基于預訓練大模型的智能運維系統平臺構建

劉晨光,金峻民,王鈺龍

武漢地鐵運營有限公司,湖北 武漢 430000

0 引言

截至2022年12月,我國共有53個城市開通運營城市軌道交通線路290條,運營里程9 584 km,客流規模居世界第一[1]。乘客出行需要快速、準時無延誤、安全可靠的服務體驗,城市軌道交通快速發展成為市民出行首選。但由于人工操作的局限性,傳統的依賴人工作業檢查和定期修程進行預防性維修的軌道交通車輛維護方案極易出現過修、欠修情況,列車維護質量無法保障安全運營,軌道交通車輛運維需要更科學、高效的管理方式。

1 建設背景

1.1 智能運維系統國內運用現狀

近年來,智能運維系統在國內軌道交通行業發展迅速,主要建設思路以智慧列車、智慧監測、智慧檢修為主,以數據驅動應用為輔。例如深圳地鐵運維平臺強調數據的共享與跨專業融合,構建統一的數據平臺,打破各系統間的封閉性,實現列車車載監測、軌旁監測、智能檢修及資產管理系統的統一管理[2]。上海地鐵車輛智能運維系統通過車聯網、軌旁綜合檢測、維護管理以及維護專家系統等模塊,實現全過程的數據采集、車輛監測、異常預警、計劃生成、維修指導等功能。在17號線試點應用,實現從傳統計劃修、故障修向狀態修的轉變,同時顯著提升列車運營的可靠性,降低人工成本[3]。杭州地鐵構建“1+4+N”體系的智能運維系統,借助故障預警與壽命評估技術,實現了關鍵系統的故障預警以及車輛健康狀態的評估;在車底檢修機器人應用方面,實現了機器人在股道間的自動運轉檢修[4]。

武漢16號線是武漢首批智能運維試點,包括車載數據采集系統WTD、智能運維分析系統、檢修業務管理系統、第三方接口系統4大板塊,可以實現線路監控、單車監控、HMI同屏、遠程報警、應急處置等實時監控功能,以及故障分析、健康管理、車輛履歷、故障預測等數據應用功能。

但目前各城市地鐵公司在智能運維系統方面的應用存在各種現實問題。系統功能升級性較差;各業務系統間壁壘嚴重,數據接口統一管理難度高;故障分析未能深入開發各數據條目之間的聯系,建立可靠計算模型,以應對不同類型的典型故障;系統軟硬件維護難度較高、專業性強,單個線路無法專業維護等。隨著軌道交通行業逐漸推廣全自動駕駛車輛應用[5-6],對運營管理水平提出了更高要求。

1.2 人工智能及軟件工程發展

智能運維系統和人工智能結合是眾多學者探索的方向[7]。此前AI開發受限于基礎理論、軟硬件等因素,導致高成本、低準確度的問題。為解決這些問題,出現了通過預先訓練知識、數據,再進行微調訓練(fine-tuneing)、評估,到離線推理、在線部署,最終實現在具體產業中的大模型應用。

大模型的應用優勢在于強大算力平臺使得訓練推理效率指數級增長,開發周期持續縮短,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控制器來管理現有的AI模型,以解決復雜的AI任務,例如HuggingGPT能根據輸入的自然語言自動分析需要哪些AI模型,然后直接調用相應模型,來執行并完成任務[9]。基于預訓練大模型(pre-trained models,PTM)的開發是AI開發的新范式[10]。

低代碼平臺是軟件工程領域一種新的發展趨勢,可以有效解決功能解耦問題,提高平臺的擴展性和靈活性。通過提供可視化的開發界面,開發者可以基于該平臺快速方便地構建、部署和管理各種應用,打造企業高質量發展階段的“數字化底座”[11]。

2 建設思路

結合武漢軌道交通16號線的實際運用經驗,筆者發現,將低代碼平臺和人工智能技術如自然語言處理(natural language processing,NLP)、多模態和計算機視覺(computer vision,CV)大模型引入智能運維系統具有顯著的優勢。

按照各系統功能之間解耦的原則,以低代碼平臺為基礎,車載軌旁監測系統、智能分析系統和檢修乘務管理系統相互協同,利用先進的數據通信技術,確保各系統之間的高速數據傳輸和實時信息交換,形成一個完整的智能運維架構。通過低代碼平臺方式將各個數據、服務、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,實現數據的整合與功能需求的快速響應。

通過數據結合NLP、CV、科學計算等人工智能大模型構建預測分析插件等,實現實時監控、預測分析和決策輔助功能。定期將標注數據反饋到云端大模型進行優化,再升級部署到端側數據中心,實現持續迭代。

