摘 要：随着我国高速公路的不断发展，交通基础设施建设迎来了高峰期。本文分析了现有交通机电设施运维手段存在的瓶颈问题，研究了人工智能技术在交通机电设施的智能感知、智能诊断、自动预警等业务场景的应用技术，提出了基于预防性养护机制的资产管理系统，并进行了功能设计，为有效、合理地监控管理种类繁杂又数量庞大的交通设施提供了有效的途径。
关键词：机电设施;预防性养护;人工智能;资产管理系统;
基金：江苏省交通工程建设局科技项目《高速公路超长超宽水下隧道营运安全与节能提效技术研究》;
在交通行业中，交通机电设施发挥着交通行业信息发布、数据交换、保障安全等重要作用，健壮完备的机电系统，是智能交通的支撑，是交通得以正常使用、安全运营的重要保障。因此，对于设备安全的管理对于交通正常运行极为重要。随着国家明确提出要大力发展智能交通，构建泛在先进的交通信息基础设施，高速公路迎来了大规模的快速建设期，机电设施也将数据量剧增，意味着需要投入大量的人力、财力和物力来进行运维养护工作。
与此同时，国内外优秀的公路机电系统技术正在朝着全寿命周期的方向发展，从计划、设计、建设、运维、检修直至更换的全过程管理理念，也提升了设备的养护管理效率。计算机网络技术水平也在不断地提高，基于网络技术的智能化管理系统能够实时获取智能交通设备的运行状态、数据信息，大大提高了设备的管理自动化水平，但是对于庞大的数据信息，仍然面临较多的应用问题。
在现阶段，人工智能技术已在多个运维领域被广泛的应用。人工智能大数据分析技术可以通过对大量非结构化或结构化数据进行分析，利用算法探索数据间的未知联系和隐藏信息，从而帮助决策和判断。通过人工智能技术，可支撑交通设施海量及瞬时数据的分析处理、预警信息的有效研究和分析等。人工智能与资产管理的结合为交通设施的管理养护提供了全新的思路，可以有效地提升交通设施的运维管理及养护水平。
传统的交通机电系统养护主要通过工作人员对机电设施技术参数进行检查、对机电设施使用现状及功能状况进行检查测试以及抽测部分关键指标来对机电设施进行管理养护。传统交通机电设备管理存在如下问题:
首先，主要依赖于工作人员来实现，工作人员首先需要结合设备情况，来开展数据分析工作，一般需要借助计算机系统来实现，结合各项数据分析情况，获取监测结果。在应用这种方式的过程中，会消耗大量人力以及财力。同时，人工采集在监测范畴、监测时间等方面将会受到一定局限，还存在时效性不高、工作效率偏低等缺陷。
图1 交通设施维护管理基本模式 下载原图
其次，在进行机电设施能耗监测时，通过数据采集端进行数据采集，利用电子设备进行数据采集监测已逐步代替人工采集的方式，但电力监控系统能够完成对电力设备的监控，关注点只局限于状态数据的采集和存储，功能有限，数据未被有效分析和利用。
第三，机电设施实际安装调测后，不能精确测量设备性能，也无法量化设备性能老化、衰变，更不可实时监测性能变化。普通的检测设备得到的数据也比较单一，通常在工程中无法实现更大范围地监测一些能够判断设备潜在故障的数据，如谐波问题会导致设备过热、继电保护误动作、设备绝缘破坏等;电力网三相不平衡会使得中性线上的电流超过保护定值，电路跳闸，变压器停运;而各种暂态脉冲会破坏交通设施的稳定运行等。
第四，设施维修对于行车安全存在极大风险，在高速公路隧道内发生行车事故所造成的损失会更大，处理更难，中断行车的时间会更长，加大了维护车辆和社会车辆的危险性。隧道设施维修至少占用1个车道，多数情况下，公路的养护维修施工是在不封闭或不完全封闭交通的情况下进行，因此所面临的安全问题比较复杂，随时随地会由于意想不到的原因出现安全问题。
传统的管理方式不能准确的发现设备是否损坏，也不能及时地捕捉到设备的变化，维护起来也比较难，对资金的安排也比较被动，由此设施故障也会对交通造成相应影响。因此，需要建立起基于预防性养护的管理平台，对交通设施能够进行故障诊断和处理，能够对设备故障具有前瞻性和预判性，并通过提前干预的做法，把可能导致影响寿命的风险源排查和清除。
基于预防性养护机制的资产管理系统的目标是有效地对设备进行预防性养护，通过采集到更为精细的数据，并对数据采集单元上传的实时数据进行充分的处理和挖掘，实现故障的精准预判及故障的定位、诊断和处理。对于故障率较高的设备可以有效安排维修资金，有针对性地增加防护设备，最终减少设备故障，提高设备安全，同时相应地减少设备故障对交通的干扰。
