• 查询稿件
  • 获取最新论文
  • 知晓行业信息
官方微信 欢迎关注

铁路货车配件物联网标识管理系统设计

董卓皇, 史晓磊, 刘茂朕, 杨文澈

董卓皇, 史晓磊, 刘茂朕, 杨文澈. 铁路货车配件物联网标识管理系统设计[J]. 铁路计算机应用, 2023, 32(5): 40-44. DOI: 10.3969/j.issn.1005-8451.2023.05.09
引用本文: 董卓皇, 史晓磊, 刘茂朕, 杨文澈. 铁路货车配件物联网标识管理系统设计[J]. 铁路计算机应用, 2023, 32(5): 40-44. DOI: 10.3969/j.issn.1005-8451.2023.05.09
DONG Zhuohuang, SHI Xiaolei, LIU Maozhen, YANG Wenche. Internet of Things identification management system for railway freight car accessories[J]. Railway Computer Application, 2023, 32(5): 40-44. DOI: 10.3969/j.issn.1005-8451.2023.05.09
Citation: DONG Zhuohuang, SHI Xiaolei, LIU Maozhen, YANG Wenche. Internet of Things identification management system for railway freight car accessories[J]. Railway Computer Application, 2023, 32(5): 40-44. DOI: 10.3969/j.issn.1005-8451.2023.05.09

铁路货车配件物联网标识管理系统设计

基金项目: 中国国家铁路集团有限公司科技研究开发计划重点课题(N2021J055);北京经纬信息技术有限公司科研项目(DZYF21-46)
详细信息
    作者简介:

    董卓皇,助理研究员

    史晓磊,高级工程师

  • 中图分类号: U272 : U279.3 : TP29

Internet of Things identification management system for railway freight car accessories

  • 摘要: 目前,铁路货车关键配件全寿命周期的信息未实现整合管理,部分关键配件和故障信息尚未采集,数据完整性、及时性和准确性等方面都有待加强。通过制定铁路统一的关键配件编码规则,搭建贯穿整个货车关键配件全生命周期的物联网标识管理系统,有效地实现配件的数据贯通,为实现货车关键配件在铁路范围内的全寿命周期追踪管理奠定基础。
    Abstract: At present, the information on the whole life cycle of key components of railway freight cars has not been integrated and managed, and some key components and fault information have not yet been collected. The integrity, timeliness, and accuracy of the data need to be strengthened. This paper established a unified coding rule for key components of railways, established an Internet of Things (IoT) identification management system that ran through the whole lifecycle of key components of freight cars, effectively implemented data connectivity of components, and laid the foundation for achieving whole lifecycle tracking and management of key components of freight cars within the railway scope.
  • 高速铁路灾害监测系统(简称:灾害监测系统)实时监测铁路沿线风、雪、雨等自然灾害及异物侵限,当监测值超过报警预警阈值时进行报警和预警,发生异物侵限和地震报警时,进行紧急处置,保障列车运行安全[1-2]。灾害监测系统为高速列车在灾害性天气和突发事件下的运行发挥了重要的安全技术保障作用。灾害监测系统由现场监测设备和中心系统组成,现场监测设备包括风速风向计、雨量计、雪深计、数据传输单元等现场采集设备和监控单元,部署于铁路沿线接触网杆、基站等处所;中心系统包括信息处理平台、监测业务终端、网络设备、网络安全设备,时间同步设备及其软件等,部署于铁路局机房。灾害监测系统构成复杂,任何一个环节均可能导致系统故障的产生。

    目前,已开展的高速铁路灾害监测故障、可靠性分析工作中,张翠兵[3]运用故障树分析法对异物侵限监测子系统故障进行了分析;周绍华[4]重点对异物侵限监测子系统产生红光带故障处置措施进行了研究;刘岩、李晓宇等人[5-6]对灾害监测系统可靠性进行了研究;王娇娇等人[7]对灾害监测系统脱离监控故障数据进行了分析,并提出了改进措施与建议;周小明[8]对沪宁城际灾害监测系统电源故障进行了分析;李亚群等人[9-10]对监控单元设备可靠性进行了试验研究,并建立了时齐泊松过程模型对异物侵限监测系统可靠性进行了试验。以上研究多是对灾害监测系统故障、可靠性的分析,而关于灾害监测系统故障诊断方法的研究尚不多见。开展灾害监测系统故障诊断方法研究,可及时解决灾害监测系统出现的问题,降低故障影响程度。目前,常用的故障诊断方法有回归分析、神经网络、支持向量机、随机森林等算法[11-13],本文结合灾害监测系统设备状态及故障监测数据特点,采用随机森林算法对灾害监测系统进行故障诊断,辅助故障快速定位和处置。

    灾害监测系统是一个复杂的系统,设备管理涉及多个专业,包括工务、电务、信息等;设备类型多、环节多、管理部门多,一旦发生故障,排查困难,各部门协调工作量大,严重时会影响线路正常运行。灾害监测系统设备管理分工,如图1所示。

