城市轨道交通信号系统故障管理的研究

薛顺然

摘要 随着科技发展，城市轨道交通得到快速的发展，在发展的同时也带来巨大的挑战。文章分析当前大部分城市轨道交通中信号系统面临的问题以及需求，使用故障预测与健康管理（PHM）技术，构建城市轨道交通信号系统故障管理体系。城市轨道交通信号系统故障管理体系可以更加高效地处理城市轨道交通中由信号故障引起的问题。

关键词 故障诊断;PHM;人工智能;城市轨道交通

中图分类号 U282 文献标识码 A 文章编号 2096-8949（2022）13-0001-03

0 引言

从2017年开始全国各地的地铁建设呈持续上升趋势，城市轨道交通行业在蓬勃发展的同时也面临巨大的挑战，例如工作人员分配问题、不断革新的技术手段、各条线路系统制式不同等。有限的人力资源与设备的多样化和海量数据的矛盾将在今后很长一段时间作為地铁发展的问题亟待解决。

目前在设备运行维护方面存在的问题如下：

（1）设备故障以定期检修以及故障报修为主，故障预测占比很少。

（2）人力资源浪费现象严重，效率低下。

（3）故障设备数据统计未分化，不足以支撑故障分析及预测。

（4）随着各地延伸线的建设，线网里程不断增加以及环境的变化，设备维护作业的难度增加。

1 PHM研究现状及特点

故障预测与健康管理（Prognostics and Health Mana-gement，PHM）被认定为是对系统复杂的设备进行健康状况监测、管理以及预测的系统工程学科。PHM模型通常适用于设备层与管理层之中，通常监控设备层的状态数据对设备层健康状况进行判断，相关的智能算法将设备的剩余寿命计算得出。经计算得出设备使用剩余寿命后，系统经算法处理后得到设备维护方案给予维护工作人员参考，在设备故障前对其进行维护更换作业，可有效避免因设备故障影响整体系统情况的发生，减少损失。目前PHM的发展在结合原有设备监测、故障诊断技术手段的基础上，结合大数据开发以及人工智能算法的引入，PHM将继续朝向智能化、自主化、高精确度的方向发展。

PHM已经在众多领域发挥着至关重要的作用。文献[1]中PHM作为核心部分在联合攻击战斗机JSF项目中起到关键作用，文献[2]在高速铁路牵引供电系统中引入PHM与主动维护理念，有效解决了高速铁路中因设备故障造成系统故障的问题，为故障预测、系统健康周期评估以及可靠性分析等提供了新的思路。文献[3]指出了引入PHM可以大幅度降低系统故障率，提升设备安全性，系统的可靠性有了明显的增强，形成完备的设备健康状态、维修方案等策略，能够减少人力资源的浪费。

2 信号系统故障管理体系

信号系统是城市轨道交通运营中保证行车安全的重要系统，信号系统故障管理系统的使用必将提升整个城市轨道交通系统的安全性，信号系统故障管理体系的建立也可为后续设备故障的分析提供必要的真实数据，为城市轨道交通的智能运维体系奠定基础。文献[4]应用大数据技术为城市轨道交通信号系统设计5层智能运行维护平台的系统架构。文献[5]将智能运维运用到地铁运营中并取得了成功。文献[6]在大数据，云平台的背景下，将智能运维系统将与之相结合进行应用。

2.1 搭建信号系统的PHM体系

信号系统下子系统设备众多，包括列车自动监控系统（Automatic Train Supervision，ATS）、计算机联锁系统（Computer Interlocking，CI）、区域控制系统（Zone Controller，ZC）、数据传输网管系统（Data Communication System，DCS）、车载控制系统（Vehicle On Board Control，VOBC）、轨旁电子单元（Line side Electronic Unit，LEU）、数据存储单元（Data Storage Unit，DSU）、电源系统、计轴、道岔、转辙机、外电网、信号机以及轨道电路等。

目前城市轨道交通的目标是缩短行车间隔时间，所需完成的第一步是缩短故障处理时间，向着快速及时的故障处理方式改进;为实现故障预测以及状态维修的目的，须大量研究信号系统以及信号设备状态信息，目前信号设备维护信息来源及处理方式如表1。

