一种列车空调维修调度系统及其工作方法论文和设计-陈王永

全文摘要

本发明涉及维修调度领域，具体为一种列车空调维修调度系统及其工作方法，其中列车空调维修调度系统包括：故障预测服务器以及位于列车空调端的数据筛选模块和数据传输模块；其中所述数据筛选模块适于将筛选的列车空调实时运行数据通过数据传输模块发送至故障预测服务器；所述故障预测服务器适于根据列车空调实时运行数据预测空调故障。实现了列车空调的故障预测。

主设计要求

1.一种列车空调维修调度系统，其特征在于，包括：故障预测服务器以及位于列车空调端的数据筛选模块和数据传输模块；其中所述数据筛选模块适于将筛选的列车空调实时运行数据通过数据传输模块发送至故障预测服务器；所述故障预测服务器适于根据列车空调实时运行数据预测空调故障；所述数据筛选模块筛选的列车空调实时运行数据，即当实时运行数据同时满足旁通阀关闭满预设时间、蒸发风机高速运转满预设时间、冷凝风机打开满预设时间、外温稳定后预设时间内温差低于预设温差，以及新风、废排压力波风门开满预设时间的筛选条件时，被筛选为适用于预测列车空调的故障的实时运行数据；所述实时运行数据包括：车厢内温度、车厢外温度、列车速度、高压、低压、新风风门开闭次数、废排风门开闭次数、旁通阀开闭次数和车厢内的气压；所述列车空调维修调度系统还包括：列车所服务端；所述列车所服务端适于接收筛选后的列车空调实时运行数据并发送至故障预测服务器，以及接收故障预测服务器发送的预测空调故障信息；所述列车空调维修调度系统还包括：与故障预测服务器相连的管理端和维修端；其中所述故障预测服务器适于将预测空调故障信息发送至管理端，所述管理端适于根据预测空调故障信息生成维修任务，并发送至维修端；所述管理端适于从维修端获取维修任务的反馈数据，所述故障预测服务器适于从所述管理端调取历史维修任务的反馈数据；所述故障预测服务器适于构建故障预测物理模型，以对列车空调故障进行预测；所述故障预测物理模型包括：故障预测服务器在接收经过筛选的实时运行数据后，根据列车在预设周期时间内新风风门、废排风门、旁通阀的开闭次数大于相应次数阈值以及车厢内气压变化大于气压阈值以预测空调故障；并且故障预测服务器从筛选过的实时运行数据中筛选列车车厢内空调整机对应的两个空调系统在预设周期时间内且在同等车厢内温度、车厢外温度、列车速度条件时的实时运行数据，基于列车车厢内的两个空调系统高低压变化趋势预测空调故障类型。

设计方案

1.一种列车空调维修调度系统，其特征在于，包括：

故障预测服务器以及位于列车空调端的数据筛选模块和数据传输模块；其中

所述数据筛选模块适于将筛选的列车空调实时运行数据通过数据传输模块发送至故 障预测服务器；

所述故障预测服务器适于根据列车空调实时运行数据预测空调故障；

所述数据筛选模块筛选的列车空调实时运行数据，即

当实时运行数据同时满足旁通阀关闭满预设时间、蒸发风机高速运转满预设时间、冷 凝风机打开满预设时间、外温稳定后预设时间内温差低于预设温差，以及新风、废排压力波 风门开满预设时间的筛选条件时，被筛选为适用于预测列车空调的故障的实时运行数据；

所述实时运行数据包括：车厢内温度、车厢外温度、列车速度、高压、低压、新风风门开 闭次数、废排风门开闭次数、旁通阀开闭次数和车厢内的气压；

所述列车空调维修调度系统还包括：列车所服务端；

所述列车所服务端适于接收筛选后的列车空调实时运行数据并发送至故障预测服务 器，以及接收故障预测服务器发送的预测空调故障信息；

所述列车空调维修调度系统还包括：与故障预测服务器相连的管理端和维修端；其中

所述故障预测服务器适于将预测空调故障信息发送至管理端，所述管理端适于根据预 测空调故障信息生成维修任务，并发送至维修端；

所述管理端适于从维修端获取维修任务的反馈数据，所述故障预测服务器适于从所述 管理端调取历史维修任务的反馈数据；

所述故障预测服务器适于构建故障预测物理模型，以对列车空调故障进行预测；

所述故障预测物理模型包括：故障预测服务器在接收经过筛选的实时运行数据后，根 据列车在预设周期时间内新风风门、废排风门、旁通阀的开闭次数大于相应次数阈值以及 车厢内气压变化大于气压阈值以预测空调故障；并且

