中国铁道科学研究院：国外铁路大数据应用现状与趋势分析

国外铁路大数据应用现状与趋势分析 郑金子,薛蕊,吴艳华,李平 〔中国铁道科学研究院铁路大数据研究与应用创新中心,北京100081) 摘要:大数据技术是继云计算、物联网之后的信息技术领域又一次颠覆性革命,“用 数据说话、用数据决策、用数据管理、用数据创新”的时代悄然来临。我国铁路 正处于供给侧结构性改革的关键时期,统筹开展铁路数据资源的高效汇集和开发 应用,是铁路产业转型升级的新动力。近年来,世界主要国家积极开展了铁路大 数据应用实践,围绕铁路资产管理、检修管理、运营管理、客户服务等领域,介 绍欧洲、美国、日本的铁路大数据研究与应用现状,并基于当前形势与发展需求, 分析铁路大数据的发展趋势。 关镳词:大数据;铁路;国外;应用;趋势 中图分类号:U2835 Big Data application Review and Trend analysis of International railways Zheng Jin-zi, Xue Rui, Wu Yan-hua, Li Ping (Railway Big Data Research and Application Innovation Center, China academy of railway Sciences, Beijing 100081, China) Abstract: Big data technology is another subversive revolution in the field of information technology following the cloud computing and the Internet of things. The era of"data speaking, data decision making, data management, and data innovation" has come quietly Chinese railway is in a critical period of supply-side structural reform, the efficient collection and application of railway data are the new impetus for the transformation and upgrading of the railway industry. Focusing on the application fields of big data such as railway asset management, maintenance management, operation management and customer service, this paper introduces the current situation of research and application of rail way big data in Europe, the Us and Japan. Based on current situation and development demand, the development trend of railway big data is analyzed Key Words: Big Data; Railway; International; Application; Trend 基金项目:中国铁路总公司科技研究开发计划项目(2017X006-B) 通讯作者:郑金子,博士,10114214 abit.edu.cn,13466310941

国外铁路大数据应用现状与趋势分析1 郑金子，薛蕊，吴艳华，李平 （中国铁道科学研究院 铁路大数据研究与应用创新中心，北京 100081） 摘 要：大数据技术是继云计算、物联网之后的信息技术领域又一次颠覆性革命，“用 数据说话、用数据决策、用数据管理、用数据创新”的时代悄然来临。我国铁路 正处于供给侧结构性改革的关键时期，统筹开展铁路数据资源的高效汇集和开发 应用，是铁路产业转型升级的新动力。近年来，世界主要国家积极开展了铁路大 数据应用实践，围绕铁路资产管理、检修管理、运营管理、客户服务等领域，介 绍欧洲、美国、日本的铁路大数据研究与应用现状，并基于当前形势与发展需求， 分析铁路大数据的发展趋势。 关键词：大数据；铁路；国外；应用；趋势 中图分类号：U283.5 Big Data Application Review and Trend Analysis of International Railways Zheng Jin-zi, Xue Rui, Wu Yan-hua, Li Ping (Railway Big Data Research and Application Innovation Center, China Academy of Railway Sciences, Beijing 100081, China) Abstract: Big data technology is another subversive revolution in the field of information technology following the cloud computing and the Internet of things. The era of "data speaking, data decision making, data management, and data innovation" has come quietly. Chinese railway is in a critical period of supply-side structural reform, the efficient collection and application of railway data are the new impetus for the transformation and upgrading of the railway industry. Focusing on the application fields of big data such as railway asset management, maintenance management, operation management and customer service, this paper introduces the current situation of research and application of railway big data in Europe, the US and Japan. Based on current situation and development demand, the development trend of railway big data is analyzed. Key Words: Big Data; Railway; International; Application; Trend 基金项目：中国铁路总公司科技研究开发计划项目（2017X006-B） 通讯作者：郑金子，博士，10114214@bjtu.edu.cn，13466310941

