摘要：根据目前城市轨道交通信号系统的运维现状，分析了未来地铁信号系统运维技术的发展方向；针对信号系统日常运营维护的适用性，展开对信号系统智能运维方案的研究；提出了一种构建线网级运维平台对线路进行综合维护管理的方案，围绕平台架构、接口方案、关键技术等方面进行了分析。相比传统的信号系统运维方式，基于人工智能的信号系统运维方案，更有利于提升系统维护管理的自动化程度。
关键词：城市轨道交通；信号系统；智能运维技术；维护管理；人工智能
一、引言
对列车运营来说，安全是需要予以高度关注的问题。城轨交通信号系统在此过程中发挥着关键性作用，决定着列车能否安全运营。当然为发挥其定位价值，就需要处理好信号设备维护工作。不同信号设备、系统在使用中很难兼容。并且不同线路有着相对独立的运维工作。线路运维期间，需要做好人员、设备的优化处理。运营过程中，不同线路信号系统需要采收大量信号数据，而以当前的条件来看，数据分析与数据挖掘能力是不足以支撑信号系统运营需求的。当前国内地铁系统在信号运维中采用的是计划修与实时监测结合模式。今后轨道信号系统在运维中，需要引入更加合理、先进的技术，提升水平，朝向综合、网络、智能结构进步。
二、智能运维现状
所谓的智能运维实际上就是自动化运维对于人工智能的使用，其依靠深度学习与机器学习这两项技术，完成了对运输数据、运维数据的充分分析与学习，能够生成可以自动监控网络状态的结构。该过程类似于人类大脑对数据的深度处理，获知异常状态成因，实现了对生成规则的持续性优化，能够保障系统更好的适应实际运维需求。
（一）特点
智能运维借助深度学习系统得到了提前预测设备故障的能力，可以在实践中不断优化自己的规则，获得更加科学、合理、可行的故障处理方案，有效扼杀故障隐患。智能运维可以很好的取代人工分析办法，获得更有效率的数据信息处理能力。该过程中实现了人力成本的控制，并且可以规避人力计算、人力分析出现的疏忽，保障系统运维质量、自动化水平。
（二）应用
现如今智能运维深度学习已经成为了非常常见的情况，语音识别、语言范围、机器视觉都有对深度学习广泛的运用。比如全自动汽车中就利用机器视觉技术用于感知周围环境，并配合汽车性能调控车辆的运行方向和速度。再比如无人机借助协同策略合理分工无人机组任务[1]。以上案例印证的是当前人工智能技术的进步与成熟。事实上城轨交通中的信号系统也有充分利用智能运维这项技术，其作用于监测系统的维护当中。当然故障报警、报表生成、实时状态监控、数据量采集、开关量采集等也在运用该技术。甚至还可以用专家决策技术定位与诊断故障，用增加采集模块的办法活精准分析数据。现如今所用的维护系统甚至能够做到对线路信号设备的实施诊断和监控。当然在线网层面的趋势分析与故障诊断仍体现出很大的不足。
（三）需求
信号运维工作主要就是系统监控、系统评估与故障诊断，当然有些高级的设备还包括故障设备恢复与维修。在智能运维被引入到轨道信号系统运维以后，功能层面角度不仅实现与达成了基本状态有效监测、故障预警、故障诊断、健康评估，同时还能够充分预测故障信息，可以在维修中为系统、工作人员提供相应指导和帮助。结构层面有必要不断拓展线路级别，直至达到线网级别运维[3]。并处理好线路级别之间的关系，集中监测运维线网，保障运维效率。利用运维人员经验与深度学习，分析搜集所得数据，从中提炼规则，不断调整和演变规则，帮助机器获得更加丰富的经验，其对维修管理、维修决策有很大帮助。
三、方案设计
（一）系统架构
