地铁智慧运维发展分析

魏利 王钰

摘   要：城市轨道交通作为高速、大容量公共交通工具，其安全性、可靠性直接关系到乘客的人身安全。关键设施设备是城市轨道交通运营的基础，其工作状态对列车运营安全至关重要。近年来，地铁行业开始把设备维护和信息化结合建设智慧运维作为发展方向，各地铁公司逐渐将智慧运维工作列为重中之重。本文重点针对地铁维护系统特点，对地铁信息系统的智慧运维系统需求进行研究，为全路相关系统研发提供思路和方法。

关键词：智慧运维  地铁  发展分析

中图分类号：U284                                  文献标识码：A                       文章编号：1674-098X（2020）04（c）-0168-02

1  引言

随着各地地铁线路不断铺开，维护的技术力量不断被摊薄，客流量逐渐攀升以及延长运营带来的维护时间的压缩等都给各地地铁通信信号设备的维护工作带来压力。我国地铁信息化建设经过几十年的发展，信息系统几乎深入到地铁所有专业领域，已成为地铁运输生产和管理工作的重要工具和核心战略资源。随着科技技术的迅猛发展，正日益深刻地改变着人类的生产方式和生活方式，并且日益成熟的科技技术开始应用于地铁运营维护，结合目前轨道交通建设现代化、智能化，需要利用现代先进手段，提升设施设备运行水平，提高运营维护、维修效率。通过实施智能运维平台建设，可有效解决信息孤立分散、缺乏基于系统安全态势分析的预警及隐患识别能力的问题。

2  地铁运维系统分析

地铁运行设备的维护管理一方面要具有及时性和预防性的特点，一方面又具有管理协调复杂、可靠性保障要求高的特点。这两类特点相互交织，互为矛盾。由于地铁运营具有连续性和大载荷的要求，因此地铁运营主要依靠成组供电设备和信号控制设备组成的大型系统来完成。这类系统中具有各类专业设备，这些设备的性能直接影响到地铁的运营，设备的性能会随着运营时间而降低，因此如何提升设施设备运行水平，提高运营维护、维修效率就成为需要解决的问题之一。

3  多元融合智能感知技术、大数据技术、机器学习技术和BIM技术在地铁运维中的应用

3.1 多元融合智能感知技术的应用

传统的地铁运营设备维护模式主要靠人工计划测量、维护，这种模式的维护效率低，劳动强度大、质量低，发现问题概率低，数据间断不连续、依靠人的主观能动，不确定性大。

针对这种情况可以采用多元融合智能感知技术，即选择感知技术适配不同种类设备、设备不同部件的工作特性，完成关键设备全状态感知。实现机器、设备自动在线感知，这种模式效率高，质量高，做到7*24小时不间断感知，智能机器感知，数据可靠。多元融合智能感知技术主要有：电气感知、视频感知、激光测距、环境感知、网络感知、还有无线场强、智能接口和红外感应的感知技术。

多元融合智能感知技术的应用为设备监测提供的信息基础，针对不同的数据特性研发相应的分析方法实现数据的全量智能分析：实时波形分析（连续数据流实时特征分析），曲线分析（事件型曲线特征分析），推理机（综合型多数据的特征分析）和故障树（系统性特征概率分析）。多元融合智能感知技术的应用，可以做到对设备的实时针对，提前发现设备隐患，提供维修建议，提高设备可靠性，并且故障时能快速定位故障原因，压缩故障延时，提高了地铁运营效率。

3.2 数据挖掘和数据分析技术在运维系统中的应用

多元融合智能感知技术产生了海量的信息，有的线路可能每天产生上万亿的数据元，这些运营维护数据元已呈现“海量数据复杂类型数据”的状态，已具有大数据的特征，但地铁信号系统运营维护记录和监控大数据存在多源异构和信息非结构性等突出问题，因此如果无法形成一种有效的信息共享机制，最终形成大量的信息孤岛，不能有效地实现知识的共享和互操作，造成信息浪费，这将影响地铁的智能运营维护决策和行车效率。

解决此问题的最好的方法是应用大数据技术。大数据（big data），IT行业术语，是指无法在一定时间范围内用常规软件工具进行捕捉、管理和处理的数据集合，是需要新处理模式才能具有更强的决策力、洞察发现力和流程优化能力的海量、高增长率和多样化的信息资产。通过大数据技术对运营维护数据元进行分析，发现长期性的、全生命周期的、规模性的、多维度的设备运行规律;为产品设计、采购决策、库存决策、人员培训、设备改造、维护决策、大中修决策提供建议。

传统的设备故障模型，是通过专家经验+设备工作原理转化为知识模型，每个知识模型都需要业务专家+知识工程师反复提炼完成。通过大数据技术建立的设备故障模型需要具备自学习功能，设备故障模型的自学习功能，是通过机器学习算法将历史故障案例自动提炼知识模型，从而使得设备故障诊断及预警分析更具备扩展性。如图1所示。

以转辙机为例，可以参考残差网络单元（ ResNet ）的网络结构，适当改进适用于道岔转辙机电氣特性曲线的识别。在卷积层中采用1×1，3×3和1×1的卷积核堆叠，可以有效减少训练参数的个数，同时利用残差网络能更好地识别出正常曲线和故障曲线的区别。运用跨层连接实现残差的传递，避免训练过度导致退化和过拟合问题。

另外，在每个卷积层后用BatchNormalization（BN）对输出结果进行规范化，它可以防止梯度弥散并且加快收敛速度。激活函数采用ELU，它能减少正常梯度与单位自然梯度之间的差距，加快收敛，并且在负的限制条件下能够更有鲁棒性。图像及视频识别一直是人工智能领域的难题，它不同于电气特性按设备设计原理传导具备一定的规则性。图形及视频更多体现出他的可变性，其随着光影、视角、远近等因素变化。基于大数据的机器深度学习算法擅长于图形及视频识别，在各领域已有成熟应用

3.3 BIM技术在运维系统的应用

使用BIM技术，与信息化系统结合，对运营设备进行全生命周期的管理，从采购到报废。通过建立的BIM系统打造一个闭环的设备监测+生产管理平台，提高了生产效率。

4  结语

地铁信号系统作为地铁的大脑中枢，为保证地铁的高效、安全运行起着不可估量的作用。需要保证地铁信号系统能够一直保持良好的运营状态，才能保证地铁的持续运行。随着信息技术的发展，地铁信号系统产生了海量的运营维护数据，只有对运营维护数据进行分析和挖掘才能实现对地铁信号系统运营状态的准确掌握。

参考文献

[1] 田明宇.地铁设备管理中信息化应用研究[J].信息产业，2010（6）：144.

[2] 刘巍.西安地铁设备管理浅谈[J].科技信息，2012（22）：474.

[3] 朱礼平，赵宝龙.地铁设备维修管理分析[J].城市建设理论研究，2013（13）：48-53.