基于數字孿生的軌道交通智慧運維系統研究

張振山,郝明明

(1.南瑞集團(國網電力科學研究院)有限公司,江蘇 南京 210032;2.國電南瑞科技股份有限公司南京軌道交通技術有限公司,江蘇 南京 210032)

0 引言

數字孿生(digital twin,DT)是充分利用物理模型、傳感器更新、運行歷史等數據,集成多學科、多物理量、多尺度、多概率的仿真過程。其在虛擬空間中完成映射,從而反映相對應的實體裝備的全生命周期過程[1]。DT技術作為數字世界與物理世界之間的橋梁,可以提供物理對象和過程的實時虛擬表示[2]。隨著傳感器技術在軌道交通智慧運維系統的大量應用,自動化系統內部積累了大量的物理感知數據、模型生成數據和虛實融合數據。數據呈現多來源、多種類、多結構的特點,存在數據融合困難、信息孤島等問題[3]。為了給用戶帶來持續價值的DT項目的落地,需要更穩定的數據驅動、更智能的分析技術和更豐富的可視化展現。大數據技術可以高效、穩定地處理海量數據,有利于解決多源異構、時空對齊和數據融合等問題,從而為DT建模奠定更加可靠的數據基礎[4]。

目前,軌道交通地鐵車站智慧運維系統采用三維軟件(如C4D/3DMAX/HT等軟件)實現車站三維虛擬空間的搭建。搭建的三維虛擬空間可以對整個物理場景進行復刻,從而構造一個和物理現實相對應的虛擬空間來模擬監控設備虛擬孿生體[5]。基于三維可視化場景,該空間對具體設備運行情況進行精準復現,能夠高度還原設備的地理位置、外形、材質、紋理細節等顯示細節以及復雜內部結構,并實現高精度、超精細的可視化渲染[6]。但是這也面臨一些問題,例如信息實時采集、虛實連接、數據存儲/分析/研判等處理過程存在人腦難以承載的龐大信息量,且整個生產管理運營邏輯需要運用更加合理的分析方法加以分析。

本文在介紹軌道交通地鐵車站特殊性的基礎上,首先采用基于DT的軌道交通智慧運維系統,構建地鐵車站DT虛擬設備的基礎模型,以及數字化地鐵車站DT虛擬設備的行為模型。然后,本文根據上述模型設計基于容器化的多態分析技術,以實現地鐵車站的實時、歷史、特征和多預測等狀態模式,并通過上述多個模式的組合實現車站運維在培訓、演習和運營等場景下的不同功能需求。本文設計、開發的系統促使DT的功能和價值在地鐵車站智慧運維領域更加清晰,便于運維人員快速掌握設備特性和熟悉系統運維過程,從而提高操作員的運維效率。

1 系統架構

基于DT的軌道交通智慧運維系統架構如圖1所示。

圖1 系統架構圖Fig.1 System architecture diagram

基于DT的軌道交通智慧運維系統實現了DT模型構建和多態分析研判地鐵車站系統運維過程,提高了運維效率。該智慧運維系統主要包括構建地鐵車站DT虛擬設備的基礎模型。其設計“一物一碼”標簽和狀態時標,以實現對地鐵車站監控設備在多源、異構、時間和空間等維度的建模。數字化地鐵車站DT虛擬設備的行為模型主要包括數字化地鐵車站的監控設備在設計、建設和運維過程中的時序關系、工作或應急處理流程,以及設備之間內在的關聯關系等。本文設計、開發基于容器化的多態分析技術,以實現地鐵車站的實時、歷史、特征和多預測等狀態模式,并通過上述多個模式的組合實現車站運維在培訓、演習和運營等場景下的不同功能需求。

系統數據流主要包括結構化數據處理、非結構化數據處理、預測模型存儲和模式容器生成等流程,為DT體奠定數據和模型基礎。結構化數據處理指利用大數據平臺中Flink框架對子系統(如綜合監控、電力監控和機電監控等系統)所發送的數據進行抽取、轉換、加載(extract、transform、load,ETL)處理,并進行信息映射、計算統計、實時轉發和歷史存儲等過程,以實現車站地鐵設備虛擬實體的信息更新。非結構化數據處理包含人工處理監控設備在設計、建設和運維過程中的時序關系、工作或應急處理流程和數據挖掘技術產生的設備之間的關聯性。預測模型存儲指自研和第三方開發的客流、能耗或設備故障的預測模型存儲在固定目錄下,供系統調用。模式容器生成指按照模式的不同組合、不同微服務模塊生成不同容器,并存入容器倉庫。系統動作流主要包括容器調度、數據抽取、容器組態以及狀態模式生成等動作。其中:容器調度用于初始化和接收系統消息;數據抽取用于抽取相應的數據;容器組態用于調用相應的模式容器;Jenkins獲取信息后生成并且啟動相應的不同模式容器。操作人員可選擇不同的模式容器驅動來渲染畫面,從而顯示系統監控設備不同生命周期的數據狀態。

