基于大数据的铁路信号系统智能运维方案研究

姚伟强

（中国铁路乌鲁木齐局集团有限公司 阿勒泰基础设施段，新疆 乌鲁木齐 830000）

0 引 言

随着我国铁路的高速建设与发展，大量线路的新建与运营使得铁路相关专业设备数量急剧增加，而信号系统结构复杂、设备种类多而分布广，需要大量运维人员确保系统的正常稳定运行。由于运维管理难度的不断加大，信号系统运维的智能化、集成化与信息化等问题亟待解决，建设基于大数据的信号智能运维系统已成为信号维护系统的主要发展趋势。为了预测和规避设备故障导致的恶劣影响，提高信号维护人员的工作效率，保障铁路运输的安全稳定运营，以综和智能采集、信息化管理为核心的智能监测技术被应用于信号运维系统中。目前信号设备按照布置地点主要分为车载设备和轨旁设备，其监测手段分为列车监测和轨旁集中监测两种。列车监测是在列车运行过程中对车载设备动态数据进行抓包获取，将获取的数据通过车地通信技术与基站联系，从而保障列车的安全行使；轨旁设备的监测主要是通过在车站采集电源、道岔、轨道电路等基础信号设备的模拟量、开关量信息，而对于联锁、电源屏、智能灯丝等本身具备监测功能的设备，通过接口获取其相关状态信息，有故障时及时报警。虽然智能监测技术在信号运维系统中已取得了一定程度的应用，但仍存在一些问题需要解决。文献[3]基于图论模型的方法对计算机联锁系统进行可视化模型的研究，并使用时序和模糊推理的方法对系统的复杂故障进行智能诊断；文献[4]分析了川藏铁路线的现场环境与勘测资料，结合用户需求对信号智能运维系统的功能与技术条件进行了研究；文献[5]从信号运维的系统层面出发，定义了关联信号系统并构建了分层架构模型，提出了动态定量评估和风险预警方案，实现了信号系统的运行状态评估、风险预警和故障诊断。

首先由于铁路日常运营中产生的传感器监测数据、图像信息及操作日志等大量非结构化数据不利于数据分析与系统决策；其次信号系统运维数据类型多样且不断积累，传统的关系型数据库已很难处理这些多源异构的海量数据。为了最大化发挥运维大数据价值，对获得的数据进行标准化、规范化处理，使其用于智能运维数据分析，为系统决策提供数据支持。本文介绍了铁路信号系统结构，分析了运维大数据的来源，提出现阶段数据处理过程中存在的问题，设计出铁路信号智能运维系统架构并在关键技术、系统功能等方面进行研究。

1 铁路信号系统结构

铁路信号系统主要有列控系统、联锁系统、调度系统、信号集中监测系统及通信设备组成，其按照设备布置地点主要分为：调度中心、车站设备、轨旁区间设备、车载设备、车辆段及维修中心，其系统结构图如图1所示。目前信号监测系统是在车站完成外电网监测、电缆对地绝缘测试、电源对地漏泄电流测试、道岔监测、轨道电路监测、熔丝报警监测、温湿度采集等功能；在维修中心与列控系统、调度系统接口，获取这些设备的状态信息，有故障时及时发出报警；监测主机对采集的信号设备参数进行故障诊断，提供维修建议，指导用户进行设备维护。

图1 信号系统结构示意图

目前铁路信号监测系统依旧存在以下几个方面的不足：

（1）监测系统仅通过传感器等设备获取线路电流电压信息，通过设备间的接口采集通信数据信息，而对于监测到的数据化信息无法进行智能分析与处理，无法准确判断设备处于正常或故障状态，现阶段主要依靠维护人员依据自身专业知识及经验分析判断设备状态。

（2）对于获得的大量数据无法做到被监测设备、监测基站及监测系统之间的综合处理，监测列车获得的数据与监测车站获得的数据只能分别分析处理，车地数据无法实时共享，未能综合考虑人员操作、设备状态、运行环境的关系，未能从整体角度智能分析整个系统。

（3）监测数据来源较多结构各异，如系统信息采集数据、调度人员及司机操作指令、维护人员记录日志等，对于获得的这些多源异构数据，存在术语、格式、内容等不统一不规范的问题，维护系统无法直接使用多源异构数据进行智能分析与决策支持。

对于目前信号监测系统存在的不足，设计出新型的信号智能运维系统，结合大数据特点及其相关处理技术，实现故障定位、智能监测与分析，从而解决电务人员维护工作强度高、故障排查难度大等问题，能有效提高铁路信号系统的维护效率。