引言 随着信息采集、存储、分析技术的日益成熟,大数据已逐渐成为推动行业进步与社会发 展的源动力,成为国家基础性战略资源。计算社区联盟( Computing Community Consortium) 曾发表白皮书《大数据计算:在商务、科学和社会领域创建革命性突破》,并提出“大数据 真正重要的是新用途和新见解,而非数据本身” 我国铁路转企改革加速稳步推进,铁路正处于关键的转型期。盘活数据资产、深挖数据 价值、发现新知识、提升新能力,有助于推进铁路转型升级、创造新的利润增长点。中国铁 路总公司高度重视数据资源的开发利用,强调铁路应依托既有数据资源优势,统筹开展大数 据专项应用,加强数据分析,提高铁路信息化应用水平。 大数据的概念是铁路行业多年来一直关注的问题,过去十年间,自动化检测技术的普及 使这一概念进一步成为主流,大数据技术在铁路运输领域得到了越来越普遍的应用。国外大 数据在铁路行业的应用实践为我国铁路大数据的发展提供参考,研究围绕铁路资产管理、检 修管理、运营管理等方面,对欧洲、美国和日本的铁路大数据研究与应用现状进行综述 二欧洲 数据的收集和分析方式在过去的十年间发生了很大的改变,大数据技术提供了更加复杂 的数据收集、分析和可视化工具,并减少了报告系统中的人工干预。欧洲铁路公司对大数据 在铁路行业的应用潜力做了详细的调查研究,调查结论为大数据技术在铁路安全管理中的应 用潜力是值得研究的,但同时提出,影响大数据发挥作用的最大制约因素是数据的缺乏和可 用性。 )德国 在大数据迅速发展的背景下,大数据技术已经在德国铁路的分析与预测、决策支撑及自 动化应用方面取得了一定进展。德铁通过规划建设统一的数据中心平台,实现了对经营状况、 设备故障分析等精确分析功能在内的数据综合应用平台,并开展了4个方面的数据分析工作, 分别为:设备故障对运输效率影响情况分析、关键设备故障分析及优先级识别、设备状态可 视化展示、检修成本优化分析。德铁统一数据平台主要功能见图1

一 引言 随着信息采集、存储、分析技术的日益成熟，大数据已逐渐成为推动行业进步与社会发 展的源动力，成为国家基础性战略资源。计算社区联盟（Computing Community Consortium） 曾发表白皮书《大数据计算：在商务、科学和社会领域创建革命性突破》，并提出“大数据 真正重要的是新用途和新见解，而非数据本身”。 我国铁路转企改革加速稳步推进，铁路正处于关键的转型期。盘活数据资产、深挖数据 价值、发现新知识、提升新能力，有助于推进铁路转型升级、创造新的利润增长点。中国铁 路总公司高度重视数据资源的开发利用，强调铁路应依托既有数据资源优势，统筹开展大数 据专项应用，加强数据分析，提高铁路信息化应用水平。 大数据的概念是铁路行业多年来一直关注的问题，过去十年间，自动化检测技术的普及 使这一概念进一步成为主流，大数据技术在铁路运输领域得到了越来越普遍的应用。国外大 数据在铁路行业的应用实践为我国铁路大数据的发展提供参考，研究围绕铁路资产管理、检 修管理、运营管理等方面，对欧洲、美国和日本的铁路大数据研究与应用现状进行综述。 二 欧洲 数据的收集和分析方式在过去的十年间发生了很大的改变，大数据技术提供了更加复杂 的数据收集、分析和可视化工具，并减少了报告系统中的人工干预。欧洲铁路公司对大数据 在铁路行业的应用潜力做了详细的调查研究，调查结论为大数据技术在铁路安全管理中的应 用潜力是值得研究的，但同时提出，影响大数据发挥作用的最大制约因素是数据的缺乏和可 用性[1-2] 。 （一）德国 在大数据迅速发展的背景下，大数据技术已经在德国铁路的分析与预测、决策支撑及自 动化应用方面取得了一定进展。德铁通过规划建设统一的数据中心平台，实现了对经营状况、 设备故障分析等精确分析功能在内的数据综合应用平台，并开展了 4 个方面的数据分析工作， 分别为：设备故障对运输效率影响情况分析、关键设备故障分析及优先级识别、设备状态可 视化展示、检修成本优化分析。德铁统一数据平台主要功能见图 1

数字化运营 运营透明化 地理信工务感设备维 根因分析 外部数据 预测维修 数据集成 企业数据仓库 早期预醫 统一数据平台 自动化事件 据仓浑 数据菊 发掘分析 价值体现 图1德铁统一数据平台主要功能 根据德铁的统计,开展如上4方面的数据分析工作后,在经营管理方面的提升有:(1) 对机车故障的预测时间提前到6h:;(2)机车核心部件故障率预测的精准度由之前的15%提 升到86%;(3)通过燃油使用量的数据分析,优化个别司机开车习惯。在节约成本方面的提 升有:(1)优化燃油使用,将燃油使用效率提升1.5%;(2)通过设备故障预测,将机车维 修走向状态修,节约检修人工成本。 德国的 VTG AG与瑞士公司 Nexiot共同研发了基于远程信息处理技术的车辆智能定位装 置Ⅵ TG Connector。这个智能定位装置不仅能精确定位货车,还能为货主提供基于大数据 的一系列增值服务,比其他国家的货车追踪技术又有了新的进步。数字化货车的一些基础性 功能包括:追踪货车当前位置;了解来自货车的各种实时信息:较为精确地监视货车状态并 预测到达时间和可能的延误:收到多种类型的即时信息提醒:获得根据货车运用数据自动归 集绘制的若干分析图表。VTG公司的这些服务功能是模块化的,在基础功能之外,还可通过 另外收费的形式,为用户添加所需的其他个性化功能,包括使用传感器确定货车装填量、精 确测量货车重量等。 (二)瑞士 2010年,瑞士联邦铁路(SB)曾推出了“ SwisstAMP”项目,其目标是创建一个主动 维护的中心工具。 Swiss tamp集成了 SBB IT网络中的20多个子系统,收集并存储所有轨 道分析所需要的数据。 SwisstAMP的轨迹分析功能可汇集一系列测量和诊断数据以产生综合 的状态属性并计算距离下次维护的剩余时间,维修计划功能可将轨道分析的输出结果与生命

