城市軌道交通數(shù)字孿生技術(shù)架構(gòu)及其應(yīng)用*

辛佐先 裴芳瓊 王 柳

(1.上海市隧道工程軌道交通設(shè)計研究院,200235,上海;2.上海申電云數(shù)字科技有限公司,200063,上?！蔚谝蛔髡?高級工程師)

2012年以來,智慧城市、智慧交通的概念逐步被推廣和接受[1],北上廣深成渝等規(guī)模較大的城市軌道交通企業(yè)(約占14%)已相繼出臺數(shù)字化藍(lán)圖規(guī)劃,但目前存在戰(zhàn)略決策、流程執(zhí)行、資金投入、技術(shù)平臺等困難因素,仍處于轉(zhuǎn)型初級階段[2]。數(shù)字孿生技術(shù)作為一種在信息世界刻畫、仿真、優(yōu)化、可視化物理世界的技術(shù)[3],在制造領(lǐng)域得到了落地應(yīng)用。近年來,在城市軌道交通領(lǐng)域,將BIM(建筑信息模型)、IoT(物聯(lián)網(wǎng))、LBS(基于位置服務(wù))等技術(shù)與設(shè)計、施工、運(yùn)維管理相結(jié)合,建設(shè)了虛實結(jié)合的數(shù)字化資產(chǎn),為數(shù)字孿生技術(shù)的應(yīng)用奠定了基礎(chǔ)。

1 城市軌道交通數(shù)字孿生技術(shù)架構(gòu)

本文提出的城市軌道交通數(shù)字孿生技術(shù)架構(gòu)如圖1所示,主要包括三部分:創(chuàng)建三維數(shù)字空間模型,搭載全生命期靜態(tài)數(shù)據(jù);通過物聯(lián)網(wǎng)、5G等技術(shù)集成反映物理空間實時狀態(tài)的動態(tài)數(shù)據(jù),對多源數(shù)據(jù)進(jìn)行融合處理,結(jié)合仿真算法、預(yù)測算法,以及云計算、大數(shù)據(jù)和人工智能技術(shù),打造城市軌道交通數(shù)字孿生體;面向生產(chǎn)管理人員和乘客,提供智能監(jiān)控、智能運(yùn)維、智能服務(wù)、態(tài)勢決策、聯(lián)動指揮、資源協(xié)同等功能。

圖1 城市軌道交通數(shù)字孿生技術(shù)架構(gòu)

2 數(shù)字孿生體

2.1 靜態(tài)數(shù)據(jù)

靜態(tài)數(shù)據(jù)是構(gòu)建數(shù)字孿生體的基礎(chǔ)數(shù)據(jù),是在一定時期內(nèi)不會發(fā)生變化的階段性成果數(shù)據(jù),或者發(fā)生變化后可通過比較快捷、簡便的方式進(jìn)行維護(hù)更新,例如BIM竣工模型、采購數(shù)據(jù)、資產(chǎn)數(shù)據(jù)及技術(shù)文檔等。圖2為車站機(jī)電模型,是典型的靜態(tài)數(shù)據(jù)集合。

圖2 車站機(jī)電模型

靜態(tài)數(shù)據(jù)通過人工采集、既有信息系統(tǒng)對接采集,形成階段性成果后交付至下一階段。以機(jī)電設(shè)備數(shù)據(jù)為例,在建設(shè)階段通過建設(shè)管理平臺進(jìn)行采集、審核、歸檔后,數(shù)據(jù)同步交付至運(yùn)維階段。

2.2 動態(tài)數(shù)據(jù)

