CN114267178B - 一种车站的智能运营维护方法及装置 - Google Patents

Abstract

本申请实施例公开了一种车站的智能运营维护方法及装置。本申请实施例提供的技术方案，通过实时获取车站范围内各设备的运行状态数据，得到各设备运行状态的实时数据和历史数据；对所述各设备运行状态的实时数据和历史数据进行智能分析处理，得到各设备的健康状态结果，并进行可视化显示，所述健康状态结果包括故障诊断结果和健康预测结果；根据得到的健康状态结果生成对应设备的维修和管理策略。本申请实施例提供的技术方案能够解决车站运营维护分散化问题，提升车站运营维护的集中化和精细化。

Description

一种车站的智能运营维护方法及装置

技术领域

本申请实施例涉及车站运营技术领域，尤其涉及一种车站的智能运营维护方法及装置。

背景技术

随着国家经济的飞速发展和城市化进程的加快，城市轨道交通进入大发展时期。随着我国城市轨道交通运营里程不断增长，线网规模不断扩大，地铁系统的运营维护压力快速上升，造成地铁运营业务亏损缺口呈上升趋势，已成为制约我国城市轨道交通可持续发展的重要不利因素。

为应对现有的地铁运营业务亏损缺口呈上升趋势的现状，需要对车站的运营维护进行智能化升级。然而当前的车站智能运营维护方法和系统主要聚焦于单专业的故障检测功能，无法对车站所有设备进行系统性的运营维护，导致运营维护分散化、资源利用率不高，进而导致了运营成本的增加。

发明内容

本申请实施例提供一种车站的智能运营维护方法及装置，能够解决车站运营维护分散化问题，提升车站运营维护的集中化和精细化。

在第一方面，本申请实施例提供了一种车站的智能运营维护方法，包括：

实时获取车站范围内各设备的运行状态数据，得到各设备运行状态的实时数据和历史数据；

对所述各设备运行状态的实时数据和历史数据进行智能分析处理，得到各设备的健康状态结果，并进行可视化显示，所述健康状态结果包括故障诊断结果和健康预测结果；

根据得到的健康状态结果生成对应设备的维修和管理策略。

进一步的，所述实时获取车站范围内各设备的运行状态数据，得到各设备运行状态的实时数据和历史数据，具体为：

通过综合监控系统、屏蔽门监测系统、自动售票监测系统、环境监控系统和电扶梯状态检测系统进行各设备的运行状态数据的实时监测，得到各设备运行状态的实时数据和历史数据，所述实时数据包括实时运行数据和实时故障数据；

将所述实时数据和历史数据存储至数据存储设备中，并将所述实时数据和历史数据发送服务器后台进行智能分析处理。

进一步的，所述对所述各设备运行状态的实时数据和历史数据进行智能分析处理，得到各设备的健康状态结果，具体为：

对所述各设备的实时数据和历史数据进行数据预处理；

将数据预处理后的数据通过不同的应用容器进行分析处理；

输出分析处理后的各设备的健康状态结果。

进一步的，所述故障诊断结果包括性能评估结果、系统异常信息结果、故障类型信息结果和故障成因信息结果；

所述对所述各设备运行状态的实时数据和历史数据进行智能分析处理，得到各设备的健康状态结果，具体为：

将所述各设备运行状态的实时数据和历史数据进行数据预处理后输入预设的性能评估模型，在所述预设的性能评估模型中提取性能评估指标数据进行数据分析处理，输出对应的性能评估结果；

将所述各设备运行状态的实时数据和历史数据进行数据预处理后通过聚类算法进行数据处理，得到不同工况对应的数据集；

将不同工况的数据集输入至对应的不同异常检测模型进行数据分析处理，输出对应的系统异常信息结果，所述系统异常信息结果包括不同工况对应的异常信息结果；

将不同工况的数据集输入预设的故障诊断模型，在所述故障诊断模型中提取故障诊断指标数据进行数据分析处理，输出故障类型信息结果；

将历史数据输入至预设的根因分析模型，在所述根因分析模型中进行数据分析处理，输出故障成因信息结果。

进一步的，所述健康预测结果包括剩余寿命预测结果、故障类型发生概率预测结果和可靠性变化趋势预测结果；

所述对所述各设备运行状态的实时数据和历史数据进行智能分析处理，得到各设备的健康状态结果，具体为：

对所述各设备的历史数据进行筛选处理，得到故障维修数据；

将故障维修数据输入预设的第一退化模型，在预设的第一退化模型中进行数据分析处理输出剩余寿命预测结果、故障类型发生概率预测结果和可靠性变化趋势预测结果。

进一步的，所述方法还包括：

将故障维修数据输入预设的第二退化模型，在预设的第二退化模型中进行数据分析处理输出退化期判断结果；

根据退化期判断结果对未进入退化期的设备进行持续监测；

根据退化期判断结果对已进入退化期的设备的故障维修数据输入预设的第一退化模型，在预设的第一退化模型中进行数据分析处理输出剩余寿命预测结果。

进一步的，所述根据得到的健康状态结果生成对应设备的维修和管理策略，具体为：

根据得到的健康状态评估结果，结合资产、维修人员工作安排和物资信息制定设备维修策略，根据设备维修策略发送对应维修工作任务至对应的维修工作端；

根据得到的健康状态评估结果制定设备管理策略，根据设备管理策略发送对应设备管理工作任务至对应的管理工作端。

在第二方面，本申请实施例提供了一种车站的智能运营维护装置，包括：

数据获取单元，用于实时获取车站范围内各设备的运行状态数据，得到各设备运行状态的实时数据和历史数据；

结果输出单元，用于对所述各设备运行状态的实时数据和历史数据进行智能分析处理，得到各设备的健康状态结果，并进行可视化显示，所述健康状态结果包括故障诊断结果和健康预测结果；

