袁 超 陳超錄 青 怡 郭 健

（1.株洲中車時(shí)代電氣股份有限公司，湖南株洲 412001；2.青島海信網(wǎng)絡(luò)科技股份有限公司，山東青島 266000）

0 引言

傳統(tǒng)軌道交通設(shè)備的運(yùn)維工作主要依賴人工經(jīng)驗(yàn)，但是隨著地鐵的高速發(fā)展，開通線路逐漸增加，運(yùn)行里程不斷加長，設(shè)備資產(chǎn)種類繁多且規(guī)模持續(xù)擴(kuò)大，導(dǎo)致維修保養(yǎng)工作量大、維護(hù)成本高、及時(shí)性欠缺、統(tǒng)籌能力不足。僅依靠人工經(jīng)驗(yàn)進(jìn)行設(shè)備的故障分析和維修，已難以適應(yīng)不斷提升的運(yùn)營安全服務(wù)需求。因此，構(gòu)建基于知識圖譜技術(shù)的城市軌道交通設(shè)備運(yùn)維系統(tǒng)，將設(shè)備的歷史故障及維修經(jīng)驗(yàn)轉(zhuǎn)化為有價(jià)值的知識，構(gòu)建以故障分析、維修策略、參考資料、工器具為中心的知識庫，實(shí)現(xiàn)故障快速分析定位，針對性生成維修策略，并提供關(guān)聯(lián)參考資料和維修工器具，輔助維修人員更快速、高效地發(fā)現(xiàn)和解決故障，從而為整個(gè)軌道交通的運(yùn)營安全提供可靠保障[1]。

1 知識圖譜技術(shù)

知識圖譜是一種用圖模型描述知識和建模世界萬物之間關(guān)聯(lián)的技術(shù)方法。隨著互聯(lián)網(wǎng)的快速發(fā)展，全球數(shù)據(jù)總量爆炸性增長，傳統(tǒng)的數(shù)據(jù)存儲和檢索方式已經(jīng)無法支撐人們對數(shù)據(jù)信息資源的全面掌握。此時(shí)，知識圖譜技術(shù)應(yīng)運(yùn)而生，以網(wǎng)狀結(jié)構(gòu)將數(shù)據(jù)信息進(jìn)行存儲，并根據(jù)用戶多樣的需求，將知識進(jìn)行加工和推理，方便用戶獲取更準(zhǔn)確的知識信息[2]。

知識圖譜的基本組成是“實(shí)體—關(guān)系—實(shí)體”的三元組，多個(gè)實(shí)體間以多種關(guān)系進(jìn)行關(guān)聯(lián)，構(gòu)成了龐大而復(fù)雜的網(wǎng)狀結(jié)構(gòu)[3]。其中，網(wǎng)狀結(jié)構(gòu)的節(jié)點(diǎn)表示實(shí)體或者屬性，邊表示它們之間的關(guān)聯(lián)關(guān)系。知識圖譜主要包含的節(jié)點(diǎn)有以下3點(diǎn)。第一，實(shí)體指客觀世界中的具體事物，如某個(gè)城市、某條線路、某個(gè)車站等。實(shí)體是知識圖譜中的基礎(chǔ)，不同的實(shí)體間存在不同的關(guān)系。第二，屬性與實(shí)體進(jìn)行關(guān)聯(lián)，用于表示實(shí)體的具體特征或內(nèi)在信息，比如某個(gè)人的身高、年齡等。第三，關(guān)系，即實(shí)體間的關(guān)聯(lián)關(guān)系，比如北京是中國的首都，首都就是北京和中國的關(guān)聯(lián)關(guān)系。

知識圖譜的構(gòu)建通常分為自頂向下和自底向上兩種方式，自頂向下指的是先為知識圖譜定義好本體與數(shù)據(jù)模式，再將實(shí)體加入知識庫。該構(gòu)建方式需要利用一些現(xiàn)有的結(jié)構(gòu)化知識庫作為其基礎(chǔ)知識庫。自底向上指的是從一些開放鏈接數(shù)據(jù)中提取實(shí)體，選擇其中置信度較高的數(shù)據(jù)加入知識庫，再構(gòu)建頂層的本體模式。兩種方法各有優(yōu)劣，自頂向下法較好體現(xiàn)概念間層次，但人工依賴性強(qiáng)、模式層更新受限，適用于數(shù)據(jù)量小且專業(yè)性較強(qiáng)領(lǐng)域的知識圖譜構(gòu)建；自底向上法更新快、支持大數(shù)據(jù)量的知識圖譜構(gòu)建，但知識復(fù)雜度大、準(zhǔn)確性不高；混合方法靈活性強(qiáng)，但模式層構(gòu)建難度大。

