來源：睿見Economy

　　2025年7月10-12日，2025中國汽車論壇在上海嘉定舉辦。本屆論壇主題為“提質向新，智贏未來”，由“閉門峰會、大會論壇、技術領袖峰會、多場主題論壇、N場行業發布、主題參觀活動”等15場會議和若干配套活動構成，各場會議圍繞汽車行業熱點重點話題，探索方向，引領未來。其中，在7月12日上午舉辦的“主題論壇十：構建智能化充電運維體系，提升充電運維效率”上，開邁斯新能源科技有限公司服務質量控制部總監李宇發表了精彩演講。

　　以下內容為現場演講實錄：

　　大家好！

　　很榮幸參加本次論壇，與與會的各位領導、各企業的專家和同行一起交流運維的先進工作方法。

　　我和大家分享一下開邁斯智能運維的方案和成效，主要四部分，引言、概述、具體開展案例和實施效果，最后是智能運維的總結和展望。

　　智能運維背景意義我相信大家是能達成充分共識的，因為充電樁這個行業的特點就是分布廣和網點多，尤其現在的一些鄉鎮也在布局充電樁，所以導致了整個運維會有大量的成本和時間消耗在運維路上。又因為每個場站都配備人工值守和運維人員這也不太現實，那樣成本會更加巨大。從數據統計來看，場站投建之后每年最大的成本就在運維方面，因為原來運維方式主要痛點是故障定位比較困難，需多次到現場排故，更換配件成本高等，這就導致工作效率低、成本大，服務質量跟不上的情況，因此各個充電企業都在發展智能運維，以達到提升效率，為企業運營降本增效。

　　本材料分享了開邁斯的智能運維的基本原理、實踐方法和成果，希望借這個機會和同行進行充分交流。

　　第一部分，首先是智能運維的定義和內容。智能運維是集成了監控、管理、自動化、智能分析的運維平臺，幫助我們定位故障，甚至提前預知故障，降低設備的故障率，達到提升運營的目的。

　　所以智能運維的功能主要集中在以下五個方面。

　　第一是要準確快速定位故障。故障在哪個場站，哪個設備和具體是什么問題，如何快速處理。

　　第二預知故障。通過設備的傳感器和性能數據，來預判這個設備可能的故障隱患，這時候會結合日常的巡檢和保養工作中及時排查和消除故障，避免最后產生真正故障導致影響運營和更換備件的成本。

　　第三方面是監控異常訂單。因為運維的最終目的是配合營運，一些無法充電的故障就直接導致訂單丟失，通過分析異常訂單來查找故障設備，提高訂單成功率。

　　第四方面是自動化運維。目前開邁斯工作機制是符合我們智能運維模型的會自動派單，減少人工分析和派單的工作，提升工作效率。

　　第五是智能分析，利用大數據和人工智能技術。今年年初我們也和豆包AI進行合作，目前在把大量的歷史故障輸入到智能AI的數據庫里，讓其迭代學習。后期我們在進行問題鎖定的時候，智能AI會給出故障指引，甚至是故障預警，即提升效率又降低成本。

　　第二部分是實現的架構和組成部分：主要是通過數據采集層，數據存儲層、數據處理層、應用層和展示層。

　　這里介紹的是智能運維的系統架構，數據層是采集性能的數據，樁端采集的性能數據，還有系統日志、告警數據、工單數據和業務數據等，然后通過傳輸層傳輸到數據處理層，數據處理層核心是根據設備性能等參數的變化進行故障類型的判斷，然后應用層是根據故障類型不同按照設定的程序進行處置，最后展示給手機端的APP端或者電腦端。

　　具體來說這個數據來源主要是四方面，一個是系統日志，包括操作系統和應用系統；還有業務數據是一些客戶的訂單、用戶數、訪問量等；另外最主要的是樁端性能數據，包括充電樁本體里面一些智能控制單元、傳感器、監測設備、邊緣計算設備等；最后是外部的數據，包括第三方互聯互通的訂單數據，以上這些是數據的來源。

　　剛才聽了幾位行業同行專家的分享，各位不約而同地都意識到了智能運維的重要性，而且形成了齊頭并進、百花爭鳴的局面，那么智能運維的關鍵在哪里，就在以下三方面：一是數據的質量，二是模型的搭建，三是智能化水平的提升。前面也講過底層有大量的數據，現在的重點是識別出哪些是有用的數據，哪些是和智能運維相關聯的數據。

