随着信息化的发展，设备健康管理（EHM， Equipment Health Management）已经成为当今时代 的潮流，通过整合设备管理规章制度和业务流程，紧 密结合状态监测、维修、使用和环境等信息，对涉 及设备健康的因素进行全过程控制，对维修活动进 行计划和优化 [1]。EHM 使得设备在实际工作时保持 更好的工作状态，在降低维修成本的同时提高工作 效率，因此越来越受到各类相关企业的重视。
前 人 在 该 领 域 做 了 很 多 尝 试， 例 如， 故 障预 测 与 健 康 管 理（PHM，Prognostics and health management）[2] 技术最早是美国等国家针对复杂军 事装备研究的健康管理方案 ；廖可通过数据分析排 查机务设备规律性故障 [3] ；李航等人针对航空发电机 的健康管理，提出了基于航空发电机参数设计航空 发电机健康预测模型的方法 [4] ；周奇才等人针对机械 设备的健康管理，提出了基于深度学习方法的预测 模型 [5] ；针对选煤设备的健康管理，胡炜等人提出了 基于设备状态的持续监测和监测数据的分析方法 [6]。
在前人的研究基础上，针对铁路机务设备的健 康管理，本文设计并实现了基于 EHM 理念的铁路机务设备大数据健康管理系统。本系统通过自回归（AR， Autoregressive）模型和支持向量机（SVM，Support Vector Machine）模型对铁路机务设备进行健康趋势 预测和故障预测，结合铁路机务设备工作人员的实 际工作经验和数据源分析结果，制定了铁路机务设 备风险评估等级。
1 系统设计
1.1 系统架构设计
基于 EHM 理念的铁路机务设备大数据健康管理 系统的架构设计如图 1 所示。
（1）数据源 系统的数据源由铁路机务设备的历史运行数据、 维修数据和实时监测数据构成。 铁路机务设备的历史运行数据是设备既有的监 测数据，包括机务设备的初始各项指标值、工作时 长、工作次数、工作环境以及每次工作的各项指标等； 维修数据是设备在损坏时的维修记录，包括损坏时 间、损坏情况、维修方式、维修地点、维修费用等 ； 实时监测数据是设备运行情况下各项指标要素的实 时记录，系统每隔一段时间就会将前一阶段的实时 记录转移到铁路机务设备的历史运行数据库中。
（2）数据传输 系统的数据传输需要在满足文件传输协议（FTP） 的前提下，通过企业服务总线（ESB）和数据网关将 数据存储系统中的源数据抽取、转置、加载到系统中。
（3）数据处理将源数据加载到系统中后，系统会自动对源数 据进行解析、去重、筛选、清洗、合并、分类、转 换等数据预处理，使源数据标准化。
（4）数据存储 经过预处理之后，大部分数据通过 Hadoop 架 构实现分布式存储，小部分的常用数据通过本地的 MySQL 数据库进行存储。
（5）数据分析 系统通过层次分析法，AR、SVM 等数据分析模 型对经过预处理的历史数据进行数据分析，进而支 撑系统的各项功能 [7]。
1.2 系统功能设计
结合铁路机务 EHM 的实际需求，本系统设计的 主要功能包括设备实时监控、设备趋势分析、设备 故障预测和风险等级评估。
1.2.1 设备实时监控
铁路机务设备运行状态实时监控功能用于对铁 对机务设备的健康进行实时监控 [8]，使工作人员及时 了解设备工作状态，提高铁路机务设备的可靠性 [9]。
（1）设备位置监控 设备在工作中经常根据需要进行位置改动，涉 及到设备的安装、调试、退役以及变更等。系统基 于采集到的地理结构定位数据对设备进行跟踪管理， 在此基础上，可支持显示建筑物、车间等位置类别 及其实际位置，未来可直接结合 GIS，实现图形化筛 选定位功能。
（2）设备状态信息监控 对设备的使用状态进行实时查询，包括设备的 新增、在用、检修、报废、闲置等设备状态标志的 设置和变更，如果设备处于在用状态，可实时监控 不同设备的各项参数、指标等状态信息。使得相关 人员通过手机、PC 机、调度大屏等实时掌握生产中 设备运行情况。
1.2.2 设备趋势分析
（1）设备效率趋势分析 系统通过与设备控制系统集成，实时采集各省 产设备的开动状态、运行状态，对设备运行状况进 行集中监控。系统采集设备开停机时间、设备作业 量、设备故障时间等，自动生成全局设备效率（OEE，Overall Equipment Effectiveness)，并提供设备的实 时 OEE 趋势，便于工作人员及时发现影响生产效率 的因素。
（2）设备健康趋势分析 该功能对铁路机务设备未来一段时间内的健康 趋势进行分析预测。系统采集设备开停机时间、设备 作业量、设备使用率、设备异常率等关检指标，进 行综合数据分析，实现设备健康趋势的分析。
1.2.3 设备故障预测
（1）设备性能预测 不同设备的使用环境、偶发因素、使用场景各 不相同，很难对设备或其部件进行寿命预测，系统 根据历史数据进行趋势预测和关键指标跟踪，并通 过基于原始数据的分类、聚类、异常点识别、关联 性分析等多种算法实现趋势研判和异常点追踪，和 智能化的性能指标阈值设置，当性能指标超出预警 值，系统可自动进行报警。
