城市交通，是城市效率的重要指标
地铁作为当前现代城市主流的出行方式，其大容量、高速度、干扰小、能耗低的特性，成为了许多人心中“准时、安全、环保”的交通方式，也成为了诸多人出行首选的交通工具。
“十三五”期间，我国城市轨道交通运营里程就位列全球榜首，远超德国、俄罗斯、美国等发达国家。根据交通运输部统计数据显示，截止2020年末，共有44个城市开通运营城市轨道交通线路233条，运营里程7545.5公里。
在客运量上，2016年-2019年，我国城市轨道交通客运量年均增速均在12%以上。
2020年初，受到新冠疫情的影响，我国轨道交通客运量虽呈现断崖式下跌，但随着复工复产，客运量急速上升并继续保持增长态势，经过统计，“十三五”期间，我国城市轨道交通累计客运量达到959.4亿人次，较“十二五”时期增长81.7%。
在此背景之下，我国《十四五规划和2035年远景目标纲要草案》也提出，“十四五”期间我国城市轨道交通运营里程数将新增3000公里，并预计“十四五”累计客运量将突破千亿人次，有望达到1292亿人次。
伴随着建设地铁的城市越来越多、客运量不断增长，地铁线路由线变网，运营维保问题也日益凸显。
伴随着我国城镇化的稳步推进，一方面城市规模的扩大推动了地铁的建设，另一方面地铁也被赋予了“带动辐射了沿线区域的经济发展”的新使命。
与此同时，“城市管理要向绣花一样精细”的理念也在不断渗透到城市管理的各个方面，对于城市轨道交通的发展，也从此前的“重建设”转向了“重运营”，转向地铁的精细化治理。
在第二届城市轨道交通运营发展论坛上，交通运输部副部长刘小明就明确表示，轨道交通发展要坚持服务为本，持续改善乘客出行体验，坚持科技引领，稳步提升智能化水平，以提升管理效能为目标，增强智慧管理能力。
与新建地铁不同，城市轨道交通的运营维保工作是贯穿轨道交通线路的全生命周期，但在当前，对于地铁的运维大部分城市都仍需依靠人力来进行。
以上海为例，网络化运营以及不断增长的客运人数让地铁设备长期处于高负荷的工作之中，线路的不断延伸，让原本就已捉襟见肘的检修人员，需要去兼顾更多的检修工作；而社会经济的不断发展，也在让地铁的运营时间变得更长，留给检修工人的维修窗口期也随之减少。
其中值得注意的是，数据显示，在上海仅是列车检修基地占地就有5788922.3平方米，作为不可再生资源，尤其是在上海这样一线城市，这些土地资源可谓寸土寸金。
运行历史长达20多年的新加坡SMRT地铁，2019财年由于维修及人力成本大幅提高，出现1亿5500万元的巨额亏损。对此中车浦镇，就在寻求更加高效的运维方案。
北京和太原，在转向地铁精细化治理后，也在寻求主动运维解决方案，要求可以实时监测列车运行情况，将日常运行实时记录、维保记录、维保辅助决策管理等系统进行融合分析，从而不漏检，实时监测并分析列车各项趋势，根据机器学习模型实现状态评估，对于即将出现的风险进行预测报警，防患未然。
同时也可以将此前的信息记录与驾驶员操作记录等进行回溯，准确定位故障发生原因。
可见，不仅国内的城市，包含国外的地铁，也都在面临着传统依靠人力维保所带来的漏检、效率低、成本高、投入大、维修窗口期小等诸多问题。一个高效、低成本、主动运维的智能运维方案则成为当前地铁运营公司所急切需要的。
从需求来看，对于城市轨道交通的运维，用户所希望的是能够对故障实现预警，可以防患于未然，让维修人员的精力也不再分散。从结果来看，这并不是一件容易的事儿。
但明略科技却将这一结果，进行了拆解，将其分为了4步：
第一步，将业务在线化，让数据能够实时的被收集上来，并打通数据间的阻碍；第二步，则是将各系统数据进行融合分析，找出其中的价值，满足用户所需的以及城市发展的需求。
接下来则是将数据分析下来的数据图谱化，将数据这一生产要素，真正的变为用户新的资产，不断为用户提供价值；最后，通过数据中台不断分析实时数据，并融合搭建的知识图谱，将所有信息进行联动分析，为用户形成不同维度智能化决策。
就在这4步走的方法论下，明略科技将用户需求以及现状进行拆解，逐一突破。
在这一方法论下，新加坡SMRT地铁将东北线全自动驾驶的25辆车进行了翻新改造，从而让车辆设备和运行数据可以被实时采集，在此基础之上，采用了明略科技的IVHM系统（大数据平台），对采集的车辆大数据，进行整合、存储、分析、处理，并运用明略科技提供的失效相关分析模型、趋势分析模型、部件健康等算法模型，实现设备的健康评估和智能化运维。
在上海，明略科技为其打造了一个大数据平台，将原有6个平台，3类技术路线进行了合并，实现跨业务领域的数据融合，打破了此前的数据孤岛，通过对数据采集、存储、分析应用和数据服务共享，为用户提供了统一的集成管理，形成企业数据的标准与规范，构建统一的数据资产。
