北方工业大学 王志建

1、技术架构总览

平台采用微服务架构体系，如图1所示，各服务模块之间没有绝对依赖，模块可组合也可独立运行，实现了模块间的解耦。微服务治理采用 SpringCloud 框架，微服务模块采用 SpringBoot 框架开发，同时采用 SpringCloudAlibaba 的部分模块。

图1系统架构

2、平台功能

2.1城市轨道交通信息服务

2.1.1车站客流预测

基于城轨车站进、出及内部乘客数据，融合天气、日期、大型活动等外部数据，通过AI建模，利用大数据分析以及智能预测等算法实现对站点客流、线路客流、线网客流、断面客流等进行精准预测。

2.1.2车站拥挤度分析

通过获取车站内部的客流量以及变化程度，分析客流时空变化特征，实现对车站内的拥挤程度进行分析与评价，拥挤度的评价从行人的速度、密度、走行时间等多个角度进行，评价指标体系包括拥挤的规模、拥挤的持续时间、拥挤区域行人的损失时间和拥挤区域行人的平均速度等。同时将各个地铁站的拥挤情况以热力图的形式实时反应，便于采取措施进行客流疏导。系统界面如图2所示。

图2车站客流预测界面

2.1.3出行信息发布

通过地铁车站客流预测以及地铁车站的拥挤度分析，充分考虑地铁乘客的出行行为特征，确定地铁出行信息发布的时间和内容，合理引导地铁乘客进行路线选择与决策，保障出行者的出行效率和地铁运营效率和安全。

2.2轨道交通智慧运维

2.2.1轨道交通机电基础设施资产数据管理

以轨道交通机电基础设施资产管理为主线，基于相关标准规范、专著及专家经验，结合建设档案、机电设施标准编码、机电设施构件标准解构、地理坐标等，建立机电设备库、故障信息库、故障成因库、故障处置库等轨道交通机电设备故障监测专业知识库。系统界面如图3所示。

图3轨道交通资产管理界面

2.2.2轨道交通机电设备故障预测

通过对轨道交通机电设备数据的精准获取与分析，采用数据清洗、汇集、转换以及匹配等方式，对数据进行预处理，获取标准化数据格式的多源异构数据，建立基于主题的轨道交通机电设备故障数据仓库。基于该数据仓库对故障设备信息进行分类，根据故障类型、故障次数、故障原因、设备运行状态等信息，构建故障预测模型算法，辅助制定预养护计划，为轨道交通机电设备维护人员提供有效地决策支持。

2.2.3轨道交通机电设备故障准确定位

根据现场轨道交通机电设备现状，建立机电设备在系统中的上下游逻辑关系模型，实现机电设备逻辑上的上下游关联，并将关联信息集成至数字孪生系统中。建立机电系统的定性影响关系网络，对于各类机电设备，确定每一故障的输出表征，从自身故障和非自身故障引起（由输入异常等引起）的故障出发，对机电设备故障分类，实现故障的逐级推理，从系统的角度进行故障溯源及故障定位。系统界面如图4所示。

图4故障定位界面

2.2.4轨道交通机电设备故障成因分析

结合设备历史故障信息及相关部件实时状态，利用故障诊断模型，分析可能的故障原因，提供故障处理建议。同时根据故障对列车运行的影响程度，将事件类型划分为一般事件和紧急事件，分别进行日常维护管理或应急调度指挥。

2.2.5轨道交通机电设备故障分级

针对不同的多发性故障，能准确区分出轻重缓急，依据轨道交通机电系统网络拓扑特性以及对轨道交通运营的影响程度，对故障资源修复紧迫性进行评估，建立轨道交通机电设备故障分级标准，高效地发挥有限资源解决多发性故障，提高可靠性管理水平。

2.2.6轨道交通机电设备故障管理

记录投入运行的轨道交通机电设备故障发生的时间、上报时间、故障内容、故障原因等内容，将每一次的故障编码形成故障库，同时针对每一次的故障形成有效的维修方案，保存在专门的故障处置数据库里，形成企业的设备运维知识库，综合故障库、知识库等，形成企业的知识资产。系统界面如图5所示。

图5故障管理界面

2.2.7全生命周期数据管理

通过构建设备全生命周期档案数据库，包括设备编码、设备型号、生产日期及厂家、投用日期和预期使用年限等设备基础数据，以及在设备运行期间动态更新的监测数据、预警数据、诊断数据和维修数据等，建立城轨运营全生命周期数据管理功能，实现对任意阶段的运维数据进行实时监测与管理，达到系统管理正常运维的目的。

2.2.8运维状态实时跟踪及运维评价

项目应实现基于流程引擎的自动化运维状态实时跟踪，完成对运维服务质量以及人员工作效率等评价，为机电运维评测提供依据。