故障预测服务器从筛选过的实时运行数据中筛选列车车厢内空调整机对应的两个空 调系统在预设周期时间内且在同等车厢内温度、车厢外温度、列车速度条件时的实时运行 数据，基于列车车厢内的两个空调系统高低压变化趋势预测空调故障类型。

2.如权利要求1所述的列车空调维修调度系统，其特征在于，包括：

所述空调故障类型包括：空调通风故障、空调系统故障、空调整机故障；

基于列车车厢内的两个空调系统高低压变化趋势预测空调通风故障、空调系统故障、 空调整机故障，即

设定故障判断模型：

若HP<\/i>-HPAvg<\/i>>P<\/i>1,且HP<\/i>-HPMin<\/i>>P<\/i>2，则判断车厢内高压上升趋势；

若HP<\/i>-HPAvg<\/i><P<\/i>3,且HP<\/i>-HPMax<\/i><P<\/i>4，则判断车厢内高压下降趋势；

若LP<\/i>-LPAvg<\/i>>P<\/i>5,且LP<\/i>-LPMin<\/i>>P<\/i>6，则判断车厢内低压上升趋势；

若LP<\/i>-LPAvg<\/i><P<\/i>7,且LP<\/i>-LPMax<\/i><P<\/i>8，则判断车厢内低压下降趋势；

上式中，HP<\/i>为车厢内的高压值；HPAvg<\/i>为预设周期时间内车厢内的高压平均值；HPMax<\/i>为 预设周期时间内车厢内的最大高压值； HPMin<\/i>为预设周期时间内车厢内的最小高压值；LP<\/i>为 车厢内的低压值； LPAvg<\/i>为预设周期时间内车厢内的低压平均值；LPMax<\/i>为预设周期时间内 车厢内的最大低压值； LPMin<\/i>为预设周期时间内车厢内的最小低压值；P<\/i>1为高压值和高压平 均值之间差值对应的上升阈值； P<\/i>2为高压值和最小高压值之间差值对应的上升阈值；P<\/i>3为 高压值和高压平均值之间差值对应的下降阈值； P<\/i>4为高压值和最大高压值之间差值对应的 下降阈值； P<\/i>5为低压值和低压平均值之间差值对应的上升阈值；P<\/i>6为低压值和最小低压值 之间差值对应的上升阈值； P<\/i>7为低压值和低压平均值之间差值对应的下降阈值；P<\/i>8为低压 值和最大低压值之间差值对应的下降阈值；

根据所述故障判断模型，对两个空调系统的高压变化趋势进行判断，即

当两个空调系统的高压变化趋势相同且低压变化趋势异常，则判断一空调系统出现空 调通风故障；

根据所述故障判断模型，对单一空调系统的高压变化趋势进行判断，即

当任一空调系统的高、低压变化趋势超过上述相应阈值，则判断空调系统故障；以及

根据所述故障判断模型，对两个空调系统进行组合判断，即

当车厢内一空调系统的高、低压变化趋势分别异于另一空调系统的高、低压变化趋势 时，则预测空调整机故障，即慢泄露故障或进风口故障。

3.如权利要求2所述的列车空调维修调度系统，其特征在于，

所述管理端还适于根据预测空调故障信息安排维修任务，即当有列车的空调预测故障 时，管理端将生成的维修任务发送至预测发生故障的空调所在的列车对应的维修端。

4.一种列车空调维修调度系统的工作方法，其特征在于，包括：

列车空调实时运行数据进行筛选；

根据筛选后的列车空调实时运行数据预测空调故障；以及

根据预测空调故障信息安排维修任务；

所述列车空调实时运行数据进行筛选的方法包括：通过数据筛选模块，当实时运行数 据同时满足旁通阀关闭满预设时间、蒸发风机高速运转满预设时间、冷凝风机打开满预设 时间、外温稳定后预设时间内温差低于预设温差，以及新风、废排压力波风门开满预设时间 的筛选条件时，被筛选为适用于预测列车空调的故障的实时运行数据；

所述实时运行数据包括：车厢内温度、车厢外温度、列车速度、高压、低压、新风风门开 闭次数、废排风门开闭次数、旁通阀开闭次数和车厢内的气压；

所述根据筛选后的列车空调实时运行数据预测空调故障的方法包括：基于故障预测物 理模型，对列车空调故障进行预测；

所述故障预测物理模型包括：故障预测服务器在接收经过筛选的实时运行数据后，根 据列车在预设周期时间内新风风门、废排风门、旁通阀的开闭次数大于相应次数阈值以及 车厢内气压变化大于气压阈值以预测空调故障；并且