维修和管理单元，用于根据得到的健康状态结果生成对应设备的维修和管理策略。

进一步的，所述数据获取单元，还用于通过综合监控系统、屏蔽门监测系统、自动售票监测系统、环境监控系统和电扶梯状态检测系统进行各设备的运行状态数据的实时监测，得到各设备运行状态的实时数据和历史数据，所述实时数据包括实时运行数据和实时故障数据；

将所述实时数据和历史数据存储至数据存储设备中，并将所述实时数据和历史数据发送服务器后台进行智能分析处理。

进一步的，所述结果输出单元，还用于对所述各设备的实时数据和历史数据进行数据预处理；

将数据预处理后的数据通过不同的应用容器进行分析处理；

输出分析处理后的各设备的健康状态结果。

进一步的，所述故障诊断结果包括性能评估结果、系统异常信息结果、故障类型信息结果和故障成因信息结果；

所述结果输出单元，还用于将所述各设备运行状态的实时数据和历史数据进行数据预处理后输入预设的性能评估模型，在所述预设的性能评估模型中提取性能评估指标数据进行数据分析处理，输出对应的性能评估结果；

将所述各设备运行状态的实时数据和历史数据进行数据预处理后通过聚类算法进行数据处理，得到不同工况对应的数据集；

将不同工况的数据集输入至对应的不同异常检测模型进行数据分析处理，输出对应的系统异常信息结果，所述系统异常信息结果包括不同工况对应的异常信息结果；

将不同工况的数据集输入预设的故障诊断模型，在所述故障诊断模型中提取故障诊断指标数据进行数据分析处理，输出故障类型信息结果；

将历史数据输入至预设的根因分析模型，在所述根因分析模型中进行数据分析处理，输出故障成因信息结果。

进一步的，所述健康预测结果包括剩余寿命预测结果、故障类型发生概率预测结果和可靠性变化趋势预测结果；

所述结果输出单元，还用于对所述各设备的历史数据进行筛选处理，得到故障维修数据；

将故障维修数据输入预设的第一退化模型，在预设的第一退化模型中进行数据分析处理输出剩余寿命预测结果、故障类型发生概率预测结果和可靠性变化趋势预测结果。

进一步的，所述装置还包括：

所述结果输出模块，还用于将故障维修数据输入预设的第二退化模型，在预设的第二退化模型中进行数据分析处理输出退化期判断结果；

根据退化期判断结果对未进入退化期的设备进行持续监测；

根据退化期判断结果对已进入退化期的设备的故障维修数据输入预设的第一退化模型，在预设的第一退化模型中进行数据分析处理输出剩余寿命预测结果。

进一步的，所述维修和管理单元，用于根据得到的健康状态评估结果，结合资产、维修人员工作安排和物资信息制定设备维修策略，根据设备维修策略发送对应维修工作任务至对应的维修工作端；

根据得到的健康状态评估结果制定设备管理策略，根据设备管理策略发送对应设备管理工作任务至对应的管理工作端。

在第三方面，本申请实施例提供了一种电子设备，包括：

存储器以及一个或多个处理器；

所述存储器，用于存储一个或多个程序；

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如第一方面所述的车站的智能运营维护方法。

在第四方面，本申请实施例提供了一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行如第一方面所述的车站的智能运营维护方法。

本申请实施例通过对车站各设备运行状态的实时数据和历史数据进行智能分析处理，得到各设备的健康状态结果并进行可视化显示，并根据得到的健康状态结果生成对应设备的维修和管理策略。采用上述技术手段，可以通过对各设备的运行状态数据进行智能化分析处理得到各设备对应的健康状态结果并进行可视化显示，以此对车站各设备进行集中化的监控，并通过可视化显示，便于管理人员查看，从而提高了车站运营维护的智能化和集中化；并且根据得到的各设备的健康状态结果生成对应设备的维修和管理策略，以此提高了对设备维修和管理的针对性，从而提高了车站运营维护的精细化。

附图说明

图1是本申请实施例一提供的一种车站的智能运营维护方法的流程图；

图2是本申请实施例一中的数据采集过程示意图；

图3是本申请实施例一中的故障诊断过程示意图；

图4是本申请实施例一中的健康预测过程示意图；

图5是本申请实施例二提供的一种车站的智能运营维护装置的结构示意图；

图6是本申请实施例三提供的一种电子设备的结构示意图。

具体实施方式

为了使本申请的目的、技术方案和优点更加清楚，下面结合附图对本申请具体实施例作进一步的详细描述。可以理解的是，此处所描述的具体实施例仅仅用于解释本申请，而非对本申请的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本申请相关的部分而非全部内容。在更加详细地讨论示例性实施例之前应当提到的是，一些示例性实施例被描述成作为流程图描绘的处理或方法。虽然流程图将各项操作(或步骤)描述成顺序的处理，但是其中的许多操作可以被并行地、并发地或者同时实施。此外，各项操作的顺序可以被重新安排。当其操作完成时所述处理可以被终止，但是还可以具有未包括在附图中的附加步骤。所述处理可以对应于方法、函数、规程、子例程、子程序等等。

