一種基于車載和云端的列車故障診斷系統(tǒng)及方法與流程

本發(fā)明涉及高鐵大數(shù)據(jù)故障診斷技術(shù)領(lǐng)域，尤其涉及一種基于車載和云端的列車故障診斷系統(tǒng)和方法。

背景技術(shù)：

目前，我國的高速鐵路網(wǎng)發(fā)展迅速，這對于其盡快發(fā)揮經(jīng)濟效具有積極作用。由于列車運行速度快，為了更好地掌握列車的運行狀態(tài)，及時診斷列車故障，需要高可靠的列車故障診斷控制系統(tǒng)，列車狀態(tài)監(jiān)測和故障診斷系統(tǒng)是鐵路行車安全保障體系的重要組成部分。

現(xiàn)有的列車故障診斷主要使用車載系統(tǒng)控制，采用基于診斷規(guī)則的傳統(tǒng)方法，在可獲取狀態(tài)變量的基礎(chǔ)上檢測預期行為的偏差，在故障和故障現(xiàn)象相關(guān)知識的幫助下，診斷故障位置。車載診斷系統(tǒng)監(jiān)控所有子系統(tǒng)相關(guān)的元件和功能。由于高速列車數(shù)據(jù)具有明顯大數(shù)據(jù)特征，高速列車運行與維護的大數(shù)據(jù)中蘊含的高速列車故障診斷信息的價值巨大，而數(shù)據(jù)具有種類多、實時性強、數(shù)據(jù)量大、處理速度快等特點，使得現(xiàn)有故障診斷系統(tǒng)難以適應以上特點。數(shù)據(jù)驅(qū)動的建模與故障診斷在工業(yè)界近年取得很多研究進展與應用，為高速列車故障、診斷提供新的途徑和手段。

目前，已有一些基于數(shù)據(jù)模型的故障診斷方法的研究，如專利號為201610143119.3的一種高鐵列控車載設(shè)備故障診斷方法，該方法通過對車載設(shè)備故障數(shù)據(jù)進行分析和特征提取，提取建立決策信息表，并建立貝葉斯故障診斷網(wǎng)絡(luò)進行故障診斷。該方法仍然有很多不足：1.僅基于車載系統(tǒng)進行故障診斷，診斷效率低；2.模型算法單一，并且計算模型不能根據(jù)列車運行情況進行完善和優(yōu)化，列車車載故障診斷系統(tǒng)診斷可靠性低。

綜上所述，傳統(tǒng)的列車故障診斷僅基于車載系統(tǒng)，由于列車數(shù)據(jù)高速增長，而車載系統(tǒng)計算能力和硬件資源有限，高鐵列車在行駛過程中難以完成對數(shù)量龐大、快速積累的大規(guī)模數(shù)據(jù)進行分析建模。同時鑒于高速列車的特殊空間環(huán)境，也無法在列車上部署大規(guī)模計算集群以進行大規(guī)模高速運算來實時建立高精度列車故障診斷系統(tǒng)模型，并且計算模型不能根據(jù)列車運行情況進行完善和優(yōu)化，導致列車車載故障診斷子系統(tǒng)故障診斷率低，不能滿足高速列車復雜情況下的高精度高可靠的監(jiān)控要求。因此，急需研究新的基于云的高速列車大數(shù)據(jù)故障診斷系統(tǒng)。

技術(shù)實現(xiàn)要素：

針對現(xiàn)有技術(shù)的缺陷，本發(fā)明提供一種基于車載和云端的列車故障診斷系統(tǒng)和方法，采用云服務(wù)對列車在行駛過程中進行監(jiān)控，同時云端數(shù)據(jù)不斷更新，模型細節(jié)越來越完善，精度不斷提高，性能超越傳統(tǒng)單一實時故障診斷模塊控制，滿足了列車車載故障診斷子系統(tǒng)在行駛過程中高可靠高精度的要求，提高了列車在行駛過程中的安全性。

一方面，本發(fā)明提供一種基于車載和云端的列車故障診斷系統(tǒng)，該系統(tǒng)包括車載故障診斷子系統(tǒng)和云端故障診斷子系統(tǒng)。

所述車載故障診斷子系統(tǒng)包括車載數(shù)據(jù)采集模塊、實時故障診斷模塊和云診斷模塊；所述云端故障診斷子系統(tǒng)包括云端數(shù)據(jù)采集模塊、數(shù)據(jù)存儲模塊、數(shù)據(jù)處理模塊、故障診斷與預測模塊和數(shù)據(jù)可視化模塊。

