高鐵站機電設備人工智能運維系統淺析

前言：本站為你精心整理了高鐵站機電設備人工智能運維系統淺析范文，希望能為你的創作提供參考價值，我們的客服老師可以幫助你提供個性化的參考范文，歡迎咨詢。

1引言

中國城市軌道交通協會發布《中國城市軌道交通智慧城軌發展綱要》［1］，提出2020～2025年車輛、能源、通信、信號等智能運維系統將在全行業推廣應用，持續提升日常檢修效率等發展目標。本文基于人工智能的故障預測與健康管理技術，結合城市軌道交通車站智能化系統，對當前車站的設備維護技術、管理方式進行變革提升，實現智能運維管理，降低故障率，減少運維成本，提升運營效率。

2機電設備監控運維方法與高鐵站房現狀

2．1機電設備監控運維技術方法

機電設備監控運維的方法日益智能化，在機電設備領域常用的方法可分為狀態監測、故障診斷、狀態預測和維修決策［2］四大類技術方法。包括振動監測診斷法、噪聲故障監測法、紅外測溫法、油液磨屑分析法、智能決策算法等［3］，下面針對四大類技術方法進行總結介紹。(1)狀態監測類技術針對機械設備的狀態監測，目前主流的監測技術包括振動監測診斷法、噪聲故障監測法、溫度監測法、壓力監測法、油液磨屑分析法、聲發射監測法等。借助各類監測儀器，如磁電速度傳感器、壓電加速傳感器、渦流位移傳感器、紅外測溫儀、壓力傳感器等監測儀器，結合分析儀器及故障診斷的專家系統，對設備受損位置和程度大小進行判斷。(2)故障診斷類技術設備故障診斷是在設備運行過程中監控其真實的狀態，確定其整體或部分是正常或異常，及早發現故障及其原因的技術。目前主流的診斷技術包括時頻診斷法、統計診斷法、信息理論分析法、人工智能診斷法(含人工神經網絡、專家系統等)、集成化診斷法等。(3)狀態預測類技術設備狀態預測是在設備狀態監測的基礎上，確定設備預報故障發展趨勢的技術。目前主流的預測技術包括時序模型預測法、灰色模型預測法、神經網絡預測法等。(4)維修決策類技術隨著對設備智能控制和故障診斷關聯的不斷深入研究，為實現更可靠的設備運維決策夯實基礎。目前主流的技術包括故障樹推理法、數學模型解析法、貝葉斯(Bayes)網絡法、智能維修決策法等。以上技術方法在高精端裝備或精度較高的制藥等領域率先嘗試應用，但在如高鐵站房的大型公用建筑領域尚未進行系統的、深入的、工業化的研究。

2．2高鐵站房機電設備監控運維現狀

目前針對高鐵站內機電設備的健康監控主要是面向空調機、室內機等標準化設備，且對于設備的監測僅限于常規閥值的監視，多數為單一設備參數的監控，未形成多參數之間的關聯分析和判斷。一些無法直接安裝傳感器反映設備健康狀況的部位、非標設備、附加設備等，如管道閥門、數據通路等是當前各類設備監控系統的盲點，無法進行有效監控。因此，當前的機電設備監控系統已經不能滿足智能運維的基本需求，迫切需要一種針對加裝的各類傳感器、管道閥門、數據通路等設備監控及智慧判斷方法，來解決設備智能運維控制的需求［4］。

3高鐵站房機電設備人工智能運維系統研究

3．1人工智能運維系統研究思路

本次在雄安高鐵站開展的人工智能運維系統總體研究思路:(1)搭建主要機電設備健康狀態監控“感官”，即加裝振動、電氣參數、溫度、噪聲等儀表、傳感監測裝置;(2)將健康狀態參數模型化，通過預學習各設備機組的故障庫及測點區間值，同時設定不同故障類型規則的安全等級預警;(3)通過系統實時監測設備各個參數數值變化，學習故障發生前的設備狀態走勢，建立設備故障伴隨狀態庫(設備數據關聯關系)。同時通過在線學習:人為發現設備故障，記錄當下點往前一段時間的設備參數變化，包括單測點曲線趨勢、多測點組合曲線趨勢，并記錄維修方案及故障特征;(4)當觸發故障伴隨狀態庫的單測點或多測點曲線趨勢時，推送故障預警和排查或維修方案，長期積累情況下，對設備總體健康狀態進行評分［5］。

3．2搭建系統架構

機電設備人工智能運維系統綜合考慮可擴展需求，從接入層、采集層、數據層、應用層、展示層5個層次全面遵循統一標準規范體系和安全保障體系，如圖1所示。◇接入層:實現系統數據共享交換的需求?！蟛杉瘜?為系統數據分析和應用功能提供數據支撐?！髷祿?為系統提供存儲力和算力支撐，實現數據清洗、數據處理入庫、分析存儲?！髴脤?利用數據管理、分析，提供業務支撐，實現設備運維管理?！笳故緦?支持工作站與移動終端展示，便于工作人員使用。

