CN117764550A - 一种轨道交通车辆的检修管理***及方法 - Google Patents
一种轨道交通车辆的检修管理***及方法 Download PDFInfo
- Publication number
- CN117764550A CN117764550A CN202311653357.5A CN202311653357A CN117764550A CN 117764550 A CN117764550 A CN 117764550A CN 202311653357 A CN202311653357 A CN 202311653357A CN 117764550 A CN117764550 A CN 117764550A
- Authority
- CN
- China
- Prior art keywords
- overhaul
- maintenance
- data
- management
- fault
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000012423 maintenance Methods 0.000 title claims abstract description 177
- 238000000034 method Methods 0.000 title claims abstract description 68
- 230000008569 process Effects 0.000 claims abstract description 38
- 238000003745 diagnosis Methods 0.000 claims abstract description 20
- 238000005457 optimization Methods 0.000 claims abstract description 10
- 238000007726 management method Methods 0.000 claims description 175
- 238000005516 engineering process Methods 0.000 claims description 31
- 239000000463 material Substances 0.000 claims description 25
- 230000006870 function Effects 0.000 claims description 22
- 238000004891 communication Methods 0.000 claims description 12
- 238000007689 inspection Methods 0.000 claims description 10
- 238000003860 storage Methods 0.000 claims description 10
- 238000004519 manufacturing process Methods 0.000 claims description 9
- 230000008439 repair process Effects 0.000 claims description 9
- 238000004088 simulation Methods 0.000 claims description 6
- 238000013523 data management Methods 0.000 claims description 5
- 238000009826 distribution Methods 0.000 claims description 5
- 239000000203 mixture Substances 0.000 claims description 5
- 238000003058 natural language processing Methods 0.000 claims description 5
- 238000012549 training Methods 0.000 claims description 5
- 230000000007 visual effect Effects 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000003062 neural network model Methods 0.000 claims description 3
- 238000013461 design Methods 0.000 claims description 2
- 238000010295 mobile communication Methods 0.000 claims description 2
- 238000004422 calculation algorithm Methods 0.000 description 7
- 238000013024 troubleshooting Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000012544 monitoring process Methods 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000001050 lubricating effect Effects 0.000 description 3
- 230000000737 periodic effect Effects 0.000 description 3
