智东西（公众号：zhidxcom）

文 | 李水青

导语：一旦这场轨交行业的变革从局部卷席至全国，受益的是整个轨交运维体系及全国广大轨交运维工作者。

“刷脸进站”、“语音购票”、“车厢热力图”……近来，轨道交通领域热闹非凡，似乎成了AI、大数据、云计算等新技术落地的最佳场景。

不过，除了广大乘客能感知到的一面，AI及大数据技术正从人们看不到的地方改变着以地铁为代表的轨道交通行业。

承载AI及大数据核心技术的“土壤”正是轨交行业解决方案中的“数据中台”，通俗地说，数据中台是一种将海量多源异构数据汇集治理、存储计算，并为多种应用提供数据共享服务等业务支撑的平台，而这正是为轨交系统降本提效，甚至为整个轨交行业“插上翅膀”的关键变量。

我国城市地铁40年来里程增长195倍 ，目前里程总量已占全球35.26%，且增长仍然在继续。不断延伸的线路和增加的客流为行业带来持续的发展机会，同时也为轨交运营、车辆维修保养等工作带来了难以疏解的繁重压力。拿上海地铁来说，其17条在运营线路里程已经达到705公里成全球之最，日均客流已经超过1200万人次。

▲全国城市轨道通车里程排名前十

新加坡SMRT地铁连续两年巨额亏损的案例为行业带来了前车之鉴。据官方数据和声明可知，正是由于其维修及人力成本大幅提高，占据高达71％的地铁车资收入，从而导致其在2019财年巨亏1.5亿新加坡元，比上财年的8600万新加坡元亏损激增80％。新加坡地铁的解决方案是继续增加人力投入并减少运营时长，而中国企业则选择了不同的解法。

今年年初，由上海申通地铁牵头，中车长春轨道客车股份有限公司、中车青岛四方所研究所有限公司、清华大学以及一站式企业级人工智能平台和服务商明略科技集团共同完成的上海轨道交通车辆智能运维平台（R.I.S.E）被国家发改委评为轨道交通行业的国家级示范工程项目，大数据和人工智能技术在轨交车辆运维商业场景中初步落地。11月15日，明略科技集团在上海举办以“FASTER 聚变·增长新动力”为主题的2019数据智能峰会，宣布“打造智能时代的企业中台”新战略，推出面向轨交行业的“智能运维解决方案”，寻求更广泛、更具规模化的落地效应。

明略科技集团高级副总裁丁伟庆指出，数据中台主要是重塑IT架构、打通IT和OT领域的数据，让数据流在研发设计、生产、管理、维护等环节中流通，形成共同的数据源，利用知识图谱，打造知识和数据的双驱动的具有行业Know-How的数据中台，进一步开展开发应用服务。

▲明略科技集团高级副总裁丁伟庆

据了解，明略科技有十余年的海量多源异构数据汇聚融合技术积累，同时还具备长期深耕于轨交领域的行业落地经验，使其形成了独特的以行业Know-How为核心的轨交数据中台、业务中台和技术中台整体解决方案。

近年来，带有大数据平台的云平台已经在北上广深等地区启动，成为缓解轨交运维压力，优化轨交服务的重要举措。不同于“大数据平台”主要对数据进行统一的管理，“数据中台”的重点则是把数据对接上层应用服务。数据中台的出现，就是为了弥补数据开发和应用开发之间的开发速度不匹配及响应力不足的问题。

“只有当地铁车辆数据的“黑盒”被打开，数据被实时调用，及时掌握车辆的运行状态，并从中获取业务洞察，才能真正解决实际问题，从而实现高效维保与运营。”明略科技集团工业事业部产品负责人说。

拿地铁车辆维保的四大环节举例。

第一个环节，车辆检修规程制定。规程是检修的规则机制，和汽车跑5000公里或者半年后需要检修的机制相比，地铁行业的规程要复杂的多，地铁车辆13大系统的多层子系统的众多部件及系统都有不同的规程。

而以上所有的规程都来自于供应商，各个部件的供应商并不会因为地理位置、气候环境、车辆使用强度等轨交项目的具体情况定制规程，因此，怎么制定符合本地需求的规程是智能维保需要考虑的基本问题。

