李 剛，盧佩玲

（1.中國鐵道科學(xué)研究院 研究生部，北京 100081；2.中國鐵道科學(xué)研究院集團(tuán)有限公司 通信信號(hào)研究所，北京 100081；3.中國鐵道科學(xué)研究院集團(tuán)有限公司 國家鐵路智能運(yùn)輸系統(tǒng)工程技術(shù)研究中心，北京 100081)

近年來，我國高速鐵路快速發(fā)展，大量具有自診斷功能、高技術(shù)含量的信號(hào)系統(tǒng)應(yīng)用于鐵路運(yùn)營線上。與此同時(shí)，隨著高速鐵路運(yùn)用規(guī)模的逐漸擴(kuò)大、運(yùn)行速度的不斷提高，高速鐵路信號(hào)系統(tǒng)也已經(jīng)從保障高速鐵路安全高效運(yùn)行，拓展到多層域狀態(tài)智能感知、系統(tǒng)協(xié)同控制、安全態(tài)勢評估、大數(shù)據(jù)融合與智能維護(hù)、行程智能引導(dǎo)等前沿技術(shù)與應(yīng)用領(lǐng)域[1-3]。此外，隨著分布式計(jì)算、4G/5G 通信、大規(guī)模數(shù)據(jù)并行處理[4]、深度學(xué)習(xí)[5]、3D 建模、高精度地圖、模擬仿真、虛擬現(xiàn)實(shí)、智能控制等計(jì)算機(jī)通信與智能相關(guān)技術(shù)的加快集成，建設(shè)基于數(shù)據(jù)驅(qū)動(dòng)的信號(hào)智能運(yùn)維系統(tǒng)成為可能。因此，從高速鐵路信號(hào)智能運(yùn)維系統(tǒng)架構(gòu)、關(guān)鍵技術(shù)、系統(tǒng)功能等方面對基于數(shù)據(jù)驅(qū)動(dòng)的高速鐵路信號(hào)智能運(yùn)維技術(shù)進(jìn)行研究。

1 系統(tǒng)架構(gòu)設(shè)計(jì)

為構(gòu)建適用于高速鐵路的信號(hào)智能運(yùn)維系統(tǒng)，要解決數(shù)據(jù)匯集、數(shù)據(jù)存儲(chǔ)、數(shù)據(jù)分析、數(shù)據(jù)應(yīng)用和數(shù)據(jù)展示等問題。信號(hào)智能運(yùn)維系統(tǒng)架構(gòu)如圖1 所示。

圖 1 信號(hào)智能運(yùn)維系統(tǒng)架構(gòu)Fig.1 Architecture of the intelligent signal operation and maintenance system

1.1 數(shù)據(jù)源

接入信號(hào)智能運(yùn)維系統(tǒng)的數(shù)據(jù)源，主要包括檢測監(jiān)測數(shù)據(jù)、檢修維護(hù)數(shù)據(jù)、生產(chǎn)作業(yè)數(shù)據(jù)和公共信息數(shù)據(jù)。檢測監(jiān)測數(shù)據(jù)主要包括計(jì)算機(jī)聯(lián)鎖、列控中心、信號(hào)集中監(jiān)測等信號(hào)系統(tǒng)/設(shè)備數(shù)據(jù)；檢修維護(hù)數(shù)據(jù)主要包括信號(hào)技術(shù)履歷、器材入所檢修和日常維護(hù)檢修等數(shù)據(jù)；生產(chǎn)作業(yè)數(shù)據(jù)主要包括作業(yè)卡控和調(diào)度生產(chǎn)指揮等數(shù)據(jù)；公共信息數(shù)據(jù)主要包括氣象和產(chǎn)品認(rèn)證等數(shù)據(jù)。

1.2 數(shù)據(jù)匯集

數(shù)據(jù)匯集是對各類數(shù)據(jù)按照接口規(guī)范進(jìn)行歸并與收斂，確保數(shù)據(jù)格式符合要求，數(shù)據(jù)質(zhì)量可知、可控，并完成數(shù)據(jù)清洗、抽取、轉(zhuǎn)換及相關(guān)的數(shù)據(jù)治理，為后續(xù)數(shù)據(jù)分析提供標(biāo)準(zhǔn)化、規(guī)范化、可解析的數(shù)據(jù)。

