CN109409621A - 一种列车空调维修调度***及其工作方法 - Google Patents
一种列车空调维修调度***及其工作方法 Download PDFInfo
- Publication number
- CN109409621A CN109409621A CN201910045999.4A CN201910045999A CN109409621A CN 109409621 A CN109409621 A CN 109409621A CN 201910045999 A CN201910045999 A CN 201910045999A CN 109409621 A CN109409621 A CN 109409621A
- Authority
- CN
- China
- Prior art keywords
- air
- conditioning
- failure
- compartment
- train
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000004378 air conditioning Methods 0.000 title claims abstract description 251
- 238000012423 maintenance Methods 0.000 title claims abstract description 100
- 238000000034 method Methods 0.000 title claims abstract description 28
- 238000012216 screening Methods 0.000 claims abstract description 54
- 230000005540 biological transmission Effects 0.000 claims abstract description 12
- 230000001174 ascending effect Effects 0.000 claims description 24
- 230000015556 catabolic process Effects 0.000 claims description 24
- 238000009423 ventilation Methods 0.000 claims description 18
- 230000008439 repair process Effects 0.000 claims description 7
- 230000002159 abnormal effect Effects 0.000 claims description 6
- 230000008859 change Effects 0.000 claims description 6
- 230000008020 evaporation Effects 0.000 claims description 6
- 238000001704 evaporation Methods 0.000 claims description 6
- 230000005494 condensation Effects 0.000 claims description 3
- 238000009833 condensation Methods 0.000 claims description 3
- 238000012546 transfer Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000011835 investigation Methods 0.000 description 2
- 230000000737 periodic effect Effects 0.000 description 2
- PXGOKWXKJXAPGV-UHFFFAOYSA-N Fluorine Chemical compound FF PXGOKWXKJXAPGV-UHFFFAOYSA-N 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 229910052731 fluorine Inorganic materials 0.000 description 1
- 239000011737 fluorine Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/20—Administration of product repair or maintenance
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/40—Business processes related to the transportation industry
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Air Conditioning Control Device (AREA)
Abstract
本发明涉及维修调度领域，具体为一种列车空调维修调度***及其工作方法，其中列车空调维修调度***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。
Description
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***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***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***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***，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***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***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***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***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***故障、空调整机故障；
基于列车车厢内的两个空调***高低压变化趋势预测空调通风故障、空调***故障、空调整机故障，即
设定故障判断模型：
若HP-HPAvg>P1,且HP-HPMin>P2，则判断车厢内高压上升趋势；
