基于預(yù)訓(xùn)練大模型的智能運(yùn)維系統(tǒng)平臺構(gòu)建

劉晨光,金峻民,王鈺龍

武漢地鐵運(yùn)營有限公司,湖北 武漢 430000

0 引言

截至2022年12月,我國共有53個城市開通運(yùn)營城市軌道交通線路290條,運(yùn)營里程9 584 km,客流規(guī)模居世界第一[1]。乘客出行需要快速、準(zhǔn)時無延誤、安全可靠的服務(wù)體驗,城市軌道交通快速發(fā)展成為市民出行首選。但由于人工操作的局限性,傳統(tǒng)的依賴人工作業(yè)檢查和定期修程進(jìn)行預(yù)防性維修的軌道交通車輛維護(hù)方案極易出現(xiàn)過修、欠修情況,列車維護(hù)質(zhì)量無法保障安全運(yùn)營,軌道交通車輛運(yùn)維需要更科學(xué)、高效的管理方式。

1 建設(shè)背景

1.1 智能運(yùn)維系統(tǒng)國內(nèi)運(yùn)用現(xiàn)狀

近年來,智能運(yùn)維系統(tǒng)在國內(nèi)軌道交通行業(yè)發(fā)展迅速,主要建設(shè)思路以智慧列車、智慧監(jiān)測、智慧檢修為主,以數(shù)據(jù)驅(qū)動應(yīng)用為輔。例如深圳地鐵運(yùn)維平臺強(qiáng)調(diào)數(shù)據(jù)的共享與跨專業(yè)融合,構(gòu)建統(tǒng)一的數(shù)據(jù)平臺,打破各系統(tǒng)間的封閉性,實現(xiàn)列車車載監(jiān)測、軌旁監(jiān)測、智能檢修及資產(chǎn)管理系統(tǒng)的統(tǒng)一管理[2]。上海地鐵車輛智能運(yùn)維系統(tǒng)通過車聯(lián)網(wǎng)、軌旁綜合檢測、維護(hù)管理以及維護(hù)專家系統(tǒng)等模塊,實現(xiàn)全過程的數(shù)據(jù)采集、車輛監(jiān)測、異常預(yù)警、計劃生成、維修指導(dǎo)等功能。在17號線試點(diǎn)應(yīng)用,實現(xiàn)從傳統(tǒng)計劃修、故障修向狀態(tài)修的轉(zhuǎn)變,同時顯著提升列車運(yùn)營的可靠性,降低人工成本[3]。杭州地鐵構(gòu)建“1+4+N”體系的智能運(yùn)維系統(tǒng),借助故障預(yù)警與壽命評估技術(shù),實現(xiàn)了關(guān)鍵系統(tǒng)的故障預(yù)警以及車輛健康狀態(tài)的評估;在車底檢修機(jī)器人應(yīng)用方面,實現(xiàn)了機(jī)器人在股道間的自動運(yùn)轉(zhuǎn)檢修[4]。

武漢16號線是武漢首批智能運(yùn)維試點(diǎn),包括車載數(shù)據(jù)采集系統(tǒng)WTD、智能運(yùn)維分析系統(tǒng)、檢修業(yè)務(wù)管理系統(tǒng)、第三方接口系統(tǒng)4大板塊,可以實現(xiàn)線路監(jiān)控、單車監(jiān)控、HMI同屏、遠(yuǎn)程報警、應(yīng)急處置等實時監(jiān)控功能,以及故障分析、健康管理、車輛履歷、故障預(yù)測等數(shù)據(jù)應(yīng)用功能。

但目前各城市地鐵公司在智能運(yùn)維系統(tǒng)方面的應(yīng)用存在各種現(xiàn)實問題。系統(tǒng)功能升級性較差;各業(yè)務(wù)系統(tǒng)間壁壘嚴(yán)重,數(shù)據(jù)接口統(tǒng)一管理難度高;故障分析未能深入開發(fā)各數(shù)據(jù)條目之間的聯(lián)系,建立可靠計算模型,以應(yīng)對不同類型的典型故障;系統(tǒng)軟硬件維護(hù)難度較高、專業(yè)性強(qiáng),單個線路無法專業(yè)維護(hù)等。隨著軌道交通行業(yè)逐漸推廣全自動駕駛車輛應(yīng)用[5-6],對運(yùn)營管理水平提出了更高要求。

