1引言

中国城市轨道交通协会《中国城市轨道交通智慧城轨发展纲要》［1］，提出2020～2025年车辆、能源、通信、信号等智能运维系统将在全行业推广应用，持续提升日常检修效率等发展目标。本文基于人工智能的故障预测与健康管理技术，结合城市轨道交通车站智能化系统，对当前车站的设备维护技术、管理方式进行变革提升，实现智能运维管理，降低故障率，减少运维成本，提升运营效率。

2机电设备监控运维方法与高铁站房现状

2．1机电设备监控运维技术方法

机电设备监控运维的方法日益智能化，在机电设备领域常用的方法可分为状态监测、故障诊断、状态预测和维修决策［2］四大类技术方法。包括振动监测诊断法、噪声故障监测法、红外测温法、油液磨屑分析法、智能决策算法等［3］，下面针对四大类技术方法进行总结介绍。(1)状态监测类技术针对机械设备的状态监测，目前主流的监测技术包括振动监测诊断法、噪声故障监测法、温度监测法、压力监测法、油液磨屑分析法、声发射监测法等。借助各类监测仪器，如磁电速度传感器、压电加速传感器、涡流位移传感器、红外测温仪、压力传感器等监测仪器，结合分析仪器及故障诊断的专家系统，对设备受损位置和程度大小进行判断。(2)故障诊断类技术设备故障诊断是在设备运行过程中监控其真实的状态，确定其整体或部分是正常或异常，及早发现故障及其原因的技术。目前主流的诊断技术包括时频诊断法、统计诊断法、信息理论分析法、人工智能诊断法(含人工神经网络、专家系统等)、集成化诊断法等。(3)状态预测类技术设备状态预测是在设备状态监测的基础上，确定设备预报故障发展趋势的技术。目前主流的预测技术包括时序模型预测法、灰色模型预测法、神经网络预测法等。(4)维修决策类技术随着对设备智能控制和故障诊断关联的不断深入研究，为实现更可靠的设备运维决策夯实基础。目前主流的技术包括故障树推理法、数学模型解析法、贝叶斯(Bayes)网络法、智能维修决策法等。以上技术方法在高精端装备或精度较高的制药等领域率先尝试应用，但在如高铁站房的大型公用建筑领域尚未进行系统的、深入的、工业化的研究。

2．2高铁站房机电设备监控运维现状

目前针对高铁站内机电设备的健康监控主要是面向空调机、室内机等标准化设备，且对于设备的监测仅限于常规阀值的监视，多数为单一设备参数的监控，未形成多参数之间的关联分析和判断。一些无法直接安装传感器反映设备健康状况的部位、非标设备、附加设备等，如管道阀门、数据通路等是当前各类设备监控系统的盲点，无法进行有效监控。因此，当前的机电设备监控系统已经不能满足智能运维的基本需求，迫切需要一种针对加装的各类传感器、管道阀门、数据通路等设备监控及智慧判断方法，来解决设备智能运维控制的需求［4］。

3高铁站房机电设备人工智能运维系统研究

3．1人工智能运维系统研究思路

本次在雄安高铁站开展的人工智能运维系统总体研究思路:(1)搭建主要机电设备健康状态监控“感官”，即加装振动、电气参数、温度、噪声等仪表、传感监测装置;(2)将健康状态参数模型化，通过预学习各设备机组的故障库及测点区间值，同时设定不同故障类型规则的安全等级预警;(3)通过系统实时监测设备各个参数数值变化，学习故障发生前的设备状态走势，建立设备故障伴随状态库(设备数据关联关系)。同时通过在线学习:人为发现设备故障，记录当下点往前一段时间的设备参数变化，包括单测点曲线趋势、多测点组合曲线趋势，并记录维修方案及故障特征;(4)当触发故障伴随状态库的单测点或多测点曲线趋势时，推送故障预警和排查或维修方案，长期积累情况下，对设备总体健康状态进行评分［5］。

3．2搭建系统架构

机电设备人工智能运维系统综合考虑可扩展需求，从接入层、采集层、数据层、应用层、展示层5个层次全面遵循统一标准规范体系和安全保障体系，如图1所示。◇接入层:实现系统数据共享交换的需求。◇采集层:为系统数据分析和应用功能提供数据支撑。◇数据层:为系统提供存储力和算力支撑，实现数据清洗、数据处理入库、分析存储。◇应用层:利用数据管理、分析，提供业务支撑，实现设备运维管理。◇展示层:支持工作站与移动终端展示，便于工作人员使用。