若HP-HPAvg<P3,且HP-HPMax<P4，则判断车厢内高压下降趋势；
若LP-LPAvg>P5,且LP-LPMin>P6，则判断车厢内低压上升趋势；
若LP-LPAvg<P7,且LP-LPMax<P8，则判断车厢内低压下降趋势；
上式中，HP为车厢内的高压值；HPAvg为预设周期时间内车厢内的高压平均值；HPMax为预设周期时间内车厢内的最大高压值；HPMin为预设周期时间内车厢内的最小高压值；LP为车厢内的低压值；LPAvg为预设周期时间内车厢内的低压平均值；LPMax为预设周期时间内车厢内的最大低压值；LPMin为预设周期时间内车厢内的最小低压值；P1为高压值和高压平均值之间差值对应的上升阈值；P2为高压值和最小高压值之间差值对应的上升阈值；P3为高压值和高压平均值之间差值对应的下降阈值；P4为高压值和最大高压值之间差值对应的下降阈值；P5为低压值和低压平均值之间差值对应的上升阈值；P6为低压值和最小低压值之间差值对应的上升阈值；P7为低压值和低压平均值之间差值对应的下降阈值；P8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***的高压变化趋势进行判断，即
当两个空调***的高压变化趋势相同且低压变化趋势异常，则判断一空调***出现空调通风故障；
根据所述故障判断模型，对单一空调***的高压变化趋势进行判断，即
当任一空调***的高、低压变化趋势超过上述相应阈值，则判断空调***故障；以及
根据所述故障判断模型，对两个空调***进行组合判断，即
当车厢内一空调***的高、低压变化趋势分别异于另一空调***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***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***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***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***故障、空调整机故障；
基于列车车厢内的两个空调***高低压变化趋势预测空调通风故障、空调***故障、空调整机故障，即
设定故障判断模型：
若HP-HPAvg>P1,且HP-HPMin>P2，则判断车厢内高压上升趋势；
若HP-HPAvg<P3,且HP-HPMax<P4，则判断车厢内高压下降趋势；
若LP-LPAvg>P5,且LP-LPMin>P6，则判断车厢内低压上升趋势；
若LP-LPAvg<P7,且LP-LPMax<P8，则判断车厢内低压下降趋势；
上式中，HP为车厢内的高压值；HPAvg为预设周期时间内车厢内的高压平均值；HPMax为预设周期时间内车厢内的最大高压值；HPMin为预设周期时间内车厢内的最小高压值；LP为车厢内的低压值；LPAvg为预设周期时间内车厢内的低压平均值；LPMax为预设周期时间内车厢内的最大低压值；LPMin为预设周期时间内车厢内的最小低压值；P1为高压值和高压平均值之间差值对应的上升阈值；P2为高压值和最小高压值之间差值对应的上升阈值；P3为高压值和高压平均值之间差值对应的下降阈值；P4为高压值和最大高压值之间差值对应的下降阈值；P5为低压值和低压平均值之间差值对应的上升阈值；P6为低压值和最小低压值之间差值对应的上升阈值；P7为低压值和低压平均值之间差值对应的下降阈值；P8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***的高压变化趋势进行判断，即
当两个空调***的高压变化趋势相同且低压变化趋势异常，则判断一空调***出现空调通风故障；
根据所述故障判断模型，对单一空调***的高压变化趋势进行判断，即
当任一空调***的高、低压变化趋势超过上述相应阈值，则判断空调***故障；以及
根据所述故障判断模型，对两个空调***进行组合判断，即
当车厢内一空调***的高、低压变化趋势分别异于另一空调***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***和故障预测服务器；所述列车空调子***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***的***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***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***的***框图。
如图1所示，本实施例提供了一种列车空调维修调度***，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-FI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***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***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***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或电脑上的 Winform或Web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或电脑上的 Winform或Web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***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***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***故障、空调整机故障；基于列车车厢内的两个空调***高低压变化趋势预测空调通风故障、空调***故障、空调整机故障，即
设定故障判断模型：
若HP-HPAvg>P1,且HP-HPMin>P2，则判断车厢内高压上升趋势；
若HP-HPAvg<P3,且HP-HPMax<P4，则判断车厢内高压下降趋势；
若LP-LPAvg>P5,且LP-LPMin>P6，则判断车厢内低压上升趋势；
若LP-LPAvg<P7,且LP-LPMax<P8，则判断车厢内低压下降趋势；
