北京铁路局北京动车段北京100026
摘要：随着网络信息化时代的日益普遍，电脑终端的普及极大的拓展了互联网的发展，我们正处在一个数据爆炸性增长的“大数据”时代，大数据在社会经济、政治、文化，人们生活等方面产生深远的影响，深度挖掘大数据，就更能体现数据的含金量，客观的反应生产生活的规律，以便对生产进行优化。
关键词：大数据；TEDS；动车组故障检测；合理派工；数据分析
引言：有人说21世纪是数据信息时代，在生产生活中各种数据正在迅速膨胀并变大，它决定着企业的未来发展，人们将越来越多的意识到数据对企业的重要性。根据大数据能够分析宏观状态、抓住趋势发展。大数据下的深度分析就是挖掘数据下的深层逻辑含义，找出数据之间所体现的生产关系、内部联系、潜伏的隐患等信息。大数据分析不能仅仅是统计个体数量，占百分比等浅显的数据分析，应结合逻辑关系，深入研究数据中的真正价值，寻找数据中隐藏的“宝石”。
1研究背景与目的
随着时间的积累，动车组车辆故障动态图像检测系统（简称：TEDS）工作不断地积累了大量的数据，这些数据宝贵且数量庞大，几乎每天都有近万条的数据，涉及十几项内容，传统分析方法已然是不能够胜任这项分析工作。
本次研究方向意在针对每日工作记录，对过车情况、作业情况等进行统计分析。利用科学的数据分析法进行深度数据分析。研究透过数据掌握过车规律、工作量计算、员工工作状态等信息。进而能结合实际情况，对现有工作方案进行优化。
2研究思路
现在收集的数据表包括项目有：序号、分析员、过车时间、探测站、过站顺序、车组号、报文编组数量、车辆号、车型、配属局、配属所、作业开始时间、作业结束时间、作业耗时等项目类别。结合数据表项目，合理分析其中的逻辑关系，针对不同项目的组合得到想要的数据分析目的，经过合理推敲，列出如下几个主要分析项目：
1）通过四则运算，可以初步得出，作业总量、总的作业时间、人员数量、相关车组号等信息。
2）通过时间和探测站组合：分析同一车辆经过不同探测站的时间轨迹。
3）通过时间和车组号的组合：分析同一车的作业量汇总。
4）将过车时间和接车时间以每20分钟为一档，用来统计同等时间段的过车数量，分析动车分时过车量规律，还可以结合探测站数据，分析各个探测站过车量的规律。
3数据分析方法设计及统计方式
为了方便研究和演示，选取某日24h内的数据作为一个统计周期，作业时间段选为早9点至第二日早9点，此时间段正是某组的完整作业时间。数据条目为6678条，数据中数量单位为节，（一辆标准组换算量等于8），排除甩站车、报文错误等异常的数据，结合实际作业情况和生产需求，拟作如下几项数据统计表，用于推演数据分析。
3.1统计过车所产生的工作量
通过工作量统计表，统计项目为探测站和配属局。从中可以很直观的看出，一天内各个探测站的过车数量，以及各个探测站过车的配属情况。根据探测站分析，北京西上行的过车量最多为1159--占比为17.4%。其次为石家庄上行1--占比为12.6%。
数据中不难发现，各个配属局的过车量有明显差异，北京局的过车工作量占比将一半，其次为上海和太原局。各个探测站的过车量也不均衡，其中北京西上行的探测站过车量最多，占比为17.4%，是其他探测站的数倍。其次为石家庄上行1和京沪上行2，占比将近一成，来自这几个探测站点的工作量最大。
3.2通过数据表发现动车组过车规律
通过过车规律统计表，即统计项目为过车时间和探测站，筛选条件为车组号，例如摘选2507动车组在规定周期内经过过各个站点的时间。经统计发现2507动车组直观看出该动车组分别经过各个探测站的频率以及时间。通过分析发现，其中有的过车距离和时间间隔都比较短，对于过短间隔时间的过车，就可以选择放弃监控，这样可以通过这个研究项目，适度减少作业频率、减轻作业压力提供一定的参考标准。
3.3过车量统计表和作业量统计表对比
图表3上部为过车时间20min档和过车量的统计表，此图表意在对派工状况进行预警。将时间以20min为一个档位，对过车量进行归类统计，统计出在相同的时间段下，过车情况的图表。图中可以看出过车呈现出一定的波动情况，一天的过车量基本趋于平稳，其中在10：00、12：20、15：00、17：20以及第二天8：00等属于过车高峰期，这个时间段比较容易积压工作量。
图表3下部为分析员接车时间20min档和过车量统计表，此图表意在反馈作业状况。同样是将接车时间以20min为一个档位，对看车量进行归类统计，统计出在相同的时间段下，体现接车情况的图表。上一图表整体上，呈现相同趋势，但曲线波动更加的缓和，少了很多的波动区间。
通过过车流量统计，细分过车时间结构，可以有效的对作业积压过多情况加以预防，适当安排作业间休息，做到有效的劳逸结合。白天有几个短暂的高峰，积极安排预防防止后续积压严重，以及晚间9点之后持续大量增加工作量，更应该注意人员配比，调整状态。
图表3过车量统计表和作业量统计表对比—20min图
4结合分析数据，对作业方案的探讨
4.1针对过车规律合理筛选重点车数量
通过表1、表2，结合分析可以看出，过车量大多数集中在北京局配属的车辆上，通过分析北京局的部分车号的数据发现，其存在比较密集的过车情况，一辆车就增加了较多的工作量。可以考虑对于这部分车，探讨是否能够针对情况减少一部分工作量、减少重复作业次数，更加有针对性的对重点车进行关注。既提高效率，又能减轻作业压力。
表3的对比发现，作业规律和过车规律存在一定的差别，过车图表显示其波动较为频繁，作业速度表显示其速度较为缓和。应结合过车高峰时段，提前布置工作人员，做到有备无患，合理配置生产力，提高作业效率。通过对比发现，过车高峰期存在看车量下降的情况，此时应该提高作业速度和在岗率等办法，防止积压。
5结论
根据大数据，我们可以客观的了解生产生活的状况，数据的深入挖掘，有利于改进生产结构。大数据是生产管理不可缺少的一项内容，更是生产管理、信息化的不可或缺的工具，数据的深度挖掘远不止于此，通过研究可以得到更多的有效、有利的工具，方便工作的管理。大数据和科学管理有着密不可分的联系，准确的预测，准确的配置生产，准确的反馈，都离不开大数据。知识的时代就是活用数据的时代。
参考文献：
[1]徐迪威.大数据与科学管理.科技管理研究[J]2013.24