1.3 數(shù)據(jù)存儲(chǔ)

數(shù)據(jù)存儲(chǔ)是將經(jīng)過數(shù)據(jù)匯集處理后的數(shù)據(jù)，按照關(guān)系型數(shù)據(jù)、非關(guān)系型數(shù)據(jù)、分布式文件數(shù)據(jù)等類型分類存儲(chǔ)，為后續(xù)數(shù)據(jù)分析奠定基礎(chǔ)，該存儲(chǔ)方式具有橫向擴(kuò)展能力強(qiáng)及支持快速訪問的特點(diǎn)。

1.4 數(shù)據(jù)分析

采用大數(shù)據(jù)分析、邏輯分析、聚類分析和回歸分析等分析方法，采用內(nèi)存計(jì)算、云計(jì)算、流計(jì)算和分布式計(jì)算等計(jì)算方法，對信號(hào)設(shè)備相關(guān)的各類數(shù)據(jù)進(jìn)行綜合分析和計(jì)算，為電務(wù)專業(yè)用戶在數(shù)據(jù)分析層面的各項(xiàng)應(yīng)用提供支撐，可以實(shí)現(xiàn)電務(wù)專業(yè)定制化數(shù)據(jù)分析。

1.5 數(shù)據(jù)應(yīng)用

以數(shù)據(jù)分析為依托，以實(shí)現(xiàn)設(shè)備狀態(tài)智能化分析、故障處理智能化定位、設(shè)備健康智能化管理、檢修維護(hù)智能化輔助、應(yīng)急處理智能化支持和作業(yè)過程智能化卡控為目標(biāo)[6]，為用戶提供設(shè)備綜合監(jiān)測、全生命周期管理、智能故障診斷、綜合運(yùn)維分析、生產(chǎn)作業(yè)管理、應(yīng)急調(diào)度指揮、設(shè)備故障預(yù)測與健康管理(Prognostics and Health Management，PHM) 和車地一體化分析等多個(gè)應(yīng)用功能。

1.6 數(shù)據(jù)展示

數(shù)據(jù)展示是按照用戶的需求對數(shù)據(jù)進(jìn)行多維度可交互可視化展現(xiàn)，能夠以線路、二維/三維圖形、網(wǎng)絡(luò)拓?fù)?、地理空間等方式進(jìn)行可視化呈現(xiàn)，能夠適配不同顯示終端，滿足電務(wù)專業(yè)各類用戶在展示層面的各項(xiàng)需求。

2 關(guān)鍵技術(shù)研究

2.1 數(shù)據(jù)融合技術(shù)

由圖1 可知，接入到信號(hào)智能運(yùn)維系統(tǒng)中的信號(hào)系統(tǒng)有很多，接入的數(shù)據(jù)類型也多種多樣，既有結(jié)構(gòu)化數(shù)據(jù)，也有半結(jié)構(gòu)化和非結(jié)構(gòu)化數(shù)據(jù)，如何將這些數(shù)據(jù)融合到一起，是信號(hào)智能運(yùn)維系統(tǒng)要解決的首要關(guān)鍵問題。

數(shù)據(jù)融合是將帶有一定冗余性質(zhì)的數(shù)據(jù)，在一定的理論基礎(chǔ)上進(jìn)行合并的過程，目的就是用高效率低成本的方式將信息綜合起來，這樣就對接下來的狀態(tài)的態(tài)勢有了預(yù)估[7]；數(shù)據(jù)融合是針對各信號(hào)系統(tǒng)中不同時(shí)間(采集間隔)和空間(不同部位) 維度的數(shù)據(jù)，分析其多源異構(gòu)的信息特征，包括廣域空間( 位置) 標(biāo)識(shí)、事件標(biāo)識(shí)、連續(xù)或離散性質(zhì)、傳輸特性等，從各類數(shù)據(jù)中挖掘趨勢信息。在各個(gè)時(shí)間維度下的數(shù)據(jù)采用去噪、剔冗余、解耦和特征提取等算法；在各個(gè)空間維度下的數(shù)據(jù)采用分類、聚類及相關(guān)性分析等方法。采用聯(lián)邦數(shù)據(jù)庫系統(tǒng)和數(shù)據(jù)倉庫法進(jìn)行數(shù)據(jù)融合。

2.2 道岔智能診斷技術(shù)

