专注核心装备PHM，为中国轨道交通实现更加智能化的理想未来保驾护航

2018年4月13-15日，由国家发改委综合运输研究所、“十三五”国家重点研发计划《先进轨道交通重点专项》总体专家组指导，北京市地铁运营有限公司地铁运营技术研发中心、RT 轨道交通联合主办，中国信息通信研究院协办，地铁运营安全保障技术北京市重点实验室联合承办的“2018年中国（国际）智慧轨道交通大会”圆满闭幕！

来自国际国内多家地铁业主单位、科研机构、设计单位、设备制造企业的相关专家、学者等近1281名参会代表参加本次会议。北京天泽智云科技有限公司CTO刘宗长博士出席会议并发表“工业智能技术在轨道交通智能运维中的实践”主题演讲。

天泽智云首席技术官 刘宗长博士

刘宗长博士介绍了基于“信息-物理系统”（CPS）的5C架构的智能轨道交通PHM解决方案，并分享了天泽智云在轨道交通车辆、道路基础设施和机电设备智能运维中的实践案例。

在演讲中，他剖析了在设计智能轨道交通系统过程中面临的挑战，详细解读了系统架构及流程设计中的关键技术，包括数据采集和管理、信号处理及特征提取、算法模型开发、远程集群监测及运营决策等。

天泽智云在智能边缘计算及数采系统集成方面拥有丰富的经验，针对轨道交通产品的不同核心部件，基于该部件的关键特点，以何种数据采集方式最优等方面，都具备非常丰富的工程经验。此外，天泽智云开发了专业的建模分析平台 GenPro、智能轨交应用模型服务环境CyberShpere及大数据可视化及报表系统等能力体系用以支撑完整的PHM系统。

刘宗长博士指出：“我们的目标是把PHM这样一个非常专业且目前只有少数人掌握的技术，通过更加系统化的流程设计和辅助工具，降低开发门槛，未来让更多的业务专家、运维工程人员也可以独立完成模型开发，使其更广泛地适用于轨道交通的场景。这也是天泽智云的使命所在。”

期间，刘宗长博士接受了RT轨道交通网的采访，以下为访谈内容。

Q：感谢刘博士接受RT轨道交通的采访。根据您的观察，相较于其他工业领域，轨道交通的PHM工程化应用与其他系统有什么不同？会遇到哪些挑战？

首先是相比于其他大部分的工业装备，轨道交通系统更加复杂，以高铁车辆为例，它由九大系统、上百个关键零部件构成，其本身就是一个非常庞大的体系。

第二个是轨道交通的运营要非常地快速和精准。数据不仅涉及资产，同时也涉及到运营。不论是地铁还是客运铁路，涉及的数据量都非常大且多变，任意的不精准都可能影响轨道交通的连续运行。比如一辆地铁误点两分钟，极有可能后面其他地铁的运营都受到影响，所以必须立即处理，把这两分钟的误点协调过来，因此对于整个系统的动态性和鲁棒性要求也很强。

第三个是由于轨道交通对于数据的安全性要求更高，因此很难使数据在开放的网络中流动。数据的安全性限制了我们去用很多目前已经比较成熟的互联网或者云计算技术，所以需要建设一个自己的平台或者网联/物联的体系。

所以不论是对业务、对象的运营，还是对于整个工业网络方面的基础设施而言，都存在很大的挑战，在其他行业里很少见到这么复杂的场景和挑战。

Q：面对如此复杂的数据环境，如何用最短的时间实现高效数据分析、攫取有用信息？天泽智云在这方面有哪些突破或深刻体会？

针对这些挑战我们运用了李杰教授提出的“六分法”的思路，即分类、分割、分解、分析、分享和分忧。

• 分类：首先对数据按照分析的对象和要求进行分类，这样可以帮助我们识别哪些是关键有效的数据，以及如何用合适的方式获取这些数据。

  
  

• 分割：数据流是连续产生的，但状态是离散的，所以我们要基于工况和设备状态的变化把连续的数据进行分割。

  
  

• 分解：分割之后对整体信号进行特征提取，并清晰化特征与问题之间的对应关系，这个过程就是分解。

  
  

• 分析：其实就是建模，无论是机器学习等AI的一些算法，或者是专家模型的方法，都是说如何对特征进行建模，以及如何实现从特征到根原因的匹配。

  
  

• 分享：分析的结果怎么被分发到各个业务部门里面去，实现整体决策或后面行动的同步。

  
  

• 分忧：寻找业务价值，也就是数据分析产生的信息到底是为了解决什么问题，如何与运营相结合实现对问题透明化和预测性的管理。

数据分析最终都是收敛的，一开始数据可以很多很大，但是最后都需要汇聚到业务痛点、收敛到业务价值点，从而解决场景中的具体问题，最终实现为工业客户分忧的目标。

这一整个过程具有非常强的流程性，李杰教授指导我们解决问题的时候基本上都是按照这个思路来处理。同时这套体系也得到我们客户的认可，不论是制造或者其他企业，其最终目标都是如何实现价值，以及通过什么样的路径实现这样的价值。

Q：上面我们谈到了轨道交通行业的数据特点及分析方法，对于数据的标准化，轨道交通行业是否存在？如何解决?

