RailWise KB已发布

RAILWISE-TSM全站仪自动化AI工具

RAILWISE-TSM是RailWise的全站仪自动化监测平台，基于Next.js/NestJS/Rust/WASM技术栈构建。本文档介绍其AI工具模块的功能、API接口和使用方法，实现全站仪的智能化自动化监测。

复核 2026-07-09入门公开可引用RailWise 技术团队

ai-guide

RAILWISE-TSM全站仪自动化AI工具

概述

RAILWISE-TSM（Total Station Monitoring）是 RailWise 推出的 全站仪自动化监测平台，专为轨道交通、桥梁、基坑等工程监测场景设计。平台基于 Next.js（前端）、NestJS（后端）、Rust/WASM（核心计算）技术栈构建，集成了AI驱动的自动化测量、实时分析和智能预警功能。

适用场景

场景	说明	典型项目
盾构施工监测	盾构侧穿期间的桥墩、建筑物变形监测	轨道交通3号线控制保护区
桥梁健康监测	桥梁结构位移、沉降、应力长期监测	高架桥健康监测
基坑工程监测	基坑周边建筑物、地下管线变形监测	深基坑工程
隧道收敛监测	隧道断面收敛、地表沉降监测	山岭隧道/城市隧道
高边坡监测	边坡位移、深层水平位移监测	路基高边坡

版本信息

项目	版本	技术栈
RAILWISE-TSM	3.1.0	-
前端	3.1.0	Next.js 14, React 18, TypeScript
后端	3.1.0	NestJS 10, Node.js 20
核心计算	3.1.0	Rust 1.78, WASM
AI引擎	2.0	ONNX Runtime

系统架构

┌─────────────────────────────────────────────────────────────────────┐
│                      RAILWISE-TSM 架构                              │
├─────────────────────────────────────────────────────────────────────┤
│  ┌──────────────┐  ┌──────────────┐  ┌──────────────┐              │
│  │   Web 前端    │  │  桌面客户端   │  │   CLI工具     │              │
│  │  (Next.js)   │  │  (Electron)  │  │ (RAILWISE-CLI)│              │
│  └──────┬───────┘  └──────┬───────┘  └──────┬───────┘              │
│         │                  │                  │                      │
│         └──────────────────┼──────────────────┘                      │
│                            ▼                                        │
│              ┌──────────────────────────────┐                       │
│              │      API Gateway (NestJS)     │                       │
│              │    REST API / WebSocket / gRPC  │                       │
│              └──────────────┬───────────────┘                       │
│                             │                                       │
│         ┌───────────────────┼───────────────────┐                   │
│         ▼                   ▼                   ▼                   │
│  ┌──────────────┐  ┌──────────────┐  ┌──────────────┐              │
│  │  业务服务层   │  │  AI服务层     │  │  设备服务层   │              │
│  │  - 项目管理   │  │  - 数据分析   │  │  - 全站仪控制 │              │
│  │  - 测点管理   │  │  - 异常检测   │  │  - 传感器接入 │              │
│  │  - 数据管理   │  │  - 趋势预测   │  │  - 数据采集   │              │
│  │  - 报告管理   │  │  - 预警判定   │  │  - 设备状态   │              │
│  └──────┬───────┘  └──────┬───────┘  └──────┬───────┘              │
│         │                  │                  │                      │
│         └──────────────────┼──────────────────┘                      │
│                            ▼                                        │
│              ┌──────────────────────────────┐                       │
│              │    Rust/WASM 核心计算引擎      │                       │
│              │  - 坐标计算  - 平差处理         │                       │
│              │  - 矩阵运算  - 统计推断         │                       │
│              │  - 模型推理  - 数据压缩         │                       │
│              └──────────────┬───────────────┘                       │
│                             │                                       │
│              ┌──────────────┴───────────────┐                       │
│              │      数据持久化层              │                       │
│              │  PostgreSQL  +  Redis  +  MinIO  │                       │
│              └──────────────────────────────┘                       │
└─────────────────────────────────────────────────────────────────────┘

