國外鐵路大數(shù)據(jù)研究與應用現(xiàn)狀

#/17道幾何異常自動校訂20106機器視覺學習20137混凝土軌枕的機器視覺20148基于風險的調(diào)度優(yōu)先20149基于天氣建模的軌道溫度預測201610被動非接觸高速軌道檢測201611基于仿真的斷軌脫軌風險分析201712由數(shù)據(jù)驅(qū)動和缺陷退化建模的軌道養(yǎng)護維修方案優(yōu)化201713現(xiàn)有變化檢測軟件在鐵路環(huán)境的應用2017從混搭型智能數(shù)據(jù)平臺、基礎設施運維管理、客戶服務、風險分析等方面，介紹美國鐵路大數(shù)據(jù)的研究與應用成果。混搭型智能數(shù)據(jù)平臺雖然在大數(shù)據(jù)的背景下可以獲取大量行業(yè)相關(guān)數(shù)據(jù)，然而支離破碎、未受保護、無法訪問、質(zhì)量低下的不良數(shù)據(jù)只會帶來糟糕的業(yè)務結(jié)果。出于這方面考慮，互聯(lián)網(wǎng)和數(shù)據(jù)服務公司提出了智能數(shù)據(jù)平臺的概念，旨在讓數(shù)據(jù)實現(xiàn)自我組織，保證數(shù)據(jù)安全可靠，Informatica在2014年發(fā)布了新型的智能數(shù)據(jù)平臺。在通用智能數(shù)據(jù)平臺基礎上，一些公司針對鐵路行業(yè)特點開發(fā)了定制化的數(shù)據(jù)平臺，Railinc公司自2015年開始從傳統(tǒng)的數(shù)據(jù)倉庫向大數(shù)據(jù)方向轉(zhuǎn)變。近年來針對于鐵路行業(yè)開發(fā)的混搭型智能數(shù)據(jù)平臺（見圖3）包括元數(shù)據(jù)自助管理、ELT抽象層、Wandisco支持的數(shù)據(jù)存儲和備份等層面。該混搭型智能數(shù)據(jù)平臺在機器學習和數(shù)據(jù)分析部分，運用Spark進行流數(shù)據(jù)分析，利用SAS進行歷史數(shù)據(jù)分析。利用智能數(shù)據(jù)平臺，一方面可以提高鐵路行業(yè)產(chǎn)值，如進行預測性維護、ETA預測、設備故障分析的模型優(yōu)化等；另一方面可以優(yōu)化鐵路運營管理，如車隊管理模擬、系統(tǒng)異常探測、商業(yè)決策制定等［14］。圖3Railinc混搭型智能數(shù)據(jù)平臺基礎設施運維管理美國鐵路比較關(guān)注運用大數(shù)據(jù)技術(shù)優(yōu)化基礎設施狀態(tài)管理和養(yǎng)護維修計劃，通過對橋梁、道岔、鋼軌磨損、軌道幾何等數(shù)據(jù)的分析和狀態(tài)預測，有效防范事故發(fā)生，從而保障鐵路行車安全。2.2.1鐵路資產(chǎn)管理2011年美國貨運鐵路啟動了“資產(chǎn)健康戰(zhàn)略計劃”(AssetHealthStrategicInitiative，AHSI)，AHSI對各鐵路公司分別收集和存儲的大量數(shù)據(jù)進行分析，并由此解決行業(yè)內(nèi)最關(guān)鍵的鐵路設備管理與維護問題。AHSI建立在以往關(guān)于監(jiān)控鐵路車輛健康情況的EHMS計劃之上，組件跟蹤程序可在全國225308km鐵路網(wǎng)范圍內(nèi)輕松地跟蹤并監(jiān)測6種類型的車輛組件。在AHSI開發(fā)前，鐵路公司主要依靠軌旁設備監(jiān)測組件的磨損跡象，然而列車往往在多鐵路公司的范圍內(nèi)運行，而監(jiān)測數(shù)據(jù)卻不共享，鐵路公司僅能夠掌握車輛在自己軌道上運行的狀況，由此會延誤對潛在問題的診斷和維護oAHSI正在匯集這些鐵路數(shù)據(jù)庫，允許全國范圍內(nèi)的鐵路公司和車輛擁有企業(yè)共享信息并制定更好的車輛維修、保養(yǎng)和運行決策，以提高鐵路安全性。