上式中，HP为车厢内的高压值；HPAvg为预设周期时间内车厢内的高压平均值；HPMax为预设周期时间内车厢内的最大高压值；HPMin为预设周期时间内车厢内的最小高压值；LP为车厢内的低压值；LPAvg为预设周期时间内车厢内的低压平均值；LPMax为预设周期时间内车厢内的最大低压值；LPMin为预设周期时间内车厢内的最小低压值；P1为高压值和高压平均值之间差值对应的上升阈值；P2为高压值和最小高压值之间差值对应的上升阈值；P3为高压值和高压平均值之间差值对应的下降阈值；P4为高压值和最大高压值之间差值对应的下降阈值；P5为低压值和低压平均值之间差值对应的上升阈值；P6为低压值和最小低压值之间差值对应的上升阈值；P7为低压值和低压平均值之间差值对应的下降阈值；P8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***的高压变化趋势进行判断，即
当两个空调***的高压变化趋势相同且低压变化趋势异常，则判断一空调***出现空调通风故障；
根据所述故障判断模型，对单一空调***的高压变化趋势进行判断，即
当任一空调***的高、低压变化趋势超过上述相应阈值，则判断空调***故障；以及
根据所述故障判断模型，对两个空调***进行组合判断，即
当车厢内一空调***的高、低压变化趋势分别异于另一空调***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***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***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***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***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***故障、空调整机故障；基于列车车厢内的两个空调***高低压变化趋势预测空调通风故障、空调***故障、空调整机故障，即
设定故障判断模型：
若HP-HPAvg>P1,且HP-HPMin>P2，则判断车厢内高压上升趋势；
若HP-HPAvg<P3,且HP-HPMax<P4，则判断车厢内高压下降趋势；
若LP-LPAvg>P5,且LP-LPMin>P6，则判断车厢内低压上升趋势；
若LP-LPAvg<P7,且LP-LPMax<P8，则判断车厢内低压下降趋势；
上式中，HP为车厢内的高压值；HPAvg为预设周期时间内车厢内的高压平均值；HPMax为预设周期时间内车厢内的最大高压值；HPMin为预设周期时间内车厢内的最小高压值；LP为车厢内的低压值；LPAvg为预设周期时间内车厢内的低压平均值；LPMax为预设周期时间内车厢内的最大低压值；LPMin为预设周期时间内车厢内的最小低压值；P1为高压值和高压平均值之间差值对应的上升阈值；P2为高压值和最小高压值之间差值对应的上升阈值；P3为高压值和高压平均值之间差值对应的下降阈值；P4为高压值和最大高压值之间差值对应的下降阈值；P5为低压值和低压平均值之间差值对应的上升阈值；P6为低压值和最小低压值之间差值对应的上升阈值；P7为低压值和低压平均值之间差值对应的下降阈值；P8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***的高压变化趋势进行判断，即
当两个空调***的高压变化趋势相同且低压变化趋势异常，则判断一空调***出现空调通风故障；
根据所述故障判断模型，对单一空调***的高压变化趋势进行判断，即
当任一空调***的高、低压变化趋势超过上述相应阈值，则判断空调***故障；以及
根据所述故障判断模型，对两个空调***进行组合判断，即
当车厢内一空调***的高、低压变化趋势分别异于另一空调***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***和故障预测服务器；所述列车空调子***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***元件，以达到空调***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。
Claims (10)
1.一种列车空调维修调度***，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。
2.如权利要求1所述的列车空调维修调度***，其特征在于，
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。
3.如权利要求2所述的列车空调维修调度***，其特征在于，
所述列车空调维修调度***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。
4. 如权利要求3所述的列车空调维修调度***，其特征在于，
所述列车空调维修调度***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。
5.如权利要求4所述的列车空调维修调度***，其特征在于，
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***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***高低压变化趋势预测空调故障类型。
6.如权利要求5所述的列车空调维修调度***，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***故障、空调整机故障；
基于列车车厢内的两个空调***高低压变化趋势预测空调通风故障、空调***故障、空调整机故障，即
设定故障判断模型：
若HP-HPAvg>P1,且HP-HPMin>P2，则判断车厢内高压上升趋势；
若HP-HPAvg<P3,且HP-HPMax<P4，则判断车厢内高压下降趋势；
若LP-LPAvg>P5,且LP-LPMin>P6，则判断车厢内低压上升趋势；
若LP-LPAvg<P7,且LP-LPMax<P8，则判断车厢内低压下降趋势；
上式中，HP为车厢内的高压值；HPAvg为预设周期时间内车厢内的高压平均值；HPMax为预设周期时间内车厢内的最大高压值；HPMin为预设周期时间内车厢内的最小高压值；LP为车厢内的低压值；LPAvg为预设周期时间内车厢内的低压平均值；LPMax为预设周期时间内车厢内的最大低压值；LPMin为预设周期时间内车厢内的最小低压值；P1为高压值和高压平均值之间差值对应的上升阈值；P2为高压值和最小高压值之间差值对应的上升阈值；P3为高压值和高压平均值之间差值对应的下降阈值；P4为高压值和最大高压值之间差值对应的下降阈值；P5为低压值和低压平均值之间差值对应的上升阈值；P6为低压值和最小低压值之间差值对应的上升阈值；P7为低压值和低压平均值之间差值对应的下降阈值；P8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***的高压变化趋势进行判断，即
当两个空调***的高压变化趋势相同且低压变化趋势异常，则判断一空调***出现空调通风故障；
