西门子以数据驱动的城市轨道交通信号系统的智能运维系统

作者：胡海建，赵海军，江海涛，曾宇溪，田玲

单位：西门子交通中国

1. 城市轨道交通信号系统运维背景和现状

随着互联网技术飞速发展，互联网技术与工业经济深度融合，为工业产业数字化，网络化，智能化发展提供了实现途径。但是工业控制领域的高可靠性，高可用性，精确性以及安全性等特点一直制约着互联网技术与工业控制的融合。轨道交通信号控制领域，由于其系统涉及安全行车，有较高的安全壁垒，因此对互联网新技术手段的应用方面严重滞后。主要表现在：

· 维修手段单一

目前国内外地铁信号系统的维修多数还处于计划性维修阶段，通过制定计划按固定时间间隔来进行设备维护，尚没有完善科学的设备生命周期管理手段进行针对性维修。

· 维修效率低

典型的信号系统如1所示。信号系统车载运行日志数据普遍采用故障后人工登车下载方式，下载的数据由人工进行分析。车站及隧道相关信号设备，也只能在设备故障后手动下载故障数据进行人工分析。这些维修手段工作重复度高、效率低且人力物力资源消耗较大，更无法满足当下最新的状态性维修和预测性维修的要求。

对于突发的紧急故障抢修，大多数系统尚不能做到数据集中管理、集中分析并为抢修人员立即推送出指引，因此造成了故障抢修时效不高，甚至还会扩大故障，导致大面积晚点，对运营造成巨大影响。

· 技术积累低

对于信号系统的维修专业知识和技能，大多数地铁公司仍采用”口传心授”的方式，从信号系统的日常故障处理和维护中积累知识和经验。在这种传承方式下，大部分知识和技能结构单一且较为碎片化，缺乏广泛性和系统性，具有易失型和不连续性。难以有效累计经验再应用于日常维修中。

在此背景下，运用一套科学可行的智能化数字化的运维手段，使城市轨道交通信号系统从计划性维修阶段进入到状态修阶段，提高维护效率，达到降本增效的目的显得尤为重要。

图 1 典型的信号系统结构

2. 信号系统维修模式的发展阶段

设备维修有以下发展阶段，各阶段之间也存在相互交叉或重叠。

· 修复性维修（Corrective Maintenance，又称故障修）

即“有故障才维修”的方式，属于被动式的非计划性维修，等同于业界的故障抢修，它是在设备故障后，或者在日常例行检查时发现缺陷后，启动修复流程使其恢复至故障前的完好状态。这种维修方式一般的适用状况为，设备的影响范围仅仅局限于设备本身，故障后果一般不严重。采用故障修的方式能够最大限度减少因不必要的检修造成的浪费，但信号系统设备发生故障影响范围一般较大，采用这种维修方式，很难减少故障发生的概率。

· 预防性维修（Preventive Maintenance，又称计划修）

是以预防为主的检修方式，是依据时间间隔的维修，根据零件使用寿命的规律和长期积累的维修经验，并参考生产计划空窗期进行。维修期间需要停运设备，检查并按计划更换零部件，行业内称为大、中、小修，或周检、季检、年检等。这种维护方式更适用于无法准确获取设备运行状态的场景。 由于预防性维修不考虑设备实际状态，可能带来过度维护，预防性维修成本高，停机时间长，维修不当甚至存在运行安全隐患。

· 预测性维修（Predictive Maintenance，又称预测修）

它依据设备历史状态预测未来状态，依据数据表现预测系统状态发展趋势，依据趋势来制定有针对性的维修计划。预测性维修集状态监测、故障诊断、故障预测、维修决策支持和维修活动于一体，对设备和产品性能衰退过程进行评估。预测修能够避免“过度维修”，减少设备停机维修时间，尽早发现故障隐患，避免故障恶化。它是一种以数据为驱动的新兴的维修方式，是轨道交通系统智能化运维的重要组成部分。

如图 2所示，信号系统运维也正从既有的修复性维修与预防性维修模式逐步发展演变成为预测性维修模式。结合城市轨道交通设备的特点，信号系统的预测性维修的研究应包含如下方向：

