高鐵站機(jī)電設(shè)備人工智能運(yùn)維系統(tǒng)研究

張桂平 董建林 李文友 鐘 沫 劉 佳

(1.中國鐵建電氣化局集團(tuán)有限公司 北京 100043；2.中國鐵建房地產(chǎn)集團(tuán)有限公司 北京 100855)

1 引言

中國城市軌道交通協(xié)會(huì)發(fā)布《中國城市軌道交通智慧城軌發(fā)展綱要》[1]，提出2020～2025年車輛、能源、通信、信號等智能運(yùn)維系統(tǒng)將在全行業(yè)推廣應(yīng)用，持續(xù)提升日常檢修效率等發(fā)展目標(biāo)。本文基于人工智能的故障預(yù)測與健康管理技術(shù)，結(jié)合城市軌道交通車站智能化系統(tǒng)，對當(dāng)前車站的設(shè)備維護(hù)技術(shù)、管理方式進(jìn)行變革提升，實(shí)現(xiàn)智能運(yùn)維管理，降低故障率，減少運(yùn)維成本，提升運(yùn)營效率。

2 機(jī)電設(shè)備監(jiān)控運(yùn)維方法與高鐵站房現(xiàn)狀

2.1 機(jī)電設(shè)備監(jiān)控運(yùn)維技術(shù)方法

機(jī)電設(shè)備監(jiān)控運(yùn)維的方法日益智能化，在機(jī)電設(shè)備領(lǐng)域常用的方法可分為狀態(tài)監(jiān)測、故障診斷、狀態(tài)預(yù)測和維修決策[2]四大類技術(shù)方法。包括振動(dòng)監(jiān)測診斷法、噪聲故障監(jiān)測法、紅外測溫法、油液磨屑分析法、智能決策算法等[3]，下面針對四大類技術(shù)方法進(jìn)行總結(jié)介紹。

(1)狀態(tài)監(jiān)測類技術(shù)

針對機(jī)械設(shè)備的狀態(tài)監(jiān)測，目前主流的監(jiān)測技術(shù)包括振動(dòng)監(jiān)測診斷法、噪聲故障監(jiān)測法、溫度監(jiān)測法、壓力監(jiān)測法、油液磨屑分析法、聲發(fā)射監(jiān)測法等。借助各類監(jiān)測儀器，如磁電速度傳感器、壓電加速傳感器、渦流位移傳感器、紅外測溫儀、壓力傳感器等監(jiān)測儀器，結(jié)合分析儀器及故障診斷的專家系統(tǒng)，對設(shè)備受損位置和程度大小進(jìn)行判斷。

(2)故障診斷類技術(shù)

設(shè)備故障診斷是在設(shè)備運(yùn)行過程中監(jiān)控其真實(shí)的狀態(tài)，確定其整體或部分是正?；虍惓＃霸绨l(fā)現(xiàn)故障及其原因的技術(shù)。目前主流的診斷技術(shù)包括時(shí)頻診斷法、統(tǒng)計(jì)診斷法、信息理論分析法、人工智能診斷法(含人工神經(jīng)網(wǎng)絡(luò)、專家系統(tǒng)等)、集成化診斷法等。

(3)狀態(tài)預(yù)測類技術(shù)

設(shè)備狀態(tài)預(yù)測是在設(shè)備狀態(tài)監(jiān)測的基礎(chǔ)上，確定設(shè)備預(yù)報(bào)故障發(fā)展趨勢的技術(shù)。目前主流的預(yù)測技術(shù)包括時(shí)序模型預(yù)測法、灰色模型預(yù)測法、神經(jīng)網(wǎng)絡(luò)預(yù)測法等。

(4)維修決策類技術(shù)

隨著對設(shè)備智能控制和故障診斷關(guān)聯(lián)的不斷深入研究，為實(shí)現(xiàn)更可靠的設(shè)備運(yùn)維決策夯實(shí)基礎(chǔ)。目前主流的技術(shù)包括故障樹推理法、數(shù)學(xué)模型解析法、貝葉斯(Bayes)網(wǎng)絡(luò)法、智能維修決策法等。

以上技術(shù)方法在高精端裝備或精度較高的制藥等領(lǐng)域率先嘗試應(yīng)用，但在如高鐵站房的大型公用建筑領(lǐng)域尚未進(jìn)行系統(tǒng)的、深入的、工業(yè)化的研究。

2.2 高鐵站房機(jī)電設(shè)備監(jiān)控運(yùn)維現(xiàn)狀

目前針對高鐵站內(nèi)機(jī)電設(shè)備的健康監(jiān)控主要是面向空調(diào)機(jī)、室內(nèi)機(jī)等標(biāo)準(zhǔn)化設(shè)備，且對于設(shè)備的監(jiān)測僅限于常規(guī)閥值的監(jiān)視，多數(shù)為單一設(shè)備參數(shù)的監(jiān)控，未形成多參數(shù)之間的關(guān)聯(lián)分析和判斷。一些無法直接安裝傳感器反映設(shè)備健康狀況的部位、非標(biāo)設(shè)備、附加設(shè)備等，如管道閥門、數(shù)據(jù)通路等是當(dāng)前各類設(shè)備監(jiān)控系統(tǒng)的盲點(diǎn)，無法進(jìn)行有效監(jiān)控。因此，當(dāng)前的機(jī)電設(shè)備監(jiān)控系統(tǒng)已經(jīng)不能滿足智能運(yùn)維的基本需求，迫切需要一種針對加裝的各類傳感器、管道閥門、數(shù)據(jù)通路等設(shè)備監(jiān)控及智慧判斷方法，來解決設(shè)備智能運(yùn)維控制的需求[4]。

3 高鐵站房機(jī)電設(shè)備人工智能運(yùn)維系統(tǒng)研究

3.1 人工智能運(yùn)維系統(tǒng)研究思路

本次在雄安高鐵站開展的人工智能運(yùn)維系統(tǒng)總體研究思路:(1)搭建主要機(jī)電設(shè)備健康狀態(tài)監(jiān)控“感官”，即加裝振動(dòng)、電氣參數(shù)、溫度、噪聲等儀表、傳感監(jiān)測裝置；(2)將健康狀態(tài)參數(shù)模型化，通過預(yù)學(xué)習(xí)各設(shè)備機(jī)組的故障庫及測點(diǎn)區(qū)間值，同時(shí)設(shè)定不同故障類型規(guī)則的安全等級預(yù)警；(3)通過系統(tǒng)實(shí)時(shí)監(jiān)測設(shè)備各個(gè)參數(shù)數(shù)值變化，學(xué)習(xí)故障發(fā)生前的設(shè)備狀態(tài)走勢，建立設(shè)備故障伴隨狀態(tài)庫(設(shè)備數(shù)據(jù)關(guān)聯(lián)關(guān)系)。同時(shí)通過在線學(xué)習(xí):人為發(fā)現(xiàn)設(shè)備故障，記錄當(dāng)下點(diǎn)往前一段時(shí)間的設(shè)備參數(shù)變化，包括單測點(diǎn)曲線趨勢、多測點(diǎn)組合曲線趨勢，并記錄維修方案及故障特征；(4)當(dāng)觸發(fā)故障伴隨狀態(tài)庫的單測點(diǎn)或多測點(diǎn)曲線趨勢時(shí)，推送故障預(yù)警和排查或維修方案，長期積累情況下，對設(shè)備總體健康狀態(tài)進(jìn)行評分[5]。

3.2 搭建系統(tǒng)架構(gòu)

機(jī)電設(shè)備人工智能運(yùn)維系統(tǒng)綜合考慮可擴(kuò)展需求，從接入層、采集層、數(shù)據(jù)層、應(yīng)用層、展示層5個(gè)層次全面遵循統(tǒng)一標(biāo)準(zhǔn)規(guī)范體系和安全保障體系，如圖1所示。

圖1 機(jī)電設(shè)備人工智能運(yùn)維系統(tǒng)框架

? 接入層:實(shí)現(xiàn)系統(tǒng)數(shù)據(jù)共享交換的需求。

? 采集層:為系統(tǒng)數(shù)據(jù)分析和應(yīng)用功能提供數(shù)據(jù)支撐。

? 數(shù)據(jù)層:為系統(tǒng)提供存儲(chǔ)力和算力支撐，實(shí)現(xiàn)數(shù)據(jù)清洗、數(shù)據(jù)處理入庫、分析存儲(chǔ)。

? 應(yīng)用層:利用數(shù)據(jù)管理、分析，提供業(yè)務(wù)支撐，實(shí)現(xiàn)設(shè)備運(yùn)維管理。

? 展示層:支持工作站與移動(dòng)終端展示，便于工作人員使用。

3.3 關(guān)鍵技術(shù)

3.3.1 人工智能故障判斷及預(yù)測技術(shù)

針對不同的故障類型，故障預(yù)測的技術(shù)綜合可劃分為三類:模型驅(qū)動(dòng)、知識(shí)驅(qū)動(dòng)和數(shù)據(jù)驅(qū)動(dòng)[6]。人工智能控制算法如遺傳算法、模糊控制等在故障診斷中的應(yīng)用更加有效。將模糊理論應(yīng)用在機(jī)械設(shè)備的故障診斷，只需要進(jìn)行合適隸屬函數(shù)以及模糊矩陣的建立，即可以實(shí)現(xiàn)問題來源的準(zhǔn)確獲取。通過神經(jīng)網(wǎng)絡(luò)對故障判斷進(jìn)行決策，能夠以分類、聯(lián)想、自我學(xué)習(xí)等辦法對繁雜信息準(zhǔn)確處理。通過遺傳算法，能夠?qū)Χ鄠€(gè)問題同時(shí)處理且還能夠?qū)Ω黝I(lǐng)域內(nèi)問題處理和判斷，它在非線性的問題和寬泛查找的問題上呈現(xiàn)顯著優(yōu)勢。

在雄安高鐵站項(xiàng)目上綜合運(yùn)用多種技術(shù)，通過預(yù)學(xué)習(xí)各系統(tǒng)相關(guān)設(shè)備的故障類型，在機(jī)理模型的基礎(chǔ)上，通過學(xué)習(xí)故障庫與專家經(jīng)驗(yàn)，實(shí)現(xiàn)不同故障類型的分級預(yù)警，將故障消除在潛在狀態(tài)。

3.3.2 故障分級預(yù)警AI技術(shù)邏輯

設(shè)備發(fā)生已知故障時(shí)，系統(tǒng)能夠?qū)崿F(xiàn)提示故障庫中已知故障代碼，直接讀取信息，根據(jù)分級定義進(jìn)行不同等級的報(bào)警通知。設(shè)備關(guān)聯(lián)參數(shù)綜合判斷符合設(shè)定規(guī)則時(shí)，判斷并提示為設(shè)備故障。

當(dāng)設(shè)備發(fā)生未知故障類型時(shí)，系統(tǒng)能夠自動(dòng)記錄異常發(fā)生時(shí)異常測點(diǎn)的實(shí)時(shí)值并提示。設(shè)備故障處理完成后，能夠自動(dòng)記錄解決方案并進(jìn)入故障解決方案庫。后續(xù)出現(xiàn)同種測點(diǎn)異常時(shí)，可進(jìn)行預(yù)警并實(shí)現(xiàn)匹配維修方案的推送[7]。

系統(tǒng)具備基于各種條件下的故障，自動(dòng)觸發(fā)系統(tǒng)的故障演進(jìn)過程學(xué)習(xí)的能力。系統(tǒng)能夠自主學(xué)習(xí)故障前一段時(shí)間的測點(diǎn)參數(shù)趨勢，后續(xù)在出現(xiàn)匹配趨勢曲線時(shí)實(shí)現(xiàn)同類故障的提前預(yù)警[8]。

4 機(jī)電設(shè)備人工智能運(yùn)維系統(tǒng)應(yīng)用

以人工智能技術(shù)為代表的設(shè)備智能運(yùn)維系統(tǒng)在雄安高鐵站進(jìn)行應(yīng)用，對多類設(shè)備進(jìn)行了狀態(tài)監(jiān)控，并依據(jù)狀態(tài)監(jiān)控結(jié)果給出了設(shè)備健康度判斷結(jié)論，現(xiàn)以暖通空調(diào)設(shè)備為例進(jìn)行應(yīng)用說明。

基于設(shè)備運(yùn)行數(shù)據(jù)、狀態(tài)監(jiān)控實(shí)現(xiàn)設(shè)備故障預(yù)報(bào)警的應(yīng)用功能界面展示如圖2所示。

圖2 暖通空調(diào)設(shè)備智能運(yùn)維系統(tǒng)界面

4.1 采集設(shè)備數(shù)據(jù)

通過室外溫度傳感器采集室外溫度；通過溫度傳感器采集冷熱水溫度；管道電磁閥門與室內(nèi)出風(fēng)口一一對應(yīng)，管道電磁閥門開度控制冷熱水管道的流量，通過位移傳感器采集管道電磁閥門的開度；通過室內(nèi)溫度傳感器采集出風(fēng)口對應(yīng)的人活動(dòng)區(qū)域的室內(nèi)溫度等。

4.2 測點(diǎn)配置

區(qū)分主設(shè)備與配套設(shè)備，分別針對設(shè)備下述信息進(jìn)行配置，見表1。

表1 設(shè)備測點(diǎn)配置

4.3 規(guī)則設(shè)定

(1)閾值報(bào)警

設(shè)備值連續(xù)越上下界“連續(xù)越界次數(shù)”次及以上時(shí)，發(fā)出故障報(bào)警。

(2)組合模型監(jiān)控

建立基本組合模型監(jiān)控:定義組合模型報(bào)警規(guī)則，超出規(guī)則即報(bào)警。

附加組合模型故障監(jiān)控:在基本組合模型的基礎(chǔ)上，引入附加設(shè)備輔助參考，對附加設(shè)備進(jìn)行監(jiān)測，建立監(jiān)測判斷模型，當(dāng)出現(xiàn)異常事件時(shí)，發(fā)出預(yù)警。系統(tǒng)通過自學(xué)習(xí)，實(shí)時(shí)修正并重算上下界。

全狀態(tài)組合模型監(jiān)控:在前述模型基礎(chǔ)上，定義全狀態(tài)組合，生成狀態(tài)向量。出現(xiàn)異常發(fā)出報(bào)警。發(fā)生故障后，記錄故障發(fā)生時(shí)的全狀態(tài)組合[9]。

基于前述的設(shè)備數(shù)據(jù)、測點(diǎn)配置及監(jiān)控模型，設(shè)備故障預(yù)警調(diào)用關(guān)系圖如圖3所示。

圖3 設(shè)備故障預(yù)警調(diào)用關(guān)系圖

4.4 設(shè)備數(shù)據(jù)關(guān)聯(lián)分析

(1)故障判斷

在暖通設(shè)備正常工作狀態(tài)下，生成設(shè)備數(shù)據(jù)關(guān)聯(lián)關(guān)系表，所述設(shè)備數(shù)據(jù)關(guān)聯(lián)關(guān)系表包括同一時(shí)刻的室外溫度值、冷熱水溫度、出風(fēng)口風(fēng)速檔位、電磁閥門開度、室內(nèi)溫度值等。

下達(dá)新的電磁閥門的開度指令，經(jīng)過設(shè)定時(shí)間后，室內(nèi)溫度達(dá)到新的平衡點(diǎn)，獲取當(dāng)前各傳感器數(shù)據(jù):當(dāng)室內(nèi)溫度傳感器采集的數(shù)據(jù)超過上下限時(shí)，判斷為室內(nèi)溫度傳感器出現(xiàn)故障；在其中，上下限是需要預(yù)先進(jìn)行設(shè)定的，同時(shí)，室外溫度傳感器、水流溫度傳感器的故障判斷也與此相同。

當(dāng)電磁閥門的開度指令數(shù)據(jù)與電磁閥門的開度設(shè)定值不一致時(shí)，判斷為指令下達(dá)失敗故障；電磁閥門的開度設(shè)定值需要預(yù)先設(shè)置。

當(dāng)管道電磁閥門的開度指令數(shù)據(jù)與管道電磁閥門的開度設(shè)定值一致，但管道電磁閥門的開度指令數(shù)據(jù)與實(shí)際開度值相差大于預(yù)先設(shè)置的偏差設(shè)定值時(shí)，判斷為管道電磁閥門故障[10]。

(2)多維關(guān)聯(lián)故障判斷

將室內(nèi)多個(gè)溫度傳感器數(shù)據(jù)與設(shè)備數(shù)據(jù)(室外溫度、冷熱水溫度、出風(fēng)口風(fēng)檔位、電磁閥門開度等)建立關(guān)聯(lián)關(guān)系表，下達(dá)新的管道電磁閥門的開度指令，經(jīng)過設(shè)定時(shí)間后，室內(nèi)溫度達(dá)到新的平衡點(diǎn)，獲取當(dāng)前各傳感器數(shù)據(jù)，以室外溫度、冷熱水溫度、出風(fēng)口風(fēng)速檔位為分類指標(biāo)，查詢設(shè)備數(shù)據(jù)關(guān)聯(lián)關(guān)系表中管道電磁閥門開度數(shù)據(jù)和與管道電磁閥門開度數(shù)據(jù)對應(yīng)的各傳感器數(shù)據(jù)，做關(guān)聯(lián)分析[11]。

以溫度傳感器故障判斷為例進(jìn)行說明。每個(gè)室內(nèi)出風(fēng)口對應(yīng)3個(gè)室內(nèi)溫度傳感器，分別標(biāo)記為傳感器A、傳感器B和傳感器C，判斷具體傳感器故障的方法如下:

令R為被對比傳感器的比值，則:

R12＝傳感器A實(shí)際數(shù)據(jù)/傳感器B實(shí)際數(shù)據(jù)；

R23＝傳感器B實(shí)際數(shù)據(jù)/傳感器C實(shí)際數(shù)據(jù)；

R13＝傳感器A實(shí)際數(shù)據(jù)/傳感器C實(shí)際數(shù)據(jù)；

R12′＝傳感器A查表數(shù)據(jù)/傳感器B查表數(shù)據(jù)；

R23′＝傳感器B查表數(shù)據(jù)/傳感器C查表數(shù)據(jù)；

R13′＝傳感器A查表數(shù)據(jù)/傳感器C查表數(shù)據(jù)；

v＝｜傳感器A實(shí)際數(shù)據(jù)-傳感器A查表數(shù)據(jù)｜＋｜傳感器B實(shí)際數(shù)據(jù)-傳感器B查表數(shù)據(jù)｜＋｜傳感器C實(shí)際數(shù)據(jù)-傳感器C查表數(shù)據(jù)｜，當(dāng)｜R12-R12′｜＋ ｜R13-R13′｜＞2.4，判斷為傳感器 A 故障；

｜R12-R12′｜＋ ｜R23-R23′｜＞2.4，判斷為傳感器B故障；

｜R13-R13′｜＋ ｜R23-R23′｜＞1.4，判斷為傳感器C故障；

否則，當(dāng)V＞4.5，判斷為管道電磁閥門開度故障。

(3)故障預(yù)警

學(xué)習(xí)故障發(fā)生前的設(shè)備狀態(tài)走勢，建立設(shè)備故障伴隨狀態(tài)庫。在線學(xué)習(xí):人為發(fā)現(xiàn)設(shè)備故障，記錄當(dāng)下點(diǎn)往前一段時(shí)間的設(shè)備參數(shù)變化，包括單測點(diǎn)曲線趨勢、多測點(diǎn)組合曲線趨勢。設(shè)備范圍:包含水系統(tǒng)、風(fēng)系統(tǒng)、傳感器、給排水設(shè)備等。以冷水機(jī)組為例，冷水機(jī)組壓縮機(jī)電流限定臨界值為95%，平均值為40.5%，系統(tǒng)通過實(shí)時(shí)監(jiān)測電流動(dòng)態(tài)值，同時(shí)學(xué)習(xí)安全范圍值，實(shí)時(shí)進(jìn)行算法分析，當(dāng)電流值從平均值短時(shí)內(nèi)呈現(xiàn)漸變趨勢變化，并與曾經(jīng)出現(xiàn)故障前的某一狀態(tài)走勢匹配時(shí)，系統(tǒng)判斷可能出現(xiàn)壓縮機(jī)燒壞情況，此時(shí)系統(tǒng)將進(jìn)行安全預(yù)警，防止?jié)撛诠收习l(fā)生[12]。

4.5 設(shè)備健康度判斷

基于設(shè)備正常運(yùn)行過程中的測點(diǎn)數(shù)據(jù)采集，建立測點(diǎn)健康樣本庫，將每個(gè)特征測點(diǎn)相應(yīng)的健康樣本的區(qū)間作為正常值域，將設(shè)備實(shí)時(shí)/歷史運(yùn)行測點(diǎn)參數(shù)與正常值域進(jìn)行比較，結(jié)合統(tǒng)計(jì)學(xué)知識(shí)給出分級標(biāo)準(zhǔn)，并根據(jù)測點(diǎn)參數(shù)占比確定權(quán)重系數(shù)，最終得到設(shè)備狀態(tài)綜合評價(jià)模型[13]。

在雄安高鐵站建筑機(jī)電設(shè)備的健康評價(jià)過程中，主要按如下步驟實(shí)施:

(1)將各測點(diǎn)參數(shù)與正常值進(jìn)行比較，規(guī)定在正常值范圍內(nèi)的100分(可調(diào))，超出正常值范圍5%之內(nèi)的60分(可調(diào))、超出正常值5%以上的0分(可調(diào))。

(2)基于設(shè)備預(yù)報(bào)警過程中測點(diǎn)參數(shù)的作用，確定各測點(diǎn)參數(shù)在計(jì)算過程中的主成分貢獻(xiàn)率。

①A類邊緣數(shù)據(jù):只監(jiān)測不報(bào)警，發(fā)生故障后用于輔助判斷機(jī)組情況；

②B類數(shù)據(jù):超出閾值即報(bào)警；

③C類數(shù)據(jù):超出閾值報(bào)警，且需監(jiān)測數(shù)據(jù)趨勢。

(3)基于(2)所確定的權(quán)重進(jìn)行加權(quán)計(jì)算，得出健康分?jǐn)?shù)H。

(4)針對健康分?jǐn)?shù)H，進(jìn)行健康等級劃分和狀況描述，具體見表2。

表2 健康等級劃分和狀況說明

4.6 應(yīng)用效果

雄安高鐵站機(jī)電設(shè)備人工智能運(yùn)維系統(tǒng)自2020年12月27日投用以來，依托集成化、智能化、信息化的上層建筑設(shè)備監(jiān)控及能源管理集成系統(tǒng)，與傳統(tǒng)的設(shè)備運(yùn)維系統(tǒng)相比較，實(shí)現(xiàn)了各子系統(tǒng)設(shè)備協(xié)同聯(lián)動(dòng)分析和智能診斷，為設(shè)備運(yùn)維管理提供了決策支持；通過本系統(tǒng)的研究及應(yīng)用，關(guān)鍵設(shè)備故障率和運(yùn)維成本實(shí)現(xiàn)逐步下降，故障處置率得到有效提升；同時(shí)維修效率、精準(zhǔn)度有了明顯提高，運(yùn)維人員依靠系統(tǒng)做到合理化、集約化管理，實(shí)現(xiàn)了系統(tǒng)研究的經(jīng)濟(jì)、社會(huì)和環(huán)保效益目標(biāo)。

5 結(jié)論

雄安高鐵站機(jī)電設(shè)備人工智能運(yùn)維系統(tǒng)是人工智能技術(shù)在設(shè)備監(jiān)控運(yùn)維領(lǐng)域的一次成功應(yīng)用，通過將數(shù)據(jù)通路的監(jiān)控應(yīng)用到對設(shè)備故障診斷中，解決易損傳感器的故障報(bào)警問題；同時(shí)，從設(shè)備的關(guān)聯(lián)關(guān)系入手，發(fā)現(xiàn)故障、定位故障，解決非智能化設(shè)備的自動(dòng)監(jiān)控和數(shù)據(jù)通路的故障監(jiān)控盲區(qū)問題，提升了系統(tǒng)整體的穩(wěn)定性和可靠性；系統(tǒng)從高鐵站的設(shè)備運(yùn)維現(xiàn)狀與業(yè)務(wù)需求出發(fā)，解決了高鐵站復(fù)雜設(shè)備可視化監(jiān)測、設(shè)備日常運(yùn)維管理及故障預(yù)報(bào)警方面的痛點(diǎn)，從而實(shí)現(xiàn)設(shè)備全生命周期管理，提升系統(tǒng)運(yùn)維與管理效率。系統(tǒng)基于PHM技術(shù)思路，利用數(shù)據(jù)采集、處理和狀態(tài)監(jiān)控模塊處理后的設(shè)備狀態(tài)數(shù)據(jù)，結(jié)合歷史數(shù)據(jù)，采用建模和統(tǒng)計(jì)等方法，實(shí)現(xiàn)健康評價(jià)和故障預(yù)測，并提供維護(hù)建議，打破了傳統(tǒng)意義上設(shè)備健康狀態(tài)監(jiān)控只監(jiān)測數(shù)據(jù)無法給出結(jié)論及決策建議的困局，是設(shè)備運(yùn)維管理技術(shù)方面的一大突破。