图 1 德铁统一数据平台主要功能 根据德铁的统计，开展如上 4 方面的数据分析工作后，在经营管理方面的提升有：（1） 对机车故障的预测时间提前到 6 h；（2）机车核心部件故障率预测的精准度由之前的 15%提 升到 86%；（3）通过燃油使用量的数据分析，优化个别司机开车习惯。在节约成本方面的提 升有：（1）优化燃油使用，将燃油使用效率提升 1.5%；（2）通过设备故障预测，将机车维 修走向状态修，节约检修人工成本。 德国的 VTG AG 与瑞士公司 Nexiot 共同研发了基于远程信息处理技术的车辆智能定位装 置 VTG Connector[3] 。这个智能定位装置不仅能精确定位货车，还能为货主提供基于大数据 的一系列增值服务，比其他国家的货车追踪技术又有了新的进步。数字化货车的一些基础性 功能包括：追踪货车当前位置；了解来自货车的各种实时信息；较为精确地监视货车状态并 预测到达时间和可能的延误；收到多种类型的即时信息提醒；获得根据货车运用数据自动归 集绘制的若干分析图表。VTG 公司的这些服务功能是模块化的，在基础功能之外，还可通过 另外收费的形式，为用户添加所需的其他个性化功能，包括使用传感器确定货车装填量、精 确测量货车重量等。 （二）瑞士 2010 年，瑞士联邦铁路（SBB）曾推出了“SwissTAMP”项目，其目标是创建一个主动 维护的中心工具。Swiss TAMP 集成了 SBB IT 网络中的 20 多个子系统，收集并存储所有轨 道分析所需要的数据。SwissTAMP 的轨迹分析功能可汇集一系列测量和诊断数据以产生综合 的状态属性并计算距离下次维护的剩余时间，维修计划功能可将轨道分析的输出结果与生命

周期成本因素关联起来,并制定最佳的建议措施以及财务估算和可行的替代方案。 瑞士国家重点科研计划(NFP)大数据专项于2017年正式启动,该专项内容包括大数据 信息技术板块(大数据分析基础性研究、大数据基础设施构架、数据库和计算中心)和大数 据应用板块(对大数据在交通、灾害等领域的应用展开基础性研究)。 (三)瑞典 瑞典铁路运用大量数据进行基础设施管理,这些数据来源于数百个不同的数据源。对于 铁路资产管理,大量的信息需要获取和分析以评估整体状况、维护、资金支出和铁路轨道检 测。需搜集的信息包括轨道可用性、轨道使用时间、轨道状态、历史工作记录、工作详细记 录等。轨道状态的检测主要包括连续的和断点式的自动检测车的检测、日常巡查的人工检测 和服务故障记录。瑞典铁路大数据管理系统主要模块见图2。 当前状态 分析工具 Rs系统 每日运行图 代替TFOR管理 当前状态 分析、报 量、重 和更正检测 轨道信息系统 与T下OR连接 TFOR 达/出发时间 延误统计 sy系统 OFELLA系统 超声检测 基础设故障 STRX系统 RwIs系 位置的K、Q值 OPTRAM系统」 轨道和接触网的 运营和维护资金 天气、温度、湿 产管理 度、降水等 图2瑞典铁路大数据管理系统主要模块 (四)英国 英国铁路安全和标准化委员会( Rail safety and Standards board,简称RSSB)在2012 年提出的《铁路技术战略2012》( The Rail Technical Strategy,简称RTS)战略指导下, 提岀铁路大数据整体框架。通过采集基础设施、车辆、现场工作人员、乘客、环境等数据, 汇集于数据中心搭建铁路大数据平台,形成铁路数据分析和信息增值服务,达到支持预测、 决策支持、控制、规划和实时信息服务等能力,实现自动列车、实时乘客信息服务、智能资 产维护,提高铁路安全性、改善人力管理的效率。 为提高运输安全性,哈德斯菲尔德大学铁路系统的大数据风险分析(BDRA)项目正在硏