本申请提供的车站的智能运营维护方法及装置，旨在车站运营维护时，通过对车站各设备运行状态的实时数据和历史数据进行智能分析处理，得到各设备的健康状态结果并进行可视化显示，并根据得到的健康状态结果生成对应设备的维修和管理策略，以此提高了车站运营维护的智能化、集中化和精细化。相比于传统的车站运营维护方式，其通常是针对专业的故障进行检测，例如专门对站台门的故障检测，无法对车站内所有的设备进行系统性的运营和维护，导致车站的运营维护分散化，从而导致资源的利用率不高，进而导致了运营成本的增加。基于此，提供本申请实施例的车站的智能运营维护方法，以解决现有车站运营维护分散化的问题。

实施例一：

图1给出了本申请实施例一提供的一种车站的智能运营维护方法的流程图，本实施例中提供的车站的智能运营维护方法可以由车站的智能运营维护设备执行，该车站的智能运营维护设备可以通过软件和/或硬件的方式实现，该车站的智能运营维护设备可以是两个或多个物理实体构成，也可以是一个物理实体构成。一般而言，该车站的智能运营维护设备可以是终端设备，如计算机设备等。

下述以计算机设备为执行车站的智能运营维护方法的主体为例，进行描述。参照图1，该车站的智能运营维护方法具体包括：

S101、实时获取车站范围内各设备的运行状态数据，得到各设备运行状态的实时数据和历史数据。

综合监控系统(ISCS)是以现代计算机技术、网络技术、自动化技术和信息技术为基础的大型计算机合成系统。所述综合监控系统(ISCS)集成多个自动化专业子系统，并在集成平台支持下对各专业进行统一监控，实现各专业系统的信息共享及系统之间的联动控制功能，提高运用效率，为实现城市轨道交通运营管理提供信息化基础。所述综合监控系统(ISCS)可深度集成的子系统包括电力监控子系统(PSCADA)、环境与设备监控子系统(BAS)、火灾报警子系统(FAS)、屏蔽门系统(PSD)，并且所述综合监控系统(ISCS)可以互联的子系统包括信号系统(SIG)、自动售票系统(AFC)、闭路电视系统(CCTV)、广播系统(PA)、门禁系统(ACS)、乘客信息系统(PIS)和时钟系统(CLK)。

参照图2，通过综合监控系统(ISCS)实时综合监控车站站场内的各种设备的运行状态数据，综合监控系统(ISCS)监控的设备包括电力设备、火灾报警设备、广播设备和站台门系统等。通过屏蔽门监测系统(PSD监测系统)实时监测各屏蔽门的运行状态数据，所述各屏蔽门的运行状态数据包括电流值、电压值、功率、开合状态、故障类型和故障次数等。通过自动售票监测系统(AFC)实时检测各自动售票机的运行状态数据，所述各自动售票机的运行状态数据包括售票数量、售票系统运行速度、故障次数和故障类型等。通过环境监控系统实时监测各环境监控设备的运行状态数据，所述环境监控设备包括温度采集设备、闭路电视设备和烟雾监测设备等。通过电扶梯状态检测系统实时监测各电扶梯的运行状态数据，所述各电扶梯的运行状态数据包括电流值、电压值、运行功率、故障次数和故障类型等。

通过综合监控系统、屏蔽门监测系统、自动售票监测系统、环境监控系统和电扶梯状态检测系统进行各设备的运行状态数据的实时监测，得到各设备运行状态的实时数据和历史数据，所述实时数据包括实时运行数据和实时故障数据；将所述实时数据和历史数据存储至数据存储设备中，并将所述实时数据和历史数据发送服务器后台进行智能分析处理。

S102、对所述各设备运行状态的实时数据和历史数据进行智能分析处理，得到各设备的健康状态结果，并进行可视化显示，所述健康状态结果包括故障诊断结果和健康预测结果。

通过对实时接收的实时数据和到数据存储设备中获取的历史数据进行综合得到时间序列数据，对所述各设备的实时数据和历史数据形成的时间序列数据进行数据预处理，所述数据预处理包括将数据进行数据清洗，将清洗完的数据放入相应的消息队列中，将所述消息队列进行管道管理并进行分布式计算。将数据预处理后的数据通过不同的应用容器进行分析处理，所述通过不同的应用容器实现的不同的功能包括集中预警分析、成因分析、异常检测分析、可用性分析、健康状态分析、能耗分析、根因分析和载荷分析等。将通过不同的应用容器进行分析处理后，输出分析处理后的各设备的健康状态结果，并进行可视化显示。所述可视化显示可以通过电子显示屏显示对应数据，也可以通过电子显示屏显示对应的分析结果曲线图或分析结果的三维图表。

进一步的，参照图3，所述健康状态结果包括故障诊断结果和健康预测结果。所述故障诊断结果包括性能评估结果、系统异常信息结果、故障类型信息结果和故障成因信息结果。

将所述各设备运行状态的实时数据和历史数据进行数据预处理后输入预设的性能评估模型，在所述预设的性能评估模型中提取性能评估指标数据进行数据分析处理，输出对应的性能评估结果。所述性能评估结果是通过定义与计算可反映系统性能状态的关键性能指标，对系统的性能与状态进行量化评级，并将评级结果以报表形式在用户端进行可视化显示。

