HaloChat 运维大模型与数字化轨道交通的共赢之路

文：吴志强｜北京国信会视科技有限公司总经理、上海中运量轨道交通系统工程技术研究中心管理委员会委员

人工智能已成为推动各行业转型升级的重要力量，更是为可持续发展注入新活力。北京国信会视科技有限公司创新研发的HaloChat 运维大模型，为轨道交通行业走向更智能高效的未来贡献智慧。

HaloChat 运维大模型，是一款集智能诊断、健康评估、预测性分析于一体的运维工具。它利用深度学习和大数据分析技术，对城轨车辆的运行数据实时采集、处理和分析，从而实现对车辆运行状况和健康状态的精准判断。具体而言，HaloChat 运维大模型通过对车辆运行数据的深度挖掘，发现潜在的故障隐患，为运营方提供及时、有效的预警信息；它还能对车辆的整体健康状态打分，为运营方提供直观的车辆健康状态评估结果；该模型还能预测关键部件的预期使用寿命，对城轨车辆的运行状况和健康状态进行智能诊断，为运营方制定科学的维修计划提供有力支持。

传统PHM 与装备运维模式的转变

在传统模式下，PHM（预测与健康管理）与装备运维往往采用反应式模式，即在设备出现故障后才进行维修。这往往导致维修成本高、维修周期长、设备使用效率低等。HaloChat 运维大模型的应用，使得PHM 与装备运维转变为预测的模式，更为主动。

HaloChat 能够连接设置在设备各关键部位的各类传感器，实时采集设备运行过程中的温度、压力、流量、距离、振动等数据，运用数据分析的方式，比如数据挖掘、统计分析等，去理解设备运行状态和检测设备可能存在的问题；HaloChat 的数据处理不单单是处理单一装备的数据，还可以进行跨设备、跨场次的数据整合和比较，全面了解设备运行状态，确保其稳定、高效地工作。

HaloChat 运维大模型还具备预测性分析的能力。它能够通过对车辆运行历史数据的挖掘和分析，结合深度学习，可以提前识别出可能的故障点、提前发现潜在故障，预测出关键部件的预期使用寿命，以及可能出现故障的时间点和类型。这不仅能帮助运营方提前做好维修计划，还能有效降低故障发生的概率，提高安全性和可靠性，从而有效降低维修成本、缩短维修周期，并提高设备的使用效率。

根据客户使用后统计，在已经交付项目中，应用该系统后，正线故障率平均降低12.5%，维修工时降低约23.7%；视频巡检比步行巡检效率提高约85%，数字检修比人工检修效率高约12.5%；集控技术取代人工开关站效率提升约75%，数字技术取代人工开关站效率提升约80% 至90%；在安全方面，应急响应效率提高约80%，行车人因风险降低到接近“0”，安全可靠性提高约80%，处置标准化率平均提高约30%。

基于HaloChat 运维大模型的设备健康评估与寿命预测

寿命预测是设备运行与运维的重要关注点之一，对于提高设备的运行效率与可用性、降低运维成本具有重要意义。

HaloChat 能够全面收集和汇总设备的运行数据、维修历史、检查记录等影响健康评估寿命预测的基础数据，提取其中对设备健康状况和使用寿命影响深远的特征指标，利用机器学习（如支持向量机、随机森林、神经网络等）或者深度学习（如卷积神经网络、循环神经网络等）对设备的故障模式进行建模，用收集到的大量数据对模型进行训练，HaloChat 可以根据这些数据自我学习和进化，提高模型的效率、准确性和稳定性。根据模型的输出结果，可以对设备的健康状况进行评估和预测设备的剩余使用寿命（RUL）。

HaloChat 对设备的健康评估和寿命预测，可以为运维决策提供支持，例如根据设备的健康状况来调整运行策略，或者提前为可能出现故障的设备安排维保计划，从而实现对设备的高效、及时的维护和管理，提高设备的运行效率，降低因设备故障造成的风险。

HaloChat 运维大模型更好适应企业需求

北京国信会视在城轨交通市场的运维客户群体覆盖率达到80%，现有产品覆盖率超过40%，目前已成功应用在北京、上海、深圳、重庆、成都、西安、武汉、南京、长沙、青岛、天津等城市。公司在车辆智慧运维系统以及MRO 系统的应用排名稳居行业前三，为轨道交通行业的运维管理提供了强大的综合支持。

HaloChat 运维大模型拥有强大的处理能力，提供了70 亿～130 亿个的模型参数选择，满足不同硬件配置要求，确保各种规模的企业都能获得最优化的服务体验。同时，它还支持本地化部署，确保数据的安全与私密性。此外，本地化数据训练和微调功能使得模型能够不断进化，成为企业内部私有化的AI 大模型，更好地适应企业的实际需求。