目前，该大数据平台可以对10多条线路的400多辆地铁列车产生的TB级的数据进行实时预警处理，动态监测列车各关键设备的状态、故障情况，将原来的日检工作，降低到每8天一检，此外，检修内容和频次增加的同时，检修人员却大大减少，人车比由0.6减为0.33，为历史最低。
在北京，明略科技打造的大数据平台接入了车辆、信号、灾害环境、轨道表面等轨交8大专业12个系统的业务数据，不仅实现了车辆、信号、灾害环境、轨道表面实时监测，同时也实现了个系统业务数据的汇聚、存储和共享，实现了用户所想的趋势分析和告警预警处理。
除此之外，该大数据平台还整合了客流预测调控、主动维保、应急决策支持、安全综合评价等多种业务应用系统，并对系统中关键业务指标进行集中分析和展示。
同样在太原地铁，明略科技也通过建立大数据平台，实时获取车辆运行状态数据，对列车维护、维修、寿命周期进行评估，针对巡检异常问题进行系统诊断，通过预警模型，对历史故障进行回溯分析并寻找异常曲线，提前预测故障发生。
多地的实践，让明略科技找到能够让地铁运营公司实现智能化运维的“方法论”，在这个方法论下，无论地铁已经建设了多久、规模如何、有何需求，明略科技都可以逐一拆解，并让数据这一新的生产因素发挥出应有的价值，为用户降本增效。
从这一视角来看，明略科技的智能运维方案已经具备了可规模化复制应用的条件，而在这一成绩的背后，明略科技又曾面临了哪些难题？
众所周知，明略科技是一家与数据“打交道”的公司。从四城地铁实践的结果来说，取得现在的成果，似乎更应该是明略科技“分内”的事情。
从结果来反推一家公司的成功，显然过于简单，也太过片面。数据作为新的生产因素，在不同行业之中，其都具有着不同的特性。
也正是因此，对于明略科技来说，初入一个行业，首先都要去了解这个行业，也就是我们常说的know-how。
明略科技对雷锋网表示到，不同于日常汽车的检修，地铁的讲究规则机制要复杂的多，地铁车辆车辆13大系统的多层子系统的众多部件及系统都有不同的规程。而以上所有的规程都来自于供应商，各个部件的供应商并不会因为地理位置、气候环境、车辆使用强度等轨交项目的具体情况定制规程，因此，怎么制定符合本地需求的规程是智能维保需要考虑的基本问题。
常规手段，就是通过收集传感器数据，通过机器学习和深度学习算法来建立模型，最后根据模型在进行健康管理。
然而机器学习或深度学习都需要大量样本积累，这和车辆装备的高可靠性天然产生了一定的矛盾，足够的样本积累需要很长的时间，但这个过程中随着设备老化或其他系统的更换，模型需要随之调整。
在这一思考之下，明略科技确定了自己的实践思路：机器学习方法要从小样本挖掘的角度有所突破才能更好的应用于工业。
之后，明略科技通过，厘清“针对什么部件”和“谁来定规程”的重点之后，通过轨交数据平台将每天车辆的运营数据及当地的天气等工况、时序传感器数据，通过数据资产目录与数据共享的方式提供给关键部件供应商，逐一推进科学规程的制定。
此外，当运营故障反馈变得更加精细，运维人员每天可能会额外收到高达上万个故障报警信号，如何了解重点检修，必然会成为运维人员的头疼的一件事儿。
深入了解之后明略科技则将时收集的故障数据与检修计划紧密结合起来，对故障数据进行聚合、收敛，通过数据及相关规则来让机器确认“重点检修故障”，将故障数据有效利用，从而让司机看到最关键的报警信息，提高检修计划制定的效率。
而根据每天的告警信息，明略科技则可以通过数据分析，得出故障部件。故障关联的知识图谱，为未来新线路的自动发现故障聚合的规则提供了可行性。
不仅仅与此，如何让年轻的运维人员找到维修方法、让新司机也能同老司机一样面对突发情况……明略科技都在让数据发挥价值，帮助摆脱“一个人作战”的处境。
面对行业内的不同场景，明略科技通过其数据智能的能力，让多个场景都在发生着质变，不仅能够让地铁车辆的健康情况尽收运维人员的眼底，同时在智能分析的处理下，让地铁的运维能够有的放矢。
2020年新冠疫情之下，“新型基础设施建设”成为了我国增内需、稳增长、稳就业的发力点，城际高速铁路和城市轨道交通的也正是新基建七大领域之一。
但不同于此前，在新基建的背景下，城市轨道的交通“基建”天然的就要包含大数据、热工智能等技术的部署和应用，推动城市轨道建设向全自动驾驶、线网运营、服务创新、智能运营等方面转型升级，促进城市轨道交通行业的数字化转型。
而对于此前存量的线路也应该积极探索从运营、乘客服务、管理这些环节着手促进数字化转型。
对此，明略科技显然已经做好了准备，可以针对不同城市的不同需求，针对性的提交定制化的解决方案，满足个性化的需求。
在明略科技看来，在城轨数字化转型过程中，要重视IT基础不完善、业务系统间联动性弱、数据问题凸显等难题，通过数字手段与技术战胜现有困难。但更加重要的是，要尽快迈出第一步，加入到数字化转型大潮中不断探索，在实践中推动城轨行业转型升级。雷锋网雷锋网雷锋网
正在生成分享图...
nebula