AI工具模块

RAILWISE-TSM 的 AI 工具模块包含以下核心组件：

1. 智能测量调度器（Smart Survey Scheduler）

基于项目状态、天气条件、设备状态和历史数据，智能优化测量计划。

核心功能：

动态调整测量频率（正常/加密/特密）
避开恶劣天气窗口
设备负载均衡
优先级队列管理

配置示例：

{
  "scheduler": {
    "mode": "adaptive",
    "base_interval": 300,
    "rules": [
      {
        "condition": "alert_level == 'red'",
        "action": "set_interval",
        "value": 60
      },
      {
        "condition": "alert_level == 'orange'",
        "action": "set_interval",
        "value": 120
      },
      {
        "condition": "weather.wind_speed > 15",
        "action": "pause",
        "duration": 3600
      }
    ]
  }
}

2. 数据质量评估器（Data Quality Assessor）

实时评估测量数据质量，自动识别可疑数据并触发复测。

评估维度：

维度	指标	阈值
精度	测回差、半测回差	≤ 2.0mm
稳定性	相邻测次变化量	≤ 3.0mm
一致性	与历史趋势一致性	95%置信区间
完整性	数据缺失率	≤ 5%

API调用：

import { TSMClient } from '@railwise/tsm-sdk';

const client = new TSMClient({
  baseURL: 'https://tsm.railwise.cn',
  apiKey: 'rw_tsm_xxxxxxxx'
});

// 评估单次测量数据质量
const quality = await client.ai.assessQuality({
  projectId: 'proj_rw_2026_001',
  surveyId: 'survey_20260708_001',
  metrics: ['precision', 'stability', 'consistency', 'completeness']
});

console.log(quality.score); // 0-100 质量评分
console.log(quality.issues); // 发现的问题列表

3. 变形趋势预测器（Deformation Forecaster）

基于时间序列模型预测测点未来的变形趋势。

支持的模型：

模型	适用场景	预测 horizon
ARIMA	线性趋势	1-7天
Prophet	周期性变化	1-30天
LSTM	复杂非线性	1-7天
灰色模型	小样本	1-3天

API调用：

// 获取变形预测
const forecast = await client.ai.forecast({
  projectId: 'proj_rw_2026_001',
  pointIds: ['P1', 'P2', 'P3'],
  horizon: 72, // 预测未来72小时
  model: 'prophet',
  confidence: 0.95
});

// 预测结果
forecast.results.forEach(result => {
  console.log(`测点 ${result.pointId}:`);
  console.log(`  预测值: ${result.predictedValue.toFixed(2)} mm`);
  console.log(`  置信区间: [${result.lowerBound.toFixed(2)}, ${result.upperBound.toFixed(2)}] mm`);
  console.log(`  预警概率: ${(result.alertProbability * 100).toFixed(1)}%`);
});

4. 异常检测引擎（Anomaly Detection Engine）

基于统计学和机器学习算法，自动检测数据异常。

算法库：

算法	类型	适用场景
3σ准则	统计	单点异常
Grubbs检验	统计	离群值检测
Isolation Forest	机器学习	多维异常
LOF	机器学习	局部异常
Autoencoder	深度学习	复杂模式异常

API调用：

// 执行异常检测
const anomalies = await client.ai.detectAnomalies({
  projectId: 'proj_rw_2026_001',
  pointIds: ['all'],
  startDate: '2026-07-01',
  endDate: '2026-07-08',
  algorithms: ['isolation_forest', 'grubbs'],
  sensitivity: 'high'
});

// 处理异常结果
anomalies.forEach(anomaly => {
  if (anomaly.severity === 'critical') {
    console.warn(`严重异常: 测点 ${anomaly.pointId} 于 ${anomaly.timestamp}`);
    console.warn(`  异常值: ${anomaly.value} mm (预期范围: ${anomaly.expectedRange})`);
    console.warn(`  建议操作: ${anomaly.recommendedAction}`);
  }
});