道岔是轉(zhuǎn)換列車運(yùn)行徑路的重要信號(hào)設(shè)備，因其頻繁轉(zhuǎn)換的特點(diǎn)，也是最容易發(fā)生故障的設(shè)備?？紤]從道岔動(dòng)作曲線入手，以數(shù)據(jù)為驅(qū)動(dòng)，對標(biāo)準(zhǔn)模板曲線選取和曲線拼接及建模識(shí)別2 項(xiàng)技術(shù)做重點(diǎn)研究[8]。

2.2.1 自動(dòng)選取標(biāo)準(zhǔn)模板曲線

首先采用動(dòng)態(tài)時(shí)間歸整(Dynamic Time Warping，DTW) 算法為每臺(tái)轉(zhuǎn)轍機(jī)的每個(gè)動(dòng)作方向自動(dòng)選取一條標(biāo)準(zhǔn)模板曲線，DTW 算法是衡量2 個(gè)長度不同的時(shí)間序列之間的相似度的一種算法，采用DTW 算法既可以解決歐式距離對數(shù)據(jù)對稱性的要求，又可以避免曲線噪聲對比較結(jié)果的影響。DTW 曲線相似度對應(yīng)點(diǎn)選取過程示意圖如圖2 所示。

圖2 中給出了某個(gè)轉(zhuǎn)轍機(jī)的2 條動(dòng)作曲線，從形態(tài)上來看這2 條動(dòng)作曲線是相似的，圖中給出的是2 條曲線的最小包絡(luò)路徑。用DTW 算法自動(dòng)選取標(biāo)準(zhǔn)模板曲線過程如下。

從某臺(tái)轉(zhuǎn)轍機(jī)的同一個(gè)動(dòng)作方向的歷史動(dòng)作電流曲線中任取2 條，設(shè)其時(shí)間序列分別為A= {a1，a2，…，am}和B= {b1，b2，…，bn}，則存在一個(gè)局部距離矩陣Dm,n，計(jì)算公式為

式中：Dm,n中第i行，第j列的元素在下文表示為D(i，j)，||ai，bj||表示2 個(gè)點(diǎn)之間的歐式距離。經(jīng)典的DTW 算法的核心思想是通過Dm,n找到一個(gè)最小的累計(jì)包絡(luò)距離Dist(i，j)，計(jì)算公式為

其中，Dist(i，j)表示轉(zhuǎn)轍機(jī)動(dòng)作曲線的反向包絡(luò)距離。算法可以歸結(jié)為尋找一條通過轉(zhuǎn)轍機(jī)動(dòng)作曲線中若干序列點(diǎn)的路徑，路徑通過的序列點(diǎn)即為2 個(gè)序列進(jìn)行計(jì)算的對齊的點(diǎn)。對于每臺(tái)設(shè)備，通過DTW 算法計(jì)算出各條動(dòng)作曲線之間的反向包絡(luò)距離，選取其中與其他所有動(dòng)作曲線包絡(luò)距離最小的曲線作為此設(shè)備的標(biāo)準(zhǔn)模板曲線。

2.2.2 曲線拼接及建模識(shí)別

每次轉(zhuǎn)轍機(jī)動(dòng)作會(huì)產(chǎn)生1 條功率曲線和3 條電流曲線(A，B，C)共4 路數(shù)據(jù)，實(shí)際應(yīng)用中，轉(zhuǎn)轍機(jī)動(dòng)作時(shí)間約為5 ～ 10 s，以每秒25 個(gè)點(diǎn)的采樣間隔對其采樣，得到大約250 個(gè)點(diǎn)數(shù)據(jù)。但是，當(dāng)轉(zhuǎn)轍機(jī)動(dòng)作異?；蜻B續(xù)扳動(dòng)時(shí)曲線延續(xù)時(shí)間可以達(dá)到30 s 之多，為了提高訓(xùn)練和識(shí)別的精確度，對每路數(shù)據(jù)，取其前800 個(gè)點(diǎn)作為有效數(shù)據(jù)，這樣轉(zhuǎn)轍機(jī)每次動(dòng)作就會(huì)得到4×800 個(gè)數(shù)據(jù)，再與其對應(yīng)的標(biāo)準(zhǔn)模板曲線數(shù)據(jù)(也是4×800 個(gè)數(shù)據(jù))一起轉(zhuǎn)換成矩陣形式，作為訓(xùn)練和識(shí)別的輸入，曲線拼接示意圖如圖3 所示。

