GE正在打造会思考的火车头

通用电气运输公司正在利用人工智能、物联网等技术打造会思考的火车头。

人工智能与工业工程，或者说工业物联网（IoT）的结合势必会颠覆全球经济。例如，如果铁路机车行业使用更加智能的机器来提供渐进式改进，那么即便生产效率只提高百分之一，全球经济也会从中收获可达数千亿美元之多的巨大经济利益。

通用运输公司（GE Transportation）首席技术官Wesley Mukai表示，这一结合对交通运输业而言利益攸关。速度每提升1英里/小时，本行业就能够获益25亿美元，而铁路机车车站滞留时间每实现一个百分比的改进，本行业就能够节省22亿美元。

现在，货运铁路机车可装载超过200个传感器，这些传感器可将数据流式传输到机器学习分析应用程序，而这些应用程序则能够每秒处理超过十亿个指令。随着人工智能支持的工业物联网开始大显身手，这些数字正在变成真实世界的成果。

1

位于云端边缘的人工智能

“我一直将人工智能视为链接云端的边缘技术（edge to cloud），”Mukai表示。“我们选择从铁路机车行业开始实现人工智能的潜力。”

GE的每辆智能货运铁路机车都配备了在本质上充当铁路机车移动数据中心的装置以及高清物理摄像头，这些摄像头可捕获轨道、前方和后方以及铁路机车驾驶室的情况。数据就在边缘网关中聚合并进行分析，从而在铁路机车本身实现近乎实时的决策。

例如，车载视频分析的任务在很大程度上与自动驾驶汽车传感器的任务相同，但车载视频分析关注的不是道路，而是会检查轨道、识别交通标志和里程标，以及扫描轨道上是否有障碍。但Mukai表示，最大的影响在于识别导致脱轨的过热扭曲变形（sun kinks）或轨道变形的能力。视频实际上会捕获轨道的缺陷；而机器学习模型则可以检测这些缺陷是否会对铁路机车构成危险。

“影响是不可思议的，”Mukai表示，“我们在速度方面实现了巨大提升，因为人工智能让检测轨道上以及轨道周围的物体的准确度达到了99%。”

2

云端的巨大影响

但是，繁重的大规模计算是在云端进行的。因此，为了解决高级分析问题，这些新铁路机车将边缘分析功能与云端连接结合在一起，Mukai说道。

在GE，数据在其全球性能优化中心（GPOC）进行分析，其中预测机器学习算法持续对未来进行预测，并制定相关策略来优化从燃料使用模式到维护计划在内的所有事项。

铁路机车健康状况是很大一部分交通运输网络所依赖的因素，这一因素已经因为传感器化的机器而出现革命性变化。这些机器能够完成的任务远远超出了就冷却液的液位提醒操作人员和维护人员这类传统机器能够完成的任务。高级异常检测功能可扩展用于预测和规避故障。这意味着，在火车导致交通阻塞从芝加哥蔓延到纽约并对整个生态系统造成其他海啸式影响之前，我们就能捕获这些故障。轨道拥堵会直接影响整个交通运输系统的吞吐量和速度。

他们与德国联邦铁路公司（Deutsche Bahn）联合开展的早期试点项目在铁路机车故障率方面实现了25%的降幅，这是非常惊人的，Mukai表示。

3

连锁反应

Mukai表示，他们还在优化火车和交通运输网络方面取得了重大进展，并将时间表协调从大型运营研究问题转变为了一种算法。到达时间可根据实际情况和一系列其他输入（包括天气状况和交通数据）进行预测，精确度达到分钟级别，同时还能关联一系列数据来得出更好的路线或时间表。

即使路线尽头的接收方知道从现在算起货物仍然需要两天加七个小时才能到达，但因为他们知道货物到达的具体时间，这就意味着他们能够准备好合适的设备、工作人员、卡车、装载工具及其他必备事宜。

“改善预计到达时间可提高多种交通运输方式的吞吐量，”Mukai说道。“可预测意味着我们能够大幅减少系统成本。”

4

通过自动化实现劳动力优化

对于路线重复且障碍较少的偏远地区采矿作业，自动驾驶火车已成为风景的一部分。但是，距自动驾驶火车进入一般生产的那一天也不再遥远。要制造能够承担主要交通枢纽角色的自动驾驶火车，您需要具备各种技术，监管和安全预防措施也至关重要。

您已经能够看到通过远程控制驾驶一个车场中的所有火车的场景，这将之前需要许多人完成的工作简化为本质上一个人就能够使用手持式远程控制设备完成的工作。您实际上可以一边驾驶铁路机车，一边以较低的速度将其前后移动，从而实现对铁路机车的操纵。“而对于较为传统的货运，您会发现这种阶梯式前进技术被应用于平衡安全性和燃料经济性，”Mukai说道。

因此，尽管无人驾驶火车尚未用于主要贸易路线，但人工智能支持的自动化已经在为人类驾驶的传统货运火车创造巨大收益。GE的列车运行优化系统（trip optimizer）这类工具可以预测环境条件、更新经过优化的运行计划并随时警告操作人员调整速度。例如，它可以提醒驾驶员不要通过将发动机推到极限来爬上山巅，而是可以在到达山巅前的一定距离内松开油门，让动力带他爬过山巅。

“借助类似这样的技巧，优化系统可以为操作人员节省价值数千万美元的柴油，”Mukai解释道。他补充道，在自动驾驶火车领域，重点并不总是在于尝试带走整个机组，借助自动化和单人机组，我们能够更有效地分配训练有素的劳动力队伍。

5

人工智能支持的工业物联网的未来

Mukai表示，网络协调是缺失的部分。例如，持续更新的优化计划应该能够与列车运行优化系统连接并根据需要调整自动化系统；运输计划应该能够同时优化车场和主要路线。在一个像机场之间的空中交通管制机构一样跨路线完全集成的系统中，所有人员都应该能够看到火车所在的位置以及火车应有的优先级。

他解释道，“在我们的创新加速器中，有许多工作都围绕着集成应用程序展开，而这种集成在生态系统中许多传统上孤立的部分之间进行。因此，我们正在开发指挥中心应用程序，然后寻找新的方法来可视化此类信息并与这些用户交互。”

6

在交通运输领域保持竞争力

汽车自动化领域的巨大飞跃对于铁路行业而言可能是危险信号，Mukai说道。自动驾驶卡车比以往任何时候都要离我们更近，这不仅是因为它们通过利用领队卡车由人类控制的护航车队领先于自动驾驶汽车，还在于它们通过快速创新威胁到了铁路运输的优势地位。

这是因为卡车在不断对其车队进行更新换代，其技术也因而得以不断改进。卡车的换代期限为3年，而铁路机车的换代期限通常为30年。安全和保险方面的商业模式也显而易见，他补充道，而且相关法规实际上正被设计为推动自动驾驶车队的梦想更快地变为现实。

“对于自动驾驶卡车，仅从效率提高和燃料节省方面考虑，您就能在切实减少大量交通的同时改进供应链，”Mukai说道，“铁路应该怎样应对这个局面呢？他们需要更快地采用相关技术。”