面向轨道交通设备故障的人工智能辅助诊断系统应用研究

面向轨道交通设备故障的人工智能辅助诊断系统应用研究

刘佳王玥邈 朱闯闯

广州佳创软件有限公司         广州华佳软件有限公司    佳都科技集团股份有限公司          广东省 广州市  510000

摘要

随着轨道交通设备的数字化，自动化，智能化程度越来越高，传统的运维模式无法满足当前对复杂系统的高可靠性和高稳定性要求[1]。大模型技术是近年来人工智能发展的新方向，在自然语言处理领域和计算机视觉处理领域表现优异[2]。本文首先分析了传统的基于机器学习的人工智能辅助诊断技术在轨道交通领域的应用现状，并指出当前方法的不足之处；然后介绍了大模型技术的发展现状，根据大模型的优势，探讨了将大模型技术应用到轨道交通设备故障辅助诊断的可行性；最后以站台门专业为例，介绍了基于大模型技术的辅助诊断系统的应用情况。本文研究了大模型技术在轨道交通领域的应用，从故障排查指引、故障处置建议生成，故障处置流程自动化等方面提供智能化支持，助力地铁运维，提高地铁设备的可靠性和稳定性，保证人民的出行安全。

关键字：轨道交通；人工智能；辅助诊断；大模型

轨道交通设备故障诊断现状

随着城市轨道交通的快速发展，线网规模越来越大，各专业的设备数量也大幅度提升，随之而来的是运维工作量的大幅度增加。如何提高运维效率，减少人工及成本投入，成为当前需要面临的首要问题[3]。当前地铁的故障分析手段依旧以人工判断为主，高度依赖技术专家和经验丰富的运维人员，但是随着线网规模越来越大，稀有的经验丰富的技术人员无法满足激增的运维需求，导致设备疑难排查工作难以进行，故障的有效处置效率低下，存在故障隐患的设备数据居高不下的现象，严重影响了轨道交通设备的可靠度和稳定性。为了解决这一问题，学者们展开了研究，探索将专家知识和历史经验数字化，实现知识的长期积累和共享的方法。目前常见的方法有：故障树，专家系统和知识图谱等。

故障树分析方法[4,5]是通过对可能造成系统故障的各种因素进行分析，构建逻辑图，确定系统故障原因的各种可能组合及发生的概率，并最终计算系统的故障概率和导致故障发生的原因。构建故障树的过程是一个穷举故障原因的过程，需要掌握一定的领域知识和经验。维修人员根据构建好的故障树，分析设备故障的可能原因和故障路径，从而对设备故障进行精准定位。专家系统[6]是一种模拟人类专家决策和问题求解过程的人工智能系统，在故障诊断过程中，通过包含领域专家知识的规则库和推理机实现对设备故障的诊断。专家系统来自于拥有的专家知识，由描述问题状态的数据库、存放启发经验知识的知识库和对知识库的知识进行推理的推理机三个部分组成。专家系统本质上是基于一定规则的知识库匹配，当系统出现知识库中未曾见过的故障时，将无法提供正确的结果。知识图谱[7,8]是一种以图结构形式表征的结构化的语义知识库，用于描述物理世界中的概念及其相互关系。知识图谱将非结构化数据转换成实体，关系，实体的三元组，聚合大量知识，利用其强大的语义描述能力实现知识的快速响应和推理。通过信息抽取，知识融合，知识加工构建知识图谱，知识图谱的知识表达能力取决于预定义的本体，对新场景或未知问题的适应性较差。这三种方法都是根据领域知识构建规则和知识库，通过显式建模和推理的方式实现辅助故障诊断。这种显式建模的方式在面对复杂系统时推理能力有限；且灵活性有限，只能解决预先定义的问题，对未知问题的适应性差，同时在使用时需要用户掌握一定的机理知识，使用门槛较高。

大模型是一种生成式人工智能，凭借超大规模参数、深层神经网络结构和海量训练数据，拥有经典深度学习模型不具备的长上下文推理，涌现能力，思维链推理和通用性的特点，在自然语言处理，计算机视觉领域得到广泛应用[9]。当前故障辅助诊断技术存在推理能力有限，泛化性差，使用门槛高等问题，因此，将大模型技术应用到轨道交通设备故障辅助诊断中，能够发挥大模型在推理能力，零样本学习能力，通用性等方面的优势，有效提高故障辅助诊断水平。

基于大模型技术的辅助诊断应用

通用大模型是一种面向广泛任务设计的模型，具备跨领域的知识和能力，能够适配多种应用场景。但在解决特定领域的问题时，其专业性和性能明显不足，无法解决领域内的复杂问题。故障诊断领域专业术语多，知识门槛高，通用大模型在专业领域的表现能力不佳。因此，本文研究了面向轨道交通领域的行业大模型，通过长期积累的行业知识，专家经验，历史数据等领域内数据训练轨道交通领域专有模型。专有模型可以达到领域专家的水平，具备指导运维人员展开维修的辅助诊断能力。接下来，本文从三个方面介绍基于大模型技术的辅助诊断应用。

基于多轮对话的故障排查指导

轨道交通行业大模型通过生成式的方式回答用户的提问，具备长上下文推理能力和上下文理解能力，支持多轮对话。根据运维人员输入的故障现象描述，提供精准的回答，当故障现象描述较为模糊或不完整时，可以分条罗列出所有可能的故障原因，并逐步引导运维人员进行各项排查，根据排查结果反馈，最终精准定位故障，辅助运维人员完成设备检修与维修。相较于专家系统，知识图谱这种查询式的对话方式，大模型具备自然语言处理能力，能够以符合人类表达习惯的方式回答用户提问，人机交互性更好