1.2 人工智能及軟件工程發(fā)展

智能運(yùn)維系統(tǒng)和人工智能結(jié)合是眾多學(xué)者探索的方向[7]。此前AI開發(fā)受限于基礎(chǔ)理論、軟硬件等因素,導(dǎo)致高成本、低準(zhǔn)確度的問題。為解決這些問題,出現(xiàn)了通過預(yù)先訓(xùn)練知識、數(shù)據(jù),再進(jìn)行微調(diào)訓(xùn)練(fine-tuneing)、評估,到離線推理、在線部署,最終實現(xiàn)在具體產(chǎn)業(yè)中的大模型應(yīng)用。

大模型的應(yīng)用優(yōu)勢在于強(qiáng)大算力平臺使得訓(xùn)練推理效率指數(shù)級增長,開發(fā)周期持續(xù)縮短,所需樣本顯著降低,在小樣本下,起步精度提升90%[8]。同時,可以使用大語言模型作為通用接口充當(dāng)控制器來管理現(xiàn)有的AI模型,以解決復(fù)雜的AI任務(wù),例如HuggingGPT能根據(jù)輸入的自然語言自動分析需要哪些AI模型,然后直接調(diào)用相應(yīng)模型,來執(zhí)行并完成任務(wù)[9]?；陬A(yù)訓(xùn)練大模型(pre-trained models,PTM)的開發(fā)是AI開發(fā)的新范式[10]。

低代碼平臺是軟件工程領(lǐng)域一種新的發(fā)展趨勢,可以有效解決功能解耦問題,提高平臺的擴(kuò)展性和靈活性。通過提供可視化的開發(fā)界面,開發(fā)者可以基于該平臺快速方便地構(gòu)建、部署和管理各種應(yīng)用,打造企業(yè)高質(zhì)量發(fā)展階段的“數(shù)字化底座”[11]。

2 建設(shè)思路

結(jié)合武漢軌道交通16號線的實際運(yùn)用經(jīng)驗,筆者發(fā)現(xiàn),將低代碼平臺和人工智能技術(shù)如自然語言處理(natural language processing,NLP)、多模態(tài)和計算機(jī)視覺(computer vision,CV)大模型引入智能運(yùn)維系統(tǒng)具有顯著的優(yōu)勢。

按照各系統(tǒng)功能之間解耦的原則,以低代碼平臺為基礎(chǔ),車載軌旁監(jiān)測系統(tǒng)、智能分析系統(tǒng)和檢修乘務(wù)管理系統(tǒng)相互協(xié)同,利用先進(jìn)的數(shù)據(jù)通信技術(shù),確保各系統(tǒng)之間的高速數(shù)據(jù)傳輸和實時信息交換,形成一個完整的智能運(yùn)維架構(gòu)。通過低代碼平臺方式將各個數(shù)據(jù)、服務(wù)、功能模塊以插件的形式靈活組合,快速完成表單、模型、流程、儀表盤、知識庫、展示頁面等核心功能搭建,實現(xiàn)數(shù)據(jù)的整合與功能需求的快速響應(yīng)。

通過數(shù)據(jù)結(jié)合NLP、CV、科學(xué)計算等人工智能大模型構(gòu)建預(yù)測分析插件等,實現(xiàn)實時監(jiān)控、預(yù)測分析和決策輔助功能。定期將標(biāo)注數(shù)據(jù)反饋到云端大模型進(jìn)行優(yōu)化,再升級部署到端側(cè)數(shù)據(jù)中心,實現(xiàn)持續(xù)迭代。

