人工智能在铁路行业的应用

本文作者Bhoopathi Rapolu是Cyient EMEA 的分析主管。在这个角色中,他负责客户参与、解决方案的开发和商业开发。他拥有超过15年的商业智能和技术管理经验,并在过去几年中一直在宣扬实时技术与IT技术的融合。他利用搭载远程信息处理和先进的分析(主要用于航空航天,交通运输,机械设备,公用事业和电信),概念化并研发了智能资产管理解决方案。他还建造并运行大型BI系统,并为高级的功能和运营分析平台提供企业级解决方案。

在铁路工业,任何有助于使列车保持移动,避免操作延迟,增进用户体验的事,都是值得追求的。很多OEM厂商正在把大量资源财富投入到企业中最有价值和潜在回报的事物之一:大数据。

在铁路系统,特别是涉及到车辆维修,大数据等同于基于状态的维护(CBM)和预测性维护(PM)。由于制造业和资产维护行业的规模迅速扩大,他们现在正适应于把高级算法更广泛地应用于消费者产生的大数据。

虽然CBM和PM都普遍采用铁路行业惯例,CBM的范围远比PM宽。CBM通常涉及直接应用的实时诊断监控,明白显示资产和子系统,使得在了解了情况之后我们有足够的时间反应。这也使得大多数的诊断检测方案,例如检测车轮,车轴,高层次的网络问题等,清晰明了。但是CBM不能指出哪些系统不能给出足够时间采取行动,或者直接影响客户体验。

例如,如果你用诊断检测系统来确定一个门的故障,几乎无法在不延迟和影响客户舒适度的情况下来修正。理想状况下,OEM厂商想在故障发生之前意识到任何潜在的故障并采取行动,使得这些故障不会在生产/运营过程中发生。PM的解决方式有助于管理这些资产,使得OEM厂商不会出现这样的「失败」场面。同样地,像桥梁这些任务关键型、与安全紧密关联的系统,一些信号资产根本就不允许失败, 需要PM解决方案的补充。而对于其他资产,因为有足够的时间来采取行动,CBM足够用了,可以不需要PM。

但是,大数据的应用绝不仅限于CBM和PM。随着产业的资产和各种维护管理系统产生越来越多的数据,应用于其他行业的大数据应用(例如电子商务,社交媒体,在线搜索等)与铁路行业也越来越相关。这些应用之一就是人工智能(AI),而AI已经以各种方式在铁路工业中进行了应用:

一、情景智能

通常,情景智能(Situational Intelligence)意味着如果需要,通过完全掌握操作知识以及更好的控制来使事情井然有序的进行。列车运营公司(TOCs)通过收集列车运行的实时数据,从空间,时间和节点三个维度进行分析。

首先,空间方面提供了列车以及每列列车上的各个系统和子系统的实时位置。有了这些信息,你就可以通过地理空间定位了解每个物件在哪里,它们如何运行。

增加时间维度可以让让我们根据时间尺度来深入了解资产的性能,从实时、1分钟、1小时、1天、一周甚至更长的时间方面来看其如何运行。

情景智能最后的元素是节点,即整个系统中不同子系统的内部关系和层次结构。以节点尺度来分析数据让我们能看到各个系统间相互依赖的关系,从而找出故障的根源和系统行为。

图1:人工智能引擎的空间-时间-节点模型

图1:人工智能引擎的空间-时间-节点模型

分析三个维度的实时工作的大数据就像「集体思维」,会同时发现列车运行中的机遇和威胁。结合最近计算效率的发展,能在几分钟内对异常模式进行大范围排查并生成结果。因此,我们可以进行全面监测并且遗漏重要线索的几率也越来越小。

如今,可采用一些高级统计分析模型来产生结果的排序列表,以便调查资源可以专注于最重要、最紧急的事情。一旦确认了最频繁和最普遍的问题,那么定期常规分析就能自动运行,形成更有效的资源配置。诸如公共事业(水电费)等特定行业如今已经用了这些系统进行网络监控和资产维护。

二、运行智能

运行智能会同时用数据的力量及其能力,在正确的时间提取正确的信息以改善铁路车辆检修的效率。比如亚马逊官网上的产品推荐引、Facebook上的好友推荐或者谷歌搜索上的相关广告:欢迎来到人工智能的世界。