我认为标准化的问题确实存在，可以分为四大部分。

1、最前端数据采集部分的接口标准化

对于平台开发者而言这一点非常重要，因为他们收集数据之后需要解析才能入库，但是不同系统之间的通讯协议和编码标准都各式各样，对我们获取数据造成了很大的挑战。所以从数据的来源角度，接口的标准化和协议的标准化是第一步。

2、数据存储方式的标准化

即如何对数据定义、贴标签，以及如何根据业务需求，对数据库以建表的方式管理。现在很多数据进来后散落在各种各样的数据库，有时候即使是指向同一个变量，也有不同的名称，所以这部分就设计到数据存储的标准化，也就是我们上面讲的分类、分割和分解。

数据的存储方式标准化之后，我们再做分析，只需要根据业务需求寻找相关数据，大大降低了工作开展的难度。

3、模型评价体系的标准化

尤其对于数据驱动，基于机器学习的方式，最大的问题在于可重复性较差，对模型的精度和不确定性管理较难。因此需要明确用哪些标准做规范，进而保证模型输出的结果持续可靠、稳定精准。

4、客户业务流程标准化

客户的业务流程及对数据理解的标准化也非常重要，否则对于同一个结果，不同人可能有不同的操作方式，所以我们需要规范数据应该用什么样的方式分发到各业务部门，业务部门收到结果后又该采取哪些协同性的动作等问题。

完成这几部分的标准化之后，我们可以真正实现以数据驱动的业务流程，进而逐步实现从“以经验为导向”向“以事实为导向”的转变。

Q：回归到整个工业领域，在您看来目前国内工业智能运维的工程化应用面临的最大挑战是什么？天泽智云如何化解这些挑战？

从技术层面来看，一套完整工业智能系统需要具备以下三方面能力：

1、软件平台开发能力

无论是平台技术或者传统的工业软件，开发都需要非常专业的团队。

2、算法开发能力

无论是具有特定目标的预测性分析建模，还是大数据环境下发散性的关系挖掘，都需要一支专业的数据科学家团队。需要持续地对分析模型进行设计、开发、调优、验证和维护。

3、工业领域知识

前面两种技术要想在具体的场景中落地，需要深刻理解其应用场景及实施对象。以高铁为例，我们要对整个高铁系统的构成，不同核心部件的机理、工作原理、失效模式，以及运行过程中有哪些痛点等问题有着丰富的积累和深刻的洞察。

将这三个方面能力结合起来，才能让工业智能化成功落地，但中国目前很难有一家企业完全具备，因此我认为不论制造企业还是软件服务类企业，如何快速获得这三方面的能力是实现大数据或工业智能在工业场景中落地的挑战。

完整的工业智能系统

对于我们天泽智云而言，核心技术团队是来自美国智能维护系统（IMS）中心的机械工程博士，在博士期间研究领域主攻PHM方向，以数据驱动建模和预测为主要的智能分析手段，所以接触了大量的智能算法。同时我们也拥有实力很强的软件团队，具备丰富的开发工业复杂软件系统的经验。所以我们对软件、算法和工业领域知识三方面都具备较深的理解，并且能够将这三方面能力有机地耦合。

在帮助企业获得软件开发能力的方面，我们开发了CyberSphere平台，这个平台对客户而言是一个轻量级的软件/模型管理的环境。数据服务、模型管理以及整个模型的装载、调度都可以在这个平台完成，也可以将其放在任何一个工业互联网平台上。工业互联网平台可以通过CyberSphere为上面的应用或者业务提供支撑。

算法建模能力方面，除了提供数据科学家的服务之外，我们还开发了GenPro平台，它提供常用的数据分析算法模块和一个可视化的编程界，客户在可视化界面中通过“托拽”的方式，根据分析的流程把模块连接起来，迅速完成模型的开发，极大地降低了算法开发的门槛。

工业Know-how方面，我们和行业的龙头企业合作，把工业领域的业务需求及面对一个设备对象的建模模板，比如健康管理、效能管理等应用模块化。可以帮助用户迅速了解场景中的需求，以及针对这样的需求大概需要哪些维度的功能，并基于模板开发后需要软件及算法方面的什么功能。

在这种情况下，无论客户或者我们的服务对象缺少哪方面的能力，我们都可以很好地补足，进而让客户最擅长的领域发挥更大的价值。