基于知識圖譜技術的城市軌道交通智能運維方法

袁 超 陳超錄 青 怡 郭 健

（1.株洲中車時代電氣股份有限公司，湖南株洲 412001；2.青島海信網絡科技股份有限公司，山東青島 266000）

0 引言

傳統軌道交通設備的運維工作主要依賴人工經驗，但是隨著地鐵的高速發展，開通線路逐漸增加，運行里程不斷加長，設備資產種類繁多且規模持續擴大，導致維修保養工作量大、維護成本高、及時性欠缺、統籌能力不足。僅依靠人工經驗進行設備的故障分析和維修，已難以適應不斷提升的運營安全服務需求。因此，構建基于知識圖譜技術的城市軌道交通設備運維系統，將設備的歷史故障及維修經驗轉化為有價值的知識，構建以故障分析、維修策略、參考資料、工器具為中心的知識庫，實現故障快速分析定位，針對性生成維修策略，并提供關聯參考資料和維修工器具，輔助維修人員更快速、高效地發現和解決故障，從而為整個軌道交通的運營安全提供可靠保障[1]。

1 知識圖譜技術

知識圖譜是一種用圖模型描述知識和建模世界萬物之間關聯的技術方法。隨著互聯網的快速發展，全球數據總量爆炸性增長，傳統的數據存儲和檢索方式已經無法支撐人們對數據信息資源的全面掌握。此時，知識圖譜技術應運而生，以網狀結構將數據信息進行存儲，并根據用戶多樣的需求，將知識進行加工和推理，方便用戶獲取更準確的知識信息[2]。

知識圖譜的基本組成是“實體—關系—實體”的三元組，多個實體間以多種關系進行關聯，構成了龐大而復雜的網狀結構[3]。其中，網狀結構的節點表示實體或者屬性，邊表示它們之間的關聯關系。知識圖譜主要包含的節點有以下3點。第一，實體指客觀世界中的具體事物，如某個城市、某條線路、某個車站等。實體是知識圖譜中的基礎，不同的實體間存在不同的關系。第二，屬性與實體進行關聯，用于表示實體的具體特征或內在信息，比如某個人的身高、年齡等。第三，關系，即實體間的關聯關系，比如北京是中國的首都，首都就是北京和中國的關聯關系。

知識圖譜的構建通常分為自頂向下和自底向上兩種方式，自頂向下指的是先為知識圖譜定義好本體與數據模式，再將實體加入知識庫。該構建方式需要利用一些現有的結構化知識庫作為其基礎知識庫。自底向上指的是從一些開放鏈接數據中提取實體，選擇其中置信度較高的數據加入知識庫，再構建頂層的本體模式。兩種方法各有優劣，自頂向下法較好體現概念間層次，但人工依賴性強、模式層更新受限，適用于數據量小且專業性較強領域的知識圖譜構建；自底向上法更新快、支持大數據量的知識圖譜構建，但知識復雜度大、準確性不高；混合方法靈活性強，但模式層構建難度大。

知識圖譜通過對指定數據源新增數據進行知識抽取以持續補充和豐富知識庫。構建知識庫是持續更新迭代的過程，數據源質量越高、數據抽取越全、與已有知識融合越準確，知識庫的可用性就越好，知識庫的更新步驟有3個步驟。第一，知識抽取，即從與知識庫相關的數據源中自動抽取相關實體、屬性及關系等知識。第二，知識融合，即將抽取到的新知識與知識庫已有知識進行融合，對重復、相近、錯誤知識進行相應處理和整合，實現知識消歧。第三，知識加工，對經過融合的知識進行質量評估，通過將新知識存入知識庫，確保知識庫的質量。

2 城市軌道交通運維知識圖譜構建

城市軌道交通在日常運維過程中會產生海量的數據。如何將這些數據組織成有效的運維知識庫，為設備故障維修提供專業支撐，設計軌道交通運維工作向智慧化發展[4]。這些數據大致可以分為3類，一是運營公司多年運維經驗編制形成的常見故障處理手冊，故障處理手冊是地鐵運營公司運維工作的標準手冊，是高度標準化、結構化的運維數據。二是運維系統記錄的設備運維數據，如設備故障信息、故障原因、故障處理流程等，歷史運維數據同樣是結構化數據，但受限于運維人員填寫數據不規范等諸多因素，需要對數據進行處理后才可形成知識。三是設備配套的維修指南、圖紙、說明書等，此部分數據為非結構化數據，且內容繁多，抽取有效知識的難度較大。