2.2 系统架构

故障预测和健康管理系统能够完成对故障设备的精确定位，对引发故障原因的关联分析及总结，可使故障信息被最大化利用，为今后故障分析及预测技术提供帮助。构建信号系统的PHM系统可简化为三部分：数据获取层、数据分析处理层、数据界面层，如表2。

3 系统模块功能

3.1 设备在线监测

设备在线监测系统隶属于数据获取层，主要负责在线实时监测全网信号设备的关键参数，对关键参数与正常阈值的对比，可分析出信号设备的工作状态，经一定数据量的积累，可完成系统智能故障诊断。除信号设备在线运行状态检测以及智能故障诊断功能，设备在线监测系统还具备故障预警、故障原因分析、维修指导等智能化功能。

3.2 设备智能诊断系统

设备智能诊断系统隶属于数据分析处理层，对信号设备关键参数的数据采集，导入设备智能诊断模型中，经模型分析计算可得出设备当前所处状态、故障源部件、故障原因分析、建议处理流程等一系列信息供工作人员观察，可根据设备故障情况以及影响运营的程度将故障设备当前状态分为一般故障与严重故障，针对不同的故障情况采取不同的应对措施。

3.3 日常维护系统

日常维护系统隶属于数据分析处理层，主要功能是对一般故障的设备进行日常维修，以及正常设备的日常维护作业。日常维护系统中含有维护工作模型，根据历史故障信息以及历史故障预测准确度可智能完成对日常维修工作的维修计划的安排，维修人员可根据现场情况需求对维修计划进行更改。维修计划可根据现场情况变动对时间、地点、人员安排及维修注意事项进行相应协调。维修人员可使用日常维护系统中的维护联系单以及交接班信息完成对维护工作的记录工作。日常维护系统可完成对有限资源的合理利用，提升整个维修体系的效率，极大地减轻了工作人员的压力。78F8C064-13D2-49E5-BCC2-0533F42DCA1C

3.4 应急指挥调度系统

应急指挥调度系统隶属于数据分析处理层，主要应用于重大故障发生时采取紧急处理的手段，此系统可组织高效的抢修，实施实时快速故障定位分析，迅速调度抢险物资、人员配置等资源，力求最短时间解决故障问题，最大限度弱化对运行的影响。平时可利用应急指挥调度培训功能，使用VR模拟技术可以最大限度还原真实故障状态，提高维修员工正确处理故障的能力。

3.5 全周期健康管理

健康管理系统隶属于数据分析处理层以及数据界面层，主要功能是将计算分析后的全线所有信号设备的设备健康度、剩余寿命以及承载容量等关键数据展示给使用者。设备健康度取决于设备近期监测参数变化以及变化趋势、设备固有寿命以及设备设计可靠性、设备使用频率以及设备使用环境、设备历史故障信息以及同类型或同批次设备故障情况等。

4 系统关键技术

4.1 系统运行流程

整个系统运行流程如下：

（1）由数据获取层的工作作为系统运作的开端，数据监测软件可获取地面及车载各个设备的实时工作状态数据及各设备运行数据后，经简单的预处理将数据发送至数据分析处理层。

（2）设备智能诊断系统对数据进行分析处理判断设备的情况，经全周期健康管理系统将分析后的健康数据与设备基础健康数据对比分析，当分析所得健康数据超越正常状态下的阈值，健康管理系统将判断设备处于半故障状态或设备瘫痪状态。

（3）进入设备非正常状态后系统会根据故障特征值分析得出故障种类分类识别以及故障定位功能，并可导出故障部分所属厂家、工作原理、设备图纸等一系列设备技术资料，预测设备可能进入的下阶段状态以及根据专家库数据、案例分析建议等指导工作人员进行合理的维修工作安排。

（4）数据界面层将分析结果展示给工作人员，为工作人员做判断提供依据。

（5）设备经由工作人员维修完成，经数据监测以及采集系统监测采集到设备运行数据在一段时间内处于正常水平下，数据分析处理层判断设备已处于正常状态下。系统可向工作人员提供此设备之后的故障预测数据，包含故障走势分析以及设备健康度预测情况，供工作人员及时修复替换即将故障的部件，保证整个信号系统顺畅地运行，降低因故障导致系统瘫痪的概率。

