CN108629430B - 一种重大设备智能运维管理系统 - Google Patents

Abstract

本公开揭示了一种设备智能运维管理系统；所述系统包括健康管理层、运维管理层和协调管理层；通过对多设备、多部件的全时段远程监测、故障诊断、寿命预测、运维中心、以及协同中心等功能的集成；以实现在运行阶段有效掌控固定设施、移动装备的运行状态和变化规律；并且将多部门、多终端、多站点协同与运维管理相结合，形成安全风险源识别、诊断、预测、排除构成的闭路循环，最大限度地防控安全风险，同时以数据为支撑，实现以产业链升级带动设备升级。

Description

一种重大设备智能运维管理系统

技术领域

本公开属于运维管理系统技术领域，特别涉及一种重大设备智能运维管理系统。

背景技术

对高铁、风电机组、航空装备等重大装备的维修体制正在从早期的事后维修体制到计划预防修体制，再到正逐步推进的视情维修体制。

以轨道交通为例：

我国目前实行的是“计划预防修为主、事后维修补充”的维修体制，维修周期采用以走行公里周期为主、时间周期为辅的模式。

日本主要采用以可靠性为中心的预防修制度，注重对设备性能和可靠性周期的优化，并合理优化其维修策略和周期。

德国ICE维修体系以计划预防修为总体框架，采用定期检测、保养与状态修相结合，部件互换修和主要部件集中修相结合的方法，按照走行公里和运行时间计划实施各级检修。

法国TGV维修体制，以计划预防修为主体，分为运营检查、定期检查、定期部件更换等几级修程。

但现有的重大设备的维修体制具有维修不足、过度维修、次生灾害风险高、运用效率低、维修成本浪费、难以统筹运维管理、协同性差等缺点。

发明内容

基于此，本公开揭示了一种重大设备智能运维管理系统，其特征在于，所述系统包括，

健康管理层，用于监测重大设备的健康状况，并对有故障的重大设备进行人工诊断识别与智能化诊断分析；

运维管理层，用于根据健康管理层的人工诊断识别与智能化诊断结果，提出运维策略并采取相应的运维措施，完成故障零部件的更换、维修或启动紧急预案；

协同管理层，用于将反映重大设备健康状况的监测数据、反映重大设备故障的诊断数据、反映重大设备维护全周期过程的运维数据与设备改型设计方案相结合，推动重大设备改型和可靠性提升。

本公开具有以下有益效果：

本发明的优点如下：

1、实时监测，避免了维修不足而导致的安全事故；同时结合人工智能理论以及专家知识库的诊断，可靠性高，安全性强；

2、寿命及故障预测为运行计划的制订提供的有力的支撑；

3、统筹运维管理，实现高效维修、成本低维修，避免了过度维修带来的成本浪费；

4、具备诊断与反馈的闭路循环，通过对诊断过程设备故障易发、高发的薄弱环节的有效反馈，改善设备工作性能与安全性能；

5、实现数据资源价值最大化，以设备寿命数据、运行失效数据、终端反馈数据等健康管理与运维数据为纽带，打通设计、制造、销售与健康管理、运维管理之间的壁垒，实现设备的更新换代，以及用户体验与服务质量的提升，有效提高产品竞争力。

附图说明

图1为本公开一个实施例中一种重大设备智能运维管理系统的工作流程图。

具体实施方式

在一个实施例中，本公开揭示了一种重大设备智能运维管理系统，所述系统包括，

健康管理层，用于监测重大设备的健康状况，并对有故障的重大设备进行人工诊断识别与智能化诊断分析；

运维管理层，用于根据健康管理层的人工诊断识别与智能化诊断结果，提出运维策略并采取相应的运维措施，完成故障零部件的更换、维修或启动紧急预案；

协调管理层，用于将反映重大设备健康状况的监测数据、反映重大设备产生故障类型的诊断数据、反映重大设备维护全周期过程的运维数据与设备改型设计方案相结合，进一步推动重大设备改型和可靠性提升。

在本实施例中，面向对象为轨道交通、风电机组、航空装备等一系列重大装备。提出了一种设备智能运维管理系统；通过对多设备、多部件的全时段远程监测、故障诊断、寿命预测、运维中心、以及协同中心等功能的集成；以实现在运行阶段有效掌控固定设施、移动装备的运行状态和变化规律；并且将多部门、多终端、多站点协同与运维管理相结合，形成安全风险源识别、诊断、预测、排除构成的闭路循环，最大限度地防控安全风险，同时以数据为支撑，实现以产业链升级带动设备升级。

如图1所示：本公开的系统层级包括健康管理、运维管理、协同管理三大层次；各层次分别完成设备全周期监测与故障识别、运维决策与调度、部门协同与信息反馈的功能，以监测诊断数据为沟通三个层次的纽带。

系统工作流程为：在健康管理层中，各区域、设备、部件的实时监测数据汇总到整体监测模块，通过整体监测模块，监测管理人员可以实时掌控运行状态的所有设备健康状况。当出现设备健康指标下降时，进入诊断分析模块或智能诊断模块；对于监测人员可以调用以专家知识库模块与人工智能理论模块为技术基础的智能诊断模块，对故障类型进行一键式判别，得出诊断结果后，深度挖掘模块可以进一步挖掘监测数据中隐藏的有价值信息，为下一步的寿命(故障)预测模块提供数据基础，最终将各类信息汇总后向运维管理层提供诊断结果、相关可靠性指标以及维修建议；对于具备诊断专业能力的技术人员，可调用诊断分析模块中的诊断分析工具进行人工诊断识别，并向运维管理层作出维修决策建议。运维管理层根据健康管理层的诊断分析结果，提出运维策略(商品备件管理、紧急预案)，采取相应的运维措施(维修调度、维修跟踪、维修策略)，完成故障零部件的更换、维修或启动紧急预案；然后进入协同管理层，用于协同进行设备运行管理与维护的各站点，设备运行的各终端，设备设计、制造、销售等各部门，将反映设备状态变化的监测数据、反映设备产生故障类型的诊断数据、反映设备维护全周期过程的运维数据与设备改型设计方案相结合，挖掘本系统中全层级数据的综合价值，通过跨越式协同各站点、各终端、各部门，将监测诊断、运维数据与设计、制造销售部门相结合，挖掘数据价值，进一步推动产品改型与可靠性提升，从研发端与销售端挖掘产品设备的附加价值，提升竞争力。

健康管理层的目的是对设备整体及部件运行状态进行全时段的监控，并根据不同层次人员的需求提供不同的诊断模块，对设备出现的健康指标下降进行故障类型判别与寿命预测，据此做出运维管理决策；包含整体监测、诊断分析、智能诊断、专家知识库、人工智能理论、深度挖掘、寿命(故障)预测等模块。

运维管理层的目的是根据健康管理层提供的诊断数据做出一系列运维决策，统筹运维资源，利用信息集中与大数据提高运维效率。协调管理层，用于协同进行设备运行管理与维护的各站点，设备运行的各终端，设备设计、制造、销售等各部门，将反映设备状态变化的监测数据、反映设备产生故障类型的诊断数据、反映设备维护全周期过程的运维数据与设备改型设计方案相结合，挖掘本系统中全层级数据的综合价值，进一步推动设备改型与可靠性提升。协同管理层的目的是打通设计、制造、销售与健康管理、运维管理之间的壁垒，实现信息的有效反馈；以深度挖掘为技术手段，以数据为支撑，以协同中心为纽带，实现以产业链升级带动设备升级。

在一个实施例中，所述健康管理层包括：

整体监测模块，用于监测重大设备的健康状况；

智能诊断模块，用于对故障的重大设备的故障类型、故障零部件、故障程度以及故障零部件的失效形式，以专家知识库模块与人工智能理论模块为基础，通过有监督或者无监督的学习方式，获取所述系统预置的故障识别算法，为监测人员提供自动故障判别与分类功能，实现智能化一键式诊断；

深度挖掘模块，基于统计、在线分析、机器学习、专家系统或模式识别，并从整体监测模块中获取的监测数据以及智能诊断模块得到的诊断数据中提取出重大设备的状态信息及变化信息；

寿命预测模块，用于根据重大设备的状态信息及变化信息，预测重大设备零部件与整体的剩余寿命，并为重大设备零部件与整体的维修提供维修建议；

诊断分析模块，用于进行人工诊断识别，做出维修决策。

更优的，所述整体监测模块包括布设于设备重要部位和关键零件，如航空发动机高压涡轮、主燃烧室、高压压气机；风电机组齿轮箱、风轮；高速动车组牵引电机、转向架等处的用于速度、压力、应力、电流、电压、温度和其他参数监测的各类传感器。

在本实施例中，所述整体监测模块以布设于设备重要部件和关键零件的用于速度、压力、应力、电流、电压、温度等各类参数监测的各类传感器为基础，实时监测，供监测管理人员实时掌控运行状态的所有设备健康状况，监测包括从部件到设备整体再到区域的全覆盖，实现不同部件、设备整体的性能分析、运行状况对比、超阈值预警、故障定位等功能，为了提升监测效率，减少人工操作耗时，该模块力图做到直观、简洁。

在一个实施例中，所述专家知识库包括不同人类专家的经验知识、前人总结的大量信号处理方法、典型失效特征、故障分类原则和大量的典型案例数据；

所述人工智能理论以神经网络、模式识别、机器学习、遗传算法、遗传编程及其他人工智能理论为基础，实现繁杂信号的信号处理、特征提取，复杂设备的运行状态识别、可靠性分析。

在本实施例中，所述专家知识库录入针对不同部件的人类专家经验知识，吸收前人总结的大量信号处理方法、典型失效特征、故障分类原则等，为设备与部件的运行状态识别与评估提供经验基础，并录入大量的典型案例数据，为分类诊断提供相应的数据基础。

所述人工智能理论为设备安全运营及高效检修提供技术保障。

在一个实施例中，所述诊断分析模块以整体监测模块中获取的监测数据为基础，并为现场具备诊断专业能力的技术人员提供各类基本辅助算法，供其进行人工诊断识别，做出维修决策。

所述基本辅助算法包括：振动信号时域、频域、时频域分析指标计算算法，信号消噪、滤波算法，三维全息谱分析算法，轴心轨迹分析算法。

在本实施例中，所述诊断分析模块以整体监测模块中获取的的原始监测数据为基础，提供各类基本辅助算法，如振动信号时域、频域、时频域分析指标计算算法，信号消噪、滤波算法，三维全息谱分析，轴心轨迹分析等；供现场具备诊断专业能力的技术人员进行人工诊断识别，做出维修决策，实现及时应对一些健康系统无法准确识别的运行异常。

在一个实施例中，所述运维管理层包括运维中心模块；

所述运维中心模块用于根据健康管理层中诊断分析模块与智能诊断模块提供的人工或智能诊断故障信息、深度挖掘模块与寿命预测模块提供的寿命预测结果、维修建议，做出科学的运维决策。

在本实施例中，根据健康管理层提供的，故障信息、寿命(故障)预测、维修或替换建议，做出科学的运维决策。适时采取不同的维修策略，统筹管理维修调度，缩短诊断与维修的间隔时间，提升运维资源调度效率与运维管理质量的同时降低运维成本；实现维修过程的全周期跟踪，保证维修问题精准溯源；完成备品备件的库存盘点工作，自动设置库存补充点；并在出现重大设备故障时启动紧急预案，将人员财产损失降到最低。

在一个实施例中，所述协同管理层包括协同中心模块；

所述协调中心模块用于根据视故障严重程度，与终端进行协同，并接收来自终端的信息反馈，在诊断信息与现场故障不匹配时进行二次诊断。

在本实施例中，所述协调中心模块视故障严重程度，与终端进行协同，并接收来自终端的信息反馈，在诊断信息与现场故障不匹配时进行二次诊断；协同装备所在站点及相关站点，为维修替换过程提供尽可能的便利，减少维修过程中不必要的等待时间与人员、设备的调度，缩短维修周期，最大程度避免装备在暂停运行时可能产生的人员安全事故与财产损失；协同全产业链相关部门，如与设计、制造部门进行产品性能反馈，针对故障易发点与高危点，发现设计缺陷与制造薄弱环节，促进产品改型、工艺提升，进一步提高装备的可靠性；或与销售部门协同，以数据为支撑，挖掘数据价值，及时填补服务空白，提升服务质量与品牌价值，从研发端与销售端挖掘产品设备的附加价值，提升竞争力；以产业链升级全面带动经济效益与产品质量的提升。

尽管以上结合附图对本发明的实施方案进行了描述，但本发明并不局限于上述的具体实施方案和应用领域，上述的具体实施方案仅仅是示意性的、指导性的，而不是限制性的。本领域的普通技术人员在本说明书的启示下和在不脱离本发明权利要求所保护的范围的情况下，还可以做出很多种的形式，这些均属于本发明保护之列。

Claims (4)

1.一种重大设备智能运维管理系统，所述重大设备包括高铁、航空装备，其特征在于，

所述系统包括：健康管理层，其中，健康管理层，用于监测所述重大设备的健康状况，并对有故障的重大设备进行人工诊断识别与智能化诊断分析；

所述健康管理层包括：整体监测模块，智能诊断模块，深度挖掘模块，寿命预测模块和诊断分析模块，其中：

（a）所述健康管理层中的整体监测模块，包括：布设于重大设备重要部位和关键零件处，且用于速度、压力、应力、电流、电压、温度和其他监测参数的各类传感器；

其中，所述重大设备的重要部位和关键零件包括如下任一：航空发动机的高压涡轮、主燃烧室、高压压气机；高速动车组的牵引电机、转向架；

所述整体监测模块，用于监测重大设备的健康状况；

在健康管理层中，各区域、设备、部件的实时监测数据汇总到整体监测模块，通过整体监测模块，监测管理人员实时掌控运行状态的所有设备健康状况；

所述整体监测模块以布设于设备重要部件和关键零件的用于速度、压力、应力、电流、电压、温度和其他监测参数的各类传感器为基础，实时监测，供监测管理人员实时掌控运行状态的所有设备健康状况，监测包括从部件到设备整体再到区域的全覆盖，实现不同部件、设备整体的性能分析、运行状况对比、超阈值预警、故障定位；

当出现设备健康指标下降时，进入诊断分析模块或智能诊断模块：

（b）所述健康管理层中的诊断分析模块以整体监测模块中获取的监测数据为基础，并为现场具备诊断专业能力的技术人员提供各类基本辅助算法，供其进行人工诊断识别，做出维修决策；其中，所述基本辅助算法包括:振动信号时域、频域、时频域分析指标计算算法，信号消噪、滤波算法，三维全息谱分析算法，轴心轨迹分析算法；

（c）所述健康管理层中的智能诊断模块，其连接所述整体监测模块；

所述智能诊断模块，以专家知识库模块与人工智能理论模块为基础，用于对故障的重大设备的故障类型、故障零部件、故障程度以及故障零部件的失效形式，通过有监督或者无监督的学习方式，获取所述系统预置的故障识别算法，为监测人员提供自动故障判别与分类功能，实现智能化一键式诊断；

（d）所述健康管理层中的深度挖掘模块，其基于统计、在线分析、机器学习、专家系统或模式识别，并从整体监测模块中获取的监测数据以及智能诊断模块得到的诊断数据中提取出重大设备的状态信息及变化信息；

（e）所述健康管理层中的寿命预测模块，用于根据重大设备的状态信息及变化信息，预测重大设备零部件与整体的剩余寿命，并为重大设备零部件与整体的维修提供维修建议；

所述系统还包括运维管理层；

所述运维管理层，用于根据健康管理层的人工诊断识别与智能化诊断结果，提出运维策略并采取相应的运维措施，完成故障零部件的更换、维修或启动紧急预案；

所述运维管理层包括运维中心模块；

所述运维中心模块用于根据健康管理层中诊断分析模块与智能诊断模块提供的人工或智能诊断信息、深度挖掘模块与寿命预测模块提供的寿命预测、维修建议，做出运维决策；

所述运维管理层还用于：维修调度、维修跟踪、维修策略、商品备件管理和紧急预案；

所述系统还包括协同管理层，其中：

协同管理层，用于将反映重大设备健康状况的监测数据、反映重大设备故障的诊断数据、反映重大设备维护全周期过程的运维数据与设备改型设计方案相结合，推动重大设备改型和可靠性提升；所述系统在运行阶段有效掌控固定设施、移动装备的运行状态和变化规律；并且将多部门、多终端、多站点协同与运维管理相结合，形成安全风险源识别、诊断、预测、排除构成的闭路循环，最大限度地防控安全风险，同时以数据为支撑，实现以产业链升级带动设备升级；

所述系统还具有如下特征：

监测人员调用以专家知识库模块与人工智能理论模块为技术基础的智能诊断模块，对故障类型进行一键式判别，得出诊断结果后，深度挖掘模块挖掘监测数据中隐藏的有价值信息，为下一步的寿命预测模块提供数据基础，最终将各类信息汇总后向运维管理层提供诊断结果、相关可靠性指标以及维修建议；

具备诊断专业能力的技术人员，调用诊断分析模块中的诊断分析工具进行人工诊断识别，并向运维管理层作出维修决策建议。

2.根据权利要求1所述的系统，其特征在于，

所述专家知识库包括不同人类专家的经验知识、前人总结的信号处理方法、典型失效特征、故障分类原则和典型案例数据。

3.根据权利要求1所述的系统，所述人工智能理论模块以神经网络、模式识别、机器学习、遗传算法、遗传编程及其他人工智能理论为基础，实现繁杂信号的信号处理、特征提取，复杂设备的运行状态识别、可靠性分析。

4.根据权利要求1所述的系统，其特征在于，所述协同管理层包括协同中心模块；

所述协同中心模块用于根据重大设备的故障严重程度，与终端进行协同，并接收来自终端的信息反馈，在诊断信息与现场故障不匹配时进行二次诊断。

Images