所述車載數(shù)據(jù)采集模塊用于對列車的運行數(shù)據(jù)進行采集。

所述實時故障診斷模塊用于在列車運行過程中對列車進行實時故障診斷與預測。

所述云診斷模塊用于調(diào)用云端故障診斷子系統(tǒng)所提供的故障診斷服務(wù)對列車進行輔助式故障診斷，即一方面對車載實時故障診斷模塊的診斷結(jié)果與云端故障診斷子系統(tǒng)的故障診斷結(jié)果進行對比，并將對比結(jié)果進行顯示；另一方面當對比結(jié)果表明所述車載故障診斷子系統(tǒng)出現(xiàn)重大故障的漏報或錯報時，通過設(shè)定數(shù)據(jù)傳輸優(yōu)先級，優(yōu)先傳遞診斷指令和數(shù)據(jù)，利用云診斷模塊進行快速輔助診斷。

所述云端數(shù)據(jù)采集模塊，一方面用于采集列車運行過程中通過列車網(wǎng)絡(luò)傳輸?shù)牧熊囘\行的實時數(shù)據(jù)，另一方面用于采集列車運行結(jié)束后列車運行的歷史數(shù)據(jù)。

所述數(shù)據(jù)存儲模塊用于將云端數(shù)據(jù)采集模塊所采集的數(shù)據(jù)進行數(shù)據(jù)清洗、數(shù)據(jù)轉(zhuǎn)換和數(shù)據(jù)壓縮，并將數(shù)據(jù)按不同數(shù)據(jù)類型存入對應數(shù)據(jù)存儲系統(tǒng)；所述數(shù)據(jù)清洗包括數(shù)據(jù)補缺、數(shù)據(jù)替換和數(shù)據(jù)格式規(guī)范化；所述數(shù)據(jù)轉(zhuǎn)換包括數(shù)據(jù)拆分、數(shù)據(jù)排序、數(shù)據(jù)去重和數(shù)據(jù)驗證；所述數(shù)據(jù)壓縮用于壓縮原始數(shù)據(jù)，以節(jié)約存儲空間。

所述數(shù)據(jù)處理模塊包括計算框架子模塊、查詢子模塊、數(shù)據(jù)統(tǒng)計子模塊和算法庫子模塊；

所述計算框架子模塊包括實時流式計算框架和非實時批處理計算框架，所述實時流式計算框架用于實時數(shù)據(jù)流的計算，所述非實時批處理計算框架用于計算非實時歷史數(shù)據(jù)；

所述查詢子模塊用于查詢列車運行實時和歷史數(shù)據(jù)；

所述數(shù)據(jù)統(tǒng)計子模塊用于對列車運行的歷史數(shù)據(jù)進行統(tǒng)計處理；

所述算法庫子模塊用于管理數(shù)據(jù)處理的算法。

所述故障診斷與預測模塊包括模型建立子模塊、模型評估子模塊、模型管理子模塊和故障診斷與預測服務(wù)子模塊；

所述模型建立子模塊用于利用列車歷史運行數(shù)據(jù)構(gòu)建故障診斷與預測模型；

所述模型評估子模塊用于對故障診斷與預測模型的診斷與預測效果進行評估；

所述模型管理子模塊用于管理模型建立子模塊所構(gòu)建的所有歷史故障診斷與預測模型；

所述故障診斷與預測服務(wù)子模塊用于提供和監(jiān)控故障診斷與預測云服務(wù)。

所述數(shù)據(jù)可視化模塊用于顯示各類數(shù)據(jù)處理操作的結(jié)果，包括查詢結(jié)果、統(tǒng)計結(jié)果、計算結(jié)果和故障診斷結(jié)果。

另一方面，本發(fā)明還提供一種基于車載和云端的列車故障診斷方法，該方法通過上述的基于車載和云端的列車故障診斷系統(tǒng)實現(xiàn)，具體步驟如下：

步驟1、車載數(shù)據(jù)采集模塊中的歷史數(shù)據(jù)通過網(wǎng)絡(luò)上傳至云端數(shù)據(jù)采集模塊，云端數(shù)據(jù)采集模塊對列車數(shù)據(jù)進行采集；

步驟2、對上傳到云端數(shù)據(jù)采集模塊中的原始數(shù)據(jù)進行數(shù)據(jù)清洗和轉(zhuǎn)換后，再進行數(shù)據(jù)存儲，具體包括以下步驟：

步驟2.1、利用ETL(Extract-Transform-Load)工具對上傳到云端數(shù)據(jù)采集模塊中的原始數(shù)據(jù)進行數(shù)據(jù)補缺、數(shù)據(jù)替換和數(shù)據(jù)格式規(guī)范化的數(shù)據(jù)清洗操作，以及數(shù)據(jù)拆分、數(shù)據(jù)排序、數(shù)據(jù)去重和數(shù)據(jù)驗證的數(shù)據(jù)轉(zhuǎn)換操作；