2 數據模型

2.1 基礎模型

基礎模型建立步驟包括唯一性編碼、時空對齊和多源異構數據。

①唯一性編碼。在數據倉庫中按照“一物一碼”原則建立地鐵車站的數字化模型。大數據平臺的貼源層、明細層和匯總層生成的各種屬性與唯一性編碼相對應。主要編碼有:車站唯一性編碼規則為“線路ID.車站ID”;車站設備唯一性編碼規則為“線路ID.車站ID.專業ID.設備類型ID.設備ID”;屬性唯一性編碼規則為“線路ID.車站ID.專業ID.設備類型ID.設備ID.屬性類型ID.屬性ID”。

②時空對齊。所有不同源不同結構的采集數據帶時標上傳數據。針對不同數據源的相同設備實時數據,設置一個時間窗口。在時間窗口內到達的子系統數據統一為一個時間標記。統計信息表中設置n個時間字段{t1,t2,…,tn},按照小時、天、周、月等不同的統計周期實現分層的數據統計,用于統一時間對齊。大數據平臺內部統一劃分多層空間區域(如車站、站臺、站廳、三維網格區域等層次),用于空間對齊。

③多源異構數據。多源數據中相同設備有不同屬性時,在相同設備建立不同屬性即可。相同設備具有相同屬性時,屬性只建一遍。大數據平臺與采集系統進行對時,使用Flink框架實時和批處理所有具有狀態時標的采集數據,動態映射監控設備的虛擬對象。采集系統上傳采集數據后,經過ETL過程,虛擬設備的多個數據源的狀態更新時,程序比較設備實時時標和采集時標。如果實時時標大于采集時標,則狀態數據丟棄;如果實時時標小于采集時標,則狀態、實時時標更新。程序通過hash映射標簽更新屬性狀態。

2.2 行為模型

監控設備行為模型的獲取比較復雜,需要進一步研究。該模型的獲取途徑主要有手工整理和數據挖掘兩種。首先,各專業在設計、運行與管理階段的安全性與可靠性工作中建立大量的關系圖。這些關系圖中包含了各系統專業可能發生的保護信號失效、人為失誤、環境變化等故障原因信息和這些信息之間的邏輯關系[7],以及在設計、建設和運維過程中的工作流程和應急處理流程。然后,與監控設備相關的各步驟被篩選出來,從而建立樹形結構關系圖,并手工入庫。接著,通過大數據挖掘監控設備之間的關聯關系,使具有關聯關系的設備自動入庫。最后,樹形結構關系在關系數據庫中建立數據模型。樹形結構中的一個節點在數據庫為一條記錄。幾條記錄組成一個樹形結構關系。記錄主要包含唯一性編碼、子節點編碼和兄弟節點編碼三個屬性。例如,A節點有B、C、D的三個子節點,則A節點記為{A,B,“”}、B節點記為{B,“”,C}、C節點記為{C,“”,D}、D節點記為{D,“”,“”}。

2.3 數據準備

2.3.1 容器倉庫

①Python已經訓練好的客流、能耗等預測模型存放在/model/data目錄下。預測模型Python接口文件存放在/model/inter目錄下。

②開發基礎微服務容器。基礎容器內包含jdk環境、Python環境、redis服務、服務管理進程。其中,服務管理進程用于管理狀態模式服務和匯報心跳。

③實時、歷史、特征和多預測微服務與基礎微服務容器一起打包生成各種狀態模式容器,存入狀態模式容器倉庫。

2.3.2 預測模型

本文提到的預測模型指系統提供Python的機器學習容器環境,可直接使用其他平臺已經訓練好的客流、能耗或設備故障的預測模型。預測內部算法不作進一步研究,而是存儲在固定目錄下供系統調用。

3 多態分析

基于容器化的多態分析技術指根據地鐵車站當前設備情況和樹形結構圖生成包含一組微服務、緩存數據和預測模型的組合,用于同一時間為數據可視化分析提供多種數據驅動。組合以容器部署方式手動或自動生成,且容器之間相互隔離、互不影響。大數據可視化畫面任意切換連接某個容器,同時展示地鐵車站不同維度的狀態,以更直觀地與決策者進行深層互動。

