数字化和创新在波罗的海铁路项目中的作用

里加中央车站，鸟瞰图。来源:railbaltica.org

波罗的海铁路是最大的铁路铁路基础设施该项目是波罗的海国家历史上的一个项目，通过连接爱沙尼亚、拉脱维亚和立陶宛的标准轨距铁路连接波兰和其他国家，提供了独特的机会，新的混合用途线路，填补了北海-波罗的海核心网络走廊的缺失环节，将支持一系列的乘客而且运费服务——连接城市、城镇、港口和机场，为个人和企业服务。这是一个新项目;基础设施和所有系统都在使用现代方法进行开发，并广泛使用BIM和其他工具数字化而且可持续性是关键因素。

数字基础设施选项包括农村/区域连接(如5G和宽带)、骨干网、站点服务和面向社会经济驱动者的连接，而能源协同效应将包括电网弹性、待机电源、区域站点选项(如电动汽车充电)、可再生资源和其他新兴机会。

潜在的传感器

虽然“波罗的海铁路”的系统设计已经开始，但关于传感器类型的关键决定尚未做出。范围显然很广，从铁路运营到资产管理和监控:有些是安全关键的，有些不是;一些公司有非常严格的网络安全要求;电力和通信需求各不相同，还需要考虑体系结构方面的考虑，例如设计系统以提供来自铁路的所有可用信息的综合视图，而不管来源如何。

已研究的备选方案包括分布式声传感(DAS)、车辆识别系统、动态称重和一系列较小的传感器:每一个传感器在数据量和速度方面都有不同的特点，有些提供实时信息，有些只报告变化。DAS技术提供了一种既监测结构健康的方法铁路基础设施还有车辆的一些特性(例如车轮平整度):一列火车在某一路段行驶时会产生振动，这些振动对光纤信号的影响会被检测出来。可以提供的信息包括交通的位置和方向、速度、轨道和轨道床条件、紧固件问题、闪络事件和某些车轮缺陷。这种系统提供了从一个监测地点监测50公里(或更多)轨道的能力，而不需要除光纤以外的路边设备:也可以在任何方向监测这一距离，减少了所需的设备位置的数量。生成的数据量非常大，因此处理节点通常位于监视位置，可以实时传输特定事件，而不必在捕获大量数据时移动这些数据。然而，这种批量数据也有可能为“大数据”分析和机器学习提供有用的输入，特别是如果DAS数据可以与其他来源相关联的话。

波罗的海铁路列车概念。来源:railbaltica.org

对于车辆识别，有几种选择，但其中一个特别有趣的是在选定的位置使用RFID:虽然“视频门”可以捕获大量信息(例如，货运车上任何危险警告的图像)，但这种解决方案的规模和复杂性限制了它们在开放线路段的可行性。相比之下，RFID阅读器可以使用EN17230(和其他地方)中描述的方法，并通过将阅读器放置在其他监控系统旁边，为其他传感器提供车辆识别。如果用于每辆车辆的标识符都是唯一的和一致的(例如，同一类型的车辆标识符用于视频门和路边阅读器)，那么来自监视多辆车辆的多个传感器类型的信息可以跨整个线路进行关联。此外，标准化标识符的类似方法可以用于协助资产管理和维护，无论是出于操作目的还是供应链管理。

动态称重(WIM)通常也在特定的检查点以较低的速度进行，并可能与视频门系统一起放置:然而，随着更新、功能更强的系统，在更高的速度下进行监测已成为可能(例如，以直线速度测量区域客运列车)。这些数据还可以与车辆识别相关联，以提供有关重量、车辆类型、负载不均或超载的具体信息，警告增加的脱轨风险，以及某些类型的车轮损坏。信息还可以在测量站点之间进行比较，以实时识别任何变化。

还有物联网(IoT)传感器，有多种解决方案可用于监测诸如车站周围环境(包括噪音水平、空气质量等)，以及一些使用能量收集的新兴铁路监测解决方案。这些传感器通常通过低功率的广域网络连接，无论是NB-IoT、LTE-M，还是其他选项，如LoRa:随着5G网络的出现，其他选项和更多的服务也变得可用。整个体系结构的一个关键元素是确保传感器数据可以集成，无论连接是什么，或者是实时、近实时还是批量数据。

