基于数字孪生的动车组运维技术综述与展望

Review and Prospect of EMUs Operation and Maintenance Technology Based on Digital Twins

摘要

针对中国高速动车组的运维需求，对数字孪生技术在动车组运维领域的应用方法与实施路径进行探讨。研究提出基于数字孪生技术的动车组运维框架，重点解决数据融合分析、数字孪生模型构建、运维决策优化和检修作业交互等关键技术问题。在数据融合分析方面，通过多源异构数据集成与深度挖掘，实现故障特征的精准识别。在数字孪生模型构建方面，构建面向运维过程的五维数字孪生模型，结合轻量化技术确保模型的准确性与实时性。在运维决策优化方面，采用特征向量提取、故障预测和状态评估等方法，建立基于多目标优化的维修决策机制。在检修作业交互方面，通过虚拟环境搭建、视觉增强和沉浸式交互技术的应用，提升检修作业的智能化水平。研究发现，数字孪生技术在动车组运维中的应用不仅可提升系统的安全性与经济性，且能推进运维模式从传统经验型向智能化、精细化转变。未来相关研究将继续致力于解决技术集成挑战，以实现该技术在动车组运维领域的全面推广。

Abstract

In response to the operation and maintenance requirements of China’‍s high-speed Electric Multiple Units (EMUs), the application methods and implementation pathways of digital twin technology in EMU operation and maintenance are explored. A digital twin technology based EMU operation and maintenance framework is proposed, focusing on addressing key technical challenges including data fusion analysis, digital twin model construction, operation and maintenance decision optimization, and inspection-operation interaction. In the data fusion analysis aspect, precise identification of fault characteristics is achieved through multi-source heterogeneous data integration and deep mining. For digital twin modeling construction, a five-dimensional operational maintenance-oriented digital twin model is constructed, incorporating lightweight technology to ensure accuracy and real-time performance of the model. Regarding operation and maintenance decision optimization, methods such as feature vector extraction, fault prediction, and condition assessment are employed to establish a multi-objective optimization-based maintenance decision mechanism. In the inspection-operation interaction aspect, the application of virtual environment construction, visual enhancement, and immersive interaction technologies enhances the intelligence level of maintenance operations. The study demonstrates that implementing digital twin technology in EMUs operation and maintenance not only improves system safety and cost-effectiveness, but also facilitates the transformation from traditional experience-based maintenance models to intelligent and refined operational paradigms. Future related study will continue to address technical integration challenges to achieve comprehensive implementation of this technology in EMUs operation and maintenance practices.

Graphical abstract

关键词

高速动车组 / 数字孪生 / 精准运维 / 技术集成 / 智能化 / 综述

Key words

High-speed railway EMUs / Digital twins / Precision operation and maintenance / Technical integration / Intelligence / Review

近年来，我国高速铁路快速发展，成为经济社会发展的重要引擎。预计至2030年，我国高速铁路运营里程将达4.5万km，动车组配属规模将超过7 000标准组。动车组装备经过十几年的技术积累和自主研发，产业规模发展迅速，已成功研制50余个车型的全谱系动车组。然而，随着运营规模的持续扩大和服役年限的不断增长，动车组运维面临新的挑战：一方面，高标准安全运营要求与设备老化风险并存；另一方面，大规模运维需求与成本控制压力相互交织。在此背景下，探索动车组安全运行保障与高效检修技术已成为行业亟待解决的关键问题，对推动高速铁路可持续发展具有重要意义。

随着新一代信息技术的快速发展和智能铁路建设的深入推进，数字孪生技术在轨道交通领域展现出广阔的应用前景。国内外学者和科研机构已开展一系列探索性研究，并取得显著进展。王同军^［1］系统构建了我国智能高铁的体系框架，明确指出智能化、精准化是未来动车组运维技术发展的核心方向。近年来兴起的数字孪生技术不断成熟，应用领域不断拓展。全球最具权威的IT研究与顾问咨询公司高德纳将数字孪生列为未来10大战略科技发展趋势之一^［2］。在国际研究方面，美国NASA、美国空军研究试验室等科研机构，以及法国达索和德国西门子等跨国企业已开展深入的技术研究和工程实践。在国内，政府主管部门和行业组织积极推动技术标准化建设，中国工信部、中国电子信息产业发展研究院和工业互联网产业联盟先后发布《数字孪生应用白皮书》和《工业数字孪生白皮书》等系列规范，旨在加快推动数字孪生发展应用。国家铁路局《“十四五”铁路科技创新规划》^［3］进一步强调基于数字孪生的动车组智能运维技术，对于推动我国高铁科技自主创新能力、巩固国际领先地位具有重要战略意义。

动车组作为复杂机电系统，具有运行速度快、系统耦合性强、轮轨作用力大等技术特征，同时面临客流时空分布不均衡、运营环境气候差异显著等复杂工况。这些特点对动车组运维提出了更高要求，面向动车组运维业务的数字孪生技术仍是高铁装备智能化发展道路上的重大需求。本文系统梳理了目前数字孪生技术在动车组运维领域的关键应用，从运维数据融合、模型构建、运维决策和作业交互４个方面深入分析当前研究现状与关键技术。通过总结典型应用案例，探讨技术发展趋势，为动车组智能运维体系的构建提供理论支撑和实践指导。

1 数字孪生在动车组运维的应用领域

动车组运维工作涵盖了运用和维修2项业务领域。运用业务包括上线调度、乘务管理、应急保障等环节，确保动车组按照运行图安全、准时地完成旅客运输任务。维修方面，动车组执行预防性为主的维修体系，包括1，2级运用维修和3，4，5级高级维修，保障转向架、制动和牵引等系统处于良好的运用状态。

安全运行和高效维修是动车组运维的目标。运维单位运用先进的技术手段对动车组进行实时监控，及时发现并处理潜在故障问题，通过高质量的检修作业，使装备处于良好的健康状态。不断优化动车组修程修制，实时调整维修策略和周期，合理分配维修资源，降低动车组的维修成本，实现经济效益的提升。

随着动车组数量的与日俱增，智能化、精准化的动车组运维技术是未来保障动车组高标准安全运行和高效优质维修的关键。基于数字孪生的动车组精准运维，通过关键子系统或部件的故障预测与健康状态评估，可实现对动车组的全生命周期智能管理与运维决策优化，提升动车组的安全性与可靠性，优化运维效率并降低运营成本，为高速铁路的安全高效运营提供坚实的技术支撑。其核心环节如图1所示。

首先，通过传感器网络实时采集动车组各关键环节的状态数据；随后，对数据进行地面平台分析，并识别潜在的故障；接着，维护策略综合考虑动车组的服役年限、运行线路特性、过往维修历史等因素，制定个性化维护策略，且在执行维护作业时，采用智能化工具与远程监控系统，确保运维的标准化与高效性；最后，建立基于数字孪生的闭环反馈机制，持续优化维护知识库，形成系统性能的迭代提升。

近年来，动车组精准化运维技术取得了诸多典型应用实践。周斌等^［4］回顾了轨道装备维修体制的发展历程，分析了“计划预防修为主、事后维修补充”存在维修不足、过度维修和次生灾害风险高等问题，并通过CRH380B型动车组牵引变压器散热装置清洁维修中的应用实例，验证了基于状态的视情维修在提升维修安全性和经济性方面的优势。张惟皎^［5］提出动车组故障预测与健康管理框架，结合状态监测、数据分析与智能算法，通过车载感知网络、高速通信与智能诊断技术，实现部件退化精确预测与维修决策优化，推动精准化运维技术成功应用。Zhao等^［6］构建了基于非线性整数规划的检修优化模型，有效提升了动车组1级检修的组织效率，通过优化检修作业序列，显著缩短了动车组检修时间，验证了模型的可行性与有效性。

Liu等^［7］从顶层设计的角度出发，系统阐述了数字孪生技术的定义、内涵、特征及关键技术，并深入探讨了其在高速铁路智能运维领域的应用前景。在动车组运维领域中，数字孪生技术通过信息空间与物理世界的双向映射，为动车组精准化运维提供更通用的信息融合载体、更强大的建模能力、更形象的数据呈现方式和更丰富的运维交互环境。数字孪生技术对动车组运维的关键支撑作用主要体现在数据融合分析、孪生模型构建、运维决策分析和检修作业交互4个方面。具体实例如图2所示。

1.1　数据融合分析

为保障动车组的高效运维，搭建了系列化运维系统^［8-12］。该系统主要包括：动车组管理信息系统（Electric Multiple Unit Management Information System，EMIS）、动车组车载信息无线传输及地面监控系统（Wireless Transmission Device System，WTDS）、动车组运行故障图像监控系统（Train Operation Fault Image Monitoring System，TEDS）、动车组滚动轴承轨旁声学诊断监测系统（Train Axle Bearing Trackside Acoustic Diagnosis and Monitoring System，TADS）和动车组运行品质轨旁动态监测系统（Train Operation Quality Trackside Dynamic Monitoring System，TPDS）等。构建了覆盖全谱系动车组的全生命周期运维大数据中心，其数据类型包括键值对、图片和声音等形式，呈现出典型的海量异构、离散低值等特点。

随着动车组系统复杂性的提升，单一数据源无法全面反映车辆状态，而多源数据融合通过整合不同信息源，能够提供更准确的车辆健康评估。因此，需要实现对动车组运维过程中的全要素、全流程和全业务数据进行综合操作，包括采集、清洗、关联、聚类、挖掘、映射和融合，借助孪生模型载体，建立数据之间的关联性，充分挖掘数据价值。