硬件布置以云計算平臺為模型基礎(chǔ),線網(wǎng)共享數(shù)據(jù)中心為端側(cè),各線路設(shè)備機(jī)房為邊側(cè),手持終端為輔助,形成云側(cè)模型推理優(yōu)化、端側(cè)推理部署、端邊增量學(xué)習(xí)(fine-tuning訓(xùn)練)反饋、邊側(cè)應(yīng)用部署的全環(huán)節(jié)人工智能運(yùn)維平臺。同時,采用多層安全防護(hù)措施,包括物理層的防火墻隔離、網(wǎng)絡(luò)層的安全策略、系統(tǒng)層的權(quán)限控制以及應(yīng)用層的加密技術(shù)等,全面保障系統(tǒng)的安全穩(wěn)定運(yùn)行,滿足軌道交通運(yùn)維工作的高效和安全需求?；陬A(yù)訓(xùn)練大模型的智能運(yùn)維系統(tǒng)平臺總體架構(gòu)如圖1所示。

圖1 基于預(yù)訓(xùn)練大模型的智能運(yùn)維系統(tǒng)平臺總體架構(gòu)

3 智能運(yùn)維系統(tǒng)建設(shè)

3.1 低代碼驅(qū)動平臺

以低代碼平臺作為系統(tǒng)基礎(chǔ),首先需要定制低代碼開發(fā)框架,前端UI可采用amis、Sortable、H5-Dooring等,后端服務(wù)采用APIJSON、dataway、magic-api等。平臺適配多個應(yīng)用程序開發(fā)工具,如集成的代碼編輯器、API創(chuàng)建器、測試工具等,實現(xiàn)表單、流程、報表、角色管理、權(quán)限管理、多樣化組件、連接器API等基礎(chǔ)功能。通過基礎(chǔ)功能開發(fā)系統(tǒng)級應(yīng)用組件:車載軌旁監(jiān)測系統(tǒng)、智能分析系統(tǒng)、檢修管理系統(tǒng),并結(jié)合需求定制化搭建自定義功能插件。

建設(shè)線網(wǎng)級數(shù)據(jù)中心,作為智能運(yùn)維平臺的硬件基礎(chǔ),同時接入各設(shè)備系統(tǒng)數(shù)據(jù)及云端大模型,整合統(tǒng)一數(shù)據(jù),完成清洗、轉(zhuǎn)換、互通等,實現(xiàn)信息高效分析利用;提供高算力實現(xiàn)模型端側(cè)推理計算、端邊增量學(xué)習(xí)(fine-tuning訓(xùn)練)從而持續(xù)優(yōu)化模型等;通過各線路車載、軌旁及終端輸入等完成數(shù)據(jù)的收集、整理及人機(jī)交互。模型計算推理判斷及智能預(yù)警的簡易流程如圖2所示。

圖2 模型計算推理判斷及智能預(yù)警的簡易流程

3.2 車載軌旁監(jiān)測系統(tǒng)

車載軌旁監(jiān)測系統(tǒng)作為智能運(yùn)維系統(tǒng)的核心組成部分,主要負(fù)責(zé)收集和預(yù)處理軌道交通車輛、車載傳感器及各類軌旁設(shè)備的運(yùn)行數(shù)據(jù)。

傳感器布設(shè):在車輛上部署各類傳感器,實時監(jiān)測各子系統(tǒng)的運(yùn)行狀態(tài)。傳感器類型包括但不限于振動傳感器、溫度傳感器、電流電壓傳感器、壓力傳感器等。

軌旁設(shè)備布設(shè):結(jié)合實際需求,可設(shè)置360°圖像檢測系統(tǒng)、列檢機(jī)器人、輪對動態(tài)圖像檢測、弓網(wǎng)動態(tài)監(jiān)測、車輛段工藝設(shè)備在線監(jiān)測等。

數(shù)據(jù)采集與預(yù)處理:將車輛、傳感器、軌旁設(shè)備收集到的數(shù)據(jù)通過先進(jìn)的數(shù)據(jù)通信技術(shù)(如5G、LoRa等)實時傳輸至數(shù)據(jù)中心,數(shù)據(jù)中心可使用Lambda等架構(gòu)[12]獨(dú)立處理離線計算和實時計算,集成Hadoop,Kafka,Hbase等各類大數(shù)據(jù)組件,實時處理海量高并發(fā)數(shù)據(jù),對原始數(shù)據(jù)進(jìn)行離線預(yù)處理,以便后續(xù)的智能分析及插件調(diào)用。

