通过构建以多维数据特征融合（MFF）为基础、故障预测与健康管理（PHM）为核心、状态维修（CBM）为导向的城轨智能运维 M³技术体系。

1. 技术架构

通过构建以多维数据特征融合（MFF）为基础、故障预测与健康管理（PHM）为核心、状态维修（CBM）为导向的城轨智能运维 M³技术体系。基于多分辨率分析与多层次分析方法分别提取站台门业务数据的“秒-分钟-小时-日-月-年”时间尺度及“模块-个体-站域-线路-线网”空间尺度特征，创新提出基于稀疏独立成分分析的多维特征融合方法，实现了不同时间尺度下的多空间特征融合。建立物元可拓的“健康-可靠性-风险”一体化评估模型，发明了迭代修正灰色误差的故障预测与站域信息融合的潜隐故障辨识方法，实现城轨设备的健康状态实时跟踪、故障预警与快速准确识别。提出了综合维修成本的解析表达方法，定义了可靠度成本率作为维修优化的新指标，并引入健康值作为新约束，建立了考虑设备健康值、维修效果及成本的多目标维修决策模型，实现了站台门维修资源的精准调配与维修计划的精益安排。

2. 核心技术

2.1可靠性评估

搜集设备服役过程中的故障工单、维修记录、巡检记录、换件情况等服役数据，根据专家经验和数据拟合情况选择合适的分布类别并进行可靠度变化趋势的拟合，可靠度评估结果可以用于检修周期和检修顺序的优化。

2.2异常检测

提出了基于异常转移概率矩阵和风险衰减模型的“径流模型”，对设备运行中的事件点位数据进行建模，刻画设备故障发生的风险程度并排除偶发故障带来的事件异常，根据历史数据综合判断设备是否运行在异常区间。

2.3故障诊断

综合考虑（1）维保数据：如故障记录、巡检记录、换件记录；（2）事件数据：如设备报警历史、机理特征事件；（3）设备运行变化参数：电压、电流、温度等数据，结合设备故障机理知识、机器学习、深度学习分类算法，达到对设备进行故障识别、故障定位和根因分析的目的。

2.4健康评估

运用多层次分析方法，梳理影响设备状态的关键指标，依靠数据分析和专家知识库确定合理的权重分配，最后结合可靠度评估、异常检测和故障诊断等结果对设备进行综合的、全面的评估，输出设备健康评估得分。

2.5寿命预测

使用深度学习时序预测模型对设备健康评估的结果进行预测，当预测分数落到异常区间和故障区间时对设备进行预警，输出设备的剩余寿命和人员排班、备件预定建议。

2.6 智能派单

基于上述状态检测、健康评估、故障诊断和故障预测的结论，综合考虑人员画像、人员定位、设备位置、故障紧急程度、备品备件等信息智能寻优，自动将故障工单、巡检工单和预测工单派发到最合适的运维人员，替换调度人员、优化资源配置。

2.7PHM基础大模型

借鉴大语言模型GPT的相关技术，对严格清洗后的行业大数据在提前设定的预训练任务上进行预训练，得到PHM基础大模型并在该模型基础上通过zero-shot或微调进一步解决故障诊断、寿命估计等实际问题。

2.8远程巡检

通过视频图像数据采集实现远程巡检集中判图，替代巡检任务中非接触式作业内容，降低巡检人力成本。运用机器视觉算法实现远程巡检自动判图，使原有的周期性巡检转为7x24小时在线监测，进一步降低巡检成本的同时提升巡检质量。

3.创新点

（1）提出城轨运维M³技术体系，对多源数据进行融合并在多分辨率、多尺度上提取数据特征，实现了一体化评估模型；

（2）综合多源数据，使用机理模型加数据驱动的方式对设备完成可靠度分析、健康评估、故障诊断和寿命预测。

（3）建立PHM基础大模型，用于解决故障诊断、故障预测等运维问题；

（4）对PHM技术输出的诊断、预测结果，结合业务数据进行智能派单、自动排班和物料优化，优化运维决策。

（5）通过采集视频图像和视觉算法实现7×24小时在线检测，提升巡检质量，降低巡检成本。

1.降低40%的故障率

根据设备状态检测和可靠性分析，准确掌握设备当前状态，在设备将于发生性能退化时或早期故障时及时安排检修，大幅度降低故障发生率，有效降低因站台门故障导致的列车晚点情况发生。

2.降低50%的检修工时

综合设备状态监测信息，历史故障信息，历史维修信息，设备使用强度及剩余寿命预测信息，计算站台门当前健康评估结果，支撑月检顺序调优和检修流程优化，避免过修现象。实现设备全生命周期信息可追溯。

3.降低30%的故障维修时间

根据故障诊断结果，精准定位故障发生部件，辅助维保工作人员选择维修工具和备件，有效缩短故障排查时间和故障维修时间。

4.缩短25%的流程流转时间

综合考虑故障信息，人员能力信息，人员位置信息等实现智能派单。主要包括：自动提报工单，辅助诊断指导处理，处理结果评价，审核，以及自动生成处理报告等功能，有效缩短流程流转时间。

1.状态修代替故障修，部分实现预测修

基于实时采集的设备状态信息，实时追踪设备退化情况和早期故障，在设备发生故障前期及时处置，避免故障恶化带来的严重损失。

2.加速智能化转型

通过智能运维产品促进现有维保模式的更新，打造新型的综合运维平台，加速轨道交通向数字化，智能化方向转型，实现减员增效。

3.行业大模型降低智能运维门槛

专业小模型诊断精度高，效果好，但是需要强工业机理知识支撑，且只能针对单一工况，单一问题，存在模型训练门槛较高，适应性低的痛点。随着轨交领域数据的积累，大模型技术的趋于成熟，行业大模型可以有效解决上述问题。

4.基于大语言模型的辅助维修

基于海量行业数据训练的轨交领域大模型，作为“行业专家”，在维修时可以通过对话的方式引导运维人员排查故障，发现故障，并提供维修建议，很好的辅助维修工作。

项目成果已应用到长沙，广州，成都等城市的多条地铁线路中，保障了城市轨道交通的安全可靠、高效经济运行。项目技术成果在广州地铁十三五线路（18号线&22号线）部分车站试点应用，试点应用效果显示，站台门主要故障覆盖率可达70%，故障检测准确率根据不同故障类型可达千分之一至万分之四；并可支撑站台门检修周期调整，在站台门部分关键子系统中初步实现状态修。

项目构建了以多维数据特征融合为基础、故障预测与健康管理为核心、状态维修为导向的城轨智能运维M³技术体系，实现了城轨运维的降本增效，设备年平均故障率降低40%，系统年检修频次减少约30%、检修维护成本降低近25%。智能运维技术可提供智能诊断服务，平均可降低检修工时约50%，对故障设备及时检修，可节约25%的设备折旧成本，同时缩减流程流转时间25%。总体预计为地铁线路节省每年746.15 万元的人力成本及2197.45 万元的运营成本。如项目在全国地铁线路推广，预计能为全国地铁线路运营成本节省80.06 亿元。

让我们一起期待佳都科技在智慧城市轨道交通更多精彩的表现吧。