1 范围
本文件确立了预测性维护分布式系统的不同系统架构,包括分布传感架构、系统集成架构、边缘计算架构、边云协同架构、云计算架构、智能体架构,给出了相应的功能建议和适用场景。
本文件适用于预测性维护分布式系统的设计、开发、运行和维护
2 规范性引用文件
下列文件中的内容通过文中的规范性引用而构成本文件必不可少的条款。其中,注日期的引用文件,仅该日期对应的版本适用于本文件;不注日期的引用文件,其最新版本(包括所有的修改单)适用于本文件。
GB/T 47230 智能服务 预测性维护 数据定义与接口
3 术语和定义
下列术语和定义适用于本文件。
3.1 预测性维护 predictive maintenance
根据观测到的状况而决定的连续或间断进行的维护,以监测、诊断或预测构筑物、系统或部件的条件指标。
[来源:GB/T 40571—2021,3.5]
3.2 分布式系统架构 distributed system architecture
以应用计算机、网络和通信技术为基础,对一个及以上分布式设备或系统进行状态监测、故障诊断及预测的预测性维护系统架构。
3.3 元数据 metadata
定义和描述其他数据的数据。
注:其他数据包括数据采集系统从设备上获取的未经处理的监测数据。
[来源:GB/T 18391.1—2026,3.2.26]
3.4 智能体 agent
能感知环境并主动采取行动以实现特定目标的实体
4 缩略语
下列缩略语适用于本文件。
API:应用程序编程接口(Application Programming Interface)
CMMS:计算机维护管理系统(Computer Maintenance Management System)
DCS:分布式控制系统(Distributed Control System)
EAM:企业资产管理系统(Enterprise Asset Management)
ERP:企业资源规划系统(Enterprise Resource Planning)
GIS:地理信息系统(Geographic Information System)
MES:制造执行系统(Manufacturing Execution System)
PLC:可编程逻辑控制器(Programmable Logic Controller)
SaaS:软件运营服务(Software as a Service)
SCADA:数据采集与监视控制系统(Supervisory Control and Data Acquisition)
5 总则
预测性维护系统架构在算力、算法与设备智能化水平提升的驱动下持续演进,系统中的传感装置、算法模型与运维平台等组成部分,逐渐向分布式架构方向发展。预测性维护分布式系统架构包括分布传感架构、系统集成架构、边缘计算架构、边云协同架构、云计算架构、智能体架构
分布传感架构:核心特征为传感装置的分布式部署,通过在设备监测位置分布式部署传感器,实现设备状态数据分布式采集与集中式分析,构建不与其他数据采集系统进行交互的端到端监测分析能力。
系统集成架构:核心特征为分布式数据获取与系统集成,通过集成传感器采集数据和 PLC/ SCADA/DCS等第三方数据,实现设备状态监测、故障诊断、寿命预测与维护决策等预测性维护功能。
边缘计算架构:核心特征为在边缘端执行预测性维护功能,通过在设备近端或网关部署轻量级算法模型,对传感数据进行本地化实时处理与分析,有效减少向云端传输的数据量,满足低延迟响应和带宽受限场景需求。
边云协同架构:核心特征为边缘计算与云计算协同,边缘侧负责实时响应、轻量计算和数据预处理,云端负责海量数据存储与复杂运维模型训练,通过协同调度机制共同实现预测性维护功能。
云计算架构:核心特征为在云端执行预测性维护功能,利用云计算弹性的计算、存储与分析资源,实现预测性维护功能。
智能体架构:核心特征为预测性维护子系统或功能模块被构建为具有特定目标、感知能力与决策能力的智能体,通过协作等机制实现预测性维护功能。
6 分布传感架构