- 238000004140 cleaning Methods 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000013439 planning Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000012459 cleaning agent Substances 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 239000004519 grease Substances 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 210000001503 joint Anatomy 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000002922 simulated annealing Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000013526 transfer learning Methods 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
- 230000003245 working effect Effects 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请提供了一种轨道交通车辆的检修管理***及方法,涉及轨道交通技术领域;作业管理模块,采集轨道交通列车的车辆运行数据,制定检修计划,并对检修计划的执行过程进行调度;检修管理模块,根据预先构建的故障知识库和知识中心模块中积累的检修知识,基于车辆运行数据进行故障诊断和维修管理;知识中心模块,根据作业管理模块中的作业数据、检修管理模块中的故障数据以及轨道交通列车的多源***数据积累检修知识,并根据检修知识指导作业管理模块中的作业流程优化以及检修管理模块中的故障检修。这样,能够从整体上联动实现车辆精准故障诊断、精准维修实施和精准检修作业调度,从而提升车辆智能检修能力和维护质量。
Description
技术领域
本申请涉及轨道交通技术领域,尤其是涉及一种轨道交通车辆的检修管理***及方法。
背景技术
随着城市轨道交通运营里程的不断扩大,车辆数量激增,传统的人工验收和定期维护方式已经难以满足运营需要。针对车辆故障管理的传统模式存在维修周期长、修后质量不稳定等问题。如何利用先进技术手段,提高车辆状态监测水平和检修质量,实现车辆智能化检修管理与维护,是轨道交通运营企业面临的重大技术难题。
发明内容
有鉴于此,本申请的目的在于提供一种轨道交通车辆的检修管理***及方法,通过作业管理模块、检修管理模块和知识中心模块之间的数据共享及应用,能够从整体上联动实现轨道交通车辆精准故障诊断、精准维修实施和精准检修作业调度,从而提升车辆智能检修能力和维护质量。
本申请实施例提供了一种轨道交通车辆的检修管理***,所述检修管理***包括:作业管理模块、检修管理模块和知识中心模块;
所述作业管理模块,用于采集轨道交通列车的车辆运行数据,根据所述车辆运行数据制定检修计划,并对所述检修计划的执行过程进行调度;
所述检修管理模块,用于根据预先构建的故障知识库和所述知识中心模块中积累的检修知识,基于所述车辆运行数据对所述轨道交通列车进行故障诊断和维修管理;
所述知识中心模块,用于根据所述作业管理模块中的作业数据、所述检修管理模块中的故障数据以及所述轨道交通列车的多源***数据积累检修知识,并根据所述检修知识指导所述作业管理模块中的作业流程优化以及所述检修管理模块中的故障检修。
本申请实施例还提供了一种轨道交通车辆的检修管理方法,所述方法应用于如上述的一种轨道交通车辆的检修管理***;所述检修管理***包括:作业管理模块、检修管理模块和知识中心模块;所述方法包括:
所述作业管理模块采集轨道交通列车的车辆运行数据,根据所述车辆运行数据制定检修计划,并对所述检修计划的执行过程进行调度;
所述检修管理模块根据预先构建的故障知识库和所述知识中心模块中积累的检修知识,对所述轨道交通列车进行故障诊断和维修管理;
所述知识中心模块根据所述作业管理模块中的作业数据、所述检修管理模块中的故障数据以及所述轨道交通列车的多源***数据积累检修知识,并根据所述检修知识指导所述作业管理模块中的作业流程优化以及所述检修管理模块中的故障检修。
本申请实施例还提供一种电子设备,包括:处理器、存储器和总线,所述存储器存储有所述处理器可执行的机器可读指令,当电子设备运行时,所述处理器与所述存储器之间通过总线通信,所述机器可读指令被所述处理器执行时执行如上述的一种轨道交通车辆的检修管理方法的步骤。
本申请实施例还提供一种计算机可读存储介质,该计算机可读存储介质上存储有计算机程序,该计算机程序被处理器运行时执行如上述的一种轨道交通车辆的检修管理方法的步骤。
本申请实施例提供的一种轨道交通车辆的检修管理***及方法,通过作业管理模块、检修管理模块和知识中心模块之间的数据共享及应用,能够从整体上联动实现轨道交通车辆精准故障诊断、精准维修实施和精准检修作业调度,从而提升车辆智能检修能力和维护质量。
为使本申请的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本申请的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他相关的附图。
图1示出了本申请实施例所提供的一种轨道交通车辆的检修管理***的结构示意图;
图2示出了本申请实施例所提供的一种轨道交通车辆的检修管理方法的流程图;
图3示出了本申请实施例所提供的一种电子设备的结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此,以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围,而是仅仅表示本申请的选定实施例。基于本申请的实施例,本领域技术人员在没有做出创造性劳动的前提下所获得的每个其他实施例,都属于本申请保护的范围。
