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，从促进政府内部数据共享并构建政府开放数据平台、发展工业大数据和新兴产业大数据、提升数据安全标准和数据管理等角度进行了战略布局。

随着铁路机车检测技术、信息化技术的迅猛发展，由生产制造型向制造服务型转变已成为轨道交通装备行业的发展趋势。检修作为机车全寿命周期的一个重要环节，是制造服务的基础，机车检修产生的技术状态数据、管理数据既是检修过程控制的依据，也是运维服务、设计制造改进、修程修制改革、机车安全运行的数据基础。探索大数据在机车检修行业的应用，实现各类数据的有效识别、采集、分析、应用，是响应国家大数据发展行动要求的必然，更是发展工业大数据、提升机车检修数据管理能力的基础，大数据将驱动中国制造向智慧制造转变[1]。

C、D泊位一次事故的最大用水量为387m3，库区内设有一座1100m3的消防水池，能够满足C、D泊位最大用水量。

1 大数据发展历程与趋势

在发展初期，记录了日常生活、科学研究、商业活动中反映客观世界运行状态的信号被记录下来，作为“数据”予以保存，既没有被加工解释，也不能回答任何问题，数据与数据之间彼此孤立，随着人类探索客观世界运行规律的需求逐渐提升，这些数据开始成为人类开展分析的原料，通过对数据的分析处理，可以建立数据之间的关联，从数据对比中总结出规律性结论，这些从数据中抽象出来的结论被称为“信息”。选出那些能够“积极指导任务执行和管理”的信息，借助它们解决问题或是辅助决策，便具备了大数据中心的内涵。

随着信息技术的发展，人类记录数据的载体从早期的打孔纸卡、盘式磁带，再到软盘、硬盘、内存卡等，现在借助云技术的发展，已经形成了无限的存储空间和存取速度，这为“大数据”的下一步发展奠定了基础。大数据的发展将呈现以下趋势：

(1)数据量将持续增长。机构和企业组织将对其内部未被利用的每一字节的大数据——“黑暗数据”加以合理化的整合并转化成为可利用的数据资源，数据量的不断增加意味着通过数据的快速分析获取宝贵的市场洞察已经成为大数据业务运营的关键环节。

(2)智能感知与控制层

以智能生产线建设为基础，通过智能检修装备、智能检测装备、整机智能试验装备的应用，提高产品现场技术状态的泛在感知能力，通过传感器的广泛应用，实现对产品技术状态数据、产品装配数据、设备健康状态数据、生产线运行数据的自动化采集(见图1)。

(4)物联网、云技术、大数据和网络安全深层融合。数据管理技术依赖于物联网、云技术和网络安全的融合，随着数据管理的深度日趋加大，对与之相关技术的融合也更趋深入[1]。

II.Political and social crises bring about the rise of protectionism

2 建设机车检修大数据中心的基本思路

2.1 数据来源与采集

机车检修行业因其产品具有小批量、多品种、修程修制复杂多变、客户个性化需求多样等特点，形成了蕴含海量信息的数据集合，这也为机车检修大数据中心的建设提供了数据基础。基于机车检修智能化工厂的搭建，机车检修数据来源于智能设备层、智能感知与控制层、执行层和生产决策层，利用不同的技术手段进行各层的数据采集。

以企业资源管理系统(ERP)为核心，建立各信息化系统与之集成的工业网络，实现ERP系统对经营管理数据的采集(见图3)。机车检修数据的采集与监控主要使用SCADA控制系统。

结合机车检修行业多品种、小批量、修程修制复杂繁多、各类管理运营计划变更频繁的实际特点，数据建模阶段应重点从技术状态数据与产品种类数据、修程修制调整数据、设备运行状态数据、机车运行状态数据建立数据模型；从技术状态数据与生产计划数据、物料供给数据、人力资源数据、订单合同数据、运维管理数据、企业运营数据建立数据模型。主要运用的建模方法有关联规则分析、分类和回归分析、聚类分析、时间序列分析、异常点检测等，下面重点介绍关联规则分析和聚类分析。

(1)智能设备层

(3)预测分析将崭露头角。精准地预测未来可能发生的行为和事件可以提高企业的利润。

通过监控中心、数据交互终端、可视化终端及智能传感装置、DNC(分布式数控)与RFID(射频识别)的配置，智能感知与控制层检修资源的信息可通过设备采集数据卡、二维条码、RFID射频、摄像头、传感器等手段进行采集，通过局域网、无线网、WIFI、蓝牙、RFID射频等方式进行数据传输，汇总到检修资源管理系统，形成对设备、工装工具、物料、人力资源等检修资源在生产过程中信息的实时采集。

  