3．3關鍵技術

3．3．1人工智能故障判斷及預測技術。針對不同的故障類型，故障預測的技術綜合可劃分為三類:模型驅動、知識驅動和數據驅動［6］。人工智能控制算法如遺傳算法、模糊控制等在故障診斷中的應用更加有效。將模糊理論應用在機械設備的故障診斷，只需要進行合適隸屬函數以及模糊矩陣的建立，即可以實現問題來源的準確獲取。通過神經網絡對故障判斷進行決策，能夠以分類、聯想、自我學習等辦法對繁雜信息準確處理。通過遺傳算法，能夠對多個問題同時處理且還能夠對各領域內問題處理和判斷，它在非線性的問題和寬泛查找的問題上呈現顯著優勢。在雄安高鐵站項目上綜合運用多種技術，通過預學習各系統相關設備的故障類型，在機理模型的基礎上，通過學習故障庫與專家經驗，實現不同故障類型的分級預警，將故障消除在潛在狀態。3．3．2故障分級預警AI技術邏輯。設備發生已知故障時，系統能夠實現提示故障庫中已知故障代碼，直接讀取信息，根據分級定義進行不同等級的報警通知。設備關聯參數綜合判斷符合設定規則時，判斷并提示為設備故障。當設備發生未知故障類型時，系統能夠自動記錄異常發生時異常測點的實時值并提示。設備故障處理完成后，能夠自動記錄解決方案并進入故障解決方案庫。后續出現同種測點異常時，可進行預警并實現匹配維修方案的推送［7］。系統具備基于各種條件下的故障，自動觸發系統的故障演進過程學習的能力。系統能夠自主學習故障前一段時間的測點參數趨勢，后續在出現匹配趨勢曲線時實現同類故障的提前預警［8］。

4機電設備人工智能運維系統應用

以人工智能技術為代表的設備智能運維系統在雄安高鐵站進行應用，對多類設備進行了狀態監控，并依據狀態監控結果給出了設備健康度判斷結論，現以暖通空調設備為例進行應用說明。基于設備運行數據、狀態監控實現設備故障預報警的應用功能界面展示如圖2所示。

4．1采集設備數據

通過室外溫度傳感器采集室外溫度;通過溫度傳感器采集冷熱水溫度;管道電磁閥門與室內出風口一一對應，管道電磁閥門開度控制冷熱水管道的流量，通過位移傳感器采集管道電磁閥門的開度;通過室內溫度傳感器采集出風口對應的人活動區域的室內溫度等。

4．2測點配置

區分主設備與配套設備，分別針對設備下述信息進行配置，見表1。

4．3規則設定

(1)閾值報警。設備值連續越上下界“連續越界次數”次及以上時，發出故障報警。(2)組合模型監控。建立基本組合模型監控:定義組合模型報警規則，超出規則即報警。附加組合模型故障監控:在基本組合模型的基礎上，引入附加設備輔助參考，對附加設備進行監測，建立監測判斷模型，當出現異常事件時，發出預警。系統通過自學習，實時修正并重算上下界。全狀態組合模型監控:在前述模型基礎上，定義全狀態組合，生成狀態向量。出現異常發出報警。發生故障后，記錄故障發生時的全狀態組合［9］。基于前述的設備數據、測點配置及監控模型，設備故障預警調用關系圖如圖3所示。