· 系统单个元件的健康评估与寿命预测

健康评估与寿命预测主要针对系统硬件类设备。在城市轨道交通信号系统中，关键硬件设备主要包含机械类设备(如转辙机，继电器等)、电气类设备（信号机、计轴等）、计算机类设备（联锁主机，ATP主机，ATS主机等）和网络类设备（如交换机）。这类硬件设备的健康状态和寿命可基于设备的物理特性并结合设备实时状态来做评估，如转辙机可以依据机械和电气特性，结合转动次数、力矩等因素来对设备的健康状况进行评估，并给出检修间隔及检修时机的维修建议。如系统主机，根据工业计算机的各部件设计寿命参数，结合对各部件的实时状态的统计和监控数据，可对主要部件或整个主机的健康状态给予评估，给出部件更换时机的建议。

· 故障诊断与预测

故障诊断和故障预测主要以信号系统的各个业务之间的逻辑为基础，结合征兆-故障库和维护过程中积累的经验库，实现故障诊断与预测。典型应用为通过故障发生前的征兆故障信息来预测接下来的故障并提前给出预警，以立即采取措施减弱故障的影响，甚至避免故障的发生。征兆-故障库以及经验库的构建和完善，是实现信号系统中预测性维修的关键，需要大量的知识和经验积累。典型的做法是建立一套基于征兆-故障库的专家系统，其包含大量信号系统设计逻辑库及故障处理经验库。

· 风险预测

风险预测是基于数据驱动来实现的，这部分功能得益于互联网技术，针对设备或功能产生的数据结果，利用大数据、人工智能算法等手段来分析预测设备未来发展趋势。该方法的互联*性一定程度上决定了它的技术实现，体现在大数据平台，云计算、人工智能算法等互联网技术的使用上。如通过评估列车运营中的车载ATP与轨旁ATP的通讯时延来预测线路的无线网络信号覆盖的劣化趋势及干扰情况。

 图 2 信号系统预测性维修的演变

3. 基于预测性维修的信号智能运维系统架构

“以数据为驱动”的预测性维修的信号智能运维系统，决定了它带有强烈的互联网技术特性，基于海量计算的各种复杂人工智能算法必须由大数据平台来承载。基于设备原生的数据与传感器采集的数据构成了基于预测性维修的信号智能运维系统的基础，来弥补信号系统天生薄弱的监控手段。典型的基于预测性维修的信号智能运维系统架构如图 3所示，总体分下层的信号系统部分和上层互联网技术部分，自下而上分层如下：

· 信号系统设备层

信号系统设备层包含所有产生数据的信号设备，包括车载设备、轨旁ATP、联锁，无线系统，接口设备等。

· 采集设备层

采集设备层包括信号系统设备日志采集设备、视频信号及各种传感器设备。

· 物理传输层

物理传输层根据设备的类型和位置，选择不同的数据传输方式。尽可能利用既有先进通信技术，保障带宽需求。

· 数据处理层

数据处理层需要考虑标准大数据平台，如Hadoop，也是海量计算和存储的基础保障。

· 应用服务层

应用服务层需要各功能模块的实现，大体分实时数据流实现的设备实时监控功能和基于离线数据的故障感知及预测类数据挖掘功能，考虑到开发效率，可以考虑微服务形式叠加功能。

· UI交互层

用户交互层需要从调度管理和设备维修两个维度考虑。

图 3 信号系统智能运维平台构架

4. 基于预测性维修的信号智能运维系统技术落地

此运维系统技术落地方案按照信号系统设备的地理位置大体分为车载和轨旁两大部分，如下图 4所示。车载部分包含ATP、ATO及无线车载设备，轨旁部分包含轨旁ATP、ATS、无线网、联锁及其执行元件。

      按数据类型可分为实时数据和离线数据。实时数据主要为原信号系统已设计的ATS状态、命令及报警类，一般是以广播或组播数据包在信号总线网络上传输，可通过定义网关设备来接收并处理；离线过程数据主要为核心设备的运行日志，这部分数据由于数据规模较大需要主动向相关设备请求，采集到的数据可能被加密，需要特定的协议来解码并解读。