周期成本因素关联起来，并制定最佳的建议措施以及财务估算和可行的替代方案。 瑞士国家重点科研计划（NFP）大数据专项于 2017 年正式启动，该专项内容包括大数据 信息技术板块（大数据分析基础性研究、大数据基础设施构架、数据库和计算中心）和大数 据应用板块（对大数据在交通、灾害等领域的应用展开基础性研究）。 （三）瑞典 瑞典铁路运用大量数据进行基础设施管理，这些数据来源于数百个不同的数据源。对于 铁路资产管理，大量的信息需要获取和分析以评估整体状况、维护、资金支出和铁路轨道检 测。需搜集的信息包括轨道可用性、轨道使用时间、轨道状态、历史工作记录、工作详细记 录等。轨道状态的检测主要包括连续的和断点式的自动检测车的检测、日常巡查的人工检测 和服务故障记录[4-5] 。瑞典铁路大数据管理系统主要模块见图 2。 图 2 瑞典铁路大数据管理系统主要模块 （四）英国 英国铁路安全和标准化委员会（Rail Safety and Standards Board，简称 RSSB）在 2012 年提出的《铁路技术战略 2012》（The Rail Technical Strategy，简称 RTS）战略指导下， 提出铁路大数据整体框架。通过采集基础设施、车辆、现场工作人员、乘客、环境等数据， 汇集于数据中心搭建铁路大数据平台，形成铁路数据分析和信息增值服务，达到支持预测、 决策支持、控制、规划和实时信息服务等能力，实现自动列车、实时乘客信息服务、智能资 产维护，提高铁路安全性、改善人力管理的效率。 为提高运输安全性，哈德斯菲尔德大学铁路系统的大数据风险分析（BDRA）项目正在研

究如何有效组合并利用铁路的多源大数据,以便更好地了解英国铁路系统和它们所处的环境 。BDRA在风险评估的精确性上有很大提升,因为它是对所有风险相关数据进行统计分析 而不是从有限的抽样数据中评估风险概率,因此减少了对依赖于假设和简化的风险评估模型 的使用。迄今为止,BDRA已经对信号数据和事故报告进行了分析,分析结果用来评估存在 风险的列车数量。初步的研究结果表明,BDRA可服务于英国铁路安全和风险管理,但在下 一步的研究中,需要采用新的风险分析技术、语义技术、交互式可视化技术来执行数据分析 和专用的计算机系统。 (五)意大利 意大利铁路公司 Trenitalia近年来利用大数据开展了机车车辆数字化的预测性维护, 利用动态检修管理系统( Dynamic Management Maintenance System,简称DMS)把物联网、 分析技术和内存计算技术结合起来。DMS的主要功能包括列车设备状况实施监控、故障发 生短期诊断、维护工作动态规划、部件剩余使用寿命预测等。DMMS使得整个检修工作全面 数字化,它通过对列车上几百个传感器采集的大量数据进行分析、计算,预测出即将发生故 障的部件,从而采取相应的措施。这种检修方法能够把机车车辆检修成本降低达8%。 (六)法国 2011年以来,法国公共数据开放得到了稳步发展,无论从参与公共数据开放的机构数 目、已开放的数据集总量,还是从根据开放数据开发的应用项目来看,法国已成为全球公共 数据开放领域领先的国家之一。法国国家铁路公司(SNCF)以创新的合作伙伴网络为旅客日 常生活提供新服务为宗旨,面向开发者推出了数据开放。 在检修管理应用方面,法国铁路SNCF最近与美国IBM公司签订协议,利用该公司的IBM Watson物联网平台、大数据云计算技术以及自己开发的专用工业传感器,对列车以及铁路 基础设施进行远程监控并为预测性维护创造条件。当前,巴黎通勤列车装备有2000个传感 器,它们每月可以传输70000个数据点的信息,使得法国铁路公司的技术人员可以同一时 间对200个列车的状态进行远程监测,以便及时发现潜在的问题,包括诸如空调设备和车门 等故障问题,省去了列车段的人工检查,也能防止服务中断以及更昂贵的维修工作 美国 铁路大数据的应用,包括采集数据、分析数据、智慧决策等过程,其热点问题皆有美国 铁路行业的应用案例如。美国联邦铁路管理局(FRA)很重视铁路大数据的应用,2002年以 来启动了多项涉及大型数据库、图像处理、神经网络、机器学习等项目間(见表1)

