2018年4月13-15日，由國家發改委綜合運輸研究所、“十三五”國家重點研發計劃《先進軌道交通重點專項》總體專家組指導，北京市地鐵運營有限公司地鐵運營技術研發中心、RT 軌道交通聯合主辦，中國信息通信研究院協辦，地鐵運營安全保障技術北京市重點實驗室聯合承辦的“2018年中國（國際）智慧軌道交通大會”圓滿閉幕！

來自國際國內多家地鐵業主單位、科研機構、設計單位、設備制造企業的相關專家、學者等近1281名參會代表參加本次會議。北京天澤智云科技有限公司CTO劉宗長博士出席會議并發表“工業智能技術在軌道交通智能運維中的實踐”主題演講。

天澤智云首席技術官 劉宗長博士

劉宗長博士介紹了基于“信息-物理系統”（CPS）的5C架構的智能軌道交通PHM解決方案，并分享了天澤智云在軌道交通車輛、道路基礎設施和機電設備智能運維中的實踐案例。

在演講中，他剖析了在設計智能軌道交通系統過程中面臨的挑戰，詳細解讀了系統架構及流程設計中的關鍵技術，包括數據采集和管理、信號處理及特征提取、算法模型開發、遠程集群監測及運營決策等。

天澤智云在智能邊緣計算及數采系統集成方面擁有豐富的經驗，針對軌道交通產品的不同核心部件，基于該部件的關鍵特點，以何種數據采集方式最優等方面，都具備非常豐富的工程經驗。此外，天澤智云開發了專業的建模分析平臺 GenPro、智能軌交應用模型服務環境CyberShpere及大數據可視化及報表系統等能力體系用以支撐完整的PHM系統。

劉宗長博士指出：“我們的目標是把PHM這樣一個非常專業且目前只有少數人掌握的技術，通過更加系統化的流程設計和輔助工具，降低開發門檻，未來讓更多的業務專家、運維工程人員也可以獨立完成模型開發，使其更廣泛地適用于軌道交通的場景。這也是天澤智云的使命所在。”

期間，劉宗長博士接受了RT軌道交通網的采訪，以下為訪談內容。

Q：感謝劉博士接受RT軌道交通的采訪。根據您的觀察，相較于其他工業領域，軌道交通的PHM工程化應用與其他系統有什么不同？會遇到哪些挑戰？

首先是相比于其他大部分的工業裝備，軌道交通系統更加復雜，以高鐵車輛為例，它由九大系統、上百個關鍵零部件構成，其本身就是一個非常龐大的體系。

第二個是軌道交通的運營要非常地快速和精準。數據不僅涉及資產，同時也涉及到運營。不論是地鐵還是客運鐵路，涉及的數據量都非常大且多變，任意的不精準都可能影響軌道交通的連續運行。比如一輛地鐵誤點兩分鐘，極有可能后面其他地鐵的運營都受到影響，所以必須立即處理，把這兩分鐘的誤點協調過來，因此對于整個系統的動態性和魯棒性要求也很強。

第三個是由于軌道交通對于數據的安全性要求更高，因此很難使數據在開放的網絡中流動。數據的安全性限制了我們去用很多目前已經比較成熟的互聯網或者云計算技術，所以需要建設一個自己的平臺或者網聯/物聯的體系。

所以不論是對業務、對象的運營，還是對于整個工業網絡方面的基礎設施而言，都存在很大的挑戰，在其他行業里很少見到這么復雜的場景和挑戰。

Q：面對如此復雜的數據環境，如何用最短的時間實現高效數據分析、攫取有用信息？天澤智云在這方面有哪些突破或深刻體會？

針對這些挑戰我們運用了李杰教授提出的“六分法”的思路，即分類、分割、分解、分析、分享和分憂。

• 分類：首先對數據按照分析的對象和要求進行分類，這樣可以幫助我們識別哪些是關鍵有效的數據，以及如何用合適的方式獲取這些數據。

  
  

• 分割：數據流是連續產生的，但狀態是離散的，所以我們要基于工況和設備狀態的變化把連續的數據進行分割。

  
  

• 分解：分割之后對整體信號進行特征提取，并清晰化特征與問題之間的對應關系，這個過程就是分解。

  
  

• 分析：其實就是建模，無論是機器學習等AI的一些算法，或者是專家模型的方法，都是說如何對特征進行建模，以及如何實現從特征到根原因的匹配。

  
  

• 分享：分析的結果怎么被分發到各個業務部門里面去，實現整體決策或后面行動的同步。

  
  

• 分憂：尋找業務價值，也就是數據分析產生的信息到底是為了解決什么問題，如何與運營相結合實現對問題透明化和預測性的管理。

數據分析最終都是收斂的，一開始數據可以很多很大，但是最后都需要匯聚到業務痛點、收斂到業務價值點，從而解決場景中的具體問題，最終實現為工業客戶分憂的目標。

這一整個過程具有非常強的流程性，李杰教授指導我們解決問題的時候基本上都是按照這個思路來處理。同時這套體系也得到我們客戶的認可，不論是制造或者其他企業，其最終目標都是如何實現價值，以及通過什么樣的路徑實現這樣的價值。

Q：上面我們談到了軌道交通行業的數據特點及分析方法，對于數據的標準化，軌道交通行業是否存在？如何解決?