数据采集由一套自动化程度高的无人值守数据采集系统完成，其源源不断的为数据池实时或准实时输入整个信号系统的全部数据，由于数据体量较大，大数据平台承载数据的存储和计算任务，建议采用Apache Hadoop生态产品，文件存储使用HDFS分布式文件系统，计算引擎使用Spark，用于运行海量数据的分析算法。经过数据运算后，预测性维修的监控、分析、评估、预测功能会以可视化UI呈现在维修中心的终端上，对于系统存在的设备健康评估或预测的故障风险会实时推送给维修人员，维修人员根据调整过的维护计划和措施执行未来的维修策略，以达到闭环流程的效果。

图 4 典型的信号智能运维系统落地方案

基于预测性维修的城市轨道交通信号智能运维系统的设计功能，大体分设备状态监控、系统故障分析、设备寿命分析和故障预测等四部分。

1) 设备状态监控功能

设备状态监控是一种实时监测、分析和报告设备状态的软件或硬件系统。 它通过设备自身或者安装在设备上的传感器等，对设备的运行状态、电流电压，温湿度等参数进行实时监测，并且记录传感器的参数，是预测性维修的基础保障。

一方面，城市轨道交通信号系统内部设备，通过增加额外传感器以保证设备状态监控的完整性和准确性。如转辙机，需要加拉力传感以监测阻力，需要加缺口检测设备，还要监控转辙机工况，如道岔尖轨与基本轨密贴斥离策略及基本轨和尖轨的爬行测量等。

另一方面，城市轨道交通信号系统与其他系统之间接口的监控。比如与机电的屏蔽门接口，与车辆的牵引制动接口，通过加开关量模拟量采集模块以监控双方接口状态，并且将接口各方的数据融合，以精准快速定位故障，也能为预测性维修提供重要数据。

通过对设备状态监控以及系统与系统之间，设备与设备之间的接口参数监控和记录，对精准评估设备当前状况和预测未来风险或故障起着至关重要的作用。

2) 系统故障分析功能

故障是指系统的特性或参数发生超出可以接受的范围，进而导致系统性能下降或者功能丧失。可见对系统的故障分析是维修中的重要环节。针对城市轨道交通信号系统的故障，大部分故障与多个设备或者系统元件相关。所以，系统故障分析应该是多维度，多设备之间的系统性分析。

在互联网技术加持下，可通过设备的状态监控数据，系统设备接口数据，以及设备的过程数据等多种海量数据，从多维度，准确快速的定位设备故障原因，为调度指挥和一线抢修人员提供解决方案。同时可以通过自学习，形成故障模型和故障前后设备参数变化趋势模型，完善征兆-故障库。

3) 设备寿命分析功能

基于物理模型的设备寿命分析方式可准确地评估设备当前状况，并预测设备剩余寿命。另外，基于浅层机器学习的寿命预测方法也同样有效，如基于神经网络或向量机，仍处于摸索阶段，但也在个别特定设备上取得一定成果，如屏蔽门开门机构和道岔转辙机等。对于设备寿命的分析功能会输出关联设备的检修计划和备件的采购计划，以达到降低成本效果。

4) 风险或故障预测功能

风险或故障预测是预测性维修系统的重中之重，通过对设备的历史海量过程数据进行分析，在大数据和人工智能算法的加持下，可准确甄别异常设备，评估各项指标的劣化程度，预测设备的未来趋势，可实现设备风险或故障的推送，并给出维修或维护建议，提前将故隐患苗头消除，避免载客运营中故障的发生，降低故障率。

5. 信号智能运维系统前景

一套基于预测性维修的信号系统智能运维能自动化采集和分析数据, 结合深度故障分析、设备寿命预测、系统风险及故障预测等特点可以带来多方面长效显著的效益，包括：

· 人员配备

由于信号系统的数据分散在各处, 人工采集的人力成本很高, 需要规划专门的维修人员来执行, 自动化数据采集和分析节省了用于人工数据采集的人力成本。 另一方面丰富有效的设备监控手段可以减少人员的巡检班次，进而减少人员配备，以达到节省人工成本的效果。

