大型裝備健康診斷和智能維護管理系統概述

劉述芳，徐永能，喬 僑

(1.南京地鐵資源開發有限公司， 南京 210012； 2.南京理工大學 自動化學院, 南京 210094)

【基礎研究】

大型裝備健康診斷和智能維護管理系統概述

劉述芳1，徐永能2，喬 僑2

(1.南京地鐵資源開發有限公司， 南京 210012； 2.南京理工大學 自動化學院, 南京 210094)

隨著我國工業化和城市化水平的飛速發展，獲得廣泛應用的大型裝備在傳統檢維修模式中存在的數據信息不全面、不規范，數據分析處理不完善和數據分析手段落后等問題，嚴重制約了大型裝備的使用效率。健康診斷和智能維護管理系統可為大型裝備預防性維修和全員自主維修提供全面技術支持。本文重點分析了大型裝備維修模式發展趨勢、健康診斷與智能維護系統需求分析與組成，并結合軌道交通車輛關鍵部件案例對該系統的功能進行系統分析，分析結果表明，該系統的開發應用可以更好的確保大型裝備全壽命周期的可靠性和安全性水平，有效提升大型裝備的使用效率。

大型裝備；健康診斷；智能維護；大數據分析；劣化趨勢

1 概述

大型裝備維修管理是隨著工業化和城市化進程發展而隨之發展起來的，其維修管理模式和水平也是不斷在完善和細化。國際上大型裝備維修管理基本上經歷了不同的維修體系，包括事后維修階段、傳統的預防性維修階段、狀態預警階段或狀態維修階段、故障預測階段或預測性維修階段，各個階段檢修成本、響應時間及其故障處理情況如圖1所示。

圖1 大型裝備維修模式發展歷程及其特點

從圖1可以看出，隨著維修技術的快速發展，傳統計劃預防修階段，大型裝備重點開展的是故障后開展的響應式維護，或者按照預先規定的檢維修周期開展的定期檢查維修工作，響應時間長，維修成本高；狀態預警階段，由于遠程監控手段和數據診斷能力的改進，在大型裝備檢維修現場可以根據實際狀態進行維修，維修成本適中，響應時間也適中；而故障預測階段，則可以根據大數據建模方法對故障發生的情況進行預測，依據數據進行裝備劣化趨勢分析，并根據系統預測的狀態選擇維修的時機和作業內容，維修成本最低，響應時間也最短，越來越成為大型裝備檢維修模式優化發展趨勢。

現階段，國內根據各個行業大型裝備實際檢維修作業中的具體要求，分化出多種維修模式或維修理念，包括以裝備全壽命周期維護管理[1]、可靠性為中心的維修(Reliability Centered Maintenance，RCM)[2],全員生產維修(Total Productive Maintenance，TPM)，e-維護[3]、智能維護[4]以及綠色設備管理與維修模式[5]等。

2 健康診斷和智能維護系統需求分析

健康診斷及智能維護系統是建立在各個大型裝備使用現場的裝備故障預測維修模式的平臺，期望根據該平臺的建設，能夠在建立的現場數據中心支持基礎上，實時監控各個管控區域的大型裝備的運行狀態；通過平臺獲得的大數據分析基礎上，實現故障預測，觸發資產管理系統的工作流程，自動生成維修工單及相應故障維修的指導操作標準，使故障在發生前以高質量的維修進程進行消除；對于大型裝備關鍵部件能夠實現在線實時診斷，對于故障實現早期預警和分級報警，準確指導大型裝備的現場運用和維修作業；同時實現備品備件的智能化管理，通過大數據分析智能調控大型裝備的零部件的倉儲進程。

健康診斷和智能維護系統需要有較完善的自檢和自診斷能力，包括對大型裝備進行實時監督和故障報警，并能實施遠程故障集中報警和維護信息的綜合管理分析。針對故障率離、疑難故障處理乏力和維護成本高昂的大型裝備，系統需要利用大數據業務與分析處理技術，分別從決策層、執行層和操作層三個層面上落實如圖2所示的大型裝備健康診斷和智能維護系統需求[6]。

表1 大型裝備健康診斷和智能維護系統需求情況

從表1可以看出，大型裝備開展健康診斷和智能維護過程中，需要始終堅持戴明環(PDCA)的閉環跟蹤環節，從系統高度上為整個健康診斷和智能維護全過程提供一個發現問題-處理問題-解決問題-問題反饋的作業處理機制，并能實時根據各種維護類型監測目前的執行狀況，針對不同的故障維修、計劃維護、問題跟蹤作業等分別進行響應的工作流程追蹤，將整個系統維護過程中的執行機構、管理機構、資產提供機構、供貨商、負責人等納入系統管理過程中，覆蓋系統全生命周期的全過程，并持續關注全過程中的可靠性水平和備件可靠性分析[7]，如圖2所示[8]。

具體到大型裝備的健康診斷和智能維護過程中，一旦預測到故障或者啟動預防性維修作業后，系統應能及時采取一整套有效的維護措施，具體包括：

1) 設備健康狀態監測。在設備發生故障或達到故障預防閾值時及時報警，提供規范的故障位置、故障編號、故障模式、故障后果影響、故障類型等信息，同時依據大數據分析結果提供健康維護輔助決策；