6.1 系统架构
预测性维护分布传感架构通过分布式部署传感装置获取数据,构建从感知层到分析层的端到端独立监测能力,不与 PLC、SCADA、DCS、MES、ERP、CMMS等系统进行数据交互。分布传感架构如图1所示。感知层与分析层的数据交互及接口定义应符合 GB/T 47230的规定。
6.2 功能建议
预测性维护分布传感架构功能建议如下。
a) 感知层:获取设备状态数据。采用的装置或系统宜包括:
1) 传感单元:部署振动、温度、电流、声纹、压力、视觉等多类型传感器,形成针对被监测设备对象的分布式传感系统,实现设备运行状态参数的独立感知;
2) 采集单元:配置数据采集硬件模块,通过采集软件设置采样参数(如数据类型、通道、频率、周期),完成数据采集、本地缓存等。
b) 分析层:通过分析感知层获取的设备数据,实现状态监测、故障诊断、寿命预测、维护决策等预测性维护核心算法的部署和分析,并根据用户角色和使用场景提供可视化与交互能力。宜包括以下功能:
1) 数据治理:支持用户对噪点、失真、缺失等异常数据进行剔除与修复;
2) 数据存储:支持按照设备构成、传感器测点、数据类型等信息的多源异构监测数据,支持用户执行增、删、改、查等操作功能;
3) 状态监测:包括数据预处理、特征提取、特征分析和状态识别,通过部署状态监测与识别算法,实现数据质量分析优化和异常判断;
4) 故障诊断:采用基于数据驱动的方法、基于机理模型的方法和基于定性经验知识的方法等,部署相应的故障诊断算法,实现故障时间的确定、故障类型的识别、故障严重程度的判断、故障定位等功能;
5) 寿命预测:采用数据驱动、机理模型和混合模型等建模方法,基于故障诊断提供的类型判断、故障定位等数据,评估设备的剩余使用寿命,并从数据质量、历史经验数据、模型准确性等角度评估 RUL置信度;
6) 维护决策:依据故障诊断或预测结果,结合生产实际情况建立应急响应机制,同时在充分考虑安全和成本的基础上,将故障诊断和寿命预测的输出结果,与企业设备管理相结合,制定相应的维护维修策略。宜具备的功能包括维护建议生成、维护方案效果评估、虚拟维修、维修资源调度优化管理、备品备件优化管理等。
6.3 适用场景
分布传感架构适用于对数据安全或系统独立性要求较高,需与生产控制网络及管理信息系统进行物理或逻辑隔离的场景,宜进行独立监测的设备或设备群,也适用于未接入 SCADA/DCS等系统且改造预算有限的老旧工业设备。适用场景包括但不限于大型旋转机械、专用试验台等
7 系统集成架构
7.1 系统架构
预测性维护系统集成架构通过集成分析传感与数据采集单元数据、PLC、SCADA、DCS等第三方数据,实现设备状态监测、故障诊断、寿命预测与维护决策等预测性维护功能。系统集成架构如图2所示
7.2 功能建议
预测性维护系统集成架构功能建议如下。
a) 感知层:通过振动、温度、电流、声发射、压力、视觉等传感器与数据采集单元获取设备状态数据。宜包括以下功能:
1) 通过传感与采集单元获取设备运行状态数据,采用的装置或系统与6.2 a)相同;
2) 集成 PLC、SCADA、DCS、MES、ERP、CMMS、环境监控系统等关键工况参数、业务数据;
3) 支持标准 API、数据库连接、文件交换等多种方式,从各业务系统中自动、定时或按需抽取设备运行参数、工艺设定值、维护历史、备件库存及环境数据等。
b) 分析层:具备数据存储与管理能力,并支持算法模型实现数据治理、数据存储、状态监测、故障诊断、寿命预测等功能,并据此进行维护决策。宜包括的功能与6.2 b)相同
7.3 适用场景
预测性维护系统集成架构面向企业级工业设备集群,适用于需要跨系统数据整合、全局优化分析和多业务流程协同的场景,尤其适用于对数据种类要求高但数据来源较为分散的环境。适用场景包括但不限于:
流程工业:如造纸机、冶金轧机等复杂生产线,结合 DCS、MES 等多源数据,综合分析设备状态;
制造生产线:如数控机床、工业机器人等设备,整合 PLC、SCADA、ERP数据,实现设备健康监测与生产优化;