步驟2.2、將清洗、轉(zhuǎn)換后的數(shù)據(jù)存儲到對應的數(shù)據(jù)存儲系統(tǒng)，具體為：

步驟2.2.1、將結(jié)構(gòu)化數(shù)據(jù)保存到數(shù)據(jù)庫；

步驟2.2.2、將非結(jié)構(gòu)化數(shù)據(jù)保存到文件系統(tǒng)；

步驟3、利用列車的歷史運行數(shù)據(jù)對云端原有的故障診斷與預測模型進行評估，并構(gòu)建新的故障診斷與預測模型，具體包括以下步驟：

步驟3.1、模型評估子模塊利用列車新上傳至云端數(shù)據(jù)采集模塊的歷史數(shù)據(jù)對云端故障診斷子系統(tǒng)原有的故障診斷與預測模型進行評估，若有誤報或漏報情況，則執(zhí)行步驟3.2，否則直接執(zhí)行步驟5；

步驟3.2、利用列車新上傳至云端數(shù)據(jù)采集模塊的歷史數(shù)據(jù)及云端數(shù)據(jù)存儲系統(tǒng)中原有的歷史數(shù)據(jù)建立新的故障診斷與預測模型，將該模型設(shè)定為最優(yōu)模型，并將該模型存儲到模型管理子模塊；

步驟3.3、構(gòu)建供車載故障診斷子系統(tǒng)遠程訪問的云端故障診斷服務(wù)接口，執(zhí)行步驟4；

步驟4、列車運行之前，對車載故障診斷子系統(tǒng)的實時故障診斷模塊中的故障診斷與預測模型進行更新，具體包括以下步驟：

步驟4.1、在列車運行之前，云端故障診斷子系統(tǒng)對車載故障診斷子系統(tǒng)的實時故障診斷模塊中的故障診斷與預測模型進行檢驗，判斷該模型是否是故障診斷與預測效果最優(yōu)的模型；若該模型不是故障診斷與預測效果最優(yōu)的模型，則執(zhí)行步驟4.2，對車載故障診斷子系統(tǒng)的實時故障診斷模塊中的故障診斷與預測模型進行更新，若該模型是故障診斷與預測效果最優(yōu)的模型，則執(zhí)行步驟5；

步驟4.2、判斷是否需要更新實時故障診斷模塊中的故障診斷與預測模型整體才能使該模型達到最優(yōu)，若否，即只需對實時故障診斷模塊中的故障診斷與預測模型的相關(guān)參數(shù)進行更新就能使該模型達到最優(yōu)，則執(zhí)行步驟4.2.1，若是，則執(zhí)行步驟4.2.2；

步驟4.2.1、列車車載故障診斷子系統(tǒng)的實時故障診斷模塊中的故障診斷及預測模型相比于云端故障診斷子系統(tǒng)的故障診斷與預測模塊中的診斷與預測效果最優(yōu)的模型，只需更改部分參數(shù)，則更改模型的相關(guān)參數(shù)；

步驟4.2.2、列車車載故障診斷子系統(tǒng)的實時故障診斷模塊中的故障診斷與預測模型相比于云端故障診斷子系統(tǒng)的故障診斷與預測模塊中診斷與預測效果最優(yōu)的模型，需要將效果最優(yōu)的模型整體下載到車載故障診斷子系統(tǒng)，若車載故障診斷子系統(tǒng)的硬件計算資源能有效的支持云端故障診斷子系統(tǒng)所構(gòu)建的故障診斷與預測效果最優(yōu)的模型的運算，則執(zhí)行步驟4.2.2.1；若車載故障診斷子系統(tǒng)的硬件計算資源無法支持云端故障診斷子系統(tǒng)所構(gòu)建的最新故障診斷與預測模型的運算，則執(zhí)行步驟4.2.2.2；

步驟4.2.2.1、將云端故障診斷子系統(tǒng)所構(gòu)建的最優(yōu)故障診斷與預測模型的完整模型直接下載到列車車載故障診斷子系統(tǒng)中；

步驟4.2.2.2、對云端故障診斷子系統(tǒng)所構(gòu)建的復雜的最新故障診斷與預測模型故障診斷模型進行約簡，構(gòu)建約簡后的故障診斷與預測模型，并將其下載到列車車載故障診斷子系統(tǒng)中；

步驟5、車載故障診斷子系統(tǒng)對列車進行實時故障診斷，具體包括以下步驟：

步驟5.1、車載數(shù)據(jù)采集模塊將所采集的實時數(shù)據(jù)傳輸給實時故障診斷模塊和云診斷模塊；

步驟5.2、實時故障診斷模塊利用實時采集的數(shù)據(jù)對行駛中的列車進行實時故障診斷，將故障診斷結(jié)果傳輸給云診斷模塊；

步驟5.3、云診斷模塊利用實時數(shù)據(jù)通過調(diào)用云端故障診斷子系統(tǒng)所提供的故障診斷與預測服務(wù)接口對列車進行故障診斷，具體方法為：

