基于拓扑网络的广义城轨信号系统关键组分识别方法

王璐，郝婼妍，张余豪，李承叡，王艳辉，5，6，7

（1.北京市地铁运营有限公司，北京 100044；2.北京交通大学 先进轨道交通自主运行全国重点实验室，北京 100044；3.北京交通大学 交通运输学院，北京 100044；4.北京市轨道交通建设管理有限公司，北京 100068；5.北京交通大学 北京市城市交通信息智能感知与服务工程技术研究中心，北京 100044；6.北京交通大学 城市轨道交通运营安全管理技术及装备交通运输行业研发中心，北京 100044；7.运营主动安全保障与风险防控铁路行业重点实验室，北京 100044）

1 概述

近年来，我国城市轨道交通发展迅猛。截至2022 年底，中国（含港澳台）累计有61 座城市开通运营轨道交通，总运营里程达10 857.17 km，其中中国内地运营里程10 291.96 km［1］。信号系统作为城市轨道交通系统的“大脑”，是保障列车高效、安全、绿色运营至关重要的子系统，肩负着列车行驶关键组分之间的信息传输和实时通讯的使命，同时保障行车设备的稳定运行［2］。

然而，超强的系统负荷运营也给行业带来了诸多痛点，其中安全是城市轨道交通高效、稳定运营的前提保障和立足之本。通过调查数据统计发现，城市轨道交通行业的屏蔽门夹人、脱轨、扣停、列车5 min 以上晚点等事故有51%以上是由于信号系统失效或信号设备故障导致，所以如何保障城市轨道交通信号系统安全运营成为行业的重中之重［3］。

城轨信号系统作为当期先进技术集大成者，具有结构性、功能特殊性以及运行环境的复杂性等特征，使信号系统的子系统间呈现耦合关系［4］，1个事故或者故障的发生往往不是单一的组分出现问题，而是多个组分间相互影响、互相作用的结果。狭义的信号系统是1个非常严密的设备系统，但现实中信号系统的运营安全受运营人员、设备、环境因素的综合影响，所以本文是对基于“人、机、环”三要素结合的广义信号系统进行研究。信号系统组分繁杂且组分间的风险传播能加大风险对城轨信号系统运营安全的负面影响，但若对各个组分进行检测会大幅降低运营效率，所以有效识别信号系统关键组分是保障其安全、稳定运行，降低城轨系统故障，乃至杜绝事故发生的重要途径之一［5］。因此，针对城市轨道交通信号系统的关键组分识别已成为行业研究热点问题之一。

2 城市轨道交通信号系统运营安全特征

传统的城市轨道交通信号系统设备设施一般由车辆段信号控制系统和列车自动控制（Automatic Train Control，ATC）系统［6］两部分组成。现如今，我国主流城轨信号系统是基于传统的ATC 系统自主研发的基于通信的列车自动控制（Communication Based Train Control System，CBTC） 系统［7］，CBTC系统是具有发展潜力的列车运行控制系统。2004年，武汉轻轨1 号线首次使用CBTC 系统后，全国很多城市轨道交通都选择了应用CBTC 系统技术［8］。目前，该技术已经占据了我国90% 以上的运营线路。

CBTC 日常运营主要通过列车自动运行、防护系统中的车载控制器、区域控制器进行运行控制工作。由此可见，城轨信号系统的运营安全主要依靠各子系统设备的稳定、安全运行。信号系统的设备按照所处地可分为控制中心设备、地面设备及车载设备，其安全运营过程中各子系统设备之间的关系见图1。

图1 CBTC子系统设备间关系

与此同时，信号系统工作人员的日常巡检与维修工作也至关重要。随着信号技术的发展，信号系统逐步向“通信技术、计算机技术、电子信息技术+老信号系统设备”相互集中的综合专业发展［9］。城轨信号系统的维护工作从仅需掌握其基础设备设施情况，转变到还需实时监控信号系统的有线/无线传输、软件及数据库等动态信息。目前地铁信号系统维护主要分为定期的巡检和临时事故的应急维护，各地铁公司也在继续优化信号系统的运营维护策略，进而保证信号系统高效安全的日常运营。

此外，据国内外城市轨道交通运营安全事故调查发现，地铁受降雨、降雪和大风等极端天气，乘客跳站台、节假日大客流等社会突发状况，以及大面积停电、噪声等生产环境恶劣影响导致的延误事件较多。由此可见，城轨信号系统的安全运营与其所处的运行环境息息相关，主要包括自然环境、社会环境以及生产环境3个方面。

