基于监测网的城际动车组智能运维系统设计研究

延九磊，宋 娜，杨旭林，魏 奇

0 引言

近年来，我国城际铁路建设发展越来越快，在大数据、云计算、物联网、移动网络、人工智能等新技术不断发展的背景下，智能运维技术成为新造城际列车的技术标配，已经进入深度开发和普及应用阶段。同时，在既有城际列车上也存在着加装智能运维系统的迫切需求。

目前城际动车组车载智能运维系统已普遍具备车载实时数据采集、实时故障诊断并报警、车地无线传输等功能，并在诸多项目中实现了批量装车[1]。但是，大部分智能运维应用仍以监测为主，各监测设备相互独立，缺少信息交互，报警联动困难。设备故障诊断仅以单系统实时监测数据进行故障判定，缺乏多系统数据融合诊断及对历史数据分析挖掘及诊断的能力[2]，因此无法做到对设备的健康状态进行量化评估，无法为现场运维工作提供针对性指导。

为此，从城际动车组的特点及实际需求出发，开展车辆智能运维体系建设，分别从系统需求分析、系统架构、功能设计、关键技术等方面进行阐述。

1 城际动车组智能运维需求

智能运维系统是综合利用高精度传感器、信息化技术、人工智能以及健康管理等技术，将车辆、地面、用户终端通过智能设备与智能网络高效连接，形成列车牵引、制动、网络、走行部、受电弓等关键部件的智能化监测以及健康管理。通过地面大数据中心对以车辆为中心的数据进行智能分析和建模，实现车辆的状态监视和故障预警，为维修决策提供依据，实现列车运维智能化提升。

（1）系统架构层面需求。城际动车组智能运维系统从系统架构层面需满足以下要求。

①动态适配不同线路应用需求。城际动车组车辆设计无统一标准，车型种类多，生产批量小，每条线路智能运维应用都需要根据线路特点及当地管理模式进行差异化设计。不仅新增列车需配备智能运维系统，既有列车也面临着加装智能运维的需求，智能运维应用的设计需兼容既有列车网络体系架构，又需要根据用户的不同需求动态扩展，因此在智能运维系统设计、开发、维保等方面面临着一定困难。

②满足大数据量传输需求。以往城际动车组列车网络大多采用绞线式列车总线(WTB)和多功能车辆总线(MVB)总线进行通信，且车辆控制信息和监测数据共用一条网络。随着用户对列车网络控制系统性能要求的提高，越来越多的数据和信息量需要在列车车载通信网络中传输，列车网络逐渐被实时以太网所取代，语音播报信息、旅客信息、列车控制信息、视频监控信息、智能运维等对列车网络通信带宽提出了更高的要求[3]。以太网不仅具备大数据量传输的优势，而且满足列车关键系统的控制功能对实时性的要求，为列车控制信息和智能运维数据各自单独组网传输创造了条件。

（2）功能应用层面需求。城际动车组智能运维系统从功能应用层面需满足以下要求。

①具备车载关键子系统全生命周期数据采集和处理功能。建立车组健康履历档案，在列车运行过程中，通过高精度传感器及高清摄像头尽可能全面地采集列车关键部件、功能单元的全生命周期参数和状态监测数据，如牵引、制动、走行部、车门、空调、防火、视频等[4]。

②具备关键部件故障预警功能。实现列车关键部件、功能单元的状态监测和故障预警功能，能够实现部分关键部件的性能趋势预测、剩余寿命预测功能，提升故障诊断的能力和范围。

③具备视频智能识别功能。基于监测数据及视频图像，通过智能化识别算法，自动识别设备故障及异常，并进行报警提示，可应用于司机异常行为及受电弓异常状态识别。

④具备关键部件的健康状态评估功能。除了常规故障、异常征兆的判定诊断外，智能运维系统还需要能够根据多系统监测数据和算法模型，对部件的健康状态和等级进行综合评估，对部件在一段时间内的状态进行预测，并对其性能演化趋势进行研判，对现场运维工作进行有针对性的指导。

综上所述，基于城际动车组智能运维现状及实际需求，既能满足线路的差异化需求，又能实现对现场运维提供智能化检测手段，将车载监测数据与列车控制信息分离，基于列车监测网构建适用于城际动车组的智能运维系统势在必行。

2 智能运维系统总体设计

城际动车组智能运维系统由车载智能监测系统和地面智能运维系统组成。车载智能监测系统实现列车状态监测与智能识别。地面智能运维系统基于历史多交路数据对设备状态进行趋势分析，从而实现对关键设备健康状态的综合评估。

2.1 系统架构

城际动车组智能运维系统解决方案通过列车以太网通信技术将车辆各个系统联接起来，在充分利用车辆传感器的基础上，形成车辆级、列车级、地面级三级架构的健康评估体系。为了满足不同线路的智能应用需求，车载智能监测系统采用平台化建设，通过将各系统功能模块中的公共部分抽象出来，规划统一的软件和硬件接口规范，采用平台加子系统的设计理念，以监测平台建设为重点，根据需求搭配相应功能模块。利用车辆网、列车网、车地通信网建立多角度、全方位的综合性网络监测体系。并通过与之配套的地面智能运维平台，实现车辆智能运维设备工作全过程数据的下载、存储与管理等。城际动车组智能运维系统架构及数据传输流程如图1所示。