根据所述故障判断模型，对单一空调***的高压变化趋势进行判断，即
当任一空调***的高、低压变化趋势超过上述相应阈值，则判断空调***故障；以及
根据所述故障判断模型，对两个空调***进行组合判断，即
当车厢内一空调***的高、低压变化趋势分别异于另一空调***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。
7.如权利要求6所述的列车空调维修调度***，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。
8.一种列车空调维修调度***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。
9.如权利要求8所述的列车空调维修调度***的工作方法，其特征在于，
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。
10.如权利要求9所述的列车空调维修调度***的工作方法，其特征在于，
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***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***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***故障、空调整机故障；
基于列车车厢内的两个空调***高低压变化趋势预测空调通风故障、空调***故障、空调整机故障，即
设定故障判断模型：
若HP-HPAvg>P1,且HP-HPMin>P2，则判断车厢内高压上升趋势；
若HP-HPAvg<P3,且HP-HPMax<P4，则判断车厢内高压下降趋势；
若LP-LPAvg>P5,且LP-LPMin>P6，则判断车厢内低压上升趋势；
若LP-LPAvg<P7,且LP-LPMax<P8，则判断车厢内低压下降趋势；
上式中，HP为车厢内的高压值；HPAvg为预设周期时间内车厢内的高压平均值；HPMax为预设周期时间内车厢内的最大高压值；HPMin为预设周期时间内车厢内的最小高压值；LP为车厢内的低压值；LPAvg为预设周期时间内车厢内的低压平均值；LPMax为预设周期时间内车厢内的最大低压值；LPMin为预设周期时间内车厢内的最小低压值；P1为高压值和高压平均值之间差值对应的上升阈值；P2为高压值和最小高压值之间差值对应的上升阈值；P3为高压值和高压平均值之间差值对应的下降阈值；P4为高压值和最大高压值之间差值对应的下降阈值；P5为低压值和低压平均值之间差值对应的上升阈值；P6为低压值和最小低压值之间差值对应的上升阈值；P7为低压值和低压平均值之间差值对应的下降阈值；P8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***的高压变化趋势进行判断，即
当两个空调***的高压变化趋势相同且低压变化趋势异常，则判断一空调***出现空调通风故障；
根据所述故障判断模型，对单一空调***的高压变化趋势进行判断，即
当任一空调***的高、低压变化趋势超过上述相应阈值，则判断空调***故障；以及
根据所述故障判断模型，对两个空调***进行组合判断，即
当车厢内一空调***的高、低压变化趋势分别异于另一空调***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。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910045999.4A CN109409621B (zh) | 2019-01-18 | 2019-01-18 | 一种列车空调维修调度***及其工作方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910045999.4A CN109409621B (zh) | 2019-01-18 | 2019-01-18 | 一种列车空调维修调度***及其工作方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109409621A true CN109409621A (zh) | 2019-03-01 |
| CN109409621B CN109409621B (zh) | 2019-04-23 |
Family
ID=65462059
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910045999.4A Active CN109409621B (zh) | 2019-01-18 | 2019-01-18 | 一种列车空调维修调度***及其工作方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109409621B (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111487005A (zh) * | 2020-06-29 | 2020-08-04 | 新誉轨道交通科技有限公司 | 一种列车压力波诊断方法、装置及设备 |
| CN112036581A (zh) * | 2019-05-15 | 2020-12-04 | 上海杰之能软件科技有限公司 | 交通工具空调***的性能检测方法及装置、存储介质、终端 |
| CN112460738A (zh) * | 2019-09-09 | 2021-03-09 | 上海杰之能软件科技有限公司 | 空调***的状态识别方法及装置、存储介质、终端 |
| CN114312213A (zh) * | 2021-12-14 | 2022-04-12 | 华人运通(江苏)技术有限公司 | 车辆的制冷剂容量异常预测方法、装置、设备及介质 |
| CN116611819A (zh) * | 2023-05-30 | 2023-08-18 | 重庆赛力斯新能源汽车设计院有限公司 | 空调压缩机故障预测方法、***、终端设备及存储介质 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104634066A (zh) * | 2015-01-14 | 2015-05-20 | 合肥天鹅制冷科技有限公司 | 多功能空调、热泵烘干及除湿装置 |
| CN104729030A (zh) * | 2013-12-24 | 2015-06-24 | 珠海格力电器股份有限公司 | 空调故障检测方法和服务器 |
| WO2016063552A1 (ja) * | 2014-10-24 | 2016-04-28 | 三菱重工業株式会社 | 空調システムの制御装置、空調システム、及び空調システムの異常判定方法 |