步驟5.3.1、云端數(shù)據(jù)采集模塊對列車運行過程中通過網(wǎng)絡(luò)上傳的實時數(shù)據(jù)進行采集；

步驟5.3.2、利用ETL工具對步驟5.3.1中采集的實時數(shù)據(jù)進行數(shù)據(jù)清洗和數(shù)據(jù)轉(zhuǎn)換操作后，存儲到對應的數(shù)據(jù)存儲系統(tǒng)；

步驟5.3.3、云端故障診斷子系統(tǒng)響應遠程故障診斷服務(wù)請求，具體響應過程為：

步驟5.3.3.1、云端故障診斷子系統(tǒng)的故障診斷與預測模型對步驟5.3.2中進行清洗和轉(zhuǎn)換后的列車運行數(shù)據(jù)進行分析和故障診斷；

步驟5.3.3.2、將故障診斷結(jié)果返回到車載故障診斷子系統(tǒng)的云診斷模塊；

步驟5.4、云診斷模塊將通過調(diào)用云端故障診斷與預測服務(wù)所形成的診斷結(jié)果與步驟5.2中車載故障診斷子系統(tǒng)中的實時故障診斷模塊所形成的診斷結(jié)果進行比對，并進行提示；若結(jié)果對比發(fā)現(xiàn)車載故障診斷子系統(tǒng)中的實時故障診斷模塊針對重大故障有漏報或錯報，則執(zhí)行步驟5.4.1；若結(jié)果對比沒有發(fā)現(xiàn)有漏報或錯報，則直接執(zhí)行步驟5.4.4；

步驟5.4.1、車載故障診斷子系統(tǒng)通過云診斷模塊提升調(diào)用云端故障診斷與預測服務(wù)進行故障診斷與預測及與云端通訊的優(yōu)先級；

步驟5.4.2、車載故障診斷子系統(tǒng)通過云診斷模塊提高調(diào)用云端故障診斷與預測服務(wù)進行故障診斷與預測及與云端通信所占用的帶寬，優(yōu)先傳遞診斷指令和數(shù)據(jù)；

步驟5.4.3、云診斷模塊調(diào)用云端故障診斷子系統(tǒng)所提供的服務(wù)進行快速輔助診斷；

步驟5.4.4、云診斷模塊將故障診斷結(jié)果進行及時提示；

步驟6、列車運行結(jié)束后將本次列車的歷史數(shù)據(jù)上傳到云端數(shù)據(jù)采集模塊。

由上述技術(shù)方案可知，本發(fā)明的有益效果在于：本發(fā)明提供一種基于車載和云端的列車故障診斷系統(tǒng)及方法，采用云服務(wù)對列車在行駛過程中進行監(jiān)控，同時云端數(shù)據(jù)不斷更新，故障診斷與預測模型細節(jié)越來越完善，精度不斷提高，性能超越傳統(tǒng)單一實時故障診斷模塊控制，滿足了列車車載故障診斷子系統(tǒng)在行駛過程中高可靠高精度的要求，提高了列車在行駛過程中的安全性。具體效果在于：將列車車載故障診斷子系統(tǒng)與云端故障診斷子系統(tǒng)結(jié)合，雙重保證了列車車載故障診斷子系統(tǒng)的高可靠性；車載故障診斷子系統(tǒng)將數(shù)據(jù)存入到云端數(shù)據(jù)存儲系統(tǒng)中，構(gòu)建了統(tǒng)一的故障數(shù)據(jù)管理系統(tǒng)，實現(xiàn)對故障數(shù)據(jù)的高效管理；通過列車上的云診斷模塊對行駛中的列車進行故障診斷效果的監(jiān)控，確保了車載實時故障診斷的高可靠性；云端利用不斷積累更新的運行數(shù)據(jù)所構(gòu)建的故障診斷與預測模型不斷完善，精度不斷提高，故障診斷與預測性能超越傳統(tǒng)單一車載實時故障診斷系統(tǒng)。