将所述各设备运行状态的实时数据和历史数据进行数据预处理后通过聚类算法进行数据处理，得到不同工况对应的数据集；将不同工况的数据集输入至对应的不同异常检测模型进行数据分析处理，输出对应的系统异常信息结果，所述系统异常信息结果包括不同工况对应的异常信息结果。所述系统异常信息包括异常种类和异常概率。所述异常检测模型包括运用无监督机器学习算法，如随机森林、One-Class SVM等，统计概率算法或近似度对比算法等进行训练得到。通过所述异常检测模型进行数据的分析处理得到系统的异常信息结果，能够根据用户的需求进行实时或者定期的异常检测，从而实现不同工况的多维度、多标准的异常检测与分级预警。

在一实施例中，异常检测模型的构建过程包括对数据进行预处理，并构建特征工程，根据预处理后的数据和特征工程进行模型的构建和训练，得到对应的初步异常检测模型，对初步异常检测模型进行评估优化，得到最终异常检测模型。将完成训练和优化的最终异常检测模型进行不同工况的数据的数据处理，输出对应的异常信息结果。所述对数据进行预处理包括对原始数据进行分类成不同工况数据，并将每一工况的数据进行信息的抽取和数据清洗，实现数据分类和异常数据的剔除。以工况为屏蔽门滑动工作中的皮带运行工况为例，数据分类主要是把皮带运行工况相关的数据从原数据中分离出来，例如皮带震动频率、皮带震动强度和皮带震动水平偏移值等等，具体数据分类得到的数据可根据实际情况进行分类得到。在模型训练之前，数据分类分离出来的数据进行分析，构建特征工程的模型。由于各设备的运行机理各不相同，特征提取的方式可根据实际情况进行提取。

示例性的，提取特征量为皮带震动频率值、皮带震动强度值和皮带震动水平偏移值等等。根据预处理后的数据和特征工程进行模型的构建和训练，由于不同类型的目标设备具有不同的原理和故障机理。因此需要对每种设备的每种工况进行模型构建，以提高具体工况对应的异常与故障的检测。本实施例以屏蔽门的皮带运行工况为例进行阐述。从原数据中分离出屏蔽门皮带的皮带震动频率值、皮带震动强度值和皮带震动水平偏移值数据；提取特征量为皮带震动频率值、皮带震动强度值和皮带震动水平偏移值；预设皮带异常检测的机理模型为Con_b＝S(f_i,b_i,i_i)，其中Con_b代表皮带状态函数，f_i代表皮带震动频率值，较紧的皮带震动频率较高，较松的皮带震动频率较低，b_i代表皮带震动强度，以皮带初始震动水平线为基线，当皮带震动水平线发生明显偏移时，说明皮带状态存在异常，i_i代表皮带震动水平偏移值，较松的皮带振幅较大，较紧的皮带振幅较小。使用One-Class SVM算法对皮带状态函数S(f_i,b_i,i_i)组成的状态空间进行训练，确定正常状态与异常状态边界，得到初步异常检测模型。根据正常状态与异常状态边界进行异常检测，输出对应的异常信息结果。

由于异常检测中大概率使用无监督机器学习算法模型，因此模型的评估方式是通过找到异常点再由人工确认，也就是说模型的输出只有异常和正常两种状态，所以可以使用二元分类混淆矩阵中的统计量对算法进行评估，二元分类混淆矩阵形式如下：

	预测值＝1	预测值＝0
			真实值＝1	TP	FN
真实值＝0	FP	TN

由上表可以得出四个主要的模型评估指标：真阳性(True Positive，TP)：样本的真实类别是正例，并且模型预测的结果也是正例。真阴性(True Negative，TN)：样本的真实类别是负例，并且模型将其预测成为负例。假阳性(False Positive，FP)：样本的真实类别是负例，但是模型将其预测成为正例。假阴性(False Negative，FN)：样本的真实类别是正例，但是模型将其预测成为负例。不同于一般的机器学习模型优化方向，出于实际的业务需要，智能运维异常检测通常需要尽量减少误报为检修人员带来的额外工作负担。因此，在使用训练中需要通过降低假阳性(FP)对模型表现进行优化。因此对初步异常检测模型进行降低假阳性(FP)对模型表现的优化，得到最终异常检测模型，根据最终异常检测模型输出对应的异常信息结果。

将完成训练的最终异常检测模型部署在用户本地设备中，并且通过周期性训练来捕捉一段时间后数据的漂移。实时数据将作为检测数据，通过模型计算得到异常信息结果，所述异常信息结果包括异常种类和异常概率。

将所述各设备运行状态的实时数据和历史数据进行数据预处理后通过聚类算法进行数据处理，得到不同工况对应的数据集；将不同工况的数据集输入预设的故障诊断模型，在所述故障诊断模型中提取故障诊断指标数据进行数据分析处理，输出故障类型信息结果。所述故障诊断模型是运用信号处理技术，如FFT、包络调节、信号分解，数据挖掘技术或机器学习技术进行调参与训练得到的，所述故障诊断模型基于目标设备的运行状态的历史数据，定位目标设备运行过程中的故障位置和故障类型。通过将故障诊断模型进行实地部署，将预警信息与故障特征库内的特征进行对比匹配，当预警信息与某一故障特征的映射夹角小于阈值时，故障诊断模型将判定该预警信息属于某类故障，由用户端进行确认后保存。通过故障诊断模型进行分析处理得到对应的故障特征，根据故障特征输出对应的预先匹配的预警信息。