能源电力:如风电设备、输电设备、泵等关键设施,整合 SCADA、GIS、EAM 等数据,实现预测性维护和运行效率优化。
8 边缘计算架构
8.1 系统架构
预测性维护边缘计算架构在靠近设备终端的本地服务器或网络中,设置边缘计算节点,直接对设备的监测数据进行处理分析,并提供本地化的状态监测、故障诊断、寿命预测、维护决策等预测性维护服务。边缘计算架构如图3所示。
8.2 功能建议
预测性维护边缘计算架构功能建议如下。
a) 感知层:在各设备近端布置数据采集单元、第三方数据接口等,获取设备运行状态数据。采用的数据采集方式与7.2 a)相同。
b) 边缘层:边缘层存储设备监测数据,并在边缘计算节点上集成状态监测、故障诊断、寿命预测与维护决策等核心算法,对监测数据进行分析,提供预测性维护服务。宜包括以下功能。
1) 状态监测:支持用户构建设备多域健康指标,支持通过设置不同的阈值,对所接入的设备进行多级预警/报警。
2) 故障诊断:支持用户对设备数据进行时域、频域、时频域分析以及基于机器学习/深度学习等智能模型的故障特征智能表征;支持基于设备历史数据训练诊断模型并存储;支持应用已训练完成的智能诊断模型判断所接入设备的故障位置、故障类型、故障程度,并评估确诊概率。
3) 寿命预测:支持用户对设备健康指标变化趋势进行线性、非线性函数拟合;支持基于设备历史数据训练智能预测模型;支持基于已训练完成的预测模型对设备距离失效的剩余寿命进行预测分析,并评估预测结果的不确定性。
4) 维护决策:支持用户根据设备的健康状态以及已有的维护资源,合理优化设置维护阈值、检测间隔、维护方式等;支持用户根据设备健康状态,优化运行参数
5) 结果可视化:支持用户收集各个边缘计算节点的预测性维护结果,并统计显示所接入设备的位置信息、健康信息、历史运行状态等
6) 报表生成:支持用户生成所接入设备的维护报表,根据监测、诊断、预测以及维护决策的结果,分析设备的综合状态,并提供维护建议或运行参数调整的方案。
7) 用户管理:支持用户设置具有不同访问权限的账户,保护数据隐私。
8.3 适用场景
预测性维护边缘计算架构面向工厂/公司级工业设备集群,适用于需实时数据处理、本地化服务和集中管理的场景,尤其适用于对实时性要求高,但网络连接有限的环境,其他场景可参考使用。适用场景包括但不限于:
制造生产线:涉及数控机床、工业机器人、传送带等设备集群,需要连续监测设备运行状态防止意外停机;
能源电力:涉及风电场、火电站、水电站等设备分布广泛且环境偏远的场景;
石油化工:涉及泵、压缩机、阀门、管道等设备,通常需要远程监控或服役环境安全性、可靠性要求较高的场景。
9 边云协同架构
9.1 系统架构
预测性维护边云协同架构在边缘计算架构的基础上,增加云端服务器,获取各边缘计算节点的模型参数、抽象数据特征等元数据,并进行分析与融合。通过云端与边缘端相互协作,全方位调度运算与数据传输资源,实现预测性维护功能。边云协同架构如图4所示。
9.2 功能建议
预测性维护边缘计算架构功能建议如下。
a) 感知层:边云协同架构下感知层的功能建议与8.2a)相同。
b) 边缘层:边云协同架构下边缘层的功能建议与8.2b)相同。
c) 云端层:通过与边缘层相互应答,完成设备群组的数据存储、数据分析与系统集成应用,宜包括以下功能:
1) 云端记录设备节点型号、关键部件尺寸等静态元数据,以及设备节点信息、模型参数、特征指标等动态元数据,云端元数据存储和管理参见 GB/T 31916.1;
2) 数据存储通过边缘层与云端层相互应答,完成设备群组多源数据存储,并能根据用户需求,执行增、删、改、查等操作功能;
3) 云端层支持设备群组异常数据的特征融合,支持设备群组的状态监测阈值初始化,支持智能诊断模型参数、故障特征等加密元数据融合,支持多设备预测模型参数融合,支持设备集群维护与运行优化策略的联合制定;
4) 边缘层与云端层之间通过上传/下发智能模型参数、抽象数据特征等加密元数据,实现预测性维护模型构建,并在所接入的设备节点上完成状态监测、故障诊断、寿命预测与运维决策等预测性维护核心功能;