5. 智能预警判定器（Smart Alert Classifier）

根据监测规范和项目特点，自动判定预警等级。

预警等级：

等级	颜色	判定条件	响应措施
正常	绿色	累计变形 < 黄色阈值×60%	常规监测
注意	蓝色	累计变形 ≥ 黄色阈值×60%	加密监测
黄色预警	黄色	累计变形 ≥ 黄色阈值	加密监测，分析原因
橙色预警	橙色	累计变形 ≥ 橙色阈值	特密监测，专家会商
红色预警	红色	累计变形 ≥ 红色阈值	停工，应急措施

API调用：

// 获取预警状态
const alerts = await client.ai.getAlertStatus({
  projectId: 'proj_rw_2026_001',
  includeHistory: true,
  includeRecommendations: true
});

// 预警统计
console.log(`总测点数: ${alerts.totalPoints}`);
console.log(`正常: ${alerts.normalCount}`);
console.log(`注意: ${alerts.noticeCount}`);
console.log(`黄色预警: ${alerts.yellowCount}`);
console.log(`橙色预警: ${alerts.orangeCount}`);
console.log(`红色预警: ${alerts.redCount}`);

API参考

认证方式

RAILWISE-TSM API 使用 API Key 进行认证。

获取 API Key：

登录 RAILWISE-TSM 平台
进入 设置 → API访问 → 生成密钥
复制生成的 API Key

请求头格式：

Authorization: Bearer rw_tsm_xxxxxxxxxxxxxxxx
Content-Type: application/json
X-API-Version: v2

基础信息

项目	值
Base URL	`https://tsm.railwise.cn/api/v2`
协议	HTTPS
数据格式	JSON
字符编码	UTF-8

端点列表

AI测量调度

POST /ai/scheduler/optimize

优化测量调度计划。

请求参数：

参数	类型	必填	说明
projectId	string	是	项目ID
constraints	object	否	约束条件
constraints.timeWindow	string	否	时间窗口，如 “06:00-22:00”
constraints.maxPointsPerBatch	integer	否	每批最大测点数
constraints.weatherCheck	boolean	否	是否检查天气

请求示例：

curl -X POST https://tsm.railwise.cn/api/v2/ai/scheduler/optimize \
  -H "Authorization: Bearer rw_tsm_xxxxxxxxxxxxxxxx" \
  -H "Content-Type: application/json" \
  -d '{
    "projectId": "proj_rw_2026_001",
    "constraints": {
      "timeWindow": "06:00-22:00",
      "maxPointsPerBatch": 50,
      "weatherCheck": true
    }
  }'

响应示例：

{
  "success": true,
  "data": {
    "schedule": {
      "batches": [
        {
          "batchId": "batch_001",
          "startTime": "2026-07-08T06:00:00+08:00",
          "estimatedDuration": 1800,
          "points": ["P1", "P2", "P3", "P4", "P5"],
          "priority": "high"
        }
      ],
      "totalDuration": 7200,
      "optimizationScore": 95.5
    }
  }
}

数据质量评估

POST /ai/quality/assess

评估测量数据质量。

请求参数：

参数	类型	必填	说明
projectId	string	是	项目ID
surveyId	string	是	测量批次ID
metrics	array	否	评估维度，默认全部

响应示例：

{
  "success": true,
  "data": {
    "quality": {
      "score": 92.5,
      "grade": "A",
      "dimensions": {
        "precision": { "score": 95.0, "status": "excellent" },
        "stability": { "score": 88.0, "status": "good" },
        "consistency": { "score": 94.0, "status": "excellent" },
        "completeness": { "score": 93.0, "status": "excellent" }
      },
      "issues": [
        {
          "type": "stability",
          "severity": "minor",
          "description": "P3测点相邻测次变化量偏大",
          "recommendedAction": "建议增加测回数或检查仪器稳定性"
        }
      ]
    }
  }
}

变形预测

POST /ai/forecast

预测测点变形趋势。

请求参数：

参数	类型	必填	说明
projectId	string	是	项目ID
pointIds	array	是	测点ID列表，[“all”]表示全部
horizon	integer	是	预测时长（小时）
model	string	否	预测模型，默认 auto
confidence	number	否	置信水平，默认 0.95

