论文部分内容阅读
摘 要：伴随着中国铁路的快速发展，铁路电务系统对于保证行车安全以及高效作业的作用日益重要。本文为适应新的运维方式的发展，对智能交通系统的发展必要性以及铁路电务智能运维整体架构和关键技术进行了介绍。最后以1个例子说明了智能运维系统的作业过程。本文为铁路电务智能运维提供借鉴。
关键词：中国铁路;电务系统;运维管控;智能运维
中国铁路通过确定“引进-消化-吸收-再创新”的技术路线，走出了一条通信信号技术快速发展的道路，取得了一系列技术创新成果。[1，2]伴随着智能交通系统（Intelligent Transportation System，ITS）以及铁路电务系统规模的不断扩大，设备数量不断增多、运维工作量逐渐加大、运维管控难度提高。[3]宁滨院士指出近年来ITS发展的若干科学和技术指出：目前，铁路信号系统的检修维护主要采用“定期修”、“故障修”的模式，无法满足铁路系统对于提高运输安全与降低运营成本的需求。[4，5]电务智能运维是智能交通系统的一个子系统。发展铁路信号设备智能运维系统具有重要意义。
1 电务维修的现状
（1）各通信信号子系统间分散建设，缺乏系统方案。
（2）联锁、列控、CTC/TDCS等控制系统与外部系统之间的数据的安全共享以及各接口的安全的存在风险。
（3）各系统数据模型各自设计，数据标准不统一，数据一致性难以确保。
（4）没有实现数据共享。电务专业相关的检测、监测、运维、管理等数据分散存储，无法支撑数据的挖掘分析。
（5）大数据分析应用水平不高，缺乏系统性分析。
（6）缺乏对电务设备的全生命周期管理。
2 智能运维平台的特点
（1）全面接入通信信号系统、业务管理系统全项数据。
（2）综合运用GIS、大数据、云计算等技术进行分析处理。
（3）实现日常、应急两级智能化应用。
（4）智能手段实现状态修及全寿命周期管理。
最终实现应急指挥、全生命周期监测、智能诊断及跨系统分析。
3 智能运维技术介绍
结合铁路总公司大数据总体方案和建设规划，构建电务大数据及智能运维架构。实现电务数据的集成整合、集中管理，遵循“平台+应用”的模式，。系统主要包括以下几点：
（1）信号设备监测系统。包括信号集中监测、列控地面设备监测和安全数据网管、CCS、SAM/CIPS。
（2）车载设备监测系统。包括ATP动态监测系统（DMS）、LKJ设备运行监测系统（LMD）、机车信号远程监测、CIR设备监测、GYK设备监测（GMD）。
（3）轨旁设备监测系统。包括道岔缺口监测（缺口、油压、油位、温度、湿度、震动监测）、ZPW-2000室外监测、电缆监测、室外设备环境监测等。
（4）作业卡控系统。包括LKJ版本监测预警系统、LKJ检测作业质量卡控系统、信号检修作业监控系统、工具清点系统、机械室门禁、视频监控（信号机械室、通信综合、移动单兵视频监测）等。
（5）通信综合网管系统。包括GSM-R系统网管、数据通信系统网管、传输系统网管、调度通信系统网管、数据网流量监测等。
（6）通信设备监测系统。包括GSM-R网络接口监测、光纤监测、动环监测、通信电源在线监测、铁塔监测等。
（7）电务安全生产指挥系统。包括设备管理、施工盯控、生产调度、故障管理、问题库管理、监测数据分析、应急处置指挥等。
（8）CTC/TDCS的查询维护系统。
4 电务智能运维的关键技术介绍
4.1 基于深度学习的故障诊断
（1）数据整合。将不同来源、不同特征的数据进行归一化等处理。
（2）特征提取。采用稀疏编码技术等自编码器技术对调整后的数据进行特征提取。
（3）数据分布调整。因设备种类、型号等的差异，所采集到的故障数据的分布可能极为不均衡，为了更好地泛化系统的预测能力，要将不平衡的数据集平衡化。
（4）学习训练。采用scikit-learn等技术实现传统的隐马尔可夫过程、条件随机场等，以及基于Tensorflow实现的循环神经网络、卷积神经网络等深度学习方法在数据集上进行训练，并用交叉验证调整模型的超参数。
4.2 基于大数据的设备寿命预测
（1）先验模型。根据设备的历史运行数据，维护数据，以及设备运行环境的变化规律，建立设备寿命预测的先验模型。
（2）预测模型。根据实时的设备运行监控数据，整合先验模型，建立并持续修正设备寿命预测模型。