5) 云端层具有预测性维护模型协同训练、设备群组维护结果呈现、报表生成等应用接口;
6) 云端层可呈现设备群组的数量、节点位置、服役状态、健康状态、运维建议等信息,并能根据监测、诊断与预测结果统计设备群组健康状态的变化规律或趋势,并据此生成可供维护工程师参考的维护报表。
9.3 适用场景
预测性维护边云协同架构面向大型跨地域设备集群,适用于云端服务器具有强大算力的场景,尤其适用于需要融合跨用户、跨地域设备集群数据,但数据隐私性与数据传输成本高的环境,其他场景可参考使用。适用场景包括但不限于:
制造业设备集群:涉及多型号、不同工厂分布的数控机床、工业机器人集群等;
大型跨地域设备集群:涉及风力发电厂、火力发电厂设备集群等;
高安全设备集群:涉及航空发动机、流程工业设备等对安全性、经济性要求较高,同时数据隐私性要求较强的场景。
10 云计算架构
10.1 系统架构
预测性维护云计算架构通过虚拟化数据接入、容器化部署、微服务化拆分、大规模分布式存储等技术,实现设备运维数据的全云化采集、治理、分析、决策。云计算架构如图5所示
10.2 功能建议
预测性维护云计算架构功能建议如下。
a) 感知层:作为数据接入层,支持全云化采集、标准化转换与可靠性传输,宜包括以下功能。
1) 虚拟化适配器:支持通过虚拟 PLC等方式提供数据,不依赖硬接控制点。
2) 协议适配与虚拟化接入:具备协议转换网关能力,支持软总线、虚拟 PLC、工业镜像等技术,能适配异构工业设备。
3) 高可靠传输:支持断点续传、传输压缩、队列缓存、网络抖动自动补偿,支持设备批量接入的扩展能力,数据传输链路具备冗余策略
4) 多源数据协同:支持实时数据、事件数据、告警数据、日志数据等多源数据的同步汇聚,支持跨厂区、跨设备、跨系统级的数据统一接入,数据规模支持水平扩展,接入压力不受本地服务器容量限制。
b) 云端层:作为架构的计算和智能中心,承载数据治理、云存储、多模态融合、大模型推理、预测性维护算法、业务服务能力,宜包括以下功能。
1) 数据治理:包含数据清洗、异常处理、数据标注、时序对齐等基础功能,数据治理能力支持在云上统一完成,避免分散部署导致规则不一致。
2) 数据处理:支持时序数据、报警事件、文本运维记录、图像视频等多模态数据的统一编码,构建跨模态对齐的语义空间。特征工程由云端特征计算引擎统一处理。
3) 云存储:采用时序数据库与对象存储混合架构,其中,时序数据库存储实时采集的设备运行时序数据,对象存储负责日志、文档、图片、视频等非结构化数据。
4) 算力池化:支持资源集中管理、按需分配、弹性扩容,支持大模型或深度学习模型训练。
5) 多模型协同:支持机理模型、统计模型、机器学习模型、大模型与智能体协同工作,模型选择与组合支持由云端策略自动完成。
6) 预测性维护功能:具备故障诊断、寿命预测等预测性维护关键能力,通过跨企业、跨设备、 跨场景数据集共享的特点,支持分布式训练、在线学习、增量更新
7) SaaS化交付:全模块从云端加载,不必现场安装。升级、扩展、算法更新均由云端自动完成。
8) 跨端统一访问:多角色多权限管理由云端统一认证,支持 WEB、移动端、API的统一接入
9) 安全与隔离:提供租户隔离、数据加密、访问控制等能力。
10.3 适用场景
预测性维护云计算架构可实现全云化集中管理、多模态数据处理与跨系统协同、弹性算力及按需扩展,但仍存在对网络稳定性依赖高、边缘场景实时性不足、敏感数据上云与跨境风险、迁移与适配成本高等缺点,宜适用于数据规模大、设备分布广、跨系统协同需求高的场景,体现云上集中式计算与模型推理的优势,同时兼顾弹性资源和快速部署能力。典型适用场景如下
跨区域、多厂区集中管理场景:多地设备数据统一汇聚并集中分析,策略统一下发,跨区域共享模型与数据资源,运维资源统一调配。
大规模设备集群场景:企业设备数量巨大,且设备结构与工艺相似,可复用跨设备的数据特征与健康模型,云算力可按需扩展,支持对海量设备数据进行实时计算。
