城市軌道交通數字孿生技術架構及其應用*

辛佐先 裴芳瓊 王 柳

(1.上海市隧道工程軌道交通設計研究院,200235,上海;2.上海申電云數字科技有限公司,200063,上海∥第一作者,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],北上廣深成渝等規模較大的城市軌道交通企業(約占14%)已相繼出臺數字化藍圖規劃,但目前存在戰略決策、流程執行、資金投入、技術平臺等困難因素,仍處于轉型初級階段[2]。數字孿生技術作為一種在信息世界刻畫、仿真、優化、可視化物理世界的技術[3],在制造領域得到了落地應用。近年來,在城市軌道交通領域,將BIM(建筑信息模型)、IoT(物聯網)、LBS(基于位置服務)等技術與設計、施工、運維管理相結合,建設了虛實結合的數字化資產,為數字孿生技術的應用奠定了基礎。

1 城市軌道交通數字孿生技術架構

本文提出的城市軌道交通數字孿生技術架構如圖1所示,主要包括三部分:創建三維數字空間模型,搭載全生命期靜態數據;通過物聯網、5G等技術集成反映物理空間實時狀態的動態數據,對多源數據進行融合處理,結合仿真算法、預測算法,以及云計算、大數據和人工智能技術,打造城市軌道交通數字孿生體;面向生產管理人員和乘客,提供智能監控、智能運維、智能服務、態勢決策、聯動指揮、資源協同等功能。

圖1 城市軌道交通數字孿生技術架構

2 數字孿生體

2.1 靜態數據

靜態數據是構建數字孿生體的基礎數據,是在一定時期內不會發生變化的階段性成果數據,或者發生變化后可通過比較快捷、簡便的方式進行維護更新,例如BIM竣工模型、采購數據、資產數據及技術文檔等。圖2為車站機電模型,是典型的靜態數據集合。

圖2 車站機電模型

靜態數據通過人工采集、既有信息系統對接采集,形成階段性成果后交付至下一階段。以機電設備數據為例,在建設階段通過建設管理平臺進行采集、審核、歸檔后,數據同步交付至運維階段。

2.2 動態數據

動態數據的采集方式包括傳感器采集、視頻AI(人工智能)分析、既有信息系統對接、移動端作業采集等。利用Wi-Fi(無線保真)、以太網、物聯網、5G(第5代移動通信技術)、現場總線等通信技術將實時數據存入服務器;通過數據可視化技術在虛擬模型中反映物理世界實時狀態,如站臺門開關狀態、工作人員位置等;利用仿真模型和算法獲得不同應用場景的預測方案、控制方案,實現虛實交互。

2.3 仿真模型

2.3.1 基于機理模型的方法

基于機理模型的方法是根據設備內部工作原理建立反映設備性能退化物理規律的數學模型。通過設定邊界條件和系統輸入等參數,進行數學模型的求解和仿真,預測設備性能退化的發展趨勢。

機理建模和模型仿真是基于機理模型的方法的兩個重要組成部分。常見的機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的數學模型,同時根據物理定律和數學原理建立不同事物之間的類比關系。常見的仿真方法包括歐拉法、梯形法、預估-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、穩定性好,因此在工程上應用廣泛。

基于機理模型的預測方法還依賴于設備的故障機理和潛在退化模型。當前國內外研究人員已經針對不同的設備系統提出了各種退化模型,以進行預測。如文獻[4]提出了一個退化建模框架,用于計算在時變環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，“你難道沒發現嗎?我們現在是同一派別!”

2.3.2 基于數據驅動的方法

基于數據驅動的方法需要從運行設備中收集監測數據,并從中提取特征,通過數據分析挖掘隱藏的健康狀態指標和性能退化特征。當前最常用的基于數據驅動的方法為機器學習算法,其在預測領域效果非常突出。其中DNN(全連接神經網絡)、CNN(卷積神經網絡)、RNN(循環神經網絡)應用廣泛。如文獻[5]發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,而后利用前饋神經網絡進行訓練和預測。文獻[6]提出了一種基于深度學習的大數據旋轉部件剩余壽命預測方法。使用從齒輪試驗臺和軸承運行失效試驗中收集的數據對所提出的方法進行了測試,測試結果表明:基于深度學習的方法具有良好的剩余壽命預測性能。

3 城市軌道交通數字孿生技術架構應用場景

3.1 車站運維管理

基于本文的數字孿生技術架構,在上海軌道交通14號線搭建了車站智慧運維管理平臺,通過集成車站立體感知數據,以維護維修管理、客運管理、乘務管理等業務應用為導向,構建車站運維管理數字孿生技術架構應用場景。車站智慧運維管理應用場景下的平臺架構如圖3所示。

圖3 車站智慧運維管理應用場景下平臺架構

3.1.1 基于BIM+IoT(物聯網)數據驅動的設備管理應用

設備BIM數據由建設期竣工交付得來,包含設備編碼、設備模型數據、技術規格書等,屬于靜態數據。動態數據包括通過IoT傳感器、智能終端、攝像頭等采集的運行狀態數據、故障數據、視頻流等內容。基于BIM+IoT數據驅動具有以下應用功能:

1) 自主巡檢:基于設備實時運行狀態數據,實現自主設備巡檢,例如開關狀態、通信狀態、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。