硬件布置以云計算平臺為模型基礎,線網共享數據中心為端側,各線路設備機房為邊側,手持終端為輔助,形成云側模型推理優化、端側推理部署、端邊增量學習(fine-tuning訓練)反饋、邊側應用部署的全環節人工智能運維平臺。同時,采用多層安全防護措施,包括物理層的防火墻隔離、網絡層的安全策略、系統層的權限控制以及應用層的加密技術等,全面保障系統的安全穩定運行,滿足軌道交通運維工作的高效和安全需求。基于預訓練大模型的智能運維系統平臺總體架構如圖1所示。

圖1 基于預訓練大模型的智能運維系統平臺總體架構

3 智能運維系統建設

3.1 低代碼驅動平臺

以低代碼平臺作為系統基礎,首先需要定制低代碼開發框架,前端UI可采用amis、Sortable、H5-Dooring等,后端服務采用APIJSON、dataway、magic-api等。平臺適配多個應用程序開發工具,如集成的代碼編輯器、API創建器、測試工具等,實現表單、流程、報表、角色管理、權限管理、多樣化組件、連接器API等基礎功能。通過基礎功能開發系統級應用組件:車載軌旁監測系統、智能分析系統、檢修管理系統,并結合需求定制化搭建自定義功能插件。

建設線網級數據中心,作為智能運維平臺的硬件基礎,同時接入各設備系統數據及云端大模型,整合統一數據,完成清洗、轉換、互通等,實現信息高效分析利用;提供高算力實現模型端側推理計算、端邊增量學習(fine-tuning訓練)從而持續優化模型等;通過各線路車載、軌旁及終端輸入等完成數據的收集、整理及人機交互。模型計算推理判斷及智能預警的簡易流程如圖2所示。

圖2 模型計算推理判斷及智能預警的簡易流程

3.2 車載軌旁監測系統

車載軌旁監測系統作為智能運維系統的核心組成部分,主要負責收集和預處理軌道交通車輛、車載傳感器及各類軌旁設備的運行數據。

傳感器布設:在車輛上部署各類傳感器,實時監測各子系統的運行狀態。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。

軌旁設備布設:結合實際需求,可設置360°圖像檢測系統、列檢機器人、輪對動態圖像檢測、弓網動態監測、車輛段工藝設備在線監測等。

數據采集與預處理:將車輛、傳感器、軌旁設備收集到的數據通過先進的數據通信技術(如5G、LoRa等)實時傳輸至數據中心,數據中心可使用Lambda等架構[12]獨立處理離線計算和實時計算,集成Hadoop,Kafka,Hbase等各類大數據組件,實時處理海量高并發數據,對原始數據進行離線預處理,以便后續的智能分析及插件調用。

實時信息展示:定義儀表盤插件,選取預處理后的關鍵數據,轉化為圖表等形式在系統實時監控頁面展示,實現運營車輛位置和車載視頻的實時監控、HMI同屏等功能,便于地面控制中心及時獲取車輛狀態信息。

3.3 智能分析系統

智能分析系統負責對車載軌旁監測系統收集到的數據進行深度挖掘和分析,通過連接器API和數據插件調用大模型功能,以支持決策輔助和故障預測。

數據清洗與處理:對數據采集系統預處理后的原始數據進行清洗、歸一化和特征提取,為后續的機器學習和深度學習模型提供高質量的輸入數據。

故障預測與診斷:訓練基于人工智能多模態、CV大模型封裝的科學計算數學模型,將預處理數據用插件控制輸入模型,格式化模型輸出結果,實現對設備運行數據進行實時分析、故障預測和診斷等功能。根據不同的故障現象,可以通過插件設定自定義參數,不斷更新迭代優化模型,實現對同類故障再次發生的預測和快速診斷。以輪軌關系為例,使用實時連續采集的輪軌振動、沖擊信息歷史數據(包括正常和異常運行條件)訓練模型,首先進行數據處理,去除噪聲,規范化數據,將數據分割成離散的間隔,例如時間或距離間隔,以便能夠分析當前隨時間或距離變化的趨勢;其次,對分段數據根據輪軌運行情況進行標注,如正常運行、異常運行或故障情況;再將標記數據拆分為訓練集和測試集,以便進行模型評估和驗證。模擬模型故障預測輸出可視化形式如圖3所示。通過應用大模型,可以用少量數據訓練出滿足要求的應用模型,大大提高故障預測和診斷的便利性和準確性。

圖3 模擬模型故障預測輸出可視化形式

決策輔助:基于故障預測和診斷結果,使用專用型NLP大模型,為運維人員提供決策建議,如設備的維修計劃、車輛遠程專家診斷、應急故障處理措施、空調智能溫控等。

設備健康評估:定義插件,基于收集到的數據,對車輛各子系統的健康狀況進行評估,判斷設備是否存在異常或潛在故障,為設備全壽命周期使用提供數據基礎。

3.4 檢修管理系統

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

工單管理:可根據智能分析系統的決策建議,利用運籌優化等方法對車輛全壽命維修計劃管理、狀態修檢修管理機制等進行輔助支持[13-14],自動生成工單,經檢修調度審核后流轉分配給相應的工程師或檢修人員處理。