| CN106091246A (zh) * | 2016-06-14 | 2016-11-09 | 顺德职业技术学院 | 空调器远程控制运行故障判断方法 |
| CN108463675A (zh) * | 2016-02-29 | 2018-08-28 | 三菱重工业株式会社 | 空调*** |
-
2019
- 2019-01-18 CN CN201910045999.4A patent/CN109409621B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104729030A (zh) * | 2013-12-24 | 2015-06-24 | 珠海格力电器股份有限公司 | 空调故障检测方法和服务器 |
| WO2016063552A1 (ja) * | 2014-10-24 | 2016-04-28 | 三菱重工業株式会社 | 空調システムの制御装置、空調システム、及び空調システムの異常判定方法 |
| CN104634066A (zh) * | 2015-01-14 | 2015-05-20 | 合肥天鹅制冷科技有限公司 | 多功能空调、热泵烘干及除湿装置 |
| CN108463675A (zh) * | 2016-02-29 | 2018-08-28 | 三菱重工业株式会社 | 空调*** |
| CN106091246A (zh) * | 2016-06-14 | 2016-11-09 | 顺德职业技术学院 | 空调器远程控制运行故障判断方法 |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112036581A (zh) * | 2019-05-15 | 2020-12-04 | 上海杰之能软件科技有限公司 | 交通工具空调***的性能检测方法及装置、存储介质、终端 |
| CN112036581B (zh) * | 2019-05-15 | 2024-03-26 | 上海杰之能软件科技有限公司 | 交通工具空调***的性能检测方法及装置、存储介质、终端 |
| CN112460738A (zh) * | 2019-09-09 | 2021-03-09 | 上海杰之能软件科技有限公司 | 空调***的状态识别方法及装置、存储介质、终端 |
| CN112460738B (zh) * | 2019-09-09 | 2022-03-04 | 上海杰之能软件科技有限公司 | 空调***的状态识别方法及装置、存储介质、终端 |
| CN111487005A (zh) * | 2020-06-29 | 2020-08-04 | 新誉轨道交通科技有限公司 | 一种列车压力波诊断方法、装置及设备 |
| CN111487005B (zh) * | 2020-06-29 | 2020-09-22 | 新誉轨道交通科技有限公司 | 一种列车压力波诊断方法、装置及设备 |
| CN114312213A (zh) * | 2021-12-14 | 2022-04-12 | 华人运通(江苏)技术有限公司 | 车辆的制冷剂容量异常预测方法、装置、设备及介质 |
| CN114312213B (zh) * | 2021-12-14 | 2023-10-17 | 华人运通(江苏)技术有限公司 | 车辆的制冷剂容量异常预测方法、装置、设备及介质 |
| CN116611819A (zh) * | 2023-05-30 | 2023-08-18 | 重庆赛力斯新能源汽车设计院有限公司 | 空调压缩机故障预测方法、***、终端设备及存储介质 |
| CN116611819B (zh) * | 2023-05-30 | 2023-12-22 | 重庆赛力斯新能源汽车设计院有限公司 | 空调压缩机故障预测方法、***、终端设备及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109409621B (zh) | 2019-04-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109409621B (zh) | 一种列车空调维修调度***及其工作方法 | |
| EP3348925B1 (en) | Air-conditioner system and control method | |
| US11900287B2 (en) | Model predictive maintenance system with budgetary constraints | |
| EP1987459B1 (en) | A system and a method for assessing and reducing air pollution by regulating airflow ventiilation | |
| US9251502B2 (en) | Maintenance system for aircraft fleet and method for planning maintenance | |
| KR102364621B1 (ko) | 공기조화기 시스템 및 그 제어방법 | |
| US20190347622A1 (en) | Model predictive maintenance system with financial analysis functionality | |
| US8521356B2 (en) | Air conditioner for vehicle, and system and method of vehicle air-conditioning management | |
| KR100851009B1 (ko) | 멀티에어컨의 통합관리 시스템 및 방법 | |
| US10866005B2 (en) | Air-conditioner system and control method, with first and second abnormality diagnosis | |
| CN106461294A (zh) | 热泵和空气调节分级***及方法 | |
| CN106814676A (zh) | 楼宇能耗监控和管理的***、方法和装置 | |
| US20190195525A1 (en) | Method and apparatus for operating heating and cooling equipment via a network | |
| US10248091B2 (en) | Method and apparatus for providing equipment maintenance via a network | |
| US20140258497A1 (en) | Management system for automatic door apparatus | |
