动车组应急指挥管理平台的技术特征

张海峰 夏立军 杨晓磊 邵俊捷 林柏池 李 潇

(1.中车长春轨道客车股份有限公司科技管理部,130062,长春；2.中车长春轨道客车股份有限公司国家轨道客车工程研究中心，130062，长春//第一作者,高级工程师)

高速铁路应急指挥是保证高速铁路行车安全、正点运行以及提高列车服务的关键，因此，建立高效、智能的列车应急指挥平台成为保障高速列车运营秩序的重要研究课题。

列车应急指挥管理平台可将采集到的高速动车组数据进行处理、分析和展示，通过数据驱动和模型驱动等方式全面感知动车组状态，从而诊断和预测动车组故障，以及实现动车组远程实时监控、故障信息填报、现场图像和视频采集等功能。该平台有利于应急指挥人员及时掌握现场信息，并依托智能知识库提供故障快速诊断和处置预案[1]；平台通过提供应急指挥协同支持工具，使多方专家参与应急指挥过程，这样可以有效提升故障处置效率和技术资源复用率；平台还可将应急指挥经验保存为结构化数据，以丰富专家知识库。

1 研究背景

1.1 国外现状

有着运量大、速度快、安全、正点率高的日本高铁，借助COSMOS(新干线综合运输管理系统)能够实时监测车辆运行状态及故障报警等信息，从而实现司机屏幕信息同步显示、运行故障信息实时回传并直接进行指挥等功能[2]。德国、法国、瑞典、韩国等国家的高速铁路为保证高速列车的稳定运营，都高度重视车载信息以及专家支持系统在列车运行故障应急处置方面的应用，但由于国外动车组车型体系相对单一，列车运营密度、运行速度及环境复杂度相对较低，故运行故障应急处置工作要求相对简单[3-4]。

1.2 国内现状

我国高速铁路运营速度高、里程长、车型多，一贯比较重视高速铁路调度管理工作。通过出台的相关文件，从管理制度上对高速铁路调度的组织机构、工作职责及流程规范等做出了明确要求[5]。

通过对动车组调度长期的探索与应用，我国在动车组运行故障处置方面积累了大量经验。但由于我国铁路运营情况较国外更为复杂，车辆调度信息获取自动化程度低、来源零散、集成度差；加之我国地域辽阔、车型较多，对各车型的故障模式及故障机理的分析还在积累和完善中，因此，影响铁路运输秩序的列车运行故障还时有发生。中国铁路总公司颁发了《应急故障处置手册》等文件，但该文件主要是针对具体单一问题，目前尚未建立统一、标准的列车运行故障分类体系以及相应的处理措施和处置流程。

综上所述，建立车辆应急指挥信息系统，规范列车运行故障分类体系及处理措施和处置流程，是车辆调度管理工作的迫切要求。

2 动车组应急指挥管理平台的技术特征

2.1 动车组应急指挥管理系统的功能

2.1.1 数据流设计

动车组应急指挥管理平台的构建以应急发起、应急处置、应急结束的时间点为主线，覆盖应急指挥的全流程数据驱动架构[6]。

应急发起支持3种模式，列车工作人员可以通过拨打应急电话、通过移动端应用一键触发接入应急指挥系统或者通过车载传输网络与地面应急指挥系统打通数据，将模型预警结果推送到动车组应急指挥管理平台。通过以上3种方式快速、准确地创建应急故障任务单。

在应急处置过程中，平台可自动获取车组状态、车组运营及列车工作人员等信息，并通过车辆构型实现上述数据信息的关联和融合，以快速提报应急故障单；平台可和电子交互手册平台的数据对接实现故障隔离，通过推理模型库的推理模型实现应急预案的智能推导，同时支持以视频会议、语音会议的方式实现调度指挥过程中的协同指挥。

应急处置结束后，需对本次应急处置过程进行应急评价，评价内容包括应急流程评价、处理人员评价和应急预案评价。将评价结果结构化以优化推理机模型，从而实现数据的闭环和应用。

2.1.2 功能设计

1) 远程监控：监测动车组的位置、状态、实时参数、远程故障等信息，监控人员在任何时间、任何地点可实时掌握列车运行状态。

2) 故障诊断：包括故障精准定位和故障原因排查两大功能[8]。根据动车组远程故障数据形成的故障列表进行故障诊断，其目的是根据车载数据报出的故障代码，排查可能的故障原因，并且精确定位真实的故障原因。故障逻辑树输出的是某一个具体的故障原因，用途是故障的精准定位，属于故障诊断的前置程序，相当于虚警过滤。故障精准定位包括故障逻辑自动定位和专家库自动匹配两种方法，在后台运行，其结果在告警详情页面显示。故障精准定位结果是定位后的故障原因，故障原因排查是基于故障精准定位的结果进行交互式故障排查。

3) 协同指挥：利用语音融合技术，建立文本、语音、视频会议交流通道，组织多方专家、专业技术人员参与应急指挥。协同指挥代替原来单一的电话、赴现场支持的问题解决模式，整合了优势技术资源 。

4) 预案推荐：根据高速列车运行状态、列车履历、现场情况等要素，利用推理机模型，根据故障描述在方案库中进行匹配，匹配结果由平台自动推送应急预案。

2.2 应用架构

中车长春轨道客车股份有限公司研发的动车组应急指挥管理平台由数据源、数据总线、支撑工具、应用服务、应用集成、终端访问等6部分组成。其中，数据源包括构型数据库、技术资料数据库、全寿命周期履历库及时间序列数据库，主要用于数据的接入。动车组应急指挥平台数据源如表1所示。

数据总线是针对数据源的数据进行采集、清洗、流式计算等操作。对于从外部系统接入的车载、履历、检修、检测等数据必须经过数据处理，对无效和异常的数据进行清洗和过滤，同时根据系统和部件的实时参数，结合履历和检测数据进行特征提取，建立系统和部件的性能模型，输出系统和部件的性能参数，实现数据的规范化和关联化，为工具层提供总线服务。

支撑工具层提供构型管理、流式计算、表单配置及模型配置工具等。

应用服务包括应急工作台、运营管理、综合信息、知识管理等，用来实现数据的利用和业务扭转。

应用集成包括数据和工具两部分，业务数据通过接口将数据接入数据总线，工具通过软件集成的方式嵌入到平台中，通过业务节点进行调用。

终端访问主要由随车机械师、远程指挥中心和业务专家等通过电话、移动APP(应用程序)终端和电脑完成。

2.3 关键技术

2.3.1 专家库自动匹配

动车组应急指挥管理平台记录与存储故障历史案例，包括故障原因、故障现象、故障模式等必要字段。平台通过文本大数据方法学习故障文本之间的语义关联，以获取字面不同但文本含义有逻辑关联的词组。

当发生新故障时，向系统录入故障现象，系统通过自然语言处理方法以及上述的文本语义关联匹配最相关的历史故障案例，并将历史故障案例按照相关度进行智能排序。

2.3.2 交互式排除故障

动车组应急指挥管理系统根据当前已知的故障现象与已排除的故障原因，通过贝叶斯理论计算剩余可能的故障原因的条件概率；通过基于信息熵的算法给出下一步检查项目，使期望的测试费用或者检测次数最小化；检查下一步项目并返回系统，系统给出故障原因或推荐下一个检查项目。

动车组应急指挥管理系统以信息熵作为下一步测试选择的依据。

在当前已测试所有结果的条件下，令X为当前故障分布，选取下一步测试为Ti，使得每比特的费用ci/H(Ti) 最小。其中，ci为相应的测试费用；H(X)为信息熵。

(1)

式中：

pi——事件X发生的概率。

通过X可以完全确定Ti。从信息熵的性质可以得出：

H(X)-H(X|Ti)=H(Ti)

(2)

式(2)左边为测试ti导致的信息熵的减少量。动车组应急指挥管理系统所采用的每比特费用最小化的方案在平均情况下可以使得整体费用最小化。当各个测试项目的费用均相等时，系统得到的方案即测试步骤最小化的方案。

2.4 新技术应用

2.4.1 基于神经网络的特征参数提取

基于神经网络的特征参数提取主要运用以下两种简单的网络框架实现。

1) 前馈神经网络。前馈神经网络结构如图1所示。图1中，网络结构层数及每层的神经元数、最大迭代次数以及学习函数的学习速率等参数均可调。网络结构特征参数的提取默认使用反向传播算法。

图1 前馈神经网络结构图

2.4.2 混合型数据库的应用

针对动车组海量数据,列车应急指挥管理平台具有产生频率快、严重依赖采集时间和测点多、信息量大等特点；而关系型数据库由于天生劣势存在无法进行数据的高效存储和查询的问题，故提出使用时间序列数据库的存储方式，使动车组时序大数据可以被高效存储和快速处理。传统磁盘数据库受数据操作方式和系统调用时间的影响，存取海量数据时存在响应时间过长等问题；而列车应急指挥管理平台针对内存数据库在数据缓存、快速算法及并行操作等方面具有显著优势的特点，提出使用内存数据库作为动车组海量数据的存储介质。此外，该平台借助构型参数配置管理技术能够对动车组数据进行科学划分，从而提高动车组实时数据与历史数据的维护效率[9]。

2.5 数字孪生技术在动车组应急指挥管理中的应用

为了全面感知动车组状态以及分析和预测动车组问题，一种简便有效的方法就是在虚拟的空间中建立一个与动车组实体完全一致的“孪生”虚拟可视化动车组模型，即工业数字孪生技术。

数字孪生，顾名思义，就是指对于物理世界的一个实体对象，通过数字建模技术去构建一个与物理世界中一模一样的虚拟可视化模型，从而实现对物理对象的监测、分析和优化。在高速动车组运营中，数字孪生技术可以发挥自动感知信号、快速智能计算、加快数据传递的优势，通过提取设备、环境、信息等基础要素，建立一个与物理实体高度一致、不断交互、高效精准、协同运作的虚拟可视化高速动车组模型，对高速动车组进行实时准确的状态感知和故障诊断、预测，实现对高速动车组故障的预警，保证高速动车组安全平稳运行，并为高速动车组运营决策提供技术支持，从而最终在高速动车组运维中，实现智能感知、多维度呈现、模拟仿真、故障预警、指导运维及反补设计的目标。因此数字孪生技术在动车组应急指挥管理中具有深远的意义[10]。复兴号列车数字孪生图如图2所示。

图2 复兴号列车数字孪生图

动车组孪生应急指挥管理平台通过接入车载监测状态、历史、故障等数据，以及故障处理情况、故障代码表及故障处置建议方案，结合系统算法模型，可实现高速动车组故障孪生分析、故障孪生预警以及故障孪生专家库支持下的动车组应急指挥管理功能。

2.5.1 故障孪生分析

故障孪生分析分为故障统计分析和故障原因诊断等，它是通过获取列车故障的时间、故障代码、故障描述等故障详细信息，结合列车故障运行数据、检修过程记录等，对列车故障数据进行孪生分析。其中，故障统计分析通过对动车组历史故障等信息的分析，以数字孪生模型的形式呈现列车各系统部件的故障统计分布，并用不同颜色等形式对各部件故障情况进行统计分析展示；故障原因诊断通过调取故障专家库的信息，对列车故障信息进行诊断分析，并孪生诊断故障的可能原因，给出相应故障原因的处置建议，以指导故障处置。

2.5.2 故障孪生预警

故障孪生预警通过接入外部状态、检测、履历等数据，采用多学科交叉的思路，结合半监督学习、集成学习、信息几何及高阶时频分析等混合智能算法，全面实现典型动车组关键设备的特征提取及约减、半监督故障诊断以及并发故障诊断及预测。

选取有针对性的系统部件进行数字孪生故障预警算法研究，并对转向架、牵引系统、空调系统、车门系统等安全等级要求高或故障发生频率高的系统部件进行重点研究，从而实现京张高速动车组重点系统部件的数字孪生预警。

2.5.3 故障孪生专家库

故障孪生专家库模块通过故障数据的全方位收集整理、大数据分析与故障诊断建模，以及通过多种孪生分析及故障孪生预警模块的关联，结合故障代码库及日常故障处理情况，不断优化故障孪生专家库。故障孪生专家库支持根据车载数据报出的故障代码，提供可能的故障原因，为故障的精确定位及故障处置提供决策建议；支持列车故障处置应急孪生仿真、现场作业培训等系统功能，通过不断自学习完善，形成不断优化迭代的专家库系统。

3 结语

本文在分析国内外动车组运维系统发展现状的基础上,以中车长春轨道客车股份有限公司研发的动车组应急指挥管理平台研究对象,在深入分析该系统平台的系统功能和架构的前提下,对其中涉及的数据处理分析技术进行了详细介绍,为动车组运维技术提供了新思路和新方法;同时分析了新兴的数字孪生技术在动车组应急指挥管理方面的应用价值;后续将对动车组智能运维相关技术进行更广泛深入的研究。