動車組應急指揮管理平臺的技術特征

張海峰 夏立軍 楊曉磊 邵俊捷 林柏池 李 瀟

(1.中車長春軌道客車股份有限公司科技管理部,130062,長春；2.中車長春軌道客車股份有限公司國家軌道客車工程研究中心，130062，長春//第一作者,高級工程師)

高速鐵路應急指揮是保證高速鐵路行車安全、正點運行以及提高列車服務的關鍵，因此，建立高效、智能的列車應急指揮平臺成為保障高速列車運營秩序的重要研究課題。

列車應急指揮管理平臺可將采集到的高速動車組數據進行處理、分析和展示，通過數據驅動和模型驅動等方式全面感知動車組狀態，從而診斷和預測動車組故障，以及實現動車組遠程實時監控、故障信息填報、現場圖像和視頻采集等功能。該平臺有利于應急指揮人員及時掌握現場信息，并依托智能知識庫提供故障快速診斷和處置預案[1]；平臺通過提供應急指揮協同支持工具，使多方專家參與應急指揮過程，這樣可以有效提升故障處置效率和技術資源復用率；平臺還可將應急指揮經驗保存為結構化數據，以豐富專家知識庫。

1 研究背景

1.1 國外現狀

有著運量大、速度快、安全、正點率高的日本高鐵，借助COSMOS(新干線綜合運輸管理系統)能夠實時監測車輛運行狀態及故障報警等信息，從而實現司機屏幕信息同步顯示、運行故障信息實時回傳并直接進行指揮等功能[2]。德國、法國、瑞典、韓國等國家的高速鐵路為保證高速列車的穩定運營，都高度重視車載信息以及專家支持系統在列車運行故障應急處置方面的應用，但由于國外動車組車型體系相對單一，列車運營密度、運行速度及環境復雜度相對較低，故運行故障應急處置工作要求相對簡單[3-4]。

1.2 國內現狀

我國高速鐵路運營速度高、里程長、車型多，一貫比較重視高速鐵路調度管理工作。通過出臺的相關文件，從管理制度上對高速鐵路調度的組織機構、工作職責及流程規范等做出了明確要求[5]。

通過對動車組調度長期的探索與應用，我國在動車組運行故障處置方面積累了大量經驗。但由于我國鐵路運營情況較國外更為復雜，車輛調度信息獲取自動化程度低、來源零散、集成度差；加之我國地域遼闊、車型較多，對各車型的故障模式及故障機理的分析還在積累和完善中，因此，影響鐵路運輸秩序的列車運行故障還時有發生。中國鐵路總公司頒發了《應急故障處置手冊》等文件，但該文件主要是針對具體單一問題，目前尚未建立統一、標準的列車運行故障分類體系以及相應的處理措施和處置流程。

綜上所述，建立車輛應急指揮信息系統，規范列車運行故障分類體系及處理措施和處置流程，是車輛調度管理工作的迫切要求。

2 動車組應急指揮管理平臺的技術特征

2.1 動車組應急指揮管理系統的功能

2.1.1 數據流設計

動車組應急指揮管理平臺的構建以應急發起、應急處置、應急結束的時間點為主線，覆蓋應急指揮的全流程數據驅動架構[6]。

應急發起支持3種模式，列車工作人員可以通過撥打應急電話、通過移動端應用一鍵觸發接入應急指揮系統或者通過車載傳輸網絡與地面應急指揮系統打通數據，將模型預警結果推送到動車組應急指揮管理平臺。通過以上3種方式快速、準確地創建應急故障任務單。

在應急處置過程中，平臺可自動獲取車組狀態、車組運營及列車工作人員等信息，并通過車輛構型實現上述數據信息的關聯和融合，以快速提報應急故障單；平臺可和電子交互手冊平臺的數據對接實現故障隔離，通過推理模型庫的推理模型實現應急預案的智能推導，同時支持以視頻會議、語音會議的方式實現調度指揮過程中的協同指揮。

應急處置結束后，需對本次應急處置過程進行應急評價，評價內容包括應急流程評價、處理人員評價和應急預案評價。將評價結果結構化以優化推理機模型，從而實現數據的閉環和應用。

