国外铁路大数据研究与应用现状Word文档下载推荐.docx
《国外铁路大数据研究与应用现状Word文档下载推荐.docx》由会员分享，可在线阅读，更多相关《国外铁路大数据研究与应用现状Word文档下载推荐.docx（12页珍藏版）》请在冰豆网上搜索。
DB通过规划建设统一的数据中心平台，实现了对经营状况、设备故障分析等精确分析功能在内的数据综合应用平台，并开展了4个方面的数据分析工作：
设备故障对运输效率影响情况分析、关键设备故障分析及优先级识别、设备状态可视化展示、检修成本优化分析。
DB统一数据平台主要功能见图1。
根据DB统计，开展以上4方面的数据分析工作后，在经营管理方面的提升有：
（1）对机车故障的预测时间提前6h；
（2）机车核心部件故障率预测的精准度由之前的15%提升到86%；
（3）通过燃油使用量的数据分析，优化个别司机开车习惯。
在节约成本方面的提升有：
（1）优化燃油使用，将燃油使用效率提升1.5%；
（2）通过设备故障预测，将机车维修走向状态修，节约检修人工成本。
德国VTGAG公司与瑞士Nexiot公司共同研发了基于远程信息处理技术的车辆智能定位装置VTGConnector[3]。
该装置不仅能精确定位货车，还能为货主提供基于大数据的一系列增值服务，比其他国家的货车追踪技术又有了新进步。
数字化货车的基础性功能包括：
追踪货车当前位置；
了解来自货车的各种实时信息；
精确监视货车状态并预测到达时间和可能的延误；
收到多种类型的即时信息提醒；
获得根据货车运用数据自动归集绘制的若干分析图表。
VTGAG公司的这些服务功能是模块化的，在基础功能之外，还可通过另外收费的形式，为用户添加所需的其他个性化功能，包括使用传感器确定货车装填量、精确测量货车质量等。
1.2瑞士
2010年，瑞士联邦铁路（SBB）曾推出“SwissTAMP”项目，其目标是创建一个主动维护的中心工具。
SwissTAMP集成了SBBIT网络中的20多个子系统，收集并存储所有轨道分析所需要的数据。
SwissTAMP的轨迹分析功能可汇集一系列测量和诊断数据，产生综合的状态属性并计算距离下次维护的剩余时间，维修计划功能可将轨道分析的输出结果与生命周期成本因素关联起来，并制定最佳的建议措施、财务估算和可行的替代方案。
瑞士国家重点科研计划（NFP）大数据专项于2017年正式启动，该专项内容包括大数据信息技术板块（大数据分析基础性研究、大数据基础设施构架、数据库和计算中心）和大数据应用板块（对大数据在交通、灾害等领域的应用展开基础性研究）。
1.3瑞典
瑞典铁路运用大量数据进行基础设施管理，这些数据来源于数百个不同的数据源。
对于铁路资产管理，大量的信息需要获取和分析以评估整体状况、维护、资金支出和铁路轨道检测。
需搜集的信息包括轨道可用性、轨道使用时间、轨道状态、历史工作记录、工作详细记录等。
轨道状态检测主要包括连续的和断点式的自动检测车的检测、日常巡查的人工检测和服务故障记录[4-5]。
瑞典铁路大数据管理系统主要模块见图2。
图1DB统一数据平台主要功能
图2瑞典铁路大数据管理系统主要模块
1.4英国
英国铁路安全和标准化委员会（RailSafetyandStandardsBoard，RSSB）在2012年提出的《铁路技术战略2012》（TheRailTechnicalStrategy，RTS）指导下，提出铁路大数据整体框架。
通过采集基础设施、车辆、现场工作人员、乘客、环境等数据，汇集于数据中心搭建铁路大数据平台，形成铁路数据分析和信息增值服务，达到支持预测、决策支持、控制、规划和实时信息服务等能力，实现自动列车、实时乘客信息服务、智能资产维护，提高铁路安全性、改善人力管理的效率。
为提高运输安全性，哈德斯菲尔德大学铁路系统的大数据风险分析（BDRA）项目正在研究如何有效组合并利用铁路的多源大数据，以便更好地了解英国铁路系统和所处环境[6]。
BDRA在风险评估的精确性上有较大提升，因为它是对所有风险相关数据进行统计分析，而不是从有限的抽样数据中评估风险概率，因此减少了对依赖于假设和简化的风险评估模型的使用。
迄今为止，BDRA已经对信号数据和事故报告进行了分析，分析结果用于评估存在风险的列车数量。