故障预测服务器从筛选过的实时运行数据中筛选列车车厢内空调整机对应的两个空 调系统在预设周期时间内且在同等车厢内温度、车厢外温度、列车速度条件时的实时运行 数据，基于列车车厢内的两个空调系统高低压变化趋势预测空调故障类型；

所述空调故障类型包括：空调通风故障、空调系统故障、空调整机故障；

基于列车车厢内的两个空调系统高低压变化趋势预测空调通风故障、空调系统故障、 空调整机故障，即

设定故障判断模型：

若HP<\/i>-HPAvg<\/i>>P<\/i>1,且HP<\/i>-HPMin<\/i>>P<\/i>2，则判断车厢内高压上升趋势；

若HP<\/i>-HPAvg<\/i><P<\/i>3,且HP<\/i>-HPMax<\/i><P<\/i>4，则判断车厢内高压下降趋势；

若LP<\/i>-LPAvg<\/i>>P<\/i>5,且LP<\/i>-LPMin<\/i>>P<\/i>6，则判断车厢内低压上升趋势；

若LP<\/i>-LPAvg<\/i><P<\/i>7,且LP<\/i>-LPMax<\/i><P<\/i>8，则判断车厢内低压下降趋势；

上式中，HP<\/i>为车厢内的高压值；HPAvg<\/i>为预设周期时间内车厢内的高压平均值；HPMax<\/i>为 预设周期时间内车厢内的最大高压值； HPMin<\/i>为预设周期时间内车厢内的最小高压值；LP<\/i>为 车厢内的低压值； LPAvg<\/i>为预设周期时间内车厢内的低压平均值；LPMax<\/i>为预设周期时间内 车厢内的最大低压值； LPMin<\/i>为预设周期时间内车厢内的最小低压值；P<\/i>1为高压值和高压平 均值之间差值对应的上升阈值； P<\/i>2为高压值和最小高压值之间差值对应的上升阈值；P<\/i>3为 高压值和高压平均值之间差值对应的下降阈值； P<\/i>4为高压值和最大高压值之间差值对应的 下降阈值； P<\/i>5为低压值和低压平均值之间差值对应的上升阈值；P<\/i>6为低压值和最小低压值 之间差值对应的上升阈值； P<\/i>7为低压值和低压平均值之间差值对应的下降阈值；P<\/i>8为低压 值和最大低压值之间差值对应的下降阈值；

根据所述故障判断模型，对两个空调系统的高压变化趋势进行判断，即

当两个空调系统的高压变化趋势相同且低压变化趋势异常，则判断一空调系统出现空 调通风故障；

根据所述故障判断模型，对单一空调系统的高压变化趋势进行判断，即

当任一空调系统的高、低压变化趋势超过上述相应阈值，则判断空调系统故障；以及

根据所述故障判断模型，对两个空调系统进行组合判断，即

当车厢内一空调系统的高、低压变化趋势分别异于另一空调系统的高、低压变化趋势 时，则预测空调整机故障，即慢泄露故障或进风口故障；以及

所述根据预测空调故障信息安排维修任务的方法包括：当有列车空调预测故障时，管 理端将生成的维修任务发送至预测发生故障的空调所在的列车对应的维修端，并且维修端 将维修任务的反馈数据发送至管理端。

设计说明书

技术领域

本发明涉及维修调度领域，具体为一种列车空调维修调度系统及其工作方法。

背景技术

现如今，列车的空调维修都是在空调出现问题之后安排维修人员进行维修，当突 然出现空调故障时需要列车停运来进行维修，会影响列车的运行，而且突发的空调故障会 影响乘车人员的出行体验，因此对列车空调故障的预测成了当务之急。

基于上述技术问题，需要设计一种新的列车空调维修调度系统及其工作方法。

发明内容

本发明的目的是提供一种列车空调维修调度系统及其工作方法。

为了解决上述技术问题，本发明提供了一种列车空调维修调度系统，包括：

故障预测服务器以及位于列车空调端的数据筛选模块和数据传输模块；其中

所述数据筛选模块适于将筛选的列车空调实时运行数据通过数据传输模块发送 至故障预测服务器；

所述故障预测服务器适于根据列车空调实时运行数据预测空调故障。

进一步，所述数据筛选模块筛选的列车空调实时运行数据，即

当实时运行数据同时满足旁通阀关闭满预设时间、蒸发风机高速运转满预设时 间、冷凝风机打开满预设时间、外温稳定后预设时间内温差低于预设温差，以及新风、废排 压力波风门开满预设时间的筛选条件时，被筛选为适用于预测列车空调的故障的实时运行 数据；