经研究发现,随着城市轨道交通运营里程的不断扩大,车辆数量激增,传统的人工验收和定期维护方式已经难以满足运营需要。针对车辆故障管理的传统模式存在维修周期长、修后质量不稳定等问题。如何利用先进技术手段,提高车辆状态监测水平和检修质量,实现车辆智能化检修管理与维护,是轨道交通运营企业面临的重大技术难题。
基于此,本申请实施例提供了一种轨道交通车辆的检修管理***,以实现车辆精准故障诊断、精准维修实施和精准检修作业调度,从而提升车辆智能检修能力和维护质量。
请参阅图1,图1为本申请实施例所提供的一种轨道交通车辆的检修管理***的结构示意图。如图1中所示,本申请实施例提供的检修管理***100,包括:作业管理模块110、检修管理模块120和知识中心模块130。
所述作业管理模块110,用于采集轨道交通列车的车辆运行数据,根据所述车辆运行数据制定检修计划,并对所述检修计划的执行过程进行调度。
本申请实施例提供的检修管理***可设置在云平台中,云平台与轨道交通列车通信连接,从而使作业管理模块采集到轨道交通列车的车辆运行数据。车辆运行数据包括车辆整体以及各部件在运行过程中实时产生的各类数据,如车辆整车运行状态、整车运行时长、车辆各设备的运行状态、工作时长以及各类传感器示数等。作业管理模块根据车辆运行数据可以实时制定检修计划,检修计划中可包括检修时间、检修部位和检修内容等;作业管理模块还可以控制检修计划的执行,并对检修计划执行的全过程进行调度,保证检修计划顺利进行。
所述检修管理模块120,用于根据预先构建的故障知识库和所述知识中心模块中积累的检修知识,基于所述车辆运行数据对所述轨道交通列车进行故障诊断和维修管理。
这里,检修管理模块中预先构建有故障知识库,故障知识库中积累有故障知识;检修管理模块还可以通过与知识中心模块之间的数据连接,获取知识中心模块中积累的检修知识,以及通过与作业管理模块之间的数据连接,获取车辆运行数据。进一步的,检修管理模块根据故障知识库和车辆运行数据可以对轨道交通列车进行故障诊断、预警;以及根据检修知识和车辆运行数据对诊断出的故障的维修过程进行维修管理。
所述知识中心模块130,用于根据所述作业管理模块中的作业数据、所述检修管理模块中的故障数据以及所述轨道交通列车的多源***数据积累检修知识,并根据所述检修知识指导所述作业管理模块110中的作业流程优化以及所述检修管理模块120中的故障检修。
这里,知识中心模块通过与作业管理模块之间的数据连接,可以获取到作业管理模块中流转的各类作业数据,作业数据既包括采集的车辆运行数据,也包括制定检修计划的数据、检修计划的执行过程数据等。知识中心模块通过与检修管理模块之间的数据连接,可以获取到检修管理模块中流转的各类故障数据,故障数据既包括故障知识库中的故障知识,也包括在对轨道交通列车进行故障诊断和维修管理过程中生成的故障诊断数据以及维修过程的案例数据等。此外,轨道交通列车还配置有多源***进行运行管理,如MES和EAM等,知识中心模块也可以获取多源***数据作为知识源。这样一来,随着轨道交通车辆的运行,检修知识愈发丰富多样,涵盖轨道交通车辆运行时的多种情况,有利于实现车辆精准故障诊断、精准维修实施。
另一方面,知识中心模块中积累的检修知识可以反馈指导作业管理模块中的作业流程优化,比如对于易故障设备制定检修频率更高的检修计划,对于易相互影响出现故障的设备合并制定检修计划,对于复杂检修计划进行更精细的调度等;以及指导检修管理模块中的故障检修,例如根据检修知识中历史检修案例,为故障检修提供故障部件定位、故障原因分析以及检修措施建议等信息。
通过这种方式,作业管理模块、检修管理模块和知识中心模块之间实现数据共享及应用联动,能够从整体上联动实现轨道交通车辆精准故障诊断、精准维修实施和精准检修作业调度,从而提升车辆智能检修能力和维护质量。
在一种可能的实施方式中,所述作业管理模块110包括:检修计划管理单元、生产调度指挥单元和智能数据接入单元。
所述智能数据接入单元,用于搭建所述轨道交通列车的车地通信***,并通过所述车地通信***采集所述车辆运行数据。
其中,所述车地通信***包括:IoT物联网感知层、网络层和应用层;所述物联网感知层包括所述轨道交通列车的车载采集终端;所述网络层包括基于第五代移动通信技术和车载SDN的车地通信网络;所述应用层为地面应用服务器。车载采集终端采用轻量级操作***,支持机器学习算法在端侧运行,可实时处理车载传感器数据,并采用Kafka等技术处理大量传感器的数据流。该架构将端、云、网协同,能够提供持续稳定的端到端的轨道交通车辆的车载数据传输服务。采集到的车辆运行数据可用于车辆状态监测,提供检修决策依据;作业质量追溯,评估作业效果;车辆技术状态评估,输出检修建议;车载操作行为分析,改善作业流程。
所述检修计划管理单元,用于根据所述车辆运行数据构建车辆修程模型;对所述车辆修程模型,按照预先设定的约束条件进行多目标优化,得到不同层级的检修计划;以及根据所述检修计划生成检修工单,并在所述检修工单中记录各检修要素的实时数据;所述检修要素包括以下各项中的至少一项:员工、设备和物料。
这里,检修计划的不同层级与检修计划的细致程度和检修范围相关。比如战略层级的计划是年度设备整体的停运检修计划;Tactical层级的计划是对关键设备或关键***的定期检修计划;Operational层级则是对日常保养和具体维修工作的计划安排。计划层级可由检修设备的重要性、风险性以及检修周期等因素综合决定。
其中,检修计划管理单元可根据车辆运行里程、运行时间、检修能力等车辆运行数据,采用寿命可靠性模型,构建车辆修程模型。模型表达式为:
式中,为车辆在运行时间/>时的可靠性;/>为故障率参数,可通过最大似然估计法使用车辆运行数据估计。
预先设定的约束条件可包括:(1) 修程到达时必须检修。(2) 单位时间内检修能力限制。(3) 连续运行时间阈值限制。(4) 设备维护周期限制等。在具体实施时,可以采用遗传算法、模拟退火等元启发式算法,FITNESS 函数可采用修程可靠性、检修周期等指标进行多目标优化,得到不同层级的检修计划。
