轨道交通设备维修管理方法及系统与流程

摘要: 本发明涉及轨道交通设备维修,尤其涉及一种轨道交通设备维修管理方法及系统。背景技术:1、当前,轨道交通设备的维修管理主要依赖于三种模式:故障修(事后维修)、计划修...
轨道交通设备维修管理方法及系统与流程

本发明涉及轨道交通设备维修,尤其涉及一种轨道交通设备维修管理方法及系统。

背景技术:

1、当前,轨道交通设备的维修管理主要依赖于三种模式:故障修(事后维修)、计划修(定期预防维修)与状态修(基于状态的维修)。然而,在实际应用中,这些模式均暴露出一系列亟待解决的技术缺陷。

2、1、现有维修管理模式的局限

3、(1)故障修(事后维修)模式响应被动,缺乏预警能力。

4、设备仅在发生故障后才进行修复,导致运营中断与应急维修成本高昂。尤其在客流高峰时段,关键设备(如闸机、信号设备)的突发故障会直接影响线路畅通与乘客体验。更为深层次的问题是,该模式无法对故障进行预测,使得维修资源调配始终处于被动状态,且难以系统性地分析和沉淀故障根因,形成知识积累。

5、(2)计划修(定期预防维修)模式周期固化,易导致“过修”与“欠修”。

6、该模式依赖于固定的时间周期或历史经验,未能充分考虑设备个体差异、实际负载强度及运行环境等动态因素。例如,在客流量巨大的枢纽站,闸机核心部件的磨损速度远高于低客流车站。采用统一的年度检修周期,可能导致高负载设备在检修前就已发生故障(“欠修”),而低负载设备在检修时状态良好,造成不必要的维修资源浪费(“过修”)。这种“一刀切”的策略既增加了总体运维成本,也埋下了安全隐患。

7、(3)状态修(基于状态的维修)模式面临数据与模型的挑战。

8、其效果高度依赖于实时、准确的状态监测数据。然而,大量在役传统设备部署的传感器精度有限,所获取的状态信息较为粗糙且时效性差,难以支撑精准的健康评估与故障预测。此外,现有系统多局限于简单的阈值报警,未能建立深度融合设备运行参数、客流负荷、环境条件等多维数据的寿命预测模型。设备、客流、环境等数据通常分散在不同系统中,形成“数据孤岛”,导致宝贵的运维知识难以被结构化地整合与复用。

9、2、现有技术解决方案的不足

10、为提升维修管理水平,业界已尝试引入多种技术手段,包括基于传统可靠性统计的模型、通用机器学习方法以及初代基于生存分析的预测方案。然而,这些现有方案在行业适配性、预测准确性、决策智能性及系统自进化能力等方面,仍存在一系列尚未克服的明显不足。

11、(1)传统可靠性模型适应性不足,且假设过于僵化。

12、这类模型常假设设备失效过程服从单一的典型分布(如指数分布、威布尔分布)。然而,轨道交通设备实际运行中的失效模式复杂多变,可能同时包含早期故障、随机故障和耗损失效,其寿命分布往往无法用预设的单一模型准确描述。更重要的是,此类模型通常忽略大量正常设备的“删失数据”,导致对总体故障率的估计产生系统性偏差。此外,模型输入通常仅限于设备自身的基本运行时间参数,未能充分利用客流冲击、环境应力等可观测的外部协变量,限制了其对真实世界复杂影响的建模能力。

13、(2)通用机器学习方法的行业适配性差,可解释性不足。

14、虽然机器学习模型(如神经网络、随机森林)在诸多预测领域表现优异,但直接应用于轨道交通维修场景时,往往因特征工程缺乏领域知识引导而“水土不服”。模型通常使用原始数据,未能构建反映设备物理失效机理与运维经验的专业特征,导致其成为“黑箱”,预测结果难以被现场工程师理解和信任。同时,对于设备中常见的、由多失效模式竞争或叠加形成的复杂场景(如“浴盆曲线”),通用模型的表征能力有限。在故障样本稀少的高度不平衡数据集上,这类模型极易过拟合,预测结果的稳健性和泛化能力不佳。

15、(3)现有基于生存分析的预测性维护方案仍存在深度应用瓶颈。

16、即便在已引入生存分析理论的方案中,其技术实现仍较为初级,存在以下关键局限:

17、模型假设依然单一:通常预先指定设备寿命服从威布尔分布等特定模型,并通过拟合优度检验人工选择“最佳”分布。这种方法缺乏灵活性,无法自适应地拟合数据背后可能存在的未知或混合分布形态。

18、输入特征维度狭窄:协变量多局限于设备子系统自身的故障率与运营时间,未融合客流负荷、自然环境等多源外部数据,导致模型无法量化评估运营强度与外部环境对设备寿命的动态影响,预测与实际工况脱节。

19、决策逻辑静态固化:维修决策依赖于通过历史数据整体优化得出的固定阈值或统一维修周期,无法为每台设备提供基于其实时运行状态与风险的个性化、动态调整的维修策略。

20、系统缺乏自进化能力:模型一旦训练完成即固化部署,缺乏利用维修后效数据进行持续学习与优化的闭环机制,无法适应设备老化、部件改型或运营模式变化,导致预测性能随时间的推移而退化。