動態(tài)數(shù)據(jù)的采集方式包括傳感器采集、視頻AI(人工智能)分析、既有信息系統(tǒng)對接、移動端作業(yè)采集等。利用Wi-Fi(無線保真)、以太網(wǎng)、物聯(lián)網(wǎng)、5G(第5代移動通信技術(shù))、現(xiàn)場總線等通信技術(shù)將實時數(shù)據(jù)存入服務(wù)器;通過數(shù)據(jù)可視化技術(shù)在虛擬模型中反映物理世界實時狀態(tài),如站臺門開關(guān)狀態(tài)、工作人員位置等;利用仿真模型和算法獲得不同應(yīng)用場景的預(yù)測方案、控制方案,實現(xiàn)虛實交互。

2.3 仿真模型

2.3.1 基于機(jī)理模型的方法

基于機(jī)理模型的方法是根據(jù)設(shè)備內(nèi)部工作原理建立反映設(shè)備性能退化物理規(guī)律的數(shù)學(xué)模型。通過設(shè)定邊界條件和系統(tǒng)輸入等參數(shù),進(jìn)行數(shù)學(xué)模型的求解和仿真,預(yù)測設(shè)備性能退化的發(fā)展趨勢。

機(jī)理建模和模型仿真是基于機(jī)理模型的方法的兩個重要組成部分。常見的機(jī)理建模方法包括類比分析法、量綱分析法、幾何分析法等。其中以幾何分析法和類比分析法為主,針對物理實體,利用平面幾何、立體幾何、解析幾何等原理建立相應(yīng)的數(shù)學(xué)模型,同時根據(jù)物理定律和數(shù)學(xué)原理建立不同事物之間的類比關(guān)系。常見的仿真方法包括歐拉法、梯形法、預(yù)估-校正法、龍格-庫塔法等。其中最常用的四階龍格-庫塔法由于其編程容易、改變步長方便、穩(wěn)定性好,因此在工程上應(yīng)用廣泛。

基于機(jī)理模型的預(yù)測方法還依賴于設(shè)備的故障機(jī)理和潛在退化模型。當(dāng)前國內(nèi)外研究人員已經(jīng)針對不同的設(shè)備系統(tǒng)提出了各種退化模型,以進(jìn)行預(yù)測。如文獻(xiàn)[4]提出了一個退化建?？蚣?用于計算在時變環(huán)境條件下滾動元件軸承的剩余壽命分布。

“我什么時候惹到你了?”我憤憤地喊道，抓住床單一角使勁把它從床墊上拽了下來，“你難道沒發(fā)現(xiàn)嗎?我們現(xiàn)在是同一派別!”

2.3.2 基于數(shù)據(jù)驅(qū)動的方法

基于數(shù)據(jù)驅(qū)動的方法需要從運(yùn)行設(shè)備中收集監(jiān)測數(shù)據(jù),并從中提取特征,通過數(shù)據(jù)分析挖掘隱藏的健康狀態(tài)指標(biāo)和性能退化特征。當(dāng)前最常用的基于數(shù)據(jù)驅(qū)動的方法為機(jī)器學(xué)習(xí)算法,其在預(yù)測領(lǐng)域效果非常突出。其中DNN(全連接神經(jīng)網(wǎng)絡(luò))、CNN(卷積神經(jīng)網(wǎng)絡(luò))、RNN(循環(huán)神經(jīng)網(wǎng)絡(luò))應(yīng)用廣泛。如文獻(xiàn)[5]發(fā)掘了一種基于滾珠軸承高頻振動的新特征,以估計軸承的剩余使用壽命,而后利用前饋神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練和預(yù)測。文獻(xiàn)[6]提出了一種基于深度學(xué)習(xí)的大數(shù)據(jù)旋轉(zhuǎn)部件剩余壽命預(yù)測方法。使用從齒輪試驗臺和軸承運(yùn)行失效試驗中收集的數(shù)據(jù)對所提出的方法進(jìn)行了測試,測試結(jié)果表明:基于深度學(xué)習(xí)的方法具有良好的剩余壽命預(yù)測性能。