2 信号智能运维系统结构

智能运维系统主要包括数据源、数据汇集及储存、数据分析及应用、数据显示几个方面，其系统结构图如图2所示。

图2 信号智能运维系统结构图

（1）数据来源主要有监测系统数据、维护检修数据、运营生产数据及其他公共数据。其中监测系统数据包括电源设备、道岔、轨道电路等基础信号设备的模拟量、开关量信息，对于联锁、电源屏、智能灯丝本身具备监测功能的设备，通过接口获取其相关状态信息；维护检修数据主要有检修日志、设备履历、日常巡检记录等数据；运营生产数据主要有行车计划、运营时刻表、调度人员指挥记录等。

（2）数据汇集是指对各类数据归并整合，如速度、距离、加速度、设备状态、行车状态、线路状态等格式化数据以及视频、图像、声音、维修记录、系统日志等非格式化数据。对获得的数据属性抽取、转化和融合的方式进行规范化处理，通过匹配时间地点等信息进行实现，避免数据错乱或产生歧义。

（3）数据存储是将规范化后的数据根据日期、地点、关系型、非关系型等特点进行分类存储。随着运营生产数据不断累加，需要的存储空间较大，可通过周期性清理的方式定期清理数据，可根据需求一个月、三个月、半年或一年进行数据清理。

（4）数据分析及计算是数据处理的核心，可根据需求抽取相关数据或关键数据，对抽取的数据进行预处理以避免数据噪声导致的较大计算误差，通过逻辑分析、回归分析和云计算等方法对数据进行分析计算，最后还需衡量计算结果的准确及好坏，使其更精准地体现出大数据的价值。

（5）数据应用是以数据分析及计算结果为依托，实现故障定位、故障诊断及处置、应急处理指挥与流程、日常检修维护重点目标、故障预测、设备健康及全寿命周期管理等功能。

（6）数据展示是通过数据可视化技术和人机交互技术，将数据分析计算的结果在平台进行展示，可通过图形、网络拓扑图、设备模型等方式更直观地向用户呈现智能监测结果，满足电务人员的各项展示需求。

3 大数据智能运维系统关键技术

目前大数据主要使用的技术有数据采集与集成、数据的分析与挖掘（如谷歌公司推出的Map Reduce技术、开发分布式文件系统GFS、Big Table分布式并行数据库技术）、数据可视化与人机交互技术（如标签云、历史流技术等）。下面将针对信号智能运维系统中所使用到的数据接入技术、数据融合技术与故障预测健康管理技术进行介绍：

3.1 数据接入技术

铁路信号专业数据按照特点可分为静态数据与动态数据，静态数据有设备名称及属性等稳定不变的数据，动态数据包括检修巡检记录、告警信息、操作命令、调度命令、设备动作记录、列车运行记录等实时更新且不断增长的数据；按照类型可分为实时数据、文件数据、图片视频数据、消息记录等数据。目前的数据接入技术中通过面向资源的REST标准，利用HTTP动词、状态码、报头等实现数据的接口，RESTFUL风格的接口前后端分离，能减少通过网络传输的数据，同时以JSON作为数据交换格式，可避免数据注入等安全问题，适于接入静态数据。Kafka是一种高吞吐量的发布订阅消息系统，具有高吞吐量、低耦合、扩展性强等特点，可用于传输动态数据。

3.2 数据融合技术

信号智能运维系统获取的数据多种多样，将这些结构各异的数据进行融合，使数据规范标准化。首先需要形式化定义数据库到RDF的转换，从局部数据到整体数据的转换要求严格推理、逻辑验证，是保证数据合并、语义一致、转换完备的重要步骤；其次利用基于RDF（S）的闭包算法，通过对RDF（S）本体的每个节点进行推理计算，将RDF（S）本体图中的知识表达出来，可考虑数据中的日期、时间、地点等信息完成数据的匹配；最后对比RDF（S）本体与数据融合后的相似程度，以验证融合数据的准确性。

3.3 故障预测与健康管理

设备故障预测与健康管理（PHM）技术可根据数据判定设备性能，监测和诊断设备故障，提前预测故障的发生，电务维修人员可根据预测提前采取维护手段或容错措施保障运营。PHM通过平台大数据挖掘关键参数，经过数据对比分析实现故障识别与诊断，根据故障处理流程及设备维护规程提出维修策略，PHM还具有设备健康状态评估和寿命追踪功能。能够实现从板卡、模块到部件到设备再到系统的不同层级、不同级别的综合诊断、预测和健康管理。

4 结 论

智能运维系统已成为铁路运维发展的主要方向，以信号系统大数据为驱动，通过数据处理技术将多源异构数据标准化，综合运用数据接入技术、数据融合技术、数据智能分析、故障诊断及设备健康状态评估技术，实现信号设备的集成监督、故障预测综合管控。随着我国科技技术的不断发展，实现信号监测系统的集成化与智能化，为电务人员提供数据分析与智能诊断，通过数据可视化技术建设友好人机界面，促进了设备由计划修到状态修的转变，提升故障处置效率，减少信号系统维护成本，为实现铁路系统智慧运营提供技术支撑。