1.2　孪生模型构建

动车组运维业务涉及几何模型、决策模型、行为模型等多个维度。由于动车组运维场景的多样性、运行工况的复杂性以及建模仿真的低逼真度，导致数字孪生模型与实际工况之间存在差距，例如几何粒度、机理精度和行为丰富度等方面的差异。模型是数字孪生的基础与核心，而传统数字孪生模型已无法满足现阶段技术发展与应用需求。在动车组运维空间特征指数级扩展的条件下，亟须建立动车组数字孪生模型的构建规范，以提高动车组数字孪生模型的建模效率，提升数字孪生模型的持续性、动态性和自洽性。

1.3　运维决策优化

动车组作为1个复杂的系统，包括走行部、牵引供电、制动、网络传输等系统部件，故障规律不再简单地遵循机械磨损理论，不同运营环境导致动车组的个体性差异性问题尤为明显。这些系统之间的健康状态相互关联，各项运维参数状态指标、失效机理和重要程度各不相同，增加了动车组健康状态预测和诊断的难度。另外，动车组关键部件实际运行中，存在故障数据少、损伤特征不丰富、诊断模型训练难等问题。

因此，需要结合数字孪生技术，提出运维数据、模型融合方法，将更丰富的故障特征和孪生模型融合，提高诊断模型泛化性；需要提高故障预测和状态评估的精准度，优化预防修为主的检修体系。

1.4　检修作业交互

动车组的运用检修和高级检修具有作业标准高、时间紧迫、作业技术复杂等特点。随车机械师在处理动车组途中故障时，面临应急时间紧迫、现场作业信息支持不足以及地面技术专家操作指导困难等挑战。因此，检修作业过程中对信息引导技术的需求日益凸显。基于数字孪生技术提供的沉浸式交互环境，需整合增强现实（Augmented Reality，AR）和虚拟现实（Virtual Reality，VR）等技术方案及智能终端设备，构建智能化运维辅助系统，为随车机械师的途中应急作业、检修员的检修作业和岗前培训以及生产调度人员的可视化调度指挥提供数据可视化分析与交互技术支撑。

2 数据融合分析技术

基于数据处理、融合与映射的理论技术体系研究，为动车组海量运维数据的融合分析提供理论支撑，并为孪生模型与物理实体之间的准确映射和同步更新提供参考。Fu等^［13］指出多源数据融合对提升动车组运维效率具有重要作用。Sun等^［14］深入探讨了中国高铁数据资产管理面临的挑战与前景，强调数据融合对提升运营效率和服务质量的关键作用，分析了其在状态监测、故障预测与维护决策中的重要性，为智能化与个性化维护提供理论与实践指导。

动车组运维数据融合分析聚焦于集成多源监控系统数据。首先进行多源数据采集，涵盖管理信息、车载监测、故障图像识别、轴承声学诊断及运行品质动态监测等方面。随后的数据预处理阶段包括去噪、去重、降维和处理缺失值，以确保数据质量。接下来，采用协方差算法、自适应滤波等方法整合数据，提升数据一致性。最终通过多层次信息融合映射与机器学习辅助手段完成数据映射，支持动车组的智能维护决策。动车组运维数据融合分析的技术路线如图3所示。

2.1　运维数据处理

动车组运维状态参数具有显著的时变特性。由于数据感知设备在采集方法和频率上存在显著差异，导致数据对象表现出明显的异质性。此外，在不同的运维阶段，动车组的状态数据呈现出明显的时空分布特征。既有研究围绕动车组运维数据预处理、数据价值发现、数据应用方面展开研究。

Sun等^［15］提出了1种结合边缘计算和智能感知技术的框架，通过多源数据融合提高状态监测和故障预测的准确性，为传统预防性维护向智能化维护转型提供技术支撑，有助于延长动车组寿命并降低运维成本。孙扶瑶^［16］采用异常值检测、分布式存储和主成分分析等方法系统研究了数据预处理的关键技术，包括噪声清理、数据管理、异构数据融合等，为动车组运维提供了数据基础。袁天宁^［17］指出在中国高铁技术进步和动车组需求增长背景下，研究动车组全生命周期数据分析至关重要，该研究采用本体理论与马尔可夫逻辑网络结合的方法，以提升数据融合的准确性和质量。刘俊^［18］针对动车组健康管理数据利用效率低与数据孤岛问题，提出两阶段数据清洗流程，优化传统数据仓库架构，并利用经验模态分解技术建立运维数据预处理方法，将其成功应用于电机轴承振动信号降噪。Ren等^［19］将高性能计算技术应用于动车组运维数据处理中，集成并行处理、分布式计算、边缘计算、云计算及硬件加速器，提升了多源海量数据处理能力，在缩短响应时间的同时，大幅提高了数据处理的效率和准确性，增强了数据可靠性与安全性。

2.2　运维数据融合

动车组在运维过程中，常受传感器不足、采样频率低、环境复杂等因素的影响，导致关键部件的运维数据样本量不足，难以支撑精准化的运维决策。针对动车组多源异构数据融合技术，形成了诸多代表性的研究成果。

Deng等^［20］开发了多传感器列车定位系统，结合GPS、惯性导航与速度传感器，采用协方差交集算法与自适应滤波降低噪声影响，通过分布式滤波结构与闭环卡尔曼滤波器，确保系统能够稳定估算列车位置与速度并保持定位精度。Li等^［21］提出了1种用于高速列车运行环境预测的多源数据融合方法，该方法基于三级信息融合框架，通过特征提取和数据预处理，实现异构传感器数据的特征级融合，并经过归一化处理，将其转化为证据理论的基本概率分配，进而完成多源数据的决策级融合。Xie等^［22］针对高速列车转向架轴承在模拟数据与实际数据之间存在分布差异的问题，提出了基于原型聚类子域对抗适应网络的方法，通过融合模拟和实际数据特征，并利用多核最大均值差异进行子域对齐，实现了从模拟环境到实际应用的有效转移诊断。Li等^［23］针对资源受限环境下高速列车转向架轴承的高效故障诊断问题，提出了1个轻量级双压缩故障诊断框架，通过结合多种数据压缩和融合技术，实现了在保证高诊断准确性的前提下减少计算资源消耗的目标。Yang等^［24］针对高速列车转向架在不同工作条件下滚动轴承故障诊断的数据不一致问题，提出了深度对抗混合域适应网络的方法，通过融合来自不同工况下的数据特征，并使用对抗学习机制缩小源域和目标域之间的差距，提升了滚动轴承故障诊断的通用性和适应性。

2.3　数据映射方法

动车组及其运维环境构成物理实体，通过各类车载、地面系统实时感知物理实体的运行状态与环境数据。在信息物理融合的基础上构建数字孪生体，实现对实际工况下动车组的实时准确跟踪与动态反映。在孪生数据的驱动下，虚拟模型与物理实体同步运行，并生成包括状态评估、故障预测及健康管理在内的多维分析数据。然而，动车组运维过程中产生的原始信号存在测量误差和性能演化不确定性等问题。数据映射方法通过建立误差补偿机制，有效降低了原始信号误差等不确定性因素对系统的影响，从而显著改善了因数据采集不确定性导致的孪生模型失真问题。数据与模型之间的准确映射技术已在电网运维、智能产线运维等领域取得了一系列研究成果，这些跨领域的技术积累对动车组运维数据模型映射技术具有借鉴意义。

刘帅^［25］提出了1种多层次信息融合产线模型，通过分解虚拟产线元素，构建几何特征、位置约束和行为状态3层模型，实现产线状态数据到孪生模型的映射，验证了方法有效性，提升了车间生产智能化水平。牛进鑫等^［26］在Unity3D平台上构建了高保真虚拟孪生体，实现了物理机器人与虚拟模型的数据同步，为机器人仿真和状态监测提供了创新性的技术解决方案。胡平等^［27］针对电网运维问题，建立了数据映射架构，通过优化资源分配机制，在保证映射准确性的同时实现了低时延性能。Xia等^［28］针对无人船舶，利用虚拟-物理映射算法实现了物理船只与虚拟模型的互动，可实时预测船舶状态，形成了自学习迭代的数模映射方案。

3 孪生模型构建技术

针对动车组业务复杂场景驱动面临业务场景差异大、建模仿真逼真度低和机理模型庞大的挑战，梳理了孪生建模方法、模型自洽计算和模型轻量化等关键技术，构建面向运维过程的动车组的五维数字孪生模型，以提高动车组数字孪生体的准确性、易用性与自洽仿真能力。动车组运维孪生模型构建技术路线主要包含3个关键步骤：首先，通过精确建模和数据融合建立物理实体与虚拟模型之间的映射；其次，利用闭环反馈和一致性检查实现自洽性建模，确保模型的准确性和可靠性；最后，采用数据降维和模型优化技术实现模型轻量化，并提高计算效率。技术路线如图4所示。

3.1　动车组数字孪生建模理论

动车组数字孪生通过集成实时数据采集、孪生建模和行为仿真等技术，创建与实际动车组同步的虚拟模型，以实现设备状态的实时监控、故障预测及优化维护。这一过程依赖于持续的数据更新和模型精炼，确保数字孪生体能够准确反映物理动车组的运行状况并支持决策优化。

在数字孪生建模理论研究领域，陶飞等^［29］提出数字孪生五维模型概念，并在卫星/空间通信网络、船舶等多个领域展现出显著的应用价值。“四化四可八用”准则，强调了精准化、标准化、轻量化和可视化的要求，以及模型的交互性、融合性、重构性和进化特性^［30］。基于这一理论框架，构建了1个涵盖模型创建至管理等六个方面的理论体系，并通过实际案例进行验证。此外，该研究还从车间要素实体建模、生产过程动态建模到生产系统仿真建模3个层面进行了详细讨论。Liu等^［31］提出1种数字孪生过程规划建模方法，通过整合过程语义、几何拓扑与数控代码，实现加工状态高保真可视化，验证了演化特征建模有效性。Yang等^［32］强调了基于元模型的车间层级数字孪生架构与建模在制造系统智能管理中的关键作用，搭建了1个元模型驱动的数字孪生体系结构，有效解决了语义信息的时变问题，并提升了模型适应性和加工精度。Zhang等^［33］从理论层面将数字孪生定义为在线数字仿真技术，强调其动态交互与全生命周期同步演变的特性，并设计了5步框架以确保实时数据利用和模型自动更新。

