在汽车工厂传统设备运维管理模式的实践过程中，面临着多方面的挑战。

运维效率低下是其中的一个主要问题。在传统的设备运维管理中，人工巡检和纸质记录是常见的方式。这种方式不仅耗时耗力，而且数据准确性和实时性都难以保证。当设备出现故障时，可能无法及时发现和处理，从而影响企业的正常运营。

故障预测不准确也是传统设备运维管理面临的一个难题。由于缺乏有效的数据分析和预测工具，企业往往难以准确判断设备的运行状态和潜在故障。这可能导致设备的突发性故障，给企业带来不必要的损失和风险。

资源调度不合理也是传统设备运维管理中存在的一个问题。在没有智能化管理系统支持的情况下，企业很难对运维资源进行科学合理的调度。这可能导致某些区域或设备的运维资源过剩，而其他区域或设备则缺乏必要的关注和维护。

为了应对上述这些挑战，本平台对设备智能运维管理的理论框架和技术方法进行了创新和智能化升级，对设备运维过程中产生的海量数据进行了深度挖掘和分析，有效提取了隐藏在数据中的高价值信息，为设备运维管理的智能化升级提供了有力支持。

1 平台整体架构

平台由基础设施层、数据采集层、数据治理层、核心平台层和应用层五层结构组成，如图1所示。

图 １ 平台整体功能架构示意图

1.基础设施层目标为搭建工业级数字底座，提供支撑系统运行的物理与虚拟资源，构建高可靠、低时延的工业通信网络，并实现工厂物理设备的数字化感知与控制。

2.数据采集层目标为实现多模态工业数据获取，进行车间全要素数据采集与初步处理。

3.数据治理层目标为通过系统化的方法实现工业数据的标准化、质量管控与价值挖掘，将设备运维数据资产化。

4.核心平台层目标为打造高效的智能化引擎，实现可复用的制造智能中枢和工厂全要素的数字映射能力。

5.应用层目标为面向不同角色提供智能化运维服务与工具，是平台创造业务价值的最终出口。

2 基础设施层

基础设施层作为汽车工厂智能运维平台的物理与数字基座，其核心作用是为上层应用提供高可靠、高性能、高安全的底层支撑。其主要功能为确定性工业网络构建、设备数字化接入与管控、工业级安全防护等。

1.构建分级、安全的工业通信骨干网：利用工业以太网（如Profinet）连接核心设备，5G切片专网/Wi-Fi6覆盖移动设备（AGV、AR巡检终端），部署TSN（时间敏感网络）保障关键控制指令的实时性，采取工业防火墙、数据加密、设备身份认证等技术进行安全防护。

2.现场设备接入与互联：覆盖生产设备（风机、电机、水泵等）、动力设备（空压机、暖通空调等）、物流设备（AGV、输送带等）、检测设备（视觉检测仪、传感器等）等。部署工业传感器（振动、温度、压力）、PLC、CNC控制器、RFID标签等数据采集终端。

3.部署边缘计算节点，搭建边缘智能载体：实现实时协议转换（OPCUA、Modbus、Profinet等）、数据预处理（滤波、降噪等）、设备状态实时监控、故障阈值本地预警（如电机的电流、电压、振动、温度等）、设备控制指令下发（远程启停、参数调整等）。

3 数据采集层

数据采集层作为汽车工厂智能运维平台的感知神经末梢，其核心作用在于实现工业现场多源异构数据的全面、精准、高效采集与初步价值提取。其主要功能为全要素数据获取、边缘级数据预处理和数据质量保障。

数据采集层的功能主要依托于九院IoT物联网平台（边缘数采平台）实现。现场设备通过各种协议（OPCUA、Modbus等）与九院IoT平台连接，进行数据的上传及接收。九院IoT平台对采集上来的数据进行管理（如数据转换、数据存储、数据分发等），并作为组态页面的数据支撑使得数据实现可视化，进行设备状态的实时监控。九院IoT平台提供资产模型的配置功能，将采集的数据与车间资产进行关联，为其他业务应用提供调用的接口。

通过九院IoT物联网平台，实现设备的数据采集及管控应用。

1.多模态数据覆盖：采集设备状态（振动、温度等）、工艺参数（焊接电流、电压等）、环境数据（温湿度、压力等）等全维度数据，形成智能运维平台的数据基底。支持设备时序数据每秒千万点高并发写入和百万级读取。