拼接完成后，曲線數(shù)據(jù)就變成80×80 的偽圖片數(shù)據(jù)，作為特征被輸入到卷積神經(jīng)網(wǎng)絡(luò)中去進(jìn)行學(xué)習(xí)，通過深度學(xué)習(xí)的方法，自適應(yīng)地學(xué)習(xí)實(shí)時(shí)道岔動(dòng)作曲線與標(biāo)準(zhǔn)模板曲線之間內(nèi)在的聯(lián)系，從而建立分析模型，使用該模型對實(shí)時(shí)動(dòng)作曲線進(jìn)行識(shí)別，識(shí)別完成后將輸出曲線狀態(tài)(正常或異常)，并給出曲線故障概率。此方法可避免傳統(tǒng)的通過人工設(shè)置閾值實(shí)現(xiàn)故障診斷引起的模型“水土不服”問題，相比于專家系統(tǒng)，此模型具有更強(qiáng)的適應(yīng)性，可以保證算法在不同使用場景下的健壯性。

圖 3 曲線拼接示意圖Fig.3 Curve splicing

2.3 軌道電壓曲線智能分析技術(shù)

軌道電路是保障鐵路運(yùn)輸安全的重要基礎(chǔ)裝備，其主要承擔(dān)列車完整性檢查及列車運(yùn)行控制信息傳遞等功能，軌道電路一旦故障將會(huì)對正常運(yùn)輸秩序造成影響。軌道電路的類型主要有ZPW-2000移頻軌道電路、交流連續(xù)式軌道電路、25 Hz 相敏軌道電路等，研究以ZPW-2000 移頻軌道電路為例，實(shí)時(shí)不間斷地分析其主軌、小軌電壓數(shù)據(jù)，結(jié)合站場信息建立軌道區(qū)段的鏈接關(guān)系，分析相鄰軌道區(qū)段的電氣關(guān)聯(lián)性(物理位置關(guān)系、時(shí)間維度關(guān)系)，通過對軌道電壓曲線的分析，及時(shí)發(fā)現(xiàn)故障隱患，減少因軌道電路故障對行車造成的影響，同時(shí)也可以減少因判斷錯(cuò)誤引起的錯(cuò)誤報(bào)警。

設(shè)備狀態(tài)是通過各個(gè)傳感器的模擬量或開關(guān)量值體現(xiàn)出來的，在時(shí)間維度上就會(huì)形成有規(guī)律的波形，因而波形狀態(tài)的提取是區(qū)分設(shè)備狀態(tài)的關(guān)鍵步驟，而建立相鄰軌道序列是軌道分析的基礎(chǔ)，也是軌道分析模型的訓(xùn)練基礎(chǔ)。軌道電壓曲線分析流程如圖4 所示。

從圖4 中可以看出，在分析過程中首先需要有大量的歷史數(shù)據(jù)，如果是新開通車站，在初始階段沒有運(yùn)行數(shù)據(jù)，則需要系統(tǒng)運(yùn)行一段時(shí)間累積一定量的數(shù)據(jù)才能進(jìn)行分析，或者運(yùn)用相關(guān)軌道類型的歷史數(shù)據(jù)訓(xùn)練好模型，然后使用訓(xùn)練好的模型進(jìn)行分析。從大量歷史數(shù)據(jù)中提取特征，建立軌道電路特征庫，隨后對時(shí)間相關(guān)性進(jìn)行分析，接下來開展線性回歸測試，進(jìn)而建立軌道電路的預(yù)測模型。有了預(yù)測模型之后就可以開展預(yù)測工作了，在這過程中可能需要人工干預(yù)，以保證模型的準(zhǔn)確度，人工干預(yù)后還需進(jìn)行回歸測試。在分析的過程中還需要納入相關(guān)設(shè)備的數(shù)據(jù)，如信號(hào)機(jī)狀態(tài)數(shù)據(jù)、環(huán)境溫濕度數(shù)據(jù)等，用以幫助改善訓(xùn)練模型。這是個(gè)周而復(fù)始循環(huán)的過程，隨著歷史數(shù)據(jù)的增多，模型會(huì)隨著分析過程動(dòng)態(tài)調(diào)整，預(yù)測的準(zhǔn)確度也會(huì)不斷地提高。

