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

基于EHM理念的铁路机务设备大数据健康管理系统的设计与实现

谯兵, 胡斌

谯兵, 胡斌. 基于EHM理念的铁路机务设备大数据健康管理系统的设计与实现[J]. 铁路计算机应用, 2019, 28(12): 35-39.
引用本文: 谯兵, 胡斌. 基于EHM理念的铁路机务设备大数据健康管理系统的设计与实现[J]. 铁路计算机应用, 2019, 28(12): 35-39.
QIAO Bing, HU Bin. Big data health management system of railway locomotive equipment based on EHM concept[J]. Railway Computer Application, 2019, 28(12): 35-39.
Citation: QIAO Bing, HU Bin. Big data health management system of railway locomotive equipment based on EHM concept[J]. Railway Computer Application, 2019, 28(12): 35-39.

基于EHM理念的铁路机务设备大数据健康管理系统的设计与实现

基金项目: 

中国铁路总公司科技研究开发计划课题合同(2017J002-B)

详细信息
    作者简介:

    谯兵,工程师;胡斌,工程师。

  • 中图分类号: U268.2+U279.2;TP39

Big data health management system of railway locomotive equipment based on EHM concept

  • 摘要: 为更好地进行铁路机务设备工作状态管理,降低维修成本,设计并实现了基于设备健康管理(EHM,Equipment Health Management)理念的铁路机务设备大数据健康管理系统。该系统通过层次分析法、自回归(AR,Autoregressive)模型、支持向量机(SVM,Support Vector Machine)模型,实现了铁路机务设备运行状态实时监测、健康趋势预测分析(准确率到达96.2%)、故障预测分析(准确率到达99.08%)、风险评估预警等功能。系统的运用有效的降低铁路机务设备维修成本,为铁路机务设备的信息化健康管理起到示范作用。
    Abstract: In order to better manage the working state of railway locomotive equipment and reduce the maintenance cost, this article designed and implemented a big data health management system of railway locomotive equipment based on the concept of equipment health management(EHM).The system implemented the functions of real-time monitoring, health trend prediction and analysis (the accuracy reaches 96.2%), fault prediction and analysis (the accuracy reaches 99.08%), risk assessment and early warning, etc. of railway locomotive equipment operation state by means of analytic hierarchy process (AHP), autoregressive model (AR), support vector machine (SVM).The application of the system will effectively reduce the maintenance cost of railway locomotive equipment, and play an exemplary role in the informatization health management of railway locomotive equipment.
  • [1] 贾雪琴.EHM业务及其对物联网能力的需求[J]. 电信网技术, 2014(3):10-13.
    [2] 彭宇,刘大同,彭喜元. 故障预测与健康管理技术综述[J]. 电子测量与仪器学报, 2010, 24(1):1-9.
    [3] 廖可. 机务设备检修生产及健康管理[J]. 上海铁道科技, 2018(4):126-128.
    [4] 李航,许旺. 航空电气设备的故障预测以及健康管理[J]. 云南化工, 2018, 45(11):149-150.
    [5] 周奇才,沈鹤鸿,赵炯,等. 基于深度学习的机械设备健康管理综述与展望[J]. 现代机械, 2018(4):19-27.
    [6] 胡炜,辛学铭,叶新功,等. 选煤设备智能健康管理系统的研究与应用[J]. 选煤技术, 2018(6):155-160.
    [7]

    XianxinC, Xiaojun G, Chunlai W, et al. An EHM System and Its Life Prediction Model[C]//2013 5th International Conference and Computational Intelligence and Communication Networks. IEEE, 2013.

    [8] 王沉,杨帅,江成玉,等. 基于瓦斯浓度监测反馈的采煤机截割速度自适应调节技术[J]. 煤炭工程, 2019, 51(4):134-137.
    [9] 夏良华,闫耀东,孙俊峰. 航天发射场设备健康管理系统的功能模块设计[J]. 价值工程, 2015, 34(22):204-206.
    [10] 罗晓川,袁海文,马钊. 设备可靠性评测仿真系统[J]. 计算机系统应用, 2015, 24(4):38-43.
    [11] 孔庆波. 网络用户信任度评价模型中层次分析法的应用[J]. 计算机产品与流通, 2019(6):38.
    [12] 任占勇. 航空电子产品预测与健康管理技术[M]. 北京:国防工业出版社, 2013.
    [13] 赵志文,杨慧超,彭毳鑫. 自回归模型偏自相关函数截尾性检验[J]. 统计与决策, 2019, 35(8):5-8.
    [14] 钱青,唐桂忠,张广明,等. 基于AR-DBN的建筑分项能耗短期预测[J]. 计算机工程, 2019, 45(6):290-296.
    [15] 李丹,金媛媛,童艳,等. 基于支持向量机的输液袋智能检测与缺陷分类[J]. 激光与光电子学进展, 2019, 56(13):202-208.
    [16] 姚晓丽. 基于灰色支持向量机的汽车制动系统故障诊断与预测[J]. 南方农机, 2019, 50(3):96-96.
    [17] 宁静,关则彬,佘振国,等. 风险量化模型在铁路安全风险预警中的应用[J]. 铁路计算机应用, 2018, 27(4):51-53

    , 58.

    [18] 吕琛. 故障诊断与预测-原理、技术及应用[M]. 北京:北京航空航天大学出版社, 2012.
  • 期刊类型引用(7)

    1. 孙金余,吴乐,罗浩铭,张先燏. 面向自动化港口的智能生产管控集成系统框架研究. 港口航道与近海工程. 2025(01): 12-17 . 百度学术
    2. 朱槿,王华伟,刘宗洋,郑婷,冯丽敏. 铁路货运计量安全检测设备全寿命周期管理系统研究. 铁道货运. 2022(04): 38-45 . 百度学术
    3. 李楠. 铁路安全管理中大数据的应用分析. 大众标准化. 2022(08): 172-174 . 百度学术
    4. 龚利,刘波. 基于EAM的机务设备维护管理研究. 中国铁路. 2021(01): 67-73 . 百度学术
    5. 李鑫,史天运,常宝,马小宁,刘军. 基于优化的MsEclat算法的铁路机车事故故障关联规则挖掘. 中国铁道科学. 2021(04): 155-165 . 百度学术
    6. 李君,徐春婕. 智能客站设备大数据运维服务平台的设计与实现. 铁路计算机应用. 2021(09): 60-65 . 本站查看
    7. 管运全,张才科,刘纯. 基于大数据的设备健康管理系统设计. 电子技术应用. 2021(S1): 170-176 . 百度学术

    其他类型引用(1)

计量
  • 文章访问数:  156
  • HTML全文浏览量:  4
  • PDF下载量:  30
  • 被引次数: 8
出版历程
  • 收稿日期:  2019-03-31

目录

    /

    返回文章
    返回