究如何有效组合并利用铁路的多源大数据，以便更好地了解英国铁路系统和它们所处的环境 [6] 。BDRA 在风险评估的精确性上有很大提升，因为它是对所有风险相关数据进行统计分析， 而不是从有限的抽样数据中评估风险概率，因此减少了对依赖于假设和简化的风险评估模型 的使用。迄今为止，BDRA 已经对信号数据和事故报告进行了分析，分析结果用来评估存在 风险的列车数量。初步的研究结果表明，BDRA 可服务于英国铁路安全和风险管理，但在下 一步的研究中，需要采用新的风险分析技术、语义技术、交互式可视化技术来执行数据分析 和专用的计算机系统[7] 。 （五）意大利 意大利铁路公司 Trenitalia 近年来利用大数据开展了机车车辆数字化的预测性维护， 利用动态检修管理系统（Dynamic Management Maintenance System，简称 DMMS）把物联网、 分析技术和内存计算技术结合起来。DMMS 的主要功能包括列车设备状况实施监控、故障发 生短期诊断、维护工作动态规划、部件剩余使用寿命预测等。DMMS 使得整个检修工作全面 数字化，它通过对列车上几百个传感器采集的大量数据进行分析、计算，预测出即将发生故 障的部件，从而采取相应的措施。这种检修方法能够把机车车辆检修成本降低达 8%[8-9] 。 （六）法国 2011 年以来，法国公共数据开放得到了稳步发展，无论从参与公共数据开放的机构数 目、已开放的数据集总量，还是从根据开放数据开发的应用项目来看，法国已成为全球公共 数据开放领域领先的国家之一。法国国家铁路公司（SNCF）以创新的合作伙伴网络为旅客日 常生活提供新服务为宗旨，面向开发者推出了数据开放。 在检修管理应用方面，法国铁路 SNCF 最近与美国 IBM 公司签订协议，利用该公司的 IBM Watson 物联网平台、大数据云计算技术以及自己开发的专用工业传感器，对列车以及铁路 基础设施进行远程监控并为预测性维护创造条件。当前，巴黎通勤列车装备有 2 000 个传感 器，它们每月可以传输 70 000 个数据点的信息，使得法国铁路公司的技术人员可以同一时 间对 200 个列车的状态进行远程监测，以便及时发现潜在的问题，包括诸如空调设备和车门 等故障问题，省去了列车段的人工检查，也能防止服务中断以及更昂贵的维修工作[10-11] 。 三 美国 铁路大数据的应用，包括采集数据、分析数据、智慧决策等过程，其热点问题皆有美国 铁路行业的应用案例[12] 。美国联邦铁路管理局（FRA）很重视铁路大数据的应用，2002 年以 来启动了多项涉及大型数据库、图像处理、神经网络、机器学习等项目[13] （见表 1）

表1FRA开展的大数据相关项目 序号 项目名称 项目年份 基于轨道几何数据的作用力估算 动态模拟的神经网络 2345 接头夹板检测系统 09 虛拟车辆 轨道几何异常自动校订 机器视觉学习 2013 789 混凝土轨枕的机器视觉 2014 基于风险的调度优先 基于天气建模的轨道温度预测 016 被动非接触高速轨道检测 2016 11 基于仿真的断轨脱轨风险分析 由数据驱动和缺陷退化建模的轨道养护维修方案优化 2017 现有变化检测软件在铁路环境的应用 2017 从智能数据平台、基础设施运维管理、客户服务、风险分析等方面,介绍美国铁路大数 据的研究与应用成果 (一)混搭型智能数据平台 虽然在大数据的背景下得以获取大量行业相关数据,然而支离破碎、未受保护、无法访 问、质量低下的不良数据只会带来糟糕的业务结果。出于这方面考虑,互联网和数据服务公 司提出了智能数据平台的概念,旨在让数据实现自我组织,保证数据安全可靠, Informatica 在2014年发布了新型的智能数据平台。 在通用的智能数据平台基础上,一些公司针对铁路行业的特点开发了定制化的数据平台 Railinc公司自2015年开始从传统的数据仓库向大数据方向转变,近年来针对于铁路行业 开发的混搭型智能数据平台(见图3)包括元数据自助管理、ELT层、 Wandisco支持的数据 存储和备份等层面。该混搭型智能数据平台在机器学习和数据分析部分,运用 Spark进行流 数据分析,利用SAS进行历史数据分析。利用智能数据平台一方面可以提高铁路行业产值, 如进行预测性维护、ETA预测、设备故障分析的模型优化等:另一方面可以优化铁路运营管 理,如车队管理模拟、系统异常探测、商业决策制定等圊

