50+
部署装备型号
95%+
故障预测准确率
99.99%
系统可用率
<100ms
响应时间
分层总体架构
用户层
Web监控台
移动端APP
API接口
应用服务层
状态监测
故障诊断
寿命预测
健康评估
维修决策
数据处理层
实时流处理
特征提取
模型训练
知识图谱
数据采集层
振动传感器
温度传感器
压力传感器
电信号采集
多源状态监测
汇聚振动、温度、压力与电气等多物理量通道,统一时间基准与工况标签,为后续特征工程与模型推理提供高质量时序底座。
智能诊断与 RUL
融合信号处理、深度学习与退化机理模型,实现故障模式识别、根因推断与剩余寿命(RUL)预测,输出可解释的置信区间与趋势曲线。
健康评估与维修决策
基于健康指数(HI)与风险分级生成视情维修建议,联动备件与工单策略,支撑从单装到编队的装备群健康管理闭环。
逻辑分层视图
感知层
- ·多源传感器接入
- ·边缘预处理
- ·数据压缩传输
数据层
- ·时序数据库
- ·特征工程
- ·数据标注
- ·样本管理
分析层
- ·故障检测模型
- ·退化趋势分析
- ·RUL预测引擎
- ·知识推理
应用层
- ·健康仪表盘
- ·告警管理
- ·维修计划
- ·报表分析
关键设计决策
时序数据
为何选择时序数据库
传感器数据以高频率、大基数连续写入为主,时序库在压缩率、按时间分区与降采样方面显著优于通用关系库,可支撑海量测点的实时查询与长周期留存。
联邦学习
为何采用联邦学习
多单位、多阵地场景下原始波形与工况数据不宜集中出域;联邦范式在本地训练、仅交换加密梯度或聚合参数的前提下提升模型泛化,兼顾保密合规与诊断效果。
知识图谱
为何引入知识图谱
将故障现象、部件 BOM、维修规程与历史案例建模为可推理图谱,支持根因链路与相似案例检索,弥补纯黑盒模型在可解释性与规程约束上的不足。
生产部署拓扑
接入层
负载均衡 · Nginx / Ingress Controller
TLS 终结、限流、WAF 联动
Kubernetes 集群
网关 Pod
API / BFF
业务 Pod
多副本 HPA
采集 Pod
Agent / Sidecar
数据与中间件
MySQL 主从
Redis 集群
Kafka
ElasticSearch
技术栈一览
V5.0 推荐组合,可按客户环境定制
| 类别 | 技术选型 | 版本 / 说明 |
|---|---|---|
| 后端框架 | Spring Cloud | 微服务架构 |
| 时序数据库 | TDengine / InfluxDB | 海量测点写入与查询 |
| 流处理 | Apache Flink | 实时特征计算 |
| 消息队列 | Apache Kafka | 传感器数据流 |
| ML框架 | PyTorch / TensorFlow | 故障预测模型 |
| 容器编排 | Kubernetes | 弹性伸缩 |
| 对象存储 | MinIO | 模型与数据存储 |
| 前端 | React + ECharts | 监控大屏 |
| 边缘计算 | 嵌入式Linux | 边缘推理 |
健康监测仪表盘
实时展示装备各部件健康状态,多维度数据可视化。
- 实时数据刷新频率1秒
- 支持自定义监控视图
- 多装备多维度对比分析