    图  1  高速铁路灾害监测系统设备管理分工

    (1)信息专业设备有铁路局集团公司中心系统软/硬件设备,包括信息处理平台、监测业务终端、网络设备和网络安全设备,时间同步设备等;

    (2)信号专业设备有监控单元至信号机房之间的电缆、电务段监测维护终端及信号系统侧的灾害监测系统接口设备;

    (3)通信专业设备有监控单元及配套网络设备、现场采集设备至监控单元之间的光缆或电缆、灾害监测系统专用配电箱、通信段监测维护终端等;

    (4)工务专业设备有现场采集设备、工务段监测维护终端等;

    (5)供电专业设备有监控单元端子排(不含)至变电系统之间的设备。

    目前,灾害监测系统对设备状态监测的数据是离散的,监测设备是否正常工作一般采用0或1变量表示,因此,无法采用回归分析方法开展对设备状态的分析。本研究基于失效模式与影响分析(FMEA,Failure Mode and Effects Analysis)对设备故障数据进行分析,在此基础上,研究设备故障诊断的方法。根据对灾害监测系统故障的调研结果,构建了基于FMEA的灾害监测系统故障分析表,故障分析表包含12类设备,45种故障原因。以监控单元为例,基于FMEA的监控单元故障分析,如图2所示。

    图  2  基于FMEA的设备监控单元故障分析

    监控单元故障分为严重故障和一般故障。严重故障会导致监测点失效,需派人进行人工值守并安排天窗点维修,一般故障需等待天窗点维修。

    本文采用随机森林算法对灾害监测系统进行设备故障诊断。其原理为:采用Bootstrap重抽样方法[14]从原始样本中抽取多个样本,对每一个样本建立分类和回归树(CART,Classification And Regression Tree)(统称:决策树),将这些决策树进行整合,构成随机森林模型。基于随机森林算法的灾害监测系统故障诊断流程,如图3所示。

    图  3  基于随机森林算法的灾害监测系统故障诊断流程

    (1)对灾害监测系统故障数据进行预处理,通过设备状态、故障数据、故障表现和故障原因,结合故障分析表进行故障分析。其中,灾害监测系统故障原因是决策类别,故障现象是特征属性。

    (2)通过Bootstrap重抽样方法抽取灾害监测系统故障数据。采用训练节点分裂规则对故障现象进行排序,得到各个节点的特征属性;再根据特征属性的不同值,从该节点向下分支,选择最优决策树(分支)个数,最终构成故障诊断随机森林模型。

    (3)采用构成的随机森林模型对新的故障数据进行分类和诊断,得出故障原因,辅助设备管理部门快速定位故障。

    本研究共收集到多条线路灾害监测系统故障样本403条,将所有数据的70%作为训练集,其余30%作为测试集,采用python编程语言构建基于随机森林算法的灾害监测系统故障诊断模型,同时,设计基于传统决策树(C4.5决策树)算法的灾害监测系统故障诊断模型,将其作为对比方案。诊断结果,如表1所示。由表1可知,基于随机森林算法的故障诊断效果明显优于基于C4.5决策树算法的故障诊断效果,可减少人工排查设备故障的工作量,提高工作效率。

    表  1  故障综合诊断结果
    方法C4.5决策树算法随机森林算法
    准确率48.5%67.3%
    下载: 导出CSV 
    | 显示表格

    对灾害监测系统具体构成部分进行故障诊断,以监控单元和风采集设备的故障诊断为例,获得监控单元样本225条,故障原因10种,故障表现13类;风采集设备样本59条,故障原因11种,故障表现4类。对监控单元和风采集设备2个数据集的分类器个数进行判断,以监控单元的数据为例,基于训练集构建的决策树个数与判断准确率关系,如图4所示,可以看出,最优决策树棵数在10以内达到最优的准确性,基于此,构建灾害监测系统故障诊断随机森林模型。

    图  4  监控单元随机森林决策树个数与判断准确率关系

    对监控单元和风采集设备的基于随机森林算法和基于C4.5决策树算法的故障诊断方法分别进行k折交叉验证,即将全部样本划分成 k 个大小相等的样本子集,依次遍历这 k 个子集,每次把当前子集作为验证集,其余所有样本作为训练集,进行模型的评估,评估结果如图5所示,从图5中可以看出,随机森林算法的表现明显优于C4.5决策树算法,诊断结果如表2表3所示。

    图  5  监控单元和风采集设备故障诊断k折交叉验证结果

    表2表3可以看出,对灾害监测系统构成局部设备故障的诊断效果优于对系统整体故障的诊断,原因在于灾害监测系统故障成因和现象复杂,一个故障现象可能由多种原因导致,如灾害监测系统脱离监控故障,可能是由网络、硬件故障(电源、服务器、终端等)、软件故障等多种原因导致[7];一个故障原因也可能出现多个故障现象,如风速风向计故障可能导致设备故障报警、监测终端无采集数据等;而风采集设备的故障及故障原因相对系统整体故障成因和现象较简单。