表 1 FRA 开展的大数据相关项目 序号 项目名称 项目年份 1 基于轨道几何数据的作用力估算 2002 2 动态模拟的神经网络 2007 3 接头夹板检测系统 2009 4 虚拟车辆 2010 5 轨道几何异常自动校订 2010 6 机器视觉学习 2013 7 混凝土轨枕的机器视觉 2014 8 基于风险的调度优先 2014 9 基于天气建模的轨道温度预测 2016 10 被动非接触高速轨道检测 2016 11 基于仿真的断轨脱轨风险分析 2017 12 由数据驱动和缺陷退化建模的轨道养护维修方案优化 2017 13 现有变化检测软件在铁路环境的应用 2017 从智能数据平台、基础设施运维管理、客户服务、风险分析等方面，介绍美国铁路大数 据的研究与应用成果。 （一）混搭型智能数据平台 虽然在大数据的背景下得以获取大量行业相关数据，然而支离破碎、未受保护、无法访 问、质量低下的不良数据只会带来糟糕的业务结果。出于这方面考虑，互联网和数据服务公 司提出了智能数据平台的概念，旨在让数据实现自我组织，保证数据安全可靠，Informatica 在 2014 年发布了新型的智能数据平台。 在通用的智能数据平台基础上，一些公司针对铁路行业的特点开发了定制化的数据平台， Railinc 公司自 2015 年开始从传统的数据仓库向大数据方向转变，近年来针对于铁路行业 开发的混搭型智能数据平台（见图 3）包括元数据自助管理、ELT 层、Wandisco 支持的数据 存储和备份等层面。该混搭型智能数据平台在机器学习和数据分析部分，运用 Spark 进行流 数据分析，利用 SAS 进行历史数据分析。利用智能数据平台一方面可以提高铁路行业产值， 如进行预测性维护、ETA 预测、设备故障分析的模型优化等；另一方面可以优化铁路运营管 理，如车队管理模拟、系统异常探测、商业决策制定等[14]

数据处理 智能数据平台 日志 实时流 R辛 元数据自助管理 ELT抽象层 设备数据 目 转换 费 文件 批处理 主动备份 关 图3 Railinc混搭型智能数据平台 (二)基础设施运维管理 美国铁路比较关注运用大数据技术优化基础设施状态管理和养护维修计划,通过对桥梁、 道岔、钢轨磨损、轨道几何等数据的分析和状态预测,有效防范事故发生,从而保障铁路行 车安全 1.铁路资产臂理 2011年美国货运铁路启动了“资产健康战略计划”( Asset Health Strategic Initiative, 简称AHSI),AHSI对各个铁路公司分别收集和存储的大量数据进行分析,并由此解决行业内 最关键的铁路设备管理与维护问题。ASⅠ建立在以往的关于监控铁路车辆健康情况的EHS 计划之上,组件跟踪程序可在全国140000英里铁路网范围内轻松地跟踪并监测6种类型的 车辆组件。在ASI开发之前,铁路公司主要依靠轨旁设备监测组件的磨损迹象,然而列车 往往在多铁路公司的范围内运行,而监测数据却不共享,铁路公司仅能够掌握车辆在自己轨 道上运行的状况,由此便延缓了对潜在问题的诊断和维护。AHSI正在汇集这些铁路数据库 允许全国范围内的铁路公司和车辆拥有企业共享信息并制定更好的车辆维修、保养和运行决 策以提高铁路安全性。尽管AHSI仍在运用初期,据统计,在2015年使用大数据来识别运行 状况不佳的车辆已经避免了1000多次服务中断。 Ensco公司开发了基于GIS的铁路钢轨状态监测系统,用来进行资产管理、判断钢轨状 态、智能制定维修决策等。该系统输入的数据来源多样,包括轨道检测车(TM)、轮轨间监 测器(V/ TI Monitors)、移动定称(IMwS)、相关文件等。其中,轨道检测车获取的数据输 入虚拟轨道行走器软件(ⅥTw),该软件通过对检测数据的分析,允许使用者标记钢轨缺陷

图 3 Railinc 混搭型智能数据平台 （二）基础设施运维管理 美国铁路比较关注运用大数据技术优化基础设施状态管理和养护维修计划，通过对桥梁、 道岔、钢轨磨损、轨道几何等数据的分析和状态预测，有效防范事故发生，从而保障铁路行 车安全。 1.铁路资产管理 2011 年美国货运铁路启动了“资产健康战略计划”（Asset Health Strategic Initiative， 简称 AHSI），AHSI 对各个铁路公司分别收集和存储的大量数据进行分析，并由此解决行业内 最关键的铁路设备管理与维护问题。AHSI 建立在以往的关于监控铁路车辆健康情况的 EHMS 计划之上，组件跟踪程序可在全国 140000 英里铁路网范围内轻松地跟踪并监测 6 种类型的 车辆组件。在 AHSI 开发之前，铁路公司主要依靠轨旁设备监测组件的磨损迹象，然而列车 往往在多铁路公司的范围内运行，而监测数据却不共享，铁路公司仅能够掌握车辆在自己轨 道上运行的状况，由此便延缓了对潜在问题的诊断和维护。AHSI 正在汇集这些铁路数据库， 允许全国范围内的铁路公司和车辆拥有企业共享信息并制定更好的车辆维修、保养和运行决 策以提高铁路安全性。尽管 AHSI 仍在运用初期，据统计，在 2015 年使用大数据来识别运行 状况不佳的车辆已经避免了 1000 多次服务中断[15] 。 Ensco 公司开发了基于 GIS 的铁路钢轨状态监测系统，用来进行资产管理、判断钢轨状 态、智能制定维修决策等。该系统输入的数据来源多样，包括轨道检测车（TMV）、轮轨间监 测器（V/TI Monitors）、移动定称（IMWS）、相关文件等。其中，轨道检测车获取的数据输 入虚拟轨道行走器软件（VTW），该软件通过对检测数据的分析，允许使用者标记钢轨缺陷