（3）壽命预测。利用支持向量机、集成学习等方法对模型进行训练和验证，通过离线学习和在线学习相结合的方式，进行寿命预测。
4.3 基于大数据风险分析的维护策略
（1）将历史运营数据、维护数据和环境数据等进行集成、整理。对其中的缺失数据、异常数据、噪声数据进行预处理。对数据进行探索性分析。
（2）基于集成学习方法，利用大数据分析方法对不同设备的动态安全风险等级预测，并提供对整个系统的动态安全风险等级预测。
（3）在动态安全风险等级预测基础之上，基于降低安全风险，以及合理降低运维开销等多目标，进行运维策略的优化。
5 总结
铁路是中国的国家名片，大国重器，是中国国民经济大动脉和综合交通运输体系的骨干，在支撑国家战略、推动国民经济运行和增进人民群众福祉中肩负着光荣使命和重大职责。为了适应铁路的高速发展，铁路电务智能运维技术的研发意义重大。本文对智能运维平台进行了细致介绍，旨在提高运维管理及工作效率，保障行车安全。
参考文献：
[1]何华武，洪雁，马健，等.中国铁路“走出去”投融资模式研究[J].中国工程科学，2017，19（5）：27-32.
[2]孙永福，何华武，郑健.中国铁路“走出去”发展战略研究[J].中国工程科学，2017，19（5）：1-8.
[3]史新宏，蔡伯根，穆建成.智能交通系统的发展[J].北京交通大学学报，2002，26（1）：29-34
[4]宁滨.智能交通中的若干科学和技术问题[J].中国科学：信息科学，2018（9）：1264-1269.
[5]高子初，张宁.用大数据智能交通技术管理复杂多车道道路的新策略[J].科技与创新，2018（1）：25-26.
[6]United States Federal Transportation Advisory Group：An Integrated NationalTransportation System.2001.http：//www.interstatetraveler.us/Reference-Bibliography/Vision%202050.pdf.
[7]田翔，袁芳.借鉴欧洲经验指导城市交通发展[J].综合运输，2013（12）：87.
[8]浅野浩二，李烨，刘景宝.东日本铁路公司高速列车的发展[J].国外铁道机车与动车，2018（2）.
关键词：中国铁路;电务系统;运维管控;智能运维
中国铁路通过确定“引进-消化-吸收-再创新”的技术路线，走出了一条通信信号技术快速发展的道路，取得了一系列技术创新成果。[1，2]伴随着智能交通系统（Intelligent Transportation System，ITS）以及铁路电务系统规模的不断扩大，设备数量不断增多、运维工作量逐渐加大、运维管控难度提高。[3]宁滨院士指出近年来ITS发展的若干科学和技术指出：目前，铁路信号系统的检修维护主要采用“定期修”、“故障修”的模式，无法满足铁路系统对于提高运输安全与降低运营成本的需求。[4，5]电务智能运维是智能交通系统的一个子系统。发展铁路信号设备智能运维系统具有重要意义。
1 电务维修的现状
（1）各通信信号子系统间分散建设，缺乏系统方案。
（2）联锁、列控、CTC/TDCS等控制系统与外部系统之间的数据的安全共享以及各接口的安全的存在风险。
（3）各系统数据模型各自设计，数据标准不统一，数据一致性难以确保。
（4）没有实现数据共享。电务专业相关的检测、监测、运维、管理等数据分散存储，无法支撑数据的挖掘分析。
（5）大数据分析应用水平不高，缺乏系统性分析。
（6）缺乏对电务设备的全生命周期管理。
2 智能运维平台的特点
（1）全面接入通信信号系统、业务管理系统全项数据。
（2）综合运用GIS、大数据、云计算等技术进行分析处理。
（3）实现日常、应急两级智能化应用。
（4）智能手段实现状态修及全寿命周期管理。
最终实现应急指挥、全生命周期监测、智能诊断及跨系统分析。
3 智能运维技术介绍
结合铁路总公司大数据总体方案和建设规划，构建电务大数据及智能运维架构。实现电务数据的集成整合、集中管理，遵循“平台+应用”的模式，。系统主要包括以下几点：
（1）信号设备监测系统。包括信号集中监测、列控地面设备监测和安全数据网管、CCS、SAM/CIPS。