图1 智能设备层

(2)利用大数据提升客户体验。消费者使用灵活的自助服务方式可以让大数据分析成为企业快速掌握市场发展的主导方式，将为满足客户个性化需求带来更有力的市场洞察。

课堂气氛压抑、沉闷不利于学生的积极思维。过分的严格只能使学生退避三舍。学生的屈从只能使教学效果大打折扣。“亲其师，信其道。”这样学生才会对语文学习乐此不疲。作为新时期的教师，建立良好的师生关系显得尤为必要。需要强调的是课堂组织形式要灵活，要尊重学生的选择，尊重学生的独特体验。

对于城镇居民对厕纸的处理方式通常分为两种，投入马桶，最终进入水体和丢进纸篓形成固废[5-7].采用调查问卷的方式，了解当前普通居民的厕纸处理方式，同时调查居民选择不同的厕纸处理方式的考虑因素.抽样调查辽宁科技大学在校学生和鞍山市不同地区的居民，以及采用网上调查(QQ、微信、公共平台、论坛等)方式抽样调查全国各地的居民.

(3)执行层

以车间制造执行系统(MES)、产品生命周期数据管理系统(PLM)、智能仓储系统(WMS)、智能物流系统(LMS)、质量管理系统(QMS)等信息系统完善升级为基础，建立以MES为执行核心的各系统集成，通过各系统执行数据与MES系统的交互，实现MES对执行层各管理流程、管理节点、管理成果等数据的采集(见图2)。

  

图2 执行层

(4)生产决策层

30组底板岩石的单轴抗压强度在25.2 ～169.6 MPa，平均值71.1 MPa，普氏系数7.1。其中，泥岩的单轴强度强度在25.2～26.6 MPa，平均值25.9 MPa，普氏系数2.6；砂质泥岩的单轴强度强度在23.2～84.4 MPa，平均值42.5 MPa，普氏系数4.3，砂岩的单轴强度强度在36.6～169.6 MPa，平均值116.7 MPa，普氏系数11.7；粉砂岩(细砂岩)的单轴强度强度42.5～97.8 MPa，平均值6.4 MPa，普氏系数6.9。

2.2 数据存储

大数据存储、处理的分布式计算系统主要有Spark、Storm和Hadoop三种。其中Spark使用内存来存储数据，可提供超过Hadoop 100倍的运算速度，但内存断电后会丢失数据；Storm提供了实施运算的特性，可以实时处理大数据流，但不能进行数据的收集和存储工作，而是直接通过网络实时地接收数据并处理数据， 然后直接通过网络实时传回结果。根据机车检修大数据中心建立的目的，采用Hadoop架构(见图4)，用来处理非机构化、大量数据的存储和检索、分析。Hadoop技术是一个被证实的可以扩展到海量数据分布存储的分布式方案，可用于离线的复杂的大数据处理，解决了海量数据的存储和访问问题，并且该方案可以架构在低成本的机器集群上(见图5)，提高了性价比[2]。

  

图3 生产决策层

  

图4 大数据中心Hadoop架构图

  

图5 大数据架构机器集群

2.3 数据建模

在数据分析的完整流程中，数据采集、预处理和存储环节是为了实现数据从无到有、从不规范到规范的转化，数据可视化是对数据分析中所取得结论的呈现，而数据建模则是根据特征采用分析手段、建立数据间适宜的逻辑关系，从良莠不齐的数据中提炼有用知识的关键。在数据建模阶段，根据数据分析主要目的的不同、数据集的基本特征不同，所使用的具体方式也不同。数据分析的任务主要分为两类：描述性任务和预测性任务。描述性任务，需要通过数据建模的手段刻画目标数据集中展现的一般性质和特征；预测性任务，需要通过数据建模的手段进行数据集上的归类分析，从而进行预测。

实验组不良反应发生率为100.0%，其中骨髓抑制发生率为40.0%，恶心发生率为24.0%，呕吐发生率为（22.0%），皮肤黏膜改变发生率为14.0%；对照组不良反应发生率为43.5%，其中骨髓抑制发生率为17.4%，恶心发生率为8.7%，呕吐发生率为（6.5%），皮肤黏膜改变发生率为10.9%，比较两组患者不良反应发生率，差异有统计学意义（χ2=38.758，P＜0.05）。详见表2。

2.3.1 关联规则分析

关联规则分析的典型案例是“啤酒和尿布”，具体管理规则如下：假设I={I1，I2，I3，……，Im}是项的集合，而D={T1，T2，T3，……，Tn}是一个交易数据集，其中每一条交易Ti都拥有一个唯一的交易标识符TID，Ti中包括了一系列I中的项，那么关联规则就是形如I1→I2的蕴涵式，其中I1和I2都是项集合I中的项，如果I1和I2同时出现在某一条交易记录Ti中时，则认为Ti对于关联规则I1→I2是支持的。