實時信息展示:定義儀表盤插件,選取預(yù)處理后的關(guān)鍵數(shù)據(jù),轉(zhuǎn)化為圖表等形式在系統(tǒng)實時監(jiān)控頁面展示,實現(xiàn)運(yùn)營車輛位置和車載視頻的實時監(jiān)控、HMI同屏等功能,便于地面控制中心及時獲取車輛狀態(tài)信息。

3.3 智能分析系統(tǒng)

智能分析系統(tǒng)負(fù)責(zé)對車載軌旁監(jiān)測系統(tǒng)收集到的數(shù)據(jù)進(jìn)行深度挖掘和分析,通過連接器API和數(shù)據(jù)插件調(diào)用大模型功能,以支持決策輔助和故障預(yù)測。

數(shù)據(jù)清洗與處理:對數(shù)據(jù)采集系統(tǒng)預(yù)處理后的原始數(shù)據(jù)進(jìn)行清洗、歸一化和特征提取,為后續(xù)的機(jī)器學(xué)習(xí)和深度學(xué)習(xí)模型提供高質(zhì)量的輸入數(shù)據(jù)。

故障預(yù)測與診斷:訓(xùn)練基于人工智能多模態(tài)、CV大模型封裝的科學(xué)計算數(shù)學(xué)模型,將預(yù)處理數(shù)據(jù)用插件控制輸入模型,格式化模型輸出結(jié)果,實現(xiàn)對設(shè)備運(yùn)行數(shù)據(jù)進(jìn)行實時分析、故障預(yù)測和診斷等功能。根據(jù)不同的故障現(xiàn)象,可以通過插件設(shè)定自定義參數(shù),不斷更新迭代優(yōu)化模型,實現(xiàn)對同類故障再次發(fā)生的預(yù)測和快速診斷。以輪軌關(guān)系為例,使用實時連續(xù)采集的輪軌振動、沖擊信息歷史數(shù)據(jù)(包括正常和異常運(yùn)行條件)訓(xùn)練模型,首先進(jìn)行數(shù)據(jù)處理,去除噪聲,規(guī)范化數(shù)據(jù),將數(shù)據(jù)分割成離散的間隔,例如時間或距離間隔,以便能夠分析當(dāng)前隨時間或距離變化的趨勢;其次,對分段數(shù)據(jù)根據(jù)輪軌運(yùn)行情況進(jìn)行標(biāo)注,如正常運(yùn)行、異常運(yùn)行或故障情況;再將標(biāo)記數(shù)據(jù)拆分為訓(xùn)練集和測試集,以便進(jìn)行模型評估和驗證。模擬模型故障預(yù)測輸出可視化形式如圖3所示。通過應(yīng)用大模型,可以用少量數(shù)據(jù)訓(xùn)練出滿足要求的應(yīng)用模型,大大提高故障預(yù)測和診斷的便利性和準(zhǔn)確性。

圖3 模擬模型故障預(yù)測輸出可視化形式

決策輔助:基于故障預(yù)測和診斷結(jié)果,使用專用型NLP大模型,為運(yùn)維人員提供決策建議,如設(shè)備的維修計劃、車輛遠(yuǎn)程專家診斷、應(yīng)急故障處理措施、空調(diào)智能溫控等。

設(shè)備健康評估:定義插件,基于收集到的數(shù)據(jù),對車輛各子系統(tǒng)的健康狀況進(jìn)行評估,判斷設(shè)備是否存在異?；驖撛诠收?為設(shè)備全壽命周期使用提供數(shù)據(jù)基礎(chǔ)。

3.4 檢修管理系統(tǒng)