2) 故障快速決策。以最快的時間定位故障根本原因，并根據戴明環(PDCA)基本原理迅速形成規范化的故障快速決策和根本原因分析策略，正確執行大型裝備維修模式、維修時機、維修周期、維修成本和維修更新價值等決策策略；

3) 預防性維護策略。貫穿以可靠性為中心的維修思想，執行故障后果導向的預防性維護策略優選，以減少大型關鍵設備故障維修概率，優化預防性維護相關標準為參考，通過可靠的大數據統計與分析策略指導預防性維修。

圖2 大型裝備全生命周期過程中的協同可靠性評估進程

3 健康診斷和智能維護系統構成

大型裝備健康診斷及智能維護系統，至少應包括下述三個組成部分：裝備自動檢測系統、系統數據倉庫及分析中心和資產管理系統。

裝備自動檢測系統主要功能包括：

1) 檢測大型裝備各部件運行狀態；

2) 將系統運行狀態數據化；

3) 實時監測，實時診斷；

4) 故障診斷模型程序化，運行過程中自動輸出診斷結論；

5) 準確反映故障后果及危害度等級，匹配最優維修策略。

數據倉庫及分析中心主要功能:

1) 集成所有數據；

2) 數據模型分析及在線實時監控；

3) 設備故障率實時統計；

4) 設備狀態特征變化趨勢跟蹤及反饋。

資產管理系統主要功能：

1) 智能管理維修計劃；

2) 智能測算備品采購計劃；

3) 智能核查備件信息與物流預警；

4) 自動生成采購單以及自動分配。

4 以可靠性為中心的健康診斷和智能維護系統應用案例

4.1 系統構建思路

為了改變傳統的裝備以計劃預防修和故障修為主的檢維修體系，構建基于裝備狀態監測、特征提取、狀態評估、故障診斷、故障預測、維修模式優化和維修決策于一體的大型裝備健康診斷和智能維護系統，本文以城市軌道交通車輛為案例，分析該系統主要構建思路和典型應用過程。

1) 優化思路

本文建立的以可靠性為中心的智能運維系統，

首先立足于設備狀態監測與診斷、故障預測與風險等級評測、規范化故障分析數據等基礎數據，然后根據車輛子系統維修價值，根據風險矩陣分析方法，梳理車輛各子系統及部件風險等級，進一步優化車輛設備維修策略。

2) 優化過程

應用過程中，統計近期車輛各子系統設備故障

數據，對影響任務可靠性的誘因進行分析，對設備重要性進行判斷，根據故障影響程度和發生故障頻率建立風險矩陣，識別關鍵子系統；摸清各關鍵子系統運行狀態、建立多維度的故障預測模型，針對當前各子系統維修策略及規程在實施過程中存在的問題，提出維修策略優化方向，逐步完善各子系統維修策略；以提升可靠性為主要目標，建立各子系統設備全生命周期可靠性管理優化策略，精準優化設備維修作業規程，并制定具體改進維修作業計劃。

3) 應用效果

基于可靠性設備健康管理，利用狀態監測和診

斷技術，識別關鍵子系統，開展劣化趨勢分析，支持全系統維持策略應用。在應用過程中，重點關注影響運營安全及服務可靠性的車輛轉向架、制動系統和車門系統，強化其在線狀態監測與故障診斷，遠程監測異常情況并及時預判和告警，從而解決規模化運營帶來車輛維保體量增加和批量設備深度維修需求，極大地提升了車輛維修價值，通過動態跟蹤設備運行狀態，不斷摸索設備劣化規律，優化了多個關鍵部件的維修周期，充分利用窗口期維修，車輛可利用率提升5%的同時，保障設備運行質量和節約設備維修成本。 為了更好的說明該系統，限于論文篇幅，本文僅就系統應用案例中最為關鍵的三個環節：關鍵部件的識別與分類、可靠狀態識別和維修周期優化等部分內容進行詳細說明。

4.2 關鍵部件的識別與分類

針對大型裝備開展以可靠性為中心的健康診斷和智能維護系統開發時，僅需要針對關鍵部件都進行以可靠性為中心的維修(RCM)分析，從維修工程的角度出發，主要考慮以下四個方面作為選擇關鍵設備的準則：

A：安全性，判斷大型裝備部件對運行安全的影響程度。重點關注本級、上一級以及最終的故障危害度后果影響分析。

B：服務水平，判斷設備部件對運行服務水平的影響。重點關注影響服務水平比較大的設備部件。

C：維修費用，判斷故障發生造成的經濟損失或者修復所需的維修成本大小。重點關注故障引致的直接經濟損失大的故障。

D：故障頻率，判斷故障發生的頻度是否超過預設的風險閾值。重點關注部件故障后果影響大且頻發的故障。

4.3 關鍵部件運行可靠狀態識別

確認關鍵設備部件之后，需要根據測試數據對其進行可靠性統計與變化規律分析，從而準備識別其可靠狀態。通常根據收集的規范化的故障統計數據進行可靠性分析。識別過程如下：

A：故障分布規律識別，設備部件故障概率曲線一般都是服從一定的統計規律的，可以通過識認曲線特征智能判別部件壽命分布函數，進而掌握故障分布規律，并可開展部件故障劣化趨勢分析。