所述实时运行数据包括：车厢内温度、车厢外温度、列车速度、高压、低压、新风风 门开闭次数、废排风门开闭次数、旁通阀开闭次数和车厢内的气压。

进一步，所述列车空调维修调度系统还包括：列车所服务端；

所述列车所服务端适于接收筛选后的列车空调实时运行数据并发送至故障预测 服务器，以及接收故障预测服务器发送的预测空调故障信息。

进一步，所述列车空调维修调度系统还包括：与故障预测服务器相连的管理端和 维修端；其中

所述故障预测服务器适于将预测空调故障信息发送至管理端，所述管理端适于根 据预测空调故障信息生成维修任务，并发送至维修端；

所述管理端适于从维修端获取维修任务的反馈数据，所述故障预测服务器适于从 所述管理端调取历史维修任务的反馈数据。

进一步，所述故障预测服务器适于构建故障预测物理模型，以对列车空调故障进 行预测；

所述故障预测物理模型包括：故障预测服务器在接收经过筛选的实时运行数据 后，根据列车在预设周期时间内新风风门、废排风门、旁通阀的开闭次数大于相应次数阈值 以及车厢内气压变化大于气压阈值以预测空调故障；并且

故障预测服务器从筛选过的实时运行数据中筛选列车车厢内空调整机对应的两 个空调系统在预设周期时间内且在同等车厢内温度、车厢外温度、列车速度条件时的实时 运行数据，基于列车车厢内的两个空调系统高低压变化趋势预测空调故障类型。

进一步，所述空调故障类型包括：空调通风故障、空调系统故障、空调整机故障；

基于列车车厢内的两个空调系统高低压变化趋势预测空调通风故障、空调系统故 障、空调整机故障，即

设定故障判断模型：

若HP<\/i>-HPAvg<\/i>>P<\/i>1,且HP<\/i>-HPMin<\/i>>P<\/i>2，则判断车厢内高压上升趋势；

若HP<\/i>-HPAvg<\/i><P<\/i>3,且HP<\/i>-HPMax<\/i><P<\/i>4，则判断车厢内高压下降趋势；

若LP<\/i>-LPAvg<\/i>>P<\/i>5,且LP<\/i>-LPMin<\/i>>P<\/i>6，则判断车厢内低压上升趋势；

若LP<\/i>-LPAvg<\/i><P<\/i>7,且LP<\/i>-LPMax<\/i><P<\/i>8，则判断车厢内低压下降趋势；

上式中，HP<\/i>为车厢内的高压值；HPAvg<\/i>为预设周期时间内车厢内的高压平均值； HPMax<\/i>为预设周期时间内车厢内的最大高压值；HPMin<\/i>为预设周期时间内车厢内的最小高压 值； LP<\/i>为车厢内的低压值；LPAvg<\/i>为预设周期时间内车厢内的低压平均值；LPMax<\/i>为预设周期 时间内车厢内的最大低压值； LPMin<\/i>为预设周期时间内车厢内的最小低压值；P<\/i>1为高压值和 高压平均值之间差值对应的上升阈值； P<\/i>2为高压值和最小高压值之间差值对应的上升阈 值； P<\/i>3为高压值和高压平均值之间差值对应的下降阈值；P<\/i>4为高压值和最大高压值之间差 值对应的下降阈值； P<\/i>5为低压值和低压平均值之间差值对应的上升阈值；P<\/i>6为低压值和最 小低压值之间差值对应的上升阈值； P<\/i>7为低压值和低压平均值之间差值对应的下降阈值； P<\/i>8为低压值和最大低压值之间差值对应的下降阈值；

根据所述故障判断模型，对两个空调系统的高压变化趋势进行判断，即

当两个空调系统的高压变化趋势相同且低压变化趋势异常，则判断一空调系统出 现空调通风故障；

根据所述故障判断模型，对单一空调系统的高压变化趋势进行判断，即

当任一空调系统的高、低压变化趋势超过上述相应阈值，则判断空调系统故障；以 及

根据所述故障判断模型，对两个空调系统进行组合判断，即

当车厢内一空调系统的高、低压变化趋势分别异于另一空调系统的高、低压变化 趋势时，则预测空调整机故障，即慢泄露故障或进风口故障。

进一步，所述管理端还适于根据预测空调故障信息安排维修任务，即当有列车的 空调预测故障时，管理端将生成的维修任务发送至预测发生故障的空调所在的列车对应的 维修端。

另一方面，本发明还提供一种列车空调维修调度系统的工作方法，包括：

列车空调实时运行数据进行筛选；

根据筛选后的列车空调实时运行数据预测空调故障；以及

根据预测空调故障信息安排维修任务。

进一步，所述列车空调实时运行数据进行筛选的方法包括：通过数据筛选模块，当 实时运行数据同时满足旁通阀关闭满预设时间、蒸发风机高速运转满预设时间、冷凝风机 打开满预设时间、外温稳定后预设时间内温差低于预设温差，以及新风、废排压力波风门开 满预设时间的筛选条件时，被筛选为适用于预测列车空调的故障的实时运行数据；