并可自动给出缺陷部位的里程和坐标,减轻了工务人员定位钢轨缺陷的工作量。钢轨状态监 测系统(见图4)有3个主要模块:第1个模块是数字化钢轨记录(DTN),该模块主要用于 生成管理报告:第2个模块是钢轨检査工具( TrackIT),帮助使用者准确地了解钢轨资产的 位置和状况:第3个模块是维修自动推荐,该模块可使管理人员在办公室内对应该养护维修 的区域一目了然,方便人力物力的调度管理。钢轨状态监测系统同时接入了GIS和SAP系统 可以共享地理位置信息和派遣工单。 轨道检测车(TMv) 轮轨间检测器(V/T 检查条目 移动定称(MWS)相关文件 虚拟轨道行走器(VTW) 钢轨状态监测系统(RTcM) SAP GIS 数字化钢轨记录 钢轨检查工具 维修自动推荐 (DTN) (TrackIT) 监管报告 专业报告 办公审查系统 图4钢轨状态监测系统(RTcM 2.预测性维护 美国 Strukton公司开发了预测性维护和故障诊断系统PoSS,其目标是在早期阶段识别 资产的衰退,帮助分析师将注意力集中在衰退资产上,优化维修间隔,以减少维修成本和故 障,其基于数据的维修管理流程见图5 此外, Strukton运用聚类和SPC模型预测道岔的状态,从而确定有必要进行维修的道 岔。目前25%~35%的道岔故障可以通过耗能数据准确预测出来,下一步 Strukton准备加入 控制数据,将模型的准确率提升到50%~70%

并可自动给出缺陷部位的里程和坐标，减轻了工务人员定位钢轨缺陷的工作量。钢轨状态监 测系统（见图 4）有 3 个主要模块：第 1 个模块是数字化钢轨记录（DTN），该模块主要用于 生成管理报告；第 2 个模块是钢轨检查工具（TrackIT），帮助使用者准确地了解钢轨资产的 位置和状况；第 3 个模块是维修自动推荐，该模块可使管理人员在办公室内对应该养护维修 的区域一目了然，方便人力物力的调度管理。钢轨状态监测系统同时接入了GIS和SAP系统， 可以共享地理位置信息和派遣工单[16] 。 图 4 钢轨状态监测系统（RTCM） 2.预测性维护 美国 Strukton 公司开发了预测性维护和故障诊断系统 POSS，其目标是在早期阶段识别 资产的衰退，帮助分析师将注意力集中在衰退资产上，优化维修间隔，以减少维修成本和故 障，其基于数据的维修管理流程见图 5。 此外，Strukton 运用聚类和 SPC 模型预测道岔的状态，从而确定有必要进行维修的道 岔。目前 25%～35%的道岔故障可以通过耗能数据准确预测出来，下一步 Strukton 准备加入 控制数据，将模型的准确率提升到 50%～70%[17]

故障模式 响及危害分析 工具 数据获 智能算法资产状态 优化维修计划 持绩改攻进 实施雄修 取系统 提取相关信息 维修报告 分析 趋势分析 营支持 维修通知 控制空间 图4 Strukton基于数据的维修管理流程 IBM针对二级轨道几何缺陷,采取回归模型结合深度学习的方法,对钢轨磨损进行了预 测,其工作流程见图6。在数据采集方面,收集了行车、脱轨、轨道几何数据、历史维修数 据,并在时间、空间、资产属性等方面对校准和测量误差进行调整。预测模型采用了回归分 析与深度学习相结合的方法,钢轨退化和磨损的预测指标包括使用时间、电流振幅、行车量、 钢轨等级/速度、其他几何缺陷等。在人工评级方面,通过人工少量标注结合机器学习的方 法,建立脱轨风险模型。在此基础上,通过脱轨概率、不冋级别缺陷花费、脱轨花费等信息 建立优化模型,从而决策是否需要对某种钢轨缺陷进行整改维修。最后,对于需要维修的工 作制定长期计划、中期计划和日计划 调整 采集 空同校准和测量误差 预测 深度学习 评级人为判断 机器学习 脱轨风险 优化 所需工作 实施长期计划中期计划日计划 鹛 图5IBM钢轨磨损预测性维护流程 3客户服务 Amtrak公司利用大数据来提升乘客的互动和体验,该公司将列车运行图与谷歌地图

