铁路货车走行公里的统计有助于对铁路货车的运用情况进行准确记录和分析，尽管在铁路货车走行公里统计研究方面已有一定的成果^[1-3]，但针对走行公里数据管理与数据分析仍缺乏系统化的设计与实践。铁路货车走行公里与车辆走行部件、钩缓部件和制动部件等关键部件运用寿命密切相关^[4]，通过分析零部件典型故障发生频率与走行公里之间的关系，可以有效地预判潜在风险，并提前采取预防措施，但目前尚缺乏足够的数据支撑。此外，当前我国铁路货车检修主要采用以时间轴为主线的定期检修和车辆运行状态检测模式^[5]，铁路货车修程修制改革已初见成效^[6]，但是在运用检修过程中依然存在“少修”和“过度修”现象^[7]，基于走行公里为主检修的车辆无法实现车辆里程数据的实时监控和管理。因此，推进铁路货车按走行公里有计划地实施检修一直是深化铁路货车修程修制改革的方向。

为了进一步科学地掌握车辆及相关零部件健康状况，实现对车辆里程管理及走行公里数据的分析应用，设计了铁路货车里程管理及辅助分析应用系统（简称：本文系统），为铁路货车运用及检修提供多维走行公里数据支持。

1   系统架构设计

1.1   业务架构

本文系统依托车辆运行安全监测系统、车号自动识别系统、铁路运输信息集成平台和铁路货车技术管理信息系统实时共享的地面物联网监测设备探测数据^[8]、车号识别数据、车辆装卸数据^[9]和车辆检修数据，经数据清洗、转换、集成后，进行铁路货车走行公里的数据统计。本文系统在中国国家铁路集团（简称：国铁集团）一级部署，为国铁集团、铁路局集团公司和货车车辆段三级提供应用服务，其业务架构如图1所示。

图  1  铁路货车里程管理及辅助分析应用系统业务架构

下载: 全尺寸图片 幻灯片

1.1.1   数据管理中心

数据管理中心主要用于汇聚各车辆系统共享的实时数据，通过统一的数据清洗、转换和集成，形成规范的标准数据，进而实现多维度里程数据的统计分析，支持铁路货车里程管理及辅助分析应用的功能展示。

1.1.2   业务应用

业务应用主要在实现车辆里程统计的基础上，进一步实现车辆全生命周期的里程管理与配属车里程管理。通过多维度里程分析，实现零部件、车型、临修故障等类型的里程统计，基于走行公里数据，构建按里程预警的机制。

1.1.3   系统管理

系统管理主要包括用户配置、权限管理、字典维护、流程配置、数据监控、菜单管理等后端管理，为本文系统运营维护（简称：运维）提供基础保障。

1.2   数据架构

本文系统数据架构分为5层，分别为数据采集层、数据处理层、数据存储层、数据应用层及数据共享层，如图2所示。

图  2  铁路货车里程管理及辅助分析应用系统数据架构

下载: 全尺寸图片 幻灯片

1.2.1   数据采集层

获取车辆运行安全监测系统、车号自动识别系统、铁路货车技术管理信息系统和铁路运输信息集成平台等原始数据。

1.2.2   数据处理层

接收到各外部系统共享的数据后，按照数据清洗、数据转换、数据集成的流程，完成数据准备；采用内存计算、分布式计算等高性能技术实时运行走行公里统计算法，计算车辆走行公里。

1.2.3   数据存储层

根据数据存储的时效性，数据分别存储于内存数据库和关系型数据库；内存数据库用于实时计算各货车的走行公里，关系型数据库用于持久化计算结果、过期数据、统计数据和静态字典等数据，为用数据计算和应用提供服务。

1.2.4   数据应用层

按照“数据即服务”的原则，采用微服务架构，提供用于前端页面展示的数据服务，实现车辆走行公里数据等各类统计分析数据的实时并发查询。

1.2.5   数据共享层

根据货车车辆段的需求，提供货车走行公里数据、运行轨迹数据、统计分析数据等数据的共享接口，利用系统数据共享监控和分析功能，保障数据使用单位的时效性和完整性。

1.3   技术架构

本文系统技术架构如图3所示，通过搭建平台环境层和应用层技术架构，支持Web应用和手持端App应用的开发；通过实现流量、传输、审计日志和身份认证等平台和业务功能，搭建安全架构。

图  3  铁路货车里程管理及辅助分析应用系统技术架构

下载: 全尺寸图片 幻灯片

1.3.1   应用层

应用层主要用于各类系统应用程序的开发和部署，通过微服务架构实现对基础业务和核心业务的访问和处理。

1.3.2   平台环境层

平台环境层通过容器化核心组件，构建程序框架、运行环境、资源调度、日志管理、服务监控、通知管理、用户认证等开发环境；通过应用服务器管理提供微服务框架、开发框架等技术框架；通过平台数据服务提供分布式缓存、消息服务及数据库等数据开发框架。平台环境层的核心技术如下：

