軌道交通關(guān)乎我們的出行和物資保障，要為軌道交通安全護航，離不開“安全監(jiān)測器”——傳感器，通過傳感器收集數(shù)據(jù)信息再進行分析，能夠?qū)崿F(xiàn)對軌道車輛的狀態(tài)監(jiān)測和故障診斷。

如何在這些傳感器的基礎(chǔ)上更精準、快速地為車輛“診斷”、“治療”？中車工業(yè)研究院公司（簡稱“中車研究院”）基于飛槳創(chuàng)新打造了“虛擬傳感器”，在國際前沿的科技領(lǐng)域?qū)崿F(xiàn)了重點創(chuàng)新、開國內(nèi)研究之先河，不增加傳感器加裝成本的同時，還將故障檢測準確率整體提升了10個百分點。

另辟蹊徑 讓軌道交通安全監(jiān)測智能化

中車研究院是中國中車科技創(chuàng)新管理和支撐服務的直屬機構(gòu)，技術(shù)和產(chǎn)品覆蓋中國所有鐵路機車、貨車、動車、城軌車輛（地鐵輕軌）通用機電，以及風電新能源等領(lǐng)域。

故障預測與健康管理是中車研究院持續(xù)深耕的重要方向之一。一節(jié)列車的車廂上裝載幾百至幾千個傳感器來收集電流、電壓等車輛的健康數(shù)據(jù)，再通過對數(shù)據(jù)進一步分析來判斷定位列車的故障，有針對性地進行檢修和維護。

相關(guān)研究表明，車輛的振動數(shù)據(jù)能比常規(guī)收集的電流、電壓數(shù)據(jù)更早反映出車輛的異常和故障，但既有車輛上的振動傳感器數(shù)量有限，加裝的話不僅增加成本、布線也很麻煩。能否根據(jù)已有的車輛電流電壓數(shù)據(jù)“變出”振動數(shù)據(jù)？

從2018年開始，中車研究院便開始探索如何打造虛擬傳感器：沒有實體，像一個健康A(chǔ)PP一樣，能將傳感器收集到的電流電壓數(shù)據(jù)進行一系列計算，轉(zhuǎn)化成需要的車輛振動數(shù)據(jù)。這項研究屬于前沿領(lǐng)域，在國內(nèi)還無人嘗試。面對這個棘手難題，中車研究院高級架構(gòu)師劉琦另辟蹊徑，想到或許可以用AI一試。

飛槳技術(shù)加持

虛擬傳感器研究首破“無人區(qū)”

2020年，劉琦所在團隊了解比對了國內(nèi)外的深度學習框架和平臺，很快將目光聚焦在國內(nèi)首個自主研發(fā)、開源開放、功能豐富的產(chǎn)業(yè)級深度學習平臺百度飛槳上。恰巧當時百度AICA首席AI架構(gòu)師培養(yǎng)計劃三期班正在報名招募，基于飛槳將AI技術(shù)與產(chǎn)業(yè)場景深度融合的理念“擊中”了劉琦，她把打造虛擬傳感器作為課題帶進AICA的培訓學習中。

“最大的挑戰(zhàn)是這個領(lǐng)域之前根本沒人做過，也沒有任何參考?！痹陲w槳資深工程師的指導建議下，劉琦所在團隊選擇應用飛槳框架中的時序分析與語義理解算法，在飛槳官網(wǎng)齊全的中文資料指引下，探索得到了可行路徑并梳理出清晰明確的實施方案。

劉琦使用飛槳開發(fā)虛擬傳感器模型

中車研究院團隊利用飛槳構(gòu)造的虛擬傳感器模型，首先提取電流電壓數(shù)據(jù)和振動數(shù)據(jù)的特征，找到兩者之間的共同點后，應用 AI 自主設計出一個黑盒計算公式，讓兩種數(shù)據(jù)實現(xiàn)相互映射，最終完成虛擬傳感器模型的設計。

從模型搭建、訓練到實際部署應用，傳統(tǒng)的算法方法需要兩到三年；而在飛槳的加持下，這一技術(shù)創(chuàng)新突破僅僅花費了幾個月的時間。實際效果也令人驚艷：通過實驗室測試、鐵路環(huán)線驗證后，基于飛槳打造的虛擬傳感器所取得的振動數(shù)據(jù)與加裝振動傳感器數(shù)據(jù)同等有效，并且在中車研究院的算法持續(xù)優(yōu)化之下，故障檢測準確率整體提升了10%，取得了長遠的進步。

在鐵路環(huán)線上進行驗證

目前，中車研究院使用飛槳框架作為底層基礎(chǔ)開發(fā)的故障辨識模型和虛擬傳感器模型，已經(jīng)加載于中車研究院自研的積木式設備物聯(lián)與計算平臺中，并在軌道交通及風力發(fā)電領(lǐng)域?qū)崿F(xiàn)了應用。這一國內(nèi)無人挑桿的研究領(lǐng)域，中車研究院與飛槳攜手闖關(guān)，最終在無人區(qū)實現(xiàn)創(chuàng)新突破。

未來，我們?nèi)粘３俗母哞F、動車、地鐵，甚至電動大巴汽車、風力發(fā)電機中都會有這個虛擬傳感器的身影，AI時時刻刻守護著每個人的出行安全。