摘要：近年来我国城市轨道交通发展迅速，基础设施维修投入日渐庞大。以周期性检修为主的传统维修模式，存在一定程度的过维修和欠维修问题。根据城市轨道交通基础设施的设备特征和维修特点，提出城市轨道交通基础设施维修智能管理系统的基本框架，包括系统架构及其关键技术，分析总结了系统的特点与优势。系统采用B/S和C/S相结合的综合架构，由数据层、服务层和应用层3部分组成；关键技术主要由检测数据集成管理、设备状态综合分析评估、维修作业决策支持、综合可视化展示4部分组成。该系统不仅可以集成管理多元化的基础设施检测数据，还能通过智能化的综合数据分析指导城市轨道交通基础设施维修作业。

引言

城市轨道交通具有准时性、舒适性和安全性等特点，而高质量的城市轨道交通服务依赖于基础设施的良好服役状态。因此每年在基础设施维修养护方面都需要投入大量的维修资源，维修费用成为城市轨道交通系统运营成本的主要支出[1] 。例如，天津是我国第二个拥有地铁的城市，2009年，天津地铁线路总长已达80km，当年地铁运营费用约为3亿元，其中维修养护的支出为1.6亿元，占总支出的一半以上。因此，提高维修效率、降低维修成本具有重要现实意义。

我国城市轨道交通维修养护主要以周期性检修为主，较少考虑基础设施的实际运营状态，存在过维修和欠维修现象，造成了一定程度的资源浪费[2-3]。因此，利用信息化的智能管理系统改进城市轨道交通的设备管理水平是必然趋势，能够达到提高维修作业针对性、有效性，以及控制作业质量和维修投入的目的[4-5]。 既有城市轨道交通基础设施维修管理系统虽然在一定程度上实现状态监控、故障记录、维修报表生成等功能，但无法实现对维修决策进行建模和优化，在数据的智能处理和维修判断上也有所欠缺[6-7]。针对这种情况，根据城市轨道交通系统的组成、运行和维修特点，提出了城市轨道交通基础设施维修智能管理系统。该系统的特点是高度集成管理多源的检测数据，能够进行综合性的数据融合分析与设备状态量化评估，并通过大数据技术和机器学习技术为维修作业提供决策支持，同时拥有卓越的用户体验，支持多种可视化方案，便于系统分析结果的展示与呈现。

1、架构设计

系统综合考虑我国城市轨道交通基础设施维修养护业务的特点，提出了一套具有高兼容性、可扩展性和易用性的软件体系架构。 传统城市轨道交通基础设施维修信息管理系统通常根据设备专业来划分，系统间缺乏互动与交流，但其原有业务领域具有一定的数据处理能力和技术优势。如果抛弃原有系统重新开发，势必造成资源浪费。基于这种兼容性要求，以及城市轨道交通维修机构、人员的分布特性和不同职能的用户访问终端或功能的多样化等因素，选择采用B/S架构来支持系统主体服务。这样不仅允许用户在任何时间、任何地点访问系统，还提高了系统对既有软件模块的兼容性，同时还使系统易于扩展、便于新功能的推广应用。为解决B/S架构在大文件的上传和下载方面的劣势及对操作页面的定制性较差等问题，系统还包含多个面向特定用户群的C/S模式客户端，以用户熟悉且易于操作的方法提供数据集成管理、处理分析、专项分析及可视化展示等服务。

系统软件架构见图1，共分为数据层、服务层和应用层。数据层负责城市轨道交通基础设施台账及维修养护数据的存储和管理，包括以Oracle数据库为主体的关系型数据库，以及负责图片、大体积文件等数据存储的非结构化文件服务器。服务层主要实现系统的业务功能，包括数据接收、处理、入库，数据分析，生成报表等。该层还接入了GIS服务和FTP服务等外部服务的入口。应用层满足系统展示及与用户交互的需求，如为维修检测数据传输提供的客户端程序，为检测数据分析、维修方案建议及综合展示提供的Web页面。

此外，为保障数据安全，系统提供了整套安全适宜的管理方案。采用DES加密和UniNAC网络准入控制系统等技术对重要数据进行加密和访问权限控制。另外，部分特殊数据采用读写分离、多次备份、数据转换等方案，保障负载均衡及良好的访问体验。

2、关键技术

系统关键技术包括检测数据集成管理、设备状态综合分析评估、维修作业决策支持、综合可视化展示4个部分(见图2)。

2.1 检测数据集成管理

城市轨道交通基础设施的检测数据结构复杂、大小迥异，检测数据的来源与格式多种多样，查看及处理方式不一，异构化特征显著。而以往的数据采集与管理系统往往只侧重某一些方面的检测数据，将其独立存储，缺乏实时性、灵动性、整体性，且不同来源的数据由于重视程度不同导致记录不规范，甚至缺失。因此系统需要建立一个统一的、集成的数据管理平台，不仅能够有效汇集所有类型的检测数据，针对不同类型的数据采取不同的存储方式，提供统一的管理方案，同时还提供丰富易用的用户接口，保证数据收集的及时性、完整性及数据传输的便捷性。