　　第二是我們系統的復雜性和異構性，現在整個系統比較復雜，所以是要通過專業的判斷和運維經驗進行系統數據的鏈接和邏輯編程。

　　另外就是整個智能化水平的提升，現在的實際能力還是相對初級的，只能提供排查故障的指引。后面需要用AI技術實現更高效和更高質量的運維水平。

　　第三方面介紹一下開邁斯具體的案例和實施效果。開邁斯現在的做法是研發人員根據與設備故障相關的參數進行閾值的編程來搭建我們智能運維模型。第二步就是根據場站實際情況進行不斷的修正和優化：比如充電樁所在的場所不一樣，有的在地面，有的在地下；場站的環境不一樣：有地方濕度大，有的地方濕度小；還有所處的地域位置不一樣：有的在南方，有的在北方。這些差異都會對實際故障產生影響，因此我們會根據上面的差別和實際充電樁的狀態不斷進行智能運維模型的優化，最后一步是系統設計的邏輯，進行異常告警和自動派單，以達到提升效率的目標。

　　開邁斯智能運維實施最主要體現在以下兩個方面。第一是設備巡檢方面，第二是智能告警方面。現在我們所有的巡檢和保養計劃都是通過智能運維系統自動派發的，而且各個場站因為利用率不同，場站環境不同、溫濕度不同，各種歷史的故障率不同，我們做到了根據這些差異來自動派發不同頻次的保養和巡檢計劃，這樣就為企業節省很多的成本。

　　另外就是智能巡檢的判斷邏輯，就像剛才星充張總講的，過濾棉更換一直是各個企業日常面臨的比較大的一筆支出，也是保障充電樁正常運行的關鍵。因為場站利用率不同，場站清潔情況也是不同的，濾棉統一的更換頻次也是不科學的。所以我們通過長期事件摸索，實現了通過檢測電源模塊自身工作溫度和環境溫度的邏輯關系來輔助指引濾棉的更換，相當于通過這個邏輯就能夠判斷出這個樁里的過濾棉可能發生堵塞或者通風情況不好，熱量一直無法排出去，這種情況會觸發工單要求運維人員去排查，根據現場排查結果進行適當的處理。

　　第二就是智能故障告警方面，我們開邁斯自主開發了九個智能運維模型，模型一到模型三都是關系到充電訂單的模型，這個底層邏輯是連續的幾筆訂單報出故障，充電時間或電量不滿足閾值等，就會自動派發一些工單進行故障排除。

　　模型四是針對槍溫、急停的報警，如果槍溫超過閾值，甚至降流后仍然超過閾值幾次，我們認為槍是有質量風險的。另外急停報警是當急停被按下后會自動報警。

　　模型五到模型七是關系到離線率的，這里會細分成離線次數，離線時長等維度，這類我們會優先進行后臺重啟，重啟還是無法排除故障會觸發自動工單。

　　模型八與電源模塊相關。電源模塊是整個樁里故障率和運維成本最高的，而且是相對來說最核心的部件，這個模型包含監控電流、電壓閾值，還有功率飽和度等。功率飽和度模型的邏輯是比如一個樁是360kW或者是180kW，它在SOC正常的情況下，實際功率不滿足理論功率時，我們就有理由判斷是模塊的故障。

　　還有用戶和訂單復合模型，用戶訂單和樁匹配情況會發出相關的運維需求。

　　通過這些模型的實施，智能派單率相比去年提升的30%，MTTR由133小時降到114小時，維修及時率也有大幅的提升。

　　第四方面是開邁斯對智能運維的總結與展望。首先是樁內的硬件配置，目前我個人理解充電樁內部里的傳感器還沒有按需配置，這種統一的傳感器配置方案要么不夠精益，要么配置不足。因此我們后面在升級改造和設計生產新樁時會根據之前的knowhow進行因地制宜的匹配，比如增加里面的溫濕度傳感器、清潔度探測、抄表模塊、紅外探測等，通過樁里面這些針對性的傳感器會提前捕捉到先兆故障，這樣就可以進行更全面的樁運行狀態識別和智能運維，控制后期維護成本。

　　第二方面是搭建穩定的系統能力。現在數據很多，我們要挖掘和分析這么大量的數據，就需要有相匹配的數據運行能力和穩定的系統。

　　第三方面是進行一些性能測試和優化，在設備上線之前結合地域差異等進行相應的性能測試和調整。

　　第四方面是深度的學習，接下來與AI大模型的結合才是未來的方向和發力點。

　　最后我覺得未來智能運維發展預測有四方面。第一是AI和智能運維結合；第二是跨平臺和區域數據的整合和共享；第三是實時監控和動態調整；第四是自動化和智能化運維工具鏈的完善。

　　以上是來自開邁斯的交流，謝謝各位。