初步的研究结果表明，BDRA可服务于英国铁路安全和风险管理，但在下一步研究中，需要采用新的风险分析技术、语义技术、交互式可视化技术来执行数据分析和专用的计算机系统[7]。
1.5意大利
意大利铁路公司Trenitalia近年来利用大数据开展机车车辆数字化的预测性维护，利用动态检修管理系统（DynamicManagementMaintenanceSystem，DMMS）把物联网、分析技术和内存计算技术结合起来。
DMMS的主要功能包括列车设备状况实施监控、故障发生短期诊断、维护工作动态规划、部件剩余使用寿命预测等。
DMMS使得整个检修工作全面数字化，通过对列车上几百个传感器采集的大量数据进行分析、计算，预测出即将发生故障的部件，从而采取相应措施。
这种检修方法能够把机车车辆检修成本降低达8%[8-9]。
1.6法国
2011年以来，法国公共数据开放得到了稳步发展，无论从参与公共数据开放的机构数目、已开放的数据集总量，还是从根据开放数据开发的应用项目来看，法国已成为全球公共数据开放领域领先的国家之一。
法国国家铁路公司（SNCF）以创新的合作伙伴网络为旅客日常生活提供新服务为宗旨，面向开发者推出了数据开放。
在检修管理应用方面，SNCF最近与美国IBM公司签订协议，利用该公司的IBMWatson物联网平台、大数据云计算技术以及自主开发的专用工业传感器，对列车以及铁路基础设施进行远程监控并为预测性维护创造条件。
当前，巴黎通勤列车装备2000个传感器，每月可传输70000个数据点的信息，使得法国铁路公司的技术人员可在同一时间对200列列车的状态进行远程监测，以便及时发现潜在问题，包括诸如空调设备和车门等故障问题，省去了列车段的人工检查，也能防止服务中断以及更昂贵的维修工作[10-11]。
2美国
铁路大数据的应用包括采集数据、分析数据、智慧决策等过程，其热点问题皆有美国铁路行业的应用案例[12]。
美国联邦铁路管理局（FRA）很重视铁路大数据的应用，2002年以来启动了涉及大型数据库、图像处理、神经网络、机器学习等多个项目[13]（见表1）。
表1FRA开展的大数据相关项目
序号项目名称项目年份1基于轨道几何数据的作用力估算20022动态模拟的神经网络20073接头夹板检测系统20094虚拟车辆20105轨道几何异常自动校订20106机器视觉学习20137混凝土轨枕的机器视觉20148基于风险的调度优先20149基于天气建模的轨道温度预测201610被动非接触高速轨道检测201611基于仿真的断轨脱轨风险分析201712由数据驱动和缺陷退化建模的轨道养护维修方案优化201713现有变化检测软件在铁路环境的应用2017
从混搭型智能数据平台、基础设施运维管理、客户服务、风险分析等方面，介绍美国铁路大数据的研究与应用成果。
2.1混搭型智能数据平台
虽然在大数据的背景下可以获取大量行业相关数据，然而支离破碎、未受保护、无法访问、质量低下的不良数据只会带来糟糕的业务结果。
出于这方面考虑，互联网和数据服务公司提出了智能数据平台的概念，旨在让数据实现自我组织，保证数据安全可靠，Informatica在2014年发布了新型的智能数据平台。
在通用智能数据平台基础上，一些公司针对铁路行业特点开发了定制化的数据平台，Railinc公司自2015年开始从传统的数据仓库向大数据方向转变。
近年来针对于铁路行业开发的混搭型智能数据平台（见图3）包括元数据自助管理、ELT抽象层、Wandisco支持的数据存储和备份等层面。
该混搭型智能数据平台在机器学习和数据分析部分，运用Spark进行流数据分析，利用SAS进行历史数据分析。
利用智能数据平台，一方面可以提高铁路行业产值，如进行预测性维护、ETA预测、设备故障分析的模型优化等；
另一方面可以优化铁路运营管理，如车队管理模拟、系统异常探测、商业决策制定等[14]。
图3Railinc混搭型智能数据平台
2.2基础设施运维管理
美国铁路比较关注运用大数据技术优化基础设施状态管理和养护维修计划，通过对桥梁、道岔、钢轨磨损、轨道几何等数据的分析和状态预测，有效防范事故发生，从而保障铁路行车安全。
2.2.1铁路资产管理
2011年美国货运铁路启动了“资产健康战略计划”（AssetHealthStrategicInitiative，AHSI），AHSI对各铁路公司分别收集和存储的大量数据进行分析，并由此解决行业内最关键的铁路设备管理与维护问题。