圖 4 軌道電壓曲線分析流程Fig.4 Analysis process of the track voltage curve

2.4 信號(hào)設(shè)備故障預(yù)測與健康管理技術(shù)

高速鐵路信號(hào)系統(tǒng)采用了許多新技術(shù)、新工藝，數(shù)字化、信息化程度很高，具有很好的PHM[9-10]技術(shù)應(yīng)用基礎(chǔ)。應(yīng)用PHM 技術(shù)，不僅能監(jiān)測和診斷信號(hào)設(shè)備故障，還能提前預(yù)測故障的發(fā)生，從而在系統(tǒng)故障之前及時(shí)采取安全容錯(cuò)管控手段或維護(hù)措施，進(jìn)而實(shí)現(xiàn)防患于未然。利用各信號(hào)系統(tǒng)的自診斷信息、信號(hào)集中監(jiān)測采集到的信息，PHM 能夠?qū)崿F(xiàn)從板卡/ 模塊到部件到設(shè)備再到系統(tǒng)的不同層級(jí)、不同級(jí)別的綜合診斷、預(yù)測和健康管理。與傳統(tǒng)的局部信息預(yù)測不同，PHM利用獲取到的信息，提取各信號(hào)設(shè)備/ 系統(tǒng)的特征參數(shù)，并對這些特征參數(shù)進(jìn)行信息關(guān)聯(lián)，運(yùn)用算法和模型對特征參數(shù)及關(guān)聯(lián)信息進(jìn)行分析，從而實(shí)現(xiàn)系統(tǒng)或設(shè)備的工作狀態(tài)管控。PHM 一般具有故障檢測、隔離、診斷、預(yù)測、健康管理和壽命追蹤等功能。故障預(yù)測與健康管理模型如圖5所示。

圖 5 故障預(yù)測與健康管理模型Fig.5 PHM model

2.4.1 關(guān)鍵參數(shù)挖掘

信號(hào)系統(tǒng)/設(shè)備的監(jiān)測數(shù)據(jù)多維度、數(shù)據(jù)量極大，因而為每一設(shè)備或系統(tǒng)抽取關(guān)鍵評估參數(shù)和指標(biāo)而排除冗余信息具有重要意義。關(guān)鍵參數(shù)和指標(biāo)的選取應(yīng)具有代表性、獨(dú)立性和可行性，要遵循互補(bǔ)且不相互交叉的原則。

2.4.2 故障識(shí)別與診斷

由于在用的信號(hào)系統(tǒng)/設(shè)備是不能進(jìn)行老化試驗(yàn)的，因而進(jìn)行故障識(shí)別依賴于故障歷史數(shù)據(jù)和報(bào)警信息的收集，再根據(jù)這些信息構(gòu)建適用的診斷模型，來給出故障原因分析和維修策略。歷史數(shù)據(jù)充分、模型適當(dāng)才能得到很好的識(shí)別與診斷結(jié)果。

2.4.3 維修策略

維修策略的推斷更依賴于智能診斷和歷史數(shù)據(jù)，利用智能診斷和FMEA 表單描述已經(jīng)發(fā)生或者可能發(fā)生的故障，類似互聯(lián)網(wǎng)行業(yè)中常常根據(jù)用戶的使用習(xí)慣和瀏覽足跡對用戶做“用戶畫像”，需要根據(jù)先驗(yàn)數(shù)據(jù)對故障做“故障畫像”，之后基于故障識(shí)別與分類結(jié)果，劣化模型建立結(jié)果，利用貝葉斯網(wǎng)絡(luò)或隱馬爾可夫鏈等智能算法對故障做推理和診斷。

2.4.4 健康狀態(tài)評估

（1）計(jì)算健康偏離程度。設(shè)備出廠時(shí)都會(huì)標(biāo)注運(yùn)行時(shí)的標(biāo)準(zhǔn)參數(shù)，但設(shè)備實(shí)際運(yùn)行中由于存在環(huán)境干擾或者設(shè)備老化，會(huì)出現(xiàn)運(yùn)行參數(shù)基于出廠標(biāo)準(zhǔn)的上下浮動(dòng)。為直觀、定性地描述這種浮動(dòng)，可以依據(jù)歐氏距離、馬氏距離等算法估計(jì)運(yùn)行狀況偏離正常狀態(tài)的程度，從而可以跟蹤描繪設(shè)備的退化過程[11]。