3 城市軌道交通數(shù)字孿生技術(shù)架構(gòu)應(yīng)用場景

3.1 車站運(yùn)維管理

基于本文的數(shù)字孿生技術(shù)架構(gòu),在上海軌道交通14號線搭建了車站智慧運(yùn)維管理平臺,通過集成車站立體感知數(shù)據(jù),以維護(hù)維修管理、客運(yùn)管理、乘務(wù)管理等業(yè)務(wù)應(yīng)用為導(dǎo)向,構(gòu)建車站運(yùn)維管理數(shù)字孿生技術(shù)架構(gòu)應(yīng)用場景。車站智慧運(yùn)維管理應(yīng)用場景下的平臺架構(gòu)如圖3所示。

圖3 車站智慧運(yùn)維管理應(yīng)用場景下平臺架構(gòu)

3.1.1 基于BIM+IoT(物聯(lián)網(wǎng))數(shù)據(jù)驅(qū)動的設(shè)備管理應(yīng)用

設(shè)備BIM數(shù)據(jù)由建設(shè)期竣工交付得來,包含設(shè)備編碼、設(shè)備模型數(shù)據(jù)、技術(shù)規(guī)格書等,屬于靜態(tài)數(shù)據(jù)。動態(tài)數(shù)據(jù)包括通過IoT傳感器、智能終端、攝像頭等采集的運(yùn)行狀態(tài)數(shù)據(jù)、故障數(shù)據(jù)、視頻流等內(nèi)容?；贐IM+IoT數(shù)據(jù)驅(qū)動具有以下應(yīng)用功能:

1) 自主巡檢:基于設(shè)備實時運(yùn)行狀態(tài)數(shù)據(jù),實現(xiàn)自主設(shè)備巡檢,例如開關(guān)狀態(tài)、通信狀態(tài)、電流電壓等,自動生成巡檢記錄和表單,作為必要的審查依據(jù)。

2) 自主報修:自主識別故障信息驅(qū)動自主報修流程,生成維修工單并進(jìn)行派單。數(shù)據(jù)積累后可支撐智能分析故障原因、維修策略、預(yù)計維修時間等輔助維修管理決策內(nèi)容。

3) 自動計劃:根據(jù)設(shè)備類型、各專業(yè)設(shè)備維修規(guī)程、設(shè)備履歷,自動生成維護(hù)保養(yǎng)計劃和維護(hù)工單。

4) 自動履歷:基于巡檢、維修、維護(hù)記錄數(shù)據(jù)自動形成設(shè)備動態(tài)履歷,實現(xiàn)設(shè)備全生命期管理。

5) 自主分析:結(jié)合監(jiān)測數(shù)據(jù)和履歷數(shù)據(jù),對設(shè)備健康狀態(tài)進(jìn)行自主分析,可進(jìn)一步預(yù)測故障的發(fā)生過程與失效時間,遠(yuǎn)期可通過預(yù)測性維護(hù)實現(xiàn)設(shè)備的零宕機(jī)和持續(xù)可靠的運(yùn)行目標(biāo)。

3.1.2 基于BIM+LBS(基于位置的服務(wù))數(shù)據(jù)驅(qū)動的人員管理應(yīng)用

BIM天然包含了空間數(shù)據(jù),包括樓層、房間、設(shè)備空間位置等,通過坐標(biāo)、高程等數(shù)據(jù)體現(xiàn),屬于靜態(tài)數(shù)據(jù)。LBS基于位置服務(wù)的常見技術(shù)有藍(lán)牙、Wi-Fi、超寬帶等。以主動式藍(lán)牙定位為例,工作人員攜帶移動終端連接到藍(lán)牙信標(biāo),即可通過“三點定位法”計算出人員實時位置,屬于動態(tài)數(shù)據(jù)。通過BIM+LBS數(shù)據(jù)融合,形成“人+物+事”完整的空間數(shù)字孿生,驅(qū)動以下應(yīng)用功能:

1) 日常事件:利用移動終端上報事件,自動代入位置數(shù)據(jù),在車站運(yùn)維管理應(yīng)用場景中標(biāo)識事件,判斷事件高發(fā)地點,及時采取調(diào)整措施。