当检修计划管理单元自动判定检修计划下达执行,或者响应于用户操作确定检修计划下达执行时,可采用工单管理机制,根据检修计划自动生成检修工单并支持人工调整。在具体实施时,对于不同层级的检修计划,检修范围、检修标准等存在不同,生成的检修工单所指示的检修流程也不相同。
进一步的,可结合RFID技术对检修工单的执行过程进行实时追踪,获取员工、工时、设备和物料的实际消耗数据。
在一种可能的实施方式中,所述检修工单所指示的检修流程中包括多个关键节点;每个关键节点与所述轨道交通列车执行所述检修计划时所在车间中的位置点对应;每个位置点安装有RFID读写器;所述车间中的员工、设备及物料被绑定有RFID标签;通过识别RFID标签进出RFID读写器范围,就可以实时监控工单的执行进度和关键节点的消耗时间。
具体的,所述检修计划管理单元用于:接收由RFID读写器通过识别RFID标签生成的检修要素的实时数据;根据RFID读写器的标识确定所述实时数据在所述检修工单中对应的目标关键节点;将所述检修工单的检修进度更新为所述目标关键节点,并在所述目标关键节点记录各检修要素的实时数据。
在一个示例中,对于一列城轨电车的门***,作业管理模块根据历史运行数据和检修规定文档,制定出门***的保养计划,可包括以下内容项目:保养周期:每月第三个星期天进行保养;保养要点:清洗门缝、润滑门机、检测门蜂鸣器、检测门软停功能、检测紧急开门装置等;所需人员:2名维修工、1名检查员;所需备件物料:门缝清洁剂、润滑脂、蜂鸣器、开门装置的备用件;所需设备:六亲手、门***专用测试仪器。
之后,检修计划管理单元根据所述检修计划的保养周期定期生成保养工单,并按照所需人员进行工单派发。对应于上述示例,保养工单可按照检修计划中的保养要点项目设定以下关键节点:1.门***断电、机械锁止。2.门板拆卸。3.门缝清洁。4.门机润滑。5.门蜂鸣器功能检测。6.门软停功能检测。7.紧急开门装置检测。8.门***组装调试。
同时,在每个关键节点对应的执行保养计划时所在车间中的位置点设置RFID探测点,以实时监控保养进度和资源投入情况。
这样,保养计划就转化成了具体的保养工单和关键节点设置,便于作业调度和过程监控。
所述生产调度指挥单元,用于基于所述检修工单中各检修要素的实时数据生成作业调度指令,以对所述检修计划的执行过程进行调度。
在具体实施时,所述生产调度指挥单元用于:构建所述车间的虚拟车间数字孪生***;结合所述虚拟车间数字孪生***和各检修要素的实时数据,生成三维可视化虚拟车间检修场景;根据预先设置的检修作业约束条件和各检修要素的实时数据进行联合计算,生成检修作业排程方案;根据所述检修作业排程方案中当前时刻对应的作业调度指令,以通过所述轨道交通列车的底层执行***对所述检修计划的执行过程进行调度。
其中,生产调度指挥单元构建车间的虚拟车间数字孪生***,采集各检修要素的实时数据,在三维可视化虚拟车间检修场景中进行重建,进行多源异构数据融合;另一方面,采用GPU大数据分析技术,对各种作业限制条件进行联合计算,动态生成作业排程方案,输出作业动态调度指令,通过所述轨道交通列车的底层执行***(如MES***等)实现全过程调度指挥。
示例性的,检修作业约束条件包括:工位、人员等检修资源约束;工艺流程顺序约束;质量安全约束;能耗约束。可以建立约束满足模型,采用树搜索、马尔可夫决策等算法搜索最优解,生成作业排程和调度指令。
在另一种可能的实施方式中,所述检修管理模块120包括:故障管理单元、物资管理单元、过程管理单元和部件管理单元。
所述故障管理单元,用于采用预先训练好的神经网络模型对所述车辆运行数据进行故障诊断和故障预警;以及接收用户输入的故障描述信息,通过自然语言处理技术,从所述故障知识库和检修知识中查询故障类型和故障检修措施。
其中,神经网络模型可以是采用机器学习算法,基于历史故障数据进行训练而建立的数据驱动的故障诊断和预警模型;在具体实现上,可以采用改进的深度神经网络,增加融合多源数据的输入分支,提高模型的故障区分能力。同时,故障知识库可以包括标准化的故障知识图谱和故障树模型等,支持维修人员通过自然语言查询,快速定位故障和对应解决方案。
所述物资管理单元,用于结合RFID技术、图像识别技术和无人仓储技术实现物料出入库管理;以及根据所述检修计划预测物料需求,并根据所述物料需求创建物料配送任务。
物资管理单元可以设计开放式的物资存储***接口,支持不同厂商的自动化***对接,提升兼容性;在图像识别中,可以使用迁移学习技术,通过少量样本微调,快速适配不同物资的识别;无人仓储技术利用物联网、人工智能、机器人等手段的综合,可以对仓库内的物流、库存、分拣、配送等环节进行智能化管理,从而提高仓库的效率、准确性和成本效益。在预测物料需求时,可以使用LSTM时间序列模型,结合历史物料消耗数据和检修计划,建立动态需求预测模型来预测物料需求,进而创建物料配送任务以优化物流配送。
所述过程管理单元,用于基于AR和VR技术,根据标准检修作业流程和质检标准,生成故障检修过程指导;以及通过比较故障检修过程中的检修数据,对所述故障检修过程进行质检。
过程管理单元构建标准检修作业流程和质检标准,采用AR/VR技术生成故障检修过程指导,减少故障检修过程的人工依赖。通过传感器和PLC等方式自动采集质检所需的检修数据,并与质检标准对比,实现自动化质检。
所述部件管理单元,用于采用区块链技术,构建去中心化的部件数据分布式记账***;以及使用物理仿真和数字孪生技术,构建部件的仿真使用环境,预测部件的使用寿命。
部件管理单元采用区块链技术,构建去中心化的部件数据分布式记账***,确保数据共享透明不可篡改。可以设计 Consortium区块链,由特定节点构成,实现部件信息的点对点直接共享,降低中间环节;使用零知识证明等保护敏感数据,同时保证数据可验证可追溯。在寿命预测方面,通过物理仿真和多源数据驱动的数字孪生,可以构建高保真的部件仿真使用环境,实现更准确的寿命预测。
在另一种可能的实施方式中,所述知识中心模块130包括:资产履历管理单元、功能构型管理单元和维修资料管理单元。