（2）建立健康評價(jià)指標(biāo)。健康偏離程度是以定性的方式對系統(tǒng)/設(shè)備的運(yùn)行狀態(tài)進(jìn)行判斷，有些判斷依據(jù)沒有統(tǒng)一的標(biāo)準(zhǔn)，多以工程人員經(jīng)驗(yàn)為準(zhǔn)。為定量、標(biāo)準(zhǔn)化地描述設(shè)備或系統(tǒng)健康狀態(tài)，需要建立健康評價(jià)指標(biāo)。

（3）劣化模型建立與剩余壽命預(yù)測。信號(hào)系統(tǒng)/設(shè)備衰退的過程大體上可以分為2 個(gè)階段：①常狀態(tài)階段。系統(tǒng)或者設(shè)備的性能相對穩(wěn)定，變化幅度在較小的范圍內(nèi)波動(dòng)。②退狀態(tài)階段。系統(tǒng)的性能加速退化，但尚未失效。劣化模型的建立需要基于設(shè)備上述2 種狀態(tài)下的監(jiān)測數(shù)據(jù)收集，并且需要系統(tǒng)判定屬于哪種退化階段。

3 系統(tǒng)功能設(shè)計(jì)

信號(hào)智能運(yùn)維系統(tǒng)在功能設(shè)計(jì)上，要考慮日常測試檢修、日常生產(chǎn)作業(yè)和應(yīng)急搶修3 種應(yīng)用場景，為此系統(tǒng)設(shè)計(jì)了設(shè)備綜合監(jiān)測、全生命周期管理、智能故障診斷、綜合運(yùn)維分析、生產(chǎn)作業(yè)管理、應(yīng)急調(diào)度指揮、設(shè)備PHM 和車地一體化分析等功能。根據(jù)運(yùn)營維護(hù)的需要，后續(xù)還可以擴(kuò)展相應(yīng)的功能。

3.1 設(shè)備綜合監(jiān)測

實(shí)時(shí)監(jiān)視車載和地面信號(hào)設(shè)備的工作狀態(tài)，并集中顯示各信號(hào)設(shè)備狀態(tài)信息、業(yè)務(wù)信息和管理信息?？梢匀€或單站等多種方式展示，對同一設(shè)備的不同特征進(jìn)行關(guān)聯(lián)展示。

3.2 全生命周期管理

利用各信號(hào)系統(tǒng)上傳的各項(xiàng)數(shù)據(jù)指標(biāo)實(shí)現(xiàn)對信號(hào)設(shè)備的全生命周期管理，保證設(shè)備健康、高效、低成本的運(yùn)用，創(chuàng)造顯著的能源、備件、人力、時(shí)間的節(jié)約效益，實(shí)現(xiàn)精細(xì)化管理。

3.3 智能故障診斷

智能故障診斷主要實(shí)現(xiàn)：①對信號(hào)各子系統(tǒng)間關(guān)鍵數(shù)據(jù)進(jìn)行比對；②對信號(hào)設(shè)備進(jìn)行智能診斷，在設(shè)備存在隱患時(shí)，提前發(fā)現(xiàn)設(shè)備隱患；在設(shè)備故障時(shí)，能診斷定位故障范圍及原因；③對存在內(nèi)在聯(lián)系的事件進(jìn)行綜合統(tǒng)計(jì)及預(yù)測分析，以輔助監(jiān)督電務(wù)設(shè)備運(yùn)行正常。

3.4 綜合運(yùn)維分析

綜合運(yùn)維分析提供的主要功能如下。①整合分析：對存在因果、從屬和歸并關(guān)系的報(bào)警信息進(jìn)行整合，并給出根源性的報(bào)警，減少無效報(bào)警，便于現(xiàn)場人員快速定位故障點(diǎn)。②質(zhì)量分析：根據(jù)監(jiān)測數(shù)據(jù)，可按單個(gè)設(shè)備、同類設(shè)備、車站/線路來生成質(zhì)量評價(jià)指標(biāo)，為設(shè)備維護(hù)提供參考依據(jù)。③同比環(huán)比分析：在設(shè)備報(bào)警類別、報(bào)警原因、報(bào)警數(shù)目及管界范圍等方面，對同比與環(huán)比2 類指標(biāo)進(jìn)行對比分析和趨勢分析，并生成可視化圖表供分析人員進(jìn)行分析。④輔助人工分析：根據(jù)人工設(shè)置的波動(dòng)范圍等分析參數(shù)，自動(dòng)篩選滿足條件的監(jiān)測數(shù)據(jù)，為現(xiàn)場用戶提供有針對性的調(diào)閱，提高人工分析效率。