响应示例：

{
  "success": true,
  "data": {
    "forecast": {
      "model": "prophet",
      "generatedAt": "2026-07-08T14:00:00+08:00",
      "results": [
        {
          "pointId": "P1",
          "predictions": [
            {
              "timestamp": "2026-07-08T20:00:00+08:00",
              "predictedValue": 12.35,
              "lowerBound": 10.20,
              "upperBound": 14.50,
              "alertProbability": 0.05
            }
          ],
          "trend": "increasing",
          "trendRate": 0.5
        }
      ]
    }
  }
}

异常检测

POST /ai/anomalies/detect

检测数据异常。

请求参数：

参数	类型	必填	说明
projectId	string	是	项目ID
pointIds	array	是	测点ID列表
startDate	string	是	开始日期，ISO 8601
endDate	string	是	结束日期，ISO 8601
algorithms	array	否	检测算法
sensitivity	string	否	灵敏度：low/medium/high

响应示例：

{
  "success": true,
  "data": {
    "anomalies": [
      {
        "id": "anomaly_001",
        "pointId": "P3",
        "timestamp": "2026-07-07T08:00:00+08:00",
        "type": "spike",
        "severity": "critical",
        "value": 25.8,
        "expectedRange": [8.0, 15.0],
        "algorithms": ["isolation_forest", "grubbs"],
        "recommendedAction": "立即复测，检查测点及周边环境"
      }
    ],
    "summary": {
      "total": 1,
      "critical": 1,
      "warning": 0,
      "info": 0
    }
  }
}

预警状态

GET /ai/alerts/status?projectId={projectId}

获取项目预警状态。

响应示例：

{
  "success": true,
  "data": {
    "status": {
      "totalPoints": 25,
      "normalCount": 18,
      "noticeCount": 3,
      "yellowCount": 2,
      "orangeCount": 1,
      "redCount": 1,
      "alertPoints": [
        {
          "pointId": "P7",
          "level": "red",
          "currentValue": 18.5,
          "threshold": 15.0,
          "exceededRatio": 1.23,
          "lastUpdated": "2026-07-08T12:00:00+08:00"
        }
      ]
    }
  }
}

错误码

错误码	说明	处理建议
400	请求参数错误	检查请求体格式和参数
401	认证失败	检查 API Key 是否有效
403	权限不足	确认账号有权限访问该项目
404	资源不存在	检查 projectId 或 pointId
429	请求过于频繁	降低请求频率，查看速率限制
500	服务器内部错误	稍后重试，联系技术支持
503	服务暂时不可用	AI服务维护中，稍后重试

速率限制

端点类型	限制	说明
常规查询	100次/分钟	数据查询类接口
AI计算	20次/分钟	涉及模型推理的接口
批量操作	10次/分钟	大批量数据处理

Rust/WASM核心模块

RAILWISE-TSM 的核心计算逻辑使用 Rust 编写，编译为 WASM 在浏览器和 Node.js 环境中运行。

WASM模块列表

模块	功能	输入	输出
`coordinate.wasm`	坐标计算	观测值、仪器参数	三维坐标
`adjustment.wasm`	平差计算	观测网、权矩阵	平差结果、精度评定
`statistics.wasm`	统计分析	时间序列	统计量、趋势参数
`forecast.wasm`	趋势预测	历史数据、预测参数	预测值、置信区间
`anomaly.wasm`	异常检测	数据集、算法参数	异常标记、置信度

在浏览器中使用WASM

import { initTSMEngine, CoordinateCalculator } from '@railwise/tsm-wasm';

// 初始化 WASM 引擎
await initTSMEngine();

// 坐标计算
const calculator = new CoordinateCalculator();
const result = calculator.calculateCoordinates({
  station: { x: 1000.0, y: 2000.0, z: 50.0 },
  observations: [
    { pointId: 'P1', horizontalAngle: 120.5, verticalAngle: 85.2, slopeDistance: 150.3 },
    { pointId: 'P2', horizontalAngle: 135.8, verticalAngle: 88.1, slopeDistance: 200.7 }
  ],
  instrumentHeight: 1.5,
  prismHeight: 0.3
});

console.log(result.coordinates);
// [
//   { pointId: 'P1', x: 1075.23, y: 2129.87, z: 62.45 },
//   { pointId: 'P2', x: 1142.56, y: 2143.21, z: 58.32 }
// ]