将历史数据输入至预设的根因分析模型，在所述根因分析模型中进行数据分析处理，输出故障成因信息结果。所述根因分析模式通过运用贝叶斯网络来构建目标系统故障树，并通过历史故障数据和算法对各个节点的先验概率进行计算，同时对子部件的耦合关系进行故障依赖性分析而建立的。

进一步的，参照图4，所述健康预测结果包括剩余寿命预测结果、故障类型发生概率预测结果和可靠性变化趋势预测结果。

对所述各设备的历史数据进行筛选处理，得到故障维修数据；将故障维修数据输入预设的第一退化模型，在预设的第一退化模型中进行数据分析处理输出剩余寿命预测结果、故障类型发生概率预测结果和可靠性变化趋势预测结果。

示例性的，对所述各设备的历史数据进行筛选处理，得到故障维修数据；将故障维修数据输入预设的第一退化模型，在预设的第一退化模型中提取对应的退化指标数据进行数据分析处理得到对应拟合退化曲线，根据预设的退化指标的寿命终结阈值和拟合退化曲线进行分析得到对应的设备的剩余使用寿命，输出对应的剩余寿命预测结果，并在用户端以报表的形式进行可视化显示。

示例性的，对所述各设备的历史数据进行筛选处理，得到故障维修数据；将故障维修数据输入预设的第一退化模型，在预设的第一退化模型中对目标设备的健康指数评分进行拟合，计算目标设备某类故障发生的概率，根据故障发生概率在一段时间内的变化规律，判断目标设备是否存在明显的退化或者不稳定状态，根据判断结果预测该类故障在未来一段时间内发生的概率。例如，对电扶梯发生停止运行的这类故障进行预测，将对某电扶梯的历史数据进行筛选处理，得到所述电扶梯的故障维修数据，将所述电扶梯的故障维修数据输入预设的第一退化模型中，在预设的第一退化模型中对所述电扶梯的故障维修数据进行分析处理，得到对应的健康指数评分数据，对所述健康指数评分数据进行拟合处理，得到对应的健康指数曲线，根据健康指数曲线计算得到对应的故障发生概率曲线，根据故障发生概率曲线的变化规律分析，预测未来一段时间发生电扶梯停止运行的概率。

示例性的，对所述各设备的历史数据进行筛选处理，得到故障维修数据；将故障维修数据输入预设的第一退化模型，在预设的第一退化模型中基于威布尔分析处理，得到对应的失效变化曲线，根据所述失效性变化曲线得到对应的可靠性变化趋势预测结果，并将对应的可靠性变化趋势预测结果在用户端以图表形式进行可视化显示。可以根据可靠性变化趋势预测结果，制定对应的维修策略并发送给管理工作端，从而能够实现合理安排零部件的库存与维修人员，进而提高维修的准确性和有效性。

进一步的，将故障维修数据输入预设的第二退化模型，在预设的第二退化模型中进行数据分析处理输出退化期判断结果；根据退化期判断结果对未进入退化期的设备进行持续监测；根据退化期判断结果对已进入退化期的设备的故障维修数据输入预设的第一退化模型，在预设的第一退化模型中进行数据分析处理输出剩余寿命预测结果。

示例性的，将故障维修数据输入预设的第二退化模型，在预设的第二退化模型中提取健康指标数据进行数据分析处理，得到退化期判断结果，所述判断结果包括进入退化期、未进入退化期和进入退化期且为疲劳损耗，并将所述退化期判断结果在用户端进行可视化显示。根据退化期判断结果对未进入退化期的设备进行持续监测。根据退化期判断结果对已进入退化期的设备的故障维修数据输入预设的第一退化模型，在预设的第一退化模型中提取对应的退化指标数据进行数据分析处理得到对应拟合退化曲线，根据预设的退化指标的寿命终结阈值和拟合退化曲线进行分析得到对应的设备的剩余使用寿命，输出对应的剩余寿命预测结果，并在用户端以报表的形式进行可视化显示。进一步的，根据退化期判断结果对进入退化期且为疲劳损耗设备的故障维修数据输入第三退化模型中，在第三退化模型中提取环境协变量数据进行数据分析处理，输出对应的剩余寿命预测结果。

S103、根据得到的健康状态结果生成对应设备的维修和管理策略。

根据得到的健康状态评估结果，结合资产、维修人员工作安排和物资信息制定设备维修策略，根据设备维修策略发送对应维修工作任务至对应的维修工作端，维修工作端根据接收到的维修策略进行对应的物质和维修人员的配给和维修工作安排。根据得到的健康状态评估结果制定设备管理策略，根据设备管理策略发送对应设备管理工作任务至对应的管理工作端。管理工作端根据接收到的管理策略进行对应的管理工作安排。