所述实时运行数据包括：车厢内温度、车厢外温度、列车速度、高压、低压、新风风 门开闭次数、废排风门开闭次数、旁通阀开闭次数和车厢内的气压。

进一步，所述根据筛选后的列车空调实时运行数据预测空调故障的方法包括：基 于故障预测物理模型，对列车空调故障进行预测；

所述故障预测物理模型包括：故障预测服务器在接收经过筛选的实时运行数据 后，根据列车在预设周期时间内新风风门、废排风门、旁通阀的开闭次数大于相应次数阈值 以及车厢内气压变化大于气压阈值以预测空调故障；并且

故障预测服务器从筛选过的实时运行数据中筛选列车车厢内空调整机对应的两 个空调系统在预设周期时间内且在同等车厢内温度、车厢外温度、列车速度条件时的实时 运行数据，基于列车车厢内的两个空调系统高低压变化趋势预测空调故障类型；

所述空调故障类型包括：空调通风故障、空调系统故障、空调整机故障；

基于列车车厢内的两个空调系统高低压变化趋势预测空调通风故障、空调系统故 障、空调整机故障，即

设定故障判断模型：

若HP<\/i>-HPAvg<\/i>>P<\/i>1,且HP<\/i>-HPMin<\/i>>P<\/i>2，则判断车厢内高压上升趋势；

若HP<\/i>-HPAvg<\/i><P<\/i>3,且HP<\/i>-HPMax<\/i><P<\/i>4，则判断车厢内高压下降趋势；

若LP<\/i>-LPAvg<\/i>>P<\/i>5,且LP<\/i>-LPMin<\/i>>P<\/i>6，则判断车厢内低压上升趋势；

若LP<\/i>-LPAvg<\/i><P<\/i>7,且LP<\/i>-LPMax<\/i><P<\/i>8，则判断车厢内低压下降趋势；

上式中，HP<\/i>为车厢内的高压值；HPAvg<\/i>为预设周期时间内车厢内的高压平均值； HPMax<\/i>为预设周期时间内车厢内的最大高压值；HPMin<\/i>为预设周期时间内车厢内的最小高压 值； LP<\/i>为车厢内的低压值；LPAvg<\/i>为预设周期时间内车厢内的低压平均值；LPMax<\/i>为预设周期 时间内车厢内的最大低压值； LPMin<\/i>为预设周期时间内车厢内的最小低压值；P<\/i>1为高压值和 高压平均值之间差值对应的上升阈值； P<\/i>2为高压值和最小高压值之间差值对应的上升阈 值； P<\/i>3为高压值和高压平均值之间差值对应的下降阈值；P<\/i>4为高压值和最大高压值之间差 值对应的下降阈值； P<\/i>5为低压值和低压平均值之间差值对应的上升阈值；P<\/i>6为低压值和最 小低压值之间差值对应的上升阈值； P<\/i>7为低压值和低压平均值之间差值对应的下降阈值； P<\/i>8为低压值和最大低压值之间差值对应的下降阈值；

根据所述故障判断模型，对两个空调系统的高压变化趋势进行判断，即

当两个空调系统的高压变化趋势相同且低压变化趋势异常，则判断一空调系统出 现空调通风故障；

根据所述故障判断模型，对单一空调系统的高压变化趋势进行判断，即

当任一空调系统的高、低压变化趋势超过上述相应阈值，则判断空调系统故障；以 及

根据所述故障判断模型，对两个空调系统进行组合判断，即

当车厢内一空调系统的高、低压变化趋势分别异于另一空调系统的高、低压变化 趋势时，则预测空调整机故障，即慢泄露故障或进风口故障。

进一步，所述根据预测空调故障信息安排维修任务的方法包括：当有列车空调预 测故障时，管理端将生成的维修任务发送至预测发生故障的空调所在的列车对应的维修 端，并且维修端将维修任务的反馈数据发送至管理端。

本发明的有益效果是，本发明通过列车空调子系统和故障预测服务器；所述列车 空调子系统包括：处理器模块，与处理器模块连接的数据传输模块和数据筛选模块；其中所 述数据筛选模块适于将筛选的列车空调实时运行数据通过数据传输模块发送至故障预测 服务器；所述故障预测服务器适于根据列车空调实时运行数据预测空调故障，实现了列车 空调的故障预测。