基于预防性养护机制的资产管理系统主要包含数据感知、数据分析、故障及性能分析、养护优化四个部分。
图2 资产安全管理系统框架 下载原图
数据感知可通过物联网技术中的传感技术和基于人工智能的数据采集技术，集成高速公路中的大量交通机电系统，实现机电设备的相互交互，及时、全面、精确的采集机电系统数据。
建立标准数据协议平台，将采集完成的数据进行数据汇聚与共享。首先将高速公路机电系统、智能终端等采集的海量数据进行汇聚与备份，对设备故障数据、电力电能数据、状态数据进行统计分析，分析机电设施性能衰变规律。
通过上述分析，形成故障及性能诊断系统。根据设备当前数据信息与性能数据的对比，达到提前判断设备故障及性能状态。
经过资产管理系统处理的实时数据，根据需求导向和特定的管理权限，为高速公路管理者提供道路建设、运营、养护等服务，实现高速公路建设管理养护的一体化机制，为管理者提供决策分析。如为高速公路关联单位如高速公路救援部门、高速公路业主及其它关联单位提供关联数据交互共享，实现信息、资源、业务和管理决策的协同，使高速公路管理的效率得到极大的提高。
资产管理系统通过海量瞬态综合数据分析及处理技术、设备故障诊断及性能衰变分析技术对设备性能状态进行分析。
图3 系统软件架构 下载原图
采集数据范围包含系统设备状态数据、机电设备电源数据和网络数据三类。主要采用网络通信、传感器等技术。数据类型包含了电能质量数据、设备状态参数等。
基于用能设施状态及电能质量监测得到的海量瞬态数据，由于用能设施的不同，通信传输网络等问题，造成数据中存在着大量的不一致、不准确、重复数据，噪声数据，异常、空缺数据等。将通过数据清洗、集成、变换等手段，填补遗漏数据、消除异常数据、平滑噪声数据，纠正不一致数据等，采用机器学习手段，完成对海量数据的预处理。
对已完成预处理的不同设备不同种类的数据，通过数据组合、数据整合和数据聚合三个手段，由低到高逐步实现数据之间的融合。下层通过把基础数据平台的同类数据进行组合，能够全貌设备特征。数据整合的数据属性没有改变，如用能设备，有电压、电流、电能质量等电能监测数据。中层数据整合有多方数据共同存在体现价值。如用能设备运行状态，是通过该设备本身产生的业务数据、该设备电能使用数据与设备前后关键节点电能变化数据共同判断设备运行状态。顶层数据聚合是由多元数据共同孵化出新的数据结构模式。
资产管理系统可以采用相似学模型对交通机电设施进行海量瞬态综合数据分析和设备性能衰变规律分析。相似性建模(similarity-based modeling，简称SBM)是非参数回归的一种特殊形式，是一种预测建模解决方案。
SBM模型训练是一种非迭代单通道操作，涉及单个矩阵乘法和反演。模型矩阵D表示从历史数据中选择的参考行为的整个动态范围，每个设备都会有各自的参考数据。使用Smart Signal专有的自动矢量选择方法构建D。向量选择算法能够通过成千上万的观察向量快速分类来构建此状态矩阵D(即模型)。与初始模型训练过程一样，模拟再训练是一个快速简单的过程，只需几分钟的时间就能完成。对于新的操作条件的再训练涉及通过用于创建初始模型的相同向量选择算法将新的训练向量从新的操作范围简单地包括到D矩阵中。SBM模型提供了自然系统的基本保真度。SBM专门设计用于现实设备中遇到的数据分析和诊断问题。
图4 SBM模型 下载原图
采用相似学模型预测分析技术，可对数据进行实时分析。基于大数据的设备建模被划分成了多个逻辑模块，每个模块包含互相关联的和进行预测所需要的参数。根据每个模块，可以预测性地判断设备性能降低的主要因素，并根据相应的设备组件定位故障。预测性诊断根据多个采集系统提供的数据，利用历史数据训练的模型，按照现行工况预测当前状态，并形成动态的报警限值，即使设备没有发生故障，仍然可以判断出设备的异常，从而可以在故障早期报警，及时进行维修维护，避免设备的不可逆损伤或意外停机。资产管理系统依据采集到的数据建立高次谐波、脉冲和浪涌信号的对设备的健康性、稳定性、以及对寿命影响的诊断模型、建立交通设施寿命周期性的诊断模型。