附圖說明

圖1為本發(fā)明實施例提供的一種基于車載和云端的列車故障診斷系統(tǒng)結(jié)構(gòu)框圖；

圖2為本發(fā)明實施例提供的一種基于車載和云端的列車故障診斷系統(tǒng)的功能性結(jié)構(gòu)圖；

圖3為本發(fā)明實施例提供的一種基于車載和云端的列車故障診斷方法的總體流程圖；

圖4為本發(fā)明實施例提供的一種基于車載和云端的列車故障診斷方法在列車開車前的流程圖；

圖5為本發(fā)明實施例提供的一種基于車載和云端的列車故障診斷方法在列車行駛過程中的流程圖。

具體實施方式

下面結(jié)合附圖和實施例，對本發(fā)明的具體實施方式作進一步詳細描述。以下實施例用于說明本發(fā)明，但不用來限制本發(fā)明的范圍。

本實施例以軸溫故障診斷為例，一種基于車載和云端的列車故障診斷系統(tǒng)，如圖1所示，包括車載故障診斷子系統(tǒng)和云端故障診斷子系統(tǒng)。

車載故障診斷子系統(tǒng)包括車載數(shù)據(jù)采集模塊、實時故障診斷模塊和云診斷模塊。

車載數(shù)據(jù)采集模塊用于對列車的運行數(shù)據(jù)進行采集，包括若干用于采集不同數(shù)據(jù)的傳感器。

實時故障診斷模塊用于在列車運行過程中對列車進行實時故障診斷與預測。

云診斷模塊用于調(diào)用云端故障診斷子系統(tǒng)所提供的故障診斷服務(wù)對列車進行輔助式故障診斷，即一方面對車載實時故障診斷模塊的診斷結(jié)果與云端故障診斷子系統(tǒng)的故障診斷結(jié)果進行對比，并將對比結(jié)果進行顯示；另一方面當對比結(jié)果表明所述車載故障診斷子系統(tǒng)出現(xiàn)重大故障的漏報或錯報時，通過設(shè)定數(shù)據(jù)傳輸優(yōu)先級，優(yōu)先傳遞診斷指令和數(shù)據(jù)，利用云診斷模塊進行快速輔助診斷。

云端故障診斷子系統(tǒng)包括云端數(shù)據(jù)采集模塊、數(shù)據(jù)存儲模塊、數(shù)據(jù)處理模塊、故障診斷與預測模塊和數(shù)據(jù)可視化模塊。

云端數(shù)據(jù)采集模塊，一方面用于采集列車運行過程中通過列車網(wǎng)絡(luò)傳輸?shù)牧熊囘\行的實時數(shù)據(jù)，另一方面用于采集列車運行結(jié)束后列車運行的歷史數(shù)據(jù)。

數(shù)據(jù)存儲模塊用于將云端數(shù)據(jù)采集模塊所采集的數(shù)據(jù)進行數(shù)據(jù)清洗、數(shù)據(jù)轉(zhuǎn)換和數(shù)據(jù)壓縮，并將數(shù)據(jù)按不同數(shù)據(jù)類型存入對應數(shù)據(jù)存儲系統(tǒng)；數(shù)據(jù)清洗包括數(shù)據(jù)補缺、數(shù)據(jù)替換和數(shù)據(jù)格式規(guī)范化；數(shù)據(jù)轉(zhuǎn)換包括數(shù)據(jù)拆分、數(shù)據(jù)排序、數(shù)據(jù)去重和數(shù)據(jù)驗證；數(shù)據(jù)壓縮用于壓縮原始數(shù)據(jù)，以節(jié)約存儲空間。

數(shù)據(jù)處理模塊包括計算框架子模塊、查詢子模塊、數(shù)據(jù)統(tǒng)計子模塊和算法庫子模塊；計算框架子模塊包括實時流式計算框架和非實時批處理計算框架，實時流式計算框架用于實時數(shù)據(jù)流的計算，非實時批處理計算框架用于計算非實時歷史數(shù)據(jù)；查詢子模塊用于查詢列車運行實時和歷史數(shù)據(jù)；數(shù)據(jù)統(tǒng)計子模塊用于對列車運行的歷史數(shù)據(jù)進行統(tǒng)計處理；算法庫子模塊用于管理數(shù)據(jù)處理的算法。

故障診斷與預測模塊包括模型建立子模塊、模型評估子模塊、模型管理子模塊和故障診斷與預測服務(wù)子模塊；模型建立子模塊用于利用列車歷史運行數(shù)據(jù)構(gòu)建故障診斷與預測模型；模型評估子模塊用于對故障診斷與預測模型的診斷與預測效果進行評估；模型管理子模塊用于管理模型建立子模塊所構(gòu)建的所有歷史故障診斷與預測模型；故障診斷與預測服務(wù)子模塊用于提供和監(jiān)控故障診斷與預測云服務(wù)。

數(shù)據(jù)可視化模塊用于顯示各類數(shù)據(jù)處理操作的結(jié)果，包括查詢結(jié)果、統(tǒng)計結(jié)果、計算結(jié)果和故障建模與預測結(jié)果。

本實施例提供的一種基于車載和云端的列車故障診斷系統(tǒng)的功能性結(jié)構(gòu)如圖2所示。

采用上述的一種基于車載和云端的列車故障診斷系統(tǒng)對軸溫進行故障診斷的方法，如圖3所示，具體方法如下。

步驟1、某一列高鐵列車的車載數(shù)據(jù)采集模塊中的軸溫及其他歷史數(shù)據(jù)通過網(wǎng)絡(luò)上傳至云端數(shù)據(jù)采集模塊，云端數(shù)據(jù)采集模塊對該列車數(shù)據(jù)進行采集，這些歷史數(shù)據(jù)包括列車運行的軸溫、列車傳感器數(shù)據(jù)、列車操作狀態(tài)信息、列車編號、運行線路、司機編號、信息類別編碼、列車操作日志等。