2.1 基礎知識庫構建

由于軌道運維是專業性極強的垂直領域，知識圖譜的構建采用自頂向下的方式較為適合[5]。自頂向下的構建通常需要利用一些現有的結構化知識庫作為基礎知識庫，地鐵運營公司的常見故障處理手冊具備高度標準化、結構化的特征，可作為基礎知識庫構建的數據支撐。根據城市軌道交通設備維修的典型處理步驟，將知識庫的基礎結構構建如圖1所示，主要包含8類節點。

（1）故障信息，即故障的表征描述。

（2）故障分析，即通過故障信息，無法直接判斷故障所在位置，可通過故障分析步驟進行具體故障推斷。

（3）設備類型，即同一廠家、同一型號的一類設備。

（4）設備故障，即所屬某個設備類型的明確且具體的故障。

（5）可能原因，即導致具體設備故障的原因。

（6）處理步驟，即解決對應故障原因的處理步驟。

（7）工器具，即實施對應處理步驟所需工器具。

（8）參考資料，即實施對應處理步驟所需參考的資料或圖紙。

2.2 數據抽取與融合

常見的知識抽取與融合實現方案主要有兩種方案。

（1）基于深度學習的自然語言處理，從自然語言中抽取關鍵知識，與現有知識圖譜進行查詢及相似度計算，進行知識融合。此方案適用于自然語言領域，有海量數據做支撐，持續對算法模型進行調優的場景，技術難度和風險較高。

（2）利用分詞和關鍵詞提取、關鍵詞匹配和近義詞詞典，手動編寫提取規則，從故障表中抽取相關知識，與現有知識庫進行規則匹配，實現知識融合。該方案適用于數據量較小的場景，在專業性高的領域識別精確度很高，同時流程實現簡單[6]。

地鐵歷史運維數據為結構化數據，雖然受限于地鐵運維人員的描述不規范等原因，無法直接作為知識使用，但由于地鐵運維屬于專業性很強的領域，其詞匯量有限，因此選用方案二。結合歷史故障信息的數據內容（見表1），主要提取故障問題記錄、故障原因、處理措施3個字段的內容。

表1 歷史故障信息

利用分詞算法對抽取信息進行分詞，分詞結果為：

[“站臺”，“設備”，“區”，“無風”]

[“風閥”，“模塊”，“信號”，“卡滯”]

[“重啟”，“模塊”，“后”，“設備”，“恢復”，“正?！盷

將分詞結果與關鍵實體進行相鄰融合并嘗試匹配，匹配結果為：

[“站臺”，“設備區無風”]

[“風閥”，“模塊”，“信號卡滯”]

[“重啟模塊”，“后”，“設備”，“恢復正?！盷

經管理人員手動確認后完成知識融合，融合后的知識庫如圖2所示。

圖2 城市軌道運維知識新庫

3 城市軌道交通運維知識應用

隨著城市軌道交通網絡規模的快速增長，有經驗的運維人員被分配到持續增加的新線中，導致運維團隊的故障處理經驗和技術能力被迅速攤薄，高質量的運維知識庫將為運維工作提供如下重要的支撐。

（1）自動故障分析。通過與綜合監控系統數據打通，實現設備狀態的自動判斷與故障分析。比如，設備房溫度過高故障，原有的7個人工排查步驟，有5步由系統自動判斷實現，無需人工判斷，只有兩個步驟需要人工進行排查，極大地提高了故障分析的效率。

（2）智能維修策略。根據故障的初步自動分析結果，形成維修策略，提示運維人員提前準備好相關的工器具，同時提供相關的維修步驟指導，減少運維人員因準備不充分或對設備不熟悉引起的維修時間延誤，提高故障維修效率。

（3）快速資料檢索。維修人員可以在維修時同步查閱相關的資料，因不清楚電源拆卸螺絲點位可能引起部件損壞，可以根據知識庫關聯的參考資料直接電源拆卸圖，按圖進行維修處理。

4 結語

本文構建了基于知識圖譜技術的軌道交通智能運維知識庫，旨在將地鐵運維信息以圖的形式進行構建和存儲。當設備發生故障時，通過知識庫對故障進行自動分析排查，輔助維修人員進行故障快速定位，并制定精細化的智能維修策略，為運維人員提供故障維修指導，提高維修效率和設備安全水平。同時，提出知識抽取和融合技術，將新的運維知識持續更新和融入知識庫，不斷提升其質量，為軌道交通智慧運維提供有力支撐[7]。

目前，人工智能、云計算、大數據等高新技術已經在軌道交通行業有了越來越多的應用。而知識圖譜作為未來AI領域中的基礎數據容器，在軌道交通行業還沒有得到廣泛應用，利用知識圖譜技術對數據進行有效挖掘和整合，可以為軌道交通未來的高科技發展提供堅實的基礎。