· 备件使用

更加准确的监控和故障定位技术手段提高了维修的准确性，通过更精准的故障处理手段和更合理的定期检修，可节省备件的使用。

· 检修效率

智能的检修技术手段大大缩短了检修时长，提高了检修效率。对重复度高的例行检修或定期巡检工作，智能数字化工具能大幅提升效率，如对列车输入输出接口的检查等。

· 抢修效率

由于获取数据的敏捷性和数据分析的深入程度及各种智能化的功能，大大降低了抢修人员的技术门槛，抢修时间也进一步缩短，故障抢修效率得以大幅提升。

· 降低故障率

风险和故障预测特性提前消除了故障隐患，晚点故障得以避免，提高社会效益。

不足的是，目前城市轨道交通信号系统的部分设备尚未实现完整的状态监控，尤其是机械设备，如转辙机、轨旁箱盒等，还需要依赖附加的大量外部传感器。对于信号系统的核心运算类设备尚做不到精确完备的硬件监控，如联锁主机和ATP主机。此类工业计算机在设计之初考虑到信息安全封闭因素，并没有应用最新的互联网技术手段来监控硬件运行情况，仍需要后期修改信号系统设计来满足。这些都对信号系统预测性维修智能运维项目的实施带来挑战，但是预测性维修模式仍然对于降低设备故障率，节省维修资源，提高维修效率方面效果显著，这恰恰也是各大信号系统供应厂商及地铁公司重点研究的维修策略。

西门子交通作为城市轨道交通信号系统的全球主要供应商，在城轨信号系统智能运维方面做出了积极有效的探索和实践。其推出的TBDS信号系统智能运维赢得了信号系统运维人员的一致好评，值得借鉴。

TBDS信号系统智能运维，以信号系统本体日志数据为底座，对日志数据进行详细分析和比较，同时结合系统各个组件的运行状态，能够快速准确地定位系统关键组件的故障位置。近几年TBDS系统依托人工智能，将城轨运营企业的运营经验和特点与此系统相融合，在信号系统的运行工况预测、健康度和故障预测等方面作出了积极的探索和尝试。经过多年的努力，该系统不仅能够对既有发生的故障作出判断和响应，也能够对系统的组件健康度和故障作出比较精准的预测，在从故障修向状态修的道路上迈出了坚实的脚步。TBDS还特别对列车测速系统及与车辆硬件接口的健康状况及风险评估，雷达、测速电机及应答器等设备的故障预测等硬件故障频发的部分效果明显，可在数日甚至数周前推送系统故障或风险预警，并引导检修人员及时排除系统隐患，避免系统故障发生。

同时，西门子交通强势推出的新一代信号系统解决方案——云信号系统，在智能运维方面正在试图系统性解决“数据少而散”的问题，其全新的边缘侧终端硬件设备如信号机控制模块SCM、道岔控制模块PCM等元件控制模块本身提供了大量的原生运维数据，这些数据为系统硬件设备完整而准确地实时监控提供了坚实的基础。该系统也将利用多种通信手段，高效经济地将边缘侧海量数据高度集中在智能运维系统的数据池中。这样一来，信号系统及其关联系统的多系统数据融合和深度数据挖掘极为方便，并且所有设备的运行数据可被高度利用，预测性维修已是顺理成章。

参考文献

[1] 《中华人民共和国国民经济和社会发展第十四个五年规划和2035年远景目标纲要》. 2021.0[1] 王燕等编. 城市轨道交通信号与通信系统. 北京：中央广播电视大学出版社, 2011.03.

[3] 中国城市轨道交通协会. 城市轨道交通发展战略与“十四五”发展思路研究报告. 北京：2021.11

[4] 胡昌华等编. 设备剩余寿命预测与最优维修决策 国防工业出版社，2018.11.

[5] 董西成等编， 大数据技术体系详解：原理、架构与实践， 机械工业出版社，2018-03