综上，广义城轨信号系统的运营安全主要依靠各子系统设备的稳定运行、环境的正常有序以及工作人员对设备与环境的日常巡检与监测。通过对城市轨道交通信号系统设备设施构成和安全运营过程中的设备、人员与环境间关系进行分析，总结出城市轨道交通信号系统在运营安全方面具有以下关键特性：

（1）设备的复杂性。城轨信号系统作为规模庞大、拥有众多子系统的复杂系统，各子系统所涉及的组分结构众多、设备部件繁杂，并且不同的运营线路可能有不同型号、种类的设备，对于故障的零件进行维修或者更换相对困难，对高效安全运营具有一定影响。

（2）结构的耦合性。城轨信号系统在结构上存在耦合性，各子系统之间相互作用、相互影响，一个子系统的结构一旦遭到破坏或状态发生改变，那么其他与之相关的子系统状态也会受其影响发生变化。

（3）系统的关键性。城轨信号系统被称为城轨系统的“大脑”，因其结构上本身具有耦合性，故信号系统的任意一个结构发生破坏，就可能导致城市轨道交通无法安全运营，甚至可能演变成事故，轻则造成停运、人员拥堵等，重则可能造成人员伤亡等。

（4）管理的困难性。城轨信号系统因其结构复杂、设备多样，导致运营维修检修人员众多，而员工业务水平参差不齐致使管理变得极为困难，任何管理环节失误都可能使整个运营系统失效。

3 城轨信号系统拓扑网络构建

3.1 运营安全影响要素

目前，城轨信号系统故障引发的事故时有发生，给人身安全和设备财产安全带来了极大危害。经调查分析得知，信号系统故障的原因往往包括三方面：一是人的不安全因素，主要包含人员的粗心大意、能力不足或者不安全动作；二是设备的不安全状态因素，主要包含设备在非正常状态下运行、设备本身有缺陷、防护装备缺乏等；三是环境不适应性因素，主要包含环境对系统的负面影响等。

因此，为探究城轨信号系统故障的成因，对1 000 起典型的城轨信号系统运营事故进行分析，得到面向人员、设备、环境三方面的城市轨道交通信号系统运营安全影响要素集。

3.1.1 面向人员的运营安全影响要素

经事故数据调查发现，人员的运营安全影响要素可以从运营作业人员、维修检修人员以及乘客等的异常行为等角度进行总结，其影响要素集见表1。

表1 城轨信号系统人员运营安全影响要素集（部分）

3.1.2 面向设备的运营安全影响要素

经事故数据调查发现，无论是人员还是环境因素，往往会转变为设备因素，所以面向设备设施的运营安全影响要素是整个城轨信号系统安全领域里最重要的一环。因此，对CTBC各子系统设备进行运营安全影响要素分析（见表2）。

表2 城轨信号系统设备运营安全影响要素集（部分）

3.1.3 面向环境的运营安全影响要素

经事故数据调查发现，环境也是影响信号系统安全运营的一个关键要素。根据研究分为社会环境、自然环境和生产环境，城轨信号系统环境运营安全影响要素集见表3。

表3 城轨信号系统环境运营安全影响要素集（部分）

3.2 物理组分间关系

城市轨道交通信号系统是1个规模庞大、结构繁杂的系统，是由各物理组分构成的系统化整体，而非各部分的机械化整合。正是由于这些信号系统物理组分间保持着各种紧密的连结关系，才使得列车得以安全平稳运行，具体连结关系主要包含以下3种方式：

（1）物理设备连结关系。2种组分由空间意义上的形式相互关联，如焊接、铆接、栓接等，指的是设备之间的直接或间接接触。

（2）能量信息连结关系。在工作过程中，组分之间的动能、电能等各种能量会进行高效稳定的转化、传递，能量信息彼此关联，相互利用。

（3）数据信息连结关系。物理组分之间通过通信网络进行信息数据的传输以及交换。

3.3 节点重要度

节点重要度为结构性指标。如果将信号系统拓扑网络模型中的每个点看作1个特征向量的话，那么节点重要度就是指这个特征向量的中心性。该重要度指标表示了1个节点相对于相邻节点的重要度值高低，如果当前节点本身就连接到其他很重要的节点，那么针对该节点也同样赋予较高的节点重要度。

信号系统拓扑网络模型中的第i个节点的节点重要度可以通过加权的邻接矩阵进行计算。在加权邻接矩阵的情况下，以高中心性节点间连接强度的形式进行维数划分，最终得到每个节点的重要度计算结果，即为输入到神经网络中的参数，节点重要度计算如下：

式中：Ei(m，n)为经由节点m和节点n之间通过节点i的最短路径数目；E(m，n)为节点m和节点n之间的最短路径数目；aij为节点i与节点j的连接状态（当2个节点之间有连接时，aij的值为1；当2 个节点之间没有连接时，aij的值为0）；n为与节点i连接的节点个数。