该系统从时间、地理和设备3个维度对原始数据进行整合，并建立了城市轨道检测数据仓库(见图3)。该数据仓库不仅全面融合了基础设施台账、轨道检测、钢轨探伤、轨道巡检、接触网(轨)检测、接触网(轨)巡检等专业检测系统的数据源，同时还支持检测波形、检测图像和检测报表等多种数据格式，增强了维修数据的管理能力。同时，异构数据的融合与集成提供了多元化、多维度、多属性的数据基础，为后续的数据关联性分析做好了准备工作。

该系统不仅在数据存储上实现了统一集成，同时还拓展了数据接入渠道。不但可以直接导入检测车、探伤车、探伤仪等检测设备产生的数据文件，而且还提供了一套智能移动终端，辅助记录现场检查数据，保证检查数据接入的实时性、完整性和规范性。移动终端应用以现场检查业务场景为驱动，支持查阅各类技术数据，如轨道检测波形、基础设施台账、技术规章等信息，这些信息均有效地支持现场作业。

2.2 设备状态综合分析评估

数据分析与应用是发现数据价值的必经之路，传统的数据分析只是对数据进行一些基本统计，并未形成直观、综合、流程化的成果，对维修养护的指导也缺乏系统性。 该系统融合了轨道几何检测、轨道外观巡检、钢轨探伤检查、接触网(轨)检测与巡检等数据，全面分析评估整个城市轨道交通基础设施的服役状态。系统同时提供了智能、便捷的分析处理工具和易于理解、操作的用户界面，便于用户完成综合分析操作。以轨道几何动态检测数据处理分析为例，系统提供检测波形精细分析客户端(见图4)，用户可以通过界面操作，指导系统自动完成轨道几何动态检测数据的精细分析，包括波形预处理(格式转换和干扰滤波)、波形里程智能校正、无效数据智能识别、历次波形对比及变化智能识别、自定义标；隹偏差筛选、幅值测量与数值统计等。

系统基于多源检测数据，通过层次分析法等数据建模技术，建立了以轨道几何状态、钢轨伤损状态及接触网(轨)状态等指标综合评价设备单元质量的评估模型。通过该评价评估模型不仅可以找出综合质量较差的设备单元，优先纳入维修计划，还能够跟踪设备单元质量变化趋势，确定更合理的检修周期和作业后质量跟踪验收方案。同时提供了直观的可视化展示方式——在单元质量色阶图中以红黄绿3种颜色分别对应表示设备单元质量优先维修、计划维修、优良保养3个等级，设备单元质量评价见图5。

除智能、综合的数据分析与评估外，系统还能够按照设定模板自动生成专项分析报告，以文件的形式反映检测概况、偏差数量及其变化等内容。

2.3维修作业决策支持

为改进维修养护模式、优化资源配置，系统以纳入管理的检测和维修数据为基础，利用数据融合分析方法，尤其是大数据技术和机器学习技术，为城市轨道交通基础设施养护维修决策提供支持。养护维修决策支持界面见图6。

典型应用之一是通过综合量化评估，确定计划优先维修的病害区段。系统基于设备病害对行车安全和舒适影响大小的综合量化评估模型确定优先维修区段，附带历史病害详细信息，维修决策人员可以直观地判断维修病害主要原因和作业区段范围，填报维修方案和维修计划[8]。

另一个典型应用是监控周期性检查兑现情况，及时发现周期检查未覆盖区域，有效避免检查不到位和病害长期未处理持续恶化的情况，对于城市轨道交通安全运营具有重要作用。钢轨周期探伤检查兑现监控见图7。

2.4 综合可视化展示

传统的检修数据信息管理系统大多以表格和报告的形式展示数据统计结果。这种方式虽然全面、详细，但不够直观，不利于观察和总结。新系统提供了一整套可视化展示模块，使系统收集的原始数据及系统分析结果等信息能够以图表的方式直观地展现给用户。以病害重复区段分析可视化展示(见图8)为例，以散点图方式直观展示同类型病害沿线路里程在每个单元区段出现的频次，维修决策人员可以快速判断该类病害的频发地段，即质量薄弱区段，以便制定维修方案和计划。

除统计图表外，系统还引入GIS服务，根据地理位置信息及城市轨道交通路网情况，制作了电子地图。电子地图可以将城市轨道交通基础设施中的设备问题在城市轨道交通线路图中进行标注，包括病害类型、产生时间、维修作业历史及检修状态等信息，清晰直观地展示问题聚集区域。同时，记录的检修作业轨迹也可以作为工务维修人员工作考核的依据。

此外，系统还能够根据定时器程序，按照规定时间，周期性地将检测情况和分析报告反馈到系统主程序界面或智能移动终端，便于管理者及维修人员对城市轨道交通基础设施维修状态的实时监管与掌控。分析结果中一旦出现产生高危病害的可能，系统会启动预警程序，维修人员可以第一时间了解到系统预测的病害位置与类型，并及时安排检查和维修[9]。线路安全问题可视化展示与报警见图9。