工具 故障模式、影 响及危害分析 分析 趋势分析 运营支持 控制空间 &报告 持续改进 循环 智能算法 提取相关信息 实施维修 资产状态 警报 维修通知 优化维修计划 维修报告 数据获 取系统 图 4 Strukton 基于数据的维修管理流程 IBM 针对二级轨道几何缺陷，采取回归模型结合深度学习的方法，对钢轨磨损进行了预 测，其工作流程见图 6。在数据采集方面，收集了行车、脱轨、轨道几何数据、历史维修数 据，并在时间、空间、资产属性等方面对校准和测量误差进行调整。预测模型采用了回归分 析与深度学习相结合的方法，钢轨退化和磨损的预测指标包括使用时间、电流振幅、行车量、 钢轨等级/速度、其他几何缺陷等。在人工评级方面，通过人工少量标注结合机器学习的方 法，建立脱轨风险模型。在此基础上，通过脱轨概率、不同级别缺陷花费、脱轨花费等信息 建立优化模型，从而决策是否需要对某种钢轨缺陷进行整改维修。最后，对于需要维修的工 作制定长期计划、中期计划和日计划[18] 。 图 5 IBM 钢轨磨损预测性维护流程 3.客户服务 Amtrak 公司利用大数据来提升乘客的互动和体验[19] ，该公司将列车运行图与谷歌地图

相结合,开发实时列车定位地图,通过该网站访客可以访问有关美铁列车的最新信息。此外 Amtrak公司通过数据预测进行火车餐车食物配备以实现忠诚度营销 列车实时定位项目(RTⅥL)根据现有系统提供的数据可以每30s对旅客列车进行追踪 和定位,正因为此,基于RTVL的手机应用 SEPTA为乘客带来了新的服务体验。乘客在 SEPTA 上可以查看列车时刻表、车辆的位置信息和调度安排,还可以对城市与郊区的换乘信息 了然。与此同时,铁路系统也可以借助 SEPTA收集乘客的相关信息, 4.风险分析 在风险分析方面,新泽西州立大学开展了基于仿真的断轨风险分析。该研究提出了 个综合的断轨脱轨风险分析和模拟框架,用来了解风险的变化,以应对轨道条件、运营和规 则的变化。研究开发了贝叶斯分析框架,以预测钢轨断裂的概率,使用多元数据分析预测脱 轨的影响,并评估不同风险管理策略的效果。该硏究提出的断轨风险分析流程见图7。 输入 输出 分段里程 钢轨年龄 交通量 预测钢轨断裂概率 断裂钢轨脱轨风脸 曲率 断裂钢轨脱轨风险 刂车长度&速度 缺陷历史和其他 图6断轨风险分析流程 三日本 日本是一个高度信息化的国家,自20世纪50年代以来就以信息化立国,以运输为代表 的基建行业随着信息化和物联网的发展,大数据技术在铁路行业得到了广泛的应用。如开发 列车货物运输版的GIS系统使用户实时掌握货物运输动态,为铁路货运的用户和工作人员提 供有益的分析和判断信息;开发席位种类设定计划系统提高坐席利用率和旅客便利性

相结合，开发实时列车定位地图，通过该网站访客可以访问有关美铁列车的最新信息。此外， Amtrak 公司通过数据预测进行火车餐车食物配备以实现忠诚度营销。 列车实时定位项目（RTVL）根据现有系统提供的数据可以每 30 s 对旅客列车进行追踪 和定位，正因为此，基于 RTVL 的手机应用 SEPTA 为乘客带来了新的服务体验。乘客在 SEPTA 上可以查看列车时刻表、车辆的位置信息和调度安排，还可以对城市与郊区的换乘信息一目 了然。与此同时，铁路系统也可以借助 SEPTA 收集乘客的相关信息。 4.风险分析 在风险分析方面，新泽西州立大学开展了基于仿真的断轨风险分析[13] 。该研究提出了一 个综合的断轨脱轨风险分析和模拟框架，用来了解风险的变化，以应对轨道条件、运营和规 则的变化。研究开发了贝叶斯分析框架，以预测钢轨断裂的概率，使用多元数据分析预测脱 轨的影响，并评估不同风险管理策略的效果。该研究提出的断轨风险分析流程见图 7。 分段里程 钢轨年龄 年交通量 钢轨尺寸 曲率 维修 列车长度&速度 缺陷历史和其他 因素 输入 预测钢轨出现缺陷的概率 预测钢轨断裂概率 断裂钢轨脱轨风险 建模 断裂钢轨脱轨风险 模拟 输出 图 6 断轨风险分析流程 三 日本 日本是一个高度信息化的国家，自 20 世纪 50 年代以来就以信息化立国，以运输为代表 的基建行业随着信息化和物联网的发展，大数据技术在铁路行业得到了广泛的应用。如开发 列车货物运输版的 GIS 系统使用户实时掌握货物运输动态，为铁路货运的用户和工作人员提 供有益的分析和判断信息；开发席位种类设定计划系统提高坐席利用率和旅客便利性