    表  2  监控单元故障诊断结果
    方法C4.5决策树算法随机森林算法
    准确率48.2%80.6%
    下载: 导出CSV 
    | 显示表格
    表  3  风采集设备故障诊断结果
    方法C4.5决策树算法随机森林算法
    准确率66.4%86.7%
    下载: 导出CSV 
    | 显示表格

    针对灾害监测系统故障诊断问题,构建了基于FMEA的灾害监测系统故障分析表;在此基础上,提出了基于随机森林算法的灾害监测系统故障诊断方法。

    (1)实际数据分析表明,基于随机森林算法的灾害监测系统故障诊断方法对系统故障的诊断准确率为67.3%,优于基于传统决策树的故障诊断准确率(48.5%);

    (2)基于随机森林算法的灾害监测系统故障诊断方法对监控单元和风采集设备的诊断准确率为80.6%和86.7%,优于基于传统决策树的故障诊断准确率(48.2%和66.4%);

    (3)基于随机森林算法的灾害监测系统故障诊断方法可有效提高灾害监测系统设备故障诊断准确率,有助于灾害监测系统设备故障的快速定位和处置,大幅减少人工排查设备故障的工作量,为灾害监测系统的运营维护提供技术支持。

  • 图  1   系统总体架构

    图  2   系统数据架构

    图  3   系统功能模块

    图  4   铁路货车全寿命周期技术数据组织流程

    表  1   关键部件编码字符串制定规则

    部件名称制造单位制造年月部件型号铸造顺序号材质流水号
    2位数字5位字母数字5位数字2位字母7位数字2位数字3位数字
    下载: 导出CSV

    表  2   电子标签技术特点对比

    序号特点二维码、条形码UHFHF
    1适应货车不带电无源可满足被动可满足
    2抗振性能
    3运用环境适应性较差
    4数据容量、安全性及
    可更新
    一次写入,
    不能更新
    5与HMIS系统兼容性
    6抗干扰和辐射需具体场景评估需具体场景评估
    7成本最低
    8传输距离几米到十几米5~10 cm
    下载: 导出CSV
  • [1] 黎巧能,徐 勇,刘凤伟,等. 铁路货车智能运维技术研究 [J]. 智慧轨道交通,2022,59(5):38-41. DOI: 10.3969/j.issn.2097-0366.2022.05.009
    [2] 祁苗苗,蒋 荟,王华伟,等. 货车运用管理信息系统关键技术研究 [J]. 铁路计算机应用,2022,31(4):42-48. DOI: 10.3969/j.issn.1005-8451.2022.04.07
    [3] 史晓磊,王华伟,刘宗洋,等. 铁路货车配件信息管理系统设计 [J]. 铁路计算机应用,2022,31(6):40-43. DOI: 10.3969/j.issn.1005-8451.2022.06.08
    [4] 喻冰春. 铁路货车大数据平台总体设计研究 [J]. 铁路计算机应用,2019,28(9):45-48. DOI: 10.3969/j.issn.1005-8451.2019.09.010
    [5] 李 源,蒋 荟. 铁路货车全寿命周期技术状态数据整合方法研究 [J]. 铁道机车车辆,2020,40(5):100-105. DOI: 10.3969/j.issn.1008-7842.2020.05.22
    [6] 刘曜宁,宿执宗,李建军,等. 统计过程控制在铁路货车配件检修中的应用 [J]. 铁道技术监督,2020,48(4):41-45,57. DOI: 10.3969/j.issn.1006-9178.2020.04.012
    [7] 杜 彪,唐 兆,李春林,等. 铁路货车事故虚拟演练系统的设计与实现 [J]. 铁路计算机应用,2020,29(4):42-46. DOI: 10.3969/j.issn.1005-8451.2020.04.010
    [8] 石平刚,徐 丽,臧 洁. 国铁货车检修车辅助管理系统研究与开发 [J]. 铁路计算机应用,2018,27(11):6-10. DOI: 10.3969/j.issn.1005-8451.2018.11.003
  • 期刊类型引用(1)

    1. 韩子威,朱建生,王辉,詹珂昕,李超旭. 基于数据驱动的动车组行车故障处置与后续影响因素关联规则研究. 铁道学报. 2025(05): 31-38 . 百度学术

    其他类型引用(0)

图(4)  /  表(2)
计量
  • 文章访问数:  97
  • HTML全文浏览量:  19
  • PDF下载量:  18
  • 被引次数: 1
出版历程
  • 收稿日期:  2022-10-17
  • 网络出版日期:  2023-05-28
  • 刊出日期:  2023-05-24

目录

/

返回文章
返回