基于大數據的CBTC車載信號智能維護系統研究

黃 璞

（杭州杭港地鐵有限公司，杭州 310016）

?

基于大數據的CBTC車載信號智能維護系統研究

黃 璞

（杭州杭港地鐵有限公司，杭州 310016）

基于大數據理念，通過構建神經網絡與專家系統相結合的維護診斷系統，將CBTC車載信號海量數據進行分析處理，從而提高運營維護質量、縮短故障維修響應時間。

CBTC；大數據；智能維護；神經網絡

在網絡大數據時代，每完成一個動作，云端都可獲得大量的有效數據，比如購物平臺可通過消費者購物的數據，分析消費者的購物愛好，進而預測出商家何時必須補充貨源，找出未來的消費趨勢。在計算機信息技術、傳感器技術、網絡技術高度發展的今天，機械設備在使用過程中也同樣可以產生大量的數據。如果能夠充分利用這些數據，以富有成本效益的方式加以分析，將會對設備的使用提供更佳的維護。

近期運營及新建的軌道交通線路，大多均采用基于通信的列車控制（CBTC）信號系統。CBTC系統由于設備集成度高、運營密度大，車載信號子系統（ATP、ATO）故障將對正常運營產生更大的影響。如何對車載信號設備進行高效的維護，已成為信號系統運營維護中的重點課題。

1　概述

1.1CBTC車載信號維護現狀

信號系統維護，基本分為預防性維護（Preventive maintenance）和糾錯性維護（Corrective maintenance）兩大類。針對CBTC車載信號系統，目前，由于維護工作的人力資源和技術手段的限制，大多數的預防性維護僅停留在機械硬件設備維護層面，無法對電氣設備的性能進行有效維護。而糾錯性維護，主要是“事后修”，當發生故障后，可借助設備廠商開發的診斷工具，人工根據故障數據、檢查情況等對故障部件整體進行維修、更換等。

1.2車載信號維護需求

采用CBTC運營的軌道交通，信號系統發生故障，將會造成列車延誤，或更嚴重影響運營的事件。為減小信號設備的故障，就必須做到“事前修”，提高預防性維護的質量。但現階段受制于維護周期間隔、人員等因素，無法對所有的設備做到“事前修”。以使用Ansaldo CBTC信號系統的杭州地鐵1號線為例，共96臺車載信號設備（CC）處于運營狀態，且CC僅存儲日志數據，日志數據均需通過人工根據已有經驗進行分析，但人工無法做到設備故障100%預先報警的要求。因此，運營維護需要一套數據存儲量大、可進行遠程診斷、遠程數據下載的設備，以預先、合理地進行設備維護，減少故障發生的可能性，優化運營維護人員的工作。

2　系統總體設計

2.1需求分析

為了滿足運營維護的需求，該系統需具備以下功能。

1） 設備預防維修自動提醒功能。通過對設備運行狀態的實時監測，根據設備性能指標、設備使用年限、動作次數、設備溫度等參數建立起的數據模型，智能預測出需維護設備的具體維護內容，自動提醒維護人員進行維護。

2） 故障預警功能。現有主流車載信號設備均是通過板卡指示燈顯示、司機顯示界面報警等方式來實現故障預警，存在維修人員故障響應滯后等問題。通過車-地無線網絡間的數據傳輸，維護人員可在操作終端及時發現故障，提高故障響應時間。

3） 故障智能分析功能。通過自動化手段，借助已有的專家數據庫，利用人工神經網絡、模糊算法等對已發生故障進行準確分析，定位故障原因，從而縮短故障處理時間，優化人力成本。

4） 遠程診斷功能。借助車-地通信網絡，通過遠程數據下載及故障智能分析功能，及時對線路運營故障列車進行故障排查。

5） 大數據存儲功能。大數據是維護系統準確預測、判斷故障的基礎，通過大數據存儲，可獲得大量有效的數據，以滿足維護系統智能工作的需求。

2.2系統拓撲架構

網絡、互聯設備以及采集、監視和分析得到的數據（通常被稱之為大數據）是維護流程的基礎。這些數據基礎設施以及數據驅動的智能信息，也就是物聯網（IoT）。而智能維護系統也需滿足物聯網的組成部件。基于需求分析，設計了1套針對車載信號設備的智能維護診斷系統。

系統主要由3部分組成：數據傳輸設備、列車數據采集存儲設備、數據終端設備。具體系統拓撲架構，如圖1所示。

1） 數據傳輸設備基于Ansaldo CBTC系統的DCS通信網絡設備，由于該CBTC系統已建立完善的車-地無線通信系統，并已覆蓋到所有運營線路及車輛段、停車庫，無需另外搭建車-地通信系統（可根據線路帶寬、業主需求，另外搭建1套車-地通信系統）。車-地無線通信系統由車載MR、無線AP、軌旁DCS設備（服務器、交換機等）組成，采用雙網并行冗余設計，提供車地之間雙向、可靠、安全的數據交換。無線接口采用國際先進的IEEE 802.11g技術，并遵循IEEE 802.11i無線網絡安全協議。