[10]。运维人员只需正确描述故障现象即可，不需要掌握极强的专业术语。大模型作为生成式网络架构，可以更好的应对语义模糊或不确定性问题，具备高度的灵活性，降低了运维人员使用时的门槛。大模型还可以动态进行自我学习，通过持续录入的历史故障履历，自动积累行业知识。通过大模型辅助完成设备检修与维修，提升了故障处理效率，降低了人员使用的门槛，并且可以根据故障场景匹配其故障的影响范围，给出合理的处置建议。下图给出了一个故障处置中的人机对话过程，大模型通过引导运维人员给出更详细的故障现象描述，逐步分析，最终定位故障原因。

图 1 基于多轮对话的故障排查指导

结合分析结果的故障处置建议生成

轨道交通设备在运行过程中会产生实时设备状态数据，分析这一类数据可以诊断出设备的健康状态。传统的方式是采用基于数据驱动的方式或基于机理的方式构建诊断模型，完成相应任务。这种一个模型处理一个特定任务的方式虽然可以实现诊断，但无法将设备相关的所有维度数据整合分析，得出的结果往往是片面的，且随着模型增多，维护成本增加。轨道交通大模型支持多模态数据输入，根据设备的故障信息描述，结合设备的历史故障信息，实时故障信息，系统及设备的整体运行状态信息，综合给出本次故障的处置建议，辅助维修人员进行故障处理。降低对运维人员的技能要求，同时根据合理的处置建议，提高故障处置效率，降低维修保障成本。下图是结合分析结果的故障处置建议生成的整体流程，运维人员对每一次处置建议进行反馈，大模型根据反馈结果进行自学习优化，持续提升故障建议的合理性。

图 2 结合分析结果的故障处置建议生成

故障处置流程自动化

将轨道交通行业大模型集成到智能运维系统中，通过流程自动化指引，智能数据统计和报告自动生成等功能实现故障处置流程自动化，提高运维效率。在多轮对话排查故障界面，排查结束后可以根据分析结果直接生成故障工单，简化工单提报流程；根据数据统计分析结果自动生成巡检工单，对故障风险高的设备增加检修力度，合理分配资源，提高整体设备的可靠度；根据人员能力画像和人员实时在岗信息，大模型自动将工单分配给最合适的运维人员，提高了故障修复率和分配的合理度，简化了流程流转步骤。

结论

本文研究了将大模型技术应用到轨道交通设备故障的人工智能辅助诊断系统中。相较于故障树，专家系统和知识图谱等方法，大模型通过更符合人类表达习惯的多轮对话，辅助运维人员排查故障原因，实现故障精准定位；结合多模态数据的分析结果自动生成故障处置建议，提高了故障处置效率；最后结和智能运维系统，实现故障处置流程自动化，提高流程流转效率。轨道交通专业大模型结合专业知识，在轨道交通领域中具有极强的上下文推理能力和通用性等优势，应用前景十分光明，能够为行业发展带来显著的经济效益和社会价值[11]。

参考文献

[1]蔡宇晶,高凡,孟宇坤,等.城市轨道交通设备智能运维系统设计及关键技术研究[J].铁路计算机应用,2023,32(07):79-83.

[2]周臻,顾子渊,曲小波,等.城市多模式交通大模型MT-GPT:点线面的分层技术与应用场景[J].中国公路学报,2024,37(02):253-274.DOI:10.19721/j.cnki.1001-7372.2024.02.020.

[3]瞿羽宸.城市轨道交通机电设备智能运维发展及应用分析[J].上海建设科技,2024,(01):28-30+36.

[4]张振山.故障树在轨道交通综合监控系统中的应用[J].城市轨道交通研究,2014,17(04):129-132.DOI:10.16037/j.1007-869x.2014.04.026.

[5]丁思畅,严俊.基于故障树和蒙特卡罗方法的地铁车门可靠性分析[J].城市轨道交通研究,2024,27(10):188-192+198.DOI:10.16037/j.1007-869x.2024.10.032.

[6]张硕,田慕琴,霍鹏飞,等.基于一维卷积神经网络的定向钻机故障诊断专家系统设计[J].煤炭技术,2023,42(06):221-224.DOI:10.13301/j.cnki.ct.2023.06.051.

[7]张亮,吴闯,贾宇航,等.基于知识图谱与模糊贝叶斯推理的航空发动机故障诊断[J].空军工程大学学报,2024,25(04):5-12.

[8]李志博,李媛媛,蔡寅.卷积神经网络与知识图谱结合的轴承故障诊断[J].噪声与振动控制,2024,44(02):156-163.

[9]王硕,胡耀.大模型技术在城轨领域的应用研究及发展趋势分析[C]//中国国际科技促进会智慧城市轨道交通专业委员会.智慧城市与轨道交通2024.天津城市轨道咨询有限公司;天津轨道交通集团有限公司;,2024:5.DOI:10.26914/c.cnkihy.2024.029094.

[10]江秀臣,臧奕茗,刘亚东,等.电力设备ChatGPT类模式与关键技术[J].高电压技术,2023,49(10):4033-4045.DOI:10.13336/j.1003-6520.hve.20231419.

[11]任娟,荆晓远,于军,等.基于大语言模型和提示工程的机械故障诊断问答研究[J].信息技术与信息化,2024,(09):114-119.