檢修管理系統(tǒng)針對軌道交通車輛的維護(hù)工作,提供全面的工作流程管理和資源調(diào)度支持。

工單管理:可根據(jù)智能分析系統(tǒng)的決策建議,利用運(yùn)籌優(yōu)化等方法對車輛全壽命維修計劃管理、狀態(tài)修檢修管理機(jī)制等進(jìn)行輔助支持[13-14],自動生成工單,經(jīng)檢修調(diào)度審核后流轉(zhuǎn)分配給相應(yīng)的工程師或檢修人員處理。

資源調(diào)度:根據(jù)實際需要創(chuàng)建插件,合理調(diào)度人力、物力等資源,實現(xiàn)根據(jù)工單錄入工時、物資出入庫消耗,匯總分析。結(jié)合年度規(guī)程維修量、物資采購周期等數(shù)據(jù),提報次年物資采購計劃,實現(xiàn)物資高效周轉(zhuǎn),確保檢修工作的高效進(jìn)行。還可以通過智能工具箱與工單系統(tǒng)結(jié)合,規(guī)范檢修工具的領(lǐng)用、歸還流程記錄。

專業(yè)知識庫:將車輛技術(shù)規(guī)格書、履歷表、電路圖、管線圖等技術(shù)文件、每次檢修及故障處理的過程和結(jié)果記錄,匯總為文檔庫。配合NLP大模型訓(xùn)練優(yōu)化,形成AI知識庫,通過交互問答和來源引用的方式獲得準(zhǔn)確且有依據(jù)的答案,為技術(shù)人員后續(xù)的故障診斷和決策提供參考。圖4展示了知識庫交互中對客室側(cè)門作業(yè)標(biāo)準(zhǔn)查詢的結(jié)果。

圖4 知識庫交互中對客室側(cè)門作業(yè)標(biāo)準(zhǔn)查詢的結(jié)果

3.5 自定義功能插件

自定義功能插件是智能運(yùn)維系統(tǒng)的擴(kuò)展部分,也是解耦原則的具體實現(xiàn)。通過低代碼平臺方式,將各個數(shù)據(jù)、服務(wù)、功能、人員、權(quán)限等模塊靈活組合,實現(xiàn)不同模塊之間的數(shù)據(jù)交互和功能擴(kuò)展,提供定制化的運(yùn)維解決方案。同時,本文將NLP大模型和低代碼開發(fā)結(jié)合起來,可以實現(xiàn)一句話即搭建一個插件,快速打造知識庫、業(yè)務(wù)流程等實用功能,深入挖掘數(shù)字化潛力,提高生產(chǎn)效率。例如可以開發(fā)以下功能插件。

數(shù)據(jù)采集插件:該插件通過調(diào)用數(shù)據(jù)中心的數(shù)據(jù)采集與預(yù)處理功能,將各類現(xiàn)有及未來新增車載軌旁監(jiān)測系統(tǒng)數(shù)據(jù)格式化為統(tǒng)一的API。通過API調(diào)用與其他插件進(jìn)行數(shù)據(jù)交換,實現(xiàn)數(shù)據(jù)共享和數(shù)據(jù)整合。

儀表盤插件:該插件可將表單功能模塊和數(shù)據(jù)采集API結(jié)合,實現(xiàn)數(shù)據(jù)可視化,將采集到的數(shù)據(jù)以圖表等形式展示出來,方便運(yùn)維人員進(jìn)行監(jiān)測實時數(shù)據(jù)和輔助決策。

預(yù)測分析插件:該插件基于人工智能大模型,可根據(jù)典型故障定義分解任務(wù)、故障判斷邏輯和處理流程,采用不同的科學(xué)計算和CV大模型對采集到的振動、溫度、圖像等數(shù)據(jù)進(jìn)行計算分析和預(yù)測,提供實時的故障預(yù)警和處置建議,實現(xiàn)典型故障再次發(fā)生的預(yù)警和提前處理。預(yù)測分析插件可以由工程師不斷維護(hù)、新增、迭代公司乃至行業(yè)內(nèi)發(fā)生的典型故障模型。插件可以與檢修管理系統(tǒng)進(jìn)行數(shù)據(jù)交換,自動發(fā)起工單,實現(xiàn)故障診斷和檢修計劃的自動化流程。