（2）设备故障预测 该功能用于对铁路机务设备未来一段时间内是 否会发生故障进行预测分析。故障预测可综合利用上 述各部分的数据信息，评估和预测被监测设备未来 发生故障的可能性，并做出判断、建议和决策。工 作人员根据系统提示，采取相应的措施，在部件发 生故障之前选择适宜时机进行维修。
1.2.4 风险等级评估
（1）故障风险等级评估 通过设备实时状态信息推算设备故障率，以设 备自身资产和资产损失度衡量经济性，综合考虑设 备故障率及设备退出运行对生产的经济性、安全性 的影响，对设备故障风险进行评估
（2）安全风险等级评估 实现在生产及维修过程中对安全风险的预警功 能，向工作人员发出相应的预警提示，风险等级分 为一般风险、低级风险、中级风险、高级风险。 2 系统实现 基于 EHM 理念的铁路机务设备大数据健康管理 系统在 Windows 10 操作系统环境下，利用 python 3.5 和 pycharm 2018 两种工具构建铁路机务设备健康评测模型、健康趋势预测模型和故障预测模型，进而 支撑系统的各个功能模块，实现对铁路机务设备的 大数据健康管理。
2.1 健康评测模型
铁路机务设备健康评测值是对铁路机务设备当 前工作状态的一种认知。铁路机务设备的运行历史数 据、维修数据和实时监测数据对设备健康评测模型 的构建至关重要 [10]。在构建健康评测模型时，必须 要确定设备各个指标要素的权重。层次分析法能够 把与决策有关的元素分解成目标、准则、方案等层次， 进行定性和定量分析，适用于铁路机务设备各个指 标要素的权重确定 [11]。 铁路机务设备健康评测模型的构建分 3 个部分。
（1）基于铁路机务设备的运行历史数据、维修 数据和实时监测数据构建铁路机务设备的健康评估 体系，如图 2 所示。
（2）结合铁路机务设备相关专家的意见确定每 各指标要素的健康得分，满分为 10 分。通过层次分 析法对铁路机务设备各个指标要素之间的关系进行 分析并确定其各自的权重，将定性问题定量化，达 到归一化处理的目的 [12]。
（3）通过把机务设备实时监测的各个指标要素 的值代入定量化分析的铁路机务设备健康值评测体 系，如式（1）所示，对该铁路机务设备进行健康值 评测，从而对该铁路机务设备的当前健康状况有所 认知。
其中，H 表示铁路机务设备的当前健康评测值；Vi 表示铁路机务设备低 i 各指标要素的监测值； M i 表示铁路机务设备低 i 各指标要素的阈值中位 数 ；L i 表示铁路机务设备低 i 各指标要素的阈值 长度；ωi 表示铁路机务设备低 i 各指标要素的权重； i=1，…，10。
2.2 基于AR模型的健康趋势预测模型
铁路机务设备的健康值与设备的历史状态关 系紧密，受其它因素影响较小。A R 模型是统计 领域一种处理时间序列的方法，通过结合同一变 量之前各期的表现记录，来预测本期的表现情况， 适用于铁路机务设备健康趋势预测 [13]。A R 模型 原理如式（2）所示 [14]
其中，t 为某一时刻 ；X 为 t 时刻的电压数据 ；c 为设备电压修正值常量 ；p 和 l 代表设备电压取值范 围的上界和下界 ；φi 为 t 时刻的电压数据是否适用于 式（2）的权重值 ；t–i 为历史某一时刻电压数据 ；εt 为随机误差值。 将铁路机务设备指标要素历史监测数据分为训 练集和测试集，对训练集进行 AR 模型训练，得到健 康趋势预测模型。该模型对测试集进行测试的结果如 图 3 所示，其中，原始数值代表测试集的实际健康值， 评估和预测是通过健康趋势预测 AR 模型得到的测试 集健康预测值。对比健康趋势预测模型预测结果与 测试集实际健康值，预测结果准确率约为 96.2%。
2.3 基于SVM的故障预测模型
铁路机务设备状态分为正常和故障 2 种，属于 二分类问题。而 SVM 是一种按监督学习方式对数据 进行二元分类的广义线性分类器 [15] ，适合处理设备 状态判断问题。本系统通过使用 SVM 对各种铁路机务设备故障维修数据进行分析、训练得到设备故障 预测模型，通过该模型进行故障预测 [16]。 当模型获取到如图 4 所示的数据时，可在图例 中根据第一列标签标示出数据的有效性进行判断处 理，例如，当第一列数据为 +1 时数据有效，为 –1 实则数据无效
将通过故障预测模型得到的故障预测结果与铁 路机务设备故障实际情况进行对比，得出预测的成 功率为 99.08%，如图 5 所示
2.4 设备健康风险预警等级
本系统结合铁路机务设备工作人员的实际工作 经验和数据源分析结果，为铁路机务设备设定了如 图 6 所示的风险等级评估系数
系统会根据设备健康值分数所处的风险评估等 级，向工作人员发出不同级别的风险评估预警，方 便工作人员及时采取应对措施，保证铁路机务设备 维护的工作效率 [17]
3 结束语
基于 EHM 理念的铁路机务设备大数据健康管理 系统将前沿的信息化技术融入铁路机务设备的实际 工作中，实现了对铁路机务设备的健康管理，提高 了铁路机务设备的整体管理水平，保证了工作质量， 为前沿信息化技术的普及发挥了示范作用 [18]。然而， EHM 的关键技术现在还不够成熟，本文中的健康趋 势预测和故障预测模型都只采用了一种关键技术。下 一步准备在这 2 个功能上采用混合方法，使得健康 趋势预测模型和故障预测模型更加完善，进一步提 高预测准确率