1引言
目前轨道交通行业对列车运用状况和运用成本进行精细化管理的需求不断上升，要求充分利用状态监控信息、运用信息等大数据资源，提供更加全面的维修服务，快速发现、诊断、修复故障，同时通过数据分析，建立优化修程修制管理能力，做出预测性维修能力的建设和探索。
列车车地无线通信大数据管理系统用于实现列车实时数据和历史数据的地面存储及分析评估。通过车地无线传输网络（4G/5G/WIFI等）发送过来的数据信息，经地面服务器软件解析处理后存入数据库服务器中，再经分析统计形成界面、报表，向用户展示列车运用、故障诊断等列车各方面的汇总统计。通过对信息的实时监控处理，可实现对车辆运行状况的全程跟踪及故障报警预警。通过统计分析和数据挖掘，提供车辆维修与快捷服务的决策支持。2总体方案设计
系统由三大部分构成，分别是Web服务器、大数据集群和运维大屏幕。系统数据流程分为两条主线，一条是数据采集后的实时数据处理流程，以Apache Storm框架为基础，主要实现实时数据高效分析，可实现毫秒级的计算响应，数据的主要处理在内存中完成。另一条是数据采集后的离线数据处理流程，以Hadoop Yarn框架为基础，主要实现离线数的分析，数据存储在基于磁盘的分布式文件系统中。
3大数据方案设计
大数据方案主要实现车辆运行数据的高速、高并发采集、分析，同时基于Hadoop、Storm等分布式大数据框架为基础，实现实时在线和离线数据的计算、分析和存储，构建列车运行数据的大数据基础平台。系统可在控制室屏幕墙或是PC上监测列车的实时运行数据及分析以及对历史数据的查询分析。
（一）数据源层
列车通过无限网络向服务器实时传输列车运行数据；
（二）采集层
基于Netty框架，作为通信网关，实时采集列车上传的数据，并将数据整理后分别送入kafka消息队列及HBASE；
（三）存储层
数据采集后，分别进入实时数据处理和离线数据处理两条通道，原始数据存储到kafka消息队列中以供实时在线计算框架使用；原始数据存储在Hbase中；
（四）计算层
系统分为实时在线计算框架和离线计算框架。实时在线计算框架基于Apache Storm架构构建，可实现毫秒级的计算响应，计算结果存储到Redis内存数据库中。离线计算框架基于成熟的spark框架构建，以实现离线数据的计算要求；
（五）服务层
列车运行数据查询、分析：实现列车运行数据实时、历史的分析查询功能。
列车故障诊断、运行状况预测预警：以大数据平台为基础，利用人工智能、深度学习、数据挖掘等技术实现列车故障的智能诊断、列车运行状态的预测、预警。
（六）接口层
系统主要以Web方式，向用户提供服务，数据传输基于传统的Http协议以及实时通信的Websocket协议。而数据格式以通用的xml和json格式为主；
（七）展示层
基于Html5技术及echarts等可视化图表技术向用户提供良好的数据展示；
（八）调度层
系统采用流行的zookeeper分布式应用程序协调服务，为分布式应用提供一致性服务，包括：配置维护、域名服务、分布式同步、组服务等。
4 Web软件方案设计
服务器Web软件的显示结构和方案将根据系统功能模块进行划分与设计。以下将重点介绍全网总览和车辆实时状态这两个功能模块的显示方案。
图4 功能模块
4.1全网总览
全网总览是智能运维大屏的主界面，帮助列车管理层从较高的视角了解全线路列车的运行情况，如图5所示。
图5 大屏全网总览界面
实时线路网络图：显示城市地铁的线路网络图，网络图上显示线路和车站，车站上显示达到当前车站的列车图标。
线路列车统计表：显示各个线路的列车数量，包括：投运数量、在线列车数量、离线列车数量、故障列车数量。
列车信息与列车概况：在地铁图上可以概览全网的列车位置信息，鼠标落在图标位置可以查看列车概要信息（如：载客量、速度、控制模式等，可调整）。
数据统计图：展示五个统计数据图，默认情况下包括：实时温度、能耗统计、故障统计、里程统计、客流量。具体设计如下：
（一）实时温度：显示近一小时的该城市天气温度，同时显示线路各个列车的客室温度，用于了解和判断乘客的舒适度的情况；
（二）能耗统计：显示各个列车的累计能耗统计；
（三）故障统计：统计各个线路和列车的故障的发生次数；
（四）里程统计：显示各个列车的累计里程统计；
（五）实时客流量曲线：显示从当天早上五点钟到当前时间的客流量的曲线图。
4.2车辆实时状态
车辆实时状态显示某条线路上的某列车的实时运行状态，本页面提供车辆选择列表，在显著位置会展示列车部分重要的运行信息，包括站点信息，列车运行概况，通过仪表盘显示的速度、网压、网流、主风压力等值。在下方对整列车每节车厢的各个子系统设备状态和参数进行监控。可通过Tab或鼠标按钮切换显示，每个切换页面显示内容如下：
基本状态：载客量、客室温度等；
牵引状态：受电弓/受流靴、HSCB状态、牵引状态：通信丢失、牵引故障；牵引电制动力等；
辅助状态：辅逆状态、蓄电池充电机输出电压、蓄电池充电机输出电流、AC输出电压、AC输出电流等；
制动状态：转向架1常用制动状态、转向架2常用制动状态等；
门状态：客室门状态等；
空调状态：空调机组状态、客室温度、控制模式等；
旁路状态：警惕旁路、总风低压旁路等；
5总结
本文以通用大数据平台为基础，基于大数据挖掘技术构建列车大数据平台，研究车辆状态监测技术，对各个子系统的健康度状态进行监测、安全管理及维护控制。车地无线数据清洗处理后，做数据分析处理。形成图形报表展示给用户，并存储到数据库中。为列车全生命周期的运营、管理、维护提供保障。
参考文献
[1]张铭.基于混合式架构城市轨道交通大数据平台与运营决策应用[J].计算机应用与软件,2019,36(2): 85-92.
[2] 黄聪.基于大数据分析的城轨列车运行路线追踪研究[J].现代电子技术,2018,41(5):110-115.
[3] 李松峰,王洋,姚伟国,等.基于大数据的城市轨道交通运维信息化技术应用[J].铁路技术创新,2018(2):75-80
[4] 孙亚非,郭盛,李可.基于感知学习算法的地铁通信故障研究[J].现代电子技术,2019,42(08):102-107.
[5] 刘岩,郭竞文,罗常津,等.列车运行实绩大数据分析及应用前景展望[J].中国铁路,2015(6):70-73.