2.工业协议统一化：提供标准化设备数据接入流程，提供广泛的设备协议接入能力，支持OPC、Modbus等1000种以上的三方驱动协议，支持西门子、ABB、欧姆龙、三菱等主流驱动，打破设备厂商数据孤岛；将异构数据统一为结构化数据流，支持MQTT、API、WebService、消息队列、FTP文件等多种业务数据集成方式，便于信息分发到上层进行消费。

3.数据降噪与压缩：小波变换去除振动信号噪声（信噪比提升20dB+）；根据业务规则灵活定义实时数据计算和转换方式；多节点多副本高可靠存储，最高1:20压缩比的高性价比存储。

4.在线数据验证：基于ISO13374-1标准，进行范围校验（量程评估）、突变检测（5σ原则过滤异常值）、连续性检查（时间戳乱序修复），并确保数据在传输过程中不被篡改或损坏。

4 数据治理层

数据治理层是汽车工厂智能运维平台的数据中枢，其核心作用在于将原始工业数据转化为可信、可用、可追溯的高价值数据资产，为上层分析和决策提供坚实基础。

数据治理层通过标准化、自动化质量检测和特征工程，使AI模型训练数据准备时间缩短80%以上，模型准确率提升10%~15%。

标准化通过将来自PLC（设备参数）、MES（工单信息）、SCADA（过程数据）等系统的异构数据统一为JSON或Parquet格式，实现多源数据统一建模，建立符合ISO 8000标准定义的全域数据模型（设备、工艺、质量等数据的元模型）。通过知识图谱（Neo4j）建立设备-传感器-工艺参数的关联。

利用实时自动化质量检测规则引擎对数据质量进行全生命周期管理，参考ISO13374-1标准对数据进行完整性校验，参考ISO10816振动标准进行数据准确性验证，参考IATF 16949标准进行数据一致性检查。

利用线性插值修复短时缺失数据，进行数据补全，长时间缺失触发设备检查工单。针对数据异常，采用隔离森林算法标记可疑数据，人工复核后反馈至模型训练。

进行自动化特征提取，其中时域特征主要根据项目具体情况提取均值、峰值、峰峰值、均方根值（RMS）、波形指标、脉冲指标、峭度等47种特征中的关键特征，频域特征主要提取基频幅值、谐波总量、主频带能量、边频带能量等特征，时频域特征主要提取STFT能量熵、小波包节点能量比等特征，如图2所示。

图２ 自动化特征提取流程示意图

5 核心平台层

核心平台层是汽车工厂智能运维平台的智能中枢，负责将底层数据转化为可执行的业务服务模型，并为上层应用提供AI、数字孪生等关键技术支撑。

5.1 AI平台

平台定位为一款集机器学习建模和实时算法调度于一体的算法开发/运行平台，集成新一代人工智能算法，支持界面化操作，支持算法全生命周期管理，具备模块化、可视化、低代码、可拖拽等特点，易于工业模型的快速研发沉淀和智能化运维业务应用的集成搭建。

平台内置通用算法库，提供机器学习、深度学习、数理统计、数据压缩等算法；支持开展工业模型训练，包括超参数设置、策略搜索、模型压缩与加速、超参数优化等；支持开展模型测试与评估，具备模型结构测试、参数测试、集成测试、模型性能评估、模型准确性评估、阈值设置评估等能力；支持模型部署容器管理，具备模型热部署、在线编译、在线更新、模型调参和环境配置等能力，如图3所示。

图３ AI平台模型训练与模型评估功能示意图

利用AI平台，可以定制化开发并内嵌适用于工业智能运维领域的模型库，如应用于设备的异常检测、故障诊断和健康管理等功能的专业模型。

1.异常检测相关模型：针对稳态工况下的阈值报警，遵循ISO10816-3标准，采用3σ原则和EWMA控制图制定前期阈值设置标准值，辅助在线递归最小二乘法（RLS）动态更新阈值；针对多变量耦合条件下的未知突发异常，采用隔离森林（Isolation Forest）和One-Class SVM进行检测；利用LSTM-AE和GAN进行时序数据中的复杂模式识别。

2.故障诊断相关模型：通过1D-CNN和Attention机制对原始振动信号进行处理；利用随机森林和SHAP解释包量化分析故障类型中的各特征值的影响权重贡献度；利用物理模型和ResNet迁移学习进行小样本数据下的故障诊断。