在特定领域的应用中数字孪生建模技术已实现重要突破。Qian等^［34］提出了1种支持多维度演化特征表示的数字孪生模型架构，实现了物理与虚拟模型的高效融合，可强化智能生产管理与控制。Fedeli等^［35］提出1种基于模型的协作方法，通过开发元模型和详细程序，帮助开发人员快速理解现有模型，支持模型的持续优化和知识积累。

所提动车组数字孪生五维模型的核心要素包括：物理实体、虚拟模型、孪生服务、孪生数据以及交互连接。其建模方式如图5所示。

该模型可形式化表示为

M_{\mathrm{D}\mathrm{T}}=(H_{\mathrm{P}\mathrm{E}},H_{\mathrm{V}\mathrm{E}},H_{\mathrm{S}\mathrm{S}},H_{\mathrm{D}\mathrm{D}},H_{\mathrm{S}\mathrm{N}})（1）

式中：H_{\mathrm{P}\mathrm{E}}为物理实体；H_{\mathrm{V}\mathrm{E}}为虚拟模型；H_{\mathrm{S}\mathrm{S}}为服务，H_{\mathrm{D}\mathrm{D}}为孪生数据；H_{\mathrm{S}\mathrm{N}}为各部分之间的连接。

5大核心要素的具体组成如下。

（1）动车组物理实体。动车组的物理实体主要分为牵引系统、制动系统、转向架系统、车体系统、供电系统、控制系统、通信和信号系统、空调与通风系统以及辅助系统。

（2）动车组虚拟模型。动车组运维过程中的典型虚拟模型主要包括几何模型、物理模型和行为模型3类。具体而言，几何模型用于表征动车组物理实体的空间特征，包括外形尺寸、几何形状及部件间的装配关系等参数；物理模型基于动车组的工作原理和物理特性构建，是实现精准运维的关键基础；行为模型则通过提取动车组的行为时序特征，系统描述其运用检修规则和作业流程，为运维决策提供行为层面的数据支持。

（3）孪生服务。孪生服务通过数据处理、深度学习算法、实时监控和虚拟现实技术，实现对动车组运行状态的精确映射。该系统构建了多层次的技术架构：在数据层，建立了统一的数据底座以支持数字孪生模型的构建；在应用层，实现了孪生工厂的高效作业支持、运输优化的智能决策、安全保障的实时监控、应急支援的快速响应以及健康评估的精准维护等功能，从而全面提升动车组的运维管理水平，在确保动车组高效、安全运行的同时，有效降低了维护成本并提升人员培训效果。

（4）孪生数据。孪生数据包括动车组设计数据、实时传感器数据、历史运行数据、工作负荷数据和环境数据等。

（5）交互连接。动车组物理实体与数字孪生体之间的连接主要通过各类运维系统实现，其中WTDS和EMIS系统作为物理实体向数字孪生体信息映射的主要通道，可实时采集动车组运行数据，将其传输到地面服务器，然后对接收的数据进行实时解析与处理。

3.2　自洽仿真建模理论

数字孪生自洽建模理论是1种确保虚拟模型与物理实体之间以及模型内部各组成部分之间相互一致性和逻辑连贯性的方法论，通过内部一致性、逻辑自洽性、闭环反馈机制、动态更新、预测和优化能力、验证和校准过程的迭代，构建1个能够准确反映现实世界行为并持续优化的虚拟复制品。此理论支持利用实时数据动态调整模型，以保持与物理系统的同步，并通过不断的验证和校准保证模型的准确性，同时利用模型进行未来行为的预测和操作优化，最终实现复杂系统分析和决策支持的目的。

王科^［36］通过数据融合构建机器人数字孪生模型，开发视觉位姿估计和深度强化学习算法，实现自适应运动规划，并引入装配精度反馈机制优化作业参数，提升装配质量与流程稳定性。高学伟^［37］提出改进的数据驱动建模方法，采用特征参数矩阵和模糊聚类技术进行工况划分，通过多层次相似度度量实现变量关联分析，提升了模型的自适应能力。Ongoo等^［38］强调数字孪生环境需整合实时数据流，建立多精度模型组合，并通过统计测试维持模型准确性。Müller等^［39］提出基于同步化、模式识别和补偿学习的自洽建模方法，通过自主移动机器人验证了该方法的有效性。

3.3　模型轻量化技术

数字孪生轻量化技术通过优化算法减少模型复杂度与数据量，从而降低计算资源的需求和成本。该技术使得实时仿真和远程监控等应用在保持足够精度的同时，能够在资源受限的设备上高效运行，支持更广泛的物联网部署。借助高效的压缩技术和边缘计算能力，轻量化技术增强了数字孪生系统的可扩展性和响应速度。当前主流的轻量化技术主要分为数据降维优化和模型优化2类。

在数据降维优化方面，Zhang等^［40］提出改进正交分解法构建燃煤锅炉温度场数字孪生模型，通过有限体积法模拟工况，结合小波变换和频谱正交分解降维，利用支持向量回归重构温度场，提高模型精度。Gong等^［41］通过模型数据分离与压缩技术，在有限计算资源下优化数字孪生技术，提升运行效率和用户体验，并采用动画与拓扑数据分开管理及按需加载方式，加快三维模型的数据检索与加载速度。在模型优化方面，徐磊等^［42］归纳了3种轻量化策略：简化模型法利用专业知识精简模型，保持物理原理；投影法将高维问题降至低维求解；代理模型法构建输入输出映射，涵盖多种技术。孙少楠等^［43］针对水利工程提出数字孪生虚拟实体的轻量化方法，采用改进四面体误差度量算法和低多边形算法简化几何模型。

动车组数字孪生的轻量化旨在减少计算资源占用，提高实时响应能力。其核心技术路径包含5个关键方面：精简数据流，使用数据压缩算法消除冗余信息；利用降阶建模技术简化数学模型；结合云计算与边缘计算，合理分配计算任务；实施增量更新策略，节约带宽资源；选用高效通信协议。

4 运维决策优化技术

基于数字孪生的故障预测与状态评估方法是支撑动车组运维决策的核心环节，通过对动车组状态的精准识别，一方面保障动车组运行安全，另一方面降低不必要的过度维修，提高经济性。其技术路线如图6所示。

该技术路线包括4个阶段：首先，构建高保真动车组数字孪生模型，建立物理实体与虚拟模型之间的映射机制，实现运行数据的同步更新。其次，从时域、频域和时频域等多个维度提取反映系统健康状态的特征向量。然后，采用深度学习方法训练故障预测模型，结合数字孪生仿真验证，实现动车组关键部件的故障预测与健康状态评估。最后，基于预测评估结果，在维修资源约束下，通过多目标优化算法生成维修决策方案。

4.1　特征向量提取及参数识别

健康状态向量的提取及参数辨识技术在动车组故障预测中起到了核心作用。该技术通过获取与系统健康状态相关的关键参数，构建综合的健康状态向量，用于全面评估动车组的运行状态。围绕这一技术，形成了诸多研究成果。

徐凯等^［44］基于量子粒子群优化算法，结合帕累托原理与列车工况序列，提出1种多目标混沌粒子群算法，通过全局搜索与局部优化相结合，优化列车自动驾驶速度曲线。刘小峰等^［45］构建非饱和-非对称二维随机共振系统，结合最佳耦合方式，采用多尺度简化粒子群优化算法进行多参数同步优化，该系统可显著增强特征信号幅值，提高噪声利用率。孙波等^［46］提出1种融合细菌觅食优化算法和粒子群优化算法的高斯混合模型，用于轨道电路故障诊断，该模型为期望最大化算法提供更优的初始值，避免其陷入局部最优。智鹏鹏等^［47］基于子集模拟方法求解结构失效概率，采用改进差分进化粒子群算法优化样本数与初始条件概率，提高了转向架构架可靠性分析与健康状态评估的准确性与可靠性。罗泽霖等^［48］针对ZPW-2000A型轨道电路故障诊断无法动态感知调谐区性能变化的问题，结合粒子群算法与遗传算法，提出基于综合检测列车数据的调谐区性能感知方法，该方法可动态感知性能变化，准确定位异态设备。

综上所述，健康状态向量提取及参数识别技术在动车组运维中具有重要作用，能够有效评估各子系统的运行状态。通过标准化处理和特征值分解，从多维度数据中提取关键参数，构建健康状态向量，为精确评估系统健康提供了强有力的支持。

4.2　孪生驱动的故障预测与状态评估

在动车组运维中，故障预测与健康状态评估是保障系统安全可靠运行的关键。然而，系统健康状态评估面临数据不平衡及复杂故障机理耦合的挑战。基于数字孪生的故障预测方法能够提升算法适应性，有效应对数据不平衡和样本稀少的问题。目前，面向装备运维业务，已形成系列化的基于数字孪生的故障预测与状态评估技术。

针对不同的技术难题，学者们结合多种前沿技术，提出了创新的解决方案，有效提高了预测精度和诊断能力。顾佳^［49］针对高速列车复杂结构和运营环境，提出基于工况辨识和多任务深度学习的轴承状态预测与健康管理方法。王晓东^［50］提出基于数字孪生的故障诊断迁移方法，利用虚拟轴承孪生体泛化知识，解决故障数据缺失问题，该方法在样本稀缺时仍能有效训练诊断模型，降低试验成本与风险，提升动车组轴承故障诊断与健康评估可用性。崔言杰等^［51］构建动车组数字孪生五维模型，提出基于数字孪生的故障预测方法，模拟轴箱轴承的运行状态，结合粒子滤波算法进行故障预测。

