嵌入式车辆工况混杂异构数据信息实时处理方法

1.一种嵌入式车辆工况混杂异构数据信息实时处理方法，其特征在于：其包括以下步骤：
1)数据同构化，将接收采集的车况数据修复，并转换成标准格式的数据；
2)数据过滤，将标准格式的数据根据不同类别进行分类，每一类滤除常态值，得到非常态车况数据；
3)数据评级，根据非常态车况数据评级，分为四级事故数据；
4)数据发送，在下位机车况数据接收不受限时，根据事故数据的级别，按照其优先级发送数据至信息输出端口，对车辆的非常态情况进行处理，
所述的数据同构化，在采集车况数据后进行数据格式转化前保证数据的正确性及完整性，对其进行检测、校准与修复，然后转化为本系统的数据同构协议，
所述的车况数据的检测，采用独立判断和联合判断确认采集的当前时段内的数据是否为错误数据；所述的独立判断为设定阈值范围(0，ymax)，落在范围外的数值为错误数据；所述的联合判断为数据为0时联合多个参数确认数据的正确性，
所述的车况数据的校准及修复方式根据对象类型、采集时间、所处工况条件，采用以下的一种或组合：
(k-1) (k) (k-1)
1)采用前一天的历史趋势数据y (t)进行修复，y (t)＝α·y(t)+(1-α)·y(t)；
2)采用历史趋势数据与实测数据的加权估计值，
3)采用相邻时段数据的平均值 进行修复， 或
(k-1)
其中y (t)为第(k-1)天t时段的历史趋势值，α为加权系数，n为计算平均值所取的数据个数，
所述的数据同构协议转化，为每一个列车子系统物理组成部分分配一个唯一的、可查找的标识码，同构化后的采集数据为所属对象分类、装置分类、参量分类、个别管理标识位、状态信息字段组成的一组数字编码。
2.如权利要求1所述的嵌入式车辆工况混杂异构数据信息实时处理方法，其特征在于：所述的车况数据采集，通过采集一定时间内的数据定义为某一相应时段的数据，一个时段对应一组数据，当前时段内没有数据或者多于一组数据则发生错误，对数据补充或修复。

嵌入式车辆工况混杂异构数据信息实时处理方法\n技术领域\n[0001] 本发明属于轨道交通车辆工况监测领域，特别是涉及一种新的支持列车多设备监测的异构数据处理方法。\n背景技术\n[0002] 随着城市的持续发展和社会的飞速进步，轨道交通步入了全面发展的阶段。在整个轨道交通系统中，车辆是一个重要而关键的组成部分，承担着运送大量旅客的重要任务，它的运行状况，安全状况直接影响整条轨道线路的运行和安全情况。列车的速度越来越快、结构越来越复杂、功能越来越完善、自动化程度越来越高，对列车的可靠性、安全性提出了更高的要求。但是，目前世界上尚无一套真正实时监测轨道车辆运行状况的系统，由于这个原因导致了轨道交通不必要的延误和关闭，影响了轨道交通的正常运行，造成了不必要的财力物力人力的损耗，所以在轨道交通中迫切需要全程实时监控列车的状态。\n发明内容\n[0003] 本发明的目的在于一种嵌入式车辆工况混杂异构数据信息实时处理方法，其可以实时的监控轨道交通列车的状态。\n[0004] 为达到以上目的，本发明所采用的解决方案是：\n[0005] 一种嵌入式车辆工况混杂异构数据信息实时处理方法，其包括以下步骤：\n[0006] 1)数据同构化，将接收采集的车况数据修复，并转换成标准格式的数据；\n[0007] 2)数据过滤，将标准格式的数据根据不同类别进行分类，每一类滤除常态值，得到非常态车况数据；\n[0008] 3)数据评级，根据非常态车况数据评级，分为四级事故数据；\n[0009] 4)数据发送，在下位机车况数据接收不受限时，根据事故数据的级别，按照其优先级发送数据至信息输出端口，对车辆的非常态情况进行处理。\n[0010] 进一步，所述的数据同构化，在采集车况数据后进行数据格式转化前保证数据的正确性及完整性，对其进行检测、校准与修复，然后转化为本系统的数据同构协议。\n[0011] 所述的车况数据采集，通过采集一定时间内的数据定义为某一相应时段的数据，一个时段对应一组数据，当前时段内没有数据或者多于一组数据则发生错误，对数据补充或修复。\n[0012] 所述的车况数据的检测，采用独立判断和联合判断确认采集的当前时段内的数据是否为错误数据；所述的独立判断为设定阈值范围(0，ymax)，落在范围外的数值为错误数据；所述的联合判断为数据为0时联合多个参数确认数据的正确性。\n[0013] 所述的车况数据的校准及修复方式根据对象类型、采集时间、所处工况等条件，采用以下的一种或组合：\n[0014] 1)采 用 前 一 天 的 历 史 趋 势 数 据y(k-1)(t) 进 行 修 复，y(k)(t) ＝(k-1)\nα·y(t)+(1-α)·y (t)；\n[0015] 2) 采 用 历 史 趋 势 数 据 与 实 测 数 据 的 加 权 估 计 值，[0016] 3)采用相邻时段数据的平均值 进行修复， 或\n[0017] \n[0018] 其中y(k-1)(t)为第(k-1)天t时段的历史趋势值，α为加权系数，n为计算平均值所取的数据个数。