3．3关键技术

3．3．1人工智能故障判断及预测技术。针对不同的故障类型，故障预测的技术综合可划分为三类:模型驱动、知识驱动和数据驱动［6］。人工智能控制算法如遗传算法、模糊控制等在故障诊断中的应用更加有效。将模糊理论应用在机械设备的故障诊断，只需要进行合适隶属函数以及模糊矩阵的建立，即可以实现问题来源的准确获取。通过神经网络对故障判断进行决策，能够以分类、联想、自我学习等办法对繁杂信息准确处理。通过遗传算法，能够对多个问题同时处理且还能够对各领域内问题处理和判断，它在非线性的问题和宽泛查找的问题上呈现显著优势。在雄安高铁站项目上综合运用多种技术，通过预学习各系统相关设备的故障类型，在机理模型的基础上，通过学习故障库与专家经验，实现不同故障类型的分级预警，将故障消除在潜在状态。3．3．2故障分级预警AI技术逻辑。设备发生已知故障时，系统能够实现提示故障库中已知故障代码，直接读取信息，根据分级定义进行不同等级的报警通知。设备关联参数综合判断符合设定规则时，判断并提示为设备故障。当设备发生未知故障类型时，系统能够自动记录异常发生时异常测点的实时值并提示。设备故障处理完成后，能够自动记录解决方案并进入故障解决方案库。后续出现同种测点异常时，可进行预警并实现匹配维修方案的推送［7］。系统具备基于各种条件下的故障，自动触发系统的故障演进过程学习的能力。系统能够自主学习故障前一段时间的测点参数趋势，后续在出现匹配趋势曲线时实现同类故障的提前预警［8］。

4机电设备人工智能运维系统应用

以人工智能技术为代表的设备智能运维系统在雄安高铁站进行应用，对多类设备进行了状态监控，并依据状态监控结果给出了设备健康度判断结论，现以暖通空调设备为例进行应用说明。基于设备运行数据、状态监控实现设备故障预报警的应用功能界面展示如图2所示。

4．1采集设备数据

通过室外温度传感器采集室外温度;通过温度传感器采集冷热水温度;管道电磁阀门与室内出风口一一对应，管道电磁阀门开度控制冷热水管道的流量，通过位移传感器采集管道电磁阀门的开度;通过室内温度传感器采集出风口对应的人活动区域的室内温度等。

4．2测点配置

区分主设备与配套设备，分别针对设备下述信息进行配置，见表1。

4．3规则设定

(1)阈值报警。设备值连续越上下界“连续越界次数”次及以上时，发出故障报警。(2)组合模型监控。建立基本组合模型监控:定义组合模型报警规则，超出规则即报警。附加组合模型故障监控:在基本组合模型的基础上，引入附加设备辅助参考，对附加设备进行监测，建立监测判断模型，当出现异常事件时，发出预警。系统通过自学习，实时修正并重算上下界。全状态组合模型监控:在前述模型基础上，定义全状态组合，生成状态向量。出现异常发出报警。发生故障后，记录故障发生时的全状态组合［9］。基于前述的设备数据、测点配置及监控模型，设备故障预警调用关系图如图3所示。

