本文转自：上观上海轨道交通运营里程居世界第一|上海地铁网络背后的“智慧大脑”( 二 ) 本文转自：上观

【海量数据协同优化处理】
多源异构多模态海量数据协同优化处理技术，解决了轨交供电数据灵活应用的难点。
轨交供电业务的信息数据种类繁多、特征差异明显。其中，实时感知类数据系统数量多，数据变化也快，并发访问效率要求高，几乎每30秒接收82678条实时数据；同时，历史留存数据量大，大约有50余类设备、900多项数据、70余万条业务要素，这些都需要快速处理。不仅如此，分析类数据运算处理量大，每日达到2.3TB ，实时分析效率要求高，中间计算复杂度高，而且这些对反馈控制和时间的要求都很高。
如何实现异构数据和数据库产品的融合？上海地铁在国内轨交供电行业首次采用多源异构多模态数据存储技术，实现海量数据的汇聚，并为不同应用场景提供统一的数据服务接口，提高应用效率和资源利用率。以轨交供电维保运营数据为基础，运用数据挖掘方法对不同轨交供电故障类别进行风险等级划分，建立高频次、高风险事故故障数风险等级据库；将供电运营数据的挖掘结果在城市轨道交通供电智能维保管理系统中进行应用，可以为轨交供电运营管理单位提供应急条件下的决策支持。

文章图片
数据处理架构和数据处理机制。
这一成果在上海地铁得到应用肯定。它满足了50余类设备、900多项数据、70余万条业务要素的存储和处理优化要求，可同时管控175台智能巡检设备及监控设备，每30秒接收82678条实时数据，每日数据分析量达115G 。在高频暂态数据上，存储空间减少80% ，查询速度提高两倍。
【运用底层数据，加强趋势预测】
知道的信息变多了，管理的重点就更明显了。
在上海轨交供电业务中，管辖的900多个变电站中，每个变电站约有6000个设备属性数据监测点，实时采集运行状态数据。受客流、天气、设备状况等因素的影响，这些数据也会随之发生较大幅度和频率的变化。因为缺乏针对轨交供电设备的数据建模和分析手段，所以无法对设备健康状况、风险故障、变化趋势等进行及时准确的研判和预测。
为此，上海地铁研发了供电设备运行标准曲线分析法，建立了设备健康度评价、状态评价、寿命评价、故障分析等模型。其中，供电设备运行曲线的“峰-谷”分析，为设备运行参数的设定提供了依据；预测曲线和离散点的分析，揭示线路运行的异常，做到事前防范。

文章图片
以故障报警驱动智能联动。
更进一步来说，上海地铁依托基础大数据，分析设施设备运行状态，逐步形成更为合理的经验型计划修模式；依托系统运行状态在线感知能力、在线监测状态数据，逐步形成专家型故障修模式。
比如说，原来的故障信号比较简单：跳闸、短路，检修人员接到信号后，再去现场实地检查。但是现在，各种装置中的过程状态信息都可通过远程调取。为何能做到？原来，在开关中，加入不少传感器，把开关温度、驱动时间等机械特性变化，动作准确度等信息一并记录并通过建模分析，及时提醒“加润滑油”等进行预防性维修。 “原来，即使单节电压发生故障， 100多节电池都需要一个一个人工去测。 ”郭志说，现在通过数据传输远程就可看到，避免关键电压在放电时放不出来。 “不仅如此，有了大数据建模，还能分析出哪些设备出故障的概率比较高，以后选设备时就会避免。 ”郭志介绍，通过这些底层数据的分析，为企业降本增效。