相较于计划修为主和辅以少量状态修的传统车站设备维护形式，本实施例的车站智能运营维护方法具有配备智能检测设备，以监测车站范围内设备的实时运行状态，得到实时运行状态的实时数据和历史数据；配备数据分析系统，以对实时运行状态的实时数据和历史数据进行智能分析，从而实现系统、设备和元件的故障诊断和健康预测，并进行可视化呈现；同时，关联生产管理板块，为优化车站的运营维护管理提供数据支撑；配备生产管理板块，以将维修策略、管理工作策略、物料管理、智能化仓储、维修管理平台和检修设备等进行平台化集成，实现信息的互信互通和无纸化管理。在本实施例中，能够实现无纸化车站的运营维护，提升车站资源的利用率；提升车站资源的利用率；提升轨道交通整体可用性，降低车站战场内设备的故障率，优化车站设备的全生命周期的运营维护成本。

上述，通过对车站各设备运行状态的实时数据和历史数据进行智能分析处理，得到各设备的健康状态结果并进行可视化显示，并根据得到的健康状态结果生成对应设备的维修和管理策略。采用上述技术手段，可以通过对各设备的运行状态数据进行智能化分析处理得到各设备对应的健康状态结果并进行可视化显示，以此对车站各设备进行集中化的监控，并通过可视化显示，便于管理人员查看，从而提高了车站运营维护的智能化和集中化；并且根据得到的各设备的健康状态结果生成对应设备的维修和管理策略，以此提高了对设备维修和管理的针对性，从而提高了车站运营维护的精细化。

实施例二：

在上述实施例的基础上，图5为本申请实施例二提供的一种车站的智能运营维护装置的结构示意图。参考图5，本实施例提供的车站的智能运营维护装置具体包括：数据获取单元21、结果输出单元22、维修和管理单元23。

数据获取单元21，用于实时获取车站范围内各设备的运行状态数据，得到各设备运行状态的实时数据和历史数据；

结果输出单元22，用于对所述各设备运行状态的实时数据和历史数据进行智能分析处理，得到各设备的健康状态结果，并进行可视化显示，所述健康状态结果包括故障诊断结果和健康预测结果；

维修和管理单元23，用于根据得到的健康状态结果生成对应设备的维修和管理策略。

进一步的，所述数据获取单元21，还用于通过综合监控系统、屏蔽门监测系统、自动售票监测系统、环境监控系统和电扶梯状态检测系统进行各设备的运行状态数据的实时监测，得到各设备运行状态的实时数据和历史数据，所述实时数据包括实时运行数据和实时故障数据；将所述实时数据和历史数据存储至数据存储设备中，并将所述实时数据和历史数据发送服务器后台进行智能分析处理。

进一步的，所述结果输出单元22，还用于对所述各设备的实时数据和历史数据进行数据预处理；将数据预处理后的数据通过不同的应用容器进行分析处理；输出分析处理后的各设备的健康状态结果。

进一步的，所述故障诊断结果包括性能评估结果、系统异常信息结果、故障类型信息结果和故障成因信息结果；

所述结果输出单元22，还用于将所述各设备运行状态的实时数据和历史数据进行数据预处理后输入预设的性能评估模型，在所述预设的性能评估模型中提取性能评估指标数据进行数据分析处理，输出对应的性能评估结果；将所述各设备运行状态的实时数据和历史数据进行数据预处理后通过聚类算法进行数据处理，得到不同工况对应的数据集；将不同工况的数据集输入至对应的不同异常检测模型进行数据分析处理，输出对应的系统异常信息结果，所述系统异常信息结果包括不同工况对应的异常信息结果；将不同工况的数据集输入预设的故障诊断模型，在所述故障诊断模型中提取故障诊断指标数据进行数据分析处理，输出故障类型信息结果；将历史数据输入至预设的根因分析模型，在所述根因分析模型中进行数据分析处理，输出故障成因信息结果。

进一步的，所述健康预测结果包括剩余寿命预测结果、故障类型发生概率预测结果和可靠性变化趋势预测结果；

所述结果输出单元22，还用于对所述各设备的历史数据进行筛选处理，得到故障维修数据；将故障维修数据输入预设的第一退化模型，在预设的第一退化模型中进行数据分析处理输出剩余寿命预测结果、故障类型发生概率预测结果和可靠性变化趋势预测结果。

进一步的，所述装置还包括：

所述结果输出模块22，还用于将故障维修数据输入预设的第二退化模型，在预设的第二退化模型中进行数据分析处理输出退化期判断结果；根据退化期判断结果对未进入退化期的设备进行持续监测；根据退化期判断结果对已进入退化期的设备的故障维修数据输入预设的第一退化模型，在预设的第一退化模型中进行数据分析处理输出剩余寿命预测结果。

进一步的，所述维修和管理单元23，用于根据得到的健康状态评估结果，结合资产、维修人员工作安排和物资信息制定设备维修策略，根据设备维修策略发送对应维修工作任务至对应的维修工作端；根据得到的健康状态评估结果制定设备管理策略，根据设备管理策略发送对应设备管理工作任务至对应的管理工作端。

上述，本申请实施例通过对车站各设备运行状态的实时数据和历史数据进行智能分析处理，得到各设备的健康状态结果并进行可视化显示，并根据得到的健康状态结果生成对应设备的维修和管理策略。采用上述技术手段，可以通过对各设备的运行状态数据进行智能化分析处理得到各设备对应的健康状态结果并进行可视化显示，以此对车站各设备进行集中化的监控，并通过可视化显示，便于管理人员查看，从而提高了车站运营维护的智能化和集中化；并且根据得到的各设备的健康状态结果生成对应设备的维修和管理策略，以此提高了对设备维修和管理的针对性，从而提高了车站运营维护的精细化。