附图说明

下面结合附图和实施例对本发明进一步说明。

图1是本发明所涉及的列车空调维修调度系统的系统框图；

图2是本发明所涉及的筛选的列车空调实时运行数据的方法的流程图；

图3是本发明所涉及的列车空调维修调度系统的工作方法的流程图。

具体实施方式

现在结合附图对本发明作进一步详细的说明。这些附图均为简化的示意图，仅以 示意方式说明本发明的基本结构，因此其仅显示与本发明有关的构成。

实施例1

图1是本发明所涉及的列车空调维修调度系统的系统框图。

如图1所示，本实施例提供了一种列车空调维修调度系统，包括：故障预测服务器 以及位于列车空调端的数据筛选模块和数据传输模块；其中所述数据筛选模块适于将筛选 的列车空调实时运行数据通过数据传输模块发送至故障预测服务器；所述故障预测服务器 适于根据列车空调实时运行数据预测空调故障；当故障预测服务器预测列车空调故障时生 成预测空调故障信息和报警信息；所述数据筛选模块可以但不限于采用 WI<\/i>-FI<\/i>模块；在现有 的列车数据传输协议中增加数据筛选字段，标记该列车空调实时运行数据的筛选结果；通 过对列车空调实时运行数据的筛选，故障预测服务器可以预测列车空调的故障，提高元件 的使用寿命，避免提前定期替换了功能完好的空调系统元件。

图2是本发明所涉及的筛选的列车空调实时运行数据的方法的流程图。

如图2所示，在本实施例中，所述数据筛选模块筛选的列车空调实时运行数据，即 当列车空调无故障同时列车空调整机的压缩机运行满预设时间的情况下，列车空调实时运 行数据同时满足旁通阀关闭满预设时间、蒸发风机高速运转满预设时间、冷凝风机打开满 预设时间、外温稳定后预设时间内温差低于预设温差，以及新风、废排压力波风门开满预设 时间的筛选条件时，被筛选为适用于预测列车空调的故障的实时运行数据；所述实时运行 数据包括：车厢内温度、车厢外温度、列车速度、高压、低压、持续工作时间、累计工作时间、 功率、新风风门开闭次数、废排风门开闭次数、旁通阀开闭次数和车厢内的气压。

在本实施例中，所述列车空调维修调度系统还包括：列车所服务端；所述列车所服 务端适于接收筛选后的列车空调实时运行数据并发送至故障预测服务器，以及接收故障预 测服务器发送的预测空调故障信息和报警信息；所述列车所服务端可以但不限于通过 MQ<\/i>的 方式将筛选后的列车空调实时运行数据发送至故障预测服务器。

在本实施例中，所述列车空调维修调度系统还包括：与故障预测服务器相连的管 理端和维修端；其中所述故障预测服务器适于将预测空调故障信息发送至管理端，所述管 理端适于根据预测空调故障信息生成维修任务，并发送至维修端；所述管理端适于从维修 端获取维修任务的反馈数据，所述故障预测服务器适于从所述管理端调取历史维修任务的 反馈数据；所述维修任务中可以但不限于包括预测发生故障的列车空调所在的列车、车厢 和空调故障类型等信息；所述管理端和维修端均可以但不限于采用手机、电脑等；管理人员 可以但不限于通过手机内的 APP<\/i>或电脑上的 Winform<\/i>或Web<\/i>登录售后管理页面，以查看管理 人员管辖范围内的列车空调的故障情况，当列车空调预测故障时将维修任务发送给维修 端，同时管理端会存储维修任务；维修端的维修人员可以但不限于通过手机内的 APP<\/i>或电脑 上的 Winform<\/i>或Web<\/i>查看自己的维修任务，在维修过程中维修人员可以但不限于通过拍照 上传管理端等方式上传维修任务的进度以及完成情况；管理人员可以通过管理端实时监控 维修人员对维修任务的完成进度；故障预测服务器适于从所述管理端调取历史维修任务以 及历史维修任务的反馈数据，方便后期可能的工作考核、问题追责等；实现了合理分配维修 人员工作，实现对维修任务的全程追踪，便于后期维修人员责任追究与工作成果总结。

在本实施例中，所述故障预测服务器适于构建故障预测物理模型，以对列车空调 故障进行预测；所述故障预测物理模型包括：故障预测服务器在接收经过筛选的实时运行 数据后，根据列车在预设周期时间内新风风门、废排风门、旁通阀的开闭次数大于相应次数 阈值以及车厢内气压变化大于气压阈值以预测空调故障；并且故障预测服务器从筛选过的 实时运行数据中筛选列车车厢内空调整机对应的两个空调系统在预设周期时间内且在同 等车厢内温度、车厢外温度、列车速度条件时的实时运行数据，基于列车车厢内的两个空调 系统高低压变化趋势预测空调故障类型。

