地鐵智慧運維發展分析

魏利 王鈺

摘 ? 要：城市軌道交通作為高速、大容量公共交通工具，其安全性、可靠性直接關系到乘客的人身安全。關鍵設施設備是城市軌道交通運營的基礎，其工作狀態對列車運營安全至關重要。近年來，地鐵行業開始把設備維護和信息化結合建設智慧運維作為發展方向，各地鐵公司逐漸將智慧運維工作列為重中之重。本文重點針對地鐵維護系統特點，對地鐵信息系統的智慧運維系統需求進行研究，為全路相關系統研發提供思路和方法。

關鍵詞：智慧運維 ?地鐵 ?發展分析

中圖分類號：U284 ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?文獻標識碼：A ? ? ? ? ? ? ? ? ? ? ? 文章編號：1674-098X（2020）04（c）-0168-02

1 ?引言

隨著各地地鐵線路不斷鋪開，維護的技術力量不斷被攤薄，客流量逐漸攀升以及延長運營帶來的維護時間的壓縮等都給各地地鐵通信信號設備的維護工作帶來壓力。我國地鐵信息化建設經過幾十年的發展，信息系統幾乎深入到地鐵所有專業領域，已成為地鐵運輸生產和管理工作的重要工具和核心戰略資源。隨著科技技術的迅猛發展，正日益深刻地改變著人類的生產方式和生活方式，并且日益成熟的科技技術開始應用于地鐵運營維護，結合目前軌道交通建設現代化、智能化，需要利用現代先進手段，提升設施設備運行水平，提高運營維護、維修效率。通過實施智能運維平臺建設，可有效解決信息孤立分散、缺乏基于系統安全態勢分析的預警及隱患識別能力的問題。

2 ?地鐵運維系統分析

地鐵運行設備的維護管理一方面要具有及時性和預防性的特點，一方面又具有管理協調復雜、可靠性保障要求高的特點。這兩類特點相互交織，互為矛盾。由于地鐵運營具有連續性和大載荷的要求，因此地鐵運營主要依靠成組供電設備和信號控制設備組成的大型系統來完成。這類系統中具有各類專業設備，這些設備的性能直接影響到地鐵的運營，設備的性能會隨著運營時間而降低，因此如何提升設施設備運行水平，提高運營維護、維修效率就成為需要解決的問題之一。

3 ?多元融合智能感知技術、大數據技術、機器學習技術和BIM技術在地鐵運維中的應用

3.1 多元融合智能感知技術的應用

傳統的地鐵運營設備維護模式主要靠人工計劃測量、維護，這種模式的維護效率低，勞動強度大、質量低，發現問題概率低，數據間斷不連續、依靠人的主觀能動，不確定性大。

針對這種情況可以采用多元融合智能感知技術，即選擇感知技術適配不同種類設備、設備不同部件的工作特性，完成關鍵設備全狀態感知。實現機器、設備自動在線感知，這種模式效率高，質量高，做到7*24小時不間斷感知，智能機器感知，數據可靠。多元融合智能感知技術主要有：電氣感知、視頻感知、激光測距、環境感知、網絡感知、還有無線場強、智能接口和紅外感應的感知技術。

多元融合智能感知技術的應用為設備監測提供的信息基礎，針對不同的數據特性研發相應的分析方法實現數據的全量智能分析：實時波形分析（連續數據流實時特征分析），曲線分析（事件型曲線特征分析），推理機（綜合型多數據的特征分析）和故障樹（系統性特征概率分析）。多元融合智能感知技術的應用，可以做到對設備的實時針對，提前發現設備隱患，提供維修建議，提高設備可靠性，并且故障時能快速定位故障原因，壓縮故障延時，提高了地鐵運營效率。

3.2 數據挖掘和數據分析技術在運維系統中的應用

多元融合智能感知技術產生了海量的信息，有的線路可能每天產生上萬億的數據元，這些運營維護數據元已呈現“海量數據復雜類型數據”的狀態，已具有大數據的特征，但地鐵信號系統運營維護記錄和監控大數據存在多源異構和信息非結構性等突出問題，因此如果無法形成一種有效的信息共享機制，最終形成大量的信息孤島，不能有效地實現知識的共享和互操作，造成信息浪費，這將影響地鐵的智能運營維護決策和行車效率。

解決此問題的最好的方法是應用大數據技術。大數據（big data），IT行業術語，是指無法在一定時間范圍內用常規軟件工具進行捕捉、管理和處理的數據集合，是需要新處理模式才能具有更強的決策力、洞察發現力和流程優化能力的海量、高增長率和多樣化的信息資產。通過大數據技術對運營維護數據元進行分析，發現長期性的、全生命周期的、規模性的、多維度的設備運行規律;為產品設計、采購決策、庫存決策、人員培訓、設備改造、維護決策、大中修決策提供建議。

傳統的設備故障模型，是通過專家經驗+設備工作原理轉化為知識模型，每個知識模型都需要業務專家+知識工程師反復提煉完成。通過大數據技術建立的設備故障模型需要具備自學習功能，設備故障模型的自學習功能，是通過機器學習算法將歷史故障案例自動提煉知識模型，從而使得設備故障診斷及預警分析更具備擴展性。如圖1所示。

以轉轍機為例，可以參考殘差網絡單元（ ResNet ）的網絡結構，適當改進適用于道岔轉轍機電氣特性曲線的識別。在卷積層中采用1×1，3×3和1×1的卷積核堆疊，可以有效減少訓練參數的個數，同時利用殘差網絡能更好地識別出正常曲線和故障曲線的區別。運用跨層連接實現殘差的傳遞，避免訓練過度導致退化和過擬合問題。

另外，在每個卷積層后用BatchNormalization（BN）對輸出結果進行規范化，它可以防止梯度彌散并且加快收斂速度。激活函數采用ELU，它能減少正常梯度與單位自然梯度之間的差距，加快收斂，并且在負的限制條件下能夠更有魯棒性。圖像及視頻識別一直是人工智能領域的難題，它不同于電氣特性按設備設計原理傳導具備一定的規則性。圖形及視頻更多體現出他的可變性，其隨著光影、視角、遠近等因素變化。基于大數據的機器深度學習算法擅長于圖形及視頻識別，在各領域已有成熟應用

3.3 BIM技術在運維系統的應用

使用BIM技術，與信息化系統結合，對運營設備進行全生命周期的管理，從采購到報廢。通過建立的BIM系統打造一個閉環的設備監測+生產管理平臺，提高了生產效率。

4 ?結語

地鐵信號系統作為地鐵的大腦中樞，為保證地鐵的高效、安全運行起著不可估量的作用。需要保證地鐵信號系統能夠一直保持良好的運營狀態，才能保證地鐵的持續運行。隨著信息技術的發展，地鐵信號系統產生了海量的運營維護數據，只有對運營維護數據進行分析和挖掘才能實現對地鐵信號系統運營狀態的準確掌握。

參考文獻

[1] 田明宇.地鐵設備管理中信息化應用研究[J].信息產業，2010（6）：144.

[2] 劉巍.西安地鐵設備管理淺談[J].科技信息，2012（22）：474.

[3] 朱禮平，趙寶龍.地鐵設備維修管理分析[J].城市建設理論研究，2013（13）：48-53.