智能车站包含建筑的智能化、服务的智能化、管理的智能化、运营的智能化等多个方面的内容,它们是智能车站的手脚,负责收集数据信息,又执行相关操作。在这样的基础上,需要一个大脑存储信息,负责决策,而大数据技术在云计算、物联网等技术后兴起,在越来越多的行业起到作用,也成为了构建智能车站大脑必不可少的技术。它负责汇聚各类业务数据,基于统计分析等各种方法,生成及时、精确、稳定的决策建议和作业命令,并通过建造数据湖,关联各种类型的数据,实现作业、人员、设备、环境的信息共享。因此在智能车站建造过程中,需要以大数据技术为基础汇聚各类数据,而如今车站设备数据大多是采用单独小系统存储,因此存在一些待解决的问题。在数据存储方面,现有设备数据一般可以分为两种,其结构化与半结构化的数据需要以不同方式存储。在数据采集方面,迁移过去数据的同时,又要完成即时增加数据的获取。在数据分析方面,期望可以对设备的维修购买信息分析,评估设备的性价比和稳定性。同时期望以机器学习算法挖掘设备状态的潜在信息,预测故障。为了解决以上问题,本文对大数据技术做了详细研究,并研究了现有的故障预测方法,提出了一种基于皮尔逊相关系数的BP神经网络故障预测模型。主要工作可概括为如下三方面:(1)本文构建了以Spark为核心的设备数据管理系统,实现了以Mysql数据库与hdfs文件管理系统为基础的存储系统,分别存储上述的设备两种类型数据,并搭建了Hbase数据库,可以依据需求存储处理后的半结构化数据。实现了以Nifi为基础的数据迁移,能转移过去的设备数据,以Hbase CDC与Mysql CDC为基础实现了数据的实时采集。(2)本文对空调设备的状态数据进行研究,基于Spark MLlib库,使用皮尔逊相关系数完成属性约简,用BP神经网络模型完成了故障预测,以预测结果为基础,可以辅助维修决策。(3)本文在实现数据存储、数据采集、数据分析的基础上,对部分操作实现了轻量级的web界面操作,降低了使用人员的学习成本,同时相比传统软件,降低了开发周期与开发成本。本系统经过测试,数据采集、数据存储、数据分析等模块基本达到预期效果,而且本系统的数据采集模块,还可以迁移除车站设备数据之外的数据,对智能车站的建设具有重要意义。