基于多源数据融合的EHI模型构建与实时诊断技术
电子技术应用
孔立新
中国石油化工股份有限公司北京燕山分公司
摘要： 针对炼化设备传统维护策略存在“过修”或“失修”问题，构建了基于多源数据融合的设备健康度指数（Equipment Health Index，EHI）模型。该模型整合缺陷、报警、维修等多维数据，利用深度神经网络进行非线性融合与实时评估。工程验证表明，该技术能精准量化设备健康状态，比传统方法具有更高的评估准确率与预警提前量，为智能运维提供了有效支撑。
中图分类号：TP277 文献标志码：A DOI: 10.16157/j.issn.0258-7998.268040
中文引用格式： 孔立新. 基于多源数据融合的EHI模型构建与实时诊断技术[J]. 电子技术应用，2026，52(6)：113-117.
英文引用格式： Kong Lixin. Construction of equipment health index (EHI) model and real-time diagnosis technology based on multi-source data fusion[J]. Application of Electronic Technique，2026，52(6)：113-117.
中文引用格式： 孔立新. 基于多源数据融合的EHI模型构建与实时诊断技术[J]. 电子技术应用，2026，52(6)：113-117.
英文引用格式： Kong Lixin. Construction of equipment health index (EHI) model and real-time diagnosis technology based on multi-source data fusion[J]. Application of Electronic Technique，2026，52(6)：113-117.
Construction of equipment health index （EHI） model and real-time diagnosis technology based on multi-source data fusion
Kong Lixin
China Petroleum & Chemical Corporation Beijing Yanshan Branch
Abstract： In response to the problem of "over repair" or "disrepair" in traditional maintenance strategies for refining equipment, this paper constructs an Equipment Health Index (EHI) model based on multi-source data fusion. This model integrates multidimensional data such as defects, alarms, and repairs, and utilizes deep neural networks for nonlinear fusion and real-time evaluation. Engineering verification shows that this technology can accurately quantify the health status of equipment, with higher evaluation accuracy and early warning than traditional methods, providing effective support for intelligent operation and maintenance.
Key words : multi-source data fusion；equipment health index；neural network；real-time diagnosis；predictive maintenance；refining equipment
引言
炼化企业作为典型的流程工业，其生产装置具有高温高压、易燃易爆、连续作业的特点。关键机泵、压缩机等动设备的运行可靠性直接关系到整个企业的安全生产与经济效益[1]。传统的设备维护策略多基于定期维修或事后维修，常导致“过修”或“失修”问题[2]。随着工业大数据和人工智能技术的发展，设备健康管理正向预测性维护转变，其核心在于如何综合利用多源数据，对设备健康状态进行精准、实时的量化评估。当前，设备监测数据呈现多源、异构、高维的特点，包括振动、温度等实时状态数据，以及缺陷记录、维修历史等非结构化文本数据[3]。单一数据源的信息片面性难以全面反映设备健康全貌。因此，如何有效融合这些多源数据，构建一个能够综合反映设备健康水平的指数，成为实现智能诊断的关键。本文提出的设备健康度指数（Equipment Health Index，EHI）模型，旨在通过多维度数据融合与神经网络技术，实现对炼化设备健康状态的实时、精准诊断，为智能运维提供技术支撑。
本文详细内容请下载：
https://www.chinaaet.com/resource/share/2000007112
作者信息：
孔立新
（中国石油化工股份有限公司北京燕山分公司，北京 102500）
此内容为AET网站原创，未经授权禁止转载。