B：可靠度函數識別：當確定部件故障分布類型和壽命曲線后，可以通過相應的數理統計方法準確識認可靠度函數置信區間以及相關特征參數。

C：裝備可靠狀態識別：當確定部件劣化趨勢、設備故障概率密度函數和可靠度函數之后，就可以根據運行里程或者周期準確判別部件的可靠狀態。

4.4 關鍵部件維修周期優化

準確識認大型裝備關鍵部件可靠度分析相關指標后，可以根據關鍵部件處于的可靠狀態與預期的可靠度水平差值，合理預測關鍵部件的維修周期和維修時機。如表2所示，根據軌道交通車輛關鍵部件轉向架系統和制動系統故障率統計圖，合理設定故障劣化趨勢及關鍵部件的維修周期(轉向架系統最優架修周期為72.8萬公里，轉向架系統最優架修周期為77.2萬公里)[10]。

表2 軌道交通車輛關鍵部件維修周期 萬公里

5 結論

健康診斷和智能維護系統可以顯著提升大型裝備的利用效率和裝備管理信息化水平，通過本文研究重點得到下述結論：

1) 系統分析當前大型裝備維修模式發展趨勢及其特點；并系統分析了健康診斷和智能維護系統的功能需求及其組成；

2) 針對系統功能需求，全面分析了大型裝備健康診斷和智能維護實現手段以及相應的可靠性水平維持策略；

3) 選用軌道交通車輛作為案例，系統分析了裝備健康診斷和智能維護系統分支之一的以可靠性為中心的大型裝備維修周期優化分析方法和流程，為后續拓展系統的其他功能奠定了堅實的基礎。

[1] 屈巖，孟曉紅，劉鵬，等.保障性分析在裝備壽命周期過程中的應用[J].四川兵工學報，2012(8)：52-54.

[2] 吳誤，沈鋼.軌道車輛走行部機械故障預警方案研究[J].華東交通大學學報，2013(1)：32-36.

[3] 蔣超.軌道交通自動門遠程監控系統中的智能故障診斷技術研究[D].南京：南京理工大學，2004.

[4] 麥金森，夕文.鐵路機車車輛運行故障監測診斷技術的研究與應用[J].中國鐵路，2007(3)：56-59.

[5] 用于設備狀態監測中故障診斷的歸納的模式識別，中國，CN104471501 A，2013.06.03.

[6] 南京地鐵二號線設備房標識系統研究[R].南京：南京理工大學，2010.

[7] 李田科，李偉，沙衛曉，等.備件可靠性分析及需求預測[J].兵器裝備工程學報，2016(4)：47-50.

[8] 南京地鐵運營公司TPM&RCM推行關鍵技術研究[R].南京：南京理工大學，2012.

[9] 南京地鐵運營公司車輛維修模式優化研究[R].南京：南京理工大學，2014.

[10] 南京地鐵運營公司車輛中大修維修周期優化研究[R].南京：南京理工大學，2016.

LargeEquipmentHealthDiagnosisandIntelligentMaintenanceManagementSystem

LIU Shufang1， XU Yongneng2， QIAO Qiao2

(1.Nanjing Metro Resource Development Company, Nanjing 210012, China; 2.School of Automation, Nanjing University of Science and Technology, Nanjing 210094, China)

With the rapid development of industrialization and urbanization level in China, large-scale use of large equipment in the traditional inspection and maintenance mode is of the existence of incomplete and irregular data, unreasonable storage and imperfect in data analysis and processing, backward data analysis means and so on. This situation seriously hampered the use of large-scale equipment efficiency. Health diagnosis and intelligent maintenance management system provide preventive maintenance of large equipment and total self-maintenance for comprehensive technical support. This paper focuses on the development trend of large equipment maintenance model, health diagnosis and needs analysis and composition of intelligent maintenance system，and the function of the system is systematically analyzed according to the case of key components of rail transit vehicle. The results show that the development and application of the system can better ensure the reliability and safety of the full life cycle of large equipment，and effectively improve the efficiency of large-scale equipment.

large equipment; health diagnosis; intelligent maintenance; large data analysis; degradation trend

2017-09-20；

2017-10-15

中央高校基本科研業務費專項資金資助項目(30917012102)

劉述芳(1972—)，女，碩士，主要從事機械工程及其自動化研究。

10.11809/scbgxb2017.12.064

本文引用格式：劉述芳,徐永能,喬僑.大型裝備健康診斷和智能維護管理系統概述[J].兵器裝備工程學報，2017(12):297-300,304.

formatLIU Shufang，XU Yongneng，QIAO Qiao.Large Equipment Health Diagnosis and Intelligent Maintenance Management System[J].Journal of Ordnance Equipment Engineering,2017(12):297-300,304.

U239.5

A

2096-2304(2017)12-0297-04

(責任編輯楊繼森)