（2）车载设备监测系统。包括ATP动态监测系统（DMS）、LKJ设备运行监测系统（LMD）、机车信号远程监测、CIR设备监测、GYK设备监测（GMD）。
（3）轨旁设备监测系统。包括道岔缺口监测（缺口、油压、油位、温度、湿度、震动监测）、ZPW-2000室外监测、电缆监测、室外设备环境监测等。
（4）作业卡控系统。包括LKJ版本监测预警系统、LKJ检测作业质量卡控系统、信号检修作业监控系统、工具清点系统、机械室门禁、视频监控（信号机械室、通信综合、移动单兵视频监测）等。
（5）通信综合网管系统。包括GSM-R系统网管、数据通信系统网管、传输系统网管、调度通信系统网管、数据网流量监测等。
（6）通信设备监测系统。包括GSM-R网络接口监测、光纤监测、动环监测、通信电源在线监测、铁塔监测等。
（7）电务安全生产指挥系统。包括设备管理、施工盯控、生产调度、故障管理、问题库管理、监测数据分析、应急处置指挥等。
（8）CTC/TDCS的查询维护系统。
4 电务智能运维的关键技术介绍
4.1 基于深度学习的故障诊断
（1）数据整合。将不同来源、不同特征的数据进行归一化等处理。
（2）特征提取。采用稀疏编码技术等自编码器技术对调整后的数据进行特征提取。
（3）数据分布调整。因设备种类、型号等的差异，所采集到的故障数据的分布可能极为不均衡，为了更好地泛化系统的预测能力，要将不平衡的数据集平衡化。
（4）学习训练。采用scikit-learn等技术实现传统的隐马尔可夫过程、条件随机场等，以及基于Tensorflow实现的循环神经网络、卷积神经网络等深度学习方法在数据集上进行训练，并用交叉验证调整模型的超参数。
4.2 基于大数据的设备寿命预测
（1）先验模型。根据设备的历史运行数据，维护数据，以及设备运行环境的变化规律，建立设备寿命预测的先验模型。
（2）预测模型。根据实时的设备运行监控数据，整合先验模型，建立并持续修正设备寿命预测模型。
（3）壽命预测。利用支持向量机、集成学习等方法对模型进行训练和验证，通过离线学习和在线学习相结合的方式，进行寿命预测。
4.3 基于大数据风险分析的维护策略
（1）将历史运营数据、维护数据和环境数据等进行集成、整理。对其中的缺失数据、异常数据、噪声数据进行预处理。对数据进行探索性分析。
（2）基于集成学习方法，利用大数据分析方法对不同设备的动态安全风险等级预测，并提供对整个系统的动态安全风险等级预测。
（3）在动态安全风险等级预测基础之上，基于降低安全风险，以及合理降低运维开销等多目标，进行运维策略的优化。
5 总结
铁路是中国的国家名片，大国重器，是中国国民经济大动脉和综合交通运输体系的骨干，在支撑国家战略、推动国民经济运行和增进人民群众福祉中肩负着光荣使命和重大职责。为了适应铁路的高速发展，铁路电务智能运维技术的研发意义重大。本文对智能运维平台进行了细致介绍，旨在提高运维管理及工作效率，保障行车安全。
参考文献：
[1]何华武，洪雁，马健，等.中国铁路“走出去”投融资模式研究[J].中国工程科学，2017，19（5）：27-32.
[2]孙永福，何华武，郑健.中国铁路“走出去”发展战略研究[J].中国工程科学，2017，19（5）：1-8.
[3]史新宏，蔡伯根，穆建成.智能交通系统的发展[J].北京交通大学学报，2002，26（1）：29-34
[4]宁滨.智能交通中的若干科学和技术问题[J].中国科学：信息科学，2018（9）：1264-1269.
[5]高子初，张宁.用大数据智能交通技术管理复杂多车道道路的新策略[J].科技与创新，2018（1）：25-26.
[6]United States Federal Transportation Advisory Group：An Integrated NationalTransportation System.2001.http：//www.interstatetraveler.us/Reference-Bibliography/Vision%202050.pdf.
[7]田翔，袁芳.借鉴欧洲经验指导城市交通发展[J].综合运输，2013（12）：87.
[8]浅野浩二，李烨，刘景宝.东日本铁路公司高速列车的发展[J].国外铁道机车与动车，2018（2）.