知識圖譜通過對指定數(shù)據(jù)源新增數(shù)據(jù)進(jìn)行知識抽取以持續(xù)補(bǔ)充和豐富知識庫。構(gòu)建知識庫是持續(xù)更新迭代的過程，數(shù)據(jù)源質(zhì)量越高、數(shù)據(jù)抽取越全、與已有知識融合越準(zhǔn)確，知識庫的可用性就越好，知識庫的更新步驟有3個(gè)步驟。第一，知識抽取，即從與知識庫相關(guān)的數(shù)據(jù)源中自動(dòng)抽取相關(guān)實(shí)體、屬性及關(guān)系等知識。第二，知識融合，即將抽取到的新知識與知識庫已有知識進(jìn)行融合，對重復(fù)、相近、錯(cuò)誤知識進(jìn)行相應(yīng)處理和整合，實(shí)現(xiàn)知識消歧。第三，知識加工，對經(jīng)過融合的知識進(jìn)行質(zhì)量評估，通過將新知識存入知識庫，確保知識庫的質(zhì)量。

2 城市軌道交通運(yùn)維知識圖譜構(gòu)建

城市軌道交通在日常運(yùn)維過程中會產(chǎn)生海量的數(shù)據(jù)。如何將這些數(shù)據(jù)組織成有效的運(yùn)維知識庫，為設(shè)備故障維修提供專業(yè)支撐，設(shè)計(jì)軌道交通運(yùn)維工作向智慧化發(fā)展[4]。這些數(shù)據(jù)大致可以分為3類，一是運(yùn)營公司多年運(yùn)維經(jīng)驗(yàn)編制形成的常見故障處理手冊，故障處理手冊是地鐵運(yùn)營公司運(yùn)維工作的標(biāo)準(zhǔn)手冊，是高度標(biāo)準(zhǔn)化、結(jié)構(gòu)化的運(yùn)維數(shù)據(jù)。二是運(yùn)維系統(tǒng)記錄的設(shè)備運(yùn)維數(shù)據(jù)，如設(shè)備故障信息、故障原因、故障處理流程等，歷史運(yùn)維數(shù)據(jù)同樣是結(jié)構(gòu)化數(shù)據(jù)，但受限于運(yùn)維人員填寫數(shù)據(jù)不規(guī)范等諸多因素，需要對數(shù)據(jù)進(jìn)行處理后才可形成知識。三是設(shè)備配套的維修指南、圖紙、說明書等，此部分?jǐn)?shù)據(jù)為非結(jié)構(gòu)化數(shù)據(jù)，且內(nèi)容繁多，抽取有效知識的難度較大。

2.1 基礎(chǔ)知識庫構(gòu)建

由于軌道運(yùn)維是專業(yè)性極強(qiáng)的垂直領(lǐng)域，知識圖譜的構(gòu)建采用自頂向下的方式較為適合[5]。自頂向下的構(gòu)建通常需要利用一些現(xiàn)有的結(jié)構(gòu)化知識庫作為基礎(chǔ)知識庫，地鐵運(yùn)營公司的常見故障處理手冊具備高度標(biāo)準(zhǔn)化、結(jié)構(gòu)化的特征，可作為基礎(chǔ)知識庫構(gòu)建的數(shù)據(jù)支撐。根據(jù)城市軌道交通設(shè)備維修的典型處理步驟，將知識庫的基礎(chǔ)結(jié)構(gòu)構(gòu)建如圖1所示，主要包含8類節(jié)點(diǎn)。

（1）故障信息，即故障的表征描述。

（2）故障分析，即通過故障信息，無法直接判斷故障所在位置，可通過故障分析步驟進(jìn)行具體故障推斷。

（3）設(shè)備類型，即同一廠家、同一型號的一類設(shè)備。

（4）設(shè)備故障，即所屬某個(gè)設(shè)備類型的明確且具體的故障。

（5）可能原因，即導(dǎo)致具體設(shè)備故障的原因。

（6）處理步驟，即解決對應(yīng)故障原因的處理步驟。

（7）工器具，即實(shí)施對應(yīng)處理步驟所需工器具。

（8）參考資料，即實(shí)施對應(yīng)處理步驟所需參考的資料或圖紙。

2.2 數(shù)據(jù)抽取與融合

常見的知識抽取與融合實(shí)現(xiàn)方案主要有兩種方案。

（1）基于深度學(xué)習(xí)的自然語言處理，從自然語言中抽取關(guān)鍵知識，與現(xiàn)有知識圖譜進(jìn)行查詢及相似度計(jì)算，進(jìn)行知識融合。此方案適用于自然語言領(lǐng)域，有海量數(shù)據(jù)做支撐，持續(xù)對算法模型進(jìn)行調(diào)優(yōu)的場景，技術(shù)難度和風(fēng)險(xiǎn)較高。

（2）利用分詞和關(guān)鍵詞提取、關(guān)鍵詞匹配和近義詞詞典，手動(dòng)編寫提取規(guī)則，從故障表中抽取相關(guān)知識，與現(xiàn)有知識庫進(jìn)行規(guī)則匹配，實(shí)現(xiàn)知識融合。該方案適用于數(shù)據(jù)量較小的場景，在專業(yè)性高的領(lǐng)域識別精確度很高，同時(shí)流程實(shí)現(xiàn)簡單[6]。