Yang等^［52］提出基于多任务2D-CNN的高速列车冲击损伤监测方法，将一维信号转为二维灰度图像，通过多任务学习实现特征提取、位置分类和能量量化，该方法有效提高了监测准确性，降低了训练时间。王军^［53］针对高速列车健康管理需求，搭建了涵盖数据、设计、制造和健康管理的谱系化技术平台，通过集成研制与使用数据，结合模块化设计和故障预测技术，完成CRH系列动车组工程实践，提升了研制效率和运营品质。刘洋等^［54］针对高速列车无线网络控制中的时延与执行器故障问题，设计了改进粒子群算法优化的卷积神经网络-门控递归单元模型，通过反向传播神经网络学习故障参数，显著提升了预测精度与列车运行平稳性。牛齐明等^［55］提出基于深度堆叠去噪自编码器和时滞支持向量机融合模型，通过特征降维和健康指标分析，实现高铁牵引电机轴承健康趋势的精准预测。董寅超等^［56］提出基于机器学习的ZPW-2000轨道电路健康评价方法，结合半监督聚类和XGBoost模型构建评分体系，实现精准数据标注和状态评估。

故障预测体系是基于数字孪生的动车组运维系统的重要组成部分，通过对动车组运行数据的实时采集、分析与建模，实现故障的早期识别与精准预测。该体系利用传感器网络获取多源异构数据，包括振动、温度、应力等关键参数，并通过机器学习和深度学习算法构建故障预测模型。张雨晨等^［57］提出TSOBP-ARIMA-Prophet组合模型，并将其应用于动车组牵引系统，显著提升了故障率预测精度。戴胜华等^［58］为解决轨道电路故障预测的复杂性问题，提出基于注意力机制和双向LSTM网络的预测方法，以轨道电路微机监测数据为基础，通过SMOTE算法扩充数据，并利用Hyperband优化超参数组合，实现了故障状态的准确预测。魏伟等^［59］提出基于变分模态分解和门控循环单元的预测模型，其均方根误差和平均绝对误差均低于其他模型。Huang等^［60］提出基于改进ICEEMDAN和1D-CNN的方法，用于高速列车转向架故障诊断，通过提取高频特征实现分类与定位。Guo等^［61］为满足高速列车传感器数据的故障检测需求，提出基于统计特征与改进宽度学习系统的框架，用于高速列车传感器故障检测，该方法在准确性和效率上均优于多数主流方法。

综上所述，故障预测与健康状态评估在动车组运维中具有至关重要的作用，尤其是在面对复杂且不平衡的故障数据时。基于数字孪生的故障预测技术有望解决多变工况下的预测精度与鲁棒性挑战，提升预测算法的稳定性。

4.3　精准运维方案优化

动车组运用检修方案包括动车组运用计划和检修计划。其中，运用计划是在既定动车组数量和交路条件下，为每日的交路分配状态良好的动车组，其编制应遵循最小化动车组使用数量、最大化利用率的原则。检修计划则根据动车组的预防性检修规程，在1，2级预防性检修项目的检修周期内，合理安排动车组在某时间段进行具体的检修作业。

精准化运用检修方案优化旨在通过数字孪生、仿真分析、故障预测、状态评估与优化算法相结合，提升检修决策的科学性和效率，确保列车的高效、安全运行。通过健康监测与故障预测算法，分析动车组关键部件的运行数据，识别高风险动车组及其部件。

郝伟^［62］针对高速动车组高级修计划里程预测难题，提出经验模态分解与优化深度学习的预测算法，通过将里程序列分解为高低频分量，构建深度置信网络模型，显著提升预测精度。滕莉娜^［63］基于故障树分析法构建动车组检修风险管理模型，通过计算顶事件概率和底事件重要度优化风险管理结构，该模型可显著提升检修安全性和稳定性。彭其渊等^［64］构建了基于网络流的城轨车底运用与检修协同优化模型，考虑车场配属、检修能力等约束，采用大规模邻域搜索算法求解，在列检能力不同情况下均能优化资源配置，提升全天候运行效率。史锦堂等^［65］提出基于字典排序的二级优化模型，以最小化关键线区占用时间和存车次数为目标，综合考虑车场布置、检修顺序及进路冲突等因素，有效提升动车所调车作业计划编制质量。武建平等^［66］提出多目标0-1整数规划模型，采用ε-constraint法求解帕累托前沿，基于拉格朗日坐标系与欧拉坐标系，耦合高级修作业时间和地点信息，平衡检修效率与资源利用率，可显著提升高级修轮廓计划质量。

综上所述，各研究围绕动车组运行与检修的核心问题提出了多样化的解决方案。这些成果为精准运维模式下的动车组运用检修方案优化奠定了坚实的基础，推动了动车组运维从传统经验型管理向智能化、精细化和高效化方向发展，为未来高效、安全的铁路运维体系建设提供了重要借鉴。

5 检修作业交互技术

动车组作业环境面临诸多挑战，包括场景复杂、运维知识识别困难以及沉浸式环境交互繁琐等问题。检修作业交互技术为动车组运维人员提供了沉浸式的交互环境，通过构建直观的虚拟环境，利用AR，VR技术及移动设备，提高动车组作业人员的工作效率。肖楠等^［67］提出基于数字孪生的牵引电机检修技术，构建四层级架构和三层树状模型，实现数据集成与场景还原。检修作业交互技术具体环节如图7所示。

检修作业中的交互技术涵盖4个核心环节：虚拟环境构建技术通过激光扫描和摄影技术创建数字孪生模型，实现实时操作优化；视觉增强技术利用机器视觉展示故障数据，支持决策和设备状态跟踪；沉浸式交互技术结合AR/VR提升故障诊断和维修展示效果，并通过手势与语音识别提高效率；远程协同技术支持专家远程指导和多团队同步作业。这些技术共同构建了1个高效互动平台，显著提升了检修精度和效率，特别是在故障诊断和远程协作方面。

其中AR技术通过智能眼镜或移动设备，将虚拟信息与现实世界实时叠加，为检修人员提供操作指导。运维人员在检查各个部件时，可通过AR技术看到实时的故障诊断数据、检修流程或历史故障记录。这种实时信息的提供不仅能够提升工作效率，还能减少操作时的错误。VR交互为运维人员提供了沉浸式作业体验。通过佩戴VR头盔或专用设备，检修人员能够进入仿真的虚拟环境，模拟真实的检修操作。VR技术可精确还原动车组检修环境，并在虚拟空间中模拟操作流程和维修步骤，帮助操作人员熟悉流程并减少误操作。周明星^［68］提出了1套利用AR技术和物联网相结合的质量管控系统，以解决当前动车组关键部件检修中对人工经验依赖过高及大规模批量检修质量难以保障的问题。

混合现实技术（Mixed Reality，MR）作为1种新兴的人机交互技术，不仅实现了虚拟信息与现实部件的深度融合，更通过增强现实交互显著提升了运维效率。在运维场景中，利用MR技术进行物理操作模拟，包括故障排除、部件更换等关键任务，使检修过程更加直观高效。具体而言，运维人员可通过自然交互方式（如手势控制、语音指令）与虚拟环境实时互动，快速获取维修指导信息，完成设备拆装模拟等操作，从而有效提高检修精度和工作效率。史开志等^［69］将MR技术应用于动车组车钩检修流程优化中，在提升检修效率的同时，显著增强了作业的安全性和精准度。

通过对虚拟环境构建技术、视觉增强技术及沉浸式交互方法等关键技术的梳理，可支撑数字孪生与动车组运维作业的深度融合，并提升作业过程的智能化和自动化水平。

5.1　虚拟环境搭建

虚拟环境的搭建是构建沉浸式交互作业系统的基础，通过模拟真实的工作场景，提供1个高度仿真且交互性强的作业平台。在动车组检修作业中，基于数字孪生技术构建的虚拟环境能够精确映射动车组各部件及系统的实时状态，从而为检修人员提供1个逼真的操作体验。虚拟环境的搭建需要以下3个关键步骤。

（1）三维建模。利用激光扫描、摄影测量等技术获取动车组各部件的三维数据，构建具备高保真度的虚拟模型，确保模型能够准确反映各个部件的实时工作状态。

（2）动态交互。集成物理引擎和仿真技术，实现虚拟环境对用户操作的实时响应。该技术可支持工具使用模拟、操作流程再现以及部件拆装等关键交互功能。

（3）数字孪生技术。基于实时数据传输机制，创建与实际动车组系统同步的虚拟副本。通过整合传感器采集的运行数据（如温度、振动、压力等），动态更新虚拟环境中模型的状态，实现精准的故障预测与检修任务。

数字孪生技术在动车组运维领域已取得显著成效。房巨山等^［70］开发了基于BIM与3D-GIS的动车所数字孪生平台，集成设备定位、检修监控、故障预测等功能，通过虚实结合提升运维决策的准确性和时效性，显著增强了设备健康管理水平。Ruan等^［71］构建基于数字孪生的高速列车运营控制系统框架，采用六维结构模型提升安全性和效率。设计滑模控制器结合比例积分、速度前馈和滑模模块，实现精确跟踪。马小平等^［72］针对既有铁路监测系统预测能力不足的问题，提出基于数字孪生和MBSE技术的铁路监测仿真推演系统架构，通过SysML建模，支撑铁路防灾系统数字化转型，为运维升级提供技术指导。臧文浩^［73］针对车站联锁设备监控需求，设计了基于数字孪生五维模型的三维可视化系统，通过轻量化建模和WebGL渲染，实现设备精准定位与故障报警。徐磊等^［74］提出了1种转向架数字孪生体的建模框架，能够实时动态反映转向架全生命周期的动力学及强度性能，为转向架数字孪生的工程应用提供了核心模块设计方案，推动了列车运维模式的革新。