同时，可建立专家系统和诊断机制，完成机电设施故障知识的获取、推理和知识库的维护工作，通过神经网络、随机森林等大数据挖掘技术等方法，感知机电设施的工作状态和健康状态，推断设备损耗周期与性能衰变规律，提供决策数据支撑。当进行故障诊断和预判时，可将与逻辑推理知识库中相匹配的故障征兆参数送入逻辑推理机中进行求解，不相匹配的故障征兆参数可转化为数据分析的输入样本，由直觉推理机进行推理求解，从而充分发挥神经网络和诊断系统的各自优势，使整个故障诊断和预判机制高效可靠的运行。如研判设备性能衰变，通过不同设备数据与关键节点数据的关联关系，结合设备运行状态分析，研判设备健康状态。
资产管理系统由数据采集层、通信网络层、软件处理层和平台控制层构成，资产管理系统对设备的健康状况、事件、优先级做出分析和判断，并将分析结果输入设备资产管理系统，为设备管理以及预防性养护措施提供指导性依据。
数据采集层负责采集监控系统、通信系统、照明系统、通风系统、供配电系统、消防系统等交通机电设施数据;通信网络层主要包含交换等设备，负责数据的传输;软件处理层负责对数据的处理及分析，建立起研判机制;平台控制层实现人机交互。
数据方面，建立静态数据库和动态数据库。静态数据库主要存储相对稳定的参数或数据，如交通机电设施的额定电压、电流、功率等，该部分参数一旦设定后不会频繁变动。动态数据库存放诊断系统运行过程中由数据采集和处理单元实时采集到的动态参数，如动态时刻某交通机电设施的电压、电流、谐波、运行状态等值，主要数据感知类型如下图所示。
图5 资产管理平台架构 下载原图
图6 数据感知类型 下载原图
资产管理系统实现机电设施基础数据及运行数据的采集、存储、处理、分析及可视化。根据用户需求，提供包括设备运行状态、状态评估、性能参数、性能评估、异常预警、故障诊断、指标预测等各种数据服务。
图7 性能状态 下载原图
(1)资产管理系统通过故障诊断及预判机制对这些运行参数以及周边环境参数进行收集、分析和处理后，精准地呈现出各电气设备以及整个供电网络所处的运行状态，对已经发生的故障做出快速诊断和定位，并对今后一段时期内的运行趋势和即将发生的故障做出精准预判。
(2)系统根据事先设定好的权限向运维人员发出故障预警、执行或下发多种指令来确保在事故发生前消除故障隐患，最大限度地避免设备在运行过程中发生故障，达到提前防范的目的。实现途径包括通过采集电压、电流等实时数据，判断设备健康状态;建立冲击数据对设备损坏的概率诊断模型，建立比对数据库;建立整体的运行曲线，从正常运行的曲线上来分析设备是否损坏。
针对历史分析，对冲击等电能质量问题引起的大规模设备故障，对电力电能进行针对性优化，对冲击线路加入电能质量设备，减少冲击对设备上下游设备损害，减少设备故障率。研究养护标准规范，根据标准制定相应的养护策略和方案。根据历史故障率对养护预算进行数据支撑，并减少对设备维修所造成的运营成本，降低由于封路造成的交通事故发生概率，保障公众生命财产安全。
资产管理系统以预防性养护机制为基础，利用数据清洗、模型算法、神经网络等人工智能技术，能够对海量的机电设施多元数据进行分析，从而得出其性能规律及故障信息，为运营管理提供有效的优化养护依据，解决了交通行业设备管理体系运营成本高、管理粗放、智能化水平低、设备故障高等问题，实现了对资产系统化、动态化的统筹管理，提高设备安全，同时提升了资产管理的精细化水平的目标。
[1] 王维，陈志华．基于人工智能的智能交通设备运维管理平台设计．第十三届中国智能交通年会大会论文集．北京:电子工业出版社，2018:602-610．
[2] 司佳．面向工业大数据的智能故障诊断方法研究．济南:山东大学，2018．
[3] 马静，陈忱，韦卫．面向大数据的公路机电设施运行监测研究．中国交通信息化，2019,(09):102-104．
[4] 邓筑鑫．预测性维修分析系统在露天煤矿设备上的应用．电脑编程技巧与维护，2017,(21):90-94．
[5] 张国兴，刘惠姣，郭亚宁．配电网故障诊断及预判系统．农村电气化，2018,(10):52-54．
[6] 陈煌，万凯，孙逊，王哲．配电网故障诊断及预判系统研究．自动化应用，2018,(12):80-82．
[7] 蒋义新．公共建筑能耗监测系统在建筑节能管理中的应用研究．智能城市，2018,(15):16-17．
[8] 李虎程．基于深度学习的自然场景下道路交通标志检测．石家庄．石家庄铁道大学，2019.
联系客服