一般的思路是，收集了大量传感器数据，结合机器学习或者深度学习的算法来做故障预测与健康管理（PHM）研究，来预测部件的剩余寿命。然而机器学习或深度学习都需要大量样本积累，这和车辆装备的高可靠性天然产生了一定的矛盾，足够的样本积累需要很长的时间，但这个过程中随着设备老化或其他系统的更换，模型需要随之调整。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的应用于工业。

明略科技基于对轨交业务的深入洞察，理清“针对什么部件”和“谁来定规程”的重点之后，轨交数据中台将每天车辆的运营数据及当地的天气等工况时序传感器数据，通过数据资产目录与数据共享的方式提供给关键部件供应商，以此推进科学的规程制定。

第二个环节，定计划。定计划是指制定明确可执行的每日地铁维保计划，指导不同班组进行不同部件的检修工作。当前计划主要来源自于部件规程、日常检修故障反馈、运营故障反馈三个方面。

而随着车辆实时状态数据下地，车辆维护团队可每天每线路可额外收到高达上万个故障报警信号，出现一定“信号过载”的现象，维保团队难以对这些警报数据一一进行核实，这就导致每天上报来的故障数据与每天的检修计划不能有效结合。

明略科技轨交数据中台将实时收集的故障数据与检修计划紧密结合起来，对故障数据进行聚合、收敛，通过数据及相关规则来让机器确认“重点检修故障”，将故障数据有效利用，从而让司机看到最关键的报警信息，提高检修计划制定的效率。基于故障聚合的规则，最终可得出车辆部件、故障关联关系的知识图谱，为未来针对新线路自动发现故障聚合的规则提供可能性。

第三个环节，检修执行。全国各地的地铁线网不断扩充延展，但地铁检修团队规模却没有随之扩展，有经验的维修工人被逐步稀释到持续增加的新线路中，甚至在一些城市，招不到具有地铁维修一线经验的人。

相较于部件的作业指导说明，维修工单是更为重要的数据和知识来源，其中蕴含了海量的简洁且有效的“最佳实践”。明略科技轨交数据中台基于供应商提供的作业指导说明及过往的维修工单，经过文本解析，实体抽取，语义消歧以及关系抽取等处理，抓取检修信息的文本信息，通过“判例法”等手段抓取故障解决方案，建立轨交运维知识图谱，通过工况相似度直接给出检修方法的推荐，形成“故障检修建议”，为维修人员提供参考。

第四个环节，交付运营。传统的运营应急处置需要靠司机在车辆“紧急停车”场景的的前三分钟内判断原因，很多紧急情况对有经验的老司机来说都难以独自应对。目前的“调度室专家建议”、“新老司机交流”等方案由于不能同步车况、语言体系不同等问题实际效果并不理想。

明略科技轨交数据中台将各种应急处置场景的对应信息，尤其是司机操作实时还原给地面的运营工作者，基于实时车辆状态，为司机提供最适当的应急处置建议。在“应急处置”中司机将在轨交数据中台的帮助下摆脱“一个人作战”的处境。

基于轨交数据中台的智能维保解决方案，底层的逻辑是打通感知、认知和行动的反馈闭环。

有人说，虽然“大数据”、“云平台”等概念在轨交行业出现了很久了，但由于行业的封闭性，实际落地情况还比较落后。

明略科技集团工业事业部产品负责人却说，我倒不觉得它落后，反倒很先进。“几十万的从业人员，几十年的行业深耕，需要心怀敬畏。轨交行业的数据是非常丰富的，要尊重它的多年沉淀和积累。”

数据本身价值有限，数据由知识转化为智慧才更有价值。明略科技深谙于此，其轨交数据中台背后是一套扎实的将轨交数据转化为轨交智慧的AI及大数据技术矩阵。

结语：AI赋能轨交行业，数据中台成“致胜法宝”

随着AI、大数据、物联网等多点技术的落地进入深水区，以轨道交通为代表的的传统行业将迎来新一轮变革。一旦这场轨交行业的变革从局部卷席至全国，受益的将是整个轨交运维体系及广大轨交运维工作者。

作为轨交行业AI化、数字化进程中的“弄潮儿”，明略科技希望能通过具有行业know-how的数据中台等技术和方案为地铁运营端千万的地铁运维者简化工作、提高效率，并为地铁运维方式及收支结构带来真实的裨益。

轨道交通等传统行业并没有部分人想的那样封闭落后，相反，这个领域具有海量的数据积累、深厚的行业经验积淀和较高技术门槛，只有怀有敬畏心态的玩家才有望在“智慧轨交”的抢滩大战中拨得头筹。