图1 城际动车组智能运维系统架构及数据传输流程Fig.1 Architecture and data transmission process of intelligent operation and maintenance system

2.2 车载网络拓扑

车载智能监测系统接入列车监测网，与列车控制网之间相互独立、协同运行，监测网故障不影响控制网正常工作，共享控制网公共数据。列车正常运行时，智能运维系统向监测网输出特征数据和诊断结果，当发生预警报警时，向控制网输出诊断结果。网络结构更清晰，可靠性更高，更易于维护。

车载智能监测系统由车辆级主机、列车级主机、列车监测屏组成。每辆车配备一台车辆级主机，实现对本车关键子系统的状态监测与故障诊断。在首尾车司机室各配备一台列车级主机和列车监测屏。列车级主机采集全列关键子系统监测数据，并对全列数据进行对比分析、综合诊断，同时完成与控制网信息交互。车载智能监测系统网络拓扑如图2所示。

图2 车载智能监测系统网络拓扑Fig.2 Network topology of in-vehicle intelligent operation and maintenance system

3 智能运维系统功能设计

3.1 车载智能监测系统

3.1.1 车辆级主机

单节车辆设置一台车辆级主机，接入列车监测网。车辆级主机由本车监测平台集成各子系统监测单元组成，监测平台为各监测单元统一供电、统一传输、集中存储，实现本车的关键子系统状态监测，以及本车信息融合和关联诊断。重点完成以下监测功能。

（1）制动监测。重点监测并诊断空气制动施加、缓解作用不良、停放制动异常施加、滑行异常等故障，监测压力传感器零漂、制动缸压力泄漏，评估空压机及摩擦副剩余寿命。

（2）牵引监测。重点监测变流器、主接触器和预充电接触器的工作状态，监测电压传感器、电流传感器、温度传感器、变流器冷却单元、牵引电机、接触器等故障。

（3）走行部监测。重点监测转向架失稳、车体平稳性，诊断抖车、晃车报警，诊断轴承、电机、车轮多边形、踏面损伤故障。

（4）防火监测。对司机室、客室和电气柜烟雾浓度及温度进行监测，及时发现早期火灾并报警。

（5）车门监测。重点监测门控器状态、车门开关及隔离状态和故障。

（6）空调监测。重点监测空调机组、新风机、通风机、冷凝风机、空压机的工作状态和故障。

（7）视频监测。采集路况、司机室、左右后视、客室、车顶受电弓视频图像，在线识别司机不规范操作、受电弓异常状态并报警。

（8）辅助供电监测。重点监测辅助变流器、充电机、蓄电池工作状态和故障，评估蓄电池剩余寿命。

3.1.2 列车级主机

首尾车司机室设置列车级主机，实现全列关键子系统监测数据融合与关联诊断，同时完成与控制网信息交互，接收控制网下发的公共信息，向控制网上传重要报警信息。列车级主机具备4G/5G、Wi-Fi 等车地无线传输装置，完成与地面智能运维平台数据交互，重要报警信息通过4G/5G网络实时传输至地面平台，列车回库后通过Wi-Fi 网络实现整个交路监测数据及视频图像数据的下载。

本次计算中取泊松比为υ=0.35，Ib=0.7，rm=12.5。室内试验测得的主固结完成后的剪切模量为G=0.664 MPa。

3.1.3 列车监测屏

首尾车司机室设置列车监测屏，与列车控制系统监控屏相互独立。司机需关注的重要报警及控制信息在监控屏显示。监测屏主要显示监测网的全列监测数据、故障报警和视频图像。监测屏充分考虑司乘人员使用需求，采用智能化、便捷化的设计，具备司机行为异常报警提示、报警视频联动等功能。

3.2 地面智能运维平台

地面智能运维平台完成对车载健康监测数据的接收、存储及分析，通过可视化管理平台实现对车载关键设备状态的智能化评估及车辆运维管理[5]。

3.2.1 智能化评估

地面智能运维平台基于历史车载健康监测数据，从系统工作机理出发，充分考虑车辆的实际运行环境以及监测系统的特点，构建预测模型，对设备故障及设备寿命进行预测[6]。从线路级、列车级、车辆级3 个维度实时监测列车关键子系统的状态评估[7]。

（1）故障预测。通过监测数据提取特征变量，经过统计分析、综合判断分析设备性能，根据设备性能下降的趋势建立预测模型，从而实现对设备故障的预测。

（2）寿命预测。通过监测设备的动作次数、工作时长、运用环境等状态变量，依据设备工作原理及试验寿命，预测其剩余寿命。

3.2.2 车辆运维管理

地面智能运维平台提供可视化分析工具，辅助运维人员及时了解车辆关键设备运用状态及运维管理[8]，主要功能包括状态监测、数据分析、故障报警、状态评估[9]。

（1）状态监测。实时监测在途列车关键部件的运行状态，包括列车运行方位、设备状态信息、关键监测参数等。支持按列车、车辆、子系统、部件进行分层、分类展示参数的变化动态。