狀態模式主要包括實時、歷史、特征和多預測等。各狀態模式顯示監控設備不同生命周期的數據狀態。狀態模式含義和生成步驟如下。

①實時狀態模式指在系統中的所有監控設備虛擬對象接收變化數據的實時刷新。系統啟動后,容器調度模塊啟動實時狀態模式。數據抽取工具抽取初始化數據和模型生成配置文件,容器組態工具抽取實時狀態模式基礎容器。Jenkins讀取配置文件、啟動實時狀態模式容器。

②歷史狀態模式指以歷史數據文件為驅動,回放車站監控設備某一段時間內的歷史狀態。容器調度接收畫面歷史狀態模式消息后,發送開始時間、結束時間、數據范圍等信息。數據抽取工具抽取時間區間內歷史數據文件并將其存放到model/history目錄下,以生成配置文件。容器組態工具抽取歷史狀態模式基礎容器。Jenkins讀取配置文件啟動歷史狀態模式容器。

③特征狀態模式指根據當前報警、故障或流程等特征,抽取以往具有相同特征的監控或處理流程,并模擬回放這個過程。容器調度接收畫面特征狀態模式請求命令和特征信息,數據抽取工具自動判斷特征信息抽取特征歷史文件并將其存放到model/feature目錄下,以生成配置文件。容器組態工具抽取特征狀態模式基礎容器。Jenkins讀取配置文件啟動特征容器。

④多預測狀態模式指設備正常實時刷新,但是不能控制,根據樹形結構圖生成智能輔助路徑的監控設備狀態模式。多預測狀態模式包含全路徑和優選路徑兩種預測模式。在全路徑預測中,該模式選擇某一步驟,顯示該步驟執行后的當前所有監控設備實時狀態。優選路徑是根據當前情況智能選擇出幾條優選路徑。路徑每個步驟得以執行后,智能優選路徑中運維人員預操作、設備狀態和預測值也自動更新。容器調度接收畫面多預測狀態模式請求命令和流程處理信息。數據抽取工具根據流程處理信息生成配置文件。容器組態工具抽取多預測全路徑狀態模式基礎容器。Jenkins讀取配置文件啟動全路徑容器。容器調度接收畫面多預測狀態模式請求命令和流程步驟信息。數據抽取工具根據流程步驟信息生成多個優選路徑配置文件。容器組態工具抽取多預測多個路徑狀態模式基礎容器。Jenkins讀取配置文件啟動優選路徑容器。

4 智慧運維

4.1 狀態模式組合

地鐵車站需求場景復雜,單一狀態模式不能全面滿足業務需求。多容器組態功能實現多狀態模式組合,可滿足車站運維在培訓、演習和運營等場景下的運維需求。例如:多個歷史、特征和多預測狀態模式組成培訓場景;多個歷史、特征模式組成演習場景;多個實時、歷史、特征和多預測狀態模式組成運營場景。

4.2 實施

本文以運維人員的培訓場景中自動化場景“車站火災”為例,介紹系統運行流程。火災報警系統(fire alarm system,FAS)模擬觸發車站火災信號,系統彈出狀態模式選擇界面,選擇歷史、特征和多預測狀態模式,點擊“確定”。顯示器劃分四個顯示區域。每個顯示區域可以啟動一個Web瀏覽器。Web畫面分別同時連接實時、歷史、特征和多預測狀態模式容器,顯示DT體不同生命周期的數據狀態。實時畫面可以根據菜單顯示,但不能控制客流、監控設備和閉路電視等畫面。歷史畫面顯示當前的客流、監控設備的狀態,可以任意進行快慢或拖拉調整,以查看是否有特殊事件(如客流的波動)或流程。多預測畫面顯示車站火災應急流程。運維人員點擊主路徑的每個步驟,畫面顯示執行該步驟后的系統當前實時狀態。

本文系統的應用,將運維人員從單一的歷史數據觀摩的被動學習,轉化為可以雙向與實際系統的互動學習。培訓的運維人員既可以觀摩正線多應用實時系統的真實設備動作,又可以按照案例處理步驟學習快速應急處理流程,或點擊多預測狀態模式中的各預測路徑,對設備間的關聯性進行更深入的學習。

5 結論

基于DT的軌道交通智慧運維系統可以同時展示、分析和研判軌道交通地鐵車站監控設備在不同生命周期的數據狀態,通過多個狀態模式的組合實現車站運維在培訓、演習和運營等場景下的不同功能需求,為DT落地提供了新方向。目前,系統在自動化場景測試案例中運行穩定,達到了預期效果。但DT的行為模型積累和最優路徑還需要進行進一步的研究和大量實際案例的支持。