本申请实施例二提供的车站的智能运营维护装置可以用于执行上述实施例一提供的车站的智能运营维护方法，具备相应的功能和有益效果。

实施例三：

本申请实施例三提供了一种电子设备，参照图6，该电子设备包括：处理器31、存储器32、通信模块33、输入装置34及输出装置35。该电子设备中处理器的数量可以是一个或者多个，该电子设备中的存储器的数量可以是一个或者多个。该电子设备的处理器、存储器、通信模块、输入装置及输出装置可以通过总线或者其他方式连接。

存储器32作为一种计算机可读存储介质，可用于存储软件程序、计算机可执行程序以及模块，如本申请任意实施例所述的车站的智能运营维护方法对应的程序指令/模块(例如，车站的智能运营维护装置中的数据获取单元、结果输出单元、维修和管理单元)。存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序；存储数据区可存储根据设备的使用所创建的数据等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中，存储器可进一步包括相对于处理器远程设置的存储器，这些远程存储器可以通过网络连接至设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。

通信模块33用于进行数据传输。

处理器31通过运行存储在存储器中的软件程序、指令以及模块，从而执行设备的各种功能应用以及数据处理，即实现上述的车站的智能运营维护方法。

输入装置34可用于接收输入的数字或字符信息，以及产生与设备的用户设置以及功能控制有关的键信号输入。输出装置35可包括显示屏等显示设备。

上述提供的电子设备可用于执行上述实施例一提供的车站的智能运营维护方法，具备相应的功能和有益效果。

实施例四：

本申请实施例还提供一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行一种车站的智能运营维护方法，该车站的智能运营维护方法包括：实时获取车站范围内各设备的运行状态数据，得到各设备运行状态的实时数据和历史数据；对所述各设备运行状态的实时数据和历史数据进行智能分析处理，得到各设备的健康状态结果，并进行可视化显示，所述健康状态结果包括故障诊断结果和健康预测结果；根据得到的健康状态结果生成对应设备的维修和管理策略。

存储介质——任何的各种类型的存储器设备或存储设备。术语“存储介质”旨在包括：安装介质，例如CD-ROM、软盘或磁带装置；计算机系统存储器或随机存取存储器，诸如DRAM、DDR RAM、SRAM、EDO RAM，兰巴斯(Rambus)RAM等；非易失性存储器，诸如闪存、磁介质(例如硬盘或光存储)；寄存器或其它相似类型的存储器元件等。存储介质可以还包括其它类型的存储器或其组合。另外，存储介质可以位于程序在其中被执行的第一计算机系统中，或者可以位于不同的第二计算机系统中，第二计算机系统通过网络(诸如因特网)连接到第一计算机系统。第二计算机系统可以提供程序指令给第一计算机用于执行。术语“存储介质”可以包括驻留在不同位置中(例如在通过网络连接的不同计算机系统中)的两个或更多存储介质。存储介质可以存储可由一个或多个处理器执行的程序指令(例如具体实现为计算机程序)。

当然，本申请实施例所提供的一种包含计算机可执行指令的存储介质，其计算机可执行指令不限于如上所述的车站的智能运营维护方法，还可以执行本申请任意实施例所提供的车站的智能运营维护方法中的相关操作。

上述实施例中提供的车站的智能运营维护装置、存储介质及电子设备可执行本申请任意实施例所提供的车站的智能运营维护方法，未在上述实施例中详尽描述的技术细节，可参见本申请任意实施例所提供的车站的智能运营维护方法。

上述仅为本申请的较佳实施例及所运用的技术原理。本申请不限于这里所述的特定实施例，对本领域技术人员来说能够进行的各种明显变化、重新调整及替代均不会脱离本申请的保护范围。因此，虽然通过以上实施例对本申请进行了较为详细的说明，但是本申请不仅仅限于以上实施例，在不脱离本申请构思的情况下，还可以包括更多其他等效实施例，而本申请的范围由权利要求的范围决定。

Claims (9)

1.一种车站的智能运营维护方法，其特征在于，包括：

实时获取车站范围内各设备的运行状态数据，得到各设备运行状态的实时数据和历史数据；

对所述各设备运行状态的实时数据和历史数据进行智能分析处理，得到各设备的健康状态结果，并进行可视化显示，所述健康状态结果包括故障诊断结果和健康预测结果，所述故障诊断结果包括性能评估结果、系统异常信息结果、故障类型信息结果和故障成因信息结果；

其中，所述对所述各设备运行状态的实时数据和历史数据进行智能分析处理，得到各设备的健康状态结果，具体为：

将所述各设备运行状态的实时数据和历史数据进行数据预处理后输入预设的性能评估模型，在所述预设的性能评估模型中提取性能评估指标数据进行数据分析处理，输出对应的性能评估结果；

将所述各设备运行状态的实时数据和历史数据进行数据预处理后通过聚类算法进行数据处理，得到不同工况对应的数据集；其中，对数据进行预处理包括对原始数据进行分类成不同工况数据，并将每一工况的数据进行信息的抽取和数据清洗，实现数据分类和异常数据的剔除；

