，an表示n级区段模拟量的次数，xn表示n级模拟量发生的概率，m代表该设备的使用率，kn的取值为0或1，当第n级区段模拟量采集到的次数为0时，kn为0，否则kn为1。依次类推计算，设定一个可更改的峰值，当曲线的斜率达到某个峰值，来进行预报警，对信号设备进行提前的设备检修和维护。并将检修和维护信息进行记录。例如，设模拟量范围，等级以及发生概率如下表六所示：表六每天采集道岔转辙机温度24次，现采集到道岔转辙机的温度近一个月内持续升高，如下表七所示。表七第几天51020301级模拟量次数00002级模拟量次数579113级模拟量次数00004级模拟量次数66665级模拟量次数131197另外，道岔转辙机的最大可转动次数为50万次，检测该转辙机每天转动次数为1000次，则使用率如表八所示：表八第几天5102030使用率m0.010.020.040.06根据公式计算第0天的q’＝0第5天的q'＝0.15+0.26+0.513+0.01＝0.0102第10天的q'＝0.17+0.26+0.511+0.02＝0.0206第20天的q'＝0.19+0.26+0.59+0.04＝0.042第30天的q'＝0.111+0.26+0.57+0.06＝0.0679图4所示的q’的曲线示意图，当q’点的斜率呈现增大的趋势且q’的斜率大于等于1时，认为该信号设备达到了故障的峰值，随时可能发生故障就报警了，建议运营方更换该道岔转辙机，或对温度传感器、硬件电路等进行局部维修或更换，以免导致道岔转辙机出现严重故障影响列车运行效率。上述方法通过收集地铁信号系统中各个子系统的数据，包括信号设备的报警状态，模拟量，以及信号设备的使用年限和维修工单等的数据来分析信号设备是否需要维修或者更换。本发明实施例中通过大数据挖掘，采用对所有数据进行分析处理的方法，使得分析的结果更全面、更具有预测性。本领域的技术人员能够理解，尽管在此所述的一些实施例包括其它实施例中所包括的某些特征而不是其它特征，但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。本领域技术人员可以理解，实施例中的各步骤可以以硬件实现，或者以在一个或者多个处理器上运行的软件模块实现，或者以它们的组合实现。本领域的技术人员应当理解，可以在实践中使用微处理器或者数字信号处理器(DSP)来实现根据本发明实施例的一些或者全部部件的一些或者全部功能。本发明还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序(例如，计算机程序和计算机程序产品)。虽然结合附图描述了本发明的实施方式，但是本领域技术人员可以在不脱离本发明的精神和范围的情况下做出各种修改和变型，这样的修改和变型均落入由所附权利要求所限定的范围之内。当前第1页1 2 3