整个系统形成一个完整的闭环系统，所有信息均可闭环跟踪，为城市轨道交通运行维护工作创造出一个发现问题、分析对策、解决问题、预防反馈、实时监测的维修保养工作机制。不仅可以第一时间发现问题，以高效的手段、极强的针对性去解决问题，并能够规避一些非常规故障的发生，提高整体系统的可靠性。

4.2 多源融合感知技术

伴随大数据技术快速发展，云平台的迅速崛起以及人工智能算法的逐渐成熟以及广泛应用，将新型技术纳入整体系统已经是一种必然趋势，在大环境下将其与系统不同层次结合为至关重要的关键技术。

车载系统设备中涉及信号系统的设备众多，这类设备处理的数据量大，且均对数据的安全性有极高的要求，在采集此类数据时对安全隔离要求性高、实施起来难度大，且设备分散布置在室内室外采集数据是这项工作的难点。

通过引入多源融合感知技术，对光纤信号、视频信号等多种信号源的多源感知技术，实现信号系统对于可信度、精确度以及覆盖度的要求，可提高感知的安全性，并感知非侵入式的各种信息流，使列车控制系统的核心设备安全性得到提高，还可以完成对不同场景的识别功能，可根据不同场景自动切换成对应信号采集模式，提高信号采集的工作效率。

4.3 多引擎融合预警

信号设备室外设备中转辙机和轨道电路是非常重要的两大部件，转辙机是确定道岔是否能够活动的关键设备，轨道电路是实现列车定位功能的重要设备，保障转辙机和轨道电路的设备的安全可靠运行是保证信号系统正常运行的关键。通常轨道电路和转辙机设置在室外，现场情况较复杂，影响因素多，且缺乏稳态特征值，故使用以往单一波形故障分析法对其实现准确诊断以及故障预测的难度是非常大的。

多引擎融合预警顾名思义，使用不同的故障分析法，例如故障树、推理分析等方法原理混合驱动诊断故障原因，将城市轨道交通信号系统运行原理以及相关知识专家库导入驱动系统中，并利用人工智能算法加持下的机器学习，能够完成现场数据与专业知识相关联，实现复杂状态下的故障原因追溯、关联因素分析等复杂作业。

4.4 预测维修

信号设备在以往的故障维修经验中，人工经验占据主导位置，当出现故障时通常是工作人员通过积累的经验进行处理，可能会造成处理不当的情况发生，在维护工作中投入大量的成本，得到的收效却很有限。

目前在全周期健康管理的系统分析处理数据后，得到设备健康度、使用寿命趋势、故障预测、设备检修建议等信息。并可根据设备设计及工作原理，与故障时刻报警信息相结合，可分析处理电气曲线特征值与历史故障维修记录，得到一份可靠的设备预测维修手册。

预测维修属于工作人员主动维修手段，对比过去被动的故障维修以及定时维修，预测维修可一定程度提高设备以及整个系统的可靠性，能够在投入相同成本的前提下获得更好的效果，降低通过人工经验判断导致事故的可能性。

5 结语

该文提出了一个基于PHM的城市轨道交通信号设备故障管理的设计方案，将数据获取层、数据分析处理层以及数据界面层三部分建立系统架构，通过设备在线监测、设备智能诊断系统、日常维护系统、应急指挥调度系统以及全周期健康管理系统搭建起系统的逻辑功能层面，结合人工智能算法等新型技术展示了整体系统的关键技术。该文的研究成果可为智能运行维护系统的工作提供参考。

参考文献

[1]毛海涛，潘华.多机种一体化故障预测与健康管理技术应用研究[J].现代电子技术，2015（5）：46.

[2]王玘，何正友，林圣，等.高铁牵引供电系统PHM与主动维护研究[J].西南交通大学学报，2015（5）： 942.

[3]梁若曦， 马麟龙. 基于PHM的民机视情维修策略研究[J]. 航空维修与工程， 2017（5）： 46.

[4]杜时勇. 基于大数据的城轨信号系统线网只能运维平台的研究[J]. 都市快軌交通， 2019（3）： 13.

[5]张黎璋. 东莞地铁设备智能运维系统分析[J]. 城市轨道交通研究， 2019（9）： 160.

[6]林刚. 基于大数据云计算的铁路智能运维系统技术研究[J]. 铁道通信信号， 2019（5）： 31.78F8C064-13D2-49E5-BCC2-0533F42DCA1C