在本实施例中，所述空调故障类型包括：空调通风故障、空调系统故障、空调整机 故障；基于列车车厢内的两个空调系统高低压变化趋势预测空调通风故障、空调系统故障、 空调整机故障，即

设定故障判断模型：

若HP<\/i>-HPAvg<\/i>>P<\/i>1,且HP<\/i>-HPMin<\/i>>P<\/i>2，则判断车厢内高压上升趋势；

若HP<\/i>-HPAvg<\/i><P<\/i>3,且HP<\/i>-HPMax<\/i><P<\/i>4，则判断车厢内高压下降趋势；

若LP<\/i>-LPAvg<\/i>>P<\/i>5,且LP<\/i>-LPMin<\/i>>P<\/i>6，则判断车厢内低压上升趋势；

若LP<\/i>-LPAvg<\/i><P<\/i>7,且LP<\/i>-LPMax<\/i><P<\/i>8，则判断车厢内低压下降趋势；

上式中，HP<\/i>为车厢内的高压值；HPAvg<\/i>为预设周期时间内车厢内的高压平均值； HPMax<\/i>为预设周期时间内车厢内的最大高压值；HPMin<\/i>为预设周期时间内车厢内的最小高压 值； LP<\/i>为车厢内的低压值；LPAvg<\/i>为预设周期时间内车厢内的低压平均值；LPMax<\/i>为预设周期 时间内车厢内的最大低压值； LPMin<\/i>为预设周期时间内车厢内的最小低压值；P<\/i>1为高压值和 高压平均值之间差值对应的上升阈值； P<\/i>2为高压值和最小高压值之间差值对应的上升阈 值； P<\/i>3为高压值和高压平均值之间差值对应的下降阈值；P<\/i>4为高压值和最大高压值之间差 值对应的下降阈值； P<\/i>5为低压值和低压平均值之间差值对应的上升阈值；P<\/i>6为低压值和最 小低压值之间差值对应的上升阈值； P<\/i>7为低压值和低压平均值之间差值对应的下降阈值； P<\/i>8为低压值和最大低压值之间差值对应的下降阈值；

根据所述故障判断模型，对两个空调系统的高压变化趋势进行判断，即

当两个空调系统的高压变化趋势相同且低压变化趋势异常，则判断一空调系统出 现空调通风故障；

根据所述故障判断模型，对单一空调系统的高压变化趋势进行判断，即

当任一空调系统的高、低压变化趋势超过上述相应阈值，则判断空调系统故障；以 及

根据所述故障判断模型，对两个空调系统进行组合判断，即

当车厢内一空调系统的高、低压变化趋势分别异于另一空调系统的高、低压变化 趋势时，则预测空调整机故障，即慢泄露故障（所述慢泄露故障可以但不限于是漏氟）或进 风口故障（所述进风口故障可以但不限于是缓慢堵）。

在本实施例中，所述管理端还适于根据预测空调故障信息安排维修任务，即当有 列车的空调预测故障时，管理端将生成的维修任务发送至预测发生故障的空调所在的列车 对应的维修端；管理人员适于通过管理端查看维修任务，并将维修任务发送给预测发生故 障的列车空调所在的列车相对应的维修人员所持有的维修端。

实施例2

图3是本发明所涉及的列车空调维修调度系统的工作方法的流程图。

如图3所示，在实施例1的基础上，本实施例2还提供一种列车空调维修调度系统的 工作方法，包括：列车空调实时运行数据进行筛选；根据筛选后的列车空调实时运行数据预 测空调故障；以及根据预测空调故障信息安排维修任务。

在本实施例中，所述列车空调实时运行数据进行筛选的方法包括：通过数据筛选 模块，当实时运行数据同时满足旁通阀关闭满预设时间、蒸发风机高速运转满预设时间、冷 凝风机打开满预设时间、外温稳定后预设时间内温差低于预设温差，以及新风、废排压力波 风门开满预设时间的筛选条件时，被筛选为适用于预测列车空调的故障的实时运行数据； 所述实时运行数据包括：车厢内温度、车厢外温度、列车速度、高压、低压、新风风门开闭次 数、废排风门开闭次数、旁通阀开闭次数和车厢内的气压。