Ulemiste站,塔林。来源:railbaltica.org

数据集成和标准的重要性

一个关键方面是数据集成:有一些标准，但定制和专有的解决方案在铁路中也很常见。然而，值得注意的是，欧洲铁路部门的总体方向应该是模块化系统和共同标准:几个项目由Shift2Rail展示了“现成”软件和解决方案的使用，欧洲铁路联合承诺(Shift2Rail的继承者组织)正在其前身的成果基础上发展。这个总体方向有几个优点，包括减少供应商风险，增加灵活性，以及更好的系统生命周期管理选项，因此，例如，如果一个组件需要升级，就没有必要升级整个系统。

可以对非关键数据使用通用集成工具，并且使用适当的安全体系结构，可以避免竖井:可以提供非常丰富的实时和批量数据集，用于监视、管理和维护基础设施。

分析与机器学习

收集和关联传感器数据的价值显然与使用导出信息的方式有关。有许多不同的潜在应用程序，通过适当的体系结构，可以在出现时添加更多应用程序。机器学习算法可以支持异常和离群点检测、聚类、分类，因此支持预测性维护:通过标准化的标识符，可以将来自不同系统的数据关联起来，以支持这些技术的更广泛应用。

对于长期的数据管理，我们需要做出一些决定，比如企业数据仓库、集中式数据湖、Lambda(或Kappa)架构，或者更新的数据网格方法。对于像铁路这样的分布式环境，单一的企业数据仓库或集中式数据湖可能会有显著的缺点，特别是数据源和数据消费者可能在许多不同的位置，并不总是在那个“中心”，而且还因为可能生成的数据的巨大数量，以及在单个集中式池中管理访问和数据质量的困难。遥感器处理(例如,DAS)可能导致事件被发送到核心系统,这可能是一个流(而不是批次),所以架构可以管理流源本身(κλ,网)更适合于:其他传感器可能只发送更新变化(例如这是许多工业监控解决方案的一个特征)或在一个正常范围的值,这可能是事件数据,而不是一个批处理。Lambda方法可以同时管理流和批，Kappa架构是针对流的更专门的版本:两者都有优点和缺点，但比之前的集中式方法更适合分布式环境。第四个主要方法是更新的数据网格范式，它包括对完全去中心化的支持，使数据所有权和治理留在负责生成数据的团队中(而不是转移到可能没有与他们的领域专家相同的“领域知识”的中央团队)，并将数据视为一种产品。在跨国铁路等复杂环境中，这种方法可以分离数据所有权，同时还可以利用规模和使用通用工具的优势，允许各方安全地共享数据，并从彼此的经验中受益，这对于预测性维护尤其有用。

从Gogola街到里加中央车站。来源:railbaltica.org

当然，还需要考虑云，或“内部”元素:云锁定是一个非常现实的问题，越来越多的大企业正在考虑混合和/或多云方法。网格范式还允许这些配置，以及使用分布式“on-prem”云处理操作数据的解决方案，而不太敏感的系统可能会被送到政府或公共云服务。这种内部云的部署相对容易，使用的硬件和连接方式与Azure、AWS等规模更大的“超规模企业”完全相同，目的是将能源消耗最小化，并将效率最大化。在这样的环境中，系统和机器学习算法可以使用来自不同来源的数据产品，而不需要一个不必要的(通常昂贵的)集中式数据仓库:如果数据“产品”是自描述的和可发现的，那么一个领域的领域专家如果希望将他们的数据与另一个领域的数据结合起来，就可以转向内部云中的“自助”平台。

建设“数字原生”铁路的潜力是巨大的

正如前面提到的，波罗的海铁路的系统设计还处于相对早期的阶段，很多决策摆在面前——也有很多机会。建立“数字原生”铁路的潜力是巨大的:它不应该因为坚持企业服务总线或单一集中数据仓库等旧方法而丢失或限制。与许多ICT系统不同，铁路系统的生命周期不是2 -3年，而更典型的是20-30年:模块化系统的设计应允许随着时间的推移进行创新。随着新类别或类型的传感器的开发或新的机器学习算法的出现，它们的输出是一个自我描述的“产品”的明确范围。这种模块化的、基于标准的、开放的方法可以支持未来几年，甚至几十年的铁路运营。