在Node.js中使用WASM

import { createTSMEngine } from '@railwise/tsm-wasm/node';

const engine = await createTSMEngine();

// 批量平差计算
const adjustment = await engine.adjustment.networkAdjustment({
  observations: [...], // 观测数据
  knownPoints: [...],  // 已知控制点
  unknownPoints: [...], // 待求点
  weights: [...]       // 权矩阵
});

console.log(adjustment.coordinates);
console.log(adjustment.precision);
console.log(adjustment.residuals);

自动化监测工作流

标准工作流定义

name: standard_monitoring
version: "3.1"
description: 标准自动化监测工作流

project:
  id: "proj_rw_2026_001"
  name: "绕城高速管廊工程1标段"

triggers:
  - type: schedule
    cron: "0 */4 * * *"  # 每4小时
  - type: alert
    condition: "alert_level in ['orange', 'red']"
    action: "trigger_immediate"

steps:
  - id: check_weather
    name: "天气检查"
    action: ai.checkWeather
    params:
      location: "121.56,29.83"
      maxWindSpeed: 15

  - id: survey
    name: "自动化测量"
    action: survey.execute
    depends_on: [check_weather]
    condition: "check_weather.isSuitable == true"
    params:
      station: "TS-01"
      points: "all"
      rounds: 3
      autoRetry: true

  - id: quality_check
    name: "质量检查"
    action: ai.assessQuality
    depends_on: [survey]
    params:
      autoRetryOnFailure: true
      maxRetryAttempts: 2

  - id: analyze
    name: "数据分析"
    action: ai.analyze
    depends_on: [quality_check]
    params:
      detectAnomalies: true
      forecastHorizon: 72
      updateAlertStatus: true

  - id: report
    name: "报告生成"
    action: report.generate
    depends_on: [analyze]
    condition: "analyze.hasAlert == true or schedule.isScheduledReportTime"
    params:
      template: "gb50911-2013"
      format: "pdf"
      distribute: true

  - id: alert
    name: "预警通知"
    action: notification.send
    depends_on: [analyze]
    condition: "analyze.maxAlertLevel in ['yellow', 'orange', 'red']"
    params:
      channels: ["email", "sms", "app"]
      template: "alert_{{maxAlertLevel}}"

工作流执行

# 通过 CLI 执行工作流
railwise-cli workflow run --file tsm_workflow_standard.yaml

# 通过 API 执行工作流
curl -X POST https://tsm.railwise.cn/api/v2/workflows/execute \
  -H "Authorization: Bearer rw_tsm_xxxxxxxxxxxxxxxx" \
  -H "Content-Type: application/json" \
  -d '{
    "workflowFile": "tsm_workflow_standard.yaml",
    "projectId": "proj_rw_2026_001"
  }'

与RAILWISE-CLI集成

RAILWISE-TSM 与 RAILWISE-CLI 通过 API 和 WebSocket 双向集成。

CLI调用TSM AI功能

# 使用 TSM AI 进行数据分析
railwise-cli analyze trend \
  --provider tsm \
  --project "proj_rw_2026_001" \
  --tsm-url "https://tsm.railwise.cn" \
  --tsm-key "rw_tsm_xxxxxxxx"

# 使用 TSM 生成预测
railwise-cli analyze forecast \
  --provider tsm \
  --project "proj_rw_2026_001" \
  --horizon 72

TSM调用CLI功能

// 在 TSM 后端服务中调用 CLI
import { CLIClient } from '@railwise/tsm-cli-bridge';

const cli = new CLIClient({
  cliPath: '/usr/local/bin/railwise-cli',
  workspace: '/data/railwise/projects'
});

// 执行本地测量（通过 CLI 直连设备）
const result = await cli.execute('survey', 'execute', {
  station: 'TS-01',
  points: ['P1', 'P2', 'P3'],
  rounds: 3
});

// 结果自动同步回 TSM
await tsmClient.data.uploadSurveyResult({
  projectId: 'proj_rw_2026_001',
  data: result
});

