本文部分理論圖示和案例借鑒知乎文章

在本文開頭，我們需要搞清楚一個概念：我們經常會說到PHM，那么什么是PHM？

故障預測與健康管理PHM（Prognostics and Health Management）技術，是指利用先進的傳感器技術，獲取系統運行狀態信息和故障信息，借住神經網絡、模糊推理等算法，根據系統歷史數據和環境因素，對系統進行狀態監測、故障預測，同時對系統的健康狀態進行評估，結合地面維修資源情況，給出維修決策，以實現關鍵部件的實情維修。

PHM包含兩方面的內容，即故障預測和健康管理，健康是指與期望的正常性能狀態相比較的性能下降或偏差程度。其中故障預測是指根據系統現在或歷史性能狀態預測性地診斷部件或系統完成其功能的狀態（未來的健康狀態），包括確定部件或者系統的剩余壽命或正常工作的時間長度；健康管理是根據診斷/預測信息、可用維修資源和使用要求對維修活動做出適當決策的能力。

關于PHM的詳細介紹，請參考這里>>

背景介紹

UK RSSB的報告指出，近年來大部分軌道交通故障源于信號系統及軌旁系統。

軌道交通由于其安全、快速、準時的特性，成為了現代社會不可或缺的出行及貨運方式。隨著相關技術的進步，軌道交通重大故障（例如脫軌等）鮮少發生，但是由軌旁設備、信號系統故障造成的列車延誤卻經常出現。在當今這個效率至上、高速運轉的時代，一時一刻的延遲都可能造成難以預計的損失。

2002年Potters Bar和2007年Grarigg脫軌事故，讓人們認識到提高系統安全性的重要性，而對軌旁設備的在線監控和故障診斷被認為是提高安全性的重要手段。

為保障軌道交通的安全準確運行，將PHM技術應用于軌道交通的各個子系統，全面保障設備正常運行勢在必行。

轉轍器，用于幫助列車換軌，一直以來都擁有很高的設計可靠性。但是由于工作環境惡劣、沖擊大或其他原因造成故障，一旦發生就會直接導致重大事故，例如列車脫軌、追尾等。

轉轍器由幾大核心部件組成，包括電機、定位桿、固定軌、移動軌、驅動桿等，精確的故障診斷和定位有助于維修維護團隊準確及時的解決問題。常見的故障模式包括不對準、摩擦力上升、有異物等。

對轉轍器進行遠程監控，可以通過監控數據，準確診斷早期故障并完成故障定位，為軌旁設備整體維修維護提供決策支持，最終達到降低系統風險、降低系統維修維護費用的目的，從而達到安全性和經濟性的平衡點。

案例分享

1、汽車制造業能耗分析及故障預測成功案例

XX汽車制造公司在整車生產過程中將會產生巨量數據，包括能耗數據、生產數據、環境數據等，這些數據中蘊藏了巨大的價值，包括產品故障、生產優化的目標都可以從數據中進行挖掘。客戶需要我們對能耗和生產數據進行挖掘，找出異常點，希望分析出節約能耗的方向，并且對生產過程中的故障進行預測。

慧都能耗異常值分析，為XX汽車制造公司提供咨詢、調研、研發、實施、維護一整個環節的完善服務。

數據探索：耗電分析、耗水分析、耗時分析等

數據處理：基于耗電、耗水、耗時數據進行處理，找到數據的異常點，對異常點進行分析。

圖1 識別時序數據中的異常點

圖2 識別能耗時序數據的拐點

經分析發現，很多設備在非工作時間依然開機，如果關機，電泳和前處理階段的節能情況如下

如果能夠將某些車的前處理和電泳時間分別減少到37分鐘和23分鐘，在處理功率恒定的情況下，分別將會節約能耗3.23%和6.30%。

用Qlik進行數據探索分析——耗能分析

成功交付

慧都能耗異常值分析解決方案從2018年11月開始導入實施，項目團隊結合客戶現場生產情況通過和客戶詳細溝通斟酌，實施團隊駐場開發經過接近半年的共同努力，最終于2019年3月項目經培訓后成功交付。

客戶表示，應用后效果顯著：

• 人工判斷異常準確率為50%，方案優化之后，可以提高到83%。
• 人工判斷異常平均時間為10分鐘，方案實施之后，只需要100ms。
• 方案實施后，前處理節能3.23%。
• 方案實施后，電泳節能6.30%。

注：此案例來源于慧都大數據團隊的真實客戶能耗分析及故障預測項目實施。

在與歐洲某知名軌道交通設備廠商的合作當中，我們開發了針對轉轍器不同工況下的在線監測與故障診斷系統，并且與市面上已有的商業軟件以及科研成果做了大量比對認證，所開發系統具有技術領先性，可以準確的識別17種不同的失效模式（包括不同的失效級別），系統輸出結果有較高的準確性和穩定性。

所使用方法完全依靠電機的監測參數診斷設備故障，為遠程監控提供可行的解決方案。所使用方法包括：基于特征的方法和基于自相關模型的方法。

圖4 測試臺實物

轉轍器實物試驗臺安放于一個綜合試驗箱當中，在實際測試時還引入了溫度和濕度變化模擬設備在不同自然環境的實際使用情況。

在分析中發現，溫度對設備運行狀態影響較大，在最終的模型中引入歸一化機制，降低溫度對最終結果的影響。

所采集原始信號均來自于驅動電機，這樣的非侵入式檢測有助于未來實施遠程監測，同時可以有效地降低實施成本。

圖6 自相關神經元網絡結構示例

自相關神經元網絡的方法多被用來基于多變量檢測單變量的異常，最早被用于核電站核島中傳感器的衰退檢測。在本案例中被用來評價往復信號的異常狀態及區域并與不同的故障模式對應。

注：此案例來源于知乎文章

核心技術

對關鍵設備的早期故障診斷及故障定位，核心在于發現或者創造相應的故障特征。故障特征可以是原始信號，也可以是由原始信號加工得到。主要運用技術包括數字信號處理、特征選擇、降維、時間序列分析、以及多變量狀態估計等。在實際系統構架當中，各種技術需要搭配使用，相輔相成，最終實現目的。

如下圖所示，從原始信號中，例如電機電壓、電流、扭矩等，得到的特征應該在設備性能發生衰退時呈現出逐漸偏移的趨勢，并且偏移的速率與衰退的速率成正比。

當然，這是理想狀態下的完美特征，也是無數數據工業數據分析工作者的完美伴侶。

關于慧都大數據分析平臺

慧都大數據分析平臺「GetInsight®」升級發布，將基于企業管理駕駛艙、產品質量分析及預測、設備分析及預測等大數據模型的構建，助力企業由傳統運營模式向數字化、智能化的新模式轉型升級，抓住數據經濟的發展勢頭，提供管理效能，精準布局未來。了解更多，請。

慧都大數據專業團隊為企業提供商業智能大數據平臺搭建，免費業務咨詢，定制開發等完整服務，快速、輕松、低成本將任何Hadoop集群從試用階段轉移到生產階段。

歡迎撥打慧都熱線023-68661681或咨詢，我們有專業的大數據團隊，為您提供免費大數據相關業務咨詢！