2.1.2 功能設計

1) 遠程監控：監測動車組的位置、狀態、實時參數、遠程故障等信息，監控人員在任何時間、任何地點可實時掌握列車運行狀態。

2) 故障診斷：包括故障精準定位和故障原因排查兩大功能[8]。根據動車組遠程故障數據形成的故障列表進行故障診斷，其目的是根據車載數據報出的故障代碼，排查可能的故障原因，并且精確定位真實的故障原因。故障邏輯樹輸出的是某一個具體的故障原因，用途是故障的精準定位，屬于故障診斷的前置程序，相當于虛警過濾。故障精準定位包括故障邏輯自動定位和專家庫自動匹配兩種方法，在后臺運行，其結果在告警詳情頁面顯示。故障精準定位結果是定位后的故障原因，故障原因排查是基于故障精準定位的結果進行交互式故障排查。

3) 協同指揮：利用語音融合技術，建立文本、語音、視頻會議交流通道，組織多方專家、專業技術人員參與應急指揮。協同指揮代替原來單一的電話、赴現場支持的問題解決模式，整合了優勢技術資源 。

4) 預案推薦：根據高速列車運行狀態、列車履歷、現場情況等要素，利用推理機模型，根據故障描述在方案庫中進行匹配，匹配結果由平臺自動推送應急預案。

2.2 應用架構

中車長春軌道客車股份有限公司研發的動車組應急指揮管理平臺由數據源、數據總線、支撐工具、應用服務、應用集成、終端訪問等6部分組成。其中，數據源包括構型數據庫、技術資料數據庫、全壽命周期履歷庫及時間序列數據庫，主要用于數據的接入。動車組應急指揮平臺數據源如表1所示。

數據總線是針對數據源的數據進行采集、清洗、流式計算等操作。對于從外部系統接入的車載、履歷、檢修、檢測等數據必須經過數據處理，對無效和異常的數據進行清洗和過濾，同時根據系統和部件的實時參數，結合履歷和檢測數據進行特征提取，建立系統和部件的性能模型，輸出系統和部件的性能參數，實現數據的規范化和關聯化，為工具層提供總線服務。

支撐工具層提供構型管理、流式計算、表單配置及模型配置工具等。

應用服務包括應急工作臺、運營管理、綜合信息、知識管理等，用來實現數據的利用和業務扭轉。

應用集成包括數據和工具兩部分，業務數據通過接口將數據接入數據總線，工具通過軟件集成的方式嵌入到平臺中，通過業務節點進行調用。

終端訪問主要由隨車機械師、遠程指揮中心和業務專家等通過電話、移動APP(應用程序)終端和電腦完成。

2.3 關鍵技術

2.3.1 專家庫自動匹配

動車組應急指揮管理平臺記錄與存儲故障歷史案例，包括故障原因、故障現象、故障模式等必要字段。平臺通過文本大數據方法學習故障文本之間的語義關聯，以獲取字面不同但文本含義有邏輯關聯的詞組。

當發生新故障時，向系統錄入故障現象，系統通過自然語言處理方法以及上述的文本語義關聯匹配最相關的歷史故障案例，并將歷史故障案例按照相關度進行智能排序。

2.3.2 交互式排除故障

動車組應急指揮管理系統根據當前已知的故障現象與已排除的故障原因，通過貝葉斯理論計算剩余可能的故障原因的條件概率；通過基于信息熵的算法給出下一步檢查項目，使期望的測試費用或者檢測次數最小化；檢查下一步項目并返回系統，系統給出故障原因或推薦下一個檢查項目。

動車組應急指揮管理系統以信息熵作為下一步測試選擇的依據。

在當前已測試所有結果的條件下，令X為當前故障分布，選取下一步測試為Ti，使得每比特的費用ci/H(Ti) 最小。其中，ci為相應的測試費用；H(X)為信息熵。

(1)

式中：

pi——事件X發生的概率。

通過X可以完全確定Ti。從信息熵的性質可以得出：

H(X)-H(X|Ti)=H(Ti)

(2)

式(2)左邊為測試ti導致的信息熵的減少量。動車組應急指揮管理系統所采用的每比特費用最小化的方案在平均情況下可以使得整體費用最小化。當各個測試項目的費用均相等時，系統得到的方案即測試步驟最小化的方案。

2.4 新技術應用

2.4.1 基于神經網絡的特征參數提取

基于神經網絡的特征參數提取主要運用以下兩種簡單的網絡框架實現。

1) 前饋神經網絡。前饋神經網絡結構如圖1所示。圖1中，網絡結構層數及每層的神經元數、最大迭代次數以及學習函數的學習速率等參數均可調。網絡結構特征參數的提取默認使用反向傳播算法。