2) 巡視管控:結(jié)合空間數(shù)據(jù)開展巡視工作,支持自定義巡視點位、巡視范圍,根據(jù)實時定位自動解鎖相應(yīng)任務(wù),為巡視工作管控提供標(biāo)準(zhǔn)化、可視化管理工具。

3) 應(yīng)急處置:以場景作為指揮沙盤,實現(xiàn)自動化可視化布崗,輔助應(yīng)急指揮決策;在處置終端,根據(jù)人員位置推送布崗要求、路徑建議,提升處置效率。事后可對事件處置過程進(jìn)行可視化復(fù)盤評估,為既有應(yīng)急預(yù)案優(yōu)化提供依據(jù)。

3.2 列車運(yùn)維管理

基于本文的數(shù)字孿生技術(shù)架構(gòu),在上海軌道交通17號線構(gòu)建了列車運(yùn)維管理數(shù)字孿生技術(shù)應(yīng)用場景,以列車實時感知數(shù)據(jù)驅(qū)動仿真分析,實現(xiàn)實時告警、設(shè)備剩余壽命預(yù)測、智能排故、應(yīng)急處置建議等應(yīng)用。

3.2.1 輪軌健康管理

輪軌的健康狀態(tài)很大程度上決定了列車的可靠性水平,對輪軌進(jìn)行實時監(jiān)測及健康狀態(tài)預(yù)測有助于列車的安全運(yùn)行。輪軌數(shù)據(jù)一方面包含輪軌類型、編碼、圖片、軸承/踏面結(jié)構(gòu)圖、技術(shù)規(guī)格書等靜態(tài)數(shù)據(jù);另一方面包含通過車聯(lián)網(wǎng)對列車狀態(tài)與故障數(shù)據(jù)進(jìn)行實時采集獲取的動態(tài)數(shù)據(jù),如尺寸檢測、車下設(shè)備溫度檢測、360°車輛外觀檢測、踏面缺陷動態(tài)圖像監(jiān)測、車輪失圓檢測、車輪深層次探傷、軌邊聲學(xué)診斷系統(tǒng)等。基于大數(shù)據(jù)平臺對車聯(lián)網(wǎng)動態(tài)數(shù)據(jù)實時采集,通過AI對車輛外觀檢測精準(zhǔn)算法識別,構(gòu)建基于數(shù)字孿生技術(shù)架構(gòu)的輪軌健康管理平臺,主要實現(xiàn)以下應(yīng)用功能:

1) 故障實時告警:通過對列車輪軌中軸承和踏面的溫度、沖擊值、振動值等數(shù)據(jù)進(jìn)行采集分析,可掌握輪軌的實時動態(tài)。結(jié)合專家意見設(shè)定一系列閾值,如溫度報警標(biāo)準(zhǔn)、振動報警標(biāo)準(zhǔn)、軸承沖擊報警標(biāo)準(zhǔn)、踏面沖擊報警標(biāo)準(zhǔn)等,可準(zhǔn)確地對列車運(yùn)行時輪軌出現(xiàn)的故障進(jìn)行實時告警。

2) 部件剩余壽命預(yù)測:基于列車運(yùn)維管理數(shù)字孿生模型,依賴各部件的故障機(jī)理和退化模型,在虛擬空間中對孿生體模型進(jìn)行仿真推演,模擬不同工況下的正常或異常行為,獲取仿真數(shù)據(jù)。結(jié)合基于機(jī)理模型的方法和基于數(shù)據(jù)驅(qū)動的方法,以實時監(jiān)測數(shù)據(jù)和仿真數(shù)據(jù)為數(shù)據(jù)源,采用統(tǒng)計分析、模式識別以及機(jī)器學(xué)習(xí)等技術(shù),建立預(yù)測模型,實現(xiàn)各部件狀態(tài)評估和剩余壽命預(yù)測[7]?；陬A(yù)測所得的各部件健康指數(shù)可將輪軌健康狀態(tài)劃分為正常、亞健康、輕微故障、中等故障和嚴(yán)重故障5個等級,可及時評估輪軌健康情況,降低事故發(fā)生概率。

