基于EHM理念的鐵路機務設備大數據健康管理系統的設計與實現

譙 兵，胡 斌

（1.北京經緯信息技術有限公司，北京 100081；2.北京新聯鐵集團股份有限公司，北京 100034）

隨著信息化的發展，設備健康管理（EHM，Equipment Health Management）已經成為當今時代的潮流，通過整合設備管理規章制度和業務流程，緊密結合狀態監測、維修、使用和環境等信息，對涉及設備健康的因素進行全過程控制，對維修活動進行計劃和優化[1]。EHM使得設備在實際工作時保持更好的工作狀態，在降低維修成本的同時提高工作效率，因此越來越受到各類相關企業的重視。

前人在該領域做了很多嘗試，例如，故障預測與健康管理（PHM，Prognostics and health management）[2]技術最早是美國等國家針對復雜軍事裝備研究的健康管理方案；廖可通過數據分析排查機務設備規律性故障[3]；李航等人針對航空發電機的健康管理，提出了基于航空發電機參數設計航空發電機健康預測模型的方法[4]；周奇才等人針對機械設備的健康管理，提出了基于深度學習方法的預測模型[5]；針對選煤設備的健康管理，胡煒等人提出了基于設備狀態的持續監測和監測數據的分析方法[6]。

在前人的研究基礎上，針對鐵路機務設備的健康管理，本文設計并實現了基于EHM理念的鐵路機務設備大數據健康管理系統。本系統通過自回歸（AR，Autoregressive）模型和支持向量機（SVM，Support Vector Machine）模型對鐵路機務設備進行健康趨勢預測和故障預測，結合鐵路機務設備工作人員的實際工作經驗和數據源分析結果，制定了鐵路機務設備風險評估等級。

1 系統設計

1.1 系統架構設計

基于EHM理念的鐵路機務設備大數據健康管理系統的架構設計如圖1所示。

圖1 系統架構圖

（1）數據源

系統的數據源由鐵路機務設備的歷史運行數據、維修數據和實時監測數據構成。

鐵路機務設備的歷史運行數據是設備既有的監測數據，包括機務設備的初始各項指標值、工作時長、工作次數、工作環境以及每次工作的各項指標等；維修數據是設備在損壞時的維修記錄，包括損壞時間、損壞情況、維修方式、維修地點、維修費用等；實時監測數據是設備運行情況下各項指標要素的實時記錄，系統每隔一段時間就會將前一階段的實時記錄轉移到鐵路機務設備的歷史運行數據庫中。

（2）數據傳輸

系統的數據傳輸需要在滿足文件傳輸協議（FTP）的前提下，通過企業服務總線（ESB）和數據網關將數據存儲系統中的源數據抽取、轉置、加載到系統中。

（3）數據處理

將源數據加載到系統中后，系統會自動對源數據進行解析、去重、篩選、清洗、合并、分類、轉換等數據預處理，使源數據標準化。

（4）數據存儲

經過預處理之后，大部分數據通過Hadoop架構實現分布式存儲，小部分的常用數據通過本地的MySQL數據庫進行存儲。

（5）數據分析

系統通過層次分析法，AR、SVM等數據分析模型對經過預處理的歷史數據進行數據分析，進而支撐系統的各項功能[7]。

1.2 系統功能設計

結合鐵路機務EHM的實際需求，本系統設計的主要功能包括設備實時監控、設備趨勢分析、設備故障預測和風險等級評估。

1.2.1 設備實時監控

鐵路機務設備運行狀態實時監控功能用于對鐵路機務設備的健康進行實時監控[8]，使工作人員及時了解設備工作狀態，提高鐵路機務設備的可靠性[9]。

（1）設備位置監控

設備在工作中經常根據需要進行位置改動，涉及到設備的安裝、調試、退役以及變更等。系統基于采集到的地理結構定位數據對設備進行跟蹤管理，在此基礎上，可支持顯示建筑物、車間等位置類別及其實際位置，未來可直接結合GIS，實現圖形化篩選定位功能。

（2）設備狀態信息監控

對設備的使用狀態進行實時查詢，包括設備的新增、在用、檢修、報廢、閑置等設備狀態標志的設置和變更，如果設備處于在用狀態，可實時監控不同設備的各項參數、指標等狀態信息。使得相關人員通過手機、PC機、調度大屏等實時掌握生產中設備運行情況。

1.2.2 設備趨勢分析

（1）設備效率趨勢分析

系統通過與設備控制系統集成，實時采集各生產設備的開動狀態、運行狀態，對設備運行狀況進行集中監控。系統采集設備開停機時間、設備作業量、設備故障時間等，自動生成全局設備效率（OEE，Overall Equipment Effectiveness)，并提供設備的實時OEE趨勢，便于工作人員及時發現影響生產效率的因素。

（2）設備健康趨勢分析

該功能對鐵路機務設備未來一段時間內的健康趨勢進行分析預測。系統采集設備開停機時間、設備作業量、設備使用率、設備異常率等關檢指標，進行綜合數據分析，實現設備健康趨勢的分析。

1.2.3 設備故障預測

（1）設備性能預測

不同設備的使用環境、偶發因素、使用場景各不相同，很難對設備或其部件進行壽命預測，系統根據歷史數據進行趨勢預測和關鍵指標跟蹤，并通過基于原始數據的分類、聚類、異常點識別、關聯性分析等多種算法實現趨勢研判和異常點追蹤，和智能化的性能指標閾值設置，當性能指標超出預警值，系統可自動進行報警。

（2）設備故障預測

該功能用于對鐵路機務設備未來一段時間內是否會發生故障進行預測分析。故障預測可綜合利用上述各部分的數據信息，評估和預測被監測設備未來發生故障的可能性，并做出判斷、建議和決策。工作人員根據系統提示，采取相應的措施，在部件發生故障之前選擇適宜時機進行維修。

1.2.4 風險等級評估

（1）故障風險等級評估

通過設備實時狀態信息推算設備故障率，以設備自身資產和資產損失度衡量經濟性，綜合考慮設備故障率及設備退出運行對生產的經濟性、安全性的影響，對設備故障風險進行評估

（2）安全風險等級評估

實現在生產及維修過程中對安全風險的預警功能，向工作人員發出相應的預警提示，風險等級分為一般風險、低級風險、中級風險、高級風險。

2 系統實現

基于EHM理念的鐵路機務設備大數據健康管理系統在Windows 10操作系統環境下，利用python 3.5和pycharm 2018兩種工具構建鐵路機務設備健康評測模型、健康趨勢預測模型和故障預測模型，進而支撐系統的各個功能模塊，實現對鐵路機務設備的大數據健康管理。

2.1 健康評測模型

鐵路機務設備健康評測值是對鐵路機務設備當前工作狀態的一種認知。鐵路機務設備的運行歷史數據、維修數據和實時監測數據對設備健康評測模型的構建至關重要[10]。在構建健康評測模型時，必須要確定設備各個指標要素的權重。層次分析法能夠把與決策有關的元素分解成目標、準則、方案等層次，進行定性和定量分析，適用于鐵路機務設備各個指標要素的權重確定[11]。

鐵路機務設備健康評測模型的構建分3個部分。

（1）基于鐵路機務設備的運行歷史數據、維修數據和實時監測數據構建鐵路機務設備的健康評估體系，如圖2所示。

圖2 鐵路機務設備健康評估體系圖

（2）結合鐵路機務設備相關專家的意見確定每個指標要素的健康得分，滿分為10分。通過層次分析法對鐵路機務設備各個指標要素之間的關系進行分析并確定其各自的權重，將定性問題定量化，達到歸一化處理的目的[12]。

（3）通過把機務設備實時監測的各個指標要素的值代入定量化分析的鐵路機務設備健康值評測體系，如式（1）所示，對該鐵路機務設備進行健康值評測，從而對該鐵路機務設備的當前健康狀況有所認知。

其中，H表示鐵路機務設備的當前健康評測值；Vi表示鐵路機務設備第i個指標要素的監測值；Mi表示鐵路機務設備第i個指標要素的閾值中位數；Li表示鐵路機務設備第i個指標要素的閾值長度；ωi表示鐵路機務設備第i個指標要素的權重；i=1，…，10。

2.2 基于AR模型的健康趨勢預測模型

鐵路機務設備的健康值與設備的歷史狀態關系緊密，受其它因素影響較小。AR模型是統計領域一種處理時間序列的方法，通過結合同一變量之前各期的表現記錄，來預測本期的表現情況，適用于鐵路機務設備健康趨勢預測[13]。AR模型原理如式（2）所示[14]。

其中，t為某一時刻；X為t時刻的電壓數據；c為設備電壓修正值常量；p和l代表設備電壓取值范圍的上界和下界；φi為t時刻的電壓數據是否適用于式（2）的權重值；t-i為歷史某一時刻電壓數據；εt為隨機誤差值。

將鐵路機務設備指標要素歷史監測數據分為訓練集和測試集，對訓練集進行AR模型訓練，得到健康趨勢預測模型。該模型對測試集進行測試的結果如圖3所示，其中，原始數值代表測試集的實際健康值，評估和預測是通過健康趨勢預測AR模型得到的測試集健康預測值。對比健康趨勢預測模型預測結果與測試集實際健康值，預測結果準確率約為96.2%。

圖3 基于AR模型的鐵路機務設備健康趨勢預測圖

2.3 基于SVM的故障預測模型

鐵路機務設備狀態分為正常和故障2種，屬于二分類問題。而SVM是一種按監督學習方式對數據進行二元分類的廣義線性分類器[15]，適合處理設備狀態判斷問題。本系統通過使用SVM對各種鐵路機務設備故障維修數據進行分析、訓練得到設備故障預測模型，通過該模型進行故障預測[16]。

當模型獲取到如圖4所示的數據時，可在圖例中根據第一列標簽標示出數據的有效性進行判斷處理，例如，當第一列數據為+1時數據有效，為-1時則數據無效。

圖4 鐵路機務設備部分故障維修訓練數據處理界面

將通過故障預測模型得到的故障預測結果與鐵路機務設備故障實際情況進行對比，得出預測的成功率為99.08%，如圖5所示。

圖5 鐵路機務設備故障預測界面

2.4 設備健康風險預警等級

本系統結合鐵路機務設備工作人員的實際工作經驗和數據源分析結果，為鐵路機務設備設定了如圖6所示的風險等級評估系數。

圖6 鐵路機務設備健康風險預警等級示意圖

系統會根據設備健康值分數所處的風險評估等級，向工作人員發出不同級別的風險評估預警，方便工作人員及時采取應對措施，保證鐵路機務設備維護的工作效率[17]。

3 結束語

基于EHM理念的鐵路機務設備大數據健康管理系統將前沿的信息化技術融入鐵路機務設備的實際工作中，實現了對鐵路機務設備的健康管理，提高了鐵路機務設備的整體管理水平，保證了工作質量，為前沿信息化技術的普及發揮了示范作用[18]。然而，EHM的關鍵技術現在還不夠成熟，本文中的健康趨勢預測和故障預測模型都只采用了一種關鍵技術。下一步準備在這2個功能上采用混合方法，使得健康趨勢預測模型和故障預測模型更加完善，進一步提高預測準確率。