2） 車載數據采集存儲設備。Ansolda車載信號設備CC自帶數據采集、存儲功能，但受限于存儲容量僅保留日志數據。CC可采集到速度傳感器、加速度計、CC動作等數據，CC運算周期為250 ms，通信數據輪詢周期為50 ms。通過更換大容量存儲硬件，可實現24 h每50 ms實時數據的在線存儲。

3） 數據終端設備。數據終端設備主要由數據存儲服務器、數據處理服務器、人機交互界面操作終端工作站組成，為保證數據接收的可靠性，所有設備均采用A、B雙網冗余設計。數據存儲服務器主要存儲從所有列車接收到的數據。數據處理服務器主要完成數據的處理功能。操作終端工作站主要為人機交互界面、分析報告顯示等，供維護人員使用。

2.3系統功能模塊

該智能維護診斷系統主要由地面、車載兩部分設備構成，地面設備主要功能：維修預警功能、數據智能分析、遠程數據下載和遠程故障診斷；車載設備主要功能：數據采集、數據在線存儲功能。具體功能結構如圖2所示。

數據預警功能、數據智能分析，主要是根據數據模型，借助已有的專家數據庫，利用人工神經網絡、模糊算法等對設備進行預測維修、對已發生故障進行準確分析。

遠程數據下載包含自動和手動下載功能，自動下載是列車在回庫途經轉換軌位置時，將當天運行數據自動下載存儲到數據存儲服務器；手動下載是維修人員根據需求，可隨時通過數據終端工作站進行遠程列車數據下載。

遠程故障診斷，是維修人員可通過操作終端對在線運行的所選擇列車進行遠程實時監測，對相應故障進行診斷。

車載數據采集、數據在線存儲，是在既有設備上進行硬件升級后實現。所有列車最終均通過網絡將數據發送到數據存儲服務器中進行存儲，從而為大數據奠定基礎。

3　數據分析處理

根據智能化的診斷系統所需具備的特點，該系統采用人工神經網絡與專家系統相結合的數據分析處理方式。人工神經網絡作為一種自適應的模式識別技術，并不需要預先給出關于模式的現場檢驗知識和判別函數，而是通過自身的學習機制自動形成所要求的決策區域。而采用人工神經網絡與專家系統結合的方式，可充分發揮各自的優勢，使二者互相協調工作；同時由于神經網絡具有自學的能力，在診斷過程中神經網絡不斷歸納出新的診斷規則，充分混合專家系統知識庫的內容。

3.1神經網絡模型建立

考慮到神經網絡的診斷速度等各類原因，將采用多個BP神經網絡分組診斷、推理，不同的BP神經網絡塊對應測試不同的部分，神經網絡的輸出對應不同的事件特征值。

另外，經研究表明，設備使用期間，設備故障率呈明顯的階段性，規律如圖3所示。根據浴盆曲線對工作在不同時間段的設備設定相應的性能閥值，作為設備性能的參考標準。

每一組神經網絡均由3個神經元層次組成，即輸入層、隱含層和輸出層。各層次的神經元之間形成相互連接，同一層次的神經元之間沒有連接。以通信系統各部分的狀態特征矢量作為輸入模式，構建神經網絡模型。結構如圖4所示。

考慮到車載信號設備故障類型較多，一般采用多個BP神經網絡分塊診斷。每個BP網絡相當于一個大規則，其輸入與規則的前提相對應，輸出與規則的結論相對應，通過網絡分塊，解決規模較大的診斷問題。

3.2故障專家系統建立

專家系統是一種智能的計算機程序，它借助人類的知識，采取一定的搜索策略并通過推理的手段去解決某問題。專家系統的構建，需具備專家知識庫、推理算法、解釋機構。專家知識庫中存儲從車載信號專家獲取的設備相關知識，經過算法推理，最終得出故障原因。以“ATO列車停靠站臺無門使能”為例，故障原因獲取需構建的流程模型如圖5所示。

專家知識系統具有豐富的設備知識庫，神經網絡具有聯想記憶和自學習能力。將神經網絡和專家知識系統相結合進行維護診斷，可以通過神經網絡的不斷自我學習來完善知識庫的內容，從而提高維護系統的診斷準確性。

4　結語

車載信號設備的維護是一個廣泛的研究課題，在此提出的解決方案是一個基于大數據理念，設計的智能維護系統。借助于該系統，運營公司將可提高運營維護質量、縮短故障維修響應時間，并在節省運營維護人力成本方面起到很好的作用。

［1］黃贊能，孫金峰.BP神經網絡和專家系統相結合的電子設備故障診斷系統［J］.艦船電子工程， 2008，28（12）:152-155.

［2］陳德旺.城軌列車智能駕駛的優化模型及算法［M］.北京：北京交通大學出版社， 2014.

［3］ IEEE 1474.1—2004 以通信為基礎的列車控制（CBTC）性能和功能要求［S］.

Based on the concept of big data， mass data of CBTC onboard signals can be analyzed and processed through building a maintenance diagnostic system that integrates the neural network and experts system， to improve the quality of operation maintenance and shorten the response time of fault repairs.

CBTC； big data； intelligent maintenance； neural network

10.3969/j.issn.1673-4440.2016.02.017

2015-06-12）