随着传感器和维护数据的增长量已经开始达到互联网用户产生的数据的数量,铁路产业已经可以采用人工智能。对于铁路产业面临如何鉴别问题根源、找到最合适的解决办法等挑战,其实与那些已经广泛应用人工智能的消费领域所面临的挑战非常相似。如今先进的算法能为 TOCs发掘大量操作数据,并以推荐的方式提出大量计划外的维护问题。

就运行智能而言,相关的人工智能技术(包括知识库系统,案例推理,遗传算法,神经网络和模糊逻辑等)可以解决铁路产业中诸如车辆监控和资产维护等问题。它们能消除冗长的故障根源识别,能更快地进行维修、降低维修成本、增加车辆可用性和消费者满意度。

列车运行和维护数据能用于建立类似于IBM沃森的超级计算机那样的维护知识库系统,这样的人工智能系统能执行简单任务,诸如以最优方式调度工程工作,对给定工作提供所需的工具和库存列表,提出在车辆可用性方面可能会造成影响的问题,以防维护工程师忽略某些问题。

222

图2:知识库系统

人工智能引擎的关键在于它能捕捉或编码工程项目、安全要求以及指导方针中有价值的领域和专家知识,来自动优化如何追踪已经分配到各种工程工作中的财产、工程训练和人力资源。

例如,香港港铁公司(MTR Corporation of Hong Kong)使用人工智能简化且自动化其所有工程建筑的季度计划和每周安排。解决方案在坚持所有维护规则、法规和指南的同时帮助他们最大化其资源利用率。因此,MTR除了显著节省成本和时间外,MTR的整体维修效率的显著改善超过了50%。

更进一步讲,当供应商将人工智能引擎集成到工作流程中,其所带来的益处将成倍增加。有了人工智能引擎,反馈(比如请求可行性、资源可用性、安全性和潜在的冲突以及其他请求)可以在几秒内给出。这让数以百计的计划者无需等待数天甚至一周,当即就可以根据需要做出计划改善或者改变。

三、资产智能

就资产智能而言,火车上各种子系统所产生的持续数据流可以帮助OEM建立起实时反映物理系统情况的模拟数字系统。通过运行火车的数字模拟系统来建立火车的运行行为模式,不仅能预测系统的故障,还能长期监测和评估诸如可靠性和可用性等资产指标的性能,并在产品设计方面提出改善意见。对产品设计进行不断的改进可令OEM厂商获得显著的竞争优势。为关键资产建立数字模拟系统目前被应用于航空航天和重工领域,以有效地实时监测及远程控制。

总的来说,应用人工智能的潜在动机是识别「故障特征」,一旦发现立即纠正。诸如由人工智能产生的复发事件模型( the recurrent event models)在预测故障方面非常有用,诸如关联和序列(Association and Sequence)分析可用于识别极为类似的故障以及接连发生的故障,而决策树(decision trees )和神经网络可以拥有构建预测模型。

建立事件和故障的根本原因对建立知识库系统至关重要,在上述数值数据分析之外,一些其他技术也被用于支持预测性维护的实践。譬如,文本挖掘技术正越来越多地应用于这个领域。如今,高级故障模型也可以被用于获得组件、子系统和系统的剩余使用寿命(Residual Useful Life,RUL)。此外,在可修复的系统中用参数和非参数的方法分析周期性故障事件:Wayne Nelson平均累计函数(Residual Useful Life,MCF)是很流行的非参数方法,而应用最广泛的两个参数方法是齐次泊松过程(Homogeneous Poisson Process,HPP)和非齐次泊松过程(Non-Homogeneous Poisson Process,NHPP)。CROW - AMSAA模型是实现NHPP的一个实例,能让分析人员对故障的系统建模。

综上所述,很显然人工智能应用并不是速成之法,也并非一个能迅速实现并用以预测和状态维护的现成解决方案。正确分析大数据来创造情境智能、运行智能和资产智能可能会颠覆整个铁路行业维护车辆的OEM方法。如果应用得当,这三个领域不仅能证明铁路工业适合采用人工智能解决方案,而且对于目前互联网行业的人工智能应用也有所启迪。

入门人工智能应用
暂无评论
暂无评论~