3.2.2 應(yīng)急處置管理

司機(jī)反饋在列車正線故障下的應(yīng)急處置難點主要集中在識別列車故障。列車數(shù)據(jù)包含站臺/站點、股道、基地、線路、車型等參數(shù),以及車輛設(shè)備樹、功能樹等各系統(tǒng)維護(hù)維修手冊維保數(shù)據(jù)。同時也包含GIS(地理信息系統(tǒng))地圖信息,用于對列車位置實時追蹤,這些都屬于靜態(tài)數(shù)據(jù)。IoT數(shù)據(jù)通過Netty、Kafka,Spark Streaming等大數(shù)據(jù)技術(shù)手段獲取列車實時運(yùn)行狀態(tài)數(shù)據(jù)與故障數(shù)據(jù),包括牽引、輔助、制動、空調(diào)、軸溫、旁路等運(yùn)行狀態(tài)數(shù)據(jù),以及蓄電池溫度異常報警、軸溫傳感器逆變器過載、電壓過/欠壓,電流過/欠流等故障數(shù)據(jù),這些都屬于動態(tài)數(shù)據(jù)。

基于IoT和大數(shù)據(jù)技術(shù)構(gòu)建基于數(shù)字孿生技術(shù)架構(gòu)的應(yīng)急處置管理,對海量的車輛狀態(tài)和故障數(shù)據(jù)進(jìn)行聚類分析和數(shù)據(jù)挖掘,快速、準(zhǔn)確地定位車輛故障點,挖掘故障的成因,推理故障的風(fēng)險和影響,智能匹配應(yīng)急預(yù)案,為司機(jī)提供輔助決策。主要包括4項應(yīng)用功能:

1) 故障實時定位:基于列車運(yùn)維管理數(shù)字孿生模型,可通過信號來源判斷發(fā)生故障的車廂位置,并在虛擬空間進(jìn)行實時展示。

2) 列車牽引能力樹:通過對列車實時狀態(tài)數(shù)據(jù)的再組織,以樹狀邏輯圖的形式展示當(dāng)前影響牽引能力的所有因素,通過對樹狀牽引能力邏輯的分類判別,幫助司機(jī)在應(yīng)急處置場景下快速定位問題點。

3) 旁路提示和狀態(tài)監(jiān)控:旁路提示與牽引能力樹形成聯(lián)動,基于相關(guān)信號邏輯,在需要進(jìn)行旁路操作時自動高亮顯示,智能提示司機(jī)進(jìn)行相關(guān)操作,并進(jìn)行結(jié)果監(jiān)控,對旁路開關(guān)的實時狀態(tài)進(jìn)行展示。

4) 應(yīng)急處置建議:基于列車的實時狀態(tài)、故障信號以及相關(guān)信號邏輯,自動判斷出當(dāng)前列車處于何種故障現(xiàn)象,實現(xiàn)智能識別故障并自動匹配推送應(yīng)急處置手冊。

4 結(jié)語

本文提出了一種城市軌道交通的數(shù)字孿生技術(shù)架構(gòu),探討了該架構(gòu)中數(shù)字孿生體的組成和仿真方法。該數(shù)字孿生技術(shù)體系分別在上海軌道交通車站運(yùn)維管理和列車運(yùn)維管理的業(yè)務(wù)場景中進(jìn)行了示范應(yīng)用,取得了較好的應(yīng)用效果,挖掘了數(shù)字孿生技術(shù)對于提升城市軌道交通智能化水平的價值,為數(shù)字孿生技術(shù)在城市軌道交通領(lǐng)域的落地應(yīng)用提供一定參考。