通過構建以多維數據特征融合（MFF）為基礎、故障預測與健康管理（PHM）為核心、狀態維修（CBM）為導向的城軌智能運維 M3技術體系。

1. 技術架構

通過構建以多維數據特征融合（MFF）為基礎、故障預測與健康管理（PHM）為核心、狀態維修（CBM）為導向的城軌智能運維 M3技術體系?；诙喾直媛史治雠c多層次分析方法分別提取站臺門業務數據的“秒-分鐘-小時-日-月-年”時間尺度及“模塊-個體-站域-線路-線網”空間尺度特征，創新提出基于稀疏獨立成分分析的多維特征融合方法，實現了不同時間尺度下的多空間特征融合。建立物元可拓的“健康-可靠性-風險”一體化評估模型，發明了迭代修正灰色誤差的故障預測與站域信息融合的潛隱故障辨識方法，實現城軌設備的健康狀態實時跟蹤、故障預警與快速準確識別。提出了綜合維修成本的解析表達方法，定義了可靠度成本率作為維修優化的新指標，并引入健康值作為新約束，建立了考慮設備健康值、維修效果及成本的多目標維修決策模型，實現了站臺門維修資源的精準調配與維修計劃的精益安排。

2. 核心技術

2.1可靠性評估

搜集設備服役過程中的故障工單、維修記錄、巡檢記錄、換件情況等服役數據，根據專家經驗和數據擬合情況選擇合適的分布類別并進行可靠度變化趨勢的擬合，可靠度評估結果可以用于檢修周期和檢修順序的優化。

2.2異常檢測

提出了基于異常轉移概率矩陣和風險衰減模型的“徑流模型”，對設備運行中的事件點位數據進行建模，刻畫設備故障發生的風險程度并排除偶發故障帶來的事件異常，根據歷史數據綜合判斷設備是否運行在異常區間。

2.3故障診斷

綜合考慮（1）維保數據：如故障記錄、巡檢記錄、換件記錄；（2）事件數據：如設備報警歷史、機理特征事件；（3）設備運行變化參數：電壓、電流、溫度等數據，結合設備故障機理知識、機器學習、深度學習分類算法，達到對設備進行故障識別、故障定位和根因分析的目的。

2.4健康評估

運用多層次分析方法，梳理影響設備狀態的關鍵指標，依靠數據分析和專家知識庫確定合理的權重分配，最后結合可靠度評估、異常檢測和故障診斷等結果對設備進行綜合的、全面的評估，輸出設備健康評估得分。

2.5壽命預測

使用深度學習時序預測模型對設備健康評估的結果進行預測，當預測分數落到異常區間和故障區間時對設備進行預警，輸出設備的剩余壽命和人員排班、備件預定建議。

2.6 智能派單

基于上述狀態檢測、健康評估、故障診斷和故障預測的結論，綜合考慮人員畫像、人員定位、設備位置、故障緊急程度、備品備件等信息智能尋優，自動將故障工單、巡檢工單和預測工單派發到最合適的運維人員，替換調度人員、優化資源配置。

2.7PHM基礎大模型

借鑒大語言模型GPT的相關技術，對嚴格清洗后的行業大數據在提前設定的預訓練任務上進行預訓練，得到PHM基礎大模型并在該模型基礎上通過zero-shot或微調進一步解決故障診斷、壽命估計等實際問題。

2.8遠程巡檢

通過視頻圖像數據采集實現遠程巡檢集中判圖，替代巡檢任務中非接觸式作業內容，降低巡檢人力成本。運用機器視覺算法實現遠程巡檢自動判圖，使原有的周期性巡檢轉為7x24小時在線監測，進一步降低巡檢成本的同時提升巡檢質量。

3.創新點

（1）提出城軌運維M3技術體系，對多源數據進行融合并在多分辨率、多尺度上提取數據特征，實現了一體化評估模型；

（2）綜合多源數據，使用機理模型加數據驅動的方式對設備完成可靠度分析、健康評估、故障診斷和壽命預測。

（3）建立PHM基礎大模型，用于解決故障診斷、故障預測等運維問題；

（4）對PHM技術輸出的診斷、預測結果，結合業務數據進行智能派單、自動排班和物料優化，優化運維決策。

（5）通過采集視頻圖像和視覺算法實現7×24小時在線檢測，提升巡檢質量，降低巡檢成本。

1.降低40%的故障率

根據設備狀態檢測和可靠性分析，準確掌握設備當前狀態，在設備將于發生性能退化時或早期故障時及時安排檢修，大幅度降低故障發生率，有效降低因站臺門故障導致的列車晚點情況發生。

2.降低50%的檢修工時

綜合設備狀態監測信息，歷史故障信息，歷史維修信息，設備使用強度及剩余壽命預測信息，計算站臺門當前健康評估結果，支撐月檢順序調優和檢修流程優化，避免過修現象。實現設備全生命周期信息可追溯。

3.降低30%的故障維修時間

根據故障診斷結果，精準定位故障發生部件，輔助維保工作人員選擇維修工具和備件，有效縮短故障排查時間和故障維修時間。

4.縮短25%的流程流轉時間

綜合考慮故障信息，人員能力信息，人員位置信息等實現智能派單。主要包括：自動提報工單，輔助診斷指導處理，處理結果評價，審核，以及自動生成處理報告等功能，有效縮短流程流轉時間。

1.狀態修代替故障修，部分實現預測修

基于實時采集的設備狀態信息，實時追蹤設備退化情況和早期故障，在設備發生故障前期及時處置，避免故障惡化帶來的嚴重損失。

2.加速智能化轉型

通過智能運維產品促進現有維保模式的更新，打造新型的綜合運維平臺，加速軌道交通向數字化，智能化方向轉型，實現減員增效。

3.行業大模型降低智能運維門檻

專業小模型診斷精度高，效果好，但是需要強工業機理知識支撐，且只能針對單一工況，單一問題，存在模型訓練門檻較高，適應性低的痛點。隨著軌交領域數據的積累，大模型技術的趨于成熟，行業大模型可以有效解決上述問題。

4.基于大語言模型的輔助維修

基于海量行業數據訓練的軌交領域大模型，作為“行業專家”，在維修時可以通過對話的方式引導運維人員排查故障，發現故障，并提供維修建議，很好的輔助維修工作。

項目成果已應用到長沙，廣州，成都等城市的多條地鐵線路中，保障了城市軌道交通的安全可靠、高效經濟運行。項目技術成果在廣州地鐵十三五線路（18號線&22號線）部分車站試點應用，試點應用效果顯示，站臺門主要故障覆蓋率可達70%，故障檢測準確率根據不同故障類型可達千分之一至萬分之四；并可支撐站臺門檢修周期調整，在站臺門部分關鍵子系統中初步實現狀態修。

項目構建了以多維數據特征融合為基礎、故障預測與健康管理為核心、狀態維修為導向的城軌智能運維M3技術體系，實現了城軌運維的降本增效，設備年平均故障率降低40%，系統年檢修頻次減少約30%、檢修維護成本降低近25%。智能運維技術可提供智能診斷服務，平均可降低檢修工時約50%，對故障設備及時檢修，可節約25%的設備折舊成本，同時縮減流程流轉時間25%?？傮w預計為地鐵線路節省每年746.15 萬元的人力成本及2197.45 萬元的運營成本。如項目在全國地鐵線路推廣，預計能為全國地鐵線路運營成本節省80.06 億元。

讓我們一起期待佳都科技在智慧城市軌道交通更多精彩的表現吧。