我認為標準化的問題確實存在，可以分為四大部分。

1、最前端數據采集部分的接口標準化

對于平臺開發者而言這一點非常重要，因為他們收集數據之后需要解析才能入庫，但是不同系統之間的通訊協議和編碼標準都各式各樣，對我們獲取數據造成了很大的挑戰。所以從數據的來源角度，接口的標準化和協議的標準化是第一步。

2、數據存儲方式的標準化

即如何對數據定義、貼標簽，以及如何根據業務需求，對數據庫以建表的方式管理。現在很多數據進來后散落在各種各樣的數據庫，有時候即使是指向同一個變量，也有不同的名稱，所以這部分就設計到數據存儲的標準化，也就是我們上面講的分類、分割和分解。

數據的存儲方式標準化之后，我們再做分析，只需要根據業務需求尋找相關數據，大大降低了工作開展的難度。

3、模型評價體系的標準化

尤其對于數據驅動，基于機器學習的方式，最大的問題在于可重復性較差，對模型的精度和不確定性管理較難。因此需要明確用哪些標準做規范，進而保證模型輸出的結果持續可靠、穩定精準。

4、客戶業務流程標準化

客戶的業務流程及對數據理解的標準化也非常重要，否則對于同一個結果，不同人可能有不同的操作方式，所以我們需要規范數據應該用什么樣的方式分發到各業務部門，業務部門收到結果后又該采取哪些協同性的動作等問題。

完成這幾部分的標準化之后，我們可以真正實現以數據驅動的業務流程，進而逐步實現從“以經驗為導向”向“以事實為導向”的轉變。

Q：回歸到整個工業領域，在您看來目前國內工業智能運維的工程化應用面臨的最大挑戰是什么？天澤智云如何化解這些挑戰？

從技術層面來看，一套完整工業智能系統需要具備以下三方面能力：

1、軟件平臺開發能力

無論是平臺技術或者傳統的工業軟件，開發都需要非常專業的團隊。

2、算法開發能力

無論是具有特定目標的預測性分析建模，還是大數據環境下發散性的關系挖掘，都需要一支專業的數據科學家團隊。需要持續地對分析模型進行設計、開發、調優、驗證和維護。

3、工業領域知識

前面兩種技術要想在具體的場景中落地，需要深刻理解其應用場景及實施對象。以高鐵為例，我們要對整個高鐵系統的構成，不同核心部件的機理、工作原理、失效模式，以及運行過程中有哪些痛點等問題有著豐富的積累和深刻的洞察。

將這三個方面能力結合起來，才能讓工業智能化成功落地，但中國目前很難有一家企業完全具備，因此我認為不論制造企業還是軟件服務類企業，如何快速獲得這三方面的能力是實現大數據或工業智能在工業場景中落地的挑戰。

完整的工業智能系統

對于我們天澤智云而言，核心技術團隊是來自美國智能維護系統（IMS）中心的機械工程博士，在博士期間研究領域主攻PHM方向，以數據驅動建模和預測為主要的智能分析手段，所以接觸了大量的智能算法。同時我們也擁有實力很強的軟件團隊，具備豐富的開發工業復雜軟件系統的經驗。所以我們對軟件、算法和工業領域知識三方面都具備較深的理解，并且能夠將這三方面能力有機地耦合。

在幫助企業獲得軟件開發能力的方面，我們開發了CyberSphere平臺，這個平臺對客戶而言是一個輕量級的軟件/模型管理的環境。數據服務、模型管理以及整個模型的裝載、調度都可以在這個平臺完成，也可以將其放在任何一個工業互聯網平臺上。工業互聯網平臺可以通過CyberSphere為上面的應用或者業務提供支撐。

算法建模能力方面，除了提供數據科學家的服務之外，我們還開發了GenPro平臺，它提供常用的數據分析算法模塊和一個可視化的編程界，客戶在可視化界面中通過“托拽”的方式，根據分析的流程把模塊連接起來，迅速完成模型的開發，極大地降低了算法開發的門檻。

工業Know-how方面，我們和行業的龍頭企業合作，把工業領域的業務需求及面對一個設備對象的建模模板，比如健康管理、效能管理等應用模塊化。可以幫助用戶迅速了解場景中的需求，以及針對這樣的需求大概需要哪些維度的功能，并基于模板開發后需要軟件及算法方面的什么功能。

在這種情況下，無論客戶或者我們的服務對象缺少哪方面的能力，我們都可以很好地補足，進而讓客戶最擅長的領域發揮更大的價值。