資源調度:根據實際需要創建插件,合理調度人力、物力等資源,實現根據工單錄入工時、物資出入庫消耗,匯總分析。結合年度規程維修量、物資采購周期等數據,提報次年物資采購計劃,實現物資高效周轉,確保檢修工作的高效進行。還可以通過智能工具箱與工單系統結合,規范檢修工具的領用、歸還流程記錄。

專業知識庫:將車輛技術規格書、履歷表、電路圖、管線圖等技術文件、每次檢修及故障處理的過程和結果記錄,匯總為文檔庫。配合NLP大模型訓練優化,形成AI知識庫,通過交互問答和來源引用的方式獲得準確且有依據的答案,為技術人員后續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門作業標準查詢的結果。

圖4 知識庫交互中對客室側門作業標準查詢的結果

3.5 自定義功能插件

自定義功能插件是智能運維系統的擴展部分,也是解耦原則的具體實現。通過低代碼平臺方式,將各個數據、服務、功能、人員、權限等模塊靈活組合,實現不同模塊之間的數據交互和功能擴展,提供定制化的運維解決方案。同時,本文將NLP大模型和低代碼開發結合起來,可以實現一句話即搭建一個插件,快速打造知識庫、業務流程等實用功能,深入挖掘數字化潛力,提高生產效率。例如可以開發以下功能插件。

數據采集插件:該插件通過調用數據中心的數據采集與預處理功能,將各類現有及未來新增車載軌旁監測系統數據格式化為統一的API。通過API調用與其他插件進行數據交換,實現數據共享和數據整合。

儀表盤插件:該插件可將表單功能模塊和數據采集API結合,實現數據可視化,將采集到的數據以圖表等形式展示出來,方便運維人員進行監測實時數據和輔助決策。

預測分析插件:該插件基于人工智能大模型,可根據典型故障定義分解任務、故障判斷邏輯和處理流程,采用不同的科學計算和CV大模型對采集到的振動、溫度、圖像等數據進行計算分析和預測,提供實時的故障預警和處置建議,實現典型故障再次發生的預警和提前處理。預測分析插件可以由工程師不斷維護、新增、迭代公司乃至行業內發生的典型故障模型。插件可以與檢修管理系統進行數據交換,自動發起工單,實現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,快速將檢修規程、管理辦法等制度流程化,根據不同的規定和生產任務需要自定義分解工作流程,實現各環節信息高效流轉,大大提高管理規定落地執行的效率和落實程度,例如檢修流程、交車流程、巡檢流程、物資周轉流程等。可縮減紙質單據,使用更具有可追溯性的電子臺賬,嚴格把控每個生產環節的質量安全。

將功能和基礎模塊解耦可以提高平臺內各基礎模塊的復合利用效率、保持較大的擴展性和持續的穩定性。NLP大模型和低代碼結合可以快速搭建插件,適應業務發展需求,這些插件可以相互協同,形成一個完整的智能運維架構,實現數據的整合與功能需求的快速響應。

3.6 應用效果

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維服務框架,武漢16號線逐步優化現有平臺功能,結合新框架,并在知識庫、流程管理、故障預測等方面取得了良好的應用效果。

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,實現本地加載技術文件作為知識庫。投入到生產使用中,通過交互問答和來源引用方式幫助技術人員快速獲取技術信息,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動平臺,實現流程自動化、數據集成以及實時監控功能。提供可視化拖拽式編輯器,簡化了流程設計和優化過程,降低了技術門檻,使非專業人員也能輕松參與流程管理和優化。同時,將各類運維數據集成到統一平臺處理并展示,為決策提供全面而準確的數據支持。

3)在故障預測方面,結合車輛歷史運行數據,構建了走行部故障預測模型,通過持續對模型進行訓練和優化,逐漸提高預測的準確率,能夠識別出潛在的故障跡象,提前預警。同時,根據故障診斷需求,不斷地添加新的故障預測模型。

4 結束語

基于預訓練大模型的智能運維系統平臺將NLP、多模態和CV等人工智能技術融入到系統中,通過端云協同的方式將預測分析插件等人工智能大模型持續優化,保證了實時監控、預測分析和決策輔助等功能的高效運行。同時,通過低代碼平臺方式,保證了系統功能解耦,提高了平臺的可擴展性與靈活性,實現了車載軌旁監測系統、智能分析系統和檢修管理系統的高度集成與協同。

低代碼平臺與預訓練大模型結合,可以解決現有智能運維系統計算模型實用性低且優化效率低、功能升級性不高、各業務系統間壁壘嚴重等問題,具有較大的應用潛力。