21、综上所述,现有方法在预测模型的灵活性、多源数据的融合度、维修决策的动态性以及系统的持续优化能力等关键维度上均存在明显短板。

技术实现思路

1、为了解决现有技术的问题,本发明目的在于提供一种轨道交通设备维修管理方法及系统,其能够深度融合多维度领域知识、自适应选择最优预测模型、实现基于实时风险的智能决策,并具备闭环自进化能力。

2、为达上述目的,本发明采用以下技术方案:

3、一种轨道交通设备维修管理方法,其特征在于,包括:

4、获取故障工单数据、客流数据和环境数据,以构建样本集;

5、采用样本集对单变量模型、协变量加速时间模型、多重分布模型进行训练、验证,以确定最优模型;

6、基于最优模型、设备的运行参数,计算预测参数;

7、基于预测参数,生成智能维修决策。

8、作为本发明的进一步改进,所述获取故障工单数据,以构建样本集的步骤,包括:

9、从afc维修管理系统获取主控模块的故障工单数据,从客流统计系统获取客流数据,从环境监测系统获取环境数据;

10、根据故障工单数据,针对每一个设备序列,提取多个起始-终止区间;

11、从故障工单数据确定故障时间、事件指示器的值,从客流数据和环境数据提取特征向量;

12、以第i个区间的故障时间、事件指示器、第i个区间对应的特征向量,搭建样本集;

13、将样本集划分为训练集和验证集。

14、作为本发明的进一步改进,所述采用样本集对单变量模型、协变量加速时间模型、多重分布模型进行训练、验证,以确定最优模型的步骤,包括:

15、采用同一训练集对单变量模型、协变量加速时间模型、多重分布模型进行训练;

16、采用验证集对单变量模型、协变量加速时间模型、多重分布模型进行综合评估,基于综合评估结果,确定最优模型。

17、作为本发明的进一步改进,所述综合评估指标包括:预测精度、模型复杂度、业务解释性。

18、作为本发明的进一步改进,所述运行参数包括:设备的当前特征向量、自上次维修后已运行天数,所述基于最优模型、设备的运行参数,计算预测参数的步骤,包括:

19、采用全部的训练集对最优模型进行训练,得到部署参数;

20、根据部署参数、设备的当前特征向量,计算得到当前参数;

21、根据部署参数、所述当前参数,计算生存概率;

22、根据部署参数、所述当前参数、所述生存概率,计算风险函数值;

23、基于所述生存概率,计算累计风险函数值。

24、作为本发明的进一步改进,所述基于预测参数,生成智能维修决策的步骤,包括:

25、将所述风险函数值、累计风险函数值与决策规则库进行比对,生成智能维修决策。

26、作为本发明的进一步改进,所述决策规则库存储有:状态修触发阈值、计划修触发阈值、报废评估阈值;

27、所述将所述风险函数值、累计风险函数值与决策规则库进行比对,生成智能维修决策的步骤,包括:

28、将所述风险函数值与所述状态修触发阈值进行比对,得到是否触发状态修的决策;

29、将所述累计风险函数值与所述计划修触发阈值进行比对,得到是否触发计划修的决策;

30、根据所述风险函数值与维修前水平的风险函数值进行比对,得到是否需要报废的决策;

31、根据所述计划修触发阈值计算预测计划修时间;

32、根据所述预测计划修时间确定提醒时间,在到达所述提醒时间时,生成预防性维修工单。

33、作为本发明的进一步改进,本发明还包括:

34、在设备经过维修后,分析维修后效数据,对决策规则库进行更新。

35、作为本发明的进一步改进,本发明还包括:

36、获取设定时间内所产生的故障工单数据、客流数据和环境数据,以构建新增样本集;

37、基于新增样本集、历史样本集,采用目标函数进行增量学习,以更新部署参数;

38、将本次新增样本集加入到历史样本集中。

39、本发明还提供了一种轨道交通设备维修管理系统,用于实现上述的轨道交通设备维修管理方法,包括:

40、多源数据采集与融合模块,用于获取故障工单数据、客流数据和环境数据,以构建样本集;

41、生存分析建模与优化模块,用于采用样本集对单变量模型、协变量加速时间模型、多重分布模型进行训练、验证,以确定最优模型;并基于最优模型、设备的运行参数,计算预测参数;

42、维修决策智能体模块,用于基于预测参数,生成智能维修决策;

43、指令执行与跟踪模块,用于将智能维修决策推送至维修管理系统或者移动作业终端。

44、本发明的有益效果为:通过整合故障工单数据、客流数据、环境数据的多源数据构建样本集,彻底打破跨系统数据孤岛,丰富样本特征维度,弥补传统方案仅依赖单一设备数据的短板,为后续模型训练提供贴合实际工况的全面数据支撑,同时助力故障根因挖掘与运维知识沉淀。依托多模型训练验证筛选最优模型,突破单一模型假设僵化的局限,大幅提升故障预测的准确性与稳健性。基于最优模型与设备实时运行参数计算预测参数,生成智能维修决策,替代简单阈值报警,为维修决策提供科学依据。