所述资产履历管理单元,用于对所述作业数据、所述故障数据和所述轨道交通列车的多源***数据进行集成,生成所述轨道交通列车在全生命周期的整合数据;并基于所述整合数据构建所述轨道交通列车的可视化车辆数字孪生***;其中,所述多源***数据包括MES制造执行***中的配置数据、EAM资产管理***中的运用数据以及PLM产品生命周期管理***中的设计数据。
这里,资产履历管理单元了采用定制的轻量级关系型数据库,集成管理来自不同***的列车全生命周期的静态、动态、事件数据。示例性的,静态数据如产品结构图等,动态数据如实时状态监测等,事件数据如故障报警事件等。并支持可视化将数据组织为车辆数字孪生,进行多维动态管理和查询。
所述功能构型管理单元,用于根据所述轨道交通列车中各设备的功能组成以及功能之间的关联关系建立所述轨道交通列车的功能构型模型。
这里,功能构型是指轨道交通列车***中设备的功能组成和功能相互关系。功能构型管理单元根据轨道交通列车中各设备的功能组成以及功能之间的关联关系可建立标准化的功能构型模型,以明确***和设备的功能组成以及这些功能之间的联系,从而支持后续的智能分析和维护。示例性的,一个设备的功能构型可以包括传感功能、执行功能、控制功能等,这些功能之间有输入输出关系;一个设备的功能与另一个设备的功能之间也存在输入输出关系。通过建立功能构型模型,可以分析设备内部及设备之间的相互影响,比如当设备的某一功能故障时,会影响哪些其他功能。
在具体实现时,所述功能构型模型可采用图数据库管理,能够快速响应复杂关联查询,从而实现功能及关系的智能推理和快速遍历查询。
所述维修资料管理单元,用于使用自然语言处理技术,基于所述整合数据和所述功能构型模型形成检修知识。维修资料管理单元整合自然语言处理技术,支持词向量表示的文档内容相似度比对,实现检修知识的精准搜索和推荐。
需要说明的是,检修管理模块120中的故障库侧重故障诊断与处理,知识中心模块130中的检修知识侧重设备技术原理与维修方法,两者相互补充,可共同提升检修管理的知识支撑能力。
进一步的,所述知识中心模块130还包括:培训中心管理单元;所述培训中心管理单元用于:
利用数字孪生技术和所述作业数据,通过仿真软件将所述轨道交通列车的检修现场环境进行数字化重构;将所述故障数据中的故障检修案例转换为数字化重构场景下的虚拟仿真案例;根据用户在所述数字化重构场景下的所述虚拟仿真案例中执行的检修操作,对所述用户进行检修培训。
培训中心管理单元通过仿真软件将实际现场环境数字化重构,以案例形式进行虚拟仿真演练;采用先进的自适应学习路径算法,根据用户的检修操作确定学习效果,并据此智能推荐培训内容。
本申请实施例提供的一种轨道交通车辆的检修管理***,通过车载设备的布置和高速无线传输网络的构建,可对车辆状态和环境进行全面监测,获取车辆全生命周期运行数据,为车辆状态评估和故障预测提供数据支撑;应用功能构型管理、资产履历管理等技术手段,可深入挖掘数据价值,科学评估车辆健康状态,实现故障的预测化维护;***智能算法可自动诊断故障,快速定位根因,生成维修方案,指导现场作业,缩短维修周期,提升维修质量。***物联感知技术减少了人工作业量,AR/VR等数字化手段降低了对专家经验的依赖,实现维修作业智能化。部件精准管理解决了备件追溯难题,车辆数字孪生技术实现了全寿命精准辅助决策。培训考核***提高技术技能传承,全面提升了***的智能决策水平。
综上所述,本申请实施例整合物联网、移动互联、云计算、大数据分析等技术,构建了车辆运维管理新模式,实现了车辆状态全生命周期数据的持续采集、传输、存储、分析应用,大幅提升了***的智能决策和辅助维护能力,达到车辆状态精准预测、故障精准定位、维修精准实施的效果。
请参阅图2,图2为本申请实施例所提供的一种轨道交通车辆的检修管理方法的流程图。所述方法应用于如上述的一种轨道交通车辆的检修管理***;所述检修管理***包括:作业管理模块、检修管理模块和知识中心模块;如图2中所示,所述检修管理方法包括:
S201、所述作业管理模块采集轨道交通列车的车辆运行数据,根据所述车辆运行数据制定检修计划,并对所述检修计划的执行过程进行调度。
S202、所述检修管理模块根据预先构建的故障知识库和所述知识中心模块中积累的检修知识,对所述轨道交通列车进行故障诊断和维修管理。
S203、所述知识中心模块根据所述作业管理模块中的作业数据、所述检修管理模块中的故障数据以及所述轨道交通列车的多源***数据积累检修知识,并根据所述检修知识指导所述作业管理模块中的作业流程优化以及所述检修管理模块中的故障检修。
基于同一发明构思,检修管理方法的具体实现方式可参见***实施例,在此不再赘述。
请参阅图3,图3为本申请实施例所提供的一种电子设备的结构示意图。如图3中所示,所述电子设备300包括处理器310、存储器320和总线330。
所述存储器320存储有所述处理器310可执行的机器可读指令,当电子设备300运行时,所述处理器310与所述存储器320之间通过总线330通信,所述机器可读指令被所述处理器310执行时,可以执行如上述图2所示方法实施例中的一种轨道交通车辆的检修管理方法的步骤,具体实现方式可参见方法实施例,在此不再赘述。
本申请实施例还提供一种计算机可读存储介质,该计算机可读存储介质上存储有计算机程序,该计算机程序被处理器运行时可以执行如上述图2所示方法实施例中的一种轨道交通车辆的检修管理方法的步骤,具体实现方式可参见方法实施例,在此不再赘述。