（1）分布式服务管理

分布式服务管理主要提供微服务化业务能力的管控和治理体系，包括微服务注册与发现、微服务配置推送、基于RESTful的微服务框架、限流降级、弹性伸缩、全链路监控等。

（2）容器化技术

利用容器化技术进行微服务应用的封装和发布，微服务应用在容器中运行，实现应用间运行环境的隔离；提供快速打包容器镜像、容器编排、快速启动、微服务持续部署和持续交付等能力。

（3）分布式消息队列

利用分布式消息队列提供各业务能力中心之间的异步解耦能力，支撑业务调用的解耦和并行处理，提供普通消息、顺序消息、延时消息和定时消息等多种消息类型，满足实际业务需求。

2   系统功能

通过分析各级用户对车辆里程管理、零部件里程管理、里程统计分析、里程到过期预警等方面的业务需求，本文系统功能如图4所示。

图  4  铁路货车里程管理及辅助分析应用系统功能

下载: 全尺寸图片 幻灯片

2.1   车辆里程管理

根据铁路货车的运行轨迹实现车辆在指定时间段内走行公里信息统计；基于车辆运行过程中的空重状态，实现空车里程和重车里程统计，自动计算基于走行公里的空重里程比；根据车辆通过两个车号探测设备的时间差和探测设备之间的距离差，实现车辆运行过程中不同速度级里程信息统计；结合车辆修竣信息，实现车辆一车一档的全生命周期里程管理，支持查询并展示车辆新造后里程、定检周期内里程、末次定检后里程、末次临修后里程及末次列检后里程等信息；区分车辆配属关系，支持配属货车和局管货车里程管理，实现车辆走行公里数据多维度统计和管理。

2.2   零部件里程管理

通过汇总零部件在不同车辆上的走行公里数据，实现具备里程管理要求的零部件运用里程统计；支持通过当前装车位置（车号、位数）或零部件全国铁路唯一编码的方式索引铁路货车零部件的总运用里程信息功能；提供零部件运用里程查询及末次装车后运用里程的统计功能；为科学地掌握零部件运用情况，分析零部件故障原因，为合理预测零部件的寿命周期提供数据支撑。

2.3   里程统计分析

2.3.1   车型里程分析

实现按年、按月、按定检周期对各车型的走行公里统计分析，展示该车型走行公里分布情况及相关统计参数数据，并可以查询车型的空重里程比；协助管理人员及车辆设计人员全面了解车辆在不同周期内的走行公里情况，为车型研究提供里程分析辅助。

2.3.2   临修故障分析

根据车辆临修故障信息，统计不同车型在前一个段修期内某类临修故障的发生频次，实现故障发生频率与走行公里的关联分析；展示故障发生的里程分布情况及相关统计数据，并基于历史故障里程数据，预测未来可能发生该类故障的走行公里；基于故障发生的里程分布情况，实现车辆易损、易耗零部件的磨损规律及质量变化趋势分析，为车辆运维决策提供数据支持。

2.4   里程到过期预警

对具备里程管理有要求的车型，实时监控车辆的里程数据，当车辆即将达到设定的里程上限时，提示里程到期预警信息，对于超出里程管理要求的车辆，触发里程过期报警，提示车辆当前的走行公里信息和车辆位置信息，确保车辆能够按照规定进行维护和检修。

3   关键技术

3.1   融合多源数据的复杂线路里程统计算法

走行公里统计是本文系统设计的基础，铁路货车走行公里关键算法统计模型。

3.1.1   基础数据来源

基础数据来源如图5（a）所示，走行公里统计算法统计模型的基础数据源来自于车号自动识别系统和车辆运行安全监测系统的多个子系统。

图  5  铁路货车走行公里关键算法统计模型

下载: 全尺寸图片 幻灯片

3.1.2   同线走行公里统计模型

同线走行公里统计模型如图5（b）所示，通过获取车辆位置，确定车辆的行驶路径，并根据车辆行驶路径统计走行公里。在统计同线走行公里时，根据探测站的基础信息自动关联其同线探测站的基础信息形成站间距字典。当车辆依次经过两个探测站时，按时间顺序查询每个里程统计区段起点和终点的探测站信息，从站间距字典中提取对应的里程数据，并将其累加到里程统计中。

3.1.3   跨线走行公里统计模型

跨线走行公里统计模型如图5（c）所示，在进行跨线走行公里统计时，由于线路交汇点B处没有车号探测设备，通过交汇点B在不同线路的公里标信息K_B1和K_B2，分别计算区段S_AB和区段S_BC的里程数据，累加各区段里程数据形成站间距离S_AC，记录到站间距字典中。当车辆依次经过两个探测站时，按时间顺序查询统计区段起点和终点的探测站信息，从站间距字典中提取对应的里程数据，累加里程数据实现走行公里统计。

