一种用于智能列车监测与运维的健康管理装置及方法与流程

本发明涉及轨道交通技术领域，尤其涉及一种用于智能列车监测与运维的健康管理装置及方法。

背景技术：

在传统的列车中，全车运行状态信息主要是由列车控制和管理系统(traincontrolandmanagementsystem,tcms)来收集，又称机车微机控制监视系统，主要功能是实现机车特性控制、逻辑控制、故障监视和自我诊断，并将信息传送到司机操纵台上的微机显示屏给司机以直观的反映机车实时状态。它包括两个重要的组成部分：tcc列车控制和通讯系统和tms列车管理系统，整合车辆车载设备信息和数据；tcc负责行车安全和智能列车的操作，包括车辆关键功能和非关键功能的控制，车载设备的监视，tms负责车辆诊断和运行车辆管理，以及数据网络管理和其他辅助功能。

随着车辆智能化和信息化水平的提升，面向在线运行实时监测以及运维需求的健康管理系统，逐渐成为独立于tcms系统之外的智能列车健康管理系统，与行车安全控制与监测进行功能切割，更多的面向维护所需的状态检测、故障诊断与全车信息和数据管理。没有针对整车层面进行数据分析处理，因此，需要在整车层面对系统级故障进行处理、分析与判断，虚警过滤并生成故障报告，为维修活动提供支撑信息；从面向智能列车运维的角度还需要实现车上预测的功能，评估关键部件剩余使用寿命，进行预测性维修。

所以，本专利需设计一种符合智能列车网络与系统拓扑结构要求的整车级健康管理系统(计算机)，面向智能运维进行功能逻辑设计。

技术实现要素：

为了解决上述技术问题，本发明提出一种用于智能列车监测与运维的健康管理装置及方法。

为了达到上述目的，本发明的技术方案如下：

一种用于智能列车监测与运维的健康管理装置，包括：数据采集模块、数据处理模块、在线状态检测模块、数据通讯模块和数据存储模块，其中，

所述数据采集模块，用于实时采集智能列车运行状态下设备的状态数据；

所述数据处理模块，用于将采集的状态数据进行滤波、降噪、归一化、特征提取和聚类分析的计算处理；

所述在线状态检测模块，用于根据所述数据处理模块处理后的数据信息与预先建立模型库中的检测阈值信息进行对比，判断智能列车运行过程中的设备运行状况，并实时对智能列车可能发生故障的情况做出预警；

所述数据通讯模块，用于实时与智能列车通信连接；

所述数据存储模块，用于将智能列车运行状态数据、状态特征值与结果数据进行存储记录。

优选地，所述数据处理模块中还包括预处理模块，用于对采集的状态数据按照任务需要进行数据切片处理。

优选地，所述状态数据信息包括车门系统、pis系统、制动系统、牵引系统、空调系统、走行部系统、蓄电池系统等开关电门状态、传感器数据以及监测告警数据。

优选地，还包括自主故障诊断模块，用于通过机内测试bit进行系统内故障自检与隔离。

优选地，所述预先建立模型库的方法是将智能列车在不同故障下的运行状态数据以及环境数据进行整合形成历史数据库，并根据历史数据库构建智能列车在不同故障下的神经网络辨识模型。

优选地，所述在线状态检测模块还包括预警过滤模块，用于对智能列车可能发生故障的情况进行重复故障过滤、间歇故障过滤和环境工况影响过滤。

一种用于智能列车监测与运维的健康管理装置的健康管理方法，包括如下步骤：

实时采集智能列车运行状态下设备的状态数据；

对采集的状态数据按照任务需要数据进行数据切片处理，然后进行滤波、

降噪、归一化、特征提取和聚类分析的计算处理；

对处理后数据信息与预先建立模型库中的检测阈值信息进行对比，判断智能列车运行过程中的设备运行状况，并实时对智能列车可能发生故障的情况做出预警。

优选地，还包括如下步骤：对所述智能列车可能发生故障的情况采用预设阈值或指印图的方式，进行重复故障过滤、间歇故障过滤和环境工况影响过滤，虚警过滤后做出预警并生成故障报告。

优选地，还包括如下步骤：在所述模型库的基础上进行故障树分析模型，导入智能列车可能发生故障的情况，快速定位智能列车故障发生的故障模式及故障发生的原因。

优选地，所述预先建立模型库的方法是将智能列车在不同故障下的运行状态数据以及环境数据进行整合形成历史数据库，并根据历史数据库构建智能列车在不同故障下的神经网络辨识模型。

基于上述技术方案，本发明的有益效果是：具备健康管理系统的智能列车，能够在运行过程中实时掌握智能列车的状态，并在故障发生后及时处理，了解故障原因，提高维修效率。在技术的业务场景中，能够通过快速排故从而节约时间成本；降低维修人员的经验依赖与人员数量，节约人力资源成本；通过减少备件的生产数量与替换数量，从而节约生产物料成本。在整个智能列车智能运维的角度，可以减少因故停车、因故清客等事故的发生，从而产生巨大的社会经济效益。

在城市轨道交通方面，2018年末全国城市轨道交通运营线路达到5761公里，在建线路6200多公里，其中拥有地铁运营线路的城市35个，开通运营185条城市轨道交通线路，车站3245座，预计到2023年城轨运营里程有望达到16265公里，预计地铁智能列车购置的需求在8万辆左右，按智能列车监测与运维的健康管理系统单列40万元计算，估算直接市场规模在320亿。按健康管理系统国内市场占有率约30％的规模计算，在3-5年间，本项目后续直接的经济产出约100亿元，给当地带来的财税收入上亿元。