盡管AHSI仍在運用初期，但在2015年使用大數(shù)據(jù)識別運行狀況不佳的車輛，已經(jīng)避免了1000多次服務中斷［15］。Ensco公司開發(fā)了基于GIS的鐵路鋼軌狀態(tài)監(jiān)測系統(tǒng),用于進行資產(chǎn)管理、判斷鋼軌狀態(tài)、智能制定維修決策等。該系統(tǒng)輸入的數(shù)據(jù)來源多樣，包括軌道檢測車（TMV）、輪軌間監(jiān)測器（V/TIMonitors）、移動定稱（IMWS）、相關(guān)文件等。其中，軌道檢測車獲取的數(shù)據(jù)輸入虛擬軌道行走器軟件（VTW），該軟件通過對檢測數(shù)據(jù)的分析，允許使用者標記鋼軌缺陷，并可自動給出缺陷部位的里程和坐標，減輕工務人員定位鋼軌缺陷的工作量。鋼軌狀態(tài)監(jiān)測系統(tǒng)（RTCM,見圖4）有3個主要模塊：第1個是數(shù)字化鋼軌記錄（DTN），主要用于生成管理報告；第2個是鋼軌檢查工具（TrackIT），幫助使用者準確地了解鋼軌資產(chǎn)的位置和狀況；第3個是維修自動推薦，可使管理人員在辦公室內(nèi)對應該養(yǎng)護維修的區(qū)域一目了然，方便人力物力的調(diào)度管理。鋼軌狀態(tài)監(jiān)測系統(tǒng)同時接入GIS和SAP系統(tǒng)，可共享地理位置信息和派遣工單［16］。2.2.2預測性維護美國Strukton公司開發(fā)了預測性維護和故障診斷系統(tǒng)POSS，其目標是在早期階段識別資產(chǎn)的衰退，幫助分析師將注意力集中在衰退資產(chǎn)上，優(yōu)化維修間隔，以減少維修成本和故障，其基于數(shù)據(jù)的維修管理流程見圖5。圖4鋼軌狀態(tài)監(jiān)測系統(tǒng)（RTCM）書報運醱持鶴通如控制空間圖5Strukton基于數(shù)據(jù)的維修管理流程（POSS）M行脫幾1/.1間間產(chǎn)校準和測it誤才?預測回歸丿深度學習聊人為判斷機辭習HQ?優(yōu)世人為判斷機辭習HQ?優(yōu)世風險收益

所需工作At卜實施長期計劃中孵十劃EI計血罔國圖6IBM鋼軌磨損預測工作流程此外，Strukton運用聚類和SPC模型預測道岔的狀態(tài)，從而確定有必要進行維修的道岔。目前25%?35%的道岔故障可通過耗能數(shù)據(jù)準確預測出來，下一步，Strukton準備加入控制數(shù)據(jù)，將模型的準確率提升到50%?70%［1刀。IBM針對二級軌道幾何缺陷，采取回歸模型結(jié)合深度學習的方法，對鋼軌磨損進行預測，其工作流程見圖6。在數(shù)據(jù)采集方面，收集行車、脫軌、軌道幾何數(shù)據(jù)、歷史維修數(shù)據(jù)，并在時間、空間、資產(chǎn)屬性等方面對校準和測量誤差進行調(diào)整。預測模型采用回歸分析與深度學習相結(jié)合的方法，鋼軌退化和磨損的預測指標包括使用時間、電流振幅、行車量、鋼軌等級/速度、其他幾何缺陷等。在人工評級方面，通過人工少量標注結(jié)合機器學習的方法，建立脫軌風險模型。在此基礎上，通過脫軌概率、不同級別缺陷花費、脫軌花費等信息建立優(yōu)化模型，從而決策是否需要對某種鋼軌缺陷進行整改維修。最后，對于需要維修的工作制定長期計劃、中期計劃和日計劃［18］。2.3客戶服務Amtrak公司利用大數(shù)據(jù)提升乘客的互動和體驗［19］，將列車運行圖與谷歌地圖相結(jié)合，開發(fā)實時列車定位地圖，通過該網(wǎng)站可以訪問有關(guān)美鐵列車的最新信息。此外，Amtrak公司通過數(shù)據(jù)預測進行火車餐車食物配備以實現(xiàn)忠誠度營銷。