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的***、装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的几个实施例中,应该理解到,所揭露的***、装置和方法,可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,又例如,多个单元或组件可以结合或者可以集成到另一个***,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个处理器可执行的非易失的计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(Read-OnlyMemory,ROM)、随机存取存储器(Random Access Memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是:以上所述实施例,仅为本申请的具体实施方式,用以说明本申请的技术方案,而非对其限制,本申请的保护范围并不局限于此,尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化,或者对其中部分技术特征进行等同替换;而这些修改、变化或者替换,并不使相应技术方案的本质脱离本申请实施例技术方案的精神和范围,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种轨道交通车辆的检修管理***,其特征在于,所述检修管理***包括:作业管理模块、检修管理模块和知识中心模块;
所述作业管理模块,用于采集轨道交通列车的车辆运行数据,根据所述车辆运行数据制定检修计划,并对所述检修计划的执行过程进行调度;
所述检修管理模块,用于根据预先构建的故障知识库和所述知识中心模块中积累的检修知识,基于所述车辆运行数据对所述轨道交通列车进行故障诊断和维修管理;
所述知识中心模块,用于根据所述作业管理模块中的作业数据、所述检修管理模块中的故障数据以及所述轨道交通列车的多源***数据积累检修知识,并根据所述检修知识指导所述作业管理模块中的作业流程优化以及所述检修管理模块中的故障检修。
2.根据权利要求1所述的***,其特征在于,所述作业管理模块包括:检修计划管理单元、生产调度指挥单元和智能数据接入单元;
所述智能数据接入单元,用于搭建所述轨道交通列车的车地通信***,并通过所述车地通信***采集所述车辆运行数据;其中,所述车地通信***包括:物联网感知层、网络层和应用层;所述物联网感知层包括所述轨道交通列车的车载采集终端;所述网络层包括基于第五代移动通信技术和车载SDN的车地通信网络;所述应用层为地面应用服务器;
所述检修计划管理单元,用于根据所述车辆运行数据构建车辆修程模型;对所述车辆修程模型,按照预先设定的约束条件进行多目标优化,得到不同层级的检修计划;以及根据所述检修计划生成检修工单,并在所述检修工单中记录各检修要素的实时数据;所述检修要素包括以下各项中的至少一项:员工、设备和物料;
所述生产调度指挥单元,用于基于所述检修工单中各检修要素的实时数据生成作业调度指令,以对所述检修计划的执行过程进行调度。
3.根据权利要求2所述的***,其特征在于,所述检修工单所指示的检修流程中包括多个关键节点;每个关键节点与所述轨道交通列车执行所述检修计划时所在车间中的位置点对应;每个位置点安装有RFID读写器;所述车间中的员工、设备及物料被绑定有RFID标签;
所述检修计划管理单元在用于在所述检修工单中记录各检修要素的实时数据时,所述检修计划管理单元用于:
接收由RFID读写器通过识别RFID标签生成的检修要素的实时数据;
根据RFID读写器的标识确定所述实时数据在所述检修工单中对应的目标关键节点;
将所述检修工单的检修进度更新为所述目标关键节点,并在所述目标关键节点记录各检修要素的实时数据。
4.根据权利要求3所述的***,其特征在于,所述生产调度指挥单元在用于基于所述检修工单中各检修要素的实时数据生成作业调度指令,以对所述检修计划的执行过程进行调度时,所述生产调度指挥单元用于:
构建所述车间的虚拟车间数字孪生***;
结合所述虚拟车间数字孪生***和各检修要素的实时数据,生成三维可视化虚拟车间检修场景;
根据预先设置的检修作业约束条件和各检修要素的实时数据进行联合计算,生成检修作业排程方案;
根据所述检修作业排程方案中当前时刻对应的作业调度指令,以通过所述轨道交通列车的底层执行***对所述检修计划的执行过程进行调度。
5.根据权利要求1所述的***,其特征在于,所述知识中心模块包括:资产履历管理单元、功能构型管理单元和维修资料管理单元;
所述资产履历管理单元,用于对所述作业数据、所述故障数据和所述轨道交通列车的多源***数据进行集成,生成所述轨道交通列车在全生命周期的整合数据;并基于所述整合数据构建所述轨道交通列车的可视化车辆数字孪生***;其中,所述多源***数据包括MES制造执行***中的配置数据、EAM资产管理***中的运用数据以及PLM产品生命周期管理***中的设计数据;
所述功能构型管理单元,用于根据所述轨道交通列车中各设备的功能组成以及功能之间的关联关系建立所述轨道交通列车的功能构型模型;所述功能构型模型采用图数据库管理,实现智能推理和遍历查询;
所述维修资料管理单元,用于使用自然语言处理技术,基于所述整合数据和所述功能构型模型形成检修知识。
6.根据权利要求5所述的***,其特征在于,所述知识中心模块还包括:培训中心管理单元;所述培训中心管理单元用于:
利用数字孪生技术和所述作业数据,通过仿真软件将所述轨道交通列车的检修现场环境进行数字化重构;
将所述故障数据中的故障检修案例转换为数字化重构场景下的虚拟仿真案例;
根据用户在所述数字化重构场景下的所述虚拟仿真案例中执行的检修操作,对所述用户进行检修培训。
7.根据权利要求1所述的***,其特征在于,所述检修管理模块包括:故障管理单元、物资管理单元、过程管理单元和部件管理单元;
所述故障管理单元,用于采用预先训练好的神经网络模型对所述车辆运行数据进行故障诊断和故障预警;以及接收用户输入的故障描述信息,通过自然语言处理技术,从所述故障知识库和检修知识中查询故障类型和故障检修措施;
所述物资管理单元,用于结合RFID技术、图像识别技术和无人仓储技术实现物料出入库管理;以及根据所述检修计划预测物料需求,并根据所述物料需求创建物料配送任务;
所述过程管理单元,用于基于AR和VR技术,根据标准检修作业流程和质检标准,生成故障检修过程指导;以及通过比较故障检修过程中的检修数据,对所述故障检修过程进行质检;