3.4 拓扑网络模型

在城轨信号系统物理组分间关系的基础上，从人员、设备、环境3个方面考虑，对应将安全影响要素分为人因类、设备类、环境类三大组分节点。城轨信号系统组分节点分为内部和外部2类，内部包括设备类组分节点，指的是城轨信号系统运营过程中所有设备设施；外部包括环境类组分节点和人因类组分节点，主要包括会对城轨信号系统运营产生影响的所有环境以及所有参与运营工作的职员。

在对组分节点进行划分前，需要根据城市轨道交通信号系统的构成，结合式（1）节点重要度以及城轨信号设备复杂性、结构耦合性、管理困难性等运营安全特性，分别从“人员、设备、环境”三方面分析城轨信号系统的运营核心组分（见图2）。图中第1 层为城轨信号系统组分层，中间为分析层，通过中间层的分析得到第2层城轨信号系统核心组分层。最后分析得出，“人员”的核心组分之一是一线工作的巡检人员；“设备”的部分核心组分是计算机联锁子系统、继电器、计轴等；“环境”的部核心组分是生产环境、自然环境、社会环境等。然后按照子系统划分出城市轨道交通信号系统设备、相关人员以及环境节点并构建城轨信号系统拓扑网络模型。

图2 城轨信号系统核心组分分析流程

为便于描述，将网络中组分节点进行编号，其中人员类的组分节点用Hi（i=1，2，3，…，n）表示，设备类组分节点用Pj（j=1，2，3，…，n）表示，环境类组分节点用Ek（k=1，2，3，…，n）表示，针对信号系统的核心组分节点会进一步拆分，部分组分节点见表4—表6，其中的核心组分节点已完成拆分。

表4 人员类组分节点（部分）

表5 设备类组分节点（部分）

表6 环境类组分节点（部分）

最终经统计，人员类组分节点23 个，设备类组分节点304 个，环境类组分节点36 个，共计363 个节点。将以上组分节点通过Gephi构建城轨信号系统拓扑网络模型（见图3），其中核心组分节点的颜色作加深处理。

图3 城轨信号系统拓扑网络模型

3.5 基于改进有限状态机的城轨信号系统拓扑网络模型优化

从3.4节构建的城轨信号系统拓扑网络模型中可以发现大量冗余信息，这些冗余信息在风险领域里也可称之为无效文本序列。例如：在设备类中ATS 系统下的打印及绘图设备并不存在任何风险可能性，除此之外，信号系统相同种类的设备间存在不同型号，每个型号下存在大量同样的最小维修单元。上述冗余信息在构建拓扑模型时是无法消除的，因此提出基于蓝边算法的改进有限状态机对拓扑模型进行优化。有限状态机是描述有限个文本状态及其在这些状态之间存在转移或动作等有机联系的数学模型。城轨信号系统拓扑模型的结构特性可以展现运营作业中各类信息的传递行为，同时其组分节点也可以看作系统中可能运行的有限个不同的状态集合。因此，可以采用有限状态机对城轨信号系统拓扑模型中的组分节点进行建模。

但由于信号系统中存在大量相同最小维修单元，导致信号系统的有限状态机中存在过多冗余状态，因此引入基于RPNI 算法改进的蓝边（Blue-Fringe）算法对信号系统组分节点状态进行合并，其基本框架为基于RPNI 算法中的PTA 树改进的红-蓝-白框架。具有如下特性：

（1）框架中每个状态都可以看成1 个彩色的节点，分为红、蓝、白；红、蓝节点以及未标识的白色节点组成了算法框架中的全部节点；

（2）PTA 树中的初始状态默认为红色，为树中的起始节点；

（3）红色节点的过度直接继承者为蓝色节点，也可称为红色节点的子节点；

（4）除上述之外，其他所有状态节点均为白色；

（5）红色节点不能具有未标识标志的白色节点。

经过改进有限状态机的优化后，城轨信号系统拓扑网络模型中的组分节点中人因类优化至20 个，共减少3 个（如特殊乘客、普通乘客等）；设备类优化至256 个，共减少48 个（如打印和绘图设备、不同类型的转辙机、计轴等），环境类优化至27 个，共减少9 个（如出门偏好、活动等），优化后的拓扑网络是由以上符合安全风险性质的组分节点构建而成，即城轨信号系统安全特征拓扑网络模型（见图4）。