步驟2、對上傳到云端數(shù)據(jù)采集模塊中的原始數(shù)據(jù)進行數(shù)據(jù)清洗和轉(zhuǎn)換后，再進行數(shù)據(jù)存儲，具體包括以下步驟：

步驟2.1、利用ETL工具Kettle(一種開源的ETL工具)對上傳到云端數(shù)據(jù)采集模塊中的原始數(shù)據(jù)進行數(shù)據(jù)補缺、數(shù)據(jù)替換和數(shù)據(jù)格式規(guī)范化的數(shù)據(jù)清洗處理，并對數(shù)據(jù)進行數(shù)據(jù)拆分、數(shù)據(jù)排序、數(shù)據(jù)去重和數(shù)據(jù)驗證的數(shù)據(jù)轉(zhuǎn)換處理；

步驟2.2、將清洗、轉(zhuǎn)換后的數(shù)據(jù)存儲到對應的數(shù)據(jù)存儲系統(tǒng)，具體為：

步驟2.2.1、將結(jié)構(gòu)化數(shù)據(jù)保存到數(shù)據(jù)庫，具體包括：將列車軸溫數(shù)據(jù)、操作狀態(tài)數(shù)據(jù)等存儲到內(nèi)存數(shù)據(jù)庫Redis(Key-Value數(shù)據(jù)庫)中，將數(shù)據(jù)副本寫入本地文件進行備份，將Redis中的數(shù)據(jù)使用無損壓縮算法進行壓縮后存儲到非關(guān)系型數(shù)據(jù)庫HBase中；將高速列車的列車編號、運行線路、司機編號、信息類別編碼等存儲到關(guān)系型數(shù)據(jù)庫Mysql中；

步驟2.2.2、將非結(jié)構(gòu)化數(shù)據(jù)保存到文件系統(tǒng)，具體為將列車司機的操作日志文件、故障報文信息等非結(jié)構(gòu)化數(shù)據(jù)存儲到HDFS(Hadoop Distributed File System)分布式文件管理系統(tǒng)中。

步驟3、利用列車的歷史運行數(shù)據(jù)對云端原有的故障診斷與預測模型進行評估，并構(gòu)建新的故障診斷與預測模型，具體包括以下步驟：

步驟3.1、模型評估子模塊利用列車新上傳至云端數(shù)據(jù)采集模塊的軸溫歷史數(shù)據(jù)對云端故障診斷子系統(tǒng)原有的故障診斷與預測模型進行評估，若評估結(jié)果確定有誤報或漏報情況，則執(zhí)行步驟3.2，否則直接執(zhí)行步驟5；具體的評估方法為：

步驟3.1.1、模型評估子模塊從數(shù)據(jù)庫獲取高鐵列車軸溫歷史數(shù)據(jù)，歸一化(一種簡化計算的方式，將有量綱的表達式，經(jīng)過變換，化為無量綱的表達式，成為標量)處理后構(gòu)建故障診斷與預測模型的測試集樣本；

步驟3.1.2、計算測試集樣本數(shù)據(jù)的T²(Hotelling T²統(tǒng)計量)和平方預測誤差(Square Predicted Error，SPE)統(tǒng)計量及其對應的控制限(即統(tǒng)計指標的限制范圍)，使用測試集樣本數(shù)據(jù)對原有的故障診斷與預測模型進行評估和驗證，若有誤報或漏報情況，需要對云端故障診斷子系統(tǒng)原有的故障診斷與預測模型進行更新，執(zhí)行步驟3.2，否則不更新模型，直接執(zhí)行步驟5；

步驟3.2、利用列車新上傳至云端數(shù)據(jù)采集模塊的軸溫歷史數(shù)據(jù)以及云端數(shù)據(jù)存儲系統(tǒng)中原有的軸溫歷史數(shù)據(jù)建立新的故障診斷與預測模型，將該模型設(shè)定為最優(yōu)模型，并將該模型存儲到模型管理子模塊；本實施例中，建立新的故障診斷與預測模型的方法為：

使用PCA(Principal Component Analysis，主成分分析)方法針對高鐵列車軸溫歷史數(shù)據(jù)建立新的故障診斷及預測模型，從數(shù)據(jù)庫獲取高鐵列車軸溫歷史數(shù)據(jù)，歸一化處理后構(gòu)建模型的訓練集和測試集樣本，對模型進行訓練和驗證。