所述部件管理单元,用于采用区块链技术,构建去中心化的部件数据分布式记账***;以及使用物理仿真和数字孪生技术,构建部件的仿真使用环境,预测部件的使用寿命。
8.一种轨道交通车辆的检修管理方法,其特征在于,所述方法应用于如权利要求1-7任一项所述的一种轨道交通车辆的检修管理***;所述检修管理***包括:作业管理模块、检修管理模块和知识中心模块;所述方法包括:
所述作业管理模块采集轨道交通列车的车辆运行数据,根据所述车辆运行数据制定检修计划,并对所述检修计划的执行过程进行调度;
所述检修管理模块根据预先构建的故障知识库和所述知识中心模块中积累的检修知识,对所述轨道交通列车进行故障诊断和维修管理;
所述知识中心模块根据所述作业管理模块中的作业数据、所述检修管理模块中的故障数据以及所述轨道交通列车的多源***数据积累检修知识,并根据所述检修知识指导所述作业管理模块中的作业流程优化以及所述检修管理模块中的故障检修。
9.一种电子设备,其特征在于,包括:处理器、存储器和总线,所述存储器存储有所述处理器可执行的机器可读指令,当电子设备运行时,所述处理器与所述存储器之间通过所述总线进行通信,所述机器可读指令被所述处理器运行时执行如权利要求8所述的一种轨道交通车辆的检修管理方法的步骤。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器运行时执行如权利要求8所述的一种轨道交通车辆的检修管理方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311653357.5A CN117764550A (zh) | 2023-12-05 | 2023-12-05 | 一种轨道交通车辆的检修管理***及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311653357.5A CN117764550A (zh) | 2023-12-05 | 2023-12-05 | 一种轨道交通车辆的检修管理***及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117764550A true CN117764550A (zh) | 2024-03-26 |
Family
ID=90317143
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311653357.5A Pending CN117764550A (zh) | 2023-12-05 | 2023-12-05 | 一种轨道交通车辆的检修管理***及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117764550A (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110046718A (zh) * | 2019-03-18 | 2019-07-23 | 中铁第四勘察设计院集团有限公司 | 一种基于bim和rfid的智能运维平台 |
CN115438726A (zh) * | 2022-08-24 | 2022-12-06 | 南京熊猫电子股份有限公司 | 一种基于数字孪生技术的设备寿命与故障类型预测方法及*** |
CN115829270A (zh) * | 2022-12-08 | 2023-03-21 | 中车长江运输设备集团有限公司 | 一种铁路货车智能运维*** |
CN115936044A (zh) * | 2022-12-30 | 2023-04-07 | 徐闻聚丰食品有限公司 | 物品跟踪方法、装置、计算机设备和存储介质 |
CN116307570A (zh) * | 2023-03-14 | 2023-06-23 | 北京市地铁运营有限公司技术创新研究院分公司 | 一种基于区块链技术的地铁车辆电子履历*** |
CN116300704A (zh) * | 2022-12-02 | 2023-06-23 | 中国钢研科技集团有限公司 | 一种支持虚拟调试的工艺岛设计方法 |
-
2023
- 2023-12-05 CN CN202311653357.5A patent/CN117764550A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110046718A (zh) * | 2019-03-18 | 2019-07-23 | 中铁第四勘察设计院集团有限公司 | 一种基于bim和rfid的智能运维平台 |
CN115438726A (zh) * | 2022-08-24 | 2022-12-06 | 南京熊猫电子股份有限公司 | 一种基于数字孪生技术的设备寿命与故障类型预测方法及*** |
CN116300704A (zh) * | 2022-12-02 | 2023-06-23 | 中国钢研科技集团有限公司 | 一种支持虚拟调试的工艺岛设计方法 |
CN115829270A (zh) * | 2022-12-08 | 2023-03-21 | 中车长江运输设备集团有限公司 | 一种铁路货车智能运维*** |
CN115936044A (zh) * | 2022-12-30 | 2023-04-07 | 徐闻聚丰食品有限公司 | 物品跟踪方法、装置、计算机设备和存储介质 |
CN116307570A (zh) * | 2023-03-14 | 2023-06-23 | 北京市地铁运营有限公司技术创新研究院分公司 | 一种基于区块链技术的地铁车辆电子履历*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Tiddens et al. | Exploring predictive maintenance applications in industry | |
CN110633855A (zh) | 一种桥梁健康状态检测与管养决策***及方法 | |