流程管理插件:該插件可以通過NLP大模型加低代碼的方式,快速將檢修規(guī)程、管理辦法等制度流程化,根據(jù)不同的規(guī)定和生產(chǎn)任務(wù)需要自定義分解工作流程,實現(xiàn)各環(huán)節(jié)信息高效流轉(zhuǎn),大大提高管理規(guī)定落地執(zhí)行的效率和落實程度,例如檢修流程、交車流程、巡檢流程、物資周轉(zhuǎn)流程等?？煽s減紙質(zhì)單據(jù),使用更具有可追溯性的電子臺賬,嚴(yán)格把控每個生產(chǎn)環(huán)節(jié)的質(zhì)量安全。

將功能和基礎(chǔ)模塊解耦可以提高平臺內(nèi)各基礎(chǔ)模塊的復(fù)合利用效率、保持較大的擴(kuò)展性和持續(xù)的穩(wěn)定性。NLP大模型和低代碼結(jié)合可以快速搭建插件,適應(yīng)業(yè)務(wù)發(fā)展需求,這些插件可以相互協(xié)同,形成一個完整的智能運(yùn)維架構(gòu),實現(xiàn)數(shù)據(jù)的整合與功能需求的快速響應(yīng)。

3.6 應(yīng)用效果

基于上述“低代碼平臺+人工智能大模型”為核心的城市軌道交通車輛智慧運(yùn)維服務(wù)框架,武漢16號線逐步優(yōu)化現(xiàn)有平臺功能,結(jié)合新框架,并在知識庫、流程管理、故障預(yù)測等方面取得了良好的應(yīng)用效果。

1)通過開源嵌入模型text2vec-large-chinese和大語言模型(large language models,LLM)模型ChatGLM-6B,實現(xiàn)本地加載技術(shù)文件作為知識庫。投入到生產(chǎn)使用中,通過交互問答和來源引用方式幫助技術(shù)人員快速獲取技術(shù)信息,為故障診斷和決策提供有力支撐。

2)通過搭建初步的低代碼驅(qū)動平臺,實現(xiàn)流程自動化、數(shù)據(jù)集成以及實時監(jiān)控功能。提供可視化拖拽式編輯器,簡化了流程設(shè)計和優(yōu)化過程,降低了技術(shù)門檻,使非專業(yè)人員也能輕松參與流程管理和優(yōu)化。同時,將各類運(yùn)維數(shù)據(jù)集成到統(tǒng)一平臺處理并展示,為決策提供全面而準(zhǔn)確的數(shù)據(jù)支持。

3)在故障預(yù)測方面,結(jié)合車輛歷史運(yùn)行數(shù)據(jù),構(gòu)建了走行部故障預(yù)測模型,通過持續(xù)對模型進(jìn)行訓(xùn)練和優(yōu)化,逐漸提高預(yù)測的準(zhǔn)確率,能夠識別出潛在的故障跡象,提前預(yù)警。同時,根據(jù)故障診斷需求,不斷地添加新的故障預(yù)測模型。

4 結(jié)束語

基于預(yù)訓(xùn)練大模型的智能運(yùn)維系統(tǒng)平臺將NLP、多模態(tài)和CV等人工智能技術(shù)融入到系統(tǒng)中,通過端云協(xié)同的方式將預(yù)測分析插件等人工智能大模型持續(xù)優(yōu)化,保證了實時監(jiān)控、預(yù)測分析和決策輔助等功能的高效運(yùn)行。同時,通過低代碼平臺方式,保證了系統(tǒng)功能解耦,提高了平臺的可擴(kuò)展性與靈活性,實現(xiàn)了車載軌旁監(jiān)測系統(tǒng)、智能分析系統(tǒng)和檢修管理系統(tǒng)的高度集成與協(xié)同。

低代碼平臺與預(yù)訓(xùn)練大模型結(jié)合,可以解決現(xiàn)有智能運(yùn)維系統(tǒng)計算模型實用性低且優(yōu)化效率低、功能升級性不高、各業(yè)務(wù)系統(tǒng)間壁壘嚴(yán)重等問題,具有較大的應(yīng)用潛力。