列車實時定位項目（RTVL）根據(jù)現(xiàn)有系統(tǒng)提供的數(shù)據(jù)可按每30s對旅客列車進行追蹤和定位，因此，基于RTVL的手機應用SEPTA為乘客帶來新的服務體驗。乘客在SEPTA上可以查看列車時刻表、車輛位置信息和調(diào)度安排，還可以對城市與郊區(qū)的換乘信息一目了然。與此同時，鐵路系統(tǒng)也可借助SEPTA收集乘客的相關(guān)信息。2.4風險分析在風險分析方面，新澤西州立大學開展了基于仿真的斷軌風險分析［13］。該研究提出一個綜合的斷軌脫軌風險分析和模擬框架，用于了解風險的變化，以應對軌道條件、運營和規(guī)則的變化。研究開發(fā)了貝葉斯分析框架，以預測鋼軌斷裂概率，使用多元數(shù)據(jù)分析預測脫軌的影響，并評估不同風險管理策略的效果。該研究提出的斷軌風險分析流程見圖7。3日本日本是一個高度信息化的國家，自20世紀50年代以來就以信息化立國，隨著信息化和物聯(lián)網(wǎng)的發(fā)展，大數(shù)據(jù)技術(shù)在鐵路行業(yè)得到廣泛應用。如開發(fā)列車貨物運輸版的GIS系統(tǒng)，使用戶實時掌握貨物運輸動態(tài)，為鐵路貨運用戶和工作人員提供有益的分析和判斷信息；開發(fā)席位種類設定計劃系統(tǒng)，提高坐席利用率和旅客便利性。JR東日本鐵路公司提出“智能維護計劃”，推動日本鐵路維修方式改革，該計劃不是具體的維修養(yǎng)護方法，而是一種新的維修架構(gòu)。與現(xiàn)有維修方式相比，“智能維修計劃”主要包含4部分內(nèi)容［20］（見圖8）。

埔出SA埔出SA圖7斷軌風險分析流程3.1實現(xiàn)基于狀態(tài)的維修在基于狀態(tài)的維修（CBM）系統(tǒng)中，監(jiān)測組件會通過識別設施設備的退化程度和故障跡象來判定其狀態(tài)，以保證適時地進行設備維修養(yǎng)護。以電力設備監(jiān)測系統(tǒng)為例，CBM工作流程見圖9。引入蒐爪竝率EE闔疣鵡M一C—土木丁引入蒐爪竝率EE闔疣鵡M一C—土木丁程.E—電宦工柱S—童：R—機車車顯圖8“智能維修計劃”的4項主要內(nèi)容評估執(zhí)行計劃預河按也魁損設誹迤怯工件未3|：杲年的酬刮數(shù)建盛劃戳掘用于臣潮禾來按肥踐宙按并潔L舉樓噬直收猿接駕第狀態(tài)的扯崔評估執(zhí)行計劃預河按也魁損設誹迤怯工件未3|：杲年的酬刮數(shù)建盛劃戳掘用于臣潮禾來按肥踐宙按并潔L舉樓噬直收猿接駕第狀態(tài)的扯崔辿用魚霸列半賓*嫌蟻的一iKifli.如高度、礎、凄捷R九蠅關(guān)報、矍電弓反彈51?.受電弓fl?莓頂對捉購址腔損說剤局部區(qū)損的瑕珂iJS?s過股悚斛4^躺4胡威小聞走唱楚鬲度愛住才析數(shù)禍j制定IA制宦設備維悟工作的決策圖9電力設備CBM工作流程圖9中所示的循環(huán)可以動態(tài)實施，該循環(huán)可實現(xiàn)數(shù)據(jù)獲取，根據(jù)數(shù)據(jù)分析識別退化狀態(tài)，制定包括維修時間、地點、方法的決策，實施維修，評估維修結(jié)果。日本鐵路正在研究如何將CBM用于鐵路車輛以實現(xiàn)更高效的車輛維護，CBM要監(jiān)測車輛組件的狀態(tài)并分析所得到的數(shù)據(jù)，在此基礎上制定車輛維護計劃［21］。3.2引入資產(chǎn)管理鐵路資產(chǎn)管理的概念是將鐵路設施設備當作資產(chǎn)，并從全生命周期的角度對資產(chǎn)進行高效管理。對于橋梁、隧道、土木工程等退化速度慢、維修規(guī)模大的設施，識別退化較為困難，如果智能維修能克服該困難，工程師可根據(jù)退化狀態(tài)對比多種維修方法，從而提出最優(yōu)的維修計劃