将不同工况的数据集输入至对应的不同异常检测模型进行数据分析处理，输出对应的系统异常信息结果，所述系统异常信息结果包括不同工况对应的异常信息结果；其中，对初步异常检测模型进行降低假阳性对模型表现的优化，得到最终异常检测模型，根据最终异常检测模型输出对应的异常信息结果；

将不同工况的数据集输入预设的故障诊断模型，在所述故障诊断模型中提取故障诊断指标数据进行数据分析处理，输出故障类型信息结果；

将历史数据输入至预设的根因分析模型，在所述根因分析模型中进行数据分析处理，输出故障成因信息结果；

根据得到的健康状态结果生成对应设备的维修和管理策略。

2.根据权利要求1所述的车站的智能运营维护方法，其特征在于，所述实时获取车站范围内各设备的运行状态数据，得到各设备运行状态的实时数据和历史数据，具体为：

通过综合监控系统、屏蔽门监测系统、自动售票监测系统、环境监控系统和电扶梯状态检测系统进行各设备的运行状态数据的实时监测，得到各设备运行状态的实时数据和历史数据，所述实时数据包括实时运行数据和实时故障数据；

将所述实时数据和历史数据存储至数据存储设备中，并将所述实时数据和历史数据发送服务器后台进行智能分析处理。

3.根据权利要求1所述的车站的智能运营维护方法，其特征在于，所述对所述各设备运行状态的实时数据和历史数据进行智能分析处理，得到各设备的健康状态结果，具体为：

对所述各设备的实时数据和历史数据进行数据预处理；

将数据预处理后的数据通过不同的应用容器进行分析处理；

输出分析处理后的各设备的健康状态结果。

4.根据权利要求1所述的车站的智能运营维护方法，其特征在于，所述健康预测结果包括剩余寿命预测结果、故障类型发生概率预测结果和可靠性变化趋势预测结果；

所述对所述各设备运行状态的实时数据和历史数据进行智能分析处理，得到各设备的健康状态结果，具体为：

对所述各设备的历史数据进行筛选处理，得到故障维修数据；

将故障维修数据输入预设的第一退化模型，在预设的第一退化模型中进行数据分析处理输出剩余寿命预测结果、故障类型发生概率预测结果和可靠性变化趋势预测结果。

5.根据权利要求4所述的车站的智能运营维护方法，其特征在于，所述方法还包括：

将故障维修数据输入预设的第二退化模型，在预设的第二退化模型中进行数据分析处理输出退化期判断结果；

根据退化期判断结果对未进入退化期的设备进行持续监测；

根据退化期判断结果对已进入退化期的设备的故障维修数据输入预设的第一退化模型，在预设的第一退化模型中进行数据分析处理输出剩余寿命预测结果。

6.根据权利要求1所述的车站的智能运营维护方法，其特征在于，所述根据得到的健康状态结果生成对应设备的维修和管理策略，具体为：

根据得到的健康状态评估结果，结合资产、维修人员工作安排和物资信息制定设备维修策略，根据设备维修策略发送对应维修工作任务至对应的维修工作端；

根据得到的健康状态评估结果制定设备管理策略，根据设备管理策略发送对应设备管理工作任务至对应的管理工作端。

7.一种车站的智能运营维护装置，其特征在于，包括：

数据获取单元，用于实时获取车站范围内各设备的运行状态数据，得到各设备运行状态的实时数据和历史数据；

结果输出单元，用于对所述各设备运行状态的实时数据和历史数据进行智能分析处理，得到各设备的健康状态结果，并进行可视化显示，所述健康状态结果包括故障诊断结果和健康预测结果，所述故障诊断结果包括性能评估结果、系统异常信息结果、故障类型信息结果和故障成因信息结果；

其中，所述结果输出单元，还用于将所述各设备运行状态的实时数据和历史数据进行数据预处理后输入预设的性能评估模型，在所述预设的性能评估模型中提取性能评估指标数据进行数据分析处理，输出对应的性能评估结果；

将所述各设备运行状态的实时数据和历史数据进行数据预处理后通过聚类算法进行数据处理，得到不同工况对应的数据集；其中，对数据进行预处理包括对原始数据进行分类成不同工况数据，并将每一工况的数据进行信息的抽取和数据清洗，实现数据分类和异常数据的剔除；

将不同工况的数据集输入至对应的不同异常检测模型进行数据分析处理，输出对应的系统异常信息结果，所述系统异常信息结果包括不同工况对应的异常信息结果；其中，对初步异常检测模型进行降低假阳性对模型表现的优化，得到最终异常检测模型，根据最终异常检测模型输出对应的异常信息结果；

将不同工况的数据集输入预设的故障诊断模型，在所述故障诊断模型中提取故障诊断指标数据进行数据分析处理，输出故障类型信息结果；

将历史数据输入至预设的根因分析模型，在所述根因分析模型中进行数据分析处理，输出故障成因信息结果；

维修和管理单元，用于根据得到的健康状态结果生成对应设备的维修和管理策略。

8.一种电子设备，其特征在于，包括：

存储器以及一个或多个处理器；

所述存储器，用于存储一个或多个程序；

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-6任一所述的方法。

9.一种包含计算机可执行指令的存储介质，其特征在于，所述计算机可执行指令在由计算机处理器执行时用于执行如权利要求1-6任一所述的方法。