AHSI建立在以往关于监控铁路车辆健康情况的EHMS计划之上，组件跟踪程序可在全国225308km铁路网范围内轻松地跟踪并监测6种类型的车辆组件。
在AHSI开发前，铁路公司主要依靠轨旁设备监测组件的磨损迹象，然而列车往往在多铁路公司的范围内运行，而监测数据却不共享，铁路公司仅能够掌握车辆在自己轨道上运行的状况，由此会延误对潜在问题的诊断和维护。
AHSI正在汇集这些铁路数据库，允许全国范围内的铁路公司和车辆拥有企业共享信息并制定更好的车辆维修、保养和运行决策，以提高铁路安全性。
尽管AHSI仍在运用初期，但在2015年使用大数据识别运行状况不佳的车辆，已经避免了1000多次服务中断[15]。
Ensco公司开发了基于GIS的铁路钢轨状态监测系统，用于进行资产管理、判断钢轨状态、智能制定维修决策等。
该系统输入的数据来源多样，包括轨道检测车（TMV）、轮轨间监测器（V/TIMonitors）、移动定称（IMWS）、相关文件等。
其中，轨道检测车获取的数据输入虚拟轨道行走器软件（VTW），该软件通过对检测数据的分析，允许使用者标记钢轨缺陷，并可自动给出缺陷部位的里程和坐标，减轻工务人员定位钢轨缺陷的工作量。
钢轨状态监测系统（RTCM，见图4）有3个主要模块：
第1个是数字化钢轨记录（DTN），主要用于生成管理报告；
第2个是钢轨检查工具（TrackIT），帮助使用者准确地了解钢轨资产的位置和状况；
第3个是维修自动推荐，可使管理人员在办公室内对应该养护维修的区域一目了然，方便人力物力的调度管理。
钢轨状态监测系统同时接入GIS和SAP系统，可共享地理位置信息和派遣工单[16]。
2.2.2预测性维护
美国Strukton公司开发了预测性维护和故障诊断系统POSS，其目标是在早期阶段识别资产的衰退，帮助分析师将注意力集中在衰退资产上，优化维修间隔，以减少维修成本和故障，其基于数据的维修管理流程见图5。
图4钢轨状态监测系统（RTCM）
图5Strukton基于数据的维修管理流程（POSS）
图6IBM钢轨磨损预测工作流程
此外，Strukton运用聚类和SPC模型预测道岔的状态，从而确定有必要进行维修的道岔。
目前25%～35%的道岔故障可通过耗能数据准确预测出来，下一步，Strukton准备加入控制数据，将模型的准确率提升到50%～70%[17]。
IBM针对二级轨道几何缺陷，采取回归模型结合深度学习的方法，对钢轨磨损进行预测，其工作流程见图6。
在数据采集方面，收集行车、脱轨、轨道几何数据、历史维修数据，并在时间、空间、资产属性等方面对校准和测量误差进行调整。
预测模型采用回归分析与深度学习相结合的方法，钢轨退化和磨损的预测指标包括使用时间、电流振幅、行车量、钢轨等级/速度、其他几何缺陷等。
在人工评级方面，通过人工少量标注结合机器学习的方法，建立脱轨风险模型。
在此基础上，通过脱轨概率、不同级别缺陷花费、脱轨花费等信息建立优化模型，从而决策是否需要对某种钢轨缺陷进行整改维修。
最后，对于需要维修的工作制定长期计划、中期计划和日计划[18]。
2.3客户服务
Amtrak公司利用大数据提升乘客的互动和体验[19]，将列车运行图与谷歌地图相结合，开发实时列车定位地图，通过该网站可以访问有关美铁列车的最新信息。
此外，Amtrak公司通过数据预测进行火车餐车食物配备以实现忠诚度营销。
列车实时定位项目（RTVL）根据现有系统提供的数据可按每30s对旅客列车进行追踪和定位，因此，基于RTVL的手机应用SEPTA为乘客带来新的服务体验。
乘客在SEPTA上可以查看列车时刻表、车辆位置信息和调度安排，还可以对城市与郊区的换乘信息一目了然。
与此同时，铁路系统也可借助SEPTA收集乘客的相关信息。
2.4风险分析
在风险分析方面，新泽西州立大学开展了基于仿真的断轨风险分析[13]。
该研究提出一个综合的断轨脱轨风险分析和模拟框架，用于了解风险的变化，以应对轨道条件、运营和规则的变化。
研究开发了贝叶斯分析框架，以预测钢轨断裂概率，使用多元数据分析预测脱轨的影响，并评估不同风险管理策略的效果。
该研究提出的断轨风险分析流程见图7。
3日本