轨道交通线路投入运营后即进入运营维修保养后市场阶段，与建设期不同，运营维修保养后市场覆盖轨道交通线路的全生命周期，通常长达数十年甚至上百年。根据行业经验，轨交运维支出一般占总投资的2％～3％，以中值2.5％，保守假设单公里投资额5亿元测算，2018年我国城市轨道交通运营维保后市场规模约720亿元，到2023年将达到2033亿元。具备健康管理装置，可以通过提高地铁智能列车智能化水平、运营维护信息化水平，从而带来1/5～1/3的运维成本节约。

附图说明

图1：一种用于智能列车监测与运维的健康管理装置的原理框图；

图2：一种用于智能列车监测与运维的健康管理装置中车载主机的结构框图；

图3：一种用于智能列车监测与运维的健康管理装置的硬件功能框图；

图4：一种用于智能列车监测与运维的健康管理方法的流程图。

具体实施方式

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、完整地描述。

实施例一

如图1至4所示，一种用于智能列车监测与运维的健康管理装置，包括：数据采集模块、数据处理模块、在线状态检测模块、数据通讯模块和数据存储模块，其中，

数据采集模块，用于实时采集智能列车运行状态下设备的状态数据；

数据处理模块，用于将采集的状态数据进行滤波、降噪、归一化、特征提取和聚类分析的计算处理；

在线状态检测模块，用于根据所述数据处理模块处理后的数据信息与预先建立模型库中的检测阈值进行对比，判断智能列车运行过程中的设备运行状况，并实时对智能列车可能发生故障的情况做出预警；通过模型库，实时对关键部件的使用寿命进行预判，便于维修人员进行预测性维修，

数据通讯模块，用于实时与智能列车通信连接；

数据存储模块，用于将智能列车运行状态数据、状态特征值与结果数据进行存储记录。

进一步，所述数据处理模块中还包括预处理模块，用于对采集的状态数据按照任务需要数据进行数据切片处理。

进一步，所述状态数据信息包括车门系统、pis系统、制动系统、牵引系统、空调系统、走行部系统、蓄电池系统等开关电门状态、传感器数据以及监测告警数据。

进一步，还包括自主故障诊断模块，用于通过机内测试bit进行系统内故障自检与隔离。

进一步，所述预先建立模型库的方法是将智能列车在不同故障下的运行状态数据以及环境数据进行整合形成历史数据库，并根据历史数据库构建智能列车在不同故障下的神经网络辨识模型。

进一步，所述在线状态检测模块还包括预警过滤模块，用于对智能列车可能发生故障的情况进行重复故障过滤、间歇故障过滤和环境工况影响过滤。

智能列车运行过程中，全车各系统会产生大量的运行状态数据、告警信息以及故障数据，可以进行集中的存储与管理；实时监测智能列车运行控制与调度提供更有参考价值的信息；智能列车健康管理系统的区别于传统tcms，需要在整车层面对系统级故障进行处理、分析与判断，消除虚警并生成故障报告，为维修活动提供支撑信息；从面向智能列车运维的角度，健康管理系统实现车上预测的功能，评估关键部件剩余使用寿命，进行预测性维修。

如图2、3所示，一种用于智能列车监测与运维的健康管理装置在硬件上采用模块化设计，主要由主控模块(含存储)、mvb通讯模块、无线网关模块、电源模块、交换机模块、满足扩展及特殊信号处理分析需求的扩展主机模块等组成，主要采集、处理来自各成员系统上报的运行数据，在线运算并报告，同时还要具备数据与通讯管理、故障自检的功能。采用3u标准机箱式布局，插拔式设计，便于装置的维修与更换；同时预留多个槽位，便于后期装置功能的扩展。

如图4所示，一种用于智能列车监测与运维的健康管理装置的健康管理方法，包括如下步骤：

实时采集智能列车运行状态下设备的状态数据；

对采集的状态数据按照任务需要数据进行数据切片处理，然后进行滤波、降噪、归一化、特征提取和聚类分析的计算处理；

对处理后数据信息与预先建立模型库中的检测阈值进行对比，判断智能列车运行过程中的设备运行状况，并实时对智能列车可能发生故障的情况做出预警。

进一步，归一化的计算处理具体是指将实时采集智能列车运行状态下设备的各个变量状态数据进行归一化处理以提取故障特征信息，各个变量状态数据包括温度变量、压力变量等，其归一化的公式为：

式中，xnorm是归一化后的值，xmin是变量x的最小值，xmax是变量x的最大值，将归一化处理实现对原始数据的等比例缩放。

再将提取的故障特征信息作为训练样本输入经过遗传算法优化后的神经网络中，训练神经网络，利用聚类分析方法，确定神经网络的输出节点，获取的多组数据信息。

进一步，还包括如下步骤：对所述智能列车可能发生故障的情况采用预设阈值或指印图的方式，进行重复故障过滤、间歇故障过滤和环境工况影响过滤，虚警过滤后做出预警并生成故障报告。

进一步，还包括如下步骤：在所述模型库的基础上进行故障树分析模型，导入智能列车可能发生故障的情况，快速定位智能列车故障发生的故障模式及故障发生的原因。

进一步，所述预先建立模型库的方法是将智能列车在不同故障下的运行状态数据以及环境数据进行整合形成历史数据库，并根据历史数据库构建智能列车在不同故障下的神经网络辨识模型。

以上所述仅为本发明所公开的一种用于智能列车监测与运维的健康管理装置的优选实施方式，并非用于限定本说明书实施例的保护范围。凡在本说明书实施例的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本说明书实施例的保护范围之内。

上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的，计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。

还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。

本说明书实施例中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。