综上所述，通过虚拟环境的构建，运维人员不仅能够直观地观察到每个部件的状态，还可以在虚拟平台中进行操作模拟，对构建动车组沉浸式运维作业环境具有重要的参考价值。

5.2　视觉增强技术

视觉增强技术在沉浸式作业环境中具有重要作用，尤其是在动车组检修过程中，通过提供实时的视图、信息层叠和故障提示，帮助运维人员更准确地执行操作，从而提高工作效率并减少操作失误。

王耀东等^［75］构建了基于机器视觉的便携式轨道图像采集系统，创建了重载铁路钢轨表面多目标图像数据集，实现4种典型缺陷智能识别，并提升了检修准确性和效率。崔晓宁等^［76］提出基于YOLO-v5的裂缝检测模型，用于双块式轨枕裂缝智能识别，该模型具备良好的泛化能力和鲁棒性，满足了实际环境下的轨道设备裂缝检测需求。刘俊博等^［77］为解决样本不平衡问题，提出基于在线学习策略的扣件区域定位算法，构建了动态更新模板库和自动标注样本的算法框架，该算法具有高可靠性和多线路适应能力。管春玲等^［78］提出基于深度学习的制动盘闸片检测方法，结合Faster R-CNN与目标边缘损失函数，解决了ROI池化过程中目标特征错位问题，显著提升了检测准确性与效率。

Li等^［79］搭建了基于混合主动与洞察驱动机制的InsigHTable系统，通过深度强化学习框架优化层次化表格可视化的构建过程，解决了奖励稀疏问题，可辅助列车健康管理，并通过可视化提升决策效率，增强操作体验与决策支持。Han等^［80］开发了基于增强现实技术的低成本视觉模拟工具，用于列车部件故障模拟与维护培训，通过Unity3D引擎驱动，结合Eazy AR和图像处理技术，实现场景漫游、故障维修与人机交互，解决了传统培训理论与实践脱节问题。

综上，视觉增强技术在动车组的运维过程中，通过增强现实、计算机视觉、图像处理和混合现实等技术手段的融合应用，能够极大提高检修作业的实时性和精确度。不仅帮助运维人员进行快速、精准的故障诊断，还能减少人为操作失误，提升动车组的运行安全性与稳定性。

5.3　沉浸式交互方法

沉浸式交互方法在动车组检修作业中扮演着关键角色，为检修人员提供了更加自然、直观的操作体验。这些方法通过结合VR，AR和触觉反馈等技术，模拟真实的操作环境，提高作业效率和质量，降低操作难度和风险。通过将虚拟和现实无缝融合，沉浸式交互技术能够优化整个检修过程，提升安全性、精确度和效率。

孔吉宏等^［81］开发了基于VR的电力检修测评系统，通过MakeReal3D平台构建虚拟检修和仿真平台，采用模型轻量化与多手段交互技术，搭建沉浸式头盔仿真环境和五面LED-CAVE系统，提升了检修效率和安全性。谢钦^［82］基于Bentley BIM数据和虚幻4引擎（UE4），构建车辆基地VR仿真场景，实现沉浸式交互与设备模拟操作。岳彪等^［83］基于虚拟现实和人机交互技术，构建了牵引变电站系统的虚拟仿真模型，通过高沉浸感的虚拟场景，提升了实践能力和专业素养。

史开至等^［84］针对动车组车钩检修问题，提出基于混合现实的辅助检修方法，通过虚实注册融合与数据交互技术，构建MR检修模型，结合Unity3D与HoloLens实现手势识别和视线追踪等多模态交互。Wagner等^［85］在VR中将轨迹与桌面的地图相关联，并设计相应的手势操作，帮助用户更便捷地观察轨迹在时序上的变化，从而辅助理解与探索时空立方体中的三维轨迹。Dwyer等^［86］利用第三维度构建数字孪生体的可视化方案，通过对比不同流图可视化技术在不同参考空间的表现，证实采用高度编码流量属性的方案最为高效。Kwon等^［87］提出1种基于球面的顶点布局方法，将顶点分布于球面并通过边绑定技术将边置于球面外侧，有效避免了边对顶点的遮挡。Buschel等^［88］构建了节点链接图中边的设计空间，包括曲率、粗细及图符等6类可视变量编码边属性，该编码方式可有效支持有向图和无向图中的路径搜寻任务。Kraus等^［89］设计了三维热力图对比系统，利用颜色和高度的双重编码生成三维热力图，并允许用户调整热力图的重叠程度交互地完成任务。

近年来，为降低可视化的设计与使用门槛，推进可视化的普及，研究者开始提出轻量级的创作工具。Sicat等^［90］提出面向大众快速构建沉浸式可视化的工具包DXR。Cordeil等^［91］开发的IATK工具包不仅支持可视化创作，还允许设计者与沉浸式环境直接交互。DXR与IATK均为发布在Unity社区中的开源工具包，用于协助用户快速创建沉浸式可视化的数据分析系统。

通过上述技术的综合应用，沉浸式交互方法促进了动车组检修作业效率、准确性和安全性的提升。不仅能够帮助运维人员更好地理解和执行作业任务，还能减少潜在的操作风险和故障，提高动车组的运营稳定性。

6 结语

数字孪生技术为动车组运维领域带来了系统性变革，其应用从数据融合分析、孪生模型构建到决策支持与作业交互，逐步覆盖运维全流程。与传统技术相比，数字孪生通过虚实映射与实时交互显著提升了运维精准性，但全面推广仍面临技术集成、成本效益平衡与潜力挖掘三重挑战。在技术层面，多源异构数据融合困难、模型动态迭代复杂、故障级联预测能力不足等问题制约了技术落地；在应用层面，高精度传感器与算力需求推高了初期成本，但长远来看，其通过降低故障率、优化资源调配带来的效益已初现端倪。此外，数字孪生作为跨学科技术载体，不仅为动车组全生命周期管理提供新范式，更通过动态映射与精确管理推动行业标准制定，为轨道交通可持续发展注入新动能。

面向未来，数字孪生技术的深化应用需以问题为导向展开攻关。针对数据融合难题，需构建标准化数据接口与多源异构数据处理算法，推动轨道交通领域数据交互协议的统一，破解跨平台数据孤岛问题。在模型优化层面，可融合边缘计算与物联网技术提升孪生系统实时性，借助强化学习实现故障预测的自主迭代，同时通过模块化设计增强模型复用能力，降低复杂场景下的开发成本。为进一步释放技术潜力，需从应用价值维度打通“理论-技术-运维”链条：一方面深化孪生工厂与孪生车间实践，通过虚实联动优化检修流程；另一方面建立成本效益评估体系，帮助中小运维单位明晰技术投入的长期回报。值得关注的是，数字孪生与人工智能、5G等技术的交叉融合将催生新型运维模式，例如基于联邦学习的分布式故障诊断、依托数字线程的全链条追溯等，这些方向有望成为突破现有技术瓶颈的关键。

数字孪生在动车组运维中的发展离不开产学研协同创新。未来研究需聚焦3个方面：一是构建开放技术生态，推动传感器、仿真软件与运维平台的兼容适配；二是开展大规模工程验证，通过真实场景数据反哺模型优化；三是探索轻量化部署方案，如基于云计算资源的弹性孪生体构建，为不同规模运维单位提供差异化解决方案。只有实现技术攻关、成本控制与价值挖掘的闭环，才能充分发挥数字孪生技术降本增效的作用，最终推动轨道交通运维体系向智能化、可持续化方向迈进。

参考文献

[1] 王同军.基于系统论的智能高铁建设运营管理创新与实践［J］.中国铁道科学，2021，42（2）：1-8.

[2] WANG Tongjun. Innovation and Practice of Construction and Operation Management for Intelligent High-Speed Railway Based on System Theory ［J］. China Railway Science， 2021， 42 （2）： 1-8. in Chinese

[3] 杨佳.基于数字孪生的转辙机PHM方法研究［D］.北京：北京交通大学，2022.

[4] YANG Jia. Research on PHM Method of Switch Machine Based on Digital Twinning ［D］. Beijing： Beijing Jiaotong University， 2022. in Chinese

[5] 吴磊.“十四五”铁路科技创新规划［J］. 铁道技术监督，2022，50（1）：9-15，20.

[6] WU Lei. Railway Science and Technology Innovation Plan in the 14th Five-Year Plan ［J］. Railway Quality Control， 2022， 50 （1）： 9-15， 20. in Chinese

[7] 周斌，谢名源，吴克明.动车组维修体制现状分析及展望［J］.机车电传动，2017（1）：17-21.

[8] ZHOU Bin， XIE Mingyuan， WU Keming. Analysis and Prediction on the Current Situation of the Repair Class and Repair System of Electric Multiple Units （EMU） ［J］. Electric Drive for Locomotives， 2017 （1）： 17-21. in Chinese

[9] 张惟皎.基于故障预测与健康管理的动车组智能运维技术［J］.中国铁路，2024（7）：179-187.

[10] ZHANG Weijiao. Intelligent O&M Technology of EMU Based on Prognostics and Health Management ［J］. China Railway， 2024 （7）： 179-187. in Chinese

[11] ZHAO P， HAN B M. Research on the Model and Algorithm of the Flexible Operation Sequence of the First-Level Maintenance in the EMU Depot ［J］. Journal of Physics： Conference Series. IOP Publishing， 2021， 1972 （1）： 012060.

[12] LIU Y， LI P， FENG B Q， et al. Research on Digital Twin Technology and Its Application in Intelligent Operation and Maintenance of High-Speed Railway Infrastructure ［J］. Railway Sciences， 2024， 3 （6）： 746-763.