图4 城轨信号系统安全特征拓扑网络模型

4 城轨信号系统关键组分识别

4.1 基于隐马尔可夫模型的风险文本抽取算法

隐马尔可夫模型（Hidden Markov Model，HMM）是属于马尔可夫链分支的统计分析模型，该模型主要说明了由隐藏的马尔可夫链在无规则状态下生成观测序列的过程。1 个隐马尔可夫模型包含2 层，分别为隐藏层和可观察层。可观察层对应可观测序列，隐藏层为马尔可夫过程，也可以看作1个有限状态机。完整的隐马尔可夫模型可由1个五元组模型表示，数学模型为HMM ={D，V，A，B，π}。

模型中D是所有隐含状态的集合，V是所有观测词汇的集合，A是状态转移概率矩阵，B是观测概率矩阵，π是初始概率矩阵。其具体公式如下：

式中：R为状态总数；E为输出观测词汇总数；aij为处于状态di时，下一时刻转移到状态dj的概率；lt为状态序列l中时刻t的状态；bj(k)为处于状态di时，生成观测序列元素vk的概率；vk为观测序列O中时刻t的状态；πi为初始时矩阵状态处于di的概率。

HMM 模型有3 个基本问题：概率计算问题、学习问题、解码问题，其中解码问题的核心思想是运用状态转移概率矩阵、观测概率矩阵、初始概率矩阵和观测序列，寻找某一路径最优状态序列l=[l1，l2，…，lT]，以此识别城轨信号系统的关键组分。

城轨信号系统关键组分识别，实质是HMM 模型中的解码问题。利用Viterbi 算法解决HMM 模型中的解码问题，得到基于隐马尔可夫模型的信号系统数据集所抽取的风险文本，所以城轨信号系统关键组分识别也可称为城轨信号系统的风险文本抽取。

Viterbi 算法的核心是从t= 1 时用递推方法去计算从初始时刻一直到T时刻状态为l的各部分路径的最大概率。在T时刻得到最优路径的状态lT停止，之后从终点lT开始，往前计算递推得到各个状态序列中的状态lT-1，…，l1，最后l=[l1，l2，…，lT]即为最优路径。

综上所述，基于隐马尔可夫模型的信号系统风险文本抽取流程如下：

步骤1：导入原始城轨信号系统事故数据文本集；

步骤2：导入经过状态机算法优化后的城轨信号系统安全特征拓扑网络模型；

步骤3：对原始数据集进行数据预处理，根据步骤1与步骤2构建隐马尔可夫基本模型，得到行为维度的城轨事故文本，即观测序列集O；

步骤4：取1 条观测序列集O中的观测序列Oi，采用基于动态规划思想的维特比算法求解概率最优路径ti，获取概率最大的状态转换路径序列li；

步骤5：重复执行步骤4，直到取出所有记录进行分析得到状态路径序列集l；

步骤6：根据状态路径序列集转化为可读性文本，即文本抽取结果集。

4.2 实验结果分析

根据上述流程，运用信号系统风险文本抽取算法对城市轨道交通信号系统安全特征拓扑网络模型进行提取，提取得到的风险文本即为信号系统关键组分识别的结果（见图5），实验最终提取出了111 个风险文本，即111个信号系统的关键组分。

图5 城轨信号系统关键组分识别结果

将辨识出的关键组分与我国交通运输部2019 年7 号文［10］中的风险文件清单进行比较，分析其覆盖情况。国家层次的风险文件清单面向各省、自治区以及直辖市交通运输厅，官方规范了城市轨道交通系统运营安全风险等级管控和隐患排查治理管理办法，并明确了城市轨道交通运营安全主要风险点（见表7）。经过对比分析，设备类只有列车轮径和车底吊装部件没有覆盖，原因可能为两者更多与车辆系统有关，该研究没有考虑到车辆系统和信号系统之间的联系；环境类没有覆盖到地质灾害相关风险点，原因是数据中缺少地震、泥石流、山体滑坡等相关记录。

表7 信号系统国家级风险文件中设备相关风险点清单

5 结束语

在对城市轨道交通信号系统实地调研、典型事故分析的基础上，针对城市轨道交通信号系统工作原理、运营安全特性进行深入分析，结合系统的物理组分关系和安全影响要素构建信号系统的拓扑网络模型。利用改进有限状态机进行优化得到能够反映城轨信号系统内部作用关系特征的城轨信号系统安全特征拓扑网络模型。然后利用基于隐马尔可夫模型的风险文本提取算法对其进行关键组分识别，得到了111个广义城轨信号系统的关键组分点，为后续进一步实现信号系统实时动态安全风险评估、故障点精确定位、运营管理策略推送等功能打下基础，有助于提高广义城轨信号系统的可维护性与运营安全性，进而提升城市轨道交通系统的运营安全。