\n[0019] 所述的协议转化，为每一个列车子系统物理组成部分分配一个唯一的、可查找的标识码，同构化后的采集数据由所属对象分类、装置分类、参量分类、个别管理标识位、状态信息等数据字段组成的一组数字编码。对象分类指如牵引系统、制动系统、中控系统、辅逆系统、空调系统、车门系统数据等，数据滤取根据对象分类；装置分类指，如牵引系统中的高速断路器、逆变器、三相异步电机等具体装置；参量分类指采集的特征量，如电压、电流、压强、温度等；个别管理标识位表示参量属性和所属分类/对象不一致的信息，保证了特定参量属性的更新值，如牵引系统的一般参量的采集周期为0.5秒，而温度采集周期为1秒；状态信息是数据虑取处理的对象。\n[0020] 由于采用了上述方案，本发明具有以下特点：本发明的方法可以实时监控列车运行情况，对列车安全问题可及时处理，提高列车安全性、可靠性；同时根据采集到的信息进行分级处理提高了安全效率。\n附图说明\n[0021] 图1为本发明实施例的数据同构化的流程图。\n[0022] 图2为本发明实施例的数据过滤的流程图。\n[0023] 图3为本发明实施例的数据评级的流程图。\n[0024] 图4为本发明实施例的数据发送的流程图。\n具体实施方式\n[0025] 以下结合附图所示实施例对本发明作进一步的说明。\n[0026] 一种嵌入式车辆工况混杂异构数据信息实时处理方法，方法主要步骤如下：\n[0027] 1)动态工况数据故障的识别\n[0028] 轨道工况数据故障多数是由于检测器失灵或传输线路出现故障而引起的，因此可将其分为两大类：丢失的数据和错误的数据。\n[0029] (1)丢失数据的识别\n[0030] 固定型工况监测器都是按照一定的时间间隔采集数据的，但是在实际情况中，工况监测器扫描频率不固定、传输线路出现故障等多种原因都会使采集到的数据无法严格地按照指定的时间间隔上传，经常会出现某个时段或连续几个时段内数据丢失的现象，或是在某个时段内出现多组数据的情况，这些情况都属于数据丢失故障。以前的信息分析方法往往都不考虑数据的丢失问题，这将对方法的实际应用效果带来不利的影响。\n[0031] 通过把在一定时间内得到的数据定义成某一时段的数据，可以实现对丢失数据的识别。例如，如果将采集数据的时间间隔规定为5min，则在8:00:00到8:05:00之内得到的数据均视为8:00:00这一时段的数据，然后对数据的时段进行扫描和判断，如果在某一时段内没有得到数据，或是一个时段内有多于一组的数据，则认为该时段的数据存在问题，需要进行补充和修复处理。\n[0032] (2)错误数据的识别\n[0033] 当工况监测器或传输线路出现故障时，采集到的数据通常是错误的，不能反应真实的工况，可采用独立判断和联合判断两种方法对这类错误数据进行判断。\n[0034] A独立判断\n[0035] 独立判断的目的是检验数据是否来自于有故障的工况检测器。错误数据的数值通常表现为0，或是超过可能出现的最大值ymax，所以认为数值不在(0，ymax)范围内的数据是错误的数据。对轨道工况数据进行判断时，应根据不同线路，控制类型和相关参数确定每类工况检测器数据的合理范围。\n[0036] B联合判断\n[0037] 对于工况监测器采集到的数据来说，独立判断可以识别出数值不在(0，ymax)范围内的错误数据，而当数据为0时，独立判断方法不能正确判断数据的合理性，可以同时对几个参数数据进行联合判断。当参数数据为0时有两种可能：第一，数据是正确的，即这个时段内没有检测物通过检测站；第二，数据是错误的，即轨道工况检测器没有检测到这个时段内的车辆或传输线路故障导致数据为0。遇到这种情况，可以同时查看多个参数数据进行联合判断得出最后结论。\n[0038] 错误数据的处理办法有两种：一是将其剔除，这种方法适用于可以得到大量实测数据且有少量错误数据时的情况。但当错误数据较多时，完全剔除数据会导致可用数据个数过少，无法准确描述所观察指标的现状或历史特征，对最终结果会造成影响，也可能漏报数据。二是对其进行修复，将数据处理成没有偶然因素影响时本应表现出的数值或其近似值。\n[0039] 2)动态工况数据故障的修复\n[0040] 根据动态工况数据的具体情况和常规方法的需求，进行补充修复的步骤如下：\n[0041] (1)采用前一天的历史趋势数据y(k-1)(t)进行修复。历史趋势数据的有效利用能够保证模型的稳定性和减小实测数据中的随机干扰。