日本是一个高度信息化的国家，自20世纪50年代以来就以信息化立国，随着信息化和物联网的发展，大数据技术在铁路行业得到广泛应用。
如开发列车货物运输版的GIS系统，使用户实时掌握货物运输动态，为铁路货运用户和工作人员提供有益的分析和判断信息；
开发席位种类设定计划系统，提高坐席利用率和旅客便利性。
JR东日本铁路公司提出“智能维护计划”，推动日本铁路维修方式改革，该计划不是具体的维修养护方法，而是一种新的维修架构。
与现有维修方式相比，“智能维修计划”主要包含4部分内容[20]（见图8）。
图7断轨风险分析流程
3.1实现基于状态的维修
在基于状态的维修（CBM）系统中，监测组件会通过识别设施设备的退化程度和故障迹象来判定其状态，以保证适时地进行设备维修养护。
以电力设备监测系统为例，CBM工作流程见图9。
图8“智能维修计划”的4项主要内容
图9电力设备CBM工作流程
图9中所示的循环可以动态实施，该循环可实现数据获取，根据数据分析识别退化状态，制定包括维修时间、地点、方法的决策，实施维修，评估维修结果。
日本铁路正在研究如何将CBM用于铁路车辆以实现更高效的车辆维护，CBM要监测车辆组件的状态并分析所得到的数据，在此基础上制定车辆维护计划[21]。
3.2引入资产管理
铁路资产管理的概念是将铁路设施设备当作资产，并从全生命周期的角度对资产进行高效管理。
对于桥梁、隧道、土木工程等退化速度慢、维修规模大的设施，识别退化较为困难，如果智能维修能克服该困难，工程师可根据退化状态对比多种维修方法，从而提出最优的维修计划。
3.3人工智能支持工作
人工智能不仅是使用文本、图像等非结构化数据的支持系统，还可以通过大数据分析技术挖掘出数据背后的新关联。
例如当设备故障发生时，有经验的工程师可根据历史经验、设备状态、环境因素等推断出故障原因，并尽快修复故障。
然而，没有经验的工程师却难以识别故障原因。
通过学习大量知识和已有的经验数据，人工智能系统可像经验丰富的工程师一样快捷、精准地识别故障，并制定优化的维修方案。
3.4集成数据库
若要实现基于状态的维修、引入资产管理、人工智能支持工作，首先需要一个能够自由处理数据的环境。
当前，JR东日本铁路公司各部门具有各种各样的信息系统，这些系统都是为了优化部门自身工作而开发的，因此各系统的结构相互独立，并且数据无法共享。
为了更好地制定决策，有必要将大量数据集中管理，即整合各内部系统，并建立一个大的集成平台。
通过该平台，每个一线管理者都可以使用相同的数据，并可高效、精确地制定决策。
4建议
从铁路大数据应用开展方面，我国铁路建设技术已处于国际领先水平，运营相关的检修检测、运营管理、客户服务等方面均已开展了数据采集和数据分析工作，基于大数据的应用已纳入各专业的业务发展内容。
进一步推进大数据技术在铁路中的应用，优化运输产业格局，这既是铁路科技创新的发展方向，也是铁路转型发展的关键。
为促进我国铁路大数据的研究与应用，参考国外实践经验，提出以下发展建议：
（1）以需求为导向，重视基础数据的标准建设，控制数据采集质量；
（2）大数据应用应统筹规划，进行必要的信息系统集中和数据资源整合；
（3）进一步加强铁路数据服务平台的建设，实现数据共享交互、数据价值深度挖掘、数据综合利用；
（4）积极推进基于大数据的铁路资产管理，建立统一的铁路资产管理平台，有助于全面掌握铁路设施、设备等资产状态，降低事故率，节约成本；
（5）当大数据应用在运输生产领域时，建议优先发展工务设备维修管理、安全风险管控等领域，确保运输安全和效率；
后续开展运输调度、客运、货运、精准客服等面向客户的大数据应用，提升铁路服务质量与客户满意度；
（6）充分利用既有优势技术和资源，建立配套的机制和人才队伍。
5结束语
“用数据说话、用数据决策、用数据管理、用数据创新”的时代已悄然来临，在大数据时代下，数据成为国家基础性战略资源，是推动行业发展的源动力。
我国铁路正处于供给侧结构性改革的关键时期，应用大数据技术、盘活数据资源、深挖数据价值，已成为新时期铁路发展的重要途径。
为充分发挥大数据技术在铁路行业的作用，应借鉴国外同行业的经验启示，紧密结合我国铁路业务需求，统筹开展铁路数据资源的高效汇集与开发应用，最大限度地挖掘数据资源的潜在价值，最终达到提升安全水平、提高运营效率、增加经营收益、优化服务质量的目标。
升级会员 