2) 自主報修:自主識別故障信息驅動自主報修流程,生成維修工單并進行派單。數據積累后可支撐智能分析故障原因、維修策略、預計維修時間等輔助維修管理決策內容。

3) 自動計劃:根據設備類型、各專業設備維修規程、設備履歷,自動生成維護保養計劃和維護工單。

4) 自動履歷:基于巡檢、維修、維護記錄數據自動形成設備動態履歷,實現設備全生命期管理。

5) 自主分析:結合監測數據和履歷數據,對設備健康狀態進行自主分析,可進一步預測故障的發生過程與失效時間,遠期可通過預測性維護實現設備的零宕機和持續可靠的運行目標。

3.1.2 基于BIM+LBS(基于位置的服務)數據驅動的人員管理應用

BIM天然包含了空間數據,包括樓層、房間、設備空間位置等,通過坐標、高程等數據體現,屬于靜態數據。LBS基于位置服務的常見技術有藍牙、Wi-Fi、超寬帶等。以主動式藍牙定位為例,工作人員攜帶移動終端連接到藍牙信標,即可通過“三點定位法”計算出人員實時位置,屬于動態數據。通過BIM+LBS數據融合,形成“人+物+事”完整的空間數字孿生,驅動以下應用功能:

1) 日常事件:利用移動終端上報事件,自動代入位置數據,在車站運維管理應用場景中標識事件,判斷事件高發地點,及時采取調整措施。

2) 巡視管控:結合空間數據開展巡視工作,支持自定義巡視點位、巡視范圍,根據實時定位自動解鎖相應任務,為巡視工作管控提供標準化、可視化管理工具。

3) 應急處置:以場景作為指揮沙盤,實現自動化可視化布崗,輔助應急指揮決策;在處置終端,根據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行可視化復盤評估,為既有應急預案優化提供依據。

3.2 列車運維管理

基于本文的數字孿生技術架構,在上海軌道交通17號線構建了列車運維管理數字孿生技術應用場景,以列車實時感知數據驅動仿真分析,實現實時告警、設備剩余壽命預測、智能排故、應急處置建議等應用。

3.2.1 輪軌健康管理

輪軌的健康狀態很大程度上決定了列車的可靠性水平,對輪軌進行實時監測及健康狀態預測有助于列車的安全運行。輪軌數據一方面包含輪軌類型、編碼、圖片、軸承/踏面結構圖、技術規格書等靜態數據;另一方面包含通過車聯網對列車狀態與故障數據進行實時采集獲取的動態數據,如尺寸檢測、車下設備溫度檢測、360°車輛外觀檢測、踏面缺陷動態圖像監測、車輪失圓檢測、車輪深層次探傷、軌邊聲學診斷系統等。基于大數據平臺對車聯網動態數據實時采集,通過AI對車輛外觀檢測精準算法識別,構建基于數字孿生技術架構的輪軌健康管理平臺,主要實現以下應用功能:

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、振動值等數據進行采集分析,可掌握輪軌的實時動態。結合專家意見設定一系列閾值,如溫度報警標準、振動報警標準、軸承沖擊報警標準、踏面沖擊報警標準等,可準確地對列車運行時輪軌出現的故障進行實時告警。

2) 部件剩余壽命預測:基于列車運維管理數字孿生模型,依賴各部件的故障機理和退化模型,在虛擬空間中對孿生體模型進行仿真推演,模擬不同工況下的正常或異常行為,獲取仿真數據。結合基于機理模型的方法和基于數據驅動的方法,以實時監測數據和仿真數據為數據源,采用統計分析、模式識別以及機器學習等技術,建立預測模型,實現各部件狀態評估和剩余壽命預測[7]。基于預測所得的各部件健康指數可將輪軌健康狀態劃分為正常、亞健康、輕微故障、中等故障和嚴重故障5個等級,可及時評估輪軌健康情況,降低事故發生概率。

3.2.2 應急處置管理

司機反饋在列車正線故障下的應急處置難點主要集中在識別列車故障。列車數據包含站臺/站點、股道、基地、線路、車型等參數,以及車輛設備樹、功能樹等各系統維護維修手冊維保數據。同時也包含GIS(地理信息系統)地圖信息,用于對列車位置實時追蹤,這些都屬于靜態數據。IoT數據通過Netty、Kafka,Spark Streaming等大數據技術手段獲取列車實時運行狀態數據與故障數據,包括牽引、輔助、制動、空調、軸溫、旁路等運行狀態數據,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/欠流等故障數據,這些都屬于動態數據。

基于IoT和大數據技術構建基于數字孿生技術架構的應急處置管理,對海量的車輛狀態和故障數據進行聚類分析和數據挖掘,快速、準確地定位車輛故障點,挖掘故障的成因,推理故障的風險和影響,智能匹配應急預案,為司機提供輔助決策。主要包括4項應用功能:

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

2) 列車牽引能力樹:通過對列車實時狀態數據的再組織,以樹狀邏輯圖的形式展示當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,幫助司機在應急處置場景下快速定位問題點。

3) 旁路提示和狀態監控:旁路提示與牽引能力樹形成聯動,基于相關信號邏輯,在需要進行旁路操作時自動高亮顯示,智能提示司機進行相關操作,并進行結果監控,對旁路開關的實時狀態進行展示。

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

4 結語

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