一般可采用移动平均和指数平滑方法对历史趋势数据库进行更新。但在实际应用中还应针对不同系统进行多种考虑分析，再确定历史趋势数据库的更新方法。\n[0042] 如果采用指数平滑法，则第k天第t时段的历史趋势值y(k)(t)为：\n[0043] y(k)(t)＝α·y(t)+(1-α)·y(k-1)(t)\n[0044] 式中：y(k-1)(t)-第(k-1)天t时段的历史趋势值；\n[0045] α-加权系数，一般0≤α≤1反映不同时期当前实测数据在历史趋势数据中的作用。\n[0046] 这种方法适用于数据的离线或在线处理，当前几组数据中有故障出现时可采用该方法进行处理。\n[0047] (2)采用历史趋势数据与实测数据的加权估计值\n[0048] \n[0049] 式中：α-加权系数，它体现了(t-1)时段实测数据和历史趋势数据在数据修复中所起的作用。\n[0050] 这种方法采用实测数据和历史趋势数据的加权结果，既考虑到实际情况中前一时段工况对后一时段状态的影响，同时，历史趋势数据的使用又能减小实际轨道工况中随机波动的影响，修复处理的效果既稳定又可靠。\n[0051] (3)采用相邻时段数据的平均值 进行修复。 的计算公式为：\n[0052] \n[0053] 或\n[0054] \n[0055] 式中：n-计算平均值所取的数据个数。\n[0056] 前一个式子使用的是(t-1)时段和(t+1)时段的数据，但当进行在线处理时无法得到(t+1)时段的数据，所以此式只适用于模型的离线处理。后一个式子既可以用于离线处理，也可以用于在线处理。\n[0057] 以上方法适用范围和条件不同，根据每条采集数据的来源、时间、工况等具体选择。方法(1)适合采集频率较高、安全数据，方法(2)适合采集频率较低、非安全密切相关的情况，方法(3)的应用范围最广，用于故障发生后增强监控力度以保障故障数据的完整性，和(1)或(2)同时生效，处理结果可供离线后深度分析使用。\n[0058] 方法实现包括四大步骤，分别是数据同构化、数据过滤、数据评级、数据发送。\n[0059] 1)数据同构化\n[0060] 如图1所示，通过车况数据校验、车况数据修复和车况数据格式转换实现。在接收采集信息之后，车况数据校验与修复模块会对数据的完整性与正确性进行检测、校准与修复。在保证车况数据完整性与正确性的前提下，车况数据格式转换模块对车况数据进行标准数据格式的转化。\n[0061] 2)数据过滤\n[0062] 如图2所示，以牵引系统为例说明问题，通过车况数据分类和车况数据滤取实现。\n车况数据分类模块根据对车辆系统的合理划分，将车况数据分为牵引系统数据、制动系统数据、中控系统数据、辅逆系统数据、空调系统数据、车门系统数据和其他系统数据。车况数据滤取模块将各类车况数据的模拟量和开关量数据特征，与设定的数据特征阀值进行比较，滤去常态车况数据，得到非常态车况数据。\n[0063] 3)数据评级\n[0064] 如图3所示，车况数据评级模块将非常态车况数据，根据后台数据处理需求，划分为一类、二类、三类和四类事故数据。按其重要程度顺序排序分别为红色警报事故、橙色警报事故、黄色警报事故和蓝色警报事故。\n[0065] A红色警报为最高警报，事故最为巨大，优先级最高，最为严重。该警报中列车无法正常运行，维修站和控制中心也无法在短时间内解决该事故，需要直接将列车退出运行。这些特征是区别红色警报的关键。\n[0066] B橙色警报优先级仅低于红色警报，事故较严重，但若能及时将实时数据情况传输给控制中心和维修站，事故能在短时间内得到控制解决。\n[0067] C黄色警报事故优先级仅高于蓝色警报事故，事故一般能在周围站台得到解决，一般更换相应设备后就能解除警报。\n[0068] D蓝色警报事故在四类警报中优先级最低。一般为供电系统短暂故障，线路不稳定等小故障，由列车控制台的司机即可解决。\n[0069] 该事故类别的区分作为参考方案，实际上需与列车司机、控制站台、控制中心、维修站设备等各环节统一。\n[0070] 4)数据发送\n[0071] 如图4所示，车况评级数据转发是将车况评级数据，按照事故等级的优先级进行排序，实时转送到下位机。车况评级数据转发控制模块是当下位机数据接收受限时，暂停数据发送，待下位机数据接收受限解除时，继续传送数据。\n[0072] 上述的对实施例的描述是为便于该技术领域的普通技术人员能理解和应用本发明。熟悉本领域技术的人员显然可以容易地对这些实施例做出各种修改，并把在此说明的一般原理应用到其他实施例中而不必经过创造性的劳动。因此，本发明不限于这里的实施例，本领域技术人员根据本发明的揭示，对于本发明做出的改进和修改都应该在本发明的保护范围之内。