3.1.4   专用线走行公里统计模型

专用线走行公里统计模型如图5（d）所示，当车辆运行在没有探测站的专用线时，系统接入专用线里程信息S_BC，计算线路交汇点B与车号探测设备A之间的距离S_AC，累加各区段里程数据形成站间距离S_AC关联货运站C记录到站间距字典中。根据车站上报的装卸信息确定车辆的起点和终点，按时间顺序查询对应的统计区段起点和终点的探测站和货运站信息，从站间距字典中提取对应的里程数据累加，累加里程数据实现走行公里统计。

3.2   基于多任务分发的海量数据并行计算

铁路货车数据涵盖了车辆制造、检修、运用、运输和调度等多个维度的海量数据。通过采用分布式计算和并行处理技术，这些数据得以高效地处理与分析。根据具体任务需求，将海量的车辆数据和走行公里数据划分为多个子任务，并将这些任务分发至不同的计算节点进行并行处理。各计算节点分别处理不同情况下走行公里、空重里程和不同速度级里程数据。通过各节点任务并行计算，实现数据的同时处理，显著提升了运算速度和处理能力。各节点里程数据计算完成后，将结果汇总至主节点进行整合，形成完整的走行公里统计结果。这种运算方式提升数据处理的效率和实时性，同时，能够高效处理海量数据集，确保走行公里数据快速响应和精确统计。

4   系统应用

本文系统支持按年、按月、按段修周期对各车型的走行公里进行统计分析，以实施修程修制改革的C70系列车型为例（段修周期为27个月）。

根据每个车辆的车号、前次定检日期和末次定检日期统计该系列下所有车辆一个段修期内的走行公里，将未满一个段修期的车辆数据和不符合统计规则的异常车辆数据（提前定检车辆数据、过期检修车辆数据、长时间未运行的车辆数据、车辆修竣日期录入异常数据等）自动过滤。基于该系列下所有车辆一个段修内的走行公里数据形成图6所示的车辆走行公里正态分布曲线及表1所示的相关数据统计量。由图6及表1可知，该C70系列铁路货车一个段修期内里程分布情况。

图  6  C70系列车辆走行公里正态分布曲线

下载: 全尺寸图片 幻灯片

表  1  C70系列走行公里分布主要统计量

样本总数/辆	统计量/104 km
	样本间隔	样本均值	最大值	最小值	标准差	达到90%范围分布
237532	0.2	21.1	38.4	0.58	2.55	17.2～24.4

下载: 导出CSV 

| 显示表格

此外，本文系统还可根据车型分别统计各车型车辆走行公里分布，该系列各车型车辆走行公里分布如图7所示，各车型走行公里分布主要统计量如表2所示。由于该系列各车型的制造辆数不同，统计的频数有所差异。

图  7  C70系列各车型车辆走行公里分布

下载: 全尺寸图片 幻灯片

表  2  各车型走行公里分布主要统计量 单位：10⁴ km

车型	样本间隔	样本均值	最大值	最小值	标准差	达到90%范围分布
C70	1	20.9	34.7	1.01	2.16	0～23.31
C70H	1	21.1	30.1	1.20	1.96	0～23.43
C70E	1	20.5	38.2	0.67	2.59	0～23.20
C70E-A	1	23.4	38.4	5.16	6.68	0～32.26
C70EH	1	20.8	29.6	6.77	2.29	0～23.41
C70EH-A	1	25.3	35.4	1.32	5.13	0～32.68

下载: 导出CSV 

| 显示表格

5   结束语

本文基于铁路货车走行公里统计研究，设计了铁路货车里程管理及辅助分析应用系统。通过融合多源数据，实现复杂线路走行公里计算。结合铁路货车业务数据，利用并行计算技术，解决海量数据实时处理问题，实现了铁路货车走行公里多维度统计。基于零部件在不同车辆上的走行公里数据，实现了重要零部件运用里程统计。在里程统计与分析方面，支持车型及临修故障里程分析，为修程修制改革提供数据支持。此外，里程到过期预警功能有效地实现了车辆里程数据的实时监控和管理，解决了基于走行公里为主检修的车辆里程到过期预警问题。随着本文系统的推广和应用，将进一步解决车辆“少修”或“过度修”的问题，从而达到优化铁路货车的维护策略，提升整体运营效率的目的。下一步，将深化车型走行公里分析研究和多种重要零部件故障率与走行公里对应关系研究，通过大数据手段挖掘走行公里数据价值，为基于走行公里为主检修的铁路货车修制改革提供数据支撑。