3、系统特点与优势

　　(1)高兼容、易扩展、用户友好型的软件平台架构。系统主体服务采用B/S架构，不仅使系统访问更便捷，还提高了系统的兼容性和可扩展性，便于既有系统的接入与新功能的推广。系统还包含一个客户端程序，为数据管理、数据专项分析及可视化展示等服务提供了便于操作的用户界面，改善了用户体验，同时也弥补了B/S架构在大文件传输上的不足。系统的核心服务封装于中间层，既便于维护和升级，又提高了软件模块的复用性。

　　(2)高度集成化的检测数据管理。城市轨道交通基础设施的检测数据异构特征显著，在数据结构、数据体量和数据来源等方面都不尽相同，很难完成综合分析。该系统从时间、地理和设备3个维度对原始数据进行整合集成,并建立了城市轨道检测数据仓库。数据仓库实现了异构数据的融合与集成，使不同来源、不同格式的数据有了统一收集、管理和分析的平台，增强了系统的数据处理能力，同时为综合性的数据分析与决策支持奠定了基础。

　　(3)多指标、全方位、综合性的设备状态分析评估体系。系统融合轨道检测数据、巡检数据、钢轨探伤数据、接触网(轨)检测数据等全方位、多元化的基础数据，综合、全面地分析整个城市轨道交通线路的运营状态，同时建立了多指标综合量化评估体系，能够通过轨道状态评估、钢轨伤损状态评估及接触网(轨)状态评估等对城市轨道交通基础设施的运行状况做出综合全面的评价。

　　(4)专业化、自动化、智能化的分析预测功能，能够为维修作业提供决策支持。系统利用专业化的数据融合分析方法，尤其是大数据技术和机器学习技术，对检测维修数据进行深度分析，并以分析结果指导维修作业决策。如可以通过综合量化评估模型，基于设备病害对行车安全和舒适影响大小等因素，判断需要优先维修的区段；还可以智能监控周期性检查兑现情况，及时发现检查未覆盖区域。

　　(5)直观、有效的综合可视化展示模式。该系统的可视化展示模块，使系统收集的原始数据及系统统计分析结果可以以图表的方式直观展现给用户，用户可以快速准确地获得所需信息，便于对数据的宏观把控。如在病害重复分析中，以散点图的方式直观展示同类型病害沿线路里程在每个单元区段出现的频次，维修决策人员可以快速判断该类病害的频发地段，即质量薄弱区段，便于制定维修计划；基于GlS服务的电子地图，可以直接在城市轨道交通线路图中标注设备安全质量问题，维修人员可以快速了解病害分布情况。

结 语：

根据设备特征和维修特点，提出城市轨道交通基础设施维修智能管理系统的基本框架，包括各功能模块及关键技术。系统采用B/S和C/S结合的综合架构，具有高友好性、高兼容性和高扩展性等特点。在完成检修数据集成管理的基础上，系统还通过大数据分析和机器学习等技术，为城市轨道交通基础设施养护维修工作提供决策支持。同时，提供多种可视化方式，直观地展示设备资产、病害问题、状态等级等数据处理分析成果。 　　

来源：《铁路技术创新》杂志）

参考文献：

[1]王凌，徐文彬，郑恩辉，等．城市轨道交通设备维修管理系统综述[J】．铁道运输与经济，2009(1 0)：47—50．

[2]瞿锋．上海城市轨道交通工务管理系统的设计与实现【J】城市轨道交通研究，2009(1 2)：98—1 00．

[3]何霖，姚世峰，冯亚琳．物联网与移动互联技术应用于城市轨道交通设备设施维修的探索【J】．城市轨道交通研究，2015(10)：1—4

[4]赵延峰，孙淑杰，甄宇峰．城市轨道交通综合检测系统【J】铁路技术创新，201 5(4)：83—88．

[5]EUGENE GORDIN．Pe rfo rmance—based decision—making in post—earthquake highway bridge repair[D]．Berkeley：University of California，201 0．

[6]CHUNG YAN SHIH．GeospatiaI deciSion supportframework for critical infrastructure interdependencyassessment[D】．PittSbu rgh：Ca rnegie Me||on University，201 0．

[7]JlNBAO ZHAO，WEl DENG．Fuzzy muItiobjectivedecision support model for urban rail transit projects inChina[J]．Transport，201 3，28(3)：224—235

[8]LASON GKOUNTlS，TAR EK ZAYED．SUbWaYinfrastructu re condition assessment[D]．Jou rnaI ofConstruction Engineering and Management，201 5．

[9]TING YUN，GANG CHEN，FANGJUN ZHOU．Designof integ rated monitoring and early wa rning systemof urban rail transit train running state[J]．Jou rnal Of Intelligent Lea rning Systems and Applications，2013，5(4)：203—210．