[13] 张惟皎.动车组管理信息系统的发展回顾与展望［J］.铁路技术创新，2015（2）：117-122，127.

[14] ZHANG Weijiao. Development Review and Prospect of Development of EMU Management Information System ［J］. Railway Technical Innovation， 2015 （2）： 117-122， 127. in Chinese

[15] 陈才茂.动车组车载信息无线传输及地面监控系统的应用［J］.中国信息化，2021（9）：65-66.

[16] CHEN Caimao. Application of Wireless Transmission System for on-Board Information of EMU and Ground Monitoring System ［J］. China Informatization， 2021 （9）： 65-66. in Chinese

[17] 吕赫，杨凯，李金波，等.动车组运行故障动态图像监控系统数据接口技术研究［C］//2014第九届中国智能交通年会大会论文集.广州：中国智能交通协会， 2014：956-966.

[18] He LÜ， YANG Kai， LI Jinbo， et al. Research on Data Interface Technology of Dynamic Image Monitoring System for EMU Operation Faults ［C］// China Intelligent Transportation Association. Proceedings of the 9th China Intelligent Transportation Annual Conference 2014. Guangzhou： China Intelligent Transportation Systems Association， 2014： 956-966. in Chinese）

[19] 杨凯.动车组滚动轴承故障轨旁声学联网监测应用技术研究［J］.铁道机车车辆，2021，41（3）：15-21.

[20] YANG Kai. TADS Equipment Network Monitoring Technology Research ［J］. Railway Locomotive & Car， 2021， 41 （3）： 15-21. in Chinese

[21] 林春虎.动车组运行品质轨旁动态监测系统的研究与实践［J］.哈尔滨铁道科技，2021（2）：1-3.

[22] LIN Chunhu. Research and Practice of Trackside Dynamic Monitoring System for EMU Operation Quality ［J］. Harbin Railway Science & Technology， 2021 （2）： 1-3. in Chinese

[23] FU Z L， WANG G G， GAO F， et al. Review of High-Speed Train Maintenance ［C］// 2012 International Conference on Quality， Reliability， Risk， Maintenance， and Safety Engineering. New York： IEEE Press， 2012： 419-422.

[24] SUN J， YUAN Z M， ZHANG Q， et al. Data Asset Management and Analytics in China High Speed Railways： Challenges and Perspectives ［C］// 2020 2nd International Conference on Industrial Artificial Intelligence （IAI）. New York： IEEE Press， 2020： 1-6.

[25] SUN P， ZHANG W J， JIA Z K. High-Speed Train Intelligent Maintenance Pattern and Edge-Computing Perception Model ［C］// 2021 IEEE 23rd International Conference on High Performance Computing & Communications； 7th International Conference on Data Science & Systems； 19th International Conference on Smart City； 7th International Conference on Dependability in Sensor， Cloud & Big Data Systems & Application （HPCC/DSS/SmartCity/DependSys）. New York： IEEE Press， 2021： 1331-1337.

[26] 孙扶瑶.面向数字孪生模型的动车组数据预处理关键技术研究与实现［D］.北京：北京交通大学，2020.

[27] SUN Fuyao. Research and Implementation of Key Technologies for Data Preprocessing of EMU Based on Digital Twin Models ［D］. Beijing： Beijing Jiaotong University， 2020. in Chinese

[28] 袁天宁.动车组全生命周期多源异构数据融合方法的研究与实现［D］.北京：北京交通大学，2017.

[29] YUAN Tianning. Research and Implementation of Data Fusion Methods for Multi-Source Heterogeneous Data in EMU's Whole Life Cycle ［D］. Beijing： Beijing Jiaotong University， 2017. in Chinese

[30] 刘俊.动车组关键部件数据处理方法研究与实现［D］.北京：北京交通大学，2019.

[31] LIU Jun. Research and Implementation of Data Processing Methods for Key Components of EMU ［D］. Beijing： Beijing Jiaotong University， 2019. in Chinese

[32] REN S Y， LI Y D. A Review of High Performance Computing Applications in High-Speed Rail Systems ［J］. High-Speed Railway， 2023， 1 （2）： 92-96.

[33] DENG Z X， SONG H F， HUANG H， et al. Multi-Sensor Based Train Localization and Data Fusion in Autonomous Train Control System ［C］// 2020 Chinese Automation Congress （CAC）. New York： IEEE Press， 2020： 5702-5707.

[34] LI D C， ZHANG J H， XU R X， et al. A Multisource Data Fusion Modeling Prediction Method for Operation Environment of High-Speed Train ［J］. Discrete Dynamics in Nature and Society， 2022 （1）： 5604783.

[35] XIE J S， WANG S J， LI Y Y， et al. A Simulated-to-Real Transfer Fault Diagnosis Method Based on Prototype Clustering Subdomain Adversarial Adaptation Network for HST Bogie Bearing ［J］. IEEE Transactions on Instrumentation and Measurement， 2024， 73： 3529313.

[36] LI Y Y， WANG S J， XIE J S， et al. A Lightweight Dual-Compression Fault Diagnosis Framework for High-Speed Train Bogie Bearing ［J］. IEEE Transactions on Instrumentation and Measurement， 2024， 73： 3530114.

[37] YANG B Y， WANG T T， XIE J S， et al. Deep Adversarial Hybrid Domain-Adaptation Network for Varying Working Conditions Fault Diagnosis of High-Speed Train Bogie ［J］. IEEE Transactions on Instrumentation and Measurement， 2023， 72： 3517510.

[38] 刘帅.基于数字孪生的产线状态虚实映射监测系统研究与实现［D］.西安：西安电子科技大学，2021.

[39] LIU Shuai. The Research and Implementation of a Production Line State Virtual and Real Mapping Monitoring System Based on Digital Twinning ［D］. Xi'an： Xidian University， 2021. in Chinese

[40] 牛进鑫，孙文磊，刘国良，等.基于数字孪生驱动的机器人运动仿真与状态虚实同步映射研究［J］.现代制造工程，2024（5）：48-55.

[41] NIU Jinxin， SUN Wenlei， LIU Guoliang， et al. Research on Robot Motion Simulation and Virtual-Real Synchronized Mapping Driven by Digital Twins ［J］. Modern Manufacturing Engineering， 2024 （5）： 48-55. in Chinese

[42] 胡平，韩璟琳，陈志永，等.面向数字孪生电网设施虚实映射的边缘网络资源分配方法［J/OL］.北京：华北电力大学，2024（2025-03-01）［2025-03-20］.

[43] HU Ping， HAN Jinglin， CHEN Zhiyong， et al. Edge Network Resource Allocation Method for Virtual-Physical Mapping of Digital Twin Power Grid Facilities ［J/OL］. Beijing： North China Electric Power University， 2024 （2025-03-01） ［2025-03-20］. in Chinese

[44] XIA G H， ZHOU Z Y， HAN F L， et al. Real-Time Digital Twin of Autonomous Ships Based on Virtual-Physical Mapping Model ［J］. Physics of Fluids， 2024， 36 （8）： 087109.

[45] 陶飞，刘蔚然，张萌，等.数字孪生五维模型及十大领域应用［J］ .计算机集成制造系统，2019，25（1）：1-18.

[46] TAO Fei， LIU Weiran， ZHANG Meng， et al. Five-Dimension Digital Twin Model and Its Ten Major Applications ［J］. Computer Integrated Manufacturing Systems， 2019， 25 （1）： 1-18. in Chinese

[47] 陶飞，张贺，戚庆林，等.数字孪生模型构建理论及应用［J］.计算机集成制造系统，2021，27（1）：1-15.

[48] TAO Fei， ZHANG He， QI Qinglin， et al. Theory of Digital Twin Modeling and Its Application ［J］. Computer Integrated Manufacturing Systems， 2021， 27 （1）： 1-15. in Chinese

[49] LIU J F， JI Q K， ZHOU H G， et al. A Multi-Dimensional Evolution Modeling Method for Digital Twin Process Model ［J］. Robotics and Computer-Integrated Manufacturing， 2024， 86： 102667.

[50] YANG X L， LIU X M， ZHANG H， et al. Meta-Model-Based Shop-Floor Digital Twin Architecture， Modeling and Application ［J］. Robotics and Computer-Integrated Manufacturing， 2023， 84： 102595.

[51] ZHANG L， LU H. Discussing Digital Twin from of Modeling and Simulation ［J］. Journal of System Simulation， 2021， 33 （5）： 995-1007.

[52] QIAN W W， GUO Y， ZHANG L T， et al. Towards Discrete Manufacturing Workshop-Oriented Digital Twin Model： Modeling， Verification and Evolution ［J］. Journal of Manufacturing Systems， 2023， 71： 188-205.

[53] FEDELI A， MANRIQUE NEGRIN D A. Towards a Collaborative Approach for Digital Twin Simulation Models Comprehension ［C］// MODELS Companion ’24： Proceedings of the ACM/IEEE 27th International Conference on Model Driven Engineering Languages and Systems. New York： Association for Computing Machinery， 2024： 660-664.

[54] 王科.基于数字孪生的机器人装配作业建模与规划方法及其应用［D］.杭州：浙江大学，2022.

[55] WANG Ke. Research on Modeling and Planning Methods of Robotic Assembly Operations Based on Digital Twin and Their Applications ［D］. Hangzhou： Zhejiang University， 2022. in Chinese

[56] 高学伟.数字孪生建模方法及其在热力系统优化运行中的应用研究［D］.北京：华北电力大学（北京），2021.