（2）数据分析。通过监测参数(如速度、电压、电流等)历史数据变化趋势来分析设备的运行状态，以曲线图、柱状图、饼图等形式进行展示。

（3）故障报警。针对车载智能运维系统的诊断结果进行故障及报警提示，并支持按故障发生部件、位置、故障等级等进行故障报警信息的分类分级展示和查询，为故障及报警分类统计、分析提供数据支撑。

（4）健康评估。分别从子系统、部件等维度进行健康等级评估[10]，以列表、雷达图、折线图等方式显示。对影响健康等级的故障预警及寿命预警信息以图表形式显示；以折线图方式显示子系统、部件健康评估值的变化情况。

4 关键技术

4.1 故障预测与健康评估技术

故障预测与健康评估是以长期累积数据为驱动，对关键设备的状态进行综合评估，分析故障演变规律，形成部件级、系统级诊断评估模型，根据特征变量和预测模型计算结果，对性能状态、故障状态及预期寿命进行预测[11]，根据预测结果对健康状态进行分级评估。

4.1.1 部件级劣化趋势模型

将部件劣化区间划分为正常、关注、异常、失效、故障5 个部分。通过对部件的失效模式进行分析，从监测数据中提取健康度观察矢量，采用机器学习及概率统计的方法对观察矢量进行拟合，得到部件劣化趋势模型[12]。部件劣化趋势模型如图3所示。

图3 部件劣化趋势模型Fig.3 Component deterioration trend model

（1）现场调研。选取可信赖的现场运用检修记录，明确设备失效模式。

（2）数据融合。针对设备失效模式，确定观察矢量的数据范围及关联的环境数据指标，在数据状态空间进行时空配准。

（3）矢量计算。根据设备失效模式进行观察矢量分析并计算，建立矢量计算模型。

（4）劣化拟合。利用可行的技术手段对样本空间进行建模，通过矢量数据拟合劣化曲线，在达到关注状态时对研究对象进行故障预警，在达到异常状态时进行故障报警[13]。

（5）优化迭代。根据运用情况，调整修改计算参数，更新计算过程，优化拟合性能。

4.1.2 系统级健康评估模型

系统级健康评估模块基于历史监测数据，利用机器学习技术建立系统故障规则和数据演变模型，动态生成系统的健康状态迁移矩阵，基于计算结果给出系统级健康状况评价。

针对车门、制动、走行部系统，通过对系统的物理机能和运用情况的掌握，确定系统的健康度观察矢量，形成按车按系统的每日运行状态动态跟踪记录表。通过对多交路健康度矢量数据动态跟踪记录表的数据标定，确定有价值的目标车次集合，构建健康状态空间，反映系统部件的健康状态。系统级健康评估示意图如图4所示。

图4 系统级健康评估示意图Fig.4 Schematic diagram of system-level health assessment

4.2 视频图像识别技术

采用视频图像识别技术对列车司机室、路况、客室、车顶受电弓等部位采集的视频流进行分析，可以开展受电弓故障识别、司机异常行为识别、火灾检测等方面应用，提升故障排查效率。

系统采用目前物体检测领域最先进的深度学习框架YOLO[14]。YOLO 利用回归思想来处理目标检测，通过卷积神经网络直接进行目标区域定位和目标类别的判断，网络复杂度小且能够满足实时性检测需求[15]。

YOLO在目标区域采用的是端对端的检测，首先把一个图像分为S×S个网格，然后假设一个目标物体的位置落在了这个网格上，通过这个网格来检测该目标物体。而每个网络都需要检测预测区域的位置信息和置信度信息，每一个预测区域对应了4 个位置信息(x，y，w，h)和1个置信度信息。置信度表示了被预计的box中所包含目标物的精度，以及物体属于该预测区域的概率。得到每个预测区域的分类置信度以后，设置阈值，滤掉得分低的，对保留的预测区域进行非极大抑制(NMS)处理，得到最终的检测结果。

为了解决速度问题，YOLO不断被优化，目前已经发展到第五代YOLO网络，即YOLOv5，该网络牺牲了一部分精度，但是检测精度和速度大大提高。总的来说，YOLO 网络结构简单，参数较少，计算量小，精度有所不足，适合部署在车载嵌入式平台上。

5 结束语

从城际动车组实际需求入手，在既有车辆平台体系结构的基础上，通过融合智能感知、实时以太网、人工智能、大数据分析等先进技术手段，建立列车监测网，完成对列车关键子系统的智能监测和管理，并结合地面配套的运维平台，完成对关键子系统的健康状态分析评估，有效提高列车运行安全性、可靠性及智能化水平，为车辆检修提供基于数据支撑的运维决策信息，提高了列车运营效率和运维保障能力。