4．4设备数据关联分析

(1)故障判断。在暖通设备正常工作状态下，生成设备数据关联关系表，所述设备数据关联关系表包括同一时刻的室外温度值、冷热水温度、出风口风速档位、电磁阀门开度、室内温度值等。下达新的电磁阀门的开度指令，经过设定时间后，室内温度达到新的平衡点，获取当前各传感器数据:当室内温度传感器采集的数据超过上下限时，判断为室内温度传感器出现故障;在其中，上下限是需要预先进行设定的，同时，室外温度传感器、水流温度传感器的故障判断也与此相同。当电磁阀门的开度指令数据与电磁阀门的开度设定值不一致时，判断为指令下达失败故障;电磁阀门的开度设定值需要预先设置。当管道电磁阀门的开度指令数据与管道电磁阀门的开度设定值一致，但管道电磁阀门的开度指令数据与实际开度值相差大于预先设置的偏差设定值时，判断为管道电磁阀门故障［10］。(2)多维关联故障判断。将室内多个温度传感器数据与设备数据(室外温度、冷热水温度、出风口风档位、电磁阀门开度等)建立关联关系表，下达新的管道电磁阀门的开度指令，经过设定时间后，室内温度达到新的平衡点，获取当前各传感器数据，以室外温度、冷热水温度、出风口风速档位为分类指标，查询设备数据关联关系表中管道电磁阀门开度数据和与管道电磁阀门开度数据对应的各传感器数据，做关联分析［11］。以温度传感器故障判断为例进行说明。每个室内出风口对应3个室内温度传感器，分别标记为传感器A、传感器B和传感器C，判断具体传感器故障的方法如下:令Ｒ为被对比传感器的比值，则:Ｒ12=传感器A实际数据/传感器B实际数据;Ｒ23=传感器B实际数据/传感器C实际数据;Ｒ13=传感器A实际数据/传感器C实际数据;Ｒ12'=传感器A查表数据/传感器B查表数据;Ｒ23'=传感器B查表数据/传感器C查表数据;Ｒ13'=传感器A查表数据/传感器C查表数据;v=|传感器A实际数据－传感器A查表数据|+|传感器B实际数据－传感器B查表数据|+|传感器C实际数据－传感器C查表数据|，当|Ｒ12－Ｒ12'|+|Ｒ13－Ｒ13'|＞2．4，判断为传感器A故障;|Ｒ12－Ｒ12'|+|Ｒ23－Ｒ23'|＞2．4，判断为传感器B故障;|Ｒ13－Ｒ13'|+|Ｒ23－Ｒ23'|＞1．4，判断为传感器C故障;否则，当V＞4．5，判断为管道电磁阀门开度故障。(3)故障预警学习故障发生前的设备状态走势，建立设备故障伴随状态库。在线学习:人为发现设备故障，记录当下点往前一段时间的设备参数变化，包括单测点曲线趋势、多测点组合曲线趋势。设备范围:包含水系统、风系统、传感器、给排水设备等。以冷水机组为例，冷水机组压缩机电流限定临界值为95%，平均值为40．5%，系统通过实时监测电流动态值，同时学习安全范围值，实时进行算法分析，当电流值从平均值短时内呈现渐变趋势变化，并与曾经出现故障前的某一状态走势匹配时，系统判断可能出现压缩机烧坏情况，此时系统将进行安全预警，防止潜在故障发生［12］。

4．5设备健康度判断

基于设备正常运行过程中的测点数据采集，建立测点健康样本库，将每个特征测点相应的健康样本的区间作为正常值域，将设备实时/历史运行测点参数与正常值域进行比较，结合统计学知识给出分级标准，并根据测点参数占比确定权重系数，最终得到设备状态综合评价模型［13］。在雄安高铁站建筑机电设备的健康评价过程中，主要按如下步骤实施:(1)将各测点参数与正常值进行比较，规定在正常值范围内的100分(可调)，超出正常值范围5%之内的60分(可调)、超出正常值5%以上的0分(可调)。(2)基于设备预报警过程中测点参数的作用，确定各测点参数在计算过程中的主成分贡献率。①A类边缘数据:只监测不报警，发生故障后用于辅助判断机组情况;②B类数据:超出阈值即报警;③C类数据:超出阈值报警，且需监测数据趋势。(3)基于(2)所确定的权重进行加权计算，得出健康分数H。(4)针对健康分数H，进行健康等级划分和状况描述，具体见表2。

4．6应用效果

雄安高铁站机电设备人工智能运维系统自2020年12月27日投用以来，依托集成化、智能化、信息化的上层建筑设备监控及能源管理集成系统，与传统的设备运维系统相比较，实现了各子系统设备协同联动分析和智能诊断，为设备运维管理提供了决策支持;通过本系统的研究及应用，关键设备故障率和运维成本实现逐步下降，故障处置率得到有效提升;同时维修效率、精准度有了明显提高，运维人员依靠系统做到合理化、集约化管理，实现了系统研究的经济、社会和环保效益目标。

5结论

雄安高铁站机电设备人工智能运维系统是人工智能技术在设备监控运维领域的一次成功应用，通过将数据通路的监控应用到对设备故障诊断中，解决易损传感器的故障报警问题;同时，从设备的关联关系入手，发现故障、定位故障，解决非智能化设备的自动监控和数据通路的故障监控盲区问题，提升了系统整体的稳定性和可靠性;系统从高铁站的设备运维现状与业务需求出发，解决了高铁站复杂设备可视化监测、设备日常运维管理及故障预报警方面的痛点，从而实现设备全生命周期管理，提升系统运维与管理效率。系统基于PHM技术思路，利用数据采集、处理和状态监控模块处理后的设备状态数据，结合历史数据，采用建模和统计等方法，实现健康评价和故障预测，并提供维护建议，打破了传统意义上设备健康状态监控只监测数据无法给出结论及决策建议的困局，是设备运维管理技术方面的一大突破。

作者:张桂平 董建林 李文友 钟沫 刘佳 单位:中国铁建电气化局集团有限公司 中国铁建房地产集团有限公司