在本实施例中，所述根据筛选后的列车空调实时运行数据预测空调故障的方法包 括：基于故障预测物理模型，对列车空调故障进行预测； 所述故障预测物理模型包括：故障 预测服务器在接收经过筛选的实时运行数据后，根据列车在预设周期时间内新风风门、废 排风门、旁通阀的开闭次数大于相应次数阈值以及车厢内气压变化大于气压阈值以预测空 调故障；并且故障预测服务器从筛选过的实时运行数据中筛选列车车厢内空调整机对应的 两个空调系统在预设周期时间内且在同等车厢内温度、车厢外温度、列车速度条件时的实 时运行数据，基于列车车厢内的两个空调系统高低压变化趋势预测空调故障类型；

所述空调故障类型包括：空调通风故障、空调系统故障、空调整机故障；基于列车 车厢内的两个空调系统高低压变化趋势预测空调通风故障、空调系统故障、空调整机故障， 即

设定故障判断模型：

若HP<\/i>-HPAvg<\/i>>P<\/i>1,且HP<\/i>-HPMin<\/i>>P<\/i>2，则判断车厢内高压上升趋势；

若HP<\/i>-HPAvg<\/i><P<\/i>3,且HP<\/i>-HPMax<\/i><P<\/i>4，则判断车厢内高压下降趋势；

若LP<\/i>-LPAvg<\/i>>P<\/i>5,且LP<\/i>-LPMin<\/i>>P<\/i>6，则判断车厢内低压上升趋势；

若LP<\/i>-LPAvg<\/i><P<\/i>7,且LP<\/i>-LPMax<\/i><P<\/i>8，则判断车厢内低压下降趋势；

上式中，HP<\/i>为车厢内的高压值；HPAvg<\/i>为预设周期时间内车厢内的高压平均值； HPMax<\/i>为预设周期时间内车厢内的最大高压值；HPMin<\/i>为预设周期时间内车厢内的最小高压 值； LP<\/i>为车厢内的低压值；LPAvg<\/i>为预设周期时间内车厢内的低压平均值；LPMax<\/i>为预设周期 时间内车厢内的最大低压值； LPMin<\/i>为预设周期时间内车厢内的最小低压值；P<\/i>1为高压值和 高压平均值之间差值对应的上升阈值； P<\/i>2为高压值和最小高压值之间差值对应的上升阈 值； P<\/i>3为高压值和高压平均值之间差值对应的下降阈值；P<\/i>4为高压值和最大高压值之间差 值对应的下降阈值； P<\/i>5为低压值和低压平均值之间差值对应的上升阈值；P<\/i>6为低压值和最 小低压值之间差值对应的上升阈值； P<\/i>7为低压值和低压平均值之间差值对应的下降阈值； P<\/i>8为低压值和最大低压值之间差值对应的下降阈值；

根据所述故障判断模型，对两个空调系统的高压变化趋势进行判断，即

当两个空调系统的高压变化趋势相同且低压变化趋势异常，则判断一空调系统出 现空调通风故障；

根据所述故障判断模型，对单一空调系统的高压变化趋势进行判断，即

当任一空调系统的高、低压变化趋势超过上述相应阈值，则判断空调系统故障；以 及

根据所述故障判断模型，对两个空调系统进行组合判断，即

当车厢内一空调系统的高、低压变化趋势分别异于另一空调系统的高、低压变化 趋势时，则预测空调整机故障，即慢泄露故障或进风口故障。

在本实施例中，所述根据预测空调故障信息安排维修任务的方法包括：当有列车 空调预测故障时，管理端将生成的维修任务发送至预测发生故障的空调所在的列车对应的 维修端，并且维修端将维修任务的反馈数据发送至管理端。

综上所述，本发明通过列车空调子系统和故障预测服务器；所述列车空调子系统 包括：处理器模块，与处理器模块连接的数据传输模块和数据筛选模块；其中所述数据筛选 模块适于将筛选的列车空调实时运行数据通过数据传输模块发送至故障预测服务器；所述 故障预测服务器适于根据列车空调实时运行数据预测空调故障，实现了列车空调的故障预 测，提高元件的使用寿命，避免提前定期替换了功能完好的空调系统元件，以达到空调系统 元件的最大利用率。

本发明通过列车空调实时运行数据进行筛选；根据筛选后的列车空调实时运行数 据预测空调故障；以及根据预测空调故障信息安排维修任务，实现了合理分配维修人员工 作，实现对维修任务的全程追踪，便于后期维修人员责任追究与工作成果总结。

以上述依据本发明的理想实施例为启示，通过上述的说明内容，相关工作人员完 全可以在不偏离本项发明技术思想的范围内，进行多样的变更以及修改。本项发明的技术 性范围并不局限于说明书上的内容，必须要根据权利要求范围来确定其技术性范围。

设计图