导语:轨道交通行业一旦从局部席位变为全国席位，将惠及整个轨道交通运维体系和全国广大轨道交通运维工作者。
“刷脸进站”、“语音购票”、“车厢热力图”...最近轨道交通领域热闹非凡，似乎是AI、大数据、云计算等新技术落地的最佳场景。
但是，除了乘客可以感知的那一面，AI和大数据技术正在从人们看不到的地方改变以地铁为代表的轨道交通行业。
而承载AI和大数据核心技术的“土壤”，恰恰是轨道交通行业解决方案中的“数据中间平台”。总的来说，数据中间平台是收集、管理、存储和计算海量多源异构数据，为各种应用提供数据共享服务等业务支撑的平台，是轨道交通系统降低成本、提高效率的关键变量，甚至为整个轨道交通行业“插上翅膀”。
40年来，中国城市地铁里程增长了195倍。目前总里程已占全球35.26%，且增长仍在继续。线路的不断延伸和客流的增加，给行业带来了持续的发展机遇，同时也给轨道交通运营、车辆维护等工作带来了巨大的压力。以上海地铁为例，其运营的17条线路里程已达705公里，为世界之最，日均客流量超过1200万人次。
▲全国城轨里程排名前十。
新加坡SMRT地铁连续两年巨额亏损的案例给业界带来了一个教训。根据官方数据和声明，正是由于其维护和人工成本的大幅增加，导致其在地铁票价收入中的占比高达71%，导致其在2019财年出现1.5亿新元的巨额亏损，比上一财年8600万新元的亏损增加了80%。新加坡地铁的解决方案是继续增加人力投入，减少运营时间，而中国企业选择了不同的解决方案。
今年年初，由上海申通地铁牵头，CRRC长春轨道客车有限公司、中车青岛四方院有限公司、清华大学、一站式企业级人工智能平台及服务提供商罗明科技集团共同完成的上海轨道交通车辆智能运维平台，被国家发改委评为轨道交通行业国家示范工程。大数据和人工智能技术已初步落地轨道交通车辆运维商业场景。11月15日，罗明科技集团在沪举办主题为“更快融合，增长新动力”的2019数据智能峰会，宣布“打造智能时代的企业中间平台”新战略，并面向轨道交通行业推出“智能运维解决方案”，寻求更广更大的落地效应。
明科技集团高级副总裁丁指出，数据中心主要是重塑IT架构，将IT和OT领域的数据打通，让RD、设计、生产、管理、维护等环节的数据流动起来，形成共同的数据源。通过使用知识地图，我们可以利用行业知识构建一个由知识和数据共同驱动的数据中心，并进一步开发应用服务。
▲罗明科技集团高级副总裁丁
据了解，罗明科技积累了十余年的海量多源异构数据汇聚融合技术，同时也拥有轨道交通领域的长期经验，这使得其形成了独特的以行业诀窍为核心的轨道交通数据中间站、业务中间站、技术中间站整体解决方案。
近年来，北上广深等地区相继推出带有大数据平台的云平台，成为缓解轨道交通运维压力、优化轨道交通服务的重要举措。与“大数据平台”主要以统一的方式管理数据不同，“数据中间平台”侧重于将数据连接到上层应用服务。数据平台的出现是为了弥补数据开发和应用开发之间开发速度不匹配、响应不足等问题。
“只有打开地铁车辆数据的‘黑匣子’，实时调用数据，及时掌握车辆运行状态，并从中获取业务洞察，才能真正解决实际问题，实现高效维护运营。”明科技集团工业事业部产品负责人表示。
以地铁车辆维修的四个环节为例。
第一个环节是车辆维修法规的制定。规则是常规的维护机制。相对于汽车跑5000公里或者半年就需要保养的机制，地铁行业的规则要复杂得多。13个地铁车辆系统的多层子系统的许多部件和系统具有不同的规则。
以上规定均来自供应商，各部件供应商不会因为轨道交通项目的地理位置、气候环境、车辆使用强度等具体条件而定制规定。因此，如何制定符合当地需求的法规是智能维护需要考虑的基本问题。
总体思路是收集大量传感器数据，结合机器学习或深度学习算法做故障预测和健康管理研究，预测部件剩余寿命。但是机器学习和深度学习都需要积累大量的样本，这自然与车载设备的高可靠性相冲突。积累足够的样本需要很长的时间，但是在这个过程中，随着设备的老化或者其他系统的更换，需要对模型进行相应的调整。因此，机器学习方法可能要从小样本挖掘的角度有所突破，才能更好地应用于工业。