步驟3.3、構(gòu)建供車載故障診斷子系統(tǒng)遠程訪問的云端故障診斷服務(wù)接口，執(zhí)行步驟4。

步驟4、列車運行之前，對車載故障診斷子系統(tǒng)的實時故障診斷模塊中的軸溫故障診斷與預測模型進行更新，具體包括以下步驟：

步驟4.1、在列車運行之前，云端故障診斷子系統(tǒng)對車載故障診斷子系統(tǒng)的實時故障診斷模塊中的軸溫故障診斷與預測模型進行檢驗，判斷該模型是否是故障診斷與預測效果最優(yōu)的模型；若該模型不是故障診斷與預測效果最優(yōu)的模型，則執(zhí)行步驟4.2，對車載故障診斷子系統(tǒng)的實時故障診斷模塊中的軸溫故障診斷與預測模型進行更新，若該模型是故障診斷與預測效果最優(yōu)的模型，則執(zhí)行步驟5；

步驟4.2、判斷是否需要更新實時故障診斷模塊中的軸溫故障診斷與預測模型整體才能使該模型達到最優(yōu)，若否，即只需對實時故障診斷模塊中的軸溫故障診斷與預測模型的相關(guān)參數(shù)進行更新就能使該模型達到最優(yōu)，則執(zhí)行步驟4.2.1，若是，則執(zhí)行步驟4.2.2；

步驟4.2.1、列車車載故障診斷子系統(tǒng)的實時故障診斷模塊中的軸溫故障診斷及預測模型相比于云端故障診斷子系統(tǒng)的軸溫故障診斷與預測模塊中的診斷與預測效果最優(yōu)的模型，只需更改部分參數(shù)，則更改車載故障診斷子系統(tǒng)中的軸溫故障診斷與預測模型算法的相關(guān)參數(shù)T²和SPE統(tǒng)計量的控制限；

步驟4.2.2、列車車載故障診斷子系統(tǒng)的實時故障診斷模塊中的軸溫故障診斷與預測模型相比于云端故障診斷子系統(tǒng)的故障診斷與預測模塊中故障診斷與預測效果最優(yōu)的軸溫故障診斷與預測模型，需要將效果最優(yōu)的模型整體下載到車載故障診斷子系統(tǒng)；若車載故障診斷子系統(tǒng)的硬件計算資源能有效的支持云端故障診斷子系統(tǒng)所構(gòu)建的軸溫故障診斷與預測效果最優(yōu)的模型的運算，則執(zhí)行步驟4.2.2.1；若車載故障診斷子系統(tǒng)的硬件計算資源無法支持云端故障診斷子系統(tǒng)所構(gòu)建的最新的軸溫故障診斷與預測模型的運算，則執(zhí)行步驟4.2.2.2；

步驟4.2.2.1、將云端故障診斷子系統(tǒng)所構(gòu)建的最優(yōu)的軸溫故障診斷與預測模型的完整模型以Docker(Docker是一個開源的引擎，可以方便的的為任何應用創(chuàng)建一個輕量級的、可移植的、自給自足的容器)的形式直接下載到列車車載故障診斷子系統(tǒng)的實時故障診斷模塊中；

步驟4.2.2.2、對云端故障診斷子系統(tǒng)所構(gòu)建的復雜的最新軸溫故障診斷與預測模型故障診斷模型進行約簡，構(gòu)建約簡后的軸溫故障診斷與預測模型，并將該約簡后的軸溫故障診斷與預測模型以Docker的形式下載到列車車載故障診斷子系統(tǒng)的實時故障診斷模塊中。

上述的步驟為在列車開車前根據(jù)歷史數(shù)據(jù)進行的故障診斷與預測模型的更新重建過程，其流程如圖4所示。

步驟5、列車車載故障診斷子系統(tǒng)中的實時故障診斷模塊利用列車軸溫傳感器所采集的實時軸溫數(shù)據(jù)對行駛中的列車進行實時故障診斷，如圖5所示，具體包括以下步驟：

步驟5.1、車載數(shù)據(jù)采集模塊將所采集的軸溫實時數(shù)據(jù)傳輸給實時故障診斷模塊和云診斷模塊；

步驟5.2、實時故障診斷模塊利用實時采集的軸溫數(shù)據(jù)對行駛中的列車進行實時軸溫故障診斷，將故障診斷結(jié)果傳輸給云診斷模塊；

步驟5.3、云診斷模塊通過調(diào)用云端故障診斷子系統(tǒng)所提供的軸溫故障診斷與預測服務(wù)的API(Application Programming Interface,應用程序編程接口)服務(wù)對列車實時軸溫數(shù)據(jù)進行故障診斷，但該過程具有一定的時間延遲，具體方法為：