4．4設備數據關聯分析

(1)故障判斷。在暖通設備正常工作狀態下，生成設備數據關聯關系表，所述設備數據關聯關系表包括同一時刻的室外溫度值、冷熱水溫度、出風口風速檔位、電磁閥門開度、室內溫度值等。下達新的電磁閥門的開度指令，經過設定時間后，室內溫度達到新的平衡點，獲取當前各傳感器數據:當室內溫度傳感器采集的數據超過上下限時，判斷為室內溫度傳感器出現故障;在其中，上下限是需要預先進行設定的，同時，室外溫度傳感器、水流溫度傳感器的故障判斷也與此相同。當電磁閥門的開度指令數據與電磁閥門的開度設定值不一致時，判斷為指令下達失敗故障;電磁閥門的開度設定值需要預先設置。當管道電磁閥門的開度指令數據與管道電磁閥門的開度設定值一致，但管道電磁閥門的開度指令數據與實際開度值相差大于預先設置的偏差設定值時，判斷為管道電磁閥門故障［10］。(2)多維關聯故障判斷。將室內多個溫度傳感器數據與設備數據(室外溫度、冷熱水溫度、出風口風檔位、電磁閥門開度等)建立關聯關系表，下達新的管道電磁閥門的開度指令，經過設定時間后，室內溫度達到新的平衡點，獲取當前各傳感器數據，以室外溫度、冷熱水溫度、出風口風速檔位為分類指標，查詢設備數據關聯關系表中管道電磁閥門開度數據和與管道電磁閥門開度數據對應的各傳感器數據，做關聯分析［11］。以溫度傳感器故障判斷為例進行說明。每個室內出風口對應3個室內溫度傳感器，分別標記為傳感器A、傳感器B和傳感器C，判斷具體傳感器故障的方法如下:令Ｒ為被對比傳感器的比值，則:Ｒ12=傳感器A實際數據/傳感器B實際數據;Ｒ23=傳感器B實際數據/傳感器C實際數據;Ｒ13=傳感器A實際數據/傳感器C實際數據;Ｒ12'=傳感器A查表數據/傳感器B查表數據;Ｒ23'=傳感器B查表數據/傳感器C查表數據;Ｒ13'=傳感器A查表數據/傳感器C查表數據;v=|傳感器A實際數據－傳感器A查表數據|+|傳感器B實際數據－傳感器B查表數據|+|傳感器C實際數據－傳感器C查表數據|，當|Ｒ12－Ｒ12'|+|Ｒ13－Ｒ13'|＞2．4，判斷為傳感器A故障;|Ｒ12－Ｒ12'|+|Ｒ23－Ｒ23'|＞2．4，判斷為傳感器B故障;|Ｒ13－Ｒ13'|+|Ｒ23－Ｒ23'|＞1．4，判斷為傳感器C故障;否則，當V＞4．5，判斷為管道電磁閥門開度故障。(3)故障預警學習故障發生前的設備狀態走勢，建立設備故障伴隨狀態庫。在線學習:人為發現設備故障，記錄當下點往前一段時間的設備參數變化，包括單測點曲線趨勢、多測點組合曲線趨勢。設備范圍:包含水系統、風系統、傳感器、給排水設備等。以冷水機組為例，冷水機組壓縮機電流限定臨界值為95%，平均值為40．5%，系統通過實時監測電流動態值，同時學習安全范圍值，實時進行算法分析，當電流值從平均值短時內呈現漸變趨勢變化，并與曾經出現故障前的某一狀態走勢匹配時，系統判斷可能出現壓縮機燒壞情況，此時系統將進行安全預警，防止潛在故障發生［12］。

4．5設備健康度判斷

基于設備正常運行過程中的測點數據采集，建立測點健康樣本庫，將每個特征測點相應的健康樣本的區間作為正常值域，將設備實時/歷史運行測點參數與正常值域進行比較，結合統計學知識給出分級標準，并根據測點參數占比確定權重系數，最終得到設備狀態綜合評價模型［13］。在雄安高鐵站建筑機電設備的健康評價過程中，主要按如下步驟實施:(1)將各測點參數與正常值進行比較，規定在正常值范圍內的100分(可調)，超出正常值范圍5%之內的60分(可調)、超出正常值5%以上的0分(可調)。(2)基于設備預報警過程中測點參數的作用，確定各測點參數在計算過程中的主成分貢獻率。①A類邊緣數據:只監測不報警，發生故障后用于輔助判斷機組情況;②B類數據:超出閾值即報警;③C類數據:超出閾值報警，且需監測數據趨勢。(3)基于(2)所確定的權重進行加權計算，得出健康分數H。(4)針對健康分數H，進行健康等級劃分和狀況描述，具體見表2。

4．6應用效果

雄安高鐵站機電設備人工智能運維系統自2020年12月27日投用以來，依托集成化、智能化、信息化的上層建筑設備監控及能源管理集成系統，與傳統的設備運維系統相比較，實現了各子系統設備協同聯動分析和智能診斷，為設備運維管理提供了決策支持;通過本系統的研究及應用，關鍵設備故障率和運維成本實現逐步下降，故障處置率得到有效提升;同時維修效率、精準度有了明顯提高，運維人員依靠系統做到合理化、集約化管理，實現了系統研究的經濟、社會和環保效益目標。

5結論

雄安高鐵站機電設備人工智能運維系統是人工智能技術在設備監控運維領域的一次成功應用，通過將數據通路的監控應用到對設備故障診斷中，解決易損傳感器的故障報警問題;同時，從設備的關聯關系入手，發現故障、定位故障，解決非智能化設備的自動監控和數據通路的故障監控盲區問題，提升了系統整體的穩定性和可靠性;系統從高鐵站的設備運維現狀與業務需求出發，解決了高鐵站復雜設備可視化監測、設備日常運維管理及故障預報警方面的痛點，從而實現設備全生命周期管理，提升系統運維與管理效率。系統基于PHM技術思路，利用數據采集、處理和狀態監控模塊處理后的設備狀態數據，結合歷史數據，采用建模和統計等方法，實現健康評價和故障預測，并提供維護建議，打破了傳統意義上設備健康狀態監控只監測數據無法給出結論及決策建議的困局，是設備運維管理技術方面的一大突破。

作者:張桂平 董建林 李文友 鐘沫 劉佳 單位:中國鐵建電氣化局集團有限公司 中國鐵建房地產集團有限公司