该关联规则分析的方法，主要应用于设备状态、修程修制、员工技能等级与产品技术状态关联数据模型的建立中。

结合机车检修典型质量故障模式，建立抱轴瓦加工工序各生产要素状态数据项的集合A={员工技能等级4级、员工技能等级5级、…、镗瓦机床刀具2月更换、镗瓦机床刀具3月更换、…、抱轴瓦加工余量5 mm、抱轴瓦加工余量6 mm、…、加工进给量0.5 mm、加工进给量1 mm、…}，同时建立抱轴瓦加工后技术状态数据集B={合格、加工过量、存在加工刀痕、粗糙度超差、尺寸超差、报废…}。

通过对机车检修典型质量故障模式的分析，确定各主要工序生产要素状态数据、加工后产品技术状态数据，利用关联规则分析的方法，可建立各项与输出结果间的蕴涵式，从而形成管理规则的各项数据模型。

国际上，BMI指数（身体质量指数，简称体质指数，又称体重指数，英文为Body Mass Index，简称BMI）是国际上常用的衡量人体胖瘦程度以及是否健康的一个标准，也是目前常用的衡量人体胖瘦度的标准，根据公式（用体重公斤数除以身高米数平方得出的数字）你可以轻松计算出你的BMI指数，从而了解身体体脂率，进行有针对性的活动。

2.3.2 聚类分析

聚类分析是将一组对象按照相似性划分为几个不同的类别(簇、子集)，使得同一类别中样本的相似性尽可能大，而不同样本集合之间的差异性尽可能大。根据研究对象的基本属性和研究目的选择合适的相似性(差异性)判断指标，在选择指标并计算相似度的过程中，可以采用划分方法、层次方法等。

A：改革开放初期，力嘉从香港搬迁到深圳横岗，逐渐从单一的纸品包装业务扩张到彩色印刷市场领域，较早享受到了国家对外资企业进驻内地投资所给予的各种优惠政策。随着改革开放进程的不断深化，内地市场经济越发蓬勃，给包装印刷带来巨大的发展机遇，这些环境因素对力嘉的发展起到了重要的推动作用，使力嘉迅速打开内地市场，实现了从小到大以及到强的跨越。

该类数据建模方法主要应用于机车入厂前运行公里数与部件修程制定、产品技术状态与生产计划安排、部件确检状态与台车成本定额、机车运行局段与物料配送计划、典型质量故障频发部件与供应商管理等方面数据的建模。

运用过程中，将机车细分子集，按照局段、运行公里数、运用环境、各部件技术状态、确检状态、典型质量故障频发部件种类等特征划分至不同簇内，同时建立经营决策簇，主要包括台车成本定额、物料供给计划、供应商选择、生产计划安排、市场承揽计划等方面，将簇之间数据建立引起结果必然性概率的逻辑关系，形成聚类分析的数据模型。

2.4 数据分析展现

从数据到应用知识的转化流程被统称为数据分析流程，包括数据来源、数据预处理、数据存储、数据建模、数据分析和展现等。在完成数据建模、建立了各数据间逻辑关系的基础上，按已制定的逻辑关系进行数据的分析与展现，所运用的分析软件应具备以下特点：(1)支持异构、海量、非结构数据的快速存取；(2)快速、准确地完成海量数据的分析过程；(3)支持大规模、多类型数据的可视化。机车检修行业结合其需展现数据的特点，可选用R软件、D3可视化图标库、CartoDB、Gephi等。

基于对机车检修行业部分问题的建模，通过分析可得出以下结论：当生产要素集中的项A{员工技能等级4级、镗瓦机床刀具3月更换、加工进给量1 mm}同时出现时，技术状态数据集中的项B{粗糙度超差}出现概率在80%以上；当生产要素集中的项A{员工技能等级4级、镗瓦机床刀具3月更换、抱轴瓦加工余量5 mm、加工进给量1 mm}同时出现时，技术状态数据集中的项B{加工过量、尺寸超差}出现的概率分别约为25%、40%。通过此类分析，在生产检修前确定可以输出合格产品的各生产要素，保证产品质量。

3 结束语

以智能生产线和信息平台的深度融合为依托，建立机车检修大数据，打造机车检修行业智能制造新模式,将实现机车检修全过程的量值化检修、数字化检测，大大提高生产效能，提升产品质量，降低检修成本。

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，2016.

[2] 辛国斌,田世宏.智能制造-标准案例集[M].北京：电子工业出版社，2016.□