中国铁路郑州局集团有限公司新乡机务段河南新乡453000
摘要：近年来，随着大数据技术的高速发展，大数据技术与各行各业的融合程度不断加深，也成为新时期各行业优化工作实效的重要参考。2015年9月6日，国务院发布了《国务院关于印发促进大数据发展行动纲要的通知》，强调了大数据技术对于推动经济转型、重塑国家竞争优势、提升政府管理能力的重要意义，这标志着我国正式进入了“大数据时代”。在机车检修工作中，已经呈现出明显的信息化趋势，大量的先进技术被应用到了机车检测中去，当前，轨道交通装备行业正进行着生产制造型向制造服务型的转型升级，这也是完成技术腾飞的重要历史阶段。对于机车行业来说，检修工作是发现并处理好问题的前提，对于保障机车质量、提高其寿命周期具有重要作用，也为相关制造产业优化生产方式提供参考。在机车检修过程中，会产生大量的技术与管理数据，这既是检修工作的基本依据，也是深度维护、设计改进、安全运行的数据基础。在新时期，引入先进的大数据局技术，实现大数据技术与机车检修行业的高度融合，对于调动各类数据资源、进行有效分析具有重要价值，也是在国家推动高新技术应用、推广大数据技术的背景下的必然趋势，更是发挥好工业大数据的优势、相应科技强国目标、促进机车行业向中国“智”造转型升级的创新实践。
关键词：大数据；机车检修
引言：机车检修行业与大数据的融合模式在实践中已经证明了其强大的价值，在可以预见的未来，大数据技术在机车检修行业中的应用将更加深入，如何把握大数据技术的应用流程、应用大数据思维实现各类数据资源的整合与利用，成为进一步提高机车检修行业能力的关键。对此，文章针对大数据在机车检修行业的探索与应用进行分析，具有重要的现实意义。
1.大数据在机车检修行业的融合
在铁路机车检修行业中，随着信息化技术的深入，大量相关的数据信息也成为机车检修的基本内容，主要表现为故障分析信息、机车使用寿命信息、车载信息、加装情况信息、改造记录信息等，这些信息基本覆盖了机车检修行业的全过程。在长期的检修实践中，这些信息的范围与内容也在不断扩充，形成了多角度、全方位的检修信息系统。从理论上来说，如果这些信息的真实性与完整性可靠，那么基于这些信息进行合理的分析，就能够大致得出相应的机车进入运营以来的具体情况，尤其是其质量变化状况和性能情况。在传统的数据信息管理模式中，如果做好这些信息的记录工作，也可以为专业检修人员把握机车质量提供较为准确的参考，在大量的检修工作中，可以根据这些数据总结出存在与多个机车之间的常见故障、易重复故障以及各零配件的普遍性检修及维护方法。传统数据信息管理具有一个很明显的特点，那就是其往往是以目标为工作导向，在工作中通常是确定一个清晰明确的基本目标，从而在检修和数据整合过程中有针对性地选取对于目标有参考作用的数据，对应已经掌握的基本数据进行深入的分析工作，再去验证原定的设想；除此之外，参与者的目的性参与也是传统机车检修数据管理的一大突出特点，这使得检修人员在面对繁杂的数据之前，很容易产生抵触与厌倦情绪，对检修者造成了极大的工作压力。而将大数据的应用于传统机车检修数据管理进行对比，很容易发现两者的差异性。首先，实时性是大数据技术的基本特征，由于其强大的数据库资源及高效率的信息获取模式，因此在记录数据的过程中省略了“选择性”获取信息的过程，即在检修工作开始前并不有意地划分有效信息和无效信息的界线，也不用提前考虑数据整合所要达到的特定目标，而是强调对检修过程中出现的数据进行全覆盖、完整化的记录，在这种情况下，数据采集的参与者也不需要承担特定的目标任务，具有较强的主动性。在机车检修工作中引入大数据技术，将与机车性能状态相关的数据进行完整收集，同时落实专业人员在检修中自动采集和人工录入的效能，并在采集有关信息的同时，打破传统数据信息模式过于关注内部数据的桎梏，将与机车性能相关的外部数据也列入收集及存储的体系中来，如可能影响机车性能的天气状况、运行间隔安排、地理环境特征、使用强度等，可以有效提高检修工作的效率。
2.深度发展机车检修大数据技术的思路
2.1数据来源于采集
综合来看，机车检修行业的产品具有种类多、批量少、流程复杂以及客户实际需求差异较大的特点，因此其在工作过程中产生的数据也具有多样性、丰富化的特点，这就为整合海量数据资源、建设专业数据中心提供了基础，具体来说，机车检修大数据中心的数据采集主要依托以下几种方式：首先，智能设备层。大数据技术在机车检修行业的深度发展，最终会形成一条更加智能化的生产线，这一生产线将应用更多智能化的检测与实验设备，通过高灵敏度传感器的应用，在机车检修现场可以及时准确地采集对应机车部件的相关数据，且这种采集方式可以实现全自动化；其次，智能感知与控制层。智能感知与控制层强调数据的分析与交互，依托于智能传感装置[1]、分布式数控装置、视频识别装置，采集手段具有多样化，可通过二维条码、射频、传感器等多样化方式完成数据；在完成数据之后，无序利用额外空间存储，可直接通过网络技术进行实时的信息传输，整合到机车检修数据资源管理库中。这使得机车检修行业数据采集的目标不再局限于机车内部，而实现了对机车配套设备、物料使用、人力应用等多方面信息的完整采集；最后，执行层。在执行层，要建立起以车间检修执行系统为核心的多系统基层，通过产品周期数据管理系统、智能仓储系统、质量管理系统为执行基础，实现其与车间检修执行系统的有效交互，从而把握执行层中各个具体环节的数据采集。
2.2数据建模
数据建模主要是依据数据分析在目的上的差异、数据集基本特征的差异，选取不同的处理方式。通常来说，数据分析主要承担着描述性和预测性两类任务，描述性任务主要是以建模为基本方式，去试图总结并描绘出相应数据中的一般性特征及规律；而预测性任务则是利用数据建模进行数据集的归类分析，从而得出可信度较高的预测结果。机车检修行业的具有的工作任务相对复杂，且相应的运营管理计划变动也较为频繁，在此基础上的数据建模也相对复杂，在实际应用中，应将坚持综合化的视野与重点化的方式，对于关系到机车整体质量的运行状态数据进行整合，构建起一套完整的数据模型，这一过程中可以使用聚类分析、异常点检测等基本建模方法，实现对机车检测复杂工作本质的把握。
2.3数据分析展现
数据分析展现的流程是在数据建模初步完成之后，利用在建模中形成的数据间的有机逻辑关系，并严格依照这些关系进行相应数据的分析展现，这一过程对于智能化分析软件的要求较高，一般来说，其应用软件须具有如下特征：其一，在存储非结构化的海量数据方面具有相对速度的优势；其二，能高效率完成海量数据的分析；其三，可以实现海量数据的可视化。依照这些特征，结合机车检修行业数据的实际特点，可以选用CartoDB、R软件等[2]。
结论：
简而言之，文章主要针对大数据在机车检修行业的探索与应用进行了分析，在此基础上可以看出，在此基础上，提出在机车检修行业深度应用大数据技术、把握行业特点、实现精准化检修工作的思路，力求为相关从业人员优化工作方式提供行之有效的路径参考。
参考文献：
[1]国家制造强国建设战略咨询委员会，中国工程院战略咨询中心．智能制造[M].北京：电子工业出版社，2019．