3.5 生產(chǎn)作業(yè)管理

通過系統(tǒng)可以實(shí)現(xiàn)作業(yè)任務(wù)單自動(dòng)下達(dá)，作業(yè)內(nèi)容自主可查看，作業(yè)結(jié)果自動(dòng)提交，能夠?qū)崿F(xiàn)對作業(yè)任務(wù)全過程的閉環(huán)監(jiān)督。

3.6 應(yīng)急調(diào)度指揮

應(yīng)急情況下，能夠?qū)崿F(xiàn)備件、技術(shù)資料、人員及交通工具等信息的快速協(xié)同。通過系統(tǒng)能夠快速定位到故障點(diǎn)或故障范圍，通過智能故障診斷分析確定故障原因，通過系統(tǒng)可以快速關(guān)聯(lián)相應(yīng)的應(yīng)急線路、技術(shù)人員、應(yīng)急保障車輛、備品備件及技術(shù)資料等信息，通過系統(tǒng)下發(fā)應(yīng)急調(diào)度單，并可以通過視頻指揮現(xiàn)場進(jìn)行應(yīng)急處理。

3.7 設(shè)備PHM

采用故障預(yù)測與健康管理技術(shù)，對信號(hào)機(jī)、道岔、軌道電路等軌旁基礎(chǔ)設(shè)備，對計(jì)算機(jī)聯(lián)鎖、列控中心等基礎(chǔ)控制設(shè)備，進(jìn)行故障預(yù)測和健康狀態(tài)評估。能夠按單個(gè)設(shè)備、同類設(shè)備、車站3 個(gè)維度給出健康度，以圖表、曲線等展示方式直觀給出設(shè)備所處的健康狀態(tài)及剩余壽命情況。

3.8 車地一體化分析

綜合運(yùn)用車載和地面信號(hào)狀態(tài)、報(bào)警等信息，進(jìn)行實(shí)時(shí)分析和集中監(jiān)督，對發(fā)生的信號(hào)設(shè)備故障進(jìn)行精準(zhǔn)定位，對故障所涉及和影響的信號(hào)設(shè)備工作狀態(tài)，進(jìn)行全程跟蹤和不間斷分析，從而實(shí)現(xiàn)車地一體化運(yùn)維。

4 結(jié)束語

智能高速鐵路已成為全球鐵路的前沿發(fā)展方向，以數(shù)據(jù)為驅(qū)動(dòng)，綜合運(yùn)用智能分析、故障診斷、設(shè)備健康狀態(tài)評估等技術(shù)，使信號(hào)設(shè)備時(shí)刻處于可監(jiān)督、可管控狀態(tài)下，從而實(shí)現(xiàn)高速鐵路信號(hào)的智能運(yùn)維，也是順應(yīng)了這一發(fā)展方向。隨著高速鐵路建設(shè)規(guī)模的不斷擴(kuò)大，實(shí)現(xiàn)信號(hào)設(shè)備的智能運(yùn)維已成為電務(wù)維護(hù)人員的迫切需要。電務(wù)部門積累了大量高速鐵路信號(hào)監(jiān)測檢測、運(yùn)營維護(hù)等數(shù)據(jù)，但數(shù)據(jù)還比較分散，數(shù)據(jù)的綜合效能還沒有發(fā)揮出來。以數(shù)據(jù)為驅(qū)動(dòng)，深入挖掘數(shù)據(jù)的價(jià)值，發(fā)現(xiàn)數(shù)據(jù)內(nèi)在規(guī)律，實(shí)現(xiàn)信號(hào)設(shè)備全生命周期管理，提高信號(hào)設(shè)備的可靠性、可用性，減少信號(hào)設(shè)備故障對鐵路運(yùn)營的影響，保證旅客快捷、安全出行，是下一步需要深入研究的方向。