基于对轨道交通业务的深入洞察，在明确“针对哪些部件”和“谁来制定法规”的关键点后，轨道交通数据中心将通过数据资产目录和数据共享的方式，向关键部件供应商提供日常车辆运行数据和当地天气等工况时间序列传感器数据，以促进法规制定的科学化。
第二步，制定计划。规划是指制定明确的、可执行的地铁日常维护计划，指导不同班组进行不同部件的维护。目前，计划主要来自三个方面:部件法规、日常维护故障反馈和运行故障反馈。
但随着车辆实时状态数据落地，车辆维修团队每天每条线路可接收到多达数万个额外的故障报警信号，这就导致了一定的“信号过载”现象。维护团队很难逐一核实这些告警数据，导致每天上报的故障数据无法与日常维护计划有效结合。
明科技轨道交通数据中心将实时采集的故障数据与检修计划紧密结合，对故障数据进行聚合和汇聚，使机器通过数据和相关规则确认“重点检修故障”，并对故障数据进行有效利用，让司机看到最关键的报警信息，提高检修计划制定效率。基于故障聚集规则，最终可以得到车辆部件和故障关联的知识图谱，为以后新线路故障聚集规则的自动发现提供了可能。
第三个环节，维护执行。全国各地的地铁网络一直在扩大，但地铁维修队伍的规模并没有扩大。有经验的维修工人被逐渐稀释到继续增加的新线路中。甚至有些城市招不到有地铁维修一线经验的人。
与部件的操作说明相比，维修单是更重要的数据和知识来源，其中包含了大量简洁有效的“最佳实践”。明科技轨道交通数据中心基于供应商提供的运营指令和以往的维护订单，通过文本分析、实体提取、语义消歧、关系提取等方式，抓取维护信息的文本信息，通过“案例法”等手段抓取故障解决方案，建立轨道交通运营维护知识图谱，通过工况相似度直接推荐维护方法，形成“故障维护建议”，为维护人员提供参考。
第四个环节，交付和运营。传统的运营应急响应是依靠驾驶员在车辆“急停”场景的前三分钟内判断原因。许多紧急情况对于有经验的司机来说很难单独处理。目前“调度室专家建议”和“新老司机交流”的方案，由于车况无法同步、语言系统不同等问题，效果并不理想。
明科技轨道交通数据中间站将各种应急响应场景对应的信息，尤其是司机的操作，实时还原给地面的操作人员，并基于实时的车辆状态，为司机提供最合适的应急响应建议。在“应急响应”中，司机将在轨道交通数据中心的帮助下摆脱“单打独斗”的局面。
基于轨道交通数据中心的智能维护解决方案，底层逻辑是打通感知、认知、行动的反馈闭环。
有人说，虽然轨道交通行业早就出现了“大数据”、“云平台”等概念，但由于行业的封闭性，实际落地情况还是比较落后。
明科技集团工业事业部产品负责人说，我觉得不是落后，而是先进。“几十万员工，深耕行业几十年，需要敬畏。轨道交通行业的数据非常丰富，其多年的沉淀和积累应该得到尊重。”
数据本身的价值是有限的，当数据从知识转化为智慧时才更有价值。明科技深谙此道，其轨道交通数据中心背后是一套将轨道交通数据转化为轨道交通智慧的坚实的AI和大数据技术矩阵。
结语:AI赋能轨道交通行业，数据成为“制胜法宝”
随着AI、大数据、物联网等多点技术落地进入深水区，以轨道交通为代表的传统行业将迎来新一轮变革。轨道交通行业一旦从局部席位变为全国席位，将惠及整个轨道交通运维体系和广大轨道交通运维工作者。
作为轨道交通行业AI和数字化进程中的“引领者”，罗明科技希望通过拥有行业诀窍的数据中心等技术和方案，简化地铁运营端数千万地铁运营人员的工作，提高工作效率，为地铁运维模式和收支结构带来实实在在的好处。
轨道交通等传统行业并没有一些人想的那么封闭落后。相反，这个领域有海量的数据积累，深厚的行业经验积累，技术门槛很高。只有怀着敬畏心态的玩家，才有望在“智慧轨道交通”之战中拔得头筹。