最佳实践

1. AI模型选择

场景	推荐模型	说明
短期预测（1-3天）	ARIMA	计算快，适合线性趋势
中期预测（3-14天）	Prophet	支持周期性，可解释性强
复杂非线性趋势	LSTM	精度高，但需要更多数据
数据量小（<30天）	灰色模型	小样本友好
实时异常检测	Isolation Forest	快速，无需训练

2. 参数调优

// 预测参数调优
const forecastConfig = {
  horizon: 72,                    // 预测72小时
  confidence: 0.95,               // 95%置信区间
  minDataPoints: 168,             // 至少7天数据（每小时1个）
  outlierRemoval: true,           // 预测前去除异常值
  seasonalPeriods: [24, 168],     // 日周期、周周期
  changepointPriorScale: 0.05     // 趋势变化灵敏度
};

// 异常检测参数调优
const anomalyConfig = {
  algorithms: ['isolation_forest'],
  contamination: 0.02,            // 预期异常比例 2%
  sensitivity: 'high',
  windowSize: 24,                 // 滑动窗口24小时
  minAnomalyDuration: 2           // 至少连续2个异常点才报警
};

3. 性能优化

使用 WASM 本地计算减少网络延迟
批量请求替代单个请求
合理设置缓存策略
预测结果缓存，避免重复计算

限制与注意事项

限制项	说明
预测数据量	至少需要7天历史数据
预测时长	建议不超过30天
并发AI请求	每项目最多5个并发
WASM兼容性	需要支持WebAssembly的浏览器
模型更新	AI模型每月更新一次
精度保证	预测精度受数据质量影响

注意： AI预测结果仅供参考，不能替代工程师的专业判断。关键决策仍需人工审核。

常见问题

Q1: 预测结果不准确怎么办？

检查历史数据质量，去除异常值
增加历史数据量（建议至少30天）
尝试不同的预测模型
调整模型参数（如季节性周期）

Q2: 异常检测误报太多？

降低灵敏度设置
调整 contamination 参数
增加 minAnomalyDuration
使用多种算法交叉验证

Q3: WASM模块加载失败？

检查浏览器是否支持 WebAssembly
确认 WASM 文件路径正确
检查 CORS 配置
尝试使用 Node.js 版本

Q4: API返回503错误？

AI服务可能正在维护或负载过高：

稍后重试（建议间隔30秒）
检查 RailWise状态页面
联系技术支持确认服务状态

更新日志

版本	日期	变更内容
3.1.0	2026-07-08	新增Prophet预测模型；优化异常检测算法；WASM模块性能提升30%
3.0.0	2026-04-20	全新AI引擎；支持LSTM预测；新增数据质量评估器
2.5.0	2026-01-15	新增智能调度器；支持天气联动；优化预警判定
2.0.0	2025-09-10	初始AI功能发布；支持ARIMA预测和Isolation Forest异常检测

RAILWISE-TSM全站仪自动化AI工具

RAILWISE-TSM全站仪自动化AI工具

目录

概述

适用场景

版本信息

系统架构

AI工具模块

1. 智能测量调度器（Smart Survey Scheduler）

2. 数据质量评估器（Data Quality Assessor）

3. 变形趋势预测器（Deformation Forecaster）

4. 异常检测引擎（Anomaly Detection Engine）

5. 智能预警判定器（Smart Alert Classifier）

API参考

认证方式

基础信息

端点列表

AI测量调度

数据质量评估

变形预测

异常检测

预警状态

错误码

速率限制

Rust/WASM核心模块

WASM模块列表

在浏览器中使用WASM

在Node.js中使用WASM

自动化监测工作流

标准工作流定义

工作流执行

与RAILWISE-CLI集成

CLI调用TSM AI功能

TSM调用CLI功能

最佳实践

1. AI模型选择

2. 参数调优

3. 性能优化

限制与注意事项

常见问题

Q1: 预测结果不准确怎么办？

Q2: 异常检测误报太多？

Q3: WASM模块加载失败？

Q4: API返回503错误？

更新日志

相关文档