圖1 前饋神經網絡結構圖

2.4.2 混合型數據庫的應用

針對動車組海量數據,列車應急指揮管理平臺具有產生頻率快、嚴重依賴采集時間和測點多、信息量大等特點；而關系型數據庫由于天生劣勢存在無法進行數據的高效存儲和查詢的問題，故提出使用時間序列數據庫的存儲方式，使動車組時序大數據可以被高效存儲和快速處理。傳統磁盤數據庫受數據操作方式和系統調用時間的影響，存取海量數據時存在響應時間過長等問題；而列車應急指揮管理平臺針對內存數據庫在數據緩存、快速算法及并行操作等方面具有顯著優勢的特點，提出使用內存數據庫作為動車組海量數據的存儲介質。此外，該平臺借助構型參數配置管理技術能夠對動車組數據進行科學劃分，從而提高動車組實時數據與歷史數據的維護效率[9]。

2.5 數字孿生技術在動車組應急指揮管理中的應用

為了全面感知動車組狀態以及分析和預測動車組問題，一種簡便有效的方法就是在虛擬的空間中建立一個與動車組實體完全一致的“孿生”虛擬可視化動車組模型，即工業數字孿生技術。

數字孿生，顧名思義，就是指對于物理世界的一個實體對象，通過數字建模技術去構建一個與物理世界中一模一樣的虛擬可視化模型，從而實現對物理對象的監測、分析和優化。在高速動車組運營中，數字孿生技術可以發揮自動感知信號、快速智能計算、加快數據傳遞的優勢，通過提取設備、環境、信息等基礎要素，建立一個與物理實體高度一致、不斷交互、高效精準、協同運作的虛擬可視化高速動車組模型，對高速動車組進行實時準確的狀態感知和故障診斷、預測，實現對高速動車組故障的預警，保證高速動車組安全平穩運行，并為高速動車組運營決策提供技術支持，從而最終在高速動車組運維中，實現智能感知、多維度呈現、模擬仿真、故障預警、指導運維及反補設計的目標。因此數字孿生技術在動車組應急指揮管理中具有深遠的意義[10]。復興號列車數字孿生圖如圖2所示。

圖2 復興號列車數字孿生圖

動車組孿生應急指揮管理平臺通過接入車載監測狀態、歷史、故障等數據，以及故障處理情況、故障代碼表及故障處置建議方案，結合系統算法模型，可實現高速動車組故障孿生分析、故障孿生預警以及故障孿生專家庫支持下的動車組應急指揮管理功能。

2.5.1 故障孿生分析

故障孿生分析分為故障統計分析和故障原因診斷等，它是通過獲取列車故障的時間、故障代碼、故障描述等故障詳細信息，結合列車故障運行數據、檢修過程記錄等，對列車故障數據進行孿生分析。其中，故障統計分析通過對動車組歷史故障等信息的分析，以數字孿生模型的形式呈現列車各系統部件的故障統計分布，并用不同顏色等形式對各部件故障情況進行統計分析展示；故障原因診斷通過調取故障專家庫的信息，對列車故障信息進行診斷分析，并孿生診斷故障的可能原因，給出相應故障原因的處置建議，以指導故障處置。

2.5.2 故障孿生預警

故障孿生預警通過接入外部狀態、檢測、履歷等數據，采用多學科交叉的思路，結合半監督學習、集成學習、信息幾何及高階時頻分析等混合智能算法，全面實現典型動車組關鍵設備的特征提取及約減、半監督故障診斷以及并發故障診斷及預測。

選取有針對性的系統部件進行數字孿生故障預警算法研究，并對轉向架、牽引系統、空調系統、車門系統等安全等級要求高或故障發生頻率高的系統部件進行重點研究，從而實現京張高速動車組重點系統部件的數字孿生預警。

2.5.3 故障孿生專家庫

故障孿生專家庫模塊通過故障數據的全方位收集整理、大數據分析與故障診斷建模，以及通過多種孿生分析及故障孿生預警模塊的關聯，結合故障代碼庫及日常故障處理情況，不斷優化故障孿生專家庫。故障孿生專家庫支持根據車載數據報出的故障代碼，提供可能的故障原因，為故障的精確定位及故障處置提供決策建議；支持列車故障處置應急孿生仿真、現場作業培訓等系統功能，通過不斷自學習完善，形成不斷優化迭代的專家庫系統。

3 結語

本文在分析國內外動車組運維系統發展現狀的基礎上,以中車長春軌道客車股份有限公司研發的動車組應急指揮管理平臺研究對象,在深入分析該系統平臺的系統功能和架構的前提下,對其中涉及的數據處理分析技術進行了詳細介紹,為動車組運維技術提供了新思路和新方法;同時分析了新興的數字孿生技術在動車組應急指揮管理方面的應用價值;后續將對動車組智能運維相關技術進行更廣泛深入的研究。