地铁信号系统智能运维平台分为中央线网运维中心和线路级运维保障接入分支，在线路级运维保障层面，各车站的维护监测设备直接采集室内电源设备状态和室外轨旁设备状态，由控制中心管理在线列车信息。线路级运维保障设备通过骨干网，将采集的数据传输到线网运维中心，线网运维中心对各线路采集数据分布进行汇总处理，通过显示终端进行分类显示。在线路的车站信号设备室、车辆段／停车场的信号设备室以及控制中心，均设置采集监测终端设备，采集的信息包括室外轨旁设备（如转辙机、信号机、计轴等）、车载、绝缘电缆、室内ＡＴＣ机柜和电源设备等相关信息。线路采集的信息可同步显示在线路级和线网级的各个显示终端，线路级运维终端分机接收并处理线网运维中心下发的信息[2]。
（二）接口方案
根据信号系统对智能运维的需求分析，以及信号系统智能运维平台架构，平台要实现对全线网信号系统的在线监测和维护，需要同各线路信号系统通过外部接口进行数据传输。接口分为内部线网运维中心到线路各个终端分机的接口，以及线路级终端分机与信号系统各子系统之间的外部接口地铁信号系统智能运维平台与信号系统的接口中，与ＡＴＳ系统的接口主要接收来自ＡＴＳ子系统的线路数据库版本、运营列车车次号、操作日志等信息；与ＺＣ和ＣＩ系统的接口负责接收列车位置、区段占用状态、道岔位置等信息；与轨旁信号设备的接口主要采集信号机、转辙机、轨道电路、紧停按钮等设备工作状态参数；与电源设备的接口是采集电源系统供出电流电压参数、各模块工作状态参数等。线路级运维终端分机通过内部接口，将采集到的信号系统数据信息上传到线网运维中心，由线网运维中心再将数据处理结果下发到线路级终端分机。
（三）关键技术
线网运维中心需要接收来自线路各采集分机的大量数据，对这些数据进行分类存储、筛选、计算和分析，需要用到大数据存储技术和深度学习的人工智能技术[3]。
1.大数据存储
大数据在这里指现场采集的海量并需要长期保存的数据。大数据存储技术的作用：①对海量维护数据进行存储，方便用户随时查看历史数据，并为大数据分析提供可靠的数据来源；②保障数据传输的可靠性，当应用层出现故障时，能够在数据中心可靠保存维护数据。大数据存储技术的实现过程是在数据中心的客户端，接收消息中间件发送的数据后，由分布式文件系统实现对接收数据的持久化存储；同时将需要处理的数据提取到数据中心与应用层之间的消息中间件，供上层应用进行数据分析。
2.深度学习
深度学习可以理解为通过大量数据样本进行训练，从而发现数据的分布式特征表现形式。基于深度学习技术的数据分析，可以为信号系统设备的健康状态评估、现场维修提供有效支持。应用深度学习理念进行数据分析，在既定的部分规则下，系统将通过对数据及其引用场景的理解，得到更多人工尚未发现的特征，并实现从现有数据理解发展到未来趋势的预测。在学习大量的历史运维数据后，系统所能做出的预测将更为准确。以道岔动作电流分析过程为例，传统的道岔动作电流监测是将某一周期采集到的动作电流，对照标准动作电流范围，直接得出动作电流是否正常。上述方式虽然完成了对道岔动作电流的实时监测，却无法在预防性维修上给出更多的指导。而基于深度学习技术的数据分析方式，则是通过对大量样本数据的训练，在标准动作电流范围内，根据样本数据变化的规律，训练出更符合现场道岔动作电流变化，且满足标准范围的一个指导范围。
总之，参照城轨交通对信号系统的运维要求，包括智能运维这一技术当前的实际情况和趋势，本文将运维理念用在了信号系统的保障方案当中，也就是打造线网级运维平台，自动化处理线路。该方案能够很好的预测故障，保障系统稳定性、可靠性。
参考文献
[1]常浏凯,谭华.地铁信号设备在线监测系统设计与实现[J].铁路计算机应用,2015,24(03):54-56+60.
[2]周庭梁,张兵建.地铁的信号维护支持系统[J].城市轨道交通研究,2010,13(08):101-104.
[3]蔡爱华,季锦章.地铁信号系统的现状及发展趋势[J].电子工程师,2000(05):1-6.