高速铁路灾害监测系统大数据分析

赵方霞; 王瑞; 包云; 王娇娇

高速铁路灾害监测系统大数据分析

中国铁道科学研究院集团有限公司电子计算技术研究所, 北京 100081

基金项目: 中国铁路总公司科技研究开发计划重大课题（2016X004-B ；Z2016-T005 ；2017T001-A）

详细信息

作者简介:
赵方霞，助理研究员；王瑞，助理研究员

中图分类号: U238:X43:TP39
计量
- 文章访问数: 103
- HTML全文浏览量: 26
- PDF下载量: 47
出版历程
- 收稿日期: 2018-02-03
- 刊出日期: 2018-10-24

Big data analysis for high-speed railway disaster monitoring system

Institute of Computing Technologies, China Academy of Railway Sciences Corporation Limited,Beijing 100081, China

摘要

摘要: 基于高速铁路灾害监测系统的大数据分析研究，通过分布式文件系统存储、MapReduce/Spark计算框架、数据挖掘等技术，对高速铁路灾害监测系统的灾害规律分析、灾害预测、运用规则优化、监测点布设优化、设备选型、设备状态分析等进行研究。以大风规律和设备运行状态为例进行分析，结果表明，50%左右的大风集中在15～16 m/s之间，通过优化大风报警阈值，可有效降低大风报警次数；电源故障是灾害系统设备的主要故障，需对其进行重点监测和维护。该研究可解决目前灾害监测系统运用和维护中遇到的问题，为灾害监测数据综合分析与应用研究提供技术支持。
- 铁路安全 /
- 灾害监测 /
- 大数据 /
- 预警
Abstract: Based on the big data analysis for high-speed railway disaster monitoring system, by means of distributed file system storage, MapReduce/Spark computing framework and data mining technology, this paper studied on the disaster law analysis, disaster prediction, application rule optimization, monitoring point layout optimization,equipment selection and equipment state analysis of high-speed railway disaster monitoring system. Taking the rule of strong wind and equipment running as an example to analyze, the analysis results show that about 50% of the gale is concentrated between 15 m/s and 16 m/s. By optimizing the warning threshold of strong wind, the number of gale warning can be reduced effectively. Power failure is the main failure of disaster system equipment, so it needs to be monitored and maintained. This study can solve the problems encountered in the application and maintenance of disaster monitoring system, and provide technical support for comprehensive analysis and application research of disaster monitoring data.
- railway safety /
- disaster monitoring /
- big data /
- early warning

HTML全文

参考文献(12)

[1]	Imai, T., Fujii, T., Tanemoto, K., et al. New Train Regulation Method Based on Wind Direction and Velocity of Natural Wind Against Strong Winds[J]. Journal of Wind Engineering and Industrial Aerodynamics, 2002, 90: 1601-1610.
[2]	Sanquer, S., Barré, C., Virel, M., et al. Effect of Cross-Winds on High Speed Trains- Development of a New Experimental Methodology[J].Journal of Wind Engineering and Industrial Aerodynamics, 2004, 92(7): 535-545.
[3]	Kobayashi, N., Shimamura, M. Study of a Strong Wind Warning System[J]. JR EAST Technical Review, 2003(2): 61-65.
[4]	Delaunay, D., Célon, L.M., Sacré, C., et al. Designing a Wind Alarm System for the TGV-Mediterranée[C]//Proc. 11th Int.Conf. on Wind Engineering, Lubbock (Texas), 2003.
[5]	贾永兴，梅元贵. 日本高速铁路强风预警系统的发展[J]. 铁道机车车辆，2008，28（4）：16-19.
[6]	中国铁道科学研究院. 国外高速铁路自然灾害及异物侵限监测系统调研报告[R]. 北京：中国铁道科学研究院，2012.
[7]	王彤. 高速铁路防灾安全监控系统研究与开发[J]. 中国铁路，2009（8）： 25-28.
[8]	中国铁路总公司. 高速铁路自然灾害及异物侵限监测系统总体技术方案（暂行）[Z]. 北京：中国铁路总公司， 2013.
[9]	Kostas,C.,Psannis,K.E., Kim,B.G., et al. Secure integration of IoT and Cloud Computing[J]. Future Generation Computer Systems, 2018, 78(3): 964-975.
[10]	Raguseo,E. Big data technologies: An empirical investigation on their adoption, benefits and risks for companies[J].International Journal of Information Management, 2018, 38(1):187-195.
[11]	史天运，刘军，李平，等. 铁路大数据平台总体方案及关键技术研究[J]. 铁路计算机应用，2016，25（9）：1-6.
[12]	马小宁，李平，史天运. 铁路大数据应用体系架构研究[J].铁路计算机应用，2016，25（9）： 7-13.

施引文献(8)

期刊类型引用(5)

1.	林峰，王万齐，王学义，闫晓春，张郧. 基于数字孪生的环行铁道智能铁路试验探索. 数字技术与应用. 2022(11): 144-147+172 . 百度学术
2.	巩灿灿，叶小岭，熊雄，姚锦松，金瞳宇，陈昕. 高铁沿线某区段最大风速时空分布特征分析. 重庆理工大学学报(自然科学). 2021(05): 177-184 . 百度学术
3.	李莹，高歌，程驰. 影响中国高速铁路运行的暴雨危险性特征研究. 地理科学. 2021(10): 1843-1851 . 百度学术
4.	马国富，李天发，汪玉红. 大数据背景下的重新犯罪统计分析与预测研究. 河南司法警官职业学院学报. 2020(01): 77-82 . 百度学术
5.	董鹏乐. 兰新高铁挡风墙区段风监测系统研究及应用. 现代信息科技. 2020(03): 116-118+122 . 百度学术