[57] GAO Xuewei. Research on Digital Twin Modeling Methods and Its Application to Optimal Operation of Thermalpower System ［D］. Beijing： North China Electric Power University， 2021. in Chinese

[58] ONGGO B S， CURRIE C S M. Extending Simulation Modeling Methodology for Digital Twin Applications ［C］// 2024 Winter Simulation Conference （WSC）. New York： IEEE Press， 2024： 3058-3069.

[59] MÜLLER M S， JAZDI N， WEYRICH M. Self-Improving Models for the Intelligent Digital Twin： towards Closing the Reality-to-Simulation Gap ［J］. IFAC-PapersOnLine， 2022， 55 （2）： 126-131.

[60] ZHANG Y， LI J L. Research on Digital Twin Modeling Method for Combustion Process Based on Model Reduction ［J］. Case Studies in Thermal Engineering， 2025， 65： 105619.

[61] GONG H F， SU D， ZENG S Q， et al. Advancements in Digital Twin Modeling for Underground Spaces and Lightweight Geometric Modeling Technologies ［J］. Automation in Construction， 2024， 165： 105578.

[62] 徐磊，高广军，董威，等.列车转向架数字孪生建模仿真关键技术研究［J］.铁道科学与工程学报，2023，20（5）：1846-1857.

[63] XU Lei， GAO Guangjun， DONG Wei， et al. Key Technologies of Digital Twin Modeling and Simulation for Train Bogie ［J］. Journal of Railway Science and Engineering， 2023， 20 （5）： 1846-1857. in Chinese

[64] 孙少楠，董国玉，焦红波，等.水利工程中数字孪生虚拟实体轻量化研究［J］.中国农村水利水电，2025（1）：168-174.

[65] SUN Shaonan， DONG Guoyu， JIAO Hongbo， et al. Light-Weight in Digital Twin Virtual Entity for Water Conservancy Projects ［J］. China Rural Water and Hydropower， 2025 （1）： 168-174. in Chinese

[66] 徐凯，杨飞凤，涂永超，等.基于多粒子群协同的城轨列车速度曲线多目标优化［J］.铁道学报，2021，43（2）：95-102.

[67] XU Kai， YANG Feifeng， TU Yongchao， et al. Multi-Objective Optimization of Speed Profile of Urban Rail Train Based on Multiple Particle Swarms Co-Evolutionary ［J］. Journal of the China Railway Society， 2021， 43 （2）： 95-102. in Chinese

[68] 刘小峰，黄洪升，柏林.非饱和非对称二维随机共振系统的优化及在高速铁路轴承故障诊断中的应用［J］.铁道学报，2023，45（11）：70-77.

[69] LIU Xiaofeng， HUANG Hongsheng， BAI Lin. Optimization of Unsaturated-Asymmetric Two-Dimensional Stochastic Resonance System and Its Applications in Fault Diagnosis of High-Speed Railway Bearings ［J］. Journal of the China Railway Society， 2023， 45 （11）： 70-77. in Chinese

[70] 孙波，赵梦莹，何晖.基于BFOA-PSO-GMM的轨道电路故障诊断研究［J］.铁道学报，2024，46（5）：85-91.

[71] SUN Bo， ZHAO Mengying， HE Hui. Research on Fault Diagnosis of Track Circuit Based on BFOA-PSO-GMM ［J］. Journal of the China Railway Society， 2024， 46 （5）： 85-91. in Chinese

[72] 智鹏鹏，王悦东，汪忠来，等.基于IDEPSO-SS的多工况转向架构架可靠性分析［J］.中国铁道科学，2021，42（2）：134-143.

[73] ZHI Pengpeng， WANG Yuedong， WANG Zhonglai， et al. IDEPSO-SS Based Reliability Analysis of Bogie Frame under Multiple Load Cases ［J］. China Railway Science， 2021， 42 （2）： 134-143. in Chinese

[74] 罗泽霖，孟景辉，罗依梦，等.基于PSO-GA的ZPW-2000A型轨道电路调谐区性能感知方法［J］.铁道学报，2024，46（8）：89-95.

[75] LUO Zelin， MENG Jinghui， LUO Yimeng， et al. Performance Perception Method for Track Circuit Tuning Area Based on PSO-GA ［J］. Journal of the China Railway Society， 2024， 46 （8）： 89-95. in Chinese

[76] 顾佳.基于大数据的高速动车组故障预测与健康管理关键技术研究［D］.大连：大连交通大学，2021.

[77] GU Jia. Research on Key Technologies of Fault Prediction and Health Management for High-Speed EMU Based on Big Data ［D］. Dalian： Dalian Jiaotong University， 2021. in Chinese

[78] 王晓东.基于迁移学习的动车组轴承故障诊断方法研究［D］.北京：北京交通大学，2021.

[79] WANG Xiaodong. Research on Fault Diagnosis of EMU Bearings Based on Transfer Learning ［D］. Beijing： Beijing Jiaotong University， 2021. in Chinese

[80] 崔言杰，张惟皎，王辉，等.基于数字孪生的动车组故障预测［J］.中国铁路，2024（11）：84-91.

[81] CUI Yanjie， ZHANG Weijiao， WANG Hui， et al. Fault Prediction of EMUs Based on Digital Twin ［J］. China Railway， 2024 （11）： 84-91. in Chinese

[82] YANG J， GAN Z， ZHANG X， et al. An Improved Impact Damage Monitoring Method for High-Speed Trains Using Lamb Waves and Multi-Task Learning ［J］. Applied Sciences， 2023， 13 （18）： 10235.

[83] 王军.面向PHM的高速列车谱系化产品技术平台开发和实践［J］.中国铁道科学，2021，42（1）：80-86.

[84] WANG Jun. Development and Practice of a PHM Oriented High-Speed Train Pedigree Product Technology Platform ［J］. China Railway Science， 2021， 42 （1）： 80-86. in Chinese

[85] 刘洋，李帅，李常贤.高速列车无线网络自适应滑模容错控制研究［J］.中国铁道科学，2024，45（6）：202-211.

[86] LIU Yang， LI Shuai， LI Changxian. Research on Adaptive Sliding-Mode Fault-Tolerant Control for Wireless Networks in High-Speed Trains ［J］. China Railway Science， 2024， 45 （6）： 202-211. in Chinese

[87] 牛齐明，刘峰，张奕黄.基于PHM的高速铁路牵引电机滚动轴承健康状态预测［J］.铁道学报，2020，42（7）：95-101.

[88] NIU Qiming， LIU Feng， ZHANG Yihuang. Health Condition Prediction of Rolling Element Bearings of High-Speed Train Traction Motor Based on PHM ［J］. Journal of the China Railway Society， 2020， 42 （7）： 95-101. in Chinese

[89] 董寅超，赵林海.基于机器学习的无绝缘轨道电路健康状态综合评价方法［J］.铁道学报，2023，45（12）：92-102.

[90] DONG Yinchao， ZHAO Linhai. A Comprehensive Assessment Method for Health Status of Jointless Track Circuit Based on Machine Learning ［J］. Journal of the China Railway Society， 2023， 45 （12）： 92-102. in Chinese

[91] 张雨晨，戴贤春，刘敬辉，等.预测动车组牵引系统故障率的TSOBP-ARIMA-Prophet组合模型［J］.中国铁道科学，2024，45（4）：147-157.

[92] ZHANG Yuchen， DAI Xianchun， LIU Jinghui， et al. TSOBP-ARIMA-Prophet Combined Model for Predicting the Failure Rate of EMU Traction System ［J］. China Railway Science， 2024， 45 （4）： 147-157. in Chinese

[93] 戴胜华，那岚，梁续继.基于注意力机制和双向LSTM网络的轨道电路故障预测研究［J］.铁道学报，2023，45（9）：94-102.

[94] DAI Shenghua， NA Lan， LIANG Xuji. Research on Fault Prediction of Track Circuit Based on Bidirectional LSTM and Attention Mechanism ［J］. Journal of the China Railway Society， 2023， 45 （9）： 94-102. in Chinese

[95] 魏伟，赵小强，吴进.基于VMD-ICSO-GRU的高铁列控车载设备故障率时间序列预测［J］.铁道学报，2023，45（6）：58-68.

[96] WEI Wei， ZHAO Xiaoqiang， WU Jin. Time Series Prediction of Fault Rate of High-Speed Railway on-Board Equipment Based on VMD-ICSO-GRU ［J］. Journal of the China Railway Society， 2023， 45 （6）： 58-68. in Chinese

[97] HUANG D， LI S， QIN N， et al. Fault Diagnosis of High-Speed Train Bogie Based on the Improved-CEEMDAN and 1-D CNN Algorithms. IEEE Transactions on Instrumentation and Measurement ［J］. 2021， 70： 3508811.

[98] GUO L， LI R， JIANG B. Fault Detection and Diagnosis Using Statistic Feature and Improved Broad Learning for Traction Systems in High-Speed Trains ［J］. IEEE Transactions on Artificial Intelligence， 2023， 4 （4）： 679-688.

[99] 郝伟.基于PHM技术的高速动车组关键部件智能检修理论与方法研究［D］.北京：北京交通大学，2021.

[100] HAO Wei. Research on the Theory and Method of Intelligent Maintenance for Key Components of High-Speed EMUs Based on PHM Technology ［D］. Beijing： Beijing Jiaotong University， 2021. in Chinese

[101] 滕莉娜.基于FTA的动车组检修风险管理研究［D］.大连：大连交通大学，2024.

[102] TENG Li'na. Research on Risk Management of EMU Maintenance Based on FTA ［D］. Dalian： Dalian Jiaotong University， 2024. in Chinese

[103] 彭其渊，廖珮茹，何必胜，等.全天候运行条件下的城市轨道交通车底运用与检修协同优化［J］.中国铁道科学，2022，43（6）：194-206.