地鐵歷史運(yùn)維數(shù)據(jù)為結(jié)構(gòu)化數(shù)據(jù)，雖然受限于地鐵運(yùn)維人員的描述不規(guī)范等原因，無法直接作為知識使用，但由于地鐵運(yùn)維屬于專業(yè)性很強(qiáng)的領(lǐng)域，其詞匯量有限，因此選用方案二。結(jié)合歷史故障信息的數(shù)據(jù)內(nèi)容（見表1），主要提取故障問題記錄、故障原因、處理措施3個(gè)字段的內(nèi)容。

表1 歷史故障信息

利用分詞算法對抽取信息進(jìn)行分詞，分詞結(jié)果為：

[“站臺”，“設(shè)備”，“區(qū)”，“無風(fēng)”]

[“風(fēng)閥”，“模塊”，“信號”，“卡滯”]

[“重啟”，“模塊”，“后”，“設(shè)備”，“恢復(fù)”，“正常”]

將分詞結(jié)果與關(guān)鍵實(shí)體進(jìn)行相鄰融合并嘗試匹配，匹配結(jié)果為：

[“站臺”，“設(shè)備區(qū)無風(fēng)”]

[“風(fēng)閥”，“模塊”，“信號卡滯”]

[“重啟模塊”，“后”，“設(shè)備”，“恢復(fù)正?！盷

經(jīng)管理人員手動(dòng)確認(rèn)后完成知識融合，融合后的知識庫如圖2所示。

圖2 城市軌道運(yùn)維知識新庫

3 城市軌道交通運(yùn)維知識應(yīng)用

隨著城市軌道交通網(wǎng)絡(luò)規(guī)模的快速增長，有經(jīng)驗(yàn)的運(yùn)維人員被分配到持續(xù)增加的新線中，導(dǎo)致運(yùn)維團(tuán)隊(duì)的故障處理經(jīng)驗(yàn)和技術(shù)能力被迅速攤薄，高質(zhì)量的運(yùn)維知識庫將為運(yùn)維工作提供如下重要的支撐。

（1）自動(dòng)故障分析。通過與綜合監(jiān)控系統(tǒng)數(shù)據(jù)打通，實(shí)現(xiàn)設(shè)備狀態(tài)的自動(dòng)判斷與故障分析。比如，設(shè)備房溫度過高故障，原有的7個(gè)人工排查步驟，有5步由系統(tǒng)自動(dòng)判斷實(shí)現(xiàn)，無需人工判斷，只有兩個(gè)步驟需要人工進(jìn)行排查，極大地提高了故障分析的效率。

（2）智能維修策略。根據(jù)故障的初步自動(dòng)分析結(jié)果，形成維修策略，提示運(yùn)維人員提前準(zhǔn)備好相關(guān)的工器具，同時(shí)提供相關(guān)的維修步驟指導(dǎo)，減少運(yùn)維人員因準(zhǔn)備不充分或?qū)υO(shè)備不熟悉引起的維修時(shí)間延誤，提高故障維修效率。

（3）快速資料檢索。維修人員可以在維修時(shí)同步查閱相關(guān)的資料，因不清楚電源拆卸螺絲點(diǎn)位可能引起部件損壞，可以根據(jù)知識庫關(guān)聯(lián)的參考資料直接電源拆卸圖，按圖進(jìn)行維修處理。

4 結(jié)語

本文構(gòu)建了基于知識圖譜技術(shù)的軌道交通智能運(yùn)維知識庫，旨在將地鐵運(yùn)維信息以圖的形式進(jìn)行構(gòu)建和存儲。當(dāng)設(shè)備發(fā)生故障時(shí)，通過知識庫對故障進(jìn)行自動(dòng)分析排查，輔助維修人員進(jìn)行故障快速定位，并制定精細(xì)化的智能維修策略，為運(yùn)維人員提供故障維修指導(dǎo)，提高維修效率和設(shè)備安全水平。同時(shí)，提出知識抽取和融合技術(shù)，將新的運(yùn)維知識持續(xù)更新和融入知識庫，不斷提升其質(zhì)量，為軌道交通智慧運(yùn)維提供有力支撐[7]。

目前，人工智能、云計(jì)算、大數(shù)據(jù)等高新技術(shù)已經(jīng)在軌道交通行業(yè)有了越來越多的應(yīng)用。而知識圖譜作為未來AI領(lǐng)域中的基礎(chǔ)數(shù)據(jù)容器，在軌道交通行業(yè)還沒有得到廣泛應(yīng)用，利用知識圖譜技術(shù)對數(shù)據(jù)進(jìn)行有效挖掘和整合，可以為軌道交通未來的高科技發(fā)展提供堅(jiān)實(shí)的基礎(chǔ)。