跨系统/跨业务数据融合场景:云端数据湖可融合多系统数据,大模型可对跨系统关联进行理解与推理,且云端可支持跨系统/跨业务带来的海量数据存储与计算。
注重快速部署与低运维成本的场景:需要在无改造、无本地部署的情况下快速上线预测性维护系统,且运维人员有限的情况下。SaaS模式不必安装软硬件,算法更新、系统维护均由云端自动完成,实现“即开即用”式部署。
11 智能体架构
11.1 智能体辅助架构
11.1.1 系统架构
预测性维护智能体辅助架构将大语言模型作为专家辅助模块,通过“人机协同”模式,利用大模型对传统系统的分析结果进行解读与建议,辅助运维人员进行维护决策。智能体辅助系统架构如图6所示
11.1.2 功能建议
预测性维护智能体辅助系统架构功能建议如下。
a) 感知层:包括但不限于振动传感器、油液监测、工业相机等物理传感装置,以及 SCADA、PLC、历史日志等多源数据采集单元。采用的数据采集方式与7.2 a)相同。
b) 分析层:基于传统算法与小模型的预测性维护系统,负责对采集数据进行特征提取、状态监测、故障预警及寿命预测,宜包括以下功能:
1) 结果语义化解读:具备将预测性维护系统输出的结构化数据(如频谱图、故障代码、趋势曲线)映射为自然语言描述的能力,降低数据理解门槛;
2) 交互/反馈:支持通过自然语言对话形式,辅助运维人员查询历史故障案例、设备技术手册及维修标准作业程序,并提供启发式排查建议;
3) 决策辅助生成:根据设备状态监测结果,生成包含故障原因分析、维修建议及备件需求的初步报告,供运维人员审核与采纳,但不直接下发控制指令。
c) 应用层:支持基于人机协作结论生成运维控制指令、库存计划生成及维修计划排程等执行动作。
11.1.3 适用场景
适用于数字化基础较好,但自动化控制风险较高或对专家经验依赖较强的场景,适用场景包括但不限于:
复杂故障辅助研判:面对单一传感器数据难以解释的复杂故障,由智能体关联历史案例库,为初中级工程师提供专家级的排查思路;
运维知识交互式培训:在日常巡检与维护过程中,作为随身数字助手,实时解答技术参数、操作规范等问题,缩短新员工培养周期;
运维报告自动化编制:用于快速生成标准化的设备健康状态日报、周报或故障分析报告,减少人工整理数据文档的行政工作量。
11.2 智能体协同架构
11.2.1 系统架构
预测性维护智能体协同架构以智能体中枢为核心驱动,深度融合多模态数据与业务流,通过工具仓库与知识仓库的自主调用,实现从感知到决策的全流程闭环。智能体协同系统架构如图7所示
11.2.2 功能建议
预测性维护智能体协同系统架构功能建议如下。
a) 感知层的功能建议与7.2 a)相同。
b) 分析层:核心为智能体中枢,内嵌多模态编码器与混合推理引擎,并挂载工具仓库与知识仓库,支持实现复杂故障的自主分析与推理,宜包括以下功能:
1) 支持对振动、声纹、影像、文本日志等多源异构数据的统一编码与联合推理,具备跨模态的故障特征提取与对齐能力;
2) 智能体中枢具备工具链编排能力,支持自主调用算法工具进行数据处理分析,以及业务工具进行资源查询;
3) 能根据推理结果,自动触发库存核验、采购申请生成、工单创建及排程优化等跨系统业务操作,实现业务流的无缝流转;
4) 具备基于长周期预测结果的动态规划能力,支持根据生产计划与设备健康度权衡,自动生成最优维护策略并下发控制指令;
5) 支持根据具体场景需要,在单个或多个节点加入人工交互或复核功能。
c) 应用层的功能建议与11.1.2 c)一致。
11.2.3 适用场景
适用于设备自动化程度高、数据治理完善、追求运维效率的场景,适用场景包括但不限于:
少人/无人值守运维:在缺乏现场人员的情况下,由智能体全天候监控设备群,自主完成故障预警、备件调配及维修工单指派,仅需人工定期执行具体维修动作;
供应链协同优化:针对高价值或长交期备件,系统根据设备故障预测结果,精准倒推采购时机,实现备件“零库存”与设备“零停机”的平衡;
运维协同优化:适用于需根据实时生产任务波动与设备健康状态,进行动态工况调整与维护排程的精益化生产场景。
评论