3.健康管理模型：基于ISO13374标准计算设备健康指数（HI），对设备运行状态进行评估；采用Weibull分布预测剩余使用寿命（RUL）。

在AI平台的技术支撑下，一个成熟的智能运维平台可以达到异常检测响应时间≤200ms，故障诊断准确率≥80%，健康管理预测误差<7天。

5.2 数字孪生平台

利用该平台，构建工厂-车间-产线-设备-部件-组件层级的3D场景，将设备的数据资产、实时状态、历史统计和智能分析决策进行透明化呈现和具象化表达。

平台使用Unreal Engine5引擎，进行1:1三维模型高精度建模，并通过实时数据驱动，将物理世界真实数据映射到虚拟设备，实现与真实世界同步映射的数字孪生展示。

实现模型管理功能，包括不同格式的三维模型导入和模型分层构建。

漫游模式功能的沉浸式体验使用户能够直观地了解汽车工厂的布局、设备分布、生产工艺流程等。

编辑模式功能提供了相关操作工具来创建、修改和优化数字孪生的场景和模型，从而更好地适配和反映实际工厂设备的运行情况。

批注模式功能能够精确地标注出场景中的问题点，如设备故障、工艺参数瓶颈等。这种精确的标注有助于快速定位问题，减少排查时间，提高问题解决效率。标注的信息还可以作为整改措施的重要依据，管理层可以根据标注的问题点和优化建议，结合实际情况，做出更加科学合理的决策。

多模式浏览功能允许用户根据自身的需求和偏好，选择最适合的浏览模式。不同的浏览模式侧重于展示不同的信息维度或层次，从而帮助用户更快地找到所需信息。

多视角浏览功能允许用户从多个角度全方位观察工厂情况，通过切换不同的视角，增强对场景及模型信息的理解深度。

数字孪生平台主体功能示意图如图4所示。

图４ 数字孪生平台主要功能示意图

6 应用层

汽车工厂智能运维平台的应用层是连接技术与业务的最终价值出口，其核心作用在于将底层数据、算法和平台能力转化为可落地的场景化解决方案，直接驱动生产优化、设备运维管理和决策升级。其主要功能维度如下。

6.1 设备资产管理

参照数据治理层的建设方法，利用该功能模块建立设备数据资产模型。数据维度包括设备台账（编号、名称、类型、采购信息、保修信息等），文件管理（使用手册、保养手册、设备图片、文件版本、维修手册等），设备履历（维修信息、保养信息、点巡检信息等），运行数据（设备状态、实时/历史数据等），报警数据（报警记录、报警分类、报警处理规则等），备件消耗（备件领用、备件消耗记录等），如图5所示。

图５ 设备资产管理功能示意图

6.2 设备保养

通过科学的管理和维护策略，确保设备高效、稳定运行，延长设备寿命，降低故障率和运维成本。主要功能包括保养计划管理（自动化排程、任务提醒）和保养任务执行（标准化流程、移动化支持、任务反馈），如图6所示。

图６ 设备保养功能示意图

6.3 设备点巡检

点巡检功能通过标准化、数字化的方式，提高巡检效率和质量，降低人工操作的误差和遗漏。主要功能包括巡检计划管理（任务制定、灵活排程、任务分配），巡检内容标准化（检查清单、操作指引、异常判定）和移动化巡检（移动终端支持、数据实时录入、定位与签到），如图7所示。

图７ 设备点巡检功能示意图

6.4 设备点巡检地图

将点巡检任务与地理信息（GIS）或厂区平面图相结合，以地图的形式直观展示巡检点分布、任务状态、设备位置和巡检路径等信息。通过点巡检地图功能，用户可以更高效地管理巡检任务，优化巡检路线，并实时监控巡检进度和设备状态。主要功能包括地图可视化（厂区平面图、设备位置、状态展示），巡检点管理（点位标注、分类显示、详细信息）和巡检路径规划（最优路径推荐、自定义路径、导航功能），如图8所示。

图８ 设备点巡检地图功能示意图

6.5 故障知识库

通过系统化地收集、整理和存储设备故障相关的知识、经验和解决方案，为企业提供故障诊断、处理和预防的参考依据。该功能类似于一个“故障百科全书”，帮助运维人员快速定位问题、分析原因并采取有效措施，从而提高故障处理效率、减少停机时间、降低维护成本。主要功能包括故障信息收集与存储（故障记录、多源数据整合）和故障分类与标签（故障分类、标签管理、优先级划分、故障诊断与解决方案、诊断树），如图9所示。

图９ 故障知识库功能示意图

6.6 设备维修

通过系统化、数字化的方式管理设备维修的全流程，包括故障报修、维修任务分配、维修执行、结果反馈和数据分析等环节。该功能的目标是提高维修效率、降低维修成本、减少设备停机时间，并确保设备能够快速恢复到正常运行状态。主要功能包括故障报修与工单管理、维修任务分配、维修执行与记录、维修结果反馈与验收，如图10所示。

图10 设备维修功能示意图

6.7 备件管理

对设备维修和维护所需的备件（如零件、耗材、工具等）进行全生命周期的管理。其目标是确保备件的可用性、优化库存水平、降低库存成本，并支持设备维修和维护工作的高效开展。主要功能包括备件档案管理、库存管理、采购管理、领用与归还管理、报废与损耗管理，如图11所示。

图11 备件管理功能示意图

6.8 预测性维护

通过融合工业物联网（IIoT）、人工智能（AI）和领域知识，实现对设备健康状态的主动监测与故障预测。

设备健康状态实时监测-多维度数据采集：实时采集振动、温度、电流、电压、扭矩、转速、油液颗粒度等设备关键参数，构建全息健康画像；显示算法模型评估出的设备健康分数和剩余使用寿命，如图12所示。

图12 设备健康状态实时监测 (健康画像) 功能示意图

故障诊断与预警推送-基于机理模型和大数据模型对设备故障进行提前预测，可自动或手动生成全方位的设备故障诊断报告，并实时进行相关预警信息推送，降低设备维护成本以及非计划性故障停机所造成的生产损失，增强设备管理人员对关键设备的预知与管控能力，如图13所示。

图13 故障诊断与预警推送功能示意图

根因分析与辅助决策-维修建议推荐：构建故障知识图谱，关联历史工单、维修记录、设备拓扑，自动识别根因（如“振动超标→轴承磨损→润滑不足”），并结合维护检修建议算法，给出具体的故障检修决策措施；维修策略优化：基于强化学习（RL）动态调整维护计划，平衡生产计划与设备风险，如针对设备故障给出最优维护时间窗口和相应的备件需求清单。

6.9 可视化协同

平台通过多维度数据融合、交互式界面设计，让设备工程师、生产主管、维修团队等不同角色在统一平台上高效协作，最终提升运维响应速度与决策质量。

平台通过算法模型的决策实现故障定位，利用数字孪生平台将3D数字孪生模型中的异常部件自动标记为高亮（如异常报警的电机轴承部件进行红色闪烁）。

平台内嵌智能看板系统，包括设备健康看板（设备健康度评分、故障评分雷达图、设备报警等信息）、能效监控看板（OEE、MTTR、单台设备能耗等信息）、生产质量看板（缺陷热力图、工艺参数CPK等信息）等，对整个工厂/车间的全局设备信息进行实时统计与分析，如图14所示。

图14 能效监控看板功能示意图

平台提供业务功能的移动端协同，在提供设备维修、设备保养、点巡检作业、设备状态实时查看、备品备件申请与使用记录、设备故障报修的基础功能之外，可以与钉钉/飞书/微信等通信软件集成，将预警信息自动推送至相关人员，并提供快速响应按钮（“确认接收”“申请支援”等），如图15所示。

图15 移动端APP功能示意图

平台集成并支持AR/VR远程协作-利用VR进行虚拟培训，新员工在VR环境中模拟高危操作（如高空电机检修、升降机电机轴承润滑等），操作错误时进行实时提示；利用AR进行设备的智能巡检和远程协作，如图16所示。

图16 AR智能巡检功能示意图

7 平台应用现状与效果

汽车工厂智能运维平台目前已正式在九院实施的多个汽车工厂项目中投产使用。平台上线后，工厂的智能化水平、整体生产运维效率和经济效益都得到显著提升，统计的详细量化指标见表1。

表1 智能运维平台实施效果量化指标

以某工厂（涵盖冲、焊、涂、总、电池电驱五大车间）为例，车间预计每天可降低计划外停台15min以上，降低损失约500万元（15min×1333元/min×250天），同时节约电机、机器人等备件库存30%以上。

8 结论

随着工业4.0和智能制造的快速发展，汽车工厂智能运维平台已成为提升生产效率、降低运维成本、保障设备可靠性的关键技术。结合企业的实际应用案例，也已验证了智能运维平台在汽车行业的显著作用。

汽车工厂智能运维平台已从概念验证阶段迈入规模化应用阶段，其核心价值不仅体现在降本增效，更在于推动制造业从“被动维修”到“预测性运维”、从“经验决策”到“数据驱动”的范式转变。未来，随着与AI、5G、数字孪生等技术的深度融合，智能运维将成为汽车智能制造的核心支柱，助力汽车行业实现“零意外停机”（Zero Unplanned Downtime）的终极目标。

作者：机械工业第九设计研究院股份有限公司 贾浩鑫 杨浩 赵锐 项涛 赵中山 秦鹏