科创中国
基于AI的汽车工厂设备故障诊断与预测性维护系统
发布时间: 2026-06-05
基本信息
合作方式：
技术服务
成果类型：
发明专利
行业领域：
制造业
成果介绍
以“数据驱动 + AI 建模”为核心，提供适用于汽车工厂冲、焊、涂、总、电池五大专业的设备故障诊断与预测性维护系统解决方案，对电机、风机、升降机等关键设备的运行状态进行实时在线监测， （1）特征值提取：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，对数据进行完整性校验、准确性验证及一致性检查。（2）特征值分析：包括时域、频域、时频域等分析，利用FFT和相关转换公式进行特征值的计算。（3）特征值报警：针对稳态工况下的阈值报警，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。（4）异常检测：针对多变量耦合条件下的未知突发异常，采用隔离森林和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。（5）故障诊断：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各特征影响权重贡献度；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。（6）健康管理：计算设备健康指数,对设备运行状态进行评估。
成果亮点
创新点1：数据采集—构建全息感知的数据基础
聚焦于高质量工业数据的获取与预处理，为AI模型提供可靠输入。通过多源异构数据接入技术，整合来自传感器、PLC、SCADA等系统的实时运行数据，构建覆盖设备振动、温度、电流、压力等参数的全维度设备信号感知体系，实现对设备运行状态的“全息感知”。同时，在边缘端部署智能预处理模块，开展实时数据净化与特征提取，包括数据降噪、异常值剔除和关键特征自动抽取，确保数据质量并保障推理模型的实时响应能力。该环节是AI赋能工业的核心前提，有效解决了传统数据孤岛与噪声干扰问题。创新点2：模型算法—打造机理与数据融合的智能诊断引擎，提出“机理 + 数据”双驱动的AI诊断预测引擎，突破单一驱动模式的局限性。采用融合物理机理的混合智能诊断模型，结合设备物理规律与数据学习能力，既避免纯数据驱动模型“黑箱难解释”的弊端，又克服纯机理模型泛化能力差的问题。包含两大关键技术：一是剩余使用寿命（RUL）精准预测技术，基于多维数据动态评估设备健康状态，为维护决策提供量化依据；二是小样本学习与知识迁移适配方案，实现知识复用与快速模型适配，提升AI模型在复杂工业环境中的适用性。
团队介绍
项目团队成员均为中级和高级工程师职称，专业背景覆盖工业自动化、人工智能、软件工程、智能制造等多个领域。团队在多个智能汽车工厂项目中承担关键技术任务，不仅具备扎实的理论基础，更积累了丰富的现场工程落地经验，熟悉汽车制造四大工艺（冲压、焊装、涂装、总装）的设备特性与运维痛点，能够精准把握业务需求与技术实现之间的平衡点，确保AI解决方案真正“用得上、跑得稳、见效快”。凭借对智能制造发展趋势的深刻理解与对AI+工业融合应用的持续探索，团队已形成一套成熟、可复用、可推广的智能解决方案方法论，为本成果的高质量交付提供了坚实保障。
成果资料
产业化落地方案
成果综合评价报告
评价单位：“科创中国”中国仪器仪表学会仪表线缆产业集群科技服务团 (中国仪器仪表学会) 评价时间：2026-07-11
焦国涛
中国电子标准化研究院
智能制造服务室主任
综合评价
该项目以“数据驱动 + AI 建模”为核心，提供适用于汽车工厂冲、焊、涂、总、电池五大专业的设备故障诊断与预测性维护系统解决方案，对电机、风机、升降机等关键设备的运行状态进行实时在线监测，通过设备异常检测和故障诊断算法实现对设备的异常预警、故障诊断及设备健康画像分析，增强设备管理人员对关键设备的预知与管控能力。实现了关键设备实时运行状态监控，有效解决了汽车工厂设备非计划性故障停机及维护成本过高的问题。降低每年可减少因停台造成的损失明显。具有很好的推广价值。
查看更多>
下载app