Chebel-Morello et al. | From prognostics and health systems management to predictive maintenance 2: knowledge, reliability and decision | |
Buldakova et al. | Assessment of the state of production system components for digital twins technology | |
Montero Jiménez et al. | An ontology model for maintenance strategy selection and assessment | |
Brahimi et al. | Development of a prognostics and health management system for the railway infrastructure—Review and methodology | |
Bhanji et al. | Advanced enterprise asset management systems: Improve predictive maintenance and asset performance by leveraging Industry 4.0 and the Internet of Things (IoT) | |
Kang et al. | A method of online anomaly perception and failure prediction for high-speed automatic train protection system | |
Yıldız et al. | Integrating preventive and predictive maintenance policies with system dynamics: A decision table approach | |
Aravind et al. | Machine Learning Applications in Predictive Maintenance for Vehicles: Case Studies | |
Kohli | Using machine learning algorithms on data residing in SAP ERP application to predict equipment failures | |
Embia et al. | Reliability Prediction Using Machine Learning Approach | |
Talamo et al. | Industry 4.0 for failure information management within proactive maintenance | |
Bond et al. | A hybrid learning approach to prognostics and health management applied to military ground vehicles using time-series and maintenance event data | |
CN117764550A (zh) | 一种轨道交通车辆的检修管理***及方法 | |
Alifah et al. | Smart monitoring of rice logistic employing internet of things network | |
Lin et al. | Design and implementation of a CPS‐based predictive maintenance and automated management platform | |
Mishra et al. | Machine Learning Supported Next-Maintenance Prediction for Industrial Vehicles. | |
Martins et al. | Predictive Maintenance of Mining Machines Applying Advanced Data Analysis | |
Sølvsberg | Extending Statistical Process Control using quantitative methods in Industry 4.0 approaches | |
De Freitas et al. | Data-Driven Methodology for Predictive Maintenance of Commercial Vehicle Turbochargers | |
Zhu et al. | Optoelectronic sensor fault detection based predictive maintenance smart industry 4.0 using machine learning techniques | |
Wieczorek | Assessment of Usefulness of CMMS Class System for Industry 4.0 Enterprise | |
CN118011990B (zh) | 基于人工智能的工业数据品质监控与提升*** | |
Kopuru | A machine learning framework for prediction of diagnostic trouble codes in automobiles |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |