数字孪生驱动的洗车设备预测故障与云维修调度方法与流程

本发明涉及设备维修管理，具体为数字孪生驱动的洗车设备预测故障与云维修调度方法。

背景技术：

1、洗车设备作为高频使用的自动化作业设备，其运行可靠性直接影响服务效率和用户体验，洗车设备通常包含高压喷淋、泡沫涂覆、滚刷清洗和风干等多个功能模块，各模块下属有众多执行部件，设备结构复杂，故障类型多样。

2、目前常见的设备维护方式以定期巡检和事后维修为主，定期巡检按照固定周期对设备进行检查和保养，无法及时发现巡检间隔期内突发的性能劣化或早期故障征兆，事后维修则是在设备出现明显故障或停机后才进行修理，此时故障往往已经对设备造成了实际损害，维修成本高、停机时间长，且可能影响正在进行的洗车作业。

3、随着数字孪生技术的发展，部分设备已尝试构建设备的数字孪生体模型，通过传感器采集设备的实时运行数据并映射至数字孪生体，实现对设备运行状态的可视化监测。然而现有数字孪生应用大多停留在状态展示层面，当监测数据显示异常时，仍然需要人工判断故障的具体位置和严重程度，再手动在维修排班表中寻找空闲时段安排维修任务，这种人工处置方式故障定位依赖人员经验，难以从设备整体状态逐层追溯到具体的故障部件。

技术实现思路

1、（一）解决的技术问题

2、针对现有技术的不足，本发明提供了数字孪生驱动的洗车设备预测故障与云维修调度方法。

3、（二）技术方案

4、为实现以上目的，本发明通过以下技术方案予以实现：数字孪生驱动的洗车设备预测故障与云维修调度方法，具体包括：

5、s1、获取目标洗车设备的数字孪生体模型，基于数字孪生体模型中各层级节点的历史正常运行参数生成各节点对应的正常状态区间，并获取当前已安排的维修任务序列作为维修调度链路；

6、s2、将实时采集的设备运行数据映射至数字孪生体模型的各层级节点，按照从第一层级到第三层级的顺序执行逐层状态校验，标记故障风险点位并确定对应的风险等级；

7、s3、基于故障风险点位对应的维修任务预计时长和风险等级，遍历维修调度链路中相邻维修任务之间的空闲时段，筛选可容纳维修任务的空闲缺口并执行维修任务插入；

8、s4、基于插入完成后的维修调度链路，确定维修调度方案并输出。

9、优选的，所述s1中，获取目标洗车设备的数字孪生体模型，数字孪生体模型的第一层级包含表征设备整体运行状态的整体节点，第二层级包含表征设备各功能模块运行状态的模块节点，第三层级包含表征设备各执行部件运行状态的部件节点，每个功能模块节点与其所属的整体节点之间建立有从属关联，每个执行部件节点与其所属的功能模块节点之间建立有从属关联；

10、对于每一个层级中的每一个节点，从数字孪生体模型中提取每一个节点对应的历史正常运行时段内的运行参数序列，运行参数包括每一个节点对应设备单元在运行过程中的振动幅值、工作电流值和运行温度值中的至少一种，计算运行参数序列中各运行参数值的算术平均值和标准差，以算术平均值减去第一倍数标准差作为正常状态区间的下限，以算术平均值加上第一倍数标准差作为正常状态区间的上限；

11、从设备维修管理系统中获取当前已安排的所有维修任务，每个维修任务包含任务执行时段、任务持续时长和任务优先级，将所有维修任务按执行时段的先后顺序排列，相邻任务之间以及任务与当前时刻之间的时间段构成空闲时段，形成维修调度链路。

12、优选的，所述s2中，通过部署于目标洗车设备各执行部件、各功能模块和整机上的传感器按采集周期实时采集运行数据，将各传感器采集的运行数据按照传感器与数字孪生体模型中各层级节点的对应关系分别映射至对应的整体节点、模块节点和部件节点；

13、对第一层级中的每一个整体节点，将映射至整体节点的实时运行数据与整体节点对应的正常状态区间进行比对，若实时运行数据处于正常状态区间范围内则判定整体节点处于正常状态，若实时运行数据超出正常状态区间则判定整体节点处于异常状态；

14、当第一层级中全部整体节点均处于正常状态时，判定设备无故障风险，结束本轮逐层状态校验；

15、当第一层级中存在整体节点处于异常状态时，触发对异常整体节点所从属的全部第二层级模块节点的状态校验；

16、触发对异常整体节点所从属的全部第二层级模块节点的状态校验，包括以下步骤：

17、读取处于异常状态的整体节点的节点标识，在数字孪生体模型中查找与异常整体节点存在从属关联的全部第二层级模块节点；

18、对查找到的每一个第二层级模块节点，将映射至该模块节点的实时运行数据与该模块节点对应的正常状态区间进行比对；

19、当全部被校验的第二层级模块节点的实时运行数据均处于各自对应的正常状态区间范围内时，判定第一层级的异常为瞬时数据波动或传感器噪声引起，不标记故障风险点位，结束本轮逐层状态校验；

20、当存在第二层级模块节点的实时运行数据超出其正常状态区间时，将该模块节点标记为异常模块，触发对异常模块所从属的全部第三层级部件节点的状态校验；

21、触发对异常模块所从属的全部第三层级部件节点的状态校验，包括以下步骤：

22、读取被标记为异常模块的模块节点的节点标识，在数字孪生体模型中查找与异常模块存在从属关联的全部第三层级部件节点；

23、对查找到的每一个第三层级部件节点，将映射至该部件节点的实时运行数据与该部件节点对应的正常状态区间进行比对；

24、将实时运行数据超出其正常状态区间的第三层级部件节点标记为故障风险点位；

25、对于每一个故障风险点位，根据该部件节点的实时运行数据超出正常状态区间的偏离量与对应的部件节点正常状态区间中标准差的比例关系，确定风险等级，偏离量相对于标准差的比例大则风险等级高。

26、优选的，所述s3中，根据故障风险点位对应的部件节点标识，从数字孪生体模型中读取该部件节点对应的维修工序库，维修工序库中记录有针对该部件不同故障类型的标准维修工序及每道工序的预计操作时长，汇总各工序预计操作时长得到维修任务的预计时长；

27、根据风险等级确定维修任务的优先级，风险等级高则对应的维修任务优先级高；

28、从维修调度链路中按时间先后顺序读取每个空闲时段，将空闲时段的时长与维修任务的预计时长进行比较，若空闲时段的时长大于或等于维修任务的预计时长，则将空闲时段标记为候选空闲缺口，将全部候选空闲缺口按时间先后顺序排列构成候选缺口集合；

29、从候选缺口集合中选取顺序靠前的一个候选空闲缺口，将维修任务插入候选空闲缺口处，维修任务的起始时刻为候选空闲缺口的起始时刻，维修任务的结束时刻为起始时刻加上维修任务的预计时长；

30、将维修调度链路中位于插入位置之后的所有维修任务的执行时段整体向后顺移，顺移时长为维修任务的预计时长减去候选空闲缺口原有空闲时长的差值，若该差值小于或等于零，则无需顺移后续维修任务；

31、检查顺移后的维修调度链路中是否存在任意两个相邻维修任务的发生时间重叠，若不存在时间重叠则判定无时序冲突，完成维修任务插入；

32、若存在时间重叠，则从候选缺口集合中剔除当前候选空闲缺口，重新选取下一个候选空闲缺口执行插入校验，直至找到无时序冲突的插入位置或候选缺口集合为空；

33、当候选缺口集合为空，即维修调度链路中不存在能够容纳维修任务预计时长的空闲时段时，根据维修任务的优先级执行强制插入：若维修任务的优先级为最高优先级，将维修任务插入至维修调度链路的当前时刻位置，当前时刻之后的全部已安排维修任务整体向后顺移，顺移时长为维修任务的预计时长；

34、若维修任务的优先级非最高优先级，将维修任务添加至维修调度链路的末端，排在所有已安排维修任务之后。

35、优选的，所述s4中，将插入完成且不存在时序冲突的维修调度链路作为维修调度方案，所述维修调度方案包含每一维修任务的任务标识、执行部件名称、任务起始时刻、任务结束时刻、任务优先级和任务执行内容描述；

36、将维修调度方案通过通信网络发送至维修人员的移动终端设备，同时将本轮逐层状态校验中标记的故障风险点位信息更新至数字孪生体模型中对应部件节点的状态属性字段，用于下一轮状态校验时对该节点状态的持续跟踪。

37、（三）有益效果

38、本发明提供了数字孪生驱动的洗车设备预测故障与云维修调度方法，具备以下有益效果：

39、本发明通过将设备划分为整体、功能模块和执行部件三个层级，当整体层级出现异常时触发模块层级校验，模块层级异常时再触发部件层级校验实现了故障位置的逐层精准定位，缩小了故障排查范围。

40、在确定故障风险点位及风险等级后，自动生成对应维修任务，并遍历维修调度链路中的空闲时段，匹配可容纳维修任务时长的空闲缺口进行插入，插入后自动校验是否存在时序冲突，无冲突时完成调度，有冲突时自动切换下一候选缺口，实现了故障预判到维修调度的自动化闭环衔接，对于维修调度链路中无可容纳空闲时段的情况，根据维修任务的优先级执行强制插入或末端追加，优先保障高风险故障的及时处置，同时避免低风险任务挤占紧急维修资源。