基于数字孪生的轨道交通智慧运维系统研究

张振山,郝明明

(1.南瑞集团(国网电力科学研究院)有限公司,江苏 南京 210032;2.国电南瑞科技股份有限公司南京轨道交通技术有限公司,江苏 南京 210032)

0 引言

数字孪生(digital twin,DT)是充分利用物理模型、传感器更新、运行历史等数据,集成多学科、多物理量、多尺度、多概率的仿真过程。其在虚拟空间中完成映射,从而反映相对应的实体装备的全生命周期过程[1]。DT技术作为数字世界与物理世界之间的桥梁,可以提供物理对象和过程的实时虚拟表示[2]。随着传感器技术在轨道交通智慧运维系统的大量应用,自动化系统内部积累了大量的物理感知数据、模型生成数据和虚实融合数据。数据呈现多来源、多种类、多结构的特点,存在数据融合困难、信息孤岛等问题[3]。为了给用户带来持续价值的DT项目的落地,需要更稳定的数据驱动、更智能的分析技术和更丰富的可视化展现。大数据技术可以高效、稳定地处理海量数据,有利于解决多源异构、时空对齐和数据融合等问题,从而为DT建模奠定更加可靠的数据基础[4]。

目前,轨道交通地铁车站智慧运维系统采用三维软件(如C4D/3DMAX/HT等软件)实现车站三维虚拟空间的搭建。搭建的三维虚拟空间可以对整个物理场景进行复刻,从而构造一个和物理现实相对应的虚拟空间来模拟监控设备虚拟孪生体[5]。基于三维可视化场景,该空间对具体设备运行情况进行精准复现,能够高度还原设备的地理位置、外形、材质、纹理细节等显示细节以及复杂内部结构,并实现高精度、超精细的可视化渲染[6]。但是这也面临一些问题,例如信息实时采集、虚实连接、数据存储/分析/研判等处理过程存在人脑难以承载的庞大信息量,且整个生产管理运营逻辑需要运用更加合理的分析方法加以分析。

本文在介绍轨道交通地铁车站特殊性的基础上,首先采用基于DT的轨道交通智慧运维系统,构建地铁车站DT虚拟设备的基础模型,以及数字化地铁车站DT虚拟设备的行为模型。然后,本文根据上述模型设计基于容器化的多态分析技术,以实现地铁车站的实时、历史、特征和多预测等状态模式,并通过上述多个模式的组合实现车站运维在培训、演习和运营等场景下的不同功能需求。本文设计、开发的系统促使DT的功能和价值在地铁车站智慧运维领域更加清晰,便于运维人员快速掌握设备特性和熟悉系统运维过程,从而提高操作员的运维效率。

1 系统架构

基于DT的轨道交通智慧运维系统架构如图1所示。

图1 系统架构图Fig.1 System architecture diagram

基于DT的轨道交通智慧运维系统实现了DT模型构建和多态分析研判地铁车站系统运维过程,提高了运维效率。该智慧运维系统主要包括构建地铁车站DT虚拟设备的基础模型。其设计“一物一码”标签和状态时标,以实现对地铁车站监控设备在多源、异构、时间和空间等维度的建模。数字化地铁车站DT虚拟设备的行为模型主要包括数字化地铁车站的监控设备在设计、建设和运维过程中的时序关系、工作或应急处理流程,以及设备之间内在的关联关系等。本文设计、开发基于容器化的多态分析技术,以实现地铁车站的实时、历史、特征和多预测等状态模式,并通过上述多个模式的组合实现车站运维在培训、演习和运营等场景下的不同功能需求。

系统数据流主要包括结构化数据处理、非结构化数据处理、预测模型存储和模式容器生成等流程,为DT体奠定数据和模型基础。结构化数据处理指利用大数据平台中Flink框架对子系统(如综合监控、电力监控和机电监控等系统)所发送的数据进行抽取、转换、加载(extract、transform、load,ETL)处理,并进行信息映射、计算统计、实时转发和历史存储等过程,以实现车站地铁设备虚拟实体的信息更新。非结构化数据处理包含人工处理监控设备在设计、建设和运维过程中的时序关系、工作或应急处理流程和数据挖掘技术产生的设备之间的关联性。预测模型存储指自研和第三方开发的客流、能耗或设备故障的预测模型存储在固定目录下,供系统调用。模式容器生成指按照模式的不同组合、不同微服务模块生成不同容器,并存入容器仓库。系统动作流主要包括容器调度、数据抽取、容器组态以及状态模式生成等动作。其中:容器调度用于初始化和接收系统消息;数据抽取用于抽取相应的数据;容器组态用于调用相应的模式容器;Jenkins获取信息后生成并且启动相应的不同模式容器。操作人员可选择不同的模式容器驱动来渲染画面,从而显示系统监控设备不同生命周期的数据状态。

2 数据模型

2.1 基础模型

基础模型建立步骤包括唯一性编码、时空对齐和多源异构数据。

①唯一性编码。在数据仓库中按照“一物一码”原则建立地铁车站的数字化模型。大数据平台的贴源层、明细层和汇总层生成的各种属性与唯一性编码相对应。主要编码有:车站唯一性编码规则为“线路ID.车站ID”;车站设备唯一性编码规则为“线路ID.车站ID.专业ID.设备类型ID.设备ID”;属性唯一性编码规则为“线路ID.车站ID.专业ID.设备类型ID.设备ID.属性类型ID.属性ID”。

②时空对齐。所有不同源不同结构的采集数据带时标上传数据。针对不同数据源的相同设备实时数据,设置一个时间窗口。在时间窗口内到达的子系统数据统一为一个时间标记。统计信息表中设置n个时间字段{t1,t2,…,tn},按照小时、天、周、月等不同的统计周期实现分层的数据统计,用于统一时间对齐。大数据平台内部统一划分多层空间区域(如车站、站台、站厅、三维网格区域等层次),用于空间对齐。

③多源异构数据。多源数据中相同设备有不同属性时,在相同设备建立不同属性即可。相同设备具有相同属性时,属性只建一遍。大数据平台与采集系统进行对时,使用Flink框架实时和批处理所有具有状态时标的采集数据,动态映射监控设备的虚拟对象。采集系统上传采集数据后,经过ETL过程,虚拟设备的多个数据源的状态更新时,程序比较设备实时时标和采集时标。如果实时时标大于采集时标,则状态数据丢弃;如果实时时标小于采集时标,则状态、实时时标更新。程序通过hash映射标签更新属性状态。

2.2 行为模型

监控设备行为模型的获取比较复杂,需要进一步研究。该模型的获取途径主要有手工整理和数据挖掘两种。首先,各专业在设计、运行与管理阶段的安全性与可靠性工作中建立大量的关系图。这些关系图中包含了各系统专业可能发生的保护信号失效、人为失误、环境变化等故障原因信息和这些信息之间的逻辑关系[7],以及在设计、建设和运维过程中的工作流程和应急处理流程。然后,与监控设备相关的各步骤被筛选出来,从而建立树形结构关系图,并手工入库。接着,通过大数据挖掘监控设备之间的关联关系,使具有关联关系的设备自动入库。最后,树形结构关系在关系数据库中建立数据模型。树形结构中的一个节点在数据库为一条记录。几条记录组成一个树形结构关系。记录主要包含唯一性编码、子节点编码和兄弟节点编码三个属性。例如,A节点有B、C、D的三个子节点,则A节点记为{A,B,“”}、B节点记为{B,“”,C}、C节点记为{C,“”,D}、D节点记为{D,“”,“”}。

2.3 数据准备

2.3.1 容器仓库

①Python已经训练好的客流、能耗等预测模型存放在/model/data目录下。预测模型Python接口文件存放在/model/inter目录下。

②开发基础微服务容器。基础容器内包含jdk环境、Python环境、redis服务、服务管理进程。其中,服务管理进程用于管理状态模式服务和汇报心跳。

③实时、历史、特征和多预测微服务与基础微服务容器一起打包生成各种状态模式容器,存入状态模式容器仓库。

2.3.2 预测模型

本文提到的预测模型指系统提供Python的机器学习容器环境,可直接使用其他平台已经训练好的客流、能耗或设备故障的预测模型。预测内部算法不作进一步研究,而是存储在固定目录下供系统调用。

3 多态分析

基于容器化的多态分析技术指根据地铁车站当前设备情况和树形结构图生成包含一组微服务、缓存数据和预测模型的组合,用于同一时间为数据可视化分析提供多种数据驱动。组合以容器部署方式手动或自动生成,且容器之间相互隔离、互不影响。大数据可视化画面任意切换连接某个容器,同时展示地铁车站不同维度的状态,以更直观地与决策者进行深层互动。

状态模式主要包括实时、历史、特征和多预测等。各状态模式显示监控设备不同生命周期的数据状态。状态模式含义和生成步骤如下。

①实时状态模式指在系统中的所有监控设备虚拟对象接收变化数据的实时刷新。系统启动后,容器调度模块启动实时状态模式。数据抽取工具抽取初始化数据和模型生成配置文件,容器组态工具抽取实时状态模式基础容器。Jenkins读取配置文件、启动实时状态模式容器。

②历史状态模式指以历史数据文件为驱动,回放车站监控设备某一段时间内的历史状态。容器调度接收画面历史状态模式消息后,发送开始时间、结束时间、数据范围等信息。数据抽取工具抽取时间区间内历史数据文件并将其存放到model/history目录下,以生成配置文件。容器组态工具抽取历史状态模式基础容器。Jenkins读取配置文件启动历史状态模式容器。

③特征状态模式指根据当前报警、故障或流程等特征,抽取以往具有相同特征的监控或处理流程,并模拟回放这个过程。容器调度接收画面特征状态模式请求命令和特征信息,数据抽取工具自动判断特征信息抽取特征历史文件并将其存放到model/feature目录下,以生成配置文件。容器组态工具抽取特征状态模式基础容器。Jenkins读取配置文件启动特征容器。

④多预测状态模式指设备正常实时刷新,但是不能控制,根据树形结构图生成智能辅助路径的监控设备状态模式。多预测状态模式包含全路径和优选路径两种预测模式。在全路径预测中,该模式选择某一步骤,显示该步骤执行后的当前所有监控设备实时状态。优选路径是根据当前情况智能选择出几条优选路径。路径每个步骤得以执行后,智能优选路径中运维人员预操作、设备状态和预测值也自动更新。容器调度接收画面多预测状态模式请求命令和流程处理信息。数据抽取工具根据流程处理信息生成配置文件。容器组态工具抽取多预测全路径状态模式基础容器。Jenkins读取配置文件启动全路径容器。容器调度接收画面多预测状态模式请求命令和流程步骤信息。数据抽取工具根据流程步骤信息生成多个优选路径配置文件。容器组态工具抽取多预测多个路径状态模式基础容器。Jenkins读取配置文件启动优选路径容器。

4 智慧运维

4.1 状态模式组合

地铁车站需求场景复杂,单一状态模式不能全面满足业务需求。多容器组态功能实现多状态模式组合,可满足车站运维在培训、演习和运营等场景下的运维需求。例如:多个历史、特征和多预测状态模式组成培训场景;多个历史、特征模式组成演习场景;多个实时、历史、特征和多预测状态模式组成运营场景。

4.2 实施

本文以运维人员的培训场景中自动化场景“车站火灾”为例,介绍系统运行流程。火灾报警系统(fire alarm system,FAS)模拟触发车站火灾信号,系统弹出状态模式选择界面,选择历史、特征和多预测状态模式,点击“确定”。显示器划分四个显示区域。每个显示区域可以启动一个Web浏览器。Web画面分别同时连接实时、历史、特征和多预测状态模式容器,显示DT体不同生命周期的数据状态。实时画面可以根据菜单显示,但不能控制客流、监控设备和闭路电视等画面。历史画面显示当前的客流、监控设备的状态,可以任意进行快慢或拖拉调整,以查看是否有特殊事件(如客流的波动)或流程。多预测画面显示车站火灾应急流程。运维人员点击主路径的每个步骤,画面显示执行该步骤后的系统当前实时状态。

本文系统的应用,将运维人员从单一的历史数据观摩的被动学习,转化为可以双向与实际系统的互动学习。培训的运维人员既可以观摩正线多应用实时系统的真实设备动作,又可以按照案例处理步骤学习快速应急处理流程,或点击多预测状态模式中的各预测路径,对设备间的关联性进行更深入的学习。

5 结论

基于DT的轨道交通智慧运维系统可以同时展示、分析和研判轨道交通地铁车站监控设备在不同生命周期的数据状态,通过多个状态模式的组合实现车站运维在培训、演习和运营等场景下的不同功能需求,为DT落地提供了新方向。目前,系统在自动化场景测试案例中运行稳定,达到了预期效果。但DT的行为模型积累和最优路径还需要进行进一步的研究和大量实际案例的支持。