[104] PENG Qiyuan， LIAO Peiru， HE Bisheng， et al. Collaborative Optimization of Rolling Stock Operation and Maintenance of Urban Rail Transit under All-Day Operation ［J］. China Railway Science， 2022， 43 （6）： 194-206. in Chinese

[105] 史锦堂，黎浩东，曹恒，等.考虑灵活存车和列位占用的动车所调车作业计划编制［J］.中国铁道科学，2022，43（1）：152-162.

[106] SHI Jintang， LI Haodong， CAO Heng， et al. Shunting Operation Planning at EMU Depots Considering Train Flexible Storage and Position Occupation ［J］. China Railway Science， 2022， 43 （1）： 152-162. in Chinese

[107] 武建平，聂英杰，林柏梁，等.基于Pareto最优的动车组高级修轮廓计划多目标决策研究［J］.铁道学报，2023，45（6）：1-8.

[108] WU Jianping， NIE Yingjie， LIN Bailiang， et al. Research on Multi-Objective Decision-Making for High-Level Maintenance Outline Plan of EMU Based on Pareto Optimality ［J］. Journal of the China Railway Society， 2023， 45 （6）： 1-8. in Chinese

[109] 肖楠，高颜，孙克帅，等.基于数字孪生的动车组牵引电机检修可视化管控系统［J］.智慧轨道交通，2024，61（4）：58-62.

[110] XIAO Nan， GAO Yan， SUN Keshuai， et al. Visualized Management and Control System for Maintenance of EMU Traction Motors Based on Digital Twin ［J］. Intelligent Rail Transit， 2024， 61 （4）： 58-62. in Chinese

[111] 周明星.基于AR技术的高铁动车组关键部件自主修质量管控系统研究［J］.铁道建筑技术，2024（11）：10-14，73.

[112] ZHOU Mingxing. Research on Quality Control System for Autonomous Repair of Key Components of EMU Based on AR Technology ［J］. Railway Construction Technology， 2024 （11）： 10-14， 73. in Chinese

[113] 史开志，肖乾.基于混合现实的动车组车钩辅助检修方法研究［J］.华东交通大学学报，2023，40（3）：109-115.

[114] SHI Kaizhi， XIAO Qian. Research on Auxiliary Maintenance Method of Coupler for EMU Based on Mixed Reality ［J］. Journal of East China Jiaotong University， 2023， 40 （3）： 109-115. in Chinese

[115] 房巨山，王君玲.动车所数字孪生可视化运维管理平台设计与应用［J］.技术与创新管理，2021，42（4）：477-482.

[116] FANG Jushan， WANG Junling. Design and Application of 3D Visual Operation and Maintenance Management Platform of Smart EMU Based on Digital Twin Technology ［J］. Technology and Innovation Management， 2021， 42 （4）： 477-482. in Chinese

[117] RUAN Y X， YANG Y， ZHANG Z Y， et al. A Digital Twin-Based Operation Control for High-Speed Train ［C］// 2024 43rd Chinese Control Conference （CCC）. New York： IEEE Press， 2024： 6501-6506.

[118] 马小平，王旭，贾利民，等.基于数字孪生和MBSE的铁路防灾监测仿真推演系统设计［J］.中国铁道科学，2024，45（3）：168-181.

[119] MA Xiaoping， WANG Xu， JIA Limin， et al. Design of Railway Disaster Prevention Monitoring Simulation System Based on Digital Twin and MBSE ［J］. China Railway Science， 2024， 45 （3）： 168-181. in Chinese

[120] 臧文浩.面向数字孪生的车站联锁三维可视化监控技术研究［D］.兰州：兰州交通大学，2023.

[121] ZANG Wenhao. Research on 3D Visualization and Monitoring Technology of Station Interlocking for Digital Twin ［D］. Lanzhou： Lanzhou Jiaotong University， 2023. in Chinese

[122] 徐磊，高广军，董威，等.列车转向架数字孪生建模仿真关键技术研究［J］.铁道科学与工程学报，2023，20（5）：1846-1857.

[123] XU Lei， GAO Guangjun， DONG Wei， et al. Key Technologies of Digital Twin Modelling and Simulation for Train Bogie ［J］. Journal of Railway Science and Engineering， 2023， 20 （5）： 1846-1857. in Chinese

[124] 王耀东，于航，李宁，等.基于纹理特征增强的重载铁路钢轨缺陷检测算法［J］.铁道学报，2024，46（11）：93-101.

[125] WANG Yaodong， YU Hang， LI Ning， et al. Defect Detection Algorithm for Heavy-Haul Railway Rails Based on Texture Feature Enhancement ［J］. Journal of the China Railway Society， 2024， 46 （11）： 93-101. in Chinese

[126] 崔晓宁，王起才，李盛，等.基于YOLO-v5的双块式轨枕裂缝智能识别［J］.铁道学报，2022，44（4）：104-111.

[127] CUI Xiaoning， WANG Qicai， LI Sheng， et al. Intelligent Recognition of Cracks in Double Block Sleeper Based on YOLO-v5 ［J］. Journal of the China Railway Society， 2022， 44 （4）： 104-111. in Chinese

[128] 刘俊博，黄雅平，王胜春，等.基于机器视觉的多线路钢轨扣件缺损检测方法［J］.中国铁道科学，2019，40（4）：27-35.

[129] LIU Junbo， HUANG Yaping， WANG Shengchun， et al. Rail Fastener Defect Detection Method for Multi Railways Based on Machine Vision ［J］. China Railway Science， 2019， 40 （4）： 27-35. in Chinese

[130] 管春玲，许迎杰，宋跃超.基于深度学习的动车组制动盘闸片视觉定位检测［J］.城市轨道交通研究，2024，27（12）：68-74，80.

[131] GUAN Chunling， XU Yingjie， SONG Yuechao. Visual Positioning Detection of EMU Brake Pad Based on Deep Learning ［J］. Urban Mass Transit， 2024， 27 （12）： 68-74， 80. in Chinese

[132] LI G， LI R， WANG Z， et al. HiTailor： Interactive Transformation and Visualization for Hierarchical Tabular Data ［J］. IEEE Transactions on Visualization and Computer Graphics， 2023， 29 （1）： 139-148.

[133] HAN E， SU H， YUN C. Application of Augmented Reality Technology in Train Maintenance Training System ［C］//Fourteenth International Conference on Graphics and Image Processing （ICGIP 2022）. USA： SPIE， 2023： 1270532.

[134] 孔吉宏，罗茜，雒文琦，等.基于沉浸式虚拟现实的电力检修技术测评系统设计［J］.微型电脑应用，2024，40（7）：56-58，67.

[135] KONG Jihong， LUO Xi， LUO Wenqi， et al. Design of Power Maintenance Technology Evaluation System Based on Immersive VR ［J］. Microcomputer Applications， 2024， 40 （7）： 56-58， 67. in Chinese

[136] 谢钦.基于VR的城市轨道交通车辆基地检修模拟仿真及应用［J］.现代信息科技，2024，8（4）：121-126，131.

[137] XIE Qin. Maintenance Simulation and Application of Urban Rail Transit Vehicle Base Based on VR ［J］. Modern Information Technology， 2024， 8 （4）： 121-126， 131. in Chinese

[138] 岳彪，王阳萍，党建武，等.高铁牵引变电站巡视及检修沉浸式虚拟仿真资源开发［J］.试验技术与管理，2022，39（5）：166-170.

[139] YUE Biao， WANG Yangping， DANG Jianwu， et al. Immersive Virtual Simulation Resource Development for Inspection and Maintenance of High-Speed Railway Traction Substation ［J］. Experimental Technology and Management， 2022， 39 （5）： 166-170. in Chinese

[140] 史开志，肖乾.基于混合现实的动车组车钩辅助检修方法研究［J］.华东交通大学学报，2023，40（3）：109-115.

[141] SHI Kaizhi， XIAO Qian. Research on Auxiliary Maintenance Method of Coupler for EMU Based on Mixed Reality ［J］. Journal of East China Jiaotong University， 2023， 40 （3）： 109-115. in Chinese

[142] FILHO J A W， STUERZLINGER W， NEDEL L. Evaluating an Immersive Space-Time Cube Geovisualization for Intuitive Trajectory Data Exploration ［J］. IEEE Transactions on Visualization and Computer Graphics， 2020， 26 （1）： 514-524.

[143] YANG Y， DWYER T， JENNY B， et al. Origin-Destination Flow Maps in Immersive Environments ［J］. IEEE Transactions on Visualization and Computer Graphics， 2019， 25 （1）： 693-703.

[144] KWON O H， MUELDER C， LEE K， et al. A Study of Layout， Rendering， and Interaction Methods for Immersive Graph Visualization ［J］. IEEE Transactions on Visualization and Computer Graphics， 2016， 22 （7）： 1802-1815.

[145] BÜSCHEL W， VOGT S， DACHSELT R. Augmented Reality Graph Visualizations ［J］. IEEE Computer Graphics and Applications， 2019， 39 （3）： 29-40.

[146] KRAUS M， ANGERBAUER K， BUCHMÜLLER J， et al. Assessing 2D and 3D Heatmaps for Comparative Analysis： an Empirical Study ［C］// CHI ’20： Proceedings of the CHI Conference on Human Factors in Computing Systems. New York： Assciation for Computing Machinery， 2020： 1-14.

[147] SICAT R， LI J B， CHOI J Y， et al. DXR： a Toolkit for Building Immersive Data Visualizations ［J］. IEEE Transactions on Visualization and Computer Graphics， 2019， 25 （1）： 715-725.

[148] CORDEIL M， CUNNINGHAM A， BACH B， et al. IATK： an Immersive Analytics Toolkit ［C］// 2019 IEEE Conference on Virtual Reality and 3D User Interfaces （VR）. New York： IEEE Press， 2019： 200-209.

基金资助

国家自然科学基金资助项目(U2268205)