| JP2005291642A (ja) | 設備機器の性能劣化評価方法、設備機器の性能劣化評価システムおよび設備機器の情報収集装置 | |
| US7599816B2 (en) | Maintenance-information providing system | |
| JP2019120433A (ja) | 空調システム及びローカルコントローラ | |
| Du Plessis | Development of a supervisory system for maintaining the performance of remote energy management systems | |
| JP6955231B2 (ja) | 保守支援システム | |
| KR20180112585A (ko) | 공기조화기 시스템 및 그 제어방법 | |
| KR20120074761A (ko) | 온실가스 관리 시스템 및 방법 | |
| Costa et al. | A SWOT framework to investigate the integration between building management systems and fault detection and diagnosis tools | |
| KR102651256B1 (ko) | 실내공기 살균과 IoT 제어 및 모니터링 기능을 가진 스마트 냉동 공조 시스템 | |
| KR102076708B1 (ko) | 구조물 모니터링을 위한 계측설비의 자가진단 시스템 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| PE01 | Entry into force of the registration of the contract for pledge of patent right | ||
| PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: A train air conditioner maintenance scheduling system and a working method thereof Effective date of registration: 20191111 Granted publication date: 20190423 Pledgee: New United Group Co., Ltd. Pledgor: Xin Yu track traffic Science and Technology Ltd. Registration number: Y2019980000550 |
|
| PC01 | Cancellation of the registration of the contract for pledge of patent right | ||
| PC01 | Cancellation of the registration of the contract for pledge of patent right |
Date of cancellation: 20200303 Granted publication date: 20190423 Pledgee: XIN YU GROUP Co.,Ltd. Pledgor: Xin Yu track traffic Science and Technology Ltd. Registration number: Y2019980000550 |
|
| EE01 | Entry into force of recordation of patent licensing contract | ||
| EE01 | Entry into force of recordation of patent licensing contract |
Application publication date: 20190301 Assignee: Sou beautiful (Beijing) Technology Development Co., Ltd Assignor: Xin Yu track traffic Science and Technology Ltd. Contract record no.: X2020980000541 Denomination of invention: A train air conditioner maintenance scheduling system and a working method thereof Granted publication date: 20190423 License type: Common License Record date: 20200309 |
|
| PE01 | Entry into force of the registration of the contract for pledge of patent right | ||
| PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: A train air conditioner maintenance scheduling system and a working method thereof Effective date of registration: 20200310 Granted publication date: 20190423 Pledgee: XIN YU GROUP Co.,Ltd. Pledgor: NEW UNITED RAIL TRANSIT TECHNOLOGY Co.,Ltd. Registration number: Y2020980000582 |
|
| PC01 | Cancellation of the registration of the contract for pledge of patent right | ||
| PC01 | Cancellation of the registration of the contract for pledge of patent right |
Date of cancellation: 20211119 Granted publication date: 20190423 Pledgee: NEW UNITED GROUP Co.,Ltd. Pledgor: NEW UNITED RAIL TRANSIT TECHNOLOGY Co.,Ltd. Registration number: Y2020980000582 |