步驟5.3.1、云端數(shù)據(jù)采集模塊對列車運行過程中通過GSM-R(GSM-R數(shù)字移動通信系統(tǒng)，是基于公共無線通信系統(tǒng)GSM平臺，專門為滿足鐵路應用而開發(fā)的數(shù)字無線通信系統(tǒng))網(wǎng)絡(luò)上傳的實時軸溫數(shù)據(jù)進行采集；

步驟5.3.2、利用ETL工具對步驟5.3.1中采集的實時軸溫數(shù)據(jù)進行數(shù)據(jù)清洗(包括數(shù)據(jù)補缺、數(shù)據(jù)替換和數(shù)據(jù)格式規(guī)范化)和數(shù)據(jù)轉(zhuǎn)換(包括數(shù)據(jù)拆分、數(shù)據(jù)排序、數(shù)據(jù)去重和數(shù)據(jù)驗證)操作后，存儲到對應的數(shù)據(jù)存儲系統(tǒng)；

步驟5.3.3、云端故障診斷子系統(tǒng)響應遠程故障診斷服務(wù)請求，具體響應過程為：

步驟5.3.3.1、云端故障診斷子系統(tǒng)的軸溫故障診斷與預測模型對步驟5.3.2中進行清洗和轉(zhuǎn)換后的列車運行軸溫數(shù)據(jù)進行分析和故障診斷；

步驟5.3.3.2、將軸溫故障診斷結(jié)果返回到車載故障診斷子系統(tǒng)的云診斷模塊；

步驟5.4、云診斷模塊將通過調(diào)用云端故障診斷與預測服務(wù)所形成的軸溫故障診斷結(jié)果與步驟5.2中車載故障診斷子系統(tǒng)中的實時故障診斷模塊所形成的軸溫故障診斷結(jié)果進行比對，并進行提示；若結(jié)果對比發(fā)現(xiàn)車載故障診斷子系統(tǒng)中的實時故障診斷模塊針對重大軸溫故障有漏報或錯報，則執(zhí)行步驟5.4.1；若結(jié)果對比沒有發(fā)現(xiàn)有漏報或錯報，則直接執(zhí)行步驟5.4.4；

步驟5.4.1、車載故障診斷子系統(tǒng)通過云診斷模塊提升調(diào)用云端故障診斷與預測服務(wù)進行故障診斷與預測及與云端通訊的優(yōu)先級；

步驟5.4.2、車載故障診斷子系統(tǒng)通過云診斷模塊提高調(diào)用云端故障診斷與預測服務(wù)進行故障診斷與預測及與云端通信所占用的帶寬，優(yōu)先傳遞診斷指令和數(shù)據(jù)；

步驟5.4.3、云診斷模塊調(diào)用云端故障診斷子系統(tǒng)所提供的服務(wù)進行快速輔助診斷；

步驟5.4.4、云診斷模塊將故障診斷結(jié)果進行及時提示。

步驟6、列車運行結(jié)束后將本次列車的歷史數(shù)據(jù)上傳到云端數(shù)據(jù)采集模塊。

本次故障診斷過程結(jié)束后又得到新的運行數(shù)據(jù)，再返回執(zhí)行步驟1。列車運行數(shù)據(jù)不斷更新，更新的數(shù)據(jù)用來優(yōu)化或重建故障診斷與預測模型，優(yōu)化或重建的模型又用來對列車進行故障診斷，隨著系統(tǒng)的不斷運行，該方法的流程一直循環(huán)執(zhí)行。

由于列車車載故障診斷子系統(tǒng)的硬件資源局限性，高鐵列車在行駛過程中產(chǎn)生的數(shù)據(jù)量大，實時故障診斷模塊的運算能力以及模型精度有限，加上計算模型不能根據(jù)列車運行情況進行完善和優(yōu)化，導致列車車載故障診斷子系統(tǒng)可靠性不高，不能滿足高速列車復雜情況下的高精度高可靠的監(jiān)控要求。本發(fā)明提供的的基于車載和云端的列車故障診斷系統(tǒng)及方法，提供了一種車載—云端框架，有效保障了列車車載故障診斷子系統(tǒng)中的故障診斷與預測模型高可靠高精度的問題，其特有的云服務(wù)可以對列車在行駛過程中進行監(jiān)控，同時云端數(shù)據(jù)不斷更新，模型細節(jié)越來越完善，精度不斷提高，性能超越傳統(tǒng)單一實時故障診斷模塊控制，提高了列車在行駛過程中的安全性。

最后應說明的是：以上實施例僅用以說明本發(fā)明的技術(shù)方案，而非對其限制；盡管參照前述實施例對本發(fā)明進行了詳細的說明，本領(lǐng)域的普通技術(shù)人員應當理解：其依然可以對前述實施例所記載的技術(shù)方案進行修改，或者對其中部分或者全部技術(shù)特征進行等同替換；而這些修改或者替換，并不使相應技術(shù)方案的本質(zhì)脫離本發(fā)明權(quán)利要求所限定的范圍。